CN107392242B - 一种基于同态神经网络的跨领域图片分类方法 - Google Patents

一种基于同态神经网络的跨领域图片分类方法 Download PDF

Info

Publication number
CN107392242B
CN107392242B CN201710584948.XA CN201710584948A CN107392242B CN 107392242 B CN107392242 B CN 107392242B CN 201710584948 A CN201710584948 A CN 201710584948A CN 107392242 B CN107392242 B CN 107392242B
Authority
CN
China
Prior art keywords
cross
domain
homomorphic
training
picture
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
Application number
CN201710584948.XA
Other languages
English (en)
Other versions
CN107392242A (zh
Inventor
李嘉豪
蔡瑞初
温雯
郝志峰
王丽娟
陈炳丰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201710584948.XA priority Critical patent/CN107392242B/zh
Publication of CN107392242A publication Critical patent/CN107392242A/zh
Application granted granted Critical
Publication of CN107392242B publication Critical patent/CN107392242B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于同态神经网络的跨领域图片分类方法，首先构建一个由同态子网络g和预测子网络f串联而成的神经网络架构，然后把跨领域图片的底层特征输入到同态子网络g中，通过同态子网络g提取出跨领域图片的同态特征，最后把跨领域图片的同态特征输入到预测子网络f中，通过预测子网络f预测图片的类别，本发明通过将跨领域图片的底层特征空间映射到同态特征空间中，充分利用了跨领域图片的同态不变性，减少了跨领域图片中有关领域信息的干扰，有效提高对跨领域图片的分类能力，另外，本方法最大限度地把从多源域图片学习到的知识迁移到多目标域图片上，保证了跨领域图片分类的鲁棒性，该分类方法不需要图片的先验领域知识，也不要求图片依领域划分。

Description

一种基于同态神经网络的跨领域图片分类方法
技术领域
本发明涉及图像分类技术领域，尤其是一种基于同态神经网络的跨领域图片分类方法。
背景技术
由于图片的来源途径不同，导致了不同图片的内在形态也不相同，然而现有的机器学习算法进行的图片分类都只针对内在形态相似或相同的图片，即只考虑图片来源于同一个领域内的情况，因为来自于同一个领域内的图片，其内在形态一般是相同的，也更容易学习到其特征。
但是，若使用这些机器学习算法对内在形态不完全相同的、包含多个未知领域的图片集进行模型训练，那么对图片的特征提取会造成巨大影响，并且难以或无法找到隐含在不同形态背后的共同特征，为了能够很好地挖掘出跨领域图片的共同特征，现有做法主要通过多领域自适应的手段来提取特征，然而多领域自适应，主要存在以下几个挑战：
1、多领域知识迁移，多领域数据一般包含多个领域的数据，很难从模型提取出对目标域也能适用的特征，所以从多个源域的数据训练模型预测多个目标域，效果不理想，预测结果不准确；
2、新领域知识迁移，由于模型训练完成后需要用在更多的未知数据，当未知数据来自未知的新领域，模型应该能够尽最大可能地对其进行预测，然而在缺乏未知领域知识的情况下，模型几乎是不能对其进行预测；
3、训练数据的领域被混淆，当训练数据的领域被混淆，数据中不同领域的分布信息将无法获得，此时将无法根据领域的内在性质或特征等先验知识来调整模型。
并且现有的领域自适应模型只针对两个领域之间的自适应问题，主流模型如DANN、DDC和UDABBP等，都只考虑单个源域到单个目标域的自适应问题，并解决不了多源域到多目标域的自适应问题，有些主流模型还要求数据已经根据领域进行了预先划分使其可以利用数据领域的差异信息来提高模型自适应的性能，然而实际上，很多数据的领域信息是混淆在一起的，进而无法事先根据领域进行数据划分，另外这些模型无法很好地泛化到新的未知领域上，由于这些模型只考虑两个领域之间的自适应问题，所以理论上是不能泛化到其它新领域上的，另外，一些算法如UDABBP希望去除领域有关的特征来达到泛化的效果，但是若类别相关的特征与领域强耦合的话，那么通过这种手段来训练模型，会大大降低模型的预测性能。
综上，现有的领域自适应模型无法在不知道领域信息的情况下解决多领域自适应问题。
发明内容
针对现有技术的不足，本发明提供一种基于同态神经网络的跨领域图片分类方法，通过该方法能够实现跨领域图片的分类。
本发明的技术方案为：一种基于同态神经网络的跨领域图片分类方法，包括以下步骤：
S1)、获取若干个跨领域图片训练子集，并对每个跨领域图片训练子集中的每张跨领域训练图片进行预处理，得到跨领域图片底层特征；
S2)、构建包括同态子网络g和预测子网络f的神经网络架构；
S3)、将同态子网络g设置于输入层后端，将预测子网络f设置于输出层的前端位置；
S4)、在同态子网络g和预测子网络f之间嵌入同态层；
S5)、初始化同态子网络g和预测子网络f所有的权重参数；
S6)、将收集的跨领域图片训练样本输入到神经网络后，通过同态层干预神经网络的训练；
S7)、重复步骤S6)直至被用户终止或达到迭代次数的上限，从而得到训练好的神经网络框架；
S8)、将待分类的跨领域图片输入到训练好的神经网络中，预测得到跨领域图片的类别。
进一步地，上述技术方案中，步骤S1)中，所述的预处理，具体为：
S101)、根据所述跨领域训练图片中的每个像素的像素值，获取所述每张跨领域训练图片的像素矩阵；
S102)、计算所有跨领域训练图片的像素矩阵的平均值，得到均值矩阵；
S103)、根据均值矩阵生成均值图像；
S103)、将每张跨领域训练图片的像素矩阵的每个像素值减去均值图像的相应像素值，从而得到每张跨领域训练图片的底层特征。
进一步地，上述技术方案中，步骤S6)中，所述的同态层干预神经网络的训练包括：
S601)、在训练神经网络的预前向传播阶段中，让跨领域图片训练样本通过一次同态子网络g，通过同态层预前向模块收集每个训练样本在通过同态子网络g后的输出，并根据训练样本类别统计各类的平均激活输出μ(y)，计算表达式如下：
Figure BDA0001353263030000021
Figure BDA0001353263030000031
其中，n表示训练样本的数量，n(y)表示标签为y的样本数量，Od(i)(xi)表示训练样本中被d(i)记录后的跨领域图片xi；
S602)、在训练神经网络的前向传播阶段中，让跨领域图片训练样本通过一次同态子网络g和预测子网络f，通过同态层的前向模块收集每个训练样本在通过同态子网络g后的输出，并根据样本类别计算每个样本的类内方差灵敏度δc(Od(i)(xi))，与类间方差灵敏度δs(Od(i)(xi))，并通过预测子网络f计算预测标签和实际标签的误差，其中，类内方差灵敏度和类间方差灵敏度的计算公式如下：
δc(Od(i)(xi))＝g(Od(i)(xi))-μ(yi),
Figure BDA0001353263030000032
Figure BDA0001353263030000033
其中，Od(i)(xi)表示训练样本中被d(i)记录后的跨领域图片xi，|Y|表示样本标签状态数量；
S603)、在训练网络的后向传播阶段中，预测子网络f向前面的网络部分注入灵敏度δ(Od(i)(xi))，同时，同态层的后向模块控制该灵敏度并在此基础上添加类内方差灵敏度δc(Od(i)(xi))，与类间方差灵敏度δs(Od(i)(xi))，添加完成后，同态层的后向模块把修改后的灵敏度继续往后传播，具体添加公式如下：
δ(Od(i)(xi))＝δ(Od(i)(xi))+δc(Od(i)(xi))-δs(Od(i)(xi))；
S604)、在训练神经网络的参数更新阶段中，同态子网络g和预测子网络f根据各自传播的灵敏度并使用批量梯度下降算法更新权重参数。
进一步地，上述技术方案中，步骤S8)还包括：
S801)、把待分类的跨领域图片输入到同态子网络g中，并输出同态特征；
S802)、通过同态层直接将同态特征输入到预测子网络f中，并输出结果；
S803)、将步骤S802)输出的结果输入到softmax函数后计算各类别的概率，并输出概率最大的类别作为待分类跨领域图片的类别。
本发明的有益效果为：通过将跨领域图片的底层特征空间映射到同态特征空间中，通过提取跨领域图片的同态特征，充分利用了跨领域图片的同态不变性，减少了跨领域图片中有关领域信息的干扰，从而有效提高对跨领域图片的分类能力，本方法提供的神经网络模型能够最大限度地把从多源域图片学习到的知识迁移到多目标域图片上，保证了跨领域图片分类的鲁棒性，克服了之前模型在不知道领域信息的情况下解决多源域到多目标域的自适应问题的不足和局限性，而且基于同态神经网络的跨领域图片分类方法不需要图片的先验领域知识，也不要求图片依领域划分，克服了如UDABBP等模型要求先验领域知识的缺点。
附图说明
图1为本发明的流程示意图；
图2为本发明的框架结构图；
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明：
如图1、和图2所示，一种基于同态神经网络的跨领域图片分类方法，包括以下步骤：
S1)、获取若干个跨领域图片训练子集，并对每个跨领域图片训练子集中的每张跨领域图片进行预处理；
S2)、构建包括同态子网络g和预测子网络f的神经网络架构；
S3)、将同态子网络g设置于输入层后端，将预测子网络f设置于输出层的前端位置；
S4)、在同态子网络g和预测子网络f之间嵌入同态层；
S5)、初始化同态子网络g和预测子网络f所有的权重参数；
S6)、将收集的跨领域图片训练样本输入到神经网络后，通过同态层干预神经网络的训练；
S7)、重复步骤S6)直至被用户终止或达到迭代次数的上限，从而得到训练好的神经网络框架；
S8)、将待分类的跨领域图片输入到训练好的神经网络中，预测得到跨领域图片的类别。
上述技术方案中，步骤S1)中，所述的对每组跨领域图片训练样本中的每张跨领域图片进行预处理，具体为：
S101)、根据所述跨领域训练图片中的每个像素的像素值，获取所述每张跨领域训练图片的像素矩阵；
S102)、计算所有跨领域训练图片的像素矩阵的平均值，得到均值矩阵；
S103)、根据均值矩阵生成均值图像；
S103)、将每张跨领域训练图片的像素矩阵的每个像素值减去均值图像的相应像素值，从而得到每张跨领域训练图片的底层特征。
上述技术方案中，步骤S6)中，所述的同态层干预神经网络的训练包括：
S601)、在训练神经网络的预前向传播阶段中，让跨领域图片训练样本通过一次同态子网络g，通过同态层预前向模块收集每个训练样本在通过同态子网络g后的输出，并根据训练样本类别统计各类的平均激活输出μ(y)，计算表达式如下：
Figure BDA0001353263030000051
Figure BDA0001353263030000052
其中，n表示训练样本的数量，n(y)表示标签为y的样本数量，Od(i)(xi)表示训练样本中被d(i)记录后的跨领域图片xi；
S602)、在训练神经网络的前向传播阶段中，让跨领域图片训练样本通过一次同态子网络g和预测子网络f，通过同态层的前向模块收集每个训练样本在通过同态子网络g后的输出，并根据样本类别计算每个样本的类内方差灵敏度δc(Od(i)(xi))，与类间方差灵敏度δs(Od(i)(xi))，并通过预测子网络f计算预测标签和实际标签的误差，其中，类内方差灵敏度和类间方差灵敏度的计算公式如下：
δc(Od(i)(xi))＝g(Od(i)(xi))-μ(yi),
Figure BDA0001353263030000053
Figure BDA0001353263030000054
其中，Od(i)(xi)表示训练样本中被d(i)记录后的跨领域图片xi，|Y|表示样本标签状态数量；
S603)、在训练网络的后向传播阶段中，预测子网络f向前面的网络部分注入灵敏度δ(Od(i)(xi))，同时，同态层的后向模块控制该灵敏度并在此基础上添加类内方差灵敏度δc(Od(i)(xi))，与类间方差灵敏度δs(Od(i)(xi))，添加完成后，同态层的后向模块把修改后的灵敏度继续往后传播，具体添加公式如下：
δ(Od(i)(xi))＝δ(Od(i)(xi))+δc(Od(i)(xi))-δs(Od(i)(xi))；
S604)、在训练神经网络的参数更新阶段中，同态子网络g和预测子网络f根据各自传播的灵敏度并使用批量梯度下降算法更新权重参数。
上述技术方案中，步骤S8)还包括：
S801)、把待分类的跨领域图片输入到同态子网络g中，并输出同态特征；
S802)、通过同态层直接将同态特征输入到预测子网络f中，并输出结果；
S803)、将步骤S802)输出的结果输入到softmax函数后计算各类别的概率，并输出概率最大的类别作为待分类跨领域图片的类别。
上述实施例和说明书中描述的只是说明本发明的原理和最佳实施例，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (4)

1.一种基于同态神经网络的跨领域图片分类方法，其特征在于，包括以下步骤：
S1)、获取若干个跨领域图片训练子集，并对每个跨领域图片训练子集中的每张跨领域训练图片进行预处理，得到跨领域图片底层特征；
S2)、构建包括同态子网络g和预测子网络f的神经网络架构；
S3)、将同态子网络g设置于输入层后端，将预测子网络f设置于输出层的前端位置；
S4)、在同态子网络g和预测子网络f之间嵌入同态层；
S5)、初始化同态子网络g和预测子网络f所有的权重参数；
S6)、将收集的跨领域图片训练样本输入到神经网络后，通过同态层干预神经网络的训练；
S7)、重复步骤S6)直至被用户终止或达到迭代次数的上限，从而得到训练好的神经网络框架；
S8)、将待分类的跨领域图片输入到训练好的神经网络中，预测得到跨领域图片的类别。
2.根据权利要求1所述的一种基于同态神经网络的跨领域图片分类方法，其特征在于：步骤S1)中，所述的对每张跨领域训练图片进行预处理，具体包括：
S101)、根据所述若干个跨领域图片训练子集的每张跨领域训练图片中的每个像素的像素值，获取所述每张跨领域训练图片的像素矩阵；
S102)、计算若干个跨领域图片训练子集的所有跨领域训练图片的像素矩阵的平均值，得到一个均值矩阵；
S103)、根据均值矩阵生成均值图像；
S104)、将每张跨领域训练图片的像素矩阵的每个像素值减去均值图像的相应像素值，从而得到每张跨领域训练图片的底层特征。
3.根据权利要求1所述的一种基于同态神经网络的跨领域图片分类方法，其特征在于：步骤S6)中，所述的同态层干预神经网络的训练包括：
S601)、在训练神经网络的预前向传播阶段中，让跨领域图片训练样本通过一次同态子网络g，通过同态层预前向模块收集每个训练样本在通过同态子网络g后的输出，并根据训练样本类别统计各类的平均激活输出μ(y)，计算表达式如下：
Figure FDA0002447356370000011
Figure FDA0002447356370000012
其中，n表示训练样本的数量，n(y)表示标签为y的样本数量，Od(i)(xi)表示训练样本中被d(i)记录后的跨领域图片xi；
S602)、在训练神经网络的前向传播阶段中，让跨领域图片训练样本通过一次同态子网络g和预测子网络f，通过同态层的前向模块收集每个训练样本在通过同态子网络g后的输出，并根据样本类别计算每个样本的类内方差灵敏度δc(Od(i)(xi))，与类间方差灵敏度δs(Od(i)(xi))，并通过预测子网络f计算预测标签和实际标签的误差，其中，类内方差灵敏度和类间方差灵敏度的计算公式如下：
δc(Od(i)(xi))＝g(Od(i)(xi))-μ(yi),
Figure FDA0002447356370000021
Figure FDA0002447356370000022
其中，Od(i)(xi)表示训练样本中被d(i)记录后的跨领域图片xi，|Y|表示样本标签状态数量；
S603)、在训练网络的后向传播阶段中，预测子网络f向前面的网络部分注入灵敏度δ(Od(i)(xi))，同时，同态层的后向模块控制该灵敏度并在此基础上添加类内方差灵敏度δc(Od(i)(xi))，与类间方差灵敏度δs(Od(i)(xi))，添加完成后，同态层的后向模块把修改后的灵敏度继续往后传播，具体添加公式如下：
δ(Od(i)(xi))＝δ(Od(i)(xi))+δc(Od(i)(xi))-δs(Od(i)(xi))；
S604)、在训练神经网络的参数更新阶段中，同态子网络g和预测子网络f根据各自传播的灵敏度并使用批量梯度下降算法更新权重参数。
4.根据权利要求1所述的一种基于同态神经网络的跨领域图片分类方法，其特征在于：步骤S8)还包括：
S801)、把待分类的跨领域图片输入到同态子网络g中，并输出同态特征；
S802)、通过同态层直接将同态特征输入到预测子网络f中，并输出结果；
S803)、将步骤S802)输出的结果输入到softmax函数后计算各类别的概率，并输出概率最大的类别作为待分类跨领域图片的类别。
CN201710584948.XA 2017-07-18 2017-07-18 一种基于同态神经网络的跨领域图片分类方法 Active CN107392242B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710584948.XA CN107392242B (zh) 2017-07-18 2017-07-18 一种基于同态神经网络的跨领域图片分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710584948.XA CN107392242B (zh) 2017-07-18 2017-07-18 一种基于同态神经网络的跨领域图片分类方法

Publications (2)

Publication Number Publication Date
CN107392242A CN107392242A (zh) 2017-11-24
CN107392242B true CN107392242B (zh) 2020-06-19

Family

ID=60340939

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710584948.XA Active CN107392242B (zh) 2017-07-18 2017-07-18 一种基于同态神经网络的跨领域图片分类方法

Country Status (1)

Country Link
CN (1) CN107392242B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109561210A (zh) * 2018-11-26 2019-04-02 努比亚技术有限公司 一种交互调控方法、设备及计算机可读存储介质
CN109740682B (zh) * 2019-01-08 2020-07-28 南京大学 一种基于域转化和生成模型的图像识别方法
CN113011513B (zh) * 2021-03-29 2023-03-24 华南理工大学 一种基于通用域自适应的图像大数据分类方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239554A (zh) * 2014-09-24 2014-12-24 南开大学 跨领域跨类别的新闻评论情绪预测方法
CN105095277A (zh) * 2014-05-13 2015-11-25 中国科学院自动化研究所 跨领域观点数据的分类方法和装置
CN106096004A (zh) * 2016-06-23 2016-11-09 北京工业大学 一种建立大规模跨领域文本情感倾向性分析框架的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012154657A2 (en) * 2011-05-06 2012-11-15 The Penn State Research Foundation Robust anomaly detection and regularized domain adaptation of classifiers with application to internet packet-flows

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095277A (zh) * 2014-05-13 2015-11-25 中国科学院自动化研究所 跨领域观点数据的分类方法和装置
CN104239554A (zh) * 2014-09-24 2014-12-24 南开大学 跨领域跨类别的新闻评论情绪预测方法
CN106096004A (zh) * 2016-06-23 2016-11-09 北京工业大学 一种建立大规模跨领域文本情感倾向性分析框架的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Transfer Neural Trees for Heterogeneous Domain Adaptation;Wei-Yu Chen et al;《ECCV 2016》;20161231;第399-414页 *

Also Published As

Publication number Publication date
CN107392242A (zh) 2017-11-24

Similar Documents

Publication Publication Date Title
CN110443818B (zh) 一种基于涂鸦的弱监督语义分割方法与系统
CN111967294B (zh) 一种无监督域自适应的行人重识别方法
CN106157319B (zh) 基于卷积神经网络的区域和像素级融合的显著性检测方法
CN110321926B (zh) 一种基于深度残差修正网络的迁移方法及系统
CN110580496A (zh) 一种基于熵最小化的深度迁移学习系统及方法
CN110866536B (zh) 一种基于PU learning的跨区域企业偷漏税识别方法
CN113076994B (zh) 一种开集域自适应图像分类方法及系统
CN105701480B (zh) 一种视频语义分析方法
CN107944410B (zh) 一种基于卷积神经网络的跨领域面部特征解析方法
CN107392242B (zh) 一种基于同态神经网络的跨领域图片分类方法
CN109685135A (zh) 一种基于改进型度量学习的少样本图像分类方法
CN112085055B (zh) 一种基于迁移模型雅克比阵特征向量扰动的黑盒攻击方法
CN103942749B (zh) 一种基于修正聚类假设和半监督极速学习机的高光谱地物分类方法
CN113469186B (zh) 一种基于少量点标注的跨域迁移图像分割方法
CN112784913A (zh) 一种基于图神经网络融合多视图信息的miRNA-疾病关联预测方法及装置
CN109543693B (zh) 基于正则化标签传播的弱标注数据降噪方法
Luo et al. Learning from the past: Continual meta-learning with Bayesian graph neural networks
CN112766334A (zh) 一种基于伪标签域适应的跨域图像分类方法
CN111239137B (zh) 基于迁移学习与自适应深度卷积神经网络的谷物质量检测方法
CN113780242A (zh) 一种基于模型迁移学习的跨场景水声目标分类方法
Ye et al. Learning semantic segmentation with diverse supervision
CN111931814A (zh) 一种基于类内结构紧致约束的无监督对抗域适应方法
Zhou et al. Remote sensing image transfer classification based on weighted extreme learning machine
CN107766895B (zh) 一种诱导式非负投影半监督数据分类方法及系统
Shu et al. Perf-al: Performance prediction for configurable software through adversarial learning

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