CN112949658A - 一种具有稳定性能的深度学习方法 - Google Patents
一种具有稳定性能的深度学习方法 Download PDFInfo
- Publication number
- CN112949658A CN112949658A CN202110258971.6A CN202110258971A CN112949658A CN 112949658 A CN112949658 A CN 112949658A CN 202110258971 A CN202110258971 A CN 202110258971A CN 112949658 A CN112949658 A CN 112949658A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- training
- batch
- learning network
- input
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种具有稳定性能的深度学习方法,属于深度学习技术领域。该方法获取带有标注的图片数据集作为训练数据集,构建一个由深度特征提取器和分类器构成的深度学习网络;从训练数据集中随机选取一个批次的样本输入该网络,其中深度特征提取器输出该批次样本的原始特征并经过随机傅立叶特征变换后得到对应随机傅立叶表征矩阵;利用随机傅立叶表征矩阵对原始特征进行独立性检测,训练得到各样本对应权重;利用该权重对当前网络的预测损失值进行重加权后得到最终训练损失值并更新网络参数,直至深度学习网络训练结束。本发明可应用到存在跨分布问题的图片识别系统及目标检测系统中,解决由于训练数据与测试数据分布偏移产生的准确率下降问题。
Description
技术领域
本发明属于图像识别、物体检测等技术领域,特别提出一种具有稳定性能的深度学习方法。
背景技术
目前深度学习在很多研究领域特别是计算机视觉领域(如图像识别,物体检测等技术领域)取得了前所未有的进展,比如残差卷积网络可以大大提高计算机视觉识别系统对图像的识别准确率,基于区域的卷积网络可以大大提高目标检测系统的准确率等等。很多基于深度学习的计算机视觉技术已远远超过传统方法。
而大部分当前的机器学习和深度学习算法都假设训练数据和测试数据满足独立同分布的性质,并在这种假设下取得了非常好的效果。但是在现实应用中测试数据的分布往往与训练数据不同,极易导致这些算法的准确率显著下降。在应用到真实场景的视觉分类系统,比如物体识别系统中,当目标图片来源并不明确或实际数据在模型训练阶段难以获取时,训练数据和测试数据之间往往会出现分布偏移,一般的深度模型的识别准确率会明显下降甚至完全失去识别能力。比如在图片分类任务中,如果在训练数据中狗通常在室内,而在测试数据中狗经常出现在沙滩上,则一般的深度模型很可能无法准确识别。
部分现有方法使用域适应技术改变训练数据的分布使其与测试数据分布趋于相同,而在实际应用中测试数据的信息往往难以获得。另外一些新的域泛化算法试图不使用测试数据而仅使用训练数据训练出具有泛化能力的深度模型,如Muandet等人提出的DG方法。这些算法需要训练数据具有明确并已标注的域类别的标签,而大部分现有数据集并不存在明显可分的分布多样性或其不易标注。比如对于一个从互联网收集的图片分类数据集,由于图片中可能涉及的视觉元素(如不同颜色、纹理、亮度等等)往往比较复杂,导致训练集的分布也较为复杂,制定域划分的标准也就非常困难。
在机器学习领域,有一些方法使用样本重加权的方法增强模型的泛化能力,但这些方法均针对线性模型或离散特征,所以目前针对非线性深度模型的连续特征的样本重加权是一个主要的挑战点。
发明内容
本发明的目的是为了克服已有技术的不足之处,提出一种具有稳定性能的深度学习方法。本发明可以提高深度模型跨分布泛化的能力;本发明不需要任何有关测试数据的信息以及训练数据上的分布标注即可完成训练;另外,本发明可以在平方开销下消除深度特征间的线形和非线性相关性。本发明可以应用到存在跨分布问题的图片识别系统以及目标检测系统中,解决由于训练数据与测试数据分布偏移产生的准确率下降问题。
本发明一种具有稳定性能的深度学习方法,其特征在于,该方法首先获取用于分类任务的图片数据集训练数据集并构建一个由深度特征提取器和分类器构成的深度学习网络;从训练数据集中随机选取一个批次的样本输入该网络,其中深度特征提取器输出该输入批次样本的原始特征并经过随机傅立叶特征变换后得到对应的随机傅立叶表征矩阵;利用随机傅立叶表征矩阵对原始特征进行独立性检测,训练得到输入批次各样本的对应权重;利用该权重对当前网络的预测损失值进行重加权后得到修正后的最终训练损失值并更新网络参数,直至深度学习网络训练结束,得到训练完毕的深度学习网络。该方法包括以下步骤:
1)获取训练数据集;
获取带有标注的可用于分类任务的图片数据集作为训练数据集,训练数据集中的每个训练样本包含图片和该图片对应的分类标签;
2)构建深度学习网络:
所述深度学习网络由深度特征提取器g和分类器f构成;深度特征提取器的输入是待分类的图片,输出为输入图片对应的深度视觉特征;分类器的输入为由特征提取器获取的深度视觉特征,输出为输入图片对应的分类结果;
3)从训练数据集中随机选取一个批次的样本作为当前深度学习网络的输入(X,Y),其中X代表该批次中所有图片组成的矩阵,Y代表该批次中所有图片对应的分类标签所组成的矩阵;
首先将X输入到当前深度学习网络中的深度特征提取器g中提取所有输入图片的视觉特征作为原始特征Z,然后将原始特征Z通过分类器f得到该深度学习网络输出的对应该输入批次图片的分类预测结果矩阵Y’,同时将该原始特征Z通过随机傅立叶特征变换RFF得到输入批次图片的随机傅立叶表征矩阵;
4)计算步骤3)所得到的输入批次图片分类标签的预测结果矩阵Y’与该批次图片分类标签矩阵Y的交叉熵,得到当前深度学习网络的预测损失值,该预测损失值包含该批次中每个训练本对应的预测损失值;
5)使用步骤3)得到的输入批次图片的随机傅立叶表征矩阵对原始特征Z进行独立性检测,将各维随机傅立叶表征的相关性作为训练损失L(w),训练得到该批次各样本对应的样本权重,其中该批次中每个样本权重初始值均设为1,训练损失函数表达式如下:
其中w为样本权重,wi为第i个样本的权重,n为输入批次中图片的数量,mZ为每张图片对应的原始深度特征的维度,Z为原始深度特征,u、v为随机傅立叶特征映射;
6)使用步骤5)得到的样本权重与步骤4)得到的预测损失值中每个样本的预测损失值进行按位相乘,最终得到当前深度学习网络的最终训练损失值;
7)使用步骤6)的结果对当前深度学习网络进行梯度反向传播更新深度特征提取器与分类器的参数,得到更新后的当前深度学习网络;
8)重复步骤2)至7),直至深度学习网络训练结束,得到训练完毕的深度学习网络,深度学习完成。
本发明的特点及有益效果:
现有的深度学习模型往往根据模型在训练数据上的预测结果计算仅针对训练数据的训练损失,并通过优化网络使经验错误风险降到最低(empirical riskminimization)。所以当测试数据与训练数据出现分布偏移时,这些深度学习方法的准确率往往会大幅下降。
为了实现当训练数据与测试数据出现分布偏移时的稳定预测,本发明首先去除深度特征间的统计关联以找到真正有辨别能力的视觉特征。本发明使用随机傅立叶特征将深度特征映射至在高斯分布中随机采样的傅立叶特征空间,然后消除新特征空间中特征的线形相关性即可保证原特征的严格独立性。这个操作过程只需要特征维度的平方时间开销。
本发明能够提供一个可以使用任何数据分布偏移的鲁棒模型的训练方法,在不需要对训练数据的分布进行标注的情况下使深度模型在预先完全未知的实际测试数据上获得稳定的预测准确率。对于一些无法预先获取实际应用数据或测试数据信息的应用场景(如测试数据未知的物体识别或图片分类等)本发明可以保证在已有训练数据上训练的模型可以直接迁移到测试环境中,并取得稳定的测试准确率。
本发明可以应用到存在跨分布问题的图片识别系统以及目标检测系统中,解决由于训练数据与测试数据分布偏移产生的准确率下降问题。保证深度学习模型在出现分布偏移问题时依然有较高的准确性和鲁棒性,可以为多种需要高稳定性的应用(如医疗识别系统,安全识别系统等)提高系统可信度。
附图说明
图1是本发明方法的整体流程图。
具体实施方式
本发明提出一种具有稳定性能的深度学习方法,下面结合附图和具体实施例对本发明进一步详细说明如下。
本发明提出一种具有稳定性能的深度学习方法,整体流程如图1所示,包括以下步骤:
1)获取训练数据集;
获取带有标注的可用于分类任务的图片数据集作为训练数据集,训练数据集中的每个训练样本包含图片和该图片对应的分类标签。训练数据中存在的异质性越强,本方法效果越好。
2)构建深度学习网络:
本发明的深度学习网络由深度特征提取器g(采用卷积网络)和分类器f构成。深度特征提取器的输入是训练或测试图片,输出为输入图片对应的深度视觉特征;分类器的输入为由特征提取器获取的深度视觉特征,输出为输入图片对应的分类结果。对该深度学习网络进行初始化,该深度学习网络的初始参数可以随机生成也可利用在ImageNet上预训练的参数,将初始化后的深度学习网络作为当前深度学习网络。
3)从训练数据集中随机选取一个批次的样本作为当前深度学习网络的输入(X,Y),其中X代表该批次中所有图片组成的矩阵,Y代表该批次中所有图片对应的分类标签所组成的矩阵。
首先将X输入到当前深度学习网络中的深度特征提取器g中提取所有输入图片的视觉特征作为原始特征Z,然后将原始特征Z通过分类器f得到该深度学习网络输出的对应该输入批次图片的分类预测结果矩阵Y’,同时将该原始特征Z通过随机傅立叶特征变换RFF得到输入批次图片的随机傅立叶表征矩阵,该随机傅立叶表征矩阵的尺寸是原始特征Z尺寸的整数倍(在实际应用中为3倍)。
4)计算步骤3)所得到的输入批次图片分类标签的预测结果矩阵Y’与该批次图片分类标签矩阵Y的交叉熵,得到当前深度学习网络的预测损失值,该预测损失值包含该批次中每个训练本对应的预测损失值。
5)使用步骤3)得到的输入批次图片的随机傅立叶表征矩阵对原始特征Z进行独立性检测,将各维随机傅立叶表征的相关性作为训练损失(即L(w))训练得到该批次对应的一组样本权重(该批次中每个样本权重初始值均设为1),训练的优化目标是让各维的傅立叶表征都独立(使得L(w)尽量小),具体的损失函数如式(1)所示。当达到训练轮数上限(实际实现设为20轮)或L(w)足够小(小于0.00001)时即可停止训练,得到训练完毕的样本权重。使用这组训练得到的样本权重对该批次样本进行加权可使得原特征空间中各维特征严格独立(包括线性独立和非线性独立)。
其中w为样本权重,wi为第i个样本对应的样本权重,n为输入批次中图片的数量,mZ为每张图片对应的原始深度特征的维度,Z为原始深度特征,u、v为随机傅立叶特征映射。
6)得到的预测损失值中每个样本的预测损失值进行按位相乘(重加权),最终得到当前深度学习网络的最终训练损失值。
7)使用步骤6)的结果对当前深度学习网络进行梯度反向传播更新深度特征提取器与分类器的参数,得到更新后的当前深度学习网络。
8)重复步骤2)至7),直至深度学习网络训练结束(达到训练轮数上限),得到训练完毕的深度学习网络,深度学习完成。
对于与训练数据有分布偏移的测试数据,以此训练的深度模型可以有效泛化,当前深度学习网可直接在未知且有分布偏移的数据上完成稳定预测。在测试当前深度学习网络时仅需要直接将原始深度特征输入分类器得到预测结果即可,不需要对其进行随机傅立叶变换与样本重加权操作。
下面结合一个实施例对本发明进一步详细说明如下。
本发明的一个实施例以在训练数据与测试数据存在分布偏移的标杆数据集NICO上的实际应用为例。
本实施例提出一种具有稳定性能的深度学习方法,包括以下步骤:
1)获取训练数据:
本实施例使用NICO数据集作为训练数据集,训练数据集中的每个训练样本包含图片和该图片对应的分类标签。NICO数据集的训练数据存在存在明确异质性,训练样本数为25000。
2)构建深度学习网络:
在本实例中选取ResNet18为深度特征提取器g,线形分类器为分类器g。深度特征提取器的输入是训练或测试图片,输出为该输入图片对应的深度视觉特征;分类器的输入为由特征提取器获取的深度视觉特征,输出为输入图片对应的分类结果。该深度学习网络的初始参数均为随机生成,,将初始化后的深度学习网络作为当前深度学习网络。
3)从训练数据集中随机选取一个批次(256个)的样本作为当前深度学习网络的输入(X,Y),其中X代表该批次中所有图片组成的矩阵,Y代表该批次中所有图片对应的分类标签所组成的矩阵。
首先将X输入到当前深度学习网络中的深度特征提取卷机网络g提取图片的视觉特征作为原始特征Z,然后将原始特征Z通过分类器f得到该深度学习网络输出的对应该输入批次图片的分类预测结果矩阵Y’。同时将该原始特征Z通过随机傅立叶特征变换RFF得到输入批次图片的随机傅立叶表征矩阵,该矩阵的尺寸是原始特征Z尺寸的3倍。
4)计算步骤3)所得到的输入批次图片分类标签的预测结果Y’与该批次图片实际类别标签Y的交叉熵得到当前深度学习网络的预测损失值。
5)使用步骤3)得到的输入批次图片的随机傅立叶表征对原始特征Z进行独立性检测,将各维随机傅立叶表征的相关性作为训练损失(即L(w))训练得到该批次对应的一组样本权重(样本权重初始值均设为1),训练的优化目标是让各维的傅立叶表征都独立(使得L(w)尽量小),具体的损失函数如公式1所示。当达到训练轮数上限(20轮)即可停止训练。使用这组训练得到的权重对该批次样本进行加权可使得原特征空间中各维特征严格独立(包括线性独立和非线性独立)。
其中w为样本权重,wi为第i个样本对应的样本权重,n为输入批次中图片的数量,mZ为每张图片对应的原始深度特征的维度,Z为原始深度特征,u、v为随机傅立叶特征映射。
6)使用步骤5)学习得到的样本权重与步骤4)得到的预测损失值中每个样本的预测损失值进行按位相乘(重加权),最终得到当前深度学习网络的最终训练损失值。
7)使用步骤6)的结果对当前深度学习网络进行梯度反向传播更新深度特征提取器与分类器的参数,得到更新后的当前深度学习网络。
8)重复步骤2)至7),直至深度学习网络训练结束(90轮),得到训练完毕的深度学习网络,深度学习完成。
以此训练的深度学习网络在测试当前深度学习网络时仅需要直接将原始深度特征输入分类器得到预测结果即可,不需要对再对原始深度特征进行随机傅立叶变换与样本重加权操作。在与训练数据存在分布偏移的NICO测试集上测试的准确率为58.84%,基线模型(经典ResNet18网络)的测试准确率为51.41%,可得到7.43%的准确率提升,证明本发明在分布偏移存在时提高泛化能力的有效性。
Claims (3)
1.一种具有稳定性能的深度学习方法,其特征在于,该方法首先获取用于分类任务的图片数据集训练数据集并构建一个由深度特征提取器和分类器构成的深度学习网络;从训练数据集中随机选取一个批次的样本输入该网络,其中深度特征提取器输出该输入批次样本的原始特征并经过随机傅立叶特征变换后得到对应的随机傅立叶表征矩阵;利用随机傅立叶表征矩阵对原始特征进行独立性检测,训练得到输入批次各样本的对应权重;利用该权重对当前网络的预测损失值进行重加权后得到修正后的最终训练损失值并更新网络参数,直至深度学习网络训练结束,得到训练完毕的深度学习网络。
2.如权利要求1所述的方法,其特征在于,该方法包括以下步骤:
1)获取训练数据集;
获取带有标注的可用于分类任务的图片数据集作为训练数据集,训练数据集中的每个训练样本包含图片和该图片对应的分类标签;
2)构建深度学习网络:
所述深度学习网络由深度特征提取器g和分类器f构成;深度特征提取器的输入是待分类的图片,输出为输入图片对应的深度视觉特征;分类器的输入为由特征提取器获取的深度视觉特征,输出为输入图片对应的分类结果;
3)从训练数据集中随机选取一个批次的样本作为当前深度学习网络的输入(X,Y),其中X代表该批次中所有图片组成的矩阵,Y代表该批次中所有图片对应的分类标签所组成的矩阵;
首先将X输入到当前深度学习网络中的深度特征提取器g中提取所有输入图片的视觉特征作为原始特征Z,然后将原始特征Z通过分类器f得到该深度学习网络输出的对应该输入批次图片的分类预测结果矩阵Y’,同时将该原始特征Z通过随机傅立叶特征变换RFF得到输入批次图片的随机傅立叶表征矩阵;
4)计算步骤3)所得到的输入批次图片分类标签的预测结果矩阵Y’与该批次图片分类标签矩阵Y的交叉熵,得到当前深度学习网络的预测损失值,该预测损失值包含该批次中每个训练本对应的预测损失值;
5)使用步骤3)得到的输入批次图片的随机傅立叶表征矩阵对原始特征Z进行独立性检测,将各维随机傅立叶表征的相关性作为训练损失L(w),训练得到该批次各样本对应的样本权重,其中该批次中每个样本权重初始值均设为1,训练损失函数表达式如下:
其中w为样本权重,wi为第i个样本的权重,n为输入批次中图片的数量,mZ为每张图片对应的原始深度特征的维度,Z为原始深度特征,u、v为随机傅立叶特征映射;
6)使用步骤5)得到的样本权重与步骤4)得到的预测损失值中每个样本的预测损失值进行按位相乘,最终得到当前深度学习网络的最终训练损失值;
7)使用步骤6)的结果对当前深度学习网络进行梯度反向传播更新深度特征提取器与分类器的参数,得到更新后的当前深度学习网络;
8)重复步骤2)至7),直至深度学习网络训练结束,得到训练完毕的深度学习网络,深度学习完成。
3.如权利要求2所述的方法,其特征在于,所述深度特征提取器采用卷积网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110258971.6A CN112949658B (zh) | 2021-03-10 | 2021-03-10 | 一种具有稳定性能的深度学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110258971.6A CN112949658B (zh) | 2021-03-10 | 2021-03-10 | 一种具有稳定性能的深度学习方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949658A true CN112949658A (zh) | 2021-06-11 |
CN112949658B CN112949658B (zh) | 2022-07-08 |
Family
ID=76229085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110258971.6A Active CN112949658B (zh) | 2021-03-10 | 2021-03-10 | 一种具有稳定性能的深度学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949658B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113556194A (zh) * | 2021-07-20 | 2021-10-26 | 电信科学技术第五研究所有限公司 | 一种基于深度学习的无线信号区域强弱检测方法 |
CN114629681A (zh) * | 2022-01-28 | 2022-06-14 | 云南电网有限责任公司信息中心 | 一种基于随机傅里叶核函数的异常流量检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180114145A1 (en) * | 2016-10-26 | 2018-04-26 | Google Llc | Structured orthogonal random features for kernel-based machine learning |
CN110580496A (zh) * | 2019-07-11 | 2019-12-17 | 南京邮电大学 | 一种基于熵最小化的深度迁移学习系统及方法 |
CN110689085A (zh) * | 2019-09-30 | 2020-01-14 | 天津大学 | 基于深度跨连接网络及损失函数设计的垃圾分类方法 |
CN112232268A (zh) * | 2020-10-29 | 2021-01-15 | 中山大学 | 一种结合深度学习和对抗特征解耦的跨域动作识别方法 |
CN112348792A (zh) * | 2020-11-04 | 2021-02-09 | 广东工业大学 | 一种基于小样本学习和自监督学习的x光胸片图像分类方法 |
-
2021
- 2021-03-10 CN CN202110258971.6A patent/CN112949658B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180114145A1 (en) * | 2016-10-26 | 2018-04-26 | Google Llc | Structured orthogonal random features for kernel-based machine learning |
CN110580496A (zh) * | 2019-07-11 | 2019-12-17 | 南京邮电大学 | 一种基于熵最小化的深度迁移学习系统及方法 |
CN110689085A (zh) * | 2019-09-30 | 2020-01-14 | 天津大学 | 基于深度跨连接网络及损失函数设计的垃圾分类方法 |
CN112232268A (zh) * | 2020-10-29 | 2021-01-15 | 中山大学 | 一种结合深度学习和对抗特征解耦的跨域动作识别方法 |
CN112348792A (zh) * | 2020-11-04 | 2021-02-09 | 广东工业大学 | 一种基于小样本学习和自监督学习的x光胸片图像分类方法 |
Non-Patent Citations (3)
Title |
---|
MINH-NGHIA NGUYEN等: "Scalable and Interpretable One-Class SVMs with Deep Learning and Random Fourier Features", 《MACHINE LEARNING AND KNOWLEDGE DISCOVERY IN DATABASES》 * |
ZHEYAN SHEN等: "Causally Regularized Learning with Agnostic Data Selection Bias", 《ACM MULTIMEDIA》 * |
任夏荔等: "基于深度学习特征的图像检索方法", 《计算机工程与设计》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113556194A (zh) * | 2021-07-20 | 2021-10-26 | 电信科学技术第五研究所有限公司 | 一种基于深度学习的无线信号区域强弱检测方法 |
CN113556194B (zh) * | 2021-07-20 | 2022-11-29 | 电信科学技术第五研究所有限公司 | 一种基于深度学习的无线信号区域强弱检测方法 |
CN114629681A (zh) * | 2022-01-28 | 2022-06-14 | 云南电网有限责任公司信息中心 | 一种基于随机傅里叶核函数的异常流量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112949658B (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liang et al. | On the sampling strategy for evaluation of spectral-spatial methods in hyperspectral image classification | |
Gosselin et al. | Revisiting the fisher vector for fine-grained classification | |
CN102609681B (zh) | 基于字典学习模型的人脸识别方法 | |
CN113674140B (zh) | 一种物理对抗样本生成方法及系统 | |
CN111079847B (zh) | 一种基于深度学习的遥感影像自动标注方法 | |
CN112580590A (zh) | 一种基于多语义特征融合网络的指静脉识别方法 | |
CN112949658B (zh) | 一种具有稳定性能的深度学习方法 | |
CN108537168B (zh) | 基于迁移学习技术的面部表情识别方法 | |
CN109598220A (zh) | 一种基于多元输入多尺度卷积的人数统计方法 | |
CN113761259A (zh) | 一种图像处理方法、装置以及计算机设备 | |
CN105654054B (zh) | 基于半监督近邻传播学习和多视觉词典模型的智能视频分析方法 | |
WO2022218396A1 (zh) | 图像处理方法、装置和计算机可读存储介质 | |
CN109977834B (zh) | 从深度图像中分割人手与交互物体的方法和装置 | |
CN116612335B (zh) | 一种基于对比学习的少样本细粒度图像分类方法 | |
CN110569971A (zh) | 一种基于LeakyRelu激活函数的卷积神经网络单目标识别方法 | |
CN106778714A (zh) | 基于非线性特征和模型合并的lda人脸识别方法 | |
CN111008570B (zh) | 一种基于压缩-激励伪三维网络的视频理解方法 | |
CN116740362A (zh) | 一种基于注意力的轻量化非对称场景语义分割方法及系统 | |
CN113780335B (zh) | 一种小样本商品图像分类方法、装置、设备及存储介质 | |
CN113269136B (zh) | 一种基于triplet loss的离线签名验证方法 | |
CN113449751B (zh) | 基于对称性和群论的物体-属性组合图像识别方法 | |
CN111652246B (zh) | 一种基于深度学习的图像自适应稀疏化表征方法及装置 | |
CN113627522A (zh) | 基于关系网络的图像分类方法、装置、设备及存储介质 | |
Knoche et al. | Susceptibility to image resolution in face recognition and trainings strategies | |
Arbelle et al. | QANet--Quality Assurance Network for Image Segmentation |
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 |