CN117934890A - 基于局部和全局邻居对齐的原型对比图像聚类方法及系统 - Google Patents
基于局部和全局邻居对齐的原型对比图像聚类方法及系统 Download PDFInfo
- Publication number
- CN117934890A CN117934890A CN202410328101.5A CN202410328101A CN117934890A CN 117934890 A CN117934890 A CN 117934890A CN 202410328101 A CN202410328101 A CN 202410328101A CN 117934890 A CN117934890 A CN 117934890A
- Authority
- CN
- China
- Prior art keywords
- features
- prototype
- local
- global
- loss
- 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 40
- 230000009466 transformation Effects 0.000 claims abstract description 33
- 238000000844 transformation Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims description 40
- 238000009826 distribution Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 230000000052 comparative effect Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 5
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 229910015234 MoCo Inorganic materials 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供基于局部和全局邻居对齐的原型对比图像聚类方法及系统,涉及机器学习和图像处理领域。该方法包括提取原始数据集特征;在特征上执行k‑means初始化聚类中心,获取聚类分配概率;对经过两种不同变换后的数据集进行分组训练直至整个数据集,提取变换后图像数据集特征;获取每个训练批次的原型,并计算原型对比损失;获取变换后特征的全局和局部邻居,并将变换后的特征与邻居对齐,计算邻居对齐损失;优化网络,并更新全局邻居;重复上述步骤,直到满足迭代次数,输出聚类分组结果。本发明方法不仅避免了对比学习中类别冲突的问题,而且使得不同的类在空间中均匀分布;同时,基于局部和全局邻居对齐策略可以获得更丰富的语义信息。
Description
技术领域
本发明涉及机器学习和图像处理技术领域,具体为基于局部和全局邻居对齐的原型对比图像聚类方法及系统。
背景技术
聚类作为数据挖掘和机器学习领域的一个核心任务,一直以来都受到广泛的关注和研究。随着信息时代的发展,我们面对着前所未有的大规模、多样化、高维度的数据。传统聚类算法,如k-means、层次聚类和谱聚类等,这些方法在处理高维数据、复杂分布或非线性可分数据时面临挑战。如,维度灾难。随着深度学习的发展,特别是卷积神经网络和自编码器在特征提取和表示学习方面取得的突破,研究人员开始探索将深度学习技术应用于聚类任务。
深度聚类通过深度神经网络学习数据的特征表示,能够从复杂数据中学习到抽象和非线性的特征,并以端到端的方式实现聚类,其性能很大程度上依赖于学习到的表示。对比学习由于其从未标注的数据中学习到具有判别性的特征表示而受到广泛关注,这类方法通常在现有论文MoCo[He K, Fan H, Wu Y, et al. Momentum contrast forunsupervised visual representation learning[C]//Proceedings of the IEEE/CVFconference on computer vision and pattern recognition. 2020: 9729-9738.]或SimCLR[Chen T, Kornblith S, Norouzi M, et al. A simple framework forcontrastive learning of visual representations[C]//International conferenceon machine learning. PMLR, 2020: 1597-1607.]或SimCLR[Chen T, Kornblith S,Norouzi M, et al. A simple framework for contrastive learning of visualrepresentations[C]//International conference on machine learning. PMLR, 2020:1597-1607.]的基础上结合特定的任务实现聚类,其损失函数通常由InfoNEC或NT-Xnet实现;虽然取得了不错的性能,但将同一样本的不同变换作为正样本对,其余样本视为负样本对的构造方式会导致类别冲突问题,即同一类的不同样本也视为负样本。
现有论文GDCL[Zhao H, Yang X, Wang Z, et al. Graph DebiasedContrastive Learning with Joint Representation Clustering[C]//IJCAI. 2021:3434-3440.], GCC[Zhong H, Wu J, Chen C, et al. Graph contrastive clustering[C]//Proceedings of the IEEE/CVF international conference on computer vision.2021: 9224-9233.], TCL[Li Y, Yang M, Peng D, et al. Twin contrastive learningfor online clustering[J]. International Journal of Computer Vision, 2022, 130(9): 2205-2221.]中,虽然通过纠正偏置缓解该冲突,但并没有从根本上解决类别冲突问题。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于局部和全局邻居对齐的原型对比图像聚类方法及系统,解决了上述背景技术中提出的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
第一方面,提供了一种基于局部和全局邻居对齐的原型对比图像聚类方法,包括以下步骤:
步骤S1、接收原始图像数据集;
步骤S2、通过预设的目标网络的特征提取模块对原始图像数据集进行特征提取,获取特征/>;
步骤S3、在特征上执行k-means初始化聚类中心,并获取聚类分配概率/>;
步骤S4、对原始图像数据集进行小批次训练,随机选取未经过训练的小批次数据集并将其分别经过不同的变换/>和/>,得到变换后的数据集/>,其中,/>,和/>分别为弱变换和强变换,/>为变换集合;
步骤S5、通过在线网络特征提取模块和目标网络特征提取模块对变换后的数据集分别进行特征提取获取特征/>;
步骤S6、通过聚类分配概率和特征/>的原型,并计算原型对比损失/>;
步骤S7、分别在特征和全部特征/>上挖掘邻近样本特征,获取每个特征的局部邻居/>,/>和全局邻居/>,/>,并将邻居特征输入至在线网络的预测模块中获取局部预测特征;
步骤S8、分别将一个变换的特征与另一个变换的局部和全局预测特征对齐,计算邻居对齐损失;
步骤S9、和邻居对齐损失/>构成的损失/>通过反向传播更新网络权重,返回所述步骤S4直到训练整个图像数据集,并得到整个数据集的特征/>并更新全局邻居/>,/>;
步骤S10、返回所述步骤S2,直到满足最大迭代次数或网络收敛,并计算最终的聚类结果。
优选的,所述目标网络的特征提取模块由ResNet和MLP网络作为主干,ResNet输出维度为512,MLP为两层,维度为512-4096-256。
优选的,所述在特征上执行k-means初始化聚类中心,并获取聚类分配概率
通过在特征-means初始化聚类中心/>,聚类分配概率通过学生t-分布获得:
其中,表示目标网络提取的第i个样本的特征,/>表示第/>个簇心,/>为学生t-分布的自由度,/>表示第i个样本属于第/>个类的概率。
优选的,所述弱变换为随机裁剪与缩放,随机水平翻转,随机亮度、对比度、饱和度、色调变换和随机灰度变换;
强变换包括包含随机水平翻转、随机裁剪,并从归一化对比度、均衡直方图、旋转、反转、增强色彩平衡、调整对比度、调整亮度、调整清晰度、仿射变换、减少每个颜色通道位数中选择四个组成。
优选的,在线网络由特征提取模块和预测模块构成,维度为512-4096-256-4096-256,而目标网络由特征提取模块构成,在线网络的特征提取模块与目标网络的特征提取模块结构相同权重不同。
优选的,所述原型对比损失定义为:
其中,为类别个数,/>表示分别不同变换后的第k个原型,温度参数/>用于控制特征表示的尺度,原型/>通过小批量特征计算:
其中,为每次获取小批量数据,/>表示第i个样本属于第/>个类的概率,/>表示在线网络提取的第i个样本的弱变换特征,/>表示目标网络提取的第i个样本的强变换特征。
优选的,所述邻居对齐损失由局部邻居对齐损失/>和全局邻居对齐损失构成:
其中,表示在线网络提取的小批次数据的弱变换特征,/>表示目标网络提取的小批次数据的强变换特征,/>分别表示获取局部和全局邻居,/>表示在线网络的预测模块。
优选的,所述损失定义为:
其中,表示邻居对齐损失,/>表示原型对比损失,/>为平衡系数;
在线网络参数通过损失函数反向传播进行更新,目标网络参数通过动量和在线网络参数/>以移动平均策略更新:
。
第二方面,一种基于局部和全局邻居对齐的原型对比图像聚类系统,包括以下模块:
接收模块,被配置为接收原始图像数据集;
特征提取模块一,被配置为通过预设的目标网络的特征提取模块对原始图像数据集进行特征提取,获取特征/>;
聚类分配模块,被配置为在特征上执行k-means初始化聚类中心,并获取聚类分配概率/>;
训练模块,被配置为对原始图像数据集进行小批次训练,随机选取未经过训练的小批次数据集并将其分别经过不同的变换/>和/>,其中,/>,/>和/>分别为弱变换和强变换,/>为变换集合;
特征提取模块二,被配置为通过在线网络特征提取模块和目标网络特征提取模块对变换后的数据集分别进行特征提取获取特征/>
原型对比模块,被配置为通过聚类分配概率和特征/>计算每个批次变换后的数据集的原型/>,并计算原型对比损失/>;
预测模块,被配置为分别在特征和全部特征/>上挖掘邻近样本特征,获取每个特征的局部邻居/>,/>和全局邻居/>,/>,并将邻居特征输入至在线网络的预测模块中获取局部预测特征;
邻居对齐模块,被配置为分别将一个变换的特征与另一个变换的局部和全局预测特征对齐,计算邻居对齐损失
更新模块,被配置为原型对比损失和邻居对齐损失/>通过反向传播更新网络权重,直到训练整个原始图像数据集,并得到整个数据集的特征/>并更新全局邻居/>,/>。
第三方面,提供了一种计算设备,包括:
一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行第一方面的方法中的指令。
(三)有益效果
通过原型对比的方式将相同类的不同变换视为正样本对,其余类视为负样本对,不仅避免了对比学习中类别冲突的问题,而且使得不同类在空间中均匀分布;将同一样本不同变换的邻居和同类样本相同或不同变换的邻居视为正样本对并对齐,使得类内部分布变得紧凑;基于局部和全局邻居对齐策略可以获得更丰富的语义信息。
附图说明
图1为本发明基于局部和全局邻居对齐的原型对比图像聚类方法流程图;
图2为本发明实施例中方法流程细节图。
具体实施方式
下面将结合本发明的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
如图1-2所示,本发明实施例提供了一种基于局部和全局邻居对齐的原型对比图像聚类方法,包括以下步骤:
步骤S1、接收原始图像数据集;
步骤S2、通过预设的目标网络的特征提取模块对原始图像数据集进行特征提取,获取特征/>;
步骤S3、在特征上执行k-means初始化聚类中心,并获取聚类分配概率/>;
步骤S4、对原始图像数据集进行小批次训练,随机选取未经过训练的小批次数据集并将其分别经过不同的变换/>和/>,得到变换后的数据集/>,其中,/>,和/>分别为弱变换和强变换,/>为变换集合;
步骤S5、通过在线网络特征提取模块和目标网络特征提取模块对变换后的数据集分别进行特征提取获取特征/>;
步骤S6、通过聚类分配概率和特征/>的原型,并计算原型对比损失/>;
步骤S7、分别在特征和全部特征/>上挖掘邻近样本特征,获取每个特征的局部邻居/>,/>和全局邻居/>,/>,并将邻居特征输入至在线网络的预测模块中获取局部预测特征;
步骤S8、分别将一个变换的特征与另一个变换的局部和全局预测特征对齐,计算邻居对齐损失;
步骤S9、和邻居对齐损失/>构成的损失/>通过反向传播更新网络权重,返回所述步骤S4直到训练整个图像数据集,并得到整个数据集的特征/>并更新全局邻居/>,/>;
步骤S10、返回所述步骤S2,直到满足最大迭代次数或网络收敛,并计算最终的聚类结果。
进一步的,目标网络的特征提取模块由ResNet和MLP网络作为主干,ResNet输出维度为512,MLP为两层,维度为512-4096-256。
进一步的,在特征上执行k-means初始化聚类中心,并获取聚类分配概率
通过在特征-means初始化聚类中心/>,聚类分配概率通过学生t-分布获得:
其中,表示目标网络提取的第i个样本的特征,/>表示第/>个簇心,/>为学生t-分布的自由度,/>表示第i个样本属于第/>个类的概率。
进一步的,弱变换为随机裁剪与缩放,随机水平翻转,随机亮度、对比度、饱和度、色调变换和随机灰度变换;
强变换包括包含随机水平翻转、随机裁剪,并从归一化对比度、均衡直方图、旋转、反转、增强色彩平衡、调整对比度、调整亮度、调整清晰度、仿射变换、减少每个颜色通道位数中选择四个组成。
进一步的,在线网络由特征提取模块和预测模块构成,维度为512-4096-256-4096-256,而目标网络由特征提取模块构成,在线网络的特征提取模块与目标网络的特征提取模块结构相同权重不同。
进一步的,所述原型对比损失定义为:
其中,为类别个数,/>表示分别不同变换后的第k个原型,温度参数/>用于控制特征表示的尺度,原型/>通过小批量特征计算:
其中,为每次获取小批量数据,/>表示第i个样本属于第/>个类的概率,/>表示在线网络提取的第i个样本的弱变换特征,/>表示目标网络提取的第i个样本的强变换特征。
进一步的,所述邻居对齐损失由局部邻居对齐损失/>和全局邻居对齐损失构成:
其中,表示在线网络提取的小批次数据的弱变换特征,/>表示目标网络提取的小批次数据的强变换特征,/>分别表示获取局部和全局邻居,/>表示在线网络的预测模块。
进一步的,所述损失定义为:
其中,表示邻居对齐损失,/>表示原型对比损失,/>为平衡系数;
在线网络参数通过损失函数反向传播进行更新,目标网络参数通过动量和在线网络参数/>以移动平均策略更新:
。
本发明又一实施例提供了一种基于局部和全局邻居对齐的原型对比图像聚类系统,包括以下模块:
接收模块,被配置为接收原始图像数据集;
特征提取模块一,被配置为通过预设的目标网络的特征提取模块对原始图像数据集进行特征提取,获取特征/>;
聚类分配模块,被配置为在特征上执行k-means初始化聚类中心,并获取聚类分配概率/>;
训练模块,被配置为对原始图像数据集进行小批次训练,随机选取未经过训练的小批次数据集并将其分别经过不同的变换/>和/>,其中,/>,/>和/>分别为弱变换和强变换,/>为变换集合;
特征提取模块二,被配置为通过在线网络特征提取模块和目标网络特征提取模块对变换后的数据集分别进行特征提取获取特征/>
原型对比模块,被配置为通过聚类分配概率和特征/>计算每个批次变换后的数据集的原型/>,并计算原型对比损失/>;
预测模块,被配置为分别在特征和全部特征/>上挖掘邻近样本特征,获取每个特征的局部邻居/>,/>和全局邻居/>,/>,并将邻居特征输入至在线网络的预测模块中获取局部预测特征;
邻居对齐模块,被配置为分别将一个变换的特征与另一个变换的局部和全局预测特征对齐,计算邻居对齐损失
更新模块,被配置为原型对比损失和邻居对齐损失/>通过反向传播更新网络权重,直到训练整个原始图像数据集,并得到整个数据集的特征/>并更新全局邻居/>,/>。
本申请的实施例可提供为方法或计算机程序产品。因此,本申请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,本申请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。本申请实施例中的方案可以采用各种计算机语言实现,例如,python等。
本申请是参照根据本申请实施例的方法、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。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种基于局部和全局邻居对齐的原型对比图像聚类方法,其特征在于,包括以下步骤:
步骤S1、接收原始图像数据集;
步骤S2、通过预设的目标网络的特征提取模块对原始图像数据集进行特征提取,获取特征/>;
步骤S3、在特征上执行k-means初始化聚类中心,并获取聚类分配概率/>;
步骤S4、对原始图像数据集进行小批次训练,随机选取未经过训练的小批次数据集并将其分别经过不同的变换/>和/>,得到变换后的数据集/>,其中,/>,/>和分别为弱变换和强变换,/>为变换集合;
步骤S5、通过在线网络特征提取模块和目标网络特征提取模块对变换后的数据集分别进行特征提取获取特征/>;
步骤S6、通过聚类分配概率和特征/>计算每个批次的原型/>,并计算原型对比损失/>;
步骤S7、分别在特征和全部特征/>上挖掘邻近样本特征,获取每个特征的局部邻居/>, />和全局邻居/>, />,并将邻居特征输入至在线网络的预测模块中获取局部预测特征/>和全局预测特征/>;
步骤S8、分别将一个变换的特征与另一个变换的局部和全局预测特征对齐,计算邻居对齐损失;
步骤S9、原型对比损失和邻居对齐损失/>构成的损失/>通过反向传播更新网络权重,返回所述步骤S4直到训练整个图像数据集,并得到整个数据集的特征/>并更新全局邻居/>, />;
步骤S10、返回所述步骤S2,直到满足最大迭代次数或网络收敛,并计算最终的聚类结果。
2.根据权利要求1所述的一种基于局部和全局邻居对齐的原型对比图像聚类方法,其特征在于:所述目标网络的特征提取模块由ResNet和MLP网络组成,ResNet输出维度为512,MLP为两层,维度为512-4096-256。
3.根据权利要求2所述的一种基于局部和全局邻居对齐的原型对比图像聚类方法,其特征在于:所述在特征上执行k-means初始化聚类中心,并获取聚类分配概率/>,具体操作如下:
通过在特征上执行k-means初始化聚类中心/>,聚类分配概率通过学生t-分布获得:
其中,表示目标网络提取的第i个样本的特征,/>表示第/>个簇心,/>为学生t-分布的自由度,/>表示第i个样本属于第/>个类的概率。
4.根据权利要求1所述的一种基于局部和全局邻居对齐的原型对比图像聚类方法,其特征在于:所述弱变换为随机裁剪与缩放,随机水平翻转,随机亮度、对比度、饱和度、色调变换和随机灰度变换;
强变换包括包含随机水平翻转、随机裁剪,并从归一化对比度、均衡直方图、旋转、反转、增强色彩平衡、调整对比度、调整亮度、调整清晰度、仿射变换、减少每个颜色通道位数中选择四个组成。
5.根据权利要求1所述的一种基于局部和全局邻居对齐的原型对比图像聚类方法,其特征在于:所述在线网络由特征提取模块和预测模块构成,维度为512-4096-256-4096-256,目标网络由特征提取模块构成,在线网络的特征提取模块与目标网络的特征提取模块结构相同权重不同。
6.根据权利要求1所述的一种基于局部和全局邻居对齐的原型对比图像聚类方法,其特征在于:所述原型对比损失定义为:
其中,为类别个数,/>表示分别不同变换后的第k个原型,温度参数/>用于控制特征表示的尺度,原型/>通过小批量特征计算:
其中,为每次获取小批量数据,/>表示第i个样本属于第/>个类的概率,/>表示在线网络提取的第i个样本的弱变换特征,/>表示目标网络提取的第i个样本的强变换特征。
7.根据权利要求1所述的一种基于局部和全局邻居对齐的原型对比图像聚类方法,其特征在于:所述邻居对齐损失由局部邻居对齐损失/>和全局邻居对齐损失/>构成:
其中,表示在线网络提取的小批次数据的弱变换特征,/>表示目标网络提取的小批次数据的强变换特征,/>分别表示获取局部和全局邻居,/>表示在线网络的预测模块。
8.根据权利要求1所述的一种基于局部和全局邻居对齐的原型对比图像聚类方法,其特征在于:所述损失定义为:
其中,表示邻居对齐损失,/>表示原型对比损失,/>为平衡系数;
在线网络参数通过损失函数反向传播进行更新,目标网络参数通过动量/>和在线网络参数/>以移动平均策略更新:
。
9.一种基于局部和全局邻居对齐的原型对比图像聚类系统,其特征在于,包括以下模块:
接收模块,被配置为接收原始图像数据集;
特征提取模块一,被配置为通过预设的目标网络的特征提取模块对原始图像数据集进行特征提取,获取特征/>;
聚类分配模块,被配置为在特征上执行k-means初始化聚类中心,并获取聚类分配概率/>;
训练模块,被配置为对原始图像数据集进行小批次训练,随机选取未经过训练的小批次数据集并将其分别经过不同的变换/>和/>,得到变换后的数据集/>,其中,,/>和/>分别为弱变换和强变换,/>为变换集合;
特征提取模块二,被配置为通过在线网络特征提取模块和目标网络特征提取模块对变换后的数据集分别进行特征提取获取特征/>
原型对比模块,被配置为通过聚类分配概率和特征/>计算每个批次的原型,并计算原型对比损失/>;
预测模块,被配置为分别在特征和全部特征/>上挖掘邻近样本特征,获取每个特征的局部邻居/>, />和全局邻居/>, />,并将邻居特征输入至在线网络的预测模块中获取局部预测特征和全局预测特征/>;
邻居对齐模块,被配置为分别将一个变换的特征与另一个变换的局部和全局预测特征对齐,计算邻居对齐损失
更新模块,被配置为原型对比损失和邻和邻居对齐损失/>通过反向传播更新网络权重,直到训练整个原始图像数据集,并得到整个数据集的特征/>并更新全局邻居/>, />。
10.一种计算设备,其特征在于,包括:
一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1-8所述的方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410328101.5A CN117934890B (zh) | 2024-03-21 | 2024-03-21 | 基于局部和全局邻居对齐的原型对比图像聚类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410328101.5A CN117934890B (zh) | 2024-03-21 | 2024-03-21 | 基于局部和全局邻居对齐的原型对比图像聚类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117934890A true CN117934890A (zh) | 2024-04-26 |
CN117934890B CN117934890B (zh) | 2024-06-11 |
Family
ID=90755978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410328101.5A Active CN117934890B (zh) | 2024-03-21 | 2024-03-21 | 基于局部和全局邻居对齐的原型对比图像聚类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117934890B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180189325A1 (en) * | 2016-12-29 | 2018-07-05 | Shutterstock, Inc. | Clustering search results based on image composition |
CN112464005A (zh) * | 2020-11-26 | 2021-03-09 | 大连理工大学 | 一种深度强化图像聚类方法 |
CN113627237A (zh) * | 2021-06-24 | 2021-11-09 | 浙江师范大学 | 基于局部最大对齐的后期融合人脸图像聚类方法及系统 |
CN115908892A (zh) * | 2022-10-09 | 2023-04-04 | 浙江大学 | 一种基于原型对比自训练的跨域图像分类方法 |
-
2024
- 2024-03-21 CN CN202410328101.5A patent/CN117934890B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180189325A1 (en) * | 2016-12-29 | 2018-07-05 | Shutterstock, Inc. | Clustering search results based on image composition |
CN112464005A (zh) * | 2020-11-26 | 2021-03-09 | 大连理工大学 | 一种深度强化图像聚类方法 |
CN113627237A (zh) * | 2021-06-24 | 2021-11-09 | 浙江师范大学 | 基于局部最大对齐的后期融合人脸图像聚类方法及系统 |
CN115908892A (zh) * | 2022-10-09 | 2023-04-04 | 浙江大学 | 一种基于原型对比自训练的跨域图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117934890B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111259738B (zh) | 人脸识别模型构建方法、人脸识别方法及相关装置 | |
CN109740679B (zh) | 一种基于卷积神经网络和朴素贝叶斯的目标识别方法 | |
CN112465120A (zh) | 一种基于进化方法的快速注意力神经网络架构搜索方法 | |
CN116503676B (zh) | 一种基于知识蒸馏小样本增量学习的图片分类方法及系统 | |
CN111401156B (zh) | 基于Gabor卷积神经网络的图像识别方法 | |
CN111783841A (zh) | 基于迁移学习和模型融合的垃圾分类方法、系统及介质 | |
CN111259917B (zh) | 一种基于局部近邻成分分析的图像特征提取方法 | |
CN112464004A (zh) | 一种多视角深度生成图像聚类方法 | |
CN113011487B (zh) | 一种基于联合学习与知识迁移的开放集图像分类方法 | |
CN112232395B (zh) | 一种基于联合训练生成对抗网络的半监督图像分类方法 | |
CN113591978A (zh) | 一种基于置信惩罚正则化的自我知识蒸馏的图像分类方法、设备及存储介质 | |
CN116206327A (zh) | 一种基于在线知识蒸馏的图像分类方法 | |
CN115240259A (zh) | 一种基于yolo深度网络的课堂环境下人脸检测方法及其检测系统 | |
CN113469338B (zh) | 模型训练方法、模型训练装置、终端设备及存储介质 | |
CN114492581A (zh) | 基于迁移学习和注意力机制元学习应用在小样本图片分类的方法 | |
CN116758379B (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN117934890B (zh) | 基于局部和全局邻居对齐的原型对比图像聚类方法及系统 | |
CN111160161B (zh) | 一种基于噪声剔除的自步学习人脸年龄估计方法 | |
CN112508966A (zh) | 一种交互式图像分割方法及系统 | |
CN117095217A (zh) | 多阶段对比知识蒸馏方法 | |
CN111008940A (zh) | 一种图像增强方法及装置 | |
CN114419341B (zh) | 一种基于迁移学习改进的卷积神经网络图像识别方法 | |
CN116415177A (zh) | 一种基于极限学习机的分类器参数辨识方法 | |
CN115546474A (zh) | 一种基于学习者集成策略的少样本语义分割方法 | |
CN115100694A (zh) | 一种基于自监督神经网络的指纹快速检索方法 |
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 |