CN112115993A - 一种基于元学习的零样本和小样本证件照异常检测方法 - Google Patents

一种基于元学习的零样本和小样本证件照异常检测方法 Download PDF

Info

Publication number
CN112115993A
CN112115993A CN202010952200.2A CN202010952200A CN112115993A CN 112115993 A CN112115993 A CN 112115993A CN 202010952200 A CN202010952200 A CN 202010952200A CN 112115993 A CN112115993 A CN 112115993A
Authority
CN
China
Prior art keywords
meta
sample
learning
training
anomaly detection
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
CN202010952200.2A
Other languages
English (en)
Other versions
CN112115993B (zh
Inventor
王蒙
宁宏维
文涛
杨飞燕
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.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and 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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202010952200.2A priority Critical patent/CN112115993B/zh
Publication of CN112115993A publication Critical patent/CN112115993A/zh
Application granted granted Critical
Publication of CN112115993B publication Critical patent/CN112115993B/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
    • G06F18/21—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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于元学习的零样本和小样本证件照异常检测方法。本发明方法包括：构建细粒度模式训练任务和测试任务；构建基于元学习的异常检测网络；采用细粒度模式训练任务对网络结构进行元训练，得到异常检测模型；最终检测模型根据输入的任务样本输出一个归一化检测结果，设定阈值比较判断待检测的证件照是否合格。本发明在元学习器中嵌入自适应步长更新和反馈优化策略使元学习器精确定位样本的异常属性，提高模型在零/小样本情况下的检测性能；采用融合训练的方式使元学习器在零/小样本两种任务下自动切换学习，本发明能够快速、有效的判别办理人上传的照片是否符合证件照标准，节省人工筛查、标注的成本和时间，提高检测率。

Description

一种基于元学习的零样本和小样本证件照异常检测方法
技术领域
本发明属于计算机视觉和深度学习领域，更具体的，涉及一种基于元学习的零样本和小样本证件照异常检测方法。
背景技术
当前，随着物联网和智慧城市的建设和普及，自动化、智能化已经融入人们生活的方方面面。同时随着职能部门的简化，自主办理各种证件已经被应用到城市生活场景中。为了快速有效办理证件，除了正确填写个人信息外还需上传符合要求的证件照。因此，对于所上传的证件照进行检测判断证件照是否合格至关重要。
目前，对于证件照的检测方法主要有两种：(1)人工检测；(2)基于机器视觉的检测方法；其中人工检测存在效率低、成本高、容错率不稳定等缺点。在有大量待检样本的情况下，基于机器视觉的检测方法在速度、成本等方面都优于人工检测的方法，因此使用基于机器视觉的智能方法是大势所趋。之前的一些证件照检测方案大多采用与标准模板一一对比，传统方法依赖于手工特征，过程繁琐、成本高，效果也没有想象中好。随着深度学习的兴起，使用卷积神经网络的检测方法被广泛用于各个领域，其中包括对样本的异常检测；现有的基于深度学习的证件照异常检测方法，需要依靠大量详尽标注的样本数据和复杂的网络结构来样提取样本特征进一步学习才能得到较好的检测结果。然而对于实际应用场景来说很难找到一个数据集能够满足实际任务要求，而手工标注样本数据的成本非常高。
总而言之，现有的证件照检测方法存在效率低、检测率低、成本高等问题。
发明内容
本发明针对基于深度学习检测方法在实际应用场景中无大量详尽标注的样本、样本稀缺、人工标注样本成本高等问题，提出一种基于元学习的零样本和小样本证件照异常检测方法，可在零样本和小样本两种任务情况下自动切换任务形式进行学习，能够快速、有效的判别办理人上传的照片是否符合证件照标准，节省人工筛查的成本和时间。同时解决了在实际应用场景中详尽标注的训练样本不足导致检测器训练效果差的问题，提高检测率节省人工标注成本。
本发明采用的技术方案为：
(1)构建样本数据：收集证件照并从中选取部分证件照进行标注，其中证件照包括标准证件照和异常证件照；
所述标注过程为：将标准证件照的特征标签设为0，将异常证件照的特征标签设为1，把所有收集的证件照和标注的特征标签作为样本数据；
所述异常证件照是指存在偏差情况的证件照，偏差情况包括浓妆、太阳眼镜遮挡、发饰遮挡、口罩遮挡、不正常表情、不标准背景和不标准姿态。
(2)按比例将步骤(1)中的样本数据划分为训练集和测试集，并对应构建细粒度模式的训练任务和测试任务形成融合样本，使得网络对每个类别任意样本数量都只需训练一个学习器；
构建细粒度模式训练任务和测试任务的方法相同，当构建K-shot训练任务时，从训练集中抽取(N-K)个标准样本构成集合Zi和(N-K)个异常样本构成集合Gm；
从训练集中重采样K+Q个标准照片构成的集合Zj和K+Q个异常样本构成的集合Gn，用Zj和Gn中2Q个样本构建查询集，用其他2N个样本构建支持集。所构建的任务中Zi和Gm为预定义类别，Zj和Gn为新类别，当K＝0时，元学习器从Zi和Gm中学习；当K＞0时，元学习器从Zi、Zj、Gm、Gn中学习，从Zj、Gn中预测。需要了解，当K>0时，构建的细粒度模式任务中不应当包含未标记的样本数据；
(3)构建基于元学习的异常检测网络，包括一个基本元学习器，一个更新元学习器和一个自适应步长更新单元；
(4)采用证件照数据集预训练异常检测网络，初始化参数，采用细粒度模式的训练任务对异常检测网络进行元训练，得到基于元学习的证件照异常检测模型；所述的元训练过程采用融合训练细粒度模式训练任务的方式使元学习器在零样本和小样本两种任务下可相互切换学习，具体包括：
将细粒度模式训练任务中的支持集输入基本元学习器学习样本元特征并输出元特征权重θ和支持集元学习损失Ls；
将元特征权重θ输入自适应步长更新单元，在j个更新步骤后输出元特征权重θj，经过多次优化迭代使元学习器在支持集上更新更加准确，提高系统性能；
将细粒度模式训练任务中的查询集和元特征权重θj输入更新元学习器，得到异常检测分数S，并将得到的查询集元学习损失Lq反馈给基本元学习器，在支持集上优化网络精准定位异常样本。
(5)将待检测的证件照输入步骤(4)中基于元学习的证件照异常检测模型，得到归一化检测分数S并判别证件照是否标准，将归一化检测分数S与设定的阈值比较，若S大于或等于阈值则将检测的证件照判定为异常证件照，若S小于阈值，则将检测的证件照判定为正常证件照。
进一步的，步骤(4)中所述的基于元学习的异常检测网络训练过程中采用的损失Loss为：
Loss＝Ls+Lq；
训练过程使用含有动量项的随机梯度下降作为优化器。
本发明的有益效果：
(1)本发明在样本稀缺、无大量详尽标注样本情况下能够快速准确的检测出待检测证件照的异常属性，从而判断证件照是否合格，极大的减少了人工筛查的时间和成本，给办理人员和工作人员提供方便；
(2)本发明通过构建细粒度模式任务的方式使异常检测网络对于每个类别任意样本数量都只需训练一个学习器，且对于新的需要关注的异常情况可将样本标注后动态添加进任务进行训练而无需重新训练整个网络；
(3)本发明采用融合训练细粒度模式任务样本的方式训练元学习器使元学习器可在零样本和小样本两种任务情况下自动相互切换学习，解决了传统方法在没有大量详尽标注样本和样本稀缺的情况下训练效果差的问题，解决了之前的方法训练收敛效果不好的问题，加快了网络训练的收敛速度；
(4)本发明采用基于元学习的自适应步长更新策略更新元学器，使元学习器精确定位异常样本的元特征，采用基于元学习的反馈优化策略优化网络，使网络更加关注异常样本，提高检测率，提升系统性能。
附图说明
图1是本发明实施例提供的基于元学习的零样本和小样本证件照异常检测方法的检测流程图；
图2是本发明实施例提供的基于元学习的异常检测网络结构示意图；
图3是本发明实施例提供的基本元学习网络和更新元学习网络。
具体实施方式
为了使本发明的目的、技术方法及优点更加清楚明白，以下结合附图，使用医保卡证件照异常检测为具体实施例，对本发明进行进一步详细说明，应当理解，此处所描述的具体实施例仅用于解释本发明，并不限定本发明。
实施例1：如图1所示，本发明提供一种基于元学习的零样本和小样本证件照异常检测方法，包括：
(1)构建样本数据：收集证件照并从中选取部分证件照进行标注，其中证件照包括标准证件照和异常证件照；
收集已有的标准证件照和异常证件照，异常证件照存在偏差情况，其中偏差情况包括浓妆、太阳眼镜遮挡、发饰遮挡、口罩遮挡、不正常表情、不标准背景、不标准姿态等情况中的一种或多种。本发明实施例收集了标准医保卡证件照45000张，收集了有偏差情况的异常证件照9683张，共计样本数据54683张；将异常医保卡证件照作为正样本特征标签设为1，将标准医保卡证件照作为负样本特征标签设为0，本发明实施例中已标注和未标注样本数量的比例大约是3：2。重点标注异常样本，保证每一种偏差情况都有一定数量的样本被标记，尤其是像浓妆、不正常表情等难训练样本。把所有证件照和标注的特征标签作为样本数据,对于需要关注的新异常样本可标注后动态添加进任务进行学习。
(2)按比例将步骤(1)中的样本数据划分为训练集和测试集，并对应构建细粒度模式的训练任务和测试任务；本发明实施例中按照7：3的比例划分训练集和测试集；
当构建K-shot任务时，从训练集中抽取(N-K)个标准样本构成集合Zi和(N-K)个异常样本构成集合Gm；
重采样K+Q个标准照片构成的集合Zj和K+Q个异常样本构成的集合Gn，用Zj和Gn中2Q个样本构建查询集，用其他2N个样本构建支持集。所构建的任务中Zi和Gm为预定义类别，Zj和Gn为新类别，当K＝0时，元学习器从Zi和Gm中学习，从Zj和Gn中预测；当K＞0时，元学习器从Zi、Zj、Gm、Gn中学习，从Zj、Gn中预测。需要了解，当K＞0时，所构建的细粒度模式任务中不应当包含未标记的样本数据；以相同的方式构建测试任务。
(3)构建基于元学习的异常检测网络，如图2所示，具体包括一个基本元学习器，一个更新元学习器和一个自适应步长更新单元，网络中各个模块的结构如下：
如图3所示，基本元学习器：包括三个卷积模块，每个模块包括卷积核大小分别为3×3×256、3×3×64、1×1×64的三个卷积层，每个卷积模块后接一个2×2的最大池化层，最后一个卷积模块后除了最大池化层还有一个全连接层；
自适应步长更新单元：包括两个卷积核大小分别为3×3、1×1的卷积层和一个全连接层；
如图3所示，更新元学习器：包括三个卷积模块，每个卷积模块包括卷积核大小分别为3×3×256、3×3×64、1×1×64的三个卷积层，每个卷积模块后接一个大小为2×2的最大池化层，最后一个卷积模块后除了最大池化层还接一个全连接层和sigmoid函数。
(4)采用证件照数据集预训练异常检测网络，初始化参数，采用细粒度模式的训练任务对异常检测网络进行元训练，得到基于元学习的证件照异常检测模型；
所述步骤(4)中开始元训练后将细粒度模式训练任务输入基本元学习器学习特征权重θ，并生成支持集元损失
Figure BDA0002677368600000053
Figure BDA0002677368600000051
||s(Ti)||为支持集中的实例数，
Figure BDA0002677368600000052
为实例预测，l表示欧式距离度量；
开始元训练后，首先从预训练中获取初始化标量参数α和ω，α和ωj的乘积表示自适应步长更新单元的学习率，j表示单元内部的更新次数，通过如下公式将元特征权重θ在j个更新步骤后更新至θj：
Figure BDA0002677368600000061
随机选择训练任务Tj，χ、y分别为任务Tj的查询集中的一个实例和其标签；
所述步骤(4)中开始元训练后将细粒度模式训练样本输入更新元学习器学习特征权重θj，并生成查询集元学习损失
Figure BDA0002677368600000062
Figure BDA0002677368600000063
||q(Tj)||为查询集中的实例数，
Figure BDA0002677368600000064
为实例预测,l表示欧式距离度量；
反馈优化策略将查询集元学习损失
Figure BDA0002677368600000065
反馈给基本元学习器，并使用如下公式在更新元学习器微调权重θ并计算适当的α和ω，使其在支持集上准确地更新权重，λ是查询集的学习率；
Figure BDA0002677368600000066
完整的元训练过程为：
(1)设定超参数学习率λ、自适应步长更新数u，在训练集上预训练元学习模型，学习先验知识；
(2)获取输入为K-shot的训练任务Ti，获取初始化参数α和ω，θ；
(3)在当前自适应步长更新次数j小于u时，按顺序执行以下步骤：
(3.1)将细粒度模式训练任务中的支持集输入基本元学习器计算支持集元学习损失：
Figure BDA0002677368600000067
(3.2)由自适应步长更新单元更新元特征权重：
Figure BDA0002677368600000068
(3.3)获取更新后的元特征权重和任务Ti，将细粒度模式训练任务中的查询集输入更新元学习器计算查询集元学习损失：
Figure BDA0002677368600000071
(3.4)将自适应步长更新次数j加1，循环步骤(3.1)-(3.4)直到j＝u；
完整的元测试过程为：
(1)获取K-shot的测试任务和元特征权重，在当前自适应步长更新次数j小于u时，按顺序执行以下步骤：
(1.1)将细粒度模式测试任务中的支持集输入基本元学习器计算支持集元学习损失：
Figure BDA0002677368600000072
(1.2)由自适应步长更新单元更新元特征权重：
Figure BDA0002677368600000073
(1.3)将自适应步长更新次数加1，循环步骤(1.1)-(1.3)直到j＝u；
(1.4)将细粒度模式测试任务中的查询集输入更新元学习器计算任务中查询集的检测分数：
Figure BDA0002677368600000074
Figure BDA0002677368600000075
表示查询集中的实例,
Figure BDA0002677368600000076
表示实例预测。循环以上步骤(1.1)-(1.4)直到测试集中所有任务都测试完毕；
(1.5)按如下公式计算并输出整个测试集的检测分数：
Figure BDA0002677368600000077
其中T为测试集中的细粒度模式任务总数。
(5)将待检测的证件照输入步骤(4)中基于元学习的证件照异常检测模型，得到归一化检测分数S并判别证件照是否标准。本发明实施例中阈值设为0.7，当S小于0.7时，将检测的证件照判定为合格，当S大于0.7时，将检测的证件照判定为异常。
通过计算模型的医保卡证件照异常检测错误率来评估元学习器的性能，计算公式如下：
Figure BDA0002677368600000081
ER＝AER±24.5*δ/T；
其中δ是ER在所有测试任务上的标准差；
本发明实施例中，在训练集上生成10000个训练任务，在测试集上生成80个测试任务，设置λ为0.0001，α和ω分别为0.001和1，元批量大小设置为10，设置Q为25，N为20；
本发明实施例的医保卡证件照异常检测错误率如下表1所示：
表1医保卡证件照异常检测错误率表
K-shot 0-shot 1-shot 5-shot 10-shot
ER 6.23±1.31 4.65±1.27 2.47±0.71 1.31±0.43
通过上述结果分析，我们提出的基于zero/few-shot元学习方案的证件照异常检测方法能够在零样本和小样本两种任务情况下都获得相对好的性能和较高的检测精度，能够在无大量详尽标注样本和样本稀缺的情况下满足应用要求。
本领域的技术人员容易理解，以上所述仅为本发明较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应该在本发明的保护范围内。

Claims (7)

1.一种基于元学习的零样本和小样本证件照异常检测方法，其特征在于，包括如下步骤：
(1)构建样本数据：收集证件照并从中选取部分证件照进行标注，其中证件照包括标准证件照和异常证件照；
(2)按比例将步骤(1)中的样本数据划分为训练集和测试集，并对应构建细粒度模式的训练任务和测试任务；
(3)构建基于元学习的异常检测网络；
(4)采用证件照数据集预训练异常检测网络，初始化参数，采用细粒度模式的训练任务对异常检测网络进行元训练，得到基于元学习的证件照异常检测模型；
(5)将待检测的证件照输入步骤(4)中基于元学习的证件照异常检测模型，得到归一化检测分数S，判别证件照是否标准。
2.根据权利要求1所述的基于元学习的零样本和小样本证件照异常检测方法，其特征在于：
所述标注过程为：将标准证件照的特征标签设为0，将异常证件照的特征标签设为1，把所有收集的证件照和标注的特征标签作为样本数据；
所述异常证件照是指存在偏差情况的证件照，偏差情况包括浓妆、太阳眼镜遮挡、发饰遮挡、口罩遮挡、不正常表情、不标准背景和不标准姿态中的一种或多种。
3.根据权利要求1所述的基于元学习的零样本和小样本证件照异常检测方法，其特征在于，所述步骤(2)中构建训练任务和测试任务的方法相同，当构建训练任务时，从训练集中抽取(N-K)个标准样本构成集合Zi和(N-K)个异常样本构成集合Gm；
从训练集中重采样K+Q个标准照片构成的集合Zj和K+Q个异常样本构成的集合Gn，用Zj和Gn中2Q个样本构建查询集，用其他2N个样本构建支持集，所构建的任务中Zi和Gm为预定义类别，Zj和Gn为新类别，当K＝0时，元学习器从Zi和Gm中学习；当K＞0时，元学习器从Zi、Zj、Gm、Gn中学习，从Zj、Gn中预测，且当K>0时，构建的细粒度模式任务中不应当包含未标记的样本数据。
4.根据权利要求1所述的基于元学习的零样本和小样本证件照异常检测方法，其特征在于，步骤(3)中所述的基于元学习的异常检测网络包括一个基本元学习器，一个更新元学习器和一个自适应步长更新单元。
5.根据权利要求1所述的基于元学习的零样本和小样本证件照异常检测方法，其特征在于，步骤(4)具体包括：
将细粒度模式训练任务中的支持集输入基本元学习器学习样本元特征并输出元特征权重θ和支持集元学习损失Ls；
将元特征权重θ输入自适应步长更新单元，在j个更新步骤后输出元特征权重θj；
将细粒度模式训练任务中的查询集和元特征权重θj输入更新元学习器，得到异常检测分数S，并将得到的查询集元学习损失Lq反馈给基本元学习器，在支持集上优化网络精准定位异常样本。
6.根据权利要求1所述的基于元学习的零样本和小样本证件照异常检测方法，其特征在于步骤(5)中所述的判别过程为将归一化检测分数S与设定的阈值比较，若S大于阈值则将检测的证件照判定为异常证件照，若S小于阈值，则将检测的证件照判定为正常证件照。
7.根据权利要求1或5所述的基于元学习的零样本和小样本证件照异常检测方法，其特征在于步骤(4)中所述的异常检测网络训练过程采用的损失Loss为：
Loss＝Ls+Lq
Ls为支持集元学习损失，Lq为查询集元学习损失，训练过程使用含动量项的随机梯度下降作为优化器。
CN202010952200.2A 2020-09-11 2020-09-11 一种基于元学习的零样本和小样本证件照异常检测方法 Active CN112115993B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010952200.2A CN112115993B (zh) 2020-09-11 2020-09-11 一种基于元学习的零样本和小样本证件照异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010952200.2A CN112115993B (zh) 2020-09-11 2020-09-11 一种基于元学习的零样本和小样本证件照异常检测方法

Publications (2)

Publication Number Publication Date
CN112115993A true CN112115993A (zh) 2020-12-22
CN112115993B CN112115993B (zh) 2023-04-07

Family

ID=73802579

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010952200.2A Active CN112115993B (zh) 2020-09-11 2020-09-11 一种基于元学习的零样本和小样本证件照异常检测方法

Country Status (1)

Country Link
CN (1) CN112115993B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112863549A (zh) * 2021-01-20 2021-05-28 广东工业大学 一种基于元-多任务学习的语音情感识别方法及装置
CN113361354A (zh) * 2021-05-28 2021-09-07 国能朔黄铁路发展有限责任公司 轨道部件巡检方法、装置、计算机设备和存储介质
CN113592850A (zh) * 2021-08-12 2021-11-02 苏州鼎纳自动化技术有限公司 一种基于元学习的缺陷检测方法及装置
CN113591660A (zh) * 2021-07-24 2021-11-02 中国石油大学(华东) 基于元学习的微表情识别方法
CN115281662A (zh) * 2022-09-26 2022-11-04 北京科技大学 一种慢性踝关节不稳智能辅助诊断系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005022318A2 (en) * 2003-08-25 2005-03-10 Relatable Llc A method and system for generating acoustic fingerprints
CN109034175A (zh) * 2017-06-12 2018-12-18 华为技术有限公司 数据处理方法、装置及设备
CN109165674A (zh) * 2018-07-19 2019-01-08 南京富士通南大软件技术有限公司 一种基于多标签深度卷积网络的证件照分类方法
CN109886337A (zh) * 2019-02-22 2019-06-14 清华大学 基于自适应采样的深度度量学习方法及系统
CN109961089A (zh) * 2019-02-26 2019-07-02 中山大学 基于度量学习和元学习的小样本和零样本图像分类方法
US20200150622A1 (en) * 2018-11-13 2020-05-14 Guangdong University Of Technology Method for detecting abnormity in unsupervised industrial system based on deep transfer learning
CN111160380A (zh) * 2018-11-07 2020-05-15 华为技术有限公司 生成视频分析模型的方法及视频分析系统
US20200184274A1 (en) * 2018-12-07 2020-06-11 Seoul National University R&Db Foundation Apparatus and method for generating medical image segmentation deep-learning model, and medical image segmentation deep-learning model generated therefrom
CN111476292A (zh) * 2020-04-03 2020-07-31 北京全景德康医学影像诊断中心有限公司 医学图像分类处理人工智能的小样本元学习训练方法
CN112884160A (zh) * 2020-12-31 2021-06-01 北京爱笔科技有限公司 一种元学习方法及相关装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005022318A2 (en) * 2003-08-25 2005-03-10 Relatable Llc A method and system for generating acoustic fingerprints
CN109034175A (zh) * 2017-06-12 2018-12-18 华为技术有限公司 数据处理方法、装置及设备
CN109165674A (zh) * 2018-07-19 2019-01-08 南京富士通南大软件技术有限公司 一种基于多标签深度卷积网络的证件照分类方法
CN111160380A (zh) * 2018-11-07 2020-05-15 华为技术有限公司 生成视频分析模型的方法及视频分析系统
US20200150622A1 (en) * 2018-11-13 2020-05-14 Guangdong University Of Technology Method for detecting abnormity in unsupervised industrial system based on deep transfer learning
US20200184274A1 (en) * 2018-12-07 2020-06-11 Seoul National University R&Db Foundation Apparatus and method for generating medical image segmentation deep-learning model, and medical image segmentation deep-learning model generated therefrom
CN109886337A (zh) * 2019-02-22 2019-06-14 清华大学 基于自适应采样的深度度量学习方法及系统
CN109961089A (zh) * 2019-02-26 2019-07-02 中山大学 基于度量学习和元学习的小样本和零样本图像分类方法
CN111476292A (zh) * 2020-04-03 2020-07-31 北京全景德康医学影像诊断中心有限公司 医学图像分类处理人工智能的小样本元学习训练方法
CN112884160A (zh) * 2020-12-31 2021-06-01 北京爱笔科技有限公司 一种元学习方法及相关装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
NING MA 等: "Adaptive-Step Graph Meta-Learner for Few-Shot Graph Classification", 《HTTPS://ARXIV.ORG/PDF/2003.08246.PDF》 *
夏劲松: "基于度量学习的少样本图像分类的研究与应用", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 *
郭莹 等: "基于全连接条件随机场模型的眼底图像血管分割", 《微处理机》 *
马勇: "数据库异常检测相关技术和问题研究", 《科学资讯》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112863549A (zh) * 2021-01-20 2021-05-28 广东工业大学 一种基于元-多任务学习的语音情感识别方法及装置
CN113361354A (zh) * 2021-05-28 2021-09-07 国能朔黄铁路发展有限责任公司 轨道部件巡检方法、装置、计算机设备和存储介质
CN113361354B (zh) * 2021-05-28 2022-11-15 国能朔黄铁路发展有限责任公司 轨道部件巡检方法、装置、计算机设备和存储介质
CN113591660A (zh) * 2021-07-24 2021-11-02 中国石油大学(华东) 基于元学习的微表情识别方法
CN113592850A (zh) * 2021-08-12 2021-11-02 苏州鼎纳自动化技术有限公司 一种基于元学习的缺陷检测方法及装置
CN115281662A (zh) * 2022-09-26 2022-11-04 北京科技大学 一种慢性踝关节不稳智能辅助诊断系统
CN115281662B (zh) * 2022-09-26 2023-01-17 北京科技大学 一种慢性踝关节不稳智能辅助诊断系统

Also Published As

Publication number Publication date
CN112115993B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN112115993B (zh) 一种基于元学习的零样本和小样本证件照异常检测方法
CN108376267B (zh) 一种基于类别转移的零样本分类方法
CN109558942B (zh) 一种基于浅度学习的神经网络迁移方法
CN109002834B (zh) 基于多模态表征的细粒度图像分类方法
CN109002845A (zh) 基于深度卷积神经网络的细粒度图像分类方法
CN111914558A (zh) 基于句袋注意力远程监督的课程知识关系抽取方法及系统
CN109101938B (zh) 一种基于卷积神经网络的多标签年龄估计方法
CN110533024B (zh) 基于多尺度roi特征的双二次池化细粒度图像分类方法
CN110516095A (zh) 基于语义迁移的弱监督深度哈希社交图像检索方法和系统
Chen et al. Interactive graph construction for graph-based semi-supervised learning
CN109063719A (zh) 一种联合结构相似性和类信息的图像分类方法
CN110543906B (zh) 基于Mask R-CNN模型的肤质自动识别方法
CN111611367B (zh) 一种引入外部知识的视觉问答方法
CN110210625A (zh) 基于迁移学习的建模方法、装置、计算机设备和存储介质
CN110288007A (zh) 数据标注的方法、装置及电子设备
CN110619059A (zh) 一种基于迁移学习的建筑物标定方法
CN108228684A (zh) 聚类模型的训练方法、装置、电子设备和计算机存储介质
CN111126464A (zh) 一种基于无监督域对抗领域适应的图像分类方法
Jiang et al. Boosting facial expression recognition by a semi-supervised progressive teacher
CN108154156A (zh) 基于神经主题模型的图像集成分类方法及装置
CN111241326B (zh) 基于注意力金字塔图网络的图像视觉关系指代定位方法
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
WO2020135054A1 (zh) 视频推荐方法、装置、设备及存储介质
CN109086463A (zh) 一种基于区域卷积神经网络的问答社区标签推荐方法
Lonij et al. Open-world visual recognition using knowledge graphs

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