CN110232445A - 一种基于知识蒸馏的文物真伪鉴定方法 - Google Patents

一种基于知识蒸馏的文物真伪鉴定方法 Download PDF

Info

Publication number
CN110232445A
CN110232445A CN201910526264.3A CN201910526264A CN110232445A CN 110232445 A CN110232445 A CN 110232445A CN 201910526264 A CN201910526264 A CN 201910526264A CN 110232445 A CN110232445 A CN 110232445A
Authority
CN
China
Prior art keywords
yolov3
historical relic
network
tiny
finger
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
Application number
CN201910526264.3A
Other languages
English (en)
Other versions
CN110232445B (zh
Inventor
刘学平
李玙乾
张晶阳
王哲
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.)
Shenzhen Graduate School Tsinghua University
Original Assignee
Shenzhen Graduate School Tsinghua 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 Shenzhen Graduate School Tsinghua University filed Critical Shenzhen Graduate School Tsinghua University
Priority to CN201910526264.3A priority Critical patent/CN110232445B/zh
Publication of CN110232445A publication Critical patent/CN110232445A/zh
Application granted granted Critical
Publication of CN110232445B publication Critical patent/CN110232445B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及文物真伪鉴定领域，特别涉及一种基于知识蒸馏的文物真伪鉴定方法，主要包括：步骤1：文物展出前，采集指纹区域图像，制作数据集；步骤2：配置YOLOV3网络作为教师网络，配置YOLOV3‑Tiny网络作为学生网络；步骤3：训练YOLOV3；步骤4：基于知识蒸馏训练YOLOV3‑Tiny；步骤5：文物回收后，重新采集指纹区域图像，制作测试集；步骤6：利用训练好的YOLOV3‑Tiny鉴定文物真伪。本发明利用准确性好但速度较慢的YOLOV3作为教师网络，准确性差但速度较快的YOLOV3‑Tiny作为学生网络，进行知识蒸馏，用软化后的目标监督学生网络学习，在保持YOLOV3‑Tiny原有较快的检测速度的情况下，大大提升其准确性，减轻了文物鉴定过程中的硬件资源占用，提升了检测效率，节约了鉴定成本。

Description

一种基于知识蒸馏的文物真伪鉴定方法
技术领域
本发明涉及文物真伪鉴定领域，特别涉及一种基于知识蒸馏的文物真伪鉴定方法。
背景技术
我国历史文化悠久，有大量遗存的文物瑰宝。为了弘扬历史文化，全国各地的文物收藏单位都会定期开展文物巡展活动。在活动展出后，需要对文物进行鉴定，以防文物被破坏、替换。目前，文物鉴定工作主要由人工完成，这依赖于专家的个人经验、知识范围，有时需要借助高科技设备来辅助检测。这样的人工鉴定过程耗时较长，需要投入较多人力物力，且鉴定结果的主观性较强。
发明内容
为解决上述背景技术中存在的问题，本发明提出一种基于知识蒸馏的文物真伪鉴定方法，其具有检测速度快、准确率高的优点。
本发明解决上述问题的技术方案是：一种基于知识蒸馏的文物真伪鉴定方法，其特殊之处在于，包括以下步骤：
步骤1：文物展出前，采集指纹区域图像，制作数据集；
步骤2：配置YOLOV3网络作为教师网络，配置YOLOV3-Tiny网络作为学生网络；
步骤3：训练YOLOV3；
步骤4：基于知识蒸馏训练YOLOV3-Tiny；
步骤5：文物回收后，重新采集指纹区域图像，制作测试集；
步骤6：利用训练好的YOLOV3-Tiny鉴定文物真伪。
进一步，上述步骤1具体为：在文物展出前，在文物上选一区域作为指纹区域，在不同光照条件下，使用高精度相机从多角度采集指纹区域的RGB图像，利用标注工具标注出图像中的指纹区域，制作数据集，随机选取其中的一部分图像及其标注文件作为训练集，剩余的作为验证集。
进一步，上述步骤2中，删除YOLOV3的预测尺度为52×52的yolo层，仅保留13×13与26×26两个尺度的预测；针对步骤1得到的训练集，利用K-Means算法计算出6个anchorbox，替换掉原YOLOV3与YOLOV3-Tiny的anchorbox。
进一步，上述步骤3具体为：将YOLOV3网络模型在步骤1得到数据集上训练，并保存权重文件。
进一步，上述步骤4将已经训练好的YOLOV3网络作为教师网络，YOLOV3-Tiny网络作为学生网络；两个网络依次在输入图像上执行前向传播，得到尺度为13×13×c、26×26×c的输出，分别记为outt(教师)与outs(学生)；按照式(1)～(3)计算YOLOV3-Tiny误差：
LOSS＝αT2·losssoft+(1-α)·losshard (1)
losshard＝crossentropy(outs,Target) (3)
式中，losssoft为软目标误差，losshard为硬目标误差(即YOLOV3网络的原始误差)，α为调节losssoft与losshard的权重系数，T为蒸馏温度；Target代表数据集的原始标注，也即硬目标；softmax()与crossentropy()分别代表求softmax函数值与交叉熵值；为了平衡losssoft与losshard的数量级，引入系数β1；在式2中，将学生、教师网络的位置、置信度、类别预测值进行软化后，求取相对熵，作为软目标误差。
进一步，上述步骤5具体为：在文物回收后，在所述指纹区域重新采集多张图像，作为测试集。
进一步，上述步骤6具体为：将训练好的YOLOV3-Tiny在步骤5得到的测试集上执行推断，得到指纹区域的置信度值，求取每个指纹区域置信度的平均值，若大于设定阈值，则认为该处未变化，若所述指纹区域均未发生变化，则判定文物为真品。
本发明的优点：
本发明基于知识蒸馏的文物真伪鉴定方法，利用准确性好但速度较慢的YOLOV3作为教师网络，准确性差但速度较快的YOLOV3-Tiny作为学生网络，进行知识蒸馏，用软化后的目标监督学生网络学习，在保持YOLOV3-Tiny原有较快的检测速度的情况下，大大提升其准确性，减轻了文物鉴定过程中的硬件资源占用，提升了检测效率，节约了鉴定成本。
附图说明
图1是本发明基于知识蒸馏的文物真伪鉴定方法的流程示意图；
图2是修改后的YOLOV3网络结构；
图3是YOLOV3-Tiny网络结构；
图4是知识蒸馏示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
参见图1，一种基于知识蒸馏的文物真伪鉴定方法，包括以下步骤：
步骤1：文物展出前，采集指纹区域图像，制作数据集；
步骤2：配置YOLOV3网络作为教师网络，配置YOLOV3-Tiny网络作为学生网络；
步骤3：在训练集上训练YOLOV3；
步骤4：基于知识蒸馏训练YOLOV3-Tiny；
步骤5：文物回收后，重新采集指纹区域图像，制作测试集；
步骤6：利用训练好的YOLOV3-Tiny鉴定文物真伪；
步骤1：文物展出前，采集指纹区域图像并制作数据集。
进一步，上述步骤1具体为：在文物展出前，在文物上选一区域作为指纹区域，在不同光照条件下，使用高精度相机从多角度采集指纹区域的RGB图像，利用标注工具标注出图像中的指纹区域，制作数据集，随机选取其中的一部分图像及其标注文件作为训练集，剩余的作为验证集。
进一步，上述步骤2中，删除YOLOV3的预测尺度为52×52的yolo层，仅保留13×13与26×26两个尺度的预测，删除后网络模型如图2所示。修改YOLOV3网络的类别数为m类，yolo层卷积核通道数为(m+1+4)×3，记为c，修改后的yolo层输出尺寸为13×13×c，26×26×c。针对步骤1得到的训练集，利用K-Means算法计算出6个anchorbox，替换掉原YOLOV3与YOLOV3-Tiny的anchorbox。YOLOV3-TINY网络模型如图3所示。
进一步，步骤3中，设定YOLOV3网络的初始超参数，并设定最大迭代次数epochmax与批处理数batch，在训练集上训练，每个epoch结束后都在验证集上计算YOLOV3的查准率、查全率、mAP，并保存至训练日志。在每次训练结束后(达到最大迭代次数epochmax)，根据训练日志调整位置误差函数、置信度误差函数、分类误差函数的系数，最终得到查准率、查全率、mAP较高的训练结果，保存权重文件。
进一步，步骤4中，将已经训练好的YOLOV3网络作为教师网络，YOLOV3-Tiny网络作为学生网络。两个网络依次在输入图像上执行前向传播，得到尺度为13×13×c、26×26×c的输出，如图4所示，分别记为outt(教师)与outs(学生)。仅对YOLOV3-Tiny网络进行反向传播并更新权重，YOLOV3网络不更新权重，仅执行前向推断。反向传播误差包括两个部分，如公式1～3所示。
LOSS＝αT2·losssoft+(1-α)·losshard (1)
losshard＝crossentropy(outs,Target) (3)
式中，losssoft为软目标误差，losshard为硬目标误差(即YOLOV3网络的原始误差)，α为调节losssoft与losshard的权重系数，T为蒸馏温度。Target代表数据集的原始标注，也即硬目标。softmax()与crossentropy()分别代表求softmax函数值与交叉熵值。为了平衡losssoft与losshard的数量级，引入系数β1。在式2中，将学生、教师网络的位置、置信度、类别预测值进行软化后，求取相对熵，作为软目标误差。
设定最大迭代次数与批处理数，在训练集上进行训练，每个epoch结束后都在验证集上计算YOLOV3-Tiny的查准率、查全率、mAP，并保存至训练日志。在每次训练结束后，根据训练日志调整YOLOV3-Tiny的超参数，最终得到查准率、查全率、mAP较高的训练结果，保存权重文件。
进一步，步骤5在文物回收后，在m处指纹区域重新采集多张图像，形成测试集，用于文物真伪鉴定。
进一步，步骤6使用步骤4训练好的YOLOV3-Tiny网络在测试集上执行推断过程，得到每张图像指纹区域的置信度值。统计同一处指纹区域的置信度值，计算其平均值，若m个平均值均大于设定阈值，则判定为文物为正品。
实施例：
在本实施例中，在文物展出前已知5处指纹区域，尺寸均为5×5mm2。在不同的光照条件下，使用EOS 7D Mark II相机搭载MP-E 65mm f/2.8 1-5X镜头，从多个角度在5处指纹区域各采集500张RGB图像，分辨率为5472×3648像素，共得到2500张图像。使用标注工具labelimg标注出图像中的指纹区域，得到每张图像对应的XML文件。随机选取其中的2300张图像及其标注文件作为训练集，剩余作为验证集。
步骤2：配置YOLOV3网络作为教师网络，配置YOLOV3-Tiny网络作为学生网络；修改网络模型及参数；
在本实施例中，需要配置深度学习开发环境，CPU为i79700K，GPU为NVIDIAGeForceRTX2080，操作***为Ubuntu 16.04LTS，CUDA10.0,深度学习框架为Pytorch。
修改YOLOV3网络结构，具体内容包括：1)删除尺度为52×52的yolo层，在cfg配置文件删除相应的卷积层、上采样层、route层；1)修改anchorbox数量为6，在cfg配置文件中修改num＝6，在训练集上利用K-Means算法重新计算出6个anchorbox并替换原有的值；1)修改分类数为5，在cfg配置文件中修改classes＝5，yolo层的通道数为(5+1+4)×3，即30，修改后yolo层尺寸为13×13×30，26×26×30。
修改YOLOV3-Tiny网络参数，具体内容包括：1)将上述6个anchorbox替换原有的值；2)修改分类数为5，在cfg配置文件中修改classes＝5，yolo层的通道数为(5+1+4)×3，即30，修改后yolo层尺寸为13×13×30，26×26×30。搭建YOLOV3与YOLOV3-Tiny网络模型。
步骤3：训练YOLOV3网络，保存权重文件。
本实施例用于训练YOLOV3网络模型。设置epochmax为250，batch为8，每一个epoch结束后都在验证集上计算查准率、查全率与mAP，并保存为训练日志。当一次训练结束后，根据训练日志调整定位误差函数、置信度误差函数、分类误差函数的系数，多次训练得到性能较好的网络模型，保存权重文件。
步骤4：基于知识蒸馏训练YOLOV3-Tiny
在本实施例中，YOLOV3网络加载其权重文件，YOLOV3-Tiny网络从头开始训练。两个网络依次在输入图像上执行前向传播，得到尺度为13×13×30、26×26×30的输出，分别记为outt(教师)与outs(学生)。接着按照式1～3计算YOLOV3-Tiny网络误差，设定相关参数如下：T＝4，α＝0.6，β1＝0.0003。
设定最大迭代次数与批处理数，训练过程中，仅计算YOLOV3-Tiny网络的误差与梯度，并更新权重，YOLOV3网络仅执行前向推断，不计算误差与梯度。每一个epoch结束后都在验证集上计算YOLOV3-Tiny的查准率、查全率与mAP，并保存为训练日志。当一次训练结束后，根据训练日志调整YOLOV3-Tiny的超参数，多次训练得到性能较好的网络模型，保存权重文件。
步骤5：文物回收后，重新采集指纹区域图像；
本实施例在文物收回后，使用上述相机，重新采集5处指纹区域图像各100张，分辨率为5472×3648像素，得到共500张图像形成测试集。
步骤6：利用训练好的YOLOV3-Tiny鉴定文物真伪；
将训练好的YOLOV3-Tiny网络在测试集上执行推断过程，每张图像均输出指纹区域的置信度值。对每处指纹区域的100个置信度值求平均，若平均值大于设定阈值0.95，则认为该指纹区域未发生变化，若5处指纹区域均未变化，则判定该文物为正品。
以上所述仅为本发明的实施例，并非以此限制本发明的保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的***领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种基于知识蒸馏的文物真伪鉴定方法，其特征在于，包括以下步骤：
步骤1：文物展出前，采集指纹区域图像，制作数据集；
步骤2：配置YOLOV3网络作为教师网络，配置YOLOV3-Tiny网络作为学生网络；
步骤3：训练YOLOV3；
步骤4：基于知识蒸馏训练YOLOV3-Tiny；
步骤5：文物回收后，重新采集指纹区域图像，制作测试集；
步骤6：利用训练好的YOLOV3-Tiny鉴定文物真伪。
2.根据权利要求1所述的一种基于知识蒸馏的文物真伪鉴定方法，其特征在于：
所述步骤1具体为：在文物展出前，在文物上选一区域作为指纹区域，在不同光照条件下，使用相机从多角度采集指纹区域的RGB图像，利用标注工具标注出图像中的指纹区域，制作数据集，随机选取其中的一部分图像及其标注文件作为训练集，剩余的作为验证集。
3.根据权利要求2所述的一种基于知识蒸馏的文物真伪鉴定方法，其特征在于：
所述步骤2中，删除YOLOV3的预测尺度为52×52的yolo层，仅保留13×13与26×26两个尺度的预测；针对步骤1得到的训练集，利用K-Means算法计算出6个anchorbox，替换掉原YOLOV3与YOLOV3-Tiny的anchorbox。
4.根据权利要求3所述的一种基于知识蒸馏的文物真伪鉴定方法，其特征在于：
所述步骤3具体为：将YOLOV3网络模型在步骤1得到数据集上训练，并保存权重文件。
5.根据权利要求4所述的一种基于知识蒸馏的文物真伪鉴定方法，其特征在于：
所述步骤4中，将已经训练好的YOLOV3网络作为教师网络，YOLOV3-Tiny网络作为学生网络；两个网络依次在输入图像上执行前向传播，得到尺度为13×13×c、26×26×c的输出，分别记为outt与outs；按照式(1)～(3)计算YOLOV3-Tiny误差：
LOSS＝αT2·losssoft+(1-α)·losshard (1)
losshard＝crossentropy(outs,Target) (3)
上式中，losssoft为软目标误差，losshard为硬目标误差，α为调节losssoft与losshard的权重系数，T为蒸馏温度；Target代表数据集的原始标注，也即硬目标；softmax()与crossentropy()分别代表求softmax函数值与交叉熵值；为了平衡losssoft与losshard的数量级，引入系数β1；在式2中，将学生、教师网络的位置、置信度、类别预测值进行软化后，求取相对熵，作为软目标误差。
6.根据权利要求5所述的一种基于知识蒸馏的文物真伪鉴定方法，其特征在于：
所述步骤5具体为：在文物回收后，在所述指纹区域重新采集多张图像，作为测试集。
7.根据权利要求6所述的一种基于知识蒸馏的文物真伪鉴定方法，其特征在于：
所述步骤6具体为：将训练好的YOLOV3-Tiny在步骤5得到的测试集上执行推断，得到指纹区域的置信度值，求取每个指纹区域置信度的平均值，若大于设定阈值，则认为该处未变化，若所述指纹区域均未发生变化，则判定文物为真品。
CN201910526264.3A 2019-06-18 2019-06-18 一种基于知识蒸馏的文物真伪鉴定方法 Active CN110232445B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910526264.3A CN110232445B (zh) 2019-06-18 2019-06-18 一种基于知识蒸馏的文物真伪鉴定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910526264.3A CN110232445B (zh) 2019-06-18 2019-06-18 一种基于知识蒸馏的文物真伪鉴定方法

Publications (2)

Publication Number Publication Date
CN110232445A true CN110232445A (zh) 2019-09-13
CN110232445B CN110232445B (zh) 2021-03-26

Family

ID=67859621

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910526264.3A Active CN110232445B (zh) 2019-06-18 2019-06-18 一种基于知识蒸馏的文物真伪鉴定方法

Country Status (1)

Country Link
CN (1) CN110232445B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200764A (zh) * 2020-09-02 2021-01-08 重庆邮电大学 一种基于热红外图像的光伏电站热斑检测与定位方法
CN112308130A (zh) * 2020-10-29 2021-02-02 成都千嘉科技有限公司 一种物联网深度学习网络的部署方法
CN112348167A (zh) * 2020-10-20 2021-02-09 华东交通大学 一种基于知识蒸馏的矿石分选方法和计算机可读存储介质
CN113158969A (zh) * 2021-05-10 2021-07-23 上海畅选科技合伙企业(有限合伙) 一种苹果外观缺陷识别***及方法
WO2023015610A1 (zh) * 2021-08-10 2023-02-16 万维数码智能有限公司 基于人工智能的古代及近现代艺术品鉴定方法和***
CN117114053A (zh) * 2023-08-24 2023-11-24 之江实验室 基于结构搜索和知识蒸馏的卷积神经网络模型压缩方法和装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930251A (zh) * 2012-10-26 2013-02-13 北京炎黄拍卖有限公司 两维收藏品数据收录与甄别的装置和方法
KR20170035362A (ko) * 2015-08-31 2017-03-31 (주)늘푸른광고산업 무선단말기를 이용한 문화재 안내 시스템
CN108287833A (zh) * 2017-01-09 2018-07-17 北京艺鉴通科技有限公司 一种用于艺术品鉴定的以图搜图方法
US20180268222A1 (en) * 2017-03-17 2018-09-20 Nec Laboratories America, Inc. Action recognition system for action recognition in unlabeled videos with domain adversarial learning and knowledge distillation
CN109003098A (zh) * 2018-05-24 2018-12-14 孝昌天空电子商务有限公司 基于物联网和区块链的农产品供应链追溯***
CN109523282A (zh) * 2018-12-02 2019-03-26 程昔恩 一种构建可信的物品物联网的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930251A (zh) * 2012-10-26 2013-02-13 北京炎黄拍卖有限公司 两维收藏品数据收录与甄别的装置和方法
KR20170035362A (ko) * 2015-08-31 2017-03-31 (주)늘푸른광고산업 무선단말기를 이용한 문화재 안내 시스템
CN108287833A (zh) * 2017-01-09 2018-07-17 北京艺鉴通科技有限公司 一种用于艺术品鉴定的以图搜图方法
US20180268222A1 (en) * 2017-03-17 2018-09-20 Nec Laboratories America, Inc. Action recognition system for action recognition in unlabeled videos with domain adversarial learning and knowledge distillation
CN109003098A (zh) * 2018-05-24 2018-12-14 孝昌天空电子商务有限公司 基于物联网和区块链的农产品供应链追溯***
CN109523282A (zh) * 2018-12-02 2019-03-26 程昔恩 一种构建可信的物品物联网的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MARIA DE-ARTEAGA ET AL: "Machine Learning for the Developing World", 《ACM TRANSACTIONS ON MANAGEMENT INFORMATION SYSTEMS》 *
吴旭东等: "智能算法在古陶瓷文物鉴定中的应用", 《技术创新》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200764A (zh) * 2020-09-02 2021-01-08 重庆邮电大学 一种基于热红外图像的光伏电站热斑检测与定位方法
CN112200764B (zh) * 2020-09-02 2022-05-03 重庆邮电大学 一种基于热红外图像的光伏电站热斑检测与定位方法
CN112348167A (zh) * 2020-10-20 2021-02-09 华东交通大学 一种基于知识蒸馏的矿石分选方法和计算机可读存储介质
CN112348167B (zh) * 2020-10-20 2022-10-11 华东交通大学 一种基于知识蒸馏的矿石分选方法和计算机可读存储介质
CN112308130A (zh) * 2020-10-29 2021-02-02 成都千嘉科技有限公司 一种物联网深度学习网络的部署方法
CN113158969A (zh) * 2021-05-10 2021-07-23 上海畅选科技合伙企业(有限合伙) 一种苹果外观缺陷识别***及方法
WO2023015610A1 (zh) * 2021-08-10 2023-02-16 万维数码智能有限公司 基于人工智能的古代及近现代艺术品鉴定方法和***
CN117114053A (zh) * 2023-08-24 2023-11-24 之江实验室 基于结构搜索和知识蒸馏的卷积神经网络模型压缩方法和装置

Also Published As

Publication number Publication date
CN110232445B (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
CN110232445A (zh) 一种基于知识蒸馏的文物真伪鉴定方法
CN109271374B (zh) 一种基于机器学习的数据库健康度打分方法和打分***
CN110059694B (zh) 电力行业复杂场景下的文字数据的智能识别方法
CN106529565B (zh) 目标识别模型训练和目标识别方法及装置、计算设备
CN109949290A (zh) 路面裂缝检测方法、装置、设备及存储介质
EP3719708A1 (en) Model test method and device
CN104951803B (zh) 基于动态移动窗最小二乘支持向量机的常压精馏塔航煤干点软测量方法
CN108664893A (zh) 一种人脸检测方法及存储介质
CN104317894B (zh) 样本标注的确定方法和装置
CN103745454B (zh) 一种基于排序学习的图像处理算法或***的评价方法
CN110910343A (zh) 路面裂缝检测的方法、装置及计算机设备
CN106371155A (zh) 基于大数据和分析场的气象预报方法及***
CN106204597B (zh) 一种基于自步式弱监督学习的视频物体分割方法
CN110263835B (zh) 基于深度学习和贝叶斯网络的岩石类别自动识别方法
CN109191386B (zh) 一种基于BPNN的快速Gamma校正方法及装置
CN108710893A (zh) 一种基于特征融合的数字图像相机源模型分类方法
CN111178438A (zh) 一种基于ResNet101的天气类型识别方法
CN108647261A (zh) 基于气象数据离散点网格化处理的全球等值线绘制方法
CN104252056A (zh) 一种基板的检测方法及装置
CN117173568A (zh) 目标检测模型训练方法和目标检测方法
CN114140463A (zh) 一种焊接缺陷识别方法、装置、设备及存储介质
CN110188662A (zh) 一种水表数字的ai智能识别方法
CN109493360A (zh) 一种人工地物散乱形状点自动生成建筑物轮廓的方法
CN117274212A (zh) 一种桥梁水下结构裂缝检测方法
Robinson Automated analysis of simulation output data

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