CN112308113A - 一种基于半监督的目标识别方法、设备及介质 - Google Patents
一种基于半监督的目标识别方法、设备及介质 Download PDFInfo
- Publication number
- CN112308113A CN112308113A CN202011012069.8A CN202011012069A CN112308113A CN 112308113 A CN112308113 A CN 112308113A CN 202011012069 A CN202011012069 A CN 202011012069A CN 112308113 A CN112308113 A CN 112308113A
- Authority
- CN
- China
- Prior art keywords
- network model
- recognition
- recognized
- recognition network
- target image
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000007635 classification algorithm Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 230000006872 improvement Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06F18/214—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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种基于半监督的目标识别方法、设备及介质,包括:将待识别的目标图像输入至预先训练的识别网络模型,确定出所述待识别的目标图像的识别结果,其中,所述识别网络模型包括基于监督分支训练相似度矩阵的第一识别网络模型与基于非监督分支训练相似度矩阵的第二识别网络模型,所述相似性矩阵表示样本之间的相似性,所述样本包括标记数据与非标记数据。本说明书实施例在训练识别网络模型时,同时应用标记数据与非标记数据,扩大了训练样本集的范围,此外,本说明书实施例在训练识别网络模型时,结合监督分支与非监督分支,以半监督的形式训练识别网络模型,可以提高识别网络模型的识别效果,更好的满足用户的需求。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种基于半监督的目标识别方法、设备及介质。
背景技术
目标识别是计算机视觉的重要领域,在生物特征识别、图像内容理解、疾病诊断等领域具有广泛的应用。现有的目标识别方法在一定程度上实现了较高的精度,然而现有的识别模型需要在训练过程中加入人工标注信息。在现实场景中,某些任务中的人工标注数据的获取代价较为昂贵,目标识别的效果不理想,无法达到用户要求。
发明内容
有鉴于此,本申请实施例提供了一种基于半监督的目标识别方法、设备及介质,用于解决现有技术中目标识别的效果不理想,无法达到用户要求的问题。
本申请实施例采用下述技术方案:
本申请实施例提供一种基于半监督的目标识别方法,所述方法包括:
将待识别的目标图像输入至预先训练的识别网络模型,确定出所述待识别的目标图像的识别结果,其中,所述识别网络模型包括基于监督分支训练相似度矩阵的第一识别网络模型与基于非监督分支训练相似度矩阵的第二识别网络模型,所述相似性矩阵表示样本之间的相似性,所述样本包括标记数据与非标记数据。
需要说明的是,本说明书实施例在训练识别网络模型时,同时应用标记数据与非标记数据,扩大了训练样本集的范围,此外,本说明书实施例在训练识别网络模型时,结合监督分支与非监督分支,以半监督的形式训练识别网络模型,可以提高识别网络模型的识别效果,更好的满足用户的需求。
进一步的,所述识别网络模型通过预先训练的对抗网络模型修改网络参数,所述对抗网络模型包括判别网络。
进一步的,所述判别网络为Resnet。
进一步的,所述将待识别的目标图像输入至预先训练的识别网络模型,确定出所述待识别的目标图像的识别结果,具体包括:
将待识别的目标图像输入至预先训练的所述第一识别网络模型,确定出第一识别结果;
将待识别的目标图像输入至预先训练的所述第二识别网络模型,确定出第二识别结果;
若判断出所述第一识别结果与所述第二识别结果相同,确定出所述待识别的目标图像的识别结果为所述第一识别结果或所述第二识别结果。
进一步的,所述将待识别的目标图像输入至预先训练的识别网络模型,确定出所述待识别的目标图像的识别结果之前,所述方法还包括:
构建样本集;
根据预设算法将所述样本集转化为所述相似性矩阵;
建立初始的识别网络模型;
根据所述相似度矩阵训练所述初始的识别网络模型,确定出符合条件的识别网络模型。
进一步的,所述预设算法为大间隔最近邻居分类算法。
进一步的,所述第一识别网络模型中应用的损失函数为最小二乘函数。
进一步的,所述第二识别网络模型中应用的损失函数为K-Means函数。
本申请实施例还提供一种基于半监督的目标识别设备,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
将待识别的目标图像输入至预先训练的识别网络模型,确定出所述待识别的目标图像的识别结果,其中,所述识别网络模型包括基于监督分支训练相似度矩阵的第一识别网络模型与基于非监督分支训练相似度矩阵的第二识别网络模型,所述相似性矩阵表示样本之间的相似性,所述样本包括标记数据与非标记数据。
本申请实施例还提供一种基于半监督的目标识别介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
将待识别的目标图像输入至预先训练的识别网络模型,确定出所述待识别的目标图像的识别结果,其中,所述识别网络模型包括基于监督分支训练相似度矩阵的第一识别网络模型与基于非监督分支训练相似度矩阵的第二识别网络模型,所述相似性矩阵表示样本之间的相似性,所述样本包括标记数据与非标记数据。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:本说明书实施例在训练识别网络模型时,同时应用标记数据与非标记数据,扩大了训练样本集的范围,此外,本说明书实施例在训练识别网络模型时,结合监督分支与非监督分支,以半监督的形式训练识别网络模型,可以提高识别网络模型的识别效果,更好的满足用户的需求。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本说明书实施例一提供的一种基于半监督的目标识别方法的流程示意图;
图2为本说明书实施例一提供的一种基于半监督的目标识别方法的流程示意图。
具体实施方式
在现实场景中,某些任务中的人工标注数据的获取代价较为昂贵。比如医学数据,针对此类只有少量监督数据的任务,最终的训练效果并不理想,无法达到用户的使用需求。
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例一提供的一种基于半监督的目标识别方法的流程示意图,本说明书实施例可以由识别***的执行单元执行下述步骤,具体步骤可以包括:
步骤S101,获取待识别的目标图像。
步骤S102,将待识别的目标图像输入至预先训练的识别网络模型,确定出所述待识别的目标图像的识别结果。
在本说明书实施例的步骤S102中,识别网络模型包括基于监督分支训练相似度矩阵的第一识别网络模型与基于非监督分支训练相似度矩阵的第二识别网络模型,所述相似性矩阵表示样本之间的相似性,所述样本包括标记数据与非标记数据。本说明书实施例在训练识别网络模型时,同时应用标记数据与非标记数据,扩大了训练样本集的范围,此外,本说明书实施例在训练识别网络模型时,结合监督分支与非监督分支,以半监督的形式训练识别网络模型,可以提高识别网络模型的识别效果,更好的满足用户的需求。
进一步的,在本说明书实施例的步骤S102中,将待识别的目标图像输入至预先训练的识别网络模型,确定出所述待识别的目标图像的识别结果之前,所述方法还包括:
构建样本集,其中,样本集可以使用COCO数据集。COCO的全称是Common Objectsin Context,是一个可以用来进行图像检测的数据集。通过该数据集训练初始的检测模型,可以使得模型的训练效果更好;
根据预设算法将所述样本集转化为所述相似性矩阵,其中,预设算法为大间隔最近邻居分类算法(Large Margin Neareast Neighbor,LMNN);
建立初始的识别网络模型;
根据所述相似度矩阵训练所述初始的识别网络模型,确定出符合条件的识别网络模型。
与本说明书实施例一相对应的是,图2为本说明书实施例一提供的一种基于半监督的目标识别方法的流程示意图,本说明书实施例可以由识别***的执行单元执行下述步骤,具体步骤可以包括:
步骤S201,获取待识别的目标图像。
步骤S202,将待识别的目标图像输入至预先训练的所述第一识别网络模型,确定出第一识别结果。
在本说明书实施例的步骤S202中,第一识别网络模型是基于监督分支对相似度矩阵训练的结果。相似性矩阵表示样本之间的相似性,所述样本包括标记数据与非标记数据。
需要说明的是,在监督分支训练阶段:
本说明书实施例可以利用相似性矩阵度量样本之间的相关性。本说明书实施例为了学习样本之间的相关性,可以使用大间隔最近邻居分类算法(Large Margin NeareastNeighbor,LMNN)学习一个最优的度量,来计算样本间的相似度。本说明书实施例除了现有识别模型的标记数据拟合项外,为了有效利用未标记数据,本说明书实施例在损失函数中引入了未标记数据一致项,从而使得监督网络与非监督网络对未标记数据具有一致的识别结果。其中,第一识别网络模型中应用的损失函数可以为最小二乘函数。
步骤S203,将待识别的目标图像输入至预先训练的所述第二识别网络模型,确定出第二识别结果。
在本说明书实施例的步骤S203中,第二识别网络模型是基于非监督分支对相似度矩阵训练的结果。
需要说明的是,在非监督分支训练阶段:
本说明书实施例可以使用与第一识别网络模型一样的网络模型结构。初始化参数可利用随机值。此外,每一轮迭代中,可以取监督网络参数的平均值作为该分支网络模型的网络参数。第二识别网络模型中应用的损失函数可以为K-Means函数。
步骤S204,若判断出所述第一识别结果与所述第二识别结果相同,确定出所述待识别的目标图像的识别结果为所述第一识别结果或所述第二识别结果。
需要说明的是,第一识别网络模型与第二识别网络模型可以组成识别网络模型。识别网络模型可以通过预先训练的对抗网络模型修改网络参数,对抗网络模型包括判别网络。判别网络可以应用Resnet。根据Groundtruth与one-hot向量训练识别网络模型,进而修改识别网络模型的网络参数,提高识别网络模型的精度。
本申请实施例还提供一种基于半监督的目标识别设备,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
将待识别的目标图像输入至预先训练的识别网络模型,确定出所述待识别的目标图像的识别结果,其中,所述识别网络模型包括基于监督分支训练相似度矩阵的第一识别网络模型与基于非监督分支训练相似度矩阵的第二识别网络模型,所述相似性矩阵表示样本之间的相似性,所述样本包括标记数据与非标记数据。
本申请实施例还提供一种基于半监督的目标识别介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
将待识别的目标图像输入至预先训练的识别网络模型,确定出所述待识别的目标图像的识别结果,其中,所述识别网络模型包括基于监督分支训练相似度矩阵的第一识别网络模型与基于非监督分支训练相似度矩阵的第二识别网络模型,所述相似性矩阵表示样本之间的相似性,所述样本包括标记数据与非标记数据。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于半监督的目标识别方法,其特征在于,所述方法包括:
将待识别的目标图像输入至预先训练的识别网络模型,确定出所述待识别的目标图像的识别结果,其中,所述识别网络模型包括基于监督分支训练相似度矩阵的第一识别网络模型与基于非监督分支训练相似度矩阵的第二识别网络模型,所述相似性矩阵表示样本之间的相似性,所述样本包括标记数据与非标记数据。
2.根据权利要求1所述的基于半监督的目标识别方法,其特征在于,所述识别网络模型通过预先训练的对抗网络模型修改网络参数,所述对抗网络模型包括判别网络。
3.根据权利要求2所述的基于半监督的目标识别方法,其特征在于,所述判别网络为Resnet。
4.根据权利要求1所述的基于半监督的目标识别方法,其特征在于,所述将待识别的目标图像输入至预先训练的识别网络模型,确定出所述待识别的目标图像的识别结果,具体包括:
将待识别的目标图像输入至预先训练的所述第一识别网络模型,确定出第一识别结果;
将待识别的目标图像输入至预先训练的所述第二识别网络模型,确定出第二识别结果;
若判断出所述第一识别结果与所述第二识别结果相同,确定出所述待识别的目标图像的识别结果为所述第一识别结果或所述第二识别结果。
5.根据权利要求1所述的基于半监督的目标识别方法,其特征在于,所述将待识别的目标图像输入至预先训练的识别网络模型,确定出所述待识别的目标图像的识别结果之前,所述方法还包括:
构建样本集;
根据预设算法将所述样本集转化为所述相似性矩阵;
建立初始的识别网络模型;
根据所述相似度矩阵训练所述初始的识别网络模型,确定出符合条件的识别网络模型。
6.根据权利要求5所述的基于半监督的目标识别方法,其特征在于,所述预设算法为大间隔最近邻居分类算法。
7.根据权利要求1所述的基于图嵌入的物体识别方法,其特征在于,所述第一识别网络模型中应用的损失函数为最小二乘函数。
8.根据权利要求1所述的基于图嵌入的物体识别方法,其特征在于,所述第二识别网络模型中应用的损失函数为K-Means函数。
9.一种基于半监督的目标识别设备,其特征在于,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
将待识别的目标图像输入至预先训练的识别网络模型,确定出所述待识别的目标图像的识别结果,其中,所述识别网络模型包括基于监督分支训练相似度矩阵的第一识别网络模型与基于非监督分支训练相似度矩阵的第二识别网络模型,所述相似性矩阵表示样本之间的相似性,所述样本包括标记数据与非标记数据。
10.一种基于半监督的目标识别介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令设置为:
将待识别的目标图像输入至预先训练的识别网络模型,确定出所述待识别的目标图像的识别结果,其中,所述识别网络模型包括基于监督分支训练相似度矩阵的第一识别网络模型与基于非监督分支训练相似度矩阵的第二识别网络模型,所述相似性矩阵表示样本之间的相似性,所述样本包括标记数据与非标记数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011012069.8A CN112308113A (zh) | 2020-09-23 | 2020-09-23 | 一种基于半监督的目标识别方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011012069.8A CN112308113A (zh) | 2020-09-23 | 2020-09-23 | 一种基于半监督的目标识别方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112308113A true CN112308113A (zh) | 2021-02-02 |
Family
ID=74488116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011012069.8A Pending CN112308113A (zh) | 2020-09-23 | 2020-09-23 | 一种基于半监督的目标识别方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308113A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673601A (zh) * | 2021-08-23 | 2021-11-19 | 北京三快在线科技有限公司 | 一种行为识别方法、装置、存储介质及电子设备 |
CN113837270A (zh) * | 2021-09-18 | 2021-12-24 | 广东人工智能与先进计算研究院 | 一种目标识别方法、装置、设备及存储介质 |
CN113887719A (zh) * | 2021-09-13 | 2022-01-04 | 北京三快在线科技有限公司 | 一种模型压缩方法及装置 |
CN115100587A (zh) * | 2022-05-25 | 2022-09-23 | 水利部珠江水利委员会水文局 | 基于多元数据的区域乱采监测方法及装置 |
CN117576522A (zh) * | 2024-01-18 | 2024-02-20 | 之江实验室 | 一种基于拟态结构动态防御的模型训练方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732248A (zh) * | 2015-03-24 | 2015-06-24 | 电子科技大学 | 基于Omega形状特征的人体目标检测方法 |
CN106803082A (zh) * | 2017-01-23 | 2017-06-06 | 重庆邮电大学 | 一种基于条件式生成对抗网络的在线笔迹识别方法 |
CN107423701A (zh) * | 2017-07-17 | 2017-12-01 | 北京智慧眼科技股份有限公司 | 基于生成式对抗网络的人脸非监督特征学习方法及装置 |
CN107563428A (zh) * | 2017-08-25 | 2018-01-09 | 西安电子科技大学 | 基于生成对抗网络的极化sar图像分类方法 |
CN109472837A (zh) * | 2018-10-24 | 2019-03-15 | 西安电子科技大学 | 基于条件生成对抗网络的光电图像转换方法 |
CN109872162A (zh) * | 2018-11-21 | 2019-06-11 | 阿里巴巴集团控股有限公司 | 一种处理用户投诉信息的风控分类识别方法及*** |
CN111476294A (zh) * | 2020-04-07 | 2020-07-31 | 南昌航空大学 | 一种基于生成对抗网络的零样本图像识别方法及*** |
CN111488951A (zh) * | 2020-05-22 | 2020-08-04 | 南京大学 | 一种基于rgb-d图像分类问题的对抗度量学习算法 |
CN111652286A (zh) * | 2020-05-09 | 2020-09-11 | 济南浪潮高新科技投资发展有限公司 | 一种基于图嵌入的物体识别方法、设备及介质 |
-
2020
- 2020-09-23 CN CN202011012069.8A patent/CN112308113A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732248A (zh) * | 2015-03-24 | 2015-06-24 | 电子科技大学 | 基于Omega形状特征的人体目标检测方法 |
CN106803082A (zh) * | 2017-01-23 | 2017-06-06 | 重庆邮电大学 | 一种基于条件式生成对抗网络的在线笔迹识别方法 |
CN107423701A (zh) * | 2017-07-17 | 2017-12-01 | 北京智慧眼科技股份有限公司 | 基于生成式对抗网络的人脸非监督特征学习方法及装置 |
CN107563428A (zh) * | 2017-08-25 | 2018-01-09 | 西安电子科技大学 | 基于生成对抗网络的极化sar图像分类方法 |
CN109472837A (zh) * | 2018-10-24 | 2019-03-15 | 西安电子科技大学 | 基于条件生成对抗网络的光电图像转换方法 |
CN109872162A (zh) * | 2018-11-21 | 2019-06-11 | 阿里巴巴集团控股有限公司 | 一种处理用户投诉信息的风控分类识别方法及*** |
CN111476294A (zh) * | 2020-04-07 | 2020-07-31 | 南昌航空大学 | 一种基于生成对抗网络的零样本图像识别方法及*** |
CN111652286A (zh) * | 2020-05-09 | 2020-09-11 | 济南浪潮高新科技投资发展有限公司 | 一种基于图嵌入的物体识别方法、设备及介质 |
CN111488951A (zh) * | 2020-05-22 | 2020-08-04 | 南京大学 | 一种基于rgb-d图像分类问题的对抗度量学习算法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673601A (zh) * | 2021-08-23 | 2021-11-19 | 北京三快在线科技有限公司 | 一种行为识别方法、装置、存储介质及电子设备 |
CN113673601B (zh) * | 2021-08-23 | 2023-02-03 | 北京三快在线科技有限公司 | 一种行为识别方法、装置、存储介质及电子设备 |
CN113887719A (zh) * | 2021-09-13 | 2022-01-04 | 北京三快在线科技有限公司 | 一种模型压缩方法及装置 |
CN113887719B (zh) * | 2021-09-13 | 2023-04-28 | 北京三快在线科技有限公司 | 一种模型压缩方法及装置 |
CN113837270A (zh) * | 2021-09-18 | 2021-12-24 | 广东人工智能与先进计算研究院 | 一种目标识别方法、装置、设备及存储介质 |
CN115100587A (zh) * | 2022-05-25 | 2022-09-23 | 水利部珠江水利委员会水文局 | 基于多元数据的区域乱采监测方法及装置 |
CN115100587B (zh) * | 2022-05-25 | 2023-06-23 | 水利部珠江水利委员会水文局 | 基于多元数据的区域乱采监测方法及装置 |
CN117576522A (zh) * | 2024-01-18 | 2024-02-20 | 之江实验室 | 一种基于拟态结构动态防御的模型训练方法及装置 |
CN117576522B (zh) * | 2024-01-18 | 2024-04-26 | 之江实验室 | 一种基于拟态结构动态防御的模型训练方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112308113A (zh) | 一种基于半监督的目标识别方法、设备及介质 | |
CN107957989B (zh) | 基于集群的词向量处理方法、装置以及设备 | |
CN109086961B (zh) | 一种信息风险监测方法及装置 | |
CN109034183B (zh) | 一种目标检测方法、装置及设备 | |
CN113221555A (zh) | 一种基于多任务模型的关键词识别方法、装置及设备 | |
CN111652286A (zh) | 一种基于图嵌入的物体识别方法、设备及介质 | |
CN114332873A (zh) | 一种识别模型的训练方法及装置 | |
CN116188971A (zh) | 一种机器人物体识别方法、装置及存储介质 | |
CN116543264A (zh) | 图像分类模型的训练方法、图像分类方法及装置 | |
CN115618964A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN111368902A (zh) | 一种数据标注的方法及装置 | |
CN110033092B (zh) | 数据标签生成、模型训练、事件识别方法和装置 | |
CN112966577B (zh) | 一种模型训练以及信息提供的方法及装置 | |
CN113988162A (zh) | 模型训练及图像识别方法、装置、存储介质及电子设备 | |
CN107577660B (zh) | 类目信息识别方法、装置及服务器 | |
CN116630480B (zh) | 一种交互式文本驱动图像编辑的方法、装置和电子设备 | |
CN117036829A (zh) | 一种基于原型学习实现标签增强的叶片细粒度识别方法和*** | |
CN115130621B (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
CN115221523B (zh) | 数据处理方法、装置及设备 | |
CN116151355A (zh) | 一种模型训练和业务执行的方法、装置、介质及设备 | |
CN114926437A (zh) | 一种图像质量评价方法及装置 | |
CN109325127B (zh) | 一种风险识别方法和装置 | |
CN111598092A (zh) | 图像中目标区域的确定方法、目标识别方法及装置 | |
CN112115952B (zh) | 一种基于全卷积神经网络的图像分类方法、设备及介质 | |
CN111539962A (zh) | 一种目标图像分类方法、装置以及介质 |
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 |
Application publication date: 20210202 |
|
RJ01 | Rejection of invention patent application after publication |