CN112766354B - 一种基于知识图谱的小样本图片识别方法及系统 - Google Patents
一种基于知识图谱的小样本图片识别方法及系统 Download PDFInfo
- Publication number
- CN112766354B CN112766354B CN202110041403.0A CN202110041403A CN112766354B CN 112766354 B CN112766354 B CN 112766354B CN 202110041403 A CN202110041403 A CN 202110041403A CN 112766354 B CN112766354 B CN 112766354B
- Authority
- CN
- China
- Prior art keywords
- graph
- training
- picture
- neural network
- knowledge
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 93
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000013100 final test Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000012800 visualization Methods 0.000 claims 1
- 238000013508 migration Methods 0.000 description 12
- 230000005012 migration Effects 0.000 description 12
- 238000012360 testing method Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 241000282326 Felis catus Species 0.000 description 3
- 101100455978 Arabidopsis thaliana MAM1 gene Proteins 0.000 description 2
- 241000282376 Panthera tigris Species 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
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
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于知识图谱的小样本图片识别方法及系统,包括:获取包含训练图片集中所有种类标签的知识图谱,通过图神经网络对知识图谱进行特征提取,得到知识图谱的节点特征,通过求和网络对节点特征和训练图片集的均值特征进行求和处理,得到各组训练图片集的最终训练特征;以与最终测试特征相似度最高的最终训练特征对应种类标签为训练图片集的识别结果,并以训练图片集的类别标签作为训练目标,优化更新卷积神经网络、图神经网络和求和网络,保存当前卷积神经网络、图神经网络和求和网络作为图片识别模型;将待识别图片输入图片识别模型,得到待识别图片的种类作为图片识别结果。
Description
技术领域
本发明涉及机器学习人工智能技术领域,并特别涉及一种基于知识图谱的小样本图片识别方法及系统。
背景技术
关于小样本分类问题已经研究了很多年,大体上可以分为两大类,基于度量学习的方法、基于优化的方法。
度量学习的方法基于度量距离函数,学习一个公共特征空间,在该特征空间中可以区分类别。最具有代表性的就是原型网络,如图1所示,我们有少量带标签的训练样本用不同灰度表示,以及一个测试样本,用白色表示,对于训练样本,每一个类别计算一个原型,也就是用属于同一类的所有样本的特征求平均,得到每个类别的原型,距离测试样本最近的原型的类别就是预测的测试样本的类别,原文中使用欧式距离。其他类似的方法还有匹配网络、关系网络等等。
基于优化的方法设计一种优化器作为元学习器或者学习一个好的初始化。设计一种优化器最为出名的方法就是Meta-LSTM,如图2所示,将每次训练的样本等信息输入一个LSTM,该LSTM的输出作为模型梯度的更新。MAML是学习一个好的初始化最具代表性的方法,思想如图3所示,不同的任务有不同的更新方法,使用多个任务梯度共同的方向作为公共参数的更新方向。
上述几个经典的少样本学习的方法,这些方法有个共同的假设,所有样本都符合独立同分布的假设。但真实场景中,通常会从不同的渠道搜集样本,这样导致属于同一个类的少数几个样本也有可能来自不同的分布(数据偏移问题),这样直接训练分类器容易导致分类错误,如图4所示。在图4(a)中,一个二分类任务,训练集包含两个样本,一个卡通猫和一个卡通老虎,测试样本为一个卡通猫,都是卡通图片,很容易将测试集分类正确。再看图(b),训练集是一个卡通猫和一个真实老虎,测试集是一个真实猫,这样更容易将测试集分类错误。
发明内容
本发明致力于解决少样本分类中的数据偏移问题。分类问题吸引了大量研究者的注意,训练一个好的分类器通常需要大量带标签的数据,在现实的应用中,获得带标签数据需要耗费大量人力物力。我们是否可以使用少量样本学习一个好的分类器,这就是少样本学习问题。已经有大量关于小样本学习的研究,但是这些研究通常假设少量训练样本是独立同分布的。事实上,这个条件很难满足,数据偏移在很多场景都存在,比如ImageNet数据集,实际上它的数据通过不同的渠道搜集,这个数据集内部就存在数据偏移,而该数据集通常用来测试小样本学习方法的效果。所以当小样本学习问题中,少量训练样本来自不同的数据分布,这样学习得到的分类器效果不令人满意。本发明致力于避免数据偏移对小样本学习性能的影响。
现有的少样本学习大多没有考虑少量样本中存在数据偏移的情况,但是真实场景中,数据往往存在数据偏移。另外本发明还提出了图原型网络,引入了不受数据偏移的知识图谱来缓解数据偏移的影响。
针对现有技术的不足,本发明提出一种基于知识图谱的小样本图片识别方法,其中包括:
步骤1、获取具有类别标签的多组训练图片集,每组训练图片集具有其对应种类标签,通过该卷积神经网络提取该训练图片集中每一张训练图片的特征,根据训练图片集中图片总数,求和训练图片的特征并求平均,得到每组训练图片集的均值特征;
步骤2、获取包含训练图片集中所有种类标签的知识图谱,通过图神经网络对该知识图谱进行特征提取,得到该知识图谱的节点特征,通过求和网络对该均值特征和该节点特征进行求和处理,得到各组训练图片集的最终训练特征;
步骤3、以与该最终测试特征相似度最高的最终训练特征对应种类标签为训练图片集的识别结果,并以训练图片集的类别标签作为训练目标,优化更新该卷积神经网络、该图神经网络和该求和网络,保存当前该卷积神经网络、该图神经网络和该求和网络作为图片识别模型;
步骤5、将待识别图片输入该图片识别模型,得到该待识别图片的种类作为图片识别结果。
所述的基于知识图谱的小样本图片识别方法,其中该步骤2包括:
使用词向量作为图神经网络中节点的初始化,并通过图神经网络对经过初始化的知识图谱进行特征提取,得到该知识图谱的节点特征。
所述的基于知识图谱的小样本图片识别方法,其中该步骤3包括采用交叉熵函数作为优化函数,优化更新该卷积神经网络、该图神经网络和该求和网络。
所述的基于知识图谱的小样本图片识别方法,其中从可视化数据库ImageNet中获取该知识图谱。
本发明还提出了一种基于知识图谱的小样本图片识别系统,其中包括:
模块1,用于获取具有类别标签的多组训练图片集,每组训练图片集具有其对应种类标签,通过卷积神经网络提取该训练图片集中每一张训练图片的特征,根据训练图片集中图片总数,求和训练图片的特征并求平均,得到每组训练图片集的均值特征;
模块2,用于获取包含训练图片集中所有种类标签的知识图谱,通过图神经网络对该知识图谱进行特征提取,得到该知识图谱的节点特征,通过求和网络对该均值特征和该节点特征进行求和处理,得到各组训练图片集的最终训练特征;
模块3,用于以与该最终测试特征相似度最高的最终训练特征对应种类标签为训练图片集的识别结果,并以训练图片集的类别标签作为训练目标,优化更新该卷积神经网络、该图神经网络和该求和网络,保存当前该卷积神经网络、该图神经网络和该求和网络作为图片识别模型;
模块5,用于将待识别图片输入该图片识别模型,得到该待识别图片的种类作为图片识别结果。
所述的基于知识图谱的小样本图片识别系统,其中该模块2包括:
使用词向量作为图神经网络中节点的初始化,并通过图神经网络对经过初始化的知识图谱进行特征提取,得到该知识图谱的节点特征。
所述的基于知识图谱的小样本图片识别系统,其中该模块3包括采用交叉熵函数作为优化函数,优化更新该卷积神经网络、该图神经网络和该求和网络。
所述的基于知识图谱的小样本图片识别系统,其中从可视化数据库ImageNet中获取该知识图谱。
由以上方案可知,本发明的优点在于:
本发明实现了数据偏移下的少样本学习。为了实现此技术效果,我们引入知识图谱,提出了图原型网络。本发明可以广泛应用于不听的真实场景,我们在ImageNet以及Office-Home数据都取得了不错的效果。
附图说明
图1为原型网络图;
图2为Meta-LSTM网络图;
图3为MAML网络图;
图4为数据偏移下的少样本分类示意图;
图5为引入额外的知识后的少样本分类示意图;
图6为本发明流程图。
具体实施方式
现有少样本分类的方法都不能很好地解决数据偏移问题,数据偏移会使得它们的效果大幅度下降。在小样本学习中的数据偏移,主要的问题在于不知道数据来自什么领域,也就是没有明确的领域标签,不能适用常规的领域自适应的方法。所以需要引入不受领域信息干扰的额外知识图谱的知识。本发明使用知识图谱学习task-shared的表示,该表示是不受数据偏移影响的,这样可以将从图片中学习到的表示进一步校准,从而使得分类正确。
本发明包括以下关键点:
关键点1,提出了数据偏移下的少样本问题,训练样本来自不同的数据分布,导致很难从少量样本直接学习分类器。
关键点2,为了解决数据偏移下的少样本问题,本发明引入知识图谱,提出了图原型网络。
为让本发明的上述特征和效果能阐述的更明确易懂,下文特举实施例,并配合说明书附图作详细说明如下。
图6是图原型网络(GPN)的结构,训练采用元学习meta-learning的训练方式,每一批为一个任务,一个任务是一个少样本分类任务,比如N-wayK-shot任务,每一批包含任意N个类,每个类有K个样本作为训练样本,另外还有任意个数样本作为该任务中的测试样本。
GPN的左侧输入训练样本,对于每个类计算一个类原型,设Sn为包含类别n的样本集合,x表示一个样本经过卷积神经网络CNN之后的特征,y表示类标签,一个类的原型定义如下:
因为x来自不同分布,从样本中学到的表示是受到数据偏移影响的,不同任务中同一个类的原型也可能因为样本的不同而有差异,所以这种类原型是任务特殊的,我们记作均值特征
GPN的右侧输入是从知识图谱中学习到的知识,这里我们使用可视化数据库ImageNet的知识图谱,包含30K个节点,可以覆盖大多数类别。使用词向量word vector作为节点的初始化。使用图神经网络GCN进行知识图谱上的学习。图上的知识,可以从训练集的类别向测试集的类别迁移,如图中箭头所示。最终从知识图谱学习到的类的表示是不受数据偏移影响的,换句话说不同任务中该表示是相同的,我们记作
最终类的表示(原型)由任务共享的和任务特殊的两部分组成,记作:
对测试样本进行预测使用如下公式:
上式中d(,)使用欧式距离,f()表示卷积神经网络。优化函数采用标准的交叉熵进行优化。
以下为与上述方法实施例对应的系统实施例,本实施方式可与上述实施方式互相配合实施。上述施方式中提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在上述实施方式中。
本发明还提出了一种基于知识图谱的小样本图片识别系统,其中包括:
模块1,用于获取具有类别标签的多组训练图片集,每组训练图片集具有其对应种类标签,通过卷积神经网络提取该训练图片集中每一张训练图片的特征,根据训练图片集中图片总数,求和训练图片的特征并求平均,得到每组训练图片集的均值特征;
模块2,用于获取包含训练图片集中所有种类标签的知识图谱,通过图神经网络对该知识图谱进行特征提取,得到该知识图谱的节点特征,通过求和网络对该均值特征和该节点特征进行求和处理,得到各组训练图片集的最终训练特征;
模块3,用于以与该最终测试特征相似度最高的最终训练特征对应种类标签为训练图片集的识别结果,并以训练图片集的类别标签作为训练目标,优化更新该卷积神经网络、该图神经网络和该求和网络,保存当前该卷积神经网络、该图神经网络和该求和网络作为图片识别模型;
模块5,用于将待识别图片输入该图片识别模型,得到该待识别图片的种类作为图片识别结果。
所述的基于知识图谱的小样本图片识别系统,其中该模块2包括:
使用词向量作为图神经网络中节点的初始化,并通过图神经网络对经过初始化的知识图谱进行特征提取,得到该知识图谱的节点特征。
所述的基于知识图谱的小样本图片识别系统,其中该模块3包括采用交叉熵函数作为优化函数,优化更新该卷积神经网络、该图神经网络和该求和网络。
所述的基于知识图谱的小样本图片识别系统,其中从可视化数据库ImageNet中获取该知识图谱。
Claims (6)
1.一种基于知识图谱的小样本图片识别方法,其特征在于,包括:
步骤1、获取具有类别标签的多组训练图片集,每组训练图片集具有其对应种类标签,通过卷积神经网络提取该训练图片集中每一张训练图片的特征,根据训练图片集中图片总数,求和训练图片的特征并求平均,得到每组训练图片集的均值特征;
步骤2、获取包含训练图片集中所有种类标签的知识图谱,通过图神经网络对该知识图谱进行特征提取,得到该知识图谱的节点特征,通过求和网络对该均值特征和该节点特征进行求和处理,得到各组训练图片集的最终训练特征;
步骤3、以与该最终测试特征相似度最高的最终训练特征对应种类标签为训练图片集的识别结果,并以训练图片集的类别标签作为训练目标,优化更新该卷积神经网络、该图神经网络和该求和网络,保存当前该卷积神经网络、该图神经网络和该求和网络作为图片识别模型;
步骤5、将待识别图片输入该图片识别模型,得到该待识别图片的种类作为图片识别结果;
其中该步骤2包括:
使用词向量作为图神经网络中节点的初始化,并通过图神经网络对经过初始化的知识图谱进行特征提取,得到该知识图谱的节点特征。
2.如权利要求1所述的基于知识图谱的小样本图片识别方法,其特征在于,该步骤3包括采用交叉熵函数作为优化函数,优化更新该卷积神经网络、该图神经网络和该求和网络。
3.如权利要求1所述的基于知识图谱的小样本图片识别方法,其特征在于,从可视化数据库ImageNet中获取该知识图谱。
4.一种基于知识图谱的小样本图片识别系统,其特征在于,包括:
模块1,用于获取具有类别标签的多组训练图片集,每组训练图片集具有其对应种类标签,通过卷积神经网络提取该训练图片集中每一张训练图片的特征,根据训练图片集中图片总数,求和训练图片的特征并求平均,得到每组训练图片集的均值特征;
模块2,用于获取包含训练图片集中所有种类标签的知识图谱,通过图神经网络对该知识图谱进行特征提取,得到该知识图谱的节点特征,通过求和网络对该均值特征和该节点特征进行求和处理,得到各组训练图片集的最终训练特征;
模块3,用于以与该最终测试特征相似度最高的最终训练特征对应种类标签为训练图片集的识别结果,并以训练图片集的类别标签作为训练目标,优化更新该卷积神经网络、该图神经网络和该求和网络,保存当前该卷积神经网络、该图神经网络和该求和网络作为图片识别模型;
模块5,用于将待识别图片输入该图片识别模型,得到该待识别图片的种类作为图片识别结果;
其中该模块2包括:
使用词向量作为图神经网络中节点的初始化,并通过图神经网络对经过初始化的知识图谱进行特征提取,得到该知识图谱的节点特征。
5.如权利要求4所述的基于知识图谱的小样本图片识别系统,其特征在于,该模块3包括采用交叉熵函数作为优化函数,优化更新该卷积神经网络、该图神经网络和该求和网络。
6.如权利要求4所述的基于知识图谱的小样本图片识别系统,其特征在于,从可视化数据库ImageNet中获取该知识图谱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110041403.0A CN112766354B (zh) | 2021-01-13 | 2021-01-13 | 一种基于知识图谱的小样本图片识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110041403.0A CN112766354B (zh) | 2021-01-13 | 2021-01-13 | 一种基于知识图谱的小样本图片识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766354A CN112766354A (zh) | 2021-05-07 |
CN112766354B true CN112766354B (zh) | 2023-11-24 |
Family
ID=75700048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110041403.0A Active CN112766354B (zh) | 2021-01-13 | 2021-01-13 | 一种基于知识图谱的小样本图片识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766354B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116386148B (zh) * | 2023-05-30 | 2023-08-11 | 国网江西省电力有限公司超高压分公司 | 基于知识图谱引导的小样本动作识别方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934261A (zh) * | 2019-01-31 | 2019-06-25 | 中山大学 | 一种知识驱动参数传播模型及其少样本学习方法 |
CN112183620A (zh) * | 2020-09-27 | 2021-01-05 | 中国科学院自动化研究所 | 基于图卷积神经网络的小样本分类模型的发育方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10956817B2 (en) * | 2018-04-18 | 2021-03-23 | Element Ai Inc. | Unsupervised domain adaptation with similarity learning for images |
-
2021
- 2021-01-13 CN CN202110041403.0A patent/CN112766354B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934261A (zh) * | 2019-01-31 | 2019-06-25 | 中山大学 | 一种知识驱动参数传播模型及其少样本学习方法 |
CN112183620A (zh) * | 2020-09-27 | 2021-01-05 | 中国科学院自动化研究所 | 基于图卷积神经网络的小样本分类模型的发育方法及系统 |
Non-Patent Citations (2)
Title |
---|
Combat Data Shift in Few-shot Learning with Knowledge Graph;Yongchun Zhu;《arxiv-cs》;20210127;全文 * |
Deep Subdomain Adaptation Network for Image Classification;Yongchun Zhu;《IEEE Transactions on Neural Networks and Learning Systems》;20200504;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112766354A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110956185B (zh) | 一种图像显著目标的检测方法 | |
Volpi et al. | Generalizing to unseen domains via adversarial data augmentation | |
CN110909820B (zh) | 基于自监督学习的图像分类方法及系统 | |
CN106960214B (zh) | 基于图像的物体识别方法 | |
CN111476315B (zh) | 一种基于统计相关性与图卷积技术的图像多标签识别方法 | |
Tuia et al. | Recent advances in domain adaptation for the classification of remote sensing data | |
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 | |
CN113076994B (zh) | 一种开集域自适应图像分类方法及系统 | |
CN112347970B (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
CN110210468B (zh) | 一种基于卷积神经网络特征融合迁移的文字识别方法 | |
CN113469186B (zh) | 一种基于少量点标注的跨域迁移图像分割方法 | |
CN110619059B (zh) | 一种基于迁移学习的建筑物标定方法 | |
CN111079847B (zh) | 一种基于深度学习的遥感影像自动标注方法 | |
CN113761259A (zh) | 一种图像处理方法、装置以及计算机设备 | |
CN112766334A (zh) | 一种基于伪标签域适应的跨域图像分类方法 | |
CN111581368A (zh) | 一种基于卷积神经网络的面向智能专家推荐的用户画像方法 | |
CN111461323B (zh) | 一种图像识别方法及装置 | |
CN115410088A (zh) | 一种基于虚拟分类器的高光谱图像领域自适应方法 | |
CN114548256A (zh) | 一种基于对比学习的小样本珍稀鸟类识别方法 | |
CN114863091A (zh) | 一种基于伪标签的目标检测训练方法 | |
CN113065409A (zh) | 一种基于摄像分头布差异对齐约束的无监督行人重识别方法 | |
CN112766354B (zh) | 一种基于知识图谱的小样本图片识别方法及系统 | |
CN114357221A (zh) | 一种基于图像分类的自监督主动学习方法 | |
CN116910571B (zh) | 一种基于原型对比学习的开集域适应方法及系统 | |
CN114140645A (zh) | 基于改进自监督特征学习的摄影图像美学风格分类方法 |
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 |