-
公开(公告)号：CN115116120A
公开(公告)日：2022-09-27
申请号：CN202210855416.6
申请日：2022-07-20
Applicant: 南通大学
IPC: G06V40/16 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明提供一种基于深度自编码器的人脸表情图像分析方法，包括以下步骤：S1、获取人脸表情图像数据集，进行人脸表情图像数据预处理；S2、构建包括编码模型和解码模型的自编码器模型，输入人脸表情图像，编码模型输出人脸图像特征数据；S3、构建卷积神经网络分类模型并利用训练集训练，得到训练好的卷积神经网络分类模型；S4、步骤S2的人脸特征数据作为步骤S3中训练好的卷积神经网络分类模型的输入，通过训练好的卷积神经网络分类模型预测得到测试集人脸图像表情标签。本发明采用深度自编码器自动提取人脸表情图像特征，然后借助卷积神经网络，实现对人脸表情图像准确分类的效果。
-
公开(公告)号：CN115035302A
公开(公告)日：2022-09-09
申请号：CN202210787416.7
申请日：2022-07-05
Applicant: 南通大学
Abstract: 本发明提供一种基于深度半监督模型的图像细粒度分类方法，包括以下步骤：S1、获取原始图片，提取原始图片图像特征，组成全局特征矩阵；S2、对原始图片进行超像素分割，计算得出成特征分配映射；S3、将全局特征矩阵和特征分配映射进行非线性特征编码，得到超像素局部区域特征；S4、检测每个部分的发生概率，利用对齐概率分布得到超像素区域发生概率正则化项；S5、创建半监督神经网络，根据超像素区域发生概率正则化项和损伤函数训练半监督神经网络；S6、用训练好的半监督神经网络进行图像细粒度分类。本发明能够准确高效地对手写数字和医学细胞图像进行细粒度分类，兼具更优的图像细粒度分类准确率。
-
公开(公告)号：CN110867224B
公开(公告)日：2022-02-08
申请号：CN201911030948.0
申请日：2019-10-28
Applicant: 南通大学
IPC: G16H10/60 , G06F40/205 , G06F40/279 , G06N3/00
Abstract: 本发明公开一种用于大规模脑病历分割的多粒度Spark超信任模糊方法，首先在Spark云平台上将大规模脑病历数据属性集分割至不同的多粒度进化子种群Granu‑populationi中；设计一种基于多粒度Spark超信任模型，构建多粒度种群内不同超级精英之间信任度；调整多粒度中心阈值，对超级精英使用多粒度子种群均衡调整策略进行动态更新，对大规模脑病历进行全局搜索分割与局部精化分割，超级精英在各自区域内能协同提取知识约简子集；最后求得大规模脑病历最优分割特征集并存储至Spark云平台中。本发明能稳定分割大规模脑病历知识约简集,为脑部疾病智能诊断和辅助治疗提供重要的诊断依据。
-
公开(公告)号：CN113887725A
公开(公告)日：2022-01-04
申请号：CN202111247110.4
申请日：2021-10-26
Applicant: 南通大学
Abstract: 本发明提供一种基于生成对抗网络的宫颈细胞图像半监督学习方法，包括如下步骤：(1)训练生成对抗网络，生成负样本分布；(2)训练分类器，学习正样本和负样本的判别边界；(3)基于已训练的分类器模型，对检测到的未知单细胞图像进行分类。本发明的模型学习过程不需要任何负样本先验知识，能够联合优化生成式和判别式模型，同时利用少量有标记数据和大量未标记数据进行宫颈细胞图像半监督学习，能有效提升未标记数据利用率，进而提升宫颈细胞图像分类准确率和效率。
-
公开(公告)号：CN115115892A
公开(公告)日：2022-09-27
申请号：CN202210855415.1
申请日：2022-07-20
Applicant: 南通大学
IPC: G06V10/764 , G06N3/04 , G06N3/08 , G06V10/774 , G06V10/82
Abstract: 本发明提供一种基于生成模型与判别分类模型的图像半监督分类方法，包括以下步骤：S1、构建SVM判别分类模型，利用1000个有标签数据对模型进行训练；S2、构建生成模型，利用生成模型推测出未标签数据，得到伪标签数据；S3、将步骤S2获得的伪标签数据和步骤S1中获得的有标签数据重新训练SVM判别分类模型；S4、测试重新训练SVM判别分类模型的准确率，重复步骤S2‑S3，直至模型的准确率达到设定目标。本发明结合生成式神经网络模型与SVM判别分类模型对数字图像进行准确半监督分类，能够准确高效地对手写数字图像进行半监督分类，即利用少量标记数据便可以获得较优的分类准确率。
-
Patent Agency Ranking
公开(公告)号：CN111242156B
公开(公告)日：2022-02-08
申请号：CN201911104118.8
申请日：2019-11-13
Applicant: 南通大学
IPC: G06V10/764 , G06V10/774 , G06V10/75 , G06K9/62
Abstract: 本发明公开一种用于微血管瘤病历图像的超平面近邻分类方法。该方法首先对糖尿病性眼底图像数据进行预处理和分割操作，从处理后的眼底病历图像中提取出微血管瘤病历图像的病变区域；接着将微血管瘤病变的图像区域形态学特征、纹理特征及灰度特征转化为l维数据向量xi；然后将数据分为训练数据Xtr和测试数据Xte，通过对训练数据Xtr进行训练得到一个包括分类超平面Hyper、支持向量集合Xsv、距离阈值t、最近邻居个数k、和谱哈希编码码长nb的高效分类模型；最后测试数据Xte预测时依据测试样本到分类超平面Hyper的距离与距离阈值t的关系，分别采用支持向量机模型和融合谱哈希算法的近邻算法进行预测，并综合相关预测结果。本发明能对提取出的眼底病历中微血管瘤病历图像特征进行快速有效分类，具有较高的分类准确率，大大降低了微血管瘤病历图像特征分类的执行时间。
-
公开(公告)号：CN113902006A
公开(公告)日：2022-01-07
申请号：CN202111163979.0
申请日：2021-09-30
Applicant: 南通大学
Abstract: 本发明提供一种基于粒度优化特征的宫颈细胞图像半监督分类方法，包括如下步骤：(1)利用有限的标记训练样本和类别隶属模糊方法，得到训练和测试样本的粒度特征；(2)使用近邻粗糙集方法去除冗余特征，对粒度特征进行优化，以降低样本粒度特征规模；(3)利用标记样本训练BP神经网络得到基分类器；(4)从未标记样本数据中不断选取候选样本进行标记，将新标记的候选样本扩充到原始训练样本中对BP网络进行再次训练，重复扩充和再训练过程，直到标记样本数目达到相应标准。本发明能够准确高效地对宫颈细胞图像进行分类，兼具更优的分类准确率和kappa系数。
-
公开(公告)号：CN111680560A
公开(公告)日：2020-09-18
申请号：CN202010377516.3
申请日：2020-05-07
Applicant: 南通大学
Abstract: 本发明提供一种基于时空特征的行人再识别方法，首先采用人体姿态估计方法提取行人骨骼关键点，针对视频序列中的每一帧图像，根据骨骼关键点将人体分成人体主体部分和人体附属背景部分，设计双通道神经网络提取图像中行人的表观特征。针对视频序列，通过将相邻帧提取的时间信息和空间上图卷积提取的空间信息的串联叠加，得到行人在视频序列中的时空信息。最后将提取的单帧图像表观特征和提取的视频时空特征结合，并考虑时间维度对特征融合的权重影响，利用度量学习方法区分行人特征对。本发明设计双通道神经网络提取图像中行人的表观特征，基于深度特征分析，既能有效地提高行人再识别的识别效率，又能保持较高的行人再识别精度。
-
公开(公告)号：CN111242156A
公开(公告)日：2020-06-05
申请号：CN201911104118.8
申请日：2019-11-13
Applicant: 南通大学
IPC: G06K9/62
Abstract: 本发明公开一种用于微血管瘤病历图像的超平面近邻分类方法。该方法首先对糖尿病性眼底图像数据进行预处理和分割操作，从处理后的眼底病历图像中提取出微血管瘤病历图像的病变区域；接着将微血管瘤病变的图像区域形态学特征、纹理特征及灰度特征转化为l维数据向量xi；然后将数据分为训练数据Xtr和测试数据Xte，通过对训练数据Xtr进行训练得到一个包括分类超平面Hyper、支持向量集合Xsv、距离阈值t、最近邻居个数k、和谱哈希编码码长nb的高效分类模型；最后测试数据Xte预测时依据测试样本到分类超平面Hyper的距离与距离阈值t的关系，分别采用支持向量机模型和融合谱哈希算法的近邻算法进行预测，并综合相关预测结果。本发明能对提取出的眼底病历中微血管瘤病历图像特征进行快速有效分类，具有较高的分类准确率，大大降低了微血管瘤病历图像特征分类的执行时间。
-
公开(公告)号：CN115115892B
公开(公告)日：2024-09-20
申请号：CN202210855415.1
申请日：2022-07-20
Applicant: 南通大学
IPC: G06V10/764 , G06N3/0464 , G06N3/0895 , G06V10/774 , G06V10/82
Abstract: 本发明提供一种基于生成模型与判别分类模型的图像半监督分类方法，包括以下步骤：S1、构建SVM判别分类模型，利用1000个有标签数据对模型进行训练；S2、构建生成模型，利用生成模型推测出未标签数据，得到伪标签数据；S3、将步骤S2获得的伪标签数据和步骤S1中获得的有标签数据重新训练SVM判别分类模型；S4、测试重新训练SVM判别分类模型的准确率，重复步骤S2‑S3，直至模型的准确率达到设定目标。本发明结合生成式神经网络模型与SVM判别分类模型对数字图像进行准确半监督分类，能够准确高效地对手写数字图像进行半监督分类，即利用少量标记数据便可以获得较优的分类准确率。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.012 seconds)
