CN114528976B - 一种等变网络训练方法、装置、电子设备及存储介质 - Google Patents
一种等变网络训练方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114528976B CN114528976B CN202210080806.0A CN202210080806A CN114528976B CN 114528976 B CN114528976 B CN 114528976B CN 202210080806 A CN202210080806 A CN 202210080806A CN 114528976 B CN114528976 B CN 114528976B
- Authority
- CN
- China
- Prior art keywords
- equal
- network
- loss
- image
- feature map
- 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
Links
Images
Classifications
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种等变网络训练方法、装置、电子设备及存储介质,方法包括:针对图像集中的每一图像,对图像进行目标群变换,将变换后的图像和图像输入等变网络进行学习,获取等变网络的输出损失;获取等变网络对图像学习的第一特征图和对变换后的图像学习的第二特征图,根据第一特征图和第二特征图确定等变损失;利用输出损失和等变损失对等变网络的参数进行优化。在不需要改变网络结构的基础上,通过在常规深度网络结构的损失函数中引入等变损失,并通过使用原始图像和经过目标群变换的图像输入网络,来引导网络学习目标变换群上的等变性,从而获得目标变换群的等变网络,避免了为特定的变换群人工设计对应的等变网络。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种等变网络训练方法、装置、电子设备及存储介质。
背景技术
通常,图像中可视对象的旋转、缩放等变换,会改变可视对象的外观,这样就会给神经网络带来很大的学***移解耦能力,不管对象在输入中的位置如何,都能够学习到基本特征。为了进一步提高网络的解耦能力,有人提出了群等变理论和旋转群等变网络。
现有的等变网络主要依靠人工设计,然而这种人工设计的方式只能在简单的等变群上达到等变效果,很多复杂的变换群上很难人工设计出对应的等变网络。这就限制了在更加复杂的变换群上的等变网络发挥作用,并且人工设计负担也比较大。
发明内容
本发明的目的是针对上述现有技术的不足提出的一种等变网络训练方法、装置、电子设备及存储介质,该目的是通过以下技术方案实现的。
本发明的第一方面提出了一种等变网络训练方法,所述方法包括:
针对训练图像集中的每一图像,对所述图像进行目标群变换,将变换后的图像和所述图像输入预先构建的等变网络进行学习,并获取所述等变网络的输出损失;
获取所述等变网络对所述图像学习的第一特征图和对所述变换后的图像学习的第二特征图,并根据所述第一特征图和所述第二特征图确定等变损失;
在所述等变网络不满足收敛条件时,利用所述输出损失和所述等变损失对所述等变网络的参数进行优化。
在本申请的一些实施例中,所述根据所述第一特征图和所述第二特征图确定等变损失,包括:
对所述第一特征图进行目标群变换;利用变换后的第一特征图和所述第二特征图确定等变损失。
在本申请的一些实施例中,所述利用变换后的第一特征图和所述第二特征图确定等变损失,包括:
将变换后的第一特征图与所述第二特征图之间的等变度量误差确定为等变损失。
在本申请的一些实施例中,所述利用所述输出损失和所述等变损失对所述等变网络的参数进行优化,包括:
利用所述输出损失和所述等变损失确定总体损失;根据所述总体损失对所述等变网络的参数进行优化。
在本申请的一些实施例中,所述总体损失的计算公式如下:
Loss=CLS+λ*MSE
其中,CLS为输出损失,λ为等变损失的权重,MSE为等变损失。
在本申请的一些实施例中,所述获取所述等变网络的输出损失,包括:
当所述等变网络的任务为分类任务时,获取所述等变网络学习到的分类结果;利用所述分类结果和所述图像的分类标签计算输出损失。
在本申请的一些实施例中,所述目标群为旋转群、缩放群、平移群、剪切群中的任意一种。
本发明的第二方面提出了一种等变网络训练装置,所述装置包括:
学习模块,用于针对训练图像集中的每一图像,对所述图像进行目标群变换,将变换后的图像和所述图像输入预先构建的等变网络进行学习;
损失获取模块,用于获取所述等变网络的输出损失,并获取所述等变网络对所述图像学习的第一特征图和对所述变换后的图像学习的第二特征图,并根据所述第一特征图和所述第二特征图确定等变损失;
参数优化模块,用于在所述等变网络不满足收敛条件时,利用所述输出损失和所述等变损失对所述等变网络的参数进行优化。
本发明的第三方面提出了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述第一方面所述方法的步骤。
本发明的第四方面提出了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述第一方面所述方法的步骤。
基于上述第一方面和第二方面所述的等变网络训练方法及装置,本发明至少具有如下有益效果或优点:
在不需要改变网络结构的基础上,通过在常规深度网络结构的损失函数中引入等变损失,并通过使用原始图像和经过目标群变换的图像输入网络,来引导网络自动学习目标变换群上的等变性,从而获得目标变换群的等变网络,避免了为特定的变换群人工设计对应的等变网络。并且通过使用不同的目标群进行变换可以获得任意变换群上的等变网络。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明根据一示例性实施例示出的一种等变网络训练方法的实施例流程图;
图2为本发明根据图1所示实施例示出的一种等变网络的构建流程示意图;
图3为本发明根据图1所示实施例示出的一种等变网络的训练流程示意图;
图4为本发明根据一示例性实施例示出的一种等变网络训练装置的结构示意图;
图5为本发明根据一示例性实施例示出的一种电子设备的硬件结构示意图图;
图6为本发明根据一示例性实施例示出的一种存储介质的结构示意图。
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。
在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”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。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明可能采用术语第一、第二、第三等来描述各种信息,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。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。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
为了降低等变网络设计复杂度,本申请提出一种等变网络训练方法,即针对训练图像集中的每一图像,对该图像进行目标群变换,将变换后的图像和该图像输入预先构建的等变网络进行学习,并获取等变网络的输出损失,同时获取等变网络输出的针对该图像的第一特征图和针对变换后的图像的第二特征图,并根据第一特征图和第二特征图确定等变损失,从而在等变网络不满足收敛条件时,利用输出损失和等变损失对等变网络的参数进行优化。
基于上述描述可达到的技术效果有:
在不需要改变网络结构的基础上,通过在常规深度网络结构的损失函数中引入等变损失,并通过使用原始图像和经过目标群变换的图像输入网络,来引导网络自动学习目标变换群上的等变性,从而获得目标变换群的等变网络,避免了为特定的变换群人工设计对应的等变网络。并且通过使用不同的目标群进行变换可以获得任意变换群上的等变网络。
为了使本领域技术人员更好的理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
实施例一:
图1为本发明根据一示例性实施例示出的一种等变网络训练方法的实施例流程图,如图1所示,该等变网络训练方法包括如下步骤:
步骤101:针对训练图像集中的每一图像,对该图像进行目标群变换,将变换后的图像和该图像输入预先构建的等变网络进行学习。
在执行步骤101之前,需要预先构建等变网络,在一种可能的实现方式中,可以通过构造一个深度卷积网络H。
其中,深度卷积网络可以使用常规卷积层组成,也可以使用等变卷积层组成,本申请对此不进行具体限定,为了降低网络构建复杂度,可以使用常规卷积层构建等变网络。
需要补充说明的是,在输入网络之前,对图像进行的目标群变换可以是旋转群变换、缩放群变换、平移群变换、剪切群变换中的任意一种。也就是说,目标群变换类型与网络训练目标对应,如果网络训练目标为获得旋转群等变网络,那么目标群变换为旋转群变换,如果网络训练目标为获得缩放群等变网络,那么目标群变换为缩放群变换。
本领域技术人员可以理解的是,对图像进行的目标群变换可以采用相关技术实现,本申请对此不进行具体限定。
步骤102:获取等变网络的输出损失,并获取等变网络对该图像学习的第一特征图和对变换后的图像学习的第二特征图。
其中,等变网络的输出损失属于等变网络输出的预测结果与图像的真实结果之间的误差。具体地,预测结果为根据第一特征图获得的识别结果。
在一种可能的实现方式中,在等变网络的任务为分类任务时,获取等变网络学习到的分类结果,并利用分类结果和图像的分类标签计算输出损失。
本领域技术人员可以理解的是,上述给出的分类任务描述仅为一种示例性说明,本申请对等变网络的任务类型不进行具体限定,例如在等变网络的任务为目标检测任务时,等变网络学习到的预测结果为目标检测结果,从而输出损失为目标检测结果与图像的标注标签之间的误差。
步骤103:根据第一特征图和第二特征图确定等变损失。
其中,等变损失用来反映原始图像经过网络之后与经过目标群变换后的图像经过网络之后,二者之间的差异程度。
在一种可能的实现方式中,通过对第一特征图进行目标群变换,并利用变换后的第一特征图和所述第二特征图确定等变损失。
其中,对第一特征图的目标群变换与对图像的目标群变换相同。
在具体实施时,可以将将变换后的第一特征图与所述第二特征图之间的等变度量误差确定为等变损失。
其中,等变度量误差的具体函数形式为:
MSE([H[Lrf]](x,θ),[Lr[Hf]](x,θ))
其中,[H[Lrf]](x,θ)表示第二特征图,[Lr[Hf]](x,θ)表示目标群变换后的第一特征图,具体地,H为等变网络,Lr为目标群变换操作,f为输入图像,x为空间维度,θ为变换所对应的维度。
步骤104:在等变网络不满足收敛条件时,利用输出损失和等变损失对等变网络的参数进行优化。
在一种可能的实现方式中,通过利用输出损失和等变损失确定总体损失,并根据总体损失对等变网络的参数进行优化。
具体地,总体损失的计算公式如下:
Loss=CLS+λ*MSE
其中,CLS为输出损失,λ为等变损失的权重,属于预先设置好的超参数,MSE为等变损失。
需要补充说明的是,等变网络的收敛条件可以是由多种指标条件组成,例如网络的精确率高于一定数值、召回率高于一定数值、以及损失高于一定数值等指标条件。
至此,完成上述图1所示的训练流程,在不需要改变网络结构的基础上,通过在常规深度网络结构的损失函数中引入等变损失,并通过使用原始图像和经过目标群变换的图像输入网络,来引导网络自动学习目标变换群上的等变性,从而获得目标变换群的等变网络,避免了为特定的变换群人工设计对应的等变网络。并且通过使用不同的目标群进行变换可以获得任意变换群上的等变网络。
实施例二:
图2为本发明根据图1所示实施例示出的一种等变网络的构建流程示意图,图3为本发明根据图1所示实施例示出的一种等变网络的训练流程示意图,下面结合图2和图3所示,对等变网络的训练过程进行详细介绍:
首先,如图2所示,构建由等变卷积层组成的等变网络,并将等变卷积层替换为经过高斯调制的等变卷积层。
其中,在实践中,无论是图像还是网络中的卷积核,都是定义在离散的空间中或者经过离散采样的,因此现有的等变网络都是在离散群上等变,例如对于平移群变换只能平移采样间隔的整数倍,卷积步长决定了网络只能在相同步长的离散群上具有等变性,本实施例通过采用高斯采样函数调制等变卷积层,使网络能够客服离散采样的限制,获得在连续变换群上的等变性。
在具体实施时,通过利用高斯采样函数对等变卷积层中部署的卷积核进行调制,以使等变卷积层利用调制后的卷积核对输入特征进行等变卷积操作。
在一种可能的实现方式中,对卷积核的具体调制过程为,使用高斯采样函数与等变卷积层使用的卷积核进行等变卷积操作,以获得调制后的卷积核。
其中,调制公式如下:
其中,σ为方差,T表示转置符号。
其次,如图3所示,构造等变网络的损失函数Loss,对原始图像f(x)进行目标群变换,并将原始图像f(x)和经过变换后的图像[Lrf](x)同时输入构建好的等变网络,并使用构造的损失函数对等变网络中参数进行优化,直至收敛。
针对使用损失函数对等变网络中参数进行优化的过程,获取等变网络对原始图像f(x)学习的第一特征图[Hf](x,θ),对变换后的图像[Lrf](x)学习的第二特征图[H[Lrf]](x,θ),根据第一特征图[Hf](x,θ)的预测结果获取输出损失CLS,对第一特征图[Hf](x,θ)进行目标群变换,得到变换后的第一特征图[Lr[Hf]](x,θ),然后将获取的这些参数代入图3中给出的Loss损失函数计算得到总体损失Loss,并根据总体损失Loss对等变网络的参数进行优化。
其中,损失函数Loss=CLS+λ*MSE([H[Lrf]](x,θ),[Lr[Hf]](x,θ)),λ为等变损失的权重,属于预先设置好的超参数。
由此可见,在不需要改变网络结构的基础上,通过在网络的损失函数中引入等变损失,并通过使用原始图像和经过目标群变换的图像输入网络,来引导网络自动学习目标变换群上的等变性,从而获得目标变换群的等变网络,避免了为特定的变换群人工设计对应的等变网络。并且通过使用不同的目标群进行变换可以获得任意变换群上的等变网络。
与前述等变网络训练方法的实施例相对应,本发明还提供了等变网络训练装置的实施例。
图4为本发明根据一示例性实施例示出的一种等变网络训练装置的结构示意图,该装置用于执行上述任一实施例提供的等变网络训练方法,如图4所示,该等变网络训练装置包括:
学习模块410,用于针对训练图像集中的每一图像,对所述图像进行目标群变换,将变换后的图像和所述图像输入预先构建的等变网络进行学习;
损失获取模块420,用于获取所述等变网络的输出损失,并获取所述等变网络对所述图像学习的第一特征图和对所述变换后的图像学习的第二特征图,并根据所述第一特征图和所述第二特征图确定等变损失;
参数优化模块430,用于在所述等变网络不满足收敛条件时,利用所述输出损失和所述等变损失对所述等变网络的参数进行优化。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本发明实施方式还提供一种与前述实施方式所提供的等变网络训练方法对应的电子设备,以执行上述等变网络训练方法。
图5为本发明根据一示例性实施例示出的一种电子设备的硬件结构图,该电子设备包括:通信接口601、处理器602、存储器603和总线604;其中,通信接口601、处理器602和存储器603通过总线604完成相互间的通信。处理器602通过读取并执行存储器603中与等变网络训练方法的控制逻辑对应的机器可执行指令,可执行上文描述的等变网络训练方法,该方法的具体内容参见上述实施例,此处不再累述。
本发明中提到的存储器603可以是任何电子、磁性、光学或其它物理存储装置,可以包含存储信息,如可执行指令、数据等等。具体地,存储器603可以是RAM(Random AccessMemory,随机存取存储器)、闪存、存储驱动器(如硬盘驱动器)、任何类型的存储盘(如光盘、DVD等),或者类似的存储介质,或者它们的组合。通过至少一个通信接口601(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接,可以使用互联网、广域网、本地网、城域网等。
总线604可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中,存储器603用于存储程序,所述处理器602在接收到执行指令后,执行所述程序。
处理器602可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器602中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器602可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。
本申请实施例提供的电子设备与本申请实施例提供的等变网络训练方法出于相同的发明构思,具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的等变网络训练方法对应的计算机可读存储介质,请参考图6所示,其示出的计算机可读存储介质为光盘30,其上存储有计算机程序(即程序产品),所述计算机程序在被处理器运行时,会执行前述任意实施方式所提供的等变网络训练方法。
需要说明的是,所述计算机可读存储介质的例子还可以包括,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)、快闪记忆体或其他光学、磁性存储介质,在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的等变网络训练方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
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。本发明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。
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。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (8)
1.一种等变网络训练方法,其特征在于,所述方法包括:
针对训练图像集中的每一图像,对所述图像进行目标群变换得到变换后图像,将所述变换后图像和所述图像输入预先构建的等变网络进行学习并输出针对所述图像的预测结果,并根据所述预测结果和为所述图像标注的标签获取所述等变网络的输出损失;
获取所述等变网络对所述图像学习的第一特征图和对所述变换后图像学习的第二特征图,并对所述第一特征图进行目标群变换得到变换后第一特征图,利用所述变换后第一特征图和所述第二特征图确定等变损失;
在所述等变网络不满足收敛条件时,利用所述输出损失和所述等变损失确定总体损失,并根据所述总体损失对所述等变网络的参数进行优化。
2.根据权利要求1所述的方法,其特征在于,所述利用所述变换后第一特征图和所述第二特征图确定等变损失,包括:
将变换后的第一特征图与所述第二特征图之间的等变度量误差确定为等变损失。
3.根据权利要求1所述的方法,其特征在于,所述总体损失的计算公式如下:
Loss=CLS+λ*MSE
其中,CLS为输出损失,λ为等变损失的权重,MSE为等变损失。
4.根据权利要求1所述的方法,其特征在于,当所述等变网络的任务为分类任务时,所述图像的预测结果为分类结果;
所述根据所述预测结果和为所述图像标注的标签获取所述等变网络的输出损失,包括:
利用所述分类结果和所述图像的分类标签计算输出损失。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述目标群为旋转群、缩放群、平移群、剪切群中的任意一种。
6.一种等变网络训练装置,其特征在于,所述装置包括:
学习模块,用于针对训练图像集中的每一图像,对所述图像进行目标群变换得到变换后图像,将所述变换后图像和所述图像输入预先构建的等变网络进行学习并输出针对所述图像的预测结果;
损失获取模块,用于根据所述预测结果和为所述图像标注的标签获取所述等变网络的输出损失,并获取所述等变网络对所述图像学习的第一特征图和对所述变换后图像学习的第二特征图,并对所述第一特征图进行目标群变换得到变换后第一特征图,利用所述变换后第一特征图和所述第二特征图确定等变损失;
参数优化模块,用于在所述等变网络不满足收敛条件时,利用所述输出损失和所述等变损失确定总体损失,并根据所述总体损失对所述等变网络的参数进行优化。
7.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-5任一项所述方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210080806.0A CN114528976B (zh) | 2022-01-24 | 2022-01-24 | 一种等变网络训练方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210080806.0A CN114528976B (zh) | 2022-01-24 | 2022-01-24 | 一种等变网络训练方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114528976A CN114528976A (zh) | 2022-05-24 |
CN114528976B true CN114528976B (zh) | 2023-01-03 |
Family
ID=81620755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210080806.0A Active CN114528976B (zh) | 2022-01-24 | 2022-01-24 | 一种等变网络训练方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114528976B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115879004A (zh) * | 2022-12-21 | 2023-03-31 | 北京百度网讯科技有限公司 | 目标模型的训练方法、装置、电子设备、介质和程序产品 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184734A (zh) * | 2020-09-30 | 2021-01-05 | 南京景瑞康分子医药科技有限公司 | 一种基于红外图像和穿戴式光纤的动物长时间姿态识别*** |
CN112560349A (zh) * | 2020-12-21 | 2021-03-26 | 上海云瀚科技股份有限公司 | 基于GCNs的水务分区计量故障流量仪的缺失值填充方法 |
CN113033677A (zh) * | 2021-03-30 | 2021-06-25 | 北京有竹居网络技术有限公司 | 视频分类方法、装置、电子设备和存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019246397A1 (en) * | 2018-06-21 | 2019-12-26 | The University Of Chicago | A fully fourier space spherical convolutional neural network based on clebsch-gordan transforms |
US10671891B2 (en) * | 2018-07-19 | 2020-06-02 | International Business Machines Corporation | Reducing computational costs of deep reinforcement learning by gated convolutional neural network |
CN109191515B (zh) * | 2018-07-25 | 2021-06-01 | 北京市商汤科技开发有限公司 | 一种图像视差估计方法及装置、存储介质 |
US20210248467A1 (en) * | 2020-02-06 | 2021-08-12 | Qualcomm Incorporated | Data and compute efficient equivariant convolutional networks |
CN111915480B (zh) * | 2020-07-16 | 2023-05-23 | 抖音视界有限公司 | 生成特征提取网络的方法、装置、设备和计算机可读介质 |
CN112270648A (zh) * | 2020-09-24 | 2021-01-26 | 清华大学 | 基于循环对抗网络的无监督图像变换方法及装置 |
-
2022
- 2022-01-24 CN CN202210080806.0A patent/CN114528976B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184734A (zh) * | 2020-09-30 | 2021-01-05 | 南京景瑞康分子医药科技有限公司 | 一种基于红外图像和穿戴式光纤的动物长时间姿态识别*** |
CN112560349A (zh) * | 2020-12-21 | 2021-03-26 | 上海云瀚科技股份有限公司 | 基于GCNs的水务分区计量故障流量仪的缺失值填充方法 |
CN113033677A (zh) * | 2021-03-30 | 2021-06-25 | 北京有竹居网络技术有限公司 | 视频分类方法、装置、电子设备和存储介质 |
Non-Patent Citations (5)
Title |
---|
"Group equivariant generative adversarial networks";Neel Dey 等;《ICLR》;20210330;全文 * |
"ReDet: a rotation-equivariant detector for aerial object detection";Jiaming Han 等;《CVPR》;20211231;全文 * |
"一种基于群等变卷积的度量元学习算法";吴鹏翔 等;《计算机工程》;20210303;全文 * |
"卷积神经网络旋转不变性的研究与应用";张舒雨;《中国优秀硕士学位论文全文数据库 信息科技辑》;20220115;全文 * |
"基于放缩与旋转的复合等变性卷积神经网络研究";曹张哲;《中国优秀硕士学位论文全文数据库 信息科技辑》;20220115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114528976A (zh) | 2022-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112634209A (zh) | 一种产品缺陷检测方法和装置 | |
CN113657202B (zh) | 构件识别方法、构建训练集方法、装置、设备及存储介质 | |
CN114528976B (zh) | 一种等变网络训练方法、装置、电子设备及存储介质 | |
CN114463556B (zh) | 等变网络训练方法和装置、图像识别方法和装置 | |
CN116363037B (zh) | 一种多模态图像融合方法、装置及设备 | |
CN115862030B (zh) | 清除图像中文本的算法模型及其构建方法、装置及应用 | |
CN113724128A (zh) | 一种训练样本的扩充方法 | |
CN114330588A (zh) | 一种图片分类方法、图片分类模型训练方法及相关装置 | |
CN113284122B (zh) | 基于深度学习的卷纸包装缺陷检测方法、装置及存储介质 | |
CN116805387B (zh) | 基于知识蒸馏的模型训练方法、质检方法和相关设备 | |
CN111914949B (zh) | 基于强化学习的零样本学习模型的训练方法及装置 | |
CN112597997A (zh) | 感兴趣区域确定方法、图像内容识别方法及装置 | |
CN110751061B (zh) | 基于sar网络的sar图像识别方法、装置、设备和存储介质 | |
CN115861736B (zh) | 基于知识蒸馏的高速瓦楞纸箱印刷缺陷检测方法、***及存储介质 | |
CN113469064B (zh) | 复杂环境下的玉米叶病害图像的识别方法及*** | |
CN114528977B (zh) | 一种等变网络训练方法、装置、电子设备及存储介质 | |
CN115222691A (zh) | 图像缺陷检测方法、***及相关装置 | |
CN114707600A (zh) | 一种基于生成模型的异常检测方法及*** | |
Tan et al. | Unsupervised anomaly detection and localization with one model for all category | |
CN112712123A (zh) | 匹配筛选方法、装置、电子设备和计算机可读存储介质 | |
CN113436199B (zh) | 半监督视频目标分割方法及装置 | |
CN116777902A (zh) | 工业缺陷检测场景的缺陷目标检测模型的构建方法及应用 | |
CN114067370B (zh) | 一种脖子遮挡检测方法、装置、电子设备及存储介质 | |
CN116665064B (zh) | 基于生成蒸馏与特征扰动的城市变化图生成方法及其应用 | |
CN118247290B (zh) | 语义-空间融合Transformer的3D全景分割模型的构建方法及应用 |
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 |