-
公开(公告)号：CN106897700B
公开(公告)日：2020-04-07
申请号：CN201710107890.X
申请日：2017-02-27
Applicant: 苏州大学
IPC: G06K9/00
Abstract: 本申请公开了一种单样本人脸识别方法及系统，该方法包括：将待识别人脸图像划分成t个子图；其中，t为正整数；提取与待识别人脸图像的t个子图一一对应的t个特征；将待识别人脸图像的t个特征输入预先基于训练集并结合子图权重集合得到的单样本人脸识别模型，得到待识别人脸图像对应的类别；其中，子图权重集合为在对训练集中所有人脸图像样本的类间距离进行最大化处理后得到的集合；子图权重集合中的第r个权重为训练集中任一人脸图像样本的第r个子图对应的权重。本申请有效地提升了单样本人脸识别技术的识别率。
-
公开(公告)号：CN105354595B
公开(公告)日：2019-09-27
申请号：CN201510728736.5
申请日：2015-10-30
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 本发明公开了一种鲁棒视觉图像分类方法及系统，为了有效实现训练样本内无标签样本的类别预测和待测样本的快速归纳与合理降维，通过将基于弹性回归分析的误差度量集成到训练样本外的标签传播模型，并通过参数权衡归一化流形正则化项、基于软标签l2,1范数正则化的标签拟合项及基于l2,1范数正则化的弹性回归残差项对样本描述及类别鉴定的影响，完成标签传播模型的建立；进而通过对标签传播模型的迭代优化获取用于确定待测样本的类别的投影矩阵。因此，本申请中通过引入基于l2,1范数正则化的回归误差项及软标签l2,1范数正则化，能够在继承标签传播分类方法的优点的同时有效提高了系统的鲁棒性，使待测样本的归纳过程快速且精确。
-
公开(公告)号：CN105760872B
公开(公告)日：2019-06-11
申请号：CN201610076500.2
申请日：2016-02-03
Applicant: 苏州大学
Abstract: 本申请公开了一种基于鲁棒图像特征提取的识别方法及系统，先利用原始训练图像样本构造重构权重系数；为了有效保持图像像素间的拓扑结构和相关性，设计直接作用于二维图像的特征提取系统；为了降低图像样本中噪声或异类数据对性能的影响，对图像样本的邻域重构错误进行L2,1‑范数正则化；为了确保优化得到稀疏判别的显著图像特征，直接对投影矩阵进行L2,1‑范数正则化。最后，利用稀疏投影矩阵，提取相应的稀疏判别特征并输入至最近邻分类器，取与测试图像样本的特征相似性最大的训练图像样本的标签，以完成类别鉴定。本申请通过引入L2,1‑范数正则化技术，有效提升了数据中噪声和异类数据的鲁棒性，系统性能更好。
-
公开(公告)号：CN105469117B
公开(公告)日：2019-01-01
申请号：CN201510882718.2
申请日：2015-12-03
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于鲁棒特征提取的图像识别方法及装置，通过对原始训练样本进行判别学习，在紧凑局部类内散度和分离局部类间散度的同时有效保持图像像素间的拓扑结构，设计基于1范数度量的特征学习框架，可输出一个可用于样本内和样本外图像特征提取的投影矩阵,进而通过投影矩阵获取原始训练样本的二维鲁棒特征，构造出可用于对待测样本进行分类的最近邻分类器。可见，本申请中提供的上述方案无需将图像对应的二维矩阵转换到高维的向量空间，而是可直接作用于图像，由此，不但可有效保持图像像素间的拓扑结构和内在相关性，而且可有效降低模型计算过程的复杂度。此外，基于1范数度量，可确保在特征提取过程中对噪音的鲁棒性。
-
公开(公告)号：CN108710703A
公开(公告)日：2018-10-26
申请号：CN201810522150.7
申请日：2018-05-28
Applicant: 苏州大学
IPC: G06F17/30
Abstract: 本发明公开了一种基于聚类算法的影片评分预测方法，在输入评分训练样本集后，对评分进行预处理得到评分集合，对评分集合中，值为零的评分项首先进行一次预测得到不为零的新评分，将新评分替代每个类别集合中相应的值为零的评分项，得到新评分集合，新评分集合与预测前的类别评分集合相比，稀疏度得到有效降低，因此利用新评分集合确定的目标用户的近邻就会更优，从而就会很大程度上提高电影评分预测的准确性，以及提高电影推荐的准确性。本发明还提供了一种基于聚类算法的电影评分预测系统、装置及计算机可读存储介质，同样可以实现上述效果。
-
Patent Agency Ranking
公开(公告)号：CN104616000B
公开(公告)日：2018-08-07
申请号：CN201510089247.X
申请日：2015-02-27
Applicant: 苏州大学
Abstract: 本发明提供种人脸识别方法和装置。该方法在原有的小样本有监督拉普拉斯判别分析的基础上进行改进,在最小化类内散度的目标函数中融入了最大化类间散度,使用拉普拉斯判别分析,通过实现最优目标函数求得投影矩阵,对高维人脸数据进行降维。在用此种方法降维后,对人脸图像识别率比原SLDA方法高,能更好地进行人脸识别。
-
公开(公告)号：CN108021930A
公开(公告)日：2018-05-11
申请号：CN201711140976.9
申请日：2017-11-16
Applicant: 苏州大学
Abstract: 本发明公开了一种自适应的多视角图像分类方法及系统，将多视角标签传播和自适应多图权重学习整合到一个统一的框架中，充分探索各视角间的互补性，通过引入线性变换来获取不同视角空间的权重参数，进而结合每个视角构建最优的权重系数。由于在多视角数据权重学习方面采用了自适应方式，可以避免传统的单视角和多视角标签传播方法过程中遇到的复杂而棘手的近邻数量或高斯核参数选择难问题。模型主要通过在训练过程中最小化基于多视角数据的分类误差和其重构系数之中的重构误差，最终输出样本的类别归属概率，取概率的最大值，用于图像类别的鉴定，得到最准确的分类结果。
-
公开(公告)号：CN104915684B
公开(公告)日：2018-03-27
申请号：CN201510372326.1
申请日：2015-06-30
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于鲁棒多平面支持向量机的图像识别方法及装置，包括：将测试图像向鲁棒线性分类器进行投影，获取测试图像对应各个类别的第一投影特征；其中，鲁棒线性分类器中的投影向量为通过对训练样本集中的多个样本图像进行训练，将1‑范数度量应用于多平面支持向量机，紧凑类内散度矩阵与分离类间散度矩阵确定得到；将训练样本集中的样本图像的均值向鲁棒线性分类器进行投影，获取所述训练样本集均值在各个类别的第二投影特征；分别计算各个类别的第一投影特征与对应类别的第二投影特征的距离；将所述距离的最小值所对应的类别确定为所述测试图像的类别。本发明所提供的图像识别方法及装置，有效提升了图像识别的鲁棒性。
-
公开(公告)号：CN107766895A
公开(公告)日：2018-03-06
申请号：CN201711140254.3
申请日：2017-11-16
Applicant: 苏州大学
IPC: G06K9/62
CPC classification number: G06K9/6235 , G06K9/6256 , G06K2009/6236
Abstract: 本发明方法明确地将半监督数据表示和分类误差结合到现有的投影非负矩阵分解框架进行联合最小化学习，由此将权重系数构造和标签传播过程作用于投影非负矩阵分解，可有效避免原始数据中可能包含的噪音、破坏或异类对相似性度量和标签预测结果的负面影响。此外，上述联合最小化过程也可在投影非负矩阵分解过程中有效保持邻域信息和空间结构，得到更准确的数据表示结果。此外，还将权重构建和归纳学习整合到一个统一的模型中，可得到自适应的权重系数矩阵，进而避免传统算法中选取最优近邻难的问题。本发明方法为诱导式模型，可完成样本外数据的归纳与预测，无需引入额外的重构过程，可拓展性能好。
-
公开(公告)号：CN104750875B
公开(公告)日：2018-03-02
申请号：CN201510197408.7
申请日：2015-04-23
Applicant: 苏州大学
IPC: G06F17/30
Abstract: 本申请涉及数据挖掘技术领域，特别是涉及一种机器错误数据分类方法及系统。该方法引入标签传播算法作为机器错误数据预处理步骤，利用少量的已标定机器数据的标签，快速估计出未标定数据的标签，组成分类训练集。基于分类训练集中的机器数据及标签，进行标签一致的字典学习，同时最小化重构错误、判别稀疏编码错误和分类错误，得到重构字典、稀疏编码和多类线性分类器，同时保持字典中各项与数据标签间的关系。进而，利用得到的稀疏编码来表征机器数据特征，输入到分类器进行预测，确定测试样本的类别，实现机器数据的错误分类。通过引入高效的半监督数据预处理，增加了已标定机器样本的数量，丰富了先验信息，有效提高了机器数据分类的精准度。
-
-
-
-
-
-
-
-
-
Search Results
231
records
(took 0.027 seconds)
