-
公开(公告)号：CN104361354A
公开(公告)日：2015-02-18
申请号：CN201410709032.9
申请日：2014-11-28
申请人： 电子科技大学
IPC分类号： G06K9/62
CPC分类号： G06K9/6269 , G06K9/4642
摘要： 本发明提出一种基于稀疏编码K最近邻直方图的海量图像分类方法，属于模式识别与信息处理技术领域。本发明方法提出的图像特征表达是在不同尺度上统计直方图，在很大程度上捕捉到了图像各个域的特征信息，使得获得的图像特征具有平移不变性，能够有效地辨别各种变形后的图片。本发明用尽量简洁的图像表达来提高海量图像分类任务的准确率，本发明提供的方法在图像处理过程中图像表达极其简洁，计算复杂度低，同时对图像的变形具有很强的鲁棒性。
-
公开(公告)号：CN104361354B
公开(公告)日：2018-01-12
申请号：CN201410709032.9
申请日：2014-11-28
申请人： 电子科技大学
IPC分类号： G06K9/62
摘要： 本发明提出一种基于稀疏编码K最近邻直方图的海量图像分类方法，属于模式识别与信息处理技术领域。本发明方法提出的图像特征表达是在不同尺度上统计直方图，在很大程度上捕捉到了图像各个域的特征信息，使得获得的图像特征具有平移不变性，能够有效地辨别各种变形后的图片。本发明用尽量简洁的图像表达来提高海量图像分类任务的准确率，本发明提供的方法在图像处理过程中图像表达极其简洁，计算复杂度低，同时对图像的变形具有很强的鲁棒性。
-
公开(公告)号：CN103955707B
公开(公告)日：2017-08-15
申请号：CN201410182971.2
申请日：2014-05-04
申请人： 电子科技大学
摘要： 本发明提供了一种基于深度层次特征学习的海量图像分类系统，包括如下步骤：步骤a、输入无标签和有标签图像数据，对无标签图像数据进行预处理，除干扰信息、保留关键信息；步骤b、将预处理之后的图像进行K‑means特征学习，得到本层的字典；步骤c、如本层为第N层，对本层的字典与带标签图像数据集进行特征映射，得到深层次特征后进行步骤e，否则对本层的字典与的无标签图像数据进行特征映射，得到深层次的特征；步骤d、根据深层次特征的相关性，将多个高相关性特征聚合为一个感受野，如本层为N‑1层则进行步骤e，否则作为下一层输入信息送给步骤b；步骤e、在第N层中，将学到的特征输入SVM分类器，进行分类。
-
公开(公告)号：CN103955707A
公开(公告)日：2014-07-30
申请号：CN201410182971.2
申请日：2014-05-04
申请人： 电子科技大学
摘要： 本发明提供了一种基于深度层次特征学习的海量图像分类系统，包括如下步骤：步骤a、输入无标签和有标签图像数据，对无标签图像数据进行预处理，除干扰信息、保留关键信息；步骤b、将预处理之后的图像进行K-means特征学习，得到本层的字典；步骤c、如本层为第N层，对本层的字典与带标签图像数据集进行特征映射，得到深层次特征后进行步骤e，否则对本层的字典与的无标签图像数据进行特征映射，得到深层次的特征；步骤d、根据深层次特征的相关性，将多个高相关性特征聚合为一个感受野，如本层为N-1层则进行步骤e，否则作为下一层输入信息送给步骤b；步骤e、在第N层中，将学到的特征输入SVM分类器，进行分类。
-
-
-
搜索结果
4 条记录 (耗时 0.023 秒)
