本发明涉及一种基于小样本学习的无线频谱状态图像分类方法，属于认知无线电领域。该方法包括：将训练集支持集Str与训练集查询集Qtr输入到嵌入模块，得到各个类别的张量集；在所述训练集支持集Str张量集中通过每个类别中距离最接近的K个张量计算所述训练集支持集Str的各个类别的类原型；将所述类原型与所述训练集查询集Qtr张量集输入度量模块，进行相似性度量，得到小样本图像分类器。本发明使用的方法与传统机器学习算法相比分类任务中训练和测试所用的类别是不同的，这样的设置有利于训练一个可以抽取样本通用特征和特有特征的小样本图像分类器，解决了传统基于机器学习的频谱状态感知算法对数据的依赖性问题，提高了在盲感知、快速感知中的感知准确性；同时，使用若干特征向量代表图像样本，使用局部特征代表图像进行分类，消除了类内差异和背景混淆的问题。
📄 2023105657381
📂 G06V10_764
👤 重庆邮电大学
📅 2023-05-18
一种基于不相干性联合字典学习的图像分类方法，该方法为每类图像训练一个类字典，为所有图像训练一个共享字典，保证共享字典的低秩性来避免共享字典吸收类特征，在低秩共享字典和类字典间加入相干性约束项阻止共享特征出现在类字典中。本发明增加了训练字典的判别性，提升字典的稀疏表示能力，进一步提高了图像分类的准确率。
📄 2020103165891
📂 G06V10_764
👤 浙江工业大学
📅 2020-04-21
本发明公开了一种基于选择性原型损失函数的多标签图像分类方法，包括如下步骤：S1、获取原始图像数据集并进行预处理形成训练集，原始图像数据集中的全部图像具有M个类别且各图像具有至少一个标签；S2、建立卷积神经网络模型并采用训练集进行训练，卷积神经网络模型利用选择性原型损失函数作为惩罚函数；S3、采用训练好的卷积神经网络模型对待测图像进行分类，获得对应类别的预测概率即为多标签图像分类结果。该方法具有识别更加准确和泛化能力更强的特点。
📄 2025106842783
📂 G06V10_764
👤 浙江工业大学
📅 2025-05-26
本发明公开了一种融合标签间强相关性的多标签图像分类方法，包含以下步骤：将数据集中的标签聚类为M个社区，将传统的标签共现矩阵分割为M重标签共现张量；将待训练图片送入到通用卷积神经网络中，并在最后一个阶层后经过M重类属池化，得到多重类属特征图；将标签共现张量和标签嵌入矩阵送入到多重图卷积神经网络中，在最后一个多重图卷积层后，利用注意力融合机制将M重标签表示张量融合为一张标签表示矩阵；将标签子语义关系融入到卷积神经网络中间阶层；将社区编码信息融入到标签表示矩阵中，并与多重类属特征图做标签级别乘法；构建全局目标函数。本发明学习到标签相关性和标签间强相关性，并融入到特征图中，提高了多标签分类任务性能。
📄 2022102501803
📂 G06V10_26
👤 安徽工业大学
📅 2022-03-15
本发明针对现有高光谱遥感图像分类技术，在图像分类结果存在“杂点”的问题上，提出了一种空间邻域信息加权的高光谱遥感图像分类方案。首先对预处理后的图像数据进行部分主成分分析，获取变换后的特征矩阵，然后对特征矩阵利用空间邻域信息加权的FCM算法实施快速聚类，得到高光谱图像的分类结果。本发明提供的高光谱遥感图像分类方案，充分结合了主成分分析特征降维的功效和高光谱图像丰富的空间邻域信息，在保证算法效率的同时，提高了高光谱图像的分类效果，与传统方法法相比，不仅能够降低计算量，而且可以改善分类效果，克服“同物异谱”和噪声引起的“杂点”现象，获得很好的分类效果。
📄 2013104226322
📂 G06K9_62
👤 重庆邮电大学
📅 2013-09-16
本发明公开的一种基于结构传播的零样本图像分类方法，步骤1，分别计算所有类别的语义结构和图像结构；步骤2，根据步骤1中语义结构和图像结构的计算式，建立适用于零样本图像分类的结构关系模型，并求解优化式；步骤3，根据步骤2中的优化式，继续更新图像结构；步骤4，循环迭代步骤2‑3，进行正向结构传播，直至得到稳定的未可见类别的标记。本发明基于结构传播的零样本图像分类方法的平均识别率最高，提高了分类的准确率和效率，获得了更好的零样本图像分类的效果。
📄 2018103458503
📂 G06V10_764
👤 西安理工大学
📅 2018-04-18
本发明公开了一种基于词性分解的深度用户点击特征的细粒度图像分类方法。本发明先利用从互联网上获取到的用户点击数据，利用自然语言处理的分词、词干化、去除停顿词等技术获得单词，同时获得单词的词性，分词性在得到的单词中挑选合适的关键词，然后利用得到的关键词和其对应的词频得到词频逆文档频率特征，再把通过这种方式获得的特征向量进行整合，得到一个特征张量，最后利用这种特征，专门构建并适用于该种这特征的网络进行分类。本发明在获得高精确率的前提下，可以有效决解传统方法所不能克服的语义鸿沟的问题。该方法的另一个好处，得益于网络结构的小巧，容易部署，更加适合实际的生产实践活动。该方法最终在Clickture‑Dog的数据集上取得了优异的结果。
📄 2019112961500
📂 G06V10_764
👤 杭州电子科技大学
📅 2019-12-16
本发明公开了一种高分辨率遥感图像分类方法，包括：输入图像；构造训练样本图像块集合；构造7层深度卷积神经网络并对其进行训练；计算类中心特征；计算训练样本图像块的差值特征；构造距离测度学习网络并对其进行训练；构造测试样本图像块集合；计算测试样本图像块的深度特征；计算测试样本图像块的差值特征；计算测试样本图像块与每一类类中心特征的距离值；选择测试样本图像块加入训练样本图像块集合；重复步骤3‑11，直到达到预先设定的迭代步数，输出测试样本图像块aq的深度特征Gq；训练softmax分类器；完成分类。通过本发明的方法可以获得高分辨率遥感图像分类中大数据量的训练样本，同时分类精度高。
📄 2020100183830
📂 G06V10_764
👤 西安理工大学
📅 2020-01-08
本发明公开的一种标记与语义自编码融合的零样本图像分类方法，具体按照以下步骤实施：图像到语义的自编码映射求解，获得图像到语义的映射矩阵；图像到标记的自编码映射求解，获得图像到标记的映射矩阵；根据图像到语义的映射矩阵、图像到标记的映射矩阵求解图像标记融合系数；根据图像标记融合系数对零样本图像标记估计，根据估计结果进行分类标记。不仅考虑语义的自编码映射，而且考虑标记的自编码映射。将各个信息域(语义和标记)的映射变换进行标记融合，进一步优化以上多重映射关系，能够更加准确的进行零样本图像分类和识别。
📄 2020105011506
📂 G06V10_764
👤 西安理工大学
📅 2020-06-04
本发明公开了基于多层级逼近式字典学习的快速图像分类方法：S1、选取图像数据集；S2、对图像进行预处理，生成图像样本集；S3、构建监督式字典学习模型；S4、采用拉普拉斯特征映射对稀疏系数进行局部不变性约束；S5、引入类内差异抑制项对字典模型进行约束；S6、构建分类标签矩阵；S7、构建分类误差约束项；S8、对目标函数进行求解，对稀疏系数、线性分类模型参数和字典进行迭代更新；S9、根据更新的稀疏系数和字典计算误差；S10、判断是否满足迭代收敛条件，若满足，则输出最优判别字典和最优线性分类模型参数，否则执行S5；S11、采用分类误差约束项作为线性分类器进行图像分类。本发明收敛速度和运行时间更快，图像分类准确率更高。
📄 2024113155042
📂 G06V10_764
👤 浙江理工大学
📅 2024-09-20
本发明公开了一种多级分布传播的小样本图像分类方法，首先获取图像数据集，通过对图像进行轮廓分割以截取目标区域图片并做特征提取，然后将提取得到的特征向量作为样本；构建GMDP模块，利用训练集样本对其进行训练，将测试集样本输入至训练好的GMDP模块中，即可直接预测输出对应图像中目标物的类别。本发明提出的MDPN网络，针对小样本分类任务中的噪音干扰问题和多层级特征提取问题进行了优化，通过基于实例分割的目标区域定位方法，大大减轻了背景和伪目标对小样本分类的影响，并通过串联堆叠GNN获得图像的多层级分布特征。
📄 2023102606513
📂 G06V10_764
👤 浙江理工大学
📅 2023-03-17
本发明公开了一种基于支持向量机的加密图像分类方法，它通过客户端收集待分类图像并加密成密文，上传至云端并利用云端服务器支持向量机分类模型，在不解密的情况下利用已训练好的支持向量机分类模型对密文运算，并将图像分类结果以密文的形式返回给客户端；最后，客户端执行解密模块得到图像分类结果。本发明绝大多数计算是在云服务器端进行，同时保护了用户图像的隐私性。且本发明的技术方案将整个矩阵编码成一个密文来进行运算显著地降低空间复杂度和减少密文运算次数，达到提高效率的目的。
📄 2020100228564
📂 G06K9_62
👤 浙江理工大学
📅 2020-01-09
柿子坊 · 知识产权运营
柿子坊知识产权运营平台