基于超图学习的室内场景分类方法

    公开(公告)号:CN103605984B

    公开(公告)日:2016-08-24

    申请号:CN201310566625.X

    申请日:2013-11-14

    Applicant: 厦门大学

    Inventor: 俞俊 王超杰

    Abstract: 基于超图学习的室内场景分类方法,涉及室内场景分类。使用近百个目标检测子从图像中抽取出目标,根据形成的目标描述符组成的超级描述符作为图像的特征描述符;使用K近邻方法对图像描述符构建超图,计算出其拉普拉斯矩阵,构建半监督学习框架;构建一个线性回归模型,并将该线性回归模型加入到半监督学习框架内;依据所构建的半监督学习框架,并结合所提取的图像的特征描述符,对部分图像描述符进行标注,使得该半监督学习框能够自动迭代地预测出未标注图像的标签,从而完成图像分类,同时,线性回归模型在自动迭代过程中被初始化;依据线性回归模型,并结合所提取的图像的特征描述符,可对新加入的数据直接进行图像分类,而无须再次构建超图。

    基于超图学习的室内场景分类方法

    公开(公告)号:CN103605984A

    公开(公告)日:2014-02-26

    申请号:CN201310566625.X

    申请日:2013-11-14

    Applicant: 厦门大学

    Inventor: 俞俊 王超杰

    Abstract: 基于超图学习的室内场景分类方法,涉及室内场景分类。使用近百个目标检测子从图像中抽取出目标,根据形成的目标描述符组成的超级描述符作为图像的特征描述符;使用K近邻方法对图像描述符构建超图,计算出其拉普拉斯矩阵,构建半监督学习框架;构建一个线性回归模型,并将该线性回归模型加入到半监督学习框架内;依据所构建的半监督学习框架,并结合所提取的图像的特征描述符,对部分图像描述符进行标注,使得该半监督学习框能够自动迭代地预测出未标注图像的标签,从而完成图像分类,同时,线性回归模型在自动迭代过程中被初始化;依据线性回归模型,并结合所提取的图像的特征描述符,可对新加入的数据直接进行图像分类,而无须再次构建超图。

Patent Agency Ranking