CN104835174B - 基于超图模式搜索的鲁棒模型拟合方法 - Google Patents

基于超图模式搜索的鲁棒模型拟合方法 Download PDF

Info

Publication number
CN104835174B
CN104835174B CN201510269932.0A CN201510269932A CN104835174B CN 104835174 B CN104835174 B CN 104835174B CN 201510269932 A CN201510269932 A CN 201510269932A CN 104835174 B CN104835174 B CN 104835174B
Authority
CN
China
Prior art keywords
hypergraph
model
vertex
summit
interior point
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
Application number
CN201510269932.0A
Other languages
English (en)
Other versions
CN104835174A (zh
Inventor
王菡子
肖国宝
严严
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen University
Original Assignee
Xiamen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiamen University filed Critical Xiamen University
Priority to CN201510269932.0A priority Critical patent/CN104835174B/zh
Publication of CN104835174A publication Critical patent/CN104835174A/zh
Application granted granted Critical
Publication of CN104835174B publication Critical patent/CN104835174B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/162—Segmentation; Edge detection involving graph-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20072—Graph-based image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

基于超图模式搜索的鲁棒模型拟合方法，涉及计算机视觉技术。准备数据集；建立超图模型G＝(V,E)，一个模型假设对应于超图中的一个顶点v，数据点则对应一条超边e：让每个顶点连接相应模型假设的内点，即超边；采用无参核密度估计方法评估每个顶点v的权重分数w(v)，自此，模型拟合问题便转化为在超图中模式搜索问题；提出通过在超图中搜索权重波峰进行模式搜索；通过搜索到的模式和超图模型，确定每个结构的内点和参数；根据每个结构的参数和内点，对图像进行分割，完成模型拟合。能够缓解对数据分布的敏感性，建立的超图不需要任何的转化，可以直接被应用于模式搜索。

Description

基于超图模式搜索的鲁棒模型拟合方法
技术领域
本发明涉及计算机视觉技术，具体是涉及一种基于超图模式搜索的鲁棒模型拟合方法。
背景技术
随着科学技术的发展，我们的生活越来越离不开计算机视觉的理论和算法的发展。如何从图像中提取有效的信息，即计算机识别图像，对计算机视觉的发展有非常重要的影响。参数模型是图像信息的有效表示方式，而模型拟合方法能够有效地从观测数据中估计恰当的模型参数。
在近10年中，模型拟合方法已经被广泛应用于计算机视觉领域中，如，运动分割、图像拼接、光流计算、单应估计、基础矩阵估计等。在模型拟合方法中，其中一种比较流行的方法是Random Sample Consensus(RANSAC)(M.A.Fischler and R.C.Bolles.Randomsample consensus:a paradigm for model fitting with applications to imageanalysis and automated cartography.Comm.ACM,24(6):381–395,1981)。RANSAC方法能够从含有高比例野点的数据中有效地拟合出模型，其主要步骤包括如下：1)通过随机采样生成一定数目的模型假设；2)统计生成的模型假设的内点数目，认为内点数最高的为拟合的模型。然而，RANSAC方法对内点尺度估计比较敏感，并且每次只能拟合单一模型。许多高效的模型拟合方法被提出用于估计多结构模型，如J-linkage(R.Toldo andA.Fusiello.Robust multiple structures estimation with j-linkage.In ECCV,pages537–547.2008)，KF(T.-J.Chin,H.Wang,and D.Suter.Robust fitting of multiplestructures:The statistical learning approach.In ICCV,pages 413–420,2009)，AKSWH(H.Wang,T.-J.Chin,and D.Suter.Simultaneously fitting and segmentingmultiple-structure data with outliers.IEEE Trans.PAMI,34(6):1177–1192,2012)，T-linkage(L.Magri and A.Fusiello.T-linkage:A continuous relaxation of j-linkage for multi-model fitting.In CVPR,pages 3954–3961,2014)，等等。
鉴于超图能够有效表示复杂关系，最近基于超图的方法也被用于解决模型拟合问题，如H.Liu等人提出使用随机一致性超图RCG来拟合多结构模型(H.Liu andS.Yan.Efficientstructure detection via random consensus graph.In CVPR,pages574–581,2012)，P.Purkait等人提出使用含有大超边的超图处理人脸聚类和运动分割问题(P.Purkait,T.-J.Chin,H.Ackermann,and D.Suter.Clustering with hypergraphs:thecase for large hyperedges.In ECCV,pages 672–687,2014)，等等。
当前存在的模型拟合方法在处理真实数据中还存在着大量的问题：基于聚类的拟合方法(如KF和J-linkage)对数据分布比较敏感，因而不适合处理不平衡数据问题。此外该类方法无法有效地处理那些处于两个模型交接出的数据点。基于超图的拟合方法(如RCG)经常需要将超图映射到简单图中，而这将会造成信息损失。其他方法(如AKSWH和T-linkage)同样存在一些问题，如AKSWH在选择一些有意义的模型假设时经常把对应真实结构中的假设去除，T-linkage通过层次聚类往往会造成时间复杂度偏高，不适合处理大数据。
发明内容
本发明的目的在于提供一种基于超图模式搜索的鲁棒模型拟合方法。
本发明包括以下步骤：
A.准备数据集；
B.建立超图模型G＝(V,E)(一个模型假设对应于超图中的一个顶点v，数据点则对应一条超边e)：让每个顶点连接相应模型假设的内点，即超边；
C.采用无参核密度估计方法评估每个顶点v的权重分数w(v)，自此，模型拟合问题便转化为在超图中模式搜索问题；
D.提出通过在超图中搜索“权重波峰”进行模式搜索；
E.通过搜索到的模式和超图模型，确定每个结构的内点和参数；
F.根据每个结构的参数和内点，对图像进行分割，完成模型拟合。
在步骤A中，所述准备数据集的具体方法可为：采用SIFT特征提取算法提取图像的特征，得到X＝{xi}i＝1,2,...,N，N为数据总数，N为自然数。
在步骤B中，所述建立超图模型G＝(V,E)的具体方法可为：
B1.从数据集中随机采样一定数目的最小子集，其中，一个最小子集是指估计一个模型所需的最小数据集，如估计平面需要四个点，估计基础矩阵需要7个或8个点等；
B2.评估每个最小子集的模型假设参数；
B3.采用内点尺度估计子估计每个模型假设θ的内点尺度s
B4.根据每个模型假设θ的内点尺度估算属于该假设的内点数据：数据点x满足即为该假设θ的内点，其中rx(θ)为数据点x到假设θ的距离(可用sampson距离来度量)；
B5.根据一个模型假设θ对应于超图中的一个顶点v和一个数据点x则对应一条超边e，建立超图模型G＝(V,E)，使得每个顶点连接到多条超边(对应各自的内点数据)，并用关联矩阵H来表示顶点与超边之间的关系，若v∈e，则h(v,e)＝1；反之，h(v,e)＝0。
在步骤C中，所述评估每个顶点v的权重分数w(v)的方法可为：利用无参核密度估计方法评估每个顶点v的权重，为了减弱野点对权重的影响，提高权重评估的鲁棒性，提出只考虑每个假设的内点数据的残差信息，权重公式如下：
式中，δ(v)＝∑e∈Eh(v,e)为顶点v的度，为核函数(如Epanechnikov核)，b(v)为宽度。
在步骤D中，所述在超图中搜索“权重波峰”进行模式搜索的具体方法可为：
D1.基于每个顶点v的权重分数w(v)，通过在超图G＝(V,E)采样顶点生成新的超图G′＝(V′,E′),即每个顶点被采样的概率为w(v)/∑v∈Vw(v)；
D2.计算超图G′中每个顶点v的偏好函数：
式中，T为阈值(T一般被设为2.5来包含高斯分布的98％的内点)，根据超图框架，该式可被重写：
D3.基于偏好函数，计算超图G′中任意两个顶点(vp和vq)之间的相似性：
式中，||·||和<·,·>分别表示相应的规范范式和标准内积；
D4.评估超图G′中每个顶点v的独特性分数：
式中，Ω(v)＝{vi|vi∈V′,w(vi)＞w(v)}包含所有权重比顶点v大的顶点集；
D5.根据顶点的独特性分数对超图G′中每个顶点进行排序，即满足：
D6.通过排序后的独特性分数寻找超图G′的“权重波峰”(我们定义超图中拥有局部或者全局权重分数最大值的顶点为权重波峰)，即找到满足到为最大落差的顶点vi，然后去除独特性分数小于的所有顶点；
D7.剩下的顶点即为检测到的模式。
在步骤E中，所述确定每个结构的内点和参数的具体方法可为：通过检测到的模式即可得到其相应的顶点(也是模型假设)，而通过超图模型可以得到与该顶点相连接的超边(也是内点)。
本发明首先通过采样方法生成一定数目的模型假设并估计每个假设的内点尺度估计，然后基于生成的模型假设和相应内点数据建立超图模型，接着在超图模型中进行模式搜索，最后通过检测到的模式选择模型及其内点，完成模型拟合。
本发明通过建立一种超图模型有效地表示数据点和模型假设之间的复杂关系，将模型拟合问题看作成在超图中模式搜索问题。此外，本发明还包括一种有效的模式搜索算法。该搜索算法通过分析顶点之间的相似性寻找权重波峰，能够直观地有效地检测出模式。最后通过超图模型和检测到的模式鉴别数据中真实结构和内点数据。本发明提出的鲁棒模型拟合方法是一种基于参数空间的拟合方法，能够缓解对数据分布的敏感性。本发明建立的超图不需要任何的转化，可以直接被应用于模式搜索。另外，本发明中的模式搜索算法能够处理大尺度问题，可以被推广并应用于其他领域。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例的超图示意图(包含三条超边和八个顶点，其中正方形表示超边，圆表示顶点)。
图3为本发明在H.S.Wong提供的AdelaideRMF数据集(H.S.Wong,T.-J.Chin,J.Yu,and D.Suter.Dynamic and hierarchical multi-structure geometric modelfitting.In ICCV,pages 1044–1051,2011)进行单应性估计(其中D1～D7分别表示Elderhalla，Elderhallb,Hartley,Library,Sene,Neem and Johnsona)。第一排为真实结构分割结果，第二排为本发明的分割结果。
具体实施方式
下面结合附图和实施例对本发明的方法作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了实施方式和具体操作过程，但本发明的保护范围不限于下述的实施例。
参见图1，本发明实施例的实施方式包括以下步骤：
S1.准备数据集。
具体包括：采用SIFT特征提取算法提取图像的特征，得到X＝{xi}i＝1,2,...,N，N为数据总数，N为自然数。
S2.建立超图模型G＝(V,E)(如图2，一个模型假设对应于超图中的一个顶点v，数据点则对应一条超边e，超图关联矩阵参见表1。)：让每个顶点连接相应模型假设的内点，即超边。
具体包括：从数据集中随机采样一定数目的最小子集，其中，一个最小子集是指估计一个模型所需的最小数据集，如估计平面需要四个点，估计基础矩阵需要七个或八个点，等等。
评估每个最小子集的模型假设参数。
表1
e1 e2 e3
v1 1 0 0
v2 1 1 0
v3 0 1 0
v4 0 1 1
v5 0 0 1
v6 0 0 1
v7 1 0 1
v8 1 0 0
采用内点尺度估计子估计每个模型假设θ的内点尺度
根据每个模型假设θ的内点尺度估算属于该假设的内点数据：数据点x满足即为该假设θ的内点，其中rx(θ)为数据点x到假设θ的距离(可用sampson距离来度量)。
根据一个模型假设θ对应于超图中的一个顶点v和一个数据点x则对应一条超边e，建立超图模型G＝(V,E)，使得每个顶点连接到多条超边(对应各自的内点数据)，并用关联矩阵H来表示顶点与超边之间的关系，即h(v,e)＝1若v∈e；反之，h(v,e)＝0。
S3.采用无参核密度估计方法评估每个顶点v的权重分数w(v)。自此，模型拟合问题便转化为在超图中模式搜索问题。
具体包括：利用无参核密度估计方法评估每个顶点v的权重，为了减弱野点对权重的影响，提高权重评估的鲁棒性，提出只考虑每个假设的内点数据的残差信息，权重公式如下：
式中，δ(v)＝∑e∈Eh(v,e)为顶点v的度，为核函数(如Epanechnikov核)，b(v)为宽度。
S4.提出通过在超图中搜索“权重波峰”进行模式搜索。
具体包括：基于每个顶点v的权重分数w(v)，通过在超图G＝(V,E)采样顶点生成新的超图G′＝(V′,E′),即每个顶点被采样的概率为w(v)/∑v∈Vw(v)。
计算超图G′中每个顶点v的偏好函数：
式中，T为阈值(T一般被设为2.5来包含高斯分布的98％的内点)。根据超图框架，该式可被重写：
基于偏好函数，计算超图G′中任意两个顶点(vp和vq)之间的相似性：
式中，||·||和<·,·>分别表示相应的规范范式和标准内积。
评估超图G′中每个顶点v的独特性分数:
式中，Ω(v)＝{vi|vi∈V′,w(vi)＞w(v)}包含所有权重比顶点v大的顶点集。
根据顶点的独特性分数对超图G′中每个顶点进行排序，即满足：
通过排序后的独特性分数寻找超图G′的“权重波峰”(我们定义超图中拥有局部或者全局权重分数最大值的顶点为权重波峰)，即找到满足到为最大落差的顶点vi，然后去除独特性分数小于的所有顶点。
剩下的顶点即为检测到的模式。
S5.通过搜索到的模式和超图模型，确定每个结构的内点和参数。
具体包括：通过检测到的模式即可得到其相应的顶点(也是模型假设)，而通过超图模型可以得到与该顶点相连接的超边(也是内点)。
S6.根据每个结构的参数和内点，对图像进行分割，完成模型拟合。
图3给出本发明在H.S.Wong提供的AdelaideRMF数据集(H.S.Wong,T.-J.Chin,J.Yu,and D.Suter.Dynamic and hierarchical multi-structure geometric modelfitting.In ICCV,pages 1044–1051,2011)进行单应性估计(其中D1～D7分别表示Elderhalla，Elderhallb,Hartley,Library,Sene,Neem and Johnsona)。第一排为真实结构分割结果，第二排为本发明的分割结果。
本发明与其它几种模型拟合方法在AdelaideRMF数据集对比的平均错误率参见表2。
表2
其中，M1、M2、M3、M4和M5共五个方法分别对应的是T.-J.Chin等提出的方法(T.-J.Chin,H.Wang,and D.Suter.Robust fitting of multiple structures:Thestatistical learning approach.In ICCV,pages 413–420,2009)、H.Liu等提出的方法(H.Liu and S.Yan.Efficient structure detection via random consensus graph.InCVPR,pages 574–581,2012.)、H.Wang等提出的方法(H.Wang,T.-J.Chin,andD.Suter.Simultaneously fitting and segmenting multiple-structure data withutliers.IEEE Trans.PAMI,34(6):1177–1192,2012)、L.Magri等提出的方法(L.Magri andA.Fusiello.T-linkage:A continuous relaxation of j-linkage for multi-modelfitting.In CVPR,pages 3954–3961,2014)和本发明的方法。

Claims (3)

1.基于超图模式搜索的鲁棒模型拟合方法，其特征在于包括以下步骤：
A.准备数据集；
所述准备数据集的具体方法为：采用特征提取算法提取图像的特征，得到X＝{xi}，i＝1,2,...,N，N为数据总数，N为自然数；
B.建立超图模型G＝(V,E)：让每个顶点连接相应模型假设的内点，即超边；所述超图模型G＝(V,E)中一个模型假设对应于超图中的一个顶点v，数据点则对应一条超边e；
所述建立超图模型G＝(V,E)的具体方法为：
B1.从数据集中随机采样一定数目的最小子集，其中，一个最小子集是指估计一个模型所需的最小数据集，如估计平面需要四个点，估计基础矩阵需要七个或八个点；
B2.评估每个最小子集的模型假设参数；
B3.采用内点尺度估计子估计每个模型假设θ的内点尺度
B4.根据每个模型假设θ的内点尺度估算属于该假设的内点数据：数据点x满足即为该假设θ的内点，其中rx(θ)为数据点x到假设θ的距离，所述rx(θ)用sampson距离度量；
B5.根据一个模型假设θ对应于超图中的一个顶点v和一个数据点x对应一条超边e，建立超图模型G＝(V,E)，使得每个顶点连接到多条超边，并用关联矩阵H来表示顶点与超边之间的关系，若v∈e，则h(v,e)＝1；反之，h(v,e)＝0；
C.采用无参核密度估计方法评估每个顶点v的权重分数w(v)，自此，模型拟合问题便转化为在超图中模式搜索问题；
所述评估每个顶点v的权重分数w(v)的方法为：利用无参核密度估计方法评估每个顶点v的权重，为了减弱野点对权重的影响，提高权重评估的鲁棒性，提出只考虑每个假设的内点数据的残差信息，权重分数的计算公式如下：
式中，表示顶点v对应的模型假设的内点尺度，re(v)表示顶点v和超边e所对应的模型假设和数据点之间的距离，δ(v)＝∑e∈Eh(v,e)为顶点v的度，为核函数，b(v)为宽度；
D.通过在超图中搜索“权重波峰”进行模式搜索；
所述在超图中搜索“权重波峰”进行模式搜索的具体方法为：
D1.基于每个顶点v的权重分数w(v)，通过在超图G＝(V,E)采样顶点生成新的超图G′＝(V′,E′)，即每个顶点被采样的概率为w(v)/∑v∈Vw(v)；
D2.计算超图G′中每个顶点v的偏好函数：
式中，表示顶点v对应的模型假设的内点尺度，re(v)表示顶点v和超边e所对应的模型假设和数据点之间的距离，T为阈值，根据超图框架，该式被重写：
所述T被设为2.5用于计算98％的内点；
D3.基于偏好函数，计算超图G′中任意两个顶点vp和vq之间的相似性：
式中，||·||和<·,·>分别表示相应的规范范式和标准内积；
D4.评估超图G′中每个顶点v的独特性分数：
式中，Ω(v)＝{vi|vi∈V′,w(vi)＞w(v)}包含所有权重比顶点v大的顶点集；
D5.根据顶点的独特性分数对超图G′中每个顶点进行排序，即满足：
D6.通过排序后的独特性分数寻找超图G′的“权重波峰”，即找到满足到为最大落差的顶点vi，然后去除独特性分数小于的所有顶点；
D7.剩下的顶点即为检测到的模式；
E.通过超图模型和搜索到的模式，确定每个结构的内点和参数；
F.根据每个结构的参数和内点，对图像进行分割，完成模型拟合。
2.如权利要求1所述基于超图模式搜索的鲁棒模型拟合方法，其特征在于所述核函数为Epanechnikov核函数。
3.如权利要求1所述基于超图模式搜索的鲁棒模型拟合方法，其特征在于在步骤E中，所述确定每个结构的内点和参数的具体方法为：通过检测到的模式即得到其相应的顶点，而通过超图模型得到与该顶点相连接的超边。
CN201510269932.0A 2015-05-25 2015-05-25 基于超图模式搜索的鲁棒模型拟合方法 Expired - Fee Related CN104835174B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510269932.0A CN104835174B (zh) 2015-05-25 2015-05-25 基于超图模式搜索的鲁棒模型拟合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510269932.0A CN104835174B (zh) 2015-05-25 2015-05-25 基于超图模式搜索的鲁棒模型拟合方法

Publications (2)

Publication Number Publication Date
CN104835174A CN104835174A (zh) 2015-08-12
CN104835174B true CN104835174B (zh) 2017-12-15

Family

ID=53813039

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510269932.0A Expired - Fee Related CN104835174B (zh) 2015-05-25 2015-05-25 基于超图模式搜索的鲁棒模型拟合方法

Country Status (1)

Country Link
CN (1) CN104835174B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105913423B (zh) * 2016-04-08 2018-08-07 厦门大学 一种基于超像素的确定性模型拟合方法
CN107203636B (zh) * 2017-06-08 2020-06-16 天津大学 基于超图主集聚类的多视频摘要获取方法
CN110163865B (zh) * 2019-05-28 2021-06-01 闽江学院 一种针对模型拟合中不平衡数据的采样方法
CN110163298A (zh) * 2019-05-31 2019-08-23 闽江学院 一种融合子集采样和模型选择的模型拟合方法
CN112132204B (zh) * 2020-09-18 2022-05-24 厦门大学 一种基于偏好概率加权采样的鲁棒模型拟合方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1873657A (zh) * 2005-06-03 2006-12-06 中国科学院自动化研究所 鲁棒的自然图像分割方法
CN102819836A (zh) * 2012-06-28 2012-12-12 北京邮电大学 一种图像分割方法及系统
CN103020120A (zh) * 2012-11-16 2013-04-03 南京理工大学 一种基于超图的图像混合摘要生成方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101348904B1 (ko) * 2012-01-20 2014-01-09 한국과학기술원 고차 상관 클러스터링을 이용한 이미지 분할 방법, 이를 처리하는 시스템 및 기록매체

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1873657A (zh) * 2005-06-03 2006-12-06 中国科学院自动化研究所 鲁棒的自然图像分割方法
CN102819836A (zh) * 2012-06-28 2012-12-12 北京邮电大学 一种图像分割方法及系统
CN103020120A (zh) * 2012-11-16 2013-04-03 南京理工大学 一种基于超图的图像混合摘要生成方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Shifting Hypergraphs by Probabilistic Voting;Yang Wang 等;《ResearchGate》;20141227;234-246 *
基于自适应形状先验的快速图像分割算法;孙巍 等;《云南大学学报（自然科学版）》;20150131;第37卷(第1期);52-61 *

Also Published As

Publication number Publication date
CN104835174A (zh) 2015-08-12

Similar Documents

Publication Publication Date Title
CN104835174B (zh) 基于超图模式搜索的鲁棒模型拟合方法
TWI623842B (zh) Image search and method and device for acquiring image text information
Sandler et al. Nonnegative matrix factorization with earth mover's distance metric for image analysis
US8611649B2 (en) Method and system for near-duplicate image searching
Liu et al. Cylinder detection in large-scale point cloud of pipeline plant
WO2019105163A1 (zh) 目标人物的搜索方法和装置、设备、程序产品和介质
KR101581112B1 (ko) 계층적 패턴 구조에 기반한 기술자 생성 방법 및 이를 이용한 객체 인식 방법과 장치
CN108491302B (zh) 一种检测spark集群节点状态的方法
CN111738120B (zh) 人物识别方法、装置、电子设备及存储介质
CN106780639B (zh) 基于显著性特征稀疏嵌入和极限学习机的哈希编码方法
CN112800231B (zh) 电力数据校验方法、装置、计算机设备和存储介质
CN110751027B (zh) 一种基于深度多示例学习的行人重识别方法
CN107679539B (zh) 一种基于局部感知野的单卷积神经网络局部信息与全局信息整合方法
CN105740915A (zh) 一种融合感知信息的协同分割方法
Zhou et al. 2D compressive sensing and multi-feature fusion for effective 3D shape retrieval
CN112529068B (zh) 一种多视图图像分类方法、系统、计算机设备和存储介质
Lin et al. Hierarchical representation via message propagation for robust model fitting
CN104536996A (zh) 一种同构环境下计算节点异常检测方法
Wang et al. Detection and recognition of mixed-type defect patterns in wafer bin maps via tensor voting
CN102722732A (zh) 一种基于数据二阶统计量建模的图像集合匹配方法
CN110110795B (zh) 图像分类方法及装置
CN104123382B (zh) 一种社会媒体下的图像集摘要生成方法
Cao et al. FAPP: Extremely fast approach to boosting image matching precision
CN108133234B (zh) 基于稀疏子集选择算法的社区检测方法、装置及设备
CN103823889B (zh) 基于l1范数全局几何一致性检验的错误匹配检测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
EXSB Decision made by sipo to initiate 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: 20171215