CN115272881A - 动态关系蒸馏的长尾遥感图像目标识别方法 - Google Patents

动态关系蒸馏的长尾遥感图像目标识别方法 Download PDF

Info

Publication number
CN115272881A
CN115272881A CN202210920420.6A CN202210920420A CN115272881A CN 115272881 A CN115272881 A CN 115272881A CN 202210920420 A CN202210920420 A CN 202210920420A CN 115272881 A CN115272881 A CN 115272881A
Authority
CN
China
Prior art keywords
network
teacher
feature
student
tail
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.)
Granted
Application number
CN202210920420.6A
Other languages
English (en)
Other versions
CN115272881B (zh
Inventor
赵文达
余涛
刘嘉妮
王海鹏
赵凡
刘兴惠
李至立
黄友澎
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.)
Dalian University of Technology
Original Assignee
Dalian University of 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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202210920420.6A priority Critical patent/CN115272881B/zh
Publication of CN115272881A publication Critical patent/CN115272881A/zh
Application granted granted Critical
Publication of CN115272881B publication Critical patent/CN115272881B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于图像信息处理技术领域，提供了一种动态关系蒸馏的长尾遥感图像目标识别方法。使用两个教师网络和一个学生网络来实现，三个网络结构相同。两个教师模型分别学习头部类和尾部类的各自的特征分布，以避免因为数据集分布不平衡导致的网络学习的倾斜问题，学生网络则通过学习两个教师网络的分类能力，从而在整个数据集上有较好的性能，提高分类的准确度。本发明的动态关系蒸馏学习方法，利用蒸馏思想，将教师网络更好的特征表达能力通过中心特征蒸馏给学生，同时学生网络动态更新中心特征，以学习到更好的特征提取能力。本发明利用长尾数据的特点，来改善因长尾问题导致的图像分类能力倾向于头部类的问题，能够提高网络分类的准确度。

Description

动态关系蒸馏的长尾遥感图像目标识别方法
技术领域
本发明属于图像信息处理技术领域，特别是涉及动态关系蒸馏的长尾遥感图像目标识别方法。
背景技术
目前，与本发明相关的方法包括两方面：第一是基于深度学习的长尾分布图像目标识别算法；第二是基于特征表示的蒸馏学习算法。
近年来，长尾识别的方法主要集中在类不平衡问题上。基于深度学习的长尾分布图像目标识别的解决方案可以分为三类：a)数据重采样，b)重新平衡损失函数和后处理，c)集成和路由策略。当试图使用不平衡数据学习时，数据重采样是最自然的想法之一。Kang等人在《Decoupling representation and classifier for long-tailed recognition》文献中研究了多个过采样策略，结果表明使用过采样训练的分类器实现了更好的整体性能。通过损失函数定义改变训练过程是一种流行的策略，重点是表征学习和分类。Ren等人在文献《Balanced meta-softmax for long-tailed visual recognition》中表明softmax函数产生有偏差的梯度估计，并引入了平衡的softmax替代方案。Cui等人在文献《Parametriccontrastive learning》中将交叉熵与监督对比学习相结合，以更昂贵的训练代价来实现更强的表示。最近的一些方法依赖多个专家来学习更稳健的分类器。Wang等人在文献《Long-tailed recognition by routing diverse distribution-aware experts》中建议训练具有多样性损失的多个分类器，然后学习路由机制，其中模糊的预测被重定向到不同的专家。
在长尾图像识别领域也有很多研究使用特征知识蒸馏的方法。Iscen等人在文献《Decoupling representation and classifier for long-tailed recognition.》训练一组分类模型，然后将他们的知识提炼成一个新的学生模型。Xiang等人在文献中《Learningfrom multiple experts:Self-paced knowledge distillation for long-tailedclassification》从多个教师分类器中提炼出一个统一的模型。每个分类器都侧重于从数据中对一小部分相对平衡的类进行分类。
标准的分类模型依赖于所有感兴趣的类别在训练数据集中均等的假设。这种强有力的假设在实践中很少有效，大多数现实生活中的数据集都表现出长尾分布，其中头部类的子集包含大量训练数据，剩余的尾类(稀有)类只有少数训练样本。这些分布通常反映了在野外观察到的情况，由于样本稀有性、采集和整理成本等等因素，与尾类相对应的数据更难学习。这导致经过训练的模型显示出高度不平衡的准确性，在头部类上表现出色，而在稀有类上表现不佳。遥感图像数据集也是呈现出极端的不平衡分布的情况，导致直接训练整体效果很差。为此我们的方法将长尾图像分为两部分来分别训练两个教师模型，以期望比全部数据训练有着更好的特征提取能力，再通过蒸馏的方式来指导学生网络的学习。
发明内容
遥感图像的数据集存在着明显的长尾分布问题，若直接用数据集训练一个深度学习模型，会使得网络更倾向于对头部数据的学习，而过少的关注于尾部数据，从而影响整体识别的准确率。因此，针对遥感数据集的长尾问题，本发明利用头部类和尾部类学习到的特征之间的关系，结合蒸馏来实现遥感图像的分类。我们使用两个教师网络和一个学生网络来实现，这三个模型使用相同的结构。两个教师模型分别学习头部类和尾部类的各自的特征分布，以避免因为数据集分布不平衡导致的网络学习的倾斜问题，学生网络则通过学习两个教师网络的分类能力，从而能够在整个数据集上有较好的性能，提高分类的准确度。
本发明的技术方案：
一种动态关系蒸馏的长尾遥感图像目标识别方法，步骤如下：
长尾遥感图像目标识别方法的训练过程分为两个部分：教师模型的训练阶段和学生模型的训练阶段；
(1)教师模型的训练阶段
针对两个教师模型，分别构建可用于训练的教师网络；教师网络的基础结构采用Resnet50，Resnet50的前四个卷积模块用于提取图像的特征，在卷积后接全连接层，构成教师网络；
遥感图像数据集为DOTA数据集，DOTA数据集是航拍图像构成的图像数据集，图像来源包含传感器和平台，为Google Earth、JL–1卫星拍摄以及中国资源卫星数据和应用中心的GF–2卫星拍摄；DOTA数据集包括15个类别，每个类别的图像数量差异较大，存在着明显的长尾分布。在训练教师网络前，先把整个长尾遥感数据集按照各个类别的样本数量分为两个部分：含有较多图像的几个类别构成头部数据子集，相对图像数量较少的其他几个类别构成尾部数据子集；使用交叉熵损失来监督教师网络的训练，分别用划分好的头部数据集和尾部数据集来训练两个教师网络；使用的损失如下：
Figure BDA0003777251890000031
其中，T表示教师网络，θ是网络的参数，xi代表输入的图像，yi是对应图像的类别，n表示样本的数量；两个教师网络以同样的方式进行训练，直到网络收敛；
训练一个好的教师网络是本发明的重要的一步，教师网络将对学生网络有着重要的指导作用。由于前期数据集的划分，在一定程度上避免了数据的长尾问题，无论对于头部类和尾部类，数据都相对比较平均，能够让网络学习到相应的特征分布。因此我们想把教师网络的能力传递给学生，让学生也能够学习到长尾数据的各个类的数据分布，以便更好的分类。使用教师网络的中心特征作为知识传递的载体；把Resnet50第四层的输出作为各个数据的特征，中心特征就是各个类别所有数据的特征的中心；假设长尾遥感数据集共有C个类别，每个类别的样本数量为nk(k∈1:C)，则通过教师网络，中心特征表示为：
Figure BDA0003777251890000041
其中，
Figure BDA0003777251890000042
表示类别k的中心特征，Fi是图像i的特征；
通过公式(2)为每个类别得到一个中心特征向量，以此来反映长尾遥感数据集中各个类别的特征分布；
(2)学生模型的训练阶段
这个阶段主要是对学生网络来进行训练，期望学生网络能够学习到两个教师网络对头部和尾部数据集的学习能力。也就是将教师网络学到的特征分布的知识蒸馏到学生模型之中。形式上，我们使用中心特征作为一种知识来进行传递。
结构上，学生网络的模型结构和教师网络是完全一致的；为了让学生网络学习教师网络提取特征的能力，让学生网络的中心特征和教师网络的中心特征相互靠近，学生网络能学习到隐藏的教师提取特征方式；为此，使用如下的损失来约束学生网络：
Figure BDA0003777251890000043
将同一类别的教师和学生的中心特征相互靠近；其中，u和k代表教师和学生网络中的类别；
Figure BDA0003777251890000044
表示教师网络的类别k的中心特征；
Figure BDA0003777251890000045
表示学生网络的类别为u的中心特征，其计算公式为：
Figure BDA0003777251890000046
其中，Fi是图像i的特征，每个类别的样本数量为nu；
随着训练的进行，教师网络的中心特征
Figure BDA0003777251890000051
保持不变，但是学生网络的中心特征
Figure BDA0003777251890000052
会随着训练的轮数进行更新；随着训练的进行，学生网络分类的能力也会提高，会得到更有助于分类的特征，因此需要不断的更新。
公式(3)约束了学生网络的中心特征学习教师网络的中心特征，但这并不能保证网络的特征在空间上是比较集中的。我们希望同类特征在空间中更加集中，以更好地学习分类边界。具体来说，学生网络的每个样本数据的特征和教师网络中对应类别的中心特征相互靠近，这样既保证了它们整体的分布和教师网络学习到的分布更相似，又能学习到更紧凑的特征，让类内间的距离更小；其形式如下：
Figure BDA0003777251890000053
其中，Fi(S)表示学生网络中图像i的特征，u为图像i的类别；
通过公式(3)和公式(5)，学生网络很好的学习到教师网络的知识；同时，学生网络还应该使用数据的真值进行监督；使用公式(1)的交叉熵损失；因此，训练学生网络的总损失表示为：
L＝Lce+αLcen+βLind (6)
其中，α和β是超参数；通过公式(6)训练直到学生网络收敛，最终得到的学生网络就是所需要的长尾图像分类模型。
本发明的有益效果：本发明的长尾遥感图像目标识别的动态关系蒸馏学习方法，利用了蒸馏的思想，将教师网络更好的特征表达能力通过中心特征蒸馏给学生，同时学生网络动态更新中心特征，以学习到更好的特征提取能力。本发明利用长尾数据的特点，来改善因长尾问题导致的图像分类能力倾向于头部类的问题，本发明方法能够提高网络分类的准确度。
附图说明
图1为网络整体训练流程图。
图2为整个网络结构示意图。
具体实施方式
以下结合附图和实施例，进一步说明本发明的具体实施方式。
模型整体结构和实验整体流程如下：
图1为网络整体训练流程图。第一步，通过划分好的头部数据子集和尾部数据子集来训练得到两个有较好特征表达能力的教师模型TH和TT，同时计算得到各类的中心特征。第二步，将训练好的两个教师网络的中心特征知识蒸馏给学生模型，训练整个学生模型。图2是整个网络结构示意图，图中有三个结构完全一样的网络，分别是两个是教师模型，和一个学生网络。网络由卷积层提取特征，特征通过全连接层进行分类。我们在教师模型TH和TT上分别用头部类数据和尾部类数据训练好两个教师网络，此时网络已经有了特征提取的能力。我们把中间提取的特征用公式(2)来计算中心特征。在图中蓝色相同的形状为同一类的样本，红色的是计算得到的中心特征。得到教师学习到的中心特征后，我们需要让学生网络学习这样的特征。此时训练学生网络的数据为整个遥感图像的数据集，图中黄色的是学生模型的特征分布，绿色的部分为学生模型的中心特征。我们使用公式(3)来让学生的中心特征靠近教师的中心特征，即图中的绿色向红色靠近的过程，同时使用公式(5)来学习更紧凑的特征分布，即图中的黄色向红色靠近的过程。在训练过程中使用完整的公式(6)来优化学生网络，让学生的特征向教师的中心特征靠拢，最终得到我们想要的特征分布，以提高整体分类的性能。
下面结合图2和实施案例进一步阐述本发明的训练阶段和预测阶段。
一、训练阶段：以DOTA遥感图像数据集为例，数据集总共有15个类别，首先将数据集分为头部数据子集和尾部数据子集，即将训练集中的数据按照类别样本的数量进行排序选取前7个数量多的为头部数据子集，后8个数量少的为尾部数据子集。分别将分好的两个数据子集来训练两个教师网络TH和TT，使用公式(1)的损失函数，直到两个教师网络收敛。
训练好的教师网络由于是在相对平衡的数据集上进行分别训练的，因此在对应的数据子集上具有较好的性能。为了将这种性能传递给学生网络，需要将中间提取的特征进行保存。即两个教师在对应的数据子集上的得到每个类别的中心特征。以ship类别为例，将该类别的所有图片输入对应的教师网络中，得到所有提取的特征Fi，根据公式(2)计算得到ship类别的中心特征。这样就可以从教师网络中得到15个中心特征
Figure BDA0003777251890000071
学生网络和教师网络拥有同样的结构，在训练的时候使用的是整个数据集(整个DOTA数据集)。训练学生网络时数据集进行随机采样，对于每一个batchsize的图片，我们希望它和教师网络得到的对应类别的中心特征不要相距太远，以得到一个比较集中的特征分布，即使用公式(5)来进行约束。同时我们计算当前学生网络的各个类别中心特征(只计算当前batchsize及以前bachsize涉及到的类别)，计算公式为公式(4)。对于学生网络的中心特征，它应该和对应类别教师网络的中心特征相互靠近，以模仿老师。具体的，对于ship类别来说，教师网络的得到的中心特征为
Figure BDA0003777251890000072
当前batchsize的学生网络计算得到的中心特征为
Figure BDA0003777251890000073
我们通过公式(3)来让他们相互靠近。最后，在分类头的结果上通过交叉熵损失来约束。整个网络通过公式(6)来进行训练，直到最后学生网络收敛。
二、预测阶段：在测试集上，使用得到的学生网络模型来进行性能的测试。

Claims (1)

1.一种动态关系蒸馏的长尾遥感图像目标识别方法，其特征在于，步骤如下：
长尾遥感图像目标识别方法的训练过程分为两个部分：教师模型的训练阶段和学生模型的训练阶段；
(1)教师模型的训练阶段
针对两个教师模型，分别构建可用于训练的教师网络；教师网络的基础结构采用Resnet50，Resnet50的前四个卷积模块用于提取图像的特征，在卷积后接全连接层，构成教师网络；
遥感图像数据集为DOTA数据集，DOTA数据集是航拍图像构成的图像数据集，图像来源包含传感器和平台，为Google Earth、JL–1卫星拍摄以及中国资源卫星数据和应用中心的GF–2卫星拍摄；DOTA数据集包括15个类别，在训练教师网络前，先把整个长尾遥感数据集按照各个类别的样本数量分为两个部分：含有较多图像的几个类别构成头部数据子集，相对图像数量较少的其他几个类别构成尾部数据子集；使用交叉熵损失来监督教师网络的训练，分别用划分好的头部数据集和尾部数据集来训练两个教师网络；使用的损失如下：
Figure FDA0003777251880000011
其中，T表示教师网络，θ是网络的参数，xi代表输入的图像，yi是对应图像的类别，n表示样本的数量；两个教师网络以同样的方式进行训练，直到网络收敛；
使用教师网络的中心特征作为知识传递的载体；把Resnet50第四层的输出作为各个数据的特征，中心特征就是各个类别所有数据的特征的中心；假设长尾遥感数据集共有C个类别，每个类别的样本数量为nk(k∈1:C)，则通过教师网络，中心特征表示为：
Figure FDA0003777251880000012
其中，
Figure FDA0003777251880000021
表示类别k的中心特征，Fi是图像i的特征；
通过公式(2)为每个类别得到一个中心特征向量，以此来反映长尾遥感数据集中各个类别的特征分布；
(2)学生模型的训练阶段
结构上，学生网络的模型结构和教师网络是完全一致的；为了让学生网络学习教师网络提取特征的能力，让学生网络的中心特征和教师网络的中心特征相互靠近，学生网络能学习到隐藏的教师提取特征方式；为此，使用如下的损失来约束学生网络：
Figure FDA0003777251880000022
将同一类别的教师和学生的中心特征相互靠近；其中，u和k代表教师和学生网络中的类别；
Figure FDA0003777251880000023
表示教师网络的类别k的中心特征；
Figure FDA0003777251880000024
表示学生网络的类别为u的中心特征，其计算公式为：
Figure FDA0003777251880000025
其中，Fi是图像i的特征，每个类别的样本数量为nu；
随着训练的进行，教师网络的中心特征
Figure FDA0003777251880000026
保持不变，但是学生网络的中心特征
Figure FDA0003777251880000027
会随着训练的轮数进行更新；
学生网络的每个样本数据的特征和教师网络中对应类别的中心特征相互靠近，这样既保证了它们整体的分布和教师网络学习到的分布更相似，又能学习到更紧凑的特征，让类内间的距离更小；其形式如下：
Figure FDA0003777251880000028
其中，Fi(S)表示学生网络中图像i的特征，u为图像i的类别；
通过公式(3)和公式(5)，学生网络很好的学习到教师网络的知识；同时，学生网络还应该使用数据的真值进行监督；使用公式(1)的交叉熵损失；因此，训练学生网络的总损失表示为：
L＝Lce+αLcen+βLind (6)
其中，α和β是超参数；通过公式(6)训练直到学生网络收敛，最终得到的学生网络就是所需要的长尾图像分类模型。
CN202210920420.6A 2022-08-02 2022-08-02 动态关系蒸馏的长尾遥感图像目标识别方法 Active CN115272881B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210920420.6A CN115272881B (zh) 2022-08-02 2022-08-02 动态关系蒸馏的长尾遥感图像目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210920420.6A CN115272881B (zh) 2022-08-02 2022-08-02 动态关系蒸馏的长尾遥感图像目标识别方法

Publications (2)

Publication Number Publication Date
CN115272881A true CN115272881A (zh) 2022-11-01
CN115272881B CN115272881B (zh) 2023-03-21

Family

ID=83747572

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210920420.6A Active CN115272881B (zh) 2022-08-02 2022-08-02 动态关系蒸馏的长尾遥感图像目标识别方法

Country Status (1)

Country Link
CN (1) CN115272881B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116758391A (zh) * 2023-04-21 2023-09-15 大连理工大学 噪声抑制蒸馏的多域遥感目标泛化性识别方法
CN117557916A (zh) * 2024-01-11 2024-02-13 大连理工大学 一种结合文本图像生成的遥感目标分类方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3076424A1 (en) * 2019-03-22 2020-09-22 Royal Bank Of Canada System and method for knowledge distillation between neural networks
CN112184508A (zh) * 2020-10-13 2021-01-05 上海依图网络科技有限公司 一种用于图像处理的学生模型的训练方法及装置
CN113837238A (zh) * 2021-09-02 2021-12-24 南京大学 一种基于自监督和自蒸馏的长尾图像识别方法
CN114155436A (zh) * 2021-12-06 2022-03-08 大连理工大学 长尾分布的遥感图像目标识别逐步蒸馏学习方法
CN114241273A (zh) * 2021-12-01 2022-03-25 电子科技大学 基于Transformer网络和超球空间学习的多模态图像处理方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3076424A1 (en) * 2019-03-22 2020-09-22 Royal Bank Of Canada System and method for knowledge distillation between neural networks
CN112184508A (zh) * 2020-10-13 2021-01-05 上海依图网络科技有限公司 一种用于图像处理的学生模型的训练方法及装置
CN113837238A (zh) * 2021-09-02 2021-12-24 南京大学 一种基于自监督和自蒸馏的长尾图像识别方法
CN114241273A (zh) * 2021-12-01 2022-03-25 电子科技大学 基于Transformer网络和超球空间学习的多模态图像处理方法及系统
CN114155436A (zh) * 2021-12-06 2022-03-08 大连理工大学 长尾分布的遥感图像目标识别逐步蒸馏学习方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WENDA ZHAO ET AL.: ""Teaching Teachers First and Then Student: Hierarchical Distillation to Improve Long-Tailed Object Recognition in Aerial Images"", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *
邓旭冉等: "深度细粒度图像识别研究综述", 《南京信息工程大学学报(自然科学版)》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116758391A (zh) * 2023-04-21 2023-09-15 大连理工大学 噪声抑制蒸馏的多域遥感目标泛化性识别方法
CN116758391B (zh) * 2023-04-21 2023-11-21 大连理工大学 噪声抑制蒸馏的多域遥感目标泛化性识别方法
CN117557916A (zh) * 2024-01-11 2024-02-13 大连理工大学 一种结合文本图像生成的遥感目标分类方法
CN117557916B (zh) * 2024-01-11 2024-03-19 大连理工大学 一种结合文本图像生成的遥感目标分类方法

Also Published As

Publication number Publication date
CN115272881B (zh) 2023-03-21

Similar Documents

Publication Publication Date Title
CN112308158B (zh) 一种基于部分特征对齐的多源领域自适应模型及方法
Liu et al. Knowledge distillation via instance relationship graph
CN108564029B (zh) 基于级联多任务学习深度神经网络的人脸属性识别方法
CN115272881B (zh) 动态关系蒸馏的长尾遥感图像目标识别方法
CN110443818B (zh) 一种基于涂鸦的弱监督语义分割方法与系统
Eigen et al. Nonparametric image parsing using adaptive neighbor sets
CN113378906B (zh) 一种特征自适应对齐的无监督域适应遥感图像语义分割方法
CN112347888B (zh) 基于双向特征迭代融合的遥感图像场景分类方法
CN107330355B (zh) 一种基于正样本平衡约束的深度行人再标识方法
CN112883839B (zh) 基于自适应样本集构造与深度学习的遥感影像解译方法
CN109299707A (zh) 一种基于模糊深度聚类的无监督行人再识别方法
CN105320961A (zh) 基于卷积神经网络和支持向量机的手写数字识别方法
CN101315663A (zh) 一种基于区域潜在语义特征的自然场景图像分类方法
CN114155436B (zh) 长尾分布的遥感图像目标识别逐步蒸馏学习方法
CN110598018B (zh) 一种基于协同注意力的草图图像检索方法
CN108121975A (zh) 一种联合原始数据和生成数据的人脸识别方法
CN113177612B (zh) 一种基于cnn少样本的农业病虫害图像识别方法
CN109711461A (zh) 基于主成分分析的迁移学习图片分类方法及其装置
CN111985581A (zh) 一种基于样本级注意力网络的少样本学习方法
CN103617609B (zh) 基于图论的k-means非线性流形聚类与代表点选取方法
CN104700100A (zh) 面向高空间分辨率遥感大数据的特征提取方法
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
CN110287985A (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
CN117237559A (zh) 面向数字孪生城市的三维模型数据智能分析方法及系统
CN111125396A (zh) 一种单模型多分支结构的图像检索方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhao Wenda

Inventor after: Yu Tao

Inventor after: Liu Jiani

Inventor after: Zhao Fan

Inventor after: Liu Xinghui

Inventor after: Li Zhili

Inventor after: Huang Youpeng

Inventor before: Zhao Wenda

Inventor before: Yu Tao

Inventor before: Liu Jiani

Inventor before: Wang Haipeng

Inventor before: Zhao Fan

Inventor before: Liu Xinghui

Inventor before: Li Zhili

Inventor before: Huang Youpeng

GR01 Patent grant
GR01 Patent grant