CN111461025B - 一种自主进化的零样本学习的信号识别方法 - Google Patents

一种自主进化的零样本学习的信号识别方法 Download PDF

Info

Publication number
CN111461025B
CN111461025B CN202010254914.6A CN202010254914A CN111461025B CN 111461025 B CN111461025 B CN 111461025B CN 202010254914 A CN202010254914 A CN 202010254914A CN 111461025 B CN111461025 B CN 111461025B
Authority
CN
China
Prior art keywords
sample
signal
unknown
class
new
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.)
Active
Application number
CN202010254914.6A
Other languages
English (en)
Other versions
CN111461025A (zh
Inventor
董益宏
史清江
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN202010254914.6A priority Critical patent/CN111461025B/zh
Publication of CN111461025A publication Critical patent/CN111461025A/zh
Application granted granted Critical
Publication of CN111461025B publication Critical patent/CN111461025B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

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

Abstract

本发明涉及一种自主进化的零样本学习的信号识别方法，具体包括以下步骤：步骤S1：获取已知信号集合和未知信号集合，根据完成预处理的信号数据训练深度学习模型，通过总损失函数进行反向传递并更新深度学习模型的参数；步骤S2：输入已知信号样本获得特征向量，按类分组，计算各个已知类的语义向量；步骤S3：获取新信号样本，计算新信号样本与已知类或未知类之间的距离，判断属于已知信号集合或未知信号集合，划分到对应类别；步骤S4：重复步骤S3，直到未知类中样本的数量大于数量阈值，将该未知类并入已知信号集合。与现有技术相比，本发明具有提高信号识别的准确性、减少训练模型所需要的样本类别等优点。

Description

一种自主进化的零样本学习的信号识别方法
技术领域
本发明涉及无线信号识别领域，尤其是涉及一种自主进化的零样本学习的信号识别方法。
背景技术
在当今的无线信号识别领域中，无论是实际应用中还是在理论研究中，信号数据的样本是严重不足的，不足以覆盖绝大多数的信号类别并为每类信号提供充足的数据。因此很多学者和无线信号识别公司，一直致力于使用有限的数据去学习模型，然后运用到现实生活中，当遇到未知信号时，不能较好的工作。2009年零样本学习技术进入人们的视野，它可以使得模型能够具有知识迁移的能力。简单来说就是识别从未见过的数据类别，即训练的分类器不仅仅能够识别出训练集中已有的数据类别，还可以对于来自未见过的类别的数据进行区分。零样本学习使用属性集合去表示类别，只要给出未见过的类别的属性集合，就可以对它进行识别。
图像的属性是比较容易去寻找和定义的，只需要用肉眼去观察就可获得大量的属性，所以零样本学习在图像识别领域有比较好的效果。但是在信号识别领域，信号的属性的寻找和定义是非常困难的。我们通常无法直接获得信号的属性，而需要做一系列相应的变换，这样导致获得信号属性的代价是很昂贵，因此使用人工方法去获得信号的属性是不太明智的选择。
发明内容
本发明的目的就是为了克服上述现有技术存在的信号的属性的寻找和定义较为困难的缺陷而提供一种自主进化的零样本学习的信号识别方法。
本发明的目的可以通过以下技术方案来实现：
一种自主进化的零样本学习的信号识别方法，具体包括以下步骤：
步骤S1：获取已知信号集合和未知信号集合，所述已知信号集合包括多个样本集，所述样本集包含多个数据对，对所述已知信号集合的信号数据进行预处理，根据完成预处理的信号数据训练深度学习模型，将完成预处理的信号数据输入所述深度学习模型，根据输出结果计算总损失函数，根据总损失函数进行反向传递并更新深度学习模型的参数；
步骤S2：将所述深度学习模型的最后一个全连接层作为特征层，所述已知信号集合中样本集的已知信号样本输入所述特征层得到对应的特征向量，所有特征向量按类别分成多个已知类，计算各个已知类中特征向量的均值作为该已知类的语义向量；
步骤S3：获取新信号样本，计算所述新信号样本与已知信号集合中已知类的语义向量之间的第一样本距离，若第一样本距离小于第一距离阈值，判定所述新信号样本属于已知信号集合，并划分到对应的已知类；
否则判定所述新信号样本属于未知信号集合，若所述未知信号集合的未知信号集的未知类为空集，将所述新信号样本作为新的未知类添加进未知信号集，并将所述新信号样本的特征向量作为对应未知类的语义向量；
若所述未知信号集合的未知信号集的未知类不为空集，即所述未知信号集里存在已记录的未知类，计算所述新信号样本与每个已记录的未知类的第二样本距离，若存在所述第二样本距离小于第二距离阈值，划分所述新信号样本到对应的已记录的未知类，并根据所述新信号样本更新该未知类的语义向量，否则将所述新信号样本作为新的未知类添加进未知信号集，并将所述新信号样本的特征向量作为对应未知类的语义向量；
步骤S4：重复步骤S3，若所述未知信号集合的未知信号集的未知类中样本的数量大于数量阈值，则所述未知类并入已知信号集合。
所述步骤S1中预处理的公式具体如下：
Figure BDA0002436919330000021
其中，ej为已知信号样本的第j个特征，Ej_min为已知信号样本第j个特征的最小值，Ej_max为已知信号样本第j个特征的最大值，max为预处理后特征的上界，min为预处理后特征的下界。
所述深度学习模型具体如下所示：
y＝NN(x)
其中，x表示输入的预处理后的信号数据，y表示输出的信号类别。
所述总损失函数具体如下：
L＝Lce+λ1Lae+λ2Lct
其中，L为总损失函数，Lce为交叉熵损失函数，Lae为自编码损失函数，Lct为中心损失函数，λ1和λ2分别为自编码损失函数和中心损失函数的权重参数。
所述交叉熵损失函数具体为：
Figure BDA0002436919330000031
所述自编码损失函数具体为：
Figure BDA0002436919330000032
所述中心损失函数具体为：
Figure BDA0002436919330000033
其中，
Figure BDA0002436919330000034
为x的解码函数，x(i)为第i个已知信号样本的信号数据，y(i)为第i个已知信号样本对应的已知类，
Figure BDA0002436919330000035
为第y(i)类所有样本的特征向量的聚类中心，gθ(x(i))为x(i)样本的特征向量，m为样本集中已知信号样本的数量。
所述语义向量的计算公式具体如下：
Figure BDA0002436919330000036
其中，Si为已知类的语义向量，|Di|表示样本集Di中样本的数量，Vj表示样本集Di中第j个样本在F层上的输出。
所述第一样本距离的计算公式为：
Figure BDA0002436919330000037
其中，D1(v)为第一样本距离，v为新信号样本的特征向量，s1为已知类的语义向量；
所述第二样本距离的计算公式为：
Figure BDA0002436919330000038
其中，D2(v)为第一样本距离，s2为未知类的语义向量。
所述步骤S3中新信号样本对应的已知类为使第一样本距离最小的已知类。
所述步骤S3中新信号样本对应的未知类为使第二样本距离最小的未知类。
与现有技术相比，本发明具有以下有益效果：
1.本发明通过设置已知信号集合和未知信号集合，通过预先按类分组，同时计算每个已知类和未知类的语义向量，在此基础上来计算新信号样本的第一样本距离和第二样本距离，提高了信号识别的准确性，并且随着识别的样本不断增加，实现自主进化以获得更好的分类准确率。
2.本发明根据输出结果计算总损失函数，然后进行反向传递来更新深度学习模型的参数，大幅度减少训练模型所需要的样本类别，在信号识别样本和其类别不足的情况具有较好的性能。
附图说明
图1为本发明的总体框架图；
图2为本发明的网络模型图；
图3为本发明的实施流程图；
图4(a)为本发明的降维效果图；
图4(b)为一般深度学习模型的t-SNE降维效果图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
一种自主进化的零样本学习的信号识别方法，如图1所示，包括处理器、训练网络和测试算法，如图3所示，具体包括以下步骤：
步骤S1：获取未知信号集合U和包含n类已知信号的已知信号集合K，已知信号集合包括多个样本集Di(i＝1,2,…,n)，样本集包含多个数据对{x,y}1:m，对已知信号集合的信号数据进行预处理，根据完成预处理的信号数据训练深度学习模型NN，将完成预处理的信号数据输入深度学习模型NN，根据输出结果计算总损失函数L，根据总损失函数L进行反向传递并更新深度学习模型NN的参数；
步骤S2：将深度学习模型NN的最后一个全连接层作为特征层，已知信号集合K中样本集Di的已知信号样本输入特征层得到对应的特征向量，所有特征向量按类别分成多个已知类，计算各个已知类中特征向量的均值作为该已知类的语义向量Si(i＝1,2,…,n)；
步骤S3：获取新信号样本I，计算新信号样本I与已知信号集合K中已知类的语义向量之间的第一样本距离di，若第一样本距离di小于第一距离阈值θK，判定新信号样本I属于已知信号集合K，并划分到对应的已知类Ki；
否则判定新信号样本I属于未知信号集合U，若未知信号集合U的未知信号集R的未知类为空集，将新信号样本I作为新的未知类Rn+1添加进未知信号集R，并将新信号样本I的特征向量作为对应未知类Rn+1的语义向量Sn+1；
若未知信号集合U的未知信号集R的未知类不为空集，即未知信号集里存在已记录的未知类，计算新信号样本I与每个已记录的未知类的第二样本距离dj，若存在第二样本距离dj小于第二距离阈值θR，划分新信号样本I到对应的已记录的未知类Rj，并根据新信号样本I更新该未知类Rj的语义向量Sj，否则将新信号样本I作为新的未知类Rk添加进未知信号集R，并将新信号样本I的特征向量作为对应未知类Rk的语义向量Sk；
步骤S4：重复步骤S3，若未知信号集合U的未知信号集R的未知类Rj中样本的数量大于数量阈值N，则未知类Rj并入已知信号集合K。
步骤S1中预处理的公式具体如下：
Figure BDA0002436919330000051
其中，ej为已知信号样本的第j个特征，Ej_min为已知信号样本第j个特征的最小值，Ej_max为已知信号样本第j个特征的最大值，max为预处理后特征的上界，min为预处理后特征的下界。
深度学习模型具体如下所示：
y＝NN(x)
其中，x表示输入的预处理后的信号数据，y表示输出的信号类别。
步骤S1中根据总损失函数L进行反向传递并更新深度学习模型NN的参数具体为：
Figure BDA0002436919330000052
其中，W为深度学习模型NN的参数，α为学习率，
Figure BDA0002436919330000053
为总损失函数L对W的导数。通过不断更新W，直到深度学习模型NN收敛。
总损失函数L具体如下：
L＝Lce+λ1Lae+λ2Lct
其中，L为总损失函数，Lce为交叉熵损失函数，Lae为自编码损失函数，Lct为中心损失函数，λ1和λ2分别为自编码损失函数和中心损失函数的权重参数。
交叉熵损失函数具体为：
Figure BDA0002436919330000061
自编码损失函数具体为：
Figure BDA0002436919330000062
中心损失函数具体为：
Figure BDA0002436919330000063
其中，
Figure BDA0002436919330000064
为x的解码函数，x(i)为第i个已知信号样本的信号数据，y(i)为第i个已知信号样本对应的已知类，
Figure BDA0002436919330000065
为第y(i)类所有样本的特征向量的聚类中心，gθ(x(i))为x(i)样本的特征向量，m为样本集中已知信号样本的数量。
如图2所示，输入的信号样本经特征提取器F映射到语义特征层，特征提取器F为卷积神经网络结构，再经过解码器D进行解码并重构信号样本，以期能尽可能地和原始的输入信号相同。语义特征层的数据作为预测器C的输入，输出相应的类别标签，预测器C为全连接神经网络结构。对预测器C输出的类别标签使用交叉熵损失函数Lce，对输入信号和解码器D生成的重构信号样本使用自编码损失函数Lae，对特征提取器F提取的语义向量V使用中心损失函数Lct，由此可以计算出总损失函数并使用反向传递更新深度学习模型。
语义向量Si的计算公式具体如下：
Figure BDA0002436919330000066
其中，Si为已知类的语义向量，|i|表示样本集Di中样本的数量，Vj表示样本集Di中第j个样本在F层上的输出。
第一样本距离的计算公式为：
Figure BDA0002436919330000067
其中，D1(v)为第一样本距离，v为新信号样本的特征向量，s1为已知类的语义向量；
第二样本距离的计算公式为：
Figure BDA0002436919330000071
其中，D2(v)为第一样本距离，s2为未知类的语义向量。
步骤S3中新信号样本对应的已知类为i＝argmin di对应的已知类。
步骤S3中新信号样本对应的未知类为j＝argmin dj对应的未知类。
如图4(a)和图4(b)所示，本发明使用的信号识别方法不仅对已知信号可以正确分类，同时通过不断识别未知信号并将其分类，成为新的未知类，当未知类中样本数量超过数量阈值时成为新的已知类，因此对于未知或已知的新信号样本可以较好地识别并分类。而一般深度学习模型在已知类别上的准确率不弱于本发明，在未知类别的识别上，普通神经网络的效果远逊色于本发明，并不能将未知信号集合进行一定的识别和分类，并且不具备自主进化的能力。
此外，需要说明的是，本说明书中所描述的具体实施例，所取名称可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等小变化或者简单变化，均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (9)

1.一种自主进化的零样本学习的信号识别方法，其特征在于，具体包括以下步骤：
步骤S1：获取已知信号集合和未知信号集合，所述已知信号集合包括多个样本集，所述样本集包含多个数据对，对所述已知信号集合的信号数据进行预处理，根据完成预处理的信号数据训练深度学习模型，将完成预处理的信号数据输入所述深度学习模型，根据输出结果计算总损失函数，根据总损失函数进行反向传递并更新深度学习模型的参数；
步骤S2：将所述深度学习模型的最后一个全连接层作为特征层，所述已知信号集合中样本集的已知信号样本输入所述特征层得到对应的特征向量，所有特征向量按类别分成多个已知类，计算各个已知类中特征向量的均值作为该已知类的语义向量；
步骤S3：获取新信号样本，计算所述新信号样本与已知信号集合中已知类的语义向量之间的第一样本距离，若第一样本距离小于第一距离阈值，判定所述新信号样本属于已知信号集合，并划分到对应的已知类；
否则判定所述新信号样本属于未知信号集合，若所述未知信号集合的未知信号集的未知类为空集，将所述新信号样本作为新的未知类添加进未知信号集，并将所述新信号样本的特征向量作为对应未知类的语义向量；
若所述未知信号集合的未知信号集的未知类不为空集，即所述未知信号集里存在已记录的未知类，计算所述新信号样本与每个已记录的未知类的第二样本距离，若存在所述第二样本距离小于第二距离阈值，划分所述新信号样本到对应的已记录的未知类，并根据所述新信号样本更新该未知类的语义向量，否则将所述新信号样本作为新的未知类添加进未知信号集，并将所述新信号样本的特征向量作为对应未知类的语义向量；
步骤S4：重复步骤S3，若所述未知信号集合的未知信号集的未知类中样本的数量大于数量阈值，则所述未知类并入已知信号集合。
2.根据权利要求1所述的一种自主进化的零样本学习的信号识别方法，其特征在于，所述步骤S1中预处理的公式具体如下：
Figure FDA0002436919320000021
其中，ej为已知信号样本的第j个特征，Ej_min为已知信号样本第j个特征的最小值，Ej_max为已知信号样本第j个特征的最大值，max为预处理后特征的上界，min为预处理后特征的下界。
3.根据权利要求1所述的一种自主进化的零样本学习的信号识别方法，其特征在于，所述深度学习模型具体如下所示：
y＝NN(x)
其中，x表示输入的预处理后的信号数据，y表示输出的信号类别。
4.根据权利要求1所述的一种自主进化的零样本学习的信号识别方法，其特征在于，所述总损失函数具体如下：
L＝Lce+λ1Lae+λ2Lct
其中，L为总损失函数，Lce为交叉熵损失函数，Lae为自编码损失函数，Lct为中心损失函数，λ1和λ2分别为自编码损失函数和中心损失函数的权重参数。
5.根据权利要求4所述的一种自主进化的零样本学习的信号识别方法，其特征在于，所述交叉熵损失函数具体为：
Figure FDA0002436919320000022
所述自编码损失函数具体为：
Figure FDA0002436919320000023
所述中心损失函数具体为：
Figure FDA0002436919320000024
其中，
Figure FDA0002436919320000025
为x的解码函数，x(i)为第i个已知信号样本的信号数据，y(i)为第i个已知信号样本对应的已知类，
Figure FDA0002436919320000026
为第y(i)类所有样本的特征向量的聚类中心，gθ(x(i))为x(i)样本的特征向量，m为样本集中已知信号样本的数量。
6.根据权利要求1所述的一种自主进化的零样本学习的信号识别方法，其特征在于，所述语义向量的计算公式具体如下：
Figure FDA0002436919320000027
其中，Si为已知类的语义向量，|Di|表示样本集Di中样本的数量，Vj表示样本集Di中第j个样本在F层上的输出。
7.根据权利要求1所述的一种自主进化的零样本学习的信号识别方法，其特征在于，所述第一样本距离的计算公式为：
Figure FDA0002436919320000031
其中，D1(v)为第一样本距离，v为新信号样本的特征向量，s1为已知类的语义向量；
所述第二样本距离的计算公式为：
Figure FDA0002436919320000032
其中，D2(v)为第一样本距离，s2为未知类的语义向量。
8.根据权利要求1所述的一种自主进化的零样本学习的信号识别方法，其特征在于，所述步骤S3中新信号样本对应的已知类为使第一样本距离最小的已知类。
9.根据权利要求1所述的一种自主进化的零样本学习的信号识别方法，其特征在于，所述步骤S3中新信号样本对应的未知类为使第二样本距离最小的未知类。
CN202010254914.6A 2020-04-02 2020-04-02 一种自主进化的零样本学习的信号识别方法 Active CN111461025B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010254914.6A CN111461025B (zh) 2020-04-02 2020-04-02 一种自主进化的零样本学习的信号识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010254914.6A CN111461025B (zh) 2020-04-02 2020-04-02 一种自主进化的零样本学习的信号识别方法

Publications (2)

Publication Number Publication Date
CN111461025A CN111461025A (zh) 2020-07-28
CN111461025B true CN111461025B (zh) 2022-07-05

Family

ID=71685817

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010254914.6A Active CN111461025B (zh) 2020-04-02 2020-04-02 一种自主进化的零样本学习的信号识别方法

Country Status (1)

Country Link
CN (1) CN111461025B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112364912B (zh) * 2020-11-09 2023-10-13 腾讯科技（深圳）有限公司 信息分类方法、装置、设备及存储介质
CN113052126B (zh) * 2021-04-08 2022-09-06 北京理工大学 一种基于深度学习的双阈值开集信号调制识别方法
CN113283514B (zh) * 2021-05-31 2024-05-21 高新兴科技集团股份有限公司 一种基于深度学习的未知类别分类方法、装置及介质
CN113572555B (zh) * 2021-08-17 2023-11-17 张立嘉 一种基于零样本学习的黑广播监测方法
CN114567528B (zh) * 2022-01-26 2023-05-23 中国人民解放军战略支援部队信息工程大学 基于深度学习的通信信号调制方式开集识别方法及***
CN114839613A (zh) * 2022-02-25 2022-08-02 哈尔滨工程大学 基于零次学习的未知信号识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106485271A (zh) * 2016-09-30 2017-03-08 天津大学 一种基于多模态字典学习的零样本分类方法
CN106778804A (zh) * 2016-11-18 2017-05-31 天津大学 基于类别属性迁移学习的零样本图像分类方法
CN108875818A (zh) * 2018-06-06 2018-11-23 西安交通大学 基于变分自编码机与对抗网络结合的零样本图像分类方法
CN110163258A (zh) * 2019-04-24 2019-08-23 浙江大学 一种基于语义属性注意力重分配机制的零样本学习方法及***
CN110516718A (zh) * 2019-08-12 2019-11-29 西北工业大学 基于深度嵌入空间的零样本学习方法
CN110750665A (zh) * 2019-10-12 2020-02-04 南京邮电大学 基于熵最小化的开集域适应方法及***

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106485271A (zh) * 2016-09-30 2017-03-08 天津大学 一种基于多模态字典学习的零样本分类方法
CN106778804A (zh) * 2016-11-18 2017-05-31 天津大学 基于类别属性迁移学习的零样本图像分类方法
CN108875818A (zh) * 2018-06-06 2018-11-23 西安交通大学 基于变分自编码机与对抗网络结合的零样本图像分类方法
CN110163258A (zh) * 2019-04-24 2019-08-23 浙江大学 一种基于语义属性注意力重分配机制的零样本学习方法及***
CN110516718A (zh) * 2019-08-12 2019-11-29 西北工业大学 基于深度嵌入空间的零样本学习方法
CN110750665A (zh) * 2019-10-12 2020-02-04 南京邮电大学 基于熵最小化的开集域适应方法及***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Feature generating networks for zero-shot learning;XIAN Y;《Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition》;20181231;论文全文 *
ransductive zero-shot learning with visual structure constraint;WAN Z;《Advances in Neural Information Processing Systems》;20191231;论文全文 *
基于跨域对抗学习的零样本分类;刘欢;《计算机研究与发展》;20191231;论文全文 *

Also Published As

Publication number Publication date
CN111461025A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
CN111461025B (zh) 一种自主进化的零样本学习的信号识别方法
CN110442684B (zh) 一种基于文本内容的类案推荐方法
CN111897908B (zh) 融合依存信息和预训练语言模型的事件抽取方法及***
CN110532900B (zh) 基于U-Net和LS-CNN的人脸表情识别方法
CN111126386B (zh) 场景文本识别中基于对抗学习的序列领域适应方法
CN109063565B (zh) 一种低分辨率人脸识别方法及装置
CN110942091B (zh) 寻找可靠的异常数据中心的半监督少样本图像分类方法
CN107480723B (zh) 基于局部二进制阈值学习网络的纹理识别方法
CN107491729B (zh) 基于余弦相似度激活的卷积神经网络的手写数字识别方法
CN112507800A (zh) 一种基于通道注意力机制和轻型卷积神经网络的行人多属性协同识别方法
CN111460097B (zh) 一种基于tpn的小样本文本分类方法
CN105893941B (zh) 一种基于区域图像的人脸表情识别方法
CN114742224A (zh) 行人重识别方法、装置、计算机设备及存储介质
CN113177587A (zh) 基于主动学习和变分自编码器的广义零样本目标分类方法
CN115410258A (zh) 基于注意力图像的人脸表情识别方法
CN110120231B (zh) 基于自适应半监督非负矩阵分解的跨语料情感识别方法
CN116127065A (zh) 一种简单易用的增量学习文本分类方法及***
CN111191033A (zh) 一种基于分类效用的开集分类方法
CN114694255A (zh) 基于通道注意力与时间卷积网络的句子级唇语识别方法
CN116884067B (zh) 一种基于改进的隐式语义数据增强的微表情识别方法
CN117033961A (zh) 一种上下文语境感知的多模态图文分类方法
CN116543338A (zh) 一种基于注视目标估计的学生课堂行为检测方法
CN116521863A (zh) 一种基于半监督学习的标签抗噪文本分类方法
CN116434759A (zh) 一种基于srs-cl网络的说话人识别方法
CN112800959B (zh) 一种用于人脸识别中数据拟合估计的困难样本发掘方法

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