-
公开(公告)号：CN107886090A
公开(公告)日：2018-04-06
申请号：CN201711352665.9
申请日：2017-12-15
Applicant: 苏州大学
CPC classification number: G06K9/00268 , G06K9/00288 , G06K9/6232 , G06K9/6256
Abstract: 本申请公开了单样本人脸识别方法、系统、设备及可读存储介质，其中，该方法包括：获取已标注的人脸图像数据，得到参考数据；通过对所述参考数据进行多尺度支持向量变换，得到所述参考数据相应的多尺度高维投影；提取所述多尺度高维投影的特征，得到所述参考数据相应的多尺度高维特征序列；利用所述多尺度高维特征序列，分别对所述参考数据和待测试数据进行反投影，得到所述参考数据和所述待测试数据相应的虚拟图像；根据所述参考数据对应的虚拟图像，计算所述待测试数据相应的虚拟图像的分类准确率，以完成对单样本的人脸识别。可见，本发明提供的单样本人脸识别方法将特征提取和样本扩充进行有机的结合，从而提高单样本人脸识别的准确率。
-
公开(公告)号：CN107563445A
公开(公告)日：2018-01-09
申请号：CN201710796349.4
申请日：2017-09-06
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 本发明实施例公开了一种基于半监督学习的提取图像特征的方法与装置，初始化模型参数，对图像数据进行预处理得到图像样本；并将图像样本划分为包括有标签样本和无标签样本的训练样本、只包含无标签样本的测试样本；依据成对约束条件，确定出训练样本中有标签样本对应的约束集；利用近邻搜索算法，构建所有训练样本对应的近邻图，并计算权重矩阵；通过最小化特征近似错误，对训练样本进行低维流形特征处理，得到低维流形特征和线性投影矩阵；利用线性投影矩阵提取训练样本和测试样本的图像特征。通过该技术方案可以同时保持样本数据间的全局和局部结构信息，提高特征的可鉴别性。并且实现快速将新的测试数据映射到低维，提高图像特征提取的性能。
-
公开(公告)号：CN107480628A
公开(公告)日：2017-12-15
申请号：CN201710680306.X
申请日：2017-08-10
Applicant: 苏州大学
Abstract: 本发明实施例公开了一种人脸识别方法及装置。其中，方法包括对获取到的待识别图像与包含多个用户的单幅样本图像的样本训练库进行图像分割，将待识别图像与各样本图像分割为相同预设块数、位置一一对应、不重叠的多幅子图像；计算待识别图像的各子图像与各样本图像对应的子图像的相异性，将各个子图像的相异性值进行平均值融合计算，以得到待识别图像与各所述样本图像的相异性值；根据各相异性值，利用最近邻分类器为待识别图像在样本训练库中匹配对应的用户。有效避免了传统的利用相似性识别由于训练样本少造成的准确率较低的现象；有利于提升单样本训练的人脸图像识别的准确性，从而提高人脸识别的准确率，以提高身份鉴别的安全性。
-
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
IPC: G06K9/62
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。
-
公开(公告)号：CN105825236A
公开(公告)日：2016-08-03
申请号：CN201610156405.3
申请日：2016-03-18
Applicant: 苏州大学
IPC: G06K9/62
CPC classification number: G06K9/6215 , G06K9/6268
Abstract: 本发明公开了检测一种样本检测模型的构建方法和系统，从预设的训练样本集中确定多个类别的训练样本；基于余弦去中心相似性原理，并根据多个类别的训练样本的同类相似样本集和异类相似样本集，建立低维特征空间的投影矩阵；依据投影矩阵以及多个类别的训练样本构建样本检测模型；样本检测模型用于检测待测样本的类别参数。本发明基于余弦去中心相似性原理来度量待测样本与训练样本之间的相似度，与采用欧氏距离的现有技术相比，本申请方案的相似度的度量精度更高，从而可以提高对待测样本的检测精度。
-
Patent Agency Ranking
公开(公告)号：CN104966105A
公开(公告)日：2015-10-07
申请号：CN201510408404.9
申请日：2015-07-13
Applicant: 苏州大学
IPC: G06K9/62
CPC classification number: G06K9/6256 , G06K9/6277
Abstract: 本发明公开了一种鲁棒机器错误检索方法与系统，首先利用标签估计方法对训练集数据进行预处理，估计出未标定机器数据的标签，并初始化一个投影分类器。基于训练样本的类别信息，进行标签一致字典学习，利用得到的判别稀疏编码构造标签预测模型中的自适应重构权，通过计算新的投影分类器来更新无标签训练数据的类信息。通过多次迭代训练，输出一个判别的可重构字典，一个稀疏编码矩阵和一个最优多类分类器。训练得到的分类器可用于新来数据的归纳和类别预测，根据软标签中的概率最大值对应的位置，确定测试样本的类别，完成机器错误数据鲁棒分类。通过提出半监督标签一致字典学习方法，丰富了监督的先验信息，有效提高了机器错误检索的精准度。
-
公开(公告)号：CN104966075A
公开(公告)日：2015-10-07
申请号：CN201510418913.X
申请日：2015-07-16
Applicant: 苏州大学
IPC: G06K9/00
CPC classification number: G06K9/00288 , G06K9/00268
Abstract: 本申请提供了一种基于二维判别特征的人脸识别方法与系统，通过对人脸训练图像进行判别学习，紧凑局部类内散度和分离局部类间散度，为了有效保持图像像素间的拓扑结构和内在相关性，设计基于矩阵描述的判别特征提取系统，可直接作用于人脸图像，不会破坏图像像素间的拓扑结构和相关性，进而提升系统性能。样本外图像的归纳主要通过将测试样本向系统输出的正交投影进行映射，进而将提取的人脸图像二维特征输入最近邻分类器进行归类，取与测试样本相似性最大或距离最小的训练样本的标签，用于人脸测试图像的类别鉴定，得到最准确的人脸识别结果。此外，本发明通过直接对人脸图像进行特征提取和分类，有效提高了系统效率，系统可拓展性好。
-
公开(公告)号：CN104794489A
公开(公告)日：2015-07-22
申请号：CN201510197245.2
申请日：2015-04-23
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于深度标签预测的诱导式图像分类方法及系统，首先对有标签的训练样本和无标签的训练样本进行相似性学习，构造加权相似近邻图，再初始化一个类标签矩阵。为了降低“浅”预测标签中的混合信号对系统性能的影响，引入了描述学习的思想，先计算基于原始输入空间的通常含有混合信号的“浅”软标签，进而利用描述学习得到判别性更强的深度软标签，取深度标签中概率的最大值，用于类别鉴定，得到最准确的分类结果。通过深度标签预测，有效降低了浅层软标签中的混合信号对结果的影响，使分类精度大幅提高。此外，本发明方法通过引入描述学习，可快速有效地完成样本外数据的深度归纳分类，无需引入额外的学习过程，方法可拓展性好。
-
公开(公告)号：CN104750875A
公开(公告)日：2015-07-01
申请号：CN201510197408.7
申请日：2015-04-23
Applicant: 苏州大学
IPC: G06F17/30
Abstract: 本申请涉及数据挖掘技术领域，特别是涉及一种机器错误数据分类方法及系统。该方法引入标签传播算法作为机器错误数据预处理步骤，利用少量的已标定机器数据的标签，快速估计出未标定数据的标签，组成分类训练集。基于分类训练集中的机器数据及标签，进行标签一致的字典学习，同时最小化重构错误、判别稀疏编码错误和分类错误，得到重构字典、稀疏编码和多类线性分类器，同时保持字典中各项与数据标签间的关系。进而，利用得到的稀疏编码来表征机器数据特征，输入到分类器进行预测，确定测试样本的类别，实现机器数据的错误分类。通过引入高效的半监督数据预处理，增加了已标定机器样本的数量，丰富了先验信息，有效提高了机器数据分类的精准度。
-
公开(公告)号：CN104732242A
公开(公告)日：2015-06-24
申请号：CN201510163171.0
申请日：2015-04-08
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 本发明的多分类器构建方法和装置，将包含多类样本数据的训练样本集处理为多个两类数据集合；且对每个两类数据集合进行特征选择，得到相应的特征索引子集；并合并多个特征索引子集得到一特征索引集合；之后对特征选择后的训练样本集进行建模，得到目标多分类器。可见，本发明通过把多类问题分解为多个两类问题，并对每个两类问题进行冗余特征剔除，使每个子分类器(可简单理解为每个特征索引子集对应一子分类器)具备了特征挑选能力；从而后续进行类别诊断时，可预先基于各子分类器的特征挑选能力对待测数据进行特征挑选(本申请具体利用各特征子集融合后所得的特征索引集合进行特征选择)。可见本申请解决了现有技术的问题，提升了诊断准确率。
-
-
-
-
-
-
-
-
-
Search Results
141
records
(took 0.03 seconds)
