• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于結(jié)構(gòu)化多視圖稀疏限定的監(jiān)督特征選擇算法研究

    2018-02-23 05:17:00史彩娟段昌鈺谷志斌
    圖學(xué)學(xué)報(bào) 2018年6期
    關(guān)鍵詞:特征選擇范數(shù)視圖

    史彩娟,段昌鈺,谷志斌

    ?

    基于結(jié)構(gòu)化多視圖稀疏限定的監(jiān)督特征選擇算法研究

    史彩娟,段昌鈺,谷志斌

    (華北理工大學(xué),河北 唐山 063210)

    為了有效利用多視圖數(shù)據(jù)信息提升監(jiān)督特征選擇的性能,構(gòu)建了一種結(jié)構(gòu)化多視圖稀疏限定,并基于該稀疏限定提出了一種監(jiān)督特征選擇方法,即結(jié)構(gòu)化多視圖監(jiān)督特征選擇方法(SMSFS)。該方法在特征選擇過(guò)程中能夠同時(shí)考慮不同視圖特征的重要性以及同一視圖中不同特征的重要性,從而有效的結(jié)合多視圖數(shù)據(jù)信息,提升監(jiān)督特征選擇的性能。SMSFS目標(biāo)函數(shù)是非凸的,設(shè)計(jì)了一個(gè)有效的迭代算法對(duì)目標(biāo)函數(shù)進(jìn)行求解。將所提結(jié)構(gòu)化多視圖監(jiān)督特征選擇方法SMSFS應(yīng)用到了圖像標(biāo)注任務(wù),在NUS-WIDE和MSRA-MM2.0圖像數(shù)據(jù)庫(kù)上進(jìn)行了實(shí)驗(yàn),并與其他特征選擇算法進(jìn)行了比較,實(shí)驗(yàn)結(jié)果表明該算法能夠有效結(jié)合多視圖數(shù)據(jù)信息,提升特征選擇性能。

    多視圖學(xué)習(xí);結(jié)構(gòu)化稀疏限定;監(jiān)督特征選擇

    近年,隨著信息技術(shù)以及計(jì)算機(jī)視覺技術(shù)的迅猛發(fā)展,圖像、視頻等數(shù)據(jù)被表示為不同類型的特征,如形狀特征、顏色特征、紋理特征等。每一種類型的特征都是從某一特定空間對(duì)圖像及視頻數(shù)據(jù)進(jìn)行了描述,傳統(tǒng)上把這種由不同類型特征組成的數(shù)據(jù)稱為多視圖數(shù)據(jù)[1]。然而,這些多視圖數(shù)據(jù)中包含許多不相關(guān)特征,甚至是噪聲,因此,如何有效去除多余特征及噪聲,從而降低“維數(shù)災(zāi)難”的特征選擇技術(shù)成為當(dāng)前的研究熱點(diǎn)。面對(duì)多視圖數(shù)據(jù),傳統(tǒng)的單一視圖特征選擇算法已不能獲得較好的特征選擇效果,許多多視圖特征選擇方法被廣泛研究和提出。其中,最直接的方法就是將多視圖特征直接串接成一個(gè)長(zhǎng)的特征向量,然后采用單一視圖特征選擇方法進(jìn)行特征選擇[2-3]。該方法思路簡(jiǎn)單,但將多視圖特征直接串接為一個(gè)長(zhǎng)向量之后再進(jìn)行特征選擇,破壞了不同視圖特征間的潛在關(guān)聯(lián),同時(shí)也缺乏物理解釋,使特征選擇的性能受到了影響。

    近年來(lái),多視圖學(xué)習(xí)被廣泛應(yīng)用到特征選擇算法之中,利用不同視圖之間的互補(bǔ)性及一致性來(lái)提升特征選擇的性能[1,4-5]。然而,現(xiàn)有的多視圖特征選擇方法基本上是將一個(gè)視圖數(shù)據(jù)看作一個(gè)整體,在特征選擇過(guò)程中僅僅考慮每一個(gè)視圖特征整體的重要性,而忽略了同一視圖中不同特征的重要性,使特征選擇性能受到影響。如果在多視圖稀疏特征選擇過(guò)程中,不僅考慮每一個(gè)視圖的重要性,選擇最具判別性的視圖特征外,同時(shí)考慮同一視圖中每一個(gè)特征的重要性,必將能夠更好地結(jié)合多視圖數(shù)據(jù)信息,從而提升特征選擇的性能。文獻(xiàn)[6]提出了組1范數(shù)(1-范數(shù)),能夠很好地判定同一視圖中不同特征的重要性。文 獻(xiàn)[7]通過(guò)引入組1范數(shù)(1-范數(shù))提出了一種稀疏多模態(tài)學(xué)習(xí)方法來(lái)整合多視圖異質(zhì)特征。文獻(xiàn)[8]基于1范數(shù)(1-范數(shù))提出了一種新的非監(jiān)督深度稀疏特征選擇方法,特征選擇性能得到了提升。

    因此,為了更好地利用多視圖數(shù)據(jù)信息,本文提出了一種基于結(jié)構(gòu)化多視圖稀疏限定的監(jiān)督特征選擇算法,即結(jié)構(gòu)化多視圖監(jiān)督特征選擇(structured multi-view supervised feature selection,SMSFS)。結(jié)構(gòu)化多視圖稀疏限定能夠使SMSFS在特征選擇過(guò)程中不僅考慮每一個(gè)視圖的重要性,同時(shí)考慮同一視圖中不同特征的重要性。SMSFS算法被應(yīng)用到了圖像標(biāo)注任務(wù)中,并在圖像數(shù)據(jù)庫(kù)NUS-WIDE[9]和MSRA-MM 2.0[10]上進(jìn)行了實(shí)驗(yàn),結(jié)果表明該算法優(yōu)于其他特征選擇算法,能夠更好地結(jié)合多視圖數(shù)據(jù)信息來(lái)提升特征選擇的性能。

    1 相關(guān)工作

    本文相關(guān)工作為多視圖學(xué)習(xí)和結(jié)構(gòu)化稀疏限定。

    1.1 多視圖學(xué)習(xí)

    現(xiàn)實(shí)中存在許多多視圖數(shù)據(jù),如圖像經(jīng)常被表示為形狀、顏色、紋理等不同的視覺特征,視頻被表示為視覺特征及聲音特征,網(wǎng)頁(yè)被表示為網(wǎng)頁(yè)內(nèi)容及相關(guān)鏈接等等。每一個(gè)視圖數(shù)據(jù)都具有一定的特征空間,具有特定的物理意義和統(tǒng)計(jì)特性。近年,多視圖學(xué)習(xí)得到廣泛研究,能夠揭示多視圖數(shù)據(jù)間的關(guān)聯(lián)及有效地結(jié)合不同視圖數(shù)據(jù)間的信息。根據(jù)多視圖間信息結(jié)合方式的不同,可以將現(xiàn)有的多視圖學(xué)習(xí)算法大致分成3類:①將多視圖數(shù)據(jù)直接串接為一個(gè)特征向量,然后采用單一視圖方法的多視圖學(xué)習(xí)算法[11-12]。該算法實(shí)現(xiàn)簡(jiǎn)單,但不能有效揭示不同視圖特征之間的關(guān)聯(lián)及補(bǔ)充信息,既沒有考慮不同視圖特征的重要性,也沒有考慮同一視圖中不同特征的重要性。②將每一個(gè)視圖特征看成一個(gè)整體,將同一視圖中的所有特征賦予相同的系數(shù)。雖然該算法能夠很好的利用不同視圖特征之間的關(guān)聯(lián)性和互補(bǔ)性[13-16],但沒有考慮同一視圖特征中不同特征的重要性。③在學(xué)習(xí)過(guò)程中能夠同時(shí)考慮不同視圖的重要性以及同一視圖中不同特征的重要性[7-8]。

    1.2 結(jié)構(gòu)化稀疏限定

    近年來(lái),多種結(jié)構(gòu)化稀疏限定被廣泛研究并被應(yīng)用到特征選擇算法之中。文獻(xiàn)[17]對(duì)現(xiàn)有的特征選擇方法進(jìn)行了綜述,根據(jù)所采用的兩種不同的結(jié)構(gòu)化稀疏限定1范數(shù)(LASSO)[18]和l,p(0<≤1)矩陣范數(shù)[17],將特征選擇方法分成了基于向量的特征選擇方法和基于矩陣的特征選擇方法。1范數(shù)作為懲罰項(xiàng)對(duì)特征選擇系數(shù)施以約束,能夠使被選擇的特征盡可能稀疏,使訓(xùn)練的模型具有稀疏性和可解釋性,因此被廣泛應(yīng)用到特征選擇方法中。對(duì)于l,p(0<≤1)矩陣范數(shù),當(dāng)=2,=1,即為2,1范數(shù)[19]。NIE等[20]將2,1范數(shù)應(yīng)用到了特征選擇之中,該限定能夠保證在特征選擇過(guò)程中充分考慮不同特征之間的關(guān)聯(lián),聯(lián)合的選取特征。WANG和CHEN[21]提出了2,p(0<≤1)矩陣范數(shù),并指出當(dāng)=1/2時(shí),即2,1/2矩陣范數(shù)具有最好的性能。文 獻(xiàn)[2]基于2,1/2矩陣范數(shù)提出了一種圖拉普拉斯半監(jiān)督稀疏特征選擇方法。

    2 SMSFS算法

    本節(jié)提出一個(gè)新的基于結(jié)構(gòu)化多視圖稀疏限定的監(jiān)督特征選擇框架,既結(jié)構(gòu)化多視圖監(jiān)督特征選擇(structured multi-view supervised feature selection,SMSFS)。首先介紹結(jié)構(gòu)化多視圖稀疏限定,然后提出了SMSFS算法,最后給出求解目標(biāo)函數(shù)的迭代算法。

    2.1 結(jié)構(gòu)化多視圖稀疏限定

    映射矩陣的組1-范數(shù)(1范數(shù))定義為

    映射矩陣的2,1/2矩陣范數(shù)定義為

    因此,由2,1/2范數(shù)和1-范數(shù)構(gòu)建的用于特征選擇的結(jié)構(gòu)化多視圖稀疏限定可以表示為

    結(jié)構(gòu)化多視圖稀疏限定中1-范數(shù)強(qiáng)調(diào)每一個(gè)視圖的重要性,而2,1/2矩陣范數(shù)可以很好地考慮不同特征的重要性。因此,結(jié)構(gòu)化多視圖稀疏限定能夠保證在特征選擇的過(guò)程中不僅考慮每一個(gè)視圖的重要性,同時(shí)考慮每一個(gè)視圖中不同特征的重要性,更好地結(jié)合多視圖數(shù)據(jù)信息,從而達(dá)到很好的特征選擇性能。

    2.2 SMSFS算法

    特征選擇框架一般可以表示為求解下面的最小化經(jīng)驗(yàn)誤差

    本文損失函數(shù)選擇最簡(jiǎn)單的最小二乘函數(shù),正則項(xiàng)為結(jié)構(gòu)化多視圖稀疏限定,因此,本文提出的結(jié)構(gòu)化多視圖監(jiān)督特征選擇算法SMSFS的目標(biāo)函數(shù)可以表示為

    2.3 優(yōu)化求解

    由于2,1/2范數(shù)是非凸的,因此本文提出的結(jié)構(gòu)化多視圖監(jiān)督特征選擇框架式(5)也是非凸的,下面提出了一個(gè)有效迭代方法來(lái)求解目標(biāo)函數(shù)。

    此時(shí)目標(biāo)函數(shù)式(5)可以寫成

    因此,可得到

    算法1. SMSFS 算法給出了求解目標(biāo)函數(shù)式(5)的迭代算法。

    ②重復(fù)計(jì)算對(duì)角矩陣

    對(duì)于g(1≤≤),

    =+1;

    直到收斂;

    3 實(shí) 驗(yàn)

    將SMSFS算法應(yīng)用到圖像標(biāo)注任務(wù)中,并在兩個(gè)大規(guī)模圖像數(shù)據(jù)庫(kù)NUS-WIDE[9]和MSRA- MM 2.0[10]上進(jìn)行了實(shí)驗(yàn)。

    3.1 數(shù)據(jù)庫(kù)及實(shí)驗(yàn)設(shè)置

    NUS-WIDE數(shù)據(jù)庫(kù)包含269 648幅圖像,81個(gè)概念;MSRA-MM2.0數(shù)據(jù)庫(kù)包含50 000幅圖像,100個(gè)概念。實(shí)驗(yàn)中對(duì)于兩個(gè)數(shù)據(jù)庫(kù),均選用144維的顏色相關(guān)圖、128維的小波紋理和73維(NUS-WIDE數(shù)據(jù)庫(kù))或者75維(MSRA-MM2.0數(shù)據(jù)庫(kù))的邊緣方向直方圖和3種底層視覺特征作為圖像的3種視圖特征。

    實(shí)驗(yàn)中隨機(jī)采樣3 000個(gè)圖像形成訓(xùn)練數(shù)據(jù)集,剩余數(shù)據(jù)作為測(cè)試集。隨機(jī)進(jìn)行10次試驗(yàn),將10次結(jié)果平均作為最終的標(biāo)注結(jié)果。目標(biāo)函數(shù)式(5)中的正則化參數(shù)和設(shè)定為{0.00001,0.001,0.1,1,10,1000,100000},采用交叉驗(yàn)證方法記錄最好結(jié)果。

    實(shí)驗(yàn)中將算法SMSFS與算法SMML[6]和SFUS[3]進(jìn)行了比較。采用3種評(píng)估準(zhǔn)則來(lái)評(píng)價(jià)算法性能,即平均準(zhǔn)確率均值(mean average precision,MAP),ROC曲線下面積AUC的兩種情況MicroAUC和MacroAUC。

    3.2 與其他特征選擇算法的性能比較

    實(shí)驗(yàn)中將本文算法SMSFS與另外兩種監(jiān)督特征選擇算法SFUS和SMML進(jìn)行了比較,在兩個(gè)數(shù)據(jù)庫(kù)上進(jìn)行了實(shí)驗(yàn),結(jié)果見表1,最好結(jié)果用黑體標(biāo)識(shí)。

    表1 不同特征選擇方法性能比較

    從表1可以看出,無(wú)論是基于MAP,還是MacroAUC和MicroAUC,本文算法SMSFS性能優(yōu)于SFUS和SMML算法,說(shuō)明SMSFS算法能夠利用結(jié)構(gòu)化多視圖稀疏限定有效的結(jié)合多視圖數(shù)據(jù)信息,從而選取更具判別性的稀疏特征,獲得更好的特性選擇性能。

    3.3 選擇特征個(gè)數(shù)的影響

    本實(shí)驗(yàn)驗(yàn)證所選特征數(shù)目對(duì)標(biāo)注性能的影響。設(shè)定所選特征數(shù)目分別為100、150、200、250和300以及全部特征(對(duì)于NUS-WIDE數(shù)據(jù)庫(kù)是345維,對(duì)于MSRA-MM數(shù)據(jù)庫(kù)是347維)。采用MAP作為評(píng)估準(zhǔn)則,實(shí)驗(yàn)結(jié)果如圖1所示。

    圖1顯示了算法SMSFS標(biāo)注性能隨著所選特征數(shù)目變化而變化的情況。從圖1可以看出:①當(dāng)所選用的特征數(shù)很少時(shí)(如特征數(shù)為100)對(duì)應(yīng)的MAP要低于不進(jìn)行特征選擇時(shí)(特征數(shù)為345或347)的MAP。這歸因于選擇的特征數(shù)很少時(shí),一些有用信息被丟失。②當(dāng)采用所有底層視覺特征(特征數(shù)為345或347)的時(shí)候,標(biāo)注性能并不是最好,說(shuō)明最初的底層視覺特征中包含一些冗余特征,影響了標(biāo)注性能。③在兩個(gè)數(shù)據(jù)庫(kù)上,3種算法達(dá)到最好性能時(shí)所選用的特征數(shù)目均為250,但是算法SMSFS性能優(yōu)于另外兩種算法。因此,與另外兩種特征選擇算法相比,本文算法SMSFS能夠有效結(jié)合多視圖數(shù)據(jù)信息,選取更具判別性的特征,從而獲得最好的特征選擇性能,降低噪聲影響。

    圖1 性能MAP隨著選擇特征數(shù)目的變化而變化情況

    3.4 參數(shù)敏感性測(cè)試

    在目標(biāo)函數(shù)式(5)中存在兩個(gè)正則化參數(shù)和,本節(jié)通過(guò)交叉驗(yàn)證的方式驗(yàn)證這兩個(gè)正則化參數(shù)對(duì)特征選擇性能的影響,其大小設(shè)定為{0.00001,0.001,0.1,1,10,1000,10000}。采用MAP作為評(píng)估準(zhǔn)則,實(shí)驗(yàn)結(jié)果如圖2所示。

    從圖2可以看出,不同的和組合對(duì)應(yīng)不同的MAP結(jié)果,該算法對(duì)于參數(shù)和比較敏感。對(duì)于NUS-WIDE數(shù)據(jù)庫(kù),當(dāng)=1000、=10時(shí)具有最好的性能;對(duì)于MSRA-MM數(shù)據(jù)庫(kù),當(dāng)==10時(shí)性能最好。

    圖2 正則化參數(shù)敏感性分析

    4 結(jié)束語(yǔ)

    本文提出了一個(gè)新的基于結(jié)構(gòu)化多視圖稀疏限定的監(jiān)督特征選擇算法SMSFS。本文算法能夠在特征選擇過(guò)程中同時(shí)考慮不同視圖的重要性以及同一視圖中不同特征的重要性,有效結(jié)合多視圖數(shù)據(jù)信息,從而提升特征選擇的性能。其目標(biāo)函數(shù)是非凸的,本文設(shè)計(jì)了一個(gè)有效的迭代算法對(duì)目標(biāo)函數(shù)進(jìn)行求解。將該算法應(yīng)用到了圖像標(biāo)注任務(wù)中,并在兩個(gè)圖像數(shù)據(jù)庫(kù)上進(jìn)行了實(shí)驗(yàn),結(jié)果表明該算法優(yōu)于現(xiàn)有的特征選擇算法,很好地實(shí)現(xiàn)了特征選擇。

    [1] FENG Y F, XIAO J, ZHUANG Y T, et al. Adaptive unsupervised multi-view feature selection for visual concept recognition [C]//11th IEEE Asian Conference on Computer Vision (ACCV), 2012. New York: IEEE Press, 2012: 343-357.

    [2] SHI C J, RUAN Q Q, AN G Y, et al. Sparse feature selection based on graph Laplacian for web image annotation [J]. Image and Vision Computing, 2014, 32(3): 189-201.

    [3] MA Z G, NIE F P, YANG Y, et al. Web image annotation via subspace-sparsity collaborated feature selection [J]. IEEE Transactions on Multimedia, 2012, 14(4): 1021-1030.

    [4] SHI C J, RUAN Q Q, AN G Y, et al. Semi-supervised sparse feature selection based on multi-view laplacian regularization [J]. Image and Vision Computing, 2015, 33(41): 1-10.

    [5] XU X X, LI W, XU D, et al. Co-labeling for multi-view weakly labeled learning [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2016, 38(6): 1113-1125.

    [6] WANG H, NIE F P, HUANG H, et al. Identifying disease sensitive and quantitative trait-relevant biomarkers from multidimensional heterogeneous imaging genetics data via sparse multimodal multitask learning [J]. Bioinformatics, 2012, 28(12): 1127-1136.

    [7] WANG H, NIE F P, HUANG H, et al. Heterogeneous visual features fusion via sparse multimodal machine [C]//IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2013. New York: IEEE Press, 2013: 3097-3102.

    [8] CONG Y, WANG S, FAN B J, et al. UDSFS: unsupervised deep sparse feature selection [J]. Neurocomputing, 2016, 196: 150-158.

    [9] CHUN T, TANG JH, HONG R, et al. NUS-WIDE: a real-world web image dataset from National University of Singapore [C]//Proceeding of the ACM International Coference on Image and Video Retrieval (CIVR), 2009. New York: ACM Press, 2009: 1-9.

    [10] LI H, WANG M, HUA X S. MSRA-MM2. 0: a large-scale web multimedia dataset [C]//IEEE International Conference on Data Mining Workshops (ICDMW), 2009. New York: IEEE Press, 2009: 164-169.

    [11] MA Z G, NIE F P, YANG Y, et al. Discriminating joint feature analysis for multimedia data understanding [J]. IEEE Transactions on Multimedia, 2012, 14(6): 1662-1672.

    [12] LIU W F, TAO D C, Multiview hessian regularization for image annotation [J]. IEEE Transactions on Image Processing, 2013, 22(7): 2676-2687.

    [13] WANG S P, GUO W Z. Sparse multi-graph embedding for multimodal feature representation [J]. IEEE Transactions on Multimedia, 2017, 19(7): 1454-1466.

    [14] XUE X W, NIE F P, WANG S, et al. Multi-view correlated feature learning by uncovering shared component [EP/OL]. [2-18-01-10]. https://aaai.org/ ocs/index.php/AAAI/AAAI17/paper/view/14439.

    [15] JING X Y, WU FI, DONG X W, et al. Semi-supervised multi-view correlation feature learning with application to webpage classification [EP/OL]. [2018-01-20]. https://aaai.org/ocs/index.php/AAAI/AAAI17/paper/view/14582.

    [16] SHI C J, RUAN Q Q, AN G Y, et al. Semi-supervised sparse feature selection based on multi-view laplacian regularization [J]. Image and Vision Computing, 2015, 41(C): 1-10.

    [17] GUI J, SUN Z N, JI S W, et al. Feature selection based on structured sparsity: a comprehensive study [J]. IEEE Transactions on Neural Networks and Learning Systems, 2017, 28(7): 1490-1507.

    [18] SCH?LKOPF B, PLATT J, HOFMANN T. Sparse multinomial logistic regression via bayesian1regularisation [C]//Advances in Neural Information Processing Systems 19: Proceedings of the 2006 Conference. New York: MIT Press, 2006: 209-216.

    [19] DING C, ZHOU D, HE X F, et al.1-PCA: rotational invariant1-norm principal component analysis for robust subspace factorization [C]//ICML’06 Proceedings of the 23rd International Conference on Machine Learning (ICML), 2006. New York: ACM Press, 2006: 281-288.

    [20] NIE F P, XU D, HUNG T, et al. Flexible manifold embedding: A framework for semi-supervised and unsupervised dimension reduction [J]. IEEE Transactions on Image Processing. 2010, 19 (7): 1921-1932.

    [21] WANG L P, CHEN S G.2, pmatrix norm and its application in feature selection [EP/OL]. [2018-01-08].

    https://www.researchgate.net/publication/301850380_l_2p_Matrix_Norm_and_Its_Application_in_Feature_Selection.

    Research of Supervised Feature Selection Algorithm Based on Structured Multi-View Sparse Regularization

    sHI caijuan, DUANChangyu, GU Zhibing

    (North China University of Science and Technology, Tangshan Hebei 063210, China)

    In order to effectively utiliz the multi-view data information and enhance the feature selection performance, the structured multi-view sparse regularization was constructed, based on which a novel supervised feature selection method, namely structured multi-view supervised feature selection (SMSFS), was proposed. SMSFS could simultaneously consider the importance of each view features and the importance of individual feature in each view to combine the multi-view data information effectively in the feature selection process, and then to boost the supervised feature selection performance. Because theobjective function of SMSFS is non-convex, an effective iterative algorithm was proposed to solve the objective function. The proposed structured multi-view supervised feature selection method SMSFS was applied into image annotation task and extensive experiments were performed on NUS-WIDE and MSRA-MM2.0 image datasets. The proposed method SMSFS was compared with other feature selection methods and the experimental results demonstrated the effectiveness of SMSFS, which means that it could effectively utilize the multi-view data information to boost the feature selection performance.

    multi-view learning; structured sparse regularization; supervised feature selection

    TP 391.4

    10.11996/JG.j.2095-302X.2018061036

    A

    2095-302X(2018)06-1036-06

    2018-04-16;

    2018-07-24

    國(guó)家自然科學(xué)基金項(xiàng)目(61502143);河北省自然科學(xué)基金面上項(xiàng)目(F2016209165);華北理工大學(xué)杰出青年基金項(xiàng)目(JQ201715);華北理工大學(xué)博士科研啟動(dòng)基金(201510);河北省高等學(xué)??茖W(xué)技術(shù)研究項(xiàng)目(QN2018115)

    史彩娟(1977-),女,河北豐潤(rùn)人,副教授,博士。主要研究方向?yàn)閳D像處理與分析、多媒體內(nèi)容分析、計(jì)算機(jī)視覺、機(jī)器學(xué)習(xí)等。E-mail:scj-blue@163.com

    猜你喜歡
    特征選擇范數(shù)視圖
    5.3 視圖與投影
    視圖
    基于加權(quán)核范數(shù)與范數(shù)的魯棒主成分分析
    矩陣酉不變范數(shù)H?lder不等式及其應(yīng)用
    Y—20重型運(yùn)輸機(jī)多視圖
    SA2型76毫米車載高炮多視圖
    Kmeans 應(yīng)用與特征選擇
    電子制作(2017年23期)2017-02-02 07:17:06
    聯(lián)合互信息水下目標(biāo)特征選擇算法
    一類具有準(zhǔn)齊次核的Hilbert型奇異重積分算子的范數(shù)及應(yīng)用
    基于特征選擇和RRVPMCD的滾動(dòng)軸承故障診斷方法
    丰满迷人的少妇在线观看| av女优亚洲男人天堂| 亚洲美女黄色视频免费看| 精品国产乱码久久久久久小说| 九色成人免费人妻av| 黄色怎么调成土黄色| 狂野欧美激情性xxxx在线观看| 性色av一级| 成人特级av手机在线观看| 欧美另类一区| 3wmmmm亚洲av在线观看| 欧美精品一区二区大全| 日韩制服骚丝袜av| 深爱激情五月婷婷| 亚洲av电影在线观看一区二区三区| 亚洲伊人久久精品综合| 男女下面进入的视频免费午夜| 久久久午夜欧美精品| 两个人的视频大全免费| 一级毛片黄色毛片免费观看视频| 内射极品少妇av片p| 亚洲国产日韩一区二区| .国产精品久久| 小蜜桃在线观看免费完整版高清| 久久亚洲国产成人精品v| 永久网站在线| 日韩三级伦理在线观看| 在现免费观看毛片| 亚洲第一av免费看| 在线天堂最新版资源| 国产免费福利视频在线观看| 国产成人91sexporn| 女人十人毛片免费观看3o分钟| 欧美丝袜亚洲另类| 亚洲性久久影院| 天堂中文最新版在线下载| 在线精品无人区一区二区三 | 丰满少妇做爰视频| 午夜老司机福利剧场| 18禁动态无遮挡网站| 中文资源天堂在线| 免费观看a级毛片全部| 99九九线精品视频在线观看视频| 麻豆乱淫一区二区| 91狼人影院| 日日啪夜夜撸| 欧美性感艳星| 亚洲精品国产av蜜桃| 岛国毛片在线播放| www.色视频.com| av卡一久久| 欧美3d第一页| 五月开心婷婷网| 久久精品国产自在天天线| 久久青草综合色| 亚洲欧美日韩另类电影网站 | 中文字幕亚洲精品专区| 伦理电影免费视频| 人人妻人人添人人爽欧美一区卜 | 国产又色又爽无遮挡免| 99热这里只有是精品50| 老女人水多毛片| 国产免费又黄又爽又色| 欧美激情极品国产一区二区三区 | 精品国产乱码久久久久久小说| 97超视频在线观看视频| 97超视频在线观看视频| 97在线视频观看| 国产精品嫩草影院av在线观看| 极品少妇高潮喷水抽搐| 国产熟女欧美一区二区| 一级片'在线观看视频| 久久久色成人| av专区在线播放| 男的添女的下面高潮视频| 国产亚洲午夜精品一区二区久久| 成年免费大片在线观看| 精品少妇黑人巨大在线播放| 99久久精品热视频| 国产亚洲精品久久久com| 国产高清三级在线| 亚洲第一区二区三区不卡| 国产一区二区在线观看日韩| 日日啪夜夜爽| 18禁裸乳无遮挡免费网站照片| 一区二区三区免费毛片| 国产 精品1| 国产一级毛片在线| 乱码一卡2卡4卡精品| 黑丝袜美女国产一区| 亚洲综合色惰| 在线免费十八禁| a级一级毛片免费在线观看| 国产免费福利视频在线观看| 国产一区二区在线观看日韩| 麻豆国产97在线/欧美| 嫩草影院入口| 亚洲色图综合在线观看| 春色校园在线视频观看| 99久久人妻综合| 亚洲最大成人中文| 日韩一本色道免费dvd| 99久久精品热视频| 高清不卡的av网站| 麻豆乱淫一区二区| 久久这里有精品视频免费| 亚洲国产高清在线一区二区三| 蜜臀久久99精品久久宅男| 一边亲一边摸免费视频| 插阴视频在线观看视频| 亚洲精品国产av蜜桃| 国产一区二区三区综合在线观看 | 久久99热这里只有精品18| 国产精品爽爽va在线观看网站| 国产 精品1| 国产一区有黄有色的免费视频| 国产高清不卡午夜福利| 国产黄色免费在线视频| 97在线视频观看| 高清欧美精品videossex| 国产爽快片一区二区三区| www.av在线官网国产| 亚洲欧美日韩无卡精品| 亚洲欧洲日产国产| 夜夜骑夜夜射夜夜干| 成人二区视频| 青春草视频在线免费观看| a级毛片免费高清观看在线播放| 亚洲内射少妇av| 国产精品精品国产色婷婷| 最后的刺客免费高清国语| 最近2019中文字幕mv第一页| 一本久久精品| 久久人人爽av亚洲精品天堂 | a级一级毛片免费在线观看| 日韩视频在线欧美| 少妇精品久久久久久久| 国产中年淑女户外野战色| 日韩大片免费观看网站| 少妇人妻 视频| 国产精品免费大片| 亚洲欧洲日产国产| 免费av中文字幕在线| 国产精品人妻久久久影院| 舔av片在线| 久久国产亚洲av麻豆专区| 六月丁香七月| 国产高清三级在线| 亚洲欧美日韩无卡精品| 国产亚洲精品久久久com| 午夜视频国产福利| 国产精品av视频在线免费观看| 国模一区二区三区四区视频| 在线播放无遮挡| 美女主播在线视频| 亚洲国产精品成人久久小说| 九草在线视频观看| 自拍欧美九色日韩亚洲蝌蚪91 | 性色av一级| 国产白丝娇喘喷水9色精品| 亚洲国产精品专区欧美| 色婷婷久久久亚洲欧美| 国产 一区 欧美 日韩| 男人添女人高潮全过程视频| 日本欧美国产在线视频| 最近2019中文字幕mv第一页| 久久久久国产精品人妻一区二区| 欧美成人午夜免费资源| 国产一区二区三区综合在线观看 | 国产色爽女视频免费观看| 国产精品久久久久久久电影| 国产精品精品国产色婷婷| 亚洲不卡免费看| 制服丝袜香蕉在线| 青春草亚洲视频在线观看| 欧美高清性xxxxhd video| 亚洲电影在线观看av| 久久久精品94久久精品| 99热这里只有精品一区| 久久精品人妻少妇| 精品久久久久久久末码| 欧美高清成人免费视频www| 精品久久久久久久久亚洲| 婷婷色综合www| 国产在线男女| 国产精品一及| 久久精品国产亚洲网站| 成人免费观看视频高清| 免费av中文字幕在线| 中文字幕亚洲精品专区| 午夜日本视频在线| 毛片女人毛片| 性高湖久久久久久久久免费观看| 成人特级av手机在线观看| 亚洲精品国产av蜜桃| 亚洲av日韩在线播放| 丰满迷人的少妇在线观看| 亚洲精品乱码久久久v下载方式| 国产高潮美女av| 精品少妇久久久久久888优播| 一个人免费看片子| 国产午夜精品久久久久久一区二区三区| 亚洲成人手机| 国产又色又爽无遮挡免| 大码成人一级视频| 国产欧美日韩一区二区三区在线 | 网址你懂的国产日韩在线| 大片电影免费在线观看免费| 亚洲精品乱码久久久v下载方式| 中文天堂在线官网| 亚洲va在线va天堂va国产| 久久久欧美国产精品| 菩萨蛮人人尽说江南好唐韦庄| 国产精品一区www在线观看| 黄色一级大片看看| 久久久久人妻精品一区果冻| 高清在线视频一区二区三区| 亚洲欧美日韩无卡精品| 51国产日韩欧美| 网址你懂的国产日韩在线| 免费av中文字幕在线| 久久精品国产亚洲av天美| 永久免费av网站大全| 一区二区三区四区激情视频| 成人午夜精彩视频在线观看| 日韩中文字幕视频在线看片 | 一级毛片 在线播放| 韩国av在线不卡| 国产有黄有色有爽视频| 视频中文字幕在线观看| av专区在线播放| 亚洲怡红院男人天堂| 亚洲欧美日韩另类电影网站 | av在线播放精品| 一级爰片在线观看| 搡女人真爽免费视频火全软件| 欧美精品亚洲一区二区| 在线天堂最新版资源| 午夜免费鲁丝| 赤兔流量卡办理| 亚洲国产精品专区欧美| 中文字幕亚洲精品专区| 国产精品成人在线| 人妻少妇偷人精品九色| 免费观看在线日韩| 久久午夜福利片| 日韩在线高清观看一区二区三区| 一本—道久久a久久精品蜜桃钙片| 久久精品久久久久久久性| 亚洲国产高清在线一区二区三| 久久久久久久精品精品| 一级毛片aaaaaa免费看小| 免费观看a级毛片全部| 精品人妻熟女av久视频| 午夜福利在线观看免费完整高清在| 天堂8中文在线网| 国产 一区 欧美 日韩| 一区在线观看完整版| 熟女人妻精品中文字幕| 人体艺术视频欧美日本| av卡一久久| 日韩在线高清观看一区二区三区| 有码 亚洲区| 97在线人人人人妻| 日韩中字成人| 成年免费大片在线观看| 这个男人来自地球电影免费观看 | 欧美zozozo另类| a级一级毛片免费在线观看| 国产成人91sexporn| 色视频www国产| 边亲边吃奶的免费视频| 亚洲婷婷狠狠爱综合网| 性高湖久久久久久久久免费观看| 亚洲精品久久午夜乱码| kizo精华| 亚洲欧洲日产国产| 国产淫语在线视频| 免费不卡的大黄色大毛片视频在线观看| 极品教师在线视频| 国产精品无大码| 日韩 亚洲 欧美在线| 夜夜看夜夜爽夜夜摸| 视频中文字幕在线观看| 精品人妻一区二区三区麻豆| 国产美女午夜福利| 精品久久久久久久末码| 久久精品国产a三级三级三级| 高清午夜精品一区二区三区| 亚洲国产欧美在线一区| 天堂俺去俺来也www色官网| 国产精品一区二区三区四区免费观看| 久久精品国产自在天天线| av在线播放精品| 18禁动态无遮挡网站| 欧美区成人在线视频| 最黄视频免费看| 人人妻人人添人人爽欧美一区卜 | 成年免费大片在线观看| 99久久精品一区二区三区| 亚洲美女黄色视频免费看| 免费av中文字幕在线| 欧美3d第一页| 亚洲经典国产精华液单| 我要看日韩黄色一级片| 人人妻人人看人人澡| 亚洲国产欧美在线一区| 一级爰片在线观看| www.色视频.com| 亚洲精品国产av蜜桃| 国产精品成人在线| 日本黄色片子视频| av播播在线观看一区| 在线免费十八禁| 国产精品久久久久久久电影| 日韩免费高清中文字幕av| 国产精品一区二区三区四区免费观看| 国产高清有码在线观看视频| 能在线免费看毛片的网站| 国产伦理片在线播放av一区| 美女主播在线视频| 51国产日韩欧美| 国产精品一区二区在线观看99| 校园人妻丝袜中文字幕| 国产成人午夜福利电影在线观看| www.色视频.com| 99热全是精品| 亚洲精品aⅴ在线观看| 国语对白做爰xxxⅹ性视频网站| 久久久久国产网址| 日日摸夜夜添夜夜爱| 精品少妇黑人巨大在线播放| 久久久久久久精品精品| 久久鲁丝午夜福利片| 中国国产av一级| h视频一区二区三区| 亚洲精品色激情综合| 又爽又黄a免费视频| 男女下面进入的视频免费午夜| 男人狂女人下面高潮的视频| 日本午夜av视频| 韩国高清视频一区二区三区| 在线观看免费日韩欧美大片 | 六月丁香七月| 国产精品熟女久久久久浪| 老师上课跳d突然被开到最大视频| 日本免费在线观看一区| 舔av片在线| 涩涩av久久男人的天堂| 一区二区三区精品91| 伦理电影免费视频| 亚洲不卡免费看| 国产熟女欧美一区二区| 亚洲欧洲日产国产| 亚洲av综合色区一区| 免费av不卡在线播放| 日韩大片免费观看网站| 99热这里只有是精品在线观看| 亚洲成人av在线免费| av在线播放精品| 日本黄色日本黄色录像| 91久久精品国产一区二区成人| 看免费成人av毛片| 久久国产亚洲av麻豆专区| 黄色配什么色好看| 国产成人免费无遮挡视频| www.av在线官网国产| 亚洲色图综合在线观看| 一个人看的www免费观看视频| 久久韩国三级中文字幕| 国产av精品麻豆| 国产免费一区二区三区四区乱码| 成人亚洲欧美一区二区av| 午夜福利视频精品| 精品国产露脸久久av麻豆| 国语对白做爰xxxⅹ性视频网站| 久久久久久久久久人人人人人人| 亚洲婷婷狠狠爱综合网| 国产有黄有色有爽视频| 午夜福利视频精品| 国产精品国产av在线观看| 97超视频在线观看视频| 夜夜爽夜夜爽视频| 亚洲国产欧美人成| 亚洲精华国产精华液的使用体验| 在线观看美女被高潮喷水网站| 亚洲,欧美,日韩| 天堂8中文在线网| 亚洲,欧美,日韩| 日本av手机在线免费观看| 人人妻人人爽人人添夜夜欢视频 | 国产av国产精品国产| 国产一区二区三区综合在线观看 | 国产片特级美女逼逼视频| 一区二区三区乱码不卡18| 在线观看一区二区三区激情| 亚洲激情五月婷婷啪啪| 高清不卡的av网站| 日韩一区二区视频免费看| 亚洲精品自拍成人| 精品久久久久久久末码| 亚洲av中文字字幕乱码综合| 亚洲欧洲国产日韩| 国产精品久久久久久精品古装| 1000部很黄的大片| 午夜免费鲁丝| 日韩视频在线欧美| 国产极品天堂在线| 嫩草影院新地址| 精品人妻一区二区三区麻豆| 三级国产精品欧美在线观看| 欧美zozozo另类| 人妻 亚洲 视频| 菩萨蛮人人尽说江南好唐韦庄| 少妇 在线观看| 色网站视频免费| 啦啦啦中文免费视频观看日本| 国产精品人妻久久久久久| 免费av中文字幕在线| 老师上课跳d突然被开到最大视频| 国内揄拍国产精品人妻在线| 在线亚洲精品国产二区图片欧美 | 狂野欧美激情性bbbbbb| 国产精品久久久久久久电影| 国产av国产精品国产| 日日摸夜夜添夜夜添av毛片| 欧美国产精品一级二级三级 | 麻豆成人av视频| 五月玫瑰六月丁香| 国产中年淑女户外野战色| 成人高潮视频无遮挡免费网站| 精品一区在线观看国产| 尤物成人国产欧美一区二区三区| 肉色欧美久久久久久久蜜桃| 久久久国产一区二区| 男人狂女人下面高潮的视频| 国产永久视频网站| 日韩免费高清中文字幕av| 日韩成人伦理影院| 午夜福利高清视频| 一二三四中文在线观看免费高清| 精品亚洲成国产av| 高清黄色对白视频在线免费看 | 一本色道久久久久久精品综合| 欧美xxxx性猛交bbbb| 在线精品无人区一区二区三 | 亚洲精品aⅴ在线观看| av国产精品久久久久影院| 精品视频人人做人人爽| 日韩中文字幕视频在线看片 | 日本与韩国留学比较| 亚洲精品国产av成人精品| 十八禁网站网址无遮挡 | 在线观看国产h片| 亚洲中文av在线| xxx大片免费视频| 最近的中文字幕免费完整| 日本免费在线观看一区| 久久 成人 亚洲| 尾随美女入室| 高清日韩中文字幕在线| 国产欧美日韩一区二区三区在线 | 国产精品久久久久成人av| 小蜜桃在线观看免费完整版高清| 精品视频人人做人人爽| 汤姆久久久久久久影院中文字幕| 亚洲av免费高清在线观看| h日本视频在线播放| 国精品久久久久久国模美| 国产成人freesex在线| 久久人人爽av亚洲精品天堂 | 在线观看免费日韩欧美大片 | 亚洲成人手机| kizo精华| 免费久久久久久久精品成人欧美视频 | 国产精品成人在线| 亚洲精品日本国产第一区| 亚洲国产高清在线一区二区三| 丰满少妇做爰视频| 成人亚洲精品一区在线观看 | 欧美成人午夜免费资源| 日产精品乱码卡一卡2卡三| 熟女人妻精品中文字幕| av在线蜜桃| 亚洲欧美清纯卡通| 黄色日韩在线| 欧美日韩视频高清一区二区三区二| 国产日韩欧美在线精品| 日本wwww免费看| 中文字幕免费在线视频6| 又黄又爽又刺激的免费视频.| 不卡视频在线观看欧美| 久久人人爽人人爽人人片va| 丝袜喷水一区| 少妇人妻 视频| 如何舔出高潮| 国产真实伦视频高清在线观看| 麻豆精品久久久久久蜜桃| 2022亚洲国产成人精品| 久久精品夜色国产| 国产爱豆传媒在线观看| 国产精品久久久久久精品电影小说 | 大话2 男鬼变身卡| 久久国内精品自在自线图片| 精品国产一区二区三区久久久樱花 | 最近2019中文字幕mv第一页| 欧美bdsm另类| 联通29元200g的流量卡| 啦啦啦中文免费视频观看日本| 美女中出高潮动态图| 国产男女内射视频| www.av在线官网国产| 一区二区三区乱码不卡18| 夜夜看夜夜爽夜夜摸| 日韩亚洲欧美综合| 网址你懂的国产日韩在线| 18禁在线无遮挡免费观看视频| 在线观看免费高清a一片| 中文字幕制服av| 欧美bdsm另类| 免费黄网站久久成人精品| 精品国产三级普通话版| 欧美成人精品欧美一级黄| 国产午夜精品久久久久久一区二区三区| 亚洲精品成人av观看孕妇| 亚洲精品自拍成人| 亚洲精品成人av观看孕妇| 日产精品乱码卡一卡2卡三| 日本一二三区视频观看| 人人妻人人澡人人爽人人夜夜| 国产成人免费无遮挡视频| 伦理电影大哥的女人| 欧美成人一区二区免费高清观看| .国产精品久久| 日韩免费高清中文字幕av| 永久网站在线| 简卡轻食公司| 天天躁夜夜躁狠狠久久av| 日韩 亚洲 欧美在线| 国内少妇人妻偷人精品xxx网站| 国产在视频线精品| 一级毛片黄色毛片免费观看视频| 日本一二三区视频观看| 久久人妻熟女aⅴ| 在现免费观看毛片| 日韩欧美 国产精品| 最近2019中文字幕mv第一页| 男人舔奶头视频| 水蜜桃什么品种好| 亚洲精品视频女| 亚洲欧美日韩另类电影网站 | 亚洲av国产av综合av卡| 成人二区视频| 亚洲综合色惰| 男人添女人高潮全过程视频| 免费av中文字幕在线| 中国美白少妇内射xxxbb| 成人漫画全彩无遮挡| 欧美人与善性xxx| 国精品久久久久久国模美| 一个人看的www免费观看视频| 午夜老司机福利剧场| 国产免费福利视频在线观看| 下体分泌物呈黄色| 天天躁夜夜躁狠狠久久av| 国产乱来视频区| 五月伊人婷婷丁香| 一级爰片在线观看| 一区二区三区四区激情视频| 久久热精品热| 蜜桃久久精品国产亚洲av| av一本久久久久| 欧美最新免费一区二区三区| 天堂俺去俺来也www色官网| 爱豆传媒免费全集在线观看| 国产成人freesex在线| 亚洲国产精品成人久久小说| 日韩不卡一区二区三区视频在线| 国产精品人妻久久久久久| 最近手机中文字幕大全| 亚洲欧美日韩无卡精品| 联通29元200g的流量卡| 欧美成人a在线观看| 久久热精品热| 新久久久久国产一级毛片| 青青草视频在线视频观看| 人妻夜夜爽99麻豆av| 欧美高清性xxxxhd video| 久久ye,这里只有精品| 在线天堂最新版资源| 91精品国产九色| 日本猛色少妇xxxxx猛交久久| 久久女婷五月综合色啪小说| 韩国av在线不卡| 国产一区亚洲一区在线观看| 国产成人freesex在线| 水蜜桃什么品种好| 国产成人免费观看mmmm| 一个人看视频在线观看www免费| 久久久久精品性色| 少妇人妻久久综合中文| 色5月婷婷丁香| 五月天丁香电影| 国产 一区精品| 国产亚洲av片在线观看秒播厂| 麻豆国产97在线/欧美| 人妻制服诱惑在线中文字幕| 最近的中文字幕免费完整| 最近最新中文字幕免费大全7| 亚洲欧美日韩东京热| 水蜜桃什么品种好| 国产精品一及| 看免费成人av毛片| 亚洲精品成人av观看孕妇| 五月玫瑰六月丁香|