-
公开(公告)号：CN105139023B
公开(公告)日：2018-12-25
申请号：CN201510438672.5
申请日：2015-07-24
Applicant: 福州大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于多尺度特征融合和极限学习机的种子识别方法，通过对样本种子图像的多尺度局部HOG特征以及全局分布的HSV特征进行融合提取，利用ELM极限学习机进行特征训练，得出集成分类模型，对待测试的种子图像采用滑动窗口机制，对其进行多尺度的融合特征提取，并将结果输入到该模型中，并通过对分类结果进行加权投票表决，进而得出待测试种子图像的分类信息。本发明所提出的一种基于多尺度特征融合和极限学习机的种子识别方法，简单灵活，设备要求简单，并且具有较强的实用性。
-
公开(公告)号：CN106250915A
公开(公告)日：2016-12-21
申请号：CN201610585022.8
申请日：2016-07-22
Applicant: 福州大学
IPC: G06K9/62
CPC classification number: G06K9/6256
Abstract: 本发明涉及一种融合深度特征和语义邻域的自动图像标注方法：针对传统图像标注方法中人工选取特征费时费力，以及传统标签传播算法忽视语义近邻，导致视觉相似而语义不相似进而影响标注效果等问题，提出了融合深度特征和语义邻域的自动图像标注方法，该方法首先构建基于深度卷积神经网络（CNN）的统一、自适应深度特征提取框架，接着对训练集划分语义组并建立待标注图像的邻域图像集，最后根据视觉距离计算邻域图像各标签的贡献值并排序得到标注关键词。本发明简单灵活，具有较强的实用性。
-
公开(公告)号：CN105678340A
公开(公告)日：2016-06-15
申请号：CN201610035975.7
申请日：2016-01-20
Applicant: 福州大学
IPC: G06K9/62
CPC classification number: G06K9/6277
Abstract: 本发明涉及一种基于增强型栈式自动编码器的自动图像标注方法：针对深度学习中传统SAE模型难以有效训练有偏数据集的问题，提出一种提升低频标签准确率的平衡栈式自动编码器，较好地改善低频标签的标注效果。然后针对单个B-SAE模型不稳定导致标注效果易随参数改变而发生较大变化的问题，提出一种针对图像标注任务的增强平衡栈式自动编码器，通过分组按序训练、加权累加各组最优B-SAE子模型，取得稳定的标注结果。该方法通过逐层预训练权值并用后向传播算法整体调优，改善了传统浅层模型泛化能力弱、难以收敛到最佳极值点等问题，并在训练过程中加强弱标签样本的训练，提升了整个模型的标注效果，该方法简单灵活，具有较强的实用性。
-
公开(公告)号：CN105701502B
公开(公告)日：2020-11-10
申请号：CN201610007726.7
申请日：2016-01-06
Applicant: 福州大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于蒙特卡罗数据均衡的图像自动标注方法，在公共图像库上通过对训练样本图像进行区域分割，分割后具有不同特征描述的区域对应一个标注词，再对各个不同类别的图像集进行蒙特卡罗数据均衡，提取均衡之后各个图像的多尺度特征，最后将提取后的特征向量输入到鲁棒性最小二乘增量极限学习机中进行分类训练，得到图像自动标注中的分类模型。对于待标注的图像，通过对其进行区域分割后，采用相同的多尺度特征融合提取方法，将提取后的特征向量输入到最小二乘增量极限学习机中，即可得到最终的图像标注结果。相比传统图像自动标注方法，本发明的方法能更有效地对图像进行标注，时效性强，可用于大规模图像的自动标注，具有实际应用意义。
-
公开(公告)号：CN106250915B
公开(公告)日：2019-08-09
申请号：CN201610585022.8
申请日：2016-07-22
Applicant: 福州大学
IPC: G06K9/62
Abstract: 本发明涉及一种融合深度特征和语义邻域的自动图像标注方法：针对传统图像标注方法中人工选取特征费时费力，以及传统标签传播算法忽视语义近邻，导致视觉相似而语义不相似进而影响标注效果等问题，提出了融合深度特征和语义邻域的自动图像标注方法，该方法首先构建基于深度卷积神经网络（CNN）的统一、自适应深度特征提取框架，接着对训练集划分语义组并建立待标注图像的邻域图像集，最后根据视觉距离计算邻域图像各标签的贡献值并排序得到标注关键词。本发明简单灵活，具有较强的实用性。
-
Patent Agency Ranking
公开(公告)号：CN105701516B
公开(公告)日：2019-01-22
申请号：CN201610036626.7
申请日：2016-01-20
Applicant: 福州大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于属性判别的自动图像标注方法：针对数据集不均衡导致整体标注效果不理想的问题，提出一种基于属性判别的图像标注方法，利用每一个关键词的语义概念构建局部均衡数据集，并基于此数据集提出一种有效提升中低频标签标注准确率的语义传播算法。最后结合栈式自动编码器模型，通过判别图像的高低频属性来选择不同标注过程，提升了整体图像标注效果。该方法利用SAE模型较好预测高频标签和SP算法较好预测中低频标签的特点，通过判别未知图像的高低频属性来选择不同的标注过程，提升了整个模型的标注效果，该方法简单灵活，具有较强的实用性。
-
公开(公告)号：CN105678340B
公开(公告)日：2018-12-25
申请号：CN201610035975.7
申请日：2016-01-20
Applicant: 福州大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于增强型栈式自动编码器的自动图像标注方法：针对深度学习中传统SAE模型难以有效训练有偏数据集的问题，提出一种提升低频标签准确率的平衡栈式自动编码器，较好地改善低频标签的标注效果。然后针对单个B‑SAE模型不稳定导致标注效果易随参数改变而发生较大变化的问题，提出一种针对图像标注任务的增强平衡栈式自动编码器，通过分组按序训练、加权累加各组最优B‑SAE子模型，取得稳定的标注结果。该方法通过逐层预训练权值并用后向传播算法整体调优，改善了传统浅层模型泛化能力弱、难以收敛到最佳极值点等问题，并在训练过程中加强弱标签样本的训练，提升了整个模型的标注效果，该方法简单灵活，具有较强的实用性。
-
公开(公告)号：CN105701516A
公开(公告)日：2016-06-22
申请号：CN201610036626.7
申请日：2016-01-20
Applicant: 福州大学
IPC: G06K9/62
CPC classification number: G06K9/6256
Abstract: 本发明涉及一种基于属性判别的自动图像标注方法：针对数据集不均衡导致整体标注效果不理想的问题，提出一种基于属性判别的图像标注方法，利用每一个关键词的语义概念构建局部均衡数据集，并基于此数据集提出一种有效提升中低频标签标注准确率的语义传播算法。最后结合栈式自动编码器模型，通过判别图像的高低频属性来选择不同标注过程，提升了整体图像标注效果。该方法利用SAE模型较好预测高频标签和SP算法较好预测中低频标签的特点，通过判别未知图像的高低频属性来选择不同的标注过程，提升了整个模型的标注效果，该方法简单灵活，具有较强的实用性。
-
公开(公告)号：CN105139023A
公开(公告)日：2015-12-09
申请号：CN201510438672.5
申请日：2015-07-24
Applicant: 福州大学
IPC: G06K9/62
CPC classification number: G06K9/6256 , G06K9/627
Abstract: 本发明涉及一种基于多尺度特征融合和极限学习机的种子识别方法，通过对样本种子图像的多尺度局部HOG特征以及全局分布的HSV特征进行融合提取，利用ELM极限学习机进行特征训练，得出集成分类模型，对待测试的种子图像采用滑动窗口机制，对其进行多尺度的融合特征提取，并将结果输入到该模型中，并通过对分类结果进行加权投票表决，进而得出待测试种子图像的分类信息。本发明所提出的一种基于多尺度特征融合和极限学习机的种子识别方法，简单灵活，设备要求简单，并且具有较强的实用性。
-
公开(公告)号：CN105701502A
公开(公告)日：2016-06-22
申请号：CN201610007726.7
申请日：2016-01-06
Applicant: 福州大学
IPC: G06K9/62
CPC classification number: G06K9/6267 , G06K9/6256
Abstract: 本发明涉及一种基于蒙特卡罗数据均衡的图像自动标注方法，在公共图像库上通过对训练样本图像进行区域分割，分割后具有不同特征描述的区域对应一个标注词，再对各个不同类别的图像集进行蒙特卡罗数据均衡，提取均衡之后各个图像的多尺度特征，最后将提取后的特征向量输入到鲁棒性最小二乘增量极限学习机中进行分类训练，得到图像自动标注中的分类模型。对于待标注的图像，通过对其进行区域分割后，采用相同的多尺度特征融合提取方法，将提取后的特征向量输入到最小二乘增量极限学习机中，即可得到最终的图像标注结果。相比传统图像自动标注方法，本发明的方法能更有效地对图像进行标注，时效性强，可用于大规模图像的自动标注，具有实际应用意义。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.022 seconds)
