-
Patent Agency Ranking
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。
-
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：CN109117860A
公开(公告)日：2019-01-01
申请号：CN201810677726.7
申请日：2018-06-27
Applicant: 南京邮电大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于子空间投影和字典学习的图像分类方法，首先通过带标签的训练集样本对判别字典进行初始化，然后使用判别字典预测测试样本的类别标签。选出伪标签具有高可信度的测试集样本，并用其与带标签的训练集样本学习一个低维子空间，在这个低维空间上更新判别字典。利用更新得到的判别字典重新对测试集样本进行分类，比较本轮迭代得到的伪标签和上一轮伪标签，将两轮得到的伪标签属性相同的样本称为稳定样本，如果在一轮迭代结束后稳定样本的数量超过了测试集样本数量的百分之八十，则迭代结束，输出该轮得到的伪标签作为分类的结果。与已有的领域自适应图像分类方法相比，本发明的算法能取得更高的分类准确率。
-
公开(公告)号：CN109117860B
公开(公告)日：2022-10-25
申请号：CN201810677726.7
申请日：2018-06-27
Applicant: 南京邮电大学
IPC: G06V10/764 , G06V10/774 , G06V10/77
Abstract: 本发明公开了一种基于子空间投影和字典学习的图像分类方法，首先通过带标签的训练集样本对判别字典进行初始化，然后使用判别字典预测测试样本的类别标签。选出伪标签具有高可信度的测试集样本，并用其与带标签的训练集样本学习一个低维子空间，在这个低维空间上更新判别字典。利用更新得到的判别字典重新对测试集样本进行分类，比较本轮迭代得到的伪标签和上一轮伪标签，将两轮得到的伪标签属性相同的样本称为稳定样本，如果在一轮迭代结束后稳定样本的数量超过了测试集样本数量的百分之八十，则迭代结束，输出该轮得到的伪标签作为分类的结果。与已有的领域自适应图像分类方法相比，本发明的算法能取得更高的分类准确率。
-
公开(公告)号：CN110175631A
公开(公告)日：2019-08-27
申请号：CN201910352469.4
申请日：2019-04-28
Applicant: 南京邮电大学
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。
-
-
-
-
Search Results
5
records
(took 0.02 seconds)
