CN107992897A - 基于卷积拉普拉斯稀疏编码的商品图像分类方法 - Google Patents
基于卷积拉普拉斯稀疏编码的商品图像分类方法 Download PDFInfo
- Publication number
- CN107992897A CN107992897A CN201711337772.4A CN201711337772A CN107992897A CN 107992897 A CN107992897 A CN 107992897A CN 201711337772 A CN201711337772 A CN 201711337772A CN 107992897 A CN107992897 A CN 107992897A
- Authority
- CN
- China
- Prior art keywords
- image
- msub
- mrow
- convolution
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积拉普拉斯稀疏编码的商品图像分类方法,该方法包括:选择商品图像数据库,获取训练图像集和测试图像集;CLSC模型对训练图像集中的图像进行训练、学习,从训练样本中获得卷积滤波器组和稀疏表示特征;使用学习到的卷积滤波器组与测试图像集中的图像进行卷积操作,得到测试图像的稀疏表示特征,被用于分类;将得到的训练图像稀疏表示特征作为训练样本对支持向量机进行训练,并进行参数优化;将测试图像的稀疏表示特征输入到支持向量机中,得出分类准确度。本发明降低了图像表示的冗余性,有效提高了商品图像的分类准确率。
Description
技术领域
本发明涉及的是一种商品图像分类方法,属于图像处理技术领域,具体是涉及一种基于卷积拉普拉斯稀疏编码的商品图像分类方法。
背景技术
随着互联网的普及和发展,电子商务网站的数量呈***式增长,购物网站已经逐渐成为人们日常购物的主要来源。在电子商务活动中,消费者及电商经营者面对的不是商品实物,而是商品图像数据以及一些简单标注,因此图像成为了商品信息传递的主要信息载体。如何在海量的商品图像中提高精度分类,从而提供良好的用户体验,是一个值得研究的问题。
就目前而言,商品图像分类方法的主要技术在于图像特征的提取和分类器的设计。在特征提取方面,现常用的方法有稀疏模型。稀疏模型对训练样本图像进行学习,从训练样本中学习到稀疏字典;之后,使用稀疏字典对待分类的图像进行稀疏编码,该稀疏编码作为待分类图像的稀疏表示特征,被用来分类。传统的稀疏模型(如稀疏编码、拉普拉斯稀疏编码等)需要对图像进行分块操作,通过对各个图像块进行单独的稀疏编码方式来实现整幅图像的稀疏逼近,这种方法存在一个重要的假设,即输入的图像块之间是相互独立的,忽视了相邻图像块之间的连续性和相关性,造成编码的高度冗余。尽管拉普拉斯稀疏编码(Laplacian Sparse Coding,LSC)在稀疏编码(Sparse Coding,SC)的基础上加入了一个拉普拉斯正则化项,考虑到了相似特征之间的一致性,在图像分类性能上有所提高,但图像的冗余性还是没有得到很好的解决,从而影响了图像分类的准确度。而卷积拉普拉斯稀疏编码不需要使用SIFT等描述子预先定义一组图像块来进行学习,可以直接对输入图像进行操作,能够降低冗余和提高分类准确率。
发明内容
本发明针对上面提到的问题,提出了一种基于卷积拉普拉斯稀疏编码(Convolutional Laplacian Sparse Coding,CLSC)的商品图像分类方法。本方法直接对整幅图像进行操作,将图像表示由图像块和字典原子的一维内积运算转换为整幅图像与滤波器的二维卷积操作,成功解决了图像的冗余性问题,并提高了商品图像的分类性能。
为达到上述目的,本发明的技术方案和步骤如下:
S1:对PI100商品图像数据集进行简单的预处理,并将其分为训练图像集和测试图像集;
S2:利用CLSC模型对训练图像集中的图像进行训练、学习,从训练样本中得到卷积滤波器组;
S3:使用学习到的卷积滤波器组与测试图像集中的图像进行卷积操作,获得测试图像的稀疏表示特征,被用于图像分类;
S4:将训练图像得到的稀疏表示特征作为训练样本对支持向量机(SupportVector Machine,SVM)分类器进行训练,并进行参数优化,达到SVM的最优性能;
S5:将测试图像的稀疏表示特征输入到优化后的SVM分类器,进行图像分类并得到分类准确率。
在上述步骤中,其中步骤1所使用的数据集PI100是微软研究院从MSN购物网站上收集的10000幅商品图像,共100个类别,是目前较常用的商品图像数据库。该数据库中的商品图像具有分辨尺寸统一、背景单一的特点,因此只要进行简单的预处理就可以作为输入图像直接进行训练。
上述步骤2是本发明在特征提取方面的关键一步。本方法利用CLSC算法对商品图像进行特征学习,其中最重要的是训练学习卷积滤波器组,通过卷积滤波器组对测试图像进行稀疏表示,得到图像的特征表达。
上述步骤4中针对非线性SVM的分类性能易受到参数、核函数等因素的影响,且在训练时具有较高的复杂度。本方法使用线性SVM,且采用LBFGS算法优化SVM,达到SVM最优分类性能的参数。
与目前基于LSC的商品图像分类方法相比,本发明具有以下有益效果:通过CLSC算法提取图像稀疏表示特征,不仅提高了特征的识别力,还大大降低了图像表示的冗余性,有效地提高了商品图像的分类准确率,具有较好的实用性。
附图说明
图1为本发明所述的分类方法流程图
图2为本发明实例中使用的商品图像示意图
图3为本发明实例中学习到的卷积滤波器的可视化表示
具体的实施方式
为了使本发明的技术方案更加清楚明白,下面结合附图进行进一步的详细说明。
如图1所示,本发明基于卷积拉普拉斯稀疏编码的商品图像分类方法,具体流程包括以下几个步骤:
S1:选择商品图像数据库,本发明实例中使用的数据集是PI100数据库中的部分图像,共10个类别,每个类别选择的图像数目是一样的。将数据集的60%作为训练图像集,40%作为测试图像集。
对数据图像进行简单的预处理,将所有彩色图像转换为灰度图像,达到降维的作用,并对数据进行归一化处理,提高提取特征的识别力。
S2:利用CLSC模型对训练图像集中的图像进行训练、学习,从训练样本中得到卷积滤波器组。
有训练数据集其中xj表示第j个训练样本,大小为m×m,ns表示样本总数。D=[D1,D2,…,Dc]表示卷积滤波器组,Di(1<i<c)表示一个二维滤波器,大小为n×n。CLSC模型的目标函数表示如下:
其中,z=[z1,z2,…,zc]表示稀疏特征图,c个特征图构成图像xj,zi的大小为 表示卷积操作;图拉普拉斯矩阵L定义为L=H-W,是一个对角矩阵;W=(ωij)是一个权重矩阵,权重ωij表示图像块之间的相似性。
考虑到式(1)含有两个变量:卷积滤波器组D和稀疏特征图z,这是一个联合优化问题,为非凸问题,但保持其中一个固定,优化另一个时,则为凸优化问题。因此,本方法先固定滤波器组D,求解稀疏特征图z;然后固定z,求解卷积滤波器组D。这两个求解过程都是在乘子交替方向法(Alternating Direction Method of Multipliers,ADMM)框架下完成的,并在较快时间下达到收敛。
本发明实例中使用的图像大小都为100×100,样本总数ns=1000,采用的滤波器大小为11×11,滤波器的个数为100。对于CLSC算法,输入的是训练数据集输出的是卷积滤波器组D,在对式(1)的优化过程中,首先需要对D和z进行初始化,利用ADMM算法对其进行参数更新,直至收敛(达到最大迭代次数或目标函数值小于设定的阈值)。通过CLSC算法学习到的滤波器组如图3所示,该滤波器组有效表示了图像的方向,边缘、轮廓、纹理等结构特征,能有效提高特征的识别力。
S3:使用上述(2)中学习到的卷积滤波器组D与测试图像集中的图像进行卷积操作,得到的稀疏特征图z*作为测试图像的稀疏表示特征,被用于分类。
通过卷积滤波器组D得到的最优稀疏表示为:
S4:将训练图像得到的稀疏表示特征z作为训练样本对支持向量机(SupportVector Machine,SVM)分类器进行训练,并进行参数优化,达到SVM的最优性能;
在本发明中,采用的是一种简单的多类线性SVMs。给定的训练数据为一个线性SVM的目标是学习nc个线性函数例如,对于一个测试数据z,它的类别标签可以由下面的公式预测:
本发明使用一对多策略来训练nc个二进制线性SVMs,每一个都需要解决下面的无约束凸优化问题:
其中,如果yc=c,则否则 是一个损失函数。标准的损失函数是处处不可微的,这不利于基于梯度的优化方法的应用。这里本方法采用一个可微的二次损失函数:
这样,就可以通过简单的基于梯度的优化方法比较容易地完成训练。本方法采用的优化方法是LBFGS,选择出SVM的最优参数,达到SVM的最优分类性能。
S5:将测试图像的稀疏表示特征z*输入到优化后的线性多分类SVM中,若多分类SVM输出的结果与测试样本一致,表明分类结果正确,统计测试图像集中分类正确的样本数除以样本总数,得到针对该测试图像集的商品图像分类的准确率。
上述详细地描述了本发明提供的基于卷积拉普拉斯稀疏编码的商品图像分类方法的应用与实施,本发明采用CLSC算法,降低了图像表示的冗余性,同时也证明了该方法在商品图像分类准确率上的优越性。
Claims (2)
1.一种基于卷积拉普拉斯稀疏编码的商品图像分类方法,该方法包括如下步骤:
S1:对PI100商品图像数据集进行简单的预处理,并将其分为训练图像集和测试图像集;
S2:利用CLSC模型对训练图像集中的图像进行训练、学习,从训练样本中得到卷积滤波器组;
S3:使用学习到的卷积滤波器组与测试图像集中的图像进行卷积操作,得到测试图像的稀疏表示特征,被用于图像分类;
S4:将训练图像得到的稀疏表示特征作为训练样本对支持向量机(Support VectorMachine,SVM)分类器进行训练,并进行参数优化,达到SVM的最优性能;
S5:将测试图像的稀疏表示特征输入到优化后的SVM分类器,进行图像分类并得到分类准确率。
2.根据权利要求书1所述的商品图像分类方法,其特征在于:
采用CLSC模型对训练图像集的图像进行学习,从训练样本中学习到卷积滤波器组,之后,使用卷积滤波器组对待分类的图像进行稀疏表示,卷积滤波器组可通过优化下面的目标函数获得:
<mrow>
<munder>
<mi>argmin</mi>
<mrow>
<mi>D</mi>
<mo>,</mo>
<mi>Z</mi>
</mrow>
</munder>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<mrow>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<mo>&CircleTimes;</mo>
<msub>
<mi>z</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
</mrow>
<mo>+</mo>
<mi>&lambda;</mi>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>z</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>1</mn>
</msub>
<mo>+</mo>
<mfrac>
<mi>&mu;</mi>
<mn>2</mn>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<mo><</mo>
<msub>
<mi>z</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>Lz</mi>
<mi>i</mi>
</msub>
<mo>></mo>
</mrow>
<mrow>
<mo><</mo>
<msub>
<mi>z</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>Lz</mi>
<mi>i</mi>
</msub>
<mo>></mo>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</munder>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>z</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
上式中的λ和β为参数,作用是用来平衡稀疏性和重构性,在实际实验过程中一般设置为常数(λ=0.1,β=0.1);
上述目标函数的优化过程有些复杂,需要先固定其中一个,求解另一个,把它转化成一个凸优化问题:D和z的求解过程都是在乘子交替方向法(Alternating Direction Methodof Multipliers,ADMM)框架下完成的,通过不断地更新迭代,直至算法达到收敛,获得最优的卷积滤波器组D和稀疏特征图z;
SVM分类器的训练样本为从训练图像集学习到的稀疏特征图,本发明使用的是多类线性SVMs,通过采用一个可微的二次损失函数:
<mrow>
<mi>l</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mi>c</mi>
</msub>
<mo>;</mo>
<msubsup>
<mi>y</mi>
<mi>i</mi>
<mi>c</mi>
</msubsup>
<mo>,</mo>
<msub>
<mi>z</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<msubsup>
<mi>w</mi>
<mi>c</mi>
<mi>T</mi>
</msubsup>
<mi>z</mi>
<mo>&CenterDot;</mo>
<msubsup>
<mi>y</mi>
<mi>i</mi>
<mi>c</mi>
</msubsup>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
可以通过简单的基于梯度的优化方法来比较容易地完成训练,降低了分类器训练的复杂度,本方法利用LBFGS算法对分类器进行优化,达到SVM的最优分类性能;
最后,通过学习到的卷积滤波器组D对测试图像集中待分类的图像进行稀疏表示,主要是利用整个待分类图像与卷积滤波器进行卷积操作,卷积运算的步长为1,得到测试图像的稀疏特征图,这个稀疏特征图作为待分类图像的稀疏表示特征,并将其输入到训练好的线性多分类SVM中;统计测试图像集中分类正确的样本数除以样本总数,得到针对该测试图像集的商品图像分类的准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711337772.4A CN107992897A (zh) | 2017-12-14 | 2017-12-14 | 基于卷积拉普拉斯稀疏编码的商品图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711337772.4A CN107992897A (zh) | 2017-12-14 | 2017-12-14 | 基于卷积拉普拉斯稀疏编码的商品图像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107992897A true CN107992897A (zh) | 2018-05-04 |
Family
ID=62038452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711337772.4A Pending CN107992897A (zh) | 2017-12-14 | 2017-12-14 | 基于卷积拉普拉斯稀疏编码的商品图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107992897A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605952A (zh) * | 2013-10-27 | 2014-02-26 | 西安电子科技大学 | 基于拉普拉斯正则组稀疏的人体行为识别方法 |
CN104063897A (zh) * | 2014-06-28 | 2014-09-24 | 南京理工大学 | 基于图稀疏正则化的卫星高光谱图像压缩感知重建方法 |
CN104200224A (zh) * | 2014-08-28 | 2014-12-10 | 西北工业大学 | 基于深度卷积神经网络的无价值图像去除方法 |
CN104361363A (zh) * | 2014-11-25 | 2015-02-18 | 中国科学院自动化研究所 | 深度反卷积特征学习网络、生成方法及图像分类方法 |
CN104408469A (zh) * | 2014-11-28 | 2015-03-11 | 武汉大学 | 基于图像深度学习的烟火识别方法及*** |
CN104794504A (zh) * | 2015-04-28 | 2015-07-22 | 浙江大学 | 基于深度学习的图形图案文字检测方法 |
CN104951756A (zh) * | 2015-06-08 | 2015-09-30 | 浙江科技学院 | 一种基于压缩感知的人脸识别方法 |
CN105678218A (zh) * | 2015-12-29 | 2016-06-15 | 电子科技大学 | 一种移动物体分类的方法 |
CN106096652A (zh) * | 2016-06-12 | 2016-11-09 | 西安电子科技大学 | 基于稀疏编码和小波自编码器的极化sar图像分类方法 |
CN106203531A (zh) * | 2016-07-20 | 2016-12-07 | 清华大学 | 一种基于卷积稀疏自动编码器的输电线故障分类方法 |
US20170132496A1 (en) * | 2015-11-05 | 2017-05-11 | Microsoft Technology Licensing, Llc | Hardware-efficient deep convolutional neural networks |
CN106886778A (zh) * | 2017-04-25 | 2017-06-23 | 福州大学 | 一种监控场景下车牌字符分割与识别方法 |
US20170213109A1 (en) * | 2014-03-31 | 2017-07-27 | Los Alamos National Security, Llc | Classification of multispectral or hyperspectral satellite imagery using clustering of sparse approximations on sparse representations in learned dictionaries obtained using efficient convolutional sparse coding |
CN107239795A (zh) * | 2017-05-19 | 2017-10-10 | 西安电子科技大学 | 基于稀疏自编码器和卷积神经网络的sar图像变化检测***及方法 |
-
2017
- 2017-12-14 CN CN201711337772.4A patent/CN107992897A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605952A (zh) * | 2013-10-27 | 2014-02-26 | 西安电子科技大学 | 基于拉普拉斯正则组稀疏的人体行为识别方法 |
US20170213109A1 (en) * | 2014-03-31 | 2017-07-27 | Los Alamos National Security, Llc | Classification of multispectral or hyperspectral satellite imagery using clustering of sparse approximations on sparse representations in learned dictionaries obtained using efficient convolutional sparse coding |
CN104063897A (zh) * | 2014-06-28 | 2014-09-24 | 南京理工大学 | 基于图稀疏正则化的卫星高光谱图像压缩感知重建方法 |
CN104200224A (zh) * | 2014-08-28 | 2014-12-10 | 西北工业大学 | 基于深度卷积神经网络的无价值图像去除方法 |
CN104361363A (zh) * | 2014-11-25 | 2015-02-18 | 中国科学院自动化研究所 | 深度反卷积特征学习网络、生成方法及图像分类方法 |
CN104408469A (zh) * | 2014-11-28 | 2015-03-11 | 武汉大学 | 基于图像深度学习的烟火识别方法及*** |
CN104794504A (zh) * | 2015-04-28 | 2015-07-22 | 浙江大学 | 基于深度学习的图形图案文字检测方法 |
CN104951756A (zh) * | 2015-06-08 | 2015-09-30 | 浙江科技学院 | 一种基于压缩感知的人脸识别方法 |
US20170132496A1 (en) * | 2015-11-05 | 2017-05-11 | Microsoft Technology Licensing, Llc | Hardware-efficient deep convolutional neural networks |
CN105678218A (zh) * | 2015-12-29 | 2016-06-15 | 电子科技大学 | 一种移动物体分类的方法 |
CN106096652A (zh) * | 2016-06-12 | 2016-11-09 | 西安电子科技大学 | 基于稀疏编码和小波自编码器的极化sar图像分类方法 |
CN106203531A (zh) * | 2016-07-20 | 2016-12-07 | 清华大学 | 一种基于卷积稀疏自动编码器的输电线故障分类方法 |
CN106886778A (zh) * | 2017-04-25 | 2017-06-23 | 福州大学 | 一种监控场景下车牌字符分割与识别方法 |
CN107239795A (zh) * | 2017-05-19 | 2017-10-10 | 西安电子科技大学 | 基于稀疏自编码器和卷积神经网络的sar图像变化检测***及方法 |
Non-Patent Citations (1)
Title |
---|
刘涛: "基于核拉普拉斯稀疏编码的图像分类", 《中国优秀硕士学位论文全文数据库 信息利技辑 (月刊)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mienye et al. | Prediction performance of improved decision tree-based algorithms: a review | |
CN110674407B (zh) | 基于图卷积神经网络的混合推荐方法 | |
Guo et al. | Supplier selection based on hierarchical potential support vector machine | |
CN103984959B (zh) | 一种基于数据与任务驱动的图像分类方法 | |
CN110175628A (zh) | 一种基于自动搜索与知识蒸馏的神经网络剪枝的压缩算法 | |
CN110428428A (zh) | 一种图像语义分割方法、电子设备和可读存储介质 | |
CN107683469A (zh) | 一种基于深度学习的产品分类方法及装置 | |
CN107368614A (zh) | 基于深度学习的图像检索方法及装置 | |
CN103679185A (zh) | 卷积神经网络分类器***、其训练方法、分类方法和用途 | |
Miao et al. | Lasagne: A multi-layer graph convolutional network framework via node-aware deep architecture | |
CN112884552B (zh) | 一种基于生成对抗和知识蒸馏的轻量级多模推荐方法 | |
CN105654196A (zh) | 一种基于电力大数据的自适应负荷预测选择方法 | |
CN111292195A (zh) | 风险账户的识别方法及装置 | |
CN106446931A (zh) | 基于支持向量数据描述的特征提取及分类方法及其*** | |
CN102156871A (zh) | 基于类别相关的码本和分类器投票策略的图像分类方法 | |
CN113255844B (zh) | 基于图卷积神经网络交互的推荐方法及*** | |
Parvin et al. | A classifier ensemble of binary classifier ensembles | |
Zhou et al. | Convolutional deep networks for visual data classification | |
CN107169061A (zh) | 一种融合双信息源的文本多标签分类方法 | |
CN107491782A (zh) | 利用语义空间信息的针对少量训练数据的图像分类方法 | |
CN106204053A (zh) | 信息类目错放识别方法和装置 | |
CN116128254A (zh) | 基于边缘计算的嵌入式智能制造资源配置方法及终端*** | |
Zhang | Simultaneous optimization for robust correlation estimation in partially observed social network | |
CN103049454B (zh) | 一种基于多标签分类的中英文搜索结果可视化*** | |
CN109241869A (zh) | 答题卡分数识别方法、装置及终端设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180504 |
|
WD01 | Invention patent application deemed withdrawn after publication |