CN109614979A - 一种基于选择与生成的数据增广方法及图像分类方法 - Google Patents

一种基于选择与生成的数据增广方法及图像分类方法 Download PDF

Info

Publication number
CN109614979A
CN109614979A CN201811183994.XA CN201811183994A CN109614979A CN 109614979 A CN109614979 A CN 109614979A CN 201811183994 A CN201811183994 A CN 201811183994A CN 109614979 A CN109614979 A CN 109614979A
Authority
CN
China
Prior art keywords
image
data
block
image block
training
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.)
Granted
Application number
CN201811183994.XA
Other languages
English (en)
Other versions
CN109614979B (zh
Inventor
彭宇新
何相腾
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.)
Peking University
Original Assignee
Peking University
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 Peking University filed Critical Peking University
Priority to CN201811183994.XA priority Critical patent/CN109614979B/zh
Publication of CN109614979A publication Critical patent/CN109614979A/zh
Application granted granted Critical
Publication of CN109614979B publication Critical patent/CN109614979B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks

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)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种基于选择与生成的数据增广方法及图像分类方法，包括以下步骤：对输入的图像进行分割，生成多个图像块以增加训练图像的数量；然后对得到的图像块进行过滤，即利用卷积神经网络进行分类，选择与目标对象相关的图像块；再通过多示例学习对上一步过滤得到的图像块进行再选择，选择出包含对象大部分区域的图像块；最后，利用生成式对抗网络学习图像与文本之间的对应关系，利用文本描述生成更多的新图像，进一步扩充训练图像的多样性。本发明仅使用一个训练样本及其文本描述信息，通过对数据进行分割、过滤、再选择和生成，使得图像数据多样性扩增。利用扩增后的图像数据进行图像分类模型的训练，实现了一个训练样本条件下的图像分类。

Description

一种基于选择与生成的数据增广方法及图像分类方法
技术领域
本发明涉及图像分析与识别技术领域，具体涉及一种基于选择与生成的数据增广方法及采用该方法的图像分类方法。
背景技术
近年来，随着互联网技术与多媒体技术的迅速发展，互联网图像呈现爆炸式增长。图像分类通过对图片的内容分析并给出其类别信息，是计算机视觉领域的研究难点问题。
传统的图像分类方法主要包括两个阶段：特征提取和分类器预测。在特征提取阶段，对输入的图像进行特征的提取，特征提取的方式通常分为两种：一种是密集型的特征提取，一种是针对兴趣点进行的特征提取，如提取SIFT关键点信息，进一步量化得到图像的视觉词特征描述，即词袋特征(Bag of Word，BoW)。在分类器预测阶段，基于BoW特征训练得到一个能够进行图像类别预测的分类器，如支持向量机(Support Vector Machine，SVM)，然后利用训练得到的分类器对图像进行分类。为了获得更好的分类效果，通常会利用图像中视觉对象(如图像中的鸟、车等对象)的位置信息以及视觉对象的部件(如鸟的头部、尾巴等部件)标注信息来训练对象分类器和局部分类器。特征的优劣影响了图像分类效果的优劣，而该特征主要依赖于设计者的先验知识，对图像的描述具有一定的局限性。
近年来，深度神经网络，尤其是卷积神经网络(Convolutional Neural Network，CNN)，在计算机视觉的多个任务上具有突出表现，例如图像分类、目标检测、人脸识别等。深度学习与传统图像分类方法的最大区别在于它是从海量图像数据中自动进行特征的学习，而非采用手工设计的特征。卷积神经网络的一般结构是卷积层与全连接层的组合，这种结构受人类的视觉神经元识别对象的层次结构所启发。其卷积层是一种分布表示的表征，而池化层使得卷积神经网络对于识别对象的平移和形变均不敏感。因此，卷积神经网络所学习到的图像特征能够更加有效地对图像内容进行描述。
现有的基于深度学习的图像分类方法通常依赖于大量标注的样本。但是，标注需要花费大量的人力和物力，成本巨大。因此，如何基于少量甚至一个训练样本进行图像数据的扩充，实现一个训练样本条件下的图像分类，就成为了一个具有重要意义的难题。
发明内容
针对上述难题，本发明提出了一种基于选择与生成的数据增广方法及采用该方法的图像分类方法，仅使用一个训练样本及其文本描述信息，通过多示例学习与对抗生成，对数据进行分割、过滤、再选择和生成，使得图像数据多样性扩增。利用扩增后的图像数据进行图像分类模型的训练，实现了一个训练样本条件下的图像分类。
为达到以上目的，本发明采用的技术方案如下：
一种应用于图像分类的基于选择与生成的数据增广方法，用于扩充训练样本，增加训练数据的多样性，包括以下步骤：
(1)数据分割：对输入的图像进行分割，生成多个图像块以增加训练图像的数量；
(2)数据过滤：对步骤(1)得到的图像块进行过滤，选择出与目标对象相关的图像块；
(3)数据再选择：通过多示例学习对步骤(2)过滤得到的图像块进行再选择，选择出包含目标对象大部分区域的图像块；
(4)数据生成：利用生成式对抗网络学习步骤(3)得到的图像与文本之间的对应关系，利用文本描述生成更多的与目标对象相关的新图像，进一步扩充图像的多样性。
进一步，上述一种应用于图像分类的基于选择与生成的数据增广方法，所述步骤(1)中，利用选择搜索算法对训练图像生成图像块，根据每个图像块的得分进行排序，选择前N个图像块作为训练图像的扩充。
进一步，上述一种应用于图像分类的基于选择与生成的数据增广方法，所述步骤(2)中，将步骤(1)中的图像块作为卷积神经网络模型的输入，根据卷积神经网络模型的输出计算得到图像块的预测得分，以此来判断是否为与目标对象相关的图像块。
进一步，上述一种应用于图像分类的基于选择与生成的数据增广方法，所述步骤(3)中，利用步骤(2)过滤得到的图像块构建正样本包，其他类别图像的图像块构建负样本包，利用多示例学习对步骤(2)得到的图像块进行再选择，使得所选图像块更加有利于卷积神经网络学习目标对象的特征。
进一步，上述一种应用于图像分类的基于选择与生成的数据增广方法，所述步骤(4)中，利用步骤(3)得到的图像扩充数据以及对应的文本描述，训练生成式对抗网络。然后，将文本描述作为生成网络的输入，生成与目标对象相关的新图像。
本发明还提供一种与上面方法对应的基于选择与生成的数据增广系统，其包括：
数据分割模块，负责对输入的图像进行分割，生成多个图像块以增加训练图像的数量；
数据过滤模块，负责对所述数据分割模块得到的图像块进行过滤，选择出与目标对象相关的图像块；
数据再选择模块，负责通过多示例学习对所述数据过滤模块得到的图像块进行再选择，选择出包含目标对象大部分区域的图像块；
数据生成模块，负责利用生成式对抗网络学习所述数据再选择模块得到的图像与文本之间的对应关系，利用文本描述生成更多的与目标对象相关的新图像，进一步扩充训练图像的多样性。
本发明还提供一种图像分类方法，包括以下步骤：
(1)采用上面所述方法对图像数据进行扩增；
(2)利用扩增后的图像数据进行图像分类模型的训练；
(3)利用训练完成的图像分类模型进行图像分类。
本发明的效果在于：与现有的旋转、裁剪、分块等数据增广方法相比，本发明的数据增广方法能够获得更好的分类识别结果。此外，将本发明的数据增广方法应用于现有图像分类方法中，能够取得更好的结果，实现了一个训练样本条件下的图像分类，验证了本发明的有效性。
本发明之所以具有上述发明效果，其原因在于：数据分割和数据生成旨在产生与图像对象及其部件相关的图像块，并根据文本描述生成新的图像数据；数据过滤和数据再选择旨在对生成的数据进行过滤选择，过滤掉噪音信息。通过上述四个阶段，图像训练样本在数量和多样性上均实现了扩充，从而有利于卷积神经网络学习对象的细节特征。
附图说明
图1是本发明一种应用于图像分类的基于选择与生成的数据增广方法的流程示意图。
图2是实施例中数据分割示意图。
图3是实施例中数据过滤示意图。
图4是实施例中数据再选择示意图。
图5是实施例中数据生成示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细的描述。
本实施例的一种应用于图像分类的基于选择与生成的数据增广方法，其流程如图1所示，具体包含以下步骤：
(1)数据分割
利用选择搜索算法(Selective Search)对每一张原始训练图像生成数千个图像块，这些图像块具有一定概率包含目标对象区域，每一个图像块有一个对应的概率得分。然后，通过伪随机排序(Pseudo Random Sorting)，选择前N个图像块作为训练图像的扩充。图2是对包含黄莺的图片进行数据分割后的得到图像块的示意图。
(2)数据过滤
在步骤(2)中生成的N个图像块绝大多数包含了目标对象区域，但也有少数仅包含背景区域或者目标对象的小部分区域，这些图像块对于卷积神经网络的训练学习起到副作用，因此，需要将这些起副作用的图像块过滤掉。
首先，利用原始训练样本(每个类别仅有一个训练样本)对在ImageNet等大规模数据集上预训练过的卷积神经网络模型进行精细调整(fine-tune)，充分利用标注的训练样本学习目标对象的特征。然后，将步骤(2)中得到的图像块作为卷积神经网络的输入，通过卷积神经网络的前向传播获得输入图像块的预测得分，计算过程如下公式所示：
公式一：
其中，h(x)表示输入图像块的预测得分，x对应于输入图像块经过卷积神经网络模型得到的顶层神经元输出向量，k表示对应的分类类别数目，xc表示目标对象对应神经元的输出。最后，根据预测得分选出分类为目标对象的图像块，过滤掉分类为其他对象的图像块。图3是对图2中的图像块进行数据过滤的示意图。
(3)数据再选择
经过步骤(1)的生成和步骤(2)的过滤，仍然存在一些对于卷积神经网络学习起副作用的图像块，这些图像块通常包含大面积的背景噪音区域和小面积的目标对象区域。因为步骤(2)中已经利用过卷积神经网络进行过滤，所以这些图像块很难被滤除。考虑到步骤(2)得到的图像块中存在于目标对象相关的图像块，我们将上述问题建模为多示例学习问题。
首先，构建正负样本包：对于类别M来说，将步骤(2)中过滤得到的图像块作为正样本包，将其他类别图像的图像块作为负样本包。这样，对于每一个类别我们都能够构建该类别的正负样本包。
然后，利用软间隔支持向量机(Soft-margin SVM)进行多示例学习，表示为如下公式：
公式二：
其中，p为步骤(2)的图像块，y为样本包的标注信息，w，ξ，b为用于区分正负样本所需的超平面参数。通过多示例学习的再选择，保留下来的图像块能够有利于卷积神经网络学习目标对象的特征。图4是进行数据再选择的示意图。
(4)数据生成
上述三个步骤所获得的图像块是在原始训练样本的基础上，对尺度、区域进行的扩充，并未产生新的图像数据。为了进一步增加训练样本的多样性，本发明利用生成式对抗网络生成新的图像数据。生成式对抗网络能够自动学习图像数据分布，以及图像和文本之间的关联关系，因此，给定文本描述可以生成对应的图像数据。本发明利用上述三个步骤获得的扩充图像块以及对应的文本描述，进行生成式对抗网络的训练。网络结构采用深度卷积生成式对抗网络(Deep Convolutional Generative Adversarial Network,DC-GAN)。然后，给定对应的文本描述，利用训练好的生成式对抗网络生成对应的新的图像数据。图5是数据生成的示意图。
下面的实验结果表明，与现有的数据增广方法相比，本发明一种应用于图像分类的基于选择与生成的数据增广方法能够获得更好的分类识别结果。此外，将本发明一种应用于图像分类的基于选择与生成的数据增广方法应用于现有图像分类方法中，能够取得更好的效果，实现了一个训练样本条件下的图像分类。
本实施例采用了CUB-200-2011图像分类数据集进行实验，该数据集由文献“Thecaltech-ucsd birds-200-2011dataset”(作者Catherine Wah,Steve Branson,PeterWelinder,PietroPerona和Serge Belongie，2011年发表)提出，其中包括200个类别，11788张图像，其中5994张图像作为训练集，5794张图像作为测试集。我们测试了3种数据增广方法：旋转、裁剪和分块，并将本发明应用于以下2种现有图像分类方法作为实验对比：
现有方法一：文献“Compact bilinear pooling”(作者Yang Gao，Oscar Beijbom，NingZhang，和Trevor Darrell，发表在2016年的IEEE Conference on Computer Visionand PatternRecognition)中的方法，该方法通过在卷积神经网络中搭建压缩的双线性池化层，提升图像分类的准确率。
现有方法二：文献“Fine-grained image classification via combiningvision and language”(作者Xiangteng He和Yuxin Peng，发表在2017年的IEEEConference on Computer Vision andPattern Recognition)中的方法，该方法通过同时建模图像与文本之间的关联关系，提升图像分类的准确率。
本发明：本实施例的方法。
实验采用准确率(accuracy)指标来评测图像分类的准确性，准确率是指分类正确的图像数目与所有测试图像数目的比值，准确率值越大，说明图像分类的结果越好。
表1.与现有数据增广方法的对比实验结果
方法 准确率
旋转 0.2243
裁剪 0.2221
分块 0.0492
本发明 0.2533
表2.使用本发明数据增广方法的对比实验结果
方法 准确率
现有方法一 0.2328
现有方法一(使用本发明) 0.2533
现有方法二 0.1803
现有方法二(使用本发明) 0.1968
从表1可以看出，本发明取得了更好的图像分类结果。现有的增广方法并未考虑所增加的图像数据是否包含了真正有用的信息，如目标对象区域；使得所扩充的图像数据中噪音信息太多，反而使得分类效果不好。而本发明不仅考虑生成与对象相关的图像块，同时还建模图像与文本之间的关联关系，生成更加多样的新的图像数据。从表2可以看出，应用本发明的数据增广方法，能够有效提高现有图像分类方法的准确率。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种基于选择与生成的数据增广方法，其特征在于，包括以下步骤：
(1)对输入的图像进行分割，生成多个图像块以增加训练图像的数量；
(2)对步骤(1)得到的图像块进行过滤，选择出与目标对象相关的图像块；
(3)通过多示例学习对步骤(2)过滤得到的图像块进行再选择，选择出包含目标对象大部分区域的图像块；
(4)利用生成式对抗网络学习步骤(3)得到的图像与文本之间的对应关系，利用文本描述生成更多的与目标对象相关的新图像，进一步扩充训练图像的多样性。
2.如权利要求1所述的方法，其特征在于，所述步骤(1)中，利用选择搜索算法对训练图像生成图像块，对图像块进行伪随机排序，选择前N个图像块作为训练图像的扩充。
3.如权利要求1所述的方法，其特征在于，所述步骤(2)中，对于步骤(1)生成的图像块，利用训练得到的卷积神经网络模型直接计算出特征，并判断是否是与当前目标对象相关的图像块。
4.如权利要求3所述的方法，其特征在于，所述步骤(2)中，将生成的图像块输入到训练好的卷积神经网络模型，卷积神经网络的输出为输出层神经元对于该图像块的响应强度，并利用如下公式得到输入图像块的预测得分，最后根据得分来判断是否是与当前目标对象相关的图像块；
其中，h(x)表示输入图像块的预测得分，x对应于输入图像块经过卷积神经网络模型得到的顶层神经元输出向量，k表示对应的分类类别数目，xc表示目标对象对应神经元的输出。
5.如权利要求1所述的方法，其特征在于，所述步骤(3)中，利用步骤(2)过滤得到的图像块构建正样本包，用其他类别图像的图像块构建负样本包，利用多示例学习对步骤(2)得到的图像块进行再选择，使得所选图像块包含对象区域，过滤掉只包含背景或者包含一小块对象区域的图像块。
6.如权利要求5所述的方法，其特征在于，所述步骤(3)利用软间隔支持向量机进行多示例学习。
7.如权利要求1所述的方法，其特征在于，所述步骤(4)中，利用步骤(3)得到的图像扩充数据以及对应的文本描述，训练生成式对抗网络，然后将文本描述作为生成式对抗网络的输入，生成更多与目标对象相关的新图像，进一步扩充图像的多样性。
8.一种基于选择与生成的数据增广系统，其特征在于，包括：
数据分割模块，负责对输入的图像进行分割，生成多个图像块以增加训练图像的数量；
数据过滤模块，负责对所述数据分割模块得到的图像块进行过滤，选择出与目标对象相关的图像块；
数据再选择模块，负责通过多示例学习对所述数据过滤模块得到的图像块进行再选择，选择出包含目标对象大部分区域的图像块；
数据生成模块，负责利用生成式对抗网络学习所述数据再选择模块得到的图像与文本之间的对应关系，利用文本描述生成更多的与目标对象相关的新图像，进一步扩充训练图像的多样性。
9.一种图像分类方法，其特征在于，包括以下步骤：
(1)采用权利要求1～7中任一权利要求所述方法对图像数据进行扩增；
(2)利用扩增后的图像数据进行图像分类模型的训练；
(3)利用训练完成的图像分类模型进行图像分类。
CN201811183994.XA 2018-10-11 2018-10-11 一种基于选择与生成的数据增广方法及图像分类方法 Active CN109614979B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811183994.XA CN109614979B (zh) 2018-10-11 2018-10-11 一种基于选择与生成的数据增广方法及图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811183994.XA CN109614979B (zh) 2018-10-11 2018-10-11 一种基于选择与生成的数据增广方法及图像分类方法

Publications (2)

Publication Number Publication Date
CN109614979A true CN109614979A (zh) 2019-04-12
CN109614979B CN109614979B (zh) 2023-05-02

Family

ID=66001633

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811183994.XA Active CN109614979B (zh) 2018-10-11 2018-10-11 一种基于选择与生成的数据增广方法及图像分类方法

Country Status (1)

Country Link
CN (1) CN109614979B (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110070124A (zh) * 2019-04-15 2019-07-30 广州小鹏汽车科技有限公司 一种基于生成式对抗网络的图像扩增方法及系统
CN110110780A (zh) * 2019-04-30 2019-08-09 南开大学 一种基于对抗神经网络和海量噪声数据的图片分类方法
CN110135302A (zh) * 2019-04-30 2019-08-16 百度在线网络技术（北京）有限公司 训练车道线识别模型的方法、装置、设备和存储介质
CN110197212A (zh) * 2019-05-20 2019-09-03 北京邮电大学 图像分类方法、系统及计算机可读存储介质
CN110210513A (zh) * 2019-04-23 2019-09-06 深圳信息职业技术学院 数据分类方法、装置及终端设备
CN110543636A (zh) * 2019-09-06 2019-12-06 出门问问(武汉)信息科技有限公司 一种对话系统的训练数据选择方法
CN110930469A (zh) * 2019-10-25 2020-03-27 北京大学 一种基于过渡空间映射的文本生成图像方法和系统
CN111325236A (zh) * 2020-01-21 2020-06-23 南京大学 一种基于卷积神经网络的超声图像分类方法
CN111368935A (zh) * 2020-03-17 2020-07-03 北京航天自动控制研究所 一种基于生成对抗网络的sar时敏目标样本增广方法
CN111461244A (zh) * 2020-04-09 2020-07-28 武汉大学 一种基于SimpleShot的One-Shot学习新方法
CN111488400A (zh) * 2019-04-28 2020-08-04 北京京东尚科信息技术有限公司 数据分类方法、装置和计算机可读存储介质
CN111583224A (zh) * 2020-05-08 2020-08-25 厦门大学 一种基于包围盒与区域选择裁剪的医学图像增广方法
CN111597338A (zh) * 2020-05-19 2020-08-28 杭州英视信息科技有限公司 对抗支持向量机
CN112131907A (zh) * 2019-06-24 2020-12-25 华为技术有限公司 一种训练分类模型的方法及装置
CN113256617A (zh) * 2021-06-23 2021-08-13 重庆点检生物科技有限公司 一种病理切片虚拟免疫组化染色方法及系统
CN113837154A (zh) * 2021-11-25 2021-12-24 之江实验室 一种基于多任务辅助的开放集过滤系统及方法
WO2022116479A1 (zh) * 2020-12-01 2022-06-09 南京智谷人工智能研究院有限公司 一种基于自动示例选择的端到端多示例学习方法
CN116739106A (zh) * 2023-05-22 2023-09-12 中国医学科学院医学信息研究所 一种图像数据集扩展方法、系统及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292336A (zh) * 2017-06-12 2017-10-24 西安电子科技大学 一种基于dcgan的极化sar图像分类方法
CN108401112A (zh) * 2018-04-23 2018-08-14 Oppo广东移动通信有限公司 图像处理方法、装置、终端及存储介质
CN108460761A (zh) * 2018-03-12 2018-08-28 北京百度网讯科技有限公司 用于生成信息的方法和装置
CN108495110A (zh) * 2018-01-19 2018-09-04 天津大学 一种基于生成式对抗网络的虚拟视点图像生成方法
CN108596958A (zh) * 2018-05-10 2018-09-28 安徽大学 一种基于困难正样本生成的目标跟踪方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292336A (zh) * 2017-06-12 2017-10-24 西安电子科技大学 一种基于dcgan的极化sar图像分类方法
CN108495110A (zh) * 2018-01-19 2018-09-04 天津大学 一种基于生成式对抗网络的虚拟视点图像生成方法
CN108460761A (zh) * 2018-03-12 2018-08-28 北京百度网讯科技有限公司 用于生成信息的方法和装置
CN108401112A (zh) * 2018-04-23 2018-08-14 Oppo广东移动通信有限公司 图像处理方法、装置、终端及存储介质
CN108596958A (zh) * 2018-05-10 2018-09-28 安徽大学 一种基于困难正样本生成的目标跟踪方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
ERIC WU ETC.: "Conditional Inflling GANs for Data Augmentation in Mammogram Classification", 《ARXIV:1807.08093V2》 *
LEI BI ETC.: "Improving Automatic Skin Lesion Segmentation using Adversarial Learning based Data Augmentation", 《ARXIV.ORG》 *
XIANGTENG HE AND YUXIN PENG: "Visual-textual Attention Driven Fine-grained Representation Learning", 《ARXIV:1709.00340V2》 *
刘勇等: ""弄假成真":基于对抗学习的数据增广方法", 《科技导报》 *
柯逍等: "基于Co-training的图像自动标注", 《厦门大学学报(自然科学版)》 *
段萌等: "基于卷积神经网络的小样本图像识别方法", 《计算机工程与设计》 *

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110070124A (zh) * 2019-04-15 2019-07-30 广州小鹏汽车科技有限公司 一种基于生成式对抗网络的图像扩增方法及系统
CN110210513A (zh) * 2019-04-23 2019-09-06 深圳信息职业技术学院 数据分类方法、装置及终端设备
CN111488400A (zh) * 2019-04-28 2020-08-04 北京京东尚科信息技术有限公司 数据分类方法、装置和计算机可读存储介质
CN110110780A (zh) * 2019-04-30 2019-08-09 南开大学 一种基于对抗神经网络和海量噪声数据的图片分类方法
CN110135302A (zh) * 2019-04-30 2019-08-16 百度在线网络技术（北京）有限公司 训练车道线识别模型的方法、装置、设备和存储介质
US11508163B2 (en) 2019-04-30 2022-11-22 Baidu Online Network Technology (Beijing) Co., Ltd. Method and apparatus for training lane line identifying model, device, and storage medium
CN110197212A (zh) * 2019-05-20 2019-09-03 北京邮电大学 图像分类方法、系统及计算机可读存储介质
CN112131907A (zh) * 2019-06-24 2020-12-25 华为技术有限公司 一种训练分类模型的方法及装置
CN110543636A (zh) * 2019-09-06 2019-12-06 出门问问(武汉)信息科技有限公司 一种对话系统的训练数据选择方法
CN110543636B (zh) * 2019-09-06 2023-05-23 出门问问创新科技有限公司 一种对话系统的训练数据选择方法
CN110930469A (zh) * 2019-10-25 2020-03-27 北京大学 一种基于过渡空间映射的文本生成图像方法和系统
CN111325236A (zh) * 2020-01-21 2020-06-23 南京大学 一种基于卷积神经网络的超声图像分类方法
CN111368935A (zh) * 2020-03-17 2020-07-03 北京航天自动控制研究所 一种基于生成对抗网络的sar时敏目标样本增广方法
CN111461244A (zh) * 2020-04-09 2020-07-28 武汉大学 一种基于SimpleShot的One-Shot学习新方法
CN111583224A (zh) * 2020-05-08 2020-08-25 厦门大学 一种基于包围盒与区域选择裁剪的医学图像增广方法
CN111583224B (zh) * 2020-05-08 2023-05-09 厦门大学 一种基于包围盒与区域选择裁剪的医学图像增广方法
CN111597338B (zh) * 2020-05-19 2023-04-18 杭州英视信息科技有限公司 对抗支持向量机
CN111597338A (zh) * 2020-05-19 2020-08-28 杭州英视信息科技有限公司 对抗支持向量机
WO2022116479A1 (zh) * 2020-12-01 2022-06-09 南京智谷人工智能研究院有限公司 一种基于自动示例选择的端到端多示例学习方法
CN113256617A (zh) * 2021-06-23 2021-08-13 重庆点检生物科技有限公司 一种病理切片虚拟免疫组化染色方法及系统
CN113256617B (zh) * 2021-06-23 2024-02-20 重庆点检生物科技有限公司 一种病理切片虚拟免疫组化染色方法及系统
CN113837154A (zh) * 2021-11-25 2021-12-24 之江实验室 一种基于多任务辅助的开放集过滤系统及方法
CN116739106A (zh) * 2023-05-22 2023-09-12 中国医学科学院医学信息研究所 一种图像数据集扩展方法、系统及存储介质

Also Published As

Publication number Publication date
CN109614979B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN109614979A (zh) 一种基于选择与生成的数据增广方法及图像分类方法
CN108615010B (zh) 基于平行卷积神经网络特征图融合的人脸表情识别方法
CN111860171B (zh) 一种大规模遥感图像中不规则形状目标的检测方法及系统
CN108229338A (zh) 一种基于深度卷积特征的视频行为识别方法
CN113496217A (zh) 视频图像序列中人脸微表情识别方法
CN106778852A (zh) 一种修正误判的图像内容识别方法
CN110263215B (zh) 一种视频情感定位方法及系统
CN113536922A (zh) 一种加权融合多种图像任务的视频行为识别方法
CN107392147A (zh) 一种基于改进的生成式对抗网络的图像语句转换方法
CN113688894B (zh) 一种融合多粒度特征的细粒度图像分类方法
CN104268593A (zh) 一种小样本情况下多稀疏表示的人脸识别方法
CN108595558B (zh) 一种数据均衡策略和多特征融合的图像标注方法
CN106503672A (zh) 一种老年人异常行为的识别方法
CN110826462A (zh) 一种非局部双流卷积神经网络模型的人体行为识别方法
CN110807420A (zh) 一种融合特征提取和深度学习的人脸表情识别方法
CN110728144B (zh) 一种基于上下文语义感知的抽取式文档自动摘要方法
CN106503616A (zh) 一种基于分层超限学习机的运动想象脑电信号分类方法
CN114299542A (zh) 一种基于多尺度特征融合的视频行人重识别方法
Kindiroglu et al. Temporal accumulative features for sign language recognition
CN106339718A (zh) 一种基于神经网络的分类方法及装置
Jiang et al. Pruning-aware sparse regularization for network pruning
Jarabese et al. Sign to speech convolutional neural network-based filipino sign language hand gesture recognition system
CN113780550A (zh) 一种量化特征图相似度的卷积神经网络剪枝方法及装置
CN113361589A (zh) 基于迁移学习与知识蒸馏的珍稀濒危植物叶片识别方法
Kim et al. Multi class adult image classification using neural networks

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