CN109886315A - 一种基于核保持的图像相似性度量方法 - Google Patents
一种基于核保持的图像相似性度量方法 Download PDFInfo
- Publication number
- CN109886315A CN109886315A CN201910085067.2A CN201910085067A CN109886315A CN 109886315 A CN109886315 A CN 109886315A CN 201910085067 A CN201910085067 A CN 201910085067A CN 109886315 A CN109886315 A CN 109886315A
- Authority
- CN
- China
- Prior art keywords
- function
- image data
- data sample
- sample set
- similarity
- 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.)
- Granted
Links
Abstract
本发明提出了一种基于核保持的图像相似性度量方法,首先定义损失函数,然后通过定义核函数简化损失函数,并在损失函数中增加正则化函数得到完整的目标函数,最后优化和求解目标函数得到最终的重构变换矩阵,并采用准确率和正则化互信息量两个指标衡量最终的重构变换矩阵性能。该方法通过定义核函数最小化重构误差并对原始图像数据样本进行相似性学习,使得图像数据样本之间的相似性信息保留了更好的全局关系,基于该相似性信息,利用谱聚类算法对图像进行更准确的聚类。本发明具有通用性,可用于聚类、分类、推荐系统等问题,为基于相似性学习的方法提供了一种有效的基础模块,同时在图像映射至低维的应用中也有非常大的潜力。
Description
技术领域
本发明属于图像处理领域,特别涉及一种基于核保持的图像相似性度量方法。
背景技术
如今,文字、图像和视频等高维数据能够非常容易的从低廉的传感器或者网络上获得,如何从海量的高维数据中提取有用的信息成为了一项关键技术。其中,高维数据相似性是非常多高维数据分析方法,例如谱聚类、近邻分类、图像分割、人物重识别、图片检索、图像降维和基于图的分类方法的输入信息;同时,也是机器学习、模式识别和数据挖掘的基础问题,因此高维数据相似性的度量准确性直接影响了上述方法后续处理的性能。
目前已有一些常用的相似性度量方法,例如余弦法、杰卡德系数(JaccardCoefficient)、欧氏距离(Euclidean Distance)、高斯函数(Gaussian function),但是,这些方法通常对噪声特别敏感,不同的度量方法会引起结果的巨大不同。同时,已有一些高维数据降维上常用的方法,他们采用了局部线性嵌入或局部保留映射等保留近邻信息的方法,但是,这些方法也有一些固有的缺点,包括:1.难以确定邻域大小k或邻域半径r;2.难以选择合适的确定邻域的相似性度量方法;3.难以抵消噪声和离群点带来的副作用;4.难以处理不同尺度和密度结构下的数据。
总之,现有的相似性度量方法都不能处理好数据在高维上的相关性结构。
发明内容
为解决现有方法不能处理好数据,尤其是图像数据在高维上的相关性结构的问题,本发明提出了一种基于核保持的图像相似性度量方法,该方法包括提出新的目标函数和设计新的优化方法,相比现有技术本发明在相似性度量的准确性上有较大的提升。
本发明提出的一种基于核保持的图像相似性度量方法,包括如下步骤:
S1)定义损失函数:
其中,X表示图像数据样本集合,X的大小为m×n,其中m为图像数据样本集合中每一个图像数据样本点的维度,n为图像数据样本集合中图像数据样本点的总个数,Z表示重构变换矩阵,Z≥0并且其大小为n×n,表示X的一种预设映射函数,上标T表示矩阵的转置,||·||F表示范数,m,n均为正整数;
S2)定义核函数以简化损失函数:
定义核函数其中,x1,y1为两个任意高维图像数据,核函数用于表示两个任意高维图像数据在预设映射函数映射下的内积,将上述核函数代入步骤S1) 的损失函数中,损失函数的表达式简化为:
S3)在损失函数中增加正则化函数得到完整的目标函数:
在损失函数中增加正则化函数ρ(Z)约束重构变换矩阵Z的低秩性和稀疏性,此时,包含步骤S2)中的损失函数的完整目标函数为:
其中,γ是正则化函数ρ(Z)的权值,其取值可调;
S4)优化和求解目标函数:
得到步骤S3)的目标函数后,采用以下方法对该目标函数进行优化和求解:
S41)引入辅助变量J和W,使其满足Z=J,Z=W,此时,目标函数转化为:
S42)构建拉格朗日方程:
对步骤S41)中的目标函数构建拉格朗日方程:
其中,μ是惩罚参数,Y1,Y2均为拉格朗日乘子;
S43)迭代更新拉格朗日方程中的参数得到最终的重构变换矩阵Z:
迭代更新步骤S42)中拉格朗日方程的参数J,W,Z以及Y1,Y2的值,直到满足预设收敛条件,得到最终的重构变换矩阵Z;
S44)采用两个指标衡量最终的重构变换矩阵Z的性能:
采用图像数据样本集合X聚类结果的准确率和正则化互信息量两个指标衡量步骤S43) 计算出的最终的重构变换矩阵Z的性能,准确率越高表示聚类结果越准确,正则化互信息量越高表示聚类结果越好:准确率定义为正则化互信息量定义为
其中,δ(·)为克罗内克(Kronecker)函数;为图像数据样本集合X中第i1个图像数据样本点的真实标签,为图像数据样本集合X中第i1个图像数据样本点的预测标签;map(·)为置换函数,其将真实标签的序号做置换,使得置换后的真实标签与预测标签相似程度最高; p(l)和分别表示图像数据样本集合X中图像数据样本点真实标签和预测标签的边缘分布,表示图像数据样本集合X中图像数据样本点真实标签和样本预测标签的联合分布,图像数据样本集合X的真实标签为L,图像数据样本集合X的预测标签为并且H(L)=∑l∈L-p(l)log(p(l)),均为熵函数。
本发明提出的一种基于核保持的图像相似性度量方法,通过引入核函数,保留了图像数据样本间的全局联系,为后续的依赖数据相似性的任务带来性能上的提高,例如聚类的准确率;学得的图像数据样本的低阶表示或重构变换矩阵具有通用性,可用于对图像数据相似性敏感的问题,例如聚类、分类、推荐系统等;对于输入图像数据不能表示成数字特征向量形式的情况,由于本发明只依赖核函数,所以依然能够解决此类问题。总之,本发明不但对于高维图像数据的相似性学习具有通用性,而且相比传统的图像相似性度量方法可以得到更准确的图像相似性结果。
附图说明
图1为本发明准确率与γ的关系图
图2为本发明正则化互信息量与γ的关系图
具体实施方式
为便于本领域技术人员理解本发明的技术内容,下面结合附图对本发明的技术内容作进一步阐释。
下面结合JAFFE人脸分类数据样本集合,对本发明的技术方案进行描述。本发明提出的一种基于核保持的图像相似性度量方法,包括如下步骤:
S1)定义损失函数:
其中,X表示图像数据样本集合,X的大小为m×n,其中m为图像数据样本集合中每一个图像数据样本点的维度,n为图像数据样本集合中图像数据样本点的总个数,Z表示重构变换矩阵,Z≥0并且其大小为n×n,表示X的一种预设映射函数,上标T表示矩阵的转置,||·||F表示范数,m,n均为正整数,在本实施例中,X表示JAFFE人脸分类数据样本集合,其大小为676×213,其中676表示JAFFE人脸分类数据样本集合中每一个人脸分类数据样本点的维度,213表示JAFFE人脸分类数据样本集合中的人脸分类数据样本点的总个数,重构变换矩阵Z的维度为213×213。
S2)定义核函数其中,x1,y1为两个任意高维图像数据,核函数用于表示两个任意高维图像数据在预设映射函数映射下的内积,那么将上述核函数代入步骤S1)的损失函数中,损失函数的表达式简化为:
本发明设计了12种核函数来检验图像相似性度量方法的准确性,这12种核函数分别是:
7个高斯核函数,其形式为其中,k为常数,dmax为图像数据样本集合X中任意两个图像数据样本点之间的最大距离,定义x、y为图像数据样本集合X中任意两个图像数据样本点,x、y两个图像数据样本点之间的距离为x、y各维度逐项求差的平方和开根号:其中,为图像数据样本点x在第i2个维度上的值,为图像数据样本点y在第i2个维度上的值,k的取值分别为0.01、0.05、0.1、1、10、50和100;1个线性核函数:其形式为K(x1,y1)=x1 Ty1;4个多项式核函数,形式为K(x1,y1)=(a+x1 Ty1)b,其中,a、b均为常数。
优选地,a的取值为0或1,b的取值为2或4。同时,上述12种核函数都被归一化到[0,1]的区间内。
S3)针对我们对重构变换矩阵Z结构的特定假设,例如低秩性和稀疏性,我们用一个正则化函数ρ(Z)来约束这种性质。当采用核范数时就得到了低秩性的重构变换矩阵Z的表示,采用1范数时则得到了稀疏性的重构变换矩阵Z的表示。从而,包含步骤S2)中的损失函数的完整目标函数为:
其中,γ是ρ(Z)的权值,其取值可调。对于低秩性和稀疏性的重构变换矩阵Z,我们会通过具体实施方式分别深入介绍。
S4)得到步骤S3)的目标函数后,采用以下方法对该目标函数进行优化和求解:
S41)引入辅助变量J和W,使其满足Z=J,Z=W,利用变量替换达到降维求解的目的。将目标函数转化为:
S42)对步骤S41)中的目标函数构建拉格朗日方程:
其中,μ是惩罚参数,Y1,Y2均为拉格朗日乘子。
S43)迭代更新J,W,Z以及Y1,Y2的值,直到满足预设收敛条件,得到最终的重构变换矩阵Z。迭代更新的具体方法如下:
记上一次迭代后形成的参数为Jt,Wt,Zt以及Y1 t和Y2 t,本次迭代后形成的参数为Jt +1, Wt+1,Zt+1以及Y1 t+1和Y2 t+1,其中,t为正整数。
对于参数J:由于步骤S42)中的拉格朗日方程是J的强凸函数,所以使步骤S42)中描述的拉格朗日方程对于J的一阶导数为零即可求得J的迭代更新值:
Jt+1=(μI+K(X,X)Wt(Wt)TK(X,X)T)1(μZt+Y1 t+K(X,X)WtK(X,X)T)
对于参数W,由于步骤S42)中的拉格朗日方程同样也是W的强凸函数,所以使步骤S4 2)中描述的拉格朗日方程对于W的一阶导数为零即可求得W的迭代更新值:
Wt+1=(μI+K(X,X)TJt(Jt)TK(X,X))1(μZt+Y2 t+K(X,X)TJtK(X,X))
对于参数Z的迭代更新,Z的更新值为如下优化问题的解:
具体解法为:定义矩阵对Ht做奇异值分解得到 Ht=Utdiag(σt)(VT)t,其中,diag(σt)为半正定对角矩阵,σt为diag(σt)对角线上的元素且为Ht的奇异值,Ut、(VT)t均为酉矩阵,
对于低秩表达形式的重构变换矩阵Z,正则化函数ρ(Z)=||Z||*,其中,||·||*表示核范数,此时
对于稀疏表达形式的重构变换矩阵Z,正则化函数ρ(Z)=||Z||1,其中,||·||1表示1范数,重构变换矩阵Z中的每个元素的更新值为
其中,表示本次迭代更新后重构变换矩阵Zt+1中第i行第j列的元素,表示上一次迭代更新后矩阵Ht中第i行第j列的元素,sign(·)表示符号函数,i、j的取值范围为 i=1,2,...,n、j=1,2,...,n;
对于Y1,Y2的迭代更新:
Y1 t+1=Y1 t+μ(Zt-Jt)
其中,所述预设收敛条件为
S44)采用两个指标衡量S43)计算出的重构变换矩阵Z的性能:使用图像数据样本集合X 的聚类结果来衡量重构变换矩阵Z的性能,对于聚类结果我们使用了两个指标:
1.准确率:
2.正则化互信息量:
其中,δ(·)为克罗内克(Kronecker)函数;为图像数据样本集合X中第i1个图像数据样本点的真实标签,为图像数据样本集合X中第i1个图像数据样本点的预测标签;map(·)为置换函数,其将真实标签的序号做置换,使得置换后的真实标签与预测标签相似程度最高; p(l)和分别表示图像数据样本集合X中图像数据样本点真实标签和预测标签的边缘分布,表示图像数据样本集合X中图像数据样本点真实标签和样本预测标签的联合分布,图像数据样本集合X(即JAFFE人脸分类数据样本集合)的真实标签为L,图像数据样本集合X的预测标签为并且H(L)=∑l∈L-p(l)log(p(l)),均为熵函数。
本实施例分别采用稀疏性表示模型(SLKE-S)和低秩性表示模型(SLKE-R)获得重构变换矩阵Z,并采用谱聚类的方法,得到JAFFE人脸分类数据样本集合的预测标签
实验结果如表1所示,本实施例的稀疏性表示模型(SLKE-S)和低秩性表示模型(SLKE-R) 的聚类结果相比现有方法中的稀疏聚类(SSR)和谱聚类(SC)有显著提升。
表1本发明的相似性度量方法与现有方法的测试精度对比
方法 | SSR | SC | SLKE-S | SLKE-R |
ACC(%) | 87.32 | 74.88 | 96.71 | 99.85 |
NMI | 92.93 | 82.08 | 94.80 | 99.49 |
本发明在JAFFE人脸分类数据样本集合下测试权值γ与准确率Acc和正则化互信息量的关系,此处,核函数为k=100的高斯核函数,其结果如图1和图2所示,图1表明在权值γ取10-6~10-1的范围时,本实施例的稀疏性表示模型(SLKE-S)的准确率保持在89%~97%的范围内,本实施例的低秩性表示模型(SLKE-R)在γ较小时可以达到非常高的准确率,并随着γ的增大而减小;图2表明在权衡系数γ取10-6~10-1的范围时,本实施例的稀疏性表示模型(SLKE-S)的正则化互信息量保持在90%~95%的范围内,本实施例的低秩性表示模型 (SLKE-R)在γ较小时可以达到非常高的正则化互信息量,并随着γ的增大而减小。上述测试结果表明:在合理挑选权衡系数γ后,本发明的稀疏性表示模型(SLKE-S)的聚类结果较为稳定;取较小的权值γ时,本发明的低秩性表示模型(SLKE-R)可以达到更高的准确率和正则化互信息量。
本发明提出了一种基于核保持的图像相似性度量方法,首先定义了损失函数,然后通过定义核函数简化损失函数,并在损失函数中增加正则化函数得到完整的目标函数,最后优化和求解目标函数得到目标函数中最终的重构变换矩阵,同时采用两个指标衡量最终的重构变换矩阵的性能。该方法通过定义核函数最小化重构误差并对原始图像数据样本进行相似性学习,使得图像数据样本之间的相似性信息保留了更好的全局关系,基于该相似性信息,可以利用谱聚类算法对图像进行更准确的聚类。本发明具有通用性,可用于聚类、分类、推荐系统等问题,为基于相似性学习的方法提供了一种有效的基础模块,同时在图像映射至低维的应用中也有非常大的潜力。
本领域的普通技术人员将会意识到,这里所述的具体实施方式是为了帮助理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施方式。对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (6)
1.一种基于核保持的图像相似性度量方法,其特征在于,包括如下步骤:
S1)定义损失函数:
其中,X表示图像数据样本集合,X的大小为m×n,其中m为图像数据样本集合中每一个图像数据样本点的维度,n为图像数据样本集合中图像数据样本点的总个数,Z表示重构变换矩阵,Z≥0,并且其大小为n×n,表示X的一种预设映射函数,上标T表示矩阵的转置,||·||F表示范数,m,n均为正整数;
S2)定义核函数以简化损失函数:
定义核函数其中,x1,y1为两个任意高维图像数据,核函数用于表示两个任意高维图像数据在预设映射函数映射下的内积,将上述核函数代入步骤S1)的损失函数中,损失函数的表达式简化为:
S3)在损失函数中增加正则化函数得到完整的目标函数:
在损失函数中增加正则化函数ρ(Z)约束重构变换矩阵Z的低秩性和稀疏性,此时,包含步骤S2)中的损失函数的完整目标函数为:
其中,γ是正则化函数ρ(Z)的权值,其取值可调;
S4)优化和求解目标函数:
得到步骤S3)的目标函数后,采用以下方法对该目标函数进行优化和求解:
S41)引入辅助变量J和W,使其满足Z=J,Z=W,此时,目标函数转化为:
S42)构建拉格朗日方程:
对步骤S41)中的目标函数构建拉格朗日方程:
其中,μ是惩罚参数,Y1,Y2均为拉格朗日乘子;
S43)迭代更新拉格朗日方程中的参数得到最终的重构变换矩阵Z:
迭代更新步骤S42)中拉格朗日方程的参数J,W,Z以及Y1,Y2的值,直到满足预设收敛条件,得到最终的重构变换矩阵Z;
S44)采用两个指标衡量最终的重构变换矩阵Z的性能:
采用图像数据样本集合X聚类结果的准确率和正则化互信息量两个指标衡量步骤S43)计算出的最终的重构变换矩阵Z的性能,准确率越高表示聚类结果越准确,正则化互信息量越高表示聚类结果越好:准确率定义为正则化互信息量定义为
其中,δ(·)为克罗内克(Kronecker)函数;为图像数据样本集合X中第i1个图像数据样本点的真实标签,为图像数据样本集合X中第i1个图像数据样本点的预测标签;map(·)为置换函数,其将真实标签的序号做置换,使得置换后的真实标签与预测标签相似程度最高;p(l)和分别表示图像数据样本集合X中图像数据样本点真实标签和预测标签的边缘分布,表示图像数据样本集合X中图像数据样本点真实标签和样本预测标签的联合分布,图像数据样本集合X的真实标签为L,图像数据样本集合X的预测标签为并且H(L)=∑l∈L-p(l)log(p(l)),均为熵函数。
2.根据权利要求1所述的基于核保持的图像相似性度量方法,其特征在于,迭代更新步骤S42)中拉格朗日方程的参数J,W,Z以及Y1,Y2的值的具体方法如下:
记上一次迭代更新后形成的参数为Jt,Wt,Zt以及Y1 t和Y2 t,本次迭代更新后形成的参数为Jt+1,Wt+1,Zt+1以及Y1 t+1和Y2 t+1,其中,t为正整数。
对于参数J的迭代更新:使得步骤S42)中的拉格朗日方程对于J的一阶导数为零,得到:
Jt+1=(μI+K(X,X)Wt(Wt)TK(X,X)T)-1(μZt+Y1 t+K(X,X)WtK(X,X)T)
对于参数W的迭代更新,使得步骤S42)中的拉格朗日方程对于W的一阶导数为零,得到:
Wt+1=(μI+K(X,X)TJt(Jt)TK(X,X))-1(μZt+Y2 t+K(X,X)TJtK(X,X))
对于参数Z的迭代更新,Z的更新值为如下优化问题的解:
具体解法为:定义矩阵对Ht做奇异值分解得到Ht=Utdiag(σt)(VT)t,其中,diag(σt)为半正定对角矩阵,σt为diag(σt)对角线上的元素且为Ht的奇异值,Ut、(VT)t均为酉矩阵,
对于低秩表达形式的重构变换矩阵Z,正则化函数ρ(Z)=||Z||*,其中,||·||*表示核范数,此时
对于稀疏表达形式的重构变换矩阵Z,正则化函数ρ(Z)=||Z||1,其中,||·||1表示1范数,重构变换矩阵Z中的每个元素的更新值为
其中,表示本次迭代更新后重构变换矩阵Zt+1中第i行第j列的元素,表示上一次迭代更新后矩阵Ht中第i行第j列的元素,sign(·)表示符号函数,i、j的取值范围为i=1,2,...,n、j=1,2,...,n;
对于参数Y1,Y2的迭代更新:
Y1 t+1=Y1 t+μ(Zt-Jt)
。
3.根据权利要求2所述的基于核保持的图像相似性度量方法,其特征在于,所述步骤S43)中的所述预设收敛条件为
4.根据权利要求3所述的基于核保持的图像相似性度量方法,其特征在于,所述步骤S2)中的核函数有12种,分别是:7个高斯核函数,其形式为其中,k为常数,dmax为图像数据样本集合X中任意两个图像数据样本点之间的最大距离,定义x、y为图像数据样本集合X中任意两个图像数据样本点,x、y两个图像数据样本点之间的距离为x、y各维度逐项求差的平方和开根号:其中,为图像数据样本点x在第i2个维度上的值,为图像数据样本点y在第i2个维度上的值,k的取值分别为0.01、0.05、0.1、1、10、50和100;1个线性核函数:其形式为K(x1,y1)=x1 Ty1;4个多项式核函数,形式为K(x1,y1)=(a+x1 Ty1)b,其中,a、b均为常数。
5.根据权利要求4所述的基于核保持的图像相似性度量方法,其特征在于,a的取值为0或1,且b的取值为2或4。
6.根据权利要求1-5任意一项所述的基于核保持的图像相似性度量方法,其特征在于,所述图像数据样本集合X为JAFFE人脸分类数据样本集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910085067.2A CN109886315B (zh) | 2019-01-29 | 2019-01-29 | 一种基于核保持的图像相似性度量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910085067.2A CN109886315B (zh) | 2019-01-29 | 2019-01-29 | 一种基于核保持的图像相似性度量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109886315A true CN109886315A (zh) | 2019-06-14 |
CN109886315B CN109886315B (zh) | 2022-05-03 |
Family
ID=66927147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910085067.2A Active CN109886315B (zh) | 2019-01-29 | 2019-01-29 | 一种基于核保持的图像相似性度量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886315B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472653A (zh) * | 2019-07-01 | 2019-11-19 | 浙江大学 | 一种基于最大化区域互信息的语义分割方法 |
CN110991470A (zh) * | 2019-07-03 | 2020-04-10 | 北京市安全生产科学技术研究院 | 数据降维方法、画像构建方法及系统、可读存储介质 |
CN111967499A (zh) * | 2020-07-21 | 2020-11-20 | 电子科技大学 | 基于自步学习的数据降维方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002071243A1 (en) * | 2001-03-01 | 2002-09-12 | Biowulf Technologies, Llc | Spectral kernels for learning machines |
WO2002095534A2 (en) * | 2001-05-18 | 2002-11-28 | Biowulf Technologies, Llc | Methods for feature selection in a learning machine |
GB0518665D0 (en) * | 2005-09-13 | 2005-10-19 | Imp College Innovations Ltd | Support vector inductive logic programming |
CN103077529A (zh) * | 2013-02-27 | 2013-05-01 | 电子科技大学 | 基于图像扫描的植物叶片特征分析系统 |
CN103413151A (zh) * | 2013-07-22 | 2013-11-27 | 西安电子科技大学 | 基于图正则低秩表示维数约简的高光谱图像分类方法 |
CN105740912A (zh) * | 2016-02-03 | 2016-07-06 | 苏州大学 | 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 |
CN105930873A (zh) * | 2016-04-27 | 2016-09-07 | 天津中科智能识别产业技术研究院有限公司 | 一种基于子空间的自步跨模态匹配方法 |
US20170213381A1 (en) * | 2016-01-26 | 2017-07-27 | Università della Svizzera italiana | System and a method for learning features on geometric domains |
CN107657266A (zh) * | 2017-08-03 | 2018-02-02 | 华北电力大学(保定) | 一种基于改进谱多流形聚类的负荷曲线聚类方法 |
CN107688829A (zh) * | 2017-08-29 | 2018-02-13 | 湖南财政经济学院 | 一种基于支持向量机的识别系统及识别方法 |
CN107895177A (zh) * | 2017-11-17 | 2018-04-10 | 南京邮电大学 | 一种保持图像分类稀疏结构的迁移分类学习方法 |
CN108256486A (zh) * | 2018-01-18 | 2018-07-06 | 河南科技大学 | 一种基于非负低秩和半监督学习的图像识别方法及装置 |
CN108664986A (zh) * | 2018-01-16 | 2018-10-16 | 北京工商大学 | 基于lp范数正则化的多任务学习图像分类方法及系统 |
-
2019
- 2019-01-29 CN CN201910085067.2A patent/CN109886315B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002071243A1 (en) * | 2001-03-01 | 2002-09-12 | Biowulf Technologies, Llc | Spectral kernels for learning machines |
WO2002095534A2 (en) * | 2001-05-18 | 2002-11-28 | Biowulf Technologies, Llc | Methods for feature selection in a learning machine |
GB0518665D0 (en) * | 2005-09-13 | 2005-10-19 | Imp College Innovations Ltd | Support vector inductive logic programming |
CN103077529A (zh) * | 2013-02-27 | 2013-05-01 | 电子科技大学 | 基于图像扫描的植物叶片特征分析系统 |
CN103413151A (zh) * | 2013-07-22 | 2013-11-27 | 西安电子科技大学 | 基于图正则低秩表示维数约简的高光谱图像分类方法 |
US20170213381A1 (en) * | 2016-01-26 | 2017-07-27 | Università della Svizzera italiana | System and a method for learning features on geometric domains |
CN105740912A (zh) * | 2016-02-03 | 2016-07-06 | 苏州大学 | 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 |
CN105930873A (zh) * | 2016-04-27 | 2016-09-07 | 天津中科智能识别产业技术研究院有限公司 | 一种基于子空间的自步跨模态匹配方法 |
CN107657266A (zh) * | 2017-08-03 | 2018-02-02 | 华北电力大学(保定) | 一种基于改进谱多流形聚类的负荷曲线聚类方法 |
CN107688829A (zh) * | 2017-08-29 | 2018-02-13 | 湖南财政经济学院 | 一种基于支持向量机的识别系统及识别方法 |
CN107895177A (zh) * | 2017-11-17 | 2018-04-10 | 南京邮电大学 | 一种保持图像分类稀疏结构的迁移分类学习方法 |
CN108664986A (zh) * | 2018-01-16 | 2018-10-16 | 北京工商大学 | 基于lp范数正则化的多任务学习图像分类方法及系统 |
CN108256486A (zh) * | 2018-01-18 | 2018-07-06 | 河南科技大学 | 一种基于非负低秩和半监督学习的图像识别方法及装置 |
Non-Patent Citations (7)
Title |
---|
AMIN KHERADMAND 等: "A General Framework for Kernel Similarity-based Image Denoising", 《 2013 IEEE GLOBAL CONFERENCE ON SIGNAL AND INFORMATION PROCESSING》 * |
JOSE MORENO 等: "Kernel image similarity criterion", 《2011 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING》 * |
ZHAO KANG 等: "Kernel-driven similarity learning", 《NEUROCOMPUTING》 * |
ZHAO KANG 等: "Low-rank kernel learning for graph-based clustering", 《KNOWLEDGE-BASED SYSTEMS》 * |
冯昌 等: "随机傅里叶特征空间中高斯核支持向量机模型选择", 《计算机研究与发展》 * |
李佳 等: "内河船舶缺失轨迹修复方法", 《哈尔滨工程大学学报》 * |
王永明 等: "基于最小二乘支持向量机的AIS数据修复方法", 《上海海事大学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472653A (zh) * | 2019-07-01 | 2019-11-19 | 浙江大学 | 一种基于最大化区域互信息的语义分割方法 |
CN110472653B (zh) * | 2019-07-01 | 2021-09-21 | 浙江大学 | 一种基于最大化区域互信息的语义分割方法 |
CN110991470A (zh) * | 2019-07-03 | 2020-04-10 | 北京市安全生产科学技术研究院 | 数据降维方法、画像构建方法及系统、可读存储介质 |
CN111967499A (zh) * | 2020-07-21 | 2020-11-20 | 电子科技大学 | 基于自步学习的数据降维方法 |
CN111967499B (zh) * | 2020-07-21 | 2023-04-07 | 电子科技大学 | 基于自步学习的数据降维方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109886315B (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
CN107368807B (zh) | 一种基于视觉词袋模型的监控视频车型分类方法 | |
Kim et al. | Color–texture segmentation using unsupervised graph cuts | |
CN110045015B (zh) | 一种基于深度学习的混凝土结构内部缺陷检测方法 | |
CN107563442B (zh) | 基于稀疏低秩正则图张量化嵌入的高光谱图像分类方法 | |
Ovsjanikov et al. | Shape matching via quotient spaces | |
CN110222560B (zh) | 一种嵌入相似性损失函数的文本人员搜索方法 | |
CN105930873B (zh) | 一种基于子空间的自步跨模态匹配方法 | |
CN105335756A (zh) | 一种鲁棒学习模型与图像分类系统 | |
CN105608478B (zh) | 一种图像的特征提取与分类联合方法及系统 | |
CN109886315A (zh) | 一种基于核保持的图像相似性度量方法 | |
CN108460400B (zh) | 一种结合多种特征信息的高光谱图像分类方法 | |
CN104281835B (zh) | 基于局部敏感的核稀疏表示的人脸识别方法 | |
CN106971197A (zh) | 基于差异性与一致性约束的多视数据的子空间聚类方法 | |
CN110751027B (zh) | 一种基于深度多示例学习的行人重识别方法 | |
CN110378423A (zh) | 特征提取方法、装置、计算机设备及存储介质 | |
CN106250925B (zh) | 一种基于改进的典型相关分析的零样本视频分类方法 | |
CN103955709A (zh) | 基于加权合成核与tmf的极化sar图像分类方法 | |
CN109034213B (zh) | 基于相关熵原则的高光谱图像分类方法和系统 | |
CN107578063B (zh) | 基于快速选取地标点的图像谱聚类方法 | |
CN106908774B (zh) | 基于多尺度核稀疏保持投影的一维距离像识别方法 | |
CN107644230B (zh) | 一种遥感图像对象的空间关系建模方法 | |
CN116563649B (zh) | 基于张量映射网络的高光谱图像轻量化分类方法及装置 | |
CN103093239B (zh) | 一种融合了点对和邻域信息的建图方法 | |
Li et al. | Deep manifold reconstruction neural network for hyperspectral 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |