论文部分内容阅读
近年来,人工智能技术取得了突破性的进展,引起了学术界和工业界的高度重视,甚至受到国家层面的政策关注.人工智能技术主要应用在计算机视觉、语言和图像处理、医疗诊断、机器人控制、人脸识别、金融和经济、保健以及教育等方面.其中,最广为人知的人工智能成果莫过于由谷歌(Google)旗下DeepMind公司开发的曾击败人类职业围棋选手的计算机程序-AlphaGo.人工智能技术最核心的内容就是机器学习算法.机器学习是一门多领域交叉的学科,专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能.子空间法是机器学习算法的一类重要的算法.子空间法用领域子空间来对对应的样本点进行描述,并以此作为对应样本的本征参数,最后根据本征参数实现对样本的降维重构.经典的子空间法有局部线性嵌入(LLE)和拉普拉斯嵌入(LE)等.目前,大部分子空间法主要关注于如何利用子空间来对中心样本进行描述,并提取本征参数.例如LLE方法用领域样本对对应中心样本的最小二乘表示系数作为对应中心样本的本征参数.本文提出了一种新颖的并且简单有效的领域重构方法(NRM).这是一种对于基于图的子空间法的统一预处理算法.这个算法通过对中心点和其对应的邻域点迭代线性插值来实现.NRM算法可以生成更多的邻域点.相较于原邻域点,新生成的邻域点可以更好地描述关于中心点的子空间的结构,进而可以提出更有效的本征参数.通过利用NRM算法,很多基于子空间的非线性特征抽取和特征选择算法都可以得到显著的提升.特别地,我们将NRM嵌入到了几个经典的算法,局部线性嵌入(LLE),拉普拉斯特征图法(LE)和针对于多聚类数据的无监督特征选择(MCFS),并且分别在ORL、CIFAR10和MNIST数据集上取得了 7%、2.6%、2.4%的分类效果提升.我们也将NRM用于单图像超分辨率算法(如A+),并且取得了 0.12dB的显著效果提升.