CN114781647A - 一种区分简单与困难样本的无监督域适应方法 - Google Patents

一种区分简单与困难样本的无监督域适应方法 Download PDF

Info

Publication number
CN114781647A
CN114781647A CN202210377197.5A CN202210377197A CN114781647A CN 114781647 A CN114781647 A CN 114781647A CN 202210377197 A CN202210377197 A CN 202210377197A CN 114781647 A CN114781647 A CN 114781647A
Authority
CN
China
Prior art keywords
samples
domain
sample
target domain
target
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
Application number
CN202210377197.5A
Other languages
English (en)
Inventor
田青
杨宏
朱雅喃
许衡
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202210377197.5A priority Critical patent/CN114781647A/zh
Publication of CN114781647A publication Critical patent/CN114781647A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种区分简单与困难样本的无监督域适应方法，包括：依据目标域样本的熵值来对目标域样本进行区分，将熵值大于等于预设熵值阈值的样本定义为简单样本，将熵值小于预设熵值阈值的样本定义为困难样本；对于分类为简单样本的目标域样本，采用源域训练好的分类器对其分配伪标签；对于分类为困难样本的目标域样本，利用步骤S2中分配好伪标签的简单样本将无监督域适应调整为半监督域适应，通过源域标签和目标域简单样本的标签来训练得到更加鲁棒的分类器，计算类中心，分别优化域间对比对齐和实例对比对齐，以减少域间和域内差异。本发明能够解决现有的域适应方法中对于目标域困难样本分类错误的问题。

Description

一种区分简单与困难样本的无监督域适应方法
技术领域
本发明属于迁移学习中的域适应技术领域，涉及一种区分简单与困难样本的无监督域适应方法。
背景技术
无监督域适应，主要解决的问题是具有数据分布相似以及类别相同，但是数据特征分布不同的源域和目标域。通过将源域的知识迁移到目标域中，解决目标域任务。目前，域适应已经应用在诸多领域并取得了成功。例如，在人脸识别方面，传统的人脸识别利用标注好的人脸图片数据集作为训练集，实现现实世界中的人脸识别等问题。但是，采集这些人脸图片并手动赋予标签是一件耗时耗力的事情，因此研究者们引入域适应方法，以其他场景的人脸图片作为训练集(其分布与待完成任务的图像分布相似但不相同，例如不同背景、不同光照下的人脸图片)，并取得了良好的效果。
无监督域适应的目的是将有标签的源域样本中所学知识传递给无标签的目标域样本。无监督域适应能利用现有的源域带标签数据和网络模型以及相关的目标域无标签数据学习得到适用于目标域数据分类的网络模型。传统的无监督域适应方法通常利用相关距离度量等措施去对齐深层网络输出的源域和目标域的数据分布。近年来许多对抗性域适应的方法也被提出，并取得了较为显著的成果，这些方法大多是基于生成对抗网络。主要做法是训练鉴别器鉴别采样特征是来自于源域还是目标域，同时训练特征提取器欺骗鉴别器，以此使得源域和目标域特征分布对齐，无法区分。这些方法大多侧重于将目标域视为一个整体，将源域和目标域进行域对齐来提取域不变特征。即使有些方法在类级别上实现了类对齐，但目标域样本的区分度不够显著，因此，分类效果还有待提高。
发明内容
解决的技术问题：本发明的目的在于针对上述已有技术方法的不足，提出一种区分简单与困难样本的无监督域适应方法，以解决现有的域适应方法中对于目标域困难样本分类错误的问题。
技术方案：。
一种区分简单与困难样本的无监督域适应方法，所述无监督域适应方法包括以下步骤：
S1，样本区分：依据目标域样本的熵值来对目标域样本进行区分，将熵值大于等于预设熵值阈值的样本定义为简单样本，将熵值小于预设熵值阈值的样本定义为困难样本；
S2，简单样本的无监督域适应：对于分类为简单样本的目标域样本，采用源域训练好的分类器对其分配伪标签；
S3，困难样本的无监督域适应：对于分类为困难样本的目标域样本，利用步骤S2中分配好伪标签的简单样本将无监督域适应调整为半监督域适应，通过源域标签和目标域简单样本的标签来训练得到更加鲁棒的分类器，计算类中心，分别优化域间对比对齐和实例对比对齐，以减少域间和域内差异。
进一步地，步骤S1中，所述样本区分的过程包括以下子步骤：
S11，根据式(1)计算得到目标域样本v的熵值H(v)：
Figure BDA0003590731170000021
其中，vk为分类器输出类k的概率，K是分类器输出总类数。
S12，根据式(2)进行样本区分，得到区分后的样本
Figure BDA0003590731170000022
和
Figure BDA0003590731170000023
Figure BDA0003590731170000024
其中，τ为所设置的阈值，nt代表目标域的样本数量，
Figure BDA0003590731170000025
和
Figure BDA0003590731170000026
分别表示简单和困难的目标域样本。
进一步地，步骤S2中，简单样本的无监督域适应的过程包括以下子步骤：
根据式(3)分配简单样本伪标签
Figure BDA0003590731170000027
Figure BDA0003590731170000028
其中，F和G分别是源域训练的分类器和特征提取器的函数表示，
Figure BDA0003590731170000029
表示分类为简单样本的目标域样本。
进一步地，步骤S3中，困难样本的无监督域适应的过程包括以下子步骤：
S31，根据式(4)训练源域和简单目标域样本分类器：
Figure BDA00035907311700000210
其中，(yi)k为第i个样本属于第c类的概率，训练样本集合包括源域样本和目标域简单样本xl＝xs∪xeasy；ns为源域样本总数，neasy为简单样本总数；Lsup是分类损失；
S32，根据式(5)计算源域类质心：
Figure BDA0003590731170000031
其中，B为每个训练批次样本数量大小，
Figure BDA0003590731170000032
为源域的第i个样本，
Figure BDA0003590731170000033
为源域(source)第i个样本的标签信息，
Figure BDA0003590731170000034
表示判断
Figure BDA0003590731170000035
是否属于第k个类，将每个类的源域质心存储在内存库
Figure BDA0003590731170000036
S33，根据式(6)对目标域困难样本赋值伪标签来计算对比损失
Figure BDA0003590731170000037
根据式(7)计算目标域样本类质心
Figure BDA0003590731170000038
Figure BDA0003590731170000039
Figure BDA00035907311700000310
其中，
Figure BDA00035907311700000311
为目标域第i个样本，
Figure BDA00035907311700000312
为目标域(target)第i个样本的标签。
S34，基于式(8)，通过最大化源和目标域每个类k的聚类损失
Figure BDA00035907311700000313
来训练模型：
Figure BDA00035907311700000314
其中，q∈{s,t}，
Figure BDA00035907311700000315
是测量余弦相似度的指数，
Figure BDA00035907311700000316
是上式(5)求得源域第i类的质心，
Figure BDA00035907311700000317
是上式(7)求得目标域第i类的质心，
Figure BDA00035907311700000318
是将源和目标域混合后求得的第r类的质心，Ω是超参数；
S35，通过对目标域困难样本进行样本增强，根据式(9)定义的实例对比损失以确保同一样本的两个变体在特征空间中更接近，且同一批次的其他样本被拉开：
Figure BDA00035907311700000319
其中，
Figure BDA00035907311700000320
是增广后的目标域样本。
进一步地，步骤S3中，采用监督损失Lsup、域间对比对齐损失Lclu和实例对比对齐损失Lins构建总体训练目标的损失函数Ltotal：
Ltotal＝Lsup+αLclu+βLins
其中，α,β为超参数，通过交叉验证实验获得具体值。
本发明提出一种区分简单与困难样本的无监督域适应方法，首先对依据目标域样本的熵的值对目标域样本进行区分，将其分为简单和困难样本。其次，针对目标域简单样本的无监督域适应，本发明将区分好的目标域简单样本输入到源域数据训练好的分类器中进行标记伪标签。最后，针对目标域困难样本的无监督域适应，本发明利用带标记的源域样本和标记完成的目标域简单样本重新训练，来学习更加鲁棒的分类器，然后，计算源和目标域类中心，分别优化域间对比对齐和实例对比对齐，来减少域间和域内差异。
有益效果：
本发明的区分简单与困难样本的无监督域适应方法，将无监督域适应中的目标域样本区分为简单和困难样本，针对不同的样本执行不同的标签分配策略，将分配好标签的简单样本拉入到困难样本的学习阶段，以此来促进目标域困难样本的学习；使模型泛化能力更强，分类准确率更高。
附图说明
图1是本发明实施例的区分简单与困难样本的无监督域适应方法流程图；
图2是本发明实施例的区分简单与困难样本的无监督域适应方法网络的模型结构示意图；
图3是本发明实施例的区分简单与困难样本的无监督域适应方法网络中分类器结构示意图；图3是图2网络结构的具体展开，G代表特征提取器，图2中的分类器C对应图3中的分类器C1和分类器C2，Q1和Q2表示分类器输出的标签信息。
具体实施方式
下面的实施例可使本专业技术人员更全面地理解本发明，但不以任何方式限制本发明。
图1是本发明实施例的区分简单与困难样本的无监督域适应方法流程图，参见图1-3，该无监督域适应方法包括以下步骤：
S1，样本区分：依据目标域样本的熵值来对目标域样本进行区分，将熵值大于等于预设熵值阈值的样本定义为简单样本，将熵值小于预设熵值阈值的样本定义为困难样本。
S2，简单样本的无监督域适应：对于分类为简单样本的目标域样本，采用源域训练好的分类器对其分配伪标签。
S3，困难样本的无监督域适应：对于分类为困难样本的目标域样本，利用步骤S2中分配好伪标签的简单样本将无监督域适应调整为半监督域适应，通过源域标签和目标域简单样本的标签来训练得到更加鲁棒的分类器，计算类中心，分别优化域间对比对齐和实例对比对齐，以减少域间和域内差异。
步骤1：对目标域样本进行分类区分。
在无监督域适应问题中，目标域样本的分类难度是不同的，具体而言，当目标域样本背景比较复杂，代表目标域样本的私有信息比较多，这样就不便于源域训练的分类器对其进行分类。这种样本区分度的不同很容易导致训练过程中的模型偏差，从而导致负迁移。
为了避免目标域分类区分不同的问题，本实施例对目标域样本进行区分。依据目标域样本熵值的大小将目标域样本区分为简单和困难样本。具体而言，根据式(1)求得目标域样本的熵，根据式(2)得到区分后的目标域样本
Figure BDA0003590731170000051
和
Figure BDA0003590731170000052
Figure BDA0003590731170000053
Figure BDA0003590731170000054
其中，vk为分类器输出类k的概率，K是分类器输出总类数，τ为所设置的阈值，nt代表目标域的样本数量，
Figure BDA0003590731170000055
和
Figure BDA0003590731170000056
分别表示简单和困难的目标域样本。
步骤2：目标域简单样本的无监督域适应。
在无监督域适应分类任务中，目标域样本熵值越高表示样本标签的置信度越高，因此通过源域分类器给目标域简单样本分配伪标签具有较高的可行性。
根据式(3)分配目标域简单样本伪标签
Figure BDA0003590731170000057
Figure BDA0003590731170000058
其中，F和G分别是源域训练的分类器和特征提取器。
步骤3：目标域困难样本的无监督域适应。
在无监督域适应分类任务中，目标域样本熵值越低表示样本标签的置信度越低，因此通过源域分类器给目标域困难样本分配伪标签是不太可行。为此，本实施例利用源域样本和目标域简单样本重新训练模型，来获得更加鲁棒的分类器，然后，计算源和目标域类中心，分别优化域间对比对齐和实例对比对齐，来减少域间和域内差异。
根据式(4)训练源域和简单目标域样本分类器：
Figure BDA0003590731170000061
其中，(yi)k为第i个样本属于第k类的概率，训练样本集合包括源域样本和目标域简单样本xl＝xs∪xeasy。
根据式(5)计算源域类质心：
Figure BDA0003590731170000062
其中，B为每个训练批次样本数量大小，
Figure BDA0003590731170000063
为源域的第i个样本，
Figure BDA0003590731170000064
为源域第i个样本的标签信息，
Figure BDA0003590731170000065
表示判断
Figure BDA0003590731170000066
是否属于第k个类，我们将每个类的源域质心存储在内存库
Figure BDA0003590731170000067
根据式(6)对目标域困难样本赋值伪标签来计算对比损失，类似于式(5)计算目标域样本类质心如式(7)：
Figure BDA0003590731170000068
Figure BDA0003590731170000069
其中，
Figure BDA00035907311700000610
为目标域第i个样本，
Figure BDA00035907311700000611
为目标域第i个样本的标签。
通过最大化源和目标域每个类k的聚类损失来训练该模型，具体形式如式(8)：
Figure BDA00035907311700000612
其中，q∈{s,t}，
Figure BDA00035907311700000613
是测量余弦相似度的指数，
Figure BDA00035907311700000614
是上式(5)求得源域第i类的质心，
Figure BDA00035907311700000615
是上式(7)求得目标域第i类的质心，
Figure BDA00035907311700000616
是将源和目标域混合后求得的第r类的质心，Ω是超参数。
通过对目标域困难样本进行样本增强，根据式(9)定义的实例对比损失以确保同一样本的两个变体在特征空间中更接近，而对于同一批次的其他样本被拉开：
Figure BDA0003590731170000071
其中，
Figure BDA0003590731170000072
是增广后的目标域样本。
本实施例所提的区分简单与困难样本的无监督域适应方法，总体训练目标采用监督损失、域间对比对齐损失和实例对比对齐损失：
Ltotal＝Lsup+αLclu+βLins (10)；
其中，α,β为超参数，通过交叉验证实验获得具体值。
本实施例提供了一种区分简单与困难样本的无监督域适应方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (5)

1.一种区分简单与困难样本的无监督域适应方法，其特征在于，所述无监督域适应方法包括以下步骤：
S1，样本区分：依据目标域样本的熵值来对目标域样本进行区分，将熵值大于等于预设熵值阈值的样本定义为简单样本，将熵值小于预设熵值阈值的样本定义为困难样本；
S2，简单样本的无监督域适应：对于分类为简单样本的目标域样本，采用源域训练好的分类器对其分配伪标签；
S3，困难样本的无监督域适应：对于分类为困难样本的目标域样本，利用步骤S2中分配好伪标签的简单样本将无监督域适应调整为半监督域适应，通过源域标签和目标域简单样本的标签来训练得到更加鲁棒的分类器，计算类中心，分别优化域间对比对齐和实例对比对齐，以减少域间和域内差异。
2.根据权利要求1所述的区分简单与困难样本的无监督域适应方法，其特征在于，步骤S1中，所述样本区分的过程包括以下子步骤：
S11，根据式(1)计算得到目标域样本v的熵值H(v)：
Figure FDA0003590731160000011
其中，vk为分类器输出类k的概率，K是分类器输出总类数；
S12，根据式(2)进行样本区分，得到区分后的样本
Figure FDA0003590731160000012
和
Figure FDA0003590731160000013
Figure FDA0003590731160000014
其中，τ为所设置的阈值，nt代表目标域的样本数量，
Figure FDA0003590731160000015
和
Figure FDA0003590731160000016
分别表示简单和困难的目标域样本。
3.根据权利要求1所述的区分简单与困难样本的无监督域适应方法，其特征在于，步骤S2中，简单样本的无监督域适应的过程包括以下子步骤：
根据式(3)分配简单样本伪标签
Figure FDA0003590731160000017
Figure FDA0003590731160000018
其中，F和G分别是源域训练的分类器和特征提取器的函数表示，
Figure FDA0003590731160000019
表示分类为简单样本的目标域样本。
4.根据权利要求3所述的区分简单与困难样本的无监督域适应方法，其特征在于，步骤S3中，困难样本的无监督域适应的过程包括以下子步骤：
S31，根据式(4)训练源域和简单目标域样本分类器，最小化分类损失Lsup：
Figure FDA0003590731160000021
其中，(yi)k为第i个样本属于第k类的概率，训练样本集合包括源域样本和目标域简单样本xl＝xs∪xeasy；ns为源域样本总数，neasy为简单样本数量；
S32，根据式(5)计算源域类质心：
Figure FDA0003590731160000022
其中，B为每个训练批次样本数量大小，
Figure FDA0003590731160000023
为源域的第i个样本，
Figure FDA0003590731160000024
为源域第i个样本的标签信息，
Figure FDA0003590731160000025
表示判断
Figure FDA0003590731160000026
是否属于第k个类，将每个类的源域质心存储在内存库
Figure FDA0003590731160000027
中；
S33，根据式(6)对目标域困难样本赋值伪标签
Figure FDA0003590731160000028
根据式(7)计算目标域样本类质心
Figure FDA0003590731160000029
Figure FDA00035907311600000210
Figure FDA00035907311600000211
其中，
Figure FDA00035907311600000212
为目标域第i个样本，
Figure FDA00035907311600000213
为目标域第i个样本的标签；
S34，基于式(8)，通过最大化源和目标域每个类k的聚类损失
Figure FDA00035907311600000214
来训练模型：
Figure FDA00035907311600000215
其中，q∈{s,t}，
Figure FDA00035907311600000216
是测量余弦相似度的指数，
Figure FDA00035907311600000217
是上式(5)求得源域第i类的质心，
Figure FDA0003590731160000031
是上式(7)求得目标域第i类的质心，
Figure FDA0003590731160000032
是将源和目标域混合后求得的第r类的质心，Ω是超参数；
S35，通过对目标域困难样本进行样本增强，根据式(9)定义的实例对比损失
Figure FDA0003590731160000033
以确保同一样本的两个变体在特征空间中更接近，且同一批次的其他样本被拉开：
Figure FDA0003590731160000034
其中，
Figure FDA0003590731160000035
是增广后的目标域样本。
5.根据权利要求1所述的区分简单与困难样本的无监督域适应方法，其特征在于，步骤S3中，采用监督损失Lsup、域间对比对齐损失Lclu和实例对比对齐损失Lins构建总体训练目标的损失函数Ltotal：
Ltotal＝Lsup+αLclu+βLins；
其中，α,β为超参数，通过交叉验证实验获得具体值。
CN202210377197.5A 2022-04-11 2022-04-11 一种区分简单与困难样本的无监督域适应方法 Pending CN114781647A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210377197.5A CN114781647A (zh) 2022-04-11 2022-04-11 一种区分简单与困难样本的无监督域适应方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210377197.5A CN114781647A (zh) 2022-04-11 2022-04-11 一种区分简单与困难样本的无监督域适应方法

Publications (1)

Publication Number Publication Date
CN114781647A true CN114781647A (zh) 2022-07-22

Family

ID=82429441

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210377197.5A Pending CN114781647A (zh) 2022-04-11 2022-04-11 一种区分简单与困难样本的无监督域适应方法

Country Status (1)

Country Link
CN (1) CN114781647A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117131424A (zh) * 2023-10-25 2023-11-28 中国移动通信集团设计院有限公司 一种训练方法、流量检测方法、装置、设备及介质
CN117152563A (zh) * 2023-10-16 2023-12-01 华南师范大学 混合目标域自适应模型的训练方法、装置及计算机设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117152563A (zh) * 2023-10-16 2023-12-01 华南师范大学 混合目标域自适应模型的训练方法、装置及计算机设备
CN117152563B (zh) * 2023-10-16 2024-05-14 华南师范大学 混合目标域自适应模型的训练方法、装置及计算机设备
CN117131424A (zh) * 2023-10-25 2023-11-28 中国移动通信集团设计院有限公司 一种训练方法、流量检测方法、装置、设备及介质
CN117131424B (zh) * 2023-10-25 2024-02-20 中国移动通信集团设计院有限公司 一种训练方法、流量检测方法、装置、设备及介质

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
WO2022037233A1 (zh) 一种基于自监督知识迁移的小样本视觉目标识别方法
Xu et al. Augmenting strong supervision using web data for fine-grained categorization
CN112069929B (zh) 一种无监督行人重识别方法、装置、电子设备及存储介质
CN114781647A (zh) 一种区分简单与困难样本的无监督域适应方法
CN114332568B (zh) 域适应图像分类网络的训练方法、系统、设备及存储介质
WO2019158015A1 (zh) 样本获取方法、目标检测模型生成方法、目标检测方法
CN109034205A (zh) 基于直推式半监督深度学习的图像分类方法
CN106021406B (zh) 一种数据驱动的迭代式图像在线标注方法
CN108427740B (zh) 一种基于深度度量学习的图像情感分类与检索算法
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
CN113177612B (zh) 一种基于cnn少样本的农业病虫害图像识别方法
CN108345866B (zh) 一种基于深度特征学习的行人再识别方法
CN109934203A (zh) 一种基于信息熵选择的代价敏感增量式人脸识别方法
CN106845358A (zh) 一种手写体字符图像特征识别的方法及系统
CN115641613A (zh) 一种基于聚类和多尺度学习的无监督跨域行人重识别方法
CN113553906A (zh) 基于类中心域对齐的判别无监督跨域行人重识别方法
CN116543269B (zh) 基于自监督的跨域小样本细粒度图像识别方法及其模型
CN110598018A (zh) 一种基于协同注意力的草图图像检索方法
Wu et al. An end-to-end exemplar association for unsupervised person re-identification
CN111062277A (zh) 基于单目视觉的手语-唇语转化方法
CN104680193A (zh) 基于快速相似性网络融合算法的在线目标分类方法与系统
CN110765285A (zh) 基于视觉特征的多媒体信息内容管控方法及系统
CN110796260B (zh) 一种基于类扩张学习的神经网络模型优化方法
CN113435329B (zh) 一种基于视频轨迹特征关联学习的无监督行人重识别方法

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