CN109919252A - 利用少数标注图像生成分类器的方法 - Google Patents

利用少数标注图像生成分类器的方法 Download PDF

Info

Publication number
CN109919252A
CN109919252A CN201910235392.2A CN201910235392A CN109919252A CN 109919252 A CN109919252 A CN 109919252A CN 201910235392 A CN201910235392 A CN 201910235392A CN 109919252 A CN109919252 A CN 109919252A
Authority
CN
China
Prior art keywords
classifier
classification
training
image
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
Application number
CN201910235392.2A
Other languages
English (en)
Other versions
CN109919252B (zh
Inventor
张勇东
尚志华
谢洪涛
李岩
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.)
Beijing Academy Of Chinese Studies
University of Science and Technology of China USTC
Original Assignee
Beijing Academy Of Chinese Studies
University of Science and Technology of China USTC
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 Beijing Academy Of Chinese Studies, University of Science and Technology of China USTC filed Critical Beijing Academy Of Chinese Studies
Priority to CN201910235392.2A priority Critical patent/CN109919252B/zh
Publication of CN109919252A publication Critical patent/CN109919252A/zh
Priority to PCT/CN2020/079018 priority patent/WO2020192442A1/zh
Priority to US17/430,192 priority patent/US20220156583A1/en
Application granted granted Critical
Publication of CN109919252B publication Critical patent/CN109919252B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Neurology (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种利用少数标注图像生成分类器的方法，包括：利用数据量满足要求的标注数据集预训练一个宽残差网络，将训练后的宽残差网络中除全连接层的其他部分作为图像的特征提取器；对于待生成的N分类器，从训练集中选择N个类别，并从N个类别中各随机选择一个图像作为训练样本；通过特征提取器对每一类别的训练样本中提取一个特征向量，将提取到的N个特征向量输入分类器生成器中；由分类器生成器依次进行类别信息融合与N分类器的参数预测，从而得到N分类器。通过大量的标注数据学习一种生成分类器的方法，当对新的类别图像分类时可使用新类别中的少数图片生成新的分类器，从而确保图像分类的精度。

Description

利用少数标注图像生成分类器的方法
技术领域
本发明涉及人工智能领域，尤其涉及一种利用少数标注图像生成分类器的方法。
背景技术
图像分类，根据各自在图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法。它利用计算机对图像进行定量分析，把图像或图像中的每个像元或区域划归为若干个类别中的某一种，以代替人的视觉判读。
目前，基于深度神经网络的分类方法已经十分成熟，但大多数方法依赖于海量的标注数据，同时当待分类的图像类别发生改变时无法快速调整，从而影响图像分类的效果。
发明内容
本发明的目的是提供一种利用少数标注图像生成分类器的方法，可以确保图像分类的精度。
本发明的目的是通过以下技术方案实现的：
一种利用少数标注图像生成分类器的方法，包括：
利用数据量满足要求的标注数据集预训练一个宽残差网络，将训练后的宽残差网络中除全连接层的其他部分作为图像的特征提取器；
对于待生成的N分类器，从训练集中选择N个类别，并从N个类别中各随机选择一个或多个图像作为训练样本；通过特征提取器对每一类别的训练样本中提取一个特征向量，将提取到的N个特征向量输入分类器生成器中；
由分类器生成器依次进行类别信息融合与N分类器的参数预测，从而得到N分类器。
由上述本发明提供的技术方案可以看出，通过大量的标注数据学习一种生成分类器的方法，当对新的类别图像分类时可使用新类别中的少数图片生成新的分类器，从而确保图像分类的精度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1为本发明实施例提供的一种利用少数标注图像生成分类器的方法流程图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
本发明实施例提供一种利用少数标注图像生成分类器的方法，如图1所示，其主要包括：
1、利用数据量满足要求的标注数据集预训练一个宽残差网络，将训练后的宽残差网络中除全连接层的其他部分作为图像的特征提取器。
本发明实施例中，需要选择一个数据量满足要求的标注数据集，依据类别图像类别分为互不重合的训练集和测试集，分别用来网络训练与测试。
所述宽残差网络包含一个多层的卷积神经网络和一个全连接层；预训练过程中，每个图像输入宽残差网络后，网络末端的全连接层的输出表示输入图像属于各个类别的分类得分；
预训练过程中，损失函数定义为：
其中si,y代表每一次批训练中第i个待分类图像对于其真实类别y的分类得分，si,y′代表该图像在其余的类别y′分类得分。
经过一定次数的训练，并通过测试集的测试后，表示宽残差网络预训练完毕。
预训练完成后，保留宽残差网络除全连接层的其余部分作为图像的特征提取器。
2、对于待生成的N分类器，从训练集中选择N个类别，并从N个类别中各随机选择一个或多个图像作为训练样本；通过特征提取器从每一类别的训练样本中提取一个特征向量，将提取到的N个特征向量输入分类器生成器中。
本发明实施例中，N的具体取值可以根据需求自行设定，各图像类型中选取的图像个数也可以根据经验或者需求来设定。
如果每个类别提取一个图像作为训练样本，则每一训练样本能够提取一个特征向量，最终为N个特征向量。如果每个类别提取多个图像作为训练样本，则将多个训练样本的特征向量的平均值作为对应类别的特征向量，最终为N个特征向量。
3、由分类器生成器依次进行类别信息融合与N分类器的参数预测，从而得到N分类器。
本发明实施例中所述分类器生成器包括：类别信息融合模块与分类器参数预测模块。
1)类别信息融合模块。
N个训练样本的特征向量拼接组成一个行数为N的矩阵后，输入至类别信息融合模块，得到一个融合特征矩阵，融合特征矩阵的每一行代表输入中对应行的类别特征。
所述类别信息融合模块由一个全连接层构成，它的输入输出维度为N。
2)分类器参数预测模块。
将融合特征矩阵输入至分类器参数预测模块，预测出N分类器的参数。
所述分类器参数预测模块由一个全连接层组成，它的输入输出维度与图像特征向量维度相同。
例如，特征提取器对每张输入图像可得到一个640维的向量则分类器参数预测模块的输入输出均为640维。该模块可以根据类别信息融合模块的输出预测分类器的参数，如根据之前的假设可得到N×640维的矩阵。该矩阵即为最终所求分类器参数，最终分类器输入640维的图像特征，并得到N维的分类得分，其中得分最高的一个类别作为预测的类别。
另外，得到N分类器后，对其进行训练，即从N个类别中各随机选择一定数量(例如，15个)的图像作为待测图像，通过特征提取器提取到的特征直接输入至N分类器，预测得到属于各个类别的分类得分，根据预测结果更新N分类器的参数。
N分类器训练过程中损失函数如下：
其中，si,y代表每一次批训练中第i个待分类图像对于其真实类别y的分类得分，si,y′代表该图像在其余的类别y′分类得分。与预训练时不同的是，所有类别仅考虑分类器对应的N个类别。
此外，完成训练后，给定N个新类别和每个类别的一个或几个新样本可直接生成一个新的分类器用于对这N个类别的图像进行分类。特别地，训练时每个新类别可只用一个样本，在应用时如一个类别中有多个可用样本，则可使用这几个样本的特征向量的平均值代替单一样本的特征向量。
本发明实施例上述方案，完全基于2D卷积神经网络，在较大的训练集集上训练后，可根据少数新类别的样本生成对应类别的分类器。在专用的少样本学习数据集上测试时，对于生成5类别(即N＝5)的分类器，每个新类别只使用1个样本时，生成的分类器可达到60.04％的精度，每个新类别使用5个样本时，可达到74.15％的分类精度。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上所述，仅为本发明较佳的具体实施方式，但本发明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披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (7)

1.一种利用少数标注图像生成分类器的方法，其特征在于，包括：
利用数据量满足要求的标注数据集预训练一个宽残差网络，将训练后的宽残差网络中除全连接层的其他部分作为图像的特征提取器；
对于待生成的N分类器，从训练集中选择N个类别，并从N个类别中各随机选择一个或多个图像作为训练样本；通过特征提取器对每一类别的训练样本中提取一个特征向量，将提取到的N个特征向量输入分类器生成器中；
由分类器生成器依次进行类别信息融合与N分类器的参数预测，从而得到N分类器。
2.根据权利要求1所述的一种利用少数标注图像生成分类器的方法，其特征在于，所述利用数据量满足要求的标注数据集预训练一个宽残差网络包括：
选择一个数据量满足要求的标注数据集，依据类别图像类别分为互不重合的训练集和测试集；
所述宽残差网络包含一个多层的卷积神经网络和一个全连接层；预训练过程中，每个图像输入宽残差网络后，网络末端的全连接层的输出表示输入图像属于各个类别的分类得分；
预训练过程中，损失函数定义为：
其中si,y代表每一次批训练中第i个待分类图像对于其真实类别y的分类得分，si,y′代表该图像在其余的类别y′分类得分；
经过一定次数的训练，并通过测试集的测试后，表示宽残差网络预训练完毕。
3.根据权利要求1所述的一种利用少数标注图像生成分类器的方法，其特征在于，所述通过特征提取器对每一类别的训练样本中提取一个特征向量包括：
如果每个类别提取一个图像作为训练样本，则每一训练样本能够提取一个特征向量，最终为N个特征向量；如果每个类别提取多个图像作为训练样本，则将多个训练样本的特征向量的平均值作为对应类别的特征向量，最终为N个特征向量。
4.根据权利要求1所述的一种利用少数标注图像生成分类器的方法，其特征在于，所述分类器生成器包括：类别信息融合模块与分类器参数预测模块；
N个训练样本的特征向量拼接组成一个行数为N的矩阵后，输入至类别信息融合模块，得到一个融合特征矩阵，融合特征矩阵的每一行代表输入中对应行的类别特征；
之后，将融合特征矩阵输入至分类器参数预测模块，预测出N分类器的参数。
5.根据权利要求4所述的一种利用少数标注图像生成分类器的方法，其特征在于，所述类别信息融合模块由一个全连接层构成，它的输入输出维度为N。
6.根据权利要求4所述的一种利用少数标注图像生成分类器的方法，其特征在于，所述分类器参数预测模块由一个全连接层组成，它的输入输出维度与图像特征向量维度相同。
7.根据权利要求1-6任一项所述的一种利用少数标注图像生成分类器的方法，其特征在于，得到N分类器后，对其进行训练，即从N个类别中各随机选择一定数量的图像作为待测图像，通过特征提取器提取到的特征直接输入至N分类器，预测得到属于各个类别的分类得分，根据预测结果更新N分类器的参数；N分类器训练过程中的损失函数与预训练宽残差网络的损失函数相同，区别仅在于涉及的图像类别数量不同。
CN201910235392.2A 2019-03-26 2019-03-26 利用少数标注图像生成分类器的方法 Active CN109919252B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910235392.2A CN109919252B (zh) 2019-03-26 2019-03-26 利用少数标注图像生成分类器的方法
PCT/CN2020/079018 WO2020192442A1 (zh) 2019-03-26 2020-03-12 利用少数标注图像生成分类器的方法
US17/430,192 US20220156583A1 (en) 2019-03-26 2020-03-12 Method of generating classifier by using small number of labeled images

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910235392.2A CN109919252B (zh) 2019-03-26 2019-03-26 利用少数标注图像生成分类器的方法

Publications (2)

Publication Number Publication Date
CN109919252A true CN109919252A (zh) 2019-06-21
CN109919252B CN109919252B (zh) 2020-09-01

Family

ID=66966913

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910235392.2A Active CN109919252B (zh) 2019-03-26 2019-03-26 利用少数标注图像生成分类器的方法

Country Status (3)

Country Link
US (1) US20220156583A1 (zh)
CN (1) CN109919252B (zh)
WO (1) WO2020192442A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110598759A (zh) * 2019-08-23 2019-12-20 天津大学 一种基于多模态融合的生成对抗网络的零样本分类方法
CN111709470A (zh) * 2020-06-08 2020-09-25 北京百度网讯科技有限公司 图像生成方法、装置、设备及介质
WO2020192442A1 (zh) * 2019-03-26 2020-10-01 中国科学技术大学 利用少数标注图像生成分类器的方法
WO2021013095A1 (zh) * 2019-07-24 2021-01-28 华为技术有限公司 图像分类方法、图像分类模型的训练方法及其装置
CN112990625A (zh) * 2019-12-13 2021-06-18 北京金山云网络技术有限公司 标注任务的分配方法、装置及服务器
CN114120048A (zh) * 2022-01-26 2022-03-01 中兴通讯股份有限公司 图像处理方法、电子设备及计算存储介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112487193B (zh) * 2020-12-18 2022-11-22 贵州大学 一种基于自编码器的零样本图片分类方法
CN114417955B (zh) * 2021-12-02 2023-10-31 国网浙江省电力有限公司 适用乡村的电力指数画像实时生成方法、装置及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090297048A1 (en) * 2008-06-02 2009-12-03 Massachusetts Institute Of Technology Fast pattern classification based on a sparse transform
CN107622274A (zh) * 2016-07-15 2018-01-23 北京市商汤科技开发有限公司 用于图像处理的神经网络训练方法、装置以及计算机设备
CN108960140A (zh) * 2018-07-04 2018-12-07 国家新闻出版广电总局广播科学研究院 基于多区域特征提取和融合的行人再识别方法
CN108960207A (zh) * 2018-08-08 2018-12-07 广东工业大学 一种图像识别的方法、系统及相关组件

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103514443B (zh) * 2013-10-15 2016-12-07 中国矿业大学 一种基于lpp特征提取的单样本人脸识别迁移学习方法
US9014481B1 (en) * 2014-04-22 2015-04-21 King Fahd University Of Petroleum And Minerals Method and apparatus for Arabic and Farsi font recognition
CN109102002A (zh) * 2018-07-17 2018-12-28 重庆大学 结合卷积神经网络和概念机递归神经网络的图像分类方法
CN109919252B (zh) * 2019-03-26 2020-09-01 中国科学技术大学 利用少数标注图像生成分类器的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090297048A1 (en) * 2008-06-02 2009-12-03 Massachusetts Institute Of Technology Fast pattern classification based on a sparse transform
CN107622274A (zh) * 2016-07-15 2018-01-23 北京市商汤科技开发有限公司 用于图像处理的神经网络训练方法、装置以及计算机设备
CN108960140A (zh) * 2018-07-04 2018-12-07 国家新闻出版广电总局广播科学研究院 基于多区域特征提取和融合的行人再识别方法
CN108960207A (zh) * 2018-08-08 2018-12-07 广东工业大学 一种图像识别的方法、系统及相关组件

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020192442A1 (zh) * 2019-03-26 2020-10-01 中国科学技术大学 利用少数标注图像生成分类器的方法
WO2021013095A1 (zh) * 2019-07-24 2021-01-28 华为技术有限公司 图像分类方法、图像分类模型的训练方法及其装置
CN110598759A (zh) * 2019-08-23 2019-12-20 天津大学 一种基于多模态融合的生成对抗网络的零样本分类方法
CN112990625A (zh) * 2019-12-13 2021-06-18 北京金山云网络技术有限公司 标注任务的分配方法、装置及服务器
CN111709470A (zh) * 2020-06-08 2020-09-25 北京百度网讯科技有限公司 图像生成方法、装置、设备及介质
CN111709470B (zh) * 2020-06-08 2023-10-03 北京百度网讯科技有限公司 图像生成方法、装置、设备及介质
CN114120048A (zh) * 2022-01-26 2022-03-01 中兴通讯股份有限公司 图像处理方法、电子设备及计算存储介质
CN114120048B (zh) * 2022-01-26 2022-05-13 中兴通讯股份有限公司 图像处理方法、电子设备及计算存储介质

Also Published As

Publication number Publication date
WO2020192442A1 (zh) 2020-10-01
US20220156583A1 (en) 2022-05-19
CN109919252B (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
CN109919252A (zh) 利用少数标注图像生成分类器的方法
CN113657465B (zh) 预训练模型的生成方法、装置、电子设备和存储介质
CN109344736B (zh) 一种基于联合学习的静态图像人群计数方法
CN109614921B (zh) 一种基于对抗生成网络的半监督学习的细胞分割方法
US9514356B2 (en) Method and apparatus for generating facial feature verification model
CN109376603A (zh) 一种视频识别方法、装置、计算机设备及存储介质
CN110880019B (zh) 通过无监督域适应训练目标域分类模型的方法
CN110580500A (zh) 一种面向人物交互的网络权重生成少样本图像分类方法
CN109583322A (zh) 一种人脸识别深度网络训练方法和系统
CN108710893B (zh) 一种基于特征融合的数字图像相机源模型分类方法
CN110728295B (zh) 半监督式的地貌分类模型训练和地貌图构建方法
CN106326857A (zh) 基于人脸图像的性别识别方法及装置
Hii et al. Multigap: Multi-pooled inception network with text augmentation for aesthetic prediction of photographs
KR102042168B1 (ko) 시계열 적대적인 신경망 기반의 텍스트-비디오 생성 방법 및 장치
CN109284779A (zh) 基于深度全卷积网络的物体检测方法
CN109472193A (zh) 人脸检测方法及装置
CN109902202A (zh) 一种视频分类方法及装置
CN109598307A (zh) 数据筛选方法、装置、服务器及存储介质
CN110688888B (zh) 一种基于深度学习的行人属性识别方法和系统
WO2019167784A1 (ja) 位置特定装置、位置特定方法及びコンピュータプログラム
CN110287981B (zh) 基于生物启发性表征学习的显著性检测方法及系统
CN110197213A (zh) 基于神经网络的图像匹配方法、装置和设备
Shi et al. Segmentation quality evaluation based on multi-scale convolutional neural networks
CN110135428A (zh) 图像分割处理方法和装置
CN109101984B (zh) 一种基于卷积神经网络的图像识别方法及装置

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