一种鲁棒直推式标签估计及数据分类方法和系统

    公开(公告)号:CN105608471B

    公开(公告)日:2020-01-14

    申请号:CN201511002862.9

    申请日:2015-12-28

    Applicant: 苏州大学

    Abstract: 本发明公开了一种鲁棒直推式标签估计及数据分类方法和系统,方法包括:利用有标签和无标签训练样本人工初始化类标签矩阵,经近邻搜索构造相似近邻图和归一化后的权重系数矩阵;通过平衡近邻重构项和标签拟合项得到未知标签训练样本的软标签矩阵;基于鲁棒l2,1‑范数度量的近邻重构错误,定义流形平滑项;对标签拟合项进行l2,1‑范数正则化;通过迭代计算得到每个未知标签样本数据的软类别标签向量,估计出样本类别,得到分类结果。采用该方法构建的系统,通过引入l2,1‑范数正则化技术,有效提升了系统对于噪音的鲁棒性,增强分类性能。

    一种鲁棒直推式标签估计及数据分类方法和系统

    公开(公告)号:CN105608471A

    公开(公告)日:2016-05-25

    申请号:CN201511002862.9

    申请日:2015-12-28

    Applicant: 苏州大学

    Abstract: 本发明公开了一种鲁棒直推式标签估计及数据分类方法和系统,方法包括:利用有标签和无标签训练样本人工初始化类标签矩阵,经近邻搜索构造相似近邻图和归一化后的权重系数矩阵;通过平衡近邻重构项和标签拟合项得到未知标签训练样本的软标签矩阵;基于鲁棒l2,1-范数度量的近邻重构错误,定义流形平滑项;对标签拟合项进行l2,1-范数正则化;通过迭代计算得到每个未知标签样本数据的软类别标签向量,估计出样本类别,得到分类结果。采用该方法构建的系统,通过引入l2,1-范数正则化技术,有效提升了系统对于噪音的鲁棒性,增强分类性能。

    一种诱导式非负投影半监督数据分类方法及系统

    公开(公告)号:CN107766895B

    公开(公告)日:2021-07-09

    申请号:CN201711140254.3

    申请日:2017-11-16

    Applicant: 苏州大学

    Abstract: 本发明方法明确地将半监督数据表示和分类误差结合到现有的投影非负矩阵分解框架进行联合最小化学习,由此将权重系数构造和标签传播过程作用于投影非负矩阵分解,可有效避免原始数据中可能包含的噪音、破坏或异类对相似性度量和标签预测结果的负面影响。此外,上述联合最小化过程也可在投影非负矩阵分解过程中有效保持邻域信息和空间结构,得到更准确的数据表示结果。此外,还将权重构建和归纳学习整合到一个统一的模型中,可得到自适应的权重系数矩阵,进而避免传统算法中选取最优近邻难的问题。本发明方法为诱导式模型,可完成样本外数据的归纳与预测,无需引入额外的重构过程,可拓展性能好。

    一种自适应的图像标签鲁棒预测方法及系统

    公开(公告)号:CN106529604B

    公开(公告)日:2019-09-27

    申请号:CN201611059009.5

    申请日:2016-11-24

    Applicant: 苏州大学

    Abstract: 本发明公开了一种自适应的图像标签鲁棒预测方法及系统,为了提高对未知类别标签的待测样本标签的预测,提出将稀疏编码和标签传播集成到一个统一的框架中,实现稀疏重构误差和分类误差联合执行同时达到最小化,这完全区别于传统的标签传播方法将图构造与标签传播分为相互独立的两个步骤;因采用迭代的优化方案计算稀疏编码和软标签矩阵,在每一次迭代中,稀疏编码被作为预测模块的自适应权重用于标签传播,因此避免了在传统图构建的复杂过程中最优近邻及其最优近邻数量的选择难问题;此外,为了增强稀疏性,提出将稀疏编码稀疏和重构误差同时施加L2,1范数正则化约束,通过引入L2,1范数正则化技术,有效提升了系统的预测准确度和鲁棒性。

    一种新的直推式半监督数据分类方法及系统

    公开(公告)号:CN108009571A

    公开(公告)日:2018-05-08

    申请号:CN201711141009.4

    申请日:2017-11-16

    Applicant: 苏州大学

    CPC classification number: G06K9/6267 G06K9/6256 G06K9/6259

    Abstract: 本发明公开了一种新的直推式半监督数据分类方法及系统,将无监督子空间特征学习,判别聚类和自适应半监督分类无缝地集成到一个统一的框架,基于原始数据的低维流行特征和判别子空间聚类结果进行半监督学习,可用于高维数据表示和分类,基于上述联合模型,图构造与标签传播过程也被无缝地结合,由此可得到基于低维流形特征的自适应权重系数矩阵和无标签数据的软类别标签。

    一种联合鲁棒主成分特征学习与视觉分类方法及系统

    公开(公告)号:CN105528620B

    公开(公告)日:2019-12-06

    申请号:CN201510918300.2

    申请日:2015-12-11

    Applicant: 苏州大学

    Abstract: 本发明公开了一种联合鲁棒主成分特征学习与视觉分类方法及系统,通过将鲁棒主成分特征学习、编码错误和基于主成分特征的分类错误集成到一个统一的最小化框架,可同时进行联合低秩与稀疏特征提取和数据纠错,且可确保得到的特征对于分类是最优的。为了得到描述性更强的鲁棒特征,同时考虑数据的低秩与稀疏特性,同时通过将一个投影嵌入的特征进行低秩和L1‑范数最小化,确保提取的特征满足低秩与稀疏特性。最终得到一个线性投影矩阵P和一个线性分类器W。P可直接提取待测样本的联合特征,进而将特征向W进行映射,可得到其软类别标签,通过软类别标签中最大值对应的位置,得到最准确的视觉分类结果。此外,通过得到P和W,有效提升了测试过程的可拓展性。

    一种自适应的多视角图像分类方法及系统

    公开(公告)号:CN108021930B

    公开(公告)日:2022-01-14

    申请号:CN201711140976.9

    申请日:2017-11-16

    Applicant: 苏州大学

    Abstract: 本发明公开了一种自适应的多视角图像分类方法及系统,将多视角标签传播和自适应多图权重学习整合到一个统一的框架中,充分探索各视角间的互补性,通过引入线性变换来获取不同视角空间的权重参数,进而结合每个视角构建最优的权重系数。由于在多视角数据权重学习方面采用了自适应方式,可以避免传统的单视角和多视角标签传播方法过程中遇到的复杂而棘手的近邻数量或高斯核参数选择难问题。模型主要通过在训练过程中最小化基于多视角数据的分类误差和其重构系数之中的重构误差,最终输出样本的类别归属概率,取概率的最大值,用于图像类别的鉴定,得到最准确的分类结果。

    一种基于核正负标签传播的数据分类方法及系统

    公开(公告)号:CN108009570A

    公开(公告)日:2018-05-08

    申请号:CN201711140253.9

    申请日:2017-11-16

    Applicant: 苏州大学

    CPC classification number: G06K9/6267 G06K9/6256

    Abstract: 本发明公开了一种基于核正负标签传播的数据分类方法,通过核函数将原始欧式空间的输入数据映射到更高维的核特征空间,并将负标签信息集成到传统的标签传播模型,提出一个统一的核正负标签传播模型,可用于自适应的数据分类。本发明方法将标签传播的领域范畴从原始欧式空间转换到核空间,并将标签传播过程与自适应权重学习过程集成并基于核空间进行。核正负标签传播模型为了实现数据线性不可分的问题,通过引入内积,将原始线性不可分的数据转换到高维的核空间,实现在高维核空间中线性可分的目的,增强分类能力。通过在核空间中同时最小化数据重构误差和标签分类误差,可获得自适应的权重系数,并可避免传统算法对近邻数的选择难问题。

    一种核范数驱动的数据分类方法及系统

    公开(公告)号:CN106203517A

    公开(公告)日:2016-12-07

    申请号:CN201610554118.8

    申请日:2016-07-14

    Applicant: 苏州大学

    CPC classification number: G06K9/6267 G06K9/6271

    Abstract: 本发明公开了一种核范数驱动的数据分类方法及系统,该方法包括:首先利用训练集中的样本构造权重系数矩阵,用于表征样本间的相似性,再初始化一个初始类别矩阵;其次,为了准确可靠地度量近邻重构误差,采用了核范数来度量流形平滑项,在优化过程中,基于核范数的近邻重构误差最小化问题可转化成求解一系列Frobenius范数的优化问题,同时,在度量预测标签与人工初始标签之间的差异的过程中,为了提升模型对于噪音的鲁棒性和度量的准确性,提出基于加权L2,1范数的标签拟合项。最后,取软类别标签向量中概率值最大项用于类别鉴定,得到最准确的分类结果。此外,使用核范数作为距离度量比L1范数或L2范数更可靠,有效提升了模型的预测精准度。

    一种自适应的多视角图像分类方法及系统

    公开(公告)号:CN108021930A

    公开(公告)日:2018-05-11

    申请号:CN201711140976.9

    申请日:2017-11-16

    Applicant: 苏州大学

    Abstract: 本发明公开了一种自适应的多视角图像分类方法及系统,将多视角标签传播和自适应多图权重学习整合到一个统一的框架中,充分探索各视角间的互补性,通过引入线性变换来获取不同视角空间的权重参数,进而结合每个视角构建最优的权重系数。由于在多视角数据权重学习方面采用了自适应方式,可以避免传统的单视角和多视角标签传播方法过程中遇到的复杂而棘手的近邻数量或高斯核参数选择难问题。模型主要通过在训练过程中最小化基于多视角数据的分类误差和其重构系数之中的重构误差,最终输出样本的类别归属概率,取概率的最大值,用于图像类别的鉴定,得到最准确的分类结果。

Patent Agency Ranking