CN103793713B - 低秩约束的在线自监督学习的场景分类方法 - Google Patents
低秩约束的在线自监督学习的场景分类方法 Download PDFInfo
- Publication number
- CN103793713B CN103793713B CN201210429630.1A CN201210429630A CN103793713B CN 103793713 B CN103793713 B CN 103793713B CN 201210429630 A CN201210429630 A CN 201210429630A CN 103793713 B CN103793713 B CN 103793713B
- Authority
- CN
- China
- Prior art keywords
- image
- label
- online
- sample
- mrow
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及低秩约束的在线自监督学习的场景分类方法,包括以下步骤:对离线的图像数据进行训练并进行特征提取;进行小批训练来获得一个最初的度量学习者;依次输入在线数据图像并提取图像特征;判断图像特征有无标签;如果有标签,则更新度量学习者;如果无标签,则测量图像特征与每个训练样本之间的相似度,利用生成的双向线性图来传播它的标签;判断样本的特征向量相似度得分;如果得分高则更新度量学习者;否则输入在线数据图像。本发明能够逐渐地实现自我更新并且合并从标记样本和未标记样本获得的有用信息;用统一的在线自我更新模型的框架用来处理在线场景分类,能够实现场景的在线自动分类,保证了分类的准确性,提高了工作效率。
Description
技术领域
本发明涉及一种场景自动分类方法,具体地说是通过低秩约束的在线自监督学习的场景分类方法。
背景技术
当今社会,机器学习技术在许多有着视觉认知能力的实际***中扮演着一个核心的角色。传统上,机器学习模型是由标记训练数据离线训练的,在整个在线程序中都是固定不变的,例如我们例子中场景分类的机器视觉***。不幸的是,对于实际的在线视觉***,模型的性能可能会随着时间推移恶化并且新数据可能会与初始化训练数据大相径庭。为了处理这些问题,模型必须在批处理模式下由已有数据和新数据再离线训练一次,这样做将会很耗时间。更严重的是,如果数据集的体积过大,批训练模型将很难处理每次迭代中的所有数据。
为了克服这个缺点,一次学习一个或者一组例子的在线模型将提供一个有效的方法替代离线再训练,这是通过增量更新分类器知识的新来数据并且建立一个适应不断变化数据的决定边界。通过提供矩阵形式的模型专注于自适应相似度学习者,例如度量学习、协同滤波和多任务学习。在线度量学习模型目的是学习一个半正定矩阵W∈Rd×d,因此对于所有的p1,p2,p3∈Rd有成立;如果p1,p2很相似而p1,p3刚好相反,为了分类应p1,p2该来自同一类而p3则是来自另一类。从本质上讲,监督在线度量学习者也是以最大边界区分特征点的。如果所有d维数据在一个小维的子空间中,如果数据是可区分的秩小于r的度量矩阵就能够区分任意的两个样本。从理想上说,许多秩大于r的度量矩阵能够区分没有任何噪音的数据。然而,在实际中数据总会包含噪音,于是高秩度量矩阵会引起过拟合并会因此使度量矩阵容易受噪音和干扰影响。
发明内容
针对现有技术的不足,本发明提供一种结合在线度量学习和半监督标签传播的分类方法,所采用的技术方案是:低秩约束的在线自监督学习的场景分类方法,包括以下步骤:
对离线图像数据进行训练并进行特征提取;进行小批训练来获得一个最初的度量学习者W0;
依次输入在线数据图像qi并提取图像特征;判断图像特征有无标签;
如果有标签,则更新度量学习者Wi,返回依次输入在线数据图像qi步骤;
如果无标签,则测量该图像与已测的每个有标签训练样本之间的相似度,利用相似度生成的双向线性图来传播它的标签;然后判断该图像特征向量与样本的特征向量相似度Sw得分;
如果得分在设定值范围内,则将该图像q***到队列Q中,当队列Q满时更新Q,然后转至更新度量学习者步骤,同时将Q***到P类中并清零,此时度量学习者为最终的度量学习者,P类为最终的类。
所述度量学习者为低秩矩阵。
所述最初的度量学习者为单位矩阵W0=Id×d,d为矩阵的维数,I为单位矩阵。
所述更新度量学习者包括以下步骤:
从在线图像数据的指数集合T中均匀采样得到一个随机指数t;
将t代入度量学习者迭代公式
其中其中Wi=I∈Rd×d,γ为一预设的值,αi为步长,P(W)=||W||*,Ω={W|W≥0},表示与pt相似的样本,表示与pt不相似的样本,t为随机指数,l(W,t)为铰链损失函数
令i=i+1,再返回从在线图像数据的指数集合T中均匀采样得到一个随机指数t步骤。
所述测量图像与每个训练样本之间的相似度采用参数化的相似函数其中pi,pj∈Rd,分别为所测在线图像特征向量和有标签的样本图像特征向量,Sw值表示特征向量相似度。
所述利用该双向线性图来传播它的标签包括以下步骤:
6-1.用相似函数生成双线性图表:
其中对对于pi∈P,i∈[1,...,N]获得一个矩阵{Si,j,i≥1,j≤N},其中对称形式为Si,j=(Si,j+Sj,i)/2;
6-2.测量属于C类的x的最大损耗其中,能量函数C={1,2,...,K},xi表示查询样本,Si,j,j={1,...,n}为双线性图,并且δc(i)是一个表明函数;
6-3.判断是否成立,Tε值为1.2,cq为图像的类,为与图像类cq不同的类;成立则再转至更新度量学习者,不成立则等待下一个在线图像数据qi。
所述更新Q具体为:当i<ITER-MAX∩||Wi-Wi-1||Fro<Tw条件满足时,采样和其中qi∈Q,表示与qi相似的样本,表示与qi不相似的样本,ITER-MAX为最大迭代次数,TW为一个预设的值。
本发明具有以下有益效果及优点:
1.低秩约束的在线自监督学习的场景分类方法考虑数据的低秩特性,我们提出了一项新奇的用低秩约束来克服过拟合的在线度量学习模型。在小批训练中,我们通过低秩约束获得一个最初的度量学习者,即实现相似度测量的矩阵W。即度量学习者W具有低秩特性。由于低秩特性在实际数据中永远满足,我们考虑低秩约束我们的度量学习模型,并且以一个独立的方式学习一个低维数据表示,在这里与用满秩密集矩阵相比,低秩矩阵模型就能缩放以处理大量更多的特征和类。
2.本发明定义了一个双线性图来测量对称模式的的相似度。与其他传统图表模型相比,例如k-NN或者ε-NN图表,如果没有充分的先验知识他们不是对调谐参数敏感(例如σ)就是不能稳定地定义一个合适的图表结构,我们的双线性图在不调谐参数和没有拓扑图的先验知识的情况下还能保证准确性。
3.本发明通过结合在线度量学习和半监督标签传播为在线自我监督学习提出了一个整体的框架。与批训练的监督学习相比,本发明的算法能够逐渐地实现自我更新并且合并从标记样本和未标记样本获得的有用信息。
4.本发明用统一的在线自我更新模型的框架用来处理在线场景分类,能够实现场景的在线自动分类,保证了分类的准确性,提高了工作效率。
附图说明
图1为本发明的在线学习框架图;
图2为本发明的在线学习场景分类方法流程图;
图3为在线更新度量学习者流程图;
图4为在线标签传播及在线学习流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
为实现基于我们在线度量学习模型的分类,我们定义了一个双线性图模型来预测下一个新来测试样本的标签,按照半监督学习方式融合标记数据和未标记数据的信息。然后设计出一个统一的在线自我更新模型的框架用来处理在线场景分类,如图1所示。
我们提出一个在线框架如图1所示,用度量学习来测量相似度并且采取半监督学习方式来标记测试样本。具体方法是通过低秩约束克服过拟合的计算机自动场景分类方法、提供矩阵形式的模型专注于自适应相似度学习者、建立了基于图像解析和机器学习的算法框架。
如图2所示,本方法具体包括如下步骤:
步骤S1:训练图像数据。为每一幅图像分配一个标签。
步骤S2:特征提取。从标记的图像的图像中获取有用特征,与他们的标签一起存储为特征向量。
步骤S3:小批训练。小批训练是指对少量的图像数据进行训练;小批训练的目的是通过低秩约束获得一个最初的度量学习者,即实现相似度测量的矩阵W。
步骤S4:得出最初度量学习者,即矩阵W。
步骤S5:次序输入图像。图像定义为3维数据,以图像右上方端点为原点,图像的横轴方向为x,纵轴方向为y,图像的排序数目可以用t表示。
步骤S6:特征提取。特征是从次序输入的图像中获取的,
步骤S7:检查特征有无标签。
步骤S8:对于无标签的样本,我们测量它与每个训练样本(已经测量的有标签的在线图像数据)之间的相似性并用相应的双线性图传播标签,得分高于0.5小于1的样本与有标签的样本一起用于更新矩阵W。更新的过程类似于初始化批训练。
如图2所示,本方法有两个阶段组成:批训练阶段和在线预测阶段。
初始化批训练阶段包括步骤S1、S2、S3、S4。在线预测阶段包括步骤S5、S6、S7、S8。在在线阶段中,特征从次序输入的图像中获取,取决于数据有无标签。提出的监督和半监督分类器将用于更新度量学***,在线学习阶段就会终止。
监督学习为利用一组已知类别的样本调整分类器的参数,使其达到所要求性能的过程,监督分类器就是监督学习下的分类器。半监督分类器是一种利用有标记样本和无标记样本进行分类的分类器。
在初始化批训练的期间,每个图像分配一个标签,提取有用特征与他们的标签一起存储为特征向量。然后我们就以低秩约束进行批训练来获得一个初始化度量学习者,即相似度测量矩阵W。在联机状态下,根据数据有无标签从而决定是否提取每个次序进来的图像特征,提出的监督和半监督分类器将用于更新度量学习者W。对于未标记的样本,我们测量它与每个训练样本之间的相似度并且使用相应的双向线性图来传播它的标签。然后,这些可靠度分数高的样品也被用来更新W。所有标记样本都用于更新,更新的过程类似于初始化批训练。在联机处理中这样的过程重复进行。在线度量学习(OML)的目标是为相似度测量学习一个由矩阵W参数化的相似函数sw(pi,pj),其中pi,pj∈Rd分别是在线图像数据和有标签训练图像数据的特征向量,W∈Rd×d,特征向量相似度高的Sw值高。在线度量学习步骤如图3。
S1:首先,初始化W为单位矩阵W0=Id×d。然后,迭代算法绘制一个随机的三维向量并用软边缘以解决下面的凸面问题:
且ε≥0
其中为铰链损失函数公式为||·||Fro是Frobenius基准笵数(point wise L2norm)、C是一个调整参数,ε是一个无穷小量,pi∈P,表示与pi来自同一类,表示与pi来自不同的类。
S2:t是一个随机指数,是从一个指数集合T中均匀采样得到。从K类P1,...,PK获得训练数据并令定义铰链损失函数为其中W∈Rd×d,pt∈P,t是一个从指数集合T中获得的随机指数,表示与pt相似的图像训练数据,表示与pt不相似的图像训练数据。
为了用一个低秩特性估计度量矩阵,解决下面的最优化问题:是非凸面并且是NP-hard,用痕迹规范||||*来估计秩函数rank(W),简化问题。
如果t符合在指数集合T上的均匀分布,那么估计Et[l(W,t)]微分的每一步,近端操作就能解决等式(2)中的问题:
定义近端操作如下:
其中P(W)=||W||*、Ω={W|W≥0},y为输入图像的纵坐标,x为输入图像的横坐标,t为时间轴从指数集合T中随机采样获得的随机指数。
S3:迭代公式为
其中
S4:i=i+1,再执行s2。
为实现基于在线度量学习模型的分类,我们用一个双线性图模型来预测下一个新来测试样本的标签,按照半监督学习方式融合标记数据和未标记数据的信息。如图4所示,在线标签传播方法如下:
S1:双线性图表:假设对的所有对称点的相似度定义为
对于pi∈P,i∈[1,...,N],我们获得一个矩阵{Si,j,i≥1,j≤N},其中对称形式为Si,j=(Si,j+Sj,i)/2。
S2:最大损耗公式
S3:判断是否成立,Tε值为1.2,成立则执行S4,不成立则等待下一个数据;
S4:把q***到队列Q中;
S5:判断队列Q是否满了。满了则执行S5,没有满则等待;
S6:开始更新Q,令i=1;
S7:判断i<ITER-MAX∩||Wi-Wi-1||Fro<Tw当是否成立,ITER-MAX为最大迭代次数,TW为一个预设的值。成立则执行S7,不成立不执行操作;
S8:采样和qi∈Q,表示与qi相似的样本,表示与qi不相似的样本;更新Q结束;
S9:由图3的更新度量学习者算法更新W;
S10:i=i+1;S7、S8、S9、S10为一while循环,当循环结束执行S11;
S11:Q***到P中,Q清零;
S12:输出W*=W,P*=P。W*为最终的度量矩阵,P*为最终的类。
本发明所采用的原理包括:
A.在线标签传播原理:
为预测新数据的标签,定义G=(V,E),其中V表示n=nl+nu特征向量(nl表示标记过的nu表示未标记的分别);E是测量成对相似度的边缘节点。假设我们有C={1,2,...,K}类,令其中表示标记数据的标签矩阵,表示需要预测的未标记数据的标签矩阵。为了方便计算,我们第一次标准化的相似性矩阵S如下
矩阵P∈Rn×n能够被分解为标记和未标记子矩阵
其中pll∈Rnl×nl等等。对于标签传播,我们有
当t趋于无穷,我们有
其中是Fu的初始值。由于P是一个行规范化矩阵,子矩阵(puu)n每行值的和趋近于0。即公式(7)的第一项收敛于0,即对Fu的值无影响。此外,根据泰勒公式,公式(6)的第二项可以表示为
Fu=(I-Puu)-1PulFl(8)
对于在线预测我们例子中次序进入的样本的标签,我们有nu=1,而puu∈R1×1是一个固定的实数并且(I-Puu)-1可逆也为一个实数,所以有
Fu∝PulFl(9)
等式(9)也符合我们定义的能量函数
其中C={1,2,...,K},xi表示查询样本,Si,j,j={1,...,n}为双线性图,并且δc(i)是一个表明函数。Ec(x)为能量函数,他测量属于C类的x的损耗。给定x,最佳解决方法就是c*是Ec(x)的一个最大损耗公式
B.更新:
根据每个测试样本的特性设计了一个自适应模型更新计划。如图1和图4所示,所有的标记样本肯定都用于更新模型;未标记的样本只有符合下面粗糙标准时才能用于更新模型: 表示与类c不太相同的图像类,c*为与类c近似的类,C={1,2,...,K}表示图像类的集合c∈C,Tε=1.2;当队列Q排满时所有用于更新的样本都推入到队列Q中。有高可靠度的标记数据与未标记数据将对模型的矩阵W进行迭代更新。通过调节矩阵Q的长度L,我们可以选择一步一步模式(L=1)或者小型批训练模式(L>1)更新在线模型。
Claims (5)
1.低秩约束的在线自监督学习的场景分类方法,其特征在于包括以下步骤:
对离线图像数据进行训练并进行特征提取;进行小批训练来获得一个最初的度量学习者W0;
依次输入在线数据图像qi并提取图像特征;判断图像特征有无标签;
如果有标签,则更新度量学习者Wi,返回依次输入在线数据图像qi步骤;
如果无标签,则测量该图像与已测的每个有标签训练样本之间的相似度,利用相似度生成的双向线性图来传播它的标签;然后判断该图像特征向量与样本的特征向量相似度Sw得分;
如果得分在设定值范围内,则将该图像q***到队列Q中,当队列Q满时更新Q,然后转至更新度量学习者步骤,同时将Q***到P类中并清零,此时度量学习者为最终的度量学习者,P类为最终的类;
所述更新度量学习者包括以下步骤:
从在线图像数据的指数集合T中均匀采样得到一个随机指数t;
将t代入度量学习者迭代公式
其中其中Wi=I∈Rd×d,I为单位矩阵,d为特征向量的维数,γ为一预设的值,αi为步长,P(W)=||W||*Ω={W|W≥0},表示与pt相似的样本,表示与pt不相似的样本,t为随机指数,l(W,t)为铰链损失函数
令i=i+1,再返回从在线图像数据的指数集合T中均匀采样得到一个随机指数t步骤;
所述利用该双向线性图来传播它的标签包括以下步骤:
6-1.用相似函数生成双线性图表:
<mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<msub>
<mi>S</mi>
<mi>w</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<msubsup>
<mi>p</mi>
<mi>i</mi>
<mi>T</mi>
</msubsup>
<msub>
<mi>Wp</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中对对于pi∈P,i∈[1,...,N]获得一个矩阵{Si,j,i≥1,j≤N},其中对称形式为Si,j=(Si,j+Sj,i)/2;
6-2.测量属于c类的x的最大损耗其中,能量函数c为图像中的第c类,c∈C,C={1,2,...,K}表示图像类的集合,xi表示查询样本,Si,j,j={1,...,n}为双线性图,并且δc(i)是一个表明函数;
6-3.判断是否成立,Tε值为1.2,cq为图像的类,为与图像类cq不同的类;成立则再转至更新度量学习者,不成立则等待下一个在线图像数据qi。
2.根据权利要求1所述的低秩约束的在线自监督学习的场景分类方法,其特征在于:所述度量学习者为低秩矩阵。
3.根据权利要求1所述的低秩约束的在线自监督学习的场景分类方法,其特征在于:所述最初的度量学习者为单位矩阵W0=Id×d,d为矩阵的维数,I为单位矩阵。
4.根据权利要求1所述的低秩约束的在线自监督学习的场景分类方法,其特征在于:所述测量图像与每个训练样本之间的相似度采用参数化的相似函数其中pi,pj∈Rd,分别为所测在线图像特征向量和有标签的样本图像特征向量,sw值表示特征向量相似度;度量两个样本间的相似度程度,其中W为距离度量矩阵。
5.根据权利要求1所述的低秩约束的在线自监督学习的场景分类方法,其特征在于:所述更新Q具体为:当i<ITER-MAX∩||Wi-Wi-1||Fro<Tw条件满足时,采样qi∈Q,和其中qi∈Q,表示与qi相似的样本,表示与qi不相似的样本,ITER-MAX为最大迭代次数,TW为一个预设的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210429630.1A CN103793713B (zh) | 2012-10-31 | 2012-10-31 | 低秩约束的在线自监督学习的场景分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210429630.1A CN103793713B (zh) | 2012-10-31 | 2012-10-31 | 低秩约束的在线自监督学习的场景分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103793713A CN103793713A (zh) | 2014-05-14 |
CN103793713B true CN103793713B (zh) | 2017-09-15 |
Family
ID=50669356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210429630.1A Expired - Fee Related CN103793713B (zh) | 2012-10-31 | 2012-10-31 | 低秩约束的在线自监督学习的场景分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103793713B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107305636A (zh) * | 2016-04-22 | 2017-10-31 | 株式会社日立制作所 | 目标识别方法、目标识别装置、终端设备和目标识别*** |
CN106021170A (zh) * | 2016-05-19 | 2016-10-12 | 中国科学技术大学 | 采用半监督低秩表示模型的图构建方法 |
CN107392140B (zh) * | 2017-07-19 | 2021-01-08 | 苏州闻捷传感技术有限公司 | 基于低秩稀疏分解和增量学习的极化sar地物分类方法 |
CN107609586A (zh) * | 2017-09-08 | 2018-01-19 | 深圳市唯特视科技有限公司 | 一种基于自我监督的视觉表征学习方法 |
CN108154164A (zh) * | 2017-11-15 | 2018-06-12 | 上海微波技术研究所(中国电子科技集团公司第五十研究所) | 基于深度学习的通信信号调制分类***及方法 |
CN109741346B (zh) * | 2018-12-30 | 2020-12-08 | 上海联影智能医疗科技有限公司 | 感兴趣区域提取方法、装置、设备及存储介质 |
CN109919183B (zh) * | 2019-01-24 | 2020-12-18 | 北京大学 | 一种基于小样本的图像识别方法、装置、设备及存储介质 |
CN112417986B (zh) * | 2020-10-30 | 2023-03-10 | 四川天翼网络股份有限公司 | 一种基于深度神经网络模型的半监督在线人脸识别方法及*** |
CN112820322B (zh) * | 2021-03-18 | 2022-12-23 | 中国科学院声学研究所 | 一种基于自监督对比学习的半监督音频事件标注方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1282435A (zh) * | 1997-12-15 | 2001-01-31 | 联想冠群软件有限公司 | 通过均衡正交映射可视化和自组织多维数据 |
US7194132B1 (en) * | 2002-07-09 | 2007-03-20 | The United States Of America As Represented By The Secretary Of The Navy | Method and system for detecting anomalies in multispectral and hyperspectral imagery employing the normal compositional model |
CN101551851A (zh) * | 2008-03-31 | 2009-10-07 | 中国科学院沈阳自动化研究所 | 一种红外图像目标识别方法 |
CN101813475A (zh) * | 2010-04-24 | 2010-08-25 | 上海交通大学 | 远距离障碍的自适应检测方法 |
-
2012
- 2012-10-31 CN CN201210429630.1A patent/CN103793713B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1282435A (zh) * | 1997-12-15 | 2001-01-31 | 联想冠群软件有限公司 | 通过均衡正交映射可视化和自组织多维数据 |
US7194132B1 (en) * | 2002-07-09 | 2007-03-20 | The United States Of America As Represented By The Secretary Of The Navy | Method and system for detecting anomalies in multispectral and hyperspectral imagery employing the normal compositional model |
CN101551851A (zh) * | 2008-03-31 | 2009-10-07 | 中国科学院沈阳自动化研究所 | 一种红外图像目标识别方法 |
CN101813475A (zh) * | 2010-04-24 | 2010-08-25 | 上海交通大学 | 远距离障碍的自适应检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103793713A (zh) | 2014-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103793713B (zh) | 低秩约束的在线自监督学习的场景分类方法 | |
CN107194336B (zh) | 基于半监督深度距离度量网络的极化sar图像分类方法 | |
CN105975916B (zh) | 基于多输出卷积神经网络和有序回归的年龄估计方法 | |
CN110969250B (zh) | 一种神经网络训练方法及装置 | |
CN110135459B (zh) | 一种基于双三元组深度度量学习网络的零样本分类方法 | |
CN105809672B (zh) | 一种基于超像素和结构化约束的图像多目标协同分割方法 | |
CN110008338A (zh) | 一种融合gan和迁移学习的电商评价情感分析方法 | |
CN106778832B (zh) | 基于多目标优化的高维数据半监督集成分类方法 | |
CN106920243A (zh) | 改进的全卷积神经网络的陶瓷材质件序列图像分割方法 | |
Li et al. | Learning balanced and unbalanced graphs via low-rank coding | |
CN109034205A (zh) | 基于直推式半监督深度学习的图像分类方法 | |
CN103559504A (zh) | 图像目标类别识别方法及装置 | |
CN108876781A (zh) | 基于ssd算法的表面缺陷识别方法 | |
CN105426929B (zh) | 对象形状对准装置、对象处理装置及其方法 | |
CN109325513B (zh) | 一种基于海量单类单幅图像的图像分类网络训练方法 | |
CN113255895A (zh) | 基于图神经网络表示学习的结构图对齐方法和多图联合数据挖掘方法 | |
CN108446619A (zh) | 基于深度强化学习的人脸关键点检测方法及装置 | |
CN109101629A (zh) | 一种基于深度网络结构和节点属性的网络表示方法 | |
CN110533063A (zh) | 一种基于卫星影像和gmdh神经网络的云量计算方法及装置 | |
CN106156857B (zh) | 变分推理的数据初始化的方法和装置 | |
CN107016122A (zh) | 基于时间迁移的知识推荐方法 | |
CN115641583B (zh) | 一种基于自监督和主动学习的点云检测方法、***及介质 | |
CN108804565A (zh) | 一种基于知识表示学习的协同矩阵分解方法 | |
CN110738271A (zh) | 一种锌浮选过程精矿品位预测方法 | |
Yu et al. | Progressive Transfer Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170915 Termination date: 20181031 |