CN108108687A - 一种手写体数字图像聚类方法、系统及设备 - Google Patents
一种手写体数字图像聚类方法、系统及设备 Download PDFInfo
- Publication number
- CN108108687A CN108108687A CN201711365229.5A CN201711365229A CN108108687A CN 108108687 A CN108108687 A CN 108108687A CN 201711365229 A CN201711365229 A CN 201711365229A CN 108108687 A CN108108687 A CN 108108687A
- Authority
- CN
- China
- Prior art keywords
- sample data
- anchor point
- digital image
- handwriting digital
- sample
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/32—Digital ink
- G06V30/36—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Abstract
本申请公开了一种手写体数字图像聚类方法、系统及设备,该方法包括:获取手写体数字图像对应的样本数据集;利用聚类算法从所述样本数据集中确定出m个聚类中心作为锚点;利用所述锚点确定所述样本数据集中不同样本数据之间的相似性矩阵;对所述相似性矩阵进行特征分解,以得到低维嵌入;利用聚类算法对所述低维嵌入进行聚类,以得到每个样本数据对应的聚类类别标签;结合所述聚类类别标签以及集成学习算法,确定出每个样本数据的最终分类结果。本申请有效地提升了手写体数字图像的分类准确率。
Description
技术领域
本发明涉及分类技术领域,特别涉及一种手写体数字图像聚类方法、系统及设备。
背景技术
当前,在一些特定的场合下需要对人们的手写体数字进行识别分类。常规的做法是通过人工识别分类的方式来对手写体数字进行分类,以确定出手写体数字的书写者。然而,由于这种人工分类方式的效率较低,需要花费较多的时间,因此人们开始借助计算机程序算法来对手写体数字进行分类,主要是先采集手写体数字的图像,然后利用程序算法对手写体数字图像进行分类,这样有利于提升分类速度。
然而,现有用于对手写体数字图像进行分类的算法的分类准确率还比较低,有待进一步的提升。
发明内容
有鉴于此,本发明的目的在于提供一种手写体数字图像聚类方法、系统及设备,能够有效提升手写体数字图像的分类准确率。其具体方案如下:
第一方面,本发明公开了一种手写体数字图像聚类方法,包括:
获取手写体数字图像对应的样本数据集;
利用聚类算法从所述样本数据集中确定出m个聚类中心作为锚点,得到m个锚点;其中,m为正整数;
利用所述锚点确定所述样本数据集中不同样本数据之间的相似性矩阵;
对所述相似性矩阵进行特征分解,以得到低维嵌入;
利用聚类算法对所述低维嵌入进行聚类,以得到每个样本数据对应的聚类类别标签;
结合所述聚类类别标签以及集成学习算法,确定出每个样本数据的最终分类结果。
可选的,所述利用聚类算法从所述样本数据集中确定出m个聚类中心作为锚点的步骤,包括:
利用k-means算法从所述样本数据集中确定出m个聚类中心作为锚点。
可选的,所述利用所述锚点确定所述样本数据集中不同样本数据之间的相似性矩阵的步骤,包括:
计算样本数据与锚点之间的欧氏距离;
利用样本数据与锚点之间的欧氏距离,确定样本数据与锚点之间的相似性矩阵;
利用样本数据与锚点之间的相似性矩阵,确定所述样本数据集中不同样本数据之间的相似性矩阵。
可选的,所述利用聚类算法对所述低维嵌入进行聚类的步骤,包括:
利用k-means算法对所述低维嵌入进行聚类。
可选的,所述结合所述聚类类别标签以及集成学习算法,确定出每个样本数据的最终分类结果的步骤之前,还包括:
对所述聚类类别标签进行修正。
可选的,所述对所述聚类类别标签进行修正的步骤,包括:
利用bestMap算法对所述聚类类别标签进行修正。
第二方面,本发明公开了一种手写体数字图像聚类系统,包括:
数据获取模块,用于获取手写体数字图像对应的样本数据集;
锚点确定模块,用于利用聚类算法从所述样本数据集中确定出m个聚类中心作为锚点,得到m个锚点;其中,m为正整数;
矩阵确定模块,用于利用所述锚点确定所述样本数据集中不同样本数据之间的相似性矩阵;
特征分解模块,用于对所述相似性矩阵进行特征分解,以得到低维嵌入;
标签获取模块,用于利用聚类算法对所述低维嵌入进行聚类,以得到每个样本数据对应的聚类类别标签;
样本分类模块,用于结合所述聚类类别标签以及集成学习算法,确定出每个样本数据的最终分类结果。
可选的,所述锚点确定模块,具体用于利用k-means算法从所述样本数据集中确定出m个聚类中心作为锚点。
可选的,所述矩阵确定模块,包括:
距离计算单元,用于计算样本数据与锚点之间的欧氏距离;
第一矩阵确定单元,用于利用样本数据与锚点之间的欧氏距离,确定样本数据与锚点之间的相似性矩阵;
第二矩阵确定单元,用于利用样本数据与锚点之间的相似性矩阵,确定所述样本数据集中不同样本数据之间的相似性矩阵。
第三方面,本发明公开了一种手写体数字图像聚类设备,包括处理器和存储器;其中,所述处理器执行所述存储器中保存的计算机程序代码时实现前述的手写体数字图像聚类方法。
可见,本发明一方面,在获取到样本数据集之后,先利用聚类算法确定出多个聚类中心作为锚点,由于本发明是以符合聚类算法的算法特点的原则来创建锚点的,这样可以使得创建得到的锚点具有非常显著的代表性,有利于保证后续的分类准确性;另一方面,本发明为了降低运算量,在得到相似性矩阵之后进行了特征分解,从而降低了数据维度,为了提升降维后的分类准确率,本发明最终选择集成学习算法来确定每个样本数据的最终分类结果,通过上述集成学习算法可以有效地提升降维后的分类准确率。由上可知,本发明有效地提升了手写体数字图像的分类准确率。
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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例公开的一种手写体数字图像聚类方法流程图;
图2为本发明实施例公开的一种手写体数字图像聚类方法子流程图;
图3为USPS数据集中的部分图像;
图4为本发明实施例公开的一种手写体数字图像聚类系统结构示意图。
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。
本发明实施例公开了一种手写体数字图像聚类方法,包括:
步骤S11:获取手写体数字图像对应的样本数据集。
步骤S12:利用聚类算法从所述样本数据集中确定出m个聚类中心作为锚点,得到m个锚点;其中,m为正整数。
其中,所述利用聚类算法从所述样本数据集中确定出m个聚类中心作为锚点的步骤,具体可以包括:
利用k-means算法(即K-均值算法)从所述样本数据集中确定出m个聚类中心作为锚点。
步骤S13:利用所述锚点确定所述样本数据集中不同样本数据之间的相似性矩阵。
参见图2所示,所述利用所述锚点确定所述样本数据集中不同样本数据之间的相似性矩阵的步骤,具体可以包括:
步骤S131:计算样本数据与锚点之间的欧氏距离;
步骤S132:利用样本数据与锚点之间的欧氏距离,确定样本数据与锚点之间的相似性矩阵;
步骤S133:利用样本数据与锚点之间的相似性矩阵,确定所述样本数据集中不同样本数据之间的相似性矩阵。
步骤S14:对所述相似性矩阵进行特征分解,以得到低维嵌入。
步骤S15:利用聚类算法对所述低维嵌入进行聚类,以得到每个样本数据对应的聚类类别标签。
本实施例中,所述利用聚类算法对所述低维嵌入进行聚类的步骤,具体可以包括:利用k-means算法对所述低维嵌入进行聚类。
步骤S16:结合所述聚类类别标签以及集成学习算法,确定出每个样本数据的最终分类结果。
考虑到k-means算法得到的聚类结果的标签是杂乱无序的,所以本实施例可以在所述结合所述聚类类别标签以及集成学习算法,确定出每个样本数据的最终分类结果的步骤之前,还进一步包括:对所述聚类类别标签进行修正。
本实施例中,所述对所述聚类类别标签进行修正的步骤,具体可以包括:利用bestMap算法对所述聚类类别标签进行修正。
可见,本发明实施例中,一方面在获取到样本数据集之后,先利用聚类算法确定出多个聚类中心作为锚点,由于本发明是以符合聚类算法的算法特点的原则来创建锚点的,这样可以使得创建得到的锚点具有非常显著的代表性,有利于保证后续的分类准确性;另一方面,本发明实施例为了降低运算量,在得到相似性矩阵之后进行了特征分解,从而降低了数据维度,为了提升降维后的分类准确率,本发明最终选择集成学习算法来确定每个样本数据的最终分类结果,通过上述集成学习算法可以有效地提升降维后的分类准确率。由上可知,本发明实施例有效地提升了手写体数字图像的分类准确率。
在前述实施例的基础上,本发明实施例公开了一种更加具体的手写体数字图像聚类方法,其具体实施过程如下:
本发明在手写体数字数据集USPS上进行了测试,目的是将手写体数字图像进行分类,图3中示出了USPS数据集中的部分图像。具体的实施步骤如下:
1、输入样本数据矩阵X={x1,...,xn},其中n和d分别代表样本数目和样本维度。在实施例中,n=9298,d=256。
2、设定锚点m的个数,使用k-means聚类方法从样本数据集中生成m个中心作为锚点。在实施例中,m取值为样本点数的20%,m=1860。
3、构造样本数据间的相似性矩阵:
1)表示m个锚点集合,其中表示第i个锚点。计算每一个样本点到每一个锚点之间的欧氏距离平方,即
2)计算样本数据到锚点的相似性矩阵
其中zij表示第i个样本点和第j个锚点之间的相似度。
3)计算样本数据间的相似性矩阵A:
A=ZΔ-1ZT
其中是对角矩阵,即矩阵Δ对角元素的值为矩阵Z对应列元素之和。此时,矩阵A是对称、半正定、双随机的。
4、构造低维嵌入Y:
为了让矩阵A满足秩为目标维度p的条件,对相似矩阵A进行特征分解,令A*=FpΛpFp T,其中Λp为矩阵A的前p个最大特征值组成的对角矩阵,Fp为前p个最大特征值对应的特征向量,令低维嵌入Y=Fp。在实施例中,p取值为数据集USPS实施例的类别数,p=10。
5、采用k-means方法对低维嵌入Y进行聚类以获得聚类结果,为每一个样本点产生一个对应的标签类别数c(xj),j=1,...,n。
6、生成T组个体学习器,获得T组聚类标签ci(xj)(i=1,...,T,j=1,…,n)。由于k-means方法得出的聚类结果的标签是杂乱无序的,本发明使用bestMap方法对聚类结果进行修正,得到修正之后的聚类标签cci(xj)=bestMap(rand_c,ci(xj)),其中rand_c为从T组聚类标签中随机选择出来的一个参考聚类结果,目的是配准T组聚类标签。在实施例中T=7。
7、根据集成学习的结合策略,对每一个低维样本点的T次分类结果进行统计,选择出现频率最高的分类类别数为该样本点的最终分类结果。集成算法结合策略如下:
其中,L为样本数据的标签集合,l∈L且cc(yi)∈L。函数I(·)为指示函数,在“·”为真时,取值为1,在“·”为假时,取值为0。图像xj的聚类结果为finalC(xj)。
8、输出图像分类结果。
为了验证本发明实施例中所采用的分类方法的有效性,接下来将通过实验来比对本发明所采取的分类方法、对样本数据集直接聚类的k-means方法、主成分分析(简写为PCA)、近邻保持嵌入(简写为NPE)、局部保持投影(简写为LPP)、谱回归(简写为SR)以及无监督大规模数据图嵌入(简写为ULGE)。实验通过分类识别率(ACC)和标准化互信息(NMI)来对图像分类结果进行衡量。
表一中展示了上述不同方法在USPS数据集上的10次试验的平均分类识别率ACC和平均标准化互信息NMI及其对应的标准差。从表格可知,和其他方法相比,本发明明显优于其他方法,对手写体数字图像有着更高的分类能力。
表一
对比方法 | ACC | NMI |
Kmeans | 65.5±0.71 | 59.9±0.12 |
PCA | 65.7±0.63 | 61.1±0.21 |
NPE | 65.8±0.86 | 61.8±0.28 |
LPP | 65.7±1.10 | 63.4±0.65 |
SR | 65.7±1.67 | 70.7±0.56 |
ULGE | 63.3±2.97 | 68.6±0.97 |
本发明 | 76.4±9.10 | 80.3±4.01 |
相应的,本发明实施例还公开了一种手写体数字图像聚类系统,参见图4所示,该系统包括:
数据获取模块11,用于获取手写体数字图像对应的样本数据集;
锚点确定模块12,用于利用聚类算法从所述样本数据集中确定出m个聚类中心作为锚点,得到m个锚点;其中,m为正整数;
矩阵确定模块13,用于利用所述锚点确定所述样本数据集中不同样本数据之间的相似性矩阵;
特征分解模块14,用于对所述相似性矩阵进行特征分解,以得到低维嵌入;
标签获取模块15,用于利用聚类算法对所述低维嵌入进行聚类,以得到每个样本数据对应的聚类类别标签;
样本分类模块16,用于结合所述聚类类别标签以及集成学习算法,确定出每个样本数据的最终分类结果。
其中,所述锚点确定模块,具体用于利用k-means算法从所述样本数据集中确定出m个聚类中心作为锚点。
另外,所述矩阵确定模块,具体可以包括距离计算单元、第一矩阵确定单元和第二矩阵确定单元;其中,
距离计算单元,用于计算样本数据与锚点之间的欧氏距离;
第一矩阵确定单元,用于利用样本数据与锚点之间的欧氏距离,确定样本数据与锚点之间的相似性矩阵;
第二矩阵确定单元,用于利用样本数据与锚点之间的相似性矩阵,确定所述样本数据集中不同样本数据之间的相似性矩阵。
关于上述各个模块和单元更加具体的工作过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
进一步的,本发明还公开了一种手写体数字图像聚类设备,包括处理器和存储器;其中,所述处理器执行所述存储器中保存的计算机程序代码时实现前述公开的手写体数字图像聚类方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容,在此不再进行赘述。
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它实施例的不同之处,各个实施例之间相同或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。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种手写体数字图像聚类方法、系统及设备进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种手写体数字图像聚类方法,其特征在于,包括:
获取手写体数字图像对应的样本数据集;
利用聚类算法从所述样本数据集中确定出m个聚类中心作为锚点,得到m个锚点;其中,m为正整数;
利用所述锚点确定所述样本数据集中不同样本数据之间的相似性矩阵;
对所述相似性矩阵进行特征分解,以得到低维嵌入;
利用聚类算法对所述低维嵌入进行聚类,以得到每个样本数据对应的聚类类别标签;
结合所述聚类类别标签以及集成学习算法,确定出每个样本数据的最终分类结果。
2.根据权利要求1所述的手写体数字图像聚类方法,其特征在于,所述利用聚类算法从所述样本数据集中确定出m个聚类中心作为锚点的步骤,包括:
利用k-means算法从所述样本数据集中确定出m个聚类中心作为锚点。
3.根据权利要求1所述的手写体数字图像聚类方法,其特征在于,所述利用所述锚点确定所述样本数据集中不同样本数据之间的相似性矩阵的步骤,包括:
计算样本数据与锚点之间的欧氏距离;
利用样本数据与锚点之间的欧氏距离,确定样本数据与锚点之间的相似性矩阵;
利用样本数据与锚点之间的相似性矩阵,确定所述样本数据集中不同样本数据之间的相似性矩阵。
4.根据权利要求1所述的手写体数字图像聚类方法,其特征在于,所述利用聚类算法对所述低维嵌入进行聚类的步骤,包括:
利用k-means算法对所述低维嵌入进行聚类。
5.根据权利要求1至4任一项所述的手写体数字图像聚类方法,其特征在于,所述结合所述聚类类别标签以及集成学习算法,确定出每个样本数据的最终分类结果的步骤之前,还包括:
对所述聚类类别标签进行修正。
6.根据权利要求5所述的手写体数字图像聚类方法,其特征在于,所述对所述聚类类别标签进行修正的步骤,包括:
利用bestMap算法对所述聚类类别标签进行修正。
7.一种手写体数字图像聚类系统,其特征在于,包括:
数据获取模块,用于获取手写体数字图像对应的样本数据集;
锚点确定模块,用于利用聚类算法从所述样本数据集中确定出m个聚类中心作为锚点,得到m个锚点;其中,m为正整数;
矩阵确定模块,用于利用所述锚点确定所述样本数据集中不同样本数据之间的相似性矩阵;
特征分解模块,用于对所述相似性矩阵进行特征分解,以得到低维嵌入;
标签获取模块,用于利用聚类算法对所述低维嵌入进行聚类,以得到每个样本数据对应的聚类类别标签;
样本分类模块,用于结合所述聚类类别标签以及集成学习算法,确定出每个样本数据的最终分类结果。
8.根据权利要求7所述的手写体数字图像聚类系统,其特征在于,
所述锚点确定模块,具体用于利用k-means算法从所述样本数据集中确定出m个聚类中心作为锚点。
9.根据权利要求7或8所述的手写体数字图像聚类系统,其特征在于,所述矩阵确定模块,包括:
距离计算单元,用于计算样本数据与锚点之间的欧氏距离;
第一矩阵确定单元,用于利用样本数据与锚点之间的欧氏距离,确定样本数据与锚点之间的相似性矩阵;
第二矩阵确定单元,用于利用样本数据与锚点之间的相似性矩阵,确定所述样本数据集中不同样本数据之间的相似性矩阵。
10.一种手写体数字图像聚类设备,其特征在于,包括处理器和存储器;其中,所述处理器执行所述存储器中保存的计算机程序代码时实现如权利要求1至6任一项所述的手写体数字图像聚类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711365229.5A CN108108687A (zh) | 2017-12-18 | 2017-12-18 | 一种手写体数字图像聚类方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711365229.5A CN108108687A (zh) | 2017-12-18 | 2017-12-18 | 一种手写体数字图像聚类方法、系统及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108108687A true CN108108687A (zh) | 2018-06-01 |
Family
ID=62209769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711365229.5A Pending CN108108687A (zh) | 2017-12-18 | 2017-12-18 | 一种手写体数字图像聚类方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108108687A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447098A (zh) * | 2018-08-27 | 2019-03-08 | 西北大学 | 一种基于深度语义嵌入的图像聚类算法 |
CN112712115A (zh) * | 2020-12-29 | 2021-04-27 | 山西大学 | 一种网络用户群体划分方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105975996A (zh) * | 2016-06-16 | 2016-09-28 | 哈尔滨工程大学 | 一种基于k均值和奈斯特龙逼近的图像分割方法 |
CN106096066A (zh) * | 2016-08-17 | 2016-11-09 | 盐城工学院 | 基于随机近邻嵌入的文本聚类方法 |
-
2017
- 2017-12-18 CN CN201711365229.5A patent/CN108108687A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105975996A (zh) * | 2016-06-16 | 2016-09-28 | 哈尔滨工程大学 | 一种基于k均值和奈斯特龙逼近的图像分割方法 |
CN106096066A (zh) * | 2016-08-17 | 2016-11-09 | 盐城工学院 | 基于随机近邻嵌入的文本聚类方法 |
Non-Patent Citations (1)
Title |
---|
李素婧: "面向大规模高光谱数据的半监督地物分类方法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447098A (zh) * | 2018-08-27 | 2019-03-08 | 西北大学 | 一种基于深度语义嵌入的图像聚类算法 |
CN112712115A (zh) * | 2020-12-29 | 2021-04-27 | 山西大学 | 一种网络用户群体划分方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shen et al. | Multi-crop convolutional neural networks for lung nodule malignancy suspiciousness classification | |
Jiang et al. | DeepFood: food image analysis and dietary assessment via deep model | |
Li et al. | SHREC’14 track: Extended large scale sketch-based 3D shape retrieval | |
CN105488536B (zh) | 一种基于多特征深度学习技术的农田害虫图像识别方法 | |
US8533162B2 (en) | Method for detecting object | |
US8200025B2 (en) | Image classification and search | |
Wilson et al. | A testing based extraction algorithm for identifying significant communities in networks | |
CN107944020A (zh) | 人脸图像查找方法及装置、计算机装置和存储介质 | |
CN110188223A (zh) | 图像处理方法、装置及计算机设备 | |
CN105740912A (zh) | 基于核范数正则化的低秩图像特征提取的识别方法及系统 | |
Vajda et al. | Semi-automatic ground truth generation using unsupervised clustering and limited manual labeling: Application to handwritten character recognition | |
CN111046886A (zh) | 号码牌自动识别方法、装置、设备及计算机可读存储介质 | |
US20140025607A1 (en) | Confidence Based Vein Image Recognition and Authentication | |
CN109325507A (zh) | 一种结合超像素显著性特征与hog特征的图像分类算法和系统 | |
CN108629373A (zh) | 一种图像分类方法、系统、设备及计算机可读存储介质 | |
Perina et al. | Image analysis by counting on a grid | |
Wang et al. | Neutrophils identification by deep learning and voronoi diagram of clusters | |
Ponomarev et al. | Classification of ANA HEp-2 slide images using morphological features of stained patterns | |
CN111651624A (zh) | 一种图像检索方法及装置 | |
CN108108687A (zh) | 一种手写体数字图像聚类方法、系统及设备 | |
Lu et al. | Enhanced hierarchical model of object recognition based on a novel patch selection method in salient regions | |
CN110321350A (zh) | 一种基于数据修复和主动学习验证的生存认证方法及系统 | |
CN110010204A (zh) | 基于融合网络和多打分策略的预后生物标志物识别方法 | |
CN116612307A (zh) | 一种基于迁移学习的茄科病害等级识别方法 | |
Zhang et al. | Aggregated deep global feature representation for breast cancer histopathology image classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180601 |