CN113642655B - 基于支持向量机和卷积神经网络的小样本图像分类方法 - Google Patents
基于支持向量机和卷积神经网络的小样本图像分类方法 Download PDFInfo
- Publication number
- CN113642655B CN113642655B CN202110947955.8A CN202110947955A CN113642655B CN 113642655 B CN113642655 B CN 113642655B CN 202110947955 A CN202110947955 A CN 202110947955A CN 113642655 B CN113642655 B CN 113642655B
- Authority
- CN
- China
- Prior art keywords
- image
- training set
- training
- support vector
- vector machine
- 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
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 65
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 100
- 238000012795 verification Methods 0.000 claims abstract description 11
- 230000000007 visual effect Effects 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 19
- 230000006872 improvement Effects 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims 1
- 230000005012 migration Effects 0.000 abstract description 6
- 238000013508 migration Methods 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000009466 transformation Effects 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
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Abstract
本发明公开了一种基于支持向量机和卷积神经网络的小样本图像分类方法。本发明通过用少量带标签图片样本中的训练集训练支持向量机SVM,用训练好的支持向量机SVM给大量无标签的图像样本打标签,形成伪标签。将少量带标签图像样本中的训练集与带伪标签的图像样本组合,形成增强训练集ATS。通过增强训练集训练卷积神经网络模型,实现从支持向量机SVM到卷积神经网络的知识迁移,最后,用少量带标签样本中的验证集验证迁移后的卷积神经网络图像分类准确率。由于支持向量机只能处理少量数据,且神经网络在少样本下图像分类准确率不高,而经过支持向量机知识迁移的卷积神经网络在训练后,对图像分类准确率明显提高,且增强了模型的泛化能力。
Description
技术领域
本发明属于图像分类领域,具体涉及一种基于支持向量机和卷积神经网络的小样本图像分类方法。
背景技术
图像分类的应用场景非常广泛,很多场景下难以收集到足够多的数据来训练模型,利用小样本学习进行图像分类可解决训练数据量小的问题。典型的图像分类算法涉及两个问题,一是如何对图像特征进行更好的表示,二是如何学习好的分类参数。随着卷积神经网络的设计越来越深层化,图像特征的表示能力越来越强,同时也能对图像进行自动分类。
在卷积神经网络提出之前,人们通过人工设计的图像描述符对图像特征进行提取,效果卓有成效,例如尺度不变特征变换、方向梯度直方图等,但是人工设计特征通常需要花费很大精力。尽管后来提出了One-shot learning问题并利用贝叶斯框架对视觉对象进行学习,与之相比,深度学习技术在小样本图像分类任务上具有更大的潜力。
基于卷积神经网络的深度学习在2012年的挑战赛ILSVRC上取得了巨大成功,同时由于大数据、计算硬件的发展以及反向传播算法的提出,深度学习在图像分类领域表现出优异性能。深度学习的优势有赖于大数据,在大数据的驱动下,机器能够进行有效学习,然而数据量不足会导致模型出现过拟合等问题,虽然简单的数据增强和正则化技术可以缓解该问题,但是该问题并没有得到完全解决,故针对小数据集的小样本学习成为了解决这类问题的关键技术。
发明内容
本发明针对现有技术的不足,设计了一种基于支持向量机和卷积神经网络的知识迁移小样本图像分类方法。本发明通过用少量已知带标签图片中的训练集训练支持向量机SVM,用训练好的支持向量机SVM给大量无标签图像样本打标签,形成伪标签。将少量带标签图像样本中的训练集与带伪标签的图像样本组合,形成增强训练集ATS。通过增强训练集训练卷积神经网络模型,实现从支持向量机SVM到卷积神经网络模型的知识迁移。然后,采用载入图像数据集,根据创建的基于支持向量机和神经网络迁移学习算法验证模型的有效性,并将其运用到图像分类领域。
本发明包括以下步骤:
步骤(1)用少量带标签图像中的训练集训练分类器支持向量机SVM模型。
步骤(1-1)设有少量带标签图像样本和大量无标签图像样本,将少量带标签图像样本以2∶1的比例分为训练集图像样本和验证集图像样本/>
首先将训练集图像样本的灰度图像f(x,y)与标准差为σ,kσ高斯核函数分别进行卷积得到G(x,y,σ)和G(x,y,kσ),用G(x,y,kσ)减G(x,y,σ)得到高斯差D(x,y,σ),对高斯差求导数得到若干第一极值,这些第一极值就是初始关键点。其中,x,y分别为训练集图像样本灰度图像的横、纵坐标,k为常量因子。
通过泰勒级数展开对高斯差D(x,y,σ)进行内插运算,在内插后的函数中求导得到若干第二极值,这些第二极值就是改进精度后的关键点。
接着用SIFT描述子对训练集图像样本进行特征描述,每个训练集图像样本/>的图像特征将被表示成128维的特征向量:
首先以改进精度后的关键点为圆心取16×16的邻域窗口,然后将该邻域窗口分成4×4个子区域,在每个子区域中计算8个方向(0°,45°,90°,135°,180°,225°,270°,315°)的梯度累加值,这样每个特征便可以用4×4×8=128维的向量来表示,这个向量就是训练集图像样本的特征向量。
步骤(1-2)构造视觉词典:采用K-mean聚类方法将步骤(1-1)所得到的训练集图像样本的特征向量聚为K个簇,将K个聚类中心作为视觉单词,则可得到由K个视觉单词构成的视觉词典。
步骤(1-3)量化图像特征:通过K-means聚类后,得到由K个视觉单词组成的视觉词典,表示为y=(v1,v2,…,vi,…,vk),vi表示视觉单词。
这样训练集图像样本表示成一个K维的特征向量P,具体形式为P=(f1,f2,…,fi,…,fk),其中为fi视觉单词vi所出现的次数。
步骤(1-4)利用量化后的训练集图像样本特征训练分类器支持向量机,并用分类器支持向量机给无标签图像样本打伪标签,具体是:
基于训练集图像样本训练支持向量机SVM模型,用训练好的支持向量机SVM模型对大量无标签的图像样本进行预测,得到大量无标签图像样本的伪标签。
得到伪标签的图像样本称作伪标签图像样本数据集Du,将训练集图像样本和伪标签图像样本数据集Du组合,形成增强训练集ATS。
步骤(2)用增强训练集ATS训练卷积神经网络,提高卷积神经网络泛化能力。
采用ImageNet数据集预训练好的VGG16网络,对其网络结构进行微调,即使用VGG16网络的卷积层和池化层的预训练好的权重,提取增强训练集ATS图像特征;定义VGG16网络新的全连接层,新的全连接层由三个全连接层组成,神经元的个数分别为512、256和10,在全连接层使用RELU函数作为激活函数,并通过Dropout层防止过拟合。
将增强训练集ATS送入微调的VGG16网络中进行训练,由支持向量机SVM模型得到的伪标签导致增强训练集ATS数据量的大幅提升,微调后的VGG16网络从中受益;用验证集图像样本验证微调后的VGG16网络的分类准确率。
步骤(3)将待分类的数据集载入至已训练完成并微调后的卷积神经网络进行图像分类,得到最终分类结果。
本发明的有益效果:本发明设计的浅层模型支持向量机反映的专家知识以预测标签的形式成功迁移到卷积神经网络中,改善了带标签样本不足导致卷积神经网络表达能力和泛化能力差的缺点。由仿真结果表明,基于知识迁移的卷积神经网络图像分类效果更好,分类准确率比传统机器学习分类器支持向量机SVM的分类效果要提高10%。
附图说明
图1是本发明方法实现流程图。
图2是卷积神经网络VGG16训练过程中损失函数与正确率变化情况曲线。
具体实施方式
如图1所示,本发明包括以下各步骤:
步骤(1)用少量带标签图像中的训练集训练分类器支持向量机。
步骤(1-1)SIFT对图像进行特征提取:
假设有少量带标签图像样本和大量无标签图像样本,将少量带标签图像样本以2∶1的比例分为训练集图像样本和验证集图像样本/>用训练集图像样本/>训练SVM模型。
首先将训练集图像样本的灰度图像f(x,y)与标准差为σ,kσ高斯核函数分别进行卷积得到G(x,y,σ)和G(x,y,kσ),用G(x,y,kσ)减G(x,y,σ)得到高斯差D(x,y,σ),对高斯差求导数得到若干第一极值,这些第一极值就是初始关键点;其中,x,y分别为训练集图像样本灰度图像的横、纵坐标,k为常量因子。这一步为粗糙地探测关键点的位置,因此得到的关键点中含有大量的无用信息。
下一步就要提高关键点位置的精度。通过泰勒级数展开对高斯差D(x,y,σ)进行内插运算,在内插后的函数中求导得到若干第二极值,这些第二极值就是改进精度后的关键点。
接着用SIFT描述子对训练集图像样本进行特征描述,每个训练集图像样本/>的图像特征将被表示成128维的特征向量,具体是:
以改进精度后的关键点为圆心取16×16的邻域窗口,将该邻域窗口分成4×4个子区域,在每个子区域中计算8个方向(0°,45°,90°,135°,180°,225°,270°,315°)的梯度累加值,这样每个特征便可用4×4×8=128维的向量来表示,这个向量就是训练集图像样本的特征向量。
步骤(1-2)构造视觉词典:
采用K-mean聚类方法将步骤(1-1)所得到的少量带标签图像的特征向量聚为K个簇,以使簇内具有较高的相似度,而簇间相似度较低,将K个聚类中心作为视觉单词,则可得到由K个视觉单词构成的视觉词典。这样每一张带标签图像和无标签的图像都可以表示为视觉单词出现概率的集合,这样就可以利用视觉词典来表示图像。
本发明采用K-means算法对进行聚类,对n个训练集图像样本特征向量构成的数据集合X=(x1,x2,…,xn),将其聚类成K个簇,算法流程如下:
(1)选取K个点作为初始聚集的质心,即聚类中心;
(2)分别计算每个特征点到K个质心的距离,找到离该点最近的质心,将它归属到对应的簇;
(3)将所有点都归属到对应的簇后,n个点就划分成了K个簇。之后重新计算每个簇的质心(距离求平均值),将其定为新的“质心”;若新质心和原来的质心之间的距离小于某一个设置的阈值,则认为聚类已经达到期望的结果,算法终止。
(4)若新质心和原质心距离大于所设定的阈值,则反复迭代(2)~(3)步。
算法中K的取值预先给定,目标分类数目越多,对应的K值也越大。
步骤(1-3)量化图像特征:通过K-means聚类后,得到由K个视觉单词组成的视觉词典(也称为词袋),可表示为y=(v1,v2,…,vi,…,vk),vi表示视觉单词。这样训练集图像样本就被表示成一个K维的特征向量P,具体形式为P=(f1,f2,…,fi,…,fk),其中为fi视觉单词vi所出现的次数。
步骤(1-4)利用量化后的训练集图像样本特征训练分类器支持向量机,并用分类器支持向量机给无标签图像样本打伪标签
基于训练集图像样本训练支持向量机SVM模型,用训练好的支持向量机SVM模型对大量无标签的图像样本进行预测,得到大量无标签图像样本的伪标签y。得到伪标签的图像样本称作伪标签图像样本数据集Du。将少量带标签训练集/>和伪标签数据集Du组合,形成增强数据集ATS。
支持向量机模型的数学描述如下:
给定训练数据集T={(p1,y1),(p2,y2),…,(pn,yn)},yi∈{-1,+1},i=1,2,…,n
其中pi是训练集图像的特征向量,yi为训练集图像的类别标签。支持向量机定义一个最优分类超平面,使训练集中的点尽可能的远离该分类平面。超平面可以用如下分类函数表示:
f(x)=wTpi+b (1)
对于上述训练数据集T={(p1,y1),(p2,y2),…,(pn,yn)},构造并求解最优解w和b。平面的几何间隔为因此寻找最大几何间隔的超平面则可表述成如下的约束最优化问题:
满足上述条件即可求出分类器超平面。然后将大量无标签图像样本送入支持向量机SVM进行分类,即可得到大量无标签样本的伪标签。
步骤二:用增强数据集ATS训练卷积神经网络,提高模型泛化能力。
步骤(2-1)卷积神经网络的初始化:
采用ImageNet数据集预训练好的VGG16网络,对其网络结构进行微调,即使用VGG16的卷积层和池化层的预训练好的权重,提取增强训练集ATS图像特征,然后定义VGG16网络新的全连接层,新的全连接层由三个全连接层组成,神经元的个数分别为512、256和10,在全连接层使用RELU函数作为激活函数,并通过Dropout层防止过拟合。
将增强训练集ATS送入改进的VGG16网络中进行训练,由支持向量机SVM得到的预测标签导致增强训练集ATS数据量的大幅提升,改进后的VGG16网络从中受益。最后用验证集图像样本验证改进后的VGG16网络的分类准确率。图2是卷积神经网络VGG16训练过程中损失函数与正确率变化情况曲线。该图是神经网络训练过程中训练集和验证集损失函数和图像分类正确率的变化情况。神经网络经过训练后,最终预测结果保持稳定,并且在验证集上的精度高于训练集上的精度,在验证集上的损失低于训练集上的损失。
步骤(3)载入数据集进行图像分类仿真测试
为验证本发明提出的有效性,收集了四种不同类型的图像样本,每个类型中图像样本个数为100个,共400个图像样本。其中每类中选取30个图像样本作为支持向量机训练集,用训练好的支持向量机给每类图像样本中60个样本打标签,形成伪标签,将带伪标签的样本和有标签样本组合,形成增强训练集ATS。通过增强训练集训练卷积神经网络,将每类图像样本中剩下10个样本作为卷积神经网络验证集,用于测试本发明提供的基于卷积神经网络和支持向量机的小样本图像分类方法的有效性。
使用词袋模型从120张测试集图片中共抽取了24000个关键点,每个关键点为128维的向量。使用K-means聚类生成视觉词典,迭代停止的条件设置为迭代次数T和误差epsilon两者满足任意一个结束,T设置为20。支持向量机SVM分类模型使用径向基核函数。表1为K和epsilon取不同值时所得到的图像分类准确率。
表1 SVM分类准确率
为了使SVM预测的伪标签正确率增加,在制作词袋模型时尝试选取不同的K值使图像的特征向量更能代表图像特征,实验结果表明,当K=150,epsilon=0.1时,支持向量机SVM的分类效果最好,所以该参数下伪标签的准确率最高。使用准确率最高的支持向量机SVM模型对无标签图像样本打伪标签。将带伪标签的图像样本和有标签图像样本中的训练集送入微调的卷积神经网络VGG16中训练,首先对图像进行预处理,将图像裁剪为224×224,依概率P=0.5水平翻转,并进行归一化处理。学习率设置为0.003,卷积神经网络模型VGG16在训练时使用Adam优化算法,损失函数使用交叉熵损失函数,对卷积神经网络VGG16进行迭代训练,对所有数据训练10轮,其结果如下表所示:
表2 VGG16仿真结果
将SVM与将SVM进行知识迁移的卷积神经网络进行结果对比,如下表:
表3仿真结果对比
步骤(4)将待分类的数据集载入至已训练完成并微调后的卷积神经网络进行图像分类,得到最终分类结果。
Claims (2)
1.基于支持向量机和卷积神经网络的小样本图像分类方法,其特征在于该方法具体包括以下各步骤:
步骤(1)用少量带标签图像中的训练集训练分类器支持向量机SVM模型:
步骤(1-1)设有少量带标签图像样本和大量无标签图像样本,将少量带标签图像样本以2:1的比例分为训练集图像样本和验证集图像样本/>
将训练集图像样本的灰度图像f(x,y)与标准差为σ,kσ高斯核函数分别进行卷积得到G(x,y,σ)和G(x,y,kσ),用G(x,y,kσ)减G(x,y,σ)得到高斯差D(x,y,σ),对高斯差求导数得到若干第一极值,这些第一极值就是初始关键点;其中,x,y分别为训练集图像样本灰度图像的横、纵坐标,k为常量因子;
通过泰勒级数展开对高斯差D(x,y,σ)进行内插运算,在内插后的函数中求导得到若干第二极值,这些第二极值就是改进精度后的关键点;
用SIFT描述子对训练集图像样本进行特征描述,每个训练集图像样本/>的图像特征将被表示成128维的特征向量;
(1-2)构造视觉词典:采用K-mean聚类方法将步骤(1-1)所得到的训练集图像样本的特征向量聚为K个簇,将K个聚类中心作为视觉单词,则可得到由K个视觉单词构成的视觉词典;
步骤(1-3)量化图像特征:通过K-means聚类后,得到由K个视觉单词组成的视觉词典,表示为V=(v1,v2,…,vi,…,vk),vi表示视觉单词;
这样训练集图像样本表示成一个K维的特征向量P,具体形式为P=(f1,f2,…,fi,…,fk),其中为fi视觉单词vi所出现的次数;
步骤(1-4)利用量化后的训练集图像样本特征训练分类器支持向量机,并用分类器支持向量机给无标签图像样本打伪标签,具体是:
基于训练集图像样本训练支持向量机SVM模型,用训练好的支持向量机SVM模型对大量无标签的图像样本进行预测,得到大量无标签图像样本的伪标签;
得到伪标签的图像样本称作伪标签图像样本数据集Du;将训练集图像样本和伪标签图像样本数据集Du组合,形成增强训练集ATS;
步骤(2)用增强训练集ATS训练卷积神经网络,提高卷积神经网络泛化能力;
采用ImageNet数据集预训练好的VGG16网络,对其网络结构进行微调,即使用VGG16网络的卷积层和池化层的权重,提取增强训练集ATS图像特征;定义VGG16网络新的全连接层;新的全连接层由三个全连接层组成,在全连接层使用RELU函数作为激活函数,并通过Dropout层防止过拟合;
将增强训练集ATS送入微调的VGG16网络中进行训练,由支持向量机SVM模型得到的伪标签导致增强训练集ATS数据量的大幅提升,微调后的VGG16网络从中受益;用验证集图像样本验证微调后的VGG16网络的分类准确率;
步骤(3)将待分类的数据集载入至已训练完成并微调后的卷积神经网络进行图像分类,得到最终分类结果;
其中训练集图像样本的图像特征将表示成128维的特征向量具体是:
以改进精度后的关键点为圆心取16×16的邻域窗口,将该邻域窗口分成4×4个子区域,在每个子区域中计算8个方向(0°,45°,90°,135°,180°,225°,270°,315°)的梯度累加值,这样每个特征便可用4×4×8=128维的向量来表示,这个向量就是训练集图像样本的特征向量。
2.根据权利要求1所述的基于支持向量机和卷积神经网络的小样本图像分类方法,其特征在于:三个全连接层的神经元的个数分别为512、256和10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110947955.8A CN113642655B (zh) | 2021-08-18 | 2021-08-18 | 基于支持向量机和卷积神经网络的小样本图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110947955.8A CN113642655B (zh) | 2021-08-18 | 2021-08-18 | 基于支持向量机和卷积神经网络的小样本图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113642655A CN113642655A (zh) | 2021-11-12 |
CN113642655B true CN113642655B (zh) | 2024-02-13 |
Family
ID=78422619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110947955.8A Active CN113642655B (zh) | 2021-08-18 | 2021-08-18 | 基于支持向量机和卷积神经网络的小样本图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113642655B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116763259B (zh) * | 2023-08-17 | 2023-12-08 | 普希斯(广州)科技股份有限公司 | 美容设备的多维度控制方法、装置及美容设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203330A (zh) * | 2016-07-08 | 2016-12-07 | 西安理工大学 | 一种基于卷积神经网络的车辆分类方法 |
WO2020164278A1 (zh) * | 2019-02-14 | 2020-08-20 | 平安科技(深圳)有限公司 | 一种图像处理方法、装置、电子设备和可读存储介质 |
CN111695467A (zh) * | 2020-06-01 | 2020-09-22 | 西安电子科技大学 | 基于超像素样本扩充的空谱全卷积高光谱图像分类方法 |
-
2021
- 2021-08-18 CN CN202110947955.8A patent/CN113642655B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203330A (zh) * | 2016-07-08 | 2016-12-07 | 西安理工大学 | 一种基于卷积神经网络的车辆分类方法 |
WO2020164278A1 (zh) * | 2019-02-14 | 2020-08-20 | 平安科技(深圳)有限公司 | 一种图像处理方法、装置、电子设备和可读存储介质 |
CN111695467A (zh) * | 2020-06-01 | 2020-09-22 | 西安电子科技大学 | 基于超像素样本扩充的空谱全卷积高光谱图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113642655A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
CN108681752B (zh) | 一种基于深度学习的图像场景标注方法 | |
US10061999B1 (en) | System and method for using segmentation to identify object location in images | |
CN109241817B (zh) | 一种无人机拍摄的农作物图像识别方法 | |
CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
CN113408605B (zh) | 基于小样本学习的高光谱图像半监督分类方法 | |
CN107169117B (zh) | 一种基于自动编码器和dtw的手绘图人体运动检索方法 | |
CN111598004B (zh) | 一种渐进增强自学习的无监督跨领域行人再识别方法 | |
CN113326731A (zh) | 一种基于动量网络指导的跨域行人重识别算法 | |
CN109033978B (zh) | 一种基于纠错策略的cnn-svm混合模型手势识别方法 | |
CN110443257B (zh) | 一种基于主动学习的显著性检测方法 | |
CN111984817B (zh) | 一种基于自注意力机制加权的细粒度图像检索方法 | |
CN113076970A (zh) | 一种缺失条件下的高斯混合模型聚类机器学习方法 | |
CN112883839A (zh) | 基于自适应样本集构造与深度学习的遥感影像解译方法 | |
CN109344856B (zh) | 一种基于多层判别式特征学习的脱机签名鉴别方法 | |
CN107358172B (zh) | 一种基于人脸朝向分类的人脸特征点初始化方法 | |
CN111079514A (zh) | 一种基于clbp和卷积神经网络的人脸识别方法 | |
CN116030396B (zh) | 一种用于视频结构化提取的精确分割方法 | |
CN112329784A (zh) | 一种基于时空感知及多峰响应的相关滤波跟踪方法 | |
CN113222072A (zh) | 基于K-means聚类和GAN的肺部X光图像分类方法 | |
CN111222546B (zh) | 一种多尺度融合的食品图像分类模型训练及图像分类方法 | |
CN115240024A (zh) | 一种联合自监督学习和半监督学习的地外图片分割方法和系统 | |
CN115147632A (zh) | 基于密度峰值聚类算法的图像类别自动标注方法及装置 | |
CN113642655B (zh) | 基于支持向量机和卷积神经网络的小样本图像分类方法 | |
CN113033345B (zh) | 基于公共特征子空间的v2v视频人脸识别方法 |
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 |