“低秩矩阵”专利关键词查询_检索下载_查询列表_检索列表_行业专利分布_钻瓜专利网

钻瓜专利网为您找到相关结果2150457个，建议您升级VIP下载更多相关专利

[发明专利]基于递归样本缩放和双线性因子分解的高光谱图像降噪方法-CN201910521819.5有效
发明人：沈项军;王宇轩 -专利权人：江苏大学
申请日： 2019-06-17 - 公布日： 2023-10-10 - 主分类号： G06T5/00 文献下载
摘要：本发明公开了一种基于递归样本缩放和双线性因子分解的高光谱图像降噪方法，首先初始化图像数据集X的低秩矩阵Z和初始化缩放因子矩阵D，并将缩放因子矩阵D施加到数据矩阵X和低秩矩阵Z中，得到目标方程，循环求解#imgabs0#将循环后得到#imgabs1#再代入目标方程，根据目标方程的约束条件，计算出低秩矩阵Z，基于所计算出的低秩矩阵Z，更新缩放因子矩阵D，将更新得到的缩放因子矩阵D再重新施加到矩阵X和Z上循环计算，当循环终止时得到低秩矩阵Z。其中，根据已知数据计算得出的低秩矩阵，然后通过样本点与低秩矩阵的主投影方向之间余弦相似性度量构造缩放因子矩阵来抑制噪声数据的影响。最后得出的低秩矩阵Z为图像的最低秩表示，达到较好的降噪效果。
基于递归样本缩放双线因子分解光谱图像方法

[发明专利]基于低秩恢复的非负矩阵分解方法-CN201610230629.4有效
发明人：李学龙;董永生;崔国盛 -专利权人：中国科学院西安光学精密机械研究所
申请日： 2016-04-14 - 公布日： 2019-01-15 - 主分类号： G06F17/16 文献下载
摘要：本发明属于信息处理技术领域，具体涉及一种基于低秩恢复的非负矩阵分解方法，包括以下步骤：1】将原始数据库中的每个图像样本均转换为向量，构成m×n的原始数据矩阵X；m为图像样本的维数，n为图像样本的个数；2】对原始数据矩阵X进行低秩稀疏分解；2.1】设置低秩矩阵的秩为r，设置稀疏矩阵的稀疏度为k；2.2】采用双边随机投影算法求解原始数据矩阵X的秩为r的低秩矩阵L和稀疏度为k的稀疏矩阵S；3】对步骤2】中求解得到的低秩矩阵L进行非负矩阵分解，得到基矩阵W和编码矩阵H。本发明通过低秩稀疏分解得到数据低秩成分和稀疏成分，并对去除稀疏噪声部分的低秩成分进行非负分解，从而使得非负分解结果免受噪声的干扰。
基于恢复矩阵分解方法

[发明专利]一种基于非凸秩近似的鲁棒主成分分析方法-CN202010959975.2在审
发明人：朱二喜;徐敏;王康琦;朱其龙 -专利权人：江苏信息职业技术学院
申请日： 2020-09-14 - 公布日： 2021-01-05 - 主分类号： G06T5/00 文献下载
摘要：本发明公开了一种基于非凸秩近似的鲁棒主成分分析方法，解决了传统的鲁棒主成分分析方法对低秩矩阵恢复效果不佳的问题，通过构建非凸秩近似函数，实现图像中低秩矩阵的秩近似，基于非凸秩近似函数，重建图像低秩矩阵恢复模型，并利用交替方向法求解，实现原始图像数据的低秩矩阵和噪音矩阵分解。
一种基于非凸秩近似的鲁棒主成分分析方法

[发明专利]基于低秩表示和标签融合的分类方法及装置、介质、设备-CN202310465688.X在审
发明人：李雪;杨彤;段强;姜凯 -专利权人：山东浪潮科学研究院有限公司
申请日： 2023-04-24 - 公布日： 2023-07-21 - 主分类号： G06V10/764 文献下载
摘要：本发明提供一种基于低秩表示和标签融合的分类方法及装置、介质、设备。方法包括：将训练图片进行低秩表示，得到对应的第一低秩矩阵；将所述训练图片的类别标签信息融入对应的所述第一低秩矩阵中，得到第二低秩矩阵，并将所述第二低秩矩阵还原为所述训练图片的特征矩阵；获取待分类图片，学习所述待分类图片的特征矩阵和各个类别的第二低秩矩阵之间的映射关系；根据所述映射关系和各个类别的训练图片的所述特征矩阵，确定所述待分类图片的类别。
基于表示标签融合分类方法装置介质设备

[发明专利]基于低秩矩阵恢复的多曝光图像去伪影融合方法-CN201610816475.7有效
发明人：谭洪舟;刘颜;陈荣军;李智文;朱雄泳;黄登;邹兵兵;嵇志辉;谢舜道 -专利权人：广东顺德中山大学卡内基梅隆大学国际联合研究院;中山大学;中山大学花都产业科技研究院
申请日： 2016-09-12 - 公布日： 2020-03-24 - 主分类号： G06T5/00 文献下载
摘要：本发明公开了一种基于低秩矩阵恢复的多曝光图像去伪影融合方法。首先，归一化输入多曝光图像序列；接着，使用相机响应函数对归一化后的图像序列进行辐射校准；然后向量化多曝光图像序列构成低秩矩阵恢复的数据矩阵；使用改进的低秩矩阵恢复算法得到低秩矩阵；从低秩矩阵数据中恢复目标的高动态范围本发明利用低秩矩阵恢复的最新研究成果，能够得到有效去除融合后的HDR图像中的伪影和模糊问题。
基于矩阵恢复曝光图像去伪影融合方法

[发明专利]推荐模型的生成、内容推荐方法、装置、设备和介质-CN202010529738.2有效
发明人：王雅晴;熊辉 -专利权人：北京百度网讯科技有限公司
申请日： 2020-06-11 - 公布日： 2023-04-07 - 主分类号： G06F16/9536 文献下载
摘要：推荐模型的生成方法的实现方案为：获取图训练样本集；将图训练样本集输入至机器学习模型中进行训练，机器学习模型包括至少一个低秩图卷积网络，低秩图卷积网络包括由第一低秩矩阵和第二低秩矩阵构成的完整权重矩阵；低秩图卷积网络的训练目标包括：能够分解为第一低秩矩阵和第二低秩矩阵的组合的非凸低秩项；在检测到满足训练结束条件时，得到与图训练样本集匹配的推荐模型，本申请实施例的技术方案在保证低秩GCN对原始GCN的拟合效果的同时，减小了低秩GCN中所需学习的数据量，并提高了低秩GCN的参数学习速度。
推荐模型生成内容方法装置设备介质

[发明专利]基于Hessian正则时空低秩约束的交通数据矩阵填充方法-CN202210624803.9在审
发明人：林铭炜;许秀琴;庄丹;凌杰 -专利权人：福建师范大学
申请日： 2022-06-02 - 公布日： 2022-09-20 - 主分类号： G08G1/01 文献下载
摘要：本发明公开基于Hessian正则时空低秩约束的交通数据矩阵填充方法，获取不完整的交通数据，建立交通数据矩阵；建立基于因子矩阵分解的低秩矩阵补全模型；通过分析交通数据的时序变化特性和Hessian正则空间相似特性，对所述基于因子矩阵分解的低秩矩阵补全模型进行优化；进行加入时空约束的低秩矩阵补全，恢复出原始交通数据。本发明将一种基于因子矩阵分解的低秩矩阵补全方法应用于交通数据恢复领域，并充分挖掘交通数据的时空相关性和低秩特性，提高了恢复完整交通数据的精度，尤其对不同缺失模式下的交通数据修复具有很好的应用效果。
基于 hessian 正则时空约束交通数据矩阵填充方法

[发明专利]融合自学习和低秩表示的基因表达数据癌症分类方法-CN201611207518.8有效
发明人：於东军;夏春秋;韩珂 -专利权人：南京理工大学
申请日： 2016-12-23 - 公布日： 2021-07-06 - 主分类号： G16B40/00 文献下载
摘要：本发明公开了一种融合自学习和低秩表示的基因表达数据癌症分类方法，包括：步骤1、对于给定的癌症基因表达数据集，将数据合并构建数据矩阵，并作归一化处理；步骤2、对于得到的数据矩阵，利用低秩表达方法进行分解，得到一个低秩矩阵和一个稀疏矩阵；步骤3、利用训练集的标签信息，在低秩矩阵和稀疏矩阵上分别计算每个类别的初始点；步骤4、分别在低秩矩阵和稀疏矩阵上使用一种无监督聚类方法，分别获得基于低秩矩阵和稀疏矩阵的预测结果；步骤5、对比两个预测结果，若无预测相同的样本或达到最大迭代次数，输出基于低秩表达矩阵的预测结果；否则，将预测相同的样本移除测试集并加入训练集，回到步骤3。
融合自学习表示基因表达数据癌症分类方法

[发明专利]基于低秩与稀疏分解的轻量化卷积神经网络图像识别方法-CN201911079625.0有效
发明人：郭锴凌;谢晓娜;徐向民 -专利权人：华南理工大学
申请日： 2019-11-07 - 公布日： 2023-06-23 - 主分类号： G06V10/774 文献下载
摘要：本发明属于图像识别领域，涉及一种基于低秩与稀疏分解的轻量化卷积神经网络图像识别方法。低秩与稀疏分解的轻量化卷积神经网络的构建过程包括：在结构设计阶段，将权重矩阵分解为低秩矩阵和稀疏矩阵的和，并将低秩矩阵根据秩的大小分解为两个小矩阵的乘积；在训练阶段，在损失函数中添加正则化项对稀疏矩阵进行约束；在后处理阶段，根据稀疏矩阵的能量分布删除不重要参数。优选地，还包括：对低秩与稀疏分解的轻量化卷积神经网络进行微调。本发明结合低秩分解和稀疏压缩方法，从头训练一个轻量化的卷积神经网络，在保留图像识别精度的同时，实现了卷积神经网络的压缩和加速。
基于稀疏分解量化卷积神经网络图像识别方法

[发明专利]基于改进的主成分追踪的工业过程监测方法及应用-CN201610552508.1有效
发明人：杨春节;潘怡君;安汝峤;孙优贤 -专利权人：浙江大学
申请日： 2016-07-12 - 公布日： 2019-07-16 - 主分类号： G05B23/02 文献下载
摘要：首先，对工业采集数据进行基于低秩矩阵表示的主成分追踪方法分解得到包含过程全部变量关系的低秩系数矩阵。其次，利用低秩系数矩阵以及训练矩阵中变量的相关系数权重来构建L²统计量进行故障检测与识别。本发明根据低秩矩阵表示以及主成分追踪方法的原理，将低秩矩阵表示算法融入到主成分追踪中，构建一个基于低秩矩阵表示的主成分追踪算法的模型，以及利用这个模型进行在线监测，充分利用了训练矩阵中变量之间的相关关系以及训练矩阵变量中包含的有效信息
基于改进成分追踪工业过程监测方法应用

[发明专利]一种基于低秩矩阵恢复的图像显著性目标检测方法-CN201910801714.5有效
发明人：刘明明;刘兵;郑丽丽;李震霄;仇文宁;付红;孙伟;李姗姗 -专利权人：江苏建筑职业技术学院
申请日： 2019-08-28 - 公布日： 2023-07-28 - 主分类号： G06V10/46 文献下载
摘要：本发明公开了一种基于低秩矩阵恢复的图像显著性目标检测方法，包括：从原始图像中提取颜色特征，结合图像超像素，确定原始图像的特征矩阵；从特征矩阵中分解出低秩矩阵；利用图像超像素按照索引树生成算法构造原始图像的分层索引树，结合高层先验信息，确定原始图像的分层稀疏范数；将低秩矩阵进行三元分解，确定原始图像的结构化低秩矩阵恢复模型；将原始图像的分层稀疏范数和原始图像的结构化低秩矩阵恢复模型融合，并结合交替方向优化算法，获得显著图本发明引入低秩矩阵三元分解加快奇异值分解的方法，解决了最小化矩阵迹范数导致的高计算复杂度问题；通过构造索引树，结合高层先验，解决了复杂背景下的无监督图像显著性目标检测问题。
一种基于矩阵恢复图像显著目标检测方法

[发明专利]基于低秩矩阵重建的分布式源二维空间谱估计方法-CN201811547633.9有效
发明人：李杰;韩金宝;杨萃;宁更新 -专利权人：华南理工大学
申请日： 2018-12-15 - 公布日： 2022-12-16 - 主分类号： G01S3/00 文献下载
摘要：本发明提供一种基于低秩矩阵重建的分布式源二维空间谱估计方法，将分布式源的二维空间谱看作一个低秩矩阵，并将信号协方差矩阵改写成与该空间谱矩阵有关的重建形式，通过对空间谱矩阵施加低秩约束，将空间谱矩阵估计转化为低秩矩阵重建问题不同于传统基于稀疏性的来波方向估计问题，本发明通过构造低秩矩阵重建问题，提供了求解分布式源空间谱的新思路，本发明方法对阵列形状不做限制，且无需假设信源空间分布形状已知，并且适用于不同信源为不同种分布的情形
基于矩阵重建分布式二维空间估计方法

[发明专利]使用模拟交叉开关架构的矩阵素描-CN202180035612.2在审
发明人： L·霍瑞什;O·奥尼恩;H·阿弗罗恩;T·高克曼;V·卡兰特奇斯;S·尤巴鲁 -专利权人：国际商业机器公司;特拉维夫大学拉莫特有限公司
申请日： 2021-04-13 - 公布日： 2023-01-13 - 主分类号： G06G5/00 文献下载
摘要：提供了一种用于通过采用模拟交叉开关架构来执行矩阵素描的计算机实现的方法。该方法包括：在第一时间段内低秩更新第一矩阵；将第一矩阵复制到动态校正计算设备中；切换到第二矩阵以在第二时间段内低秩更新第二矩阵；当第二矩阵低秩更新时，向第一矩阵馈送第一随机脉冲以将第一矩阵重置回到第一矩阵对称点；将第二矩阵复制到动态校正计算设备中；切换回到第一矩阵以在第三时间段内低秩更新第一矩阵；以及当第一矩阵低秩更新时，向第二矩阵馈送第二随机脉冲以将第二矩阵重置回到第二矩阵对称点。
使用模拟交叉开关架构矩阵素描

[发明专利]一种基于正向相关先验信息的协方差矩阵估计方法-CN202211520509.X在审
发明人：赵立成;周睿;蒲文强;邱添羽;史清江 -专利权人：深圳市大数据研究院
申请日： 2022-11-30 - 公布日： 2023-03-14 - 主分类号： G06F30/20 文献下载
摘要：本发明公开了基于正向相关先验信息的协方差矩阵估计方法，包括：获取样本协方差矩阵，样本协方差矩阵由低秩半正定分量矩阵以及正定对角分量矩阵相加组成，低秩半正定分量矩阵具有正向相关的先验信息；根据低秩半正定分量矩阵以及正定对角分量矩阵，生成约束条件，构建在约束条件下的第一目标优化模型；对该模型各变量进行初始化，变量包括目标协方差矩阵、正定对角分量矩阵、低秩半正定分量矩阵、以及辅助变量V；依次对目标协方差矩阵、正定对角分量矩阵、低秩半正定分量矩阵、以及辅助变量V进行循环迭代更新运算，当迭代次数达到第一预设阈值时，将得到的所述目标协方差矩阵的当前值作为估计的协方差矩阵。
一种基于正向相关先验信息协方差矩阵估计方法

[发明专利]一种鲁棒特征空间共同学习的多标签图像分类方法-CN202111225017.3在审
发明人：刘志锋;唐川景;沈项军;周从华 -专利权人：江苏大学
申请日： 2021-10-21 - 公布日： 2022-01-11 - 主分类号： G06V10/764 文献下载
摘要：本发明公开了一种鲁棒特征空间共同学习的多标签图像分类方法，首先准备多标签数据；在特征空间和标签空间中引入特征选择和核范数的低秩表示方法从而构造鲁棒的标签和特征空间共同学习的多标签分类模型；利用鲁棒低秩投影矩阵V将q维标签空间映射到r维的标签空间中，从而V表示在标签空间中学习到的鲁棒低秩投影；引入增广拉格朗日乘数法对多标签分类模型的目标函数中的矩阵P和矩阵V进行求解；将多标签数据作为训练数据样本对提出的多标签分类模型进行训练，得到最优的鲁棒低秩系数矩阵P和鲁棒低秩投影矩阵V；基于最优的鲁棒低秩系数矩阵P和鲁棒低秩投影矩阵V完成多标签分类模型的训练，并利用该多标签分类模型进行多标签图像分类。
一种特征空间共同学习标签图像分类方法

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
下一页»
尾页
共 100000 条