CN115859059B - 一种模糊信息的可重复标注方法、***及装置 - Google Patents
一种模糊信息的可重复标注方法、***及装置 Download PDFInfo
- Publication number
- CN115859059B CN115859059B CN202211026598.2A CN202211026598A CN115859059B CN 115859059 B CN115859059 B CN 115859059B CN 202211026598 A CN202211026598 A CN 202211026598A CN 115859059 B CN115859059 B CN 115859059B
- Authority
- CN
- China
- Prior art keywords
- labeling
- fuzzy membership
- fuzzy
- tensor
- sample
- 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
- 238000002372 labelling Methods 0.000 title claims abstract description 140
- 238000000034 method Methods 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 24
- 238000012937 correction Methods 0.000 claims abstract description 15
- 230000010354 integration Effects 0.000 claims abstract description 4
- 238000005315 distribution function Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种模糊信息的可重复标注方法***及装置，该方法包括：获取标注任务并确定标注模式、待标注样本和标注主体；基于标注模式，标注主体对待标注样本进行标注，得到对应的模糊隶属度将多个标注主体对应的模糊隶属度进行整合，得到初始模糊隶属度张量；预估模糊隶属度分布和标注主体偏好并对初始模糊隶属度张量进行校正，得到最终模糊隶属度矩阵。该***包括：获取模块、标注模块、整合模块和校正模块。该装置包括存储器以及用于执行上述模糊信息的可重复标注方法的处理器。通过使用本发明，能够从重复的模糊信息的标注中校正模糊标注数据，降低缺失数据对标注质量的影响。本发明可广泛应用于数据信息标注领域。
Description
技术领域
本发明涉及信息标注领域，尤其涉及一种模糊信息的可重复标注方法、***及装置。
背景技术
目前，模糊信息众包标注工作一般涉及以下几个问题：1、单个样本可由多个标注人员重复标注模糊信息，样本的标注结果无法统一标准；2、同批待标注样本的涉及的标注人员众多，且存在个人标注偏好差异和标注知识差异问题，所以样本间的标注标准很难做到一致；基于以上原因，从而产生了大量的带不同偏好信息和缺失信息的异源无约束模糊信息的可重复标注数据，迫切需要一种模糊数据处理方法能从重复的模糊信息标注中校正模糊标注，同时降低模糊信息中部分数据缺失的影响。
发明内容
为了解决上述技术问题，本发明的目的是提供一种模糊信息的可重复标注方法、***及装置，能够从重复的模糊信息的标注中校正模糊标注数据，降低缺失数据对标注质量的影响。
本发明所采用的第一技术方案是：一种模糊信息的可重复标注方法，包括以下步骤：
获取标注任务并确定标注模式、待标注样本和标注主体；
基于标注模式，标注主体对待标注样本进行标注，得到对应的模糊隶属度；
将多个标注主体对应的模糊隶属度进行整合，得到初始模糊隶属度张量；
预估模糊隶属度分布和标注主体偏好并对初始模糊隶属度张量进行校正，得到最终模糊隶属度矩阵。
进一步，所述待标注样本为可重复标注样本，所述标注主体为不同偏好的标注专家，所述模糊隶属度的标注约束条件为无约束标注条件。
进一步，所述将多个标注主体对应的模糊隶属度进行整合，得到初始模糊隶属度张量这一步骤，其具体包括：
根据多个标注专家对应的模糊隶属度构建不同标注专家的模糊隶属度矩阵；
汇总所有标注专家的模糊隶属度矩阵，组成初始模糊隶属度张量。
进一步，所述预估模糊隶属度分布和标注主体偏好并对初始模糊隶属度张量进行校正，得到最终模糊隶属度矩阵这一步骤，其具体包括：
基于大数定律，预估待标注样本和模糊隶属度服从正态分布函数，得到模糊隶属度分布函数；
根据初始模糊隶属度张量获取模糊隶属度最大值和最小值；
根据模糊隶属度最大值和最小值预估标注专家的偏好系数，得到专家偏好系数预估值；
根据模糊隶属度分布函数和专家偏好系数预估值校正模糊隶属度张量，得到最终模糊隶属度矩阵。
进一步，所述模糊隶属度服从正态分布，公式表示如下：
进一步，所述根据模糊隶属度分布函数和专家偏好系数预估值校正模糊隶属度张量，得到最终模糊隶属度矩阵这一步骤，其具体包括：
根据模糊隶属度分布函数确定分布区间；
计算专家偏好系数预估值的平均值；
将专家偏好系数预估值的平均值与分布区间结合，得到校正数据；
根据校正数据校正模糊隶属度张量，得到最终模糊隶属度矩阵。
本发明所采用的第二技术方案是：一种模糊信息的可重复标注***，包括：
获取模块，用于获取标注任务并确定标注模式、待标注样本和标注主体；
标注模块，基于标注模式，标注主体对待标注样本进行标注，得到对应的模糊隶属度；
整合模块，用于将多个标注主体对应的模糊隶属度进行整合，得到初始模糊隶属度张量；
校正模块，用于预估模糊隶属度分布和标注主体偏好并对初始模糊隶属度张量进行校正，得到最终模糊隶属度矩阵。
本发明所采用的第三技术方案是：一种模糊信息的可重复标注装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述一种模糊信息的可重复标注方法。
本发明方法、***及装置的有益效果是：本发明通过设计一种模糊信息异源无约束的可重复标注方法、建立模糊隶属度标注张量，根据模糊信息标注数据估算模糊隶属度分布，以及估算不同标注主体的偏好信息，从异源无约束的可重复标签中校正模糊标签，从而达到从重复的模糊信息的标注中校正模糊标签和降低缺失数据对标注质量的影响的目标。
附图说明
图1是本发明一种模糊信息的可重复标注方法的步骤流程图；
图2是本发明一种模糊信息的可重复标注***的结构框图；
图3是本发明具体实施例应用场景中标注过程示意图。
图4是本发明具体实施例应用场景中校正过程示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参照图1、图3和图4，本发明提供了一种模糊信息的可重复标注方法，该方法包括以下步骤：
S1、获取标注任务并确定标注模式、待标注样本和标注主体；
具体地，所述待标注样本为可重复标注样本，所述标注主体为不同偏好的标注专家，所述待模糊隶属度的标注约束条件为无约束标注条件。用偏好系数ρ表示专家偏好，ρr(r＝1,2,3...R)表示第r个专家偏好，专家偏好系数越高，表明当样本与标注模式关系大时，专家标注的模糊隶属度越偏高，表明当样本与标注模式关系小时，专家标注的模糊隶属度越偏低。
标注服务需求方一般会提供一个标注标准(标注模式)给标注专家，用于标注待标注样本。
X＝{x1,x2,...,xn}为待标注样本的集合，样本xj表示X中的第j个样本，表示样本xj(j＝1,2,...,n)关于标注模式/>的模糊隶属度。如果/>则称样本xj关于标注模式/>的模糊隶属度/>满足强约束(对应的标注约束条件称为强约束标注条件)，否则称满足弱约束(对应的标注约束条件称为弱约束标注条件)。如果模糊隶属度/>无需满足强约束或弱约束，则称其满足无约束(对应的标注约束条件为无约束标注条件)。
当第r个专家标注部分样本后，样本xj(j＝1,2,...,n)关于标注模式的模糊隶属度/>构成了下式的模糊隶属度矩阵/>其中/>表示第r个专家标注的样本xj关于标注模式/>的模糊隶属度/>包含了第r个专家偏好系数ρr和标注模式/>的信息。
汇总R个专家的模糊隶属度矩阵组成c×n×R维的初始模糊隶属度张量/>
S2、基于标注模式，标注主体对待标注样本进行标注，得到对应的模糊隶属度；
S3、将多个标注主体对应的模糊隶属度进行整合，得到初始模糊隶属度张量；
S3.1、根据多个标注专家对应的模糊隶属度构建不同标注专家的模糊隶属度矩阵；
S3.2、汇总所有标注专家的模糊隶属度矩阵，组成初始模糊隶属度张量。
具体地，在标注阶段，第r个专家凭借经验判断样本xj与标注模式的关系，标注样本xj关于标注模式/>的模糊隶属度/>第r个专家标注的样本xj关于标注模式 的模糊隶属度可组成向量第r个专家标注部分样本后，可组成第r个专家标注的模糊隶属度矩阵/>
汇总R个专家的模糊隶属度矩阵组成初始模糊隶属度张量/>
S4、预估模糊隶属度分布和标注主体偏好并对初始模糊隶属度张量进行校正，得到最终模糊隶属度矩阵。
经过初始模糊隶属度张量标注过程得到的R个专家的模糊隶属度矩阵存在两种类型的缺失值：第一种缺失值由专家未标注的样本产生，样本关于所有标注模式的模糊隶属度为缺失值；第二种缺失值由人为因素或硬件损耗产生，样本关于部分标注模式的模糊隶属度为缺失值。称第一种缺失值为完全缺失值，第二种缺失值为部分缺失值。下式展示了样本x2的模糊隶属度为完全缺失值，且样本xj关于标注模式/>的模糊隶属度为部分缺失值时，/>的情况，NA为缺失值：
模糊隶属度校正流程分三个阶段：阶段一预估各样本的模糊隶属度分布；阶段二预估专家偏好；阶段三利用模糊隶属度分布和专家偏好预估值校正模糊隶属度。
S4.1、基于大数定律，预估待标注样本和模糊隶属度服从正态分布函数，得到模糊隶属度分布函数；
经过初始模糊隶属度张量标注过程后的样本xj，R个专家在样本xj关于标注模式的模糊隶属度为/>基于大数定律，/>服从正态分布。样本xj关于标注模式/>的正态分布公式为
其中：
其中Rr为R个专家所标注的样本xj关于标注模式下的模糊隶属度中满足/>的数量，Rr≤R。初始模糊隶属度张量中的模糊隶属度/>服从正态分布函数因此，初始模糊隶属度张量/>服从由/>组成正态分布函数矩阵：
S4.2、根据初始模糊隶属度张量获取模糊隶属度最大值和最小值；
S4.3、根据模糊隶属度最大值和最小值预估标注专家的偏好系数，得到专家偏好系数预估值；
具体地，为第r个专家所标注的第k个样本,/>和分别为样本/>关于标注模式/>的模糊隶属度中的最大值和最小值。
K(r)为第r个专家所标注样本的数量,第r个专家的偏好ρr与模糊隶属度的最大值/>和最小值/>相关。根据下式得到第r个专家的偏好系数预估值/>c为标注模式数量。
因此,若专家均标注了样本xj，/>为标注了样本xj的H(xj)个专家中第h个专家，则样本xj下的平均专家偏好系数/>为
S4.4、根据模糊隶属度分布函数和专家偏好系数预估值校正模糊隶属度张量，得到最终模糊隶属度矩阵。
S4.4.1、根据模糊隶属度分布函数确定分布区间；
S4.4.2、计算专家偏好系数预估值的平均值；
S4.4.3、将专家偏好系数预估值的平均值与分布区间结合，得到校正数据；
S4.4.4、根据校正数据校正模糊隶属度张量，得到最终模糊隶属度矩阵。
绝大多数的模糊隶属度数值都处于模糊隶属度分布函数的3σij区间(μij-3σij,μij+3σij)内，将样本xj下的平均专家偏好系数/>结合区间(μij-3σij,μij+3σij)，设计下式的可重复的模糊隶属度的标签校正方法，得到最终模糊隶属度矩阵/>
其中θ为阈值，样本xj在中关于标注模式/>的最终模糊隶属度/>为
特别地，若R个专家在样本xj关于所有标注模式的模糊隶属度均为完全缺失值，则令若R个专家在样本xj关于模式/>的模糊隶属度均为部分缺失值，则令/>
本发明与现有的标注方法相比，能更适用于大规模模糊信息标注数据的采用、更有效处理缺失问题并解决可重复的模糊信息标签校正问题。
如图2所示，一种模糊信息的可重复标注***，包括：
获取模块，用于获取标注任务并确定标注模式、待标注样本和标注主体；
标注模块，基于标注模式，标注主体对待标注样本进行标注，得到对应的模糊隶属度；
整合模块，用于将多个标注主体对应的模糊隶属度进行整合，得到初始模糊隶属度张量；
校正模块，用于预估模糊隶属度分布和标注主体偏好并对初始模糊隶属度张量进行校正，得到最终模糊隶属度矩阵。
上述方法实施例中的内容均适用于本***实施例中，本***实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
一种模糊信息的可重复标注装置：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述一种模糊信息的可重复标注方法。
上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
一种存储介质，其中存储有处理器可执行的指令，其特征在于：所述处理器可执行的指令在由处理器执行时用于实现如上所述一种模糊信息的可重复标注方法。
上述方法实施例中的内容均适用于本存储介质实施例中，本存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (7)
1.一种模糊信息的可重复标注方法，其特征在于，包括以下步骤：
获取标注任务并确定标注模式、待标注样本和标注主体；
基于标注模式，标注主体对待标注样本进行标注，得到对应的模糊隶属度；
将多个标注主体对应的模糊隶属度进行整合，得到初始模糊隶属度张量；
预估模糊隶属度分布和标注主体偏好并对初始模糊隶属度张量进行校正，得到最终模糊隶属度矩阵；
所述预估模糊隶属度分布和标注主体偏好并对初始模糊隶属度张量进行校正，得到最终模糊隶属度矩阵这一步骤，其具体包括：
基于大数定律，预估待标注样本和模糊隶属度服从正态分布函数，得到模糊隶属度分布函数；
根据初始模糊隶属度张量获取模糊隶属度最大值和最小值；
根据模糊隶属度最大值和最小值预估标注专家的偏好系数，得到专家偏好系数预估值；
根据模糊隶属度分布函数和专家偏好系数预估值校正模糊隶属度张量，得到最终模糊隶属度矩阵；
第r个专家的偏好系数预估值的计算公式如下：
其中，c为标注模式数量，rk为第r个专家所标注的第k个样本，表示模糊隶属度最大值，/>表示模糊隶属度最小值，K(r)为第r个专家所标注样本的数量。
2.根据权利要求1所述一种模糊信息的可重复标注方法，其特征在于，所述待标注样本为可重复标注样本，所述标注主体为不同偏好的标注专家，所述模糊隶属度的标注约束条件为无约束标注条件。
3.根据权利要求2所述一种模糊信息的可重复标注方法，其特征在于，所述将多个标注主体对应的模糊隶属度进行整合，得到初始模糊隶属度张量这一步骤，其具体包括：
根据多个标注专家对应的模糊隶属度构建不同标注专家的模糊隶属度矩阵；
汇总所有标注专家的模糊隶属度矩阵，组成初始模糊隶属度张量。
4.根据权利要求3所述一种模糊信息的可重复标注方法，其特征在于，所述模糊隶属度服从正态分布，公式表示如下：
其中，表示初始模糊隶属度张量，ρr，r＝1,2,3...R,表示第r个专家偏好，R表示专家总数，/>表示标注模式。
5.根据权利要求4所述一种模糊信息的可重复标注方法，其特征在于，所述根据模糊隶属度分布函数和专家偏好系数预估值校正模糊隶属度张量，得到最终模糊隶属度矩阵这一步骤，其具体包括：
根据模糊隶属度分布函数确定分布区间；
计算专家偏好系数预估值的平均值；
将专家偏好系数预估值的平均值与分布区间结合，得到校正数据；
根据校正数据校正模糊隶属度张量，得到最终模糊隶属度矩阵。
6.一种模糊信息的可重复标注***，其特征在于，用于执行如权利要求1所述的一种模糊信息的可重复标注方法，包括：
获取模块，用于获取标注任务并确定标注模式、待标注样本和标注主体；
标注模块，基于标注模式，标注主体对待标注样本进行标注，得到对应的模糊隶属度；
整合模块，用于将多个标注主体对应的模糊隶属度进行整合，得到初始模糊隶属度张量；
校正模块，用于预估模糊隶属度分布和标注主体偏好并对初始模糊隶属度张量进行校正，得到最终模糊隶属度矩阵。
7.一种模糊信息的可重复标注装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-5任一项所述一种模糊信息的可重复标注方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211026598.2A CN115859059B (zh) | 2022-08-25 | 2022-08-25 | 一种模糊信息的可重复标注方法、***及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211026598.2A CN115859059B (zh) | 2022-08-25 | 2022-08-25 | 一种模糊信息的可重复标注方法、***及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115859059A CN115859059A (zh) | 2023-03-28 |
| CN115859059B true CN115859059B (zh) | 2024-03-22 |
Family
ID=85660630
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211026598.2A Active CN115859059B (zh) | 2022-08-25 | 2022-08-25 | 一种模糊信息的可重复标注方法、***及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115859059B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104199852A (zh) * | 2014-08-12 | 2014-12-10 | 上海交通大学 | 基于节点隶属度的标签传播社团结构挖掘方法 |
| CN106600605A (zh) * | 2016-12-14 | 2017-04-26 | 陕西科技大学 | 一种无监督的快速图像分割算法 |
| CN109389608A (zh) * | 2018-10-19 | 2019-02-26 | 山东大学 | 以平面为聚类中心具有抗噪性的模糊聚类图像分割方法 |
| CN109495296A (zh) * | 2018-11-02 | 2019-03-19 | 国网四川省电力公司电力科学研究院 | 基于聚类与神经网络的智能变电站通信网络状态评价方法 |
| CN112560921A (zh) * | 2020-12-10 | 2021-03-26 | 百维金科(上海)信息科技有限公司 | 一种基于模糊c-均值的互联网金融平台申请欺诈行为检测方法 |
| CN113177358A (zh) * | 2021-04-30 | 2021-07-27 | 燕山大学 | 一种基于模糊细粒度特征提取的水泥质量软测量方法 |
| CN113688258A (zh) * | 2021-08-20 | 2021-11-23 | 广东工业大学 | 一种基于柔性多维聚类的信息推荐方法及*** |
| CN114266321A (zh) * | 2021-12-31 | 2022-04-01 | 广东泰迪智能科技股份有限公司 | 一种基于无约束先验信息模式的弱监督模糊聚类算法 |
| CN114330574A (zh) * | 2021-12-31 | 2022-04-12 | 广东泰迪智能科技股份有限公司 | 一种面向模式识别的模糊标注方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070112695A1 (en) * | 2004-12-30 | 2007-05-17 | Yan Wang | Hierarchical fuzzy neural network classification |
| CN112580483B (zh) * | 2020-12-15 | 2023-12-01 | 海南大学 | 一种基于粗糙模糊模型的遥感影像特征离散化方法 |
| CN115392376B (zh) * | 2022-08-25 | 2024-02-02 | 广东工业大学 | 一种异源模糊隶属度矩阵标注方法、***及装置 |
-
2022
- 2022-08-25 CN CN202211026598.2A patent/CN115859059B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104199852A (zh) * | 2014-08-12 | 2014-12-10 | 上海交通大学 | 基于节点隶属度的标签传播社团结构挖掘方法 |
| CN106600605A (zh) * | 2016-12-14 | 2017-04-26 | 陕西科技大学 | 一种无监督的快速图像分割算法 |
| CN109389608A (zh) * | 2018-10-19 | 2019-02-26 | 山东大学 | 以平面为聚类中心具有抗噪性的模糊聚类图像分割方法 |
| CN109495296A (zh) * | 2018-11-02 | 2019-03-19 | 国网四川省电力公司电力科学研究院 | 基于聚类与神经网络的智能变电站通信网络状态评价方法 |
| CN112560921A (zh) * | 2020-12-10 | 2021-03-26 | 百维金科(上海)信息科技有限公司 | 一种基于模糊c-均值的互联网金融平台申请欺诈行为检测方法 |
| CN113177358A (zh) * | 2021-04-30 | 2021-07-27 | 燕山大学 | 一种基于模糊细粒度特征提取的水泥质量软测量方法 |
| CN113688258A (zh) * | 2021-08-20 | 2021-11-23 | 广东工业大学 | 一种基于柔性多维聚类的信息推荐方法及*** |
| CN114266321A (zh) * | 2021-12-31 | 2022-04-01 | 广东泰迪智能科技股份有限公司 | 一种基于无约束先验信息模式的弱监督模糊聚类算法 |
| CN114330574A (zh) * | 2021-12-31 | 2022-04-12 | 广东泰迪智能科技股份有限公司 | 一种面向模式识别的模糊标注方法 |
Non-Patent Citations (2)
| Title |
|---|
| Kernel extreme learning machine based on fuzzy set theory for multi-label classification;Kongsorot Y等;《International Journal of Machine Learning and Cybernetics》;第 979-989页 * |
| 基于交叉熵测度的成对约束模糊核聚类算法;徐圣兵;林上钧;钟国祥;;应用科技;47(第01期);第80-87页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115859059A (zh) | 2023-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112232407B (zh) | 病理图像样本的神经网络模型训练方法、装置 | |
| CN111784595B (zh) | 一种基于历史记录的动态标签平滑加权损失方法及装置 | |
| CN112446441B (zh) | 模型训练数据筛选方法、装置、设备及存储介质 | |
| CN115392376B (zh) | 一种异源模糊隶属度矩阵标注方法、***及装置 | |
| CN110826494A (zh) | 标注数据质量评价方法、装置、计算机设备及存储介质 | |
| CN115859059B (zh) | 一种模糊信息的可重复标注方法、***及装置 | |
| WO2023201772A1 (zh) | 基于迭代域内适应和自训练的跨域遥感图像语义分割方法 | |
| CN113313179B (zh) | 一种基于l2p范数鲁棒最小二乘法的噪声图像分类方法 | |
| US20020181767A1 (en) | Classification of photos with sepia tones | |
| CN116774986A (zh) | 软件开发工作量自动评估方法、装置、存储介质及处理器 | |
| CN108597602B (zh) | 一种面向皮肤医学数据的标签纠错方法 | |
| CN112926646B (zh) | 数据批量标准化方法、计算设备和计算机可读存储介质 | |
| CN114943741A (zh) | 一种动态场景下基于目标检测和几何概率的视觉slam方法 | |
| CN109089125B (zh) | 一种视频编码中的dct系数分布特征模型优化方法 | |
| CN115357769B (zh) | 一种政务数据标签化***及方法 | |
| CN117392693B (zh) | 病理图像去笔迹的方法及设备 | |
| CN116563642B (zh) | 图像分类模型可信训练及图像分类方法、装置、设备 | |
| US20040225478A1 (en) | EDR direction estimating method, system, and program, and memory medium for storing the program | |
| CN116415423B (zh) | 一种基于大数据分析的计算机仿真数据处理***及方法 | |
| CN114676797B (zh) | 一种模型精度的计算方法、装置和计算机可读存储介质 | |
| CN116128426A (zh) | 面向数字文化遗产数据众包标注任务的自动审核方法 | |
| CN117831046A (zh) | 数据标注框修正方法 | |
| CN117745101A (zh) | 面向产业推荐科技服务的计算方法、计算***及终端 | |
| Johnsen et al. | Saddlepoint approximations to score test statistics in logistic regression for analyzing genome‐wide association studies | |
| CN113936168A (zh) | 基于在线域自适应深度学习的图片分类方法及*** |
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 |