“数据融合”总结1

2019-04-12 本文已影响0人 Manfestain

《多源数据融合方法研究》

李洪伟（核动力工程）

融合标准：以融合数据与数据真实值的偏差作为数据融合方法的稳定性判定依据。
所提方法：加权最小二乘法在数据融合

常用的融合方法有：

矩估计融合：根据大数定律可知有限窗样本矩收敛于母体矩，因此矩估计融合采用样本经验分布和样本矩去替换母体矩。
中值融合：噪声较大的数据主要分布在以数值排序的数据样本两侧，可以通过比较同一时刻样本数据大小，选择中间值数据作为融合数据。
模糊关系数据融合方法

加权最小二乘法融合
对于数据线性模型基于加权最小二乘法融合算法为：

《多维特征融合与 Adaboost-SVM 的车辆识别算法》

崔鹏宇（控制工程）

所提方法：基于多维特征融合（几何特征、颜色特征和纹理特征）与 Adaboost-SVM 强分类器的车辆目标识别算法。
仅提取了大量特征，文中直接说对构建多维特征向量。

《多模态 MR 图像和多特征融合的胶质母细胞瘤自动分割》

赖小波（计算机辅助设计与图形学学报）

《基于LBP和HOG特征分层融合的步态识别》

刘文婷（计算机工程与应用）

首先用光流法提取步态周期，获得一个周期的步态能量图（GEI）；然后分三层提取 GEI的 LBP特征，得到三层的 LBP图像；依次提取每层LBP图像的HOG特征，最后将每层提取的LBP和HOG特征融合（串联拼接），得到每层的新特征最后将三个新特征依次融合成可以用于识别的最终特征。

Data Fusion Algorithm based on Functional Link Artificial Neural Networks

Jiawei Zhang（Proceedings of the 6th World Congress on Intelligent Control and Automation）

提出一个FLANN结构进行特征融合，functional link artificial neural networks。FLANN是一个单层非线性网络，输入X_k是n维向量，输出y_k是一个标量，训练数据集为{X_k, y_k}，偏置集合T用来增强网络的非线性能力，这些函数值的线性组合可以用它的矩阵形式表示S=WT, Y=tanh(S)。FLANN和MLP的主要区别是FLANN只有输入和输出层，中间的隐藏层完全被非线性映射代替，事实上，MLP中隐藏层的任务由Functional expansions来执行。

三种Functional expansions:

Chebyshev多项式：

高阶Chebyshev多项式可由递推公式生成：
Legendre多项式：

高阶Legendre多项式可由下列递推公式生成：
Power series：

Human action recognition using fusion of features for unconstrained video sequences

Chirag I Patel(Computers and Electrical Engineering)

提出了三种融合策略：早期融合、中期融合和晚期融合。早期融合也就是特征级融合，决策级融合也就是晚期融合。
特征级融合：
直接将不同方法提取的特征进行串联。

决策级融合：
提出了四种融合方法：

Decision combination neural network(DCNN)：参考自文献
Choquet`s fuzzy integral(CFI)：参考自文献
Decision template(DT)：参考自文献
Dynamic weighting by averaged distances（DWAD）：参考自文献

多核学习（Multiple kernel learning, MKL):
参考自文献。MKL由巴赫创立。核学习算法在多类问题的分类任务中表现出良好的性能。为了将内核学习算法应用于特征组合，每个单独的内核与每个特征链接在一起。因此，特征组合问题就变成了核组合问题。在支持向量机中，采用单核函数，而在MKL中，利用核的求和或积定义了不同核的线性组合。

ECG classification using three-level fusion of different feature descriptors

Zahra Golrizkhatami（ Expert Systems With Applications）

提出一种新颖的系统，它利用训练好的卷积神经网络（CNN）的多阶段特征，并精确地将这些特征与一系列手工特征相结合。手工提取的特征包括三个子集：

基于小波变换的形态特征表示局部信号行为
统计特征表现出信号的整体变化特征
表示信号在时间轴上的行为的时间特征

所提出的系统采用一种新颖的决策级特征融合方法对ECG进行分类，分别利用了三种融合方法：

使用正则化的手工提取的全局统计特征和局部时间特征的特征级融合策略形成一个大的特征集
采用形态学特征子集
结合了通过使用基于分数级的细化程序从CNN的多个层提取的特征

在多数表决的基础上，将三种不同分类器的个体决策融合在一起，并对输入的心电信号分类做出统一的决策。

整体原理图

FRDF: Face Recognition using Fusion of DTCWT and FFT Features

Y.Rangaswamy( Procedia Computer Science）

通过对图像进行对偶树复小波变换（DTCWT）和快速傅里叶变换（FFT）提取特征，将二者通过算数加法（arithmetic addition）融合为一个特征集合。

DTCWAT特征：对图像进行5层小波分解得到384个小波系数
FFT特征：采用傅里叶变换生成图像的绝对系数，然后排序后取前384个作为fft特征
算数加法特征融合：

A Fast Feature Fusion Algorithm in Image Classification for Cyber Physical Systems

Yu Wang（IEEE Access）

本文提出了一种快速的特征融合方法将深度学习方法和传统特征方法相结合。

通过genetic algorithm方法将网络浅层特征，大的预训练特征和传统特征（VGG16）相融合。
通过dynamic weight assignment方法将不同类间的中心距离增大以增加可区分性。
提出了一种partial selection method方法，通过将特征集中在同一类中，从而减少融合特征向量的长度，进一步提高分类精度。

浅层网络结构：

每个特性的重要性应根据应用程序和需求的不同而有所不同。因此，为了实现动态权值分配，我们提出了多特征融合模型。

所以特征融合的关键问题就转化为如何构建一个splicing vector和fitness fuction。

Splicing vector：结构如下

其中，V_in表示第i个图片的第n个特征向量，W_n表示相应的权重。
fitness function

An Approach Based on Feature Fusion for the Recognition of Isolated Handwritten Kannada Numerals

Mamatha.Hosahalli.Ramappa (2014 International Conference on Circuit, Power and Computing Technologies)

使用Curvelet变换进行特征提取，因为它有效地从包含大量C2曲线的图像中提取特征。Curvelet Transform具有很强的方向性,能更好地逼近和稀疏表达平滑区域和边缘部分。
我们应用了基于包装的离散Curvelet变换，使用了一个实现快速离散Curvelet变换的工具箱Curvelab-2.1.2。在实验中使用了默认的方向和5层离散Curvelet分解。
使用标准差进行降维
串联融合方法

Deep Multiple Feature Fusion for Hyperspectral Image Classification

Xiaoghai Cao（IEEE应用地球观测和遥感专题杂志）

在本文中，提出了一种深度多特征融合方法（Deep multiple feature fusion，DMFF）对高光谱图像进行分类。

针对每一个像素提取若干不同的特征
将这些特征放入一个深随即森林分类器（deep random forest classifier）
DMFF结构非常容易扩展

基于gcForest的思想，提出了DMFF方法。
gcForest
gcForest模型主要包含两个部分：

第一部分叫Multigrained Scanning，该部分主要使用滑动窗口在输入的原始特征上生成新的特征，类似于CNN中的卷积操作。在第一部分中，将生成的特征输入随即森林，得到对应的概率值，将这些概率视作更高的特征然后拼接起来作为第二部分的输入。
第二部分叫Cascade Forest，该部分由四个级联的随即森林组成，其中两个是随即森林，另外两个是完全随即森林。每个完全随即森林包含1000颗树，直到每个叶节点只包含相同的类或不超过10个样本停止生长。每个随机森林也由1000棵树组成，树木是通过随机选择特征来生长的。两种不同的森林被用来引入多样性。

DMFF
DMFF去掉了Multigrained Scanning，缺失了多样性输入，因为采用多特征来进行弥补。随即森林都是同一种类型。