CN108228823A - 一种高维图像数据降维的二值编码方法及系统 - Google Patents
一种高维图像数据降维的二值编码方法及系统 Download PDFInfo
- Publication number
- CN108228823A CN108228823A CN201711498106.9A CN201711498106A CN108228823A CN 108228823 A CN108228823 A CN 108228823A CN 201711498106 A CN201711498106 A CN 201711498106A CN 108228823 A CN108228823 A CN 108228823A
- Authority
- CN
- China
- Prior art keywords
- dimensionality reduction
- matrix
- vector
- differential characteristics
- binary
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Facsimile Image Signal Circuits (AREA)
- Image Processing (AREA)
Abstract
本发明公开的高维图像数据降维的二值编码方法及编码系统,可以实现高维数据在任意维度空间上的向量表示,并且向量维0‑1二值向量,能够减少图像数据存储的要求以及加速图像数据检索、模式识别等领域的效率,且降维之后的数据信息与原数据信息极小,因此具有很高的实用价值。
Description
技术领域
本发明属于计算机视觉领域,具体为高维图像数据处理领域。
背景技术
图像是客观对象的一种相似性、生动性的描述或写真,是人类社会生活中最常用的信息载体。或者说图像是客观对象的一种表示,它包含了被描述对象的有关信息。它是人们最主要的信息源。据统计,一个人获取的信息大约有75%来自视觉。随着成像技术的发展,人们能够获得的图像分辨率越来越高,同时随着互联网络技术的发展,数据结构更加多样化,呈现爆炸性增长的图像数据正在充斥整个网络,海量高维度的图像数据一方面使人难以理解数据之间的关系,另一方面使得图像的存储、传输、检索变得更加困难。
作为一类普遍存在的规律,在大多数情况下我们观察到的图像信息,表面上看是高维的、复杂的,实际上可以用很少简答的变量来支配。在原始的高维空间中,包含有冗余信息以及噪音信息,在实际应用例如图像识别中造成了误差,降低了准确率。图像数据意义在于有效信息的提取综合及无用信息的摈弃。在很多情形下,将高维图像数据映射到一个合理的大小的低维度空间,并且低维数据用二值数据来表示,然后将低维二值数据送入到处理系统中,不仅仅可以降低计算机内存的需求,而且可以提高数据的处理效率,因此一种高维图像数据的二值化降维编码方法在图像检索、模式识别等领域具有非常重要的价值。
目前来说,图像数据的降维方法主要有两类:
(1)通过输入图像数据的二阶统计特性来发现数据的线性结构,其基本思想是最小二乘的准则下寻找最优线性投影的线性模型,保留数据中方差较大的方向,丢弃数据张方差较小的方向,减少有效数据表示所需要的特征维数;
(2)对高维图像数据集中的每个数据点,通过k邻近算法构建高维图像数据的带权领域图,计算领域图中任意数据对之间的最短路径,然后利用多维尺度变换算法对原数据集进行降维。
第一类方法算法简单,具有线性误差等优点,但存储空间大,计算复杂度高。第二类方法具有拓扑不稳定姓,容易受到噪声的影响。综合来说,现有的方法计算复杂度高,并且得到的降维数据为实值数据,非常不利于数据检索。
发明内容
因此本发明旨在提出一种新的高维图像数据降维方法及系统,主要解决的如下的问题:
(1)该方法可以实现任意维度的数据降维;
(2)降维之后的数据信息与原数据信息偏差不大;
(3)降维之后的数据信息为二值化数据。
本发明具体方案如下:
一种高维图像数据降维的二值编码方法,所述方法包括如下步骤:
1)邻域选取,对训练集中的每一副图像l中的每一个像素点Iij,取其8个邻域即:
2)差分特征构造,以Iij为中心,对其8个邻域进行旋转得到8维差分特征向量x,向量x中的每一个元素为8个邻域元素与中心元素的差;以图像为单位,将像素的差分特征拉成一个向量,维度为d维;
3)主成分分析降维,对差分矩阵进行降维计算,获得降维特征矩阵;
4)最优旋转,对降维特征进行最优旋转,并用阈值进行二值化。
其中,步骤2)差分特征构造具体为:
以Iij为中心,对其8个邻域由左上角顺时针旋转得到8维差分特征向量x,向量x中的每一个元素为8个邻域元素与中心元素的差,即
x=(Ii-1,j-1-Iij,Ii-1,j-Iij,I1-1,j+1-Iij,Ii,j+1-Iij,Ii+1,j+1-Iij,I1+1,j-Iij,Ii+1,j-1-Iij,Ii,j-1-Iij)T;
以图像为单位,将像素的差分特征拉成一个向量,维度为d维。
其中,步骤3)主成分分析降维具体包括:
301)令X=(x1,x2,…,xn)∈Rd×n为差分矩阵,每一列xi∈Rd为第i副图像的差分特征;
302)差分特征中心化,计算均值矩阵第i元素均为X的第i元素的均值,即计算
303):构造降维映射矩阵,对矩阵XXT进行特征值分解,取前K个最大的特征值对应的K个特征向量wk组成降维矩阵W=(w1,w2,…,wK)∈Rd×k;
304)映射差分特征为低维特征,计算V=WTX得到降维特征矩阵。
其中,步骤4)最优旋转具体包括:
401)旋转阈值化特征,设Max l ter=100,l ter=1,初始化旋转矩阵为单位矩阵RK×K;
402)阈值二值化,计算B=sgn(RV),即对RV中的每一个元素(RV)ij
403)构造旋转矩阵,计算Q=BVT的SVD分解Q=UΔPT,令R=UPT,lter=lter+1;
若lter<Maxlter,则进入步骤402),否则进入步骤404);
404)0-1二值化,计算B=sgn(RV),将B中值为-1的元素赋值为0,完成二值化。
另外,本发明还公开了一种高维图像数据降维的二值编码系统,所述系统包括以下模块:
邻域选取模块,用于对训练集中的每一副图像I中的每一个像素点Iij,取其8个邻域即:
差分特征构造模块,以Iij为中心,对其8个邻域进行旋转得到8维差分特征向量x,向量x中的每一个元素为8个邻域元素与中心元素的差;以图像为单位,将像素的差分特征拉成一个向量,维度为d维;
主成分分析降维模块,对差分矩阵进行降维计算,获得降维特征矩阵;
最优旋转模块,对降维特征进行最优旋转,并用阈值进行二值化。
其中,所述差分特征构造模块功能在获得8维差分特征向量x时对其8个邻域由左上角顺时针旋转;
向量x中的每一个元素为8个邻域元素与中心元素的差,即
x=(Ii-1,j-1-Iij,Ii-1,j-Iij,Ii-1,j+1-Iij,Ii,j+1-Iij,Ii+1,j+1-Iij,Ii+1,j-Iij,Ii+1,j-1-Iij,Ii,j-1-Iij)T。
其中,所述主成分分析降维模块具体执行以下步骤:
301)令X=(x1,x2,…,xn)∈Rd×n为差分矩阵,每一列xi∈Rd为第i副图像的差分特征;
302)差分特征中心化,计算均值矩阵第i元素均为X的第i元素的均值,即计算
303):构造降维映射矩阵,对矩阵XXT进行特征值分解,取前K个最大的特征值对应的K个特征向量wk组成降维矩阵W=(w1,w2,…,wK)∈Rd×k;
304)映射差分特征为低维特征,计算V=WTX得到降维特征矩阵。
其中,所述最优旋转模块具体执行以下步骤:
401)旋转阈值化特征,设Maxlter=100,Iter=1,初始化旋转矩阵为单位矩阵RK ×K;
402)阈值二值化,计算B=sgn(RV),即对RV中的每一个元素(RV)ij
403)构造旋转矩阵,计算Q=BVT的SVD分解Q=UΔPT,令R=UPT,lter=lter+1;
若lter<Maxlter,则进入步骤402),否则进入步骤404);
404)0-1二值化,计算B=sgn(RV),将B中值为-1的元素赋值为0,完成二值化。
本发明公开的高维图像数据降维的二值编码方法及编码系统,可以实现高维数据在任意维度空间上的向量表示,并且向量维0-1二值向量,能够减少图像数据存储的要求以及加速图像数据检索、模式识别等领域的效率,且降维之后的数据信息与原数据信息极小,因此具有很高的实用价值。
附图说明
图1为本发明公开的高维图像数据降维的二值编码方法流程图。
具体实施方式
下面结合附图及具体实施方式详细介绍本发明。
本发明未详细阐述部分属于本领域技术人员的公知技术。
图1为本发明公开的高维图像数据降维的二值编码方法流程图。如图所示,整个流程分为四部分,邻域选取、图像像素差分特征构造、主成分分析降维、以及最优旋转并用阈值对旋转特征进行二值化。
下面我们对每个流程的技术细节分别进行描述:
步骤1):邻域选取。
对训练集中的每一副图像I中的每一个像素点Iij,取其8个邻域即:
步骤2)差分特征构造。
以Iij为中心,对其8个邻域进行旋转得到8维差分特征向量x,向量x中的每一个元素为8个邻域元素与中心元素的差;以图像为单位,将像素的差分特征拉成一个向量,维度为d维;
在本发明一个实施例中,优选由左上角顺时针旋转得到8维差分特征向量x,
x=(Ii-1,j-1-Iij,Ii-1,j-Iij,Ii-1,j+1-Iij,Ii,j+1-Iij,Ii+1,j+1-Iij,Ii+1,j-Iij,Ii+1,j-1-Iij,Ii,j-1-Iij)T。
步骤3)主成分分析降维。
对差分矩阵进行降维计算,获得降维特征矩阵。
在一个实施例中,该步骤具体包括:
301)令X=(x1,x2,…,xn)∈Rd×n为差分矩阵,每一列xi∈Rd为第i副图像的差分特征;
302)差分特征中心化,计算均值矩阵第i元素均为X的第i元素的均值,即计算
303):构造降维映射矩阵,对矩阵XXT进行特征值分解,取前K个最大的特征值对应的K个特征向量wk组成降维矩阵W=(w1,w2,…,wK)∈Rd×k;
304)映射差分特征为低维特征,计算V=WTX得到降维特征矩阵。
步骤4)最优旋转。
对降维特征进行最优旋转,并用阈值进行二值化。
在一个实施例中,步骤4)最优旋转具体包括:
401)旋转阈值化特征,设Max lter=100,lter=1,初始化旋转矩阵为单位矩阵RK ×K;
402)阈值二值化,计算B=sgn(RV),即对RV中的每一个元素(RV)ij
403)构造旋转矩阵,计算Q=BVT的SVD分解Q=UΔPT,令R=UPT,lter=lter+1;
若lter<Maxlter,则进入步骤402),否则进入步骤404);
404)0-1二值化,计算B=sgn(RV),将B中值为-1的元素赋值为0,完成二值化。
另外,本发明还公开了一种高维图像数据降维的二值编码系统,所述系统包括以下模块:
邻域选取模块,用于对训练集中的每一副图像l中的每一个像素点Iij,取其8个邻域即:
差分特征构造模块,以Iij为中心,对其8个邻域进行旋转得到8维差分特征向量x,向量x中的每一个元素为8个邻域元素与中心元素的差;以图像为单位,将像素的差分特征拉成一个向量,维度为d维;
主成分分析降维模块,对差分矩阵进行降维计算,获得降维特征矩阵;
最优旋转模块,对降维特征进行最优旋转,并用阈值进行二值化。
其中,所述差分特征构造模块功能在获得8维差分特征向量x时对其8个邻域由左上角顺时针旋转;
向量x中的每一个元素为8个邻域元素与中心元素的差,即
x=(Ii-1,j-1-Iij,Ii-1,j-Iij,Ii-1,j+1-Iij,Ii,j+1-Iij,Ii+1,j+1-Iij,Ii+1,j-Iij,Ii+1,j-1-Iij,Ii,j-1-Iij)T。
其中,所述主成分分析降维模块具体执行以下步骤:
301)令X=(x1,x2,…,xn)∈Rd×n为差分矩阵,每一列xi∈Rd为第i副图像的差分特征;
302)差分特征中心化,计算均值矩阵第i元素均为X的第i元素的均值,即计算
303):构造降维映射矩阵,对矩阵XXT进行特征值分解,取前K个最大的特征值对应的K个特征向量wk组成降维矩阵W=(w1,w2,…,wK)∈Rd×k;
304)映射差分特征为低维特征,计算V=WTX得到降维特征矩阵。
其中,所述最优旋转模块具体执行以下步骤:
401)旋转阈值化特征,设Maxlter=100,lter=1,初始化旋转矩阵为单位矩阵RK ×K;
402)阈值二值化,计算B=sgn(RV),即对RV中的每一个元素(RV)ij
403)构造旋转矩阵,计算g=BVT的SVD分解Q=UΔPT,令R=UPT,lter=lter+1:
若lter<Maxlter,则进入步骤402),否则进入步骤404);
404)0-1二值化,计算B=sgn(RV),将B中值为-1的元素赋值为0,完成二值化。
本发明公开的高维图像数据降维的二值编码方法及系统,能够实现任意维度的数据降维,且降维数据信息为二值化数据,且能保持降维之后的数据信息与原数据信息偏差不大,能够在保证图像降维质量的同时提高图像处理效率及精准度,具有很高的实用性。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的人员都可以理解其原理,在不脱离本发明的原理的情况下可以对实施例进行多种变化、修改或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种高维图像数据降维的二值编码方法,所述方法包括如下步骤:
1)邻域选取,对训练集中的每一副图像I中的每一个像素点Iij,取其8个邻域即:
2)差分特征构造,以Iij为中心,对其8个邻域进行旋转得到8维差分特征向量x,向量x中的每一个元素为8个邻域元素与中心元素的差;以图像为单位,将像素的差分特征拉成一个向量,维度为d维;
3)主成分分析降维,对差分矩阵进行降维计算,获得降维特征矩阵;
4)最优旋转,对降维特征进行最优旋转,并用阈值进行二值化。
2.根据权利要求1所述的高维图像数据降维的二值编码方法,其特征在于,所述步骤2)差分特征构造具体为:
以Iij为中心,对其8个邻域由左上角顺时针旋转得到8维差分特征向量x,向量x中的每一个元素为8个邻域元素与中心元素的差,即
x=(Ii-1,j-1-Iij,Ii-1,j-Iij,Ii-1,j+1-Iij,Ii,j+1-Iij,Ii+1,j+1-Iij,Ii+1,j-Iij,Ii+1,j-1-Iij,Ii,j-1-Iij)T;
以图像为单位,将像素的差分特征拉成一个向量,维度为d维。
3.根据权利要求1所述的高维图像数据降维的二值编码方法,其特征在于,所述步骤3)主成分分析降维具体包括:
301)令X=(x1,x2,…,xn)∈Rd×n为差分矩阵,每一列xi∈Rd为第i副图像的差分特征;
302)差分特征中心化,计算均值矩阵第i元素均为X的第i元素的均值,即计算
303):构造降维映射矩阵,对矩阵XXT进行特征值分解,取前K个最大的特征值对应的K个特征向量wk组成降维矩阵W=(w1,w2,…,wK)∈Rd×k;
304)映射差分特征为低维特征,计算V=WTX得到降维特征矩阵。
4.根据权利要求3所述的高维图像数据降维的二值编码方法,其特征在于,所述步骤4)最优旋转具体包括:
401)旋转阈值化特征,设Maxlter=100,Iter=1,初始化旋转矩阵为单位矩阵RK×K;
402)阈值二值化,计算B=sgn(RV),即对RV中的每一个元素(RV)ij
403)构造旋转矩阵,计算Q=BVT的SVD分解Q=UΔPT,令R=UPT,Iter=Iter+1:
若Iter<Maxlter,则进入步骤402),否则进入步骤404);
404)0-1二值化,计算B=sgn(RV),将B中值为-1的元素赋值为0,完成二值化。
5.一种高维图像数据降维的二值编码系统,所述系统包括以下模块:
邻域选取模块,用于对训练集中的每一副图像I中的每一个像素点Iij,取其8个邻域即:
差分特征构造模块,以Iij为中心,对其8个邻域进行旋转得到8维差分特征向量x,向量x中的每一个元素为8个邻域元素与中心元素的差;以图像为单位,将像素的差分特征拉成一个向量,维度为d维;
主成分分析降维模块,对差分矩阵进行降维计算,获得降维特征矩阵;
最优旋转模块,对降维特征进行最优旋转,并用阈值进行二值化。
6.根据权利要求5所述的高维图像数据降维的二值编码系统,其特征在于,所述差分特征构造模块功能在获得8维差分特征向量x时对其8个邻域由左上角顺时针旋转;
向量x中的每一个元素为8个邻域元素与中心元素的差,即
x=(Ii-1,j-1-Iij,Ii-1,j-Iij,Ii-1,j+1-Iij,Ii,j+1-Iij,Ii+1,j+1-Iij,Ii+1,j-Iij,Ii+1,j-1-Iij,Ii,j-1-Iij)T。
7.根据权利要求6所述的高维图像数据降维的二值编码系统,其特征在于,所述主成分分析降维模块具体执行以下步骤:
301)令X=(x1,x2,…,xn)∈Rd×n为差分矩阵,每一列xi∈Rd为第i副图像的差分特征;
302)差分特征中心化,计算均值矩阵第i元素均为X的第i元素的均值,即计算
303):构造降维映射矩阵,对矩阵XXT进行特征值分解,取前K个最大的特征值对应的K个特征向量wk组成降维矩阵W=(w1,w2,…,wK)∈Rd×k;
304)映射差分特征为低维特征,计算V=WTX得到降维特征矩阵。
8.根据权利要求6所述的高维图像数据降维的二值编码系统,其特征在于,所述最优旋转模块具体执行以下步骤:
401)旋转阈值化特征,设Maxlter=100,Iter=1,初始化旋转矩阵为单位矩阵RK×K;
402)阈值二值化,计算B=sgn(RV),即对RV中的每一个元素(RV)ij
403)构造旋转矩阵,计算Q=BVT的SVD分解Q=UΔPT,令R=UPT,Iter=Iter+1;
若Iter<Maxlter,则进入步骤402),否则进入步骤404);
404)0-1二值化,计算B=sgn(RV),将B中值为-1的元素赋值为0,完成二值化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711498106.9A CN108228823A (zh) | 2017-12-29 | 2017-12-29 | 一种高维图像数据降维的二值编码方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711498106.9A CN108228823A (zh) | 2017-12-29 | 2017-12-29 | 一种高维图像数据降维的二值编码方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108228823A true CN108228823A (zh) | 2018-06-29 |
Family
ID=62644915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711498106.9A Pending CN108228823A (zh) | 2017-12-29 | 2017-12-29 | 一种高维图像数据降维的二值编码方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108228823A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109885578A (zh) * | 2019-03-12 | 2019-06-14 | 西北工业大学 | 数据处理方法、装置、设备及存储介质 |
CN111242230A (zh) * | 2020-01-17 | 2020-06-05 | 腾讯科技(深圳)有限公司 | 基于人工智能的图像处理方法及图像分类模型训练方法 |
CN115169499A (zh) * | 2022-08-03 | 2022-10-11 | 中国电子科技集团公司信息科学研究院 | 资产数据降维方法、装置、电子设备和计算机存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070053597A1 (en) * | 2005-09-08 | 2007-03-08 | Monro Donald M | Reduced dimension wavelet matching pursuits coding and decoding |
CN104573672A (zh) * | 2015-01-29 | 2015-04-29 | 厦门理工学院 | 一种基于邻域保持的鉴别嵌入人脸识别方法 |
CN104820696A (zh) * | 2015-04-29 | 2015-08-05 | 山东大学 | 一种基于多标签最小二乘哈希算法的大规模图像检索方法 |
KR20170053069A (ko) * | 2015-11-05 | 2017-05-15 | 수원대학교산학협력단 | 포즈 추정 기반 포즈변화에 강인한 얼굴 인식 방법 |
CN107256398A (zh) * | 2017-06-13 | 2017-10-17 | 河北工业大学 | 基于特征融合的奶牛个体识别方法 |
CN107463865A (zh) * | 2016-06-02 | 2017-12-12 | 北京陌上花科技有限公司 | 人脸检测模型训练方法、人脸检测方法及装置 |
-
2017
- 2017-12-29 CN CN201711498106.9A patent/CN108228823A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070053597A1 (en) * | 2005-09-08 | 2007-03-08 | Monro Donald M | Reduced dimension wavelet matching pursuits coding and decoding |
CN104573672A (zh) * | 2015-01-29 | 2015-04-29 | 厦门理工学院 | 一种基于邻域保持的鉴别嵌入人脸识别方法 |
CN104820696A (zh) * | 2015-04-29 | 2015-08-05 | 山东大学 | 一种基于多标签最小二乘哈希算法的大规模图像检索方法 |
KR20170053069A (ko) * | 2015-11-05 | 2017-05-15 | 수원대학교산학협력단 | 포즈 추정 기반 포즈변화에 강인한 얼굴 인식 방법 |
CN107463865A (zh) * | 2016-06-02 | 2017-12-12 | 北京陌上花科技有限公司 | 人脸检测模型训练方法、人脸检测方法及装置 |
CN107256398A (zh) * | 2017-06-13 | 2017-10-17 | 河北工业大学 | 基于特征融合的奶牛个体识别方法 |
Non-Patent Citations (1)
Title |
---|
朱秋双: "基于改进LBP的人脸识别算法研", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109885578A (zh) * | 2019-03-12 | 2019-06-14 | 西北工业大学 | 数据处理方法、装置、设备及存储介质 |
CN111242230A (zh) * | 2020-01-17 | 2020-06-05 | 腾讯科技(深圳)有限公司 | 基于人工智能的图像处理方法及图像分类模型训练方法 |
CN115169499A (zh) * | 2022-08-03 | 2022-10-11 | 中国电子科技集团公司信息科学研究院 | 资产数据降维方法、装置、电子设备和计算机存储介质 |
CN115169499B (zh) * | 2022-08-03 | 2024-04-05 | 中国电子科技集团公司信息科学研究院 | 资产数据降维方法、装置、电子设备和计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Light field saliency detection with deep convolutional networks | |
JP6639700B2 (ja) | マルチモーダルデジタル画像を生成する方法及びシステム | |
CN111819568B (zh) | 人脸旋转图像的生成方法及装置 | |
Liu et al. | A cross-modal adaptive gated fusion generative adversarial network for RGB-D salient object detection | |
CN112530019B (zh) | 三维人体重建方法、装置、计算机设备和存储介质 | |
WO2020049385A1 (en) | Multi-view image clustering techniques using binary compression | |
Dai et al. | Fully convolutional line parsing | |
CN110163111A (zh) | 基于人脸识别的叫号方法、装置、电子设备及存储介质 | |
Vidal et al. | Generalized principal component analysis | |
CN108228823A (zh) | 一种高维图像数据降维的二值编码方法及系统 | |
CN114066987B (zh) | 一种相机位姿估计方法、装置、设备及存储介质 | |
TW201839665A (zh) | 物件辨識方法及物件辨識系統 | |
CN112907569A (zh) | 头部图像区域的分割方法、装置、电子设备和存储介质 | |
Kogler et al. | Enhancement of sparse silicon retina-based stereo matching using belief propagation and two-stage postfiltering | |
Ahmad et al. | 3D capsule networks for object classification from 3D model data | |
Nguyen et al. | Completed statistical adaptive patterns on three orthogonal planes for recognition of dynamic textures and scenes | |
Sarmah et al. | Optimization models in steganography using metaheuristics | |
CN110163095B (zh) | 回环检测方法、回环检测装置及终端设备 | |
Dou et al. | Background subtraction based on circulant matrix | |
Karavarsamis et al. | A survey of deep learning-based image restoration methods for enhancing situational awareness at disaster sites: the cases of rain, snow and haze | |
Hou et al. | Fe-fusion-vpr: Attention-based multi-scale network architecture for visual place recognition by fusing frames and events | |
KR102454841B1 (ko) | 통합된 의미론적 표현들을 추출하기 위하여 공간-시간 이벤트의 다이나믹 지각 불변량을 제공가능한 자동화된 방법 및 디바이스 | |
CN109657591A (zh) | 基于级联卷积神经网络的面部识别方法及装置 | |
CN111143544B (zh) | 一种基于神经网络的柱形图信息提取方法及装置 | |
Fan et al. | Multibody grouping by inference of multiple subspaces from high-dimensional data using oriented-frames |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180629 |
|
WD01 | Invention patent application deemed withdrawn after publication |