跨域训练任务是目前机器学习领域的一个开放性挑战问题.目前最新的研究都在讨论利用真实特征的跨域不变性对未知域数据进行预测,从而实现跨域泛化能力.但事实上,当知道数据来自哪个域时,综合利用真实特征和虚假特征会取得更好的预测效果.针对这一问题,设计了一个同时适用于跨域泛化和跨域适应任务的学习模型CDGA(cross-domain generalization and adaptation model).该模型的核心仍是分离出真实特征,因此新提出了一种更加稳定的训练风险函数,其在跨域泛化问题中不仅具有更高的测试准确率,还克服了现有方法容易过拟合的缺点,可以很好地嵌入到CDGA模型中.另外,通过设计的算法训练后,可使CDGA模型的数据表达部分有效地分离出真实特征和虚假特征,而分类器部分自适应学习选择泛化分类器或特定环境的分类器,从而结合应用了虚假特征,在跨域任务中实现高效预测.最后在构建的彩色手写数字数据集上测试,结果显著优于已有方法.
颜色迁移是组织病理学图像颜色预处理中的重要环节.为了解决颜色迁移过程中某些重要结构颜色改变的问题,在保结构颜色迁移(structure-preserving color normalization,SPCN)算法基础上融合聚类过程,并结合稀疏非负矩阵分解(sparse non-negative matrix factorization,SNMF)提出K均值稀疏非负矩阵分解基组合(K-means and SNMF basis combination,KSBC)算法.首先通过K均值算法对图像聚类,根据聚类中心识别细胞结构;然后求解稀疏非负矩阵分解模型得到染色基和结构矩阵,根据聚类结果对结构矩阵和染色基准确组合.KSBC算法承袭了SPCN算法的特性,又能灵活地迁移和保留原图像结构颜色.在组织病理学图像数据库中进行对比实验,KSBC算法在图像质量评估指标上优于直方图匹配,Reinhard,Macenko,SPCN和高阶矩算法,并提高残差神经网络的泛化性能.
