CN108764281A - 一种基于半监督自步学习跨任务深度网络的图像分类方法 - Google Patents
一种基于半监督自步学习跨任务深度网络的图像分类方法 Download PDFInfo
- Publication number
- CN108764281A CN108764281A CN201810346336.1A CN201810346336A CN108764281A CN 108764281 A CN108764281 A CN 108764281A CN 201810346336 A CN201810346336 A CN 201810346336A CN 108764281 A CN108764281 A CN 108764281A
- Authority
- CN
- China
- Prior art keywords
- sample
- characteristic pattern
- task
- depth network
- passed
- 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.)
- Pending
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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Abstract
本发明公开了一种基于半监督自步学习跨任务深度网络的图像分类方法，包括以下步骤：S1、从图像整体数据集中随机选取少量标注样本，保留其标签，剩下所有样本作为未标注样本，在整个流程中不知道其真实标签，标注样本的权重在训练过程中恒为1，未标注样本权重初始化为0，初始时只使用标注样本作为训练集；S2、使用训练集训练跨任务深度网络；S3、根据训练好的跨任务深度网络，预测所有未标注样本的伪标签，并赋予每个未标注样本相应权重；S4、根据自步学习范式，选取高置信度的未标注样本，添加到训练集中；S5、重复步骤S2‑S4，直到跨任务深度网络性能饱和或者达到预设循环次数。所述方法不需要输入人为设计的特征，直接输入原始图像即可实现分类。
Description
技术领域
本发明涉及计算机视觉领域，具体涉及一种基于半监督自步学习跨任务深度网络的图像分类方法。
背景技术
图像分类在过去几十年间一直是计算机视觉领域一个有挑战性的任务，因为图像的类别信息反映了人类对这些图像的高级语义认知。传统的方法一般是从图片提取一些底层特征，根据图片的标签，有监督地训练得到一个模型来预测图像标签。然而随着移动互联世界的发展，图片的数量每天都在快速增长。给这些图像作标签成为了一件非常耗人力和耗时间的事情。因此，怎么尽可能得减少人工标注的工作量，同时又能保持分类器的性能，具有重大的意义。基于半监督的方法就是一种途径。
在半监督的场景中，通常我们只有一小部分有标签的样本，还有一大部分无标签的样本。很多半监督的方法基于有标签和无标签的样本从同一分布采样的先验，采用标签传播的方法来给无标签的数据标签；也有的采用增量学习的方式，用有标签的数据得到的模型给无标签的数据伪标签，从中挑选高置信度的样本，有标签的数据和高置信度的伪标签数据再不断一起训练得到新的模型；也有的采用协同学习的方式，彼此互相纠错；还有半监督的支持向量机等方法。近几年来，随着深度学习的迅猛发展，也出现了一些基于深度学习的半监督方法，比如梯子网络，半监督的对抗生成网络等。传统的图像分类方法大多数为浅模型，无法处理大规模的数据集，但半监督的方法，初始时我们往往只有一小部分的训练数据，在训练时很容易出现网络过拟合的情况。
发明内容
本发明的目的是针对上述现有技术的不足，提供了一种基于半监督自步学习跨任务深度网络的图像分类方法，所述方法只需要人为对一部分图像进行标记即可得到具有良好分类能力的分类器，能够有效节省人工标记图像所花费的时间，具有分类精度高的优点。
本发明的目的可以通过如下技术方案实现：
一种基于半监督自步学习跨任务深度网络的图像分类方法，所述方法包括以下步骤：
S1、从图像整体数据集中随机选取少量的标注样本，保留其标签，剩下的所有样本作为未标注样本，在整个流程中不知道其真实标签，标注样本的权重在训练过程中恒为1，未标注样本的权重初始化为0，初始时只使用标注样本作为训练集；
S2、使用训练集训练跨任务深度网络；
S3、根据训练好的跨任务深度网络，预测所有未标注样本的伪标签，并赋予每个未标注样本相应的权重；
S4、根据自步学习范式，选取高置信度的未标注样本，添加到训练集中；
S5、重复步骤S2-S4，直到跨任务深度网络性能饱和或者达到预设循环次数。
进一步地，步骤S1中还需要对训练集的样本做进一步扩充，在图像四周加4个像素的零进行填充，然后再随机截取一个原图像大小的图像。
进一步地，步骤S2中的跨任务深度网络由一个包含32个卷积核的卷积层、9个残差块、一个全局平均池化层和一个softmax层依次连接组成，分为分类和聚类两个任务，所述残差块由两个相连的卷积层和一个短路连接组成，分为两种，一种会进行下采样，一种不会进行下采样，会进行下采样的残差块训练流程如下：
1)输入卷积特征图X；
2)将卷积特征图X经过步长为1的卷积层C1，再用修正线性函数作为激活函数，得到特征图X1；
3)将特征图X1经过步长为1的卷积层C2，得到特征图X2；
4)将卷积特征图X和特征图X2相加，再用修正线性函数作为激活函数，得到输出Y；
不会进行下采样的残差块训练流程如下：
1)输入卷积特征图X；
2)将卷积特征图X经过步长为1的卷积层C1，再用修正线性函数作为激活函数，得到特征图X1；
3)将特征图X1经过步长为2的卷积层C2，得到特征图X2；
4)将卷积特征图X经过最大池化，得到特征图X3；
5)将特征图X3和特征图X2相加，再用修正线性函数作为激活函数，得到输出Y。
进一步地，步骤S2中所述跨任务深度网络的训练流程如下：
1)输入图像X；
2)将X经过卷积层C1，再用修正线性函数作为激活函数，得到特征图X1；
3)将X1经过残差块C2，得到特征图X2；
4)将X2经过残差块C3，得到特征图X3；
5)将X3经过下采样的残差块C4，得到特征图X4；
6)将X4经过残差块C5，得到特征图X5；
7)将X5经过残差块C6，得到特征图X6；
8)将X6经过下采样的残差块C7，得到特征图X7；
9)将X7经过残差块C8a，得到特征图X8a；
10)将X8a经过残差块C9a，得到特征图X9a；
11)将X9a经过下采样的残差块C10a，得到特征图X10a；
12)将X10a经过全连接层C11a，得到特征向量X11a；
13)对特征向量X11a使用softmax函数进行归一化，并计算分类的加权交叉熵损失；
14)将X7经过残差块C8b，得到特征图X8b；
15)将X8b经过残差块C9b，得到特征图X9b；
16)将X9b经过下采样的残差块C10b，得到特征图X10b；
17)将X10b经过全连接层C11b，得到特征向量X11b；
18)对特征向量X11b使用softmax函数进行归一化，并计算对比散度损失；
跨任务深度网络中所有卷积层的卷积核大小都是3*3，并且每个卷积层后面都会进行批量归一化，对卷积特征分别计算其均值和方差，然后减去均值并除以标准差进行归一化，再对结果进行一定的缩放和平移；具体流程如下：
1)输入特征图2)计算均值3)计算方差 4)归一化5)计算输出
其中，分类的加权交叉熵损失函数形式如下：
式中，N为样本数量，表示预测的softmax输出， 为样本真实标签的独热表示向量，K表示类别数目，wi是样本xi的权重，反映了每个样本对模型训练的影响；
聚类任务的softmax输出能够看成是样本在不同聚类簇上的概率分布，基于相同聚类簇内样本相互之间距离较近的假设，它们的softmax输出概率分布也应该相近；基于KL散度的距离来衡量不同样本之间的相似性：
如果两个样本属于不同的聚类簇，那么相应的DKL应该大于一个阈值，基于此，定义如下的对比散度损失函数：
其中ci表示样本xi所属的聚类簇；m是阈值，代表不同聚类簇的样本之间所能允许的最大相似性，由于KL散度不是对称的，定义聚类任务的对比散度损失函数如下：
进一步地，步骤S3的具体过程为：通过把每个无标签的图像在跨任务深度网络中前向传播一遍，得到跨任务深度网络预测的分类结果，取置信度最高的那一类作为伪标签；与此同时还能得到任务深度网络聚类任务的聚类结果，根据聚类结果给每个伪标签以权重，对于每一个未标注样本，它的伪标签根据分类任务的预测给定，而它的权重则根据聚类结果给定，具体地，令di代表样本xi到聚类任务预测的聚类簇的平均距离：
其中δ(ci,cj)等于1当且仅当ci＝cj，不然则为0，根据这个距离，每个样本的权重wi定义如下：
其中|Xun|代表未标注样本的数目。
进一步地，步骤S4的具体过程为：令v＝(v1,v2,…,vN)表示所有样本的指示向量，即vi∈{0,1}，先从标注样本和高置信度样本学习一个判别模型，然后逐步应用学习到的知识去标注更多的未标注样本，将最小化以下的加权分类损失以及负的l1范数正则项作为目标函数：
指示向量每个元素的值是1或0，表示相应的样本是否被选择加入训练，在训练过程中，标注样本对应的值永远是1，λ是一个超参数，用于控制学习的步长，即选择多少样本加入训练；
采用交替凸搜索方法解决上述目标函数的优化问题，确定跨任务深度网络的模型参数、伪标签以及指示向量，具体过程为：首先，固定伪标签和指示向量，优化模型参数，这时的问题退化成用标注样本和新选择样本扩充训练集训练提出的跨任务深度网络；第二步则是固定模型参数和指示向量，优化伪标签，这一步旨在确定未标注样本的伪标签，在这样的情形下，未标注样本的伪标签根据上一步优化得到的跨任务深度网络预测得到；第三步则是固定模型参数和伪标签，优化指示向量，这一步的目标是更新指示向量以反映未标注样本对于当前跨任务深度网络的置信度；因为采用了负的l1范数正则项，因此所述优化问题是凸问题，有着以下的闭式解：
其中，
即在确定了超参数λ后，就确定了将选择哪些样本加入到训练集中。
进一步地，步骤S5中，对于每一个样本，根据最后一次循环所得到的跨任务深度网络中分类任务的预测，取响应最大的类别作为该样本的预测标签。
本发明与现有技术相比，具有如下优点和有益效果：
1、本发明采用深度网络作为最终的分类器，相比传统分类算法，神经网络模型参数更多，具有更强大的分类能力，并且能够同时进行特征提取和分类，不需要输入人为设计的特征，而是直接输入原始图像即可实现分类，因此本发明通过神经网络可以更方便、快捷地实现图像分类。另外本发明中的神经网络可以选用卷积神经网络，相比其他神经网络，卷积神经网络的卷积操作能够从图像中学到重要的边缘局部特征以及全局特征，在处理图像数据时效果会更好，同时卷积神经网络中卷积核的参数相对较少，能尽量避免过拟合。
2、传统的半监督学习算法由于模型本身表达能力有限、计算存储开销大、优化推理复杂度高等原因，已经越来越无法满足大数据时代的发展需求，本发明提出的基于自步学习的跨任务深度网络，具有更高的数据吞吐率和数据利用效率，基于GPU的运算速度也使得实际应用中的推理时间在接受范围之内。
3、在半监督的场景中，直接在部分标注的数据上训练一个深度判别模型往往会遇到过拟合的问题，从而导致模型性能不佳，这是因为只有一小部分的标注样本可以参与训练，而标签传播很多情况下会带来错误，在本发明中，我们引入了一个辅助聚类任务以探索图像数据的结构，并且合理地对未标注数据加权以减少模糊数据在模型训练时的影响。为此，我们提出了一个跨任务深度网络，同时学习分类和聚类这两个任务。基于模型的预测，大量的成对约束可以从未标注数据中生成，并且作为聚类任务的输入。因为成对约束编码的是弱监督信息，聚类任务对于标注中的错误容忍度更高。因此，根据未标注数据到发现的聚类簇的距离对未标注数据进行加权，应用加权的交叉熵损失函数可以训练一个更好的判别模型。
4、大多数现有的深度神经网络采用无监督的方式学习数据底层结构，然而利用伪标注的数据是很有可能极大提升性能的，因为未标注样本通常包含了很多模糊样本，一个鲁棒的学习策略将从未标注样本中选出容易学习的样本子集。本发明中使用的自步学习策略就是从容易的样本到困难的样本，逐步学习一个更好的模型。在本发明中，我们引入了自步学习以指导判别模型的学习过程，通过集成自步学习的策略，在学习过程中引入了一个样本选择机制，希望以此能从大量的未标注样本中挖掘出有用的样本来。
附图说明
图1为本发明基于半监督自步学习跨任务深度网络图像分类方法的流程框图。
图2为本发明中残差块的结构图。
图3为本发明跨任务深度网络的结构图。
图4为本发明跨任务深度网络的详细参数图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例：
本实施例提供了一种基于半监督自步学习跨任务深度网络的图像分类方法，所述方法的流程框图如图1所示，包括以下步骤：
S1、从图像整体数据集中随机选取少量的标注样本，保留其标签，剩下的所有样本作为未标注样本，在整个流程中不知道其真实标签，标注样本的权重在训练过程中恒为1，未标注样本的权重初始化为0，初始时只使用标注样本作为训练集，并对训练集的样本做进一步扩充，在图像四周加4个像素的零进行填充，然后再随机截取一个原图像大小的图像；
S2、使用训练集训练跨任务深度网络，所述跨任务深度网络的结构图如图3所示，由一个包含32个卷积核的卷积层、9个残差块、一个全局平均池化层和一个softmax层依次连接组成，分为分类和聚类两个任务，所述残差块由两个相连的卷积层和一个短路连接组成，结构图如图2所示；
S3、根据训练好的跨任务深度网络，预测所有未标注样本的伪标签，并赋予每个未标注样本相应的权重；
S4、根据自步学习范式，选取高置信度的未标注样本，添加到训练集中；
S5、重复步骤S2-S4，直到跨任务深度网络性能饱和或者达到预设循环次数。
采用数据集cifar10作为实例例子，具体的网络详细参数见图4。Cifar10总共有10类，50000张训练图像，10000张测试图像。从50000张训练图像中分出5000作为验证集。初始从剩下的45000图像中随机挑选4000张图像作为有标签的样本，其他41000为无标签的样本。所有的训练图像都会减去所有训练图像的平均图像，然后归一化到[0,1]之间。训练深度网络时首先对数据做扩充，cifar的图像大小是32*32，对输入网络的每一张图像，首先在四周做4个像素的零填充，然后再随机裁剪出32*32的图像，最后做随机水平翻转。每个batchsize的大小是64，采用随机梯度下降加动量的方式进行训练。初始学习率为0.1，动量大小设为0.9。训练的大迭代次数为120，分别在100和110的下降学习率为原来的0.1，阈值m设置为0.5。
训练完深度神经网络后，按照步骤S3和S4的阐述，得到无标签数据的伪标签和权重。然后重复训练，依次将前10％、前20％、前50％、前70％、前90％的高置信度数据加入训练，直到跨任务深度网络性能饱和或者达到预设循环次数，对于每一个样本，根据最后一次循环所得到的跨任务深度网络中分类任务的预测，取响应最大的类别作为该样本的预测标签。
以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。
Claims (7)
1.一种基于半监督自步学习跨任务深度网络的图像分类方法，其特征在于，所述方法包括以下步骤：
S1、从图像整体数据集中随机选取少量的标注样本，保留其标签，剩下的所有样本作为未标注样本，在整个流程中不知道其真实标签，标注样本的权重在训练过程中恒为1，未标注样本的权重初始化为0，初始时只使用标注样本作为训练集；
S2、使用训练集训练跨任务深度网络；
S3、根据训练好的跨任务深度网络，预测所有未标注样本的伪标签，并赋予每个未标注样本相应的权重；
S4、根据自步学习范式，选取高置信度的未标注样本，添加到训练集中；
S5、重复步骤S2-S4，直到跨任务深度网络性能饱和或者达到预设循环次数。
2.根据权利要求1所述的一种基于半监督自步学习跨任务深度网络的图像分类方法，其特征在于：步骤S1中还需要对训练集的样本做进一步扩充，在图像四周加4个像素的零进行填充，然后再随机截取一个原图像大小的图像。
3.根据权利要求1所述的一种基于半监督自步学习跨任务深度网络的图像分类方法，其特征在于，步骤S2中的跨任务深度网络由一个包含32个卷积核的卷积层、9个残差块、一个全局平均池化层和一个softmax层依次连接组成，分为分类和聚类两个任务，所述残差块由两个相连的卷积层和一个短路连接组成，分为两种，一种会进行下采样，一种不会进行下采样，会进行下采样的残差块训练流程如下：
1)输入卷积特征图X；
2)将卷积特征图X经过步长为1的卷积层C1，再用修正线性函数作为激活函数，得到特征图X1；
3)将特征图X1经过步长为1的卷积层C2，得到特征图X2；
4)将卷积特征图X和特征图X2相加，再用修正线性函数作为激活函数，得到输出Y；
不会进行下采样的残差块训练流程如下：
1)输入卷积特征图X；
2)将卷积特征图X经过步长为1的卷积层C1，再用修正线性函数作为激活函数，得到特征图X1；
3)将特征图X1经过步长为2的卷积层C2，得到特征图X2；
4)将卷积特征图X经过最大池化，得到特征图X3；
5)将特征图X3和特征图X2相加，再用修正线性函数作为激活函数，得到输出Y。
4.根据权利要求1所述的一种基于半监督自步学习跨任务深度网络的图像分类方法，其特征在于，步骤S2中所述跨任务深度网络的训练流程如下：
1)输入图像X；
2)将X经过卷积层C1，再用修正线性函数作为激活函数，得到特征图X1；
3)将X1经过残差块C2，得到特征图X2；
4)将X2经过残差块C3，得到特征图X3；
5)将X3经过下采样的残差块C4，得到特征图X4；
6)将X4经过残差块C5，得到特征图X5；
7)将X5经过残差块C6，得到特征图X6；
8)将X6经过下采样的残差块C7，得到特征图X7；
9)将X7经过残差块C8a，得到特征图X8a；
10)将X8a经过残差块C9a，得到特征图X9a；
11)将X9a经过下采样的残差块C10a，得到特征图X10a；
12)将X10a经过全连接层C11a，得到特征向量X11a；
13)对特征向量X11a使用softmax函数进行归一化，并计算分类的加权交叉熵损失；
14)将X7经过残差块C8b，得到特征图X8b；
15)将X8b经过残差块C9b，得到特征图X9b；
16)将X9b经过下采样的残差块C10b，得到特征图X10b；
17)将X10b经过全连接层C11b，得到特征向量X11b；
18)对特征向量X11b使用softmax函数进行归一化，并计算对比散度损失；
跨任务深度网络中所有卷积层的卷积核大小都是3*3，并且每个卷积层后面都会进行批量归一化，对卷积特征分别计算其均值和方差，然后减去均值并除以标准差进行归一化，再对结果进行一定的缩放和平移；具体流程如下：
1)输入特征图2)计算均值3)计算方差 4)归一化5)计算输出
其中，分类的加权交叉熵损失函数形式如下：
式中，N为样本数量，表示预测的softmax输出， 为样本真实标签的独热表示向量，K表示类别数目，wi是样本xi的权重，反映了每个样本对模型训练的影响；
聚类任务的softmax输出能够看成是样本在不同聚类簇上的概率分布，基于相同聚类簇内样本相互之间距离较近的假设，它们的softmax输出概率分布也应该相近；基于KL散度的距离来衡量不同样本之间的相似性：
如果两个样本属于不同的聚类簇，那么相应的DKL应该大于一个阈值，基于此，定义如下的对比散度损失函数：
其中ci表示样本xi所属的聚类簇；m是阈值，代表不同聚类簇的样本之间所能允许的最大相似性，由于KL散度不是对称的，定义聚类任务的对比散度损失函数如下：
5.根据权利要求1所述的一种基于半监督自步学习跨任务深度网络的图像分类方法，其特征在于，步骤S3的具体过程为：通过把每个无标签的图像在跨任务深度网络中前向传播一遍，得到跨任务深度网络预测的分类结果，取置信度最高的那一类作为伪标签；与此同时还能得到任务深度网络聚类任务的聚类结果，根据聚类结果给每个伪标签以权重，对于每一个未标注样本，它的伪标签根据分类任务的预测给定，而它的权重则根据聚类结果给定，具体地，令di代表样本xi到聚类任务预测的聚类簇的平均距离：
其中δ(ci,cj)等于1当且仅当ci＝cj，不然则为0，根据这个距离，每个样本的权重wi定义如下：
其中|Xun|代表未标注样本的数目。
6.根据权利要求1所述的一种基于半监督自步学习跨任务深度网络的图像分类方法，其特征在于，步骤S4的具体过程为：令v＝(v1,v2,…,vN)表示所有样本的指示向量，即vi∈{0,1}，先从标注样本和高置信度样本学习一个判别模型，然后逐步应用学习到的知识去标注更多的未标注样本，将最小化以下的加权分类损失以及负的l1范数正则项作为目标函数：
指示向量每个元素的值是1或0，表示相应的样本是否被选择加入训练，在训练过程中，标注样本对应的值永远是1，λ是一个超参数，用于控制学习的步长，即选择多少样本加入训练；
采用交替凸搜索方法解决上述目标函数的优化问题，确定跨任务深度网络的模型参数、伪标签以及指示向量，具体过程为：首先，固定伪标签和指示向量，优化模型参数，这时的问题退化成用标注样本和新选择样本扩充训练集训练提出的跨任务深度网络；第二步则是固定模型参数和指示向量，优化伪标签，这一步旨在确定未标注样本的伪标签，在这样的情形下，未标注样本的伪标签根据上一步优化得到的跨任务深度网络预测得到；第三步则是固定模型参数和伪标签，优化指示向量，这一步的目标是更新指示向量以反映未标注样本对于当前跨任务深度网络的置信度；因为采用了负的l1范数正则项，因此所述优化问题是凸问题，有着以下的闭式解：
其中，
即在确定了超参数λ后，就确定了将选择哪些样本加入到训练集中。
7.根据权利要求1所述的一种基于半监督自步学习跨任务深度网络的图像分类方法，其特征在于，步骤S5中，对于每一个样本，根据最后一次循环所得到的跨任务深度网络中分类任务的预测，取响应最大的类别作为该样本的预测标签。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810346336.1A CN108764281A (zh) | 2018-04-18 | 2018-04-18 | 一种基于半监督自步学习跨任务深度网络的图像分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810346336.1A CN108764281A (zh) | 2018-04-18 | 2018-04-18 | 一种基于半监督自步学习跨任务深度网络的图像分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108764281A true CN108764281A (zh) | 2018-11-06 |
Family
ID=64010896
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810346336.1A Pending CN108764281A (zh) | 2018-04-18 | 2018-04-18 | 一种基于半监督自步学习跨任务深度网络的图像分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108764281A (zh) |
Cited By (89)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109620244A (zh) * | 2018-12-07 | 2019-04-16 | 吉林大学 | 基于条件生成对抗网络和svm的婴儿异常行为检测方法 |
| CN109657697A (zh) * | 2018-11-16 | 2019-04-19 | 中山大学 | 基于半监督学习和细粒度特征学习的分类优化方法 |
| CN109886925A (zh) * | 2019-01-19 | 2019-06-14 | 天津大学 | 一种主动学习与深度学习相结合的铝材表面缺陷检测方法 |
| CN109919047A (zh) * | 2019-02-18 | 2019-06-21 | 山东科技大学 | 一种基于多任务、多标签的残差神经网络的情绪检测方法 |
| CN109961095A (zh) * | 2019-03-15 | 2019-07-02 | 深圳大学 | 基于非监督深度学习的图像标注系统及标注方法 |
| CN109961051A (zh) * | 2019-03-28 | 2019-07-02 | 湖北工业大学 | 一种基于聚类和分块特征提取的行人重识别方法 |
| CN110009015A (zh) * | 2019-03-25 | 2019-07-12 | 西北工业大学 | 基于轻量化网络和半监督聚类的高光谱小样本分类方法 |
| CN110046666A (zh) * | 2019-04-18 | 2019-07-23 | 深圳市深视创新科技有限公司 | 海量图片标注方法 |
| CN110059206A (zh) * | 2019-03-29 | 2019-07-26 | 银江股份有限公司 | 一种基于深度表征学习的大规模哈希图像检索方法 |
| CN110084131A (zh) * | 2019-04-03 | 2019-08-02 | 华南理工大学 | 一种基于深度卷积网络的半监督行人检测方法 |
| CN110147852A (zh) * | 2019-05-29 | 2019-08-20 | 北京达佳互联信息技术有限公司 | 图像识别的方法、装置、设备及存储介质 |
| CN110175653A (zh) * | 2019-05-29 | 2019-08-27 | 北京达佳互联信息技术有限公司 | 图像识别的方法、装置、设备及存储介质 |
| CN110189305A (zh) * | 2019-05-14 | 2019-08-30 | 上海大学 | 一种多任务舌象自动分析方法 |
| CN110232690A (zh) * | 2019-06-05 | 2019-09-13 | 广东工业大学 | 一种图像分割的方法、系统、设备及计算机可读存储介质 |
| CN110245721A (zh) * | 2019-06-25 | 2019-09-17 | 深圳市腾讯计算机系统有限公司 | 神经网络模型的训练方法、装置和电子设备 |
| CN110363201A (zh) * | 2019-07-10 | 2019-10-22 | 上海交通大学 | 基于协同学习的弱监督语义分割方法及系统 |
| CN110376457A (zh) * | 2019-06-28 | 2019-10-25 | 同济大学 | 基于半监督学习算法的非侵入式负荷监测方法及装置 |
| CN110443138A (zh) * | 2019-07-05 | 2019-11-12 | 东南大学 | 基于车载毫米波雷达联合svm和cnn多目标分类方法 |
| CN110533074A (zh) * | 2019-07-30 | 2019-12-03 | 华南理工大学 | 一种基于双深度神经网络的图片类别自动标注方法及系统 |
| CN110555830A (zh) * | 2019-08-15 | 2019-12-10 | 浙江工业大学 | 基于DeepLabv3+的深度神经网络皮肤检测方法 |
| CN110555390A (zh) * | 2019-08-09 | 2019-12-10 | 厦门市美亚柏科信息股份有限公司 | 基于半监督训练方式的行人重识别方法、装置及介质 |
| CN110636020A (zh) * | 2019-08-05 | 2019-12-31 | 北京大学 | 一种自适应通信系统神经网络均衡方法 |
| CN110674807A (zh) * | 2019-08-06 | 2020-01-10 | 中国科学院信息工程研究所 | 一种基于半监督与弱监督学习的曲形场景文字检测方法 |
| CN110689085A (zh) * | 2019-09-30 | 2020-01-14 | 天津大学 | 基于深度跨连接网络及损失函数设计的垃圾分类方法 |
| CN110866564A (zh) * | 2019-11-22 | 2020-03-06 | 上海携程国际旅行社有限公司 | 多重半监督图像的季节分类方法、系统、电子设备和介质 |
| CN110909803A (zh) * | 2019-11-26 | 2020-03-24 | 腾讯科技（深圳）有限公司 | 图像识别模型训练方法、装置和计算机可读存储介质 |
| CN111126470A (zh) * | 2019-12-18 | 2020-05-08 | 创新奇智(青岛)科技有限公司 | 基于深度度量学习的图片数据迭代聚类分析方法 |
| CN111144451A (zh) * | 2019-12-10 | 2020-05-12 | 东软集团股份有限公司 | 一种图像分类模型的训练方法、装置及设备 |
| CN111222648A (zh) * | 2020-01-15 | 2020-06-02 | 深圳前海微众银行股份有限公司 | 半监督机器学习优化方法、装置、设备及存储介质 |
| CN111325671A (zh) * | 2018-12-13 | 2020-06-23 | 北京嘀嘀无限科技发展有限公司 | 网络训练方法、装置、图像处理方法及电子设备 |
| CN111368660A (zh) * | 2020-02-25 | 2020-07-03 | 华南理工大学 | 一种单阶段半监督图像人体目标检测方法 |
| CN111428876A (zh) * | 2020-03-18 | 2020-07-17 | 广西师范大学 | 基于自步学习的混合空洞卷积神经网络的图像分类方法 |
| CN111461002A (zh) * | 2020-03-31 | 2020-07-28 | 华南理工大学 | 一种面向热成像行人检测的样本处理方法 |
| CN111583321A (zh) * | 2019-02-19 | 2020-08-25 | 富士通株式会社 | 图像处理装置、方法及介质 |
| WO2020168934A1 (zh) * | 2019-02-20 | 2020-08-27 | 腾讯科技（深圳）有限公司 | 医学影像分割方法、装置、计算机设备和存储介质 |
| CN111598004A (zh) * | 2020-05-18 | 2020-08-28 | 北京星闪世图科技有限公司 | 一种渐进增强自学习的无监督跨领域行人再识别方法 |
| CN111666993A (zh) * | 2020-05-28 | 2020-09-15 | 平安科技（深圳）有限公司 | 医学图像样本筛查方法、装置、计算机设备和存储介质 |
| CN111740991A (zh) * | 2020-06-19 | 2020-10-02 | 上海仪电（集团）有限公司中央研究院 | 一种异常检测方法及系统 |
| CN111881956A (zh) * | 2020-07-15 | 2020-11-03 | 北京市商汤科技开发有限公司 | 网络训练方法及装置、目标检测方法及装置和电子设备 |
| CN112101083A (zh) * | 2019-06-17 | 2020-12-18 | 辉达公司 | 使用一个或更多个神经网络进行弱监督的对象检测 |
| CN112115781A (zh) * | 2020-08-11 | 2020-12-22 | 西安交通大学 | 基于对抗攻击样本和多视图聚类的无监督行人重识别方法 |
| CN112164040A (zh) * | 2020-09-17 | 2021-01-01 | 杭州电子科技大学 | 基于半监督深度学习算法的钢铁表面缺陷识别方法 |
| CN112200110A (zh) * | 2020-10-19 | 2021-01-08 | 厦门大学 | 一种基于深度干扰分离学习的人脸表情识别方法 |
| CN112200262A (zh) * | 2020-10-21 | 2021-01-08 | 中国空间技术研究院 | 支持多任务和跨任务的小样本分类训练方法及装置 |
| CN112200245A (zh) * | 2020-10-10 | 2021-01-08 | 深圳市华付信息技术有限公司 | 一种基于半监督的图像分类方法 |
| CN112215262A (zh) * | 2020-09-21 | 2021-01-12 | 清华大学 | 基于自监督对比学习的图像深度聚类方法及系统 |
| CN112232416A (zh) * | 2020-10-16 | 2021-01-15 | 浙江大学 | 一种基于伪标签加权的半监督学习方法 |
| CN112307472A (zh) * | 2020-11-03 | 2021-02-02 | 平安科技（深圳）有限公司 | 基于智能决策的异常用户识别方法、装置及计算机设备 |
| CN112329680A (zh) * | 2020-11-13 | 2021-02-05 | 重庆邮电大学 | 基于类激活图的半监督遥感影像目标检测和分割方法 |
| CN112348744A (zh) * | 2020-11-24 | 2021-02-09 | 电子科技大学 | 一种基于缩略图的数据增强方法 |
| CN112381148A (zh) * | 2020-11-17 | 2021-02-19 | 华南理工大学 | 一种基于随机区域插值的半监督图像分类方法 |
| CN112446335A (zh) * | 2020-12-02 | 2021-03-05 | 电子科技大学中山学院 | 一种基于深度学习的太赫兹违禁物品检测方法 |
| CN112446232A (zh) * | 2019-08-27 | 2021-03-05 | 贵州数安智能科技有限公司 | 一种持续自学习的图像识别方法及系统 |
| CN112528109A (zh) * | 2020-12-01 | 2021-03-19 | 中科讯飞互联(北京)信息科技有限公司 | 一种数据分类方法、装置、设备及存储介质 |
| CN112560964A (zh) * | 2020-12-18 | 2021-03-26 | 深圳赛安特技术服务有限公司 | 基于半监督学习训练中草药病虫害识别模型的方法与系统 |
| CN112668675A (zh) * | 2021-03-22 | 2021-04-16 | 腾讯科技（深圳）有限公司 | 一种图像处理方法、装置、计算机设备及存储介质 |
| CN112733708A (zh) * | 2021-01-08 | 2021-04-30 | 山东交通学院 | 一种基于半监督学习的肝门静脉检测定位方法与系统 |
| CN112801212A (zh) * | 2021-03-02 | 2021-05-14 | 东南大学 | 一种基于小样本半监督学习的白细胞分类计数方法 |
| CN112818151A (zh) * | 2021-02-08 | 2021-05-18 | 苏州长嘴鱼软件有限公司 | 一种交互式素材图片分类方法及装置、存储介质 |
| CN112884158A (zh) * | 2019-11-29 | 2021-06-01 | 杭州海康威视数字技术股份有限公司 | 一种机器学习程序的训练方法、装置及设备 |
| CN112906796A (zh) * | 2021-02-23 | 2021-06-04 | 西北工业大学深圳研究院 | 一种针对不确定性标记数据的医学图像分类方法 |
| CN112966701A (zh) * | 2019-12-12 | 2021-06-15 | 北京沃东天骏信息技术有限公司 | 目标分类的方法和装置 |
| CN112990371A (zh) * | 2021-04-27 | 2021-06-18 | 之江实验室 | 一种基于特征扩增的无监督夜间图像分类方法 |
| CN112990377A (zh) * | 2021-05-08 | 2021-06-18 | 创新奇智(北京)科技有限公司 | 视觉类别的发现方法及装置、电子设备、存储介质 |
| CN113011487A (zh) * | 2021-03-16 | 2021-06-22 | 华南理工大学 | 一种基于联合学习与知识迁移的开放集图像分类方法 |
| CN113139587A (zh) * | 2021-03-31 | 2021-07-20 | 杭州电子科技大学 | 一种自适应交互结构学习的双二次池化模型 |
| CN113160233A (zh) * | 2021-04-02 | 2021-07-23 | 易普森智慧健康科技（深圳）有限公司 | 利用稀疏标注数据集训练实例分割神经网络模型的方法 |
| CN113159195A (zh) * | 2021-04-26 | 2021-07-23 | 深圳市大数据研究院 | 一种超声图像分类方法、系统、电子装置及存储介质 |
| CN113240796A (zh) * | 2021-05-14 | 2021-08-10 | Oppo广东移动通信有限公司 | 视觉任务处理方法及装置、计算机可读介质和电子设备 |
| CN113326825A (zh) * | 2021-08-03 | 2021-08-31 | 新石器慧通（北京）科技有限公司 | 伪标签生成方法、装置、电子设备及存储介质 |
| CN113392887A (zh) * | 2021-05-31 | 2021-09-14 | 北京达佳互联信息技术有限公司 | 图片识别方法、装置、电子设备及存储介质 |
| CN113449555A (zh) * | 2020-03-26 | 2021-09-28 | 深圳市丰驰顺行信息技术有限公司 | 交通标志识别方法、装置、计算机设备及存储介质 |
| CN113469236A (zh) * | 2021-06-25 | 2021-10-01 | 江苏大学 | 一种自我标签学习的深度聚类图像识别系统及方法 |
| CN113468939A (zh) * | 2020-11-30 | 2021-10-01 | 电子科技大学 | 一种基于监督最小化深度学习模型的sar目标识别方法 |
| CN113516185A (zh) * | 2021-07-09 | 2021-10-19 | 北京百度网讯科技有限公司 | 模型训练的方法、装置、电子设备及存储介质 |
| CN113537630A (zh) * | 2021-08-04 | 2021-10-22 | 支付宝(杭州)信息技术有限公司 | 业务预测模型的训练方法及装置 |
| CN113541834A (zh) * | 2021-06-24 | 2021-10-22 | 西安电子科技大学 | 一种异常信号半监督分类方法、系统、数据处理终端 |
| CN113591978A (zh) * | 2021-07-30 | 2021-11-02 | 山东大学 | 一种基于置信惩罚正则化的自我知识蒸馏的图像分类方法、设备及存储介质 |
| CN113593531A (zh) * | 2021-07-30 | 2021-11-02 | 思必驰科技股份有限公司 | 语音识别模型训练方法及系统 |
| CN113688933A (zh) * | 2019-01-18 | 2021-11-23 | 北京市商汤科技开发有限公司 | 分类网络的训练方法及分类方法和装置、电子设备 |
| CN113806572A (zh) * | 2021-09-18 | 2021-12-17 | 中国电信股份有限公司 | 一种用于图像标注的方法、介质及装置 |
| CN114067109A (zh) * | 2022-01-13 | 2022-02-18 | 安徽高哲信息技术有限公司 | 谷物检测方法及检测设备、存储介质 |
| WO2022174436A1 (zh) * | 2021-02-22 | 2022-08-25 | 深圳大学 | 分类模型增量学习实现方法、装置、电子设备及介质 |
| WO2022193973A1 (zh) * | 2021-03-17 | 2022-09-22 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、电子设备、计算机可读存储介质及计算机程序产品 |
| CN115482436A (zh) * | 2022-09-21 | 2022-12-16 | 北京百度网讯科技有限公司 | 图像筛选模型的训练方法、装置以及图像筛选方法 |
| WO2023077821A1 (zh) * | 2021-11-07 | 2023-05-11 | 西北工业大学 | 基于多清晰度集成自训练的小样本低质量图像目标检测方法 |
| CN116910660A (zh) * | 2023-09-07 | 2023-10-20 | 山东省计算中心（国家超级计算济南中心） | 面向不平衡数据的自步半监督集成分类器训练方法及系统 |
| CN116993845A (zh) * | 2023-06-09 | 2023-11-03 | 西安交通大学 | 一种基于集成深度网络DnCNN的CT图像去伪影方法 |
| CN117611957A (zh) * | 2024-01-19 | 2024-02-27 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于统一正负伪标签的无监督视觉表征学习方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107463996A (zh) * | 2017-06-05 | 2017-12-12 | 西安交通大学 | 自步‑协同训练学习方法 |
| CN107798349A (zh) * | 2017-11-03 | 2018-03-13 | 合肥工业大学 | 一种基于深度稀疏自编码机的迁移学习方法 |
-
2018
- 2018-04-18 CN CN201810346336.1A patent/CN108764281A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107463996A (zh) * | 2017-06-05 | 2017-12-12 | 西安交通大学 | 自步‑协同训练学习方法 |
| CN107798349A (zh) * | 2017-11-03 | 2018-03-13 | 合肥工业大学 | 一种基于深度稀疏自编码机的迁移学习方法 |
Non-Patent Citations (2)
| Title |
|---|
| SI WU等: "Semi-Supervised Image Classification With Self-Paced Cross-Task Networks", 《IEEE》 * |
| XIANGYU ZHANG等: "ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices", 《ARXIV》 * |
Cited By (125)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109657697A (zh) * | 2018-11-16 | 2019-04-19 | 中山大学 | 基于半监督学习和细粒度特征学习的分类优化方法 |
| CN109657697B (zh) * | 2018-11-16 | 2023-01-06 | 中山大学 | 基于半监督学习和细粒度特征学习的分类优化方法 |
| CN109620244A (zh) * | 2018-12-07 | 2019-04-16 | 吉林大学 | 基于条件生成对抗网络和svm的婴儿异常行为检测方法 |
| CN111325671A (zh) * | 2018-12-13 | 2020-06-23 | 北京嘀嘀无限科技发展有限公司 | 网络训练方法、装置、图像处理方法及电子设备 |
| CN111325671B (zh) * | 2018-12-13 | 2023-07-04 | 北京嘀嘀无限科技发展有限公司 | 网络训练方法、装置、图像处理方法及电子设备 |
| CN113688933A (zh) * | 2019-01-18 | 2021-11-23 | 北京市商汤科技开发有限公司 | 分类网络的训练方法及分类方法和装置、电子设备 |
| CN109886925A (zh) * | 2019-01-19 | 2019-06-14 | 天津大学 | 一种主动学习与深度学习相结合的铝材表面缺陷检测方法 |
| CN109919047A (zh) * | 2019-02-18 | 2019-06-21 | 山东科技大学 | 一种基于多任务、多标签的残差神经网络的情绪检测方法 |
| CN111583321A (zh) * | 2019-02-19 | 2020-08-25 | 富士通株式会社 | 图像处理装置、方法及介质 |
| WO2020168934A1 (zh) * | 2019-02-20 | 2020-08-27 | 腾讯科技（深圳）有限公司 | 医学影像分割方法、装置、计算机设备和存储介质 |
| US11854205B2 (en) | 2019-02-20 | 2023-12-26 | Tencent Technology (Shenzhen) Company Limited | Medical image segmentation method and apparatus, computer device, and storage medium |
| CN109961095A (zh) * | 2019-03-15 | 2019-07-02 | 深圳大学 | 基于非监督深度学习的图像标注系统及标注方法 |
| CN110009015A (zh) * | 2019-03-25 | 2019-07-12 | 西北工业大学 | 基于轻量化网络和半监督聚类的高光谱小样本分类方法 |
| CN109961051B (zh) * | 2019-03-28 | 2022-11-15 | 湖北工业大学 | 一种基于聚类和分块特征提取的行人重识别方法 |
| CN109961051A (zh) * | 2019-03-28 | 2019-07-02 | 湖北工业大学 | 一种基于聚类和分块特征提取的行人重识别方法 |
| CN110059206A (zh) * | 2019-03-29 | 2019-07-26 | 银江股份有限公司 | 一种基于深度表征学习的大规模哈希图像检索方法 |
| CN110084131A (zh) * | 2019-04-03 | 2019-08-02 | 华南理工大学 | 一种基于深度卷积网络的半监督行人检测方法 |
| CN110046666A (zh) * | 2019-04-18 | 2019-07-23 | 深圳市深视创新科技有限公司 | 海量图片标注方法 |
| CN110189305A (zh) * | 2019-05-14 | 2019-08-30 | 上海大学 | 一种多任务舌象自动分析方法 |
| CN110189305B (zh) * | 2019-05-14 | 2023-09-22 | 上海大学 | 一种多任务舌象自动分析方法 |
| CN110175653A (zh) * | 2019-05-29 | 2019-08-27 | 北京达佳互联信息技术有限公司 | 图像识别的方法、装置、设备及存储介质 |
| US11263483B2 (en) | 2019-05-29 | 2022-03-01 | Beijing Dajia Internet Information Technology Co., Ltd. | Method and apparatus for recognizing image and storage medium |
| CN110147852A (zh) * | 2019-05-29 | 2019-08-20 | 北京达佳互联信息技术有限公司 | 图像识别的方法、装置、设备及存储介质 |
| CN110232690A (zh) * | 2019-06-05 | 2019-09-13 | 广东工业大学 | 一种图像分割的方法、系统、设备及计算机可读存储介质 |
| CN112101083A (zh) * | 2019-06-17 | 2020-12-18 | 辉达公司 | 使用一个或更多个神经网络进行弱监督的对象检测 |
| CN110245721A (zh) * | 2019-06-25 | 2019-09-17 | 深圳市腾讯计算机系统有限公司 | 神经网络模型的训练方法、装置和电子设备 |
| CN110689038A (zh) * | 2019-06-25 | 2020-01-14 | 深圳市腾讯计算机系统有限公司 | 神经网络模型的训练方法、装置和医学图像处理系统 |
| CN110689038B (zh) * | 2019-06-25 | 2024-02-02 | 深圳市腾讯计算机系统有限公司 | 神经网络模型的训练方法、装置和医学图像处理系统 |
| CN110245721B (zh) * | 2019-06-25 | 2023-09-05 | 深圳市腾讯计算机系统有限公司 | 神经网络模型的训练方法、装置和电子设备 |
| CN110376457B (zh) * | 2019-06-28 | 2020-10-02 | 同济大学 | 基于半监督学习算法的非侵入式负荷监测方法及装置 |
| CN110376457A (zh) * | 2019-06-28 | 2019-10-25 | 同济大学 | 基于半监督学习算法的非侵入式负荷监测方法及装置 |
| CN110443138B (zh) * | 2019-07-05 | 2021-10-19 | 东南大学 | 基于车载毫米波雷达联合svm和cnn多目标分类方法 |
| CN110443138A (zh) * | 2019-07-05 | 2019-11-12 | 东南大学 | 基于车载毫米波雷达联合svm和cnn多目标分类方法 |
| CN110363201A (zh) * | 2019-07-10 | 2019-10-22 | 上海交通大学 | 基于协同学习的弱监督语义分割方法及系统 |
| CN110533074B (zh) * | 2019-07-30 | 2022-03-29 | 华南理工大学 | 一种基于双深度神经网络的图片类别自动标注方法及系统 |
| CN110533074A (zh) * | 2019-07-30 | 2019-12-03 | 华南理工大学 | 一种基于双深度神经网络的图片类别自动标注方法及系统 |
| CN110636020A (zh) * | 2019-08-05 | 2019-12-31 | 北京大学 | 一种自适应通信系统神经网络均衡方法 |
| CN110674807A (zh) * | 2019-08-06 | 2020-01-10 | 中国科学院信息工程研究所 | 一种基于半监督与弱监督学习的曲形场景文字检测方法 |
| CN110555390A (zh) * | 2019-08-09 | 2019-12-10 | 厦门市美亚柏科信息股份有限公司 | 基于半监督训练方式的行人重识别方法、装置及介质 |
| CN110555830A (zh) * | 2019-08-15 | 2019-12-10 | 浙江工业大学 | 基于DeepLabv3+的深度神经网络皮肤检测方法 |
| CN112446232A (zh) * | 2019-08-27 | 2021-03-05 | 贵州数安智能科技有限公司 | 一种持续自学习的图像识别方法及系统 |
| CN110689085B (zh) * | 2019-09-30 | 2023-04-18 | 天津大学 | 基于深度跨连接网络及损失函数设计的垃圾分类方法 |
| CN110689085A (zh) * | 2019-09-30 | 2020-01-14 | 天津大学 | 基于深度跨连接网络及损失函数设计的垃圾分类方法 |
| CN110866564A (zh) * | 2019-11-22 | 2020-03-06 | 上海携程国际旅行社有限公司 | 多重半监督图像的季节分类方法、系统、电子设备和介质 |
| CN110866564B (zh) * | 2019-11-22 | 2023-04-25 | 上海携程国际旅行社有限公司 | 多重半监督图像的季节分类方法、系统、电子设备和介质 |
| CN110909803B (zh) * | 2019-11-26 | 2023-04-18 | 腾讯科技（深圳）有限公司 | 图像识别模型训练方法、装置和计算机可读存储介质 |
| CN110909803A (zh) * | 2019-11-26 | 2020-03-24 | 腾讯科技（深圳）有限公司 | 图像识别模型训练方法、装置和计算机可读存储介质 |
| CN112884158A (zh) * | 2019-11-29 | 2021-06-01 | 杭州海康威视数字技术股份有限公司 | 一种机器学习程序的训练方法、装置及设备 |
| CN111144451B (zh) * | 2019-12-10 | 2023-08-25 | 东软集团股份有限公司 | 一种图像分类模型的训练方法、装置及设备 |
| CN111144451A (zh) * | 2019-12-10 | 2020-05-12 | 东软集团股份有限公司 | 一种图像分类模型的训练方法、装置及设备 |
| CN112966701A (zh) * | 2019-12-12 | 2021-06-15 | 北京沃东天骏信息技术有限公司 | 目标分类的方法和装置 |
| CN111126470B (zh) * | 2019-12-18 | 2023-05-02 | 创新奇智(青岛)科技有限公司 | 基于深度度量学习的图片数据迭代聚类分析方法 |
| CN111126470A (zh) * | 2019-12-18 | 2020-05-08 | 创新奇智(青岛)科技有限公司 | 基于深度度量学习的图片数据迭代聚类分析方法 |
| CN111222648B (zh) * | 2020-01-15 | 2023-09-26 | 深圳前海微众银行股份有限公司 | 半监督机器学习优化方法、装置、设备及存储介质 |
| CN111222648A (zh) * | 2020-01-15 | 2020-06-02 | 深圳前海微众银行股份有限公司 | 半监督机器学习优化方法、装置、设备及存储介质 |
| CN111368660A (zh) * | 2020-02-25 | 2020-07-03 | 华南理工大学 | 一种单阶段半监督图像人体目标检测方法 |
| CN111428876A (zh) * | 2020-03-18 | 2020-07-17 | 广西师范大学 | 基于自步学习的混合空洞卷积神经网络的图像分类方法 |
| CN113449555A (zh) * | 2020-03-26 | 2021-09-28 | 深圳市丰驰顺行信息技术有限公司 | 交通标志识别方法、装置、计算机设备及存储介质 |
| CN111461002A (zh) * | 2020-03-31 | 2020-07-28 | 华南理工大学 | 一种面向热成像行人检测的样本处理方法 |
| CN111461002B (zh) * | 2020-03-31 | 2023-05-26 | 华南理工大学 | 一种面向热成像行人检测的样本处理方法 |
| CN111598004B (zh) * | 2020-05-18 | 2023-12-08 | 江苏星闪世图科技(集团)有限公司 | 一种渐进增强自学习的无监督跨领域行人再识别方法 |
| CN111598004A (zh) * | 2020-05-18 | 2020-08-28 | 北京星闪世图科技有限公司 | 一种渐进增强自学习的无监督跨领域行人再识别方法 |
| CN111666993A (zh) * | 2020-05-28 | 2020-09-15 | 平安科技（深圳）有限公司 | 医学图像样本筛查方法、装置、计算机设备和存储介质 |
| CN111740991A (zh) * | 2020-06-19 | 2020-10-02 | 上海仪电（集团）有限公司中央研究院 | 一种异常检测方法及系统 |
| CN111740991B (zh) * | 2020-06-19 | 2022-08-09 | 上海仪电（集团）有限公司中央研究院 | 一种异常检测方法及系统 |
| CN111881956A (zh) * | 2020-07-15 | 2020-11-03 | 北京市商汤科技开发有限公司 | 网络训练方法及装置、目标检测方法及装置和电子设备 |
| CN111881956B (zh) * | 2020-07-15 | 2023-05-12 | 北京市商汤科技开发有限公司 | 网络训练方法及装置、目标检测方法及装置和电子设备 |
| CN112115781B (zh) * | 2020-08-11 | 2022-08-16 | 西安交通大学 | 基于对抗攻击样本和多视图聚类的无监督行人重识别方法 |
| CN112115781A (zh) * | 2020-08-11 | 2020-12-22 | 西安交通大学 | 基于对抗攻击样本和多视图聚类的无监督行人重识别方法 |
| CN112164040A (zh) * | 2020-09-17 | 2021-01-01 | 杭州电子科技大学 | 基于半监督深度学习算法的钢铁表面缺陷识别方法 |
| CN112215262B (zh) * | 2020-09-21 | 2022-12-09 | 清华大学 | 基于自监督对比学习的图像深度聚类方法及系统 |
| CN112215262A (zh) * | 2020-09-21 | 2021-01-12 | 清华大学 | 基于自监督对比学习的图像深度聚类方法及系统 |
| CN112200245A (zh) * | 2020-10-10 | 2021-01-08 | 深圳市华付信息技术有限公司 | 一种基于半监督的图像分类方法 |
| CN112232416A (zh) * | 2020-10-16 | 2021-01-15 | 浙江大学 | 一种基于伪标签加权的半监督学习方法 |
| CN112200110A (zh) * | 2020-10-19 | 2021-01-08 | 厦门大学 | 一种基于深度干扰分离学习的人脸表情识别方法 |
| CN112200262A (zh) * | 2020-10-21 | 2021-01-08 | 中国空间技术研究院 | 支持多任务和跨任务的小样本分类训练方法及装置 |
| CN112307472A (zh) * | 2020-11-03 | 2021-02-02 | 平安科技（深圳）有限公司 | 基于智能决策的异常用户识别方法、装置及计算机设备 |
| CN112329680B (zh) * | 2020-11-13 | 2022-05-03 | 重庆邮电大学 | 基于类激活图的半监督遥感影像目标检测和分割方法 |
| CN112329680A (zh) * | 2020-11-13 | 2021-02-05 | 重庆邮电大学 | 基于类激活图的半监督遥感影像目标检测和分割方法 |
| CN112381148A (zh) * | 2020-11-17 | 2021-02-19 | 华南理工大学 | 一种基于随机区域插值的半监督图像分类方法 |
| CN112348744A (zh) * | 2020-11-24 | 2021-02-09 | 电子科技大学 | 一种基于缩略图的数据增强方法 |
| CN113468939A (zh) * | 2020-11-30 | 2021-10-01 | 电子科技大学 | 一种基于监督最小化深度学习模型的sar目标识别方法 |
| CN112528109A (zh) * | 2020-12-01 | 2021-03-19 | 中科讯飞互联(北京)信息科技有限公司 | 一种数据分类方法、装置、设备及存储介质 |
| CN112528109B (zh) * | 2020-12-01 | 2023-10-27 | 科大讯飞(北京)有限公司 | 一种数据分类方法、装置、设备及存储介质 |
| CN112446335A (zh) * | 2020-12-02 | 2021-03-05 | 电子科技大学中山学院 | 一种基于深度学习的太赫兹违禁物品检测方法 |
| CN112560964A (zh) * | 2020-12-18 | 2021-03-26 | 深圳赛安特技术服务有限公司 | 基于半监督学习训练中草药病虫害识别模型的方法与系统 |
| CN112733708A (zh) * | 2021-01-08 | 2021-04-30 | 山东交通学院 | 一种基于半监督学习的肝门静脉检测定位方法与系统 |
| CN112818151A (zh) * | 2021-02-08 | 2021-05-18 | 苏州长嘴鱼软件有限公司 | 一种交互式素材图片分类方法及装置、存储介质 |
| WO2022174436A1 (zh) * | 2021-02-22 | 2022-08-25 | 深圳大学 | 分类模型增量学习实现方法、装置、电子设备及介质 |
| CN112906796A (zh) * | 2021-02-23 | 2021-06-04 | 西北工业大学深圳研究院 | 一种针对不确定性标记数据的医学图像分类方法 |
| CN112801212A (zh) * | 2021-03-02 | 2021-05-14 | 东南大学 | 一种基于小样本半监督学习的白细胞分类计数方法 |
| CN113011487B (zh) * | 2021-03-16 | 2022-11-18 | 华南理工大学 | 一种基于联合学习与知识迁移的开放集图像分类方法 |
| CN113011487A (zh) * | 2021-03-16 | 2021-06-22 | 华南理工大学 | 一种基于联合学习与知识迁移的开放集图像分类方法 |
| WO2022193973A1 (zh) * | 2021-03-17 | 2022-09-22 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、电子设备、计算机可读存储介质及计算机程序产品 |
| CN112668675A (zh) * | 2021-03-22 | 2021-04-16 | 腾讯科技（深圳）有限公司 | 一种图像处理方法、装置、计算机设备及存储介质 |
| CN113139587B (zh) * | 2021-03-31 | 2024-02-06 | 杭州电子科技大学 | 一种自适应交互结构学习的双二次池化模型 |
| CN113139587A (zh) * | 2021-03-31 | 2021-07-20 | 杭州电子科技大学 | 一种自适应交互结构学习的双二次池化模型 |
| CN113160233A (zh) * | 2021-04-02 | 2021-07-23 | 易普森智慧健康科技（深圳）有限公司 | 利用稀疏标注数据集训练实例分割神经网络模型的方法 |
| CN113159195A (zh) * | 2021-04-26 | 2021-07-23 | 深圳市大数据研究院 | 一种超声图像分类方法、系统、电子装置及存储介质 |
| CN112990371A (zh) * | 2021-04-27 | 2021-06-18 | 之江实验室 | 一种基于特征扩增的无监督夜间图像分类方法 |
| CN112990377A (zh) * | 2021-05-08 | 2021-06-18 | 创新奇智(北京)科技有限公司 | 视觉类别的发现方法及装置、电子设备、存储介质 |
| CN112990377B (zh) * | 2021-05-08 | 2021-08-13 | 创新奇智(北京)科技有限公司 | 视觉类别的发现方法及装置、电子设备、存储介质 |
| CN113240796A (zh) * | 2021-05-14 | 2021-08-10 | Oppo广东移动通信有限公司 | 视觉任务处理方法及装置、计算机可读介质和电子设备 |
| CN113240796B (zh) * | 2021-05-14 | 2023-12-12 | Oppo广东移动通信有限公司 | 视觉任务处理方法及装置、计算机可读介质和电子设备 |
| CN113392887A (zh) * | 2021-05-31 | 2021-09-14 | 北京达佳互联信息技术有限公司 | 图片识别方法、装置、电子设备及存储介质 |
| CN113541834A (zh) * | 2021-06-24 | 2021-10-22 | 西安电子科技大学 | 一种异常信号半监督分类方法、系统、数据处理终端 |
| CN113469236A (zh) * | 2021-06-25 | 2021-10-01 | 江苏大学 | 一种自我标签学习的深度聚类图像识别系统及方法 |
| CN113516185A (zh) * | 2021-07-09 | 2021-10-19 | 北京百度网讯科技有限公司 | 模型训练的方法、装置、电子设备及存储介质 |
| CN113516185B (zh) * | 2021-07-09 | 2023-10-31 | 北京百度网讯科技有限公司 | 模型训练的方法、装置、电子设备及存储介质 |
| CN113593531A (zh) * | 2021-07-30 | 2021-11-02 | 思必驰科技股份有限公司 | 语音识别模型训练方法及系统 |
| CN113591978B (zh) * | 2021-07-30 | 2023-10-20 | 山东大学 | 一种基于置信惩罚正则化的自我知识蒸馏的图像分类方法、设备及存储介质 |
| CN113591978A (zh) * | 2021-07-30 | 2021-11-02 | 山东大学 | 一种基于置信惩罚正则化的自我知识蒸馏的图像分类方法、设备及存储介质 |
| CN113326825A (zh) * | 2021-08-03 | 2021-08-31 | 新石器慧通（北京）科技有限公司 | 伪标签生成方法、装置、电子设备及存储介质 |
| CN113537630A (zh) * | 2021-08-04 | 2021-10-22 | 支付宝(杭州)信息技术有限公司 | 业务预测模型的训练方法及装置 |
| CN113806572A (zh) * | 2021-09-18 | 2021-12-17 | 中国电信股份有限公司 | 一种用于图像标注的方法、介质及装置 |
| WO2023077821A1 (zh) * | 2021-11-07 | 2023-05-11 | 西北工业大学 | 基于多清晰度集成自训练的小样本低质量图像目标检测方法 |
| CN114067109A (zh) * | 2022-01-13 | 2022-02-18 | 安徽高哲信息技术有限公司 | 谷物检测方法及检测设备、存储介质 |
| CN114067109B (zh) * | 2022-01-13 | 2022-04-22 | 安徽高哲信息技术有限公司 | 谷物检测方法及检测设备、存储介质 |
| CN115482436A (zh) * | 2022-09-21 | 2022-12-16 | 北京百度网讯科技有限公司 | 图像筛选模型的训练方法、装置以及图像筛选方法 |
| CN116993845A (zh) * | 2023-06-09 | 2023-11-03 | 西安交通大学 | 一种基于集成深度网络DnCNN的CT图像去伪影方法 |
| CN116993845B (zh) * | 2023-06-09 | 2024-03-15 | 西安交通大学 | 一种基于集成深度网络DnCNN的CT图像去伪影方法 |
| CN116910660A (zh) * | 2023-09-07 | 2023-10-20 | 山东省计算中心（国家超级计算济南中心） | 面向不平衡数据的自步半监督集成分类器训练方法及系统 |
| CN116910660B (zh) * | 2023-09-07 | 2024-01-23 | 山东省计算中心（国家超级计算济南中心） | 面向不平衡数据的自步半监督集成分类器训练方法及系统 |
| CN117611957A (zh) * | 2024-01-19 | 2024-02-27 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于统一正负伪标签的无监督视觉表征学习方法及系统 |
| CN117611957B (zh) * | 2024-01-19 | 2024-03-29 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于统一正负伪标签的无监督视觉表征学习方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108764281A (zh) | 一种基于半监督自步学习跨任务深度网络的图像分类方法 | |
| CN110689086B (zh) | 基于生成式对抗网络的半监督高分遥感图像场景分类方法 | |
| CN107194336B (zh) | 基于半监督深度距离度量网络的极化sar图像分类方法 | |
| CN109583425A (zh) | 一种基于深度学习的遥感图像船只集成识别方法 | |
| CN108875076B (zh) | 一种基于Attention机制和卷积神经网络的快速商标图像检索方法 | |
| CN109859190A (zh) | 一种基于深度学习的目标区域检测方法 | |
| CN111695467A (zh) | 基于超像素样本扩充的空谱全卷积高光谱图像分类方法 | |
| CN110428428A (zh) | 一种图像语义分割方法、电子设备和可读存储介质 | |
| CN105701502A (zh) | 一种基于蒙特卡罗数据均衡的图像自动标注方法 | |
| CN110378366A (zh) | 一种基于耦合知识迁移的跨域图像分类方法 | |
| CN114841257B (zh) | 一种基于自监督对比约束下的小样本目标检测方法 | |
| CN112308115B (zh) | 一种多标签图像深度学习分类方法及设备 | |
| CN111429340A (zh) | 一种基于自注意力机制的循环图像翻译方法 | |
| CN110929621B (zh) | 一种基于拓扑信息细化的道路提取方法 | |
| CN104091038A (zh) | 基于大间隔分类准则的多示例学习特征加权方法 | |
| CN112613350A (zh) | 一种基于深度神经网络的高分辨率光学遥感图像飞机目标检测方法 | |
| Laha et al. | Land cover classification using fuzzy rules and aggregation of contextual information through evidence theory | |
| Gu et al. | A self-training hierarchical prototype-based ensemble framework for remote sensing scene classification | |
| CN114548208A (zh) | 一种基于YOLOv5改进的植物种子实时分类检测方法 | |
| CN110473195A (zh) | 一种可自动定制的医学病灶检测架构及方法 | |
| CN109658508A (zh) | 一种多尺度细节融合的地形合成方法 | |
| Chen et al. | Mapping urban form and land use with deep learning techniques: a case study of Dongguan City, China | |
| CN109784376A (zh) | 一种遥感图像分类方法及分类系统 | |
| Mountrakis et al. | Developing collaborative classifiers using an expert-based model | |
| CN108596206A (zh) | 基于多尺度多方向空间相关性建模的纹理图像分类方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |
|
| RJ01 | Rejection of invention patent application after publication |