CN110717512A - 一种基于结构保持零样本学习的鸟类濒危物种识别方法 - Google Patents

一种基于结构保持零样本学习的鸟类濒危物种识别方法 Download PDF

Info

Publication number
CN110717512A
CN110717512A CN201910836592.3A CN201910836592A CN110717512A CN 110717512 A CN110717512 A CN 110717512A CN 201910836592 A CN201910836592 A CN 201910836592A CN 110717512 A CN110717512 A CN 110717512A
Authority
CN
China
Prior art keywords
matrix
semantic
mapping
category
birds
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
CN201910836592.3A
Other languages
English (en)
Other versions
CN110717512B (zh
Inventor
周智恒
牛畅
尚俊媛
黄俊楚
张鹏宇
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201910836592.3A priority Critical patent/CN110717512B/zh
Publication of CN110717512A publication Critical patent/CN110717512A/zh
Application granted granted Critical
Publication of CN110717512B publication Critical patent/CN110717512B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]

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)

Abstract

本发明公开了一种基于结构保持零样本学习的鸟类濒危物种识别方法，包括如下步骤：数据输入步骤，输入数据集包括常见鸟类图像视觉特征、语义信息、标签信息等，以及鸟类濒危物种的语义信息；训练步骤，学习视觉特征空间到语义空间的双向映射，同时使用流形一致性对该映射作进一步的约束。将优化问题归结成Sylvester方程求解问题，求解过程简单易实现，求解的结果为映射矩阵P；预测步骤，利用训练步骤得到的映射矩阵P对给定语义信息的鸟类濒危物种图像做出识别。本发明保留了数据间的结构信息，解决了领域漂移的问题，提高了图像分类的精确度，使之能够应用到复杂的鸟类图像识别的问题中，并能够对没有已知标签信息的濒危物种进行识别。

Description

一种基于结构保持零样本学习的鸟类濒危物种识别方法
技术领域
本发明涉及图像分类技术领域，具体涉及一种基于结构保持零样本学习的鸟类濒危物种识别方法。
背景技术
鸟类是动物界的一个重要组成部分，由于它们的种类繁多，外观近似，如何准确高效地对其进行识别一直是一个重要的研究问题。传统计算机视觉领域需要大量的人工标记的鸟类图像进行训练以获得良好的分类精度。然而，由于自然环境变化、人类活动影响等原因，许多鸟类的数量急剧减少，有关图像变得难以获得，只能从古籍、知情人描述中获得关于它们外观、习性的信息。由于带标记图像数据的匮乏，传统计算机视觉领域的方法无法解决鸟类图像数据精准分类的问题。
针对以上带标签图像数据匮乏的问题，目前亟待提出用零样本学习的方法解决濒危鸟类图像分类问题。零样本图像分类方法模仿人类根据已知事物，以及未知事物的描述，实现判别与分类未知事物的能力。以常见的可获得其标签信息的鸟类为可见类别，数据匮乏的濒危鸟类为不可见类别，可见类别和不可见类别之间没有重叠。人类对于鸟类外观、习性等特征的描述称为语义信息。零样本学习方法利用可见类别鸟类的视觉特征信息和语义信息完成对不可见类别鸟类图像的识别与分类任务。
零样本学习的关键在于如何建立可见类别与不可见类别之间的关联，以实现知识的共享与迁移。传统基于映射的零样本学习方法旨在学习一个视觉特征空间到语义空间的映射，或是学习一个将视觉特征和语义共同映射到中间层的映射。这类方法不可避免地存在领域漂移的问题，即由于可见类别与不可见类别没有重叠，虽然他们共享同一个语义空间，但相同的语义描述对应的视觉特征表示却有很大不同。在这种情况下，从可见类别数据学习到的映射直接应用到不可见类别的分类任务将导致精确度的降低。
基于上述问题，提出一种能够克服现有零样本方法存在的不足，实现对濒危鸟类图像准确识别与分类的方法是目前迫切需要解决的问题。
发明内容
本发明的目的是为了克服现有技术中的上述缺陷，提供一种基于结构保持零样本学习的鸟类濒危物种识别方法。
本发明的目的可以通过采取如下技术方案达到：
一种基于结构保持零样本学习的鸟类濒危物种识别方法，所述的鸟类濒危物种识别方法包括：
图像数据输入步骤，输入的图像数据分为可见类别数据和不可见类别数据，其中，所述的可见类别数据指常见的可获得其标签信息的鸟类，包括可见类别鸟类图像视觉特征、语义信息、标签信息；所述的不可见类别数据指数据匮乏的濒危鸟类，包括濒危鸟类的语义信息；
训练步骤，接收输入数据后，基于可见类别数据学习视觉特征空间到语义空间的双向映射，同时增加对映射矩阵P的两种流形一致性约束，得到最终模型并求其最优解。可以将该求解过程归结为Sylvester问题，通过调用MATLAB中的工具箱函数，即可求得该方程的解，得到映射矩阵P。
预测步骤，将待分类的濒危鸟类物种作为测试样本，输入测试样本的视觉特征以及不可见类别的语义，将每个测试样本用所述的映射矩阵P作映射，得到其在语义空间的映射结果，将得到的结果与给定的类别语义在语义空间作近邻计算，找出最近邻的语义，其对应的类别即为得到的预测值。
进一步地，所述的视觉特征即鸟类图像经过GoogleNet等网络提取的特征；所述的语义信息指人类对于鸟类外观、习性等特征的描述，分为视觉属性和词向量两种，其中，所述的视觉属性由人工标记而来，词向量可以通过网络爬虫等手段获得；所述的标签信息即图像所属的类别信息；以上数据可以自己收集提取，也可以从公开的数据集中获得。
进一步地，所述的图像数据输入步骤中，可见类别共CS个，可见类别的样本共nS个，可见类别的视觉特征矩阵为
Figure BDA0002192363960000031
其中d为视觉特征维度，可见类别的语义矩阵为
Figure BDA0002192363960000032
其中m为语义维度，AS的每行代表一个样本对应的一组语义，每一组语义对应一个类别，对应地，不可见类别共CU个，不可见类别样本共nU个。
进一步地，所述的图像数据输入步骤中，还包括：对输入的视觉特征矩阵XS归一化处理，归一化为[-1,1]之间，以获得更好的训练效果。
进一步地，所述的训练步骤中得到的最终模型如下：
其中，
Figure BDA0002192363960000034
表示矩阵
Figure BDA0002192363960000035
-范数的平方，P为学习的映射矩阵，PT表示映射矩阵P的转置，λ、β和γ为超参数，用于权衡各项权重，LX和LA分别为视觉特征矩阵
Figure BDA0002192363960000036
和语义矩阵
Figure BDA0002192363960000037
的拉普拉斯图矩阵，
LX＝DX-WX，LA＝DA-WA，
DX和DA是对角矩阵，其计算方法为(DX)ii＝∑j(WX)ij，(DA)ii＝∑j(WA)ij，WX和WA分别指建立在视觉特征矩阵
Figure BDA0002192363960000038
和语义矩阵
Figure BDA0002192363960000039
上的相似度矩阵，(WX)ij指矩阵WX第i行、第j列的元素，(WA)ij指矩阵WA第i行、第j列的元素，其计算方式如下：
Figure BDA0002192363960000041
Figure BDA0002192363960000042
其中，xi和xj分别表示视觉特征矩阵
Figure BDA0002192363960000043
的第i行和第j行，即第i个样本和第j个样本的视觉特征，ai和aj分别表示语义矩阵
Figure BDA0002192363960000044
的第i行和第j行，即第i个样本和第j个样本的语义，表示和xi属于同一类且是xi的k近邻的样本，
Figure BDA0002192363960000046
表示和ai属于同一类且是ai的k近邻的样本。
进一步地，所述的训练步骤中，求解最终模型，将最终模型关于P求导，令导数值为零，得到以下Sylvester方程：
Figure BDA0002192363960000047
通过调用MATLAB中的工具箱函数，即可求得该方程的解，得到映射矩阵P。
进一步地，所述的预测步骤中，输入测试样本的视觉特征xj，语义特征空间
Figure BDA0002192363960000048
ai表示的第i行，即第i个类别对应的语义，目标领域对应的CU个不可见类别，将每个测试样本用映射矩阵P作映射，得到其对应在语义空间的映射结果，将得到的结果与给定的类别语义在语义空间作近邻计算，找出最近邻的语义，其对应的类别即为得到的预测值，然后用下式得出对测试样本的标签判断结果：
Figure BDA00021923639600000410
其中，
Figure BDA00021923639600000411
表示矩阵
Figure BDA00021923639600000412
-范数的平方。
本发明相对于现有技术具有如下的优点及效果：
(1)本发明旨在解决濒危鸟类物种的识别问题。本发明能够在无法获得濒危鸟类图像信息的情况下，利用常见的可获得其标签信息的鸟类图像特征，根据鸟类濒危物种的描述性信息，实现对鸟类濒危物种的识别。
(2)本发明学习了视觉特征空间到语义空间的双向映射，即正向可以实现视觉特征空间到语义空间的映射，反向可以实现语义空间到视觉特征空间的映射，从而极大地保留了视觉特征数据所带有的信息，解决了领域漂移问题。
(3)本发明在学习双向映射的基础上，添加了流形一致性约束。即正向映射和反向映射的结果都能保持映射前样本间的近邻关系，保留视觉特征及语义所带有的结构信息，实现分类精确度的提升。
附图说明
图1是本发明公开的一种基于结构保持零样本学习的鸟类濒危物种识别方法整体流程的示意图；
图2是本发明公开的鸟类濒危物种识别模型核心算法的示意图，图中展示了训练过程和测试过程的主要思路，主要在于映射矩阵P的学习与迁移。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
本实施例提出了一种基于结构保持零样本学习的鸟类濒危物种识别方法，旨在克服现有方法存在的问题，解决濒危鸟类物种的识别问题。本发明能够在无法获得濒危鸟类图像信息的情况下，利用常见的可获得其标签信息的鸟类图像特征，根据鸟类濒危物种的描述性信息，实现对鸟类濒危物种的识别。如图1所示为本发明识别方法的流程示意图，根据图1，相应的具体实施步骤如下：
(1)数据输入步骤
需要输入的图像数据分为可见类别数据和不可见类别数据。其中可见类别指常见的可获得其标签信息的鸟类，不可见类别指数据匮乏的濒危鸟类。可见类别数据包括可见类别鸟类图像视觉特征，语义信息，标签信息。不可见类别数据包括濒危鸟类的语义信息。视觉特征即鸟类图像经过GoogleNet等网络提取的特征。语义信息指人类对于鸟类外观、习性等特征的描述，一般分为视觉属性和词向量两种，视觉属性由人工标记而来，词向量通过网络爬虫获得。标签信息即图像所属的类别信息。
具体地，可见类别共CS个，可见类别的样本共nS个，可见类别的视觉特征矩阵为
Figure BDA0002192363960000061
其中d为视觉特征维度。可见类别的语义矩阵为
Figure BDA0002192363960000062
其中m为语义维度，AS的每行代表一个样本对应的一组语义，每一组语义对应一个类别。对应地，不可见类别共CU个，不可见类别样本共nU个。在识别的起始步骤应首先对输入的视觉特征矩阵XS进行归一化，将视觉特征限制在[-1,1]，以获得更好的训练效果。
(2)训练步骤
接收输入数据之后，基于可见类别数据学习视觉特征空间到语义空间的双向映射，具体模型如下：
其中，表示矩阵
Figure BDA0002192363960000065
-范数的平方，P为学习的映射矩阵，PT表示映射矩阵P的转置。第一项将视觉特征矩阵XS映射到对应的语义AS，第二项用映射矩阵P的转置代替映射矩阵P的逆，反向映射矩阵PT将语义空间的数据映射回到视觉特征空间，这一过程极大地保留了视觉特征信息与语义信息，在一定程度上解决了零样本学习方法固有的领域漂移问题。
为了学习得到的映射矩阵P能够更好地保留视觉特征和语义的结构信息，本发明还增加了对映射矩阵P的两种流形一致性约束，即从视觉特征空间到语义空间的映射结果需要保持原始视觉特征数据的结构信息，同样地，从语义空间映射回到视觉特征空间的映射结果也需要保持原始语义数据的结构信息。因此，分别加入两项流形一致性约束，具体形式如下：
Figure BDA0002192363960000071
其中，xi和xj分别表示视觉特征矩阵
Figure BDA0002192363960000072
的第i行和第j行，即第i个样本和第j个样本的视觉特征。ai和aj分别表示语义矩阵
Figure BDA0002192363960000073
的第i行和第j行，即第i个样本和第j个样本的语义。(WX)ij指矩阵WX第i行、第j列的元素，类似地，(WA)ij指矩阵WA第i行、第j列的元素。WX和WA分别指建立在视觉特征矩阵
Figure BDA0002192363960000074
和语义矩阵
Figure BDA0002192363960000075
上的相似度矩阵，其具体计算方式如下：
Figure BDA0002192363960000076
Figure BDA0002192363960000077
其中，表示和xi属于同一类且是xi的k近邻的样本，
Figure BDA0002192363960000079
表示和ai属于同一类且是ai的k近邻的样本。为了方便计算与优化求解，引入图的拉普拉斯矩阵LX，LA，推导过程如下所示：
Figure BDA0002192363960000081
Figure BDA0002192363960000082
其中，LX和LA分别为视觉特征矩阵
Figure BDA0002192363960000083
和语义矩阵
Figure BDA0002192363960000084
的拉普拉斯图矩阵，LX＝DX-WX，LA＝DA-WA，而DX和DA是对角矩阵，其具体计算过程分别为(DX)ii＝∑j(WX)ij，(DA)ii＝∑j(WA)ij。
经过以上推导与化简，得到了本发明具体模型，如下所示:
其中，λ、β和γ为超参数，用于权衡各项权重。求解该模型，具体做法为：将该模型关于P求导，令导数值为零，得到以下Sylvester方程：
Figure BDA0002192363960000086
通过调用MATLAB中的工具箱函数，即可求得该方程的解，得到映射矩阵P。该求导过程简单易实现。
(3)预测步骤
本发明的目的是对鸟类濒危物种进行识别，因此将待分类的濒危鸟类物种称为测试样本。输入测试样本的视觉特征xj，语义特征空间
Figure BDA0002192363960000087
ai表示
Figure BDA0002192363960000088
的第i行，即第i个类别对应的语义，目标领域对应有CU个不可见类别。将每个测试样本用训练步骤得到的映射矩阵P作映射，得到其对应在语义空间的映射结果，在语义空间，将得到的结果与给定的类别语义作近邻计算，找出最近邻的语义，其对应的类别即为得到的预测值。用下式得出对测试样本的标签判断结果。
其中，
Figure BDA0002192363960000092
表示矩阵
Figure BDA0002192363960000093
-范数的平方。
附图2展示了训练过程和测试过程的核心思路，主要在于映射矩阵P的学习与迁移。
综上所述，本实施例公开了一种基于结构保持零样本学习的鸟类濒危物种识别方法。该方法利用常见的可获得其标签信息的鸟类数据训练模型，学习视觉特征和语义之间的双向映射，并加入流形一致性约束，充分挖掘了数据间的潜在信息，克服了现有方法存在的领域漂移问题。通过对本方法所提出的模型求导并化简，最终将该模型的优化问题归结为Sylvester方程求解问题，可以通过调用MATLAB工具箱函数实现，简单易行。求解的结果作为映射矩阵P，通过相应的预测过程，对给定语义信息的鸟类濒危物种图像做出识别。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (7)

1.一种基于结构保持零样本学习的鸟类濒危物种识别方法，其特征在于，所述的鸟类濒危物种识别方法包括：
图像数据输入步骤，输入的图像数据分为可见类别数据和不可见类别数据，其中，所述的可见类别数据指常见的可获得其标签信息的鸟类，包括可见类别鸟类图像视觉特征、语义信息、标签信息；所述的不可见类别数据指数据匮乏的濒危鸟类，包括濒危鸟类的语义信息；
训练步骤，接收输入的图像数据后，基于可见类别数据学习视觉特征空间到语义空间的双向映射，同时增加对映射矩阵P的两种流形一致性约束，得到最终模型并求其最优解，将该过程归结为Sylvester问题，通过调用MATLAB中的工具箱函数，即可求得该方程的解，得到映射矩阵P；
预测步骤，将待分类的濒危鸟类物种作为测试样本，输入测试样本的视觉特征以及不可见类别的语义，将每个测试样本用所述的映射矩阵P作映射，得到其在语义空间的映射结果，将得到的结果与给定的类别语义在语义空间作近邻计算，找出最近邻的语义，其对应的类别即为得到的预测值。
2.根据权利要求1所述的一种基于结构保持零样本学习的鸟类濒危物种识别方法，其特征在于，所述的视觉特征即鸟类图像经过GoogleNet网络提取的特征；所述的语义信息指人类对于鸟类外观、习性特征的描述，分为视觉属性和词向量两种，其中，视觉属性由人工标记而来，词向量通过网络爬虫获得；所述的标签信息即图像所属的类别信息。
3.根据权利要求1所述的一种基于结构保持零样本学习的鸟类濒危物种识别方法，其特征在于，所述的图像数据输入步骤中，可见类别共CS个，可见类别的样本共nS个，可见类别的视觉特征矩阵为
Figure FDA0002192363950000021
其中d为视觉特征维度，可见类别的语义矩阵为
Figure FDA0002192363950000022
其中m为语义维度，AS的每行代表一个样本对应的一组语义，每一组语义对应一个类别，对应地，不可见类别共CU个，不可见类别样本共nU个。
4.根据权利要求3所述的一种基于结构保持零样本学习的鸟类濒危物种识别方法，其特征在于，所述的图像数据输入步骤中，还包括：对输入的视觉特征矩阵XS归一化处理，归一化为[-1,1]之间。
5.根据权利要求3所述的一种基于结构保持零样本学习的鸟类濒危物种识别方法，其特征在于，所述的训练步骤中得到的最终模型如下：
Figure FDA0002192363950000023
其中，表示矩阵
Figure FDA0002192363950000025
-范数的平方，P为学习的映射矩阵，PT表示映射矩阵P的转置，λ、β和γ为超参数，用于权衡各项权重，LX和LA分别为视觉特征矩阵
Figure FDA0002192363950000026
和语义矩阵
Figure FDA0002192363950000027
的拉普拉斯图矩阵，
LX＝DX-WX，LA＝DA-WA，
DX和DA是对角矩阵，其计算方法为(DX)ii＝∑j(WX)ij，(DA)ii＝∑j(WA)ij，WX和WA分别指建立在视觉特征矩阵和语义矩阵
Figure FDA0002192363950000029
上的相似度矩阵，(WX)ij指矩阵WX第i行、第j列的元素，(WA)ij指矩阵WA第i行、第j列的元素，其计算方式如下：
Figure FDA00021923639500000210
Figure FDA00021923639500000211
其中，xi和xj分别表示视觉特征矩阵的第i行和第j行，即第i个样本和第j个样本的视觉特征，ai和aj分别表示语义矩阵
Figure FDA00021923639500000213
的第i行和第j行，即第i个样本和第j个样本的语义，
Figure FDA0002192363950000031
表示和xi属于同一类且是xi的k近邻的样本，
Figure FDA0002192363950000032
表示和ai属于同一类且是ai的k近邻的样本。
6.根据权利要求5所述的一种基于结构保持零样本学习的鸟类濒危物种识别方法，其特征在于，所述的训练步骤中，求解最终模型，将最终模型关于P求导，令导数值为零，得到以下Sylvester方程：
Figure FDA0002192363950000033
通过调用MATLAB中的工具箱函数，即可求得该方程的解，得到映射矩阵P。
7.根据权利要求1所述的一种基于结构保持零样本学习的鸟类濒危物种识别方法，其特征在于，所述的预测步骤中，输入测试样本的视觉特征xj，语义特征空间
Figure FDA0002192363950000034
ai表示
Figure FDA0002192363950000035
的第i行，即第i个类别对应的语义，目标领域对应的CU个不可见类别，将每个测试样本用映射矩阵P作映射，得到其对应在语义空间的映射结果，将得到的结果与给定的类别语义在语义空间作近邻计算，找出最近邻的语义，其对应的类别即为得到的预测值，然后用下式得出对测试样本的标签判断结果：
其中，
Figure FDA0002192363950000037
表示矩阵
Figure FDA0002192363950000038
-范数的平方。
CN201910836592.3A 2019-09-05 2019-09-05 一种基于结构保持零样本学习的鸟类濒危物种识别方法 Active CN110717512B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910836592.3A CN110717512B (zh) 2019-09-05 2019-09-05 一种基于结构保持零样本学习的鸟类濒危物种识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910836592.3A CN110717512B (zh) 2019-09-05 2019-09-05 一种基于结构保持零样本学习的鸟类濒危物种识别方法

Publications (2)

Publication Number Publication Date
CN110717512A true CN110717512A (zh) 2020-01-21
CN110717512B CN110717512B (zh) 2023-04-07

Family

ID=69210236

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910836592.3A Active CN110717512B (zh) 2019-09-05 2019-09-05 一种基于结构保持零样本学习的鸟类濒危物种识别方法

Country Status (1)

Country Link
CN (1) CN110717512B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461323A (zh) * 2020-03-13 2020-07-28 中国科学技术大学 一种图像识别方法及装置
CN117333778A (zh) * 2023-12-01 2024-01-02 华南理工大学 用于植物科普教育的基于知识图谱的零样本植物识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106203483A (zh) * 2016-06-29 2016-12-07 天津大学 一种基于语义相关多模态映射方法的零样本图像分类方法
CN108376267A (zh) * 2018-03-26 2018-08-07 天津大学 一种基于类别转移的零样本分类方法
CN108537257A (zh) * 2018-03-26 2018-09-14 天津大学 基于判别性字典矩阵对的零样本分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106203483A (zh) * 2016-06-29 2016-12-07 天津大学 一种基于语义相关多模态映射方法的零样本图像分类方法
CN108376267A (zh) * 2018-03-26 2018-08-07 天津大学 一种基于类别转移的零样本分类方法
CN108537257A (zh) * 2018-03-26 2018-09-14 天津大学 基于判别性字典矩阵对的零样本分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周智恒 等: "一种基于等距度量学习策略的行人重识别改进算法", 《电子与信息学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461323A (zh) * 2020-03-13 2020-07-28 中国科学技术大学 一种图像识别方法及装置
CN111461323B (zh) * 2020-03-13 2022-07-29 中国科学技术大学 一种图像识别方法及装置
CN117333778A (zh) * 2023-12-01 2024-01-02 华南理工大学 用于植物科普教育的基于知识图谱的零样本植物识别方法
CN117333778B (zh) * 2023-12-01 2024-03-12 华南理工大学 用于植物科普教育的基于知识图谱的零样本植物识别方法

Also Published As

Publication number Publication date
CN110717512B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
Sun et al. RSOD: Real-time small object detection algorithm in UAV-based traffic monitoring
CN109523018B (zh) 一种基于深度迁移学习的图片分类方法
CN106156003B (zh) 一种问答系统中的问句理解方法
CN114067160A (zh) 基于嵌入平滑图神经网络的小样本遥感图像场景分类方法
CN107016409A (zh) 一种基于图像显著区域的图像分类方法和系统
CN103942749B (zh) 一种基于修正聚类假设和半监督极速学习机的高光谱地物分类方法
CN113177559B (zh) 结合广度和密集卷积神经网络的图像识别方法、系统、设备及介质
CN114912612A (zh) 鸟类识别方法、装置、计算机设备及存储介质
CN110717513B (zh) 一种基于多分类器的零样本深海生物图片分类方法
CN106651887A (zh) 一种基于卷积神经网络的图像像素分类方法
CN110717512B (zh) 一种基于结构保持零样本学习的鸟类濒危物种识别方法
CN105809119A (zh) 一种基于稀疏低秩结构多任务学习的行为识别方法
CN110705384B (zh) 一种基于跨域迁移增强表示的车辆再识别方法
Lin et al. An analysis of English classroom behavior by intelligent image recognition in IoT
Sun et al. Intelligent oil well identification modelling based on deep learning and neural network
Andersson et al. Combining street-level and aerial images for dengue incidence rate estimation
Du et al. CAPTCHA recognition based on faster R-CNN
KR20210039572A (ko) 신경망 모델을 이용한 지층 분류 방법 및 이를 수행하는 장치
Naved et al. IoT-Enabled Convolutional Neural Networks: Techniques and Applications
CN113779249A (zh) 跨领域文本情感分类方法、装置、存储介质以及电子设备
Tian et al. A lightweight multitask learning model with adaptive loss balance for tropical cyclone intensity and size estimation
CN105787045A (zh) 一种用于可视媒体语义索引的精度增强方法
Wang et al. Multimodal Poisson gamma belief network
Zhang et al. Detection of coronal mass ejections using multiple features and space–time continuity
Zeng et al. An urban cellular automata model based on a spatiotemporal non-stationary neighborhood

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