CN108898166A - 一种图像标注方法 - Google Patents

一种图像标注方法 Download PDF

Info

Publication number
CN108898166A
CN108898166A CN201810605917.2A CN201810605917A CN108898166A CN 108898166 A CN108898166 A CN 108898166A CN 201810605917 A CN201810605917 A CN 201810605917A CN 108898166 A CN108898166 A CN 108898166A
Authority
CN
China
Prior art keywords
class
image
distance
clustering algorithm
cluster centre
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.)
Pending
Application number
CN201810605917.2A
Other languages
English (en)
Inventor
吕学强
董志安
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.)
Beijing Information Science and Technology University
Original Assignee
Beijing Information Science and Technology University
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 Beijing Information Science and Technology University filed Critical Beijing Information Science and Technology University
Priority to CN201810605917.2A priority Critical patent/CN108898166A/zh
Publication of CN108898166A publication Critical patent/CN108898166A/zh
Pending 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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种图像标注方法，包括以下步骤：利用改进的FCM聚类算法对数据集中的每一个标签样本进行聚类，将不同语义的数据集划分为不同的类，得到每一个类的聚类中心集合；计算图像到各个类的聚类中心的欧式距离，计算得到图像到各个类的平均距离，求得与图像距离最小的一个类即为图像的标注类；找到图像到类中聚类中心距离最近的一个类，统计类中出现次数最多的标注词即为图像的标注词。本发明提供的图像标注方法，采用改进的FCM聚类算法对每一个语义标签类进行聚类，改进的FCM聚类算法中采用了新的距离测度算法，大大提高了图像标注的准确率，标注效果好，可以很好地满足实际应用的需要。

Description

一种图像标注方法
技术领域
本发明属于图像处理技术领域，具体涉及一种图像标注方法。
背景技术
近年来，随着计算机技术、存储技术的发展越来越快，以及数字图像信息和互联网的普及，大量的数据每天通过各大网站和数码产品产生出来，并以极快的速度在互联网上进行传播。大量的无规则的数据需要进行区分和处理，再识别和规范这些数据的存储，以便更方便地进行应用。这就给如何有效的检索和处理这些成堆的数据建立了难题。自动图像标注技术(Automatic Image Annotation，AIA)就很好的解决了这些标注图像的语义问题，通过自动的给这些图像进行标注关键词来反映图像的内容。这个技术通过已经标注好的图像库或其他工具训练了一套语义与图像特征空间的关系模型，并通过这个模型对未标注的图像进行语义标注，它尝试建立图像语义特征和图像底层特征的对应关系，来处理图像的语义鸿沟问题。
现有技术中，常用的图像标注方法是基于模糊C均值(fuzzy c-means，缩写为FCM)聚类算法的图像标注方法，传统FCM聚类算法采用的是传统的欧式距离为相似度，以图像特征的值与聚类中心之差作为目标函数与同类样本的相似度，分类的准确性不高，分类的界限较为模糊，使类与类之间区分不够明显，这就导致现有技术的基于传统FCM聚类算法的图像标注方法的标注准确率不高，标注效果不佳，亟待本领域技术人员对该标注方法进行改进。
发明内容
针对上述现有技术中存在的问题，本发明的目的在于提供一种可避免出现上述技术缺陷的图像标注方法。
为了实现上述发明目的，本发明提供的技术方案如下：
一种图像标注方法，包括以下步骤：
步骤一：利用改进的FCM聚类算法对数据集中的每一个标签样本进行聚类，将不同语义的数据集划分为不同的类，得到每一个类的聚类中心集合；
步骤二：计算图像到各个类的聚类中心的欧式距离，计算得到图像到各个类的平均距离，求得与图像距离最小的一个类即为图像的标注类；
步骤三：找到图像到类中聚类中心距离最近的一个类，统计类中出现次数最多的标注词即为图像的标注词。
进一步地，所述改进的FCM聚类算法包括以下步骤：
步骤1)得到不同标签样本中心点的集合为C{(c1，c2，...，cj)}，其中j代表样本类的个数，随后得到每一个标签类的特征分别存入集合Xij{(xi1，xi2，...，xin)}其中i代表类内的图片个数，j代表类的个数，n代表样本特征维数；
步骤2)利用得到的类内距离dik和类间距离dij更新测度公式
3)利用改进后的距离测度更新聚类中心函数：
以及隶属度函数：
4)利用中心点集合，样本特征集合及模糊度m和参数θ联合求出每一个标签类的聚类中心ci以及隶属度函数uik，利用求得的聚类中心得到新的中心点，其中模糊度m的取值范围θ的合理取值范围是聚类的终止条件，即迭代误差ε＝0.01，最大迭代次数设为150；当或循环超过给定的次数时，停止循环；r记录循环当前的个数。
进一步地，所述改进的FCM聚类算法的目标函数为
进一步地，所述改进的FCM聚类算法的目标函数为
进一步地，所述改进的FCM聚类算法的聚类中心函数为：
进一步地，所述改进的FCM聚类算法的隶属度函数为
进一步地，所述步骤二中，求得与待标注图像距离最小的一个类所用的公式为：
本发明提供的图像标注方法，采用改进的FCM聚类算法对每一个语义标签类进行聚类，改进的FCM聚类算法中采用了新的距离测度算法，克服了传统FCM聚类算法中只考虑单个类内距离关系而没有考虑同类异类样本间的整体关系的缺陷，从而大大提高了图像标注的准确率，标注效果好，可以很好地满足实际应用的需要。
附图说明
图1为本发明的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本发明做进一步说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
传统的模糊C均值(fuzzy c-means，缩写为FCM)聚类算法采用的是传统的欧式距离为相似度，它一般是利用X＝(x1，x2，...，xn)和Y＝(y1，y2，...，yn)两个向量进行相似度运算，欧几里得距离是典型的相似度计算方法，欧几里得距离计算公式为
式(1)表示的是高维度向量中点到点之间的距离，其xi、yi∈X中，且xi、yi分别表示x和Y的第i个坐标的值。
传统FCM聚类算法都是以图像特征的值与聚类中心之差作为目标函数与同类样本的相似度，即为Dik＝||xk-ci||2。FCM聚类算法以样本之间的相似度测度作为距离，表示的是样本与聚类中心的距离，当样本与某一类聚类中心的隶属度越大时，它们之间的距离越小，反之当样本与聚类中心的距离越大时，它们之间的隶属度越小。但是针对FCM聚类算法来讲，它们样本到类的隶属度不是绝对的0和1，而是在0到1之间的模糊值，这就导致分类的准确性不高，分类的界限较为模糊，一定程度上会使类与类之间区分不够明显。
为了提高传统的模糊C均值聚类的准确性，本发明采用了一种新的距离测度算法，基于单方面考虑同类之间距离，引起的聚类中心和隶属度互相约束的缺陷，提出一种将类与类间的距离和同类距离进行融合的新的距离测度方法，利用图像语义标签作为同类样本和异类样本间距离的判定，学习到了的新的距离测度不仅考虑到了同类样本的紧密程度还考虑到了不同样本间的稀疏程度，式(2)为新的距离测度公式：
其中，表示k到聚类中心ci的欧式距离，dcij＝||ci-cj||2表示的是聚类中心ci到cj的欧式距离。新的距离测度同时考虑了相同语义样本的紧密度也考虑到了不同语义样本的分离程度，当相同类内的距离越小时，代表同类样本类内紧密度越大，若类与类间距离越大时，代表异类样本间的离散程度越大。只有当同类样本距离和异类样本距离之差处在一个最优解的情况下，目标函数的绝对值才能到达最小，聚类效果才越好，标注的准确率才越高。文中所指的同类异类样本代表了相同标签的样本和不同标签的样本。此外，式(3)是在异类语义样本的距离中加入了可变参数θ来控制其类间距离的权重，使最终的测度取得最优值。
通过距离测度可以有效的体现聚类中点到点之间的所属关系，可以有效提高标注的精准度。新的距离测度同时考虑到了同类样本的距离与异类样本之间的距离，不单单是把点到聚类中心的距离作为唯一的度量，异类样本距离的介入改进了传统的距离思想，并通过做差取绝对值动态的平衡同类异类样本距离的比重，使之能取得更好的聚类效果，提高标注准确率。
传统FCM聚类算法是通过隶属度来确定聚类中的点属于哪一个类的程度的算法。FCM聚类算法是一种基于划分的聚类算法，其中的模糊的概念是一种不确定性，确定性指的是非黑即白，只将事物分为正反两种可能性。不确定性是一种模糊的概念，它表示的是一件事情趋于一种可能性的程度，是一种可能性。它可以把这种可能性描述成从0到1的一个数值，而不是非0则1。把一个样本点所属一个类型的相似程度称为隶属度，利用u来表示隶属度。其隶属度u满足式(4)，一个样本库中的隶属度总和为1。
式(4)即为约束条件的条件公式。传统FCM聚类算法的目标函数的一般化形式为：
公式(5)中目标函数是由隶属度与各个样本到聚类中心的距离所组成的，m是隶属度的乘子，可以部署样本的权重。对目标函数使用拉格朗日乘数法，以及结合隶属度的约束条件，首先对uij求偏导可以计算出隶属度公式为：
其次对ci就求偏导可得聚类中心函数为：
由以上公式可见，聚类中心函数和隶属度函数是互相影响的，彼此包含的关系。任意赋给两者其中一个初值，只要满足条件即可迭代生成，直到目标函数J趋于稳定，最后当J收敛到一个稳定的值时趋于稳定。
本发明采用的新的距离测度算法，改善了传统FCM聚类算法的缺陷，传统FCM聚类算法对于数值点的判断较为孤立，对于随机产生的聚类中心没有有效的调整方法。本发明采用的同类异类样本距离的差值，改善了传统FCM聚类算法中只考虑单个类内距离关系而没有考虑同类异类样本间的整体关系的缺陷。式(8)为改进后的目标函数：
式(9)通过在目标函数中加入拉格朗日乘子得到新的无约束的目标函数：
对目标函数对于隶属度uik求导得：
通过隶属度之和为1的约束，上式可以化简得到隶属度公式为：
接着对聚类中心Vi求导可推导出聚类中心公式为：
其中
若i＝j则
若i≠j则
公式(8)-(15)为基于同类异类样本改进的FCM聚类算法的改进流程，是利用相同标签和不同标签当做同类和异类的样本进行试验，公式(8)为改进后的目标函数，公式(11)为基于新的距离测度得到的隶属度函数，公式(12)为改进后的聚类中心函数。
本发明提出了一种新的利用迭代生成的聚类方法，首次计算异类样本之间距离时，利用传统的聚类算法得到每个标签中的中心点，作为计算不同类间距离所需要的参数。随后利用改进后的聚类算法分别对每类标签样本进行聚类，得到每类样本的若干聚类中心，在得到每类的聚类中心后，将结果中的聚类中心的均值点作为新的异类距离的中心点，通过对每一类样本进行聚类可以不断得到新的中心点以及每一标签样本的新的聚类结果。利用中心点的距离作为异类样本之间的距离，当达到指定的迭代次数时停止迭代。
本发明就是利用同类样本的距离和异类样本之间的距离对聚类算法进行改进，通过不断的迭代使聚类效果趋于稳定。通过计算同类样本内的聚类中心点来确定类内的中心点，以中心点来计算异类样本之间的距离，并通过改进后的隶属度公式和聚类中心公式来改进传统FCM聚类算法。改进的FCM聚类算法不仅考虑到了类内的紧密度，还考虑到了类与类之间的稀疏程度。对传统FCM聚类算法只考虑点到聚类中心的距离的思想进行了改进。具体地，改进的FCM聚类算法的实现过程包括以下步骤：
1)首先得到不同标签样本中心点的集合为C{(c1’c2，...，cj)}，其中j代表样本类的个数，随后得到每一个标签类的特征分别存入集合Xij{(xi1，xi2，...，xin)}其中i代表类内的图片个数，j代表类的个数，n代表样本特征维数。
2)利用得到的类内距离dik和类间距离dij更新测度公式
3)利用改进后的距离测度更新聚类中心函数：
以及隶属度函数：
4)利用中心点集合，样本特征集合及模糊度m和参数θ联合求出每一个标签类的聚类中心ci以及隶属度函数uik，利用求得的聚类中心得到新的中心点，其中模糊度m的取值范围θ的合理取值范围是聚类的终止条件，即迭代误差ε＝0.01，最大迭代次数设为150。当(r记录循环当前的个数)或循环超过给定的次数时，停止循环。
本发明中基于同类异类样本的标注方法，是结合相同语义和不同语义样本间的关系，得到新的距离测度并改进了传统FCM聚类算法的聚类模型，将改进的FCM聚类算法应用到了图像标注中。
模糊C均值(FCM)聚类算法会计算每一个样本对所属类的隶属度，也就是对于数据集中的任意样本，并非只有属于某类或者不属于某类两种情况。
传统的基于聚类的标注方法是对整个数据集进行聚类，然后根据聚类结果对训练图像进行分类，再确定测试图像所属的类，最后统计类中的标注信息，即为测试图像的标注词。但是传统FCM聚类算法属于一种无监督的聚类算法，在数据集较大时，分类效果并不理想。由于图像底层特征的界限较为模糊，可能会将不同语义样本的图像分为一类，会将相同语义样本分为不同类，这样会影响标注效果。
参考图1所示，本发明的图像标注方法包括以下步骤：
步骤一：利用上述改进的FCM聚类算法对数据集中的每一个标签样本进行聚类，将不同语义的数据集划分为不同的类，得到每一个类的聚类中心集合
Cj{(ck1，ck2，...，ckn)}；
步骤二：得到测试图像的底层特征，计算图像到各个类的聚类中心的欧式距离，通过图像到各个类的聚类中心的欧式距离与当前所在样本中的聚类中心个数计算得到待标注图像到各个类的平均距离，利用公式(16)求得与待标注图像距离最小的一个类，与待标注图像距离最小的类即为图像的标注类；
步骤三：在确定了图像的标注类以后，在利用改进的FCM聚类算法进行聚类所得到的结果的基础上，找到测试图像到类中聚类中心距离最近的一个类，统计类中出现次数最多的标注词，该出现次数最多的标注词即为图像的标注词。
本发明提出的图像标注方法利用改进的FCM聚类算法对每一个语义标签类进行聚类，而不是在整体的数据集中进行聚类。本发明的方法考虑到了测试集中图像的语义信息，并对每个语义的样本分别进行了聚类，避免了在不同标签中的图像相距离较小，相同标签的图像相距离较大的问题。
以上所述实施例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于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。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (7)

1.一种图像标注方法，其特征在于，包括以下步骤：
步骤一：利用改进的FCM聚类算法对数据集中的每一个标签样本进行聚类，将不同语义的数据集划分为不同的类，得到每一个类的聚类中心集合；
步骤二：计算图像到各个类的聚类中心的欧式距离，计算得到图像到各个类的平均距离，求得与图像距离最小的一个类即为图像的标注类；
步骤三：找到图像到类中聚类中心距离最近的一个类，统计类中出现次数最多的标注词即为图像的标注词。
2.根据权利要求1所述的图像标注方法，其特征在于，所述改进的FCM聚类算法包括以下步骤：
步骤1)得到不同标签样本中心点的集合为C{(c1，c2，...，cj)}，其中j代表样本类的个数，随后得到每一个标签类的特征分别存入集合Xij{(xi1，xi2，...，xin)}其中i代表类内的图片个数，j代表类的个数，n代表样本特征维数。
步骤2)利用得到的类内距离dik和类间距离dij更新测度公式
3)利用改进后的距离测度更新聚类中心函数：
以及隶属度函数：
4)利用中心点集合，样本特征集合及模糊度m和参数θ联合求出每一个标签类的聚类中心ci以及隶属度函数uik，利用求得的聚类中心得到新的中心点，其中模糊度m的取值范围θ的合理取值范围是聚类的终止条件，即迭代误差ε＝0.01，最大迭代次数设为150。当或循环超过给定的次数时，停止循环；r记录循环当前的个数。
3.根据权利要求1所述的图像标注方法，其特征在于，所述改进的FCM聚类算法的目标函数为
4.根据权利要求1所述的图像标注方法，其特征在于，所述改进的FCM聚类算法的目标函数为
5.根据权利要求1所述的图像标注方法，其特征在于，所述改进的FCM聚类算法的聚类中心函数为：
6.根据权利要求1所述的图像标注方法，其特征在于，所述改进的FCM聚类算法的隶属度函数为
7.根据权利要求1所述的图像标注方法，其特征在于，所述步骤二中，求得与待标注图像距离最小的一个类所用的公式为：
CN201810605917.2A 2018-06-13 2018-06-13 一种图像标注方法 Pending CN108898166A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810605917.2A CN108898166A (zh) 2018-06-13 2018-06-13 一种图像标注方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810605917.2A CN108898166A (zh) 2018-06-13 2018-06-13 一种图像标注方法

Publications (1)

Publication Number Publication Date
CN108898166A true CN108898166A (zh) 2018-11-27

Family

ID=64344904

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810605917.2A Pending CN108898166A (zh) 2018-06-13 2018-06-13 一种图像标注方法

Country Status (1)

Country Link
CN (1) CN108898166A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110147852A (zh) * 2019-05-29 2019-08-20 北京达佳互联信息技术有限公司 图像识别的方法、装置、设备及存储介质
CN110990617A (zh) * 2019-11-27 2020-04-10 广东智媒云图科技股份有限公司 一种图片标记方法、装置、设备及存储介质
CN111407269A (zh) * 2020-03-30 2020-07-14 华南理工大学 一种基于增强学习的eeg信号情感识别方法
CN111582327A (zh) * 2020-04-22 2020-08-25 郑州轻工业大学 面向智能终端的动作识别训练样本自动标注方法
CN112654999A (zh) * 2020-07-21 2021-04-13 华为技术有限公司 标注信息的确定方法及装置
CN113283242A (zh) * 2021-05-31 2021-08-20 西安理工大学 一种基于聚类与预训练模型结合的命名实体识别方法
CN114362973A (zh) * 2020-09-27 2022-04-15 中国科学院软件研究所 结合K-means和FCM聚类的流量检测方法及电子装置
WO2022194049A1 (zh) * 2021-03-15 2022-09-22 华为技术有限公司 一种对象处理方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102426697A (zh) * 2011-10-24 2012-04-25 西安电子科技大学 基于遗传粗糙集c均值聚类的图像分割方法
CN102436583A (zh) * 2011-09-26 2012-05-02 哈尔滨工程大学 基于对标注图像学习的图像分割方法
CN103839261A (zh) * 2014-02-18 2014-06-04 西安电子科技大学 一种基于分解进化多目标优化和fcm的sar图像分割方法
CN104077352A (zh) * 2014-05-27 2014-10-01 浙江大学 基于能量模型的图像语义标注方法
CN104298987A (zh) * 2014-10-09 2015-01-21 西安电子科技大学 基于点密度加权在线fcm聚类的手写数字识别方法
CN105740881A (zh) * 2016-01-22 2016-07-06 天津中科智能识别产业技术研究院有限公司 一种基于矩阵分解的部分标注图像聚类方法及装置
CN106971397A (zh) * 2017-04-01 2017-07-21 郭建辉 基于改进jseg算法的城市高分辨率遥感影像分割方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436583A (zh) * 2011-09-26 2012-05-02 哈尔滨工程大学 基于对标注图像学习的图像分割方法
CN102426697A (zh) * 2011-10-24 2012-04-25 西安电子科技大学 基于遗传粗糙集c均值聚类的图像分割方法
CN103839261A (zh) * 2014-02-18 2014-06-04 西安电子科技大学 一种基于分解进化多目标优化和fcm的sar图像分割方法
CN104077352A (zh) * 2014-05-27 2014-10-01 浙江大学 基于能量模型的图像语义标注方法
CN104298987A (zh) * 2014-10-09 2015-01-21 西安电子科技大学 基于点密度加权在线fcm聚类的手写数字识别方法
CN105740881A (zh) * 2016-01-22 2016-07-06 天津中科智能识别产业技术研究院有限公司 一种基于矩阵分解的部分标注图像聚类方法及装置
CN106971397A (zh) * 2017-04-01 2017-07-21 郭建辉 基于改进jseg算法的城市高分辨率遥感影像分割方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘璐 等: "基于类内类间距离的模糊C-均值聚类分割算法", 《计算机工程与设计》 *
王浩 等: "基于距离测度学习的AP聚类图像标注", 《计算机工程与应用》 *
赵洪宋 等: "基于遗传算法和FCM的图像自动标注", 《计算机与数字工程》 *
鲍泓 等: "自动图像标注技术研究进展", 《计算机科学》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110147852A (zh) * 2019-05-29 2019-08-20 北京达佳互联信息技术有限公司 图像识别的方法、装置、设备及存储介质
US11263483B2 (en) 2019-05-29 2022-03-01 Beijing Dajia Internet Information Technology Co., Ltd. Method and apparatus for recognizing image and storage medium
CN110990617A (zh) * 2019-11-27 2020-04-10 广东智媒云图科技股份有限公司 一种图片标记方法、装置、设备及存储介质
CN110990617B (zh) * 2019-11-27 2024-04-19 广东智媒云图科技股份有限公司 一种图片标记方法、装置、设备及存储介质
CN111407269A (zh) * 2020-03-30 2020-07-14 华南理工大学 一种基于增强学习的eeg信号情感识别方法
CN111582327A (zh) * 2020-04-22 2020-08-25 郑州轻工业大学 面向智能终端的动作识别训练样本自动标注方法
CN112654999B (zh) * 2020-07-21 2022-01-28 华为技术有限公司 标注信息的确定方法及装置
CN112654999A (zh) * 2020-07-21 2021-04-13 华为技术有限公司 标注信息的确定方法及装置
CN114362973A (zh) * 2020-09-27 2022-04-15 中国科学院软件研究所 结合K-means和FCM聚类的流量检测方法及电子装置
CN114362973B (zh) * 2020-09-27 2023-02-28 中国科学院软件研究所 结合K-means和FCM聚类的流量检测方法及电子装置
WO2022194049A1 (zh) * 2021-03-15 2022-09-22 华为技术有限公司 一种对象处理方法及装置
CN113283242A (zh) * 2021-05-31 2021-08-20 西安理工大学 一种基于聚类与预训练模型结合的命名实体识别方法
CN113283242B (zh) * 2021-05-31 2024-04-26 西安理工大学 一种基于聚类与预训练模型结合的命名实体识别方法

Similar Documents

Publication Publication Date Title
CN108898166A (zh) 一种图像标注方法
CN109002834B (zh) 基于多模态表征的细粒度图像分类方法
CN109615014B (zh) 一种基于kl散度优化的3d物体数据分类***与方法
Qin et al. Research progress on semi-supervised clustering
WO2022116537A1 (zh) 一种资讯推荐方法、装置、电子设备和存储介质
CN104899253B (zh) 面向社会图像的跨模态图像-标签相关度学习方法
Shu et al. P-odn: Prototype-based open deep network for open set recognition
Fang et al. Adaptive core fusion-based density peak clustering for complex data with arbitrary shapes and densities
Li et al. Adaptive metric learning for saliency detection
Niu et al. Knowledge-based topic model for unsupervised object discovery and localization
CN110807086B (zh) 文本数据标注方法及装置、存储介质、电子设备
Li et al. Fusing semantic aspects for image annotation and retrieval
Hui et al. Inter-class angular loss for convolutional neural networks
CN110830291A (zh) 一种基于元路径的异质信息网络的节点分类方法
Ren et al. Uncertainty-guided boundary learning for imbalanced social event detection
CN116882414B (zh) 基于大规模语言模型的评语自动生成方法及相关装置
Cao et al. The research on medical image classification algorithm based on PLSA-BOW model
Papapanagiotou et al. Improving concept-based image retrieval with training weights computed from tags
Zhuang et al. Non-exhaustive learning using gaussian mixture generative adversarial networks
Song et al. Iterative 3D shape classification by online metric learning
Wang et al. Centermatch: A center matching method for semi-supervised facial expression recognition
Zhang et al. Multilabel Image Annotation Based on Double‐Layer PLSA Model
Chen et al. Multi-modal multi-layered topic classification model for social event analysis
Li et al. Non-Co-Occurrence Enhanced Multi-Label Cross-Modal Hashing Retrieval Based on Graph Convolutional Network
Yan et al. A potential-based density estimation method for clustering using decision graph

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20181127

WD01 Invention patent application deemed withdrawn after publication