CN111401519B - 一种基于物体内和物体间相似性距离的深层神经网络无监督学习方法 - Google Patents

一种基于物体内和物体间相似性距离的深层神经网络无监督学习方法 Download PDF

Info

Publication number
CN111401519B
CN111401519B CN202010151779.2A CN202010151779A CN111401519B CN 111401519 B CN111401519 B CN 111401519B CN 202010151779 A CN202010151779 A CN 202010151779A CN 111401519 B CN111401519 B CN 111401519B
Authority
CN
China
Prior art keywords
sample
triplet
neural network
data
objects
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
CN202010151779.2A
Other languages
English (en)
Other versions
CN111401519A (zh
Inventor
刘波
张开创
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.)
Beijing University of Technology
Original Assignee
Beijing 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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202010151779.2A priority Critical patent/CN111401519B/zh
Publication of CN111401519A publication Critical patent/CN111401519A/zh
Application granted granted Critical
Publication of CN111401519B publication Critical patent/CN111401519B/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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Landscapes

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

Abstract

本发明提出的是一种基于物体内和物体间相似性距离的深层神经网络无监督学习方法，所属领域为人工智能，具体包括两个阶段：无监督特征学习阶段具体包括：搭建三元组网络结构；采用基于对象的三元组采样算法进行样本采样，用于反向传播；采用基于对象的三元组损失进行网络参数的优化。迁移到具体任务阶段具体包括：使用第一阶段获得的网络参数进行特征提取；将提取出的特征用于分类或者聚类等下游任务的训练。通过基于对象的三元组损失以及基于对象的三元组采样算法训练提取到的特征，能够用于分类以及聚类等下游任务。为挖掘大量没有标签的视觉数据的潜能提供了一种新的解决方案。

Description

一种基于物体内和物体间相似性距离的深层神经网络无监督 学习方法
技术领域
本发明属于人工智能领域，更具体来说是基于深度学习的无监督特征学习。
背景技术
近年来，深度学习在计算机视觉领域取得了惊人的成果。人工智能特别是深度学习的发展，带给我们的影响是巨大的，对整个世界和社会的影响都是可见的。
虽然人工智能发展迅速，但是距离真正的智能还有很远的距离，而其中最有发展潜力的莫过于无监督学习算法。因为我们有难以估计的没有人为标注的视觉数据，以及这些数据仍然以极快的速度增长。对于这些数据来说，是不可能有任何的标签的。原因在于，第一，数据量之巨,标注所需要花费的时间和人力是难以估计；第二，有些数据的标注需要特定领域的专业知识。比如，医学图像的标注；第三，人为标注数据可能存在一定的主观因素存在。因此，对于无监督特征学习的研究是很有意义的。
目前，对于无监督特征学习的研究兴趣在不断的增加。总结过去几年无监督特征学习的算法的研究与发展，可以大致分为生成式概率模型、基于重建的无监督特征学习、基于聚类的无监督特征学习、自监督特征学习、无监督深度度量学习等方法。但是，这些算法大多数采用静态图像数据作为模型学习的来源，但是场景中的动态物体对象对于无监督学习来说可以提供更强烈的监督信息---同一物体对象的视觉图像属于同一类别，这也就意味着它们在特征空间中是聚集在一起的。
发明内容
本发明要解决的问题是通过无监督学习方法提取物体对象的特征表示，进而完成下游任务。与现有方法不同之处在于，在网络训练阶段采用基于对象的三元组采样算法和损失函数，利用大量的、无物体类别标签的、不同物体类别的、不同物体对象的数据训练网络，使网络具备能够准确识别不同物体类别的能力，进而在训练完成之后能够有效的提取物体对象的特征表示。
事实上，人类并不是从静态图像中学习图像特征表示，而是从多年的场景中的动态物体对象中学习，这说明物体对象为人类的学习提供了强大的信息。受到这种信息的启发，本发明利用同一物体对象的图像数据样本属于同种类别这一监督信息，具体表现在同一物体对象的图像样本的特征在特征空间中也更加接近。本发明利用这种监督信息发明了基于对象的三元组采样算法和损失函数，使得以三元组卷积神经网络结构来实现无监督特征学习成为可能。
具体技术方案如下：
包括两个阶段：首先，第一个阶段为无监督特征学习阶段，用于获取能够提取特征的卷积神经网络参数，具体包括，第一步，搭建三元组卷积神经网络(三分支共享权重)；第二步，采用基于对象的三元组采样算法对三元组卷积神经网络的输出进行采样；第三步，采用基于对象的三元组损失函数进行网络参数的优化；其次，第二个阶段为迁移到具体任务阶段，具体包括，第一步，使用第一阶段获得的卷积神经网络模型及其参数进行特征提取；第二步，将提取出的特征用于分类、聚类等下游任务的训练。通过基于对象的三元组损失以及基于对象的三元组采样算法训练提取到的特征，能够用于分类以及聚类等下游任务。
如图1所示为具体的流程图。
第一阶段：
步骤1，搭建三元组卷积神经网络(三分支共享权重)；
三元组卷积神经网络是受到“双胞胎”卷积神经网络结构的启发产生的，相对于“双胞胎”卷积神经网络，它能够更多的关注于正样本和负样本相对于基准样本的相对相似性。如图2所示为三元组卷积神经网络结构，从图中可以看出，三元组卷积神经网络结构逻辑上分为三个分支，但是物理上可以是三个分支，也可以是单个分支。本发明中的三个样本都是视觉图像样本，所以采用的是物理上共享权值的单分支。其中三元组卷积神经网络将使用Resnet18作为基础网络，也可以根据需求选择分类网路作为基础网络，比如Lenet、Alexnet、ZFnet、VGGNet、GoogleNet、Resnet。
步骤2，采用基于对象的三元组采样算法对三元组卷积神经网络的输出进行采样；
步骤1中三元组卷积神经网络的输出为图像样本的特征向量，需要把输出的图像样本的特征向量采样成为三元组作为基于对象的三元组损失函数的输入计算。对于三元组卷积神经网络的优化来说，如何去采样是一个很重要的部分。本发明提出了基于对象的三元组采样算法来进行采样。本质上是通过使用同一物体对象的图像样本一定属于同一类别样本，这一监督信息来进行采样。
步骤3，通过最小化基于对象的三元组损失进行网络参数的优化；
为了适配步骤1中三元组卷积神经网络以及步骤2中基于对象的三元组采样算法。本发明提出基于对象的三元组损失函数。本质上是让不同物体对象且不同类别图像样本之间的距离在特征空间中相对的较远，而让相同的物体对象的图像样本之间的距离在特征空间中相对的较近。具体的损失函数如公式(1)所示。
Figure BDA0002402705760000031
其中，D_intra表示所有基准样本和正样本之间相似度之和，其中相似度使用欧式距离或者余弦相识度来进行度量；D_inter表示所有基准样本和负样本的相似度之和；|T|表示三元组集合中三元组数量，取决于三元组采样算法；N表示单批数据中的物体对象个数；f(x)表示样本在映射空间中的表示，一般为dim维的向量；Oo表示第o个物体对象的样本集合；d(f(x_i),f(x_j))表示样本x_i和样本x_j在特征空间中的相似性，其中d(·)即为欧式距离函数或者余弦相识度函数；margin表示阈值，0.5≤margin≤5；x_a表示基准样本；x_p表示正样本；x_n表示负样本；
三元组卷积神经网络采用基于对象的三元组损失函数进行训练，直到迭代若干周期。然后，保存三元组卷积神经网络模型及其参数。
第二阶段：
步骤1，使用第一阶段获得的卷积神经网络模型及其参数进行特征提取；
使用第一阶段训练好的卷积神经网络模型及其参数作为本阶段的卷积神经网络来进行特征提取。需要注意的是，模型不在进行训练以及参数的优化，仅仅将用于聚类任务的数据进行前向传播来获取这些数据样本的特征向量。
步骤2，将提取出的特征用于分类、聚类等下游任务的训练。
把本阶段步骤1中获取的用于聚类任务的样本特征向量，用于聚类算法。
从而评价本发明对于图像数据样本的特征提取能力。
有益效果
与现有方法相比，本发明解决了无人为标注视觉数据的使用问题，极大的降低了使用成本，并且利用物体内和物体间相似性距离作为深度学习的依据，提高了识别的准确性。
附图说明
图1本发明流程图
图2无监督特征学习阶段示意图
图3基础网络结构图对比示意图。
具体实施方式
本发明使用到的实验环境资源如下所述，采用GPU为Tesla K80(24G)用于卷积神经网络的加速训练；使用到的软件有：操作系统为Ubuntu16.04LTS、Python版本3.6.9、Pytorch0.4.1、Scikit-learn 0.19.2等。
具体实验步骤细节如下：
步骤1，数据准备；
在现实生活中，一种物体类别下存在很多个物体对象，比如，对于物体类别“狗”，特定的一只哈士奇是类别“狗”的一个物体对象，不同的哈士奇是类别“狗”的不同的物体对象，当然，也可以将哈士奇、贵宾犬、吉娃娃这些细分类别作为物体类别。
本发明的输入数据是基于物体对象的图像数据，具体是把图像数据按物体对象分为若干份，每一份包含多张图片，比如单个物体对象的视频、视频中追踪到的物体对象以及单个物体对象不同姿态、光照的多张图像，理想状态下可以用无监督方法追踪视频中的物体对象并分割出来。
但是，用于收集数据的成本过高，本发明采用公开的静态数据集来模拟动态物体对象的图像数据，比如把MNIST的训练数据集和测试数据分成600个物体对象，并且每个物体对象中包括100个图像样本。
步骤2，搭建三元组卷积神经网络(三分支共享权重)；
用pytorch搭建Resnet18作为三元组卷积神经网络的基础网络结构，且不进行预训练模型的加载，由于三元组卷积神经网络的三个分支共享权重，所以，可以使用单分支的卷积神经网络来进行对样本特征的提取。由于Resnet18的最后一层全连接层的输出为1000维度的特征向量，本发明在Restnet18的最后一层再接一个全连接层输出为dim维度的特征向量，dim可以取值16，32，64，128，一般情况下，数据类别越多，取值越大，具体可以根据数据样本的类别进行调整。这里使用取dim等于128，一方面，用于比较与其他方法的优劣；另一方面，经过实验可以发现128可能是在实验数据上的最优选择，具体网络结构图如图3所示。本发明除了将Resnet18作为基础网络结构外，也可以根据需求选择分类网路作为基础网络，比如Lenet、Alexnet、ZFnet、VGGNet、GoogleNet、Resnet。
步骤3，采用基于对象的三元组采样算法对三元组卷积神经网络的输出的特征向量进行采样；
用步骤2中搭建的三元组卷积神经网络结构提取出样本的特征向量以后，需要对样本进行三元组采样。本发明提出了基于对象的三元组采样算法来进行采样。本质上是通过使用同一物体对象的图像一定属于同一类别，这一监督信息来进行采样。具体为，把任意样本作为一个基准样本，然后采样同一物体对象的图像作为正样本，最后采样不同物体对象的样本作为负样本。如下算法所示。
Figure BDA0002402705760000051
使用基于对象的三元组采样算法存在一个问题，就是采样负样本的时候可能出现基准样本和负样本属于同种类物体对象。需要注意的是，这种情况对于整体的训练来说是没有任何影响的。主要原因在于，相同类别不同的物体对象的图像样本在视觉上本身是有所不同的。对于这些负样本采样和基准样本一样类别的情况时，三元组用于学习相对于类别特征更加细粒度的特征用于区别相同类别的图像在视觉上的区别。
步骤4，采用基于对象的三元组损失进行网络参数的优化；
用python在pytorch中来实现基于对象的三元组损失函数，作为三元组卷积神经网络的损失函数进行网络参数的优化。前向传播过程单个批次数据中，所有样本进行前向传播获取到所有样本的特征向量；基于这些特征向量，使用提出的基于对象的三元组采样算法进行采样，获取本批次中的三元组集合；最后，进行基于对象的三元组损失函数的计算。后向传播过程，采用梯度下降法以及误差反向传播算法进行参数的更新。参数设置如下：基础学习率设置为1e-3；margin设置为1.0；权重衰减值设置为1e-4；gamma设置为0.1；步长设置为8；迭代周期设置为30，意味着所有的样本会参与前向传播30次。
训练完成以后，保存网络结构以及参数。
步骤5，使用步骤4中获得的网络模型及其参数进行特征提取；
使用步骤4保存好的网络结构以及参数进行数据的特征向量提取，并且在本步骤中不再进行网络模型参数的更新，而是直接冻结所有层的参数。让所有的数据只进行前向传播来获取到它们所对应的特征向量用于下一步骤的聚类任务。
步骤6，将提取出的特征用于分类、聚类任务等下游任务；
对于提取到的样本的特征向量，可以用来做分类、聚类、检测、以及检索等下游任务。如今的很多应用，比如检索、行人重识别、识别等中，往往是需要对图像进行特征提取以后进行对比，使用本发明提取到特征可以作为很好的选择。
为了说明本发明的有效性，做了以下实验，具体为：用步骤5中提取出的特征向量作为K-means算法的输入来用到聚类任务之中，并且和其他的一些聚类算法进行比较，从而，说明本发明的有效性。构建Kmean聚类算法时，直接使用了python的机器学习包sklearn中的kmeans算法。
所涉及的聚类实验中使用到的聚类性能度量指标，包括聚类精确率以及归一化互信息；评价标准根据是否存在“参考模型”分为“外部指标”和“内部指标”，由于本发明中设计的实验数据为公开数据集，均存在类别标签信息。所以采用了两种“外部指标”作为评价聚类好坏的标准——聚类精确度、归一化互信息。
实验一，Kmeans聚类算法直接把数据是作为输入；
本发明，Kmeans聚类算法把本发明提取出的特征向量作为输入。
聚类精确度：
Figure BDA0002402705760000071
其中，ri,si分别表示数据xi所对应的获得的标签和真实标签，n为数据的个数，δ表示指示函数如下：
Figure BDA0002402705760000072
而式中的map则表示最佳类标的重现分配，以才能保证统计的正确。以聚类精确度为评价指标的实验结果如下表1所示。
实验结果如下表1所示。
Figure BDA0002402705760000073
表1 实验结果对比
归一化互信息：
Figure BDA0002402705760000074
其中，I表示互信息(Mutual Information)，H为熵，当log取2为底时，单位为bit，取e为底时，单位为nat。
以聚类精确度为评价指标的实验结果如下表2所示。
Figure BDA0002402705760000075
Figure BDA0002402705760000081
表2 实验结果对比
由以上两个表可知，以本文提出的无监督特征学习算法学习到的特征作为Kmean算法的输入进行聚类，可以发现基于本发明提出的算法学习到的特征用于Kmeans算法取得的聚类效果比大多数的聚类算法要的好很多。这说明，本文提出的算法能够学习有利于聚类算法的特征，也表明本文提出的基于相似度的无监督特征学习算法能够提取到有用的特征。

Claims (3)

1.一种基于物体内和物体间相似性距离的深层神经网络无监督学习方法，其特征在于包括无监督特征学习阶段，具体包括以下步骤：
步骤1，数据准备；
步骤2，将步骤1处理后的数据样本输入三元组卷积神经网络，得到每个数据样本的特征向量；
步骤3，采用基于对象的三元组采样算法对步骤2得到的数据样本的特征向量进行采样，得到三元组集合；
步骤4，以步骤3得到的三元组集合作为输入，采用基于对象的三元组损失来计算损失，然后再进行反向传播，对三元组卷积神经网络进行网络参数的优化；
具体的，步骤2所述的三元组卷积神经网络包括结构相同且共享权重的三条分支，三条分支进行共享权值，单分支以Resnet18作为基础网络结构，并在标准的Resnet18的最后一个全连接层后面再添加一个输出为128的全连接层；
三元组损失函数如公式(1)所示：
Figure FDA0004237527420000011
其中，Dintra表示所有基准样本和正样本之间相似度之和，其中相似度使用欧式距离或者余弦相识度来进行度量；Dinter表示所有基准样本和负样本的相似度之和；|T|表示三元组集合中三元组数量，取决于三元组采样算法；N表示单批数据中的物体对象个数；f(x)表示样本在映射空间中的表示；Oo表示第o个物体对象的样本集合；d(f(xi),f(xj))表示样本xi和样本xj在特征空间中的相似性，其中d(·)即为欧式距离函数或者余弦相识度函数；margin表示阈值，0.5≤margin≤5；xa表示基准样本；xp表示正样本；xn表示负样本；
步骤1中所述的数据准备指准备多种物体类别的数据，每种物体类别包括多个物体对象的多张图像。
2.根据权利要求1所述一种基于物体内和物体间相似性距离的深层神经网络无监督学习方法，其特征在于，
步骤3中所述的基于对象的三元组采样算法的输入为步骤2中输出的所有数据样本的特征向量，具体步骤为：首先，抽取相同物体对象中的任意两个特征向量组成基准样本-正样本对；其次，为每个基准样本-正样本对选择一个负样本组成三元组，所述的负样本为与基准样本和正样本属于不同物体对象且满足一定条件的特征向量，满足条件为基准样本和负样本之间的距离减去基准样本和正样本之间的距离小于一个阈值；最后，把组成的所有三元组作为一个集合作为返回结果。
3.根据权利要求1所述一种基于物体内和物体间相似性距离的深层神经网络无监督学习方法，其特征在于，步骤4的优化过程为：以基于对象的三元组损失函数为最小化目标函数，采用梯度下降法和反向传播算法对三元组卷积神经网络进行参数优化。
CN202010151779.2A 2020-03-06 2020-03-06 一种基于物体内和物体间相似性距离的深层神经网络无监督学习方法 Active CN111401519B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010151779.2A CN111401519B (zh) 2020-03-06 2020-03-06 一种基于物体内和物体间相似性距离的深层神经网络无监督学习方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010151779.2A CN111401519B (zh) 2020-03-06 2020-03-06 一种基于物体内和物体间相似性距离的深层神经网络无监督学习方法

Publications (2)

Publication Number Publication Date
CN111401519A CN111401519A (zh) 2020-07-10
CN111401519B true CN111401519B (zh) 2023-07-04

Family

ID=71428618

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010151779.2A Active CN111401519B (zh) 2020-03-06 2020-03-06 一种基于物体内和物体间相似性距离的深层神经网络无监督学习方法

Country Status (1)

Country Link
CN (1) CN111401519B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106980641A (zh) * 2017-02-09 2017-07-25 上海交通大学 基于卷积神经网络的无监督哈希快速图片检索系统及方法
CN109359684A (zh) * 2018-10-17 2019-02-19 苏州大学 基于弱监督定位和子类别相似性度量的细粒度车型识别方法
CN110321957A (zh) * 2019-07-05 2019-10-11 重庆大学 融合三元组损失和生成对抗网络的多标签图像检索方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2018137358A1 (zh) * 2017-01-24 2018-08-02 北京大学 基于深度度量学习的目标精确检索方法
CN106980641A (zh) * 2017-02-09 2017-07-25 上海交通大学 基于卷积神经网络的无监督哈希快速图片检索系统及方法
CN109359684A (zh) * 2018-10-17 2019-02-19 苏州大学 基于弱监督定位和子类别相似性度量的细粒度车型识别方法
CN110321957A (zh) * 2019-07-05 2019-10-11 重庆大学 融合三元组损失和生成对抗网络的多标签图像检索方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FaceNet: A Unified Embedding for Face Recognition and Clustering;Florian Schroff 等;《CVPR2015》;全文 *
基于附加间隔Softmax特征的人脸聚类算法;王锟朋;高兴宇;;计算机应用与软件(第02期);全文 *
深度卷积特征向量用于快速人脸图像检索;李振东;钟勇;曹冬平;;计算机辅助设计与图形学学报(第12期);全文 *

Also Published As

Publication number Publication date
CN111401519A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
CN110851645B (zh) 一种基于深度度量学习下相似性保持的图像检索方法
CN107133569B (zh) 基于泛化多标记学习的监控视频多粒度标注方法
CN110555060B (zh) 基于成对样本匹配的迁移学习方法
CN110135459B (zh) 一种基于双三元组深度度量学习网络的零样本分类方法
CN111881714A (zh) 一种无监督跨域行人再识别方法
CN107169117B (zh) 一种基于自动编码器和dtw的手绘图人体运动检索方法
CN112819065B (zh) 基于多重聚类信息的无监督行人难样本挖掘方法和系统
CN113761259A (zh) 一种图像处理方法、装置以及计算机设备
CN112507778B (zh) 一种基于线特征的改进词袋模型的回环检测方法
CN110675421A (zh) 基于少量标注框的深度图像协同分割方法
CN109670423A (zh) 一种基于深度学习的图像识别系统、方法及介质
CN113780245B (zh) 一种多场景下的物品检索方法及系统
CN115393666A (zh) 图像分类中基于原型补全的小样本扩充方法及系统
CN114579794A (zh) 特征一致性建议的多尺度融合地标图像检索方法及系统
CN114782752A (zh) 基于自训练的小样本图像集成分类方法及装置
CN114329031A (zh) 一种基于图神经网络和深度哈希的细粒度鸟类图像检索方法
CN113032613A (zh) 一种基于交互注意力卷积神经网络的三维模型检索方法
CN117093924A (zh) 基于域适应特征的旋转机械变工况故障诊断方法
CN112084353A (zh) 一种快速陆标-卷积特征匹配的词袋模型方法
CN115035966B (zh) 基于主动学习和符号回归的超导体筛选方法、装置及设备
CN111401519B (zh) 一种基于物体内和物体间相似性距离的深层神经网络无监督学习方法
CN114299342B (zh) 一种基于深度学习的多标记图片分类中未知标记分类方法
CN114627496B (zh) 基于高斯过程的去偏批量归一化的鲁棒行人重识别方法
CN115393631A (zh) 基于贝叶斯层图卷积神经网络的高光谱图像分类方法
CN115100694A (zh) 一种基于自监督神经网络的指纹快速检索方法

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