CN112733965B - 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 PDF

Info

Publication number
CN112733965B
CN112733965B CN202110149704.5A CN202110149704A CN112733965B CN 112733965 B CN112733965 B CN 112733965B CN 202110149704 A CN202110149704 A CN 202110149704A CN 112733965 B CN112733965 B CN 112733965B
Authority
CN
China
Prior art keywords
image set
index
weight
training
similarity
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.)
Active
Application number
CN202110149704.5A
Other languages
English (en)
Other versions
CN112733965A (zh
Inventor
刘龙
刘泽宁
黄西平
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.)
Xian University of Technology
Original Assignee
Xian University of 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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN202110149704.5A priority Critical patent/CN112733965B/zh
Publication of CN112733965A publication Critical patent/CN112733965A/zh
Application granted granted Critical
Publication of CN112733965B publication Critical patent/CN112733965B/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
    • 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

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
Figure DDA0002931673920000011
构成注意力索引图像集K，
Figure DDA0002931673920000012
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′，
Figure DDA0002931673920000013
)，以及一组负样本
Figure DDA0002931673920000014
通过相似度度量函数S(RQ，RK)，度量RQ′与
Figure DDA0002931673920000015
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
Figure DDA0002931673920000016
的相似度，同时最小化RQ′与负索引
Figure DDA0002931673920000017
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

一种基于小样本学习的无标签图像分类方法
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1、利用随机数据增强网络S将给定输入图像集M变换产生两个映射集
Figure BDA0002931673900000021
构成注意力索引图像集K，
Figure BDA0002931673900000022
构成注意力权重图像集Q；
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3、经过编码器网络的特征表示构成正索引对
Figure BDA0002931673900000023
以及一组负样本
Figure BDA0002931673900000024
通过相似度度量函数S(RQ，RK)，度量RQ′与
Figure BDA0002931673900000025
之间的相似程度；
步骤4、通过对比预测损失函数L训练，提高RQ与正索引
Figure BDA0002931673900000026
的相似度，同时最小化RQ′与负索引
Figure BDA0002931673900000034
的相似度，当训练样本集M全部迭代完成，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。
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
Figure BDA0002931673900000031
同时保留原训练集M记作
Figure BDA0002931673900000032
构成注意力权重图像集Q，
Figure BDA0002931673900000033
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
Figure BDA0002931673900000041
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
Figure BDA0002931673900000042
以及同其负索引构成负索引对
Figure BDA0002931673900000043
Figure BDA0002931673900000044
步骤3.2、经过编码器网络的特征表示构成正索引对
Figure BDA0002931673900000045
以及一组负样本
Figure BDA0002931673900000046
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
Figure BDA0002931673900000047
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：
Figure BDA0002931673900000048
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)
上式中
Figure BDA0002931673900000051
是一个复合高斯核矩阵，由分别在权重图像集Q，索引图像集K的定义的核矩阵kQ，K、kQ，K、kK，K组成；
l是一个矩阵，其元素lij的定义如下：
Figure BDA0002931673900000052
步骤4中对比预测损失函数L定义如下：
Figure BDA0002931673900000053
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：
Figure BDA0002931673900000061
Figure BDA0002931673900000062
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：
步骤1、利用随机数据增强网络S将给定输入图像集M变换产生两个映射集
Figure BDA0002931673900000063
构成注意力索引图像集K，
Figure BDA0002931673900000064
构成注意力权重图像集Q；
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
Figure BDA0002931673900000065
同时保留原样本集M另记作
Figure BDA0002931673900000071
构成注意力权重图像集Q，
Figure BDA0002931673900000072
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
Figure BDA0002931673900000073
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；
步骤3、经过编码器网络的特征表示构成正索引对
Figure BDA0002931673900000074
以及一组负样本
Figure BDA0002931673900000081
通过相似度度量函数S(RQ，RK),度量RQ′与
Figure BDA0002931673900000082
之间的相似程度；
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
Figure BDA0002931673900000083
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
Figure BDA0002931673900000084
以及同其负索引构成负索引对
Figure BDA0002931673900000085
步骤3.2：经过编码器网络的特征表示构成正索引对
Figure BDA0002931673900000086
以及一组负样本
Figure BDA0002931673900000087
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
Figure BDA0002931673900000088
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:
Figure BDA0002931673900000089
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)
上式中
Figure BDA0002931673900000091
是一个复合高斯核矩阵，由分别在权重图像集Q，索引图像集K的定义的核矩阵kQ，K、kQ，K、kK，K组成；
l是一个矩阵，其元素lij的定义如下：
Figure BDA0002931673900000092
步骤4、通过对比预测损失函数L训练，提高RQ与正索引
Figure BDA0002931673900000093
的相似度，同时最小化RQ′与负索引
Figure BDA0002931673900000094
的相似度，当训练样本集M全部迭代完成，则训练结束；
具体为：通过对比预测损失函数L完成整体网络训练，其训练目的在于达到最大程度的提高权重图片特征表示RQ′与其正索引
Figure BDA0002931673900000101
之间的相似度，同时最小化RQ′与其负索引
Figure BDA0002931673900000102
之间的相似度，其对比预测损失函数L定义如下：
Figure BDA0002931673900000103
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：
Figure BDA0002931673900000104
Figure BDA0002931673900000105
算法的详细描述如下：
从数据集中随机抽取一批样本M，经过随机数据增强网络S，将一批次的输入样本M转化为两类样本
Figure BDA0002931673900000111
和
Figure BDA0002931673900000112
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-)；
如附图2所示，使用深度神经编码器网络对
Figure BDA0002931673900000113
进行编码，分别学习权重图像集Q的特征表示RQ和索引图像集K的特征表示RK；
深度神经编码器网络利用对比预测损失函数展开训练，以期达到最大化RQ与正索引
Figure BDA0002931673900000114
之间的相似度，同时实现RQ与负索引
Figure BDA0002931673900000115
之间的相似度最小化；
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 (5)

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1、利用随机数据增强网络S将给定输入图像集M变换产生两个映射集
Figure FDA0004036568420000011
构成注意力索引图像集K，
Figure FDA0004036568420000012
构成注意力权重图像集Q；
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3、经过编码器网络的特征表示构成正索引对
Figure FDA0004036568420000013
以及一组负样本
Figure FDA0004036568420000014
通过相似度度量函数S(RQ，RK)，度量RQ′与
Figure FDA0004036568420000015
之间的相似程度；
步骤4、通过对比预测损失函数L训练，提高RQ与正索引
Figure FDA0004036568420000016
的相似度，同时最小化RQ′与负索引
Figure FDA0004036568420000017
的相似度，当训练样本集M全部迭代完成，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，对权重图像集Q进行分类；
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讨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
Figure FDA0004036568420000021
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
Figure FDA0004036568420000022
以及同其负索引构成负索引对
Figure FDA0004036568420000023
Figure FDA0004036568420000024
步骤3.2、经过编码器网络的特征表示构成正索引对
Figure FDA0004036568420000025
以及一组负样本
Figure FDA0004036568420000026
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
Figure FDA0004036568420000027
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：
Figure FDA0004036568420000028
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)
上式中
Figure FDA0004036568420000031
是一个复合高斯核矩阵，由分别在权重图像集Q，索引图像集K的定义的核矩阵kQ，K、kQ，K、kK，K组成，
l是一个矩阵，其元素lij的定义如下：
Figure FDA0004036568420000032
2.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
Figure FDA0004036568420000033
同时保留原训练集M记作
Figure FDA0004036568420000034
构成注意力权重图像集Q，
Figure FDA0004036568420000035
构成注意力索引图像集K。
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(t)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。
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4中对比预测损失函数L定义如下：
Figure FDA0004036568420000041
其中，τ为超参数。
5.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集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(·)，对权重图像集Q进行分类，分类器Cf通过对比最相似的权重图像集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：
Figure FDA0004036568420000042
Figure FDA0004036568420000051
CN202110149704.5A 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 Active CN112733965B (zh)

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 CN112733965A (zh) 2021-04-30
CN112733965B true 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)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114266977B (zh) * 2021-12-27 2023-04-07 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
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
CN115519579A (zh) * 2022-10-24 2022-12-27 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
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

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9922272B2 (en) * 2014-09-25 2018-03-20 Siemens Healthcare Gmbh Deep similarity learning for multimodal medical images
US20200250398A1 (en) * 2019-02-01 2020-08-06 Owkin Inc. Systems and methods for image classification

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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)

* Cited by examiner, † Cited by third party
Title
CNN based hyperspectral image classification using unsupervised band selection and structure-preserving spatial features;RadhesyamVaddi et al.;《Infrared Physics & Technology》;20201130;全文 *
基于视觉误差与语义属性的零样本图像分类;徐戈 等;《计算机应用》;20200410;全文 *
多级注意力特征网络的小样本学习;汪荣贵等;《电子与信息学报》;20200315(第03期);全文 *

Also Published As

Publication number Publication date
CN112733965A (zh) 2021-04-30

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
Chen et al. Learning linear regression via single-convolutional layer for visual object tracking
CN111091175A (zh) 神经网络模型训练方法、分类方法、装置和电子设备
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
CN109743642B (zh) 基于分层循环神经网络的视频摘要生成方法
CN113963165A (zh) 一种基于自监督学习的小样本图像分类方法及系统
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
CN111310820A (zh) 基于交叉验证深度cnn特征集成的地基气象云图分类方法
CN113158904B (zh) 一种基于双掩膜模板更新的孪生网络目标跟踪方法及装置
CN113837290A (zh) 一种基于注意力生成器网络的无监督非成对图像翻译方法
Nekhaev et al. Margin based knowledge distillation for mobile face recognition
Lumini et al. Image orientation detection by ensembles of Stochastic CNNs
Zheng et al. Learning from the web: Webly supervised meta-learning for masked face recognition
CN109145749B (zh) 一种跨数据集的面部表情识别模型构建及识别方法
TWI803243B (zh) 圖像擴增方法、電腦設備及儲存介質
CN116665039A (zh) 基于两阶段因果干预的小样本目标识别方法
CN113553917B (zh) 一种基于脉冲迁移学习的办公设备识别方法
CN111695526B (zh) 网络模型生成方法、行人重识别方法及装置
CN115100694A (zh) 一种基于自监督神经网络的指纹快速检索方法
Tomar et al. A Comparative Analysis of Activation Function, Evaluating their Accuracy and Efficiency when Applied to Miscellaneous Datasets
CN114281985A (zh) 样本特征空间增强方法及装置
Yang et al. NAM Net: Meta-network with normalization-based attention for few-shot learning
Pang et al. Target tracking based on siamese convolution neural networks
Li et al. Research on unbalanced training samples based on SMOTE algorithm

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