随着数据获取途径的增多,数据的表现形式越来越多样化。人们需要考虑复杂数据中的一些特有的性质。本文提出一种多视图条件随机场框架来对多视图序列数据进行建模。在该框架中,我们提出两种多视图表示模型来获取多视图表示,同时还提出两种多视图条件随机场模型来建模多视图序列中的动态性。一方面,我们希望处理多视图数据以获得具有良好属性的表示。考虑数据所特有的异质性、互补性和冗余性,我们尝试解耦、归一化以获取统一的多视图表示,并且希望这种统一的多视图表示能有利于后续建模。具体来说,我们运用两种思路来对多视图数据进行拆分,分别是基于特征工程的多视图特征重组条件随机场和基于表示学习的神经多视图拆分网络。另一方面,基于获得的统一的多视图表示,我们通过引入一个潜在变量,来控制模型对于不同视图的利用。我们认为不同视图序列数据所包含的信息重要性,在整个任务中是随时间的变化而变化的。具体来说,不同视图通过模型潜在变量在不同时刻具有不同的权重。为了高效地计算关于潜在权重变量的期望值,我们提出了两种不同的近似机制,分别为潜在权重变量条件随机场和软性权重条件随机场。在学习潜在权重变量条件随机场的模型时,我们使用变分推理近似后验来获得一个更紧致的近似下界,并且引入一种控制变量的方法来缩减梯度的方差使得模型计算更高效。在软性权重条件随机场中,我们使用确定性的权重来代替权重变量,从而达到近似的目的。综上,本文所提出的多视图条件随机场主要包括两个组成部分:多视图拆分表示模型和视图权重条件随机场。引入的多视图数据的拆分表示和权重变量使得多视图条件随机场对多视图序列数据的建模更加合理。我们用真实世界中的两个数据集进行实验,并与其他相关方法进行对比。实验结果表明所提出的方法均具有更突出的性能。同时,为了验证多视图条件随机场中两个组成部分的作用,还分别对其进行测试分析。结果表明二者在提高模型性能方面均发挥了重要作用。
基本信息
| 题目 | 基于条件随机场的多视图序列数据建模研究 |
| 文献类型 | 硕士论文 |
| 作者 | 董子昂 |
| 作者单位 | 华东师范大学 |
| 导师 | 孙仕亮 |
| 文献来源 | 华东师范大学 |
| 发表年份 | 2020 |
| 学科分类 | 信息科技 |
| 专业分类 | 计算机软件及计算机应用 |
| 分类号 | TP391.41 |
| 关键词 | 多视图学习,序列数据建模,条件随机场,变分推理,潜变量 |
| 总页数： | 78 |
| 文件大小： | 4736K |
论文目录
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 本文主要贡献 |
| 1.3 本文组织结构 |
| 第二章 相关工作和知识背景 |
| 2.1 条件随机场 |
| 2.1.1 势能函数和特征函数 |
| 2.1.2 模型设置 |
| 2.1.3 参数估计 |
| 2.1.4 模型预测 |
| 2.2 变分近似推理方法 |
| 2.2.1 变分推理 |
| 2.2.2 证据下界 |
| 2.3 多视图学习 |
| 2.3.1 多视图学习的概念 |
| 2.3.2 多视图的应用和挑战 |
| 2.3.3 多视图表示学习 |
| 2.4 本章小结 |
| 第三章 多视图条件随机场 |
| 3.1 多视图条件随机场的模型框架 |
| 3.2 基于权重变量的多视图条件随机场 |
| 3.2.1 潜在权重模型 |
| 3.2.2 软性权重模型 |
| 3.2.3 模型训练 |
| 3.3 多视图序列数据的特征表示模型 |
| 3.3.1 特征重组模型 |
| 3.3.2 神经多视图拆解网络 |
| 3.4 本章小结 |
| 第四章 实验结果与分析 |
| 4.1 文本数据集 |
| 4.1.1 实验设计 |
| 4.1.2 实验结果与评估 |
| 4.2 视频数据集 |
| 4.2.1 实验设计 |
| 4.2.2 实验结果与评估 |
| 4.3 本章小结 |
| 第五章 总结与未来工作 |
| 5.1 总结 |
| 5.2 未来工作 |
| 附录A 命题3.1的证明 |
| 攻读学位期间发表的学术论文以及学术成果 |
| 参考文献 |
| 致谢 |
参考文献
| [1] 关于新颖的多视图分类方法的对比分析[J]. 电子世界 2020(14) |
| [2] 818型海警巡逻舰多视图[J]. 军事文摘 2016(18) |
| [3] 基于多视图融合的微博垃圾用户检测方法[J]. 华南理工大学学报(自然科学版) 2020(12) |
| [4] 多视图聚类算法综述[J]. 软件导刊 2019(04) |
| [5] 基于视图内字典原子不一致的多视图字典学习算法[J]. 南京信息工程大学学报(自然科学版) 2019(03) |
| [6] 一种改进的多视图聚类集成算法[J]. 计算机科学 2017(01) |
| [7] 基于多视图深度学习的推荐系统跨域用户建模算法[J]. 蚌埠学院学报 2021(02) |
| [8] 基于多视图协同的可信数据动态交互可视化系统设计[J]. 电子设计工程 2020(15) |
| [9] 样本加权的多视图聚类算法[J]. 计算机研究与发展 2019(08) |
| [10] 基于依存语法构建多视图汉语树库[J]. 中文信息学报 2015(03) |
| [11] 基于多视图的文本聚类改进方法[J]. 浙江工业大学学报 2021(01) |
| [12] 基于邻域多核学习的后融合多视图聚类算法[J]. 计算机研究与发展 2020(08) |
| [13] 基于异质多视图主动学习的高光谱地物分类[J]. 计算机应用与软件 2018(02) |
| [14] 怎样在VC++中创建基于SDI多框架多视图[J]. 电脑编程技巧与维护 2009(03) |
| [15] 基于转换表的物料清单多视图映射方法[J]. 上海交通大学学报 2008(04) |
| [16] 联合空谱特征的多视图主动学习的高光谱图像分类[J]. 遥感信息 2018(06) |
| [17] 鲁棒多视图协同完整鉴别子空间学习算法[J]. 计算机工程与应用 2019(03) |
| [18] 改进区域增长算法的植株多视图几何重建[J]. 中国农业科学 2019(16) |
| [19] 基于生成对抗网络的多视图学习与重构算法[J]. 自动化学报 2018(05) |
| [20] 一种多流形正则化的多视图非负矩阵分解算法[J]. 南京大学学报(自然科学) 2017(03) |
| [21] 多视图图像三维重建技术研究[J]. 信息与电脑(理论版) 2019(10) |
| [22] 一种基于多视图学习的群组发现方法[J]. 南京邮电大学学报(自然科学版) 2019(04) |
| [23] 基于结构化多视图稀疏限定的监督特征选择算法研究[J]. 图学学报 2018(06) |
| [24] 基于跨视图约束的多视图分类方法[J]. 模式识别与人工智能 2014(02) |
| [25] MFC中的多视图与属性页技术[J]. 科技信息(学术研究) 2008(03) |
| [26] 基于多视图几何的位置与遮挡一致性恢复方法研究[J]. 工程图学学报 2011(01) |
| [27] 混合粒度多视图新闻数据聚类方法[J]. 小型微型计算机系统 2021(04) |
| [28] 开源多视图密集三维重建方法对比研究[J]. 电子世界 2019(12) |
| [29] 基于增强现实的数字孪生加工系统建模与多视图交互[J]. 计算机集成制造系统 2021(02) |
| [30] 多视图影像三维重建技术在乡村景观设计中的应用[J]. 东北林业大学学报 2019(12) |
相似文献
| [1]多视图聚类算法研究[D]. 孙文雅.深圳大学2019 |
| [2]基于流形正则化和秩约束的多视图子空间聚类方法[D]. 周伟伟.华南理工大学2019 |
| [3]基于深度学习的多视图三维目标分类方法研究[D]. 薛佳.北京交通大学2019 |
| [4]多视图K-means聚类算法研究[D]. 洪敏.北京交通大学2019 |
| [5]基于多样性约束的多视图聚类研究[D]. 武燕.山西大学2019 |
| [6]基于低秩表示的多视图主动三支聚类[D]. 王心成.重庆邮电大学2018 |
| [7]基于深度学习的商品检测和识别研究[D]. 张文强.电子科技大学2019 |
| [8]缆索表面图像拼接与多视图重建研究[D]. 周扬.哈尔滨工业大学2019 |
| [9]车辆检测和识别系统的设计与实现[D]. 陈东皓.中国电子科技集团公司电子科学研究院2019 |
| [10]基于稀疏嵌入框架的不完全多视图聚类[D]. 姬名书.南昌大学2019 |
