“肖燕珊”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41个，建议您升级VIP下载更多相关专利

[发明专利]面向人脸识别的多任务正半定约束度量学习方法-CN201810792182.9有效
发明人：阮奕邦;肖燕珊;郝志峰;刘波 -专利权人：广东工业大学
申请日： 2018-07-18 - 公布日： 2022-02-22 - 主分类号： G06K9/62 文献下载
摘要：本发明属于人脸识别技术领域，涉及一种面向人脸识别的多任务正半定约束度量学习方法。包括：对多个相似但不同的人脸识别模型同时进行训练；为每个人脸识别度量学习任务构建训练样本二元组；为每个度量学习任务构建一个单任务正半定学习问题；多个单任务度量学习任务转换为多任务形式；利用梯度下降法求解多任务形式的正半定约束优化问题；构建一个面向人脸识别的基于多任务度量学习的K最近邻分类器。本发明能够使同类别人脸图像之间的距离最小化，不同类别人脸图像之间的距离最大化，降低了人脸图像中的特征干扰的影响，可以把不同人脸识别任务的分类模型同时进行学习，利用任务间的相关信息进行分类器的训练，提高人脸识别分类器的预测性能。
面向识别任务正半定约束度量学习方法

[发明专利]一种基于字典学习的跨视角人体行为识别方法及装置-CN201710197426.4有效
发明人：陆光辉;刘波;肖燕珊;聂欢;李子彬 -专利权人：广东工业大学
申请日： 2017-03-29 - 公布日： 2021-11-26 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种基于字典学习的跨视角人体行为识别方法及装置，该方法包括：由训练视频中提取时空兴趣点，训练视频是通过多个不同视角进行拍摄的包含有多个动作类的视频；利用k‑means算法对时空兴趣点进行聚类得到对应的局部特征，并利用光流法对训练视频进行操作得到对应的全局特征；通过K‑SVD算法对字典进行初始化，并基于初始化的字典对所述局部特征及所述全局特征进行迭代求解，得到对应的稀疏编码和完备的字典，其中，不同视角下的同一动作类具有相似度大于预设值的稀疏编码，任何视角下不同的动作类具有相似度小于预设值的稀疏编码。能够适应于拍摄视频的视角发生变化时对其中的人类行为进行识别的情况，识别性能较高。
一种基于字典学习视角人体行为识别方法装置

[发明专利]一种多标签分类方法、系统、装置及存储介质-CN201910261794.X有效
发明人：宋科建;刘波;肖燕珊 -专利权人：广东工业大学
申请日： 2019-04-02 - 公布日： 2021-11-26 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种多标签分类方法，首先确定训练数据，然后利用待学习字典对训练数据进行学习得到对应的目标字典和稀疏编码，并且本方案再次对稀疏编码进行投影得到分析字典，然后确定分析字典、目标字典、稀疏编码与预设分类器的最优解，利用相应的最优解进行多标签分类。相比现有技术，本方案中，在进行一次字典学习的基础上，又对稀疏编码进行了字典学习，即对稀疏编码进行投影得到相应的分析字典，然后结合两个字典进行多标签分类。两次字典学习可以对训练数据中的特征提取更加完备，从而使分类结果更加准确。本申请还提供了一种多标签分类系统、装置及计算机可读存储介质，同样可以实现上述技术效果。
一种标签分类方法系统装置存储介质

[发明专利]一种图像多标签标记方法、装置、设备及可读存储介质-CN201910486623.7有效
发明人：杨晓洲;肖燕珊;刘波;苌征;梁飞 -专利权人：广东工业大学
申请日： 2019-06-05 - 公布日： 2021-10-01 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种图像多标签标记方法，该方法包括：获取目标图像，对目标图像进行区域分割，获得与目标图像对应的多个目标示例；利用迭代训练好的分类器对多个目标示例分别进行分类处理，获得每个目标示例的分类结果；将分类结果添加至目标图像的标签信息中，获得多标签图像；其中，迭代训练目标分类器的过程，包括：在每一轮训练开始前，利用当前分类器对缺少标签的多示例多标签训练集中的训练样本进行难易分类，获得简单样本集和困难样本集，并利用简单样本集对当前分类器进行训练。应用该方法可获得更为准确的多标签图像。本发明还公开了一种图像多标签标记装置、设备及可读存储介质，具有相应的技术效果。
一种图像标签标记方法装置设备可读存储介质

[发明专利]基于度量学习和多示例支持向量机的图像分类方法-CN201810792175.9有效
发明人：阮奕邦;肖燕珊;郝志峰;刘波 -专利权人：广东工业大学
申请日： 2018-07-18 - 公布日： 2021-08-31 - 主分类号： G06K9/62 文献下载
摘要：本发明涉及图像分类技术领域，涉及一种基于度量学习和多示例支持向量机的图像分类方法。该方法包括：对图像进行标记以及多示例化；构建一个基于示例与类别相似性的度量学习问题；构建一个基于度量学习的多示例支持向量机问题；对多示例包的示例进行重新标记；迭代优化出基于度量学习和多示例支持向量机的图像分类器。本发明采用度量学习框架，根据类别的信息，使相同类别图像之间的距离缩短，不同类别图像之间的距离拉大，从而把图像特征的相关信息保存下来，并且将图像多示例化，保留了图像中的场景相关性，从而构建了一个基于度量学习的多示例支持向量机模型，极大的提高了分类器在进行图像分类时的精度。
基于度量学习示例支持向量图像分类方法

[发明专利]一种基于相似度的多示例字典学习分类方法及装置-CN201910204869.0有效
发明人：倪文;刘波;肖燕珊;廖嘉林 -专利权人：广东工业大学
申请日： 2019-03-18 - 公布日： 2021-07-06 - 主分类号： G06K9/46 文献下载
摘要：本发明公开了一种基于相似度的多示例字典学习分类方法，包括：获得训练集；针对从正包集合中选择出的每个正候选示例，重复执行以下步骤，循环迭代，训练分类器，直至满足预设的迭代停止条件：分别计算训练集中每个示例对于正类和负类的相似性权重；将训练集中每个示例经过字典学习，获得每个示例的稀疏编码；学习一个投影字典，将每个示例的稀疏编码重新表示；基于投影重新表示的每个示例及每个示例的相似性权重，训练分类器；基于训练后的分类器，获得目标包所属类别。应用本发明实施例所提供的技术方案，可以对目标包进行类别的准确确定，提高了分类器的分类效果。本发明还公开了一种基于相似度的多示例字典学习分类装置，具有相应技术效果。
一种基于相似示例字典学习分类方法装置

[发明专利]一种用于亚细胞蛋白质定位的多视角多分类方法-CN202011183968.4在审
发明人：钟光正;肖燕珊;刘波 -专利权人：广东工业大学
申请日： 2020-10-29 - 公布日： 2021-02-26 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种用于亚细胞蛋白质定位的多视角多分类方法，首先训练优化学习分类器模型，然后通过优化后的学习分类器模型预测蛋白质在细胞内的位置；而在训练优化学习分类器模型时，对亚细胞蛋白质定位的训练数据进行多视角分析，将含有多视角的训练数据映射到同一个特征空间中进行SVDD计算，计算过程中，对视角增加权重，通过权重将多视角问题转化为单视角问题求解。本发明与单视角方法相比，具有更高的准确度。
一种用于细胞蛋白质定位视角分类方法

[发明专利]一种利用特权信息进行排序转移的分类方法-CN201910570524.7有效
发明人：刘倩;刘波;肖燕珊;李松松;刘芷菁 -专利权人：广东工业大学
申请日： 2019-06-27 - 公布日： 2019-11-19 - 主分类号： G06N20/10 文献下载
摘要：本发明公开了一种利用特权信息进行排序转移的分类方法，考虑到正标记样本和未标记样本及其特权信息同时存在的情况，本发明将正样本PS、负样本NS、未标记样本及其相似权结合到排序支持向量机的学习模型中，得到扩展的第一排序支持向量机模型，在只有特权信息的训练集上训练。然后利用特权信息训练出来的分类器去计算普通训练样本(不含特权信息)间的实际距离。最后用实际距离去代替恒定间距1，在普通训练样本集上训练第二排序支持向量机模型。本发明利用特权信息计算的实际样本间距比恒定间距1更为精确，使用实际间距去学习可使分类器更为精确。
特权信息排序支持向量机标记样本恒定实际距离分类器训练样本集训练样本负样本间距比训练集正样本排序样本学习分类

[发明专利]基于多任务学习的分类模型构建方法及装置-CN201910721477.1在审
发明人：温劲;肖燕珊;刘波;曾博;李鹏程;冯俊耀;郝志峰 -专利权人：广东工业大学
申请日： 2019-08-06 - 公布日： 2019-11-05 - 主分类号： G06K9/62 文献下载
摘要：本发明提供了一种基于多任务学习的分类模型构建方法，包括：获取目标任务的训练数据组，以及与目标任务对应的各个关联任务的训练数据组；每个训练数据组包含关键特征数据集合及非关键特征数据集合；关键特征集合中包含该训练数据组所属任务的各个关键任务特征，非关键特征集合包含该训练数据组所述任务的各个非关键任务特征；依据目标任务的训练数据组及各个关联任务的训练数据组构建分类模型。应用本发明提供的基于多任务学习的分类模型构建方法，能够应用目标任务及关联任务的关键任务特征数据及非关键特征数据构建分类模型，提高训练样本的利用率，进而能有效的提升分类模型的分类准确率。
训练数据组分类模型关键特征构建任务特征任务学习数据集合关联集合分类准确率获取目标数据构建训练样本应用目标应用

[发明专利]一种基于多视角学习的正类和无标记的图数据分类方法-CN201910549488.6在审
发明人：钟昊文;刘波;肖燕珊;林志全 -专利权人：广东工业大学
申请日： 2019-06-24 - 公布日： 2019-10-18 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于多视角学习的正类和无标记的图数据分类方法，首先构建图数据的多个视角，即通过多个不同图数据特征提取方法，将图数据样本转换成多个不同的特征矢量；接着利用图数据的多个视角构建评估函数来确定样本与标签的关系，基于排序支持向量机(rankingSVM)构建评估函数，图数据样本越有可能是正类则其经评估函数计算的得分越高，即构建的评估函数满足正类图数据的得分大于负类图数据的得分；最终对于给定的图数据样本，先获得其多个视角，然后通过评估函数计算得分，从而预测给定图数据样本的标签；本发明能够有效利用图数据的多视角来处理基于正样本和无标记样本的图数据分类，保证分类的准确性。
图数据样本构建评估函数多视角无标记评估函数计算分类视角标签排序支持向量机特征矢量特征提取样本转换正样本学习预测保证

[发明专利]一种结合支持向量机和投影矩阵的多标签分类方法-CN201910323439.0在审
发明人：刘芷菁;刘波;林露樾;肖燕珊 -专利权人：广东工业大学
申请日： 2019-04-22 - 公布日： 2019-09-13 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种结合支持向量机和投影矩阵的多标签分类方法，包括下述步骤：S1，参数设置；首先设置最大训练步长T和样本的批量大小；设置超参数：如权衡参数β，正则化参数γ和比较阈值τ；本发明基于一致KL散度目标模型将多标签分类问题分为两部分，既能通过构造一组新的SVM模型直观地确定样本和标签的关系，又能充分利用标签之间的信息，通过构建一个新的投影矩阵来确定标签与标签之间的内在关系，从而提高分类的效果；在建立一致目标模型的同时可以分别对两部分损失进行优化，从而降低了复杂度。
标签分类投影矩阵标签支持向量机目标模型样本正则化参数参数设置内在关系复杂度构建散度直观分类优化

[发明专利]面向在线不确定图像识别的多示例加权包学习方法-CN201510474989.4有效
发明人： 肖燕珊;刘波;郝志峰;张丽阳;阮奕邦;李杰龙 -专利权人：广东工业大学
申请日： 2015-08-05 - 公布日： 2019-07-23 - 主分类号： G06K9/62 文献下载
摘要：面向在线不确定图像识别的多示例加权包学习方法，通过改进多示例学习算法，降低在线图像识别中噪声数据对分类结果的影响，同时提出赋予包示例不同的权值，不断更新分类器，调整权值，以提高分类精度。与传统图像识别的多示例学习方法的不同点在于：传统的多示例学习中，训练集由若干个包组成，每个包包含若干个示例，包示例标签未知。本发明通过示例加权，降低了噪声示例对分类预测的干扰，迭代的训练分类器，训练示例权值，表示包，并达到了更高的分类精度。
面向在线不确定图像识别示例加权学习方法

[发明专利]基于时间序列shapelet的步态识别分类方法-CN201610288773.3有效
发明人：刘波;余刚;肖燕珊 -专利权人：广东工业大学
申请日： 2016-05-04 - 公布日： 2019-07-23 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种基于时间序列shapelet的步态识别分类方法。首先，选取监控中的步态视频进行轮廓提取；其次，在提取轮廓图像后，对轮廓图像进行处理，估计出这个人的步态周期；然后对其进行步态特征的提取，计算出如摆动的距离和关节角度特征等，这些特征可以表示为时间序列数据；最后对这些时间序列数据进行shapelet序列的提取，找出包含最大信息增益的shapelet序列；最后用提取出的shapelet序列为基础构造出一个决策分类器，可对未知的人体步态进行识别和分类。本方法可以在丰富的步态模式信息中，解决信息干扰对运动识别造成的影响，提高运动识别的准确率，同时实现对未知的步态类进行识别和分类。
基于时间序列 shapelet 步态识别分类方法

[发明专利]基于多任务多示例支持向量机的图像分类方法-CN201610466376.0有效
发明人：阮奕邦;肖燕珊;刘波;郝志峰;黎启祥 -专利权人：广东工业大学
申请日： 2016-06-21 - 公布日： 2019-07-09 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于多任务多示例支持向量机的图像分类方法。该方法包括：为T组图像建立T个学习任务；对T个学习任务的图像进行多示例化；为T个任务中的每个类别的图像构建一个类包；建立类包中的示例到多示例包的欧式距离公式；构建类包到多示例包的示例距离向量；建立类包到多示例包的加权欧式距离公式；约束多示例包到所属类别的距离小于到其他类别的距离；建立多任务多示例支持向量机的优化问题；转换优化问题为传统单任务单示例支持向量机问题；求解支持向量机优化问题。本发明涉及了一种最优化加权欧式距离公式的方法，通过把图像示例化，建立多任务多示例支持向量机学习问题，从而最优化出理想权值，从而提高图像分类器的性能。
基于任务示例支持向量图像分类方法

[发明专利]基于最大间距多任务多示例学习的网页分类方法-CN201610466377.5有效
发明人：阮奕邦;肖燕珊;刘波;郝志峰;黎启祥 -专利权人：广东工业大学
申请日： 2016-06-21 - 公布日： 2019-07-05 - 主分类号： G06F16/95 文献下载
摘要：本发明公开了一种基于最大间距多任务多示例学习的网页分类方法。该方法包括：对网页进行多示例化；对若干个网站构建分类器多任务化；为每个类别的网页数据构建一个类包；构建一个类别到多示例包之间的类特定距离公式；为所有多示例学习任务建立一个总的损失函数；总损失函数转换为多任务学习的特定形式；转换多任务损失函数为一个正半定二次优化问题；求解优化问题得到最大间距多任务多示例分类器。本发明涉及了一种不同类别网页距离最大化的多任务多示例网页分类方法，并且把网页转换为合理的多示例表示形式，利用多任务学习方法减低了人工标注的成本，并且利用任务间的相关性提高分类器的性能。
基于最大间距任务示例学习网页分类方法