CN101794396B - 基于迁移网络学习的遥感图像目标识别系统及方法 - Google Patents
基于迁移网络学习的遥感图像目标识别系统及方法 Download PDFInfo
- Publication number
- CN101794396B CN101794396B CN 201010132673 CN201010132673A CN101794396B CN 101794396 B CN101794396 B CN 101794396B CN 201010132673 CN201010132673 CN 201010132673 CN 201010132673 A CN201010132673 A CN 201010132673A CN 101794396 B CN101794396 B CN 101794396B
- Authority
- CN
- China
- Prior art keywords
- sample
- node
- learning
- migration
- sigma
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于迁移网络学习的遥感图像目标识别系统及方法,主要解决现有方法对当有标签的遥感图像数据很少时识别正确率较低和图像标签的获取困难且花费昂贵的问题。整个系统包括:图像特征提取模块,迁移网络分类器学习系统生成模块和迁移网络分类器学习系统学习模块。其中,图像特征提取模块,对图像完成特征提取;迁移网络分类器学习系统生成模块,对输入的样本数据采用引入迁移学习的网络集成学习算法进行训练,得到迁移网络分类器学习系统;迁移网络分类器学习系统学习模块,对新的样本图像特征完成分类识别。本发明具有能够利用已有其他资源提高对遥感图像目标的识别正确率,无需重新搜集数据的优点,可用于遥感图像的目标识别。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种遥感图像目标识别系统,可用于遥感图像的目标识别。
背景技术
近年来,随着机器学习的发展,基于单个分类器的学习系统已不能满足用户的需求,集成学习称为机器学习中的一个研究热点。集成技术利用基学习器的多个版本来解决同一个问题,可以显著地提高学习系统的泛化能力,其中要求各基分类器之间独立且具有差异性,并已应用于遥感图像目标识别中。
2005年,王世军等人将Boosting算法引入分类器网络中,将分类器网络与分类器集成并用,提出了网络集成学习算法NB,通过各节点分类器之间的通信和协作得到具有更强泛化能力的分类器系统。在现实生活中存在大量其它的数据,这些数据域与目标数据相关但又不同于目标数据,其中部分数据被期望用于指导新的问题。但是基于传统的机器学习方法的目标识别方法,要求训练数据和测试数据独立同分布,因此存在如下缺点:
1、当有标签的图像数据很少时,识别正确率就会较低;
2、如果要提高识别正确率,图像及其标签的获取和收集不仅困难而且花费昂贵;
3、不能够利用现有的其它可用资源来提高识别正确率。
发明内容
本发明的目的在于克服上述遥感图像目标识别系统及方法存在的缺点,将迁移学习引入网络集成学习算法NB中,提出了一种基于迁移网络学习的遥感图像目标识别系统及方法,以利用现有与目标数据相关的数据指导正确率较低图像目标的学习,从而提高其分类正确率。
为实现上述目的,本发明的遥感图像目标识别系统及方法,包括:
1、一种基于迁移网络学习的遥感图像目标识别系统,包括:
图像特征提取模块,对输入图像进行特征提取,对输入的源域和目标域中有标签图像集提取的特征结果传至迁移网络分类器学习系统生成模块,对目标域中无标签图像提取的特征结果传至迁移网络分类器学习系统学习模块;
迁移网络分类器学习系统生成模块,对输入的源域和目标域有标签的图像特征采用迁移学习的网络集成学习算法进行训练,得到迁移网络分类器学习系统;
迁移网络分类器学习系统学习模块,对需要测试的图像进行特征提取,将得到的特征输入至迁移网络分类器学习系统中进行学习,输出最终的识别结果。
2.一种基于迁移网络学习的遥感图像目标识别方法,包括如下步骤:
(1)输入源域图像数据集和目标域有标签图像数据集,并对其提取特征;
(2)将提取到的特征输入目标域有标签的样本集TRS和源域样本集TRD组成训练样本集Z,其中,TRS与TRD中的样本数目分别为lS和lD;设置含有K2个节点的网络拓扑结构,输入采样率ρ和训练轮数T,采用迁移学习的网络集成学习算法,通过如下步骤训练生成迁移网络分类器学习系统:
2a)将训练样本集Z分别分布在各节点上,作为各节点的训练样本,初始化各节点训练样本的权重;
2b)对各节点训练样本集Z进行有放回的加权采样,获得各节点的训练子集Tk,t,利用各节点上的核匹配追踪学习机迁移模型TLKMPLM对Tk,t进行训练,得到各节点的基分类器Ck,t,用各节点的基分类器Ck,t对训练样本集Z进行分类,得到分类结果,其中t为当前训练轮数;
2c)根据对训练样本集Z的分类结果计算各节点上目标域样本的加权错误率:
其中,wk,t(xi)为样本xi的权重,yi为样本xi的已知标签,hk,t(xi)为Ck,t对样本xi的分类结果;
2d)根据加权错误率εk,t,计算t轮时各基分类器的权重:
2e)更新源域迁移样本和目标域样本的权重,当t<T时,转步骤(2b),当t=T时,结束训练,得到由所有基分类器Ck,t(k=1,2,…,K,t=1,2,…,T)组成的迁移网络分类器学习系统;
(3)输入目标域无标签图像x进行特征提取,将其图像特征传入至生成的迁移网络分类器学习系统中进行分类,得到分类结果:
其中,Y为样本标签组成的集合,n为网络拓扑结构中与k节点相连的节点,αn,t为t轮时n节点上基分类器的权重,hn,t(xi)为t轮时n节点上基分类器对样本xi的分类结果;
(4)将HK,T作为最终的分类结果输出。
本发明与现有的技术相比具有以下优点:
1)本发明由于引入迁移学习,能够利用已有的与测试集相关的其它数据指导分类正确率较低的数据的学习,无需重新搜集数据;
2)本发明由于采用引入迁移学习的网络集成学习算法,生成的迁移网络分类器学习系统具有较高的正确识别率;
3)本发明由于基分类器使用迁移模型,生成的迁移网络分类器学习系统具有较高的正确识别率;
本发明是基于网络的遥感图像识别系统,可用于各种复杂网络环境中。仿真结果表明,对实测飞机SAR图像数据集,采用本发明的基于迁移网络学习的目标识别方法较引入迁移学习前正确识别率可提高10%-15%。
附图说明
图1为本发明基于迁移网络学习的遥感图像目标识别系统示意图;
图2为本发明的基于迁移网络学习的遥感图像目标识别方法流程图;
图3为目标域样本图像;
图4为源域样本图像。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
参照图1,本发明基于迁移网络学习的遥感图像目标识别系统,主要由输入源域图像和目标域有标签图像、输入目标域无标签图像、图像特征提取模块、迁移网络分类器学习系统生成模块、迁移网络分类器学习系统学习模块和分类结果组成,其中:
图像特征提取模块,对输入图像进行特征提取,对输入的源域和目标域中有标签图像集提取的特征结果传至迁移网络分类器学习系统生成模块,对目标域中无标签图像提取的特征结果传至迁移网络分类器学习系统学习模块;
迁移网络分类器学习系统生成模块,对输入的源域和目标域有标签的图像特征采用引入迁移学习的网络集成学习算法进行训练,得到迁移网络分类器学习系统;
迁移网络分类器学习系统学习模块,对需要测试的图像进行特征提取,将得到的特征输入至迁移网络分类器学习系统中进行学习,输出最终的识别结果。
参照图2,本发明的遥感图像目标识别方法,包括如下步骤:
步骤1:输入源域图像数据集和目标域有标签图像数据集,将输入的图像数据集进行3层Wavelet、Brushlet和Contourlet变换,然后提取子图中的能量作为特征。
步骤2:将提取到的特征输到入目标域有标签样本集TRS和源域样本集TRD,组成训练样本集Z,并设置含有K2个节点的网络拓扑结构,输入采样率ρ和训练轮数T,其中,TRS与TRD中的样本数目分别为lS和lD。
步骤3:采用引入迁移学习的网络集成学习算法生成迁移网络分类器学习系统。
3a)将训练样本集Z分别分布在网络各节点上,作为各节点的训练样本,初始化各节点训练样本的权重;
3b)对各节点训练样本集Z进行有放回的加权采样,获得各节点的训练子集Tk,t,利用各节点上的核匹配追踪学习机迁移模型TLKMPLM对Tk,t进行训练:
首先,根据Tk,t中各样本的值计算核匹配追踪学习机迁移模型TLKMPLM的逼近值:
其次,根据Tk,t中所有样本的逼近值得到核匹配追踪学习机迁移模型TLKMPLM的决策函数:
其中,N为Tk,t中样本的个数,sp为支持向量。
3c)通过训练得到各节点的基分类器Ck,t,用各节点的基分类器Ck,t对训练样本集Z进行分类,得到对Z的分类结果,其中t为当前训练轮数;
3d)根据对Z的分类结果计算各节点上目标域样本的加权错误率:
其中,wk,t(xi)为样本xi的权重,yi为样本xi的已知标签,hk,t(xi)为Ck,t对样本xi的分类结果;
3e)根据εk,t,计算各基分类器的权重:
3g)更新源域迁移样本和目标域样本的权重:
其中,
其中,y(xi)为样本xi的已知标签,hk,t(xi)为Ck,t对样本xi的分类结果,且hk,t(xi)∈Y,n为节点k的近邻节点的标号;
步骤4:输入目标域无标签图像x,对其进行与步骤1相同的特征提取,将其图像特征传入至生成的迁移网络分类器学习系统中进行分类,得到分类结果:
其中,Y为样本标签组成的集合,n为网络拓扑结构中与k节点相连的节点,αn,t为t轮时n节点上基分类器的权重,hn,t(xi)为t轮时n节点上基分类器对样本xi的分类结果;
步骤5:将HK,T作为最终的分类结果输出。
本发明的效果可以通过以下仿真数据进一步说明:
1、仿真条件
本发明的仿真在Windows XP,SPI,CPU Pentium(R)4,基本频率2.4GHZ,软件平台为VC++6.0运行。
图3为目标域样本图像,其中,(a)为A类有标签样本,(b)为B类有标签样本,(c)为A类无标签样本,(d)为B类无标签样本;图4为源域样本图像,其中,(a)为C类样本,(b)为D类样本。
仿真选用包含A类和B类两类飞机图像的数据集作为目标域数据,并使用与目标域相似的C类和D类飞机图像数据作为源域数据,其中,目标域的训练样本为完整的飞机图像,如图3中(a)和(b);测试样本为有残缺或遮挡的飞机图像,如图3中(c)和(d);源域数据为另外两类完整的飞机图像,如图4。源域样本和目标域样本的分布情况如表1所示。
表1 源域与目标域样本分布情况
实验中,首先将图像进行3层Wavelet、Brushlet和Contourlet变换,然后提取子图中的能量作为特征。由于C类样本与A类相似,D类样本与B类相似,因此使用C类样本指导A类样本学习,D类样本指导B类样本学习。在实验中,选用的网络结构为包含20个节点、度数为10的规则网络结构,采样率ρ=0.5,训练轮数T=10。采用引入迁移学习的网络集成学习算法TNL进行分类识别,在三种特征下的TNL和NB的对比实验结果如表2所示,其中NB的基分类器为核匹配追踪学习机KMPLM,TNL的基分类器分别为核匹配追踪学习机KMPLM和核匹配追踪学习机迁移模型TLKMPLM。
表2 基于TNL和NB的目标识别的对比实验结果(%)
实验结果表明,在三个特征空间中,本发明基于TNL的正确识别率高于现有基于NB算法下的结果,这表明,采用提出的迁移网络学习算法可以实现源域数据到目标域数据的知识迁移。由TNL中基分类器模型分别选用和TLKMPLM时的结果可看出,在该数据集上,TNL中使用TLKMPLM作为基分类器时的性能明显优于选用KMPLM的性能。
上述整个图像目标识别过程,均通过计算机程序实现其功能,完成对网络行为的检测。
该实施例是在以本发明技术方案为前提下进行实施的,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于上述实施例。
Claims (1)
1.一种基于迁移网络学习的遥感图像目标识别方法,包括如下步骤:
(1)输入源域图像数据集和目标域有标签图像数据集,并对其提取特征;
(2)将提取到的特征输入目标域有标签的样本集TRS和源域样本集TRD组成训练样本集Z,其中,TRS与TRD中的样本数目分别为lS和lD;设置含有K2个节点的网络拓扑结构,输入采样率ρ和训练轮数T,采用迁移学习的网络集成学习算法,通过如下步骤训练生成迁移网络分类器学习系统:
2a)将训练样本集Z分别分布在各节点上,作为各节点的训练样本,初始化各节点训练样本的权重;
2b)对各节点训练样本集Z进行有放回的加权采样,获得各节点的训练子集Tk,t,利用各节点上的核匹配追踪学习机迁移模型TLKMPLM对Tk,t进行训练,得到各节点的基分类器Ck,t,用各节点的基分类器Ck,t对训练样本集Z进行分类,得到分类结果,其中t为当前训练轮数;
所述的利用各节点上的核匹配追踪学习机迁移模型TLKMPLM对Tk,t进行训练,按如下步骤进行:
2b1)根据Tk,t中各样本的值计算核匹配追踪学习机迁移模型TLKMPLM中样本xi的逼近值:
2b2)根据Tk,t中所有样本的逼近值得到核匹配追踪学习机迁移模型TLKMPLM的决策函数:
其中,N为Tk,t中样本的个数,sp为支持向量;
2c)根据对训练样本集Z的分类结果计算各节点上目标域样本的加权错误率:
其中,wk,t(xi)为样本xi的权重,yi为样本xi的已知标签,hk,t(xi)为Ck,t对样本xi的分类结果;
2d)根据加权错误率εk,t,计算t轮时各基分类器的权重:
2e)更新源域迁移样本和目标域样本的权重,当t<T时,转步骤2b),当t=T时,结束训练,得到由所有基分类器Ck,t(k=1,2,…,K,t=1,2,…,T)组成的迁移网络分类器学习系统:
其次,更新节点k处样本xi的权重wk,t(xi),得到更新后权重wk,t+1(xi):
其中,
其中,y(xi)为样本xi的已知标签,hk,t(xi)为Ck,t对样本xi的分类结果,且hk,t(xi)∈Y。
(3)输入目标域无标签图像x进行特征提取,将其图像特征传入至生成的迁移网络分类器学习系统中进行分类,得到分类结果:
其中,Y为样本标签组成的集合,n为网络拓扑结构中与k节点相连的节点,αn,t为t轮时n节点上基分类器的权重,hn,t(xi)为t轮时n节点上基分类器对样本xi的分类结果;
(4)将HK,T作为最终的分类结果输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010132673 CN101794396B (zh) | 2010-03-25 | 2010-03-25 | 基于迁移网络学习的遥感图像目标识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010132673 CN101794396B (zh) | 2010-03-25 | 2010-03-25 | 基于迁移网络学习的遥感图像目标识别系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101794396A CN101794396A (zh) | 2010-08-04 |
CN101794396B true CN101794396B (zh) | 2012-12-26 |
Family
ID=42587076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010132673 Expired - Fee Related CN101794396B (zh) | 2010-03-25 | 2010-03-25 | 基于迁移网络学习的遥感图像目标识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101794396B (zh) |
Families Citing this family (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496034B (zh) * | 2011-11-29 | 2013-07-31 | 南京师范大学 | 基于直线单词的高空间分辨率遥感图像词袋分类方法 |
CN102521656B (zh) * | 2011-12-29 | 2014-02-26 | 北京工商大学 | 非平衡样本分类的集成迁移学习方法 |
CN102945255B (zh) * | 2012-10-18 | 2016-06-22 | 浙江大学 | 跨媒体多视角非完美标签学习方法 |
CN103778642B (zh) * | 2013-12-12 | 2017-02-15 | 中安消技术有限公司 | 一种目标跟踪的方法及装置 |
CN104680178B (zh) * | 2015-03-06 | 2017-11-21 | 西安电子科技大学 | 基于迁移学习多吸引子细胞自动机的图像分类方法 |
CN105095870B (zh) * | 2015-07-27 | 2018-07-20 | 中国计量学院 | 基于迁移学习的行人重识别方法 |
CN105488502B (zh) * | 2015-11-27 | 2018-12-21 | 北京航空航天大学 | 目标检测方法与装置 |
CN107506775A (zh) * | 2016-06-14 | 2017-12-22 | 北京陌上花科技有限公司 | 模型训练方法及装置 |
WO2018065158A1 (en) * | 2016-10-06 | 2018-04-12 | Siemens Aktiengesellschaft | Computer device for training a deep neural network |
CN108304935B (zh) * | 2017-05-09 | 2022-01-18 | 腾讯科技(深圳)有限公司 | 机器学习模型训练方法、装置和计算机设备 |
CN107239759B (zh) * | 2017-05-27 | 2020-11-27 | 中国科学院遥感与数字地球研究所 | 一种基于深度特征的高空间分辨率遥感图像迁移学习方法 |
CA3027062C (en) | 2017-06-13 | 2020-06-09 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for determining estimated time of arrival |
CN107578057B (zh) * | 2017-07-14 | 2020-11-17 | 北京纵目安驰智能科技有限公司 | 基于迁移学习缓解车道线检测的树影类问题的方法及系统 |
CN107578003B (zh) * | 2017-08-29 | 2020-04-14 | 中国科学院遥感与数字地球研究所 | 一种基于地理标记图像的遥感图像迁移学习方法 |
CN107885770B (zh) * | 2017-09-28 | 2021-12-24 | 努比亚技术有限公司 | 目标域数据库构建、样本识别方法、终端及存储介质 |
CN109584279A (zh) * | 2017-09-29 | 2019-04-05 | 中国科学院遥感与数字地球研究所 | 基于sar图像的船舶检测方法、装置及船舶检测系统 |
CN107644212B (zh) * | 2017-10-19 | 2019-12-17 | 中国地质大学(武汉) | 一种高光谱遥感图像分类方法、设备及存储设备 |
CN108052984B (zh) * | 2017-10-30 | 2019-11-08 | 中国科学院计算技术研究所 | 计数方法及装置 |
CN108304876B (zh) * | 2018-01-31 | 2021-07-06 | 国信优易数据股份有限公司 | 分类模型训练方法、装置及分类方法及装置 |
CN108197670B (zh) * | 2018-01-31 | 2021-06-15 | 国信优易数据股份有限公司 | 伪标签生成模型训练方法、装置及伪标签生成方法及装置 |
CN108460415B (zh) * | 2018-02-28 | 2021-06-15 | 国信优易数据股份有限公司 | 一种语种识别方法 |
CN108805160B (zh) * | 2018-04-17 | 2020-03-24 | 平安科技(深圳)有限公司 | 迁移学习方法、装置、计算机设备和存储介质 |
CN109255321B (zh) * | 2018-09-03 | 2021-12-10 | 电子科技大学 | 一种结合历史与即时信息的视觉追踪分类器构建方法 |
CN109685078B (zh) * | 2018-12-17 | 2022-04-05 | 浙江大学 | 基于自动标注的红外图像识别方法 |
CN109948648B (zh) * | 2019-01-31 | 2023-04-07 | 中山大学 | 一种基于元对抗学习的多目标域适应迁移方法及系统 |
CN111600734B (zh) * | 2019-02-21 | 2021-11-02 | 烽火通信科技股份有限公司 | 一种网络故障处理模型的构建方法、故障处理方法及系统 |
CN110111297B (zh) * | 2019-03-15 | 2021-03-30 | 浙江大学 | 一种基于迁移学习的注塑制品表面图像缺陷识别方法 |
CN110148152A (zh) * | 2019-04-02 | 2019-08-20 | 浙江工业大学 | 基于卷积神经网络的sar目标交互行为识别方法 |
CN110399856B (zh) * | 2019-07-31 | 2021-09-14 | 上海商汤临港智能科技有限公司 | 特征提取网络训练方法、图像处理方法、装置及其设备 |
CN112926609B (zh) * | 2019-12-05 | 2023-01-24 | 上海高德威智能交通系统有限公司 | 图像处理方法及装置 |
CN111898663B (zh) * | 2020-07-20 | 2022-05-13 | 武汉大学 | 一种基于迁移学习的跨模态遥感图像的匹配方法 |
CN112612023A (zh) * | 2020-12-14 | 2021-04-06 | 中国电子科技集团公司电子科学研究院 | 一种雷达目标识别方法及计算机可读存储介质 |
CN112580806B (zh) * | 2020-12-29 | 2021-09-03 | 中国科学院空天信息创新研究院 | 基于任务域知识迁移的神经网络持续学习方法及装置 |
CN113011513B (zh) * | 2021-03-29 | 2023-03-24 | 华南理工大学 | 一种基于通用域自适应的图像大数据分类方法 |
CN113205159B (zh) * | 2021-05-31 | 2022-04-15 | 西南交通大学 | 一种知识迁移方法、无线网络设备个体识别方法及系统 |
CN114925716B (zh) * | 2022-03-22 | 2023-08-25 | 西南交通大学 | 基于集成学习算法的碳纤维复合材料损伤定位方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101059844A (zh) * | 2006-04-19 | 2007-10-24 | 索尼株式会社 | 学习装置和方法 |
CN101582813A (zh) * | 2009-06-26 | 2009-11-18 | 西安电子科技大学 | 基于分布式迁移网络学习的入侵检测系统及其方法 |
-
2010
- 2010-03-25 CN CN 201010132673 patent/CN101794396B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101059844A (zh) * | 2006-04-19 | 2007-10-24 | 索尼株式会社 | 学习装置和方法 |
CN101582813A (zh) * | 2009-06-26 | 2009-11-18 | 西安电子科技大学 | 基于分布式迁移网络学习的入侵检测系统及其方法 |
Non-Patent Citations (3)
Title |
---|
Pattern Recognition(SPIE)》.2009,74950A1-A8. * |
Shuiping Gou et al.Transfer Network Learning Based Remote Sensing Target Recognition.《Proceedings of the 6th International Symposium on Multispectral Image Processing & Pattern Recognition(SPIE)》.2009,74950A1-A8. |
Shuiping Gou et al.Transfer Network Learning Based Remote Sensing Target Recognition.《Proceedings of the 6th International Symposium on Multispectral Image Processing & * |
Also Published As
Publication number | Publication date |
---|---|
CN101794396A (zh) | 2010-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101794396B (zh) | 基于迁移网络学习的遥感图像目标识别系统及方法 | |
CN104992184B (zh) | 一种基于半监督极限学习机的多类图像分类方法 | |
CN108830209B (zh) | 基于生成对抗网络的遥感图像道路提取方法 | |
CN104881689B (zh) | 一种多标签主动学习分类方法及系统 | |
CN105975916A (zh) | 基于多输出卷积神经网络和有序回归的年龄估计方法 | |
CN101561868B (zh) | 基于高斯特征的人体运动情感识别方法 | |
CN102542295B (zh) | 一种采用图像分类技术从遥感图像中进行滑坡检测的方法 | |
CN102279358B (zh) | 一种基于mcskpca的神经网络模拟电路故障诊断方法 | |
US20180038909A1 (en) | Analog circuit fault diagnosis method using single testable node | |
CN103258214A (zh) | 基于图像块主动学习的遥感图像分类方法 | |
CN109409261A (zh) | 一种农作物分类方法及系统 | |
CN104966105A (zh) | 一种鲁棒机器错误检索方法与系统 | |
CN108446616A (zh) | 基于全卷积神经网络集成学习的道路提取方法 | |
CN105760888A (zh) | 一种基于属性聚类的邻域粗糙集集成学习方法 | |
CN104778482A (zh) | 基于张量半监督标度切维数约减的高光谱图像分类方法 | |
CN104680167B (zh) | 基于深度学习的极光卵位置确定方法 | |
CN106778714B (zh) | 基于非线性特征和模型合并的lda人脸识别方法 | |
CN103678483A (zh) | 基于自适应概率超图和半监督学习的视频语义分析方法 | |
CN103400144A (zh) | 一种基于k近邻的支持向量机主动学习的方法 | |
CN110348494A (zh) | 一种基于双通道残差神经网络的人体动作识别方法 | |
CN105469063A (zh) | 鲁棒的人脸图像主成分特征提取方法及识别装置 | |
CN106529604B (zh) | 一种自适应的图像标签鲁棒预测方法及系统 | |
CN107423705A (zh) | 基于多层概率统计模型的sar图像目标识别方法 | |
CN110288028A (zh) | 心电检测方法、系统、设备及计算机可读存储介质 | |
CN104978569A (zh) | 一种基于稀疏表示的增量人脸识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20121226 Termination date: 20180325 |
|
CF01 | Termination of patent right due to non-payment of annual fee |