CN113486202A - 小样本图像分类的方法 - Google Patents
小样本图像分类的方法 Download PDFInfo
- Publication number
- CN113486202A CN113486202A CN202110742932.3A CN202110742932A CN113486202A CN 113486202 A CN113486202 A CN 113486202A CN 202110742932 A CN202110742932 A CN 202110742932A CN 113486202 A CN113486202 A CN 113486202A
- Authority
- CN
- China
- Prior art keywords
- small sample
- classification model
- image
- images
- categories
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000013145 classification model Methods 0.000 claims abstract description 50
- 238000012360 testing method Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000010606 normalization Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- 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
-
- 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
- G06N3/048—Activation functions
-
- 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)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了小样本图像分类的方法,涉及机器学习技术领域,解决了分类模型中使用少量样本不能达到较高分类准确率的技术问题,其技术方案要点是在训练和测试时保持高度的一致性,都以K类各Z张图像以及待分类图像作为模型的一次输入,有利于准确率的提升。同时,在对图像进行特征提取后,使用多尺度思想,分别考虑不同尺度下已知类别的图像特征与待分类图像特征的关系。不同的尺度有利于对图像中不同大小物体的相似度判断;同尺度已知类别的图像特征与待分类图像特征一起输入分类器能够综合考虑各类别间的亲疏关系,更好地输出各类别与待分类图像的相似度,提高了小样本图像分类的准确率。
Description
技术领域
本公开涉及机器学习技术领域,尤其涉及一种小样本图像分类的方法。
背景技术
得益于海量训练数据,参数量较大的卷积神经网络模型在图像分类问题中的表现甚至超越了人类水平。然而在许多场景下,人类无法获得大量的训练数据,一般分为两种情况。第一种情况,能获取的样本比较稀少,比如输电线路冰灾预测问题中,冰灾发生次数较少,客观上无法获得大量数据;身份证等证件识别问题中,证件涉及他人隐私,能合法获得的证件图像较少。第二种情况,样本类型标记繁琐,没有足够的人力或相关领域专家对图像进行标记,比如医学上各部位肿瘤类型分类。
常见的深度学习模型的参数量一般较大,通常需要海量数据的支撑,如果使用少量的样本数据来训练模型,即使使用随机失活技术也容易产生过拟合问题,导致最终测试结果准确率不高。面对此类问题,我们需要改变使用大量数据训练模型的方式,研究出使用少量样本即可达到较高分类准确率的模型,这类任务被称为小样本学习,本申请针对其中的小样本图像分类问题,提供了一种小样本图像分类的方法。
发明内容
本公开提供了一种小样本图像分类的方法,其技术目的是提供一种使用少量样本就能达到较高分类准确率的小样本分类模型,从而提高图像分类的准确率。
本公开的上述技术目的是通过以下技术方案得以实现的:
一种小样本图像分类的方法,包括:
S1:获取小样本图像分类的数据集,所述数据集包括训练集、支持集和测试集;其中,所述训练集包括M个类别;所述支持集包括K个类别,K≤M,每个类别包括至少Z个图像,且所述训练集的类别与所述支持集的类别的交集为0;所述测试集的类别都包含在所述支持集的类别中;所述训练集和所述支持集的图像都包括标签,所述测试集的图像不包括标签;
S2:将所述训练集划分为样本集和查询集,所述样本集和所述查询集都包括M个类别,将所述样本集和所述查询集投入到第一小样本分类模型进行训练,得到第二小样本分类模型;
S3:通过所述支持集和所述测试集对所述第二小样本分类模型进行测试,得到分类准确率,根据所述分类准确率对所述第二小样本分类模型的超参数进行调整后重复步骤S2,直至所述第二小样本分类模型的分类准确率达到预设值,即得到最终小样本分类模型;
S4:将实际任务中需要分类的图像与所述支持集输入到所述最终小样本分类模型中,对实际任务中需要分类的图像进行分类;
其中,所述步骤S2包括:
S21:从所述样本集中随机选择K个类别,每个类别包括Z个图像,则第i个类别的第j个图像记作xij,i∈K,j∈Z;将图像xij投入到第一小样本分类模型的第一编码器中进行特征提取,得到K*Z张样本特征图;
S22:对类别相同图像的样本特征图的算术平均值进行计算,得到K个类别的K个样本特征图f(x1),f(x2),…,f(xK);
S23:从所述查询集随机选择一个图像x,将所述图像x投入到所述第一编码器中进行特征提取,得到查询特征图f(x);
S24:将K个样本特征图f(x1),f(x2),…,f(xK)与所述查询特征图f(x)输入到所述第一小样本分类模型的第一融合模块,所述第一融合模块输出K个取值范围在0到1间的小数;
S25:通过K个小数与所述图像x对应的标签y(x)计算损失函数,通过反向传播算法对所述第一小样本分类模型的网络参数进行调整,重复步骤S21至步骤S25,直至所述损失函数的值下降到预设数量级,即得到第二小样本分类模型。
本申请的有益效果在于:本申请所述的小样本图像分类的方法,在训练和测试时保持高度的一致性,都以K类各Z张图像以及待分类图像作为模型的一次输入,有利于准确率的提升。同时,在对图像进行特征提取后,使用多尺度思想,分别考虑不同尺度下已知类别的图像特征与待分类图像特征的关系。不同的尺度有利于对图像中不同大小物体的相似度判断;同尺度已知类别的图像特征与待分类图像特征一起输入分类器能够综合考虑各类别间的亲疏关系,更好地输出各类别与待分类图像的相似度,提高了小样本图像分类的准确率。
附图说明
图1为本申请所述方法的流程图;
图2为小样本数据集的示例图;
图3为本公开所述的小样本图像分类方法的模型图;
图4为图3所示模型图的一种可能编码器示意图;
图5为图3所示模型图的三个不同的特征提取器示意图;
图6为图3所示模型图的一种可能的分类器示意图。
具体实施方式
下面将结合附图对本公开技术方案进行详细说明。在本申请的描述中,需要理解地是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量,仅用来区分不同的组成部分。
图1为本申请所述方法的流程图,如图1所示,该方法包括:步骤S1:获取小样本图像分类的数据集,所述数据集包括训练集、支持集和测试集。
其中,所述训练集包括M个类别,且每个类别包括大量图像;所述支持集包括K个类别,K≤M,每个类别包括较少但至少有Z个图像,也就是说,训练集中的图像数量是远大于支持集中的图像数量的。另外,训练集的类别与支持集的类别的交集较少或为0,即训练集的类别和支持集的类别基本没有相同的。
测试集的类别都包含在支持集的类别中。训练集和支持集的图像都包括标签,测试集的图像则不包括标签,如图2所示。
步骤S2:将所述训练集划分为样本集和查询集,所述样本集和所述查询集都包括M个类别,将所述样本集和所述查询集投入到第一小样本分类模型进行训练,得到第二小样本分类模型。
具体地,步骤S2包括:
S21:从所述样本集中随机选择K个类别,每个类别包括Z个图像,则第i个类别的第j个图像记作xij,i∈K,j∈Z;将图像xij投入到第一小样本分类模型的第一编码器中进行特征提取,得到K*Z张样本特征图。
S22:对类别相同图像的样本特征图的算术平均值进行计算,得到K个类别的K个样本特征图f(x1),f(x2),…,f(xK)。
S23:从所述查询集随机选择一个图像x,将所述图像x投入到所述第一编码器中进行特征提取,得到查询特征图f(x)。
S24:将K个样本特征图f(x1),f(x2),…,f(xK)与所述查询特征图f(x)输入到所述第一小样本分类模型的第一融合模块,所述第一融合模块输出K个取值范围在0到1间的小数。
其中,步骤S24又包括:
S241:将f(x1),f(x2),…,f(xK),f(x)分别投入到所述第一融合模块的第一特征提取器h1、h2、h3进行特征提取,得到三组K+1个不同尺度的特征,即:
h1(f(x1)),…,h1(f(xK)),h1(f(x));
h2(f(x1)),…,h2(f(xK)),h2(f(x));
h3(f(x1)),…,h3(f(xK)),h3(f(x))。
S242:将上述三组特征分别在通道维度进行拼接,得到特征C1,C2,C3,则有:
Cp=concat(hp(f(x1)),…,hp(f(xK)),hp(f(x))),p=1,2,3;其中,concat(·)表示拼接函数。
S243:将C1,C2,C3分别输入到所述第一融合模块的第一分类器g1,g2,g3,然后第一分类器g1,g2,g3各自输出K个取值范围在0到1之间的小数,记为spi,表示第一分类器gp的第i个输出,则有:sp1,…,spK=gp(C),p=1,2,3。
S244:将步骤S243中得到的3K个小数输入到一个全连接层并进行sigmoid激活后,输出K个取值范围在0到1之间的小数,即:
s1,…,sK=conv(s11,…,s1K,s21,…,s2K,s31,…,s3K);其中,conv表示全连接层和sigmoid激活函数的组合函数。
S25:通过K个小数与所述图像x对应的标签y(x)计算损失函数,通过反向传播算法对所述第一小样本分类模型的网络参数进行调整,重复步骤S21至步骤S25,直至所述损失函数的值下降到预设数量级,即得到第二小样本分类模型。
步骤S25又包括:
S252:使用随机梯度下降法对模型参数Θ进行优化,重复步骤S21至步骤S251,持续对模型参数Θ进行优化,直至所述损失函数Loss(Θ)的值下降到预设数量级,即得到第二小样本分类模型。
S3:通过所述支持集和所述测试集对所述第二小样本分类模型进行测试,得到分类准确率,根据所述分类准确率对所述第二小样本分类模型的超参数进行调整后重复步骤S2,直至所述第二小样本分类模型的分类准确率达到预设值,即得到最终小样本分类模型。
S4:将实际任务中需要分类的图像与所述支持集输入到所述最终小样本分类模型中,对实际任务中需要分类的图像进行分类。
步骤S3中,通过支持集和测试集对第二小样本分类模型进行测试,得到分类准确率,根据所述分类准确率对所述第二小样本分类模型的超参数进行调整后重复步骤S2,直至第二小样本分类模型的分类准确率达到预设值,即得到最终小样本分类模型,具体包括:
步骤S31:支持集包括K个类别,在每个类别选择Z个图像,则支持集第i个类别的第j个图像记作uij,i∈K,j∈Z;将图像uij投入到第二小样本分类模型的第二编码器中进行特征提取,得到K*Z张支持特征图。
步骤S32:对类别相同图像的支持特征图的算术平均值进行计算,得到K个类别的K个样本特征图f(u1),f(u2),…,f(uK)。
步骤S33:从测试集中随机选择一个图像u,将图像u投入到第二编码器中进行特征提取,得到测试特征图f(u).
步骤S34:将f(u1),f(u2),…,f(uK),f(u)分别投入到第二小样本分类模型的第二融合模块的第二特征提取器h1′、h2′、h3′进行特征提取,得到三组K+1个不同尺度的特征,即:
h1′(f(u1)),…,h1′(f(uK)),h1′(f(u));
h2′(f(u1)),…,h2′(f(uK)),h2′(f(u));
h3′(f(u1)),…,h3′(f(uK)),h3′(f(u))。
步骤S35:将上述三组特征分别在通道维度进行拼接,得到特征C1′,C2′,C3′,则有:
Cp′=concat(hp′(f(u1)),…,hp′(f(uK)),hp′(f(u))),p=1,2,3;其中,concat(·)表示拼接函数。
步骤S36:将C1′,C2′,C3′分别输入到第二融合模块的第二分类器g1′,g2′,g3′,然后第二分类器g1′,g2′,g3′各自输出K个取值范围在0到1之间的小数,记作spi′,表示第二分类器gp′的第i个输出,则有:sp1′,…,spK′=gp′(C),p′=1,2,3。
步骤S37:将步骤S36中得到的3K个小数输入到一个全连接层并进行sigmoid激活后,输出K个取值范围在0到1之间的小数,即:
s1′,…,sK′=conv(s11′,…,s1K′,s21′,…,s2K′,s31′,…,s3K′);其中,conv表示全连接层和sigmoid激活函数的组合函数。
步骤S38:若第k个小数为K个小数中的最大值,k≤K,则将图像u划分到第k类;
步骤S39:重复步骤S33至步骤S38将测试集的全部图像进行分类后,计算分类准确率,根据分类准确率对第二小样本分类模型的超参数进行调整,在重复步骤S31至步骤S39,直至得到最终小样本分类模型。
作为具体实施例地,第一编码器、第二编码器包括全部可以提取图像特征的深度学习网络,包括4层卷积层和resnet网络。编码器的结构示意图如图4所示。
作为具体实施例地,第一分类器、第二分类器包括全部能够输出K个取值范围在0到1之间的小数的深度学习网络。
具体实施时,可以以Mini-ImageNet的全部或部分作为训练集,例如,Mini-ImageNet中随机取出64类作为训练集,即M=64,每个类别有600张图片。从Mini-ImageNet中剩下的36个类别中随机取出K(K与实际任务中待分类图像的类别数量相等)个类别作为支持集,每类至少Z(Z与实际任务中待分类图像每个类别至少拥有的图像数量相等)个图像将支持集对应K个类别中没被支持集取到的图像抹去类别标签,作为测试集。
如图3所示,将训练集分成样本集和查询集两部分,每部分都包含了所有的64个类别。从样本集随机选择K个类别,每个类别Z个图像,第i个类别的第j个图像记作xij,将它们分别投入到第一小样本分类模型的第一编码器(如图4)中进行特征提取,得到K*Z张特征图,将同类别的Z个特征图计算算术平均值,得到K个类别的样本特征图f(x1),f(x2),…,f(xK)。
从查询集随机选择一个图像x,投入到第一编码器中进行特征提取,得到一个查询特征图f(x)。将得到的K+1个特征图分别进行1×1的same卷积并进行批标准化和ReLU激活(图5中的特征提取器1)后的特征图进行拼接,得到分类器1的输入特征图C1;将得到的K+1个特征图分别进行3×3的same卷积并进行批标准化和ReLU激活(图5中的特征提取器2)后的特征图进行拼接,得到分类器2的输入特征图C2;将得到的K+1个特征图分别进行两次3×3的same卷积并进行批标准化和ReLU激活(图5中的特征提取器3)后的特征图进行拼接,得到分类器3的输入特征图C3。将C1,C2,C3分别输入到分类器g1、分类器g2、分类器g3中,分别输出K个取值范围在0到1间的小数,将这3K个小数输入一个全连接层并进行sigmoid激活后,输出K个取值范围在0到1间的小数。分类器1、分类器2、分类器3的结构相同,其结构示意图如图6所示。
最后使用得到的K个小数与查询集图像x所对应的标签y(x)计算损失函数,通过反向传播算法对网络参数进行调整。多次进行上述操作直到损失函数的值下降到预设数量级,此时得到第二小样本图像分类模型。
再通过支持集和测试集测试第二小样本图像分类模型,测试方法不再赘述,直到经过全连接层并进行sigmoid激活输出K个小数后,若第k个小数为K个数中的最大值,则将测试图像分到第k类,将所有测试集图像分类后,计算分类准确率,根据分类准确率对第二小样本分类模型的超参数进行调整,直至得到最终小样本分类模型。
以上为本公开示范性实施例,本公开的保护范围由权利要求书及其等效物限定。
Claims (5)
1.一种小样本图像分类的方法,其特征在于,包括:
S1:获取小样本图像分类的数据集,所述数据集包括训练集、支持集和测试集;其中,所述训练集包括M个类别;所述支持集包括K个类别,K≤M,每个类别包括至少Z个图像,且所述训练集的类别与所述支持集的类别的交集为0;所述测试集的类别都包含在所述支持集的类别中;所述训练集和所述支持集的图像都包括标签,所述测试集的图像不包括标签;
S2:将所述训练集划分为样本集和查询集,所述样本集和所述查询集都包括M个类别,将所述样本集和所述查询集投入到第一小样本分类模型进行训练,得到第二小样本分类模型;
S3:通过所述支持集和所述测试集对所述第二小样本分类模型进行测试,得到分类准确率,根据所述分类准确率对所述第二小样本分类模型的超参数进行调整后重复步骤S2,直至所述第二小样本分类模型的分类准确率达到预设值,即得到最终小样本分类模型;
S4:将实际任务中需要分类的图像与所述支持集输入到所述最终小样本分类模型中,对实际任务中需要分类的图像进行分类;
其中,所述步骤S2包括:
S21:从所述样本集中随机选择K个类别,每个类别包括Z个图像,则第i个类别的第j个图像记作xij,I∈K,j∈Z;将图像xij投入到第一小样本分类模型的第一编码器中进行特征提取,得到K*Z张样本特征图;
S22:对类别相同图像的样本特征图的算术平均值进行计算,得到K个类别的K个样本特征图f(x1),f(x2),…,f(xK);
S23:从所述查询集随机选择一个图像x,将所述图像x投入到所述第一编码器中进行特征提取,得到查询特征图f(x);
S24:将K个样本特征图f(x1),f(x2),…,f(xK)与所述查询特征图f(x)输入到所述第一小样本分类模型的第一融合模块,所述第一融合模块输出K个取值范围在0到1间的小数;
S25:通过K个小数与所述图像x对应的标签y(x)计算损失函数,通过反向传播算法对所述第一小样本分类模型的网络参数进行调整,重复步骤S21至步骤S25,直至所述损失函数的值下降到预设数量级,即得到第二小样本分类模型。
2.如权利要求1所述的方法,其特征在于,所述步骤S24包括:
S241:将f(x1),f(x2),…,f(xK),f(x)分别投入到所述第一融合模块的第一特征提取器h1、h2、h3进行特征提取,得到三组K+1个不同尺度的特征,即:
h1(f(x1)),…,h1(f(xK)),h1(f(x));
h2(f(x1)),…,h2(f(xK)),h2(f(x));
h3(f(x1)),…,h3(f(xK)),h3(f(x));
S242:将上述三组特征分别在通道维度进行拼接,得到特征C1,C2,C3,则有:
Cp=concat(hp(f(x1)),…,hp(f(xK)),hp(f(x))),p=1,2,3;其中,concat(·)表示拼接函数;
S243:将C1,C2,C3分别输入到所述第一融合模块的第一分类器g1,g2,g3,然后分类器g1,g2,g3各自输出K个取值范围在0到1之间的小数,记为spi,表示第一分类器gp的第i个输出,则有:sp1,…,spK=gp(C),p=1,2,3;
S244:将步骤S243中得到的3K个小数输入到一个全连接层并进行sigmoid激活后,输出K个取值范围在0到1之间的小数,即:
s1,…,sK=conv(s11,…,s1K,s21,…,s2K,s31,…,s3K);其中,conv表示全连接层和sigmoid激活函数的组合函数。
4.如权利要求3所述的方法,其特征在于,所述编码器包括全部可以提取图像特征的深度学习网络,包括4层卷积层和resnet网络。
5.如权利要求4所述的方法,其特征在于,所述分类器包括全部能够输出K个取值范围在0到1之间的小数的深度学习网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110742932.3A CN113486202B (zh) | 2021-07-01 | 2021-07-01 | 小样本图像分类的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110742932.3A CN113486202B (zh) | 2021-07-01 | 2021-07-01 | 小样本图像分类的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113486202A true CN113486202A (zh) | 2021-10-08 |
CN113486202B CN113486202B (zh) | 2023-08-04 |
Family
ID=77937359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110742932.3A Active CN113486202B (zh) | 2021-07-01 | 2021-07-01 | 小样本图像分类的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486202B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113989556A (zh) * | 2021-10-27 | 2022-01-28 | 南京大学 | 一种小样本医学影像分类方法和*** |
CN115115825A (zh) * | 2022-05-27 | 2022-09-27 | 腾讯科技(深圳)有限公司 | 图像中的对象检测方法、装置、计算机设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529447A (zh) * | 2016-11-03 | 2017-03-22 | 河北工业大学 | 一种小样本人脸识别方法 |
CN109961089A (zh) * | 2019-02-26 | 2019-07-02 | 中山大学 | 基于度量学习和元学习的小样本和零样本图像分类方法 |
CN111062424A (zh) * | 2019-12-05 | 2020-04-24 | 中国科学院计算技术研究所 | 小样本食品图像识别模型训练方法及食品图像识别方法 |
CN111242162A (zh) * | 2019-12-27 | 2020-06-05 | 北京地平线机器人技术研发有限公司 | 图像分类模型的训练方法、装置、介质以及电子设备 |
US20200226427A1 (en) * | 2015-06-05 | 2020-07-16 | Kepler Vision Technologies Bv | Deep receptive field networks |
US20210124993A1 (en) * | 2019-10-23 | 2021-04-29 | Adobe Inc. | Classifying digital images in few-shot tasks based on neural networks trained using manifold mixup regularization and self-supervision |
-
2021
- 2021-07-01 CN CN202110742932.3A patent/CN113486202B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200226427A1 (en) * | 2015-06-05 | 2020-07-16 | Kepler Vision Technologies Bv | Deep receptive field networks |
CN106529447A (zh) * | 2016-11-03 | 2017-03-22 | 河北工业大学 | 一种小样本人脸识别方法 |
CN109961089A (zh) * | 2019-02-26 | 2019-07-02 | 中山大学 | 基于度量学习和元学习的小样本和零样本图像分类方法 |
US20210124993A1 (en) * | 2019-10-23 | 2021-04-29 | Adobe Inc. | Classifying digital images in few-shot tasks based on neural networks trained using manifold mixup regularization and self-supervision |
CN111062424A (zh) * | 2019-12-05 | 2020-04-24 | 中国科学院计算技术研究所 | 小样本食品图像识别模型训练方法及食品图像识别方法 |
CN111242162A (zh) * | 2019-12-27 | 2020-06-05 | 北京地平线机器人技术研发有限公司 | 图像分类模型的训练方法、装置、介质以及电子设备 |
Non-Patent Citations (5)
Title |
---|
DEBABRATA PAL 等: "SPN: Stable Prototypical Network for Few-Shot Learning-Based Hyperspectral Image Classification", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》, vol. 19, pages 1 - 5, XP011895973, DOI: 10.1109/LGRS.2021.3085522 * |
XIAOMENG LI 等: "Revisiting metric learning for few-shot image classification", 《NEUROCOMPUTING》, vol. 406, pages 49 - 58, XP086184732, DOI: 10.1016/j.neucom.2020.04.040 * |
吕磊 等: "基于深度卷积神经网络的小样本车型分类方法", 《兵器装备工程学报》, vol. 41, no. 08, pages 193 - 200 * |
孙博轩: "无监督领域自适应的水下声呐图像分类方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》, no. 05, pages 005 - 122 * |
陈鹏飞: "基于多尺度信息的小样本图像分类方法及其应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 05, pages 138 - 969 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113989556A (zh) * | 2021-10-27 | 2022-01-28 | 南京大学 | 一种小样本医学影像分类方法和*** |
CN113989556B (zh) * | 2021-10-27 | 2024-04-09 | 南京大学 | 一种小样本医学影像分类方法和*** |
CN115115825A (zh) * | 2022-05-27 | 2022-09-27 | 腾讯科技(深圳)有限公司 | 图像中的对象检测方法、装置、计算机设备和存储介质 |
CN115115825B (zh) * | 2022-05-27 | 2024-05-03 | 腾讯科技(深圳)有限公司 | 图像中的对象检测方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113486202B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388927A (zh) | 基于深度卷积孪生网络的小样本极化sar地物分类方法 | |
Xue et al. | Camouflage performance analysis and evaluation framework based on features fusion | |
CN104239858A (zh) | 一种人脸特征验证的方法和装置 | |
CN112801146B (zh) | 一种目标检测方法及*** | |
CN109583322A (zh) | 一种人脸识别深度网络训练方法和*** | |
CN109919252B (zh) | 利用少数标注图像生成分类器的方法 | |
CN105894046A (zh) | 卷积神经网络训练及图像处理的方法和***、计算机设备 | |
CN113486202A (zh) | 小样本图像分类的方法 | |
CN113761259A (zh) | 一种图像处理方法、装置以及计算机设备 | |
CN106503616A (zh) | 一种基于分层超限学习机的运动想象脑电信号分类方法 | |
CN111401105B (zh) | 一种视频表情识别方法、装置及设备 | |
CN115966010A (zh) | 一种基于注意力和多尺度特征融合的表情识别方法 | |
Shen et al. | A direct formulation for totally-corrective multi-class boosting | |
CN116612335B (zh) | 一种基于对比学习的少样本细粒度图像分类方法 | |
CN114913923A (zh) | 针对单细胞染色质开放性测序数据的细胞类型识别方法 | |
CN111784665B (zh) | 基于傅里叶变换的oct图像质量评估方法、***及装置 | |
Yadav et al. | An improved deep learning-based optimal object detection system from images | |
CN104978569A (zh) | 一种基于稀疏表示的增量人脸识别方法 | |
Shoohi et al. | DCGAN for Handling Imbalanced Malaria Dataset based on Over-Sampling Technique and using CNN. | |
Sun et al. | Adaptive activation thresholding: Dynamic routing type behavior for interpretability in convolutional neural networks | |
CN106778714A (zh) | 基于非线性特征和模型合并的lda人脸识别方法 | |
CN111931867A (zh) | 基于轻量级模型的新冠肺炎x射线图像分类方法及*** | |
Putra et al. | Analysis K-Nearest Neighbor Method in Classification of Vegetable Quality Based on Color | |
CN113192028B (zh) | 人脸图像的质量评价方法、装置、电子设备及存储介质 | |
CN114627424A (zh) | 一种基于视角转化的步态识别方法和*** |
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 |