专利交易市场

本发明涉及图像处理技术领域，公开了一种利用数据重构的多标记图像数据特征选择方法及系统，方法包括以下步骤：提取多标记图像的特征空间和标记空间；采用低秩表示对特征空间进行重构，得到重构的特征空间；通过方向牵引矩阵对标记空间进行转换，得到重构的标记空间；将重构的特征空间投影到重构的标记空间以产生特征选择矩阵，对特征选择矩阵的稀疏正则化施加L2,1范数约束以获得目标函数；通过求解目标函数获得特征选择矩阵，得到最优特征子集。本发明利用低秩表示的动态特征关系图重构特征空间，引入方向牵引矩阵扰动原始二元标签空间重构标签空间，制定了多标记图像数据特征选择的目标函数，并引入了一种有效的优化策略来处理该函数。

本发明公开了基于自适应流形和互信息的偏多标记特征选择方法及装置，涉及数据挖掘领域，方法包括：S1，利用数据集构建特征矩阵和逻辑标记矩阵；S2，特征选择模型构建步骤；S3，利用基于特征矩阵和逻辑标记矩阵构建目标函数的流形正则项和标记相似图学习项；S4利用目标函数对特征选择模型进行训练；S5，将偏多标记数据集输入训练好的特征选择模型，得到标记置信度矩阵和特征选择模型的权重矩阵，计算特征矩阵和标记置信度矩阵的互信息，根据互信息计算特征重要度矩阵，根据重要性排序筛选出最终的特征选择结果。本发明通过动态学习标记相似图权重矩阵消除噪声标记对标记相关性的影响，并结合权重矩阵与标记置信度的互信息实现特征选择。

本发明涉及一种基于神经网络的移动机器人视觉SLAM关键帧自适应筛选方法，属于移动机器人领域，包括以下步骤：利用IMU信息计算出的移动机器人的相对位移和角度变化量筛选出候选关键帧；利用视觉传感器获得的图像信息对候选关键帧进行筛选，从候选关键帧中筛选出最终的关键帧；其中两次筛选关键帧的相关阈值和权重由神经网络自适应生成。本发明在保证了系统的定位精度和鲁棒性的前提下，减少了视觉信息处理数量，提高了系统实时性。