公开(公告)号：CN119888292A

公开(公告)日：2025-04-25

申请号：CN202510377988.1

申请日：2025-03-28

Applicant: 中国计量大学

Inventor： 朱余杰 ,  朱文杰 ,  董英杰

IPC: G06V10/762 ,  G06V10/74

Abstract: 本发明涉及一种基于形变图像相似性学习的聚类方法，S1.输入未对齐的图像数据矩阵#imgabs0#；S2.初始化谱特征矩阵#imgabs1#和旋转变换向量#imgabs2#，利用未对齐的图像数据矩阵，初始化关联矩阵#imgabs3#；S3.设置迭代次数t，利用初始化关联矩阵、谱特征矩阵和旋转变换向量，采用交替优化策略，依次迭代初始化后的关联矩阵、谱特征矩阵和旋转变换向量，直到迭代次数结束，获得优化后的谱特征矩阵；S4.离散化优化后的谱特征矩阵，得到最终的聚类结果。本发明通过设计一种高效形变图像聚类方法，实现对未对齐图像的精准聚类，可用于对形变图像的聚类研究。

公开(公告)号：CN115270870A

公开(公告)日：2022-11-01

申请号：CN202210883729.2

申请日：2022-07-26

Applicant: 中国计量大学

Inventor： 陈春春 ,  朱文杰 ,  朱余杰

IPC: G06K9/00 ,  G06K9/62 ,  A61B5/372 ,  A61B5/00

Abstract: 本发明公开一种基于对抗图表征学习的无向受损脑网络的群体发现方法，包括：(1)提取静息状态脑电图数据的各个脑区节点的频谱特征X，根据K‑means聚类方法，确定特征选择后的频谱特征F，计算节点间的皮尔逊相关系数，构建脑网络拓扑结构G；(2)通过提取G的二值化信息，得到无向脑网络的邻接矩阵A，并对A进行矩阵分解的10次迭代更新策略，得到初始化的图表征数据H；(3)根据初始化的H，生成脑网络的初始化极端扰动P，并施加到A上得到扰动网络的邻接矩阵；(4)设置迭代次数T，通过图表征数据H和极端扰动P对抗学习的迭代更新策略，同时进行图表征学习和极端扰动学习；(5)迭代结束后，对优化后的H各列进行极大值寻址处理，得到最终的群体划分结果。