CN116168257B - 基于样本生成的小样本图像分类方法、设备及存储介质 - Google Patents

基于样本生成的小样本图像分类方法、设备及存储介质 Download PDF

Info

Publication number
CN116168257B
CN116168257B CN202310436361.XA CN202310436361A CN116168257B CN 116168257 B CN116168257 B CN 116168257B CN 202310436361 A CN202310436361 A CN 202310436361A CN 116168257 B CN116168257 B CN 116168257B
Authority
CN
China
Prior art keywords
sample
class
samples
query
feature
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
CN202310436361.XA
Other languages
English (en)
Other versions
CN116168257A (zh
Inventor
赵鹏
赵旭阳
韩莉
叶子龙
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.)
Anhui University
Original Assignee
Anhui University
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 Anhui University filed Critical Anhui University
Priority to CN202310436361.XA priority Critical patent/CN116168257B/zh
Publication of CN116168257A publication Critical patent/CN116168257A/zh
Application granted granted Critical
Publication of CN116168257B publication Critical patent/CN116168257B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Library & Information Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明是一种基于样本生成的小样本图像分类方法、设备及存储介质，包括利用预先构建好的小样本图像分类模型对图像数据进行分类，所述小样本图像分类模型构建步骤包括对数据集划分出基类数据集和新类数据集；排除基类数据中每个类别中干扰样本的影响，找到每个类中最具有代表性的样本数据训练特征生成器；利用训练好的特征生成器生成更多的样本，更新新类中各类别原型；计算查询集中查询样本各局部特征在各类别判定中的权重，并获得各类别判定中的查询样本的加权特征表示；通过度量类原型和加权后的查询样本来进行分类。本发明可提高对目标对象区域的关注程度，减少对其他无关区域的关注，从而提升小样本图像分类性能。

Description

基于样本生成的小样本图像分类方法、设备及存储介质
技术领域
本发明涉及小样本图像分类技术领域，具体涉及一种基于样本生成的小样本图像分类方法。
背景技术
随着整个社会信息化的发展，数字化数据的产生速度以前所未有的速度在推进。这些数据以文本、图像、声音、视频等形式存在，以结构化或者非结构化的形式存储。大量产生的数据促进了近些年人工智能方向的繁荣发展，特别是深度学习方向。归功于大量的数据、高效的算法和高性能的硬件设备，深度学习取得了巨大的成功。然而，依赖于大数据的深度学习技术依然面临着巨大的挑战。传统的深度学习需要有大量带有标签的样本来进行训练，当有标签的样本量不足时，会造成过拟合问题，模型的性能严重下降。现实情况中，建立大规模标准数据集需要花费大量人力和物力资源，且并不是所有任务下都能获得大量有标签的样本。因而，小样本图像分类方法成为一个热点研究问题。
小样本图像分类任务中存在的主要问题在于每一类的样本数量过少而从导致无法较好的表达每一类样本的分布情况。因此，利用每一类少量有标签的支持集样本进行数据扩充，或者为无标签的查询集样本预测伪标签进行样本扩充的方法成为了解决该问题的有效方式。例如wang等(Wang Y X, Girshick R, Hebert M, et al. Low-shot learningfrom imaginary data[C]//Proceedings of the IEEE conference on computer visionand pattern recognition. 2018: 7278-7286.)作者提出了一种小样本图像分类方法，首先通过对支持集样本加入噪声生成新的样本，从而进行样本扩充，然后对包括生成器和分类器的模型进行端到端优化，同步更新生成器和分类器参数，使得生成器生成易于分类的样本;Zhang等(Zhang H, Zhang J, Koniusz P. Few-shot learning via saliency-guided hallucination of samples[C]//Proceedings of the IEEE/CVF Conference onComputer Vision and Pattern Recognition. 2019: 2770-2779.)作者在关系网络的基础上利用显著性目标检测算法，将图像分割成前景与背景，再将不同图片的前景和背景进行组合，组成更多的合成图像，以此实现数据集的扩充;Mengye等(Mengye Ren, SachinRavi, Eleni Triantafillou, Jake Snell, Kevin Swersky, Josh B. Tenenbaum, HugoLarochelle, and Richard S. Zemel. Meta-learning for semi-supervised few-shotclassification[C]//In International Conference on Learning Representations,2018.)作者对原型网络进行了扩展。作者首先利用初始的类别原型，为每个无标记查询样本数据分配一个属于各个类别的概率，即每个查询样本以不同的概率作为各类别的扩充样本，更新各个类别的类别原型；Hariharan等(Hariharan B,Girshick,R..Low-shot visualrecognition by shrinking and hallucinating features[C]/Proceedings of theIEEE International Conference on ComputerVision,Venice,Italy,2017:3018-3027.)利用自动编码器对基类中同类别不同样本之间的差异建立模型，然后将这种差异迁移到小样本类别中，将差异跟小样本类别中的样本融合，生成更多小样本类别中的新样本，实现数据集的扩充；Li等(Li K,ZhangY,Li K，Fu Y, Adversarial feature hallucinationnetworks for few-shot learning[C]// Proceedings ofthe 33rd IEEE Conference onComputer Vision and Pattern Recognition.Piscataway,NJ,USA:IEEE Press,2020:2020:13467-13476.)提出了一种基于条件Wasserstein生成对抗网络的小样本学习算法，通过生成器与判别器互相博弈，生成符合小样本类别真实分布的新样本，扩充训练数据集；Jian(Jian Y, Torresani L. Label hallucination for few-shot classification[C]//Proceedings of the AAAI Conference on Artificial Intelligence. 2022, 36(6): 7005-7014.)等人则是利用新类别（即小样本类别）上训练的线性分类器对整个基类数据集上的数据标注伪标签。对于每个新类别，都从基类数据中得到了大量伪标记样本数据。然后使用伪标签基类数据集上的蒸馏损失和新类别数据集上的标准交叉熵损失对整个模型进行微调。
然而，上述方法往往采用了直接加入噪声或者采用生成对抗网络生成样本的方法，实现对支持集进行样本的扩充，但是在小样本分类问题中，由于支持集的样本非常稀少，直接根据支持集样本进行样本生成会导致生成的样本不具有多样性，而且支持集和查询集样本中可能存在对象的不同部分，这将导致视觉特征分布差异显著，为了解决上述问题，本发明提供了一种基于样本生成的小样本图像分类方法、设备及存储介质。
发明内容
本发明提出的一种基于样本生成的小样本图像分类方法，可至少解决上述技术问题之一。
为实现上述目的，本发明采用了以下技术方案：
一种基于样本生成的小样本图像分类方法，包括利用预先构建好的图像分类模型对图像数据进行分类；所述图像分类模型构建步骤如下，
S1、对数据集划分出基类数据集和新类数据集，基类数据集包含带标记的样本，用来训练特征生成器；新类数据集用来模拟构建小样本分类任务，每个小样本任务上包括支持集和查询集；
S2、排除基类数据集中每个类别中干扰样本的影响，找到最具有代表性的样本数据；
S3、利用基类数据集中每个类别最有代表性的样本数据训练特征生成器；
S4、计算新类数据集中支持集类原型，预测查询集样本标签，并将其作为查询集样本的伪标签；根据支持集样本和可信度满足要求的伪标签，利用训练好的特征生成器生成设定数量的样本，和可信度满足要求的伪标签样本一起扩充支持集，然后重新计算得到更新后的类原型；
S5、计算查询集中的查询样本各局部特征在各类别判定中的权重，并获得各类别判定中的加权的查询样本特征；
S6、通过度量类原型和加权后的查询样本特征相似度，对查询样本来进行分类。
进一步的，所述步骤S1具体包括：
对数据集划分出需要处理的基类数据集
Figure SMS_1
和新类数据集/>
Figure SMS_2
，其中基类数据集包含带类别标记的样本，用来训练特征生成器；新类用来模拟小样本分类任务；基类数据集和新类数据集的类别是不相交的，即/>
Figure SMS_3
；
为了训练小样本图像分类模型，在新类数据集上构建小样本图像分类任务，每个小样本图像分类任务中包含
Figure SMS_10
个类别，每个类别包含/>
Figure SMS_5
个带类别标记的样本，构成支持集
Figure SMS_16
，/>
Figure SMS_8
，其中/>
Figure SMS_17
为第/>
Figure SMS_7
个样本，/>
Figure SMS_13
为该样本对应的类别标签，
Figure SMS_15
为支持集样本总数，/>
Figure SMS_21
，同时，每个类别另选不相同的/>
Figure SMS_4
个样本构成查询集/>
Figure SMS_11
，/>
Figure SMS_12
，其中/>
Figure SMS_20
为第/>
Figure SMS_19
个样本，/>
Figure SMS_22
为该样本对应的类别标签，/>
Figure SMS_6
为查询集样本总数，/>
Figure SMS_14
，记为/>
Figure SMS_9
小样本图像分类任务；小样本图像分类任务的目的是从基类和新类中的支持集样本中学习知识构建模型，对查询集样本进行正确的分类，查询集样本类别标签/>
Figure SMS_18
仅用于模型训练中的损失函数的计算。
进一步的，所述步骤S2、排除基类数据集中每个类别中干扰样本的影响，找到最具有代表性的样本数据；具体包括，
S21、假设基类的特征遵循高斯分布，估计每个类的高斯分布的参数，计算基类
Figure SMS_23
的高斯平均值作为均值/>
Figure SMS_24
，计算公式为：
Figure SMS_25
其中
Figure SMS_26
是第/>
Figure SMS_27
个基类的第/>
Figure SMS_28
个样本，/>
Figure SMS_29
是第/>
Figure SMS_30
个基类的全部样本数量；
S22、则第
Figure SMS_31
类样本数据分布的协方差矩阵/>
Figure SMS_32
的计算方式为：
Figure SMS_33
S23、根据计算所得的高斯分布的参数，计算第
Figure SMS_34
类的第/>
Figure SMS_35
个样本/>
Figure SMS_36
属于类/>
Figure SMS_37
的概率为：
Figure SMS_38
其中
Figure SMS_39
是特征的维度；
S24、设置一个阈值
Figure SMS_40
，过滤掉概率值较小的样本，得到第/>
Figure SMS_41
类的一个代表性的样本特征集/>
Figure SMS_42
：
Figure SMS_43
。
进一步的，所述S3中具体包括基于条件变分自编码器结构的特征生成器的学习训练；
条件变分自编码器结构由一个编码器
Figure SMS_44
和一个特征生成器/>
Figure SMS_47
构成；编码器/>
Figure SMS_50
将样本特征/>
Figure SMS_45
和作为条件的类别标签/>
Figure SMS_49
作为输入，生成样本的均值和方差，通过对正态分布的随机采样，再结合样本的均值和方差进行重参数化，生成隐变量/>
Figure SMS_51
，然后将隐变量/>
Figure SMS_52
和对应的类别标签/>
Figure SMS_46
输入到特征生成器/>
Figure SMS_48
，从而生成新的样本；
对于类
Figure SMS_53
中第/>
Figure SMS_54
个样本特征/>
Figure SMS_55
，特征生成器训练的损失函数/>
Figure SMS_56
为：
Figure SMS_57
其中第一项为隐变量的后验分布
Figure SMS_58
和先验分布/>
Figure SMS_59
之间的/>
Figure SMS_60
散度，第二项是特征生成器的重构误差，/>
Figure SMS_61
为第/>
Figure SMS_62
类的语义特征表示；
特征生成器训练的总损失函数
Figure SMS_63
为：
Figure SMS_64
其中
Figure SMS_65
为基类的类别数量。
进一步的，所述步骤S4包括用支持集样本特征初始化新类中各类别原型，然后利用各类别原型预测查询集样本的伪标签，选择可信度高的伪标签样本和支持集样本一起构成种子样本集，并利用训练好的特征生成器生成更多的样本，更新新类中各类别原型；
样本特征表示为
Figure SMS_66
，其中/>
Figure SMS_67
代表样本特征图的高，/>
Figure SMS_68
代表样本特征图的宽，/>
Figure SMS_69
代表样本特征图的通道数；
具体包括：
首先，对支持集
Figure SMS_70
中每个类的样本进行平均得到每个类初始的类原型/>
Figure SMS_71
，计算方法如下：
Figure SMS_72
其中
Figure SMS_73
为第/>
Figure SMS_74
个类的类原型，/>
Figure SMS_75
为每一类的样本个数，/>
Figure SMS_76
为指示函数，当样本/>
Figure SMS_77
的标签/>
Figure SMS_78
为/>
Figure SMS_79
时，函数值为1，否则为0；
然后，利用计算获得的类原型预测查询集样本
Figure SMS_80
，/>
Figure SMS_81
的类别标签，从而给查询集样本/>
Figure SMS_82
打上伪标签/>
Figure SMS_83
，计算公式为：
Figure SMS_84
其中
Figure SMS_85
为/>
Figure SMS_86
预测的伪标签，/>
Figure SMS_87
为相似性度量函数；
之后，利用得到的伪标签查询集样本，计算伪标签样本和对应的类原型之间的可信度得分
Figure SMS_88
：
Figure SMS_89
最后，每一个类别选择置信度最高的前
Figure SMS_90
个伪标签样本，和/>
Figure SMS_91
个支持集样本构成该类别的种子样本集；
然后利用训练好的特征生成器根据每个种子样本生成
Figure SMS_92
个样本，从而得到支持集的扩充集合/>
Figure SMS_93
，并更新类别原型，获得新的类原型/>
Figure SMS_94
，具体过程如下：
Figure SMS_95
进一步的，所述步骤S5、计算查询集中的查询样本各局部特征在各类别判定中的权重，并获得各类别判定中的加权的查询样本特征，具体包括，
首先将第
Figure SMS_98
类的类原型表示为/>
Figure SMS_100
，/>
Figure SMS_103
，其中每一个行向量为/>
Figure SMS_97
，/>
Figure SMS_101
为类原型的一个局部特征表示，第/>
Figure SMS_102
个查询集样本表示为
Figure SMS_104
，其中每一个行向量为/>
Figure SMS_96
，/>
Figure SMS_99
为查询样本的一个局部特征表示；
由于查询样本中会存在一些类别无关的干扰信息，并且同一局部特征在不同类别的判定中所发挥的重要性并不相同，所以计算了查询样本的局部特征和类原型的各局部特征之间的余弦相似性从而获得该局部特征的权重
Figure SMS_105
：
Figure SMS_106
其中
Figure SMS_107
，/>
Figure SMS_111
为查询样本/>
Figure SMS_115
中第/>
Figure SMS_109
个局部特征/>
Figure SMS_112
在计算与第/>
Figure SMS_117
类原型/>
Figure SMS_119
相似度时的权重；从而获得类别/>
Figure SMS_108
判定中的查询样本的加权特征表示，即在计算与第/>
Figure SMS_113
类原型/>
Figure SMS_116
相似度时，查询样本/>
Figure SMS_118
的权重矩阵/>
Figure SMS_110
，并得到加权后的查询样本特征表示/>
Figure SMS_114
：
Figure SMS_120
=/>
Figure SMS_121
Figure SMS_122
表示哈达玛积。
进一步的，所述步骤6具体包括得到计算好各类别原型
Figure SMS_123
，1≤/>
Figure SMS_124
≤/>
Figure SMS_125
，和各类别判定中的查询样本的加权特征表示/>
Figure SMS_126
，1≤/>
Figure SMS_127
≤/>
Figure SMS_128
, 1≤u≤/>
Figure SMS_129
之后，对查询集样本进行分类，分类损失定义为：
Figure SMS_130
由上述技术方案可知，本发明的基于样本生成的小样本图像分类方法，能够在小样本类别支持集样本数量不足的情况下，通过计算预测查询样本的伪标签，并选择可信度高的伪标签样本和支持集样本一起构成种子样本集，利用基类数据训练好的特征生成器，为每个小样本类别生成更多的新样本，并与可信度高的伪标签样本一起构造扩充的支持集，同时更新各小样本类别的类别原型。由于支持集和查询集样本存在分布差异，因而会导致查询集样本的分类偏差，降低分类性能。为了缓解这个问题，本发明通过计算查询样本各局部特征在不同类别判定中的权重，并获得不同类别判定中的查询样本的加权特征表示。然后通过度量类别原型和查询样本在该类别上加权后的特征表示之间的距离进行分类。本发明在只有少量有标签的支持集样本的情况下，可以生成大量符合支持集样本分布的且具有多样性的新的有标签样本数据，实现小样本数据扩充，同时计算无标签查询样本的局部特征在各类别判定时的重要性，加权修正查询样本在各类别判定时的特征表示，有效缓解支持集和查询集之间的分布差异导致的分类偏差，从而提高小样本图像分类性能。
具体来说，本发明的有益效果如下：
1、由于在小样本图像分类问题中，核心问题便是可以利用的带有标签的数据样本非常的稀少，会导致模型出现过拟合的现象，从而使得网络模型对新类别样本的分类能力较差，而本发明通过通过样本生成，生成更多新类的标记样本，参与模型的训练，缓解由于训练样本不足导致的过拟合问题。
2、本发明是通过利用高可信度的伪标签样本和初始的支持集样本作为种子样本集进行样本生成，而不是直接采用大量的伪标签样本对数据集进行扩充，因为这些伪标签样本会包含一些可信度低的伪标签样本，从而不可避免的引入了噪声样本。而本发明中利用特征生成器进行样本生成则大大降低了这一问题出现的可能性。
3、在小样本图像分类任务中，支持集中的每个类别仅包含少量图像，需要根据支持集样本训练模型，然后对查询集图像进行分类。但是支持集和查询集样本存在分布差异，例如目标对象在支持集和查询集上的位置往往是不一致的，在支持集的图像中左边有着完整的一只狗，而在查询集图像可能只有右边有狗的头部，为了更加关注到查询集中关于狗的部分，本发明提出了一个有效缓解差异，通过计算查询集样本各局部特征表示在给定类别的判定中的权重，获取给定类别的加权后的查询集样本，提高对目标对象区域的关注程度，减少对其他无关区域的关注，从而提升小样本图像分类性能。
附图说明
图1是本发明实施例的流程图；
图2是本发明实施例的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
如图1和图2所示，本实施例所述的基于样本生成的小样本图像分类方法，包括以下步骤，
S1：对数据集划分出需要处理的基类数据集
Figure SMS_131
和新类数据集/>
Figure SMS_132
，其中基类数据集包含大量带类别标记的样本，用来训练特征生成器；新类用来模拟小样本分类任务；基类数据集和新类数据集的类别是不相交的，即/>
Figure SMS_133
；
为了训练小样本图像分类模型，在新类数据集上构建小样本图像分类任务，每个小样本图像分类任务中包含
Figure SMS_152
个类别，每个类别包含/>
Figure SMS_137
个(/>
Figure SMS_149
的数量一般很小，例如/>
Figure SMS_141
=1或/>
Figure SMS_146
=5)带类别标记的样本，构成支持集/>
Figure SMS_151
（/>
Figure SMS_154
，其中/>
Figure SMS_138
为第/>
Figure SMS_144
个样本，/>
Figure SMS_134
为该样本对应的类别标签，/>
Figure SMS_143
为支持集样本总数，/>
Figure SMS_136
），同时，每个类别另选不相同的/>
Figure SMS_145
个样本构成查询集/>
Figure SMS_139
（/>
Figure SMS_148
，其中/>
Figure SMS_140
为第
Figure SMS_147
个样本，/>
Figure SMS_153
为该样本对应的类别标签，/>
Figure SMS_155
为查询集样本总数，/>
Figure SMS_135
），记为/>
Figure SMS_142
小样本图像分类任务。小样本图像分类任务的目的是从基类和新类中支持集样本中学习知识构建模型，对查询集样本进行正确的分类。查询集样本类别标签
Figure SMS_150
仅用于模型训练中的损失函数的计算。
S2：本发明在基类数据集上训练出一个特征生成器，并利用训练好的特征生成器为新类生成更多的样本数据,为了更好地训练特征生成器，排除基类数据集中每个类别中干扰样本的影响，找到最具有代表性的类样本数据进行训练，具体包括，
（1）假设基类的特征遵循高斯分布，估计每个类的高斯分布的参数，计算基类
Figure SMS_156
的高斯平均值作为均值/>
Figure SMS_157
，计算公式为：
Figure SMS_158
其中
Figure SMS_159
是第/>
Figure SMS_160
个基类的第/>
Figure SMS_161
个样本，/>
Figure SMS_162
是第/>
Figure SMS_163
个基类的全部样本数量；
（2）则第
Figure SMS_164
类样本数据分布的协方差矩阵/>
Figure SMS_165
的计算方式为：
Figure SMS_166
（3）根据计算所得的高斯分布的参数，计算第
Figure SMS_167
类的第/>
Figure SMS_168
个样本/>
Figure SMS_169
属于类/>
Figure SMS_170
的概率为：
Figure SMS_171
其中
Figure SMS_172
是特征的维度；
（4）设置一个阈值
Figure SMS_173
，过滤掉概率值较小的样本，得到第/>
Figure SMS_174
类的一个代表性的样本特征集/>
Figure SMS_175
：
Figure SMS_176
S3：为了生成更多的样本，本发明在包含有大量标记样本的基类上训练一个基于条件变分自编码器结构的特征生成器。条件变分自编码器结构由一个编码器
Figure SMS_178
和一个特征生成器/>
Figure SMS_181
构成。编码器/>
Figure SMS_185
将样本特征/>
Figure SMS_179
和作为条件的类别标签/>
Figure SMS_182
作为输入，生成样本的均值和方差，通过对正态分布的随机采样，再结合样本的均值和方差进行重参数化，生成隐变量/>
Figure SMS_187
，然后将隐变量/>
Figure SMS_189
和对应的类别标签/>
Figure SMS_177
输入到特征生成器/>
Figure SMS_184
，从而生成新的样本。对于类/>
Figure SMS_186
中第/>
Figure SMS_188
个样本特征/>
Figure SMS_180
，特征生成器训练的损失函数/>
Figure SMS_183
为：
Figure SMS_190
其中第一项为隐变量的后验分布
Figure SMS_191
和先验分布/>
Figure SMS_192
之间的/>
Figure SMS_193
散度，第二项是特征生成器的重构误差，/>
Figure SMS_194
为第/>
Figure SMS_195
类的语义特征表示。
特征生成器训练的总损失函数
Figure SMS_196
为：
Figure SMS_197
其中
Figure SMS_198
为基类的类别数量。
S4：用支持集样本特征初始化新类中各类别原型，然后利用各类别原型预测查询集样本的伪标签，选择可信度高的伪标签样本和支持集样本一起构成种子样本集，并利用训练好的特征生成器生成更多的样本，更新新类中各类别原型。样本特征可以表示为
Figure SMS_199
，其中/>
Figure SMS_200
代表样本特征图的高，/>
Figure SMS_201
代表样本特征图的宽，/>
Figure SMS_202
代表样本特征图的通道数。具体包括：
（1）对支持集
Figure SMS_203
中每个类的样本进行平均得到每个类初始的类原型/>
Figure SMS_204
，计算方法如下：
Figure SMS_205
其中
Figure SMS_206
为第/>
Figure SMS_207
个类的类原型，/>
Figure SMS_208
为每一类的样本个数，/>
Figure SMS_209
为指示函数，当样本/>
Figure SMS_210
的标签/>
Figure SMS_211
为/>
Figure SMS_212
时，函数值为1，否则为0。
（2）利用计算获得的类原型预测查询集样本
Figure SMS_213
（/>
Figure SMS_214
）的类别标签，从而给查询集样本/>
Figure SMS_215
打上伪标签/>
Figure SMS_216
，计算公式为：
Figure SMS_217
其中
Figure SMS_218
为/>
Figure SMS_219
预测的伪标签，/>
Figure SMS_220
为相似性度量函数；
（3）利用得到的伪标签查询集样本，计算伪标签样本和对应的类原型之间的可信度得分
Figure SMS_221
：
Figure SMS_222
（4）每一个类别选择置信度最高的前
Figure SMS_223
个伪标签样本，和/>
Figure SMS_224
个支持集样本构成该类别的种子样本集。然后利用训练好的特征生成器根据每个种子样本生成/>
Figure SMS_225
个样本，从而得到支持集的扩充集合/>
Figure SMS_226
，并更新类别原型，获得新的类原型/>
Figure SMS_227
，具体过程如下：
Figure SMS_228
。
S5：在小样本图像分类任务中，支持集中的每个类别仅包含少量图像，需要根据支持集样本训练模型，然后对查询集图像进行分类。但是支持集和查询集样本存在分布差异，导致分类偏差。为了缓解这个问题，本发明提出了通过计算查询集样本各局部特征表示在给定类别的判定中的权重，获取给定类别的加权后的查询集样本，提高对目标对象区域的关注程度，减少对其他无关区域的关注，从而提升小样本图像分类性能。具体包括，
首先将第
Figure SMS_230
类的类原型表示为/>
Figure SMS_234
，/>
Figure SMS_235
，其中每一个行向量为/>
Figure SMS_229
（/>
Figure SMS_233
）为类原型的一个局部特征表示，第/>
Figure SMS_237
个查询集样本表示为
Figure SMS_238
，其中每一个行向量为/>
Figure SMS_231
（/>
Figure SMS_232
）为查询样本的一个局部特征表示。由于查询样本中会存在一些类别无关的干扰信息，并且同一局部特征在不同类别的判定中所发挥的重要性并不相同，所以计算了查询样本的局部特征和类原型的各局部特征之间的余弦相似性从而获得该局部特征的权重/>
Figure SMS_236
：
Figure SMS_239
其中
Figure SMS_242
（/>
Figure SMS_244
）为查询样本/>
Figure SMS_249
中第/>
Figure SMS_241
个局部特征/>
Figure SMS_245
在计算与第/>
Figure SMS_248
类原型/>
Figure SMS_251
相似度时的权重；从而获得类别/>
Figure SMS_240
判定中的查询样本的加权特征表示，即在计算与第/>
Figure SMS_246
类原型/>
Figure SMS_250
相似度时，查询样本/>
Figure SMS_252
的权重矩阵/>
Figure SMS_243
，并得到加权后的查询样本特征表示/>
Figure SMS_247
：
Figure SMS_253
=/>
Figure SMS_254
Figure SMS_255
表示哈达玛积。
7．获得计算好各类别原型
Figure SMS_256
（1≤/>
Figure SMS_257
≤/>
Figure SMS_258
），和各类别判定中的查询样本的加权特征表示/>
Figure SMS_259
（1≤/>
Figure SMS_260
≤/>
Figure SMS_261
, 1≤u≤/>
Figure SMS_262
）之后,对查询集样本进行分类，分类损失定义为：
Figure SMS_263
。
以下举例来说明本发明实施例的技术效果：
表1：在CIFAR-FS和CUB上的对比实验结果（%）
Figure SMS_264
表1是本发明（FSL-BPSG）的实验结果和其他的主流的方法对比的结果。从表中可以看出，在CIFAR-FS和CUB两个主流数据集上，在
Figure SMS_265
=1和/>
Figure SMS_266
=5两个标准的实验设置下，本发明实施例都取得了最好的成绩。
又一方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述任一方法的步骤。
再一方面，本发明还公开一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述任一方法的步骤。
在本申请提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一方法的步骤。
可理解的是，本发明实施例提供的***与本发明实施例提供的方法相对应，相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于样本生成的小样本图像分类方法，利用预先构建好的图像分类模型对图像数据进行分类，其特征在于，所述图像分类模型构建步骤如下，
S1、对数据集划分出基类数据集和新类数据集，基类数据集包含带标记的样本，用来训练特征生成器；新类数据集用来模拟构建小样本分类任务，每个小样本任务上包括支持集和查询集；
S2、排除基类数据集中每个类别中干扰样本的影响，找到最具有代表性的样本数据；
S3、利用基类数据集中每个类别最有代表性的样本数据训练特征生成器；
S4、计算新类数据集中支持集类原型，预测查询集样本标签，并将其作为查询集样本的伪标签；根据支持集样本和可信度满足要求的伪标签，利用训练好的特征生成器生成设定数量的样本，和可信度满足要求的伪标签样本一起扩充支持集，然后重新计算得到更新后的类原型；
S5、计算查询集中的查询样本各局部特征在各类别判定中的权重，并获得各类别判定中的加权的查询样本特征；
S6、通过度量类原型和加权后的查询样本特征相似度，对查询样本来进行分类；
其中，所述步骤S5、计算查询集中的查询样本各局部特征在各类别判定中的权重，并获得各类别判定中的加权的查询样本特征，具体包括，
首先将第
Figure QLYQS_2
类的类原型表示为/>
Figure QLYQS_5
，/>
Figure QLYQS_7
，其中每一个行向量为/>
Figure QLYQS_3
，/>
Figure QLYQS_4
为类原型的一个局部特征表示，第/>
Figure QLYQS_8
个查询集样本表示为
Figure QLYQS_9
，其中每一个行向量为/>
Figure QLYQS_1
，/>
Figure QLYQS_6
为查询样本的一个局部特征表示；
计算查询样本的局部特征和类原型的各局部特征之间的余弦相似性从而获得该局部特征的权重
Figure QLYQS_10
：
Figure QLYQS_11
其中
Figure QLYQS_15
，/>
Figure QLYQS_19
为查询样本/>
Figure QLYQS_22
中第/>
Figure QLYQS_14
个局部特征/>
Figure QLYQS_17
在计算与第/>
Figure QLYQS_21
类原型/>
Figure QLYQS_24
相似度时的权重；从而获得类别/>
Figure QLYQS_12
判定中的查询样本的加权特征表示，即在计算与第/>
Figure QLYQS_18
类原型/>
Figure QLYQS_20
相似度时，查询样本/>
Figure QLYQS_23
的权重矩阵/>
Figure QLYQS_13
，并得到加权后的查询样本特征表示/>
Figure QLYQS_16
：
Figure QLYQS_25
=/>
Figure QLYQS_26
Figure QLYQS_27
表示哈达玛积。
2.根据权利要求1所述的基于样本生成的小样本图像分类方法，其特征在于：所述步骤S1具体包括：
对数据集划分出需要处理的基类数据集
Figure QLYQS_28
和新类数据集/>
Figure QLYQS_29
，其中基类数据集包含带类别标记的样本，用来训练特征生成器；新类用来模拟小样本分类任务；基类数据集和新类数据集的类别是不相交的，即/>
Figure QLYQS_30
；
在新类数据集上构建小样本图像分类任务，每个小样本图像分类任务中包含
Figure QLYQS_38
个类别，每个类别包含/>
Figure QLYQS_34
个带类别标记的样本，构成支持集/>
Figure QLYQS_46
，/>
Figure QLYQS_33
，其中/>
Figure QLYQS_45
为第/>
Figure QLYQS_41
个样本，/>
Figure QLYQS_47
为该样本对应的类别标签，/>
Figure QLYQS_36
为支持集样本总数，
Figure QLYQS_42
，同时，每个类别另选不相同的/>
Figure QLYQS_31
个样本构成查询集/>
Figure QLYQS_43
，
Figure QLYQS_32
，其中/>
Figure QLYQS_39
为第/>
Figure QLYQS_37
个样本，/>
Figure QLYQS_44
为该样本对应的类别标签，/>
Figure QLYQS_35
为查询集样本总数，/>
Figure QLYQS_40
；
小样本图像分类任务的目的是从基类和新类中的支持集样本中学习知识构建模型，对查询集样本进行正确的分类，查询集样本类别标签
Figure QLYQS_48
仅用于模型训练中的损失函数的计算。
3.根据权利要求2所述的基于样本生成的小样本图像分类方法，其特征在于：所述步骤S2、排除基类数据集中每个类别中干扰样本的影响，找到最具有代表性的样本数据；具体包括，
S21、假设基类的特征遵循高斯分布，估计每个类的高斯分布的参数，计算基类
Figure QLYQS_49
的高斯平均值作为均值/>
Figure QLYQS_50
，计算公式为：
Figure QLYQS_51
其中
Figure QLYQS_52
是第/>
Figure QLYQS_53
个基类的第/>
Figure QLYQS_54
个样本，/>
Figure QLYQS_55
是第/>
Figure QLYQS_56
个基类的全部样本数量；
S22、则第
Figure QLYQS_57
类样本数据分布的协方差矩阵/>
Figure QLYQS_58
的计算方式为：
Figure QLYQS_59
S23、根据计算所得的高斯分布的参数，计算第
Figure QLYQS_60
类的第/>
Figure QLYQS_61
个样本/>
Figure QLYQS_62
属于类/>
Figure QLYQS_63
的概率为：
Figure QLYQS_64
其中
Figure QLYQS_65
是特征的维度；
S24、设置一个阈值
Figure QLYQS_66
，过滤掉概率值较小的样本，得到第/>
Figure QLYQS_67
类的一个代表性的样本特征集
Figure QLYQS_68
：
Figure QLYQS_69
。
4.根据权利要求3所述的基于样本生成的小样本图像分类方法，其特征在于：所述步骤S3包括基于条件变分自编码器结构的特征生成器的学习训练；
条件变分自编码器结构由一个编码器
Figure QLYQS_71
和一个特征生成器/>
Figure QLYQS_73
构成；编码器
Figure QLYQS_75
将样本特征/>
Figure QLYQS_72
和作为条件的类别标签/>
Figure QLYQS_76
作为输入，生成样本的均值和方差，通过对正态分布的随机采样，再结合样本的均值和方差进行重参数化，生成隐变量/>
Figure QLYQS_77
，然后将隐变量/>
Figure QLYQS_78
和对应的类别标签/>
Figure QLYQS_70
输入到特征生成器/>
Figure QLYQS_74
，从而生成新的样本；
对于类
Figure QLYQS_79
中第/>
Figure QLYQS_80
个样本特征/>
Figure QLYQS_81
，特征生成器训练的损失函数/>
Figure QLYQS_82
为：
Figure QLYQS_83
其中第一项为隐变量的后验分布
Figure QLYQS_84
和先验分布/>
Figure QLYQS_85
之间的/>
Figure QLYQS_86
散度，第二项是特征生成器的重构误差，/>
Figure QLYQS_87
为第/>
Figure QLYQS_88
类的语义特征表示；
特征生成器训练的总损失函数
Figure QLYQS_89
为：
Figure QLYQS_90
其中
Figure QLYQS_91
为基类的类别数量。
5.根据权利要求4所述的基于样本生成的小样本图像分类方法，其特征在于：所述步骤S4包括用支持集样本特征初始化新类中各类别原型，然后利用各类别原型预测查询集样本的伪标签，选择可信度高的伪标签样本和支持集样本一起构成种子样本集，并利用训练好的特征生成器生成更多的样本，更新新类中各类别原型；
样本特征表示为
Figure QLYQS_92
，其中/>
Figure QLYQS_93
代表样本特征图的高，/>
Figure QLYQS_94
代表样本特征图的宽，/>
Figure QLYQS_95
代表样本特征图的通道数；
具体包括：
首先，对支持集
Figure QLYQS_96
中每个类的样本进行平均得到每个类初始的类原型/>
Figure QLYQS_97
，计算方法如下：
Figure QLYQS_98
其中
Figure QLYQS_101
为第/>
Figure QLYQS_104
个类的类原型，/>
Figure QLYQS_106
，/>
Figure QLYQS_100
为每一类的样本个数，/>
Figure QLYQS_102
为指示函数，当样本/>
Figure QLYQS_103
的标签/>
Figure QLYQS_105
为/>
Figure QLYQS_99
时，函数值为1，否则为0；
然后，利用计算获得的类原型预测查询集样本
Figure QLYQS_107
，/>
Figure QLYQS_108
的类别标签，从而给查询集样本/>
Figure QLYQS_109
打上伪标签/>
Figure QLYQS_110
，计算公式为：
Figure QLYQS_111
其中
Figure QLYQS_112
为/>
Figure QLYQS_113
预测的伪标签，/>
Figure QLYQS_114
为相似性度量函数；
之后，利用得到的伪标签查询集样本，计算伪标签样本和对应的类原型之间的可信度得分
Figure QLYQS_115
：
Figure QLYQS_116
最后，每一个类别选择置信度最高的前
Figure QLYQS_117
个伪标签样本，和/>
Figure QLYQS_118
个支持集样本构成该类别的种子样本集；
然后利用训练好的特征生成器根据每个种子样本生成
Figure QLYQS_119
个样本，从而得到支持集的扩充集合/>
Figure QLYQS_120
，并更新类别原型，获得新的类原型/>
Figure QLYQS_121
，具体过程如下：
Figure QLYQS_122
。
6.根据权利要求5所述的基于样本生成的小样本图像分类方法，其特征在于：所述步骤S6具体包括：得到计算好各类别原型
Figure QLYQS_123
，1≤/>
Figure QLYQS_124
≤/>
Figure QLYQS_125
，和各类别判定中的查询样本的加权特征表示/>
Figure QLYQS_126
，1≤/>
Figure QLYQS_127
≤/>
Figure QLYQS_128
, 1≤u≤/>
Figure QLYQS_129
之后，对查询集样本进行分类，分类损失定义为：
Figure QLYQS_130
。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
8.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
CN202310436361.XA 2023-04-23 2023-04-23 基于样本生成的小样本图像分类方法、设备及存储介质 Active CN116168257B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310436361.XA CN116168257B (zh) 2023-04-23 2023-04-23 基于样本生成的小样本图像分类方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310436361.XA CN116168257B (zh) 2023-04-23 2023-04-23 基于样本生成的小样本图像分类方法、设备及存储介质

Publications (2)

Publication Number Publication Date
CN116168257A CN116168257A (zh) 2023-05-26
CN116168257B true CN116168257B (zh) 2023-07-04

Family

ID=86422173

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310436361.XA Active CN116168257B (zh) 2023-04-23 2023-04-23 基于样本生成的小样本图像分类方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116168257B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598091A (zh) * 2021-03-08 2021-04-02 北京三快在线科技有限公司 一种训练模型和小样本分类的方法及装置
CN113592008A (zh) * 2021-08-05 2021-11-02 哈尔滨理工大学 一种基于自编码器的图神经网络机制解决小样本图像分类的***、方法、设备及存储介质
CN114444600A (zh) * 2022-01-28 2022-05-06 南通大学 基于记忆增强原型网络的小样本图像分类方法
CN115731411A (zh) * 2022-10-27 2023-03-03 西北工业大学 一种基于原型生成的小样本图像分类方法

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2657857A1 (en) * 2012-04-27 2013-10-30 ATG Advanced Swiss Technology Group AG Method for binary classification of a query image
US11087174B2 (en) * 2018-09-25 2021-08-10 Nec Corporation Deep group disentangled embedding and network weight generation for visual inspection
CN112287954A (zh) * 2019-07-24 2021-01-29 华为技术有限公司 图像分类方法、图像分类模型的训练方法及其装置
US11263488B2 (en) * 2020-04-13 2022-03-01 International Business Machines Corporation System and method for augmenting few-shot object classification with semantic information from multiple sources
US11816188B2 (en) * 2020-08-31 2023-11-14 Sap Se Weakly supervised one-shot image segmentation
US20220300823A1 (en) * 2021-03-17 2022-09-22 Hanwen LIANG Methods and systems for cross-domain few-shot classification
CN113076437B (zh) * 2021-04-13 2023-02-14 华南理工大学 一种基于标签重分配的小样本图像分类方法及***
CN114155397B (zh) * 2021-11-29 2023-01-03 中国船舶重工集团公司第七0九研究所 一种小样本图像分类方法及***
CN114169442B (zh) * 2021-12-08 2022-12-09 中国电子科技集团公司第五十四研究所 基于双原型网络的遥感图像小样本场景分类方法
CN114299362A (zh) * 2021-12-27 2022-04-08 南京邮电大学 一种基于k-means聚类的小样本图像分类方法
CN114387474A (zh) * 2022-01-12 2022-04-22 南通大学 一种基于高斯化原型分类器的小样本图像分类方法
CN114387473A (zh) * 2022-01-12 2022-04-22 南通大学 一种基于基类样本特征合成的小样本图像分类方法
CN114580566A (zh) * 2022-03-22 2022-06-03 南通大学 一种基于间隔监督对比损失的小样本图像分类方法
CN114882267A (zh) * 2022-03-31 2022-08-09 中国科学院信息工程研究所 一种基于相关区域的小样本图像分类方法及***
CN114758320A (zh) * 2022-04-18 2022-07-15 中汽创智科技有限公司 一种小样本图像分类方法、装置、设备及介质
CN114943859B (zh) * 2022-05-05 2023-06-20 兰州理工大学 面向小样本图像分类的任务相关度量学习方法及装置
CN114782752B (zh) * 2022-05-06 2023-09-05 兰州理工大学 基于自训练的小样本图像集成分类方法及装置
CN115393666A (zh) * 2022-08-02 2022-11-25 广东工业大学 图像分类中基于原型补全的小样本扩充方法及***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598091A (zh) * 2021-03-08 2021-04-02 北京三快在线科技有限公司 一种训练模型和小样本分类的方法及装置
CN113592008A (zh) * 2021-08-05 2021-11-02 哈尔滨理工大学 一种基于自编码器的图神经网络机制解决小样本图像分类的***、方法、设备及存储介质
CN114444600A (zh) * 2022-01-28 2022-05-06 南通大学 基于记忆增强原型网络的小样本图像分类方法
CN115731411A (zh) * 2022-10-27 2023-03-03 西北工业大学 一种基于原型生成的小样本图像分类方法

Also Published As

Publication number Publication date
CN116168257A (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
Liu et al. Learning deep multi-level similarity for thermal infrared object tracking
Liang et al. Efficient adversarial attacks for visual object tracking
CN106599836B (zh) 多人脸跟踪方法及跟踪***
CN113221905B (zh) 基于均匀聚类的语义分割的无监督域适应方法、装置、***和存储介质
Lerch-Hostalot et al. Unsupervised steganalysis based on artificial training sets
CN108491766B (zh) 一种端到端的基于深度决策森林的人群计数方法
Ye et al. Learning with noisy labels for robust point cloud segmentation
CN112348849B (zh) 一种孪生网络视频目标跟踪方法及装置
CN109753797B (zh) 针对流式图的密集子图检测方法及***
CN112633061A (zh) 一种轻量级的fire-det火焰检测方法及***
CN109818971B (zh) 一种基于高阶关联挖掘的网络数据异常检测方法与***
CN113920170B (zh) 结合场景上下文和行人社会关系的行人轨迹预测方法、***及存储介质
CN107358172B (zh) 一种基于人脸朝向分类的人脸特征点初始化方法
CN112766170B (zh) 基于簇类无人机图像的自适应分割检测方法及装置
CN112131944A (zh) 一种视频行为识别方法及***
CN114565106A (zh) 基于孤立森林的联邦学习中毒攻击的防御方法
KR102122168B1 (ko) 해무 소산 예측 모델 학습 방법 선택 장치, 해무 소산 예측 모델 학습 방법 선택 방법, 해무 소산 예측 장치 및 해무 소산 예측 방법
CN116168257B (zh) 基于样本生成的小样本图像分类方法、设备及存储介质
CN117424754A (zh) 针对集群联邦学习攻击的防御方法、终端及存储介质
CN112612023A (zh) 一种雷达目标识别方法及计算机可读存储介质
Yin et al. Adversarial attack, defense, and applications with deep learning frameworks
CN116740495A (zh) 路桥隧道的病害检测模型的训练方法和病害检测方法
CN116340869A (zh) 基于红狐优化算法的分布式CatB肌体检测方法及设备
CN116541592A (zh) 向量生成方法、信息推荐方法、装置、设备及介质
KR20230061925A (ko) 확장 학습 데이터 기반 네트워크 침입 위협 탐지 모델 학습 장치 및 방법

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