CN112990374A - 图像分类方法、装置、电子设备及介质 - Google Patents

图像分类方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN112990374A
CN112990374A CN202110467270.3A CN202110467270A CN112990374A CN 112990374 A CN112990374 A CN 112990374A CN 202110467270 A CN202110467270 A CN 202110467270A CN 112990374 A CN112990374 A CN 112990374A
Authority
CN
China
Prior art keywords
image
class
processed
images
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
Application number
CN202110467270.3A
Other languages
English (en)
Other versions
CN112990374B (zh
Inventor
刘杰
王健宗
瞿晓阳
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202110467270.3A priority Critical patent/CN112990374B/zh
Priority to PCT/CN2021/097079 priority patent/WO2022227192A1/zh
Publication of CN112990374A publication Critical patent/CN112990374A/zh
Application granted granted Critical
Publication of CN112990374B publication Critical patent/CN112990374B/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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/08—Learning methods

Abstract

本发明涉及图像处理技术，揭露一种图像分类方法，包括：从图像集中随机获取待处理图像，通过预设的两种数据增强方法和两种图像处理网络得到两个处理图像；利用所述两个处理图像构建概率图模型的概率约束参数，根据所述待处理图像以及所述待处理图像的类别标注对所述概率约束参数进行更新，得到所述概率图模型；对所述概率图模型进行训练，得到图像分类模型；获取待分类图像，将所述待分类图像输入至所述图像分类模型进行分类，得到所述待分类图像的类别标签。本发明还提出一种图像分类装置、设备及存储介质。本发明还涉及区块链技术，所述图像集可存储于区块链节点中。本发明可以提高图像分类的准确性。

Description

图像分类方法、装置、电子设备及介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图像分类方法、装置、电子设备及计算机可读存储介质。
背景技术
随着人工智能技术的发展，图像分类领域也出现了很大的突破，即通过深度学习的方法进行图像分类。然而现有的图像分类技术都是建立在有着大规模有标注图像的前提下所进行的，然而大规模的有标注图像本身比较少，获取大规模的有标注图像所耗费的计算资源也十分多，并且有标注图像之间本身也存在着图像噪声问题，因此为了去噪又需要更多的有标注图像进行训练，从而更难以获得大规模的有标注图像。
现有的图像分类方法中通过训练的模型进行图像分类，但在模型训练中缺乏有标注数据，可用于训练的数据较少，导致训练得到的模型准确度不高，从而影响图像分类结果的准确性。
发明内容
本发明提供一种图像分类方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高图像分类的准确性。
为实现上述目的，本发明提供的一种图像分类方法，包括：
从图像集中获取待处理图像，分别通过预设的第一数据增强方法和预设的第二数据增强方法增强所述待处理图像，得到第一增强图像和第二增强图像，其中，所述待处理图像包括无类别标注图像和有类别标注图像；
将所述第一增强图像输入预构建的第一图像处理网络，得到第一处理图像，将所述第二增强图像输入预构建的第二图像处理网络，得到第二处理图像；
利用所述第一处理图像和所述第二处理图像构建概率图模型的概率约束参数；
通过预设的半监督学习法对所述无类别标注图像进行计算得到所述无类别标注图像的伪类别标签，其中，伪类别标签用于标注所述无类别标注图像的类别；
通过有类别标注图像、无类别标注图像和所述无类别标注图像的伪类别标签对所述概率约束参数进行更新，得到所述概率图模型；
利用所述待处理图像和所述待处理图像的类别标注对所述概率图模型进行训练，得到图像分类模型；
获取待分类图像，将所述待分类图像输入至所述图像分类模型进行分类，得到所述待分类图像的类别标签。
可选地，所述得到第二处理图像之后，所述方法还包括：
判断所述第一处理图像与所述第二处理图像是否相同；
若所述第一处理图像与所述第二处理图像相同，再次执行从所述图像集中随机获取图像的操作；
若所述第一处理图像与所述第二处理图像不相同，执行所述利用所述第一处理图像和所述第二处理图像构建概率图模型的概率约束参数的操作。
可选地，所述通过预设的半监督学习法生成所述无类别标注图像的伪类别标签，包括：
获取第一有监督学习模型，通过所述有类别标注图像训练所述第一有监督学习模型，得到第一训练监督模型；
利用所述第一训练监督模型对所述无类别标注图像进行预测，得到对所述无类别标注图像的预测概率；
利用所述预测概率从所述图像集中选取目标图像；
根据所述目标图像利用有标注图像训练所述第一有监督学习模型，得到第二有监督学习模型；
判断所述第二有监督学习模型是否与所述第一有监督学习模型相同；
若不相等，利用所述第二有监督学习模型替换所述第一有监督学习模型，再次执行通过所述有标注图像训练所述第一有监督学习模型的操作；
若相等，确定训练完成，且确定所述第二有监督学习模型为训练完成模型；
将所述无类别标注图像输入所述训练完成模型，得到所述无类别标注图像的伪类别标签。
可选地，所述获取第一有监督学习模型，包括：
接收初始训练集，所述初始训练集包括第一有标签样本集和第一无标签样本集；
获取初始半监督学习模型，利用所述第一有标签样本集和所述第一无标签样本集对所述初始半监督学习模型进行训练得到第一有监督学习网络。
可选地，所述利用所述第一处理图像和所述第二处理图像构建概率图模型的概率约束参数，包括:
获取所述构建概率图模型地原始损失函数；
将所述第一处理图像和所述第二处理图像输入所述原始损失函数，对所述原始损失函数中的函数参数进行更新，得到概率约束参数。
可选地，所述通过有类别标注图像、无类别标注图像和所述无类别标注图像的伪类别标签对所述概率约束参数进行更新，得到所述概率图模型，包括：
获取所述待处理图像中所述无类别标注图像的第一数量和所述有类别标注图像的第二数量；
基于所述图像的类别标注得到有类别标注图像组成的向量、无类别标注图像组成的向量；
获取所述概率图模型的原始损失函数并利用所述无类别标注图像的第一数量、所述有类别标注图像的第二数量、所述有类别标注图像组成的向量及所述无类别标注图像组成的向量更新所述原始损失函数中的概率约束参数，得到所述概率图模型。
可选地，所述得到所述概率图模型之前，所述方法还包括基于所述对所述概率约束参数进行更新，得到更新损失函数，所述更新损失函数为：
Figure BDA0003044663550000031
其中，fL表示所述有类别标注图像组成的向量，fU表示所述无类别标注图像组成的向量，nU表示所述无类别标注图像的数量，nL表示所述有类别标注图像的数量，y表示由所述第一处理图像和所述第二处理图像的类别标注组成的向量，CE表示交叉熵误差函数，MSE表示均方误差函数，λ为系数函数；
根据所述更新损失函数得到所述概率图模型。
为了解决上述问题，本发明还提供一种图像分类装置，所述装置包括：
图像增强模块，用于从图像集中获取待处理图像，分别通过预设的第一数据增强方法和预设的第二数据增强方法增强所述待处理图像，得到第一增强图像和第二增强图像，其中，所述待处理图像包括无类别标注图像和有类别标注图像；
参数构建模块，用于将所述第一增强图像输入预构建的第一图像处理网络，得到第一处理图像，将所述第二增强图像输入预构建的第二图像处理网络，得到第二处理图像，利用所述第一处理图像和所述第二处理图像构建概率图模型的概率约束参数；
标注生成模块，用于通过预设的半监督学习法对所述无类别标注图像进行计算得到所述无类别标注图像的伪类别标签，其中，伪类别标签用于标注所述无类别标注图像的类别；
损失函数构建模块，用于通过有类别标注图像、无类别标注图像和所述无类别标注图像的伪类别标签对所述概率约束参数进行更新，得到所述概率图模型；
分类模型训练模块，用于利用所述待处理图像和所述待处理图像的类别标注对所述概率图模型进行训练，得到图像分类模型；
图像分类模块，用于获取待分类图像，将所述待分类图像输入至所述图像分类模型进行分类，得到所述待分类图像的类别标签。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的计算机程序以实现上述所述的图像分类方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现如上所述的图像分类方法。
本发明实施例中，在获取到无类别标注图像之后，为对无类别标注图像通过半监督学习法生成伪标签，进而将无类别标注图像用于图像分类模型训练，提高了训练模型时的数据量和数据的多样性，同时进一步提高数据的利用率和对图像分类模型训练的准确性。在得到图像分类模型之后，将待分类的图像输入该图像分类模型后得到准确的分类结果，实现了提高图像分类准确性的目的。
附图说明
图1为本发明一实施例提供的一种图像分类方法的流程示意图；
图2为本发明一实施例提供的图像分类装置的模块示意图；
图3为本发明一实施例提供的实现图像分类方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种图像分类方法。所述图像分类方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述图像分类方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的一种图像分类方法的流程示意图。在本实施例中，所述图像分类方法包括：
S1、从图像集中获取待处理图像，分别通过预设的第一数据增强方法和预设的第二数据增强方法增强所述待处理图像，得到第一增强图像和第二增强图像，其中，所述待处理图像包括无类别标注图像和有类别标注图像。
本发明实施例中，所述有类别标注图像为已进行类别标注的图像，所述无类别标注图像为未进行类别标注处理的图像。如，有类别标注图像为预先通过人工的方式(如通过BasicFinder工具)对图像进行类别标注的图像，所述无类别标注图像即为未进行类别标注处理的原始图像。
具体的，所述有类别标注图像存在数据标注，所述无标注图像不存在数据标注。
具体的，数据标注的形式可以包括但不限于标注画框、3D画框、文本转录、图像打点、目标物体轮廓线。
本发明实施例中，无类别标注图像和有类别标注图像可以为医学领域的图像，例如，无类别标注图像或有类别标注图像为计算机X线摄影图像CR、计算机体层成像CT、核磁共振图像MR等图像。
进一步地，所述无类别标注图像的数量大于第一预设值，所述有类别标注图像的数量小于第二预设值，所述第一预设值大于所述第二预设值。
优选的，所述第一预设值为第二预设值的10倍、20倍、甚至是50倍，100倍，例如，第一预设值为5000，第二预设值为50。
本发明实施例中，可以随机获取一张图像，或者是连续地随机获取多张图像。
优选的，所述第一数据增强方法为几何变换类数据增强方法，所述第二数据增强方法为颜色变换类数据增强方法。
进一步地，所述第一数据增强方法和所述第二数据增强方法可以在不实质性增加数据的情况下，让有限的数据产生等价于更多数据的价值。
本发明实施例中，所述几何变换类数据增强方法包括翻转、随机旋转、随即裁剪、变形缩放等方法。所述颜色变换类数据增强方法包括添加噪声、模糊处理、颜色变换、图像填充等。
本发明实施例中，所述第一处理图像和所述第二处理图像都是由所述图像集中随机获取图像经过所述数据增强方法得到，因此所述第一处理图像和所述第二处理图像具有相关性。
S2、将所述第一增强图像输入预构建的第一图像处理网络，得到第一处理图像，将所述第二增强图像输入预构建的第二图像处理网络，得到第二处理图像。
本发明实施例中，所述得到第二处理图像之后，所述方法还包括：
判断所述第一处理图像与所述第二处理图像是否相同；
若所述第一处理图像与所述第二处理图像相同，再次执行从所述图像集中获取待处理图像的操作；
若所述第一处理图像与所述第二处理图像不相同，执行所述利用所述第一处理图像和所述第二处理图像构建概率图模型的概率约束参数的操作。
本发明实施例中，所述第一图像处理网络和所述第二图像处理网络为用于对图像进行处理的网络。
进一步地，第一图像处理网络和第二图像处理网络可以为Lebet-5网络、AlexNet网络、VGG16网络、ResNet-50网络中的一种，其中，当所述第一图像处理网络和所述第二图像处理网络都为Lebet-5网络时，所述第一图像处理网络和所述第二图像处理网络分别用于图像的筛选和分类。
S3、利用所述第一处理图像和所述第二处理图像构建概率图模型的概率约束参数。
详细地，所述利用所述第一处理图像和所述第二处理图像构建概率图模型的概率约束参数包括：
获取所述构建概率图模型地原始损失函数；
将所述第一处理图像和所述第二处理图像输入所述原始损失函数，对所述原始损失函数中的函数参数进行更新，得到概率约束参数。
本发明实施例中，可以将所述第一处理图像和所述第二处理图像输入所述原始损失函数，将所述第一处理图像和所述第二处理图像作为所述原始损失函数的函数项对所述原始损失函数进行参数更新，得到更新后的概率约束参数，并将所述更新后的概率约束参数作为概率约束参数。
S4、通过预设的半监督学习法对所述无类别标注图像进行计算得到所述无类别标注图像的伪类别标签，其中，伪类别标签用于标注所述无类别标注图像的类别。
本发明实施例中，所述通过预设的半监督学习法生成所述无类别标注图像的伪类别标签包括：
获取第一有监督学习模型，通过所述有类别标注图像训练所述第一有监督学习模型，得到第一训练监督模型；
利用所述第一训练监督模型对所述无类别标注图像进行预测，得到对所述无类别标注图像的预测概率；
利用所述预测概率从所述图像集中选取目标图像；
根据所述目标图像利用有标注图像训练所述第一有监督学习模型，得到第二有监督学习模型；
判断所述第二有监督学习模型是否与所述第一有监督学习模型相同；
若不相等，利用所述第二有监督学习模型替换所述第一有监督学习模型，再次执行通过所述有标注图像训练所述第一有监督学习模型的操作；
若相等，确定训练完成，且确定所述第二有监督学习模型为训练完成模型；
将所述无类别标注图像输入所述训练完成模型，得到所述无类别标注图像的伪类别标签。
详细地，所述获取第一有监督学习模型，包括：
接收初始训练集，所述初始训练集包括第一有标签样本集和第一无标签样本集；
获取初始半监督学习模型，利用所述第一有标签样本集和所述第一无标签样本集对所述初始半监督学习模型进行训练得到第一有监督学习网络。
本发明实施例中，所述第一有监督学习模型是由初始半监督学习模型通过初始训练集进行训练得到的，所述初始训练集包括第一有标签样本集和第一无标签样本集，其中，第一有标签样本集包括有标签数据：所述第一无标签样本集包括无标签数据。其中，有标签数据和无标签数据并不仅限于图像数据。所述数据标签包括图像数据的分类标签、数字数据的分类标签，其中，图像数据可以分为有标注图像数据和无标注图像数据，数字数据可以分为符号数据和文字数据。
详细地，所述初始半监督学习模型为Π-model、VAT、LPDSSL、TNAR、pseudo-label、DCT中的任意一种。
S5、通过有类别标注图像、无类别标注图像和所述无类别标注图像的伪类别标签对所述概率约束参数进行更新，得到所述概率图模型。
本发明实施例中，所述通过有类别标注图像、无类别标注图像和所述无类别标注图像的伪类别标签对所述概率约束参数进行更新，得到所述概率图模型包括：
获取所述待处理图像中所述无类别标注图像的第一数量和所述有类别标注图像的第二数量；
基于所述图像的类别标注得到有类别标注图像组成的向量、无类别标注图像组成的向量；
获取所述概率图模型的原始损失函数并利用所述无类别标注图像的第一数量、所述有类别标注图像的第二数量、所述有类别标注图像组成的向量及所述无类别标注图像组成的向量更新所述原始损失函数中的概率约束参数，得到所述概率图模型。
详细地，所述得到所述概率图模型之前，还包括：
基于所述对所述概率约束参数进行更新，得到更新损失函数，
根据所述更新损失函数得到所述概率图模型。
具体地，所述损失函数为将随机时间或其有关随机变量地取值映射为非负实数，以表示该随机事件的风险或者损失的函数，在本发明实施例中，所述更新损失函数用于对所述概率图模型的参数进行数值估计。
本发明实施例中，所述更新损失函数为：
Figure BDA0003044663550000091
其中，fL表示所述有类别标注图像组成的向量，fU表示所述无类别标注图像组成的向量，nU表示所述无类别标注图像的数量，nL表示所述有类别标注图像的数量，y表示由所述第一处理图像和所述第二处理图像的类别标注组成的向量，CE表示交叉熵误差函数，MSE表示均方误差函数，λ为系数函数，用于规则该交叉熵子项式的偏向。
本发明实施例中，所述概率图模型是用图表示变量概率依赖关系的理论，结合概率论与图论的知识，利用图来表示与模型有关的变量的联合概率分布。
S6、利用所述待处理图像和所述待处理图像的类别标注对所述概率图模型进行训练，得到图像分类模型。
详细地，所述利用所述待处理图像和所述待处理图像的类别标注对所述概率图模型进行训练，得到图像分类模型包括：
利用所述图像集中的无类别标注图像构建无类别标注图像集，利用所述图像集中的有类别标注图像构建有类别标注图像集。
将所述无类别标注图像集通过所述第一数据增强网络，得到所述无类别标注图像集的第一处理图像集，将所述无类别标注图像集通过所述第二数据增强网络得到所述无类别标注图像集的第二处理图像集；
将所述有类别标注图像集通过所述第一数据增强网络，得到所述有类别标注图像集的第一处理图像集，将所述有类别标注图像集通过所述第二数据增强网络得到所述有类别标注图像集的第二处理图像集；
利用所述无类别标注图像集的第一处理图像集、第二处理图像集和所述有类别标注图像集的第一处理图像集、第二处理图像集及所述无标注图像集的标注、有类别标注图像集的标注对包含更新损失函数的所述概率图模型进行训练，得到图像分类模型。
S7、获取待分类图像，将所述待分类图像输入至所述图像分类模型进行分类，得到所述待分类图像的类别标签。
本发明实施例中，所述待分类图像可以为未经过图像处理的图像，或者，所述待分类图像也可以为以进行过图像处理(如色彩校正处理)但未经过类别标注的图像。
所述待分类图像可以为医学图像。
例如，所述待分类图像为的图像为肺部CT图像，利用所述图像分类模型进行图像进行病灶分类，判断所述肺部CT图像是否含有病灶。
本实施例中，在获取到无类别标注图像之后，为对无类别标注图像通过半监督学习法生成伪标签，进而将无类别标注图像用于图像分类模型训练，提高了训练模型时的数据量和数据的多样性，同时进一步提高数据的利用率和对图像分类模型训练的准确性。在得到图像分类模型之后，将待分类的图像输入该图像分类模型后得到准确的分类结果，实现了提高图像分类准确性的目的。
如图2所示，是本发明图像分类装置的模块示意图。
本发明所述图像分类装置100可以安装于电子设备中。根据实现的功能，所述图像分类装置可以包括图像增强模块101、参数构建模块102、标注生成模块103、损失函数构建模块104、分类模型训练模块105和图像分类模块106。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述图像增强模块101，用于从图像集中获取待处理图像，分别通过预设的第一数据增强方法和预设的第二数据增强方法增强所述待处理图像，得到第一增强图像和第二增强图像，其中，所述待处理图像包括无类别标注图像和有类别标注图像。
本发明实施例中，所述有类别标注图像为已进行类别标注的图像，所述无类别标注图像为未进行类别标注处理的图像。如，有类别标注图像为预先通过人工的方式(如通过BasicFinder工具)对图像进行类别标注的图像，所述无类别标注图像即为未进行类别标注处理的原始图像。
具体的，所述有类别标注图像存在数据标注，所述无标注图像不存在数据标注。
具体的，数据标注的形式可以包括但不限于标注画框、3D画框、文本转录、图像打点、目标物体轮廓线。
本发明实施例中，无类别标注图像和有类别标注图像可以为医学领域的图像，例如，无类别标注图像或有类别标注图像为计算机X线摄影图像CR、计算机体层成像CT、核磁共振图像MR等图像。
进一步地，所述无类别标注图像的数量大于第一预设值，所述有类别标注图像的数量小于第二预设值，所述第一预设值大于所述第二预设值。
优选的，所述第一预设值为第二预设值的10倍、20倍、甚至是50倍，100倍，例如，第一预设值为5000，第二预设值为50。
本发明实施例中，可以随机获取一张图像，或者是连续地随机获取多张图像。
优选的，所述第一数据增强方法为几何变换类数据增强方法，所述第二数据增强方法为颜色变换类数据增强方法。
进一步地，所述第一数据增强方法和所述第二数据增强方法可以在不实质性增加数据的情况下，让有限的数据产生等价于更多数据的价值。
本发明实施例中，所述几何变换类数据增强方法包括翻转、随机旋转、随即裁剪、变形缩放等方法。所述颜色变换类数据增强方法包括添加噪声、模糊处理、颜色变换、图像填充等。
本发明实施例中，所述第一处理图像和所述第二处理图像都是由所述图像集中随机获取图像经过所述数据增强方法得到，因此所述第一处理图像和所述第二处理图像具有相关性。
所述参数构建模块102，用于将所述第一增强图像输入预构建的第一图像处理网络，得到第一处理图像，将所述第二增强图像输入预构建的第二图像处理网络，得到第二处理图像，利用所述第一处理图像和所述第二处理图像构建概率图模型的概率约束参数。
本发明实施例中，所述得到第二处理图像之后，所述方法还包括：
判断所述第一处理图像与所述第二处理图像是否相同；
若所述第一处理图像与所述第二处理图像相同，再次执行从所述图像集中获取待处理图像的操作；
若所述第一处理图像与所述第二处理图像不相同，执行所述利用所述第一处理图像和所述第二处理图像构建概率图模型的概率约束参数的操作。
本发明实施例中，所述第一图像处理网络和所述第二图像处理网络为用于对图像进行处理的网络。
进一步地，第一图像处理网络和第二图像处理网络可以为Lebet-5网络、AlexNet网络、VGG16网络、ResNet-50网络中的一种，其中，当所述第一图像处理网络和所述第二图像处理网络都为Lebet-5网络时，所述第一图像处理网络和所述第二图像处理网络分别用于图像的筛选和分类。
详细地，所述利用所述第一处理图像和所述第二处理图像构建概率图模型的概率约束参数包括：
获取所述构建概率图模型地原始损失函数；
将所述第一处理图像和所述第二处理图像输入所述原始损失函数，对所述原始损失函数中的函数参数进行更新，得到概率约束参数。
本发明实施例中，可以将所述第一处理图像和所述第二处理图像输入所述原始损失函数，将所述第一处理图像和所述第二处理图像作为所述原始损失函数的函数项对所述原始损失函数进行参数更新，得到更新后的概率约束参数，并将所述更新后的概率约束参数作为概率约束参数。
所述标注生成模块103，用于通过预设的半监督学习法对所述无类别标注图像进行计算得到所述无类别标注图像的伪类别标签，其中，伪类别标签用于标注所述无类别标注图像的类别。
本发明实施例中，所述通过预设的半监督学习法生成所述无类别标注图像的伪类别标签包括：
获取第一有监督学习模型，通过所述有类别标注图像训练所述第一有监督学习模型，得到第一训练监督模型；
利用所述第一训练监督模型对所述无类别标注图像进行预测，得到对所述无类别标注图像的预测概率；
利用所述预测概率从所述图像集中选取目标图像；
根据所述目标图像利用有标注图像训练所述第一有监督学习模型，得到第二有监督学习模型；
判断所述第二有监督学习模型是否与所述第一有监督学习模型相同；
若不相等，利用所述第二有监督学习模型替换所述第一有监督学习模型，再次执行通过所述有标注图像训练所述第一有监督学习模型的操作；
若相等，确定训练完成，且确定所述第二有监督学习模型为训练完成模型；
将所述无类别标注图像输入所述训练完成模型，得到所述无类别标注图像的伪类别标签。
详细地，所述获取第一有监督学习模型，包括：
接收初始训练集，所述初始训练集包括第一有标签样本集和第一无标签样本集；
获取初始半监督学习模型，利用所述第一有标签样本集和所述第一无标签样本集对所述初始半监督学习模型进行训练得到第一有监督学习网络。
本发明实施例中，所述第一有监督学习模型是由初始半监督学习模型通过初始训练集进行训练得到的，所述初始训练集包括第一有标签样本集和第一无标签样本集，其中，第一有标签样本集包括有标签数据：所述第一无标签样本集包括无标签数据。其中，有标签数据和无标签数据并不仅限于图像数据。所述数据标签包括图像数据的分类标签、数字数据的分类标签，其中，图像数据可以分为有标注图像数据和无标注图像数据，数字数据可以分为符号数据和文字数据。
详细地，所述初始半监督学习模型为Π-model、VAT、LPDSSL、TNAR、pseudo-label、DCT中的任意一种。
所述损失函数构建模块104，用于通过有类别标注图像、无类别标注图像和所述无类别标注图像的伪类别标签对所述概率约束参数进行更新，得到所述概率图模型。
本发明实施例中，所述通过有类别标注图像、无类别标注图像和所述无类别标注图像的伪类别标签对所述概率约束参数进行更新，得到所述概率图模型包括：
获取所述待处理图像中所述无类别标注图像的第一数量和所述有类别标注图像的第二数量；
基于所述图像的类别标注得到有类别标注图像组成的向量、无类别标注图像组成的向量；
获取所述概率图模型的原始损失函数并利用所述无类别标注图像的第一数量、所述有类别标注图像的第二数量、所述有类别标注图像组成的向量及所述无类别标注图像组成的向量更新所述原始损失函数中的概率约束参数，得到所述概率图模型。
详细地，所述得到所述概率图模型之前，还包括：
基于所述对所述概率约束参数进行更新，得到更新损失函数，
根据所述更新损失函数得到所述概率图模型。
具体地，所述损失函数为将随机时间或其有关随机变量地取值映射为非负实数，以表示该随机事件的风险或者损失的函数，在本发明实施例中，所述更新损失函数用于对所述概率图模型的参数进行数值估计。
本发明实施例中，所述更新损失函数为：
Figure BDA0003044663550000141
其中，fL表示所述有类别标注图像组成的向量，fU表示所述无类别标注图像组成的向量，nU表示所述无类别标注图像的数量，nL表示所述有类别标注图像的数量，y表示由所述第一处理图像和所述第二处理图像的类别标注组成的向量，CE表示交叉熵误差函数，MSE表示均方误差函数，λ为系数函数，用于规则该交叉熵子项式的偏向。
本发明实施例中，所述概率图模型是用图表示变量概率依赖关系的理论，结合概率论与图论的知识，利用图来表示与模型有关的变量的联合概率分布。
所述分类模型训练模块105，用于利用所述待处理图像和所述待处理图像的类别标注对所述概率图模型进行训练，得到图像分类模型。
详细地，所述利用所述待处理图像和所述待处理图像的类别标注对所述概率图模型进行训练，得到图像分类模型包括：
利用所述图像集中的无类别标注图像构建无类别标注图像集，利用所述图像集中的有类别标注图像构建有类别标注图像集。
将所述无类别标注图像集通过所述第一数据增强网络，得到所述无类别标注图像集的第一处理图像集，将所述无类别标注图像集通过所述第二数据增强网络得到所述无类别标注图像集的第二处理图像集；
将所述有类别标注图像集通过所述第一数据增强网络，得到所述有类别标注图像集的第一处理图像集，将所述有类别标注图像集通过所述第二数据增强网络得到所述有类别标注图像集的第二处理图像集；
利用所述无类别标注图像集的第一处理图像集、第二处理图像集和所述有类别标注图像集的第一处理图像集、第二处理图像集及所述无标注图像集的标注、有类别标注图像集的标注对包含更新损失函数的所述概率图模型进行训练，得到图像分类模型。
所述图像分类模块106，用于获取待分类图像，将所述待分类图像输入至所述图像分类模型进行分类，得到所述待分类图像的类别标签。
本发明实施例中，所述待分类图像可以为未经过图像处理的图像，或者，所述待分类图像也可以为以进行过图像处理(如色彩校正处理)但未经过类别标注的图像。
所述待分类图像可以为医学图像。
例如，所述待分类图像为的图像为肺部CT图像，利用所述图像分类模型进行图像进行病灶分类，判断所述肺部CT图像是否含有病灶。
本实施例中，在获取到无类别标注图像之后，为对无类别标注图像通过半监督学习法生成伪标签，进而将无类别标注图像用于图像分类模型训练，提高了训练模型时的数据量和数据的多样性，同时进一步提高数据的利用率和对图像分类模型训练的准确性。在得到图像分类模型之后，将待分类的图像输入该图像分类模型后得到准确的分类结果，实现了提高图像分类准确性的目的。
如图3所示，是本发明实现图像分类方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如图像分类程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如图像分类程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行图像分类程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的图像分类程序12是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
从图像集中获取待处理图像，分别通过预设的第一数据增强方法和预设的第二数据增强方法增强所述待处理图像，得到第一增强图像和第二增强图像，其中，所述待处理图像包括无类别标注图像和有类别标注图像；
将所述第一增强图像输入预构建的第一图像处理网络，得到第一处理图像，将所述第二增强图像输入预构建的第二图像处理网络，得到第二处理图像；
利用所述第一处理图像和所述第二处理图像构建概率图模型的概率约束参数；
通过预设的半监督学习法对所述无类别标注图像进行计算得到所述无类别标注图像的伪类别标签，其中，伪类别标签用于标注所述无类别标注图像的类别；
通过有类别标注图像、无类别标注图像和所述无类别标注图像的伪类别标签对所述概率约束参数进行更新，得到所述概率图模型；
利用所述待处理图像和所述待处理图像的类别标注对所述概率图模型进行训练，得到图像分类模型；
获取待分类图像，将所述待分类图像输入至所述图像分类模型进行分类，得到所述待分类图像的类别标签。
本发明实施例中，在获取到无类别标注图像之后，为对无类别标注图像通过半监督学习法生成伪标签，进而将无类别标注图像用于图像分类模型训练，提高了训练模型时的数据量和数据的多样性，同时进一步提高数据的利用率和对图像分类模型训练的准确性。在得到图像分类模型之后，将待分类的图像输入该图像分类模型后得到准确的分类结果，实现了提高图像分类准确性的目的。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种图像分类方法，其特征在于，所述方法包括：
从图像集中获取待处理图像，分别通过预设的第一数据增强方法和预设的第二数据增强方法增强所述待处理图像，得到第一增强图像和第二增强图像，其中，所述待处理图像包括无类别标注图像和有类别标注图像；
将所述第一增强图像输入预构建的第一图像处理网络，得到第一处理图像，将所述第二增强图像输入预构建的第二图像处理网络，得到第二处理图像；
利用所述第一处理图像和所述第二处理图像构建概率图模型的概率约束参数；
通过预设的半监督学习法对所述无类别标注图像进行计算得到所述无类别标注图像的伪类别标签，其中，伪类别标签用于标注所述无类别标注图像的类别；
通过有类别标注图像、无类别标注图像和所述无类别标注图像的伪类别标签对所述概率约束参数进行更新，得到所述概率图模型；
利用所述待处理图像和所述待处理图像的类别标注对所述概率图模型进行训练，得到图像分类模型；
获取待分类图像，将所述待分类图像输入至所述图像分类模型进行分类，得到所述待分类图像的类别标签。
2.如权利要求1所述的图像分类方法，其特征在于，所述得到第二处理图像之后，所述方法还包括：
判断所述第一处理图像与所述第二处理图像是否相同；
若所述第一处理图像与所述第二处理图像相同，再次执行从所述图像集中随机获取图像的操作；
若所述第一处理图像与所述第二处理图像不相同，执行所述利用所述第一处理图像和所述第二处理图像构建概率图模型的概率约束参数的操作。
3.如权利要求1所述的图像分类方法，其特征在于，所述通过预设的半监督学习法生成所述无类别标注图像的伪类别标签，包括：
获取第一有监督学习模型，通过所述有类别标注图像训练所述第一有监督学习模型，得到第一训练监督模型；
利用所述第一训练监督模型对所述无类别标注图像进行预测，得到对所述无类别标注图像的预测概率；
利用所述预测概率从所述图像集中选取目标图像；
根据所述目标图像利用有标注图像训练所述第一有监督学习模型，得到第二有监督学习模型；
判断所述第二有监督学习模型是否与所述第一有监督学习模型相同；
若不相等，利用所述第二有监督学习模型替换所述第一有监督学习模型，再次执行通过所述有标注图像训练所述第一有监督学习模型的操作；
若相等，确定训练完成，且确定所述第二有监督学习模型为训练完成模型；
将所述无类别标注图像输入所述训练完成模型，得到所述无类别标注图像的伪类别标签。
4.如权利要求3所述的图像分类方法，其特征在于，所述获取第一有监督学习模型，包括：
接收初始训练集，所述初始训练集包括第一有标签样本集和第一无标签样本集；
获取初始半监督学习模型，利用所述第一有标签样本集和所述第一无标签样本集对所述初始半监督学习模型进行训练得到第一有监督学习网络。
5.如权利要求1所述的图像分类方法，其特征在于，所述利用所述第一处理图像和所述第二处理图像构建概率图模型的概率约束参数，包括:
获取所述构建概率图模型地原始损失函数；
将所述第一处理图像和所述第二处理图像输入所述原始损失函数，对所述原始损失函数中的函数参数进行更新，得到概率约束参数。
6.如权利要求1所述的图像分类方法，其特征在于，所述通过有类别标注图像、无类别标注图像和所述无类别标注图像的伪类别标签对所述概率约束参数进行更新，得到所述概率图模型，包括：
获取所述待处理图像中所述无类别标注图像的第一数量和所述有类别标注图像的第二数量；
基于所述待处理图像的类别标注得到有类别标注图像组成的向量、无类别标注图像组成的向量；
获取所述概率图模型的原始损失函数并利用所述无类别标注图像的第一数量、所述有类别标注图像的第二数量、所述有类别标注图像组成的向量及所述无类别标注图像组成的向量更新所述原始损失函数中的概率约束参数，得到所述概率图模型。
7.如权利要求1至3中任一项所述的图像分类方法，其特征在于，所述得到所述概率图模型之前，所述方法还包括基于所述对所述概率约束参数进行更新，得到更新损失函数，所述更新损失函数为：
Figure FDA0003044663540000031
其中，fL表示所述有类别标注图像组成的向量，fU表示所述无类别标注图像组成的向量，nU表示所述无类别标注图像的数量，nL表示所述有类别标注图像的数量，y表示由所述第一处理图像和所述第二处理图像的类别标注组成的向量，CE表示交叉熵误差函数，MSE表示均方误差函数，λ为系数函数；
根据所述更新损失函数得到所述概率图模型。
8.一种图像分类装置，其特征在于，所述装置包括：
图像增强模块，用于从图像集中获取待处理图像，分别通过预设的第一数据增强方法和预设的第二数据增强方法增强所述待处理图像，得到第一增强图像和第二增强图像，其中，所述待处理图像包括无类别标注图像和有类别标注图像；
参数构建模块，用于将所述第一增强图像输入预构建的第一图像处理网络，得到第一处理图像，将所述第二增强图像输入预构建的第二图像处理网络，得到第二处理图像，利用所述第一处理图像和所述第二处理图像构建概率图模型的概率约束参数；
标注生成模块，用于通过预设的半监督学习法对所述无类别标注图像进行计算得到所述无类别标注图像的伪类别标签，其中，伪类别标签用于标注所述无类别标注图像的类别；
损失函数构建模块，用于通过有类别标注图像、无类别标注图像和所述无类别标注图像的伪类别标签对所述概率约束参数进行更新，得到所述概率图模型；
分类模型训练模块，用于利用所述待处理图像和所述待处理图像的类别标注对所述概率图模型进行训练，得到图像分类模型；
图像分类模块，用于获取待分类图像，将所述待分类图像输入至所述图像分类模型进行分类，得到所述待分类图像的类别标签。
9.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的图像分类方法。
10.一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的图像分类方法。
CN202110467270.3A 2021-04-28 2021-04-28 图像分类方法、装置、电子设备及介质 Active CN112990374B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110467270.3A CN112990374B (zh) 2021-04-28 2021-04-28 图像分类方法、装置、电子设备及介质
PCT/CN2021/097079 WO2022227192A1 (zh) 2021-04-28 2021-05-30 图像分类方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110467270.3A CN112990374B (zh) 2021-04-28 2021-04-28 图像分类方法、装置、电子设备及介质

Publications (2)

Publication Number Publication Date
CN112990374A true CN112990374A (zh) 2021-06-18
CN112990374B CN112990374B (zh) 2023-09-15

Family

ID=76340550

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110467270.3A Active CN112990374B (zh) 2021-04-28 2021-04-28 图像分类方法、装置、电子设备及介质

Country Status (2)

Country Link
CN (1) CN112990374B (zh)
WO (1) WO2022227192A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115130531A (zh) * 2022-01-24 2022-09-30 北京中科睿鉴科技有限公司 图像生成模型网络结构溯源方法
CN115578797A (zh) * 2022-09-30 2023-01-06 北京百度网讯科技有限公司 模型训练方法、图像识别方法、装置及电子设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104599275A (zh) * 2015-01-27 2015-05-06 浙江大学 基于概率图模型的非参数化的rgb-d场景理解方法
CN108416370A (zh) * 2018-02-07 2018-08-17 深圳大学 基于半监督深度学习的图像分类方法、装置和存储介质
CN109460735A (zh) * 2018-11-09 2019-03-12 中国科学院自动化研究所 基于图半监督学习的文档二值化处理方法、系统、装置
WO2020033966A1 (en) * 2018-08-10 2020-02-13 Buffalo Automation Group Inc. Deep learning and intelligent sensing system integration
CN110866564A (zh) * 2019-11-22 2020-03-06 上海携程国际旅行社有限公司 多重半监督图像的季节分类方法、系统、电子设备和介质
US20200193269A1 (en) * 2018-12-18 2020-06-18 Samsung Electronics Co., Ltd. Recognizer, object recognition method, learning apparatus, and learning method for domain adaptation
US20200250491A1 (en) * 2017-11-01 2020-08-06 Tencent Technology (Shenzhen) Company Limited Image classification method, computer device, and computer-readable storage medium
CN112115995A (zh) * 2020-09-11 2020-12-22 北京邮电大学 一种基于半监督学习的图像多标签分类方法
CN112465071A (zh) * 2020-12-18 2021-03-09 深圳赛安特技术服务有限公司 图像多标签分类方法、装置、电子设备及介质
CN112580684A (zh) * 2020-11-17 2021-03-30 平安科技（深圳）有限公司 基于半监督学习的目标检测方法、装置及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104599275A (zh) * 2015-01-27 2015-05-06 浙江大学 基于概率图模型的非参数化的rgb-d场景理解方法
US20200250491A1 (en) * 2017-11-01 2020-08-06 Tencent Technology (Shenzhen) Company Limited Image classification method, computer device, and computer-readable storage medium
CN108416370A (zh) * 2018-02-07 2018-08-17 深圳大学 基于半监督深度学习的图像分类方法、装置和存储介质
WO2020033966A1 (en) * 2018-08-10 2020-02-13 Buffalo Automation Group Inc. Deep learning and intelligent sensing system integration
CN109460735A (zh) * 2018-11-09 2019-03-12 中国科学院自动化研究所 基于图半监督学习的文档二值化处理方法、系统、装置
US20200193269A1 (en) * 2018-12-18 2020-06-18 Samsung Electronics Co., Ltd. Recognizer, object recognition method, learning apparatus, and learning method for domain adaptation
CN110866564A (zh) * 2019-11-22 2020-03-06 上海携程国际旅行社有限公司 多重半监督图像的季节分类方法、系统、电子设备和介质
CN112115995A (zh) * 2020-09-11 2020-12-22 北京邮电大学 一种基于半监督学习的图像多标签分类方法
CN112580684A (zh) * 2020-11-17 2021-03-30 平安科技（深圳）有限公司 基于半监督学习的目标检测方法、装置及存储介质
CN112465071A (zh) * 2020-12-18 2021-03-09 深圳赛安特技术服务有限公司 图像多标签分类方法、装置、电子设备及介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115130531A (zh) * 2022-01-24 2022-09-30 北京中科睿鉴科技有限公司 图像生成模型网络结构溯源方法
CN115578797A (zh) * 2022-09-30 2023-01-06 北京百度网讯科技有限公司 模型训练方法、图像识别方法、装置及电子设备
CN115578797B (zh) * 2022-09-30 2023-08-29 北京百度网讯科技有限公司 模型训练方法、图像识别方法、装置及电子设备

Also Published As

Publication number Publication date
CN112990374B (zh) 2023-09-15
WO2022227192A1 (zh) 2022-11-03

Similar Documents

Publication Publication Date Title
CN112257774A (zh) 基于联邦学习的目标检测方法、装置、设备及存储介质
CN111814962A (zh) 识别模型的参数获取方法、装置、电子设备及存储介质
CN112148577A (zh) 数据异常检测方法、装置、电子设备及存储介质
CN111932564B (zh) 图片识别方法、装置、电子设备及计算机可读存储介质
CN111932562B (zh) 基于ct序列的图像识别方法、装置、电子设备及介质
CN111783982A (zh) 攻击样本的获取方法、装置、设备及介质
CN112446544A (zh) 交通流预测模型训练方法、装置、电子设备及存储介质
WO2022141858A1 (zh) 行人检测方法、装置、电子设备及存储介质
CN112137591B (zh) 基于视频流的目标物位置检测方法、装置、设备及介质
CN112767320A (zh) 图像检测方法、装置、电子设备及存储介质
CN112990374B (zh) 图像分类方法、装置、电子设备及介质
CN113298159A (zh) 目标检测方法、装置、电子设备及存储介质
CN113327136A (zh) 归因分析方法、装置、电子设备及存储介质
CN111694844A (zh) 基于配置算法的企业运行数据分析方法、装置及电子设备
CN111932534A (zh) 医学影像图片分析方法、装置、电子设备及可读存储介质
CN114511038A (zh) 虚假新闻检测方法、装置、电子设备及可读存储介质
CN114398557A (zh) 基于双画像的信息推荐方法、装置、电子设备及存储介质
CN114913371A (zh) 多任务学习模型训练方法、装置、电子设备及存储介质
CN114491047A (zh) 多标签文本分类方法、装置、电子设备及存储介质
CN113157739A (zh) 跨模态检索方法、装置、电子设备及存储介质
CN112101481A (zh) 目标物的影响因子筛选方法、装置、设备及存储介质
CN111652282A (zh) 基于大数据的用户偏好分析方法、装置及电子设备
CN113705686B (zh) 图像分类方法、装置、电子设备及可读存储介质
CN112215336B (zh) 基于用户行为的数据标注方法、装置、设备及存储介质
CN112580505B (zh) 网点开关门状态识别方法、装置、电子设备及存储介质

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