公开(公告)号：CN107766895A

公开(公告)日：2018-03-06

申请号：CN201711140254.3

申请日：2017-11-16

Applicant: 苏州大学

Inventor： 张召 ,  贾磊 ,  李凡长 ,  王邦军 ,  张莉

IPC: G06K9/62

CPC classification number: G06K9/6235 ,  G06K9/6256 ,  G06K2009/6236

Abstract: 本发明方法明确地将半监督数据表示和分类误差结合到现有的投影非负矩阵分解框架进行联合最小化学习，由此将权重系数构造和标签传播过程作用于投影非负矩阵分解，可有效避免原始数据中可能包含的噪音、破坏或异类对相似性度量和标签预测结果的负面影响。此外，上述联合最小化过程也可在投影非负矩阵分解过程中有效保持邻域信息和空间结构，得到更准确的数据表示结果。此外，还将权重构建和归纳学习整合到一个统一的模型中，可得到自适应的权重系数矩阵，进而避免传统算法中选取最优近邻难的问题。本发明方法为诱导式模型，可完成样本外数据的归纳与预测，无需引入额外的重构过程，可拓展性能好。

公开(公告)号：CN106529604A

公开(公告)日：2017-03-22

申请号：CN201611059009.5

申请日：2016-11-24

Applicant: 苏州大学

Inventor： 张召 ,  贾磊 ,  李凡长 ,  张莉 ,  王邦军

IPC: G06K9/62

Abstract: 本发明公开了一种自适应的图像标签鲁棒预测方法及系统，为了提高对未知类别标签的待测样本标签的预测，提出将稀疏编码和标签传播集成到一个统一的框架中，实现稀疏重构误差和分类误差联合执行同时达到最小化，这完全区别于传统的标签传播方法将图构造与标签传播分为相互独立的两个步骤；因采用迭代的优化方案计算稀疏编码和软标签矩阵，在每一次迭代中，稀疏编码被作为预测模块的自适应权重用于标签传播，因此避免了在传统图构建的复杂过程中最优近邻及其最优近邻数量的选择难问题；此外，为了增强稀疏性，提出将稀疏编码稀疏和重构误差同时施加L2,1范数正则化约束，通过引入L2,1范数正则化技术，有效提升了系统的预测准确度和鲁棒性。

公开(公告)号：CN105528620A

公开(公告)日：2016-04-27

申请号：CN201510918300.2

申请日：2015-12-11

Applicant: 苏州大学

Inventor： 张召 ,  贾磊 ,  李凡长 ,  张莉 ,  王邦军

IPC: G06K9/62

Abstract: 本发明公开了一种联合鲁棒主成分特征学习与视觉分类方法及系统，通过将鲁棒主成分特征学习、编码错误和基于主成分特征的分类错误集成到一个统一的最小化框架，可同时进行联合低秩与稀疏特征提取和数据纠错，且可确保得到的特征对于分类是最优的。为了得到描述性更强的鲁棒特征，同时考虑数据的低秩与稀疏特性，同时通过将一个投影嵌入的特征进行低秩和L1-范数最小化，确保提取的特征满足低秩与稀疏特性。最终得到一个线性投影矩阵P和一个线性分类器W。P可直接提取待测样本的联合特征，进而将特征向W进行映射，可得到其软类别标签，通过软类别标签中最大值对应的位置，得到最准确的视觉分类结果。此外，通过得到P和W，有效提升了测试过程的可拓展性。