CN109961089A - 基于度量学习和元学习的小样本和零样本图像分类方法 - Google Patents
基于度量学习和元学习的小样本和零样本图像分类方法 Download PDFInfo
- Publication number
- CN109961089A CN109961089A CN201910143448.1A CN201910143448A CN109961089A CN 109961089 A CN109961089 A CN 109961089A CN 201910143448 A CN201910143448 A CN 201910143448A CN 109961089 A CN109961089 A CN 109961089A
- Authority
- CN
- China
- Prior art keywords
- sample
- classification
- similarity
- feature
- supported collection
- 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
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明涉及计算机视觉识别和迁移学习领域,提出一种基于度量学习和元学习的小样本和零样本图像分类方法,包括以下步骤:构建训练数据集和目标任务数据集;从训练数据集选取支撑集和测试集;将测试集和支撑集的样本分别输入特征提取网络得到特征向量;将测试集和支撑集的特征向量依次输入特征关注模块和距离度量模块中,计算测试集样本与支撑集样本的类别相似度,并利用损失函数对各个模块的参数进行更新;重复上述步骤至各个模块网络的参数收敛,完成各模块的训练;将从目标任务数据集中的待测图片和训练图片依次通过特征提取网络、特征关注模块和距离度量模块,输出与测试集类别相似度最高的类别标签,即为待测图片的分类结果。
Description
技术领域
本发明涉及计算机视觉识别和迁移学习领域,更具体地,涉及一种基于度量学习和元学习的小样本和零样本图像分类方法。
背景技术
小样本和零样本图像识别分类具有很好的应用前景。其中,小样本图像分类能够在仅存少量标注图片但类别信息较多的情况下发挥巨大的作用,比如在遥感图像或者红外图像的目标识别中,由于机载雷达、遥感卫星图像采集的高成本和高难度,只能采集到少量图像作为训练模板,因此需要小样本识别系统的协助。而零样本图像分类能够在没有训练样本而只有类别的语义标签的情况下发挥巨大的作用,只需要给出相应的语义标签,不需要收集训练图片,即可应用到现实生活中大部分物体的识别分类任务中。
现有的关于小样本和零样本图像识别分类的研究都是基于深度卷积网络的,有研究学者将元学习的训练方法引入小样本图像识别中,通过不同的与目标任务相似的元学习训练任务来训练网络,模拟真实的测试环境,通过元学习泛化到目标任务中,从而实现目标任务的快速学习。在此基础上,有大量的研究关注于如何学习到一个共同的特征空间和特征度量标准,使得可以反映出测试集和支撑集的真实距离,从而实现识别分类。
然而,现有的研究中只考虑了一个度量标准,但在实际应用中,不同的数据集的数据分布不同,只考虑一种度量标准可能无法适用于多个不同的数据集中。另外,现有的研究中没有考虑到不同的特征对于分类的作用是不同的,导致产生对分类没有影响的特征,从而导致引入了分类噪声。
发明内容
本发明为克服上述现有技术所述的只考虑一种度量标准以及没有考虑到不同特征对于分类的作用不同等至少一种缺陷,提供一种基于度量学习和元学习的小样本和零样本图像分类方法,通过将小样本的元学习训练方法拓展到零样本学习中,同时引入特征关注模块和多度量准则学习,通过特征关注模块对噪声特征进行过滤,有效实现图像的准确分类。
为解决上述技术问题,本发明的技术方案如下:
基于度量学习和元学习的小样本和零样本图像分类方法,包括以下步骤:
S1.收集生活场景图像,经过人工分类构建训练数据集和目标任务数据集;
S2.从训练数据集中随机抽取不同类别的若干张训练图片或语义属性作为样本组成支撑集,从所选取的类别中抽取若干张不重复的训练图片作为样本组成测试集;
S3.将测试集样本输入特征提取网络fθ,将支撑集样本输入特征提取网络gθ中输出得到对应的特征向量f(x)和g(x);
S4.将测试集样本和支撑集样本对应的特征向量f(x)和g(x)分别输入特征关注模块中,输出对应的关注后的特征向量f′(x)和g′(x);
S5.将测试集样本和支撑集样本对应的关注后的特征向量f′(x)和g′(x)分别输入距离度量模块中,计算测试集样本与支撑集样本的类别相似度,并利用损失函数通过梯度反向传播算法更新各个模块的参数;
S6.重复步骤S2~S5,直到各个模块或网络的参数收敛;
S7.将目标任务数据集中的待测图片输入训练后的特征提取网络fθ,将目标任务中的所有训练图片或语义属性输入训练后的特征提取网络gθ,然后将输出的特征向量依次通过训练后的特征关注模块和距离度量模块,最终输出与待测图片类别相似度最高的类别标签,即为测试集待测图片的识别分类结果。
本技术方案中,通过用训练数据集以及元学习的训练方法来构建和训练特征提取网络、特征关注模块、距离度量模块,组成基于度量学习和元学习的小样本和零样本图像分类模型。由于训练数据集和目标任务数据集所包含的类别不同,且目标任务数据集中样本的数量远少于训练数据集,因此在模型训练过程中,训练数据集通过元学习的训练方法来训练模型,而目标任务数据集通过迁移学习,将训练数据集的知识通过多次与目标任务相似的训练任务泛化到目标任务数据集,从而解决目标任务训练数据不足等问题。在图像识别分类过程中,首先利用训练后的特征提取网络提取出支撑集和待测图片的特征,再利用特征关注模块对重要的特征给予关注并过滤噪声特征,得到关注后的支撑集和待测图片的特征向量,再利用距离度量模块得出待测图片和支撑集中每一个样本之间的相似度,并通过将支撑集中同类样本的相似度相加得到待测图片和每个类别之间的类别相似度,最后通过找出最大类别相似度所对应的类别标签,即为待测图片所识别得到的类别。本技术方案将小样本的元学习训练方法拓展到零样本学习中,同时引入特征关注模块、多度量准则学习,通过损失函数对模型的参数进行更新,能够有效地学习到一个更好的度量空间,有效实现图像精确分类。
优选地,步骤S2中,对于小样本图像分类,从训练数据集中随机选取N个类别,并从N个类别中对应的每一类别随机选取K张训练图片组成支撑集,从所选取的N个类别中随机抽取与支撑集不重合的T张训练图片组成测试集;对于零样本图像分类,从训练数据集中随机选取N个类别对应的语义属性作为训练样本组成支撑集,从所选取的N个类别中随机抽取T张训练图片组成测试集,其中N的数值应为目标任务数据集中所包含类别的数量,K的数值应为目标任务数据集的每一类的训练图片的数量,N、K、T为正整数。
优选地,步骤S3中,特征提取网络fθ为四层结构的卷积神经网络,其中第一层和第二层各有2个卷积模块,第三层和第四层各有1个卷积模块,每个卷积模块由卷积层、批归一化层、ReLU非线性激活函数层和最大池化层组成;对于小样本学习,特征提取网络gθ与特征提取网络fθ结构相同,而对于零样本学习,特征提取网络gθ包括word2vec工具包和前后相连的两个由全连接层、0.5失活率的失活层、ReLU非线性激活层组成的模块。本优选方案可实现对同一特征图的多核多尺度学习。
优选地,步骤S4的具体步骤包括:
S41.计算支撑集所有的特征向量对应的各个维度特征的标准差并作为该特征向量的起始权重,再经过一个特征关注网络得到最后的权重wj,其计算公式如下:
其中,d为特征向量维度,n为支撑集的样本的数量,gij为支撑集第i个训练图片的第j维特征,gkj为支撑集第k个训练图片的第j维特征,wj为第j维特征的权重,z表示由一个1维的批归一化层和一个Sigmoid非线性函数组成的特征关注网络;
S42.将各个维度的特征的权重wj形成的权重向量w分别与支撑集和测试集的特征向量g(x)和f(x)相乘,再经过tanh非线性层激活后得到关注后的特征向量g′(x)和f′(x),即:
其中,表示向量逐点相乘。
本优选方案中,特征的权重通过特征的标准差决定,每一个特征的标准差越大,证明其在类间的区分度越高,对分类作用越大,特征也就越重要。本优选方案可有效提高对分类有用的特征的权重,同时抑制噪声特征的干扰,同时本算法的权重由特征的统计特性决定,只需要用到一维归一化层的少量参数,能够提高计算效率。
优选地,步骤S5中的具体步骤包括:
S51.将测试集和支撑集对应的关注后的特征向量f′(x)和g′(x)分别输入距离度量模块中,计算测试集样本的关注后的特征向量f′(x)和支撑集中每个样本关注后的特征向量g′(x)的相似度Sj;
S52.通过softmax函数将所计算得到的相似度归一化处理,并以经归一化处理的相似度为矩阵元素组成n维行向量其中表示测试集样本;
S53.将支撑集所有样本对应类别的标签组成标签矩阵Y∈Rn×N,即Y=[y1;y2;...;yi;...;yn],其中yi表示第i个支撑集样本的类别标签,然后将支撑集中类别相同的样本对应的相似度相加得到对应的类别相似度即且为维度为所选取的类别数量N的向量,表示测试集样本和每一个类别的相似度,最后根据类别相似度最大的原则确定测试集样本的类别;
S54.利用计算测试集的类别相似度和真实标签产生的损失函数,通过梯度反向传播算法更新各个模块的参数。
优选地,步骤S51中测试集样本的关注后的特征向量f′(x)和支撑集中每个样本关注后的特征向量g′(x)的相似度Sj的计算公式为:
其中,Sj为测试集样本和第j个支撑集样本xj的相似度,di(f′(.),g′(.))表示第i个距离度量标准,λi为其权重,c表示距离度量标准的数量,且c为正整数。本优选方案中,由于不同的数据集的数据分布不同,学习到的度量空间可能也会有所不同,如果只采用一种度量标准可能无法适用于多个数据集,因此采用多个距离度量标准,能够提高模型对现实生活中其他数据集的泛化能力。
优选地,距离度量标准数量c为3,此时有:
其中,d1(f'(·),g'(·))表示关注后的特征向量的余弦相似度,d2(f'(·),g'(·))表示关注后的特征向量的负指数欧氏距离,d3(f'(·),g'(·))表示相似度神经网络。本优选方案中,采用余弦相似度进行度量学习能够关注不同特征点在特征空间的角度关系,采用负指数欧氏距离进行度量学习能够关注不同特征点在特征空间的直线距离,采用相似度神经网络进行度量学习能够自动学习得到一个距离度量标准。
优选地,步骤S52中,通过softmax函数将所计算得到的相似度归一化处理,其计算公式如下:
其中,表示测试集样本和第j个支撑集的样本xj的归一化相似度。
优选地,步骤S54中的损失函数定义为:
其中,y为真实标签,为计算得到的类别相似度,为测试样本与支撑集类别之间的类别相似度的最大值,为测试样本与真实标签之间的类别相似度;α1和α2为可学习的超参数;m为0到1的常数,表示间隔;β为权重衰减系数,取值为10-4;W表示各个模块的所有参数,用于减少参数之和,防止网络过拟合。
本优选方案中,设计了一个能使类间距离最大化以及类内距离最小化的损失函数,其中损失函数第一项为余弦距离损失函数,能够使测试集样本和与其类别相同的支撑集样本的相似度尽可能大,并使与测试集样本不同类别的支撑集样本的相似度尽可能等于0,能够在训练次数较少的情况下得到一个更好的分类器;损失函数第二项用于使模型参数更新的方向往预测正确的方向偏移,且有助于使样本间同类间隔最小化,异类间隔最大化;损失函数第三项为L2正则化项,用于防止训练数据较少的情况下产生的拟合现象。
优选地,支撑集样本的类别标签yi采用独热编码向量表示。
与现有技术相比,本发明技术方案的有益效果是:能够同时解决小样本和零样本图像识别分类问题,对图像的重要特征进行关注,对噪声特征进行过滤,且能够实现对特征之间距离的多度量准则学习,有效实现图像的准确分类。
附图说明
图1为本实施例的方法流程图。
图2为本实施例的测试集特征提取网络fθ的结构示意图。
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。
如图1所示,为本实施例的基于度量学习和元学习的小样本和零样本图像分类方法的方法流程图。
基于度量学习和元学习的小样本和零样本图像分类方法,包括以下步骤:
步骤一:收集生活场景图像,经过人工分类构建训练数据集和目标任务数据集。
步骤二:对于小样本图像分类,从训练数据集中随机选取N个类别,并从N个类别中对应的每一类别随机选取K张训练图片组成支撑集,从所选取的N个类别中随机抽取与支撑集不重合的T张训练图片组成测试集;对于零样本图像分类,从训练数据集中随机选取N个类别对应的语义属性作为训练样本组成支撑集,从所选取的N个类别中随机抽取T张训练图片组成测试集,其中N的数值应为目标任务数据集中所包含类别的数量,K的数值应为目标任务数据集的每一类的训练图片的数量,本实施例中支撑集中训练图片的类别数量N取值为10,每个类别的训练图片数量K取值为10,测试集中的训练图片数量T取值为5。
步骤三:将测试集样本输入特征提取网络fθ,将支撑集样本输入特征提取网络gθ中,输出得到对应的T个测试集样本特征向量f(x)和n=N×K个支撑集样本特征向量g(x)。
其中,步骤三中的特征提取网络fθ为四层结构的卷积神经网络,其中第一层和第二层各有2个卷积模块,第三层和第四层各有1个卷积模块,每个卷积模块由卷积层、批归一化层、ReLU非线性激活函数层和最大池化层组成;对于小样本图像分类,特征提取网络gθ与特征提取网络fθ结构相同,而对于零样本图像分类,特征提取网络gθ包括word2vec工具包和前后相连的两个由全连接层、0.5失活率的失活层、ReLU非线性激活层组成的模块。
如图2所示,为本实施例的测试集特征提取网络fθ的结构示意图。
具体地,在小样本图像分类中,当样本x输入特征提取网络fθ时:
x3=f3(x2),f(x)=f4(x3)
其中,x1,x2,x3分别表示特征提取网络fθ中第一层、第二层、第三层输出的特征图,f1_1(.),f1_2(.),f2_1(.),f2_2(.),f3(.),f4(.)分别表示第一层、第二层、第三层、第四层的卷积模块,表示张量在通道维的连接,+表示两个卷积模块得到的特征图的直接相加。由于不同卷积模块使用的卷积核大小和零填充的多少不同,上述运算能够实现对同一特征图的多核多尺度学习。
在零样本图像分类中,当支撑集中的语义属性通过特征提取网络gθ时,首先通过特征提取网络gθ中的word2vec层将每一个单词编码成一个向量,再将每一个类别所有属性对应的向量连接起来后传送到前后相连的两个由全连接层、0.5失活率的失活层、ReLU非线性激活层组成的模块,最后输出得到一个向量,其维度和测试集的每一个样本的特征向量的维度相同。
步骤四:将测试集样本和支撑集样本对应的特征向量f(x)和g(x)分别输入特征关注模块中,输出对应的关注后的特征向量f′(x)和g′(x)。其具体步骤包括:
S41.计算支撑集所有的特征向量对应的各个维度特征的标准差并作为该特征向量的起始权重,再经过一个特征关注网络得到最后的权重wj,其计算公式如下:
其中,d为特征向量维度,n为支撑集的样本的数量,gij为支撑集第i个训练图片的第j维特征,gkj为支撑集第k个训练图片的第j维特征,wj为第j维特征的权重,z表示由一个1维的批归一化层和一个Sigmoid非线性函数组成的特征关注网络;
S42.将各个维度的特征的权重wj形成的权重向量w分别与支撑集和测试集的特征向量g(x)和f(x)相乘,再经过tanh非线性层激活后得到关注后的特征向量g′(x)和f′(x),即:
其中,表示向量逐点相乘。
步骤五:将测试集样本和支撑集样本对应的关注后的特征向量f′(x)和g′(x)分别输入距离度量模块中,计算测试集样本与支撑集样本的类别相似度,并利用损失函数通过梯度反向传播算法更新各个模块的参数。其具体步骤包括:
S51.将测试集和支撑集对应的关注后的特征向量f′(x)和g′(x)分别输入距离度量模块中,计算测试集样本的关注后的特征向量f′(x)和支撑集中每个样本关注后的特征向量g′(x)的相似度Sj,其计算公式如下:
其中,Sj为测试集样本和第j个支撑集样本xj的相似度,di(f′(.),g′(.))表示第i个距离度量标准,λi为其权重。在本实施例中,距离度量标准数量c取值为3,其中:
其中,d1(f'(·),g'(·))表示关注后的特征向量的余弦相似度,能够关注不同特征点在特征空间的角度关系;d2(f'(·),g'(·))表示关注后的特征向量的负指数欧氏距离,能够关注不同特征点在特征空间的直线距离;d3(f'(·),g'(·))表示相似度神经网络,能够自动学习得到一个距离度量标准。
S52.通过softmax函数将所计算得到的相似度归一化处理,并以经归一化处理的相似度为矩阵元素组成n维行向量a(x~),相似度归一化处理的计算公式如下:
其中,表示测试集样本,表示测试集样本和第j个支撑集的样本xj的归一化相似度。
S53.将支撑集所有样本对应类别的标签组成标签矩阵Y∈Rn×N,即Y=[y1;y2;...;yi;...;yn],其中yi表示第i个支撑集样本的类别标签,采用独热编码向量表示,然后将支撑集中类别相同的样本对应的相似度相加得到对应的类别相似度即且为维度为所选取的类别数量N的向量,表示测试集样本和每一个类别的相似度,最后根据类别相似度最大的原则确定测试集样本的类别;
S54.利用计算测试集的类别相似度和真实标签产生的损失函数,通过梯度反向传播算法更新各个模块的参数,损失函数如下:
其中,y为真实标签,为计算得到的类别相似度,为测试样本与支撑集类别之间的类别相似度的最大值,为测试样本与真实标签之间的类别相似度;α1和α2为可学习的超参数;m为0到1的常数,表示间隔;β为权重衰减系数,取值为10-4;W表示各个模块的所有参数,用于减少参数之和,防止网络过拟合。
损失函数L用于使类间距离最大化以及类内距离最小化,其中第一项为余弦距离损失函数,能够使测试集样本和与其类别相同的支撑集样本的相似度尽可能大,并使与测试集样本不同类别的支撑集样本的相似度尽可能等于0,能够在训练次数较少的情况下得到一个更好的分类器。第二项中的表示错误分类损失项,当预测正确时,即错误分类损失项为0,不产生任何影响;当预测错误时,该项产生一个正数,使参数更新向预测正确的方向偏移。而第二项中的项则为最大化间隔损失项,本实施例中m取值为1,该项能使测试样本与正确类别的相似度和与错误类别的相似度的差值为m,即令不同类样本在度量空间之间的距离比同类样本之间的距离增大,有助于使同类间隔最小化,异类间隔最大化,从而学习得到一个更好的度量空间。第三项为L2正则化项,用于防止训练数据较少的情况下产生的拟合现象,在本实施例中,权重衰减系数β=10-4。
步骤六:重复步骤二至步骤五,直到每个网络或模块的参数收敛。
步骤七:将待测图片输入训练后的特征提取网络fθ,将目标任务数据集的所有训练图片或语义属性输入训练后的特征提取网络gθ,然后将输出的特征向量依次通过训练后的特征关注模块和距离度量模块,最终输出与待测图片类别相似度最高的类别标签,即为测试集待测图片的识别分类结果。
本实施例中,通过构建特征提取网络、特征关注模块、距离度量模块,组成基于度量学习和元学习的小样本和零样本图像分类模型,能够同时解决小样本和零样本图像识别分类问题。在小样本和零样本图像分类中,引入了特征关注机制和多度量准则学习,并提出了一个损失函数,通过损失函数对模型的参数进行更新,能够有效地学习到一个更好的度量空间,有效实现图像精确分类。
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 (10)
1.基于度量学习和元学习的小样本和零样本图像分类方法,其特征在于,包括以下步骤:
S1.收集生活场景图像,经过人工分类构建训练数据集和目标任务数据集;
S2.从训练数据集中随机抽取不同类别的若干张训练图片或语义属性作为样本组成支撑集,从所选取的类别中抽取若干张不重复的训练图片作为样本组成测试集;
S3.将测试集样本输入特征提取网络fθ,将支撑集样本输入特征提取网络gθ中输出得到对应的特征向量f(x)和g(x);
S4.将测试集样本和支撑集样本对应的特征向量f(x)和g(x)分别输入特征关注模块中,输出对应的关注后的特征向量f′(x)和g′(x);
S5.将测试集样本和支撑集样本对应的关注后的特征向量f′(x)和g′(x)分别输入距离度量模块中,计算测试集样本与支撑集样本的类别相似度,并利用损失函数通过梯度反向传播算法更新各个模块的参数;
S6.重复步骤S2~S5,直到各个模块或网络的参数收敛;
S7.将目标任务数据集中的待测图片输入训练后的特征提取网络fθ,将目标任务中的所有训练图片或语义属性输入训练后的特征提取网络gθ,然后将输出的特征向量依次通过训练后的特征关注模块和距离度量模块,最终输出与待测图片类别相似度最高的类别标签,即为待测图片的识别分类结果。
2.根据权利要求1所述的图像分类方法,其特征在于:所述步骤S2的具体步骤包括:对于小样本图像分类,从训练数据集中随机选取N个类别,并从N个类别中对应的每一类别随机选取K张训练图片组成支撑集,从所选取的N个类别中随机抽取与支撑集不重合的T张训练图片组成测试集;对于零样本图像分类,从训练数据集中随机选取N个类别对应的语义属性作为训练样本组成支撑集,从所选取的N个类别中随机抽取T张训练图片组成测试集,其中N的数值应为目标任务数据集中所包含类别的数量,K的数值应为目标任务数据集的每一类的训练图片的数量,N、K、T为正整数。
3.根据权利要求2所述的图像分类方法,其特征在于:所述步骤S3中,所述特征提取网络fθ为四层结构的卷积神经网络,其中第一层和第二层各有2个卷积模块,第三层和第四层各有1个卷积模块,每个卷积模块由卷积层、批归一化层、ReLU非线性激活函数层和最大池化层组成;对于小样本图像分类,特征提取网络gθ与特征提取网络fθ结构相同,而对于零样本图像分类,特征提取网络gθ包括word2vec工具包和前后相连的两个由全连接层、0.5失活率的失活层、ReLU非线性激活层组成的模块。
4.根据权利要求3所述的图像分类方法,其特征在于:所述步骤S4的具体步骤包括:
S41.计算支撑集所有的特征向量对应的各个维度特征的标准差并作为该特征向量的起始权重,再经过一个特征关注网络得到最后的权重wj,其计算公式如下:
其中,d为特征向量维度,n为支撑集的样本的数量,gij为支撑集第i个训练图片的第j维特征,gkj为支撑集第k个训练图片的第j维特征,wj为第j维特征的权重,z表示由一个1维的批归一化层和一个Sigmoid非线性函数组成的特征关注网络;
S42.将各个维度的特征的权重wj形成的权重向量w分别与支撑集和测试集的特征向量g(x)和f(x)相乘,再经过tanh非线性层激活后得到关注后的特征向量g′(x)和f′(x),即:
其中,表示向量逐点相乘。
5.根据权利要求4所述的图像分类方法,其特征在于:所述步骤S5中的具体步骤包括:
S51.将测试集和支撑集对应的关注后的特征向量f′(x)和g′(x)分别输入距离度量模块中,计算测试集样本的关注后的特征向量f′(x)和支撑集中每个样本关注后的特征向量g′(x)的相似度Sj;
S52.通过softmax函数将所计算得到的相似度归一化处理,并以经归一化处理的相似度为矩阵元素组成n维行向量其中表示测试集样本;
S53.将支撑集所有样本对应类别的标签组成标签矩阵Y∈Rn×N,即Y=[y1;y2;...;yi;...;yn],其中yi表示第i个支撑集样本的类别标签,然后将支撑集中类别相同的样本对应的相似度相加得到对应的类别相似度即且为维度为所选取的类别数量N的向量,表示测试集样本和每一个类别的相似度,最后根据类别相似度最大的原则确定测试集样本的类别;
S54.利用计算测试集的类别相似度和真实标签产生的损失函数,通过梯度反向传播算法更新各个模块的参数。
6.根据权利要求5所述的图像分类方法,其特征在于:所述步骤S51中测试集样本的关注后的特征向量f′(x)和支撑集中每个样本关注后的特征向量g′(x)的相似度Sj的计算公式为:
其中,Sj为测试集样本和第j个支撑集样本xj的相似度,di(f′(.),g′(.))表示第i个距离度量标准,λi为其权重,c表示距离度量标准的数量,且c为正整数。
7.根据权利要求6所述的图像分类方法,其特征在于:所述距离度量标准数量c为3,此时有:
其中,d1(f'(·),g'(·))表示关注后的特征向量的余弦相似度,d2(f'(·),g'(·))表示关注后的特征向量的负指数欧氏距离,d3(f'(·),g'(·))表示相似度神经网络。
8.根据权利要求6或7所述的图像分类方法,其特征在于:所述步骤S52中,通过softmax函数将所计算得到的相似度归一化处理,其计算公式如下:
其中,表示测试集样本和第j个支撑集的样本xj的归一化相似度。
9.根据权利要求8所述的图像分类方法,其特征在于:所述步骤S54中的损失函数定义为:
其中,y为真实标签,为计算得到的类别相似度,为测试样本与支撑集类别之间的类别相似度的最大值,为测试样本与真实标签之间的类别相似度;α1和α2为可学习的超参数;m为0到1的常数,表示间隔;β为权重衰减系数,取值为10-4;W表示各个模块的所有参数,用于减少参数之和,防止网络过拟合。
10.根据权利要求9所述的图像分类方法,其特征在于:所述支撑集样本的类别标签yi采用独热编码向量表示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910143448.1A CN109961089B (zh) | 2019-02-26 | 2019-02-26 | 基于度量学习和元学习的小样本和零样本图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910143448.1A CN109961089B (zh) | 2019-02-26 | 2019-02-26 | 基于度量学习和元学习的小样本和零样本图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109961089A true CN109961089A (zh) | 2019-07-02 |
CN109961089B CN109961089B (zh) | 2023-04-07 |
Family
ID=67023924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910143448.1A Active CN109961089B (zh) | 2019-02-26 | 2019-02-26 | 基于度量学习和元学习的小样本和零样本图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109961089B (zh) |
Cited By (112)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414600A (zh) * | 2019-07-27 | 2019-11-05 | 西安电子科技大学 | 一种基于迁移学习的空间目标小样本识别方法 |
CN110490249A (zh) * | 2019-08-16 | 2019-11-22 | 哈尔滨工业大学 | 基于属性类别关系和少样本元学习的结构损伤识别方法 |
CN110555475A (zh) * | 2019-08-29 | 2019-12-10 | 华南理工大学 | 一种基于语义信息融合的少样本目标检测方法 |
CN110569886A (zh) * | 2019-08-20 | 2019-12-13 | 天津大学 | 一种双向通道注意力元学习的图像分类方法 |
CN110580500A (zh) * | 2019-08-20 | 2019-12-17 | 天津大学 | 一种面向人物交互的网络权重生成少样本图像分类方法 |
CN110664373A (zh) * | 2019-09-28 | 2020-01-10 | 华南理工大学 | 一种基于零样本学习的舌苔体质识别方法 |
CN110879989A (zh) * | 2019-11-22 | 2020-03-13 | 四川九洲电器集团有限责任公司 | 基于小样本机器学习模型的ads-b信号目标识别方法 |
CN110889457A (zh) * | 2019-12-03 | 2020-03-17 | 深圳奇迹智慧网络有限公司 | 样本图像分类训练方法、装置、计算机设备和存储介质 |
CN110909643A (zh) * | 2019-11-14 | 2020-03-24 | 北京航空航天大学 | 基于最近邻原型表示的遥感舰船图像小样本分类方法 |
CN111160102A (zh) * | 2019-11-29 | 2020-05-15 | 北京爱笔科技有限公司 | 人脸防伪识别模型的训练方法、人脸防伪识别方法及装置 |
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 |
CN111191791A (zh) * | 2019-12-02 | 2020-05-22 | 腾讯云计算(北京)有限责任公司 | 机器学习模型的应用方法、训练方法、装置、设备及介质 |
CN111209799A (zh) * | 2019-12-23 | 2020-05-29 | 上海物联网有限公司 | 基于部分共享网络和余弦间隔损失函数的行人搜索方法 |
CN111242199A (zh) * | 2020-01-07 | 2020-06-05 | 中国科学院苏州纳米技术与纳米仿生研究所 | 图像分类模型的训练方法及分类方法 |
CN111259917A (zh) * | 2020-02-20 | 2020-06-09 | 西北工业大学 | 一种基于局部近邻成分分析的图像特征提取方法 |
CN111401140A (zh) * | 2020-02-25 | 2020-07-10 | 华南理工大学 | 一种边缘计算环境下智能视频监控系统的离线学习方法 |
CN111461002A (zh) * | 2020-03-31 | 2020-07-28 | 华南理工大学 | 一种面向热成像行人检测的样本处理方法 |
CN111462817A (zh) * | 2020-03-25 | 2020-07-28 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种分类模型构建方法、装置、分类模型及分类方法 |
CN111523649A (zh) * | 2020-05-09 | 2020-08-11 | 支付宝(杭州)信息技术有限公司 | 针对业务模型进行数据预处理的方法及装置 |
CN111539448A (zh) * | 2020-03-17 | 2020-08-14 | 广东省智能制造研究所 | 一种基于元学习的少样本图像分类方法 |
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 |
CN111738301A (zh) * | 2020-05-28 | 2020-10-02 | 华南理工大学 | 一种基于双通道学习的长尾分布图像数据识别方法 |
CN111797893A (zh) * | 2020-05-26 | 2020-10-20 | 华为技术有限公司 | 一种神经网络的训练方法、图像分类系统及相关设备 |
CN111860660A (zh) * | 2020-07-24 | 2020-10-30 | 辽宁工程技术大学 | 基于改进高斯网络的小样本学习垃圾分类方法 |
CN111860580A (zh) * | 2020-06-09 | 2020-10-30 | 北京百度网讯科技有限公司 | 识别模型获取及类别识别方法、装置及存储介质 |
CN111881997A (zh) * | 2020-08-03 | 2020-11-03 | 天津大学 | 一种基于显著性的多模态小样本学习方法 |
CN111881839A (zh) * | 2020-07-30 | 2020-11-03 | 中国电子科技集团公司第五十四研究所 | 一种基于度量学习的小样本遥感影像目标识别方法 |
CN111898379A (zh) * | 2020-08-14 | 2020-11-06 | 苏州思必驰信息科技有限公司 | 槽填充模型训练方法和自然语言理解模型 |
CN111898739A (zh) * | 2020-07-30 | 2020-11-06 | 平安科技(深圳)有限公司 | 基于元学习的数据筛选模型构建方法、数据筛选方法、装置、计算机设备及存储介质 |
CN111931807A (zh) * | 2020-06-24 | 2020-11-13 | 浙江大学 | 一种基于特征空间组合的小样本类增量学习方法 |
CN111966851A (zh) * | 2020-07-24 | 2020-11-20 | 北京航空航天大学 | 基于少量样本的图像识别方法和系统 |
CN112001345A (zh) * | 2020-08-31 | 2020-11-27 | 中国科学院自动化研究所 | 基于特征变换度量网络的少样本人体行为识别方法及系统 |
CN112070123A (zh) * | 2020-08-14 | 2020-12-11 | 五邑大学 | 小样本sar图像识别方法、装置及存储介质 |
CN112115993A (zh) * | 2020-09-11 | 2020-12-22 | 昆明理工大学 | 一种基于元学习的零样本和小样本证件照异常检测方法 |
CN112132147A (zh) * | 2020-08-14 | 2020-12-25 | 浙江大学 | 一种基于质量节点模型的学习方法 |
CN112200211A (zh) * | 2020-07-17 | 2021-01-08 | 南京农业大学 | 一种基于残差网络和迁移学习的小样本鱼识别方法及系统 |
CN112215280A (zh) * | 2020-10-12 | 2021-01-12 | 西安交通大学 | 一种基于元骨干网络的小样本图像分类方法 |
CN112270236A (zh) * | 2020-10-21 | 2021-01-26 | 长春工程学院 | 基于渐变尺度间隔变化规律算子的遥感影像植被分类方法 |
CN112287764A (zh) * | 2020-09-29 | 2021-01-29 | 南京邮电大学 | 基于小样本学习的梅派手势识别方法 |
CN112329827A (zh) * | 2020-10-26 | 2021-02-05 | 同济大学 | 一种基于元学习的增量小样本目标检测方法 |
CN112329798A (zh) * | 2020-11-27 | 2021-02-05 | 重庆理工大学 | 一种基于优化视觉词袋模型的图像场景分类方法 |
CN112394354A (zh) * | 2020-12-02 | 2021-02-23 | 中国人民解放军国防科技大学 | 基于元学习的不同极化方式hrrp融合目标小样本识别方法 |
CN112434722A (zh) * | 2020-10-23 | 2021-03-02 | 浙江智慧视频安防创新中心有限公司 | 基于类别相似度的标签平滑计算的方法、装置、电子设备及介质 |
CN112434721A (zh) * | 2020-10-23 | 2021-03-02 | 特斯联科技集团有限公司 | 一种基于小样本学习的图像分类方法、系统、存储介质及终端 |
CN112487805A (zh) * | 2020-11-30 | 2021-03-12 | 武汉大学 | 一种基于元学习框架的小样本Web服务分类方法 |
CN112613555A (zh) * | 2020-12-21 | 2021-04-06 | 深圳壹账通智能科技有限公司 | 基于元学习的目标分类方法、装置、设备和存储介质 |
CN112633419A (zh) * | 2021-03-09 | 2021-04-09 | 浙江宇视科技有限公司 | 小样本学习方法、装置、电子设备和存储介质 |
CN112633382A (zh) * | 2020-12-25 | 2021-04-09 | 浙江大学 | 一种基于互近邻的少样本图像分类方法及系统 |
CN112686850A (zh) * | 2020-12-24 | 2021-04-20 | 上海体素信息科技有限公司 | 基于空间位置和原型网络的ct图像的少样本分割方法和系统 |
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 |
CN112686277A (zh) * | 2019-10-18 | 2021-04-20 | 北京大学 | 模型训练的方法和装置 |
CN112733965A (zh) * | 2021-02-03 | 2021-04-30 | 西安理工大学 | 一种基于小样本学习的无标签图像分类方法 |
CN112785479A (zh) * | 2021-01-21 | 2021-05-11 | 南京信息工程大学 | 一种基于少样本学习的图像隐形水印通用检测方法 |
CN112800257A (zh) * | 2021-02-10 | 2021-05-14 | 上海零眸智能科技有限公司 | 一种基于以图搜图快速添加样本训练数据的方法 |
CN112836629A (zh) * | 2021-02-01 | 2021-05-25 | 清华大学深圳国际研究生院 | 一种图像分类方法 |
CN112862767A (zh) * | 2021-01-28 | 2021-05-28 | 中山大学 | 基于度量学习的解决难分不平衡样本的表面缺陷检测方法 |
CN112861626A (zh) * | 2021-01-04 | 2021-05-28 | 西北工业大学 | 基于小样本学习的细粒度表情分类方法 |
CN112949740A (zh) * | 2021-03-17 | 2021-06-11 | 重庆邮电大学 | 一种基于多级度量的小样本图像分类方法 |
CN112949693A (zh) * | 2021-02-02 | 2021-06-11 | 北京嘀嘀无限科技发展有限公司 | 图像分类模型的训练方法、图像分类方法、装置和设备 |
CN112949454A (zh) * | 2021-02-26 | 2021-06-11 | 西安工业大学 | 一种基于小样本学习的虹膜识别方法 |
CN112966676A (zh) * | 2021-02-04 | 2021-06-15 | 北京易道博识科技有限公司 | 一种基于零样本学习的文档关键信息抽取方法 |
CN112989085A (zh) * | 2021-01-29 | 2021-06-18 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
CN112990318A (zh) * | 2021-03-18 | 2021-06-18 | 中国科学院深圳先进技术研究院 | 持续学习方法、装置、终端及存储介质 |
CN113033698A (zh) * | 2021-04-16 | 2021-06-25 | 佛山市南海区广工大数控装备协同创新研究院 | 一种利用分布策略提升少样本分类准确性的方法 |
CN113065634A (zh) * | 2021-02-26 | 2021-07-02 | 华为技术有限公司 | 一种图像处理方法、神经网络的训练方法以及相关设备 |
CN113076976A (zh) * | 2021-03-17 | 2021-07-06 | 中山大学 | 一种基于局部特征关系探究的小样本图像分类方法 |
CN113112497A (zh) * | 2021-05-06 | 2021-07-13 | 合肥中科迪宏自动化有限公司 | 一种基于零样本学习的工业外观缺陷检测方法、电子设备及存储介质 |
CN113111971A (zh) * | 2021-05-07 | 2021-07-13 | 浙江宇视科技有限公司 | 分类模型的智能处理方法、装置、电子设备及介质 |
CN113111205A (zh) * | 2021-04-13 | 2021-07-13 | 复旦大学 | 基于元滤波核的图像特征动态对齐方法及装置 |
CN113128619A (zh) * | 2021-05-10 | 2021-07-16 | 北京瑞莱智慧科技有限公司 | 伪造样本检测模型的训练方法、伪造样本识别方法、装置、介质和设备 |
CN113221110A (zh) * | 2021-04-08 | 2021-08-06 | 浙江工业大学 | 一种基于元学习的远程访问木马智能分析方法 |
CN113239800A (zh) * | 2021-05-12 | 2021-08-10 | 上海善索智能科技有限公司 | 目标检测方法及目标检测装置 |
CN113255701A (zh) * | 2021-06-24 | 2021-08-13 | 军事科学院系统工程研究院网络信息研究所 | 一种基于绝对-相对学习架构的小样本学习方法和系统 |
CN113269734A (zh) * | 2021-05-14 | 2021-08-17 | 成都市第三人民医院 | 一种基于元学习特征融合策略的肿瘤图像检测方法及装置 |
CN113284136A (zh) * | 2021-06-22 | 2021-08-20 | 南京信息工程大学 | 一种双损失函数训练的残差网络和XGBoost的医学图像分类方法 |
CN113314188A (zh) * | 2021-06-16 | 2021-08-27 | 中国科学技术大学 | 图结构增强的小样本学习方法、系统、设备及存储介质 |
CN113344102A (zh) * | 2021-06-23 | 2021-09-03 | 昆山星际舟智能科技有限公司 | 基于图像hog特征与elm模型的目标图像识别方法 |
CN113361645A (zh) * | 2021-07-03 | 2021-09-07 | 上海理想信息产业(集团)有限公司 | 基于元学习及知识记忆的目标检测模型构建方法及系统 |
CN113408463A (zh) * | 2021-06-30 | 2021-09-17 | 吉林大学 | 一种基于距离度量的细胞图像小样本分类系统 |
CN113469143A (zh) * | 2021-08-16 | 2021-10-01 | 西南科技大学 | 一种基于神经网络学习的手指静脉图像识别方法 |
CN113486202A (zh) * | 2021-07-01 | 2021-10-08 | 南京大学 | 小样本图像分类的方法 |
CN113515968A (zh) * | 2020-04-09 | 2021-10-19 | 华为技术有限公司 | 街道的异常事件检测方法、装置、设备及介质 |
CN113537305A (zh) * | 2021-06-29 | 2021-10-22 | 复旦大学 | 一种基于匹配网络少样本学习的图像分类方法 |
CN113536986A (zh) * | 2021-06-29 | 2021-10-22 | 南京逸智网络空间技术创新研究院有限公司 | 一种基于代表特征的遥感图像中的密集目标检测方法 |
CN113569960A (zh) * | 2021-07-29 | 2021-10-29 | 北京邮电大学 | 基于域适应的小样本图像分类方法及系统 |
CN113609918A (zh) * | 2021-07-12 | 2021-11-05 | 河海大学 | 一种基于零次学习的短视频分类方法 |
CN113610183A (zh) * | 2021-08-19 | 2021-11-05 | 哈尔滨理工大学 | 一种基于三元组多样范例集和梯度正则化的增量学习方法、计算机及存储介质 |
CN113642465A (zh) * | 2021-08-13 | 2021-11-12 | 石家庄铁道大学 | 基于关系网络的轴承健康评估方法 |
CN113657517A (zh) * | 2021-08-21 | 2021-11-16 | 浙江捷瑞电力科技有限公司 | 一种基于注意力机制和度量学习少样本电力缺陷检测方法 |
CN113705570A (zh) * | 2021-08-31 | 2021-11-26 | 长沙理工大学 | 一种基于深度学习的少样本目标检测方法 |
CN113780378A (zh) * | 2021-08-26 | 2021-12-10 | 北京科技大学 | 一种疾病高危人群预测装置 |
CN113780284A (zh) * | 2021-09-17 | 2021-12-10 | 焦点科技股份有限公司 | 一种基于目标检测和度量学习的logo检测方法 |
CN113989556A (zh) * | 2021-10-27 | 2022-01-28 | 南京大学 | 一种小样本医学影像分类方法和系统 |
CN114067294A (zh) * | 2022-01-18 | 2022-02-18 | 之江实验室 | 一种基于文本特征融合的细粒度车辆识别系统及方法 |
CN114359582A (zh) * | 2022-01-11 | 2022-04-15 | 平安科技(深圳)有限公司 | 一种基于神经网络的小样本特征提取方法及相关设备 |
CN114399763A (zh) * | 2021-12-17 | 2022-04-26 | 西北大学 | 一种单样本与小样本微体古生物化石图像识别方法及系统 |
CN114462623A (zh) * | 2022-02-10 | 2022-05-10 | 电子科技大学 | 基于边缘计算的数据分析方法、系统及平台 |
CN114483346A (zh) * | 2022-02-10 | 2022-05-13 | 电子科技大学 | 一种基于小样本的发动机多流量管进气温度修正方法、装置和存储介质 |
CN114818945A (zh) * | 2022-05-05 | 2022-07-29 | 兰州理工大学 | 融入类别自适应度量学习的小样本图像分类方法及装置 |
CN114936615A (zh) * | 2022-07-25 | 2022-08-23 | 南京大数据集团有限公司 | 一种基于表征一致性校对的小样本日志信息异常检测方法 |
CN114943859A (zh) * | 2022-05-05 | 2022-08-26 | 兰州理工大学 | 面向小样本图像分类的任务相关度量学习方法及装置 |
CN114943253A (zh) * | 2022-05-20 | 2022-08-26 | 电子科技大学 | 一种基于元学习模型的射频指纹小样本识别方法 |
CN115082770A (zh) * | 2022-07-04 | 2022-09-20 | 青岛科技大学 | 一种基于机器学习的图像中心线结构提取方法 |
CN115147615A (zh) * | 2022-07-01 | 2022-10-04 | 河海大学 | 一种基于度量元学习网络的岩石图像分类方法及装置 |
CN115424053A (zh) * | 2022-07-25 | 2022-12-02 | 北京邮电大学 | 小样本图像识别方法、装置、设备及存储介质 |
CN115795355A (zh) * | 2023-02-10 | 2023-03-14 | 中国科学院自动化研究所 | 一种分类模型训练方法、装置及设备 |
CN115830401A (zh) * | 2023-02-14 | 2023-03-21 | 泉州装备制造研究所 | 一种小样本图像分类方法 |
CN116543269A (zh) * | 2023-07-07 | 2023-08-04 | 江西师范大学 | 基于自监督的跨域小样本细粒度图像识别方法及其模型 |
WO2023207220A1 (zh) * | 2022-04-25 | 2023-11-02 | 华为技术有限公司 | 知识迁移的方法、装置、计算机设备以及存储介质 |
CN117372787A (zh) * | 2023-12-05 | 2024-01-09 | 同方赛威讯信息技术有限公司 | 一种图像多类别识别方法及装置 |
CN117496243A (zh) * | 2023-11-06 | 2024-02-02 | 南宁师范大学 | 基于对比学习的小样本分类方法及系统 |
CN112949693B (zh) * | 2021-02-02 | 2024-04-26 | 北京嘀嘀无限科技发展有限公司 | 图像分类模型的训练方法、图像分类方法、装置和设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096532A (zh) * | 2016-06-03 | 2016-11-09 | 山东大学 | 一种基于张量联立判别分析的跨视角步态识别方法 |
CN108564121A (zh) * | 2018-04-09 | 2018-09-21 | 南京邮电大学 | 一种基于自编码器的未知类别图像标签预测方法 |
CN108960013A (zh) * | 2017-05-23 | 2018-12-07 | 上海荆虹电子科技有限公司 | 一种行人再识别方法及装置 |
CN109344959A (zh) * | 2018-08-27 | 2019-02-15 | 联想(北京)有限公司 | 神经网络训练方法、神经网络系统和计算机系统 |
-
2019
- 2019-02-26 CN CN201910143448.1A patent/CN109961089B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096532A (zh) * | 2016-06-03 | 2016-11-09 | 山东大学 | 一种基于张量联立判别分析的跨视角步态识别方法 |
CN108960013A (zh) * | 2017-05-23 | 2018-12-07 | 上海荆虹电子科技有限公司 | 一种行人再识别方法及装置 |
CN108564121A (zh) * | 2018-04-09 | 2018-09-21 | 南京邮电大学 | 一种基于自编码器的未知类别图像标签预测方法 |
CN109344959A (zh) * | 2018-08-27 | 2019-02-15 | 联想(北京)有限公司 | 神经网络训练方法、神经网络系统和计算机系统 |
Non-Patent Citations (3)
Title |
---|
HAIFENG HU,ET AL: "Distance Metric Learning for Semantic Segmentation based Graph Hashing", 《2018 TENTH INTERNATIONAL CONFERENCE ON ADVANCED COMPUTATIONAL INTELLIGENCE (ICACI) 》 * |
HAIFENG HU,ET AL: "Semi-Supervised Metric Learning-Based Anchor Graph Hashing for Large-Scale Image Retrieval", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
LINGSHUANG DU,ET AL: "Face Recognition Using Simultaneous Discriminative Feature and Adaptive Weight Learning Based on Group Sparse Representation", 《IEEE SIGNAL PROCESSING LETTERS》 * |
Cited By (178)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414600A (zh) * | 2019-07-27 | 2019-11-05 | 西安电子科技大学 | 一种基于迁移学习的空间目标小样本识别方法 |
CN110490249A (zh) * | 2019-08-16 | 2019-11-22 | 哈尔滨工业大学 | 基于属性类别关系和少样本元学习的结构损伤识别方法 |
CN110569886A (zh) * | 2019-08-20 | 2019-12-13 | 天津大学 | 一种双向通道注意力元学习的图像分类方法 |
CN110580500A (zh) * | 2019-08-20 | 2019-12-17 | 天津大学 | 一种面向人物交互的网络权重生成少样本图像分类方法 |
CN110580500B (zh) * | 2019-08-20 | 2023-04-18 | 天津大学 | 一种面向人物交互的网络权重生成少样本图像分类方法 |
CN110569886B (zh) * | 2019-08-20 | 2023-02-28 | 天津大学 | 一种双向通道注意力元学习的图像分类方法 |
CN110555475A (zh) * | 2019-08-29 | 2019-12-10 | 华南理工大学 | 一种基于语义信息融合的少样本目标检测方法 |
CN110664373A (zh) * | 2019-09-28 | 2020-01-10 | 华南理工大学 | 一种基于零样本学习的舌苔体质识别方法 |
CN112686277A (zh) * | 2019-10-18 | 2021-04-20 | 北京大学 | 模型训练的方法和装置 |
CN110909643B (zh) * | 2019-11-14 | 2022-10-28 | 北京航空航天大学 | 基于最近邻原型表示的遥感舰船图像小样本分类方法 |
CN110909643A (zh) * | 2019-11-14 | 2020-03-24 | 北京航空航天大学 | 基于最近邻原型表示的遥感舰船图像小样本分类方法 |
CN110879989A (zh) * | 2019-11-22 | 2020-03-13 | 四川九洲电器集团有限责任公司 | 基于小样本机器学习模型的ads-b信号目标识别方法 |
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 |
CN111160102B (zh) * | 2019-11-29 | 2024-02-23 | 北京爱笔科技有限公司 | 人脸防伪识别模型的训练方法、人脸防伪识别方法及装置 |
CN111160102A (zh) * | 2019-11-29 | 2020-05-15 | 北京爱笔科技有限公司 | 人脸防伪识别模型的训练方法、人脸防伪识别方法及装置 |
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 |
CN111191791B (zh) * | 2019-12-02 | 2023-09-29 | 腾讯云计算(北京)有限责任公司 | 基于机器学习模型的图片分类方法、装置及设备 |
CN111191791A (zh) * | 2019-12-02 | 2020-05-22 | 腾讯云计算(北京)有限责任公司 | 机器学习模型的应用方法、训练方法、装置、设备及介质 |
CN110889457B (zh) * | 2019-12-03 | 2022-08-19 | 深圳奇迹智慧网络有限公司 | 样本图像分类训练方法、装置、计算机设备和存储介质 |
CN110889457A (zh) * | 2019-12-03 | 2020-03-17 | 深圳奇迹智慧网络有限公司 | 样本图像分类训练方法、装置、计算机设备和存储介质 |
CN111209799B (zh) * | 2019-12-23 | 2022-12-23 | 上海物联网有限公司 | 基于部分共享网络和余弦间隔损失函数的行人搜索方法 |
CN111209799A (zh) * | 2019-12-23 | 2020-05-29 | 上海物联网有限公司 | 基于部分共享网络和余弦间隔损失函数的行人搜索方法 |
CN111242199A (zh) * | 2020-01-07 | 2020-06-05 | 中国科学院苏州纳米技术与纳米仿生研究所 | 图像分类模型的训练方法及分类方法 |
CN111259917A (zh) * | 2020-02-20 | 2020-06-09 | 西北工业大学 | 一种基于局部近邻成分分析的图像特征提取方法 |
CN111259917B (zh) * | 2020-02-20 | 2022-06-07 | 西北工业大学 | 一种基于局部近邻成分分析的图像特征提取方法 |
CN111401140B (zh) * | 2020-02-25 | 2023-04-07 | 华南理工大学 | 一种边缘计算环境下智能视频监控系统的离线学习方法 |
CN111401140A (zh) * | 2020-02-25 | 2020-07-10 | 华南理工大学 | 一种边缘计算环境下智能视频监控系统的离线学习方法 |
CN111539448B (zh) * | 2020-03-17 | 2023-04-07 | 广东省智能制造研究所 | 一种基于元学习的少样本图像分类方法 |
CN111539448A (zh) * | 2020-03-17 | 2020-08-14 | 广东省智能制造研究所 | 一种基于元学习的少样本图像分类方法 |
CN111462817B (zh) * | 2020-03-25 | 2023-06-20 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种分类模型构建方法、装置、分类模型及分类方法 |
CN111462817A (zh) * | 2020-03-25 | 2020-07-28 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种分类模型构建方法、装置、分类模型及分类方法 |
CN111461002A (zh) * | 2020-03-31 | 2020-07-28 | 华南理工大学 | 一种面向热成像行人检测的样本处理方法 |
CN111461002B (zh) * | 2020-03-31 | 2023-05-26 | 华南理工大学 | 一种面向热成像行人检测的样本处理方法 |
CN113515968A (zh) * | 2020-04-09 | 2021-10-19 | 华为技术有限公司 | 街道的异常事件检测方法、装置、设备及介质 |
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 |
CN111523649A (zh) * | 2020-05-09 | 2020-08-11 | 支付宝(杭州)信息技术有限公司 | 针对业务模型进行数据预处理的方法及装置 |
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 |
WO2021238281A1 (zh) * | 2020-05-26 | 2021-12-02 | 华为技术有限公司 | 一种神经网络的训练方法、图像分类系统及相关设备 |
CN111797893A (zh) * | 2020-05-26 | 2020-10-20 | 华为技术有限公司 | 一种神经网络的训练方法、图像分类系统及相关设备 |
CN111738301B (zh) * | 2020-05-28 | 2023-06-20 | 华南理工大学 | 一种基于双通道学习的长尾分布图像数据识别方法 |
CN111738301A (zh) * | 2020-05-28 | 2020-10-02 | 华南理工大学 | 一种基于双通道学习的长尾分布图像数据识别方法 |
CN111860580A (zh) * | 2020-06-09 | 2020-10-30 | 北京百度网讯科技有限公司 | 识别模型获取及类别识别方法、装置及存储介质 |
CN111860580B (zh) * | 2020-06-09 | 2024-02-20 | 北京百度网讯科技有限公司 | 识别模型获取及类别识别方法、装置及存储介质 |
CN111931807A (zh) * | 2020-06-24 | 2020-11-13 | 浙江大学 | 一种基于特征空间组合的小样本类增量学习方法 |
CN111931807B (zh) * | 2020-06-24 | 2024-02-23 | 浙江大学 | 一种基于特征空间组合的小样本类增量学习方法 |
CN112200211B (zh) * | 2020-07-17 | 2024-04-05 | 南京农业大学 | 一种基于残差网络和迁移学习的小样本鱼识别方法及系统 |
CN112200211A (zh) * | 2020-07-17 | 2021-01-08 | 南京农业大学 | 一种基于残差网络和迁移学习的小样本鱼识别方法及系统 |
CN111860660A (zh) * | 2020-07-24 | 2020-10-30 | 辽宁工程技术大学 | 基于改进高斯网络的小样本学习垃圾分类方法 |
CN111966851A (zh) * | 2020-07-24 | 2020-11-20 | 北京航空航天大学 | 基于少量样本的图像识别方法和系统 |
CN111898739A (zh) * | 2020-07-30 | 2020-11-06 | 平安科技(深圳)有限公司 | 基于元学习的数据筛选模型构建方法、数据筛选方法、装置、计算机设备及存储介质 |
CN111881839A (zh) * | 2020-07-30 | 2020-11-03 | 中国电子科技集团公司第五十四研究所 | 一种基于度量学习的小样本遥感影像目标识别方法 |
CN111898739B (zh) * | 2020-07-30 | 2024-02-20 | 平安科技(深圳)有限公司 | 基于元学习的数据筛选模型构建方法、数据筛选方法、装置、计算机设备及存储介质 |
CN111881997B (zh) * | 2020-08-03 | 2022-04-19 | 天津大学 | 一种基于显著性的多模态小样本学习方法 |
CN111881997A (zh) * | 2020-08-03 | 2020-11-03 | 天津大学 | 一种基于显著性的多模态小样本学习方法 |
CN111898379A (zh) * | 2020-08-14 | 2020-11-06 | 苏州思必驰信息科技有限公司 | 槽填充模型训练方法和自然语言理解模型 |
CN112070123B (zh) * | 2020-08-14 | 2023-11-24 | 五邑大学 | 小样本sar图像识别方法、装置及存储介质 |
CN111898379B (zh) * | 2020-08-14 | 2023-08-22 | 思必驰科技股份有限公司 | 槽填充模型训练方法、电子设备及存储介质 |
CN112132147A (zh) * | 2020-08-14 | 2020-12-25 | 浙江大学 | 一种基于质量节点模型的学习方法 |
CN112070123A (zh) * | 2020-08-14 | 2020-12-11 | 五邑大学 | 小样本sar图像识别方法、装置及存储介质 |
CN112132147B (zh) * | 2020-08-14 | 2022-04-19 | 浙江大学 | 一种基于质量节点模型的学习方法 |
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 |
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 |
CN112001345A (zh) * | 2020-08-31 | 2020-11-27 | 中国科学院自动化研究所 | 基于特征变换度量网络的少样本人体行为识别方法及系统 |
CN112001345B (zh) * | 2020-08-31 | 2022-09-20 | 中国科学院自动化研究所 | 基于特征变换度量网络的少样本人体行为识别方法及系统 |
CN112115993A (zh) * | 2020-09-11 | 2020-12-22 | 昆明理工大学 | 一种基于元学习的零样本和小样本证件照异常检测方法 |
CN112287764B (zh) * | 2020-09-29 | 2022-10-14 | 南京邮电大学 | 基于小样本学习的梅派手势识别方法 |
CN112287764A (zh) * | 2020-09-29 | 2021-01-29 | 南京邮电大学 | 基于小样本学习的梅派手势识别方法 |
CN112215280A (zh) * | 2020-10-12 | 2021-01-12 | 西安交通大学 | 一种基于元骨干网络的小样本图像分类方法 |
CN112215280B (zh) * | 2020-10-12 | 2022-03-15 | 西安交通大学 | 一种基于元骨干网络的小样本图像分类方法 |
CN112270236A (zh) * | 2020-10-21 | 2021-01-26 | 长春工程学院 | 基于渐变尺度间隔变化规律算子的遥感影像植被分类方法 |
CN112270236B (zh) * | 2020-10-21 | 2022-07-19 | 长春工程学院 | 基于渐变尺度间隔变化规律算子的遥感影像植被分类方法 |
CN112434721B (zh) * | 2020-10-23 | 2023-09-01 | 特斯联科技集团有限公司 | 一种基于小样本学习的图像分类方法、系统、存储介质及终端 |
CN112434722B (zh) * | 2020-10-23 | 2024-03-19 | 浙江智慧视频安防创新中心有限公司 | 基于类别相似度的标签平滑计算的方法、装置、电子设备及介质 |
CN112434721A (zh) * | 2020-10-23 | 2021-03-02 | 特斯联科技集团有限公司 | 一种基于小样本学习的图像分类方法、系统、存储介质及终端 |
CN112434722A (zh) * | 2020-10-23 | 2021-03-02 | 浙江智慧视频安防创新中心有限公司 | 基于类别相似度的标签平滑计算的方法、装置、电子设备及介质 |
CN112329827A (zh) * | 2020-10-26 | 2021-02-05 | 同济大学 | 一种基于元学习的增量小样本目标检测方法 |
CN112329798A (zh) * | 2020-11-27 | 2021-02-05 | 重庆理工大学 | 一种基于优化视觉词袋模型的图像场景分类方法 |
CN112487805A (zh) * | 2020-11-30 | 2021-03-12 | 武汉大学 | 一种基于元学习框架的小样本Web服务分类方法 |
CN112487805B (zh) * | 2020-11-30 | 2024-02-02 | 武汉大学 | 一种基于元学习框架的小样本Web服务分类方法 |
CN112394354A (zh) * | 2020-12-02 | 2021-02-23 | 中国人民解放军国防科技大学 | 基于元学习的不同极化方式hrrp融合目标小样本识别方法 |
WO2022134586A1 (zh) * | 2020-12-21 | 2022-06-30 | 深圳壹账通智能科技有限公司 | 基于元学习的目标分类方法、装置、设备和存储介质 |
CN112613555A (zh) * | 2020-12-21 | 2021-04-06 | 深圳壹账通智能科技有限公司 | 基于元学习的目标分类方法、装置、设备和存储介质 |
CN112686850A (zh) * | 2020-12-24 | 2021-04-20 | 上海体素信息科技有限公司 | 基于空间位置和原型网络的ct图像的少样本分割方法和系统 |
CN112633382B (zh) * | 2020-12-25 | 2024-02-13 | 浙江大学 | 一种基于互近邻的少样本图像分类方法及系统 |
CN112633382A (zh) * | 2020-12-25 | 2021-04-09 | 浙江大学 | 一种基于互近邻的少样本图像分类方法及系统 |
CN112861626B (zh) * | 2021-01-04 | 2024-03-08 | 西北工业大学 | 基于小样本学习的细粒度表情分类方法 |
CN112861626A (zh) * | 2021-01-04 | 2021-05-28 | 西北工业大学 | 基于小样本学习的细粒度表情分类方法 |
CN112785479A (zh) * | 2021-01-21 | 2021-05-11 | 南京信息工程大学 | 一种基于少样本学习的图像隐形水印通用检测方法 |
CN112785479B (zh) * | 2021-01-21 | 2023-05-23 | 南京信息工程大学 | 一种基于少样本学习的图像隐形水印通用检测方法 |
CN112862767A (zh) * | 2021-01-28 | 2021-05-28 | 中山大学 | 基于度量学习的解决难分不平衡样本的表面缺陷检测方法 |
CN112862767B (zh) * | 2021-01-28 | 2023-02-24 | 中山大学 | 基于度量学习的解决难分不平衡样本的表面缺陷检测方法 |
CN112989085A (zh) * | 2021-01-29 | 2021-06-18 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
CN112989085B (zh) * | 2021-01-29 | 2023-07-25 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
CN112836629A (zh) * | 2021-02-01 | 2021-05-25 | 清华大学深圳国际研究生院 | 一种图像分类方法 |
CN112836629B (zh) * | 2021-02-01 | 2024-03-08 | 清华大学深圳国际研究生院 | 一种图像分类方法 |
CN112949693A (zh) * | 2021-02-02 | 2021-06-11 | 北京嘀嘀无限科技发展有限公司 | 图像分类模型的训练方法、图像分类方法、装置和设备 |
CN112949693B (zh) * | 2021-02-02 | 2024-04-26 | 北京嘀嘀无限科技发展有限公司 | 图像分类模型的训练方法、图像分类方法、装置和设备 |
CN112733965B (zh) * | 2021-02-03 | 2023-04-07 | 西安理工大学 | 一种基于小样本学习的无标签图像分类方法 |
CN112733965A (zh) * | 2021-02-03 | 2021-04-30 | 西安理工大学 | 一种基于小样本学习的无标签图像分类方法 |
CN112966676B (zh) * | 2021-02-04 | 2023-10-20 | 北京易道博识科技有限公司 | 一种基于零样本学习的文档关键信息抽取方法 |
CN112966676A (zh) * | 2021-02-04 | 2021-06-15 | 北京易道博识科技有限公司 | 一种基于零样本学习的文档关键信息抽取方法 |
CN112800257A (zh) * | 2021-02-10 | 2021-05-14 | 上海零眸智能科技有限公司 | 一种基于以图搜图快速添加样本训练数据的方法 |
CN112949454B (zh) * | 2021-02-26 | 2023-04-18 | 西安工业大学 | 一种基于小样本学习的虹膜识别方法 |
CN112949454A (zh) * | 2021-02-26 | 2021-06-11 | 西安工业大学 | 一种基于小样本学习的虹膜识别方法 |
CN113065634A (zh) * | 2021-02-26 | 2021-07-02 | 华为技术有限公司 | 一种图像处理方法、神经网络的训练方法以及相关设备 |
CN112633419A (zh) * | 2021-03-09 | 2021-04-09 | 浙江宇视科技有限公司 | 小样本学习方法、装置、电子设备和存储介质 |
CN112949740A (zh) * | 2021-03-17 | 2021-06-11 | 重庆邮电大学 | 一种基于多级度量的小样本图像分类方法 |
CN113076976A (zh) * | 2021-03-17 | 2021-07-06 | 中山大学 | 一种基于局部特征关系探究的小样本图像分类方法 |
CN113076976B (zh) * | 2021-03-17 | 2023-08-18 | 中山大学 | 一种基于局部特征关系探究的小样本图像分类方法 |
CN112990318A (zh) * | 2021-03-18 | 2021-06-18 | 中国科学院深圳先进技术研究院 | 持续学习方法、装置、终端及存储介质 |
CN113221110A (zh) * | 2021-04-08 | 2021-08-06 | 浙江工业大学 | 一种基于元学习的远程访问木马智能分析方法 |
CN113221110B (zh) * | 2021-04-08 | 2022-06-28 | 浙江工业大学 | 一种基于元学习的远程访问木马智能分析方法 |
CN113111205A (zh) * | 2021-04-13 | 2021-07-13 | 复旦大学 | 基于元滤波核的图像特征动态对齐方法及装置 |
CN113111205B (zh) * | 2021-04-13 | 2022-06-14 | 复旦大学 | 基于元滤波核的图像特征动态对齐方法及装置 |
CN113033698A (zh) * | 2021-04-16 | 2021-06-25 | 佛山市南海区广工大数控装备协同创新研究院 | 一种利用分布策略提升少样本分类准确性的方法 |
CN113112497A (zh) * | 2021-05-06 | 2021-07-13 | 合肥中科迪宏自动化有限公司 | 一种基于零样本学习的工业外观缺陷检测方法、电子设备及存储介质 |
CN113111971A (zh) * | 2021-05-07 | 2021-07-13 | 浙江宇视科技有限公司 | 分类模型的智能处理方法、装置、电子设备及介质 |
CN113128619A (zh) * | 2021-05-10 | 2021-07-16 | 北京瑞莱智慧科技有限公司 | 伪造样本检测模型的训练方法、伪造样本识别方法、装置、介质和设备 |
CN113239800A (zh) * | 2021-05-12 | 2021-08-10 | 上海善索智能科技有限公司 | 目标检测方法及目标检测装置 |
CN113239800B (zh) * | 2021-05-12 | 2023-07-25 | 上海善索智能科技有限公司 | 目标检测方法及目标检测装置 |
CN113269734A (zh) * | 2021-05-14 | 2021-08-17 | 成都市第三人民医院 | 一种基于元学习特征融合策略的肿瘤图像检测方法及装置 |
CN113314188B (zh) * | 2021-06-16 | 2022-07-15 | 中国科学技术大学 | 图结构增强的小样本学习方法、系统、设备及存储介质 |
CN113314188A (zh) * | 2021-06-16 | 2021-08-27 | 中国科学技术大学 | 图结构增强的小样本学习方法、系统、设备及存储介质 |
CN113284136A (zh) * | 2021-06-22 | 2021-08-20 | 南京信息工程大学 | 一种双损失函数训练的残差网络和XGBoost的医学图像分类方法 |
CN113344102A (zh) * | 2021-06-23 | 2021-09-03 | 昆山星际舟智能科技有限公司 | 基于图像hog特征与elm模型的目标图像识别方法 |
CN113255701A (zh) * | 2021-06-24 | 2021-08-13 | 军事科学院系统工程研究院网络信息研究所 | 一种基于绝对-相对学习架构的小样本学习方法和系统 |
CN113255701B (zh) * | 2021-06-24 | 2021-10-22 | 军事科学院系统工程研究院网络信息研究所 | 一种基于绝对-相对学习架构的小样本学习方法和系统 |
CN113537305A (zh) * | 2021-06-29 | 2021-10-22 | 复旦大学 | 一种基于匹配网络少样本学习的图像分类方法 |
CN113536986A (zh) * | 2021-06-29 | 2021-10-22 | 南京逸智网络空间技术创新研究院有限公司 | 一种基于代表特征的遥感图像中的密集目标检测方法 |
CN113408463B (zh) * | 2021-06-30 | 2022-05-10 | 吉林大学 | 一种基于距离度量的细胞图像小样本分类系统 |
CN113408463A (zh) * | 2021-06-30 | 2021-09-17 | 吉林大学 | 一种基于距离度量的细胞图像小样本分类系统 |
CN113486202A (zh) * | 2021-07-01 | 2021-10-08 | 南京大学 | 小样本图像分类的方法 |
CN113486202B (zh) * | 2021-07-01 | 2023-08-04 | 南京大学 | 小样本图像分类的方法 |
CN113361645A (zh) * | 2021-07-03 | 2021-09-07 | 上海理想信息产业(集团)有限公司 | 基于元学习及知识记忆的目标检测模型构建方法及系统 |
CN113361645B (zh) * | 2021-07-03 | 2024-01-23 | 上海理想信息产业(集团)有限公司 | 基于元学习及知识记忆的目标检测模型构建方法及系统 |
CN113609918B (zh) * | 2021-07-12 | 2023-10-13 | 河海大学 | 一种基于零次学习的短视频分类方法 |
CN113609918A (zh) * | 2021-07-12 | 2021-11-05 | 河海大学 | 一种基于零次学习的短视频分类方法 |
CN113569960B (zh) * | 2021-07-29 | 2023-12-26 | 北京邮电大学 | 基于域适应的小样本图像分类方法及系统 |
CN113569960A (zh) * | 2021-07-29 | 2021-10-29 | 北京邮电大学 | 基于域适应的小样本图像分类方法及系统 |
CN113642465B (zh) * | 2021-08-13 | 2022-07-08 | 石家庄铁道大学 | 基于关系网络的轴承健康评估方法 |
CN113642465A (zh) * | 2021-08-13 | 2021-11-12 | 石家庄铁道大学 | 基于关系网络的轴承健康评估方法 |
CN113469143A (zh) * | 2021-08-16 | 2021-10-01 | 西南科技大学 | 一种基于神经网络学习的手指静脉图像识别方法 |
CN113610183A (zh) * | 2021-08-19 | 2021-11-05 | 哈尔滨理工大学 | 一种基于三元组多样范例集和梯度正则化的增量学习方法、计算机及存储介质 |
CN113657517A (zh) * | 2021-08-21 | 2021-11-16 | 浙江捷瑞电力科技有限公司 | 一种基于注意力机制和度量学习少样本电力缺陷检测方法 |
CN113780378A (zh) * | 2021-08-26 | 2021-12-10 | 北京科技大学 | 一种疾病高危人群预测装置 |
CN113780378B (zh) * | 2021-08-26 | 2023-11-28 | 北京科技大学 | 一种疾病高危人群预测装置 |
CN113705570B (zh) * | 2021-08-31 | 2023-12-08 | 长沙理工大学 | 一种基于深度学习的少样本目标检测方法 |
CN113705570A (zh) * | 2021-08-31 | 2021-11-26 | 长沙理工大学 | 一种基于深度学习的少样本目标检测方法 |
CN113780284B (zh) * | 2021-09-17 | 2024-04-19 | 焦点科技股份有限公司 | 一种基于目标检测和度量学习的logo检测方法 |
CN113780284A (zh) * | 2021-09-17 | 2021-12-10 | 焦点科技股份有限公司 | 一种基于目标检测和度量学习的logo检测方法 |
CN113989556B (zh) * | 2021-10-27 | 2024-04-09 | 南京大学 | 一种小样本医学影像分类方法和系统 |
CN113989556A (zh) * | 2021-10-27 | 2022-01-28 | 南京大学 | 一种小样本医学影像分类方法和系统 |
CN114399763B (zh) * | 2021-12-17 | 2024-04-16 | 西北大学 | 一种单样本与小样本微体古生物化石图像识别方法及系统 |
CN114399763A (zh) * | 2021-12-17 | 2022-04-26 | 西北大学 | 一种单样本与小样本微体古生物化石图像识别方法及系统 |
CN114359582A (zh) * | 2022-01-11 | 2022-04-15 | 平安科技(深圳)有限公司 | 一种基于神经网络的小样本特征提取方法及相关设备 |
CN114067294B (zh) * | 2022-01-18 | 2022-05-13 | 之江实验室 | 一种基于文本特征融合的细粒度车辆识别系统及方法 |
CN114067294A (zh) * | 2022-01-18 | 2022-02-18 | 之江实验室 | 一种基于文本特征融合的细粒度车辆识别系统及方法 |
CN114462623A (zh) * | 2022-02-10 | 2022-05-10 | 电子科技大学 | 基于边缘计算的数据分析方法、系统及平台 |
CN114483346A (zh) * | 2022-02-10 | 2022-05-13 | 电子科技大学 | 一种基于小样本的发动机多流量管进气温度修正方法、装置和存储介质 |
CN114483346B (zh) * | 2022-02-10 | 2023-06-20 | 电子科技大学 | 一种基于小样本的发动机多流量管进气温度修正方法、装置和存储介质 |
WO2023207220A1 (zh) * | 2022-04-25 | 2023-11-02 | 华为技术有限公司 | 知识迁移的方法、装置、计算机设备以及存储介质 |
CN114818945A (zh) * | 2022-05-05 | 2022-07-29 | 兰州理工大学 | 融入类别自适应度量学习的小样本图像分类方法及装置 |
CN114943859A (zh) * | 2022-05-05 | 2022-08-26 | 兰州理工大学 | 面向小样本图像分类的任务相关度量学习方法及装置 |
CN114943859B (zh) * | 2022-05-05 | 2023-06-20 | 兰州理工大学 | 面向小样本图像分类的任务相关度量学习方法及装置 |
CN114943253A (zh) * | 2022-05-20 | 2022-08-26 | 电子科技大学 | 一种基于元学习模型的射频指纹小样本识别方法 |
CN115147615A (zh) * | 2022-07-01 | 2022-10-04 | 河海大学 | 一种基于度量元学习网络的岩石图像分类方法及装置 |
CN115082770A (zh) * | 2022-07-04 | 2022-09-20 | 青岛科技大学 | 一种基于机器学习的图像中心线结构提取方法 |
CN115082770B (zh) * | 2022-07-04 | 2024-02-23 | 青岛科技大学 | 一种基于机器学习的图像中心线结构提取方法 |
CN115424053A (zh) * | 2022-07-25 | 2022-12-02 | 北京邮电大学 | 小样本图像识别方法、装置、设备及存储介质 |
CN114936615A (zh) * | 2022-07-25 | 2022-08-23 | 南京大数据集团有限公司 | 一种基于表征一致性校对的小样本日志信息异常检测方法 |
CN115795355A (zh) * | 2023-02-10 | 2023-03-14 | 中国科学院自动化研究所 | 一种分类模型训练方法、装置及设备 |
CN115795355B (zh) * | 2023-02-10 | 2023-09-12 | 中国科学院自动化研究所 | 一种分类模型训练方法、装置及设备 |
CN115830401A (zh) * | 2023-02-14 | 2023-03-21 | 泉州装备制造研究所 | 一种小样本图像分类方法 |
CN116543269A (zh) * | 2023-07-07 | 2023-08-04 | 江西师范大学 | 基于自监督的跨域小样本细粒度图像识别方法及其模型 |
CN116543269B (zh) * | 2023-07-07 | 2023-09-05 | 江西师范大学 | 基于自监督的跨域小样本细粒度图像识别方法及其模型 |
CN117496243A (zh) * | 2023-11-06 | 2024-02-02 | 南宁师范大学 | 基于对比学习的小样本分类方法及系统 |
CN117372787B (zh) * | 2023-12-05 | 2024-02-20 | 同方赛威讯信息技术有限公司 | 一种图像多类别识别方法及装置 |
CN117372787A (zh) * | 2023-12-05 | 2024-01-09 | 同方赛威讯信息技术有限公司 | 一种图像多类别识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109961089B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109961089A (zh) | 基于度量学习和元学习的小样本和零样本图像分类方法 | |
CN104933428B (zh) | 一种基于张量描述的人脸识别方法及装置 | |
CN106897738B (zh) | 一种基于半监督学习的行人检测方法 | |
CN108830188A (zh) | 基于深度学习的车辆检测方法 | |
Fang et al. | Crop leaf disease grade identification based on an improved convolutional neural network | |
CN112446423B (zh) | 一种基于迁移学习的快速混合高阶注意力域对抗网络的方法 | |
CN112633382B (zh) | 一种基于互近邻的少样本图像分类方法及系统 | |
CN108256450A (zh) | 一种基于深度学习的人脸识别和人脸验证的监督学习方法 | |
Zhao et al. | Multiobjective sparse ensemble learning by means of evolutionary algorithms | |
Zhang et al. | Unsupervised difference representation learning for detecting multiple types of changes in multitemporal remote sensing images | |
CN109800811A (zh) | 一种基于深度学习的小样本图像识别方法 | |
CN108647595B (zh) | 基于多属性深度特征的车辆重识别方法 | |
CN105354595A (zh) | 一种鲁棒视觉图像分类方法及系统 | |
CN109344759A (zh) | 一种基于角度损失神经网络的亲属识别方法 | |
Zhang et al. | A GANs-based deep learning framework for automatic subsurface object recognition from ground penetrating radar data | |
CN108846413A (zh) | 一种基于全局语义一致网络的零样本学习方法 | |
CN109767312A (zh) | 一种信用评估模型训练、评估方法与装置 | |
Fadaeddini et al. | A deep residual neural network for low altitude remote sensing image classification | |
US20230162522A1 (en) | Person re-identification method of integrating global features and ladder-shaped local features and device thereof | |
CN111582337A (zh) | 基于小样本细粒度图像分析的草莓畸形状态检测方法 | |
CN114332545B (zh) | 一种基于低比特脉冲神经网络的图像数据分类方法和装置 | |
CN110263855A (zh) | 一种利用共基胶囊投影进行图像分类的方法 | |
Chen et al. | Multi-level attentive adversarial learning with temporal dilation for unsupervised video domain adaptation | |
Lunga et al. | Resflow: A remote sensing imagery data-flow for improved model generalization | |
Jiang et al. | Rotation-invariant feature learning in VHR optical remote sensing images via nested Siamese structure with double center loss |
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 |