CN111881954A - 基于渐进式簇净化网络的转导推理小样本分类方法 - Google Patents
基于渐进式簇净化网络的转导推理小样本分类方法 Download PDFInfo
- Publication number
- CN111881954A CN111881954A CN202010679785.5A CN202010679785A CN111881954A CN 111881954 A CN111881954 A CN 111881954A CN 202010679785 A CN202010679785 A CN 202010679785A CN 111881954 A CN111881954 A CN 111881954A
- Authority
- CN
- China
- Prior art keywords
- image
- data set
- network
- category
- classification
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 230000026683 transduction Effects 0.000 title claims abstract description 37
- 238000010361 transduction Methods 0.000 title claims abstract description 37
- 230000000750 progressive effect Effects 0.000 title claims abstract description 30
- 238000000746 purification Methods 0.000 title claims abstract description 25
- 238000013145 classification model Methods 0.000 claims abstract description 62
- 238000012935 Averaging Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 26
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims 3
- 238000012360 testing method Methods 0.000 abstract description 16
- 230000000694 effects Effects 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 238000003909 pattern recognition Methods 0.000 abstract description 2
- 125000004122 cyclic group Chemical group 0.000 abstract 1
- 230000006870 function Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 101100455978 Arabidopsis thaliana MAM1 gene Proteins 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 241000270322 Lepidosauria Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012803 optimization experiment Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明属于计算机视觉、模式识别和神经网络技术领域,具体涉及一种基于渐进式簇净化网络的转导推理小样本分类方法、系统、装置,旨在解决现有基于小样本学习的分类方法忽略了测试样本的作用,导致分类精度、鲁棒性较差的问题。本系统方法包括:获取第一数据集、第二数据集;提取第一数据集、第二数据集中图像的特征,对第二数据集不同类别的图像特征求均值,作为各类别的特征初始值;通过分类模型对第一数据集中的图像分类;第一数据集中重分类的各图像的正得分;第一数据集中重分类的各图像的负得分;通过预设的第一方法对特征初始值进行更新;循环判断。本发明提高了分类的精度、鲁棒性。
Description
技术领域
本发明属于计算机视觉、模式识别和神经网络技术领域,具体涉及一种基于渐进式簇净化网络的转导推理小样本分类方法、系统、装置。
背景技术
在大数据的推动下,深度学习技术在计算机视觉、自然语言处理等领域都有了突飞猛进的发展,然而,在自动驾驶等较难获取大量标注数据的领域,严重依赖数据规模的特点阻碍了深度学习在低数据任务上的应用。众所周知,人类是可以通过简单的举例说明快速学习新概念的,受这一事实的启发,现在的研究者们更多的关注小样本学习技术的发展。
小样本学习技术通过提取相似任务的共享知识,利用少量的训练样本就可以获得适用于新任务的模型。然而现在的小样本学习技术只关注于如何充分利用少量的训练样本,而忽视了测试样本的作用。当有若干测试样本时,可以利用测试样本帮助构建更好的模型,转导推理就是这样的典型方法。
在统计学习中,转导推理(Transductive Inference)是一种通过观察特定的训练样本,进而预测特定的测试样本的方法。分类任务中转导推理的典型应用为转导支持向量机(Transductive Support Vector Machine(TSVM)),通过不断的优化聚簇的边界,来使用训练集和测试集数据不同类别间聚簇的边界间隔最大。特别是当训练样本非常少,而测试样本非常多时,转导推理能利用无标注的测试样本的信息发现聚簇,利用测试集的流形结构进行更有效地分类。因此,本发明提出了一种基于渐进式簇净化网络的转导推理小样本分类方法,可以通过对每个独立的簇之间的语义相关性进行推导,从而渐进性的完成对簇的净化。
发明内容
为了解决现有技术中的上述问题,即为了解决现有基于小样本学习的分类方法忽略了测试样本的作用,导致分类精度、鲁棒性较差的问题,本发明第一方面,提出了一种基于渐进式簇净化网络的转导推理小样本分类方法,该方法包括:
步骤S100,获取第一数据集、第二数据集;所述第一数据集为未标注待分类图像的数据集;所述第二数据集为带标注类别的图像的数据集;
步骤S200,提取所述第一数据集、所述第二数据集中各图像的特征,并对第二数据集不同类别的图像特征求均值,作为各类别的特征初始值;
步骤S300,对第一数据集中各图像,计算其特征与各特征初始值的距离,并通过分类模型得到其与第二数据集中各类别的相似性得分,将相似性得分最高的类别作为其重分类后的类别;所述分类模型基于卷积神经网络、全连接网络构建;
步骤S400,对第一数据集中重分类的各图像,通过关系网络计算其特征与同类别其他图像特征的关系得分并求平均,作为其的正得分;
步骤S500,对第一数据集中重分类的各图像,通过关系网络计算其特征与不同类别中的图像特征的关系得分并求平均,将各类别对应的最高平均分作为其的负得分;所述关系网络基于所述分类模型构建;
步骤S600,对各图像的正得分、负得分进行加权做差,得到其对应的最终得分,并选取最终得分最高的L个图像的特征,结合特征初始值,通过预设的第一方法对特征初始值进行更新;L为正整数;
步骤S700,判断是否达到设定的循环次数,若否,则循环执行步骤S300-步骤S600,否则,将步骤S300重分类的类别作为分类结果进行输出。
在一些优选的实施方式中,所述分类模型与所述关系网络的训练方法为:
步骤A100,获取图像样本训练数据集;随机从所述训练数据集选取不同类别的图像样本构建支撑集,并从选取的类别中选取若干不重复的图像样本构建查询集;
步骤A200,提取支撑集、查询集中各图像样本的特征,并对支撑集不同类别中图像样本的特征求均值,作为各类别对应的特征初始值;
步骤A300,对查询集中各图像样本,计算其特征与各特征初始值的距离,并通过分类模型得到其与支撑集各类别的相似性得分,将相似性得分最高的类别作为其重分类后的类别;计算分类损失并更新分类模型;
步骤A400,对查询集中重分类的各图像样本,通过关系网络计算其特征与同类别其他图像样本特征的关系得分并求平均,作为其的正得分;
步骤A500,对查询集中重分类后的各图像样本,通过关系网络计算其特征与不同类别中的图像样本特征的关系得分并求平均,将各类别对应的最高平均分作为其的负得分;计算关系网络的损失并更新关系网络;所述关系网络基于所述分类模型构建;
步骤A600,对各图像样本的正得分、负得分进行加权做差,得到其对应的最终得分,并选取最终得分最高的L个图像样本的特征,结合特征初始值,通过预设的第一方法对特征初始值进行更新;L为正整数;
步骤A700,判断是否达到设定的循环次数,若否,则循环执行步骤A300-步骤A600,否则,循环执行步骤A800;
步骤A800,循环执行步骤A100-A700,直至得到训练好的分类模型、关系网络。
在一些优选的实施方式中,步骤A300“通过分类模型得到其与支撑集各类别的相似性得分”,其方法为:
在一些优选的实施方式中,所述关系网络其计算关系得分的方法为:
在一些优选的实施例中,步骤A600中“选取最终得分最高的L个图像样本的特征,结合特征初始值,通过预设的第一方法对特征初始值进行更新”,其方法为:
在一些优选的实施例中,所述分类模型其损失函数为:
在一些优选的实施例中,所述关系网络其损失函数为:
本发明的第二方面,提出了一种基于渐进式簇净化网络的转导推理小样本分类系统,该系统包括获取模块、提取模块、分类模块、正得分获取模块、负得分获取模块、更新模块、循环模块;
所述获取模块,配置为获取第一数据集、第二数据集;所述第一数据集为未标注待分类图像的数据集;所述第二数据集为带标注类别的图像的数据集;
所述提取模块,配置为提取所述第一数据集、所述第二数据集中各图像的特征,并对第二数据集不同类别的图像特征求均值,作为各类别的特征初始值;
所述分类模块,配置为对第一数据集中各图像,计算其特征与各特征初始值的距离,并通过分类模型得到其与第二数据集中各类别的相似性得分,将相似性得分最高的类别作为其重分类后的类别;所述分类模型基于卷积神经网络、全连接网络构建;
所述正得分获取模块,配置为对第一数据集中重分类的各图像,通过关系网络计算其特征与同类别其他图像特征的关系得分并求平均,作为其的正得分;
所述负得分获取模块,配置为对第一数据集中重分类的各图像,通过关系网络计算其特征与不同类别中的图像特征的关系得分并求平均,将各类别对应的最高平均分作为其的负得分;所述关系网络基于所述分类模型构建;
所述更新模块,配置为对各图像的正得分、负得分进行加权做差,得到其对应的最终得分,并选取最终得分最高的L个图像的特征,结合特征初始值,通过预设的第一方法对特征初始值进行更新;L为正整数;
所述循环模块,配置为判断是否达到设定的循环次数,若否,则循环执行分类模块-更新模块,否则,将分类模块重分类的类别作为分类结果进行输出。
本发明的第三方面,提出了一种存储装置,其中存储有多条程序,所述程序应用由处理器加载并执行以实现上述的基于渐进式簇净化网络的转导推理小样本分类方法。
本发明的第四方面,提出了一种处理装置,包括处理器、存储装置;处理器,适用于执行各条程序;存储装置,适用于存储多条程序;所述程序适用于由处理器加载并执行以实现上述的基于渐进式簇净化网络的转导推理小样本分类方法。
本发明的有益效果:
本发明能够充分利用训练样本和测试样本的语义关系,并提高了分类模型分类的精度、鲁棒性。本发明通过类别内部的转导推理和类别之间的分类,对每个独立的簇(类别)之间的语义相关性进行推导,从而渐进性的完成对簇的净化。类别间的分类通过计算查询集样本(即测试样本)和类别原型之间的距离将查询集中的样本分为若干个簇。类别内部的转导推理通过对簇内部和簇之间数据关系进行建模,从而为每个簇筛选出更可靠的数据,再此基础上进一步优化类别原型,从而更好的表征语义簇的分布。基于优化后的类别原型,再重新计算查询集中的样本和类别原型的距离,进行簇的净化。最后,类别内部的转导推理和类别之间的分类可重复操作多次,进一步完成簇的净化。
在对簇的净化的过程中,充分利用训练样本和测试样本的语义关系对分类模型进行不断优化,提升了分类模型的分类精度及鲁棒性。
附图说明
通过阅读参照以下附图所做的对非限制性实施例所做的详细描述,本申请的其他特征、目的和优点将会变得更明显。
图1是本发明一种实施例的基于渐进式簇净化网络的转导推理小样本分类方法的流程示意图;
图2是本发明一种实施例的基于渐进式簇净化网络的转导推理小样本分类系统的框架示意图;
图3是本发明一种实施例的分类模型的结构示意图;
图4是本发明一种实施例的分类模型训练的详细流程示意图;
图5是适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。
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,下面将结合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。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本发明的基于渐进式簇净化网络的转导推理小样本分类方法,如图1所示,包括以下步骤:
步骤S100,获取第一数据集、第二数据集;所述第一数据集为未标注待分类图像的数据集;所述第二数据集为带标注类别的图像的数据集;
步骤S200,提取所述第一数据集、所述第二数据集中各图像的特征,并对第二数据集不同类别的图像特征求均值,作为各类别的特征初始值;
步骤S300,对第一数据集中各图像,计算其特征与各特征初始值的距离,并通过分类模型得到其与第二数据集中各类别的相似性得分,将相似性得分最高的类别作为其重分类后的类别;所述分类模型基于卷积神经网络、全连接网络构建;
步骤S400,对第一数据集中重分类的各图像,通过关系网络计算其特征与同类别其他图像特征的关系得分并求平均,作为其的正得分;
步骤S500,对第一数据集中重分类的各图像,通过关系网络计算其特征与不同类别中的图像特征的关系得分并求平均,将各类别对应的最高平均分作为其的负得分;所述关系网络基于所述分类模型构建;
步骤S600,对各图像的正得分、负得分进行加权做差,得到其对应的最终得分,并选取最终得分最高的L个图像的特征,结合特征初始值,通过预设的第一方法对特征初始值进行更新;L为正整数;
步骤S700,判断是否达到设定的循环次数,若否,则循环执行步骤S300-步骤S600,否则,将步骤S300重分类的类别作为分类结果进行输出。
为了更清晰地对本发明基于渐进式簇净化网络的转导推理小样本分类方法进行说明,下面结合附图对本发明方法一种实施例中各步骤进行展开详述。
在下述实施例中,先对分类模型、关系网络的训练进行描述,再对基于渐进式簇净化网络的转导推理小样本分类方法对图像进行分类进行描述。
1、分类模型、关系网络的训练,如图4所示
步骤A100,获取图像样本训练数据集;随机从所述训练数据集选取不同类别的图像样本构建支撑集,并从选取的类别中选取若干不重复的图像样本构建查询集;
在本实施例中,会随机从训练数据集(即小样本学习数据集)N个类别每类抽取K个样本(S={(x1,y1),(x2,y2),……(xN×K,yN×K)},xi代表支撑集第i张图像样本,yi代表支撑集第i张图像样本所属的类别,即真实类别)作为支撑集(support set),构建一个meta-task(元任务);再从训练集N个类别剩余数据中每类抽取M个的样本作为模型的查询集(queryset)代表查询集第i张图像样本,代表查询集第i张图像样本所属的类别,即真实类别)。其中,N、K、M为正整数,支撑集中的图像样本作为小样本学习中的训练样本(即带标注的样本),查询集中的图像样本作为小样本学习的测试样本(即待分类的样本)。
步骤A200,提取支撑集、查询集中各图像样本的特征,并对支撑集不同类别中图像样本的特征求均值,作为各类别对应的特征初始值;
在本实施例中,通过卷积神经网络提取支撑集、查询集中各图像样本的特征,分别表示为fφ(xi)、并对支撑集不同类别中图像样本的特征求均值,确定各类别(或称之为类别原型)的特征初始值 n为下标,表示正整数。其中,特征初始值的获取方法如公式(1)所示:
步骤A300,对查询集中各图像样本,计算其特征与各特征初始值的距离,并通过分类模型得到其与支撑集各类别的相似性得分,将相似性得分最高的类别作为其重分类后的类别;计算分类损失并更新分类模型;
在本实施例中,建立分类模型测量查询集图像样本特征和类别原型的特征初始值之间的距离。类别原型的特征初始值和查询集样本的特征之间的距离为原型表征既代表(t=0)的特征初始值也可代表优化后的原型(t>0)的特征初始值。分类模型由两层卷积网络和两层全连接网络组成,每层卷积网络后都叠加批归一化层和激活层。具体如图3所示:分类模型包括两层卷积核(conv)尺寸3*3、个数为512的卷积层,每层卷积后叠加批归一化层(batch norm)和Relu激活层。通过2×2的池化层(Avg-pool)来减少特征图的尺寸,最后通过两层全连接层(FC)进行分类,并通过sigmoid函数将相似性得分(score)区间控制在(0,1)之间,其中,Feature subtraction表示求特征的差,即类别原型的特征初始值和查询集图像样本特征的差,即类别原型的特征初始值和查询集图像样本的特征。
基于计算的距离,通过分类模型得到各图像样本与支撑集各类别的相似性得分,具体计算方式如公式(2)所示:
其中,si,n表示相似性得分,σ表示sigmoid函数,使得分介于(0,1)之间,F(.)代表分类模型。
为了便于区分,将查询集图像样本重分类后的类别简称为语义簇。
其中,分类模型的损失函数如公式(4)所示:
步骤A400,对查询集中重分类的各图像样本,通过关系网络计算其特征与同类别其他图像样本特征的关系得分并求平均,作为其的正得分;
基于公式(5)计算查询集中重分类的各图像样本与同类别(同一语义簇)中的其他图像样本距离的关系得分,并求平均,将平均值作为图像样本与其他图像样本距离的正得分。如公式(6)所示:
步骤A500,对查询集中重分类后的各图像样本,通过关系网络计算其特征与不同类别中的图像样本特征的关系得分并求平均,将各类别对应的最高平均分作为其的负得分;计算关系网络的损失并更新关系网络;所述关系网络基于所述分类模型构建;
在本实施例中,基于公式(5)计算查询集中重分类后的各图像样本与不同类别中的图像样本的关系得分并求平均,作为图像样本与不同类别距离的负得分。如式(7)所示:
其中,关系网络的损失函数如公式(9)(10)所示:
步骤A600,对各图像样本的正得分、负得分进行加权做差,得到其对应的最终得分,并选取最终得分最高的L个图像样本的特征,结合特征初始值,通过预设的第一方法对特征初始值进行更新;L为正整数;
在本实施例中,设置权重系数,对各图像样本的正得分、负得分进行加权做差,得到其对应的最终得分,如公式(11)所示:
选取最终得分最高的L个图像样本的特征,结合特征初始值,通过预设的第一方法对特征初始值进行更新,具体如公式(12)所示:
步骤A700,判断是否达到设定的循环次数,若否,则循环执行步骤A300至步骤A600,否则,循环执行步骤A800;
在本实施例中,按照A300-步骤A600的步骤多次迭代优化,得到净化的类簇,并且得到了查询集样本的类别归属。
步骤A800,循环执行步骤A100至A700,直至得到训练好的分类模型、关系网络;
在本实施例中,在训练数据集中重新构建支撑集与查询集,对分类模型、关系网络进行训练,直至得到训练好的分类模型、关系网络。
2、基于渐进式簇净化网络的转导推理小样本分类方法
步骤S100,获取第一数据集、第二数据集;所述第一数据集为未标注待分类图像的数据集;所述第二数据集为带标注类别的图像的数据集;
在本实施例中,先获取待分类的图像数据集以及已标注类别的图像数据集,图像集中的图像可以为场景图像,也可以为其图像。
步骤S200,提取所述第一数据集、所述第二数据集中各图像的特征,并对第二数据集不同类别的图像特征求均值,作为各类别的特征初始值;
在本实施例中,提取数据集中图像的特征,并对第二数据集不同类别的图像特征求均值,作为各类别的特征初始值。具体与上述步骤A200类似。
步骤S300,对第一数据集中各图像,计算其特征与各特征初始值的距离,并通过分类模型得到其与第二数据集中各类别的相似性得分,将相似性得分最高的类别作为其重分类后的类别;所述分类模型基于卷积神经网络、全连接网络构建;
在本实施例中,通过训练好的分类模型得到第一数据集中各图像与第二数据集中各类别的相似性得分,并将相似性得分最高的类别作为其重分类后的类别。具体与上述步骤A300类似。
步骤S400,对第一数据集中重分类的各图像,通过关系网络计算其特征与同类别其他图像特征的关系得分并求平均,作为其的正得分;
在本实施例中,获取第一数据集中重分类的各图像的正得分,具体与上述步骤A400类似。
步骤S500,对第一数据集中重分类的各图像,通过关系网络计算其特征与不同类别中的图像特征的关系得分并求平均,将各类别对应的最高平均分作为其的负得分;所述关系网络基于所述分类模型构建;
在本实施例中,获取第一数据集中重分类的各图像的负得分,具体与上述步骤A500类似。
步骤S600,对各图像的正得分、负得分进行加权做差,得到其对应的最终得分,并选取最终得分最高的L个图像的特征,结合特征初始值,通过预设的第一方法对特征初始值进行更新;L为正整数;
在本实施例中,基于正得分、负得分进行加权做差,得到其对应的最终得分,并选取最终得分最高的L个图像的特征,结合特征初始值,通过预设的第一方法对特征初始值进行更新。具体与上述步骤A600类似。
步骤S700,判断是否达到设定的循环次数,若否,则循环执行步骤S300-步骤S600,否则,将步骤S300重分类的类别作为分类结果进行输出。
在本实施例中,获取设定的循环次数,若当前循环次数未达到设定的循环次数,则循环执行步骤S300-步骤S600,提高分类的精度。当前循环次数达到设定的循环次数将步骤S300最新重分类的类别作为分类结果进行输出。
另外,为了验证本发明的有效性。实验在两个个标准的公开数据库上进行,第一个为miniImageNet,包括ILSVRC-12的100个类别、每个类别600张图片,我们采用64个类别作为训练集,16个类别作为交叉验证集、20个类别作为测试集。
第二个为tieredImageNet,包括ILSVRC-12的608个类别、每个类别1281张图片,根据ImageNet数据集语义等级的划分,这些类别又被分为34个更宽泛的类别,每个类别包括10~30个子类别,我们用20个宽泛类别作为训练集(包括351个子类别),6个宽泛类别作为交叉验证集(包括97个子类别)、8个宽泛类别作为测试集(包括160个子类别)。
训练时的采样方式为:每个类别选取15张图片形成查询集,并采用“Higher Shot”的训练方式,即在训练时对支撑集N-way K-shot的采样中增加K的数目,在本方案中,对于1-shot和5-shot的学习方式,在训练时K分别为5和10。对于类别内部的转导推理模块,我们将最后筛选得分最大查询集数据个数L设置为9。对于miniImageNet和tieredImageNet,权重系数λ分别为0.8和0.6。
表1展示了在miniImageNet数据集上,本申请分类方法对于5-way 1-shot(N=5,K=1)和5-way 5-shot(N=5,K=5)学习方式分别取得了58.40%和70.66%的准确率。表2展示了在tieredImageNet数据集上,本申请分类方法对5-way 1-shot和5-way 5-shot的学习方式分别达到了62.43%和74.11%的准确率。两个数据集上的结果表明,相比于其他算法,本方案分类方法取得了最高的准确率。
表1
Methods | 5-way 1-shot | 5-way 5-shot |
MachingNet | 43.56±0.84 | 55.31±0.73 |
MAML | 48.70±1.84 | 63.11±0.92 |
ProtoNet | 49.42±0.78 | 68.20±0.66 |
RelationNet | 50.44±0.82 | 65.32±0.70 |
MM-Net | 53.37±0.48 | 66.97±0.35 |
Qiao et al. | 54.53±0.40 | 67.87±0.20 |
TPN | 55.51±* | 69.86±* |
Ours | 58.40±0.27 | 70.66±0.19 |
表2
Methods | 5-way 1-shot | 5-way 5-shot |
Reptile | 48.97 | 66.47 |
MAML | 51.67 | 70.30 |
ProtoNet | 53.31 | 72.69 |
RelationNet | 54.48 | 71.31 |
TPN | 59.91 | 73.30 |
Ours | 62.43 | 74.11 |
其中,表1、表2中Ours表示本申请(本发明)的分类方法,其余的方法(Methods)均为小样本学习方法,其中,Reptile为On first-order meta-learning algorithms,MAML为Model-agnostic meta-learning for fast adaptation of deep networks,ProtoNet为Prototypical networks for few-shot learning,RelationNet为Learning to compare:Relation network for few-shot learning,TPN为Learning to propagate labels:Transductive propagation network for few-shot learning,Qiao et al.为Few-shotimage recognition by predicting parameters from activations,MachingNet为Matching networks for one shot learning,MM-Net为Memory matching networks forone-shot image recognition。
表3显示了本申请分类方法迭代次数(Iterations)对于准确率的影响,从0-1轮准确率提升明显,证明了类别内部转导推理模块的有效性。随着迭代轮数的增加,准确率增长趋于平缓,证明类别原型对语义簇表征能力得到了不断提高。
表3
表4显示了权重系数λ对于准确率的影响,随着λ的增大,准确率得到稳定提高,证明负得分对于减少分类错误的有效性。但是λ取值过大会造成正得分影响下降,导致准确率降低。经过多次参数优化实验,对于miniImageNet和tieredImageNet,权重系数λ分别为0.8和0.6。
表4
综上,本发明提出了一种基于渐进式簇净化网络的转导推理小样本分类方法,可以通过类别内部簇的固有流形结构转导推理样本之间的关系,提高类别原型对于语义簇分布的表征能力。基于优化后的类别原型,迭代数次完成簇的净化。在miniImageNet和tieredImageNet数据集上的实验结果表明,本申请分类方法性能超过其他小样本学习方法。
本发明第二实施例的一种基于渐进式簇净化网络的转导推理小样本分类系统,如图2所示,包括:获取模块100、提取模块200、分类模块300、正得分获取模块400、负得分获取模块500、更新模块600、循环模块700;
所述获取模块100,配置为获取第一数据集、第二数据集;所述第一数据集为未标注待分类图像的数据集;所述第二数据集为带标注类别的图像的数据集;
所述提取模块200,配置为提取所述第一数据集、所述第二数据集中各图像的特征,并对第二数据集不同类别的图像特征求均值,作为各类别的特征初始值;
所述分类模块300,配置为对第一数据集中各图像,计算其特征与各特征初始值的距离,并通过分类模型得到其与第二数据集中各类别的相似性得分,将相似性得分最高的类别作为其重分类后的类别;所述分类模型基于卷积神经网络、全连接网络构建;
所述正得分获取模块400,配置为对第一数据集中重分类的各图像,通过关系网络计算其特征与同类别其他图像特征的关系得分并求平均,作为其的正得分;
所述负得分获取模块500,配置为对第一数据集中重分类的各图像,通过关系网络计算其特征与不同类别中的图像特征的关系得分并求平均,将各类别对应的最高平均分作为其的负得分;所述关系网络基于所述分类模型构建;
所述更新模块600,配置为对各图像的正得分、负得分进行加权做差,得到其对应的最终得分,并选取最终得分最高的L个图像的特征,结合特征初始值,通过预设的第一方法对特征初始值进行更新;L为正整数;
所述循环模块700,配置为判断是否达到设定的循环次数,若否,则循环执行分类模块300-更新模块600,否则,将分类模块300重分类的类别作为分类结果进行输出。
所述技术领域的技术人员可以清楚的了解到,为描述的方便和简洁,上述描述的系统的具体的工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的基于渐进式簇净化网络的转导推理小样本分类系统,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
本发明第三实施例的一种存储装置,其中存储有多条程序,所述程序适用于由处理器加载并实现上述的基于渐进式簇净化网络的转导推理小样本分类方法。
本发明第四实施例的一种处理装置,包括处理器、存储装置;处理器,适于执行各条程序;存储装置,适于存储多条程序;所述程序适于由处理器加载并执行以实现上述的基于渐进式簇净化网络的转导推理小样本分类方法。
所述技术领域的技术人员可以清楚的了解到,为描述的方便和简洁,上述描述的存储装置、处理装置的具体工作过程及有关说明,可以参考前述方法实例中的对应过程,在此不再赘述。
下面参考图5其示出了适于用来实现本申请方法、系统、装置实施例的服务器的计算机系统的结构示意图。图5出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统包括中央处理单元(CPU,Central Processing Unit)501,其可以根据存储在只读存储器(ROM,Read Only Memory)502中的程序或者从存储部分508加载到随机访问存储器(RAM,Random Access Memory)503中的程序而执行各种适当的动作和处理。在RAM503中,还存储有系统操作所需的各种程序和数据。CPU 501、ROM502以及RAM503通过总线504彼此相连。输入/输出(I/O,Input/Output)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT,Cathode Ray Tube)、液晶显示器(LCD,Liquid Crystal Display)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN(局域网,Local AreaNetwork)卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种基于渐进式簇净化网络的转导推理小样本分类方法,其特征在于,该方法包括:
步骤S100,获取第一数据集、第二数据集;所述第一数据集为未标注待分类图像的数据集;所述第二数据集为带标注类别的图像的数据集;
步骤S200,提取所述第一数据集、所述第二数据集中各图像的特征,并对第二数据集不同类别的图像特征求均值,作为各类别的特征初始值;
步骤S300,对第一数据集中各图像,计算其特征与各特征初始值的距离,并通过分类模型得到其与第二数据集中各类别的相似性得分,将相似性得分最高的类别作为其重分类后的类别;所述分类模型基于卷积神经网络、全连接网络构建;
步骤S400,对第一数据集中重分类的各图像,通过关系网络计算其特征与同类别其他图像特征的关系得分并求平均,作为其的正得分;
步骤S500,对第一数据集中重分类的各图像,通过关系网络计算其特征与不同类别中的图像特征的关系得分并求平均,将各类别对应的最高平均分作为其的负得分;所述关系网络基于所述分类模型构建;
步骤S600,对各图像的正得分、负得分进行加权做差,得到其对应的最终得分,并选取最终得分最高的L个图像的特征,结合特征初始值,通过预设的第一方法对特征初始值进行更新;L为正整数;
步骤S700,判断是否达到设定的循环次数,若否,则循环执行步骤S300-步骤S600,否则,将步骤S300重分类的类别作为分类结果进行输出。
2.根据权利要求1所述的基于渐进式簇净化网络的转导推理小样本分类方法,其特征在于,所述分类模型与所述关系网络的训练方法为:
步骤A100,获取图像样本训练数据集;随机从所述训练数据集选取不同类别的图像样本构建支撑集,并从选取的类别中选取若干不重复的图像样本构建查询集;
步骤A200,提取支撑集、查询集中各图像样本的特征,并对支撑集不同类别中图像样本的特征求均值,作为各类别对应的特征初始值;
步骤A300,对查询集中各图像样本,计算其特征与各特征初始值的距离,并通过分类模型得到其与支撑集各类别的相似性得分,将相似性得分最高的类别作为其重分类后的类别;计算分类损失并更新分类模型;
步骤A400,对查询集中重分类的各图像样本,通过关系网络计算其特征与同类别其他图像样本特征的关系得分并求平均,作为其的正得分;
步骤A500,对查询集中重分类后的各图像样本,通过关系网络计算其特征与不同类别中的图像样本特征的关系得分并求平均,将各类别对应的最高平均分作为其的负得分;计算关系网络的损失并更新关系网络;所述关系网络基于所述分类模型构建;
步骤A600,对各图像样本的正得分、负得分进行加权做差,得到其对应的最终得分,并选取最终得分最高的L个图像样本的特征,结合特征初始值,通过预设的第一方法对特征初始值进行更新;L为正整数;
步骤A700,判断是否达到设定的循环次数,若否,则循环执行步骤A300-步骤A600,否则,循环执行步骤A800;
步骤A800,循环执行步骤A100-A700,直至得到训练好的分类模型、关系网络。
8.一种基于渐进式簇净化网络的转导推理小样本分类系统,其特征在于,该系统包括:获取模块、提取模块、分类模块、正得分获取模块、负得分获取模块、更新模块、循环模块;
所述获取模块,配置为获取第一数据集、第二数据集;所述第一数据集为未标注待分类图像的数据集;所述第二数据集为带标注类别的图像的数据集;
所述提取模块,配置为提取所述第一数据集、所述第二数据集中各图像的特征,并对第二数据集不同类别的图像特征求均值,作为各类别的特征初始值;
所述分类模块,配置为对第一数据集中各图像,计算其特征与各特征初始值的距离,并通过分类模型得到其与第二数据集中各类别的相似性得分,将相似性得分最高的类别作为其重分类后的类别;所述分类模型基于卷积神经网络、全连接网络构建;
所述正得分获取模块,配置为对第一数据集中重分类的各图像,通过关系网络计算其特征与同类别其他图像特征的关系得分并求平均,作为其的正得分;
所述负得分获取模块,配置为对第一数据集中重分类的各图像,通过关系网络计算其特征与不同类别中的图像特征的关系得分并求平均,将各类别对应的最高平均分作为其的负得分;所述关系网络基于所述分类模型构建;
所述更新模块,配置为对各图像的正得分、负得分进行加权做差,得到其对应的最终得分,并选取最终得分最高的L个图像的特征,结合特征初始值,通过预设的第一方法对特征初始值进行更新;L为正整数;
所述循环模块,配置为判断是否达到设定的循环次数,若否,则循环执行分类模块-更新模块,否则,将分类模块重分类的类别作为分类结果进行输出。
9.一种存储装置,其中存储有多条程序,其特征在于,所述程序应用由处理器加载并执行以实现权利要求1-7任一项所述的基于渐进式簇净化网络的转导推理小样本分类方法。
10.一种处理装置,包括处理器、存储装置;处理器,适用于执行各条程序;存储装置,适用于存储多条程序;其特征在于,所述程序适用于由处理器加载并执行以实现权利要求1-7任一项所述的基于渐进式簇净化网络的转导推理小样本分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010679785.5A CN111881954A (zh) | 2020-07-15 | 2020-07-15 | 基于渐进式簇净化网络的转导推理小样本分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010679785.5A CN111881954A (zh) | 2020-07-15 | 2020-07-15 | 基于渐进式簇净化网络的转导推理小样本分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111881954A true CN111881954A (zh) | 2020-11-03 |
Family
ID=73151282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010679785.5A Pending CN111881954A (zh) | 2020-07-15 | 2020-07-15 | 基于渐进式簇净化网络的转导推理小样本分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111881954A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112434296A (zh) * | 2020-12-09 | 2021-03-02 | 广东工业大学 | 一种安卓恶意应用的检测方法及装置 |
CN112819075A (zh) * | 2021-02-02 | 2021-05-18 | 电子科技大学 | 一种基于转导式推理的均衡小样本任务分类方法 |
CN112949740A (zh) * | 2021-03-17 | 2021-06-11 | 重庆邮电大学 | 一种基于多级度量的小样本图像分类方法 |
CN113065634A (zh) * | 2021-02-26 | 2021-07-02 | 华为技术有限公司 | 一种图像处理方法、神经网络的训练方法以及相关设备 |
CN115775340A (zh) * | 2023-02-13 | 2023-03-10 | 北京科技大学 | 一种基于特征调制的自适应小样本图像分类方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509110A (zh) * | 2011-10-24 | 2012-06-20 | 中国科学院自动化研究所 | 基于成对约束的在线词典再加权对图像进行分类的方法 |
CN106682095A (zh) * | 2016-12-01 | 2017-05-17 | 浙江大学 | 基于图的主题描述词预测及排序方法 |
-
2020
- 2020-07-15 CN CN202010679785.5A patent/CN111881954A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509110A (zh) * | 2011-10-24 | 2012-06-20 | 中国科学院自动化研究所 | 基于成对约束的在线词典再加权对图像进行分类的方法 |
CN106682095A (zh) * | 2016-12-01 | 2017-05-17 | 浙江大学 | 基于图的主题描述词预测及排序方法 |
Non-Patent Citations (3)
Title |
---|
CHENYANG SI ET AL.: "Progressive Cluster Purification for Transductive Few-shot Learning", 《HTTPS://ARXIV.ORG/ABS/1906.03847》 * |
焦李成 等, 西安电子科技大学出版社 * |
陈秀平 等: "基于Markov随机游走的渐进式半监督分类模型", 《江西师范大学学报(自然科学版)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112434296A (zh) * | 2020-12-09 | 2021-03-02 | 广东工业大学 | 一种安卓恶意应用的检测方法及装置 |
CN112819075A (zh) * | 2021-02-02 | 2021-05-18 | 电子科技大学 | 一种基于转导式推理的均衡小样本任务分类方法 |
CN113065634A (zh) * | 2021-02-26 | 2021-07-02 | 华为技术有限公司 | 一种图像处理方法、神经网络的训练方法以及相关设备 |
CN112949740A (zh) * | 2021-03-17 | 2021-06-11 | 重庆邮电大学 | 一种基于多级度量的小样本图像分类方法 |
CN115775340A (zh) * | 2023-02-13 | 2023-03-10 | 北京科技大学 | 一种基于特征调制的自适应小样本图像分类方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111881954A (zh) | 基于渐进式簇净化网络的转导推理小样本分类方法 | |
CN110675623A (zh) | 基于混合深度学习的短时交通流量预测方法、系统、装置 | |
CN115080764B (zh) | 基于知识图谱及聚类算法的医学相似实体分类方法及系统 | |
CN108399434B (zh) | 基于特征提取的高维时间序列数据的分析预测方法 | |
CN113705655B (zh) | 三维点云全自动分类方法及深度神经网络模型 | |
CN111695473B (zh) | 基于长短时记忆网络模型的热带气旋强度客观监测方法 | |
Vila et al. | Bayesian nonlinear model selection and neural networks: A conjugate prior approach | |
CN115828140A (zh) | 邻域互信息与随机森林相融合故障检测方法、系统及应用 | |
CN107609588A (zh) | 一种基于语音信号的帕金森患者updrs得分预测方法 | |
CN114492184A (zh) | 一种时频域分析航空发动机剩余使用寿命预测方法及装置 | |
CN114237046B (zh) | 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法 | |
CN113987910A (zh) | 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置 | |
US20220188605A1 (en) | Recurrent neural network architectures based on synaptic connectivity graphs | |
CN111209813B (zh) | 基于迁移学习的遥感图像语义分割方法 | |
CN114897032B (zh) | 一种基于宽度学习的电流互感器故障诊断方法、装置 | |
CN116343016A (zh) | 一种基于轻量型卷积网络的多角度声呐图像目标分类方法 | |
CN115661498A (zh) | 一种自优化单细胞聚类方法 | |
CN115083511A (zh) | 基于图表示学习与注意力的外围基因调控特征提取方法 | |
CN114886383A (zh) | 基于迁移学习的针对脑电信号情感特征分类方法 | |
CN115049026A (zh) | 基于gsnnr的空间非平稳性关系的回归分析方法 | |
CN115240782A (zh) | 药物属性预测方法、装置、电子设备及存储介质 | |
CN114399642A (zh) | 一种卷积神经网络荧光光谱特征提取方法 | |
CN113449920A (zh) | 一种风电功率预测方法、系统及计算机可读介质 | |
CN116631641B (zh) | 一种集成自适应相似患者图的疾病预测装置 | |
CN113035363B (zh) | 一种概率密度加权的遗传代谢病筛查数据混合采样方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201103 |
|
RJ01 | Rejection of invention patent application after publication |