CN109657697A - 基于半监督学习和细粒度特征学习的分类优化方法 - Google Patents
基于半监督学习和细粒度特征学习的分类优化方法 Download PDFInfo
- Publication number
- CN109657697A CN109657697A CN201811369238.6A CN201811369238A CN109657697A CN 109657697 A CN109657697 A CN 109657697A CN 201811369238 A CN201811369238 A CN 201811369238A CN 109657697 A CN109657697 A CN 109657697A
- Authority
- CN
- China
- Prior art keywords
- learning
- semi
- fine granularity
- probability
- feature
- 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
Links
- 230000013016 learning Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000005457 optimization Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000005520 cutting process Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000013526 transfer learning Methods 0.000 abstract description 7
- 238000013528 artificial neural network Methods 0.000 abstract 1
- 230000005764 inhibitory process Effects 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012800 visualization 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
- G06F18/24—Classification techniques
-
- 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
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
本发明涉及计算机视觉的技术领域,更具体地,涉及基于半监督学习和细粒度特征学习的分类优化方法。本发明是一种利用半监督学习来筛选伪标签数据,并且指定一种细粒度图片特征提取、利用方法来提升神经网络的泛化能力,以提升分类网络其在细粒度分类任务上的表现。包括:通过伪标签数据来扩充数据集;通过SSD对输入图片进行目标检测,对检测结果通过多个尺度进行裁剪,将检测结果和裁剪得到的图像块一起送入分类网络中学习,通过加权输出抑制背景块的影响。本发明还涉及到迁移学习,具体涉及到利用ImageNet数据集上的预训练模型的,冻结卷积层,微调全连接层,极大的节省了训练内存,节省了训练时间。
Description
技术领域
本发明涉及计算机视觉的技术领域,更具体地,涉及基于半监督学习和细粒度特征学习的分类优化方法。
背景技术
细粒度图像识别是图像分类领域中一个子任务,它的目标是在一个大类中的数百数千个子类中正确识别目标。 相同的子类中物体的差异可能大不相同,不同的子类中物体可能又有着较高的相似度,再加上可用于训练的细分类数据集小,这是识别他们的三大难点。
如何有效地对输入对象进行检测,并从中找到重要的局部区域信息,成为了细粒度图像分类算法要解决的关键问题,现有的方法解决细粒度分类问题按照其使用的监督信息的多少可以分为两类:基于强监督信息的分类模型和弱监督信息的分类模型两大类。
基于强监督信息的细粒度图像分类模型是指,在模型训练时,除了图像的类别标签外,还使用了物体标注框和部位标注点等额外的人工标注信息,以此来获得更好的分类精度。基于弱监督信息的细粒度图像分类模型则希望在不借助part annotation的情况下,依赖于本身的算法来完成物体和局部区域的检测,也可以捕捉到所需要的局部信息,以达到结合全局信息和局部信息来做细粒度级别的分类。
对于训练集不足的问题,一般可以通过迁移学习和半监督学习来解决,迁移学习通过大型数据集上训练好模型来在新的任务上做微调,半监督学习通过使用无标记数据来扩充可训练数据集样本。训练一个卷积神经网络往往需要较高的GPU内存和长时间的迭代训练,而如何把无标记样本正确利用起来是半监督学习一个难题。
目前尚未发现在具备高精确度、能解决训练样本不足并且能极大缩短运行时间,节省内存,提高时效的专利或者文献。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷,提供基于半监督学习和细粒度特征学习的分类优化方法,兼顾精准和内存、时间平衡的方法,通过半监督学习来扩充数据集,利用多尺度的细粒度特征来提高分类精确性,降低错误率。
本发明的技术方案是:基于半监督学习和细粒度特征学习的分类优化方法,其中,包括以下步骤:
S1. 对无标记数据做投票操作,挑选具有一致的结果且不属于混淆类的数据当做伪标签;
S2. 用挑选好的伪标签扩充训练集;
S3. 选定一张有标记图片,得到检测结果图A;
S4. 将上一步得到的图A进行随机裁剪得到图片;
S5. 将裁剪得到的图像块和图A一起送进网络去学习;
S6. 选定待测试图片,得到检测结果图B;
S7. 将图B划分大小,裁剪图像块;
S8. 将裁剪得到图像块以及图B一起做预测;
S9. 对上一步得到的每张图像块的预测结果,用最大预测概率减去次大预测概率作为他们的权重,累加加权后的概率,取最大概率所在类别当做测试图片的最终结果。
本发明中,结合半监督学习来挑选伪标签,用伪标签扩充数据集,用裁剪的图像块帮助模型学习细粒度特征,对要预测的图片做加权的结果输出。
进一步的,所述的步骤S3和S6中,用SSD检测,得到检测结果。SSD(Single ShotMultiBox Detector )是一种目标检测算法,该算法于2016年提出,是目前最主要的检测算法之一,相比Faster RCNN有明显的速度优势,相比YOLO又有明显的mAP优势。SSD具有如下主要特点: 1、从YOLO中继承了将detection转化为regression的思路,同时一次即可完成网络训练; 2、基于Faster RCNN中的anchor,提出了相似的prior box;3、加入基于特征金字塔(Pyramidal Feature Hierarchy)的检测方式,相当于半个FPN思路。
进一步的,所述的步骤S4中,图A以两种尺度,即图A的1/2和1/4,进行随机裁剪各得到8张图。
所述的步骤S5中,将16张裁剪得到的图像块和图A一起送进网络去学习,训练网络时,在输出的时候,对每个输出概率向量,用最大预测概率减去次大预测概率作为他们的权重,累加加权后的概率,取最大概率所在类别当做测试图片的最终结果。
所述的步骤S7中,将图B划分成2×2大小,裁剪五个图像块。所述的步骤S8中,将裁剪得到的4张图像块以及图B一起做预测。
本发明利用了迁移学习,冻结卷积层,只训练全连接层大大缩短训练时间,节省内存。半监督学习、细粒度特征学习、迁移学习都运用到以上步骤中。
与现有技术相比,有益效果是:在本发明中,使用了半监督学习解决了可训练数据集不足的问题,通过裁剪,捕捉细粒度图像特征,加权输出类别概率,都极大提高了准确度。通过冻结卷积层,只训练全连接层,极大地节省内存,缩短了训练时间,因此本发明在精确性和时效性方面做到了很好的平衡,这在目前来看并没有别的文献和专利做到过。
附图说明
图1 表示整套算法的流程图。
图2 表示三个分类网络(VGG19、ResNet18、GoogleNet)在cifar10数据集上的分类准确率柱状图。
图3 表示半监督学习方法扩充数据集后给各个单模型带来的提升前后对比。
图4 表示训练时随机裁剪方式得到得到的一些结果图。
图5表示测试时对检测后图片的裁剪方式。
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。附图中描述位置关系仅用于示例性说明,不能理解为对本专利的限制。
本实施例中,使用SSD来对分类目标进行检测,以放大目标在图像中所占比例。
步骤一中,我们三个经典的卷积神经网络VGG19、ResNet18和GoogleNet来做投票操作。首先在目标数据集上训练三个网络,然后让训练好的网络各自对验证集做出分类判断,然后对三个网络得到各个类别的准确率做平均,可得到各类别判断准确率如图2所示,将柱状图中远低于平均值的类别视为混淆类(如图2中红色和橘色和红色柱子所示类别),即难分类类别。将无标记样本中,三个模型分类结果一致且不属于混淆类类别的样本挑选出来,视为伪标签,即把三个模型的共同分类结果视为该无标记样本的类别。
步骤二中,将步骤一中挑选出来的伪标签加入到训练集,以此来扩充数据集,扩充前后的模型分类效果对比表格如图3所示。
步骤三中,将训练数据先用SSD进行检测,得到要分类目标的位置,对此位置进行裁剪,裁剪时进行短边延伸,即使得到的图片块长和宽大小一致,记为图A,裁剪出的部分快如图4所示。
步骤四中,从图A的中心点出发,以图A大小的1/4和1/9两种尺度随机裁剪各得到8张图片,共16张。裁剪得到部分图像块可视化结果如图2所示。
步骤五中,将上一步得到的十六张图片块都标记上和图A一样的类别,然后和图A一起送入网络中去学习,训练网络,在网络输出的时候,对每个输出概率向量,用最大预测概率减去次大预测概率作为他们的权重,累加加权后的概率,取最大概率所在类别当做测试图片的最终结果。
步骤六中,测试的时候,对于待测试图片,用SSD检测,得到检测结果记为图B。
步骤七中,将上一步得到的图B以2×2的大小进行划分,然后裁剪,得到四个图像块,再从图片的中心点出发,裁剪一个为图B的1/4大小的图像块,总的裁剪过程如图5所示。
步骤八中,将划分的四个部分裁剪下来得到四个图像块,将这四个图像块和图A一起送入网络去做预测,得到五个预测概率向量。
步骤九中,对上一步得到的五个预测概率向量,我们分别用每个概率向量的最大值减去次大值作为它们各自的权重w1、w2、w3、w4、w5,将这五个权重乘以他们的概率向量,然后累加,最后取最大概率所在类别当做是待测试图片的真实类别,加权输出削弱了背景在训练时带来的影响,提高了判断的准确性。
在本发明中,我们多次使用半监督学习、迁移学习、细粒度特征学习,并且优化了训练方式,冻结了分类网络的卷积层,只训练全连接层,都极大提高了运算效率和准确率。通过投票和非混淆类筛选,得到伪标签,用伪标签扩充数据集,解决训练样本不足问题。用SSD+随机裁剪的方法捕捉细粒度特征,在模型输出,用最大概率值减去次大值作为权重,减轻背景块带来的影响。整个一套流程因为有数据集的扩充和细粒度特征的加入,使得分类结果精确性得以提高,而选择使用迁移学习、冻结卷积层也使得训练测试速度得到了保证,因此本发明在精确性和时效性方面做到了很好的平衡,这在目前来看并没有别的文献和专利做到过。
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.基于半监督学习和细粒度特征学习的分类优化方法,其特征在于,包括以下步骤:
S1. 对无标记数据做投票操作,挑选具有一致的结果且不属于混淆类的数据当做伪标签;
S2. 用挑选好的伪标签扩充训练集;
S3. 选定一张有标记图片,得到检测结果图A;
S4. 将上一步得到的图A进行随机裁剪得到图片;
S5. 将裁剪得到的图像块和图A一起送进网络去学习;
S6. 选定待测试图片,得到检测结果图B;
S7. 将图B划分大小,裁剪图像块;
S8. 将裁剪得到图像块以及图B一起做预测;
S9. 对上一步得到的每张图像块的预测结果,用最大预测概率减去次大预测概率作为他们的权重,累加加权后的概率,取最大概率所在类别当做测试图片的最终结果。
2.根据权利要求1所述的基于半监督学习和细粒度特征学习的分类优化方法,其特征在于:所述的步骤S3和S6中,用SSD检测,得到检测结果。
3.根据权利要求1所述的基于半监督学习和细粒度特征学习的分类优化方法,其特征在于:所述的步骤S4中,图A以两种尺度,图A的1/2和1/4,进行随机裁剪各得到8张图。
4.根据权利要求1所述的基于半监督学习和细粒度特征学习的分类优化方法,其特征在于:所述的步骤S5中,将16张裁剪得到的图像块和图A一起送进网络去学习,训练网络时,在输出的时候,对每个输出概率向量,用最大预测概率减去次大预测概率作为他们的权重,累加加权后的概率,取最大概率所在类别当做测试图片的最终结果。
5.根据权利要求1所述的基于半监督学习和细粒度特征学习的分类优化方法,其特征在于:所述的步骤S7中,将图B划分成2×2大小,裁剪五个图像块。
6.根据权利要求1所述的基于半监督学习和细粒度特征学习的分类优化方法,其特征在于:所述的步骤S8中,将裁剪得到的4张图像块以及图B一起做预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811369238.6A CN109657697B (zh) | 2018-11-16 | 2018-11-16 | 基于半监督学习和细粒度特征学习的分类优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811369238.6A CN109657697B (zh) | 2018-11-16 | 2018-11-16 | 基于半监督学习和细粒度特征学习的分类优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109657697A true CN109657697A (zh) | 2019-04-19 |
CN109657697B CN109657697B (zh) | 2023-01-06 |
Family
ID=66111330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811369238.6A Active CN109657697B (zh) | 2018-11-16 | 2018-11-16 | 基于半监督学习和细粒度特征学习的分类优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109657697B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298388A (zh) * | 2019-06-10 | 2019-10-01 | 天津大学 | 基于改进vgg19网络的玉米5种旱情识别方法 |
CN110442708A (zh) * | 2019-06-24 | 2019-11-12 | 厦门美域中央信息科技有限公司 | 一种基于粒度计算的信息分类方法 |
CN110533024A (zh) * | 2019-07-10 | 2019-12-03 | 杭州电子科技大学 | 基于多尺度roi特征的双二次池化细粒度图像分类方法 |
CN110647939A (zh) * | 2019-09-24 | 2020-01-03 | 广州大学 | 一种半监督智能分类方法、装置、存储介质及终端设备 |
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 |
CN111460156A (zh) * | 2020-03-31 | 2020-07-28 | 深圳前海微众银行股份有限公司 | 样本扩充方法、装置、设备及计算机可读存储介质 |
CN111915020A (zh) * | 2020-08-12 | 2020-11-10 | 杭州海康威视数字技术股份有限公司 | 检测模型的更新方法、装置及存储介质 |
CN111931914A (zh) * | 2020-08-10 | 2020-11-13 | 北京计算机技术及应用研究所 | 一种基于模型微调的卷积神经网络通道剪枝方法 |
CN112085051A (zh) * | 2020-07-24 | 2020-12-15 | 西安电子科技大学 | 基于加权投票的图像分类方法、系统及电子设备 |
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 |
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 |
CN112434646A (zh) * | 2020-12-08 | 2021-03-02 | 浙江大学 | 基于迁移学习和计算机视觉技术的成品茶质量鉴别方法 |
CN113160192A (zh) * | 2021-04-28 | 2021-07-23 | 北京科技大学 | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 |
CN113989558A (zh) * | 2021-10-28 | 2022-01-28 | 哈尔滨工业大学 | 基于迁移学习与边界框调节的弱监督目标检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160307072A1 (en) * | 2015-04-17 | 2016-10-20 | Nec Laboratories America, Inc. | Fine-grained Image Classification by Exploring Bipartite-Graph Labels |
CN107316049A (zh) * | 2017-05-05 | 2017-11-03 | 华南理工大学 | 一种基于半监督自训练的迁移学习分类方法 |
CN107451565A (zh) * | 2017-08-01 | 2017-12-08 | 重庆大学 | 一种半监督小样本深度学习图像模式分类识别方法 |
CN107480688A (zh) * | 2017-06-20 | 2017-12-15 | 广东工业大学 | 基于零样本学习的细粒度图像识别方法 |
CN107491782A (zh) * | 2017-07-22 | 2017-12-19 | 复旦大学 | 利用语义空间信息的针对少量训练数据的图像分类方法 |
US20180060652A1 (en) * | 2016-08-31 | 2018-03-01 | Siemens Healthcare Gmbh | Unsupervised Deep Representation Learning for Fine-grained Body Part Recognition |
CN107846326A (zh) * | 2017-11-10 | 2018-03-27 | 北京邮电大学 | 一种自适应的半监督网络流量分类方法、系统及设备 |
CN107886073A (zh) * | 2017-11-10 | 2018-04-06 | 重庆邮电大学 | 一种基于卷积神经网络的细粒度车辆多属性识别方法 |
CN108416370A (zh) * | 2018-02-07 | 2018-08-17 | 深圳大学 | 基于半监督深度学习的图像分类方法、装置和存储介质 |
CN108764281A (zh) * | 2018-04-18 | 2018-11-06 | 华南理工大学 | 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 |
-
2018
- 2018-11-16 CN CN201811369238.6A patent/CN109657697B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160307072A1 (en) * | 2015-04-17 | 2016-10-20 | Nec Laboratories America, Inc. | Fine-grained Image Classification by Exploring Bipartite-Graph Labels |
US20180060652A1 (en) * | 2016-08-31 | 2018-03-01 | Siemens Healthcare Gmbh | Unsupervised Deep Representation Learning for Fine-grained Body Part Recognition |
CN107316049A (zh) * | 2017-05-05 | 2017-11-03 | 华南理工大学 | 一种基于半监督自训练的迁移学习分类方法 |
CN107480688A (zh) * | 2017-06-20 | 2017-12-15 | 广东工业大学 | 基于零样本学习的细粒度图像识别方法 |
CN107491782A (zh) * | 2017-07-22 | 2017-12-19 | 复旦大学 | 利用语义空间信息的针对少量训练数据的图像分类方法 |
CN107451565A (zh) * | 2017-08-01 | 2017-12-08 | 重庆大学 | 一种半监督小样本深度学习图像模式分类识别方法 |
CN107846326A (zh) * | 2017-11-10 | 2018-03-27 | 北京邮电大学 | 一种自适应的半监督网络流量分类方法、系统及设备 |
CN107886073A (zh) * | 2017-11-10 | 2018-04-06 | 重庆邮电大学 | 一种基于卷积神经网络的细粒度车辆多属性识别方法 |
CN108416370A (zh) * | 2018-02-07 | 2018-08-17 | 深圳大学 | 基于半监督深度学习的图像分类方法、装置和存储介质 |
CN108764281A (zh) * | 2018-04-18 | 2018-11-06 | 华南理工大学 | 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 |
Non-Patent Citations (4)
Title |
---|
QUENTIN OLIVEAU 等: "Semi-Supervised Deep Attribute Networks for Fine-Grained Ship Category Recognition", 《IEEE》 * |
YUXIN PENG 等: "Object-Part Attention Model for Fine-Grained Image Classification", 《IEEE》 * |
刘尚旺等: "基于深度模型迁移的细粒度图像分类方法", 《计算机应用》 * |
蒋杰等: "一种数据增强和多模型集成的细粒度分类算法", 《图学学报》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298388A (zh) * | 2019-06-10 | 2019-10-01 | 天津大学 | 基于改进vgg19网络的玉米5种旱情识别方法 |
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 |
CN110442708A (zh) * | 2019-06-24 | 2019-11-12 | 厦门美域中央信息科技有限公司 | 一种基于粒度计算的信息分类方法 |
CN110533024A (zh) * | 2019-07-10 | 2019-12-03 | 杭州电子科技大学 | 基于多尺度roi特征的双二次池化细粒度图像分类方法 |
CN110533024B (zh) * | 2019-07-10 | 2021-11-23 | 杭州电子科技大学 | 基于多尺度roi特征的双二次池化细粒度图像分类方法 |
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 |
CN110647939A (zh) * | 2019-09-24 | 2020-01-03 | 广州大学 | 一种半监督智能分类方法、装置、存储介质及终端设备 |
CN111460156A (zh) * | 2020-03-31 | 2020-07-28 | 深圳前海微众银行股份有限公司 | 样本扩充方法、装置、设备及计算机可读存储介质 |
CN111460156B (zh) * | 2020-03-31 | 2024-05-14 | 深圳前海微众银行股份有限公司 | 样本扩充方法、装置、设备及计算机可读存储介质 |
CN112085051A (zh) * | 2020-07-24 | 2020-12-15 | 西安电子科技大学 | 基于加权投票的图像分类方法、系统及电子设备 |
CN112085051B (zh) * | 2020-07-24 | 2024-02-09 | 西安电子科技大学 | 基于加权投票的图像分类方法、系统及电子设备 |
CN111931914A (zh) * | 2020-08-10 | 2020-11-13 | 北京计算机技术及应用研究所 | 一种基于模型微调的卷积神经网络通道剪枝方法 |
CN111915020B (zh) * | 2020-08-12 | 2024-02-23 | 杭州海康威视数字技术股份有限公司 | 检测模型的更新方法、装置及存储介质 |
CN111915020A (zh) * | 2020-08-12 | 2020-11-10 | 杭州海康威视数字技术股份有限公司 | 检测模型的更新方法、装置及存储介质 |
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 |
CN112434646A (zh) * | 2020-12-08 | 2021-03-02 | 浙江大学 | 基于迁移学习和计算机视觉技术的成品茶质量鉴别方法 |
CN113160192A (zh) * | 2021-04-28 | 2021-07-23 | 北京科技大学 | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 |
CN113989558A (zh) * | 2021-10-28 | 2022-01-28 | 哈尔滨工业大学 | 基于迁移学习与边界框调节的弱监督目标检测方法 |
CN113989558B (zh) * | 2021-10-28 | 2024-04-30 | 哈尔滨工业大学 | 基于迁移学习与边界框调节的弱监督目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109657697B (zh) | 2023-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109657697A (zh) | 基于半监督学习和细粒度特征学习的分类优化方法 | |
Kaselimi et al. | A vision transformer model for convolution-free multilabel classification of satellite imagery in deforestation monitoring | |
Zhang et al. | Mining photo-sharing websites to study ecological phenomena | |
CN110059554A (zh) | 一种基于交通场景的多支路目标检测方法 | |
US20160125307A1 (en) | Air quality inference using multiple data sources | |
Feng et al. | Using exploratory regression to identify optimal driving factors for cellular automaton modeling of land use change | |
CN109117883A (zh) | 基于长短时记忆网络的sar影像海冰分类方法及系统 | |
CN109961057A (zh) | 一种车辆位置获得方法及装置 | |
RU2751381C2 (ru) | Способ прогнозирования динамики дорожного движения в системе дорог | |
CN112199559B (zh) | 数据特征的筛选方法、装置及计算机设备 | |
CN113284369B (zh) | 一种基于ads-b实测航路数据的预测方法 | |
CN113627229A (zh) | 目标检测方法、系统、设备以及计算机存储介质 | |
Di et al. | Developing machine learning tools for long-lead heavy precipitation prediction with multi-sensor data | |
CN113255580A (zh) | 抛洒物识别、车辆抛洒滴漏识别方法和装置 | |
CN114418175A (zh) | 一种人员管理方法、装置、电子设备及存储介质 | |
Li et al. | Learning to holistically detect bridges from large-size vhr remote sensing imagery | |
Bieli et al. | A statistical model to predict the extratropical transition of tropical cyclones | |
CN109543922A (zh) | 用于有桩共享单车站点群的分时段借还量预测方法 | |
CN113158084A (zh) | 移动轨迹数据处理的方法、装置、计算机设备及存储介质 | |
JP2001324576A (ja) | 事象予測方法及びシステム及び予測事象配信方法及びシステム | |
CN108109156B (zh) | 基于比值特征的sar图像道路检测方法 | |
CN109615007A (zh) | 基于粒子滤波的深度学习网络目标检测方法 | |
Cipolla et al. | Identification of spatio-temporal outliers through minimum spanning tree | |
Dias et al. | A language modeling approach for georeferencing textual documents | |
Zhihao et al. | Object detection algorithm based on dense connection |
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 |