CN113869462B - 一种基于双路结构对比嵌入学习的小样本对象分类方法 - Google Patents

一种基于双路结构对比嵌入学习的小样本对象分类方法 Download PDF

Info

Publication number
CN113869462B
CN113869462B CN202111456162.2A CN202111456162A CN113869462B CN 113869462 B CN113869462 B CN 113869462B CN 202111456162 A CN202111456162 A CN 202111456162A CN 113869462 B CN113869462 B CN 113869462B
Authority
CN
China
Prior art keywords
pictures
picture
class
network
path
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
Application number
CN202111456162.2A
Other languages
English (en)
Other versions
CN113869462A (zh
Inventor
李亚南
李冰斌
崔涵
王东辉
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202111456162.2A priority Critical patent/CN113869462B/zh
Publication of CN113869462A publication Critical patent/CN113869462A/zh
Application granted granted Critical
Publication of CN113869462B publication Critical patent/CN113869462B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及计算机视觉领域，尤其涉及一种基于双路结构对比嵌入学习的小样本对象分类方法，包括以下步骤：步骤一：使用基础类的大规模有标签数据构造双路结构对比嵌入网络；步骤二：将全新类的少量有标签图片依次输入所述双路结构对比嵌入网络，提取相应的图片特征，计算每个类别中所有图片特征的均值作为该类别的原型；步骤三：将测试图片输入双路结构对比嵌入网络提取图片特征，计算测试图片特征与所有类别的原型之间的余弦相似度，并对余弦相似度进行归一化处理，选取具有相似度最大值的对象类别作为测试图片的最终预测结果。本发明方法简便、灵活，可以提高特征嵌入学习网络的泛化能力，从而提高模型的训练速度并改善全新类对象的分类性能。

Description

一种基于双路结构对比嵌入学习的小样本对象分类方法
技术领域
本发明涉及计算机视觉领域，尤其涉及一种基于双路结构对比嵌入学习的小样本对象分类方法。
背景技术
近年来，深度神经网络技术在多种计算机视觉任务中取得了显著的进展，其成功因素之一在于使用了大规模的有标签数据集。然而，在许多实际场景中，我们通常只有少量的有标签数据，比如医疗图像处理、工业制造等，当直接使用深度神经网络求解以上实际问题时，会导致严重的过拟合以及模型偏置现象，从而引起性能出现灾难性下降。与之相比，即使是学龄前的小朋友，也能在只看到少量几张图片的情况下，快速地学习、并理解新的对象概念。为了缩减智能机器与人类学习之间的能力差距，针对小样本数据情境下的机器学习方法研究正逐步引起越来越多研究人员的注意。
与经典的有监督学习范式相比，小样本学习旨在探索如何从具有大量有标签数据的基础类别中学习出具有迁移能力的先验知识，并将该知识快速泛化到只有少量有标签数据的全新类别上，以提升全新类别的分类性能。从泛化的策略来说，当前小样本学习方法主要分为三类求解策略：（1）基于参数优化的方法：旨在从基础类上学习出可泛化的模型参数，当将这些参数应用于全新类的学习时，其可在几个迭代步骤内达到最优效果。（2）基于分类器优化的方法：基于基础类上预训练的特征嵌入，针对不同的全新类别，动态地学习自适应的分类器；（3）基于特征嵌入优化的方法：旨在从基础类上学习出可泛化的特征嵌入，使得当应用于全新类分类时，最简单的最近邻分类器时也能获得出色的分类性能。
在以上三种策略中，大量方法采用元学习的思想，通过使用情景训练策略，从基础类数据中构造出一系列的小样本学习任务，以模仿真实的测试场景，并使用这些任务逐步优化元学习器，使得模型具备学会学习（learn to learn）的能力，从而提升在新类别上的泛化性能。这类方法通常需要较长的训练时间及较多的计算资源。与此同时，大量其他工作采用迁移学习的思想，将从基础类中学习到的特征嵌入方法直接应用于到全新类的学习中，实验证明，这种简单的迁移学习方法也能获得与元学习方法同等甚至更好的分类性能。综上，如何在只使用基础类数据的情况下，学习出具有高效泛化能力的特征嵌入空间是求解小样本对象分类的有效策略之一。
发明内容
为了解决现有技术中存在的上述技术问题，本发明提出了一种基于双路结构对比嵌入学习的小样本对象分类方法，该方法通过使用具有大规模有标签训练数据的基础类，学习具有泛化能力的特征嵌入网络，从而使得在只有少量有标签训练数据的情况下，也能快速识别以往从未见过的全新的对象类别，具体的技术方案如下：
一种基于双路结构对比嵌入学习的小样本对象分类方法，包括以下步骤：
步骤一：使用基础类的大规模有标签数据构造双路结构对比嵌入网络；
步骤二：将全新类的少量有标签图片依次输入所述双路结构对比嵌入网络，提取相应的图片特征，计算每个类别中所有图片特征的均值作为该类别的原型；
步骤三：将测试图片输入双路结构对比嵌入网络提取图片特征，计算测试图片特征与步骤二中的所有类别原型之间的余弦相似度，并对余弦相似度进行归一化处理，选取具有相似度最大值的对象类别作为测试图片的最终预测结果。
进一步的，所述步骤一，具体包括以下子步骤：
（1.1）使用基础类的大规模有标签数据学习出基于深度卷积网络的有监督分类器，作为教师路径；
（1.2）采用与教师路径相同的主干网络，作为学生路径的特征提取网络，并对该网络的参数进行随机初始化；
（1.3）从基础类的所有训练图片中随机抽取批量图片，并对其中的每张图片进行图片扩充；
（1.4）将扩充后的批量图片输入教师路径，得到相应的分类预测结果，并为每个类别计算该批量图片中的分类准确率；
（1.5）将扩充后的批量图片输入学生路径，计算任意两个输入图片之间的特征相似度，并采用步骤（1.4）得到的分类准确率对两者之间的相似度进行结构化加权约束，优化整个学生网络；
（1.6）重复步骤（1.3）到步骤（1.5），直到完成双路结构对比嵌入的学习。
进一步的，所述步骤（1.3）具体为：
从基础类的所有训练图片中随机抽取
Figure 100002_DEST_PATH_IMAGE001
张图片，并对其中的每张图片
Figure 100002_DEST_PATH_IMAGE002
，又称为 锚点图片，依次叠加裁剪、色彩抖动和随机灰度变化，将每张
Figure 59841DEST_PATH_IMAGE002
扩充成两张图片
Figure 100002_DEST_PATH_IMAGE003
和
Figure 100002_DEST_PATH_IMAGE004
。
进一步的，所述步骤（1.4）具体为：
将扩充后的批量图片
Figure 100002_DEST_PATH_IMAGE005
输入教师路径，其中
Figure 100002_DEST_PATH_IMAGE006
是图 片相应的标签，
Figure 100002_DEST_PATH_IMAGE007
是
Figure 131309DEST_PATH_IMAGE002
对应的真实标签，得到相应的结构相似度矩阵
Figure 100002_DEST_PATH_IMAGE008
,
Figure 100002_DEST_PATH_IMAGE009
其中，
Figure 100002_DEST_PATH_IMAGE010
表示基础类的所有类别数目，
Figure 100002_DEST_PATH_IMAGE011
是归一化方程，
Figure 100002_DEST_PATH_IMAGE012
是大于1 的实数，
Figure 100002_DEST_PATH_IMAGE013
是有监督分类器，
Figure 100002_DEST_PATH_IMAGE014
中的每一行
Figure 100002_DEST_PATH_IMAGE016
由教师路径中的分类器得到，表示
Figure 100002_DEST_PATH_IMAGE017
来自于类 别c的概率值，并计算该批量图片的分类准确率
Figure 100002_DEST_PATH_IMAGE018
。
进一步的，所述步骤（1.5）具体为：
将扩充后的批量图片
Figure 989675DEST_PATH_IMAGE005
输入学生路径，计算任意两个输入图片之 间的特征相似度，其中任意两张输入图片表示为
Figure 100002_DEST_PATH_IMAGE019
和
Figure 100002_DEST_PATH_IMAGE020
,通过学生路径得到的特征分别为
Figure 100002_DEST_PATH_IMAGE021
和
Figure 100002_DEST_PATH_IMAGE022
，并采用步骤（1.4）得到的分类准确率
Figure 273632DEST_PATH_IMAGE018
对两者之间的相似度进行结构化加 权约束，优化整个学生路径的网络，所述学生路径的网络的优化损失表示为：
Figure 100002_DEST_PATH_IMAGE023
其中，
Figure 100002_DEST_PATH_IMAGE024
表示
Figure 100002_DEST_PATH_IMAGE025
中除了
Figure 100002_DEST_PATH_IMAGE026
之外的所有其他数据的索引，
Figure 100002_DEST_PATH_IMAGE027
是
Figure 41999DEST_PATH_IMAGE019
和
Figure 395620DEST_PATH_IMAGE020
之间的损失，
Figure 100002_DEST_PATH_IMAGE028
是两者之间的相似度，
Figure 459391DEST_PATH_IMAGE027
和
Figure 189450DEST_PATH_IMAGE028
分别采用以下形式定义：
Figure 100002_DEST_PATH_IMAGE030
Figure 100002_DEST_PATH_IMAGE031
其中，
Figure 100002_DEST_PATH_IMAGE032
表示归一化的特征向量，
Figure 100002_DEST_PATH_IMAGE033
表示内积，
Figure 100002_DEST_PATH_IMAGE034
是大于0 小于1的实数值，
Figure 100002_DEST_PATH_IMAGE035
表示与
Figure 543814DEST_PATH_IMAGE026
同源的图片集合；
通过最小化上述损失
Figure 100002_DEST_PATH_IMAGE036
，来优化整个特征学习网络
Figure 100002_DEST_PATH_IMAGE037
。
本发明的优点：
本发明实现方法简便、灵活，可以显著提高特征嵌入学习网络的泛化能力，从而提高模型的训练速度并改善全新类对象的分类性能。
附图说明
图1是本发明方法的流程框架图。
具体实施方式
为了使本发明的目的、技术方案和技术效果更加清楚明白，以下结合说明书附图，对本发明作进一步详细说明。
本发明使用基础类的大规模有标签训练数据，有监督地构造基于深度卷积网络的分类器，并将该分类器作为教师路径引导学生路径中特征嵌入的学习，从基础类中随机抽取批量图片对之进行数据增强，并使用增强后的图片进行结构化对比嵌入学习，通过在对比嵌入学习过程中加入结构相似度，使得学习到的特征嵌入学习网络更具泛化能力。在此基础上，针对全新的对象类别，首先使用每个类别中的少量有标签数据计算类别原型，其次计算测试图片特征与类别原型之间的相似度，并基于相似度大小对测试图片进行分类预测。
具体的，如图1所示，一种基于双路结构对比嵌入学习的小样本对象分类方法，包括以下步骤：
步骤一：使用基础类的大规模有标签数据构造双路结构对比嵌入网络，所述双路结构对比嵌入网络包括：教师路径和其引导的学生路径的特征提取网络，具体的通过以下子步骤来实现：
（1.1）使用基础类的大规模有标签数据学习基于深度卷积网络的有监督分类器
Figure DEST_PATH_IMAGE038
，并作为教师路径引导另一路径的特征学习过程；
（1.2）采用与教师路径相同的主干网络，作为学生路径的特征提取网络
Figure DEST_PATH_IMAGE039
，并对该 网络的参数进行随机初始化；
（1.3）从基础类的所有训练图片中随机抽取
Figure 428856DEST_PATH_IMAGE001
张图片，并对其中的每张图片
Figure 714344DEST_PATH_IMAGE002
， 又称为锚点图片，依次叠加裁剪、色彩抖动和随机灰度变化，将每张
Figure 716935DEST_PATH_IMAGE002
扩充成两张图片
Figure 771479DEST_PATH_IMAGE003
和
Figure 732481DEST_PATH_IMAGE004
;
（1.4）将扩充后的批量图片
Figure 505265DEST_PATH_IMAGE005
输入教师路径，其中
Figure 45968DEST_PATH_IMAGE006
是相应的标签，
Figure 220597DEST_PATH_IMAGE007
是
Figure 86922DEST_PATH_IMAGE002
对应的真实标签，得到相应的结构相似度矩阵
Figure 81423DEST_PATH_IMAGE008
,
Figure DEST_PATH_IMAGE040
其中，
Figure 721090DEST_PATH_IMAGE010
表示基础类的所有类别数目，
Figure 750225DEST_PATH_IMAGE011
是归一化方程，
Figure 787452DEST_PATH_IMAGE012
是大于1 的实数；
Figure 269249DEST_PATH_IMAGE014
中的每一行
Figure 682912DEST_PATH_IMAGE016
由教师路径中的分类器得到，表示
Figure 566555DEST_PATH_IMAGE017
来自于类 别c的概率值，并计算该批量图片的分类准确率
Figure 774682DEST_PATH_IMAGE018
；
（1.5）将扩充后的批量图片输入学生路径，计算任意两个输入图片之间的特征相 似度，其中任意两张输入图片表示为
Figure 743775DEST_PATH_IMAGE019
和
Figure 197016DEST_PATH_IMAGE020
,通过学生路径得到的特征分别为
Figure 935164DEST_PATH_IMAGE021
和
Figure 579772DEST_PATH_IMAGE022
。并采用步骤（1.4）得到的分类准确率对两者之间的相似度进行结构化加权约束，优 化整个学生网络，优化损失表示为：
Figure DEST_PATH_IMAGE041
其中，
Figure 567320DEST_PATH_IMAGE024
表示
Figure 322786DEST_PATH_IMAGE025
中除了
Figure 649862DEST_PATH_IMAGE026
之外的所有其他数据的索引，
Figure 465372DEST_PATH_IMAGE027
是
Figure 462188DEST_PATH_IMAGE019
和
Figure 21345DEST_PATH_IMAGE020
之间的损失，
Figure 734086DEST_PATH_IMAGE028
是两者之间的相似度，
Figure 189339DEST_PATH_IMAGE027
和
Figure 620320DEST_PATH_IMAGE028
分别采用以下形式定义：
Figure DEST_PATH_IMAGE042
Figure 983168DEST_PATH_IMAGE031
其中，
Figure 815995DEST_PATH_IMAGE032
表示归一化的特征向量，
Figure 707728DEST_PATH_IMAGE033
表示内积，
Figure 127470DEST_PATH_IMAGE034
是大于0 小于1的实数值，
Figure 28430DEST_PATH_IMAGE035
表示与
Figure 184605DEST_PATH_IMAGE026
同源的图片集合。通过最小化上述损失
Figure 512818DEST_PATH_IMAGE036
，来优化整个特 征学习网络
Figure 652812DEST_PATH_IMAGE037
。
（1.6）重复步骤（1.3）到步骤（1.5），直到完成双路结构对比嵌入的学习。
具体来说，如图1所示，首先使用基础类的大规模有标签数据学习基于深度卷积网 络的有监督分类器
Figure DEST_PATH_IMAGE043
，以进行结构相似度提取，并作为教师路径引导学生路径的特征学习； 其次，从基础类的所有训练图片中随机抽取多张
Figure DEST_PATH_IMAGE044
张图片
Figure DEST_PATH_IMAGE045
，并对其中的每张图片，依次 叠加裁剪、色彩抖动和随机灰度变化，进行数据增补，获得
Figure DEST_PATH_IMAGE046
；将
Figure 715053DEST_PATH_IMAGE046
输入到教师路径中，获 得该批次图片的相似度结构矩阵
Figure DEST_PATH_IMAGE047
，该矩阵描述了每张图片与所有类别之间的相似性关 系，如图1中所示，输入的锚点图片“Arctic Wolf”经由教师路径预测，认为属于“Walker hound”类别的概率为0.29、属于“Saluki”的概率为0.25，并可从
Figure 788051DEST_PATH_IMAGE047
中计算该批次图片中的 分类准确率
Figure DEST_PATH_IMAGE048
，以用于控制学生路径中的特征提取过程；最后使用教师路径引导的结构对比 嵌入损失，优化学生路径的特征提取网络
Figure DEST_PATH_IMAGE049
，学习特征嵌入以用于小样本对象分类；依次 对上述两个步骤进行迭代，直至完成双路结构对比嵌入的学习。
步骤二：将全新类的少量有标签图片依次输入所述双路结构对比嵌入网络，提取相应的图片特征，计算每个类别中所有图片特征的均值作为该类别的原型。
步骤三：将测试图片输入双路结构对比嵌入网络提取图片特征，计算测试图片特征与步骤二中的所有类别原型之间的余弦相似度，并对余弦相似度进行归一化处理，选取具有相似度最大值的对象类别作为测试图片的最终预测结果。
在测试时，给定N-way K-shot：有N个类，每个类K张图片的有标签图片，首先使用 特征提取网络
Figure 818324DEST_PATH_IMAGE049
提取相应的图片特征，同时对每个类的图片特征计算均值，作为类别原型， 并采用步骤三所描述的基于类别原型的小样本对象分类方法，进行最终的图片分类。
以上所述，仅为本发明的优选实施案例，并非对本发明做任何形式上的限制。虽然前文对本发明的实施过程进行了详细说明，对于熟悉本领域的人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行同等替换。凡在本发明精神和原则之内所做修改、同等替换等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于双路结构对比嵌入学习的小样本对象分类方法，其特征在于，包括以下步骤：
步骤一：使用基础类的大规模有标签数据构造双路结构对比嵌入网络，具体包括：
（1.1）使用基础类的大规模有标签数据学习出基于深度卷积网络的有监督分类器，作为教师路径；
（1.2）采用与教师路径相同的主干网络，作为学生路径的特征提取网络，并对该网络的参数进行随机初始化；
（1.3）从基础类的所有训练图片中随机抽取批量图片，并对其中的每张图片进行图片 扩充，具体的：从基础类的所有训练图片中随机抽取
Figure DEST_PATH_IMAGE001
张图片，并对其中的每张图片
Figure DEST_PATH_IMAGE002
，又 称为锚点图片，依次叠加裁剪、色彩抖动和随机灰度变化，将每张
Figure 904882DEST_PATH_IMAGE002
扩充成两张图片
Figure DEST_PATH_IMAGE003
和
Figure DEST_PATH_IMAGE004
；
（1.4）将扩充后的批量图片输入教师路径，得到相应的分类预测结果，并为每个类别计算该批量图片中的分类准确率，具体的：
将扩充后的批量图片
Figure DEST_PATH_IMAGE005
输入教师路径，其中
Figure DEST_PATH_IMAGE006
是图片相 应的标签，
Figure DEST_PATH_IMAGE007
是
Figure 533047DEST_PATH_IMAGE002
对应的真实标签，得到相应的结构相似度矩阵
Figure DEST_PATH_IMAGE008
,
Figure DEST_PATH_IMAGE009
其中，
Figure DEST_PATH_IMAGE010
表示基础类的所有类别数目，
Figure DEST_PATH_IMAGE011
是归一化方程，
Figure DEST_PATH_IMAGE012
是大于1的实 数，
Figure DEST_PATH_IMAGE013
是有监督分类器，
Figure DEST_PATH_IMAGE014
中的每一行
Figure DEST_PATH_IMAGE016
由教师路径中的分类器得到，表示
Figure DEST_PATH_IMAGE017
来自于类别 c的概率值，并计算该批量图片的分类准确率
Figure DEST_PATH_IMAGE018
；
（1.5）将扩充后的批量图片输入学生路径，计算任意两个输入图片之间的特征相似度，并采用步骤（1.4）得到的分类准确率对两者之间的相似度进行结构化加权约束，优化整个学生网络；
（1.6）重复步骤（1.3）到步骤（1.5），直到完成双路结构对比嵌入的学习；
步骤二：将全新类的少量有标签图片依次输入所述双路结构对比嵌入网络，提取相应的图片特征，计算每个类别中所有图片特征的均值作为该类别的原型；
步骤三：将测试图片输入双路结构对比嵌入网络提取图片特征，计算测试图片特征与步骤二中的所有类别原型之间的余弦相似度，并对余弦相似度进行归一化处理，选取具有相似度最大值的对象类别作为测试图片的最终预测结果。
2.如权利要求1所述的一种基于双路结构对比嵌入学习的小样本对象分类方法，其特征在于，所述步骤（1.5）具体为：
将扩充后的批量图片
Figure 331108DEST_PATH_IMAGE005
输入学生路径，计算任意两个输入图片之间的 特征相似度，其中任意两张输入图片表示为
Figure DEST_PATH_IMAGE019
和
Figure DEST_PATH_IMAGE020
，通过学生路径得到的特征分别为
Figure DEST_PATH_IMAGE021
和
Figure DEST_PATH_IMAGE022
，并采用步骤（1.4）得到的分类准确率
Figure 261892DEST_PATH_IMAGE018
对两者之间的相似度进行结构化加 权约束，优化整个学生路径的网络，所述学生路径的网络的优化损失表示为：
Figure DEST_PATH_IMAGE023
其中，
Figure DEST_PATH_IMAGE024
表示
Figure DEST_PATH_IMAGE025
中除了
Figure DEST_PATH_IMAGE026
之外的所有其他数据的索引，
Figure DEST_PATH_IMAGE027
是
Figure 106089DEST_PATH_IMAGE019
和
Figure 711514DEST_PATH_IMAGE020
之间的损失，
Figure DEST_PATH_IMAGE028
是两者之间的相似度，
Figure 645972DEST_PATH_IMAGE027
和
Figure 45860DEST_PATH_IMAGE028
分别采用以下形式定义：
Figure DEST_PATH_IMAGE030
Figure DEST_PATH_IMAGE031
其中，
Figure DEST_PATH_IMAGE032
表示归一化的特征向量，
Figure DEST_PATH_IMAGE033
表示内积，
Figure DEST_PATH_IMAGE034
是大于0小于1 的实数值，
Figure DEST_PATH_IMAGE035
表示与
Figure 908512DEST_PATH_IMAGE026
同源的图片集合；
通过最小化上述损失
Figure DEST_PATH_IMAGE036
，来优化整个特征学习网络
Figure DEST_PATH_IMAGE037
。
CN202111456162.2A 2021-12-02 2021-12-02 一种基于双路结构对比嵌入学习的小样本对象分类方法 Active CN113869462B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111456162.2A CN113869462B (zh) 2021-12-02 2021-12-02 一种基于双路结构对比嵌入学习的小样本对象分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111456162.2A CN113869462B (zh) 2021-12-02 2021-12-02 一种基于双路结构对比嵌入学习的小样本对象分类方法

Publications (2)

Publication Number Publication Date
CN113869462A CN113869462A (zh) 2021-12-31
CN113869462B true CN113869462B (zh) 2022-06-10

Family

ID=78985523

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111456162.2A Active CN113869462B (zh) 2021-12-02 2021-12-02 一种基于双路结构对比嵌入学习的小样本对象分类方法

Country Status (1)

Country Link
CN (1) CN113869462B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110674714A (zh) * 2019-09-13 2020-01-10 东南大学 基于迁移学习的人脸和人脸关键点联合检测方法
CN113610173A (zh) * 2021-08-13 2021-11-05 天津大学 一种基于知识蒸馏的多跨域少样本分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110674714A (zh) * 2019-09-13 2020-01-10 东南大学 基于迁移学习的人脸和人脸关键点联合检测方法
CN113610173A (zh) * 2021-08-13 2021-11-05 天津大学 一种基于知识蒸馏的多跨域少样本分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Deep Learning via Semi-Supervised Embedding;Jason Weston等;《ICML "08: Proceedings of the 25th international conference on Machine learning》;20080731;第1168-1175页 *

Also Published As

Publication number Publication date
CN113869462A (zh) 2021-12-31

Similar Documents

Publication Publication Date Title
CN112699247B (zh) 一种基于多类交叉熵对比补全编码的知识表示学习方法
CN107392919B (zh) 基于自适应遗传算法的灰度阈值获取方法、图像分割方法
CN110941734B (zh) 基于稀疏图结构的深度无监督图像检索方法
CN110929848B (zh) 基于多挑战感知学习模型的训练、跟踪方法
Pare et al. A context sensitive multilevel thresholding using swarm based algorithms
CN107943856A (zh) 一种基于扩充标记样本的文本分类方法及系统
Cai et al. Imbalanced evolving self-organizing learning
CN110188827B (zh) 一种基于卷积神经网络和递归自动编码器模型的场景识别方法
Vallet et al. A multi-label convolutional neural network for automatic image annotation
CN113326390B (zh) 基于深度特征一致哈希算法的图像检索方法
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
Shah-Hosseini Binary tree time adaptive self-organizing map
CN110837570A (zh) 对图像数据进行无偏见分类的方法
CN112766458A (zh) 一种联合分类损失的双流有监督深度哈希图像检索方法
CN114299362A (zh) 一种基于k-means聚类的小样本图像分类方法
CN114118369A (zh) 一种基于群智能优化的图像分类卷积神经网络设计方法
Love et al. Topological deep learning
Li et al. Performance analysis of fine-tune transferred deep learning
CN116051924B (zh) 一种图像对抗样本的分治防御方法
CN113869462B (zh) 一种基于双路结构对比嵌入学习的小样本对象分类方法
CN116977694A (zh) 一种基于不变特征提取的高光谱对抗样本防御方法
Elmadhoun et al. Facial expression recognition using uniform local binary pattern with improved firefly feature selection
CN112836729A (zh) 一种图像分类模型的构建方法和图像分类方法
Eghbali et al. Deep Convolutional Neural Network (CNN) for Large-Scale Images Classification
Prellberg et al. Learned weight sharing for deep multi-task learning by natural evolution strategy and stochastic gradient descent

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