CN114049500A - 基于元学习重加权网络伪标签训练的图像评价方法及系统 - Google Patents
基于元学习重加权网络伪标签训练的图像评价方法及系统 Download PDFInfo
- Publication number
- CN114049500A CN114049500A CN202111387152.8A CN202111387152A CN114049500A CN 114049500 A CN114049500 A CN 114049500A CN 202111387152 A CN202111387152 A CN 202111387152A CN 114049500 A CN114049500 A CN 114049500A
- Authority
- CN
- China
- Prior art keywords
- network
- training
- learning
- meta
- sub
- 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.)
- Pending
Links
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
-
- 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
本发明涉及一种基于元学习重加权网络伪标签训练的图像质量评价方法及系统,其方法包括:S1:获取图片数据集作为样本集,从样本集中提取元数据集和训练全数据集,构建主干特征提取网络,得到高维特征图;S2:将高维特征图分别输入十分类子网络和回归子网络,得到图像分类和图像质量评分;S3:将元数据集分类损失输入元学习重加权网络调整网络参数,用训练全数据集分类损失调整主干特征提取网络和十分类子网络参数;S4:基于二分类器赋予训练全数据集伪标签,根据伪标签对训练全数据集进行分组回归训练,加权平均各模型评分结果得到评价输出。本发明提供了具有较好鲁棒性的图像质量评价方法,解决了计算机视觉训练数据集不平衡的问题。
Description
技术领域
本发明涉及机器视觉领域,具体涉及一种基于元学习重加权网络伪标签训练的图像质量评价方法及系统。
背景技术
美学研究是近期计算机视觉研究的热门领域之一,随着社交网络的不断发展,越来越多的人们希望通过照片来记录和分享自己生活中的美好时刻。美学评价具有高度抽象性,学术界主要通过深度神经网络模型来进行图像审美评价端到端的有监督训练,因此训练结果高度依赖于有标注的数据集质量。
在计算视觉美学中,虽然现有的通用美学基准数据集有精细的数值标签,但绝大部分数据集的数量不超过20,000个,并且存在严重的分布不均衡问题,高分和低分标注的数据比重很低,导致有监督训练出来的深度学习模型的打分集中在中分段。目前在该领域中绝大部分的方法仍是改进图像特征提取,并没有针对训练数据集分布不均衡而改进的方法。
发明内容
为了解决上述技术问题,本发明提供一种基于元学习重加权网络伪标签训练的图像质量评价方法及系统。
本发明技术解决方案为:一种基于元学习重加权网络伪标签训练的图像质量评价方法,包括:
步骤S1:获取图片数据集作为样本集,从所述样本集中提取元数据集和训练全数据集,构建主干特征提取网络,对所述样本集中图像进行尺寸调整和填充,并输入EfficientNet-B4网络第一个卷积层进行自适应特征预提取,通过EfficientNet-B4剩余网络结构进行特征提取,得到元数据和训练全数据的高维特征图;
步骤S2:将所述高维特征图分别输入十分类子网络和回归子网络,通过多层全连接层进行降维特征提取,分别得到输入图像的图像分类和图像质量评分;其中,所述十分类子网络和所述回归子网络包括:一个高效通道注意力模块和一个全连接网络;
步骤S3:将所述元数据集得到的十分类结果通过交叉熵计算损失并输入元学习重加权网络,以调整所述元学习重加权网络的参数,得到调整后的元学习重加权网络;将所述训练全数据集得到的十分类结果通过所述调整后的元学习重加权网络得到加权损失,调整所述主干特征提取网络和所述十分类子网络参数;其中,所述元学习重加权网络包括:一个三层感知器;
步骤S4:基于二分类器赋予所述训练全数据集伪标签,根据伪标签对所述样本集进行分组回归训练,调整所述回归子网络参数,将不同分组训练得到的多个综合结果取加权平均得到评价输出。
本发明与现有技术相比,具有以下优点:
本发明公开了一种基于元学习重加权网络伪标签训练的图像质量评价方法,提供了具有较好鲁棒性的图像质量评价方法,能够在一定程度上解决计算机视觉训练数据集不平衡带来的问题,为当前热门的社交图像分享提供有效的筛选。
附图说明
图1为本发明实施例中一种基于元学习重加权网络伪标签训练的图像质量评价方法的流程图;
图2为本发明实施例中一种基于元学习重加权网络的结构示意图;
图3为本发明实施例中一种基于元学习重加权网络伪标签训练的图像质量评价系统的结构框图。
具体实施方式
本发明提供了一种基于元学习重加权网络伪标签训练的图像质量评价方法,能够在一定程度上解决计算机视觉训练数据集不平衡带来的问题,为当前热门的社交图像分享提供高效的图片质量评价。
为了更好地理解本发明,对于下述实施例所用的术语进行解释说明:
元学习:利用以往的知识经验来指导新任务的学习,具有学会学习的能力。本发明实施例中借助该思想用于学习不同训练误差的权重。
伪标签:基于有标签数据的技术来给出一个近似的标签,本发明实施例中通过美学二分类器为现有数据集进行二分类伪标签标注,通过标注将数据集进行分组训练。
为了使本发明的目的、技术方案及优点更加清楚,以下通过具体实施,并结合附图,对本发明进一步详细说明。
实施例一
如图1所示,本发明实施例提供的一种基于元学习重加权网络伪标签训练的图像质量评价方法,包括下述步骤:
步骤S1:获取图片数据集作为样本集,从样本集中提取元数据集和训练全数据集,构建主干特征提取网络,对样本集中图像进行尺寸调整和填充,并输入EfficientNet-B4网络第一个卷积层进行自适应特征预提取,通过EfficientNet-B4剩余网络结构进行特征提取,得到元数据和训练全数据的高维特征图;
步骤S2:将高维特征图分别输入十分类子网络和回归子网络,通过多层全连接层进行降维特征提取,分别得到输入图像的图像分类和图像质量评分;其中,十分类子网络和回归子网络包括:一个高效通道注意力模块和一个全连接网络;
步骤S3:将元数据集得到的十分类结果通过交叉熵计算损失并输入元学习重加权网络,以调整元学习重加权网络的参数,得到调整后的元学习重加权网络;将训练全数据集得到的十分类结果通过调整后的元学习重加权网络得到加权损失,调整主干特征提取网络和十分类子网络参数;其中,元学习重加权网络包括:一个三层感知器;
步骤S4:基于二分类器赋予训练全数据集伪标签,根据伪标签对样本集进行分组回归训练,调整回归子网络参数,将不同分组训练得到的多个综合结果取加权平均得到评价输出。
在一个实施例中,上述步骤S1:获取图片数据集作为样本集,从样本集中提取元数据集和训练全数据集,构建主干特征提取网络,对样本集中图像进行尺寸调整和填充,并输入EfficientNet-B4网络第一个卷积层进行自适应特征预提取,通过EfficientNet-B4剩余网络结构进行特征提取,得到元数据和训练全数据的高维特征图,具体包括:
步骤S11:选择已公开或者自建图片数据集作为样本集;从样本集中提取标注准确且数据分布均匀的样本作为元数据集,剩余样本作为训练全数据集;
在本步骤中,从常见的公开图片数据集,例如AVA、AADB、PCCD等中选择或者自建图片数据集作为样本集。在进行图像预处理之前,从样本集中提取少量高质量的数据作为元数据集。元数据集数量远小于总数据集数量,其特点是标注准确且数据分布均匀。本发明实施例中,根据连续评价标注平均分为10个段,从每个段中提取200张图像,一共筛选2000张图像作为元数据集,剩余部分作为训练全数据集。
步骤S12:对样本集中图像进行等比缩放,将其转化为RGB三通道,置于预设尺寸的画布中,将画布左边和上边与输入图像贴合,对多余部分进行0填充;
本发明实施例中,根据输入图像的长宽比等比例缩放至长边为800,短边为n,记录宽边为w,高边为h;并将图像转化为RGB三通道,放置于3*800*800的画布中,画布左边和上边与原图贴合,对多余部分进行0填充;
步骤S13:对画布进行预处理后,使其RGB颜色通道的偏移均值和标准偏差分别在预设阈值内;使用EfficientNet-B4网络第一个卷积层的卷积核对画布进行卷积处理,通过EfficientNet-B4剩余结构得到高维特征图。
将画布进行水平随机翻转、张量转化和标准化偏移,其RGB颜色通道的偏移均值和标准偏差分别为(0.485,0.456,0.406)和(0.229,0.224,0.225);
对经过标准化偏移后的画布的像素矩阵3*800*800进行特征预处理,使用Efficientnet-B4网络第一个卷积层的卷积核对特征进行卷积处理,得到48*400*400的特征图,再对该特征图进行位置标记,选取特征图中48*[w/2]*[h/2]范围的有效特征,使用二维自适应池化操作将其池化为48*190*190的初始特征图;通过EfficientNet-B4剩余结构对该初始特征图进行特征提取,最终得到1792*11*11的高维特征图。
在一个实施例中,上述步骤S2:将高维特征图分别输入十分类子网络和回归子网络,通过多层全连接层进行降维特征提取,分别得到输入图像的图像分类和图像质量评分;其中,十分类子网络和回归子网络包括:一个高效通道注意力模块和一个全连接网络,具体包括:
步骤S21:将高维特征图分别输入十分类子网络和回归子网络,十分类子网络和回归子网络包括:一个高效通道注意力模块和一个全连接网络;
如图2所示,十分类子网络和回归子网络的输入分别为1792*11*11的高维特征图,每个子网络中包含一个高效通道注意力模块和一个具有三个全连接层的全连接网络;
步骤S22:高效通道注意力模块对每个通道进行全局平均池化,再通过卷积核大小为k的一维卷积与每个通道及其k个邻居的交互来捕获局部跨信道注意信息,其中k表示局部跨信道注意的面积,表示参与该信道注意预测的邻居节点的数量,将局部跨信道注意信息与高维特征图进行相乘,得到高效通道注意力特征图;
在本发明实施例中,k值取7,通过高效通道注意力模块得到1792*11*11的高效通道注意力特征图。
步骤S23:全连接层包括三层全连接层,其中,十分类子网络和回归子网络的全连接层中前两个全连接层分别对高效通道注意力特征图进行高维特征提取;十分类子网络第三个全连接层输出为10维特征,得到图像连续分数标签十等分的类别标注,回归子网络第三个全连接层输出为1维特征,得到预测的图像连续分数输出。
本步骤中,对高效通道注意力特征图进行全局平均池化,得到1792维特征,十分类子网络和回归子网络的全连接层中前两个全连接层分别对其进行高维特征提取,分别得到896维特征和448维特征;第三个全连接层根据不同输出结果设定不同节点,十分类子网络第三个全连接层输出为10维特征,得到图像连续分数标签十等分的类别标注,回归子网络第三个全连接层输出为1维特征,得到预测的图像连续分数输出。
在一个实施例中,上述步骤S3:将元数据集得到的十分类结果通过交叉熵计算损失并输入元学习重加权网络,以调整元学习重加权网络的参数,得到调整后的元学习重加权网络;将训练全数据集得到的十分类结果通过调整后的元学习重加权网络得到加权损失,调整主干特征提取网络和十分类子网络参数;其中,元学习重加权网络包括:一个三层感知器,具体包括:
步骤S31:将元数据集输入主干特征提取网络和十分类子网络,将获取的十分类交叉熵损失输入元学习重加权网络,利用其感知器计算权重,加权后梯度调整元学习重加权网络的参数,得到调整后的元学习重加权网络;
步骤S32:将训练全数据集的高维特征图通过十分类子网络输出十分类结果,计算得到损失值再输入到元学习重加权网络,以加权后的损失值调整主干特征提取网络和十分类子网络的参数,得到调整后的主干特征提取网络和十分类子网络。
在一个实施例中,上述步骤S4:基于二分类器赋予训练全数据集伪标签,根据伪标签对样本集进行分组回归训练,调整回归子网络参数,将不同分组训练得到的多个综合结果取加权平均得到评价输出,具体包括:
步骤S41:封锁主干特征提取网络、十分类子网络和元学习重加权网络参数,开放回归子网络参数,利用训练全数据集进行回归训练,得到训练全数据集回归模型;
步骤S42:对训练全数据集进行二分类训练,通过训练得到的二分类伪标签重新划分训练全数据集,得到伪标签数据集的回归模型;
与十分类模型训练类似,使用二分类器对训练全数据集进行二分类训练,让二分类器赋予训练数据集高质量图和低质量图的伪标签,根据不同标签将训练全数据集划分为高质量伪标签数据集和低质量伪标签数据集,重复上述回归模型的训练过程,通过高质量伪标签数据集、低质量伪标签数据集和训练全数据集训练得到的高质量回归模型,低质量回归模型和训练全数据集回归模型。
步骤S43:根据伪标签回归模型输出结果Score1,根据训练全数据集回归模型输出结果Score2,最终评分Score=(Score1+Score2)/2。
通过二分类器给予测试图像二分类伪标签,然后根据对应伪标签数据集得到的回归模型输出结果,如测试图像标注低质量伪标签,通过低质量回归模型输出结果Score1,反之则通过高质量回归模型输出结果Score1。再通过训练全数据集回归模型输出结果Score2,最终评分结果取两者加权平均Score=(Score1+Score2)/2。
本发明公开了一种基于元学习重加权网络伪标签训练的图像质量评价方法,提供了具有较好鲁棒性的图像质量评价方法,能够在一定程度上解决计算机视觉训练数据集不平衡带来的问题,为当前热门的社交图像分享提供有效的筛选。
实施例二
如图3所示,本发明实施例提供了一种基于元学习重加权网络伪标签训练的图像质量评价系统,包括下述模块:
获取高维特征图模块51,用于获取图片数据集作为样本集,从样本集中提取元数据集和训练全数据集,构建主干特征提取网络,对样本集中图像进行尺寸调整和填充,并输入EfficientNet-B4网络第一个卷积层进行自适应特征预提取,通过EfficientNet-B4剩余网络结构进行特征提取,得到元数据和训练全数据的高维特征图;
获取图像分类和评分模块52,用于将高维特征图分别输入十分类子网络和回归子网络,通过多层全连接层进行降维特征提取,分别得到输入图像的图像分类和图像质量评分;其中,十分类子网络和回归子网络包括:一个高效通道注意力模块和一个全连接网络;
元学习重加权网络模块53,将元数据集得到的十分类结果通过交叉熵计算损失并输入元学习重加权网络,以调整元学习重加权网络的参数,得到调整后的元学习重加权网络;将训练全数据集得到的十分类结果通过调整后的元学习重加权网络得到加权损失,调整主干特征提取网络和十分类子网络参数;其中,元学习重加权网络包括:一个三层感知器;
伪标签训练评价模块54,基于二分类器赋予训练全数据集伪标签,根据伪标签对样本集进行分组回归训练,调整回归子网络参数,将不同分组训练得到的多个综合结果取加权平均得到评价输出。
提供以上实施例仅仅是为了描述本发明的目的,而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改,均应涵盖在本发明的范围之内。
Claims (6)
1.一种基于元学习重加权网络伪标签训练的图像质量评价方法,其特征在于,包括:
步骤S1:获取图片数据集作为样本集,从所述样本集中提取元数据集和训练全数据集,构建主干特征提取网络,对所述样本集中图像进行尺寸调整和填充,并输入EfficientNet-B4网络第一个卷积层进行自适应特征预提取,通过EfficientNet-B4剩余网络结构进行特征提取,得到元数据和训练全数据的高维特征图;
步骤S2:将所述高维特征图分别输入十分类子网络和回归子网络,通过多层全连接层进行降维特征提取,分别得到输入图像的图像分类和图像质量评分;其中,所述十分类子网络和所述回归子网络包括:一个高效通道注意力模块和一个全连接网络;
步骤S3:将所述元数据集得到的十分类结果通过交叉熵计算损失并输入元学习重加权网络,以调整所述元学习重加权网络的参数,得到调整后的元学习重加权网络;将所述训练全数据集得到的十分类结果通过所述调整后的元学习重加权网络得到加权损失,调整所述主干特征提取网络和所述十分类子网络参数;其中,所述元学习重加权网络包括:一个三层感知器;
步骤S4:基于二分类器赋予所述训练全数据集伪标签,根据伪标签对所述样本集进行分组回归训练,调整所述回归子网络参数,将不同分组训练得到的多个综合结果取加权平均得到评价输出。
2.根据权利要求1所述的基于元学习重加权网络伪标签训练的图像质量评价方法,其特征在于,所述步骤S1:获取图片数据集作为样本集,从所述样本集中提取元数据集和训练全数据集,构建主干特征提取网络,对所述样本集中图像进行尺寸调整和填充,并输入EfficientNet-B4网络第一个卷积层进行自适应特征预提取,通过EfficientNet-B4剩余网络结构进行特征提取,得到元数据和训练全数据的高维特征图,具体包括:
步骤S11:选择已公开或者自建图片评价数据集作为所述样本集;从所述样本集中提取标注准确且数据分布均匀的样本作为所述元数据集,剩余样本作为所述训练全数据集;
步骤S12:对所述样本集中图像进行等比缩放,将其转化为RGB三通道,置于预设尺寸的画布中,将所述画布左边和上边与所述输入图像贴合,对多余部分进行0填充;
步骤S13:对所述画布进行预处理后,使其RGB颜色通道的偏移均值和标准偏差分别在预设阈值内;使用EfficientNet-B4网络第一个卷积层的卷积核对所述画布进行卷积处理,通过EfficientNet-B4剩余结构得到元数据和训练全数据的高维特征图。
3.根据权利要求1所述的基于元学习重加权网络伪标签训练的图像质量评价方法,其特征在于,所述步骤S2:将所述高维特征图分别输入十分类子网络和回归子网络,通过多层全连接层进行降维提取,分别得到输入图像的图像分类和图像质量评分;其中,所述十分类子网络和所述回归子网络包括:一个高效通道注意力模块和一个全连接网络,具体包括:
步骤S21:将所述高维特征图分别输入十分类子网络和回归子网络,所述十分类子网络和所述回归子网络包括:一个高效通道注意力模块和一个全连接网络;
步骤S22:所述高效通道注意力模块对每个通道进行全局平均池化,再通过卷积核大小为k的一维卷积与每个通道及其k个邻居的交互来捕获局部跨信道注意信息,其中k表示局部跨信道注意的面积,表示参与该信道注意预测的邻居节点的数量,将局部跨信道注意信息与所述高维特征图进行相乘,得到高效通道注意力特征图;
步骤S23:所述全连接层包括三层全连接层,其中,所述十分类子网络和回归子网络的全连接层中前两个全连接层分别对所述高效通道注意力特征图进行高维特征提取;所述十分类子网络第三个全连接层输出为10维特征,得到图像连续分数标签十等分的类别标注,所述回归子网络第三个全连接层输出为1维特征,得到预测的图像连续分数输出。
4.根据权利要求1所述的基于元学习重加权网络伪标签训练的图像质量评价方法,其特征在于,所述步骤S3:将所述元数据集得到的十分类结果通过交叉熵计算损失并输入元学习重加权网络,以调整所述元学习重加权网络的参数,得到调整后的元学习重加权网络;将所述训练全数据集得到的十分类结果通过所述调整后的元学习重加权网络得到加权损失,调整所述主干特征提取网络和所述十分类子网络参数;其中,所述元学习重加权网络包括:一个三层感知器,具体包括:
步骤S31:将所述元数据集输入所述主干特征提取网络和所述十分类子网络,将获取的十分类交叉熵损失输入元学习重加权网络,利用其感知器计算权重,加权后梯度调整所述元学习重加权网络的参数,得到调整后的元学习重加权网络;
步骤S32:将所述训练全数据的高维特征图通过所述十分类子网络输出十分类结果,计算得到损失值再输入到元学习重加权网络,以加权后的损失值调整所述主干特征提取网络和十分类子网络的参数,得到调整后的主干特征提取网络和十分类子网络。
5.根据权利要求1所述的基于元学习重加权网络伪标签训练的图像质量评价方法,其特征在于,所述步骤S4:基于二分类器赋予所述训练全数据集伪标签,根据伪标签对所述样本集进行分组回归训练,调整所述回归子网络参数,将不同分组训练得到的多个综合结果取加权平均得到评价输出,具体包括:
步骤S41:封锁所述主干特征提取网络、十分类子网络和元学习重加权网络参数,开放所述回归子网络参数,利用所述训练全数据集进行回归训练,得到训练全数据集回归模型;
步骤S42:对所述训练全数据集进行二分类训练,通过训练得到的二分类伪标签重新划分所述训练全数据集,得到伪标签数据集的回归模型;
步骤S43:根据所述伪标签回归模型输出结果Score1,根据所述训练全数据集回归模型输出结果Score2,最终评分Score=(Score1+Score2)/2。
6.一种基于元学习重加权网络伪标签训练的图像质量评价系统,其特征在于,包括下述模块:
获取高维特征图模块,用于获取图片数据集作为样本集,从所述样本集中提取元数据集和训练全数据集,构建主干特征提取网络,对所述样本集中图像进行尺寸调整和填充,并输入EfficientNet-B4网络第一个卷积层进行自适应特征预提取,通过EfficientNet-B4剩余网络结构进行特征提取,得到元数据和训练全数据的高维特征图;
获取图像分类和评分模块,用于将所述高维特征图分别输入十分类子网络和回归子网络,通过多层全连接层进行降维特征提取,分别得到输入图像的图像分类和图像质量评分;其中,所述十分类子网络和所述回归子网络包括:一个高效通道注意力模块和一个全连接网络;
元学习重加权网络模块,用于将所述元数据集得到的十分类结果通过交叉熵计算损失并输入元学习重加权网络,以调整所述元学习重加权网络的参数,得到调整后的元学习重加权网络;将所述训练全数据集得到的十分类结果通过所述调整后的元学习重加权网络得到加权损失,调整所述主干特征提取网络和所述十分类子网络参数;其中,所述元学习重加权网络包括:一个三层感知器;
伪标签训练评价模块,用于基于二分类器赋予所述训练全数据集伪标签,根据伪标签对所述样本集进行分组回归训练,调整所述回归子网络参数,将不同分组训练得到的多个综合结果取加权平均得到评价输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111387152.8A CN114049500A (zh) | 2021-11-22 | 2021-11-22 | 基于元学习重加权网络伪标签训练的图像评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111387152.8A CN114049500A (zh) | 2021-11-22 | 2021-11-22 | 基于元学习重加权网络伪标签训练的图像评价方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114049500A true CN114049500A (zh) | 2022-02-15 |
Family
ID=80210262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111387152.8A Pending CN114049500A (zh) | 2021-11-22 | 2021-11-22 | 基于元学习重加权网络伪标签训练的图像评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114049500A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452899A (zh) * | 2023-06-20 | 2023-07-18 | 四川省医学科学院·四川省人民医院 | 一种基于深度学习的超声心动图标准切面识别及评分方法 |
-
2021
- 2021-11-22 CN CN202111387152.8A patent/CN114049500A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452899A (zh) * | 2023-06-20 | 2023-07-18 | 四川省医学科学院·四川省人民医院 | 一种基于深度学习的超声心动图标准切面识别及评分方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563422B (zh) | 一种基于半监督卷积神经网络的极化sar分类方法 | |
CN104992223B (zh) | 基于深度学习的密集人数估计方法 | |
WO2018052587A1 (en) | Method and system for cell image segmentation using multi-stage convolutional neural networks | |
CN108090472B (zh) | 基于多通道一致性特征的行人重识别方法及其系统 | |
CN107945153A (zh) | 一种基于深度学习的路面裂缝检测方法 | |
CN108090403A (zh) | 一种基于3d卷积神经网络的人脸动态识别方法及系统 | |
CN108960260B (zh) | 一种分类模型生成方法、医学影像图像分类方法及装置 | |
CN107767416B (zh) | 一种低分辨率图像中行人朝向的识别方法 | |
CN112347970B (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
CN108345900B (zh) | 基于颜色纹理分布特征的行人重识别方法及其系统 | |
CN108596240B (zh) | 一种基于判别特征网络的图像语义分割方法 | |
CN106960176A (zh) | 一种基于超限学习机和颜色特征融合的行人性别识别方法 | |
CN112766283B (zh) | 一种基于多尺度卷积网络的两相流流型识别方法 | |
CN107392251B (zh) | 一种使用分类图片提升目标检测网络性能的方法 | |
CN114898284B (zh) | 一种基于特征金字塔局部差异注意力机制的人群计数方法 | |
CN112818849B (zh) | 基于对抗学习的上下文注意力卷积神经网络的人群密度检测算法 | |
CN112990282B (zh) | 一种细粒度小样本图像的分类方法及装置 | |
CN109472733A (zh) | 基于卷积神经网络的图像隐写分析方法 | |
CN108416795B (zh) | 基于排序池化融合空间特征的视频动作识别方法 | |
CN106874862A (zh) | 基于子模技术和半监督学习的人群计数方法 | |
CN111382727A (zh) | 一种基于深度学习的犬脸识别方法 | |
CN114494195A (zh) | 用于眼底图像分类的小样本注意力机制并行孪生方法 | |
CN111027472A (zh) | 一种基于视频光流和图像空间特征权重融合的视频识别方法 | |
CN114170657A (zh) | 融合注意力机制与高阶特征表示的面部情感识别方法 | |
CN110688966A (zh) | 语义指导的行人重识别方法 |
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 |