CN107958216A - 基于半监督的多模态深度学习分类方法 - Google Patents
基于半监督的多模态深度学习分类方法 Download PDFInfo
- Publication number
- CN107958216A CN107958216A CN201711202305.0A CN201711202305A CN107958216A CN 107958216 A CN107958216 A CN 107958216A CN 201711202305 A CN201711202305 A CN 201711202305A CN 107958216 A CN107958216 A CN 107958216A
- Authority
- CN
- China
- Prior art keywords
- sample
- mode
- classification
- semi
- implicit
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提出了在用深度学习进行分类的同时考虑了样本丰富的多模态信息以及各模态的分类贡献差异性,利用半监督方法解决样本不足的问题,本发明把高光谱图像不同模态数据分别送入深度神经网络,并采用半监督的方法来利用大量未标记样本,采用基于自编码的深度神经网络进行特征学习,将所有标记和未标记的数据送入自编码深度网络进行学习,分别为不同模态设计类似的网络,通过自编码重构来获取各自的初始化参数,通过聚类的方法获取有标记样本的隐含的属性分类,对未标记数据,先通过多目标深度网络计算其深度特征,然后基于聚类标签寻找近似的有标记样本,最后根据有标记样本的标记信息预测未标记样本的标记。
Description
技术领域
本发明涉及在用深度学习进行分类的同时考虑了样本丰富的多模态信息以及各模态的分类贡献差异性,利用半监督的方法解决样本不足问题的一种基于半监督的多模态深度学习分类方法。
背景技术
高光谱遥感图像具有的纹理、空间相关性以及光谱等多种模态信息,融合这么多方面的特征信息使得高光谱遥感可以探测到更多的地物信息,极大提高了人类对客观世界的认知能力。
目前更多的研究者直接利用深度模型对部分模态信息进行融合,较少研究者针对模态的分类贡献差异性来构建深度网络架构。此外,图像的分类性能主要依赖大量的训练样本,而实际往往缺乏足够的有标记样本。如何在拥有较少有标记样本的基础上,保持深度学习泛化能力的研究还比较少。
在公知技术中,现在有很多的深度模型,比如SAE、DBN、DCNN等。在2015年,Li等人提出基于SAE的深度架构来组合底层次特征。Chen等人提出利用另一种新的深度模型DBN进行分类,DBN模型能够提取更鲁棒的特征,获得优于其它模型的分类精度。
在深度模型DCNN方面,DCNN使用局部连接可以有效地提取空间信息,并通过共享权重来减少训练参数。Zhao等人首先通过局部判别嵌入方法压缩光谱特征,通过CNN学习空间特征,然后把处理后的光谱特征和空间特征放入多分类器。Chen等人提出端到端的DCNN框架进行特征学习和高光谱图像分类。A.Romero等人提出利用无监督的卷积神经网络分析遥感图像,该方法通过无监督的贪心分层预训练方法构建一个DCNN模型。针对训练样本少而维数高所带来的过拟合问题,Chen等人采用L2正则化和dropout来解决。Li等人提出利用CNN进行像素对特征分类的思想来补偿数据的不足。
发明内容
综上所述,现有的公知技术研究中更多是直接利用深度模型对部分模态信息进行融合,较少研究者针对模态的分类贡献差异性来构建深度网络架构。公知技术的缺点在于,许多深度模型比如SAE、DBN的不同层间采用全连接模式,需要训练大量的参数,而实际往往缺少大量可用的标记训练样本。此外,SAE和DBN在训练阶段,只是把空间信息表示成向量形式,因而不能更有效地提取空间信息。
对于DANN这个模型,它虽然使用局部连接可以有效地提取空间信息,并通过共享权值的方式减少参数的数量。但它需要很多个隐藏层才可以学到更复杂的数据特征,可能仍然需要学习非常多的参数,尤其当训练样本数量不充足时往往导致过拟合问题。
相比之下,现有的公知技术不能全面的考虑如何在拥有较少有标记样本的基础上,保持深度学习的泛化能力以及如何将样本的多模态信息和少的标记样本结合起来构建深度学习架构。
为了克服现有技术上的缺陷提出了本发明。本发明结合了样本的空间领域特征,纹理特征,光谱特征的多模态信息以及用各模态信息的分类贡献差异性来构建深度网络架构,此外还考虑了少量标记样本的问题,利用半监督的方法来利用少量标记的样本预测大量未标记的样本。
所述代价是分类正确率。
本发明所采用的技术方案为:基于半监督的多模态深度学习分类方法,包括如下步骤:
(1)将高光谱图像分为光谱模态、空间纹理模态和空间相关性模态,针对每种模态分别设计对应的深度卷积神经网络;
(2)根据模态的分类贡献差异度,设计融合三个模态的融合分类器F;每个模态本身具有自己的隐含属性,因此可以对不同模态数据进行聚类,以获得其内在属性类别,每个模态都对应一个隐含属性分类器,分别为光谱隐含属性分类器S,纹理隐含属性分类器T,以及相关性隐含属性分类器R。
(3)针对所有的标记样本,利用聚类方法来获取其隐含的属性分类;
(4)通过聚类后每个样本拥有两个标签,可以获得这两个类别的对应关系;
(5)对未标记的样本进行聚类分析,先通过多目标深度网络计算其深度特征,然后基于聚类标签寻找近似的有标记样本,最后根据有标记样本的标记信息预测未标记样本的标记;
所述步骤(5)需要设置预测标记的置信标准,如果超出标准则不做预测,当一定批次的未标记样本被预测出标记信息后,自适应地调整每个模态的分类贡献差异度。
本发明的有益效果:
本发明涉及基于半监督的多模态深度学习分类方法,较为全面考虑了样本多模态信息和各模态分类贡献差异度,以及将其和半监督方法结合起来解决标记样本少的问题,来提高深度模型的泛化能力。
在用深度学习进行分类的同时考虑了样本丰富的多模态信息以及各模态的分类贡献差异性,利用半监督的方法解决样本不足问题的一种基于半监督的多模态深度学习分类方法。该方法考虑了像元所具有的的纹理特征,空间特征,光谱特征的多模态信息的融合,同时还考虑了各个模态信息对深度网络架构的贡献差异度,并且将多模态信息对分类的贡献差异度和预测未标记样本结合起来来提高深度模型的泛化能力,最终达到提高高光谱图像分类的正确率。
附图说明
下面结合附图对本发明作进一步的说明。
通过参考以下结合附图对所采用的实施方式的详细描述,本发明的上述目的、优点和特征将变得更显而易见,其中:
图1是本发明的整体流程结构的示意图;
图2是本发明实施方案的半监督多模态深度学习框架的具体实践步骤;
图3是本发明实施方案的半监督多模态深度学习框架的具体实践步骤;
图4是本发明实施方案的半基于自编码的网络结构参数初始化的具体流程图;
图5是本发明实施方案的基于多目标的无标记样本协同预测方法的具体流程图。
具体实施方式
下面将参考附图来详细描述本发明的具体实施方式。
图1示出本发明的实施方案的***结构。102是高光谱图像的样本和标记信息的输入,103代表我们对接收的样本进行的预处理,104代表我们将处理后的样本分组,105是将分好组后的样本分别送到半监督多模态深度学习框架中进行学习,106代表将每个深度学习框架的结果结合起来做一个决策处理,107是得到最终的分类结果。
图2和图3示出本发明实施方案的半监督多模态深度学习框架的具体实践步骤。本方案把高光谱图像不同模态数据分别送入深度神经网络,并采用半监督的方法来利用大量未标记样本。201到203表示把高光谱图像分为光谱模态、空间纹理模态和空间相关性模态,针对每种模态分别设计对应的深度卷积神经网络分别为204到206,其中深度网络采用AlexNet架构,AlexNet架构拥有五个卷积层,两个全连接层。根据模态的分类贡献差异度如304所示,306是设计融合三个模态的融合分类器F。每个模态本身具有自己的隐含属性,比如纹理类似的可划做一类,因此可以对不同模态数据进行聚类,以获得其内在属性类别,每个模态都对应一个隐含属性分类器,分别为305是光谱隐含属性分类器S,307是纹理隐含属性分类器T,以及308是相关性隐含属性分类器R。深度神经网络以样本类别和隐含属性类别两个分类目标进行抽象特征的学习,具体多分类目标学习策略(207所示)如图3所示。以光谱模态301为例,展示了多分类目标的学习策略,其中306是融合分类器F,它是以样本类别作为目标的,谱隐含属性分类器S如305所示是以光谱的隐含属性为目标的,通过融合两个分类目标,可以学到以样本类别为基础的隐含属性类别如309所示。
图4示出本发明实施方案的基于自编码的网络结构参数初始化的具体实践步骤。高光谱遥感图像通常只有少量的高质量的标记信息,很难利用有监督方法学习到合适的网络初始化参数,为了学习相对合理的初始网络参数,将采用基于自编码的深度神经网络进行特征学习,402是将所有标记和未标记的数据都送入自编码深度网络进行学习,此深度网络架构包括五层卷积层和四层编码与自编码层,403是分别为不同模态设计类似的网络,404是通过自编码重构来获取各自的初始化参数,对于高光谱图像的某种模态数据v,相应的输出是405是通过最小化均方重构误差来训练网络,其中M和N分别是有标记样本和未标记样本的数量,r表示模态。406是我们使用基于随机梯度下降的标准反向传播算法来优化重建网络。407是当每个模态的网络达到收敛后,基于自编码的网络结构中的卷积层参数作为对应的半监督深度网络结构中相应模态的卷积层参数。
图5示出本发明实施方案的基于多目标的无标记样本协同预测方法的具体实践步骤。对于高光谱的某一模态数据,503是针对所有的标记样本,利用聚类方法来获取其隐含的属性分类,通过聚类后每个样本拥有两个标签:原始的类别标签c和聚类后的隐含属性类别标签c’,504是针对标记样本,可以获得这两个类别的对应关系。针对无标记样本,聚类的目的就是:根据无标记样本(c标签未知)的聚类结果(获得c’标签),在有标记样本中根据c’标签来寻找其相似的c标签。为了更好的平衡类别标签c和隐含属性类别标签c’,在505种我们以两者为目标进行深度模型训练。基于对多模态数据的考虑,针对类别标签c的分类目标采用多模态融合的方式,融合策略采用前面提到的分类贡献差异度,多目标深度模型学习的目标函数为:这里r表示模态,wr表示r模态的分类贡献度。基于多目标损失函数完成网络训练后,506是针对未标记数据,先通过多目标深度网络计算其深度特征,然后507是基于聚类标签寻找近似的有标记样本,508是根据有标记样本的标记信息预测未标记样本的标记,需要设置预测标记的置信标准,如果超出标准则不做预测,509是当一定批次的未标记样本被预测出标记信息后,可以自适应地调整每个模态的分类贡献差异度,510是当网络训练趋于稳定,未有满足预测标准的新样本出现,可停止训练。通过深度模型得到各自的分类结果后,通过决策组合来确定最终的分类结果。
尽管以上已经结合本发明的优选实施例示出了本发明,但是本领域的技术人员将会理解,在不脱离本发明的精神和范围的情况下,可以对本发明进行各种修改、替换和改变。因此,本发明不应由上述实施例来限定,而应由所附权利要求及其等价物来限定。
Claims (2)
1.基于半监督的多模态深度学习分类方法,其特征在于,包括如下步骤:
(1)将高光谱图像分为光谱模态、空间纹理模态和空间相关性模态,针对每种模态分别设计对应的深度卷积神经网络;
(2)根据模态的分类贡献差异度,设计融合三个模态的融合分类器F;每个模态本身具有自己的隐含属性,因此可以对不同模态数据进行聚类,以获得其内在属性类别,每个模态都对应一个隐含属性分类器,分别为光谱隐含属性分类器S,纹理隐含属性分类器T,以及相关性隐含属性分类器R。
(3)针对所有的标记样本,利用聚类方法来获取其隐含的属性分类;
(4)通过聚类后每个样本拥有两个标签,可以获得这两个类别的对应关系;
(5)对未标记的样本进行聚类分析,先通过多目标深度网络计算其深度特征,然后基于聚类标签寻找近似的有标记样本,最后根据有标记样本的标记信息预测未标记样本的标记。
2.根据权利要求1所述的基于半监督的多模态深度学习分类方法,其特征在于,所述步骤(5)需要设置预测标记的置信标准,如果超出标准则不做预测,当一定批次的未标记样本被预测出标记信息后,自适应地调整每个模态的分类贡献差异度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711202305.0A CN107958216A (zh) | 2017-11-27 | 2017-11-27 | 基于半监督的多模态深度学习分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711202305.0A CN107958216A (zh) | 2017-11-27 | 2017-11-27 | 基于半监督的多模态深度学习分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107958216A true CN107958216A (zh) | 2018-04-24 |
Family
ID=61961887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711202305.0A Withdrawn CN107958216A (zh) | 2017-11-27 | 2017-11-27 | 基于半监督的多模态深度学习分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107958216A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664999A (zh) * | 2018-05-03 | 2018-10-16 | 北京图森未来科技有限公司 | 一种分类模型的训练方法及其装置、计算机服务器 |
CN109146003A (zh) * | 2018-09-30 | 2019-01-04 | 合刃科技(深圳)有限公司 | 一种基于高光谱成像的分类识别方法、装置及*** |
CN109361404A (zh) * | 2018-09-28 | 2019-02-19 | 华南理工大学 | 一种基于半监督深度学习网络的ldpc译码***及译码方法 |
CN109460708A (zh) * | 2018-10-09 | 2019-03-12 | 东南大学 | 一种基于生成对抗网络的林火图像样本生成方法 |
CN109784405A (zh) * | 2019-01-16 | 2019-05-21 | 山东建筑大学 | 基于伪标签学习和语义一致性的跨模态检索方法及*** |
CN109831392A (zh) * | 2019-03-04 | 2019-05-31 | 中国科学技术大学 | 半监督网络流量分类方法 |
CN109858557A (zh) * | 2019-02-13 | 2019-06-07 | 安徽大学 | 一种新的高光谱图像数据半监督分类算法 |
CN109978071A (zh) * | 2019-04-03 | 2019-07-05 | 西北工业大学 | 基于数据增广和分类器融合的高光谱图像分类方法 |
CN110009015A (zh) * | 2019-03-25 | 2019-07-12 | 西北工业大学 | 基于轻量化网络和半监督聚类的高光谱小样本分类方法 |
CN110119447A (zh) * | 2019-04-26 | 2019-08-13 | 平安科技(深圳)有限公司 | 自编码神经网络处理方法、装置、计算机设备及存储介质 |
WO2019210737A1 (zh) * | 2018-05-04 | 2019-11-07 | 上海商汤智能科技有限公司 | 对象预测方法及装置、电子设备和存储介质 |
CN110479636A (zh) * | 2019-07-19 | 2019-11-22 | 深圳市微蓝智能科技有限公司 | 基于神经网络自动分拣烟叶的方法及装置 |
CN111553890A (zh) * | 2020-04-22 | 2020-08-18 | 上海全景云医学影像诊断有限公司 | 基于增量学习的x光正位胸片多任务检测方法 |
CN111652177A (zh) * | 2020-06-12 | 2020-09-11 | 中国计量大学 | 基于深度学习的信号特征提取方法 |
CN111768366A (zh) * | 2020-05-20 | 2020-10-13 | 深圳迈瑞生物医疗电子股份有限公司 | 超声成像***、bi-rads分级方法及模型训练方法 |
CN112001438A (zh) * | 2020-08-19 | 2020-11-27 | 四川大学 | 聚类数目自动选择的多模态数据聚类方法 |
CN112182225A (zh) * | 2020-10-14 | 2021-01-05 | 上海宝钿科技产业发展有限公司 | 一种多模态场景目标基于半监督深度学习的知识管理方法 |
CN113140273A (zh) * | 2021-03-31 | 2021-07-20 | 厦门大学 | 一种基于深度学习的icu患者电子病历分析方法及*** |
CN109242033B (zh) * | 2018-09-21 | 2021-08-20 | 长鑫存储技术有限公司 | 晶片缺陷模式分类方法及装置、存储介质、电子设备 |
CN114742132A (zh) * | 2022-03-17 | 2022-07-12 | 湖南工商大学 | 基于共有差异学习的深度多视图聚类方法、***及设备 |
WO2022166361A1 (zh) * | 2021-02-04 | 2022-08-11 | 浙江师范大学 | 一种基于跨模态融合的深度聚类方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101980480A (zh) * | 2010-11-04 | 2011-02-23 | 西安电子科技大学 | 半监督异常入侵检测方法 |
CN101980202A (zh) * | 2010-11-04 | 2011-02-23 | 西安电子科技大学 | 不平衡数据的半监督分类方法 |
CN102646200A (zh) * | 2012-03-08 | 2012-08-22 | 武汉大学 | 多分类器自适应权值融合的影像分类方法及*** |
CN102968639A (zh) * | 2012-09-28 | 2013-03-13 | 武汉科技大学 | 基于局部线性回归的半监督图像聚类子空间学习算法 |
CN103605990A (zh) * | 2013-10-23 | 2014-02-26 | 江苏大学 | 基于图聚类标签传播的集成多分类器融合分类方法和*** |
CN103942779A (zh) * | 2014-03-27 | 2014-07-23 | 南京邮电大学 | 一种基于图论和半监督学习相结合的图像分割方法 |
CN104598813A (zh) * | 2014-12-09 | 2015-05-06 | 西安电子科技大学 | 一种基于集成学习和半监督svm的计算机入侵检测方法 |
CN104751182A (zh) * | 2015-04-02 | 2015-07-01 | 中国人民解放军空军工程大学 | 基于ddag的svm多类分类主动学习算法 |
CN105303198A (zh) * | 2015-11-17 | 2016-02-03 | 福州大学 | 一种自定步长学习的遥感影像半监督分类方法 |
-
2017
- 2017-11-27 CN CN201711202305.0A patent/CN107958216A/zh not_active Withdrawn
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101980480A (zh) * | 2010-11-04 | 2011-02-23 | 西安电子科技大学 | 半监督异常入侵检测方法 |
CN101980202A (zh) * | 2010-11-04 | 2011-02-23 | 西安电子科技大学 | 不平衡数据的半监督分类方法 |
CN102646200A (zh) * | 2012-03-08 | 2012-08-22 | 武汉大学 | 多分类器自适应权值融合的影像分类方法及*** |
CN102968639A (zh) * | 2012-09-28 | 2013-03-13 | 武汉科技大学 | 基于局部线性回归的半监督图像聚类子空间学习算法 |
CN103605990A (zh) * | 2013-10-23 | 2014-02-26 | 江苏大学 | 基于图聚类标签传播的集成多分类器融合分类方法和*** |
CN103942779A (zh) * | 2014-03-27 | 2014-07-23 | 南京邮电大学 | 一种基于图论和半监督学习相结合的图像分割方法 |
CN104598813A (zh) * | 2014-12-09 | 2015-05-06 | 西安电子科技大学 | 一种基于集成学习和半监督svm的计算机入侵检测方法 |
CN104751182A (zh) * | 2015-04-02 | 2015-07-01 | 中国人民解放军空军工程大学 | 基于ddag的svm多类分类主动学习算法 |
CN105303198A (zh) * | 2015-11-17 | 2016-02-03 | 福州大学 | 一种自定步长学习的遥感影像半监督分类方法 |
Non-Patent Citations (1)
Title |
---|
韩玉想: ""基于聚类分析的标签传播半监督学习研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664999A (zh) * | 2018-05-03 | 2018-10-16 | 北京图森未来科技有限公司 | 一种分类模型的训练方法及其装置、计算机服务器 |
WO2019210737A1 (zh) * | 2018-05-04 | 2019-11-07 | 上海商汤智能科技有限公司 | 对象预测方法及装置、电子设备和存储介质 |
US11593596B2 (en) | 2018-05-04 | 2023-02-28 | Shanghai Sense Time Intelligent Technology Co., Ltd. | Object prediction method and apparatus, and storage medium |
CN109242033B (zh) * | 2018-09-21 | 2021-08-20 | 长鑫存储技术有限公司 | 晶片缺陷模式分类方法及装置、存储介质、电子设备 |
CN109361404A (zh) * | 2018-09-28 | 2019-02-19 | 华南理工大学 | 一种基于半监督深度学习网络的ldpc译码***及译码方法 |
CN109361404B (zh) * | 2018-09-28 | 2020-07-28 | 华南理工大学 | 一种基于半监督深度学习网络的ldpc译码***及译码方法 |
CN109146003A (zh) * | 2018-09-30 | 2019-01-04 | 合刃科技(深圳)有限公司 | 一种基于高光谱成像的分类识别方法、装置及*** |
CN109146003B (zh) * | 2018-09-30 | 2022-06-07 | 合刃科技(深圳)有限公司 | 一种基于高光谱成像的分类识别方法、装置及*** |
CN109460708A (zh) * | 2018-10-09 | 2019-03-12 | 东南大学 | 一种基于生成对抗网络的林火图像样本生成方法 |
CN109784405B (zh) * | 2019-01-16 | 2020-09-08 | 山东建筑大学 | 基于伪标签学习和语义一致性的跨模态检索方法及*** |
CN109784405A (zh) * | 2019-01-16 | 2019-05-21 | 山东建筑大学 | 基于伪标签学习和语义一致性的跨模态检索方法及*** |
CN109858557B (zh) * | 2019-02-13 | 2022-12-27 | 安徽大学 | 一种新的高光谱图像数据半监督分类方法 |
CN109858557A (zh) * | 2019-02-13 | 2019-06-07 | 安徽大学 | 一种新的高光谱图像数据半监督分类算法 |
CN109831392A (zh) * | 2019-03-04 | 2019-05-31 | 中国科学技术大学 | 半监督网络流量分类方法 |
CN110009015A (zh) * | 2019-03-25 | 2019-07-12 | 西北工业大学 | 基于轻量化网络和半监督聚类的高光谱小样本分类方法 |
CN109978071A (zh) * | 2019-04-03 | 2019-07-05 | 西北工业大学 | 基于数据增广和分类器融合的高光谱图像分类方法 |
CN110119447A (zh) * | 2019-04-26 | 2019-08-13 | 平安科技(深圳)有限公司 | 自编码神经网络处理方法、装置、计算机设备及存储介质 |
CN110119447B (zh) * | 2019-04-26 | 2023-06-16 | 平安科技(深圳)有限公司 | 自编码神经网络处理方法、装置、计算机设备及存储介质 |
CN110479636B (zh) * | 2019-07-19 | 2021-11-09 | 深圳市微蓝智能科技有限公司 | 基于神经网络自动分拣烟叶的方法及装置 |
CN110479636A (zh) * | 2019-07-19 | 2019-11-22 | 深圳市微蓝智能科技有限公司 | 基于神经网络自动分拣烟叶的方法及装置 |
CN111553890B (zh) * | 2020-04-22 | 2021-01-08 | 上海全景云医学影像诊断有限公司 | 基于增量学习的x光正位胸片多任务检测方法 |
CN111553890A (zh) * | 2020-04-22 | 2020-08-18 | 上海全景云医学影像诊断有限公司 | 基于增量学习的x光正位胸片多任务检测方法 |
CN111768366A (zh) * | 2020-05-20 | 2020-10-13 | 深圳迈瑞生物医疗电子股份有限公司 | 超声成像***、bi-rads分级方法及模型训练方法 |
CN111652177A (zh) * | 2020-06-12 | 2020-09-11 | 中国计量大学 | 基于深度学习的信号特征提取方法 |
CN112001438A (zh) * | 2020-08-19 | 2020-11-27 | 四川大学 | 聚类数目自动选择的多模态数据聚类方法 |
CN112001438B (zh) * | 2020-08-19 | 2023-01-10 | 四川大学 | 聚类数目自动选择的多模态数据聚类方法 |
CN112182225A (zh) * | 2020-10-14 | 2021-01-05 | 上海宝钿科技产业发展有限公司 | 一种多模态场景目标基于半监督深度学习的知识管理方法 |
WO2022166361A1 (zh) * | 2021-02-04 | 2022-08-11 | 浙江师范大学 | 一种基于跨模态融合的深度聚类方法及*** |
CN113140273A (zh) * | 2021-03-31 | 2021-07-20 | 厦门大学 | 一种基于深度学习的icu患者电子病历分析方法及*** |
CN113140273B (zh) * | 2021-03-31 | 2022-05-10 | 厦门大学 | 一种基于深度学习的icu患者电子病历分析方法及*** |
CN114742132A (zh) * | 2022-03-17 | 2022-07-12 | 湖南工商大学 | 基于共有差异学习的深度多视图聚类方法、***及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107958216A (zh) | 基于半监督的多模态深度学习分类方法 | |
CN109344736B (zh) | 一种基于联合学习的静态图像人群计数方法 | |
CN110321923B (zh) | 不同尺度感受野特征层融合的目标检测方法、***及介质 | |
CN111368896B (zh) | 基于密集残差三维卷积神经网络的高光谱遥感图像分类方法 | |
CN107609601B (zh) | 一种基于多层卷积神经网络的舰船目标识别方法 | |
CN108021947B (zh) | 一种基于视觉的分层极限学习机目标识别方法 | |
CN105512640B (zh) | 一种基于视频序列的人流量统计方法 | |
CN107527068A (zh) | 基于cnn和域自适应学习的车型识别方法 | |
CN110796168A (zh) | 一种基于改进YOLOv3的车辆检测方法 | |
CN108830334A (zh) | 一种基于对抗式迁移学习的细粒度目标判别方法 | |
CN106650806A (zh) | 一种用于行人检测的协同式深度网络模型方法 | |
CN106919920A (zh) | 基于卷积特征和空间视觉词袋模型的场景识别方法 | |
CN106991382A (zh) | 一种遥感场景分类方法 | |
CN107818302A (zh) | 基于卷积神经网络的非刚性多尺度物体检测方法 | |
CN104992142A (zh) | 一种基于深度学习和属性学习相结合的行人识别方法 | |
CN105160400A (zh) | 基于l21范数的提升卷积神经网络泛化能力的方法 | |
CN106815604A (zh) | 基于多层信息融合的注视点检测方法 | |
CN108596203A (zh) | 并联池化层对受电弓碳滑板表面磨耗检测模型的优化方法 | |
CN104134068B (zh) | 基于稀疏编码的监控车辆特征表示及分类方法 | |
CN109858506A (zh) | 一种面向卷积神经网络分类结果的可视化算法 | |
CN110163077A (zh) | 一种基于全卷积神经网络的车道识别方法 | |
CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
CN104484681A (zh) | 基于空间信息和集成学习的高光谱遥感影像分类方法 | |
CN116110022B (zh) | 基于响应知识蒸馏的轻量化交通标志检测方法及*** | |
CN109948696A (zh) | 一种多语言场景字符识别方法及*** |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180424 |