CN110309875A - 一种基于伪样本特征合成的零样本目标分类方法 - Google Patents
一种基于伪样本特征合成的零样本目标分类方法 Download PDFInfo
- Publication number
- CN110309875A CN110309875A CN201910574542.2A CN201910574542A CN110309875A CN 110309875 A CN110309875 A CN 110309875A CN 201910574542 A CN201910574542 A CN 201910574542A CN 110309875 A CN110309875 A CN 110309875A
- Authority
- CN
- China
- Prior art keywords
- classification
- class
- feature
- visible
- semantic
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 12
- 238000003786 synthesis reaction Methods 0.000 title claims abstract description 12
- 239000013598 vector Substances 0.000 claims abstract description 74
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 6
- 238000013145 classification model Methods 0.000 claims description 15
- 230000002194 synthesizing effect Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000001308 synthesis method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 13
- 238000012360 testing method Methods 0.000 description 9
- 241000283070 Equus zebra Species 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000764238 Isis Species 0.000 description 1
- SUYHYHLFUHHVJQ-UHFFFAOYSA-N Menazon Chemical compound COP(=S)(OC)SCC1=NC(N)=NC(N)=N1 SUYHYHLFUHHVJQ-UHFFFAOYSA-N 0.000 description 1
- 101100004037 Saccharomyces cerevisiae (strain Kyokai no. 7 / NBRC 101557) AWA1 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于伪样本特征合成的零样本目标分类方法,获取与待识别类别相近的其他类别的样本及标注信息;然后通过网络抓取等方式获取可见类及未见类的语义描述,并将类别描述信息通过自然语义处理模型转换为语义向量;计算每一个未见类与每一个可见类类别间的相似性得分;构建一个卷积神经网络分类模型,模型分为特征提取和分类两个部分。对于每一个未见类,根据相似性得分,筛选得分最高的N个可见类,并随机选择样本,输入到特征提取网络,得到特征向量;再根据相似性得分对这N个可见类的特征向量进行组合,作为未见类的特征向量;使用未见类特征向量训练分类网络,实现在没有某类待识别目标可用训练样本的情况下,准确识别该类别的样本。
Description
技术领域
本发明涉及一种标识别中的零样本目标分类方法,尤其涉及一种基于伪样本特征合成的零样本目标分类方法。
背景技术
监督学习分类方法已经在各行各业中取得了极大的成功,监督学习通过大量的带有标注的训练数据学习分类函数,然而针对特定的类别,收集大量的数据并进行标注是非常耗时且低效率的,甚至某些领域收集少量数据都存在很大困难,因此,针对待识别目标具有非常少的样本甚至没有可用训练样本的应用即零样本目标识别方法的研究具有重要的应用价值。
与传统的监督学习方法不同,零样本目标识别方法的目的在于识别那些训练过程中没有训练样本的类别;零样本目标识别中,待识别的没有训练样本的类别为未见类,零样本方法通常从其他近似的具有大量训练样本的可见类数据中学习知识,再通过可见类与未见类的类别语义描述信息构建知识的迁移,从而实现未见类的识别。
零样本目标识别方法受人类识别未见类样本的过程启发得到,例如,人类通过一段语义描述:“斑马和马的形状一样,但是斑马的颜色是黑白条纹”,以及知道马和黑白条纹的样子,就可以在没有见过斑马的情况下准确地识别斑马。
在零样本目标识别领域中,可见类及未见类的语义描述信息是构建知识迁移的不可或缺的部分,这些描述信息通常在一个统一的层面对可见类及未见类进行描述,目前通常采用的语义描述信息有属性向量及词向量等。
传统的零样本目标识别方法大多采用两步法的策略,首先学习可见类图像到该类别的语义信息的映射函数,学习到较为准确的映射函数后,再将未见类待识别的样本通过这个映射函数进行变换,得到未见类的映射输出,通过将此输出在未见类所有类的语义信息中进行邻近搜索,从而确定该未见类的类别。但这些方法通常存在领域漂移问题。
本方法主要涉及通过对未见类进行伪特征合成的方式,将零样本目标分类问题转换为传统的监督学习问题,从而可以有效克服传统的零样本目标识别方法准确率低的问题。
发明内容
本发明的目的是为了提供一种基于伪样本特征合成的零样本目标分类方法,使用可见类样本的特征,根据可见类及未见类的语义信息计算可见类与未见类的相似性得分,对某一未见类合成伪特征,补全了样本缺失的问题,从而将零样本目标识别问题转换为传统的监督学习问题,克服传统零样本目标识别的两步法中存在领域漂移导致的分类准确率低的问题。
本发明的目的是这样实现的:步骤如下:
步骤一:将待识别的类别命名为未见类,首先获取与待识别类别相近的其他类别的样本及标注信息,并将其命名为可见类数据集;
步骤二:通过网络抓取的方式获取可见类及未见类数据集的所有类别的语义信息,语义信息是文本描述或属性描述,并将类别的语义信息通过自然语义处理模型转换为语义向量;
步骤三:根据语义向量,计算每一个未见类与其他每一个可见类类别间的相似性得分;
步骤四:构建一个卷积神经网络分类模型,模型分为特征提取模型和特征分类模型两部分;
步骤五:对于每一个未见类,根据相似性得分,筛选与此未见类相似性得分最高的N个可见类,并在这些可见类中随机选择样本,输入到特征提取网络,得到特征向量,同时使提取到的特征向量与语义向量相对应,保存类别间的相似性结构;
步骤六:根据相似性得分,通过对N个可见类的特征向量线性加权求和进行合成,合成结果作为未见类的伪特征向量;
步骤七:使用合成的关于未见类的伪特征向量作为分类网络输入,待识别的类别作为标签,构建损失函数,并使用优化算法同时优化特征提取网络部分及特征分类网络部分,实现在没有可用训练样本情况下,准确地识别对应类别的样本。
本发明还包括这样一些结构特征:
1.步骤四中:特征提取模型用于提取可见类样本的深度特征,特征分类模型用于将提取到的特征进行分类。
2.步骤五中,特征提取网络对可见类样本进行深度特征提取,输出特征向量维度与该类别的语义向量维度相同,即使用特征提取网络将样本回归到语义向量。
3.步骤六的伪特征合成方法中,对与未见类相似的N个可见类的深度特征,分别与此特征所述类别的相似性得分值相乘,最后N个相乘后的结果相加,作为未见类的伪特征。
4.步骤七中损失函数,包括分类网络输出与真实标签之间的分类损失,以及特征提取网络输出的样本特征向量与语义特征向量间的回归损失两部分组成,回归损失乘以一个权重因子后与分类损失相加,作为总的损失函数。
与现有技术相比,本发明的有益效果是:本方法通过对未见类合成伪特征,从而将零样本问题转换为传统的监督学习问题,避免了领域漂移问题。同时对于伪特征合成,我们采用更为直观有效且更加符合人类认知能力的线性加权求和以合成模型,通过在可见类中随机选择用于合成的样本,从而保证了数据的丰富性,同时本发明中通过直接合成未见类的伪特征而非合成未见类伪样本,提高了运行效率;本发明中首先对可见类样本进行特征提取,同时将该提取到的深度特征与语义向量进行回归,从而保证了局部相似性结构,对于提高分类准确率具有重要意义。同时本发明方法应用场景不局限于对图像样本进行零样本目标识别,对于其他可进行语义描述的信号(例如声音信号、3D图像信号等),均可使用本发明进行零样本目标识别。
附图说明
图1是本发明方法流程图;
图2是本发明分类方法网络结构;
图3是本发明合成策略与原始数据的相似性得分对比图;
图4是本发明方法在4个常用零样本数据集上的分类准确率对比结果表。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
如图1所示流程,本发明方法具体步骤如下:
一种基于伪样本特征合成的零样本目标分类方法,包括以下几个步骤:
步骤一:将待识别的类别命名为未见类,首先获取与待识别类别相近的其他类别的样本及标注信息,并将其命名为可见类数据集;
步骤二:通过网络抓取等方式获取可见类及未见类等所有类别的语义信息,语义信息可以是文本描述或属性描述,并将类别的语义信息通过自然语义处理模型转换为语义向量;
步骤三:根据语义向量,计算每一个未见类与其他每一个可见类类别间的相似性得分;
步骤四:构建一个卷积神经网络分类模型,模型分为特征提取模型和特征分类模型两部分,特征提取模型用于提取可见类样本的深度特征,特征分类模型用于将提取到的特征进行分类;
步骤五:对于每一个未见类,根据相似性得分,筛选与此未见类相似性得分最高的N个可见类,并在这些可见类中随机选择样本,输入到特征提取网络,得到特征向量,同时使提取到的特征向量与语义向量相对应,以此来保存类别间的相似性结构;
步骤六:根据相似性得分,通过对这N个可见类的特征向量线性加权求和进行合成,合成结果作为未见类的伪特征向量;
步骤七:使用合成的关于未见类的伪特征向量作为分类网络输入,待识别的类别作为标签,构建损失函数,并使用优化算法同时优化特征提取网络部分及特征分类网络部分,从而实现在没有可用训练样本情况下,准确地识别某一类别的样本。
一种基于伪样本特征合成的零样本目标分类方法,其具体实施方法主要包括以下步骤:
(1)获取与未见类相近的带有大量标注信息的可见类数据集 为样本数据集,为第i个训练样本,Ns为训练样本总数,为与Xs对应的类别空间,为第i个训练样本的类别标签。待识别类(未见类)为为第i个未见类的测试样本,Nu为用于测试的未见类样本总数,这些样本仅用于测试分类网络的准确率,在训练阶段,Xu不可见,Yu为与Xu对应的类别空间,即我们要进行预测得到的未见类的类别标签。可见类及未见类的类别空间不相交,即
(2)通过网络抓取等方式获取可见类及未见类等所有类别的语义信息,语义信息可以是文本描述或属性描述,并将类别的语义信息通过自然语义处理模型转换为语义向量,可见类的语义向量记做其中为第i个可见类类别的语义向量,Nas为可见类类别总数,未见类语义向量记做为第i个未见类类别的语义向量,Nau为未见类类别总数。
(3)根据语义向量,计算每一个未见类与其他每一个可见类类别间的相似性得分μij,其计算公式如下:
其中,为第j个可见类语义向量与第i个未见类语义向量的cosine距离度量向量,对于第i个未见类,分别计算与所有可见类语义向量间的cosine距离,smax为所有中的最大值,经过归一化处理后,得到相似性得分μij,表示第i个未见类与第j个可见类之间的相似性程度;
(4)构建一个卷积神经网络分类模型,模型结构如图2所示,模型分为特征提取模型E(·)和特征分类模型C(·)两部分,特征提取模型用于提取图像的深度特征,特征分类模型用于将提取到的特征进行分类,级联后的总体模型记做f(x),x代表输入,本发明模型中f(x)=C(E(x));
(5)对于每一个未见类,根据相似性得分,筛选得分最高的N个可见类,并并在这些可见类中随机选择样本,得到第i个未见类的相似样本集表示第j个相似样本,将相似样本输入到特征提取网络,得到特征向量即同时使提取到的特征向量vi与语义向量相αi对应,即设定优化目标为最小化归回损失以此来保存类别间的相似性结构,回归损失计算方法如下;
(6)根据相似性得分μij,通过对这N个可见类的特征向量线性加权求和进行合成,合成结果作为未见类的伪特征向量;即其中为合成的未见类伪特征,根据步骤5所述的图像回归语义向量,对合成的未见类伪特征同样使其回归该类别对应的语义向量若特征提取模型的回归能力较强,即对未见类伪特征也有未见类伪特征的计算可以变为而和之间会存在偏差,本发明中,以常用零样本数据集CUB数据集提供的语义向量为例,计算各个类别间的相似性得分,结果如图3所示,图3中左侧为数据集提供的原始语义信息计算得到的相似性得分图,图3右侧图为使用本发明合成策略合成未见类语义向量后的相似性得分图,可以看出,经过本发明的合成策略,合成后的未见类语义信息与其他各个类别之间的相似性关系并未有较大变化,这种合成策略带来的合成偏差不会影响算法整体性能。
(7)使用合成的关于未见类的伪特征向量作为分类网络输入,待识别的类别作为标签,构建损失函数总体损失函数如下:
损失函数中包括两部分,第一部分为常规的分类损失第二部分为步骤5中特征向量与语义信息的归回损失λ为权重因子,用于控制回归损失在总体损失函数中的重要程度,分类损失部分d(·)表示真实标签y和分类预测f(x;ω)之间的差值,m为每次输入到网络共同训练的样本的个数;Ω||ω||2为L2正则项,用于防止分类模型过拟合,ω代表整个分类网络模型的权重参数。
确定损失函数后,使用Adam优化算法同时优化特征提取网络部分及特征分类网络部分的权重,从而实现在没有可用训练样本的情况下,准确地识别某一类别的图像。本发明中,选取了四个广泛应用的零样本数据集对本发明方法进行测试,准确率评估方法为更加严格苛刻的泛化零样本测试方法,即经过训练后的分类模型在进行测试时,测试样本可能来自未见类也可能来自可见类,我们使用数据集提供的测试样本对本发明方法进行测试,测试结果如表1所示。本发明中选择了其他10种其他方法进行准确率对比,本发明方法在AWA1、AWA2、SUN等数据集上取得了最高分类准确率,在CUB数据集上为第二高准确率。试验结果证明本发明方法取得了当前最优结果。
综上,本发明涉及基于伪样本特征合成的零样本目标分类方法。适用于在训练过程中没有可用的训练样本的分类应用场合。本发明主要包括以下步骤:获取与待识别类别相近的其他类别的样本及标注信息,并将其命名为可见类数据集,将待识别类命名为未见类;然后通过网络抓取等方式获取可见类及未见类的语义描述,并将类别描述信息通过自然语义处理模型转换为语义向量;根据语义向量,计算每一个未见类与每一个可见类类别间的相似性得分;构建一个卷积神经网络分类模型,模型分为特征提取和分类两个部分。对于每一个未见类,根据相似性得分,筛选得分最高的N个可见类,并在这些可见类中随机选择样本,输入到特征提取网络,得到特征向量;再根据相似性得分对这N个可见类的特征向量进行组合,作为未见类的特征向量;最后使用未见类特征向量训练分类网络,从而实现在没有某类待识别目标可用训练样本的情况下,准确地识别该类别的样本。
Claims (9)
1.一种基于伪样本特征合成的零样本目标分类方法,其特征在于:步骤如下:
步骤一:将待识别的类别命名为未见类,首先获取与待识别类别相近的其他类别的样本及标注信息,并将其命名为可见类数据集;
步骤二:通过网络抓取的方式获取可见类及未见类数据集的所有类别的语义信息,语义信息是文本描述或属性描述,并将类别的语义信息通过自然语义处理模型转换为语义向量;
步骤三:根据语义向量,计算每一个未见类与其他每一个可见类类别间的相似性得分;
步骤四:构建一个卷积神经网络分类模型,模型分为特征提取模型和特征分类模型两部分;
步骤五:对于每一个未见类,根据相似性得分,筛选与此未见类相似性得分最高的N个可见类,并在这些可见类中随机选择样本,输入到特征提取网络,得到特征向量,同时使提取到的特征向量与语义向量相对应,保存类别间的相似性结构;
步骤六:根据相似性得分,通过对N个可见类的特征向量线性加权求和进行合成,合成结果作为未见类的伪特征向量;
步骤七:使用合成的关于未见类的伪特征向量作为分类网络输入,待识别的类别作为标签,构建损失函数,并使用优化算法同时优化特征提取网络部分及特征分类网络部分,实现在没有可用训练样本情况下,准确地识别对应类别的样本。
2.根据权利要求1所述的一种基于伪样本特征合成的零样本目标分类方法,其特征在于:步骤四中:特征提取模型用于提取可见类样本的深度特征,特征分类模型用于将提取到的特征进行分类。
3.根据权利要求1或2所述的一种基于伪样本特征合成的零样本目标分类方法,其特征在于:步骤五中,特征提取网络对可见类样本进行深度特征提取,输出特征向量维度与该类别的语义向量维度相同,即使用特征提取网络将样本回归到语义向量。
4.根据权利要求1或2所述的一种基于伪样本特征合成的零样本目标分类方法,其特征在于:步骤六的伪特征合成方法中,对与未见类相似的N个可见类的深度特征,分别与此特征所述类别的相似性得分值相乘,最后N个相乘后的结果相加,作为未见类的伪特征。
5.根据权利要求3所述的一种基于伪样本特征合成的零样本目标分类方法,其特征在于:步骤六的伪特征合成方法中,对与未见类相似的N个可见类的深度特征,分别与此特征所述类别的相似性得分值相乘,最后N个相乘后的结果相加,作为未见类的伪特征。
6.根据权利要求1或2所述的一种基于伪样本特征合成的零样本目标分类方法,其特征在于:步骤七中损失函数,包括分类网络输出与真实标签之间的分类损失,以及特征提取网络输出的样本特征向量与语义特征向量间的回归损失两部分组成,回归损失乘以一个权重因子后与分类损失相加,作为总的损失函数。
7.根据权利要求3所述的一种基于伪样本特征合成的零样本目标分类方法,其特征在于:步骤七中损失函数,包括分类网络输出与真实标签之间的分类损失,以及特征提取网络输出的样本特征向量与语义特征向量间的回归损失两部分组成,回归损失乘以一个权重因子后与分类损失相加,作为总的损失函数。
8.根据权利要求4所述的一种基于伪样本特征合成的零样本目标分类方法,其特征在于:步骤七中损失函数,包括分类网络输出与真实标签之间的分类损失,以及特征提取网络输出的样本特征向量与语义特征向量间的回归损失两部分组成,回归损失乘以一个权重因子后与分类损失相加,作为总的损失函数。
9.根据权利要求5所述的一种基于伪样本特征合成的零样本目标分类方法,其特征在于:步骤七中损失函数,包括分类网络输出与真实标签之间的分类损失,以及特征提取网络输出的样本特征向量与语义特征向量间的回归损失两部分组成,回归损失乘以一个权重因子后与分类损失相加,作为总的损失函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910574542.2A CN110309875A (zh) | 2019-06-28 | 2019-06-28 | 一种基于伪样本特征合成的零样本目标分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910574542.2A CN110309875A (zh) | 2019-06-28 | 2019-06-28 | 一种基于伪样本特征合成的零样本目标分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110309875A true CN110309875A (zh) | 2019-10-08 |
Family
ID=68078580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910574542.2A Pending CN110309875A (zh) | 2019-06-28 | 2019-06-28 | 一种基于伪样本特征合成的零样本目标分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110309875A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111382782A (zh) * | 2020-02-23 | 2020-07-07 | 华为技术有限公司 | 训练分类器的方法和装置 |
CN111461240A (zh) * | 2020-04-07 | 2020-07-28 | 郑州大学 | 一种保障高空中油箱内视觉采集图像空地一致性的方法 |
CN112163603A (zh) * | 2020-09-15 | 2021-01-01 | 郑州金惠计算机系统工程有限公司 | 零样本图像识别方法、装置、电子设备及存储介质 |
CN112364912A (zh) * | 2020-11-09 | 2021-02-12 | 腾讯科技(深圳)有限公司 | 信息分类方法、装置、设备及存储介质 |
CN112819018A (zh) * | 2019-10-31 | 2021-05-18 | 北京沃东天骏信息技术有限公司 | 生成样本的方法、装置、电子设备和存储介质 |
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 |
CN114037866A (zh) * | 2021-11-03 | 2022-02-11 | 哈尔滨工程大学 | 一种基于可辨伪特征合成的广义零样本图像分类方法 |
CN114491034A (zh) * | 2022-01-24 | 2022-05-13 | 聚好看科技股份有限公司 | 一种文本分类方法及智能设备 |
CN114742238A (zh) * | 2022-06-14 | 2022-07-12 | 四川省郫县豆瓣股份有限公司 | 豆瓣酱的原料筛选方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160307072A1 (en) * | 2015-04-17 | 2016-10-20 | Nec Laboratories America, Inc. | Fine-grained Image Classification by Exploring Bipartite-Graph Labels |
CN109582960A (zh) * | 2018-11-27 | 2019-04-05 | 上海交通大学 | 基于结构化关联语义嵌入的零示例学习方法 |
CN109597993A (zh) * | 2018-11-30 | 2019-04-09 | 深圳前海微众银行股份有限公司 | 语句分析处理方法、装置、设备以及计算机可读存储介质 |
CN109920538A (zh) * | 2019-03-07 | 2019-06-21 | 中南大学 | 一种基于数据增强的零样本学习方法 |
-
2019
- 2019-06-28 CN CN201910574542.2A patent/CN110309875A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160307072A1 (en) * | 2015-04-17 | 2016-10-20 | Nec Laboratories America, Inc. | Fine-grained Image Classification by Exploring Bipartite-Graph Labels |
CN109582960A (zh) * | 2018-11-27 | 2019-04-05 | 上海交通大学 | 基于结构化关联语义嵌入的零示例学习方法 |
CN109597993A (zh) * | 2018-11-30 | 2019-04-09 | 深圳前海微众银行股份有限公司 | 语句分析处理方法、装置、设备以及计算机可读存储介质 |
CN109920538A (zh) * | 2019-03-07 | 2019-06-21 | 中南大学 | 一种基于数据增强的零样本学习方法 |
Non-Patent Citations (1)
Title |
---|
CHUANLONG LI .ETC: "Generalized Zero Shot Learning via Synthesis Pseudo Features", 《IEEE ACCESS》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819018A (zh) * | 2019-10-31 | 2021-05-18 | 北京沃东天骏信息技术有限公司 | 生成样本的方法、装置、电子设备和存储介质 |
CN111382782B (zh) * | 2020-02-23 | 2024-04-26 | 华为技术有限公司 | 训练分类器的方法和装置 |
CN111382782A (zh) * | 2020-02-23 | 2020-07-07 | 华为技术有限公司 | 训练分类器的方法和装置 |
WO2021164254A1 (zh) * | 2020-02-23 | 2021-08-26 | 华为技术有限公司 | 训练分类器的方法和装置 |
CN111461240B (zh) * | 2020-04-07 | 2023-04-07 | 郑州大学 | 一种保障高空中油箱内视觉采集图像空地一致性的方法 |
CN111461240A (zh) * | 2020-04-07 | 2020-07-28 | 郑州大学 | 一种保障高空中油箱内视觉采集图像空地一致性的方法 |
CN112163603A (zh) * | 2020-09-15 | 2021-01-01 | 郑州金惠计算机系统工程有限公司 | 零样本图像识别方法、装置、电子设备及存储介质 |
CN112364912A (zh) * | 2020-11-09 | 2021-02-12 | 腾讯科技(深圳)有限公司 | 信息分类方法、装置、设备及存储介质 |
CN112364912B (zh) * | 2020-11-09 | 2023-10-13 | 腾讯科技(深圳)有限公司 | 信息分类方法、装置、设备及存储介质 |
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 |
CN114037866A (zh) * | 2021-11-03 | 2022-02-11 | 哈尔滨工程大学 | 一种基于可辨伪特征合成的广义零样本图像分类方法 |
CN114037866B (zh) * | 2021-11-03 | 2024-04-09 | 哈尔滨工程大学 | 一种基于可辨伪特征合成的广义零样本图像分类方法 |
CN114491034A (zh) * | 2022-01-24 | 2022-05-13 | 聚好看科技股份有限公司 | 一种文本分类方法及智能设备 |
CN114491034B (zh) * | 2022-01-24 | 2024-05-28 | 聚好看科技股份有限公司 | 一种文本分类方法及智能设备 |
CN114742238A (zh) * | 2022-06-14 | 2022-07-12 | 四川省郫县豆瓣股份有限公司 | 豆瓣酱的原料筛选方法、装置、设备及介质 |
CN114742238B (zh) * | 2022-06-14 | 2022-09-09 | 四川省郫县豆瓣股份有限公司 | 豆瓣酱的原料筛选方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309875A (zh) | 一种基于伪样本特征合成的零样本目标分类方法 | |
CN109948425B (zh) | 一种结构感知自注意和在线实例聚合匹配的行人搜索方法及装置 | |
Shen et al. | Generative adversarial learning towards fast weakly supervised detection | |
CN105718532B (zh) | 一种基于多深度网络结构的跨媒体排序方法 | |
CN110097095B (zh) | 一种基于多视图生成对抗网络的零样本分类方法 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN108647595B (zh) | 基于多属性深度特征的车辆重识别方法 | |
CN108537257B (zh) | 基于判别性字典矩阵对的零样本图像分类方法 | |
CN111931505A (zh) | 一种基于子图嵌入的跨语言实体对齐方法 | |
CN106250925B (zh) | 一种基于改进的典型相关分析的零样本视频分类方法 | |
CN106022254A (zh) | 图像识别技术 | |
CN109102015A (zh) | 一种基于复数神经网络的sar图像变化检测方法 | |
CN111400478A (zh) | 一种基于词嵌入匹配技术的知识图谱问答方法及装置 | |
CN113761259A (zh) | 一种图像处理方法、装置以及计算机设备 | |
CN117516937A (zh) | 基于多模态特征融合增强的滚动轴承未知故障检测方法 | |
CN115546553A (zh) | 一种基于动态特征抽取和属性修正的零样本分类方法 | |
CN106250918A (zh) | 一种基于改进的推土距离的混合高斯模型匹配方法 | |
CN110163130B (zh) | 一种用于手势识别的特征预对齐的随机森林分类系统及方法 | |
CN113076490B (zh) | 一种基于混合节点图的涉案微博对象级情感分类方法 | |
CN113220915B (zh) | 一种基于残差注意力的遥感图像检索方法及装置 | |
CN111461323A (zh) | 一种图像识别方法及装置 | |
CN107704509A (zh) | 一种联合稳定区域与深度学习的重排序方法 | |
Ye et al. | The image data and backbone in weakly supervised fine-grained visual categorization: A revisit and further thinking | |
CN110569761A (zh) | 一种基于对抗学习的手绘草图检索遥感图像的方法 | |
CN113657473A (zh) | 一种基于迁移学习的Web服务分类方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191008 |
|
WD01 | Invention patent application deemed withdrawn after publication |