基于像素修补的残缺标签识别技术在物流仓储中的应用

利用传统算法进行物流标签识别,通常情况下都是针对完整的标签图像进行操作的,假设标签图像出现损毁导致标签图像不完整,则无法对该标签进行准确的识别。针对上述传统算法的弊端,提出了一种基于像素修补的残缺物流标签识别方法。对标签的轮廓进行有效的分析,通过运算获取标签曲线的非线性变换规则,利用离散变换方法,能够实现残缺标签的修补,从而进行残缺标签的识别。实验结果表明,利用该算法进行残缺标签的识别,能够提高标签识别的准确性,加强物流仓储的安全性,取得了令人满意的效果。

融合样本相似性的弱监督多标签分类

针对面向实际应用场景中数据标签易残缺导致有监督多标签分类方法可用训练数据量减少,未能利用大量标签缺失数据中蕴含的样本特征空间关联知识以最大化判别间隔,限制多标签分类效果等问题,本文提出一种融合样本相似性的弱监督多标签分类方法.该方法利用标签相关性和样本相似性恢复标签以提高数据利用率,并将标签恢复嵌入到训练过程中以便挖掘标签相关性,通过近端加速梯度法进行参数优化,建立弱监督学习场景的多标签分类模型.在真实数据集上的实验结果表明,该方法能够利用样本相似性有效提升模型在标签残缺时的分类能力,实用价值大.