CN116612335A - 一种基于对比学习的少样本细粒度图像分类方法 - Google Patents
一种基于对比学习的少样本细粒度图像分类方法 Download PDFInfo
- Publication number
- CN116612335A CN116612335A CN202310878846.4A CN202310878846A CN116612335A CN 116612335 A CN116612335 A CN 116612335A CN 202310878846 A CN202310878846 A CN 202310878846A CN 116612335 A CN116612335 A CN 116612335A
- Authority
- CN
- China
- Prior art keywords
- sample
- learning
- query
- features
- contrast
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 238000012795 verification Methods 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 230000009466 transformation Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 6
- 238000013459 approach Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005541 medical transmission Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- 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
- G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (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
本发明公开了一种基于对比学习的少样本细粒度图像分类方法，属于深度学习和计算机视觉领域，包括：将原始数据集进行划分，创建元训练集、元验证集和元测试集，对于每个任务，使用抽样技术从元训练集中划分出支持集和查询集，用一个共享权重的转换器作为支持集和查询集的嵌入特征提取器；对从转换器中提取支持集和查询集的嵌入特征进行处理，获得用于对比学习的特征表示，在生成对比学习特征之后，对这些特征进行正则化处理，去除数据增强对特征的影响；然后进行对比学习和损失计算及类别预测和模型训练。本发明具有较高识别精度。
Description
技术领域
本发明涉及深度学习和计算机视觉领域，具体来说涉及一种基于对比学习的少样本细粒度图像分类方法。
背景技术
少样本细粒度图像分类任务是一项很有应用场景的任务，可以广泛应用于商品零售、 车辆识别、 智慧农业等领域。例如在智慧农业中，少样本细粒度学习可以帮助农民对农作物进行精细分类和监测。通过对植物叶子的图像进行分析和识别，可以实现对不同作物、病害和虫害的快速检测。这有助于农民及时采取措施，防止疾病传播并提高农作物的产量和质量。通常而言，深度学习需要大量的标注数据才能达到比较好的精度，而在现实场景中，人力标注的数据集价格昂贵，尤其是对于专业领域的数据集而言。其次，仅有少量的标注数据也能满足实际应用。基于以上两点，业界越来越多地关注少样本学习。少样本学习旨在仅用少量有标签的样本进行学习，训练出一个在少样本任务上泛化能力强的模型。少样本学习普遍使用的方法是元学习，大致分为三种：基于度量的方法、基于优化的方法以及生成模型。基于度量的方法是少样本学习中的普遍使用的方法，它的目的是学习样本到用于分类的样本之间的距离矩阵。基于优化的方法是学习一种方程能够将输入映射到输出，并用它去识别新样本。而生成模型则通过已有样本构建新样本，并使用构建出来的新样本去完成识别任务。少样本学习是深度学习中的活跃领域，有许多挑战仍待解决，比如如何更好的利用少量的标签信息，从中提取关键信息。如何更好的提高模型泛化到新任务中的能力等。
细粒度图像分类的研究对象是图像中物体的次级分类。在细粒度图像分类任务中，通常会给定一个包含来自同样次级分类的图片的数据集和一个查询图片，任务的目的就是返回与查询图片属于同一变体的图片。区别于传统的图像分类往往关注于图像中物体的主类别，这对研究方法在识别物体细节等方面提出了更高的要求，因为细粒度图像只有微小的差别。早期的细粒度图像分类任务大多使用了基于卷积神经网络网络（CNN）的方法，通过深度标识符来定位图像的关键性区域从而取得了比较的的效果。与此同时，也有学者通过度量学习来研究新型的损失函数而非使用预训练好的CNN模型。此外，研究一个为细粒度图像分析量身定做的模块也是一种常用的研究方法。
少样本细粒度图像分类任务是结合了少样本学习和细粒度分类两个研究领域的任务，因此它面临的挑战也来自这两个领域。在少样本细粒度图像分类的设定下，通常的少样本学习方法和细粒度图像分类方法都难以取得较好的成果，其主要的原因在于从少量标注的样本中发掘出图像中细微的差距极其困难。在任务中，数据集被划分为训练集和测试集两个部分，这两个集合类别不相交。神经网络需要在训练集上进行训练，在训练的过程中，模型需要学习到细粒度图像类内差异大、类间差异小的特点，并且在测试集上，仅需使用少量监督样本就可以完成对新类的识别区分。基于这两点挑战，业界主要是在元学习的框架下进行细粒度方法的研究，通过元学习的方式学习使模型能够快速的泛化到新的类别中，再使用一些细粒度方法比如双线性池化、生成图像融合等获取高阶特征来挖掘图像之间的微小差异。
虽然现有的方法一定程度上能够处理少样本细粒度图像分类问题，如申请公布号CN 115170823于2022年10月11日公开了一种基于部件级滤波器族的少样本细粒度图像识别方法，但却存在分类精度有待提高，现有的少样本细粒度方法与常用的有监督方法还有一点差距；授权公告号CN114119969于2022年10月11日公开了一种基于双注意力流的少样本细粒度图像识别方法，该方法更多的使用图像的高阶特征新型进行分类，而缺少挖掘细粒度部件之间的内在联系。
发明内容
本发明的目的在于提供一种具有较高识别精度的基于对比学习的少样本细粒度图像分类方法。
本发明的一种基于对比学习的少样本细粒度图像分类方法，包括以下步骤：
步骤1，数据集划分和特征提取：将原始数据集进行划分，创建元训练集、元验证集和元测试集；
对于每个任务，使用抽样技术从元训练集中划分出支持集和查询集，支持集用于训练模型，包含每个类别的少量样本；查询集用于评估模型性能，包含剩余的样本；
用一个共享权重的转换器（通常是Transformer）作为支持集和查询集的嵌入特征提取器，转换器通过多层自注意力机制和前馈神经网络层，将输入样本映射到高维嵌入特征空间，这些嵌入特征编码了样本的语义信息和结构特征，作为后续步骤的输入；
步骤2，非线性变换和正则化处理：对从转换器中提取的支持集和查询集的嵌入特征进行处理，获得用于对比学习的特征表示，在生成对比学习特征之后，对这些特征进行正则化处理，去除数据增强对特征的影响；
步骤3，对比学习和损失计算：使用经过步骤2处理后的嵌入特征来计算查询样本和支持样本之间的相似度，使用余弦相似度或欧氏距离等度量来衡量查询样本和支持样本之间的相似程度，在学习过程中，将支持集中与查询集样本的标签一致的样本作为正例，不一致的样本作为反例，在对比学习中，算法被训练最大化相似数据点之间的相似度，并最小化不相似数据点之间的相似度；通过对比学习函数可以计算得到对比损失，来推动模型学习更有区分性的特征表示；
步骤4，类别预测和模型训练：利用经过步骤2处理后的嵌入特征基于原型网络计算距离分数，用于进行类别预测，通过计算查询样本与每个类别原型的距离，可以得到距离分数，进行类别预测，同时，联立对比损失函数进行模型训练，通过反向传播算法和梯度下降优化器，更新模型的参数，能够学习到更具判别性的特征表示和更准确的类别预测。
上述的一种基于对比学习的少样本细粒度图像分类方法，其中步骤2所述的获得用于对比学习的特征表示的方法为：引入一个可训练的非线性变换层，这个变换层为一个全连接层或卷积层，用于学习将嵌入特征映射到更有用的表示空间，生成对比学习特征。
本发明与现有技术相比，具有明显的有益效果，从以上技术方案可知：本发明使用了对比学习方法，对细粒度图像之间的部件级联系进行了进一步的挖掘；对于查询集和支持集，构建了正反例，丰富了细粒度训练过程中的样本的内在关系,从而具有了较高的识别精度。
附图说明
图1为本发明的流程示意图。
具体实施方式
以下结合附图及较佳实施例，对依据本发明提出的一种基于对比学习的少样本细粒度图像分类方法的具体实施方式、结构、特征及其功效，详细说明如后。
参见图1，本发明的一种基于对比学习的少样本细粒度图像分类方法，包括以下步骤：
步骤1，数据集划分和特征提取：将原始数据集进行划分，创建元训练集、元验证集和元测试集（这样的划分可以保证在整体上对模型进行训练、验证和评估）；
在元学习的设定中，将数据集划分为支持集和查询集，每一个支持集和查询集构成一个任务，在每一个轮次（episode）中，随机选取该轮次中使用的类，以及每个类中选取的支持样本和查询样本，并将支持样本和查询样本按序排列，从而更好的对支持集和查询集进行划分；对于每个任务，使用抽样技术从元训练集中划分出支持集（support set）和查询集（query set），支持集用于训练模型，包含每个类别的少量样本（例如，每个类别一个样例）；查询集用于评估模型性能，包含剩余的样本；
用一个共享权重的转换器（通常是Transformer）作为支持集和查询集的嵌入特征（embeddings）提取器，转换器通过多层自注意力机制和前馈神经网络层，将输入样本映射到高维嵌入特征空间，对于任意的输入 ，它经过一个transformer特征提取/>网络，可以得到一个嵌入特征/>，其中R代表实数，B与D分别代表这一个轮次中选取的样本数以及特征维度，将所有样本中前/>个样本作为支持样本，n_way和n_shot分别代表每次采样的类别数和每一个类别采样的样本数，剩余的样本作为查询样本，即得到嵌入特征/>，其中concat代表拼接操作，n_s和n_q分别代表支持集和查询集对每个类采样的样本数，D代表之前的特征维度；这些嵌入特征编码了样本的语义信息和结构特征，作为后续步骤的输入；
步骤2，非线性变换和正则化处理：对从转换器中提取的支持集和查询集的嵌入特征进行处理，获得用于对比学习的特征表示，为此，引入一个可训练的非线性变换层。这个变换层可以是一个全连接层或卷积层，它可以学习将嵌入特征映射到更有用的表示空间。提取到的嵌入特征在通过一个可训练的非线性变换层得到用于对比学习的嵌入特征，对这些特征进行正则化处理，去除数据增强对特征的影响；例如，可以应用批量归一化或L2范数归一化等技术。这有助于减少特征之间的方差，并使它们更具可比性和鲁棒性。
将嵌入特征，通过一个可训练的非线性变换层得到用于对比学习的嵌入特征，并将该嵌入特征做正则化处理,去掉数据增强的影响,得到/>；（对于对比学习而言，直接使用特征提取网络的输出进行损失计算是不可取的，因为其中包含了大量数据增强的噪音。为了得到更好的嵌入表征用于接下来的对比损失计算，需要将从transformer特征提取器中得到的嵌入特征通过一个非线性变换层，然后做正则化处理，得到支持集和查询集的嵌入表征），使用一个带有上采样和下采样的自适应块作为非线性变换层，对于嵌入特征/>，将它通过非线性变换层得到去噪音的嵌入特征，为了避免模型出现过拟合的情况，进一步对嵌入特征进行正则化处理，得到/>，如公式所示：, 其中/>和/>分别代表正则化操作和非线性变换层adapter；
步骤3，对比学习和损失计算：对比学习是通过比较查询样本和支持样本之间的相似度来学习特征表示的一种方法。使用经过步骤2处理后的嵌入特征来计算样本之间的相似度，使用余弦相似度或欧氏距离等度量来衡量查询样本和支持样本之间的相似程度，在学习过程中，将支持集中与查询集样本的标签一致的样本作为正例，不一致的样本作为反例，通过最大化正例之间的相似度（即增大查询样本和对应的正例支持样本之间的相似度）并最小化反例之间的相似度（即减小查询样本和对应的反例支持样本之间的相似度），来推动模型学习更有区分性的特征表示；
对进行相似度计算，将支持集中与查询集样本的标签一致的样本作为正例，不一致的样本作为反例，进行对比损失计算（对比学习中最为关键的点在于构建正例和反例，在自监督学习当中，往往会使用数据增强的方式构建正反例，一张图片通过不同的数据增强方法得到的增广图像互为正例，其他图像作为反例，首先通过计算查询集与支持集的相似度矩阵，得到每一个查询样本与每一个支持样本的相似度，此时利用少样本学习中的标签信息，将与查询样本的标签相同的支持样本作为正样本，与查询样本的标签不同的支持样本作为负样本，在得到正负样本之后，进行对比损失的计算）；在上面的步骤中已经得到/>记查询集的嵌入特征为，支持集的嵌入特征为/>，对于相似度矩阵，使用张量计算就可以获得：/>，其中einsum代表爱因斯坦求和函数，紧接着建立一个具有相同大小的掩码矩阵/> 已知相似度矩阵对角线的元素即为标签对应的样本，因此使用掩码矩阵可以筛选出正例/>和反例/>, 记为/>和/>，得到正负例后就可以进行对比损失的计算，使用InfoNCE loss作为对比损失，公式如下：/>, 其中/>为温度系数，k_i代表所有样本，k_+代表正例样本；
步骤4，类别预测和模型训练：利用利用经过步骤2处理后的嵌入特征基于原型网络计算距离分数，用于进行类别预测，原型网络是一种基于距离度量的分类器，它使用支持集中每个类别的原型向量来表示该类别的中心，通过计算查询样本与每个类别原型的距离，可以得到距离分数，进行类别预测，同时，联立对比损失函数进行模型训练，通过反向传播算法和梯度下降优化器，更新模型的参数，能够学习到更具判别性的特征表示和更准确的类别预测。
利用嵌入特征基于原型网络计算距离分数，并于对比损失联立进行类别预测和模型训练，接着使用查询集和支持集的嵌入特征基于原型网络进行学习，原型网络将分类任务看作在语义空间内寻找每一类的原型中心；使用欧几里得距离的平方来度量查询集到支持集所在类别的原型中心的距离，记为score，为了使模型更好的学习到少样本之间的微小差距，将原型网络得到的距离分数与步骤3中所得的对比损失联立作为新的损失函数，记为，λ为一个自定义的超参数。
本发明在通用数据集上的精度的优势如表1所示，表中的数据是5-way 1-shot实验设置下的精度:
表1
以上的步骤仅用于说明本发明的技术方案，而非对其进行限制；尽管参照前述步骤对本发明进行了详细的说明，本领域的普通技术人员应当可以理解：其依然可以对前述各步骤所记载的技术方案进行修改，或对其中的技术进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (3)
1.一种基于对比学习的少样本细粒度图像分类方法，包括以下步骤：
步骤1，数据集划分和特征提取：将原始数据集进行划分，创建元训练集、元验证集和元测试集；
对于每个任务，使用抽样技术从元训练集中划分出支持集和查询集，支持集用于训练模型，包含每个类别的少量样本；查询集用于评估模型性能，包含剩余的样本；
用一个共享权重的转换器作为支持集和查询集的嵌入特征提取器，转换器通过多层自注意力机制和前馈神经网络层，将输入样本映射到高维嵌入特征空间，这些嵌入特征编码了样本的语义信息和结构特征，作为后续步骤的输入；
步骤2，非线性变换和正则化处理：对从转换器中提取的支持集和查询集的嵌入特征进行处理，通过一个可训练的非线性变换层得到用于对比学习的嵌入特征，并将该嵌入特征做正则化处理，去除数据增强对特征的影响；
步骤3，对比学习和损失计算：使用经过步骤2处理后的嵌入特征来计算查询样本和支持样本之间的相似度，使用余弦相似度或欧氏距离等度量来衡量查询样本和支持样本之间的相似程度，在学习过程中，将支持集中与查询集样本的标签一致的样本作为正例，不一致的样本作为反例，在对比学习中，算法被训练最大化相似数据点之间的相似度，并最小化不相似数据点之间的相似度；通过对比学习函数可以计算得到对比损失，来推动模型学习更有区分性的特征表示；
步骤4，类别预测和模型训练：利用经过步骤2处理后的嵌入特征基于原型网络计算距离分数，用于进行类别预测，通过计算查询样本与每个类别原型的距离，可以得到距离分数，进行类别预测，同时，将原型网络得到的距离分数与之前所得的对比损失联立作为新的损失函数，通过反向传播算法和梯度下降优化器，更新模型的参数，能够学习到更具判别性的特征表示和更准确的类别预测。
2.如权利要求1所述的一种基于对比学习的少样本细粒度图像分类方法，其中步骤1所述的转换器为Transformer。
3.如权利要求1或2所述的一种基于对比学习的少样本细粒度图像分类方法，其中步骤2所述的获得用于对比学习的特征表示的方法为：引入一个可训练的非线性变换层，这个变换层为一个全连接层或卷积层，用于学习将嵌入特征映射到更有用的表示空间，生成对比学习特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310878846.4A CN116612335B (zh) | 2023-07-18 | 2023-07-18 | 一种基于对比学习的少样本细粒度图像分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310878846.4A CN116612335B (zh) | 2023-07-18 | 2023-07-18 | 一种基于对比学习的少样本细粒度图像分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116612335A true CN116612335A (zh) | 2023-08-18 |
| CN116612335B CN116612335B (zh) | 2023-09-19 |
Family
ID=87682113
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310878846.4A Active CN116612335B (zh) | 2023-07-18 | 2023-07-18 | 一种基于对比学习的少样本细粒度图像分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116612335B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117557840A (zh) * | 2023-11-10 | 2024-02-13 | 中国矿业大学 | 一种基于小样本学习的眼底病变分级方法 |
| CN117671673A (zh) * | 2023-11-21 | 2024-03-08 | 江南大学 | 一种基于自适应张量子空间的小样本宫颈细胞分类方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112633382A (zh) * | 2020-12-25 | 2021-04-09 | 浙江大学 | 一种基于互近邻的少样本图像分类方法及系统 |
| CN113255793A (zh) * | 2021-06-01 | 2021-08-13 | 之江实验室 | 一种基于对比学习的细粒度舰船识别方法 |
| CN113537305A (zh) * | 2021-06-29 | 2021-10-22 | 复旦大学 | 一种基于匹配网络少样本学习的图像分类方法 |
| CN114548256A (zh) * | 2022-02-18 | 2022-05-27 | 南通大学 | 一种基于对比学习的小样本珍稀鸟类识别方法 |
| CN114782733A (zh) * | 2021-12-21 | 2022-07-22 | 一拓通信集团股份有限公司 | 一种基于对比学习的小样本图像分类方法 |
| CN114913379A (zh) * | 2022-06-08 | 2022-08-16 | 西安电子科技大学 | 基于多任务动态对比学习的遥感图像小样本场景分类方法 |
| CN114943859A (zh) * | 2022-05-05 | 2022-08-26 | 兰州理工大学 | 面向小样本图像分类的任务相关度量学习方法及装置 |
| CN114972737A (zh) * | 2022-06-08 | 2022-08-30 | 湖南大学 | 基于原型对比学习的遥感图像目标检测系统及方法 |
| US20220309633A1 (en) * | 2021-03-16 | 2022-09-29 | Monsters Aliens Robots Zombies Inc. | Method and system for image processing |
| CN115170868A (zh) * | 2022-06-17 | 2022-10-11 | 湖南大学 | 一种基于聚类的小样本图像分类两阶段元学习方法 |
| CN115496987A (zh) * | 2022-09-29 | 2022-12-20 | 电子科技大学 | 一种基于深度双相似性度量网络的小样本sar目标识别方法 |
| CN115953665A (zh) * | 2023-03-09 | 2023-04-11 | 武汉人工智能研究院 | 一种目标检测方法、装置、设备及存储介质 |
| CN115984621A (zh) * | 2023-01-09 | 2023-04-18 | 宁波拾烨智能科技有限公司 | 一种基于限制性原型对比网络的小样本遥感图像分类方法 |
-
2023
- 2023-07-18 CN CN202310878846.4A patent/CN116612335B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112633382A (zh) * | 2020-12-25 | 2021-04-09 | 浙江大学 | 一种基于互近邻的少样本图像分类方法及系统 |
| US20220309633A1 (en) * | 2021-03-16 | 2022-09-29 | Monsters Aliens Robots Zombies Inc. | Method and system for image processing |
| CN113255793A (zh) * | 2021-06-01 | 2021-08-13 | 之江实验室 | 一种基于对比学习的细粒度舰船识别方法 |
| CN113537305A (zh) * | 2021-06-29 | 2021-10-22 | 复旦大学 | 一种基于匹配网络少样本学习的图像分类方法 |
| CN114782733A (zh) * | 2021-12-21 | 2022-07-22 | 一拓通信集团股份有限公司 | 一种基于对比学习的小样本图像分类方法 |
| CN114548256A (zh) * | 2022-02-18 | 2022-05-27 | 南通大学 | 一种基于对比学习的小样本珍稀鸟类识别方法 |
| CN114943859A (zh) * | 2022-05-05 | 2022-08-26 | 兰州理工大学 | 面向小样本图像分类的任务相关度量学习方法及装置 |
| CN114972737A (zh) * | 2022-06-08 | 2022-08-30 | 湖南大学 | 基于原型对比学习的遥感图像目标检测系统及方法 |
| CN114913379A (zh) * | 2022-06-08 | 2022-08-16 | 西安电子科技大学 | 基于多任务动态对比学习的遥感图像小样本场景分类方法 |
| CN115170868A (zh) * | 2022-06-17 | 2022-10-11 | 湖南大学 | 一种基于聚类的小样本图像分类两阶段元学习方法 |
| CN115496987A (zh) * | 2022-09-29 | 2022-12-20 | 电子科技大学 | 一种基于深度双相似性度量网络的小样本sar目标识别方法 |
| CN115984621A (zh) * | 2023-01-09 | 2023-04-18 | 宁波拾烨智能科技有限公司 | 一种基于限制性原型对比网络的小样本遥感图像分类方法 |
| CN115953665A (zh) * | 2023-03-09 | 2023-04-11 | 武汉人工智能研究院 | 一种目标检测方法、装置、设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| CHUANMING WANG等: "PaCL: Part-level Contrastive Learning for Fine-grained Few-shot Image Classification", 《MM \'22: PROCEEDINGS OF THE 30TH ACM INTERNATIONAL CONFERENCE ON MULTIMEDIA》, pages 6416 - 6424 * |
| 朱俊杰: "面向小样本图像分类的度量元学习方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 03, pages 138 - 1430 * |
| 鲜维富: "基于深度学习的小样本图像分类与检测算法研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 01, pages 138 - 2347 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117557840A (zh) * | 2023-11-10 | 2024-02-13 | 中国矿业大学 | 一种基于小样本学习的眼底病变分级方法 |
| CN117557840B (zh) * | 2023-11-10 | 2024-05-24 | 中国矿业大学 | 一种基于小样本学习的眼底病变分级方法 |
| CN117671673A (zh) * | 2023-11-21 | 2024-03-08 | 江南大学 | 一种基于自适应张量子空间的小样本宫颈细胞分类方法 |
| CN117671673B (zh) * | 2023-11-21 | 2024-05-28 | 江南大学 | 一种基于自适应张量子空间的小样本宫颈细胞分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116612335B (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116612335B (zh) | 一种基于对比学习的少样本细粒度图像分类方法 | |
| WO2019015246A1 (zh) | 图像特征获取 | |
| Mac Aodha et al. | Putting the scientist in the loop--Accelerating scientific progress with interactive machine learning | |
| CN109255289A (zh) | 一种基于统一式生成模型的跨衰老人脸识别方法 | |
| CN114176607A (zh) | 一种基于视觉Transformer的脑电信号分类方法 | |
| Ha et al. | Fine-grained interactive attention learning for semi-supervised white blood cell classification | |
| Nawaz et al. | CoffeeNet: A deep learning approach for coffee plant leaves diseases recognition | |
| CN104573699A (zh) | 基于中等场强磁共振解剖成像的实蝇识别方法 | |
| CN111639697B (zh) | 基于非重复采样与原型网络的高光谱图像分类方法 | |
| CN110781828A (zh) | 一种基于微表情的疲劳状态检测方法 | |
| CN112668486A (zh) | 一种预激活残差深度可分离卷积网络面部表情识别方法、装置和载体 | |
| Shi et al. | Hyperspectral image classification based on dual-branch spectral multiscale attention network | |
| Singh et al. | Apple Disease Classification Built on Deep Learning | |
| CN113486202A (zh) | 小样本图像分类的方法 | |
| Dsouza et al. | Real Time Facial Emotion Recognition Using CNN | |
| CN116311504A (zh) | 一种小样本行为识别方法、系统及设备 | |
| Yücel et al. | Classification of tea leaves diseases by developed CNN, feature fusion, and classifier based model | |
| CN117011577A (zh) | 图像分类方法、装置、计算机设备和存储介质 | |
| CN104778479B (zh) | 一种基于稀疏编码提取子的图像分类方法及系统 | |
| CN113627522A (zh) | 基于关系网络的图像分类方法、装置、设备及存储介质 | |
| Gois et al. | Malaria Blood Smears Object Detection Based on Convolutional DCGAN and CNN Deep Learning Architectures | |
| CN104573746A (zh) | 基于磁共振成像的实蝇种类识别方法 | |
| CN111401519A (zh) | 一种基于物体内和物体间相似性距离的深层神经网络无监督学习方法 | |
| Kumar et al. | Image classification in python using Keras | |
| Patel et al. | Parallel Custom Deep Learning Model for Classification of Plant Leaf Disease Using Fusion of Features. |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |