CN111126470B - 基于深度度量学习的图片数据迭代聚类分析方法 - Google Patents
基于深度度量学习的图片数据迭代聚类分析方法 Download PDFInfo
- Publication number
- CN111126470B CN111126470B CN201911305652.5A CN201911305652A CN111126470B CN 111126470 B CN111126470 B CN 111126470B CN 201911305652 A CN201911305652 A CN 201911305652A CN 111126470 B CN111126470 B CN 111126470B
- Authority
- CN
- China
- Prior art keywords
- cluster
- iterative
- picture
- intra
- picture data
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明公开了一种基于深度度量学习的图片数据迭代聚类分析方法，包括如下步骤：获取多组带有图片分类标签的样本图片数据集；将各所述样本图片数据集作为一深度度量学习网络的输入，训练形成一图片嵌入特征提取器；将待分析的图片数据集输入到所述图片嵌入特征提取器中，输出所述图片数据集中的每一张图片对应的图片嵌入特征向量feat；根据每张所述图片对应的所述图片嵌入特征向量feat，并利用渐进式聚类算法，对所述图片数据集进行迭代聚类分析，最终输出对所述图片数据集的聚类分析结果，本发明利用聚类分析方法，实现了对待分析的图片数据集中的图片数据的自动标注，降低了标注成本、提高了数据标注的质量。
Description
技术领域
本发明涉及图片数据集分析技术领域，具体涉及一种基于深度度量学习的图片数据迭代聚类分析方法。
背景技术
随着深度学习技术的快速发展，计算机视觉识别技术领域尤其是图像分类技术领域对于图像识别分类的准确率得到了大幅提升。然而现如今若希望通过改变深度学习网络结构来进一步大幅提升图片识别分类的准确率变得越来越困难。扩充图像识别分类的有效数据集成为目前快速有效提升图像识别分类准确率的一种重要方法。但目前扩充数据集主要面临两个方面的问题：一是如何快速的标注样本数据；二是如何评价标注数据的准确度和一致性。为了保证数据标注的质量，目前大多应用传统的人工标注方法，但人工标注方法标注成本高，标注周期长，而且标注质量还难以保证，所以需要研究一种无监督的方法对数据进行分析、标注。
发明内容
本发明的目的在于提供一种基于深度度量学习的图片数据迭代聚类分析方法，以解决上述技术问题。
为达此目的，本发明采用以下技术方案：
提供一种基于深度度量学习的图片数据迭代聚类分析方法，包括如下步骤：
步骤S1，获取多组带有图片分类标签的样本图片数据集；
步骤S2，将各所述样本图片数据集作为一深度度量学习网络的输入，训练形成一图片嵌入特征提取器；
步骤S3，将待分析的图片数据集输入到所述图片嵌入特征提取器中，输出所述图片数据集中的每一张图片对应的图片嵌入特征向量feat；
步骤S4，根据每张所述图片对应的所述图片嵌入特征向量feat，并利用渐进式聚类算法，对所述图片数据集进行迭代聚类分析，最终输出对所述图片数据集的聚类分析结果。
作为本发明的一种优选方案，所述步骤S4中的所述渐进式聚类算法为K-means聚类分析算法或层次聚类法。
作为本发明的一种优选方案，所述步骤S4中，对所述图片数据集进行迭代聚类分析的过程具体包括如下步骤：
步骤S41，设定每次迭代聚类的聚类簇数目的上限m、聚类簇对应的类平均轮廓系数阈值t、每一个所述聚类簇的簇内图片数据量的上限num_max以及下限num_min和迭代计算次数itermax；
步骤S42，根据所述图片数据集中的每张所述图片对应的所述图片嵌入特征向量feat，并利用所述渐进式聚类算法，获取所述图片数据集的聚类簇；
步骤S43，计算每一个所述聚类簇中的各样本点对应的样本轮廓系数S，并根据各样本点对应的所述样本轮廓系数S计算每一个所述聚类簇对应的簇内平均轮廓系数mS；
步骤S44，基于各所述聚类簇对应的所述簇内平均轮廓系数mS、预设的所述类平均轮廓系数阈值t和所述簇内图片数据量对所述步骤S42获取的各所述聚类簇进行筛选；
步骤S45，将所述步骤S44筛选得到的各所述聚类簇中的簇内图片对应的所述图片分类标签重置为-1；
步骤S46，计算经所述步骤S45标签重置后的各所述聚类簇中的所述簇内图片的数量n；
步骤S47，根据当前的迭代聚类次数和所述步骤S46计算得到的各所述聚类簇中的所述簇内图片的数量n，调整迭代聚类分析策略，直至完成对所述图片数据集中的所有所述聚类簇中的各所述簇内图片的标签重置过程，并得到一对所述图片数据集的标签重置结果；
步骤S48，根据所述标签重置结果，对所述步骤S43计算的每个所述聚类簇对应的所述簇内平均轮廓系数mS进行更新；
步骤S49，判断更新后的所述簇内平均轮廓系数mS是否大于一预设阈值，
若是，则将所述簇内平均轮廓系数mS对应的所述聚类簇确定为有效聚类簇；
若否，则将所述簇内平均轮廓系数mS对应的所述聚类簇确定为无效聚类簇；
步骤S50，将所述步骤S49得到的判断结果作为所述聚类分析结果输出。
作为本发明的一种优选方案，所述步骤S49中的所述预设阈值为0.01。
作为本发明的一种优选方案，所述步骤S44中，筛选所述聚类簇的方法具体为：
当所述聚类簇对应的所述簇内平均轮廓系数mS小于预设的所述类平均轮廓系数阈值t，并且所述聚类簇内的所述簇内图片数据量大于预设的所述簇内图片数据量的上限num_max或小于预设的所述簇内图片数据量的下限num_min时，将所述聚类簇作为被筛选对象筛选出来。
作为本发明的一种优选方案，所述步骤S47中，调整所述迭代聚类分析策略的具体方法过程包括如下步骤：
步骤S471，判断当前的所述迭代聚类次数是否大于或等于1且小于预设的所述迭代计算次数itermax，
若是，则进入步骤S472；
若否，则终止迭代聚类分析过程；
步骤S472，判断当前的所述迭代聚类次数是否等于1，且当前迭代聚类分析计算的所述聚类簇中的所述簇内图片的数量n是否等于所述图片数据集中的所述图片的总数量，
若是，则终止迭代聚类分析过程，并提示用户调整预设参数；
若否，则进入步骤S473；
步骤S473，判断当前迭代聚类分析计算的所述聚类簇中的所述簇内图片的数量n是否小于或等于上一次迭代聚类分析计算的同一个所述聚类簇中的所述簇内图片的数量，
若是，则进入步骤S474；
若否，则终止迭代聚类分析过程；
步骤S474，判断当前迭代聚类分析计算的所述聚类簇中的所述簇内图片的数量n是否等于上一次迭代聚类分析计算的同一个所述聚类簇中的所述簇内图片的数量，
若是，则提示所述用户减小每次迭代聚类的所述聚类簇数目的上限m，并返回所述步骤S42重新进行迭代聚类分析；
若否，则进入步骤S475；
步骤S475，判断当前迭代聚类分析计算的所述聚类簇中的所述簇内图片的数量n是否小于上一次迭代聚类分析计算的同一个所述聚类簇中的所述簇内图片的数量，
若是，则返回所述步骤S43重新进行迭代聚类分析；
若否，则终止迭代聚类分析过程。
本发明利用聚类分析方法，实现了对待分析的图片数据集中的图片数据的自动标注，降低了标注成本、提高了数据标注的质量。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例所述的基于深度度量学习的图片数据迭代聚类分析方法的步骤图；
图2是本发明一实施例所述的图片迭代聚类分析方法中的所述步骤S4的分步骤图；
图3是本发明一实施例所述的图片迭代聚类分析方法中调整所述迭代聚类分析策略的方法步骤图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若出现术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
在本发明的描述中，除非另有明确的规定和限定，若出现术语“连接”等指示部件之间的连接关系，该术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个部件内部的连通或两个部件的相互作用关系。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
本发明实施例提供的基于深度度量学习的图片数据迭代聚类分析方法，请参照图1，包括如下步骤：
步骤S1，获取多组带有图片分类标签的样本图片数据集；
步骤S2，将各样本图片数据集作为一深度度量学习网络的输入，训练形成一图片嵌入特征提取器；
步骤S3，将待分析的图片数据集输入到图片嵌入特征提取器中，输出图片数据集中的每一张图片对应的图片嵌入特征；
步骤S4，根据每张图片对应的图片嵌入特征，并利用渐进式聚类算法，对图片数据集进行迭代聚类分析，最终输出对图片数据集的聚类分析结果。
上述技术方案中，深度度量学习网络的网络结构为现有的网络结构，而且通过深度度量学习网络训练图片嵌入特征提取器的方法为现有的训练方法，所以关于对图片嵌入特征提取器的训练过程在此不作阐述。
步骤S3中，通过图片嵌入特征提取器提取待分析的图片数据集中的各张图片对应的图片嵌入特征向量feat的方法过程并非本发明要求权利保护的范围，所以嵌入特征向量feat提取过程在此不作阐述。
步骤S4中，具体地，根据每张图片对应的图片嵌入特征向量feat，并优选利用K-means聚类分析法或层次聚类算法对待分析的图片数据集进行迭代聚类分析，请参照图2，迭代聚类分析的具体过程包括如下步骤：
步骤S41，设定每次迭代聚类的聚类簇数目的上限m、聚类簇对应的类平均轮廓系数阈值t、每个聚类簇的簇内图片数据量的上限num_max以及下限num_min和迭代计算次数itermax；
步骤S42，根据图片数据集中的每张图片对应的图片嵌入特征向量feat，并利用渐进式聚类算法，获取图片数据集中的聚类簇；
步骤S43，计算每一个聚类簇中的各样本点对应的样本轮廓系数S，并根据各样本点对应的样本轮廓系数S计算每一个聚类簇对应的簇内平均轮廓系数mS；
步骤S44，基于各聚类簇对应的对应的簇内平均轮廓系数mS、预设的类平均轮廓系数阈值t和簇内图片数据量对步骤S42获取的各聚类簇进行筛选；
步骤S45，将步骤S44筛选得到的各聚类簇中的簇内图片对应的图片分类标签重置为-1；
步骤S46，计算经步骤S45标签重置后的各聚类簇中的簇内图片的数量n；
步骤S47，根据当前的迭代聚类次数和步骤S46计算得到的各聚类簇中的簇内图片的数量n，调整迭代聚类分析策略，直至完成对图片数据集中的所有聚类簇中的各簇内图片的标签重置过程，并得到一对图片数据集的标签重置结果；
步骤S48，根据标签重置结果，对步骤S43计算的每个聚类簇对应的簇内平均轮廓系数mS进行更新；
步骤S49，判断更新后的簇内平均轮廓系数mS是否大于一预设阈值，
若是，则将该簇内平均轮廓系数mS对应的聚类簇确定为有效聚类簇；
若否，则将该簇内平均轮廓系数mS对应的聚类簇确定为无效聚类簇；
步骤S50，将步骤S49得到的判断结果作为聚类分析结果输出。
聚类分析结果包括迭代聚类得到各聚类簇中的各样本点对应的样本轮廓系数、聚类簇对应的类平均轮廓系数和各聚类簇的数目。优选情况下，还可根据迭代聚类分析结果中的聚类簇数目和无效聚类簇数目，分析得到图片数据集的噪声比或样本多样性占比。
更优选地，还可输出聚类分析结果中的有效聚类簇中的簇内图片，以聚类结果更加直观的展示给用户。
上述的步骤S49中的所述预设阈值优选为0.01，也就是，当更新后的簇内平均轮廓系数mS大于0.01时，将该簇内平均轮廓系数mS对应的聚类簇确定为有效聚类簇，否则确定为无效聚类簇。
上述技术方案中，需要说明的是，步骤S42中，优选通过K-means聚类分析方法或层次聚类算法获取图片数据集中的聚类簇。通过K-means聚类分析方法或层次聚类算法获取图片数据集中的聚类簇的方法为现有的方法，所以对于聚类簇的具体获取过程在此不作阐述。
步骤S43中，利用聚类分析算法计算样本轮廓系数S和簇内平均轮廓系数mS的方法均为现有技术，在此不作阐述。
步骤S44中，筛选聚类簇的方法具体为；
当聚类簇对应的簇内平均轮廓系数mS小于预设的类平均轮廓系数阈值t，并且聚类簇内的簇内图片数据量(簇内图片数量)大于预设的簇内图片数据量的上限num_max或小于预设的簇内图片数据量的下限num_min时，将该聚类簇作为被筛选对象筛选出来。
请参照图3，作为一种优选的迭代聚类分析方法，步骤S47中，调整迭代聚类分析策略的具体方法过程包括如下步骤：
步骤S471，判断当前的迭代聚类次数是否大于1且小于预设的迭代计算次数itermax，
若是，则进入步骤S472；
若否，则终止迭代聚类分析过程；
步骤S472，判断当前的迭代聚类次数是否等于1，且当前迭代聚类分析计算的聚类簇中的簇内图片的数量是否等于图片数据集中的图片总数量，
若是，则终止迭代聚类分析过程，并提示用户调整预设参数；
若否，则进入步骤S473；
步骤S473，判断当前迭代聚类分析计算的聚类簇中的簇内图片的数量n是否小于或等于上一次迭代聚类分析计算的同一个聚类簇中的簇内图片的数量，
若是，则进入步骤S474；
若否，则终止迭代聚类分析过程；
步骤S474，判断当前迭代聚类分析计算的聚类簇中的簇内图片的数量n是否等于上一次迭代聚类分析计算的同一个聚类簇中的簇内图片的数量，
若是，则提示用户减小每次迭代聚类的聚类簇数目的上限m，并返回步骤S42重新进行迭代聚类分析；
若否，则进入步骤S475；
步骤S475，判断当前迭代聚类分析计算的聚类簇中的簇内图片的数量n是否小于上一次迭代聚类分析计算的同一个聚类簇中的簇内图片数量，
若是，则返回步骤S43重新进行迭代聚类分析；
若否，则终止迭代聚类分析过程。
上述技术方案中，步骤S48中，利用K-means聚类分析算法或层次分析算法更新簇内平均轮廓系数mS的方法为现有的方法，所以更新簇内平均轮廓系数mS的过程在此不作阐述。
另外，为了便于后期对聚类分析结果的进一步分析、查看，更优选地，可以计算每一聚类簇对应的平均特征向量meanfeat，并通过余弦距离检索得到最相近图片并保存为每一类的样例图片。
需要声明的是，上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白，还可以对本发明做各种修改、等同替换、变化等等。但是，这些变换只要未背离本发明的精神，都应在本发明的保护范围之内。另外，本申请说明书和权利要求书所使用的一些术语并不是限制，仅仅是为了便于描述。
Claims (5)
1.一种基于深度度量学习的图片数据迭代聚类分析方法，其特征在于，包括如下步骤：
步骤S1，获取多组带有图片分类标签的样本图片数据集；
步骤S2，将各所述样本图片数据集作为一深度度量学习网络的输入，训练形成一图片嵌入特征提取器；
步骤S3，将待分析的图片数据集输入到所述图片嵌入特征提取器中，输出所述图片数据集中的每一张图片对应的图片嵌入特征向量feat；
步骤S4，根据每张所述图片对应的所述图片嵌入特征向量feat，并利用渐进式聚类算法，对所述图片数据集进行迭代聚类分析，最终输出对所述图片数据集的聚类分析结果；
所述步骤S4中，对所述图片数据集进行迭代聚类分析的过程具体包括如下步骤：
步骤S41，设定每次迭代聚类的聚类簇数目的上限m、聚类簇对应的类平均轮廓系数阈值t、每一个所述聚类簇的簇内图片数据量的上限num_max以及下限num_min和迭代计算次数itermax；
步骤S42，根据所述图片数据集中的每张所述图片对应的所述图片嵌入特征向量feat，并利用所述渐进式聚类算法，获取所述图片数据集的聚类簇；
步骤S43，计算每一个所述聚类簇中的各样本点对应的样本轮廓系数S，并根据各样本点对应的所述样本轮廓系数S计算每一个所述聚类簇对应的簇内平均轮廓系数mS；
步骤S44，基于各所述聚类簇对应的所述簇内平均轮廓系数mS、预设的所述类平均轮廓系数阈值t和所述簇内图片数据量对所述步骤S42获取的各所述聚类簇进行筛选；
步骤S45，将所述步骤S44筛选得到的各所述聚类簇中的簇内图片对应的所述图片分类标签重置为-1；
步骤S46，计算经所述步骤S45标签重置后的各所述聚类簇中的所述簇内图片的数量n；
步骤S47，根据当前的迭代聚类次数和所述步骤S46计算得到的各所述聚类簇中的所述簇内图片的数量n，调整迭代聚类分析策略，直至完成对所述图片数据集中的所有所述聚类簇中的各所述簇内图片的标签重置过程，并得到一对所述图片数据集的标签重置结果；
步骤S48，根据所述标签重置结果，对所述步骤S43计算的每个所述聚类簇对应的所述簇内平均轮廓系数mS进行更新；
步骤S49，判断更新后的所述簇内平均轮廓系数mS是否大于一预设阈值，
若是，则将所述簇内平均轮廓系数mS对应的所述聚类簇确定为有效聚类簇；
若否，则将所述簇内平均轮廓系数mS对应的所述聚类簇确定为无效聚类簇；
步骤S50，将所述步骤S49得到的判断结果作为所述聚类分析结果输出。
2.如权利要求1所述的图片数据迭代聚类分析方法，其特征在于，所述步骤S4中的所述渐进式聚类算法为K-means聚类分析算法或层次聚类法。
3.如权利要求1所述的图片数据迭代聚类分析方法，其特征在于，所述步骤S49中的所述预设阈值为0.01。
4.如权利要求1所述的图片数据迭代聚类分析方法，其特征在于，所述步骤S44中，筛选所述聚类簇的方法具体为：
当所述聚类簇对应的所述簇内平均轮廓系数mS小于预设的所述类平均轮廓系数阈值t，并且所述聚类簇内的所述簇内图片数据量大于预设的所述簇内图片数据量的上限num_max或小于预设的所述簇内图片数据量的下限num_min时，将所述聚类簇作为被筛选对象筛选出来。
5.如权利要求1所述的图片数据迭代聚类分析方法，其特征在于，所述步骤S47中，调整所述迭代聚类分析策略的具体方法过程包括如下步骤：
步骤S471，判断当前的所述迭代聚类次数是否大于或等于1且小于预设的所述迭代计算次数itermax，
若是，则进入步骤S472；
若否，则终止迭代聚类分析过程；
步骤S472，判断当前的所述迭代聚类次数是否等于1，且当前迭代聚类分析计算的所述聚类簇中的所述簇内图片的数量n是否等于所述图片数据集中的所述图片的总数量，
若是，则终止迭代聚类分析过程，并提示用户调整预设参数；
若否，则进入步骤S473；
步骤S473，判断当前迭代聚类分析计算的所述聚类簇中的所述簇内图片的数量n是否小于或等于上一次迭代聚类分析计算的同一个所述聚类簇中的所述簇内图片的数量，
若是，则进入步骤S474；
若否，则终止迭代聚类分析过程；
步骤S474，判断当前迭代聚类分析计算的所述聚类簇中的所述簇内图片的数量n是否等于上一次迭代聚类分析计算的同一个所述聚类簇中的所述簇内图片的数量，
若是，则提示所述用户减小每次迭代聚类的所述聚类簇数目的上限m，并返回所述步骤S42重新进行迭代聚类分析；
若否，则进入步骤S475；
步骤S475，判断当前迭代聚类分析计算的所述聚类簇中的所述簇内图片的数量n是否小于上一次迭代聚类分析计算的同一个所述聚类簇中的所述簇内图片的数量，
若是，则返回所述步骤S43重新进行迭代聚类分析；
若否，则终止迭代聚类分析过程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911305652.5A CN111126470B (zh) | 2019-12-18 | 2019-12-18 | 基于深度度量学习的图片数据迭代聚类分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911305652.5A CN111126470B (zh) | 2019-12-18 | 2019-12-18 | 基于深度度量学习的图片数据迭代聚类分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111126470A CN111126470A (zh) | 2020-05-08 |
| CN111126470B true CN111126470B (zh) | 2023-05-02 |
Family
ID=70498383
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911305652.5A Active CN111126470B (zh) | 2019-12-18 | 2019-12-18 | 基于深度度量学习的图片数据迭代聚类分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111126470B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111930983B (zh) * | 2020-08-18 | 2023-09-22 | 创新奇智(成都)科技有限公司 | 一种图像检索方法、装置、电子设备及存储介质 |
| CN112015937B (zh) * | 2020-08-31 | 2024-01-19 | 核工业北京地质研究院 | 一种图片地理定位方法及系统 |
| CN112465020B (zh) * | 2020-11-25 | 2023-04-07 | 创新奇智(合肥)科技有限公司 | 训练数据集的生成方法及装置、电子设备、存储介质 |
| CN112529085A (zh) * | 2020-12-16 | 2021-03-19 | 上海零眸智能科技有限公司 | 一种基于聚类的分类数据快速处理方法 |
| CN112990377B (zh) * | 2021-05-08 | 2021-08-13 | 创新奇智(北京)科技有限公司 | 视觉类别的发现方法及装置、电子设备、存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104392253A (zh) * | 2014-12-12 | 2015-03-04 | 南京大学 | 一种草图数据集的交互式类别标注方法 |
| CN106021406A (zh) * | 2016-05-12 | 2016-10-12 | 南京大学 | 一种数据驱动的迭代式图像在线标注方法 |
| CN106845528A (zh) * | 2016-12-30 | 2017-06-13 | 湖北工业大学 | 一种基于K‑means与深度学习的图像分类算法 |
| CN106897390A (zh) * | 2017-01-24 | 2017-06-27 | 北京大学 | 基于深度度量学习的目标精确检索方法 |
| CN108764281A (zh) * | 2018-04-18 | 2018-11-06 | 华南理工大学 | 一种基于半监督自步学习跨任务深度网络的图像分类方法 |
| CN109034248A (zh) * | 2018-07-27 | 2018-12-18 | 电子科技大学 | 一种基于深度学习的含噪声标签图像的分类方法 |
| CN109635708A (zh) * | 2018-12-06 | 2019-04-16 | 中山大学 | 一种基于三数据集交叉迁移学习的无监督行人再识别方法 |
| CN109635754A (zh) * | 2018-12-17 | 2019-04-16 | 四川师范大学 | 基于非线性耦合度量学习的步态特征融合方法 |
| CN110413924A (zh) * | 2019-07-18 | 2019-11-05 | 广东石油化工学院 | 一种半监督多视图学习的网页分类方法 |
| WO2019232891A1 (zh) * | 2018-06-06 | 2019-12-12 | 平安科技（深圳）有限公司 | 用户画像获取方法、装置、计算机设备以及存储介质 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8935223B2 (en) * | 2009-04-30 | 2015-01-13 | Oracle International Corporation | Structure of hierarchical compressed data structure for tabular data |
| CN103415859A (zh) * | 2010-12-29 | 2013-11-27 | 汤姆逊许可公司 | 用于人脸注册的方法 |
| US9031331B2 (en) * | 2012-07-30 | 2015-05-12 | Xerox Corporation | Metric learning for nearest class mean classifiers |
| JP7316270B2 (ja) * | 2017-06-19 | 2023-07-27 | インビタエ コーポレイション | 統合算出および実験的深層変異学習フレームワークを介した遺伝子およびゲノム変異体の解釈 |
| CN108681731A (zh) * | 2018-04-03 | 2018-10-19 | 中山大学 | 一种甲状腺癌症超声图片自动标注方法及系统 |
| CN109840466A (zh) * | 2018-12-05 | 2019-06-04 | 华南理工大学 | 基于聚类及全局/局部距离综合的多重度量学习方法 |
| CN109902662B (zh) * | 2019-03-20 | 2023-10-24 | 中山大学 | 一种行人重识别方法、系统、装置和存储介质 |
-
2019
- 2019-12-18 CN CN201911305652.5A patent/CN111126470B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104392253A (zh) * | 2014-12-12 | 2015-03-04 | 南京大学 | 一种草图数据集的交互式类别标注方法 |
| CN106021406A (zh) * | 2016-05-12 | 2016-10-12 | 南京大学 | 一种数据驱动的迭代式图像在线标注方法 |
| CN106845528A (zh) * | 2016-12-30 | 2017-06-13 | 湖北工业大学 | 一种基于K‑means与深度学习的图像分类算法 |
| CN106897390A (zh) * | 2017-01-24 | 2017-06-27 | 北京大学 | 基于深度度量学习的目标精确检索方法 |
| CN108764281A (zh) * | 2018-04-18 | 2018-11-06 | 华南理工大学 | 一种基于半监督自步学习跨任务深度网络的图像分类方法 |
| WO2019232891A1 (zh) * | 2018-06-06 | 2019-12-12 | 平安科技（深圳）有限公司 | 用户画像获取方法、装置、计算机设备以及存储介质 |
| CN109034248A (zh) * | 2018-07-27 | 2018-12-18 | 电子科技大学 | 一种基于深度学习的含噪声标签图像的分类方法 |
| CN109635708A (zh) * | 2018-12-06 | 2019-04-16 | 中山大学 | 一种基于三数据集交叉迁移学习的无监督行人再识别方法 |
| CN109635754A (zh) * | 2018-12-17 | 2019-04-16 | 四川师范大学 | 基于非线性耦合度量学习的步态特征融合方法 |
| CN110413924A (zh) * | 2019-07-18 | 2019-11-05 | 广东石油化工学院 | 一种半监督多视图学习的网页分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111126470A (zh) | 2020-05-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111126470B (zh) | 基于深度度量学习的图片数据迭代聚类分析方法 | |
| CN108288051B (zh) | 行人再识别模型训练方法及装置、电子设备和存储介质 | |
| CN107506761B (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 | |
| CN107633522B (zh) | 基于局部相似性活动轮廓模型的脑部图像分割方法和系统 | |
| CN111461238B (zh) | 模型训练方法、字符识别方法、装置、设备及存储介质 | |
| CN111553127A (zh) | 一种多标记的文本类数据特征选择方法及装置 | |
| CN111160095B (zh) | 基于深度自编码器网络的无偏人脸特征提取分类方法及系统 | |
| CN108764084A (zh) | 基于空域分类网络和时域分类网络融合的视频分类方法 | |
| CN112215831B (zh) | 一种用于人脸图像质量的评价方法和系统 | |
| CN113705383A (zh) | 一种基于三元约束的跨年龄人脸识别方法及系统 | |
| CN114821299B (zh) | 一种遥感图像变化检测方法 | |
| CN117237279A (zh) | 一种非均匀失真全景图像盲质量评价方法及系统 | |
| CN115440196A (zh) | 基于用户面部表情的语音识别方法、装置、介质及设备 | |
| CN112396605B (zh) | 网络训练方法及装置、图像识别方法和电子设备 | |
| CN111553250B (zh) | 一种基于人脸特征点的精准面瘫程度评测方法及装置 | |
| CN112836611A (zh) | 确定身体部位语义图、模型训练和行人重识别方法及设备 | |
| CN116664932A (zh) | 一种基于主动学习的结直肠癌病理组织图像分类方法 | |
| US20220300767A1 (en) | Neural network of predicting image definition, training method and prediction method | |
| CN115272203A (zh) | 一种基于深度学习的无参考图像质量评价方法 | |
| CN111079717B (zh) | 一种基于强化学习的人脸识别方法 | |
| CN111382703B (zh) | 一种基于二次筛选与分数融合的指静脉识别方法 | |
| CN113283578A (zh) | 一种基于标记风险控制的数据去噪方法 | |
| CN114863242B (zh) | 一种面向图像识别的深度学习网络的优化方法及系统 | |
| CN117727053B (zh) | 一种多类别汉字单样本字体识别方法 | |
| CN112861999B (zh) | 一种基于主动半监督字典学习的图像分类方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |