公开(公告)号：CN111090764B

公开(公告)日：2023-06-23

申请号：CN201911324397.9

申请日：2019-12-20

Applicant: 中南大学

Inventor： 刘锦 ,  王宇菲 ,  王建新 ,  兰伟

IPC: G06V10/764 ,  G06V10/771 ,  G06V10/25 ,  G06V10/82 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/08 ,  G06V10/80

Abstract: 本发明公开了一种基于多任务学习和图卷积神经网络的影像分类方法及装置，所述方法包括以下步骤：步骤1、分别提取每个影像的特征，每个影像的特征包括其对应的大脑D个感兴趣区域的M种形态学特征；步骤2、将每种形态学特征作为一个任务，其维度为D；基于多任务学习方法进行特征选择，得到每个影像的M种形态学特征向量；步骤3、构建基于图卷积神经网络的分类器，基于影像样本的M种形态学特征向量及其分类标签对分类器进行训练，得到训练好的分类器；步骤4、基于训练好的分类器对未知分类标签的影像进行分类。本发明能够提高影像的分类准确度。

公开(公告)号：CN111325268A

公开(公告)日：2020-06-23

申请号：CN202010099868.7

申请日：2020-02-18

Applicant: 中南大学

Inventor： 刘锦 ,  王建新 ,  项艺珍 ,  王宇菲

IPC: G06K9/62 ,  G06K9/46 ,  G06K9/32

Abstract: 本发明公开了一种基于多层次特征表示和集成学习的影像分类方法及装置，所述方法包括以下步骤：步骤1：获取多个影像，并对其进行预处理；步骤2：根据预处理后的影像，分别提取其点、边及网络三种不同层次的特征向量；步骤3：分别对三种不同层次的特征向量进行特征选择，得到三种不同层次的最优特征向量；步骤4：构建三个基于单层次特征的弱分类器，分别利用影像样本三个层次的最优特征向量进行训练，得到训练好的三个弱分类器；步骤5：将待测影像三个层次的最优特征向量分别输入训练好的相应的三个弱分类器，得到该待测影像的三个分类结果；融合三个弱分类器的分类结果，得到待测影像的最终分类标签。本发明分类准确率高。

公开(公告)号：CN111090764A

公开(公告)日：2020-05-01

申请号：CN201911324397.9

申请日：2019-12-20

Applicant: 中南大学

Inventor： 刘锦 ,  王宇菲 ,  王建新 ,  兰伟

IPC: G06F16/55 ,  G06F16/583 ,  G06F16/58 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于多任务学习和图卷积神经网络的影像分类方法及装置，所述方法包括以下步骤：步骤1、分别提取每个影像的特征，每个影像的特征包括其对应的大脑D个感兴趣区域的M种形态学特征；步骤2、将每种形态学特征作为一个任务，其维度为D；基于多任务学习方法进行特征选择，得到每个影像的M种形态学特征向量；步骤3、构建基于图卷积神经网络的分类器，基于影像样本的M种形态学特征向量及其分类标签对分类器进行训练，得到训练好的分类器；步骤4、基于训练好的分类器对未知分类标签的影像进行分类。本发明能够提高影像的分类准确度。