CN109934281A - 一种二分类网络的非监督训练方法 - Google Patents
一种二分类网络的非监督训练方法 Download PDFInfo
- Publication number
- CN109934281A CN109934281A CN201910175530.2A CN201910175530A CN109934281A CN 109934281 A CN109934281 A CN 109934281A CN 201910175530 A CN201910175530 A CN 201910175530A CN 109934281 A CN109934281 A CN 109934281A
- Authority
- CN
- China
- Prior art keywords
- network
- label
- image
- training
- obtains
- 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
Landscapes
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种二分类网络的非监督训练方法,属于图像处理、深度学习、模式识别领域。本发明通过对样本数据的一系列处理,对聚类网络进行不同阶段的训练,使用训练好的聚类网络对图像进行分类,避免了监督样本的缺乏,数据标注所需数据获取难度过大、成本过高的问题,使聚类网络的训练及分类结果的实现更为简单、高效。
Description
技术领域
本发明属于图像处理、深度学习、模式识别领域,特别涉及一种二分类网络的非监督训练方法。
背景技术
伴随着深度学习的发展,分类网络被广泛应用于人脸识别、图像检索、公共监测、生物识别、智能汽车、医疗辅助以及遥感探测等诸多领域。得益于深度神经网络优异的特征表征能力,深度分类网络可以获得接近人类的分类性能。
目前的分类网络多为监督学习网络,使用图像和对应标签对网络进行训练(即有监督训练方式),因此需要大量标注数据。数据标注过程通常需要消耗大量人力和时间。因此,在某些数据获取难度大、成本高的应用领域,监督样本的缺乏成为限制深度分类网络效果的主要因素。
不同于有监督网络,聚类方法不需要监督样本,可以通过对样本集合的分析实现分类。因此,如何实现分类网络的非监督训练的研究具有重要意义。
发明内容
本发明的目的在于解决现有技术中监督学习网络需要大量带标签样本的问题,提出了一种二分类网络的非监督训练方法。
一种二分类网络的非监督训练方法,包括以下步骤:
S1、采集图像构建数据集S,其中,所述数据集包含待聚类图像,所述数据集中图像数量为M,任意图像为I;
S2、构建聚类网络,其中,所述聚类网络包含卷积层、池化层及全连接层,所述全连接层的输出作为所述聚类网络的输出;
S3、训练聚类网络,在数个阶段训练中生成参与训练的图像的对应标签集,并基于参与训练的图像及对应的标签集对所述聚类网络进行训练,得到最终网络模型训练参数;
S4、将所述数据集输入至训练好的聚类网络,得到所述数据集中图像的分类输出。
进一步地,所述步骤S2包括:
构建聚类网络,其中,所述聚类网络包含卷积层、池化层及全连接层,所述全连接层的输出作为所述聚类网络的输出;
将所述数据集S中的图像的大小统一为(H,W,C),随机打乱后输入至所述聚类网络中,其中,H表示图像高度,W表示图像宽度,C表示图像通道数;所述聚类网络输入为四维向量(M,H,W,C),分类输出类别数为2,所述聚类网络输出为二维张量(M,2)表示的二类聚类输出矩阵V,由所述矩阵V可得一维向量(M,1)表示的预测类别向量L,其中,L中元素Li表示聚类类别,表示为
Li=argmax(V(i,1),V(i,2))
其中,V(i,1)、V(i,2)分别表示矩阵V中对应索引处的元素值。
进一步地,所述步骤S3包括:
S31、将所述数据集S中所有图像的标签设置为(0,0),与原图像构成第一训练样本集dataset0对所述聚类网络进行训练,训练损失函数为二范数损失损失函数
其中,G为图像对应标签,V(i)表示矩阵V中对应的第i个图像对应的输出向量;
采用随机梯度下降法训练网络权重,经过s1步迭代后,得到第一网络权重ω1;
S32、在所述数据集S中任意选择一个图像作为正样本,将所述正样本的标签设置为(1,0),对应类别为A,其余图像标签设置为(0,0),将所述正样本复制M份,与所述数据集一起构成第二训练样本集dataset1;
将所述第二训练样本集dataset1中的数据随机打乱作为训练样本,以所述第一网络权重ω1为初始权重训练网络,经s2步迭代后,得到第二网络权重ω2;
S33、将所述步骤S32中训练得到的网络对dataset0中的图像进行预测,将类别A对应预测值进行大小排序,得到最大的Q个预测值对应的Q张图像,设置其对应标签值为(1,0),其余图像标签设置为(0,0),得到第三训练样本集dataset2;
将所述第三训练样本集dataset2中的数据随机打乱后作为训练样本,以所述第二网络权重ω2为初始权重训练网络,经s3步迭代后,得到第三网络权重ω3;
S34、将所述步骤S33中训练得到的网络对dataset2中的图像进行预测,将类别B对应预测值进行大小排序,得到最大的2×Q个预测值对应的2×Q张图像,随机抽取其中Q张图像设置其对应的样本标签为(0,1),同时保留dataset2中类别A对应图像及标签,得到由Q个类别A标签和Q个类别B标签以及对应图像构成的第四训练样本集dataset3;
将所述第四训练样本集dataset3中的数据作为训练样本,以所述第一网络权重ω1为初始权重训练网络,经s4步迭代后,得到第四网络权重ω4;
S35、根据所述步骤S34中训练得到的网络进行输出分析,生成目标标签,对生成的目标标签进行交换,得到标签集,将所述标签集作为类别标签,对网络进行训练,经s5步迭代后,得到最终网络权重ω5。
进一步地,所述步骤S35包括:
S351、根据所述步骤S34中训练得到的网络进行输出分析,生成目标标签;
S352、对生成的目标标签进行交换,得到标签集;
S353、将所述标签集作为类别标签,对网络进行训练,经s5步迭代后,得到最终网络权重ω5。
进一步地,所述步骤S351包括:
在所述矩阵V中进行搜索,得到所述矩阵V中的最大值pmax,最大值对应位置为(m,n);
在n所在维度V(∶,n)中进行搜索,得到该维度中最大的T个标签对应的样本,并将其标签设置为n,其中,:表示包含该索引下所有元素,T为超参数;
将已设置好标签的T个数据从所述数据集S中移除,更新未标注标签数据集为Snew;将已设置好标签的T个数据相应的向量从所述矩阵V中移除,得到矩阵Vnew;若n=0,则Snew中样本的标签设置为B;若n=1,则Snew中样本的标签设置为A;
得到包含原始图像和对应标签的第五训练样本集(S,G0),记为dataset4,其中,G0为一维张量(M,1),表示所述数据集S对应的生成标签集。
进一步地,所述步骤S352包括:
将所述矩阵V根据对应预测类别向量L分为两个子矩阵V1和V2,其中,V1表示L=(1,0)对应的所有向量组成的矩阵,V2表示L=(0,1)对应的所有向量组成的矩阵;
提取V1和V2中各自类别对应索引处的预测值,分别得到向量v1和v2,分别对向量v1和v2中元素大小进行排序,得到各自向量中最小的M×r个预测值及其相应索引i1和i2,其中,r为超参数;
交换索引i1和i2对应的标签,得到标签集。
本发明的有益效果:本发明提供了一种二分类网络的非监督训练方法,通过对样本数据的一系列处理,对聚类网络进行不同阶段的训练,避免了监督样本的缺乏,数据标注所需数据获取难度过大、成本过高的问题,使聚类网络的训练及分类结果的实现更为简单、高效。
附图说明
图1为本发明实施例提供的流程图。
图2为图1中步骤S3的流程图。
具体实施方式
在描述本发明前,作以下术语定义:
定义1、卷积层
卷积层实现由四维张量(N,K,K,C1)表示的卷积核与输入进行卷积运算,提取输入的不同特征得到由四维张量(N,H0,W0,C2)表示的输出。其中N、K、C1分别表示输入特征图数量、卷积核大小和特征图通道数。其输入可以是定义1中的输入层或者定义3中的特征图。其中H0,W0表示卷积层输出特征图像的高和宽,C2表示卷积数目。
定义2、池化层
池化层是一种实现定义4中的特征图下采样的操作。其输入为定义3中的四维张量(N,Hf,Wf,Cf)表示的特征图,输出为Hf,Wf缩小后的特征图。
定义3、激活函数
激活函数是在卷积层后的非线性函数。我们称激活函数后输出的四维张量(N,Hf,Wf,Cf)为特征图。网络中激活函数可选择不同的函数,如定义为f(x)=max(x,0),f(x)=tanh(x),
定义4、Softmax层
Softmax层为分类网络输出层处使用的softmax函数,定义为
定义5、全连接层
全连接层是神经网络中每一个神经元都与上一层每个神经元相连接的网络结构。
定义6、学习率
学习率是采用反向传播算法进行模型训练时参数更新量前的系数,用以控制每次参数更新量的大小。
定义7、图像标准化
图像标准化指将图像中每个通道的灰度值范围调整为特定范围之内,定义如下:
其中,
σ表示标准方差,Np表示图像I的像素数量。
下面结合附图对本发明的实施例做进一步的说明。
请参阅图1,本发明提出了一种二分类网络的非监督训练方法,实施过程通过Tensorflow框架实现,具体通过以下步骤实现:
S1、采集图像构建数据集S,其中,本发明中获取的数据集包含待聚类图像,数据集中图像数量为M,任意图像为I。
本实施例中,数据集S本发明选用MNIST数据集中的2类400张图像(每类200张),即M=400。训练中设置N、H、W、C分别为400、28、28、1。MNIST数据集来自美国国家标准与技术研究所,训练集由来自250个不同人手写的数字构成,其中50%是高中学生,50%来自人口普查局的工作人员。测试集也是同样比例的手写数字数据。本发明中仅选用MNIST数据集中的图像数据,不使用对应的类别标签文件。
S2、构建聚类网络,其中,聚类网络包含卷积层、池化层及全连接层,全连接层的输出作为聚类网络的输出。
本实施例中,构建聚类网络,其中,聚类网络包含3层卷积层、2层池化层及2层全连接层,全连接层的输出作为聚类网络的输出;激活函数为relu函数,定义为relu(x)=max(x,0),池化层中池化步长为2,全连接层的神经元数目分别为1024和2。网络中去掉了分类网络中常用的softmax层,直接使用全连接层输出作为聚类网络输出。本发明对图像进行标准化预处理操作后作为网络输入。
将数据集S中的图像的大小统一为(H,W,C),随机打乱后输入至聚类网络中,其中,H表示图像高度,W表示图像宽度,C表示图像通道数;聚类网络输入为四维向量(M,H,W,C),分类输出类别数为2,聚类网络输出为二维张量(M,2)表示的二类聚类输出矩阵V,由矩阵V可得一维向量(M,1)表示的预测类别向量L,其中,L中元素Li表示聚类类别,表示为
Li=argmax(V(i,1),V(i,2))
其中,V(i,1)、V(i,2)分别表示矩阵V中对应索引处的元素值。
S3、训练聚类网络,在数个阶段训练中生成参与训练的图像的对应标签集,并基于参与训练的图像及对应的标签集对所述聚类网络进行训练,得到最终网络模型训练参数。
请参阅图2,本实施例中,步骤S3通过以下子步骤实现:
S31、第一阶段训练
将数据集S中所有图像的标签设置为(0,0),与原图像一起构成第一训练样本集dataset0对聚类网络进行训练,训练损失函数为二范数损失损失函数
其中,G为图像对应标签,V(i)表示矩阵V中对应的第i个图像对应的输出向量;
采用随机梯度下降法训练网络权重,经过s1步迭代后,得到第一网络权重ω1;
后续步骤中训练均采用随机梯度下降法和二范数损失函数。
S32、第二阶段训练
在数据集S中任意选择一个图像作为正样本,将正样本的标签设置为(1,0),对应类别为A;设置其余图像标签仍为(0,0),构建新的训练集。本步骤中包含样本复制步骤,以解决样本不均匀问题,具体步骤如下:将随机选出的1个正样本复制M份,与原始数据集一起构成新的训练集,即第二训练样本集dataset1;
将第二训练样本集dataset1中的数据随机打乱作为训练样本,以第一网络权重ω1为初始权重训练网络,经s2步迭代后,得到第二网络权重ω2。
S33、第三阶段训练:获取更多的正样本
将步骤S32中训练得到的网络对dataset0中的图像进行预测,将类别A对应预测值进行大小排序,得到最大的Q个预测值对应的Q张图像,设置其对应标签值为(1,0),其余图像标签设置为(0,0),得到第三训练样本集dataset2;
将第三训练样本集dataset2中的数据随机打乱后作为训练样本,以第二网络权重ω2为初始权重训练网络,经s3步迭代后,得到第三网络权重ω3。
S34、第四阶段训练:随机抽取Q个负样本
将步骤S33中训练得到的网络对dataset2中的图像进行预测,将类别B对应预测值进行大小排序,得到最大的2×Q个预测值对应的2×Q张图像,随机抽取其中Q张图像设置其对应的样本标签为(0,1)。同时保留dataset2中类别A对应图像及标签,得到由Q个类别A标签和Q个类别B标签以及对应图像组成的新的训练集,即第四训练样本集dataset3;
将第四训练样本集dataset3中的数据作为训练样本,以第一网络权重ω1为初始权重训练网络,设置较小的学习率,经s4步迭代后,得到第四网络权重ω4。
S35、第五阶段训练
根据步骤S34中训练得到的网络进行输出分析,生成目标标签,对生成的目标标签进行交换,得到标签集,将标签集作为类别标签,对网络进行训练,经s5步迭代后,得到最终网络权重ω5。
本实施例中,步骤S35通过以下子步骤实现:
S351、根据步骤S34中训练得到的网络进行输出分析,生成目标标签,过程如下:
在矩阵V中进行搜索,得到矩阵V中的最大值pmax,最大值对应位置为(m,n);
在n所在维度,即V(∶,n)中进行搜索,得到该维度中最大的T个标签对应的样本,并将其标签设置为n,其中,“:”表示包含该索引下所有元素,T为超参数;
将已设置好标签的T个数据从数据集S中移除,更新未标注标签数据集为Snew;将已设置好标签的T个数据相应的向量从矩阵V中移除,得到矩阵Vnew。若n=0(对应类别A),则Snew中样本的标签可设置为B;若n=1(对应类别B),则Snew中样本的标签可设置为A。
上述步骤S351中的过程为单类标注生成过程。
二类聚类问题中,在一次单类标注生成过程完成后,剩余数据中类别标签可设置为另一类标签,因此只需执行一次上述过程。
上述过程执行完毕后,可获得包含原始图像和对应标签的第五训练样本集(S,G0),记为dataset4。其中,G0为一维张量(M,1),表示数据集S对应的生成标签集。
S352、对步骤S351得到的标签集G0,将其中比例为r的标签进行交换,从而生成新的标签集,其中r为超参数,在不同训练步长设置为不同大小,对应交换标签的样本个数为M×r。在训练迭代过程中,比例r逐渐降低,最终降低为0。交换标签的过程如下:
对于二类聚类问题,将矩阵V根据对应预测类别向量L分为两个子矩阵V1和V2,其中,V1表示L=(1,0)对应的所有向量组成的矩阵,V2表示L=(0,1)对应的所有向量组成的矩阵;
提取V1和V2中各自类别对应索引处的预测值,分别得到向量v1和v2,分别对向量v1和v2中元素大小进行排序,得到各自向量中最小的M×r个预测值及其相应索引i1和i2;
交换索引i1和i2对应的标签,得到标签集。
S353、将标签集作为分类网络训练所需的类别标签,对网络进行训练,经s5步迭代后,得到最终网络权重ω5。
本实施例中,步骤S352和S353需执行多次,执行的次数等于超参数r设置中不同r值的数目。
本实施例中,在步骤3对聚类网络进行训练时,采用GradientDescentOptimizer优化子,不同阶段的学习率分别设置为0.05、0.1、0.01、0.05、0.01,不同阶段训练步长(s1到s5)分别设置为30、30、20、200、400。步骤3包含五个阶段的训练,其中,第三阶段训练和第四阶段训练中Q设置为5。第五阶段训练中参数T设置为200,参数r设置为分段常量:{0.3,0.2,0.1,0},每隔100步训练更改一次。
S4、将数据集输入至训练好的聚类网络,得到数据集中图像的分类输出。
本实施例中,将步骤S1中的数据集S,输入到步骤S2构建及步骤S3训练好的网络模型中,获取分类输出。
本实施例中,在对聚类网络进行测试时,对数据集S中的图像进行分类。在测试时,输入设置为N=1,H=28,W=28,C=1。输入图像经图像标准化操作预处理后通入聚类网络,经聚类网络输出得到分类结果。
本领域的普通技术人员将会意识到,这里的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.一种二分类网络的非监督训练方法,其特征在于,包括以下步骤:
S1、采集图像构建数据集S,其中,所述数据集包含待聚类图像,所述数据集中图像数量为M,任意图像为I;
S2、构建聚类网络,其中,所述聚类网络包含卷积层、池化层及全连接层,所述全连接层的输出作为所述聚类网络的输出;
S3、训练聚类网络,在数个阶段训练中生成参与训练的图像的对应标签集,并基于参与训练的图像及对应的标签集对所述聚类网络进行训练,得到最终网络模型训练参数;
S4、将所述数据集输入至训练好的聚类网络,得到所述数据集中图像的分类输出。
2.如权利要求1所述的二分类网络的非监督训练方法,其特征在于,所述步骤S2包括:
构建聚类网络,其中,所述聚类网络包含卷积层、池化层及全连接层,所述全连接层的输出作为所述聚类网络的输出;
将所述数据集S中的图像的大小统一为(H,W,C),随机打乱后输入至所述聚类网络中,其中,H表示图像高度,W表示图像宽度,C表示图像通道数;所述聚类网络输入为四维向量(M,H,W,C),分类输出类别数为2,所述聚类网络输出为二维张量(M,2)表示的二类聚类输出矩阵V,由所述矩阵V可得一维向量(M,1)表示的预测类别向量L,其中,L中元素Li表示聚类类别,表示为
Li=argmax(V(i,1),V(i,2))
其中,V(i,1)、V(i,2)分别表示矩阵V中对应索引处的元素值。
3.如权利要求2所述的二分类网络的非监督训练方法,其特征在于,所述步骤S3包括:
S31、将所述数据集S中所有图像的标签设置为(0,0),与原图像构成第一训练样本集dataset0对所述聚类网络进行训练,训练损失函数为二范数损失损失函数
其中,G为图像对应标签,V(i)表示矩阵V中对应的第i个图像对应的输出向量;
采用随机梯度下降法训练网络权重,经过s1步迭代后,得到第一网络权重ω1;
S32、在所述数据集S中任意选择一个图像作为正样本,将所述正样本的标签设置为(1,0),对应类别为A,其余图像标签设置为(0,0),将所述正样本复制M份,与所述数据集一起构成第二训练样本集dataset1;
将所述第二训练样本集dataset1中的数据随机打乱作为训练样本,以所述第一网络权重ω1为初始权重训练网络,经s2步迭代后,得到第二网络权重ω2;
S33、将所述步骤S32中训练得到的网络对dataset0中的图像进行预测,将类别A对应预测值进行大小排序,得到最大的Q个预测值对应的Q张图像,设置其对应标签值为(1,0),其余图像标签设置为(0,0),得到第三训练样本集dataset2;
将所述第三训练样本集dataset2中的数据随机打乱后作为训练样本,以所述第二网络权重ω2为初始权重训练网络,经s3步迭代后,得到第三网络权重ω3;
S34、将所述步骤S33中训练得到的网络对dataset2中的图像进行预测,将类别B对应预测值进行大小排序,得到最大的2×Q个预测值对应的2×Q张图像,随机抽取其中Q张图像设置其对应的样本标签为(0,1),同时保留dataset2中类别A对应图像及标签,得到由Q个类别A标签和Q个类别B标签以及对应图像构成的第四训练样本集dataset3;
将所述第四训练样本集dataset3中的数据作为训练样本,以所述第一网络权重ω1为初始权重训练网络,经s4步迭代后,得到第四网络权重ω4;
S35、根据所述步骤S34中训练得到的网络进行输出分析,生成目标标签,对生成的目标标签进行交换,得到标签集,将所述标签集作为类别标签,对网络进行训练,经s5步迭代后,得到最终网络权重ω5。
4.如权利要求3所述的二分类网络的非监督训练方法,其特征在于,所述步骤S35包括:
S351、根据所述步骤S34中训练得到的网络进行输出分析,生成目标标签;
S352、对生成的目标标签进行交换,得到标签集;
S353、将所述标签集作为类别标签,对网络进行训练,经s5步迭代后,得到最终网络权重ω5。
5.如权利要求4所述的二分类网络的非监督训练方法,其特征在于,所述步骤S351包括:
在所述矩阵V中进行搜索,得到所述矩阵V中的最大值pmax,最大值对应位置为(m,n);
在n所在维度V(∶,n)中进行搜索,得到该维度中最大的T个标签对应的样本,并将其标签设置为n,其中,:表示包含该索引下所有元素,T为超参数;
将已设置好标签的T个数据从所述数据集S中移除,更新未标注标签数据集为Snew;将已设置好标签的T个数据相应的向量从所述矩阵V中移除,得到矩阵Vnew;若n=0,则Snew中样本的标签设置为B;若n=1,则Snew中样本的标签设置为A;
得到包含原始图像和对应标签的第五训练样本集(S,G0),记为dataset4,其中,G0为一维张量(M,1),表示所述数据集S对应的生成标签集。
6.如权利要求5所述的二分类网络的非监督训练方法,其特征在于,所述步骤S352包括:
将所述矩阵V根据对应预测类别向量L分为两个子矩阵V1和V2,其中,V1表示L=(1,0)对应的所有向量组成的矩阵,V2表示L=(0,1)对应的所有向量组成的矩阵;
提取V1和V2中各自类别对应索引处的预测值,分别得到向量v1和v2,分别对向量v1和v2中元素大小进行排序,得到各自向量中最小的M×r个预测值及其相应索引i1和i2,其中,r为超参数;
交换索引i1和i2对应的标签,得到标签集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910175530.2A CN109934281B (zh) | 2019-03-08 | 2019-03-08 | 一种二分类网络的非监督训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910175530.2A CN109934281B (zh) | 2019-03-08 | 2019-03-08 | 一种二分类网络的非监督训练方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109934281A true CN109934281A (zh) | 2019-06-25 |
CN109934281B CN109934281B (zh) | 2021-01-26 |
Family
ID=66986748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910175530.2A Active CN109934281B (zh) | 2019-03-08 | 2019-03-08 | 一种二分类网络的非监督训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109934281B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232439A (zh) * | 2020-11-06 | 2021-01-15 | 四川云从天府人工智能科技有限公司 | 非监督ReID中的伪标签更新方法及*** |
CN113298145A (zh) * | 2021-05-24 | 2021-08-24 | 中国邮政储蓄银行股份有限公司 | 标签填充方法及装置 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101615150A (zh) * | 2009-07-24 | 2009-12-30 | 中兴通讯股份有限公司 | 基于嵌入式数据库的数据处理方法及装置 |
CN104850864A (zh) * | 2015-06-01 | 2015-08-19 | 深圳英智源智能***有限公司 | 一种基于卷积神经网络的非监督图像识别方法 |
CN105894046A (zh) * | 2016-06-16 | 2016-08-24 | 北京市商汤科技开发有限公司 | 卷积神经网络训练及图像处理的方法和***、计算机设备 |
CN106897390A (zh) * | 2017-01-24 | 2017-06-27 | 北京大学 | 基于深度度量学习的目标精确检索方法 |
CN107545271A (zh) * | 2016-06-29 | 2018-01-05 | 阿里巴巴集团控股有限公司 | 图像识别方法、装置和*** |
CN108009559A (zh) * | 2016-11-02 | 2018-05-08 | 哈尔滨工业大学 | 一种基于空谱联合信息的高光谱数据分类方法 |
CN108197666A (zh) * | 2018-01-30 | 2018-06-22 | 咪咕文化科技有限公司 | 一种图像分类模型的处理方法、装置及存储介质 |
CN108710948A (zh) * | 2018-04-25 | 2018-10-26 | 佛山科学技术学院 | 一种基于聚类均衡和权重矩阵优化的迁移学习方法 |
CN108765465A (zh) * | 2018-05-31 | 2018-11-06 | 西安电子科技大学 | 一种无监督sar图像变化检测方法 |
CN108764366A (zh) * | 2018-06-07 | 2018-11-06 | 南京信息职业技术学院 | 针对非均衡数据的特征选择和聚类抽样集成二分类方法 |
CN109035169A (zh) * | 2018-07-19 | 2018-12-18 | 西安交通大学 | 一种无监督/半监督ct图像重建深度网络训练方法 |
CN109145937A (zh) * | 2018-06-25 | 2019-01-04 | 北京达佳互联信息技术有限公司 | 一种模型训练的方法及装置 |
CN109272040A (zh) * | 2018-09-20 | 2019-01-25 | 中国科学院电子学研究所苏州研究院 | 一种雷达工作模式生成方法 |
CN109299270A (zh) * | 2018-10-30 | 2019-02-01 | 云南电网有限责任公司信息中心 | 一种基于卷积神经网络的文本数据无监督聚类方法 |
CN109342862A (zh) * | 2018-12-14 | 2019-02-15 | 国网山东省电力公司电力科学研究院 | 基于非监督聚类与和svm分类的变压器故障诊断方法 |
CN109426813A (zh) * | 2018-11-02 | 2019-03-05 | 中电科新型智慧城市研究院有限公司 | 基于模糊聚类及神经网络模型的遥感图像自定义兴趣点提取方法 |
-
2019
- 2019-03-08 CN CN201910175530.2A patent/CN109934281B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101615150A (zh) * | 2009-07-24 | 2009-12-30 | 中兴通讯股份有限公司 | 基于嵌入式数据库的数据处理方法及装置 |
CN104850864A (zh) * | 2015-06-01 | 2015-08-19 | 深圳英智源智能***有限公司 | 一种基于卷积神经网络的非监督图像识别方法 |
CN105894046A (zh) * | 2016-06-16 | 2016-08-24 | 北京市商汤科技开发有限公司 | 卷积神经网络训练及图像处理的方法和***、计算机设备 |
CN107545271A (zh) * | 2016-06-29 | 2018-01-05 | 阿里巴巴集团控股有限公司 | 图像识别方法、装置和*** |
CN108009559A (zh) * | 2016-11-02 | 2018-05-08 | 哈尔滨工业大学 | 一种基于空谱联合信息的高光谱数据分类方法 |
CN106897390A (zh) * | 2017-01-24 | 2017-06-27 | 北京大学 | 基于深度度量学习的目标精确检索方法 |
CN108197666A (zh) * | 2018-01-30 | 2018-06-22 | 咪咕文化科技有限公司 | 一种图像分类模型的处理方法、装置及存储介质 |
CN108710948A (zh) * | 2018-04-25 | 2018-10-26 | 佛山科学技术学院 | 一种基于聚类均衡和权重矩阵优化的迁移学习方法 |
CN108765465A (zh) * | 2018-05-31 | 2018-11-06 | 西安电子科技大学 | 一种无监督sar图像变化检测方法 |
CN108764366A (zh) * | 2018-06-07 | 2018-11-06 | 南京信息职业技术学院 | 针对非均衡数据的特征选择和聚类抽样集成二分类方法 |
CN109145937A (zh) * | 2018-06-25 | 2019-01-04 | 北京达佳互联信息技术有限公司 | 一种模型训练的方法及装置 |
CN109035169A (zh) * | 2018-07-19 | 2018-12-18 | 西安交通大学 | 一种无监督/半监督ct图像重建深度网络训练方法 |
CN109272040A (zh) * | 2018-09-20 | 2019-01-25 | 中国科学院电子学研究所苏州研究院 | 一种雷达工作模式生成方法 |
CN109299270A (zh) * | 2018-10-30 | 2019-02-01 | 云南电网有限责任公司信息中心 | 一种基于卷积神经网络的文本数据无监督聚类方法 |
CN109426813A (zh) * | 2018-11-02 | 2019-03-05 | 中电科新型智慧城市研究院有限公司 | 基于模糊聚类及神经网络模型的遥感图像自定义兴趣点提取方法 |
CN109342862A (zh) * | 2018-12-14 | 2019-02-15 | 国网山东省电力公司电力科学研究院 | 基于非监督聚类与和svm分类的变压器故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
CAIKOU CHEN ET AL: "Unsupervised Discriminant Analysis Based on the Local and Non-local Mean", 《2012 INTERNATIONAL CONFERENCE ON APPLIED PHYSICS AND INDUSTRIAL ENGINEERING》 * |
S. THILAGAMANI ET AL: "A Survey on Image Segmentation Through Clustering", 《INTERNATIONAL JOURNAL OF RESEARCH AND REVIEWS IN INFORMATION SCIENCES》 * |
殷瑞刚: "深度学习中的无监督学习方法综述", 《计算机***应用》 * |
王慧贤 等: "k均值聚类引导的遥感影像多尺度分割优化方法", 《测绘学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232439A (zh) * | 2020-11-06 | 2021-01-15 | 四川云从天府人工智能科技有限公司 | 非监督ReID中的伪标签更新方法及*** |
CN112232439B (zh) * | 2020-11-06 | 2024-04-05 | 四川云从天府人工智能科技有限公司 | 非监督ReID中的伪标签更新方法及*** |
CN113298145A (zh) * | 2021-05-24 | 2021-08-24 | 中国邮政储蓄银行股份有限公司 | 标签填充方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109934281B (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mascarenhas et al. | A comparison between VGG16, VGG19 and ResNet50 architecture frameworks for Image Classification | |
CN107563422B (zh) | 一种基于半监督卷积神经网络的极化sar分类方法 | |
CN109829541A (zh) | 基于学习自动机的深度神经网络增量式训练方法及*** | |
Gross et al. | Hard mixtures of experts for large scale weakly supervised vision | |
CN111639679B (zh) | 一种基于多尺度度量学习的小样本学习方法 | |
CN106778682B (zh) | 一种卷积神经网络模型的训练方法及其设备 | |
Shao et al. | Feature learning for image classification via multiobjective genetic programming | |
CN106779087B (zh) | 一种通用机器学***台 | |
Liu et al. | Learning spatio-temporal representations for action recognition: A genetic programming approach | |
CN106067042B (zh) | 基于半监督深度稀疏滤波网络的极化sar分类方法 | |
CN106203354B (zh) | 基于混合深度结构的场景识别方法 | |
CN103514456B (zh) | 基于压缩感知多核学习的图像分类方法及其装置 | |
CN108875076B (zh) | 一种基于Attention机制和卷积神经网络的快速商标图像检索方法 | |
CN108805270A (zh) | 一种基于存储器的卷积神经网络*** | |
CN108961245A (zh) | 基于双通道深度并行卷积网络的图像质量分类方法 | |
CN110222634A (zh) | 一种基于卷积神经网络的人体姿态识别方法 | |
CN109376787B (zh) | 流形学习网络及基于其的计算机视觉图像集分类方法 | |
CN103177265B (zh) | 基于核函数与稀疏编码的高清图像分类方法 | |
CN110298434A (zh) | 一种基于模糊划分和模糊加权的集成深度信念网络 | |
CN106980830A (zh) | 一种基于深度卷积网络自亲缘关系识别方法与装置 | |
CN105718932A (zh) | 一种基于果蝇优化算法和光滑孪生支持向量机的彩色图像分类方法与*** | |
CN106980831A (zh) | 基于自编码器的自亲缘关系识别方法 | |
CN112200262B (zh) | 支持多任务和跨任务的小样本分类训练方法及装置 | |
CN108154156A (zh) | 基于神经主题模型的图像集成分类方法及装置 | |
Singh et al. | Leaf identification using feature extraction and neural network |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |