-
公开(公告)号：CN113378926A
公开(公告)日：2021-09-10
申请号：CN202110646766.7
申请日：2021-06-10
Applicant: 哈尔滨理工大学
IPC: G06K9/62
Abstract: 本发明的实施方式提供了一种基于鲁棒子空间表示的局部自适应特征选择方法及装置，属于图像分类技术领域，本发明引入低秩表示来构建一个数据重建模型，以此弥补噪声对数据真实结构的破坏；为了更好的探索数据的结构，采用自适应学习方式，学习到更具判别性的特征投影；将目标函数中的特征投影施加正交约束；将一个图像数据集分成测试集和训练集；通过训练集，求解出目标函数值最小化时各个变量的值；目标函数求解后得到一个特征投影；通过所述特征投影投影测试集，得到数据集里所有类别图像的判别性高的特征，最终通过分类器得到所述数据集的识别率；本发明用自表示系数作为约束项来构造特征投影的判别项，能够将子空间结构相似性约束引入到适用于图像识别和分类任务的判别特征学习模型中，促进模型自适应性和鲁棒性。
-
公开(公告)号：CN115082786B
公开(公告)日：2025-04-11
申请号：CN202210638311.5
申请日：2022-06-07
Applicant: 哈尔滨理工大学
IPC: G06V20/10 , G06V10/774 , G06V10/764 , G06V10/82
Abstract: 一种少量标记条件下的遥感图像目标检测方法，属于遥感图像智能处理技术领域，该方法以一阶段检测框架为基础结构，使用具有残差结构的卷积神经网络作为特征提取网络，并通过特征金字塔网络获取多尺寸特征图，充分利用特征信息；使用旋转边界框作为检测器输出，可以在鸟瞰图像上准确划分前景背景；此外，使用模型无关的元学习方法MAML对区域推荐网络进行元知识更新，推荐每个特征点位置可能包含目标的锚框；检测网络以推荐出的锚框为基准计算检测结果；经过元知识更新步骤，区域推荐网络学习到了同分布检测任务的先验知识，所以网络经过未见类小样本微调，即可得出准确的未见类目标检测结果。
-
Patent Agency Ranking
公开(公告)号：CN113240030B
公开(公告)日：2022-06-28
申请号：CN202110568711.9
申请日：2021-05-24
Applicant: 哈尔滨理工大学
IPC: G06K9/62 , G06V10/764 , G06N20/00
Abstract: 一种基于交互表示的域自适应子空间学习方法，属于图像分类技术领域，本发明在源域和目标域上建立了两个基于低秩约束的交互表示模型，可以更好地协调数据间的分布差异；设计一种距离约束来模拟源域和目标域之间的子空间关系，解决两个域域不一致的问题；开发一种联合框架，使用基于标签的回归来获得额外的分类判别，以此促进模型的自适应性和鲁棒性；与其他方法相比，本发明的精确度更高，性能更加稳健。
-
公开(公告)号：CN113240030A
公开(公告)日：2021-08-10
申请号：CN202110568711.9
申请日：2021-05-24
Applicant: 哈尔滨理工大学
Abstract: 一种基于交互表示的域自适应子空间学习方法，属于图像分类技术领域，本发明在源域和目标域上建立了两个基于低秩约束的交互表示模型，可以更好地协调数据间的分布差异；设计一种距离约束来模拟源域和目标域之间的子空间关系，解决两个域域不一致的问题；开发一种联合框架，使用基于标签的回归来获得额外的分类判别，以此促进模型的自适应性和鲁棒性；与其他方法相比，本发明的精确度更高，性能更加稳健。
-
公开(公告)号：CN115082786A
公开(公告)日：2022-09-20
申请号：CN202210638311.5
申请日：2022-06-07
Applicant: 哈尔滨理工大学
IPC: G06V20/10 , G06V10/774 , G06V10/764 , G06V10/82
Abstract: 一种少量标记条件下的遥感图像目标检测方法，属于遥感图像智能处理技术领域，该方法以一阶段检测框架为基础结构，使用具有残差结构的卷积神经网络作为特征提取网络，并通过特征金字塔网络获取多尺寸特征图，充分利用特征信息；使用旋转边界框作为检测器输出，可以在鸟瞰图像上准确划分前景背景；此外，使用模型无关的元学习方法MAML对区域推荐网络进行元知识更新，推荐每个特征点位置可能包含目标的锚框；检测网络以推荐出的锚框为基准计算检测结果；经过元知识更新步骤，区域推荐网络学习到了同分布检测任务的先验知识，所以网络经过未见类小样本微调，即可得出准确的未见类目标检测结果。
-
公开(公告)号：CN114973370A
公开(公告)日：2022-08-30
申请号：CN202210595130.9
申请日：2022-05-29
Applicant: 哈尔滨理工大学
IPC: G06V40/16 , G06V10/762 , G06F17/16
Abstract: 本发明的实施方式提供了一种不完整特征描述的人脸图像聚类方法，属于多视角谱聚类技术领域。该方法包括：将人脸图像的不完整描述特征在核空间实施多视角补全，在局部视角之间相互补全的基础上，考虑联合鲁棒表示特征的生成进行优化；通过在核空间学习人脸图像的鲁棒表示特征，并利用其学习完整的子空间表示；通过引入定制的剪裁张量低秩约束来进行多视角融合，从全局角度学习不同视图子空间表示的张量低秩结构，在捕获视角高阶相关性的同时保持其各异性专属信息。本发明的上述技术克服了现有技术的不足，有效提高人脸图像聚类的准确度。
-
公开(公告)号：CN113408614A
公开(公告)日：2021-09-17
申请号：CN202110676387.2
申请日：2021-06-18
Applicant: 哈尔滨理工大学
Abstract: 本发明提出了一种多核低冗余表示学习的多视图子空间聚类方法，属于多视图聚类技术领域。该方法包括：通过将最小二乘回归算法扩展到遵循多视图子空间聚类算法的框架中，得到关于多视图的最小二乘回归算法的目标函数；通过用低冗余数据表示来替代原始数据作为目标函数的输入，解决了原始数据包含大量冗余信息会对聚类效果产生影响的问题；通过构建3阶张量，以探索不同视图之间的高阶相关性，同时还保留了不同视图之间的差异性。本发明的上述技术克服了现有技术的不足。
-
-
-
-
-
-
Search Results
7
records
(took 0.016 seconds)
