-
公开(公告)号：CN117765291A
公开(公告)日：2024-03-26
申请号：CN202311805148.8
申请日：2023-12-26
Applicant: 哈尔滨理工大学
IPC: G06V10/762 , G06V10/774 , G06V10/82 , G06N3/0895
Abstract: 一种基于视角互斥伪标签传播的非完备多视角场景图像聚类方法，属于图像信息处理中的场景图像聚类处理领域，本发明首先从一个非完备多视角场景图像数据集中提取完备样本集合和存在样本集合，得到完备样本伪标签。然后，构建各个视角专属半监督分类器和k近邻图，训练分类器至收敛获取存在样本上的类簇分布，将所有视角存在样本的类簇分布进行加权平均，获取所有样本的类簇分布，得到最终聚类结果。与其他方法相比，本发明更稳定，受数据缺失率影响相对小，有着更好的聚类性能。
-
公开(公告)号：CN117830680B
公开(公告)日：2024-11-08
申请号：CN202410016589.8
申请日：2024-01-04
Applicant: 哈尔滨理工大学
IPC: G06V10/762 , G06V10/74 , G06V10/80 , G06V10/77
Abstract: 一种基于小批量集成缩放点积注意力权重锚图的大规模非完备多视角动物图像聚类方法，属于动物形态学和多媒体信息处理中的动物图像数据聚类处理领域，首先通过对每个视角的存在样本中随机选取多组锚点，形成锚点特征批量和存在特征批量。然后利用缩放点积注意力计算每个视角的锚点和存在特征之间的相似度，得到视角专属集成锚图后根据缺失指示矩阵对其进行加权融合，得到视角公共锚图。重复多次，融合多个视角公共锚图得到视角公共集成锚图后进行快速谱聚类，得到最终聚类结果和准确率。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：CN118781394A
公开(公告)日：2024-10-15
申请号：CN202410772151.2
申请日：2024-06-16
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种面向类别不对称跨域光谱图像的地物分类方法，属于光谱图像地物分类技术领域，本发明方法通过两个阶段的网络训练，实现了不同领域特征的有效对齐。第一阶段，预训练一个神经网络，并构建类别内聚损失函数与预测损失函数，旨在提取源域的类间关系，随后计算源域的类别中心，为后续步骤提供基础。第二阶段，训练一个主神经网络，针对源域和目标域共同拥有的对称类别，构建样本对齐损失函数与类别对齐损失函数，以确保两域之间的样本分布和类别中心相互对齐；针对源域存在而目标域缺失的不对称类别，通过构建特征对齐损失函数，使主神经网络提取的特征与预训练神经网络提取的特征相互对齐。最后将目标域测试集送入训练好的主神经网络中，从而获得目标域数据集的分类标签。在公开跨地域光谱数据集上的实施结果表明，与现有方法相比，该方法分类精度更高，性能更加稳健。
-
公开(公告)号：CN117830681A
公开(公告)日：2024-04-05
申请号：CN202410016659.X
申请日：2024-01-04
Applicant: 哈尔滨理工大学
IPC: G06V10/762 , G06V10/82 , G06V10/74 , G06V10/80 , G06N3/042 , G06N3/0464 , G06N3/084
Abstract: 一种基于图卷积流形正则化深度谱聚类网络的非完备多视角动物图像聚类方法，属于图像信息处理中的动物图像聚类处理领域，本发明首先从非完备多视角大批量动物图像数据集中提取出存在样本特征，并对特征向量进行归一化处理。然后，构建非完备多视角深度谱聚类网络(DSCN‑IMC)，该网络首先利用多视图编码器提取非完备多视角图像的公共特征，通过线性层获得非正则化的谱嵌入，并构建正交归一化层从而得到正则化约束的视角公共谱嵌入。最后，利用小批量随机梯度下降算法对流形正则化的谱聚类总体损失函数进行优化，直至收敛。并对网络所学的谱嵌入进行k均值聚类，获得最终聚类结果。与其他方法相比，本发明具有计算速度更快、可重复使用的网络模型，并且对数据缺失率的影响相对较小，具备更好的聚类性能。
-
公开(公告)号：CN116935121A
公开(公告)日：2023-10-24
申请号：CN202310899005.1
申请日：2023-07-20
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V20/10
Abstract: 本发明公开了一种面向跨地域光谱图像地物分类的双驱动特征学习方法，属于光谱图像地物分类技术领域，该方法构建基于统计分布驱动的域特征对齐项和基于模型驱动的域特征对齐项，共同驱动源域和目标域数据的投影特征子空间相互对齐，不仅优化了高光谱跨地域对齐能力，还提高了模型鲁棒性；构建了判别信息约束项，提高了投影特征子空间的领域判别性。最后采用交替方向乘子算法，通过交替优化策略求解目标函数，分别得到源域和目标域的两个对齐子空间；利用源域数据集在其子空间中的投影特征及类别标签训练分类器；将目标域数据在其子空间中投影特征送入训练好的分类器，以获得所述目标域数据集的分类标签。在公开跨地域光谱数据集上的实施结果表明，与现有方法相比，该方法分类精度更高，性能更加稳健。
-
Patent Agency Ranking
公开(公告)号：CN117765292B
公开(公告)日：2024-09-24
申请号：CN202311805159.6
申请日：2023-12-26
Applicant: 哈尔滨理工大学
IPC: G06V10/762 , G06V10/774 , G06V10/42 , G06V10/80 , G06V20/13
Abstract: 一种基于图卷积流形正则化伪标签引导的非完备多视角遥感数据聚类方法，属于遥感信息技术中的遥感图像数据聚类处理领域，本发明首先将非完备多视角遥感图像数据划分为完备样本集合和存在样本集合，并获取完备样本的伪标签。然后将存在样本的不同视角特征、相应的图以及流形信息输入多视角图卷积特征融合分类网络以获得伪标签。训练完成后，从学习到的统一表征中获得聚类。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：CN118154917A
公开(公告)日：2024-06-07
申请号：CN202410360989.0
申请日：2024-03-27
Applicant: 哈尔滨理工大学
IPC: G06V10/762 , G06V10/74 , G06V10/80 , G06F17/18 , G06F17/16 , G06V10/764 , G06V10/774 , G06N3/04 , G06N3/084
Abstract: 本发明的实施方式提供了一种基于不完整异质多特征扩散补全的图像聚类方法，属于图像聚类技术领域。本发明利用样本特征的相似图扩散过程来结合异质特征之间的互补信息，以此实现对缺失多特征数据的样本补全；为了使得各特征形式补全后的相似图具有更好的聚类结构，通过图对比正则项促进相同类簇靠近、不同类簇远离；对不同特征形式补全的相似图进行加权融合得到一致相似图，并对其拉普拉斯矩阵施加秩约束获得聚类结果；开发一种联合嵌入框架，将特征相似图扩散补全模型、图对比模型、相似图融合聚类模型放入该框架中，促进本发明的自适应性和鲁棒性；此外，设计了一种有效的数值函数求解方法来获取在目标函数中耦合变量的最优解；与现有的多特征聚类方法相比，本发明具有更高的精确度，更稳定的性能表现。
-
公开(公告)号：CN116935121B
公开(公告)日：2024-04-19
申请号：CN202310899005.1
申请日：2023-07-20
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V20/10
Abstract: 本发明公开了一种面向跨地域光谱图像地物分类的双驱动特征学习方法，属于光谱图像地物分类技术领域，该方法构建基于统计分布驱动的域特征对齐项和基于模型驱动的域特征对齐项，共同驱动源域和目标域数据的投影特征子空间相互对齐，不仅优化了高光谱跨地域对齐能力，还提高了模型鲁棒性；构建了判别信息约束项，提高了投影特征子空间的领域判别性。最后采用交替方向乘子算法，通过交替优化策略求解目标函数，分别得到源域和目标域的两个对齐子空间；利用源域数据集在其子空间中的投影特征及类别标签训练分类器；将目标域数据在其子空间中投影特征送入训练好的分类器，以获得所述目标域数据集的分类标签。在公开跨地域光谱数据集上的实施结果表明，与现有方法相比，该方法分类精度更高，性能更加稳健。
-
公开(公告)号：CN116127104B
公开(公告)日：2023-09-01
申请号：CN202310216669.3
申请日：2023-03-08
Applicant: 哈尔滨理工大学
Abstract: 一种基于关键点子空间学习的非完备多视角新闻数据聚类方法，属于多媒体信息处理中的新闻数据聚类处理领域，本发明首先将非完备多视角新闻数据划分为完备子集和非完备子集，以便更好的利用视角一致性和视角特异性信息。然后，构造一个针对完备子集设计的视角公共子空间和非完备子集的视角专属子空间。最后，构建一个联合使用视角公共和视角专属子空间的完备关键点子空间，并实施快速谱聚类以得到聚类结果，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：CN117994550B
公开(公告)日：2024-10-18
申请号：CN202410247864.7
申请日：2024-03-05
Applicant: 哈尔滨理工大学
IPC: G06V10/762 , G06V10/40 , G06N3/048 , G06N3/084 , G06N3/047 , G06V10/80 , G06V10/82 , G06N3/0464 , G06V40/10
Abstract: 一种基于深度在线锚点子空间学习的非完备多视角大规模动物图像聚类方法，属于多媒体信息处理中的动物聚类处理领域。该方法首先对动物图像数据集提取样本特征进行归一化处理来构建多视角公共子空间学习网络，从而为每个视角构建k近邻图和高维流形分布矩阵，并设置可学习的锚点。然后将样本特征和k近邻图输入到子空间学习网络中，重构原始特征并计算损失函数。同时，施加流形正则化约束来约束网络学习表示，得到流形正则化的公共子空间自表示损失函数。通过小批量随机梯度下降算法训练网络，直至收敛。最后利用学习到的公共子空间进行谱聚类，得到聚类结果。与其他方法相比，本发明的精确度更高，性能更加稳健。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.02 seconds)
