-
公开(公告)号：CN115861337A
公开(公告)日：2023-03-28
申请号：CN202211672295.8
申请日：2022-12-26
Applicant: 江苏理工学院
Abstract: 本发明公开了一种基于深度学习的脊柱MRI图像分割方法，本发明考虑了MRI数据在脊柱等骨骼方面的成像不清晰的情况，利用图像分类效果较好的EfficientNetV2 2D和EfficientNetV2 3D进行特征提取，通过ASPP 2D、ASPP 3D、Attention机制2D、Attention机制3D提高特征提取的能力，最后通过双线性插值进行上采样，最终得到分割结果。
-
公开(公告)号：CN109325515B
公开(公告)日：2021-09-28
申请号：CN201810905948.X
申请日：2018-08-10
Applicant: 江苏理工学院
IPC: G06K9/62
Abstract: 本发明提供了一种基于局部学习正则化的深度矩阵分解方法及图像聚类方法，其中，在深度矩阵分解方法中包括：S10根据待聚类图片获取数据矩阵Y；S20基于数据矩阵Y构建目标函数：S30根据目标函数C**，使用迭代加权的方法，输出基矩阵Ni和系数矩阵Mi，完成对数据矩阵Y的分解。与传统的严格意义上的绝对非负矩阵分解相比，不仅通过深度半非负矩阵分解精准高效地完成了数据的分类，同时将部分属性信息进行合并，实现了对各个区域的预测代价最小化。
-
公开(公告)号：CN110363712B
公开(公告)日：2023-06-23
申请号：CN201910514472.1
申请日：2019-06-14
Applicant: 江苏理工学院
IPC: G06T5/00
Abstract: 本发明提供了一种稀疏对偶约束的高光谱图像解混方法，包括：S10获取待解混的高光谱图像，并通过在高维数据矩阵中寻找每个像素点的k个最近邻点构造一个最近邻图；S20将步骤S10中构造的最近邻图中的每个像素点作为一个向量，在稀疏区域内，通过设置像素点间稀疏距离的方法构造另一个图；S30根据步骤S10和步骤S20构建的两个图，建立稀疏约束下基于非负矩阵分解的损失函数C：S40对数据矩阵N进行逐层分解得到相应的矩阵因子，且在分解到最后一层使用微调规则对矩阵因子进行调整，调整之后进行迭代更新；S50输出最终迭代的结果，得到对高光谱图像解混后的端成员矩阵U和丰度矩阵V，完成对高光谱图像的解混。整个速度快且占用存储空间小，保证了复杂度低的同时维持一定的处理速度，提高了解混效率。
-
公开(公告)号：CN109840545A
公开(公告)日：2019-06-04
申请号：CN201811597620.2
申请日：2018-12-26
Applicant: 江苏理工学院
IPC: G06K9/62
Abstract: 本发明提供了一种基于图正则化的鲁棒性结构非负矩阵分解聚类方法，包括：S10获取m个待聚类图像，并根据待聚类图像构造k个最邻近图；S20针对每个最邻近图得到相应的数据矩阵Y，数据矩阵Y中包括n个数据点，使用非负矩阵分解方法对数据矩阵Y进行分解得到特征矩阵W和系数矩阵H；S30基于l2,p范数建立基于图正则化的鲁棒性结构非负矩阵分解的目标函数O；S40根据目标函数O，使用迭代加权的方法迭代预设次数，对特征矩阵W、系数项及图正则项进行更新；S50采用k-means聚类算法分别对每个最近邻图所得到的特征矩阵W进行分析并聚类。其采用鲁棒损失函数对其中的重构误差进行测量，在该鲁棒损失函数中没有使用标记数据进行判别，引入非负矩阵分解的半监督方法后，能够有效的提高效率及精确率。
-
公开(公告)号：CN109063725A
公开(公告)日：2018-12-21
申请号：CN201810607971.0
申请日：2018-06-13
Applicant: 江苏理工学院
IPC: G06K9/62
CPC classification number: G06K9/6223
Abstract: 本发明提供了一种面向多视图聚类的多图正则化深度矩阵分解方法，包括：获取待分解的多视图样本集X＝{X(1),...,X(υ),...,X(V)}，其中，V表示视图的个数，kυ为视图样本的维数，n为多视图样本的个数；根据多视图样本集构建目标函数：根据所述目标函数，使用迭代加权的方法，输出特征矩阵Dm，完成对多视图样本集X的分解。其采用多图正则项来保持每层系数矩阵中的固有几何结构信息，确保每层系数矩阵进行有效合理的优化，以提高多视图聚类的精确度。
-
Patent Agency Ranking
公开(公告)号：CN109614581A
公开(公告)日：2019-04-12
申请号：CN201811221673.4
申请日：2018-10-19
Applicant: 江苏理工学院
Abstract: 本发明提供了一种基于对偶局部学习的非负矩阵分解聚类方法，包括：S10根据待聚类图像选定待分类的数据矩阵V、簇类号a1和a2；S20根据数据矩阵V构建目标函数O；S30根据目标函数O，使用迭代的方法，输出类结果；S40根据类结果对待聚类图像进行聚类。该聚类方法结合了双结构学习，将协同聚类问题转化为具有正交约束的非负矩阵分解问题，简化了问题的复杂度，更具有代表性和普适性，其复杂度低，大大加快了聚类过程中的运行的速度，提高了聚类效率。
-
公开(公告)号：CN109325515A
公开(公告)日：2019-02-12
申请号：CN201810905948.X
申请日：2018-08-10
Applicant: 江苏理工学院
IPC: G06K9/62
Abstract: 本发明提供了一种基于局部学习正则化的深度矩阵分解方法及图像聚类方法，其中，在深度矩阵分解方法中包括：S10根据待聚类图片获取数据矩阵Y；S20基于数据矩阵Y构建目标函数：S30根据目标函数C**，使用迭代加权的方法，输出基矩阵Ni和系数矩阵Mi，完成对数据矩阵Y的分解。与传统的严格意义上的绝对非负矩阵分解相比，不仅通过深度半非负矩阵分解精准高效地完成了数据的分类，同时将部分属性信息进行合并，实现了对各个区域的预测代价最小化。
-
公开(公告)号：CN109614581B
公开(公告)日：2023-09-22
申请号：CN201811221673.4
申请日：2018-10-19
Applicant: 江苏理工学院
Abstract: 本发明提供了一种基于对偶局部学习的非负矩阵分解聚类方法，包括：S10根据待聚类图像选定待分类的数据矩阵V、簇类号a1和a2；S20根据数据矩阵V构建目标函数O；S30根据目标函数O，使用迭代的方法，输出类结果；S40根据类结果对待聚类图像进行聚类。该聚类方法结合了双结构学习，将协同聚类问题转化为具有正交约束的非负矩阵分解问题，简化了问题的复杂度，更具有代表性和普适性，其复杂度低，大大加快了聚类过程中的运行的速度，提高了聚类效率。
-
公开(公告)号：CN109508737B
公开(公告)日：2023-09-22
申请号：CN201811281896.X
申请日：2018-10-31
Applicant: 江苏理工学院
IPC: G06V10/762 , G06V40/16
Abstract: 本发明提供了一种基于深度矩阵的约束概念分解聚类方法，包括S10获取m个待聚类图像，并根据待聚类图像构造k个最邻近图；S20针对每个最邻近图得到相应的数据矩阵X，数据矩阵X中包括n个数据点，并使用非负矩阵分解方法对数据矩阵X进行分解得到特征矩阵W；S30对数据矩阵X中的p个数据点进行标记；S40基于特征矩阵W及标记数据点，建立约束概念分解的目标函数σ；S50根据目标函数σ，使用迭代加权的方法迭代预设次数，得到数据矩阵X深度分解的每一层的特征矩阵Wi和权重矩阵Hi，1≤i≤k；S60采用k‑means聚类算法分别对每个最近邻图得到的特征矩阵进行分析并聚类。该聚类方法利用标记与非标记的数据点，将标记信息作为约束强加给目标函数，大大提升了识别能力，提高了聚类的精确度。
-
公开(公告)号：CN110363712A
公开(公告)日：2019-10-22
申请号：CN201910514472.1
申请日：2019-06-14
Applicant: 江苏理工学院
IPC: G06T5/00
Abstract: 本发明提供了一种稀疏对偶约束的高光谱图像解混方法，包括：S10获取待解混的高光谱图像，并通过在高维数据矩阵中寻找每个像素点的k个最近邻点构造一个最近邻图；S20将步骤S10中构造的最近邻图中的每个像素点作为一个向量，在稀疏区域内，通过设置像素点间稀疏距离的方法构造另一个图；S30根据步骤S10和步骤S20构建的两个图，建立稀疏约束下基于非负矩阵分解的损失函数C：S40对数据矩阵N进行逐层分解得到相应的矩阵因子，且在分解到最后一层使用微调规则对矩阵因子进行调整，调整之后进行迭代更新；S50输出最终迭代的结果，得到对高光谱图像解混后的端成员矩阵U和丰度矩阵V，完成对高光谱图像的解混。整个速度快且占用存储空间小，保证了复杂度低的同时维持一定的处理速度，提高了解混效率。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.022 seconds)
