CN109978017A - 难样本采样方法和系统 - Google Patents

难样本采样方法和系统 Download PDF

Info

Publication number
CN109978017A
CN109978017A CN201910169388.0A CN201910169388A CN109978017A CN 109978017 A CN109978017 A CN 109978017A CN 201910169388 A CN201910169388 A CN 201910169388A CN 109978017 A CN109978017 A CN 109978017A
Authority
CN
China
Prior art keywords
sample
characteristic pattern
difficult
losses
hyper parameter
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
CN201910169388.0A
Other languages
English (en)
Other versions
CN109978017B (zh
Inventor
祁亚斐
刘鹏
左思
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.)
Kai Yi (beijing) Technology Co Ltd
Original Assignee
Kai Yi (beijing) Technology Co Ltd
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 Kai Yi (beijing) Technology Co Ltd filed Critical Kai Yi (beijing) Technology Co Ltd
Priority to CN201910169388.0A priority Critical patent/CN109978017B/zh
Publication of CN109978017A publication Critical patent/CN109978017A/zh
Application granted granted Critical
Publication of CN109978017B publication Critical patent/CN109978017B/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
    • G06F18/21—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
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

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)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例公开一种难样本采样方法和系统，其中方法包括如下步骤：通过采用深度学习模型获取所输入的训练图像数据对应的特征图，再基于第一超参数确定特征图中的难样本数，然后根据第二超参数和特征图中的样本计算特征图中的预设难样本数。采用本发明，通过引入两个超参数分析特征图中的难样本，可以提高难样本挖掘的速度，再基于HES模型对特征图进行处理，更新目标检测模型的参数，可以保证最终的检测精度和时效性。

Description

难样本采样方法和系统
技术领域
本发明涉及样本挖掘技术领域，尤其涉及一种难样本采样方法和系统。
背景技术
在机器学习模型训练过程中，模型识别能力比较弱的样本设定为难样本。对难样本的挖掘学习可以明显提高目标检测方法的检测精度。然而，基于预选框筛选的两阶段方法速度过慢，同时基于直接回归的一阶段方法上则没有较有效的难样本挖掘方法。
发明内容
本发明实施例提供一种难样本采样方法和系统，通过引入两个超参数分析特征图中的难样本，可以提高难样本挖掘的速度，再基于HES模型对特征图进行处理，更新目标检测模型的参数，可以保证最终的检测精度和时效性。
本发明实施例第一方面提供了一种难样本采样方法，可包括：
采用深度学习模型获取所输入的训练图像数据对应的特征图；
基于第一超参数确定所述特征图中的难样本数；
根据第二超参数和所述特征图中的样本计算所述特征图中的预设难样本数。
在一种可能的设计中，在基于第一超参数确定所述特征图中的难样本数时，上述采样方法还包括：
根据所述特征图中各元素的预测信息将所述各元素划分至不同的样本中；
计算各样本的样本损失；
根据各样本的样本损失的大小对所述各样本进行排序，组成样本损失序列；
基于所述第一超参数在所述样本损失序列中确定所述特征图中的难样本数。
在一种可能的设计中，在基于所述第一超参数在所述样本损失序列中确定所述特征图中的难样本时，上述采样方法还包括：
遍历所述样本损失序列，确定样本损失最大的样本作为目标难样本；
采用HES模型将所述样本损失序列中的非难样本剔除，得到所述特征图中的难样本数；
其中，所述非难样本的样本损失小于所述目标难样本的样本损失，所述非难样本的IoU大于第一超参数。
在一种可能的设计中，上述采样方法还包括：
采用和所述特征图同样维度的矩阵M点积乘所述特征图，得到所述特征图对应的更新特征图；
对所述更新特征图进行损失反向传播，更新所述深度学习模型中的模型参数。
在一种可能的设计中：
所述M矩阵中的初始元素均为0。
在一种可能的设计中，上述采样方法还包括：
将所述特征图中确定为难样本的样本点对应的位置确定为目标位置；
将所述M矩阵中和所述目标位置相对应的位置处的元素置为1。
本发明实施例第二方面提供了一种难样本采样系统，可包括：
特征图获取模块，用于采用深度学习模型获取所输入的训练图像数据对应的特征图；
难样本确定模块，用于基于第一超参数确定所述特征图中的难样本数；
预设样本计算模块，用于根据第二超参数和所述特征图中样本数计算所述特征图中的预设难样本数。
在一种可能的设计中，上述难样本确定模块包括：
样本划分单元，用于根据所述特征图中各元素的预测信息将所述各元素划分至不同的样本中；
损失计算单元，用于计算各样本的样本损失；
样本排序单元，用于根据各样本的样本损失的大小对所述各样本进行排序，组成样本损失序列；
难样本确定单元，用于基于所述第一超参数在所述样本损失序列中确定所述特征图中的难样本数。
在一种可能的设计中，上述难样本确定单元包括：
目标确定子单元，用于遍历所述样本损失序列，确定样本损失最大的样本作为目标难样本；
样本剔除子单元，用于采用HES模型将所述样本损失序列中的非难样本剔除，得到所述特征图中的难样本数；
其中，所述非难样本的样本损失小于所述目标难样本的样本损失，所述非难样本的IoU大于第一超参数。
在一种可能的设计中，上述采用系统还包括：
特征图更新模块，用于采用和所述特征图同样维度的矩阵M点积乘所述特征图，得到所述特征图对应的更新特征图；
模型参数更新模块，用于对所述更新特征图进行损失反向传播，更新所述深度学习模型中的模型参数。
在一种可能的设计中：
所述M矩阵中的初始元素均为0。
在一种可能的设计中，上述采用系统还包括：
目标位置确定模块，用于将所述特征图中确定为难样本的样本点对应的位置确定为目标位置；
元素设置模块，用于将所述M矩阵中和所述目标位置相对应的位置处的元素置为1。
在本发明实施例中，通过采用深度学习模型获取所输入的训练图像数据对应的特征图，再基于第一超参数确定特征图中的难样本数，然后根据第二超参数和特征图中的样本数计算特征图中的预设难样本数。通过引入两个超参数分析特征图中的难样本，提高了难样本挖掘的速度，再基于HES模型对特征图进行处理，更新目标检测模型的参数，保证了最终的检测精度和时效性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1是本发明实施例提供的一种难样本采样方法的流程示意图；
图2是本发明实施例提供的另一种难样本采样方法的流程示意图；
图3是本发明实施例提供的一种难样本采样系统的结构示意图；
图4是本发明实施例提供的难样本确定模块的结构示意图；
图5是本发明实施例提供的难样本确定单元的结构示意图。
具体实施方式
下面将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。
下面将结合附图1和附图2，对本发明实施例提供的难样本采样方法进行详细介绍。
请参见图1，为本发明实施例提供了一种难样本采样方法的流程示意图。如图1所示，本发明实施例的所述方法可以包括以下步骤S101-步骤S103。
S101，采用深度学习模型获取所输入的训练图像数据对应的特征图。
具体的，采样系统可以采用深度学习模型获取所输入的训练图像数据对应的特征图，可以理解的是，上述深度学习模型可以是深度神经网络模型或者深度卷积神经网络模型等，训练图像数据可以是原始的未经处理的图像。可选的，采样系统可以经过骨干网和yolo检测头得到训练图像数据最终预测的特征图。其中，yolo检测头可以是一阶段的数学模型。上述特征图可以是通过对角线定点坐标确定的特征区域，或者是通过中心点坐标以及长宽确定的特征区域。
S102，基于第一超参数确定特征图中的难样本数。
具体的，上述采样系统可以基于第一超参数确定特征图中的难样本数，可以理解的是，第一超参数可以是非最大值抑制值阈值(non-maximum suppression，NMS)，特征图中的总样本数与特征图的大小相关，数量是固定的。采样系统可以基于NMS阈值在NMS操作中找到特征图中数量不定的难样本。在可选实施例中，可以根据特征图的大小确定特征图中的样本数。
在可选实施例中，采样系统可以根据特征图中各元素的预测信息将各元素划分至不同的样本中，如果预测的坐标和类别信息属于同一物体，就可以将对应的元素划分至同一样本中。进一步的，可以计算各样本的样本损失，可选的，可以通过下面的函数定义样本损失：其中，为样本损失，为一个样本里坐标信息的损失，为一个样本里类别信息的损失。进一步的，采样系统可以根据各样本的样本损失的大小对各样本进行排序，组成样本损失序列，优选的，可以按照样本损失递减顺序进行排序。进一步的，可以基于NMS阈值在上述样本损失序列中确定特征图中不定数量的难样本数。
在可选实施例中，采样系统可以遍历上述样本损失序列，确定样本损失最大的样本作为目标难样本，然后可以采用HES模型将样本损失序列中的非难样本剔除，得到特征图中的难样本数。可以理解的是，上述非难样本的样本损失小于目标难样本的样本损失，非难样本的IoU大于第一超参数。进而，采样系统可以利用NMS操作把样本序列中比该难样本损失小且交并比(intersection-over-union，IoU)大于设定的NMS阈值的样本剔除出序列，再重复上述操作直至找到预先设定数量的难样本。具体实现时可以如下式：其中，LHES为当前处理的样本序列，Sort为一种排序计算，Thresh为设定的NMS阈值。
在可选实施例中，采样系统可以采用和上述特征图同样维度的矩阵M点积乘该特征图，得到其对应的更新特征图，可以理解的是，两个相同维度的矩阵对应元素相乘得到还是原来维度的矩阵。例如，特征图为F，更新特征图为则HES模型可以解释成如下的等式，
其中，是HES模型的输出，是点积乘，和F具有相同的维度。进一步的，上述系统可以对更新特征图计算损失并进行损失反向传播，更新上述深度学习模型中的模型参数。保证上述深度学习模型的检测准确性和实效性。
可以理解的是，上述M矩阵中的初始元素均为0。可选的，系统可以将上述特征图中确定为难样本的样本点对应的位置确定为目标位置，进一步的，可以将M矩阵中和目标位置相对应的位置处的元素置为1。即，当特征图中的某个位置为难样本时，M中样本对应位置的元素置为1。
S103，根据第二超参数和特征图中的样本数计算特征图中的预设难样本数。
具体的，上述采用系统可以根据第二超参数和特征图中的样本数计算特征图中的预设难样本数。可以理解的是，第二超参数可以是特征图中的预设难样数本占特征图中难样本数的比例ratio，预设难样本数可以是预先设定数量的难样本的数。上述特征图中的预设难样本数可以通过特征图中的难样本数与ratio相乘得到。
在本发明实施例中，通过采用深度学习模型获取所输入的训练图像数据对应的特征图，再基于第一超参数确定特征图中的难样本数，然后根据第二超参数和特征图中的样本数计算特征图中的预设难样本数。通过引入两个超参数分析特征图中的难样本，提高了难样本挖掘的速度，再基于HES模型对特征图进行处理，更新目标检测模型的参数，保证了最终的检测精度和时效性。
在本发明实施例的一种具体实现方式中，难样本采样方法的实现过程可以如图2所示，可以包括步骤S201-S204。
S201，输入训练图片。
S202，经过物体检测网络得到最终特征图F。
S203，特征图F经过HES模型得到特征图
S204，对特征图计算损失并进行反向传播。
具体实现中，采样过程可以参见上述方法实施例中的具体描述，此处不再赘述。
下面将结合附图3-附图5，对本发明实施例提供的难样本采样系统进行详细介绍。需要说明的是，3-附图5所示的采样系统，用于执行本发明图1和图2所示实施例的方法，为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明图1和图2所示的实施例。
请参见图3，为本发明实施例提供了一种难样本采样系统的结构示意图。如图3所示，本发明实施例的所述采样系统1可以包括：特征图获取模块11、难样本确定模块12、13、特征图更新模块14、模型参数更新模块15、目标位置确定模块16和元素设置模块17。其中，难样本确定模块12可以包括样本划分单元121、损失计算单元122、样本排序单元123和难样本确定单元124；难样本确定单元124可以包括目标确定子单元1241和样本剔除子单元1242。
特征图获取模块11，用于采用深度学习模型获取所输入的训练图像数据对应的特征图。
具体实现中，特征图获取模块11可以采用深度学习模型获取所输入的训练图像数据对应的特征图，可以理解的是，上述深度学习模型可以是深度神经网络模型或者深度卷积神经网络模型等，训练图像数据可以是原始的未经处理的图像。可选的，特征图获取模块11可以经过骨干网和yolo检测头得到训练图像数据最终预测的特征图。其中，yolo检测头可以是一阶段的数学模型。上述特征图可以是通过对角线定点坐标确定的特征区域，或者是通过中心点坐标以及长宽确定的特征区域。
难样本确定模块12，用于基于第一超参数确定特征图中的难样本数。
具体实现中，难样本确定模块12可以基于第一超参数确定特征图中的难样本数，可以理解的是，第一超参数可以是NMS阈值，特征图中的总样本数与特征图的大小相关，数量是固定的。采样系统可以基于NMS阈值在NMS操作中找到特征图中数量不定的难样本。在可选实施例中，采用系统1可以根据特征图的大小确定特征图中的样本数。
在可选实施例中，难样本确定模块12可以包括如图4所示的样本划分单元121、损失计算单元122、样本排序单元123和难样本确定单元124。
具体实现中，样本划分单元121可以根据特征图中各元素的预测信息将各元素划分至不同的样本中，如果预测的坐标和类别信息属于同一物体，就可以将对应的元素划分至同一样本中。进一步的，损失计算单元122可以计算各样本的样本损失，可选的，可以通过下面的函数定义样本损失：其中，为样本损失，为一个样本里坐标信息的损失，为一个样本里类别信息的损失。进一步的，样本排序单元123可以根据各样本的样本损失的大小对各样本进行排序，组成样本损失序列，优选的，可以按照样本损失递减顺序进行排序。进一步的，难样本确定单元124可以基于NMS阈值在上述样本损失序列中确定特征图中不定数量的难样本数。
在可选实施例中，难样本确定单元124可以包括如图5所示的目标确定子单元1241和样本剔除子单元1242。
具体实现中，目标确定子单元1241可以遍历上述样本损失序列，确定样本损失最大的样本作为目标难样本，然后样本剔除子单元1242可以采用HES模型将样本损失序列中的非难样本剔除，得到特征图中的难样本数。可以理解的是，上述非难样本的样本损失小于目标难样本的样本损失，非难样本的IoU大于第一超参数。进而，样本剔除子单元1242可以利用NMS操作把样本序列中比该难样本损失小且交并比(intersection-over-union，IoU)大于设定的NMS阈值的样本剔除出序列，再重复上述操作直至找到预先设定数量的难样本。具体实现时可以如下式：其中，LHES为当前处理的样本序列，Sort为一种排序计算，Thresh为设定的NMS阈值。
在可选实施例中，特征图更新模块14可以采用和上述特征图同样维度的矩阵M点积乘该特征图，得到其对应的更新特征图，可以理解的是，两个相同维度的矩阵对应元素相乘得到还是原来维度的矩阵。例如，特征图为F，更新特征图为则HES模型可以解释成如下的等式，
其中，是HES模型的输出，是点积乘，和F具有相同的维度。进一步的，模型参数更新模块15可以对更新特征图进行损失反向传播，更新上述深度学习模型中的模型参数。保证上述深度学习模型的检测准确性和实效性。
可以理解的是，上述M矩阵中的初始元素均为0。可选的，目标位置确定模块16可以将上述特征图中确定为难样本的样本点对应的位置确定为目标位置，进一步的，元素设置模块17可以将M矩阵中和目标位置相对应的位置处的元素置为1。即，当特征图中的某个位置为难样本时，M中样本对应位置的元素置为1。
预设样本计算模块13，用于根据第二超参数和特征图中的样本数计算特征图中的预设难样本数。
具体实现中，预设样本计算模块13可以根据第二超参数和特征图中的样本数计算特征图中的预设难样本数。可以理解的是，第二超参数可以是特征图中的预设难样数本占特征图中难样本数的比例ratio，预设难样本数可以是预先设定数量的难样本的数。上述特征图中的预设难样本数可以通过特征图中的难样本数与ratio相乘得到。
在本发明实施例中，通过采用深度学习模型获取所输入的训练图像数据对应的特征图，再基于第一超参数确定特征图中的难样本数，然后根据第二超参数和特征图中的样本数计算特征图中的预设难样本数。通过引入两个超参数分析特征图中的难样本，提高了难样本挖掘的速度，再基于HES模型对特征图进行处理，更新目标检测模型的参数，保证了最终的检测精度和时效性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种难样本采样方法，其特征在于，包括：
采用深度学习模型获取所输入的训练图像数据对应的特征图；
基于第一超参数确定所述特征图中的难样本数；
根据第二超参数和所述特征图中的样本数计算所述特征图中的预设难样本数。
2.根据权利要求1所述的方法，其特征在于，在基于第一超参数确定所述特征图中的难样本数时，所述方法还包括：
根据所述特征图中各元素的预测信息将所述各元素划分至不同的样本中；
计算各样本的样本损失；
根据各样本的样本损失的大小对所述各样本进行排序，组成样本损失序列；
基于所述第一超参数在所述样本损失序列中确定所述特征图中的难样本数。
3.根据权利要求2所述的方法，其特征在于，在基于所述第一超参数在所述样本损失序列中确定所述特征图中的难样本数时，所述方法还包括：
遍历所述样本损失序列，确定样本损失最大的样本作为目标难样本；
采用HES模型将所述样本损失序列中的非难样本剔除，得到所述特征图中的难样本数；
其中，所述非难样本的样本损失小于所述目标难样本的样本损失，所述非难样本的IoU大于第一超参数。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
采用和所述特征图同样维度的矩阵M点积乘所述特征图，得到所述特征图对应的更新特征图；
对所述更新特征图计算损失并进行损失反向传播，更新所述深度学习模型中的模型参数。
5.根据权利要求4所述的方法，其特征在于：
所述M矩阵中的初始元素均为0。
6.根据权利要求4所述的方法，其特征在于，所述方法还包括：
将所述特征图中确定为难样本的样本点对应的位置确定为目标位置；
将所述M矩阵中和所述目标位置相对应的位置处的元素置为1。
7.一种难样本采样系统，其特征在于，包括：
特征图获取模块，用于采用深度学习模型获取所输入的训练图像数据对应的特征图；
难样本确定模块，用于基于第一超参数确定所述特征图中的难样本数；
预设样本计算模块，用于根据第二超参数和所述特征图中的样本计算所述特征图中的预设难样本数。
8.根据如权利要求7所述的系统，其特征在于，所述难样本确定模块包括：
样本划分单元，用于根据所述特征图中各元素的预测信息将所述各元素划分至不同的样本中；
损失计算单元，用于计算各样本的样本损失；
样本排序单元，用于根据各样本的样本损失的大小对所述各样本进行排序，组成样本损失序列；
难样本确定单元，用于基于所述第一超参数在所述样本损失序列中确定所述特征图中的难样本数。
9.根据如权利要求8所述的系统，其特征在于，所述难样本确定单元包括：
目标确定子单元，用于遍历所述样本损失序列，确定样本损失最大的样本作为目标难样本；
样本剔除子单元，用于采用HES模型将所述样本损失序列中的非难样本剔除，得到所述特征图中的难样本数；
其中，所述非难样本的样本损失小于所述目标难样本的样本损失，所述非难样本的IoU大于第一超参数。
10.根据如权利要求9所述的系统，其特征在于，所述系统还包括：
特征图更新模块，用于采用和所述特征图同样维度的矩阵M点积乘所述特征图，得到所述特征图对应的更新特征图；
模型参数更新模块，用于对所述更新特征图计算损失并进行损失反向传播，更新所述深度学习模型中的模型参数。
CN201910169388.0A 2019-03-06 2019-03-06 难样本采样方法和系统 Active CN109978017B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910169388.0A CN109978017B (zh) 2019-03-06 2019-03-06 难样本采样方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910169388.0A CN109978017B (zh) 2019-03-06 2019-03-06 难样本采样方法和系统

Publications (2)

Publication Number Publication Date
CN109978017A true CN109978017A (zh) 2019-07-05
CN109978017B CN109978017B (zh) 2021-06-01

Family

ID=67078024

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910169388.0A Active CN109978017B (zh) 2019-03-06 2019-03-06 难样本采样方法和系统

Country Status (1)

Country Link
CN (1) CN109978017B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110610197A (zh) * 2019-08-19 2019-12-24 北京迈格威科技有限公司 一种困难样本挖掘和模型训练方法、装置和电子设备
CN110956255A (zh) * 2019-11-26 2020-04-03 中国医学科学院肿瘤医院 难样本挖掘方法、装置、电子设备及计算机可读存储介质
CN111768007A (zh) * 2020-06-28 2020-10-13 北京百度网讯科技有限公司 用于挖掘数据的方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105354824A (zh) * 2015-09-30 2016-02-24 西安电子科技大学 基于区域提取的双参数恒虚警检测方法
CN106934346A (zh) * 2017-01-24 2017-07-07 北京大学 一种目标检测性能优化的方法
WO2018205467A1 (zh) * 2017-05-10 2018-11-15 平安科技（深圳）有限公司 车损部位的识别方法、系统、电子装置及存储介质
CN109359603A (zh) * 2018-10-22 2019-02-19 东南大学 一种基于级联卷积神经网络的车辆驾驶员人脸检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105354824A (zh) * 2015-09-30 2016-02-24 西安电子科技大学 基于区域提取的双参数恒虚警检测方法
CN106934346A (zh) * 2017-01-24 2017-07-07 北京大学 一种目标检测性能优化的方法
WO2018205467A1 (zh) * 2017-05-10 2018-11-15 平安科技（深圳）有限公司 车损部位的识别方法、系统、电子装置及存储介质
CN109359603A (zh) * 2018-10-22 2019-02-19 东南大学 一种基于级联卷积神经网络的车辆驾驶员人脸检测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110610197A (zh) * 2019-08-19 2019-12-24 北京迈格威科技有限公司 一种困难样本挖掘和模型训练方法、装置和电子设备
CN110956255A (zh) * 2019-11-26 2020-04-03 中国医学科学院肿瘤医院 难样本挖掘方法、装置、电子设备及计算机可读存储介质
CN110956255B (zh) * 2019-11-26 2023-04-07 中国医学科学院肿瘤医院 难样本挖掘方法、装置、电子设备及计算机可读存储介质
CN111768007A (zh) * 2020-06-28 2020-10-13 北京百度网讯科技有限公司 用于挖掘数据的方法和装置
CN111768007B (zh) * 2020-06-28 2023-08-08 北京百度网讯科技有限公司 用于挖掘数据的方法和装置

Also Published As

Publication number Publication date
CN109978017B (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
CN104200087B (zh) 用于机器学习的参数寻优及特征调优的方法及系统
CN109978017A (zh) 难样本采样方法和系统
CN109919934B (zh) 一种基于多源域深度迁移学习的液晶面板缺陷检测方法
CN110796048B (zh) 一种基于深度神经网络的船舰目标实时检测方法
JP2020501238A (ja) 顔検出トレーニング方法、装置及び電子機器
CN110047095A (zh) 基于目标检测的跟踪方法、装置及终端设备
KR102139083B1 (ko) 액티베이션 연산과 컨벌루션 연산을 동시에 수행하기 위한 방법 및 장치 그리고 이를 위한 학습 방법 및 학습 장치
CN110120065B (zh) 一种基于分层卷积特征和尺度自适应核相关滤波的目标跟踪方法及系统
CN107688786A (zh) 一种基于级联卷积神经网络的人脸检测方法
CN107993250A (zh) 一种快速多目标行人追踪和分析方法及其智能装置
CN108229290A (zh) 视频物体分割方法和装置、电子设备、存储介质和程序
CN102903085A (zh) 基于角点匹配的快速图像拼接方法
CN108805863A (zh) 深度卷积神经网络结合形态学检测图像变化的方法
CN110390393A (zh) 模型特征筛选方法及装置、可读存储介质
CN110308658A (zh) 一种pid参数整定方法、装置、系统及可读存储介质
CN116452823A (zh) 一种基于图像的钻井液气泡识别方法
CN111915603A (zh) 一种含噪声ebsd数据中无噪声相图的人工智能预测方法
CN111429431A (zh) 一种基于卷积神经网络的元件定位识别方法
CN105224941A (zh) 对象辨识与定位方法
CN104360339B (zh) 激光雷达航带扫描边界识别方法及装置
US20240104804A1 (en) System for clustering data points
CN115292971A (zh) 基于贝叶斯的裂缝属性分析方法、装置及存储介质
CN115184998A (zh) 一种基于改进U-net神经网络的瑞利波频散曲线自动提取方法
JP2009204434A (ja) 目標検出装置、目標検出方法及び目標検出プログラム
CN114820488A (zh) 一种样本成分分析方法、装置、设备及存储介质

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