CN111291787B - 基于正向-多反向协作稀疏表示分类器的图像标注方法 - Google Patents

基于正向-多反向协作稀疏表示分类器的图像标注方法 Download PDF

Info

Publication number
CN111291787B
CN111291787B CN202010057255.7A CN202010057255A CN111291787B CN 111291787 B CN111291787 B CN 111291787B CN 202010057255 A CN202010057255 A CN 202010057255A CN 111291787 B CN111291787 B CN 111291787B
Authority
CN
China
Prior art keywords
image
sparse representation
reverse
collaborative
concept
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
CN202010057255.7A
Other languages
English (en)
Other versions
CN111291787A (zh
Inventor
赵仲秋
刘典
黄德双
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202010057255.7A priority Critical patent/CN111291787B/zh
Publication of CN111291787A publication Critical patent/CN111291787A/zh
Application granted granted Critical
Publication of CN111291787B publication Critical patent/CN111291787B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明公开了一种基于正向‑多反向协作稀疏表示分类器的图像标注方法，该方法包括四个步骤：（1）将无标签图像集分解为多个较小无标签图像集子集，然后在有标签图像集和各个无标签图像子集之间分别执行反向稀疏表示；（2）构建基于无标签图像集多样化分解的正向‑多反向协作稀疏表示分类器模型；（3）基于置信度最小均方误差准则集成优化正向‑多反向协作稀疏表示分类器模型；（4）利用优化后的正向‑多反向协作稀疏表示分类器模型来对检索图像库中图片进行相关性和多样性的标注。本发明对图像或人工类别标签噪声都具有较好鲁棒性，优于其它半监督学习方法。

Description

基于正向-多反向协作稀疏表示分类器的图像标注方法
技术领域
本发明涉及协作稀疏表示的图像自动标注方法，特别涉及一种基于正向-多反向协作稀疏表示分类器的图像标注方法。
背景技术
随着多媒体和互联网技术的高速发展，网络与计算机用户的图像数据呈海量爆炸式增长，同时，图片共享网站也空前繁荣，如何对图像数据进行有效的组织、管理、检索，就成为信息检索领域目前亟需解决的问题，而图像标注则是其中的关键性问题。图像标注是根据图像内容，给图像精确标注语义或概念“标签”，实现从图像的底层特征到高层语义的映射，缩小语义“鸿沟”。然而，人工标注具有工作量大、成本高、主观性强等缺点，因而，需要利用计算机及相关算法和技术，在对图像内容准确分析的基础上，实现图像自动语义标注。
稀疏表示分类器依据在一定稀疏约束下，各类别训练图像对测试图像的重构误差差异进行分类判决，在求得稀疏表示系数基础上，将测试图像判决属于重构误差最小的类别。稀疏表示分类器已被成功应用于图像分类、识别和标注领域。已有的基于稀疏表示分类器的图像分类和标注研究和应用，都以训练(有类别标签)图像为“基”来线性表示测试(无类别标签)图像，构建它们之间语义关联，达到标注测试图像目的。在给定有标签图像集和无标签图像集的情况下，相反方向的稀疏表示，即以无标签图像集来线性表示有标签图像，也能构建它们之间语义关联，达到标注图像目的；以有标签图像来线性表示无标签图像，我们称之为正向稀疏表示，反之，我们称为反向稀疏表示。稀疏性使正反两个方向稀疏表示构建的语义关联具有差异性和互补性，引入协作训练(co-training)，并对正反向稀疏表示进行融合，可构造协作稀疏表示分类器；协作稀疏表示分类方法是一种半监督学习方法，半监督学习在图像标注中仅需要少部分的有标签图像，对降低人工标注工作量尤为重要。但是协作稀疏表示分类方法存在以下问题：
(1)针对人工标注代价高，大样本图像集中有标签图像较少的情况，由于稀疏表示的本质特性即稀疏性，反向稀疏表示只能将少部分无标签图像与有标签图像或其对应“概念”标签进行关联，导致其独立分类和标注能力差，进而降低其与正向稀疏表示的协作训练效果，最终影响协作稀疏表示分类器模型在大样本图像标注中应用。
(2)通过调节相关参数提高稀疏率(稀疏表示系数中非零元素个数占比)可以提高关联密度，但高稀疏率必然导致求解复杂度大幅增加，特别是对于大样本集。
(3)从稀疏表示分类器基本原理来考虑，对不属于任何已知类别(图像集中已有类别)的图像进行稀疏表示时，稀疏系数过于分散，从而造成对该图像的拒识；无标签图像集分解后，如某图像子集中单个“概念”图像过于集中，缺乏多样性，会导致反向稀疏表示对“外来”“概念”图像的“拒识”，不能准确建立无标签图像的“概念”关联。
本发明将针对上述问题提出解决方案，突破已有分类器模型的局限性，依据协作训练的必要条件，提出无标签图像集多样化分解方法，并设计“正向-多方向”协作稀疏表示分类器。
发明内容
本发明目的在于针对大样本图像标注实际应用中存在的有标签图像样本较少的问题，提出一种基于正向-多反向协作稀疏表示分类器的图像标注方法，先设计一种基于无标签图像集多样化分解的正向-多反向协作稀疏表示分类器模型，在此过程中，依据协作训练的充分条件和必要条件，提出无标签图像集多样化分解方法；分析图像集分解粒度和稀疏率对协作训练的协同作用关系，并制定“正向-多方向”协作稀疏表示分类器模型优化策略。
本发明采用的技术方案是：
基于正向-多反向协作稀疏表示分类器的图像标注方法，其特征在于，包括以下步骤：
(1)将无标签图像集分解为多个较小无标签图像集子集，然后在有标签图像集和各个无标签图像子集之间分别执行反向稀疏表示；
(2)构建基于无标签图像集多样化分解的正向-多反向协作稀疏表示分类器模型；
(3)基于置信度最小均方误差准则集成优化“正向-多方向”协作稀疏表示分类器模型；
(4)利用优化后的正向-多反向协作稀疏表示分类器模型来对检索图像库中图片进行相关性和多样性的标注。
所述的基于正向-多反向协作稀疏表示分类器的图像标注方法，其特征在于，所述步骤(1)的具体实现步骤为：
1)设计基于均方误差最大化的图像集多样化分解算法。与聚类相反，多样化分解的目标是使各样本与所属子集平均值间的均方误差最大；假设图像样本y从子集Ωi移至Ωk，使子集Ωi误差平方和减少ΔJi，子集Ωk误差平方和增加ΔJk，若ΔJk＞ΔJi，且对于ΔJk≥ΔJi(ΔJi为将样本y从子集Ωi移至Ωj，Ωj的误差平方和增加值)，则将图像样本y从子集Ωi移至Ωk，可使总误差平方和值增加最大；若/>ΔJk≤ΔJi，则不移动样本y；按此方法迭代移动各样本。可以看出，多样化分解的目标是使子集内样本离散度增大，而子集间样本离散度减小，因而，可采用如/>tr(Sb)/tr(Sw)(其中Sb为子集间离散度矩阵，Sw为子集内离散度矩阵)等指标，依据指标的变化在子集间移动各样本。
2)无标签图像集多样化分解后，“多反向”稀疏表示在有标签图像和各个无标签图像子集之间进行，整个无标签图像集与有标签图像集之间的概念相似度关联由各个反向稀疏表示建立的关联权重归一化拼接而成。
所述的基于正向-多反向协作稀疏表示分类器的图像标注方法，其特征在于，所述步骤(2)的具体实现步骤为：
首先输入训练图像样本，并对图像进行预处理，提取图像颜色、纹理、形状等特征，然后基于这些训练样本，在一定稀疏约束下，各类别训练图像对测试图像的重构误差差异进行分类判决。然后用无标签图像与所有正例图像语义关联权重占比来表示无标签图像与“概念”的相似度，并依据在步骤(1)完成后得到拼接后的概念相似度关联进行分类决策。在此基础上，进一步与正向稀疏表示协作训练，构建基于无标签图像集多样化分解的正向-多反向协作稀疏表示分类器模型
所述的基于正向-多反向协作稀疏表示分类器的图像标注方法，其特征在于，所述步骤(3)的具体实现步骤为：
1)优化正反稀疏表示的集成权重，正反向稀疏表示不仅对某具体图像的标注具有一定差异性，而且随着无标签图像集分解粒度和稀疏率的变化，它们各自独立的标注精度也有差异性，从而决定了在进行“概念”标注时，所起“贡献”大小不一致，因此，需要对它们设置不同的集成权重。采用交叉验证方法学习集成权重。假设训练集有m幅图像，验证集有n幅图像；考虑验证集中某图像样本y，正向稀疏表示可得y与所有训练图像样本经归一化后的关联权重为：
其中，表示图像样本y与第i幅正例训练图像间的语义关联权重，/>表示图像样本y与第i幅负例训练图像间的语义关联权重，p+q＝m，而“多反向”稀疏表示可得y与所有训练图像样本经归一化后的语义关联权重为/>加权均值集成的权重为w，则正反稀疏表示集成后y与所有训练图像间的语义关联性权重为：
2)对该输出向量中正负例样本对应的系数分别求和并归一化至[0，1]区间，可得图像样本y的“概念”置信度为
向量o中第一、二项分别为图像样本y属于、不属于标注“概念”的置信度。显然，当y属于标注“概念”时，其真实“概念”标签为ot＝[1,0]T，否则为ot＝[0,1]T；可计算实际结果o与真实“概念”标签ot的差异，然后依据置信度均方误差最小准则，采用梯度下降等方法实现w的优化选择。
所述的基于正向-多反向协作稀疏表示分类器的图像标注方法，其特征在于，所述步骤(4)的具体实现步骤为：
利用优化后的正向-多反向协作稀疏表示分类器模型来对检索图像库中图片进行标注；无标签图像与所有正例图像的语义关联权重占比表示无标签图像与“概念”的相似度，即无标签图像属于“概念”的置信度；根据正向-多反向协作稀疏表示分类器最终得到的结果对图片进行概念相关性和不相关性的分类，如相关，则对图片进行该概念的标注。
与已有技术相比，本发明的有益效果体现在:
本发明在传统稀疏表示分类器模型研究基础上，基于协作训练必要条件分析，创新性地提出基于图像集多样化分解的正向-多反向协作稀疏表示分类器模型，将有效拓展其在大样本图像标注中的应用，具有重要意义；探究图像集分解粒度和稀疏率对协作训练的协同作用机制，提出基于置信度最小均方误差的集成优化方法，也是本发明的特色和创新之处；本发明对图像或人工类别标签噪声都具有较好鲁棒性，优于其它半监督学习方法如TSVM(transductive support vector machine)。
附图说明
图1为本发明提出的基于正向-多反向协作稀疏表示分类器的图像标注方法流程图。
具体实施方式
如图1所示，基于正向-多反向协作稀疏表示分类器的图像标注方法，包括以下步骤：
(1)将无标签图像集分解为多个较小无标签图像集子集，然后在有标签图像集和各个无标签图像子集之间分别执行反向稀疏表示；
(2)构建基于无标签图像集多样化分解的正向-多反向协作稀疏表示分类器模型；
(3)基于置信度最小均方误差准则集成优化“正向-多方向”协作稀疏表示分类器模型；
(4)利用优化后的正向-多反向协作稀疏表示分类器模型来对检索图像库中图片进行相关性和多样性的标注。
步骤(1)的具体实现步骤为：
1)设计基于均方误差最大化的图像集多样化分解算法。与聚类相反，多样化分解的目标是使各样本与所属子集平均值间的均方误差最大；假设图像样本y从子集Ωi移至Ωk，使子集Ωi误差平方和减少ΔJi，子集Ωk误差平方和增加ΔJk，若ΔJk＞ΔJi，且对于ΔJk≥ΔJi(ΔJi为将样本y从子集Ωi移至Ωj，Ωj的误差平方和增加值)，则将图像样本y从子集Ωi移至Ωk，可使总误差平方和值增加最大；若/>ΔJk≤ΔJi，则不移动样本y；按此方法迭代移动各样本。可以看出，多样化分解的目标是使子集内样本离散度增大，而子集间样本离散度减小，因而，可采用如/>tr(Sb)/tr(Sw)(其中Sb为子集间离散度矩阵，Sw为子集内离散度矩阵)等指标，依据它们的变化在子集间移动各样本。
2)无标签图像集多样化分解后，“多反向”稀疏表示在有标签图像和各个无标签图像子集之间进行，整个无标签图像集与有标签图像集之间的概念相似度关联由各个反向稀疏表示建立的关联权重归一化拼接而成。
步骤(2)的具体实现步骤为：
首先输入训练图像样本，并对图像进行预处理，提取图像颜色、纹理、形状等特征，然后基于这些训练样本，在一定稀疏约束下，各类别训练图像对测试图像的重构误差差异进行分类判决。然后用无标签图像与所有正例图像语义关联权重占比来表示无标签图像与“概念”的相似度，并依据在步骤(1)完成后得到拼接后的概念相似度关联进行分类决策。在此基础上，进一步与正向稀疏表示协作训练，构建基于无标签图像集多样化分解的正向-多反向协作稀疏表示分类器模型
步骤(3)的具体实现步骤为：
1)优化正反稀疏表示的集成权重，正反向稀疏表示不仅对某具体图像的标注具有一定差异性，而且随着无标签图像集分解粒度和稀疏率的变化，它们各自独立的标注精度也有差异性，从而决定了在进行“概念”标注时，所起“贡献”大小不一致，因此，需要对它们设置不同的集成权重。采用交叉验证方法学习集成权重。假设训练集有m幅图像，验证集有n幅图像；考虑验证集中某图像样本y，正向稀疏表示可得y与所有训练图像样本经归一化后的关联权重为：
其中，表示图像样本y与第i幅正例训练图像间的语义关联权重，/>表示图像样本y与第i幅负例训练图像间的语义关联权重，p+q＝m，而“多反向”稀疏表示可得y与所有训练图像样本经归一化后的语义关联权重为/>加权均值集成的权重为w，则正反稀疏表示集成后y与所有训练图像间的语义关联性权重为：
2)对该输出向量中正负例样本对应的系数分别求和并归一化至[0，1]区间，可得图像样本y的“概念”置信度为
向量o中第一、二项分别为图像样本y属于、不属于标注“概念”的置信度。显然，当y属于标注“概念”时，其真实“概念”标签为ot＝[1,0]T，否则为ot＝[0,1]T；可计算实际结果o与真实“概念”标签ot的差异，然后依据置信度均方误差最小准则，采用梯度下降等方法实现w的优化选择。
步骤(4)的具体实现步骤为：
利用优化后的正向-多反向协作稀疏表示分类器模型来对检索图像库中图片进行标注；无标签图像与所有正例图像的语义关联权重占比表示无标签图像与“概念”的相似度，即无标签图像属于“概念”的置信度；根据正向-多反向协作稀疏表示分类器最终得到的结果对图片进行概念相关性和不相关性的分类，如相关，则对图片进行该概念的标注。

Claims (1)

1.基于正向-多反向协作稀疏表示分类器的图像标注方法，其特征在于，包括以下步骤：
(1)将无标签图像集分解为多个较小无标签图像集子集，然后在有标签图像集和各个无标签图像子集之间分别执行反向稀疏表示；
(2)构建基于无标签图像集多样化分解的正向-多反向协作稀疏表示分类器模型；
(3)基于置信度最小均方误差准则集成优化正向-多反向协作稀疏表示分类器模型；
(4)利用优化后的正向-多反向协作稀疏表示分类器模型来对检索图像库中图片进行相关性和多样性的标注；
所述步骤(1)的具体实现步骤为：
1)设计基于均方误差最大化的图像集多样化分解算法，与聚类相反，多样化分解的目标是使各样本与所属子集平均值间的均方误差最大；假设图像样本y从子集Ωi移至Ωk，使子集Ωi误差平方和减少ΔJi，子集Ωk误差平方和增加ΔJk，若ΔJk＞ΔJi，且对于ΔJk≥ΔJi，ΔJi为将样本y从子集Ωi移至Ωj，Ωj的误差平方和增加值，则将图像样本y从子集Ωi移至Ωk，可使总误差平方和值增加最大；若/>ΔJk≤ΔJi，则不移动样本y；按此方法迭代移动各样本；可以看出，多样化分解的目标是使子集内样本离散度增大，而子集间样本离散度减小，因而，可采用指标/>或tr(Sb)/tr(Sw)，其中Sb为子集间离散度矩阵，Sw为子集内离散度矩阵，依据所述指标的变化在子集间移动各样本；
2)无标签图像集多样化分解后，多反向稀疏表示在有标签图像和各个无标签图像子集之间进行，整个无标签图像集与有标签图像集之间的概念相似度关联由各个反向稀疏表示建立的关联权重归一化拼接而成；
所述步骤(2)的具体实现步骤为：
首先输入训练图像样本，并对图像进行预处理，提取图像颜色、纹理、形状特征，然后基于这些训练样本，在一定稀疏约束下，各类别训练图像对测试图像的重构误差差异进行分类判决；然后用无标签图像与所有正例图像语义关联权重占比来表示无标签图像与概念的相似度，并依据在步骤(1)完成后得到拼接后的概念相似度关联进行分类决策；在此基础上，进一步与正向稀疏表示协作训练，构建基于无标签图像集多样化分解的正向-多反向协作稀疏表示分类器模型；
所述步骤(3)的具体实现步骤为：
1)优化正反稀疏表示的集成权重，正反向稀疏表示不仅对某具体图像的标注具有一定差异性，而且随着无标签图像集分解粒度和稀疏率的变化，它们各自独立的标注精度也有差异性，从而决定了在进行概念标注时，所起贡献大小不一致，因此，需要对它们设置不同的集成权重，采用交叉验证方法学习集成权重；假设训练集有m幅图像，验证集有n幅图像；考虑验证集中某图像样本y，正向稀疏表示可得y与所有训练图像样本经归一化后的关联权重为：
其中，表示图像样本y与第i幅正例训练图像间的语义关联权重，/>表示图像样本y与第i幅负例训练图像间的语义关联权重，p+q＝m，而“多反向”稀疏表示可得y与所有训练图像样本经归一化后的语义关联权重为/>加权均值集成的权重为w，则正反稀疏表示集成后y与所有训练图像间的语义关联性权重为：
2)对输出向量中正负例样本对应的系数分别求和并归一化至[0，1]区间，可得图像样本y的概念置信度为
向量o中第一、二项分别为图像样本y属于、不属于标注概念的置信度；显然，当y属于标注概念时，其真实概念标签为ot＝[1,0]Τ，否则为ot＝[0,1]Τ；可计算实际结果o与真实概念标签ot的差异，然后依据置信度均方误差最小准则，采用梯度下降方法实现w的优化选择；
所述步骤(4)的具体实现步骤为：
利用优化后的正向-多反向协作稀疏表示分类器模型来对检索图像库中图片进行标注；无标签图像与所有正例图像的语义关联权重占比表示无标签图像与概念的相似度，即无标签图像属于概念的置信度；根据正向-多反向协作稀疏表示分类器最终得到的结果对图片进行概念相关性和不相关性的分类，如相关，则对图片进行该概念的标注。
CN202010057255.7A 2020-01-19 2020-01-19 基于正向-多反向协作稀疏表示分类器的图像标注方法 Active CN111291787B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010057255.7A CN111291787B (zh) 2020-01-19 2020-01-19 基于正向-多反向协作稀疏表示分类器的图像标注方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010057255.7A CN111291787B (zh) 2020-01-19 2020-01-19 基于正向-多反向协作稀疏表示分类器的图像标注方法

Publications (2)

Publication Number Publication Date
CN111291787A CN111291787A (zh) 2020-06-16
CN111291787B true CN111291787B (zh) 2023-12-08

Family

ID=71030684

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010057255.7A Active CN111291787B (zh) 2020-01-19 2020-01-19 基于正向-多反向协作稀疏表示分类器的图像标注方法

Country Status (1)

Country Link
CN (1) CN111291787B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114005005B (zh) * 2021-12-30 2022-03-22 深圳佑驾创新科技有限公司 双重批标准化的零实例图像分类方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103309953A (zh) * 2013-05-24 2013-09-18 合肥工业大学 一种基于多rbfnn分类器集成的多样化图像标注和检索方法
CN110232705A (zh) * 2019-05-17 2019-09-13 沈阳大学 一种融合分数阶变分调整的反向低秩稀疏学习目标跟踪方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130156300A1 (en) * 2011-12-20 2013-06-20 Fatih Porikli Multi-Class Classification Method

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103309953A (zh) * 2013-05-24 2013-09-18 合肥工业大学 一种基于多rbfnn分类器集成的多样化图像标注和检索方法
CN110232705A (zh) * 2019-05-17 2019-09-13 沈阳大学 一种融合分数阶变分调整的反向低秩稀疏学习目标跟踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于低秩稀疏分解与协作表示的图像分类算法;张旭等;《计算机科学》;20160715(第07期);全文 *

Also Published As

Publication number Publication date
CN111291787A (zh) 2020-06-16

Similar Documents

Publication Publication Date Title
Cetinic et al. A deep learning perspective on beauty, sentiment, and remembrance of art
CN106778804B (zh) 基于类别属性迁移学习的零样本图像分类方法
CN108038492A (zh) 一种基于深度学习的感性词向量及情感分类方法
CN107220337B (zh) 一种基于混合迁移网络的跨媒体检索方法
CN108427740B (zh) 一种基于深度度量学习的图像情感分类与检索算法
CN110413791A (zh) 基于cnn-svm-knn组合模型的文本分类方法
CN112967088A (zh) 基于知识蒸馏的营销活动预测模型结构和预测方法
CN111291787B (zh) 基于正向-多反向协作稀疏表示分类器的图像标注方法
CN114741519A (zh) 一种基于图卷积神经网络和知识库的论文相关性分析方法
Ciocca et al. Evaluation of automatic image color theme extraction methods
CN114266321A (zh) 一种基于无约束先验信息模式的弱监督模糊聚类算法
Harris et al. DeepAction: a MATLAB toolbox for automated classification of animal behavior in video
Liu et al. Learning a similarity metric discriminatively with application to ancient character recognition
CN113689234B (zh) 一种基于深度学习的平台相关的广告点击率预测方法
CN114896514A (zh) 一种基于图神经网络的Web API标签推荐方法
CN114936890A (zh) 一种基于逆倾向加权方法的反事实公平的推荐方法
CN114564594A (zh) 一种基于双塔模型的知识图谱用户偏好实体召回方法
CN108304546B (zh) 一种基于内容相似度和Softmax分类器的医学图像检索方法
CN111950602A (zh) 一种基于随机梯度下降和多示例多标签学习的图像标引方法
CN112364193A (zh) 面向图像检索的融合多层特征深度神经网络模型方法
Sun et al. Entity resolution with hybrid attention-based networks
Liu et al. Data cleaning of irrelevant images based on transfer learning
CN116484053B (zh) 智能数据分析平台
CN115858942B (zh) 面向用户输入的序列化推荐方法及装置
CN111626344B (zh) 一种融合组稀疏约束和图趋势过滤的噪声容错多标签分类方法

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