-
公开(公告)号：CN114723998B
公开(公告)日：2023-06-20
申请号：CN202210482490.8
申请日：2022-05-05
Applicant: 兰州理工大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08 , G06N5/04
Abstract: 本发明公开了一种基于大边界贝叶斯原型学习的小样本图像分类方法及装置，方法包括以下步骤：S1、对数据进行预处理，其中数据包括训练集和测试集；S2、基于卷积神经网络和高斯分布模型，构建贝叶斯原型分布模型；S3、基于优化后的贝叶斯原型分布模型的目标函数并求解模型参数；S4、利用优化后的贝叶斯原型分布模型对测试集图像进行分类，测评模型的性能。本发明引入了大边界分类和变分推理的思想，基于分布估计建模的方式进行研究，建立了一种基于大边界贝叶斯原型学习的小样本图像分类方法及装置，解决了小样本图像分类中存在的原型偏差问题，改善了图像的分类效果，具有很高的实用价值。
-
公开(公告)号：CN115294381A
公开(公告)日：2022-11-04
申请号：CN202210487137.9
申请日：2022-05-06
Applicant: 兰州理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于特征迁移和正交先验的小样本图像分类方法及装置，在基于深度度量的小样本图像分类研究基础上，研究高辨识度的特征提取的小样本分类框架。通过引入特征迁移和正交先验的小样本图像特征学习，假设新类和基类共享特征提取方式、并假设新类数据的不同类别的特征正交，通过构建一个正交化特征适应网络，来学习正交特征子空间，使得不同类特征彼此正交，从而提高的特征的辨识度。本发明对小样本学习的理论研究、推动机器识别技术的广泛应用具有非常重要的意义。同时，对我国率先突破小样本学习的理论瓶颈、掌握人工智能的先进技术将起到添砖加瓦的作用。
-
公开(公告)号：CN114723998A
公开(公告)日：2022-07-08
申请号：CN202210482490.8
申请日：2022-05-05
Applicant: 兰州理工大学
Abstract: 本发明公开了一种基于大边界贝叶斯原型学习的小样本图像分类方法及装置，方法包括以下步骤：S1、对数据进行预处理，其中数据包括训练集和测试集；S2、基于卷积神经网络和高斯分布模型，构建贝叶斯原型分布模型；S3、基于优化后的贝叶斯原型分布模型的目标函数并求解模型参数；S4、利用优化后的贝叶斯原型分布模型对测试集图像进行分类，测评模型的性能。本发明引入了大边界分类和变分推理的思想，基于分布估计建模的方式进行研究，建立了一种基于大边界贝叶斯原型学习的小样本图像分类方法及装置，解决了小样本图像分类中存在的原型偏差问题，改善了图像的分类效果，具有很高的实用价值。
-
公开(公告)号：CN116863238A
公开(公告)日：2023-10-10
申请号：CN202310888347.3
申请日：2023-07-19
Applicant: 兰州理工大学
IPC: G06V10/764 , G06V10/774
Abstract: 本发明公开了一种基于视觉迁移对齐的图像分类方法及装置，涉及图像分类技术领域。本发明在训练阶段使用MAE的方式对基类数据进行无监督训练，旨在提取基类数据下高辨识度的局部视觉特征，编码网络的选取采用标准的ViT模型，在编码模块输出的特征上进行掩码，使编码模块的输入长度始终保持一致。然后将训练好的编码网络用于测试阶段对新类数据提取局部视觉特征，在新类数据下利用高辨识度的基类局部视觉特征对新类数据中辨识度不足的特征进行替换，并在度量之前在空间位置上对视觉特征进行对齐，以此提升新类数据特征的辨识度和度量的准确性，进而提升小样本图像分类的性能。
-
公开(公告)号：CN116863237A
公开(公告)日：2023-10-10
申请号：CN202310888147.8
申请日：2023-07-19
Applicant: 兰州理工大学
IPC: G06V10/764 , G06V10/44 , G06N3/048 , G06V10/74
Abstract: 本发明公开了一种基于类别相关特征重建的图像分类方法及装置，涉及图像分类技术领域。本发明采用特征重建的方式，首先通过支持特征过滤模块对无关特征和背景特征进行过滤，保留类别相关的关键性的特征，并使用这些关键的特征对同类的特征进行重建，使模型拥有对类别相关的关键特征提取的能力。通过构建一个类别相关的特征重建网络，来学习高辨识度的特征，从而提高小样本图像分类的能力，解决了目前的基于度量学习的小样本图像分类方法对样本特征进行直接的度量存在视觉特征不对齐、无关特征和背景特征干扰等问题，保证度量结果的准确性。
-
Patent Agency Ranking
公开(公告)号：CN115294381B
公开(公告)日：2023-06-30
申请号：CN202210487137.9
申请日：2022-05-06
Applicant: 兰州理工大学
IPC: G06V10/764 , G06V10/77 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于特征迁移和正交先验的小样本图像分类方法及装置，在基于深度度量的小样本图像分类研究基础上，研究高辨识度的特征提取的小样本分类框架。通过引入特征迁移和正交先验的小样本图像特征学习，假设新类和基类共享特征提取方式、并假设新类数据的不同类别的特征正交，通过构建一个正交化特征适应网络，来学习正交特征子空间，使得不同类特征彼此正交，从而提高的特征的辨识度。本发明对小样本学习的理论研究、推动机器识别技术的广泛应用具有非常重要的意义。同时，对我国率先突破小样本学习的理论瓶颈、掌握人工智能的先进技术将起到添砖加瓦的作用。
-
公开(公告)号：CN114782779A
公开(公告)日：2022-07-22
申请号：CN202210487387.2
申请日：2022-05-06
Applicant: 兰州理工大学
IPC: G06V10/774 , G06K9/62 , G06N20/00
Abstract: 本发明公开了一种基于特征分布迁移的小样本图像特征学习方法及装置，在前期利用基类的数据结合梯度下降的方法，对嵌入模块以及分布学习模块的参数进行优化，后期进行分布矫正时，并不需要额外的参数设置；另外，通常假设特征表示中的每个维度都遵循高斯分布，这样高斯分布的均值和方差可以在类似的类别之间传递，减少偏差，以便这些类别的统计数据在足够的样本数下得到更好的估计，再利用分布矫正模型，对样本的分布进行矫正，从而更为精准的对新类样本进行分类。同时可以与任何分类器和特征提取器配对，无需额外的参数，解决了小样本图像分类中存在的原型偏差问题，改善了图像的分类效果，具有很高的实用价值。
-
公开(公告)号：CN116863239A
公开(公告)日：2023-10-10
申请号：CN202310888587.3
申请日：2023-07-19
Applicant: 兰州理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于特征扩散模型的图像分类方法及装置，涉及图像分类技术领域。引入特征迁移和扩散模型的技术，将样本的深层卷积特征作为条件，深层特征在此基础上进行去噪，使得去噪后的特征与同类别样本的特征拥有较高的相似性。采用特征扩散的方式在基类数据下学习一个较好的特征提取器，提取高辨识度的视觉特征，生成更具判别性的特征，与此同时相比于原始的扩散模型算法，所需的数据量少，易于实现，且节省了大量的时间和计算资源成本。在测试阶段采用余弦距离衡量查询样本特征和去噪后的特征之间余弦相似性，进而对新类的查询样本进行分类，从而提升小样本图像分类的性能。
-
公开(公告)号：CN114943859B
公开(公告)日：2023-06-20
申请号：CN202210479781.1
申请日：2022-05-05
Applicant: 兰州理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种面向小样本图像分类的任务相关度量学习方法及装置，方法主要由数据预处理阶段、构建网络模型阶段、训练模型参数阶段和测试模型性能阶段组成，本发明通过考虑不同任务之间的差异性，引入注意力机制的思想，并学习任务相关的空间映射，利用任务自适应度量学习的方式，解决了小样本图像分类中存在的自适应度量学习问题，从而提高在小样本条件下目标任务分类的准确性，改善了图像的分类效果，具有很高的实用价值。
-
公开(公告)号：CN114782779B
公开(公告)日：2023-06-02
申请号：CN202210487387.2
申请日：2022-05-06
Applicant: 兰州理工大学
IPC: G06V10/774 , G06V10/764 , G06N20/00
Abstract: 本发明公开了一种基于特征分布迁移的小样本图像特征学习方法及装置，在前期利用基类的数据结合梯度下降的方法，对嵌入模块以及分布学习模块的参数进行优化，后期进行分布矫正时，并不需要额外的参数设置；另外，通常假设特征表示中的每个维度都遵循高斯分布，这样高斯分布的均值和方差可以在类似的类别之间传递，减少偏差，以便这些类别的统计数据在足够的样本数下得到更好的估计，再利用分布矫正模型，对样本的分布进行矫正，从而更为精准的对新类样本进行分类。同时可以与任何分类器和特征提取器配对，无需额外的参数，解决了小样本图像分类中存在的原型偏差问题，改善了图像的分类效果，具有很高的实用价值。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.023 seconds)
