CN102156885B - 基于级联式码本生成的图像分类方法 - Google Patents
基于级联式码本生成的图像分类方法 Download PDFInfo
- Publication number
- CN102156885B CN102156885B CN201010112508.2A CN201010112508A CN102156885B CN 102156885 B CN102156885 B CN 102156885B CN 201010112508 A CN201010112508 A CN 201010112508A CN 102156885 B CN102156885 B CN 102156885B
- Authority
- CN
- China
- Prior art keywords
- image
- training
- negative
- positive
- code book
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 158
- 238000012360 testing method Methods 0.000 claims abstract description 56
- 239000013598 vector Substances 0.000 claims description 28
- 238000005070 sampling Methods 0.000 claims description 15
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 239000013604 expression vector Substances 0.000 claims description 2
- 238000013507 mapping Methods 0.000 abstract description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000001968 nicotinic acid Nutrition 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Images
Abstract
本发明为一种基于级联式码本生成的图像分类方法，该方法采用级联式的码本生成方式，根据训练样本的变化，动态地调整样本映射空间，使得训练样本更容易被分开，进而训练基于当前码本的分类器。测试图像依次通过训练好的每一个分类器，如果所有分类器输出为正，图像类别标签判别为正，否则，图像类别标签判别为负。该方法采用级联式的码本生成方法，使得每一轮的码本在保持较强的判别性的同时，降低了图像表示的维数，解决了码本多样性与维数灾难之间的矛盾；同时，本方法采用级联式的码本生成方式，使得每一轮训练正负样本数目相同，巧妙的解决了特定类别分类中常见的样本不均衡问题，具有重要的应用价值。
Description
技术领域
本发明属与模式识别与信息处理技术领域，涉及一种基于级联式码本生成的图像分类方法，具体的是一种图像分类方法。
背景技术
由于数码相机等数码产品的低廉价格，图片、视频数据可以很方便的拍摄并保存成方便计算机处理的电子形式。同时，互联网资源的迅猛发展，使得广大用户开始面临一个庞大的数据资源。单纯的利用人力来维护和组织这些数据已经变得不现实。因此，开发一种技术来有效的组织这些个人或者企业图片、视频数据成为了一个热点问题。然而，计算机不能“看”的很清楚：它们不能像人一样把图像中的颜色像素转换为更高级语义表示形式，进而完成分类整理。
一个人可以分类识别10,000多种视觉对象。对我们人类来说，分类过程很快，毫不费力而且对视角、光亮、遮挡和背景混淆有很好的鲁棒性。而且，这个过程仅需要很少的监督和少量实例。经过了几十年的努力，研究者在特定目标(如，人脸，指纹识别)分类识别方面取得了很大进展，但是，到目前为止还没有开发出一种通用的目标识别技术，满足人们日常生活的需要。如何训练计算机来模拟人的形象思维，达到人类的识别能力，仍然面临着极大的挑战。是挑战，也是机会，因为这意味着这个领域还有着很大的发展空间。
图像分类的研究，大致可以追溯到60年代。在这个过程当中，图像分类研究者在这个领域做出了大量工作，其中包含很多具有里程碑意义的方法。总的来说，目前图像分类主要可以分为两个流派：其中之一是模仿人类的视觉器官，建立对应的分类子单元，以提高模仿程度来提高分类性能；另外一种就是模仿人类视觉的功能，而不刻意关注人实现过程中物理器官的反应。1964年，Neisser在中指出，人类的视觉系统的分类过程大致可以分为两个阶段：意识前阶段和意识阶段。在意识前阶段，目标上的突出的显著局部区域会首先捕获人的注意力；在意识阶段，人们的视觉系统开始建立这些显著部分的关系，进而识别出目标。这思路极大的影响了计算机视觉界(主要是通过马尔的工作)，一系列有效的研究纷至沓来。与Neisser提出的意识前阶段和意识阶段的功能相对应，目标识别的过程大致可以分为两个阶段：局部显著区域检测及描述和分类模型。在局部显著区域检测中，SIFT(尺度不变特征变换)以其稳定的性能，成为了局部显著区域检测和描述的首选。同时，为了组织这些局部显著区域以形成图像的向量化描述，产生了一系列的分类模型，有部分-结构模型，基于轮廓的模型，语境语义相关模型，仿生学模型，特征包模型。在这些模型当中，特征包模型以其优越的性能，简洁的计算方式，成为图像分类的主流模型。
然而，特征包模型需要产生一个可供所有图像局部区域映射的码本。为了满足这个需要，理想中的码本应该涵盖所有可能的局部显著区域图像块。但是，图像的变化时多样且连续的，我们不可能生成一个码本，能够涵盖所有的图像块。为了能够近似的逼近图像块的各种变化，研究者选择了聚类的方式，把多种类似的局部显著区域图像块的连续变化映射到中间某个典型的图像快上面。随着图像数目的增加，这种典型的局部区域图像块也会呈亚线性增长，由此带来的便是图像表示向量维数的增加，进而导致维数灾难。如何产生码本，使它既能满足多样性的要求，又在一定程度上避免维数灾难，成了目前困扰特征包模型研究者的热点问题。同时，对于特定类别分类问题，如果按照普通的分类方法，每个分类器的训练过程，需要以本类别的训练图像为正样本，其他所有训练图像作为负样本，这样就造成了分类器训练中严重的样本不均衡问题，使得正样本淹没在负样本当中。为了解决这个问题，有的研究者采用减少负样本的方法，但是，由于减少了负样本的多样性，使得大量的负样本被误分为正，分类器的性能反而大大降低。同时有的研究者采用将负样本分为几部分，每一部分与正样本训练一个分类器，然后将所有分类器的输出结果按照少数服从多数的投票方式，决定图像的分类结果；然而此方式没有认识到正样本淹没在负样本中的根本原因并不是负样本多，而是正负样本的固定的映射空间本身具有一定的不可分性，而仅仅把负样本分为几部分并不是解决问题的关键，因此虽然采用负样本分块训练分类器后投票的方法在一定程度上提高了性能，但是也没有从根本上解决问题。
发明内容
为了解决现有技术对多类别分类问题存在的困难，本发明的目的是提供一种既能够集合类别之间的具有判别力的局部显著区域图像块作为码本，又能有效的降低分类中向量表示的维数灾难问题的解决方法。同时避开样本不均衡问题。
为了达成所述目的，本发明采用基于级联式的码本生成的图像分类方法，该图像分类方法包括步骤如下：
步骤S1：对图像数据集进行预处理是利用局部显著区域检测子，检测图像数据集所有图像中的局部显著区域，并用向量表示，将所有图像表示成为局部显著区域图像块的集合；
步骤S2：采用级联的方式对局部显著区域图像块的集合进行处理，生成码本、将训练图像向量化并训练分类器；
步骤S3：利用级联式训练生成的码本，将测试图像采用与训练图像相同的方式向量化，并利用级联式训练步骤训练好的分类器分类图像，然后根据分类器的输出标签，得到测试图像的分类结果。
其中，所述图像数据集包含训练图像集和测试图像集；所述训练图像集根据图像的标签分为正训练图像和负训练图像分别作为正样本和负样本用于级联式码本生成以及分类器训练；所述测试图像集根据图像的标签分为正测试图像和负测试图像分别作为正样本和负样本用于检验所述基于级联式码本生成的图像分类方法的性能
其中，所述级联式训练的具体步骤如下：
步骤S21：将局部显著区域图像块的集合中所有由正的训练图像经图像预处理得到的局部显著区域图像块利用k-均值聚类，生成k个聚类中心作为正码本；
步骤S22：从当前所有训练图像的负训练图像中，随机选择与正训练图像相同数目的图像，构成采样得负样本；
步骤S23：将局部显著区域图像块集合中所有由采样得负样本经图像预处理得到的局部显著区域图像块利用k-均值聚类，生成k个聚类中心作为负码本；
步骤S24：将正码本与负码本融合，得到2k个聚类中心，作为本轮的码本；
步骤S25：将当前所有训练图像中的每一块局部显著区域图像块按照最近邻的法则，映射到本轮的码本上，即将本轮的码本中与每个局部显著区域图像块最近的聚类中心作为该局部显著区域图像块的代表；统计本轮的码本中每一个聚类中心在当前所有训练图像中的每一幅图像中出现的次数，形成本轮的码本中每个聚类中心在该图像中出现次数的直方图向量，作为该图像在本轮的码本上表示的向量；
步骤S26：选择正训练图像和采样得到的负训练图像对应的直方图向量分别作为正负样本训练本轮的分类器，将本轮的码本和训练得到的本轮的分类器之间建立对应关系，保存在分类器文件夹中；
步骤S27：将当前所有的负训练图像对应的直方图向量输入本轮的分类器，如果分类器输出大于阈值T1，则负训练图像被错误分类；如果被误分类的负训练图像个数小于正训练图像的个数，则训练过程终止；否则，将分类错误的负训练图像作为新的负训练图像与原始的正训练图像构成新的训练图像回到步骤S22开始新的一轮训练。
其中，所述的测试图像的分类，是采用级联的方式使得每一幅测试图像依次经过所有训练好的分类器，在经过每一个训练好的分类器的时候，将测试图像在当前训练好的分类器对应的码本上面按照与训练图像相同的方式，生成直方图向量，输入分类器；若分类结果小于阈值T2，则图像标签为负，测试结束；否则，测试图像进入下一个训练好的分类器；只有当测试图像在所有训练好的分类器上面标签都为正，测试图像被标注为正图像。
本发明的有益效果：与现有的传统分类方法相比，本发明方法具有如下特点：
1.与现有的码本相比，当负训练图像种类较多时，本发明的级联式码本生成中的每个码本大小保持不变，有效的避免了维数灾难问题。
2.与现有的码本相比，随着负训练图像种类的增多，本发明的码本可以保持着稳定的判别性，使得分类结果更加稳定。
3.与现有的分类器训练方法相比，本发明的分类器训练总是在正负样本数目相同的情况下进行，也就是本发明的训练方法不存在样本不均衡问题。
本发明有效的解决了图像表示向量维数与码本多样性之间的矛盾，使得图像表示向量维数不大的情况下仍然有着较强的判别性。同时，基于级联式码本生成的图像分类方法，使得特定类别分类器训练中常见的样本不均衡问题不再存在，有效地挺高了图像分类的性能。
附图说明
图1是本发明基于级联式码本生成的图像分类方法的流程图
图2示出本发明基于级联式码本生成的图像分类训练流程图；
图3示出本发明基于级联式码本生成的测试图像分类流程图。
具体实施方式
下面结合附图详细说明本发明技术方案中所涉及的各个细节问题。应指出的是，所描述的实施例仅旨在便于对本发明的理解，而对其不起任何限定作用。
如图1示出本发明采用基于级联式的码本生成方法的图像分类方法。针对正训练图像和每轮采样得负训练图像的特点，生成合适的码本，将符合这个特点的图像映射到一个具有可分性的特征空间中。同时，在每一个分类器的训练当中，本发明保证正负样本的个数是相等的，这巧妙地解决了分类器训练中的样本不均衡问题。
这里，为了解决码本维数和判别性，以及样本不均衡问题，测试图像只有在经历所有的分类器并全部判别为正的情况下才被分类为正，而只要有一个分类器判断为负，测试图像就被判为负。因此，在分类器的训练过程当中，负训练图像经过分类器输出的概率只有小于一个远远小于0.5的阈值T1才判别为负，以确保所有负训练图像都非常明确地被划分为负样本；同时测试图像经过分类器时，只要大于一个小于0.5的阈值T2本轮分类器即判别为正，以确保正的测试图像能够顺利的被所有分类器正确分类。
本发明旨在设计一种基于级联式码本生成的图像分类方法，在有效的解决传统代码包模型对于特定目标分类问题存在的图像表示向量维数与码本多样性之间的矛盾的同时，消除分类器训练过程中存在的样本不均衡问题对方法性能的影响。采用级联式的码本生成方法，根据训练图像的变化，动态地生成新的码本，进而达到根据训练图像动态调整特征映射空间的目的，使得当前训练图像被映射到一个比传统的单一码本更具有可分性的特征空间中，减少了分类器的分类难度。然后在新的特征空间中，训练分类器，进行分类。
基于级联式码本生成的图像分类方法的主要思想是，根据训练图像的特点，动态地调整特征映射空间，使得当前训练图像在调整后的特征空间中比传统方法更容易被分类。
该方法包括图像数据集预处理、级联式训练过程和测试图像的分类过程，如下所述：
步骤S1：图像数据集预处理过程利用局部显著区域检测子，我们采用尺度不变特征变换(SIFT)，检测图像数据集中所有图像的局部显著区域，并表示为128维的SIFT向量，将图像数据集中每一幅表示成为局部显著区域图像块的集合。
步骤S2：级联式训练步骤，如图2示出，包括：正码本生成、负训练图像采样、负码本生成，正负码本融合成本轮码本，当前所有训练图像在本轮码本上向量化，利用正训练图像和采样得到的负训练图像对应的图像向量训练本轮分类器，利用本轮分类器分类当前负训练图像以及下一轮训练图像生成步骤，具体描述如下：
步骤S21：将局部显著区域图像块的集合中所有由正的训练图像通过图像预处理得到的局部显著区域图像块利用k-均值聚类，生成k个聚类中心作为正码本；
步骤S22：从当前所有训练图像的负训练图像中，随机选择与正训练图像相同数目的图像，构成采样得负样本；
步骤S23：将局部显著区域图像块集合中所有由采样得负样本经图像预处理得到的局部显著区域图像块利用k-均值聚类，生成k个聚类中心作为负码本；
步骤S24：将正码本与负码本融合，得到2k个聚类中心，作为本轮的码本；
步骤S25：将当前所有训练图像中的每一块局部显著区域图像块按照最近邻的法则，映射到本轮的码本上，即将本轮的码本中与每个局部显著区域图像块最近的聚类中心作为该局部显著区域图像块的代表；统计本轮的码本中每一个聚类中心在当前所有训练图像中的每一幅图像中出现的次数，形成本轮的码本中每个聚类中心在该图像中出现次数直方图向量，作为该图像在本轮的码本上的表示向量；
步骤S26：选择正训练图像和采样得到的负训练图像对应的直方图向量分别作为正负样本训练本轮的分类器，将本轮的码本和训练得到的本轮的分类器之间建立对应关系，保存在分类器文件夹中；
步骤S27：将当前所有的负训练图像对应的直方图向量输入本轮的分类器，如果分类器输出大于阈值T1，则负训练图像被错误分类；如果被误分类的负训练图像个数小于正训练图像的个数，则训练过程终止；否则，将分类错误的负训练图像作为新的负训练图像与原始的正训练图像构成新的训练图像回到步骤S22开始新的一轮训练。其中T1为大于0小于0.5的值，在本发明中，T1取值为0.1。
步骤S3：如图3示出测试图像的分类采用级联的方式，对每一幅测试图像，依次经过所有的分类器。在经过每一个分类器的时候，将测试图像在当前的分类器对应的码本(例如码本1、码本2及码本M)上面按照与训练图像相同的方式，生成直方图向量，并将直方图向量输入分类器(例如分类器1、分类器2及分类器M)；若分类器输出的分类结果小于阈值T2，则测试图像判别为负，测试结束；若分类器输出的分类结果大于阈值T2，则测试图像判别为正，则测试图像进入下一个分类器。只有当测试样本在所有分类器上面标签都为正，测试图像被标注为正样本。T2取大于0小于0.5的值，本发明给出了T2分别为0.1和0.2时的方法的性能。
本发明效果可以通过以下实验进一步说明：
实验条件：实验数据集是由美国加州理工大学提供的Caltech-101数据集上面进行。随机产生某个类别作为分类的正类别(这里随机产生的是第十类，大脑)，其他所有类别包括背景类为负类别。每个类别随机选择30幅图片作为训练数据，剩余的图片作为测试数据，这样，有30幅图片作为正训练样本，30×101＝3030幅图像作为负训练样本，剩余6081幅图像作为测试样本(68幅正测试样本，6013幅负测试样本)。码本生成中，选择正负码本大小k＝500，也就是每次聚类的聚类中心数目为500。每一轮融合后码本2k＝1000。这里的分类器采用支持向量机(SVM)分类器，训练参数c，g在每一轮中通过交叉验证自动确定。
实验结果：本发明的方法为所有的测试图像给出预测标签。如果标签名称与测试图像的实际标签相同，则为分类正确，否则为分类错误。正样本召回率＝分类正确的正测试样本数目/正测试样本总数；总的分类正确率＝(分类正确的正测试样本数目+分类正确的负测试样本数目)/总的测试样本数目。
对比试验是在这个数据集上面，采用传统简单的特征包模型，单独利用SIFT局部特征所得的最好结果。
| 阈值选择 | T1＝0.1，T2＝0.1 | T1＝0.1，T2＝0.2 | 传统简单方法 |
| 正样本召回率 | 97.06％ | 92.65％ | - |
| 总的分类正确率 | 59.41％ | 88.54％ | 59.33％ |
从实验数据可知，本发明采用级联式码本生成的图像分类方法，有着更高的分类性能。
本发明的基于级联式码本生成的图像分类方法大致描述如下：首先利用尺度不变特征变换SIFT将训练图像表示为局部显著区域图像块的集合；由正训练图像经图像预处理得到的所有局部显著区域块向量聚类生成正码本；在每一轮中从当前负训练图像中随机采样与正训练图像数目相同的负训练图像构成采样得负样本，将由采样得负样本中图像经图像预处理得到的所有局部显著区域图像块向量聚类生成负码本；融合正码本与负码本成本轮的码本，并将所有当前训练图像表示成码本中码字出现次数的直方图向量。利用正训练图像和采样得到的负样本对应的直方图向量作为正负样本训练本轮分类器；然后将当前所有负训练图像对应直方图向量利用本轮分类器分类，如果分类错误的负训练图像数目小于正训练图像数目，训练终止；否则，将分类错误的负训练图像作为为下一轮训练的负训练样本与原始正训练图像构成下一轮的训练的训练图像。测试过程中，测试样本在每一轮中，先按照本轮上的码本，采用与训练样本相同的方式表示为直方图向量，然后输入本轮的分类器，如果分类结果为负，则图像判别为负，本图像测试过程结束。否则，进入下一轮的测试，只有当测试图像在所有分类器上输出都为正的情况下，测试图像获得正的类别标签。
上述基于级联式码本生成的图像分类方法具有高度的实用性和应用价值。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。
Claims (2)
1.一种基于级联式码本生成的图像分类方法，其特征在于，该图像分类方法包括步骤如下：
步骤S1：对图像数据集进行预处理是利用局部显著区域检测子，检测图像数据集所有图像中的局部显著区域，并用向量表示，将所有图像表示成为局部显著区域图像块的集合；
步骤S2：采用级联的方式对局部显著区域图像块的集合进行处理，生成码本、将训练图像向量化并训练分类器；
步骤S3：采用级联的方式使得每一幅测试图像依次经过所有训练好的分类器，在经过每一个训练好的分类器的时候，将测试图像在当前训练好的分类器对应的码本上面按照与训练图像相同的方式，生成直方图向量，输入分类器；若分类结果小于阈值T2，则图像标签为负，测试结束；否则，测试图像进入下一个训练好的分类器；只有当测试图像在所有训练好的分类器上面标签都为正，测试图像被标注为正图像；
步骤S2所述生成码本、将训练图像向量化并训练分类器的具体步骤如下：
步骤S21：将局部显著区域图像块的集合中所有由正的训练图像经图像预处理得到的局部显著区域图像块利用k-均值聚类，生成k个聚类中心作为正码本；
步骤S22：从当前所有训练图像的负训练图像中，随机选择与正训练图像相同数目的图像，构成采样得到的负训练图像；
步骤S23：将局部显著区域图像块集合中所有由采样得到的负训练图像经图像预处理得到的局部显著区域图像块利用k-均值聚类，生成k个聚类中心作为负码本；
步骤S24：将正码本与负码本融合，得到2k个聚类中心，作为本轮的码本；
步骤S25：将当前所有训练图像中的每一块局部显著区域图像块按照最近邻的法则，映射到本轮的码本上，即将本轮的码本中与每个局部显著区域图像块最近的聚类中心作为该局部显著区域图像块的代表；统计本轮的码本中每一个聚类中心在当前所有训练图像中的每一幅图像中出现的次数，形成本轮的码本中每个聚类中心在每一幅图像中出现次数的直方图向量，作为每一幅图像在本轮的码本上的表示向量；
步骤S26：选择正训练图像和采样得到的负训练图像对应的直方图向量分别作为正负样本训练本轮的分类器，将本轮的码本和训练得到的本轮的分类器之间建立对应关系，保存在分类器文件夹中；
步骤S27：将当前所有的负训练图像对应的直方图向量输入本轮的分类器，如果分类器输出大于阈值T1，则负训练图像被错误分类；如果被误分类的负训练图像个数小于正训练图像的个数，则训练过程终止；否则，将分类错误的负训练图像作为新的负训练图像与原始的正训练图像构成新的训练图像回到步骤S22开始新的一轮训练。
2.如权利要求1所述的基于级联式码本生成的图像分类方法，其特征在于，所述图像数据集包含训练图像集和测试图像集，其中：训练图像集根据图像的标签分为正训练图像和负训练图像分别作为正样本和负样本用于级联式码本生成以及分类器训练；测试图像集根据图像的标签分为正测试图像和负测试图像分别作为正样本和负样本用于检验所述基于级联式码本生成的图像分类方法的性能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201010112508.2A CN102156885B (zh) | 2010-02-12 | 2010-02-12 | 基于级联式码本生成的图像分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201010112508.2A CN102156885B (zh) | 2010-02-12 | 2010-02-12 | 基于级联式码本生成的图像分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102156885A CN102156885A (zh) | 2011-08-17 |
| CN102156885B true CN102156885B (zh) | 2014-03-26 |
Family
ID=44438375
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201010112508.2A Expired - Fee Related CN102156885B (zh) | 2010-02-12 | 2010-02-12 | 基于级联式码本生成的图像分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102156885B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110265003A (zh) * | 2019-07-03 | 2019-09-20 | 四川大学 | 一种识别广播信号中语音关键字的方法 |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5765583B2 (ja) * | 2012-10-26 | 2015-08-19 | カシオ計算機株式会社 | 多クラス識別器、多クラス識別方法、及びプログラム |
| CN103324954B (zh) * | 2013-05-31 | 2017-02-08 | 中国科学院计算技术研究所 | 一种基于树结构的图像分类方法及其系统 |
| CN103679206B (zh) * | 2013-12-24 | 2017-10-27 | Tcl集团股份有限公司 | 图像分类的方法和装置 |
| CN104361319B (zh) * | 2014-11-10 | 2018-01-09 | 杭州景联文科技有限公司 | 一种基于svm‑rfe特征选择的假指纹检测方法 |
| CN105005783B (zh) * | 2015-05-18 | 2019-04-23 | 电子科技大学 | 从高维非对称数据中提取分类信息的方法 |
| WO2017166156A1 (zh) * | 2016-03-31 | 2017-10-05 | 深圳大学 | 一种高光谱图像的分类方法及其系统 |
| CN109034174B (zh) * | 2017-06-08 | 2021-07-09 | 北京君正集成电路股份有限公司 | 一种级联分类器训练方法及装置 |
| CN107909097B (zh) * | 2017-11-08 | 2021-07-30 | 创新先进技术有限公司 | 样本库中样本的更新方法及装置 |
| CN110245232B (zh) * | 2019-06-03 | 2022-02-18 | 网易传媒科技（北京）有限公司 | 文本分类方法、装置、介质和计算设备 |
| CN112215912B (zh) * | 2020-10-13 | 2021-06-22 | 中国科学院自动化研究所 | 基于动态视觉传感器的显著性图生成系统、方法和装置 |
| CN114444569A (zh) * | 2021-12-22 | 2022-05-06 | 北京航天测控技术有限公司 | 一种电源控制系统健康状态评估算法 |
| CN114220026A (zh) * | 2021-12-30 | 2022-03-22 | 杭州电子科技大学 | 一种基于多分类思想的海面小目标检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101075291A (zh) * | 2006-05-18 | 2007-11-21 | 中国科学院自动化研究所 | 一种用于人脸识别的高效提升训练方法 |
| CN101127076A (zh) * | 2007-09-27 | 2008-02-20 | 上海交通大学 | 基于级联分类和哈夫圆变换的人眼状态检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7450766B2 (en) * | 2004-10-26 | 2008-11-11 | Hewlett-Packard Development Company, L.P. | Classifier performance |
-
2010
- 2010-02-12 CN CN201010112508.2A patent/CN102156885B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101075291A (zh) * | 2006-05-18 | 2007-11-21 | 中国科学院自动化研究所 | 一种用于人脸识别的高效提升训练方法 |
| CN101127076A (zh) * | 2007-09-27 | 2008-02-20 | 上海交通大学 | 基于级联分类和哈夫圆变换的人眼状态检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 朱文球等.基于级联式Boosting方法的人脸检测.《计算机应用》.2005,第25卷(第9期),2128～2130. * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110265003A (zh) * | 2019-07-03 | 2019-09-20 | 四川大学 | 一种识别广播信号中语音关键字的方法 |
| CN110265003B (zh) * | 2019-07-03 | 2021-06-11 | 四川大学 | 一种识别广播信号中语音关键字的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102156885A (zh) | 2011-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102156885B (zh) | 基于级联式码本生成的图像分类方法 | |
| Huang et al. | Generative dual adversarial network for generalized zero-shot learning | |
| Yang et al. | Learning face age progression: A pyramid architecture of gans | |
| CN109086658B (zh) | 一种基于生成对抗网络的传感器数据生成方法与系统 | |
| CN102156871B (zh) | 基于类别相关的码本和分类器投票策略的图像分类方法 | |
| Zhu et al. | A study on apparent age estimation | |
| CN108984745A (zh) | 一种融合多知识图谱的神经网络文本分类方法 | |
| CN102314614B (zh) | 一种基于类共享多核学习的图像语义分类方法 | |
| CN106951825A (zh) | 一种人脸图像质量评估系统以及实现方法 | |
| CN107908715A (zh) | 基于Adaboost和分类器加权融合的微博情感极性判别方法 | |
| CN105389593A (zh) | 基于surf特征的图像物体识别方法 | |
| CN106446954A (zh) | 一种基于深度学习的字符识别方法 | |
| CN104657718A (zh) | 一种基于人脸图像特征极限学习机的人脸识别方法 | |
| CN106295694A (zh) | 一种迭代重约束组稀疏表示分类的人脸识别方法 | |
| CN104156690B (zh) | 一种基于图像空间金字塔特征包的手势识别方法 | |
| CN103077399B (zh) | 基于集成级联架构的生物显微图像分类方法 | |
| CN105117708A (zh) | 人脸表情识别的方法和装置 | |
| CN105320967A (zh) | 基于标签相关性的多标签AdaBoost集成方法 | |
| Qin et al. | Finger-vein quality assessment by representation learning from binary images | |
| Ocquaye et al. | Dual exclusive attentive transfer for unsupervised deep convolutional domain adaptation in speech emotion recognition | |
| CN109492105A (zh) | 一种基于多特征集成学习的文本情感分类方法 | |
| Yingxin et al. | A robust hand gesture recognition method via convolutional neural network | |
| CN103020167A (zh) | 一种计算机中文文本分类方法 | |
| Li et al. | Dating ancient paintings of Mogao Grottoes using deeply learnt visual codes | |
| CN110414587A (zh) | 基于渐进学习的深度卷积神经网络训练方法与系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140326 Termination date: 20220212 |