CN102364497B - 一种应用于电子导盲系统的图像语义提取方法 - Google Patents
一种应用于电子导盲系统的图像语义提取方法 Download PDFInfo
- Publication number
- CN102364497B CN102364497B CN 201110115716 CN201110115716A CN102364497B CN 102364497 B CN102364497 B CN 102364497B CN 201110115716 CN201110115716 CN 201110115716 CN 201110115716 A CN201110115716 A CN 201110115716A CN 102364497 B CN102364497 B CN 102364497B
- Authority
- CN
- China
- Prior art keywords
- image
- vector
- training
- dictionary
- class
- 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
本发明公开了一种应用于电子导盲系统的图像语义提取方法,该方法能快速准确地提取图像语义,可满足基于计算机视觉的电子导盲系统对图像理解的要求。本发明包括:1)训练阶段,建立训练图像库T,提取T中图像的尺度不变特征变换(SIFT)特征组成集合F;利用多级密切关系传播算法构建字典V;利用字典V和稀疏编码将F映射到Fv;利用Fv训练线性支持向量机(LSVM);2)使用阶段,对于采集的图像Iq,等分为10个部分重叠的子块;利用上述特征提取方法提取各子块的特征;利用LSVM对各子块特征进行分类,得到对应的语义信息;根据子块语义信息确定图像Iq的语义标签,最后将语义标签转化为语音输出。
Description
技术领域
本发明属于计算机图像处理技术领域,涉及图像理解与模式识别,是一种应用于导盲系统的图像语义提取算法,算法具有较高的识别率,并且可满足导盲系统的实时性要求。
背景技术
一直以来,视力的损伤或丧失给患者的生活带来了重大的不便,其中行路问题是视障者生活中的一个重大难题。在日常生活中,他们需要借助拐杖或导盲犬等传统导盲方法才能独立地从一个地方走到另一个地方。虽然近年来有不少电子导盲系统的出现,但与传统的导盲方法相同,这些导盲设备大多依靠传感器,GPS等信息作为导盲依据,而这些信息只能简单地提醒用户前方是否有障碍物,对于周围环境的相关信息则无法感知,如周围是否有行人,房屋或是车辆等。将计算机图像语义提取技术与语音技术相结合应用到导盲领域,能更详细地将用户所处环境的信息传递给使用者,帮助他们了解自己所处的环境。
图像语义提取算法的准确率主要受图像视觉特征提取算法和分类判别算法的影响。目前常用的分类判别方法主要包括利用高斯混合模型模拟不同类别图像特征的分布,然后根据贝叶斯理论实现图像的语义提取;以及利用图像视觉特征训练支持向量机,用支持向量机描述的分界面确定图像的语义信息。其中高斯模型需要预先设定混合模型中的子高斯模型数目,并且模型的训练和使用过程都涉及复杂的计算,有较高的时间复杂度,无法满足导盲软件的实时性要求。相比而言,支持向量机的训练过程较为简单,且用训练好的支持向量机对图像进行语义提取十分迅速,完全可以满足实时性要求。常用的图像特征提取方法包括:1、提取图像的颜色特征,如颜色直方图,颜色矩等;2、提取图像的纹理特征,如马尔科夫模型或各种频域变换方法等。但这些特征往往适用于一些特定的图像对象,若将其应用到实际生活中,则会导致图像语义提取准确率低下。所以,需要一种高效的特征提取方法将图像内容信息转化为特征向量,再训练支持向量机对图像特征分类,将类别与语义标签对应,实现对图像的语义提取。
发明内容
本发明公开的图像语义提取算法,利用尺度不变特征变换(SIFT)方法提取图像特征描述子;借助仿射传播(AP)算法训练向量字典;然后用空间金字塔匹配模型和稀疏编码方法将图像的SIFT特征描述子集映射为一个向量;最后用线性支持向量机(LSVM)实现对图像内容的语义提取。
其中,图像的SIFT特征描述子具有旋转、缩放等不变性,是非常优秀的图像特征提取方法;仿射传播算法能针对向量特点,自适应地确定向量聚类数目,并且不受样本维度限制,计算速度快;而支持向量机能快速地对向量进行分类,能满足导盲系统的实时性要求。实施例结果表明,用该算法对现实生活中常见物体进行图像语义提取时,能得到较高的准确率,且语义提取过程可以满足导盲系统的实时性要求。
1、一种应用于电子导盲系统的图像语义提取方法,包括如下步骤:
a)建立训练图像库T={{I1,I2,...,Im1}1,...,{I1,I2,...,Imk}k}(k=1,2,...;为训练图像类别数,mk=1,2,...,为第k类图像的训练图像数),对训练图像进行预处理,使得
i.第k类图像的训练图像Ikj主要包含第k类目标。
ii.第k类图像的训练图像集能较为全面地描述该类图像的类别特征;
b)从训练图像集的每类训练图像中选取Lk幅图像构成字典训练集Tc={Tc1,Tc2,...,Tck};提取Tc中各幅图像的尺度不变特征变换(SIFT)特征描述子,组成字典训练特征集Fc={Fc1,Fc2,...,Fck},并利用多级仿射传播算法(AP)对各个类的特征集Fci中的特征向量进行自适应聚类,最后用所有类的聚类中心组成向量字典V;
c)对于训练图像集T的一幅图像Ii(i=1,2,...),先提取图像的SIFT特征描述子Fi,然后利用字典V和空间金字塔匹配模型对Fi中的特征向量进行稀疏编码,并映射为一个特征向量fi;同理,将图像集T中的其它所有图像变换到特征空间,组成特征向量集FT;
d)利用特征向量集FT以及其中的类别信息训练线性支持向量机(LSVM);
e)对于待处理图像It,将图像分为部分重叠的、等大小的m(m=1,2,...)个子块,对于图像子块bi,先提取SIFT特征描述子,然后用字典V和空间金字塔模型将其映射为特征向量fti,并利用LSVM确定fti的语义标签;同理,提取图像中剩余子块的语义信息;根据图像子块的语义信息确定图像It的语义标签。
2、所述步骤(1)的子步骤a中的建立图像库T={{I1,I2,...,Im1}1,...,{I1,I2,...,Imk}k}过程包括:
a)选择包含同一类别中不同个体的图像以及包含同一个物体不同角度的图像作为初始训练集;
b)对选出的初始训练集中的各个图像进行裁减,使得图像包含一个主目标物体(约占图像像素的50%以上)。
3、所述步骤(1)的子步骤b,c和e中的图像SIFT特征描述子提取方法具体步骤如下:
a)定义一个n*n(n=1,2,...)的高斯滤波模板G,计算模板x,y方向的梯度矩阵GX,GY;
b)对于待处理图像I,分别用GX,GY对图像进行滤波处理得到滤波后的图像Ix,Iy;
c)利用以下公式将图像Ix,Iy中的数据变化为极坐标形式:
d)在极坐标平面中,以α为步进,将坐标轴进行旋转。在每个坐标系中,将图像向坐标轴上进行投影:
Iri=Ir*cos(θ-α)
其中,i=1,2,...,,表示不同的极坐标系。
e)对于投影图像Iri,定义大小为nb*nb(nb=1,2,...)像素的正方形窗口W;
i.将窗口W在图像I的水平与垂直方向上移动,其中水平方向步长为sw,垂直方向上的步长为sh,则每次移动,可从原始图像上截取大小为nb*nb像素的图像块Irb。
ii.对于图像块Irb,等距离选取np*np(np<nb;np=1,2,...)个代表点Pri;并根据图像块Irb中的像素pi与Pri间的距离计算图像块中所有像素对代表点Pri的加权贡献值:
故对于一个图像块可以提取一个1*(np*np)的特征向量。
f)对于各幅投影图像Iri按步骤(e)提取特征向量,并将所有投影图像中同一位置的图像子块中提取的特征向量合并,得到一个1*nv维的SIFT特征描述子:
其中,floor(x)表示向下取整;
如上所述,对于一幅固定大小的图像Ii(Iw*Ih)及窗口W,可提取的SIFT特征描述子数目为:
4、所述步骤(1)的子步骤b所述的字典构建方法具体步骤如下:
a)从训练图像集的每类图像中随机选取tci(tci=1,2,...)幅图像组成字典训练图像集Tc;
b)对于第Ci类的图像Ij,用权利要求3所述的特征提取方法提取图像中的SIFT特征描述子组成特征向量集VIij;
c)利用仿射传播算法对VIij中的特征向量进行自适应聚类,得到一个具有kij个特征向量的蔟中心集Vcij;其中,仿射传播算法中的相似度矩阵S和偏好度矩阵P定义如下:
S(m,n)=-||xm-xn||2
其中,x为待聚类的特征向量,N为x的数目;
d)对于Ci类中所有图像的聚类中心组成的向量集VCi={Vc1,Vc2,...。Vcn},利用仿射传播算法对VCi进行自适应聚类,得到Ci类的训练向量聚类中心集Vi;
e)将所有类别图像的聚类中心集组成的集合作为初始向量字典V={V1,V2,...,Vm};
f)对于给定的阈值Sv,若V中向量数小于Sv,则将V作为字典;若V中向量数大于Sv,则将V中向量等分为子集,使得每个子集中的向量数小于Sv,利用仿射传播算法对各个向量子集中的向量进行聚类,并将所有子集的聚类中心组成的集合作为字典。
5、所述步骤(1)的子步骤c所述的将图像的SIFT特征描述子集合映射为一个特征向量的具体步骤如下:
a)对于图像I的SIFT特征描述子fi,计算fi在各个字典向量Vk上的投影向量fvi:
保留fv中较大的tm(tm=1,2,...)个元素的值,其余元素置0;
b)对图像I中所有SIFT特征描述子f对应的稀疏编码FVi={fv1,fv2,...,fvn},利用公式:
h1(i)=max(fv(i))
将FVi向量集映射为向量h1;
c)将图像ts等分,对每个图像子块中的特征向量集进行步骤(5-b)所述特征映射,可以得到ts个特征向量{h2,...,hts+1};
d)改变ts;
e)循环步骤(5-c),(5-d),得到向量集{hts+2,...,hts+nts}(nts>2);
f)将向量h1,h2,...,hts+nts组合构造特征向量H,实现SIFT特征向量集到单一特征向量的映射。
附图说明
图1为本发明的流程图
图2为本发明的字典训练流程图
图3为本发明的空间金字塔匹配模型示意图
图4为电子导盲系统中图像分块示意图
图5为具体实施例的相关结果
具体实施方式
以下结合实施例对本发明进一步进行说明。
实验中分别使用生活中常见的20类物体的图像进行模型训练和图像语义提取,包括人、道路,汽车,房屋以及一些动物和室内物体。训练集中的图像经过预处理,每幅图像仅包含一个主要目标,而测试图像则是包含多类物体的多目标图像。
为了便于快速处理,如果图像的宽或高大于300像素,则将其进行缩小,以使得图像最长边不长于300像素。本发明的实施例流程图如图1所示;字典训练过程如图2所示;空间金字塔模型如图3所示;图像分块如图4所示;实验结果如图5所示,具体如下:
1、建立训练图像库T={{I1,I2,...,Im1}1,...,{I1,I2,...,Imk}20}(mk=1,2,...,为第k类目标的训练图像数目),对训练图像进行预处理:
i.如果图像中包含不止一个主目标,则将图像中主目标以外的部分删除,保证主目标物体占图像像素值的50%以上
ii.如果图像的宽或高大于300像素,则将其进行缩小,以使得图像最长边不长于300像素。
iii.选取训练图像集时,选取的图像应尽可能采自同一类物体的不同的个体,且包含物体的不同角度及拍摄距离的图像。
2、从训练图像集的每类训练图像中选取30幅图像构成字典训练集Tc={Tc1,Tc2,...,T30};提取Tc中各幅图像的尺度不变特征变换(SIFT)特征描述子,组成字典训练特征集Fc={Fc1,Fc2,...,F30},并利用多级仿射传播算法对各个类的特征集Fci中的特征向量进行自适应聚类,最后用所有类的聚类中心组成向量字典V。其中,SIFT特征描述子提取方法如下:
i.定义一个5*5的高斯滤波模板G,计算模板x,y方向的梯度矩阵GX,GY;
ii.对于待处理图像I,分别用GX,GY对图像进行滤波处理得到滤波后的图像Ix,Iy;
iii.利用以下公式将图像Ix,Iy中的数据变化为极坐标形式:
iv.在极坐标平面中,以π/4为步进,将坐标轴进行旋转。在每个坐标系中,将图像往坐标轴上进行投影:
其中,i=1,2,...,8,表示不同的极坐标系。
v.对于投影图像Iri(图像大小为Iw*Ih),定义大小为16*16像素的正方形窗口W;
i.将窗口W在图像I的水平与垂直方向上移动,其中水平方向步长为6,垂直方向上的步长为6,则每次移动,可从原始图像上截取大小为16*16像素的图像块Irb。
ii.对于图像块Irb,等距离选取4*4个代表点Pri;并根据图像块Irb中的像素pi与Pri间的距离计算图像块中所有像素对代表点Pri的加权贡献值:
故对于一个图像块可以提取一个1*16的特征向量。
vi.对于各幅投影图像Iri按步骤(e)提取特征向量,并将所有投影图像中同一位置的图像子块中提取的特征向量合并,得到一个1*128维的SIFT特征描述子:
对于一幅固定大小的图像Ii及窗口W,可提取的SIFT特征描述子数目为:
至于利用多级仿射传播算法对各个类的特征集Fci中的特征向量进行自适应聚类的过程,在实施例中分别测试了用2,3层AP算法构建字典的模型,实施例结果表明,两种模型构建字典都能取得较好的图像语义提取结果,具体步骤如下:
i.从训练图像集的每类图像中随机选取30幅图像组成字典训练图像集Tc;
ii.对于第Ci类的图像Ij,用权利要求3所述的特征提取方法提取图像中的SIFT特征描述子组成特征向量集VIij;
iii.利用仿射传播算法对VIij中的特征向量进行自适应聚类,得到一个具有kij个特征向量的蔟中心集Vcij;其中,仿射传播算法中的相似度矩阵S和偏好度矩阵P定义如下:
S(m,n)=-||xm-xn||2
其中,x为待聚类的特征向量,N为x的数目;
iv.对于Ci类中所有图像的聚类中心组成的向量集VCi={Vc1,Vc2,...。Vc20},利用仿射传播算法对VCi进行自适应聚类,得到Ci类的训练向量聚类中心集Vi;
v.将所有类别的聚类中心集作为字典V={V1,V2,...,V20};利用2层AP构建向量字典的步骤至此结束。
vi.对于给定的阈值Sv,若V中向量数大于Sv,则可以利用3层AP算法构建向量字典模型,即对向量集V利用AP算法选取代表向量Vr作为最终的向量字典。
3、对于训练图像集T的一幅图像Ii(i=1,2,...),先提取图像的SIFT特征描述子Fi,然后利用字典V和空间金字塔匹配模型对Fi中的特征向量进行稀疏编码,并映射为一个特征向量fi,具体步骤如下所示:
i.对于图像I的SIFT特征描述子fi,计算fi在各个字典向量Vk上的投影向量fvi:
保留fv中较大的200个元素的值,其余元素置0;
ii.对图像I中所有SIFT特征描述子f对应的稀疏编码FVi={fv1,fv2,...,fvn},利用公式:
h1(i)=max(fv(i))
将FVi向量集映射为向量h1;
iii.将图像4等分,对每个图像子块中的特征向量集进行步骤(b)所述特征映射,可以得到ts个特征向量{h2,...,h5};
iv.将图像16等分,对每个图像子块中的特征向量集进行步骤(b)所述特征映射,可以得到ts个特征向量{h6,...,h21};
v.将向量h1,h2,...,h21组合为特征向量H,实现SIFT特征向量集到单一特征向量的映射。
同理,将图像集T中的其它所有图像变换到特征空间,组成特征向量集FT
4、利用特征向量集FT以及其中的类别信息训练线性支持向量机(LSVM);
5、对于待处理图像It,将图像分为部分重叠的、等大小的10个子块,对于图像子块bi,先提取SIFT特征描述子,然后用字典V和空间金字塔模型将其映射为特征向量fti,并利用LSVM将fti分类;对于图像中剩余的子块进行以上语义提取过程,并根据各个子块的语义信息确定图像It的语义标签。
在实施例中,用本发明提出的图像语义提取算法对生活中常见的图像进行语义提取,结果表明,本发明提出的算法对图像进行语义提取能得到较高的正确率,且利用训练好的线性支持向量机对新图像进行语义提取过程耗时极短,完全可以满足在导盲系统中使用的实时性要求。其中,对于导盲系统而言,对实时采集的图像进行语义提取,最重要的是对图像的正中和中下部位的图像包含的语义进行分析。图像中下方的内容描述了使用者前进道路的情况,而图像正中部分的内容则包含了使用着正前方的环境信息。只要能正确提取这两个部分图像子块的语义信息,就能使系统基本满足导盲功能要求。
Claims (4)
1.一种应用于电子导盲系统的图像语义提取方法,其特征在于包括如下步骤:
1-a)建立训练图像集T={{I1,I2,...,Im1}1,...,{I1,I2,...,Imk}k},k=1,2,...,n为训练图像类别数,mk=1,2,...,q为第k类图像的训练图像数,对训练图像进行分割预处理,使得
1.ai)第k类图像的训练图像Imk主要包含第k类目标;
1.a.ii)第k类图像的训练图像集能较为全面地描述该类图像的类别特征;
1-b)从训练图像集的每类训练图像中随机选取Lk幅图像构成字典训练集Tc={Tc1,Tc2,...,Tck},Tci为第i类图像的训练图像子集,i=1,2,...,k;提取Tc中各幅图像的尺度不变特征变换(SIFT)特征描述子,组成字典训练特征集Fc={Fc1,Fc2,...,Fck},Fci为第i类图像的特征向量集,i=1,2,...,k,并利用多级仿射传播算法(AP)对各个类的特征集Fci中的特征向量进行自适应聚类,最后用所有类的聚类中心构建向量字典V;
1-c)对于训练图像集T的一幅图像Ii,先提取图像的SIFT特征描述子Fi,然后利用字典V和空间金字塔匹配模型对Fi中的特征向量进行稀疏编码,并映射为一个特征向量fi;同理,将图像集T中的其它所有图像变换到特征空间,组成特征向量集FT;
1-d)利用特征向量集FT以及其中的类别信息训练线性支持向量机(LSVM);
1-e)对于待处理图像It,将图像分为部分重叠的、等大小的m个子块,对于图像子块bi,先提取SIFT特征描述子,然后用字典V和空间金字塔模型将其映射为特征向量fti,并利用LSVM确定fti的语义标签;同理,提取图像中剩余子块的语义信息;根据图像子块的语义信息确定图像It的语义标签。
2.根据权利要求1所述的图像语义提取方法,其中步骤1-b),1-c)和1-e)中所述的图像SIFT特征描述子提取方法,其特征在于包含如下步骤;
2-a)定义一个n*n的高斯滤波模板G,计算模板x,y方向的梯度矩阵GX,GY;
2-b)对于待处理图像I,图像大小为Iw*Ih,分别用GX,GY对图像进行滤波处理得到滤波后的图像Ix,Iy;
2-c)利用以下公式将图像Ix,Iy中的数据变化为极坐标形式,α是步长因子:
2-d)在极坐标平面中,以α为步进,将坐标轴进行旋转;在每个坐标系中,将图像向坐标轴上投影:
Iri=Ir*cos(θ-α)
其中,i=1,2,...,,表示不同的极坐标系;
2-e)对于投影图像Iri,定义大小为nb*nb(nb=1,2,...)像素的正方形窗口W;
2.e.i)将窗口W在图像I的水平与垂直方向上移动,其中水平方向步长为sw,sw<Iw,垂直方向上的步长为sh,sh<Ih,则每次移动,可从原始图像上截取大小为nb*nb像素的图像块Irb;
2.e.ii)对于图像块Irb,等距离选取np*np(np<nb;np=1,2,...)个代表点Pri;并根据图像块Irb中的像素pi与Pri间的距离计算图像块中所有像素对代表点Pri的加权贡献值:
故对于一个图像块可以提取一个1*(np*np)的向量;
2-f)对于各幅投影图像Iri按步骤2-e)提取特征向量,并将所有投影图像中同一位置子图像块对应的向量进行合并,可以获得一个1*nv维的SIFT特征描述子:
其中,floor(x)表示向下取整;
如上所述,对于一幅固定大小的图像Ii及窗口W,可提取的SIFT特征描述子数目为:
3.根据权利要求1所述的图像语义提取方法,其中步骤1-b)所述的字典构建方法,其特征在于包含如下具体步骤:
3-a)从训练图像集的每类图像中随机选取tci幅图像组成字典训练图像集Tc;
3-b)对于第Ci类的图像Ij,用权利要求2所述的特征提取方法提取图像中的SIFT特征描述子组成特征向量集VIij;
3-c)利用仿射传播算法自适应地将VIij中的特征向量聚成kij个蔟,得到一个具有kij个特征向量的蔟中心集Vcij;其中,仿射传播算法中的相似度矩阵S和偏好度矩阵P定义如下:
S(m,n)=-||xm-xn||2
x为待聚类的特征向量,N为x的数目;
3-d)对于Ci类中所有图像的聚类中心组成的向量集VCi={Vc1,Vc2,...,Vcn},利用仿射传播算法对其进行自适应聚类,得到Ci类的训练向量聚类中心集Vi;
3-e)将所有类别图像的聚类中心集组成的集合作为初始向量字典V={V1,V2,...,Vm};
3-f)对于给定的阈值Sv,若V中向量数小于Sv,则将V作为字典;若V中向量数大于Sv,则将V中向量等分为子集,使得每个子集中的向量数小于Sv,利用仿射传播算法对各个向量子集中的向量进行聚类,并将所有子集的聚类中心组成的集合作为字典。
4.根据权利要求1所述的图像语义提取方法,其中步骤1-c)所述的将图像的SIFT特征描述子集合映射为一个特征向量的方法,其特征在于包含如下步骤:
4-a)对于图像I的SIFT特征描述子fi,计算fi在各个字典向量Vk上的投影向量fvi:
保留fv中较大的tm个元素的值,其余元素置0;
4-b)对图像I中所有SIFT特征描述子f对应的稀疏编码FVi={fv1,fv2,...,fvn},利用公式:
h1(i)=max(fv(i))
将FVi向量集映射为向量h1;
4-c)将图像ts等分,对每个图像子块中的特征向量集进行步骤4-b)所述特征映射,可以得到ts个特征向量{h2,...,hts+1};
4-d)改变ts;
4-e)循环执行步骤4-c),4-d),得到向量集{hts+2,...,hts+nts},nts>2;
将向量h1,h2,...,hts+nts组合构造特征向量H,实现SIFT特征向量集到单一特征向量的映射。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110115716 CN102364497B (zh) | 2011-05-06 | 2011-05-06 | 一种应用于电子导盲系统的图像语义提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110115716 CN102364497B (zh) | 2011-05-06 | 2011-05-06 | 一种应用于电子导盲系统的图像语义提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102364497A CN102364497A (zh) | 2012-02-29 |
CN102364497B true CN102364497B (zh) | 2013-06-05 |
Family
ID=45691063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110115716 Expired - Fee Related CN102364497B (zh) | 2011-05-06 | 2011-05-06 | 一种应用于电子导盲系统的图像语义提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102364497B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345645A (zh) * | 2013-06-27 | 2013-10-09 | 复旦大学 | 面向网购平台的商品图像类别预测方法 |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020265B (zh) * | 2012-12-25 | 2015-08-26 | 深圳先进技术研究院 | 图像检索的方法和系统 |
WO2014210368A1 (en) | 2013-06-28 | 2014-12-31 | D-Wave Systems Inc. | Systems and methods for quantum processing of data |
CN105167967B (zh) * | 2015-09-14 | 2018-04-03 | 深圳市冠旭电子股份有限公司 | 一种导盲方法及系统 |
CN105447517A (zh) * | 2015-11-20 | 2016-03-30 | 中国矿业大学(北京) | 基于稀疏编码的空域金字塔匹配识别煤岩的方法 |
JP7134949B2 (ja) | 2016-09-26 | 2022-09-12 | ディー-ウェイブ システムズ インコーポレイテッド | サンプリングサーバからサンプリングするためのシステム、方法、及び装置 |
US11531852B2 (en) | 2016-11-28 | 2022-12-20 | D-Wave Systems Inc. | Machine learning systems and methods for training with noisy labels |
CN107589093A (zh) * | 2017-09-08 | 2018-01-16 | 邓雷 | 一种基于回归分析的煤质在线检测分析方法 |
US11586915B2 (en) | 2017-12-14 | 2023-02-21 | D-Wave Systems Inc. | Systems and methods for collaborative filtering with variational autoencoders |
CN108460390A (zh) * | 2018-02-27 | 2018-08-28 | 北京中晟信达科技有限公司 | 一种基于特征学习的敏感图像识别方法 |
US11386346B2 (en) | 2018-07-10 | 2022-07-12 | D-Wave Systems Inc. | Systems and methods for quantum bayesian networks |
US11461644B2 (en) | 2018-11-15 | 2022-10-04 | D-Wave Systems Inc. | Systems and methods for semantic segmentation |
US11468293B2 (en) | 2018-12-14 | 2022-10-11 | D-Wave Systems Inc. | Simulating and post-processing using a generative adversarial network |
US11900264B2 (en) | 2019-02-08 | 2024-02-13 | D-Wave Systems Inc. | Systems and methods for hybrid quantum-classical computing |
US11625612B2 (en) | 2019-02-12 | 2023-04-11 | D-Wave Systems Inc. | Systems and methods for domain adaptation |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101315663A (zh) * | 2008-06-25 | 2008-12-03 | 中国人民解放军国防科学技术大学 | 一种基于区域潜在语义特征的自然场景图像分类方法 |
CN101980250A (zh) * | 2010-10-15 | 2011-02-23 | 北京航空航天大学 | 基于降维局部特征描述子和隐条件随机场的目标识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004361987A (ja) * | 2003-05-30 | 2004-12-24 | Seiko Epson Corp | 画像検索システム、画像分類システム、画像検索プログラム及び画像分類プログラム、並びに画像検索方法及び画像分類方法 |
-
2011
- 2011-05-06 CN CN 201110115716 patent/CN102364497B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101315663A (zh) * | 2008-06-25 | 2008-12-03 | 中国人民解放军国防科学技术大学 | 一种基于区域潜在语义特征的自然场景图像分类方法 |
CN101980250A (zh) * | 2010-10-15 | 2011-02-23 | 北京航空航天大学 | 基于降维局部特征描述子和隐条件随机场的目标识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345645A (zh) * | 2013-06-27 | 2013-10-09 | 复旦大学 | 面向网购平台的商品图像类别预测方法 |
CN103345645B (zh) * | 2013-06-27 | 2016-09-28 | 复旦大学 | 面向网购平台的商品图像类别预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102364497A (zh) | 2012-02-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102364497B (zh) | 一种应用于电子导盲系统的图像语义提取方法 | |
Tao et al. | An object detection system based on YOLO in traffic scene | |
Li et al. | Building-a-nets: Robust building extraction from high-resolution remote sensing images with adversarial networks | |
Huttunen et al. | Car type recognition with deep neural networks | |
CN104915636B (zh) | 基于多级框架显著性特征的遥感影像道路识别方法 | |
Wang et al. | A deep neural network with spatial pooling (DNNSP) for 3-D point cloud classification | |
CN110796168A (zh) | 一种基于改进YOLOv3的车辆检测方法 | |
CN103902976B (zh) | 一种基于红外图像的行人检测方法 | |
CN106909902B (zh) | 一种基于改进的层次化显著模型的遥感目标检测方法 | |
CN105389550B (zh) | 一种基于稀疏指引与显著驱动的遥感目标检测方法 | |
CN104063702B (zh) | 一种基于遮挡修复和局部相似性匹配的三维步态识别方法 | |
CN109446970A (zh) | 一种基于深度学习的变电站巡检机器人道路场景识别方法 | |
CN105528794A (zh) | 基于混合高斯模型与超像素分割的运动目标检测方法 | |
CN107481315A (zh) | 一种基于Harris‑SIFT‑BRIEF算法的单目视觉三维环境重建方法 | |
CN109409240A (zh) | 一种结合随机游走的SegNet遥感图像语义分割方法 | |
CN111968133A (zh) | 自动驾驶场景下的三维点云数据实例分割方法及系统 | |
CN106960176B (zh) | 一种基于超限学习机和颜色特征融合的行人性别识别方法 | |
CN104820718A (zh) | 基于地理位置特征与全局视觉特征的图像分类和检索方法 | |
CN104680173A (zh) | 一种遥感图像场景分类方法 | |
CN109784288B (zh) | 一种基于判别感知融合的行人再识别方法 | |
CN111507296A (zh) | 基于无人机遥感与深度学习的违章建筑智能化提取方法 | |
CN105095880A (zh) | 一种基于lgbp编码的手指多模态特征融合方法 | |
Zang et al. | Traffic lane detection using fully convolutional neural network | |
Habermann et al. | Artificial neural nets object recognition for 3D point clouds | |
CN104268552A (zh) | 一种基于部件多边形的精细类别分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
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: 20130605 Termination date: 20190506 |