“罗萃萃”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果5个，建议您升级VIP下载更多相关专利

[发明专利]基于软块对角的多视聚类方法-CN201911152319.5有效
发明人：王博岳;罗萃萃;胡永利;魏运;孙艳丰;尹宝才 -专利权人：北京工业大学
申请日： 2019-11-20 - 公布日： 2023-08-04 - 主分类号： G06V40/16 文献下载
摘要：本发明提出一种基于软块对角的多视聚类方法，涉及模式识别和机器学习等领域，尤其是面向人脸图像的不完整多视角数据的聚类任务。该方法在基于多视角数据自表示的模型上引入软块对角正则化，对学习到的多图进行融合，最终把得到的软块对角相似度矩阵执行NCut操作。相比于传统的硬块对角正则化，软块对角正则化对噪声和异常值更加鲁棒。完成了不完整多视聚类任务，提高了识别正确率。
基于对角多视聚类方法

[发明专利]基于自步学习的多视聚类方法及装置-CN202011533129.0在审
发明人：胡永利;罗萃萃;王博岳;孙艳丰;尹宝才 -专利权人：北京工业大学
申请日： 2020-12-22 - 公布日： 2021-04-02 - 主分类号： G06K9/62 文献下载
摘要：基于自步学习的多视聚类方法及装置，能够有效避免传统方法的不足，能够有效提高模型对噪声点和离群值的鲁棒性，确保视角共享一致性信息最大化的同时还能有效利用到每个视角自己的内在化差异性信息。方法包括：(1)输入为多视角数据集，对每个视角、每个样本对应一个节点，以每个节点为中心，利用自适应图学习方法学习节点之间的相似性从而构建边，以此完成每个视角的图的构建；(2)基于一致性和个性化信息分离策略构建多图聚类模型；(3)使用自步学习权重矩阵来衡量图中每个节点的复杂性，从较少的简单节点过渡到越来越多的复杂节点，逐渐参与到多图学习中去，直到模型收敛；(4)输出聚类结果。
基于学习多视聚类方法装置

[发明专利]一种基于不完整多视聚类的图像识别方法-CN202011199557.4在审
发明人：王博岳;罗萃萃;杜宝泽;刘宇昕;刘睿;胡永利 -专利权人：北京工业大学
申请日： 2020-10-28 - 公布日： 2021-02-02 - 主分类号： G06K9/00 文献下载
摘要：本发明涉及一种基于不完整多视聚类的图像识别方法，用于解决图像分类识别问题，属于模式识别和机器学习领域，尤其是面向图像数据的不完整多视角聚类任务。本方法从以下两个方面进行分析:1)多个graph模型对同一图像样本从不同角度描述，将其共享的一致性信息最大化；2)每个视角具有其他视角所不具有的个性化信息，有效利用这些固有的差异来进行聚类。具体的，本方法对于由不同特征所描述的不完整多视角图像数据集，构造每个视角下的初始图模型，用指示矩阵标记丢失图像的位置，提取关联矩阵从而实现不完整多视数据的聚类任务，从而有效提升图像识别的准确性与鲁棒性。
一种基于完整多视聚类图像识别方法

[发明专利]一种流形空间中多视点视频的共享-差异表示及聚类方法-CN202010337201.6在审
发明人：张勇;陈路飞;王博岳;罗萃萃;尹宝才 -专利权人：北京工业大学
申请日： 2020-04-24 - 公布日： 2020-07-28 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于乘积Grassmann流形的多视点视频数据的共享‑差异表示(PGM‑CER)聚类分析方法，用于解决传统多视聚类方法无法将多视数据中的共享和差异信息分离开来、不适用于具有复杂非线性结构的多维数据的问题。本方法中，聚类过程分为三部分，首先，用乘积Grassmann流形来表示多视点视频，再将共享‑差异表示从欧氏空间扩展到乘积Grassmann流形空间；然后，建立PGM‑CER模型，在全局约束下学习其共享‑差异信息；最终，实现多视点视频聚类。直接求解流形上的优化问题比较困难，本方法通过流形空间与欧氏空间的映射求解最优解，简化了学习过程，效果显著优于其他经典多视聚类方法。
一种流形空间视点视频共享差异表示方法

[发明专利]基于流形空间自适应邻域图学习的聚类方法-CN201910410873.2在审
发明人：胡永利;罗萃萃;王博岳;孙艳丰;尹宝才 -专利权人：北京工业大学
申请日： 2019-05-16 - 公布日： 2019-08-16 - 主分类号： G06K9/62 文献下载
摘要：一种基于流形空间的自适应邻域图学习的聚类方法，针对图像和视频等具有复杂非线性结构的多维数据，传统的谱聚类方法利用拉普拉斯约束学习数据间的相似性，容易造成错误解释数据全局结构的问题，在Grassmann流形上建立基于自表达的统一框架后引入自适应邻域正则化，从而来提高对视频或图像集多维数据的聚类性能。本发明涉及流形学习，模式识别和机器学习等领域，面向图像和视频高维数据的多视聚类效果显著优于其他经典聚类方法，有效提升了识别能力。
聚类自适应邻域流形多维数据视频图像非线性结构错误解释高维数据机器学习流形学习模式识别全局结构学习数据传统的图像集正则化学习引入统一