CN112069921A - 一种基于自监督知识迁移的小样本视觉目标识别方法 - Google Patents

一种基于自监督知识迁移的小样本视觉目标识别方法 Download PDF

Info

Publication number
CN112069921A
CN112069921A CN202010830474.4A CN202010830474A CN112069921A CN 112069921 A CN112069921 A CN 112069921A CN 202010830474 A CN202010830474 A CN 202010830474A CN 112069921 A CN112069921 A CN 112069921A
Authority
CN
China
Prior art keywords
data
self
supervision
method based
learning
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.)
Withdrawn
Application number
CN202010830474.4A
Other languages
English (en)
Inventor
宋杰
宋明黎
冯尊磊
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202010830474.4A priority Critical patent/CN112069921A/zh
Publication of CN112069921A publication Critical patent/CN112069921A/zh
Priority to PCT/CN2021/101128 priority patent/WO2022037233A1/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • 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

Landscapes

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

Abstract

一种基于自监督知识迁移的小样本视觉目标识别方法，包括：1)收集与任务弱相关、数量较多的无标注辅助数据，以及与任务强相关、数据量较小的有标注目标数据；2)在数据量较多的无标注辅助数据上通过数据变换构造正样本对以及负样本对，并利用对比损失函数作自监督学习，预训练一个深度神经网络；3)利用预训练模型提取目标数据的特征，并在该特征空间的基础进行数据降维，学习到一个对目标数据具有较强判别能力的特征子空间；4)将每个类别少量标注数据在该子空间的特征表达作为该类别的特征原型，利用最近邻方法对测试数据进行分类预测。

Description

一种基于自监督知识迁移的小样本视觉目标识别方法
技术领域
本发明属于计算机视觉领域，针对图像分类、目标检测、视频监控等场景中标注数据量不足的问题，提出了一种基于自监督知识迁移的小样本视觉目标识别方法。
背景技术
计算机视觉目标识别是计算机视觉以及人工智能领域最基础、最核心的问题之一。近几年由于深度学习技术的发展，视觉目标识别已经取得了非常巨大的进步。现有的深度模型在海量标注数据驱动下，已经能够实现单个模型准确识别上千种视觉目标。然而在视觉目标分类、检测等场景中，现有深度模型依赖大量的高质量标注数据进行学习。但现实生活场景中由于数据的采集成本以及标注成本普遍较高，通常很难获取到大规模标注数据用以模型训练。在数据较少情况下，这些深度模型通常很难进行有效学习。
现有的解决小样本问题的方法主要通过元学习来实现：(1)首先在大量相关视觉分类任务上进行有监督学习来提取任务通用的信息；(2)其次利用这些通用信息引导模型对当前的视觉分类任务进行学习。元学习依然需要大量有标注的相关视觉数据进行学习，数据标注成本依然较高；其次元学习对辅助数据要求较高，需要辅助数据与目标数据强相关，否则学习到的知识很难引导模型对目标数据的有效学习。
发明内容
针对现实场景中视觉分类任务中数据量不足的现状，本发明提出了一种基于自监督知识迁移的小样本视觉目标识别方法，从无标注、弱相关的辅助数据学习通用知识解决目标分类任务。
为实现上述目的，本发明所述的基于自监督知识迁移的小样本视觉目标识别方法，包括如下步骤：
1)收集与任务弱相关、数量较多的无标注辅助数据，以及与任务强相关、数据量较小的有标注目标数据；
2)在数据量较多的无标注辅助数据上通过数据变换构造正样本对以及负样本对，并利用对比损失函数作自监督学习，预训练一个深度模型；
3)利用预训练模型提取目标数据的特征，并在该特征空间的基础进行数据降维，学习到一个对目标数据具有较强判别能力的特征子空间；
4)将每个类别少量标注数据在该子空间的特征表达作为该类别的特征原型，利用最近邻方法对测试数据进行分类预测。
进一步，步骤1)所述的辅助数据无任何标注，且数据量充足能够用以训练；所述的目标数据有标注，但数据量较少，通常每个类仅有几张标注图像。
进一步，步骤2)所述的深度模型的最终目标是对目标数据进行识别，即输出一个目标数据图像中视觉物体的类别。
进一步，步骤1)所述的辅助数据用以深度模型对通用知识的学习；所述的目标数据用以引导深度模型对特定目标数据的快速迁移和准确识别。
进一步，步骤2)所述的自监督学习指的是模型的学习无需任何人工标注，仅依赖利用数据本身的自洽信息构造伪任务，以帮助深度模型进行预学习。
进一步，步骤2)所述的对比损失通过下式计算：
Figure BDA0002637763510000031
其中，i,j表示一个正样本对，N代表模型训练过程中一次迭代更新处理的批大小，z代表数据的特征向量，τ代表温度超参数，函数sim代表特征相似性：sim(u,v)＝uTv/‖u‖‖v‖。
进一步，步骤3)所述的对于特征的数据降维通过主成分分析PCA、ICA等手段进行。
进一步，步骤4)所述的每个类别在特征子空间内的特征原型为该类别数据的特征均值，其计算公式为
Figure BDA0002637763510000032
其中，K为有标注数据中每个类别的标注数据量。
本发明的有益效果如下：
本发明是一种基于自监督知识迁移的小样本视觉目标识别方法。它利用无标注、弱相关的辅助数据进行自学习，然后利用有标注、小样本的目标数据进行特征降维以及目标识别。
与传统方法相比，本发明能够有效缓解深度模型对有标注训练数据的依赖性，提高算法在现实场景下实用性。
附图说明
图1是本发明方法的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案进行清晰、完整的解释和描述。
生物物种识别任务中，由于数据的采集成本以及标注成本普遍较高，通常很难获取到大规模标注数据用以模型训练。在数据较少情况下，现有深度模型通常很难进行有效学习。
针对生物物种识别任务中数据量不足的现状，本发明提出了一种基于自监督知识迁移的小样本生物物种识别方法，从无标注、弱相关的辅助数据学习通用知识解决物种分类任务，具体包括如下步骤：
1)收集与待识别物种弱相关、且无需标注的辅助图像数据，以及少量有标注的待识别物种图像数据；
2)在数据量较多的无标注辅助图像数据上通过数据变换构造正样本对以及负样本对，并利用对比损失函数作自监督学习，预训练一个深度模型；
3)利用预训练模型提取待识别物种的特征，并在该特征空间的基础进行数据降维，学习到一个对物种识别具有较强判别能力的特征子空间；
4)将每个物种少量标注数据在该子空间的特征表达作为该类别的特征原型，利用最近邻搜索方法对测试数据进行预测。
步骤1)所述的辅助数据无任何标注，且数据量充足能够用以训练；所述的生物物种数据有标注，但数据量较少，通常每个物种仅有几张标注图像。
步骤2)所述的深度模型的最终目标是对生物物种进行识别，即输出一个图像中生物物种的名称。
步骤1)所述的辅助数据用以深度模型对通用知识的学习；所述的目标数据用以引导深度模型对特定目标数据的快速迁移和准确识别。
步骤2)所述的自监督学习指的是模型的学习无需任何人工标注，仅依赖利用数据本身的自洽信息构造伪任务，以帮助深度模型进行预学习。
步骤2)所述的对比损失通过下式计算：
Figure BDA0002637763510000051
其中，i,j表示一个正样本对，N代表模型训练过程中一次迭代更新处理的批大小，z代表数据的特征向量，τ代表温度超参数，函数sim代表特征相似性：sim(u,v)＝uTv/‖u‖‖v‖。
步骤3)所述的对于特征的数据降维通过主成分分析PCA、ICA等手段进行。
步骤4)所述的每个物种在特征子空间内的特征原型为该物种数据的特征均值，其计算公式为
Figure BDA0002637763510000052
其中，K为有标注数据中每个物种的标注数据量。
具体地，本发明提出了一种基于自监督知识迁移的小样本生物物种识别方法，该方法能够从利用自监督学习通用的知识，并利用该知识解决小样本条件下生物物种识别问题。包括如下步骤：
步骤1，采集无标注辅助图像数据和有标注的生物物种数据。其中无标注辅助数据100万张图片；生物物种数据中每个类别包含K＝5张图片。所有图像块放缩至224×224。
步骤2，构建正样本对和负样本对，并利用自监督学习训练深度模型。每次训练迭代中，从辅助数据中随机选取N＝32张图片，并通过数据转换函数构造另外32个数据，构成大小为64的批数据。正样本对由对应的数据对构成，其它数据对构成负样本对。温度超参数为τ设置为4，
步骤3，利用预训练模型进行特征提取，并利用生物物种数据进行数据降维。模型预训练后，利用该模型提取所有生物物种数据的特征，并基于该特征利用主成分分析对特征空间进行降维，只保留前5％主成分。
步骤4，对生物物种图像进行分类。在特征子空间中计算每个物种的特征均值，并利用该特征均值对每个图像的特征做最近邻搜索，选择距离最近的那个物种作为该测试图像的预测结果。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围的不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (8)

1.一种基于自监督知识迁移的小样本视觉目标识别方法，包含如下步骤：
1)收集与任务弱相关、数量较多的无标注辅助数据，以及与任务强相关、数据量较小的有标注目标数据；
2)在数据量较多的无标注辅助数据上通过数据变换构造正样本对以及负样本对，并利用对比损失函数作自监督学习，预训练一个深度模型；
3)利用预训练模型提取目标数据的特征，并在该特征空间的基础进行数据降维，学习到一个对目标数据具有较强判别能力的特征子空间；
4)将每个类别少量标注数据在该子空间的特征表达作为该类别的特征原型，利用最近邻方法对测试数据进行分类预测。
2.根据权利要求1所述的一种基于自监督知识迁移的小样本视觉目标识别方法，其特征在于：步骤1)所述的辅助数据无任何标注，且数据量充足能够用以训练；步骤1)所述的目标数据有标注，但数据量较少，通常每个类仅有几张标注图像。
3.根据权利要求1所述的一种基于自监督知识迁移的小样本视觉目标识别方法，其特征在于：步骤2)所述的深度模型的最终目标是对目标数据进行识别，即输出一个目标数据图像中视觉物体的类别。
4.根据权利要求1所述的一种基于自监督知识迁移的小样本视觉目标识别方法，其特征在于：步骤1)所述的辅助数据用以深度模型对通用知识的学习，该部分知识能够泛化到多个任务中；所述的目标数据用以引导深度模型对特定目标数据的快速迁移和准确识别。
5.根据权利要求1所述的一种基于自监督知识迁移的小样本视觉目标识别方法，其特征在于：步骤2)所述的自监督学习指的是模型的学习无需任何人工标注，仅依赖利用数据本身的自洽信息构造伪任务，以帮助深度模型进行预学习。
6.根据权利要求1所述的一种基于自监督知识迁移的小样本视觉目标识别方法，其特征在于：步骤2)所述的对比损失函数通过下式计算：
Figure FDA0002637763500000021
其中，i,j表示一个正样本对，N代表模型训练过程中一次迭代更新处理的批大小，z代表数据的特征向量，τ代表温度超参数，函数sim代表特征相似性：sim(u,v)＝uTv/‖u‖‖v‖。
7.根据权利要求1所述的一种基于自监督知识迁移的小样本视觉目标识别方法，其特征在于：步骤3)所述的对于特征的数据降维通过主成分分析PCA、ICA手段进行。
8.根据权利要求1所述的一种基于自监督知识迁移的小样本视觉目标识别方法，其特征在于：步骤4)所述的每个类别在特征子空间内的特征原型为该类别数据的特征均值，其计算公式为
Figure FDA0002637763500000022
其中，K为有标注数据中每个类别的标注数据量。
CN202010830474.4A 2020-08-18 2020-08-18 一种基于自监督知识迁移的小样本视觉目标识别方法 Withdrawn CN112069921A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010830474.4A CN112069921A (zh) 2020-08-18 2020-08-18 一种基于自监督知识迁移的小样本视觉目标识别方法
PCT/CN2021/101128 WO2022037233A1 (zh) 2020-08-18 2021-06-21 一种基于自监督知识迁移的小样本视觉目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010830474.4A CN112069921A (zh) 2020-08-18 2020-08-18 一种基于自监督知识迁移的小样本视觉目标识别方法

Publications (1)

Publication Number Publication Date
CN112069921A true CN112069921A (zh) 2020-12-11

Family

ID=73661981

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010830474.4A Withdrawn CN112069921A (zh) 2020-08-18 2020-08-18 一种基于自监督知识迁移的小样本视觉目标识别方法

Country Status (2)

Country Link
CN (1) CN112069921A (zh)
WO (1) WO2022037233A1 (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298150A (zh) * 2021-05-25 2021-08-24 东北林业大学 一种基于迁移学习与自学习的小样本植物病害识别方法
CN113314205A (zh) * 2021-05-28 2021-08-27 北京航空航天大学 一种高效的医学影像标注与学习系统
CN113313684A (zh) * 2021-05-28 2021-08-27 北京航空航天大学 一种暗光条件下基于视频的工业缺陷检测系统
CN113688757A (zh) * 2021-08-30 2021-11-23 五邑大学 一种sar图像识别方法、装置及存储介质
CN113781404A (zh) * 2021-08-19 2021-12-10 浙江大学 基于自监督预训练的道路病害检测方法和系统
WO2022037233A1 (zh) * 2020-08-18 2022-02-24 浙江大学 一种基于自监督知识迁移的小样本视觉目标识别方法
CN114494890A (zh) * 2022-04-14 2022-05-13 广州市玄武无线科技股份有限公司 一种模型训练方法、商品图像管理方法及装置
CN114596312A (zh) * 2022-05-07 2022-06-07 中国科学院深圳先进技术研究院 一种视频处理方法和装置
CN114841257A (zh) * 2022-04-21 2022-08-02 北京交通大学 一种基于自监督对比约束下的小样本目标检测方法
CN114936615A (zh) * 2022-07-25 2022-08-23 南京大数据集团有限公司 一种基于表征一致性校对的小样本日志信息异常检测方法
CN115879004A (zh) * 2022-12-21 2023-03-31 北京百度网讯科技有限公司 目标模型的训练方法、装置、电子设备、介质和程序产品

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114596844B (zh) * 2022-03-18 2024-07-12 腾讯科技（深圳）有限公司 声学模型的训练方法、语音识别方法及相关设备
CN114863203A (zh) * 2022-03-28 2022-08-05 重庆长安汽车股份有限公司 一种基于目标检测的预标注方法及存储介质
CN114936395B (zh) * 2022-04-27 2024-08-16 土巴兔集团股份有限公司 一种户型图识别方法、装置、计算机设备及存储介质
CN115131613B (zh) * 2022-07-01 2024-04-02 中国科学技术大学 一种基于多向知识迁移的小样本图像分类方法
CN115100532B (zh) * 2022-08-02 2023-04-07 北京卫星信息工程研究所 小样本遥感图像目标检测方法和系统
CN115080749B (zh) * 2022-08-16 2022-11-08 之江实验室 一种基于自监督训练的弱监督文本分类方法、系统和装置
CN115641483A (zh) * 2022-09-16 2023-01-24 北京大学 一种无监督低光照域自适应训练方法及检测方法
CN115410059B (zh) * 2022-11-01 2023-03-24 山东锋士信息技术有限公司 基于对比损失的遥感图像部分监督变化检测方法及设备
CN115861720B (zh) * 2023-02-28 2023-06-30 人工智能与数字经济广东省实验室(广州) 一种小样本亚类图像分类识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180174042A1 (en) * 2016-12-20 2018-06-21 Intel Corporation Supervised training and pattern matching techniques for neural networks
CN108985334A (zh) * 2018-06-15 2018-12-11 广州深域信息科技有限公司 基于自监督过程改进主动学习的通用物体检测系统及方法
CN110414600A (zh) * 2019-07-27 2019-11-05 西安电子科技大学 一种基于迁移学习的空间目标小样本识别方法
CN111191732A (zh) * 2020-01-03 2020-05-22 天津大学 一种基于全自动学习的目标检测方法
CN111222471A (zh) * 2020-01-09 2020-06-02 中国科学技术大学 基于自监督域感知网络的零样本训练及相关分类方法
CN111259720A (zh) * 2019-10-30 2020-06-09 北京中科研究院 基于自监督代理特征学习的无监督行人重识别方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12020147B2 (en) * 2018-11-16 2024-06-25 Royal Bank Of Canada System and method for a convolutional neural network for multi-label classification with partial annotations
CN110363231B (zh) * 2019-06-27 2023-01-06 平安科技（深圳）有限公司 基于半监督深度学习的异常识别方法、装置及存储介质
CN112069921A (zh) * 2020-08-18 2020-12-11 浙江大学 一种基于自监督知识迁移的小样本视觉目标识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180174042A1 (en) * 2016-12-20 2018-06-21 Intel Corporation Supervised training and pattern matching techniques for neural networks
CN108985334A (zh) * 2018-06-15 2018-12-11 广州深域信息科技有限公司 基于自监督过程改进主动学习的通用物体检测系统及方法
CN110414600A (zh) * 2019-07-27 2019-11-05 西安电子科技大学 一种基于迁移学习的空间目标小样本识别方法
CN111259720A (zh) * 2019-10-30 2020-06-09 北京中科研究院 基于自监督代理特征学习的无监督行人重识别方法
CN111191732A (zh) * 2020-01-03 2020-05-22 天津大学 一种基于全自动学习的目标检测方法
CN111222471A (zh) * 2020-01-09 2020-06-02 中国科学技术大学 基于自监督域感知网络的零样本训练及相关分类方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CARLOS M ET AL.: "Self-Supervised Prototypical Transfer Learning for Few-shot Classification", 《ARXIV》 *
DA CHEN ET AL.: "Self-Supervised Learning for few-shot image classification", 《ARXIV》 *
RAIA HADSELL ET AL.: "Dimensionality Reduction by Learning an invariant Mapping", 《THE COURANT INSTITUTE OF MATHEMATICAL SCIENCES》 *
TING CHEN ET AL.: "A Simple Framework for Contrastive Learning of Visual Representations", 《ARXIV》 *
TING CHEN ET AL.: "Big Self-Supervised Models are Strong Semi-supervised Learners", 《ARXIV》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022037233A1 (zh) * 2020-08-18 2022-02-24 浙江大学 一种基于自监督知识迁移的小样本视觉目标识别方法
CN113298150A (zh) * 2021-05-25 2021-08-24 东北林业大学 一种基于迁移学习与自学习的小样本植物病害识别方法
CN113314205A (zh) * 2021-05-28 2021-08-27 北京航空航天大学 一种高效的医学影像标注与学习系统
CN113313684A (zh) * 2021-05-28 2021-08-27 北京航空航天大学 一种暗光条件下基于视频的工业缺陷检测系统
CN113314205B (zh) * 2021-05-28 2022-05-17 北京航空航天大学 一种高效的医学影像标注与学习系统
CN113781404B (zh) * 2021-08-19 2023-12-01 浙江大学 基于自监督预训练的道路病害检测方法和系统
CN113781404A (zh) * 2021-08-19 2021-12-10 浙江大学 基于自监督预训练的道路病害检测方法和系统
CN113688757A (zh) * 2021-08-30 2021-11-23 五邑大学 一种sar图像识别方法、装置及存储介质
CN114494890A (zh) * 2022-04-14 2022-05-13 广州市玄武无线科技股份有限公司 一种模型训练方法、商品图像管理方法及装置
CN114841257A (zh) * 2022-04-21 2022-08-02 北京交通大学 一种基于自监督对比约束下的小样本目标检测方法
CN114841257B (zh) * 2022-04-21 2023-09-22 北京交通大学 一种基于自监督对比约束下的小样本目标检测方法
CN114596312A (zh) * 2022-05-07 2022-06-07 中国科学院深圳先进技术研究院 一种视频处理方法和装置
CN114936615A (zh) * 2022-07-25 2022-08-23 南京大数据集团有限公司 一种基于表征一致性校对的小样本日志信息异常检测方法
CN114936615B (zh) * 2022-07-25 2022-10-14 南京大数据集团有限公司 一种基于表征一致性校对的小样本日志信息异常检测方法
CN115879004A (zh) * 2022-12-21 2023-03-31 北京百度网讯科技有限公司 目标模型的训练方法、装置、电子设备、介质和程序产品

Also Published As

Publication number Publication date
WO2022037233A9 (zh) 2022-04-21
WO2022037233A1 (zh) 2022-02-24

Similar Documents

Publication Publication Date Title
CN112069921A (zh) 一种基于自监督知识迁移的小样本视觉目标识别方法
CN109949317B (zh) 基于逐步对抗学习的半监督图像实例分割方法
CN110728694B (zh) 一种基于持续学习的长时视觉目标跟踪方法
CN110717526A (zh) 一种基于图卷积网络的无监督迁移学习方法
CN108537168B (zh) 基于迁移学习技术的面部表情识别方法
Chen et al. Learning linear regression via single-convolutional layer for visual object tracking
CN114821014B (zh) 基于多模态与对抗学习的多任务目标检测识别方法及装置
CN109255289B (zh) 一种基于统一式生成模型的跨衰老人脸识别方法
CN109871885A (zh) 一种基于深度学习和植物分类学的植物识别方法
CN112633382A (zh) 一种基于互近邻的少样本图像分类方法及系统
CN105095863A (zh) 基于相似性权值的半监督字典学习的人体行为识别方法
CN117611901A (zh) 一种基于全局和局部对比学习的小样本图像分类方法
CN111242114B (zh) 文字识别方法及装置
CN117541956A (zh) 一种基于自监督学习的视频语义特征提取方法
CN115937492B (zh) 一种基于特征识别的变电设备红外图像识别方法
CN117315556A (zh) 改进的Vision Transformer昆虫细粒度识别方法
CN116977859A (zh) 基于多尺度图像切割和实例困难度的弱监督目标检测方法
Hachad et al. Student's attendance management using deep facial recognition
CN110929013A (zh) 一种基于bottom-up attention和定位信息融合的图片问答实现方法
CN116071544A (zh) 面向弱监督指向性视觉理解的图像描述预测方法
CN115878896A (zh) 基于语义的真假性特征的多模态虚假新闻检测方法及装置
CN112784927B (zh) 一种基于在线学习的半自动图像标注方法
Pang et al. Target tracking based on siamese convolution neural networks
CN111401519A (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
Mostajabi et al. Diverse sampling for self-supervised learning of semantic segmentation

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20201211