CN110288592B - 一种基于概率语义分析模型的锌浮选加药状态评价的方法 - Google Patents

一种基于概率语义分析模型的锌浮选加药状态评价的方法 Download PDF

Info

Publication number
CN110288592B
CN110288592B CN201910586983.4A CN201910586983A CN110288592B CN 110288592 B CN110288592 B CN 110288592B CN 201910586983 A CN201910586983 A CN 201910586983A CN 110288592 B CN110288592 B CN 110288592B
Authority
CN
China
Prior art keywords
visual
image
zinc flotation
analysis model
semantic
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
Application number
CN201910586983.4A
Other languages
English (en)
Other versions
CN110288592A (zh
Inventor
唐朝晖
刘亦玲
高小亮
范影
唐励雍
李涛
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN201910586983.4A priority Critical patent/CN110288592B/zh
Publication of CN110288592A publication Critical patent/CN110288592A/zh
Application granted granted Critical
Publication of CN110288592B publication Critical patent/CN110288592B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/237—Lexical tools
    • G06F40/242—Dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于概率语义分析模型的锌浮选加药状态评价的方法，通过加速鲁棒特征算法获取不同加药状态的锌浮选图像的动态特征，并利用灰度共生矩阵提取泡沫图像的底层纹理特征，通过精确欧式局部敏感哈希聚类算法对获取的泡沫图像动态特征向量聚类，构建相关视觉词典，将所获取的动态特征和底层纹理特征之间使用皮尔逊相关系数相关度度量，优化原始视觉词典，最后采用概率语义分析模型对不同的泡沫图像进行锌浮选加药状态评价。本发明解决了工人对锌浮选加药状态评价不准确及耗时长的问题，能准确评价锌浮选加药状态，减短运算时间，从而实现锌浮选过程的整体优化。

Description

一种基于概率语义分析模型的锌浮选加药状态评价的方法
技术领域
本发明涉及锌浮选自动化技术领域，特别是涉及一种基于概率语义分析模型的锌浮选加药状态评价方法。
背景技术
在锌浮选领域中，加药状态评价主要通过现场有经验的工人观察浮选槽表面泡沫形态从而完成现场操作，但是由于现场工人的操作具有主观性和没有统一的标准，使得浮选过程中加药状态的操作误差大、效率低，无法对锌浮选过程中加药状态进行客观评价与认知，从而易造成企业的工作效率低下和矿物原料的流失。
之前在锌浮选加药状态评价领域主要是通过自适应学习泡沫的表面特征来识别，通过将气泡大小的PDF转化为累计分布直方图特征，利用无监督最远邻聚类学习方法获得典型药剂下泡沬尺寸累计分布直方图的聚类特征集，对一段泡沫图像进行典型分布标记并运用贝叶斯推理原理获得当前药剂添加量下的加药状态评价，该类方法主要有运算复杂，评价不准确的不足。
本发明主要是基于机器视觉和数字图像处理技术，由于浮选泡沫图像底层特征在颜色和尺寸上具有较高的相似性，其底层特征主要通过纹理特征来区别，通过对锌浮选泡沫图像动态特征和纹理特征提取，使用以词袋模型为基础的概率潜在语义分析模型对当前锌浮选加药状态评价。在过程中主要通过结合浮选泡沫图像的动态特征与纹理特征，利用精确欧式局部敏感哈希聚类(E2LSH)算法对获取的泡沫图像动态特征聚类，提取相关描述视觉单词，引入皮尔逊相关系数优化视觉词典，最后建立概率语义分析模型对锌浮选过程中加药状态评价。这种方法减短运算时间，同时提高了评价的准确性，从而实现锌浮选过程的整体优化，提高精矿品味。
发明内容
本发明的目的是提供一种通过对泡沫图像动态特征提取，建立泡沫图像动态特征与当前加药状态评价的相关模型的解决方法。首先通过加速鲁棒特征算法(SURF)获取不同加药状态的锌浮选图像的动态特征，并且利用灰度共生矩阵提取泡沫图像的底层纹理特征，通过精确欧式局部敏感哈希聚类算法(E2LSH)对获取的泡沫图像动态特征向量聚类，提取相关描述视觉单词，构建原始视觉词典，将所获取的动态特征与动态特征之间和底层纹理特征与动态特征之间的相关度通过皮尔逊相关系数进行比较，优化原始视觉词典，得到最终的语义视觉词典，再引入概率语义分析模型对锌浮选加药状态评价。
一种基于概率语义分析模型的锌浮选加药状态评价的方法，其特征在于：
步骤A、使用加速鲁棒特征算法对不同加药状态下的锌浮选泡沫图像提取动态特征；
步骤B、使用精确欧式局部敏感哈希聚类算法对获取的泡沫图像动态特征聚类，提取相关描述视觉单词，构建完成原始视觉词典；具体过程为：
步骤B1、用加速鲁棒特征算法提取图像动态特征构成动态特征集R＝{r1,r2,…,ri,…,rN-1,rN}。其中，ri是图像的一个动态特征，N为特征集R中特征个数；
步骤B2、从E2LSH聚类算法中的函数集G中随机选取一个位置敏感函数g求取图像动态特征集R中动态特征ri对应的k维向量g(ri)；
步骤B3、计算ri的主哈希值h1(g(ri))和次哈希值h2(g(ri))，将R中主、次哈希值都相同的动态特征放入同一个桶bk中，bk即是视觉短语；
步骤B4、求取所有图像动态特征的桶bk构成原始视觉词典Tg＝{b1,b2,…,bk,…,bZ}；
步骤C、将所获取的动态特征和锌浮选泡沫图像底层纹理特征使用皮尔逊相关系数相关度度量对原始视觉词典优化，得到优化后的语义视觉词典；具体过程为：
步骤C1、对原始视觉词典Tg＝{b1,b2,…,bk,…,bZ}中的任意一个视觉短语bk，根据公式
Figure BDA0002114830570000031
Figure BDA0002114830570000032
计算该视觉短语与原始视觉词典中其它视觉短语之间的相关系数|ρn|，得到相关系数矩阵hk＝[|ρ1|,…,|ρn|,…,|ρZ-1|]；
步骤C2、设定阈值ratio1，对降序排序后的相关系数矩阵hk，搜索视觉短语，若|ρn|<ratio1，则将该视觉短语加入新建的视觉短语集合Bg＝{b1,b2,…,bk,…,bM}中；
步骤C3、若|ρn|≥ratio1，再将此视觉短语对应的动态特征与锌浮选泡沫图像底层纹理特征进行相关度的度量，利用灰度共生矩阵求出锌浮选泡沫图像底层特征，分别为角二阶矩、熵、对比度、逆差距、相关性，记为底层特征集S＝{s1,s2,s3,s4,s5}，计算ri与底层特征集S之间的皮尔逊相关系数|ρ′n|＝[|ρ′1|,|ρ′2|,|ρ′3|,|ρ′4|,|ρ′5|]；
步骤C4、设定阈值ratio2，若|ρ′n|>ratio2，则将该视觉短语加入视觉短语集合Bg中，从而得到最终优化后语义视觉词典；具体过程为：
步骤D、建立潜在语义分析模型，用Z＝[z1,z2,…,zl,…,zL]表示潜在语义主题集合，L为经验确定的主题个数，是一个常数。得到潜在语义主题在泡沫图像上的分布概率p(Z/dj)，再训练分类器模型；具体过程为：
步骤D1、假设D＝[d1,d2,…,di,…,dN]为训练图像集，N为图像总数，假设优化后的视觉词典为W＝[w1,w2,…,wj,…,wK]，K为优化后的视觉短语总个数，所有训练图像就用“单词-图像”的共生矩阵Q，其中Q＝n(wj,di)∈K×N，表示视觉词典wj在泡沫图像di中出现的频次；
步骤D2、使用公式
Figure BDA0002114830570000041
求出“泡沫图像-视觉单词”的条件概率分布，其中p(dj)表示第j幅图像出现的概率，p(wi/zl)为潜在语义主题zl在视觉单词wi上的分布概率，p(zl/dj)为潜在语义主题zl在图像dj上的分布概率；
步骤D3、根据极大似然准则对参数p(wi/zl)和p(zl/dj)求解，利用EM算法求解模型；
步骤D4、最后训练SVM分类器评价；
步骤E、在测试阶段，用加速鲁棒特征算法提取测试图像动态特征，然后基于语义视觉词典直接建立潜在语义分析模型，得到潜在语义主题在图像上的分布概率，最后通过已经训练好的分类器对锌浮选图像进行加药状态评价。
所述步骤D包括：所述的图像总数N与视觉短语总个数K的约束关系式为N：K＝1：5～6。
步骤C所述的设定阈值ratio1的值为(0.4，0.5)。
步骤D所述的设定阈值ratio2的值为(0.5，0.7)。
5、根据权利要求1所述的一种基于皮尔逊相关系数的语义视觉词典优化方法,其特征在于，步骤D所述的潜在语义主题个数L的值为800。
与现有技术相比，本发明的有益效果是利用文本描述分类的思想对锌浮选加药状态评价更符合人体视觉感观本身的表达；使用皮尔逊相关系数度量了对锌浮选泡沫图像描述相关度更高的动态特征，也度量了动态特征和浮选泡沫图像纹理特征的相关度，从而减少了视觉词典的同义性和歧义性，避免了视觉词典的冗余，实现对视觉词典进一步优化；最后通过建立概率语义分析模型使得锌浮选加药状态评价缩短了计算时间和提高了评价的准确性。
附图说明
图1为锌浮选加药状态评价模型系统框架图。
具体实施方式
下面结合附图对本发明进一步说明。
1、在锌浮选中，采取不同加药状态下的泡沫图像，假设训练图像集为D＝[d1,d2,…,dj,…,dN]，其中di表示第i幅图像。
2、使用SURF算法提取锌浮选泡沫图像动态特征集R＝{r1,r2,…,ri,…,rN-1,rN}，其中，ri是泡沫图像的动态特征，N为特征集R中特征个数；通过使用E2LSH算法对图像动态特征聚类，生成哈希表Tg＝{b1,b2,…,bk,…,bZ}，其中bk是哈希表中第k个桶，Z表示哈希表中桶的总个数。哈希表Tg完成对图像动态特征的一个特定划分，哈希表Tg＝{b1,b2,…,bk,…,bZ}就是原始视觉词典。具体步骤如下：
a、从E2LSH聚类算法中函数集G中随机选取一个位置敏感函数g；
b、用位置敏感函数g求取图像动态特征集R中动态特征ri对应的k维向量g(ri)；
c、计算动态特征ri的主哈希值h1(g(ri))和次哈希值h2(g(ri))，将R中主、次哈希值都相同的动态特征放入同一个桶bk中，bk即是视觉短语；
d、求取所有图像动态特征的桶bk构成原始视觉词典Tg＝{b1,b2,…,bk,…,bZ}。
3、采用皮尔逊相关系数相关度作为原始视觉词典中视觉短语间相关度大小的判定方式，取原始视觉词典Tg中的的任意一个视觉短语bk，求取该视觉短语与原始视觉词典中其它视觉短语之间的相关系数，在皮尔逊相关系数公式(1)中，
Figure BDA0002114830570000071
其中，ρ(X,Y)代表的意义是两个不同的图像动态特征向量X和Y的线性相关的强弱程度，其中包含-1≤ρ(X,Y)≤1，若ρ(X,Y)＝0，表示两个特征向量非线性相关，ρ(X,Y)的绝对值越大表明相关性越强，即相关度越大。设定阈值ratio1，作为判定依据，得到相关度比阈值小的其他视觉短语，新建视觉短语集合。具体步骤如下：
a、对原始视觉词典Tg＝{b1,b2,…,bk,…,bZ}中的任意一个视觉短语bk，根据公式(1)计算该视觉短语与原始视觉词典中其它视觉短语之间的相关系数|ρn|，得到相关系数矩阵hk＝[|ρ1|,…,|ρn|,…,|ρZ-1|]；
b、对相关系数矩阵hk降序排序；
c、设定一个阈值ratio1＝0.45，对降序后的相关系数矩阵hk搜索视觉短语，若|ρn|<ratio1，则将该视觉短语加入视觉短语集合Bg＝{b1,b2,…,bk,…,bM}中。
4、为避免省略一部分锌浮选泡沫图像的重要特征，若|ρn|≥ratio1，再将此视觉短语对应的动态特征与泡沫图像底层纹理特征再求取皮尔逊相关度|ρ′n|，设定阈值ratio2，若|ρ′n|>ratio2，留下此视觉短语加入视觉短语集合,优化原始视觉词典中的视觉短语,构建新的语义视觉词典。具体步骤如下：
a、利用灰度共生矩阵求出浮选泡沫图像底层特征，分别为角二阶矩(ASM)、熵(ENT)、对比度(CON)、逆差距(IDM)、相关性(COR)，记为底层特征集S＝{s1,s2,s3,s4,s5}，计算ri与底层特征集S之间的皮尔逊相关系数|ρ′n|＝[|ρ′1|,|ρ′2|,|ρ′3|,|ρ′4|,|ρ′5|]；
b、设定一个阈值ratio2＝0.6，若|ρ′n|>ratio2，则将该视觉短语加入视觉短语集合Bg中，从而得到最终优化后的语义视觉词典。
5、建立概率语义分析模型(PLSA)模型，可以得到潜在主题在图像上的分布概率p(Z/dj)，对训练图像进行表示，其中，Z＝[z1,z2,…,zl,zL]表示潜在主题集合，L为主题数目，L＝800。具体步骤如下：
a、假设D＝[d1,d2,…,di,…,dN]为训练图像集，N为图像总数，假设优化后的视觉词典为W＝[w1,w2,…,wj,…,wk]，K为优化后的视觉短语总个数，所有训练图像就可以用“单词-图像”的共生矩阵Q，其中Q＝n(wj,di)∈K×N，表示视觉词典wj在图像di中出现的频次。
b、在PLSA模型中假设“图像-视觉单词”之间是条件独立的，并且潜在语义主题在图像和视觉单词上的分布也是条件独立的。可以用公式(2)表示“图像-视觉单词”的条件概率分布：
Figure BDA0002114830570000081
其中p(dj)表示第j幅图像出现的概率，p(wi/zl)为潜在语义主题zl在视觉单词wi上的分布概率，p(zl/dj)为潜在语义主题zl在图像dj上的分布概率。
c、根据极大似然准则对参数p(wi/zl)和p(zl/dj)求解，利用EM算法求解模型。
d、运用上述模型，最后在训练SVM分类器评价。
6、在测试阶段，首先在测试图像上用SURF算法提取锌浮选泡沫图像动态特征，然后基于优化后语义视觉词典直接建立PLSA模型，得到潜在语义主题在图像上的分布概率，最后通过已经训练好的分类器模型对锌浮选图像进行加药状态评价，得到结果。

Claims (5)

1.一种基于概率语义分析模型的锌浮选加药状态评价的方法，其特征在于：
步骤A、使用加速鲁棒特征算法对不同加药状态下的锌浮选泡沫图像提取动态特征；
步骤B、使用精确欧式局部敏感哈希聚类算法对获取的泡沫图像动态特征聚类，提取相关描述视觉单词，构建完成原始视觉词典；具体过程为：
步骤B1、用加速鲁棒特征算法提取图像动态特征构成动态特征集R＝{r1，r2，…，ri，…，rN-1，rN}；其中，ri是图像的一个动态特征，N为特征集R中特征个数；
步骤B2、从E2LSH聚类算法中的函数集G中随机选取一个位置敏感函数g求取图像动态特征集R中动态特征ri对应的k维向量g(ri)；
步骤B3、计算ri的主哈希值h1(g(ri))和次哈希值h2(g(ri))，将R中主、次哈希值都相同的动态特征放入同一个桶bk中，bk即是视觉短语；
步骤B4、求取所有图像动态特征的桶bk构成原始视觉词典Tg＝{b1，b2，…，bk，…，bZ}；
步骤C、将所获取的动态特征和锌浮选泡沫图像底层纹理特征使用皮尔逊相关系数相关度度量对原始视觉词典优化，得到优化后的语义视觉词典；具体过程为：
步骤C1、对原始视觉词典Tg＝{b1，b2，…，bk，…，bZ}中的任意一个视觉短语bk，根据公式
Figure FDA0002887779230000021
Figure FDA0002887779230000022
计算该视觉短语与原始视觉词典中其它视觉短语之间的相关系数|ρn|，得到相关系数矩阵hk＝[|ρ1|，…，|ρn|，…，|ρZ-1|]；
步骤C2、设定阈值ratio1，对降序排序后的相关系数矩阵hk，搜索视觉短语，若|ρn|＜ratio1，则将该视觉短语加入新建的视觉短语集合Bg＝{b1，b2，…，bk，…，bM}中；
步骤C3、若|ρn|≥ratio1，再将此视觉短语对应的动态特征与锌浮选泡沫图像底层纹理特征进行相关度的度量，利用灰度共生矩阵求出锌浮选泡沫图像底层特征，分别为角二阶矩、熵、对比度、逆差距、相关性，记为底层特征集S＝{s1，s2，s3，s4，s5}，计算ri与底层特征集S之间的皮尔逊相关系数|ρ′n|＝[|ρ′1|，|ρ′2|，|ρ′3|，|ρ′4|，|ρ′5|]；
步骤C4、设定阈值ratio2，若|ρ′n|＞ratio2，则将该视觉短语加入视觉短语集合Bg中，从而得到最终优化后语义视觉词典；具体过程为：
步骤D、建立潜在语义分析模型，用Z＝[z1，z2，…，zl，…，zL]表示潜在语义主题集合，L为经验确定的主题个数，是一个常数；得到潜在语义主题在泡沫图像上的分布概率p(Z/dj)，再训练分类器模型；
步骤D1、假设D＝[d1，d2，...，di，...，dN]为训练图像集，N为图像总数，假设优化后的视觉词典为W＝[w1，w2，…，wj，…，wK]，K为优化后的视觉短语总个数，所有训练图像就用“单词-图像”的共生矩阵Q，其中Q＝n(wj，di)∈K×N，表示视觉词典wj在泡沫图像di中出现的频次；
步骤D2、使用公式
Figure FDA0002887779230000031
求出“泡沫图像-视觉单词”的条件概率分布，其中p(dj)表示第j幅图像出现的概率，p(wi/zl)为潜在语义主题zl在视觉单词wi上的分布概率，p(zl/dj)为潜在语义主题zl在图像dj上的分布概率；
步骤D3、根据极大似然准则对参数p(wi/zl)和p(zl/dj)求解，利用EM算法求解模型；
步骤D4、最后训练SVM分类器评价；
步骤E、在测试阶段，用加速鲁棒特征算法提取测试图像动态特征，然后基于语义视觉词典直接建立潜在语义分析模型，得到潜在语义主题在图像上的分布概率，最后通过已经训练好的分类器对锌浮选图像进行加药状态评价。
2.根据权利要求1所述的一种基于概率语义分析模型的锌浮选加药状态评价的方法，其特征在于，所述步骤D包括：所述的图像总数N与视觉短语总个数K的约束关系式为N∶K＝1∶5～6。
3.根据权利要求1所述的基于概率语义分析模型的锌浮选加药状态评价的方法，其特征在于，步骤C所述的设定阈值ratio1的值为(0.4，0.5)中的值。
4.根据权利要求1所述的基于概率语义分析模型的锌浮选加药状态评价的方法，其特征在于，步骤D所述的设定阈值ratio2的值为(0.5，0.7)中的值。
5.根据权利要求1所述的基于概率语义分析模型的锌浮选加药状态评价的方法，其特征在于，步骤D所述的潜在语义主题个数L的值为800。
CN201910586983.4A 2019-07-02 2019-07-02 一种基于概率语义分析模型的锌浮选加药状态评价的方法 Active CN110288592B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910586983.4A CN110288592B (zh) 2019-07-02 2019-07-02 一种基于概率语义分析模型的锌浮选加药状态评价的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910586983.4A CN110288592B (zh) 2019-07-02 2019-07-02 一种基于概率语义分析模型的锌浮选加药状态评价的方法

Publications (2)

Publication Number Publication Date
CN110288592A CN110288592A (zh) 2019-09-27
CN110288592B true CN110288592B (zh) 2021-03-02

Family

ID=68021540

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910586983.4A Active CN110288592B (zh) 2019-07-02 2019-07-02 一种基于概率语义分析模型的锌浮选加药状态评价的方法

Country Status (1)

Country Link
CN (1) CN110288592B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420141B (zh) * 2021-06-24 2022-10-04 中国人民解放军陆军工程大学 基于哈希聚类和上下文信息的敏感数据搜索方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101814147A (zh) * 2010-04-12 2010-08-25 中国科学院自动化研究所 一种实现场景图像的分类方法
CN102034096A (zh) * 2010-12-08 2011-04-27 中国科学院自动化研究所 基于自顶向下运动注意机制的视频事件识别方法
CN102693311A (zh) * 2012-05-28 2012-09-26 中国人民解放军信息工程大学 基于随机化视觉词典组和上下文语义信息的目标检索方法
CN102905200A (zh) * 2012-08-07 2013-01-30 上海交通大学 一种视频感兴趣区域双流编码传输方法及系统
CN104700100A (zh) * 2015-04-01 2015-06-10 哈尔滨工业大学 面向高空间分辨率遥感大数据的特征提取方法
CN104834693A (zh) * 2015-04-21 2015-08-12 上海交通大学 基于深度搜索的视觉图像检索方法及系统
US9262688B1 (en) * 2011-09-24 2016-02-16 Z Advanced Computing, Inc. Method and system for analyzing and recognition of an emotion or expression from multimedia, text, or sound track
CN106815852A (zh) * 2016-12-24 2017-06-09 辽宁师范大学 基于四元数极谐变换的彩色图像取证方法
CN107180079A (zh) * 2017-04-28 2017-09-19 华南理工大学 基于卷积神经网络以及树与哈希结合索引的图像检索方法
CN109409740A (zh) * 2018-10-25 2019-03-01 江苏方天电力技术有限公司 一种基于皮尔森相关系数校核风力发电数据质量的方法
CN109410248A (zh) * 2018-10-23 2019-03-01 湖南科技大学 一种基于r-K算法的浮选泡沫运动特征提取方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7024400B2 (en) * 2001-05-08 2006-04-04 Sunflare Co., Ltd. Differential LSI space-based probabilistic document classifier
US20100287162A1 (en) * 2008-03-28 2010-11-11 Sanika Shirwadkar method and system for text summarization and summary based query answering
CN102855492B (zh) * 2012-07-27 2015-02-04 中南大学 基于矿物浮选泡沫图像的分类方法
US11450121B2 (en) * 2017-06-27 2022-09-20 The Regents Of The University Of California Label-free digital brightfield analysis of nucleic acid amplification

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101814147A (zh) * 2010-04-12 2010-08-25 中国科学院自动化研究所 一种实现场景图像的分类方法
CN102034096A (zh) * 2010-12-08 2011-04-27 中国科学院自动化研究所 基于自顶向下运动注意机制的视频事件识别方法
US9262688B1 (en) * 2011-09-24 2016-02-16 Z Advanced Computing, Inc. Method and system for analyzing and recognition of an emotion or expression from multimedia, text, or sound track
US9424533B1 (en) * 2011-09-24 2016-08-23 Z Advanced Computing, Inc. Method and system for predicting an outcome of an event
CN102693311A (zh) * 2012-05-28 2012-09-26 中国人民解放军信息工程大学 基于随机化视觉词典组和上下文语义信息的目标检索方法
CN102905200A (zh) * 2012-08-07 2013-01-30 上海交通大学 一种视频感兴趣区域双流编码传输方法及系统
CN104700100A (zh) * 2015-04-01 2015-06-10 哈尔滨工业大学 面向高空间分辨率遥感大数据的特征提取方法
CN104834693A (zh) * 2015-04-21 2015-08-12 上海交通大学 基于深度搜索的视觉图像检索方法及系统
CN106815852A (zh) * 2016-12-24 2017-06-09 辽宁师范大学 基于四元数极谐变换的彩色图像取证方法
CN107180079A (zh) * 2017-04-28 2017-09-19 华南理工大学 基于卷积神经网络以及树与哈希结合索引的图像检索方法
CN109410248A (zh) * 2018-10-23 2019-03-01 湖南科技大学 一种基于r-K算法的浮选泡沫运动特征提取方法
CN109409740A (zh) * 2018-10-25 2019-03-01 江苏方天电力技术有限公司 一种基于皮尔森相关系数校核风力发电数据质量的方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Bag-of-Visual-Words Based Object Retrieval with E2LSH and Query Expansion;Zhao Yongwei 等;《Instrumentation，Measurement，Circuits and Systems》;20121231;第127卷;第713-725页 *
Machine Vision Based Production Condition Classification and Recognition for Mineral Flotation Process Monitoring;Jinping Liu 等;《International Journal of Computational Intelligence Systems》;20130930;第6卷(第5期);第969-986页 *
Recognition of the operational statuses of reagent addition using dynamic bubble size distribution in copper flotation process;Jinping Liu 等;《Minerals Engineering》;20130326;第45卷;第128-141页 *
图像视觉特征与视觉单词构造;吴飞;《https://wenku.baidu.com/view/072358f15ff7ba0d4a7302768e9951e79b89699f.html》;20161204;第1-65页 *
基于E~2LSH-MKL的视觉语义概念检测;张瑞杰 等;《自动化学报》;20121031;第38卷(第10期);第1671-1678页 *
基于数字图像处理的浮选泡沫速度特征提取及分析;唐朝晖 等;《中南大学学报（自然科学版）》;20091231;第40卷(第6期);第1616-1622页 *
基于泡沫图像特征加权SVM的矿物浮选工况识别;杨春华 等;《第二十二届中国过程控制会议论文集》;20120327;第1-5页 *

Also Published As

Publication number Publication date
CN110288592A (zh) 2019-09-27

Similar Documents

Publication Publication Date Title
CN107273490B (zh) 一种基于知识图谱的组合错题推荐方法
CN110135459B (zh) 一种基于双三元组深度度量学习网络的零样本分类方法
CN111126482B (zh) 一种基于多分类器级联模型的遥感影像自动分类方法
CN101893704B (zh) 一种基于粗糙集的雷达辐射源信号识别方法
CN102254192B (zh) 基于模糊k近邻的三维模型半自动标注方法及系统
CN108563624A (zh) 一种基于深度学习的自然语言生成方法
CN114998602B (zh) 基于低置信度样本对比损失的域适应学习方法及系统
CN109284779A (zh) 基于深度全卷积网络的物体检测方法
CN110569355B (zh) 一种基于词块的观点目标抽取和目标情感分类联合方法及系统
CN110598759A (zh) 一种基于多模态融合的生成对抗网络的零样本分类方法
CN111652264A (zh) 基于最大均值差异的负迁移样本筛选方法
CN114722892A (zh) 基于机器学习的持续学习方法及装置
CN110442736B (zh) 一种基于二次判别分析的语义增强子空间跨媒体检索方法
CN110288592B (zh) 一种基于概率语义分析模型的锌浮选加药状态评价的方法
CN111144462A (zh) 一种雷达信号的未知个体识别方法及装置
CN113076490B (zh) 一种基于混合节点图的涉案微博对象级情感分类方法
CN111079582A (zh) 一种图像识别的英语作文跑题判断方法
CN112651500B (zh) 一种量化模型的生成方法及终端
US20220156519A1 (en) Methods and systems for efficient batch active learning of a deep neural network
CN110378384B (zh) 一种结合特权信息和排序支持向量机的图像分类方法
CN105894032A (zh) 一种针对样本性质提取有效特征的方法
CN117350287A (zh) 一种基于舆情大数据的文本情感分析方法
CN113011513A (zh) 一种基于通用域自适应的图像大数据分类方法
CN111221915B (zh) 基于CWK-means的在线学习资源质量分析方法
CN112541010A (zh) 一种基于逻辑回归的用户性别预测方法

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