CN116310475A - 一种基于半监督学习的垃圾图像分类算法 - Google Patents

一种基于半监督学习的垃圾图像分类算法 Download PDF

Info

Publication number
CN116310475A
CN116310475A CN202211451997.3A CN202211451997A CN116310475A CN 116310475 A CN116310475 A CN 116310475A CN 202211451997 A CN202211451997 A CN 202211451997A CN 116310475 A CN116310475 A CN 116310475A
Authority
CN
China
Prior art keywords
unlabeled
sample
samples
list
category
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.)
Pending
Application number
CN202211451997.3A
Other languages
English (en)
Inventor
曾明
刘佳哲
李思颖
李元昊
钟舒桐
王湘晖
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.)
Tianjin University
Original Assignee
Tianjin 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 Tianjin University filed Critical Tianjin University
Priority to CN202211451997.3A priority Critical patent/CN116310475A/zh
Publication of CN116310475A publication Critical patent/CN116310475A/zh
Pending legal-status Critical Current

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种适用于大规模垃圾数据分析的半监督垃圾图像分类算法。该算法分为预处理阶段和有标签与正式处理阶段。预处理阶段的主要目的是得到预测分布列表，而正式处理阶段的主要目的是通过三个主要步骤提升模型性能。其中三个主要步骤分别为：根据预热阶段得到的分布预测列表计算无标签样本的采样概率，并通过采样概率选择每次迭代的无标签样本；定义适应样本不均衡问题的类别学习难度标准，并根据该标准计算无标签样本损失的前置系数；根据样本学习难度的不同，动态调整损失权重。该算法综合考虑样本不均衡问题以及不同类别、不同样本之间学习难度的差异，在大规模半监督垃圾图像数据集上取得了优异的性能。

Description

一种基于半监督学习的垃圾图像分类算法
技术领域
本发明涉及智能垃圾分类领域，特别涉及一种适用于大规模垃圾数据分析的半监督垃圾图像分类算法。
背景技术
随着我国社会现代化进程不断推进，我国大力推行垃圾分类政策，提高城市生活垃圾的分类回收利用率。但是城市生活垃圾种类繁多，依靠居民自身将垃圾精准分类难度巨大。因此，利用智能化垃圾分类算法，引导居民进行垃圾分类，能够有效提高垃圾分类准确率，具有重要的社会及经济价值。
传统的垃圾分类技术种类繁多，主要有风选、浮选、磁选及光选等。然而，这些传统的垃圾分类技术存在较为严重的缺陷，首先是分类仪器成本较高，以光选为例，一台光谱仪的成本就高达十万以上，其次是分类技术的应用范围存在局限性，例如磁选只能将磁性和非磁性垃圾分离、光选只能根据颜色及色调分离垃圾。现如今，一种新的垃圾分类技术利用垃圾图像作为识别依据，在很大程度上弥补了传统垃圾分类技术的缺陷，以低成本、部署方便、应用范围广等优点，在垃圾分类领域取得了较为显著的成果。
在图像识别方面，基于深度学习的图像分类展现出极为优异的性能，而其成功的关键之一是大规模数据集。然而，数据集的标注通常需要人力完成，数据集规模越大所要消耗的成本越高，尤其是垃圾分类数据集标注难度较大，需要专家进行标注，其成本更是急剧攀升。为了解决大规模垃圾分类数据集的标注成本问题，提升深度学习模型的分类性能，一种极为有效的方式就是采用半监督学习。
半监督学习介于监督学习与无监督学习之间，能够利用海量的无标注图像样本提升模型的泛化性与准确性。2019年，Berthelot等提出了Mixmatch算法，利用mixup算法生成混合样本与混合标签，通过一致性正则化的方式提升算法性能。2020年，Sohn等提出了一种多混合的半监督学习方法Fixmatch，对无标注样本进行强弱两种数据增广，并利用交叉熵损失实现一致性正则化。2021年，Bowen等提出了Flexmatch算法，利用动态阈值取代传统的固定伪标签阈值。
目前的半监督学***衡的。而现有半监督算法应用于数据均衡的公共数据集，在垃圾数据集上分类性能达不到最优效果。2)这些现有的半监督算法忽视了不同样本之间学习难度的差异性。3)现有的半监督算法没有考虑无标签样本存在不均衡的情况。因此，研究针对类别不均衡的垃圾数据集的高性能图像分类算法对于实现现实场景下的垃圾分类需要具有重要的意义和价值。
发明内容
本发明针对类别不均衡的垃圾数据集，提供一种基于半监督学习的垃圾图像分类算法。该方法分为预处理阶段与正式处理阶段，利用预处理阶段预测无标签样本的类别分布，在正式处理阶段利用预处理阶段得到的分布，通过重采样减少数据集不均衡的影响，其次根据不同类别、不同样本之间学习难度的差异，调整无标签样本的交叉熵损失，提升模型对于垃圾数据集的分类性能。
预处理阶段算法具体实现步骤如下：
(1)每次迭代从数据集中随机挑选N个有标签样本ln和M个无标签样本um并处理。其中，ln为N个有标签样本中第n个有标签样本，um为M个无标签样本中第m个无标签样本，um在所有无标签样本集合中对应的序列号为idum。首先将所有样本尺寸调整为标准尺寸，其次将有标签样本ln经过随机翻转平移的弱数据增强策略得到对应的弱增强样本bn，将无标签样本um分别经过随机翻转平移的弱数据增强策略和RandomAugmentation的强数据增强策略得到对应的弱增强样本wm与强增强样本sm。
(2)通过卷积神经网络提取图像特征并得到样本类别置信率。将步骤(1)得到bn、sm和wm作为卷积神经网络的输入，并将输出归一化分别得到对应的类别置信率
Figure SMS_1
和/>
Figure SMS_2
其中/>
Figure SMS_3
C为样本总类别数。/>
Figure SMS_4
和/>
Figure SMS_5
分别代表bn、sm和wm属于第c类的置信率。
(3)定义分布预测列表Lpre与伪标签列表Lpse并设定最高伪标签阈值为τ，且两个列表中的所有元素皆初始化为-1。其中Lpre，Lpse∈R1×K，K为无标签样本的总数量。将
Figure SMS_6
最高置信率对应的类别作为无标签样本um的预测标签，并存储到分布预测列表Lpre中，若该置信率大于τ则将该预测标签作为伪标签存储到伪标签列表中，若置信度低于τ则将伪标签列表中该样本对应的元素重新初始化为-1。
Figure SMS_7
Figure SMS_8
Figure SMS_9
其中，
Figure SMS_10
为无标签样本um的预测标签，Lpre[idum]和Lpre[idum]分别代表无标签样本um根据其序列号idum，在Lpre和Lpse中对应的值。
(4)计算有标签样本的交叉熵损失。
Figure SMS_11
其中，
Figure SMS_12
代表有标签样本的交叉熵损失函数，yn为有标签样本ln的真实标签，/>
Figure SMS_13
代表bn经过网络预测属于yn类别的置信率。
(5)计算无标签样本的交叉熵损失。
Figure SMS_14
Figure SMS_15
其中，gm为无标签样本um交叉熵损失的前置系数，当wm经过网络预测得到的最高置信率即
Figure SMS_16
大于τ时，gm为1否则为0。/>
Figure SMS_17
为无标签样本um的交叉熵损失函数，
Figure SMS_18
代表sm经过网络预测属于/>
Figure SMS_19
类别的置信率。
(6)计算总的损失函数，采用有标注样本交叉熵损失与无标注样本交叉熵损失的加权和。
Figure SMS_20
其中，α为控制无标注样本损失函数的权重，在训练初始阶段设置为0，随着迭代次数的增加α的值逐渐线性增加到1。
(7)根据步骤(6)得到的总损失，通过梯度反向传播更新网络参数。重复步骤(1)到步骤(6)直至迭代次数超过设置的预处理阶段迭代次数，并将分布预测列表Lpre传递给正式处理阶段。
正式处理阶段算法具体实现步骤如下：
(1)根据分布预测列表Lpre确定每个无标签样本的采样概率。
Figure SMS_21
其中，ps(c)为Lpre中标签属于c类的无标签样本的采样概率，Nc为Lpre中属于c类的元素个数，C为总类别数量。
(2)每次迭代从数据集中随机挑选N个有标签样本ln并根据步骤(1)得到的采样概率挑选M个无标签样本um并处理。其他与预处理阶段步骤(1)相同。
(3)通过卷积神经网络提取图像样本特征并得到样本类别置信率，与预处理阶段步骤(2)相同。
(4)分布预测列表Lpre初始化为预处理阶段得到的分布预测列表，其他与预处理阶段步骤(3)相同。
(5)计算有标签样本的交叉熵损失，与预处理阶段步骤(4)相同。
(6)定义存在样本不均衡问题的类别学习难度标准。利用伪标签列表Lpse中的类别样本数量与分布预测列表Lpre的类别样本数量之比作为各类别的学习难度系数，系数越大代表该类别样本的学习难度越低。
Figure SMS_22
其中，σt(c)代表模型对于第c类样本在t时刻的学习难度，Nτc为Lpse中属于c类的元素数量，Nc为Lpre中属于c类的元素数量。
(7)根据类别的学习难度标准计算不同类别的子伪标签阈值。考虑到训练初始时计算得到的阈值过小，因此为类别子伪标签阈值设定一个阈值下限τmin。
Figure SMS_23
其中，τt(c)代表第c类在t时刻的子伪标签阈值，
Figure SMS_24
代表所有类别中最大的学习难度系数。
(8)计算无标签样本的交叉熵损失。修改公式(5)与公式(6)，根据样本间学习难度的差异，动态调整无标签样本的交叉熵损失函数的权重。
Figure SMS_25
Figure SMS_26
其中，
Figure SMS_27
为更改后的前置系数，/>
Figure SMS_28
代表第/>
Figure SMS_29
类在t时刻的子伪标签阈值，
Figure SMS_30
为更改后的无标签样本损失函数，/>
Figure SMS_31
代表无标签样本um的学习难度系数。
(9)计算总的损失函数，与预处理阶段步骤(6)相同。
(10)根据步骤(9)得到的总损失，通过梯度反向传播更新网络参数。重复步骤(1)到步骤(9)直至收敛或迭代次数超过设置的最大迭代次数。
本发明在实际的有益效果如下：1)利用预处理阶段预测无标签样本的类别分布状况，在正式处理阶段根据预测分布对无标签样本进行重采样降低垃圾数据集中样本不平衡问题的影响。2)通过对于样本的不均衡问题具有鲁棒性的类别学习难度标准，动态调整不同类别的子伪标签阈值，使得模型训练更加快速有效，提升模型的分类效果。3)考虑样本之间学习难度的差异，使得模型更加侧重学习难度较大的样本，提升模型分类效果。
附图说明
图1预处理阶段算法流程图
图2正式处理阶段算法流程图
图3本发明提出的算法与Flexmatch算法的top-1性能对比图
图4本发明提出的算法与Flexmatch算法的Precision性能对比图
图5本发明提出的算法与Flexmatch算法的F1性能对比图
具体实施方式
本发明提出的基于半监督学习的垃圾图像分类算法，结合具体实施案例详细说明如下：
预处理阶段算法流程如图1所示，其具体实现步骤如下：
(1)每次迭代从垃圾数据集的有标签集合中随机挑选4张样本{l1，l2，l3，l4}，其对应的真实标签分别为{y1，y2，y3，y4}，并从无标签集合中随机挑选28张样本{u1，u2...}，这28个无标签样本在所有无标签样本集合中对应的序列号分别为{idu1，idu2...}。首先将所有样本尺寸调整为224*224，其次将4个有标签样本通过随机翻转平移得到对应的4个弱增强样本{b1，b2，b3，b4}，将28张无标签样本分别经过随机翻转平移与Random Augmentation得到对应的28个弱增强样本{w1，w2...}与28个强增强样本{s1，s2...}。
(2)将步骤(1)得到的60个样本输入到ResNet-50并将输出归一化分别得到对应的类别置信率。{b1，b2，b3，b4}、{w1，w2...}与{s1，s2...}对应的类别置信率分别为
Figure SMS_32
和/>
Figure SMS_33
由于垃圾数据集的总类别数为28类，因此所有的类别置信率都是长度为28的行向量。以/>
Figure SMS_34
为例，/>
Figure SMS_35
为w1经过ResNet-50得到的属于第0类的置信率。
(3)定义分布预测列表Lpre与伪标签列表Lpse并设定最高伪标签阈值为0.9，垃圾数据集无标签样本的总数量为170000，因此Lpre，Lpse∈R1×170000，且两个列表中的所有元素皆初始化为-1。将
Figure SMS_36
中最高置信率对应的类别作为预测标签并存储到Lpre中，若该置信率高于0.9则将该预测标签作为伪标签存储到伪标签列表Lpse中，若置信度低于0.9则将伪标签列表中该样本对应的元素重新初始化为-1。以无标签样本u1为例。
Figure SMS_37
Figure SMS_38
Figure SMS_39
其中，
Figure SMS_40
为无标签样本u1的预测标签，Lpre[idu1]和Lpre[idu1]代表无标签样本u1根据其序列号idu1，在Lpre和Lpse中对应的值。若/>
Figure SMS_41
为0，，idu1为1000，/>
Figure SMS_42
为0.95，则Lpre[1000]为0，Lpse[1000]由于/>
Figure SMS_43
大于0.9因此同样为0。
(4)计算有标签样本的交叉熵损失。以有标签样本l1为例。
Figure SMS_44
其中，
Figure SMS_45
代表有标签样本l1的交叉熵损失函数，y1为有标签样本l1的真实标签，/>
Figure SMS_46
代表b1经过ResNet-50预测属于y1类别的置信率。若y1为0，/>
Figure SMS_47
为0.5，则/>
Figure SMS_48
为0.301。
(5)计算无标签样本的交叉熵损失。以无标签样本u1为例。
Figure SMS_49
Figure SMS_50
其中，g1为无标签样本u1交叉熵损失的前置系数，当w1经过网络预测得到的最高置信率即
Figure SMS_51
大于0.9时，g1为1否则为0，/>
Figure SMS_52
为无标签样本u1的交叉熵损失函数，
Figure SMS_53
代表sm经过ResNet-50预测属于/>
Figure SMS_54
类别的置信率。根据步骤(3)的假设此时g1为1，若
Figure SMS_55
为0.4，则/>
Figure SMS_56
为0.398。
(6)计算总的损失函数，采用此次迭代所有标签样本的交叉熵损失与所有无标签样本的交叉熵损失的加权和。
Figure SMS_57
其中，α为控制无标注样本损失函数的权重，在训练初始阶段设置为0，随着迭代次数的增加α的值逐渐线性增加到1。
(7)根据总损失，梯度反向传播更新网络参数。重复步骤(1)到步骤(6)直至迭代次数超过50000次，并将分布预测列表Lpre传递给正式处理阶段。
正式处理阶段算法流程如图2所示，其具体实现步骤如下：
(1)根据分布预测列表Lpre确定每个无标签样本的采样概率。以预测标签等于0的样本为例。
Figure SMS_58
其中，ps(0)为Lpre中预测标签属于0的无标签样本的采样概率，N0为分布预测列表Lpre中属于第0类的元素个数。若某个无标签样本在预处理阶段得到的分布预测标签为0，Lpre中元素0有1000个，则该无标签样本的采样概率为1/28000。
(2)每次迭代随机从有标签样本集合中挑选4个有标签样本{l1，l2，l3，l4}，并根据步骤(1)得到的采样概率从无标签样本集合中挑选28个无标签样本{u1，u2...}作为一个batch，其他与预处理阶段步骤(1)相同。
(3)通过ResNet-50提取图像样本特征并得到样本类别置信率，与预处理阶段步骤(2)相同。
(4)定义分布预测列表Lpre与伪标签列表Lpse并设定最高伪标签阈值为0.9。令正式处理阶段定义的Lpre初始化为预处理阶段得到的分布预测列表，Lpse元素初始化为-1，其他与预处理阶段步骤(3)相同。
(5)计算有标签样本的交叉熵损失，与预处理阶段步骤(4)相同。
(6)定义存在样本不均衡问题的类别学习难度标准。以第0类为例，利用伪标签列表Lpse中属于第0类的元素个数与分布预测列表Lpre中属于第0类的元素个数之比作为第0类的学习难度系数。
Figure SMS_59
其中，σt(0)代表模型对于第0类在t时刻的学习难度，Nτ0为Lpse中属于0类的元素数量，N0为Lpre中属于0类的元素数量。若Lpse中0的元素个数为200，分布预测列表Lpre中0的元素个数为1000，则类别0对于模型的学习难度系数为0.2，系数越大代表该类别样本的学习难度越低。
(7)根据类别的学习难度标准计算得到不同类别的子伪标签阈值。考虑到训练初始时计算得到的阈值过小，为类别子伪标签阈值设定一个阈值下限0.4。以第0类样本为例。
Figure SMS_60
其中，τt(0)代表第0类在t时刻的子伪标签阈值，
Figure SMS_61
代表所有类别中最大的学习难度系数。若28个类别中最大的学习难度系数为0.8，则类别0的子伪标签阈值为0.535。
(8)计算无标签样本的交叉熵损失。修改公式(17)与公式(18)，根据样本间学习难度的差异，动态调整无标签样本的交叉熵损失函数的权重。以无标签样本u1为例。
Figure SMS_62
Figure SMS_63
其中，
Figure SMS_64
为更改后的前置系数，/>
Figure SMS_65
代表第/>
Figure SMS_66
类在t时刻的子伪标签阈值，/>
Figure SMS_67
为更改后的无标签样本u1的损失函数，/>
Figure SMS_68
代表u1的学习难度系数。若样本u1的预测标签
Figure SMS_69
为0，其弱增强样本经过ResNet-50预测得到的最高置信率为0.7大于0.535，则该样本损失的前置系数为1，其强增强样本经过网络预测的对于类别0的置信率为0.4，则其交叉熵损失为0.732。
(9)计算总的损失函数，与预处理阶段步骤(6)相同。
(10)根据步骤(9)得到的总损失，梯度反向传播更新网络参数。重复步骤(1)到步骤(9)直至网络收敛或迭代次数超过600000次。
最终训练得到的模型测试结果与Flexmatch算法对比如图3、图4和图5所示。其中深色曲线代表本发明提出的算法结果，浅色曲线代表Flexmatch算法结果，可以明显看出本发明提出的算法在具有样本不均衡特性的垃圾图像分类数据集方面明显优于Flexmatch算法。

Claims (6)

1.一种适用于大规模垃圾数据分析的半监督垃圾图像分类算法，其特征在于，利用预处理阶段预测无标签样本的类别分布，在正式处理阶段利用预处理阶段得到的分布，通过重采样减少数据集不均衡的影响，其次根据不同类别、不同样本之间学习难度的差异，调整无标签样本的交叉熵损失，其中，主要步骤如下：
步骤1，定义预测分布列表，通过预处理阶段更新预测分布列表中各无标签样本的预测标签；
步骤2，根据预处理阶段得到的预测分布列表计算正式处理阶段每个无标签样本的采样概率，通过重采样降低数据集的样本不均衡问题；
步骤3，正式处理阶段通过预测分布列表与伪标签列表，计算各个类别样本的学习难度系数，并得到不同类别的子伪标签阈值；
步骤4，根据样本间学习难度的差异，动态调整无标签样本的交叉损失函数的权重。
2.根据权利要求1所述的预测分布列表，其特征在于预测分布列表长度为所有无标签样本的数量，每个无标签样本都能根据序列号在该列表中找到对应位置。
3.根据权利要求1所述的预测标签，其特征在于将无标签样本的弱增强样本通过卷积神经网络得到类别置信率的最大值所属类别定义为该无标签样本的预测标签。
4.根据权利要求2所述的采样概率，其特征在于每个无标签样本的采样概率为该样本在预测分布列表中对应类别的样本数量乘以总类别数后的倒数。
5.根据权利要求3所述的类别学习难度系数，其特征在于每个类别的学习难度系数为伪标签列表中该类别的元素数量除以预测分布列表中该类别的元素数量。
6.根据权利要求4所述的样本间学习难度差异，其特征在于将无标签样本的强增强样本通过卷积神经网络得到类别置信率的最大值顶定义为该样本的学习难度系数。
CN202211451997.3A 2022-11-21 2022-11-21 一种基于半监督学习的垃圾图像分类算法 Pending CN116310475A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211451997.3A CN116310475A (zh) 2022-11-21 2022-11-21 一种基于半监督学习的垃圾图像分类算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211451997.3A CN116310475A (zh) 2022-11-21 2022-11-21 一种基于半监督学习的垃圾图像分类算法

Publications (1)

Publication Number Publication Date
CN116310475A true CN116310475A (zh) 2023-06-23

Family

ID=86817325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211451997.3A Pending CN116310475A (zh) 2022-11-21 2022-11-21 一种基于半监督学习的垃圾图像分类算法

Country Status (1)

Country Link
CN (1) CN116310475A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117611932A (zh) * 2024-01-24 2024-02-27 山东建筑大学 基于双重伪标签细化和样本重加权的图像分类方法及***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117611932A (zh) * 2024-01-24 2024-02-27 山东建筑大学 基于双重伪标签细化和样本重加权的图像分类方法及***
CN117611932B (zh) * 2024-01-24 2024-04-26 山东建筑大学 基于双重伪标签细化和样本重加权的图像分类方法及***

Similar Documents

Publication Publication Date Title
CN111126386B (zh) 场景文本识别中基于对抗学习的序列领域适应方法
CN109492026B (zh) 一种基于改进的主动学习技术的电信欺诈分类检测方法
CN108229550B (zh) 一种基于多粒度级联森林网络的云图分类方法
CN111582397B (zh) 一种基于注意力机制的cnn-rnn图像情感分析方法
CN111160553B (zh) 一种新的领域自适应学习方法
CN112600618B (zh) 一种基于注意力机制的可见光信号均衡***及方法
CN111461025B (zh) 一种自主进化的零样本学习的信号识别方法
CN111506773A (zh) 一种基于无监督深度孪生网络的视频去重方法
CN114881092A (zh) 一种基于特征融合的信号调制识别方法
CN107480723B (zh) 基于局部二进制阈值学习网络的纹理识别方法
CN116310475A (zh) 一种基于半监督学习的垃圾图像分类算法
CN116385791A (zh) 基于伪标签的重加权半监督图像分类方法
CN116452862A (zh) 基于领域泛化学习的图像分类方法
CN117152606A (zh) 一种基于置信度动态学习的遥感图像跨域小样本分类方法
CN115062727A (zh) 一种基于多阶超图卷积网络的图节点分类方法及***
CN112990371B (zh) 一种基于特征扩增的无监督夜间图像分类方法
CN117315534A (zh) 一种基于vgg-16和鲸鱼优化算法的短视频分类方法
CN116775880A (zh) 一种基于标签语义和迁移学习的多标签文本分类方法及***
CN113537325B (zh) 一种用于图像分类的基于提取高低层特征逻辑的深度学习方法
CN113553917B (zh) 一种基于脉冲迁移学习的办公设备识别方法
CN112541081B (zh) 一种基于领域自适应的可迁移谣言检测方法
Dong et al. Text sentiment polarity classification based on TextCNN-SVM combination model
CN113313108A (zh) 一种基于超大感受野特征优化的显著性目标检测方法
CN113392876A (zh) 一种基于图神经网络的小样本图像分类方法
CN113139464A (zh) 一种电网故障检测方法

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