CN112381116A - 基于对比学习的自监督图像分类方法 - Google Patents

基于对比学习的自监督图像分类方法 Download PDF

Info

Publication number
CN112381116A
CN112381116A CN202011134658.3A CN202011134658A CN112381116A CN 112381116 A CN112381116 A CN 112381116A CN 202011134658 A CN202011134658 A CN 202011134658A CN 112381116 A CN112381116 A CN 112381116A
Authority
CN
China
Prior art keywords
training
model
loss
image classification
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
Application number
CN202011134658.3A
Other languages
English (en)
Other versions
CN112381116B (zh
Inventor
林志贤
彭祎祺
周雄图
张永爱
林珊玲
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.)
Fuzhou University
Mindu Innovation Laboratory
Original Assignee
Fuzhou University
Mindu Innovation Laboratory
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 Fuzhou University, Mindu Innovation Laboratory filed Critical Fuzhou University
Priority to CN202011134658.3A priority Critical patent/CN112381116B/zh
Publication of CN112381116A publication Critical patent/CN112381116A/zh
Application granted granted Critical
Publication of CN112381116B publication Critical patent/CN112381116B/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
    • G06F18/24—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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

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

Abstract

本发明涉及一种基于对比学习的自监督图像分类方法，包括以下步骤:步骤S1:获取无标签数据，并进行随机增强生成不同视图；步骤S2:对视图进行特征提取，无监督对比计算损失,得到无监督分类模型C1；步骤S3:对无标签数据中部分进行人工标注，作为训练验证集；步骤S4:将C1作为预训练模型，根据训练验证集进行微调；步骤S5:提取训练验证集的特征，有监督对比计算损失,得到C2；步骤S6:根据C2对无标签数据预测标签，并筛选置信度高于预设值的数据作为训练样本；步骤S7:基于训练样本，将C2作为预训练模型，选取小网络进行训练微调，将验证输出准确率最高的作为最佳分类模型C3。本发明能够有效利用无标签数据训练泛化的图像分类模型，解决多类图像分类问题。

Description

基于对比学习的自监督图像分类方法
技术领域
本发明属于计算机视觉技术领域，具体涉及一种基于对比学习的自监督图像分类方法。
背景技术
随着信息时代的降临，大量图像数据涌入我们的生活。这些图像来自互联网、智能手机等社交工具，人工处理海量的图片十分耗费时间，图像检测分类显得非常重要。
传统的图像分类问题主要依赖人工根据以往经验去判断，这样处理容易受人工主观的影响，导致和效率精度不高。近年来，人们对神经网络的不断研究，使得计算机视觉在工业领域应用越来越广泛。基于深度学习的图像分类算法表现出良好的性能，想要训练一个鲁棒性强性能好的模型主要依赖于纯净类别平衡的标注数据集，而现实的数据常常难以人工标注类别或进行人工类别标注的成本太高，每个类别的数据量都各有不同。大部分图片是没有标签的，如何将这些无标签的宝贵数据加入模型训练中，并且提升模型准确率，是目前的关键技术问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于对比学习的自监督图像分类方法，能够有效利用无标签数据训练泛化的图像分类模型，解决多类图像分类问题。
为实现上述目的，本发明采用如下技术方案：
一种基于对比学习的自监督图像分类方法，包括以下步骤:
步骤S1:获取无标签数据，并进行随机增强生成不同视图；
步骤S2:对视图进行特征提取，无监督对比计算损失,得到无监督分类模型C1；
步骤S3:对无标签数据中部分进行人工标注，作为训练验证集；
步骤S4:将C1作为预训练模型，根据训练验证集进行微调；
步骤S5:提取训练验证集的特征，有监督对比计算损失,得到最佳微调模型C2；
步骤S6:根据最佳微调模型C2对无标签数据预测标签，并筛选置信度高于预设值的数据作为训练样本；
步骤S7:基于训练样本，将最佳微调模型C2作为预训练模型，选取小网络进行训练微调，将验证输出准确率最高的作为最佳分类模型C3。
进一步的，所述随机增强包括0.5概率的图像翻转，随机高斯模糊和颜色失真。
进一步的，所述步骤S2具体为：
步骤S21:将视图输入不含线性全连接层的卷积残差网络Resnet50中，获得特征向量；
步骤S22:将特征向量作为输入多层感知器MLP映射到对比损失空间；
步骤S23：使用矩阵相似对比计算损失函数
Figure BDA0002736265890000031
Figure BDA0002736265890000032
其中
Figure BDA0002736265890000033
是一个批次中数据总量，yi是图像i的标签；
步骤S24：直到closs值最小，选择该无监督训练模型C1。
进一步的，所述MLP采用基础的三层结构，输入层，一层隐藏层和输出层。
进一步的，所述步骤S4具体为：
步骤S41:将有标签数据作为样本，使用常规均匀采样器和平衡的倒置采样器，分别得到特征向量fc和特征向量fr；
步骤S42:将提取的fc、fr两个特征加权进行特征融合。
进一步的，所述常规均匀采样器以相同的概率采样训练数据集中样本，且每个样本只采样一次，采样数据随机增强得到若干视图，随机选取一个视图送入Resnet50中网络训练，得到特征向量fc。
进一步的，所述平衡的倒置采样器，每个类的采样概率与样本的倒数成正比，一个类的样本越多，该类的采样概率越小，采样后的数据经过随机增强送入Resnet50中，得到特征向量fr。
进一步的，所述步骤S5具体为：
步骤S51:将融合的特征通过分类器学习，得到采样损失
Figure BDA0002736265890000034
其中α为加权系数并且与训练次数相关；E(.)为交叉熵损失函数；
Figure BDA0002736265890000035
为两种采样所提取的特征合并后的输出概率分布；y为采样所得的标签；
步骤S52:采用sigmoid分类交叉熵来预测输出的正确概率，得到交叉熵损失函数sce_loss和训练准确率；
步骤S53:计算整个模型总损失函数
Loss＝loss+sce_loss+bloss
设置训练轮数和一个批次batch size值；并通过前向传播和反向传播两个步骤反复训练直到达到最大迭代次数，优化模型的loss，验证集输出准确率最高为最佳微调模型C2。
本发明与现有技术相比具有以下有益效果：
1、本发明针对无标签的数据，能够通过自监督对比学习使得某个样本与其它样本之间的特征距离远离，从而实现同类特征接近、异类特征远离的效果。
2、本发明通过无监督和自监督微调训练，不需要过多的人工标注和人工提取特征，能够有效利用无标签数据训练泛化的图像分类模型，解决多类图像分类问题。
3、本发明在微调的第一阶段使用不同的采样方式，关注能够有效消除样本不平衡所带来的分类问题。
附图说明
图1是本发明流程示意图；
图2为本发明一实施例中的无监督对比学习训练的结构图；
图3为本发明一实施例中的有监督对比学习和两种采样策略训练的结构图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于对比学习的自监督图像分类方法，包括以下步骤:
步骤S1:将无标签数据作为样本，每个样本通过两种不同的随机数据增强生成视图，数据增强包括0.5概率的图像翻转，随机高斯模糊，颜色失真；
步骤S2:将同一样本的两个图像即正样本和其它样本的图像即负样本，输入卷积残差网络Resnet50中，获得特征提取结果。神经网络包括卷积层和全局池化层，不加全连接层；特征向量输入多层感知器MLP映射到对比损失空间，采用的MLP使用基础的三层结构，输入层，一层隐藏层和输出层，使用Relu激活函数，隐藏层大小为2048，输出向量大小为128维。使用矩阵相似对比计算损失函数
Figure BDA0002736265890000051
Figure BDA0002736265890000052
其中
Figure BDA0002736265890000053
是一个批次中数据总量，yi是图像i的标签。设置训练轮数200轮，一个批次batch size为64，迭代直到closs值最小，选择该无监督训练模型C1；
步骤S3:对无标签数据中部分进行人工标注，作为训练验证集；
步骤S4:将C1作为预训练模型，根据训练验证集进行微调；准备训练验证集，将有标签数据作为样本，使用两种数据采样器。
一个是常规均匀采样器，以相同的概率采样训练数据集中样本，且每个样本只采样一次，采样数据经过S1中两种随机增强得到两种视图，随机选取一个视图送入Resnet50中网络训练，得到特征向量fc。
另一个是平衡的倒置采样器，每个类的采样概率与样本的倒数成正比，一个类的样本越多，该类的采样概率越小，采样后的数据经过随机增强送入Resnet50中，得到特征向量fr。两个采样共享ResNet50主干层结构，除了最后一个残差块均具有相同的权重。
将提取的fc、fr两个特征加权进行特征融合。
步骤S5:提取训练验证集的特征，有监督对比计算损失,得到最佳微调模型C2，具体为：
均匀采样的两个视图，经过卷积层、平均池化层合并特征，并由S2步骤通过有监督对比学习，计算loss值
将融合的特征通过分类器学习，得到采样损失
Figure BDA0002736265890000061
Figure BDA0002736265890000062
其中α为加权系数并且与训练次数相关；E(.)为交叉熵损失函数；
Figure BDA0002736265890000063
为两种采样所提取的特征合并后的输出概率分布；y为采样所得的标签。
使用sigmoid分类交叉熵来预测输出的正确概率，得到交叉熵损失函数sce_loss和训练准确率。
整个模型总损失函数
Loss＝loss+sce_loss+bloss
设置训练轮数60轮，一个批次batch size为128。
通过前向传播和反向传播两个步骤反复训练直到达到最大迭代次数，优化模型的loss，验证集输出准确率最高为最佳微调模型C2。
步骤S6:根据最佳微调模型C2对无标签数据预测标签，并筛选置信度高于0.9的数据作为训练样本；
步骤S7:基于训练样本，将最佳微调模型C2作为预训练模型，选取小网络进行训练微调，设置训练轮数60轮，一个批次batch size为128，直到验证输出准确率最高为最佳分类模型C3。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (8)

1.一种基于对比学习的自监督图像分类方法，其特征在于，包括以下步骤:
步骤S1:获取无标签数据，并进行随机增强生成不同视图；
步骤S2:对视图进行特征提取，无监督对比计算损失,得到无监督分类模型C1；
步骤S3:对无标签数据中部分进行人工标注，作为训练验证集；
步骤S4:将C1作为预训练模型，根据训练验证集进行微调；
步骤S5:提取训练验证集的特征，有监督对比计算损失,得到最佳微调模型C2；
步骤S6:根据最佳微调模型C2对无标签数据预测标签，并筛选置信度高于预设值的数据作为训练样本；
步骤S7:基于训练样本，将最佳微调模型C2作为预训练模型，选取小网络进行训练微调，将验证输出准确率最高的作为最佳分类模型C3。
2.根据权利要求1所述的基于对比学习的自监督图像分类方法，其特征在于，所述随机增强包括0.5概率的图像翻转，随机高斯模糊和颜色失真。
3.根据权利要求1所述的基于对比学习的自监督图像分类方法，其特征在于，所述步骤S2具体为：
步骤S21:将视图输入不含线性全连接层的卷积残差网络Resnet50中，获得特征向量；
步骤S22:将特征向量作为输入多层感知器MLP映射到对比损失空间；
步骤S23：使用矩阵相似对比计算损失函数
Figure FDA0002736265880000021
Figure FDA0002736265880000022
其中
Figure FDA0002736265880000023
是一个批次中数据总量，yi是图像i的标签；
步骤S24：直到closs值最小，选择该无监督训练模型C1。
4.根据权利要求3所述的基于对比学习的自监督图像分类方法，其特征在于，所述MLP采用基础的三层结构，输入层，一层隐藏层和输出层。
5.根据权利要求1所述的基于对比学习的自监督图像分类方法，其特征在于，所述步骤S4具体为：
步骤S41:将有标签数据作为样本，使用常规均匀采样器和平衡的倒置采样器，分别得到特征向量fc和特征向量fr；
步骤S42:将提取的fc、fr两个特征加权进行特征融合。
6.根据权利要求5所述的基于对比学习的自监督图像分类方法，其特征在于，所述常规均匀采样器以相同的概率采样训练数据集中样本，且每个样本只采样一次，采样数据随机增强得到若干视图，随机选取一个视图送入Resnet50中网络训练，得到特征向量fc。
7.根据权利要求5所述的基于对比学习的自监督图像分类方法，其特征在于，所述所述平衡的倒置采样器，每个类的采样概率与样本的倒数成正比，一个类的样本越多，该类的采样概率越小，采样后的数据经过随机增强送入Resnet50中，得到特征向量fr。
8.根据权利要求5所述的基于对比学习的自监督图像分类方法，其特征在于，所述步骤S5具体为：
步骤S51:将融合的特征通过分类器学习，得到采样损失
Figure FDA0002736265880000031
其中α为加权系数并且与训练次数相关；E(.)为交叉熵损失函数；
Figure FDA0002736265880000032
为两种采样所提取的特征合并后的输出概率分布；y为采样所得的标签；
步骤S52:采用sigmoid分类交叉熵来预测输出的正确概率，得到交叉熵损失函数sce_loss和训练准确率；
步骤S53:计算整个模型总损失函数
Loss傔loss+sce_loss+bloss
设置训练轮数和一个批次batch size值；并通过前向传播和反向传播两个步骤反复训练直到达到最大迭代次数，优化模型的loss，验证集输出准确率最高为最佳微调模型C2。
CN202011134658.3A 2020-10-21 2020-10-21 基于对比学习的自监督图像分类方法 Active CN112381116B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011134658.3A CN112381116B (zh) 2020-10-21 2020-10-21 基于对比学习的自监督图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011134658.3A CN112381116B (zh) 2020-10-21 2020-10-21 基于对比学习的自监督图像分类方法

Publications (2)

Publication Number Publication Date
CN112381116A true CN112381116A (zh) 2021-02-19
CN112381116B CN112381116B (zh) 2022-10-28

Family

ID=74580482

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011134658.3A Active CN112381116B (zh) 2020-10-21 2020-10-21 基于对比学习的自监督图像分类方法

Country Status (1)

Country Link
CN (1) CN112381116B (zh)

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113111950A (zh) * 2021-04-19 2021-07-13 中国农业科学院农业资源与农业区划研究所 一种基于集成学习的小麦锈病分类方法
CN113139053A (zh) * 2021-04-15 2021-07-20 广东工业大学 一种基于自监督对比学习的文本分类方法
CN113255793A (zh) * 2021-06-01 2021-08-13 之江实验室 一种基于对比学习的细粒度舰船识别方法
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
CN113344069A (zh) * 2021-05-31 2021-09-03 成都快眼科技有限公司 一种基于多维关系对齐的无监督视觉表征学习的图像分类方法
CN113435480A (zh) * 2021-06-07 2021-09-24 电子科技大学 通道顺序切换自监督提升长尾分布视觉识别能力的方法
CN113496489A (zh) * 2021-09-06 2021-10-12 北京字节跳动网络技术有限公司 内窥镜图像分类模型的训练方法、图像分类方法和装置
CN113627483A (zh) * 2021-07-09 2021-11-09 武汉大学 基于自监督纹理对比学习的宫颈oct图像分类方法及设备
CN113658145A (zh) * 2021-08-20 2021-11-16 合肥合滨智能机器人有限公司 一种肝脏超声标准切面识别方法、装置、电子设备及存储介质
CN113705215A (zh) * 2021-08-27 2021-11-26 南京大学 一种基于元学习的大规模多标签文本分类方法
CN113806536A (zh) * 2021-09-14 2021-12-17 广州华多网络科技有限公司 文本分类方法及其装置、设备、介质、产品
CN113837238A (zh) * 2021-09-02 2021-12-24 南京大学 一种基于自监督和自蒸馏的长尾图像识别方法
CN114005073A (zh) * 2021-12-24 2022-02-01 东莞理工学院 上肢镜像康复训练、识别方法和装置
CN114187477A (zh) * 2021-12-16 2022-03-15 西安交通大学 一种基于监督自对比学习的小样本高光谱图像分类方法
CN114299304A (zh) * 2021-12-15 2022-04-08 腾讯科技（深圳）有限公司 一种图像处理方法及相关设备
CN114360038A (zh) * 2022-03-22 2022-04-15 杭州实在智能科技有限公司 基于深度学习的弱监督rpa元素识别方法及系统
CN114529759A (zh) * 2022-01-25 2022-05-24 北京医准智能科技有限公司 一种甲状腺结节的分类方法、装置及计算机可读介质
CN114881929A (zh) * 2022-04-07 2022-08-09 北京医准智能科技有限公司 一种针对乳腺x线图像整体性质量异常的检测方法及装置
CN115100390A (zh) * 2022-08-24 2022-09-23 华东交通大学 一种联合对比学习与自监督区域定位的图像情感预测方法
CN115130462A (zh) * 2022-06-23 2022-09-30 成都信息工程大学 一种基于深度神经网络的信息抽取方法
CN116385813A (zh) * 2023-06-07 2023-07-04 南京隼眼电子科技有限公司 Isar图像分类方法、装置及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110097103A (zh) * 2019-04-22 2019-08-06 西安电子科技大学 基于生成对抗网络的半监督图像分类方法
CN110110745A (zh) * 2019-03-29 2019-08-09 上海海事大学 基于生成对抗网络的半监督x光图像自动标注
US20200082224A1 (en) * 2018-09-10 2020-03-12 Sri International Weakly supervised learning for classifying images
CN110909820A (zh) * 2019-12-02 2020-03-24 齐鲁工业大学 基于自监督学习的图像分类方法及系统
CN111222648A (zh) * 2020-01-15 2020-06-02 深圳前海微众银行股份有限公司 半监督机器学习优化方法、装置、设备及存储介质
CN111461190A (zh) * 2020-03-24 2020-07-28 华南理工大学 一种基于深度卷积神经网络的非均衡船舶分类方法
CN111611880A (zh) * 2020-04-30 2020-09-01 杭州电子科技大学 一种基于神经网络无监督对比学习的高效行人重识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200082224A1 (en) * 2018-09-10 2020-03-12 Sri International Weakly supervised learning for classifying images
CN110110745A (zh) * 2019-03-29 2019-08-09 上海海事大学 基于生成对抗网络的半监督x光图像自动标注
CN110097103A (zh) * 2019-04-22 2019-08-06 西安电子科技大学 基于生成对抗网络的半监督图像分类方法
CN110909820A (zh) * 2019-12-02 2020-03-24 齐鲁工业大学 基于自监督学习的图像分类方法及系统
CN111222648A (zh) * 2020-01-15 2020-06-02 深圳前海微众银行股份有限公司 半监督机器学习优化方法、装置、设备及存储介质
CN111461190A (zh) * 2020-03-24 2020-07-28 华南理工大学 一种基于深度卷积神经网络的非均衡船舶分类方法
CN111611880A (zh) * 2020-04-30 2020-09-01 杭州电子科技大学 一种基于神经网络无监督对比学习的高效行人重识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ALEXEY DOSOVITSKIY等: "Discriminative Unsupervised Feature Learning with Exemplar Convolutional Neural Networks", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 *
PRANNAY KHOSLA等: "Supervised Contrastive Learning", 《ARXIV》 *
张婧等: "基于小样本学习的高光谱遥感图像分类算法", 《聊城大学学报(自然科学版)》 *

Cited By (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139053B (zh) * 2021-04-15 2024-03-05 广东工业大学 一种基于自监督对比学习的文本分类方法
CN113139053A (zh) * 2021-04-15 2021-07-20 广东工业大学 一种基于自监督对比学习的文本分类方法
CN113111950B (zh) * 2021-04-19 2022-05-31 中国农业科学院农业资源与农业区划研究所 一种基于集成学习的小麦锈病分类方法
CN113111950A (zh) * 2021-04-19 2021-07-13 中国农业科学院农业资源与农业区划研究所 一种基于集成学习的小麦锈病分类方法
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
CN113313684B (zh) * 2021-05-28 2022-11-25 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
CN113344069A (zh) * 2021-05-31 2021-09-03 成都快眼科技有限公司 一种基于多维关系对齐的无监督视觉表征学习的图像分类方法
CN113344069B (zh) * 2021-05-31 2023-01-24 成都快眼科技有限公司 一种基于多维关系对齐的无监督视觉表征学习的图像分类方法
CN113255793A (zh) * 2021-06-01 2021-08-13 之江实验室 一种基于对比学习的细粒度舰船识别方法
CN113435480A (zh) * 2021-06-07 2021-09-24 电子科技大学 通道顺序切换自监督提升长尾分布视觉识别能力的方法
CN113435480B (zh) * 2021-06-07 2022-06-21 电子科技大学 通道顺序切换自监督提升长尾分布视觉识别能力的方法
CN113627483A (zh) * 2021-07-09 2021-11-09 武汉大学 基于自监督纹理对比学习的宫颈oct图像分类方法及设备
CN113627483B (zh) * 2021-07-09 2024-02-02 武汉大学 基于自监督纹理对比学习的宫颈oct图像分类方法及设备
CN113658145A (zh) * 2021-08-20 2021-11-16 合肥合滨智能机器人有限公司 一种肝脏超声标准切面识别方法、装置、电子设备及存储介质
CN113705215A (zh) * 2021-08-27 2021-11-26 南京大学 一种基于元学习的大规模多标签文本分类方法
CN113837238B (zh) * 2021-09-02 2023-09-01 南京大学 一种基于自监督和自蒸馏的长尾图像识别方法
CN113837238A (zh) * 2021-09-02 2021-12-24 南京大学 一种基于自监督和自蒸馏的长尾图像识别方法
CN113496489A (zh) * 2021-09-06 2021-10-12 北京字节跳动网络技术有限公司 内窥镜图像分类模型的训练方法、图像分类方法和装置
CN113496489B (zh) * 2021-09-06 2021-12-24 北京字节跳动网络技术有限公司 内窥镜图像分类模型的训练方法、图像分类方法和装置
CN113806536B (zh) * 2021-09-14 2024-04-16 广州华多网络科技有限公司 文本分类方法及其装置、设备、介质、产品
CN113806536A (zh) * 2021-09-14 2021-12-17 广州华多网络科技有限公司 文本分类方法及其装置、设备、介质、产品
CN114299304A (zh) * 2021-12-15 2022-04-08 腾讯科技（深圳）有限公司 一种图像处理方法及相关设备
CN114299304B (zh) * 2021-12-15 2024-04-12 腾讯科技（深圳）有限公司 一种图像处理方法及相关设备
CN114187477A (zh) * 2021-12-16 2022-03-15 西安交通大学 一种基于监督自对比学习的小样本高光谱图像分类方法
CN114005073A (zh) * 2021-12-24 2022-02-01 东莞理工学院 上肢镜像康复训练、识别方法和装置
CN114529759A (zh) * 2022-01-25 2022-05-24 北京医准智能科技有限公司 一种甲状腺结节的分类方法、装置及计算机可读介质
CN114360038A (zh) * 2022-03-22 2022-04-15 杭州实在智能科技有限公司 基于深度学习的弱监督rpa元素识别方法及系统
CN114881929A (zh) * 2022-04-07 2022-08-09 北京医准智能科技有限公司 一种针对乳腺x线图像整体性质量异常的检测方法及装置
CN115130462A (zh) * 2022-06-23 2022-09-30 成都信息工程大学 一种基于深度神经网络的信息抽取方法
CN115130462B (zh) * 2022-06-23 2023-09-01 成都信息工程大学 一种基于深度神经网络的信息抽取方法
CN115100390A (zh) * 2022-08-24 2022-09-23 华东交通大学 一种联合对比学习与自监督区域定位的图像情感预测方法
CN116385813A (zh) * 2023-06-07 2023-07-04 南京隼眼电子科技有限公司 Isar图像分类方法、装置及存储介质
CN116385813B (zh) * 2023-06-07 2023-08-29 南京隼眼电子科技有限公司 基于无监督对比学习的isar图像空间目标分类方法、装置及存储介质

Also Published As

Publication number Publication date
CN112381116B (zh) 2022-10-28

Similar Documents

Publication Publication Date Title
CN112381116B (zh) 基于对比学习的自监督图像分类方法
CN109949317B (zh) 基于逐步对抗学习的半监督图像实例分割方法
CN109389091B (zh) 基于神经网络和注意力机制结合的文字识别系统及方法
CN109299342B (zh) 一种基于循环生成式对抗网络的跨模态检索方法
CN108228915B (zh) 一种基于深度学习的视频检索方法
CN111428718B (zh) 一种基于图像增强的自然场景文本识别方法
CN109189767B (zh) 数据处理方法、装置、电子设备及存储介质
US11816149B2 (en) Electronic device and control method thereof
CN111061843A (zh) 一种知识图谱引导的假新闻检测方法
WO2021164481A1 (zh) 基于神经网络模型的手写签名的自动校验的方法和装置
CN111611847A (zh) 基于尺度注意力空洞卷积网络的视频动作检测方法
CN106372624B (zh) 人脸识别方法及系统
CN112800876A (zh) 一种用于重识别的超球面特征嵌入方法及系统
CN113269647B (zh) 基于图的交易异常关联用户检测方法
CN113516152B (zh) 一种基于复合图像语义的图像描述方法
CN111832650A (zh) 基于生成对抗网络局部聚合编码半监督的图像分类方法
CN107480723B (zh) 基于局部二进制阈值学习网络的纹理识别方法
CN114387641A (zh) 基于多尺度卷积网络和ViT的虚假视频检测方法及系统
CN115761735A (zh) 一种基于自适应伪标签纠正的半监督语义分割方法
CN115459996A (zh) 基于门控卷积和特征金字塔的网络入侵检测方法
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
CN115116074A (zh) 一种手写体文字识别、及模型训练方法和装置
CN115062727A (zh) 一种基于多阶超图卷积网络的图节点分类方法及系统
CN114780767A (zh) 一种基于深度卷积神经网络的大规模图像检索方法及系统
CN114492569B (zh) 一种基于宽度学习系统的台风路径分类方法

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