CN104992184B - 一种基于半监督极限学习机的多类图像分类方法 - Google Patents
一种基于半监督极限学习机的多类图像分类方法 Download PDFInfo
- Publication number
- CN104992184B CN104992184B CN201510381792.6A CN201510381792A CN104992184B CN 104992184 B CN104992184 B CN 104992184B CN 201510381792 A CN201510381792 A CN 201510381792A CN 104992184 B CN104992184 B CN 104992184B
- Authority
- CN
- China
- Prior art keywords
- sample
- semi
- sample set
- marked
- learning machine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Abstract
本发明公开了一种基于半监督极限学习机的多类图像分类方法,将训练样本集分为已标注样本集L、未标注样本集U和测试集T;把U中的样本进行有放回重采样构建N个差异的训练子集;然后在各个子集上与已标记训练样本L分别训练一个半监督极限学习机模型,共N个分类器;将这N次极限学习机对应节点的输出求和取平均;将输出作归一化处理后,应用最优标记和次优标记算法BvSB的主动学习技术对样本进行不确定性评估,从U中取最不确定的样本进行人工标注并转移到L中;重新更新分类器模型,直至迭代结束。通过本发明,解决了相关技术中图像分类存在分类正确率低和学习速度低的问题,为准确、快速、稳定的图像分类奠定了一定的基础。
Description
技术领域
本发明涉及模式识别、机器学习技术,尤其涉及一种融合主动学习和半监督极限学习机的多类图像分类方法。
背景技术
近年来,随着多媒体技术和互联网通信的快速发展,图像分类问题受到了很多研究者的关注,各种图像分类算法也层出不穷。然而,很多传统的图像分类算法都是基于监督学习来进行研究的,这需要在训练前采集到大量有标记的样本才能建立准确的分类器模型并达到正确分类的目的。而这种重复性的标记工作既费时又耗财,但收集大量未标记样本却很容易。例如在计算机辅助医学图像分析中,可以从医院获得大量的医学图像作为训练例,但如果要求医学专家把这些图像中的病灶都标记出来,则往往是不现实的。再者,随着现在大数据的发展,要想对海量的网页信息进行分类,人工对其一个个标记则更是难上加难。
基于这样的问题,研究者开始只使用少量的有价值的已标记样本进行训练,并通过利用大量的未标记样本逐步改善分类器的学习性能。这就是目前机器学习研究中很热门的未标记学习技术。
目前主动学习和半监督学习是这一领域的热门算法。
主动学习不再是被动接受用户提供的训练样本,而是主动从中选取对当前分类器模型的构建具有最优价值的样本进行人工标注并通过迭代的方式对分类器模型进行重新训练和更新。Dasgupta S等证明了在获得相似分类性能的情况下,主动样本选择比随机选择显著减少了所需的标记示例,这从一定程度上减小了训练样本对标签的依赖程度。Tong等在基于svm的分类和检索中根据样本到当前svm分类面的距离对样本进行采样(MS),选择最靠近分类面的样本进行人工标记的方法,Seung H S,Dagan I等的基于委员会的采样方法,基于熵的不确定性采样方法,都是比较经典的主动学习算法。然而这些算法对二分类问题能取得较好的分类效果,当遇到多类图像分类问题时,则呈现出较差的分类性能。于是Joshi等提出来基于最优标号和次优标号的主动学习方法(BvSB),这种方法能很好的表示样本的不确定性,并且对多类分类问题分析更合适。
半监督学习中,学习器自动利用未标记样本,整个过程中无需人工干预,仅仅需要将分类结果最准确的未标注样本及其预测得到的标签加入已标记训练集中。目前有很多自学习技术以及它的改进算法都是比较经典的半监督学习。
此外,以往的分类器大多采用经典的支持向量机(SVM),它在二分类问题中所向披靡,然而当遇到多类分类问题时,加上如果训练样本集比较庞大时,SVM虽然也能获得较好的分类性能,但是生成大量的支持向量使得SVM的学习速度远远达不到我们预期的那样。故引入了黄广斌的极限学习机(ELM),它使用起来简单明了,学习速度很快,在获得与SVM相当的分类性能情形下,ELM的学习速度却要快上几十倍甚至上百倍。
针对相关技术中图像分类存在分类正确率低和学习速度低的问题,目前尚未提出有效的技术方案。
发明内容
发明目的:为了克服现有技术中存在的图像分类正确率低和学习速度低的问题,本发明提供一种基于半监督极限学习机的多类图像分类方法,采用未标记学习技术中融合半监督极限学习机SS-ELM和最优标记和次优标记算法BvSB的主动学习算法,运用多分类器融合并进行投票委员会QBC选择的方法,对多类图像进行分类;与传统监督学习算法相比,该算法能更准确、快速而稳定地处理多类图像分类问题。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种基于半监督极限学习机的多类图像分类方法,该方法融合了主动学习技术和半监督学习技术,使用半监督极限学习机(Semi-supervised Extreme Learning Machine,SS-ELM)进行分类,同时使用多分类器融合方法和投票委员会(Query by committee,QBC)选择方法;单次迭代过程为:首先,将训练样本集分为已标注样本集L、未标注样本集U和测试样本集T;然后,基于未标注样本集U构建N个差异的训练子集,N为大于1的整数;接着,将N个训练子集分别与已标注样本集L进行训练,形成N个半监督极限学习机;同时设计一个融合半监督极限学习机,对N个半监督极限学习机的输出进行加和取平均,并作归一化处理;对未标注样本集U中每一个样本在N个半监督极限学习机的对应输出节点的输出进行加和取平均,即可得到融合半监督极限学习机对应节点的输出;接着,应用最优标记和次优标记算法(Best vs second-best,BvSB)的主动学习进行不确定性评估,将未标注样本集U中最不确定的r个样本进行人工标注并转移到已标注样本集L中;最后,根据更新后的已标注样本集L和未标注样本集U进行下一次的迭代,直至迭代结束。
优选的,在对训练样本集进行分类时,首先在训练样本集中选取样本形成已标注样本集L,然后在去除已标注样本集L的训练样本集中选取样本形成未标注样本集U,初始时要求已标注样本集L中样本的数量小于未标注样本集U中样本的数量。
优选的,该方法具体包括如下:
(1)初始化实验次数为K,i=1;
(2)随机将训练样本集分为已标注样本集L、未标注样本集U和测试样本集T,已标注样本集L中样本的数量小于未标注样本集U中样本的数量;
(3)初始化迭代次数为M,j=1;
(4)基于未标注样本集U构建N个差异的训练子集,N为大于1的整数;
(5)将N个训练子集分别与已标注样本集L进行训练,形成N个半监督极限学习机;同时设计一个融合半监督极限学习机,对N个半监督极限学习机的输出进行加和取平均和归一化处理;半监督极限学习机和融合半监督极限学习机均有S个输出节点,表示总共有S个类别;
(6)将未标记样本集U中第u个样本在第n个半监督极限学习机的第s个输出节点的输出记为fns(u);然后对N个半监督极限学习机的第s个输出节点的输出进行加和取平均,得到融合半监督极限学习机第s个输出节点的输出为表示第u个样本在第s个输出节点的后验概率,归一化得到p(Y|u)={p(y1|u),p(y2|u),…,p(yS|u)},p(ys|u)表示第u个样本属于第s个类别的概率;
(7)计算第u个样本属于最大概率类别的概率和次大概率类别的概率的差值,并在未标注样本集U中选出该差值最小的样本:
其中:p(ybest|u)表示第u个样本属于最大概率类别的概率值,p(ysecond-best|u)表示第u个样本属于次大概率类别的概率;在未标注样本集U中选取差值最小的r个样本进行人工标注并转移到已标注样本集L中;
(8)判断j=M是否成立:若成立,则进入步骤(9);否则,j=j+1,返回步骤(4);
(9)输出第i次实验最终的图像分类正确率的结果和对应曲线,判断i=K是否成立:若成立,则结束;否则,i=i+1,返回步骤(2)。
优选的,基于未标注样本集U构建N个差异的训练子集时考虑样本的特征数:若特征数小于阈值,对未标注样本集U采用有放回重采样的方式构建N个差异的训练子集;若特征数大于阈值,对特征进行随机采样以构建N个差异的训练子集,以使得最终得到的N个半监督极限学习机差异明显。
有益效果:本发明提供的基于半监督极限学习机的多类图像分类方法,相对于现有技术,具有如下优势:1、采用融合BvSB主动学习和半监督极限学习机的分类方法,既适合二类分类问题,也适合解决多类分类问题;2、半监督极限学习机,将半监督方法嵌入极限学习机之中,虽不能自动标记样本,却为分类器分类面的确立提供了更加准确的依据,提高了分类的准确性和鲁棒性;3、在取得相似分类性能的情况下,与SVM相比,采用极限学习机的本发明方法在学习速度上要快几十倍甚至上百倍(这与训练样本的数量有关);4、本发明解决了相关技术中图像分类存在分类正确率低和学习速度低的问题,为准确、快速、稳定的图像分类奠定了一定的基础。
附图说明
图1为本发明的算法框架;
图2为整个方法的算法流程图;
图3为分类器输出值与分类不确定性的关系;
图4为单隐层前馈神经网络(SLFN)的基本框架;
图5为为optidigits手写体数据集的示意图;
图6为Caltech-101数据集的示意图;
图7为在optidigits库上的分类结果对比图;
图8为在Caltech-101库上的分类结果对比图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1、图2所示为一种基于半监督极限学习机的多类图像分类方法,该方法具体包括如下:
(1)初始化实验次数为K,i=1;
(2)将训练样本集中的样本顺序打乱并重排,取排在最前面的一定比例的样本(通常比例较低)作为已标注样本集L,取其后一定比例的样本(通常比例较高)作为未标注样本集U,剩余的样本作为测试样本集T,已标注样本集L中样本的数量小于未标注样本集U中样本的数量;
(3)初始化迭代次数为M,j=1;
(4)基于未标注样本集U构建N个差异的训练子集,N为大于1的整数;
(5)将N个训练子集分别与已标注样本集L进行训练,形成N个半监督极限学习机;同时设计一个融合半监督极限学习机,对N个半监督极限学习机的输出进行加和取平均和归一化处理;半监督极限学习机和融合半监督极限学习机均有S个输出节点,表示总共有S个类别;
(6)将未标记样本集U中第u个样本在第n个半监督极限学习机的第s个输出节点的输出记为fns(u);然后对N个半监督极限学习机的第s个输出节点的输出进行加和取平均,得到融合半监督极限学习机第s个输出节点的输出为表示第u个样本在第s个输出节点的后验概率,归一化得到p(Y|u)={p(y1|u),p(y2|u),…,p(yS|u)},p(ys|u)表示第u个样本属于第s个类别的概率;
(7)计算第u个样本属于最大概率类别的概率和次大概率类别的概率的差值,并在未标注样本集U中选出该差值最小的样本:
其中:p(ybest|u)表示第u个样本属于最大概率类别的概率值,p(ysecond-best|u)表示第u个样本属于次大概率类别的概率;在未标注样本集U中选取差值最小的r个样本进行人工标注并转移到已标注样本集L中;
(8)判断j=M是否成立:若成立,则进入步骤(9);否则,j=j+1,返回步骤(4);
(9)输出第i次实验最终的图像分类正确率的结果和对应曲线,判断i=K是否成立:若成立,则结束;否则,i=i+1,返回步骤(2)。
所述步骤(2),选取已标注样本集L和未标注样本集U的比例可以根据实际情况做调整,直到达到最佳分类性能。在选取样本集之前,需要对图像进行包括Dense-SIFT特征提取、Histogram encoding编码方式和pooling进行特征的词频统计,以得到图像的特征。
所述步骤(4),若特征数小于阈值,对未标注样本集U采用有放回重采样的方式构建N个差异的训练子集;若特征数大于阈值,对特征进行随机采样以构建N个差异的训练子集,以使得最终得到的N个半监督极限学习机差异明显。
所述步骤(5),主要是为了在构建差异的半监督极限学习机后,通过融合使得得到的分类器稳定性能增强;在每一次迭代过程中都是通过这一步重新更新分类器的。
所述步骤(6),包括了输出标准化的处理,是为了保证得到的结果一致并且不会影响最终的分类结果。
所述步骤(7),将未标注样本集U中的每个节点输出的最大值和最小值作差,这个差值是用来衡量样本的分类不确定性,这比相对于通过求信息熵的方法更准确,因为样本中那些不重要的类别不会对其产生影响。分类器输出值与分类不确定性的关系如图3所示。
下面结合实施例对本发明做出进一步的说明。
以UCI数据库中的手写体数据集optidigits与penbased和场景图片库Caltech-101与15natural scene categories作为实验的数据库来源。optidigits的图像信息如图5所示,Caltech-101的图像信息如6所示。
通过Dense-SIFT特征提取、Histogram encoding编码方式和pooling进行特征的词频统计得到图像的表征之后,采用有放回重采样bootstrap对未标记样本构造多个差异子集。然后利用半监督极限学习机构造分类器,得到更加准确的、稳定的分类面。半监督极限学习机是在极限学习机的基础上嵌入半监督学习算法,也是一种基于单隐层前馈神经网络(SLFN)的分类算法,简单的单隐层前馈神经网络(SLFN)的结构如图4所示。按照本发明的方法,该案的实施过程如下:
(1)将已标注训练样本用bootstrap方法构建多个差异的训练子集,并在各个子集上分别训练一个半监督ELM;
(2)针对每一个未标注样本,根据各个ELM各输出节点的输出值进行后验概率转换,采用这一公式,其中fs(u)表示第u个样本在第s个输出节点的后验概率,归一化得到p(Y|u)={p(y1|u),p(y2|u),…,p(yS|u)},p(ys|u)表示第u个样本属于第s个类别的概率;
(4)初始化具有nh个隐层结点的ELM神经网络,随机设置输入权值和隐层偏置,并通过Moore-Penrose广义逆计算隐层输出矩阵H;
(5)设定初始补偿系数C0和折衷参数λ0;
(6)如果隐层节点数nh小于已标注训练样本数,计算输出权重 如果隐层节点数nh大于等于已标注训练样本数,计算输出权重返回匹配函数f(x)=h(x)β,即得到半监督极限学习机的输出;其中,为维数为nh的单位矩阵,C为是一个(l+k)×(l+k)维对角矩阵,其前l个对角线上的元素为Ci,其余元素为0;Ci为第i个输入节点上的补偿系数,l为已标注样本数,k为未标注样本数;是前l行等于Y1,其余为0的(l+k)×n0维的增广矩阵。Y1为l个已标注样本的标签组成的矩阵,n0为初始隐层节点数,L是(l+k)×(l+k)维的基于已标注样本集和未标注样本集的拉普拉斯算子,λ为折衷参数组成的矩阵,H为隐层输出矩阵,HT为隐层输出矩阵的转置。
(8)最后根据各个分类器输出求和并算平均值得到最终的分类器输出。
对于每个未标注样本,将它们各自在分类器中的结点输出的最大值与次大值作差。以这个差值作为该样本的分类不确定度。公式为:
其中,p(ybest|u)表示第u个样本属于最大概率类别的概率值,p(ysecond-best|u)表示第u个样本属于次大概率类别的概率;差值越小,分类不确定性越大,样本越难分,信息量越大。对于这样的样本我们需要提取出来由人工标注,这样避免了错分,也在一定程度上改善了分类面。然后所有未标注样本按照不确定度由大到小排列,取前r个最不确定、信息量最大的样本进行人工标注并从未标注样本集中剔除,加入到已标注样本集当中。
至此,一次迭代结束,重新更新分类器模型,进行下一次的迭代。
由于每次实验过程中,半监督极限学习机的输入权重和因曾偏置都是随机确定的,故每次的结果也略有不同。所以需要采取连续进行多次实验取平均的方式得到最终的图像分类结果,这样得到的结果更具有鲁棒性和一般性。
在以上所提到的optidigits、Caltech-101两个数据库上进行实验,均能得到比单纯使用主动学习、随机抽取的方法更好的分类性能。图7、图8分别为两个数据库上本发明与其它两种方法的性能对照。同时,在取得同等分类性能的情况下,本发明比使用SVM分类在学习速度上要快很多,表1为在optidigits上本发明和SVM的分类性能对照。
表1optidigits库上本发明与SVM分类性能对比图
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种基于半监督极限学习机的多类图像分类方法,其特征在于:该方法融合了主动学习技术和半监督学习技术,使用半监督极限学习机进行分类,同时使用多分类器融合方法和投票委员会选择方法;单次迭代过程为:首先,将训练样本集分为已标注样本集L、未标注样本集U和测试样本集T;然后,基于未标注样本集U构建N个差异的训练子集,N为大于1的整数;接着,将N个训练子集分别与已标注样本集L进行训练,形成N个半监督极限学习机;同时设计一个融合半监督极限学习机,对N个半监督极限学习机的输出进行加和取平均,并作归一化处理;对未标注样本集U中每一个样本在N个半监督极限学习机的对应输出节点的输出进行加和取平均,即可得到融合半监督极限学习机对应节点的输出;接着,应用最优标记和次优标记算法的主动学习进行不确定性评估,将未标注样本集U中最不确定的r个样本进行人工标注并转移到已标注样本集L中;最后,根据更新后的已标注样本集L和未标注样本集U进行下一次的迭代,直至迭代结束;该方法具体包括如下:
(1)初始化实验次数为K,i=1;
(2)随机将训练样本集分为已标注样本集L、未标注样本集U和测试样本集T,已标注样本集L中样本的数量小于未标注样本集U中样本的数量;
(3)初始化迭代次数为M,j=1;
(4)基于未标注样本集U构建N个差异的训练子集,N为大于1的整数;
(5)将N个训练子集分别与已标注样本集L进行训练,形成N个半监督极限学习机;同时设计一个融合半监督极限学习机,对N个半监督极限学习机的输出进行加和取平均和归一化处理;半监督极限学习机和融合半监督极限学习机均有S个输出节点,表示总共有S个类别;
(6)将未标记样本集U中第u个样本在第n个半监督极限学习机的第s个输出节点的输出记为fns(u);然后对N个半监督极限学习机的第s个输出节点的输出进行加和取平均,得到融合半监督极限学习机第s个输出节点的输出为fs(u)表示第u个样本在第s个输出节点的后验概率,归一化得到p(Y|u)={p(y1|u),p(y2|u),…,p(yS|u)},p(ys|u)表示第u个样本属于第s个类别的概率;
(7)计算第u个样本属于最大概率类别的概率和次大概率类别的概率的差值,并在未标注样本集U中选出该差值最小的样本:
其中:p(ybest|u)表示第u个样本属于最大概率类别的概率值,p(ysecond-best|u)表示第u个样本属于次大概率类别的概率;在未标注样本集U中选取差值最小的r个样本进行人工标注并转移到已标注样本集L中;
(8)判断j=M是否成立:若成立,则进入步骤(9);否则,j=j+1,返回步骤(4);
(9)输出第i次实验最终的图像分类正确率的结果和对应曲线,判断i=K是否成立:若成立,则结束;否则,i=i+1,返回步骤(2)。
2.根据权利要求1所述的基于半监督极限学习机的多类图像分类方法,其特征在于:在对训练样本集进行分类时,首先在训练样本集中选取样本形成已标注样本集L,然后在去除已标注样本集L的训练样本集中选取样本形成未标注样本集U,初始时要求已标注样本集L中样本的数量小于未标注样本集U中样本的数量。
3.根据权利要求1所述的基于半监督极限学习机的多类图像分类方法,其特征在于:基于未标注样本集U构建N个差异的训练子集时考虑样本的特征数:若特征数小于阈值,对未标注样本集U采用有放回重采样的方式构建N个差异的训练子集;若特征数大于阈值,对特征进行随机采样以构建N个差异的训练子集,以使得最终得到的N个半监督极限学习机差异明显。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510381792.6A CN104992184B (zh) | 2015-07-02 | 2015-07-02 | 一种基于半监督极限学习机的多类图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510381792.6A CN104992184B (zh) | 2015-07-02 | 2015-07-02 | 一种基于半监督极限学习机的多类图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104992184A CN104992184A (zh) | 2015-10-21 |
CN104992184B true CN104992184B (zh) | 2018-03-09 |
Family
ID=54303997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510381792.6A Active CN104992184B (zh) | 2015-07-02 | 2015-07-02 | 一种基于半监督极限学习机的多类图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104992184B (zh) |
Families Citing this family (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407932B (zh) * | 2016-09-20 | 2019-05-28 | 中国石油大学(华东) | 基于分数阶微积分与广义逆神经网络的手写数字识别方法 |
CN106529565B (zh) * | 2016-09-23 | 2019-09-13 | 北京市商汤科技开发有限公司 | 目标识别模型训练和目标识别方法及装置、计算设备 |
CN107004141A (zh) * | 2017-03-03 | 2017-08-01 | 香港应用科技研究院有限公司 | 对大样本组的高效标注 |
CN107124761B (zh) * | 2017-03-10 | 2021-02-19 | 华南理工大学 | 融合pso和ss-elm的蜂窝网无线定位方法 |
CN107423547A (zh) * | 2017-04-19 | 2017-12-01 | 江南大学 | 基于半监督超限学习机的增量式定位算法 |
CN107545274B (zh) * | 2017-07-18 | 2018-05-25 | 北京建筑大学 | 半监督标签比例学习方法 |
CN110019770A (zh) | 2017-07-24 | 2019-07-16 | 华为技术有限公司 | 训练分类模型的方法与装置 |
CN109934243A (zh) * | 2017-12-19 | 2019-06-25 | 中国科学院深圳先进技术研究院 | Ecg数据分类方法、装置、电子设备及系统 |
US11270224B2 (en) | 2018-03-30 | 2022-03-08 | Konica Minolta Business Solutions U.S.A., Inc. | Automatic generation of training data for supervised machine learning |
CN108564128B (zh) * | 2018-04-19 | 2021-10-08 | 重庆大学 | 一种融合数据结构信息的脑电信号在线识别方法 |
CN108596272A (zh) * | 2018-05-09 | 2018-09-28 | 重庆三峡学院 | 一种基于图的半监督分类机器学习新方法 |
CN108805181B (zh) * | 2018-05-25 | 2021-11-23 | 深圳大学 | 一种基于多分类模型的图像分类装置及分类方法 |
CN109242013B (zh) * | 2018-08-28 | 2021-06-08 | 北京九狐时代智能科技有限公司 | 一种数据标注方法、装置、电子设备及存储介质 |
CN109326008B (zh) * | 2018-09-28 | 2023-01-20 | 中国计量大学 | 基于mss的三维分子结构形变过程演示方法 |
CN109389180A (zh) * | 2018-10-30 | 2019-02-26 | 国网四川省电力公司广元供电公司 | 一款基于深度学习的电力设备图像识别方法及巡查机器人 |
CN109359697A (zh) * | 2018-10-30 | 2019-02-19 | 国网四川省电力公司广元供电公司 | 一种电力设备巡检中使用的图形图像识别方法及巡查系统 |
WO2020108861A1 (en) * | 2018-11-26 | 2020-06-04 | Asml Netherlands B.V. | Determining a mark layout across a patterning device or substrate |
US10579907B1 (en) * | 2019-01-31 | 2020-03-03 | StradVision, Inc. | Method for automatically evaluating labeling reliability of training images for use in deep learning network to analyze images, and reliability-evaluating device using the same |
CN109902644A (zh) * | 2019-03-07 | 2019-06-18 | 北京海益同展信息科技有限公司 | 人脸识别方法、装置、设备和计算机可读介质 |
CN110443799A (zh) * | 2019-08-15 | 2019-11-12 | 重庆金山医疗技术研究院有限公司 | 病灶检测识别模型的建立系统 |
CN110796349A (zh) * | 2019-10-16 | 2020-02-14 | 昆明理工大学 | 一种信用卡盗刷事件预警模型的建立及评估方法 |
CN110912917A (zh) * | 2019-11-29 | 2020-03-24 | 深圳市任子行科技开发有限公司 | 恶意url检测方法及系统 |
CN111291688B (zh) * | 2020-02-12 | 2023-07-14 | 咪咕文化科技有限公司 | 视频标签的获取方法及装置 |
CN111626332B (zh) * | 2020-04-27 | 2021-03-30 | 中国地质大学(武汉) | 一种基于图卷积极限学习机的快速半监督分类方法 |
CN111582371B (zh) * | 2020-05-07 | 2024-02-02 | 广州视源电子科技股份有限公司 | 一种图像分类网络的训练方法、装置、设备及存储介质 |
CN111833313B (zh) * | 2020-06-22 | 2024-02-02 | 广东工业大学 | 基于深度主动学习的工业产品表面缺陷检测方法及系统 |
CN112201118B (zh) * | 2020-09-29 | 2022-08-05 | 深圳市优必选科技股份有限公司 | 一种逻辑板识别方法、装置及终端设备 |
CN111898613B (zh) * | 2020-09-30 | 2020-12-25 | 支付宝(杭州)信息技术有限公司 | 半监督语义分割模型训练方法、识别方法和装置 |
CN112257942B (zh) * | 2020-10-29 | 2023-11-14 | 中国特种设备检测研究院 | 一种应力腐蚀开裂预测方法及系统 |
CN112906666A (zh) * | 2021-04-07 | 2021-06-04 | 中国农业大学 | 一种农业种植结构的遥感识别方法 |
CN113095429A (zh) * | 2021-04-25 | 2021-07-09 | 南京大学 | 一种应对增量式新类图像数据的鲁棒弱监督分类方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853400A (zh) * | 2010-05-20 | 2010-10-06 | 武汉大学 | 基于主动学习和半监督学习的多类图像分类方法 |
CN103793510A (zh) * | 2014-01-29 | 2014-05-14 | 苏州融希信息科技有限公司 | 一种基于主动学习的分类器构建方法 |
CN104463252A (zh) * | 2014-12-18 | 2015-03-25 | 南京信息工程大学 | 一种基于自适应极限学习机的地基云分类方法 |
-
2015
- 2015-07-02 CN CN201510381792.6A patent/CN104992184B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853400A (zh) * | 2010-05-20 | 2010-10-06 | 武汉大学 | 基于主动学习和半监督学习的多类图像分类方法 |
CN103793510A (zh) * | 2014-01-29 | 2014-05-14 | 苏州融希信息科技有限公司 | 一种基于主动学习的分类器构建方法 |
CN104463252A (zh) * | 2014-12-18 | 2015-03-25 | 南京信息工程大学 | 一种基于自适应极限学习机的地基云分类方法 |
Non-Patent Citations (1)
Title |
---|
基于极限学习机的半监督分类;付华;《中国优秀硕士学位论文全文数据库》;20140115(第01期);第27页第3.3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN104992184A (zh) | 2015-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104992184B (zh) | 一种基于半监督极限学习机的多类图像分类方法 | |
CN109948425A (zh) | 一种结构感知自注意和在线实例聚合匹配的行人搜索方法及装置 | |
CN106897738B (zh) | 一种基于半监督学习的行人检测方法 | |
CN107122375B (zh) | 基于图像特征的图像主体的识别方法 | |
Lu et al. | Bidirectional adaptive feature fusion for remote sensing scene classification | |
CN109815801A (zh) | 基于深度学习的人脸识别方法及装置 | |
CN107330396A (zh) | 一种基于多属性和多策略融合学习的行人再识别方法 | |
CN106529499A (zh) | 基于傅里叶描述子和步态能量图融合特征的步态识别方法 | |
CN110135295A (zh) | 一种基于迁移学习的无监督行人重识别方法 | |
CN107562812A (zh) | 一种基于特定模态语义空间建模的跨模态相似性学习方法 | |
CN107291688A (zh) | 基于主题模型的裁判文书相似度分析方法 | |
CN109299657B (zh) | 基于语义注意力保留机制的群体行为识别方法及装置 | |
CN107992890B (zh) | 一种基于局部特征的多视角分类器及设计方法 | |
CN109886141A (zh) | 一种基于不确定性优化的行人再辨识方法 | |
CN102034096A (zh) | 基于自顶向下运动注意机制的视频事件识别方法 | |
CN103186538A (zh) | 一种图像分类方法和装置、图像检索方法和装置 | |
CN103886030B (zh) | 基于代价敏感决策树的信息物理融合系统数据分类方法 | |
CN104573711B (zh) | 基于文本‑物体‑场景关系的物体和场景的图像理解方法 | |
CN106127197A (zh) | 一种基于显著标签排序的图像显著性目标检测方法 | |
Yao et al. | Sensing urban land-use patterns by integrating Google Tensorflow and scene-classification models | |
CN110163117A (zh) | 一种基于自激励判别性特征学习的行人重识别方法 | |
CN110413791A (zh) | 基于cnn-svm-knn组合模型的文本分类方法 | |
CN110348494A (zh) | 一种基于双通道残差神经网络的人体动作识别方法 | |
CN104680193A (zh) | 基于快速相似性网络融合算法的在线目标分类方法与系统 | |
CN110084812A (zh) | 一种太赫兹图像缺陷检测方法、装置、系统及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |