CN103927530A - 一种最终分类器的获得方法及应用方法、系统 - Google Patents
一种最终分类器的获得方法及应用方法、系统 Download PDFInfo
- Publication number
- CN103927530A CN103927530A CN201410186226.5A CN201410186226A CN103927530A CN 103927530 A CN103927530 A CN 103927530A CN 201410186226 A CN201410186226 A CN 201410186226A CN 103927530 A CN103927530 A CN 103927530A
- Authority
- CN
- China
- Prior art keywords
- sample
- training
- sorter
- samples
- group
- 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.)
- Granted
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于相似性学习的人脸集匹配方法及系统,通过从原始数据样本中选取训练集样本和测试集样本,并挑选训练样本,计算真实相似度,与计算出的计算相似度进行比较,从而选取最终分类器,并将训练样本中每类样本的几何平均值以及测试集样本中的每个测试样本带入最终分类器中,获取分类结果,进而获取测试样本的类别。本方案首先通过选取部分样本作为训练样本,进行训练过程,实现对分类器的选取,避免了将所有的样本作为训练样本进行训练,从而简化了训练过程,避免了复杂的过程,提高了训练速度。另外,本方案中通过选取训练集样本每类样本的几何平均值来构建多个不同的分类器,达到了通过简单的操作过程带来精确的结果的效果。
Description
技术领域
本发明涉及分类器及人脸匹配领域,尤其涉及一种获取基于相似性学习的最终分类器的方法及应用该最终分类器的人脸集匹配方法及系统。
背景技术
传统的计算机视觉分类系统中,目标的训练和测试过程通常采用单幅图像。
然而,采用单幅图像作为摄像机及大容量存储设备的输入以供其训练和测试,其识别效果对光照、姿势、表情等较为敏感,系统的鲁棒性较弱。
因此,为解决采用单幅图像作为设备的输入以供其训练和测试的匹配方式带来的系统的鲁棒性较弱的问题,本领域技术人员通过采用图像集合作为整体输入的匹配方式及系统,与采用单幅图像的匹配方式相比,采用图像集合可以充分利用多幅图像提供的信息,以获得更好的匹配和识别精度,可以在很大程度上避免各因素的影响,提高系统的鲁棒性。
相似性学习是机器学习和模式识别领域很多任务的重要基础,利用相似性学习进行模式分类中,选择合适的相似度量是问题的关键。通常采用支持向量机在差空间中进行相似性学习。
然而,随着原始样本空间的增加,差空间的样本对数量也会增加,导致算法复杂度的增加,导致分类器的执行速度变慢,且其执行过程繁琐。
发明内容
有鉴于此,本发明提供一种获取基于相似性学习的最终分类器的方法及应用该最终分类器的人脸集匹配方法及系统,以解决现有技术中分类器的执行速度变慢,且执行过程繁琐的问题,其具体方案如下:
一种获得基于相似性学习的最终分类器的方法,包括:
从原始数据样本库中选取训练集样本和测试集样本,其中,所述原始数据样本库中包含多类样本;
从所述训练集样本中挑选多组训练样本,每组训练样本包含两个训练样本,计算每组训练样本的真实相似度;
对所述训练集样本中任意两类不同样本进行分队,每队样本包含两个不同类的训练集样本,并获取每队样本的几何平均值,根据所述几何平均值获取所述每组训练样本的计算相似度;
比较所述计算相似度与真实相似度,得到错误率,根据所述错误率选取最终分类器。
进一步的,根据所述错误率选取最终分类器,具体包括:
根据所述错误率获取分类器的权值,根据所述分类器的权值,选取最终分类器,具体的,
选取对应权值大于平均权值的分类器作为最终分类器;
对所述最终分类器的权值进行归一化,使得所述最终分类器的权值和为1。
进一步的,从所述训练集数据库中挑选多组训练样本之前,还包括:
对所述原始数据样本进行降维处理。
一种应用最终分类器的人脸集匹配方法,包括:
从原始数据样本库中选取训练集样本和测试集样本,其中,所述原始数据样本库中包含多类样本;
从所述训练集样本中挑选多组训练样本,每组训练样本包含两个训练样本,计算每组训练样本的真实相似度;
对所述训练集样本中任意两类不同样本进行分队,每队样本包含两个不同类的训练集样本,并获取每队样本的几何平均值,根据所述几何平均值获取所述每组训练样本的计算相似度;
比较所述计算相似度与真实相似度,得到错误率,根据所述错误率选取最终分类器;
获取所述训练样本集中每类样本的几何平均值;
根据所述最终分类器以及所述训练样本集中每类样本的几何平均值、每个测试样本,获取分类结果;
依据所述分类结果,按照预定规则获取每类测试样本的类别。
进一步的,从所述训练集数据库中挑选多组训练样本之前,还包括:
对所述原始数据样本进行降维处理。
进一步的,根据所述错误率选取最终分类器,具体包括:
根据所述错误率获取分类器的权值,根据所述分类器的权值,选取最终分类器,具体的,
选取对应权值大于平均权值的分类器作为最终分类器;
对所述最终分类器的权值进行归一化,使得所述最终分类器的权值和为1。
进一步的,依据所述分类结果,按照预定规则获取每类测试样本的类别,具体包括:
依据所述分类结果,获取所述测试样本中被测样本与训练样本中每一类的相似性大小;
选取所述相似性大小所占比例多的类别作为被测样本的分类。
进一步的,所述根据所述几何平均值获取所述每组训练样本的计算相似度,具体包括:
根据所述几何平均值,采用余弦相似性获取每组训练样本的计算相似度。
一种应用最终分类器的人脸集匹配系统,包括:选择模块,与所述选择模块相连的训练预处理模块,与所述训练预处理模块相连的训练模块,与所述训练模块相连的测试预处理模块,与所述测试预处理模块相连的测试模块,
所述选择模块从原始数据样本库中选取训练集样本和测试集样本,其中,所述原始数据样本库中包含多类样本;
所述训练预处理模块从所述训练集样本中挑选多组训练样本,每组训练样本包含两个训练样本,计算每组训练样本的真实相似度;
所述训练模块对训练集样本中任意两类不同类样本进行分队,每队样本包含两个不同类的训练集样本,并获取每队样本的几何平均值,根据所述几何平均值获取所述每组训练样本的计算相似度,比较所述计算相似度与真实相似度,得到错误率,根据所述错误率选取最终分类器;
所述测试预处理模块获取所述训练样本集中每类样本的几何平均值以及每个测试样本;
所述测试模块根据所述测试预处理模块获取的训练样本集中每类样本的几何平均值以及每个测试样本,获取所述最终分类器的分类结果,并依据分类结果,按照预定规则获取每类测试样本的类别。
进一步的,所述训练模块根据所述错误率选取最终分类器,具体包括:
所述训练模块根据所述错误率获取分类器的权值,根据所述分类器的权值,选取最终分类器,具体的,选取对应权值大于平均权值的分类器作为最终分类器,并对所述最终分类器的权值进行归一化,使得所述最终分类器的权值和为1。
从上述技术方案可以看出,本方案首先通过选取部分样本作为训练样本,进行训练过程,实现对分类器的选取,避免了将所有的样本作为训练样本进行训练,从而简化了训练过程,避免了复杂的过程,提高了训练速度。另外,本方案中通过选取训练集样本每类样本的几何平均值来代构建多个不同的分类器,达到了通过简单的操作过程带来精确的结果的效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例公开的一种获得基于相似性学习的最终分类器的方法的流程图;
图2为本发明实施例公开的一种获得基于相似性学习的最终分类器的方法的流程图;
图3为本发明实施例公开的一种应用最终分类器的人脸集匹配方法的流程图;
图4为本发明实施例公开的一种应用最终分类器的人脸集匹配系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施例公开了一种获得基于相似性学习的最终分类器的方法,其流程图如图1所示,包括:
步骤S11、从原始数据样本库中选取训练集样本和测试集样本;
其中,原始数据样本库中包含多类样本,每类样本含有多个原始数据样本。从原始数据样本库中任意选取一部分作为训练集样本,一部分作为测试集样本,优选的,训练集样本可以占原始数据样本库中数据的一半,测试集样本占原始数据样本库中数据的一半。
步骤S12、从训练集样本中挑选多组训练样本,计算每组训练样本的真实相似度;
每组训练样本包含两个训练样本,其中,选取的每组训练样本为随机选取,与训练样本的类别无关,可以直接获得每组样本中两个训练样本的真实的相似度。
步骤S13、对训练集样本中任意两类不同样本进行分队,每队样本包含两个不同类的训练集样本,获取每队样本的几何平均值,根据几何平均值获取每组训练样本的计算相似度;
从训练集样本中选取任意两类训练样本,每类训练样本选取其中的一个训练样本,组成一队,获取其几何平均值,由于其获取的几何平均值为原始数据样本库中任选的两个不同类训练样本,根据该几何平均值计算得到的每组训练样本的计算相似度为随机的,其可能相似,也可能不相似,因此,将该计算相似度与真实相似度进行比较。
步骤S14、比较计算相似度与真实相似度,得到错误率,根据错误率选取最终分类器。
只有当错误率低于一定的数值时,其对应的分类器才能够被选择为最终分类器。
不同的训练样本所产生的分类器是不同的,因此,最终分类器的个数是不定的。
本实施例公开的获取基于相似性学习的最终分类器的方法,首先通过选取部分样本作为训练样本,进行训练过程,实现对分类器的选取,避免了将所有的样本作为训练样本进行训练,从而简化了训练过程,避免了复杂的过程,提高了训练速度。另外,本方案中通过选取训练集样本每类样本的几何平均值来构建多个不同的分类器,达到了通过简单的操作过程带来精确的结果的效果。
本实施例公开了一种获得基于相似性学习的最终分类器的方法,其流程图如图2所示,包括:
步骤S21、从原始数据样本库中选取训练集样本和测试集样本;
其中,原始数据样本库中包含多类样本。
例如:原始样本数据库中包含有564张图像,共20个人的图像,即20类,涵盖了不同的种族、性别及外貌,该原始样本数据库中对每个人拍摄的图像都有从侧面到正面的不同角度的连续姿态变化。
实验中,从20类样本中随机选取一半作为训练集样本,另一半作为测试集样本。
步骤S22、对原始数据样本进行降维处理;
对原始数据样本进行降维处理,能够提高算法效率。例如,原始图片的大小为112×92,对原始图片进行降维处理,使处理后的图片大小为56×46,即提高了算法的效率。
步骤S23、从训练集样本中挑选多组训练样本,计算每组训练样本的真实相似度;
每组训练样本包含两个训练样本。
步骤S24、对训练集样本中任意两类不同样本进行分队,每队样本包含两个不同类的训练集样本,获取每队样本的几何平均值,根据几何平均值获取每组训练样本的计算相似度;
根据几何平均值,采用余弦相似性获取每组训练样本的计算相似度,采用余弦相似性有效的避免了由于样本数的增加,导致的差空间中的样本存在明显不平衡的问题。
其具体公式如下:
其中,sim表示相似性,sgn表示符号函数,mk表示每队样本的几何平均值,xi及xi'表示每组训练样本中的两个训练样本。
当sim大于0时,表示两个训练样本xi及xi'是相似的,否则,不相似。
步骤S25、比较计算相似度与真实相似度,得到错误率,根据错误率选取最终分类器。
具体的,根据错误率获取分类器的权值,根据分类器的权值,选取最终的分类器。
错误率与分类器权值的计算公式如下:
其中,errk为错误率,αk为分类器权值。
其中,选取对应权值大于平均权值的分类器作为最终分类器,对最终分类器的权值进行归一化,使得最终分类器的权值和为1。
本实施例公开的获得基于相似性学习的最终分类器的方法,与上一实施例相比,增加了对原始数据样本进行降维处理的过程,提高了算法的效率,另外,采用余弦相似性有效的避免了由于样本数的增加,导致的差空间中的样本存在明显不平衡的问题。
本实施例公开了一种应用最终分类器的人脸集匹配方法,其流程图如图3所示,包括:
步骤S31、从原始数据样本库中选取训练集样本和测试集样本;
其中,原始数据样本库中包含多类样本。
步骤S32、从训练集样本中挑选多组训练样本,计算每组训练样本的真实相似度;
每组训练样本包含两个训练样本。
步骤S33、对训练集样本中任意两类不同样本进行分队,每队样本包含两个不同类的训练集样本,获取每队样本的几何平均值,根据几何平均值获取每组训练样本的计算相似度;
根据几何平均值,采用余弦相似性获取每组训练样本的计算相似度,采用余弦相似性有效的避免了由于样本数的增加,导致的差空间中的样本存在明显不平衡的问题。
其具体公式如下:
其中,sim表示相似性,sgn表示符号函数,mk表示每队样本的几何平均值,xi及xi'表示每组训练样本中的两个训练样本。
当sim大于0时,表示两个训练样本xi及xi'是相似的,否则,不相似。
步骤S34、比较计算相似度与真实相似度,得到错误率,根据错误率选取最终分类器;
具体的,根据错误率获取分类器的权值,根据分类器的权值,选取最终的分类器。
错误率与分类器权值的计算公式如下:
其中,errk为错误率,αk为分类器权值。
其中,选取对应权值大于平均权值的分类器作为最终分类器,对最终分类器的权值进行归一化,使得最终分类器的权值和为1。
步骤S35、获取训练样本集中每类样本的几何平均值;
步骤S36、根据最终分类器以及训练样本集中每类样本的几何平均值、每个测试样本,获取分类结果;
步骤S37、依据分类结果,按照预定规则获取每类测试样本的类别。
本实施例公开的应用最终分类器的人脸集匹配方法,通过选取部分样本作为训练样本,进行训练过程,实现对分类器的选取,避免了将所有的样本作为训练样本进行训练,从而简化了训练过程,避免了复杂的过程,提高了训练速度。另外,本方案中通过选取训练集样本每类样本的几何平均值来构建多个不同的分类器,达到了通过简单的操作过程带来精确的结果的效果,进而实现了对人脸集数据的分类,过程简单、精确。
进一步的,本实施例公开的应用最终分类器的人脸集匹配方法,在步骤S32之前,还可以包括:
步骤S38、对原始数据样本进行降维处理。
对原始数据样本进行降维处理,能够提高算法效率。例如,原始图片的大小为112×92,对原始图片进行降维处理,使处理后的图片大小为56×46,即提高了算法的效率。
优选的,本实施例公开的应用最终分类器的人脸集匹配方法中,依据分类结果,按照预定规则获取每类测试样本的类别,具体包括:
依据分类结果,获取测试样本中被测样本与训练样本中每一类的相似性大小,选取相似性大小所占比较较多的类别作为被测样本的分类,即通过相似性大小的比例获取被测样本的分类。
本实施例公开了一种应用最终分类器的人脸集匹配系统,其结构示意图如图4所示,包括:
选择模块41,与选择模块41相连的训练预处理模块42,与训练预处理模块42相连的训练模块43,与训练摸43相连的测试预处理模块44,与测试预处理模块44相连的测试模块45。
选择模块41从原始数据样本库中选取训练集样本和测试集样本,其中,原始数据样本库中包含多类样本。
训练预处理模块42从训练集样本中挑选多组训练样本,每组训练样本包含两个训练样本,计算每组训练样本的真实相似度。
训练模块43对训练集样本中任意两类不同类样本进行分队,每队样本包含两个不同类的训练集样本,并获取每队样本的几何平均值,根据几何平均值获取每组训练样本的计算相似度,比较计算相似度与真实相似度,得到错误率,根据错误率选取最终分类器。
根据几何平均值,采用余弦相似性获取每组训练样本的计算相似度,采用余弦相似性有效的避免了由于样本数的增加,导致的差空间中的样本存在明显不平衡的问题。
其具体公式如下:
其中,sim表示相似性,sgn表示符号函数,mk表示每队样本的几何平均值,xi及xi'表示每组训练样本中的两个训练样本。
当sim大于0时,表示两个训练样本xi及xi'是相似的,否则,不相似。
其中,错误率与分类器权值的计算公式如下:
其中,errk为错误率,αk为分类器权值。
测试预处理模块44获取训练样本集中每类样本的几何平均值以及每个测试样本。
测试模块45根据测试预处理模块44获取的训练样本集中每类样本的几何平均值及每个测试样本,获取最终分类器的分类结果,并依据分类结果,按照预定规则获取每类测试样本的类别。
比本实施例公开的应用最终分类器的人脸集匹配系统,通过选择模块选取部分样本作为训练样本,通过训练模块进行训练过程,实现对分类器的选取,避免了将所有的样本作为训练样本进行训练,从而简化了训练过程,避免了复杂的过程,提高了训练速度。另外,本方案中通过选取训练集样本每类样本的几何平均值来构建多个不同的分类器,达到了通过简单的操作过程带来精确的结果的效果,进而通过测试模块实现了对人脸集数据的分类,过程简单,准确。
优选的,本实施例公开的训练模块根据错误率选取最终分类器,具体为:
训练模块根据错误率获取分类器的权值,根据分类器的权值,选取最终分类器,具体的,从众多分类器中选取对应权值大于平均权值的分类器作为最终分类器,并对最终分类器的权值进行归一化,使得最终分类器的权值和为1。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种获得基于相似性学习的最终分类器的方法,其特征在于,包括:
从原始数据样本库中选取训练集样本和测试集样本,其中,所述原始数据样本库中包含多类样本;
从所述训练集样本中挑选多组训练样本,每组训练样本包含两个训练样本,计算每组训练样本的真实相似度;
对所述训练集样本中任意两类不同样本进行分队,每队样本包含两个不同类的训练集样本,并获取每队样本的几何平均值,根据所述几何平均值获取所述每组训练样本的计算相似度;
比较所述计算相似度与真实相似度,得到错误率,根据所述错误率选取最终分类器。
2.根据权利要求1所述的方法,其特征在于,根据所述错误率选取最终分类器,具体包括:
根据所述错误率获取分类器的权值,根据所述分类器的权值,选取最终分类器,具体的,
选取对应权值大于平均权值的分类器作为最终分类器;
对所述最终分类器的权值进行归一化,使得所述最终分类器的权值和为1。
3.根据权利要求1所述的方法,其特征在于,从所述训练集数据库中挑选多组训练样本之前,还包括:
对所述原始数据样本进行降维处理。
4.一种应用最终分类器的人脸集匹配方法,其特征在于,包括:
从原始数据样本库中选取训练集样本和测试集样本,其中,所述原始数据样本库中包含多类样本;
从所述训练集样本中挑选多组训练样本,每组训练样本包含两个训练样本,计算每组训练样本的真实相似度;
对所述训练集样本中任意两类不同样本进行分队,每队样本包含两个不同类的训练集样本,并获取每队样本的几何平均值,根据所述几何平均值获取所述每组训练样本的计算相似度;
比较所述计算相似度与真实相似度,得到错误率,根据所述错误率选取最终分类器;
获取所述训练样本集中每类样本的几何平均值;
根据所述最终分类器以及所述训练样本集中每类样本的几何平均值、每个测试样本,获取分类结果;
依据所述分类结果,按照预定规则获取每类测试样本的类别。
5.根据权利要求4所述的方法,其特征在于,从所述训练集数据库中挑选多组训练样本之前,还包括:
对所述原始数据样本进行降维处理。
6.根据权利要求4所述的方法,其特征在于,根据所述错误率选取最终分类器,具体包括:
根据所述错误率获取分类器的权值,根据所述分类器的权值,选取最终分类器,具体的,
选取对应权值大于平均权值的分类器作为最终分类器;
对所述最终分类器的权值进行归一化,使得所述最终分类器的权值和为1。
7.根据权利要求4所述的方法,其特征在于,依据所述分类结果,按照预定规则获取每类测试样本的类别,具体包括:
依据所述分类结果,获取所述测试样本中被测样本与训练样本中每一类的相似性大小;
选取所述相似性大小所占比例多的类别作为被测样本的分类。
8.根据权利要求4所述的方法,其特征在于,所述根据所述几何平均值获取所述每组训练样本的计算相似度,具体包括:
根据所述几何平均值,采用余弦相似性获取每组训练样本的计算相似度。
9.一种应用最终分类器的人脸集匹配系统,其特征在于,包括:选择模块,与所述选择模块相连的训练预处理模块,与所述训练预处理模块相连的训练模块,与所述训练模块相连的测试预处理模块,与所述测试预处理模块相连的测试模块,
所述选择模块从原始数据样本库中选取训练集样本和测试集样本,其中,所述原始数据样本库中包含多类样本;
所述训练预处理模块从所述训练集样本中挑选多组训练样本,每组训练样本包含两个训练样本,计算每组训练样本的真实相似度;
所述训练模块对训练集样本中任意两类不同类样本进行分队,每队样本包含两个不同类的训练集样本,并获取每队样本的几何平均值,根据所述几何平均值获取所述每组训练样本的计算相似度,比较所述计算相似度与真实相似度,得到错误率,根据所述错误率选取最终分类器;
所述测试预处理模块获取所述训练样本集中每类样本的几何平均值以及每个测试样本;
所述测试模块根据所述测试预处理模块获取的训练样本集中每类样本的几何平均值以及每个测试样本,获取所述最终分类器的分类结果,并依据分类结果,按照预定规则获取每类测试样本的类别。
10.根据权利要求9所述的系统,其特征在于,所述训练模块根据所述错误率选取最终分类器,具体包括:
所述训练模块根据所述错误率获取分类器的权值,根据所述分类器的权值,选取最终分类器,具体的,选取对应权值大于平均权值的分类器作为最终分类器,并对所述最终分类器的权值进行归一化,使得所述最终分类器的权值和为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410186226.5A CN103927530B (zh) | 2014-05-05 | 2014-05-05 | 一种最终分类器的获得方法及应用方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410186226.5A CN103927530B (zh) | 2014-05-05 | 2014-05-05 | 一种最终分类器的获得方法及应用方法、系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103927530A true CN103927530A (zh) | 2014-07-16 |
CN103927530B CN103927530B (zh) | 2017-06-16 |
Family
ID=51145746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410186226.5A Active CN103927530B (zh) | 2014-05-05 | 2014-05-05 | 一种最终分类器的获得方法及应用方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103927530B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951666A (zh) * | 2015-07-24 | 2015-09-30 | 苏州大学张家港工业技术研究院 | 一种疾病诊断方法和装置 |
CN105005783A (zh) * | 2015-05-18 | 2015-10-28 | 电子科技大学 | 从高维非对称数据中提取分类信息的方法 |
CN105809190A (zh) * | 2016-03-03 | 2016-07-27 | 南京邮电大学 | 一种基于特征选取的svm级联分类器方法 |
CN108717149A (zh) * | 2018-05-25 | 2018-10-30 | 西安工程大学 | 基于M-RVM融合动态加权AdaBoost的变压器故障诊断方法 |
CN111461191A (zh) * | 2020-03-25 | 2020-07-28 | 杭州跨视科技有限公司 | 为模型训练确定图像样本集的方法、装置和电子设备 |
CN112348040A (zh) * | 2019-08-07 | 2021-02-09 | 杭州海康威视数字技术股份有限公司 | 模型训练方法、装置及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100074479A1 (en) * | 2008-09-19 | 2010-03-25 | Altek Corpoartion | Hierarchical face recognition training method and hierarchical face recognition method thereof |
CN102142137A (zh) * | 2011-03-10 | 2011-08-03 | 西安电子科技大学 | 基于高分辨率字典的稀疏表征图像超分辨重建方法 |
CN102663370A (zh) * | 2012-04-23 | 2012-09-12 | 苏州大学 | 一种人脸识别的方法及系统 |
CN103544504A (zh) * | 2013-11-18 | 2014-01-29 | 康江科技(北京)有限责任公司 | 一种基于多尺度图匹配核的场景字符识别方法 |
CN103679160A (zh) * | 2014-01-03 | 2014-03-26 | 苏州大学 | 一种人脸识别方法和装置 |
-
2014
- 2014-05-05 CN CN201410186226.5A patent/CN103927530B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100074479A1 (en) * | 2008-09-19 | 2010-03-25 | Altek Corpoartion | Hierarchical face recognition training method and hierarchical face recognition method thereof |
CN102142137A (zh) * | 2011-03-10 | 2011-08-03 | 西安电子科技大学 | 基于高分辨率字典的稀疏表征图像超分辨重建方法 |
CN102663370A (zh) * | 2012-04-23 | 2012-09-12 | 苏州大学 | 一种人脸识别的方法及系统 |
CN103544504A (zh) * | 2013-11-18 | 2014-01-29 | 康江科技(北京)有限责任公司 | 一种基于多尺度图匹配核的场景字符识别方法 |
CN103679160A (zh) * | 2014-01-03 | 2014-03-26 | 苏州大学 | 一种人脸识别方法和装置 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005783A (zh) * | 2015-05-18 | 2015-10-28 | 电子科技大学 | 从高维非对称数据中提取分类信息的方法 |
CN104951666A (zh) * | 2015-07-24 | 2015-09-30 | 苏州大学张家港工业技术研究院 | 一种疾病诊断方法和装置 |
CN105809190A (zh) * | 2016-03-03 | 2016-07-27 | 南京邮电大学 | 一种基于特征选取的svm级联分类器方法 |
CN105809190B (zh) * | 2016-03-03 | 2019-11-19 | 南京邮电大学 | 一种基于特征选取的svm级联分类器方法 |
CN108717149A (zh) * | 2018-05-25 | 2018-10-30 | 西安工程大学 | 基于M-RVM融合动态加权AdaBoost的变压器故障诊断方法 |
CN112348040A (zh) * | 2019-08-07 | 2021-02-09 | 杭州海康威视数字技术股份有限公司 | 模型训练方法、装置及设备 |
CN112348040B (zh) * | 2019-08-07 | 2023-08-29 | 杭州海康威视数字技术股份有限公司 | 模型训练方法、装置及设备 |
CN111461191A (zh) * | 2020-03-25 | 2020-07-28 | 杭州跨视科技有限公司 | 为模型训练确定图像样本集的方法、装置和电子设备 |
CN111461191B (zh) * | 2020-03-25 | 2024-01-23 | 杭州跨视科技有限公司 | 为模型训练确定图像样本集的方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN103927530B (zh) | 2017-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103927530A (zh) | 一种最终分类器的获得方法及应用方法、系统 | |
CN107690657B (zh) | 根据影像发现商户 | |
CN105938559A (zh) | 使用卷积神经网络的数字图像处理 | |
CN108197668A (zh) | 模型数据集的建立方法及云系统 | |
CN107895160A (zh) | 人脸检测与识别装置及方法 | |
Padilla-López et al. | A discussion on the validation tests employed to compare human action recognition methods using the msr action3d dataset | |
CN104573652A (zh) | 确定人脸图像中人脸的身份标识的方法、装置和终端 | |
Li et al. | Mining key skeleton poses with latent svm for action recognition | |
CN108108662A (zh) | 深度神经网络识别模型及识别方法 | |
CN103745201B (zh) | 一种节目识别方法及装置 | |
CN110490238A (zh) | 一种图像处理方法、装置及存储介质 | |
CN109242825A (zh) | 一种基于深度学习技术的钢铁表面缺陷识别方法和装置 | |
CN105740808B (zh) | 人脸识别方法和装置 | |
CN109977983A (zh) | 获得训练图像的方法及装置 | |
CN107430678A (zh) | 使用高斯接收场特征的低成本面部识别 | |
CN107729901A (zh) | 图像处理模型的建立方法、装置及图像处理方法及系统 | |
CN103927529A (zh) | 一种最终分类器的获得方法及应用方法、系统 | |
CN109919252A (zh) | 利用少数标注图像生成分类器的方法 | |
CN103413145A (zh) | 基于深度图像的关节点定位方法 | |
CN107679475A (zh) | 门店监控评价方法、装置及存储介质 | |
CN109154938A (zh) | 使用离散非踪迹定位数据将数字图中的实体分类 | |
CN101826155B (zh) | 一种基于哈尔特征和动态时序匹配的投篮动作识别方法 | |
CN109657799A (zh) | 一种基于场景适配的模型调优方法和装置 | |
CN110163567A (zh) | 基于多任务级联卷积神经网络的课堂点名系统 | |
CN108629345A (zh) | 高维图像特征匹配方法和装置 |
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 |