CN112733965A - 一种基于小样本学习的无标签图像分类方法 - Google Patents
一种基于小样本学习的无标签图像分类方法 Download PDFInfo
- Publication number
- CN112733965A CN112733965A CN202110149704.5A CN202110149704A CN112733965A CN 112733965 A CN112733965 A CN 112733965A CN 202110149704 A CN202110149704 A CN 202110149704A CN 112733965 A CN112733965 A CN 112733965A
- Authority
- CN
- China
- Prior art keywords
- index
- image set
- image
- weight
- training
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/002—Image coding using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于小样本学习的无标签图像分类方法,具体包括:1、利用随机数据增强网络S将输入图像集M变换产生两个映射集构成注意力索引图像集K,构成注意力权重图像集Q;2、利用深度神经编码器网络f(·)、g(·)分别对Q、K进行编码,f(·)学习权重图像集Q的特征表示RQ,g(·)学习索引图像集K的特征表示;3、经过编码器网络的特征表示构成正索引对(RQ′,),以及一组负样本通过相似度度量函数S(RQ,RK),度量RQ′与之间的相似程度;4、通过对比预测损失函数L训练,提高RQ与正索引的相似度,同时最小化RQ′与负索引的相似度;5、针对C‑way、K‑shot任务,利用已训练好的编码器网络,对权重图片Q进行分类。本发明实现了对没有大量标注数据甚至无标记数据的分类。
Description
技术领域
本发明属于迁移学习技术领域,涉及一种基于小样本学习的无标签图像分类方法。
背景技术
随着神经网络的提出,特别是深度神经网络的出现,在图像识别、自然语言处理等方面大放异彩。凭借有标注的大数据和计算机强大的算力,深度神经网络在模式识别等领域的表现已远超人类。但是,依靠有标注数据驱动的深度神经网络十分脆弱,其泛化水平极其低下。当深度神经网络训练好,用于解决特定图像分类问题,其模型具有很高的性能,但当应用场景切换时,区别于训练场合时,其性能大幅下降,甚至完全不可用,相较于人类“触类旁通”和“闻一知十”的真正智能还存在着较大的缺陷。
为了解决目标领域只有少量甚至没有标注样本的极具挑战性的学习问题,迁移学习作为一种新的学习范式引起了广泛关注和研究。迁移学习主要解决当场景或任务转换时学习系统如何快速调整以适应的问题。当把训练好的模型应用在跨域并发生不可预见的场景改变时,迁移学习仍可以保障模型性能不会发生大幅下降,通过这种方式,迁移学习让所学知识达到复用。同时,若系统能够通过迁移学习不断调整模型参数以适应新域,那么假设外部环境变换时,该系统则具有更强的鲁棒性。
与上述介绍的迁移学习略有区别,在小样本学习中,目标域通常具有更为少量的数据,这些数据包括有标签和无标签两类情况。由于数据获取和标记往往需要耗费大量时间、精力和成本,因此进一步降低数据及标签限制尤为重要。但当数据量和标签数大幅下降时,模型仅仅依据先前经验做出正确分类的可能性极小。
发明内容
本发明的目的是提供一种基于小样本学习的无标签图像分类方法,解决了现有技术中存在的给定训练样本数量较少且无标签情况下对迁移模型性能的影响,导致训练后图像分类器分类正确率低下的问题。
本发明所采用的技术方案是,一种基于小样本学习的无标签图像分类方法,其特征在于,具体按照以下步骤实施:
步骤2、利用深度神经编码器网络f(·)、g(·)分别对图像集Q、K进行编码,f(·)学习权重图像集Q的特征表示RQ,g(·)学习索引图像集K的特征表示RK,将训练好后的f(·)用于下游微调任务;
步骤5、在测试阶段,针对C-way、K-shot任务,利用已训练好的编码器网络,对权重图片Q进行分类。
本发明的特点还在于:
步骤1具体为,将给定的输入图像集M作为训练集,将训练集分批次输入到随机数据增强网络S中,随机数据增强网络S对训练集M分批次随机旋转裁剪变换,然后恢复至原始输入图像尺寸大小,在此基础上加入高斯噪声产生新的样本集同时保留原训练集M记作构成注意力权重图像集Q,构成注意力索引图像集K。
步骤2具体按照以下步骤实施:
步骤2.1、使用深度神经编码器网络进行特征映射,该深度神经编码器网络采用SENet架构,此时引入通道注意力机制;
步骤2.2、分别利用深度神经编码器网络f(·)、g(·)对权重图像集Q和索引图像集K进行编码,f(·)学习权重图像集Q的特征表示,记为RQ,g(·)学习索引图像集K的特征表示,记为RK,在训练过程中,将f(·)用于下游微调任务。
步骤3具体按照以下步骤实施:
步骤3.1、同一批次的输入图像经过随机数据增强网络后组成权重图像集Q,其中每一特定的权重图片Q′,在由构成注意力索引图像集K中有唯一对应的索引图片K+,即构成正索引对(Q′,K+),此时除去K+,其他剩余的索引图像K均与该权重图片Q′不相对应,形成一组负样本{K-},构成负索引对(Q′,K-),经过深度神经编码器网络进行特征映射后得到的特征表示仍可以构成正索引对以及同其负索引构成负索引对
步骤3.2、经过编码器网络的特征表示构成正索引对以及一组负样本选择合适的相似度度量函数,通过相似度度量函数S(RQ,RK),度量RQ′与之间的相似程度,其中相似度度量函数S(RQ,RK)选择最大均值差异度量函数:
其中nQ、nK分别表示批次输入时权重图像集Q特征表示RQ、索引图像集K特征表示RK的批次样本数量,k(·)表示核函数,通过核函数将每个样本映射到与核相关联的再生核希尔伯特空间H中;
通过选择高斯核进行计算,进一步将S(RQ,RK)化简为:
S(RQ,RK)=tr(kl)
l是一个矩阵,其元素lij的定义如下:
步骤4中对比预测损失函数L定义如下:
其中,τ为超参数。
步骤5具体为,在测试阶段,给定索引图像集合{K},以及要分类的权重图像Q,针对C-way、K-shot任务,给定利用已训练好的深度神经编码器网络f(·),对权重图片Q进行分类,分类器cf通过对比最相似的权重图像Q与索引图像Ki相匹配,通过相似度度量可以使分类过程无需使用标签,通过度量最大均值差异,分类器Cf函数如下:
本发明的有益效果是:本发明一种基于小样本学习的无标签图像分类方法,通过权重图像和索引图像的相似度度量,经过对比预测训练后使图像分类器能够拥有更好的分类性能。
附图说明
图1是本发明基于小样本学习的无标签图像分类方法的训练流程图;
图2是本发明基于小样本学习的无标签图像分类方法的测试流程图;
图3是本发明步骤2的深度神经编码网络结构图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于小样本学习的无标签图像分类方法,如图1所示,具体按照以下步骤实施:
具体为:给定输入样本集M分批次经过随机数据增强网络S,该网络对样本集M首先进行随机旋转裁剪变换,然后将变换后的样本恢复至原始输入尺寸大小,并在此基础上加入高斯噪声产生新的样本集同时保留原样本集M另记作构成注意力权重图像集Q,构成注意力索引图像集K;
步骤2、利用深度神经编码器网络f(·)、g(·)分别对图像集Q、K进行编码,f(·)学习权重图像集Q的特征表示RQ,g(·)学习索引图像集K的特征表示RK,将训练好后的f(·)用于下游微调任务;
具体按照以下步骤实施:
步骤2.1:如图3所示,使用深度神经编码器网络进行特征映射,该深度神经编码器网络采用SENet架构,该网络架构引入通道注意力机制,通道注意力机制的作用在于让模型能够忽略无关信息从而更进一步关注重点信息,注意力机制的引入可以使模型在训练阶段专注于权重图像集与索引图像集之间的对比表示。通过miniImageNet数据集对该架构进行模型预训练,模型预训练的目的在于使深度神经编码器具备正确的分类能力同时有较强的泛化性能。
步骤2.2:分别使用深度神经编码器网络f(·)、g(·)对进行编码特征提取,f(·)用于学习权重图像集Q的特征表示RQ,与此同时g(·)用于学习索引图像集K的特征表示RK。当模型训练好后,仅将f(·)用于之后的测试任务;
具体按照以下步骤实施:
步骤3.1:给定同一批次的输入图像经过随机数据增强组成权重图像集Q,针对每一特定的权重图片Q′,在由构成的注意力索引图像集K中有唯一对应的索引图片K+,与之构成正索引对(Q′,K+),此时除去K+,索引图像集K中其他剩余与该权重图片Q′不对应的样本,形成一组负样本{K-},构成负索引对(Q′,K-)。经过深度神经编码器网络进行特征映射后得到的特征表示仍可以构成正索引对以及同其负索引构成负索引对
步骤3.2:经过编码器网络的特征表示构成正索引对以及一组负样本选择合适的相似度度量函数,通过相似度度量函数S(RQ,RK),度量RQ′与之间的相似程度。其中相似度度量函数S(RQ,RK)选择最大均值差异度量函数:
其中nQ、nK分别表示批次输入时权重图像集Q特征表示RQ、索引图像集K特征表示RK的批次样本数量,k(·)表示核函数,通过核函数将每个样本映射到与核相关联的再生核希尔伯特空间H中;
最大均值差异度量函数属于非参数度量函数,通过核函数将样本映射到再生核希尔伯特空间,来度量样本间的分布差异。其计算要点在于寻找合适的高维映射核函数,针对不同的应用场景核函数选择也不是固定的,合适的核函数选择有助于计算。本发明通过选择高斯核进行计算,进一步将S(RQ,RK)化简为:
S(RQ,RK)=tr(kl)
l是一个矩阵,其元素lij的定义如下:
所有训练样本集M分批次输入网络进行训练,直至样本集M所有的样本迭代完成,则训练结束。
步骤5、在测试阶段,针对C-way、K-shot任务,利用已训练好的编码器网络,对权重图片Q进行分类;
具体为,如图2所示,在测试阶段,给定索引图像集合{K},以及要分类的权重图像Q,针对C-way、K-shot任务,给定利用已训练好的深度神经编码器网络f(·),对权重图片Q进行分类,分类器Cf通过对比最相似的权重图像Q与索引图像Ki相匹配,通过相似度度量可以使分类过程无需使用标签,通过度量最大均值差异,分类器Cf函数如下:
算法的详细描述如下:
经转换后的两类样本构成注意力权重图像集Q和注意力索引图像集K。注意力索引图像集K中有与该注意力权重图片Q′唯一对应的索引图片K+,构成正索引对(Q′,K+),其他剩余索引图像K与该权重图片Q′无对应关系,构成负索引对(Q′,K-);
再重复从数据集中抽取样本训练模型,直至模型收敛。
其中,本发明涉及的步骤5是该方法的验证过程。
在小样本迁移学习中,通过大量有标注数据训练的深度神经网络泛化水平极其低下。当深度神经网络训练好后用于解决特定图像分类问题,其模型性能十分强劲,但当数据量和标签数大幅下降,甚至数据无标签时,模型训练和测试过程极具挑战。本发明一种基于小样本学习的无标签图像分类方法,通过权重图像和索引图像的相似度度量,经过对比预测训练后使图像分类器能够拥有更好的性能。
Claims (6)
1.一种基于小样本学习的无标签图像分类方法,其特征在于,具体按照以下步骤实施:
步骤2、利用深度神经编码器网络f(·)、g(·)分别对图像集Q、K进行编码,f(·)学习权重图像集Q的特征表示RQ,g(·)学习索引图像集K的特征表示RK,将训练好后的f(·)用于下游微调任务;
步骤5、在测试阶段,针对C-way、K-shot任务,利用已训练好的编码器网络,对权重图片Q进行分类。
3.根据权利要求1所述的一种基于小样本学习的无标签图像分类方法,其特征在于,所述步骤2具体按照以下步骤实施:
步骤2.1、使用深度神经编码器网络进行特征映射,该深度神经编码器网络采用SENet架构,此时引入通道注意力机制;
步骤2.2、分别利用深度神经编码器网络f(·)、g(·)对权重图像集Q和索引图像集K进行编码,f(·)学习权重图像集Q的特征表示,记为RQ,g(·)学习索引图像集K的特征表示,记为RK,在训练过程中,将g(·)用于下游微调任务。
4.根据权利要求1所述的一种基于小样本学习的无标签图像分类方法,其特征在于,所述步骤3具体按照以下步骤实施:
步骤3.1、同一批次的输入图像经过随机数据增强网络后组成权重图像集Q,其中每一特定的权重图片Q′,在由构成注意力索引图像集K中有唯一对应的索引图片K+,即构成正索引对(Q′,K+),此时除去K+,其他剩余的索引图像K均与该权重图片Q′不相对应,形成一组负样本{K-},构成负索引对(Q′,K-),经过深度神经编码器网络进行特征映射后得到的特征表示仍可以构成正索引对以及同其负索引构成负索引对
步骤3.2、经过编码器网络的特征表示构成正索引对以及一组负样本选择合适的相似度度量函数,通过相似度度量函数S(RQ,RK),度量RO′与之间的相似程度,其中相似度度量函数S(RO,RK)选择最大均值差异度量函数:
其中nQ、nK分别表示批次输入时权重图像集Q特征表示RQ、索引图像集K特征表示RK的批次样本数量,k(·)表示核函数,通过核函数将每个样本映射到与核相关联的再生核希尔伯特空间H中;
通过选择高斯核进行计算,进一步将S(RQ,RK)化简为:
S(RO,RK)=tr(kl)
l是一个矩阵,其元素lij的定义如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110149704.5A CN112733965B (zh) | 2021-02-03 | 2021-02-03 | 一种基于小样本学习的无标签图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110149704.5A CN112733965B (zh) | 2021-02-03 | 2021-02-03 | 一种基于小样本学习的无标签图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112733965A true CN112733965A (zh) | 2021-04-30 |
CN112733965B CN112733965B (zh) | 2023-04-07 |
Family
ID=75595435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110149704.5A Active CN112733965B (zh) | 2021-02-03 | 2021-02-03 | 一种基于小样本学习的无标签图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112733965B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114266977A (zh) * | 2021-12-27 | 2022-04-01 | 青岛澎湃海洋探索技术有限公司 | 基于超分辨可选择网络的多auv的水下目标识别方法 |
CN114494782A (zh) * | 2022-01-26 | 2022-05-13 | 北京百度网讯科技有限公司 | 图像处理方法、模型训练方法、相关装置及电子设备 |
CN117218783A (zh) * | 2023-09-12 | 2023-12-12 | 广东云百科技有限公司 | 物联网安全管理系统及方法 |
CN117315380A (zh) * | 2023-11-30 | 2023-12-29 | 深圳市健怡康医疗器械科技有限公司 | 一种基于深度学习的肺炎ct图像分类方法及系统 |
WO2024087331A1 (zh) * | 2022-10-24 | 2024-05-02 | 深圳先进技术研究院 | 一种基于三元组对比网络的机器人抓取预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160093048A1 (en) * | 2014-09-25 | 2016-03-31 | Siemens Healthcare Gmbh | Deep similarity learning for multimodal medical images |
JP2018195270A (ja) * | 2017-05-22 | 2018-12-06 | 日本電信電話株式会社 | 局所特徴表現学習装置、及び方法 |
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 |
WO2019237646A1 (zh) * | 2018-06-14 | 2019-12-19 | 清华大学深圳研究生院 | 一种基于深度学习和语义分割的图像检索方法 |
CN111402259A (zh) * | 2020-03-23 | 2020-07-10 | 杭州健培科技有限公司 | 一种基于多层次结构关系学习网络的脑肿瘤分割方法 |
US20200250398A1 (en) * | 2019-02-01 | 2020-08-06 | Owkin Inc. | Systems and methods for image classification |
CN111625675A (zh) * | 2020-04-12 | 2020-09-04 | 南京理工大学 | 基于注意力机制下特征金字塔的深度哈希图像检索方法 |
CN111695468A (zh) * | 2020-06-01 | 2020-09-22 | 西安电子科技大学 | 一种基于K-shot学习的极化SAR地物分类方法 |
-
2021
- 2021-02-03 CN CN202110149704.5A patent/CN112733965B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160093048A1 (en) * | 2014-09-25 | 2016-03-31 | Siemens Healthcare Gmbh | Deep similarity learning for multimodal medical images |
JP2018195270A (ja) * | 2017-05-22 | 2018-12-06 | 日本電信電話株式会社 | 局所特徴表現学習装置、及び方法 |
WO2019237646A1 (zh) * | 2018-06-14 | 2019-12-19 | 清华大学深圳研究生院 | 一种基于深度学习和语义分割的图像检索方法 |
US20200250398A1 (en) * | 2019-02-01 | 2020-08-06 | Owkin Inc. | Systems and methods for image classification |
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 |
CN111402259A (zh) * | 2020-03-23 | 2020-07-10 | 杭州健培科技有限公司 | 一种基于多层次结构关系学习网络的脑肿瘤分割方法 |
CN111625675A (zh) * | 2020-04-12 | 2020-09-04 | 南京理工大学 | 基于注意力机制下特征金字塔的深度哈希图像检索方法 |
CN111695468A (zh) * | 2020-06-01 | 2020-09-22 | 西安电子科技大学 | 一种基于K-shot学习的极化SAR地物分类方法 |
Non-Patent Citations (3)
Title |
---|
RADHESYAMVADDI ET AL.: "CNN based hyperspectral image classification using unsupervised band selection and structure-preserving spatial features", 《INFRARED PHYSICS & TECHNOLOGY》 * |
徐戈 等: "基于视觉误差与语义属性的零样本图像分类", 《计算机应用》 * |
汪荣贵等: "多级注意力特征网络的小样本学习", 《电子与信息学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114266977A (zh) * | 2021-12-27 | 2022-04-01 | 青岛澎湃海洋探索技术有限公司 | 基于超分辨可选择网络的多auv的水下目标识别方法 |
CN114494782A (zh) * | 2022-01-26 | 2022-05-13 | 北京百度网讯科技有限公司 | 图像处理方法、模型训练方法、相关装置及电子设备 |
CN114494782B (zh) * | 2022-01-26 | 2023-08-08 | 北京百度网讯科技有限公司 | 图像处理方法、模型训练方法、相关装置及电子设备 |
WO2024087331A1 (zh) * | 2022-10-24 | 2024-05-02 | 深圳先进技术研究院 | 一种基于三元组对比网络的机器人抓取预测方法 |
CN117218783A (zh) * | 2023-09-12 | 2023-12-12 | 广东云百科技有限公司 | 物联网安全管理系统及方法 |
CN117315380A (zh) * | 2023-11-30 | 2023-12-29 | 深圳市健怡康医疗器械科技有限公司 | 一种基于深度学习的肺炎ct图像分类方法及系统 |
CN117315380B (zh) * | 2023-11-30 | 2024-02-02 | 深圳市健怡康医疗器械科技有限公司 | 一种基于深度学习的肺炎ct图像分类方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112733965B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112733965B (zh) | 一种基于小样本学习的无标签图像分类方法 | |
Yu et al. | Transmatch: A transfer-learning scheme for semi-supervised few-shot learning | |
Liu et al. | Deep metric transfer for label propagation with limited annotated data | |
Lee et al. | Deep asymmetric multi-task feature learning | |
CN112446423B (zh) | 一种基于迁移学习的快速混合高阶注意力域对抗网络的方法 | |
CN114492574A (zh) | 基于高斯均匀混合模型的伪标签损失无监督对抗域适应图片分类方法 | |
CN111091175A (zh) | 神经网络模型训练方法、分类方法、装置和电子设备 | |
CN112861976B (zh) | 一种基于孪生图卷积哈希网络的敏感图像识别方法 | |
CN113963165A (zh) | 一种基于自监督学习的小样本图像分类方法及系统 | |
CN110188827A (zh) | 一种基于卷积神经网络和递归自动编码器模型的场景识别方法 | |
CN114998602A (zh) | 基于低置信度样本对比损失的域适应学习方法及系统 | |
Xu et al. | Learning a structured dictionary for video-based face recognition | |
Nekhaev et al. | Margin based knowledge distillation for mobile face recognition | |
Zheng et al. | Learning from the web: Webly supervised meta-learning for masked face recognition | |
Lumini et al. | Image orientation detection by ensembles of Stochastic CNNs | |
CN112686305A (zh) | 一种自监督学习辅助下的半监督学习方法及系统 | |
CN109145749B (zh) | 一种跨数据集的面部表情识别模型构建及识别方法 | |
Wang et al. | A convolutional neural network image classification based on extreme learning machine | |
CN116681128A (zh) | 一种带噪多标签数据的神经网络模型训练方法和装置 | |
Chen et al. | Joint visual denoising and classification using deep learning | |
CN113553917B (zh) | 一种基于脉冲迁移学习的办公设备识别方法 | |
Tomar et al. | A Comparative Analysis of Activation Function, Evaluating their Accuracy and Efficiency when Applied to Miscellaneous Datasets | |
Lei et al. | Student action recognition based on multiple features | |
CN115100694A (zh) | 一种基于自监督神经网络的指纹快速检索方法 | |
CN114281985A (zh) | 样本特征空间增强方法及装置 |
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 |