-
公开(公告)号：CN104463202A
公开(公告)日：2015-03-25
申请号：CN201410708851.1
申请日：2014-11-28
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 本发明公开一种多类图像半监督分类方法及系统，首先对训练集中有标签图像样本和无标签图像样本进行相似性学习，构造相似近邻图和归一化的权重，用于表征样本相似性，再初始化一个类标签矩阵，为有效降低“软类别标签”预测标签F中的混合信号对结果的影响，引入l2,1-范数正则化，同时对F施加非负与列和为1的约束，确保估计的“软标签”满足概率定义和非负性，最后利用参数权衡相似性度量、初始类别标签和l2,1-范数正则化对分类的影响，完成半监督学习建模，取相似性概率的最大值，用于图像类别鉴定，得到分类结果。通过引入l2,1-范数正则化，将混合信号对分类的影响降低，使分类精准度有了提高。此外，还可有效对训练集外的数据进行分类，可拓展性好。
-
公开(公告)号：CN105354595A
公开(公告)日：2016-02-24
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：CN104933428A
公开(公告)日：2015-09-23
申请号：CN201510437811.2
申请日：2015-07-23
Applicant: 苏州大学
IPC: G06K9/00
CPC classification number: G06K9/00288
Abstract: 本发明公开了一种基于张量描述的人脸识别方法及装置,首先对有标签的图像样本和无标签的待分类样本进行相似性学习，构造相似近邻图和归一化的权重，用于表征样本相似性，再人工初始化一个类标签矩阵，为了有效实现样本外人脸图像的直接归纳，本发明将一个可直接归纳样本外图像的基于张量描述的正则化项集成到现有的标签传播模型，最后利用参数权衡相似性度量、初始类别标签和基于矩阵模式的正则化项对人脸识别的影响，完成系统建模，取系统输出中的相似性概率的最大值，用于人脸图像的类别鉴定，得到最准确的系统识别结果。通过引入张量描述的思想，在样本外人脸图像归纳过程中可有效保持图像像素间的拓扑结构，且系统可拓展性好。
-
Patent Agency Ranking
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：CN104463202B
公开(公告)日：2017-09-19
申请号：CN201410708851.1
申请日：2014-11-28
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 本发明公开一种多类图像半监督分类方法及系统，首先对训练集中有标签图像样本和无标签图像样本进行相似性学习，构造相似近邻图和归一化的权重，用于表征样本相似性，再初始化一个类标签矩阵，为有效降低“软类别标签”预测标签F中的混合信号对结果的影响，引入l2,1‑范数正则化，同时对F施加非负与列和为1的约束，确保估计的“软标签”满足概率定义和非负性，最后利用参数权衡相似性度量、初始类别标签和l2,1‑范数正则化对分类的影响，完成半监督学习建模，取相似性概率的最大值，用于图像类别鉴定，得到分类结果。通过引入l2,1‑范数正则化，将混合信号对分类的影响降低，使分类精准度有了提高。此外，还可有效对训练集外的数据进行分类，可拓展性好。
-
公开(公告)号：CN104794489B
公开(公告)日：2019-03-08
申请号：CN201510197245.2
申请日：2015-04-23
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于深度标签预测的诱导式图像分类方法及系统，首先对有标签的训练样本和无标签的训练样本进行相似性学习，构造加权相似近邻图，再初始化一个类标签矩阵。为了降低“浅”预测标签中的混合信号对系统性能的影响，引入了描述学习的思想，先计算基于原始输入空间的通常含有混合信号的“浅”软标签，进而利用描述学习得到判别性更强的深度软标签，取深度标签中概率的最大值，用于类别鉴定，得到最准确的分类结果。通过深度标签预测，有效降低了浅层软标签中的混合信号对结果的影响，使分类精度大幅提高。此外，本发明方法通过引入描述学习，可快速有效地完成样本外数据的深度归纳分类，无需引入额外的学习过程，方法可拓展性好。
-
公开(公告)号：CN104933428B
公开(公告)日：2018-05-01
申请号：CN201510437811.2
申请日：2015-07-23
Applicant: 苏州大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于张量描述的人脸识别方法及装置,首先对有标签的图像样本和无标签的待分类样本进行相似性学习，构造相似近邻图和归一化的权重，用于表征样本相似性，再人工初始化一个类标签矩阵，为了有效实现样本外人脸图像的直接归纳，本发明将一个可直接归纳样本外图像的基于张量描述的正则化项集成到现有的标签传播模型，最后利用参数权衡相似性度量、初始类别标签和基于矩阵模式的正则化项对人脸识别的影响，完成系统建模，取系统输出中的相似性概率的最大值，用于人脸图像的类别鉴定，得到最准确的系统识别结果。通过引入张量描述的思想，在样本外人脸图像归纳过程中可有效保持图像像素间的拓扑结构，且系统可拓展性好。
-
公开(公告)号：CN104794489A
公开(公告)日：2015-07-22
申请号：CN201510197245.2
申请日：2015-04-23
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于深度标签预测的诱导式图像分类方法及系统，首先对有标签的训练样本和无标签的训练样本进行相似性学习，构造加权相似近邻图，再初始化一个类标签矩阵。为了降低“浅”预测标签中的混合信号对系统性能的影响，引入了描述学习的思想，先计算基于原始输入空间的通常含有混合信号的“浅”软标签，进而利用描述学习得到判别性更强的深度软标签，取深度标签中概率的最大值，用于类别鉴定，得到最准确的分类结果。通过深度标签预测，有效降低了浅层软标签中的混合信号对结果的影响，使分类精度大幅提高。此外，本发明方法通过引入描述学习，可快速有效地完成样本外数据的深度归纳分类，无需引入额外的学习过程，方法可拓展性好。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.02 seconds)
