基于改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)的貴州方言辨識

艾虎 李菲

摘? 要：方言的辨別可為案件偵破提供重要線索，本文針對貴州方言辨別提出一種有效的方言辨識模型，從貴州省6個地區(qū)采集時長不等的語音樣本，提取梅爾頻率倒譜系數(shù)MFCC，然后利用多級二維離散小波變換提取MFCC中的低頻分量同時進(jìn)行壓縮，然后采用滑窗進(jìn)行信息重疊分塊，對每塊進(jìn)行奇異值分解并保留高貢獻(xiàn)率的特征向量，把分塊合并后轉(zhuǎn)換成一個3維矩陣作為方言辨識模型的輸入數(shù)據(jù)。先對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，然后構(gòu)建方言辨識模型，并采用交叉實驗對該模型進(jìn)行訓(xùn)練和驗證，從而對二維離散小波變換的級數(shù)和滑窗的寬度進(jìn)行優(yōu)化。實驗結(jié)果證明該模型對貴州方言辨識是高效的。

關(guān)鍵詞：漢語方言辨識;梅爾頻率倒譜系數(shù);二維離散小波變換;奇異值分解;卷積神經(jīng)網(wǎng)絡(luò)

中圖法分類號：TP391.4 文獻(xiàn)標(biāo)志碼：A? 文章編號：2096-4706（2019）01-0005-06

Identification of Guizhou Dialect Based on Improved Convolutional Neural Network

AI Hu1，LI Fei2

（1.Department of Criminal Technology，Guizhou Police College，Guiyang? 550005，China;

2.The Education University of Hong Kong，Hong Kong? 999077，China）

Abstract：Chinese dialect identification may provide an important clue for forensic investigation. This paper has proposed an effective dialect identification model for Guizhou dialect identification. The authors extracted Mel frequency cepstral coefficients （MFCC） from speech samples of different time lengths collected from six regions in Guizhou province，then extracted low-frequency components in MFCC with multi-stage two-dimensional discrete wavelet transform （2-DWT） for compression，and then used the sliding window to conduct information overlapping blocking. The singular value of each block was decomposed and high contribution rate feature vectors were retained，and the blocks were combined and converted into a 3-dimensional matrix as the input data of the dialect identification model. Firstly，the convolutional neural network （CNN） is improved，then a dialect identification model is constructed，and the model is trained and verified by adopting a cross experiment，so that the stages of the two-dimensional discrete wavelet transform and the width of the sliding window are optimized. The experimental results show that the model is efficient for Guizhou dialect identification.

Keywords：Chinese dialect identification;mel frequency cepstrum coefficients;two-dimensional discrete wavelet transform;singular value decomposition;convolutional neural network

0? 引? 言

現(xiàn)代通訊工具在案件偵破中扮演著重要角色，對所產(chǎn)生的語音信息進(jìn)行方言辨別可以判斷犯罪嫌疑人的原籍地或長期居留地，從而為案件偵破提供重要的線索。由于方言的發(fā)音差異主要體現(xiàn)在頻譜結(jié)構(gòu)的時間變化上[1]，所以梅爾頻率倒譜系數(shù)（Mel-Frequency Cepstral Coefficients，MFCC）[2]作為從語音樣本中所提取的特征參數(shù)廣泛應(yīng)用于語音識別模型中。

目前，國內(nèi)外語音識別的模型多不勝舉，為了提高語音識別的魯棒性，用于語音識別模型的方法包括區(qū)分性訓(xùn)練（Discriminative Training，DT）[3，4]、因子分析（Factor Analysis，F(xiàn)A）[5，6]和全差異空間（Total Variability，TV）[7，8]等，用于聲學(xué)分類的模型包括隱馬爾可夫模型（HMM）[9]、深度神經(jīng)網(wǎng)絡(luò)（DNN）[10]、卷積神經(jīng)網(wǎng)絡(luò)（CNN）和多層反饋網(wǎng)絡(luò)（RNN）[11]等。由于目前漢語方言的辨別離實際的應(yīng)用還有差距，所以采用新的方法構(gòu)建漢語方言辨識模型很有必要。

為了提高卷積神經(jīng)網(wǎng)絡(luò)的魯棒性，需要大量的語音訓(xùn)練樣本，但大量的語音樣本會導(dǎo)致所提取的MFCC的數(shù)據(jù)量巨大，所以需要先對MFCC進(jìn)行壓縮處理和提取更能反應(yīng)方言差異的信息，然后構(gòu)建方言辨識模型。本文從語音樣本中提取MFCC，然后采用多級二維離散小波分解壓縮和奇異分解處理數(shù)據(jù)，并對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，最后建立高效的方言辨識模型。

1? 方言辨識模型描述

本文提出的方言辨識模型由兩部分組成，即樣本數(shù)據(jù)前處理和聲學(xué)分類模型。樣本數(shù)據(jù)前處理包括3級二維離散小波分解壓縮和奇異值分解，奇異值分解包括采用滑窗（寬度為100）進(jìn)行有重疊的分塊操作、對每一分塊分別進(jìn)行奇異值分解并保留10個奇異值和按順序合并分塊并轉(zhuǎn)換成1個16×16×N的3維矩陣作為聲學(xué)分類模型的輸入數(shù)據(jù)。聲學(xué)分類模型采用改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)，方言辨識模型結(jié)構(gòu)如圖1所示。

2? 語音樣本的收集與MFCC的提取

本研究基于貴州省內(nèi)，收集和整理了貴陽市、安順市、興義市、凱里市、都勻市和六盤水市6個地區(qū)的不同性別不同年齡的1000份方言語音樣本（年齡區(qū)間為15-60歲），收集的語音樣本時長20-300秒不等，其中800份方言語音樣本用來訓(xùn)練CNN，200份方言語音樣本用來驗證CNN。語音采樣率為8000Hz，采樣點數(shù)256，幀長設(shè)為32ms，幀移10ms，所提取的特征參數(shù)據(jù)矩陣為24維，其全部組成為：12維MFCC系數(shù)和12維一階差分系數(shù)。所以一個語音樣本提取得到的MFCC是一個N×24的矩陣。

3? 樣本數(shù)據(jù)前處理

3.1? 二維離散小波變換與壓縮

小波變換（wavelet transform，WT）[12]是一種功能強大的時頻分析與處理方法，解決了Fourier變換的缺點，并廣泛應(yīng)用于圖像處理、信號處理與模式辨識中。

首先對MFCC的轉(zhuǎn)置矩陣（24×N）進(jìn)二維離散小波變換（2-DWT），分解成高頻分量與低頻分量[13]，高頻分量表示的是圖片的細(xì)節(jié)，而低頻分量表示的是近似值，2-DWT如公式（1）所示，提取低頻分量，如公式（2）所示，公式（1）、（2）中i為假定值H、V和D的上標(biāo)，M×N為圖像大小，j0為任意的開始尺度。

本文采用Matlab的雙正交小波bior3.7，其尺度函數(shù)與小波函數(shù)如圖2所示，對語音樣本“1-貴陽”的MFCC進(jìn)行偽彩色編碼得到數(shù)字灰度圖像，對該數(shù)字灰度圖像進(jìn)行4次2-DWT分解壓縮，每次只對前次的低頻分量進(jìn)行2-DWT分解壓縮，對低頻分量的列數(shù)進(jìn)行1/2降采樣，由于圖像的像素矩陣的列數(shù)遠(yuǎn)遠(yuǎn)大于行數(shù)，所以對于行數(shù)每次降采樣只減少1行，過程如圖1中的二維離散小波變換所示，從而利用2-DWT分解去除高頻分量而保留低頻分量同時也進(jìn)行了壓縮，結(jié)果如圖3所示。

3.2? 奇異值分解SVD

奇異值分解[14]（Singular Value Decomposition，SVD）在計算上直接、快速而且健壯。其用于從大量數(shù)據(jù)中尋找所隱含的相關(guān)性，主要應(yīng)用于模式辨識和數(shù)據(jù)壓縮等方面。先把奇異值即特征向量按照重要性排列，然后去除不重要的特征向量保留重要的特征向量以此達(dá)到降維目的。

對語音樣本的MFCC進(jìn)行2-DWT分解得到低頻分量的數(shù)據(jù)矩陣，由于該矩陣的列數(shù)依然很大，所以對低頻分量數(shù)據(jù)矩陣采用滑動窗口進(jìn)行有重疊的分塊操作，滑動窗口的高度為低頻分量矩陣的行數(shù)，從而得到分塊矩陣A，N為被分塊矩陣的列數(shù)，M為滑動窗口的寬度（列數(shù)），t為橫向滑動的步長，如公式3所示：

對語音樣本“1-貴陽”中的MFCC轉(zhuǎn)置矩陣進(jìn)行3級2-DWT分解提取低頻分量，對低頻分量進(jìn)行滑動窗口分塊操作，滑動窗口的寬度設(shè)為M=100，橫向滑動的步長設(shè)為t=M/2，然后對每一分塊數(shù)據(jù)進(jìn)行SVD分解，如圖1中奇異值分解所示。把得到的特征向量按貢獻(xiàn)率從大到小進(jìn)行排序，并繪制貢獻(xiàn)率曲線圖，然后把所有分塊的貢獻(xiàn)率曲線圖合并在一起，如圖4所示。我們可以觀察到排列順序為11-15的特征向量的貢獻(xiàn)率幾乎為0，所以每個分塊只保留前10個特征向量，因此每個分塊由19×100的矩陣壓縮為19×10的矩陣，然后把壓縮后的每個分塊按順序橫向拼接成一個2維矩陣，映射成灰度圖像，結(jié)果如圖3所示。

3.3? 數(shù)據(jù)標(biāo)準(zhǔn)化

由于語音樣本錄制的時間長度參差不齊，每個語音樣本的MFCC矩陣經(jīng)過轉(zhuǎn)置后通過2-DWT分解和SVD分解壓縮得到的數(shù)據(jù)矩陣的列數(shù)也不盡相同，所以必須對該數(shù)據(jù)矩陣按統(tǒng)一的長度（列數(shù)）進(jìn)行無重疊分塊操作，變換成一個16×16×N的3維矩陣Pi，不同語音樣本的3維矩陣的N不盡相同。按語音樣本的輸入順序把Pi沿著第3維方向拼接成1個3維矩陣P=（P1，P2，P3，…，Pk），k為輸入的語音樣本數(shù)，P作為卷積神經(jīng)網(wǎng)絡(luò)的輸入矩陣。語音樣本采集地共有6個，接采集地對語音樣本的進(jìn)行編號，同一個地區(qū)采集的語音樣本用同一個編號，每一個輸入語音樣本的每一個16×16的2維矩陣對應(yīng)一個6維輸出列向量ti，把編號的值賦給ti中與編號順序相對應(yīng)的位置的元素，其它元素設(shè)為0，然后拼接成2維輸出矩陣Ti，然后再按語音樣本的輸入順序拼接成T=（T1，T2，T3，…，Tk），k為輸入的語音樣本數(shù)，T作為卷積神經(jīng)網(wǎng)絡(luò)的輸出矩陣。

按上述的方法，把800份語音樣本轉(zhuǎn)換成訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)的輸入矩陣Px和輸出矩陣Tx，把200份樣本轉(zhuǎn)換成驗證卷積神經(jīng)網(wǎng)絡(luò)的輸入矩陣Pt和輸出矩陣Tt。對于改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)，用于驗證的輸出矩陣Tt有所不同，每一個語音樣本的輸入矩陣Pi（3維）只對應(yīng)一個輸出值，所以其用于驗證的輸出數(shù)據(jù)為k維行向量，k為輸入的語音樣本數(shù)。

為了使數(shù)據(jù)無量剛化并消除奇異樣本和后面數(shù)據(jù)處理的方便并加快收斂，對輸入矩陣進(jìn)行歸一化處理。

4? 卷積神經(jīng)網(wǎng)絡(luò)方言辨識模型

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）[15]最早由Yann LeCun提出并應(yīng)用在手寫字體識別（MINST）上。卷積神經(jīng)網(wǎng)絡(luò)仍然是層級網(wǎng)絡(luò)，是由傳統(tǒng)神經(jīng)網(wǎng)絡(luò)改進(jìn)而來。其優(yōu)點是共享卷積核，對多維數(shù)據(jù)的處理能力，能對特征進(jìn)行自動選取，通過訓(xùn)練完成權(quán)重的設(shè)置，特征分類效果明顯，因此卷積神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于圖像識別中[16，18]。

4.1? 改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)

CNN一般由輸入層、特征提取層與分類器組成，本文所構(gòu)建的CNN的特征提取層由2個卷積層與2個池化層組成，分類器采用BP神經(jīng)網(wǎng)絡(luò)。一個2維矩陣輸入就會有一個分類輸出，考慮到一個語音樣本得到的輸入數(shù)據(jù)是一個3維矩陣，所以會有N個輸出，而且這N個輸出也不會完全相同，所以本研究在原有的CNN的基礎(chǔ)上加上分類儲存層F8與競爭輸出層O9，目的是在這N個輸出中選一個最合適的輸出作為該語音樣本的所屬類別，分類儲存層F8與競爭輸出層O9只用于CNN的仿真而不用于訓(xùn)練。

由于語音樣本有6個采樣地區(qū)從而有6個類別，所以分類儲存層F8設(shè)6個結(jié)點，即分類儲存層F8中結(jié)點數(shù)等于語音樣本的采樣地區(qū)數(shù)，每一個節(jié)點分別對應(yīng)一個采樣地區(qū)也就是說對應(yīng)一個類別，并且與輸出層O7的6個結(jié)點中對應(yīng)的結(jié)點相連接。一個語音樣本的3維矩陣中的每一個2維矩陣的輸入就會在輸出層O7有一個相應(yīng)的6維列向量的輸出，然后把6維列向量中的數(shù)值最大的元素儲存在分類儲存層F8與之對應(yīng)的節(jié)點中。

當(dāng)一個語音樣本的輸入矩陣輸入完畢并把分類結(jié)果分別儲存于分類儲存層F8的結(jié)點中后，分類儲存層F8對各個節(jié)點中儲存的數(shù)據(jù)的個數(shù)進(jìn)行分別求合，如公式6所示，然后輸入競爭輸出層O9中，在競爭輸出層O9中對求合的值進(jìn)行比較，選出最大的求合值，如公式7所示，其對應(yīng)的分類儲存層F8節(jié)點所對應(yīng)的分類作為競爭輸出層的輸出，輸出的分類結(jié)果就是語音樣本的辨識結(jié)果。改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)如圖5所示，參數(shù)設(shè)置如表1所示。

Ss為分類儲存層F8第s個結(jié)點所儲存的值的數(shù)量，m為分類儲存層F8的結(jié)點總數(shù)，output為改進(jìn)的CNN的輸出，如公式（6）、（7）所示：

4.2? 概率神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

一個語音樣本的MFCC經(jīng)過PCA和壓縮處理后得到一個數(shù)據(jù)矩陣，然后對該矩陣進(jìn)行轉(zhuǎn)置，按語音樣本的輸入順序把不同樣本的數(shù)據(jù)矩陣橫向拼接，從而得到該概率神經(jīng)網(wǎng)絡(luò)模型的輸入矩陣Pn。對上述位于貴州省的6個采樣地區(qū)進(jìn)行1～6編號，同一個地區(qū)的語音樣本用相同的編號，每一個語音樣本中的每一個列向量對應(yīng)該語音樣本的編號，從而一個語音樣本對應(yīng)一個N維行向量ti，按語音樣本的輸入順序把不同樣本的ti進(jìn)行橫向拼接，最后得到該模型的訓(xùn)練數(shù)據(jù)集的輸出矩陣Tn。把輸入向量矩陣Pn和輸出向量Tn輸入到概率神經(jīng)網(wǎng)絡(luò)PNN中，向量矩陣Pn構(gòu)成樣本層，每一列向量對映一結(jié)點，樣本層結(jié)點的數(shù)目等于矩陣Pn列數(shù)。在求合層中，輸出向量Tn中值相同的元素構(gòu)成同一結(jié)點，即求合層中結(jié)點數(shù)等于地區(qū)數(shù)，樣本層中的結(jié)點連接與其所屬地區(qū)相同的求合層結(jié)點。完成概率神經(jīng)網(wǎng)絡(luò)模型的輸入矩陣Pn和輸出矩陣Tn的輸入，即完成概率神經(jīng)網(wǎng)絡(luò)方言辨識模型的訓(xùn)練。

平滑因子σ在概率神經(jīng)網(wǎng)絡(luò)模型中很重要，太大會導(dǎo)致每個神經(jīng)元響應(yīng)區(qū)域交叉過多，會帶來精度問題，過小會導(dǎo)致過擬合[11]。為了方便確定平滑因子σ，采用Matlab的newpnn（）函數(shù)構(gòu)建另一個概率神經(jīng)網(wǎng)絡(luò)，把上述的訓(xùn)練數(shù)據(jù)分成數(shù)量相等的兩部分，一部分用于訓(xùn)練，另一部分用于仿真，通過反復(fù)訓(xùn)練與仿真確定平滑因子σ為0.1。該平滑因子σ=0.1同樣適用于本研究所構(gòu)建的概率神經(jīng)網(wǎng)絡(luò)方言辨識模型。

5? 實驗及結(jié)果與分析

電腦的配置：CPU為英特爾酷睿i7-4790@3.60GHz四核;顯卡為AMD Radeon R5 240（1GB/戴爾）;內(nèi)存為8GB（三星 DDR3 1600MHz）。

5.1? 交叉優(yōu)化實驗

本文設(shè)計交叉試驗的目的是考察不同級數(shù)的2-DWT分解壓縮和SVD前的滑窗寬度的不同對CNN的辨識結(jié)果的影響，尋找最優(yōu)的數(shù)據(jù)前處理的方法。2-DWT分解壓縮分別選擇（1，2，3，4）級，滑窗的寬度分別選擇（50，80，100，120）進(jìn)行交叉試驗，以800份語音樣本作為訓(xùn)練數(shù)據(jù)，以200份語音樣本作為驗證數(shù)據(jù)，然后分別對CNN和改進(jìn)的CNN進(jìn)行訓(xùn)練和驗證。CNN的辨識結(jié)果是針對200份語音樣本的所有2維矩陣（16×16）的辨識結(jié)果的統(tǒng)計，如表2所示。

可以觀察到2-DWT分解壓縮選擇3級和滑窗寬度選擇100時模型辨識的正確率最高77.2727%，2-DWT分解壓縮級數(shù)與滑窗寬度過高或過低都會導(dǎo)致正確率的下降，如圖6所示。

而改進(jìn)的CNN辨識結(jié)果是針對200份語音樣本的辨識結(jié)果的統(tǒng)計，如表3所示。

改進(jìn)的CNN相對于CNN的辨識結(jié)果有一定的提升，正確辨識率最高為90.5%，2-DWT分解壓縮級數(shù)與滑窗寬度過高或過低都會導(dǎo)致正確率的下降，如圖7所示。

對于改進(jìn)的CNN輸入一個語音樣本的3維矩陣（16×16×N），在輸出層O7得到N個辨識結(jié)果，然后把結(jié)果儲存在分類儲存層F8中。在分類儲存層F8中，如果正確辨識結(jié)果的數(shù)量>50%，或雖然正確辨識結(jié)果的數(shù)量≤50%，但是正確辨識的數(shù)量依然大于辨識為其它任何一個分類的數(shù)量時，語音樣本在競爭輸出層O9都能被正確辨識。改進(jìn)的CNN的辨識時間隨著2-DWT分解級數(shù)與滑窗的寬度的增加而降底如圖8所示，而正確辨識率為90.5%的200份語音樣本的所用的辨識時間（不包括數(shù)據(jù)前處理）為10.1653秒，在實際事務(wù)的應(yīng)用中屬于可接受的范圍，如果增強計算機的性能時間會縮短。

5.2? 時長不同的語音樣本試驗

把用于驗證的200份語音樣本按時長區(qū)間分成3組（時長20-100/秒50份，時長101-200秒70份，時長201-300/秒80份），每組分別用訓(xùn)練好的改進(jìn)的CNN辨識模型進(jìn)行驗證，結(jié)果如圖9所示?？梢钥吹秸Z音樣本的時長越長，模型的正確辨識率越高。

6? 結(jié)? 論

本文針對貴州方言提出基于小波變換和奇異值分解的卷積神經(jīng)網(wǎng)絡(luò)方言辨識模型，首先提取語音樣本中的MFCC，然后采用3級二維離散小波變換（2-DWT）和奇異值分解（SVD）提取MFCC中的低頻分量并進(jìn)行壓縮和降維處理。根據(jù)輸入數(shù)據(jù)的特征對CNN辨識模型進(jìn)行了改進(jìn)，提高了方言辨識的正確率。通過交叉實驗對模型進(jìn)行優(yōu)化的同時也證明了方言辨識模型的有效性和實用性，而且用于辨識的語音樣本的時長越長，模型辨識的正確率越高。

參考文獻(xiàn)：

[1] BAKER W，EDDINGTON D，NAY L. DIALECT IDENTIFICATION：THE EFFECTS OF REGION OF ORIGION AND AMOUNT OF EXPERIENCE [J].American Speech，2009，84（1）：48-71.

[2] ALAM MJ，KINNUNEN T，KENNY P，et al. Multitaper MFCC and PLP features for speaker verification using i-vectors [J]. Speech Communication，2013，55（2）：237-251.

[3] BURGET L，MATEJKA P，CERNOCKY J. Discriminative Training Techniques for Acoustic Language Identification [C]//Acoustics，Speech and Signal Processing，2006. ICASSP 2006 Proceedings. 2006 IEEE International Conference on. S.l.：s.n.，2006，I：209-212.

[4] TSAI W H，CHANG W W. Discriminative training of Gaussian mixture bigram models with application to Chinese dialect identification [J]. Speech Communication，2002，36（3-4）：317-326.

[5] BAHARI MH.Non-Negative Factor Analysis of Gaussian Mixture Model Weight Adaptation for Language and Dialect Recognition [J]. Audio，Speech，and Language Processing，IEEE/ACM Transactions on，2014，22（7）：1117-1129.

[6] Yun Lei，HANSEN JHL. Factor analysis-based information integration for Arabic dialect identification [C]// Acoustics，Speech and Signal Processing，2009.ICASSP 2009. IEEE International Conference on Acoustics，2009：4337-4340.

[7] DEHAK N，KENNY P J，DEHAK R，et al. Front-end factor analysis for speaker verification [J]. IEEE Transactions on Audio，Speech and Language Processing，2011，19（4）：788-798.

[8] Dehak N，Torres-Carrasquillo P A，Reynolds D A，et al. Language Recognition via Ivectors and Dimensionality Reduction [C]// Proceedings of Conference of the International Speech Communication Association，F(xiàn)lorence，Italy，August，2011：857-860.

[9] PUCHER M，SCHABUS D，YAMAGISHI J ，et al. Modeling and interpolation of Austrian German and Viennese dialect in HMM-based speech synthesis [J]. Speech Communication，2010，52（2）：164-179.

[10] Omar F.Zaidan，Chris Callison-Burch. Arabic Dialect Identification [J]. Computational Linguistics，2013，40（1）：171-202.

[11] Andrew Hunt. Recurrent neural networks for syllabification [J]. Speech Communication，1993，13（3-4）：323-332.

[12] Priyanka Singh，Priti Singh，Rakesh Kumar Sharma. JPEG Image Compression based on Biorthogonal，Coiflets and Daubechies Wavelet Families [J]. International Journal of Computer Applications，2011，13（1）：1-7.

[13] Rafael C. Gonzalez Richard E，Woods. Digital Image Processing（3rd Edition） [M]. Beijing：Publishing House of Electronics Industry，2007：306-312.

[14] Press W H，F(xiàn)lannery B P，Teukolsky S A，et al. Numerical recipes in C：the art of scientific computing [M]. Cambridge：Cambridge University Press，1988.

[15] LECUN Y，BOTTOU L，BENGIO Y，et al. Gradient-based learning applied to document recognition [J]. Proceedings of the IEEE，1998，8（11）：2278-2324.

[16] TURAGA C S，MURRAY F J，JAIN V，et al. Convolutional Networks Can Learn to Generate Affinity Graphs for Image Segmentation [J]. Neural Computation，2010，22（2）：511-538.

[17] Yangyan Li，Hao Su，Charles Ruizhongtai Qi，et al. Joint embeddings of shapes and images via CNN image purification [J]. ACM Transactions on Graphics （TOG），2015，34（6）：1-12.

[18] Li G，Yu Y. Visual Saliency Detection Based on Multiscale Deep CNN Features [J]. IEEE Transactions on Image Processing，2016，25（11）：5012-5024.