CN110516724A - 可视化作战场景的高性能多层字典学习特征图像处理方法 - Google Patents

可视化作战场景的高性能多层字典学习特征图像处理方法 Download PDF

Info

Publication number
CN110516724A
CN110516724A CN201910758960.7A CN201910758960A CN110516724A CN 110516724 A CN110516724 A CN 110516724A CN 201910758960 A CN201910758960 A CN 201910758960A CN 110516724 A CN110516724 A CN 110516724A
Authority
CN
China
Prior art keywords
dictionary
iteration
learning
model
weight
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
Application number
CN201910758960.7A
Other languages
English (en)
Other versions
CN110516724B (zh
Inventor
罗晓东
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.)
Shenyang Ruichu Technology Co Ltd
Original Assignee
Shenyang Ruichu Technology Co Ltd
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 Shenyang Ruichu Technology Co Ltd filed Critical Shenyang Ruichu Technology Co Ltd
Publication of CN110516724A publication Critical patent/CN110516724A/zh
Application granted granted Critical
Publication of CN110516724B publication Critical patent/CN110516724B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/24—Character recognition characterised by the processing or recognition method
    • G06V30/242—Division of the character sequences into groups prior to recognition; Selection of dictionaries

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Character Discrimination (AREA)

Abstract

本发明属于作战场景智能化领域，特别涉及可视化作战场景的高性能多层字典学习特征图像处理方法。该方法具体包括形成初始字典；将初始字典进行字典降维，并形成图像目标的初步特征库；将初步特征库进行简化稀疏表示，得到稀疏化字典；将稀疏化字典最小化，更新初始字典得到稀疏化字典最小化；自上而下的生成模型，生成模型属于字典学习的生成模板模型；自下而上的重构模型，重构模型属于字典学习的重构模板模型；通过生成模板模型与重构模板模型形成目标的有效识别与分类。发明针对不同作战场景的可视化图像特征，通过建立深度多层网络来进行目标识别和分类，提升精度；通过误差迭代实现重构最优化；通过初始化字典矩阵，形成最优逼近方向。

Description

可视化作战场景的高性能多层字典学习特征图像处理方法
技术领域：
本发明属于作战场景智能化领域，特别涉及可视化作战场景的高性能多层字典学习特征图像处理方法。
背景技术：
面向可视化的目标显示，提供精确的目标显示特征，并通过基于字典学习的图像处理架构，并通过字典特征提取，结合纹理的增强等基本抽象功能。通过大型典型仿真场景的线下进行大规模字典数据训练形成模板，为自主可控可添加模板模型。同时具备场景的纹理增强功能，如场景的阴影，纹理等特殊增强特征。
而目前通过字典学习本身进行更新字典原子很难达到降低字典维数的目标，以及图像目标特征选择处理形成较大的运算量。同时，为了提升字典学习的稀疏表示，设计字典通常需要更新固定的字典基向量来完成，能否设计完备字典决定了能否更加逼近表示真实信号。因此，目前需要一种能够降低字典维数、更加逼近表示真实信号的图像处理法。
发明内容：
发明目的：
为了克服上述现有技术的不足，本发明提供了可视化作战场景的高性能多层字典学习特征图像处理方法。
技术方案：
可视化作战场景的高性能多层字典学习特征图像处理方法，该方法具体步骤包括：
步骤一：形成初始字典；将初始字典进行字典降维，并形成图像目标的初步特征库；
步骤二：将初步特征库进行简化稀疏表示，得到稀疏化字典；
步骤三：将稀疏化字典最小化，更新初始字典得到稀疏化字典最小化；
步骤四：自上而下的生成模型，生成模型属于字典学习的生成模板模型；
步骤五：自下而上的重构模型，重构模型属于字典学习的重构模板模型；
步骤六：通过生成模板模型与重构模板模型形成目标的有效识别与分类。
进一步的，步骤一中的具体步骤包括：通过建立初始字典，初始字典根据初始化特征需求，后续根据迭来更新迭代字典，通过更新初始化字典实现最优的字典学习的情况，形成自适应变更及改进；
其中，D表示最优化权值字典，Y表示获取的图像数据，Dkx表示迭代k次后的字典。
进一步的，步骤二的具体步骤包括：通过每个节点的分解，提升了计算量，并且在分解过程中，引入了过多的冗余，为了简化，问题的求解转换为寻找使得Dkx最小化的稀疏编码，所以需要针对该步骤，同时为了降低选择冗余字典的风险，简化了稀疏表示的步骤，通过更新矩阵y列来确定，y列是小于已经确定的阈值，那么初始化权值字典D的k行作为零向量处理；x是将在初始化权值字典D和矩阵y的共同支持下进行更新。
进一步的，步骤三的稀疏化字典最小化的具体步骤包括：在初始化权值字典D与y列的共同决定下，同时考虑到这些参数特征，公式(1)的最优化问题等价于公式(2)的最优值问题，如下式所得：
其中xk表示迭代后的字典基向量；Dkx表示迭代k次后的字典；
以及最近的分析算子学习方法的共同稀疏表示的步骤；确定x的列的硬判别阈值，以保留在每一列中的幅度判别门限。
进一步的，步骤三字典更新步骤，将使得公式(1)的初始化权值字典D最小化；
通过矩阵x的列选择确定初始化权值字典D更新的范围；初始化权值字典D的范围选择需要矩阵x的k列零点位置。
进一步的，步骤四的具体步骤包括：
通过步骤一获得的图像特征Dopt＝{di|i＝1，2，...n}，作为多层字典学习神经网络的输入，其中图像特征作为初始化字典的权值；令d′i作为得到相应的重构特征，根据MMSE准则，计算出图像特征的重构误差，并通过下式计算，得到平均误差
表示n次迭代后的误差，n表示经过迭代次数，ei表示第i次迭代后的系统误差迭代方法的特征重建；特征学习迭代中，特征重构后可以表示为：
V′＝{vi|ei＜η，vi∈V} (5)
V′表示迭代后的误差检测门限合集，vi表示第i次迭代后的误差检测门限，η表示误差设定的检测门限。
进一步的，步骤五的具体步骤包括：在迭代特征学习过程中，由于特征值的重建权重矩阵更为可靠；假设为M的重建权重矩阵，令I在测试数据集上的一个图像，N为提取的多个特征，重构特征写成，
计算出的重建误差
所提出的方法通过压缩字典学习，形成多层字典学习神经网络模型的弱监督学习初始化权值，通过层之间的重构、判决、以及特征选择，进行网络的权值调整，最后获得系统的精简权值，以获得网络输入海量图像的高层特征提取。
进一步的，多层字典学习神经网络是一个分层的体系结构，首先通过选择非零列来压缩学习字典，进而形成初步特征；通过建立多层字典学习神经网络的分层深度学习架构，有效针对可视化作战场景的高性能多层字典学习特征图像。
优点及效果：
第一，本发明通过建立深度多层网络来进行目标识别和分类，提升精度；第二，通过字典的引入，建立生成与重构，通过误差迭代实现重构最优化；第三，通过初始化字典矩阵，可以形成最优逼近方向。
附图说明：
图1是可视化作战场景的高性能多层字典学习特征图像处理方法。
图2是实施例1的具体流程示意图。
具体实施方式：
总体的技术思想是：改进多层字典学习方法，针对作战指挥的可视化图像，来获取战场态势特征，该方法首先通过字典学习，建立海量视频图像特征的完备特征字典库，该字典通过压缩学习，选择原视频的非零列对应稀疏字典原子，形成数据字典的学习完备库，该特征库适用于分层架构。根据MMSE准则，建立自上而下的生成模型和自下而上重构模型，同时采取基于该准则的判别训练的多层前馈网络进行特征重构。
可视化图像数据通过指控光电系统在战场探测采集上传，光电系统通过采集战场态势。本发明首先通过字典学习，建立海量不同作战场景态势状态下的完备特征字典库。字典学习，作为一种信号变换方法，可以根据过完备字典矩阵基向量，通过低维空间向量近似表示高维空间特征。本发明针对不同作战场景的可视化图像特征，如旷野作战场景，城市作战场景，空地作战场景等多种特征视频，建立字典学习的稀疏表示，同时形成完备字典。同时，建立的约束权值非零系数，以获得更接近真实不同作战场景的稀疏表示。字典学习的核心问题之一是稀疏表示。为了提升字典学习的稀疏表示，设计字典通常需要更新固定的字典基向量来完成，因此能否设计完备字典决定了能否更加逼近表示真实信号。
实施例1
如图1和图2所示，将目标图像输入，建立多层深度字典学习网络，
具体步骤是：
步骤一：先形成初始字典；将初始字典进行字典降维，并形成图像目标的初步特征库；
通过字典学习本身进行更新字典原子很难达到降低字典维数的目标，以及图像目标特征选择处理形成较大的运算量。因此，提出先进行字典降维，并形成图像目标的初步特征库。
通过建立初始字典，初始字典根据初始化特征需求，如单位矩阵等等，后续根据迭来更新迭代字典，通过更新初始化字典可以实现最优的字典学习的情况，形成自适应变更及改进；
其中，D表示k次迭代后的最优化权值字典，Y表示获取的图像数据，Dkx表示迭代k次后的字典。
步骤二：将初步特征库进行简化稀疏表示，得到稀疏化字典；
通过当前图像的K-SVD奇异值分解，解决了公式(1)通过迭代之间的两个阶段，即是通过初始字典形成迭代更新的两个阶段。
但是，该步骤通过每个节点的分解，提升了计算量，并且在分解过程中，引入了过多的冗余，为了简化，问题的求解转换为寻找使得(字典迭代更新的)最小化的稀疏编码，所以需要针对该步骤，同时为了降低选择冗余字典的风险，简化了稀疏表示的步骤，通过更新矩阵y列来确定，如果此时向量y列是小于已经确定的阈值，那么初始化权值字典D的k行可以作为零向量处理；x是将在初始化权值字典D和矩阵y的共同支持下进行更新。
步骤二的核心思想在于通过奇异值分解方式，来进行有效的更新迭代字典矩阵，通过字典矩阵的预处理，完成特征的生成。
步骤三：将稀疏化字典最小化，更新初始字典得到稀疏化字典最小化；
同样，初始化权值字典D与y的共同决定下，同时考虑到这些参数特征，公式(1)的最优化问题等价于公式(2)的最优值问题，如公式(2)所得，
其中，xk表示迭代后的字典基向量；Dkx表示迭代后的重构图像数据；
以及最近的分析算子学习方法的共同稀疏表示的步骤。
求解这个问题的核心在于，确定x的列的硬判别阈值，以保留在每一列中的幅度判别门限。例如，其相似性分析，K-SVD需要采用贪婪方法，利用简单的软阈值来求解公式(1)，但是如现有技术中，如果稀疏约束凸放松，将很难通过计算更简单的软阈值方法来求解。因此，本发明采用确定的硬判决阈值来实现。
字典更新步骤，将使得公式(1)的初始化权值字典D最小化。
这里，通过矩阵x的列选择来确定初始化权值字典D更新的范围。D的范围选择需要矩阵x的k列零点位置。通过仅仅使用了有限的x的先验信息，而不是完整的矩阵，降低了字典更新的计算量，有效支撑有限计算量的字典更新步骤学习。
因为本发明采用的硬门限字典更新选择学习方法，公式(1)的分析K-SVD的过程中，只有通过各种近似，才可以求解。因而通过软阈值判决引入误差。在(1)，原来的最小化问题的形式可以通过公式(2)的继而推广，因为公式(2)提供了一个更为简单的解决，其形式更为简单简明。
步骤四：自上而下的生成模型，生成模型属于字典学习的生成模板模型；
通过步骤一获得的图像特征Dopt＝{di|i＝1，2，...n}作为输入，其中图像特征可以作为初始化字典的权值，图像特征Dopt是指经过预处理后的次优字典矩阵；令d′i作为得到相应的重构特征，根据MMSE(最小均方误差)准则，计算出图像特征的重构误差，并通过下式计算，得到平均误差
表示n次迭代后的误差，n表示经过迭代次数，ei表示第i次迭代后的系统误差；
迭代特征重构：先输入Dopt＝{di|i＝1，2，...n}，原始输入字典特征；η输入特征值与整个输入值的比值；停止标准；n输入最大迭代次数；输出后重建权重矩阵；循环；得到的权重矩阵和平均误差；M0＝xopt；M＝Mj；检查停止选项：时结束。按照η计算判决阈值。
特征学习迭代中，特征重构后可以表示为，
V′＝{vi|ei＜η，vi∈V} (5)
V′表示迭代后的误差检测门限合集，vi表示第i次迭代后的误差检测门限，η表示误差设定的检测门限。
步骤五：自下而上的重构模型，重构模型属于字典学习的重构模板模型；
从而获得，一个参数的方法终止的特征学习过程。当前迭代的平均重建误差和最后一个将停止迭代的平均值之间的差。在迭代特征学习过程中，由于特征值的重建权重矩阵更为可靠。假设为M的重建权重矩阵，令I在测试数据集上的一个图像，N为提取的多个特征，重构特征可以写成，
可以计算出的重建误差
所提出的方法通过压缩字典学习，形成多层字典学习神经网络(DNL dictionarynetwork learning)模型的弱监督学习初始化权值，通过层之间的重构、判决、以及特征选择，进行网络的权值调整，最后获得系统的精简权值，以获得网络输入海量图像的高层特征提取。
DNL方法是一个分层的体系结构，首先通过选择非零列来压缩学习字典，进而形成初步特征。DNL网络通过初步特征进行学习选择，中间特征通过基于MMSE准则的重建进行迭代实现。该网络的参数通常有较高的建模能力，通过确定性自上而下的生成，以及自下而上的判别生成学习模型.
步骤六：通过生成模板模型与重构模板模型形成目标的有效识别与分类。
本发明的实施例可提供为方法或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (8)

1.可视化作战场景的高性能多层字典学习特征图像处理方法，其特征在于：该方法具体步骤包括：
步骤一：形成初始字典；将初始字典进行字典降维，并形成图像目标的初步特征库；
步骤二：将初步特征库进行简化稀疏表示，得到稀疏化字典；
步骤三：将稀疏化字典最小化，更新初始字典得到稀疏化字典最小化；
步骤四：自上而下的生成模型，生成模型属于字典学习的生成模板模型；
步骤五：自下而上的重构模型，重构模型属于字典学习的重构模板模型；
步骤六：通过生成模板模型与重构模板模型形成目标的有效识别与分类。
2.根据权利要求1所述的可视化作战场景的高性能多层字典学习特征图像处理方法，其特征在于：步骤一中的具体步骤包括：
通过建立初始字典，初始字典根据初始化特征需求，后续根据迭来更新迭代字典，通过更新初始化字典实现最优的字典学习的情况，形成自适应变更及改进；
其中，D表示k次迭代后的最优化权值字典，Y表示获取的图像数据，D kx表示迭代k次后的字典。
3.根据权利要求1或2所述的可视化作战场景的高性能多层字典学习特征图像处理方法，其特征在于：步骤二的具体步骤包括：
通过每个节点的分解，提升了计算量，并且在分解过程中，引入了过多的冗余，为了简化，问题的求解转换为寻找使得Dkx最小化的稀疏编码，所以需要针对该步骤，同时为了降低选择冗余字典的风险，简化了稀疏表示的步骤，通过更新矩阵y列来确定，y列是小于已经确定的阈值，那么初始化权值字典D的k行作为零向量处理；x是将在初始化权值字典D和矩阵y的共同支持下进行更新。
4.根据权利要求1或2所述的可视化作战场景的高性能多层字典学习特征图像处理方法，其特征在于：步骤三的稀疏化字典最小化的具体步骤包括：
在初始化权值字典D与y列的共同决定下，同时考虑到这些参数特征，公式(1)的最优化问题等价于公式(2)的最优值问题，如下式所得：
其中xk表示迭代后的字典基向量；Dkx表示迭代k次后的字典；以及最近的分析算子学习方法的共同稀疏表示的步骤；确定x的列的硬判别阈值，以保留在每一列中的幅度判别门限。
5.根据权利要求1所述的可视化作战场景的高性能多层字典学习特征图像处理方法，其特征在于：步骤三字典更新步骤，将使得公式(1)的初始化权值字典D最小化；
通过矩阵x的列选择确定初始化权值字典D更新的范围；初始化权值字典D的范围选择需要矩阵x的k列零点位置。
6.根据权利要求1所述的可视化作战场景的高性能多层字典学习特征图像处理方法，其特征在于：步骤四的具体步骤包括：
通过步骤一获得的图像特征Dopt＝{di|i＝1,2,...n}，作为多层字典学习神经网络的输入，其中图像特征作为初始化字典的权值；令d′i作为得到相应的重构特征，根据MMSE准则，计算出图像特征的重构误差，并通过下式计算，得到平均误差：
表示n次迭代后的误差，n表示经过迭代次数，ei表示第i次迭代后的系统误差迭代方法的特征重建；特征学习迭代中，特征重构后表示为：
V'＝{vi|ei＜η,vi∈V} (5)
V'表示迭代后的误差检测门限合集，vi表示第i次迭代后的误差检测门限，η表示误差设定的检测门限。
7.根据权利要求1所述的可视化作战场景的高性能多层字典学习特征图像处理方法，其特征在于：步骤五的具体步骤包括：
在迭代特征学习过程中，由于特征值的重建权重矩阵更为可靠；假设为M的重建权重矩阵，令I在测试数据集上的一个图像，N为提取的多个特征，重构特征写成：
计算出的重建误差
所提出的方法通过压缩字典学习，形成多层字典学习神经网络模型的弱监督学习初始化权值，通过层之间的重构、判决、以及特征选择，进行网络的权值调整，最后获得系统的精简权值，以获得网络输入海量图像的高层特征提取。
8.根据权利要求7所述的可视化作战场景的高性能多层字典学习特征图像处理方法，其特征在于：多层字典学习神经网络是一个分层的体系结构，首先通过选择非零列来压缩学习字典，进而形成初步特征；通过建立多层字典学习神经网络的分层深度学习架构，有效针对可视化作战场景的高性能多层字典学习特征图像。
CN201910758960.7A 2019-06-04 2019-08-16 可视化作战场景的高性能多层字典学习特征图像处理方法 Active CN110516724B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2019104840256 2019-06-04
CN201910484025 2019-06-04

Publications (2)

Publication Number Publication Date
CN110516724A true CN110516724A (zh) 2019-11-29
CN110516724B CN110516724B (zh) 2022-10-25

Family

ID=68626388

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910758960.7A Active CN110516724B (zh) 2019-06-04 2019-08-16 可视化作战场景的高性能多层字典学习特征图像处理方法

Country Status (1)

Country Link
CN (1) CN110516724B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110569807A (zh) * 2019-09-09 2019-12-13 深圳市迪米欧科技有限公司 面向复杂场景的多源目标跟踪方法
CN111709442A (zh) * 2020-05-07 2020-09-25 北京工业大学 一种面向图像分类任务的多层字典学习方法
CN111859810A (zh) * 2020-07-27 2020-10-30 中国科学院半导体研究所 基于加权字典学习的温度场重构方法、装置、设备及介质
CN112434553A (zh) * 2020-10-15 2021-03-02 北京工业大学 一种基于深度字典学习的视频鉴别方法及系统
CN114061947A (zh) * 2021-09-29 2022-02-18 上海交通大学 基于稀疏时频分析的齿轮箱变转速故障诊断方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108122004A (zh) * 2017-12-19 2018-06-05 杭州电子科技大学 基于Fisher判别稀疏超限学习机的脑电分类方法
CN109543702A (zh) * 2018-11-12 2019-03-29 北京工业大学 一种基于深度矩阵字典的字典学习方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108122004A (zh) * 2017-12-19 2018-06-05 杭州电子科技大学 基于Fisher判别稀疏超限学习机的脑电分类方法
CN109543702A (zh) * 2018-11-12 2019-03-29 北京工业大学 一种基于深度矩阵字典的字典学习方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JIFENG DAI，ET AL.: "Unsupervised Learning of Dictionaries of Hierarchical Compositional Models", 《2014 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 *
SNIGDHA TARIYAL，ET AL.: "Deep Dictionary Learning", 《IEEE》 *
刘雅莉，等.: "一种改进的K-SVD字典学习算法", 《河北工业大学学报》 *
静哥哥: "字典学习（Dictionary Learning, KSVD）详解", 《博客园》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110569807A (zh) * 2019-09-09 2019-12-13 深圳市迪米欧科技有限公司 面向复杂场景的多源目标跟踪方法
CN111709442A (zh) * 2020-05-07 2020-09-25 北京工业大学 一种面向图像分类任务的多层字典学习方法
CN111859810A (zh) * 2020-07-27 2020-10-30 中国科学院半导体研究所 基于加权字典学习的温度场重构方法、装置、设备及介质
CN111859810B (zh) * 2020-07-27 2023-11-03 中国科学院半导体研究所 基于加权字典学习的温度场重构方法、装置、设备及介质
CN112434553A (zh) * 2020-10-15 2021-03-02 北京工业大学 一种基于深度字典学习的视频鉴别方法及系统
CN112434553B (zh) * 2020-10-15 2024-04-19 北京工业大学 一种基于深度字典学习的视频鉴别方法及系统
CN114061947A (zh) * 2021-09-29 2022-02-18 上海交通大学 基于稀疏时频分析的齿轮箱变转速故障诊断方法及系统

Also Published As

Publication number Publication date
CN110516724B (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
US11450066B2 (en) 3D reconstruction method based on deep learning
CN110516724A (zh) 可视化作战场景的高性能多层字典学习特征图像处理方法
Yang et al. Deep learning for the classification of lung nodules
CN110377686A (zh) 一种基于深度神经网络模型的地址信息特征抽取方法
CN113361250A (zh) 一种基于语义一致性的双向文本生成图像方法及系统
CN112418292B (zh) 一种图像质量评价的方法、装置、计算机设备及存储介质
CN111861945B (zh) 一种文本引导的图像修复方法和系统
CN113128424B (zh) 基于注意力机制的图卷积神经网络动作识别方法
CN113158861B (zh) 一种基于原型对比学习的运动分析方法
CN112651360B (zh) 一种小样本下骨架动作识别方法
CN112560966B (zh) 基于散射图卷积网络的极化sar图像分类方法、介质及设备
CN110349170B (zh) 一种全连接crf级联fcn和k均值脑肿瘤分割算法
CN113159067A (zh) 一种基于多粒度局部特征软关联聚合的细粒度图像辨识方法及装置
CN110188621B (zh) 一种基于ssf-il-cnn的三维人脸表情识别方法
CN115578574A (zh) 一种基于深度学习和拓扑感知的三维点云补全方法
CN115170403A (zh) 基于深度元学习和生成对抗网络的字体修复方法及系统
CN117671666A (zh) 一种基于自适应图卷积神经网络的目标识别方法
CN118038032A (zh) 基于超点嵌入和聚类的点云语义分割模型及其训练方法
WO2021046681A1 (zh) 面向复杂场景的多源目标跟踪方法
CN114880527B (zh) 一种基于多预测任务的多模态知识图谱表示方法
CN116797681A (zh) 渐进式多粒度语义信息融合的文本到图像生成方法及系统
CN114565964B (zh) 情绪识别模型的生成方法、识别方法、装置、介质和设备
CN114494284B (zh) 一种基于显式监督区域关系的场景解析模型及方法
CN115527052A (zh) 一种基于对比预测的多视图聚类方法
Li et al. Intelligent combination of discrete LoD model for 3D visualization based on visual perception and information entropy fusion

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