-
公开(公告)号：CN103984959B
公开(公告)日：2017-07-21
申请号：CN201410224860.3
申请日：2014-05-26
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开了一种基于数据与任务驱动的图像分类方法，该方法包括：根据数据集规模与图像内容设计卷积神经网络结构；使用给定分类数据集对卷积神经网络模型进行训练；使用训练后的卷积神经网络对训练集图像提取特征表达；将测试图像输入训练后的卷积神经网络，并进行分类。本发明方法基于非线性卷积特征学习，可以以数据驱动的方式实现模型对数据集的自适应，从而更好的描述特定的数据集，通过任务驱动的方式直接对K近邻的误差进行优化，使其能够在K近邻任务上取得更好的性能；并且在训练阶段可以采用GPU进行高效训练，在测试阶段只需使用CPU就可以实现高效的K近邻图像分类，非常适用于大规模的图像分类、检索等任务。
-
公开(公告)号：CN102509110B
公开(公告)日：2014-04-23
申请号：CN201110325938.7
申请日：2011-10-24
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开了一种基于成对约束的在线词典再加权对图像进行分类的方法，包括：对所有训练集图像进行底层特征提取，构建初始视觉词典；采用稀疏编码对提取的底层特征进行特征变换，得到编码后的特征；对编码后的特征进行最大值汇聚，得到一个用向量表达的特征，以利用分类器进行分类；以及利用成对约束对所述用向量表达的特征进行在线词典再加权，并送入分类器进行训练和分类。本发明利用成对约束，可以有效地编码成对图像之间的关系，基于保守-激进训练策略提出的在线学习算法，大大减少了训练时间，并可以实现增量更新，尤其适用于海量数据集。
-
公开(公告)号：CN104573669B
公开(公告)日：2018-09-04
申请号：CN201510041017.6
申请日：2015-01-27
Applicant: 中国科学院自动化研究所
Abstract: 本发明提供一种能够在大图像数据集上获得较好检测性能的图像物体检测方法，包括：对多个样本图像按照信息量级别分别进行标注，获得对应的标注图像；提取所述标注图像中包含物体的区域或包含物体概率最大的区域并生成候选窗口；在卷积神经网络上提取所述候选窗口的特征表达并组成候选集，通过半监督学习对所述候选集进行拟合，获得图像检测模型目标函数；提取待检测图像中包含目标物体的区域或包含目标物体概率最大的区域并生成待检测窗口，提取所述待检测窗口的特征表达并进行检测，获得包含所述目标物体概率最大的所述候选窗口。本发明所述方法能够在大数据集上较快速准确的对目标物体进行检测。
-
Patent Agency Ranking
公开(公告)号：CN104217225A
公开(公告)日：2014-12-17
申请号：CN201410442817.4
申请日：2014-09-02
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开了一种视觉目标检测与标注方法，包括：图像输入步骤，输入待检测图像；候选区域提取步骤，使用选择性搜索算法从所述待检测图像中提取候选窗口作为候选区域；特征描述提取步骤，使用预先训练的大规模卷积神经网络对候选区域进行特征描述并输出该候选区域的特征描述；视觉目标预测步骤，基于所述候选区域的特征描述，利用预先训练的物体检测模型对候选区域进行预测，估计存在所述视觉目标的区域；位置标注步骤，根据所述估计结果对所述视觉目标的位置进行标注。实验表明本发明与主流弱监督视觉目标检测与标注方法相比，具有更强的正样本挖掘能力和更一般的应用前景，适合于在大规模数据集上的视觉目标检测与自动标注任务。
-
公开(公告)号：CN102509110A
公开(公告)日：2012-06-20
申请号：CN201110325938.7
申请日：2011-10-24
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开了一种基于成对约束的在线词典再加权对图像进行分类的方法，包括：对所有训练集图像进行底层特征提取，构建初始视觉词典；采用稀疏编码对提取的底层特征进行特征变换，得到编码后的特征；对编码后的特征进行最大值汇聚，得到一个用向量表达的特征，以利用分类器进行分类；以及利用成对约束对所述用向量表达的特征进行在线词典再加权，并送入分类器进行训练和分类。本发明利用成对约束，可以有效地编码成对图像之间的关系，基于保守-激进训练策略提出的在线学习算法，大大减少了训练时间，并可以实现增量更新，尤其适用于海量数据集。
-
公开(公告)号：CN104217225B
公开(公告)日：2018-04-24
申请号：CN201410442817.4
申请日：2014-09-02
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开了一种视觉目标检测与标注方法，包括：图像输入步骤，输入待检测图像；候选区域提取步骤，使用选择性搜索算法从所述待检测图像中提取候选窗口作为候选区域；特征描述提取步骤，使用预先训练的大规模卷积神经网络对候选区域进行特征描述并输出该候选区域的特征描述；视觉目标预测步骤，基于所述候选区域的特征描述，利用预先训练的物体检测模型对候选区域进行预测，估计存在所述视觉目标的区域；位置标注步骤，根据所述估计结果对所述视觉目标的位置进行标注。实验表明本发明与主流弱监督视觉目标检测与标注方法相比，具有更强的正样本挖掘能力和更一般的应用前景，适合于在大规模数据集上的视觉目标检测与自动标注任务。
-
公开(公告)号：CN104573669A
公开(公告)日：2015-04-29
申请号：CN201510041017.6
申请日：2015-01-27
Applicant: 中国科学院自动化研究所
Abstract: 本发明提供一种能够在大图像数据集上获得较好检测性能的图像物体检测方法，包括：对多个样本图像按照信息量级别分别进行标注，获得对应的标注图像；提取所述标注图像中包含物体的区域或包含物体概率最大的区域并生成候选窗口；在卷积神经网络上提取所述候选窗口的特征表达并组成候选集，通过半监督学习对所述候选集进行拟合，获得图像检测模型目标函数；提取待检测图像中包含目标物体的区域或包含目标物体概率最大的区域并生成待检测窗口，提取所述待检测窗口的特征表达并进行检测，获得包含所述目标物体概率最大的所述候选窗口。本发明所述方法能够在大数据集上较快速准确的对目标物体进行检测。
-
公开(公告)号：CN103984959A
公开(公告)日：2014-08-13
申请号：CN201410224860.3
申请日：2014-05-26
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开了一种基于数据与任务驱动的图像分类方法，该方法包括：根据数据集规模与图像内容设计卷积神经网络结构；使用给定分类数据集对卷积神经网络模型进行训练；使用训练后的卷积神经网络对训练集图像提取特征表达；将测试图像输入训练后的卷积神经网络，并进行分类。本发明方法基于非线性卷积特征学习，可以以数据驱动的方式实现模型对数据集的自适应，从而更好的描述特定的数据集，通过任务驱动的方式直接对K近邻的误差进行优化，使其能够在K近邻任务上取得更好的性能；并且在训练阶段可以采用GPU进行高效训练，在测试阶段只需使用CPU就可以实现高效的K近邻图像分类，非常适用于大规模的图像分类、检索等任务。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.031 seconds)
