CN103679715B - 一种基于非负矩阵分解的手机图像特征提取方法 - Google Patents
一种基于非负矩阵分解的手机图像特征提取方法 Download PDFInfo
- Publication number
- CN103679715B CN103679715B CN201310651941.7A CN201310651941A CN103679715B CN 103679715 B CN103679715 B CN 103679715B CN 201310651941 A CN201310651941 A CN 201310651941A CN 103679715 B CN103679715 B CN 103679715B
- Authority
- CN
- China
- Prior art keywords
- matrix
- represent
- image
- column vector
- make
- 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
Landscapes
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于非负矩阵分解的手机图像特征提取方法,特点是包括以下步骤:①获取用于表示手机任意一个主功能的界面图片,在该界面图片上截取多幅用于表示主功能的不同子功能的特征子图并进行预处理,得到对应的预处理后的尺寸大小一致的图像,然后将每幅预处理后的图像按列扫描形成一个M维的列向量,接着将所有预处理后的图像对应的列向量按序排列构成一个待分解矩阵V;②对V进行稀疏非负矩阵分解,得到一个基矩阵W和一个系数矩阵H;优点是通过对预处理后的图像进行稀疏非负矩阵分解,降低了数据计算量,分解得到的矩阵是具有合适的稀疏性的稀疏矩阵,因此在保留数据的主要特征的基础上能够减少储存空间并提高运算效率。
Description
技术领域
本发明涉及一种图像特征提取方法,尤其是涉及一种基于非负矩阵分解的手机图像特征提取方法。
背景技术
随着科学技术的快速发展,非负矩阵分解已逐渐成为信号处理、生物医学工程、模式识别、计算机视觉和图像工程等研究领域中最受欢迎的多维数据处理工具之一。非负矩阵分解使得分解后的所有分量均为非负值,并且同时实现了非线性的维数约减。传统的非负矩阵分解算法包括LNMF法、CNMF法、NSC法和SNMF法。然而,这些传统的非负矩阵分解算法并不适用于手机图像的处理,这是因为手机图像数据量大,各种应用图标特征比较特别,需要能保留图像的大致特征、得出来的数据具有可观性且效率高的算法。因此,需要研究一种基于非负矩阵分解算法的手机图像处理方法。
发明内容
本发明所要解决的技术问题是提供一种运算效率高、存储空间小且对大规模数据处理速度快的基于非负矩阵分解的手机图像特征提取方法。
本发明解决上述技术问题所采用的技术方案为:一种基于非负矩阵分解的手机图像特征提取方法,包括以下步骤:
①获取用于表示手机任意一个主功能的界面图片,在该界面图片上截取多幅用于表示主功能的不同子功能的特征子图,对这些特征子图进行预处理,得到对应的预处理后的图像,且这些特征子图各自对应的预处理后的图像的尺寸大小一致,然后将每幅预处理后的图像按列扫描形成一个M维的列向量,接着将所有预处理后的图像对应的列向量按序排列构成一个待分解矩阵,记为V,V=[v1,…,vi,…,vN],其中,M=W'×H',W'表示预处理后的图像的宽度,H'表示预处理后的图像的高度,V的维数为M×N,v1表示第1幅预处理后的图像对应的列向量,vi表示第i幅预处理后的图像对应的列向量,vN表示第N幅预处理后的图像对应的列向量,1≤i≤N,N表示截取的特征子图的总幅数;
②对V进行稀疏非负矩阵分解,得到一个M×R维的包含图像特征的基矩阵W和一个R×N维的系数矩阵H,V=W×H,其中,
所述的步骤②的具体过程为:
②-1、令W表示V稀疏非负矩阵分解后得到的包含图像特征的基矩阵,令H表示V稀疏非负矩阵分解后得到的系数矩阵,并令SW表示W的稀疏度,令SH表示H的稀疏度;
②-2、给定SW和SH的初始值,然后判断SW的初始值是否为0,如果是,则将W初始化为一个稀疏度任意的随机矩阵,否则,将W初始化为一个稀疏度为给定的初始值的随机矩阵;同样判断SH的初始值是否为0,如果是,则将H初始化为一个稀疏度任意的随机矩阵,否则,将H初始化为一个稀疏度为给定的初始值的随机矩阵;
②-3、根据步骤②-2确定的W和H,计算初始目标函数值,记为Eold,Eold=||V-WH||2,其中,符号“|| ||2”为2-范数符号;
②-4、判断W的稀疏度是否为0,如果是,则根据W'=W×(VHT)/(WHHT)更新W,得到更新后的基矩阵W',然后执行步骤②-5;否则,根据W'=W-μW(WH-V)HT更新W,得到更新后的基矩阵W',然后对W'进行映射,得到映射后的基矩阵,记为W'',接着令W'=W'',再执行步骤②-5;其中,W'=W''中的“=”为赋值符号,HT为H的转置矩阵,μW表示步长,μW>0且μW是一个较小的常数;
②-5、判断H的稀疏度是否为0,如果是,则根据H'=H×(WTV)/(WTWH)更新H,得到更新后的系数矩阵H',然后执行步骤②-6;否则,根据H'=H-μHWT(WH-V)更新H,得到更新后的系数矩阵H',然后对H'进行映射,得到映射后的系数矩阵,记为H'',接着令H'=H'',再执行步骤②-6;其中,H'=H''中的“=”为赋值符号,WT为W的转置矩阵,μH表示步长,μH>0且μH是一个较小的常数;
②-6、令W=W',并令H=H',然后计算新目标函数值,记为Enew,Enew=||V-WH||2,其中,W=W'和H=H'中的“=”为赋值符号;
②-7、计算Enew与Eold的差值,记为ε,ε=Enew-Eold,然后判断ε是否达到预先设置的表示无穷小的值,如果达到,则结束,得到最终的M×R维的包含图像特征的基矩阵W和最终的R×N维的系数矩阵H,否则,返回步骤②-4继续执行。
所述的步骤②-4中μW的取值范围为0.01~10;所述的步骤②-5中μH的取值范围为0.01~10。
所述的步骤②-4中对W'进行映射的具体过程为:
②-4-1、分别获取与W'中的每列列向量欧式距离最近的列向量:设置一个初始列向量si,si=wi'+(λ1-∑wi')/dim(wi'),其中,1≤i≤R,λ1=||wi'||1,||wi'||1表示wi'的1-范数,即λ1=∑|wi'|,dim(wi')表示wi'的维数,即dim(wi')=M;
②-4-2、设置一个初始状态为空集的集合Z,并设置一个R维的中间列向量m,将该中间列向量m中的第j个元素记为mj,其中,1≤j≤R;
②-4-3、令其中,dim(Z)表示集合Z的维数;
②-4-4、根据si'=mj+α(wi'-mj)更新si,得到更新后的列向量si',其中,α为迭代系数,且real为取实部函数,a=∑(si-ones(M,1)×λ1/(M-dim(Z)))2,ones(M,1)为M×1阶元素全部为1的矩阵,b=2×[si-ones(M,1)×λ1/(M-dim(Z))]T×si,c=∑sit 2-λ2,sit为si中的第t个元素,1≤t≤M,λ2表示wi'的2-范数;然后令si=si',其中,si=si'中的“=”为赋值符号;
②-4-5、判断更新后的si中的所有元素是否均为非负,如果是,则将更新得到的si作为需要求得的W''的第i列列向量,并结束;否则,将更新后的si中所有小于0的元素中的第h个元素记为sih,并令Z=Z∪{h:sih<0},且令sih=0,然后执行步骤②-4-6,其中,Z=Z∪{j:sij<0}中的“=”为赋值符号,“∪”为并集运算符号,1≤h≤H,H表示si中所有小于0的元素的总个数,{h:sih<0}表示si中所有小于0的元素的集合;
②-4-6、将更新后的si中所有大于0的元素中的第k个元素记为sik,并根据sik'=sik-s'更新sik,其中,1≤k≤K,K表示si中所有大于0的元素的总个数,s'=(∑sik-λ1)/(dim(wi')-dim(Z));然后令sik=sik',其中,sik=sik'中的“=”为赋值符号;再返回步骤②-4-3继续迭代。
所述的步骤②-5中对H'进行映射的具体过程与所述的步骤②-4中对W'进行映射的具体过程相同。该映射保证了能够得到响应稀疏度的最近向量,使得求解目标的稀疏度得到精确地控制,且计算过程简单易实现,提升了算法结果的灵活性,可根据需要进行合理设置。
所述的步骤②-7中预先设置的表示无穷小的值为1×10-7。
与现有技术相比,本发明的优点在于:对于手机任意一个主功能的界面图片,在每张界面图片内截取多幅用于表示主功能的不同子功能的特征子图,对这些特征子图进行预处理,得到对应的预处理后的图像,再对预处理后的图像进行稀疏非负矩阵分解,降低了数据计算量,分解得到的结果比较直观,而且采用稀疏非负矩阵分解的方法使得分解得到的矩阵是具有合适的稀疏性的稀疏矩阵,因此在保留数据的主要特征的基础上能够减少储存空间、提高运算效率,并且有利于对大规模数据进行快速处理。
附图说明
图1为本发明的处理过程流程图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
一种基于非负矩阵分解的手机图像特征提取方法,包括以下步骤:
①获取用于表示手机任意一个主功能的界面图片,在该界面图片上截取多幅用于表示主功能的不同子功能的特征子图,对这些特征子图进行预处理,得到对应的预处理后的图像,且这些特征子图各自对应的预处理后的图像的尺寸大小一致,然后将每幅预处理后的图像按列扫描形成一个M维的列向量,接着将所有预处理后的图像对应的列向量按序排列构成一个待分解矩阵,记为V,V=[v1,…,vi,…,vN],其中,M=W'×H',W'表示预处理后的图像的宽度,H'表示预处理后的图像的高度,V的维数为M×N,v1表示第1幅预处理后的图像对应的列向量,vi表示第i幅预处理后的图像对应的列向量,vN表示第N幅预处理后的图像对应的列向量,1≤i≤N,N表示截取的特征子图的总幅数。
②对V进行稀疏非负矩阵分解,得到一个M×R维的包含图像特征的基矩阵W和一个R×N维的系数矩阵H,V=W×H,其中,
步骤②的具体过程为:
②-1、令W表示V稀疏非负矩阵分解后得到的包含图像特征的基矩阵,令H表示V稀疏非负矩阵分解后得到的系数矩阵,并令SW表示W的稀疏度,令SH表示H的稀疏度。W代表所处理的数据的基础,H代表单组数据在整个基础数据上面的投影系数值。
②-2、给定SW和SH的初始值,然后判断SW的初始值是否为0,如果是,则将W初始化为一个稀疏度任意的随机矩阵,否则,将W初始化为一个稀疏度为给定的初始值的随机矩阵;同样判断SH的初始值是否为0,如果是,则将H初始化为一个稀疏度任意的随机矩阵,否则,将H初始化为一个稀疏度为给定的初始值的随机矩阵。基矩阵W和系数矩阵H的稀疏度可以自由选择,经过试验之后确定最合适的分别作为,得到的结果对有效数据的保留增大了可能性。
②-3、根据步骤②-2确定的W和H,计算初始目标函数值,记为Eold,Eold=||V-WH||2,其中,符号“|| ||2”为2-范数符号。
②-4、判断W的稀疏度是否为0,如果是,则根据W'=W×(VHT)/(WHHT)更新W,得到更新后的基矩阵W',然后执行步骤②-5;否则,根据W'=W-μW(WH-V)HT更新W,得到更新后的基矩阵W',然后对W'进行映射,得到映射后的基矩阵,记为W'',接着令W'=W'',再执行步骤②-5;其中,W'=W''中的“=”为赋值符号,HT为H的转置矩阵,μW表示步长,μW的取值范围为0.01~10。在具体实施过程中可以取μW的值为1。
步骤②-4中对W'进行映射的具体过程为:
②-4-1、分别获取与W'中的每列列向量欧式距离最近的列向量:设置一个初始列向量si,si=wi'+(λ1-∑wi')/dim(wi'),其中,1≤i≤R,λ1=||wi'||1,||wi'||1表示wi'的1-范数,即λ1=∑|wi'|,dim(wi')表示wi'的维数,即dim(wi')=M。
②-4-2、设置一个初始状态为空集的集合Z,并设置一个R维的中间列向量m,将该中间列向量m中的第j个元素记为mj,其中,1≤j≤R。
②-4-3、令其中,dim(Z)表示集合Z的维数。
②-4-4、根据si'=mj+α(wi'-mj)更新si,得到更新后的列向量si',其中,α为迭代系数,且real为取实部函数,a=∑(si-ones(M,1)×λ1/(M-dim(Z)))2,ones(M,1)为M×1阶元素全部为1的矩阵,b=2×[si-ones(M,1)×λ1/(M-dim(Z))]T×si,c=∑sit 2-λ2,sit为si中的第t个元素,1≤t≤M,λ2表示wi'的2-范数;然后令si=si',其中,si=si'中的“=”为赋值符号。
②-4-5、判断更新后的si中的所有元素是否均为非负,如果是,则将更新得到的si作为需要求得的W''的第i列列向量,并结束;否则,将更新后的si中所有小于0的元素中的第h个元素记为sih,并令Z=Z∪{h:sih<0},且令sih=0,然后执行步骤②-4-6,其中,Z=Z∪{j:sij<0}中的“=”为赋值符号,“∪”为并集运算符号,1≤h≤H,H表示si中所有小于0的元素的总个数,{h:sih<0}表示si中所有小于0的元素的集合。
②-4-6、将更新后的si中所有大于0的元素中的第k个元素记为sik,并根据sik'=sik-s'更新sik,其中,1≤k≤K,K表示si中所有大于0的元素的总个数,s'=(∑sik-λ1)/(dim(wi')-dim(Z));然后令sik=sik',其中,sik=sik'中的“=”为赋值符号;再返回步骤②-4-3继续迭代。
②-5、判断H的稀疏度是否为0,如果是,则根据H'=H×(WTV)/(WTWH)更新H,得到更新后的系数矩阵H',然后执行步骤②-6;否则,根据H'=H-μHWT(WH-V)更新H,得到更新后的系数矩阵H',然后对H'进行映射,得到映射后的系数矩阵,记为H'',接着令H'=H'',再执行步骤②-6;其中,H'=H''中的“=”为赋值符号,WT为W的转置矩阵,μH表示步长,μH的取值范围为0.01~10,步骤②-5中对H'进行映射的具体过程与步骤②-4中对W'进行映射的具体过程相同。在具体实施过程中可取μH的值为1。
②-6、令W=W',并令H=H',然后计算新目标函数值,记为Enew,Enew=||V-WH||2,其中,W=W'和H=H'中的“=”为赋值符号;
②-7、计算Enew与Eold的差值,记为ε,ε=Enew-Eold,然后判断ε是否达到预先设置的表示无穷小的值,该表示无穷小的值为1×10-7,如果达到,则结束,得到最终的M×R维的包含图像特征的基矩阵W和最终的R×N维的系数矩阵H,否则,返回步骤②-4继续执行。
与传统的稀疏非负矩阵分解算法相比,采用本实施方式所描述的方法,运算速度有所提高,且由于可以控制的稀疏度的自由度比较大,在保证数据主要特征不丢失的情况下,大大节省了存储空间。
Claims (3)
1.一种基于非负矩阵分解的手机图像特征提取方法,其特征在于包括以下步骤:
①获取用于表示手机任意一个主功能的界面图片,在该界面图片上截取多幅用于表示主功能的不同子功能的特征子图,对这些特征子图进行预处理,得到对应的预处理后的图像,且这些特征子图各自对应的预处理后的图像的尺寸大小一致,然后将每幅预处理后的图像按列扫描形成一个M维的列向量,接着将所有预处理后的图像对应的列向量按序排列构成一个待分解矩阵,记为V,V=[v1,…,vi,…,vN],其中,M=W'×H',W'表示预处理后的图像的宽度,H'表示预处理后的图像的高度,V的维数为M×N,v1表示第1幅预处理后的图像对应的列向量,vi表示第i幅预处理后的图像对应的列向量,vN表示第N幅预处理后的图像对应的列向量,1≤i≤N,N表示截取的特征子图的总幅数;
②对V进行稀疏非负矩阵分解,得到一个M×R维的包含图像特征的基矩阵W和一个R×N维的系数矩阵H,V=W×H,其中,步骤②的具体过程为:
②-1、令W表示V稀疏非负矩阵分解后得到的包含图像特征的基矩阵,令H表示V稀疏非负矩阵分解后得到的系数矩阵,并令SW表示W的稀疏度,令SH表示H的稀疏度;
②-2、给定SW和SH的初始值,然后判断SW的初始值是否为0,如果是,则将W初始化为一个稀疏度任意的随机矩阵,否则,将W初始化为一个稀疏度为给定的初始值的随机矩阵;同样判断SH的初始值是否为0,如果是,则将H初始化为一个稀疏度任意的随机矩阵,否则,将H初始化为一个稀疏度为给定的初始值的随机矩阵;
②-3、根据步骤②-2确定的W和H,计算初始目标函数值,记为Eold,Eold=||V-WH||2,其中,符号“||||2”为2-范数符号;
②-4、判断W的稀疏度是否为0,如果是,则根据W'=W×(VHT)/(WHHT)更新W,得到更新后的基矩阵W',然后执行步骤②-5;否则,根据W'=W-μW(WH-V)HT更新W,得到更新后的基矩阵W',然后对W'进行映射,得到映射后的基矩阵,记为W”,接着令W'=W”,再执行步骤②-5;其中,W'=W”中的“=”为赋值符号,HT为H的转置矩阵,μW表示步长,μW的取值范围为0.01~10;
②-5、判断H的稀疏度是否为0,如果是,则根据H'=H×(WTV)/(WTWH)更新H,得到更新后的系数矩阵H',然后执行步骤②-6;否则,根据H'=H-μHWT(WH-V)更新H,得到更新后的系数矩阵H',然后对H'进行映射,得到映射后的系数矩阵,记为H”,接着令H'=H”,再执行步骤②-6;其中,H'=H”中的“=”为赋值符号,WT为W的转置矩阵,μH表示步长,μH的取值范围为0.01~10;
②-6、令W=W',并令H=H',然后计算新目标函数值,记为Enew,Enew=||V-WH||2,其中,W=W'和H=H'中的“=”为赋值符号;
②-7、计算Enew与Eold的差值,记为ε,ε=Enew-Eold,然后判断ε是否达到预先设置的表示无穷小的值,如果达到,则结束,得到最终的M×R维的包含图像特征的基矩阵W和最终的R×N维的系数矩阵H,否则,返回步骤②-4继续执行。
2.根据权利要求1所述的一种基于非负矩阵分解的手机图像特征提取方法,其特征在于所述的步骤②-4中对W'进行映射的具体过程为:
②-4-1、分别获取与W'中的每列列向量欧式距离最近的列向量:设置一个初始列向量si,si=wi'+(λ1-∑wi')/dim(wi'),其中,1≤i≤R,λ1=||wi'||1,||wi'||1表示wi'的1-范数,即λ1=∑|wi'|,dim(wi')表示wi'的维数,即dim(wi')=M;
②-4-2、设置一个初始状态为空集的集合Z,并设置一个R维的中间列向量m,将该中间列向量m中的第j个元素记为mj,其中,1≤j≤R;
②-4-3、令其中,dim(Z)表示集合Z的维数;
②-4-4、根据si'=mj+α(wi'-mj)更新si,得到更新后的列向量si',其中,α为迭代系数,且real为取实部函数,a=∑(si-ones(M,1)×λ1/(M-dim(Z)))2,ones(M,1)为M×1阶元素全部为1的矩阵,b=2×[si-ones(M,1)×λ1/(M-dim(Z))]T×si,c=∑sit 2-λ2,sit为si中的第t个元素,1≤t≤M,λ2表示wi'的2-范数;然后令si=si',其中,si=si'中的“=”为赋值符号;
②-4-5、判断更新后的si中的所有元素是否均为非负,如果是,则将更新得到的si作为需要求得的W”的第i列列向量,并结束;否则,将更新后的si中所有小于0的元素中的第h个元素记为sih,并令Z=Z∪{h:sih<0},且令sih=0,然后执行步骤②-4-6,其中,Z=Z∪{j:sij<0}中的“=”为赋值符号,“∪”为并集运算符号,1≤h≤H,H表示si中所有小于0的元素的总个数,{h:sih<0}表示si中所有小于0的元素的集合;
②-4-6、将更新后的si中所有大于0的元素中的第k个元素记为sik,并根据sik'=sik-s'更新sik,其中,1≤k≤K,K表示si中所有大于0的元素的总个数,s'=(∑sik-λ1)/(dim(wi')-dim(Z));然后令sik=sik',其中,sik=sik'中的“=”为赋值符号;再返回步骤②-4-3继续迭代;
所述的步骤②-5中对H'进行映射的具体过程与所述的步骤②-4中对W'进行映射的具体过程相同。
3.根据权利要求2所述的一种基于非负矩阵分解的手机图像特征提取方法,其特征在于所述的步骤②-7中预先设置的表示无穷小的值为1×10-7。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310651941.7A CN103679715B (zh) | 2013-12-05 | 2013-12-05 | 一种基于非负矩阵分解的手机图像特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310651941.7A CN103679715B (zh) | 2013-12-05 | 2013-12-05 | 一种基于非负矩阵分解的手机图像特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103679715A CN103679715A (zh) | 2014-03-26 |
CN103679715B true CN103679715B (zh) | 2016-08-17 |
Family
ID=50317166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310651941.7A Expired - Fee Related CN103679715B (zh) | 2013-12-05 | 2013-12-05 | 一种基于非负矩阵分解的手机图像特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103679715B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104634872A (zh) * | 2015-01-10 | 2015-05-20 | 哈尔滨工业大学(威海) | 高铁钢轨伤损在线监测方法 |
CN105069741B (zh) * | 2015-09-07 | 2018-01-30 | 值得看云技术有限公司 | 一种损坏图像非负隐特征提取装置和方法 |
CN105389291B (zh) * | 2015-12-21 | 2018-08-21 | 西安电子科技大学 | 基于增量式凸局部非负矩阵分解的数据处理方法 |
CN107704830B (zh) * | 2017-10-09 | 2020-12-08 | 中国科学院重庆绿色智能技术研究院 | 一种视频数据多维非负隐特征的提取装置和方法 |
CN110874206A (zh) * | 2020-01-19 | 2020-03-10 | 光子算数(北京)科技有限责任公司 | 基于光芯片的数据处理方法、装置、存储介质及电子设备 |
CN112541502B (zh) * | 2020-11-12 | 2022-06-10 | 合肥联宝信息技术有限公司 | 一种图像处理方法、装置及计算机存储介质和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270241A (zh) * | 2011-08-16 | 2011-12-07 | 浙江大学 | 基于稀疏非负矩阵分解的图像检索方法 |
CN102789639A (zh) * | 2012-07-16 | 2012-11-21 | 中国科学院自动化研究所 | 基于非负矩阵分解的高光谱图像和可见光图像融合方法 |
CN103186777A (zh) * | 2013-04-03 | 2013-07-03 | 西安电子科技大学 | 基于非负矩阵分解的人体检测方法 |
CN103366182A (zh) * | 2013-07-05 | 2013-10-23 | 西安电子科技大学 | 基于全监督非负矩阵分解的人脸识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8350957B2 (en) * | 2006-05-09 | 2013-01-08 | Technion Research And Development Foundation Ltd. | Imaging systems and methods for recovering object visibility |
-
2013
- 2013-12-05 CN CN201310651941.7A patent/CN103679715B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270241A (zh) * | 2011-08-16 | 2011-12-07 | 浙江大学 | 基于稀疏非负矩阵分解的图像检索方法 |
CN102789639A (zh) * | 2012-07-16 | 2012-11-21 | 中国科学院自动化研究所 | 基于非负矩阵分解的高光谱图像和可见光图像融合方法 |
CN103186777A (zh) * | 2013-04-03 | 2013-07-03 | 西安电子科技大学 | 基于非负矩阵分解的人体检测方法 |
CN103366182A (zh) * | 2013-07-05 | 2013-10-23 | 西安电子科技大学 | 基于全监督非负矩阵分解的人脸识别方法 |
Non-Patent Citations (1)
Title |
---|
一种实用快速非负矩阵分解算法;程明松等;《大连理工大学学报》;20130131;第53卷(第1期);151-156 * |
Also Published As
Publication number | Publication date |
---|---|
CN103679715A (zh) | 2014-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103679715B (zh) | 一种基于非负矩阵分解的手机图像特征提取方法 | |
CN107833183B (zh) | 一种基于多任务深度神经网络的卫星图像同时超分辨和着色的方法 | |
CN107358293B (zh) | 一种神经网络训练方法及装置 | |
WO2019153908A1 (zh) | 基于注意力模型的图像识别方法和系统 | |
CN110309856A (zh) | 图像分类方法、神经网络的训练方法及装置 | |
WO2021022521A1 (zh) | 数据处理的方法、训练神经网络模型的方法及设备 | |
CN108875076B (zh) | 一种基于Attention机制和卷积神经网络的快速商标图像检索方法 | |
CN110674323B (zh) | 基于虚拟标签回归的无监督跨模态哈希检索方法及系统 | |
CN108171279A (zh) | 一种多视角视频自适应乘积Grassmann流形子空间聚类方法 | |
CN111048117B (zh) | 一种基于目标适应子空间学习的跨库语音情感识别方法 | |
CN109934239B (zh) | 图像特征提取方法 | |
WO2021051987A1 (zh) | 神经网络模型训练的方法和装置 | |
CN113449776B (zh) | 基于深度学习的中草药识别方法、装置及存储介质 | |
CN110110128B (zh) | 用于分布式架构的快速监督离散哈希图像检索系统 | |
CN112733602B (zh) | 关系引导的行人属性识别方法 | |
CN106780501A (zh) | 基于改进人工蜂群算法的图像分割方法 | |
CN108229536A (zh) | 分类预测模型的优化方法、装置及终端设备 | |
CN112560648A (zh) | 一种基于rgb-d图像的slam方法 | |
CN114511593A (zh) | 一种基于重要特征的视觉目标跟踪可转移黑盒攻击方法 | |
CN108090409B (zh) | 人脸识别方法、装置和存储介质 | |
CN109472282A (zh) | 一种基于极少训练样本的深度图像哈希方法 | |
CN108121962A (zh) | 基于非负自适应特征提取的人脸识别方法、装置及设备 | |
CN104021395B (zh) | 一种基于高阶偏最小二乘法的目标跟踪算法 | |
CN115797632A (zh) | 一种基于多任务学习的图像分割方法 | |
CN113449878B (zh) | 数据分布式的增量学习方法、系统、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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: 20160817 Termination date: 20181205 |
|
CF01 | Termination of patent right due to non-payment of annual fee |