-
公开(公告)号：CN103793713A
公开(公告)日：2014-05-14
申请号：CN201210429630.1
申请日：2012-10-31
Applicant: 中国科学院沈阳自动化研究所
Abstract: 本发明涉及低秩约束的在线自监督学习的场景分类方法，包括以下步骤：对离线的图像数据进行训练并进行特征提取；进行小批训练来获得一个最初的度量学习者；依次输入在线数据图像并提取图像特征；判断图像特征有无标签；如果有标签，则更新度量学习者；如果无标签，则测量图像特征与每个训练样本之间的相似度，利用生成的双向线性图来传播它的标签；判断样本的特征向量相似度得分；如果得分高则更新度量学习者；否则输入在线数据图像。本发明能够逐渐地实现自我更新并且合并从标记样本和未标记样本获得的有用信息；用统一的在线自我更新模型的框架用来处理在线场景分类，能够实现场景的在线自动分类，保证了分类的准确性，提高了工作效率。
-
公开(公告)号：CN103793713B
公开(公告)日：2017-09-15
申请号：CN201210429630.1
申请日：2012-10-31
Applicant: 中国科学院沈阳自动化研究所
Abstract: 本发明涉及低秩约束的在线自监督学习的场景分类方法，包括以下步骤：对离线的图像数据进行训练并进行特征提取；进行小批训练来获得一个最初的度量学习者；依次输入在线数据图像并提取图像特征；判断图像特征有无标签；如果有标签，则更新度量学习者；如果无标签，则测量图像特征与每个训练样本之间的相似度，利用生成的双向线性图来传播它的标签；判断样本的特征向量相似度得分；如果得分高则更新度量学习者；否则输入在线数据图像。本发明能够逐渐地实现自我更新并且合并从标记样本和未标记样本获得的有用信息；用统一的在线自我更新模型的框架用来处理在线场景分类，能够实现场景的在线自动分类，保证了分类的准确性，提高了工作效率。
-
Search Results
2
records
(took 0.047 seconds)
