CN109376796A - 基于主动半监督学习的图像分类方法 - Google Patents
基于主动半监督学习的图像分类方法 Download PDFInfo
- Publication number
- CN109376796A CN109376796A CN201811379861.XA CN201811379861A CN109376796A CN 109376796 A CN109376796 A CN 109376796A CN 201811379861 A CN201811379861 A CN 201811379861A CN 109376796 A CN109376796 A CN 109376796A
- Authority
- CN
- China
- Prior art keywords
- sample
- class
- dictionary
- learning
- semi
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 239000003550 marker Substances 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 3
- 241001269238 Data Species 0.000 abstract description 9
- 238000012545 processing Methods 0.000 abstract description 2
- 230000000052 comparative effect Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 101100153586 Caenorhabditis elegans top-1 gene Proteins 0.000 description 1
- 101100370075 Mus musculus Top1 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域，提出一种基于主动半监督学习的图像分类方法，包括以下步骤：随机选择部分标记样本和所有未标记样本，用于训练模型中的半监督字典学习组件；基于预估计类概率的准则从未标记的数据集中迭代地选择含有信息量最大的未标记样本，即最翔实样本；引入一个用户来标记所述最翔实样本，然后将完成标记的最翔实样本添加到标记的数据集中，用于训练模型中的主动学习组件；重复上述步骤迭代更新模型直至算法最终收敛或达到某一迭代次数；对测试样本使用模型进行图像分类。本发明解决了类间表达能力差的问题，结合半监督学习和主动学习，有效地利用所有训练数据，提高了该算法模型的性能。
Description
技术领域
本发明涉及图像处理技术领域，更具体地，涉及一种基于主动半监督学习的图像分类方法。
背景技术
随着手机、照相机和社交网络的发展，大量的照片通过用户被迅速地创造出来，而为了能够利用这些照片，我们需要一种以简单、快速和有效的方式收集、分类和组织它们的自动化分类的网络相册，而提供自动化分类技术的基础是能够通过数据训练一个鲁棒的机器学习分类模型。但是，收集标记数据用于训练分类模型是机器学习中最耗时和耗力的工作之一。在现实环境中，通常标记的训练样本非常有限，而获得丰富的未标记训练样本则相对容易。
半监督学习和主动学习是当训练数据中的标记样本数量稀缺时，能够得到判别性更强模型的两种重要的机器学习方法。半监督学习主要通过利用未标记训练样本从而提升模型的泛化能力增强模型的鲁棒性。现有的一些半监督学习算法包括：生成式模型，协同训练(Co-Training)，基于图的半监督学习(graph-based semi-supervised learning)，半监督支持向量机(S3VM)，半监督字典学习(SSDL)。尽管半监督学习算法在解决少量有标签数据和大量无标签数据的模型训练问题上取得了不错的成绩，但当存在大量的噪声样本和离群值时，直接使用未标记数据可能会显著地减少模型的性能。而主动学习则是通过以交互的方式训练模型，使得其能够基于在每次迭代中学习的模型来选择最有代表性的数据进行下一轮的迭代。然而，主动学习的性能还需要依赖于从相当有限的标记训练数据中能够学习到高判别性的初始分类器。
发明内容
本发明为克服上述现有技术所述的不能直接使用未标记数据、依赖于初始分类器的性能等至少一种缺陷，提供一种基于主动半监督学习的图像分类方法，将半监督学习和主动学习相结合，能够充分利用所有的训练数据，且有效提升模型的性能。
为解决上述技术问题，本发明的技术方案如下：
基于主动半监督学习的图像分类方法，包括以下步骤：
S1：随机选择部分标记样本和所有未标记样本，用于训练模型中的半监督字典学习组件；
S2：采用基于预估计类概率的准则从未标记的数据集中迭代地选择含有信息量最大的未标记样本，即最翔实样本；
S3：引入一个用户来标记所述最翔实样本，然后将完成标记的最翔实样本添加到标记的数据集中，用于训练模型中的主动学习组件；
S4：重复S1～S3步骤，通过新的标记样本和剩余未标记数据来迭代更新模型，直至算法最终收敛或达到某一迭代次数；
S5：对测试样本使用模型进行图像分类。
本技术方案通过使用半监督字典学习来训练初始字典，使其具有良好的类内代表性，再通过主动学习技术基于预估计类概率的准则选择信息量最大的样本，引入一个用户注释它，并将用户注释后的样本添加到标记的数据集中，参与下一轮字典的训练，直到算法最终收敛或达到某一迭代次数，解决了类间表达能力差的问题，结合半监督学习和主动学习，有效地利用所有训练数据，提高了该算法模型的性能。
优选地，S1步骤中的半监督字典学习组件公式化为：
其中，为该公式输出，表示特定类联合字典；Ai为系数矩阵，表示第i类标记样本数据，i为1～C的常数，系数矩阵Ai中的每一列是一个训练样本；Di为被Ai初始化得到的第i类的有监督字典；bj为系数矩阵，表示第j类无标签数据，j为1～N的常数；Pi,j为第j个无标签训练样本和第i个类之间的关系；为系数矩阵Ai在特定类联合字典的编码，为无标签数据bj在特定类联合字典的编码，Mi为具有与相同大小的平均系数矩阵，且取的平均列向量作为Mi的列向量；L为通过主动学习标注的样本数目；F表示Fisher判别准则；γ为稀疏编码系数的一个参数；λ为判别编码系数的一个参数；β为最大熵的一个参数；为无标签数据bj的编码类的估计可能性的置信度，表示该类估计的不确定性。
其中β参数与熵的权重相关，且由于强熵正则化过程中会使得未标记样本在不同类别中的概率相似，导致分类性能较差，因此不能设置过大。
优选地，模型的字典分为D＝[D1,...,Di,...,DC]以及E＝[E1,...,Ei,...,EC]两部分，其中Ei为无标签训练样本中判别性的第i类扩展字典。Di和Ei都与i存在联系，并且它们都需要对第i类数据有很好的表示但对其他类有较差的表示。
优选地，S2步骤中，所述最翔实样本由样本的不确定性决定；所述样本的不确定性的计算公式如下：
Uncertainy(x)＝p(c1|x)-p(c2|x)
其中，x为所选择的样本，p(c1|x)为最大类后继概率，c1为最大类后继概率的类，p(c2|x)为第二大类后继概率，c2为第二大类后继概率的类。当输出值很小，即p(c1|x)和p(c2|x)的间隔很小，则意味着该模型在样本上更加困惑，因而具有高不确定性。该算法与传统的基于熵的二值分类方法等价，且在多个基准数据集上有显著的改进。
优选地，S5步骤中，所述模型包括协同表示和局部表示，其中协同表示的公式如下：
局部表示的公式如下：
其中，y＝[y1,...,yi,...,yC]表示编码系数是基于全字典的编码向量。对未标记数据与测试数据编码时采用相同的编码模型，能够确保学习的分类适合于最终的分类。
优选地，S5步骤中，所述分类方法如下：
其中，b为测试图像在特定类联合字典中的稀疏码向量。
与现有技术相比，本发明技术方案的有益效果是：通过结合主动学习算法的判别性和半监督字典学习组件，使整体性能得到了提升，提高了模型的判别能力和泛化性；通过整合主动学习组件，使模型能够充分利用所有训练数据，从而进一步提升模型的性能，且模型的训练更加灵活。
附图说明
图1为本实施例的基于主动半监督学习的图像分类方法的流程图。
图2为本实施例的LFW数据集中数据划分的示例。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
本实施例的基于主动半监督学习的图像分类方法流程图如图1所示，具体包括以下步骤：
S1：随机选择部分标记样本和所有未标记样本，用于训练模型中的半监督字典学习组件。其中，半监督字典学习组件可公式化为：
其中，为该公式输出，表示特定类联合字典；Ai为系数矩阵，表示第i类标记样本数据，i为1～C的常数，系数矩阵Ai中的每一列是一个训练样本；Di为被Ai初始化得到的第i类的有监督字典；bj为系数矩阵，表示第j类无标签数据，j为1～N的常数；Pi,j为第j个无标签训练样本和第i个类之间的关系；为系数矩阵Ai在特定类联合字典的编码，为无标签数据bj在特定类联合字典的编码，Mi为具有与相同大小的平均系数矩阵，且取的平均列向量作为Mi的列向量；L为通过主动学习标注的样本数目；F表示Fisher判别准则；γ为稀疏编码系数的一个参数；λ为判别编码系数的一个参数；β为最大熵的一个参数。
与监督字典学习不同，组件将所需的字典分为D＝[D1,...,Di,...DC]以及E＝[E1,...,Ei,...,EC]两部分，其中Ei为无标签训练样本中判别性的第i类扩展字典，Di和Ei都与i存在联系，并且它们都需要对第i类数据有很好的表示但对其他类有较差的表示。β参数与熵的权重相关，且由于强熵正则化过程中会使得未标记样本在不同类别中的概率相似，导致分类性能较差，因此不能设置过大，适当降低错误分类的未分类样本的权重，能够更好地利用学习字典的鉴别能力。
式中的所计算得到的熵表示为无标签数据bj的编码类的估计可能性的置信度，表示该类估计的不确定性。当未标记的数据被明确地指派给某类时，其熵值为0。
当类估计是可信的时候上述模型公式可改变为：
其中T是一个阈值，通常设置为0.5.在字典学习中，我们只使用熵小于阈值的未标记数据，即未标记数据的类估计是相对有信心的。
S2：基于预估计类概率的准则从未标记的数据集中迭代地选择含有信息量最大的未标记样本，即最翔实样本。
该步骤中的最翔实样本由样本的不确定性决定，样本的不确定性计算公式如下：
Uncertainy(x)＝p(c1|x)-p(c2|x)
其中，x为所选择的样本，p(c1|x)为最大类后继概率，c1为最大类后继概率的类，p(c2|x)为第二大类后继概率，c2为第二大类后继概率的类。
对于未标记的数据，有C个候选类，即半监督字典学习提供了C个分类器。当多个学习者存在时，一般选择具有最大分歧的样本，其分歧也被视为不确定性度量，因此通过计算样本的不确定性可选择最翔实样本。公式中通过计算最大类后继概率和第二大类后继概率之间的间隔，体现模型在该样本上的不确定性，其间隔越小，不确定性越高。
S3：引入一个用户来标记所述最翔实样本，然后将完成标记的最翔实样本添加到标记的数据集中，用于训练模型中的主动学习组件。
S4：重复S1～S3步骤，通过新的标记样本和剩余未标记数据来迭代更新模型，直至算法最终收敛或达到某一迭代次数。
S5：对测试样本使用不同的编码模型进行图像分类。
该步骤中的不同编码模型包括协同表示和局部表示，其中协同表示的公式如下：
局部表示的公式如下：
其中，y＝[y1,...,yi,...,yC]表示编码系数是基于全字典的编码向量。对未标记数据与测试数据编码时采用相同的编码模型，从而确保学习的分类适合于最终的分类。
该步骤中图像分类的方法如下：
其中，b为测试图像在特定类联合字典中的稀疏码向量。
在具体实施过程中，对本发明的模型公式中的稀疏编码系数参数γ、判别编码系数参数λ和最大熵参数β分别设置为γ＝0.001，λ＝0.01，β＝0.01。
本实施例在MNIST数据集以及USPS数据集中进行手写字体识别，在人脸数据集LFW数据集进行人脸识别，以及在大型网络图像分类数据集Web Vision数据集上进行网络图像分类任务。同时，本实施例与几种有代表性的有监督字典学习方法和半监督字典学习方法相比较，包括：FDDL、SRC、M-SVM、DKSVD、LCKSVD、SVGDL、S2D2、JDL、OSSDL、SSRD以及最近提出的SSP-DL算法和DSSDL算法。并且参考FDDL中使用的编码规则，在模型中未标记训练数据与测试数据的编码方式，在数字识别任务中采用局部表示而在其他实验中使用协同表示。除了取top-1的识别率之外，在Web Vision数据集实验中，我们还取了top-5的识别率。
本实施例中的LFW数据集是一个包含姿势、光照、表情、错位和遮挡的大型数据集，其中选择了143个对象，每个对象的样本不少于11个，共4174张图像。对每个类别来说，前10个样本用于训练，而剩余样本用作进行测试的数据。通过将人脸图像分为10x8补丁从中抽取出Uniform-LBP的直方图，然后利用主成分分析法PCA将直方图维数降到500。
首先，从每个类中随机选择2个样本作为初始标记数据，然后设置5次用户查询迭代，在每次迭代中查询143个样本，使查询的数目与类别数目相同，且标记数据的最终数量与其他方法相同，即随机从每一类选择7个标记数据用作训练集，而用剩余的训练数据未标记数据。
如图2所示，为本实施例的LFW数据集中数据划分的示例，将LFW数据集的数据划分为三个部分，包括未使用数据集、训练数据集和测试数据集，其中训练数据集中包括初始标记数据和未标记数据。本实施例中，首先随机选择其中2个作为初始标记数据，其余为未标记数据，然后通过AL算法从未标记数据中选择数据进行标记，逐渐添加已标记数据来提升模型，最后使用测试数据来测试模型。
本实施例的LFW数据集的实施结果如表1所示。
表1 LFW数据集下结果对比
从表1可以看出，本实施例在具有相同数量的标记数据的前提下，在所有竞争方案中达到最高的识别率。相较监督字典学习方法LC-KSVD提高了14％，而与目前最优的半监督字典模型DSSDL相比，本实施例模型的识别率提高了5％。与监督字典学习方法LC-KSVD相对比，本实施例方法只使用标记数据进行训练，模型性能的提升源于利用鉴别性表示残差和系数，对标记和未标记训练数据进行区分进而充分利用所有训练数据。而与半监督字典模型DSSDL相比，本实施例模型性能的提高源于主动学习算法的集成，因此可以选择最多信息的样本进行训练。特别地，使用基于预估计类概率的准则来选择具有置信类别估计的未标记数据和含有信息量最大的未标记数据，它们分别用于训练半监督字典学习组件和主动学习组件，并且结合主动学习后，模型的训练不需要一开始准备好所有的标记数据。
本实施例在USPS和MNIST数据集下的实施结果如表2所示。
表2 USPS与MINIST数据集下结果对比
半监督字典模型DSSDL方法相比于其他方法，之所以优于其他方法是因为其能够有效地利用未标记样本的信息，从表2可以看出半监督字典模型DSSDL方法的分类精度比其他字典方法高出至少2.4％。在附加未标记训练样本的情况下，通过自适应地扩展字典的大小能够更好地利用未标记样本的鉴别能力。而本实施例通过在半监督字典模型DSSDL方法上引入主动学习的样本选择技术筛选出训练所需的更能提升模型精度的样本，从而获得更好的性能，与半监督字典模型DSSDL方法相比拥有相同的高分类精度。
本实施例在Web Vision数据集下的实施结果如表3所示。
表3 Web Vision数据集下结果对比
从表3可以看出本实施例的精度与半监督字典模型DSSDL方法以及监督字典学习LC-KSVD方法相比都有不同程度的提高。前者说明结合主动学习算法后本实施例模型的性能得到了提升，后者说明本实施例模型利用鉴别性表示残差和系数，对标记和未标记训练数据进行区分以及对未标记数据类估计，而熵正则项用来规范它们的估计概率的有效性。
从上述数据可以看出，本实施例的模型性能有很大的提升，提高了模型的判别能力和泛化性，通过整合主动学习组件，使模型充分利用所有的训练数据，从而提升了模型的性能，而且在模型的训练过程中不需要在一开始就准备好所有的训练数据，使模型的训练过程更加灵活。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (6)
1.基于主动半监督学习的图像分类方法，其特征在于，包括以下步骤：
S1：随机选择部分标记样本和所有未标记样本，用于训练模型中的半监督字典学习组件；
S2：采用基于预估计类概率的准则从未标记的数据集中迭代地选择含有信息量最大的未标记样本，即最翔实样本；
S3：引入一个用户来标记所述最翔实样本，然后将完成标记的最翔实样本添加到标记的数据集中，用于训练模型中的主动学习组件；
S4：重复S1～S3步骤，通过新的标记样本和剩余未标记数据来迭代更新模型，直至算法最终收敛或达到某一迭代次数；
S5：对测试样本使用模型进行图像分类。
2.根据权利要求1所述的基于主动半监督学习的图像分类方法，其特征在于：所述S1步骤中的半监督字典学习组件公式化为：
其中，为该公式输出，表示特定类联合字典；Ai为系数矩阵，表示第i类标记样本数据，i为1～C的常数，系数矩阵Ai中的每一列是一个训练样本；Di为被Ai初始化得到的第i类的有监督字典；bj为系数矩阵，表示第j类无标签数据，j为1～N的常数；Pi,j为第j个无标签训练样本和第i个类之间的关系；为系数矩阵Ai在特定类联合字典的编码，为无标签数据bj在特定类联合字典的编码，Mi为具有与相同大小的平均系数矩阵，且取的平均列向量作为Mi的列向量；L为通过主动学习标注的样本数目；F表示Fisher判别准则；γ为稀疏编码系数的一个参数；λ为判别编码系数的一个参数；β为最大熵的一个参数；为无标签数据bj的编码类的估计可能性的置信度，表示该类估计的不确定性。
3.根据权利要求2所述的基于主动半监督学习的图像分类方法，其特征在于：所述模型的字典分为D＝[D1,...,Di,...DC]以及E＝[E1,...,Ei,...,EC]两部分，其中Ei为无标签训练样本中判别性的第i类扩展字典。
4.根据权利要求3所述的基于主动半监督学习的图像分类方法，其特征在于：所述S2步骤中，所述最翔实样本由样本的不确定性决定；所述样本的不确定性的计算公式如下：
Uncertainy(x)＝p(c1|x)-p(c2|x)
其中，x为所选择的样本，p(c1|x)为最大类后继概率，c1为最大类后继概率的类，p(c2|x)为第二大类后继概率，c2为第二大类后继概率的类。
5.根据权利要求4所述的基于主动半监督学习的图像分类方法，其特征在于：所述S5步骤中，所述模型包括协同表示和局部表示，其中协同表示的公式如下：
局部表示的公式如下：
其中，y＝[y1,...,yi,...,yC]表示编码系数是基于全字典的编码向量。
6.根据权利要求5所述的基于主动半监督学习的图像分类方法，其特征在于：所述S5步骤中，所述分类方法如下：
其中，b为测试图像在特定类联合字典中的稀疏码向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811379861.XA CN109376796A (zh) | 2018-11-19 | 2018-11-19 | 基于主动半监督学习的图像分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811379861.XA CN109376796A (zh) | 2018-11-19 | 2018-11-19 | 基于主动半监督学习的图像分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109376796A true CN109376796A (zh) | 2019-02-22 |
Family
ID=65389857
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811379861.XA Pending CN109376796A (zh) | 2018-11-19 | 2018-11-19 | 基于主动半监督学习的图像分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109376796A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109960808A (zh) * | 2019-03-26 | 2019-07-02 | 广东工业大学 | 一种文本识别方法、装置、设备及计算机可读存储介质 |
| CN110222793A (zh) * | 2019-06-20 | 2019-09-10 | 中国科学院自动化研究所 | 基于多视角主动学习的在线半监督分类方法及系统 |
| CN110309871A (zh) * | 2019-06-27 | 2019-10-08 | 西北工业大学深圳研究院 | 一种基于随机重采样的半监督学习图像分类方法 |
| CN111400617A (zh) * | 2020-06-02 | 2020-07-10 | 四川大学 | 基于主动学习的社交机器人检测数据集扩展方法及系统 |
| CN112348040A (zh) * | 2019-08-07 | 2021-02-09 | 杭州海康威视数字技术股份有限公司 | 模型训练方法、装置及设备 |
| CN112348096A (zh) * | 2020-11-11 | 2021-02-09 | 合肥工业大学 | 非侵入式负荷分解方法及系统 |
| CN112861999A (zh) * | 2021-03-17 | 2021-05-28 | 中山大学 | 一种基于主动半监督字典学习的图像分类方法 |
| CN113139568A (zh) * | 2021-02-22 | 2021-07-20 | 杭州深睿博联科技有限公司 | 一种基于主动学习的类别预测模型建模方法及装置 |
| WO2023030322A1 (en) * | 2021-09-03 | 2023-03-09 | Huawei Technologies Co., Ltd. | Methods, systems, and media for robust classification using active learning and domain knowledge |
| CN116385818A (zh) * | 2023-02-09 | 2023-07-04 | 中国科学院空天信息创新研究院 | 云检测模型的训练方法、装置及设备 |
| CN116702078A (zh) * | 2023-06-02 | 2023-09-05 | 中国电信股份有限公司浙江分公司 | 基于模块式可扩展机柜电源分配单元的状态侦测方法 |
| CN117671704A (zh) * | 2024-01-31 | 2024-03-08 | 常熟理工学院 | 一种手写体数字识别方法、装置及计算机存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060093208A1 (en) * | 2004-10-29 | 2006-05-04 | Fayin Li | Open set recognition using transduction |
| 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 |
| CN103971123A (zh) * | 2014-05-04 | 2014-08-06 | 南京师范大学 | 基于线性回归与Fisher判别字典学习的高光谱图像分类方法 |
| CN107832772A (zh) * | 2017-09-20 | 2018-03-23 | 深圳大学 | 一种基于半监督字典学习的图像识别方法及装置 |
-
2018
- 2018-11-19 CN CN201811379861.XA patent/CN109376796A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060093208A1 (en) * | 2004-10-29 | 2006-05-04 | Fayin Li | Open set recognition using transduction |
| 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 |
| CN103971123A (zh) * | 2014-05-04 | 2014-08-06 | 南京师范大学 | 基于线性回归与Fisher判别字典学习的高光谱图像分类方法 |
| CN107832772A (zh) * | 2017-09-20 | 2018-03-23 | 深圳大学 | 一种基于半监督字典学习的图像识别方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| MENG YANG，LIN CHEN: ""Discriminative Semi-Supervised Dictionary Learning with Entropy Regularization for Pattern Classification"", 《THIRTY-FIRST AAAI CONFERENCE ON ARTIFICIAL INTELLIGENCE》 * |
| 刘晗宇等: ""基于图结构的半监督字典学习"", 《温州大学学报（自然科学版）》 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109960808B (zh) * | 2019-03-26 | 2023-02-07 | 广东工业大学 | 一种文本识别方法、装置、设备及计算机可读存储介质 |
| CN109960808A (zh) * | 2019-03-26 | 2019-07-02 | 广东工业大学 | 一种文本识别方法、装置、设备及计算机可读存储介质 |
| CN110222793A (zh) * | 2019-06-20 | 2019-09-10 | 中国科学院自动化研究所 | 基于多视角主动学习的在线半监督分类方法及系统 |
| CN110222793B (zh) * | 2019-06-20 | 2021-06-22 | 中国科学院自动化研究所 | 基于多视角主动学习的在线半监督分类方法及系统 |
| CN110309871A (zh) * | 2019-06-27 | 2019-10-08 | 西北工业大学深圳研究院 | 一种基于随机重采样的半监督学习图像分类方法 |
| CN112348040A (zh) * | 2019-08-07 | 2021-02-09 | 杭州海康威视数字技术股份有限公司 | 模型训练方法、装置及设备 |
| CN112348040B (zh) * | 2019-08-07 | 2023-08-29 | 杭州海康威视数字技术股份有限公司 | 模型训练方法、装置及设备 |
| CN111400617A (zh) * | 2020-06-02 | 2020-07-10 | 四川大学 | 基于主动学习的社交机器人检测数据集扩展方法及系统 |
| CN112348096A (zh) * | 2020-11-11 | 2021-02-09 | 合肥工业大学 | 非侵入式负荷分解方法及系统 |
| CN113139568B (zh) * | 2021-02-22 | 2022-05-10 | 杭州深睿博联科技有限公司 | 一种基于主动学习的类别预测模型建模方法及装置 |
| CN113139568A (zh) * | 2021-02-22 | 2021-07-20 | 杭州深睿博联科技有限公司 | 一种基于主动学习的类别预测模型建模方法及装置 |
| CN112861999A (zh) * | 2021-03-17 | 2021-05-28 | 中山大学 | 一种基于主动半监督字典学习的图像分类方法 |
| CN112861999B (zh) * | 2021-03-17 | 2023-09-19 | 中山大学 | 一种基于主动半监督字典学习的图像分类方法 |
| WO2023030322A1 (en) * | 2021-09-03 | 2023-03-09 | Huawei Technologies Co., Ltd. | Methods, systems, and media for robust classification using active learning and domain knowledge |
| CN116385818A (zh) * | 2023-02-09 | 2023-07-04 | 中国科学院空天信息创新研究院 | 云检测模型的训练方法、装置及设备 |
| CN116385818B (zh) * | 2023-02-09 | 2023-11-28 | 中国科学院空天信息创新研究院 | 云检测模型的训练方法、装置及设备 |
| CN116702078A (zh) * | 2023-06-02 | 2023-09-05 | 中国电信股份有限公司浙江分公司 | 基于模块式可扩展机柜电源分配单元的状态侦测方法 |
| CN116702078B (zh) * | 2023-06-02 | 2024-03-26 | 中国电信股份有限公司浙江分公司 | 基于模块式可扩展机柜电源分配单元的状态侦测方法 |
| CN117671704A (zh) * | 2024-01-31 | 2024-03-08 | 常熟理工学院 | 一种手写体数字识别方法、装置及计算机存储介质 |
| CN117671704B (zh) * | 2024-01-31 | 2024-04-26 | 常熟理工学院 | 一种手写体数字识别方法、装置及计算机存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109376796A (zh) | 基于主动半监督学习的图像分类方法 | |
| Yang et al. | Visual sentiment prediction based on automatic discovery of affective regions | |
| CN108108657B (zh) | 基于多任务深度学习的修正局部敏感哈希车辆检索方法 | |
| CN109241317B (zh) | 基于深度学习网络中度量损失的行人哈希检索方法 | |
| CN110263659B (zh) | 一种基于三元组损失和轻量级网络的指静脉识别方法及系统 | |
| CN107818343B (zh) | 计数方法及装置 | |
| CN107506793B (zh) | 基于弱标注图像的服装识别方法及系统 | |
| CN104715021B (zh) | 一种基于哈希方法的多标记学习的学习方法 | |
| CN108875816A (zh) | 融合置信度准则和多样性准则的主动学习样本选择策略 | |
| CN110647907B (zh) | 利用多层分类和字典学习的多标签图像分类算法 | |
| CN108229588B (zh) | 一种基于深度学习的机器学习识别方法 | |
| CN112199462A (zh) | 跨模态的数据处理方法、装置、存储介质以及电子装置 | |
| CN111027377B (zh) | 一种双流神经网络时序动作定位方法 | |
| TWI525574B (zh) | 協作性人臉標註方法以及協作性人臉標註系統 | |
| Wang et al. | Cattle face recognition method based on parameter transfer and deep learning | |
| CN108520215B (zh) | 基于多尺度联合特征编码器的单样本人脸识别方法 | |
| CN111950525B (zh) | 一种基于破坏重建学习与GoogLeNet的细粒度图像分类方法 | |
| CN110321760A (zh) | 一种医疗单据识别方法和装置 | |
| CN106575280A (zh) | 用于分析用户关联图像以产生非用户生成标签以及利用该生成标签的系统和方法 | |
| CN114943017B (zh) | 一种基于相似性零样本哈希的跨模态检索方法 | |
| CN105740917B (zh) | 带有标签学习的遥感图像的半监督多视图特征选择方法 | |
| Li et al. | Dating ancient paintings of Mogao Grottoes using deeply learnt visual codes | |
| CN112597324A (zh) | 一种基于相关滤波的图像哈希索引构建方法、系统及设备 | |
| CN111126464A (zh) | 一种基于无监督域对抗领域适应的图像分类方法 | |
| CN105654054A (zh) | 基于半监督近邻传播学习和多视觉词典模型的智能视频分析方法 |
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: 20190222 |
|
| RJ01 | Rejection of invention patent application after publication |