CN108734195A - 基于协同学习的弱监督检测模型训练方法及*** - Google Patents

基于协同学习的弱监督检测模型训练方法及*** Download PDF

Info

Publication number
CN108734195A
CN108734195A CN201810328284.5A CN201810328284A CN108734195A CN 108734195 A CN108734195 A CN 108734195A CN 201810328284 A CN201810328284 A CN 201810328284A CN 108734195 A CN108734195 A CN 108734195A
Authority
CN
China
Prior art keywords
detector
strong
training
weak
error
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Withdrawn
Application number
CN201810328284.5A
Other languages
English (en)
Inventor
张娅
王嘉杰
姚江超
王延峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Media Intelligence Technology Co Ltd
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201810328284.5A priority Critical patent/CN108734195A/zh
Publication of CN108734195A publication Critical patent/CN108734195A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于协同学习的弱监督检测模型训练方法及***，包括：使用卷积神经网络提取图片的抽象视觉特征；随后使用强、弱两类检测模型根据视觉特征对检测结果进行预测；所述强检测器以包围框标注作为训练条件；所述弱检测器仅需图片级标注作为训练条件；然后计算训练误差，该误差由强检测器误差和弱检测器误差两部分组成；所述的强检测器误差由一致性损失定义；所述的弱检测器误差是图片级别的交叉熵损失；再利用训练误差同时更新强、弱检测器的参数，直至训练收敛。本发明基于协同学习的方式同时训练两个不同性质的检测模型，让两者在训练过程中相互协助、共同提高，从而解决了检测模型在弱监督条件下难以训练的问题。

Description

基于协同学习的弱监督检测模型训练方法及***
技术领域
本发明涉及计算机视觉领域，具体地，特别涉及一种基于协同学习的弱监督检测模型训练方法及***。
背景技术
计算机视觉，特别是目标检测技术在特定领域里，如监控捕捉，无人车等，起到了至关重要的作用。在深度学习的帮助下，近年来涌现了大量成功的检测模型，这些检测模型在识别准确度和速度上都远远超过以往的检测模型。然而，训练一个高准确率的检测模型需要大量的精确标注的图片数据作为模型监督条件，这往往需要花费大量的人力物力。同时，海量的粗略标注过的数据可以轻松的从互联网获得，因此一种非常有实用价值的研究方向是研究如何在弱监督，即仅提供粗略图片类别标注的条件下，如何有效的训练检测模型。
针对弱监督条件下的检测模型训练，目前主要的研究思路将目标检测任务作为一个多示例学习任务来处理:把由传统方法提取的候选包围框视为个例(instance)，而把整张图片作为包含所有个例的包(bag)，弱监督条件即只有包的标注，而不提供个例的标注。因此，模型的训练在从包的所有个例中挑选正样本和训练模型参数之间迭代进行，而该模型也被成为弱检测模型。
另外一种尝试是在弱监督条件下，通过伪标签的方法训练复杂的强检测模型。这类方法利用训练好的弱检测模型的预测结果作为训练强检测器模型的强标注，从而有效利用了强检测器模型的学习能力，如训练候选包围框提取网络和包围框坐标回归网络。
这些弱监督条件下的检测模型训练方法，一定程度上解决了检测模型在缺少精细标注的条件下难以训练的问题，但是模型的预测效果仍然难以令人满意。
发明内容
本发明的目的是克服现有技术的不足，提供一种基于协同学习的弱监督检测模型训练方法及***，以解决在仅仅提供粗糙图片类别标注的条件下，检测模型难以训练的问题。
根据本发明的第一方面，提供一种基于协同学习的弱监督检测模型训练方法，包括：
S1：使用卷积神经网络提取图片的抽象视觉特征；
S2：使用强检测器和弱检测器根据抽象视觉特征对图片检测结果进行预测，其中：
所述强检测器DS，需要图片中的包围框标注作为训练条件，包括每一个包围框的类别标注和坐标标注
所述弱检测器DW，仅需图片类别标签yc作为训练条件，不需要精细的包围框标注
S3：根据上述预测结果计算训练误差，所述训练误差由强检测器误差和弱检测器误差两部分组成，包含作用于弱检测器的交叉熵误差L(DW)和作用于强检测器的一致性误差L(DS)；
S4：基于得到的训练误差，使用梯度回传算法同时更新强检测器和弱检测器的参数，直至训练收敛。
优选地，所述的强检测器误差L(DS)，为强检测器在没有包围框标注的情况下训练提供训练目标，其过程为：
获得强检测器和弱检测器在同一张图片中的包围框预测{(pi,ti)}和{(pj,tj)}；
计算强检测器内部对于每一个包围框的类别预测一致程度
计算强检测器和弱检测器之间对于包围框的类别预测一致程度和坐标预测一致程度
对和进行加权求和并取负，即得到作用于强检测器的一致性误差L(DS)。
本发明中，强检测器在没有包围框标注的情况下，通过预测目标保持一致性进行训练，一致性既包含了与自身的预测相一致，又包含了两个检测器之间预测相一致，从而保证了训练方法的鲁棒性。
优选地，所述计算两个检测器之间预测的一致性，既包含了对包围框坐标的一致性计算，即又包含了对包围框类别的一致性计算，即
优选地，所述训练误差同时更新强、弱检测器的参数，利用梯度回传算法计算更新量，并且在训练中共享模型部分参数，从而增强两类检测器之间的信息传递，迭代训练直至模型收敛。
根据本发明的第二方面，提供一种基于协同学习的弱监督检测模型训练***，包括：
特征提取模块：使用卷积神经网络提取图片的抽象视觉特征；
预测模块：使用强检测器和弱检测器根据所述特征提取模块的抽象视觉特征对图片检测结果进行预测，其中：所述强检测器DS，需要图片中的包围框标注作为训练条件，包括每一个包围框的类别标注和坐标标注所述弱检测器DW，仅需图片类别标签yc作为训练条件，不需要精细的包围框标注
训练误差计算模块：根据所述预测模块的预测结果计算训练误差，所述训练误差由强检测器误差和弱检测器误差两部分组成，包含作用于弱检测器的交叉熵误差L(DW)和作用于强检测器的一致性误差L(DS)；
更新模块：基于所述训练误差计算得到的训练误差，使用梯度回传算法同时更新强检测器和弱检测器的参数，直至训练收敛。
本发明是基于协同学习的思想，同时训练两类检测模型，通过保持预测结果的一致性来解决强检测器没有精确强标注无法进行训练的问题，同时在训练过程中共享两类检测模型的部分模型参数，从而在特征层面增强了两类模型之间的信息流动。
与现有技术相比，本发明具有如下的有益效果：
本发明通过设计一种简单而有效的协同学习框架，联合训练两类检测模型，使得两类不同机制和特性的检测模型相互协作，共享信息，从而共同提高模型准确率。
使用本发明将有助于将互联网上大量存在的图片和粗糙类别标签用于目标检测模型的训练，从而有效节省精细标注所需的人力物力，同时通过协同学习的方法，解决了传统弱监督检测器的模型结构单一化或者利用伪标签训练强检测器不稳定的问题，最后能够得到较为准确的检测结果。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明一实施例中的训练方法流程图；
图2为本发明一实施例所用的强、弱检测器的构造图；
图3为本发明一实施例训练得到的检测器的结果比较示例；
图4为本发明一实施例训练时强、弱检测器的准确率上升曲线。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
本发明综合考虑将基于协同学习同时训练两个不同性质的检测模型即强检测器和弱检测器，目的是让两者在训练过程中相互协助、共同提高，从而解决了检测模型在弱监督条件下难以训练，模型测试结果不佳的问题。
按照总体技术的实现，所述基于协同学习的弱监督检测模型训练方法主要包括四部分，即：
(一)抽象视觉特征提取；
(二)两类检测模型预测检测结果；
(三)计算训练误差；
(四)更新模型参数至模型收敛。
上述四部分构成了本发明中检测模型训练方法，为了能更好的理解本发明，以下结合实施例对本发明的方法实现进行介绍。
如图1所示，为本实施例提供的弱监督检测模型训练方法的流程图，其中：
(一)抽象视觉特征提取；
以PASCAL VOC2007数据集为例，利用经过预训练的深度卷积神经网络提取图片数据的抽象视觉特征。同时，如图2所示，利用包围框搜索算法和包围框生成网络生成分别用于强、弱检测器的包围框，根据包围框的位置和整幅图的抽象视觉特征得到每一个包围框的特征表达向量φi,φj，其中φi是强检测器的特征向量，φj是弱检测器的特征向量。
(二)两类检测器检测预测结果；
如图2所示，利用两类不同结构和性质的目标检测模型对提取到的包围框特征进行检测。其中强检测器采用了Faster-RCNN的基础结构，即在包围框生成网络提取包围框的基础上，单独预测每一个包围框的分类概率pi，并且计算包围框坐标位置的偏移量Δti；弱检测器采用了WSDDN两支网络的基础结构，即在包围框搜索算法生成包围框的基础上，利用一支浅层网络用于包围框的定位概率预测另一支浅层网络用于包围框的分类概率预测其中j代表第j个包围框，c代表第c个类别。将和进行元素间相乘，从而得到包围框j的类别预测结果pjc。另外，对所有包围框的类别预测结果pjc在维度j上进行求和，可以得到对第c类物体是否在图片中存在的预测概率值yc，用公式表达为：
其中
其中，BW为由包围框搜索算法生成的用于弱检测器的包围框数量。
(三)计算训练误差；
由于整体模型包含两个检测器，故训练误差由强检测器误差和弱检测器误差两部分组成。
针对弱检测器误差，设其为L(DW)，定义为真实图像标签和图片标签预测y之间的二进制交叉熵损失(BCE)，用公式表示为：
其中，C代表类别总数，的取值为[0,1]，代表第c类物体在图片中是否存在。
针对强检测器误差，由于包围框标注的缺失而无法直接进行计算，因此通过设计一种一致性损失的目标函数L(DS)为强检测器提供训练目标，其过程为：
(1)获得强检测器和弱检测器在同一张图片中的包围框预测{(pi,ti)}和{(pj,tj)}，其中，pi,pj分别是强检测器和弱检测器的类别预测，ti,tj分别是强检测器和弱检测器的坐标预测；
(2)计算强检测器内部对于每一个包围框的类别预测一致程度
(3)计算强检测器和弱检测器之间对于包围框的类别预测一致程度和坐标预测一致程度
(4)对和进行加权求和并取负，即得到作用于强检测器的一致性误差L(DS)。
其中，两个检测器之间的类别预测一致程度用似然函数pjclogpic进行衡量，坐标预测一致程度用L1-smooth函数R(tjc-tic)衡量；强检测器内部的类别预测一致程度用似然函数piclogpic衡量。pic,pjc分别是强检测器和弱检测器对于第i个和第j个包围框的关于第c个类别的类别预测结果，tic,tjc分别是强检测器和弱检测器对于第i个和第j个包围框的关于第c个类别的坐标预测结果；
因此，L(DS)可以用公式表述为：
其中，Iij代表一个适性函数，当来自强检测器的包围框与弱检测器的包围框重叠率大于50％，Iij＝1，否则为Iij＝0。参数β用于控制和之间的权重，解决仅仅依赖两检测器之间一致性时带来的不稳定性，其中β∈(0,1)。BW,BS为由包围框搜索算法生成的用于弱检测器和强检测器的包围框数量，C代表类别总数。
本步骤中，强检测器在没有包围框标注的情况下，通过预测目标保持一致性进行训练，一致性既包含了与自身的预测相一致，又包含了两个检测器之间预测相一致，从而保证了训练方法的鲁棒性。
(四)更新模型参数至模型收敛。
运用(三)中计算得到的训练误差，可以利用反向梯度回传算法同时更新强、弱检测器的参数。
本步骤中，如图2所示，强、弱检测器在卷积层和部分全连接层共享参数，从而实现特征共享，增强强、弱两个检测模型之间的信息交互。
根据本发明上述方法，还提供一种基于协同学习的弱监督检测模型训练***，包括：
特征提取模块：使用卷积神经网络提取图片的抽象视觉特征；
预测模块：使用强检测器和弱检测器根据所述特征提取模块的抽象视觉特征对图片检测结果进行预测，其中：所述强检测器DS，需要图片中的包围框标注作为训练条件，包括每一个包围框的类别标注和坐标标注所述弱检测器DW，仅需图片类别标签yc作为训练条件，不需要精细的包围框标注
训练误差计算模块：根据所述预测模块的预测结果计算训练误差，所述训练误差由强检测器误差和弱检测器误差两部分组成，包含作用于弱检测器的交叉熵误差L(DW)和作用于强检测器的一致性误差L(DS)；
更新模块：基于所述训练误差计算得到的训练误差，使用梯度回传算法同时更新强检测器和弱检测器的参数，直至训练收敛。
本发明上述实施例***中的各个模块，其实现的技术与所述方法步骤对应，在此不再赘述。
实施效果
依据上述步骤，在PASCAL VOC 2007数据集上进行实验。
如图3所示，是依据本发明方法训练得到的强、弱检测器的实施例与其他在弱监督条件下适用的方法训练得到的检测模型在测试数据图片上的效果比较。其中，IW是单独训练得到的弱检测器，CSS是分开迭代训练得到的强检测器，CLW和CLS分别为本发明得到的强、弱检测器。可以看出，本发明中的强检测器明显优于其他检测器模型，表现在可以生成更全面和紧凑的包围框预测结果。
如图4所示，是依据本发明方法训练时，实施例中强、弱检测器的准确率变化曲线。可以看出，由于弱检测器结构简单易训练，其准确率上升较快；同时强检测器学习任务复杂，学习能力更强，其准确率逐渐上升并且超越弱检测器；在整个训练过程中，两类检测器模型相互协助，达到共同提高的效果，从而解决了检测模型在弱监督条件下难以训练的问题。
需要说明的是，本发明提供的所述基于协同学习的弱监督检测模型训练方法中的步骤，可以利用所述基于协同学习的弱监督检测模型训练***中对应的模块、装置、单元等予以实现，本领域技术人员可以参照所述***的技术方案实现所述方法的步骤流程，即，所述***中的实施例可理解为实现所述方法的优选例，在此不予赘述。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的***及其各个装置以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***及其各个装置以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的***及其各项装置可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种基于协同学习的弱监督检测模型训练方法，其特征在于包括：
S1：使用卷积神经网络提取图片的抽象视觉特征；
S2：使用强检测器和弱检测器根据抽象视觉特征对图片检测结果进行预测，其中：
所述强检测器DS，需要图片中的包围框标注作为训练条件，包括每一个包围框的类别标注和坐标标注
所述弱检测器DW，仅需图片类别标签yc作为训练条件，不需要精细的包围框标注
S3：根据上述预测结果计算训练误差，所述训练误差由强检测器误差和弱检测器误差两部分组成，包含作用于弱检测器的交叉熵误差L(DW)和作用于强检测器的一致性误差L(DS)；
S4：基于得到的训练误差，使用梯度回传算法同时更新强检测器和弱检测器的参数，直至训练收敛。
2.根据权利要求1所述的基于协同学习的弱监督检测模型训练方法，其特征在于：所述作用于强检测器的一致性误差L(DS)，为强检测器在没有包围框标注的情况下训练提供训练目标，其过程为：
获得强检测器和弱检测器在同一张图片中的包围框预测{(pi,ti)}和{(pj,tj)}，其中，pi,pj分别是强检测器和弱检测器的类别预测，ti,tj分别是强检测器和弱检测器的坐标预测；
计算强检测器内部对于每一个包围框的类别预测一致程度
计算强检测器和弱检测器之间对于包围框的类别预测一致程度和坐标预测一致程度
对和进行加权求和并取负，即得到作用于强检测器的一致性误差L(DS)。
3.根据权利要求2所述的基于协同学习的弱监督检测模型训练方法，其特征在于：所述强检测器在没有包围框标注的情况下，通过预测目标保持一致性进行训练，一致性既包含了与自身的预测相一致，又包含了两个检测器之间预测相一致，保证训练方法的鲁棒性。
4.根据权利要求3所述的基于协同学习的弱监督检测模型训练方法，其特征在于：所述计算两个检测器之间预测的一致性，既包含了对包围框坐标的一致性计算，即又包含了对包围框类别的一致性计算，即其中，pi,pj分别是强检测器和弱检测器的类别预测，ti,tj分别是强检测器和弱检测器的坐标预测。
5.根据权利要求4所述的基于协同学习的弱监督检测模型训练方法，其特征在于：两个检测器之间的类别预测一致程度用似然函数pjclogpic进行衡量，坐标预测一致程度用L1-smooth函数R(tjc-tic)衡量；强检测器内部的类别预测一致程度用似然函数piclogpic衡量；pic,pjc分别是强检测器和弱检测器对于第i个和第j个包围框的关于第c个类别的类别预测结果，tic,tjc分别是强检测器和弱检测器对于第i个和第j个包围框的关于第c个类别的坐标预测结果；
因此，L(DS)用公式表述为：
其中，Iij代表一个适性函数，当来自强检测器的包围框与弱检测器的包围框重叠率大于50％，Iij＝1，否则为Iij＝0；参数β用于控制和之间的权重，解决仅仅依赖两检测器之间一致性时带来的不稳定性，其中β∈(0,1)；BW,BS为由包围框搜索算法生成的用于弱检测器和强检测器的包围框数量，C代表类别总数。
6.根据权利要求1所述的基于协同学习的弱监督检测模型训练方法，其特征在于：针对弱检测器误差，设其为L(DW)，定义为真实图像标签和图片标签预测y之间的二进制交叉熵损失(BCE)，用公式表示为：
其中，C代表类别总数，的取值为[0,1]，代表第c类物体在图片中是否存在；yc为对第c类物体是否在图片中存在的预测概率值。
7.根据权利要求1-6任一项所述的基于协同学习的弱监督检测模型训练方法，其特征在于：所述使用梯度回传算法同时更新强检测器和弱检测器的参数，并且共享部分模型参数，直至训练收敛。
8.一种基于协同学习的弱监督检测模型训练***，其特征在于包括：
特征提取模块：使用卷积神经网络提取图片的抽象视觉特征；
预测模块：使用强检测器和弱检测器根据所述特征提取模块的抽象视觉特征对图片检测结果进行预测，其中：所述强检测器DS，需要图片中的包围框标注作为训练条件，包括每一个包围框的类别标注和坐标标注所述弱检测器DW，仅需图片类别标签yc作为训练条件，不需要精细的包围框标注
训练误差计算模块：根据所述预测模块的预测结果计算训练误差，所述训练误差由强检测器误差和弱检测器误差两部分组成，包含作用于弱检测器的交叉熵误差L(DW)和作用于强检测器的一致性误差L(DS)；
更新模块：基于所述训练误差计算得到的训练误差，使用梯度回传算法同时更新强检测器和弱检测器的参数，直至训练收敛。
9.根据权利要求8所述的基于协同学习的弱监督检测模型训练***，其特征在于：所述训练误差计算模块，为强检测器在没有包围框标注的情况下训练提供训练目标，其过程为：
获得强检测器和弱检测器在同一张图片中的包围框预测{(pi,ti)}和{(pj,tj)}，其中，pi,pj分别是强检测器和弱检测器的类别预测，ti,tj分别是强检测器和弱检测器的坐标预测；
计算强检测器内部对于每一个包围框的类别预测一致程度
计算强检测器和弱检测器之间对于包围框的类别预测一致程度和坐标预测一致程度
对和进行加权求和并取负，即得到作用于强检测器的一致性误差L(DS)。
10.根据权利要求9所述的基于协同学习的弱监督检测模型训练方法，其特征在于：所述强检测器在没有包围框标注的情况下，通过预测目标保持一致性进行训练，一致性既包含了与自身的预测相一致，又包含了两个检测器之间预测相一致，保证训练方法的鲁棒性。
CN201810328284.5A 2018-04-13 2018-04-13 基于协同学习的弱监督检测模型训练方法及*** Withdrawn CN108734195A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810328284.5A CN108734195A (zh) 2018-04-13 2018-04-13 基于协同学习的弱监督检测模型训练方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810328284.5A CN108734195A (zh) 2018-04-13 2018-04-13 基于协同学习的弱监督检测模型训练方法及***

Publications (1)

Publication Number Publication Date
CN108734195A true CN108734195A (zh) 2018-11-02

Family

ID=63940797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810328284.5A Withdrawn CN108734195A (zh) 2018-04-13 2018-04-13 基于协同学习的弱监督检测模型训练方法及***

Country Status (1)

Country Link
CN (1) CN108734195A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009623A (zh) * 2019-04-10 2019-07-12 腾讯科技（深圳）有限公司 一种图像识别模型训练及图像识别方法、装置及***
CN110070183A (zh) * 2019-03-11 2019-07-30 中国科学院信息工程研究所 一种弱标注数据的神经网络模型训练方法及装置
CN110533086A (zh) * 2019-08-13 2019-12-03 天津大学 图像数据半自动标注方法
CN110968695A (zh) * 2019-11-18 2020-04-07 罗彤 基于弱监督技术主动学***台
CN111681645A (zh) * 2019-02-25 2020-09-18 北京嘀嘀无限科技发展有限公司 情绪识别模型训练方法、情绪识别方法、装置及电子设备
CN111768380A (zh) * 2020-06-29 2020-10-13 上海仪电（集团）有限公司中央研究院 一种工业零配件表面缺陷检测方法
CN112101083A (zh) * 2019-06-17 2020-12-18 辉达公司 使用一个或更多个神经网络进行弱监督的对象检测

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105205501A (zh) * 2015-10-04 2015-12-30 北京航空航天大学 一种多分类器联合的弱标注图像对象检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105205501A (zh) * 2015-10-04 2015-12-30 北京航空航天大学 一种多分类器联合的弱标注图像对象检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIAJIE WANG ET AL.: "《Collaborative Learning forWeakly Supervised Object Detection》", 《ARXIV》 *
陈立玮等: "基于弱监督学习的海量网络数据关系抽取", 《计算机研究与发展》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111681645A (zh) * 2019-02-25 2020-09-18 北京嘀嘀无限科技发展有限公司 情绪识别模型训练方法、情绪识别方法、装置及电子设备
CN111681645B (zh) * 2019-02-25 2023-03-31 北京嘀嘀无限科技发展有限公司 情绪识别模型训练方法、情绪识别方法、装置及电子设备
CN110070183A (zh) * 2019-03-11 2019-07-30 中国科学院信息工程研究所 一种弱标注数据的神经网络模型训练方法及装置
CN110070183B (zh) * 2019-03-11 2021-08-20 中国科学院信息工程研究所 一种弱标注数据的神经网络模型训练方法及装置
CN110009623A (zh) * 2019-04-10 2019-07-12 腾讯科技（深圳）有限公司 一种图像识别模型训练及图像识别方法、装置及***
CN110473192A (zh) * 2019-04-10 2019-11-19 腾讯医疗健康(深圳)有限公司 消化道内镜图像识别模型训练及识别方法、装置及***
CN110473192B (zh) * 2019-04-10 2021-05-14 腾讯医疗健康(深圳)有限公司 消化道内镜图像识别模型训练及识别方法、装置及***
US11967414B2 (en) 2019-04-10 2024-04-23 Tencent Technology (Shenzhen) Company Limited Image recognition model training method and apparatus, and image recognition method, apparatus, and system
CN112101083A (zh) * 2019-06-17 2020-12-18 辉达公司 使用一个或更多个神经网络进行弱监督的对象检测
CN110533086A (zh) * 2019-08-13 2019-12-03 天津大学 图像数据半自动标注方法
CN110968695A (zh) * 2019-11-18 2020-04-07 罗彤 基于弱监督技术主动学***台
CN111768380A (zh) * 2020-06-29 2020-10-13 上海仪电（集团）有限公司中央研究院 一种工业零配件表面缺陷检测方法

Similar Documents

Publication Publication Date Title
CN108734195A (zh) 基于协同学习的弱监督检测模型训练方法及***
Eslami et al. A real-time hourly ozone prediction system using deep convolutional neural network
WO2022213879A1 (zh) 目标对象检测方法、装置、计算机设备和存储介质
Nguyen et al. Real-time 6dof pose relocalization for event cameras with stacked spatial lstm networks
Zhang et al. Distributed dynamic map fusion via federated learning for intelligent networked vehicles
CN107796397A (zh) 一种机器人双目视觉定位方法、装置和存储介质
Wang et al. A self-attention-based destruction and construction learning fine-grained image classification method for retail product recognition
CN109858414A (zh) 一种***分块检测方法
CN106952293A (zh) 一种基于非参数在线聚类的目标跟踪方法
CN110751641A (zh) 锚栓信息检测的方法及存储介质
CN114782752B (zh) 基于自训练的小样本图像集成分类方法及装置
CN107610224A (zh) 一种基于弱监督与明确闭塞建模的3d汽车对象类表示算法
Yu et al. Accurate and robust visual localization system in large-scale appearance-changing environments
Xia et al. Vision-based measurement and prediction of object trajectory for robotic manipulation in dynamic and uncertain scenarios
Zhao et al. BiTNet: a lightweight object detection network for real-time classroom behavior recognition with transformer and bi-directional pyramid network
Jiang et al. Research on 3D point cloud object detection algorithm for autonomous driving
Hiremath et al. A Smart App for Pothole Detection Using Yolo Model
CN116776744A (zh) 一种基于增强现实的装备制造控制方法及电子设备
Guo et al. Optimal path planning in field based on traversability prediction for mobile robot
CN109272021A (zh) 一种基于宽度学习的智能移动机器人导航方法
Wang et al. Applying SLAM algorithm based on nonlinear optimized monocular vision and IMU in the positioning method of power inspection robot in complex environment
CN115345932A (zh) 一种基于语义信息的激光slam回环检测方法
Yu et al. Surface Defect inspection under a small training set condition
Li et al. Robust stereo inertial odometry based on self-supervised feature points
Chai et al. Tourist Street View Navigation and Tourist Positioning Based on Multimodal Wireless Virtual Reality

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
TA01 Transfer of patent application right

Effective date of registration: 20181119

Address after: Room 387, Building 333, Hongqiao Road, Xuhui District, Shanghai 200030

Applicant after: Shanghai Media Intelligence Technology Co., Ltd.

Address before: 200063 701, 85 Lane 2077 lane, Guangfu West Road, Putuo District, Shanghai.

Applicant before: Wang Yanfeng

Applicant before: Zhang Ya

TA01 Transfer of patent application right
WW01 Invention patent application withdrawn after publication

Application publication date: 20181102

WW01 Invention patent application withdrawn after publication