CN112597330A - 一种融合稀疏与低秩的图像处理方法 - Google Patents
一种融合稀疏与低秩的图像处理方法 Download PDFInfo
- Publication number
- CN112597330A CN112597330A CN202011609649.5A CN202011609649A CN112597330A CN 112597330 A CN112597330 A CN 112597330A CN 202011609649 A CN202011609649 A CN 202011609649A CN 112597330 A CN112597330 A CN 112597330A
- Authority
- CN
- China
- Prior art keywords
- image
- sparse
- field
- image processing
- low
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 61
- 230000003044 adaptive effect Effects 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002574 poison Substances 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种融合稀疏与低秩的图像处理方法,涉及图像处理技术领域,其技术方案要点是:S1、建立领域适应图像处理检索与管理的系统;S2、采用图正则化稀疏与低秩表示技术,并结合最大间隔准则思想,表示各领域图像数据;S3、利用大规模数据集,建立大规模跨领域图像概念识别方法模型;S4、将步骤S1中表示的各领域图像数据,嵌入多源适应稀疏与低秩子空间,实现图像检测处理。本发明的图像处理方法,能够在面对复杂的图像处理及应用环境时,利用多源网络图像资源实现领域适应图像处理的鲁棒有效检测,同时能够克服现有领域适应学习方法在图像处理应用中所面临的鲁棒有效性问题。
Description
技术领域
本发明涉及图像处理技术领域,更具体地说,它涉及一种融合稀疏与低秩的图像处理方法。
背景技术
随着我国信息化科技进步与互联网的快速发展,便捷快速的网络给人们的工作、学习、生活带来了空前的繁荣,网络已成人们日常工作与生活中不可缺少的伴侣。通常人们在浏览网页、收发邮件获得各种网络信息时,会接触到大量互联网图片信息,但这些海量图片信息有相当一部分对我们来说是没有用的,甚至有害的。尤其是一些黄色或反动网站的有害信息乘虚而入,使网络中充斥着暴力、色情、邪教、反动等不良图像信息。这些不良信息严重污染着网络环境,腐蚀人们灵魂,毒害青少年。为此,如何识别、检测及处理这些图像内容并利用网络设施自动过滤清除掉这些不良的信息,已成为当前我国计算机信息领域研究的一个热点问题。
目前,虽然用户图像概念识别研究已取得一些有益进展,但用户图像事件尤其是复杂事件的检测研究尚处于初级阶段,且大多囿于图像的异常事件或模式重复事件的识别与检测;另外,传统的图像处理方法需要利用大量带有事件标签的训练数据以学习一个鲁棒的分类器,而面对大量未标注的用户图像资源,这些方法在具体应用中将面临因有限或过时的训练数据所导致的学习性能低下的问题。虽然手工标注新的训练数据能部分缓解该问题,但这将会耗费大量人力与物力,同时也会浪费已标注的资源。
由此,本发明旨在设计提出一种融合稀疏与低秩的图像处理方法以解决上述问题。
发明内容
本发明的目的是提供一种融合稀疏与低秩的图像处理方法,其能够在面对复杂的图像处理及应用环境,利用多源网络图像资源实现领域适应图像处理的鲁棒有效检测,同时能够克服现有领域适应学习方法在图像处理应用中所面临的鲁棒有效性问题。
本发明的上述技术目的是通过以下技术方案得以实现的,一种融合稀疏与低秩的图像处理方法,具体包括以下步骤:
S1、建立领域适应图像处理检索与管理的系统;
S2、采用图正则化稀疏与低秩表示技术,并结合最大间隔准则思想,表示各领域图像数据,并根据图像数据表示重构领域分布均值和散度差,然后对传统多源组合进行稀疏化处理,并从可用的源领域池中选取最具表达力的紧凑的源领域图像集,对多源图像领域进行选择,并将其嵌入最近的标签空间;
S3、利用大规模数据集,建立大规模跨领域图像概念识别方法模型;
S4、将步骤S1中表示的各领域图像数据,嵌入多源适应稀疏与低秩子空间,实现图像检测处理。
进一步地,步骤S2包括以下具体步骤包括:
S21、建立一个鲁棒的多源或(和)多核领域适应图像处理技术框架;
S22、根据步骤S21,利用已有的间隔最优化的Relief特征加权技术,抽取融合稀疏与低秩编码和最大相关性准则的图像数据集特征;
S23、基于流形学习思想,定义领域间图像数据类的分布均值及其Laplacian散度一致的分布距离度量新准则;
S24、采用图正则化稀疏与低秩表示技术,并结合最大间隔准则思想,表示各领域图像数据,并根据图像数据表示重构领域分布均值和散度差;
S25、根据步骤S24,建立稀疏与低秩图模型,并采用稀疏与低秩表示技术处理单一源图像领域;
S26、建立跨领域稀疏多核学习模型,用于核空间学习领域分布距离度量和跨领域图像处理;
S27、构建多源图像适应联合稀疏与低秩图正则化图像处理模型,获得单源和多源图像领域适应图像处理的统一框架;
S28、对传统多源组合进行稀疏化处理,并从可用的源领域池中选取最具表达力的紧凑的源领域图像集,对多源图像领域进行选择,并将其嵌入最近的标签空间,扩大源图像领域决策函数的判别容量。
进一步地,步骤S3包括以下具体步骤:
S31、建立大规模跨领域图像概念识别方法模型;
S32、根据步骤S31,采用Relief特征抽取技术,对图像数据进行特征抽取,实现基于稀疏与低秩表示的特征抽取,从而能够提高图像处理的鲁棒有效性。
进一步地,步骤S4包括以下具体步骤:
S41、建立基于稀疏与低秩子空间嵌入的图像处理模型;
S42、对所提取的各领域图像特征进行稀疏与低秩表示,再分别将其低维映射到一个领域适应共同子空间,实现图像处理的有效检测。
进一步地,所述跨领域稀疏多核学习模型的源图像领域和目标图像领域数据集分别为:Ds和Dt,核稀疏重构系数向量为:b=[b1,b2,...,bM]。所述跨领域稀疏多核学习模型根据稀疏表示思想,在约束β的l1范数最小化条件下,利用M个基核函数来组合表示最终核函数,然后基于鲁棒的领域分布距离度量准则,构建基于多核学习的领域分布距离度量函数,并将其与多核支持向量机模型融合,最终获得一个在β的l1范数最小化约束下的跨领域稀疏多核图像处理模型。
进一步地,所述多源图像适应联合稀疏与低秩图正则化图像处理模型的构建方式为:直接由源领域和目标领域数据集构成一个超完备基,或通过优化来寻求一个新的稀疏与低秩重构基。
综上所述,本发明具有以下有益效果:本发明的图像处理方法,能够克服现有领域适应学习方法在图像处理应用中所面临的鲁棒有效性问题,使得对图像的检测处理具有更优的鲁棒性、准确性和高效性;同时,本发明的图像处理方法能够面对复杂的图像处理及环境,从而便于应用于海量的图像检测处理。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例中的流程图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。
需说明的是,当部件被称为“固定于”或“设置于”另一个部件,它可以直接在另一个部件上或者间接在该另一个部件上。当一个部件被称为是“连接于”另一个部件,它可以是直接或者间接连接至该另一个部件上。
需要理解的是,术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
实施例:一种融合稀疏与低秩的图像处理方法,如图1所示,包括以下步骤:
S1、建立领域适应图像处理检索与管理的系统。
S2、采用图正则化稀疏与低秩表示技术,并结合最大间隔准则思想,表示各领域图像数据,并根据图像数据表示重构领域分布均值和散度差,然后对传统多源组合进行稀疏化处理,并从可用的源领域池中选取最具表达力的紧凑的源领域图像集,对多源图像领域进行选择,并将其嵌入最近的标签空间。
S3、利用大规模数据集,建立大规模跨领域图像概念识别方法模型。
S4、将步骤S1中表示的各领域图像数据,嵌入多源适应稀疏与低秩子空间,实现图像检测处理。
其中,步骤S2包括以下具体步骤包括:
S21、建立一个鲁棒的多源或(和)多核领域适应图像处理技术框架。
S22、根据步骤S21,利用已有的间隔最优化的Relief特征加权技术,抽取融合稀疏与低秩编码和最大相关性准则的图像数据集特征。
S23、基于流形学习思想,定义领域间图像数据类的分布均值及其Laplacian散度一致的分布距离度量新准则。
S24、采用图正则化稀疏与低秩表示技术,并结合最大间隔准则思想,表示各领域图像数据,并根据图像数据表示重构领域分布均值和散度差(或称为领域分布稀疏与低秩均值和散度差,各领域图像数据的表示,是在现有的图正则化稀疏与低秩表示模型中引入先验知识,基于最大间隔准则思想,提出有判别图正则化稀疏与低秩表示方法,以此来表示领域图像数据,然后通过新的图像数据表示来构建领域类内分布均值及其Laplacian散度差,或称为领域分布类内稀疏与低秩均值及其Laplacian散度差)。
S25、根据步骤S24,建立稀疏与低秩图模型,并采用稀疏与低秩表示技术处理单一源图像领域。
S26、建立跨领域稀疏多核学习模型,用于核空间学习领域分布距离度量和跨领域图像处理。
S27、构建多源图像适应联合稀疏与低秩图正则化图像处理模型,获得单源和多源图像领域适应图像处理的统一框架。(或称为多稀疏与低秩图正则化领域适应图像处理一般化框架模型,并从理论上分析所提模型的泛化误差界,结合多种损失模型来从实践上充分检验所提框架的有效性)
S28、对传统多源组合进行稀疏化处理,并从可用的源领域池中选取最具表达力的紧凑的源领域图像集,对多源图像领域进行选择,并将其嵌入最近的标签空间,扩大源图像领域决策函数的判别容量。
其中,步骤S3包括以下具体步骤:
S31、建立大规模跨领域图像概念识别方法模型。
S32、根据步骤S31,采用Relief特征抽取技术,对图像数据进行特征抽取,实现基于稀疏与低秩表示的特征抽取,从而能够提高图像处理的鲁棒有效性。
其中,步骤S4包括以下具体步骤:
S41、建立基于稀疏与低秩子空间嵌入的图像处理模型。
S42、对所提取的各领域图像特征进行稀疏与低秩表示,再分别将其低维映射到一个领域适应共同子空间,实现图像处理的有效检测。
其中,跨领域稀疏多核学习模型的源图像领域和目标图像领域数据集分别表示为:Ds和Dt,核稀疏重构系数向量为b=[b1,b2,...,bM]。本实施例中跨领域稀疏多核学习模型的根据稀疏表示思想,在约束β的l1范数最小化条件下,利用M个基核函数来组合表示最终核函数,然后基于鲁棒的领域分布距离度量准则,构建基于多核学习的领域分布距离度量函数,并将其与多核支持向量机模型融合,最终获得一个在β的l1范数最小化约束下的跨领域稀疏多核图像处理模型。
其中,多源图像适应联合稀疏与低秩图正则化图像处理模型可采取以下两种方式构建,一种是直接由源领域和目标领域数据集构成一个超完备基,二是通过优化来寻求一个新的稀疏与低秩重构基。
本发明上述实施例中的图像处理方法,基于融合稀疏与低秩技术,能够克服现有领域适应学习方法在图像处理应用中所面临的鲁棒有效性问题,使得对图像的检测处理具有更优的鲁棒性、准确性和高效性。同时,本发明的图像处理方法能够面对复杂的图像处理及环境,从而便于应用于海量的图像检测处理。
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (6)
1.一种融合稀疏与低秩的图像处理方法,其特征是:包括以下步骤:
S1、建立领域适应图像处理检索与管理的系统;
S2、采用图正则化稀疏与低秩表示技术,并结合最大间隔准则思想,表示各领域图像数据,并根据图像数据表示重构领域分布均值和散度差,然后对传统多源组合进行稀疏化处理,并从可用的源领域池中选取最具表达力的紧凑的源领域图像集,对多源图像领域进行选择,并将其嵌入最近的标签空间;
S3、利用大规模数据集,建立大规模跨领域图像概念识别方法模型;
S4、将步骤S1中表示的各领域图像数据,嵌入多源适应稀疏与低秩子空间,实现图像数据的检测处理。
2.根据权利要求1所述的一种融合稀疏与低秩的图像处理方法,其特征是:步骤S2包括以下具体步骤包括:
S21、建立一个鲁棒的多源或(和)多核领域适应图像处理技术框架;
S22、根据步骤S21,利用已有的间隔最优化的Relief特征加权技术,抽取融合稀疏与低秩编码和最大相关性准则的图像数据集特征;
S23、基于流形学习思想,定义领域间图像数据类的分布均值及其Laplacian散度一致的分布距离度量新准则;
S24、采用图正则化稀疏与低秩表示技术,并结合最大间隔准则思想,表示各领域图像数据,并根据图像数据表示重构领域分布均值和散度差;
S25、根据步骤S24,建立稀疏与低秩图模型,并采用稀疏与低秩表示技术处理单一源图像领域;
S26、建立跨领域稀疏多核学习模型,用于核空间学习领域分布距离度量和跨领域图像处理;
S27、构建多源图像适应联合稀疏与低秩图正则化图像处理模型,获得单源和多源图像领域适应图像处理的统一框架;
S28、对传统多源组合进行稀疏化处理,并从可用的源领域池中选取最具表达力的紧凑的源领域图像集,对多源图像领域进行选择,并将其嵌入最近的标签空间,扩大源图像领域决策函数的判别容量。
3.根据权利要求1所述的一种融合稀疏与低秩的图像处理方法,其特征是:步骤S3包括以下具体步骤:
S31、建立大规模跨领域图像概念识别方法模型;
S32、根据步骤S31,采用Relief特征抽取技术,对图像数据进行特征抽取,实现基于稀疏与低秩表示的特征抽取,从而能够提高图像处理的鲁棒有效性。
4.根据权利要求1所述的一种融合稀疏与低秩的图像处理方法,其特征是:步骤S4包括以下具体步骤:
S41、建立基于稀疏与低秩子空间嵌入的图像处理模型;
S42、对所提取的各领域图像特征进行稀疏与低秩表示,再分别将其低维映射到一个领域适应共同子空间,实现图像处理的有效检测。
5.根据权利要求2所述的一种融合稀疏与低秩的图像处理方法,其特征是:所述跨领域稀疏多核学习模型的源图像领域和目标图像领域数据集分别为:Ds和Dt,核稀疏重构系数向量为:b=[b1,b2,...,bM]。所述跨领域稀疏多核学习模型根据稀疏表示思想,在约束β的l1范数最小化条件下,利用M个基核函数来组合表示最终核函数,然后基于鲁棒的领域分布距离度量准则,构建基于多核学习的领域分布距离度量函数,并将其与多核支持向量机模型融合,最终获得一个在β的l1范数最小化约束下的跨领域稀疏多核图像处理模型。
6.根据权利要求2所述的一种融合稀疏与低秩的图像处理方法,其特征是:所述多源图像适应联合稀疏与低秩图正则化图像处理模型的构建方式为:直接由源领域和目标领域数据集构成一个超完备基,或通过优化来寻求一个新的稀疏与低秩重构基。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011609649.5A CN112597330A (zh) | 2020-12-30 | 2020-12-30 | 一种融合稀疏与低秩的图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011609649.5A CN112597330A (zh) | 2020-12-30 | 2020-12-30 | 一种融合稀疏与低秩的图像处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112597330A true CN112597330A (zh) | 2021-04-02 |
Family
ID=75206524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011609649.5A Pending CN112597330A (zh) | 2020-12-30 | 2020-12-30 | 一种融合稀疏与低秩的图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112597330A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160078359A1 (en) * | 2014-09-12 | 2016-03-17 | Xerox Corporation | System for domain adaptation with a domain-specific class means classifier |
CN108985161A (zh) * | 2018-06-08 | 2018-12-11 | 广东工业大学 | 一种基于拉普拉斯正则化的低秩稀疏表征图像特征学习方法 |
CN109410157A (zh) * | 2018-06-19 | 2019-03-01 | 昆明理工大学 | 基于低秩稀疏分解和pcnn的图像融合方法 |
CN109584319A (zh) * | 2018-12-05 | 2019-04-05 | 重庆邮电大学 | 一种基于非局部低秩和全变分的图像压缩感知重构算法 |
CN110503113A (zh) * | 2019-08-28 | 2019-11-26 | 江苏建筑职业技术学院 | 一种基于低秩矩阵恢复的图像显著性目标检测方法 |
-
2020
- 2020-12-30 CN CN202011609649.5A patent/CN112597330A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160078359A1 (en) * | 2014-09-12 | 2016-03-17 | Xerox Corporation | System for domain adaptation with a domain-specific class means classifier |
CN108985161A (zh) * | 2018-06-08 | 2018-12-11 | 广东工业大学 | 一种基于拉普拉斯正则化的低秩稀疏表征图像特征学习方法 |
CN109410157A (zh) * | 2018-06-19 | 2019-03-01 | 昆明理工大学 | 基于低秩稀疏分解和pcnn的图像融合方法 |
CN109584319A (zh) * | 2018-12-05 | 2019-04-05 | 重庆邮电大学 | 一种基于非局部低秩和全变分的图像压缩感知重构算法 |
CN110503113A (zh) * | 2019-08-28 | 2019-11-26 | 江苏建筑职业技术学院 | 一种基于低秩矩阵恢复的图像显著性目标检测方法 |
Non-Patent Citations (6)
Title |
---|
JIANWEN TAO ET AL.: "L1-norm locally linear representation regularization multi-source adaptation learning", 《ELSEVIER》 * |
JIANWEN TAO ET AL.: "Multi-source adaptation emb e dding with feature selection by exploiting correlation information", 《ELSEVIER》 * |
JIANWEN TAO ET AL.: "Robust domain adaptation image classification via sparse and low rank representation", 《ELSEVIER》 * |
JIANWEN TAO ET AL.: "Robust multi-model adaptation regression with local feature space representation", 《ELSEVIER》 * |
李晓: "基于迁移学习的跨域图像分类方法研究", 《中国博士学位论文全文数据库信息科技辑》 * |
杨洋等: "基于最大间隔准则的鲁棒多流形判别局部图嵌入算法", 《计算机应用》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Transformer-based dual relation graph for multi-label image recognition | |
CN102158365A (zh) | 一种网络日志挖掘中的用户聚类方法及系统 | |
Han et al. | Multi-label transfer learning with sparse representation | |
Xiong et al. | MSN: Modality separation networks for RGB-D scene recognition | |
CN114565053A (zh) | 基于特征融合的深层异质图嵌入模型 | |
Feng et al. | Cacnet: Salient object detection via context aggregation and contrast embedding | |
Wong et al. | Learning to extract and summarize hot item features from multiple auction web sites | |
CN113656700A (zh) | 基于多相似度一致矩阵分解的哈希检索方法 | |
Jin et al. | A hybrid automatic image annotation approach | |
Wang et al. | Accurate fine-grained object recognition with structure-driven relation graph networks | |
Wang et al. | Semi-supervised dual low-rank feature mapping for multi-label image annotation | |
Zhang et al. | DHNet: Salient object detection with dynamic scale-aware learning and hard-sample refinement | |
Zhuo et al. | Research on personalized image retrieval technology of video stream big data management model | |
CN109753581A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN114528479A (zh) | 一种基于多尺度异构图嵌入算法的事件检测方法 | |
CN112948581B (zh) | 专利自动分类方法、装置、电子设备及存储介质 | |
Li et al. | Multi-source weakly supervised salient object detection via boosting weak-annotation source and constraining object structure | |
Liu et al. | Correlation consistency constrained probabilistic matrix factorization for social tag refinement | |
CN112597330A (zh) | 一种融合稀疏与低秩的图像处理方法 | |
Guo et al. | Saliency detection on sampled images for tag ranking | |
Wang et al. | Interactive image segmentation based on label pair diffusion | |
CN109255098B (zh) | 一种基于重构约束的矩阵分解哈希方法 | |
Wu et al. | Dmtmv: a unified learning framework for deep multi-task multi-view learning | |
Kumar et al. | Stocks Analysis and Prediction of Indian Oil Trading Using Big Data Analytics | |
Lu et al. | Distance-Preserving Embedding Adaptive Bipartite Graph Multi-View Learning with Application to Multi-Label 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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210402 |