Reproducible Pattern Recognition Research: The Case of Optimistic SSL
Delft University of Technology（代尔夫特理工大学）；Leiden University Medical Center（莱顿大学医学中心）；University of Copenhagen（哥本哈根大学）
在本文中，我们讨论了我们所采取的方法和权衡，使一个概念性的主题，在模式识别研究完全可重复的文件。我们讨论了我们对再现性的定义，使用的工具，分析是如何建立的，展示了代码支持的替代分析的一些例子，并讨论了我们对再现性的看法。
2016-12-27 cs.LG stat.ML
Dynamic Hand Gesture Recognition for Wearable Devices with Low Complexity Recurrent Neural Networks
Seoul National University（首尔大学）
手势识别对于许多可穿戴设备来说是一项非常重要的技术。虽然以前的算法大多是基于统计方法，包括隐马尔可夫模型，我们开发了两个动态手势识别技术，使用低复杂度的递归神经网络（RNN）算法。一种是基于视频信号，采用卷积神经网络（CNN）和RNN的组合结构。另一种使用加速度计数据，只需要RNN。进行将大部分权重量化为两位的定点优化，以优化用于权重存储的存储器大小的量，并降低基于硬件和软件的实现中的功耗。
2016-08-14 cs.CV cs.LG
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
Application of Machine Learning-Based Pattern Recognition in IoT Devices: Review
University of Wisconsin-Eau Claire（威斯康星大学欧克莱尔分校）
物联网（IoT）是一个快速发展的技术领域，近年来迅速变得更加广泛。随着越来越多的日常物品连接到互联网，许多不同的创新已经出现，使我们的日常生活更加简单。模式识别在物联网设备中非常普遍，因为它可以带来许多应用和好处。为了提高速度和准确性，降低复杂性，并降低物联网设备中模式识别算法的总体处理能力，已经进行了大量研究。在回顾不同机器学习算法的应用之后，结果因情况而异，但可以得出一个一般结论，即与IoT设备一起使用的最佳基于机器学习的模式识别算法是支持向量机、k-最近邻和随机森林。
2022-01-10 cs.LG cs.NI eess.SP
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
A Causality-Aware Pattern Mining Scheme for Group Activity Recognition in a Pervasive Sensor Space
Korea Advanced Institute of Science & Technology（韩国科学技术院）；Meta
本文提出一种因果感知模式挖掘方案，通过从普适传感器事件序列中提取频繁因果模式并进行加权模式匹配，在无需用户识别的情况下实现高效群体活动识别，实验表明其识别精度优于现有方案且运行时开销较小。
2023-12-01 cs.DB cs.LG
Fractal Dimension Pattern Based Multiresolution Analysis for Rough Estimator of Person-Dependent Audio Emotion Recognition
Qingdao University（青岛大学）；Macau University of Science and Technology（澳门科技大学）
音频分析与识别作为一种通用的表达方式，在现实生活中有着广泛的应用，因此受到了人们的广泛关注。音频情感识别（AER）试图通过给定的语音信号来理解人的情感状态，并在友好的人机界面上得到了广泛的研究。区别于其他已有的工作，音频情感的人依赖模式进行，并计算分形维数特征的声学特征提取。此外，它能够有效地学习听觉情感的内在特征，而话语特征是从每个子带的分形维数学习。实验结果表明，该方法能够提供音频情感识别的比较性能。
2016-12-02 cs.AI cs.LG cs.SD
Persistent Patterns in Eye Movements: A Topological Approach to Emotion Recognition
Department of Mathematical Sciences（数学科学系）；Sharif University of Technology（谢里夫理工学院）
本文提出利用持续同调分析眼动轨迹延迟嵌入并提取持续图特征，结合随机森林实现四类情绪识别，最高准确率达75.6%。
2025-07-23 cs.LG
V2V Spatiotemporal Interactive Pattern Recognition and Risk Analysis in Lane Changes
Tongji University（同济大学）；Texas A&M Transportation Institute（德克萨斯农工大学交通研究所）
在复杂的变道场景中，自动驾驶汽车需要对动态交互模式进行语义解释和安全性分析，以做出正确的决策。本研究提出一个结合连续性互动式模式识别方法与风险分析方法的无监督学习架构。隐马尔可夫模型与高斯混合模型（GMM-HMM）的方法来分解LC场景到原语。然后，基于动态时间规整（DTW）距离的K-均值聚类被用来收集13种类型的交互模式的基元。最后，本研究以两种类型的碰撞时间（TTC）为指标，分析交互模式的风险，并提取高风险的LC交互模式。从高速公路无人机数据集（highD）获得的结果表明，所识别的LC交互模式包含可解释的语义信息。研究揭示了LC交互模式的时空演化规律和风险形成机制，有助于全面认识潜在的交互模式，提高自主车辆决策的合理性和安全性。
2021-05-22 cs.LG eess.SP
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
Custom DNN using Reward Modulated Inverted STDP Learning for Temporal Pattern Recognition
University of Pittsburgh（匹兹堡大学）
本文提出融合奖励调制、Hebbian 与 anti-Hebbian 学习的定制脉冲 DNN，通过稀疏脉冲预处理、前馈 SNN 识别和加权校验实现短训练时间模式识别，并在口语数字脉冲数据集上对比最先进方法。
2023-07-15 cs.LG cs.NE
Evaluating Classifier Confidence for Surface EMG Pattern Recognition
Graduate School of Advanced Science and Engineering, Hiroshima University（广岛大学先进科学与工程研究生院）
本文评估了多种分类器在EMG模式识别中的准确率与置信度，发现基于尺度混合模型的生成式分类器在准确率和置信度上均优于深度神经网络判别式分类器。
2023-04-12 cs.LG eess.SP
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
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
Time-Continuous Modeling for Temporal Affective Pattern Recognition in LLMs
School of Computer Science Bina Nusantara University East Jakarta, Indonesia（计算机科学学院 印尼国立宾努斯大学 東雅加達）
本文提出利用物理信息神经网络，通过时间连续建模实现大语言模型中情感模式识别，为可解释对话建模提供新方法。
2026-01-18 cs.AI cs.ET cs.HC
Quantum Pattern Recognition in Photonic Circuits
Kipu Quantum（Kipu Quantum公司）
本文提出了一种通过简单的光路和光子数分布（如光子图案）的数据处理来表征光子态的机器学习方法。输入态由两个相干态和一个待研究的双模未知态组成。我们成功地训练了监督学习算法，该算法可以预测双模状态下的纠缠度，并对一个光子模式进行完整的层析成像，在所考虑的回归度量中获得了令人满意的值。
2021-12-07 cond-mat.mes-hall cs.LG quant-ph
Periocular Recognition in the Wild with Orthogonal Combination of Local Binary Coded Pattern in Dual-stream Convolutional Neural Network
KAIST（韩国科学技术院）；Yonsei University（延世大学）；Sunway University（双威大学）
尽管在眼周识别方面取得了进展，但野外的数据集和眼周识别仍然是一个挑战。在本文中，我们提出了一种多层融合的方法，通过一对共享参数（双流）卷积神经网络，每个网络接受RGB数据和一种新的基于颜色的纹理描述符，即正交组合本地二进制编码模式（OC-LBCP）的眼周识别在野外。具体来说，在双流网络中引入两个不同的后期融合层来聚合RGB数据和OC-LBCP。因此，网络受益于后期融合层的这种新特征，以获得准确性性能增益。我们还介绍和分享了一个新的数据集，即种族眼数据集的基准。拟议的网络还在一个公开的数据集上进行了评估，即UBIPr。该网络在这些数据集上的性能优于几种竞争方法。
2019-03-19 cs.CV cs.LG eess.IV
Causal and anti-causal learning in pattern recognition for neuroimaging
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Bernstein Center Freiburg, University of Freiburg（弗赖堡大学伯恩斯坦弗莱堡中心）
神经成像中的模式识别区分了两种类型的模型：编码模型和解码模型。这种区别是基于这样的认识，即在实验范式中被发现相关的大脑状态特征在编码模型中具有不同的意义，而不是在解码模型中。在本文中，我们认为这种区分是不够的：编码和解码模型中的相关特征具有不同的含义，这取决于它们是否代表因果关系或反因果关系。我们提供了一个理论上的理由，这一论点，并得出结论，因果推断是必不可少的解释在神经影像学。
2015-12-15 cs.LG q-bio.NC stat.ME
Quantum-enhanced barcode decoding and pattern recognition
University of Florence（佛罗伦萨大学）；INFN Sezione di Firenze（意大利国家核物理研究所佛罗伦萨分部）；University of Arizona（亚利桑那大学）；University of York（约克大学）
量子假设检验是量子信息理论中最基本的问题之一，在量子传感等领域具有重要意义，其中它已被用于证明一系列二进制光子协议中的量子优势，例如，用于目标检测或存储单元读出。在这项工作中，我们将这个理论模型推广到条码解码和模式识别的多部设置。我们首先将数字图像定义为像素的阵列或网格，每个像素对应于量子信道的集合。将每个像素专门化为黑白字母，我们自然地定义了条形码的光学模型。在这种情况下，我们表明，使用量子纠缠源，结合适当的测量和数据处理，大大优于经典的相干态策略的任务的条形码数据解码和分类的黑色和白色图案。此外，引入相关的界限，我们表明，模式识别的问题是显着简单的条形码解码，只要从不同类别的图像之间的最小汉明距离足够大。最后，我们从理论上证明了使用量子传感器与最近邻分类器（一种监督学习算法）进行模式识别的优势，并在数值上验证了手写数字分类的预测。
2020-12-09 cs.LG physics.optics quant-ph
Adaptive Data Augmentation with Multi-armed Bandit: Sample-Efficient Embedding Calibration for Implicit Pattern Recognition
Duke University（杜克大学）；Center for Advanced AI, Accenture（Accenture高级人工智能中心）
本文提出ADAMAB框架，通过多臂老虎机机制实现样本高效的隐式模式识别，实验表明其在少样本情况下准确率提升达40%。
2026-03-02 cs.CL cs.CV cs.LG
A Rapid Pattern-Recognition Method for Driving Types Using Clustering-Based Support Vector Machines
Beijing Institute of Technology（北京理工大学）；UC Berkeley（加州大学伯克利分校）
提出了一种快速模式识别方法来表征驾驶员曲线通过行为。为了缩短识别时间，提高驾驶风格的识别率，提出了一种基于k均值聚类的支持向量机（kMC-SVM）方法，并将其用于驾驶员的驾驶风格分类。首先将车速和节气门开度作为反映驾驶风格的特征参数。其次，为了区分驾驶员曲线通过行为，减少支持向量的数量，采用k-均值聚类方法对两类驾驶数据进行提取和聚类，缩短识别时间。然后，基于聚类结果，利用支持向量机方法生成超平面，用于判断和预测人类驾驶员属于哪种类型。最后，为了验证kMC-SVM方法的有效性，设计并进行了交叉验证实验。研究结果表明，与SVM方法相比，$ k $ MC-SVM方法是一种有效的驾驶风格分类方法，分类时间短。
2016-05-22 cs.CV cs.LG stat.ML
The Tsetlin Machine -- A Game Theoretic Bandit Driven Approach to Optimal Pattern Recognition with Propositional Logic
Centre for Artificial Intelligence Research（人工智能研究中心）；University of Agder（阿格德大学）
虽然单个人工神经元很简单，但当在深度网络中互连时，人工神经元提供了最先进的性能。可以说，Tsetlin自动机是一种更简单、更通用的学习机制，能够解决多臂强盗问题。它仅仅依靠一个整数作为记忆，通过递增和递减操作来学习随机环境中的最优行为。本文介绍了由一组Tsetlin自动机组成的Tsetlin机，它用命题公式解决复杂的模式识别问题。为了消除长期存在的信噪比消失的问题，Tsetlin机器使用一种新颖的游戏来编排自动机。此外，输入、模式和输出都表示为比特，而识别和学习依赖于比特操作，从而简化了计算。我们的理论分析建立了纳什均衡的游戏与命题公式，提供最佳的模式识别的准确性。这意味着学习没有局部最优，只有全局最优。在五个基准测试中，与SVM、决策树、随机森林、朴素贝叶斯分类器、逻辑回归和神经网络相比，Tsetlin机器提供了具有竞争力的准确性。我们进一步展示了如何命题公式促进解释。总之，我们相信高精度，可解释性和计算简单性的结合使Tsetlin机成为广泛领域的有前途的工具。
2021-01-02 cs.AI cs.CV cs.LG
