CN117036790A - 一种小样本条件下的实例分割多分类方法 - Google Patents
一种小样本条件下的实例分割多分类方法 Download PDFInfo
- Publication number
- CN117036790A CN117036790A CN202310913802.0A CN202310913802A CN117036790A CN 117036790 A CN117036790 A CN 117036790A CN 202310913802 A CN202310913802 A CN 202310913802A CN 117036790 A CN117036790 A CN 117036790A
- Authority
- CN
- China
- Prior art keywords
- network
- segmentation
- sample
- model
- target
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000013140 knowledge distillation Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims abstract description 10
- 238000013508 migration Methods 0.000 claims abstract description 6
- 230000005012 migration Effects 0.000 claims abstract description 6
- 238000003709 image segmentation Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 14
- 238000013461 design Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 239000012752 auxiliary agent Substances 0.000 claims description 3
- 238000013501 data transformation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000004821 distillation Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/096—Transfer 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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (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条件下的实例分割多分类方法,首先利用大规模图像分割模型结构,如openAI的segmentAnything,在庞大的无标注数据集上进行预测,对对应的实验场景进行知识蒸馏;随后,迁移到指定的分割数据集中进行微调,实现不含语义的分割结构;最后,利用少量多类型的样本进行度量匹配,以实现最终的矢量斑块语义赋予。本发明从大模型背景出发,利用知识蒸馏、模型迁移、度量学习等思路,构建了一种少样本多任务实例分割任务方法。
Description
技术领域
本发明属于计算机视觉领域,具体涉及一种小样本条件下的实例分割多分类方法。
背景技术
近几年来,随着深度学习快速发展,不同的任务模式被发展出来应用到了各行各业,其中实例分割模型便是一种典型的深度学习任务模式,其用于将图像中的每个对象分割成不同的实例。但就目前的发展来看,为了训练一个有效的实例分割网络,能够准确地识别和分割不同的对象,通常需要数千到数万个样本来训练一个有效的实例分割网络。其次,在面对多类别的实例分割任务时,样本还应具有涵盖多种场景,以便模型能适应各种情况,避免产生过拟合的现象,最后,为实现对于不同类型的有效识别,训练的数据应平衡地包含不同的样本类别,以便实例分割网络能够识别和分割不同的对象。综合来看,实例分割任务通常需要有大量、高质量、多样性、平衡性和准确标注的样本来训练。在满足这些条件的情况下,实例分割网络才能够有效地识别和分割不同的对象。
可以预见,随着技术的不断发展,实例分割网络的性能和应用范围将会不断扩展和提高,但目前来看,实例分割网络的发展依然受制于大量高质量的样本标注。在目前的深度学习条件下看来,越详细的样本标注需要的工序就越多,成本也就越高。因此,大多研究人员都面临着不平衡的数据组成,其通常由庞大的无标注数据、少量地标注矢量和极少量的语义标注矢量构成。因此,一种小样本条件下的实例分割方法成为了研究者们必要的选择,如何在当前数据条件下实现更好的模型预测效果是当今需要关注的核心问题。
发明内容
为解决上述技术问题,本发明提供一种小样本条件下的实例分割多分类方法,从大模型背景出发,利用知识蒸馏、模型迁移、度量学习等思路,构建了一种少样本多任务实例分割任务方法。
为达到上述目的,本发明采用如下技术方案:
一种小样本条件下的实例分割多分类方法,包括如下步骤:
步骤1、利用大规模图像分割模型结构,在庞大的无标注数据集上进行预测,对对应的实验场景进行知识蒸馏,得到蒸馏后的目标网络结构;
步骤2、大模型蒸馏后的网络模型迁移到指定的分割数据集中进行微调,实现不含语义的分割结构;
步骤3、利用少量多类型的样本在蒸馏的网络模型上进行度量匹配,以实现最终的矢量斑块语义赋予。
进一步地,所述步骤1包括:将原始影像经过数据变换增强得到一幅新的图片,随后,将变换后影像同步输入到大模型教师网络以及独立定制设计的学生网络,将生成的结果对比构建损失,以此训练学生网络,其中,整个过程的教师网络参数保持不变,学生网络按设计的学习率迭代训练;所述独立定制设计的学生网络指根据目标任务的特点设计的与目标任务所适应的网络架构。
进一步地,所述步骤2包括:
第一步:根据目标任务的类型,设计相应的辅助代理任务,在步骤1中的从大模型教师网络中学习得到的学生网络的基础上进一步对特征网络进行引导,对特征网络进行进一步训练,使特征网络参数更适合在目标任务中应用;
第二步:基于少量实例分割标注样本,进行预训练网络迁移学习,将第一步得到的特征网络参数固定,在少量样本训练下拟合网络;
第三步:将拟合完成的网络进行测试,保留多次训练中效果最好的网络。
进一步地,所述步骤3包括:
第一步:构建支撑数据集,利用实例网络将样本投影到一个空间,形成特征向量;
第二步:根据语义实例样本计算每个类别的中心,以聚集度以及与其他类别中心的聚类来判断目标是否为样本中心,其中样本中心的的特征是比它们的邻居密度更高,并且与密度更高的点相距相对较大,计算方法如下列公式所示,其中dc为根据场景设计选择的距离,dij为考察点与其他点的空间距离,δi是通过计算点i与具有更高密度的任何其它点之间的最小距离来测量的,最终选择ρi与δi均较大的点作为类别中心,其中,ρi统计了目标点与周边点距离小于某一定值的数目,用以反映点的密度;δi表示目标点距离比其密度更大的点的空间距离,并取这部分的最小值;类别中心的密度较高,并且与其他类别中心的距离较远:
其中,n表示某一类别中样本的个数,dij表示第i个样本与第j个样本的空间距离,表示第i个点与空间中密度大于其的样本的最小距离,/>是一个截断函数,在公式(1)中用来计算点的密度;
第三步:在分类的时候,通过对比其中实例目标到样本中心的距离,从而分析出目标的类别。
有益效果:
本发明可有效利用庞大的无标注样本提供背景信息,从大模型中通过蒸馏获取对于目标任务有益的背景信息,并在仅有少量标注样本的条件下实现了对于目标语义信息的获取。
附图说明
图1为知识蒸馏示意图;
图2为原型网络匹配原理图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明的一种小样本条件下的实例分割多分类方法,首先利用大规模图像分割模型结构,如openAI的segment Anything,在庞大的无标注数据集上进行预测,对对应的实验场景进行知识蒸馏;随后,将大模型蒸馏后的网络模型迁移到指定的分割数据集中进行微调,实现不含语义的分割结构;最后,利用少量多类型的样本进行度量匹配,以实现最终的矢量斑块语义赋予。具体包括如下步骤:
步骤1、进行无标注数据场景知识蒸馏:
在训练的时候,通常会花费一切的资源和算力去训练模型,得到的结果也是非常好的,但是在应用落地的时候,模型会存在体量过大,不适用于原有场景的问题,为了解决这样的现象,提出知识蒸馏的算法理论,将庞大的教师模型的重要的内容让学生模型来逼近和训练,让参数量少的学生模型能够和教师模型的效果差不多,或者比老师模型效果更好。目前大模型分割模型通常面向通用任务,在此基础上,本发明设计了一个知识蒸馏模块将该部分的内容迁移到遥感数据中,以无标注数据为基础,训练得到需要的预训练模型。中间可采用引导模块使得蒸馏结果符合预期的背景内容,具体如图1所示,首先,原始影像经过数据变换增强得到一幅新的图片,随后,将变换后影像同步输入到大模型教师网络以及独立定制设计的学生网络,将生成的结果对比构建损失,以此训练学生网络,其中,整个过程的教师网络参数保持不变,学生网络按设计的学习率迭代训练。由于整个过程使用的图片均与最终的目标任务息息相关,因此,经过这样蒸馏得到的网络模型将在目标任务中有较好的泛化性能。所述独立定制设计指根据目标任务的特点,设计与目标任务所适应的网络架构,如在建筑物提取中表现出色的U-Net结构,在道路任务提取中表现出色的DANet任务等。
步骤2、进行小样本下的模型迁移学习:
面对多样化的数据条件,样本常常难以覆盖所有的类型,在合适的预训练模型基础上,如何采用简单的样本得到预期的目标分割结果,采用迁移过来的背景结构,在少量目标中进行微调,使得最终得到的分割结构能符合预期的要求,具体包括如下步骤:
第一步:根据目标任务的类型,设计相应的辅助代理任务(如伪标签学习),在以上大模型蒸馏结果基础上进一步对特征网络进行引导。
第二步:基于少量实例分割标注样本,进行预训练网络迁移学习,将上一步得到的特征网络参数固定,在少量样本训练下拟合网络。
第三步:将拟合完成的网络进行测试,保留多次训练中效果最好的网络。
步骤3、进行多任务原型匹配:
在样本有限的情形下提出原型网络,先把样本投影到一个空间,计算每个样本类别的中心,在分类的时候,通过对比目标到每个中心的距离,从而分析出目标的类别。具体如图2所示。图2中,C1、C2、C3表示不同的类别,x为待确定类别的目标。
实际应用过程,图像中的实例大小不一,如何克服尺度不一致性,得到可一致性评价的向量是第一个问题,此外,如何得到类别中心和类别距离也是需要考量的一个问题,本发明采用网络采样得到的向量作为分类依据,根据少量支撑集获取样本类型中心,最后评估所有类别的向量与类型中心的距离来对分割块赋予语义信息。本发明是在实例分割的基础上进一步鉴别实例类型,具体包括如下步骤:
第一步:构建支撑数据集,利用实例网络将样本投影到一个空间,形成特征向量;
第二步:根据语义实例样本计算每个类别的中心。以聚集度以及与其他类别中心的聚类来判断目标是否为样本中心,其中样本中心的的特征是比它们的邻居密度更高,并且与密度更高的点相距相对较大,计算方法如下列公式所示,其中dc为根据场景设计选择的距离,dij为考察点与其他点的空间距离,δi是通过计算点i与具有更高密度的任何其它点之间的最小距离来测量的,最终选择ρi与δi都比较大的点作为类别中心,其中,ρi统计了目标点与周边点距离小于某一定值的数目,在本发明的公式中用以反映点的密度。δi表示目标点距离比其密度更大的点的空间距离,并取这部分的最小值。设计的核心含义在于通常类别中心的密度会较高,并且与其他类别中心的距离会较远:
其中,n表示某一类别中样本的个数,dij表示第i个样本与第j个样本的空间距离,表示第i个点与空间中密度大于其的样本的最小距离,/>是一个截断函数,在公式(1)中用来计算点的密度;
第三步:在分类的时候,通过对比其中实例目标到样本中心的距离,从而分析出目标的类别。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种小样本条件下的实例分割多分类方法,其特征在于,包括如下步骤:
步骤1、利用大规模图像分割模型结构,在庞大的无标注数据集上进行预测,对对应的实验场景进行知识蒸馏,得到蒸馏后的目标网络结构;
步骤2、大模型蒸馏后的网络模型迁移到指定的分割数据集中进行微调,实现不含语义的分割结构;
步骤3、利用少量多类型的样本在蒸馏的网络模型上进行度量匹配,以实现最终的矢量斑块语义赋予。
2.根据权利要求1所述的一种小样本条件下的实例分割多分类方法,其特征在于,所述步骤1包括:将原始影像经过数据变换增强得到一幅新的图片,随后,将变换后影像同步输入到大模型教师网络以及独立定制设计的学生网络,将生成的结果对比构建损失,以此训练学生网络,其中,整个过程的教师网络参数保持不变,学生网络按设计的学习率迭代训练;所述独立定制设计的学生网络指根据目标任务的特点设计的与目标任务所适应的网络架构。
3.根据权利要求2所述的一种小样本条件下的实例分割多分类方法,其特征在于,所述步骤2包括:
第一步:根据目标任务的类型,设计相应的辅助代理任务,在步骤1中的从大模型教师网络中学习得到的学生网络的基础上进一步对特征网络进行引导,对特征网络进行进一步训练,使特征网络参数更适合在目标任务中应用;
第二步:基于少量实例分割标注样本,进行预训练网络迁移学习,将第一步得到的特征网络参数固定,在少量样本训练下拟合网络;
第三步:将拟合完成的网络进行测试,保留多次训练中效果最好的网络。
4.根据权利要求3所述的一种小样本条件下的实例分割多分类方法,其特征在于,所述步骤3包括:
第一步:构建支撑数据集,利用实例网络将样本投影到一个空间,形成特征向量;
第二步:根据语义实例样本计算每个类别的中心,以聚集度以及与其他类别中心的聚类来判断目标是否为样本中心,其中样本中心的的特征是比它们的邻居密度更高,并且与密度更高的点相距相对较大,计算方法如下列公式所示,其中dc为根据场景设计选择的距离,dij为考察点与其他点的空间距离,δi是通过计算点i与具有更高密度的任何其它点之间的最小距离来测量的,最终选择ρi与δi均较大的点作为类别中心,其中,ρi统计了目标点与周边点距离小于某一定值的数目,用以反映点的密度;δi表示目标点距离比其密度更大的点的空间距离,并取这部分的最小值;类别中心的密度较高,并且与其他类别中心的距离较远:
其中,n表示某一类别中样本的个数,dij表示第i个样本与第j个样本的空间距离,表示第i个点与空间中密度大于其的样本的最小距离,/>是一个截断函数,在公式(1)中用来计算点的密度;
第三步:在分类的时候,通过对比其中实例目标到样本中心的距离,从而分析出目标的类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310913802.0A CN117036790B (zh) | 2023-07-25 | 2023-07-25 | 一种小样本条件下的实例分割多分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310913802.0A CN117036790B (zh) | 2023-07-25 | 2023-07-25 | 一种小样本条件下的实例分割多分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117036790A true CN117036790A (zh) | 2023-11-10 |
CN117036790B CN117036790B (zh) | 2024-03-22 |
Family
ID=88625394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310913802.0A Active CN117036790B (zh) | 2023-07-25 | 2023-07-25 | 一种小样本条件下的实例分割多分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117036790B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062951A (zh) * | 2019-12-11 | 2020-04-24 | 华中科技大学 | 一种基于语义分割类内特征差异性的知识蒸馏方法 |
WO2021023202A1 (zh) * | 2019-08-07 | 2021-02-11 | 交叉信息核心技术研究院(西安)有限公司 | 一种卷积神经网络的自蒸馏训练方法、设备和可伸缩动态预测方法 |
CN112668612A (zh) * | 2020-12-09 | 2021-04-16 | 重庆邮电大学 | 一种基于网格的局部放电信号聚类分析方法 |
CN112801105A (zh) * | 2021-01-22 | 2021-05-14 | 之江实验室 | 一种两阶段的零样本图像语义分割方法 |
CN113449680A (zh) * | 2021-07-15 | 2021-09-28 | 北京理工大学 | 一种基于知识蒸馏的多模小目标检测方法 |
US20210319266A1 (en) * | 2020-04-13 | 2021-10-14 | Google Llc | Systems and methods for contrastive learning of visual representations |
CN113538441A (zh) * | 2021-01-06 | 2021-10-22 | 腾讯科技(深圳)有限公司 | 图像分割模型的处理方法、图像处理方法及装置 |
CN114332466A (zh) * | 2022-03-11 | 2022-04-12 | 中国科学技术大学 | 图像语义分割网络持续学习方法、系统、设备及存储介质 |
CN114359151A (zh) * | 2021-12-06 | 2022-04-15 | 三峡大学 | 组合SegNet网络和局部Nakagami分布拟合模型的超声图像分割方法 |
CN115758915A (zh) * | 2022-12-14 | 2023-03-07 | 河海大学 | 一种能量桩主动式桥面除冰融雪系统的换热管检修和智慧运维控制方法 |
CN115841574A (zh) * | 2022-12-19 | 2023-03-24 | 中国科学技术大学 | 域适应的激光雷达点云语义分割方法、设备及存储介质 |
CN115879535A (zh) * | 2023-02-10 | 2023-03-31 | 北京百度网讯科技有限公司 | 一种自动驾驶感知模型的训练方法、装置、设备和介质 |
-
2023
- 2023-07-25 CN CN202310913802.0A patent/CN117036790B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021023202A1 (zh) * | 2019-08-07 | 2021-02-11 | 交叉信息核心技术研究院(西安)有限公司 | 一种卷积神经网络的自蒸馏训练方法、设备和可伸缩动态预测方法 |
CN111062951A (zh) * | 2019-12-11 | 2020-04-24 | 华中科技大学 | 一种基于语义分割类内特征差异性的知识蒸馏方法 |
US20210319266A1 (en) * | 2020-04-13 | 2021-10-14 | Google Llc | Systems and methods for contrastive learning of visual representations |
CN112668612A (zh) * | 2020-12-09 | 2021-04-16 | 重庆邮电大学 | 一种基于网格的局部放电信号聚类分析方法 |
CN113538441A (zh) * | 2021-01-06 | 2021-10-22 | 腾讯科技(深圳)有限公司 | 图像分割模型的处理方法、图像处理方法及装置 |
CN112801105A (zh) * | 2021-01-22 | 2021-05-14 | 之江实验室 | 一种两阶段的零样本图像语义分割方法 |
CN113449680A (zh) * | 2021-07-15 | 2021-09-28 | 北京理工大学 | 一种基于知识蒸馏的多模小目标检测方法 |
CN114359151A (zh) * | 2021-12-06 | 2022-04-15 | 三峡大学 | 组合SegNet网络和局部Nakagami分布拟合模型的超声图像分割方法 |
CN114332466A (zh) * | 2022-03-11 | 2022-04-12 | 中国科学技术大学 | 图像语义分割网络持续学习方法、系统、设备及存储介质 |
CN115758915A (zh) * | 2022-12-14 | 2023-03-07 | 河海大学 | 一种能量桩主动式桥面除冰融雪系统的换热管检修和智慧运维控制方法 |
CN115841574A (zh) * | 2022-12-19 | 2023-03-24 | 中国科学技术大学 | 域适应的激光雷达点云语义分割方法、设备及存储介质 |
CN115879535A (zh) * | 2023-02-10 | 2023-03-31 | 北京百度网讯科技有限公司 | 一种自动驾驶感知模型的训练方法、装置、设备和介质 |
Non-Patent Citations (3)
Title |
---|
GUO WY等: "Harris hawks optimization algorithm based on elite fractional mutation for data clustering", WEB OF SCIENCE * |
田阳;李国庆;宋新;: "一种三维地形特征提取和匹配方法", 宇航学报, no. 06 * |
陈叶旺等: "密度峰值聚类算法综述", CNKI * |
Also Published As
Publication number | Publication date |
---|---|
CN117036790B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110543911B (zh) | 一种结合分类任务的弱监督目标分割方法 | |
CN113392967A (zh) | 领域对抗神经网络的训练方法 | |
CN111651361A (zh) | 一种基于可视化页面的无脚本自动化测试方法 | |
CN115187772A (zh) | 目标检测网络的训练及目标检测方法、装置及设备 | |
CN115393666A (zh) | 图像分类中基于原型补全的小样本扩充方法及系统 | |
Alsanad et al. | Real-time fuel truck detection algorithm based on deep convolutional neural network | |
CN111738319A (zh) | 一种基于大规模样本的聚类结果评价方法及装置 | |
CN110472673B (zh) | 参数调整方法、眼底图像处理方法、装置、介质及设备 | |
CN115063664A (zh) | 用于工业视觉检测的模型学习方法、训练方法及系统 | |
CN114529552A (zh) | 一种基于几何轮廓顶点预测的遥感影像建筑物分割方法 | |
CN114299291A (zh) | 一种可解释的人工智能医疗图像语义分割方法 | |
CN116579345B (zh) | 命名实体识别模型的训练方法、命名实体识别方法及装置 | |
CN116109907B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN117036790B (zh) | 一种小样本条件下的实例分割多分类方法 | |
CN112115996A (zh) | 图像数据的处理方法、装置、设备及存储介质 | |
CN116681961A (zh) | 基于半监督方法和噪声处理的弱监督目标检测方法 | |
CN115810105A (zh) | 一种全景分割方法、装置、设备及存储介质 | |
CN112614158B (zh) | 一种采样框自适应的多特征融合在线目标跟踪方法 | |
CN114708462A (zh) | 多数据训练的检测模型生成方法、系统、设备及存储介质 | |
Da et al. | Remote sensing image ship detection based on improved YOLOv3 | |
US20210073591A1 (en) | Robustness estimation method, data processing method, and information processing apparatus | |
CN112308097A (zh) | 样本识别方法和装置 | |
CN113033817A (zh) | 基于隐空间的ood检测方法、装置、服务器及存储介质 | |
CN117671704B (zh) | 一种手写体数字识别方法、装置及计算机存储介质 | |
CN118097225A (zh) | 一种遥感目标检测场景下的主动学习优化方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |