CN113435509B - 基于元学习的小样本场景分类识别方法及系统 - Google Patents
基于元学习的小样本场景分类识别方法及系统 Download PDFInfo
- Publication number
- CN113435509B CN113435509B CN202110720563.8A CN202110720563A CN113435509B CN 113435509 B CN113435509 B CN 113435509B CN 202110720563 A CN202110720563 A CN 202110720563A CN 113435509 B CN113435509 B CN 113435509B
- Authority
- CN
- China
- Prior art keywords
- data
- original training
- image
- training
- image feature
- 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 47
- 238000012549 training Methods 0.000 claims abstract description 100
- 239000013598 vector Substances 0.000 claims abstract description 64
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims abstract description 38
- 238000013145 classification model Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 239000013589 supplement Substances 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F18/21—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
- G06F18/24—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于元学习的小样本场景分类识别方法及系统，其首先训练得到预训练GAN模型；然后将原始训练数据输入至预训练GAN模型的生成模块中得到伪数据集和所有图像数据的图像特征向量，选出伪数据集中高置信度图像数据加入到支持集中；最后根据支持集中每一类的图像特征向量得到每一类类向量，计算查询集样本与支持集中每一类类向量之间距离，得到查询集样本的类别概率；本发明针对小样本的分类环境，使用元学习方法来进行模型训练，从而避免过拟合问题；同时引入GAN模型的生成模块和与之对应的置信度模块，在生成伪样本时，筛选出置信度高于设定阈值的图像数据作为补充数据集加入到原始训练数据的支持集中，实现样本的数据增强。
Description
技术领域
本发明涉及图像识别分类技术领域，尤其是涉及一种基于元学习的小样本场景分类识别方法及系统。
背景技术
随着机器学习与人工智能技术的发展，越来越多的机器学习方法被应用到了实际工业生产之中，其中图像识别与分类属于较为应用广泛和技术成熟的领域。自从上个世纪以来，对图像领域的研究发展出了很多种方法，常见的包括：基于小波、神经网络、贝叶斯网络、关联规则、决策树等单一的分类技术，之后又组合出了复杂的分类器和分布式系统。其中效果最好的是深度学习。
虽然该领域以及取得了很好的发展，但是特定的实际应用中还会存在很多问题。诸多图像应用领域(如医学图像分类，特殊场景识别等)，具备专业性较强、数据量较小、特征差异较大的特点，并且样本的标注具有较大难度，这让机器学习方法的落地会面临很大挑战。同时，在许多实际应用中，存在着场景复杂且训练样本较小的问题，由于小样本在训练过程中，容易使模型陷入过拟合。目前各种分类方法并不能直接拿来进行落地，还是需要根据实际情况进行研究。
发明内容
本发明的目的在于克服上述技术不足，提出一种基于元学习的小样本场景分类识别方法及系统，来解决现有技术中小样本存在的场景复杂且训练样本较小以及过拟合的问题。
为达到上述技术目的，本发明的技术方案第一方面提供一种基于元学习的小样本场景分类识别方法，其包括如下步骤：
采用原始训练数据对GAN模型进行训练得到预训练GAN模型；
将原始训练数据输入至预训练GAN模型的生成模块中得到伪数据集和所有图像数据的图像特征向量，选出伪数据集中置信度高于设定阈值的图像数据作为补充数据集加入到原始训练数据的支持集中；
根据支持集中每一类的图像特征向量得到每一类类向量，计算查询集样本与支持集中每一类类向量之间距离，根据距离得到查询集样本的类别概率。
本发明第二方面提供一种基于元学习的小样本场景分类识别系统，其包括如下功能模块：
预训练模块，用于采用原始训练数据对GAN模型进行训练得到预训练GAN模型；
数据生成补充模块，用于将原始训练数据输入至预训练GAN模型的生成模块中得到伪数据集和所有图像数据的图像特征向量，选出伪数据集中置信度高于设定阈值的图像数据作为补充数据集加入到原始训练数据的支持集中；
类别计算模块，用于根据支持集中每一类的图像特征向量得到每一类类向量，计算查询集样本与支持集中每一类类向量之间距离，根据距离得到查询集样本的类别概率。
本发明第三方面提供一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于元学习的小样本场景分类识别方法的步骤。
本发明第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述一种基于元学习的小样本场景分类识别方法的步骤。
与现有技术相比，本发明针对小样本的分类环境，使用元学习的方法来进行模型训练分类，从而避免过拟合问题；同时引入GAN模型的生成模块和与之对应的置信度模块，在生成伪样本时，筛选出置信度高于设定阈值的图像数据作为补充数据集加入到原始训练数据的支持集中，实现样本的数据增强，还避免了噪声对原始数据的污染，确保了类中心的准确性。
附图说明
图1是本发明实施例所述的基于元学习的小样本场景分类识别方法的流程框图；
图2是图1中步骤S2的分步骤流程框图；
图3是本发明实施例所述的基于元学习的小样本场景分类识别系统的模块框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。
基于上述内容，本发明实施例提供一种基于元学习的小样本场景分类识别方法，如图1所示，其包括如下步骤：
S1、采用原始训练数据对GAN模型进行训练得到预训练GAN模型。
首先收集原始训练数据，将其输入到GAN模型中，经过多轮训练得到预训练GAN模型，所述预训练GAN模型具有生成可靠图像的能力。
S2、将原始训练数据输入至预训练GAN模型的生成模块中得到伪数据集和所有图像数据的图像特征向量，选出伪数据集中置信度高于设定阈值的图像数据作为补充数据集加入到原始训练数据的支持集中。
其中如图2所示，所述步骤S2包括如下分步骤：
S21、将原始训练数据重新构造为N-way-K-shot的数据形式，组合成多组任务数据；
S22、将多组任务数据输入至预训练GAN模型的生成模块中，由生成模型对每张图像加入噪声生成伪数据集，同时得到所有图像数据的图像特征向量；
S23、通过一置信度判断模块从生成的伪数据集选出置信度高于设定阈值的图像数据作为补充数据集加入到原始训练数据的支持集中。
由于本发明是基于元学习的小样本分类问题，在进行模型训练的时候，需要以任务task的形式进行，即N-way-K-shot(N类数据，每类数据包含K个样本)的数据形式。假设原始训练数据重新构造成N-way-K-shot的数据形式如下：
Data＝[D1，1...D1，k，D2，1...D2，k，........，DN-1，1...DN-1，k，DN，1...DN，k]
其中，Di，j表示第i类的第j个数据。
为了区别常规的数据集格式，我们将每个任务中用于训练的数据称为支持集(support集)，用于测试的数据称为查询集(Query集)，将支持集数据和查询集数据同时输入至预训练GAN模型的生成模块中，然后经过预训练GAN模型的生成模块对每张图像加入一定噪声，生成一定数量的伪数据集；同时得到所有图像数据的图像特征向量。
具体的，支持集经过预训练GAN模型的生成模块训练后，会生成支持集图像特征向量
同时还会生成指定数量的伪样本
和其图像特征向量
查询集经过预训练GAN模型的生成模块训练后，会生成查询集图像特征向量
将生成的伪数据集经过一个置信度判断模块，选出伪数据集中置信度高于设定阈值的图像作为补充数据集加入到原始训练数据中，其中设定阈值根据需要或者经验值进行设定。
所述置信度判断模块的置信度判断原理如下：
采用机器学习方法对原始训练数据进行拟合得到分类模型，所述机器学习方法包括SVM、LogisticRegression等；
使用分类模型伪数据集进行预测，其预测结果如下：
其中，yi表示分类模型的偏置项，xi表示图像特征向量，β表示分类模型的系数矩阵，γi表示分类模型的参数；此时优化问题变成了以γ为回归系数的线性回归问题。
对于以γ为回归系数的线性回归问题的求解方式，本发明采用skleam包中的弹性网方法，找出解路径前N个γ＝0的伪数据加入到原始训练数据的支持集中，对原始训练数据中支持集起到扩充数据集的效果。
其中，使用分类模型伪数据集可以进行迭代多轮预测，每一次挑选出来的高置信度伪数据作为补充数据集加入到原始训练数据的支持集中，不断扩大原始训练数据中支持集的数量，并参与到新一轮的线性分类器训练。
S3、根据支持集中每一类的图像特征向量得到每一类类向量，计算查询集样本与支持集中每一类类向量之间距离，根据距离得到查询集样本的类别概率。
在经过预训练GAN模型的生成模块之后，得到支持集每个类别c的样本图像特征向量集Xc和类均值μc：
Xc＝[f(Xc，1)，f(Xc，2)，f(Xc，3)，.....f(Xc，k)]
其中，f(Xc，k)表示对于第c类的第k个样本经过特征提取网络后的向量，K为该类样本个数。
设所有图像特征向量服从高斯分布。通过奇异值分解(SVD)将每一个支持集数据的图像特征向量
分解为N个子向量，取前m个作为最具有代表性的显著性图像特征向量，让m个向量作为该图像的实际表示，通过求和平均的方式获得类向量Pc：
Vxi＝(V1，...，VN)|SVD(V1，...，VN，....VM)
计算查询集中样本f(q)到C类的特征空间距离Dc，q：
Dc，q＝-||f(q)-Pc||2
利用softmax函数计算查询样本属于各个类的概率Pc，q
该部分的损失函数如下：
该方法的全部损失函数如下：
本发明基于假设，引入对图像特征进行高斯分布估计，并选用奇异值分解的方法挑选出起到决定性作用的前一部分特征，避免了图像上其他内容的干扰。
综上，本发明针对小样本的分类环境，使用元学习的方法来进行模型训练分类，从而避免过拟合问题；同时引入GAN模型的生成模块和与之对应的置信度模块，在生成伪样本时，筛选出置信度高于设定阈值的图像数据作为补充数据集加入到原始训练数据的支持集中，实现样本的数据增强，还避免了噪声对原始数据的污染，确保了类中心的准确性。
如图3所示，本发明实施例还提供一种基于元学习的小样本场景分类识别系统，其包括如下功能模块：
预训练模块10，用于采用原始训练数据对GAN模型进行训练得到预训练GAN模型；
数据生成补充模块20，用于将原始训练数据输入至预训练GAN模型的生成模块中得到伪数据集和所有图像数据的图像特征向量，选出伪数据集中置信度高于设定阈值的图像数据作为补充数据集加入到原始训练数据的支持集中；
类别计算模块30，用于根据支持集中每一类的图像特征向量得到每一类类向量，计算查询集样本与支持集中每一类类向量之间距离，根据距离得到查询集样本的类别概率。
本实施例一种基于元学习的小样本场景分类识别系统的执行方式与上述基于元学习的小样本场景分类识别方法基本相同，故不作详细赘述。
本实施例服务器为提供计算服务的设备，通常指具有较高计算能力，通过网络提供给多个消费者使用的计算机。该实施例的服务器包括：存储器、处理器以及系统总线，所述存储器包括存储其上的可运行的程序，本领域技术人员可以理解，本实施例的终端设备结构并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行终端的各种功能应用以及数据处理。存储器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(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据终端的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在存储器上包含一种基于元学习的小样本场景分类识别方法的可运行程序，所述可运行程序可以被分割成一个或多个模块/单元，所述一个或多个模块/单元被存储在所述存储器中，并由处理器执行，以完成信息的获取及实现过程，所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述服务器中的执行过程。例如，所述计算机程序可以被分割为预训练模块10、数据生成补充模块20、类别计算模块30。
处理器是服务器的控制中心，利用各种接口和线路连接整个终端设备的各个部分，通过运行或执行存储在存储器内的软件程序和/或模块，以及调用存储在存储器内的数据，执行终端的各种功能和处理数据，从而对终端进行整体监控。可选的，处理器可包括一个或多个处理单元；优选的，处理器可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器中。
系统总线是用来连接计算机内部各功能部件，可以传送数据信息、地址信息、控制信息，其种类可以是例如PCI总线、ISA总线、VESA总线等。处理器的指令通过总线传递至存储器，存储器反馈数据给处理器，系统总线负责处理器与存储器之间的数据、指令交互。当然系统总线还可以接入其他设备，例如网络接口、显示设备等。
所述服务器应至少包括CPU、芯片组、内存、磁盘系统等，其他构成部件在此不再赘述。
在本发明实施例中，该终端所包括的处理器执行的可运行程序具体为：一种基于元学习的小样本场景分类识别方法，其包括如下步骤：
采用原始训练数据对GAN模型进行训练得到预训练GAN模型；
将原始训练数据输入至预训练GAN模型的生成模块中得到伪数据集和所有图像数据的图像特征向量，选出伪数据集中置信度高于设定阈值的图像数据作为补充数据集加入到原始训练数据的支持集中；
根据支持集中每一类的图像特征向量得到每一类类向量，计算查询集样本与支持集中每一类类向量之间距离，根据距离得到查询集样本的类别概率。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实施例的模块、单元和/或方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于元学习的小样本场景分类识别方法，其特征在于，包括如下步骤：
采用原始训练数据对GAN模型进行训练得到预训练GAN模型；
将原始训练数据输入至预训练GAN模型的生成模块中得到伪数据集和所有图像数据的图像特征向量，选出伪数据集中置信度高于设定阈值的图像数据作为补充数据集加入到原始训练数据的支持集中；
根据支持集中每一类的图像特征向量得到每一类类向量，计算查询集样本与支持集中每一类类向量之间距离，根据距离得到查询集样本的类别概率；
所述将原始训练数据输入至预训练GAN模型的生成模块中得到伪数据集和所有图像数据的图像特征向量，选出伪数据集中置信度高于设定阈值的图像数据作为补充数据集加入到原始训练数据的支持集中；包括：
将原始训练数据重新构造为N-way-K-shot的数据形式，组合成多组任务数据；
将多组任务数据输入至预训练GAN模型的生成模块中，由生成模型对每张图像加入噪声生成伪数据集，同时得到所有图像数据的图像特征向量；
通过一置信度判断模块从生成的伪数据集选出置信度高于设定阈值的图像数据作为补充数据集加入到原始训练数据的支持集中；
其中，将原始训练数据中用于训练的数据称为支持集，将原始训练数据中用于测试的数据称为查询集。
2.根据权利要求1所述基于元学习的小样本场景分类识别方法，其特征在于，所述通过一置信度判断模块从生成的伪数据集选出置信度高于设定阈值的图像数据作为补充数据集加入到原始训练数据的支持集中，包括
采用机器学习方法对原始训练数据进行拟合得到分类模型；
使用分类模型伪数据集进行预测，其预测结果如下：
其中，yi表示分类模型的偏置项，xi表示图像特征向量，β表示分类模型的系数矩阵，γi表示分类模型的参数；
采用sklearn包中的弹性网方法，找出解路径前N个γ＝0的伪数据加入到原始训练数据的支持集中。
3.根据权利要求2所述基于元学习的小样本场景分类识别方法，其特征在于，所述通过一置信度判断模块从生成的伪数据集选出置信度高于设定阈值的图像数据作为补充数据集加入到原始训练数据的支持集中，包括：
使用分类模型伪数据集进行迭代多轮预测，不断扩大原始训练数据中支持集的数量。
4.根据权利要求1所述基于元学习的小样本场景分类识别方法，其特征在于，所述根据支持集中每一类的图像特征向量得到每一类类向量，包括：
通过奇异值分解将支持集中每一类的图像特征向量分解为多个子向量，取前若干个子向量作为最具有代表性的显著性图像特征向量计算得到每一类类向量。
5.根据权利要求1所述基于元学习的小样本场景分类识别方法，其特征在于，所述图像特征向量服从高斯分布。
6.根据权利要求1所述基于元学习的小样本场景分类识别方法，其特征在于，所述所有图像数据的图像特征向量包括原始训练数据的图像特征向量和伪数据的图像特征向量，所述原始训练数据的图像特征向量包括支持集样本数据的图像特征向量和查询集样本数据的图像特征向量。
7.一种基于元学习的小样本场景分类识别系统，其特征在于，包括如下功能模块：
预训练模块，用于采用原始训练数据对GAN模型进行训练得到预训练GAN模型；
数据生成补充模块，用于将原始训练数据输入至预训练GAN模型的生成模块中得到伪数据集和所有图像数据的图像特征向量，选出伪数据集中置信度高于设定阈值的图像数据作为补充数据集加入到原始训练数据的支持集中；
类别计算模块，用于根据支持集中每一类的图像特征向量得到每一类类向量，计算查询集样本与支持集中每一类类向量之间距离，根据距离得到查询集样本的类别概率；
所述数据生成补充模块，具体用于将原始训练数据重新构造为N-way-K-shot的数据形式，组合成多组任务数据；将多组任务数据输入至预训练GAN模型的生成模块中，由生成模型对每张图像加入噪声生成伪数据集，同时得到所有图像数据的图像特征向量；通过一置信度判断模块从生成的伪数据集选出置信度高于设定阈值的图像数据作为补充数据集加入到原始训练数据的支持集中；其中，将原始训练数据中用于训练的数据称为支持集，将原始训练数据中用于测试的数据称为查询集。
8.一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述基于元学习的小样本场景分类识别方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于元学习的小样本场景分类识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110720563.8A CN113435509B (zh) | 2021-06-28 | 2021-06-28 | 基于元学习的小样本场景分类识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110720563.8A CN113435509B (zh) | 2021-06-28 | 2021-06-28 | 基于元学习的小样本场景分类识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113435509A CN113435509A (zh) | 2021-09-24 |
| CN113435509B true CN113435509B (zh) | 2022-03-25 |
Family
ID=77754930
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110720563.8A Active CN113435509B (zh) | 2021-06-28 | 2021-06-28 | 基于元学习的小样本场景分类识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113435509B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114155397B (zh) * | 2021-11-29 | 2023-01-03 | 中国船舶重工集团公司第七0九研究所 | 一种小样本图像分类方法及系统 |
| CN114612708B (zh) * | 2022-02-23 | 2022-12-09 | 广州市玄武无线科技股份有限公司 | 商品识别方法、装置、终端设备及计算机可读介质 |
| CN114239753B (zh) * | 2022-02-23 | 2022-07-22 | 山东力聚机器人科技股份有限公司 | 可迁移的图像识别方法及装置 |
| CN114627383B (zh) * | 2022-05-13 | 2022-08-02 | 南京航空航天大学 | 一种基于度量学习的小样本缺陷检测方法 |
| CN115424053B (zh) * | 2022-07-25 | 2023-05-02 | 北京邮电大学 | 小样本图像识别方法、装置、设备及存储介质 |
| CN116403071B (zh) * | 2023-03-23 | 2024-03-26 | 河海大学 | 基于特征重构的少样本混凝土缺陷检测方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111858991A (zh) * | 2020-08-06 | 2020-10-30 | 南京大学 | 一种基于协方差度量的小样本学习算法 |
| CN112052899A (zh) * | 2020-09-03 | 2020-12-08 | 上海无线电设备研究所 | 一种基于生成对抗网络的单幅舰船目标sar图像生成方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10726304B2 (en) * | 2017-09-08 | 2020-07-28 | Ford Global Technologies, Llc | Refining synthetic data with a generative adversarial network using auxiliary inputs |
| CN109559276B (zh) * | 2018-11-14 | 2020-09-08 | 武汉大学 | 一种基于质量评价和特征统计的图像超分辨率重建方法 |
| CN111461244A (zh) * | 2020-04-09 | 2020-07-28 | 武汉大学 | 一种基于SimpleShot的One-Shot学习新方法 |
-
2021
- 2021-06-28 CN CN202110720563.8A patent/CN113435509B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111858991A (zh) * | 2020-08-06 | 2020-10-30 | 南京大学 | 一种基于协方差度量的小样本学习算法 |
| CN112052899A (zh) * | 2020-09-03 | 2020-12-08 | 上海无线电设备研究所 | 一种基于生成对抗网络的单幅舰船目标sar图像生成方法 |
Non-Patent Citations (2)
| Title |
|---|
| Two-Stage Model-Agnostic Meta-Learning With Noise Mechanism for One-Shot Imitation;Ziye Hu，and etc;《 IEEE Access》;20201006;第8卷;第182720-182730页 * |
| 医学影像人工智能辅助诊断的样本增广方法;魏小娜等;《计算机应用》;20190910(第9期);第2558-2567页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113435509A (zh) | 2021-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113435509B (zh) | 基于元学习的小样本场景分类识别方法及系统 | |
| CN113011889B (zh) | 账号异常识别方法、系统、装置、设备及介质 | |
| CN111401474B (zh) | 视频分类模型的训练方法、装置、设备及存储介质 | |
| CN115563610B (zh) | 入侵检测模型的训练方法、识别方法和装置 | |
| CN112784929A (zh) | 一种基于双元组扩充的小样本图像分类方法及装置 | |
| CN111898703A (zh) | 多标签视频分类方法、模型训练方法、装置及介质 | |
| CN112257738A (zh) | 机器学习模型的训练方法、装置和图像的分类方法、装置 | |
| CN112910811A (zh) | 基于联合学习的噪声水平未知条件下的盲调制识别方法和装置 | |
| CN113449012A (zh) | 基于大数据预测的互联网服务挖掘方法及大数据预测系统 | |
| CN111310743B (zh) | 人脸识别方法、装置、电子设备及可读存储介质 | |
| CN113987236B (zh) | 基于图卷积网络的视觉检索模型的无监督训练方法和装置 | |
| CN115100717A (zh) | 特征提取模型的训练方法、卡通对象的识别方法及装置 | |
| Chen et al. | Sample balancing for deep learning-based visual recognition | |
| CN114299304A (zh) | 一种图像处理方法及相关设备 | |
| CN113569955A (zh) | 一种模型训练方法、用户画像生成方法、装置及设备 | |
| CN111126501B (zh) | 一种图像识别方法、终端设备及存储介质 | |
| CN113704534A (zh) | 图像处理方法、装置及计算机设备 | |
| CN110991247B (zh) | 一种基于深度学习与nca融合的电子元器件识别方法 | |
| CN112270334A (zh) | 一种基于异常点暴露的少样本图像分类方法及系统 | |
| CN111507396A (zh) | 缓解神经网络对未知类样本产生错误分类的方法及装置 | |
| CN115019342A (zh) | 一种基于类关系推理的濒危动物目标检测方法 | |
| CN111091198B (zh) | 一种数据处理方法及装置 | |
| CN113392867A (zh) | 一种图像识别方法、装置、计算机设备及存储介质 | |
| Cui et al. | Prototype generation based shift graph convolutional network for semi-supervised anomaly detection | |
| CN115630289B (zh) | 一种基于证据理论的目标识别方法及装置 |
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 | ||
| CP02 | Change in the address of a patent holder |
Address after: Room 1409, Floor 14, Building 1, High tech Zone Entrepreneurship Center, No. 177, Gaoxin 6th Road, Rizhao, Shandong 276801 Patentee after: Shandong Liju Robot Technology Co.,Ltd. Address before: 276808 No.99, Yuquan 2nd Road, antonwei street, Lanshan District, Rizhao City, Shandong Province Patentee before: Shandong Liju Robot Technology Co.,Ltd. |
|
| CP02 | Change in the address of a patent holder | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Peng Inventor after: Zhang Kai Inventor after: Wei Qi Inventor after: Ding Dongrui Inventor after: Yang Guangyuan Inventor after: Lu Tianbin Inventor after: Fang Tipin Inventor before: Zhang Kai Inventor before: Wei Qi Inventor before: Ding Dongrui Inventor before: Yang Guangyuan Inventor before: Lu Tianbin Inventor before: Fang Tipin |
|
| CB03 | Change of inventor or designer information |