CN114357221A - 一种基于图像分类的自监督主动学习方法 - Google Patents

一种基于图像分类的自监督主动学习方法 Download PDF

Info

Publication number
CN114357221A
CN114357221A CN202210250277.4A CN202210250277A CN114357221A CN 114357221 A CN114357221 A CN 114357221A CN 202210250277 A CN202210250277 A CN 202210250277A CN 114357221 A CN114357221 A CN 114357221A
Authority
CN
China
Prior art keywords
sample
samples
distance
supervision
self
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
CN202210250277.4A
Other languages
English (en)
Other versions
CN114357221B (zh
Inventor
黄圣君
罗世发
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 CN202210250277.4A priority Critical patent/CN114357221B/zh
Publication of CN114357221A publication Critical patent/CN114357221A/zh
Application granted granted Critical
Publication of CN114357221B publication Critical patent/CN114357221B/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
    • 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
    • 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
    • G06F16/53—Querying
    • 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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像分类的自监督主动学习方法，其包括步骤：获取图像数据集；设置迭代次数以及阈值；自监督网络对数据进行预训练处理，得到特征映射；每轮迭代都根据特征映射中样本到已知类别簇中心的距离对候选未标注样本进行评估；向人工专家查询合适的样本；人工专家对请求查询的样本标注后加入已标注池，更新评估函数与簇中心；样本输入分类器训练优化模型，记录准确率，直到模型达到预期的性能或者查询样本超过设定的上限停止迭代。本发明充分利用自监督网络学习到样本的特征映射来构建主动学习指标，指导主动学习策略进行样本挑选，从而节约标注代价。

Description

一种基于图像分类的自监督主动学习方法
技术领域
本发明属于数字图像自动标注技术领域，尤其涉及一种基于图像分类的自监督主动学习方法。
背景技术
传统的主动学习框架中，以图像分类任务为例，模型通过查询函数选择未标注样本让专家标注，然后扩充标记数据集，用更新后的标记数据迭代优化自身的分类器，从而选择最有价值的样本来降低标注代价。显然，这一过程中用于挑选样本的模型与用于下游分类任务的模型是同一个。这样的框架存在一定的局限性：首先，由于样本筛选与下游任务由同一个模型承担，那么样本查询策略也会受到分类器模型本身的制约，查询策略作为主动学习算法的核心部分，可以考虑引入一个新的模块来实现样本挑选功能，从而达到比原来挑选到模型更需要的样本；其次主动学习算法只查询了部分无标注样本去标记，而其余的无标注样本的无监督信息容易被忽视。
发明内容
发明目的：本发明的目的在于针对现有技术的不足，减少真实任务中目标数据中所含有的冗余性，本发明提出一种基于图像分类的自监督主动学习方法，以进一步减少实验中的样本标注代价。
技术方案：本发明的基于图像分类的自监督主动学习方法，包括以下步骤：
步骤1、获取少量有标注图像以及大量未标注图像；
步骤2、设置迭代次数t和阈值Q；
步骤3、自监督网络对数据进行预训练处理，得到所有样本的特征映射；
步骤4、每一轮迭代过程，都使用查询策略
Figure 736508DEST_PATH_IMAGE001
对候选未标注样本进行评估，根据评估 结果，向人工专家查询样本；
步骤5、人工专家对请求查询的未标注样本进行标注，标注后的样本合并到已标注池，更新评估函数与已标注样本的类别簇中心；
步骤6、每次挑选样本后送入分类器
Figure 388069DEST_PATH_IMAGE002
训练优化模型，记录准确率；
步骤7、返回步骤4，直到模型达到预期的性能或者查询样本超过设定的上限停止迭代；
步骤8、使用分类器
Figure 698964DEST_PATH_IMAGE002
进行对图像类别预测任务。
进一步地，步骤3中得到样本特征映射的方法为：
步骤2.1：对于原始图像集中的每一张图像，分别进行两种随机数据增强，生成两 张图像，数据增强后的图像向量
Figure 15545DEST_PATH_IMAGE003
分别都输入到自监督对比学习网络中，使用的神经网络 编码器
Figure 361076DEST_PATH_IMAGE004
是
Figure 590063DEST_PATH_IMAGE005
网络，具体过程表示为：
Figure 591517DEST_PATH_IMAGE006
其中，
Figure 321576DEST_PATH_IMAGE003
是经过数据增强后的特征向量，
Figure 413291DEST_PATH_IMAGE007
是编码器的输出；
步骤2.2：使用余弦相似度来衡量两张图片的相似度：
Figure 937813DEST_PATH_IMAGE008
A，B分别表示经过数据增强生成的两张图片对应的向量；
步骤2.3：一对相似的样本之间的损失函数被设置为：
Figure 426563DEST_PATH_IMAGE009
其中
Figure 570100DEST_PATH_IMAGE010
在
Figure 890222DEST_PATH_IMAGE011
时为1，若
Figure 975859DEST_PATH_IMAGE012
则为0，
Figure 951905DEST_PATH_IMAGE013
是可调节的温度参数，
Figure 758187DEST_PATH_IMAGE014
是余弦相似度函数，zi,zj是原始图像在两种数据增强后经过编码器后输出的新的向量表 示；N是一个batch的图像数目，经过数据增强后产生2N张图像，
Figure 73762DEST_PATH_IMAGE015
是在2N张图像中除
Figure 940087DEST_PATH_IMAGE016
外的其它所有图像；
步骤2.4：假设一共有N个样本，分别经过增强后得到2N个样本，那么最终的损失函数为
Figure 403429DEST_PATH_IMAGE017
；
其中，
Figure 654149DEST_PATH_IMAGE018
是使用步骤2.3中的损失函数来计算第
Figure 948864DEST_PATH_IMAGE019
张图像与第 2k张图像之间的样本相似度损失，
Figure 127036DEST_PATH_IMAGE020
是调换两张图像顺序后重新计算的损 失，最后在所有图像损失计算完毕后求取平均值；
步骤2.5：自监督网络训练收敛后，对每个样本输出一个n维特征向量
Figure 812095DEST_PATH_IMAGE021
，以供主动学习算法评估未标注样本的价值。
进一步地，步骤4中查询策略L的方法为：
对两个样本
Figure 491338DEST_PATH_IMAGE022
以及
Figure 499614DEST_PATH_IMAGE023
计算距 离：
Figure 176583DEST_PATH_IMAGE024
根据少量已知类别的样本，计算每一个类别的簇中心，若总共k类，则k个类别簇中 心表示为
Figure 145676DEST_PATH_IMAGE025
，对于某个无标记样本，计算它到各个类别簇的距离，比较并 得到距离最短的距离
Figure 972818DEST_PATH_IMAGE026
，其中i表示某个具体的类别，
Figure 242125DEST_PATH_IMAGE027
表示第 j个样本到第i类簇中心的距离；该样本 j被分到距离最近的这一类中，记录该样本 到簇中心的距离，距离越远则模型对该样本的置信度越小；当所有未标注样本都计算出距 离后，计算其中距离最远的前k项，距离越远，则表示模型对这一样本分配正确的可能性越 低，这一批样本应被选择标注。
进一步地，步骤5中更新评估函数的方法为：专家标注了已挑选样本后，初始划分的类别中将增添新的样本，重新计算当前的类别簇中心，并再次比较新的未标注样本到新的簇中心距离，选取低置信度的样本来标注；在该过程中，每轮专家新标注样本后，标记池以及无标记样本池都会随之更新，即：
Figure 512832DEST_PATH_IMAGE028
，
其中，
Figure 172484DEST_PATH_IMAGE029
是有标注样本池，
Figure 459108DEST_PATH_IMAGE030
是无标注样本池，
Figure 317343DEST_PATH_IMAGE031
为经过专家查询并标注的那一 批样本。
有益效果：与现有技术相比，本发明具有如下显著优点：本发明提出了一种基于图像分类的自监督主动学习方法，传统的主动学习在处理图像分类任务时，往往训练一个分类器，该分类器模型根据一定的查询函数，对无标注样进行评判是否需要标注，以这种方式选出合适的样本标注后再加入训练，迭代自身的分类模型，过程中分类任务与挑选样本的功能均由同一个模型完成。本发明提出了一种使用辅助模型的方法，通过引入自监督模型作为辅助模型，先用对比学习学习特征表示，在此基础上进行样本筛选，而分类任务仍由原来分类器完成，从而达到比原有模型更好的挑选效果。本发明为自监督模型训练的特征空间下设计了专门的样本评价指标，将无标注样本距离已知类别样本簇中心最近的簇，视为该样本应被分到类别，该距离作为分类可能性的评估量，选取拥有最长距离的样本进行标注，提出了迭代更新簇的方法，通过多次选取样本，选择出对模型训练最有帮助的那一批样本进行标注，希望模型能够减少对样本标注的代价。因此，本发明提出一种基于图像分类的自监督主动学习方法具有重要的现实意义，可以充分利用原有样本信息，利用少量的标注样本达到接近全部标注样本的效果。
附图说明
图1是本发明实施例中一种基于图像分类的自监督主动学习方法的流程示意图；
图2是本发明实施例中自监督网络模型的结构示意图；
图3是本发明实施例中主动学习模型结构示意图；
图4是本发明实施例中查询函数评估样本的流程示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示为本发明的流程示意图。在该方法中：一开始我们收集了少量有标注样本以及大量无标注样本，利用自监督网络来学习到所有样本的特征映射。用少量已标注样本的特征向量计算各个类别的簇中心，然后计算其它未标注样本到簇中心的距离作为模型对未标注样本的置信度的衡量。距离簇中心越远的样本，则置信度越小，越能为模型提供更大的帮助。注意到，专家每轮挑选完样本后，由于新增了已知类别的样本，那么类别簇中心也应该重新计算。在整个过程中，自监督网络收敛后模型参数不再训练，每个样本对应的特征表示也固定，每轮变化的仅是每一个种类的簇中心以及分类网络的参数，即自监督网络为主动学习挑选合适的样本，样本被标注后加入到分类网络的下游任务。自监督网络本身不需要参与下游任务，这与传统的主动学习算法利用同一个网络挑选样本并用于下游任务有着重大区别。分类网络的训练数据为一开始的少量有标注数据，加上在自监督指导下挑选给专家进行标注后得到的数据。
如图2所示为自监督网络模型的结构示意图。对比学习是自监督算法中十分有效的一类方法。本发明在自监督网络部分使用的是对比学习中的SimCLR算法。同一个图像经过数据增强后应该仍然属于同一类别，SimCLR算法在特征空间中将增强后得到的两个样本距离拉近，非同一类的样本之间的距离拉远，直到算法收敛便可以学习到各个样本的特征。该算法包括四个主要的组件：随机数据增强模块，神经网络编码器，预测头函数以及对比损失函数。自监督网络收敛后，可以输出有标注以及无标注样本的特征向量。其中有标注类别的特征向量用于计算当前各个类别的簇中心，无标注样本的特征向量计算到簇中心的距离来估计模型对该无标注样本的置信度情况。
如图3所示为本发明的主动学习模型结构示意图。在训练好的特征表示上分别计算出有标记样本的簇中心以及无标记样本的特征位置。对于每个无标记样本，以其离各个已知类别簇中最短的欧式距离作为它到该类别的距离。利用这些最短距离，将每个无标记样本类别从大到小进行排序，距离越大则表示我们最需要标注的样本。取前k个作为一个batch交给标注者进行标记，将标记后的样本从无标记池中取出并入标记池，并更新类别簇中心，反复迭代，直到挑选出足够的样本让分类模型达到收敛。
如图4所示为本发明的查询函数评估样本的流程示意图。对于两个样本
Figure 756021DEST_PATH_IMAGE032
以及
Figure 902969DEST_PATH_IMAGE033
，计算欧式距离：
Figure 462126DEST_PATH_IMAGE034
在目前已有标注样本的基础上，计算同一类样本的簇中心
Figure 315813DEST_PATH_IMAGE035
。对于某 个无标记样本，计算他到各个每个类别簇的最短距离
Figure 36644DEST_PATH_IMAGE026
，其中 i表示某个具体的类别，
Figure 670888DEST_PATH_IMAGE027
表示第 j个样本到第i类簇中心的距离；该样本 j被分到距 离最近的这一类中，记录该样本到簇中心的距离，距离越远则模型对该样本的置信度越小； 当所有未标注样本都计算出距离后，计算其中距离最远的前k项，距离越远，则表示模型对 这一样本分配正确的可能性越低，这一批样本应被选择标注。
每一次筛选的k值不能过大，否则容易挑选到冗余样本，一开始模型性能未稳定，k值应该较小，待模型逐渐收敛，可以适当增大每轮挑选的样本数目，并进行多次查询标注。标注以后，新的簇中心被重新计算，并再次选取新的样本来标注，有标记以及无标记样本池也会随之更新，即
Figure 892790DEST_PATH_IMAGE028
，
其中，
Figure 991196DEST_PATH_IMAGE029
是有标注样本池，
Figure 758295DEST_PATH_IMAGE030
是无标注样本池，
Figure 879835DEST_PATH_IMAGE031
为经过专家查询并标注的那一 批样本。
实施例在CIFAR10与CIFAR100上对提出的自监督主动采样算法进行了验证。分别使用50000张图片作为训练集以及10000张图片作为测试集。对比方法采用（1）监督学习方法，使用全部标记数据；（2）随机采样50%的标记数据；（3）基于熵的不确定采样方法采样50%数据；（4）本发明提出的自监督主动学习方法采样50%的数据。使用全部样本标注在CIFAR10与CIFAR100的准确率为0.931和0.684，而本发明方法的准确率为0.927和0.681，且高于对比方法二和方法三。充分表明本发明能够在CIFAR数据集上节约50%的标注数据。

Claims (4)

1.一种基于图像分类的自监督主动学习方法，其特征在于，包括以下步骤：
步骤1、获取少量有标注图像以及大量未标注图像；
步骤2、设置迭代次数t和阈值Q；
步骤3、自监督网络对数据进行预训练处理，得到所有样本的特征映射；
步骤4、每一轮迭代过程，都使用查询策略
Figure 426704DEST_PATH_IMAGE001
对候选未标注样本进行评估，根据评估结 果，向人工专家查询样本；
步骤5、人工专家对请求查询的未标注样本进行标注，标注后的样本合并到已标注池，更新评估函数与已标注样本的类别簇中心；
步骤6、每次挑选样本后送入分类器
Figure 652411DEST_PATH_IMAGE002
训练优化模型，记录准确率；
步骤7、返回步骤4，直到模型达到预期的性能或者查询样本超过设定的上限停止迭代；
步骤8、使用分类器
Figure 260110DEST_PATH_IMAGE002
进行对图像类别预测任务。
2.根据权利要求1所述的基于图像分类的自监督主动学习方法，其特征在于，步骤3中得到样本特征映射的方法为：
步骤2.1：对于原始图像集中的每一张图像，分别进行两种随机数据增强，生成两张图 像，数据增强后的图像向量
Figure 577959DEST_PATH_IMAGE003
分别都输入到自监督对比学习网络中，使用的神经网络编码 器
Figure 421150DEST_PATH_IMAGE004
是
Figure 875265DEST_PATH_IMAGE005
网络，具体过程表示为：
Figure 44078DEST_PATH_IMAGE006
其中，
Figure 583644DEST_PATH_IMAGE003
是经过数据增强后的特征向量，
Figure 371471DEST_PATH_IMAGE007
是编码器的输出；
步骤2.2：使用余弦相似度来衡量两张图片的相似度：
Figure 804727DEST_PATH_IMAGE008
A，B分别表示经过数据增强生成的两张图片对应的向量；
步骤2.3：一对相似的样本之间的损失函数被设置为：
Figure 19807DEST_PATH_IMAGE009
其中
Figure 46669DEST_PATH_IMAGE010
在
Figure 989918DEST_PATH_IMAGE011
时为1，若
Figure 153046DEST_PATH_IMAGE012
则为0，
Figure 663662DEST_PATH_IMAGE013
是可调节的温度参数，
Figure 443399DEST_PATH_IMAGE015
是余 弦相似度函数，zi,zj是原始图像在两种数据增强后经过编码器后输出的新的向量表示；N是 一个batch的图像数目，经过数据增强后产生2N张图像，
Figure 307450DEST_PATH_IMAGE016
是在2N张图像中除
Figure 715297DEST_PATH_IMAGE017
外的其 它所有图像；
步骤2.4：假设一共有N个样本，分别经过增强后得到2N个样本，那么最终的损失函数为
Figure 537760DEST_PATH_IMAGE018
；
其中，
Figure 273634DEST_PATH_IMAGE019
是使用步骤2.3中的损失函数来计算第
Figure 66010DEST_PATH_IMAGE020
张图像与第 2k张 图像之间的样本相似度损失，
Figure 203730DEST_PATH_IMAGE021
是调换两张图像顺序后重新计算的损失，最 后在所有图像损失计算完毕后求取平均值；
步骤2.5：自监督网络训练收敛后，对每个样本输出一个n维特征向量
Figure 197094DEST_PATH_IMAGE022
，以供主动学习算法评估未标注样本的价值。
3.根据权利要求1所述的基于图像分类的自监督主动学习方法，其特征在于，步骤4中查询策略L的方法为：
对两个样本
Figure 46364DEST_PATH_IMAGE023
以及
Figure 517796DEST_PATH_IMAGE024
计算距离：
Figure 634657DEST_PATH_IMAGE025
根据少量已知类别的样本，计算每一个类别的簇中心，若总共k类，则k个类别簇中心表 示为
Figure 798922DEST_PATH_IMAGE026
，对于某个无标记样本，计算它到各个类别簇的距离，比较并得到 距离最短的距离
Figure 243810DEST_PATH_IMAGE027
，其中i表示某个具体的类别，
Figure 643567DEST_PATH_IMAGE028
表示 第 j个样本到第i类簇中心的距离；该样本 j被分到距离最近的这一类中，记录该样本到簇 中心的距离，距离越远则模型对该样本的置信度越小；当所有未标注样本都计算出距离后， 计算其中距离最远的前k项，距离越远，则表示模型对这一样本分配正确的可能性越低，这 一批样本应被选择标注。
4.根据权利要求1所述的基于图像分类的自监督主动学习方法，其特征在于，步骤5中更新评估函数的方法为：专家标注了已挑选样本后，初始划分的类别中将增添新的样本，重新计算当前的类别簇中心，并再次比较新的未标注样本到新的簇中心距离，选取低置信度的样本来标注；在该过程中，每轮专家新标注样本后，标记池以及无标记样本池都会随之更新，即：
Figure 755880DEST_PATH_IMAGE029
，
其中，
Figure 825467DEST_PATH_IMAGE030
是有标注样本池，
Figure 413443DEST_PATH_IMAGE031
是无标注样本池，
Figure 961099DEST_PATH_IMAGE032
为经过专家查询并标注的那一批样 本。
CN202210250277.4A 2022-03-15 2022-03-15 一种基于图像分类的自监督主动学习方法 Active CN114357221B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210250277.4A CN114357221B (zh) 2022-03-15 2022-03-15 一种基于图像分类的自监督主动学习方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210250277.4A CN114357221B (zh) 2022-03-15 2022-03-15 一种基于图像分类的自监督主动学习方法

Publications (2)

Publication Number Publication Date
CN114357221A true CN114357221A (zh) 2022-04-15
CN114357221B CN114357221B (zh) 2022-08-05

Family

ID=81094875

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210250277.4A Active CN114357221B (zh) 2022-03-15 2022-03-15 一种基于图像分类的自监督主动学习方法

Country Status (1)

Country Link
CN (1) CN114357221B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114863234A (zh) * 2022-04-29 2022-08-05 华侨大学 一种基于拓扑结构保持的图表示学习方法及***
CN115937616A (zh) * 2023-02-21 2023-04-07 深圳新视智科技术有限公司 图像分类模型的训练方法、***及移动终端

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113077525A (zh) * 2021-02-06 2021-07-06 西南交通大学 一种基于频域对比学习的图像分类方法
CN113837248A (zh) * 2021-09-07 2021-12-24 桂林理工大学 一种以近邻熵为查询策略的主动学习方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113077525A (zh) * 2021-02-06 2021-07-06 西南交通大学 一种基于频域对比学习的图像分类方法
CN113837248A (zh) * 2021-09-07 2021-12-24 桂林理工大学 一种以近邻熵为查询策略的主动学习方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114863234A (zh) * 2022-04-29 2022-08-05 华侨大学 一种基于拓扑结构保持的图表示学习方法及***
CN115937616A (zh) * 2023-02-21 2023-04-07 深圳新视智科技术有限公司 图像分类模型的训练方法、***及移动终端

Also Published As

Publication number Publication date
CN114357221B (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
CN109949317B (zh) 基于逐步对抗学习的半监督图像实例分割方法
CN108399428B (zh) 一种基于迹比准则的三元组损失函数设计方法
CN113326731B (zh) 一种基于动量网络指导的跨域行人重识别方法
CN111191732A (zh) 一种基于全自动学习的目标检测方法
CN114357221B (zh) 一种基于图像分类的自监督主动学习方法
CN108038492A (zh) 一种基于深度学习的感性词向量及情感分类方法
CN110647907B (zh) 利用多层分类和字典学习的多标签图像分类算法
WO2023137889A1 (zh) 基于嵌入增强和自适应的小样本图像增量分类方法及装置
CN111460824B (zh) 一种基于对抗迁移学习的无标注命名实体识别方法
CN110188827B (zh) 一种基于卷积神经网络和递归自动编码器模型的场景识别方法
CN112434628B (zh) 基于主动学习和协同表示的小样本图像分类方法
CN114998602B (zh) 基于低置信度样本对比损失的域适应学习方法及***
CN112115967A (zh) 一种基于数据保护的图像增量学习方法
CN113343974A (zh) 考虑模态间语义距离度量的多模态融合分类优化方法
CN111191033B (zh) 一种基于分类效用的开集分类方法
CN114140645B (zh) 基于改进自监督特征学习的摄影图像美学风格分类方法
WO2020135054A1 (zh) 视频推荐方法、装置、设备及存储介质
CN115292532A (zh) 基于伪标签一致性学习的遥感图像域适应检索方法
CN113076490B (zh) 一种基于混合节点图的涉案微博对象级情感分类方法
CN113095229B (zh) 一种无监督域自适应行人重识别***及方法
CN114860973A (zh) 一种面向小样本场景的深度图像检索方法
CN113920379A (zh) 一种基于知识辅助的零样本图像分类方法
CN113516156A (zh) 一种基于多源信息融合的细粒度图像分类方法
CN114120048B (zh) 图像处理方法、电子设备及计算存储介质
CN111259860B (zh) 基于数据自驱动的多阶特征动态融合手语翻译方法

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
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220415

Assignee: Nanjing Wuling Network Technology Co.,Ltd.

Assignor: Nanjing University of Aeronautics and Astronautics

Contract record no.: X2023980050435

Denomination of invention: A Self supervised Active Learning Method Based on Image Classification

Granted publication date: 20220805

License type: Common License

Record date: 20231208

EE01 Entry into force of recordation of patent licensing contract