-
公开(公告)号：CN117746140B
公开(公告)日：2025-01-10
申请号：CN202311772256.X
申请日：2023-12-21
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06N3/084 , G06F18/22 , G06V10/82 , G06N3/045
Abstract: 一种基于提示词微调和特征重放的小样本类增量图像分类方法，属于计算机视觉领域中的小样本类增量图像分类领域。本发明针对现有基于纯视觉模型的小样本类增量图像分类方法分类能力差的问题。包括使用可学习提示词和类别名的拼接作为文本编码器的输入，利用图像特征和文本特征的匹配结果，以及真实标签计算交叉熵损失函数来优化可学习提示词；利用上一阶段训练好的提示词来初始化当前阶段的提示词，根据每个类别训练图片的特征，以及VAE输出的合成特征，来估计每个类别特征层面上的高斯分布；在当前阶段使用旧类别的特征高斯分布做虚拟特征采样，计算交叉熵损失函数，并综合新旧类别的交叉熵损失来约束提示词的优化方向。本发明用于增量图像分类。
-
Patent Agency Ranking
公开(公告)号：CN117746140A
公开(公告)日：2024-03-22
申请号：CN202311772256.X
申请日：2023-12-21
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06N3/084 , G06F18/22 , G06V10/82 , G06N3/045
Abstract: 一种基于提示词微调和特征重放的小样本类增量图像分类方法，属于计算机视觉领域中的小样本类增量图像分类领域。本发明针对现有基于纯视觉模型的小样本类增量图像分类方法分类能力差的问题。包括使用可学习提示词和类别名的拼接作为文本编码器的输入，利用图像特征和文本特征的匹配结果，以及真实标签计算交叉熵损失函数来优化可学习提示词；利用上一阶段训练好的提示词来初始化当前阶段的提示词，根据每个类别训练图片的特征，以及VAE输出的合成特征，来估计每个类别特征层面上的高斯分布；在当前阶段使用旧类别的特征高斯分布做虚拟特征采样，计算交叉熵损失函数，并综合新旧类别的交叉熵损失来约束提示词的优化方向。本发明用于增量图像分类。
-
公开(公告)号：CN113989558A
公开(公告)日：2022-01-28
申请号：CN202111263101.4
申请日：2021-10-28
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/774 , G06K9/62 , G06N3/08
Abstract: 基于迁移学习与边界框调节的弱监督目标检测方法，属于图像理解目标检测领域。解决了针对现有技术中依赖传统的候选框生成算法获取目标边界框结果的方式，仍然存在目标边界框回归能力较差，导致弱监督目标检测的定位性能差的缺陷的问题。本发明先利用多阶段迁移学习方法及辅助弱监督目标检测网络模块faux对可学习的边界框调节网络模块g进行训练，来提高训练后的可学习的边界框调节网络模块g′的精度，再利用训练后的可学习的边界框调节网络模块g′对所构建的目标弱监督目标检测网络模块f进行训练，更进一步的提升训练后的目标弱监督目标检测网络模块f′的目标边界框回归能力，最终提高目标检测精度。本发明主要应用于对图像中的目标进行检测。
-
公开(公告)号：CN118762230A
公开(公告)日：2024-10-11
申请号：CN202411064927.1
申请日：2024-08-05
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/762 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 实现类别平衡采样的主动‑类增量图像分类方法及装置，涉及增量任务的图像分类领域。解决现有面向无标签图像集合在基于主动学习的类增量图像分类模型进行样本选择时呈现严重的类别不平衡现象的问题。本发明采用本发明所设计的改进贪心采样算法来选出一批有价值样本，使得挑选样本所服从的分布接近全体样本的分布，进而实现采样的类别平衡。该改进贪心采样算法通过计算所选样本构成的分布以及本簇中全部样本构成的分布的相似程度来决定每个样本是否有价值被选择。本发明主要用于实现增量任务的图像分类。
-
公开(公告)号：CN113989558B
公开(公告)日：2024-04-30
申请号：CN202111263101.4
申请日：2021-10-28
Applicant: 哈尔滨工业大学
IPC: G06V10/25 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/096 , G06N3/0895
Abstract: 基于迁移学习与边界框调节的弱监督目标检测方法，属于图像理解目标检测领域。解决了针对现有技术中依赖传统的候选框生成算法获取目标边界框结果的方式，仍然存在目标边界框回归能力较差，导致弱监督目标检测的定位性能差的缺陷的问题。本发明先利用多阶段迁移学习方法及辅助弱监督目标检测网络模块faux对可学习的边界框调节网络模块g进行训练，来提高训练后的可学习的边界框调节网络模块g′的精度，再利用训练后的可学习的边界框调节网络模块g′对所构建的目标弱监督目标检测网络模块f进行训练，更进一步的提升训练后的目标弱监督目标检测网络模块f′的目标边界框回归能力，最终提高目标检测精度。本发明主要应用于对图像中的目标进行检测。
-
公开(公告)号：CN116881848A
公开(公告)日：2023-10-13
申请号：CN202310887646.5
申请日：2023-07-19
Applicant: 哈尔滨工业大学
IPC: G06F18/25 , G06N3/0895
Abstract: 基于多模型权重迭代式融合的半监督物体检测方法，属于二维图像的物体检测领域。本发明针对现有半监督物体检测中学生‑教师双网络联合训练模型的方法会降低学生和教师模型之间差异性的问题。包括设置N组结构相同的学生‑教师双网络；对每组学生‑教师双网络设置不同的训练超参数，并训练Tp个迭代周期；将N组训练后的学生‑教师双网络中，N个学生网络的模型权重进行平均，得到权重平均值；更新N个学生网络的模型权重并进行下一轮训练，直到学生‑教师双网络达到收敛状态；将收敛后N组学生‑教师双网络中的一组学生‑教师双网络作为检测器用于二维图像的物体检测。本发明用于实现半监督物体检测。
-
-
-
-
-
Search Results
6
records
(took 0.024 seconds)
