-
公开(公告)号：CN109101978A
公开(公告)日：2018-12-28
申请号：CN201810739591.2
申请日：2018-07-06
Applicant: 中国地质大学(武汉)
Abstract: 本发明公开了一种基于加权低秩矩阵恢复模型的显著性目标检测方法与系统，为了提高图像中前景与背景分离的准确度，该方法通过运用图像的颜色、位置和边界联系等属性，预估一个高级背景先验图，然后将这个先验图组合成一个加权矩阵来估计图像每个区域属于背景的可能性。通过加权的低秩矩阵恢复，可以将背景和显著性目标进行有效的分离，即使是对于前景与背景的外观相似时，以及前景占据了大部分图像时，也能够很好的进行工作。
-
公开(公告)号：CN109509191A
公开(公告)日：2019-03-22
申请号：CN201811361543.0
申请日：2018-11-15
Applicant: 中国地质大学(武汉)
Abstract: 本发明公开了一种图像显著性目标检测方法及系统，具体提出了一个自下而上的通过相似图的学习和加权流行排序的显著性检测方法，引入一种无监督的学习方法来学习基于图像数据表象的相似图，通过将图像边界超像素设置为背景种子，利用相似矩阵中隐含的全局显著性置信度来对显著性排序进行加权。在这种方式下，具有较高显著性置信度的超像素将在最终显著图中被分配较高的显著性值，并且可以有效地抑制背景超像素。在三个数据集上进行综合评估表明，本发明的方法及系统普遍优于其他无监督的基于图的显著性检测方法。
-
公开(公告)号：CN109101978B
公开(公告)日：2021-08-24
申请号：CN201810739591.2
申请日：2018-07-06
Applicant: 中国地质大学(武汉)
Abstract: 本发明公开了一种基于加权低秩矩阵恢复模型的显著性目标检测方法与系统，为了提高图像中前景与背景分离的准确度，该方法通过运用图像的颜色、位置和边界联系等属性，预估一个高级背景先验图，然后将这个先验图组合成一个加权矩阵来估计图像每个区域属于背景的可能性。通过加权的低秩矩阵恢复，可以将背景和显著性目标进行有效的分离，即使是对于前景与背景的外观相似时，以及前景占据了大部分图像时，也能够很好的进行工作。
-
公开(公告)号：CN110348287A
公开(公告)日：2019-10-18
申请号：CN201910441208.X
申请日：2019-05-24
Applicant: 中国地质大学(武汉)
Abstract: 本发明为一种基于字典和样本相似图的无监督特征选择方法和装置，公开了一种基于字典和样本相似图学习的无监督特征选择方法及系统，该方法及系统中，由于通过给到原始数据矩阵X的一个新的字典基空间，在生成的新字典基空间W中，使用l2,1范数对W施加的行稀疏性，以此用来度量特征的重要性。与以往在原始特征空间中的低级表示方法相比，本发明中公开的基于字典和样本相似图学习模型，捕获了更高的层次和更抽象的表示，具有广阔的应用前景。
-
-
-
Search Results
4
records
(took 0.022 seconds)
