CN112528016A - 一种基于低维球面投影的文本分类方法 - Google Patents
一种基于低维球面投影的文本分类方法 Download PDFInfo
- Publication number
- CN112528016A CN112528016A CN202011301471.8A CN202011301471A CN112528016A CN 112528016 A CN112528016 A CN 112528016A CN 202011301471 A CN202011301471 A CN 202011301471A CN 112528016 A CN112528016 A CN 112528016A
- Authority
- CN
- China
- Prior art keywords
- low
- text
- projection
- spherical
- dimensional
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 50
- 238000013145 classification model Methods 0.000 claims abstract description 13
- 230000009466 transformation Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000002620 method output Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提出一种基于低维球面投影的文本分类方法,包括:构建文本向量与低维球面的投影关系,将输入的文本向量投影到所述低维球面中,获取所述文本向量的球面表示;将所述球面表示输入文本分类模型,获取输入文本的球面语义表示;本发明可有效提高文本分类以及相似度度量的速度。
Description
技术领域
本发明涉及自然语言处理领域,尤其涉及一种基于低维球面投影的文本分类方法。
背景技术
在文本分类过程中,面对数据量较大的文本数据时,无可避免地需要面对高维数据处理的问题。高维数据处理复杂度高,对计算机运算性能也要求相对提高,这极大地制约了文本分类的应用。如何处理高维数据处理,加快文本分类效率已成为目前亟需解决的一大难题。
发明内容
鉴于以上现有技术存在的问题,本发明提出一种基于低维球面投影的文本分类方法,主要解决高维文本数据分类处理速度慢,效率低的问题。
为了实现上述目的及其他目的,本发明采用的技术方案如下。
一种基于低维球面投影的文本分类方法,包括:
构建文本向量与低维球面的投影关系,将输入的文本向量投影到所述低维球面中,获取所述文本向量的球面表示;
将所述球面表示输入文本分类模型,获取输入文本的球面语义表示。
可选地,构建文本向量与低维球面的投影关系,包括:
设置所述低维球面的维度,获取所述文本向量的每一维数据在所述低维球面各维度的分量表示;
根据所述分量表示获取每一维数据的投影角度,将所述文本向量的球面表示。
可选地,所述分量表示记为:
y1=rcosθ1,y2=rsinθ1cosθ2,y3=rsinθ1sinθ2cosθ3
…
yL-1=rsinθ1sinθ2...sinθL-2cosθL-1,yL=rsinθ1sinθ2...sinθL-1sinθL
其中,r=|y|,y=(y,...,yL)∈RL,L为所述低维球面的维度;y=As;A为投影参数,s为文本向量。
可选地,所述投影角度表示为:
Pb(s)=angle(As),A∈RL×n
其中,angle为求角度函数,L为所述低维球面的维度,n为所述文本向量的维度;s为文本向量,A为投影参数。
可选地,将所述球面表示输入文本分类模型,获取输入文本的球面语义表示,包括:
通过所述文本分类模型的线性变换矩阵对所述球面表示进行线性变换后,通过soitmax获取类别输出作为所述球面语义表示。
可选地,所述类别输出的计算方式为:
p=softmax(BPb(s))=softmax(B angle(As))
其中,B为线性变换矩阵;|B|≤cb,|A|≤ca。
可选地,在所述文本分类模型训练阶段,根据所述投影角度构建代价函数;
根据所述代价函数采用梯度下降更新所述投影参数和所述线性变换矩阵。
可选地,所述代价函数表示为:
其中,tk为第k样本的类别输出向量,pk为第k样本的类别输出。
可选地,根据训练得到的投影参数,确定低维球面的投影关系;
将多个文本对应的文本向量分别输入所述低维球面,分别获取每个文本向量对应的球面表示;
根据所述球面表示的投影夹角或角度差的模长度量文本间的相似度。
可选地,所述相似度度量方式表示为:
similarity=||Pb(s1)-Pb(s2)||1
其中,s1和s2分别表示两个不同的文本向量。
如上所述,本发明一种基于低维球面投影的文本分类方法,具有以下有益效果。
通过将高维文本向量投影到低维球面,极大地降低了计算的复杂度,可有效加快分类效率。
附图说明
图1为本发明一实施例中基于低维球面投影的文本分类方法的流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
请参阅图1,本发明提供一种基于低维球面投影的文本分类方法,包括步骤S01-S02。
在步骤S01中,构建文本向量与低维球面的投影关系,将输入的文本向量投影到所述低维球面中,获取所述文本向量的球面表示:
在一实施例中,仅示例性的以词袋模型获取文本向量为例,预先对待分类的文本进行分段、分词、分句等预处理,逐句或逐段统计词库中词语是否存在,将句子转换为由0或1表示的向量。例如,依次出现的词语序列“张三”,“李四”,“吃饭”,“回家”,词库长度为4,则“张三”表示为{1,0,0,0};“李四”表示为“{0,1,0,0}”;“张三去吃饭”可表示为{1,0,1,0}。词袋模型输出的文本向量表示方法可根据实际应用需求进行调整,这里不再赘述。
在一实施例中,可设置低维球面的维度,获取所述文本向量的每一维数据在所述低维球面各维度的分量表示;
根据所述分量表示获取每一维数据的投影角度,将所述文本向量的球面表示。
具体地,可构建一个低维球面的坐标投影方式。将文本向量按照构建的坐标投影方式投影到低维球面中。假设低维球面可以在直角坐标系下表示为x,则投影方式可表示为:
r=|x|,其中x=(x1,...,xL)∈RL
x1=rcosθ1,x2=rsinθ1cosθ2,x3=rsinθ1sinθ2cosθ3
…
xL-1=rsinθ1sinθ2...sinθL-2cosθL-1,xL=rsinθ1sinθ2...sinθL-1sinθL
其中r为一固定长度,x为直角坐标系下的坐标,θ=(θ1,...,θL)为极坐标下的角度向量。
设文本向量可表示为:
s=(w1,w2,...,wn),wi∈{0,1}
则,低维球面的维度L远小于n。
进一步,文本向量与低维球面之间存在某种投影关系,可用投影参数A来表示。则投影计算方式可表示为y=(y1,...,yn)=As,根据该投影关系可以计算出文本向量中每一维数据在低维球面上的投影分量对应的投影角度。具体计算方式为:
Pb(s)=angle(As),A∈RL×n
其中angle为求角度的函数,求解过程为:
设rs=|y|,则对应的
由此得到的θ=(θ1,...,θL)即为文本向量的球面表示。
通过投影计算将s转换为以上定义球面上的坐标,求得θ作为其投影输出。
在步骤S02中,将所述球面表示输入文本分类模型,获取输入文本的球面语义表示:
在一实施例中,可通过所述文本分类模型的线性变换矩阵对所述球面表示进行线性变换后,通过softmax获取类别输出作为所述球面语义表示。
具体地,假设线性变换矩阵为:B∈Rm×L
其中m为类别总数。
由文本向量输入到类别概率输出向量的计算表达式为:
p=softmax(BPb(s))=softmax(B angle(As)),其中|B|≤cb,|A|≤ca
在一实施例中,在文本分类模型的训练阶段,根据所述投影角度构建代价函数;
根据所述代价函数采用梯度下降更新所述投影参数和所述线性变换矩阵。
具体训练过程如下:
定义低维球面的维度,并假设低维球面带参数函数形式
低维球面带参数函数形式为:
Pb(s)=angle(As),A∈RL×n
其中,待定参数为A。
构造训练代价函数L
在有约束|B|≤cb,|A|≤ca的情况下,其代价函数可以采用极大似然法构造,被表示为:
其中,tk为第k样本的类别输出向量,pk为第k样本的球面投影分类输出。
对代价函数求关于参数的偏导数,用于训练过程中的梯度下降,迭代计算式为:
经过多次迭代,便可得到稳定的线性变换矩阵B和投影参数矩阵A。
将待分类样本输入训练好的文本分类模型,便可得到文本对应的球面语义表示。
在一实施例中,根据训练得到的投影参数,确定低维球面的投影关系;
将多个文本对应的文本向量分别输入所述低维球面,分别获取每个文本向量对应的球面表示;
根据所述球面表示的投影夹角或角度差的模长度量文本间的相似度。
具体地,训练得到的低维球面,将文本词袋向量投影到球面中,既可得到关于其低维球面的表示。(创新点同上)
θ=Pb(s)=angle(As),A∈RL×n
依据低维球面表示,计算两文本之间的球面投影夹角或角度之差的模长,此模长即为文本相似度的度量,此方法能快速计算文本相似度。(注意,此类相似度的基础是基于样本类别的度量,与词嵌入依据的序列关系度量不同,此类方法是基于类别关系生成的文本相似度度量)。(创新点)
文本s1和s2的度量计算式为
similarity=||Pb(s1)-Pb(s2)||1
相似度的度量方式也可采用2范数或其他计算方式,这里不作限制。
综上所述,本发明一种基于低维球面投影的文本分类方法,通过构建低维球面进行降维计算,可有效加快分类速度,提高大数据量的运算效率;基于低维球面进行相似度计算,极大地降低了参与计算的数据量,降低运算复杂度,可实现快速的相似度度量;低维球面的维度可根据不同设备的运算能力进行设置,具有更强的适用性。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种基于低维球面投影的文本分类方法,其特征在于,包括:
构建文本向量与低维球面的投影关系,将输入的文本向量投影到所述低维球面中,获取所述文本向量的球面表示;
将所述球面表示输入文本分类模型,获取输入文本的球面语义表示。
2.根据权利要求1所述的基于低维球面投影的文本分类方法,其特征在于,构建文本向量与低维球面的投影关系,包括:
设置所述低维球面的维度,获取所述文本向量的每一维数据在所述低维球面各维度的分量表示;
根据所述分量表示获取每一维数据的投影角度,将所述文本向量的球面表示。
3.根据权利要求2所述的基于低维球面投影的文本分类方法,其特征在于,所述分量表示记为:
y1=rcosθ1,y2=rsinθ1cosθ2,y3=rsinθ1sinθ2cosθ3
…
yL-1=rsinθ1sinθ2...sinθL-2cosθL-1,yL=rsinθ1sinθ2...sinθL-1sinθL
其中,r=|y|,y=(y,...,yL)∈RL,L为所述低维球面的维度;y=As;A为投影参数,s为文本向量。
4.根据权利要求2所述的基于低维球面投影的文本分类方法,其特征在于,所述投影角度表示为:
Pb(s)=angle(As),A∈RL×n
其中,angle为求角度函数,L为所述低维球面的维度,n为所述文本向量的维度;s为文本向量,A为投影参数。
5.根据权利要求1所述的基于低维球面投影的文本分类方法,其特征在于,将所述球面表示输入文本分类模型,获取输入文本的球面语义表示,包括:
通过所述文本分类模型的线性变换矩阵对所述球面表示进行线性变换后,通过softmax获取类别输出作为所述球面语义表示。
6.根据权利要求5所述的基于低维球面投影的文本分类方法,其特征在于,所述类别输出的计算方式为:
p=soitmax(BPb(s))=softmax(B angle(As))
其中,B为线性变换矩阵;|B|≤cb,|A|≤ca。
7.根据权利要求2至6任一所述的基于低维球面投影的文本分类方法,其特征在于,在所述文本分类模型训练阶段,根据所述投影角度构建代价函数;
根据所述代价函数采用梯度下降更新所述投影参数和所述线性变换矩阵。
9.根据权利要求7所述的基于低维球面投影的文本分类方法,其特征在于,根据训练得到的投影参数,确定低维球面的投影关系;
将多个文本对应的文本向量分别输入所述低维球面,分别获取每个文本向量对应的球面表示;
根据所述球面表示的投影夹角或角度差的模长度量文本间的相似度。
10.根据权利要求9所述的基于低维球面投影的文本分类方法,其特征在于,所述相似度度量方式表示为:
similarity=||Pb(s1)-Pb(s2)||1
其中,s1和s2分别表示两个不同的文本向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011301471.8A CN112528016B (zh) | 2020-11-19 | 2020-11-19 | 一种基于低维球面投影的文本分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011301471.8A CN112528016B (zh) | 2020-11-19 | 2020-11-19 | 一种基于低维球面投影的文本分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112528016A true CN112528016A (zh) | 2021-03-19 |
CN112528016B CN112528016B (zh) | 2024-05-07 |
Family
ID=74981677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011301471.8A Active CN112528016B (zh) | 2020-11-19 | 2020-11-19 | 一种基于低维球面投影的文本分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112528016B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114911958A (zh) * | 2022-06-09 | 2022-08-16 | 电子科技大学 | 一种基于语义偏好的快速图像检索方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030225749A1 (en) * | 2002-05-31 | 2003-12-04 | Cox James A. | Computer-implemented system and method for text-based document processing |
CN101268465A (zh) * | 2005-09-20 | 2008-09-17 | 法国电信公司 | 分类一组电子文档的方法 |
CN101520848A (zh) * | 2008-02-27 | 2009-09-02 | 中国科学院自动化研究所 | 一种图像型垃圾邮件的过滤方法 |
CN104112143A (zh) * | 2014-07-23 | 2014-10-22 | 大连民族学院 | 基于加权超球支持向量机算法的图像分类方法 |
CN109299246A (zh) * | 2018-12-04 | 2019-02-01 | 北京容联易通信息技术有限公司 | 一种文本分类方法及装置 |
CN109783645A (zh) * | 2019-01-23 | 2019-05-21 | 福州大学 | 一种基于变分自编码的文本分类方法 |
CN110162631A (zh) * | 2019-05-17 | 2019-08-23 | 中山大学 | 面向triz发明原理的中文专利分类方法、系统及储存介质 |
CN110222841A (zh) * | 2019-06-17 | 2019-09-10 | 苏州思必驰信息科技有限公司 | 基于间距损失函数的神经网络训练方法和装置 |
CN110245704A (zh) * | 2019-06-13 | 2019-09-17 | 泰康保险集团股份有限公司 | 业务处理方法、装置、存储介质与电子设备 |
CN110351606A (zh) * | 2018-04-04 | 2019-10-18 | 华为技术有限公司 | 媒体信息处理方法、相关设备及计算机存储介质 |
CN110377737A (zh) * | 2019-07-04 | 2019-10-25 | 成都迪普曼林信息技术有限公司 | 海量文本的低成本分类与聚类处理方法 |
CN111382274A (zh) * | 2020-03-23 | 2020-07-07 | 中南大学 | 有标签高维数据的最优投影集合方法及情感文本分类方法 |
CN111506729A (zh) * | 2020-04-17 | 2020-08-07 | 腾讯科技(深圳)有限公司 | 一种信息处理方法、装置及计算机可读存储介质 |
CN111626063A (zh) * | 2020-07-28 | 2020-09-04 | 浙江大学 | 一种基于投影梯度下降和标签平滑的文本意图识别方法及系统 |
CN111651558A (zh) * | 2020-05-09 | 2020-09-11 | 清华大学深圳国际研究生院 | 基于预训练语义模型的超球面协同度量推荐装置和方法 |
CN111768493A (zh) * | 2020-06-22 | 2020-10-13 | 浙江大学 | 一种基于分布参数编码的点云处理方法 |
CN111814821A (zh) * | 2020-05-21 | 2020-10-23 | 北京迈格威科技有限公司 | 深度学习模型的建立方法、样本处理方法及装置 |
-
2020
- 2020-11-19 CN CN202011301471.8A patent/CN112528016B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030225749A1 (en) * | 2002-05-31 | 2003-12-04 | Cox James A. | Computer-implemented system and method for text-based document processing |
CN101268465A (zh) * | 2005-09-20 | 2008-09-17 | 法国电信公司 | 分类一组电子文档的方法 |
CN101520848A (zh) * | 2008-02-27 | 2009-09-02 | 中国科学院自动化研究所 | 一种图像型垃圾邮件的过滤方法 |
CN104112143A (zh) * | 2014-07-23 | 2014-10-22 | 大连民族学院 | 基于加权超球支持向量机算法的图像分类方法 |
CN110351606A (zh) * | 2018-04-04 | 2019-10-18 | 华为技术有限公司 | 媒体信息处理方法、相关设备及计算机存储介质 |
CN109299246A (zh) * | 2018-12-04 | 2019-02-01 | 北京容联易通信息技术有限公司 | 一种文本分类方法及装置 |
CN109783645A (zh) * | 2019-01-23 | 2019-05-21 | 福州大学 | 一种基于变分自编码的文本分类方法 |
CN110162631A (zh) * | 2019-05-17 | 2019-08-23 | 中山大学 | 面向triz发明原理的中文专利分类方法、系统及储存介质 |
CN110245704A (zh) * | 2019-06-13 | 2019-09-17 | 泰康保险集团股份有限公司 | 业务处理方法、装置、存储介质与电子设备 |
CN110222841A (zh) * | 2019-06-17 | 2019-09-10 | 苏州思必驰信息科技有限公司 | 基于间距损失函数的神经网络训练方法和装置 |
CN110377737A (zh) * | 2019-07-04 | 2019-10-25 | 成都迪普曼林信息技术有限公司 | 海量文本的低成本分类与聚类处理方法 |
CN111382274A (zh) * | 2020-03-23 | 2020-07-07 | 中南大学 | 有标签高维数据的最优投影集合方法及情感文本分类方法 |
CN111506729A (zh) * | 2020-04-17 | 2020-08-07 | 腾讯科技(深圳)有限公司 | 一种信息处理方法、装置及计算机可读存储介质 |
CN111651558A (zh) * | 2020-05-09 | 2020-09-11 | 清华大学深圳国际研究生院 | 基于预训练语义模型的超球面协同度量推荐装置和方法 |
CN111814821A (zh) * | 2020-05-21 | 2020-10-23 | 北京迈格威科技有限公司 | 深度学习模型的建立方法、样本处理方法及装置 |
CN111768493A (zh) * | 2020-06-22 | 2020-10-13 | 浙江大学 | 一种基于分布参数编码的点云处理方法 |
CN111626063A (zh) * | 2020-07-28 | 2020-09-04 | 浙江大学 | 一种基于投影梯度下降和标签平滑的文本意图识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
魏超等: "自编码网络短文本流形表示方法", 浙江大学学报(工学版), vol. 49, no. 8, 31 August 2015 (2015-08-31), pages 1591 - 1599 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114911958A (zh) * | 2022-06-09 | 2022-08-16 | 电子科技大学 | 一种基于语义偏好的快速图像检索方法 |
CN114911958B (zh) * | 2022-06-09 | 2023-04-18 | 电子科技大学 | 一种基于语义偏好的快速图像检索方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112528016B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Da Silva et al. | Active learning paradigms for CBIR systems based on optimum-path forest classification | |
CN112633350B (zh) | 一种基于图卷积的多尺度点云分类实现方法 | |
CN110046698A (zh) | 异质图神经网络生成方法、装置、电子设备及存储介质 | |
Ren et al. | 3d-a-nets: 3d deep dense descriptor for volumetric shapes with adversarial networks | |
CN112328715B (zh) | 视觉定位方法及相关模型的训练方法及相关装置、设备 | |
CN110968697B (zh) | 文本分类方法、装置、设备及可读存储介质 | |
WO2022193753A1 (zh) | 持续学习方法、装置、终端及存储介质 | |
WO2021238279A1 (zh) | 数据分类方法、分类器训练方法及系统 | |
CN110705602A (zh) | 大规模数据聚类方法、装置及计算机可读存储介质 | |
CN108764351B (zh) | 一种基于测地距离的黎曼流形保持核学习方法及装置 | |
CN113516136A (zh) | 一种手写图像生成方法、模型训练方法、装置及设备 | |
CN112668482A (zh) | 人脸识别训练方法、装置、计算机设备及存储介质 | |
Zhang et al. | Learning all-in collaborative multiview binary representation for clustering | |
Sun et al. | A survey on dimension reduction algorithms in big data visualization | |
Tang et al. | An angle-based method for measuring the semantic similarity between visual and textual features | |
EP2924599A1 (en) | Computing program, computing apparatus and computing method | |
CN112528016A (zh) | 一种基于低维球面投影的文本分类方法 | |
CN110533078A (zh) | 基于字典对的多视角识别方法 | |
Jiang et al. | Robust 3d face alignment with efficient fully convolutional neural networks | |
Lu et al. | Subspace Clustering by Capped l_1 l 1 Norm | |
Wu et al. | A novel fractional implicit polynomial approach for stable representation of complex shapes | |
Backes et al. | Texture classification using fractal dimension improved by local binary patterns | |
CN111459395A (zh) | 手势识别方法、系统、存储介质、人机交互设备 | |
Shadvar | Dimension reduction by mutual information discriminant analysis | |
Loong et al. | Image‐based structural analysis for education purposes: A proof‐of‐concept study |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 400000 6-1, 6-2, 6-3, 6-4, building 7, No. 50, Shuangxing Avenue, Biquan street, Bishan District, Chongqing Applicant after: CHONGQING ZHAOGUANG TECHNOLOGY CO.,LTD. Address before: 400000 2-2-1, 109 Fengtian Avenue, tianxingqiao, Shapingba District, Chongqing Applicant before: CHONGQING ZHAOGUANG TECHNOLOGY CO.,LTD. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |