公开(公告)号：CN109102019A

公开(公告)日：2018-12-28

申请号：CN201810907142.4

申请日：2018-08-09

Applicant: 成都信息工程大学

Inventor： 李孝杰 ,  伍贤宇 ,  史沧红 ,  吕建成 ,  吴锡 ,  李莉丽 ,  郭峰 ,  罗超 ,  张宪 ,  刘书樵 ,  李俊良

IPC: G06K9/62 ,  G06N3/04

Abstract: 本发明涉及图像处理技术领域，具体的说是基于HP-Net卷积神经网络的图像分类方法。本发明包括以下步骤：步骤1：读取输入图像I；步骤2：将输入图像I分为大小为m×m的图像块集合，每一块用Ii表示，i＝1，2，...，n，n表示图像块的数量；步骤3：将Ii输入到卷积神经网络中进行训练；步骤4：经过若干次提取特征，再通过三层全连接层，得到一维的矩阵，然后使用丢弃正则化操作避免过拟合；步骤5：将卷积神经网络中的输出结果输入到softmax分类器里，最终得到分类结果。本发明所提出的网络模型表现出更好的性能，在RO-5和花卉数据集上比其他现有的网络模型要高。

公开(公告)号：CN107341514B

公开(公告)日：2020-07-21

申请号：CN201710548763.3

申请日：2017-07-07

Applicant: 成都信息工程大学

Inventor： 李孝杰 ,  吴锡 ,  吕建成 ,  周激流 ,  李莉丽 ,  王强

IPC: G06K9/62

Abstract: 本发明涉及一种基于联合密度及角度的异常点和边缘点检测方法，本发明基于边缘点和异常点具有较低的局部密度和较小的角度方差变化的思想，结合数据集的角度与密度的联合信息，利用联合测度去判定样本点属于异常点和边缘点的程度，通过设置门限值自动确定特殊点。提出了一种较稳定的异常点与边缘点的检测方法，提高了边缘点与异常点检测的性能，可较好地反映数据集的特征，并且能够检测出噪音数据，更好的去除噪音。克服了现有技术在复杂数据集中特殊点检测的效果不好和不稳定的缺点。

公开(公告)号：CN107341514A

公开(公告)日：2017-11-10

申请号：CN201710548763.3

申请日：2017-07-07

Applicant: 成都信息工程大学

Inventor： 李孝杰 ,  吴锡 ,  吕建成 ,  周激流 ,  李莉丽 ,  王强

IPC: G06K9/62

Abstract: 本发明涉及一种基于联合密度及角度的异常点和边缘点检测方法，本发明基于边缘点和异常点具有较低的局部密度和较小的角度方差变化的思想，结合数据集的角度与密度的联合信息，利用联合测度去判定样本点属于异常点和边缘点的程度，通过设置门限值自动确定特殊点。提出了一种较稳定的异常点与边缘点的检测方法，提高了边缘点与异常点检测的性能，可较好地反映数据集的特征，并且能够检测出噪音数据，更好的去除噪音。克服了现有技术在复杂数据集中特殊点检测的效果不好和不稳定的缺点。