-
公开(公告)号：CN110263804B
公开(公告)日：2021-08-03
申请号：CN201910371366.2
申请日：2019-05-06
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种基于安全半监督聚类的医学影像分割方法，涉及半监督FCM聚类和密度峰值聚类方法。首先，采用k‑近邻方法构造局部图，得到图正则项。其次，利用FCM聚类和密度聚类方法估计标记和未标记样本的置信度。然后，在原半监督FCM聚类方法的目标函数中引入样本的置信度加权和基于局部图的正则项，得到安全半监督聚类方法的目标函数。最后，通过迭代优化隶属度矩阵和聚类中心得到聚类结果。本发明解决了标记样本的安全使用问题，同时解决了未标记样本的安全使用问题，提高了对医学影像分割的准确性和鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN111612735A
公开(公告)日：2020-09-01
申请号：CN202010269007.9
申请日：2020-04-08
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种基于信息融合安全半监督聚类的肺结节图像分类方法，首先，输入标记与未标记肺结节图像，并进行图像预处理及特征提取。然后，建立标记样本的风险度评估模型。利用集成学习的思想构建并选择多个基聚类方法，通过D-S证据理论方法融合各基聚类方法对标记样本的划分结果，依据融合结果得到标记样本风险度。接着，构建基于图正则化的优化模型。最后，采用迭代寻优策略求解优化模型，得到聚类结果。本发明解决了标记样本的安全使用问题，提高了对肺结节分类的准确性和鲁棒性。
-
公开(公告)号：CN110263620A
公开(公告)日：2019-09-20
申请号：CN201910371349.9
申请日：2019-05-06
Applicant: 杭州电子科技大学
IPC: G06K9/00
Abstract: 本发明公开一种基于L2,1偏标记学习的年龄估计方法。首先获取人脸数据集的特征矩阵和标签矩阵，然后构建该方法的目标函数。为了使样本的标签分布尽可能稀疏并且求解更加简单，在目标函数中嵌入了L2,1范数；为了使相邻样本的标签分布尽可能相似，采用了流形假设的思想，在目标函数中嵌入图正则项。接着利用交替迭代方法求解优化问题，得到判别系数A(t)。最后，利用判别系数A(t)估计给定的人脸测试样本的标签分布，依据概率最大原则判定其年龄。本发明一方面充分利用了特征空间潜在的有用信息，使相邻样本的标签分布尽可能接近，有效提高了方法的准确性和鲁棒性；另一方面能够实现对候选标记集合进行消歧，准确地估计出样本的标签。
-
公开(公告)号：CN110175511A
公开(公告)日：2019-08-27
申请号：CN201910285119.0
申请日：2019-04-10
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种嵌入正负样本对距离分布的行人重识别方法，属于生物特征认证领域。首先通过多个摄像头采集行人图像样本，组成训练样本库，对各训练样本进行归一化处理和提取LOMO特征后，构建学习马氏距离度量的目标函数，并在目标函数中引入正负样本对距离的分布特性，然后采用投影梯度下降算法求解马氏距离的协方差矩阵，最后利用所获得的马氏距离计算待识别样本和训练样本间的距离，利用k-近邻分类方法判定其类别。本发明重点解决行人重识别任务中的度量学习问题，旨在提高识别性能。
-
公开(公告)号：CN110263620B
公开(公告)日：2021-06-01
申请号：CN201910371349.9
申请日：2019-05-06
Applicant: 杭州电子科技大学
IPC: G06K9/00
Abstract: 本发明公开一种基于L2,1偏标记学习的年龄估计方法。首先获取人脸数据集的特征矩阵和标签矩阵，然后构建该方法的目标函数。为了使样本的标签分布尽可能稀疏并且求解更加简单，在目标函数中嵌入了L2,1范数；为了使相邻样本的标签分布尽可能相似，采用了流形假设的思想，在目标函数中嵌入图正则项。接着利用交替迭代方法求解优化问题，得到判别系数A(t)。最后，利用判别系数A(t)估计给定的人脸测试样本的标签分布，依据概率最大原则判定其年龄。本发明一方面充分利用了特征空间潜在的有用信息，使相邻样本的标签分布尽可能接近，有效提高了方法的准确性和鲁棒性；另一方面能够实现对候选标记集合进行消歧，准确地估计出样本的标签。
-
公开(公告)号：CN110263804A
公开(公告)日：2019-09-20
申请号：CN201910371366.2
申请日：2019-05-06
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种基于安全半监督聚类的医学影像分割方法，涉及半监督FCM聚类和密度峰值聚类方法。首先，采用k-近邻方法构造局部图，得到图正则项。其次，利用FCM聚类和密度聚类方法估计标记和未标记样本的置信度。然后，在原半监督FCM聚类方法的目标函数中引入样本的置信度加权和基于局部图的正则项，得到安全半监督聚类方法的目标函数。最后，通过迭代优化隶属度矩阵和聚类中心得到聚类结果。本发明解决了标记样本的安全使用问题，同时解决了未标记样本的安全使用问题，提高了对医学影像分割的准确性和鲁棒性。
-
-
-
-
-
Search Results
6
records
(took 0.017 seconds)
