-
公开(公告)号：CN111553416B
公开(公告)日：2024-05-28
申请号：CN202010347890.9
申请日：2020-04-28
Applicant: 江苏理工学院
IPC: G06V10/762 , G06V20/40
Abstract: 传统子空间聚类问题并没有考虑序列数据的特性，即相邻帧序列样本具有一定的相似性，针对这一问题，本发明提出了一种新的低秩稀疏空间子空间聚类方法(Low Rank and Sparse Spatial Subspace Clustering for Sequential Data，LRS3C)。该算法寻找序列数据矩阵的稀疏低秩表示，并针对序列数据特性在目标函数中引入一个惩罚项。在人工数据集、视频序列数据集和人脸图像数据集上的仿真实验表明，本发明提出的方法LRS3C具有较好的性能。
-
公开(公告)号：CN110363712B
公开(公告)日：2023-06-23
申请号：CN201910514472.1
申请日：2019-06-14
Applicant: 江苏理工学院
IPC: G06T5/00
Abstract: 本发明提供了一种稀疏对偶约束的高光谱图像解混方法，包括：S10获取待解混的高光谱图像，并通过在高维数据矩阵中寻找每个像素点的k个最近邻点构造一个最近邻图；S20将步骤S10中构造的最近邻图中的每个像素点作为一个向量，在稀疏区域内，通过设置像素点间稀疏距离的方法构造另一个图；S30根据步骤S10和步骤S20构建的两个图，建立稀疏约束下基于非负矩阵分解的损失函数C：S40对数据矩阵N进行逐层分解得到相应的矩阵因子，且在分解到最后一层使用微调规则对矩阵因子进行调整，调整之后进行迭代更新；S50输出最终迭代的结果，得到对高光谱图像解混后的端成员矩阵U和丰度矩阵V，完成对高光谱图像的解混。整个速度快且占用存储空间小，保证了复杂度低的同时维持一定的处理速度，提高了解混效率。
-
公开(公告)号：CN111504327B
公开(公告)日：2023-10-27
申请号：CN202010360840.4
申请日：2020-04-30
Applicant: 江苏理工学院
Abstract: 一种基于航迹平滑技术的广义标签多伯努利多目标跟踪方法，它属于能信息处理技术领域，主要解决多目标的航迹更新和状态平滑问题。本发明方法在GLMB跟踪算法框架下，更新其提供的多目标航迹，根据航迹量测生成目标状态并平滑。本发明与传统方法相比，提高了在遇到目标量测漏检、伪目标存在的情况下多目标跟踪的精度和鲁棒性，可以满足实际工程系统的设计需求，具有良好的工程应用价值。
-
公开(公告)号：CN111553416A
公开(公告)日：2020-08-18
申请号：CN202010347890.9
申请日：2020-04-28
Applicant: 江苏理工学院
IPC: G06K9/62
Abstract: 传统子空间聚类问题并没有考虑序列数据的特性，即相邻帧序列样本具有一定的相似性，针对这一问题，本发明提出了一种新的低秩稀疏空间子空间聚类方法(Low Rank and Sparse Spatial Subspace Clustering for Sequential Data，LRS3C)。该算法寻找序列数据矩阵的稀疏低秩表示，并针对序列数据特性在目标函数中引入一个惩罚项。在人工数据集、视频序列数据集和人脸图像数据集上的仿真实验表明，本发明提出的方法LRS3C具有较好的性能。
-
公开(公告)号：CN111504326A
公开(公告)日：2020-08-07
申请号：CN202010360481.2
申请日：2020-04-30
Applicant: 江苏理工学院
Abstract: 一种基于T分布的鲁棒GLMB多目标跟踪方法，属于制导和智能信息处理技术领域，主要解决多目标的跟踪、航迹关联和状态估计问题。本发明方法在J-GLMB跟踪算法框架下，假设目标状态服从T分布，采用TDVB滤波技术进行状态更新。本发明与传统方法相比，提高了非线性和强干扰场景下的多目标跟踪精度和鲁棒性，可以满足实际工程系统的设计需求，具有良好的工程应用价值。
-
Patent Agency Ranking
公开(公告)号：CN111325776A
公开(公告)日：2020-06-23
申请号：CN202010101424.2
申请日：2020-02-19
Applicant: 江苏理工学院
Abstract: 本发明公开了基于变分贝叶斯T分布卡尔曼滤波的PHD多目标跟踪方法，它属于制导和智能信息处理技术领域，主要解决非线性情况和量测异常值情况下多目标跟踪算法精度下降问题。该方法基于变分贝叶斯推断框架，采用T分布卡尔曼滤波技术更新目标状态，并基于变分贝叶斯框架和T分布卡尔曼滤波推导了目标后验概率密度，提高了PHD跟踪算法的鲁棒性和总体跟踪精度，可以满足实际工程系统的设计需求，具有良好的工程应用价值。
-
公开(公告)号：CN110363712A
公开(公告)日：2019-10-22
申请号：CN201910514472.1
申请日：2019-06-14
Applicant: 江苏理工学院
IPC: G06T5/00
Abstract: 本发明提供了一种稀疏对偶约束的高光谱图像解混方法，包括：S10获取待解混的高光谱图像，并通过在高维数据矩阵中寻找每个像素点的k个最近邻点构造一个最近邻图；S20将步骤S10中构造的最近邻图中的每个像素点作为一个向量，在稀疏区域内，通过设置像素点间稀疏距离的方法构造另一个图；S30根据步骤S10和步骤S20构建的两个图，建立稀疏约束下基于非负矩阵分解的损失函数C：S40对数据矩阵N进行逐层分解得到相应的矩阵因子，且在分解到最后一层使用微调规则对矩阵因子进行调整，调整之后进行迭代更新；S50输出最终迭代的结果，得到对高光谱图像解混后的端成员矩阵U和丰度矩阵V，完成对高光谱图像的解混。整个速度快且占用存储空间小，保证了复杂度低的同时维持一定的处理速度，提高了解混效率。
-
公开(公告)号：CN111950614A
公开(公告)日：2020-11-17
申请号：CN202010758137.9
申请日：2020-07-31
Applicant: 江苏理工学院
Abstract: 本发明提供了一种基于局部约束自适应邻域的自表示流形概念分解方法，包括：S10获取待聚类样本数据集；S20针对待聚类样本数据集构建邻接权重矩阵；S30基于局部连通性自适应地为待聚类样本数据集中每个数据点分配邻域以学习关联矩阵；S40建立包含图正则项、自适应邻域正则项及局部稀疏项的基于概念分解的目标函数；S50根据目标函数使用迭代加权的方法迭代预设次数，得到待聚类样本数据集的特征矩阵；S60采用K-Means聚类算法对得到的特征矩阵进行聚类，完成对待聚类样本数据集的聚类，解决现有聚类方法中聚类结果对输入数据敏感的问题。
-
公开(公告)号：CN118521481A
公开(公告)日：2024-08-20
申请号：CN202410756185.2
申请日：2024-06-13
Applicant: 江苏理工学院
IPC: G06T3/4053 , G06T3/4046 , G06N3/0464 , G06N3/0475 , G06N3/045 , G06N3/094 , G06N3/048
Abstract: 本发明公开了一种基于深度残差生成对抗网络的图像超分辨率重建方法和系统，该方法采用具有基于多层跳跃连接策略的用于强化高频细节的残差组网络结构的深度残差生成对抗网络，该深度残差生成对抗网络包括用于根据低分辨率图像生成超分辨率图像的生成器网络模型和在训练过程中判断生成器网络模型生成的超分辨率图像与真实高分辨率图像相似度的判别器网络模型，通过将低分辨率图像输入至预先训练完成的深度残差生成对抗网络模型中，输出完成分辨率重建的超分辨率图像。该方法通过构建残差组网络结构，该残差组网络结构采用了更深层次的残差组设计，有效地改善了深层网络在训练过程中的梯度传播问题，增强了网络对图像高频细节的学习能力。
-
公开(公告)号：CN110990775B
公开(公告)日：2023-11-07
申请号：CN201911190170.X
申请日：2019-11-28
Applicant: 江苏理工学院
IPC: G06F18/23213 , G06F17/16
Abstract: 本发明提供了一种基于多流形对偶图正则化非负矩阵分解的多视图聚类方法，包括：S10获取待聚类视图；S20针对每个待聚类视图构建数据图的邻接矩阵和特征图的邻接矩阵；S30通过一致性系数及多视图局部嵌入得到多流形对偶图正则化非负矩阵分解的目标函数；S40根据目标函数使用迭代加权的方法迭代预设次数，对每个待聚类视图数据图的邻接矩阵、特征图的邻接矩阵及图正则项进行更新，得到各待聚类视图的特征矩阵；S50采用k‑means聚类算法分别对每个待聚类视图的特征矩阵进行分析，实现多视图聚类。该聚类方法与传统的多视图聚类方法相比，更加有效地利用视图数据中包含的结构信息及特征，大大提升了聚类效果，带来了更好的聚类性能。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.02 seconds)
