CN114239753B - 可迁移的图像识别方法及装置 - Google Patents

可迁移的图像识别方法及装置 Download PDF

Info

Publication number
CN114239753B
CN114239753B CN202210164555.4A CN202210164555A CN114239753B CN 114239753 B CN114239753 B CN 114239753B CN 202210164555 A CN202210164555 A CN 202210164555A CN 114239753 B CN114239753 B CN 114239753B
Authority
CN
China
Prior art keywords
image
loss
representing
target domain
entropy
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.)
Active
Application number
CN202210164555.4A
Other languages
English (en)
Other versions
CN114239753A (zh
Inventor
张凯
王帆
韩忠义
房体品
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.)
Shandong Liju Robot Technology Co ltd
Original Assignee
Shandong Liju Robot 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 Shandong Liju Robot Technology Co ltd filed Critical Shandong Liju Robot Technology Co ltd
Priority to CN202210164555.4A priority Critical patent/CN114239753B/zh
Publication of CN114239753A publication Critical patent/CN114239753A/zh
Application granted granted Critical
Publication of CN114239753B publication Critical patent/CN114239753B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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

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

本发明是关于一种可迁移的图像识别方法及装置，涉及图像识别技术领域，方法包括：确定输入图像识别模型的图像类型；当输入的图像为有标签的源域图像时，使有标签的源域图像通过特征提取器和类别预测器，并确定交叉熵损失；当输入的图像为无标签的目标域图像时，使目标域图像通过特征提取器和域判别器，同时通过特征提取器和类别预测器；根据域判别器的输出结果和目标域图像与每一个源域图像的中心点的相似度确定对抗损失；根据类别预测器的输出结果确定信息最大化损失；根据交叉熵损失、对抗损失和信息最大化损失优化图像识别模型。通过该技术方案，可以有效地提高目标图像识别的性能，并有效减少对于目标图像识别的标注，大量减少人力物力。

Description

可迁移的图像识别方法及装置
技术领域
本发明涉及图像识别技术领域，尤其涉及一种可迁移的图像识别方法及装置。
背景技术
可迁移的图像识别是指在进行图像识别时，利用分布相似但不同的已标注图像来指导当前无标签的图像进行准确识别的技术。大数据时代下，分析数据中隐含的价值信息来指导人们的生活和生产已成为一个良性的发展趋势。但在现实场景下，收集到大量无标签的数据非常容易，而在某些任务上进行准确的人工标注是非常耗时耗力的，比如对大规模的传感器图像的准确标注。在这种限制下，可以借助已有标注图像，利用标注图像和欲识别图像分布之间的相似性，指导当前图像识别的任务。例如，传感器A和B采集的是相同任务的图像，且传感器A的图像（一般称为源域图像）已被标注，由于传感器A和B中采集的图像类别相同，传感器B可以借助传感器A已经标注数据进行有效的图像识别，而不用为传感器B得到的数据进行大规模的标注。但是由于传感器A和B设备内部构造等的不同，两者收集到的图像数据存在着分布差异，那么如何在图像分布差异存在的情况下，实现对传感器B收集到的图像（一般称为目标域图像）进行准确识别是当前可迁移图像识别问题中的一个难点。
传统方法：在传感器收集的数据上进行准确的标注，重新训练一个模型，将模型用以图像识别任务，但是此过程产生昂贵人力浪费，且在大数据背景下，对所有收集到的数据进行准确的人工标注极其不现实。
发明内容
为克服相关技术中存在的问题，本发明提供一种可迁移的图像识别方法及装置。
根据本发明实施例的第一方面，提供一种可迁移的图像识别方法，方法包括：
确定输入图像识别模型的图像类型，其中，所述图像类型包括有标签的源域图像和无标签的目标域图像，所述图像识别模型包括特征提取器、类别预测器和域判别器；
当输入的图像为有标签的源域图像时，使所述有标签的源域图像通过所述特征提取器和类别预测器，并确定交叉熵损失；
当输入的图像为无标签的目标域图像时，使所述目标域图像通过所述特征提取器和域判别器，同时通过所述特征提取器和类别预测器；
根据所述域判别器的输出结果和所述目标域图像与每一个源域图像的中心点的相似度确定对抗损失；
根据所述类别预测器的输出结果确定信息最大化损失；
根据所述交叉熵损失、所述对抗损失和所述信息最大化损失优化所述图像识别模型。
在一个实施例中，优选地，所述方法还包括：
获取欲识别的目标图像；
根据所述图像识别模型对所述目标图像进行识别，以确定所述目标图像的所属类别。
在一个实施例中，优选地，采用以下第一公式计算所述交叉熵损失：
Figure 396069DEST_PATH_IMAGE001
其中，D s 表示所有源域图像，L CE (D s )表示所有源域图像的交叉熵损失，E表示期望，x s 表示源域图像的特征，y s 表示源域图像的标签类别，
Figure 126258DEST_PATH_IMAGE002
表示指示函数，σ表示softmax函数，log表示log函数，
Figure 905996DEST_PATH_IMAGE003
表示源域图像的特征通过所述特征提取器和类别预测器后的输出结果，K表示图像总类别数。
在一个实施例中，优选地，根据所述域判别器的输出结果和所述目标域图像与每一个源域图像的中心点的相似度确定对抗损失，包括：
根据所述域判别器的输出结果确定最初的对抗损失，其中，采用以下第二计算公式计算所述最初的对抗损失：
Figure 737423DEST_PATH_IMAGE004
其中，L d_initial (D i )表示第i个目标域图像的最初的对抗损失，D i 表示第i个目标域图像，x t 表示第i个目标域图像的特征，D(G(x t ))表示第i个目标域图像经过特征提取器再经过域判别器的输出结果，该域判别器输出结果相当于是一个二元分类问题，d i 表示第i个目标域图像的二元标签，用来表示这个目标域图像属于源域还是目标域，最大化L d_initial (D i )，使得域判别器进行特征级别的对齐；
通过特征提取器输出的所有源域图像的特征确定每个类别的图像的聚类中心，其中，采用以下第三计算公式计算所述聚类中心；
Figure 551795DEST_PATH_IMAGE005
其中，c k 表示第k个类别的图像的聚类中心，x s 表示源域图像S的特征，y s 表示源域图像S的标签类别，D s 表示所有源域图像，
Figure 187307DEST_PATH_IMAGE006
表示指示函数，G(x s)表示源域图像S的特征经过特征提取器之后输出的特征；
计算每个目标域图像和与其距离最近的聚类中心之间的相似度，将所述相似度作为所述目标域图像的最初的对抗损失的权重，其中，采用以下第四计算公式计算所述权重；
Figure 454341DEST_PATH_IMAGE007
其中，w t 表示第i个目标域图像的最初的对抗损失对应的权重，D f 表示cosine相似度，c k 表示第k个类别的图像的聚类中心，x t 表示第i个目标域图像的特征；
根据所述最初的对抗损失和与其对应的权重，计算所述目标域图像对应的对抗损失，其中，采用以下第五计算公式计算所述对抗损失：
Figure 715558DEST_PATH_IMAGE008
其中，L d (D i )表示第i个目标域图像的对抗损失，w t 表示第i个目标域图像的最初的对抗损失对应的权重，x t 表示第i个目标域图像的特征，D(G(x t ))表示第i个目标域图像经过特征提取器再经过域判别器的输出结果，d i 表示第i个目标域图像的二元标签。
在一个实施例中，优选地，根据所述类别预测器的输出结果确定信息最大化损失，包括：
根据所述类别预测器的输出结果计算目标域图像的熵最小化损失和类平均熵最大化损失；
根据所述熵最小化损失和类平均熵最大化损失计算所述信息最大化损失；
其中，采用以下第六计算公式计算所述熵最小化损失：
Figure 384436DEST_PATH_IMAGE009
其中，L ent (D t )表示所述熵最小化损失，D t 表示所有目标域图像，σ表示softmax函数，H(G(x t ))表示目标域图像经过特征提取器，再经过标签预测器之后的输出结果，K表示图像总类别数，E表示期望，x t 表示目标域图像；
采用以下第七计算公式计算所述类平均熵最大化损失：
Figure 689385DEST_PATH_IMAGE010
其中，L div (D t )表示所述类平均熵最大化损失，
Figure 443714DEST_PATH_IMAGE011
表示所有类别为k的样本经softmax之后的平均概率向量；
其中，采用以下第八计算公式计算所述信息最大化损失：
L IM = L ent + L div
L IM 表示所述信息最大化损失，L ent (D t )表示所述熵最小化损失，L div (D t )表示所述类平均熵最大化损失。
在一个实施例中，优选地，根据所述交叉熵损失、所述对抗损失和所述信息最大化损失优化所述图像识别模型，包括：
根据所述交叉熵损失、所述对抗损失和所述信息最大化损失确定模型最终损失，其中，采用以下第九计算公式计算所述模型最终损失：
L = L CE (D s ) - L d (D t ) + βL IM
L表示所述模型最终损失，L CE (D s )表示所述交叉熵损失，L d (D t )表示所述对抗损失，L IM 表示所述信息最大化损失，β表示均衡参数。
根据本发明实施例的第二方面，提供一种可迁移的图像识别装置，包括：
第一确定模块，用于确定输入图像识别模型的图像类型，其中，所述图像类型包括有标签的源域图像和无标签的目标域图像，所述图像识别模型包括特征提取器、类别预测器和域判别器；
第一处理模块，用于当输入的图像为有标签的源域图像时，使所述有标签的源域图像通过所述特征提取器和类别预测器，并确定交叉熵损失；
第二处理模块，用于当输入的图像为无标签的目标域图像时，使所述目标域图像通过所述特征提取器和域判别器，同时通过所述特征提取器和类别预测器；
第二确定模块，用于根据所述域判别器的输出结果和所述目标域图像与每一个源域图像的中心点的相似度确定对抗损失；
第三确定模块，用于根据所述类别预测器的输出结果确定信息最大化损失；
优化模块，用于根据所述交叉熵损失、所述对抗损失和所述信息最大化损失优化所述图像识别模型。
在一个实施例中，优选地，所述装置还包括：
获取模块，用于获取欲识别的目标图像；
识别模块，用于根据所述图像识别模型对所述目标图像进行识别，以确定所述目标图像的所属类别。
在一个实施例中，优选地，采用以下第一公式计算所述交叉熵损失：
Figure 243043DEST_PATH_IMAGE012
其中，D s 表示所有源域图像，L CE (D s )表示所有源域图像的交叉熵损失，E表示期望，x s 表示源域图像的特征，y s 表示源域图像的标签类别，
Figure 766428DEST_PATH_IMAGE013
表示指示函数，σ表示softmax函数，log表示log函数，
Figure 196272DEST_PATH_IMAGE003
表示源域图像的特征通过所述特征提取器和类别预测器后的输出结果，K表示图像总类别数。
在一个实施例中，优选地，所述第二确定模块用于：
根据所述域判别器的输出结果确定最初的对抗损失，其中，采用以下第二计算公式计算所述最初的对抗损失：
Figure 250947DEST_PATH_IMAGE014
其中，L d_initial (D i )表示第i个目标域图像的最初的对抗损失，D i 表示第i个目标域图像，x t 表示第i个目标域图像的特征，D(G(x t ))表示第i个目标域图像经过特征提取器再经过域判别器的输出结果，该域判别器输出结果相当于是一个二元分类问题，d i 表示第i个目标域图像的二元标签，用来表示这个目标域图像属于源域还是目标域，最大化L d_initial (D i )，使得域判别器进行特征级别的对齐；
通过特征提取器输出的所有源域图像的特征确定每个类别的图像的聚类中心，其中，采用以下第三计算公式计算所述聚类中心；
Figure 526071DEST_PATH_IMAGE015
其中，c k 表示第k个类别的图像的聚类中心，x s 表示源域图像S的特征，y s 表示源域图像S的标签类别，D s 表示所有源域图像，
Figure 231858DEST_PATH_IMAGE013
表示指示函数，G(x s)表示源域图像S的特征经过特征提取器之后输出的特征；
计算每个目标域图像和与其距离最近的聚类中心之间的相似度，将所述相似度作为所述目标域图像的最初的对抗损失的权重，其中，采用以下第四计算公式计算所述权重；
Figure 567025DEST_PATH_IMAGE016
其中，w t 表示第i个目标域图像的最初的对抗损失对应的权重，D f 表示cosine相似度，c k 表示第k个类别的图像的聚类中心，x t 表示第i个目标域图像的特征；
根据所述最初的对抗损失和与其对应的权重，计算所述目标域图像对应的对抗损失，其中，采用以下第五计算公式计算所述对抗损失：
Figure 607531DEST_PATH_IMAGE017
其中，L d (D i )表示第i个目标域图像的对抗损失，w t 表示第i个目标域图像的最初的对抗损失对应的权重，x t 表示第i个目标域图像的特征，D(G(x t ))表示第i个目标域图像经过特征提取器再经过域判别器的输出结果，d i 表示第i个目标域图像的二元标签；
所述第三确定模块用于：
根据所述类别预测器的输出结果计算目标域图像的熵最小化损失和类平均熵最大化损失；
根据所述熵最小化损失和类平均熵最大化损失计算所述信息最大化损失；
其中，采用以下第六计算公式计算所述熵最小化损失：
Figure 686345DEST_PATH_IMAGE018
其中，L ent (D t )表示所述熵最小化损失，D t 表示所有目标域图像，σ表示softmax函数，H(G(x t ))表示目标域图像经过特征提取器，再经过标签预测器之后的输出结果，K表示图像总类别数，E表示期望，x t 表示目标域图像；
采用以下第七计算公式计算所述类平均熵最大化损失：
Figure 246640DEST_PATH_IMAGE019
其中，L div (D t )表示所述类平均熵最大化损失，
Figure 18287DEST_PATH_IMAGE020
表示所有类别为k的样本经softmax之后的平均概率向量；
其中，采用以下第八计算公式计算所述信息最大化损失：
L IM = L ent + L div
L IM 表示所述信息最大化损失，L ent (D t )表示所述熵最小化损失，L div (D t )表示所述类平均熵最大化损失；
所述优化模块用于：
根据所述交叉熵损失、所述对抗损失和所述信息最大化损失确定模型最终损失，其中，采用以下第九计算公式计算所述模型最终损失：
L = L CE (D s ) - L d (D t ) + βL IM
L表示所述模型最终损失，L CE (D s )表示所述交叉熵损失，L d (D t )表示所述对抗损失，L IM 表示所述信息最大化损失，β表示均衡参数。
根据本发明实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现第一方面中任一项方法的步骤。
本发明的实施例提供的技术方案可以包括以下有益效果：
本发明提出了一种基于加权对抗和信息最大化的可迁移图像识别方法，本发明的技术方案和以往的方法相比，不仅利用加权对抗损失来优化特征提取器模块，而且也利用交叉熵损失和信息最大化损失来优化标签预测器模块,可以有效地提高目标图像识别的性能，并有效减少对于目标图像识别的标注，大量减少人力物力。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种可迁移的图像识别方法的流程图。
图2是根据一示例性实施例示出的可迁移的图像识别方法的示意图。
图3是根据一示例性实施例示出的另一种可迁移的图像识别方法的流程图。
图4是根据一示例性实施例示出的一种可迁移的图像识别装置的框图。
图5是根据一示例性实施例示出的一种可迁移的图像识别装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种可迁移的图像识别方法的流程图，如图1所示，该方法包括：
步骤S101，确定输入图像识别模型的图像类型，其中，所述图像类型包括有标签的源域图像和无标签的目标域图像，所述图像识别模型如图2所示，包括特征提取器、类别预测器和域判别器；
步骤S102，当输入的图像为有标签的源域图像时，使所述有标签的源域图像通过所述特征提取器和类别预测器，并确定交叉熵损失；
步骤S103，当输入的图像为无标签的目标域图像时，使所述目标域图像通过所述特征提取器和域判别器，同时通过所述特征提取器和类别预测器；
步骤S104，根据所述域判别器的输出结果和所述目标域图像与每一个源域图像的中心点的相似度确定对抗损失；
步骤S105，根据所述类别预测器的输出结果确定信息最大化损失；
步骤S106，根据所述交叉熵损失、所述对抗损失和所述信息最大化损失优化所述图像识别模型。
本发明提出了一种基于加权对抗和信息最大化的可迁移图像识别方法，本发明的技术方案和以往的方法相比，不仅利用加权对抗损失来优化特征提取器模块，而且也利用交叉熵损失和信息最大化损失来优化标签预测器模块,可以有效地提高目标图像识别的性能，并有效减少对于目标图像识别的标注，大量减少人力物力。
图3是根据一示例性实施例示出的另一种可迁移的图像识别方法的流程图。
如图3所示，在一个实施例中，优选地，所述方法还包括：
步骤S301，获取欲识别的目标图像；
步骤S302，根据所述图像识别模型对所述目标图像进行识别，以确定所述目标图像的所属类别。
在一个实施例中，优选地，采用以下第一公式计算所述交叉熵损失：
Figure 968925DEST_PATH_IMAGE021
其中，D s 表示所有源域图像，L CE (D s )表示所有源域图像的交叉熵损失，E表示期望，x s 表示源域图像的特征，y s 表示源域图像的标签类别，
Figure 664480DEST_PATH_IMAGE002
表示指示函数，σ表示softmax函数，log表示log函数，
Figure 16964DEST_PATH_IMAGE003
表示源域图像的特征通过所述特征提取器和类别预测器后的输出结果，K表示图像总类别数。
在一个实施例中，优选地，根据所述域判别器的输出结果和所述目标域图像与每一个源域图像的中心点的相似度确定对抗损失，包括：
根据所述域判别器的输出结果确定最初的对抗损失，其中，采用以下第二计算公式计算所述最初的对抗损失：
Figure 959512DEST_PATH_IMAGE022
其中，L d_initial (D i )表示第i个目标域图像的最初的对抗损失，D i 表示第i个目标域图像，x t 表示第i个目标域图像的特征，D(G(x t ))表示第i个目标域图像经过特征提取器再经过域判别器的输出结果，该域判别器输出结果相当于是一个二元分类问题，d i 表示第i个目标域图像的二元标签，用来表示这个目标域图像属于源域还是目标域，最大化L d_initial (D i )，使得域判别器进行特征级别的对齐；
通过特征提取器输出的所有源域图像的特征确定每个类别的图像的聚类中心，其中，采用以下第三计算公式计算所述聚类中心；
Figure 646714DEST_PATH_IMAGE005
其中，c k 表示第k个类别的图像的聚类中心，x s 表示源域图像S的特征，y s 表示源域图像S的标签类别，D s 表示所有源域图像，
Figure 67331DEST_PATH_IMAGE023
表示指示函数，G(x s)表示源域图像S的特征经过特征提取器之后输出的特征；
计算每个目标域图像和与其距离最近的聚类中心之间的相似度，将所述相似度作为所述目标域图像的最初的对抗损失的权重，其中，采用以下第四计算公式计算所述权重；
Figure 539901DEST_PATH_IMAGE007
其中，w t 表示第i个目标域图像的最初的对抗损失对应的权重，D f 表示cosine相似度，c k 表示第k个类别的图像的聚类中心，x t 表示第i个目标域图像的特征；
根据所述最初的对抗损失和与其对应的权重，计算所述目标域图像对应的对抗损失，其中，采用以下第五计算公式计算所述对抗损失：
Figure 715667DEST_PATH_IMAGE008
其中，L d (D i )表示第i个目标域图像的对抗损失，w t 表示第i个目标域图像的最初的对抗损失对应的权重，x t 表示第i个目标域图像的特征，D(G(x t ))表示第i个目标域图像经过特征提取器再经过域判别器的输出结果，d i 表示第i个目标域图像的二元标签。
在一个实施例中，优选地，根据所述类别预测器的输出结果确定信息最大化损失，包括：
根据所述类别预测器的输出结果计算目标域图像的熵最小化损失和类平均熵最大化损失；
根据所述熵最小化损失和类平均熵最大化损失计算所述信息最大化损失；
其中，采用以下第六计算公式计算所述熵最小化损失：
Figure 975920DEST_PATH_IMAGE024
其中，L ent (D t )表示所述熵最小化损失，D t 表示所有目标域图像，σ表示softmax函数，H(G(x t ))表示目标域图像经过特征提取器，再经过标签预测器之后的输出结果，K表示图像总类别数，E表示期望，x t 表示目标域图像；
采用以下第七计算公式计算所述类平均熵最大化损失：
Figure 262545DEST_PATH_IMAGE010
其中，L div (D t )表示所述类平均熵最大化损失，
Figure 324042DEST_PATH_IMAGE011
表示所有类别为k的样本经softmax之后的平均概率向量；
其中，采用以下第八计算公式计算所述信息最大化损失：
L IM = L ent + L div
L IM 表示所述信息最大化损失，L ent (D t )表示所述熵最小化损失，L div (D t )表示所述类平均熵最大化损失。
在一个实施例中，优选地，根据所述交叉熵损失、所述对抗损失和所述信息最大化损失优化所述图像识别模型，包括：
根据所述交叉熵损失、所述对抗损失和所述信息最大化损失确定模型最终损失，其中，采用以下第九计算公式计算所述模型最终损失：
L = L CE (D s ) - L d (D t ) + βL IM
L表示所述模型最终损失，L CE (D s )表示所述交叉熵损失，L d (D t )表示所述对抗损失，L IM 表示所述信息最大化损失，β表示均衡参数。
图4是根据一示例性实施例示出的一种可迁移的图像识别装置的框图。
如图4所示，根据本发明实施例的第二方面，提供一种可迁移的图像识别装置，包括：
第一确定模块41，用于确定输入图像识别模型的图像类型，其中，所述图像类型包括有标签的源域图像和无标签的目标域图像，所述图像识别模型包括特征提取器、类别预测器和域判别器；
第一处理模块42，用于当输入的图像为有标签的源域图像时，使所述有标签的源域图像通过所述特征提取器和类别预测器，并确定交叉熵损失；
第二处理模块43，用于当输入的图像为无标签的目标域图像时，使所述目标域图像通过所述特征提取器和域判别器，同时通过所述特征提取器和类别预测器；
第二确定模块44，用于根据所述域判别器的输出结果和所述目标域图像与每一个源域图像的中心点的相似度确定对抗损失；
第三确定模块45，用于根据所述类别预测器的输出结果确定信息最大化损失；
优化模块46，用于根据所述交叉熵损失、所述对抗损失和所述信息最大化损失优化所述图像识别模型。
图5是根据一示例性实施例示出的一种可迁移的图像识别装置的框图。
如图5所示，在一个实施例中，优选地，所述装置还包括：
获取模块51，用于获取欲识别的目标图像；
识别模块52，用于根据所述图像识别模型对所述目标图像进行识别，以确定所述目标图像的所属类别。
在一个实施例中，优选地，采用以下第一公式计算所述交叉熵损失：
Figure 421442DEST_PATH_IMAGE025
其中，D s 表示所有源域图像，L CE (D s )表示所有源域图像的交叉熵损失，E表示期望，x s 表示源域图像的特征，y s 表示源域图像的标签类别，
Figure 896285DEST_PATH_IMAGE013
表示指示函数，σ表示softmax函数，log表示log函数，
Figure 924284DEST_PATH_IMAGE003
表示源域图像的特征通过所述特征提取器和类别预测器后的输出结果，K表示图像总类别数。
在一个实施例中，优选地，所述第二确定模块用于：
根据所述域判别器的输出结果确定最初的对抗损失，其中，采用以下第二计算公式计算所述最初的对抗损失：
Figure 105867DEST_PATH_IMAGE026
其中，L d_initial (D i )表示第i个目标域图像的最初的对抗损失，D i 表示第i个目标域图像，x t 表示第i个目标域图像的特征，D(G(x t ))表示第i个目标域图像经过特征提取器再经过域判别器的输出结果，该域判别器输出结果相当于是一个二元分类问题，d i 表示第i个目标域图像的二元标签，用来表示这个目标域图像属于源域还是目标域，最大化L d_initial (D i )，使得域判别器进行特征级别的对齐；
通过特征提取器输出的所有源域图像的特征确定每个类别的图像的聚类中心，其中，采用以下第三计算公式计算所述聚类中心；
Figure 607124DEST_PATH_IMAGE015
其中，c k 表示第k个类别的图像的聚类中心，x s 表示源域图像S的特征，y s 表示源域图像S的标签类别，D s 表示所有源域图像，
Figure 506947DEST_PATH_IMAGE023
表示指示函数，G(x s)表示源域图像S的特征经过特征提取器之后输出的特征；
计算每个目标域图像和与其距离最近的聚类中心之间的相似度，将所述相似度作为所述目标域图像的最初的对抗损失的权重，其中，采用以下第四计算公式计算所述权重；
Figure 135375DEST_PATH_IMAGE016
其中，w t 表示第i个目标域图像的最初的对抗损失对应的权重，D f 表示cosine相似度，c k 表示第k个类别的图像的聚类中心，x t 表示第i个目标域图像的特征；
根据所述最初的对抗损失和与其对应的权重，计算所述目标域图像对应的对抗损失，其中，采用以下第五计算公式计算所述对抗损失：
Figure 437043DEST_PATH_IMAGE027
其中，L d (D i )表示第i个目标域图像的对抗损失，w t 表示第i个目标域图像的最初的对抗损失对应的权重，x t 表示第i个目标域图像的特征，D(G(x t ))表示第i个目标域图像经过特征提取器再经过域判别器的输出结果，d i 表示第i个目标域图像的二元标签；
所述第三确定模块用于：
根据所述类别预测器的输出结果计算目标域图像的熵最小化损失和类平均熵最大化损失；
根据所述熵最小化损失和类平均熵最大化损失计算所述信息最大化损失；
其中，采用以下第六计算公式计算所述熵最小化损失：
Figure 610666DEST_PATH_IMAGE028
其中，L ent (D t )表示所述熵最小化损失，D t 表示所有目标域图像，σ表示softmax函数，H(G(x t ))表示目标域图像经过特征提取器，再经过标签预测器之后的输出结果，K表示图像总类别数，E表示期望，x t 表示目标域图像；
采用以下第七计算公式计算所述类平均熵最大化损失：
Figure 60102DEST_PATH_IMAGE019
其中，L div (D t )表示所述类平均熵最大化损失，
Figure 429904DEST_PATH_IMAGE020
表示所有类别为k的样本经softmax之后的平均概率向量；
其中，采用以下第八计算公式计算所述信息最大化损失：
L IM = L ent + L div
L IM 表示所述信息最大化损失，L ent (D t )表示所述熵最小化损失，L div (D t )表示所述类平均熵最大化损失；
所述优化模块用于：
根据所述交叉熵损失、所述对抗损失和所述信息最大化损失确定模型最终损失，其中，采用以下第九计算公式计算所述模型最终损失：
L = L CE (D s ) - L d (D t ) + βL IM
L表示所述模型最终损失，L CE (D s )表示所述交叉熵损失，L d (D t )表示所述对抗损失，L IM 表示所述信息最大化损失，β表示均衡参数。
根据本发明实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现第一方面中任一项方法的步骤。
根据本发明实施例的第四方面，提供一种可迁移的图像识别***，***包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，处理器被配置为：
确定输入图像识别模型的图像类型，其中，所述图像类型包括有标签的源域图像和无标签的目标域图像，所述图像识别模型包括特征提取器、类别预测器和域判别器；
当输入的图像为有标签的源域图像时，使所述有标签的源域图像通过所述特征提取器和类别预测器，并确定交叉熵损失；
当输入的图像为无标签的目标域图像时，使所述目标域图像通过所述特征提取器和域判别器，同时通过所述特征提取器和类别预测器；
根据所述域判别器的输出结果和所述目标域图像与每一个源域图像的中心点的相似度确定对抗损失；
根据所述类别预测器的输出结果确定信息最大化损失；
根据所述交叉熵损失、所述对抗损失和所述信息最大化损失优化所述图像识别模型。
进一步可以理解的是，本发明中“多个”是指两个或两个以上，其它量词与之类似。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。单数形式的“一种”、“”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
进一步可以理解的是，术语“第一”、“第二”等用于描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开，并不表示特定的顺序或者重要程度。实际上，“第一”、“第二”等表述完全可以互换使用。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。
进一步可以理解的是，本发明实施例中尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作，或是要求执行全部所示的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有利的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (8)

1.一种可迁移的图像识别方法，其特征在于，所述方法包括：
确定输入图像识别模型的图像类型，其中，所述图像类型包括有标签的源域图像和无标签的目标域图像，所述图像识别模型包括特征提取器、类别预测器和域判别器；
当输入的图像为有标签的源域图像时，使所述有标签的源域图像通过所述特征提取器和类别预测器，并确定交叉熵损失；
当输入的图像为无标签的目标域图像时，使所述目标域图像通过所述特征提取器和域判别器，同时通过所述特征提取器和类别预测器；
根据所述域判别器的输出结果和所述目标域图像与每一个源域图像的中心点的相似度确定对抗损失；
根据所述类别预测器的输出结果确定信息最大化损失；
根据所述交叉熵损失、所述对抗损失和所述信息最大化损失优化所述图像识别模型；
根据所述域判别器的输出结果和所述目标域图像与每一个源域图像的中心点的相似度确定对抗损失，包括：
根据所述域判别器的输出结果确定最初的对抗损失，其中，采用以下第二计算公式计算所述最初的对抗损失：
Figure 809318DEST_PATH_IMAGE001
其中，L d_initial (D i )表示第i个目标域图像的最初的对抗损失，D i 表示第i个目标域图像，x t 表示第i个目标域图像的特征，D(G(x t ))表示第i个目标域图像经过特征提取器再经过域判别器的输出结果，该域判别器输出结果相当于是一个二元分类问题，d i 表示第i个目标域图像的二元标签，用来表示这个目标域图像属于源域还是目标域，最大化L d_initial (D i )，使得域判别器进行特征级别的对齐；
通过特征提取器输出的所有源域图像的特征确定每个类别的图像的聚类中心，其中，采用以下第三计算公式计算所述聚类中心；
Figure 589055DEST_PATH_IMAGE002
其中，c k 表示第k个类别的图像的聚类中心，x s 表示源域图像S的特征，y s 表示源域图像S的标签类别，D s 表示所有源域图像，
Figure 171215DEST_PATH_IMAGE003
表示指示函数，G(x s)表示源域图像S的特征经过特征提取器之后输出的特征；
计算每个目标域图像和与其距离最近的聚类中心之间的相似度，将所述相似度作为所述目标域图像的最初的对抗损失的权重，其中，采用以下第四计算公式计算所述权重；
Figure 985588DEST_PATH_IMAGE004
其中，w t 表示第i个目标域图像的最初的对抗损失对应的权重，D f 表示cosine相似度，c k 表示第k个类别的图像的聚类中心，x t 表示第i个目标域图像的特征；
根据所述最初的对抗损失和与其对应的权重，计算所述目标域图像对应的对抗损失，其中，采用以下第五计算公式计算所述对抗损失：
Figure 808050DEST_PATH_IMAGE005
其中，L d (D i )表示第i个目标域图像的对抗损失，w t 表示第i个目标域图像的最初的对抗损失对应的权重，x t 表示第i个目标域图像的特征，D(G(x t ))表示第i个目标域图像经过特征提取器再经过域判别器的输出结果，d i 表示第i个目标域图像的二元标签；
根据所述类别预测器的输出结果确定信息最大化损失，包括：
根据所述类别预测器的输出结果计算目标域图像的熵最小化损失和类平均熵最大化损失；
根据所述熵最小化损失和类平均熵最大化损失计算所述信息最大化损失；
其中，采用以下第六计算公式计算所述熵最小化损失：
Figure 75083DEST_PATH_IMAGE006
其中，L ent (D t )表示所述熵最小化损失，D t 表示所有目标域图像，σ表示softmax函数，H(G(x t ))表示目标域图像经过特征提取器，再经过类别预测器之后的输出结果，K表示图像总类别数，E表示期望，x t 表示目标域图像；
采用以下第七计算公式计算所述类平均熵最大化损失：
Figure 211667DEST_PATH_IMAGE007
其中，L div (D t )表示所述类平均熵最大化损失，
Figure 880545DEST_PATH_IMAGE008
表示所有类别为k的样本经softmax之后的平均概率向量；
其中，采用以下第八计算公式计算所述信息最大化损失：
L IM = L ent (D t ) + L div (D t )
L IM 表示所述信息最大化损失，L ent (D t )表示所述熵最小化损失，L div (D t )表示所述类平均熵最大化损失。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取欲识别的目标图像；
根据所述图像识别模型对所述目标图像进行识别，以确定所述目标图像的所属类别。
3.根据权利要求1所述的方法，其特征在于， 采用以下第一公式计算所述交叉熵损失：
Figure 873909DEST_PATH_IMAGE009
其中，D s 表示所有源域图像，L CE (D s )表示所有源域图像的交叉熵损失，E表示期望，x s 表示源域图像的特征，y s 表示源域图像的标签类别，
Figure 628238DEST_PATH_IMAGE010
表示指示函数，σ表示softmax函数，log表示log函数，
Figure 53666DEST_PATH_IMAGE011
表示源域图像的特征通过所述特征提取器和类别预测器后的输出结果，K表示图像总类别数。
4.根据权利要求1所述的方法，其特征在于，根据所述交叉熵损失、所述对抗损失和所述信息最大化损失优化所述图像识别模型，包括：
根据所述交叉熵损失、所述对抗损失和所述信息最大化损失确定模型最终损失，其中，采用以下第九计算公式计算所述模型最终损失：
L = L CE (D s ) - L d (D t ) + βL IM
L表示所述模型最终损失，L CE (D s )表示所述交叉熵损失，L d (D t )表示所述对抗损失，L IM 表示所述信息最大化损失，β表示均衡参数。
5.一种可迁移的图像识别装置，其特征在于，所述装置包括：
第一确定模块，用于确定输入图像识别模型的图像类型，其中，所述图像类型包括有标签的源域图像和无标签的目标域图像，所述图像识别模型包括特征提取器、类别预测器和域判别器；
第一处理模块，用于当输入的图像为有标签的源域图像时，使所述有标签的源域图像通过所述特征提取器和类别预测器，并确定交叉熵损失；
第二处理模块，用于当输入的图像为无标签的目标域图像时，使所述目标域图像通过所述特征提取器和域判别器，同时通过所述特征提取器和类别预测器；
第二确定模块，用于根据所述域判别器的输出结果和所述目标域图像与每一个源域图像的中心点的相似度确定对抗损失；
第三确定模块，用于根据所述类别预测器的输出结果确定信息最大化损失；
优化模块，用于根据所述交叉熵损失、所述对抗损失和所述信息最大化损失优化所述图像识别模型；
所述第二确定模块用于：
根据所述域判别器的输出结果确定最初的对抗损失，其中，采用以下第二计算公式计算所述最初的对抗损失：
Figure 577051DEST_PATH_IMAGE012
其中，L d_initial (D i )表示第i个目标域图像的最初的对抗损失，D i 表示第i个目标域图像，x t 表示第i个目标域图像的特征，D(G(x t ))表示第i个目标域图像经过特征提取器再经过域判别器的输出结果，该域判别器输出结果相当于是一个二元分类问题，d i 表示第i个目标域图像的二元标签，用来表示这个目标域图像属于源域还是目标域，最大化L d_initial (D i )，使得域判别器进行特征级别的对齐；
通过特征提取器输出的所有源域图像的特征确定每个类别的图像的聚类中心，其中，采用以下第三计算公式计算所述聚类中心；
Figure 6895DEST_PATH_IMAGE013
其中，c k 表示第k个类别的图像的聚类中心，x s 表示源域图像S的特征，y s 表示源域图像S的标签类别，D s 表示所有源域图像，
Figure 248521DEST_PATH_IMAGE014
表示指示函数，G(x s)表示源域图像S的特征经过特征提取器之后输出的特征；
计算每个目标域图像和与其距离最近的聚类中心之间的相似度，将所述相似度作为所述目标域图像的最初的对抗损失的权重，其中，采用以下第四计算公式计算所述权重；
Figure 461328DEST_PATH_IMAGE015
其中，w t 表示第i个目标域图像的最初的对抗损失对应的权重，D f 表示cosine相似度，c k 表示第k个类别的图像的聚类中心，x t 表示第i个目标域图像的特征；
根据所述最初的对抗损失和与其对应的权重，计算所述目标域图像对应的对抗损失，其中，采用以下第五计算公式计算所述对抗损失：
Figure 104798DEST_PATH_IMAGE016
其中，L d (D i )表示第i个目标域图像的对抗损失，w t 表示第i个目标域图像的最初的对抗损失对应的权重，x t 表示第i个目标域图像的特征，D(G(x t ))表示第i个目标域图像经过特征提取器再经过域判别器的输出结果，d i 表示第i个目标域图像的二元标签；
所述第三确定模块用于：
根据所述类别预测器的输出结果计算目标域图像的熵最小化损失和类平均熵最大化损失；
根据所述熵最小化损失和类平均熵最大化损失计算所述信息最大化损失；
其中，采用以下第六计算公式计算所述熵最小化损失：
Figure 439965DEST_PATH_IMAGE017
其中，L ent (D t )表示所述熵最小化损失，D t 表示所有目标域图像，σ表示softmax函数，H(G(x t ))表示目标域图像经过特征提取器，再经过类别预测器之后的输出结果，K表示图像总类别数，E表示期望，x t 表示目标域图像；
采用以下第七计算公式计算所述类平均熵最大化损失：
Figure 168886DEST_PATH_IMAGE018
，
其中，L div (D t )表示所述类平均熵最大化损失，
Figure 54891DEST_PATH_IMAGE019
表示所有类别为k的样本经softmax之后的平均概率向量；
其中，采用以下第八计算公式计算所述信息最大化损失：
L IM = L ent (D t ) + L div (D t )
L IM 表示所述信息最大化损失，L ent (D t )表示所述熵最小化损失，L div (D t )表示所述类平均熵最大化损失。
6.根据权利要求5所述的装置，其特征在于，所述装置还包括：
获取模块，用于获取欲识别的目标图像；
识别模块，用于根据所述图像识别模型对所述目标图像进行识别，以确定所述目标图像的所属类别。
7.根据权利要求5所述的装置，其特征在于， 采用以下第一公式计算所述交叉熵损失：
Figure 552868DEST_PATH_IMAGE020
其中，D s 表示所有源域图像，L CE (D s )表示所有源域图像的交叉熵损失，E表示期望，x s 表示源域图像的特征，y s 表示源域图像的标签类别，
Figure 324515DEST_PATH_IMAGE021
表示指示函数，σ表示softmax函数，log表示log函数，
Figure 212837DEST_PATH_IMAGE011
表示源域图像的特征通过所述特征提取器和类别预测器后的输出结果，K表示图像总类别数。
8.根据权利要求5所述的装置，其特征在于，所述优化模块用于：
根据所述交叉熵损失、所述对抗损失和所述信息最大化损失确定模型最终损失，其中，采用以下第九计算公式计算所述模型最终损失：
L = L CE (D s ) - L d (D t ) + βL IM
L表示所述模型最终损失，L CE (D s )表示所述交叉熵损失，L d (D t )表示所述对抗损失，L IM 表示所述信息最大化损失，β表示均衡参数。
CN202210164555.4A 2022-02-23 2022-02-23 可迁移的图像识别方法及装置 Active CN114239753B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210164555.4A CN114239753B (zh) 2022-02-23 2022-02-23 可迁移的图像识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210164555.4A CN114239753B (zh) 2022-02-23 2022-02-23 可迁移的图像识别方法及装置

Publications (2)

Publication Number Publication Date
CN114239753A CN114239753A (zh) 2022-03-25
CN114239753B true CN114239753B (zh) 2022-07-22

Family

ID=80747785

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210164555.4A Active CN114239753B (zh) 2022-02-23 2022-02-23 可迁移的图像识别方法及装置

Country Status (1)

Country Link
CN (1) CN114239753B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740682A (zh) * 2019-01-08 2019-05-10 南京大学 一种基于域转化和生成模型的图像识别方法
CN111814871A (zh) * 2020-06-13 2020-10-23 浙江大学 一种基于可靠权重最优传输的图像分类方法
US10839269B1 (en) * 2020-03-20 2020-11-17 King Abdulaziz University System for fast and accurate visual domain adaptation
CN113128287A (zh) * 2019-12-31 2021-07-16 暗物智能科技(广州)有限公司 训练跨域人脸表情识别模型、人脸表情识别的方法及***
CN113159199A (zh) * 2021-04-27 2021-07-23 广东工业大学 一种基于结构特征增强和类中心匹配的跨域图像分类方法
CN113435509A (zh) * 2021-06-28 2021-09-24 山东力聚机器人科技股份有限公司 基于元学习的小样本场景分类识别方法及***
CN113688867A (zh) * 2021-07-20 2021-11-23 广东工业大学 一种跨域图像分类方法
CN113792609A (zh) * 2021-08-19 2021-12-14 北京理工大学 自动驾驶中通过对齐多频谱跨域特征检测图像异常的方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10915792B2 (en) * 2018-09-06 2021-02-09 Nec Corporation Domain adaptation for instance detection and segmentation
CN110322446B (zh) * 2019-07-01 2021-02-19 华中科技大学 一种基于相似性空间对齐的域自适应语义分割方法
CN113469186B (zh) * 2021-06-30 2023-06-23 华侨大学 一种基于少量点标注的跨域迁移图像分割方法
CN113435546B (zh) * 2021-08-26 2021-12-24 山东力聚机器人科技股份有限公司 基于区分置信度水平的可迁移图像识别方法及***

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740682A (zh) * 2019-01-08 2019-05-10 南京大学 一种基于域转化和生成模型的图像识别方法
CN113128287A (zh) * 2019-12-31 2021-07-16 暗物智能科技(广州)有限公司 训练跨域人脸表情识别模型、人脸表情识别的方法及***
US10839269B1 (en) * 2020-03-20 2020-11-17 King Abdulaziz University System for fast and accurate visual domain adaptation
CN111814871A (zh) * 2020-06-13 2020-10-23 浙江大学 一种基于可靠权重最优传输的图像分类方法
CN113159199A (zh) * 2021-04-27 2021-07-23 广东工业大学 一种基于结构特征增强和类中心匹配的跨域图像分类方法
CN113435509A (zh) * 2021-06-28 2021-09-24 山东力聚机器人科技股份有限公司 基于元学习的小样本场景分类识别方法及***
CN113688867A (zh) * 2021-07-20 2021-11-23 广东工业大学 一种跨域图像分类方法
CN113792609A (zh) * 2021-08-19 2021-12-14 北京理工大学 自动驾驶中通过对齐多频谱跨域特征检测图像异常的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LEARNING TO CLUSTER IN ORDER TO TRANSFER ACROSS DOMAINS AND TASKS;Yen-Chang Hsu et al;《arXiv》;20180320;1-20 *
Universal Source-Free Domain Adaptation;Jogendra Nath Kundu et al;《CVPR 2020》;20201231;4544-4553 *
基于域适应的煤矿环境监控图像语义分割;杨潇 等;《煤炭学报》;20211031;第46卷(第10期);3386-3396 *
面向图像分类的迀移学习算法研究;周强;《中国博士学位论文全文数据库信息科技辑》;20220115;第2022年卷(第1期);I138-159 *

Also Published As

Publication number Publication date
CN114239753A (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
CN113435546B (zh) 基于区分置信度水平的可迁移图像识别方法及***
CN112541355B (zh) 一种实体边界类别解耦的少样本命名实体识别方法与***
CN111079847B (zh) 一种基于深度学习的遥感影像自动标注方法
CN110738247A (zh) 一种基于选择性稀疏采样的细粒度图像分类方法
CN110458022B (zh) 一种基于域适应的可自主学习目标检测方法
CN115511012B (zh) 一种最大熵约束的类别软标签识别训练方法
CN114863091A (zh) 一种基于伪标签的目标检测训练方法
CN110781788B (zh) 一种基于少量标注的野外机器人地面分类方法及***
CN117516937A (zh) 基于多模态特征融合增强的滚动轴承未知故障检测方法
CN114611409A (zh) 一种配电终端异常检测模型的建立方法及装置
CN114239753B (zh) 可迁移的图像识别方法及装置
CN112164040A (zh) 基于半监督深度学习算法的钢铁表面缺陷识别方法
CN116630694A (zh) 一种偏多标记图像的目标分类方法、***及电子设备
CN116681961A (zh) 基于半监督方法和噪声处理的弱监督目标检测方法
CN110909645A (zh) 一种基于半监督流形嵌入的人群计数方法
CN113673631B (zh) 异常图像检测方法及装置
CN115511798A (zh) 一种基于人工智能技术的肺炎分类方法及装置
CN118097319B (zh) 在线流数据中带有未见类和噪声标签的图像分类方法
CN115565008A (zh) 一种可迁移图像识别检测***、方法及计算机可读存储介质
CN116403074B (zh) 基于主动标注的半自动图像标注方法及标注装置
CN109711456A (zh) 一种具备鲁棒性的半监督图像聚类方法
CN117634006B (zh) 基于bim技术的套管预埋工程管理***及方法
CN117454987B (zh) 基于事件自动抽取的矿山事件知识图谱构建方法及装置
CN110781942B (zh) 一种半监督图像分类方法及***
CN112990145B (zh) 一种基于组稀疏年龄估计方法及电子设备

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
CP02 Change in the address of a patent holder
CP02 Change in the address of a patent holder

Address after: Room 1409, Floor 14, Building 1, High tech Zone Entrepreneurship Center, No. 177, Gaoxin 6th Road, Rizhao, Shandong 276801

Patentee after: Shandong Liju Robot Technology Co.,Ltd.

Address before: 276808 No.99, Yuquan 2nd Road, antonwei street, Lanshan District, Rizhao City, Shandong Province

Patentee before: Shandong Liju Robot Technology Co.,Ltd.

CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhao Yue

Inventor after: Zhang Kai

Inventor after: Wang Fan

Inventor after: Han Zhongyi

Inventor after: Fang Tipin

Inventor before: Zhang Kai

Inventor before: Wang Fan

Inventor before: Han Zhongyi

Inventor before: Fang Tipin