-
公开(公告)号：CN111797935A
公开(公告)日：2020-10-20
申请号：CN202010667741.0
申请日：2020-07-13
Applicant: 扬州大学
Abstract: 本发明公开了一种基于群体智能的半监督深度网络图片分类方法，包括以下步骤：1）对数字图片的训练数据集和测试数据集进行预处理，包括归一化和中心化处理；2）使用训练数据集计算网络损失，包括；2-1）对于有标记数据，计算网络的预测值和真实标签值之间的混合KL散度损失；2-2）对于无标记数据，计算多个网络模型预测值之间的群体一致性损失；3）使用有标记数据的混合KL散度损失和无标记数据的群体一致性损失通过反向传播算法优化深度网络的权重参数；4）应用训练好的深度网络对测试数据集进行分类，本发明可实现图片高效且准确的分类。
-
公开(公告)号：CN111797935B
公开(公告)日：2023-10-31
申请号：CN202010667741.0
申请日：2020-07-13
Applicant: 扬州大学
IPC: G06V10/764 , G06V10/774 , G06V30/19 , G06V10/82 , G06N3/084 , G06N3/0895 , G06N3/045
Abstract: 本发明公开了一种基于群体智能的半监督深度网络图片分类方法，包括以下步骤：1）对数字图片的训练数据集和测试数据集进行预处理，包括归一化和中心化处理；2）使用训练数据集计算网络损失，包括；2‑1）对于有标记数据，计算网络的预测值和真实标签值之间的混合KL散度损失；2‑2）对于无标记数据，计算多个网络模型预测值之间的群体一致性损失；3）使用有标记数据的混合KL散度损失和无标记数据的群体一致性损失通过反向传播算法优化深度网络的权重参数；4）应用训练好的深度网络对测试数据集进行分类，本发明可实现图片高效且准确的分类。
-
公开(公告)号：CN113313153B
公开(公告)日：2023-06-23
申请号：CN202110551165.8
申请日：2021-05-20
Applicant: 扬州大学
IPC: G06V10/77 , G06V10/762
Abstract: 本发明公开了一种基于自适应图正则化的低秩NMF图像聚类方法与系统，首先对原始图像数据集应用RPCA算法，获得低秩图像集和噪声；然后对低秩图像集应用NMF，得到基图像集和对应的非负线性表达系数矩阵，再利用分解后的低维流形嵌入结构进行聚类，具体包括：对低秩图像集进行NMF，得到基图像集和非负线性表达系数矩阵；在基图像集上进行Tikhonov正则化，在非负线性表达系数矩阵上进行谱图正则化；对基图像集和非负线性表达系数矩阵分别进行迭代优化；最后，对迭代优化所得的非负线性表达系数矩阵进行聚类，获得图像聚类结果。本发明可解决图像数据进行聚类时不能考虑图像数据的有效结构信息隐藏在其低秩部分的问题，并提高图像数据聚类的准确性。
-
公开(公告)号：CN113313153A
公开(公告)日：2021-08-27
申请号：CN202110551165.8
申请日：2021-05-20
Applicant: 扬州大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于自适应图正则化的低秩NMF图像聚类方法与系统，首先对原始图像数据集应用RPCA算法，获得低秩图像集和噪声；然后对低秩图像集应用NMF，得到基图像集和对应的非负线性表达系数矩阵，再利用分解后的低维流形嵌入结构进行聚类，具体包括：对低秩图像集进行NMF，得到基图像集和非负线性表达系数矩阵；在基图像集上进行Tikhonov正则化，在非负线性表达系数矩阵上进行谱图正则化；对基图像集和非负线性表达系数矩阵分别进行迭代优化；最后，对迭代优化所得的非负线性表达系数矩阵进行聚类，获得图像聚类结果。本发明可解决图像数据进行聚类时不能考虑图像数据的有效结构信息隐藏在其低秩部分的问题，并提高图像数据聚类的准确性。
-
-
-
Search Results
4
records
(took 0.017 seconds)
