CN112001222A - 一种基于半监督学习的学生表情预测方法 - Google Patents

一种基于半监督学习的学生表情预测方法 Download PDF

Info

Publication number
CN112001222A
CN112001222A CN202010627930.5A CN202010627930A CN112001222A CN 112001222 A CN112001222 A CN 112001222A CN 202010627930 A CN202010627930 A CN 202010627930A CN 112001222 A CN112001222 A CN 112001222A
Authority
CN
China
Prior art keywords
student
matrix
input
expression
semi
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
CN202010627930.5A
Other languages
English (en)
Other versions
CN112001222B (zh
Inventor
武新伟
梁琰
高昕
葛菲
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.)
Anhui Xinzhi Digital Media Information Technology Co ltd
Original Assignee
Anhui Xinzhi Digital Media Information Technology Co ltd
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 Anhui Xinzhi Digital Media Information Technology Co ltd filed Critical Anhui Xinzhi Digital Media Information Technology Co ltd
Priority to CN202010627930.5A priority Critical patent/CN112001222B/zh
Publication of CN112001222A publication Critical patent/CN112001222A/zh
Application granted granted Critical
Publication of CN112001222B publication Critical patent/CN112001222B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/174—Facial expression recognition
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

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

Abstract

本发明涉及一种基于半监督学习的学生表情预测方法，属于教学技术领域，包括数据采集与初始化、一级网络模块构建、二级网络模块构建、以及预测新样本共四个主要步骤。已有的技术中缺少考虑两个问题：1、需要大量的人工标注工作，而人工标注不仅费时且昂贵；2、某些类别的样本可能非常少，因此需要考虑类别不均衡问题。与已有的技术方案相比，本发明具有流程简单、易于执行、占用资源少等优点、特别是无需大量人工标注、且能够准确地识别较少出现的表情。

Description

一种基于半监督学习的学生表情预测方法
技术领域
本发明属于教学技术领域，特别是涉及一种基于半监督学习的学生表情预测方法。
背景技术
在课堂教学中，老师可以根据学生的表情以了解学生对当前所讲内容的理解程度。例如，当大部分学生的表情为愉悦时，老师对于该部分内容可以加快讲解速度，反之需要重复多次讲解。在专利CN201610453639.4中提出了一种MOOC课程中学生面部表情的动态识别方法，该方法对MOOC课程中拍摄的视频进行分帧，对分帧得到的图像提取特征点，并抽取关键部位特征点组成特征向量后，训练表情模式分类器，利用表情模式分类器对MOOC课程中拍摄的实时视频中学生面部表情进行表情模式的分类。专利CN201711071886.9中提出了一种基于面部识别捕捉的在线课堂提问解答***，包括教师客户端、网络传输服务器、中央控制器、学生客户端、表情分析模块、正常表情数据库、分类模块以及统计模块，教师能够实时了解到学生的学习状态，为学生及时做出解答，让学生更快的掌握学习要点，提高学生学习的积极性和效率，降低了教师的工作强度，具有很好的推广和使用价值。专利CN201910712839.0提出一种基于深度学习的学生表情识别的方法及***，通过获取视频序列中的第一学生的人脸信息视频帧；对所述的第一学生的人脸信息进行特征提取，并构建表情识别模型；基于所述特征对人脸信息进行第一识别；当所述第一识别结果超过预设的阈值时则发出提示信息。
已有的技术中，缺少考虑两个问题：1、为数据打标签是一项非常繁重且昂贵的工作，因此将该问题描述为一般的监督学习是不合适的；2、某些类别的样本可能非常少，因此需要考虑类别不均衡问题。
发明内容
针对上述问题，本发明提出了一种基于半监督学习的学生表情预测方法，其过程如下：
步骤1、数据采集与初始化：
收集学生脸部图像，对每幅图像提取特征，得到样本集合
Figure BDA0002565470600000011
对
Figure BDA0002565470600000012
进行标记，得到对应的类别标签
Figure BDA0002565470600000021
其中，
Figure BDA0002565470600000022
为d维行向量，
Figure BDA0002565470600000023
ck对应一种表情，
Figure BDA0002565470600000024
表示实数域，n为所有样本数量，
Figure BDA0002565470600000025
为有标注样本数，u＝n-l未标注样本数，d为样本维度，d，l，n，u均为正整数；
初始化：人工设定以下参数：λ，CA，CB＞0，一级隐藏节点数量LA，二级隐藏节点数量LA，LA与LB均为正整数；构造图拉普拉斯矩阵L＝D-A，A为相似性矩阵，其第i行第j列元素Aij为：
Figure BDA0002565470600000026
其中，xi与xj为样本，i，j∈{1，...，n}，σ＞0为高斯核宽，D为A的度矩阵，D为对角阵，D的第i个对角元素Dii＝∑jAij；
步骤2、一级网络模块构建：
步骤201、随机产生LA个一级输入权重
Figure BDA0002565470600000027
与LA个一级输入偏置
Figure BDA0002565470600000028
得到
Figure BDA00025654706000000228
与
Figure BDA0002565470600000029
步骤202、生成一级隐藏层输入矩阵
Figure BDA00025654706000000210
其中
Figure BDA00025654706000000211
G(W，b，x)为激活函数，x表示样本，W为输入权重，b为输入偏置；
步骤203、计算一级输出权重矩阵βA，当n＜LA时，
Figure BDA00025654706000000212
否则，
Figure BDA00025654706000000213
其中X＝[x1；...；xn]，In为n维单位阵，
Figure BDA00025654706000000214
为LA维单位阵；上标T表示转置；
步骤3、二级网络模块构建：
步骤301、随机产生LB个二级输入权重
Figure BDA00025654706000000215
与LB个二级输入偏置
Figure BDA00025654706000000216
得到
Figure BDA00025654706000000217
与
Figure BDA00025654706000000218
步骤302、生成二级隐藏层输入矩阵
Figure BDA00025654706000000219
其中
Figure BDA00025654706000000220
G(W，b，x)为激活函数，x表示样本，W为输入权重，b为输入偏置；
步骤303、计算k＝1，2，...，κ情况下的二级输出权重矩阵
Figure BDA00025654706000000221
当n＜LB时，
Figure BDA00025654706000000222
Figure BDA00025654706000000223
否则，
Figure BDA00025654706000000224
其中，
Figure BDA00025654706000000225
为对角阵，如果xi有标签且标签yi＝ck，则
Figure BDA00025654706000000226
的第i个对角元素为1，否则为0，
Figure BDA00025654706000000227
为n维列向量，如果xi有标签且标签yi＝ck，则
Figure BDA0002565470600000031
的第i个元素为1，否则为0；
步骤304、计算k＝1，2，...，κ情况下的样本距离
Figure BDA0002565470600000032
对于每个k，将∈k(x1)，...，∈k(xn)进行从大到小排列得到
Figure BDA0002565470600000033
令判定阈值
Figure BDA0002565470600000034
其中θ∈(0，1)；
步骤4、预测新样本：
将一个新的学生脸部图像进行特征抽取，得到一个新的样本x，求取∈k(x)，如果
Figure BDA0002565470600000035
Figure BDA0002565470600000036
则预测该学生表情为ck。
其中，所涉及的激活函数G(W，b，x)为：
Figure BDA0002565470600000037
其中，所涉及的输入权重W和输入偏置b从零均值的高斯分布中抽样生成。
其中，在步骤1中进行特征提取时，采用自动编码器进行图像的无监督训练，以提取特征向量，该自动编码器包括至少一个卷积层和一个池化层。
其中，在步骤1中进行特征提取时，采用通用的视觉词典来提取特征。
与已有的技术方案相比，本发明具有流程简单、易于执行、占用资源少等优点、特别是无需大量人工标注、且能够准确地识别较少出现的表情。
附图说明
图1为本发明方法流程图；
具体实施方式
下面结合实例对本发明作进一步描述，但本发明的保护范围并不限于此。
如图1所示，本发明具体实现如下：
步骤1、数据采集与初始化：
收集学生脸部图像，对每幅图像提取特征，得到样本集合
Figure BDA0002565470600000038
对
Figure BDA0002565470600000039
进行标记，得到对应的类别标签
Figure BDA00025654706000000310
其中，
Figure BDA00025654706000000311
为d维行向量，
Figure BDA00025654706000000312
ck对应一种表情，
Figure BDA00025654706000000313
表示实数域，n为所有样本数量，
Figure BDA00025654706000000314
为有标注样本数，u＝n-l未标注样本数，d为样本维度，d，l，n，u均为正整数；
初始化：人工设定以下参数：λ，CA，CB＞0，一级隐藏节点数量LA，二级隐藏节点数量LB，LA与LB均为正整数；构造图拉普拉斯矩阵L＝D-A，A为相似性矩阵，其第i行第j列元素Aij为：
Figure BDA0002565470600000041
其中，xi与xj为样本，i，j∈{1，...，n}，σ＞0为高斯核宽，D为A的度矩阵，D为对角阵，D的第i个对角元素Dii＝∑jAij；
步骤2、一级网络模块构建：
步骤201、随机产生LA个一级输入权重
Figure BDA0002565470600000042
与LA个一级输入偏置
Figure BDA0002565470600000043
得到
Figure BDA0002565470600000044
与
Figure BDA0002565470600000045
步骤202、生成一级隐藏层输入矩阵
Figure BDA0002565470600000046
其中
Figure BDA0002565470600000047
G(W，b，x)为激活函数，x表示样本，W为输入权重，b为输入偏置；
步骤203、计算一级输出权重矩阵βA，当n＜LA时，
Figure BDA0002565470600000048
否则，
Figure BDA0002565470600000049
其中X＝[x1；...；xn]，In为n维单位阵，
Figure BDA00025654706000000410
为LA维单位阵；上标T表示转置；
步骤3、二级网络模块构建：
步骤301、随机产生LB个二级输入权重
Figure BDA00025654706000000411
与LB个二级输入偏置
Figure BDA00025654706000000412
得到
Figure BDA00025654706000000413
与
Figure BDA00025654706000000414
步骤302、生成二级隐藏层输入矩阵
Figure BDA00025654706000000415
其中
Figure BDA00025654706000000416
G(W，b，x)为激活函数，x表示样本，W为输入权重，b为输入偏置；
步骤303、计算k＝1，2，...，κ情况下的二级输出权重矩阵
Figure BDA00025654706000000417
当n＜LB时，
Figure BDA00025654706000000418
Figure BDA00025654706000000419
否则，
Figure BDA00025654706000000420
其中，
Figure BDA00025654706000000421
为对角阵，如果xi有标签且标签yi＝ck，则
Figure BDA00025654706000000422
的第i个对角元素为1，否则为0，
Figure BDA00025654706000000423
为n维列向量，如果xi有标签且标签yi＝ck，则
Figure BDA00025654706000000424
的第i个元素为1，否则为0；
步骤304、计算k＝1，2，...，κ情况下的样本距离
Figure BDA00025654706000000425
对于每个k，将∈k(x1)，...，∈k(xn)进行从大到小排列得到
Figure BDA00025654706000000426
令判定阈值
Figure BDA00025654706000000427
其中θ∈(0，1)；
步骤4、预测新样本：
将一个新的学生脸部图像进行特征抽取，得到一个新的样本x，求取∈k(x)，如果
Figure BDA0002565470600000051
Figure BDA0002565470600000052
则预测该学生表情为ck。
优选地，所涉及的激活函数G(W，b，x)为：
Figure BDA0002565470600000053
优选地，所涉及的输入权重W和输入偏置b从零均值的高斯分布中抽样生成。
优选地，在步骤1中进行特征提取时，采用自动编码器进行图像的无监督训练，以提取特征向量，该自动编码器包括至少一个卷积层和一个池化层。
最后优选地，在步骤1中进行特征提取时，采用通用的视觉词典来提取特征。
实际中，θ可固定设置为0.8。
提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (7)

1.一种基于半监督学习的学生表情预测方法，其特征在于包括以下步骤：
步骤1、数据采集与初始化：
收集学生脸部图像，对每幅图像提取特征，得到样本集合
Figure FDA0002565470590000011
对
Figure FDA0002565470590000012
进行标记，得到对应的类别标签
Figure FDA0002565470590000013
其中，xp，
Figure FDA0002565470590000014
为d维行向量，
Figure FDA0002565470590000015
ck对应一种表情，
Figure FDA0002565470590000016
表示实数域，n为所有样本数量，
Figure FDA0002565470590000017
为有标注样本数，u＝n-l未标注样本数，d为样本维度，d，l，n，u均为正整数；
初始化：人工设定以下参数：λ，CA，CB＞0，一级隐藏节点数量LA，二级隐藏节点数量LB，LA与LB均为正整数；构造图拉普拉斯矩阵L＝D-A，A为相似性矩阵，其第i行第j列元素Aij为：
Figure FDA0002565470590000018
其中，xi与xj为样本，i，j∈{1，...，n}，σ＞0为高斯核宽，D为A的度矩阵，D为对角阵，D的第i个对角元素Dii＝∑jAij；
步骤2、一级网络模块构建：
步骤201、随机产生LA个一级输入权重
Figure FDA0002565470590000019
与LA个一级输入偏置
Figure FDA00025654705900000110
得到
Figure FDA00025654705900000111
与
Figure FDA00025654705900000112
步骤202、生成一级隐藏层输入矩阵
Figure FDA00025654705900000113
其中
Figure FDA00025654705900000114
G(W，b，x)为激活函数，x表示样本，W为输入权重，b为输入偏置；
步骤203、计算一级输出权重矩阵βA，当n＜LA时，
Figure FDA00025654705900000115
否则，
Figure FDA00025654705900000116
其中X＝[x1；...；xn]，In为n维单位阵，
Figure FDA00025654705900000117
为LA维单位阵；上标T表示转置；
步骤3、二级网络模块构建：
步骤301、随机产生LB个二级输入权重
Figure FDA00025654705900000118
与LB个二级输入偏置
Figure FDA00025654705900000119
得到
Figure FDA00025654705900000120
与
Figure FDA00025654705900000121
步骤302、生成二级隐藏层输入矩阵
Figure FDA00025654705900000122
其中
Figure FDA00025654705900000123
G(W，b，x)为激活函数，x表示样本，W为输入权重，b为输入偏置；
步骤303、计算k＝1，2，...，κ情况下的二级输出权重矩阵
Figure FDA0002565470590000021
当n＜LB时，
Figure FDA0002565470590000022
Figure FDA0002565470590000023
否则，
Figure FDA0002565470590000024
其中，
Figure FDA0002565470590000025
为对角阵，如果xi有标签且标签yi＝ck，则
Figure FDA0002565470590000026
的第i个对角元素为1，否则为0，
Figure FDA0002565470590000027
为n维列向量，如果xi有标签且标签yi＝ck，则
Figure FDA0002565470590000028
的第i个元素为1，否则为0；
步骤304、计算k＝1，2，...，κ情况下的样本距离
Figure FDA0002565470590000029
对于每个k，将∈k(x1)，...，∈k(xn)进行从大到小排列得到
Figure FDA00025654705900000210
令判定阈值
Figure FDA00025654705900000211
其中θ∈(0，1)；
步骤4、预测新样本：
将一个新的学生脸部图像进行特征抽取，得到一个新的样本x，求取∈k(x)，如果∈k(x)≤Θk，则预测该学生表情为ck。
2.如权利要求1所述的一种基于半监督学习的学生表情预测方法，其特征在于，所涉及的激活函数G(W，b，x)为：
Figure FDA00025654705900000212
3.如权利要求1、2所述的任意一种基于半监督学习的学生表情预测方法，其特征在于，所涉及的输入权重W和输入偏置b从零均值的高斯分布中抽样生成。
4.如权利要求1、2任意所述的一种基于半监督学习的学生表情预测方法，其特征在于，在步骤1中进行特征提取时，采用自动编码器进行图像的无监督训练，以提取特征向量，该自动编码器包括至少一个卷积层和一个池化层。
5.如权利要求1、2任意所述的一种基于半监督学习的学生表情预测方法，其特征在于，在步骤1中进行特征提取时，采用通用的视觉词典来提取特征。
6.如权利要求3所述的一种基于半监督学习的学生表情预测方法，其特征在于，在步骤1中进行特征提取时，采用自动编码器进行图像的无监督训练，以提取特征向量，该自动编码器包括至少一个卷积层和一个池化层。
7.如权利要求3所述的一种基于半监督学习的学生表情预测方法，其特征在于，在步骤1中进行特征提取时，采用通用的视觉词典来提取特征。
CN202010627930.5A 2020-07-01 2020-07-01 一种基于半监督学习的学生表情预测方法 Active CN112001222B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010627930.5A CN112001222B (zh) 2020-07-01 2020-07-01 一种基于半监督学习的学生表情预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010627930.5A CN112001222B (zh) 2020-07-01 2020-07-01 一种基于半监督学习的学生表情预测方法

Publications (2)

Publication Number Publication Date
CN112001222A true CN112001222A (zh) 2020-11-27
CN112001222B CN112001222B (zh) 2023-11-24

Family

ID=73467366

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010627930.5A Active CN112001222B (zh) 2020-07-01 2020-07-01 一种基于半监督学习的学生表情预测方法

Country Status (1)

Country Link
CN (1) CN112001222B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115506783A (zh) * 2021-06-21 2022-12-23 中国石油化工股份有限公司 一种岩性识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120041906A1 (en) * 2010-08-11 2012-02-16 Huh Seung-Il Supervised Nonnegative Matrix Factorization
CN104751191A (zh) * 2015-04-23 2015-07-01 重庆大学 一种稀疏自适应半监督多流形学习的高光谱影像分类方法
US20190042952A1 (en) * 2017-08-03 2019-02-07 Beijing University Of Technology Multi-task Semi-Supervised Online Sequential Extreme Learning Method for Emotion Judgment of User
CN111062928A (zh) * 2019-12-19 2020-04-24 安徽威奥曼机器人有限公司 一种医学ct图像中病变的识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120041906A1 (en) * 2010-08-11 2012-02-16 Huh Seung-Il Supervised Nonnegative Matrix Factorization
CN104751191A (zh) * 2015-04-23 2015-07-01 重庆大学 一种稀疏自适应半监督多流形学习的高光谱影像分类方法
US20190042952A1 (en) * 2017-08-03 2019-02-07 Beijing University Of Technology Multi-task Semi-Supervised Online Sequential Extreme Learning Method for Emotion Judgment of User
CN111062928A (zh) * 2019-12-19 2020-04-24 安徽威奥曼机器人有限公司 一种医学ct图像中病变的识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杜友田;辛刚;郑庆华;: "融合异构信息的网络视频在线半监督分类方法", 西安交通大学学报, no. 07 *
桑凤娟;张贵仓;: "基于张量的半监督判别分析算法", 计算机工程, no. 20 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115506783A (zh) * 2021-06-21 2022-12-23 中国石油化工股份有限公司 一种岩性识别方法

Also Published As

Publication number Publication date
CN112001222B (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
CN107122375B (zh) 基于图像特征的图像主体的识别方法
CN111414461B (zh) 一种融合知识库与用户建模的智能问答方法及***
CN109902615B (zh) 一种基于对抗网络的多个年龄段图像生成方法
CN110837846A (zh) 一种图像识别模型的构建方法、图像识别方法及装置
CN114092742B (zh) 一种基于多角度的小样本图像分类装置和方法
CN109977213B (zh) 一种面向智能问答***的最优答案选择方法
CN112100212A (zh) 一种基于机器学习和规则匹配的案件情节抽取方法
Alon et al. Deep-hand: a deep inference vision approach of recognizing a hand sign language using american alphabet
CN110795410A (zh) 一种多领域文本分类方法
CN112001222B (zh) 一种基于半监督学习的学生表情预测方法
CN111652238B (zh) 一种多模型集成方法及***
CN111611854A (zh) 一种基于模式识别的课堂情况评价方法
CN111191027A (zh) 一种基于高斯混合分布vae的广义零样本识别方法
CN115761235A (zh) 基于知识蒸馏的零样本语义分割方法、***、设备及介质
CN113158878B (zh) 一种基于子空间的异构迁移故障诊断方法、***和模型
CN114663910A (zh) 基于多模态学习状态分析***
CN113963235A (zh) 一种跨类别图像识别模型重用方法和***
Tran et al. Baby learning with vision transformer for face recognition
CN113688789A (zh) 一种基于深度学习的在线学习投入度识别方法及***
Bagde et al. A handwritten recognition for free style Marathi script using genetic algorithm
CN110570349A (zh) 一种基于生成对抗网络由父母照片生成子女照片的方法
Wen et al. Classification of optical music symbols based on combined neural network
CN114580415B (zh) 一种面向教育考试的跨域图匹配实体识别方法
KR102263375B1 (ko) 커널 기법을 사용한 제한된 볼츠만 머신 시스템
Bhopi et al. Review on optical character recognition of Devanagari script using 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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Zone 50268, Zhongke Dadaozhen Building, No. 767 Yulan Avenue, High tech Zone, Hefei City, Anhui Province, 230088

Applicant after: Anhui Xinzhi Digital Technology Co.,Ltd.

Address before: 230088 building 210-c2, A3 / F, Hefei Innovation Industrial Park, 800 Wangjiang West Road, high tech Zone, Hefei City, Anhui Province

Applicant before: Anhui Xinzhi digital media information technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant