CN110110745A - 基于生成对抗网络的半监督x光图像自动标注 - Google Patents
基于生成对抗网络的半监督x光图像自动标注 Download PDFInfo
- Publication number
- CN110110745A CN110110745A CN201910250090.2A CN201910250090A CN110110745A CN 110110745 A CN110110745 A CN 110110745A CN 201910250090 A CN201910250090 A CN 201910250090A CN 110110745 A CN110110745 A CN 110110745A
- Authority
- CN
- China
- Prior art keywords
- network
- data
- arbiter
- image
- sample
- 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.)
- Withdrawn
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
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- 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
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
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 Processing (AREA)
Abstract
本发明提出了一种基于生成对抗网络半监督X光自动标注方法,基于现有的生成对抗网络方法,改进了传统训练方法,利用监督损失和无监督损失相结合的半监督训练方法进行基于少量标注样本的图像分类识别。围绕X光图像标注数据稀缺性的问题进行研究,首先在传统无监督生成对抗网络基础上用softmax替换最后输出层,扩展成为半监督生成对抗网络,其次对生成样本定义额外类别标签引导训练,然后采用半监督训练对网络参数进行优化,最后采用训练好的判别网络对X光图像进行自动标注。该方法在医学X光图像自动标注方面,相比于传统监督学习和其他半监督学习算法性能得到了提高。
Description
技术领域:
本发明是一种半监督图像自动标注方法,特别是涉及医学X光图像标签样本稀缺性问题。具体地说,是一种基于生成对抗网络的半监督医学X光图像自动方法。
背景技术:
近年来,随着深度学习技术在计算机视觉方面的突破性进展,使得图像分类、目标检测和实例分割等自然图像计算机视觉任务的性能显著提高。因此基于深度学习的计算机视觉方法对早期疾病检测和图像诊断也开始得到广泛应用,其中医学X光学图像作为最为直观准确的疾病检测和诊断手段,因此X光图像分类和识别等领域的发展来说意义重大。然而,X光图像分类性能取决于标签数据集的大小,标签数据量较小的情况下模型往往会出现过拟合等问题,严重影响其准确率,为患者的诊断结果带来极大的误诊。而现实过程中,手工标注大型医学图像数据必然会消耗大量的人力物力成本。
标签图像样本稀缺性问题为图像的自动标注和识别带来了困难,为此常采用半监督学习的方法以期望获得更好的效果。半监督生成式模型的方法中,此类方法假设所有数据,无论是否有标记都是由同一个潜在的模型“生成”的。这个假设使得我们能通过潜在模型的参数将未标记数据与学习目标联系起来,而未标记数据的标记则可看作模型的缺失参数,通常可基于EM算法进行极大似然估计求解。根据概率论公理得到后验分布,找到使最大的类标签对数据进行自动标注。这类算法的关键在于模型假设必须准确,即假设的模型必须与真实数据分布相吻合。但在现实问题中,往往很难事先对模型进行准确的预测和假设,使得算法最终的效果收模型设定影响很大,限制了其应用范围。
针对以上问题,该发明提出了一种基于生成对抗网络的半监督X图像自动标注方法,能够在基于标签样本稀疏性上获得更加准确的的性能。
发明内容:
为了实现上述方法,本发明针对X影像标注中标签样本稀缺性问题,提出了一种基于生成对抗网络的半监督医学X光影像自动标注算法,模型判别器网络通过监督损失和无监督损失相结合的训练方式共同调整网络参数,生成器网络利用特征匹配来提高模型拟合真实数据的能力。采用半监督的训练完成对X光图像标注,该方法实现包括以下步骤:
步骤一:构建网络结构:
网络结构主要包括生成器和判别器,在生成对抗网络的基础上,通过将生成对抗网络的生成器的生成图像样本添加到数据库图像中,对于一个K类分类问题,用新生成的类y=K+1标注生成图像样本,相应地将判别器输出softmax分类器的维数从K扩展到到K+1;
(一)构建生成器:
生成器网络结构使用多层反卷积网络来对随机噪声向量z进行上采样,生成指定大小的生成图像图像。首先将符合高斯分布分布的100维随机噪声z输入到全连接网络,通过维度变换使其成为三维张量;然后将维度变换后的张量输入到卷积核的大小为5×5,步长为2的多层反卷积层,每次完成反卷积之后都进行批量归一化处理,除了最后输出层使用tanh激活函数以外,其它层都采用ReLu激活函数,最后输出层输出指定大小为的张量,即为生成图像样本;
(二)构建判别器:
判别器网络由多个个卷积层,全连接层以及一个softmax输出串连组成。输入图像样本输入到采用卷积核为3×3的卷积层中,其中步长为1的卷积用于提高网络的特征提取,而步长为2的卷积用于对图像进行下采样,增大感受野。每次完成卷积之后都进行批量归一化处理,激活函数采用leakReLu函数。不同于传统的ReLU激活函数,leakReLu在负半轴保留了很小的斜率,避免了训练过程中梯度消失。最后经全连接层输出逻辑向量,通过softmax输出归一化类概率向量;步骤二:数据预处理
在构建网络模型后,为了保证图像大小以及噪声等因素对网络训练过程中的影响,在网络模型训练之前对图像数据进行预处理:
(一)针对数据库中的X光图像中出现的灰雾现象采用直方图均衡化对进行灰度值调整;
(二)确保输入图像数据的一致性,对图像统一缩放为128×128像素;
(三)对数据集进行分割,数据集按照7:2:1划分为训练集、测试集和验证集;
(四)训练集数据分为标注样本数据和未标注样本数据,其中标注样本数据远远小于未标注样本数据量;
步骤三:定义网络损失函数
网络训练本质上就是损失函数的一个优化的过程,分别定义判别器和生成器损失函数,用于网络训练中参数优化和更新:
(一)判别器网络损失:
(1)判别器输入x对应三种数据:标注数据、未标数据、生成数据。
(2)判别器输入x中标注样本数据对应的标签y,取自真实数据分布x,y~Pdata;
(3)未标注样本取自数据库数据分布x~Pdata;
(4)生成样本来自生成器x~G;
(5)判别器接受样本x作为输入,输出一个K+1维的逻辑向量{l1,l2,···,lK+1},再由softmax输出归一化类概率向量:
(6)概率前K维对应原有K个类,最后一维对应“伪样本”类,即生成图像样本类。Pmodel的最大值位置对应预测分类标签;
(7)判别器输入对应三种数据分别对应各自损失Llabel,Lunlabel,Lgen;
(8)标签样本损失:真实类标签分布和预测类标签的交叉熵损失:
(9)未标注样本损失:将未标记样本分为真的损失,即y≠K+1:
(10)生成样本损失:将生成样本分为假的损失,即y=K+1:
Lgen=-Ex~G[logPmodel(y=K+1|x)]
(11)三类损失函数相结合为判别器损失函数。表示为:
LD=Llabel+Lunlabel+Lgen
(二)生成器网络损失:
(1)生成器由随机向量生成样本G(z);
(2)选取判别器全连接层输出的逻辑向量作为中间层的特征值f(·);(3)采用要求生成器生成与真实数据的统计数据相匹配的特征匹配的方法作为生成器损失函数,定义为如下形式:
步骤四:网络训练
在构建网络模型,以及数据处理之后,最后将采用定义的损失函数随网络进行训练,本发明提出的半监督生成对抗网络模型具体训练步骤如下:
1)在高斯分布中随机采样生成随机向量z,并将随机向量输入至生成器网络,得到生成图像G(z);
2)将标注和未标注的真实图像x以及生成图像G(z)按批次输入到判别器网络,通过softmax输出归一化的概率值D(x)和D(G(z));
3)固定判别器网络的参数,若真实图像x无标签,则将Lunlabel作为损失函数;若真实图像x有标签,则将Llabel作为损失函数;若输入为生成图像,将Lgen作为损失函数。利用Adam梯度下降方式来调整判别器网络的参数;
4)固定判别器网络的参数,选取全连接层输出作为中间层特征,对真实图像x和生成图像G(z)进行特征匹配操作,并利用特征匹配调整生成器网络的参数;
5)重复1-4步操作,直至达到迭代次数或网络达到收敛;
6)将测试样本图像输入到判别器中,对测试图像进行自动标注。
附图说明:
图1是本发明基于生成对抗网络半监督分类方法的网络结构
图2是本发明的生成器网络结构
图3是本发明的判别器网络结构
具体实施方式:
步骤一:构建网络结构
在生成对抗网络的基础上,本发明提出了一种基于生成对抗网络的半监督X光图像自动标注方法,如图1所示。生成器将随机噪声z送入到多层反卷积构成的生成器网络结构,输出拟合真实数据的生成样本,将生成器的生成图像样本添加到数据库图像中引导网络训练,对于一个K类分类问题,用新生成的类y=K+1标注生成图像样本,相应地将判别器输出softmax分类器的维数从K扩展到到K+1:
(一)构建生成器:
生成器网络结构使用多层反卷积网络来对随机噪声向量z进行上采样,生成指定大小的生成图像,如图2所示。首先将高斯分布的100维随机噪声z输入到全连接网络,通过维度变换使其成为三维张量;然后将维度变换后的张量输入到卷积核的大小为5×5,步长为2的多层反卷积层,每次完成反卷积之后都进行批量归一化处理,除了最后输出层使用tanh激活函数以外,其它层都采用ReLu激活函数,最后输出层输出指定大小为的张量,即为生成图像样本。
(二)构建判别器:
判别器网络由多个个卷积层,全连接层以及一个softmax输出串连组成,如图3所示。输入图像样本输入到采用卷积核为3×3的卷积层中,其中步长为1的卷积用于提高网络的特征提取,而步长为2的卷积用于对图像进行下采样,增大感受野。每次完成卷积之后都进行批量归一化处理,激活函数采用leakReLu函数。不同于传统的ReLU激活函数,leakReLu在负半轴保留了很小的斜率,避免了训练过程中梯度消失。最后经全连接层输出逻辑向量,通过softmax输出归一化类概率向量;
判别器多层卷积强大的特征提取和特征学习能力,不仅可以使判别器区分真实样本和生成样本,还可以输出样本属于指定标签的概率;
步骤二:数据预处理
在构建网络模型之后,为了保证图像大小以及噪声等因素对网络训练过程中的影响,在网络模型训练之前对图像数据进行预处理:
(一)针对数据库中的X光图像中出现的灰雾现象采用直方图均衡化对进行灰度值调整;
(二)确保输入图像数据的一致性,对图像统一缩放为128×128像素;
(三)对数据集进行分割,数据集按照7:2:1划分为训练集、测试集和验证集;
(四)训练集数据分为标注样本数据和未标注样本数据,其中标注样本数据远远小于未标注样本数据量;
步骤三:定义损失函数
网络训练本质上就是损失函数的一个优化的过程,分别定义判别器和生成器损失函数,用于网络训练中参数优化和更新:
(一)判别器网络损失
(1)判别器输入x对应三种数据:标注数据、未标数据、生成数据;
(2)判别器输入x中标注样本数据对应的标签y,取自真实数据分布x,y~Pdata;
(3)未标注样本取自数据库数据分布x~Pdata;
(4)生成样本来自生成器x~G;
(5)判别器接受样本x作为输入,输出一个K+1维的逻辑向量{l1,l2,···,lK+1},再由softmax输出归一化类概率向量:
(6)概率前K维对应原有K个类,最后一维对应“伪样本”类,即生成图像样本类。Pmodel的最大值位置对应预测分类标签;
(7)判别器输入对应三种数据分别对应各自损失Llabel,Lunlabel,Lgen;(8)标签样本损失:真实类标签分布和预测类标签的交叉熵损失:
(9)未标注样本损失:将未标记样本分为真的损失,即y≠K+1:
(10)生成样本损失:将生成样本分为假的损失,即y=K+1:
Lgen=-Ex~G[logPmodel(y=K+1|x)]
(11)三类损失函数相结合为判别器损失函数。表示为:
LD=Llabel+Lunlabel+Lgen
(二)生成器网络损失
(1)生成器由随机向量生成样本G(z);
(2)选取判别器全连接层输出的逻辑向量作为中间层的特征值f(·);
(3)采用要求生成器生成与真实数据的统计数据相匹配的特征匹配的方法作为生成器损失函数,定义为如下形式:
步骤四:训练网络模型
在构建网络模型,以及数据处理之后,最后将采用定义的损失函数随网络进行训练,本发明提出的半监督生成对抗网络模型具体训练步骤如下:
1)在高斯分布中随机采样生成随机向量z,并将随机向量输入至生成器网络,得到生成图像G(z);
2)将标注和未标注的真实图像x以及生成图像G(z)按批次输入到判别器网络,通过softmax输出归一化的概率值D(x)和D(G(z));
3)固定生成器网络的参数,若真实图像x无标签,则将Lunlabel作为损失函数;若真实图像x有标签,则将Llabel作为损失函数;若输入为生成图像,将Lgen作为损失函数。利用Adam梯度下降方式来调整判别器网络的参数;
4)固定判别器网络的参数,选取全连接层输出作为中间层特征,对真实图像x和生成图像G(z)进行特征匹配操作,并利用特征匹配调整生成器网络的参数;
5)重复1-4步操作,直至达到迭代次数;
6)将测试样本图像输入到判别器中,对测试图像进行自动标注。
原理:模型通过大量的未标注样本数据来辅助少量标注样本数据进行学习,少量标签数据通过最小化标注样本数据标签与模型预测概率分布的交叉熵损失来的监督学习基础上,通过对生成样本数据添加定义额外类别标签引导训练,同时通过大量无标签数据在生成对抗网络中的无监督学习,采用特征匹配的方法生成尽可能服从真实样本分布的生成样本,在监督学习和无监督学习的联合训练下,实现具半监督医学X光图像的自动标注;这对于有少量标签数据的情况下,可有效提升标注的性能。
综上所述,本发明所提出的基于生成对抗网络的半监督医学X光图像自动标注方法,能够有效解决医学图像标注中标签数据不足的问题;在训练的过程中会生成真实图像样本,有利于最终图像的标注的准确性;同时该方法还可应用于医学诊断、异常检测以及图像识别等领域。
Claims (1)
1.一种基于半监督生成对抗网络的X光图像自动标注方法,其特征在于包括以下步骤:
步骤一:构建网络结构:
网络结构主要包括生成器和判别器,在生成对抗网络的基础上,通过将生成对抗网络的生成器的生成图像样本添加到数据库图像中,对于一个K类分类问题,用新生成的类y=K+1标注生成图像样本,相应地将判别器输出softmax分类器的维数从K扩展到到K+1;
(一)构建生成器:
生成器网络结构使用多层反卷积网络来对随机噪声向量z进行上采样,生成指定大小的生成图像图像;首先将符合高斯分布分布的100维随机噪声z输入到全连接网络,通过维度变换使其成为三维张量;然后将维度变换后的张量输入到卷积核的大小为5×5,步长为2的多层反卷积层,每次完成反卷积之后都进行批量归一化处理,除了最后输出层使用tanh激活函数以外,其它层都采用ReLu激活函数,最后输出层输出指定大小为的张量,即为生成图像样本;
(二)构建判别器:
判别器网络由多个个卷积层,全连接层以及一个softmax输出串连组成;输入图像样本输入到采用卷积核为3×3的卷积层中,每次完成卷积之后都进行批量归一化处理,激活函数采用leakReLu函数;不同于传统的ReLU激活函数,leakReLu在负半轴保留了很小的斜率,避免了训练过程中梯度消失;最后经全连接层输出逻辑向量,通过softmax输出归一化类概率向量;
步骤二:数据预处理
在构建网络模型后,为了保证图像大小以及噪声等因素对网络训练过程中的影响,在网络模型训练之前对图像数据进行预处理:
(一)针对数据库中的X光图像中出现的灰雾现象采用直方图均衡化对进行灰度值调整;
(二)确保输入图像数据的一致性,对图像统一缩放为128×128像素;
(三)对数据集进行分割,数据集按照7:2:1划分为训练集、测试集和验证集;
(四)训练集数据分为标注样本数据和未标注样本数据,其中标注样本数据远远小于未标注样本数据量;
步骤三:定义网络损失函数
网络训练本质上就是损失函数的一个优化的过程,分别定义判别器和生成器损失函数,用于网络训练中参数优化和更新:
(一)判别器网络损失:
(1)判别器输入x对应三种数据:标注数据、未标数据、生成数据。
(2)判别器输入x中标注样本数据对应的标签y,取自真实数据分布x,y~Pdata;
(3)未标注样本取自数据库数据分布x~Pdata;
(4)生成样本来自生成器x~G;
(5)判别器接受样本x作为输入,输出一个K+1维的逻辑向量{l1,l2,···,lK+1},再由softmax输出归一化类概率向量:
(6)概率前K维对应原有K个类,最后一维对应“伪样本”类,即生成图像样本类。Pmodel的最大值位置对应预测分类标签;
(7)判别器输入对应三种数据分别对应各自损失Llabel,Lunlabel,Lgen;
(8)标签样本损失:真实类标签分布和预测类标签的交叉熵损失:
(9)未标注样本损失:将未标记样本分为真的损失,即y≠K+1:
(10)生成样本损失:将生成样本分为假的损失,即y=K+1:
Lgen=-Ex~G[logPmodel(y=K+1|x)]
(11)三类损失函数相结合为判别器损失函数。表示为:
LD=Llabel+Lunlabel+Lgen
(二)生成器网络损失:
(1)生成器由随机向量生成样本G(z);
(2)选取判别器全连接层输出的逻辑向量作为中间层的特征值f(·);
(3)采用要求生成器生成与真实数据的统计数据相匹配的特征匹配的方法作为生成器损失函数,定义为如下形式:
步骤四:网络训练
在构建网络模型,以及数据处理之后,最后将采用定义的损失函数随网络进行训练,本发明提出的半监督生成对抗网络模型具体训练步骤如下:
1)在高斯分布中随机采样生成随机向量z,并将随机向量输入至生成器网络,得到生成图像G(z);
2)将标注和未标注的真实图像x以及生成图像G(z)按批次输入到判别器网络,通过softmax输出归一化的概率值D(x)和D(G(z));
3)固定判别器网络的参数,若真实图像x无标签,则将Lunlabel作为损失函数;若真实图像x有标签,则将Llabel作为损失函数;若输入为生成图像,将Lgen作为损失函数。利用Adam梯度下降方式来调整判别器网络的参数;
4)固定判别器网络的参数,选取全连接层输出作为中间层特征,对真实图像x和生成图像G(z)进行特征匹配操作,并利用特征匹配调整生成器网络的参数;
5)重复1-4步操作,直至达到迭代次数或网络达到收敛;
6)将测试样本图像输入到判别器中,对测试图像进行自动标注。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910250090.2A CN110110745A (zh) | 2019-03-29 | 2019-03-29 | 基于生成对抗网络的半监督x光图像自动标注 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910250090.2A CN110110745A (zh) | 2019-03-29 | 2019-03-29 | 基于生成对抗网络的半监督x光图像自动标注 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110110745A true CN110110745A (zh) | 2019-08-09 |
Family
ID=67484747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910250090.2A Withdrawn CN110110745A (zh) | 2019-03-29 | 2019-03-29 | 基于生成对抗网络的半监督x光图像自动标注 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110110745A (zh) |
Cited By (66)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110473160A (zh) * | 2019-08-21 | 2019-11-19 | 西安工程大学 | 一种基于ssgan的古代残损纺织物图像修复方法 |
CN110472737A (zh) * | 2019-08-15 | 2019-11-19 | 腾讯医疗健康(深圳)有限公司 | 神经网络模型的训练方法、装置和医学图像处理系统 |
CN110569842A (zh) * | 2019-09-05 | 2019-12-13 | 江苏艾佳家居用品有限公司 | 一种用于gan模型训练的半监督学习的方法 |
CN110619889A (zh) * | 2019-09-19 | 2019-12-27 | Oppo广东移动通信有限公司 | 体征数据识别方法、装置、电子设备和存储介质 |
CN110617966A (zh) * | 2019-09-23 | 2019-12-27 | 江南大学 | 一种基于半监督生成对抗网络的轴承故障诊断方法 |
CN110675374A (zh) * | 2019-09-17 | 2020-01-10 | 电子科技大学 | 一种基于生成对抗网络的二维图像污水流量检测方法 |
CN110689086A (zh) * | 2019-10-08 | 2020-01-14 | 郑州轻工业学院 | 基于生成式对抗网络的半监督高分遥感图像场景分类方法 |
CN110728729A (zh) * | 2019-09-29 | 2020-01-24 | 天津大学 | 一种基于注意机制的无监督ct投影域数据恢复方法 |
CN110765844A (zh) * | 2019-09-03 | 2020-02-07 | 华南理工大学 | 一种基于对抗学习的非感应式餐盘图像数据自动标注方法 |
CN110823574A (zh) * | 2019-09-30 | 2020-02-21 | 安徽富煌科技股份有限公司 | 一种基于半监督学习深度对抗网络的故障诊断方法 |
CN110853703A (zh) * | 2019-10-16 | 2020-02-28 | 天津大学 | 一种对蛋白质二级结构进行半监督学习预测方法 |
CN110866455A (zh) * | 2019-10-25 | 2020-03-06 | 南京理工大学 | 一种路面水体检测方法 |
CN110909814A (zh) * | 2019-11-29 | 2020-03-24 | 华南理工大学 | 一种基于特征分离的分类方法 |
CN111028941A (zh) * | 2019-12-10 | 2020-04-17 | 南京医科大学 | 基于生成对抗网络的tka术前临床分期智能评估方法 |
CN111046673A (zh) * | 2019-12-17 | 2020-04-21 | 湖南大学 | 一种用于防御文本恶意样本的对抗生成网络及其训练方法 |
CN111160555A (zh) * | 2019-12-26 | 2020-05-15 | 北京迈格威科技有限公司 | 基于神经网络的处理方法、装置及电子设备 |
CN111242213A (zh) * | 2020-01-13 | 2020-06-05 | 上海大学 | 无标签的自动人脸属性编辑方法 |
CN111325809A (zh) * | 2020-02-07 | 2020-06-23 | 广东工业大学 | 一种基于双对抗网络的外观图像生成方法 |
CN111368912A (zh) * | 2020-03-03 | 2020-07-03 | 中国福利会国际和平妇幼保健院 | 一种分类器模型的形成方法及系统 |
CN111382785A (zh) * | 2020-03-04 | 2020-07-07 | 武汉精立电子技术有限公司 | 一种gan网络模型及实现样本自动清洗、辅助标记的方法 |
CN111382686A (zh) * | 2020-03-04 | 2020-07-07 | 上海海事大学 | 一种基于半监督生成对抗网络的车道线检测方法 |
CN111445445A (zh) * | 2020-03-16 | 2020-07-24 | 东南大学 | 基于半监督异常检测的碳纤维复合芯导线损伤检测方法 |
CN111523422A (zh) * | 2020-04-15 | 2020-08-11 | 北京华捷艾米科技有限公司 | 一种关键点检测模型训练方法、关键点检测方法和装置 |
CN111626317A (zh) * | 2019-08-14 | 2020-09-04 | 广东省智能制造研究所 | 基于双流条件对抗生成网络的半监督高光谱数据分析方法 |
CN111696027A (zh) * | 2020-05-20 | 2020-09-22 | 电子科技大学 | 一种基于适应性注意力机制的多模态的图像风格迁移方法 |
CN111794741A (zh) * | 2020-08-11 | 2020-10-20 | 中国石油天然气集团有限公司 | 滑动定向钻井模拟机实现方法 |
CN111860975A (zh) * | 2020-06-30 | 2020-10-30 | 中国地质大学(武汉) | 一种基于生成对抗网络的临近降雨预测方法 |
CN111881979A (zh) * | 2020-07-28 | 2020-11-03 | 复旦大学 | 多模态数据标注装置及包含程序的计算机可读存储介质 |
CN111899203A (zh) * | 2020-07-10 | 2020-11-06 | 贵州大学 | 基于标注图在无监督训练下的真实图像生成方法及存储介质 |
CN111931591A (zh) * | 2020-07-15 | 2020-11-13 | 北京百度网讯科技有限公司 | 用于构建关键点学习模型的方法、装置、电子设备及可读存储介质 |
CN112001480A (zh) * | 2020-08-11 | 2020-11-27 | 中国石油天然气集团有限公司 | 基于生成对抗网络的滑动定向数据小样本扩增方法 |
CN112052893A (zh) * | 2020-09-01 | 2020-12-08 | 西安电子科技大学 | 基于生成对抗网络的半监督图像分类方法 |
CN112102294A (zh) * | 2020-09-16 | 2020-12-18 | 推想医疗科技股份有限公司 | 生成对抗网络的训练方法及装置、图像配准方法及装置 |
CN112102323A (zh) * | 2020-09-17 | 2020-12-18 | 陕西师范大学 | 基于生成对抗网络和Caps-Unet网络的粘连细胞核分割方法 |
CN112102156A (zh) * | 2020-09-09 | 2020-12-18 | 重庆大学 | 基于因果流模型的可控汽车图像合成方法 |
CN112149802A (zh) * | 2020-09-17 | 2020-12-29 | 广西大学 | 一种语义结构一致的图像内容转换方法 |
CN112215262A (zh) * | 2020-09-21 | 2021-01-12 | 清华大学 | 基于自监督对比学习的图像深度聚类方法及系统 |
CN112347930A (zh) * | 2020-11-06 | 2021-02-09 | 天津市勘察设计院集团有限公司 | 基于自学习半监督深度神经网络高分影像场景分类方法 |
CN112381116A (zh) * | 2020-10-21 | 2021-02-19 | 福州大学 | 基于对比学习的自监督图像分类方法 |
CN112489218A (zh) * | 2020-11-30 | 2021-03-12 | 江苏科技大学 | 一种基于半监督学习的单视图三维重建系统及其方法 |
CN112507950A (zh) * | 2020-12-18 | 2021-03-16 | 中国科学院空天信息创新研究院 | 一种生成对抗式多任务多要素样本自动标注方法及装置 |
CN112700408A (zh) * | 2020-12-28 | 2021-04-23 | 中国银联股份有限公司 | 模型训练方法、图像质量评估方法及装置 |
CN112784930A (zh) * | 2021-03-17 | 2021-05-11 | 西安电子科技大学 | 基于cacgan的hrrp识别数据库样本扩充方法 |
CN112801212A (zh) * | 2021-03-02 | 2021-05-14 | 东南大学 | 一种基于小样本半监督学习的白细胞分类计数方法 |
CN112837338A (zh) * | 2021-01-12 | 2021-05-25 | 浙江大学 | 一种基于生成对抗网络的半监督医学图像分割方法 |
CN112835709A (zh) * | 2020-12-17 | 2021-05-25 | 华南理工大学 | 基于生成对抗网络的云负载时序数据生成方法、系统及介质 |
CN112906019A (zh) * | 2021-02-04 | 2021-06-04 | 南京邮电大学 | 基于改进dcgan模型的流量数据生成方法、装置及系统 |
CN113095352A (zh) * | 2021-03-01 | 2021-07-09 | 中国地质大学(武汉) | 融合静动态特征的缝洞型油藏半监督学习储层含油气性评价方法 |
CN113129309A (zh) * | 2021-03-04 | 2021-07-16 | 同济大学 | 基于对象上下文一致性约束的医学图像半监督分割系统 |
CN113139928A (zh) * | 2020-01-16 | 2021-07-20 | 中移(上海)信息通信科技有限公司 | 肺结节检测模型的训练方法和肺结节检测方法 |
CN113139464A (zh) * | 2021-04-23 | 2021-07-20 | 国网山东省电力公司青岛市即墨区供电公司 | 一种电网故障检测方法 |
CN113221948A (zh) * | 2021-04-13 | 2021-08-06 | 复旦大学 | 基于对抗生成网络和弱监督学习的数字切片图像分类方法 |
CN113255427A (zh) * | 2021-02-09 | 2021-08-13 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、电子设备和存储介质 |
CN113537031A (zh) * | 2021-07-12 | 2021-10-22 | 电子科技大学 | 基于多鉴别器条件生成对抗网络的雷达图像目标识别方法 |
CN113534059A (zh) * | 2021-07-22 | 2021-10-22 | 西安电子科技大学 | 开集场景下基于深度卷积网络的雷达有源干扰识别方法 |
CN113592000A (zh) * | 2021-08-03 | 2021-11-02 | 成都理工大学 | 基于卷积对抗神经网络的裂缝识别技术 |
CN113628057A (zh) * | 2021-08-16 | 2021-11-09 | 湖南工商大学 | 基于改进生成对抗网络的存在骗保行为的患者识别方法 |
CN113657561A (zh) * | 2021-10-20 | 2021-11-16 | 之江实验室 | 一种基于多任务解耦学习的半监督夜间图像分类方法 |
CN113747385A (zh) * | 2021-08-27 | 2021-12-03 | 中移(杭州)信息技术有限公司 | 室内定位方法、装置、设备及计算机可读存储介质 |
CN113884290A (zh) * | 2021-09-28 | 2022-01-04 | 江南大学 | 基于自训练半监督生成对抗网络的调压器故障诊断方法 |
CN113903433A (zh) * | 2021-10-14 | 2022-01-07 | 数坤(北京)网络科技股份有限公司 | 一种图像处理方法、装置和电子设备 |
CN114996898A (zh) * | 2022-04-13 | 2022-09-02 | 上海核工程研究设计院有限公司 | 基于SysML活动图的核工程设计功能分配方法及系统 |
CN115859991A (zh) * | 2023-02-28 | 2023-03-28 | 智慧眼科技股份有限公司 | 一种实体抽取方法、装置、设备及存储介质 |
CN116206164A (zh) * | 2023-05-06 | 2023-06-02 | 之江实验室 | 基于半监督对比学习的多相期ct分类系统及构建方法 |
CN116703895A (zh) * | 2023-08-02 | 2023-09-05 | 杭州灵西机器人智能科技有限公司 | 基于生成对抗网络的小样本3d视觉检测方法及其系统 |
CN117076871A (zh) * | 2023-10-16 | 2023-11-17 | 南京邮电大学 | 一种基于不平衡半监督对抗训练框架的电池故障分类方法 |
-
2019
- 2019-03-29 CN CN201910250090.2A patent/CN110110745A/zh not_active Withdrawn
Cited By (115)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626317A (zh) * | 2019-08-14 | 2020-09-04 | 广东省智能制造研究所 | 基于双流条件对抗生成网络的半监督高光谱数据分析方法 |
CN111626317B (zh) * | 2019-08-14 | 2022-01-07 | 广东省科学院智能制造研究所 | 基于双流条件对抗生成网络的半监督高光谱数据分析方法 |
CN110472737A (zh) * | 2019-08-15 | 2019-11-19 | 腾讯医疗健康(深圳)有限公司 | 神经网络模型的训练方法、装置和医学图像处理系统 |
CN110472737B (zh) * | 2019-08-15 | 2023-11-17 | 腾讯医疗健康(深圳)有限公司 | 神经网络模型的训练方法、装置和医学图像处理系统 |
CN110473160A (zh) * | 2019-08-21 | 2019-11-19 | 西安工程大学 | 一种基于ssgan的古代残损纺织物图像修复方法 |
CN110765844B (zh) * | 2019-09-03 | 2023-05-26 | 华南理工大学 | 一种基于对抗学习的非感应式餐盘图像数据自动标注方法 |
CN110765844A (zh) * | 2019-09-03 | 2020-02-07 | 华南理工大学 | 一种基于对抗学习的非感应式餐盘图像数据自动标注方法 |
CN110569842A (zh) * | 2019-09-05 | 2019-12-13 | 江苏艾佳家居用品有限公司 | 一种用于gan模型训练的半监督学习的方法 |
CN110569842B (zh) * | 2019-09-05 | 2022-08-12 | 江苏艾佳家居用品有限公司 | 一种用于gan模型训练的半监督学习的方法 |
CN110675374B (zh) * | 2019-09-17 | 2022-05-03 | 电子科技大学 | 一种基于生成对抗网络的二维图像污水流量检测方法 |
CN110675374A (zh) * | 2019-09-17 | 2020-01-10 | 电子科技大学 | 一种基于生成对抗网络的二维图像污水流量检测方法 |
CN110619889B (zh) * | 2019-09-19 | 2022-03-15 | Oppo广东移动通信有限公司 | 体征数据识别方法、装置、电子设备和存储介质 |
CN110619889A (zh) * | 2019-09-19 | 2019-12-27 | Oppo广东移动通信有限公司 | 体征数据识别方法、装置、电子设备和存储介质 |
CN110617966A (zh) * | 2019-09-23 | 2019-12-27 | 江南大学 | 一种基于半监督生成对抗网络的轴承故障诊断方法 |
CN110728729B (zh) * | 2019-09-29 | 2023-05-26 | 天津大学 | 一种基于注意机制的无监督ct投影域数据恢复方法 |
CN110728729A (zh) * | 2019-09-29 | 2020-01-24 | 天津大学 | 一种基于注意机制的无监督ct投影域数据恢复方法 |
CN110823574A (zh) * | 2019-09-30 | 2020-02-21 | 安徽富煌科技股份有限公司 | 一种基于半监督学习深度对抗网络的故障诊断方法 |
CN110689086A (zh) * | 2019-10-08 | 2020-01-14 | 郑州轻工业学院 | 基于生成式对抗网络的半监督高分遥感图像场景分类方法 |
CN110853703A (zh) * | 2019-10-16 | 2020-02-28 | 天津大学 | 一种对蛋白质二级结构进行半监督学习预测方法 |
CN110866455A (zh) * | 2019-10-25 | 2020-03-06 | 南京理工大学 | 一种路面水体检测方法 |
CN110866455B (zh) * | 2019-10-25 | 2022-09-13 | 南京理工大学 | 一种路面水体检测方法 |
CN110909814A (zh) * | 2019-11-29 | 2020-03-24 | 华南理工大学 | 一种基于特征分离的分类方法 |
CN110909814B (zh) * | 2019-11-29 | 2023-05-26 | 华南理工大学 | 一种基于特征分离的分类方法 |
CN111028941A (zh) * | 2019-12-10 | 2020-04-17 | 南京医科大学 | 基于生成对抗网络的tka术前临床分期智能评估方法 |
CN111046673A (zh) * | 2019-12-17 | 2020-04-21 | 湖南大学 | 一种用于防御文本恶意样本的对抗生成网络及其训练方法 |
CN111046673B (zh) * | 2019-12-17 | 2021-09-03 | 湖南大学 | 一种用于防御文本恶意样本的对抗生成网络的训练方法 |
CN111160555A (zh) * | 2019-12-26 | 2020-05-15 | 北京迈格威科技有限公司 | 基于神经网络的处理方法、装置及电子设备 |
CN111160555B (zh) * | 2019-12-26 | 2023-12-01 | 北京迈格威科技有限公司 | 基于神经网络的处理方法、装置及电子设备 |
CN111242213B (zh) * | 2020-01-13 | 2023-07-25 | 上海大学 | 无标签的自动人脸属性编辑方法 |
CN111242213A (zh) * | 2020-01-13 | 2020-06-05 | 上海大学 | 无标签的自动人脸属性编辑方法 |
CN113139928B (zh) * | 2020-01-16 | 2024-02-23 | 中移(上海)信息通信科技有限公司 | 肺结节检测模型的训练方法和肺结节检测方法 |
CN113139928A (zh) * | 2020-01-16 | 2021-07-20 | 中移(上海)信息通信科技有限公司 | 肺结节检测模型的训练方法和肺结节检测方法 |
CN111325809B (zh) * | 2020-02-07 | 2021-03-12 | 广东工业大学 | 一种基于双对抗网络的外观图像生成方法 |
CN111325809A (zh) * | 2020-02-07 | 2020-06-23 | 广东工业大学 | 一种基于双对抗网络的外观图像生成方法 |
CN111368912A (zh) * | 2020-03-03 | 2020-07-03 | 中国福利会国际和平妇幼保健院 | 一种分类器模型的形成方法及系统 |
CN111368912B (zh) * | 2020-03-03 | 2023-12-19 | 中国福利会国际和平妇幼保健院 | 一种分类器模型的形成方法及系统 |
CN111382686B (zh) * | 2020-03-04 | 2023-03-24 | 上海海事大学 | 一种基于半监督生成对抗网络的车道线检测方法 |
CN111382686A (zh) * | 2020-03-04 | 2020-07-07 | 上海海事大学 | 一种基于半监督生成对抗网络的车道线检测方法 |
CN111382785B (zh) * | 2020-03-04 | 2023-09-01 | 武汉精立电子技术有限公司 | 一种gan网络模型及实现样本自动清洗、辅助标记的方法 |
CN111382785A (zh) * | 2020-03-04 | 2020-07-07 | 武汉精立电子技术有限公司 | 一种gan网络模型及实现样本自动清洗、辅助标记的方法 |
CN111445445A (zh) * | 2020-03-16 | 2020-07-24 | 东南大学 | 基于半监督异常检测的碳纤维复合芯导线损伤检测方法 |
CN111445445B (zh) * | 2020-03-16 | 2023-05-30 | 东南大学 | 基于半监督异常检测的碳纤维复合芯导线损伤检测方法 |
CN111523422A (zh) * | 2020-04-15 | 2020-08-11 | 北京华捷艾米科技有限公司 | 一种关键点检测模型训练方法、关键点检测方法和装置 |
CN111523422B (zh) * | 2020-04-15 | 2023-10-10 | 北京华捷艾米科技有限公司 | 一种关键点检测模型训练方法、关键点检测方法和装置 |
CN111696027A (zh) * | 2020-05-20 | 2020-09-22 | 电子科技大学 | 一种基于适应性注意力机制的多模态的图像风格迁移方法 |
CN111860975A (zh) * | 2020-06-30 | 2020-10-30 | 中国地质大学(武汉) | 一种基于生成对抗网络的临近降雨预测方法 |
CN111899203A (zh) * | 2020-07-10 | 2020-11-06 | 贵州大学 | 基于标注图在无监督训练下的真实图像生成方法及存储介质 |
CN111899203B (zh) * | 2020-07-10 | 2023-06-20 | 贵州大学 | 基于标注图在无监督训练下的真实图像生成方法及存储介质 |
CN111931591B (zh) * | 2020-07-15 | 2024-01-12 | 北京百度网讯科技有限公司 | 用于构建关键点学习模型的方法、装置、电子设备及可读存储介质 |
CN111931591A (zh) * | 2020-07-15 | 2020-11-13 | 北京百度网讯科技有限公司 | 用于构建关键点学习模型的方法、装置、电子设备及可读存储介质 |
CN111881979A (zh) * | 2020-07-28 | 2020-11-03 | 复旦大学 | 多模态数据标注装置及包含程序的计算机可读存储介质 |
CN112001480B (zh) * | 2020-08-11 | 2024-01-26 | 中国石油天然气集团有限公司 | 基于生成对抗网络的滑动定向数据小样本扩增方法 |
CN111794741A (zh) * | 2020-08-11 | 2020-10-20 | 中国石油天然气集团有限公司 | 滑动定向钻井模拟机实现方法 |
CN111794741B (zh) * | 2020-08-11 | 2023-08-18 | 中国石油天然气集团有限公司 | 滑动定向钻井模拟机实现方法 |
CN112001480A (zh) * | 2020-08-11 | 2020-11-27 | 中国石油天然气集团有限公司 | 基于生成对抗网络的滑动定向数据小样本扩增方法 |
CN112052893A (zh) * | 2020-09-01 | 2020-12-08 | 西安电子科技大学 | 基于生成对抗网络的半监督图像分类方法 |
CN112102156B (zh) * | 2020-09-09 | 2023-06-09 | 重庆大学 | 基于因果流模型的可控汽车图像合成方法 |
CN112102156A (zh) * | 2020-09-09 | 2020-12-18 | 重庆大学 | 基于因果流模型的可控汽车图像合成方法 |
CN112102294B (zh) * | 2020-09-16 | 2024-03-01 | 推想医疗科技股份有限公司 | 生成对抗网络的训练方法及装置、图像配准方法及装置 |
CN112102294A (zh) * | 2020-09-16 | 2020-12-18 | 推想医疗科技股份有限公司 | 生成对抗网络的训练方法及装置、图像配准方法及装置 |
CN112149802A (zh) * | 2020-09-17 | 2020-12-29 | 广西大学 | 一种语义结构一致的图像内容转换方法 |
CN112102323B (zh) * | 2020-09-17 | 2023-07-07 | 陕西师范大学 | 基于生成对抗网络和Caps-Unet网络的粘连细胞核分割方法 |
CN112102323A (zh) * | 2020-09-17 | 2020-12-18 | 陕西师范大学 | 基于生成对抗网络和Caps-Unet网络的粘连细胞核分割方法 |
CN112149802B (zh) * | 2020-09-17 | 2022-08-09 | 广西大学 | 一种语义结构一致的图像内容转换方法 |
CN112215262A (zh) * | 2020-09-21 | 2021-01-12 | 清华大学 | 基于自监督对比学习的图像深度聚类方法及系统 |
CN112215262B (zh) * | 2020-09-21 | 2022-12-09 | 清华大学 | 基于自监督对比学习的图像深度聚类方法及系统 |
CN112381116A (zh) * | 2020-10-21 | 2021-02-19 | 福州大学 | 基于对比学习的自监督图像分类方法 |
CN112381116B (zh) * | 2020-10-21 | 2022-10-28 | 福州大学 | 基于对比学习的自监督图像分类方法 |
CN112347930B (zh) * | 2020-11-06 | 2022-11-29 | 天津市勘察设计院集团有限公司 | 基于自学习半监督深度神经网络高分影像场景分类方法 |
CN112347930A (zh) * | 2020-11-06 | 2021-02-09 | 天津市勘察设计院集团有限公司 | 基于自学习半监督深度神经网络高分影像场景分类方法 |
CN112489218A (zh) * | 2020-11-30 | 2021-03-12 | 江苏科技大学 | 一种基于半监督学习的单视图三维重建系统及其方法 |
CN112489218B (zh) * | 2020-11-30 | 2024-03-19 | 江苏科技大学 | 一种基于半监督学习的单视图三维重建系统及其方法 |
CN112835709A (zh) * | 2020-12-17 | 2021-05-25 | 华南理工大学 | 基于生成对抗网络的云负载时序数据生成方法、系统及介质 |
CN112835709B (zh) * | 2020-12-17 | 2023-09-22 | 华南理工大学 | 基于生成对抗网络的云负载时序数据生成方法、系统和介质 |
CN112507950A (zh) * | 2020-12-18 | 2021-03-16 | 中国科学院空天信息创新研究院 | 一种生成对抗式多任务多要素样本自动标注方法及装置 |
CN112507950B (zh) * | 2020-12-18 | 2021-09-03 | 中国科学院空天信息创新研究院 | 一种生成对抗式多任务多要素样本自动标注方法及装置 |
CN112700408B (zh) * | 2020-12-28 | 2023-09-08 | 中国银联股份有限公司 | 模型训练方法、图像质量评估方法及装置 |
CN112700408A (zh) * | 2020-12-28 | 2021-04-23 | 中国银联股份有限公司 | 模型训练方法、图像质量评估方法及装置 |
CN112837338A (zh) * | 2021-01-12 | 2021-05-25 | 浙江大学 | 一种基于生成对抗网络的半监督医学图像分割方法 |
CN112837338B (zh) * | 2021-01-12 | 2022-06-21 | 浙江大学 | 一种基于生成对抗网络的半监督医学图像分割方法 |
CN112906019A (zh) * | 2021-02-04 | 2021-06-04 | 南京邮电大学 | 基于改进dcgan模型的流量数据生成方法、装置及系统 |
CN112906019B (zh) * | 2021-02-04 | 2022-11-11 | 南京邮电大学 | 基于改进dcgan模型的流量数据生成方法、装置及系统 |
CN113255427B (zh) * | 2021-02-09 | 2022-05-27 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、电子设备和存储介质 |
CN113255427A (zh) * | 2021-02-09 | 2021-08-13 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、电子设备和存储介质 |
CN113095352A (zh) * | 2021-03-01 | 2021-07-09 | 中国地质大学(武汉) | 融合静动态特征的缝洞型油藏半监督学习储层含油气性评价方法 |
CN112801212A (zh) * | 2021-03-02 | 2021-05-14 | 东南大学 | 一种基于小样本半监督学习的白细胞分类计数方法 |
CN113129309B (zh) * | 2021-03-04 | 2023-04-07 | 同济大学 | 基于对象上下文一致性约束的医学图像半监督分割系统 |
CN113129309A (zh) * | 2021-03-04 | 2021-07-16 | 同济大学 | 基于对象上下文一致性约束的医学图像半监督分割系统 |
CN112784930B (zh) * | 2021-03-17 | 2022-03-04 | 西安电子科技大学 | 基于cacgan的hrrp识别数据库样本扩充方法 |
CN112784930A (zh) * | 2021-03-17 | 2021-05-11 | 西安电子科技大学 | 基于cacgan的hrrp识别数据库样本扩充方法 |
CN113221948A (zh) * | 2021-04-13 | 2021-08-06 | 复旦大学 | 基于对抗生成网络和弱监督学习的数字切片图像分类方法 |
CN113221948B (zh) * | 2021-04-13 | 2022-08-05 | 复旦大学 | 基于对抗生成网络和弱监督学习的数字切片图像分类方法 |
CN113139464A (zh) * | 2021-04-23 | 2021-07-20 | 国网山东省电力公司青岛市即墨区供电公司 | 一种电网故障检测方法 |
CN113537031B (zh) * | 2021-07-12 | 2023-04-07 | 电子科技大学 | 基于多鉴别器条件生成对抗网络的雷达图像目标识别方法 |
CN113537031A (zh) * | 2021-07-12 | 2021-10-22 | 电子科技大学 | 基于多鉴别器条件生成对抗网络的雷达图像目标识别方法 |
CN113534059A (zh) * | 2021-07-22 | 2021-10-22 | 西安电子科技大学 | 开集场景下基于深度卷积网络的雷达有源干扰识别方法 |
CN113592000A (zh) * | 2021-08-03 | 2021-11-02 | 成都理工大学 | 基于卷积对抗神经网络的裂缝识别技术 |
CN113628057A (zh) * | 2021-08-16 | 2021-11-09 | 湖南工商大学 | 基于改进生成对抗网络的存在骗保行为的患者识别方法 |
CN113747385B (zh) * | 2021-08-27 | 2022-12-16 | 中移(杭州)信息技术有限公司 | 室内定位方法、装置、设备及计算机可读存储介质 |
CN113747385A (zh) * | 2021-08-27 | 2021-12-03 | 中移(杭州)信息技术有限公司 | 室内定位方法、装置、设备及计算机可读存储介质 |
CN113884290B (zh) * | 2021-09-28 | 2022-08-02 | 江南大学 | 基于自训练半监督生成对抗网络的调压器故障诊断方法 |
CN113884290A (zh) * | 2021-09-28 | 2022-01-04 | 江南大学 | 基于自训练半监督生成对抗网络的调压器故障诊断方法 |
CN113903433B (zh) * | 2021-10-14 | 2022-11-15 | 数坤(北京)网络科技股份有限公司 | 一种图像处理方法、装置和电子设备 |
CN113903433A (zh) * | 2021-10-14 | 2022-01-07 | 数坤(北京)网络科技股份有限公司 | 一种图像处理方法、装置和电子设备 |
CN113657561B (zh) * | 2021-10-20 | 2022-03-18 | 之江实验室 | 一种基于多任务解耦学习的半监督夜间图像分类方法 |
CN113657561A (zh) * | 2021-10-20 | 2021-11-16 | 之江实验室 | 一种基于多任务解耦学习的半监督夜间图像分类方法 |
CN114996898B (zh) * | 2022-04-13 | 2024-06-11 | 上海核工程研究设计院股份有限公司 | 基于SysML活动图的核工程设计功能分配方法及系统 |
CN114996898A (zh) * | 2022-04-13 | 2022-09-02 | 上海核工程研究设计院有限公司 | 基于SysML活动图的核工程设计功能分配方法及系统 |
CN115859991A (zh) * | 2023-02-28 | 2023-03-28 | 智慧眼科技股份有限公司 | 一种实体抽取方法、装置、设备及存储介质 |
CN116206164B (zh) * | 2023-05-06 | 2023-08-18 | 之江实验室 | 基于半监督对比学习的多相期ct分类系统及构建方法 |
CN116206164A (zh) * | 2023-05-06 | 2023-06-02 | 之江实验室 | 基于半监督对比学习的多相期ct分类系统及构建方法 |
CN116703895B (zh) * | 2023-08-02 | 2023-11-21 | 杭州灵西机器人智能科技有限公司 | 基于生成对抗网络的小样本3d视觉检测方法及其系统 |
CN116703895A (zh) * | 2023-08-02 | 2023-09-05 | 杭州灵西机器人智能科技有限公司 | 基于生成对抗网络的小样本3d视觉检测方法及其系统 |
CN117076871B (zh) * | 2023-10-16 | 2023-12-29 | 南京邮电大学 | 一种基于不平衡半监督对抗训练框架的电池故障分类方法 |
CN117076871A (zh) * | 2023-10-16 | 2023-11-17 | 南京邮电大学 | 一种基于不平衡半监督对抗训练框架的电池故障分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110110745A (zh) | 基于生成对抗网络的半监督x光图像自动标注 | |
CN111476292B (zh) | 医学图像分类处理人工智能的小样本元学习训练方法 | |
CN111401480B (zh) | 一种基于融合注意力机制的乳腺mri自动辅助诊断新方法 | |
CN107506761A (zh) | 基于显著性学习卷积神经网络的脑部图像分割方法及系统 | |
Yang et al. | Deep learning for the classification of lung nodules | |
CN104268593B (zh) | 一种小样本情况下多稀疏表示的人脸识别方法 | |
CN110992351B (zh) | 基于多输入卷积神经网络的sMRI图像分类方法和装置 | |
CN109635835A (zh) | 一种基于深度学习与迁移学习的乳腺病变区域检测方法 | |
CN110533024B (zh) | 基于多尺度roi特征的双二次池化细粒度图像分类方法 | |
CN107408209A (zh) | 无需取样及特征选择的自动缺陷分类 | |
CN107423756A (zh) | 基于深度卷积神经网络结合长短期记忆模型的核磁共振图像序列分类方法 | |
CN106156793A (zh) | 结合深层特征提取和浅层特征提取的医学图像分类方法 | |
CN109190643A (zh) | 基于卷积神经网络中药识别方法及电子设备 | |
CN108537168B (zh) | 基于迁移学习技术的面部表情识别方法 | |
CN109711426A (zh) | 一种基于gan和迁移学习的病理图片分类装置及方法 | |
CN103996018A (zh) | 基于4dlbp的人脸识别方法 | |
CN108549912A (zh) | 一种基于机器学习的医学图像肺结节检测方法 | |
CN108010013A (zh) | 一种肺ct图像肺结节检测方法 | |
WO2022127500A1 (zh) | 基于多个神经网络的mri图像分割方法、装置及设备 | |
CN109063719A (zh) | 一种联合结构相似性和类信息的图像分类方法 | |
CN107330883A (zh) | 一种医学图像病变区域定位和分类方法 | |
CN106780453A (zh) | 一种基于深度信任网络实现对脑肿瘤分割的方法 | |
CN114998220B (zh) | 一种基于改进的Tiny-YOLO v4自然环境下舌像检测定位方法 | |
CN110263174A (zh) | —基于焦点关注的主题类别分析方法 | |
CN112115993A (zh) | 一种基于元学习的零样本和小样本证件照异常检测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190809 |
|
WW01 | Invention patent application withdrawn after publication |