CN111639069A - 一种信息增强方法及信息增强*** - Google Patents

一种信息增强方法及信息增强*** Download PDF

Info

Publication number
CN111639069A
CN111639069A CN202010504326.3A CN202010504326A CN111639069A CN 111639069 A CN111639069 A CN 111639069A CN 202010504326 A CN202010504326 A CN 202010504326A CN 111639069 A CN111639069 A CN 111639069A
Authority
CN
China
Prior art keywords
information
view
weight
repaired
data set
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
CN202010504326.3A
Other languages
English (en)
Inventor
朱昌明
马林
张传杰
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 Maritime University
Original Assignee
Shanghai Maritime 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 Shanghai Maritime University filed Critical Shanghai Maritime University
Priority to CN202010504326.3A priority Critical patent/CN111639069A/zh
Publication of CN111639069A publication Critical patent/CN111639069A/zh
Priority to PCT/CN2021/097675 priority patent/WO2021244528A1/zh
Priority to US17/802,677 priority patent/US20240054183A1/en
Pending legal-status Critical Current

Links

Images

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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G06F18/21322—Rendering the within-class scatter matrix non-singular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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

Landscapes

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

Abstract

一种信息增强方法及信息增强***，进行信息采样，获得标记有特征和类别的多视角数据集。构建修复函数来表示“修复的量”，构建视角子分类器来表示“修复的质”，结合“修复的量”和“修复的质”来构建量质平衡模型，求解量质平衡模型，得到修复后的多视角数据集，计算修复后信息的每个视角的权重和特征的权重，基于视角的权重和特征的权重计算修复后的有标签样本的信息熵，基于信息熵和权重，采用选定的生成方式选择有标签样本以生成无标签样本，从而增加样本信息并实现信息增强。本发明通过对采样获得的信息进行修复和增加，有效增强样本信息并提升应用***的性能，从而更好的指导***的设计。

Description

一种信息增强方法及信息增强***
技术领域
本发明涉及模式识别技术领域，具体涉及一种基于量质平衡模型和信息熵的信息增强方法及信息增强***。
背景技术
各地政府积极响应中央号召。以上海为例，上海分别于2016和2020年发布《上海市推进智慧城市建设“十三五”规划》和《关于进一步加快智慧城市建设的若干意见》，要求依托互联网技术和服务资源优势,推动互联网与物流运输、生物安全、交通出行等融合创新，并在自贸试验区临港新片区等重点区域，打造“未来之城”示范城区和国家级新型智慧城市先导区。在这一环境下，相关高校与企业展开紧密合作。如位于临港新片区的上海海事大学依靠区位优势并发挥自身港航物流的学科特色与上港集团合作，用多个摄像头对洋山港自动化码头的集装箱进行识别并对其“装、卸、放、提”等操作进行联合监控和跟踪，以更好的实现港口作业自动化，减少人工干预，保证物流运输的安全；再者，上海海事大学与上海海关、上海出入境检验检疫局等单位合作，通过多类设备检测过关物品，提取分析物品不同的特征并比对国家跨境监测综合数据库中的各类生物信息，保证我国重点保护的生物标本等不会被非法带出国境，保护生物信息的安全。
发明内容
本发明提供一种基于量质平衡模型和信息熵的信息增强方法及信息增强***，通过对采样获得的信息进行修复和增加，能够有效增强样本信息并提升应用***的性能。
为了达到上述目的，本发明提供一种信息增强方法，包含以下步骤：
进行信息采样，获得标记有特征和类别的多视角数据集；
构建修复函数来表示“修复的量”；
构建视角子分类器来表示“修复的质”；
结合“修复的量”和“修复的质”来构建量质平衡模型，求解量质平衡模型，得到修复后的多视角数据集；
计算修复后信息的每个视角的权重和特征的权重；
基于视角的权重和特征的权重计算修复后的有标签样本的信息熵；
基于信息熵和权重，采用选定的生成方式选择有标签样本以生成无标签样本，从而增加样本信息并实现信息增强。
所述的修复函数为：
h(Zj-UjVj)；
其中，Zj是低秩假设矩阵，将每个视角的特征信息Xj所对应的低秩假设矩阵Zj分解为特征信息的潜在表示形式Uj和系数矩阵Vj，以UjVj表示修复后的特征信息。
所述的视角子分类器为：
g(Sj,Wj,Vj,Uj,Yj)＝g(g′(UjVj,Wj)-YjSj)；
其中，g′(UjVj,Wj)表示将UjVj通过映射矩阵Wj映射为相应的预测类别，Yj是每个视角的类别，Sj是关于类别的系数矩阵。
利用度量函数形成目标优化函数，构建目标优化函数的最值问题，形成量质平衡模型；
所述的度量函数为：
α(h,g)＝α(h(Zj-UjVj)/g(Sj,Wj,Vj,Uj,Yj))
所述的目标函数为f()，所述的量质平衡模型为：
Figure RE-GDA0002600443650000021
其中，m是视角个数。
采用交替最小化策略求解量质平衡模型，得到各个视角的潜在表示形式Uj的优化形式
Figure RE-GDA0002600443650000031
和系数矩阵Vj的优化形式
Figure RE-GDA0002600443650000032
通过
Figure RE-GDA0002600443650000033
修复每个视角的信息，得到修复后的多视角数据集。
采用多视角聚类算法得到每个视角的权重ωj和相应的特征权向量τj；
每个特征权向量为
Figure RE-GDA0002600443650000034
其中，dj表示该视角的特征个数，τjc是该视角中第c个特征的权重。
采用距离加权法计算每个修复后的有标签样本xl的信息熵Hl。
选择与有标签样本距离最近或距离最远的无标签样本x′u来生成 Universum样本u′l-u；
Figure RE-GDA0002600443650000035
将生成的Universum样本u′l-u与修复后的多视角数据集组成为一个信息增强的数据集。
本发明还提供一种存储器，其中存储有多条指令，所述的指令适用于处理器加载并执行，所述的指令包含所述的信息增强方法。
本发明还提供一种信息增强***，包含处理器，所述的存储器，以及多个摄像头；
所述的摄像头用于进行信息采样，获得标记有特征和类别的多视角数据集；
所述的存储器用于存储指令；
所述的处理器用于加载并执行存储器中的指令。
本发明通过对采样获得的信息进行修复和增加，有效增强样本信息并提升应用***的性能，从而更好的指导***的设计。
附图说明
图1是本发明提供的一种基于量质平衡模型和信息熵的信息增强方法的流程图。
图2是本发明实施例中一种基于量质平衡模型和信息熵的信息增强方法的流程图。
具体实施方式
以下根据图1～图2，具体说明本发明的较佳实施例。
如图1所示，本发明提供一种基于量质平衡模型和信息熵的信息增强方法，包含以下步骤：
步骤S1、进行信息采样，获得标记有样本特征X和类别标签Y的多视角数据集；
步骤S2、将每个视角的特征信息所对应的低秩假设矩阵分解为特征信息的潜在表示形式和系数矩阵，构建修复函数来表示“修复的量”；
构建视角子分类器来表示“修复的质”；
步骤S3、结合“修复的量”和“修复的质”来构建量质平衡模型以保证修复后的信息的有效性，通常采用交替最小化策略优化求解量质平衡模型，从而实现缺失信息的修复；
步骤S4、利用多视角聚类算法计算修复后信息的每个视角的权重和特征的权重；
步骤S5、基于视角的权重和特征的权重采用信息熵计算修复后的有标签样本的信息熵，以保证后续额外新增信息的有效性；
步骤S6、基于信息熵、权重和选中的生成方式，选择高确定性的有标签样本以生成合适的无标签样本，从而增加样本信息并最终实现信息增强。
如图2所示，在本发明的一个实施例中，通过信息采样部分、信息修复部分和信息增加部分来实现基于量质平衡模型和信息熵的信息增强方法。所述的信息采样部分通过多个摄像头用于获取原始的多视角数据集，所述的摄像头采用海康威视全彩筒型网络摄像机，具体型号是 DS-2CD2T27F(D)WD-LS 200万1/2.7"CMOS；所述的信息修复部分包含量质平衡模型的设计和信息修复子模块，信息修复部分采用“差异比”作为核心以搭建量质平衡模型并采用交替最小化策略求解该模型；所述的信息增加部分包含多视角聚类算法子模块、信息熵分析子模块、Universum样本选择及生成子模块，所述的信息增加部分采用以信息熵为核心的Universum样本生成算法。
进一步，本实施例中提供的一种基于量质平衡模型和信息熵的信息增强方法，包含以下步骤：
步骤1、摄像头拍摄了一系列的样本并通过人工处理标记了其中一部分，则相应的样本特征为X，相应的类别标签为Y，其中，对于未做标记的样本，其类别标签可以记为0。
步骤2、将每个视角(此处假定为第j个视角)的特征信息Xj所对应的低秩假设矩阵Zj分解为特征信息Xj的潜在表示形式Uj和系数矩阵Vj，以UjVj表示修复后的特征信息，则修复函数表达式h(Zj-UjVj)用以表示“修复的量”，该数值越小，表示修复的信息越多。
步骤3、参考传统模式识别领域中特征信息Xt通过权重映射到类别信息 Yt的方式(即
Figure RE-GDA0002600443650000051
)，针对修复后的信息UjVj，以映射矩阵Wj为桥梁并令 Sj表示关于类别的系数矩阵，设计各个视角子分类器用于衡量修复后的信息对提升多视角学习算法的性能的影响，以表示“修复的质”，该数值越小，表示修复后的信息对多视角学习算法的性能提升越大。
所述的视角子分类器g为：
g(Ｓｊ,Wｊ,Vｊ,Uｊ,Yj)＝g(g′(UjVj,Wj)-YjSj)；
其中，g′(UjVj,Wj)表示将UjVj通过Wj映射为相应的预测类别，在实际应用中，令Y表示类别矩阵，则S＝Y×Y，即用类别之间的相似度来表示类别的系数矩阵。
步骤4、结合各个视角的“量”和“质”部分，并引入度量函数α，α(h,g)＝α(h(Zj-UjVj)/g(Sj,Wj，Vj,Uj,Yj))来考虑“量”、“质”部分的关系与平衡度量问题，形成目标优化函数f，构建目标优化函数f的最值问题，以形成量质平衡模型。
Figure RE-GDA0002600443650000052
其中，m是视角个数。
度量函数α以“差异比”作为核心进行设计，具体来说，h(Zj-UjVｊ）表示修复的“量”，其输出越小，表示修复的信息越多，而g(Ｓｊ,Wｊ,Vｊ,Uｊ,Yｊ）表示修复的“质”，其输出越小，表示修复后的信息对多视角学***衡模型的时候，可以对度量函数值的范围约束在接近于1的情况即可达到一种“量”与“质”的平衡。通过差异比对“量”、“质”部分的关系与平衡度量问题进行有效解决，可以更好地修复缺失信息。
步骤5、信息修复子模块通过交替最小化策略对目标优化函数进行优化求解，得到各个视角的潜在表示形式Uj和系数矩阵Vj的优化形式，即
Figure RE-GDA0002600443650000061
和
Figure RE-GDA0002600443650000062
再通过
Figure RE-GDA0002600443650000063
修复每个视角的信息，得到修复后的多视角数据集。
步骤6、针对修复后的多视角数据集，多视角聚类算法子模块分析数据集不同视角及其特征信息对多视角聚类算法的贡献和作用，得到每个视角的权重ωj和相应的特征权向量τj。
每个特征权向量可以写为
Figure RE-GDA0002600443650000064
其中，dj表示该视角的特征个数，τjc是该视角中第c个特征的权重。
特征权重是一个特征的权重，特征权向量是一个视角下若干特征的权重组成在一起的一个向量。
步骤7、基于视角权重和特征权向量，通过距离加权法计算并找出每个修复后的有标签样本xl附近的若干个近邻样本，并根据近邻样本的类别归属，通过信息熵分析子模块，按照信息熵的计算公式H得出该有标签样本的信息熵Hl。
信息熵可以反映该有标签样本对于类别判定的确定性，确定性越高表明使用该有标签样本的先验知识所生成的Universum样本越有效性并可以增强算法对类别的判定能力。
步骤8、Universum样本选择及生成子模块先根据信息熵Hl选择具有高确定性的有标签样本x′l，再根据选中的生成方式(如基于距离加权法计算并选择与有标签样本距离最近或距离最远的无标签样本来生成Universum样本)，选择相应的无标签样本x′u，由函数表达式
Figure RE-GDA0002600443650000071
生成相应的Universum样本u′l-u。
最后将这些生成的Universum样本u′l-u与步骤5中修复后的多视角数据集组成为一个信息增强的数据集。
本发明通过对采样获得的信息进行修复和增加，有效增强样本信息并提升应用***的性能，从而更好的指导***的设计。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (10)

1.一种信息增强方法，其特征在于，包含以下步骤：
进行信息采样，获得标记有特征和类别的多视角数据集；
构建修复函数来表示“修复的量”；
构建视角子分类器来表示“修复的质”；
结合“修复的量”和“修复的质”来构建量质平衡模型，求解量质平衡模型，得到修复后的多视角数据集；
计算修复后信息的每个视角的权重和特征的权重；
基于视角的权重和特征的权重计算修复后的有标签样本的信息熵；
基于信息熵和权重，采用选定的生成方式选择有标签样本以生成无标签样本，从而增加样本信息并实现信息增强。
2.如权利要求1所述的信息增强方法，其特征在于，所述的修复函数为：
h(Zj-UjVj)；
其中，Zj是低秩假设矩阵，将每个视角的特征信息Xj所对应的低秩假设矩阵Zj分解为特征信息的潜在表示形式Uj和系数矩阵Vj，以UjVj表示修复后的特征信息。
3.如权利要求2所述的信息增强方法，其特征在于，所述的视角子分类器为：
g(Sj,Wj,Vj,Uj,Yj)＝g(g′(UjVj,Wj)-YjSj)；
其中，g′(UjVj,Wj)表示将UjVj通过映射矩阵Wj映射为相应的预测类别，Yj是每个视角的类别，Sj是关于类别的系数矩阵。
4.如权利要求3所述的信息增强方法，其特征在于，利用度量函数形成目标优化函数，构建目标优化函数的最值问题，形成量质平衡模型；
所述的度量函数为：
α(h,g)＝α(h(Zj-UjVj)/g(Sj,Wj,Vj,Uj,Yj))
所述的目标函数为f()，所述的量质平衡模型为：
Figure FDA0002525964580000021
其中，m是视角个数。
5.如权利要求4所述的信息增强方法，其特征在于，采用交替最小化策略求解量质平衡模型，得到各个视角的潜在表示形式Uj的优化形式
Figure FDA0002525964580000022
和系数矩阵Vj的优化形式Vj o，通过
Figure FDA0002525964580000023
修复每个视角的信息，得到修复后的多视角数据集。
6.如权利要求5所述的信息增强方法，其特征在于，采用多视角聚类算法得到每个视角的权重ωj和相应的特征权向量τj；
每个特征权向量为
Figure FDA0002525964580000024
其中，dj表示该视角的特征个数，τjc是该视角中第c个特征的权重。
7.如权利要求6所述的信息增强方法，其特征在于，采用距离加权法计算每个修复后的有标签样本xl的信息熵Hl。
8.如权利要求7所述的信息增强方法，其特征在于，选择与有标签样本距离最近或距离最远的无标签样本x′u来生成Universum样本u′l-u；
l(ω1,…,ωj,…,ωm,τ1,…,τj,…,τm,x′l,x′u)
将生成的Universum样本u′l-u与修复后的多视角数据集组成为一个信息增强的数据集。
9.一种存储器，其中存储有多条指令，所述的指令适用于处理器加载并执行，其特征在于，所述的指令包含如权利要求1-8中任意一项所述的信息增强方法。
10.一种信息增强***，其特征在于，包含处理器，如权利要求9所述的存储器，以及多个摄像头；
所述的摄像头用于进行信息采样，获得标记有特征和类别的多视角数据集；
所述的存储器用于存储指令；
所述的处理器用于加载并执行存储器中的指令。
CN202010504326.3A 2020-06-05 2020-06-05 一种信息增强方法及信息增强*** Pending CN111639069A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010504326.3A CN111639069A (zh) 2020-06-05 2020-06-05 一种信息增强方法及信息增强***
PCT/CN2021/097675 WO2021244528A1 (zh) 2020-06-05 2021-06-01 一种信息增强方法及信息增强***
US17/802,677 US20240054183A1 (en) 2020-06-05 2021-06-01 Information enhancing method and information enhancing system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010504326.3A CN111639069A (zh) 2020-06-05 2020-06-05 一种信息增强方法及信息增强***

Publications (1)

Publication Number Publication Date
CN111639069A true CN111639069A (zh) 2020-09-08

Family

ID=72328588

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010504326.3A Pending CN111639069A (zh) 2020-06-05 2020-06-05 一种信息增强方法及信息增强***

Country Status (3)

Country Link
US (1) US20240054183A1 (zh)
CN (1) CN111639069A (zh)
WO (1) WO2021244528A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021244528A1 (zh) * 2020-06-05 2021-12-09 上海海事大学 一种信息增强方法及信息增强***

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115022917B (zh) * 2022-05-30 2023-08-18 中国电信股份有限公司 异常小区检测方法、装置、设备及介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2973540B1 (fr) * 2011-04-01 2013-03-29 CVDM Solutions Procede d'extraction automatisee d'un planogramme a partir d'images de lineaire
US9349105B2 (en) * 2013-12-18 2016-05-24 International Business Machines Corporation Machine learning with incomplete data sets
US10325165B2 (en) * 2014-09-30 2019-06-18 Conduent Business Services, Llc Vision-based on-street parked vehicle detection via normalized-view classifiers and temporal filtering
US10599627B2 (en) * 2017-02-27 2020-03-24 Microsoft Technology Licensing, Llc Automatically converting spreadsheet tables to relational tables
CN107609587B (zh) * 2017-09-11 2020-08-18 浙江工业大学 一种基于深度卷积生成对抗网络的多类别多视图数据生成方法
CN110569696A (zh) * 2018-08-31 2019-12-13 阿里巴巴集团控股有限公司 用于车辆部件识别的神经网络***、方法和装置
CN110458241A (zh) * 2019-08-16 2019-11-15 上海海事大学 一种基于信息增强的多视角分类器及其设计方法
CN111047052A (zh) * 2019-12-24 2020-04-21 上海海事大学 一种半监督多视角数据集在线学习模型及其设计方法
CN111639069A (zh) * 2020-06-05 2020-09-08 上海海事大学 一种信息增强方法及信息增强***

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021244528A1 (zh) * 2020-06-05 2021-12-09 上海海事大学 一种信息增强方法及信息增强***

Also Published As

Publication number Publication date
US20240054183A1 (en) 2024-02-15
WO2021244528A1 (zh) 2021-12-09

Similar Documents

Publication Publication Date Title
TWI729405B (zh) 優化損傷檢測結果的方法及裝置
Xu et al. Recognition of rust grade and rust ratio of steel structures based on ensembled convolutional neural network
CN110569901A (zh) 一种基于通道选择的对抗消除弱监督目标检测方法
CN110264444B (zh) 基于弱分割的损伤检测方法及装置
CN111680701A (zh) 图像识别模型的训练方法、装置及图像识别方法、装置
CN111581116B (zh) 一种基于分层数据筛选的跨项目软件缺陷预测方法
CN112036447A (zh) 零样本目标检测***及可学习语义和固定语义融合方法
CN111639069A (zh) 一种信息增强方法及信息增强***
CN115526874B (zh) 闸调器控制杆圆销和圆销开口销丢失检测方法
CN110309843B (zh) 一种电力设备图像中多类部件的自动识别方法
CN114821282A (zh) 一种基于域对抗神经网络的图像检测模型及方法
CN111738269A (zh) 模型训练方法、图像处理方法及装置、设备、存储介质
CN116580243A (zh) 一种掩码图像建模引导域适应的跨域遥感场景分类方法
Lan et al. Instance, scale, and teacher adaptive knowledge distillation for visual detection in autonomous driving
CN115457415A (zh) 基于yolo-x模型的目标检测方法、装置、电子设备和存储介质
CN116823793A (zh) 设备缺陷检测方法、装置、电子设备和可读存储介质
CN113743521B (zh) 一种基于多尺度上下文感知的目标检测方法
CN117236826B (zh) 物流托盘的码放识别方法、装置、设备及存储介质
CN112329735B (zh) 人脸识别模型的训练方法及在线教育***
Siriborvornratanakul Downstream Semantic Segmentation Model for Low‐Level Surface Crack Detection
CN116304033B (zh) 一种基于半监督、双层多分类的诉请识别方法
CN116805387A (zh) 基于知识蒸馏的模型训练方法、质检方法和相关设备
Song et al. Detection of Northern Corn Leaf Blight Disease in Real Environment Using Optimized YOLOv3
CN112686300B (zh) 一种数据处理方法、装置及设备
CN113408546B (zh) 基于相互全局上下文注意力机制的单样本目标检测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200908