-
公开(公告)号：CN105260995A
公开(公告)日：2016-01-20
申请号：CN201510866909.X
申请日：2015-12-01
Applicant: 苏州大学
IPC: G06T5/00
Abstract: 本发明公开了一种图像修复与去噪方法及系统，对于给定的原始训练图像，该方法包括：通过引入联合低秩与稀疏矩阵分解的思想，利用凸优化技术，将给定的训练样本图像数据矩阵分解为联合低秩与稀疏主成分特征编码矩阵与稀疏错误矩阵，根据所述训练图像样本数据的低秩和稀疏特性，确定所述训练图像样本数据的联合低秩与稀疏主成分特征以及错误矩阵，实现对所述原始的可能包含错误的图像进行修复与去噪处理，得到经过修复与去噪后的图像。本发明所提供的图像修复与去噪方法及系统，在对图像数据进行特征描述的同时充分考虑了数据的鲁棒低秩和稀疏特性，以克服现有技术的不足，提高了图像修复与去噪的性能及模型的鲁棒性。
-
公开(公告)号：CN119763128A
公开(公告)日：2025-04-04
申请号：CN202411643366.0
申请日：2024-11-18
Applicant: 苏州大学
Abstract: 本发明涉及图像处理技术领域，尤其是指一种基于图像文本对的图像目标计数方法及装置，包括：构建目标计数模型，包括文本编码器、图像编码器、文本图像增强模块和解耦头；将原始图像和目标类别的文本输入至目标计数模型，输出原始图像中属于目标类别的若干个体的预测点的坐标，进而得到属于目标类别的个体的总数。本发明保留了图像的局部细节信息，增强了模型对局部信息的感知能力，进一步结合多头自注意力机制提取的全局信息，有效提高了模型对目标的识别能力，提高了对目标计数的准确性。
-
公开(公告)号：CN105260995B
公开(公告)日：2019-03-08
申请号：CN201510866909.X
申请日：2015-12-01
Applicant: 苏州大学
IPC: G06T5/00
Abstract: 本发明公开了一种图像修复与去噪方法及系统，对于给定的原始训练图像，该方法包括：通过引入联合低秩与稀疏矩阵分解的思想，利用凸优化技术，将给定的训练样本图像数据矩阵分解为联合低秩与稀疏主成分特征编码矩阵与稀疏错误矩阵，根据所述训练图像样本数据的低秩和稀疏特性，确定所述训练图像样本数据的联合低秩与稀疏主成分特征以及错误矩阵，实现对所述原始的可能包含错误的图像进行修复与去噪处理，得到经过修复与去噪后的图像。本发明所提供的图像修复与去噪方法及系统，在对图像数据进行特征描述的同时充分考虑了数据的鲁棒低秩和稀疏特性，以克服现有技术的不足，提高了图像修复与去噪的性能及模型的鲁棒性。
-
公开(公告)号：CN107563445A
公开(公告)日：2018-01-09
申请号：CN201710796349.4
申请日：2017-09-06
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 本发明实施例公开了一种基于半监督学习的提取图像特征的方法与装置，初始化模型参数，对图像数据进行预处理得到图像样本；并将图像样本划分为包括有标签样本和无标签样本的训练样本、只包含无标签样本的测试样本；依据成对约束条件，确定出训练样本中有标签样本对应的约束集；利用近邻搜索算法，构建所有训练样本对应的近邻图，并计算权重矩阵；通过最小化特征近似错误，对训练样本进行低维流形特征处理，得到低维流形特征和线性投影矩阵；利用线性投影矩阵提取训练样本和测试样本的图像特征。通过该技术方案可以同时保持样本数据间的全局和局部结构信息，提高特征的可鉴别性。并且实现快速将新的测试数据映射到低维，提高图像特征提取的性能。
-
Patent Agency Ranking
公开(公告)号：CN105608478A
公开(公告)日：2016-05-25
申请号：CN201610192000.5
申请日：2016-03-30
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 发明公开了一种图像特征提取与分类联合方法及其系统，首先根据训练样本间的相似性，构造近邻图，并计算重构系数矩阵。进而引入基于核范数度量的近邻重构错误最小化的非线性流形学习，对训练图像样本进行低维流形特征学习，得到一个可获取样本低维流形特征的线性投影矩阵；再利用所述训练样本低维特征,最小化L2,1-范数正则化的分类错误，完成鲁棒稀疏分类器学习，输出一个最优分类器，从而对测试样本进行特征提取和分类。与现有技术相比，本发明通过采用核范数度量和L2,1-范数正则化的联合问题，有效提高了提取特征的描述性与分类准确率。
-
公开(公告)号：CN113902949A
公开(公告)日：2022-01-07
申请号：CN202111187944.0
申请日：2021-10-12
Applicant: 苏州大学
IPC: G06V10/764 , G06V10/20 , G06V10/762 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本申请公开了一种图像识别方法、装置、电子设备及可读存储介质。其中，方法包括根据已知标签信息的第一类图像数据和无标签信息的第二类图像数据，生成用于训练图像识别模型的原始图像数据；利用预先构建的多层耦合分解结构对原始图像数据进行深度分解，得到深度特征信息；利用各已知标签信息构建约束信息，基于该约束信息和深度特征信息，通过最小化标签重构误差得到用于标签预测的标签投影矩阵；利用标签投影矩阵对第二类图像数据进行标签预测，并更新约束信息和原始图像数据，利用该原始图像数据对训练好的图像识别模型进行更新或者是进行图像识别模型的训练，提升模型性能，从而可以有效提高图像识别准确度。
-
公开(公告)号：CN113902924A
公开(公告)日：2022-01-07
申请号：CN202111186597.X
申请日：2021-10-12
Applicant: 苏州大学
IPC: G06V10/44 , G06V10/30 , G06V10/25 , G06V10/764
Abstract: 本申请公开了一种图像识别方法、装置、电子设备及可读存储介质。其中，方法包括对原始图像数据进行噪音去除处理，得到干净的图像数据空间。在图像数据空间中进行深度概念分解学习，通过多层线性变换得到深度图像特征；通过最小化自表示重构权值矩阵误差项对深度图像特征进行处理，得到保留局部流形信息的目标图像特征。基于该目标图像特征进行图像识别，得到图像识别结果，可有效提升图像识别精准度。
-
公开(公告)号：CN105608478B
公开(公告)日：2019-12-06
申请号：CN201610192000.5
申请日：2016-03-30
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 发明公开了一种图像特征提取与分类联合方法及其系统，首先根据训练样本间的相似性，构造近邻图，并计算重构系数矩阵。进而引入基于核范数度量的近邻重构错误最小化的非线性流形学习，对训练图像样本进行低维流形特征学习，得到一个可获取样本低维流形特征的线性投影矩阵；再利用所述训练样本低维特征,最小化L2,1‑范数正则化的分类错误，完成鲁棒稀疏分类器学习，输出一个最优分类器，从而对测试样本进行特征提取和分类。与现有技术相比，本发明通过采用核范数度量和L2,1‑范数正则化的联合问题，有效提高了提取特征的描述性与分类准确率。
-
公开(公告)号：CN119762839A
公开(公告)日：2025-04-04
申请号：CN202411659283.0
申请日：2024-11-20
Applicant: 苏州大学
IPC: G06V10/764 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于多层内卷字典学习网络的图像分类方法及系统，属于图像处理技术领域。包括：对获取到的图像数据集进行处理，得到处理数据集；对处理数据集的图像样本进行特征提取,得到每个图像样本的特征样本；将每个特征样本用子字典线性表示，获得字典矩阵；根据字典矩阵构建优化数学模型，通过求解优化数学模型得到表示系数矩阵；根据特征样本、字典矩阵和表示系数矩阵计算每类通道子字典的残差值，根据残差值预测图像样本的标签，进而实现图像分类。本发明解决了由非端到端架构引发的信息丢失问题，并针对未充分考虑类别间特异性差异所引发的分类性能不足进行了优化。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.027 seconds)
