-
公开(公告)号：CN107392128A
公开(公告)日：2017-11-24
申请号：CN201710569014.9
申请日：2017-07-13
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于双低秩表示和局部约束矩阵回归的鲁棒图像识别方法，属于图像识别领域。本方法首先运用双核范数正则的低秩表示方法对训练样本进行去噪处理，以获取干净的训练样本集；其次，通过局部约束块矩阵回归方法求得测试样本在去噪后的训练样本上某一尺度下的分类结果；最后，运用多尺度融合技术，输出待识别测试样本的类别。
-
公开(公告)号：CN105654128A
公开(公告)日：2016-06-08
申请号：CN201511019000.7
申请日：2015-12-30
Applicant: 南京邮电大学
IPC: G06K9/62
CPC classification number: G06K9/6256
Abstract: 本发明公开了基于核范数正则低秩编码的风机叶片图像故障识别方法，该方法首先获取风机叶片故障图像训练样本集，然后利用基于核范数正则的低秩编码方法，获取待识别样本在训练样本集上的线性表示系数，最后通过计算待识别样本在每个类上的表示残差，根据残差计算出待识别样本的类标。本发明方法不但保持了图像的结构信息，同时还将同类样本本身具有的低秩特征融入其中，并利用稀疏特征信息来得到待识别样本的表示系数，提高了识别精度。
-
公开(公告)号：CN110175631B
公开(公告)日：2022-08-30
申请号：CN201910352469.4
申请日：2019-04-28
Applicant: 南京邮电大学
IPC: G06V10/762 , G06K9/62 , G06F17/16
Abstract: 本发明揭示了一种基于共同学习子空间结构和聚类指示矩阵的多视图图像聚类方法，该方法包括如下步骤：S1：获取多视图图像数据；S2：对给定多视图图像数据进行子空间学习，得到多视图子空间表示、连续指示矩阵、离散指示矩阵；S3：对多视图子空间表示、连续指示矩阵、离散指示矩阵进行迭代更新，得到更新后的多视图子空间表示；S4：应用所述S3步骤得到的多视图子空间表示构造邻接矩阵；S5：应用所述S4步骤得到的邻接矩阵，调用谱聚类算法，得到聚类结果。与已有的多视图聚类方法相比，大量的实验结果证明该方法可以显著提高收敛速率和聚类性能。
-
公开(公告)号：CN111104868B
公开(公告)日：2022-08-23
申请号：CN201911164077.1
申请日：2019-11-25
Applicant: 南京邮电大学
IPC: G06V40/16 , G06V10/82 , G06V10/772 , G06V10/774 , G06N3/04 , G06N3/08 , G06K9/62
Abstract: 本发明提出了一种基于卷积神经网络特征的跨质量人脸识别方法，该方法首先获取高质量训练样本图像、低质量测试样本图像、高低质量训练字典样本图像各个特征点的图像块；其次设计一深度卷积神经网络，对于每个特征点图像块，通过神经网络的学习得到一个特征向量；再次对测试图像块的特征向量和训练图像块的特征向量进行线性表示；然后对低质量测试图像块的特征表示和高分辨率训练图像块的特征表示进行相似性度量，并输出每一个测试图像块的类别；最后对于一张人脸图像分为S个人脸关键点的图像块集合，对每一个关键点位置的图像块分类结果进行投票，将图像分给获取票数最多的那一个类，输出最终低质量测试图像的类别。
-
公开(公告)号：CN110458092A
公开(公告)日：2019-11-15
申请号：CN201910733434.5
申请日：2019-08-09
Applicant: 南京邮电大学
Abstract: 一种基于L2正则化梯度约束稀疏表示的人脸识别方法，所述方法包括：获取训练样本集；基于人脸图像梯度恢复约束信息和L2正则化稀疏表示方法，计算待识别样本在所述训练样本集的训练样本上的表示系数；采用所述待识别样本在训练样本上的表示系数，计算所述待识别样本在所述训练样本集的每类训练样本上的残差；将计算得到的最小残差对应的训练样本类别，作为所述待识别样本的类别进行输出。上述的方案，可以提高人脸识别的准确性。
-
Patent Agency Ranking
公开(公告)号：CN107103592A
公开(公告)日：2017-08-29
申请号：CN201710223815.X
申请日：2017-04-07
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于双核范数正则的多姿态人脸图像质量增强方法，属于图像处理领域。本方法首先以图像中每个像素位置为中心，获取低质量测试样本和高低分辨率训练样本图像各个像素位置的图像块；其次，对低质量测试图像中的每个图像块，运用局部约束双核范数正则回归方法获得其在低质量训练样本图像中对应位置上的图像块集合的线性表示；再次，在保持表示系数不变的情况下，用高质量训练样本图像块替换低质量训练样本图像块，从而获得低质量测试图像块对应的高质量测试图像块；最后，对步骤3中的高质量测试图像块进行串联和整合，从而获得高质量的测试图像。
-
公开(公告)号：CN106980876A
公开(公告)日：2017-07-25
申请号：CN201710145628.4
申请日：2017-03-13
Applicant: 南京邮电大学
IPC: G06K9/62
CPC classification number: G06K9/6276 , G06K9/6277
Abstract: 本发明公开了一种基于鉴别性样本属性学习的零样本图像识别方法，首先我们在源域和目标域共同学习投影矩阵，并使用源域和目标域每类的原型来调整学习到的投影矩阵。然后，利用学习到的投影矩阵把目标域的图像特征映射到属性空间得到其属性表示。最后，在属性空间上利用最近邻分类器对图像进行分类。对目标域而言，已有的投影矩阵学习方法由于未考虑目标域与源域的分布差异从而更容易导致域迁移问题，而我们的算法通过综合利用源域和目标域的样本信息缓解这种影响，能够取得了更高的图像识别准确率。
-
公开(公告)号：CN106980875A
公开(公告)日：2017-07-25
申请号：CN201710145493.1
申请日：2017-03-13
Applicant: 南京邮电大学
IPC: G06K9/62
CPC classification number: G06K9/6256 , G06K9/6277
Abstract: 本发明公开了一种基于属性低秩表示的零样本图像识别方法：首先通过寻求已知类别属性对未知类别属性的低秩表达来挖掘已知类别与未知类别在属性上的内在联系；然后利用这种属性联系虚拟出未知类别的训练样本；最后基于已知类别和未知类别的训练样本学习出属性预测器。在对未知类别样本进行标签预测时，用训练好的属性预测器预测出未知样本的属性，之后把预测的属性与原型属性进行比对通过最近邻分类器得到未知样本的类别标签。与已有的零样本图像识别方法相比，本发明算法能取得更高的识别准确率。
-
公开(公告)号：CN109766863B
公开(公告)日：2022-09-06
申请号：CN201910051451.0
申请日：2019-01-18
Applicant: 南京邮电大学
IPC: G06V40/16 , G06V10/762 , G06K9/62 , G06T3/40
Abstract: 本发明公开了一种基于局部和稀疏非局部正则的人脸图像超分辨率方法，包括以下步骤：步骤一：获取测试图像和训练样本图像各个像素位置的图像块；步骤二：使用局部PCA字典学习方法，对训练样本图像块使用K均值聚类算法将图像块划分聚类，每个聚类学习一个局部PCA字典；步骤三：对低质量图像块，运用基于局部约束和稀疏非局部双核范数正则算法求解最佳表示系数向量；步骤四：使用最佳表示系数向量在高分辨率字典上合成高分辨率图像块，更新非局部编码系数，将更新后的系数和高分辨率图像块放入步骤三中进行下一次迭代；经过多次迭代更新得到高分辨率图像块；步骤五：输出高分辨率图像。本发明具有提高图像质量的优点。
-
公开(公告)号：CN110175632A
公开(公告)日：2019-08-27
申请号：CN201910353073.1
申请日：2019-04-28
Applicant: 南京邮电大学
IPC: G06K9/62
Abstract: 本发明揭示了一种基于稀疏性和主成分分析技术降维的子空间聚类方法，该方法包括如下步骤：S1：提取图像数据的原始图像矩阵；S2：将S1步骤得到的原始图像矩阵数据进行主成分分析技术降维，得到一个新的数据库矩阵；S3：将S2步骤得到的新数据库矩阵进行自表达得到数据矩阵的表达矩阵，并加入谱聚类，得到数据的连续标签；S4：在S3步骤得到的数据的连续标签引入旋转矩阵,得到数据的离散标签，将数据的离散标签与数据自带标签相比较，得到数据的聚类正确率，该方法在聚类正确率上取得明显提高。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.023 seconds)
