CN110309888A - 一种基于分层多任务学习的图像分类方法与系统 - Google Patents
一种基于分层多任务学习的图像分类方法与系统 Download PDFInfo
- Publication number
- CN110309888A CN110309888A CN201910622927.1A CN201910622927A CN110309888A CN 110309888 A CN110309888 A CN 110309888A CN 201910622927 A CN201910622927 A CN 201910622927A CN 110309888 A CN110309888 A CN 110309888A
- Authority
- CN
- China
- Prior art keywords
- node
- classification
- image
- layer
- level
- 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
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
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
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)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于分层多任务学习的图像分类方法与系统。该方法首先通过一些专业领域专家的经验知识,利用图像类别间的关系,对训练样本集之中的图像进行由粗到细的层次化的类别标注;其次,构建一种包括特征提取模块、粗分类层及细分类层的分层深度卷积神经网络;然后,采用多任务学习算法对粗分类层及细分类层进行训练;最后,利用训练好的分层深度卷积神经网络对输入的测试图像进行分类。本发明通过将图像类别之间的层次结构信息与卷积神经网络相结合,设计了一个分层深度卷积神经网络,并利用多任务学习算法,实现了对图像进行由粗到细的分类。
Description
技术领域
本发明涉及图像处理领域,特别是一种基于分层多任务学习的图像分类方法与系统。
背景技术
在模式识别领域中,图像分类是一个基础问题。图像分类就是根据图像本身的特性,将图像划分为不同类别的方法。模式识别中的图像分类,主要指利用计算机代替人的视觉判断与理解,通过一些特定的算法,自动地对图像类别进行划分的过程。
在图像数据集之中,可能存在一个问题,就是图像类别的视觉可分离性不均匀,也就是说有些类别比其他类别难以区分。比如说很容易区分苹果和公交车,但很难区分苹果和橘子。实际上,苹果和橘子都属于水果的粗类别,而公共汽车属于车辆的粗类别。但是,在处理图像分类任务时,大部分的分类算法通常单独处理每个图像类别,从而忽略了图像类别之间的层次结构。
发明内容
发明目的:针对图像数据集之中的类别具有层次关系的情况,本发明提出一种基于分层多任务学习的图像分类方法与系统,结合深度卷积神经网络与图像类别之间的层次结构信息,设计了一个包括特征提取模块、粗分类层及细分类层的分层深度卷积神经网络,采用多任务学习算法对网络模型的分类层进行训练。
技术方案:为实现上述目的,本发明所述的一种基于分层多任务学习的图像分类方法,包括如下步骤:
(1)利用图像类别间的关系,对训练样本集之中的图像进行由粗到细的层次化的类别标注,对应由层次结点构成的具有树状结构的分类树,其中,最底层的未经分类的无类别标签对应分类树的根结点,最顶层的细类别标签对应分类树的叶结点,中间层的粗类别标签对应分类树的非叶结点,分类树的相邻两个层次中低层次的结点为另一层次结点的父结点,相邻两个层次中高层次的结点为另一层次结点的子结点,归属于同一个父结点的相同层次的结点称为兄弟结点;
(2)构建一种包括特征提取模块、基于支持向量机(SVM)分类器的粗分类层及细分类层的分层深度卷积神经网络;所述特征提取模块的输出分别作为粗分类层及细分类层的输入;
(3)采用多任务学习算法对粗分类层及细分类层进行训练;
(4)将测试图像输入到训练好的分层深度卷积神经网络中,先由粗分类层预测图像所属的粗类别标签,然后由对应的细分类层预测图像所属的细类别标签,预测的细类别标签为最终的图像类别标签。
作为本发明的进一步优化方案,在步骤(2)中,采用在现有的大规模图像数据集上训练好的深度卷积神经网络作为基础网络,去除基础网络中的分类层,保持基础网络中其他层的结构和权重参数不变,构成特征提取模块。
作为本发明的进一步优化方案,在步骤(3)中,采用多任务学习算法对粗分类层及细分类层进行训练,具体的训练过程如下:
对于同一父结点下的叶结点,假设cj为给定的细粒度图像类别,其父结点为ci,ci具有q个子结点,则多任务结构SVM分类器定义为:
其中,x为训练样本通过特征提取模块后得到的特征,是在相同父结点ci下,q个细粒度图像类别所共享的公共预测参数,Wj为给定细粒度图像类别cj的特定预测参数,Wj的维度等于特征x的维度,b为位移量,·表示向量的内积;
给定同一父结点ci下,q个细粒度图像类别的训练样本集合其中为输入样本的特征向量,为的类别标签,s表示细粒度图像类别j对应的样本数目,则公式(1)中的多任务结构SVM分类器的目标函数定义为:
s.t.
其中,参数C为惩罚系数,β1和β2为大于零的正则化系数,为松弛变量,|| ||表示2-范数;
对于同级非叶节点,假设cj的父结点ci有p-1个兄弟结点,ci的父结点表示为ck,则ck具有p个子结点,多任务结构SVM分类器定义为:
其中,x为训练样本通过特征提取模块后得到的特征,是在相同父结点ck下,p个粗粒度图像类别所共享的公共预测参数,Wi为给定粗粒度图像类别ci的特定预测参数,Wi的维度等于特征x的维度,b为位移量;
给定相同父结点ck下,p个粗粒度图像类别的训练样本集合其中为输入样本的特征向量,为对应的样本标签,t表示粗粒度图像类别i对应的样本数目,则公式(3)中的多任务结构SVM分类器的目标函数定义为:
s.t.
其中,参数C为惩罚系数,γ1和γ2为大于零的正则化系数,为松弛变量;为层间传播限制,表示如果样本图像属于某个子结点cj,则必须先将其分配给父结点ci;为层间相关限制,表示父结点ci的特定预测参数Wi可以直接借用其子结点的共享预测参数
基于相同的发明构思,本发明所述的一种基于分层多任务学习的图像分类系统,包括:
粗细类别分层模块,用于利用图像类别间的关系,对训练样本集之中的图像进行由粗到细的层次化的类别标注,对应由层次结点构成的具有树状结构的分类树,其中,最底层的未经分类的无类别标签对应分类树的根结点,最顶层的细类别标签对应分类树的叶结点,中间层的粗类别标签对应分类树的非叶结点,分类树的相邻两个层次中低层次的结点为另一层次结点的父结点,相邻两个层次中高层次的结点为另一层次结点的子结点,归属于同一个父结点的相同层次的结点称为兄弟结点;
分类网络构建模块,用于构建一种包括特征提取模块、基于支持向量机(SVM)分类器的粗分类层及细分类层的分层深度卷积神经网络;所述特征提取模块的输出分别作为粗分类层及细分类层的输入;
分类网络训练模块,用于采用多任务学习算法对粗分类层及细分类层进行训练;
分类识别模块,用于将测试图像输入到训练好的分层深度卷积神经网络中,先由粗分类层预测图像所属的粗类别标签,然后由对应的细分类层预测图像所属的细类别标签,预测的细类别标签为最终的图像类别标签。
基于相同的发明构思,本发明所述的一种基于分层多任务学习的图像分类系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被加载至处理器时实现所述的基于分层多任务学习的图像分类方法。
有益效果:本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1、本发明针对图像数据集之中的类别具有层次关系的情况,将图像类别之间的层次结构与深度卷积神经网络相结合,实现对图像进行由粗到细的分类。
2、利用图像类别之间的关系构建层次结构,从而提升图像分类的效率,同时在一定程度上避免数据不平衡问题。
3、本发明采用深度多任务学习算法(Multi-task learning,MTL),通过多任务结构SVM的方法训练粗分类层与细分类层,在分类层的学习过程中添加了一个层间传播限制,由此抑制层次间的误差传播,提高模型的判别力。
附图说明
图1是本发明的一种基于分层多任务学习的图像分类方法的流程图;
图2是本发明构造的分类树的结构示意图;
图3是本发明的分层深度神经网络结构示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式做进一步详细的说明。
如图1所示,本发明提供一种基于分层多任务学习的图像分类方法,实际应用中,具体步骤如下:
(1)利用已有的公开数据集CIFAR-100,该数据集包含100个图像类别,每个类包含600个图像,将图像尺度归一化为224×224像素;对训练样本集之中的图像进行由粗到细的层次化的类别标注,对应由层次结点构成的3层的分类树,如图2所示,其中,最底层的未经分类的无类别标签对应分类树的根结点,最顶层的细类别标签对应分类树的叶结点,中间层的粗类别标签对应分类树的非叶结点;具体来说,粗类别标签包含水生哺乳动物、花卉、昆虫等20个类别,每个粗类别标签包含5个细类别标签,比如水生哺乳动物分为海狸、海豚、水獭、海豹和鲸鱼。
(2)构建一种包括特征提取模块、基于支持向量机(SVM)分类器的粗分类层及细分类层的分层深度卷积神经网络,网络结构如图3所示;例如,采用在ImageNet大规模图像数据集上训练好的深度卷积神经网络VGG-16模型作为基础网络,去除VGG-16模型中的分类层,保持VGG-16模型中其他层的结构和权重参数不变,构成特征提取模块,训练样本集之中的图像经过特征提取模块后得到一个4096维的特征向量,作为粗分类层及细分类层的输入。
(3)采用多任务学习算法对粗分类层及细分类层进行训练,具体的训练过程如下:
对于同一父结点下的叶结点,假设cj为给定的细粒度图像类别,其父结点为ci,ci具有q个子结点(即cj具有q-1个兄弟结点),则多任务结构SVM分类器定义为:
其中,x为训练样本通过特征提取模块后得到的特征,是在相同父结点ci下,q个细粒度图像类别所共享的公共预测参数,Wj为给定细粒度图像类别cj的特定预测参数,Wj的维度等于特征x的维度,即分别为一个4096维的向量,b为位移量,·表示向量的内积;
给定同一父结点ci下,q个细粒度图像类别的训练样本集合其中为输入样本的特征向量,为的类别标签,s表示细粒度图像类别j对应的样本数目,则公式(1)中的多任务结构SVM分类器的目标函数定义为:
s.t.
其中,参数C为惩罚系数,β1和β2为大于零的正则化系数,为松弛变量,|| ||表示2-范数,在本实施例的样本集上,选定C=1,β1=1/2,β2=1/2;
对于同级非叶节点,假设cj的父结点ci有p-1个兄弟结点,ci的父结点表示为ck,则ck具有p个子结点,多任务结构SVM分类器定义为:
其中,x为训练样本通过特征提取模块后得到的特征,是在相同父结点ck下,p个粗粒度图像类别所共享的公共预测参数,Wi为给定粗粒度图像类别ci的特定预测参数,Wi的维度等于特征x的维度,即分别为一个4096维的向量,b为位移量;
给定相同父结点ck下,p个粗粒度图像类别的训练样本集合其中为输入样本的特征向量,为对应的样本标签,t表示粗粒度图像类别i对应的样本数目,则公式(3)中的多任务结构SVM分类器的目标函数定义为:
s.t.
其中,参数C为惩罚系数,γ1和γ2为大于零的正则化系数,为松弛变量,在本实施例的样本集上,选定C=1,γ1=1/4,γ2=1/2;为函数间隔,表示分类预测的确信度,函数间隔的值越大,则分类结果的确信度越高;在约束条件中,添加一个层间传播限制表示如果样本图像属于某个子结点cj,则必须先将其分配给父结点ci;同时添加一个层间相关限制表示父结点ci的特定预测参数Wi可以直接借用其子结点的共享预测参数
(4)将测试图像输入到训练好的分层深度卷积神经网络中,图3中的虚线代表预测时的路径,先由粗分类层预测图像所属的粗类别标签ci,然后根据ci选择对应的细分类层Li预测图像所属的细类别标签,预测的细类别标签为最终的图像类别标签。
基于相同的发明构思,本发明实施例公开的一种基于分层多任务学习的图像分类系统,包括:粗细类别分层模块,用于利用图像类别间的关系,对训练样本集之中的图像进行由粗到细的层次化的类别标注;分类网络构建模块,用于构建一种包括特征提取模块、基于SVM分类器的粗分类层及细分类层的分层深度卷积神经网络,其中特征提取模块的输出分别作为粗分类层及细分类层的输入;分类网络训练模块,用于采用多任务学习算法对粗分类层及细分类层进行训练;分类识别模块,用于将测试图像输入到训练好的分层深度卷积神经网络中,先由粗分类层预测图像所属的粗类别标签,然后由对应的细分类层预测图像所属的细类别标签,预测的细类别标签为最终的图像类别标签。
基于相同的发明构思,本发明实施例公开的另一种基于分层多任务学习的图像分类系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被加载至处理器时实现所述的基于分层多任务学习的图像分类方法。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (5)
1.一种基于分层多任务学习的图像分类方法,其特征在于,该方法包括以下步骤:
(1)利用图像类别间的关系,对训练样本集之中的图像进行由粗到细的层次化的类别标注,对应由层次结点构成的具有树状结构的分类树,其中,最底层的未经分类的无类别标签对应分类树的根结点,最顶层的细类别标签对应分类树的叶结点,中间层的粗类别标签对应分类树的非叶结点,分类树的相邻两个层次中低层次的结点为另一层次结点的父结点,相邻两个层次中高层次的结点为另一层次结点的子结点,归属于同一个父结点的相同层次的结点称为兄弟结点;
(2)构建一种包括特征提取模块、基于支持向量机(SVM)分类器的粗分类层及细分类层的分层深度卷积神经网络;所述特征提取模块的输出分别作为粗分类层及细分类层的输入;
(3)采用多任务学习算法对粗分类层及细分类层进行训练;
(4)将测试图像输入到训练好的分层深度卷积神经网络中,先由粗分类层预测图像所属的粗类别标签,然后由对应的细分类层预测图像所属的细类别标签,预测的细类别标签为最终的图像类别标签。
2.根据权利要求1所述的一种基于分层多任务学习的图像分类方法,其特征在于,在步骤(2)中,采用在现有的大规模图像数据集上训练好的深度卷积神经网络作为基础网络,去除基础网络中的分类层,保持基础网络中其他层的结构和权重参数不变,构成特征提取模块。
3.根据权利要求1所述的一种基于分层多任务学习的图像分类方法,其特征在于,在步骤(3)中,采用多任务学习算法对粗分类层及细分类层进行训练,具体的训练过程如下:
对于同一父结点下的叶结点,假设cj为给定的细粒度图像类别,其父结点为ci,ci具有q个子结点,则多任务结构SVM分类器定义为:
其中,x为训练样本通过特征提取模块后得到的特征,是在相同父结点ci下,q个细粒度图像类别所共享的公共预测参数,Wj为给定细粒度图像类别cj的特定预测参数,Wj的维度等于特征x的维度,b为位移量,·表示向量的内积;
给定同一父结点ci下,q个细粒度图像类别的训练样本集合其中为输入样本的特征向量,为的类别标签,s表示细粒度图像类别j对应的样本数目,则公式(1)中的多任务结构SVM分类器的目标函数定义为:
s.t.
其中,参数C为惩罚系数,β1和β2为大于零的正则化系数,为松弛变量,|| ||表示2-范数;
对于同级非叶节点,假设cj的父结点ci有p-1个兄弟结点,ci的父结点表示为ck,则ck具有p个子结点,多任务结构SVM分类器定义为:
其中,x为训练样本通过特征提取模块后得到的特征,是在相同父结点ck下,p个粗粒度图像类别所共享的公共预测参数,Wi为给定粗粒度图像类别ci的特定预测参数,Wi的维度等于特征x的维度,b为位移量;
给定相同父结点ck下,p个粗粒度图像类别的训练样本集合其中为输入样本的特征向量,为对应的样本标签,t表示粗粒度图像类别i对应的样本数目,则公式(3)中的多任务结构SVM分类器的目标函数定义为:
s.t.
其中,参数C为惩罚系数,γ1和γ2为大于零的正则化系数,为松弛变量;为层间传播限制,表示如果样本图像属于某个子结点cj,则必须先将其分配给父结点ci;为层间相关限制,表示父结点ci的特定预测参数Wi可以直接借用其子结点的共享预测参数
4.一种基于分层多任务学习的图像分类系统,其特征在于,包括:
粗细类别分层模块,用于利用图像类别间的关系,对训练样本集之中的图像进行由粗到细的层次化的类别标注,对应由层次结点构成的具有树状结构的分类树,其中,最底层的未经分类的无类别标签对应分类树的根结点,最顶层的细类别标签对应分类树的叶结点,中间层的粗类别标签对应分类树的非叶结点,分类树的相邻两个层次中低层次的结点为另一层次结点的父结点,相邻两个层次中高层次的结点为另一层次结点的子结点,归属于同一个父结点的相同层次的结点称为兄弟结点;
分类网络构建模块,用于构建一种包括特征提取模块、基于支持向量机(SVM)分类器的粗分类层及细分类层的分层深度卷积神经网络;所述特征提取模块的输出分别作为粗分类层及细分类层的输入;
分类网络训练模块,用于采用多任务学习算法对粗分类层及细分类层进行训练;
分类识别模块,用于将测试图像输入到训练好的分层深度卷积神经网络中,先由粗分类层预测图像所属的粗类别标签,然后由对应的细分类层预测图像所属的细类别标签,预测的细类别标签为最终的图像类别标签。
5.一种基于分层多任务学习的图像分类系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被加载至处理器时实现根据权利要求1-3任一项所述的基于分层多任务学习的图像分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910622927.1A CN110309888A (zh) | 2019-07-11 | 2019-07-11 | 一种基于分层多任务学习的图像分类方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910622927.1A CN110309888A (zh) | 2019-07-11 | 2019-07-11 | 一种基于分层多任务学习的图像分类方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110309888A true CN110309888A (zh) | 2019-10-08 |
Family
ID=68080960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910622927.1A Pending CN110309888A (zh) | 2019-07-11 | 2019-07-11 | 一种基于分层多任务学习的图像分类方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110309888A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909785A (zh) * | 2019-11-18 | 2020-03-24 | 西北工业大学 | 基于语义层级的多任务Triplet损失函数学习方法 |
CN111046858A (zh) * | 2020-03-18 | 2020-04-21 | 成都大熊猫繁育研究基地 | 一种基于图像的动物物种细分类方法、系统及介质 |
CN111080594A (zh) * | 2019-12-09 | 2020-04-28 | 上海联影智能医疗科技有限公司 | 人体部位识别方法、计算机设备和可读存储介质 |
CN111090764A (zh) * | 2019-12-20 | 2020-05-01 | 中南大学 | 基于多任务学习和图卷积神经网络的影像分类方法及装置 |
CN111507403A (zh) * | 2020-04-17 | 2020-08-07 | 腾讯科技(深圳)有限公司 | 图像分类方法、装置、计算机设备和存储介质 |
CN111680575A (zh) * | 2020-05-19 | 2020-09-18 | 苏州大学 | 一种人类上皮细胞染色分类装置、设备及存储介质 |
CN113076846A (zh) * | 2021-03-26 | 2021-07-06 | 山东大学 | 心音分类识别方法及系统 |
CN113109666A (zh) * | 2021-04-09 | 2021-07-13 | 河南省博海大数据科技有限公司 | 一种基于深度卷积神经网络的轨道电路故障诊断方法 |
CN113705527A (zh) * | 2021-09-08 | 2021-11-26 | 西南石油大学 | 一种基于损失函数集成和粗细分级卷积神经网络的表情识别方法 |
CN113836338A (zh) * | 2021-07-21 | 2021-12-24 | 北京邮电大学 | 细粒度图像分类方法、装置、存储介质及终端 |
CN113887580A (zh) * | 2021-09-15 | 2022-01-04 | 天津大学 | 一种考虑多粒度类相关性的对比式开放集识别方法及装置 |
CN113989541A (zh) * | 2021-09-23 | 2022-01-28 | 神思电子技术股份有限公司 | 一种基于特征聚合的着装分类方法及系统 |
CN114943976A (zh) * | 2022-07-26 | 2022-08-26 | 深圳思谋信息科技有限公司 | 模型生成的方法、装置、电子设备和存储介质 |
WO2022184058A1 (zh) * | 2021-03-04 | 2022-09-09 | 深圳市道通科技股份有限公司 | 一种确定工件表面磨损的方法及系统 |
CN116932832A (zh) * | 2023-09-15 | 2023-10-24 | 深圳市智慧城市科技发展集团有限公司 | 数据资产目录生成方法、设备及计算机可读存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020122596A1 (en) * | 2001-01-02 | 2002-09-05 | Bradshaw David Benedict | Hierarchical, probabilistic, localized, semantic image classifier |
CN1838150A (zh) * | 2005-03-09 | 2006-09-27 | 西门子共同研究公司 | 学习判别模型的概率推进树架构 |
CN105938565A (zh) * | 2016-06-27 | 2016-09-14 | 西北工业大学 | 基于多层分类器和互联网图像辅助训练的彩色图像情感分类方法 |
CN107067022A (zh) * | 2017-01-04 | 2017-08-18 | 美的集团股份有限公司 | 图像分类模型的建立方法、建立装置和设备 |
CN107330021A (zh) * | 2017-06-20 | 2017-11-07 | 北京神州泰岳软件股份有限公司 | 基于多叉树的数据分类方法、装置及设备 |
CN108108657A (zh) * | 2017-11-16 | 2018-06-01 | 浙江工业大学 | 一种基于多任务深度学习的修正局部敏感哈希车辆检索方法 |
CN108229566A (zh) * | 2018-01-05 | 2018-06-29 | 厦门华联电子股份有限公司 | 一种层次性分类方法及装置 |
CN109697292A (zh) * | 2018-12-17 | 2019-04-30 | 北京百度网讯科技有限公司 | 一种机器翻译方法、装置、电子设备和介质 |
CN109919177A (zh) * | 2019-01-23 | 2019-06-21 | 西北工业大学 | 基于层次化深度网络的特征选择方法 |
-
2019
- 2019-07-11 CN CN201910622927.1A patent/CN110309888A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020122596A1 (en) * | 2001-01-02 | 2002-09-05 | Bradshaw David Benedict | Hierarchical, probabilistic, localized, semantic image classifier |
CN1838150A (zh) * | 2005-03-09 | 2006-09-27 | 西门子共同研究公司 | 学习判别模型的概率推进树架构 |
CN105938565A (zh) * | 2016-06-27 | 2016-09-14 | 西北工业大学 | 基于多层分类器和互联网图像辅助训练的彩色图像情感分类方法 |
CN107067022A (zh) * | 2017-01-04 | 2017-08-18 | 美的集团股份有限公司 | 图像分类模型的建立方法、建立装置和设备 |
CN107330021A (zh) * | 2017-06-20 | 2017-11-07 | 北京神州泰岳软件股份有限公司 | 基于多叉树的数据分类方法、装置及设备 |
CN108108657A (zh) * | 2017-11-16 | 2018-06-01 | 浙江工业大学 | 一种基于多任务深度学习的修正局部敏感哈希车辆检索方法 |
CN108229566A (zh) * | 2018-01-05 | 2018-06-29 | 厦门华联电子股份有限公司 | 一种层次性分类方法及装置 |
CN109697292A (zh) * | 2018-12-17 | 2019-04-30 | 北京百度网讯科技有限公司 | 一种机器翻译方法、装置、电子设备和介质 |
CN109919177A (zh) * | 2019-01-23 | 2019-06-21 | 西北工业大学 | 基于层次化深度网络的特征选择方法 |
Non-Patent Citations (2)
Title |
---|
KUIZHI MEI等: "Hierarchical Classification of Large-Scale Patient Records for Automatic Treatment Stratification", 《IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS》 * |
胡清华 等: "大规模分类任务的分层学习方法综述", 《中国科学:信息科学》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909785B (zh) * | 2019-11-18 | 2021-09-14 | 西北工业大学 | 基于语义层级的多任务Triplet损失函数学习方法 |
CN110909785A (zh) * | 2019-11-18 | 2020-03-24 | 西北工业大学 | 基于语义层级的多任务Triplet损失函数学习方法 |
CN111080594A (zh) * | 2019-12-09 | 2020-04-28 | 上海联影智能医疗科技有限公司 | 人体部位识别方法、计算机设备和可读存储介质 |
CN111080594B (zh) * | 2019-12-09 | 2024-03-26 | 上海联影智能医疗科技有限公司 | 切片标记确定方法、计算机设备和可读存储介质 |
CN111090764A (zh) * | 2019-12-20 | 2020-05-01 | 中南大学 | 基于多任务学习和图卷积神经网络的影像分类方法及装置 |
CN111090764B (zh) * | 2019-12-20 | 2023-06-23 | 中南大学 | 基于多任务学习和图卷积神经网络的影像分类方法及装置 |
CN111046858A (zh) * | 2020-03-18 | 2020-04-21 | 成都大熊猫繁育研究基地 | 一种基于图像的动物物种细分类方法、系统及介质 |
CN111507403A (zh) * | 2020-04-17 | 2020-08-07 | 腾讯科技(深圳)有限公司 | 图像分类方法、装置、计算机设备和存储介质 |
CN111680575A (zh) * | 2020-05-19 | 2020-09-18 | 苏州大学 | 一种人类上皮细胞染色分类装置、设备及存储介质 |
WO2022184058A1 (zh) * | 2021-03-04 | 2022-09-09 | 深圳市道通科技股份有限公司 | 一种确定工件表面磨损的方法及系统 |
CN113076846A (zh) * | 2021-03-26 | 2021-07-06 | 山东大学 | 心音分类识别方法及系统 |
CN113109666B (zh) * | 2021-04-09 | 2024-03-15 | 河南省博海大数据科技有限公司 | 一种基于深度卷积神经网络的轨道电路故障诊断方法 |
CN113109666A (zh) * | 2021-04-09 | 2021-07-13 | 河南省博海大数据科技有限公司 | 一种基于深度卷积神经网络的轨道电路故障诊断方法 |
CN113836338A (zh) * | 2021-07-21 | 2021-12-24 | 北京邮电大学 | 细粒度图像分类方法、装置、存储介质及终端 |
CN113836338B (zh) * | 2021-07-21 | 2024-05-24 | 北京邮电大学 | 细粒度图像分类方法、装置、存储介质及终端 |
CN113705527A (zh) * | 2021-09-08 | 2021-11-26 | 西南石油大学 | 一种基于损失函数集成和粗细分级卷积神经网络的表情识别方法 |
CN113705527B (zh) * | 2021-09-08 | 2023-09-22 | 西南石油大学 | 一种基于损失函数集成和粗细分级卷积神经网络的表情识别方法 |
CN113887580A (zh) * | 2021-09-15 | 2022-01-04 | 天津大学 | 一种考虑多粒度类相关性的对比式开放集识别方法及装置 |
CN113989541A (zh) * | 2021-09-23 | 2022-01-28 | 神思电子技术股份有限公司 | 一种基于特征聚合的着装分类方法及系统 |
CN114943976A (zh) * | 2022-07-26 | 2022-08-26 | 深圳思谋信息科技有限公司 | 模型生成的方法、装置、电子设备和存储介质 |
CN116932832B (zh) * | 2023-09-15 | 2024-01-23 | 深圳市智慧城市科技发展集团有限公司 | 数据资产目录生成方法、设备及计算机可读存储介质 |
CN116932832A (zh) * | 2023-09-15 | 2023-10-24 | 深圳市智慧城市科技发展集团有限公司 | 数据资产目录生成方法、设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309888A (zh) | 一种基于分层多任务学习的图像分类方法与系统 | |
CN110443281B (zh) | 基于hdbscan聚类的文本分类自适应过采样方法 | |
CN107679250A (zh) | 一种基于深度自编码卷积神经网络的多任务分层图像检索方法 | |
CN101315670B (zh) | 特定被摄体检测装置及其学习装置和学习方法 | |
CN108595636A (zh) | 基于深度跨模态相关性学习的手绘草图的图像检索方法 | |
CN102324038B (zh) | 一种基于数字图像的植物种类识别方法 | |
CN108629367A (zh) | 一种基于深度网络增强服装属性识别精度的方法 | |
CN112613552B (zh) | 一种结合情感类别注意力损失的卷积神经网络情感图像分类方法 | |
CN109711448A (zh) | 基于判别关键域和深度学习的植物图像细粒度分类方法 | |
CN109523520A (zh) | 一种基于深度学习的染色体自动计数方法 | |
CN110211127B (zh) | 基于双相关性网络的图像分割方法 | |
CN105654196A (zh) | 一种基于电力大数据的自适应负荷预测选择方法 | |
CN104392231A (zh) | 基于分块与稀疏主特征提取的快速协同显著性检测方法 | |
CN107203775A (zh) | 一种图像分类的方法、装置和设备 | |
CN110992217B (zh) | 一种外观设计专利多视图特征表示、检索的方法及装置 | |
CN109739844A (zh) | 基于衰减权重的数据分类方法 | |
CN107392254A (zh) | 一种通过联合嵌入从像素中构造图像的语义分割方法 | |
CN107203558A (zh) | 对象推荐方法和装置、推荐信息处理方法和装置 | |
CN111178196B (zh) | 一种细胞分类的方法、装置及设备 | |
CN109657082A (zh) | 基于全卷积神经网络的遥感图像多标签检索方法及系统 | |
CN113837266B (zh) | 一种基于特征提取和Stacking集成学习的软件缺陷预测方法 | |
Gao et al. | An improved XGBoost based on weighted column subsampling for object classification | |
Shi et al. | An active relearning framework for remote sensing image classification | |
CN117058534A (zh) | 基于元知识适应迁移网络的少样本遥感图像目标检测方法 | |
CN110516741A (zh) | 基于动态分类器选择的类别重叠不平衡数据分类方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191008 |
|
RJ01 | Rejection of invention patent application after publication |