Local Features Meet Stochastic Anonymization: Revolutionizing Privacy-Preserving Face Recognition for Black-Box Models
National Engineering Research Center for Multimedia Software（国家多媒体软件工程技术研究中心）；Institute of Artificial Intelligence（人工智能研究院）；School of Computer Science（计算机学院）；Wuhan University（武汉大学）；Harbin Institute of Technology（哈尔滨工业大学）
针对隐私保护人脸识别在黑盒模型泛化性差、易被对抗重建的问题，提出破坏全局特征并增强局部特征结合不可逆随机注入的匿名化方法，在黑盒模型上达94.21%准确率，隐私与抗重建性能更优。
2024-12-11 cs.CV
Applications of a Graph Theoretic Based Clustering Framework in Computer Vision and Pattern Recognition
近年来，一些聚类算法已经被用来解决来自不同学科的各种问题。本论文旨在通过将计算机视觉和模式识别中的问题转化为聚类问题来解决这些具有挑战性的问题。我们提出了新的方法来解决多目标跟踪，视觉地理定位和离群点检测问题，使用统一的下划线聚类框架，即，优势集聚类及其扩展，并提出了优于几个国家的最先进的方法的结果。
2018-01-07 cs.CV
Pattern Recognition of Bearing Faults using Smoother Statistical Features
提出了一种基于模式识别（PR）的轴承故障诊断方法。振动数据采集故障轴承使用的试验台。特征从数据中提取，并在PR过程中使用之前进行处理。该处理涉及特征分布的平滑。这减少了振动随机性对PR过程的不利影响，从而提高了模型的诊断准确性。
2015-11-30 cs.CV
DcnnGrasp: Towards Accurate Grasp Pattern Recognition with Adaptive Regularizer Learning
Wenzhou University（温州大学）；Memorial University of Newfoundland（纽芬兰纪念大学）
抓取模式识别的任务是根据视觉信息推导出物体的适用抓取类型。现有的抓取模式识别方法忽略了抓取对象的类别信息。提出了一种新的双分支卷积神经网络（DcnnGrasp）来实现物体类别分类和抓取模式识别的联合学习。DcnnGrasp将物体类别分类作为辅助任务，提高抓取模式识别的有效性。同时，通过最大化后验值，得到了一种新的损失函数--联合交叉熵，并引入了自适应正则化算子，显著提高了模型的性能。此外，基于新的损失函数，提出了一种训练策略，以最大限度地提高两个任务的协作学习。该实验在五个家庭对象数据集上进行，包括RGB-D对象数据集，Hit-GPRec数据集，阿姆斯特丹对象图像库（ALOI），哥伦比亚大学图像库（COIL-100）和MeganePro数据集1。实验结果表明，该方法在抓取模式识别方面具有与现有方法相媲美的性能。具体来说，我们的方法在RGB-D Object数据集上测试新对象的全局准确性方面甚至比第二好的方法高出近15%。
2022-05-11 cs.CV
Region Based Extensive Response Index Pattern for Facial Expression Recognition
Malviya National Institute of Technology（马尔维亚国家理工学院）
提出了一种新的基于区域的广泛反应指数模式（RETRaIN）描述子用于人脸表情识别。RETRaIN对面部活动区域的参考像素和相邻像素之间的关系进行编码。这些关系是通过在输入图像上使用方向罗盘掩模来计算的，并且提取最前面方向上的高边缘响应。进一步的极端边缘索引位置被选择并编码成六位压缩码，以减少特征维数并区分面部特征中的均匀和非均匀图案。所提出的描述符的性能进行了测试和评估的三个基准数据集扩展Cohn Kanade，JAFFE和MUG。与最先进的技术相比，RETRaIN实现了卓越的识别准确性。
2018-11-26 cs.CV
Bi-modal First Impressions Recognition using Temporally Ordered Deep Audio and Stochastic Visual Features
Indian Institute of Technology Madras（印度理工学院马德拉斯分校）
提出了一种基于短视频中大五人格特征的第一印象识别方法。大五人格特质（Big Five Personality Traits）是一个描述人类人格的模型，使用五个大类：外向性，可接受性，尽责性，神经质和开放性。我们训练两个双模态端到端深度神经网络架构，使用时间有序的音频和新的随机视觉特征，从几帧，没有过拟合。我们的经验表明，训练后的模型表现非常好，即使是在从一小部分输入进行训练之后。我们的方法在ChaLearn 2016年的外观人格分析（APA）比赛中使用ChaLearn APA2016数据集进行评估，并取得了优异的性能。
2016-10-31 cs.CV
Color-related Local Binary Pattern: A Learned Local Descriptor for Color Image Recognition
Chongqing University of Posts and Telecommunications（重庆邮电大学）
局部二值模式（LBP）作为一种局部特征，在图像识别中表现出简单、易实现和较强的识别能力。虽然一些LBP算法被专门用于彩色图像识别，但这些方法没有充分考虑图像的颜色信息，容易导致分类中的维数灾难。提出了一种基于颜色相关局部二值模式（cLBP）的彩色图像识别方法。本文首先提出了一种描述彩色图像通道间颜色相似性的相对相似性空间（RSS）。然后，解码的LBP，可以挖掘LBP特征映射之间的相关性信息对应的RSS传统的RGB空间的每个颜色通道，用于特征提取。最后，采用一种特征学习策略学习颜色相关的主导模式，以降低特征向量的维数，进一步提高特征的区分度。理论分析表明，与传统的RGB空间相比，该方法能提供更多的判别信息，具有更好的噪声鲁棒性和光照鲁棒性。在4组共12个公共彩色图像数据集上的实验结果表明，该方法在无噪声、噪声和光照变化条件下，在特征维数、识别精度等方面均优于大多数LBP算法。
2020-12-11 cs.CV
Spontaneous Facial Micro-Expression Recognition using Discriminative Spatiotemporal Local Binary Pattern with an Improved Integral Projection
University of Oulu（奥卢大学）
近年来，从人脸图像序列中推断微表情的研究受到越来越多的关注。由于微表情的细微运动，特征提取成为自发人脸微表情识别的重要和关键问题。目前的研究多采用时空局部二值模式进行微表情分析。然而，常用的时空局部二值模式考虑了人脸图像的动态纹理信息，而忽略了人脸图像的形状属性。另一方面，他们的工作是从全局人脸区域中提取时空特征，忽略了两个微表情类之间的区分信息。上述问题严重限制了时空局部二值模式在微表情识别中的应用。针对微表情识别中的时空局部二值模式问题，提出了一种基于改进积分投影的判别式时空局部二值模式.首先，我们提出了一种改进的积分投影，以保持微表情的形状属性。此外，一个改进的积分投影被纳入跨空间和时间域的本地二进制模式算子。具体来说，我们提取新的时空特征，将形状属性纳入时空纹理特征。为了提高微表情识别的区分度，提出了一种基于拉普拉斯算子的特征选择方法来提取微表情识别的区分信息。密集的实验进行了三个可用公布的微表情数据库。我们比较我们的方法与国家的最先进的算法。实验结果表明，我们提出的方法取得了良好的性能微表情识别。
2016-08-07 cs.CV
Pigment Melanin: Pattern for Iris Recognition
University of Tehran（德黑兰大学）；University of Waterloo（滑铁卢大学）；Henry Ford Hospital（亨利福特医院）
由于人眼角膜对可见光的反射，使得基于可见光成像的虹膜识别成为一个难题。尽管如此，色素黑色素在VL中提供了丰富的特征源，这在近红外（NIR）成像中是不可用的。这是由于真黑素的生物光谱学，一种在NIR中不受刺激的化学物质。在这种情况下，可以通过在图像直方图上使用变分技术的自适应过程来提供观察这种图案的合理解决方案。为了描述的模式，形状分析方法是用来获得每个主题的特征代码。一个重要的问题是，从VL中提取的黑色素图案在多大程度上独立于NIR中的虹膜纹理。考虑到这个问题，本研究提出了融合从NIR和VL提取的特征，以提高识别性能。我们已经收集了我们自己的数据库（UTIRIS）包括近红外和VL图像的158只眼睛的79个人。实验结果表明，该算法对虹膜的色团模式高度敏感，提高了虹膜识别率。
2009-11-29 cs.CV
Multi-Action Recognition via Stochastic Modelling of Optical Flow and Gradients
NICTA（澳大利亚国家信息与通信技术研究院）；University of Queensland（昆士兰大学）；Queensland University of Technology（昆士兰科技大学）
在本文中，我们提出了一种新的方法来进行联合分割和分类的多动作识别。该方法使用高斯混合模型，使用鲁棒的低维动作特征来对每个动作进行建模。分割是通过对重叠的时间窗口进行分类来实现的，然后合并这些时间窗口以产生最终结果。这种方法比以前使用动态规划或计算昂贵的隐马尔可夫模型（Hidden Markov Models，简称HHM）的方法简单得多。在KTH数据集的拼接版本上进行的初步实验表明，该方法的准确率为78.3%，优于最近基于HMM的方法，该方法获得了71.2%。
2015-02-06 cs.CV
Agriculture-Vision Challenge 2022 -- The Runner-Up Solution for Agricultural Pattern Recognition via Transformer-based Models
PAII Inc.（PAII公司）；Ping An Bank Co., Ltd（平安银行股份有限公司）
CVPR中的视觉挑战赛是全球研究人员打破计算机视觉与农业部门之间界限的最著名和最具竞争力的挑战之一，旨在从航空图像中进行农业模式识别。在本文中，我们提出了CVPR 2022中第三个视觉挑战的解决方案。我们利用数据预处理方案和几个基于Transformer的模型以及数据增强技术，实现了0.582的mIoU，在这项挑战中获得第二名。
2022-06-23 cs.CV
Pattern recognition using inverse resonance filtration
Vinnitsa National Technical University（文尼察国立技术大学）；InnoVinn Inc.（因诺文公司）
提出了一种基于逆共振滤波（IRF）的纹理模式识别方法。纹理图像信号波动本征谐波分解（EHD）的一组主谐振谐波用于IRF设计。结果表明，EHD对纹理图像线性位移具有不变性。纹理的识别是通过将纹理信号转换成非结构化的纹理信号来实现的，非结构化的纹理信号可以利用简单的统计参数进行纹理模式识别。异物上信号点的异常变化。考虑到纹理信号突变的存在，提出了两种二维EHD参数估计方法。第一种方法是基于对信号相位跳变不敏感的线性对称模型。特征多项式对称的条件提供了模型的平稳性和周期性。第二种方法是基于二维相关矩阵的奇异值分解（SVD）的主向量空间的矩阵束投影的特征值问题。提出了两种纹理图像异物分类检索方法。
2010-03-16 cs.CV
Spoofing PRNU Patterns of Iris Sensors while Preserving Iris Recognition
Michigan State University（密歇根州立大学）
光响应非均匀性（PRNU）的原理用于将图像与其源相关联，即，在这项工作中，我们调查是否有可能修改虹膜图像采集使用一个传感器，以欺骗不同的传感器的PRNU噪声模式。在这方面，我们开发了一个图像扰动例程，迭代修改原始虹膜图像中的像素块，使其PRNU模式接近目标传感器。实验表明所提出的扰动方法在欺骗虹膜图像中存在的PRNU图案同时仍然保留其生物特征内容中的功效。
2018-12-15 cs.CV
Application of Faster R-CNN model on Human Running Pattern Recognition
Lexington High School（列克星敦高中）；KTByte Computer Science Academy（KTByte计算机科学学院）
快速区域卷积神经网络（Faster R-CNN）模型等先进算法适用于识别分类的运动对象，这是由于学习训练数据集的效率优于普通CNN算法，并且在验证和测试数据集中标记正确类别的准确性更高。该研究检查并比较了对象识别中的三种R-CNN类型算法，以显示Faster R-CNN模型在分类人类跑步模式方面的优越效率和准确性。然后，通过进行数据集拟合实验，描述了Faster R-CNN在检测单个个体或多个个体表现出的不同类型的跑步模式方面的效果。在这项研究中，Faster R-CNN算法直接从Ross Girshick发布的版本中实现。
2018-11-13 cs.CV
A Novel Artificial Fish Swarm Algorithm for Pattern Recognition with Convex Optimization
图像模式识别是数字图像处理的一个重要研究领域。有效的模式识别算法应该能够以减少的计算时间提供正确的识别。在机器学习模式识别算法中，人工鱼群算法是一种基于种群和随机搜索的群体智能优化算法。为了达到可接受的结果，人工鱼群算法中有许多参数需要调整。在这些参数中，视觉和步长是非常重要的，因为人工鱼基本上基于这些参数移动。在标准AFSA中，这两个参数保持不变，直到算法终止。这些参数的取值较大时，算法的全局搜索能力增强;取值较小时，算法的局部搜索能力增强。在本文中，我们实证研究的性能AFSA和不同的方法来平衡局部和全局的探索进行了测试的基础上自适应修改的视觉和步骤在算法执行。所提出的方法进行了评估的基础上，四个著名的基准功能。实验结果表明，相当积极的影响AFSA的性能。一个凸优化已被集成到所提出的工作有一个理想的分割的输入图像，这是一个MR脑图像。
2016-12-07 cs.CV
SVD-EBP Algorithm for Iris Pattern Recognition
Walchand College of Engineering（沃尔昌德工程学院）
本文提出了一种基于误差反向传播（EBP）的神经网络方法，用于对不同类型的眼睛图像进行分类。为了降低分层神经网络的复杂度，采用奇异值分解（SVD）优化输入向量的维数。本文的主要工作是为特征提取和分类提供最佳的方法。本文介绍了SVD-EBP组合系统的详细结构和实验结果。关键词-奇异值分解（SVD），误差反向传播（EBP）。
2012-04-10 cs.CV
Face recognition using color local binary pattern from mutually independent color channels
本文提出了一种基于局部二值模式（LBP）的高性能人脸识别系统，该系统利用了不同颜色通道中像素的概率分布函数（PDF），对正面均匀光照和平面旋转具有鲁棒性。通过使用最先进的技术，这是使用离散小波变换（DWT）和奇异值分解（SVD）的人脸的照明增强。均衡后，人脸图像分割使用局部连续均值量化变换（SMQT），然后基于肤色的人脸检测系统。通过LBP获得的给定面部的级联PDF与数据库中每个面部的级联PDF之间的Kullback-Leibler距离（KLD）用作识别过程中的度量。各种决策融合技术已被用来提高识别率。该系统已在FERET，HP和博斯普鲁斯海峡人脸数据库上进行了测试。所提出的系统与传统的和thestate的最先进的技术进行了比较。FVF方法对FERET数据库的识别率为99.78%，而传统的灰度LBP和基于主成分分析（PCA）的人脸识别技术的识别率分别为79.60%和68.80%。
2014-12-31 cs.CV
Pattern Generation Strategies for Improving Recognition of Handwritten Mathematical Expressions
手写数学表达式的识别是一个具有挑战性的问题，因为二维手写体的模糊性和复杂性。此外，缺乏大的训练数据是一个严重的问题，特别是对于学术识别系统。在本文中，我们提出了模式生成策略，生成形状和结构的变化，以提高识别系统的性能的基础上一个小的训练集。对于数据生成，我们使用公共数据库：CROHME 2014和2016在线HME。第一种策略采用局部和全局变形来产生形状变化。第二种策略将在线HME分解为子在线HME以获得更多的结构变化。混合策略结合了这两种策略，以最大限度地提高形状和结构的变化。所生成的在线HME被转换为用于离线HME识别的图像。我们在一个端到端识别系统中测试了我们的策略，该系统是由最近的深度学习模型构建的：卷积神经网络和基于注意力的编码器-解码器。在CROHME 2014和2016数据库上的实验结果证明了我们的策略的优越性和有效性：我们的混合策略在这些数据库上分别实现了48.78%和45.60%的分类率。这些结果是有竞争力的相比，在最近的文献报道。我们生成的数据集可供研究界公开使用，并为未来的HME识别研究提供了有用的资源。
2019-01-21 cs.CV
Assessing Pattern Recognition Performance of Neuronal Cultures through Accurate Simulation
University of Pisa（比萨大学）；CNR Pisa（意大利国家研究委员会比萨分部）；University of Florence（佛罗伦萨大学）；Scuola Normale Superiore（比萨高等师范学校）
先前的工作已经表明，在多电极阵列（MEA）上训练神经元培养物识别非常简单的模式是可能的。然而，这项工作主要集中在证明有可能在文化中诱导可塑性，而不是对其模式识别性能进行严格的评估。在本文中，我们通过开发一种方法来解决这一差距，使我们能够评估神经元文化的学习任务的性能。具体来说，我们提出了一个数字模型的真正培养的神经元网络;我们确定生物学上合理的模拟参数，使我们能够可靠地再现真实文化的行为;我们使用模拟文化进行手写数字识别，并严格评估其性能;我们还表明，它是可能的，以找到改进的模拟参数的特定任务，这可以指导创建真正的文化。
2021-01-22 cs.CV
Video-Based Facial Expression Recognition Using Local Directional Binary Pattern
人脸表情自动分析是一个具有挑战性的课题，影响了人机交互等许多领域。由于光照强度和光照方向的不确定性，人脸灰度不均匀，简单局部二值模式下的表情识别率并不理想。在本文中，我们提出了两个国家的最先进的描述符的人无关的面部表情识别。首先，在视频序列中的整个图像的人脸区域建模与体积局部方向二进制模式（VLDBP），这是一个扩展版本的LDBP算子，将运动和外观在一起。为了使调查计算简单，易于扩展，只有三个正交平面（LDBP-TOP）上的局部方向二进制模式的同现进行了辩论。在提取特征向量后，采用K-近邻分类器进行表情识别。所提出的方法被应用到扩展的Cohn-Kanade数据库（CK+）的视频和实验结果表明，所提供的技术实现了更高的准确性与经典和传统的算法相比。
2015-03-05 cs.CV
Enhanced Local Binary Patterns for Automatic Face Recognition
University of West Bohemia（西波希米亚大学）
提出了一种基于局部二值模式的人脸自动识别方法。该描述符考虑像素的局部邻域来计算特征向量值。该方法对于处理图像噪声、方差和不同光照条件不是非常鲁棒。我们解决这些问题，提出了一种新的描述符，考虑更多的像素和不同的邻域计算特征向量值。该方法在两个基准语料库，即UFI和FERET人脸数据集上进行了评估。我们的实验表明，我们的方法优于国家的最先进的方法，是有效的，特别是在现实条件下，上述问题是显而易见的。我们进一步表明，该方法处理好一个训练样本的问题，也是强大的图像分辨率。
2018-06-14 cs.CV
Linear building pattern recognition via spatial knowledge graph
Institute of Electronic, Chinese Academy of Sciences（中国科学院电子学研究所）；School of Resources and Environment Science, Wuhan University（武汉大学资源与环境科学学院）；School of Software Engineering, Shenzhen Institute of Information Technology（深圳信息职业技术学院软件学院）；School of Information and Communication Engineering, Beijing University of Posts and Telecommunications（北京邮电大学信息与通信工程学院）
针对线性建筑模式识别效率低的问题，本文构建空间知识图谱，将邻近、相似和线性排列关系及识别规则转化为图推理规则，在保持精确率和召回率的同时将效率提升5.98倍。
2023-04-21 cs.CV
An Efficient Vein Pattern-based Recognition System
CSJMU（坎普尔大学）；IIT Kanpur（印度理工学院坎普尔分校）
提出了一种基于手背静脉纹的高效人体识别系统。提出了一种新的基于吸收的技术，以在低成本相机和光源的帮助下收集高质量的图像。系统自动从图像中检测出感兴趣区域，并进行必要的预处理以提取特征。基于欧几里德距离的匹配技术已被用于作出决定。它已被测试的数据集，从341个人收集的1750个图像样本。验证系统的准确率为99.26%，错误拒绝率（FRR）为0.03%。
2010-05-06 cs.CV
QUEST: Quadriletral Senary bit Pattern for Facial Expression Recognition
Malaviya national Institute of Technology（马拉维亚国家理工学院）
面部表情在分析人类认知状态中具有重要作用。获得准确的面部外观表示是自动面部表情识别应用的关键任务。本文提出了一种新的用于表情识别的特征描述子--四边形六比特模式。QUEST模式通过将相邻像素和参考像素划分为局部邻域中的两个四边形来强调相邻像素和参考像素之间的关系，从而对强度变化进行编码。因此，所得到的梯度边缘揭示了过渡变化信息，这通过区分表情类来提高分类率。此外，它还增强了描述符处理视点变化和光照变化的能力。四边形结构中的三角关系有助于提取表达性边缘并抑制噪声元素以增强对噪声条件的鲁棒性。QUEST模式生成六位紧凑码，这提高了FER系统的效率，具有更多的可区分性。通过在MMI、GEMEP-FERA、OULU-CASIA和ISED四个基准数据集上进行实验，验证了该方法的有效性。实验结果表明，所提出的方法相比，现有的国家艺术的方法更好的性能。
2018-07-24 cs.CV
Dynamic Texture Recognition using PDV Hashing and Dictionary Learning on Multi-scale Volume Local Binary Pattern
University of Nottingham Ningbo China（宁波诺丁汉大学）
时空局部二值模式（STLBP）在动态纹理识别中有着广泛的应用。由于STLBP的维数呈指数增长，常常会遇到高维问题，使得STLBP只能利用很小的邻域。为了解决这个问题，我们提出了一种动态纹理识别方法，使用PDV哈希和字典学习的多尺度体积局部二进制模式（PHD-MVLBP）。它不是形成非常高维的LBP直方图特征，而是首先使用哈希函数将像素差向量（PDV）映射到二进制向量，然后使用导出的二进制向量形成字典，并使用导出的字典对它们进行编码。以这种方式，PDV被映射到字典大小的特征向量，而不是非常高维的LBP直方图。这样的编码方案可以有效地从更大邻域内的视频中提取鉴别信息。在DynTex++和UCLA两个广泛使用的动态纹理数据集上的实验结果表明，该方法的性能优于现有方法。
2022-02-22 cs.CV
Sequential convolutional network for behavioral pattern extraction in gait recognition
Harbin Engineering University（哈尔滨工程大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
基于视频的步态识别作为一种独特的生物特征识别方法，具有广泛的应用前景。该方法的关键步骤是学习个体的行走模式，然而，直接从序列中提取行为特征往往面临挑战。大多数现有的方法只关注外观或运动模式。为了克服这些限制，我们从一个新的角度提出了一个序列卷积网络（SCN），其中时空特征可以通过基本的卷积骨干来学习。在SCN中，构建行为信息提取器（BIE），通过运动模板来理解时间序列中的中间特征图，其中可以分析帧之间的关系，从而提取步行模式的信息。此外，SCN中的多帧聚合器通过移动3D卷积层对长度不确定的序列执行特征整合。为了证明该方法的有效性，在两个流行的公共基准测试程序CASIA-B和OU-MVLP上进行了实验，与现有的方法相比，该方法具有更好的性能。
2021-04-23 cs.CV
Utilizing the Mean Teacher with Supcontrast Loss for Wafer Pattern Recognition
School of Microelectronics, Shanghai University（上海大学微电子学院）；Institute for Infocomm Research, A*Star（新加坡科技研究局信息通信研究院）
针对半导体制造中晶圆图案识别的标记数据有限与数据不平衡问题，提出结合Mean Teacher框架与监督对比学习损失的方法，经WM811K数据集验证，在准确率等四项指标上较基线提升4.53%-6.68%。
2024-11-27 cs.CV
Towards Robust Pattern Recognition: A Review
许多模式识别任务的准确性逐年快速提高，达到甚至超过了人类的表现。从准确性的角度来看，模式识别似乎是一个即将解决的问题。然而，高精度的模式识别系统一旦投入实际应用，由于在开放和变化的环境中缺乏鲁棒性，可能会变得不稳定和不可靠。本文从打破封闭世界假设、独立同分布假设和干净大数据假设这三个基本假设的角度，对鲁棒模式识别的研究进行了综述，这些假设构成了大多数模式识别模型的基础。事实上，我们的大脑在复杂、开放和不断变化的环境中，在不同的背景、模式和任务下，通过在微弱或嘈杂的监督下只展示几个例子，不断地、渐进地学习概念。这些是人类智能和机器智能之间的主要区别，与上述三个假设密切相关。在见证了当今准确性提高的重大进展后，本文将使我们能够分析当前方法的缺点和局限性，并确定鲁棒模式识别的未来研究方向。
2020-06-12 cs.CV cs.LG
Pattern Recognition System Design with Linear Encoding for Discrete Patterns
Washington University in Saint Louis（圣路易斯华盛顿大学）
本文讨论了压缩识别系统的设计与分析，并提出了在好的通信码设计与识别系统设计之间建立双重联系的方法。基于压缩模式和压缩传感器测量的模式识别系统可以使用低密度矩阵来设计。我们研究截断编码的模式和测量的一个子集被完美地存储，而其余的被丢弃。我们还研究了使用LDPC奇偶检验矩阵压缩测量和模式。我们展示了如何更一般的合奏良好的线性代码可以作为模式识别系统设计的基础，产生更一般的噪声模型的系统设计策略。
2007-12-20 cs.CV cs.IT math.IT
Transferring Dual Stochastic Graph Convolutional Network for Facial Micro-expression Recognition
微表情识别在测谎、刑事侦查、心理咨询等领域有着广泛的应用，因此受到越来越多的关注。为了提高小微表情数据的识别性能，提出了一种传递对偶随机图卷积网络（TDSGCN）模型。我们提出了一种随机图构造方法和对偶图卷积网络，从微表情图像中提取更具鉴别力的特征。我们使用迁移学习从宏表达数据预训练SGCN。结合光流算法提取了它们的时间特征。我们融合空间和时间特征，以提高识别性能。据我们所知，这是第一次尝试将迁移学习和图卷积网络用于微表情识别任务。此外，为了处理数据集的类别不平衡问题，我们重点设计了焦点损失函数。通过广泛的评估，我们提出的方法实现了最先进的性能SAMM和最近发布的MMEW基准。我们的代码将随本文一起公开提供。
2022-03-10 cs.CV eess.IV
Continuous and Simultaneous Gesture and Posture Recognition for Commanding a Robotic Wheelchair; Towards Spotting the Signal Patterns
National Institute of Advanced Industrial Science and Technology (AIST)（产业技术综合研究所（AIST））；Macquarie University（麦考瑞大学）
发现具有不同长度的信号模式在文献中仍然是一个开放的问题。在这项研究中，我们描述了一种信号模式识别方法，用于连续和同时分类的跟踪手的姿势和手势，并将它们映射到控制机器人轮椅的转向命令。所开发的方法不仅为连续识别提供了100%的识别准确率，而且为构建训练字典带来了新的视角，该训练字典消除了人为干预以在训练信号上发现手势或姿势。在训练阶段，我们采用了最先进的子空间聚类方法，以找到最具代表性的状态样本。识别和训练框架本质上用连续的决策树结构揭示流式信号上的模式的边界。我们利用协作和块稀疏表示为基础的分类方法，连续的手势和姿态识别。
2015-12-02 cs.CV cs.RO
Oracle Complexity and Nontransitivity in Pattern Recognition
识别过程的不同数学模型是已知的。本文将模式识别算法看作是图灵机上的预言机计算。这种观点在模式识别以及递归理论中似乎是有用的。递归理论在模式识别中的应用表明了识别算法比较问题与预言计算复杂性问题之间的联系。这是因为在许多情况下，我们可以只考虑符号计算的数量，或者换句话说，所需的Oracle信息量。因此，识别算法偏好问题可以表述为一个预言计算的复杂性优化问题。此外，在一组识别算法上引入某种“自然”偏好关系，我们发现它是非传递的。这与概率论中著名的非传递性悖论有关。关键词：模式识别，递归理论，非传递性，偏好关系
2000-10-16 cs.AI cs.CC cs.CV
Pattern recognition on the quantum Bloch sphere
Università di Cagliari（卡利亚里大学）；Institute of Theoretical and Applied Informatics, Polish Academy of Sciences（波兰科学院理论与应用信息学研究所）
我们介绍了一个框架，适用于描述模式识别任务的数学语言的密度矩阵。特别是，我们提供了一个模式和纯密度算子之间的一一对应。这种对应关系使我们能够：i）根据量子对象表示最近均值分类器（NMC），ii）引入量子分类器（QC）。通过比较不同的2D数据集上的QC与NMC，我们表明第一个分类器可以提供额外的信息，这些信息相对于第二个分类器在经典计算机上特别有益。
2016-06-07 cs.CV quant-ph
Machine Learning Approaches on Crop Pattern Recognition a Comparative Analysis
East West University（东西大学）
本文提出基于深度神经网络的作物模式识别方法，并与朴素贝叶斯和随机森林进行比较分析，以提升遥感时间序列数据下的作物分类性能。
2024-11-19 cs.CV cs.LG
Building pattern recognition applications with the SPARE library
Ryerson University（瑞尔森大学）；SAPIENZA University of Rome（罗马大学）
本文介绍了SPARE C++库，一个开源软件工具，旨在建立模式识别和软计算系统。该库遵循通用性的要求：大多数实现的算法都能够透明地处理用户定义的输入数据类型，如标记的图形和对象序列，以及标准的数值向量。在这里，我们提出了一个高层次的图片的SPARE库的特点，而不是专注于具体的实际可能性，为不同的输入数据类型构建模式识别系统。特别是，作为概念的证明，我们讨论了两个应用实例，涉及实值多维序列的聚类和标记图的分类。
2015-02-20 cs.CV cs.MS
Local Directional Gradient Pattern: A Local Descriptor for Face Recognition
本文提出了一种用于人脸识别的高阶导数空间局部模式描述子。所提出的局部方向梯度模式（LDGP）是一个1D的局部微模式，通过编码的参考像素在四个不同的方向上的高阶导数之间的关系计算。该描述符识别参考像素在四个不同方向上的高阶导数之间的关系，以计算与局部特征相对应的微图案。建议的描述符大大减少了微模式的长度，从而减少了提取时间和匹配时间，同时保持识别率。在AT&T、Extended Yale B和CMU-PIE数据库上进行的大量实验结果表明，该描述符显著降低了提取和匹配时间，而识别率与现有的最新方法几乎相似。
2022-01-03 cs.CV cs.MM
Achievable Rates for Pattern Recognition
生物和机器模式识别系统面临着一个共同的挑战：给定关于未知物体的感知数据，通过将感知数据与存储在内存中的内部表示库进行比较来对物体进行分类。在许多感兴趣的情况下，要区分的模式的数量和原始数据的丰富性迫使识别系统在内部以压缩格式表示记忆和感官信息。然而，这些表示必须保留足够的信息，以适应环境的变化性和复杂性，否则识别将是不可靠的。因此，在专用于数据表示的资源量与识别系统可以可靠地操作的环境的复杂性之间存在固有的权衡。在本文中，我们描述了一个一般的数学模型，模式识别系统的资源限制，并显示如何上述资源复杂性的权衡可以表征在三个速率相关的位数可用于表示内存和传感器数据，和模式的数量填充一个给定的统计环境。我们证明了单字母信息的理论界可实现的速率，并说明了理论分析的基本情况下，模式数据是二进制或高斯。
2005-09-08 cs.CV cs.IT math.IT
Towards Cross-Subject EMG Pattern Recognition via Dual-Branch Adversarial Feature Disentanglement
Graduate School of Advanced Science and Engineering, Hiroshima University（hiroshima大学先进科学与工程研究生院）
本文提出一种双分支对抗性神经网络，通过特征解缠实现无需校准的跨受体EMG模式识别，并在任务不变生物识别中展现潜力。
2025-06-18 cs.CV cs.HC
Edge direction matrixes-based local binar patterns descriptor for shape pattern recognition
Universiti Kebangsaan Malaysia（马来西亚国民大学）
纹理图像识别是模式识别的一个重要分支。它由旨在通过人类知识和作品从图像中提取信息的技术组成。局部二值模式（LBP）通过引入一个查询表来反映目标的均匀性结构，保证了全局和局部信息的编码和尺度不变性。然而，边缘方向矩阵（EDMS）只适用于全局不变的描述符，采用一阶和二阶关系。这种方法背后的主要思想是需要提高识别能力，通过结合使用这些描述符实现的目标。这种合作的目的是利用各自的主要优势，同时相互补充，以提高他们的弱点。采用随机森林和多层感知器神经网络等多分类器方法，在MPEG-7 CE-Shape-1、KTH-TIPS图像、英语和阿拉伯书法四个基准数据集上，将所提出的组合描述符与基于灰度共生矩阵（GLCM with EDMS）、LBP和不变矩的组合方法进行了比较。实验结果表明，引入的描述符的优越性与灰度共生矩阵与EDMS，LBP和不变矩和其他知名的描述符，如尺度不变特征变换从文献中。
2014-11-26 cs.CV cs.IR
Interpretable Recognition of Fused Magnesium Furnace Working Conditions with Deep Convolutional Stochastic Configuration Networks
Hefei University of Technology（合肥工业大学）；China University of Mining and Technology（中国矿业大学）；Northeastern University（东北大学）
针对电熔镁炉工况识别泛化与可解释性不足，提出融合监督高斯差分核、增量DCSCNs及强化学习剪枝的可解释识别方法，提升了准确率与解释性。
2025-01-06 cs.AI cs.CV
Inferring High-level Geographical Concepts via Knowledge Graph and Multi-scale Data Integration: A Case Study of C-shaped Building Pattern Recognition
Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院空天信息创新研究院）；School of Resource and Environment Science, Wuhan University（武汉大学资源与环境科学学院）；School of Information and Communication Engineering, Beijing University of Posts and Telecommunications（北京邮电大学信息与通信工程学院）；Institute of Remote Sensing and GIS, Peking University（北京大学遥感与地理信息系统研究所）
本文提出利用知识图谱集成多尺度数据，通过属性图建模、图数据库存储和规则推理来识别C形建筑模式，在高德地图多层级数据上取得了更高的召回率和识别效率。
2023-04-19 cs.AI cs.CV
Visual Pattern Recognition with on On-chip Learning: towards a Fully Neuromorphic Approach
Institute of Neuroinformatics（神经信息学研究所）；University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）
提出了一种基于神经形态学硬件的脉冲神经网络（SNN），用于视觉模式识别。我们展示了这个网络如何学习由动态视觉传感器感知的水平和垂直条组成的简单视觉模式，使用基于局部尖峰的可塑性规则。在识别过程中，网络对模式的身份进行分类，同时估计其位置和规模。我们建立在以前的工作，使用学习与神经形态硬件在循环中，并证明了所提出的网络可以正确地操作与片上学习，展示了一个完整的神经形态模式学习和识别设置。我们的研究结果表明，该网络对输入上的噪声（添加130%的噪声时没有精度下降）和神经元参数中高达20%的噪声具有鲁棒性。
2020-08-08 cs.CV cs.NE eess.IV
Pattern Inversion as a Pattern Recognition Method for Machine Learning
Institute for Control Problems, Russian Academy of Sciences（俄罗斯科学院控制问题研究所）
人工神经网络使用大量的系数，这些系数需要大量的计算能力来进行调整，特别是如果采用深度学习网络的话。然而，存在系数免费的非常快速的索引为基础的技术，例如，在谷歌搜索引擎，在基因组测序等，本文讨论了使用索引为基础的方法进行模式识别。它示出，对于模式识别应用程序，这样的索引方法取代与逆模式的完全倒排文件，这是典型地采用在搜索引擎。这种反演不仅提供自动特征提取，这是深度学习的区别标志，而且与深度学习不同，模式反演支持几乎瞬时的学习，这是系数缺失的结果。本文讨论了一种新的模式变换及其在无监督即时学习中的应用。例子展示了一个视角独立的三维物体，如汽车，对任意背景的识别，飞机发动机的剩余使用寿命的预测，和其他应用。总之，值得注意的是，在神经生理学中，新皮质微柱的功能自1957年以来一直受到广泛的争论。本文假设，在数学上，皮质微柱可以被描述为一个逆模式，物理上作为一个连接乘数扩大关联的输入与相关的模式类。
2021-08-15 cs.CV cs.LG cs.NE
On Coarse Graining of Information and Its Application to Pattern Recognition
Telemark University College（泰勒马克大学学院）
我们提出了一种基于有限混合模型的方法，用于将一组观测值分成若干不同的类别。为了证明该方法，我们展示了如何通过使用最大熵方法结合勾股守恒的混合物模型的组分密度。几个例子属于毕达哥拉斯家庭的分布推导。文中还讨论了模型参数和分类数的估计问题。
2014-11-12 cs.CV stat.ML
Affective Processes: stochastic modelling of temporal context for emotion and facial expression recognition
Samsung AI Center Cambridge（三星剑桥人工智能中心）；University of Nottingham（诺丁汉大学）
时间语境是情感表达识别的关键。现有的方法依赖于循环或自我注意模型来强制时间一致性，在特征级别工作，忽略了特定于任务的时间依赖性，并且无法对上下文不确定性进行建模。为了缓解这些问题，我们建立在神经过程的框架上，提出了一种具有三个关键新组件的明显情感识别方法：（a）具有全局潜变量模型的概率上下文表示;（b）除了特征之外，还使用特定于任务的预测进行时间上下文建模;以及（c）智能时间上下文选择。我们验证我们的方法在四个数据库，两个效价和唤醒估计（SEWA和AffWild 2），和两个动作单元强度估计（DISFA和BP 4D）。结果表明，在一系列强基线以及国家的最先进的方法一致的改善。
2021-03-24 cs.CV cs.LG
Deep Neural Networks for Pattern Recognition
Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）
在模式识别研究领域，使用基于改进的计算硬件的深度神经网络的方法最近受到关注，因为与传统方法相比，其具有更高的精度。深度神经网络模拟人类视觉系统，在图像分类、目标检测和分割方面达到与人类相当的精度。本章介绍模拟人类神经网络的深度神经网络的基本结构。然后，我们确定的操作过程和应用的条件生成对抗网络，这是正在积极研究的基础上自下而上和自上而下的机制，人类视觉感知过程中最重要的功能。最后，讨论了复杂深度神经网络有效学习的训练策略的最新发展。
2018-09-25 cs.CV cs.LG
GlyphPattern: An Abstract Pattern Recognition Benchmark for Vision-Language Models
本文提出了 GlyphPattern 基准，通过包含 954 个项目、结合 40 种书写系统视觉模式描述的数据集，评估视觉语言模型的抽象模式识别能力，实验表明最先进模型如 GPT-4o 准确率仅 55%，揭示了模型在视觉处理、语言理解和模式泛化上的多重挑战。
2025-06-24 cs.CL cs.CV
Statistical Pattern Recognition for Driving Styles Based on Bayesian Probability and Kernel Density Estimation
Beijing Institute of Technology（北京理工大学）；University of California at Berkeley（加州大学伯克利分校）；Technische Universität Berlin（柏林工业大学）
驾驶风格对车辆的燃油经济性、主动安全性和驾驶性能有很大的影响。为了识别不同驾驶员的路径跟踪行为的驾驶风格，提出了一种基于概率密度估计的驾驶风格或特征不确定性的统计模式识别方法.首先，选取车速和节气门开度作为判别参数，分别建立车速和节气门开度的条件核密度函数来描述两种典型驾驶风格的不确定性和概率，有侵略性和正常。同时，利用全贝叶斯理论，得到特征向量中各元素的后验概率。其次，采用欧氏距离的方法来确定驾驶员应该属于哪一类，而不是计算特征向量每两个元素之间的复协方差。通过比较特征向量中各元素之间的欧氏距离，将驾驶风格分为从低正常到高攻击的七个等级。随后，为了显示所提出的模式识别方法的优点，使用了交叉验证的方法，与基于模糊逻辑的模式识别方法相比。实验结果表明，基于核密度估计的驾驶风格统计模式识别方法比基于模糊逻辑的驾驶风格统计模式识别方法更有效、更稳定。
2016-06-03 cs.CV stat.ML
An Open Source Pattern Recognition Toolbox for MATLAB
CoVar Applied Technologies（CoVar应用技术公司）；Duke University（杜克大学）；The Cooper Union（库珀联盟学院）
模式识别和机器学习正在成为广泛应用中算法的组成部分。机器学习的不同算法和方法包括性能和计算之间的不同权衡，因此在算法开发期间，通常需要探索各种不同的方法来完成给定任务。具有跨多种模式识别技术的统一框架的工具箱使算法开发人员能够在部署之前快速评估不同的选择。MATLAB是一种广泛使用的算法开发和原型开发环境，尽管目前有几个用于模式识别的MATLAB工具箱，但这些工具箱要么不完整，要么价格昂贵，要么受到限制。在这项工作中，我们描述了一个MATLAB工具箱的模式识别和机器学习被称为PRT（模式识别），许可下的MIT许可证。PRT包括许多流行的数据预处理技术，监督学习，聚类，回归和特征选择，以及使用简单，统一的语法组合这些组件的方法。可以使用交叉验证和各种评分指标来评估所得到的算法，以确保部署算法时的鲁棒性能。本文介绍了PRT的概述以及在Fisher's Iris数据集上的使用示例。
2014-06-21 cs.CV cs.LG cs.MS
High-dimensional Convolutional Networks for Geometric Pattern Recognition
NVIDIA（英伟达）；POSTECH（浦项科技大学）；Intel Labs（英特尔实验室）
科学和工程中的许多问题都可以用高维空间中的几何模式来表述。我们提出了高维卷积网络（ConvNets）的模式识别的问题，出现在几何注册的上下文中。我们首先研究卷积网络在高达32维的高维空间中检测线性子空间的有效性：比ConvNets的先前应用高得多的维度。然后，我们将高维ConvNets应用于刚性运动和图像对应估计下的3D配准。实验表明，我们的高维ConvNets优于依赖于基于全局池运算符的深度网络的先前方法。
2020-05-17 cs.CV cs.LG stat.ML
Gait Pattern Recognition Using Accelerometers
University of Michigan（密歇根大学）
运动能力是人体最重要的特性之一，步态是人体过渡运动的基础。步态作为识别人类身份的生物特征，可以是使用可穿戴或便携式智能设备非入侵地捕获的信号。在这项研究中，步态模式收集使用两个传感器位于胸部和右脚踝的受试者的无线平台。然后对原始数据进行了一些预处理方法，并将其分割成5秒窗口。提取了一些时域和频域特征，并通过5种不同的分类器进行了性能评估。决策树（所有特征）和K-近邻（10个选择的特征）分类器分别达到99.4%和100%。
2017-03-11 cs.AI cs.CV
fMRI: preprocessing, classification and pattern recognition
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究所）；Deloitte Analytics Institute（德勤分析研究所）；Moscow Research and Clinical Center for Neuropsychiatry（莫斯科神经精神病学研究与临床中心）
随着机器学习在神经科学界的持续发展，我们见证了新应用的出现，如诊断、表征和精神和神经疾病（如癫痫和抑郁症）的治疗结果预测。对这些精神障碍的系统研究越来越多地涉及在数据驱动方法的基础上得出临床结论;为此，结构和功能神经影像学作为关键的来源模式。识别信息丰富的神经影像学标记物需要建立一个全面的准备管道的数据，可能会严重损坏的人为信号波动。在这项工作中，我们回顾了大量的文献提供充分的证据，模式识别方法在临床应用中的优势，概述先进的基于图形的模式识别方法，并提出了一个噪声感知的神经影像数据处理管道。为了证明我们的方法的有效性，我们提供了一个试点研究的结果，这表明在分类精度显着提高，表明一个有前途的研究方向。
2018-04-26 cs.CV stat.AP
Pattern Recognition for Conditionally Independent Data
在这项工作中，我们考虑放松的独立同分布假设在模式识别（或分类）的任务，旨在使现有的学习算法适用于更广泛的任务。模式识别是基于一组给定的示例（对象和标签对）来猜测某个对象的离散标签。我们考虑确定性定义的标签的情况。传统上，这个任务是在假设样本是独立同分布的情况下进行研究的。然而，事实证明，许多模式识别理论的结果携带一个较弱的假设。也就是说，在条件独立和相同分布的对象的假设下，而唯一的假设的标签的分布是，每个标签的出现率应高于某个积极的阈值。我们发现了一个广泛的类别的学习算法的估计下实现的经典i.i.d.分类错误的概率。假设可以推广到条件独立同分布情况下的类似估计。例子.
2005-07-18 cs.AI cs.CV cs.LG
Using brain inspired principles to unsupervisedly learn good representations for visual pattern recognition
University of Lisbon（里斯本大学）
虽然深度学习解决了视觉模式识别中的难题，但它在有大量标记训练数据的任务中大多是成功的。此外，基于全局反向传播的训练规则和所采用的层的数量表示偏离生物灵感。大脑能够以非常一般的方式执行大多数这些任务，从有限到没有标记的数据。出于这些原因，研究大脑中的计算原理仍然是一个关键的研究问题，这些原理可以帮助指导模型在无监督的情况下学习良好的表示，然后可以用于执行分类等任务。在这项工作中，我们探索这些原则中的一些产生这样的表示MNIST数据集。我们比较所获得的结果与最近的类似作品，并验证极具竞争力的结果。
2021-04-30 cs.CV cs.NE
