排序方式: 共有29条查询结果,搜索用时 15 毫秒
1.
如何在视角对齐关系错位时有效进行非对齐多视角学习是一类新的挑战性问题。针对这一问题,提出面向视角非对齐数据的多视角聚类方法。一方面,为了捕获多视角异构特征的跨视角相似度信息,基于多视角非负矩阵分解进行表示学习,将原始特征嵌入一个可度量的低维同构空间。另一方面,在低维同构空间中,以二部图最优匹配模型建模视角对齐关系,并提出参考视角概念将模型推广至多视角情形。将表示学习和视角对齐关系学习整合到统一的Bi-level优化框架,使其在迭代中相互促进,进一步提高模型对视角非对齐数据的学习能力。在视角非对齐数据聚类应用上的大量实验结果表明,相比于8种先进的多视角聚类方法,所提方法在3个数据集上的多项性能指标均取得了较优的性能。 相似文献
2.
基于mRIVIR和SVM的弹性图像特征选择与分类 总被引:1,自引:0,他引:1
为客观的评价弹性图像,利用图像处理与模式识别技术进行分析.首先通过彩色变换获取弹性信
息,然后提取弹性图像用户感兴趣区域的一阶统计特征和纹理特征,采用“最小冗余最大相关”( mRMR)算
法选择优化的特征,最后使用带有核函数的SVM分类器对弹性图像进行分类.实验结果表明:该方法具有较
高的准确率(92%).采用计算机辅助诊断技术对弹性图像进行定量分析可有助于提高诊断准确率 相似文献
3.
局部特征与多示例学习结合的超声图像分类方法 总被引:2,自引:0,他引:2
利用全局特征对超声图像进行描述具有一定的局限性,而且对图像进行手工标注的成本过高, 为解决上述问题,本文提出了一种利用局部特征描述超声图像,并结合多示例学习对超声图像进行分类的新方法. 粗略定位图像中的感兴趣区域 (Region of interest, ROI),并提取局部特征,将感兴趣区域看作由局部特征构成的示例包, 采用自组织映射(Self-organizing map, SOM)的方法对示例特征进行矢量量化,采用Bag of words方法将示例特征映射到示例包空间,进而采用传统的支持向量机对示例包进行分类.本文提出的方法在临床超声图像上进行了实验,实验结果表明,该方法具有良好的泛化能力和较高的准确性. 相似文献
4.
5.
特征子空间学习是图像识别及分类任务的关键技术之一,传统的特征子空间学习模型面临两个主要的问题。一方面是如何使样本在投影到特征空间后有效地保持其局部结构和判别性。另一方面是当样本含噪时传统学习模型所发生的失效问题。针对上述两个问题,该文提出一种基于低秩表示(LRR)的判别特征子空间学习模型,该模型的主要贡献包括:通过低秩表示探究样本的局部结构,并利用表示系数作为样本在投影空间的相似性约束,使投影子空间能够更好地保持样本的局部近邻关系;为提高模型的抗噪能力,构造了一种利用低秩重构样本的判别特征学习约束项,同时增强模型的判别性和鲁棒性;设计了一种基于交替优化技术的迭代数值求解方案来保证算法的收敛性。该文在多个视觉数据集上进行分类任务的对比实验,实验结果表明所提算法在分类准确度和鲁棒性方面均优于传统特征学习方法。 相似文献
6.
7.
为了在乳腺超声图像中准确的分割出病灶,提出了新的一致性定义,把纹理信息应用到计算一致性中.基于最大熵准则求一致性阈值,把超声图片分为两个子集,一致性区域和非一致性区域;对一致性区域采取求直方图谷值的方法分割,而用邻域信息处理非一致性区域,从而完成对图像的分割.实验结果表明:该分割过程既考虑了图像的局部信息,又考虑了全局信息,弥补了传统的直方图分割算法无法包含局部信息的缺陷.算法处理结果得到了超声医学专家的认可;通过采用差异实验方法评估,取得了理想的效果. 相似文献
8.
9.
10.