CN115439685A - 一种小样本图像数据集划分方法及计算机可读存储介质 - Google Patents

一种小样本图像数据集划分方法及计算机可读存储介质 Download PDF

Info

Publication number
CN115439685A
CN115439685A CN202211034501.2A CN202211034501A CN115439685A CN 115439685 A CN115439685 A CN 115439685A CN 202211034501 A CN202211034501 A CN 202211034501A CN 115439685 A CN115439685 A CN 115439685A
Authority
CN
China
Prior art keywords
clustering
data set
image data
training
sample
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
CN202211034501.2A
Other languages
English (en)
Inventor
刘巍
李昌
张国杰
王浩
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.)
Chongqing Changan Automobile Co Ltd
Original Assignee
Chongqing Changan Automobile Co Ltd
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 Chongqing Changan Automobile Co Ltd filed Critical Chongqing Changan Automobile Co Ltd
Priority to CN202211034501.2A priority Critical patent/CN115439685A/zh
Publication of CN115439685A publication Critical patent/CN115439685A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • 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
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种小样本图像数据集划分方法及计算机刻度存储介质，包括S1.利用距离度量学习的深度神经网络获取目标图像数据集的深度特征，构造带有中心损失的损失函数优化训练网络，将目标图像数据转化为其对应的深度特征向量；S2.利用基于距离聚类算法，对获取的目标图像数据集的深度特征，按照数据集原有的类别标签，将不同图片的深度特征表示输入距离聚类算法，算法输出聚类划分中心，然后根据聚类划分中心对每个类别的图片内部进行聚类，得到每一个样本所属的层次；S3.根据聚类结果，利用分层采样的方式在每一类数据的不同层次中进行采样，得到分布均匀的训练集以及测试集，用于后续模型的训练。本发明通过距离度量学习的深度神经网络的方式使其能够得到图像数据更好的特征表达，通过该特征表达方式进行聚类并分层采样，划分出分布更均匀、训练效果更好的数据集。

Description

一种小样本图像数据集划分方法及计算机可读存储介质
技术领域
本发明涉及数据集划分方法，具体涉及一种小样本图像数据集划分方法。
背景技术
利用深度学习算法对交通标志进行检测识别已成为当前自动驾驶领域研发的趋势之一，而应用深度学习算法需要为模型的训练和更新持续提供高质量的图像数据集。在训练开发这类深度学习模型时，由于数据采集成本问题，数据集往往呈现出小样本、类别不平衡等问题，对于这种小规模的数据较难满足统计意义上的普适性和一般随机性。已有的交通标志数据集大多数为人为数据采集，由于采集数据者的方式和习惯的变化，采集来的数据可能包含着随时间变化的趋势和倾向性特点，其数据的分布并不是均匀的。当数据规模不是足够大时，简单地以随机方式对数据进行划分是不可取的，因为划分出来的训练集和测试集的数据分布是不一致的。此外，在收集数据的过程中数据很少是没有噪声的，并且采集来可用的有效数据可能仅仅只占其中小部分，并不能包含模型构建所需要的全部信息。尽管可以通过增加样本量来适当缓解这些问题，但是在一些特定条件下产生的稀有样本并不是那么容易获得，这样对于处理实际问题的完备性上又有所欠缺。依据统计学的知识和经验容易知道，准确了解数据和目标的分布特点将有助于理解数据的内在本质，这样可以帮助合理划分训练数据和测试数据，解决小规模情况下模型随机划分不稳定的问题。
因此，在数据有限的情况下训练模型时，需要找到一种能够准确把握数据自身特点并对其进行量化表示的方法，克服其在数据有限时随机划分数据引起的测试数据域和训练数据域分布漂移而导致训练得到的模型不稳定。
专利文献CN202111530779.4公开了一种数据集划分方法及装置，其利用Gapstatistic算法获取待划分数据集的目标聚类数目和K-means算法对待划分数据集进行k次聚类，采用两种划分标准评判划分后数据集的结果，去除无效划分、保留有效划分，从而提高数据集划分质量。专利文献CN201911300236.6公开了一种基于数据集距离评价样本集划分质量的方法，其是用随机抽样得到的距离分布进行概率分布估计，计算不同划分的概率，以确切的量化指标评价数据划分的质量或划分方法对特定数据的适应性。上述两份文献都是通过基于距离聚类的算法直接对数值型数据进行聚类，并根据聚类结果划分原有数据集。
现有的图像数据集划分方法通常并未对原有图像数据进行变换处理，直接利用原有图像数据进行聚类并划分数据集。但是，如果不采用合适度量方式获取图像数据的深度特征，那么现有的聚类算法将无法对图片这类高维稀疏特征的数据进行精准地划分，特别是对于更复杂(非均匀分布)小样本的数据集，划分出来的子数据集往往不能完全覆盖数据分布的特点，会导致模型具有较大的方差。
发明内容：
本发明提供一种基于距离度量学习的深度神经网络的小样本图像数据集划分方法及一种计算机可读存储介质，用以解决在划分小样本图像数据集时，得到子数据集的训练效果差，分布不均匀的问题。通过距离度量学习的深度神经网络的方式使其能够得到图像数据更好的特征表达，通过该特征表达方式进行聚类并分层采样，划分出分布更均匀、训练效果更好的数据集。
本发明的技术方案如下：
本发明提出一种小样本图像数据集划分方法，所述方法包括如下几个大步骤：
S1.获取目标图像数据集的深度特征：利用距离度量学习的深度神经网络获取目标图像数据集的深度特征，构造带有中心损失的损失函数优化训练网络，将目标图像数据转化为其对应的深度特征向量；
该步骤是基于距离度量学习的深度神经网络阶段，该阶段利用基于距离度量学习的深度神经网络获取目标图像数据集的深度特征，构造了带有中心损失的损失函数优化训练网络，将输入模块的图片数据集转化为其对应的深度特征向量，通过该方式获取图片数据的深度特征能够更好地表征图片，有利于准确把握图片数据特点并对其进行量化表示，使后续的聚类效果更加准确。
S2.样本聚类：利用基于距离聚类算法，对获取的目标图像数据集的深度特征，按照数据集原有的类别标签，将不同图片的深度特征表示输入距离聚类算法，算法输出聚类划分中心，然后根据聚类划分中心对每个类别的图片内部进行聚类，得到每一个样本所属的层次。
该步骤是样本聚类阶段，该阶段利用基于距离聚类算法对距离度量学习的深度神经网络获取的目标图像数据集的深度特征进行聚类。按照数据集原有的类别标签，将不同图片的深度特征表示输入距离聚类算法，算法输出聚类划分中心，之后，根据聚类划分中心对每个类别的图片内部进行聚类，得到每一个样本所属的层次。
S3.分层采样：该阶段是根据聚类结果，利用分层采样的方式在每一类数据的不同层次中进行采样，得到分布均匀的训练集以及测试集，用于后续模型的训练。
在本发明的一实施例中，所述S1获取目标图像数据集的深度特征包括：
S11.特征提取:采用分类模型对目标图像数据集中的每一个样本进行特征图提取。
S12.嵌入：将提取获得的特征图映射到一个可以度量的空间，得到样本特征的向量表示和输出预测结果。
S13.训练优化距离度量学习的深度神经网络。
S14.使用训练优化好的距离度量学习的深度神经网络对目标图像数据集中的每一个样本进行映射，得到其对应深度特征。
在本发明的一实施例中，所述步骤S2样本聚类包括：
步骤S2.1，将每一个样本的深度特征按照不同类别分别输入基于距离模聚类的算法，输入聚类算法所需要的参数包括:样本个数、预估类别数、迭代次数、指数和价值函数以及最小变化阈值。
步骤S2.2，用值在0,1间的随机数初始化隶属矩阵U，使其满足约束条件。
步骤S2.3，计算c个聚类中心ci，i＝1,…,c，并根据聚类中心将图片数据进行层次分类。
步骤S2.4：计算价值函数，如果相对上次价值函数值的改变量小于最小价值函数变化阈值或者达到最大迭代次数，算法停止，完成每个类别中图片数据的聚类。
步骤S2.5：计算新的U矩阵，返回步骤S2.3。
本发明提供是基于距离度量学习的深度神经网络的小样本图像数据集划分方法，对于小样本图片数据集，通过距离度量学习的深度神经网络的方法得到数据集的深度特征，进而在深度特征上进行基于距离聚类算法以及分层采样的方式划分数据集，使划分的训练数据集尽可能与测试数据集的数据分布一致，确保模型训练效果以及其泛化效果。
本发明还提供一种计算机可读存储介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行权利要求1至9中任一项所述的小样本图像数据集划分方法。
本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明：
图1是本发明所实施提供的小样本图像数据集划分方法的步骤图；
图2是本发明所述的距离度量学习的深度神经网络的模型原理图；
图3是本发明所述的根据基于距离聚类算法的聚类结果进行分层采样的原理图。
需要说明的是，以上附图用于更好地理解本方案，不构成对本申请的限定。
具体实施方式
以下将通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
本实施例提供的基于距离度量学习的深度神经网络的小样本图像数据集划分方法，如图1所示，包括如下步骤：
S1，利用基于距离度量学习的深度神经网络获取目标图像数据集的深度特征。
距离度量学习的深度神经网络主要分为2个阶段：第1阶段为特征提取，可以使用常见的分类模型进行深度特征提取；第2阶段为嵌入过程，将提取获得的特征图映射到一个可以度量的空间，如图2所示。其中，左侧虚线框图为特征提取模块，可以使用常见的卷积网络提取数据的特征，如ResNet50、MobileNetV2等；右侧虚线框图为特征映射模块，通过两层全连接将提取的特征映射到嵌入高维空间中，进而进行特征转换。第1层全连接层用于输出样本的向量表示，第2层全连接层用于输出预测结果向量。
为了在特征学习中通过监督学习学习到足够的距离区分度,需要用到样本特征的向量表示和输出预测结果，即嵌入过程中第1层全连接的输出v和第2层全连接输出y。由此，通过中心损失辅助交叉熵损失的方式训练距离度量学习的深度神经网络来获得更好的样本向量表示,距离度量学习最终的损失函数L可以表示为
Figure BDA0003818612700000041
其中，c∈R为类z样本通过网络得到的深度特征向量的向量中心；d为特征维数；f(x1)为样本xi映射的特征向量v，f(x2)为样本xi映射的预测向量y，f表示距离度量学习的深度神经网络；函数D(·)为欧氏距离的平方；N为样本数量；M为类别数量；λ为中心损失控制系数。
将所有样本放入距离度量学习的深度神经网络中进行训练，并通过上述构造的损失函数L对网络进行优化。
最后，使用训练完毕的网络将图片数据集中的样本转换为嵌入空间中的深度特征向量，即每一个样本的深度特征。
S2,利用基于距离模聚类的算法对距离度量学习的深度神经网络获取的目标图像数据集的深度特征进行聚类。
基于距离模聚类的算法可以采用例如模糊C-means聚类算法、K-means聚类算法等，以下步骤以模糊C-means聚类算法为例说明聚类过程。按照数据集原有的类别标签，将每类图片的深度特征表示输入模糊C-means聚类算法，算法输出聚类中心点向量和一个模糊划分矩阵，这个矩阵表示的是每个样本点属于每个类的隶属度，之后，根据这个划分矩阵按照模糊集合中的最大隶属原则对每个类别的图片内部进行聚类。
具体的，该步骤包括以下子步骤：
S2.1，将图片数据按照不同类别分别输入算法，输入值包括样本个数、预估类别数、迭代次数、指数和价值函数其最小变化阈值，这里价值函数中的距离度量选取的是欧式距离。
S2.2，用值在0,1间的随机数初始化隶属矩阵U，使其满足约束条件。
S2.3，计算c个聚类中心ci，i＝1,…,c，并根据聚类中心将图片数据进行层次分类。
S2.4，计算价值函数。如果它相对上次价值函数值的改变量小于最小价值函数变化阈值或者达到最大迭代次数，算法停止，完成每个类别中图片数据的聚类。
S2.5。计算新的U矩阵。返回S2.3。
S3，根据步骤S2的聚类结果，利用分层采样的方式划分原有图片数据集，得到分布均匀的训练集以及测试集，如图3所示，用于后续模型的训练。
具体的，将数据集中的每一类图片数据按步骤S2得到的聚类中心分为若干层次，例如图片有类别一、类别二、类别三……类别M，基于聚类结果，类别一分别层次n1、层次n2、层级n3，同样，类别二、类别三……类别M同样可以分为若干层次。
然后再从每一层内进行单纯随机抽样，组成该类别的训练集与测试集，最后集合成整个数据集的训练集与测试集，用于后续模型的训练。
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本发明所公开的内容。

Claims (10)

1.一种小样本图像数据集划分方法，其特征在于，所述方法包括：
S1.获取目标图像数据集的深度特征：利用距离度量学习的深度神经网络获取目标图像数据集的深度特征，构造带有中心损失的损失函数优化训练网络，将目标图像数据转化为其对应的深度特征向量；
S2.样本聚类：利用基于距离聚类算法，对获取的目标图像数据集的深度特征，按照数据集原有的类别标签，将不同图片的深度特征表示输入距离聚类算法，算法输出聚类划分中心，然后根据聚类划分中心对每个类别的图片内部进行聚类，得到每一个样本所属的层次；
S3.分层采样：根据聚类结果，利用分层采样的方式在每一类数据的不同层次中进行采样，得到分布均匀的训练集以及测试集，用于后续模型的训练。
2.根据权利要求1所述的目标图像数据集划分方法，其特征在于，所述S1包括：
S11.特征提取:采用分类模型对目标图像数据集中的每一个样本进行特征图提取；
S12.嵌入：将提取获得的特征图映射到一个可以度量的空间，得到样本特征的向量表示和输出预测结果；
S13.训练优化距离度量学习的深度神经网络；
S14.使用训练优化好的距离度量学习的深度神经网络对目标图像数据集中的每一个样本进行映射，得到其对应深度特征。
3.根据权利要求2所述的小样本图像数据集划分方法，其特征在于，所述S11特征提取是，使用卷积网络提取数据的特征，所述卷积网络包括ResNet50、MobileNetV2等。
4.根据权利要求2所述的小样本图像数据集划分方法，其特征在于，所述S12是通过两层全连接将提取的特征映射到嵌入高维空间中，进而进行特征转换；第1层全连接层用于输出样本的向量表示，第2层全连接层用于输出预测结果向量。
5.根据权利要求4所述的小样本图像数据集划分方法，其特征在于，所述S13训练优化距离度量学习的深度神经网络的方式是：
通过中心损失辅助交叉熵损失的方式训练距离度量学习的深度神经网络，获得更好的样本向量表示，距离度量学习最终的损失函数L表示为
Figure FDA0003818612690000011
其中，c∈R为类z样本通过网络得到的深度特征向量的向量中心；d为特征维数；f(x1)为样本xi映射的特征向量v，f(x2)为样本xi映射的预测向量y，f表示距离度量学习的深度神经网络；函数D(·)为欧氏距离的平方；N为样本数量；M为类别数量；λ为中心损失控制系数；
将所有样本放入距离度量学习的深度神经网络中进行训练，并通过损失函数L对网络进行优化。
6.根据权利要求5所述的小样本图像数据集划分方法，其特征在于，所述S14是使用训练完毕的网络将目标图像数据集中的样本转换为嵌入空间中的深度特征向量，即得到每一个样本的深度特征。
7.根据权利要求5所述的小样本图像数据集划分方法，其特征在于，所述步骤S2包括：
步骤S2.1，将每一个样本的深度特征按照不同类别分别输入基于距离模聚类的算法，输入聚类算法所需要的参数包括：样本个数、预估类别数、迭代次数、指数和价值函数以及最小变化阈值；
步骤S2.2，用值在0，1间的随机数初始化隶属矩阵U，使其满足约束条件；
步骤S2.3，计算c个聚类中心ci，i＝1，...，c，并根据聚类中心将图片数据进行层次分类；
步骤S2.4：计算价值函数，如果相对上次价值函数值的改变量小于最小价值函数变化阈值或者达到最大迭代次数，算法停止，完成每个类别中图片数据的聚类；
步骤S2.5：计算新的U矩阵，返回步骤S2.3。
8.根据权利要求5所述的小样本图像数据集划分方法，其特征在于，所述步骤S2采用的基于距离模聚类的算法包括模糊C-means聚类算法、K-means聚类算法。
9.根据权利要求5所述的小样本图像数据集划分方法，其特征在于，所述步骤S3分层采样是，根据步骤S2的聚类结果，利用分层采样的方式划分原有图片数据集，将数据集中的每一类图片数据按步骤S2得到的聚类中心分为若干层次，然后再从每一层内进行单纯随机抽样，组成该类别的训练集与测试集，最后集合成整个数据集的训练集与测试集，用于后续模型的训练。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行权利要求1至9中任一项所述的小样本图像数据集划分方法。
CN202211034501.2A 2022-08-26 2022-08-26 一种小样本图像数据集划分方法及计算机可读存储介质 Pending CN115439685A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211034501.2A CN115439685A (zh) 2022-08-26 2022-08-26 一种小样本图像数据集划分方法及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211034501.2A CN115439685A (zh) 2022-08-26 2022-08-26 一种小样本图像数据集划分方法及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN115439685A true CN115439685A (zh) 2022-12-06

Family

ID=84244106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211034501.2A Pending CN115439685A (zh) 2022-08-26 2022-08-26 一种小样本图像数据集划分方法及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN115439685A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116503385A (zh) * 2023-06-25 2023-07-28 吉林大学 基于虚拟全局代理的糖网眼底图像分级方法和设备
CN116564534A (zh) * 2023-04-03 2023-08-08 北京林业大学 中医临床数据的多视图聚类方法、装置及电子设备
CN116955482A (zh) * 2023-06-27 2023-10-27 北京邮电大学 基于信息损失约束的数据划分方法及装置
CN116955482B (zh) * 2023-06-27 2024-06-04 北京邮电大学 基于信息损失约束的数据划分方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116564534A (zh) * 2023-04-03 2023-08-08 北京林业大学 中医临床数据的多视图聚类方法、装置及电子设备
CN116503385A (zh) * 2023-06-25 2023-07-28 吉林大学 基于虚拟全局代理的糖网眼底图像分级方法和设备
CN116503385B (zh) * 2023-06-25 2023-09-01 吉林大学 基于虚拟全局代理的糖网眼底图像分级方法和设备
CN116955482A (zh) * 2023-06-27 2023-10-27 北京邮电大学 基于信息损失约束的数据划分方法及装置
CN116955482B (zh) * 2023-06-27 2024-06-04 北京邮电大学 基于信息损失约束的数据划分方法及装置

Similar Documents

Publication Publication Date Title
CN111967294B (zh) 一种无监督域自适应的行人重识别方法
CN115439685A (zh) 一种小样本图像数据集划分方法及计算机可读存储介质
CN113469186B (zh) 一种基于少量点标注的跨域迁移图像分割方法
CN110378911B (zh) 基于候选区域和邻域分类器的弱监督图像语义分割方法
CN114692732A (zh) 一种在线标签更新的方法、系统、装置及存储介质
CN113887580A (zh) 一种考虑多粒度类相关性的对比式开放集识别方法及装置
CN116777006A (zh) 基于样本缺失标签增强的多标签学习方法、装置和设备
CN112734037A (zh) 基于记忆引导的弱监督学习方法、计算机设备和存储介质
CN117153268A (zh) 一种细胞类别确定方法及系统
CN115270752A (zh) 一种基于多层次对比学习的模板句评估方法
CN113764034B (zh) 基因组序列中潜在bgc的预测方法、装置、设备及介质
CN113378938B (zh) 一种基于边Transformer图神经网络的小样本图像分类方法及系统
CN113095229B (zh) 一种无监督域自适应行人重识别系统及方法
CN114579794A (zh) 特征一致性建议的多尺度融合地标图像检索方法及系统
US11829442B2 (en) Methods and systems for efficient batch active learning of a deep neural network
CN116910571B (zh) 一种基于原型对比学习的开集域适应方法及系统
CN110705631B (zh) 一种基于svm的散货船舶设备状态检测方法
CN116630694A (zh) 一种偏多标记图像的目标分类方法、系统及电子设备
CN113177130B (zh) 基于二值语义嵌入的图像检索和识别方法和装置
Su et al. Deep supervised hashing with hard example pairs optimization for image retrieval
CN114168780A (zh) 多模态数据处理方法、电子设备及存储介质
CN113392876A (zh) 一种基于图神经网络的小样本图像分类方法
CN113420821A (zh) 一种基于标记和特征局部相关性的多标记学习方法
CN114299342B (zh) 一种基于深度学习的多标记图片分类中未知标记分类方法
CN116796184A (zh) 一种基于图原型网络和实例对比的领域泛化方法

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