CN112163549A - 一种基于自动机器学习的遥感影像场景分类方法 - Google Patents
一种基于自动机器学习的遥感影像场景分类方法 Download PDFInfo
- Publication number
- CN112163549A CN112163549A CN202011094951.1A CN202011094951A CN112163549A CN 112163549 A CN112163549 A CN 112163549A CN 202011094951 A CN202011094951 A CN 202011094951A CN 112163549 A CN112163549 A CN 112163549A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- neural network
- deep neural
- image data
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06F18/24—Classification techniques
-
- 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)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于自动机器学习的遥感影像场景分类方法,包括以下步骤:在原始遥感影像数据集D0上进行N1个时期的神经网络结构搜索,以获取结构最优的深度神经网络AN1;使用所述的最优的深度神经网络模型AN1作为自动遥感影像数据增强过程中的基础网络,进行N2个时期的自动遥感影像数据增强以获得增强后的遥感影像数据集DN2;利用所述的遥感影像数据集训练所述的最优的深度神经网络,训练过程由自动超参数优化控制;利用训练完成的深度神经网络模型进行遥感影像场景分类。本发明依据遥感影像的特点在遥感影像场景分类任务中引入自动机器学习的一系列流程,提高了遥感影像场景分类任务的精度,并大大减少了对人力与时间的消耗。
Description
技术领域
本发明涉及遥感图像处理与识别技术领域,尤其涉及一种基于自动机器学习的遥感影像场景分类方法。
背景技术
随着越来越多的遥感卫星被发射升空,遥感影像的获取变得越来越简单,因此对更快速更智能的遥感影像理解的需求也日益增加。随着遥感影像分辨率的提高,遥感影像中地物的细节越来越丰富,也产生了众多新的应用。其中,遥感影像场景分类是将每张遥感影像指定一个标签,这一标签表明了该影像中包含的地物所构成的场景,如商业区、学校或者公园。以往针对不同地物的特点手工设计特征来进行遥感影像理解的方法因为费时费力且准确性不高,已经逐渐被基于机器(深度)学习的方法所代替。
目前,遥感领域基于深度学习的场景分类方法往往通过构建一个深度神经网络自动从数据中学习到需要的特征,克服了手工设计特征的局限性,从而获得更好的性能。这些机器(深度)学习的方法主要依赖于利用机器学习专家设计的深度神经网络来处理场景分类问题。但模型结构的设计往往需要经验丰富的机器学习与遥感专家的参与,并且具有劳动密集的特点,需要花费大量的时间与人力。尤其是针对不同的数据集设计不同的深度神经网络的结构,受限于操作者自身的专家经验,其解决方案并不一定能拥有最佳的性能。
因此,面对日益增长的遥感影像智能理解的需求,亟需一种能够自适应的设计深度神经网络结构来处理遥感影像场景分类问题的智能算法。其一,可以将深度学习的建模过程自动化,从而大量节省人力与时间;其二,对于不同的数据将提供基于数据的最适宜的解决方案,能够进一步提升模型处理遥感影像场景分类任务的能力。
发明内容
有鉴于此,本发明的目的在于提供一种基于自动机器学习的遥感影像场景分类方法,所述方法依据遥感影像数据自动构建用于处理遥感影像场景分类任务的机器学习模型的完整流程,通过上述流程,不仅能获得更高性能的机器学习模型,同时其高度自动化的过程能够有效节省机器学习模型结构设计过程中的人力与时间。
本发明的目的是这样实现的,一种基于自动机器学习的遥感影像场景分类方法,包括以下步骤:
步骤1,在原始遥感影像数据集D0上进行N1个时期(epoch)的神经网络结构搜索,N1为设定阈值,以获取在所述的原始遥感影像数据集上结构最优的深度神经网络AN1;
步骤2,使用所述的最优的深度神经网络模型AN1作为自动遥感影像数据增强过程中的基础网络,从原始遥感影像数据集D0开始进行N2个时期(epoch)的自动遥感影像数据增强,N2为设定阈值,以获得增强后的遥感影像数据集DN2;
步骤3,利用所述的遥感影像数据集DN2训练所述的最优的深度神经网络AN1,训练过程由自动超参数优化控制;
步骤4,利用训练完成的深度神经网络模型进行遥感影像场景分类。
具体地,在步骤1中当所有遥感影像数据轮流在搜索过程中被使用了之后,即为完成了一个时期(epoch);在神经网络结构搜索过程的每一个时期中,基于原始遥感影像数据集D0进行自动深度神经网络结构搜索,记当前时期数为n,获得当前时期下的最优神经网络结构An;判断当前时期数n是否小于设定阈值N1,若小于设定阈值N1,则搜索进入下一个时期;若等于规定阈值N1,则构建结构最优的深度神经网络模型AN1;
所述的神经网络结构搜索的过程为在训练深度神经网络的同时搜索深度神经网络的结构,包括以下步骤:
步骤101,固定深度神经网络的结构,对深度神经网络的权值计算一次梯度下降,从而更新深度神经网络的权值;
步骤102,固定深度神经网络的权值,对深度神经网络的结构进行一次搜索,并更新深度神经网络的结构参数;
步骤101和步骤102交替进行;
当全部时期的搜索完成后,则输出最优的深度神经网络的结构,并据以构建结构最优的深度神经网络模型。
具体地,在步骤2中,每个时期结束,得到当前时期下的遥感影像增强数据集Dm,记m为当前时期数;并判断当前时期数m是否小于设定阈值N2,若小于设定阈值N2,则进入下一个时期的影像增强过程;若等于设定阈值N2,则停止,且输出增强后遥感影像数据集;
在步骤2中所述的自动遥感影像数据增强的过程为在训练深度神经网络的同时进行自动遥感影像数据增强,包括以下步骤:
在每个时期中使用不同的数据增强策略,在自动遥感影像数据增强的每一个时期中生成多组遥感影像增强策略,比较多组遥感影像增强策略在遥感影像场景分类任务上的精度,选取其中精度最优的影像增强策略作为该时期的遥感影像增强策略;在获得所有时期的影像增强策略后,输出整个增强过程中的全时期的影像增强策略;采用最优的影像增强策略以获得增强后的遥感影像数据集。
具体地,步骤3中所述的自动超参数优化控制过程利用NNI(Neural NetworkIntelligence)这一自动机器学习框架,对参数进行自动调优。
本发明依据遥感影像的特点在遥感影像场景分类任务中引入自动机器学习的一系列流程,提高了遥感影像场景分类任务的精度,并大大减少了对人力与时间的消耗。
附图说明
图1示出了本发明实施例的流程示意图;
图2示出了本发明实施例所训练精度与测试精度随时期的变化示意图;
图3示出了本发明实施例所进行的自动遥感影像增强的策略示例。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,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它实施例,都属于本发明保护的范围。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
图1示出了本发明实施例的流程示意图,一种基于自动机器学习的遥感影像场景分类方法,包括以下步骤:
步骤1,在原始遥感影像数据集D0上进行N1个时期(epoch)的神经网络结构搜索,N1为设定阈值,以获取在所述的原始遥感影像数据集上结构最优的深度神经网络AN1;
步骤2,使用所述的最优的深度神经网络模型AN1作为自动遥感影像数据增强过程中的基础网络,从原始遥感影像数据集D0开始进行N2个时期(epoch)的自动遥感影像数据增强,N2为设定阈值,以获得增强后的遥感影像数据集DN2;
步骤3,利用所述的遥感影像数据集DN2训练所述的最优的深度神经网络AN1,训练过程由自动超参数优化控制;
步骤4,利用训练完成的深度神经网络模型进行遥感影像场景分类。
具体地,在步骤1中当所有遥感影像数据轮流在搜索过程中被使用了之后,即为完成了一个时期(epoch);在神经网络结构搜索过程的每一个时期中,基于原始遥感影像数据集D0进行自动深度神经网络结构搜索,记当前时期数为n,获得当前时期下的最优神经网络结构An;判断当前时期数n是否小于设定阈值N1,若小于设定阈值N1,则搜索进入下一个时期;若等于规定阈值N1,则构建结构最优的深度神经网络模型AN1;
所述的神经网络结构搜索的过程为在训练深度神经网络的同时搜索深度神经网络的结构,包括以下步骤:
步骤101,固定深度神经网络的结构,对深度神经网络的权值计算一次梯度下降,从而更新深度神经网络的权值;
步骤102,固定深度神经网络的权值,对深度神经网络的结构进行一次搜索,并更新深度神经网络的结构参数;
步骤101和步骤102交替进行;
当全部时期的搜索完成后,则输出最优的深度神经网络的结构,并据以构建结构最优的深度神经网络模型。
步骤1的输入为原始遥感影像数据集以及深度神经网络的初始化条件,输出为最优的深度神经网络结构。原始遥感影像数据集是针对目标任务,人工对数据进行整理之后得到的数据集,一般用于对深度神经网络进行训练。深度神经网络的初始化条件用于确定搜索过程的起始模型。
具体地,在步骤2中,每个时期结束,得到当前时期下的遥感影像增强数据集Dm,记m为当前时期数;并判断当前时期数m是否小于设定阈值N2,若小于设定阈值N2,则进入下一个时期的影像增强过程;若等于设定阈值N2,则停止,且输出增强后遥感影像数据集;
在步骤2中所述的自动遥感影像数据增强的过程为在训练深度神经网络的同时进行自动遥感影像数据增强,包括以下步骤:
在每个时期中使用不同的数据增强策略,在自动遥感影像数据增强的每一个时期中生成多组遥感影像增强策略,比较多组遥感影像增强策略在遥感影像场景分类任务上的精度,选取其中精度最优的影像增强策略作为该时期的遥感影像增强策略;在获得所有时期的影像增强策略后,输出整个增强过程中的全时期的影像增强策略;采用最优的影像增强策略以获得增强后的遥感影像数据集。
步骤2的输入为原始遥感影像数据集与步骤1中获得的最优的神经网络结构,输出为遥感影像的增强策略。
具体地,步骤3中所述的自动超参数优化控制过程利用NNI(Neural NetworkIntelligence)这一自动机器学习框架,对参数进行自动调优。
在本发明的实施例的实验中,基于自动机器学习的遥感影像场景分类方法包括如下三个步骤:
(1)首先在原始遥感影像数据集上进行50个epoch的神经网络结构搜索,以获取在该原始遥感影像数据集上结构最优的深度神经网络。当所有影像轮流在搜索过程中被使用了之后,即为完成了一个epoch。在自动深度神经结构搜索过程的每一个epoch中(记当前epoch数为n),基于原始遥感影像数据集D0进行自动深度神经网络结构搜索,并获得当前epoch下的最优神经网络结构An;判断当前epoch数n是否小于规定阈值50,若小于规定阈值50,则搜索进入下一个epoch;若等于规定阈值50,则构建最优深度神经网络模型A50,并进入步骤(2)。
(2)使用(1)中得到的最优深度神经网络模型A50作为自动数据增强过程中的基础网络,从原始数据集D0开始进行60个epoch的自动数据增强,以获得增强后的遥感影像数据集。每个epoch结束,得到当前epoch(记当前epoch数为n)下的遥感影像增强数据集Dn;并判断当前epoch数n是否小于规定阈值60,若小于规定阈值60,则进入下一个epoch的影像增强过程;若等于规定阈值60,则停止,且输出增强后遥感影像数据集D60。
(3)基于(1)(2)两个步骤中得到的增强后遥感影像数据集DN2与最优深度神经网络的结构AN1,利用数据集DN2训练最优深度神经网络AN1,该训练过程由自动超参数优化控制。训练完成的深度神经网络可用于进行遥感影像场景分类任务。
本方法基于自动机器学习来构建用于遥感影像场景分类的深度学习模型,因此在实验中使用经典遥感影像场景分类数据集UC-Merced上验证本发明提出的方法。
首先在UC-Merced数据集上进行了50个epoch的深度神经网络结构搜索。在搜索过程中不断改变神经网络结构的同时进行深度神经网络的训练。UC-Merced数据集被按照1:1的比例划分为训练集与测试集,在每一个epoch的自动深度神经网络结构搜索过程中,记录所搜索到的网络在训练集上的精度(train accuracy)与测试集上的精度(validaccuracy)。图2表明,随着搜索过程的进行,所搜索到的结构的训练精度与测试精度逐渐提升,且在靠近50epoch时趋于收敛,表明最优神经网络结构的搜索已经完成。搜索到的结构将用于下一步的自动遥感影像增强。
如图3,自动遥感影像增强的过程进行了60个epoch。在每个epoch中,采取了多组影像增强策略,并选取了使得在测试集上精度最高的两组影像增强方式。图3中,origin代表原始影像,在不同epoch时,分别对影像采取了不同的增强策略。最终输出的增强策略为每个epoch的最优增强策略的组合。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
Claims (4)
1.一种基于自动机器学习的遥感影像场景分类方法,其特征在于,包括以下步骤:
步骤1,在原始遥感影像数据集D0上进行N1个时期的神经网络结构搜索,N1为设定阈值,以获取在所述的原始遥感影像数据集上结构最优的深度神经网络AN1;
步骤2,使用所述的最优的深度神经网络模型AN1作为自动遥感影像数据增强过程中的基础网络,从原始遥感影像数据集D0开始进行N2个时期的自动遥感影像数据增强,N2为设定阈值,以获得增强后的遥感影像数据集DN2;
步骤3,利用所述的遥感影像数据集DN2训练所述的最优的深度神经网络AN1,训练过程由自动超参数优化控制;
步骤4,利用训练完成的深度神经网络模型进行遥感影像场景分类。
2.根据权利要求1所述的遥感影像场景分类方法,其特征在于,在步骤1中当所有遥感影像数据轮流在搜索过程中被使用了之后,即为完成了一个时期;在神经网络结构搜索的过程的每一个时期中,基于原始遥感影像数据集D0进行自动深度神经网络结构搜索,记当前时期数为n,获得当前时期下的最优神经网络结构An;判断当前时期数n是否小于设定阈值N1,若小于设定阈值N1,则搜索进入下一个时期;若等于规定阈值N1,则构建结构最优的深度神经网络模型AN1;
所述的神经网络结构搜索的过程为在训练深度神经网络的同时搜索深度神经网络的结构,包括以下步骤:
步骤101,固定深度神经网络的结构,对深度神经网络的权值计算一次梯度下降,从而更新深度神经网络的权值;
步骤102,固定深度神经网络的权值,对深度神经网络的结构进行一次搜索,并更新深度神经网络的结构参数;
步骤101和步骤102交替进行;
当全部时期的搜索完成后,则输出最优的深度神经网络的结构,并据以构建结构最优的深度神经网络模型。
3.根据权利要求1或2所述的遥感影像场景分类方法,其特征在于,在步骤2中,每个时期结束,得到当前时期下的遥感影像增强数据集Dm,记m为当前时期数;并判断当前时期数m是否小于设定阈值N2,若小于设定阈值N2,则进入下一个时期的影像增强过程;若等于设定阈值N2,则停止,且输出增强后遥感影像数据集;
在步骤2中所述的自动遥感影像数据增强的过程为在训练深度神经网络的同时进行自动遥感影像数据增强,包括以下步骤:
在每个时期中使用不同的数据增强策略,在自动遥感影像数据增强的每一个时期中生成多组遥感影像增强策略,比较多组遥感影像增强策略在遥感影像场景分类任务上的精度,选取其中精度最优的影像增强策略作为该时期的遥感影像增强策略;在获得所有时期的影像增强策略后,输出整个增强过程中的全时期的影像增强策略;采用最优的影像增强策略以获得增强后的遥感影像数据集。
4.根据权利要求3所述的遥感影像场景分类方法,其特征在于,步骤3中所述的自动超参数优化控制过程利用NNI这一自动机器学习框架,对参数进行自动调优。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011094951.1A CN112163549B (zh) | 2020-10-14 | 2020-10-14 | 一种基于自动机器学习的遥感影像场景分类方法 |
AU2021103316A AU2021103316A4 (en) | 2020-10-14 | 2021-06-12 | Remote sensing image scene classification method based on automatic machine learning |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011094951.1A CN112163549B (zh) | 2020-10-14 | 2020-10-14 | 一种基于自动机器学习的遥感影像场景分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112163549A true CN112163549A (zh) | 2021-01-01 |
CN112163549B CN112163549B (zh) | 2022-06-10 |
Family
ID=73866812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011094951.1A Active CN112163549B (zh) | 2020-10-14 | 2020-10-14 | 一种基于自动机器学习的遥感影像场景分类方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112163549B (zh) |
AU (1) | AU2021103316A4 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116188294A (zh) * | 2022-12-22 | 2023-05-30 | 东莞理工学院 | 用于医学图像的数据增强方法、系统、智能终端及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016205406A1 (en) * | 2015-06-16 | 2016-12-22 | King Abdulaziz City Of Science And Technology | Systems and methods for enhancing synthetic aperture radar imagery |
CN109872331A (zh) * | 2019-01-30 | 2019-06-11 | 天津大学 | 一种基于深度学习的遥感图像数据自动识别分类方法 |
CN110728187A (zh) * | 2019-09-09 | 2020-01-24 | 武汉大学 | 一种基于容错性深度学习的遥感影像场景分类方法 |
CN111210435A (zh) * | 2019-12-24 | 2020-05-29 | 重庆邮电大学 | 一种基于局部和全局特征增强模块的图像语义分割方法 |
CN111401455A (zh) * | 2020-03-20 | 2020-07-10 | 中国科学院空天信息创新研究院 | 一种基于Capsules-Unet模型的遥感图像深度学习分类方法和系统 |
-
2020
- 2020-10-14 CN CN202011094951.1A patent/CN112163549B/zh active Active
-
2021
- 2021-06-12 AU AU2021103316A patent/AU2021103316A4/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016205406A1 (en) * | 2015-06-16 | 2016-12-22 | King Abdulaziz City Of Science And Technology | Systems and methods for enhancing synthetic aperture radar imagery |
CN109872331A (zh) * | 2019-01-30 | 2019-06-11 | 天津大学 | 一种基于深度学习的遥感图像数据自动识别分类方法 |
CN110728187A (zh) * | 2019-09-09 | 2020-01-24 | 武汉大学 | 一种基于容错性深度学习的遥感影像场景分类方法 |
CN111210435A (zh) * | 2019-12-24 | 2020-05-29 | 重庆邮电大学 | 一种基于局部和全局特征增强模块的图像语义分割方法 |
CN111401455A (zh) * | 2020-03-20 | 2020-07-10 | 中国科学院空天信息创新研究院 | 一种基于Capsules-Unet模型的遥感图像深度学习分类方法和系统 |
Non-Patent Citations (2)
Title |
---|
JIE CHEN, ET AL.: "Convolution Neural Network Architecture Learning for Remote Sensing Scene Classification", 《ARXIV:2001.09614V1》 * |
吴晨: "基于局部保持的遥感场景零样本分类算法", 《光学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116188294A (zh) * | 2022-12-22 | 2023-05-30 | 东莞理工学院 | 用于医学图像的数据增强方法、系统、智能终端及介质 |
CN116188294B (zh) * | 2022-12-22 | 2023-09-19 | 东莞理工学院 | 用于医学图像的数据增强方法、系统、智能终端及介质 |
Also Published As
Publication number | Publication date |
---|---|
AU2021103316A4 (en) | 2021-07-29 |
CN112163549B (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298404B (zh) | 一种基于三重孪生哈希网络学习的目标跟踪方法 | |
CN108090443B (zh) | 基于深度强化学习的场景文本检测方法及系统 | |
JP7074460B2 (ja) | 画像検査装置および方法 | |
CN112101430B (zh) | 用于图像目标检测处理的锚框生成方法及轻量级目标检测方法 | |
CN109671102B (zh) | 一种基于深度特征融合卷积神经网络的综合式目标跟踪方法 | |
CN113469186B (zh) | 一种基于少量点标注的跨域迁移图像分割方法 | |
CN111476285A (zh) | 一种图像分类模型的训练方法及图像分类方法、存储介质 | |
CN111985601A (zh) | 用于增量学习的数据识别方法 | |
CN113128620B (zh) | 一种基于层次关系的半监督领域自适应图片分类方法 | |
CN114162146B (zh) | 行驶策略模型训练方法以及自动驾驶的控制方法 | |
CN112200316A (zh) | 一种针对在线预测任务的gbdt学习方法 | |
CN112381208A (zh) | 一种深度渐进且逐步寻优的神经网络架构搜索方法与系统 | |
CN112163549B (zh) | 一种基于自动机器学习的遥感影像场景分类方法 | |
CN111242176B (zh) | 计算机视觉任务的处理方法、装置及电子系统 | |
CN114220164B (zh) | 一种基于变分模态分解和支持向量机的手势识别方法 | |
CN113313250B (zh) | 采用混合精度量化与知识蒸馏的神经网络训练方法及系统 | |
CN117078923B (zh) | 面向自动驾驶环境的语义分割自动化方法、系统及介质 | |
CN111523361A (zh) | 一种人体行为识别方法 | |
CN117689996A (zh) | 模型的生成方法、装置、电子设备以及存储介质 | |
CN113033410A (zh) | 基于自动数据增强的域泛化行人重识别方法、系统及介质 | |
CN110647917B (zh) | 一种模型复用方法与系统 | |
CN114581470B (zh) | 一种基于植物群落行为的图像边缘检测方法 | |
CN114067155B (zh) | 基于元学习的图像分类方法、装置、产品及存储介质 | |
AU2021103314A4 (en) | Remote sensing image scene classification method based on deep neural network automatic learning | |
CN113420824B (zh) | 针对工业视觉应用的预训练数据筛选及训练方法、系统 |
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 |