随着社交网络服务的快速发展及增长,理解网络用户之间潜在的影响力的传播过程,能够帮助用户更好地理解网络结构的动态演化,以及不同的信息对于人与人之间社会关系的影响作用.现有的影响力传播相关的研究工作主要集中在给定静态社交网络...随着社交网络服务的快速发展及增长,理解网络用户之间潜在的影响力的传播过程,能够帮助用户更好地理解网络结构的动态演化,以及不同的信息对于人与人之间社会关系的影响作用.现有的影响力传播相关的研究工作主要集中在给定静态社交网络结构,分析用户之间的影响力传播,找出最具有影响力的用户子集.然而大部分已有工作都忽略了社交网络中的内容信息,即用户之间的影响力作用是与用户产生内容紧密相关的.该文提出了一种融合内容信息和社交网络动态时间特性的潜在影响力传播模型InfoIBP(Influence propagation on Indian Buffet Process).网络中有影响力的用户被看作是一种潜在的特征,可通过不同采样算法和数值逼近求解出来.而对于网络动态时间特性,借助于隐马尔可夫模型来建模不同时间步上的影响力传播过程.在数据集DBLP和Digg上的一系列链接预测、偏好预测和运行时间评测等实验,证明了所提InfoIBP模型能够更准确地建模潜在的影响力传播过程,更有效地挖掘出社交网络中的有影响力用户及更全面地描述网络的动态时间特性,并能对未来的观测数据做出相对精准的预测.展开更多
稀疏表示图像去噪方法中噪声方差,需事先假定,且K-SVD(k-means singular value decomposition)字典学习方法难以解决参数自动选择问题。为此,由于图像在梯度域的稀疏性优于空间域,提出一种梯度域非参数贝叶斯字典学习图像去噪方法。考...稀疏表示图像去噪方法中噪声方差,需事先假定,且K-SVD(k-means singular value decomposition)字典学习方法难以解决参数自动选择问题。为此,由于图像在梯度域的稀疏性优于空间域,提出一种梯度域非参数贝叶斯字典学习图像去噪方法。考虑非参数贝叶斯字典学习图像去噪模型是一个多变量耦合问题,难以求解,利用Bregman和交替迭代方法把该问题分解为多个子问题,利用最小二乘方法和BPFA(beta process factor analysis)字典学习方法分别求解这些子问题,滤除图像噪声,保留原图像的有用信息。实验结果表明,提出方法较GradDLRec算法的峰值信噪比平均可提高1.4 dB左右,重建的图像细节信息更丰富,且该方法具有良好收敛性。展开更多
为充分利用样本及参数的先验信息,对Yang提出的基于稀疏表示的超分辨率重建算法进行了改进,提出了一种基于非参数贝叶斯字典学习的单幅遥感影像超分辨率重建方法。该方法利用Beta-Bernoulli过程进行字典学习,建立字典元素和各参数的概...为充分利用样本及参数的先验信息,对Yang提出的基于稀疏表示的超分辨率重建算法进行了改进,提出了一种基于非参数贝叶斯字典学习的单幅遥感影像超分辨率重建方法。该方法利用Beta-Bernoulli过程进行字典学习,建立字典元素和各参数的概率分布模型,并通过Gibbs进行迭代抽样构成马尔科夫链,用其平稳分布来近似字典元素及各参数的后验分布,最后由低分辨率影像及高分辨率字典的后验分布重建出高分辨率遥感影像。对比双线性、双三次插值及Yang的方法,该算法在平均峰值信噪比方面分别提高了3.29、1.79、0.17 d B,在平均ERGAS方面分别降低了0.78、0.37、0.02 d B。该算法因加入了更多的先验信息,可以使重建影像提供更多高频细节信息,具有一定的普适性。展开更多
针对超像素分割算法中普遍存在的过分割问题,结合Mean Shift算法和非参数贝叶斯聚类模型,提出了一种新的图像分割算法MS-BRM(Mean Shift based Bayesian Region Merging)。首先,利用Mean Shift算法对图像进行超像素分割,然后根据非参数...针对超像素分割算法中普遍存在的过分割问题,结合Mean Shift算法和非参数贝叶斯聚类模型,提出了一种新的图像分割算法MS-BRM(Mean Shift based Bayesian Region Merging)。首先,利用Mean Shift算法对图像进行超像素分割,然后根据非参数贝叶斯聚类模型,融合超像素的空间信息,提出一种区域合并策略对超像素进行合并,得到了最终的分割结果。实验结果表明,MS-BRM算法改善了超像素的过分割问题,对图像进行分割的结果保留了图像的边界信息,更加符合人类视觉的判断结果。展开更多
文摘随着社交网络服务的快速发展及增长,理解网络用户之间潜在的影响力的传播过程,能够帮助用户更好地理解网络结构的动态演化,以及不同的信息对于人与人之间社会关系的影响作用.现有的影响力传播相关的研究工作主要集中在给定静态社交网络结构,分析用户之间的影响力传播,找出最具有影响力的用户子集.然而大部分已有工作都忽略了社交网络中的内容信息,即用户之间的影响力作用是与用户产生内容紧密相关的.该文提出了一种融合内容信息和社交网络动态时间特性的潜在影响力传播模型InfoIBP(Influence propagation on Indian Buffet Process).网络中有影响力的用户被看作是一种潜在的特征,可通过不同采样算法和数值逼近求解出来.而对于网络动态时间特性,借助于隐马尔可夫模型来建模不同时间步上的影响力传播过程.在数据集DBLP和Digg上的一系列链接预测、偏好预测和运行时间评测等实验,证明了所提InfoIBP模型能够更准确地建模潜在的影响力传播过程,更有效地挖掘出社交网络中的有影响力用户及更全面地描述网络的动态时间特性,并能对未来的观测数据做出相对精准的预测.
文摘稀疏表示图像去噪方法中噪声方差,需事先假定,且K-SVD(k-means singular value decomposition)字典学习方法难以解决参数自动选择问题。为此,由于图像在梯度域的稀疏性优于空间域,提出一种梯度域非参数贝叶斯字典学习图像去噪方法。考虑非参数贝叶斯字典学习图像去噪模型是一个多变量耦合问题,难以求解,利用Bregman和交替迭代方法把该问题分解为多个子问题,利用最小二乘方法和BPFA(beta process factor analysis)字典学习方法分别求解这些子问题,滤除图像噪声,保留原图像的有用信息。实验结果表明,提出方法较GradDLRec算法的峰值信噪比平均可提高1.4 dB左右,重建的图像细节信息更丰富,且该方法具有良好收敛性。
文摘为充分利用样本及参数的先验信息,对Yang提出的基于稀疏表示的超分辨率重建算法进行了改进,提出了一种基于非参数贝叶斯字典学习的单幅遥感影像超分辨率重建方法。该方法利用Beta-Bernoulli过程进行字典学习,建立字典元素和各参数的概率分布模型,并通过Gibbs进行迭代抽样构成马尔科夫链,用其平稳分布来近似字典元素及各参数的后验分布,最后由低分辨率影像及高分辨率字典的后验分布重建出高分辨率遥感影像。对比双线性、双三次插值及Yang的方法,该算法在平均峰值信噪比方面分别提高了3.29、1.79、0.17 d B,在平均ERGAS方面分别降低了0.78、0.37、0.02 d B。该算法因加入了更多的先验信息,可以使重建影像提供更多高频细节信息,具有一定的普适性。
文摘针对超像素分割算法中普遍存在的过分割问题,结合Mean Shift算法和非参数贝叶斯聚类模型,提出了一种新的图像分割算法MS-BRM(Mean Shift based Bayesian Region Merging)。首先,利用Mean Shift算法对图像进行超像素分割,然后根据非参数贝叶斯聚类模型,融合超像素的空间信息,提出一种区域合并策略对超像素进行合并,得到了最终的分割结果。实验结果表明,MS-BRM算法改善了超像素的过分割问题,对图像进行分割的结果保留了图像的边界信息,更加符合人类视觉的判断结果。
