-
公开(公告)号：CN106599815A
公开(公告)日：2017-04-26
申请号：CN201611107604.1
申请日：2016-12-06
Applicant: 东南大学
CPC classification number: G06K9/00228 , G06K9/00268 , G06K9/48 , G06K9/6256 , G06K2009/485
Abstract: 本发明公开一种基于标记分布的解决类别缺失问题的头部姿态估计方法，步骤为：获取用于训练的人脸图像训练集并且对人脸图像进行裁剪，使其只剩下人脸部分；将所有裁剪后的人脸图像进行放缩，使所有的人脸图像有相同的分辨率；对放缩后的人脸图像提取图像的特征向量；收集每一幅人脸图像的头部姿态信息，根据头部姿态信息，生成该图像对应的标记分布；生成目标函数，并对该目标函数进行优化；将待测图像的特征向量送入训练出来的模型，计算该图像的标记分布，从而得到该图像的头部姿态。本发明可以快速有效地训练出用于预测缺失类别的人脸头部姿态的模型，并且相比于传统的训练集类别缺失问题，本发明不需要属性或者语义短语等辅助信息来进行训练。
-
公开(公告)号：CN103544486B
公开(公告)日：2017-02-15
申请号：CN201310531120.X
申请日：2013-10-31
Applicant: 东南大学
Abstract: 本发明公开了一种基于自适应标记分布的人类年龄自动估计方法，方法为通过自适应训练方法结合应用年龄标记分布模型算法，将得到的人脸图像特征向量和初始年龄标记分布作为输入，应用年龄标记分布模型算法最小化输入初始年龄标记分布与模型预测标记分布之间的KL散度，得到预测年龄标记分布，然后相同年龄的预测年龄标记分布用于学习其对应年龄的年龄标记分布，循环直至训练收敛或者达到设定最大次数，得出最终预测模型；待估计人脸图像特征输入到得出的最终预测模型中，输出预测年龄。该系统的年龄估计精度可以达到与人类类似的水平。
-
公开(公告)号：CN103544500B
公开(公告)日：2017-01-18
申请号：CN201310499159.8
申请日：2013-10-22
Applicant: 东南大学
IPC: G06K9/62
Abstract: 本发明提出一种多用户自然场景标记排序方法，步骤为：（1）提取用于训练的自然场景图像集的特征向量；（2）从基于用户兴趣度的图像标注系统中获取自然场景图像的多个标记排序；3）将多个标记排序转换成一个标记分布（；4）从输入设备获取待标记排序的自然场景图像，提取特征向量；（5）判断是否训练好；（6）训练自然场景标记分布模型的最佳参数向量θ；（7）将最佳参数向量θ和待标记排序的自然场景图像的特征向量分别代入自然场景标记分布模型中，得到该待标记排序自然场景图像的标记分布。（8）对描述度小于虚拟标记描述度的标记看作无关标记，而剩下的标记即为相关标记，最后对相关标记按照描述度大小进行排序。
-
公开(公告)号：CN105718898A
公开(公告)日：2016-06-29
申请号：CN201610045986.3
申请日：2016-01-22
Applicant: 东南大学
IPC: G06K9/00
CPC classification number: G06K9/00288 , G06K2009/00322
Abstract: 本发明公开了一种基于稀疏无向概率图模型的人脸年龄估计方法，属于机器学习和模式识别技术领域。本发明创新性地利用无向概率图构建了一个年龄分布预测模型，并且在模型的优化训练目标中加入合适的稀疏性正则项去约束模型参数。本发明还公开了一种基于稀疏无向概率图模型的人脸年龄估计系统。相比现有技术，本发明最大的两个优点在于：1.可以从复杂的图像特征中学习到更为丰富的信息去预测年龄分布，并且使用词向量对这些信息进行更为紧凑的编码。2.本方面利用了图像稀疏性的先验，加入了稀疏性正则项去约束模型参数，使得学习出来的模型有更好的泛化性。
-
公开(公告)号：CN104915658A
公开(公告)日：2015-09-16
申请号：CN201510372221.6
申请日：2015-06-30
Applicant: 东南大学
IPC: G06K9/00
CPC classification number: G06K9/00302 , G06K9/00268
Abstract: 本发明公开了一种基于情感分布学习的情感成分分析方法及其系统，先给每幅图像的每种基础情感进行打分，计算情感分布向量和每一对基础情感标记向量之间的相关系数，基于这个相关系数计算权值矩阵；再使用图像特征向量及其情感分布作为训练集，将最大熵模型与Jeffrey散度以及权值矩阵结合起来，加上两个正则化项生成目标函数，优化该目标函数得到用于情感分布预测的参数模型；然后对待进行情感分布估计的图像进行特征提取，使用训练出来的模型预测情感分布，若情感标记所对应的值大于虚拟标记成分比，则判定为主要情感成分。本发明提出的方法和系统可以快速、有效地训练出情感成分分析的模型，计算出该表情包含哪些情感以及每种情感所包含的比重。
-
Patent Agency Ranking
公开(公告)号：CN104834969A
公开(公告)日：2015-08-12
申请号：CN201510224327.1
申请日：2015-05-05
Applicant: 东南大学
Abstract: 本发明公开了一种电影评价预测方法及系统，首先通过序列前向选择方法选择用于训练的电影数据集的特征，并进行去噪、预处理和提取特征向量；再收集每部电影对应的评分信息，并将所有评分做归一化处理得到评分分布向量；然后基于电影特征向量和评分分布向量训练最大间隔评分分布模型，并进行变形优化，得到最终用于电影评价预测的参数模型；最后提取未上映电影的特征向量，使用得到的评分分布预测参数模型得到一个向量，并对该向量进行归一化，即得到该电影上映后观众评分分布的预测结果。本发明可以快速、有效地训练出用于电影评分分布预测的模型，并且预测的准确度大幅领先于已有方法。
-
公开(公告)号：CN103530651A
公开(公告)日：2014-01-22
申请号：CN201310500424.X
申请日：2013-10-22
Applicant: 东南大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于标记分布的头部姿态估计方法，步骤为：（1）获取用于训练的人脸图像的图像集并裁剪人脸图像使其只剩下人脸部分；（2）将所有裁剪后的人脸图像缩放到统一的分辨率；（3）提取图像特征向量；（4）收集每幅图像的类别信息，根据该类别信息，给予每幅图像一个标记分布；（5）根据头部姿态类别信息，赋予每个类别一个平滑权重向量；（6）使用图像特征向量及其标记分布训练模型，将最大熵模型与Jeffrey散度以及步骤S5中的平滑权重向量结合起来作为目标函数，并对该目标函数进行优化；（7）将待估计头部姿态的图像的特征向量送入训练出来的模型，从而计算出该图像的头部姿态。
-
公开(公告)号：CN102567719A
公开(公告)日：2012-07-11
申请号：CN201110442676.2
申请日：2011-12-26
Applicant: 东南大学
Abstract: 本发明公布了一种基于后验概率神经网络的人类年龄自动估计方法，所述方法包括训练阶段和应用阶段，在训练阶段包括以下步骤：获取人脸图像；使用外观模型对人脸图像抽取特征；生成图像对应的年龄分布；将得到的特征和人脸图像关于年龄的分布作为输入，然后对后验概率神经网络训练；训练结束并得到一个模型并输出到下一个阶段；应用阶段包括以下几个步骤：获取待估计的人脸图像；使用外观模型进行特征抽取；将抽取到的特征输入到由训练阶段得到的模型中；经过模型的运算可以得出该副图像对应年龄的一个分布，把这个分布中能够得取到最大值的年龄作为系统估计的年龄。
-
公开(公告)号：CN102509121A
公开(公告)日：2012-06-20
申请号：CN201110355332.8
申请日：2011-11-11
Applicant: 东南大学
IPC: G06K9/66
Abstract: 本发明公开了一种基于类别分布的自然场景分类排序方法，步骤为：（1）获取用于训练的自然场景的图像集并提取特征向量；（2）从基于用户兴趣度的图像类别分布生成系统获取自然场景图像的分类排序信息数据集；（3）对每幅自然场景图像的兴趣度分类排序数据集进行规范化；（4）获取待分类排序的自然场景图像，提取特征向量；（5）判断是否训练好；（6）训练得到自然场景类别分布函数的最佳参数；（7）将最佳参数和待分类排序的自然场景图像的特征向量分别代入基于自然场景图像的类别分布函数中，得到对应于该待分类排序自然场景图像的类别分布P(y)；（8）P(y)中≤0.01的类别看作无关的类别，然后对相关类别的P(y)分布进行分类排序。
-
公开(公告)号：CN117172283B
公开(公告)日：2024-04-26
申请号：CN202311221665.0
申请日：2023-09-21
Applicant: 东南大学
IPC: G06N3/0442 , G06N3/0985
Abstract: 本发明提供了通过梯度稀疏从祖先选择学习基因构建后代模型的方法，包括：构建包含稳定模块和弹性模块的祖先模型；稳定模块的参数是通过梯度稀疏选择的祖先模型见过的所有任务的共性知识，能够用来适应各种下游任务，作为祖先模型的学习基因库；弹性模块的参数是用来适应新任务，获取新任务的知识；后代模型通过祖先模型的稳定模块来初始化；使用“门控制”模块对稳定模块的梯度进行稀疏处理，用来保留所有见过任务的共性参数，构建学习基因库，使得由稳定模块初始化的后代模型能够更好地适应新的任务。基于本发明方法，后代模型可以在从未见过的任务(包含少样本数据的任务)上快速收敛并且有比较好的效果。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.019 seconds)
