公开(公告)号：CN110009049A

公开(公告)日：2019-07-12

申请号：CN201910283982.2

申请日：2019-04-10

申请人： 江南大学

发明人： 张涛 ,  于宏斌 ,  冯长安 ,  葛格 ,  石慧 ,  许志强 ,  崔光明 ,  潘详

IPC分类号： G06K9/62

摘要： 本发明公开了一种基于自步约束机制的可监督图像分类方法包括，划分训练样本难易种类；建立稀疏表示模型，并样本带入稀疏表示模型训练；获取图像分类模型和预测模型；以及，构建类别决策器；其中，所述训练样本难易种类包括训练易样本和训练难样本；所述划分训练样本难易种类采用自步约束矩阵划分；本发明通过自步约束矩阵对训练样本进行划分，将训练易样本和难样本依次带入定义的稀疏表示模型中进行不断训练，可构成具体自步约束的图像分类方案，便于利用更多的判别信息，且对样本噪声具有鲁棒性，从而可解决当面对包含噪声和巨大类内变化的复杂样本时监督字典学习机制将不再适用的问题，提高了图像识别效果。

公开(公告)号：CN110046660B

公开(公告)日：2023-06-27

申请号：CN201910283993.0

申请日：2019-04-10

申请人： 江南大学

发明人： 张涛 ,  冯长安 ,  刘敏杰 ,  葛格 ,  潘祥 ,  石慧 ,  许志强 ,  崔光明

IPC分类号： G06V10/762 ,  G06V10/774 ,  G06V10/764

摘要： 本发明公开了一种基于半监督学习的乘积量化方法，其是一种基于普通笛卡尔K均值的算法的改进算法，即半监督笛卡尔K均值算法。在本算法中，需要将量化步骤中的传统的最小平方损失函数替换成最优反向预测损失函数。传统的半监督学习会将有标记的数据直接用于模型训练，不同于传统半监督学习模型，有标记的数据必须通过先通过拉普拉斯正则化，才能用于模型训练。

公开(公告)号：CN110046660A

公开(公告)日：2019-07-23

申请号：CN201910283993.0

申请日：2019-04-10

申请人： 江南大学

发明人： 张涛 ,  冯长安 ,  刘敏杰 ,  葛格 ,  潘祥 ,  石慧 ,  许志强 ,  崔光明

IPC分类号： G06K9/62

摘要： 本发明公开了一种基于半监督学习的乘积量化方法，其是一种基于普通笛卡尔K均值的算法的改进算法，即半监督笛卡尔K均值算法。在本算法中，需要将量化步骤中的传统的最小平方损失函数替换成最优反向预测损失函数。传统的半监督学习会将有标记的数据直接用于模型训练，不同于传统半监督学习模型，有标记的数据必须通过先通过拉普拉斯正则化，才能用于模型训练。