CN113378941B - 多决策融合的小样本图像分类方法 - Google Patents
多决策融合的小样本图像分类方法 Download PDFInfo
- Publication number
- CN113378941B CN113378941B CN202110667350.3A CN202110667350A CN113378941B CN 113378941 B CN113378941 B CN 113378941B CN 202110667350 A CN202110667350 A CN 202110667350A CN 113378941 B CN113378941 B CN 113378941B
- Authority
- CN
- China
- Prior art keywords
- classifier
- set data
- data
- prediction
- optimal
- 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 54
- 230000004927 fusion Effects 0.000 title abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 18
- 230000000007 visual effect Effects 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000026683 transduction Effects 0.000 claims description 7
- 238000010361 transduction Methods 0.000 claims description 7
- 230000006698 induction Effects 0.000 claims description 5
- 230000014509 gene expression Effects 0.000 claims description 3
- 230000001939 inductive effect Effects 0.000 claims description 2
- 230000033228 biological regulation Effects 0.000 claims 1
- 230000001105 regulatory effect Effects 0.000 claims 1
- 238000003909 pattern recognition Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 3
- 101100455978 Arabidopsis thaliana MAM1 gene Proteins 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种多决策融合的小样本图像分类方法,属于模式识别技术领域,通过综合考虑多个分类器的决策,从而提高模型的有效性和鲁棒性。该方法是一种简单的非参数方法,能够有效解决训练数据有限时,不能很好地适应新的类别的问题,同时可以解决新数据的嵌入可能导致分布移位的问题,较大幅度的提高小样本图像分类的分类性能。
Description
技术领域
本发明涉及模式识别技术领域,特别涉及一种多决策融合的小样本图像分类方法。
背景技术
近年来,深度学习作为一种强大的工具,已经帮助机器在各种视觉任务中达到甚至超过人类的水平,其中一个不可缺少的因素是大规模标记数据,但是由于实际情况的限制,在现实世界中收集大量的标注数据可能是不行的,因此,在标记样本稀缺的情况下解决这一问题的小样本学习越来越受到人们的关注。目前流行的小样本学习模型通常包括两个部分:预训练部分:使用基础数据生成一个基于神经网络的特征提取模型;测试阶段部分:首先提取测试数据的嵌入特征,然后设计一个分类器来识别查询样本。
目前,主要的小样本图像分类方法有以下几种:
(1)基于数据的小样本图像分类方法:基于数据的小样本学习利用先验知识来增强训练集,增加样本的数量从I到I',其中I'>>I。标准的机器学习模型和算法可以用于增强的数据,并可以获得更精确的经验风险最小化算法。2017年Tsai和Salakhutdinov等人从一个辅助文本语料库中提取聚合权值,由于这些样本可能不是来自目标小样本学习的类,因此直接将聚合的样本扩展到训练集可能会产生误导,因此,在2018年Gao等人使用生成对抗网络,用来从一个数据集生成新的样本,它有两个生成器,一个将小概率类的样本映射到大概率类,另一个将大概率类的样本映射到小概率类,以弥补生成对抗网络训练中样本的不足。但是由于小样本学习训练数据过少,极大地限制了生成对抗网络训练的效果。
(2)基于算法的小样本图像分类方法:基于算法的小样本图像分类方法主要是改进现有的参数需要进行预训练并逐渐适应训练集,预训练可以通过微调实现。2018年Arik等人提出提前停止,它需要从训练集中分离一个验证集来监视培训过程,当验证集没有性能改进时,学习就停止了;2018年Keshari等人提出有选择的更新一部分参数,对于给定一组预先训练好的滤波器,它只学习一个与滤波器相乘的强度参数;2018年Yoo等人提出同时更新相关联的多个参数;2016年Wang等人使用模型回归网络捕获了任务无关的转换,该转换将通过对少数样本的训练得到的参数值映射到将通过对大量样本的训练得到的参数值,除此之外,也可以使用新参数微调现有参数。但是由于神经网络中有大量的参数需要优化,在微调时样本数量不足很容易导致模型过拟合,影响最终的分类性能。
(3)基于优化的小样本图像分类方法:基于优化的小样本学习主要是使用2017年Finn等人提出的MAML以及其改进方法,MAML在试图利用随机策略的反向传播估计二阶导数时遇到了很大的困难;2019年Song等人提出了一个基于进化策略一个新框架ES-MAML,避免二阶导数估计问题的算法,并且可以处理新型的非平滑自适应算子;2019年Jiang等人对MAML进行了改进,采用两阶段的训练和fine-tune进行优化,大大提升了训练速度。如果监督信息丰富,可以通过梯度下降法进行学习并进行交叉验证,但是小样本学习的样本数量少不足以支撑这种方法。
发明内容
为了解决现有技术的小样本图像分类方法在图像分类过程中存在的问题,本发明实施例提供一种多决策融合的小样本图像分类方法,通过综合考虑多个分类器的决策,从而提高模型的有效性和鲁棒性,有效解决训练数据有限时,不能很好地适应新的类别的问题,较大幅度的提高小样本图像分类的分类性能。所述技术方案如下:
本发明提供了一种多决策融合的小样本图像分类方法包括:
使用训练数据训练卷积神经网络来提取图像特征,训练好后固定网络参数;
通过直接优化分类器目标函数得到分类器,利用预测公式预测测试样本的类别,其中,所述分类器目标函数为:
其中,dim和N分别表示样本的尺寸和数量,C表示类别数,xi,yi(i=1,2,...)表示第i个样本的嵌入特征向量和标签向量;表示要学习的分类器;||·||F表示对(·)做正则化;μ表示分类器W约束项的权重;
所述分类器W为:
W=(XTX)-1XTY
所述预测公式为:
C(xt)=max{Wxt}
引入不同视角样本的多种特征表示,通过权重组合目标函数求解最优权重组合,根据最优权重组合并利用所述预测公式来预测测试样本的类别,每个视角通过所述预测公式得到一个决策,其中,所述权重组合目标函数为:
根据最优权重组合并利用所述预测公式预测的测试样本的类别为:
其中,xt表示测试样本,Wv=(XvTXv)-1XvTY,xt v表示xt的第v种视角的嵌入特征;
将多决策融合的小样本图像特征扩展到归纳设置或半监督设置或转导设置,利用预测公式对不同视角上的最优分类器进行查询集数据的标签预测,所述预测公式为:
可选的,所述通过权重组合目标函数求解最优权重组合,具体为:在所述权重组合目标函数基础上引入拉格朗日量,并采用牛顿法,获得最优权重组合,其中,第v种视角的最优权重为:
可选的,所述将多决策融合的小样本图像特征类方法扩展到归纳设置,利用预测公式对不同视角上的最优分类器进行查询集数据的标签预测,具体为:
采用支持集对分类器进行训练,利用预测公式直接预测查询集的类别。
可选的,所述将多决策融合的小样本图像特征类方法扩展到半监督设置,利用预测公式对不同视角上的最优分类器进行查询集数据的标签预测,具体为:
第三步:重复第一步和第二步直到分类器的性能稳定,然后利用预测公式对不同视角上的最优分类器进行查询集数据的标签预测。
可选的,所述将多决策融合的小样本图像特征类方法扩展到转导设置,利用预测公式对不同视角上的最优分类器进行查询集数据的标签预测,具体为:
第一步:使用支持集数据训练一个基本分类器,然后使用经过训练的分类器预测查询集数据,得到:
第二步:通过查询集数据的预测软标签矩阵选择一个最信任样本,将其加入到支持集数据中,得到:
第三步:重复第一步和第二步直到分类器的性能稳定,然后利用预测公式对不同视角上的最优分类器进行查询集数据的标签预测。
本发明实施例提供的技术方案带来的有益效果是:
本发明实施例提供的一种多决策融合的小样本图像分类方法,通过综合考虑多个分类器的决策,从而提高模型的有效性和鲁棒性。该方法是一种简单的非参数方法,能够有效解决训练数据有限时,不能很好地适应新的类别的问题,同时可以解决新数据的嵌入可能导致分布移位的问题,较大幅度的提高小样本图像分类的分类性能。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种多决策融合的小样本图像分类方法的流程示意图;
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
下面将结合附图1,对本发明实施例的一种多决策融合的小样本图像分类方法进行详细说明。
参考附图1所示,本发明实施例的一种多决策融合的小样本图像分类方法包括:
步骤110:使用训练数据训练卷积神经网络来提取图像特征,训练好后固定网络参数。
采用卷积神经网络模型Resnet-12模型提取图像特征。其中,采用卷积神经网络提取图像特征的过程并不是本发明的保护内容,采用卷积神经网络提取图像特征属于已有技术,是一种常用的图像特征提取方法,本领域技术人员可以参考已有技术,本发明实施例在此不再累述。
步骤120:通过直接优化分类器目标函数得到分类器,利用预测公式预测测试样本的类别。
分类器目标函数如下:
其中,dim和N分别表示样本的尺寸和数量,C表示类别数,xi,yi(i=1,2,...)表示第i个样本的嵌入特征向量和标签向量;表示要学习的分类器;||·||F表示对(·)做正则化;μ表示分类器W约束项的权重;
直接优化分类器目标函数得到的分类器W为:
W=(XTX)-1XTY
C(xt)=max{Wxt}
其中,max表示获取向量中最大值索引的操作符。
步骤130:引入不同视角样本的多种特征表示,通过权重组合目标函数求解最优权重组合,根据最优权重组合并利用所述预测公式来预测测试样本的类别,每个视角通过所述预测公式得到一个决策。
为了在实际应用中充分提取少量镜头数据的更多信息,本发明引入不同视角样本的多种特征表示,假设总共有V种视角,每个视角都有相应的特征嵌入和分类器,例如[(X1,W1),(X2,W2),...,(XV,WV)],其中,(·)v,(v=1,2,...,V)表示第v种视角上的变量。每个视角通过步骤120中的预测公式得到一个决策。尝试找出Ω=[Ω1,Ω2,...,ΩV]T的组合权值,使弱分类器对最终决策产生积极影响。
权重组合目标函数为:
引入拉格朗日量,权重组合目标函数改写成:
式中,ζ是一个常数,Λ=[Λ1,Λ2,...,ΛV]T是一个向量。
为方便计算,将上述方程(1)改写成矩阵形式,如下所示:
权重组合目标函数改写成如下形式:
结合上述公式(2),上述公式(5)改写为:
结合权重组合目标函数、上述公式(6)、上述公式(7),得到:
结合牛顿法得到:
最终得到第ν种特征的最优权重为:
利用所提出的多决策融合的小样本图像分类方法对测试样本xt进行预测,步骤120中的预测公式改写为:
其中,Wv=(XvTXv)-1XvTY,xt v表示xt的第v种视角的嵌入特征;
步骤140:将多决策融合的小样本图像特征扩展到归纳设置或半监督设置或转导设置,利用预测公式对不同视角上的最优分类器进行查询集数据的标签预测。
所述预测公式为:
归纳设置采用支持集对分类器进行训练,利用预测公式直接预测查询集的类别。
半监督设置的步骤如下所示:
第三步:重复第一步和第二步直到分类器的性能稳定,然后利用预测公式对不同视角上的最优分类器进行查询集数据的标签预测。
转导设置的步骤如下所示:
第三步:重复第一步和第二步直到分类器的性能稳定,然后利用预测公式对不同视角上的最优分类器进行查询集数据的标签预测。
本发明实施例提供的一种多决策融合的小样本图像分类方法,通过综合考虑多个分类器的决策,从而提高模型的有效性和鲁棒性。该方法是一种简单的非参数方法,能够有效解决训练数据有限时,不能很好地适应新的类别的问题,同时可以解决新数据的嵌入可能导致分布移位的问题,较大幅度的提高小样本图像分类的分类性能。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种多决策融合的小样本图像分类方法,其特征在于,所述方法包括:
使用训练数据训练卷积神经网络来提取图像特征,训练好后固定网络参数;
通过直接优化分类器目标函数得到分类器,利用预测公式预测测试样本的类别,其中,所述分类器目标函数为:
其中,din和N分别表示样本的尺寸和数量,C表示类别数,xi,yi(i=1,2,...)表示第i个样本的嵌入特征向量和标签向量;表示要学习的分类器;||·||F表示对(·)做正则化;μ表示分类器W约束项的权重;
所述分类器W为:
W=(XTX)-1XTY
所述预测公式为:
C(xt)=max{Wxt}
引入不同视角样本的多种特征表示,通过权重组合目标函数求解最优权重组合,根据最优权重组合并利用所述预测公式来预测测试样本的类别,每个视角通过所述预测公式得到一个决策,其中,所述权重组合目标函数为:
根据最优权重组合并利用所述预测公式预测的测试样本的类别为:
其中,xt表示测试样本,Wv=(XvTXv)-1XvTY,xt v表示xt的第v种视角的嵌入特征;
3.根据权利要求1或2所述的图像分类方法,其特征在于,所述将多决策融合的小样本图像特征类方法扩展到归纳设置,利用预测公式对不同视角上的最优分类器进行查询集数据的标签预测,具体为:
采用支持集对分类器进行训练,利用预测公式直接预测查询集的类别。
4.根据权利要求1或2所述的图像分类方法,其特征在于,所述将多决策融合的小样本图像特征类方法扩展到半监督设置,利用预测公式对不同视角上的最优分类器进行查询集数据的标签预测,具体为:
第二步:通过未标记数据的预测软标签矩阵选择一个最信任样本,将其加入到支持集数据中,得到:
第三步:重复第一步和第二步直到分类器的性能稳定,然后利用预测公式对不同视角上的最优分类器进行查询集数据的标签预测。
5.根据权利要求1或2所述的图像分类方法,其特征在于,所述将多决策融合的小样本图像特征类方法扩展到转导设置,利用预测公式对不同视角上的最优分类器进行查询集数据的标签预测,具体为:
第二步:通过查询集数据的预测软标签矩阵选择一个最信任样本,将其加入到支持集数据中,得到:
第三步:重复第一步和第二步直到分类器的性能稳定,然后利用预测公式对不同视角上的最优分类器进行查询集数据的标签预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110667350.3A CN113378941B (zh) | 2021-06-16 | 2021-06-16 | 多决策融合的小样本图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110667350.3A CN113378941B (zh) | 2021-06-16 | 2021-06-16 | 多决策融合的小样本图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113378941A CN113378941A (zh) | 2021-09-10 |
CN113378941B true CN113378941B (zh) | 2022-05-03 |
Family
ID=77574659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110667350.3A Active CN113378941B (zh) | 2021-06-16 | 2021-06-16 | 多决策融合的小样本图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113378941B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113869402A (zh) * | 2021-09-27 | 2021-12-31 | 中国人民银行清算总中心 | 基于模型应用画像的多模型融合方法及装置 |
CN114782752B (zh) * | 2022-05-06 | 2023-09-05 | 兰州理工大学 | 基于自训练的小样本图像集成分类方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222778A (zh) * | 2019-06-11 | 2019-09-10 | 中国科学院自动化研究所 | 基于深度森林的在线多视角分类方法、系统、装置 |
CN111488760A (zh) * | 2019-01-25 | 2020-08-04 | 复旦大学 | 基于深度多示例学习的少样本行人重识别方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10660536B2 (en) * | 2015-09-15 | 2020-05-26 | Huami Inc. | Wearable biometric measurement device |
CN106951915B (zh) * | 2017-02-23 | 2020-02-21 | 南京航空航天大学 | 一种基于类别置信度的一维距离像多分类器融合识别法 |
CN108596154B (zh) * | 2018-05-14 | 2021-09-24 | 河海大学 | 基于高维特征选择与多级融合的遥感图像分类方法 |
CN110245874B (zh) * | 2019-03-27 | 2024-05-10 | 中国海洋大学 | 一种基于机器学习和知识推理的决策融合方法 |
CN112434734A (zh) * | 2020-11-20 | 2021-03-02 | 贵州大学 | 基于动态分类器序列组合的选择性集成方法 |
-
2021
- 2021-06-16 CN CN202110667350.3A patent/CN113378941B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111488760A (zh) * | 2019-01-25 | 2020-08-04 | 复旦大学 | 基于深度多示例学习的少样本行人重识别方法 |
CN110222778A (zh) * | 2019-06-11 | 2019-09-10 | 中国科学院自动化研究所 | 基于深度森林的在线多视角分类方法、系统、装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113378941A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110188635B (zh) | 一种基于注意力机制和多层次卷积特征的植物病虫害识别方法 | |
CN113378941B (zh) | 多决策融合的小样本图像分类方法 | |
CN112132014B (zh) | 基于非督导金字塔相似性学习的目标重识别方法及系统 | |
CN101315670B (zh) | 特定被摄体检测装置及其学习装置和学习方法 | |
CN107578061A (zh) | 基于最小化损失学习的不平衡样本分类方法 | |
CN113139536B (zh) | 一种基于跨域元学习的文本验证码识别方法、设备及存储介质 | |
CN108364016A (zh) | 基于多分类器的渐进式半监督分类方法 | |
CN111832605A (zh) | 无监督图像分类模型的训练方法、装置和电子设备 | |
CN112949693B (zh) | 图像分类模型的训练方法、图像分类方法、装置和设备 | |
CN107683469A (zh) | 一种基于深度学习的产品分类方法及装置 | |
CN111126576B (zh) | 一种深度学习的训练方法 | |
CN112052818B (zh) | 无监督域适应的行人检测方法、系统及存储介质 | |
CN103116766A (zh) | 一种基于增量神经网络和子图编码的图像分类方法 | |
CN104091038A (zh) | 基于大间隔分类准则的多示例学习特征加权方法 | |
CN109215344B (zh) | 用于城市道路短时交通流量预测的方法和系统 | |
CN110287985B (zh) | 一种基于带变异粒子群算法的可变拓扑结构的深度神经网络图像识别方法 | |
CN111639540A (zh) | 基于相机风格和人体姿态适应的半监督人物重识别方法 | |
CN113591915B (zh) | 基于半监督学习和单分类支持向量机的异常流量识别方法 | |
CN105654505B (zh) | 一种基于超像素的协同跟踪算法和系统 | |
CN113887643A (zh) | 一种基于伪标签自训练和源域再训练的新对话意图识别方法 | |
Jadli et al. | Toward a deep smart waste management system based on pattern recognition and transfer learning | |
CN117611932A (zh) | 基于双重伪标签细化和样本重加权的图像分类方法及系统 | |
CN112115826A (zh) | 一种基于双边分支网络的人脸活体检测方法及系统 | |
CN114782752A (zh) | 基于自训练的小样本图像集成分类方法及装置 | |
CN103902706A (zh) | 一种基于svm的大数据分类预测方法 |
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 |