CN114067294B - 一种基于文本特征融合的细粒度车辆识别系统及方法 - Google Patents
一种基于文本特征融合的细粒度车辆识别系统及方法 Download PDFInfo
- Publication number
- CN114067294B CN114067294B CN202210052681.0A CN202210052681A CN114067294B CN 114067294 B CN114067294 B CN 114067294B CN 202210052681 A CN202210052681 A CN 202210052681A CN 114067294 B CN114067294 B CN 114067294B
- Authority
- CN
- China
- Prior art keywords
- label
- image
- fusion
- distribution
- 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
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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (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)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于文本特征融合的细粒度车辆识别系统及方法,系统包括:特征提取模块、分类层、文本表示网络、相似度计算模块、融合标签计算模块、散度损失计算模块;方法包括:步骤S1,构建细粒度车辆图像分类数据集;步骤S2,将训练图像进行特征提取;步骤S3,对图像特征向量进行分类;步骤S4,将数据集各子类标签输入预先训练好的文本表示网络;步骤S5,通过图像特征向量与图像标签的词向量;将得到的强化标签分布与原标签向量进行加权融合;步骤S6,将预测标签分布与加权融合的标签分布的相似度作为损失,指导整个系统的训练;步骤S7,推理阶段,将待测图像进行特征提取与分类层,根据预测的标签分布确定图像类别。
Description
技术领域
本发明涉及计算机视觉识别技术领域,尤其是涉及一种基于文本特征融合的细粒度车辆识别系统及方法。
背景技术
细粒度图像分类无论在工业界还是学术界都有着广泛的研究需求与应用场景,与之相关的研究课题主要包括识别不同种类的鸟、狗、花、车、飞机等。在实际生活中,识别不同的子类别存在着巨大的应用需求。细粒度图像分析任务相对通用图像任务的区别和难点在于其图像所属类别的粒度更为精细,其子类间差异细微、子类内部差异大。因此,不止对计算机,对普通人来说,细粒度图像任务的难度和挑战无疑也十分巨大。
随着深度学习的不断发展,自然语言处理技术迎来了突破。通过训练语言模型得到的词向量,可以较好地反应出词与词之间的关系。比如训练出的同义词的词向量非常接近,而反义词的词向量则互为相反向量。因此标签的词向量可以在一定程度上反应出标签之间的关系。目前较为流行的词向量有Word2Vec、BERT等。
相对熵又称KL散度(Kullback-Leibler divergence),对于同一个随机变量,有两个单独的概率分布P和Q,通过KL散度可以衡量这两个分布的差异。Q的分布越接近P(Q分布越拟合P),则散度值越小,即损失值越小,但KL散度是不对称的。JS散度是基于KL散度的变体,度量了两个概率分布的相似度,解决了KL散度非对称的问题,通常,JS散度是对称的,其取值是0到1之间。
考虑到细粒度图像存在大量相近类别,部分细微差异即使人类也难以区分,在标注过程中容易引入噪声标签。在分类过程中,采用独热编码作为原标签表现地过于武断,忽略了标签之间的相关性,使得噪声标签对网络训练起到较大的负面作用,从而影响网络收敛。
发明内容
为解决现有技术的不足,本发明通过捕捉样本图像特征与各标签词向量之间的相似度,模拟出一个更加可靠的标签分布,在训练过程中取代独热编码的原标签,有效地提升了细粒度图像分类的精度,本发明采用如下的技术方案:
一种基于文本特征融合的细粒度车辆识别系统,包括:特征提取模块、分类层、文本表示网络、相似度计算模块、融合标签计算模块、散度损失计算模块,特征提取模块分别与分类层连接,相似度计算模块分别与特征提取模块、文本表示网络、融合标签计算模块连接,散度损失计算模块分别与分类层、融合标签计算模块连接;
所述文本表示网络,用于获取图像标签的语义特征;
所述散度损失计算模块,将预测标签分布与融合标签分布的相似度作为损失,
指导整个系统的训练。利用标签先验语义特征,通过计算相似度,模拟出一个更加真实可靠
的标签分布作为融合标签,在训练过程中取代独热编码的原标签,对原标签进行增强,从而
减少噪声标签对网络训练的影响,提高细粒度图像分类的性能
进一步地,分类层,包括全连接层和softmax层,公式表示如下:
进一步地,相似度计算模块,包括全连接神经网络和softmax层,将图像特征向量
与作为图像标签语义特征的标签词向量相乘,计算两者之间的相似度向量,输入全连接神
经网络和softmax层,得到强化标签分布:
其中,表示KL散度,i∈n,n表示车辆类别个数,采用SGD或Adam梯度下降方法
进行训练,在epoch达到指定次数后停止训练,采用JS散度计算融合标签分布与预测标签分
布的相似度,更有效地模拟两项分布之间的距离,加快网络收敛。
一种基于文本特征融合的细粒度车辆识别方法,包括如下步骤:
步骤S1,构建细粒度车辆图像分类数据集,并划分训练集和测试集,其中包括多种车辆类别;
步骤S5,融合标签计算,包括如下步骤:
步骤S7,推理阶段,将待测图像依次进行特征提取与分类层,根据预测的标签分布确定图像类别,系统参数大小与推理速度无需增加任何额外成本,在保证灵活性和高速性的情况下,提高了模型的性能。
进一步地,通过图像类别的准确率的上升幅度,推测出该类别对应的数据集中,存在噪声标签的多少,从而对该数据集重新标注和/或加入更多该类别的图像样本等方式进行修正,从而提高数据集的质量。
本发明的优势和有益效果在于:
1. 利用标签先验语义特征对原标签进行增强,模拟出一个更加真实可靠的融合标签分布,从而减少噪声标签对网络训练的影响;
2. 采用JS散度计算融合标签分布与预测标签分布的相似度,更有效地模拟两项分布之间的距离,加快网络收敛;
3. 推理阶段,模型参数大小与推理速度无需增加任何额外成本,在保证灵活性和高速性的情况下,提高了模型的性能;
4. 通过计算各类别准确率上升的幅度,可以推测出数据集中含有噪声标签较多的类别,有助于研究人员了解数据集自身的情况。
附图说明
图1是本发明的系统结构示意图。
图2是本发明的方法流程图。
图3是本发明中融合标签计算的流程图。
图4是本发明中训练阶段流程图。
图5a是本发明的测试结果为卡车的样例图。
图5b是本发明的测试结果为摩托车的样例图。
图5c是本发明的测试结果为自行车样例图。
图5d是本发明的测试结果为救护车样例图。
图6是本发明中一种基于文本特征融合的细粒度车辆识别装置的结构图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
如图1所示,一种基于文本特征融合的细粒度车辆识别系统,包括:特征提取模块、分类层、文本表示网络、相似度计算模块、融合标签计算模块、散度损失计算模块,特征提取模块分别与分类层连接,相似度计算模块分别与特征提取模块、文本表示网络、融合标签计算模块连接,散度损失计算模块分别与分类层、融合标签计算模块连接。
相似度计算模块,通过图像的特征向量与图像标签的语义特征,得到强化标签分
布 ,包括全连接神经网络和softmax层,将图像特征向量与作为图像标签语义特征的标
签词向量相乘,计算两者之间的相似度向量,输入全连接神经网络和softmax层,得到强化
标签分布:
散度损失计算模块,将预测标签分布与融合标签分布的相似度作为损失,指导
整个系统的训练。利用标签先验语义特征,通过计算相似度,模拟出一个更加真实可靠的标
签分布作为融合标签,在训练过程中取代独热编码的原标签,对原标签进行增强,从而减少
噪声标签对网络训练的影响,提高细粒度图像分类的性能。
其中,表示KL散度,i∈n,n表示车辆类别个数,采用SGD或Adam梯度下降方法
进行训练,在epoch达到指定次数后停止训练,采用JS散度计算融合标签分布与预测标签分
布的相似度,更有效地模拟两项分布之间的距离,加快网络收敛。
如图2至图4所示,一种基于文本特征融合的细粒度车辆识别方法,包括如下步骤:
步骤S1:构建细粒度车辆图像分类数据集,并划分训练集和测试集,其中包括多种车辆类别;具体地,收集下载各类型车辆图像数据集,包括10种汽车类型:轿车、巴士、卡车、工程车、泥头车、摩托车、自行车、电瓶车、救护车、三轮车,每种类别1000张图像,共计10000张图像数据,其中训练集和测试集分别为7000张和3000张。
步骤S2:将训练图像进行特征提取,得到图像的特征向量;具体地,将训练图像以
batch size为16输入深度卷积网络中提取图像特征,本实例采用ResNet101作为深度卷积
网络(也可采用ResNet50等作为深度卷积网络),输出一个的图像特征向量。
步骤S4:将数据集各子类标签输入预先训练好的文本表示网络,获得各标签的词
向量,为类别个数,本实例,采用BERT作为文本表示网络(也可采
用Word2Vec等作为文本表示网络),每个词向量的维度为2048,的维度为。
步骤S5:融合标签计算,包括如下步骤:
步骤S51:通过图像的特征向量与图像标签的词向量,得到强化标签分布;具
体地,将步骤2输出的图像特征向量与步骤4输出的标签词向量相乘,输入一个的全连接神经网络和softmax层,获得强化标签向量,其计算公式如
下:
步骤S6:将预测标签分布与融合标签分布的相似度作为损失,指导整个系统的
训练;具体地,最后计算步骤3获得的预测标签分布与步骤5.2获得的融合标签分布的JS
散度,以度量上述两个分布之间的相似度,并作为损失函数指导整个网络的训练,其计算公
式如下:
本实施例中,采用SGD优化器,其初始学习率为0.01,当训练epoch达到90时,将学习率降至0.001。当训练epoch达到150次后,停止训练。
步骤S7:推理阶段,将待测图像依次进行特征提取与分类层,根据预测的标签分布确定图像类别;系统参数大小与推理速度无需增加任何额外成本,在保证灵活性和高速性的情况下,提高了模型的性能。
通过图像类别的准确率的上升幅度,推测出该类别对应的数据集中,存在噪声标签的多少,从而对该数据集重新标注和/或加入更多该类别的图像样本等方式进行修正,从而提高数据集的质量。
本实例训练与推理阶段皆在8卡GPU服务器GEFORCE RTX 2080 Ti上实现。
本发明针对细粒度图像数据集容易出现标签混淆,即数据集中存在大量噪声标签的问题,通过捕捉样本图像特征与各标签词向量之间的相似度,模拟出一个更加真实可靠的标签分布作为融合标签,在训练过程中取代独热编码的原标签,从而提高细粒度图像分类的性能。构建的细粒度数据集在ResNet101网络下训练分类性能达到86.2%,采用本发明可使分类性能达到89.3%。
测试结果样例如图5a至图5d所示,图5a中卡车识别的分类置信度为88%,图5b中摩托车识别的分类置信度为89%,图5c中自行车识别的分类置信度为92%,图5d中救护车识别的分类置信度为91%。
此外,通过计算各类别准确率上升的幅度,可以推测出数据集中含有噪声标签较多的类别,从而提供一定的数据集相关信息,有助于研究人员了解数据集自身的情况。例如:一个类别在采用本发明后,性能提升较大,由于本发明就是通过减少噪声标签达到的,则说明该类别的原标签,可能存在很多噪声(如:人工打标签时错误标注了标签)。通过噪声多的类别,研究人员可以后续对该类别的图像进行重新人工标注,或者加入更多该类别的样本,来减少噪声标签的比例。从而提升数据集质量。
与前述一种基于文本特征融合的细粒度车辆识别方法的实施例相对应,本发明还提供了一种基于文本特征融合的细粒度车辆识别装置的实施例。
参见图6,本发明实施例提供的一种基于文本特征融合的细粒度车辆识别装置,包括一个或多个处理器,用于实现上述实施例中的一种基于文本特征融合的细粒度车辆识别方法。
本发明一种基于文本特征融合的细粒度车辆识别装置的实施例可以应用在任意具备数据处理能力的设备上,该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图6所示,为本发明一种基于文本特征融合的细粒度车辆识别装置所在任意具备数据处理能力的设备的一种硬件结构图,除了图6所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能,还可以包括其他硬件,对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现上述实施例中的一种基于文本特征融合的细粒度车辆识别方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元,例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备,例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、SD卡、闪存卡(Flash Card)等。进一步的,所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据,还可以用于暂时地存储已经输出或者将要输出的数据。
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:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部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实施例技术方案的范围。
Claims (9)
1.一种基于文本特征融合的细粒度车辆识别系统,包括:特征提取模块、分类层、文本表示网络、相似度计算模块、融合标签计算模块、散度损失计算模块,其特征在于特征提取模块分别与分类层连接,相似度计算模块分别与特征提取模块、文本表示网络、融合标签计算模块连接,散度损失计算模块分别与分类层、融合标签计算模块连接;
所述特征提取模块,用于提取图像的特征向量;
所述分类层,通过图像的特征向量,得到预测标签分布;
所述文本表示网络,用于获取图像标签的语义特征;
所述相似度计算模块,通过图像的特征向量与图像标签的语义特征,得到强化标签分布;所述相似度计算模块,包括全连接神经网络和softmax层,将图像特征向量,与作为图像标签语义特征的标签词向量相乘,输入全连接神经网络和softmax层,得到强化标签分布;
所述融合标签计算模块,将强化标签分布与原标签向量进行加权融合,得到融合标签分布;
所述散度损失计算模块,将预测标签分布与融合标签分布的相似度作为损失,指导整个系统的训练。
2.根据权利要求1所述的一种基于文本特征融合的细粒度车辆识别系统,其特征在于所述特征提取模块为深度卷积网络,提取图像特征,得到图像特征向量。
3.根据权利要求2所述的一种基于文本特征融合的细粒度车辆识别系统,其特征在于所述分类层,包括全连接层和softmax层,将所述图像特征向量输入全连接层,再通过softmax层,得到预测标签分布。
4.根据权利要求1所述的一种基于文本特征融合的细粒度车辆识别系统,其特征在于所述文本表示网络,获取数据集各子类标签,得到各标签的词向量。
7.根据权利要求1所述的一种基于文本特征融合的细粒度车辆识别系统,其特征在于所述散度损失计算模块,计算预测标签分布与融合标签分布的JS散度,以度量所述预测标签分布与所述融合标签分布之间的相似度,并作为损失函数指导整个系统的训练。
8.一种基于文本特征融合的细粒度车辆识别方法,其特征在于包括如下步骤:
步骤S1,构建细粒度车辆图像分类数据集,并划分训练集和测试集,其中包括多种车辆类别;
步骤S2,将训练图像进行特征提取,得到图像的特征向量;
步骤S3,对图像特征向量进行分类,得到预测标签分布;
步骤S4,将数据集各子类标签输入预先训练好的文本表示网络,获取图像标签的词向量;
步骤S5,融合标签计算,包括如下步骤:
步骤S51,通过图像的特征向量与图像标签的词向量,得到强化标签分布;相似度计算模块,包括全连接神经网络和softmax层,将图像特征向量与作为图像标签语义特征的标签词向量相乘,计算两者之间的相似度向量,输入全连接神经网络和softmax层,得到强化标签分布;
步骤S52,将强化标签分布与原标签向量进行加权融合,得到融合标签分布;
步骤S6,将预测标签分布与融合标签分布的相似度作为损失,指导整个系统的训练;
步骤S7,推理阶段,将待测图像依次进行特征提取与分类层,根据预测的标签分布确定图像类别。
9.根据权利要求8所述的一种基于文本特征融合的细粒度车辆识别方法,其特征在于通过图像类别的准确率的上升幅度,推测出该类别对应的数据集中,存在噪声标签的多少,从而对该数据集进行修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210052681.0A CN114067294B (zh) | 2022-01-18 | 2022-01-18 | 一种基于文本特征融合的细粒度车辆识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210052681.0A CN114067294B (zh) | 2022-01-18 | 2022-01-18 | 一种基于文本特征融合的细粒度车辆识别系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114067294A CN114067294A (zh) | 2022-02-18 |
CN114067294B true CN114067294B (zh) | 2022-05-13 |
Family
ID=80231258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210052681.0A Active CN114067294B (zh) | 2022-01-18 | 2022-01-18 | 一种基于文本特征融合的细粒度车辆识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114067294B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332544B (zh) * | 2022-03-14 | 2022-06-07 | 之江实验室 | 一种基于图像块评分的细粒度图像分类方法和装置 |
CN117036829A (zh) * | 2023-10-07 | 2023-11-10 | 之江实验室 | 一种基于原型学习实现标签增强的叶片细粒度识别方法和系统 |
Citations (2)
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 |
CN113536922A (zh) * | 2021-06-11 | 2021-10-22 | 北京理工大学 | 一种加权融合多种图像任务的视频行为识别方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10769491B2 (en) * | 2017-09-01 | 2020-09-08 | Sri International | Machine learning system for generating classification data and part localization data for objects depicted in images |
CN109359684B (zh) * | 2018-10-17 | 2021-10-29 | 苏州大学 | 基于弱监督定位和子类别相似性度量的细粒度车型识别方法 |
CN110991321B (zh) * | 2019-11-29 | 2023-05-02 | 北京航空航天大学 | 一种基于标签更正与加权特征融合的视频行人再识别方法 |
CN112149720A (zh) * | 2020-09-09 | 2020-12-29 | 南京信息工程大学 | 一种细粒度车辆类型识别方法 |
CN113159066B (zh) * | 2021-04-12 | 2022-08-30 | 南京理工大学 | 基于类间相似度的分布式标签的细粒度图像识别算法 |
CN113255793B (zh) * | 2021-06-01 | 2021-11-30 | 之江实验室 | 一种基于对比学习的细粒度舰船识别方法 |
-
2022
- 2022-01-18 CN CN202210052681.0A patent/CN114067294B/zh active Active
Patent Citations (2)
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 |
CN113536922A (zh) * | 2021-06-11 | 2021-10-22 | 北京理工大学 | 一种加权融合多种图像任务的视频行为识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114067294A (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110188765B (zh) | 图像语义分割模型生成方法、装置、设备及存储介质 | |
CN114067294B (zh) | 一种基于文本特征融合的细粒度车辆识别系统及方法 | |
CN113469088B (zh) | 一种无源干扰场景下的sar图像舰船目标检测方法及系统 | |
US20210056353A1 (en) | Joint representation learning from images and text | |
CN116824307B (zh) | 基于sam模型的图像标注方法、装置及相关介质 | |
CN111680757A (zh) | 一种基于自编码器的零样本图像识别算法及系统 | |
CN116704431A (zh) | 水污染的在线监测系统及其方法 | |
CN116304984A (zh) | 基于对比学习的多模态意图识别方法及系统 | |
Franchi et al. | Latent discriminant deterministic uncertainty | |
CN116469110A (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
Bouguezzi et al. | Improved architecture for traffic sign recognition using a self-regularized activation function: SigmaH | |
CN113989838A (zh) | 行人重识别模型训练方法、识别方法、系统、装置及介质 | |
CN111291672B (zh) | 一种联合图像文本识别和模糊判断方法、装置及存储介质 | |
US20230281826A1 (en) | Panoptic segmentation with multi-database training using mixed embedding | |
CN114120074B (zh) | 基于语义增强的图像识别模型的训练方法和训练装置 | |
CN116343016A (zh) | 一种基于轻量型卷积网络的多角度声呐图像目标分类方法 | |
CN115690752A (zh) | 一种驾驶员行为检测方法及装置 | |
CN115713082A (zh) | 一种命名实体识别方法、装置、设备及存储介质 | |
CN114998748A (zh) | 遥感图像目标精细识别方法、电子设备及存储介质 | |
CN114881038A (zh) | 基于跨度和注意力机制的中文实体与关系抽取方法及装置 | |
CN114220145A (zh) | 人脸检测模型生成方法和装置、伪造人脸检测方法和装置 | |
CN114491289A (zh) | 一种双向门控卷积网络的社交内容抑郁检测方法 | |
CN113919348A (zh) | 命名实体识别方法、装置、电子设备及计算机存储介质 | |
Sastry et al. | Training diffusion classifiers with denoising assistance | |
CN116050428B (zh) | 意图识别方法、装置、设备及存储介质 |
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 |