CN111612047B - 基于属性特征向量和可逆生成模型的零样本图像识别方法 - Google Patents

基于属性特征向量和可逆生成模型的零样本图像识别方法 Download PDF

Info

Publication number
CN111612047B
CN111612047B CN202010355551.5A CN202010355551A CN111612047B CN 111612047 B CN111612047 B CN 111612047B CN 202010355551 A CN202010355551 A CN 202010355551A CN 111612047 B CN111612047 B CN 111612047B
Authority
CN
China
Prior art keywords
feature vector
model
generation model
image
unseen
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
CN202010355551.5A
Other languages
English (en)
Other versions
CN111612047A (zh
Inventor
张海平
朱新威
李忠金
朱佳斌
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.)
Hangzhou Dianzi University
School of Information Engineering of Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
School of Information Engineering of Hangzhou Dianzi University
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 Hangzhou Dianzi University, School of Information Engineering of Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202010355551.5A priority Critical patent/CN111612047B/zh
Publication of CN111612047A publication Critical patent/CN111612047A/zh
Application granted granted Critical
Publication of CN111612047B publication Critical patent/CN111612047B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于属性特征向量和可逆生成模型的零样本图像识别方法。本发明包括以下步骤：步骤S1：使用已知类别的图像数据集训练可逆生成模型；步骤S2：使用经过训练的可逆生成模型生成未知类别的图像数据；步骤S3：根据生成的未知类别的图像数据训练SVM分类器；步骤S4：使用经过训练的SVM分类器对输入图像进行预测和识别。本发明采用一种全新的可逆生成模型解决零样本图像识别问题，借助多个仿射耦合变换将真实数据分布直接映射到多元高斯分布，训练过程简单且可逆，优化目标明确，避免了其他生成模型存在的训练不稳定性，维度重构损失和优化目标复杂等问题。

Description

基于属性特征向量和可逆生成模型的零样本图像识别方法
技术领域
本发明属于零样本图像识别领域，具体涉及到一种基于属性特征向量和可逆生成模型的零样本图像识别方法。
背景技术
随着人工智能和大数据技术的广泛应用，深度神经网络已经逐渐渗透到各行各业。越来越多的企业愿意收集自己的数据，并借助深度神经网络完成各类学习任务。例如，在图像目标识别任务中，深度神经网络已经达到，甚至超越，人类水平。然而，在现实生活中存在各式各样的物体类别，人工收集并标注大量数据存在数据收集困难、人工成本过高等问题。因此，在只有少量标注数据，甚至没有标注数据的情况下，如何训练一个有效的学习模型已经成为工业界和学术界共同面临的重要课题。
零样本图像目标识别的提出，旨在解决在没有标注数据的情况下完成对应物体类别的识别问题。现有的零样本图像识别技术主要分为基于特征空间映射的方法和基于生成模型的方法。基于特征空间映射的方法由于存在域漂移、映射偏至和高维空间枢纽点等固有问题，很难从根本上解决。因此，越来越多的研究集中在基于生成模型的方法上。
当前基于生成模型的零样本图像方法主要是借助生成对抗网络和变分自编码模型完成。生成对抗网络存在训练过程不稳定、消耗较多的计算资源和生成数据缺乏多模态等问题，而变分自编码模型存在维度重构损失和生成图像模糊等问题。
针对现有技术的不足，确有必要提出一种技术方案解决现有零样本图像识别技术存在的问题。
发明内容
针对现有技术的不足，确有必要提出一种基于属性向量和可逆生成模型的零样本图像识别技术，采用一种全新的可逆生成模型解决零样本图像识别问题。可逆生成模型借助多个仿射耦合变换，将真实数据分布映射为多元高斯分布，映射过程简单且可逆，另外具有训练过程稳定，优化目标明确，生成数据具有多模态等优点。
本发明方法的具体步骤是：
步骤S1：使用已知类别的图像数据集训练可逆生成模型；
步骤S2：使用经过训练的可逆生成模型生成未知类别的图像数据；
步骤S3：根据生成的未知类别的图像数据训练SVM分类器；
步骤S4：使用经过训练的SVM分类器对输入图像进行预测和识别；
其中，步骤S1具体实现如下：
步骤(S1-1)：使用预训练的ResNet101模型提取已知类别的图像特征向量Xseen；
步骤(S1-2)：通过人工标注和归一化的方法，获取所有类别的属性特征向量A＝Aseen∪Aunseen，其中，Aseen和Aunseen分别表示已知类别的属性特征向量和未知类别的属性特征向量；
步骤(S1-3)：根据步骤(S1-1)和步骤(S1-2)获取的已知类别的图像特征向量Xseen和属性特征向量Aseen，构建可逆生成模型G的训练集
Figure BDA0002473362100000021
其中，x∈Xseen，a∈Aseen，Nseen表示训练集Dtrain中包含的样本数量；
步骤(S1-4)：通过最大化似然函数的方法训练可逆生成模型G，得到最佳模型参数θ。
步骤S2具体实现如下：
步骤(S2-1)：使多元高斯分布函数生成Nunseen个随机高斯噪音z，其中，z的维度与步骤(S1-3)中x的维度一致，多元高斯分布函数表示如下：
Figure BDA0002473362100000022
步骤(S2-2)：将随机高斯噪音z和未知类别的属性特征向量Aunseen作为可逆生成模型的输入，使用经过训练的可逆生成模型的逆向生成操作,即x＝G-1(z，a：θ),为每个未知类别生成多个图像特征实例，构成未知类别的图像特征向量Xunseen，其中，a∈Aunseen。
步骤S3具体实现如下：
步骤(S3-1)：使用生成的未知类别的图像特征向量Xunseen和对应的类别标签Yunseen，构建SVM分类器的训练集
Figure BDA0002473362100000031
其中，x∈Xunseen，y∈Yunseen；
步骤(S3-2)：通过常规监督学习方法训练一个SVM分类器。
步骤S4具体实现如下：
步骤(S4-1)：使用预训练ResNet101模型对新输入的未知类别的测试图像进行特征抽取，获得未知类别的图像特征向量Xtest；
步骤(S4-2)：使用训练好的SVM分类器对未知类别的图像特征向量Xtest进行预测和分类，最终得到测试图像的标签Ytest。
进一步的，所述的步骤(S1-4)具体包括以下步骤：
步骤(S1-4-1)：初始化，使用24个条件仿射耦合模块构建可逆生成模型z＝G(x，a：θ)，设定优化目标函数为
Figure BDA0002473362100000032
最大迭代次数为EPOCH，当前迭代次数为e＝0；
步骤(S1-4-2)：在训练集Dtrain上对模型参数θ进行一次迭代优化，循环读取训练集
Figure BDA0002473362100000033
中所有的样本实例(x，a)作为可逆生成模型G的输入，并得到输出z＝G(x，a：θ),根据反向求导优化策略对模型参数θ进行梯度更新，使得目标函数
Figure BDA0002473362100000034
最小化；
步骤(S1-4-3)：计算e：＝e+1,判断当前迭代次数e是否大于最大迭代次数EPOCH，如果e大于EPOCH则输出最优参数θ，否则返回步骤(S1-4-2)进行下一轮迭代优化。
与现有技术相比较，本发明具有的有益效果如下：
(1)可扩展性：本发明使用生成模型直接生成未知类别的图像数据，将零样本图像识别问题转化为传统的监督学习问题。在本发明的整体框架下，生成模型和最终的分类器可以采用多种方案，适用于各类零样本学习任务，避免了基于特征空间映射方法的复杂性和不可扩展性。
(2)稳定性：本发明采用一种新型的可逆生成模型，借助多个仿射耦合变换将真实数据分布直接映射到多元高斯分布，训练过程简单且可逆，优化目标明确，避免了其他生成模型存在的训练不稳定性，维度重构损失和优化目标复杂等问题。
附图说明
图1为基于生成模型的零样本图像目标识别方法的整体框架图；
图2为条件仿射耦合模块的架构图；
图3为基于属性特征向量和可逆生成模型的零样本图像目标识别方法的详细架构图；
具体实施方式
以下将结合附图对本发明的技术方案进行详细说明。
参见图1所示为基于生成模型的零样本图像目标识别方法的整体框架图，整体而言，本发明包括4大步骤：
步骤S1：使用已知类别的图像数据集训练可逆生成模型；
步骤S2：使用经过训练的可逆生成模型生成未知类别的图像数据；
步骤S3：根据生成的未知类别的图像数据训练常规分类器；
步骤S4：使用经过训练的分类器对输入图像进行预测和识别。
参见3所示为基于属性特征向量和可逆生成模型的零样本图像目标识别方法的详细架构图，具体而言，步骤S1进一步包括如下步骤(1)到(4)：
步骤(1)：使用预训练的ResNet101模型提取已知类别的图像特征向量Xseen；
步骤(2)：通过人工标注和归一化的方法，获取所有类别的属性特征向量A＝Aseen∪Aunseen，其中，Aseen和Aunseen表示分别表示已知类别和未知类别的属性特征向量；
步骤(3)：根据上述两个步骤获取的已知类别的图像特征向量Xseen和属性特征向量Aseen，构建可逆生成模型G的训练集
Figure BDA0002473362100000041
Figure BDA0002473362100000042
其中，x∈Xseen，a∈Aseen，Nseen表示训练集Dtrain中包含的样本数量；
步骤(4)：通过最大化似然函数的方法训练可逆生成模型G，得到最佳模型参数θ；
步骤S2进一步描述为步骤(5)到(6)：
步骤(5)：使多元高斯分布函数生成Nunseen个随机高斯噪音z，其中，z的维度与步骤(3)中x的维度一致，多元高斯分布函数表示如下：
Figure BDA0002473362100000051
步骤(6)：将随机高斯噪音z和未知类别的属性特征向量Aunseen作为可逆生成模型的输入，使用经过训练的可逆生成模型的逆向生成操作,即x＝G-1(z，a：θ),为每个未知类别生成多个图像特征实例，构成未知类别的图像特征向量Xunseen，其中，a∈Aunseen。
步骤S3进一步包括如下步骤(7)到(8)：
步骤(7)：使用步骤(6)生成的未知类别的图像特征向量Xunseen和对应的类别标签Yunseen，构建SVM分类器的训练集
Figure BDA0002473362100000052
Figure BDA0002473362100000053
其中，x∈Xunseen，y∈Yunseen；
步骤(8)：通过常规监督学习方法训练一个SVM分类器；
步骤S4进一步包括如下步骤(9)到(10)：
步骤(9)：使用预训练ResNet101模型对新输入的未知类别的测试图像进行特征抽取，获得未知类别的图像特征向量Xtest；
步骤(10)：使用训练好的SVM分类器对未知类别的图像特征向量Xtest进行预测和分类，最终得到测试图像的标签Ytest。
作为优选的技术步骤，所述步骤(4)进一步包括以下步骤：
步骤(4.1)：构建条件仿射耦合模块ψ(·)，并使用24个条件仿射耦合模块构建可逆生成模型z＝G(x，a：θ)；
步骤(4.2)：初始化，设定优化目标函数为
Figure BDA0002473362100000054
最大迭代次数为EPOCH，当前迭代次数为e＝0；
步骤(4.3)：在训练集Dtrain上对模型参数θ进行一次迭代优化，循环读取训练数据集
Figure BDA0002473362100000055
中所有的样本实例(x，a)作为可逆生成模型G的输入，并得到输出z＝G(x，a：θ),根据反向求导优化策略对模型参数θ进行梯度更新，使得目标函数
Figure BDA0002473362100000056
最小化；
步骤(4.4)：计算e：＝e+1,判断当前迭代次数e是否大于最大迭代次数EPOCH，如果e大于EPOCH则输出最优参数θ，否则返回步骤(4.2)进行下一轮迭代优化。
参见图2所示为仿射耦合模块架构图，所述步骤(4.1)进一步包括以下步骤：
步骤(4.1.1)：将输入xin按照特征维度平均分为[x1，x2]两个部分；
步骤(4.1.2)：按照以下函数对[x1，x2]进行仿射耦合变换：
Figure BDA0002473362100000061
Figure BDA0002473362100000062
其中，a表示输入xin对应类别的属性特征向量；m1，m2，a1和a2为非线性变换函数，使用多层感知机实现；
步骤(4.1.3)：将输出[h1，h2]重新拼接为hout,并使用hout＝ψ(xin，a)表示仿射耦合变换；
步骤(4.1.4)：使用n＝24个仿射耦合变换构建可逆生成模型
Figure BDA0002473362100000063

Claims (3)

1.基于属性特征向量和可逆生成模型的零样本图像识别方法，其特征在于包括以下步骤：
步骤S1：使用已知类别的图像数据集训练可逆生成模型；
步骤S2：使用经过训练的可逆生成模型生成未知类别的图像数据；
步骤S3：根据生成的未知类别的图像数据训练SVM分类器；
步骤S4：使用经过训练的SVM分类器对输入图像进行预测和识别；
其中，步骤S1具体实现如下：
步骤(S1-1)：使用预训练的ResNet101模型提取已知类别的图像特征向量Xseen；
步骤(S1-2)：通过人工标注和归一化的方法，获取所有类别的属性特征向量A＝Aseen∪Aunseen，其中，Aseen和Aunseen分别表示已知类别的属性特征向量和未知类别的属性特征向量；
步骤(S1-3)：根据步骤(S1-1)和步骤(S1-2)获取的已知类别的图像特征向量Xseen和属性特征向量Aseen，构建可逆生成模型G的训练集
Figure FDA0004177609070000011
其中，x∈Xseen，a∈Aseen，Nseen表示训练集Dtrain中包含的样本数量；
步骤(S1-4)：通过最大化似然函数的方法训练可逆生成模型G，得到最佳模型参数θ；具体包括以下步骤：
步骤(S1-4-1)：初始化，使用24个条件仿射耦合模块构建可逆生成模型z＝G(x,a:θ)，设定优化目标函数为
Figure FDA0004177609070000012
最大迭代次数为EPOCH，当前迭代次数为e＝0；
步骤(S1-4-2)：在训练集Dtrain上对模型参数θ进行一次迭代优化，循环读取训练集
Figure FDA0004177609070000013
中所有的样本实例(x,a)作为可逆生成模型G的输入，并得到输出z＝G(x,a:θ),根据反向求导优化策略对模型参数θ进行梯度更新，使得目标函数
Figure FDA0004177609070000014
最小化；
步骤(S1-4-3)：计算e：＝e+1,判断当前迭代次数e是否大于最大迭代次数EPOCH，如果e大于EPOCH则输出最优参数θ，否则返回步骤(S1-4-2)进行下一轮迭代优化；
步骤S2具体实现如下：
步骤(S2-1)：使多元高斯分布函数生成Nunseen个随机高斯噪音zg，其中，zg的维度与步骤(S1-3)中x的维度一致，多元高斯分布函数表示如下：
Figure FDA0004177609070000021
步骤(S2-2)：将随机高斯噪音zg和未知类别的属性特征向量Aunseen作为可逆生成模型的输入，使用经过训练的可逆生成模型的逆向生成操作,即x＝G-1(z,a:θ),为每个未知类别生成多个图像特征实例，构成未知类别的图像特征向量Xunseen，其中，a∈Aunseen。
2.根据权利要求1所述的基于属性特征向量和可逆生成模型的零样本图像识别方法，其特征在于步骤S3具体实现如下：
步骤(S3-1)：使用生成的未知类别的图像特征向量Xunseen和对应的类别标签Yunseen，构建SVM分类器的训练集
Figure FDA0004177609070000022
Figure FDA0004177609070000023
其中，x∈Xunseen，y∈Yunseen；
步骤(S3-2)：通过常规监督学习方法训练一个SVM分类器。
3.根据权利要求2所述的基于属性特征向量和可逆生成模型的零样本图像识别方法，其特征在于步骤S4具体实现如下：
步骤(S4-1)：使用预训练ResNet101模型对新输入的未知类别的测试图像进行特征抽取，获得未知类别的图像特征向量Xtest；
步骤(S4-2)：使用训练好的SVM分类器对未知类别的图像特征向量Xtest进行预测和分类，最终得到测试图像的标签Ytest。
CN202010355551.5A 2020-04-29 2020-04-29 基于属性特征向量和可逆生成模型的零样本图像识别方法 Active CN111612047B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010355551.5A CN111612047B (zh) 2020-04-29 2020-04-29 基于属性特征向量和可逆生成模型的零样本图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010355551.5A CN111612047B (zh) 2020-04-29 2020-04-29 基于属性特征向量和可逆生成模型的零样本图像识别方法

Publications (2)

Publication Number Publication Date
CN111612047A CN111612047A (zh) 2020-09-01
CN111612047B true CN111612047B (zh) 2023-06-02

Family

ID=72199729

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010355551.5A Active CN111612047B (zh) 2020-04-29 2020-04-29 基于属性特征向量和可逆生成模型的零样本图像识别方法

Country Status (1)

Country Link
CN (1) CN111612047B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688944B (zh) * 2021-09-29 2022-12-27 南京览众智能科技有限公司 一种基于元学习的图像识别方法
CN114817516B (zh) * 2022-04-26 2024-08-09 国家计算机网络与信息安全管理中心 零样本条件下基于逆向匹配的画像映射方法、装置和介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096661A (zh) * 2016-06-24 2016-11-09 中国科学院电子学研究所苏州研究院 基于相对属性随机森林的零样本图像分类方法
CN108537257A (zh) * 2018-03-26 2018-09-14 天津大学 基于判别性字典矩阵对的零样本分类方法
CN108875818A (zh) * 2018-06-06 2018-11-23 西安交通大学 基于变分自编码机与对抗网络结合的零样本图像分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6990217B1 (en) * 1999-11-22 2006-01-24 Mitsubishi Electric Research Labs. Inc. Gender classification with support vector machines

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096661A (zh) * 2016-06-24 2016-11-09 中国科学院电子学研究所苏州研究院 基于相对属性随机森林的零样本图像分类方法
CN108537257A (zh) * 2018-03-26 2018-09-14 天津大学 基于判别性字典矩阵对的零样本分类方法
CN108875818A (zh) * 2018-06-06 2018-11-23 西安交通大学 基于变分自编码机与对抗网络结合的零样本图像分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Zhang Z, Saligrama V.Zero-shot recognition via structured prediction.《Computer Vision–ECCV 2016: 14th European Conference, Amsterdam, The Netherlands, October 11–14, 2016, Proceedings, Part VII 14. Springer International Publishing》.2016,第533-548页. *
董夙慧 ; 徐永刚 ; 陈晨 ; .基于稀疏编码空间金字塔模型的零样本学习.江苏大学学报(自然科学版).2017,(第06期),第81-87页. *

Also Published As

Publication number Publication date
CN111612047A (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
Shan et al. PTT: Point-track-transformer module for 3D single object tracking in point clouds
CN110046671A (zh) 一种基于胶囊网络的文本分类方法
CN102314614B (zh) 一种基于类共享多核学习的图像语义分类方法
CN113887661B (zh) 一种基于表示学习重构残差分析的图像集分类方法及系统
CN111612047B (zh) 基于属性特征向量和可逆生成模型的零样本图像识别方法
He et al. Progress in prediction of remaining useful life of hydrogen fuel cells based on deep learning
CN114998638A (zh) 基于动静态卷积融合神经网络的多视图三维点云分类方法
CN111931814B (zh) 一种基于类内结构紧致约束的无监督对抗域适应方法
Zhao et al. Optimization Strategies for Self-Supervised Learning in the Use of Unlabeled Data
CN113535947B (zh) 一种带有缺失标记的不完备数据的多标记分类方法及装置
Zheng et al. BDLA: Bi-directional local alignment for few-shot learning
Wang et al. R2-trans: Fine-grained visual categorization with redundancy reduction
Wu et al. Segment anything model is a good teacher for local feature learning
CN116258990A (zh) 一种基于跨模态亲和力的小样本参考视频目标分割方法
Singh et al. CNN based approach for traffic sign recognition system
Qin et al. A visual place recognition approach using learnable feature map filtering and graph attention networks
CN116701665A (zh) 基于深度学习的中医古籍知识图谱构建方法
Zhang Artificial intelligence carbon neutrality strategy in sports event management based on STIRPAT-GRU and transfer learning
CN113688789B (zh) 一种基于深度学习的在线学习投入度识别方法及系统
Wu et al. Unsupervised anomaly detection in images using attentional normalizing flows
Chen et al. Consistency-based semi-supervised learning for point cloud classification
Li et al. Graph Attentive Dual Ensemble learning for Unsupervised Domain Adaptation on point clouds
Zheng et al. Hybrid Improved Concave Matching Algorithm and ResNet Image Recognition Model
Khadempir et al. Domain adaptation based on incremental adversarial learning
Wei et al. Entropy-minimization Mean Teacher for Source-Free Domain Adaptive Object Detection

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