[发明专利]一种基于半监督学习的乘积量化方法有效
| 申请号： | 201910283993.0 | 申请日： | 2019-04-10 |
| 公开（公告）号： | CN110046660B | 公开（公告）日： | 2023-06-27 |
| 发明（设计）人： | 张涛;冯长安;刘敏杰;葛格;潘祥;石慧;许志强;崔光明 | 申请（专利权）人： | 江南大学 |
| 主分类号： | G06V10/762 | 分类号： | G06V10/762;G06V10/774;G06V10/764 |
| 代理公司： | 南京禹为知识产权代理事务所(特殊普通合伙) 32272 | 代理人： | 王晓东 |
| 地址： | 214122 江苏*** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于半监督学习的乘积量化方法，其是一种基于普通笛卡尔K均值的算法的改进算法，即半监督笛卡尔K均值算法。在本算法中，需要将量化步骤中的传统的最小平方损失函数替换成最优反向预测损失函数。传统的半监督学习会将有标记的数据直接用于模型训练，不同于传统半监督学习模型，有标记的数据必须通过先通过拉普拉斯正则化，才能用于模型训练。 | ||
| 搜索关键词： | 一种 基于 监督 学习 乘积 量化 方法 | ||
【主权项】：
1.一种基于半监督学习的乘积量化方法，其特征在于：包括，S1：基于拉普拉斯特征值映射的图像降维算法对高维图像进行降维操作，把这些降维后的数据作为输入样本；S2：根据输入样本的类标签，基于最优反向预测算法来设定目标函数；S3：特征空间最优分解，以得到半监督笛卡尔K均值模型；S4：采用拉普拉斯正则化的最优反向预测算法构建半监督的量化模型；S5：半监督的量化模型的优化以及基于图像内容检索的原型系统实现。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于江南大学，未经江南大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910283993.0/，转载请声明来源钻瓜专利网。
