CN115953630A - 一种基于全局-局部知识蒸馏的跨域小样本图像分类方法 - Google Patents

一种基于全局-局部知识蒸馏的跨域小样本图像分类方法 Download PDF

Info

Publication number
CN115953630A
CN115953630A CN202310038225.5A CN202310038225A CN115953630A CN 115953630 A CN115953630 A CN 115953630A CN 202310038225 A CN202310038225 A CN 202310038225A CN 115953630 A CN115953630 A CN 115953630A
Authority
CN
China
Prior art keywords
local
global
query
representing
image
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
CN202310038225.5A
Other languages
English (en)
Inventor
张磊
魏巍
周飞
张艳宁
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202310038225.5A priority Critical patent/CN115953630A/zh
Publication of CN115953630A publication Critical patent/CN115953630A/zh
Pending legal-status Critical Current

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Image Analysis (AREA)

Abstract

本发明提供了一种基于全局‑局部知识蒸馏的跨域小样本图像分类方法。构建了由全局分支和局部分支构成的分类模型，其中，全局分支以原始图像为输入，用于提取图像的全局特征，局部分支以原始图像的局部块为输入，用于提取该图像的局部特征；在两分支之间，通过构建全局‑局部知识蒸馏损失促进全局特征关注到图像的局部区域，使得全局特征捕获丰富的语义信息，进而提升全局特征在跨域小样本任务上的泛化性能。

Description

一种基于全局-局部知识蒸馏的跨域小样本图像分类方法
技术领域
本发明属图像处理技术领域，具体涉及一种基于全局-局部知识蒸馏的跨域小样本图像分类方法。
背景技术
图像处理是机器视觉走向工业应用的关键技术，而图像分类是图像处理技术的基础。在医学、遥感等多种场景下，图像数据往往难以获取，呈现典型的小样本特性。为了缓解小样本问题，一种有效的方式是利用源域数据学习可迁移的知识，并将学习到的知识泛化到目标域的小样本任务中。然而，由于源域与目标域之间存在域差异，导致源域上训练的模型难以有效地泛化到目标域中。为此，研究适用于跨域场景下的小样本图像分类技术具有重要的应用价值。文献“Snell J,Swersky K,Zemel R.Prototypical networks for few
Figure SMS_1
learning[C]//Advances in Neural Information Processing Systems.2017:4077-
Figure SMS_2
.”提出一种基于原型的小样本图像分类方法。它首先使用深度神经网络提取图像的特征，然后在特征空间中利用每个小样本任务中的少量标记样本构建类别的原型表示，最后根据测试样本到这些类别原型之间的距离进行类别隶属关系的分配。然而，由于深度神经网络的简单性偏好，导致该方法构建的原型往往只能捕获最具判别性的模式，例如，颜色、形状等，忽略了具有跨域泛化能力的语义信息。因此，该方法在跨域小样本图像分类任务中性能表现不佳。
发明内容
为了克服现有技术的不足，本发明提供一种基于全局-局部知识蒸馏的跨域小样本图像分类方法。构建了由全局分支和局部分支构成的分类模型，其中，全局分支以原始图像为输入，用于提取图像的全局特征，局部分支以原始图像的局部块为输入，用于提取该图像的局部特征；在两分支之间，通过构建全局-局部知识蒸馏损失促进全局特征关注到图像的局部区域，使得全局特征捕获丰富的语义信息，进而提升全局特征在跨域小样本任务上的泛化性能。
一种基于全局-局部知识蒸馏的跨域小样本图像分类方法，其特征在于步骤如下：
步骤1：基于现有的图像数据集构建小样本任务训练数据集，包括支持集
Figure SMS_3
和查询集
Figure SMS_4
其中，支持集
Figure SMS_5
包括N个类别，每个类别带有K个监督样本，查询集
Figure SMS_6
也包括这N个类别，每个类别带有M个未标记的样本；
步骤2：构建模型的全局分支，其处理过程如下：
首先，按照下式获得支持集
Figure SMS_7
的原型表示：
Figure SMS_8
其中，
Figure SMS_9
表示支持集
Figure SMS_10
中第n个类别的第k个样本，
Figure SMS_11
表示全局分支中的特征提取网络，本发明中采用ResNet-10网络，Cn表示第n个类别的原型表示，n＝1,2,…,N；
然后，基于原型表示对查询集
Figure SMS_12
中的每个样本进行类别隶属关系预测：
Figure SMS_13
其中，
Figure SMS_14
表示查询集
Figure SMS_15
中的第i个查询样本，i＝1,2,…,N*M，
Figure SMS_16
表示该样本的预测得分，matching(·)为两个向量之间的相似度度量函数，本发明中使用欧氏距离进行相似度度量；
接着，根据预测得分中的最大相似度对应的类别作为该查询样本的预测标签
Figure SMS_17
并根据查询样本的预测标签和真实标签计算交叉熵损失如下：
Figure SMS_18
其中，H(·)表示交叉熵损失函数，
Figure SMS_19
表示查询样本
Figure SMS_20
对应的真实标签，
Figure SMS_21
表示查询样本
Figure SMS_22
的预测标签
Figure SMS_23
和真实标签
Figure SMS_24
之间的交叉熵损失；
步骤3：构建模型的局部分支，其处理过程如下：
对于查询样本
Figure SMS_25
首先使用随机裁剪获取其相应的局部图像块
Figure SMS_26
其中r∈[1,R]，
Figure SMS_27
表示每个查询图像对应的局部图像块的个数，
Figure SMS_28
表示查询样本
Figure SMS_29
的第r个局部图像块；
然后，使用局部分支中的特征提取网络
Figure SMS_30
提取得到各个局部图像块对应的局部特征
Figure SMS_31
其中，局部分支中的特征提取网络
Figure SMS_32
采用ResNet-10网络；
接着，使用步骤2计算的原型对局部特征
Figure SMS_33
进行类别隶属关系预测，得到各个局部图像块对应的预测得分
Figure SMS_34
Figure SMS_35
其中，
Figure SMS_36
表示查询样本
Figure SMS_37
的第r个局部图像块
Figure SMS_38
的相似度得分，
Figure SMS_39
表示查询样本
Figure SMS_40
的第r个局部图像块
Figure SMS_41
的局部特征；
步骤4：按照下式计算模型的总损失
Figure SMS_42
Figure SMS_43
其中，I表示小样本任务中查询样本的总个数，
Figure SMS_44
表示查询样本
Figure SMS_45
的全局-局部知识蒸馏损失，
Figure SMS_46
表示跨图像的局部-全局蒸馏损失，λ1表示全局-局部知识蒸馏损失项的系数，设置λ1为1，λ2表示跨图像的局部-全局蒸馏损失项的系数，设置λ2为0.15；
所述的查询样本
Figure SMS_47
的全局-局部知识蒸馏损失
Figure SMS_48
按下式计算得到：
Figure SMS_49
所述的跨图像的局部-全局蒸馏损失
Figure SMS_50
按下式计算得到：
Figure SMS_51
其中，
Figure SMS_52
表示查询集
Figure SMS_53
中的第j个查询样本
Figure SMS_54
的第r个局部图像块的预测得分，j≠i表示j为与第i个查询样本属同一类别的不同样本，j＝1,2,…,N*M；
步骤5：根据步骤4计算的模型总损失，使用随机梯度下降法，端到端的训练全局分支的网络参数，并按下式进行局部分支的网络参数的更新：
θT←mθT+(1-m)θS(8)
其中，θT表示局部分支中的网络参数，m表示指数移动平均更新中的动量系数，设置m为0.998，θS表示全局分支中的网络参数，←表示更新操作；
步骤6：将待处理图像数据集输入到步骤5训练后得到的全局分支，预测得到其中每幅图像的隶属类别，完成图像分类。
本发明的有益效果是：通过训练阶段构建的全局-局部知识蒸馏框架促进全局特征关注到图像的局部信息，从而使模型能够学习到泛化性强的语义表征，提升在跨域小样本任务上的泛化性能；采用端到端的框架设计方式，一旦模型在源域(训练数据集)上训练完成之后，即可在任意目标域(待处理图像数据集)的小样本任务上进行测试，无需微调特征提取模型；本发明能够在跨域小样本图像分类中获得较好的分类效果。
具体实施方式
下面结合实施例对本发明进一步说明，本发明包括但不仅限于下述实施例。
本发明提供了一种基于全局-局部知识蒸馏的跨域小样本图像分类方法，其具体实现过程如下：
1、构建小样本任务训练数据集
跨域小样本图像分类任务要求模型在源域
Figure SMS_55
中进行训练，然后对目标域
Figure SMS_56
中的小样本任务进行处理。因此，首先基于现有的图像数据集构建小样本任务训练数据集，具体为：从数据集中随机采样N个类别，每个类别随机采样K个监督样本，这N*K个样本构成支持集
Figure SMS_57
同时，从N个类别随机采样M个未标记样本，这N*M个样本构成查询集
Figure SMS_58
2、全局分支计算
构建模型的全局分支，其处理过程如下：
首先，按照下式获得支持集
Figure SMS_59
的原型表示：
Figure SMS_60
其中，
Figure SMS_61
表示支持集
Figure SMS_62
中第n个类别的第k个样本，
Figure SMS_63
表示全局分支中的特征提取网络，本发明中采用ResNet-10网络，Cn表示第n个类别的原型表示，n＝1,2,…,N；
然后，基于原型表示对查询集
Figure SMS_64
中的每个样本进行类别隶属关系预测：
Figure SMS_65
其中，
Figure SMS_66
表示查询集
Figure SMS_67
中的第i个查询样本，i＝1,2,…,N*M，
Figure SMS_68
表示该样本的预测得分，matching(·)为两个向量之间的相似度度量函数，本发明中使用欧氏距离进行相似度度量；
接着，根据预测得分中的最大相似度对应的类别作为该查询样本的预测标签
Figure SMS_69
并根据查询样本的预测标签和真实标签计算交叉熵损失如下：
Figure SMS_70
其中，H(·)表示交叉熵损失函数，
Figure SMS_71
表示查询样本
Figure SMS_72
对应的真实标签，
Figure SMS_73
表示查询样本
Figure SMS_74
的预测标签
Figure SMS_75
和真实标签
Figure SMS_76
之间的交叉熵损失。
3、局部分支计算
构建模型的局部分支，其处理过程如下：
对于查询样本
Figure SMS_77
首先使用随机裁剪获取其相应的局部图像块
Figure SMS_78
其中r∈[1,R]，
Figure SMS_79
表示每个查询图像对应的局部图像块的个数，
Figure SMS_80
表示查询样本
Figure SMS_81
的第r个局部图像块；
然后，与步骤2类似，先使用局部分支中的特征提取网络
Figure SMS_82
提取得到各个局部图像块对应的局部特征
Figure SMS_83
其中，局部分支中的特征提取网络
Figure SMS_84
采用ResNet-10网络。再使用步骤2计算的原型对局部特征
Figure SMS_85
进行类别隶属关系预测，得到各个局部图像块对应的预测得分
Figure SMS_86
Figure SMS_87
其中，
Figure SMS_88
表示查询样本
Figure SMS_89
的第r个局部图像块
Figure SMS_90
的相似度得分，
Figure SMS_91
表示查询样本
Figure SMS_92
的第r个局部图像块
Figure SMS_93
的局部特征。
4、计算总损失
按照下式计算模型的总损失
Figure SMS_94
Figure SMS_95
其中，I表示小样本任务中查询样本的总个数，
Figure SMS_96
表示查询样本
Figure SMS_97
的全局-局部知识蒸馏损失，
Figure SMS_98
表示跨图像的局部-全局蒸馏损失，λ1表示全局-局部知识蒸馏损失项的系数，设置λ1为1，λ2表示跨图像的局部-全局蒸馏损失项的系数，设置λ2为0.15；
所述的查询样本
Figure SMS_99
的全局-局部知识蒸馏损失
Figure SMS_100
根据步骤2计算得到的全局特征对应的预测得分(相似度得分)
Figure SMS_101
和步骤3计算得到的局部特征对应的预测得分(相似度得分)
Figure SMS_102
计算得到，具体公式如下：
Figure SMS_103
所述的跨图像的局部-全局蒸馏损失
Figure SMS_104
是为了约束跨图像之间的语义一致性而进行的设计，其计算公式如下：
Figure SMS_105
其中，
Figure SMS_106
表示查询集
Figure SMS_107
中的第j个查询样本
Figure SMS_108
的第r个局部图像块的预测得分，j≠i表示j为与第i个查询样本属同一类别的不同样本，j＝1,2,…,N*M。
5、训练模型
根据步骤4计算的模型总损失，使用随机梯度下降法，端到端的训练全局分支的网络参数。对于局部分支的网络参数，使用全局分支的指数移动平均进行参数更新，即：
θT←mθT+(1-m)θS(16)
其中，θT表示局部分支中的网络参数，m表示指数移动平均更新中的动量系数，设置m为0.998，θS表示全局分支中的网络参数，←表示更新操作。
6、图像分类
模型训练完成之后，丢弃局部分支，只保留全局分支对目标域中的小样本图像进行分类处理，即将待处理图像数据集输入到步骤5训练后得到的全局分支，按照步骤2的计算过程，预测得到其中每幅图像的隶属类别，完成图像分类任务。
本发明能够在跨域小样本图像分类任务中取得较好的分类性能。例如，本实施例使用mini-ImageNet数据集作为源域的训练数据集进行模型训练，然后对遥感场景分类数据集EuroSAT以及医学图像数据集ISIC作为目标域进行分类处理，本发明方法在5-way 1-shot任务上(支持集中包含5个类别，每个类别中有1个样本)分别取得了63.70％和33.51％的分类精度，相比于现有基于原型的小样本图像分类方法分别提高了4.59％和1.78％。

Claims (1)

1.一种基于全局-局部知识蒸馏的跨域小样本图像分类方法，其特征在于步骤如下：
步骤1：基于现有的图像数据集构建小样本任务训练数据集，包括支持集
Figure FDA0004045018590000011
和查询集
Figure FDA0004045018590000012
其中，支持集
Figure FDA0004045018590000013
包括N个类别，每个类别带有K个监督样本，查询集
Figure FDA0004045018590000014
也包括这N个类别，每个类别带有M个未标记的样本；
步骤2：构建模型的全局分支，其处理过程如下：
首先，按照下式获得支持集
Figure FDA0004045018590000015
的原型表示：
Figure FDA0004045018590000016
其中，
Figure FDA0004045018590000017
表示支持集
Figure FDA0004045018590000018
中第n个类别的第k个样本，
Figure FDA0004045018590000019
表示全局分支中的特征提取网络，本发明中采用ResNet-10网络，Cn表示第n个类别的原型表示，n＝1,2,…,N；
然后，基于原型表示对查询集
Figure FDA00040450185900000110
中的每个样本进行类别隶属关系预测：
Figure FDA00040450185900000111
其中，
Figure FDA00040450185900000112
表示查询集
Figure FDA00040450185900000113
中的第i个查询样本，i＝1,2,…,N*M，
Figure FDA00040450185900000114
表示该样本的预测得分，matching(·)为两个向量之间的相似度度量函数，本发明中使用欧氏距离进行相似度度量；
接着，根据预测得分中的最大相似度对应的类别作为该查询样本的预测标签
Figure FDA00040450185900000115
并根据查询样本的预测标签和真实标签计算交叉熵损失如下：
Figure FDA00040450185900000116
其中，H(·)表示交叉熵损失函数，
Figure FDA00040450185900000117
表示查询样本
Figure FDA00040450185900000118
对应的真实标签，
Figure FDA00040450185900000119
表示查询样本
Figure FDA00040450185900000120
的预测标签
Figure FDA00040450185900000121
和真实标签
Figure FDA00040450185900000122
之间的交叉熵损失；
步骤3：构建模型的局部分支，其处理过程如下：
对于查询样本
Figure FDA00040450185900000123
首先使用随机裁剪获取其相应的局部图像块
Figure FDA00040450185900000124
其中r∈[1,R]，R表示每个查询图像对应的局部图像块的个数，
Figure FDA00040450185900000125
表示查询样本
Figure FDA00040450185900000126
的第r个局部图像块；
然后，使用局部分支中的特征提取网络
Figure FDA00040450185900000127
提取得到各个局部图像块对应的局部特征
Figure FDA0004045018590000021
其中，局部分支中的特征提取网络
Figure FDA0004045018590000022
采用ResNet-10网络；
接着，使用步骤2计算的原型对局部特征
Figure FDA0004045018590000023
进行类别隶属关系预测，得到各个局部图像块对应的预测得分
Figure FDA0004045018590000024
Figure FDA0004045018590000025
其中，
Figure FDA0004045018590000026
表示查询样本
Figure FDA0004045018590000027
的第r个局部图像块
Figure FDA0004045018590000028
的相似度得分，
Figure FDA0004045018590000029
表示查询样本
Figure FDA00040450185900000210
的第r个局部图像块
Figure FDA00040450185900000211
的局部特征；
步骤4：按照下式计算模型的总损失
Figure FDA00040450185900000212
Figure FDA00040450185900000213
其中，I表示小样本任务中查询样本的总个数，
Figure FDA00040450185900000214
表示查询样本
Figure FDA00040450185900000215
的全局-局部知识蒸馏损失，
Figure FDA00040450185900000216
表示跨图像的局部-全局蒸馏损失，λ1表示全局-局部知识蒸馏损失项的系数，设置λ1为1，λ2表示跨图像的局部-全局蒸馏损失项的系数，设置λ2为0.15；所述的查询样本
Figure FDA00040450185900000217
的全局-局部知识蒸馏损失
Figure FDA00040450185900000218
按下式计算得到：
Figure FDA00040450185900000219
所述的跨图像的局部-全局蒸馏损失
Figure FDA00040450185900000220
按下式计算得到：
Figure FDA00040450185900000221
其中，
Figure FDA00040450185900000222
表示查询集
Figure FDA00040450185900000223
中的第j个查询样本
Figure FDA00040450185900000224
的第r个局部图像块的预测得分，j≠i表示j为与第i个查询样本属同一类别的不同样本，j＝1,2,…,N*M；
步骤5：根据步骤4计算的模型总损失，使用随机梯度下降法，端到端的训练全局分支的网络参数，并按下式进行局部分支的网络参数的更新：
θT←mθT+(1-m)θS(8)其中，θT表示局部分支中的网络参数，m表示指数移动平均更新中的动量系数，设置m为0.998，θS表示全局分支中的网络参数，←表示更新操作；
步骤6：将待处理图像数据集输入到步骤5训练后得到的全局分支，预测得到其中每幅图像的隶属类别，完成图像分类。
CN202310038225.5A 2023-01-09 2023-01-09 一种基于全局-局部知识蒸馏的跨域小样本图像分类方法 Pending CN115953630A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310038225.5A CN115953630A (zh) 2023-01-09 2023-01-09 一种基于全局-局部知识蒸馏的跨域小样本图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310038225.5A CN115953630A (zh) 2023-01-09 2023-01-09 一种基于全局-局部知识蒸馏的跨域小样本图像分类方法

Publications (1)

Publication Number Publication Date
CN115953630A true CN115953630A (zh) 2023-04-11

Family

ID=87296752

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310038225.5A Pending CN115953630A (zh) 2023-01-09 2023-01-09 一种基于全局-局部知识蒸馏的跨域小样本图像分类方法

Country Status (1)

Country Link
CN (1) CN115953630A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116630721A (zh) * 2023-06-14 2023-08-22 电子科技大学中山学院 基于局部特征补全的图像分类方法、装置、设备及介质
CN116994076A (zh) * 2023-09-28 2023-11-03 中国海洋大学 一种基于双分支相互学习特征生成的小样本图像识别方法
CN117196070A (zh) * 2023-11-08 2023-12-08 山东省计算中心（国家超级计算济南中心） 一种面向异构数据的双重联邦蒸馏学习方法及装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116630721A (zh) * 2023-06-14 2023-08-22 电子科技大学中山学院 基于局部特征补全的图像分类方法、装置、设备及介质
CN116630721B (zh) * 2023-06-14 2024-02-13 电子科技大学中山学院 基于局部特征补全的图像分类方法、装置、设备及介质
CN116994076A (zh) * 2023-09-28 2023-11-03 中国海洋大学 一种基于双分支相互学习特征生成的小样本图像识别方法
CN116994076B (zh) * 2023-09-28 2024-01-19 中国海洋大学 一种基于双分支相互学习特征生成的小样本图像识别方法
CN117196070A (zh) * 2023-11-08 2023-12-08 山东省计算中心（国家超级计算济南中心） 一种面向异构数据的双重联邦蒸馏学习方法及装置
CN117196070B (zh) * 2023-11-08 2024-01-26 山东省计算中心（国家超级计算济南中心） 一种面向异构数据的双重联邦蒸馏学习方法及装置

Similar Documents

Publication Publication Date Title
CN110414368B (zh) 一种基于知识蒸馏的无监督行人重识别方法
CN111259786B (zh) 一种基于视频的外观和运动信息同步增强的行人重识别方法
CN115953630A (zh) 一种基于全局-局部知识蒸馏的跨域小样本图像分类方法
CN111126360A (zh) 基于无监督联合多损失模型的跨域行人重识别方法
CN105913087B (zh) 基于最优池化卷积神经网络的物体识别方法
CN111539370A (zh) 一种基于多注意力联合学习的图像行人重识别方法和系统
CN112241762B (zh) 一种用于病虫害图像分类的细粒度识别方法
CN108596038B (zh) 一种结合形态学分割和神经网络的粪便中红细胞识别方法
CN111639564B (zh) 一种基于多注意力异构网络的视频行人重识别方法
CN111611889B (zh) 基于改进卷积神经网络的农田微型虫害识别装置
CN115527269B (zh) 一种人体姿态图像智能识别方法及系统
CN111462173B (zh) 基于孪生网络判别特征学习的视觉跟踪方法
CN114676769A (zh) 一种基于视觉Transformer的小样本昆虫图像识别方法
CN116310466A (zh) 基于局部无关区域筛选图神经网络的小样本图像分类方法
CN112507893A (zh) 一种基于边缘计算的分布式无监督行人重识别方法
CN111444816A (zh) 一种基于Faster RCNN的多尺度密集行人检测方法
CN111242028A (zh) 基于U-Net的遥感图像地物分割方法
CN111832479B (zh) 基于改进的自适应锚点r-cnn的视频目标检测方法
CN116229512A (zh) 基于跨摄像头自蒸馏的行人重识别模型建立方法及其应用
CN114581769A (zh) 一种基于无监督聚类的在建房屋识别方法
CN115100694A (zh) 一种基于自监督神经网络的指纹快速检索方法
CN115374931A (zh) 一种基于元对抗训练的深度神经网络鲁棒性增强方法
CN114445691A (zh) 模型训练方法、装置、电子设备及存储介质
CN114241380A (zh) 一种基于类别标签和属性注释的多任务属性场景识别方法
CN112465821A (zh) 一种基于边界关键点感知的多尺度害虫图像检测方法

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