[00222284]一种基于零空间LDA的语义空间监督学习的图像分类方法
交易价格：
面议
所属行业：
分析仪器
类型：
发明专利
技术成熟度：
正在研发
专利所属地：中国
专利号：CN201710586578.3
交易方式：
技术转让
技术转让
技术入股
联系人：
重庆大学
进入空间
所在地：重庆重庆市
- 服务承诺
- 产权明晰
-
资料保密
对所交付的所有资料进行保密
- 如实描述
技术详细介绍
摘要：本发明涉及一种基于零空间LDA的语义空间监督学习的图像分类方法，属于属于图像分类领域。该方法包括以下步骤采集图像数据库Z样本，在数据Z的原始表示上，求出组内散度矩阵、组间散度矩阵，以及全散度矩阵；对全散度矩阵St做特征值分解；当终止条件||YQ(k+1)‑X(k+1)||F≤ε成立时终止迭代，否则k←k+1；得到样本语义空间结构向量X，将样本Z投影至语义空间得到语义表示将KNN分类器应用于语义空间表示上得到标签L。本发明解决了传统LDA算法无法有效的解决由样本维数大于样本个数而引起的小样本问题，相较于DLDA、PCA+LDA以及SRC算法在分类精度上有着不小的提升。
摘要：本发明涉及一种基于零空间LDA的语义空间监督学习的图像分类方法，属于属于图像分类领域。该方法包括以下步骤采集图像数据库Z样本，在数据Z的原始表示上，求出组内散度矩阵、组间散度矩阵，以及全散度矩阵；对全散度矩阵St做特征值分解；当终止条件||YQ(k+1)‑X(k+1)||F≤ε成立时终止迭代，否则k←k+1；得到样本语义空间结构向量X，将样本Z投影至语义空间得到语义表示将KNN分类器应用于语义空间表示上得到标签L。本发明解决了传统LDA算法无法有效的解决由样本维数大于样本个数而引起的小样本问题，相较于DLDA、PCA+LDA以及SRC算法在分类精度上有着不小的提升。
