-
公开(公告)号：CN105260995B
公开(公告)日：2019-03-08
申请号：CN201510866909.X
申请日：2015-12-01
Applicant: 苏州大学
IPC: G06T5/00
Abstract: 本发明公开了一种图像修复与去噪方法及系统，对于给定的原始训练图像，该方法包括：通过引入联合低秩与稀疏矩阵分解的思想，利用凸优化技术，将给定的训练样本图像数据矩阵分解为联合低秩与稀疏主成分特征编码矩阵与稀疏错误矩阵，根据所述训练图像样本数据的低秩和稀疏特性，确定所述训练图像样本数据的联合低秩与稀疏主成分特征以及错误矩阵，实现对所述原始的可能包含错误的图像进行修复与去噪处理，得到经过修复与去噪后的图像。本发明所提供的图像修复与去噪方法及系统，在对图像数据进行特征描述的同时充分考虑了数据的鲁棒低秩和稀疏特性，以克服现有技术的不足，提高了图像修复与去噪的性能及模型的鲁棒性。
-
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：CN104966075B
公开(公告)日：2018-12-21
申请号：CN201510418913.X
申请日：2015-07-16
Applicant: 苏州大学
IPC: G06K9/00
Abstract: 本申请提供了一种基于二维判别特征的人脸识别方法与系统，通过对人脸训练图像进行判别学习，紧凑局部类内散度和分离局部类间散度，为了有效保持图像像素间的拓扑结构和内在相关性，设计基于矩阵描述的判别特征提取系统，可直接作用于人脸图像，不会破坏图像像素间的拓扑结构和相关性，进而提升系统性能。样本外图像的归纳主要通过将测试样本向系统输出的正交投影进行映射，进而将提取的人脸图像二维特征输入最近邻分类器进行归类，取与测试样本相似性最大或距离最小的训练样本的标签，用于人脸测试图像的类别鉴定，得到最准确的人脸识别结果。此外，本发明通过直接对人脸图像进行特征提取和分类，有效提高了系统效率，系统可拓展性好。
-
公开(公告)号：CN108763873A
公开(公告)日：2018-11-06
申请号：CN201810522807.X
申请日：2018-05-28
Applicant: 苏州大学
IPC: G06F19/24
Abstract: 本发明公开了一种基因分类方法及相关设备，方法包括：对输入的作为训练样本的基因数据进行标准化处理，基因数据包括若干属性；以训练样本与异类近邻样本的间隔与训练样本与同类近邻样本的间隔的差值，以及对应属性的权重向量建立表示所有训练样本的期望间隔差的逻辑回归优化函数，并以对应属性的权重向量为范数约束项建立最小化优化模型，通过迭代运算计算得到对应属性的权重向量；根据得到的权重向量的值对属性特征排序，根据排序后的属性特征对作为训练样本的基因数据进行分类训练，获得作为分类根据的最优特征集，以对待分类基因数据进行分类。本发明提供的基因分类方法及相关设备，能够获得较高的分类精度。
-
公开(公告)号：CN104992166B
公开(公告)日：2018-09-11
申请号：CN201510450358.9
申请日：2015-07-28
Applicant: 苏州大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于鲁棒度量的手写体识别方法与系统，通过对手写体训练样本进行相似性学习，构造加权相似图，在紧凑局部类内散度和分离局部类间散度的同时保持所有训练样本的局部特性。为了提升手写体描述的鲁棒性，提出将1‑范数度量应用于半监督特征学习模型，设计出性能鲁棒的手写体识别方法与系统，输出一个可用于样本内和样本外手写体图像特征提取的投影矩阵P。样本外图像的归纳通过将测试样本向投影矩阵P进行投影，进而将提取的特征输入高效的标签传播分类器进行归类，取对应类别软标签中概率的最大值的位置，用于判定测试样本的类别，得到最准确的字符识别结果。同时，通过建立比率模型，减少了模型参数，且投影矩阵P满足正交特性。
-
Patent Agency Ranking
公开(公告)号：CN104778479B
公开(公告)日：2018-09-11
申请号：CN201510197288.0
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：CN105550538B
公开(公告)日：2018-06-01
申请号：CN201610076071.9
申请日：2016-02-03
Applicant: 苏州大学
IPC: G06F19/24
Abstract: 本申请公开了一种人类基因启动子识别方法和系统。该方法在获取人类基因训练样本后，基于启动子与三个非启动子之间的对称散度，从所有N联体集合中确定最具有分辨率的N联体集合。进而，利用具有分辨率的N联体集合完成对分类器的训练，并利用训练后的分类器对人类基因测试样本进行识别。与先有技术相比，本发明采用对称散度作为述启动子和非启动子的之间的距离度量，由于对称散度的对称性，因而其作为距离度量的测量精度更高，从而提高了对启动子的识别度。
-
公开(公告)号：CN108009570A
公开(公告)日：2018-05-08
申请号：CN201711140253.9
申请日：2017-11-16
Applicant: 苏州大学
IPC: G06K9/62
CPC classification number: G06K9/6267 , G06K9/6256
Abstract: 本发明公开了一种基于核正负标签传播的数据分类方法，通过核函数将原始欧式空间的输入数据映射到更高维的核特征空间，并将负标签信息集成到传统的标签传播模型，提出一个统一的核正负标签传播模型，可用于自适应的数据分类。本发明方法将标签传播的领域范畴从原始欧式空间转换到核空间，并将标签传播过程与自适应权重学习过程集成并基于核空间进行。核正负标签传播模型为了实现数据线性不可分的问题，通过引入内积，将原始线性不可分的数据转换到高维的核空间，实现在高维核空间中线性可分的目的，增强分类能力。通过在核空间中同时最小化数据重构误差和标签分类误差，可获得自适应的权重系数，并可避免传统算法对近邻数的选择难问题。
-
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：CN107958241A
公开(公告)日：2018-04-24
申请号：CN201810007877.1
申请日：2018-01-04
Applicant: 苏州大学
CPC classification number: G06K9/00268 , G06K9/00288 , G06K9/6256 , G06K9/6276
Abstract: 本发明公开了一种单样本人脸识别方法、装置、设备及计算机可读存储介质，包括对待识别图像进行预处理，得到行列一致的待识别单样本；采用预先计算出的SVD投影矩阵和LU投影矩阵分别对待识别单样本进行投影，得到第一判别特征和第二判别特征；利用第一判别特征、第二判别特征、第一计算关系式、预先依据原始训练样本集计算出的SVD权重、LU权重、与原始训练样本集中的各个原始训练样本一一对应的各个SVD判别特征和各个LU判别特征计算出待识别单样本到各个原始单样本的距离；采用最近邻分类器从各个距离中确定出待识别单样本距离最近的原始单样本，并以确定出待识别单样本的类别。扩展了数据的求解范围，提高了识别率和识别性能。
-
-
-
-
-
-
-
-
-
Search Results
231
records
(took 0.028 seconds)
