-
公开(公告)号：CN105160358B
公开(公告)日：2018-08-17
申请号：CN201510560969.9
申请日：2015-09-07
Applicant: 苏州大学张家港工业技术研究院 , 苏州大学
Abstract: 本申请提供了一种图像分类方法及系统，该分类方法包括：根据待分类图像的特征对所述待分类图像进行分层，并获取符合预设条件的图像层；利用预先构建的分类器中的变换群获取所述图像层对应的轨道；将所述轨道的轨道中心与所述分类器中的近似轨道中心集合中的多个近似轨道中心进行对比，判断所述待分类图像的类别。该方法通过进行分层，然后利用预先构建的分类器寻找轨道，根据获取的轨道的轨道中心与分类器中的近似轨道中心进行对比，判断得到待分类图像的类别，该分类方法既满足了速度的需求，且从根本上进一步提高了图像分类的速度。
-
公开(公告)号：CN105069137B
公开(公告)日：2018-11-20
申请号：CN201510507976.2
申请日：2015-08-18
Applicant: 苏州大学张家港工业技术研究院 , 苏州大学
Abstract: 本发明公开了一种基于概念分解的半监督文档分类方法，包括：对原始数据矩阵作分解，将数据转换到低维空间，得到既有邻域保持、相似性保持以及约束保持的原始数据在低维空间的近似矩阵；利用算法接收参数K对原始数据的低维近似矩阵进行聚类，得到聚类结果；利用精确度和互信息两种评价标准对所述聚类结果进行评价。本发明基于概念分解，不仅考虑了原始数据的邻域保持特性，同时还考虑了数据点相似在原始空间和低维流形空间的一致性，以及约束对在原始空间和转换空间的约束保持，使得聚类性能不仅在先验信息较多的时候大大提高，在先验信息很少的时候依然能保持较好的聚类性能。本发明还公开了一种基于概念分解的半监督文档分类系统。
-
公开(公告)号：CN105023026B
公开(公告)日：2018-08-17
申请号：CN201510508103.3
申请日：2015-08-18
Applicant: 苏州大学张家港工业技术研究院 , 苏州大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于非负矩阵分解的半监督聚类方法，包括：对原始数据矩阵作非负矩阵分解投影，得到既有邻域保持又有相似性保持的原始数据的低维近似矩阵；利用算法接收参数K对原始数据的低维近似矩阵进行聚类，得到聚类结果；利用精确度和互信息两种评价标准对所述聚类结果进行评价。本发明基于非负矩阵分解，不仅考虑了原始数据的邻域保持，同时还考虑了相似性在原始空间和低维流形子空间的一致性，使得聚类性能在先验信息较多的时候大大提高，在先验信息很少的时候依然能保持较好的聚类性能。本发明还公开了一种基于非负矩阵分解的半监督聚类系统。
-
公开(公告)号：CN118736224A
公开(公告)日：2024-10-01
申请号：CN202410845144.0
申请日：2024-06-27
Applicant: 苏州大学
IPC: G06V10/26 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/08 , G06V10/80 , G06N3/0464 , G06V10/77
Abstract: 本发明涉及图像处理技术领域，尤其是指一种小样本语义分割方法及装置。获取训练集，构建初始小样本语义分割模型，将训练集数据输入，对支持图像的高层特征与查询图像的高层特征分别进行校正，作为支持特征与查询特征，计算支持特征与查询特征的亲和矩阵，通过Softmax函数，得到第一矩阵，基于第一矩阵对支持掩码进行增强，得到增强支持掩码，通过增强支持掩码对亲和矩阵进行加权融合，得到先验掩码，将先验掩码以及获取的支持原型、中层查询特征输入特征富集模块，输出查询图像的预测分割图与查询图像的各个尺度分割图，利用损失函数对模型进行训练，得到目标小样本语义分割模型，缓解了数据集类别不平衡的问题，提高了对查询图像目标分割的精度。
-
公开(公告)号：CN116740403B
公开(公告)日：2024-09-06
申请号：CN202211644751.8
申请日：2022-12-20
Applicant: 苏州大学
IPC: G06V10/764 , G06V10/772 , G06V10/774
Abstract: 本发明涉及一种图像分类的方法包括：对已经获取到的图像数据集进行预处理，将同类别的训练样本整合到同一矩阵中；令所有子字典都满足线性表示每个训练样本的条件，采用交替更新法求解判别保真项与强化判别项和最小时所对应的字典和表示系数矩阵；求解接受到的待预测样本的最优表示系数向量，根据所述最优表示系数向量求得所述待预测样本的残差，根据所述残差判断待预测样本的对应标签；考虑对每一类图像标签设计一个子字典，即增加了强化判别项，通过最小化强化判别项，降低任意两类数据之间的关联性，使得每一个子字典都具备优秀的重构训练样本能力和强大的判别性，当训练样本较少时，能获得并有效区分不同类别，大大提高图像分类准确性。
-
Patent Agency Ranking
公开(公告)号：CN116645516B
公开(公告)日：2024-07-19
申请号：CN202310513969.8
申请日：2023-05-09
Applicant: 苏州大学
IPC: G06F30/27
Abstract: 本发明涉及一种基于多感知特征融合的多类目标计数方法和系统，方法包括：步骤S1：获取具有多类目标的图像，并提取所述图像的特征图；步骤S2：提取所述特征图的多尺度特征和空间特征，并提取所述多尺度特征的通道特征；步骤S3：将所述空间特征和通道特征进行融合，得到融合特征；步骤S4：将所述融合特征输入计数网络，通过所述计数网络输出密度图；步骤S5：通过对所述密度图进行积分，得到每类目标的数量。本发明能够有效对交通工具和行人进行计数，且效果较好。
-
公开(公告)号：CN112215290B
公开(公告)日：2024-04-09
申请号：CN202011110501.7
申请日：2020-10-16
Applicant: 苏州大学
IPC: G06F18/2132 , G06F18/2115 , G06N20/00
Abstract: 本发明涉及一种基于Fisher得分的Q学习辅助数据分析方法及系统,包括：将待处理数据输入训练样本中，初始化Q值表；从所述训练样本中任意选择多个数据组成本轮迭代的片段，计算所述片段中每个特征类内距离和类间距离，初始化本轮训练特征子集，获得本轮学习率和更新概率；根据Q值表选择当前状态下的动作，更新Q值表及本轮子集状态；判断本轮子集是否已满，若未满，则返回上一步，若已满，则继续判断是否满足迭代次数，若未满，则返回第二步，若已满，进入下一步；根据Q值表获得当前排序，返回目标子集。本发明不但提升速度快、更加稳定，且具有更好的泛化性能，时间复杂度较低。
-
公开(公告)号：CN116756537A
公开(公告)日：2023-09-15
申请号：CN202310527946.2
申请日：2023-05-11
Applicant: 苏州大学
IPC: G06F18/211 , G06F18/2415 , G06F18/2413 , G06F18/214
Abstract: 本发明涉及特征选择学习技术领域。本发明提出的一种玻璃类型识别方法通过将获得的玻璃特征数据利用构建的半监督特征算法进行特征选择得到特征最优子集，利用特征最优子集筛选数据组成训练集训练最近邻分类器对未知的玻璃数据进行类型识别。在构建的半监督特征算法中利用对约束对的计算得到特征数据集中的特征的权重，考虑了样本特征在加权特征空间下的变化，得到更有效的局部信息，在节约了成本的前提下提高了模型对玻璃的分类性能。
-
公开(公告)号：CN116740403A
公开(公告)日：2023-09-12
申请号：CN202211644751.8
申请日：2022-12-20
Applicant: 苏州大学
IPC: G06V10/764 , G06V10/772 , G06V10/774
Abstract: 本发明涉及一种图像分类的方法包括：对已经获取到的图像数据集进行预处理，将同类别的训练样本整合到同一矩阵中；令所有子字典都满足线性表示每个训练样本的条件，采用交替更新法求解判别保真项与强化判别项和最小时所对应的字典和表示系数矩阵；求解接受到的待预测样本的最优表示系数向量，根据所述最优表示系数向量求得所述待预测样本的残差，根据所述残差判断待预测样本的对应标签；考虑对每一类图像标签设计一个子字典，即增加了强化判别项，通过最小化强化判别项，降低任意两类数据之间的关联性，使得每一个子字典都具备优秀的重构训练样本能力和强大的判别性，当训练样本较少时，能获得并有效区分不同类别，大大提高图像分类准确性。
-
公开(公告)号：CN116401153A
公开(公告)日：2023-07-07
申请号：CN202310267759.5
申请日：2023-03-20
Applicant: 苏州大学
IPC: G06F11/36 , G06F18/2321 , G06F18/25
Abstract: 本发明涉及一种基于聚类融合过采样的软件缺陷预测方法，包括：将软件数据集合划分为无缺陷数据集合与有缺陷数据集合；对有缺陷数据集合中样本点聚类，获取无噪声有缺陷子簇集合；将无噪声有缺陷子簇集合中属于同一方向的子簇合并；计算无噪声有缺陷子簇集合中每个子簇的子簇选择概率，计算有缺陷子簇中每个样本点的样本选择概率；根据子簇选择概率，选择有缺陷子簇，根据样本选择概率，从所选有缺陷子簇中选择基点样本点；根据基本样本点的类型选择候选点，对所选有缺陷子簇进行插值，直至有缺陷数据集合与无缺陷数据集合中样本数相同，获取平衡软件数据集合来训练软件缺陷预测模型，利用训练好的软件缺陷预测模型对待检测软件数据进行缺陷预测。
-
-
-
-
-
-
-
-
-
Search Results
363
records
(took 0.01 seconds)
