CN109308485B - 一种基于字典域适应的迁移稀疏编码图像分类方法 - Google Patents
一种基于字典域适应的迁移稀疏编码图像分类方法 Download PDFInfo
- Publication number
- CN109308485B CN109308485B CN201810872204.2A CN201810872204A CN109308485B CN 109308485 B CN109308485 B CN 109308485B CN 201810872204 A CN201810872204 A CN 201810872204A CN 109308485 B CN109308485 B CN 109308485B
- Authority
- CN
- China
- Prior art keywords
- dictionary
- domain
- sparse coding
- image
- target
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于字典域适应的迁移稀疏编码图像分类方法,属于机器学习领域。该方法在传统稀疏编码模型基础上引入字典对齐机制,构造特征迁移分类模型,来解决图像跨领域分类问题。源域和目标域样本服从不同分布时,传统稀疏编码图像分类算法,因无法从源域样本学习获取对目标域样本有效编码的字典,导致分类性能下降。本发明首先将字典对齐机制引入稀疏编码模型,其次采用L 2正则化将字典约束项转化为无约束优化问题,并采用领域间字典逼近作为正则化项提升模型的知识迁移性能。本发明能有效抽取跨领域图像稀疏特征表示,获取更高的分类精度。
Description
技术领域
本发明属于机器学习领域,具体涉及一种基于字典域适应的迁移稀疏编码图像分类方法。
背景技术
采用机器学习方法进行图像分类是机器视觉和模式识别领域的热门研究课题。图像分类技术是指借助计算机对图像数据进行特征提取,形成一种对图像内容的描述,并根据这种描述对图像所属类别进行划分的图像处理方法。该技术具有广阔的应用前景,例如:互联网领域中基于内容的图片检索、个人图库自动归类、医学领域的图像识别或者安防领域中人脸识别和智能视频分析等。当前,研究者们已经提出了许多基于数据驱动的图像分类算法,即通过大量已标记数据对分类器进行训练和学习,将得到的分类模型对测试样本进行类别标签预测,其中较为常用的分类算法有:感知机、Logistic回归、K近邻,贝叶斯、决策树、支持向量机等。
图像分类过程中,特征提取是获取图像表示的重要环节,它将原始图像数据转化为一组具有明显物理意义的信息,如几何、纹理或统计意义特征等。良好的特征提取可以挖掘输入图像许多更有意义的潜在信息,有益于对图像内容产生更深入的理解,同时也有助于训练并获取高精度的分类模型。稀疏编码作为起源于对人类视觉系统识别过程探索的仿生学方法,可以对图像去除繁杂冗余信息,获取原始信息最本质的特征表示,受到了研究者广泛关注。
稀疏编码是对生物视觉识别自然图像过程的简单模拟。研究人员发现,虽然生物视觉系统神经元纵横交错、数目巨大,但是面对外界刺激响应时呈现稀疏特性,即仅有少数视觉神经元处于激活状态。这种稀疏性编码方式符合自然界生物进化普遍存在的能量消耗最小化策略,在面对复杂图像时,能够提供对繁杂冗余信息的简单表达与本质性描述,具有很好的去冗余与可解释性。稀疏编码作为一种高效图像特征提取算法,在信号处理、图像分类及人脸识别等领域获得广泛关注,并取得良好效果。
机器学习虽然已经取得令人瞩目的成果,但与人类学习能力相比,还存在较大缺陷。目前,传统基于特征的图像分类算法,为获取高准确性与可靠性分类器,通常存在两个基本假设:(1)训练样本与测试样本必须服从相同的概率分布或者位于相同特征空间;(2)必须有足够多的标记样本。然而在许多实际应用中,对描述同一目标对象随着时间推移和周围环境变化,会产生不同程度的差异。此时,需要重新收集标记样本训练分类模型,但收集大量标记样本非常耗时耗力且代价昂贵;另外,标记样本也因难以获取造成数量稀少,导致出现所抽取特征表达能力有限的问题。
稀疏编码作为一种强有力的高层特征提取工具,在面对复杂输入图像时,能够提供对图像的简单表示。然而在实际应用中,随着信息和图像规模的与日俱增,通常因为测试环境中光照、位移、角度等因素的变化,使得训练和测试样本的分布存在差异,导致传统稀疏编码图像分类模型在跨领域图像分类场景下性能骤降,难以获得令人满意的效果。
迁移稀疏编码图像分类技术采用迁移学习思想,通过发掘不同但相关领域间不变的特征和结构并充分利用已有资源,构建稀疏特征迁移模型,将其他相关任务中的知识迁移至标记样本稀少的目标任务,帮助提升目标任务的学习效率。迁移稀疏编码图像分类技术将稀疏编码与迁移学习技术相结合,是实现稀疏特征在不同领域间进行重复利用的新技术。
发明内容
本发明所要解决的技术问题是:
针对上述现有技术,提出一种基于字典域适应的迁移稀疏编码图像分类方法,解决了当训练和测试样本来自不同分布,面对不同分布领域的样本量化出不同的字典,造成编码特征差异,从而严重影响分类性能的问题。
本发明为解决上述技术问题采用以下技术方案:
本发明提出一种基于字典域适应的迁移稀疏编码图像分类方法,包含以下步骤:
步骤一、对源域和目标域中图像样本分别进行预处理,获取源域和目标域图像数据集XS与XT;
步骤二、分别采用源域和目标域图像数据集XS与XT训练稀疏编码模型,获取源域和目标域字典BS与BT;
步骤三、通过对齐源域和目标域字典BS与BT,使得源域和目标域间的图像稀疏编码特征在跨领域知识迁移过程中保持不变,经过字典与编码交替优化过程来学习域适应字典B*,获得不同领域间样本关于域适应字典的共享编码特征A*={AS,AT},其中AS为源域图像数据集XS的稀疏编码;AT为目标域图像数据集XT的稀疏编码;减少源域和目标域间样本的分布差异性,实现稀疏编码在不同领域间的迁移;
步骤四、采用源域图像数据集XS的稀疏编码AS及其标签集YS训练SVM分类器,对所述目标域图像数据集XT对应稀疏编码AT进行标签预测。
如前所述的一种基于字典域适应的迁移稀疏编码图像分类方法,步骤一中所述对源域和目标域中的图像样本预处理步骤如下:
(1)对源域和目标域中图像样本XS1与XT1分别进行分辨率一致缩放处理,得到XS2与XT2;
(2)将数据集XS2与XT2分别进行归一化处理,得到数据集XS3与XT3;
(3)将数据集XS3与XT3分别进行PCA降维处理,得到源域和目标域图像数据集XS与XT。
如前所述的一种基于字典域适应的迁移稀疏编码图像分类方法,步骤二中所述构造两组稀疏编码模型为
其中,c为字典约束项的阈值参数,用于控制模型的复杂度,AS为源域编码,AT为目标域编码。
如前所述的一种基于字典域适应的迁移稀疏编码图像分类方法,步骤三中源域字典BS向目标域字典BT对齐后的字典的求解过程包括:
(1)构建字典对齐目标函数并优化:
(3)对字典进行转换:采用M*将源域字典BS向目标域字典BT对齐,则Ba=BSM*可视为源域字典BS向目标域字典BT对齐后的字典。
如前所述的一种基于字典域适应的迁移稀疏编码图像分类方法,进一步地,步骤三中,所述构建基于字典域适应的迁移稀疏编码模型的目标函数如下:
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
(1)采用稀疏编码学习超完备字典找寻隐含在输入数据内部的结构和模式,同时稀疏性使得编码特征更易于线性可分;
(2)采用字典对齐的方式来学习域适应字典,以保证不同领域样本都编码关于域适应字典的共享特征,从而提高编码特征从源域到目标域的可迁移性;
附图说明
图1是本发明实施例所用数据集部分图像;
图2是传统稀疏编码图像分类方法流程图;
图3是基于字典域适应的迁移稀疏编码图像分类方法流程图;
图4是16组跨域图像分类精度条形图;
图5是各参数对算法分类精度影响;
图6是特征可视化散点图。
具体实施方式
本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本发明提出一种基于字典域适应的迁移稀疏编码图像分类方法,首先,对源域和目标域中的图像样本分别进行预处理;其次,在源域和目标域分别构建稀疏编码模型,获得源域与目标域字典;接着,通过在稀疏编码模型中引入字典对齐匹配项和领域间字典逼近正则项促使源域字典向目标域字典靠近,以学习域适应字典,并通过字典映射关系,对输入样本采用域适应字典进行编码,获取源域与目标域样本关于域适应字典的共享编码特征;最后,采用与SVM分类器相结合的方式对目标域样本标签进行预测。
下面结合附图对本发明的技术方案做进一步的详细说明。
图2所示为传统稀疏编码图像分类方法流程图,图3所示为基于字典域适应的迁移稀疏编码图像分类方法流程图。如图所示,本方法包含如下步骤:
步骤一、对源域和目标域中图像样本分别进行预处理,获取源域和目标域图像数据集XS与XT。对源域和目标域中的图像样本预处理包含如下步骤:
(1)对源域和目标域中的图像样本进行分辨率一致缩放处理;
(2)将缩放后图像统一进行归一化处理;
(3)将归一化处理后的图像进行PCA降维处理(保留98%最大特征向量)。
步骤二、分别采用源域和目标域图像数据集XS与XT训练稀疏编码模型,获取源域和目标域字典BS与BT,通过构造两组稀疏编码模型如下
因为源域和目标域间样本分布存在差异性,可知:BS≠BT,所以,为了保证不同领域间样本都编码关于字典的共享特征,考虑采用字典对齐方式学习域适应字典。
步骤三、通过在传统稀疏编码模型中引入字典对齐机制以促使源域字典BS向目标域字典BT靠近,类似于空间坐标和基底的线性变换,将字典视为基底向量,通过寻找一个合适的坐标转换矩阵,实现基底向量在空间中的变换。
通过构建如下字典对齐目标函数,并最优化式(3)求解出坐标转换矩阵:
利用式(3)得到的Ba,同时借助于源域和目标域经验风险误差,构建基于字典域适应的迁移稀疏编码模型的目标函数如下:
由式(6)可知,基于字典域适应的迁移稀疏编码模型的目标函数最终化简为了近似标准稀疏编码模型的目标函数形式。由于式(6)存在两个要优化的变量:字典B与编码A,因此可同样采用交替迭代优化的方法对目标函数进行优化。
经过字典与编码交替优化过程来学习域适应字典B*,获得不同领域间样本关于域适应字典的共享编码特征A*={AS,AT},从而减少源域和目标域间样本的分布差异性,实现稀疏编码在不同领域间的迁移。
步骤四、采用源域样本集XS的稀疏编码AS及其标签集YS训练SVM分类器,对所述目标域数据集XT对应稀疏编码AT进行标签预测。
实施例一
为了体现算法的可信度和分类性能,实验选用三类基准数据集:手写字体数字数据集USPS+MNIST、物品识别数据集COIL20和物体识别数据集Office+Caltech256,共构建16组跨域分类任务。各数据集统计信息如表1所示,部分数据集图像如图1所示。
表1实验图像数据集说明
数据集名称 | 类型 | 类别数 | 子集(样本数*样本维度) |
USPS | 数字 | 10 | USPS(1800*256) |
MNIST | 数字 | 10 | MNIST(2000*256) |
COIL20 | 物体 | 20 | COIL1(1024*720),COIL2(1024*720) |
Office | 对象 | 10 | A(985*800),D(157*800),W(295*800) |
Caltech256 | 对象 | 10 | C(1123*800) |
手写字体数据集USPS+MNIST构建跨域分类任务:从图1.(a)-(b)可以看出,USPS与MNIST图像遵从不同分布,但是共享10个字体类别。从USPS与MNIST数据集中分别随机选取1800、2000副图像,将所有图像大小线性缩放至16×16,每张图像用256维特征向量表征,两组数据集共享10种字体类别。将USPS与MNIST分别作为源域和目标域,可以构建两组跨域分类实验:U_vs_M与M_vs_U。
物体识别数据集COIL20构建跨域分类任务:从图1.(c)可以看出,COIL1与COIL2子集之间因为拍摄角度不同的原因,从而服从不同的分布,但是共享20个物品类别。从COIL1与COIL2数据集中各随机选取720副图像,将所有图像均缩放至256黑白像素,每张图像抽取1024维特征向量表征,两组数据集共享20种物体类别。将COIL1与COIL2分别作为源域和目标域,可以构建两组跨域分类实验:C1_vs_C2与C2_vs_C1。
物体识别数据集Office+Caltech256构建跨域分类任务:Office数据集包含有Amazon(A)、DLSR(D)与Webcam(W)三个子数据集,加之Caltech256(C)物品识别数据集,从A、D、W、C数据集中分别选取958、157、295、1123副图像,每张图像用800维特征向量表征,四种数据集共享10种物体类别。从四种数据集中随机选取两种分别作为源域和目标域数据集,一共可以构建12组跨域分类实验:C→A、C→W、C→D、D→W。
实验所用计算机硬件配置为:Intel Core(TM)i5-7300HQ CPU主频2.5GHz,内存8GB,采用Matlab2014a软件编程仿真。为减少误差对实验结果的影响,取每组迁移实验中10次分类结果的平均值。实验结果如图4所示。
为了考察算法中参数取值对分类性能的影响,分别对基于字典域适应的迁移稀疏编码图像分类算法中4个参数:稀疏惩罚参数λ、平衡项参数μ、字典维度k以及算法迭代次数NT进行参数敏感性实验分析。在M_vs_U、C1_vs_C2和D→W三个跨域分类数据集上进行实验,实验中采用固定变量法对每个参数进行测试。实验结果如图5所示。
进一步证明基于字典域适应的迁移稀疏编码图像分类算法的性能,从16组跨域分类任务中选取M_vs_U这组进行特征可视化分析实验,用随机近邻嵌入(t-SNE)绘制源域和目标域原始特征散点图。t-SNE是一种将高维数据通过仿射变换映射到二维或者三维空间进行可视化的算法。实验结果如图6所示,其中,每种深浅的颜色表示为一个类别,共10个类别。若同深浅簇越聚拢且不同深浅簇越散开,则特征判别力越强。以上完成了基于字典域适应的迁移稀疏编码图像分类过程。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于字典域适应的迁移稀疏编码图像分类方法,其特征在于,包含以下步骤:
步骤一、对源域和目标域图像样本分别进行预处理,获取源域和目标域图像数据集XS与XT;
步骤二、分别采用源域和目标域图像数据集XS与XT训练稀疏编码模型,获取源域和目标域字典BS与BT;
步骤三、通过对齐源域和目标域字典BS与BT,使得源域和目标域间的图像稀疏编码特征在跨领域知识迁移过程中保持不变,同时得到源域向目标域对齐后的字典Ba;
借助Ba,并通过源域和目标域重构误差和领域间字典逼近正则项,构建基于字典域适应的迁移稀疏编码模型的目标函数;
经过字典与编码交替优化过程来学习域适应字典B*,也获得不同领域间样本关于域适应字典的共享编码特征A*={AS,AT},其中AS为源域图像数据集XS的稀疏编码;AT为目标域图像数据集XT的稀疏编码;
步骤四、采用源域图像数据集XS的稀疏编码AS及其标签集YS训练SVM分类器,对所述目标域图像数据集XT对应稀疏编码AT进行标签预测;
步骤一中,所述对源域和目标域中的图像样本预处理包含如下步骤:
(1)对源域和目标域中图像样本XS1与XT1分别进行分辨率一致缩放处理,得到数据集XS2与XT2;
(2)将数据集XS2与XT2分别进行归一化处理,得到数据集XS3与XT3;
(3)将数据集XS3与XT3分别进行PCA降维处理,得到源域和目标域图像数据集XS与XT;
步骤二中两组稀疏编码模型为:
其中,c为字典约束项的阈值参数,用于控制模型的复杂度;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810872204.2A CN109308485B (zh) | 2018-08-02 | 2018-08-02 | 一种基于字典域适应的迁移稀疏编码图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810872204.2A CN109308485B (zh) | 2018-08-02 | 2018-08-02 | 一种基于字典域适应的迁移稀疏编码图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109308485A CN109308485A (zh) | 2019-02-05 |
CN109308485B true CN109308485B (zh) | 2022-11-29 |
Family
ID=65226063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810872204.2A Active CN109308485B (zh) | 2018-08-02 | 2018-08-02 | 一种基于字典域适应的迁移稀疏编码图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109308485B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119448B (zh) * | 2019-05-08 | 2020-11-06 | 合肥工业大学 | 基于双重自动编码器的半监督跨领域文本分类方法 |
CN110647907B (zh) * | 2019-08-05 | 2023-04-07 | 广东工业大学 | 利用多层分类和字典学习的多标签图像分类算法 |
CN110705384B (zh) * | 2019-09-12 | 2023-03-31 | 天津大学 | 一种基于跨域迁移增强表示的车辆再识别方法 |
CN110619363A (zh) * | 2019-09-17 | 2019-12-27 | 陕西优百信息技术有限公司 | 物料数据长描述对应小类名称分类方法 |
CN113496468B (zh) * | 2020-03-20 | 2023-07-04 | 北京航空航天大学 | 深度图像的修复方法、装置和存储介质 |
CN112070236B (zh) * | 2020-09-11 | 2022-08-16 | 福州大学 | 基于迁移学习解决在线复杂优化计算的稀疏特征学习方法 |
CN112434754A (zh) * | 2020-12-14 | 2021-03-02 | 前线智能科技(南京)有限公司 | 一种基于图神经网络的跨模态医学影像域适应分类方法 |
CN112861929B (zh) * | 2021-01-20 | 2022-11-08 | 河南科技大学 | 一种基于半监督加权迁移判别分析的图像分类方法 |
CN112966559B (zh) * | 2021-02-03 | 2022-09-06 | 中国科学技术大学 | 可靠主动域适应方法、环境感知方法、装置及存储介质 |
CN113450268A (zh) * | 2021-05-24 | 2021-09-28 | 南京中医药大学 | 一种基于后验概率的图像降噪方法 |
CN114782763B (zh) * | 2022-05-19 | 2022-11-11 | 哈尔滨工业大学 | 多视角高分遥感图像稀疏主成分对齐方法 |
CN115082727B (zh) * | 2022-05-25 | 2023-05-05 | 江苏大学 | 基于多层局部感知深度字典学习的场景分类方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104281845A (zh) * | 2014-10-29 | 2015-01-14 | 中国科学院自动化研究所 | 基于旋转不变字典学习模型的人脸识别方法 |
CN104318214A (zh) * | 2014-10-27 | 2015-01-28 | 中国科学院自动化研究所 | 一种基于结构化词典域转移的交叉视角人脸识别方法 |
CN106845551A (zh) * | 2017-01-24 | 2017-06-13 | 湘潭大学 | 一种组织病理图像识别方法 |
-
2018
- 2018-08-02 CN CN201810872204.2A patent/CN109308485B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318214A (zh) * | 2014-10-27 | 2015-01-28 | 中国科学院自动化研究所 | 一种基于结构化词典域转移的交叉视角人脸识别方法 |
CN104281845A (zh) * | 2014-10-29 | 2015-01-14 | 中国科学院自动化研究所 | 基于旋转不变字典学习模型的人脸识别方法 |
CN106845551A (zh) * | 2017-01-24 | 2017-06-13 | 湘潭大学 | 一种组织病理图像识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109308485A (zh) | 2019-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308485B (zh) | 一种基于字典域适应的迁移稀疏编码图像分类方法 | |
Wang et al. | Weakly supervised patchnets: Describing and aggregating local patches for scene recognition | |
Yang et al. | Adaptive-weighting discriminative regression for multi-view classification | |
Bai et al. | Subset based deep learning for RGB-D object recognition | |
Wang et al. | Unsupervised deep clustering via adaptive GMM modeling and optimization | |
Xie et al. | Automatic classification for field crop insects via multiple-task sparse representation and multiple-kernel learning | |
CN111125411B (zh) | 一种深度强相关哈希学习的大规模图像检索方法 | |
Chen et al. | Deep discrete hashing with pairwise correlation learning | |
Rasheed et al. | Handwritten Urdu characters and digits recognition using transfer learning and augmentation with AlexNet | |
Wang et al. | Zero-shot image classification based on deep feature extraction | |
Wang et al. | Person re-identification in identity regression space | |
WO2010062268A1 (en) | A method for updating a 2 dimensional linear discriminant analysis (2dlda) classifier engine | |
Kim et al. | Transformatcher: Match-to-match attention for semantic correspondence | |
CN112163114B (zh) | 一种基于特征融合的图像检索方法 | |
Liu et al. | Evolutionary compact embedding for large-scale image classification | |
Khanday et al. | Taxonomy, state-of-the-art, challenges and applications of visual understanding: A review | |
Song et al. | MPPCANet: A feedforward learning strategy for few-shot image classification | |
Love et al. | Topological deep learning | |
Wang et al. | Product Grassmann manifold representation and its LRR models | |
Xiao et al. | A similarity-based two-view multiple instance learning method for classification | |
Ansari et al. | An optimized feature selection technique in diversified natural scene text for classification using genetic algorithm | |
Nijhawan et al. | Food classification of Indian cuisines using handcrafted features and vision transformer network | |
Liu et al. | Multi-digit recognition with convolutional neural network and long short-term memory | |
Elbarawy et al. | Hybridized Convolution Neural Network and Multiclass-SVM Model for Writer Identification. | |
Wang et al. | Classification of remotely sensed images using an ensemble of improved convolutional network |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |