CN113989556B - 一种小样本医学影像分类方法和系统 - Google Patents
一种小样本医学影像分类方法和系统 Download PDFInfo
- Publication number
- CN113989556B CN113989556B CN202111253761.4A CN202111253761A CN113989556B CN 113989556 B CN113989556 B CN 113989556B CN 202111253761 A CN202111253761 A CN 202111253761A CN 113989556 B CN113989556 B CN 113989556B
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- class
- classifier
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 42
- 239000013598 vector Substances 0.000 claims description 34
- 238000013527 convolutional neural network Methods 0.000 claims description 33
- 230000009466 transformation Effects 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 18
- 238000002156 mixing Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- 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
- G06N3/045—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
- G06N3/088—Non-supervised learning, e.g. competitive learning
Abstract
本发明公开一种小样本医学影像分类方法和系统,该方法包括图像收集、无监督特征训练、基于小样本的模型生成;首先从网络或者其他渠道,收集多种医学影像数据;然后利用采集的图像,使用基于混合困难近邻的无监督特征方法得到一个具有泛化性的预训练模型;在小样本场景下,使用预训练模型提取不同类的样本特征,根据特征计算类原型,在后续分类任务中,选取相似性最高的原型所处的类,作为新样本的预测类别。本发明不依赖于样本标记,使用无监督学习方法迁移知识,在保证准确率的前提下,大大减少样本获取成本和标注成本。
Description
技术领域
本发明涉及一种小样本医学影像分类方法和系统,该方法能够在保证性能的同时,大大减少样本标记的依赖,属于医学影像分类技术领域。
背景技术
医学影像分类存在样本获取困难,标记代价高等特点,现实应用中,医学影像的产生来源于病例,通常少量的病例并不能够辅助机器对医疗影像进行分析,因此很多医学影像分类的任务都是小样本学习任务。小样本学习旨在研究如何通过少量样本获得可用的模型。机器学习模型往往需要大量的有标记数据进行支撑,在训练样本比较稀少的场合下,机器学习模型会过拟合到训练样本,从而无法学到具有泛化能力的分类器。近年来小样本学习领域发展火热,主流的小样本学习方法使用元学习的思想,从大量的小样本学习任务中学习到通用的元知识,利用这些知识,小样本学习方法能够处理新的小样本任务。
目前的小样本学习方法主要分为三类,基于度量的,基于优化的,基于梯度的。然而,现有的小样本学习任务虽然在处理新的小样本任务时只需要少量的标记,但它们在学习元知识时依然需要依赖大量的标记样本。这限制了这些小样本学习方法在医学影像分类等现实任务中的应用。解决这种问题的一种方案是利用大量无标记样本,使用无监督对比学习的方法得到一个特征提取器,然后根据少量标记样本得到分类器。但是现有无监督对比学习存在收敛速度慢,提取特征辨别性不强的问题,这导致最后得到的分类器性能受限。
发明内容
发明目的:针对现有技术中存在的过于依赖标签数据,数据收集和标记成本过高的问题,本发明提供一种小样本医学影像分类方法和系统,具体来讲,首先使用本发明提出的基于混合困难近邻的无监督特征学习方法通过大量低成本无标记的医学影像,得到一个特征提取模型,然后使用原型学习的方法,利用少量有标记数据得到一个分类器,提升小样本分类器的可用性。
技术方案:一种小样本医学影像分类方法,包括无监督特征学习,利用小样本获取分类器,以及分类器预测三部分。
无监督特征学习的过程为:
步骤100,初始化卷积神经网络模型M,该模型以医学影像为输入,输出一个特征向量。
步骤101,获取无标记医学影像,作为无监督特征学习的数据集D。
步骤102,对数据集D中每个图像做随机变换,使变换后的图像与原图语义相似,变换后的图片通过卷积神经网络模型M提取特征,作为图像的正样本集。
步骤103,对每个图像I,随机均匀,无放回地从数据集D中采样N个除图像I的其他样本(不采样到I),通过卷积神经网络模型M提取特征,作为图像I的负样本集。
步骤104,对于每一个图像I,构造混合困难正样本,加入正样本集。
步骤105,对于每个图像,随机采样1个正样本,并和N个负样本一起计算infoNCE损失,重复T次,计算T次的平均损失,并通过梯度下降算法更新卷积神经网络模型M。
步骤106,重复步骤105,统计该步骤进行时损失函数值的平均值,若持续若干次更新后,损失函数值不下降,则视为收敛,进入步骤107。
步骤107,保存训练模型M。
利用小样本获取分类器,具体为利用训练模型M和部分标记样本(每个类数量小于等于5个),得到分类器;实现过程如下:
步骤200,获取训练模型M。
步骤201,获取部分标记过的医学影像,进行图像预处理。
步骤202,使用训练模型M,将标记的医学影像映射为向量。
步骤203,对于每个类的所有图像,将得到的向量取平均,作为类的原型。
步骤204,保存所有类原型与训练模型M,作为分类器的参数。
使用分类器进行预测的具体步骤为:
步骤300,获取训练模型M和类原型;
步骤301,收集医学影像;
步骤302,通过模型M将图片映射为向量;
步骤303,计算该向量与所有类原型的相似度;
步骤304,将该图片预测为相似度最高的类,输出该图片的类别。
所述无监督特征学习方法是指本发明提出的基于混合困难近邻的无监督特征学习方法,它不依赖样本的标记信息,省去样本标记成本。通过构造每个影像图片的正负样本集,并通过随机从正负集中采样,以随机系数混合,构造了具有随机性的困难正样本。这些样本加速了模型M的训练,使模型提取的特征更具辨别性。
所述步骤102中,对数据集D中每个图像I,对其做P次随机缩放裁剪变换,变换的具体操作为:先随机对其做倍率为0.75-1.33的缩放,再随机在缩放后的图像上取K*K的小块图像,若如此得到的图像前景部分占原图前景部分的60%以上,则变换完成,否则重复变换操作直至满足条件或达到指定变换次数上限;P次随机缩放裁剪变换后的图片通过卷积神经网络模型M提取特征,作为I的正样本集。
所述步骤104中,对于每一个图像I,构造混合困难正样本的过程为:随机从图像I的正样本集和负样本集中各采样一个样本,并通过卷积神经网络模型M提取特征,正样本的特征向量记为x1,负样本的特征向量记为x2,从[0,0.5]区间中随机取混合系数λ,以公式x=(1-λ)x1+λx2得到困难正样本x。重复H次,将H个困难正样本加入正样本集。
所述步骤201中的图像预处理指的是以图像前景的重心为中心,取K*K大小的图像块,如前景不能完全包含在图像块中,则对原图进行缩小,直至图像块能完全包含前景。
所述类原型的计算,是指对于每个类的影像样本,在经过训练模型M的映射后,对映射后的向量取平均,作为类原型,使用这种简单但有效的类原型计算方法尤其适用于小样本场景。
一种小样本医学影像分类系统,其特征在于,包括无监督特征学习模块,利用小样本获取分类器模块,以及分类器预测模块;
所述无监督特征学习模块:初始化卷积神经网络模型M,该模型以医学影像为输入,输出一个特征向量;获取无标记医学影像,作为无监督特征学习的数据集D;对数据集D中每个图像做随机变换,变换后的图片通过卷积神经网络模型M提取特征,作为图像的正样本集;对每个图像I,随机均匀,无放回地从数据集D中采样N个除图像I的其他样本,通过卷积神经网络模型M提取特征,作为图像I的负样本集;对于每一个图像I,构造混合困难正样本;对于每个图像,随机采样1个正样本,并和N个负样本一起计算损失,重复T次,计算T次的平均损失,并更新卷积神经网络模型模型M;重复过程:对于每个图像,随机采样1个正样本,并和N个负样本一起计算损失,重复T次,计算T次的平均损失,并更新卷积神经网络模型模型M;之后统计上述重复过程进行时损失函数值的平均值,若持续若干次更新后,损失函数值不下降,则视为收敛,保存训练模型M;
所述利用小样本获取分类器模块:具体为利用训练模型M和部分标记样本,得到分类器;实现过程如下:获取训练模型M;获取部分标记过的医学影像,进行图像预处理;使用训练模型M,将标记的医学影像映射为向量;对于每个类的所有图像,将得到的向量取平均,作为类的原型;保存所有类原型与训练模型M,作为分类器的参数;
所述使用分类器进行预测模块:获取训练模型M和类原型;收集医学影像;通过模型M将图片映射为向量;计算该向量与所有类原型的相似度;将该图片预测为相似度最高的类,输出该图片的类别。
一种计算机设备,该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行上述计算机程序时实现如上所述的小样本医学影像分类方法。
一种计算机可读存储介质,该计算机可读存储介质存储有执行如上所述的小样本医学影像分类方法的计算机程序。
有益效果:与现有技术相比,本发明所提供的小样本医学影像分类方法只需要极少的样本标记信息,大量无标记的医学影像图像可通过网络等廉价渠道获取,大大减少了样本收集成本和标注成本。此外,该发明在训练过程中加入困难正样本,能够大大加快训练过程。原型学习的方法能够有效地在小样本场景下学得准确率较高的分类器。
附图说明
图1为本发明实施例中获取训练模型的流程图;
图2为本发明实施例中使用少量样本和训练模型获得分类器的流程图;
图3为本发明实施例中分类器预测的流程图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
小样本医学影像分类方法,包括无监督特征训练,利用小样本获取分类器,以及分类器预测三部分。
无监督特征训练的过程如图1所示。首先,初始化卷积神经网络模型M,该模型以医学影像为输入,输出一个特征向量(步骤10)。通过网络或其他便利渠道获取大量无标记医学影像图像,作为数据集D(步骤11)。然后,对数据集D每个图片I,对其做P次随机缩放裁剪变换,变换的具体操作为:先随机对其做倍率为0.75-1.33的缩放,再随机在缩放后的图像上取K*K的小块图像,若如此得到的图像前景部分占原图前景部分的60%以上,则变换完成,否则重复变换操作直至满足条件或达到指定变换次数上限;P次随机缩放裁剪变换后的图片通过卷积神经网络模型M提取特征,作为I的正样本集(步骤12)。对每个图像I,随机均匀,无放回地从数据集D中采样N个除图像I的其他样本(不采样到I),通过卷积神经网络模型M提取特征,作为图像I的负样本集(步骤13)。从正负样本中采样,构造困难正样本,加入正样本集;对于每一个图像I,构造混合困难正样本的过程为:随机从图像I的正样本集和负样本集中各采样一个样本,并通过卷积神经网络模型M提取特征,正样本的特征向量记为x1,负样本的特征向量记为x2,从[0,0.5]区间中随机取混合系数λ,以公式x=(1-λ)x1+λx2得到困难正样本x。重复H次,将H个困难正样本加入正样本集。(步骤14)。对于每一个图片(称作锚),随机采样1个正样本,并和N个负样本一起计算infoNCE损失,重复T次,计算T次的平均损失,并通过梯度下降算法更新卷积神经网络模型M(步骤15)。重复步骤15,统计步骤15进行时infoNCE损失值的平均值,若持续若干次更新后,损失函数值不下降,则执行下一步骤,否则继续更新模型M(步骤16)。模型M更新结束后,保存更新后的模型M(步骤17)。
使用少量样本和模型M获得分类器的过程如图2所示。首先,读取步骤17中保存的模型M(步骤20);通过医学成像器械每类收集5张无噪声,有代表性的医学影像图片,进行图像预处理,以图像前景的重心为中心,取K*K大小的图像块,如前景不能完全包含在图像块中,则对原图进行缩小,直至图像块能完全包含前景(步骤21)。使用模型M,将标记的医学影像映射为向量(步骤22)。假设有K个类别的样本,对于每个类的所有样本,将得到的向量取平均,作为类的原型(步骤23)。保存所有类原型与模型M,作为分类器的参数(步骤24)。
分类器预测的过程如图3所示。获取前一个流程中所保存的模型M和类原型(步骤30)。初始化医学影像设备(步骤31)。拍摄医学影像(步骤32)。通过模型M将该影像映射为向量(步骤33)。计算该向量与所有类原型的余弦相似度,记为S1,S2,…,SK(步骤34)。将该图片预测第j类,其中j为相似度最高的类,即j=argmaxiSi,输出该图片的类别(步骤35)。
一种小样本医学影像分类系统,包括无监督特征学习模块,利用小样本获取分类器模块,以及分类器预测模块;
无监督特征学习模块:初始化卷积神经网络模型M,该模型以医学影像为输入,输出一个特征向量;获取无标记医学影像,作为无监督特征学习的数据集D;对数据集D中每个图像做随机变换,变换后的图片通过卷积神经网络模型M提取特征,作为图像的正样本集;对每个图像I,随机均匀,无放回地从数据集D中采样N个除图像I的其他样本,通过卷积神经网络模型M提取特征,作为图像I的负样本集;对于每一个图像I,构造混合困难正样本;对于每个图像,随机采样1个正样本,并和N个负样本一起计算损失,重复T次,计算T次的平均损失,并更新卷积神经网络模型模型M;重复过程:对于每个图像,随机采样1个正样本,并和N个负样本一起计算损失,重复T次,计算T次的平均损失,并更新卷积神经网络模型模型M;之后统计上述重复过程进行时损失函数值的平均值,若持续若干次更新后,损失函数值不下降,则视为收敛,保存训练模型M;
利用小样本获取分类器模块:具体为利用训练模型M和部分标记样本,得到分类器;实现过程如下:获取训练模型M;获取部分标记过的医学影像,进行图像预处理;使用训练模型M,将标记的医学影像映射为向量;对于每个类的所有图像,将得到的向量取平均,作为类的原型;保存所有类原型与训练模型M,作为分类器的参数;
使用分类器进行预测模块:获取训练模型M和类原型;收集医学影像;通过模型M将图片映射为向量;计算该向量与所有类原型的相似度;将该图片预测为相似度最高的类,输出该图片的类别。
显然,本领域的技术人员应该明白,上述的本发明实施例的小样本医学影像分类方法各步骤或小样本医学影像分类系统各模块可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明实施例不限制于任何特定的硬件和软件结合。
Claims (8)
1.一种小样本医学影像分类方法,其特征在于,包括无监督特征学习,利用小样本获取分类器,以及分类器预测三部分;
无监督特征学习的过程为:
步骤100,初始化卷积神经网络模型M,该模型以医学影像为输入,输出一个特征向量;
步骤101,获取无标记医学影像,作为无监督特征学习的数据集D;
步骤102,对数据集D中每个图像做随机变换,变换后的图片通过卷积神经网络模型M提取特征,作为图像的正样本集;
步骤103,对每个图像I,随机均匀,无放回地从数据集D中采样N个除图像I的其他样本,通过卷积神经网络模型M提取特征,作为图像I的负样本集;
步骤104,对于每一个图像I,构造混合困难正样本;
步骤105,对于每个图像,随机采样1个正样本,并和N个负样本一起计算infoNCE损失,重复T次,计算T次的平均损失,并通过梯度下降算法更新卷积神经网络模型M;
步骤106,重复步骤105,统计该步骤进行时损失函数值的平均值,若持续若干次更新后,损失函数值不下降,则视为收敛,进入步骤107;
步骤107,保存训练模型M;
利用小样本获取分类器,具体为利用训练模型M和部分标记样本,得到分类器;实现过程如下:
步骤200,获取训练模型M;
步骤201,获取部分标记过的医学影像,进行图像预处理;
步骤202,使用训练模型M,将标记的医学影像映射为向量;
步骤203,对于每个类的所有图像,将得到的向量取平均,作为类的原型;
步骤204,保存所有类原型与训练模型M,作为分类器的参数;
使用分类器进行预测的具体步骤为:
步骤300,获取训练模型M和类原型;
步骤301,收集医学影像;
步骤302,通过模型M将图片映射为向量;
步骤303,计算该向量与所有类原型的相似度;
步骤304,将该图片预测为相似度最高的类,输出该图片的类别。
2.根据权利要求1所述的小样本医学影像分类方法,其特征在于,所述步骤102中对数据集D中每个图像做随机变换,使变换后的图像与原图语义相似,变换后的图片通过卷积神经网络模型M提取特征,作为图像的正样本集。
3.根据权利要求1所述的小样本医学影像分类方法,其特征在于,所述步骤102中,对数据集D中每个图像I,对其做P次随机缩放裁剪变换,变换的具体操作为:先随机对其做倍率为0.75-1.33的缩放,再随机在缩放后的图像上取K*K的小块图像,若如此得到的图像前景部分占原图前景部分的60%以上,则变换完成,否则重复变换操作直至满足条件或达到指定变换次数上限;P次随机缩放裁剪变换后的图片通过卷积神经网络模型M提取特征,作为I的正样本集。
4.根据权利要求1所述的小样本医学影像分类方法,其特征在于,所述步骤104中,对于每一个图像I,构造混合困难正样本的过程为:随机从图像I的正样本集和负样本集中各采样一个样本,并通过卷积神经网络模型M提取特征,正样本的特征向量记为x1,负样本的特征向量记为x2,从[0,0.5]区间中随机取混合系数λ,以公式x=(1-λ)x1+λx2得到困难正样本x;重复H次,将H个困难正样本加入正样本集。
5.根据权利要求1所述的小样本医学影像分类方法,其特征在于,所述步骤201中的图像预处理指的是以图像前景的重心为中心,取K*K大小的图像块,如前景不能完全包含在图像块中,则对原图进行缩小,直至图像块能完全包含前景。
6.一种小样本医学影像分类系统,其特征在于,包括无监督特征学习模块,利用小样本获取分类器模块,以及分类器预测模块;
所述无监督特征学习模块:初始化卷积神经网络模型M,该模型以医学影像为输入,输出一个特征向量;获取无标记医学影像,作为无监督特征学习的数据集D;对数据集D中每个图像做随机变换,变换后的图片通过卷积神经网络模型M提取特征,作为图像的正样本集;对每个图像I,随机均匀,无放回地从数据集D中采样N个除图像I的其他样本,通过卷积神经网络模型M提取特征,作为图像I的负样本集;对于每一个图像I,构造混合困难正样本;对于每个图像,随机采样1个正样本,并和N个负样本一起计算损失,重复T次,计算T次的平均损失,并更新卷积神经网络模型模型M;重复过程:对于每个图像,随机采样1个正样本,并和N个负样本一起计算infoNCE损失,重复T次,计算T次的平均损失,并通过梯度下降算法更新卷积神经网络模型M;之后统计上述重复过程进行时损失函数值的平均值,若持续若干次更新后,损失函数值不下降,则视为收敛,保存训练模型M;
所述利用小样本获取分类器模块:具体为利用训练模型M和部分标记样本,得到分类器;实现过程如下:获取训练模型M;获取部分标记过的医学影像,进行图像预处理;使用训练模型M,将标记的医学影像映射为向量;对于每个类的所有图像,将得到的向量取平均,作为类的原型;保存所有类原型与训练模型M,作为分类器的参数;
所述分类器进行预测模块:获取训练模型M和类原型;收集医学影像;通过模型M将图片映射为向量;计算该向量与所有类原型的相似度;将该图片预测为相似度最高的类,输出该图片的类别。
7.一种计算机设备,其特征在于:该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行上述计算机程序时实现如权利要求1-5中任一项所述的小样本医学影像分类方法。
8.一种计算机可读存储介质,其特征在于:该计算机可读存储介质存储有执行如权利要求1-5中任一项所述的小样本医学影像分类方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111253761.4A CN113989556B (zh) | 2021-10-27 | 2021-10-27 | 一种小样本医学影像分类方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111253761.4A CN113989556B (zh) | 2021-10-27 | 2021-10-27 | 一种小样本医学影像分类方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113989556A CN113989556A (zh) | 2022-01-28 |
CN113989556B true CN113989556B (zh) | 2024-04-09 |
Family
ID=79742276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111253761.4A Active CN113989556B (zh) | 2021-10-27 | 2021-10-27 | 一种小样本医学影像分类方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989556B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114708465B (zh) * | 2022-06-06 | 2022-09-27 | 中国科学院自动化研究所 | 图像分类方法、装置、电子设备与存储介质 |
CN117115117B (zh) * | 2023-08-31 | 2024-02-09 | 南京诺源医疗器械有限公司 | 基于小样本下的病理图像识别方法、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109961089A (zh) * | 2019-02-26 | 2019-07-02 | 中山大学 | 基于度量学习和元学习的小样本和零样本图像分类方法 |
CN110569793A (zh) * | 2019-09-09 | 2019-12-13 | 西南交通大学 | 一种无监督相似性判别学习的目标跟踪方法 |
CN112348792A (zh) * | 2020-11-04 | 2021-02-09 | 广东工业大学 | 一种基于小样本学习和自监督学习的x光胸片图像分类方法 |
CN112861995A (zh) * | 2021-03-15 | 2021-05-28 | 中山大学 | 基于模型无关元学习的无监督少样本图像分类方法、系统及存储介质 |
CN112949770A (zh) * | 2021-04-08 | 2021-06-11 | 深圳市医诺智能科技发展有限公司 | 一种医学图像的识别与分类的方法及终端 |
WO2021147217A1 (zh) * | 2020-01-20 | 2021-07-29 | 平安科技(深圳)有限公司 | 医疗影像分类方法、装置、介质及电子设备 |
CN113378937A (zh) * | 2021-06-11 | 2021-09-10 | 西安电子科技大学 | 一种基于自监督增强的小样本图像分类方法及系统 |
CN113486202A (zh) * | 2021-07-01 | 2021-10-08 | 南京大学 | 小样本图像分类的方法 |
-
2021
- 2021-10-27 CN CN202111253761.4A patent/CN113989556B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109961089A (zh) * | 2019-02-26 | 2019-07-02 | 中山大学 | 基于度量学习和元学习的小样本和零样本图像分类方法 |
CN110569793A (zh) * | 2019-09-09 | 2019-12-13 | 西南交通大学 | 一种无监督相似性判别学习的目标跟踪方法 |
WO2021147217A1 (zh) * | 2020-01-20 | 2021-07-29 | 平安科技(深圳)有限公司 | 医疗影像分类方法、装置、介质及电子设备 |
CN112348792A (zh) * | 2020-11-04 | 2021-02-09 | 广东工业大学 | 一种基于小样本学习和自监督学习的x光胸片图像分类方法 |
CN112861995A (zh) * | 2021-03-15 | 2021-05-28 | 中山大学 | 基于模型无关元学习的无监督少样本图像分类方法、系统及存储介质 |
CN112949770A (zh) * | 2021-04-08 | 2021-06-11 | 深圳市医诺智能科技发展有限公司 | 一种医学图像的识别与分类的方法及终端 |
CN113378937A (zh) * | 2021-06-11 | 2021-09-10 | 西安电子科技大学 | 一种基于自监督增强的小样本图像分类方法及系统 |
CN113486202A (zh) * | 2021-07-01 | 2021-10-08 | 南京大学 | 小样本图像分类的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113989556A (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109949317B (zh) | 基于逐步对抗学习的半监督图像实例分割方法 | |
CN112308158A (zh) | 一种基于部分特征对齐的多源领域自适应模型及方法 | |
CN113989556B (zh) | 一种小样本医学影像分类方法和系统 | |
CN112069921A (zh) | 一种基于自监督知识迁移的小样本视觉目标识别方法 | |
CN107944410B (zh) | 一种基于卷积神经网络的跨领域面部特征解析方法 | |
CN103425996B (zh) | 一种并行分布式的大规模图像识别方法 | |
Chen et al. | Learning linear regression via single-convolutional layer for visual object tracking | |
CN110175657B (zh) | 一种图像多标签标记方法、装置、设备及可读存储介质 | |
CN113821668A (zh) | 数据分类识别方法、装置、设备及可读存储介质 | |
CN112990331A (zh) | 图像处理方法、电子设备和存储介质 | |
Wang et al. | Spatial weighting for bag-of-features based image retrieval | |
Zhang et al. | Self-guided adaptation: Progressive representation alignment for domain adaptive object detection | |
Li et al. | Momentum^ 2 Teacher: Momentum Teacher with Momentum Statistics for Self-Supervised Learning | |
CN114693624A (zh) | 一种图像检测方法、装置、设备及可读存储介质 | |
CN114333062B (zh) | 基于异构双网络和特征一致性的行人重识别模型训练方法 | |
CN116664840A (zh) | 一种基于互关系知识蒸馏的语义分割方法、装置及设备 | |
CN111008589B (zh) | 人脸关键点检测方法、介质、装置和计算设备 | |
CN113706562A (zh) | 图像分割方法、装置、系统及细胞分割方法 | |
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 | |
CN114996495A (zh) | 一种基于多原型和迭代增强的单样本图像分割方法及装置 | |
CN113065533B (zh) | 一种特征提取模型生成方法、装置、电子设备和存储介质 | |
CN111445545A (zh) | 一种文本转贴图方法、装置、存储介质及电子设备 | |
CN114882334B (zh) | 用于生成预训练模型的方法、模型训练方法及装置 | |
CN110659724A (zh) | 一种基于目标尺度范围的目标检测卷积神经网络构建方法 | |
CN115019342A (zh) | 一种基于类关系推理的濒危动物目标检测方法 |
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 |