CN112529114A - 基于gan的目标信息识别方法、电子设备和介质 - Google Patents
基于gan的目标信息识别方法、电子设备和介质 Download PDFInfo
- Publication number
- CN112529114A CN112529114A CN202110039160.7A CN202110039160A CN112529114A CN 112529114 A CN112529114 A CN 112529114A CN 202110039160 A CN202110039160 A CN 202110039160A CN 112529114 A CN112529114 A CN 112529114A
- Authority
- CN
- China
- Prior art keywords
- classification
- sample data
- positive
- target
- model
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于GAN的目标信息识别方法、电子设备和介质,方法包括步骤S1、获取第一正样本数据集A和第一负样本数据集B;步骤S2、分别将A和B进行分类,得到M个第一正样本数据子集a1,a2…an…aM和对应的M个第一负样本数据子集b1,b2…bn…bM;步骤S3、将an输入GAN模型中,生成多个第n类正样本,将所使生成的第n类正样本和an中原始的正样本共同组成第n类第二正样本数据子集cn,n=1,2…M;步骤S4、从bn中采样得到第n类第二负样本数据子集dn,n=1,2…M;步骤S5、将c1,c2…cn…cM和d1,d2…dn…dM输入预设的目标分类模型中进行训练,得到目标分类模型;步骤S6、将待测信息输入目标分类模型中判断待测信息是否为目标信息。本发明在正负样本不均衡的场景下,能够准确识别目标信息。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于GAN的目标信息识别方法、电子设备和介质。
背景技术
现有的信息识别过程中,通常通过获取正样本和负样本来训练分类模型,识别目标信息,例如将已知的目标信息作为正样本,已知的非目标信息作为负样本。但是,当已知目标信息的数量过少时,会导致正负样本不均衡,若直接采用正负样本进行分类模型训练,则无法保证分类模型的精确度,从而无法准确识别目标信息。因此,在正负样本不均衡的场景下,如何能够准确识别目标信息成为解决的技术问题。
发明内容
本发明目的在于,提供一种基于GAN的目标信息识别方法、电子设备和介质,在正负样本不均衡的场景下,能够准确识别目标信息。
根据本发明第一方面,提供了一种基于GAN的目标信息识别方法,包括以下步骤:
步骤S1、获取第一正样本数据集A和第一负样本数据集B,所述A中存储的是已知为目标信息的特征数据,所述B中存储的是已知为非目标信息的特征数据,所述A中的数据条数小于所述B中的数据条数;
步骤S2、分别将所述A和B进行分类,得到M个第一正样本数据子集a1,a2…an…aM和对应的M个第一负样本数据子集b1,b2…bn…bM,其中,M为正整数,n=1,2…M,an表示第n类第一正样本数据子集,bn表示第n类第一正样本数据子集;
步骤S3、将an输入GAN模型中,生成多个第n类正样本,将所使生成的第n类正样本和an中原始的正样本共同组成第n类第二正样本数据子集cn,n=1,2…M,从而得到a1,a2…an…aM对应的c1,c2…cn…cM;
步骤S4、从所述bn中采样得到第n类第二负样本数据子集dn,n=1,2…M;
步骤S5、将c1,c2…cn…cM和d1,d2…dn…dM输入预设的分类模型中进行训练,得到所述目标分类模型;
步骤S6、将待测信息输入所述目标分类模型中判断所述待测信息是否为目标信息。
根据本发明第二方面,提供一种电子设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被设置为用于执行本发明第一方面所述的方法。
根据本发明第三方面,提供一种计算机可读存储介质,所述计算机指令用于执行本发明第一方面所述的方法。
本发明与现有技术相比具有明显的优点和有益效果。借由上述技术方案,本发明提供的一种基于GAN的目标信息识别方法、电子设备和介质可达到相当的技术进步性及实用性,并具有产业上的广泛利用价值,其至少具有下列优点:
本发明能够在正负样本不均衡的场景下,对样本进行分类,并基于每个类别扩充样本类别较少的样本,以均衡正负样本,并基于扩充后的样本构建目标分类模型,从而能够准确识别目标信息。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂,以下特举较佳实施例,并配合附图,详细说明如下。
附图说明
图1为本发明实施例提供的基于GAN的目标信息识别方法流程图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于GAN的目标信息识别方法、电子设备和介质的具体实施方式及其功效,详细说明如后。
本发明实施例提供了一种基于GAN的目标信息识别方法,如图1所示,包括以下步骤:
步骤S1、获取第一正样本数据集A和第一负样本数据集B,所述A中存储的是已知为目标信息的特征数据,所述B中存储的是已知为非目标信息的特征数据,所述A中的数据条数小于所述B中的数据条数;
作为一种实施例,本发明所述方法可以基于设备id对应的属性信息,来识别目标设备,所述步骤S1包括:
步骤S11、获取目标设备id列表和非目标设备id列表;
其中,所述目标设备id列表和非目标设备id列表可以是用户直接输入的,也可以是在数据库中预先存储的,目标设备id列表存储的是已知为目标设备的id,非目标设备id列表存储的是已知为,非目标设备的id。
步骤S12、基于每一设备id从预设数据库中提取预设的设备属性信息,生成每一设备id对应的特征数据;
其中,所述预设的数据库中存储有设备id对应的多个属性信息,步骤S12可以根据具体的使用需求,设定需要提取的设备属性信息作为预设的设备属性信息。
步骤S13、基于所述目标设备id列表中的所有设备id对应的特征数据构建所述第一正样本数据集A,基于所述非目标设备id列表中的所有设备id对应的特征数据构建所述第一负样本数据集B。
需要说明的是,所述A中的数据条数小于所述B中的数据条数,A中的数据条数/B中的数据条数小于1,正负样本不均衡,A中的数据条数/B中的数据条数值越小,正负样本不均衡程度越大,尤其是小于1/10的情况下,若直接采用现有的正负样本直接训练模型,会使得模型精确度大幅降低,尤其在金融领域,正样本负样本的比例通常可能会小于1:24。采用本发发明实施例所述方法,通过扩充正样本,可以有效有效解决正负样本不均衡问题。
步骤S2、分别将所述A和B进行分类,得到M个第一正样本数据子集a1,a2…an…aM和对应的M个第一负样本数据子集b1,b2…bn…bM,其中,M为正整数,n=1,2…M,an表示第n类第一正样本数据子集,bn表示第n类第一正样本数据子集;
其中,可以直接分别对A和B进行聚类,但得到的簇的数量可能不同,则簇之间的相似度通过匹配类型后,剩余未匹配到的样本可以直接舍弃,得到一一对应的M个类型的第一正样本数据子集和第一负样本数据子集。为了尽可能保留原始样本,以及提高分类的效率,作为一种优选的实施例,可以直接设定所要划分的类别数,并将A和B直接分别划分为M类,例如M可等于5。具体的,所述步骤S2包括:
步骤S21、将所述A进行聚类,得到M个第一正样本数据簇;
步骤S22、将所述B进行聚类,得到M个第一负样本数据簇;
步骤S21和步骤S22中均可直接采用现有的无监督聚类算法来聚类,在此不再展开描述。
步骤S23、将所述M个第一正样本数据簇和M个第一负样本数据簇进行相似度匹配,得到属于同一类别的an对应的bn,n=1,2…M。
步骤S23具体可包括:
步骤S231、分别获取第1个第一正样本数据簇与M个第一负样本数据簇中每一个负样本数据簇的相似度,将相似度最大的第一负样本数据簇确定为第1类型的第一负样本数据子集b1,第1个第一正样本数据簇作为对应的第1类型的第一正样本数据子集a1;
步骤S232、分别获取第2个第一正样本数据簇与剩余的(M-1)个第一负样本数据簇中每一个负样本数据簇的相似度,将相似度最大的第一负样本数据簇确定为第2类型的第一负样本数据子集b2,第2个第一正样本数据簇作为对应的第2类型的第一正样本数据子集a2;
…
步骤S23n、分别获取第n个第一正样本数据簇与剩余的(M-n+1)个第一负样本数据簇中每一个负样本数据簇的相似度,将相似度最大的第一负样本数据簇确定为第n类型的第一负样本数据子集bn,第n个第一正样本数据簇作为对应的第n类型的第一正样本数据子集an;
…
步骤S23M、将第M个第一正样本数据簇作为第M类型的第一负样本数据子集aM,将剩余的一个第负样本数据簇作为第M类型的第一负样本数据子集bM。
可以理解的是,通过所述步骤S2可以将正负样本进行精细化划分,将正正样本和负样本分别划分为一一对应的M个类型,保证样本的多样性,从而进一步提高最终识别结果的精确度。
步骤S3、将an输入生成式对抗网络(GAN)模型中,生成多个第n类正样本,将所使生成的第n类正样本和an中原始的正样本共同组成第n类第二正样本数据子集cn,n=1,2…M,从而得到a1,a2…an…aM对应的c1,c2…cn…cM;
需要说明的是,GAN能够通过学习输入数据,然后生成类似的数据,是现有的算法,在此不再展开描述。步骤S3通过GAN模型分别学习每一类的正样本数据,生成多个对应类型的正样本数据,从而对每一类型的正样本进行扩充,以均衡正样本和负样本。
为了使得每一类型的正样本扩充得到的数量与原始正样本数量的比例一致,所述步骤S3可包括:
步骤S31、获取an中的数据条数Pn,设定第一比例参数R,R为正整数;
步骤S32、将an中的Pn条原始的正样本数据输入所述GAN模型中生成R*Pn条第n类正样本数据;
步骤S33、将所述Pn条原始的正样本数据和生成的R*Pn条第n类正样本数据共同组成cn,n=1,2…M。
通过步骤S31-步骤S33可以使得扩充正样本分布均匀,可以提高后续模型训练的精确度。
步骤S4、从所述bn中采样得到第n类第二负样本数据子集dn,n=1,2…M,从而得到d1,d2…dn…dM;
为了使用于训练模型的每一类型的正负样本的比例一致,可根据每一第二正样本数据子集的数据条数,从对应类型的第一负样本数据子集中获取对应数量的负样本条数,具体的,所述步骤S4包括:
步骤S41、获取cn中的数据条数Qn,设定第二比例参数S;
步骤S42、从所述bn中采样S*dn条数据组成dn。
此外,由于原始数据中正样本数量少于负样本数量,即正样本数量与负样本数量的比值小于1:1,为了使得最终模型识别结果更加接近于实际场景,提高模型收敛速度,从而提高模型的训练效率和识别的准确度,进而提高目标识别的效率。可以使得所选取第二正样本数据子集的数据条数和第二负样本数据子集的数据条数在在合理的训练比例范围内,也小于1:1,优选的,可以将该范围设置到1:4到1:1范围内,即S的优选取值范围为(1,4)。
步骤S5、将c1,c2…cn…cM和d1,d2…dn…dM输入预设的分类模型中进行训练,得到所述目标分类模型;
作为一种实施例,所述目标分类模型包括M个第一分类模型和一个第二分类模型,所述M个第一分类模型包括第一分类子模型、第二分类子模型…第n分类子模型…第M分类子模型,所述步骤S5包括:
步骤S51、基于cn、dn训练预设的第n分类子模型, n=1,2…M,得到第一分类子模型、第二分类子模型…第n分类子模型…第M分类子模型;
步骤S52、将所述第一分类子模型、第二分类子模型…第n分类子模型…第M分类子模型的输出作为预设的第二分类模型中进行训练,得到第二分类模型,所述M个第一分类模型和第二分类模型融合得到所述目标分类模。
其中,通过每一类型的第二正样本数据子集和第二负样本数据子集训练对应类型的子模型。最后在将所有子模型和第二分类模型融合得到所述目标分类模,保证了模型训练过程中的样本多样性和分布均匀,从而提高模型精确度,进而提高目标信息的识别准确度。
作为一种实施例,所述第一分类模型为逻辑回归模型,所述第二分类模型为XG-boost模型,其中逻辑回归算法和XG-boost具体算法均为现有算法,在此不再展开描述。
步骤S6、将待测信息输入所述目标分类模型中判断所述待测信息是否为目标信息。
作为一种实施例,所述步骤S6包括:
步骤S61、将待测信息输入每一分类子模型中,得到每一分类子模型的预测值;
步骤S62、将每一分类子模型的预测值输入所述第二分类模型中,得到分类预测值;
步骤S63、将所述分类预测值与预设的分类阈值比较,若所述分类预测值大于预设的分类阈值,则确定所述待测信息为目标信息。
其中,所述预设的分类阈值可以根据模型训练结果来设定。
需要说明的是,本发明一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序仅是为了引用方便的目的予以编排,并不意味着步骤执行的必然顺序,即可以被重新安排。当其操作完成时处理可以被终止,但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
本发明实施例还提供一种电子设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被设置为用于执行本发明实施例所述的方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机指令用于执行本发明实施例所述的方法。
本发明实施例能够在正负样本不均衡的场景下,对样本进行分类,并基于每个类别扩充样本类别较少的样本,以均衡正负样本,并基于扩充后的样本构建目标分类模型,从而能够准确识别目标信息。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (10)
1.一种基于GAN的目标信息识别方法,其特征在于,
包括以下步骤:
步骤S1、获取第一正样本数据集A和第一负样本数据集B,所述A中存储的是已知为目标信息的特征数据,所述B中存储的是已知为非目标信息的特征数据,所述A中的数据条数小于所述B中的数据条数;
步骤S2、分别将所述A和B进行分类,得到M个第一正样本数据子集a1,a2…an…aM和对应的M个第一负样本数据子集b1,b2…bn…bM,其中,M为正整数,n=1,2…M,an表示第n类第一正样本数据子集,bn表示第n类第一正样本数据子集;
步骤S3、将an输入GAN模型中,生成多个第n类正样本,将所使生成的第n类正样本和an中原始的正样本共同组成第n类第二正样本数据子集cn,n=1,2…M,从而得到a1,a2…an…aM对应的c1,c2…cn…cM;
步骤S4、从所述bn中采样得到第n类第二负样本数据子集dn,n=1,2…M;
步骤S5、将c1,c2…cn…cM和d1,d2…dn…dM输入预设的分类模型中进行训练,得到所述目标分类模型;
步骤S6、将待测信息输入所述目标分类模型中判断所述待测信息是否为目标信息。
2.根据权利要求1所述的方法,其特征在于,
所述步骤S1包括:
步骤S11、获取目标设备id列表和非目标设备id列表;
步骤S12、基于每一设备id从预设数据库中提取预设的设备属性信息,生成每一设备id对应的特征数据;
步骤S13、基于所述目标设备id列表中的所有设备id对应的特征数据构建所述第一正样本数据集A,基于所述非目标设备id列表中的所有设备id对应的特征数据构建所述第一负样本数据集B。
3.根据权利要求1所述的方法,其特征在于,
所述步骤S2包括:
步骤S21、将所述A进行聚类,得到M个第一正样本数据簇;
步骤S22、将所述B进行聚类,得到M个第一负样本数据簇;
步骤S23、将所述M个第一正样本数据簇和M个第一负样本数据簇进行相似度匹配,得到属于同一类别的an对应的bn,n=1,2…M。
4.根据权利要求3所述的方法,其特征在于,
所述步骤S3包括:
步骤S31、获取an中的数据条数Pn,设定第一比例参数R,R为正整数;
步骤S32、将an中的Pn条原始的正样本数据输入所述GAN模型中生成R*Pn条第n类正样本数据;
步骤S33、将所述Pn条原始的正样本数据和生成的R*Pn条第n类正样本数据共同组成cn,n=1,2…M。
5.根据权利要求4所述的方法,其特征在于,
所述步骤S4包括:
步骤S41、获取cn中的数据条数Qn,设定第二比例参数S;
步骤S42、从所述bn中采样S*dn条数据组成dn。
6.根据权利要求5所述的方法,其特征在于,
所述目标分类模型包括M个第一分类模型和一个第二分类模型,所述M个第一分类模型包括第一分类子模型、第二分类子模型…第n分类子模型…第M分类子模型,所述步骤S5包括:
步骤S51、基于cn、dn训练预设的第n分类子模型, n=1,2…M,得到第一分类子模型、第二分类子模型…第n分类子模型…第M分类子模型;
步骤S52、将所述第一分类子模型、第二分类子模型…第n分类子模型…第M分类子模型的输出作为预设的第二分类模型中进行训练,得到第二分类模型,所述M个第一分类模型和第二分类模型融合得到所述目标分类模。
7.根据权利要求6所述的方法,其特征在于,
所述第一分类模型为逻辑回归模型,所述第二分类模型为XG-boost模型。
8.根据权利要求6所述的方法,其特征在于,
所述步骤S6包括:
步骤S61、将待测信息输入每一分类子模型中,得到每一分类子模型的预测值;
步骤S62、将每一分类子模型的预测值输入所述第二分类模型中,得到分类预测值;
步骤S63、将所述分类预测值与预设的分类阈值比较,若所述分类预测值大于预设的分类阈值,则确定所述待测信息为目标信息。
9.一种电子设备,其特征在于,包括:
至少一个处理器;
以及,与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被设置为用于执行前述权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,存储有计算机可执行指令,所述计算机可执行指令用于执行前述权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110039160.7A CN112529114B (zh) | 2021-01-13 | 2021-01-13 | 基于gan的目标信息识别方法、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110039160.7A CN112529114B (zh) | 2021-01-13 | 2021-01-13 | 基于gan的目标信息识别方法、电子设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112529114A true CN112529114A (zh) | 2021-03-19 |
CN112529114B CN112529114B (zh) | 2021-06-29 |
Family
ID=74977438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110039160.7A Active CN112529114B (zh) | 2021-01-13 | 2021-01-13 | 基于gan的目标信息识别方法、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529114B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801233A (zh) * | 2021-04-07 | 2021-05-14 | 杭州海康威视数字技术股份有限公司 | 一种物联网设备蜜罐系统攻击分类方法、装置及设备 |
CN112948687A (zh) * | 2021-03-25 | 2021-06-11 | 重庆高开清芯智联网络科技有限公司 | 一种基于名片文件特征的节点消息推荐方法 |
CN115810008A (zh) * | 2023-02-03 | 2023-03-17 | 广东佳悦美视生物科技有限公司 | 一种基于深度学习的人工角膜镜柱质量检测方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105975611A (zh) * | 2016-05-18 | 2016-09-28 | 天津大学 | 自适应组合降采样增强学习机 |
CN107273978A (zh) * | 2017-05-25 | 2017-10-20 | 清华大学 | 一种三模型博弈的产生式对抗网络模型的建立方法及装置 |
CN107862270A (zh) * | 2017-10-31 | 2018-03-30 | 深圳云天励飞技术有限公司 | 人脸分类器训练方法、人脸检测方法及装置、电子设备 |
CN108564109A (zh) * | 2018-03-21 | 2018-09-21 | 天津大学 | 一种基于深度学习的遥感图像目标检测方法 |
CN109635850A (zh) * | 2018-11-23 | 2019-04-16 | 杭州健培科技有限公司 | 一种基于生成对抗网络优化医学图像分类性能的方法 |
CN110070072A (zh) * | 2019-05-05 | 2019-07-30 | 厦门美图之家科技有限公司 | 一种生成物体检测模型的方法 |
CN110569721A (zh) * | 2019-08-01 | 2019-12-13 | 平安科技(深圳)有限公司 | 识别模型训练方法、图像识别方法、装置、设备及介质 |
CN110874652A (zh) * | 2018-08-14 | 2020-03-10 | 阿里巴巴集团控股有限公司 | 一种设备状态评价方法、装置、设备及系统 |
CN111062310A (zh) * | 2019-12-13 | 2020-04-24 | 哈尔滨工程大学 | 一种基于虚拟样本生成的少样本无人机图像识别方法 |
US10692002B1 (en) * | 2019-01-28 | 2020-06-23 | StradVision, Inc. | Learning method and learning device of pedestrian detector for robust surveillance based on image analysis by using GAN and testing method and testing device using the same |
CN111414973A (zh) * | 2020-03-30 | 2020-07-14 | 同济大学 | 基于生成对抗网络的极度不均衡数据的分类框架 |
CN111723997A (zh) * | 2020-06-23 | 2020-09-29 | 上海电科智能系统股份有限公司 | 一种基于gan的城市重大交通事故数据样本自动生成方法 |
CN111860054A (zh) * | 2019-04-28 | 2020-10-30 | 普天信息技术有限公司 | 一种卷积网络训练方法和装置 |
CN111950630A (zh) * | 2020-08-12 | 2020-11-17 | 深圳市烨嘉为技术有限公司 | 基于两阶段迁移学习的小样本工业产品缺陷分类方法 |
-
2021
- 2021-01-13 CN CN202110039160.7A patent/CN112529114B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105975611A (zh) * | 2016-05-18 | 2016-09-28 | 天津大学 | 自适应组合降采样增强学习机 |
CN107273978A (zh) * | 2017-05-25 | 2017-10-20 | 清华大学 | 一种三模型博弈的产生式对抗网络模型的建立方法及装置 |
CN107862270A (zh) * | 2017-10-31 | 2018-03-30 | 深圳云天励飞技术有限公司 | 人脸分类器训练方法、人脸检测方法及装置、电子设备 |
CN108564109A (zh) * | 2018-03-21 | 2018-09-21 | 天津大学 | 一种基于深度学习的遥感图像目标检测方法 |
CN110874652A (zh) * | 2018-08-14 | 2020-03-10 | 阿里巴巴集团控股有限公司 | 一种设备状态评价方法、装置、设备及系统 |
CN109635850A (zh) * | 2018-11-23 | 2019-04-16 | 杭州健培科技有限公司 | 一种基于生成对抗网络优化医学图像分类性能的方法 |
US10692002B1 (en) * | 2019-01-28 | 2020-06-23 | StradVision, Inc. | Learning method and learning device of pedestrian detector for robust surveillance based on image analysis by using GAN and testing method and testing device using the same |
CN111860054A (zh) * | 2019-04-28 | 2020-10-30 | 普天信息技术有限公司 | 一种卷积网络训练方法和装置 |
CN110070072A (zh) * | 2019-05-05 | 2019-07-30 | 厦门美图之家科技有限公司 | 一种生成物体检测模型的方法 |
CN110569721A (zh) * | 2019-08-01 | 2019-12-13 | 平安科技(深圳)有限公司 | 识别模型训练方法、图像识别方法、装置、设备及介质 |
CN111062310A (zh) * | 2019-12-13 | 2020-04-24 | 哈尔滨工程大学 | 一种基于虚拟样本生成的少样本无人机图像识别方法 |
CN111414973A (zh) * | 2020-03-30 | 2020-07-14 | 同济大学 | 基于生成对抗网络的极度不均衡数据的分类框架 |
CN111723997A (zh) * | 2020-06-23 | 2020-09-29 | 上海电科智能系统股份有限公司 | 一种基于gan的城市重大交通事故数据样本自动生成方法 |
CN111950630A (zh) * | 2020-08-12 | 2020-11-17 | 深圳市烨嘉为技术有限公司 | 基于两阶段迁移学习的小样本工业产品缺陷分类方法 |
Non-Patent Citations (2)
Title |
---|
YUN WU 等: "Image Super-Resolution Reconstruction Based on a Generative Adversarial Network", 《IEEE ACCESS》 * |
李均利: "视频目标跟踪技术综述", 《燕山大学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112948687A (zh) * | 2021-03-25 | 2021-06-11 | 重庆高开清芯智联网络科技有限公司 | 一种基于名片文件特征的节点消息推荐方法 |
CN112801233A (zh) * | 2021-04-07 | 2021-05-14 | 杭州海康威视数字技术股份有限公司 | 一种物联网设备蜜罐系统攻击分类方法、装置及设备 |
CN115810008A (zh) * | 2023-02-03 | 2023-03-17 | 广东佳悦美视生物科技有限公司 | 一种基于深度学习的人工角膜镜柱质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112529114B (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112529114B (zh) | 基于gan的目标信息识别方法、电子设备和介质 | |
JP7266674B2 (ja) | 画像分類モデルの訓練方法、画像処理方法及び装置 | |
CN109299741B (zh) | 一种基于多层检测的网络攻击类型识别方法 | |
US20110321164A1 (en) | Method and system for adaptive vulnerability scanning of an application | |
Ahalya et al. | Data clustering approaches survey and analysis | |
US20120215727A1 (en) | Automatic data cleaning for machine learning classifiers | |
Alapati et al. | Combining clustering with classification: a technique to improve classification accuracy | |
CN107545038B (zh) | 一种文本分类方法与设备 | |
CN110493262B (zh) | 一种改进分类的网络攻击检测方法及系统 | |
CN110347791B (zh) | 一种基于多标签分类卷积神经网络的题目推荐方法 | |
CN111046930A (zh) | 一种基于决策树算法的供电服务满意度影响因素识别方法 | |
CN111210402A (zh) | 人脸图像质量评分方法、装置、计算机设备及存储介质 | |
CN112926045A (zh) | 一种基于逻辑回归模型的群控设备识别方法 | |
CN110009045A (zh) | 物联网终端的识别方法和装置 | |
CN115577357A (zh) | 一种基于堆叠集成技术的Android恶意软件检测方法 | |
Ali et al. | Fake accounts detection on social media using stack ensemble system | |
CN111723182B (zh) | 一种用于漏洞文本的关键信息抽取方法及装置 | |
CN112115996B (zh) | 图像数据的处理方法、装置、设备及存储介质 | |
CN111753998A (zh) | 多数据源的模型训练方法、装置、设备及存储介质 | |
CN113628077B (zh) | 生成不重复考题的方法、终端及可读存储介质 | |
CN114139636B (zh) | 异常作业处理方法及装置 | |
JP2018013886A (ja) | 認識容易性指標算出装置、方法、及びプログラム | |
CN112738724B (zh) | 一种区域目标人群的精准识别方法、装置、设备和介质 | |
WO2018151619A1 (en) | Network analysis tool testing | |
CN103761433A (zh) | 一种网络服务资源分类方法 |
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 |