CN107358257B - 一种大数据场景下可增量学习的图像分类训练方法 - Google Patents
一种大数据场景下可增量学习的图像分类训练方法 Download PDFInfo
- Publication number
- CN107358257B CN107358257B CN201710550339.2A CN201710550339A CN107358257B CN 107358257 B CN107358257 B CN 107358257B CN 201710550339 A CN201710550339 A CN 201710550339A CN 107358257 B CN107358257 B CN 107358257B
- Authority
- CN
- China
- Prior art keywords
- image
- matrix
- save
- new
- middle layer
- 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
- G06F18/21—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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
本发明公开了一种大数据场景下可增量学习的图像分类训练方法,该方法包括:步骤1、利用原有图像数据训练初始图像分类器;步骤2、若应用过程中出现新类别图像,则对初始模型进行增量训练,得到更新后的图像分类器;步骤3、利用训练的图像分类器对待分类图像进行识别,得到测试图像类别。本发明方法使用卷积神经网络对图像提取特征,可避免人工定义特征,并且具有高辨识度;使用神经网络对图像进行识别,占用内存小,计算速度快。本发明的图像分类训练方法能针对新类别图像进行增量学习,且无需保存原有训练数据,可节省大量训练时间和存储空间,从而特别适用于大数据图像分类场景。
Description
技术领域
本发明涉及计算机视觉领域,尤其是指一种大数据场景下可增量学习的图像分类训练方法。
背景技术
近年来计算机视觉领域正处于快速发展时期,图像分类作为该领域一门重要的技术,其产生目的是为了让计算机代替人类去处理大量的物理信息,从而自动识别出图像中的主体类别。
目前在图像分类领域已有相关专利,如专利CN103577475A提出的图片自动化分类方法,其包括以下步骤:接收待分类图片;读取特征库内的特征类目;根据所述特征类目提取所述待分类图片的特征数据;匹配提取的特征数据与所述特征类目对应的预设特征数据,将特征数据可匹配的待分类图片归并为一类。但该方法只能对训练数据中已有的图片进行分类,而对于新加入的类别图片,其无法正确分类,并且没有提供学习新类别图片的机制。
在如今的大数据场景下,图像中主体类别及图像数量都在不断地更新,如果不能适应新到来的图像,那么该图像分类方法的实用性并不高。而现有的增加图像可识别类数的方法,都是将新类别图像与原有类别图像一起重新训练分类器。在大数据背景下,要使分类器的泛化性能足够高,那么训练数据的容量是十分庞大的。若对于每个新到来的类别图像,都需用到原有图像数据,那将需要大量的训练耗时和存储,且无法在性能较低的机器上实现。因此,研究一种轻量的可进行类别增量学习的图像分类方法具有很高的实用价值。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供了一种大数据场景下可增量学习的图像分类训练方法,能够快速准确地对图像进行分类,并且能够对新收集到的类别图像进行增量学习,加大可分类范围。增量学习过程只需利用新收集数据进行调整,无需重复训练原有类别数据,这种机制的学习方法可以节省大量训练时间和内存,特别适用于大数据图像识别应用背景。
为实现上述目的,本发明所提供的技术方案为:一种大数据场景下可增量学习的图像分类训练方法,包括以下步骤:
S1、训练初始的图像分类器;
S1.1、获取用于训练的图像数据并根据不同图像类别加标签进行分类;
S1.2、对S1.1获取到的图像提取特征得到直接训练数据;其中,所属特征利用卷积神经网络提取得到:将训练图像输入到卷积神经网络,得到的全连接层之前的输出作为提取的图像特征;
S1.3、使用增量训练模型对S1.2得到的直接训练数据进行学习得到初始分类模型,具体为:
S1.3.1、增量训练模型主要包含三层:输入层,中间层和输出层;
S1.3.2、根据直接训练数据确定输入层、中间层和输出层的维度,具体为:
假设卷积神经网络提取的初始的直接训练数据为:
其中,xi表示卷积神经网络对第i个训练数据提取得到的特征,该特征是一个n维列向量,xin表示xi的第i维元素,N是训练数据的数目;
则输入层的维度为n,其接受直接训练数据作为输入;
假设类别数为m,则图像样本i对应一个m维行向量ti=[ti1,ti2,...tim],tim表示ti的第i维元素,若样本i属于第k类,则tik等于1,其余元素等于0,输出层的维度即为m;
中间层的维度受N、n、m的影响,进行启发式的选择,记为L;
S1.3.3、随机初始化输入层与中间层的连接权重和偏置并将其保存:
bi,i=1,2,...L
其中,wi为中间层第i个神经元与输入层每一个神经元之间的连接权重所形成的n维向量,win表示中间层第i个神经元与输入层第n个神经元之间的连接权重;bi为中间层第i个神经元的偏置,L为上一步骤选择的中间层维度。
S1.3.4、根据S1.2的直接训练数据和S1.3.3的初始化参数计算中间层输出矩阵:
其中,g()为中间层神经元激活函数,N×L表示H为N行L列矩阵;
S1.3.5、根据S1.3.4得到的中间层输出矩阵计算其转置与其本身的矩阵乘积,记为HH_save=HTH,并将其结果保存,其中H表示S1.3.4得到的中间层输出矩阵,HT表示H的转置矩阵;
S1.3.6、根据S1.3.4得到的中间层输出矩阵计算其转置与训练数据标签矩阵的乘积并保存结果矩阵,具体为:
S1.3.6.1、构造训练数据标签矩阵
其中ti=[ti1,ti2,...tim]为S1.3.2所述m维向量,N×m表示T为N行m列矩阵;
S1.3.6.2、计算HT与T的矩阵乘积HT_save=HT*T,并保存结果矩阵;
S1.3.7、根据HH_save和HT_save计算中间层与输出层之间的连接权重,具体为:
S1.3.7.1、计算HH_save的逆:(λ*I+HH_save)-,其中添加λ*I项可保证矩阵可逆,I为L*L单位矩阵,λ为大于0的常数;
S1.3.7.2、计算中间层与输出层之间的连接权重,记为β:β=(λ*I+HH_save)-*HT_save;
S1.3.8、利用以上步骤对已有数据进行增量训练模型训练所得的分类模型,即为所得初始的图像分类器;
S2、若应用过程中出现新类别图像,则对初始模型进行增量训练,得到更新后的图像分类器:
S2.1、获取新类别的图像数据并加标签进行分类;
S2.2、使用S1.2所述卷积神经网络网络对S2.1所述新类别的图像数据提取特征得到新类别对应的直接训练数据
其中N'为新类别图像的数量,xi的格式与步骤S1.3.2中的xi相同;
S2.3、使用S2.2所述新类别对应直接训练数据对S1.3.8所得初始的图像分类器进行增量学习调整,得到更新后的分类器,具体为:
S2.3.1、使用S2.2所述新类别直接训练数据和S1.3.3所保存的参数wi和bi计算新类别对应的中间层输出矩阵:
其中,g()为与步骤S1.3.4相同的中间层神经元激活函数,N'×L表示H’为N’行L列矩阵;
S2.3.2、根据S2.3.1得到的新类别对应的中间层输出矩阵计算其转置与其本身的矩阵乘积HH_new=H’TH’,其中H’表示S2.2得到的中间层输出矩阵,H’T表示H’的转置矩阵;
S2.3.3、将S2.3.2得到的矩阵乘积HH_new与S1.3.5保存的HH_save相加并保存:
HH_new_save=HH_save+HH_new
S2.3.4、根据S2.3.1得到的新类别对应的中间层输出矩阵,将其转置矩阵每一行的元素相加,得到列向量HT_new;
S2.3.5、将S2.3.4得到的列向量HT_new连接到S1.3.6保存的矩阵HT_save后面得到新的结果矩阵HT_new_save并保存:
HT_new_save=[HT_save,HT_new]
S2.3.6、根据HH_new_save和HT_new_save更新中间层与输出层之间的连接权重;具体为:
S2.3.6.1、计算HH_new_save的逆:(λ*I+HH_new_save)-,其中添加λ*I项保证矩阵可逆,I为L*L单位矩阵,λ为大于0的常数;
S2.3.6.2、更新中间层与输出层之间的连接权重:
β_new=(λ*I+HH_new_save)-*HT_new__save
S2.3.7、中间层与输出层的连接权重更新后的增量训练模型即为更新后的图像分类器;
S3、利用训练的图像分类器对测试图像进行识别,得到测试图像类别:
S3.1、收集待分类图像,所述待分类图像中的主体类别已在训练数据中存在;
S3.2、使用S1.2所述卷积神经网络对S3.1的待识别图像提取特征作为分类器的输入;
S3.3、将S3.2提取的特征输入到图像分类器,计算得到分类结果。
在S1.2中,所述卷积神经网络通过使用大量图片进行训练获得。
S1.3.5保存的矩阵HH_save和步骤S2.3.3保存的矩阵HH_new_save均为L*L大小矩阵。
S1.3.6保存的矩阵HT_save和步骤S2.3.5保存的矩阵HT_new_save分别为L*m和L*m’大小矩阵,其中m和m’分别为初始类别数和更新后类别数。
本发明与现有技术相比,具有如下优点与有益效果:
1、本发明使用经大量图片训练的卷积神经网络提取图像特征,可避免人工定义训练特征,且具有更高的可辨识度。
2、本发明使用单隐层神经网络作为识别分类器,占用内存小,运行速度快。
3、本发明支持图像类别的增量学习,只需利用新类别的图像数据对分类器进行调整更新,无需保存原有数据,能节省大量训练时间的存储空间,特别适合大数据应用。
附图说明
图1为本发明实施例的大数据场景下可增量学习的图像分类训练方法整体流程图。
图2为本发明实施例的大数据场景下可增量学习的图像分类训练方法的训练初始图像分类器的流程图。
图3为本发明实施例的大数据场景下可增量学习的图像分类训练方法的增量学习更新图像分类器的流程图。
图4为本发明实施例的使用图像分类器对图像进行分类的流程图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
如图1所示,本实施例所提供的大数据场景下可增量学习的图像分类训练方法,包括以下步骤:
S1、训练初始的图像分类器,如图2所示:
S1.1、获取用于训练的图像数据并根据不同图像类别加标签进行分类;
本实施例使用从网上下载的101种花卉的训练照片,每一类包含1000张照片,此步骤选用其中100类作为初始训练数据。
S1.2、对S1.1获取到的图像提取特征得到直接训练数据;其中,所属特征利用CNN(Convolutional Neural Network,卷积神经网络,具体参考文献A Krizhevsky,ISutskever,GE Hinton:ImageNet classification with deep convolutional neuralnetworks,2012)提取得到:将训练图像输入到CNN,得到的全连接层之前的输出可作为提取的图像特征。
S1.3、使用增量训练模型对S1.2得到的直接训练数据进行学习得到初始分类模型,具体为:
S1.3.1、增量训练模型主要包含三层:输入层,中间层和输出层;
S1.3.2、根据直接训练数据确定输入层、中间层和输出层的维度,具体为:
假设卷积神经网络提取的初始的直接训练数据为:
其中,xi表示卷积神经网络对第i个训练数据提取得到的特征,该特征是一个n维列向量,xin表示xi的第i维元素,N是训练数据的数目;
则输入层的维度为n,其接受直接训练数据作为输入;
假设类别数为m,则图像样本i对应一个m维向量ti=[ti1,ti2,...tim],tim表示ti的第i维元素,若样本i属于第k类,则tik等于1,其余元素等于0,输出层的维度即为m;
中间层的维度受N、n、m的影响,进行启发式的选择,记为L;
S1.3.3、随机初始化输入层与中间层的连接权重和偏置并将其保存:
bi,i=1,2,...L
其中,wi为中间层第i个神经元与输入层每一个神经元之间的连接权重所形成的n维向量,win表示中间层第i个神经元与输入层第n个神经元之间的连接权重;bi为中间层第i个神经元的偏置,L为上一步骤选择的中间层维度。
S1.3.4、根据S1.2的直接训练数据和S1.3.3的初始化参数计算中间层输出矩阵:
其中,g()为中间层神经元激活函数,N×L表示H为N行L列矩阵;
S1.3.5、根据S1.3.4得到的中间层输出矩阵计算其转置与其本身的矩阵乘积,记为HH_save=HTH,并将其结果保存,其中H表示S1.3.4得到的中间层输出矩阵,HT表示H的转置矩阵;
S1.3.6、根据S1.3.4得到的中间层输出矩阵计算其转置与训练数据标签矩阵的乘积并保存结果矩阵,具体为:
S1.3.6.1、构造训练数据标签矩阵
其中ti=[ti1,ti2,...tim]为S1.3.2所述m维向量,N×m表示T为N行m列矩阵;
S1.3.6.2、计算HT与T的矩阵乘积HT_save=HT*T,并保存结果矩阵;
S1.3.7、根据HH_save和HT_save计算中间层与输出层之间的连接权重,具体为:
S1.3.7.1、计算HH_save的逆:(λ*I+HH_save)-,其中添加λ*I项可保证矩阵可逆,I为L*L单位矩阵,λ为大于0的常数;
S1.3.7.2、计算中间层与输出层之间的连接权重,记为β:β=(λ*I+HH_save)-*HT_save;
S1.3.8、利用以上步骤对已有数据进行增量训练模型训练所得的分类模型,即为所得初始的图像分类器;
S2、若应用过程中出现新类别图像,则对初始模型进行增量训练,得到更新后的图像分类器,如图3所示:
S2.1、获取新类别的图像数据并加标签进行分类;
S2.2、使用S1.2所述卷积神经网络网络对S2.1所述新类别的图像数据提取特征得到新类别对应的直接训练数据
其中N'为新类别图像的数量,xi的格式与步骤S1.3.2中的xi相同;
S2.3、使用S2.2所述新类别对应直接训练数据对S1.3.8所得初始的图像分类器进行增量学习调整,得到更新后的分类器,具体为:
S2.3.1、使用S2.2所述新类别直接训练数据和S1.3.3所保存的参数wi和bi计算新类别对应的中间层输出矩阵:
其中,g()为与步骤S1.3.4相同的中间层神经元激活函数,N'×L表示H’为N’行L列矩阵;
S2.3.2、根据S2.3.1得到的新类别对应的中间层输出矩阵计算其转置与其本身的矩阵乘积HH_new=H’TH’,其中H’表示S2.2得到的中间层输出矩阵,H’T表示H’的转置矩阵;
S2.3.3、将S2.3.2得到的矩阵乘积HH_new与S1.3.5保存的HH_save相加并保存:
HH_new_save=HH_save+HH_new
S2.3.4、根据S2.3.1得到的新类别对应的中间层输出矩阵,将其转置矩阵每一行的元素相加,得到列向量HT_new;
S2.3.5、将S2.3.4得到的列向量HT_new连接到S1.3.6保存的矩阵HT_save后面得到新的结果矩阵HT_new_save并保存:
HT_new_save=[HT_save,HT_new]
S2.3.6、根据HH_new_save和HT_new_save更新中间层与输出层之间的连接权重;具体为:
S2.3.6.1、计算HH_new_save的逆:(λ*I+HH_new_save)-,其中添加λ*I项保证矩阵可逆,I为L*L单位矩阵,λ为大于0的常数;
S2.3.6.2、更新中间层与输出层之间的连接权重:
β_new=(λ*I+HH_new_save)-*HT_new__save
S2.3.7、中间层与输出层的连接权重更新后的增量训练模型即为更新后的图像分类器;
S3、利用训练的图像分类器对测试图像进行识别,得到测试图像类别,如图4所示。
S3.1、收集待分类图像,所述待分类图像中的主体类别已在训练数据中存在。
S3.2、使用S1.2所述CNN网络对S3.1的待识别图像提取特征作为分类器的输入。
S3.3、将S3.2提取的特征输入到图像分类器,计算得到分类结果。
综上所述,本发明方法使用卷积神经网络对图像提取特征,可避免人工定义特征,并且具有高辨识度;使用神经网络对图像进行识别,占用内存小,计算速度快。本发明的图像分类训练方法能针对新类别图像进行增量学习,且无需保存原有训练数据,可节省大量训练时间和存储空间,从而特别适用于大数据图像分类场景,值得推广。
以上所述实施例只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (4)
1.一种大数据场景下可增量学习的图像分类训练方法,其特征在于,包括以下步骤:
S1、训练初始的图像分类器;
S1.1、获取用于训练的图像数据并根据不同图像类别加标签进行分类;
S1.2、对S1.1获取到的图像提取特征得到直接训练数据;其中,所属特征利用卷积神经网络提取得到:将训练图像输入到卷积神经网络,得到的全连接层之前的输出作为提取的图像特征;
S1.3、使用增量训练模型对S1.2得到的直接训练数据进行学习得到初始分类模型,具体为:
S1.3.1、增量训练模型包含三层:输入层,中间层和输出层;
S1.3.2、根据直接训练数据确定输入层、中间层和输出层的维度,具体为:
假设卷积神经网络提取的初始的直接训练数据为:
其中,xi表示卷积神经网络对第i个训练数据提取得到的特征,该特征是一个n维列向量,xin表示xi的第i维元素,N是训练数据的数目;
则输入层的维度为n,其接受直接训练数据作为输入;
假设类别数为m,则图像样本i对应一个m维向量ti=[ti1,ti2,...tim],tim表示ti的第i维元素,若样本i属于第k类,则tik等于1,其余元素等于0,输出层的维度即为m;
中间层的维度受N、n、m的影响,进行启发式的选择,记为L;
S1.3.3、随机初始化输入层与中间层的连接权重和偏置并将其保存:
bi,i=1,2,...L
其中,wi为中间层第i个神经元与输入层每一个神经元之间的连接权重所形成的n维向量,win表示中间层第i个神经元与输入层第n个神经元之间的连接权重,bi为中间层第i个神经元的偏置,L为上一步骤选择的中间层维度;
S1.3.4、根据S1.2的直接训练数据和S1.3.3的初始化参数计算中间层输出矩阵:
其中,g()为中间层神经元激活函数,N×L表示H为N行L列矩阵;
S1.3.5、根据S1.3.4得到的中间层输出矩阵计算其转置与其本身的矩阵乘积,记为HH_save=HT H,并将其结果保存,其中H表示S1.3.4得到的中间层输出矩阵,HT表示H的转置矩阵;
S1.3.6、根据S1.3.4得到的中间层输出矩阵计算其转置与训练数据标签矩阵的乘积并保存结果矩阵,具体为:
S1.3.6.1、构造训练数据标签矩阵
其中ti=[ti1,ti2,...tim]为S1.3.2所述m维向量,N×m表示T为N行m列矩阵;
S1.3.6.2、计算HT与T的矩阵乘积HT_save=HT*T,并保存结果矩阵;
S1.3.7、根据HH_save和HT_save计算中间层与输出层之间的连接权重,具体为:
S1.3.7.1、计算HH_save的逆:(λ*I+HH_save)-,其中添加λ*I项可保证矩阵可逆,I为L*L单位矩阵,λ为大于0的常数;
S1.3.7.2、计算中间层与输出层之间的连接权重,记为β:β=(λ*I+HH_save)-*HT_save;
S1.3.8、利用以上步骤对已有数据进行增量训练模型训练所得的分类模型,即为所得初始的图像分类器;
S2、若应用过程中出现新类别图像,则对初始模型进行增量训练,得到更新后的图像分类器:
S2.1、获取新类别的图像数据并加标签进行分类;
S2.2、使用S1.2所述卷积神经网络网络对S2.1所述新类别的图像数据提取特征得到新类别对应的直接训练数据
其中N'为新类别图像的数量,xi的格式与步骤S1.3.2中的xi相同;
S2.3、使用S2.2所述新类别对应直接训练数据对S1.3.8所得初始的图像分类器进行增量学习调整,得到更新后的分类器,具体为:
S2.3.1、使用S2.2所述新类别直接训练数据和S1.3.3所保存的参数wi和bi计算新类别对应的中间层输出矩阵:
其中,g()为与步骤S1.3.4相同的中间层神经元激活函数,N'×L表示H’为N’行L列矩阵;
S2.3.2、根据S2.3.1得到的新类别对应的中间层输出矩阵计算其转置与其本身的矩阵乘积HH_new=H’TH’,其中H’表示S2.2得到的中间层输出矩阵,H’T表示H’的转置矩阵;
S2.3.3、将S2.3.2得到的矩阵乘积HH_new与S1.3.5保存的HH_save相加并保存:
HH_new_save=HH_save+HH_new
S2.3.4、根据S2.3.1得到的新类别对应的中间层输出矩阵,将其转置矩阵每一行的元素相加,得到列向量HT_new;
S2.3.5、将S2.3.4得到的列向量HT_new连接到S1.3.6保存的矩阵HT_save后面得到新的结果矩阵HT_new_save并保存:
HT_new_save=[HT_save,HT_new]
S2.3.6、根据HH_new_save和HT_new_save更新中间层与输出层之间的连接权重;具体为:
S2.3.6.1、计算HH_new_save的逆:(λ*I+HH_new_save)-,其中添加λ*I项保证矩阵可逆,I为L*L单位矩阵,λ为大于0的常数;
S2.3.6.2、更新中间层与输出层之间的连接权重:
β_new=(λ*I+HH_new_save)-*HT_new__save
S2.3.7、中间层与输出层的连接权重更新后的增量训练模型即为更新后的图像分类器;
S3、利用训练的图像分类器对测试图像进行识别,得到测试图像类别:
S3.1、收集待分类图像,所述待分类图像中的主体类别已在训练数据中存在;
S3.2、使用S1.2所述卷积神经网络对S3.1的待识别图像提取特征作为分类器的输入;
S3.3、将S3.2提取的特征输入到图像分类器,计算得到分类结果。
2.根据权利要求1所述的一种大数据场景下可增量学习的图像分类训练方法,其特征在于:在S1.2中,所述卷积神经网络通过使用大量图片进行训练获得。
3.根据权利要求1所述的一种大数据场景下可增量学习的图像分类训练方法,其特征在于:S1.3.5保存的矩阵HH_save和步骤S2.3.3保存的矩阵HH_new_save均为L*L大小矩阵。
4.根据权利要求1所述的一种大数据场景下可增量学习的图像分类训练方法,其特征在于:S1.3.6保存的矩阵HT_save和步骤S2.3.5保存的矩阵HT_new_save分别为L*m和L*m’大小矩阵,其中m和m’分别为初始类别数和更新后类别数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710550339.2A CN107358257B (zh) | 2017-07-07 | 2017-07-07 | 一种大数据场景下可增量学习的图像分类训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710550339.2A CN107358257B (zh) | 2017-07-07 | 2017-07-07 | 一种大数据场景下可增量学习的图像分类训练方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107358257A CN107358257A (zh) | 2017-11-17 |
CN107358257B true CN107358257B (zh) | 2019-07-16 |
Family
ID=60292004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710550339.2A Active CN107358257B (zh) | 2017-07-07 | 2017-07-07 | 一种大数据场景下可增量学习的图像分类训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107358257B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359649B (zh) * | 2017-12-28 | 2022-03-11 | 深圳Tcl新技术有限公司 | 一种储物装置的存取物识别方法、存储介质及储物装置 |
CN108470184A (zh) * | 2018-02-11 | 2018-08-31 | 青岛海尔智能技术研发有限公司 | 食材识别方法、识别装置及家电设备 |
CN108805196B (zh) * | 2018-06-05 | 2022-02-18 | 西安交通大学 | 用于图像识别的自动增量学习方法 |
CN109872162B (zh) * | 2018-11-21 | 2023-06-16 | 创新先进技术有限公司 | 一种处理用户投诉信息的风控分类识别方法及系统 |
CN109726288A (zh) * | 2018-12-28 | 2019-05-07 | 上海点融信息科技有限责任公司 | 基于人工智能处理的文本分类方法和装置 |
CN109784748B (zh) * | 2019-01-25 | 2022-06-21 | 广东电网有限责任公司 | 一种市场竞争机制下用户用电行为辨识方法及装置 |
CN109766954B (zh) | 2019-01-31 | 2020-12-04 | 北京市商汤科技开发有限公司 | 一种目标对象处理方法、装置、电子设备及存储介质 |
CN109977899B (zh) * | 2019-04-03 | 2023-07-14 | 上海感图网络科技有限公司 | 一种物品识别的训练、推理以及增加新种类的方法和系统 |
CN110674844A (zh) * | 2019-08-27 | 2020-01-10 | 广州伊思高科技有限公司 | 一种智能货柜增量学习训练方法 |
CN110807493A (zh) * | 2019-11-06 | 2020-02-18 | 上海眼控科技股份有限公司 | 一种车辆分类模型的优化方法及设备 |
CN112990424A (zh) * | 2019-12-17 | 2021-06-18 | 杭州海康威视数字技术股份有限公司 | 神经网络模型训练的方法和装置 |
CN111444364B (zh) * | 2020-03-04 | 2024-01-30 | 中国建设银行股份有限公司 | 一种图像检测方法和装置 |
CN111488917A (zh) * | 2020-03-19 | 2020-08-04 | 天津大学 | 一种基于增量学习的垃圾图像细粒度分类方法 |
CN111597374B (zh) * | 2020-07-24 | 2020-10-27 | 腾讯科技(深圳)有限公司 | 图像分类方法、装置及电子设备 |
CN112270343A (zh) * | 2020-10-16 | 2021-01-26 | 苏州浪潮智能科技有限公司 | 一种图像分类方法、装置及相关组件 |
CN112381169B (zh) * | 2020-11-23 | 2023-01-13 | 济南博观智能科技有限公司 | 一种图像识别方法、装置、电子设备及可读存储介质 |
CN113762304B (zh) * | 2020-11-26 | 2024-02-06 | 北京京东乾石科技有限公司 | 图像处理方法、图像处理装置和电子设备 |
CN112966610A (zh) * | 2021-03-09 | 2021-06-15 | 金陵科技学院 | 一种基于增量学习的电梯智能指纹识别系统 |
CN113259331B (zh) * | 2021-04-29 | 2022-10-11 | 上海电力大学 | 一种基于增量学习的未知异常流量在线检测方法及系统 |
CN113269139B (zh) * | 2021-06-18 | 2023-09-26 | 中电科大数据研究院有限公司 | 一种针对复杂场景的自学习大规模警员图像分类模型 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116766A (zh) * | 2013-03-20 | 2013-05-22 | 南京大学 | 一种基于增量神经网络和子图编码的图像分类方法 |
CN103258217A (zh) * | 2013-05-15 | 2013-08-21 | 中国科学院自动化研究所 | 一种基于增量学习的行人检测方法 |
CN104866869A (zh) * | 2015-05-29 | 2015-08-26 | 武汉大学 | 基于分布差异与增量学习的时序sar图像分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8582807B2 (en) * | 2010-03-15 | 2013-11-12 | Nec Laboratories America, Inc. | Systems and methods for determining personal characteristics |
-
2017
- 2017-07-07 CN CN201710550339.2A patent/CN107358257B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116766A (zh) * | 2013-03-20 | 2013-05-22 | 南京大学 | 一种基于增量神经网络和子图编码的图像分类方法 |
CN103258217A (zh) * | 2013-05-15 | 2013-08-21 | 中国科学院自动化研究所 | 一种基于增量学习的行人检测方法 |
CN104866869A (zh) * | 2015-05-29 | 2015-08-26 | 武汉大学 | 基于分布差异与增量学习的时序sar图像分类方法 |
Non-Patent Citations (2)
Title |
---|
An Incremental Learning Approach for Restricted Boltzmann Machines;Jongmin Yu 等;《2015 International Conference on Control, Automation and Information Sciences(ICCAIS)》;20151231;第113-117页 |
动态数据约简的神经网络分类器训练方法研究;刘威 等;《智能系统学报》;20170430;第12卷(第2期);第258-265页 |
Also Published As
Publication number | Publication date |
---|---|
CN107358257A (zh) | 2017-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107358257B (zh) | 一种大数据场景下可增量学习的图像分类训练方法 | |
Wu et al. | Convolution neural network based transfer learning for classification of flowers | |
CN107256246B (zh) | 基于卷积神经网络的印花织物图像检索方法 | |
Changzhen et al. | A traffic sign detection algorithm based on deep convolutional neural network | |
CN107480178B (zh) | 一种基于图像与视频跨模态比对的行人重识别方法 | |
CN104462494B (zh) | 一种基于无监督特征学习的遥感图像检索方法及系统 | |
CN108510012A (zh) | 一种基于多尺度特征图的目标快速检测方法 | |
CN106991382A (zh) | 一种遥感场景分类方法 | |
CN109255334A (zh) | 基于深度学习语义分割网络的遥感影像地物分类方法 | |
CN111461190A (zh) | 一种基于深度卷积神经网络的非均衡船舶分类方法 | |
CN107564025A (zh) | 一种基于深度神经网络的电力设备红外图像语义分割方法 | |
CN108961245A (zh) | 基于双通道深度并行卷积网络的图像质量分类方法 | |
CN109711422A (zh) | 图像数据处理、模型的建立方法、装置、计算机设备和存储介质 | |
Zhu et al. | Plant identification based on very deep convolutional neural networks | |
CN106815604A (zh) | 基于多层信息融合的注视点检测方法 | |
CN107392131A (zh) | 一种基于人体骨骼节点距离的动作识别方法 | |
CN109284767B (zh) | 一种基于增广样本和多流层的行人检索方法 | |
CN109523013A (zh) | 一种基于浅层卷积神经网络的空气颗粒物污染程度估计方法 | |
CN107908646A (zh) | 一种基于分层卷积神经网络的图像检索方法 | |
CN109002752A (zh) | 一种基于深度学习的复杂公共场景快速行人检测方法 | |
CN110765960B (zh) | 一种自适应多任务深度学习的行人再识别方法 | |
CN109784288B (zh) | 一种基于判别感知融合的行人再识别方法 | |
CN111881716A (zh) | 一种基于多视角生成对抗网络的行人重识别方法 | |
CN115205667A (zh) | 一种基于YOLOv5s的密集目标检测方法 | |
CN115601562A (zh) | 一种使用多尺度特征提取的锦鲤鱼检测与识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |