-
公开(公告)号：CN109214337A
公开(公告)日：2019-01-15
申请号：CN201811031850.2
申请日：2018-09-05
Applicant: 苏州大学
Abstract: 本申请公开了一种人群统计方法，包括接收待测试图像；调取预先获得的预测模型和统计人数比例；其中，所述预测模型通过多列卷积神经网络对初始训练集进行训练获得，所述统计人数比例通过高斯滤波器对所述初始训练集进行计算获得；通过所述预测模型对所述待测试图像进行预测，获得对应的估计密度图；根据所述估计密度图与所述统计人数比例对所述待测试图像进行估计，获得估计人数。该方法可更加方便地实现人群场景的人数统计，并可有效保证其较高的准确率；本申请还公开了一种人群统计装置、设备以及计算机可读存储介质，也具有上述有益效果。
-
公开(公告)号：CN105469117B
公开(公告)日：2019-01-01
申请号：CN201510882718.2
申请日：2015-12-03
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于鲁棒特征提取的图像识别方法及装置，通过对原始训练样本进行判别学习，在紧凑局部类内散度和分离局部类间散度的同时有效保持图像像素间的拓扑结构，设计基于1范数度量的特征学习框架，可输出一个可用于样本内和样本外图像特征提取的投影矩阵,进而通过投影矩阵获取原始训练样本的二维鲁棒特征，构造出可用于对待测样本进行分类的最近邻分类器。可见，本申请中提供的上述方案无需将图像对应的二维矩阵转换到高维的向量空间，而是可直接作用于图像，由此，不但可有效保持图像像素间的拓扑结构和内在相关性，而且可有效降低模型计算过程的复杂度。此外，基于1范数度量，可确保在特征提取过程中对噪音的鲁棒性。
-
公开(公告)号：CN108710703A
公开(公告)日：2018-10-26
申请号：CN201810522150.7
申请日：2018-05-28
Applicant: 苏州大学
IPC: G06F17/30
Abstract: 本发明公开了一种基于聚类算法的影片评分预测方法，在输入评分训练样本集后，对评分进行预处理得到评分集合，对评分集合中，值为零的评分项首先进行一次预测得到不为零的新评分，将新评分替代每个类别集合中相应的值为零的评分项，得到新评分集合，新评分集合与预测前的类别评分集合相比，稀疏度得到有效降低，因此利用新评分集合确定的目标用户的近邻就会更优，从而就会很大程度上提高电影评分预测的准确性，以及提高电影推荐的准确性。本发明还提供了一种基于聚类算法的电影评分预测系统、装置及计算机可读存储介质，同样可以实现上述效果。
-
公开(公告)号：CN104616000B
公开(公告)日：2018-08-07
申请号：CN201510089247.X
申请日：2015-02-27
Applicant: 苏州大学
Abstract: 本发明提供种人脸识别方法和装置。该方法在原有的小样本有监督拉普拉斯判别分析的基础上进行改进,在最小化类内散度的目标函数中融入了最大化类间散度,使用拉普拉斯判别分析,通过实现最优目标函数求得投影矩阵,对高维人脸数据进行降维。在用此种方法降维后,对人脸图像识别率比原SLDA方法高,能更好地进行人脸识别。
-
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
公开(公告)号：CN104915684B
公开(公告)日：2018-03-27
申请号：CN201510372326.1
申请日：2015-06-30
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于鲁棒多平面支持向量机的图像识别方法及装置，包括：将测试图像向鲁棒线性分类器进行投影，获取测试图像对应各个类别的第一投影特征；其中，鲁棒线性分类器中的投影向量为通过对训练样本集中的多个样本图像进行训练，将1‑范数度量应用于多平面支持向量机，紧凑类内散度矩阵与分离类间散度矩阵确定得到；将训练样本集中的样本图像的均值向鲁棒线性分类器进行投影，获取所述训练样本集均值在各个类别的第二投影特征；分别计算各个类别的第一投影特征与对应类别的第二投影特征的距离；将所述距离的最小值所对应的类别确定为所述测试图像的类别。本发明所提供的图像识别方法及装置，有效提升了图像识别的鲁棒性。
-
公开(公告)号：CN107766895A
公开(公告)日：2018-03-06
申请号：CN201711140254.3
申请日：2017-11-16
Applicant: 苏州大学
IPC: G06K9/62
CPC classification number: G06K9/6235 , G06K9/6256 , G06K2009/6236
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。
-
公开(公告)号：CN104750875B
公开(公告)日：2018-03-02
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：CN104463202B
公开(公告)日：2017-09-19
申请号：CN201410708851.1
申请日：2014-11-28
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 本发明公开一种多类图像半监督分类方法及系统，首先对训练集中有标签图像样本和无标签图像样本进行相似性学习，构造相似近邻图和归一化的权重，用于表征样本相似性，再初始化一个类标签矩阵，为有效降低“软类别标签”预测标签F中的混合信号对结果的影响，引入l2,1‑范数正则化，同时对F施加非负与列和为1的约束，确保估计的“软标签”满足概率定义和非负性，最后利用参数权衡相似性度量、初始类别标签和l2,1‑范数正则化对分类的影响，完成半监督学习建模，取相似性概率的最大值，用于图像类别鉴定，得到分类结果。通过引入l2,1‑范数正则化，将混合信号对分类的影响降低，使分类精准度有了提高。此外，还可有效对训练集外的数据进行分类，可拓展性好。
-
公开(公告)号：CN107065839A
公开(公告)日：2017-08-18
申请号：CN201710418868.7
申请日：2017-06-06
Applicant: 苏州大学
IPC: G05B23/02
Abstract: 本发明公开了一种基于相异性递归消除特征的故障诊断方法，通过对同一特征子集计算相异性，并比较每个特征造成的相异性，对特征值按照其对应的相异性也就是造成两个数据集之间的差异进行排序，得到排序后的特征索引子集，再通过优选个数得到关键特征个数，就可以在排序后的特征子集中取出相应个数的关键特征。因此本方法是考虑的是整个数据集之间的相异性，不要求过程是线性的或高斯的，因此在非线性和高斯的过程上有较好的结果，降低计算复杂度，同时可以准确的找出符合要求的最优特征子集减少了不相关特征对故障诊断的影响。本发明还提供一种基于相异性递归消除特征的故障诊断装置，同样能实现上述技术效果。
-
-
-
-
-
-
-
-
-
Search Results
363
records
(took 0.034 seconds)
