CN111695570A - 一种基于变分原型推理的小样本下语义分割方法 - Google Patents

一种基于变分原型推理的小样本下语义分割方法 Download PDF

Info

Publication number
CN111695570A
CN111695570A CN202010426786.9A CN202010426786A CN111695570A CN 111695570 A CN111695570 A CN 111695570A CN 202010426786 A CN202010426786 A CN 202010426786A CN 111695570 A CN111695570 A CN 111695570A
Authority
CN
China
Prior art keywords
network
prototype
prior
image
distribution
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.)
Granted
Application number
CN202010426786.9A
Other languages
English (en)
Other versions
CN111695570B (zh
Inventor
甄先通
张磊
李欣
左利云
简治平
陈林凯
胥亮
李晓莹
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.)
Guangdong University of Petrochemical Technology
Original Assignee
Guangdong University of Petrochemical 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 Guangdong University of Petrochemical Technology filed Critical Guangdong University of Petrochemical Technology
Priority to CN202010426786.9A priority Critical patent/CN111695570B/zh
Publication of CN111695570A publication Critical patent/CN111695570A/zh
Application granted granted Critical
Publication of CN111695570B publication Critical patent/CN111695570B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于变分原型推理的小样本下语义分割方法，属于计算机视觉语义分割领域，一种基于变分原型推理的小样本下语义分割方法，本发明首次提出了利用变分原型推理，将小样本下语义分割纳入到一个概率框架中，在该概率框架中，原型表示不再是固定数值的向量表示，而是一个分布，用变分推理中隐含空间的分布表示原型的分布，在小样本情况下增加整体原型的泛化能力，以适应小样本表示出来的不确定性；并且，本发明首次提出概率框架下适合图像语义分割的变分原型推理的目标函数，辅助进行小样本下语义分割过程，本发明经多次试验可以证明，在利用单幅支持集图像的情况下，也得到了很好的分割效果。

Description

一种基于变分原型推理的小样本下语义分割方法
技术领域
本发明涉及计算机视觉语义分割领域，更具体地说，涉及一种基于变分原型推理的小样本下语义分割方法。
背景技术
深度学习曾广泛用于计算机视觉的语义分割中，但由于在实际语义分割应用中，带标注的支持数据少，导致学习得到的深度模型性能受影响。目前，基于原型的方法比较流行，这里原型指表示一类物体的表征，在深度学习框架中就是根据支持图像和它对应的物体的标注信息，经过一个深度神经网络产生的输出。换而言之，原型就是在输入支持图像和物体类别之间的一个关联映射。
对于小样本下的语义分割，基本上还是基于原型方法，其中原型的表示有多种形式。一采用将支持图像特性进行池化作为原型，将其和待分割的图像特征一起，产生分割映射。二采用带屏蔽的均值池化从支持图像抽取原型表示，通过计算原型表示和待分割图像之间的余弦距离来预测分割映射。但这些方法都是原型是固定的，因此缺乏泛化性。
计算机视觉中的语义分割，指将图像中感兴趣的物体从背景中分离出来。目前一般的方式是从支持图像(带标注的图像)中抽取一个全局的描述作为原型，用来帮助待分割图像完成语义分割任务。但是这种方法在小样本情况下很难达到很好的效果，在小样本情况下，用一个简单的向量表示原型会存在偏差以及缺乏泛化能力。
发明内容
1.要解决的技术问题
针对现有技术中存在的问题，本发明的目的在于提供一种基于变分原型推理的小样本下语义分割方法，它首次提出了变分原型推理，将小样本下语义分割纳入到一个概率框架中，在该概率框架中，原型表示不再是固定数值的向量表示，而是一个分布，用变分推理中隐含空间的分布表示原型的分布，在小样本情况下增加整体原型的泛化能力，以适应小样本表示出来的不确定性；并且，本发明首次提出概率框架下适合图像语义分割的变分原型推理的目标函数，辅助进行小样本下语义分割过程。
2.技术方案
为解决上述问题，本发明采用如下的技术方案。
一种基于变分原型推理的小样本下语义分割方法，包括以下步骤：
输入：已知的待分割图像xq和带标注的支持集图像S，以及通过分割学习过程得到的先验网络参数θ和分割网络参数ψ；
输出：分割图像映射
Figure BDA0002498960170000021
S1、根据先验概率网络产生支持集图像S对应的均值和方差如下：
μprior，σprior←PriorNet(S；θ)；
S2、计算先验概率网络映射的空间z隐含表示：
z←μprior+∈⊙σprior，∈～N(0，1)；
S3、对S2中的z进行多次采样，生成z(l)；
S4、将每一个z(l)和xq送入到分割网络，生成如下
Figure BDA0002498960170000022
如下：
Figure BDA0002498960170000023
本发明首次提出了变分原型推理，将小样本下语义分割纳入到一个概率框架中，在该概率框架中，原型表示不再是固定数值的向量表示，而是一个分布，用变分推理中隐含空间的分布表示原型的分布，在小样本情况下增加整体原型的泛化能力，以适应小样本表示出来的不确定性；并且，本发明首次提出概率框架下适合图像语义分割的变分原型推理的目标函数，辅助进行小样本下语义分割过程。
进一步的，所述分割学习过程中包括三个网络：先验网络、后验网络和分割网络。
进一步的，在所述先验网络中，输入为S支持图像和对应的标注图像，输出为z的分布，所述z的分布包括高斯分布μpriorh和σpriorh，其概率模型表示为pθ(z|S)，式中：θ为先验网络参数。
进一步的，在所述后验网络中，输入为待标注图像xq和其对应的标注yq，输出是z的分布，所述z的分布包括高斯分布μpost和σpost，其概率模型表示为qφ(z|xq，yq)，式中：φ为后验网络参数。
进一步的，在所述分割网络中输入为待分割图像和从先验网络中生成的z，输出为分割后图像，其概率模型表示为pψ(yq|z，xq)，式中：ψ为分割网络参数。
进一步的，所述先验网络、后验网络和分割网络三者之间的关系为：
Figure BDA0002498960170000031
其中：
Figure BDA0002498960170000032
表示先验概率分布和后验概率分布的KL距离，
Figure BDA0002498960170000033
表示对数似然度的期望，采用交叉熵函数计算，i表示训练数据中的支持-待分割图像对的序号，z(l)是从分布pθ(z|S)中第l次采样值，L是采样次数。
进一步的，所述KL距离表示从待分割图像推理得到的原型和支持图像的匹配度，其中：KL距离越小，匹配度越高，当KL距离为0时，推理得到的原型和支持图像完成一致。
进一步的，所述先验概率分布在高斯分布中表示为
Figure BDA0002498960170000041
所述后验概率分布在高斯分布中表示为
Figure BDA0002498960170000042
所述先验概率分布和后验概率分布之间的KL距离可以表示为：
Figure BDA0002498960170000043
进一步的，所述分割学习过程包括以下步骤：
输入：训练数据
Figure BDA0002498960170000044
输出：先验网络参数θ、后验网络参数φ、分割网络参数ψ；
步骤1：初始化参数θ、φ、ψ；
步骤2：对每一个样本对
Figure BDA0002498960170000045
执行下面操作：
步骤2.1：根据先验概率网络产生样本i对应的均值和方差如下：
Figure BDA0002498960170000046
步骤2.2：计算先验概率网络映射的空间z隐含表示：
Figure BDA0002498960170000047
步骤2.3：通过后验概率网络产生样本i对应的均值和方差如下：
Figure BDA0002498960170000048
步骤2.4：计算先验概率分布和后验概率分布的KL距离，计算公式为
Figure BDA0002498960170000049
得
Figure BDA00024989601700000410
步骤2.5：根据zi和
Figure BDA00024989601700000411
一起送入到分割网络，得到预测的输出：
Figure BDA0002498960170000051
步骤2.6：根据预测的输出
Figure BDA0002498960170000052
和实际的输出
Figure BDA0002498960170000053
由交叉熵函数计算得到
Figure BDA0002498960170000054
步骤2.7：计算目标函数：
Figure BDA0002498960170000055
步骤2.8：按照公式
Figure BDA0002498960170000056
计算梯度；
步骤2.9：迭代更新参数θ、φ、ψ；
步骤3：直到所有样本结束。
3.有益效果
相比于现有技术，本发明的优点在于：
(1)本发明首次提出了变分原型推理，将小样本下语义分割纳入到一个概率框架中，在该概率框架中，原型表示不再是固定数值的向量表示，而是一个分布，用变分推理中隐含空间的分布表示原型的分布，在小样本情况下增加整体原型的泛化能力，以适应小样本表示出来的不确定性。
(2)本发明首次提出概率框架下适合图像语义分割的变分原型推理的目标函数，辅助进行小样本下语义分割过程。
附图说明
图1为本发明基于变分原型推理的小样本下语义分割推理过程示意图；
图2为本发明基于变分原型推理的小样本下语义分割学习过程示意图；
图3为本发明的部分实验结果。
具体实施方式
下面将结合本发明实施例中的附图；对本发明实施例中的技术方案进行清楚、完整地描述；显然；所描述的实施例仅仅是本发明一部分实施例；而不是全部的实施例，基于本发明中的实施例；本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例；都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”、“顶/底端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“套设/接”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例：
请参阅图1，一种基于变分原型推理的小样本下语义分割方法，包括以下步骤：
输入：已知的待分割图像xq和带标注的支持集图像S，以及通过分割学习过程得到的先验网络参数θ和分割网络参数ψ；
输出：分割图像映射
Figure BDA0002498960170000061
S1、根据先验概率网络产生支持集图像S对应的均值和方差如下：
Figure BDA0002498960170000062
S2、计算先验概率网络映射的空间z隐含表示：
z←μprior+∈⊙σprior，∈～N(0，1)；
S3、对S2中的z进行多次采样，生成z(l)；
S4、将每一个z(l)和xq送入到分割网络，生成如下
Figure BDA0002498960170000071
如下：
Figure BDA0002498960170000072
分割学习过程中包括三个网络：先验网络、后验网络和分割网络。
在先验网络中，输入为S支持图像和对应的标注图像，输出为z的分布，z的分布包括高斯分布μpriorh和σpriorh，其概率模型表示为pθ(z|S)，式中：θ为先验网络参数。
在后验网络中，输入为待标注图像xq和其对应的标注yq，输出是z的分布，z的分布包括高斯分布μpost和σpost，其概率模型表示为qφ(z|xq，yq)，式中：φ为后验网络参数。
在分割网络中输入为待分割图像和从先验网络中生成的z，输出为分割后图像，其概率模型表示为pψ(yq|z，xq)，式中：ψ为分割网络参数。
先验网络、后验网络和分割网络三者之间的关系为：
Figure BDA0002498960170000073
其中：
Figure BDA0002498960170000074
表示先验概率分布和后验概率分布的KL距离，
Figure BDA0002498960170000075
表示对数似然度的期望，采用交叉熵函数计算，i表示训练数据中的支持-待分割图像对的序号，z(l)是从分布pθ(z|S)中第l次采样值，L是采样次数。
KL距离表示从待分割图像推理得到的原型和支持图像的匹配度，其中：KL距离越小，匹配度越高，当KL距离为0时，推理得到的原型和支持图像完成一致。
先验概率分布在高斯分布中表示为
Figure BDA0002498960170000081
后验概率分布在高斯分布中表示为
Figure BDA0002498960170000082
先验概率分布和后验概率分布之间的KL距离可以表示为：
Figure BDA0002498960170000083
请参阅图2，分割学习过程包括以下步骤：
输入：训练数据
Figure BDA0002498960170000084
输出：先验网络参数θ、后验网络参数φ、分割网络参数ψ；
步骤1：初始化参数θ、φ、ψ；
步骤2：对每一个样本对
Figure BDA0002498960170000085
执行下面操作：
步骤2.1：根据先验概率网络产生样本i对应的均值和方差如下：
Figure BDA0002498960170000086
步骤2.2：计算先验概率网络映射的空间z隐含表示：
Figure BDA0002498960170000087
步骤2.3：通过后验概率网络产生样本i对应的均值和方差如下：
Figure BDA0002498960170000088
步骤2.4：计算先验概率分布和后验概率分布的KL距离，计算公式为
Figure BDA0002498960170000089
得
Figure BDA00024989601700000810
步骤2.5：根据zi和
Figure BDA0002498960170000091
一起送入到分割网络，得到预测的输出：
Figure BDA0002498960170000092
步骤2.6：根据预测的输出
Figure BDA0002498960170000093
和实际的输出
Figure BDA0002498960170000094
由交叉熵函数计算得到
Figure BDA0002498960170000095
步骤2.7：计算目标函数：
Figure BDA0002498960170000096
步骤2.8：按照公式
Figure BDA0002498960170000097
计算梯度；
步骤2.9：迭代更新参数θ、φ、ψ；
步骤3：直到所有样本结束。
在图1和图2中，Enc表示编码器，Dec表示解码器。
请参阅图3，图3中第一行表示支持集图像，第二行为预测的结果，可以看出，支持集图像和待分割图像虽然同属一个物体类别，但其表现形式不同。第三行为真实结果，即人工标注的结果。可以看出，本专利可以利用单幅支持集图像，得到很好的分割效果。
本发明首次提出了变分原型推理，将小样本下语义分割纳入到一个概率框架中，在该概率框架中，原型表示不再是固定数值的向量表示，而是一个分布，用变分推理中隐含空间的分布表示原型的分布，在小样本情况下增加整体原型的泛化能力，以适应小样本表示出来的不确定性；并且，本发明首次提出概率框架下适合图像语义分割的变分原型推理的目标函数，辅助进行小样本下语义分割过程。
以上所述；仅为本发明较佳的具体实施方式；但本发明的保护范围并不局限于此；任何熟悉本技术领域的技术人员在本发明揭露的技术范围内；根据本发明的技术方案及其改进构思加以等同替换或改变；都应涵盖在本发明的保护范围内。

Claims (9)

1.一种基于变分原型推理的小样本下语义分割方法，其特征在于：包括以下步骤：
输入：已知的待分割图像xq和带标注的支持集图像S，以及通过分割学习过程得到的先验网络参数θ和分割网络参数ψ；
输出：分割图像映射
Figure FDA0002498960160000011
S1、根据先验概率网络产生支持集图像S对应的均值和方差如下：
μprior，σprior←PriorNet(S；θ)；
S2、计算先验概率网络映射的空间z隐含表示：
z←μprior+∈⊙σprior，∈～N(0，1)；
S3、对S2中的z进行多次采样，生成z(l)；
S4、将每一个z(l)和xq送入到分割网络，生成如下
Figure FDA0002498960160000012
如下：
Figure 1
。
2.根据权利要求1所述的一种基于变分原型推理的小样本下语义分割方法，其特征在于：所述分割学习过程中包括三个网络：先验网络、后验网络和分割网络。
3.根据权利要求2所述的一种基于变分原型推理的小样本下语义分割方法，其特征在于：在所述先验网络中，输入为S支持图像和对应的标注图像，输出为z的分布，所述z的分布包括高斯分布μpriorh和σpriorh，其概率模型表示为pθ(z|S)，式中：θ为先验网络参数。
4.根据权利要求2所述的一种基于变分原型推理的小样本下语义分割方法，其特征在于：在所述后验网络中，输入为待标注图像xq和其对应的标注yq，输出是z的分布，所述z的分布包括高斯分布μpost和σpost，其概率模型表示为qφ(z|xq，yq)，式中：φ为后验网络参数。
5.根据权利要求2所述的一种基于变分原型推理的小样本下语义分割方法，其特征在于：在所述分割网络中输入为待分割图像和从先验网络中生成的z，输出为分割后图像，其概率模型表示为pψ(yq|z，xq)，式中：ψ为分割网络参数。
6.根据权利要求2所述的一种基于变分原型推理的小样本下语义分割方法，其特征在于：所述先验网络、后验网络和分割网络三者之间的关系为：
Figure FDA0002498960160000021
其中：
Figure FDA0002498960160000022
表示先验概率分布和后验概率分布的KL距离，
Figure FDA0002498960160000023
表示对数似然度的期望，采用交叉熵函数计算，i表示训练数据中的支持-待分割图像对的序号，z(l)是从分布pθ(z|S)中第l次采样值，L是采样次数。
7.根据权利要求6所述的一种基于变分原型推理的小样本下语义分割方法，其特征在于：所述KL距离表示从待分割图像推理得到的原型和支持图像的匹配度，其中：KL距离越小，匹配度越高，当KL距离为0时，推理得到的原型和支持图像完成一致。
8.根据权利要求7所述的一种基于变分原型推理的小样本下语义分割方法，其特征在于：所述先验概率分布在高斯分布中表示为
Figure FDA0002498960160000024
所述后验概率分布在高斯分布中表示为
Figure FDA0002498960160000025
所述先验概率分布和后验概率分布之间的KL距离可以表示为：
Figure FDA0002498960160000026
9.根据权利要求8所述的一种基于变分原型推理的小样本下语义分割方法，其特征在于：所述分割学习过程包括以下步骤：
输入：训练数据
Figure FDA0002498960160000031
输出：先验网络参数θ、后验网络参数φ、分割网络参数ψ；
步骤1：初始化参数θ、φ、ψ；
步骤2：对每一个样本对Si，
Figure FDA0002498960160000032
执行下面操作：
步骤2.1：根据先验概率网络产生样本i对应的均值和方差如下：
Figure FDA0002498960160000033
步骤2.2：计算先验概率网络映射的空间z隐含表示：
Figure FDA0002498960160000034
步骤2.3：通过后验概率网络产生样本i对应的均值和方差如下：
Figure FDA0002498960160000035
步骤2.4：计算先验概率分布和后验概率分布的KL距离，计算公式为
Figure FDA0002498960160000036
得
Figure FDA0002498960160000037
步骤2.5：根据zi和xi q一起送入到分割网络，得到预测的输出：
Figure FDA0002498960160000038
步骤2.6：根据预测的输出
Figure FDA0002498960160000039
和实际的输出yi q，由交叉熵函数计算得到
Figure FDA00024989601600000310
步骤2.7：计算目标函数：
Figure FDA0002498960160000041
步骤2.8：按照公式
Figure FDA0002498960160000042
计算梯度；
步骤2.9：迭代更新参数θ、φ、ψ；
步骤3：直到所有样本结束。
CN202010426786.9A 2020-05-19 2020-05-19 一种基于变分原型推理的小样本下语义分割方法 Active CN111695570B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010426786.9A CN111695570B (zh) 2020-05-19 2020-05-19 一种基于变分原型推理的小样本下语义分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010426786.9A CN111695570B (zh) 2020-05-19 2020-05-19 一种基于变分原型推理的小样本下语义分割方法

Publications (2)

Publication Number Publication Date
CN111695570A true CN111695570A (zh) 2020-09-22
CN111695570B CN111695570B (zh) 2023-12-05

Family

ID=72477981

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010426786.9A Active CN111695570B (zh) 2020-05-19 2020-05-19 一种基于变分原型推理的小样本下语义分割方法

Country Status (1)

Country Link
CN (1) CN111695570B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112364870A (zh) * 2020-10-22 2021-02-12 中国科学院大学 一种基于特征和谐激活的小样本语义分割方法
CN116630627A (zh) * 2023-06-25 2023-08-22 广东石油化工学院 一种记忆增强的图像分割方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107679556A (zh) * 2017-09-18 2018-02-09 天津大学 基于变分自动编码器的零样本图像分类方法
US20190244347A1 (en) * 2015-08-14 2019-08-08 Elucid Bioimaging Inc. Methods and systems for utilizing quantitative imaging
CN110287837A (zh) * 2019-06-17 2019-09-27 上海大学 基于先验估计网络和空间约束混合模型的海面障碍物检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190244347A1 (en) * 2015-08-14 2019-08-08 Elucid Bioimaging Inc. Methods and systems for utilizing quantitative imaging
CN107679556A (zh) * 2017-09-18 2018-02-09 天津大学 基于变分自动编码器的零样本图像分类方法
CN110287837A (zh) * 2019-06-17 2019-09-27 上海大学 基于先验估计网络和空间约束混合模型的海面障碍物检测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112364870A (zh) * 2020-10-22 2021-02-12 中国科学院大学 一种基于特征和谐激活的小样本语义分割方法
CN112364870B (zh) * 2020-10-22 2021-10-15 中国科学院大学 一种基于特征和谐激活的小样本语义分割方法
CN116630627A (zh) * 2023-06-25 2023-08-22 广东石油化工学院 一种记忆增强的图像分割方法和系统
CN116630627B (zh) * 2023-06-25 2024-01-30 广东石油化工学院 一种记忆增强的图像分割方法和系统

Also Published As

Publication number Publication date
CN111695570B (zh) 2023-12-05

Similar Documents

Publication Publication Date Title
CN108460338B (zh) 人体姿态估计方法和装置、电子设备、存储介质、程序
CN110046656B (zh) 基于深度学习的多模态场景识别方法
JP2021524099A (ja) 異なるデータモダリティの統計モデルを統合するためのシステムおよび方法
CN112818861A (zh) 一种基于多模态上下文语义特征的情感分类方法及系统
CN109993102A (zh) 相似人脸检索方法、装置及存储介质
CN110138595A (zh) 动态加权网络的时间链路预测方法、装置、设备及介质
CN111564179B (zh) 一种基于三元组神经网络的物种生物学分类方法及系统
Kaluri et al. An enhanced framework for sign gesture recognition using hidden Markov model and adaptive histogram technique.
CN113378938B (zh) 一种基于边Transformer图神经网络的小样本图像分类方法及系统
CN114693624B (zh) 一种图像检测方法、装置、设备及可读存储介质
CN111598167B (zh) 基于图学习的小样本图像识别方法及系统
CN104504406B (zh) 一种快速高效的近似重复图像匹配方法
Pu et al. Stein variational autoencoder
CN111695570A (zh) 一种基于变分原型推理的小样本下语义分割方法
Shen et al. One-hot graph encoder embedding
Pham et al. Unsupervised training of Bayesian networks for data clustering
CN114998647B (zh) 基于注意力多实例学习的乳腺癌全尺寸病理图像分类方法
WO2022125181A1 (en) Recurrent neural network architectures based on synaptic connectivity graphs
CN117197904A (zh) 人脸活体检测模型的训练方法、人脸活体检测方法及装置
Lv et al. Chinese character CAPTCHA recognition based on convolution neural network
Putra et al. Multilevel neural network for reducing expected inference time
CN112541541B (zh) 基于多元素分层深度融合的轻量级多模态情感分析方法
Chen et al. A unified framework for generative data augmentation: A comprehensive survey
CN116665039A (zh) 基于两阶段因果干预的小样本目标识别方法
CN108009586B (zh) 封顶概念分解方法及图像聚类方法

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