CN115496137A - 基于标签传播和分布转换的小样本分类方法及相关装置 - Google Patents

基于标签传播和分布转换的小样本分类方法及相关装置 Download PDF

Info

Publication number
CN115496137A
CN115496137A CN202211122852.9A CN202211122852A CN115496137A CN 115496137 A CN115496137 A CN 115496137A CN 202211122852 A CN202211122852 A CN 202211122852A CN 115496137 A CN115496137 A CN 115496137A
Authority
CN
China
Prior art keywords
distribution
samples
matrix
label propagation
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
CN202211122852.9A
Other languages
English (en)
Inventor
肖伟伟
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.)
Panji Technology Co ltd
Original Assignee
Panji Technology 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 Panji Technology Co ltd filed Critical Panji Technology Co ltd
Priority to CN202211122852.9A priority Critical patent/CN115496137A/zh
Publication of CN115496137A publication Critical patent/CN115496137A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

基于标签传播和分布转换的小样本分类方法及相关装置，包括以下步骤：获取训练模型；获得非负的特征向量；将新增数据集中的支持集样本和查询集样本同时送到上述步骤的模型当中去进行推理，并将所有的特征向量进行拼接得到特征矩阵W；对特征矩阵W进行降维操作，使得W成为一个方阵；对W矩阵进行标签传播；对标签传播后的结果进行类高斯化，对高斯化后的结果进行分类，通过分布拟合，将查询集中样本的分布去拟合支持集中标注样本的分布。本发明在训练阶段不对未标注信息进行关联，仅在推理阶段进行关联，避免了在训练阶段造成的巨大开销，这种直推式小样本分类方法具有较大的应用价值，能够显著加速小样本分类方法的部署速度。

Description

基于标签传播和分布转换的小样本分类方法及相关装置
技术领域
本发明属于小样本分类技术领域，特别涉及基于标签传播和分布转换的小样本分类方法及相关装置。
背景技术
目前，基于全监督的深度学习方法需要大量的标注样本进行训练，但是在某些场景中收集数据十分困难，这给传统的全监督的方法带来很大的挑战。同时，针对大规模的数据进行标注也需要耗费大量的时间和人力。因此，学术界和工业界开始考虑设计一种模型能够模仿人的学习过程，通过给予模型少量的标注样本，就能使得模型能够识别出这些新的未知物体。这样就诞生了许多小样本任务，如：小样本分类、小样本分割、小样本目标检测等。
小样本分类就是通过少量的标注样本来实现对未知物体的类别进行预测的方法，该方法主要通过元学习来实现，训练过程模仿测试过程，通过episode(情节设置，训练过程模仿测试过程)的设置分别进行训练和测试。根据小样本分类方法的预测方式，我们可以将其分类归纳式和直推式两种。直推式的小样本分类方法性能通常优于归纳式的小样本分类方法，因此得到了广泛的关注和大量的研究。
通常，监督学习需要提前训练好一个模型，然后在推理过程中利用训练好的模型进行推理。直推式的小样本分类方法的主要思想就是：在网络后增加关联模块如图卷积、嵌入传播、标签传播等方式。这些关联模块，在训练和推理过程中能将少量带标签的样本与未标注的样本之间进行信息关联，这样未标注样本中就带有了一些先验，可以更好的利用少量的标注样本中的信息。虽然大多数直推式方法较归纳式都取得了较好的效果，但是算法在训练时的复杂性也有所增加，需要在训练过程中加入一些额外的运算，并且大多数训练过程和推理过程较为复杂，给算法的通用性带来了很大挑战。
发明内容
本发明的目的在于提供基于标签传播和分布转换的小样本分类方法及相关装置，以解决大多数训练过程和推理过程较为复杂，给算法的通用性带来了很大挑战的问题。
为实现上述目的，本发明采用以下技术方案：
基于标签传播和分布转换的小样本分类方法，包括：
移除预设训练模型的最后一层的参数，并在倒数第二层参数后使用激活函数，获得非负的特征向量；
新增一个数据集作为测试数据集，并将新增数据集中的支持集样本和查询集样本同时送到移除参数后的训练模型当中进行推理，并将所有的非负的特征向量进行拼接得到特征矩阵；
对特征矩阵进行降维操作，使得特征矩阵成为一个方阵；
对降维后得到的方阵进行标签传播，将第一预设数量的标注样本的信息嵌入到第二预设数量的未标注的样本当中去；
对标签传播后的结果进行类高斯化，对高斯化后的结果进行分类，通过分布拟合，将查询集中样本的分布去拟合支持集中标注样本的分布。
进一步的，训练模型具体为：
选择深度学习模型的网络结构，根据所提供的基础数据集预先训练了对应的网络结构，保存下对应的模型文件，得到训练模型；基础数据集指的是用于已知的用于训练的类别。
进一步的，具体的：
得到非负的特征向量；
Figure BDA0003847869410000021
将支持集和查询集中的样本同时送入移除了最后一层的参数，并在网络的倒数第二层参数后使用激活函数的训练模型，得到特征矩阵
Figure BDA0003847869410000031
w指的是w个类别，s指的是s个标注样本，q指的是q个未标注样本；R表示特征矩阵，d表示列。
进一步的，使用激活函数为relu激活函数；支持集指的是新增数据集中只有1、3或5个标注样本的样本集，查询集指的是新增数据集中标注样本的个数大于10的未标注的样本集。
进一步的，对高斯化后的结果进行分类的分类器为KNN、K-means或优化传输；分布拟合是利用聚类算法将未标注的样本分布拟合到标注样本对应的类别分布当中去。
进一步的，对特征矩阵进行标签传播，将第一预设数量的标注样本的信息嵌入到第二预设数量的未标注的样本当中去，具体包括：
计算支持集和查询集样本之间的余弦距离；
根据对应的余弦距离计算出连接矩阵，使得标注样本信息融合到未标注的样本当中去，相当于给未标注样本提供了先验信息；
Figure BDA0003847869410000032
其中：i，j表示矩阵中任意不相同的两行，S表示邻接矩阵；
对邻接矩阵和对应的节点进行正则；κ为超参数，通过图构件的方式得到标签传播的结果；
V[i,j]＝D-1/2(S+β×E)κD-1/2
D[i,i]＝∑jS[i,j]。
其中：D表示拉普拉斯矩阵，V表示经过拉普拉斯正则化后的特征矩阵；E表示单位矩阵，S表示邻接矩阵，β表示单位矩阵的比例系数。
进一步的，对标签传播后的结果进行类高斯化具体包括：
计算标注样本的均值，计算未标注样本的均值；
Figure BDA0003847869410000041
Figure BDA0003847869410000042
计算标注样本的L2范数，计算未标注样本的L2范数；
对标注样本和未标注样本进行类高斯化计算，保证标签传播后的结果的分布一致性，减少分布偏差；
Figure BDA0003847869410000043
Figure BDA0003847869410000044
Vnew表示统一化分布，将特征矩阵减去均值除以方差，转换成类高斯分布。
进一步的，包括：
非负的特征向量获取模块，用于移除预设训练模型的最后一层的参数，并在倒数第二层参数后使用激活函数，获得非负的特征向量；
特征矩阵获取模块，用于新增一个数据集作为测试数据集，并将新增数据集中的支持集样本和查询集样本同时送到移除参数后的训练模型当中进行推理，并将所有的非负的特征向量进行拼接得到特征矩阵；
特征矩阵降维模块，用于对特征矩阵进行降维操作，使得特征矩阵成为一个方阵；
信息嵌入模块，用于对特征矩阵进行标签传播，将第一预设数量的标注样本的信息嵌入到第二预设数量的未标注的样本当中去；
分类模块，用于对标签传播后的结果进行类高斯化，对高斯化后的结果进行分类，通过分布拟合，将查询集中样本的分布去拟合支持集中标注样本的分布。
进一步的，一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如基于标签传播和分布转换的小样本分类方法的步骤。
进一步的，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如基于标签传播和分布转换的小样本分类方法的步骤。
与现有技术相比，本发明有以下技术效果：
本发明就是在推理阶段引入了标签传播和分布转换的方法，对所有的小样本分类的骨干网络都有较好的适应性，可以将骨干网络通过增加标签传播和分布转换模块，将其变成直推式的小样本分类方法。进而大大提升小样本分类算法的精度，能够更充分的利用少量标注样本以及大量未标注样本自身的潜在信息，提升模型的分类精度。
本发明在训练阶段不对未标注信息进行关联，仅在推理阶段进行关联，避免了在训练阶段造成的巨大开销，这种直推式小样本分类方法具有较大的应用价值，能够显著加速小样本分类方法的部署速度。
附图说明
图1为整体流程图；
图2为标签传播和分布转换图；
图3为测试阶段流程。
图4为本发明方法流程图。
图5为本发明系统结构图。
具体实施方式
以下结合附图对本发明进一步说明：
一种基于标签传播和分布转换的直推式小样本分类模块
1.如图1所示，先选择深度学习模型的网络结构，然后根据所提供的基础数据集预先训练了对应的网络结构，保存下对应的模型文件。(这部分主要是获得训练模型)；
2.移除所保存的训练模型的最后一层的参数，并在网络的倒数第二层参数后使用relu激活函数，这样的目的是为了获得非负的特征向量；
3.将新增的少量带有标注的数据集(以下简称新增数据集)中的支持集(支持集指的是新增数据集中少量带有标注的样本集)样本和查询集(查询集指的是新增数据集中大量未标注的样本集)样本同时送到步骤2所得到的模型当中去进行推理，并将所有的特征向量进行拼接得到特征矩阵W；
在小样本分类任务中，训练样本跟测试样本的类别不同，为了区别训练跟测试，我们将训练时用到的数据集定义为一个数据集，测试时用到的数据集定义为新增数据集，这两个数据集中样本的类别不同，属于不同的类别。
4.利用降维方法如(PCA)对W进行降维操作，使得W成为一个方阵；
5.如图2所示，对W矩阵进行标签传播，将w*s个标注样本的信息利用图结构嵌入到w*q个未标注的样本当中去；
6.如图2所示，对标签传播后的结果进行高斯化，减少分布偏差，较少过拟合现象；
7.测试过程如图3所示，对高斯化后的结果进行分类，分类器可以选择KNN、K-means、优化传输等方法，通过分布拟合，将查询集中样本的分布去拟合支持集中标注样本的分布；
实施例：
一种基于标签传播和分布转换的直推式小样本分类模块，包括以下步骤：
步骤1，选择深度学习模型的网络结构，根据所提供的基础数据集预先训练了对应的网络结构，保存下对应的模型文件。(这部分主要是获得训练模型)；这里基础数据集指的是用于已知的用于训练的类别。
步骤2，移除所保存的训练模型的最后一层的参数，并在网络的倒数第二层参数后使用relu激活函数，这样的目的是为了获得非负的特征向量；
步骤3，将新增的少量带有标注的数据集(以下简称新增数据集)中的支持集(支持集指的是新增数据集中少量带有标注的样本集)样本和查询集(查询集指的是新增数据集中大量未标注的样本集)样本同时送到步骤2所得到的模型当中去进行推理，并将所有的特征向量进行拼接得到特征矩阵W；
步骤4,利用降维方法(如PCA)对W进行降维操作，使得
Figure BDA0003847869410000071
成为一个方阵；(这里的w指的是w个类别，s指的是s个标注样本，q指的是q个未标注样本)
步骤5,对W矩阵进行标签传播，将w*s个标注样本的信息嵌入到w*q个未标注的样本当中去；(具体步骤在下面介绍)
步骤6,对标签传播后的结果进行类高斯化(下文对步骤6有详细介绍)，减少分布偏差，减少过拟合现象；
步骤7，对高斯化后的结果进行分类，分类器可以选择KNN、K-means、优化传输等方法，通过分布拟合，将查询集中样本的分布去拟合支持集中标注样本的分布；
进一步的，步骤3中，具体包括：
移除所保存的训练模型的最后一层的参数，并在网络的倒数第二层参数后使用relu激活函数，得到非负的特征向量；
Figure BDA0003847869410000072
将支持集和查询集中的样本同时送入(1)过程，得到特征矩阵
Figure BDA0003847869410000073
进一步的，步骤5中，具体包括：
计算支持集和查询集样本之间的余弦距离；
根据对应的余弦距离计算出连接矩阵，使得标注样本信息融合到未标注的样本当中去，相当于给未标注样本提供了先验信息；
Figure BDA0003847869410000074
对邻接矩阵和对应的节点进行正则(β，κ为超参数)，通过图构件的方式得到标签传播的结果；
V[i,j]＝D-1/2(S+β×E)κD-1/2
D[i,i]＝∑jS[i,j]
进一步的，步骤6中，具体包括：
计算标注样本的均值，计算未标注样本的均值；
Figure BDA0003847869410000081
Figure BDA0003847869410000082
计算标注样本的L2范数，计算未标注样本的L2范数；
对标注样本和未标注样本进行类高斯化计算，保证标签传播后的结果的分布一致性，减少分布偏差；
Figure BDA0003847869410000083
Figure BDA0003847869410000084
进一步的，步骤7中，具体包括：利用聚类算法将未标注的样本分布拟合到标注样本对应的类别分布当中去。
本发明再一实施例中，提供一种基于标签传播和分布转换的小样本分类系统，能够用于实现上述的基于标签传播和分布转换的小样本分类方法，具体的，该基于标签传播和分布转换的小样本分类系统包括：
模型获取模块，用于获取训练模型；
非负的特征向量获取模块，用于移除训练模型的最后一层的参数，并在网络的倒数第二层参数后使用激活函数，获得非负的特征向量；
特征矩阵获取模块，用于将新增数据集中的支持集样本和查询集样本同时送到上述步骤的模型当中去进行推理，并将所有的特征向量进行拼接得到特征矩阵W；
特征矩阵降维模块，用于对特征矩阵W进行降维操作，使得W成为一个方阵；
信息嵌入模块，用于对W矩阵进行标签传播，将w*s个标注样本的信息嵌入到w*q个未标注的样本当中去；
分类模块，用于对标签传播后的结果进行类高斯化，对高斯化后的结果进行分类，通过分布拟合，将查询集中样本的分布去拟合支持集中标注样本的分布。
本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，另外，在本发明各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
图4为本发明方法流程图，图5为本发明系统结构图。
本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于基于标签传播和分布转换的小样本分类方法的操作。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关基于标签传播和分布转换的小样本分类方法的相应步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.基于标签传播和分布转换的小样本分类方法，其特征在于，包括：
移除预设训练模型的最后一层的参数，并在倒数第二层参数后使用激活函数，获得非负的特征向量；
新增一个数据集作为测试数据集，并将新增数据集中的支持集样本和查询集样本同时送到移除参数后的训练模型当中进行推理，并将所有的非负的特征向量进行拼接得到特征矩阵；
对特征矩阵进行降维操作，使得特征矩阵成为一个方阵；
对降维后得到的方阵进行标签传播，将第一预设数量的标注样本的信息嵌入到第二预设数量的未标注的样本当中去；
对标签传播后的结果进行类高斯化，对高斯化后的结果进行分类，通过分布拟合，将查询集中样本的分布去拟合支持集中标注样本的分布。
2.根据权利要求1所述的基于标签传播和分布转换的小样本分类方法，其特征在于，训练模型具体为：
选择深度学习模型的网络结构，根据所提供的基础数据集预先训练了对应的网络结构，保存下对应的模型文件，得到训练模型；基础数据集指的是用于已知的用于训练的类别。
3.根据权利要求2所述的基于标签传播和分布转换的小样本分类方法，其特征在于，具体的：
得到非负的特征向量；
Figure FDA0003847869400000011
将支持集和查询集中的样本同时送入移除了最后一层的参数，并在网络的倒数第二层参数后使用激活函数的训练模型，得到特征矩阵W∈Rw*(s+q)×d；w指的是w个类别，s指的是s个标注样本，q指的是q个未标注样本；R表示特征矩阵，d表示列。
4.根据权利要求1所述的基于标签传播和分布转换的小样本分类方法，其特征在于，使用激活函数为relu激活函数；支持集指的是新增数据集中只有1、3或5个标注样本的样本集，查询集指的是新增数据集中标注样本的个数大于10的未标注的样本集。
5.根据权利要求1所述的基于标签传播和分布转换的小样本分类方法，其特征在于，对高斯化后的结果进行分类的分类器为KNN、K-means或优化传输；分布拟合是利用聚类算法将未标注的样本分布拟合到标注样本对应的类别分布当中去。
6.根据权利要求3所述的基于标签传播和分布转换的小样本分类方法，其特征在于，对特征矩阵进行标签传播，将第一预设数量的标注样本的信息嵌入到第二预设数量的未标注的样本当中去，具体包括：
计算支持集和查询集样本之间的余弦距离；
根据对应的余弦距离计算出连接矩阵，使得标注样本信息融合到未标注的样本当中去，相当于给未标注样本提供了先验信息；
Figure FDA0003847869400000021
其中：i，j表示矩阵中任意不相同的两行，S表示邻接矩阵；
对邻接矩阵和对应的节点进行正则；κ为超参数，通过图构件的方式得到标签传播的结果；
V[i,j]＝D-1/2(S+β×E)κD-1/2
D[i,i]＝∑jS[i,j]
其中：D表示拉普拉斯矩阵，V表示经过拉普拉斯正则化后的特征矩阵；E表示单位矩阵，S表示邻接矩阵，β表示单位矩阵的比例系数。
7.根据权利要求6所述的基于标签传播和分布转换的小样本分类方法，其特征在于，对标签传播后的结果进行类高斯化具体包括：
计算标注样本的均值，计算未标注样本的均值；
Figure FDA0003847869400000022
Figure FDA0003847869400000031
计算标注样本的L2范数，计算未标注样本的L2范数；
对标注样本和未标注样本进行类高斯化计算，保证标签传播后的结果的分布一致性，减少分布偏差；
Figure FDA0003847869400000032
Figure FDA0003847869400000033
Vnew表示统一化分布，将特征矩阵减去均值除以方差，转换成类高斯分布。
8.基于标签传播和分布转换的小样本分类系统，其特征在于，包括：
非负的特征向量获取模块，用于移除预设训练模型的最后一层的参数，并在倒数第二层参数后使用激活函数，获得非负的特征向量；
特征矩阵获取模块，用于新增一个数据集作为测试数据集，并将新增数据集中的支持集样本和查询集样本同时送到移除参数后的训练模型当中进行推理，并将所有的非负的特征向量进行拼接得到特征矩阵；
特征矩阵降维模块，用于对特征矩阵进行降维操作，使得特征矩阵成为一个方阵；
信息嵌入模块，用于对特征矩阵进行标签传播，将第一预设数量的标注样本的信息嵌入到第二预设数量的未标注的样本当中去；
分类模块，用于对标签传播后的结果进行类高斯化，对高斯化后的结果进行分类，通过分布拟合，将查询集中样本的分布去拟合支持集中标注样本的分布。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述基于标签传播和分布转换的小样本分类方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于标签传播和分布转换的小样本分类方法的步骤。
CN202211122852.9A 2022-09-15 2022-09-15 基于标签传播和分布转换的小样本分类方法及相关装置 Pending CN115496137A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211122852.9A CN115496137A (zh) 2022-09-15 2022-09-15 基于标签传播和分布转换的小样本分类方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211122852.9A CN115496137A (zh) 2022-09-15 2022-09-15 基于标签传播和分布转换的小样本分类方法及相关装置

Publications (1)

Publication Number Publication Date
CN115496137A true CN115496137A (zh) 2022-12-20

Family

ID=84468377

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211122852.9A Pending CN115496137A (zh) 2022-09-15 2022-09-15 基于标签传播和分布转换的小样本分类方法及相关装置

Country Status (1)

Country Link
CN (1) CN115496137A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117058470A (zh) * 2023-10-12 2023-11-14 宁德思客琦智能装备有限公司 一种基于小样本学习的三维点云分类的方法和系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117058470A (zh) * 2023-10-12 2023-11-14 宁德思客琦智能装备有限公司 一种基于小样本学习的三维点云分类的方法和系统
CN117058470B (zh) * 2023-10-12 2024-01-26 宁德思客琦智能装备有限公司 一种基于小样本学习的三维点云分类的方法和系统

Similar Documents

Publication Publication Date Title
US10650508B2 (en) Automatic defect classification without sampling and feature selection
CN114037876A (zh) 一种模型优化方法和装置
Robbes et al. Leveraging small software engineering data sets with pre-trained neural networks
CN111325264A (zh) 一种基于熵的多标签数据分类方法
CN113688665A (zh) 一种基于半监督迭代学习的遥感影像目标检测方法及系统
CN108596204B (zh) 一种基于改进型scdae的半监督调制方式分类模型的方法
CN115496137A (zh) 基于标签传播和分布转换的小样本分类方法及相关装置
CN114757286A (zh) 一种基于条件对抗生成网络的多类别故障数据生成方法
Shahriyar et al. An approach for multi label image classification using single label convolutional neural network
Gao et al. An improved XGBoost based on weighted column subsampling for object classification
Jiang et al. Weakly-supervised vehicle detection and classification by convolutional neural network
CN111950652A (zh) 一种基于相似度的半监督学习数据分类算法
CN115542279A (zh) 一种气象雷达杂波分类识别方法及装置
Zhao et al. SRK-Augment: A self-replacement and discriminative region keeping augmentation scheme for better classification
CN112199287B (zh) 基于强化混合专家模型的跨项目软件缺陷预测方法
CN113987170A (zh) 基于卷积神经网络的多标签文本分类方法
Safar et al. Intelligent flower detection system using machine learning
CN112766387A (zh) 一种训练数据的纠错方法、装置、设备及存储介质
Jia et al. A Novel Fault Inspection Method of Steel Plate Surface
Gifford et al. A deep learning approach to classifying tyres using sidewall images
Ghosh et al. Pig breed detection using faster R-CNN
Rajathi et al. CNN-based vehicle classification using transfer learning
Ye et al. R2-trans: Fine-grained visual categorization with redundancy reduction
Bhanbhro et al. Symbol Detection in a Multi-class Dataset Based on Single Line Diagrams using Deep Learning Models
Khasgiwala et al. Identification and Detection of Plant Disease Using Transfer Learning

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