-
公开(公告)号：CN105335756B
公开(公告)日：2019-06-11
申请号：CN201510726581.1
申请日：2015-10-30
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于鲁棒学习模型的图像分类方法与图像分类系统，包括：对训练集进行初始化，得到初始类别标签矩阵，训练集中的训练样本包括已知其类别并标定有与其类别对应的类别标签的样本及未知其类别且未标定类别标签的样本；基于近邻定义及重构权的构造方法对训练样本进行处理，根据样本间的相似性，构造重构系数矩阵，并进行对称化、归一化处理；利用重构系数矩阵及初始类别标签矩阵确定无标定样本的软标签，采用迭代的方式对训练样本的软标签进行l2，1范数正则化，得到投影矩阵及软标签矩阵；利用投影矩阵对待测样本进行映射，得到其软标签；待测样本为未知其类别且未标定类别的样本。提高了分类准确性。
-
公开(公告)号：CN105335756A
公开(公告)日：2016-02-17
申请号：CN201510726581.1
申请日：2015-10-30
Applicant: 苏州大学
IPC: G06K9/62
CPC classification number: G06K9/6276
Abstract: 本发明公开了一种鲁棒学习模型与图像分类系统，包括：对训练集进行初始化，得到初始类别标签矩阵，训练集中的训练样本包括已知其类别并标定有与其类别对应的类别标签的样本及未知其类别且未标定类别标签的样本；基于近邻定义及重构权的构造方法对训练样本进行处理，根据样本间的相似性，构造重构系数矩阵，并进行对称化、归一化处理；利用重构系数矩阵及初始类别标签矩阵确定无标定样本的软标签，采用迭代的方式对训练样本的软标签进行l2，1范数正则化，得到投影矩阵及软标签矩阵；利用投影矩阵对待测样本进行映射，得到其软标签；待测样本为未知其类别且未标定类别的样本。模型有效减少了原始空间中混合信号的影响，提高了分类准确性。
-
公开(公告)号：CN104778479A
公开(公告)日：2015-07-15
申请号：CN201510197288.0
申请日：2015-04-23
Applicant: 苏州大学
IPC: G06K9/62
CPC classification number: G06K9/6286
Abstract: 本发明公开了一种基于稀疏编码提取子的图像分类方法及系统，通过将一个特征描述项集成到现有的判别型标签一致字典学习框架，提出一个统一的“编码+描述+分类”模型框架。模型通过最小化稀疏重构错误、特征描述错误、稀疏编码错误和分类错误，得到判别的稀疏编码，同时输出一个线性的稀疏编码提取子和一个多类分类器。稀疏编码提取子主要通过最小化图像数据之描述和其稀疏编码之间的拟合错误得到。通过计算一个稀疏编码提取子，可快速实现样本外图像数据的分类，无需引入额外的稀疏重构过程，有效提高了图像分类的精准度。分类过程主要通过线性分类器实现，输出测试样本的类别归属概率，取概率的最大值，用于类别鉴定，得到最准确的分类结果。
-
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。
-
公开(公告)号：CN105760872B
公开(公告)日：2019-06-11
申请号：CN201610076500.2
申请日：2016-02-03
Applicant: 苏州大学
Abstract: 本申请公开了一种基于鲁棒图像特征提取的识别方法及系统，先利用原始训练图像样本构造重构权重系数；为了有效保持图像像素间的拓扑结构和相关性，设计直接作用于二维图像的特征提取系统；为了降低图像样本中噪声或异类数据对性能的影响，对图像样本的邻域重构错误进行L2,1‑范数正则化；为了确保优化得到稀疏判别的显著图像特征，直接对投影矩阵进行L2,1‑范数正则化。最后，利用稀疏投影矩阵，提取相应的稀疏判别特征并输入至最近邻分类器，取与测试图像样本的特征相似性最大的训练图像样本的标签，以完成类别鉴定。本申请通过引入L2,1‑范数正则化技术，有效提升了数据中噪声和异类数据的鲁棒性，系统性能更好。
-
Patent Agency Ranking
公开(公告)号：CN104750875B
公开(公告)日：2018-03-02
申请号：CN201510197408.7
申请日：2015-04-23
Applicant: 苏州大学
IPC: G06F17/30
Abstract: 本申请涉及数据挖掘技术领域，特别是涉及一种机器错误数据分类方法及系统。该方法引入标签传播算法作为机器错误数据预处理步骤，利用少量的已标定机器数据的标签，快速估计出未标定数据的标签，组成分类训练集。基于分类训练集中的机器数据及标签，进行标签一致的字典学习，同时最小化重构错误、判别稀疏编码错误和分类错误，得到重构字典、稀疏编码和多类线性分类器，同时保持字典中各项与数据标签间的关系。进而，利用得到的稀疏编码来表征机器数据特征，输入到分类器进行预测，确定测试样本的类别，实现机器数据的错误分类。通过引入高效的半监督数据预处理，增加了已标定机器样本的数量，丰富了先验信息，有效提高了机器数据分类的精准度。
-
公开(公告)号：CN106021525A
公开(公告)日：2016-10-12
申请号：CN201610352058.1
申请日：2016-05-25
Applicant: 苏州大学
IPC: G06F17/30
CPC classification number: G06F16/374 , G06F16/35 , G06F16/5866
Abstract: 本发明公开了机器错误数据描述与分类的方法及系统，通过将一个隐藏特征提取项引入到现有的标签一致字典传播模型框架，提出一个“描述+分类”模型框架；为了增强数据的描述性能，模型将机器错误数据表示为一个稀疏重构部分，一个显著特征部分，一个重构误差部分；为了增强数据的分类性能与效率，将数据嵌入一个特征投影矩阵提取出数据的隐藏特征，基于数据的隐藏特征进行多类线性分类器的训练；为了增强分类器对于机器错误数据中的噪音和异类数据的鲁棒性能，对分类器进行L2,1范数正则化。通过针对数据的隐藏特征进行分类器训练，可快速实现样本外数据的归纳，不需要引入额外的稀疏重构过程，有效的提高了机器数据分类的效率与精准度。
-
公开(公告)号：CN105760872A
公开(公告)日：2016-07-13
申请号：CN201610076500.2
申请日：2016-02-03
Applicant: 苏州大学
CPC classification number: G06K9/4671 , G06K9/6249 , G06K9/6276
Abstract: 本申请公开了一种基于鲁棒图像特征提取的识别方法及系统，先利用原始训练图像样本构造重构权重系数；为了有效保持图像像素间的拓扑结构和相关性，设计直接作用于二维图像的特征提取系统；为了降低图像样本中噪声或异类数据对性能的影响，对图像样本的邻域重构错误进行L2,1?范数正则化；为了确保优化得到稀疏判别的显著图像特征，直接对投影矩阵进行L2,1?范数正则化。最后，利用稀疏投影矩阵，提取相应的稀疏判别特征并输入至最近邻分类器，取与测试图像样本的特征相似性最大的训练图像样本的标签，以完成类别鉴定。本申请通过引入L2,1?范数正则化技术，有效提升了数据中噪声和异类数据的鲁棒性，系统性能更好。
-
公开(公告)号：CN105740912A
公开(公告)日：2016-07-06
申请号：CN201610076336.5
申请日：2016-02-03
Applicant: 苏州大学
CPC classification number: G06K9/6267 , G06K9/46 , G06K9/6256
Abstract: 本申请公开了一种基于核范数正则化的低秩图像特征提取的识别方法及系统，首先对原始训练图像进行相似性学习，构造重构权重系数，再通过最小化基于核范数度量的邻域重构错误，并对投影矩阵进行核范数正则化处理，得到可直接提取二维图像特征的低秩投影矩阵，可有效保持图像像素间的拓扑结构和相关性。此外可确保优化得到低秩的显著图像特征。将原始测试图像直接向训练得到的低秩投影矩阵进行嵌入，输出其低秩显著特征，基于训练集中的低秩显著特征，利用最近邻分类器进行分类，取与测试图像样本的特征相似性最大的训练图像样本的类别标签，完成测试图像样本归类。通过引入核范数正则化，可有效保证特征提取过程中噪声的鲁棒性，系统性能更好。
-
公开(公告)号：CN105740912B
公开(公告)日：2019-07-19
申请号：CN201610076336.5
申请日：2016-02-03
Applicant: 苏州大学
Abstract: 本申请公开了一种基于核范数正则化的低秩图像特征提取的识别方法及系统，首先对原始训练图像进行相似性学习，构造重构权重系数，再通过最小化基于核范数度量的邻域重构错误，并对投影矩阵进行核范数正则化处理，得到可直接提取二维图像特征的低秩投影矩阵，可有效保持图像像素间的拓扑结构和相关性。此外可确保优化得到低秩的显著图像特征。将原始测试图像直接向训练得到的低秩投影矩阵进行嵌入，输出其低秩显著特征，基于训练集中的低秩显著特征，利用最近邻分类器进行分类，取与测试图像样本的特征相似性最大的训练图像样本的类别标签，完成测试图像样本归类。通过引入核范数正则化，可有效保证特征提取过程中噪声的鲁棒性，系统性能更好。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.019 seconds)
