教师登录 English 返回首页
答辩公告
我的位置在: 首页 > 答辩公告 > 正文
郭鹏预答辩公告
浏览次数:威尼斯app下载:2020-07-17编辑:研究生教务办1

答辩公告

论文题目

面向多模图像的协同分类相关技术研究

答辩人

郭鹏

指导教师

李仁发

答辩委员会

主席

罗娟

学科专业

计算机应用

学院

威尼斯app下载

答辩地点

信科院6楼会议室

答辩时间

2020722

上午1000

学位论文简介


多模态图像协同分类是利用图像的多个来源和多个特征解决医学检测、遥感图像重构等应用问题的重要手段,协同分类的性能受到图像预处理技术、特征表示和融合方法、协同分类模型等关键技术的影响。本文以特征级多模态协同分类框架为研究目标,以机器学习分类数据集、医学图像集为例,重点研究了基于Markov链松弛聚类技术、基于多特征互补性和相关性的直推协同分类技术、基于稀疏编码的特征融合和协同分类技术,并对提出方法进行了实验验证。取得了以下主要创新性研究成果:

1提出一种基于超图Markov链松弛的聚类学习方法。包括:通过随机转移矩阵的多次迭代和扩散映射,对多噪声点和模糊边界的数据集进行更优聚类;可以自动收敛到最佳的聚类数目。

2提出一种基于超图Markov链松弛的超像素分割多模协同分类方法。上述聚类方法对图像进行超像素分割,以获得不同尺度的图像特征,从而能提高协同分类的精度。

3)提出一种基于多特征互补性和相关性分析的直推学习协同分类方法。包括:在新的学习框架中,用不同的正则化项分别考虑多模态的互补信息和相关信息;通过局部线性相关分析揭示了多模态图像特征中隐藏的非线性相关信息。

4)提出一种基于卷积形态成分分析和导向滤波的多模图像融合方法。在卷积形态成分分析编码框架中,引入导向过滤算子以消除线性转换时带来的不必要的伪影,而新的图像融合方案在保证系数稀疏的前

提下同时保留了图像的显著性特征。

5)提出一种基于卷积稀疏融合的多模协同分类方法。从不同来源的图像中获取更多的有利于分类的图像特征信息,组成联合图像,从而提高了医学图像的检测精度。


主要学术成果

[1] Guo P, Xie G, Li R . Object Detection Using Multiview CCA-Based Graph Spectral Learning[J]. Journal of Circuits, Systems and Computers, 2020, 29(02):196-211.(SCI )

[2] Guo P , Xie G , Li R , et al. Multi-modal Image Fusion via Convolutional Morphological Component Analysis and Guided Filter[J]. Journal of Circuits, Systems and Computers,2020(10).(SCI ,已收录)

[3] 郭鹏, 李仁发, 胡慧. 一种基于超图Markov链松弛的聚类学习方法[J]. 计算机科学, 2019(S1).

[4] Hu H , Guo P . Neural Network Adaptive Control for a Class of Matched SISO Nonlinear Uncertain Systems With Zero Dynamics[J]. Journal of Computers, 2012, 7(6).

[5] Hu, Hui, Guo, Peng. Adaptive Neural Network Tracking Control for a Class of SISO Affine Nonlinear Uncertain Systems[J]. Journal of Computers, 2012, 7(5):67-71.


XML 地图 | Sitemap 地图