CN101944181A - 一种模式分类模型由抽象到具体AtoC模型 - Google Patents
一种模式分类模型由抽象到具体AtoC模型 Download PDFInfo
- Publication number
- CN101944181A CN101944181A CN2010101979459A CN201010197945A CN101944181A CN 101944181 A CN101944181 A CN 101944181A CN 2010101979459 A CN2010101979459 A CN 2010101979459A CN 201010197945 A CN201010197945 A CN 201010197945A CN 101944181 A CN101944181 A CN 101944181A
- Authority
- CN
- China
- Prior art keywords
- module
- model
- atoc
- concrete
- recognition
- 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.)
- Pending
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于图像识别技术领域,具体为一种模式分类模型由抽象到具体AtoC模型。AtoC模型依次包含多模块(MM<K>),MAX模块(MAXr),决策模块(DM),少模块(LM)。AtoC模型利用概率在计算机中表示抽象,然后根据一些决策规则,从对应的类中选出较少的类,最后把这些较少的类再送入相应的少类分类器中得到一个确切的类别归属。由抽象到具体AtoC模型具体可以应用于人脸识别、数字识别、表情识别、字母识别等模式识别问题。
Description
技术领域
本发明属于图像识别技术领域,具体涉及一种模式分类模型由抽象到具体AtoC模型,由抽象到具体AtoC(Abstract to Concrete)模型可以用于图像识别中,特别是类别较少的模式识别中,如表情识别、数字识别等问题。
背景技术
模式识别分类问题是指根据待识别对象所呈现的观察值将其分到某个类别中去。如何作出合理的判决就是模式识别分类器要讨论的问题。在统计模式识别中,感兴趣的主要问题并不是决策正误,而在于如何使决策错误造成的分类误差在整个识别过程的风险代价达到最小。模式识别算法的设计都是强调最佳与最优,即希望所设计的系统在性能上最优。在d维特征空间已经确定的前提下,讨论的分类器设计问题是一个选择什么准则,使用什么方法将已经确定的d维特征空间划分成决策域的问题。目前的分类器大概有模板匹配、Bayes分类,神经网络,SVM,Adaboost,HMM等
在哲学中一种观点,人类认识事物的过程是一个从抽象到具体的过程,头脑中有某个事物的积累和总结的抽象信息,然后才会对某个物体有具体的形状信息。在计算机领域,认为模式识别也可以利用这种方法,对某个物体分类从抽象到具体的、逐步的识别出来。在人脸表情识别中,AtoC能够取得非常的识别效果。
发明内容
本发明的目的在于提出一种能够有效地进行图像模式分类的由抽象到具体AtoC(Abstract to Concrete)的模型。
本发明解决模式分类所采用的技术方案是:AtoC模型尝试解决K类分类问题,每个输入向量属于1,2,3,...,K中的一个,AtoC模型依次包含多模块(记为MM<K>),MAX模块(记为MAXr),决策模块(记为DM),以及少模块(记为LM,共有个少分类器组成,并以LM的下标区分)。AtoC模型的输入是能够代表一个物体的特征向量,如几何特征,纹理特征,等其他的特征。输出就是这个物体该属于的某个类别。多模块MM<K>是抽象的分类模块,K是所有类的数量。MAX模块MAXr是指找出前r个最大的概率对应的类别。
MM<K>的输入是一个物体的特征信息,会得到K个概率。也就是这个物体可能被识别成K个类中的任何一个类,只是对应的概率是不一样的。从中找出前r个最大的概率对应的类别是哪几个。在DM中,通过一些决策规则决定这个输入向量是应该进一步送到LM中的哪一个少分类器中,还是直接给出具体的类别属性。共有个少分类器,每个少分类器都是一个r类的分类器,但都是不一样的分类器。例如,经过MM,选出了3个类别,这三个类别分别是2,4,5,他们对应的概率是分别最大的三个,类别2对应的概率最大,4其次,5对应的概率第三大。然后根据决策规则决定是直接输出这个物体的类别是2,还是需要送到LM模块的245少分类器中。
本发明的有益效果是能够有效的进行图像模式分类,特别是针对类别较少的模式分类问题,如人类六种基本表情识别、数字识别,英文字母识别等问题。
本发明所述的模式分类模型由抽象到具体AtoC模型,可以把SVM,神经网络(BP等网络)应用于AtoC模型中。
附图说明
下面结合附图对本发明进一步说明。
图1是本发明的英文图。
图2是本发明的中文图。
具体实施方式
MM<K>的输入是一个物体的特征信息,会得到K个概率。也就是这个物体可能被识别成K个类中的任何一个类,只是对应的概率是不一样的。从中找出前r个最大的概率对应的类别是哪几个。在DM中,通过一些决策规则决定这个输入向量是应该进一步送到LM中的哪一个少分类器中,还是直接给出具体的类别属性。共有个少分类器,每个少分类器都是一个r类的分类器,但都是不一样的分类器。例如,经过MM,选出了3个类别,这三个类别分别是2,4,5,他们对应的概率是分别最大的三个,类别2对应的概率最大,4其次,5对应的概率第三大。然后根据决策规则决定是直接输出这个物体的类别是2,还是需要送到LM模块的245少分类器中。
Claims (1)
1.一种模式分类模型由抽象到具体AtoC模型,其特征在于依次由多模块(MM<K>)、MAX模块(MAXr)、决策模块(DM)和多个少模块(LM)连接组成;其输入是代表一个物体的特征向量,输出是这个物体该属于的某个类别;在模式识别中图像特征信息依次送入到多模块(MM<K>),MAX模块(MAXr),决策模块(DM),少模块(LM);其中,引入概率信息:一个物体图像的特征信息输入多模块(MM<K>),得到K个概率,这些概率表示抽象信息;MAX模块从中找出前r个最大的概率对应的类别;在决策模块(DM)中,通过决策规则决定这个输入向量是应该进一步送到少模块(LM)中的哪一个少分类器中,还是直接给出具体的类别属性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010101979459A CN101944181A (zh) | 2010-06-10 | 2010-06-10 | 一种模式分类模型由抽象到具体AtoC模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010101979459A CN101944181A (zh) | 2010-06-10 | 2010-06-10 | 一种模式分类模型由抽象到具体AtoC模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101944181A true CN101944181A (zh) | 2011-01-12 |
Family
ID=43436166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010101979459A Pending CN101944181A (zh) | 2010-06-10 | 2010-06-10 | 一种模式分类模型由抽象到具体AtoC模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101944181A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104102930A (zh) * | 2013-04-12 | 2014-10-15 | 欧姆龙株式会社 | 图像识别装置及图像识别方法 |
-
2010
- 2010-06-10 CN CN2010101979459A patent/CN101944181A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104102930A (zh) * | 2013-04-12 | 2014-10-15 | 欧姆龙株式会社 | 图像识别装置及图像识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304936B (zh) | 机器学习模型训练方法和装置、表情图像分类方法和装置 | |
CN105894046B (zh) | 卷积神经网络训练及图像处理的方法和系统、计算机设备 | |
CN105631416B (zh) | 采用新型密度聚类进行人脸识别的方法 | |
CN110046634B (zh) | 聚类结果的解释方法和装置 | |
CN102831403B (zh) | 一种基于指纹特征点的识别方法 | |
Weng et al. | Multi-feature ordinal ranking for facial age estimation | |
CN109063719B (zh) | 一种联合结构相似性和类信息的图像分类方法 | |
CN107908715A (zh) | 基于Adaboost和分类器加权融合的微博情感极性判别方法 | |
CN112199536A (zh) | 一种基于跨模态的快速多标签图像分类方法和系统 | |
CN108021908B (zh) | 人脸年龄段识别方法及装置、计算机装置及可读存储介质 | |
CN105469096A (zh) | 一种基于哈希二值编码的特征袋图像检索方法 | |
JP6928206B2 (ja) | 連合クラスタリング深層学習ニューラルネットワークに基づくデータ識別方法 | |
CN111507350B (zh) | 一种文本识别方法和装置 | |
Djeddi et al. | Artificial immune recognition system for Arabic writer identification | |
CN111125469B (zh) | 一种社交网络的用户聚类方法、装置以及计算机设备 | |
CN113849653B (zh) | 一种文本分类方法及装置 | |
CN104112018A (zh) | 一种大规模图像检索方法 | |
CN110647907A (zh) | 利用多层分类和字典学习的多标签图像分类算法 | |
CN107748783A (zh) | 一种基于句向量的多标签公司描述文本分类方法 | |
CN115827995A (zh) | 基于大数据分析的社交匹配方法 | |
CN112668482A (zh) | 人脸识别训练方法、装置、计算机设备及存储介质 | |
CN117893839B (zh) | 一种基于图注意力机制的多标记分类方法及系统 | |
CN112668633B (zh) | 一种基于细粒度领域自适应的图迁移学习方法 | |
Arnia et al. | Moment invariant-based features for Jawi character recognition | |
CN106033546A (zh) | 基于自上而下学习的行为分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20110112 |