CN109376578A - 一种基于深度迁移度量学习的小样本目标识别方法 - Google Patents
一种基于深度迁移度量学习的小样本目标识别方法 Download PDFInfo
- Publication number
- CN109376578A CN109376578A CN201810980846.4A CN201810980846A CN109376578A CN 109376578 A CN109376578 A CN 109376578A CN 201810980846 A CN201810980846 A CN 201810980846A CN 109376578 A CN109376578 A CN 109376578A
- Authority
- CN
- China
- Prior art keywords
- source domain
- network
- feature
- sample
- target
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明公开一种基于深度迁移度量学习的小样本目标识别方法。该方法首先直接提取典型深度网络的前几个卷积层,构建特征子网络。输入为目标域图像对与源域图像对,输出为上述通用特征。提取源域与目标域图像的特征,采用典型特征提取方法以保证样本描述在特征空间上具有紧致性。适配源域与目标域之间的分布差异,确保源域的信息能够合理迁移到目标域。适配好的子网络作为分类器,输入一对待识别的目标图像,输出它们是否同类的分类信息,完成目标识别。本发明由于有机结合了迁移学习与度量学习这两种机器学习方法,突破现有小样本学习方法的局限,方法简单易于实现,对使用传统方法的工程无需重新构造,详细兼容,能够节省大量人力。
Description
技术领域
本发明属于深度学习及目标识别技术领域,涉及一种基于深度迁移度量学习的小样本目标识别方法。
背景技术
在机器学习领域,小样本学习相关的研究工作是近年的发展重点,其中包括:1)迁移学习:是指利用数据、任务、或模型之间的相似性,将在旧领域(源域)学习过的模型,应用于新领域(目标域)的一种学习过程。迁移学习作为机器学习的一个重要分支,侧重于将已经学习过的知识迁移应用于新的问题中。迁移学习的核心问题是,找到新问题和原问题之间的相似性,实现知识的顺利迁移。2)度量学习:亦即相似度学习,是对样本间距离分布进行建模,使得属于同类样本靠近,异类样本远离。目前比较好的方法可学习一个端到端的最近邻分类器,它同时受益于带参数和无参数的优点,对已知样本有很好的泛化性,且对新样本有良好的拓展能力。
针对遥感影像小样本目标检测识别问题,上述的机器学习方法提供了可借鉴之处,但若直接套用,则还存在诸多局限:1)迁移学习对源域有较严格的限制,为了保证“正迁移”,要求源域与目标域有强关联;2)属性学习针对特定目标如何定义属性以及如何保证属性的鉴别能力,尚无明确规范;3)半监督学习对未标记样本的真实类别也有限制等等。
本发明所提出的基于深度迁移度量学习的小样本目标识别方法就是将充分利用目标的先验信息作为突破口。充分利用目标的先验信息是指深入挖掘出的待识别目标类型与已有目标类型样本在空间分布上的结构相似性,迁移相似样本上蕴含的通用信息。多类别的小样本学习,鉴于相似类别样本在三维结构/纹理上的相似性,其在高维空间的局部流形结构也存在一定程度上的相似性。度量学习提供了利用此相似性先验知识的一个合理框架,进而提高了小样本学习的泛化能力。在度量学习框架下,学习特征空间中目标局部流形结构及参数,计算图像对之间的相似性测度。
发明内容
本发明的目的在于针对传统小样本目标识别方法的不足,为深度学习及视频分析研究提供一种基于深度迁移度量学习的小样本目标识别方法。
本发明方法包括以下步骤:
步骤(1)、选择源域与目标域图像对。
目标域图像对是一对待识别的目标遥感图像,源域图像对是一对目标类别相近的遥感图像,如一对具体型号的相近类的目标图像,以确保源域图像的信息能够有效迁移到目标域。
源域图像对分为正样本和反样本,其中属于同一目标类别的为正样本,反之则为反样本。例如在同一型号或不同型号图像集中选择图像对,如果2张图像来自同一型号,则该图像对视为正样本,反之则为反样本。
步骤(2)、构建特征子网络。
直接提取典型深度网络(AlexNet,VGG-16/VGG-19)的前几个卷积层,构建特征子网络。输入为目标域图像对与源域图像对,输出为可作为通用特征的上述前几个卷积层。
步骤(3)、构建差异特征向量。
提取源域与目标域图像的特征,采用典型特征提取方法以保证样本描述在特征空间上具有紧致性;用差异特征向量表示源域与目标域图像对在特征空间上的相对距离,将目标域图像对相应的特征子网络输出相减并转换为一维向量,从而获得源域差异特征向量;将源域图像对相应的特征子网络输出相减并转换为一维向量,从而获得目标域差异特征向量。
这里的典型特征可以是方向梯度直方图(HOG)特征、局部二值模式(LBP)特征等。
步骤(4)、适配特征子网络。
适配子网络的目的是适配源域与目标域之间的分布差异,确保源域的信息能够合理迁移到目标域,适配是深度迁移度量学习的核心处理环节。
采用多核最大均值差异(Multi-Kernel MaximumMeanDiscrepancy,MK-MMD)描述源域与目标域样本的分布差异。最大均值差异是将源域的一维差异特征向量与目标域的一维差异特征向量用同一个核函数映射到高维空间,然后求映射后两部分数据的均值差异,就当作是两部分数据的差异。
构建多核MMD,具体采用多个核函数去构造一个总的核函数:
其中ku是第u个单个核函数,βu是对应的权重系数βu≥0。m表示总核函数数量。
对于源域差异特征向量和目标域差异特征向量的概率分布p与q,它们的MK-MMD距离可表示为:
其中,xs、xt分别是源域样本与目标域样本,φ是特征映射函数,满足:k(xs,st)=<φ(xs),φ(xt)>。Ep[]表示函数在p分布上的数学期望。
对特征子网络中源域与目标域对应的每个卷积层均进行适配,对应的优化目标函数为:
其中,θ表示网络的所有权重和bias参数,是用来学习的目标。其中l1,l2分别是适配层的最小卷积层与最大卷积层(大小根据卷积维数判断)。xa,ya分别表示源域、目标域数据集中所有正样本的,na是该数据集的元素个数。λ是惩罚系数。J(·)定义了一个损失函数,如深度网络中一常用的交叉熵。分别是xs、xt在l层对应的输出。
在适配子网络的训练过程中,不断输入不同的正反样本进行迭代学习,直至所有样本输入完毕,优化上述目标函数,调整网络参数θ与核函数权重β。
步骤(5)、目标识别
在步骤(4)中适配好的子网络作为分类器,输入一对待识别的目标图像,输出它们是否同类的分类信息,完成目标识别。
本发明的有益效果是:针对遥感影像目标检测识别问题,在图像样本分布的高维空间,度量学习构建了同类或异类的2张图像样本之间的差异模型,通过这种方式,度量学习实际上是给学习过程施加了一个约束条件:待识别的多个类在高维空间的局部分布结构保持一致,从而利用多类样本共同学习一个统一模型,提高了小样本学习的泛化能力。迁移度量学习,引入源域样本,设计了一个合理的适配过程,一方面尽量挖掘相同分布信息,提高对目标域局部流形结构估计的精度;另一方面也尽量规避不同部分信息,避免了对目标域的学习引入干扰。
本发明的关键在于充分利用待识别目标类型与已有目标类型样本在空间分布上的结构相似性这一目标的先验信息进行迁移学习;同时利用度量学习将差异特征向量映射到高维,对样本间距离分布进行建模,使得属于同类样本靠近,异类样本远离。本发明由于有机结合了迁移学习与度量学习这两种机器学习方法,突破现有小样本学习方法的局限,方法简单易于实现,对使用传统方法的工程无需重新构造,详细兼容,能够节省大量人力。并且可以与其它小样本目标识别的方法相结合,对提高目标检测识别(特别是目标具体型号识别)精度有重要意义。
附图说明
图1为本发明的流程图。
图2为本发明各网络构建设计图。
具体实施方式
下面结合具体实施例对本发明做进一步的分析。
本实施例采用舰船图像作为样本数据集。在基于深度迁移度量学习的小样本目标识别过程中具体包括以下步骤,如图1、2所示:
步骤(1)、选择源域/目标域图像对。
以舰船为例,目标域图像是若干对待识别的某型号军事舰船图像,源域图像对是类似的图像对,如一对具体型号的民船/商船的舰船图像。在同一型号或不同型号图像集中选择图像对,如果2张图像来自同一型号,则该图像对视为正样本,反之则为反样本。
步骤(2)、构建特征子网络。
直接提取典型深度网络AlexNet的前3个卷积层,分别为55*55*96、27*27*256、13*13*384的特征图,作为通用特征,构建特征子网络。
步骤(3)、构建差异特征向量。
用差异特征向量表示源域与目标域图像对在特征空间上的相对距离,将目标域上述图像对相应的特征子网络输出相减并转换为一维向量,从而获得源域差异特征向量;将源域图像对相应的特征子网络输出相减并转换为一维向量,从而获得目标域差异特征向量。
步骤(4)、适配子网络。
适配子网络的目的是适配源域与目标域之间的分布差异,是深度迁移度量学习的核心处理环节。
采用多核最大均值差异(Multi-Kernel MaximumMeanDiscrepancy,MK-MMD)描述源域与目标域样本的分布差异。最大均值差异是将源域的一维差异特征向量与目标域的一维差异特征向量用同一个核函数映射到高维空间,然后求映射后两部分数据的均值差异,就当作是两部分数据的差异。其中一个重要的概念是核函数,在单核MMD中,这个核函数是固定的,但如何选择一个合适的核函数还是一个需要解决的问题。多核MMD采用多个核函数去构造一个总的核函数:
其中ku是单个核函数,βu是对应的权重系数βu≥0。
对于源域差异特征向量和目标域差异特征向量的概率分布p与q,它们的MK-MMD距离可表示为:
其中,xs、xt分别是源域样本与目标域样本,φ是特征映射函数,满足:k(xs,st)=<φ(xs),φ(xt)>。Ep[]表示函数在p分布上的数学期望。
在适配子网络中源域与目标域对应的每个层都需要进行适配,对应的优化目标函数为:
其中,θ表示网络的所有权重和bias参数,是用来学习的目标。其中l1,l2分别是适配层的最小层与最大层,在l1前面的网络层不进行适配。xa表示源域和目标域中所有带标签的数据集,na是该数据集的元素个数。λ是惩罚系数。J(·)定义了一个损失函数,如深度网络中一常用的交叉熵。分别是xs、xt在l层对应的输出。
在适配子网络的训练过程中,不断输入正反样本迭代学习,优化上述目标函数,调整网络参数θ与核函数权重β。
步骤(5)、目标识别。
在步骤(4)中适配好的子网络即可作为分类器对军事舰船图像进行识别,输入一对待识别的目标图像,输出它们是否同类的分类信息,完成目标识别。
上述实施例并非是对于本发明的限制,本发明并非仅限于上述实施例,只要符合本发明要求,均属于本发明的保护范围。
Claims (2)
1.一种基于深度迁移度量学习的小样本目标识别方法,其特征在于该方法包括以下步骤:
步骤(1)、选择源域与目标域图像对;
目标域图像对是一对待识别的目标遥感图像,源域图像对是一对目标类别相近的遥感图像;源域图像对分为正样本和反样本,其中属于同一目标类别的为正样本,反之则为反样本;
步骤(2)、构建特征子网络;
直接提取典型深度网络的前几个卷积层,构建特征子网络;输入为目标域图像对与源域图像对,输出为作为通用特征的上述前几个卷积层;
步骤(3)、构建差异特征向量;
采用典型特征提取方法提取源域与目标域图像的特征;用差异特征向量表示源域与目标域图像对在特征空间上的相对距离,将目标域图像对相应的特征子网络输出相减并转换为一维向量,从而获得源域差异特征向量;将源域图像对相应的特征子网络输出相减并转换为一维向量,从而获得目标域差异特征向量;
步骤(4)、适配特征子网络;
采用多核最大均值差异MK-MMD描述源域与目标域样本的分布差异;最大均值差异是将源域的一维差异特征向量与目标域的一维差异特征向量用同一个核函数映射到高维空间,然后求映射后两部分数据的均值差异;
构建多核MMD,具体采用多个核函数去构造一个总的核函数:
其中ku是第u个单个核函数,βu是对应的权重系数βu≥0;m表示总核函数数量;
对于源域差异特征向量和目标域差异特征向量的概率分布p与q,它们的MK-MMD距离可表示为:
其中,xs、xt分别是源域样本与目标域样本,φ是特征映射函数,满足:k(xs,st)=<φ(xs),φ(xt)>,Ep[]表示函数在p分布上的数学期望;
对步骤(2)特征子网络中源域与目标域对应的每个卷积层均进行适配,对应的优化目标函数为:
其中,θ表示网络的所有权重和bias参数;其中l1,l2分别是适配层的最小卷积层与最大卷积层;xa,ya分别表示源域、目标域数据集中所有正样本的,na是该数据集的元素个数;λ是惩罚系数;J(·)表示一个损失函数,分别是xs、xt在l层对应的输出;
在适配子网络的训练过程中,不断输入不同的正反样本进行迭代学习,直至所有样本输入完毕,优化上述目标函数,调整网络参数θ与核函数权重β;
步骤(5)、目标识别
在步骤(4)中适配好的子网络作为分类器,输入一对待识别的目标图像,输出它们是否同类的分类信息,完成目标识别。
2.如权利要求1所述的一种基于深度迁移度量学习的小样本目标识别方法,其特征在于步骤(3)源域与目标域图像的特征可以是方向梯度直方图(HOG)特征、局部二值模式(LBP)特征等。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810980846.4A CN109376578A (zh) | 2018-08-27 | 2018-08-27 | 一种基于深度迁移度量学习的小样本目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810980846.4A CN109376578A (zh) | 2018-08-27 | 2018-08-27 | 一种基于深度迁移度量学习的小样本目标识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109376578A true CN109376578A (zh) | 2019-02-22 |
Family
ID=65404154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810980846.4A Pending CN109376578A (zh) | 2018-08-27 | 2018-08-27 | 一种基于深度迁移度量学习的小样本目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109376578A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110111803A (zh) * | 2019-05-09 | 2019-08-09 | 南京工程学院 | 基于自注意多核最大均值差异的迁移学习语音增强方法 |
CN110285969A (zh) * | 2019-07-10 | 2019-09-27 | 西安交通大学 | 多项式核植入特征分布适配的滚动轴承故障迁移诊断方法 |
CN110390273A (zh) * | 2019-07-02 | 2019-10-29 | 重庆邮电大学 | 一种基于多核迁移学习的室内人员入侵检测方法 |
CN110398986A (zh) * | 2019-04-28 | 2019-11-01 | 清华大学 | 一种多源数据迁移的无人机密集树林感知技术 |
CN110472635A (zh) * | 2019-07-19 | 2019-11-19 | 西北工业大学 | 基于深度学习的刀具特征识别方法 |
CN110717526A (zh) * | 2019-09-23 | 2020-01-21 | 华南理工大学 | 一种基于图卷积网络的无监督迁移学习方法 |
CN111191510A (zh) * | 2019-11-29 | 2020-05-22 | 杭州电子科技大学 | 基于关系网络的复杂场景下遥感图像小样本目标识别方法 |
CN111310821A (zh) * | 2020-02-11 | 2020-06-19 | 佛山科学技术学院 | 多视图特征融合方法、系统、计算机设备及存储介质 |
CN111579243A (zh) * | 2020-06-17 | 2020-08-25 | 大连理工大学 | 一种基于深度迁移学习的滚动轴承智能诊断系统 |
CN111639679A (zh) * | 2020-05-09 | 2020-09-08 | 西北工业大学 | 一种基于多尺度度量学习的小样本学习方法 |
CN111709448A (zh) * | 2020-05-20 | 2020-09-25 | 西安交通大学 | 一种基于迁移关系网络的机械故障诊断方法 |
CN111858991A (zh) * | 2020-08-06 | 2020-10-30 | 南京大学 | 一种基于协方差度量的小样本学习算法 |
CN111967495A (zh) * | 2020-07-06 | 2020-11-20 | 中国科学院计算技术研究所 | 一种分类识别模型构建方法 |
CN112529063A (zh) * | 2020-12-03 | 2021-03-19 | 重庆大学 | 一种适用于帕金森语音数据集的深度域适应分类方法 |
CN112686833A (zh) * | 2020-08-22 | 2021-04-20 | 安徽大学 | 一种基于卷积神经网络的工业产品表面缺陷检测和分类装置 |
CN113822304A (zh) * | 2020-06-19 | 2021-12-21 | 复旦大学 | 一种基于深度学习的小样本学习方法 |
CN114072807A (zh) * | 2020-09-10 | 2022-02-18 | 南京航空航天大学 | 基于小样本迁移学习的铣削机器人多模态频响预测方法 |
CN114444374A (zh) * | 2021-11-29 | 2022-05-06 | 河南工业大学 | 一种基于相似性度量的多源到多目标域自适应的方法 |
CN114627383A (zh) * | 2022-05-13 | 2022-06-14 | 南京航空航天大学 | 一种基于度量学习的小样本缺陷检测方法 |
CN113822304B (zh) * | 2020-06-19 | 2024-05-14 | 复旦大学 | 一种基于深度学习的小样本学习方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100250318A1 (en) * | 2009-03-25 | 2010-09-30 | Laura Paramoure | Apparatus, Methods and Articles of Manufacture for Addressing Performance Problems within an Organization via Training |
CN105300693A (zh) * | 2015-09-25 | 2016-02-03 | 东南大学 | 一种基于迁移学习的轴承故障诊断方法 |
CN105787513A (zh) * | 2016-03-01 | 2016-07-20 | 南京邮电大学 | 多示例多标记框架下基于域适应迁移学习设计方法和系统 |
CN106778517A (zh) * | 2016-11-25 | 2017-05-31 | 河南高速公路驻信段改扩建工程有限公司 | 一种监控视频序列图像车辆再识别的方法 |
CN107292246A (zh) * | 2017-06-05 | 2017-10-24 | 河海大学 | 基于hog‑pca和迁移学习的红外人体目标识别方法 |
CN107977609A (zh) * | 2017-11-20 | 2018-05-01 | 华南理工大学 | 一种基于cnn的指静脉身份验证方法 |
CN108133192A (zh) * | 2017-12-26 | 2018-06-08 | 武汉大学 | 一种基于高斯-拉普拉斯分布统计的行人重识别 |
US20180239985A1 (en) * | 2012-12-31 | 2018-08-23 | Microsoft Technology Licensing, Llc | Secure and private tracking across multiple cameras |
-
2018
- 2018-08-27 CN CN201810980846.4A patent/CN109376578A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100250318A1 (en) * | 2009-03-25 | 2010-09-30 | Laura Paramoure | Apparatus, Methods and Articles of Manufacture for Addressing Performance Problems within an Organization via Training |
US20180239985A1 (en) * | 2012-12-31 | 2018-08-23 | Microsoft Technology Licensing, Llc | Secure and private tracking across multiple cameras |
CN105300693A (zh) * | 2015-09-25 | 2016-02-03 | 东南大学 | 一种基于迁移学习的轴承故障诊断方法 |
CN105787513A (zh) * | 2016-03-01 | 2016-07-20 | 南京邮电大学 | 多示例多标记框架下基于域适应迁移学习设计方法和系统 |
CN106778517A (zh) * | 2016-11-25 | 2017-05-31 | 河南高速公路驻信段改扩建工程有限公司 | 一种监控视频序列图像车辆再识别的方法 |
CN107292246A (zh) * | 2017-06-05 | 2017-10-24 | 河海大学 | 基于hog‑pca和迁移学习的红外人体目标识别方法 |
CN107977609A (zh) * | 2017-11-20 | 2018-05-01 | 华南理工大学 | 一种基于cnn的指静脉身份验证方法 |
CN108133192A (zh) * | 2017-12-26 | 2018-06-08 | 武汉大学 | 一种基于高斯-拉普拉斯分布统计的行人重识别 |
Non-Patent Citations (2)
Title |
---|
JUNLIN HU ET AL.: ""Deep Transfer Metric Learning"", 《COMPUTER VISION FOUNDATION》 * |
MINGSHENG LONG ET AL.: ""Learning Transferable Features with Deep Adaptation Networks"", 《ARXIV》 * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110398986A (zh) * | 2019-04-28 | 2019-11-01 | 清华大学 | 一种多源数据迁移的无人机密集树林感知技术 |
CN110111803A (zh) * | 2019-05-09 | 2019-08-09 | 南京工程学院 | 基于自注意多核最大均值差异的迁移学习语音增强方法 |
CN110390273A (zh) * | 2019-07-02 | 2019-10-29 | 重庆邮电大学 | 一种基于多核迁移学习的室内人员入侵检测方法 |
CN110285969A (zh) * | 2019-07-10 | 2019-09-27 | 西安交通大学 | 多项式核植入特征分布适配的滚动轴承故障迁移诊断方法 |
CN110285969B (zh) * | 2019-07-10 | 2020-05-26 | 西安交通大学 | 多项式核植入特征分布适配的滚动轴承故障迁移诊断方法 |
CN110472635A (zh) * | 2019-07-19 | 2019-11-19 | 西北工业大学 | 基于深度学习的刀具特征识别方法 |
CN110717526A (zh) * | 2019-09-23 | 2020-01-21 | 华南理工大学 | 一种基于图卷积网络的无监督迁移学习方法 |
CN110717526B (zh) * | 2019-09-23 | 2023-06-02 | 华南理工大学 | 一种基于图卷积网络的无监督迁移学习方法 |
CN111191510B (zh) * | 2019-11-29 | 2022-12-09 | 杭州电子科技大学 | 基于关系网络的复杂场景下遥感图像小样本目标识别方法 |
CN111191510A (zh) * | 2019-11-29 | 2020-05-22 | 杭州电子科技大学 | 基于关系网络的复杂场景下遥感图像小样本目标识别方法 |
CN111310821A (zh) * | 2020-02-11 | 2020-06-19 | 佛山科学技术学院 | 多视图特征融合方法、系统、计算机设备及存储介质 |
CN111310821B (zh) * | 2020-02-11 | 2023-11-21 | 佛山科学技术学院 | 多视图特征融合方法、系统、计算机设备及存储介质 |
CN111639679A (zh) * | 2020-05-09 | 2020-09-08 | 西北工业大学 | 一种基于多尺度度量学习的小样本学习方法 |
CN111639679B (zh) * | 2020-05-09 | 2022-03-04 | 西北工业大学 | 一种基于多尺度度量学习的小样本学习方法 |
CN111709448A (zh) * | 2020-05-20 | 2020-09-25 | 西安交通大学 | 一种基于迁移关系网络的机械故障诊断方法 |
CN111709448B (zh) * | 2020-05-20 | 2023-05-12 | 西安交通大学 | 一种基于迁移关系网络的机械故障诊断方法 |
CN111579243A (zh) * | 2020-06-17 | 2020-08-25 | 大连理工大学 | 一种基于深度迁移学习的滚动轴承智能诊断系统 |
CN113822304B (zh) * | 2020-06-19 | 2024-05-14 | 复旦大学 | 一种基于深度学习的小样本学习方法 |
CN113822304A (zh) * | 2020-06-19 | 2021-12-21 | 复旦大学 | 一种基于深度学习的小样本学习方法 |
CN111967495A (zh) * | 2020-07-06 | 2020-11-20 | 中国科学院计算技术研究所 | 一种分类识别模型构建方法 |
CN111858991A (zh) * | 2020-08-06 | 2020-10-30 | 南京大学 | 一种基于协方差度量的小样本学习算法 |
CN112686833A (zh) * | 2020-08-22 | 2021-04-20 | 安徽大学 | 一种基于卷积神经网络的工业产品表面缺陷检测和分类装置 |
CN112686833B (zh) * | 2020-08-22 | 2023-06-06 | 安徽大学 | 一种基于卷积神经网络的工业产品表面缺陷检测和分类装置 |
CN114072807A (zh) * | 2020-09-10 | 2022-02-18 | 南京航空航天大学 | 基于小样本迁移学习的铣削机器人多模态频响预测方法 |
CN114072807B (zh) * | 2020-09-10 | 2023-04-04 | 南京航空航天大学 | 基于小样本迁移学习的铣削机器人多模态频响预测方法 |
CN112529063A (zh) * | 2020-12-03 | 2021-03-19 | 重庆大学 | 一种适用于帕金森语音数据集的深度域适应分类方法 |
CN112529063B (zh) * | 2020-12-03 | 2023-12-15 | 重庆大学 | 一种适用于帕金森语音数据集的深度域适应分类方法 |
CN114444374A (zh) * | 2021-11-29 | 2022-05-06 | 河南工业大学 | 一种基于相似性度量的多源到多目标域自适应的方法 |
US11823425B2 (en) | 2022-05-13 | 2023-11-21 | Nanjing University Of Aeronautics And Astronautics | Few-shot defect detection method based on metric learning |
CN114627383A (zh) * | 2022-05-13 | 2022-06-14 | 南京航空航天大学 | 一种基于度量学习的小样本缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109376578A (zh) | 一种基于深度迁移度量学习的小样本目标识别方法 | |
Weinstein | A computer vision for animal ecology | |
CN107918780B (zh) | 一种基于关键点检测的衣服种类和属性分类方法 | |
CN110555060B (zh) | 基于成对样本匹配的迁移学习方法 | |
CN108595636A (zh) | 基于深度跨模态相关性学习的手绘草图的图像检索方法 | |
CN100595782C (zh) | 一种融合光谱信息和多点模拟空间信息的分类方法 | |
CN104834693A (zh) | 基于深度搜索的视觉图像检索方法及系统 | |
CN108846404A (zh) | 一种基于相关约束图排序的图像显著性检测方法及装置 | |
CN105893573B (zh) | 一种基于地点的多模态媒体数据主题提取模型 | |
CN112926452B (zh) | 一种基于GCN和GRU增强U-Net特征的高光谱分类方法及系统 | |
Liang et al. | Comparison detector for cervical cell/clumps detection in the limited data scenario | |
CN110569761B (zh) | 一种基于对抗学习的手绘草图检索遥感图像的方法 | |
Li et al. | EMFNet: Enhanced multisource fusion network for land cover classification | |
Lv et al. | Object detection for sweeping robots in home scenes (ODSR-IHS): a novel benchmark dataset | |
CN110490915B (zh) | 一种基于卷积受限玻尔兹曼机的点云配准方法 | |
Tang et al. | A Precise Image-Based Tomato Leaf Disease Detection Approach Using PLPNet | |
CN114332172A (zh) | 一种基于协方差矩阵改进的激光点云配准方法 | |
CN109102019A (zh) | 基于HP-Net卷积神经网络的图像分类方法 | |
Wang et al. | Color names learning using convolutional neural networks | |
CN114494819B (zh) | 一种基于动态贝叶斯网络的抗干扰红外目标识别方法 | |
CN110473204A (zh) | 一种基于弱链接约束的交互式图像分割方法 | |
Kumar et al. | Remote sensing image retrieval using object-based, semantic classifier techniques | |
Liu | Technological innovation in the recognition process of Yaozhou Kiln ware patterns based on image classification | |
Sheoran et al. | Analysis on application of swarm-based techniques in processing remote sensed data | |
Li et al. | An Improved Contour Feature Extraction Method for the Image Butterfly Specimen |
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: 20190222 |
|
RJ01 | Rejection of invention patent application after publication |