CN111310791A - 一种基于小样本数目集的动态渐进式自动目标识别方法 - Google Patents
一种基于小样本数目集的动态渐进式自动目标识别方法 Download PDFInfo
- Publication number
- CN111310791A CN111310791A CN202010052306.7A CN202010052306A CN111310791A CN 111310791 A CN111310791 A CN 111310791A CN 202010052306 A CN202010052306 A CN 202010052306A CN 111310791 A CN111310791 A CN 111310791A
- Authority
- CN
- China
- Prior art keywords
- sample
- samples
- generated
- screening
- svm
- 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
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
- G06F18/2411—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
- G06F18/21—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
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
本发明属于自动目标识别技术领域,具体涉及一种基于小样本数目集的动态渐进式自动目标识别方法。本发明在使用GANs生成样本进行数据集扩充的基础之上,提出了一种通用的在小规模样本集条件下进行识别的自动目标识别方法,并应用于自动目标识别领域。作为一种具备在小样本条件下能够进行自动目标识别的方法,该方法能够保有自主生成、自主迭代以及自主成长的能力,在训练样本数目不足原始样本集15%的条件下,使ATR模型的识别准确率达到了94%。同时,本发明所提出的筛选方法,较之于SVM等传统筛选方法,其筛选样本的结果更具显著性。
Description
技术领域
本发明属于自动目标识别技术领域,具体涉及一种基于小样本数目集的动态渐进式自动目标识别方法。
背景技术
在自动目标识别任务中,得益于机器学习的发展,基于数据驱动的自动目标识别(Automatic Target Recognition,ATR)算法取得了广泛的成功。在众多数据驱动算法中,以特征提取以及分类器算法取得的贡献最为突出。在特征提取方法中,主成分分析(Principle Component Analysis,PCA)、线性判别分析(Linear Discriminant Analysis,LDA)、非负矩阵分解(Nonnegative Matrix Factorization,NMF)早已被广泛运用到各种ATR模型。在分类器算法中,支持向量机(Support Vector Machine,SVM)通过选取支持向量来最大化目标分类边界的方式,也曾在ATR上取得了成功。近些年,随着深度学习算法的崛起,各类深度识别网络也被应用到ATR中,并取得了明显突破。虽然上述算法均在ATR任务中取得了不俗表现,但是基于数据驱动的算法都十分依赖于数据集容量。因此,基于数据驱动的算法往往会在面对小样本目标数据集时失效。
小样本数据集对ATR任务的挑战其实就是数据驱动为基础的算法与数据不足的样本集之间的矛盾。因此,本发明所提出的方法正是应对于缓解此矛盾提出的。解决这一问题的途径通常可以从以下两个思路展开:第一,考虑使用能够在极端少量数据集下进行有效自动目标识别的方法,迁移学习(Transfer Learning)提供了一种可供替代的思路。但是,迁移学习所需预训练的大型神经网络往往以大规模同质数据集为前提,这个前提并不适用于ATR任务的现状。第二,考虑通过样本集扩充的方式来缓解数据需求不一致的矛盾,生成对抗网络(Generative Adversarial Nets,GANs)能够生成与真实目标图像极为相似的图像,为解决上述矛盾提供了另一种切实的思路。
近年来,在行人重识别,人脸识别等其他领域,许多使用GANs生成样本进行数据集扩充并解决小样本目标识别的方法被提出。虽然上述方法使得为小样本目标识别方法提供了一种切实有效的思路,但仍然不得不囿于自动目标识别领域本身的缺陷——自动目标识别领域所使用的目标图像可解译度通常不高。因此,若将GANs生成样本进行数据集扩充的方式应用于ATR,在充分考虑目标图像可解译度低的前提下,这无疑将是一种更加适用于的小样本数据集下的自动目标识别方法。
发明内容
本发明的目的,就是针对上述存在的问题及不足,为了解决数据驱动为基础的算法与数据不足的样本集之间的矛盾,使自动目标识别模型能够在小样本数据集下通过数据集扩充来缓解数据需求不一致的矛盾,提供了一种基于小样本数目集的动态渐进式自动目标识别方法。
本发明的技术方案为:一种基于小样本数目集的动态渐进式自动目标识别方法,如图1所示,包括:
步骤1、对现有的小规模图像样本集进行真实样本数据分布拟合,采用Wasserstein距离测度进行生成样本数据分布Pg(y)和真实样本数据分布Pr(x)之间的距离衡量,即:
其中,∏(Pr(x),Pg(y))是所有联合分布γ(x,y)的集合,它们各自的边界分布则分别是真实样本数据分布Pr(x)和生成样本数据分布Pg(y)。同时,将1-lipschitz约束施加到Wasserstein距离测度上,则生成模型的损失函数转化为以下形式:
其中,x=εxr+(1-ε)xg。ε是一个采样于均匀分布ε~U[0,1]的随机数。λ是用于梯度惩罚的常数系数。通过最小化上述损失函数,可以达到用生成样本数据分布Pg(y)拟合真实样本数据Pr(x)的目的;
步骤2、在达到用生成样本数据分布Pg(y)拟合真实样本数据Pr(x)的目的后,生成模型仅仅能够得到未标记的高质量生成目标样本。这些生成样本并不完全适用于当前流行的监督学习框架。因此,向生成模型的生成过程中添加标签信息y来控制其生成样本的类别,则生成模型的损失函数转化为以下形式:
通过最小化上述损失函数,生成模型可以按目标类型生成高质量的目标样本。
步骤3、生成模型凭借分布拟合以及标签信息控制生成高质量的目标样本后,需要对生成样本进行筛选才能够用于后续识别流程。其筛选流程(以下称动态渐进式过程)所选用的迭代分类器选用为SVM。在一次动态渐进式过程的循环中,SVM1由现阶段已收集到的样本进行训练,随后,使用SVM1对新的生成样本进行筛选。通过筛选的生成样本将与现阶段已收集到的样本组成一个新的训练样本集。训练样本集的更新将会重新训练一个新的SVM2,再使用新的SVM2对已经通过筛选的生成样本进行再筛选;最后,通过再筛选的样本将作为下次动态渐进式过程循环的输入。循环过程终止的条件是:随着生成样本将不再能够被SVMi有效筛选出时,动态渐进式过程停止循环。
步骤4、生成样本筛选之后进行目标识别。首先,对现有真实样本集使用传统数据增强方法,如旋转、翻折等方法进行数据集扩充。随后,将增强后的样本集与筛选后的生成样本集组合后形成一个新的训练样本集。使用该训练样本集对三值神经网络进行训练,并使用训练出的ATR模型进行自动目标识别。
本发明在生成对抗网络扩充数据集的基础上提出了一种小样本自动目标识别方法:基于小样本数目集的动态渐进式自动目标识别方法,并应用于自动目标识别中。该方法作为一种有效的小样本目标识别方法,在保证模型能够自主生成样本的前提下,不仅可以自主筛选生成样本,更能够缓解数据驱动为基础的算法与数据不足的样本集数据需求不一致的矛盾,让现有自动目标识别模型能够在小样本条件下进行识别。
本发明的有益效果为,较现有的ATR方法,本发明具有了在小样本条件下进行有效自动目标识别的能力;能够自主生成高质量样本的前提下,也能够自主筛选可靠的生成样本;在提高识别能力的基础上,比传统方法适用的场景更加广泛,能够应用于更加严苛的环境条件。
附图说明
图1为本发明特征提取方法流程;
图2为MSTAR目标切片部分读取图像展示;(a)是BMP2装甲车,(b)是BTR70装甲车,(c)是T72坦克;
图3三种方法针对小样本SAR十类目标识别任务的识别率统计;
图4两种方法针对小样本SAR十类目标筛选结果对比。
具体实施方式
下面以MSTAR十类目标图像识别任务为例,模拟实际增量学习应用对本发明做进一步说明。
表1
实验所用样本为MSTAR三类目标切片,切片为64×64的RAW格式数据,训练样本为俯仰角为17度的目标,测试样本为俯仰角为15度的目标。表1为MSTAR十类目标分布。目标切片读取图像例参见附图2。
本发明是为了ATR模型具备在小样本条件下的自动目标识别能力,因此,将只从现有训练样本集中选取每类目标样本40个,将训练样本集的样本数目降低至现有训练集的15%以下,从而模拟实际应用中小样本条件的情况。测试样本为未知标签样本,不参与训练。在每次ATR模型训练完成后,在其他对照条件完全相同的情况下,通过测试样本的识别正确率来反映本次特征提取的效果。
实验拟设置初始训练样本数目为200个,新增训练样本每批200个(不足200个也作为一组样本加入训练)。分别统计支持向量机(SVM)、卷积神经网络(CNN)以及本发明所涉及的方法等三种方法在每次获取样本后的识别准确率。SVM、CNN为传统方法,在训练样本达到400后,将不具备自主生成目标样本的能力,识别率将不再有明显增加。三种方法随样本数增加的识别准确率折线图见附图3。从图中可以看出,本发明提出的方法的识别准确率最终高于传统方法SVM以及CNN在小样本条件下的识别准确率。在训练样本数目不足原始样本集15%的条件下,最终识别准确率达到了94%。
另外,在每次训练过程中,不同生成样本筛选对方法对ATR模型识别率的影响见附图4。从图中可以看出,本发明所提出的筛选方法所筛选的生成样本对识别率的贡献明显高于通过SVM进行筛选后的生成样本。在仅使用筛选后的生成样本进行扩充的条件下,使ATR模型的识别率达到91.27%,较原始模型的最高识别率提升了11.8%。通过SVM筛选后的生成样本最终使ATR模型的识别最高达到88.25%,但是,也比本发明提出的方法低了3.02%。
Claims (1)
1.一种基于小样本数目集的动态渐进式自动目标识别方法,其特征在于,包括以下步骤:
步骤1、对小规模图像样本集进行真实样本数据分布拟合,采用Wasserstein距离测度进行生成样本数据分布Pg(y)和真实样本数据分布Pr(x)之间的距离衡量,即:
其中,∏(Pr(x),Pg(y))是所有联合分布γ(x,y)的集合,它们各自的边界分布则分别是真实样本数据分布Pr(x)和生成样本数据分布Pg(y),E表示两种分布之间Wasserstein距离的数学期望,inf表示该数学期望的下确界;同时,将1-lipschitz约束施加到Wasserstein距离测度上,则生成模型的损失函数转化为以下形式:
其中,x=εxr+(1-ε)xg,ε是一个采样于均匀分布ε~U[0,1]的随机数,λ是用于梯度惩罚的常数系数,D表示用于判定样本是否属于生成样本数据分布Pg(y)的判决函数,表示为函数D的一阶求导形式,通过最小化上述损失函数,达到用生成样本数据分布Pg(y)拟合真实样本数据Pr(x)的目的;
步骤2、向生成模型的生成过程中添加标签信息y来控制其生成样本的类别,即将生成模型的损失函数转化为以下形式:
通过最小化上述损失函数,生成模型可以按目标类型生成高质量的目标样本;
步骤3、采用动态渐进式过程对生成样本进行筛选,所选用的迭代分类器为SVM,所述动态渐进式过程具体为:在一次动态渐进式过程的循环中,SVM1由已收集到的样本进行训练,随后,使用SVM1对生成样本进行筛选,通过将筛选的生成样本与已收集到的样本组成一个新的训练样本集,采用新的训练样本集训练SVM2,再使用SVM2对已经通过筛选的生成样本进行再筛选,据此循环进行动态渐进式筛选,终止的条件是:生成样本将不再能够被SVMi有效筛选出;
步骤4、生成样本筛选之后进行目标识别:首先,对已有真实样本集使用数据增强方法进行数据集扩充;随后,将增强后的样本集与筛选后的生成样本集组合后形成一个训练样本集,使用该训练样本集对三值神经网络进行训练,并使用训练出的ATR模型进行自动目标识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010052306.7A CN111310791A (zh) | 2020-01-17 | 2020-01-17 | 一种基于小样本数目集的动态渐进式自动目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010052306.7A CN111310791A (zh) | 2020-01-17 | 2020-01-17 | 一种基于小样本数目集的动态渐进式自动目标识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111310791A true CN111310791A (zh) | 2020-06-19 |
Family
ID=71146786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010052306.7A Pending CN111310791A (zh) | 2020-01-17 | 2020-01-17 | 一种基于小样本数目集的动态渐进式自动目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310791A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112052899A (zh) * | 2020-09-03 | 2020-12-08 | 上海无线电设备研究所 | 一种基于生成对抗网络的单幅舰船目标sar图像生成方法 |
CN112541539A (zh) * | 2020-12-08 | 2021-03-23 | 杭州电子科技大学 | 一种基于逆迁移学习的小样本目标识别辅助数据挑选方法 |
CN113780084A (zh) * | 2021-08-11 | 2021-12-10 | 上海藤核智能科技有限公司 | 基于生成式对抗网络的人脸数据扩增方法、电子设备和存储介质 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011039831A (ja) * | 2009-08-12 | 2011-02-24 | Kddi Corp | サポートベクトルマシンの再学習方法 |
CN103150578A (zh) * | 2013-04-09 | 2013-06-12 | 山东师范大学 | 一种基于半监督学习的支持向量机分类器训练方法 |
CN105913073A (zh) * | 2016-04-05 | 2016-08-31 | 西安电子科技大学 | 基于深度增量支持向量机的sar图像目标识别方法 |
CN106597439A (zh) * | 2016-12-12 | 2017-04-26 | 电子科技大学 | 一种基于增量学习的合成孔径雷达目标识别方法 |
CN107563385A (zh) * | 2017-09-02 | 2018-01-09 | 西安电子科技大学 | 基于深度卷积生成式对抗网络的车牌字符识别方法 |
CN107590532A (zh) * | 2017-08-14 | 2018-01-16 | 华南理工大学 | 一种基于wgan的超参数动态调整方法 |
CN108805056A (zh) * | 2018-05-29 | 2018-11-13 | 电子科技大学 | 一种基于3d人脸模型的摄像监控人脸样本扩充方法 |
CN109523476A (zh) * | 2018-11-02 | 2019-03-26 | 武汉烽火众智数字技术有限责任公司 | 用于视频侦查的车牌去运动模糊方法 |
CN109635850A (zh) * | 2018-11-23 | 2019-04-16 | 杭州健培科技有限公司 | 一种基于生成对抗网络优化医学图像分类性能的方法 |
CN109711452A (zh) * | 2018-12-20 | 2019-05-03 | 四川新网银行股份有限公司 | 一种基于wgan-gp模型对用户行为的不平衡分类方法 |
CN109813542A (zh) * | 2019-03-15 | 2019-05-28 | 中国计量大学 | 基于生成式对抗网络的空气处理机组的故障诊断方法 |
CN109918999A (zh) * | 2019-01-22 | 2019-06-21 | 西安交通大学 | 一种小样本数据下基于生成模型的机械设备故障智能诊断方法 |
CN109948693A (zh) * | 2019-03-18 | 2019-06-28 | 西安电子科技大学 | 基于超像素样本扩充和生成对抗网络高光谱图像分类方法 |
CN110298450A (zh) * | 2019-05-21 | 2019-10-01 | 北京大学第三医院(北京大学第三临床医学院) | 一种基于生成式对抗网络的虚拟样本生成方法 |
CN110414362A (zh) * | 2019-07-02 | 2019-11-05 | 安徽继远软件有限公司 | 基于生成式对抗网络的电力图像数据增广方法 |
CN110533606A (zh) * | 2019-07-30 | 2019-12-03 | 中国民航大学 | 基于生成式对抗网络的安检x光违禁品图像数据增强方法 |
CN110689068A (zh) * | 2019-09-25 | 2020-01-14 | 贵州电网有限责任公司 | 一种基于半监督svm的变压器故障类型诊断方法 |
-
2020
- 2020-01-17 CN CN202010052306.7A patent/CN111310791A/zh active Pending
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011039831A (ja) * | 2009-08-12 | 2011-02-24 | Kddi Corp | サポートベクトルマシンの再学習方法 |
CN103150578A (zh) * | 2013-04-09 | 2013-06-12 | 山东师范大学 | 一种基于半监督学习的支持向量机分类器训练方法 |
CN105913073A (zh) * | 2016-04-05 | 2016-08-31 | 西安电子科技大学 | 基于深度增量支持向量机的sar图像目标识别方法 |
CN106597439A (zh) * | 2016-12-12 | 2017-04-26 | 电子科技大学 | 一种基于增量学习的合成孔径雷达目标识别方法 |
CN107590532A (zh) * | 2017-08-14 | 2018-01-16 | 华南理工大学 | 一种基于wgan的超参数动态调整方法 |
CN107563385A (zh) * | 2017-09-02 | 2018-01-09 | 西安电子科技大学 | 基于深度卷积生成式对抗网络的车牌字符识别方法 |
CN108805056A (zh) * | 2018-05-29 | 2018-11-13 | 电子科技大学 | 一种基于3d人脸模型的摄像监控人脸样本扩充方法 |
CN109523476A (zh) * | 2018-11-02 | 2019-03-26 | 武汉烽火众智数字技术有限责任公司 | 用于视频侦查的车牌去运动模糊方法 |
CN109635850A (zh) * | 2018-11-23 | 2019-04-16 | 杭州健培科技有限公司 | 一种基于生成对抗网络优化医学图像分类性能的方法 |
CN109711452A (zh) * | 2018-12-20 | 2019-05-03 | 四川新网银行股份有限公司 | 一种基于wgan-gp模型对用户行为的不平衡分类方法 |
CN109918999A (zh) * | 2019-01-22 | 2019-06-21 | 西安交通大学 | 一种小样本数据下基于生成模型的机械设备故障智能诊断方法 |
CN109813542A (zh) * | 2019-03-15 | 2019-05-28 | 中国计量大学 | 基于生成式对抗网络的空气处理机组的故障诊断方法 |
CN109948693A (zh) * | 2019-03-18 | 2019-06-28 | 西安电子科技大学 | 基于超像素样本扩充和生成对抗网络高光谱图像分类方法 |
CN110298450A (zh) * | 2019-05-21 | 2019-10-01 | 北京大学第三医院(北京大学第三临床医学院) | 一种基于生成式对抗网络的虚拟样本生成方法 |
CN110414362A (zh) * | 2019-07-02 | 2019-11-05 | 安徽继远软件有限公司 | 基于生成式对抗网络的电力图像数据增广方法 |
CN110533606A (zh) * | 2019-07-30 | 2019-12-03 | 中国民航大学 | 基于生成式对抗网络的安检x光违禁品图像数据增强方法 |
CN110689068A (zh) * | 2019-09-25 | 2020-01-14 | 贵州电网有限责任公司 | 一种基于半监督svm的变压器故障类型诊断方法 |
Non-Patent Citations (5)
Title |
---|
CHANGJIE CAO 等: "LDGAN: A Synthetic Aperture Radar Image Generation Method for Automatic Target Recognition", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
ISHAAN GULRAJANI 等: "Improved Training of Wasserstein GANs", 《NIPS"17》 * |
ZONGYONG CUI 等: "Image Data Augmentation for SAR Sensor via Generative Adversarial Nets", 《SPECIAL SECTION ON MISSION CRITICAL SENSORS AND SENSOR NETWORKS (MC-SSN)》 * |
张明蕊: "SAR 图像数据分集与扩容方法研究", 《中国优秀硕士学位全文数据库 信息科技辑》 * |
薛志东 等: "一种结合训练样本筛选的 SVM 图像分割方法", 《计算机工程与应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112052899A (zh) * | 2020-09-03 | 2020-12-08 | 上海无线电设备研究所 | 一种基于生成对抗网络的单幅舰船目标sar图像生成方法 |
CN112541539A (zh) * | 2020-12-08 | 2021-03-23 | 杭州电子科技大学 | 一种基于逆迁移学习的小样本目标识别辅助数据挑选方法 |
CN113780084A (zh) * | 2021-08-11 | 2021-12-10 | 上海藤核智能科技有限公司 | 基于生成式对抗网络的人脸数据扩增方法、电子设备和存储介质 |
CN113780084B (zh) * | 2021-08-11 | 2024-05-31 | 上海藤核智能科技有限公司 | 基于生成式对抗网络的人脸数据扩增方法、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108345911B (zh) | 基于卷积神经网络多级特征的钢板表面缺陷检测方法 | |
He et al. | An end-to-end steel surface defect detection approach via fusing multiple hierarchical features | |
CN109063724B (zh) | 一种增强型生成式对抗网络以及目标样本识别方法 | |
CN111310791A (zh) | 一种基于小样本数目集的动态渐进式自动目标识别方法 | |
US20190228268A1 (en) | Method and system for cell image segmentation using multi-stage convolutional neural networks | |
JP7310351B2 (ja) | 情報処理方法及び情報処理装置 | |
CN111814584A (zh) | 基于多中心度量损失的多视角环境下车辆重识别方法 | |
CN110322445B (zh) | 基于最大化预测和标签间相关性损失函数的语义分割方法 | |
CN116503676B (zh) | 一种基于知识蒸馏小样本增量学习的图片分类方法及系统 | |
CN110443257B (zh) | 一种基于主动学习的显著性检测方法 | |
CN111833322B (zh) | 一种基于改进YOLOv3的垃圾多目标检测方法 | |
CN111986126B (zh) | 一种基于改进vgg16网络的多目标检测方法 | |
CN110110845B (zh) | 一种基于并行多级宽度神经网络的学习方法 | |
CN114092742B (zh) | 一种基于多角度的小样本图像分类装置和方法 | |
CN112364791B (zh) | 一种基于生成对抗网络的行人重识别方法和系统 | |
CN104537359A (zh) | 一种车辆目标检测方法及装置 | |
CN112232395B (zh) | 一种基于联合训练生成对抗网络的半监督图像分类方法 | |
CN115690541A (zh) | 提高小样本、小目标识别准确率的深度学习训练方法 | |
CN111104831A (zh) | 一种视觉追踪方法、装置、计算机设备以及介质 | |
CN115984223A (zh) | 基于PCANet及多分类器融合的图像溢油检测方法 | |
CN111371611A (zh) | 一种基于深度学习的加权网络社区发现方法及装置 | |
CN113128455B (zh) | 一种细胞图像重构模型训练方法和系统 | |
CN114743133A (zh) | 一种轻量化的小样本视频分类识别方法及系统 | |
CN112862094A (zh) | 一种基于元学习的快速适应drbm方法 | |
CN117392450A (zh) | 一种基于进化多尺度特征学习的钢铁材料质量解析方法 |
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: 20200619 |
|
RJ01 | Rejection of invention patent application after publication |