栏目文章信息

第十七届中国机器学习会议(CCML 2019)论文 栏目所有文章列表 (按年度、期号倒序)     一年内发表的文章 |  两年内 |  三年内 |  全部 Please wait a minute... 选择: 导出引用 EndNote Ris BibTeX 显示/隐藏图片 Select 1. 基于邻域选择策略的图卷积网络模型 陈可佳, 杨泽宇, 刘峥, 鲁浩 计算机应用    2019, 39 (12): 3415-3419.   DOI: 10.11772/j.issn.1001-9081.2019071281 摘要 （723）      PDF （759KB）（718）    可视化    收藏 邻域的组成对于基于空间域的图卷积网络（GCN）模型有至关重要的作用。针对模型中节点邻域排序未考虑结构影响力的问题，提出了一种新的邻域选择策略，从而得到改进的GCN模型。首先，为每个节点收集结构重要的邻域并进行层级选择得到核心邻域；然后，将节点及其核心邻域的特征组成有序的矩阵形式；最后，送入深度卷积神经网络（CNN）进行半监督学习。节点分类任务的实验结果表明，该模型在Cora、Citeseer和Pubmed引文网络数据集中的节点分类准确性均优于基于经典图嵌入的节点分类模型以及四种先进的GCN模型。作为一种基于空间域的GCN，该模型能有效运用于大规模网络的学习任务。 参考文献 | 相关文章 | 多维度评价 Select 2. 无监督混阶栈式稀疏自编码器的图像分类学习 杨东海, 林敏敏, 张文杰, 杨敬民 计算机应用    2019, 39 (12): 3420-3425.   DOI: 10.11772/j.issn.1001-9081.2019061107 摘要 （583）      PDF （1005KB）（347）    可视化    收藏 目前多数图像分类的方法是采用监督学习或者半监督学习对图像进行降维，然而监督学习与半监督学习需要图像携带标签信息。针对无标签图像的降维及分类问题，提出采用混阶栈式稀疏自编码器对图像进行无监督降维来实现图像的分类学习。首先，构建一个具有三个隐藏层的串行栈式自编码器网络，对栈式自编码器的每一个隐藏层单独训练，将前一个隐藏层的输出作为后一个隐藏层的输入，对图像数据进行特征提取并实现对数据的降维。其次，将训练好的栈式自编码器的第一个隐藏层和第二个隐藏层的特征进行拼接融合，形成一个包含混阶特征的矩阵。最后，使用支持向量机对降维后的图像特征进行分类，并进行精度评价。在公开的四个图像数据集上将所提方法与七个对比算法进行对比实验，实验结果表明，所提方法能够对无标签图像进行特征提取，实现图像分类学习，减少分类时间，提高图像的分类精度。 参考文献 | 相关文章 | 多维度评价 Select 3. 基于多尺度属性粒策略的快速正域约简算法 陈曼如, 张楠, 童向荣, 东野升龙, 杨文静 计算机应用    2019, 39 (12): 3426-3433.   DOI: 10.11772/j.issn.1001-9081.2019049238 摘要 （495）      PDF （1131KB）（347）    可视化    收藏 传统启发式正域属性约简算法在每次迭代的过程中需要添加当前正域依赖度最大的属性进入已选定的特征属性子集，算法迭代次数多且效率低，难以应用于高维大规模数据集的特征选择中。针对上述问题，研究决策系统中正域之间的单调关系，给出了多尺度属性粒（MSAG）的形式化描述，提出了一种基于多尺度属性粒的快速正域约简算法（MAG-QPR）。由于多尺度属性粒包含多个属性，可以对已选定的特征属性子集提供较大的正域，因此，通过每次迭代添加MSAG，可以达到减少迭代次数和使选定的特征属性子集能更快地趋近于条件属性全集的正域分辨能力的目的，从而提高了启发式正域约简算法的效率。在实验部分，选取8组UCI数据进行实验，对于数据集Lung Cancer、Flag和German，MAG-QPR与基于正向近似的正域保持属性约简算法（FSPA-PR）、基于正向近似的条件熵属性约简算法（FSPA-SCE）、后向贪婪正域保持属性约简算法（BGRAP）和后向贪婪启发式广义决策保持属性约简算法（BGRAG）的运行时间加速比分别为9.64、15.70、5.03、2.50；3.93、7.55、1.69、4.57；3.61、6.49、1.30、9.51。实验结果表明，所提算法MAG-QPR提高了算法效率，具有更好的分类精度。 参考文献 | 相关文章 | 多维度评价 Select 4. 基于深度LightGBM集成学习模型的谷歌商店顾客购买力预测 叶志宇, 冯爱民, 高航 计算机应用    2019, 39 (12): 3434-3439.   DOI: 10.11772/j.issn.1001-9081.2019071305 摘要 （640）      PDF （892KB）（445）    可视化    收藏 针对轻量化梯度促进机（LightGBM）等集成学习模型只对数据信息进行一次挖掘，无法自动地细化数据挖掘粒度或通过深入挖掘得到更多的数据中潜在内部关联信息的问题，提出了深度LightGBM集成学习模型，该模型由滑动窗口和加深两部分组成。首先，通过滑动窗口使得集成学习模型能够自动地细化数据挖掘粒度，从而更加深入地挖掘数据中潜在的内部关联信息，同时赋予模型一定的表示学习能力。然后，基于滑动窗口，用加深步骤进一步地提升模型的表示学习能力。最后，结合特征工程对数据集进行处理。在谷歌商店数据集上进行的实验结果表明，所提深度集成学习模型相较原始集成学习模型的预测精度高出6.16个百分点。所提方法能够自动地细化数据挖掘粒度，从而获取更多数据集中的潜在信息，并且深度LightGBM集成学习模型与传统深度神经网络相比是非神经网络的深度模型，参数更少，可解释性更强。 参考文献 | 相关文章 | 多维度评价 Select 5. 基于孪生检测网络的实时视频追踪算法 邓杨, 谢宁, 杨阳 计算机应用    2019, 39 (12): 3440-3444.   DOI: 10.11772/j.issn.1001-9081.2019081427 摘要 （506）      PDF （787KB）（392）    可视化    收藏 目前，在视频追踪领域中，大部分基于孪生网络的追踪算法只能对物体的中心点进行定位，而在定位快速形变的物体时会出现定位不准确的问题。为此，提出基于孪生检测网络的实时视频追踪算法——SiamRFC。SiamRFC算法可直接预测被追踪物体位置，来应对快速形变的问题。首先，通过判断相似性来得到被追踪物体的中心点位置；然后，运用目标检测的思路，通过选取一系列的预选框来回归最优的位置。实验结果表明，所提SiamRFC算法在VOT2015|16|17的测试集上均有很好的表现。 参考文献 | 相关文章 | 多维度评价 Select 6. 基于多尺度多列卷积神经网络的密集人群计数模型 陆金刚, 张莉 计算机应用    2019, 39 (12): 3445-3449.   DOI: 10.11772/j.issn.1001-9081.2019081437 摘要 （503）      PDF （773KB）（355）    可视化    收藏 针对尺度和视角变化导致的监控视频和图像中的人数估计性能差的问题，提出了一种基于多尺度多列卷积神经网络（MsMCNN）的密集人群计数模型。在使用MsMCNN进行特征提取之前，使用高斯滤波器对数据集进行处理得到图像的真实密度图，并且对数据集进行数据增强。MsMCNN以多列卷积神经网络的结构为主干，首先从具有多尺度的多个列中提取特征图；然后，用MsMCNN在同一列上连接具有相同分辨率的特征图，以生成图像的估计密度图；最后，对估计密度图进行积分来完成人群计数的任务。为了验证所提模型的有效性，在Shanghaitech数据集和UCF_CC_50数据集上进行了实验，与经典模型Crowdnet、多列卷积神经网络（MCNN）、级联多任务学习（CMTL）方法、尺度自适应卷积神经网络（SaCNN）相比，所提模型在Shanghaitech数据集Part_A和UCF_CC_50数据集上平均绝对误差（MAE）分别至少减小了10.6和24.5，均方误差（MSE）分别至少减小了1.8和29.3；在Shanghaitech数据集Part_B上也取得了较好的结果。MsMCNN更注重特征提取过程中的浅层特征的结合以及多尺度特征的结合，可以有效减少尺度和视角变化带来的精确度偏低的影响，提升人群计数的性能。 参考文献 | 相关文章 | 多维度评价 Select 7. 基于三维卷积神经网络的湖泊提取算法 徐姗姗, 颜超, 高琳明 计算机应用    2019, 39 (12): 3450-3455.   DOI: 10.11772/j.issn.1001-9081.2019081436 摘要 （491）      PDF （920KB）（357）    可视化    收藏 针对现有分析湖泊几何信息算法的二维图像湖泊轮廓提取精度低的问题，提出了一种基于三维卷积神经网络的湖泊提取算法。首先，基于平整度信息从激光扫描点云中定位出候选湖泊并对输入的候选区域点云进行体素化组织，作为神经网络的输入；同时，通过深度学习技术，从候选区域中过滤非湖泊区域；然后，基于方向链码算法从点云中提取湖泊的边缘并分析其几何形状信息。实验结果表明，所提算法在提取激光扫描点云中的湖泊精度可达到96.34%，与当前在二维图像中的湖泊提取算法相比，可对目标湖泊形状信息进行计算与分析，从而为湖泊监测与管理提供方便。 参考文献 | 相关文章 | 多维度评价 Select 8. 基于精细化残差U-Net的新生儿局灶性脑白质损伤分割模型 刘亚龙, 李洁, 王颖, 仵赛飞, 邹佩 计算机应用    2019, 39 (12): 3456-3461.   DOI: 10.11772/j.issn.1001-9081.2019049101 摘要 （503）      PDF （1112KB）（315）    可视化    收藏 针对新生儿局灶性脑白质损伤的病灶区域小而样本差异大导致的检测与分割病灶较为困难的问题，提出一种精细化深度残差U-Net模型，以对病灶进行精细的语义分割。首先，把核磁共振（MRI）图像裁剪成较小的图像块；其次，利用残差U-Net提取出每个图像块不同层次的深度特征；然后，将特征进行融合并输出每个图像块的病灶分布概率图；最后，由全连接条件随机场对拼接后的概率图进行优化得到最终的分割结果。在某合作医院提供的数据集上的评估结果显示，在仅使用T1序列单模态数据的情况下，该模型在分割新生儿局灶性脑白质损伤时，病灶边缘的分割精度得到提高，且模型抗干扰能力较好。该模型的Dice相似性系数达到了62.51%，敏感度达到69.76%，特异性达到99.96%，修正的Hausdorff距离降低到33.67。 参考文献 | 相关文章 | 多维度评价