CN105205501A - 一种多分类器联合的弱标注图像对象检测方法 - Google Patents
一种多分类器联合的弱标注图像对象检测方法 Download PDFInfo
- Publication number
- CN105205501A CN105205501A CN201510643148.1A CN201510643148A CN105205501A CN 105205501 A CN105205501 A CN 105205501A CN 201510643148 A CN201510643148 A CN 201510643148A CN 105205501 A CN105205501 A CN 105205501A
- Authority
- CN
- China
- Prior art keywords
- sorter
- classification
- class
- detection method
- similarity
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明是一种多分类器联合的弱标注图像对象检测方法,包括:输入M个不同标签的弱标注图像集,对其中的所有图片进行对象性分析,生成对象性区域集;对区域集生成图像特征,后对不同标签特征集分别进行聚类;根据聚类的结果,对每个聚类后区域集合训练中层区域分类器;每个分类器分别计算类别属性;输入测试图像,进行对象性分析得到区域块,生成区域特征。使用多分类器进行联合检测,判断出包含该类别对象的区域。本发明在多类别图像对象联合检测方面有良好的表现,可应用于图像对象自动标注,图像对象识别等领域。
Description
技术领域
本发明属于图像处理、计算机视觉技术领域,是一种多分类器联合的弱标注图像对象检测方法。
背景技术
1、基于弱标注的对象检测技术主要考虑如何利用简单标注信息和大量的未标注样本进行训练和分类的问题,在低成本的基础上能够更好的利用大量的数据获得相对较好的识别效果。在2010年,Alexe等人提出了图像对象性的概念,利用显著前景分析等方法在没有任何标注的图像上提取可能包含对象的区域,该方法综合考虑了颜色对比度(ColorContrast),边缘密度(EdgeDensity)以及超像素跨度(SuperpixelsStraddling)。
在2012年Thomas等人提出了一种基于属性知识的弱监督学习和定位方法,该方法首先提供一些经过弱标注的图片,物体定位信息并没有给出,弱监督学习需要学习一个物体类别模型,可以被用来决定一张测试图片是否包含一个类别甚至将其定位出来(binding-box)。方法中的定位模型是一个稠密的CRF模型。其中每个训练图片都是一个节点,节点空间大小足以包含图片内的窗口集。其中的单点势能(unarypotential)测量的是一个窗口包含一个种类物体的可能性,而对于成对点势能(pairwisepotential)则是表示两个窗口是否包含同一未知类别的物体。方法同时通过学习一种特殊显示模型对物体进行定位,并且在不同的数据集上进行了测试,证明了对于许多类别具有通用性。基于弱标注的对象检测技术在大规模图像数据处理方面有相当广泛的用途,但在对弱标注样本的进行分析时,样本噪声信息会极大的影响最终的检测效果。
2、聚类假设是弱监督学习中使用的基本方法,聚类假设是指样本数据的特征距离较近时,样本就越可能属于同一类别,处在相同聚类(cluster)中的示例有较大的可能拥有相同的标记。1967年,JamesMacQuee提出了k-means算法,给定一组观测数据(x1,x2,…,xn),其中每个观测数据以d维的向量表示,k-means算法的目的是将n个观测值划分为k个类别:S={S1,S2,…,Sk}。k-means算法的公式如下:
根据聚类假设,决策边界就应该尽量通过数据较为稀疏的地方,从而避免把稠密的聚类中的数据点分到决策边界两侧。在这一假设下,大量未标记示例的作用就是帮助探明示例空间中数据分布的稠密和稀疏区域,从而指导学习算法对利用有标记示例学习到的决策边界进行调整,使其尽量通过数据分布的稀疏区域。
3、TF-IDF是一种统计方法,用以评估字词对于一个文件集或一个语料库中的其中一份文件的重要程度。1983年,Salton等人在关于文本检索技术的著作中,提出了TF-IDF的准则,表明字词的重要性随着它在文件中出现的次数成正比增加,但同时会随着它在语料库中出现的频率成反比下降。TF-IDF的主要思想是:如果某个词或短语在一篇文章中出现的频率TF高,并且在其他文章中很少出现,则认为此词或者短语具有很好的类别区分能力,适合用来分类。词频(termfrequency,TF)指的是某一个给定的词语在该文件中出现的频率。逆向文件频率(inversedocumentfrequency,IDF)是一个词语普遍重要性的度量。在多分类器联合的弱监督检测方法中,我们假设两两分类器具有相似性度量,依据TF-IDF的概念,我们通过定义某一分类器和类内分类器之间的相似性度量,可计算任一分类器的类别独一性和类别无关性。
发明内容
本发明的目的是提出了一种多分类器联合的弱标注图像对象检测方法,这种方法在标准测试数据集上有良好的表现。
为完成本发明的目的,本发明采用的技术方案是:
一种多分类器联合的弱标注图像对象检测方法,其中,包括如下步骤:
步骤(1),图片集预处理:输入包含M个类别标签的弱标注的图像数据集,进行对象性分析得到对象性区域集(boxproposals):给定弱标注图片集,包含M个类别,每个类别标签定义为L={L1,L2,...,Li}(i=1,2,...,M),对其中的所有图片进行对象性分析,生成图片数目百倍数量级的图片区域块集合。对于每个弱标注训练集,仅有图像集合类别的标注标签,而缺乏对图像内部对象位置的标注信息。
步骤(2),生成区域特征,依据不同类别标签进行特征聚类:对每个区域块,我们使用ImageNet数据集训练的卷积神经网络模型,抽取神经网络模型的fc7层的特征(4096维)作为代表特征。
步骤(3),根据聚类结果,对每个对象性区域集训练中层区域分类器,每个集合得到数个聚类中心以及对所有区域特征的聚类结果,并根据聚类结果将所有的区域分为不同的集合。根据之前的聚类结果,对上述每个类别集合分别训练线性SVM分类器,得到个图像中层区域分类器。每个中层分类器的训练时使表这个区域特征集的全部特征作为正样本,而使用其他特征集合内随即挑选的特征作为负样本,在具体训练过程中,我们利用10次10折交叉验证(10-foldcrossvalidation)建立较为可靠稳定的模型。
步骤(4),计算每个中层区域分类器类别属性:每个分类器分别计算与其他分类器的相关性,由此得到分类器的类别独一性(category-specificattribute)以及类别无关性(category-irrelevantattribute)。对于多分类器的相关性,根据多分类器分析结果,需要计算分类器之间的相似性对输入图片进行联合分析与检测。在计算分类器的相似性时,我们首先需要估计两个聚类集合之间的相似性:首先在验证集合validation集合上生成对象性检测区域。然后利用每个中层分类器在validationset上进行检测,依据可信度对测试结果进行由大到小排序,排序编号进行记为P(i,k),取前Tr个可信度最高的区域,比对其重合度,重合度的计算式如下所示:
其中P(i,k)表示第i个分类器在第k个类别上的测试结果,M表示类别的总个数。在计算分类器的相似性后,分别可以由类内相似度和类内相似度的计算得到第i个分类器的类别独一性T(i)(category-specificattribute)以及类别无关性D(i)(category-irrelevantattribute)。将第i个的分类器所在的类别集合记为gi,则有:
N(i,gi)表示i个分类器在自身所在类别内的邻接分类器集合,T(i)是集合N(i,gi)内的第i个分类器的类别独一性,Tc表示集合内分类器个数。N(i,k)(k≠gi)表示j个分类器在除自身所在类别外,其余类别集合的邻接分类器集。D(i)是第i个分类器的类别无关性。T(i)表示一个分类器在类内的共通性,拥有较大T(i)的分类器有较大的类内相似度,可以被认为能更好的代表这个类别的特征。D(i)表示一个分类器在不同类别之间的共通性,拥有较大D(i)的分类器有较大的类间相似度,可以被认为是更能表现不同类别物体中的相同场景区域特征,例如一些常见的背景。
步骤(5),根据多分类器联合分析结果,得到联合检测器,对测试图片集合(testset)进行联合分析与检测。对输入的测试图像同样进行对象性分析并得到区域块,并生成对应的特征。然后我们利用多分类器属性分析结果进行相对应的联合测试,检测得分的计算式:
式中,T(i)是区域R在第i个分类器上的检测得分,T(i),D(i)可以被认为是第个分类器的词频属性和逆向文件频率属性。最终的得分可被认为是用有该类别独有的特征而排除了类间共同特征。得分项F(R)计算方式:
F(R)=F0(R)+λ·o(R)
其中为了改善联合检测的效果,我们在得分项中添加对象性估计项o(R),从而更好的改善得分估计效果,其中λ是0到1的值,加入λ可有效调节原始得分项的比例,使得对于物体的识别性能达到最佳。最终结果选取排名最靠前的区域作为检测结果。
附图说明
图1是本发明的流程图;
图2是本发明对于正负分类器协同检测直观示意图;
图3是本发明中对于多分类器的属性分析图;
图4是本发明中多分类器类别独特性与类别无关性的分布图;
图5是本发明的检测效果图;
图6是本发明的联合检测过程示意图。
具体实施方式
本发明提出了一种多分类器联合的弱标注图像对象检测方法,包括以下步骤:
(1)给定包含m个类别的多类别训练图片集,每个,对每个类别给予一个类别标签,定义为L={L1,L2,...,Li}(i=1,2,...,M)。每个类别包含Ni张图像(i=1,2,...,M)。
(2)利用对象性检测方法对所有图像进行对象性分析(ObjectnessMeasure),每张图像生成K个候选区域。
(3)对每个区域块,利用在ImageNet数据集上已训练好的卷积神经网络(CNN)模型,对于每个区域抽取fc7层4096维特征。
(4)对每个类别生成的目标区域特征分别使用聚类算法(如Kmeans算法)进行聚类,对第i类别得到Ci=[Ni/100]个聚类中心以及对所有区域特征的聚类结果。
(5)根据之前的聚类结果,对上述每个类别集合分别训练线性SVM分类器,采用10-fold交叉验证法进行迭代优化(即把数据集分成10个子集,10个子集中得1个作为测试集,而其余的9个数据集作为训练集),得到个图像中层区域分类器。每个中层分类器的训练时使用这个区域特征集的全部特征作为正样本,而使用其他特征集合内随即挑选的特征作为负样本。
(6)计算分类器之间的相似性,需要估计两个聚类集合之间的相似性:首先在验证集合validation集合上生成对象性检测区域。然后利用每个中层分类器在validationset上进行检测,依据可信度对测试结果进行由大到小排序,排序编号进行记为P(i,k),取前Tr个可信度最高的区域,比对其重合度,重合度的计算式如下所示:
其中P(i,k)表示第i个分类器在第k个类别上的测试结果,M表示类别的总个数。
(7)如图2所示,需要在计算分类器的相似性后,分别可以由类内和类间相似性度量得到分类器的类别独特性(TF)和类别无关性(DF)。将i类的分类器集合记为gi,则有:
大致的T(i),D(i)分布情况如图4,所示。
(8)对于输入的图片集合利用对象性分析对每张图像生成K个候选区域,并以相同方式生成区域特征,对于每个候选区域利用多分类器进行联合检测,检测得分的计算式:
(9)最终的得分可被认为是用有该类别独有的特征而排除了类间共同特征,即拥有最小的类内同性和类间异性。而为了改善联合检测的效果我们在得分项中添加对象性估计:F(R)=F0(R)+λ·o(R)
最终结果选取排名最靠前的区域作为检测结果。
Claims (8)
1.一种多分类器联合的弱标注图像对象检测方法,其特征在于包括如下步骤:
(1)图片集预处理:输入包含M个类别标签的弱标注的图像数据集,进行对象性分析得到对象性区域集(boxproposals);
(2)生成区域特征,依据不同类别标签进行特征聚类;
(3)根据聚类结果,对每个对象性区域集训练中层区域分类器;
(4)计算每个中层区域分类器类别属性;
(5)根据多分类器联合分析结果,得到联合检测器,用于图像对象检测。
2.如权利要求1所述的多分类器联合的弱标注图像对象检测方法,其特征在于:其中,在所述步骤(1)中,选取的输入训练图片集可包含M个类别,每个类别包含Ni张图像,i=1,2,...,M;利用对象性检测方法对所有图像进行对象性分析,每张图像生成K个候选区域;M个类别的类别标签集定义为L={L1,L2,...,Li}(i=1,2,...,M),对于每个弱标注训练集,仅需输入图像集合的类别标签,而不需要输入对图像内部对象位置的具体标注信息。
3.如权利要求1所述的多分类器联合的弱标注图像对象检测方法,其特征在于,其中所述步骤(2),对于生成的所有图像候选区域进行特征分析时,使用ImageNet数据集训练的卷积神经网络模型,抽取神经网络模型的fc7层的特征作为代表特征共4096维;之后对每个类别生成的目标区域特征分别使用聚类算法进行聚类,对第i类别得到Ci=[Ni/100]个聚类中心以及对所有目标区域特征的聚类结果。
4.如权利要求3所述的多分类器联合的弱标注图像对象检测方法,其特征在于:所述步骤(3),根据之前的聚类结果,对上述每个类别集合分别训练线性SVM分类器,得到个图像中层区域分类器;每个中层分类器的训练时使用这个区域特征集的全部特征作为正样本,而使用其他特征集合内随机挑选的特征作为负样本。
5.如权利要求1所述的多分类器联合的弱标注图像对象检测方法,其特征在于:所述步骤(4),对于每个中层区域分类器,计算与相同类别内其他分类器的相关性,得到分类器的类别独一性;对于每个中层区域分类器,计算每个分类器与不同类别其他分类器的相关性,得到分类器的类别无关性。
6.如权利要求5所述的多分类器联合的弱标注图像对象检测方法,其特征在于:对于多分类器的相关性,根据多分类器分析结果,需要计算分类器之间的相似性对输入图片进行联合分析与检测;在计算分类器的相似性时,首先需要估计两个聚类集合之间的相似性:先在验证集合validation集合上生成对象性检测区域;然后利用每个中层分类器在validationset上进行检测,依据可信度对测试结果进行由大到小排序,排序编号进行记为P(i,k),取前Tr个可信度最高的区域,比对其重合度,重合度的计算式如下所示:
其中P(i,k)表示第i个分类器在第k个类别上的测试结果,M表示类别的总个数。
7.如权利要求5所述的多分类器联合的弱标注图像对象检测方法,其特征在于:在计算分类器的相似性后,分别由类间相似性和类内相似性得到分类器的类别独一性(category-specificattribute)以及类别无关性(category-irrelevantattribute);将i类的分类器集合记为gi,则有:
T(i)是类别gi内的第i个分类器的类别独一性,D(i)是类别gi内的第i个分类器的类别无关性;T(i)表示一个分类器在类内的相似度,拥有较大T(i)的分类器,被认为能更好的代表这个类别的特征;T(i)表示一个分类器在类间的相似度,拥有较大D(i)的分类器有较大的类间相似度,被认为是更能表现不同类别物体中的相同场景区域特征。
8.如权利要求1所述的多分类器联合的弱标注图像对象检测方法,其特征在于:获取的多个中层区域分类器以及相对应的属性分析结果,后利用多分类器进行联合测试;对于输入的测试图片集合同样生成K个候选区域,并以相同方式生成区域特征,对于每个候选区域利用多分类器进行联合检测,检测得分的计算式:
式中,T(i)是区域R在第i个分类器上的检测得分,T(i),D(i)可以被认为是第个分类器的词频属性和逆向文件频率属性;最终的得分被认为是用有该类别独有的特征而排除了类间共同特征,即拥有最小的类内相似性和类间相异性;得分项F(R)计算方式:
F(R)=F0(R)+λ·o(R)
而为了改善联合检测的效果我们在得分项中添加对象性估计,其中λ是0到1的值,加入λ能有效调节最终的结果,使得对于物体的识别性能达到最佳;最终结果选取排名最靠前的区域作为检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510643148.1A CN105205501B (zh) | 2015-10-04 | 2015-10-04 | 一种多分类器联合的弱标注图像对象检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510643148.1A CN105205501B (zh) | 2015-10-04 | 2015-10-04 | 一种多分类器联合的弱标注图像对象检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105205501A true CN105205501A (zh) | 2015-12-30 |
CN105205501B CN105205501B (zh) | 2018-09-18 |
Family
ID=54953173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510643148.1A Active CN105205501B (zh) | 2015-10-04 | 2015-10-04 | 一种多分类器联合的弱标注图像对象检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105205501B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886995A (zh) * | 2017-01-13 | 2017-06-23 | 北京航空航天大学 | 多线性示例回归器聚合的图像显著对象分割方法 |
CN108009279A (zh) * | 2017-12-20 | 2018-05-08 | 华东理工大学 | 一种基于空间位置关系图匹配的图像区域标签修正方法 |
CN108171191A (zh) * | 2018-01-05 | 2018-06-15 | 百度在线网络技术(北京)有限公司 | 用于检测人脸的方法和装置 |
CN108268510A (zh) * | 2016-12-30 | 2018-07-10 | 华为技术有限公司 | 一种图像标注方法和装置 |
CN108416384A (zh) * | 2018-03-05 | 2018-08-17 | 苏州大学 | 一种图像标签标注方法、***、设备及可读存储介质 |
CN108496185A (zh) * | 2016-01-18 | 2018-09-04 | 北京市商汤科技开发有限公司 | 用于对象检测的***和方法 |
CN108734195A (zh) * | 2018-04-13 | 2018-11-02 | 王延峰 | 基于协同学习的弱监督检测模型训练方法及*** |
CN109325631A (zh) * | 2018-10-15 | 2019-02-12 | 华中科技大学 | 基于数据挖掘的电动汽车充电负荷预测方法和*** |
CN109359683A (zh) * | 2018-10-15 | 2019-02-19 | 百度在线网络技术(北京)有限公司 | 目标检测方法、装置、终端和计算机可读存储介质 |
CN109543693A (zh) * | 2018-11-28 | 2019-03-29 | 中国人民解放军国防科技大学 | 基于正则化标签传播的弱标注数据降噪方法 |
CN110678877A (zh) * | 2017-03-16 | 2020-01-10 | 西门子股份公司 | 使用弱监督神经网络在图像中视觉定位 |
CN111061890A (zh) * | 2019-12-09 | 2020-04-24 | 腾讯云计算(北京)有限责任公司 | 一种标注信息验证的方法、类别确定的方法及装置 |
CN111738354A (zh) * | 2020-07-20 | 2020-10-02 | 深圳市天和荣科技有限公司 | 一种自动识别训练方法、***、存储介质及计算机设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007513407A (ja) * | 2003-11-12 | 2007-05-24 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 文法生成のための句への意味標識の付与 |
EP2434434A2 (en) * | 2010-09-22 | 2012-03-28 | Siemens Corporation | Method and system for training a landmark detector using multiple instance learning |
CN103310195A (zh) * | 2013-06-09 | 2013-09-18 | 西北工业大学 | 车辆高分遥感图像的基于llc特征的弱监督识别方法 |
CN104573669A (zh) * | 2015-01-27 | 2015-04-29 | 中国科学院自动化研究所 | 图像物体检测方法 |
-
2015
- 2015-10-04 CN CN201510643148.1A patent/CN105205501B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007513407A (ja) * | 2003-11-12 | 2007-05-24 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 文法生成のための句への意味標識の付与 |
EP2434434A2 (en) * | 2010-09-22 | 2012-03-28 | Siemens Corporation | Method and system for training a landmark detector using multiple instance learning |
CN103310195A (zh) * | 2013-06-09 | 2013-09-18 | 西北工业大学 | 车辆高分遥感图像的基于llc特征的弱监督识别方法 |
CN104573669A (zh) * | 2015-01-27 | 2015-04-29 | 中国科学院自动化研究所 | 图像物体检测方法 |
Non-Patent Citations (5)
Title |
---|
J. JEON等: "Automatic image annotation and retrieval using cross-media relevance models", 《SIGIR "03: PROCEEDINGS OF THE 26TH ANNUAL INTERNATIONAL ACM SIGIR CONFERENCE ON RESEARCH AND DEVELOPMENT IN INFORMAION RETRIEVAL》 * |
JIANPING FAN等: "Multi-level annotation of natural scenes using dominant image components and semantic concepts", 《MULTIMEDIA "04 PROCEEDINGS OF THE 12TH ANNUAL ACM INTERNATIONAL CONFERENCE ON MULTIMEDIA》 * |
MEI WANG等: "Automatic image annotation via local multi-label classification", 《CIVR "08 PROCEEDINGS OF THE 2008 INTERNATIONAL CONFERENCE ON CONTENT-BASED IMAGE AND VIDEO RETRIEVAL》 * |
WEI ZHANG等: "Automatic image annotation with weakly labeled dataset", 《MM "11 PROCEEDINGS OF THE 19TH ACM INTERNATIONAL CONFERENCE ON MULTIMEDIA》 * |
XU JIAOLONG等: "Learning a Part-Based Pedestrian Detector in a Virtual World", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108496185B (zh) * | 2016-01-18 | 2022-09-16 | 北京市商汤科技开发有限公司 | 用于对象检测的***和方法 |
CN108496185A (zh) * | 2016-01-18 | 2018-09-04 | 北京市商汤科技开发有限公司 | 用于对象检测的***和方法 |
CN108268510A (zh) * | 2016-12-30 | 2018-07-10 | 华为技术有限公司 | 一种图像标注方法和装置 |
CN108268510B (zh) * | 2016-12-30 | 2022-01-28 | 华为技术有限公司 | 一种图像标注方法和装置 |
US10387748B2 (en) | 2017-01-13 | 2019-08-20 | Beihang University | Method for salient object segmentation of image by aggregating multi-linear exemplar regressors |
CN106886995B (zh) * | 2017-01-13 | 2019-09-20 | 北京航空航天大学 | 多线性示例回归器聚合的图像显著对象分割方法 |
CN106886995A (zh) * | 2017-01-13 | 2017-06-23 | 北京航空航天大学 | 多线性示例回归器聚合的图像显著对象分割方法 |
CN110678877B (zh) * | 2017-03-16 | 2022-07-26 | 西门子股份公司 | 用于在测试图像中的视觉定位的***及方法 |
CN110678877A (zh) * | 2017-03-16 | 2020-01-10 | 西门子股份公司 | 使用弱监督神经网络在图像中视觉定位 |
CN108009279A (zh) * | 2017-12-20 | 2018-05-08 | 华东理工大学 | 一种基于空间位置关系图匹配的图像区域标签修正方法 |
CN108009279B (zh) * | 2017-12-20 | 2023-02-17 | 华东理工大学 | 一种基于空间位置关系图匹配的图像区域标签修正方法 |
CN108171191B (zh) * | 2018-01-05 | 2019-06-28 | 百度在线网络技术(北京)有限公司 | 用于检测人脸的方法和装置 |
CN108171191A (zh) * | 2018-01-05 | 2018-06-15 | 百度在线网络技术(北京)有限公司 | 用于检测人脸的方法和装置 |
CN108416384A (zh) * | 2018-03-05 | 2018-08-17 | 苏州大学 | 一种图像标签标注方法、***、设备及可读存储介质 |
CN108734195A (zh) * | 2018-04-13 | 2018-11-02 | 王延峰 | 基于协同学习的弱监督检测模型训练方法及*** |
CN109359683A (zh) * | 2018-10-15 | 2019-02-19 | 百度在线网络技术(北京)有限公司 | 目标检测方法、装置、终端和计算机可读存储介质 |
CN109359683B (zh) * | 2018-10-15 | 2021-07-27 | 百度在线网络技术(北京)有限公司 | 目标检测方法、装置、终端和计算机可读存储介质 |
CN109325631A (zh) * | 2018-10-15 | 2019-02-12 | 华中科技大学 | 基于数据挖掘的电动汽车充电负荷预测方法和*** |
CN109543693A (zh) * | 2018-11-28 | 2019-03-29 | 中国人民解放军国防科技大学 | 基于正则化标签传播的弱标注数据降噪方法 |
CN109543693B (zh) * | 2018-11-28 | 2021-05-07 | 中国人民解放军国防科技大学 | 基于正则化标签传播的弱标注数据降噪方法 |
CN111061890A (zh) * | 2019-12-09 | 2020-04-24 | 腾讯云计算(北京)有限责任公司 | 一种标注信息验证的方法、类别确定的方法及装置 |
CN111061890B (zh) * | 2019-12-09 | 2023-04-07 | 腾讯云计算(北京)有限责任公司 | 一种标注信息验证的方法、类别确定的方法及装置 |
CN111738354A (zh) * | 2020-07-20 | 2020-10-02 | 深圳市天和荣科技有限公司 | 一种自动识别训练方法、***、存储介质及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN105205501B (zh) | 2018-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105205501A (zh) | 一种多分类器联合的弱标注图像对象检测方法 | |
CN106682696B (zh) | 基于在线示例分类器精化的多示例检测网络及其训练方法 | |
Socarrás et al. | Adapting pedestrian detection from synthetic to far infrared images | |
CN106228142A (zh) | 基于卷积神经网络和贝叶斯决策的人脸验证方法 | |
CN103810274B (zh) | 基于WordNet语义相似度的多特征图像标签排序方法 | |
CN105389583A (zh) | 图像分类器的生成方法、图像分类方法和装置 | |
CN104408153A (zh) | 一种基于多粒度主题模型的短文本哈希学习方法 | |
CN102750347B (zh) | 一种用于图像或视频搜索重排序的方法 | |
CN105389550A (zh) | 一种基于稀疏指引与显著驱动的遥感目标检测方法 | |
CN103810299A (zh) | 基于多特征融合的图像检索方法 | |
CN105389326A (zh) | 基于弱匹配概率典型相关性模型的图像标注方法 | |
CN106250925B (zh) | 一种基于改进的典型相关分析的零样本视频分类方法 | |
CN105095863A (zh) | 基于相似性权值的半监督字典学习的人体行为识别方法 | |
CN106127197A (zh) | 一种基于显著标签排序的图像显著性目标检测方法 | |
CN103745233B (zh) | 基于空间信息迁移的高光谱图像分类方法 | |
CN105334504A (zh) | 基于大边界的非线性判别投影模型的雷达目标识别方法 | |
CN107220663B (zh) | 一种基于语义场景分类的图像自动标注方法 | |
CN103310235B (zh) | 一种基于参数识别与估计的隐写分析方法 | |
CN106228139A (zh) | 一种基于卷积网络的表观年龄预测算法及其*** | |
CN104915436A (zh) | 自适应多标签预测方法 | |
CN105912525A (zh) | 基于主题特征的半监督学习情感分类方法 | |
CN104881639A (zh) | 一种基于层次tdp模型的人脸检测、分割和表情识别方法 | |
CN103473308B (zh) | 基于最大间隔张量学习的高维多媒体数据分类方法 | |
CN105701225A (zh) | 一种基于统一关联超图规约的跨媒体检索方法 | |
CN106780422A (zh) | 一种基于Choquet积分的显著图融合方法 |
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 |