-
Patent Agency Ranking
公开(公告)号：CN110598719A
公开(公告)日：2019-12-20
申请号：CN201910858417.4
申请日：2019-09-11
Applicant: 南京师范大学
Abstract: 本发明公开了一种依据视觉属性描述自动生成人脸图像的方法，包括如下步骤：获取视觉属性描述信息、人脸结构信息；构建基于复杂条件的变分自编码模型，实现属性描述协调一致的人脸图像自动生成；构建多种损失函数作为模型学习的准则，来约束生成的人脸图像与视觉属性描述在纹理、结构及语义上的一致性；引入上一步骤构建的多种损失度量，作为评价生成的人脸图像质量的指标，为人脸图像生成模型的性能汇报及算法对比提供统一参照；给定人脸属性描述，结合不同的人脸结构信息，生成语义一致且姿态丰富的人脸图像。本发明能够提升生成的人脸图像与给定的视觉属性描述之间的语义一致性，提高生成的人脸图像的结构清晰性。
-
公开(公告)号：CN102799902A
公开(公告)日：2012-11-28
申请号：CN201210287636.X
申请日：2012-08-13
Applicant: 南京师范大学
Inventor： 蔡维玲
IPC: G06K9/62
Abstract: 本发明涉及一种基于代表性样本的增强型关系分类器。该方法主要包含两步：首先，根据样本的聚类隶属度挑选出具有代表性的样本构成新的训练样本集合Xnew；然后，针对Xnew的聚类隶属度和类别隶属度，采用φ复合算子构建模糊关系矩阵R。本发明的主要特色有以下三点：（1）矩阵R可揭示出聚类和类别间的内在逻辑关系；（2）矩阵R的计算复杂度从O(NLc)降至O(MLc)，其中L为类别个数，c为聚类个数，N是原始数据集X的样本个数，M是Xnew的样本个数，并且N＞M；（3）当样本空间的某些区域不存在足够判别信息时，分类器将拒绝对落入该区域的测试样本做出决策，从而保证分类结果的可信度。
-
公开(公告)号：CN102750700A
公开(公告)日：2012-10-24
申请号：CN201210193248.5
申请日：2012-06-05
Applicant: 南京师范大学
IPC: G06T7/00
Abstract: 本发明涉及一种结合邻域信息的快速鲁棒模糊C均值图像分割方法。该方法主要包含两步：首先，根据图像的局部相关性来重塑图像灰度；然后，在灰度重塑图像上，执行快速模糊C均值分割算法。本发明的主要特色有以下两点：（1）通过图像像素间的灰度相关性和空间相关性设计出相似性度量，并利用该度量达到去除图像噪声和保留图像细节的双重目的；（2）利用灰度值的分布特性把基于像素的分割转变为基于灰度的分割，其相应的时间复杂度由O(NcI1)降至O(QcI2)，其中c为聚类个数，I1和I2分别为像素分割和灰度分割的迭代步数，由于灰度级个数Q远远小于像素个数N，本发明大大减少了分割阶段的时间复杂度。
-
公开(公告)号：CN107330448A
公开(公告)日：2017-11-07
申请号：CN201710430547.9
申请日：2017-06-09
Applicant: 南京师范大学
CPC classification number: G06K9/6227 , G06N20/00
Abstract: 本发明公开了一种基于标记协方差和多标记分类的联合学习方法，主要考虑同时学习多标记分类模型、自动划分样本的相关标记和不相关标记的阈值函数以及标记相关性问题，包含如下步骤：标记相关性矩阵初始化；运用标记协方差和多标记分类的联合学习算法习得到分类模型参数、标记相关性以及阈值函数所对应的参数；模型预测；本发明以支持向量机模型为基础，将标记之间的相关性和标记集分割策略嵌入SVM模型中，以用于多标记数据的分类，以此来提高多标记数据的分类精度，此外，本发明中将正则化技术运用在模型中，以控制联合学习模型中分类模型的复杂度和标记相关性的大小，防止过拟合，进一步提高多标记数据的分类效果。
-
公开(公告)号：CN102750545A
公开(公告)日：2012-10-24
申请号：CN201210178760.2
申请日：2012-06-01
Applicant: 南京师范大学
IPC: G06K9/62
Abstract: 本发明涉及一种能同时实现聚类、分类和度量学习的模式识别方法。该方法利用贝叶斯理论构造聚类和类别之间的概率关系矩阵P，并通过该矩阵使最终的聚类和分类结果都只依赖于聚类中心，因此，通过优化嵌在目标函数中的聚类中心，就可以在一个框架下同时实现聚类学习和分类学习。由于矩阵P可反映出聚类和分类之间的统计关系，因此可从P中挖掘出有意义的信息，使得分类器的设计趋于透明。本发明从聚类的观点看，提供了有监督聚类学习的结果，能够可靠地揭示数据的潜在结构；从分类的观点看，构造了有效的分类学习机制，可获得较好的分类结果；从度量学习的观点看，提供了有效的特征权值，可反映特征的重要程度。
-
-
-
-
Search Results
5
records
(took 0.015 seconds)
