“马争鸣”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71个，建议您升级VIP下载更多相关专利

[发明专利]一种对抗鲁棒的图像显著性检测方法及系统-CN202010270423.0有效
发明人：曾怡瑞;马争鸣;李冠彬;林倞 -专利权人：中山大学
申请日： 2020-04-08 - 公布日： 2023-05-26 - 主分类号： G06V10/46 文献下载
摘要：本发明公开了一种对抗鲁棒的图像显著性检测方法及系统，该方法包括：步骤S1，在原始图像上，针对显著性检测的对抗攻击，基于迭代梯度的方法生成针对显著性检测的对抗攻击样本作为系统的输入图像；步骤S2，以步骤S1中得到的对抗样本作为输入，使用基于能量的生成模型重建输入图像，利用神经网络近似能量函数进行似然建模，生成去除对抗噪声的重建图像；步骤S3，将步骤S2得到的重建图像作为骨干网络的输入并产生密集标记的显著图，本发明可提高现有密集标记方法的鲁棒性并维持效率。
一种对抗图像显著检测方法系统

[发明专利]一种基于概率再生核函数的实体分类方法及系统-CN202210361230.5在审
发明人：熊陈魁;邱艳珍;张创峰;廖少林;马争鸣 -专利权人：中山大学
申请日： 2022-04-07 - 公布日： 2022-07-12 - 主分类号： G06V10/764 文献下载
摘要：本发明公开了一种基于概率再生核函数的实体分类方法及系统，该方法包括：获取输入数据并将输入数据映射至希尔伯特空间，得到映射数据；引入概率核函数，考虑输入数据的概率分布优化协方差矩阵，得到优化后的概率核函数；基于优化后的概率核函数将映射数据投影至RKHS子空间，并根据预设准则学习生成最优子空间，得到分布优化后的数据；基于分类算法对分布优化后的数据进行处理，输出分类结果。该系统包括：映射模块、概率核函数引入模块、投影模块和分类模块。本发明作为一种基于概率再生核函数的实体分类方法及系统，可广泛应用于分类识别领域。
一种基于概率再生函数实体分类方法系统

[发明专利]一种基于黎曼流形切空间和局部同胚的SPD数据的字典学习算法-CN202210041692.9在审
发明人：何慧;马争鸣 -专利权人：中山大学
申请日： 2022-01-14 - 公布日： 2022-05-24 - 主分类号： G06K9/62 文献下载
摘要：本发明研究SPD数据字典学习的问题。SPD数据的全体并不构成线性空间，而字典学习本质上就是稀疏线性编码，因此，字典学习不能直接在SPD数据上进行。SPD数据在一定的拓扑结构和黎曼度量之下可以构成一个黎曼流形，而黎曼流形的切空间都是有限维的Hilbert空间，与欧式空间同构。因此，本发明提出另一种SPD数据字典学习的算法，首先把SPD数据变换到SPD黎曼流形的切空间，在切空间上进行字典学习。由SPD黎曼流形的切空间就是对称矩阵空间，而对称矩阵包含SPD矩阵。因此，本发明提出的SPD数据变换方法，在数据形态和性质上带来变化都是最小的。进一步，在字典学习的过程中，本发明还添加字典学习样本与样本字典编码之间局部同胚的正则化约束。
一种基于黎曼流形空间局部 spd 数据字典学习算法

[发明专利]一种基于SPD流形切空间和局部LDA的SPD数据降维算法-CN202111053640.5在审
发明人：黄晓;马争鸣;袁雪敬 -专利权人：中山大学
申请日： 2021-09-09 - 公布日： 2021-12-17 - 主分类号： G06K9/62 文献下载
摘要：本发明提出一种基于基于SPD流形切空间和局部LDA的SPD数据降维算法，实现数据降维算法的构建需要了解数据间的关系，数据降维算法的构建都是基于数据集并非针SPD数据。所以与常见的大数应用不同，本发明采用一个SPD数据表示一个多维数据集。在此数据集表示中，半对称SPD数据是SPD最小线性扩集，(1)本文采用仿射不变的黎曼度量、单位矩阵的切空间以及log变换，把SPD数据从黎曼流形变换到单位矩阵切空间，从而使得SPD与单位矩阵的测地距离与变换后切向量与切空间原点的欧式距离变换保持不变；(2)所谓SPD的局部判别差异就是先把SPD数据分解成一个一个局部，然后根据SPD数据的所属类别(标签)计算SPD数据的局部判别差异。
一种基于 spd 流形空间局部 lda 数据算法

[发明专利]一种基于全局模积和局部判别差异的张量降维-CN202110470920.X在审
发明人： 马争鸣;袁雪敬 -专利权人：中山大学
申请日： 2021-04-29 - 公布日： 2021-08-17 - 主分类号： G06N20/00 文献下载
摘要：本发明提出一种基于张量空间全局模式积下结合局部判别差异的LDA数据降维算法，实现数据降维算法的构建需要了解数据间的关系，由于此原因，数据降维算法的构建都是基于数据集并非针对单个数据。所以与常见的大数应用不同，本发明采用一个张量表示一个多维数据集。在此数据集表示中，前N‑1位代表张量数据的各个维度，最后一维M表示数据集包含数据的个数。张量具有与一个矩阵的模式积可以改变张量某个维度的大小，我们选择一个低维张量和一系列低维矩阵，使得这个低维张量与这些矩阵的模式积尽量逼近给定的高维张量。相比全局或模式LDA解法，迭代解法得到的结果虽然不是问题的最优数学解，但却是保持张量数据各个维度的差异和联系的最优近似解。
一种基于全局局部判别差异张量

[发明专利]一种基于正则的RKHS子空间学习的BCI脑肌电信号识别-CN202110470956.8在审
发明人： 马争鸣;袁雪敬 -专利权人：中山大学
申请日： 2021-04-29 - 公布日： 2021-07-13 - 主分类号： G06K9/00 文献下载
摘要：本发明提出一种基于正则的RKHS子空间学习的BCI脑肌电信号识别算法，结合源域数据LDA的辅助准则确定新的数据空间，也就是根据标签优化子空间的源域数据几何分布，具体方法是将子空间中同一类的源域数据尽可能靠近，不同类的数据尽可能远离，使得RKHS子空间上的源域与目标域数据分布合理，提高目标域数据的正确识别率。与KNN识别算法相匹配，因为本文提出的算法是将数据投影到其低维的子空间中，通过学习子空间添加源域LDA正则项，将同一类别数据尽可能靠近，不同类数据尽可能远离，使得子空间中源域数据分布更加匹配KNN分类器，同时使投影矩阵行稀疏，选出最有利于构造子空间的元素；用2范数来约束投影矩阵，这使得行稀疏正则化来选择最有用的特征。
一种基于正则 rkhs 空间学习 bci 电信号识别

[发明专利]一种基于局部边际最大化的动作识别方法-CN202011390329.5在审
发明人：张舒婕;马争鸣;刘洁 -专利权人：中山大学
申请日： 2020-12-02 - 公布日： 2021-02-23 - 主分类号： G06K9/00 文献下载
摘要：本发明提出一种基于局部边际最大化的动作识别方法，涉及计算机视觉的技术领域，解决了面对视频动作数据的噪声干扰时，当前通过投影降维的方法忽略原始动作行为数据中判别信息的保持及保护的问题，利用张量对动作视频训练集和待识别动作视频数据集中的每一个动作视频数据进行表征，从而能够充分考虑视频数据的空间信息；通过在低维空间中保持从原始动作视频数据集中所提取的相似性和非相似性系数，使得低维判别性局部的局部边际得以最大化，从而能够更好地保护每个局部所携带的判别信息，然后通过最大化局部边际，提高对判别性局部内的动作数据点的识别准确率。
一种基于局部边际最大化动作识别方法

[发明专利]一种基于HSIC和RKHS子空间学习的域自适应方法-CN202011167557.6在审
发明人：詹增荣;余明辉;杨鹏;马争鸣 -专利权人：广州番禺职业技术学院
申请日： 2020-10-27 - 公布日： 2021-01-29 - 主分类号： G06K9/00 文献下载
摘要：本发明提出一种基于希尔伯特‑斯密特独立性准则和再生核希尔伯特空间子空间学习的域自适应方法。本发明把源域数据集和目标域数据集变换到一个再生核希尔伯特空间，然后再投影到再生核希尔伯特空间的一个子空间，子空间按照源域数据集和目标域数据集之间的希尔伯特‑斯密特独立性准则最大化确定。子空间确定后，在子空间里利用源域数据的已知类别识别目标域数据类别。本发明基于希尔伯特‑斯密特独立性准则和再生核希尔伯特空间子空间学习，构建了一个利用证件照片上的人脸(源域数据)识别抓拍照片上的人脸(目标域数据)的人脸识别系统，能够提高人脸识别得到准确率。
一种基于 hsic rkhs 空间学习自适应方法

[发明专利]一种基于局部线性嵌入和模式积的张量降维算法-CN202010303142.0在审
发明人： 马争鸣;刘佳;高婷;雷文洁;刘洁 -专利权人：中山大学
申请日： 2020-04-17 - 公布日： 2020-08-25 - 主分类号： G06K9/62 文献下载
摘要：本发明解决张量的降维问题。局部线性嵌入是流形学习的重要算法，它根据高维局部数据之间线性关系保持不变的原则进行数据降维，在降维过程中保持数据的几何信息。故本发明为解决一些张量降维方法未考虑数据的非线性结构的问题，提出基于局部线性嵌入对张量进行降维的算法。由于张量与矩阵的模式积可以改变张量某阶的大小，本发明根据降维张量与一系列矩阵的模式积逼近高维张量的原则进行数据降维，进一步，本发明提出模式积的迭代解法，该解法兼顾张量数据各阶的差异和联系。本发明融合上述二种算法，提出一种基于局部线性嵌入和模式积的张量降维算法，在降维过程中即保持局部性质又考虑全局性质，达到更好的降维效果。
一种基于局部线性嵌入模式张量算法

[发明专利]一种基于HSIC最大化的张量子空间学习算法-CN202010303130.8在审
发明人： 马争鸣;陈李创凯;甘伟超;冯伟佳;刘洁 -专利权人：中山大学
申请日： 2020-04-17 - 公布日： 2020-08-25 - 主分类号： G06K9/62 文献下载
摘要：本发明是研究多维数据的降维问题。本发明采用一个张量表示一个多维数据集，其中张量的前面各维表示多维数据的各个维度，而最后一维则表示数据集所包含的数据的个数。由于张量与矩阵的模式积可以改变张量某个维的大小，因此，本发明提出基于张量模式积的张量数据降维模型，模式积的矩阵是可选的，可以根据不同的准则确定。本发明根据降维前后两个张量之间HSIC最大化的准则确定模式积的矩阵。HSIC把两个数据集变换到两个再生核希尔伯特空间(RKHS)上，然后利用两个RKHS之间的HS算子衡量两个变换后的数据集的统计依赖性。本发明的优势是RKHS是可选的，人们可以根据给定的数据集，选择降维效果最好的RKHS。
一种基于 hsic 最大化量子空间学习算法

[发明专利]一种基于局部同胚与子空间学习的非负张量数据降维算法-CN202010304136.7在审
发明人： 马争鸣;吴荟彬;陈成;梁傲琨;刘洁 -专利权人：中山大学
申请日： 2020-04-17 - 公布日： 2020-08-21 - 主分类号： G06K9/62 文献下载
摘要：本发明提出了一种基于局部同胚与子空间学习的非负张量数据降维算法，用于对高维的张量数据简化，使处理器能够更加迅捷地处理海量数据。本发明运用K近邻准则将原始高维的张量数据分割一个个局部，同时在局部同胚准则下，以保持每个局部从原始高维张量数据映射到切空间的连续依赖关系不变。由于张量与矩阵的模式积可以改变维数的大小，因此本发明是学习一个非负的子空间，这有利于实现对每个低维数据个体的非负性的保持。本发明结合局部同胚与子空间学习，充分考虑了高维张量局部的非线性几何结构和全局的分布信息，在降维过程中能更好地保持数据的内在几何关系，防止重要特征的丢失。
一种基于局部空间学习张量数据算法

[发明专利]一种基于局部同胚与全局子空间投影距离最小的张量降维算法-CN202010303141.6在审
发明人： 马争鸣;张国凯;黄海东;张舒婕;刘洁 -专利权人：中山大学
申请日： 2020-04-17 - 公布日： 2020-08-21 - 主分类号： G06K9/62 文献下载
摘要：本发明提出了一种基于局部同胚与全局子空间投影距离最小的张量降维算法，用于对高维的张量数据简化，使处理器能够更加迅捷地处理海量数据。本发明运用K近邻准则将原始高维的张量数据分割一个个局部，同时在局部同胚准则下，以保持每个局部从原始高维张量数据映射到切空间的连续依赖关系不变。由于张量与矩阵的模式积可以改变维数的大小，因此本发明是学习一个子空间，使得高维张量数据与其子空间投影距离最小，即降维数据之间方差最大化，这有利于每个低维数据个体的判别分析。本发明结合局部同胚与全局子空间投影距离最小两个准则，充分考虑了高维张量局部的非线性几何结构和全局的分布信息，在降维过程中能更好地保持数据的内在几何关系，防止重要特征的丢失。
一种基于局部局子空间投影距离最小张量算法

[发明专利]一种基于希尔伯特-施密特独立准则子空间学习的域自适应方法-CN202010303272.4在审
发明人： 马争鸣;何健信;彭欣雅;刘洁 -专利权人：中山大学
申请日： 2020-04-17 - 公布日： 2020-08-21 - 主分类号： G06K9/62 文献下载
摘要：一种基于希尔伯特‑施密特独立准则子空间学习的域自适应方法。本发明提出了一种全新的域自适应降维方法，把源域数据和目标域数据的输入样本共同映射到再生核希尔伯特空间，然后再通过投影矩阵映射到另外一个再生核希尔伯特空间即子空间中，最后，基于希尔伯特‑施密特独立准则，计算源域数据样本与目标域数据样本在子空间中的HSIC值，使得源域与目标域数据相关依赖性最大化，实现降维。本发明提出将核学习，子空间学习以及希尔伯特‑施密特独立准则三者结合起来，计算出最优化的投影矩阵，使得降维效果最优化。
一种基于希尔伯特施密特独立准则空间学习自适应方法

[发明专利]一种基于重构误差的局部线性嵌入算法-CN202010303124.2在审
发明人： 马争鸣;陈皓青;袁雪敬;林远平;刘洁 -专利权人：中山大学
申请日： 2020-04-17 - 公布日： 2020-08-21 - 主分类号： G06K9/62 文献下载
摘要：本发明提出了一种基于重构误差的局部线性嵌入算法，可以在一定程度上解决解决传统的局部线性嵌入算法在面对局部曲率过大的数据不能准确地进行降维的问题，取得更加好的降维效果。本发明在对数据流形划分局部之后，首先计算出每一个局部上邻域点对中心点的拟合关系并且求得邻域点拟合中心点的重构误差，再根据重构误差的大小和各邻域点与中心点的距离的关系构建出调整矩阵，对原拟合关系进行调整，得到新的重构权重，在降维过程中保持新的重构权重不变得到原数据的低维结果。本发明在原理上可以保留局部线性嵌入有效的结果而仅仅对结果欠佳的局部进行调整，因此可以在大部分情况比原本的局部线性嵌入算法有更好的效果。
一种基于误差局部线性嵌入算法

[发明专利]基于数据依赖的核学习和字典学习的图像分类及识别方法-CN201911289815.5在审
发明人：余明辉;詹增荣;马争鸣;杨鹏 -专利权人：广州番禺职业技术学院
申请日： 2019-12-13 - 公布日： 2020-04-21 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了基于数据依赖的核学习和字典学习的图像分类及识别方法，通过把核学习应用到基于核方法的黎曼流形字典学习和稀疏编码方法上，同时优化核参数、字典学习和稀疏编码三个变量，学习最优的核参数和字典，利用学习到的核参数和字典可以得到更好的编码结果，提高图像的分类和识别效果，并对图像质量问题具有较好的鲁棒性。本发明还提供一种图像分类及识别装置、终端及存储介质。
基于数据依赖学习字典图像分类识别方法

1
2
3
4
5
下一页»
尾页
共 71 条