CN111652256B - 一种获取多维数据的方法和系统 - Google Patents
一种获取多维数据的方法和系统 Download PDFInfo
- Publication number
- CN111652256B CN111652256B CN201910205484.6A CN201910205484A CN111652256B CN 111652256 B CN111652256 B CN 111652256B CN 201910205484 A CN201910205484 A CN 201910205484A CN 111652256 B CN111652256 B CN 111652256B
- Authority
- CN
- China
- Prior art keywords
- training
- data
- classifier
- classifiers
- mobiletv
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 153
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 230000010354 integration Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 abstract description 7
- 238000003672 processing method Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种获取多维数据的方法，涉及机器学习领域，一种获取多维数据的方法，其特征在于，包括以下步骤：获取具有多个标签的训练数据集；训练神经网络以获得特征提取器；根据所述特征提取器，训练多个二分类器，每个二分类器对应于所述多个标签中的一个，用于根据该二分类器将数据整合为多维数据。本发明的处理方法可避免或减少特征信息丢失且模型较小，同时可以对每个二分类器可以单独优化，缩短训练时间。
Description
技术领域
本发明涉及机器学习领域，尤其涉及一种获取多维数据的方法和系统。
背景技术
物体识别是机器学习的一个重要领域。物体识别的主要研究方法是提取物体特征实现物体描述，然后利用一定的机器学习算法进行物体类型的学习，最后对物体进行分类，实现物体识别。为了便于机器学习，人们经常需要对样本进行标注。最基本的样本标注方式是每个样本只被一个类别标签标注。随着机器学习的发展，人们需要处理一个样本对应多个类别标签的问题。例如，一个电影可以贴上“喜剧片”、“动作片”、“爱情片”等多个标签，而这些标签之间可以是相关的或者不相关的。在机器学习中，需要通过对神经网络的训练，使其习得处理多标签数据的能力，以将数据整合为机器可识别和处理的多维数据。
在处理多标签物体识别问题时，一种处理方法是是根据每个标签分别训练独立的网络，然后通过每个独立的网络，分别对每个标签进行分类预测。这种处理方法需要采用多个神经网络，不但训练效率较低，且不能有效处理标签之间的关联性问题，造成有效信息的损失，影响物体识别准确率。另外的一种方法，是通过神经网络直接训练多分类器，由于数据高维性和标签相关性的存在,数据处理的复杂程度高，个别标签的变化很可能需要重新训练，同样训练成本高而可移植性较差。
中国发明专利申请CN1908960A公开了一种基于特征分组的多分类器组合人脸识别方法，其方案是，从原始图像中提取人脸区域，并对人脸区域做预处理；对预处理后的人脸区域做人脸特征提取；对所提取的人脸特征做特征分组，得到不同的人脸特征组；对人脸特征进行分组以后，为每个特征分组设计分量分类器；利用所得到的分量分类器做人脸识别，将各个分量分类器所得到的识别结果做组合，得到最终的人脸识别结果。在这一方案提出使用经选择的特征分组将数据的特征维数控制在一个较低的数值。不过，这一方案一方面存在特征分组与标签分组不一致的问题，另一方面也存在由于简化特征导致有效信息损失的问题。
发明内容
本发明的目的在于提供一种在获取多维数据的方法和系统，在对多标签数据样本进行训练时，能够充分利用训练数据的有效信息以较低的训练成本使得神经网络习得识别和处理多标签数据的能力，以将数据整合为多维数据。
为实现上述目的，本发明提出一种获取多维数据的方法，包括以下步骤：
获取具有多个标签的训练数据集；
训练神经网络以获得特征提取器；
根据所述特征提取器，训练多个二分类器，每个二分类器对应于所述多个标签中的一个，用于根据该二分类器将数据整合为多维数据。
上述方法，通过神经网络对训练数据进行训练而获取数据的完整特征，然后以此为基础，针对每个分类标签训练多个二分类器。经过训练的每个二分类器是通过完整的特征训练而成的，因此包含了全部特征的信息；同时，由于对每个二分类器的训练是单独进行的，可以针对每个二分类器单独进行优化，减少了高维度和标签相关性的影响。另外，由于这些二分类器的训练并不是基于训练数据从头训练，而是建立在已经训练好的特征提取器的基础上，因而其训练时间可以显著缩短。
可选的，所述获取多维数据的方法，进一步包括步骤；
利用训练的多个二分类器，将训练数据整合为多维数据。
可选的，所述训练神经网络以获得特征提取器包括步骤：
通过mobilenetV2对训练数据进行训练；
训练完毕后去掉mobilenetV2的全连接层，保留特征层；
固化mobilenetV2的模型的特征层作为特征提取器。
可选的.所述训练多个二分类器包括步骤：
通过mobilenetV2训练多个二分类器，其中每个二分类器的输入端为所述特征提取器。
可选的，所述训练多个二分类器进一步包括步骤：
单独优化至少一个二分类器的训练数据以优化该二分类器。
可选的，所述获取多维数据的方法进一步包括步骤；
利用训练的多个二分类器，将一组数据整合为多维数据，该组数据不同于训练数据。
可选的，所述获取多维数据的方法，进一步包括步骤：
训练新的二分类器，该新的二分类器具有与已经训练的多个二分类器不同的属性。
本发明还提出一种获取多维数据的系统，包括：
数据获取单元，用于获取训练数据；
特征提取器训练单元，用于训练神经网络以获得特征提取器；
二分类器训练单元；用于根据所述特征提取器，训练多个二分类器，该多个二分类器将可用于将数据整合为多维数据。
上述系统，通过神经网络对训练数据进行训练而获取数据的完整特征，然后以此为基础，针对每个分类标签训练多个二分类器。经过训练的每个二分类器是通过完整的特征训练而成的，因此包含了全部特征的信息；同时，由于对每个二分类器的训练是单独进行的，可以针对每个二分类器单独进行优化，减少了高维度和标签相关性的影响。另外，由于这些二分类器的训练并不是基于训练数据从头训练，而是建立在已经训练好的特征提取器的基础上，因而其训练时间可以显著缩短。
可选的，所述获取多维数据的系统，进一步包括：
用于数据整合单元，利用训练的多个二分类器，将一组数据整合为多维数据，该组数据为训练数据或不同关于训练数据的数据。
可选的，所述获取多维数据的系统中，
所述特征提取器训练单元包括：
mobilenetV2训练单元，用于通过mobilenetV2对训练数据进行训练；
mobilenetV2全连接层去除单元，用于训练完毕后去掉mobilenetV2的全连接层，保留特征层；
mobilenetV2特征层固化单元，用于固化mobilenetV2的模型的特征层作为特征提取器；
并且，所述二分类器训练单元包括：
mobilenetV2二分类器训练单元，用于通过mobilenetV2训练多个二分类器，其中每个二分类器的输入端为所述特征提取器；
mobilenetV2二分类器优化单元，用于单独优化至少一个二分类器的训练数据以优化该二分类器。
以下将结合附图及具体实施方式对本发明解决的技术问题、具体技术特征及产生的技术效果作进一步说明。
附图说明
图1是根据本发明的方法流程图。
图2是根据本发明的系统结构示意图。
具体实施方式
以下将结合附图所示的具体实施方式对本发明进行详细描述，但这些实施方式并不限制本发明，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
如图1所示，本发明提出一种获取多维数据的方法，包括以下步骤：
S1，获取具有多个标签的训练数据集；
S2，训练神经网络以获得特征提取器；
S3，根据所述特征提取器，训练多个二分类器，每个二分类器对应于所述多个标签中的一个，用于根据该二分类器将数据整合为多维数据。
根据步骤S1，首先需要获取一个训练数据集，用于神经网络的训练。该数据集中的数据被标注有多个标签。这些标签可以用于对数据进行分类。这些标签可能基于不同的标准，可能是相关的，也可能是相关的。例如，一部影片可能被标注为爱情片，动作片，喜剧，美国片，等等。根据步骤S2，利用一个神经网络对训练数据集进行训练，训练的目的在于通过神经网络来获取数据样本的特征，在达到一定标准后即可停止训练，固化该模型作为之后的特征提取器。这个标准可以是达到了一个特定的样本数量，或者其参数达到了稳定或收敛的程度。根据步骤S3，可以利用已经训练好的特征提取器，通过数据的特征来训练多个二分类器。每个二分类器是根据数据标签中的一个来设定的。这样每个二分类器都可以利用全部的特征进行训练，从而可以通过神经网络建立特征与标签分类的内在关联。如果训练的目标是得到n维数据，那么需要设定的是根据n个分类标签训练n个二分类器，这里的n可以是一个小于或等于训练数据的标签分类总数的数字。与之相对照的做法，是利用特征提取器所提取的特征训练一个多分类器。由于训练多个二分类器而不是一个在输出结果时每维的数据的依赖关系被削弱，模型的多维泛化性更好；每一维的数据可以单独训练，在优化每一维数据时不会影响到其他已优化好的单维数据的输出结果；每一维的数据可以进行单独训练，如果在相近的样本空间里想添加新的单维数据，可以直接利用已有的特征提取器多训练一个二分类器，可以保证样本的稳定并减少训练的时间成本，而且二分类器可以选取较小的模型，对于硬件设施的要求也将更低。
上述方法，通过神经网络对训练数据进行训练而获取数据的完整特征，然后以此为基础，针对每个分类标签训练多个二分类器。经过训练的每个二分类器是通过完整的特征训练而成的，因此包含了全部特征的信息；同时，由于对每个二分类器的训练是单独进行的，可以针对每个二分类器单独进行优化，减少了高维度和标签相关性的影响。另外，由于这些二分类器的训练并不是每次基于训练数据重新训练，而是建立在已经训练好的特征提取器的基础上，因而其训练时间可以显著缩短。
根据一个较佳的实施例，所述获取多维数据的方法，进一步包括步骤；
利用训练的多个二分类器，将训练数据整合为多维数据。
从训练的过程来看，利用训练的二分类器，可以将训练数据整合为多维数据。当然，这一步骤并整合多维数据的目标来看，并非是必然进行的。另外，所训练的二分类器，也可以用于对其他数据进行整合，特别是属性一直或相近但并未被标注的数据，将结合其他实施例进一步说明。
根据一个较佳实施例，所述训练神经网络以获得特征提取器包括步骤：
通过mobilenetV2对训练数据进行训练；
训练完毕后去掉mobilenetV2的全连接层，保留特征层；
固化mobilenetV2的模型的特征层作为特征提取器。
mobilenetV2是一个比较优秀和较为广泛应用的神经网络模型，在本实施例中，利用mobilenetV2对训练数据进行训练。mobilenetV2模型中包括有全连接层以及特征层。在训练达到预期标准以后，即可停止训练，并固化该模型，去除其全连接层，将经过固化的特征层，作为特征提取器。该特征提取器包含了训练数据的完整特征信息，可以作为二分类器训练的输入端来使用。这里的标准，可以是一定的样本量或者模型稳定或收敛的程度等等。
根据一个较佳实施例，所述训练多个二分类器包括步骤：
通过mobilenetV2训练多个二分类器，其中每个二分类器的输入端为所述特征提取器。
已经训练好的特征提取器，其包含了训练数据的完整特征信息，可以直接作为二分类器训练的输入端，而无需从头开始训练二分类器，既保证了训练的相关性，又节省了训练的时间。
根据一个较佳实施例，所述训练多个二分类器包括步骤：
单独优化至少一个二分类器的训练数据以优化该二分类器。
采取多个二分类器模型而非一个多分类器模型的一个重要的优点，就是可以针对每个二分类器设计的一维数据单独进行优化。这样可以减少或者避免一个标签或者说一维数据的变动对整个训练模型的影响。而且，可以只针对有问题的二分类器进行优化。这样，在很多情况下可以减少不必要的重新训练，缩短训练时间。
根据一个较佳实施例，所述获取多维数据的方法进一步包括步骤；
利用训练的多个二分类器，将一组数据整合为多维数据，该组数据不同于训练数据。
在所需的多个二分类器训练完成以后，这些二分类器作为一个整体，即可用于对数据进行整合。这些数据可以是训练数据，但或许更为重要的，是与训练数据属性相同或相近的但未加注标签的数据。通过训练数据来使神经网络获得对新数据的识别能力是及其学习的基本目标。这样的数据，可能基于测试或者应用的用途被输入。我们可以利用训练好的二分类器，直接应用于这些新的数据，将其整合为神经网络可以识别和处理的多维数据。这里的属性相同或相近，是指与已经加注的标签有关的属性。比如说，我们可以建立一个大的样本集合，而随机选取其中的部分样本即一个子集作为训练数据集。从概念上，可以将训练数据集作为这样一个有着共同或相近属性的数据集合的子集，该子集的区别在于其被标注了标签。这个大的样本集合可以是一个食物照片库，电影库等等。通过这样的方式，可以达到对多维数据的整合，进而实现识别未标注物体的功能。
根据一个较佳实施例，所述获取多维数据的方法，进一步包括步骤：
训练新的二分类器，该新的二分类器具有与已经训练的多个二分类器不同的属性。
在二分类器已经训练完成以后，如果需要增加一个新的分类，可以利用已有的特征提取器多训练一个二分类器即可。这一特点，相较于多分类器而言，无需因为一维数据的变动而训练整个模型，从而可以节省训练时间，灵活方便。
根据本发明提出的获取多维数据的方法，由于训练多个二分类器而不是一个在输出结果时每维的数据的依赖关系被削弱，模型的多维泛化性更好；每一维的数据可以单独训练，在优化每一维数据时不会影响到其他已优化好的单维数据的输出结果；每一维的数据可以进行单独训练，如果在相近的样本空间里想添加新的单维数据，可以直接利用已有的特征提取器多训练一个二分类器，可以保证样本的稳定并减少训练的时间成本，而且二分类器可以选取较小的模型，对于硬件设施的要求也将更低。
本发明所提出的上述方法，可以通过软件的方式实现，也可以通过硬件的方式实现，或者通过软硬件结合的方式实现。
如图2所示，本发明还提出一种获取多维数据的系统1，包括：
数据获取单元11，用于获取训练数据；
特征提取器训练单元12，用于训练神经网络以获得特征提取器；
二分类器训练单元13；用于根据所述特征提取器，训练多个二分类器，每个二分类器对应于所述多个标签中的一个，该多个二分类器将可用于将数据整合为多维数据。
上述系统，通过神经网络对训练数据进行训练而获取数据的完整特征，然后以此为基础，针对每个分类标签训练多个二分类器。经过训练的每个二分类器是通过完整的特征训练而成的，因此包含了全部特征的信息；同时，由于对每个二分类器的训练是单独进行的，可以针对每个二分类器单独进行优化，减少了高维度和标签相关性的影响。另外，由于这些二分类器的训练并不是基于训练数据从头训练，而是建立在已经训练好的特征提取器的基础上，因而其训练时间可以显著缩短。
根据一个较佳实施例，所述获取多维数据的系统1，进一步包括：
用于数据整合单元，利用训练的多个二分类器，将一组数据整合为多维数据，该组数据为训练数据或不同于训练数据的数据。
已经训练好的二分类器可以用来对数据进行整合。这里的数据可以是训练数据，亦可以是新的未经标注但与训练数据具有类似属性的数据，可能基于测试或应用的目的被输入。通过训练数据来使神经网络获得对新数据的识别能力是及其学习的基本目标。这里所述的类似属性，是指与所加注的标签有关的属性。从概念上，可以将训练数据集作为这样一个有着共同或相近属性的数据集合的子集，该子集的区别在于其被标注了标签。
根据一个较佳实施例，所述获取多维数据的系统1中，所述特征提取器训练单元包括；
mobilenetV2训练单元，用于通过mobilenetV2对训练数据进行训练；
mobilenetV2全连接层去除单元，用于训练完毕后去掉mobilenetV2的全连接层，保留特征层；
mobilenetV2特征层固化单元，用于固化mobilenetV2的模型的特征层作为特征提取器；
并且，所述二分类器训练单元包括：
mobilenetV2二分类器训练单元，用于通过mobilenetV2训练多个二分类器，其中每个二分类器的输入端为所述特征提取器；
mobilenetV2二分类器优化单元，用于单独优化至少一个二分类器的训练数据以优化该二分类器。
在本实施例中，利用mobilenetV2作为选定的神经网络工具对训练样本进行训练，其中mobilenetV2特征提取器训练单元训练得到mobilenetV2的一个特征层作为特征提取器，并以此作为mobilenetV2二分类器训练单元输入端来训练并优化多个二分类器，即可利用该二分类器对数据进行处理来获得多维数据。
尽管为示例目的，已经公开了本发明的优选实施方式，但是本领域的普通技术人员将意识到，在不脱离由所附的权利要求书公开的本发明的范围和精神的情况下，各种改进、增加以及取代是可能的。
Claims (6)
1.一种获取多维数据的方法，其特征在于，包括以下步骤：
获取具有多个标签的训练数据集；
训练神经网络以获得特征提取器；
根据所述特征提取器，训练多个二分类器，每个二分类器对应于所述多个标签中的一个，用于根据该二分类器将数据整合为多维数据；
所述训练神经网络以获得特征提取器包括以下步骤：
通过mobilenetV2对训练数据进行训练；
训练完毕后去掉mobilenetV2的全连接层，保留特征层；
固化mobilenetV2的模型的特征层作为特征提取器；
所述训练多个二分类器包括步骤：
通过mobilenetV2训练多个二分类器，其中每个二分类器的输入端为所述特征提取器；
所述训练多个二分类器包括步骤：
单独优化至少一个二分类器的训练数据以优化该二分类器。
2.如权利要求1所述的获取多维数据的方法，其特征在于，进一步包括步骤；利用训练的多个二分类器，将训练数据整合为多维数据。
3.如权利要求1所述的获取多维数据的方法，其特征在于，进一步包括步骤；利用训练的多个二分类器，将一组数据整合为多维数据，该组数据不同于所述训练数据。
4.如权利要求1所述的获取多维数据的方法，其特征在于，进一步包括步骤：训练新的二分类器，该新的二分类器具有与已经训练的多个二分类器不同的标签。
5.一种获取多维数据的系统，其特征在于，包括：
数据获取单元，用于获取具有多个标签的训练数据集；
特征提取器训练单元，用于训练神经网络以获得特征提取器；
二分类器训练单元，用于根据所述特征提取器，训练多个二分类器，每个二分类器对应于多个标签中的一个，训练后的该多个二分类器用于将数据整合为多维数据；
所述特征提取器训练单元包括；
mobilenetV2训练单元，用于通过mobilenetV2对训练数据进行训练；
mobilenetV2全连接层去除单元，用于训练完毕后去掉mobilenetV2的全连接层，保留特征层；
mobilenetV2特征层固化单元，用于固化mobilenetV2的模型的特征层作为特征提取器；
并且，所述二分类器训练单元包括：
mobilenetV2二分类器训练单元，用于通过mobilenetV2训练多个二分类器，其中每个二分类器的输入端为所述特征提取器；
mobilenetV2二分类器优化单元，用于单独优化至少一个二分类器的训练数据以优化该二分类器。
6.如权利要求5所述的获取多维数据的系统，其特征在于，进一步包括：
数据整合单元，用于利用训练的多个二分类器，将一组数据整合为多维数据，该组数据为所述训练数据或不同于所述训练数据的数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910205484.6A CN111652256B (zh) | 2019-03-18 | 2019-03-18 | 一种获取多维数据的方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910205484.6A CN111652256B (zh) | 2019-03-18 | 2019-03-18 | 一种获取多维数据的方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111652256A CN111652256A (zh) | 2020-09-11 |
| CN111652256B true CN111652256B (zh) | 2024-02-02 |
Family
ID=72349137
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910205484.6A Active CN111652256B (zh) | 2019-03-18 | 2019-03-18 | 一种获取多维数据的方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111652256B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112988733B (zh) * | 2021-04-16 | 2021-08-27 | 北京妙医佳健康科技集团有限公司 | 一种数据质量提升和增强的方法及装置 |
| CN114694140A (zh) * | 2022-03-22 | 2022-07-01 | 南京林业大学 | 基于光谱成像的定向训练桔梗杂质识别方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2302569A1 (en) * | 2009-08-14 | 2011-03-30 | Xerox Corporation | Training a classifier by dimension-wise embedding of training data |
| CN109325443A (zh) * | 2018-09-19 | 2019-02-12 | 南京航空航天大学 | 一种基于多实例多标签深度迁移学习的人脸属性识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10262240B2 (en) * | 2017-08-14 | 2019-04-16 | Microsoft Technology Licensing, Llc | Fast deep neural network training |
-
2019
- 2019-03-18 CN CN201910205484.6A patent/CN111652256B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2302569A1 (en) * | 2009-08-14 | 2011-03-30 | Xerox Corporation | Training a classifier by dimension-wise embedding of training data |
| CN109325443A (zh) * | 2018-09-19 | 2019-02-12 | 南京航空航天大学 | 一种基于多实例多标签深度迁移学习的人脸属性识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 徐美香 ; 孙福明 ; 李豪杰 ; .主动学习的多标签图像在线分类.中国图象图形学报.2015,(02),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111652256A (zh) | 2020-09-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109165306B (zh) | 基于多任务哈希学习的图像检索方法 | |
| Wei et al. | Improved optical character recognition with deep neural network | |
| CN108537119B (zh) | 一种小样本视频识别方法 | |
| US11288324B2 (en) | Chart question answering | |
| WO2020164278A1 (zh) | 一种图像处理方法、装置、电子设备和可读存储介质 | |
| US20160210532A1 (en) | Method and system to perform text-to-image queries with wildcards | |
| CN115937655B (zh) | 多阶特征交互的目标检测模型及其构建方法、装置及应用 | |
| CN110647907B (zh) | 利用多层分类和字典学习的多标签图像分类算法 | |
| CN111126401B (zh) | 一种基于上下文信息的车牌字符识别方法 | |
| KR20120053211A (ko) | 멀티미디어 데이터 검색 방법, 장치 및 패턴인식 방법 | |
| CN105894050A (zh) | 一种基于多任务学习的人脸图像种族和性别识别方法 | |
| Kontschieder et al. | Context-sensitive decision forests for object detection | |
| CN111090763A (zh) | 一种图片自动标签方法及装置 | |
| Zhang et al. | Automatic discrimination of text and non-text natural images | |
| CN111652256B (zh) | 一种获取多维数据的方法和系统 | |
| US20210097692A1 (en) | Data filtering of image stacks and video streams | |
| CN116259075A (zh) | 基于提示微调预训练大模型的行人属性识别方法 | |
| Ge et al. | Fine-grained bird species recognition via hierarchical subset learning | |
| CN114782997A (zh) | 基于多损失注意力自适应网络的行人重识别方法及系统 | |
| CN108229285B (zh) | 物体分类方法、物体分类器的训练方法、装置和电子设备 | |
| CN115497124A (zh) | 身份识别方法和装置及存储介质 | |
| Tayyab et al. | Recognition of Visual Arabic Scripting News Ticker From Broadcast Stream | |
| Afkham et al. | Joint visual vocabulary for animal classification | |
| CN104331717A (zh) | 一种整合特征字典结构与视觉特征编码的图像分类方法 | |
| CN114780757A (zh) | 短媒体标签抽取方法、装置、计算机设备和存储介质 |
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 |