针对当前小目标图像阈值分割研究工作面临的难题,提出了快速核密度估计图像阈值分割新方法.首先给出了基于加权核密度估计器的概率计算模型,通过引入二阶Renyi熵作为阈值选取准则,提出了基于核密度估计的图像阈值分割算法(Kernel density estimator based image thresholding algorithm,KDET),然后通过引入快速压缩集密度估计(Fastreduced set density estimator,FRSDE)技术,得到核密度估计的稀疏权系数表示形式,提出快速核密度估计图像阈值分割算法fastKDET,并从理论上对相关性质进行了深入探讨.实验表明,本文算法对小目标图像阈值分割问题具有更广泛的适应性,并且对参数变化不敏感.
提出了一种协作式整体局部分类算法,即C2M(Collaborative classification machine with local and global information),该算法利用两类样本各自的协方差作为整体方向信息,获得两个带整体和局部信息的分类面,并通过组合分类器的平均规则将两个分类面组合,得到最终的最优判决平面.该算法可用两次QP(Quadratic programming)求解,时间复杂度为O(2N3),大大小于M4(Maxi-min margin machine)的O(N4),线性核时的分类精度高于只利用了局部信息的支持向量机(Support vector machine,SVM).理论上证明了在交遇区较多时,C2M可以比M4更有效地利用全局信息,并提出了判断整体信息对分类是否有贡献的4个判别指标.模拟数据和标准数据集上与M4和SVM的对比实验证明了该算法的有效性.
领域适应学习是一种新颖的解决先验信息缺少的模式分类问题的有效方法,最大化地缩小领域间样本分布差是领域适应学习成功的关键因素之一,而仅考虑领域间分布均值差最小化,使得在具体领域适应学习问题上存在一定的局限性.对此,在某个再生核Hilbert空间,在充分考虑领域间分布的均值差和散度差最小化的基础上,基于结构风险最小化模型,提出一种领域适应核支持向量学习机(Kernel support vector machine for domain adaptation,DAKSVM)及其最小平方范式,人造和实际数据集实验结果显示,所提方法具有优化或可比较的模式分类性能。
