公开(公告)号：CN104951666A

公开(公告)日：2015-09-30

申请号：CN201510443594.8

申请日：2015-07-24

Applicant: 苏州大学张家港工业技术研究院

Inventor： 张莉 ,  周伟达 ,  王邦军 ,  张召 ,  李凡长 ,  杨季文

IPC: G06F19/00

Abstract: 本发明公开了一种疾病诊断方法和装置。该方法基于余弦相似度原理，根据多个训练样本的基因表达数据确定任意一个训练样本的同类相似样本集和异类相似样本集。进而，根据同类相似样本集和异类相似样本集构建低维特征空间的投影矩阵，利用该投影矩阵实现对训练样本和测试样本的降维处理，以方便对测试样本的诊断。与现有技术相比，本发明在采用余弦来度量样本之间的相似度，与采用欧氏距离的方式相比，其相似度的度量精度更高，从而提高了疾病诊断的精度。

公开(公告)号：CN104731972A

公开(公告)日：2015-06-24

申请号：CN201510170063.6

申请日：2015-04-13

Applicant: 苏州大学张家港工业技术研究院

Inventor： 张莉 ,  陶志伟 ,  王邦军 ,  张召 ,  杨季文 ,  李凡长

IPC: G06F17/30

Abstract: 本发明公开了一种时间序列分类方法和装置。该方法在生多个码词后从多个码词中确定与待测时间序列子序列马氏距离最短的第一码词和样本时间序列子序列马氏距离最短的第二码词，并用利用第一码词和第二码词对待测时间序列和样本时间序列进行重构。进一步，利用重构待测时间序列与各个重构样本时间序列之间马氏距离，确定待测时间序列的类别。与现有技术相比，本发明解决了欧氏距离作为相似性度量容易受模式特征量纲的影响，引入马氏距离作为相似性度量，在消除量纲影响的同时，也消除了码词间相关性对算法准确率的影响，提高了分类的精度。

公开(公告)号：CN118736224A

公开(公告)日：2024-10-01

申请号：CN202410845144.0

申请日：2024-06-27

Applicant: 苏州大学

Inventor： 王邦军 ,  苟旭晨 ,  李凡长 ,  张莉 ,  樊佳庆 ,  都卫东

IPC: G06V10/26 ,  G06V10/774 ,  G06V10/776 ,  G06V10/82 ,  G06N3/08 ,  G06V10/80 ,  G06N3/0464 ,  G06V10/77

Abstract: 本发明涉及图像处理技术领域，尤其是指一种小样本语义分割方法及装置。获取训练集，构建初始小样本语义分割模型，将训练集数据输入，对支持图像的高层特征与查询图像的高层特征分别进行校正，作为支持特征与查询特征，计算支持特征与查询特征的亲和矩阵，通过Softmax函数，得到第一矩阵，基于第一矩阵对支持掩码进行增强，得到增强支持掩码，通过增强支持掩码对亲和矩阵进行加权融合，得到先验掩码，将先验掩码以及获取的支持原型、中层查询特征输入特征富集模块，输出查询图像的预测分割图与查询图像的各个尺度分割图，利用损失函数对模型进行训练，得到目标小样本语义分割模型，缓解了数据集类别不平衡的问题，提高了对查询图像目标分割的精度。

公开(公告)号：CN116740403B

公开(公告)日：2024-09-06

申请号：CN202211644751.8

申请日：2022-12-20

Applicant: 苏州大学

Inventor： 张莉 ,  张黄凯 ,  赵雷 ,  王邦军 ,  周伟达 ,  李映

IPC: G06V10/764 ,  G06V10/772 ,  G06V10/774

Abstract: 本发明涉及一种图像分类的方法包括：对已经获取到的图像数据集进行预处理，将同类别的训练样本整合到同一矩阵中；令所有子字典都满足线性表示每个训练样本的条件，采用交替更新法求解判别保真项与强化判别项和最小时所对应的字典和表示系数矩阵；求解接受到的待预测样本的最优表示系数向量，根据所述最优表示系数向量求得所述待预测样本的残差，根据所述残差判断待预测样本的对应标签；考虑对每一类图像标签设计一个子字典，即增加了强化判别项，通过最小化强化判别项，降低任意两类数据之间的关联性，使得每一个子字典都具备优秀的重构训练样本能力和强大的判别性，当训练样本较少时，能获得并有效区分不同类别，大大提高图像分类准确性。

公开(公告)号：CN116645516B

公开(公告)日：2024-07-19

申请号：CN202310513969.8

申请日：2023-05-09

Applicant: 苏州大学

Inventor： 张莉 ,  魏祥一 ,  赵雷 ,  王邦军

IPC: G06F30/27

Abstract: 本发明涉及一种基于多感知特征融合的多类目标计数方法和系统，方法包括：步骤S1：获取具有多类目标的图像，并提取所述图像的特征图；步骤S2：提取所述特征图的多尺度特征和空间特征，并提取所述多尺度特征的通道特征；步骤S3：将所述空间特征和通道特征进行融合，得到融合特征；步骤S4：将所述融合特征输入计数网络，通过所述计数网络输出密度图；步骤S5：通过对所述密度图进行积分，得到每类目标的数量。本发明能够有效对交通工具和行人进行计数，且效果较好。

公开(公告)号：CN112215290B

公开(公告)日：2024-04-09

申请号：CN202011110501.7

申请日：2020-10-16

Applicant: 苏州大学

Inventor： 张莉 ,  干敏 ,  王邦军 ,  屈蕴茜 ,  周伟达

IPC: G06F18/2132 ,  G06F18/2115 ,  G06N20/00

Abstract: 本发明涉及一种基于Fisher得分的Q学习辅助数据分析方法及系统,包括：将待处理数据输入训练样本中，初始化Q值表；从所述训练样本中任意选择多个数据组成本轮迭代的片段，计算所述片段中每个特征类内距离和类间距离，初始化本轮训练特征子集，获得本轮学习率和更新概率；根据Q值表选择当前状态下的动作，更新Q值表及本轮子集状态；判断本轮子集是否已满，若未满，则返回上一步，若已满，则继续判断是否满足迭代次数，若未满，则返回第二步，若已满，进入下一步；根据Q值表获得当前排序，返回目标子集。本发明不但提升速度快、更加稳定，且具有更好的泛化性能，时间复杂度较低。

公开(公告)号：CN116756537A

公开(公告)日：2023-09-15

申请号：CN202310527946.2

申请日：2023-05-11

Applicant: 苏州大学

Inventor： 张莉 ,  陈心怡 ,  赵雷 ,  王邦军

IPC: G06F18/211 ,  G06F18/2415 ,  G06F18/2413 ,  G06F18/214

Abstract: 本发明涉及特征选择学习技术领域。本发明提出的一种玻璃类型识别方法通过将获得的玻璃特征数据利用构建的半监督特征算法进行特征选择得到特征最优子集，利用特征最优子集筛选数据组成训练集训练最近邻分类器对未知的玻璃数据进行类型识别。在构建的半监督特征算法中利用对约束对的计算得到特征数据集中的特征的权重，考虑了样本特征在加权特征空间下的变化，得到更有效的局部信息，在节约了成本的前提下提高了模型对玻璃的分类性能。

公开(公告)号：CN116740403A

公开(公告)日：2023-09-12

申请号：CN202211644751.8

申请日：2022-12-20

Applicant: 苏州大学

Inventor： 张莉 ,  张黄凯 ,  赵雷 ,  王邦军 ,  周伟达 ,  李映

IPC: G06V10/764 ,  G06V10/772 ,  G06V10/774

Abstract: 本发明涉及一种图像分类的方法包括：对已经获取到的图像数据集进行预处理，将同类别的训练样本整合到同一矩阵中；令所有子字典都满足线性表示每个训练样本的条件，采用交替更新法求解判别保真项与强化判别项和最小时所对应的字典和表示系数矩阵；求解接受到的待预测样本的最优表示系数向量，根据所述最优表示系数向量求得所述待预测样本的残差，根据所述残差判断待预测样本的对应标签；考虑对每一类图像标签设计一个子字典，即增加了强化判别项，通过最小化强化判别项，降低任意两类数据之间的关联性，使得每一个子字典都具备优秀的重构训练样本能力和强大的判别性，当训练样本较少时，能获得并有效区分不同类别，大大提高图像分类准确性。

公开(公告)号：CN116401153A

公开(公告)日：2023-07-07

申请号：CN202310267759.5

申请日：2023-03-20

Applicant: 苏州大学

Inventor： 张莉 ,  魏真 ,  赵雷 ,  王邦军 ,  李映

IPC: G06F11/36 ,  G06F18/2321 ,  G06F18/25

Abstract: 本发明涉及一种基于聚类融合过采样的软件缺陷预测方法，包括：将软件数据集合划分为无缺陷数据集合与有缺陷数据集合；对有缺陷数据集合中样本点聚类，获取无噪声有缺陷子簇集合；将无噪声有缺陷子簇集合中属于同一方向的子簇合并；计算无噪声有缺陷子簇集合中每个子簇的子簇选择概率，计算有缺陷子簇中每个样本点的样本选择概率；根据子簇选择概率，选择有缺陷子簇，根据样本选择概率，从所选有缺陷子簇中选择基点样本点；根据基本样本点的类型选择候选点，对所选有缺陷子簇进行插值，直至有缺陷数据集合与无缺陷数据集合中样本数相同，获取平衡软件数据集合来训练软件缺陷预测模型，利用训练好的软件缺陷预测模型对待检测软件数据进行缺陷预测。

公开(公告)号：CN115272131B

公开(公告)日：2023-06-30

申请号：CN202211008359.4

申请日：2022-08-22

Applicant: 苏州大学

Inventor： 张莉 ,  代强 ,  赵雷 ,  王邦军 ,  李映

IPC: G06T5/00 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明涉及一种基于自适应多光谱编码的图像去摩尔纹系统，包括数据处理模块、模型训练模块和图像处理模块，数据处理模块用于对获取的原始训练集中的图像进行数据增强处理，得到训练数据集；模型训练模块用于使用训练数据集对去摩尔纹网络模型进行训练，图像处理模块用于利用训练好的去摩尔纹网络模型在测试图像上进行去摩尔纹处理，得到去摩尔纹处理后的图像。本发明提出了自适应多光谱编码模块，利用自适应多光谱编码模块对摩尔纹进行动态编码，有助于模型学习摩尔纹之前的频率并清晰地还原摩尔纹图像，实现对摩尔纹的有效去除，且通过去摩尔纹子模块实现自适应和长距离的相关性，同时引入较少的归纳偏置，学习关于摩尔纹图像的全局和局部信息。