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 PDF

Info

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
Application number
CN201711498106.9A
Other languages
English (en)
Inventor
李明强
张德
刘光宏
陈思
张峰
高放
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.)
CETC Information Science Research Institute
Original Assignee
CETC Information Science Research Institute
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 CETC Information Science Research Institute filed Critical CETC Information Science Research Institute
Priority to CN201711498106.9A priority Critical patent/CN108228823A/zh
Publication of CN108228823A publication Critical patent/CN108228823A/zh
Pending legal-status Critical Current

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

一种高维图像数据降维的二值编码方法及系统
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。
CN201711498106.9A 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 Pending CN108228823A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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
JP7464752B2 (ja) 画像処理方法、装置、機器及びコンピュータプログラム
Ding et al. Robust face recognition via multimodal deep face representation
Liu et al. A cross-modal adaptive gated fusion generative adversarial network for RGB-D salient object detection
US20210150252A1 (en) Systems and methods for virtual and augmented reality
CN112131421B (zh) 医学图像分类方法、装置、设备及存储介质
EP3847580A1 (en) Multi-view image clustering techniques using binary compression
CN112530019B (zh) 三维人体重建方法、装置、计算机设备和存储介质
Dai et al. Fully convolutional line parsing
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
US20230104262A1 (en) Panoptic segmentation refinement network
TW201839665A (zh) 物件辨識方法及物件辨識系統
Ahmad et al. 3D capsule networks for object classification from 3D model data
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
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
Liang et al. Specificity and latent correlation learning for action recognition using synthetic multi-view data from depth maps

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