-
公开(公告)号：CN119090880B
公开(公告)日：2025-02-11
申请号：CN202411573157.3
申请日：2024-11-06
Applicant: 东北大学
IPC: G06T7/00 , G06V10/764 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于动态正则熵可微分架构搜索的工业缺陷图像检测方法，涉及图像分析技术领域。获取待检测分类的工业图像数据并构建工业图像数据集，划分训练集和验证集；构建用于搜索架构的可微分搜索超网模型，初始化网络权重ω和架构参数α，及计算损失函数和梯度更新用的损失模型和优化器；进行多轮次训练，每轮次的各批量中分别使用训练集、验证集计算损失并更新ω、α；训练完后，将α离散化，得到最后搜索的神经网络架构，并在整个数据集上对该架构进行重训练，将其作为检测工业图像中异常缺陷的分类模型，输入待检测分类的实际工业图像，得到缺陷检测结果。本发明方法能在长时间搜索下不出现性能坍塌，能搜索出检测性能优良的架构。
-
Patent Agency Ranking
公开(公告)号：CN118799617A
公开(公告)日：2024-10-18
申请号：CN202410753102.4
申请日：2024-06-12
Applicant: 东北大学
IPC: G06V10/764 , G06V10/82 , G06N3/0985 , G06N3/086 , G06N3/0499
Abstract: 本发明公开一种基于遗传规划的元学习小样本图像分类方法，涉及机器学习与图像处理技术领域。确定元学习的模式N‑way K‑shot learning；获取元训练集和元测试集；构建训练批次和验证批次；获取初始种群；将MAML算法与遗传规划结合获取最好个体；将最好个体对应的神经网络架构作为最终的神经网络架构，将待分类的图像输入最终的神经网络架构得到特征向量，将特征向量输入到支持向量机分类器中，获取分类结果。现有技术中网络结构是通过重用最流行的分类网络结构而任意选择的，结构固定，由于图像之间的高度变化以及图像中的扭曲，使用固定结构的网络在对不同图像进行的好的特征提取是困难的，本发明在元学习算法中使用遗传规划自动生成的架构进行更好的特征提取。
-
公开(公告)号：CN118608875A
公开(公告)日：2024-09-06
申请号：CN202411070669.8
申请日：2024-08-06
Applicant: 东北大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/086 , G06N3/126
Abstract: 本发明提供一种基于鲁棒遗传规划和特征学习的弱图像分类方法，涉及图像分析技术领域。该方法具体包括：获取待分类的弱图像数据并构建弱图像数据集，按照预设的比例将弱图像数据集划分训练集；基于分布式进化算法生成个体并构建初始种群；构建对抗训练的新进化模式，并利用对抗训练的新进化模式对初始种群中的个体进行训练，利用训练后的个体构建新的种群作为当前种群；采用分布式进化算法从当前种群中选取最优个体；将最优个体对应的个体树结构作为弱图像分类模型，获取待分类的弱图像数据并输入该弱图像分类模型，得到该弱图像数据的特征向量并采用线性SVM进行分类，得到该弱图像数据的分类结果。
-
公开(公告)号：CN119090880A
公开(公告)日：2024-12-06
申请号：CN202411573157.3
申请日：2024-11-06
Applicant: 东北大学
IPC: G06T7/00 , G06V10/764 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于动态正则熵可微分架构搜索的工业缺陷图像检测方法，涉及图像分析技术领域。获取待检测分类的工业图像数据并构建工业图像数据集，划分训练集和验证集；构建用于搜索架构的可微分搜索超网模型，初始化网络权重ω和架构参数α，及计算损失函数和梯度更新用的损失模型和优化器；进行多轮次训练，每轮次的各批量中分别使用训练集、验证集计算损失并更新ω、α；训练完后，将α离散化，得到最后搜索的神经网络架构，并在整个数据集上对该架构进行重训练，将其作为检测工业图像中异常缺陷的分类模型，输入待检测分类的实际工业图像，得到缺陷检测结果。本发明方法能在长时间搜索下不出现性能坍塌，能搜索出检测性能优良的架构。
-
公开(公告)号：CN118608875B
公开(公告)日：2024-10-18
申请号：CN202411070669.8
申请日：2024-08-06
Applicant: 东北大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/086 , G06N3/126
Abstract: 本发明提供一种基于鲁棒遗传规划和特征学习的弱图像分类方法，涉及图像分析技术领域。该方法具体包括：获取待分类的弱图像数据并构建弱图像数据集，按照预设的比例将弱图像数据集划分训练集；基于分布式进化算法生成个体并构建初始种群；构建对抗训练的新进化模式，并利用对抗训练的新进化模式对初始种群中的个体进行训练，利用训练后的个体构建新的种群作为当前种群；采用分布式进化算法从当前种群中选取最优个体；将最优个体对应的个体树结构作为弱图像分类模型，获取待分类的弱图像数据并输入该弱图像分类模型，得到该弱图像数据的特征向量并采用线性SVM进行分类，得到该弱图像数据的分类结果。
-
公开(公告)号：CN118155046A
公开(公告)日：2024-06-07
申请号：CN202410565402.X
申请日：2024-05-09
Applicant: 东北大学
IPC: G06V10/82 , G06V10/764 , G06N3/0495 , G06N3/082 , G06N3/084
Abstract: 本发明提供一种用于图像分类的神经架构加速搜索方法，涉及计算机视觉应用技术领域。利用现有的带标注的源域架构数据集训练一个单域预测器，在不经训练的情况下，在未见过的目标域上找到最优的轻量化神经网络架构用于图像分类；为进一步提高预测器泛化能力，设计一种新的多头注意力辅助正则化器，其输出是非负标量，其输入取决于预测器的参数ω，正则化器的学习旨在使元训练中预测器的训练导致元测试中性能的提高。本发明用于制造业生产环节的低质量图像分类，利用单源域泛化的预测器实现对神经架构搜索评估过程的加速，进而为对低质量图像分类任务快速的搜索轻量化的神经架构用于弱图像分类任务，提高低质量图像分类任务的部署效率和准确率。
-
-
-
-
-
Search Results
6
records
(took 0.016 seconds)
