CN111368874B - 一种基于单分类技术的图像类别增量学习方法 - Google Patents
一种基于单分类技术的图像类别增量学习方法 Download PDFInfo
- Publication number
- CN111368874B CN111368874B CN202010076321.5A CN202010076321A CN111368874B CN 111368874 B CN111368874 B CN 111368874B CN 202010076321 A CN202010076321 A CN 202010076321A CN 111368874 B CN111368874 B CN 111368874B
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- data set
- class
- category
- 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
- G06F18/24—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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于单分类技术的图像类别增量学习方法,包括下列步骤:数据集制作;初始分类神经网络搭建;步骤3:类增量学习神经网络搭建:对步骤2中初始分类神经网络进行修改,使初始分类神经网络具有类增量学习的功能:调整输出的类别以及类别数量参数,并将新类别图像的数据集放入指定文件夹中,训练类增量学习神经网络时,通过知识蒸馏算法来更新模型参数,即,融合蒸馏损失和交叉熵损失函数成为新的损失函数,此外在类增量学习神经网络中添加Bias correction结构,使类增量学习神经网络能够适应大规模的图像类别增量学习。步骤4:基于单分类技术的图像类别增量学习模型搭建。
Description
技术领域
本发明属于计算机图像分类领域,涉及一种基于单分类技术的提高图像类别识别准确率的增量学习方法。
背景技术
在图像分类领域中,经过训练的良好神经网络模型能够分辨出图像中不同类别的物体,并且已经可以达到较高的识别率。但是目前的大部分神经网络并不能满足识别未训练过的物体。即神经网络模型仅能识别已知类别的物体,对于未训练的物体,神经网络模型会将该物体错误的归到已知的类别,从而导致识别精度下降。
单分类[1]的目的是对某一种类别的数据生成一个描述,即样本空间中的一个区域。如果样本没有落在该区域内,则认为样本不属于该类别。
增量学习的目的是让计算机像人类一样对任务进行增量的学习,使得计算机终身学习成为可能。增量学习思想主要体现在两个方面:
(1)实际任务中,数据量可能会逐步上升,面临新的数据,增量学习方法可以对已训练好的模型进行改动,使得计算机能够学习新数据中蕴涵的知识。
(2)对于训练好的模型,修改模型的时间代价要低于重新训练一个模型所需代价。
一个良好的增量学习模型应该具有以下三个标准[2,3]:
(1)当新类别图像在不同时间出现,模型均可训练的
(2)任何时间在已经学习过的图像类别中有较好的分类效果
(3)计算能力与内存应该随着类别数的增加固定或者缓慢增长
但是目前基于深度学习的增量学习模型会遭受灾难性遗忘,如何有效的降低模型灾难性问题是现阶段亟需解决的难题。
[1]Lukas Ruff,Roboert A,et al.Deep One-Class Classfication[J].2018.
[2]Rebuffi S A,Kolesnikov A,Sperl G,et al.iCaRL:IncrementalClassifier and Representation Learning[J].2016.
[3]Wu Y,Chen Y,Wang L,et al.Large Scale Incremental Learning[J].2019.
发明内容
本发明提供了一种可以有效缓解灾难性遗忘并提升模型识别准确率的图像类别增量学习方法。本发明基于增量学习的方法,结合单分类器设计了一种图像类别增量模型,该模型可以有效的提升计算机图像分类性能。为后续的增量学习算法研究以及工程应用提供新的思路。本发明以工程应用中计算机图像分类为例,亦可用于其他分类问题。技术方案如下:
一种基于单分类技术的图像类别增量学习方法,包括下列步骤:
步骤1:数据集制作
将收集到的不同种类图像的尺寸大小处理为固定尺寸,并按照一定比例划分为训练集、验证集、测试集,之后对图像进行标注。制作出包含数据、标签、列表的二进制文件,数据集制作完成。
步骤2:初始分类神经网络搭建
初始分类神经网络的搭建选用深度残差网络ResNet,设置初始训练和测试参数,包括设定图像类别以及类别数,验证集的数目和迭代次数,将旧类别图像的数据集放入指定文件夹中,训练分类神经网络,得到一个初始分类神经网络。
步骤3:类增量学习神经网络搭建
对步骤2中初始分类神经网络进行修改,使初始分类神经网络具有类增量学习的功能:调整输出的类别以及类别数量参数,并将新类别图像的数据集放入指定文件夹中,训练类增量学习神经网络时,通过知识蒸馏算法来更新模型参数,即,融合蒸馏损失和交叉熵损失函数成为新的损失函数,此外在类增量学习神经网络中添加Bias correction结构,使类增量学习神经网络能够适应大规模的图像类别增量学习。
步骤4:基于单分类技术的图像类别增量学习模型搭建
在训练阶段,(1)若仅含有旧类别图像的数据集,不训练单分类器,仅训练初始分类神经网络。(2)若数据集中第一次加入新类别图像的数据集,利用新类别图像的数据集训练类增量学习神经网络,同时利用新类别图像的数据集,训练单分类器,使得单分类器能够有效地识别出出旧类别图像的数据集与新类别图像的数据集。(3)若数据集中第二次加入新类别图像的数据集,将第二次加入的新类别图像视为新类别图像,将第(2)步中得到的数据集视为旧类别图像数据集,利用新类别图像的数据集训练类增量学习神经网络,同时利用新类别图像的数据集,训练单分类器,同时丢弃第(2)步中训练好的单分类器,使得新单分类器能够有效地识别出出旧类别图像的数据集与新类别图像的数据集,保存类增量学习神经网络记作最新增量后的类增量学习网络,与此同时,保存第(2)步中类增量学习神经网络并记作上一次增量后保留的类增量学习神经网络,按照上述训练过程,加入新类别图像。
在测试阶段,将测试数据集中的图片经过单分类器,判断出测试集中的图片属于旧类别图像还是新类别图片。若测试图像为旧类别,则测试图像会进入训练好的上一次增量后保留的类增量学习神经网络进行预测,并输出预测结果;若测试图像为新类别,则测试图像会进入最新增量后的类增量学习网络进行预测,并输出预测结果。
附图说明
图1是本发明方法中初始分类神经网络配置图
图2是本发明方法中增量学习算法流程图
图3是本发明方法中增量学习模型Bias Correction位置示意图
图4是本发明方法中基于单分类技术的图像类别增量学习模型示意图
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明实施方案作进一步详细描述
步骤1:数据集制作
首先将收集到的不同种类的彩色图像尺寸大小处理为固定尺寸32*32。将数据集按照9/12、1/12、2/12的比例划分为训练集、验证集、测试集,之后标注图像。对图像进行特定处理,制作出包含数据、标签、列表的二进制文件,数据集制作完成。
步骤2:初始分类神经网络搭建
本发明中,初始分类神经网络采用34层的ResNet网络结构,深度残差网络可以在一定程度上解决信息传递中的信息丢失、损耗等问题。通过直接将输入的图片信息绕道传输到输出,保护信息的完整性。该网络结构中采用两种残差模型,第一种是以两个3*3的卷积网络串接在一起作为一个残差网络模块,另外一种是1*1、3*3、1*1的3个卷积网络串接在一起作为一个残差模块。本发明中初始分类神经网络采用的是第一种残差网络模块,若采用更深层的ResNet网络结构,可以使用第二种残差网络模块。本发明的ResNet网络结构如图1所示,使用ResNet网络结构更容易优化,并且能够通过增加相当的深度来提高准确率。将旧类别图像的数据集放入指定文件夹中,利用旧类别图像的数据集中的训练集训练分类神经网络,得到一个良好的初始分类神经网络。
步骤3,类增量学习神经网络搭建
增量学习算法流程图如图2所示,本发明将增量学习算法应用于初始分类神经网络中,对于具有n个旧类(n种旧的图像种类)和m个新类(m种新的图像种类)的数据集,使用对n个旧类进行分类的初始分类神经网络中的知识提炼来学习一个新的神经网络,以对n+m类进行分类。具体通过损失函数来更新模型参数,其中损失函数由蒸馏损失以及交叉熵损失函数融合而成。
有关蒸馏损失函数,可以参见:Geoffrey Hinton,Oriol Vinyals,etal.Distilling the Knowledge in a Neural Network[J].2015.下面对本实施例进行说明:
将新类的样本表示为Xm={(xi,yi),1≤i≤M,yi∈[n+1,...,n+m]},其中M代表的是新样本的数量,xi和yi分别表示的是样本的图像和标签。从旧的示例中选择的示例表示为其中Ns代表的是旧图像数,在实际应用中可能存在Ns远小于M,这是由于新增加的数据集可能会越来越多。将旧分类器的logits输出和新分类器的logits输出分别表示为和通过损失函数来更新网络的参数模型:损失函数为L(θ)=λLd(θ)+(1-λ)Lc(θ),其中蒸馏损失函数为交叉熵分类损失函数为其中pk(x)代表的是n+m新旧类别中的第k个类别的输出概率。
为了保证大规模数据的增量学习,完成上述模型参数更新后,使用具有模型来矫正偏差。具体步骤如下:在神经网络中添加一个偏置校正层。保留旧类别(1,...,n)的logits输出,并应用线性模型来纠正新类(n+1,...,n+m)的logits输出的偏差。模型如下:
采用上述方法可以有效的矫正完全连接层引入的偏置。增量学习模型BiasCorrection位置示意图如图3所示。至此类增量学习神经网络搭建完成。
步骤4:基于单分类技术的图像类别增量学习模型搭建
本发明中单类分类器选用支持向量域描述(SVDD)方案实现。当新类别图像的数据集进入单分类器中,分类器先训练出一个最小的超球面,将这堆图像数据全部“围起来”,识别一个新的图像数据时,如果这个图像数据点落在超球面内,就属于新类,否则不是。
首先求一个中心为a,半径为R的最小球面:
采用拉格朗日对偶求解之后,可以判断新的数据点z是否在内,如果z到中心的距离小于或者等于半径R,则是新类别图像,如果在超球体以外,则是旧类别图像。至此单分类器训练完成。
搭建基于单分类技术的图像类别增量学习模型过程分为训练阶段和测试阶段,如图4所示。
在训练阶段,(1)若仅含有旧类别图像的数据集,不训练单分类器,仅训练初始分类神经网络。(2)若数据集中第一次加入新类别图像的数据集,利用新类别图像的数据集训练类增量学习神经网络。同时利用新类别图像的数据集,训练单分类器,使得单分类器能够有效地识别出出旧类别图像的数据集与新类别图像的数据集。(3)若数据集中第二次加入新类别图像的数据集(与(2)中的数据集不同),此时(2)中的新类别图像的数据集自动变成旧类别图像的数据集,利用新类别图像的数据集(该数据集是第二次加入的新类别图像的数据集,与(2)中无关,下同)训练类增量学习神经网络。同时利用新类别图像的数据集,训练单分类器,同时丢弃(2)中训练好的单分类器,使得新单分类器能够有效地识别出出旧类别图像的数据集与新类别图像的数据集。保存类增量学习神经网络记作最新增量后的类增量学习网络,与此同时,保存(2)中类增量学习神经网络并记作上一次增量后保留的类增量学习神经网络。(4)若数据集中第n(n>2)次加入新类别图像的数据集,训练过程与(3)中的步骤一致。
在测试阶段,将测试数据集中的图片经过单分类器,判断出测试集中的图片属于旧类别图像还是新类别图片。若测试图像为旧类别,则测试图像会进入训练好的上一次增量后保留的类增量学习神经网络进行预测,并输出预测结果;若测试图像为新类别,则测试图像会进入最新增量后的类增量学习网络进行预测,并输出预测结果。
步骤5:实验数据分析
对比未添加步骤4的模型实验结果与添加步骤4的模型实验结果。结果如方案实施效果所示。通过对方案实施效果进行分析,本发明模型可以有效的提高增量学习识别准确率。为后续的增量学习算法研究以及工程应用提供新的思路。
方案实施效果
数据集由10个类的1200个32*32彩色图像组成,每个类共有120张图像。有90张训练图像,10张验证图像和20张测试图像组成。
模型预先学习两种类别图片,增量学习过程中,每次学习图片类别数增加两类。实验效果如下表所示:
由此可见,采用步骤4的方法可以有效提升增量学习模型识别准确率。
Claims (1)
1.一种基于单分类技术的图像类别增量学习方法,包括下列步骤:
步骤1:数据集制作
将收集到的不同种类图像的尺寸大小处理为固定尺寸,并按照一定比例划分为训练集、验证集、测试集,之后对图像进行标注;制作出包含数据、标签、列表的二进制文件,数据集制作完成;
步骤2:初始分类神经网络搭建
初始分类神经网络的搭建选用深度残差网络ResNet,设置初始训练和测试参数,包括设定图像类别以及类别数,验证集的数目和迭代次数,将旧类别图像的数据集放入指定文件夹中,训练分类神经网络,得到一个初始分类神经网络;
步骤3:类增量学习神经网络搭建
对步骤2中初始分类神经网络进行修改,使初始分类神经网络具有类增量学习的功能:调整输出的类别以及类别数量参数,并将新类别图像的数据集放入指定文件夹中,训练类增量学习神经网络时,通过知识蒸馏算法来更新模型参数,即,融合蒸馏损失和交叉熵损失函数成为新的损失函数,此外在类增量学习神经网络中添加Bias correction结构,使类增量学习神经网络能够适应大规模的图像类别增量学习;
步骤4:基于单分类技术的图像类别增量学习模型搭建
在训练阶段,(1)若仅含有旧类别图像的数据集,不训练单分类器,仅训练初始分类神经网络;(2)若数据集中第一次加入新类别图像的数据集,利用新类别图像的数据集训练类增量学习神经网络,同时利用新类别图像的数据集,训练单分类器,使得单分类器能够有效地识别出旧类别图像的数据集与新类别图像的数据集;(3)若数据集中第二次加入新类别图像的数据集,将第二次加入的新类别图像视为新类别图像,将第(2)步中得到的数据集视为旧类别图像数据集,利用新类别图像的数据集训练类增量学习神经网络,同时利用新类别图像的数据集,训练单分类器,同时丢弃第(2)步中训练好的单分类器,使得新单分类器能够有效地识别出旧类别图像的数据集与新类别图像的数据集,保存类增量学习神经网络记作最新增量后的类增量学习网络,与此同时,保存第(2)步中类增量学习神经网络并记作上一次增量后保留的类增量学习神经网络,按照上述训练过程,加入新类别图像;
在测试阶段,将测试数据集中的图片经过单分类器,判断出测试集中的图片是否属于旧类别图像;若测试图像为旧类别,则测试图像会进入训练好的上一次增量后保留的类增量学习神经网络进行预测,并输出预测结果;否则,测试图像进入最新增量后的类增量学习网络进行预测,并输出预测结果;所述单分类器选用支持向量域描述SVDD方案实现,当新类别图像的数据集进入单分类器中,分类器先训练出一个最小的超球面,将图像数据全部围起来,识别一个新的图像数据时,如果这个图像数据点落在超球面内,就属于新类,否则不是。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010076321.5A CN111368874B (zh) | 2020-01-23 | 2020-01-23 | 一种基于单分类技术的图像类别增量学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010076321.5A CN111368874B (zh) | 2020-01-23 | 2020-01-23 | 一种基于单分类技术的图像类别增量学习方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111368874A CN111368874A (zh) | 2020-07-03 |
CN111368874B true CN111368874B (zh) | 2022-11-15 |
Family
ID=71207910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010076321.5A Active CN111368874B (zh) | 2020-01-23 | 2020-01-23 | 一种基于单分类技术的图像类别增量学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111368874B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111597374B (zh) * | 2020-07-24 | 2020-10-27 | 腾讯科技(深圳)有限公司 | 图像分类方法、装置及电子设备 |
CN112200260B (zh) * | 2020-10-19 | 2022-06-14 | 厦门大学 | 一种基于丢弃损失函数的人物属性识别方法 |
CN112488209B (zh) * | 2020-11-25 | 2024-02-20 | 南京大学 | 一种基于半监督学习的增量式图片分类方法 |
CN113762304B (zh) * | 2020-11-26 | 2024-02-06 | 北京京东乾石科技有限公司 | 图像处理方法、图像处理装置和电子设备 |
CN112766380B (zh) * | 2021-01-21 | 2023-01-03 | 西安电子科技大学 | 一种基于特征增益矩阵增量学习的图像分类方法及系统 |
CN112990280B (zh) * | 2021-03-01 | 2023-08-25 | 华南理工大学 | 面向图像大数据的类增量分类方法、系统、装置及介质 |
CN113177630B (zh) * | 2021-04-13 | 2024-02-13 | 中国科学院信息工程研究所 | 一种针对深度学习模型的数据记忆消除方法和装置 |
CN113259331B (zh) * | 2021-04-29 | 2022-10-11 | 上海电力大学 | 一种基于增量学习的未知异常流量在线检测方法及系统 |
CN113361719A (zh) * | 2021-06-04 | 2021-09-07 | 北京百度网讯科技有限公司 | 基于图像处理模型的增量学习方法和图像处理方法 |
CN113515656B (zh) * | 2021-07-06 | 2022-10-11 | 天津大学 | 一种基于增量学习的多视角目标识别与检索方法、及装置 |
CN113469090B (zh) * | 2021-07-09 | 2023-07-14 | 王晓东 | 水质污染预警方法、装置及存储介质 |
CN113837156A (zh) * | 2021-11-26 | 2021-12-24 | 北京中超伟业信息安全技术股份有限公司 | 一种基于增量学习的智能仓储分拣方法和系统 |
CN114612721A (zh) * | 2022-03-15 | 2022-06-10 | 南京大学 | 基于多层次自适应特征融合类增量学习的图像分类方法 |
CN114693993A (zh) * | 2022-03-23 | 2022-07-01 | 腾讯科技(深圳)有限公司 | 一种图像处理和图像分类方法、装置、设备及存储介质 |
CN114677547B (zh) * | 2022-04-07 | 2024-03-29 | 中国科学技术大学 | 一种基于自保持表征扩展的类增量学习的图像分类方法 |
CN116229388B (zh) * | 2023-03-27 | 2023-09-12 | 哈尔滨市科佳通用机电股份有限公司 | 基于目标检测网络的动车异物检测方法、系统及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463191A (zh) * | 2014-10-30 | 2015-03-25 | 华南理工大学 | 一种基于注意机制的机器人视觉处理方法 |
CN105809184A (zh) * | 2015-10-30 | 2016-07-27 | 哈尔滨工程大学 | 一种适用于加油站的车辆实时识别跟踪与车位占用判断的方法 |
CN108121998A (zh) * | 2017-12-05 | 2018-06-05 | 北京寄云鼎城科技有限公司 | 一种基于Spark框架的支持向量机训练方法 |
CN109492765A (zh) * | 2018-11-01 | 2019-03-19 | 浙江工业大学 | 一种基于迁移模型的图像增量学习方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7565370B2 (en) * | 2003-08-29 | 2009-07-21 | Oracle International Corporation | Support Vector Machines in a relational database management system |
US9646226B2 (en) * | 2013-04-16 | 2017-05-09 | The Penn State Research Foundation | Instance-weighted mixture modeling to enhance training collections for image annotation |
US20190095400A1 (en) * | 2017-09-28 | 2019-03-28 | Sas Institute Inc. | Analytic system to incrementally update a support vector data description for outlier identification |
-
2020
- 2020-01-23 CN CN202010076321.5A patent/CN111368874B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463191A (zh) * | 2014-10-30 | 2015-03-25 | 华南理工大学 | 一种基于注意机制的机器人视觉处理方法 |
CN105809184A (zh) * | 2015-10-30 | 2016-07-27 | 哈尔滨工程大学 | 一种适用于加油站的车辆实时识别跟踪与车位占用判断的方法 |
CN108121998A (zh) * | 2017-12-05 | 2018-06-05 | 北京寄云鼎城科技有限公司 | 一种基于Spark框架的支持向量机训练方法 |
CN109492765A (zh) * | 2018-11-01 | 2019-03-19 | 浙江工业大学 | 一种基于迁移模型的图像增量学习方法 |
Non-Patent Citations (2)
Title |
---|
Credit scoring using incremental learning algorithm for SVDD;Yongquan Cai et al.;《2016 International Conference on Computer, Information and Telecommunication Systems (CITS)》;20160818;全文 * |
一种SVDD增量学习淘汰算法;孔祥鑫等;《计算机工程与应用》;20180930;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111368874A (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368874B (zh) | 一种基于单分类技术的图像类别增量学习方法 | |
CN114241282B (zh) | 一种基于知识蒸馏的边缘设备场景识别方法及装置 | |
Tong et al. | An evidential classifier based on Dempster-Shafer theory and deep learning | |
CN111985601A (zh) | 用于增量学习的数据识别方法 | |
CN112308211B (zh) | 一种基于元学习的领域增量方法 | |
CN110555459A (zh) | 基于模糊聚类和支持向量回归的成绩预测方法 | |
CN114170461B (zh) | 基于特征空间重整化的师生架构含噪声标签图像分类方法 | |
CN115048870A (zh) | 基于残差网络和注意力机制的目标轨迹识别方法 | |
CN114140645B (zh) | 基于改进自监督特征学习的摄影图像美学风格分类方法 | |
CN113095229B (zh) | 一种无监督域自适应行人重识别系统及方法 | |
CN114357221A (zh) | 一种基于图像分类的自监督主动学习方法 | |
CN114495114B (zh) | 基于ctc解码器的文本序列识别模型校准方法 | |
CN116029379A (zh) | 空中目标意图识别模型构建方法 | |
WO2022174436A1 (zh) | 分类模型增量学习实现方法、装置、电子设备及介质 | |
CN115082955A (zh) | 一种深度学习全局优化方法、识别方法、装置及介质 | |
Louati et al. | Embedding channel pruning within the CNN architecture design using a bi-level evolutionary approach | |
JP6701467B2 (ja) | 学習装置および学習方法 | |
CN113961727B (zh) | 一种跨媒体哈希检索方法、装置、终端及存储介质 | |
CN113240565B (zh) | 基于量化模型的目标识别方法、装置、设备及存储介质 | |
Lemghari et al. | Handling noisy annotations in deep supervised learning | |
WO2024000566A9 (en) | Method and apparatus for auxiliary learning with joint task and data scheduling | |
Wan | Efficiently Designing Efficient Deep Neural Networks | |
CN113537290B (zh) | 一种基于超高维数据元聚类的图像匹配方法 | |
WO2022198477A1 (zh) | 分类模型增量学习实现方法、装置、电子设备及介质 | |
Doan | Ensemble Learning for Multiple Data Mining Problems |
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 |