高光谱图像目标检测作为一个研究热点在军事和民用方面的应用越来越广泛。为了能同时利用高光谱图像数据的空谱信息,本文提出一种新的基于张量表示的高光谱图像目标检测算法。算法使用CP(Canonical Polyadic)张量分解技术和张量块分解(B...高光谱图像目标检测作为一个研究热点在军事和民用方面的应用越来越广泛。为了能同时利用高光谱图像数据的空谱信息,本文提出一种新的基于张量表示的高光谱图像目标检测算法。算法使用CP(Canonical Polyadic)张量分解技术和张量块分解(Block Term Decomposition,BTD)分别对高光谱数据进行盲源分析,提取了有效的局部图像块空谱特征,建立了一个基于稀疏表示和协作表示的检测模型,针对多种类型背景复杂的场景数据进行实验,并与当前流行的目标检测算法进行比较。从可视化检测结果来看,本文算法在复杂背景和强噪声环境下,有效提取了空谱特征,对背景具有较好的抑制能力,检测的目标显著。此外,本文从接收机操作曲线(Receiver Operating Characteristic Curve,ROC)和ROC曲线下面积(Area Under Curve,AUC)等定量指标分析算法性能。以较为流行的Sandiego图像为例,在10%的虚警率下,本文算法取得90%的检测精度,AUC大于0.95。本文算法相较几种流行算法而言具有较高的检测精度,更强的鲁棒性。展开更多
卷积神经网络已在多个领域取得了优异的性能表现,然而由于其不透明的内部状态,其可解释性依然面临很大的挑战.其中一个原因是卷积神经网络以像素级特征为输入,逐层地抽取高级别特征,然而这些高层特征依然十分抽象,人类不能直观理解.为...卷积神经网络已在多个领域取得了优异的性能表现,然而由于其不透明的内部状态,其可解释性依然面临很大的挑战.其中一个原因是卷积神经网络以像素级特征为输入,逐层地抽取高级别特征,然而这些高层特征依然十分抽象,人类不能直观理解.为了解决这一问题,我们需要表征出网络中隐藏的人类可理解的语义概念.本文通过预先定义语义概念数据集(例如红色、条纹、斑点、狗),得到这些语义在网络某一层的特征图,将这些特征图作为数据,训练一个张量分类器.我们将与分界面正交的张量称为语义激活张量(Semantic Activation Tensors,SATs),每个SAT都指向对应的语义概念.相对于向量分类器,张量分类器可以保留张量数据的原始结构.在卷积网络中,每个特征图中都包含了位置信息和通道信息,如果将其简单地展开成向量形式,这会破坏其结构信息,导致最终分类精度的降低.本文使用SAT与网络梯度的内积来量化语义对分类结果的重要程度,此方法称为TSAT(Testing with SATs).例如,条纹对斑马的预测结果有多大影响.本文以图像分类网络作为解释对象,数据集选取ImageNet,在ResNet50和Inceptionv3两种网络架构上进行实验验证.最终实验结果表明,本文所采用的张量分类方法相较于传统的向量分类方法,在数据维度较大或数据不易区分的情况下,分类精度有显著的提高,且分类的稳定性也更加优秀.这从而保证了本文所推导出的语义激活张量更加准确,进一步确保了后续语义概念重要性量化的准确性.展开更多
以秩一支持张量机(Rank-one Support Tensor Machine,R1-STM)为代表的张量学习现已成为模式识别领域的一个研究热点,具有非常广泛的应用.秩一支持张量机是非凸优化问题,不但求解非常耗时,而且得到的解是局部最优解.基于张量核函数的支...以秩一支持张量机(Rank-one Support Tensor Machine,R1-STM)为代表的张量学习现已成为模式识别领域的一个研究热点,具有非常广泛的应用.秩一支持张量机是非凸优化问题,不但求解非常耗时,而且得到的解是局部最优解.基于张量核函数的支持张量机(Support Tensor Machine based on Tensor-Kernel,TK-STM)能够解决非线性分类问题,不仅继承了支持向量机(Support Vector Machine,SVM)的优点,而且保持了更多的张量结构信息,能够通过一步迭代得到全局最优解.数值试验部分采用了五个向量型数据集和七个张量型数据集,并且将TK-STM与SVM和R1-STM这两个经典算法在分类精度和训练时间上进行了比较,实验结果表明无论在分类效果上还是训练时间上,TK-STM都具有明显的优势,特别是在处理高维小样本数据集上.展开更多
An explicit algebraic stress model (EASM) has been formulated for two-dimensional turbulent buoyant flows using a five-term tensor representation in a prior study. The derivation was based on partitioning the buoyant ...An explicit algebraic stress model (EASM) has been formulated for two-dimensional turbulent buoyant flows using a five-term tensor representation in a prior study. The derivation was based on partitioning the buoyant flux tensor into a two-dimensional and a three-dimensional component. The five-term basis was formed with the two-dimensional component of the buoyant flux tensor. As such, the derived EASM is limited to two-dimensional flows only. In this paper, a more general approach using a seven-term representation without partitioning the buoyant flux tensor is used to derive an EASM valid for two- and three-dimensional turbulent buoyant flows. Consequently, the basis tensors are formed with the fully three-dimensional buoyant flux tensor. The derived EASM has the two-dimensional flow as a special case. The matrices and the representation coefficients are further simplified using a four-term representation. When this four-term representation model is applied to calculate two-dimensional homogeneous buoyant flows, the results are essentially identical with those obtained previously using the two-dimensional component of the buoyant flux tensor. Therefore, the present approach leads to a more general EASM formulation that is equally valid for two- and three-dimensional turbulent buoyant flows.展开更多
文摘高光谱图像目标检测作为一个研究热点在军事和民用方面的应用越来越广泛。为了能同时利用高光谱图像数据的空谱信息,本文提出一种新的基于张量表示的高光谱图像目标检测算法。算法使用CP(Canonical Polyadic)张量分解技术和张量块分解(Block Term Decomposition,BTD)分别对高光谱数据进行盲源分析,提取了有效的局部图像块空谱特征,建立了一个基于稀疏表示和协作表示的检测模型,针对多种类型背景复杂的场景数据进行实验,并与当前流行的目标检测算法进行比较。从可视化检测结果来看,本文算法在复杂背景和强噪声环境下,有效提取了空谱特征,对背景具有较好的抑制能力,检测的目标显著。此外,本文从接收机操作曲线(Receiver Operating Characteristic Curve,ROC)和ROC曲线下面积(Area Under Curve,AUC)等定量指标分析算法性能。以较为流行的Sandiego图像为例,在10%的虚警率下,本文算法取得90%的检测精度,AUC大于0.95。本文算法相较几种流行算法而言具有较高的检测精度,更强的鲁棒性。
文摘卷积神经网络已在多个领域取得了优异的性能表现,然而由于其不透明的内部状态,其可解释性依然面临很大的挑战.其中一个原因是卷积神经网络以像素级特征为输入,逐层地抽取高级别特征,然而这些高层特征依然十分抽象,人类不能直观理解.为了解决这一问题,我们需要表征出网络中隐藏的人类可理解的语义概念.本文通过预先定义语义概念数据集(例如红色、条纹、斑点、狗),得到这些语义在网络某一层的特征图,将这些特征图作为数据,训练一个张量分类器.我们将与分界面正交的张量称为语义激活张量(Semantic Activation Tensors,SATs),每个SAT都指向对应的语义概念.相对于向量分类器,张量分类器可以保留张量数据的原始结构.在卷积网络中,每个特征图中都包含了位置信息和通道信息,如果将其简单地展开成向量形式,这会破坏其结构信息,导致最终分类精度的降低.本文使用SAT与网络梯度的内积来量化语义对分类结果的重要程度,此方法称为TSAT(Testing with SATs).例如,条纹对斑马的预测结果有多大影响.本文以图像分类网络作为解释对象,数据集选取ImageNet,在ResNet50和Inceptionv3两种网络架构上进行实验验证.最终实验结果表明,本文所采用的张量分类方法相较于传统的向量分类方法,在数据维度较大或数据不易区分的情况下,分类精度有显著的提高,且分类的稳定性也更加优秀.这从而保证了本文所推导出的语义激活张量更加准确,进一步确保了后续语义概念重要性量化的准确性.
文摘以秩一支持张量机(Rank-one Support Tensor Machine,R1-STM)为代表的张量学习现已成为模式识别领域的一个研究热点,具有非常广泛的应用.秩一支持张量机是非凸优化问题,不但求解非常耗时,而且得到的解是局部最优解.基于张量核函数的支持张量机(Support Tensor Machine based on Tensor-Kernel,TK-STM)能够解决非线性分类问题,不仅继承了支持向量机(Support Vector Machine,SVM)的优点,而且保持了更多的张量结构信息,能够通过一步迭代得到全局最优解.数值试验部分采用了五个向量型数据集和七个张量型数据集,并且将TK-STM与SVM和R1-STM这两个经典算法在分类精度和训练时间上进行了比较,实验结果表明无论在分类效果上还是训练时间上,TK-STM都具有明显的优势,特别是在处理高维小样本数据集上.
文摘An explicit algebraic stress model (EASM) has been formulated for two-dimensional turbulent buoyant flows using a five-term tensor representation in a prior study. The derivation was based on partitioning the buoyant flux tensor into a two-dimensional and a three-dimensional component. The five-term basis was formed with the two-dimensional component of the buoyant flux tensor. As such, the derived EASM is limited to two-dimensional flows only. In this paper, a more general approach using a seven-term representation without partitioning the buoyant flux tensor is used to derive an EASM valid for two- and three-dimensional turbulent buoyant flows. Consequently, the basis tensors are formed with the fully three-dimensional buoyant flux tensor. The derived EASM has the two-dimensional flow as a special case. The matrices and the representation coefficients are further simplified using a four-term representation. When this four-term representation model is applied to calculate two-dimensional homogeneous buoyant flows, the results are essentially identical with those obtained previously using the two-dimensional component of the buoyant flux tensor. Therefore, the present approach leads to a more general EASM formulation that is equally valid for two- and three-dimensional turbulent buoyant flows.
