CN105825205B - 一种协作稀疏表示自适应的快速人脸识别方法 - Google Patents
一种协作稀疏表示自适应的快速人脸识别方法 Download PDFInfo
- Publication number
- CN105825205B CN105825205B CN201610222169.0A CN201610222169A CN105825205B CN 105825205 B CN105825205 B CN 105825205B CN 201610222169 A CN201610222169 A CN 201610222169A CN 105825205 B CN105825205 B CN 105825205B
- Authority
- CN
- China
- Prior art keywords
- training sample
- sample
- test sample
- training
- value
- 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
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 101
- 238000012360 testing method Methods 0.000 claims abstract description 68
- 230000006698 induction Effects 0.000 claims abstract description 7
- 238000013461 design Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种协作稀疏表示自适应的快速人脸识别方法，包括不违反稀疏表示定义基本假设的局部稀疏表示分类器系统，如下：读入训练样本和测试样本的图像；对训练样本和测试样本进行初始化，使用双线性内插值将训练样本和测试样本缩放成固定尺寸的图像并整合成列向量并进行归一化处理；利用核诱导找出与测试样本最邻近的N*个训练样本，N*为最佳预测值；从N*个训练样本中挑出与测试样本相关的训练样本类来组成完备基；采用l2范数协作性求解稀疏系数并通过残差预测所述测试样本的类别。还包括能根据不同的训练样本库寻找到所述最佳预测值N*的系统。本发明解决了平衡识别率和计算速率的问题，同时使得整个识别系统能针对不同的训练库自动寻找一个合适的N值。
Description
技术领域
本发明涉及一种协作稀疏表示自适应的快速人脸识别方法。
背景技术
人脸识别技术一直是模式识别和计算机视觉领域重要的研究热点。所谓的人脸识别是指从已有标签的人脸训练样本中预测出测试样本应属的标签类。众所周知，外界的因素(例如人脸是否戴眼镜，光线的强弱，人脸的角度等)对人脸的识别会产生很大的影响，甚至对于不同的训练库，人脸的识别率都有不同的效果，要得到一个具有适应性的人脸识别系统具有一定的挑战性。
基于稀疏表示分类器是人脸识别的关键技术。此技术直接对全部的训练样本集进行训练来得到一个完备基，并用此完备基来对未知的人脸样本进行识别。但是，由于训练样本过大的影响，导致最终的识别率不高，而且计算速率过大。局部稀疏表示分类器并不是采用全部的训练样本作为训练基，而是先采用KNN算法找到测试样本最邻近的N个训练样本作为训练基，有效解决了计算速率的问题。
目前为了提高系统的实时性，局部稀疏表示分类器是一种有效的解决途径。但是，局部稀疏表示分类器违反了稀疏表示定义基本假设，即当测试样本所在类的训练样本数足够多时，测试样本可由其所在类的训练样本进行线性表示。局部稀疏表示分类器所选的N个最邻近的样本并不能保证包含了测试样本所在类的所有训练样本。同时，对于不同的训练样本库，如何平衡识别率与计算速率才能使得整个分类器达到较好的效果问题，即N值如何取值或者自适应才能得到较好的结果问题。
对于求解稀疏系数的问题，可以采用稀疏表示的l1范数稀疏性或l2范数协作性。基于稀疏表示分类器采用的是l1范数来求解稀疏系数，需要不断迭代才能得到结果。
如上所述，目前常用的局部稀疏表示分类器不仅违反了稀疏表示的基本假设，而且还引入了一个N值的最优问题。同时采用的是l1范数来求解稀疏系数需要进行迭代计算，所以仍然会降低整个系统的实时性。
发明内容
有鉴于此，本发明的目的在于提供一种协作稀疏表示自适应的快速人脸识别方法，解决了平衡识别率和计算速率的问题，同时使得整个识别系统能针对不同的训练库自动寻找一个合适的N值。
为实现上述目的，本发明采用如下技术方案：一种协作稀疏表示自适应的快速人脸识别方法，其特征在于包括以下步骤：
步骤S1：设计一个不违反稀疏表示定义基本假设的局部稀疏表示分类器系统，记为第一系统，包括以下步骤：
步骤S11：读入训练样本和测试样本的图像；
步骤S12：对所述训练样本和测试样本进行初始化，使用双线性内插值将所述训练样本和测试样本缩放成固定尺寸的图像并整合成列向量，对所述列向量进行归一化处理；
步骤S13：利用核诱导找出与所述测试样本最邻近的N*个训练样本，其中N*为最佳预测值，由第二系统求得；
步骤S14：从所述N个训练样本中挑出与所述测试样本相关的训练样本类来组成完备基；
步骤S15：采用l2范数协作性求解稀疏系数并通过残差预测所述测试样本的类别；
步骤S2：在步骤S1的基础上设计一个能根据不同的训练样本库寻找到所述最佳预测值N*的系统，记为第二系统，包括以下步骤：
步骤S21：从第一系统的训练样本的集合中轮流选出一个训练样本作为第二系统的测试样本，剩余的训练样本作为第二系统的训练样本；
步骤S22：设定若干N值为自变量，得到一个以N值为自变量的残差曲线函数，其中N为正整数；
步骤S23：以所述残差曲线函数的最大突变处对应的N值作为最佳预测值N*。
进一步的，所述步骤S13中核诱导的公式如下：
其中，y为测试样本，aij为训练样本，非线性函数表示将输入样本数据从原始空间映射到一个新的特征空间的函数，K(.)表示核函数，即某种沿径向对称的标量函数。
进一步的，所述步骤S21的具体内容如下：
假设训练样本为A＝[A1,A2,A3…Ac]，其中为第i类训练样本集合，1≤i≤c，i,c皆为正整数m为所有样本的列向量的统一维数；将所述训练样本都转化为列向量，y是一测试样本，为训练样本的总数；从训练样本集合A中轮流选出一个训练样本Yq作为第二系统的测试样本，q为正整数且1≤q≤M；剩下的M-1个训练样本作为第二系统的训练样本。
进一步的，所述步骤S22中残差曲线函数具体如下：
其中，H为M个测试样本中被正确归类的个数，为被正确归类的第qh个测试样本的第p个训练样本对于测试样本的残差。
进一步的，所述步骤S23中最佳预测值N*具体如下：
其中，ΔN表示所设定的N值的间隔距离，Nmin表示N取得最小值，Nmax表示N取得的最大值，则[Nmin,Nmax]表示N的取值范围。
本发明与现有技术相比具有以下有益效果：
1、本发明的第一系统并不是将所有的训练样本作为字典，而是筛选与测试样本最邻近的的训练样本作为新字典；由于字典规模缩小了，计算速率进一步提高了。而且，第一部分系统并没有忽略稀疏表示的基本假设，即关于当测试样本所在类的样本数足够多时，测试样本可由其所在类的训练样本进行线性表示的基本假设。而是先寻找最邻近的N个训练样本，然后从这些最邻近样本寻找到与测试样本最邻近的类，从而使得第一部分系统具有一定的伸缩性，在一定程度上解耦了算法关于最邻近样本数N的依赖性。
2、本发明在预测N值阶段，第二部分系统采用的是类似于弃一交叉验证法的方法，使得整个系统在预测N值阶段所采用的完备基与真正预测测试样本阶段所采用的完备基很相近，这样有助于更好地预测N值。
3、本发明在预测N值阶段，当N值取得合理时，由eN(N)得到的函数值会出现缓缓上升的趋势，当N值取得不合理时，由eN(N)得到的函数值会出现突变现象，使得整个算法更容易找到理想的N值，因此，我们把N的最佳预测值取在eN(N)函数值突变处所对应的N值。
4、本发明当在预测N值阶段的测试样本yq被错误归类，第二部分系统就舍弃本次W个训练样本对测试样本yq的残差，这样会使得由eN(N)得到的函数值具有明显的曲线变化，更易于检测到函数eN(N)函数的突变处。
附图说明
图1是本发明第一系统的方法流程图。
图2是本发明第二系统的方法流程图。
图3是本发明最邻近样本选择方法示意图。
图4是本发明训练样本A示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
本发明提供一种协作稀疏表示自适应的快速人脸识别方法，其特征在于包括以下步骤：
步骤S1：设计一个不违反稀疏表示定义基本假设的局部稀疏表示分类器系统，记为第一系统，为了进一步提高系统的计算速率，本系统采用l2范数协作性来求解系数，如图1所示，包括以下步骤：
步骤S11：读入训练样本和测试样本的图像；
步骤S12：对所述训练样本和测试样本进行初始化，使用双线性内插值将所述训练样本和测试样本缩放成固定尺寸的图像并整合成列向量，对所述列向量进行归一化处理；
步骤S13：利用核诱导找出与所述测试样本最邻近的N*个训练样本，其中N*为最佳预测值，由第二系统求得；
步骤S14：从所述N个训练样本中挑出与所述测试样本相关的训练样本类来组成完备基；
步骤S15：采用l2范数协作性求解稀疏系数并通过残差预测所述测试样本的类别；
步骤S2：在步骤S1的基础上设计一个能根据不同的训练样本库寻找到所述最佳预测值N*的系统来进行识别，记为第二系统，如图2所示，包括以下步骤：
步骤S21：从第一系统的训练样本的集合中轮流选出一个训练样本作为第二系统的测试样本，剩余的训练样本作为第二系统的训练样本；
步骤S22：设定若干较为合理的N值为自变量，得到一个以N值为自变量的残差曲线函数，其中N为正整数；
步骤S23：以所述残差曲线函数的最大突变处对应的N值作为最佳预测值N*，并将该最佳预测值N*用于第一系统来对测试样本进行识别。
根据以上的内容，下面详细说明第一系统具体的实施过程：
首先，为了寻找测试样本最邻近的N*个训练样本，利用核诱导距离算出测试样本与所有训练样本之间的距离，然后从这N*个最邻近的样本中找出与测试样本相关的类，图3形象地展示了该系统最邻近样本的选择方法，假设N*个最邻近样本拥有a21和a22这两个样本，虽然这些样本没有在N*个最邻近样本的选择之列，但是为了满足稀疏表示定义的基本假设，该系统也将它们视为最邻近的样本，仍然用来组成新的字典D，这就是该系统寻找超完备基的方法。
进一步的，所述步骤S13中核诱导的具体公式如下：
其中，y为测试样本，aij为训练样本，非线性函数表示将输入样本数据从原始空间映射到一个新的特征空间的函数，K(.)表示核函数，即某种沿径向对称的标量函数。
在众多的核函数中，由于高斯核函数比其他线性核函数有更好的分类性能，而且经过调节参数能适应不同的分布样本。因此选取高斯核作为本文的核函数。可以得到：
然后，利用找到的相关类来组成一个完备基D，采用l2范数协作性来求解稀疏系数。即通过公式来求解测试样本y的稀疏系数，其中E为一个单位矩阵，λ为一个常数，T为转置。
最后通过稀疏系数和字典集合D对测试样y进行重构，通过最小残差来确定测试样本应归属的类别。最小的残差所对应的类即为测试样本y应归属的类别。其中，D为所选的训练样本类组成的字典。为所求的稀疏系数。
下面详细说明第二系统具体的实施过程：
进一步的，所述步骤S21的具体内容如下：
假设训练样本为A＝[A1,A2,A3…Ac]，其中为第i类训练样本集合，1≤i≤c，i,c皆为正整数m为所有样本的列向量的统一维数；将所述训练样本都转化为列向量，y是一测试样本，为训练样本的总数；从训练样本集合A中轮流选出一个训练样本Yq作为第二系统的测试样本，q为正整数且1≤q≤M；剩下的M-1个训练样本作为第二系统的训练样本。这种方法类似于弃一交叉验证方法。对于图4的训练样本，第一轮，我们先把第1个训练样本作为测试样本，第2个到第M个训练样本组成为字典，然后用第一部分的系统进行分类。第二轮，我们把第2个训练样本作为测试样本，把第1个以及第3个到第M个训练样本组成为字典，然后用第一部分的系统进行分类。依次类推到第M轮结束。
对于一个固定的N值，N中包含有K类不同的训练样本，假设K类训练样本中有W个训练样本，然后定义函数eq,p为所选的W个最邻近训练样本中第p个训练样本ap对于测样本Yq的残差，即：
eq,p＝||Yq-ap||2(p＝1,2,…,W)
W个残差的总和记为S，即：
在第一系统中，我们知道当最近邻样本数N值不断增加时，W个eq,p的总和S会以一定的方式呈现增长趋势。而且当N取值过大时会使得第一部分系统包含了很多不相关类，对于最终的识别是不利的，当N取值过小时，又会使得第一部分的系统对复杂环境非常敏感，导致所选的最邻近样本忽略了测试样本所在的类的训练样本。基于这个思想，在识别的过程中，一旦yq被判断错误，我们就把eq,p的贡献值剔除掉。这样对于逐渐增长的N值，S的值所呈现的曲线不再是增长的趋势了，为了更突出曲线的变化性，我们定义步骤S22中残差曲线函数具体如下：
其中，H为M个测试样本中被正确归类的个数，为被正确归类的第qh个测试样本的第p个训练样本对于测试样本的残差。当N的取值使得整个算法正确率增加时，函数eN(N)的值会缓缓上升，当N的取值使得整个算法错误率增加时，函数eN(N)的值会发生突然变化，而不像正确率增加时的那种缓缓上升的情况。因此，我们将N值最佳预测值N*设定为函数eN(N)的最大突变处，即所述步骤S23中最佳预测值N*具体如下：
其中，ΔN表示所设定的N值的间隔距离，Nmin表示N取得最小值，Nmax表示N取得的最大值，则[Nmin,Nmax]表示N的取值范围。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (3)
1.一种协作稀疏表示自适应的快速人脸识别方法，其特征在于包括以下步骤：
步骤S1：设计一个不违反稀疏表示定义基本假设的局部稀疏表示分类器系统，记为第一系统，包括以下步骤：
步骤S11：读入训练样本和测试样本的图像；
步骤S12：对所述训练样本和测试样本进行初始化，使用双线性内插值将所述训练样本和测试样本缩放成固定尺寸的图像并整合成列向量，对所述列向量进行归一化处理；
步骤S13：利用核诱导找出与所述测试样本最邻近的N*个训练样本，其中N*为最佳预测值，由第二系统求得；
步骤S14：从N个训练样本中挑出与所述测试样本相关的训练样本类来组成完备基；
步骤S15：采用l2范数协作性求解稀疏系数并通过残差预测所述测试样本的类别；
步骤S2：在步骤S1的基础上设计一个能根据不同的训练样本库寻找到所述最佳预测值N*的系统，记为第二系统，包括以下步骤：
步骤S21：从第一系统的训练样本的集合中轮流选出一个训练样本作为第二系统的测试样本，剩余的训练样本作为第二系统的训练样本；
步骤S22：设定若干N值为自变量，得到一个以N值为自变量的残差曲线函数，其中N为正整数；所述残差曲线函数具体如下：
其中，W为所选的最邻近训练样本的个数，H为M个测试样本中被正确归类的个数，eqh,p为被正确归类的第qh个测试样本的第p个训练样本对于测试样本的残差；
步骤S23：以所述残差曲线函数的最大突变处对应的N值作为最佳预测值N*；
所述最佳预测值N*具体如下：
其中，ΔN表示所设定的N值的间隔距离，Nmin表示N取的最小值，Nmax表示N取的最大值，则[Nmin,Nmax]表示N的取值范围。
2.根据权利要求1所述的协作稀疏表示自适应的快速人脸识别方法，其特征在于：所述步骤S13中核诱导的公式如下：
其中，y为测试样本，aij为训练样本，非线性函数表示将输入样本数据从原始空间映射到一个新的特征空间的函数，K(.)表示核函数，即某种沿径向对称的标量函数。
3.根据权利要求1所述的协作稀疏表示自适应的快速人脸识别方法，其特征在于：所述步骤S21的具体内容如下：
假设训练样本为A＝[A1,A2,A3···Ac]，其中为第i类训练样本集合，1≤i≤c，i,c皆为正整数，m为所有样本的列向量的统一维数；将所述训练样本都转化为列向量，y是一测试样本，为训练样本的总数；从训练样本集合A中轮流选出一个训练样本Yq作为第二系统的测试样本，q为正整数且1≤q≤M；剩下的M-1个训练样本作为第二系统的训练样本。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610222169.0A CN105825205B (zh) | 2016-04-11 | 2016-04-11 | 一种协作稀疏表示自适应的快速人脸识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610222169.0A CN105825205B (zh) | 2016-04-11 | 2016-04-11 | 一种协作稀疏表示自适应的快速人脸识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105825205A CN105825205A (zh) | 2016-08-03 |
| CN105825205B true CN105825205B (zh) | 2019-04-02 |
Family
ID=56525805
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610222169.0A Expired - Fee Related CN105825205B (zh) | 2016-04-11 | 2016-04-11 | 一种协作稀疏表示自适应的快速人脸识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105825205B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109238972B (zh) * | 2018-06-22 | 2021-04-30 | 杭州电子科技大学 | 一种全光谱信号解混方法 |
| CN109840567B (zh) * | 2018-11-16 | 2021-12-17 | 中电科新型智慧城市研究院有限公司 | 一种基于最优协同表示的稳健判别特征提取方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101667246A (zh) * | 2009-09-25 | 2010-03-10 | 西安电子科技大学 | 基于核稀疏表示的人脸识别方法 |
| CN104166860A (zh) * | 2014-07-25 | 2014-11-26 | 哈尔滨工业大学深圳研究生院 | 基于约束的面向单个测试样本的人脸识别方法 |
| CN104281835A (zh) * | 2014-09-04 | 2015-01-14 | 台州学院 | 基于局部敏感的核稀疏表示的人脸识别方法 |
-
2016
- 2016-04-11 CN CN201610222169.0A patent/CN105825205B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101667246A (zh) * | 2009-09-25 | 2010-03-10 | 西安电子科技大学 | 基于核稀疏表示的人脸识别方法 |
| CN104166860A (zh) * | 2014-07-25 | 2014-11-26 | 哈尔滨工业大学深圳研究生院 | 基于约束的面向单个测试样本的人脸识别方法 |
| CN104281835A (zh) * | 2014-09-04 | 2015-01-14 | 台州学院 | 基于局部敏感的核稀疏表示的人脸识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| A simple and fast representation-based face recognition method;Yong Xu等;《Neural Comput & Applic》;20131231;第1543-1549页 |
| A Two-Phase Test Sample Sparse Representation Method for Use With Face Recognition;Yong Xu等;《IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY》;20110930;第21卷(第9期);第1255-1262页 |
| 一种快速的基于稀疏表示分类器;陈才扣等;《南京大学学报》;20120131;第48卷(第1期);第70-76页 |
| 改进的两阶段协作稀疏表示分类器;黄少煌等;《南阳理工学院学报》;20160331;第8卷(第2期);第38-43页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105825205A (zh) | 2016-08-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Imani et al. | Hierarchical hyperdimensional computing for energy efficient classification | |
| WO2021143396A1 (zh) | 利用文本分类模型进行分类预测的方法及装置 | |
| Chen et al. | Model Metric Co-Learning for Time Series Classification. | |
| CN106203483B (zh) | 一种基于语义相关多模态映射方法的零样本图像分类方法 | |
| CN109784405B (zh) | 基于伪标签学习和语义一致性的跨模态检索方法及系统 | |
| CN113326378B (zh) | 一种基于参数迁移和注意力共享机制的跨领域文本情感分类方法 | |
| CN110659378A (zh) | 基于对比相似性损失函数的细粒度图像检索方法 | |
| WO2013159356A1 (zh) | 基于判别相关分析的跨媒体检索方法 | |
| CN110364264A (zh) | 基于子空间学习的医疗数据集特征降维方法 | |
| CN105825205B (zh) | 一种协作稀疏表示自适应的快速人脸识别方法 | |
| CN110188864B (zh) | 基于分布表示和分布度量的小样本学习方法 | |
| Zhang et al. | Application of improved virtual sample and sparse representation in face recognition | |
| JPWO2020095357A1 (ja) | 検索ニーズ評価装置、検索ニーズ評価システム、及び検索ニーズ評価方法 | |
| CN117078956A (zh) | 一种基于点云多尺度并行特征提取和注意力机制的点云分类分割网络 | |
| Liu et al. | A weight-incorporated similarity-based clustering ensemble method | |
| Liu et al. | Iris double recognition based on modified evolutionary neural network | |
| CN110287973A (zh) | 一种基于低秩鲁棒线性鉴别分析的图像特征提取方法 | |
| CN111581467B (zh) | 基于子空间表示和全局消歧方法的偏标记学习方法 | |
| CN114037931A (zh) | 一种自适应权重的多视图判别方法 | |
| Wang et al. | Importance sampling based discriminative learning for large scale offline handwritten Chinese character recognition | |
| JP2012174083A (ja) | プログラム及び情報処理システム | |
| Wang et al. | Enhancing robustness of classifiers based on pca | |
| Juan | Recognition Algorithm of Popular Elements of Ethnic Minority Traditional Clothing Based on PCA | |
| Gao et al. | A Novel Semi‐Supervised Learning Method Based on Fast Search and Density Peaks | |
| Moeinzadeh et al. | Combination of harmony search and linear discriminate analysis to improve classification |
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 |
Granted publication date: 20190402 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |