CN114187452A - 一种基于主动标注的鲁棒深度图像分类模型训练方法 - Google Patents

一种基于主动标注的鲁棒深度图像分类模型训练方法 Download PDF

Info

Publication number
CN114187452A
CN114187452A CN202210135383.8A CN202210135383A CN114187452A CN 114187452 A CN114187452 A CN 114187452A CN 202210135383 A CN202210135383 A CN 202210135383A CN 114187452 A CN114187452 A CN 114187452A
Authority
CN
China
Prior art keywords
image
model
labeled
training
classification model
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
CN202210135383.8A
Other languages
English (en)
Inventor
黄圣君
周慧
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202210135383.8A priority Critical patent/CN114187452A/zh
Publication of CN114187452A publication Critical patent/CN114187452A/zh
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
    • G06F18/214—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

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

本发明公开了一种基于主动标注的鲁棒深度图像分类模型训练方法。包括：一、收集大量的无标注图像集合和少量已标注训练图像数据集合；二、对已标注图像集中的每一个图像增添噪声扰动，得到含噪标注图像集；三、将含噪标注图像集作为训练集，初始化图像分类模型；四、对未标注图像集中每张图像进行多次扰动，计算每张未标注图像的价值评分S。五、对评分S排序，得到相应的用户反馈；六、更新已标注图像集L和未标注图像集，并更新预测模型；七、返回步骤四或结束并输出预测模型f。本发明通过主动学习技术，自动选择高效用图像标注，在提升模型鲁棒性的同时，能最大限度地降低用户的标注代价。

Description

一种基于主动标注的鲁棒深度图像分类模型训练方法
技术领域
本发明属于数字图像自动标注技术领域，具体涉及一种基于主动标注的鲁棒深度图像分类模型训练方法。
背景技术
现阶段在图像分类领域深度模型已经能够获得较高的精度，然而在现实应用场景中，模型往往受到噪声干扰而导致性能严重下降。例如，在自动驾驶任务中，图像视频识别模型通常会受到雾、霜、雪、沙尘暴等天气的干扰，而难以准确地识别出路标。因此，提高模型的鲁棒性已经成为机器学习领域的重要任务。最新的研究表明，通过对训练图像添加噪声扰动进行训练能有效地提升深度模型的鲁棒性。然而，该训练过程往往需要大量已标注图像。在许多实际应用中，准确地标注每张图像的标记信息往往代价高昂且异常困难，尤其是那些对专业知识要求很高的领域。主动学习是降低样本标注代价的主要方法，其通过主动选择最有价值的图像进行标注，在提高模型性能的同时，能最大限度地降低查询标记的代价。然而传统的主动标注方法仅考虑了图像用以提升模型性能的潜在效用，例如，通过衡量分类模型对于未标注图像的不确定性来作为其效用的一个估计，难以直接用于提升模型鲁棒性。因此，如何设计有效的主动标注策略以提升模型的鲁棒性是一个亟待解决的问题，具有重要的现实意义。
发明内容
发明目的：为了克服真实任务中目标域数据获取困难，模型鲁棒性难以提升的问题，本发明提供一种基于主动标注的鲁棒深度图像分类模型训练方法。
技术方案：为实现上述目的，本发明采用的技术方案为：
一种基于主动标注的鲁棒深度图像分类模型训练方法，包括以下步骤：
步骤1、收集大量的无标注图像集合
Figure 346309DEST_PATH_IMAGE001
，和少量已标注训练图像数据集合
Figure 823558DEST_PATH_IMAGE002
；
步骤2、对已标注图像集
Figure 673702DEST_PATH_IMAGE002
中的每一个图像增添噪声扰动，得到含噪标注图像集
Figure 247903DEST_PATH_IMAGE003
；
步骤3、将含噪标注图像集
Figure 384355DEST_PATH_IMAGE003
作为训练集，初始化图像分类模型f；
步骤4、对未标注图像集
Figure 473534DEST_PATH_IMAGE001
中每张图像进行多次扰动，基于模型f对每张未标注图 像及其多个扰动版本的预测结果，计算每张未标注图像的价值评分
Figure 737156DEST_PATH_IMAGE004
；
步骤5、对步骤4中得到的评分
Figure 165863DEST_PATH_IMAGE004
排序，在标记预算内，根据分值从大到小的顺序向 用户查询图像的标注信息，得到相应的用户反馈；
步骤6、 根据步骤5中得到的图像类别的用户反馈结果更新已标注图像集
Figure 348583DEST_PATH_IMAGE002
和未标 注图像集
Figure 816736DEST_PATH_IMAGE001
，并按照步骤2方法得到的含噪标注集
Figure 946366DEST_PATH_IMAGE003
以更新预测模型
Figure 26317DEST_PATH_IMAGE005
；
步骤7、返回步骤4或结束并输出预测模型f。
进一步的，所述步骤2得到含噪标注图像集
Figure 786463DEST_PATH_IMAGE003
的具体方法为：
对于
Figure 787917DEST_PATH_IMAGE002
中每一张图像
Figure 517975DEST_PATH_IMAGE006
添加从从高斯分布
Figure 842646DEST_PATH_IMAGE007
随机标注的扰动值
Figure 836010DEST_PATH_IMAGE008
得到对应 的含噪图像
Figure 121498DEST_PATH_IMAGE009
。具体可以表达为：
Figure 530614DEST_PATH_IMAGE010
则含噪声标注图像集
Figure 788420DEST_PATH_IMAGE011
，其中
Figure 749422DEST_PATH_IMAGE012
为已标注图像数量。
进一步的，所述步骤3初始化图像分类模型f的具体方法为：
利用预测模型
Figure 145375DEST_PATH_IMAGE013
对含噪标注图像集
Figure 217237DEST_PATH_IMAGE003
中图像类别进行预测，
Figure 595128DEST_PATH_IMAGE014
为预测模型的 参数。用
Figure 602399DEST_PATH_IMAGE015
表示第
Figure 862479DEST_PATH_IMAGE016
幅图像
Figure 675714DEST_PATH_IMAGE009
在模型f上的输出, 其中
Figure 95063DEST_PATH_IMAGE017
代表图像
Figure 335551DEST_PATH_IMAGE009
被预测为第
Figure 82927DEST_PATH_IMAGE018
个类别的概率，
Figure 637537DEST_PATH_IMAGE019
代表图像总类别数。用
Figure 521179DEST_PATH_IMAGE020
表示第
Figure 198148DEST_PATH_IMAGE016
幅图像
Figure 58919DEST_PATH_IMAGE009
的真实标记，形式为one-hot编码。按照公式计算模型在每张含噪图像上的损失 值，所述公式为：
Figure 10694DEST_PATH_IMAGE021
通过最小化模型在含噪标注图像集
Figure 217685DEST_PATH_IMAGE003
上损失值来优化模型，具体公式为：
Figure 737659DEST_PATH_IMAGE022
，其中，
Figure 194048DEST_PATH_IMAGE023
为损失函数。
进一步的，所述步骤4计算每张未标注图像的价值评分
Figure 152777DEST_PATH_IMAGE004
的具体方法为：
对每一张未标注图像
Figure 401224DEST_PATH_IMAGE006
添加
Figure 216734DEST_PATH_IMAGE024
次扰动，得到对应的扰动图像集合
Figure 363681DEST_PATH_IMAGE025
其中
Figure 532625DEST_PATH_IMAGE026
,
Figure 510946DEST_PATH_IMAGE027
,
Figure 120525DEST_PATH_IMAGE028
是一个从高斯 分布
Figure 754769DEST_PATH_IMAGE007
随机标注的扰动值, 扰动次数m为超参数。
按照公式计算模型在
Figure 117617DEST_PATH_IMAGE029
上的预测结果与在干净图像
Figure 560231DEST_PATH_IMAGE006
上预测结果不一致的概 率，所述公式为：
Figure 920805DEST_PATH_IMAGE030
其中，
Figure 104662DEST_PATH_IMAGE031
为指示函数，当输入为真时候，输出为1，当输入为假时，输出为0；
按照公式计算未经用户反馈的图像集合
Figure 943305DEST_PATH_IMAGE001
中每张图像
Figure 755272DEST_PATH_IMAGE006
对标注模型
Figure 349064DEST_PATH_IMAGE005
的价值评分
Figure 364425DEST_PATH_IMAGE004
，所述公式为：
Figure 272338DEST_PATH_IMAGE032
进一步的，所述步骤6根据用户反馈结果更新已标注图像集
Figure 79757DEST_PATH_IMAGE002
和未标注图像集
Figure 204970DEST_PATH_IMAGE001
的 具体方法为：
用户提供所查询图像的类别标记信息，并将图像从无标注数据集合
Figure 35523DEST_PATH_IMAGE001
移动到已标 注图像数据集合
Figure 278285DEST_PATH_IMAGE002
。
有益效果：本发明提出了一种基于主动标注的鲁棒深度图像分类模型训练方法，将主动学习技术运用于鲁棒深度模型的学习中，通过主动选择最有价值的图像，以最小的标注代价有效地提高深度图像分类模型的鲁棒性。具体的，本发明每次挑选出对于提升模型鲁棒性最有帮助的一批图像进行查询，让用户给出图像类别信息。一般来说，鲁棒模型的预测往往具有稳定性，也就是说，当对输入图像添加微小扰动时,模型的输出应保持一致。然而，在同样程度的扰动下，模型在不同图像上的预测稳定性也是不同的，对于某些图像，在遇到噪声扰动时，模型的预测结果非常不稳定，将这些图像加入已标注集用以训练模型，能够有效提高模型的鲁棒性。因此在选择图像时，本发明提出基于不一致性的主动标注方法，通过生成系列扰动图像并采用其预测差异衡量每个未标注图像对于提升模型鲁棒性的潜在效用，并挑选不一致性值最大的图像用于深度模型的训练。并且，在训练过程中，本发明采用对训练图像增添噪声扰动的方式进行训练，希望模型在拟合含噪图像的过程中逐渐提高对噪声的鲁棒性。
附图说明
图1是本发明机制的流程图；
图2是计算示例评分的流程图；
图3是更新标注模型的流程图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
实施例
如图1所示为本发明机制的流程图。假设初始时存在由少量已标注图像组成的数 据集
Figure 143473DEST_PATH_IMAGE002
，以及由大量未标注图像组成的数据集
Figure 688855DEST_PATH_IMAGE001
。首对，装置已标注集
Figure 69021DEST_PATH_IMAGE002
中每张图像增添噪 声扰动以构造含噪标注图像集
Figure 974529DEST_PATH_IMAGE003
，并基于
Figure 694223DEST_PATH_IMAGE003
训练得到基本预测模型。随后，模型对未标 注图像数据集
Figure 800719DEST_PATH_IMAGE001
的图像进行预测，得到每张未标注图像的预测结果。根据模型输出计算得 到每张图像的效用评分。将图像按照效用得分大小排序，从高到低向用户查询标记信息。接 着，用户给出图像的标记信息，将这些图像加入到训练集
Figure 605864DEST_PATH_IMAGE002
，同样，对更新后的已标注集
Figure 65796DEST_PATH_IMAGE002
中 每张图像增添噪声扰动得到含噪标注图像集
Figure 702313DEST_PATH_IMAGE003
。最后用含噪标注图像集
Figure 173238DEST_PATH_IMAGE003
更新模型。 查询过程将循环执行，直至标记开销达到预算。
图2所示为计算示例效用评分的流程图。首先，对每一张未标注图像
Figure 200100DEST_PATH_IMAGE006
添加
Figure 588356DEST_PATH_IMAGE024
次扰 动，得到对应的扰动图像集合
Figure 954746DEST_PATH_IMAGE033
,其中
Figure 340728DEST_PATH_IMAGE026
,
Figure 917203DEST_PATH_IMAGE027
,
Figure 233784DEST_PATH_IMAGE028
是一个从高斯分布
Figure 516998DEST_PATH_IMAGE007
随机标注的扰动值。接着，按照公式计算模 型在
Figure 401777DEST_PATH_IMAGE029
上的预测结果与在干净图像
Figure 75335DEST_PATH_IMAGE006
上预测结果不一致的概率，所述公式为：
Figure 539814DEST_PATH_IMAGE030
最后，按照公式计算未经用户反馈的图像集合
Figure 943114DEST_PATH_IMAGE001
中每张图像
Figure 624893DEST_PATH_IMAGE006
对标注模型f的价 值评分
Figure 644802DEST_PATH_IMAGE004
，所述公式为：
Figure 381814DEST_PATH_IMAGE032
图3所示为更新标注模型的流程图。在每一轮训练中，首先将用户标注的图像加入 训练集合
Figure 311724DEST_PATH_IMAGE002
中。 接着，对于
Figure 272726DEST_PATH_IMAGE002
中每一张图像
Figure 170144DEST_PATH_IMAGE006
添加从高斯分布
Figure 445268DEST_PATH_IMAGE007
随机标注的扰动值
Figure 619897DEST_PATH_IMAGE008
。具体可以表达为：
Figure 627167DEST_PATH_IMAGE010
则含噪声标注图像集
Figure 824930DEST_PATH_IMAGE011
，其中
Figure 966062DEST_PATH_IMAGE012
为已标注图像数量。随后，利用 预测模型
Figure 618367DEST_PATH_IMAGE005
对含噪标注图像集
Figure 858855DEST_PATH_IMAGE003
中图像类别进行预测，用
Figure 606231DEST_PATH_IMAGE034
表示第
Figure 895261DEST_PATH_IMAGE016
幅 图像
Figure 44483DEST_PATH_IMAGE009
在模型f上的输出, 其中
Figure 455873DEST_PATH_IMAGE035
代表图像
Figure 549599DEST_PATH_IMAGE009
被预测为第
Figure 32533DEST_PATH_IMAGE018
个类别的概率，
Figure 973945DEST_PATH_IMAGE019
代表图像总类 别数。用
Figure 493919DEST_PATH_IMAGE036
表示第
Figure 215887DEST_PATH_IMAGE016
幅图像
Figure 174616DEST_PATH_IMAGE009
的真实标记，形式为one-hot编码。按照公式计算 模型在每张含噪图像上的损失值，所述公式为：
Figure 658949DEST_PATH_IMAGE037
接着，通过最小化模型在含噪标注图像集
Figure 740038DEST_PATH_IMAGE003
上损失值来训练模型，具体公式为：
Figure 621406DEST_PATH_IMAGE022
最后，通过梯度下降算法更新模型参数。上述训练流程将循环执行直至模型收敛或达到最大迭代次数。

Claims (5)

1.一种基于主动标注的鲁棒深度图像分类模型训练方法，其特征在于，包括以下步骤：
步骤1、收集大量的无标注图像集合
Figure 7595DEST_PATH_IMAGE001
和少量已标注训练图像数据集合
Figure 331260DEST_PATH_IMAGE002
；
步骤2、对已标注图像集
Figure 642156DEST_PATH_IMAGE002
中的每一个图像增添噪声扰动，得到含噪标注图像集
Figure 771786DEST_PATH_IMAGE003
；
步骤3、将含噪标注图像集
Figure 6065DEST_PATH_IMAGE003
作为训练集，初始化图像分类模型f；
步骤4、对未标注图像集
Figure 359686DEST_PATH_IMAGE001
中每张图像进行多次扰动，基于模型f对每张未标注图像及其 多个扰动版本的预测结果，计算每张未标注图像的价值评分
Figure 361140DEST_PATH_IMAGE004
；
步骤5、对步骤4中得到的评分
Figure 232144DEST_PATH_IMAGE004
排序，在标记预算内，根据分值从大到小的顺序向用户 查询图像的标注信息，得到相应的用户反馈；
步骤6、 根据步骤5中得到的图像类别的用户反馈结果更新已标注图像集
Figure 432181DEST_PATH_IMAGE002
和未标注图 像集
Figure 159966DEST_PATH_IMAGE001
，并按照步骤2方法得到的含噪标注集
Figure 835666DEST_PATH_IMAGE003
以更新预测模型f；
步骤7、返回步骤4或结束并输出预测模型f。
2.根据权利要求1所述的基于主动标注的鲁棒深度图像分类模型训练方法，其特征在 于，步骤2得到含噪标注图像集
Figure 307099DEST_PATH_IMAGE003
的具体方法为：对于
Figure 361643DEST_PATH_IMAGE002
中每一张图像
Figure 463591DEST_PATH_IMAGE005
添加从高斯分布
Figure 439637DEST_PATH_IMAGE006
随机标注的扰动值
Figure 245919DEST_PATH_IMAGE007
，具体表达为：
Figure 312226DEST_PATH_IMAGE008
则含噪声标注图像集
Figure 381814DEST_PATH_IMAGE009
，其中
Figure 641894DEST_PATH_IMAGE010
为已标注图像数量。
3.根据权利要求1所述的基于主动标注的鲁棒深度图像分类模型训练方法，其特征在于，步骤3初始化图像分类模型f的具体方法为：
步骤3.1：利用预测模型
Figure 392812DEST_PATH_IMAGE011
对含噪标注图像集
Figure 625210DEST_PATH_IMAGE003
中图像类别进行预测，
Figure 928016DEST_PATH_IMAGE012
为预测模型 的参数，用
Figure 800026DEST_PATH_IMAGE013
表示第
Figure 213689DEST_PATH_IMAGE014
幅图像
Figure 300594DEST_PATH_IMAGE015
在模型f上的输出，其中
Figure 649667DEST_PATH_IMAGE016
代表图 像
Figure 884339DEST_PATH_IMAGE015
被预测为第
Figure 39377DEST_PATH_IMAGE017
个类别的概率，
Figure 666274DEST_PATH_IMAGE018
代表图像总类别数；用
Figure 576461DEST_PATH_IMAGE019
表示 第
Figure 908217DEST_PATH_IMAGE014
幅图像
Figure 866945DEST_PATH_IMAGE015
的真实标记，形式为one-hot编码；按照公式计算模型在每张含噪图像上的损 失值，所述公式为：
Figure 459601DEST_PATH_IMAGE020
步骤3.2：通过最小化模型在含噪标注图像集
Figure 665323DEST_PATH_IMAGE003
上损失值来优化模型，具体公式为：
Figure 812270DEST_PATH_IMAGE021
，其中，
Figure 371428DEST_PATH_IMAGE022
为损失函数。
4.根据权利要求1所述的基于主动标注的鲁棒深度图像分类模型训练方法，其特征在 于，步骤4计算每张未标注图像的价值评分
Figure 225114DEST_PATH_IMAGE004
的具体方法为：
步骤4.1 对每一张未标注图像
Figure 945946DEST_PATH_IMAGE005
添加
Figure 580189DEST_PATH_IMAGE023
次扰动，得到对应的扰动图像集合
Figure 569136DEST_PATH_IMAGE024
，其中
Figure 401963DEST_PATH_IMAGE025
,
Figure 496958DEST_PATH_IMAGE026
,
Figure 556181DEST_PATH_IMAGE027
是一个从高斯 分布
Figure 457141DEST_PATH_IMAGE006
随机标注的扰动值,扰动次数m为超参数；
步骤4.2：按照公式计算模型在
Figure 82157DEST_PATH_IMAGE028
上的预测结果与在干净图像
Figure 800583DEST_PATH_IMAGE005
上预测结果不一致 的概率，所述公式为：
Figure 940578DEST_PATH_IMAGE029
其中，
Figure 848491DEST_PATH_IMAGE030
为指示函数，当输入为真时候，输出为1，当输入为假时，输出为0；
步骤4.3：按照公式计算未经用户反馈的图像集合
Figure 531276DEST_PATH_IMAGE001
中每张图像
Figure 30390DEST_PATH_IMAGE005
对分类模型
Figure 860943DEST_PATH_IMAGE031
的价值 评分
Figure 726875DEST_PATH_IMAGE004
，所述公式为：
Figure 388800DEST_PATH_IMAGE032
。
5.根据权利要求1所述的基于主动标注的鲁棒深度图像分类模型训练方法，其特征在 于，步骤6根据用户反馈结果更新已标注图像集
Figure 934182DEST_PATH_IMAGE002
和未标注图像集
Figure 252031DEST_PATH_IMAGE001
的具体方法为：用户提 供所查询图像的类别标记信息，并将图像从无标注数据集合
Figure 32905DEST_PATH_IMAGE001
移动到已标注图像数据集合
Figure 939550DEST_PATH_IMAGE002
。
CN202210135383.8A 2022-02-15 2022-02-15 一种基于主动标注的鲁棒深度图像分类模型训练方法 Pending CN114187452A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210135383.8A CN114187452A (zh) 2022-02-15 2022-02-15 一种基于主动标注的鲁棒深度图像分类模型训练方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210135383.8A CN114187452A (zh) 2022-02-15 2022-02-15 一种基于主动标注的鲁棒深度图像分类模型训练方法

Publications (1)

Publication Number Publication Date
CN114187452A true CN114187452A (zh) 2022-03-15

Family

ID=80545908

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210135383.8A Pending CN114187452A (zh) 2022-02-15 2022-02-15 一种基于主动标注的鲁棒深度图像分类模型训练方法

Country Status (1)

Country Link
CN (1) CN114187452A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113313178A (zh) * 2021-06-03 2021-08-27 南京航空航天大学 一种跨域图像示例级主动标注方法
CN113313166A (zh) * 2021-05-28 2021-08-27 华南理工大学 基于特征一致性学习的船舶目标自动标注方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113313166A (zh) * 2021-05-28 2021-08-27 华南理工大学 基于特征一致性学习的船舶目标自动标注方法
CN113313178A (zh) * 2021-06-03 2021-08-27 南京航空航天大学 一种跨域图像示例级主动标注方法

Similar Documents

Publication Publication Date Title
CN103927394B (zh) 一种基于svm的多标签主动学习分类方法及***
CN112132014B (zh) 基于非督导金字塔相似性学习的目标重识别方法及***
CN112052818B (zh) 无监督域适应的行人检测方法、***及存储介质
CN116644755B (zh) 基于多任务学习的少样本命名实体识别方法、装置及介质
CN110458022B (zh) 一种基于域适应的可自主学习目标检测方法
CN113469186B (zh) 一种基于少量点标注的跨域迁移图像分割方法
CN112001422B (zh) 一种基于深度贝叶斯学习的图像标记估计方法
CN108596204B (zh) 一种基于改进型scdae的半监督调制方式分类模型的方法
CN112115264B (zh) 面向数据分布变化的文本分类模型调整方法
CN113283467B (zh) 一种基于平均损失和逐类选择的弱监督图片分类方法
CN103559510B (zh) 一种利用相关主题模型识别社会群体行为的方法
CN116189671B (zh) 一种用于语言教学的数据挖掘方法及***
CN114187452A (zh) 一种基于主动标注的鲁棒深度图像分类模型训练方法
CN115186670B (zh) 一种基于主动学习的领域命名实体识别方法及***
CN116433909A (zh) 基于相似度加权多教师网络模型的半监督图像语义分割方法
CN113379037B (zh) 一种基于补标记协同训练的偏多标记学习方法
CN116071544A (zh) 面向弱监督指向性视觉理解的图像描述预测方法
CN113313178B (zh) 一种跨域图像示例级主动标注方法
CN114595695A (zh) 一种用于少样本意图识别***的自训练模型构建方法
CN114220086A (zh) 一种成本高效的场景文字检测方法及***
CN103646407B (zh) 一种基于成分距离关系图的视频目标跟踪方法
CN112860903B (zh) 一种融入约束信息的远程监督关系抽取方法
CN113705439B (zh) 基于弱监督和度量学习的行人属性识别方法
CN109800923A (zh) 一种分散式风力发电短期功率组合预测方法
CN113269226B (zh) 一种基于局部与全局信息的图片选择标注方法

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: 20220315