CN111160553B - 一种新的领域自适应学习方法 - Google Patents

一种新的领域自适应学习方法 Download PDF

Info

Publication number
CN111160553B
CN111160553B CN201911342565.7A CN201911342565A CN111160553B CN 111160553 B CN111160553 B CN 111160553B CN 201911342565 A CN201911342565 A CN 201911342565A CN 111160553 B CN111160553 B CN 111160553B
Authority
CN
China
Prior art keywords
classification
task
target field
model
loss
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
Application number
CN201911342565.7A
Other languages
English (en)
Other versions
CN111160553A (zh
Inventor
肖良
许娇龙
商尔科
赵大伟
朱琪
聂一鸣
戴斌
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.)
National Defense Technology Innovation Institute PLA Academy of Military Science
Original Assignee
National Defense Technology Innovation Institute PLA Academy of Military Science
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 National Defense Technology Innovation Institute PLA Academy of Military Science filed Critical National Defense Technology Innovation Institute PLA Academy of Military Science
Priority to CN201911342565.7A priority Critical patent/CN111160553B/zh
Publication of CN111160553A publication Critical patent/CN111160553A/zh
Application granted granted Critical
Publication of CN111160553B publication Critical patent/CN111160553B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Image Analysis (AREA)

Abstract

提本发明属于新一代信息技术领域自适应学习技术领域，提出了一种新的领域自适应学习方法，该方法面向图像分类任务，不需要复杂的对抗学习，而是通过一个目标领域图像旋转预测的辅助分类任务和目标领域无标记样本插值后预测结果一致性约束，构建多任务学习模型，最终学习得到适用于目标领域的特征和适用于目标领域数据分布的分类模型。本发明不依赖目标领域样本标注的情况下学习得到适用于目标领域的分类器，大大降低了在测试数据分布发生变化时手工标注样本的压力。本发明结合目标领域样本的插值一致性先验和目标领域无标记样本的旋转角度预测这一辅助任务进行多任务学习，既能学习到适用于目标领域的特征，又能确保分类边界在目标领域数据分布中处在合适位置，能够有效提高目标领域的分类性能。

Description

一种新的领域自适应学习方法
技术领域
本发明涉及领域自适应深度学习领域，特别是面向图像分类的领域自适应深度学习方法。
背景技术
目前大多数深度学习方法采用监督学习，通过手工标记大量的样本进行模型训练。但是，手工标注样本十分耗费体力，成本高昂。此外，标记的训练样本和真实的测试样本之间很有可能存在分布不同的问题，这种情况下，训练的模型在测试数据上的性能往往会急剧下降。
领域自适应学习就是一种为了解决由于训练数据和测试数据的分布不同导致机器学习性能下降而提出了一种迁移学习方法。领域自适应学习利用源领域的标注数据学习得到目标领域依然适用的模型。根据目标领域数据是否有标注信息，领域自适应学习可以分为有监督领域自适应学习、半监督领域自适应学习和无监督领域自适应学习。无监督领域自适应学习由于完全不依赖目标领域数据标注信息而应用更加广泛。近年来，深度学习快速发展并在计算机视觉领域取得空前成功。最近提出的领域自适应学习方法也大都采用深度神经网络模型，这些深度领域自适应学习方法可以分为两类，一类是基于最小化差异(discrepancy)的方法，这些方法通过最小化源领域和目标领域的特征之间的差异实现领域不变特征学习。另一类方法是基于对抗学习(adversarial learning)的方法，这类方法通过最小最大化博弈，学习一个领域判别器实现对源领域和目标领域的鉴别，同时学习一个特征提取器(生成器)迷惑之前的领域判别器，当最小最大化优化达到均衡时可以实现领域特征的对齐。这两类方法存在的问题是优化目标和训练过程较为复杂。
自监督学习是近年来发展迅速的一类机器学习方法，它通过设置不依赖手工标注的辅助任务，学习得到适用于下游任务的特征。文献(Revisiting Self-SupervisedVisual Representation Learning,Alexander Kolesnikov,CVPR2019)证明，自监督学习是一种有效的特征学习方法。基于自监督学习的思想，文献(Self-Supervised DomainAdaptation for Computer Vision Tasks,Jiaolong Xu,IEEE Access 2019(7):156694-156706)和专利(201910139916.8)提出一种自监督领域自适应学习方法，利用目标领域的图像旋转预测这一辅助任务学习适用于目标领域的特征，能够有效提升模型在目标领域数据上的性能。
文献(Self-Ensembling For Visual Domain Adaptation,Geoff French,ICLR18)提出了一种基于自集成的领域自适应方法，这种方法利用训练过程中不同迭代获得的模型的参数均值(自集成)作为教师模型，同时对目标领域的无标记样本进行随机增广，利用增广后样本在教师模型和学生模型上的预测的一致性作为监督信号，以学习适用于目标领域的模型。
上述文献记载的方法挖掘了目标领域无标记样本的自监督信息，通过辅助任务构建多任务学习系统，能够学习到适用于目标领域的特征，但是这两种方法没有显式地考虑目标领域的聚类假设，也就是在目标领域的数据分布中，相近的样本很可能具有相同的类别，导致学习得到的分类边界可能存在不合理现象。
发明内容
本发明的目的是解决自监督领域自适应学习方法中欠缺对目标领域的聚类假设，从而造成学习得到的分类边界不合理的技术问题。
为达到上述目的解决上述技术问题，本发明提出一种新的领域自适应学习方法，该方法的技术方案包括如下步骤：
S1.准备源领域有标记样本集Ds(x,y)和目标领域无标记样本集Dt(x)；
S2.构建主任务深度卷积神经网络分类模型fθ(x)，该模型由特征提取网络
Figure BDA0002331851620000025
和分类网络
Figure BDA0002331851620000021
级联而成，即
Figure BDA0002331851620000022
其中θ＝{θv,θc}为可训练的参数；
S3.构建四类旋转预测辅助分类模型
Figure BDA0002331851620000023
该模型与主任务分类模型共享特征提取网络g及其参数θv，辅助分类网络
Figure BDA0002331851620000024
级联在特征提取网络后端，用于对图像的旋转角度进行预测；
S4.构建由源领域有监督分类任务、目标领域无标记样本插值一致性任务和目标领域样本旋转预测任务组成的多任务学习模型并在Ds(x,y)和Dt(x)上进行训练，以获取主任务分类模型的最优参数θ*；
S4.1.确定训练的迭代次数T、移动平均系数α、[0,1]之间的随机分布Q；
S4.2.初始化网络参数Θ＝{θv,θc,θa}，初始化主任务分类模型θ＝{θv,θc}的移动均值：θ′∶＝θ；
S4.3.利用随机梯度下降法进行迭代，更新模型参数；
S4.3.1.从源领域样本集Ds(x,y)中采集小批量样本
Figure BDA0002331851620000031
S4.3.2.计算源领域小批量样本的主任务分类损失
Figure BDA0002331851620000032
其中损失函数可采用交叉熵损失
Figure BDA0002331851620000033
进行计算。
S4.3.3.从目标领域数据集Dt(x)采样两组无标记小批量样本
Figure BDA0002331851620000034
Figure BDA0002331851620000035
S4.3.4.利用主分类网络的均值教师模型计算目标领域样本的伪标记
Figure BDA0002331851620000036
S4.3.5.从随机分布Q中采样插值系数λ；
S4.3.6.计算样本和预测的插值，样本插值的计算方法为：
Figure BDA0002331851620000037
预测的伪标记插值结果为：
Figure BDA0002331851620000038
S4.3.7.计算插值一致性损失
Figure BDA0002331851620000039
具体可采用均值平方误差
Figure BDA00023318516200000310
进行计算。
S4.3.8.将目标领域的样本集
Figure BDA00023318516200000311
中的样本随机旋转0°、90°、180°或270°，构建辅助分类任务样本集
Figure BDA00023318516200000312
表示四种不同的旋转角度；
S4.3.9.计算目标领域样本的辅助分类任务损失
Figure BDA0002331851620000041
其中损失函数可采用交叉熵损失
Figure BDA0002331851620000042
进行计算。
S4.3.10.根据主任务分类损失、插值一致性损失和辅助任务分类损失计算总损失:
Figure BDA0002331851620000043
其中
Figure BDA0002331851620000044
和
Figure BDA0002331851620000045
为权重参数；
进一步的，
Figure BDA0002331851620000046
和
Figure BDA0002331851620000047
设置为常数或函数。
S4.3.11计算总损失L相对模型参数Θ的梯度；
S4.3.12.更新主任务分类模型参数的移动平均值
θ′∶＝αθ′+(1-α)θ； (12)
S4.3.13.利用随机梯度下降法更新模型参数Θ；
S5.利用最优测试模型
Figure BDA0002331851620000048
对目标领域的图像进行分类。
与现有技术相比，本发明有效收益在于：
(1)本发明在不依赖目标领域样本标注的情况下学习得到适用于目标领域的分类器，大大降低了在测试数据分布发生变化时手工标注样本的压力。
(2)本发明结合目标领域样本的插值一致性先验和目标领域无标记样本的旋转角度预测这一辅助任务进行多任务学习，既能学习到适用于目标领域的特征，又能确保分类边界在目标领域数据分布中处在合适位置，能够有效提高目标领域的分类性能。
附图说明
图1是本发明的流程示意图；
图2是本发明中主任务分类模型和辅助任务分类模型示意图；
图3是本发明中多任务学习的损失函数示意图。
具体实施方式
本发明提出一种新的领域自适应学习方法，该方法面向图像分类任务，不需要复杂的对抗学习，而是通过一个目标领域图像旋转预测的辅助分类任务和目标领域无标记样本插值后预测结果一致性约束，构建多任务学习模型，最终学习得到适用于目标领域的特征和适用于目标领域数据分布的分类模型。
下面结合附图和实施例对本发明作进一步的详细描述，本实例采用MNIST数据集作为源领域数据集,MNIST数据集为来自NIST(National Institute of Standards andTechnology,美国国家标准与技术研究所)的手写数据集，包括0～9一共10个类别，图像为分辨率为28*28；采用USPS(US Postal Servers,美国邮政服务)手写数据集作为目标领域数据集，该数据集同样包含0～9共10个类别，图像分辨率为16*16。本发明的实现流程如附图1所示。
第一步，收集源领域有标记训练样本集Ds(x,y)和目标领域无标记训练样本集Dt(x)，其中标记y采用one-hot向量表示，为了使神经网络分类模型能有同时应用于源领域和目标领域，需要对图像进行预处理，因此将USPS数据集的图像尺寸利用双线性插值上采样至与MNIST数据集一致；
第二步，如图2所示，根据主分类任务中输入图像的尺寸和类别数等特点，构造深度卷积神经网络分类模型，本实施例中，输入图像分辨率较小，类别为0～9一共10类手写数字，任务相对较为简单，所以可以采取层数较少的网络模型，例如可以采用7层的LeNet5网络，前6层为特征提取网络
Figure BDA0002331851620000057
(参数为θv)，最后一层为10类softmax输出层
Figure BDA0002331851620000053
(参数为θc)，并将该级联网络模型
Figure BDA0002331851620000054
记为fθ(x)，其中θ＝{θv,θc}；
第三步，如图2所示，构造四类旋转预测辅助分类网络，该网络与主分类网络LeNet5共用前6层特征提取网络
Figure BDA0002331851620000055
(共享参数θv)，之后在连接一层4类输出的softmax层
Figure BDA0002331851620000056
(参数为θa)；
第四步，构建由源领域有监督分类任务、目标领域无标记样本插值一致性任务和目标领域样本旋转预测任务组成的多任务学习模型并在Ds(x,y)和Dt(x)上进行训练，获取主任务分类模型最优参数
Figure BDA0002331851620000051
该步骤通过以下分步骤实现。
1、确定训练的迭代次数T，移动平均系数α，[0,1]之间的随机分布Q；
2、随机初始化模型参数Θ＝{θv,θc,θa}，初始化θ的移动均值：θ′∶＝θ；
3、利用随机梯度下降法进行T次迭代，更新模型参数Θ；
上述第3小步中，需要通过T次迭代对模型参数进行训练，训练的损失函数计算如图3所示，每次迭代t包括如下步骤：
1)从源领域样本集Ds(x,y)中采集小批量样本
Figure BDA0002331851620000052
2)利用前向传播计算源领域小批量样本的主任务分类损失
Figure BDA0002331851620000061
可选地，主任务分类损失可以采用交叉熵损失函数
Figure BDA0002331851620000062
其中M为主分类任务的总类别数，对于MNIST手写数字识别，M＝10；
3)从目标领域样本集Dt(x)采样两组无标记小批量样本
Figure BDA0002331851620000063
Figure BDA0002331851620000064
4)利用主分类模型的均值教师模型计算目标领域样本的伪标记
Figure BDA0002331851620000065
此处采用均值教师模型的作用是相比当前迭代的模型，均值教师模型可以获得更加温和的正则；
5)从随机分布Q采样插值系数λ；
6)计算样本和伪标记的插值，样本插值的计算方法为：
Figure BDA0002331851620000066
伪标记的插值结果为：
Figure BDA0002331851620000067
7)根据样本插值和伪标记的插值结果计算插值一致性损失：
Figure BDA0002331851620000068
可选地，一致性损失采用均值平方误差
Figure BDA0002331851620000069
8)将目标领域的样本集
Figure BDA00023318516200000610
中的样本随机旋转0°、90°、180°或270°，构建辅助分类任务样本集
Figure BDA00023318516200000611
Figure BDA00023318516200000612
为随机旋转后的图像，
Figure BDA00023318516200000613
表示四种不同的旋转角度，在计算过程中采用one-hot向量表示；
9)利用旋转后的图像在辅助分类网络上前向传播，计算辅助分类任务损失
Figure BDA00023318516200000614
可选地，辅助分类任务损失可以采用交叉熵损失函数
Figure BDA0002331851620000071
10)根据主任务分类损失、插值一致性损失和辅助任务分类损失计算总损失
Figure BDA0002331851620000072
其中
Figure BDA0002331851620000073
和
Figure BDA0002331851620000074
为一致性损失的和辅助分类任务损失的权重系数，可以设置为常数，也可以设置为函数，例如将
Figure BDA0002331851620000075
采用斜坡函数，随着迭代次数t的增加逐步加大一致性损失的权重；
11)利用反向传播算法计算总损失相对模型参数Θ的梯度
Figure BDA0002331851620000076
12)更新主任务模型参数的移动平均值
θ′∶＝αθ′+(1-α)θ (12)
13)利用随机梯度下降法更新模型参数Θ，参数更新方式为：
Figure BDA0002331851620000077
其中γt为当前迭代t的学习率。
第五步，选取最优模型应用于目标领域的图像并计算分类结果。
虽然本发明已通过实施例进行了描述，然而本发明并非局限于这里所描述的实施例，在不脱离本发明所做出的各种改变以及变化仍属于本发明的范围。

Claims (5)

1.一种新的领域自适应学习方法，其特征在于，包含如下步骤：
S1.准备源领域有标记样本集Ds(x,y)和目标领域无标记样本集Dt(x)；
S2.构建主任务深度卷积神经网络分类模型fθ(x)，该模型由特征提取网络
Figure FDA0003793506620000011
和分类网络
Figure FDA0003793506620000012
级联而成，即
Figure FDA0003793506620000013
其中θ＝{θv,θc}为可训练的参数；
S3.构建四类旋转预测辅助分类模型
Figure FDA0003793506620000014
该模型与主任务分类模型共享特征提取网络g及其参数θv，辅助分类网络
Figure FDA0003793506620000015
级联在特征提取网络后端，用于对图像的旋转角度进行预测；
S4.构建由源领域有监督分类任务、目标领域无标记样本插值一致性任务和目标领域样本旋转预测任务组成的多任务学习模型并在Ds(x,y)和Dt(x)上进行训练，以获取主任务分类模型的最优参数θ*；
S4.1.确定训练的迭代次数T，移动平均系数α，[0,1]之间的随机分布Q；
S4.2.初始化网络参数Θ＝{θv,θc,θa}，初始化主任务分类模型θ＝{θv,θc}的移动均值：θ'∶＝θ；
S4.3.利用随机梯度下降法进行迭代，更新模型参数；
S4.3.1.从源领域样本集Ds(x,y)中采集数量为Bs的小批量样本
Figure FDA0003793506620000016
Figure FDA0003793506620000017
S4.3.2.计算源领域小批量样本的主任务分类损失：
Figure FDA0003793506620000018
S4.3.3.从目标领域数据集Dt(x)采样两组数量为Bt的无标记小批量样本
Figure FDA0003793506620000019
S4.3.4.利用主分类网络的均值教师模型计算目标领域样本的伪标记
Figure FDA00037935066200000110
S4.3.5.从随机分布Q采样插值系数λ；
S4.3.6.计算样本和预测的插值，样本插值的计算方法为：
Figure FDA00037935066200000111
预测的伪标记插值结果为：
Figure FDA0003793506620000021
S4.3.7.计算插值一致性损失
Figure FDA0003793506620000022
S4.3.8.将目标领域的样本集
Figure FDA0003793506620000023
中的样本随机旋转0°、90°、180°或270°，构建辅助分类任务样本集
Figure FDA0003793506620000024
表示四种不同的旋转角度；
S4.3.9.计算目标领域样本的辅助分类任务损失
Figure FDA0003793506620000025
S4.3.10.根据主任务分类损失、插值一致性损失和辅助任务分类损失计算总损失:
Figure FDA0003793506620000026
其中
Figure FDA0003793506620000027
和
Figure FDA0003793506620000028
为权重参数；
S4.3.11计算总损失L相对模型参数Θ的梯度；
S4.3.12.更新主任务分类模型参数的移动平均值
θ′：＝αθ′+(1-α)θ； (12)
S4.3.13.利用随机梯度下降法更新模型参数Θ；
S5.利用最优测试模型
Figure FDA0003793506620000029
对目标领域的图像进行分类。
2.根据权利 要求1所述的一种新的领域自适应学习方法，其特征在于，所述步骤S4.3.2.中的主任务分类损失可采用交叉熵损失函数
Figure FDA00037935066200000210
进行计算。
3.根据权利 要求1所述的一种新的领域自适应学习方法，其特征在于，所述步骤S4.3.7中的插值一致性损失可采用均值平方误差
Figure FDA00037935066200000211
进行计算。
4.根据权利 要求1所述的一种新的领域自适应学习方法，其特征在于，所述步骤S4.3.9中的辅助分类任务损失可采用交叉熵损失函数
Figure FDA00037935066200000212
进行计算。
5.根据权利 要求1-4任一权利要求所述的一种新的领域自适应学习方法，其特征在于，所述步骤S4.3.10中，
Figure FDA0003793506620000031
和
Figure FDA0003793506620000032
设置为常数或函数。
CN201911342565.7A 2019-12-23 2019-12-23 一种新的领域自适应学习方法 Active CN111160553B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911342565.7A CN111160553B (zh) 2019-12-23 2019-12-23 一种新的领域自适应学习方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911342565.7A CN111160553B (zh) 2019-12-23 2019-12-23 一种新的领域自适应学习方法

Publications (2)

Publication Number Publication Date
CN111160553A CN111160553A (zh) 2020-05-15
CN111160553B true CN111160553B (zh) 2022-10-25

Family

ID=70558212

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911342565.7A Active CN111160553B (zh) 2019-12-23 2019-12-23 一种新的领域自适应学习方法

Country Status (1)

Country Link
CN (1) CN111160553B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797935B (zh) * 2020-07-13 2023-10-31 扬州大学 基于群体智能的半监督深度网络图片分类方法
CN112116441B (zh) * 2020-10-13 2024-03-12 腾讯科技（深圳）有限公司 金融风险分类模型的训练方法、分类方法、装置及设备
CN112288004A (zh) * 2020-10-28 2021-01-29 香港中文大学（深圳） 一种无需一致性约束的半监督方法及移动终端
GB2608344A (en) 2021-01-12 2022-12-28 Zhejiang Lab Domain-invariant feature-based meta-knowledge fine-tuning method and platform
CN112364945B (zh) * 2021-01-12 2021-04-16 之江实验室 一种基于域-不变特征的元-知识微调方法及平台
CN112949786B (zh) * 2021-05-17 2021-08-06 腾讯科技（深圳）有限公司 数据分类识别方法、装置、设备及可读存储介质
CN114220016B (zh) * 2022-02-22 2022-06-03 山东融瓴科技集团有限公司 面向开放场景下的无人机航拍图像的域自适应识别方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919209B (zh) * 2019-02-26 2020-06-19 中国人民解放军军事科学院国防科技创新研究院 一种领域自适应深度学习方法及可读存储介质
CN110175982B (zh) * 2019-04-16 2021-11-02 浙江大学城市学院 一种基于目标检测的缺陷检测方法
CN110580496A (zh) * 2019-07-11 2019-12-17 南京邮电大学 一种基于熵最小化的深度迁移学习系统及方法

Also Published As

Publication number Publication date
CN111160553A (zh) 2020-05-15

Similar Documents

Publication Publication Date Title
CN111160553B (zh) 一种新的领域自适应学习方法
CN109919108B (zh) 基于深度哈希辅助网络的遥感图像快速目标检测方法
CN108596053B (zh) 一种基于ssd和车辆姿态分类的车辆检测方法和系统
CN110414377B (zh) 一种基于尺度注意力网络的遥感图像场景分类方法
CN107180426B (zh) 基于可迁移的多模型集成的计算机辅助肺结节分类装置
CN109523013B (zh) 基于浅层卷积神经网络的空气颗粒物污染程度估计方法
CN111126488B (zh) 一种基于双重注意力的图像识别方法
CN109671070B (zh) 一种基于特征加权和特征相关性融合的目标检测方法
CN108876796A (zh) 一种基于全卷积神经网络和条件随机场的道路分割系统及方法
CN110633708A (zh) 一种基于全局模型和局部优化的深度网络显著性检测方法
CN114283287B (zh) 基于自训练噪声标签纠正的鲁棒领域自适应图像学习方法
CN109743642B (zh) 基于分层循环神经网络的视频摘要生成方法
Lin et al. Ru-net: Regularized unrolling network for scene graph generation
CN112347970B (zh) 一种基于图卷积神经网络的遥感影像地物识别方法
CN109446894B (zh) 基于概率分割及高斯混合聚类的多光谱图像变化检测方法
CN111985581A (zh) 一种基于样本级注意力网络的少样本学习方法
Isobe et al. Deep convolutional encoder-decoder network with model uncertainty for semantic segmentation
CN112364791B (zh) 一种基于生成对抗网络的行人重识别方法和系统
CN110443257B (zh) 一种基于主动学习的显著性检测方法
CN104091038A (zh) 基于大间隔分类准则的多示例学习特征加权方法
CN106056165A (zh) 一种基于超像素关联性增强Adaboost分类学习的显著性检测方法
CN116110022A (zh) 基于响应知识蒸馏的轻量化交通标志检测方法及系统
CN112084897A (zh) 一种gs-ssd的交通大场景车辆目标快速检测方法
CN115995040A (zh) 一种基于多尺度网络的sar图像小样本目标识别方法
CN113989256A (zh) 遥感图像建筑物的检测模型优化方法及检测方法、装置

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