-
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：CN114782752B
公开(公告)日：2023-09-05
申请号：CN202210487571.7
申请日：2022-05-06
Applicant: 兰州理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0895 , G06N3/096
Abstract: 本发明公开了一种基于自训练的小样本图像集成分类方法及装置，通过迁移基类数据的卷积特征提取，使用查询样本进行基分类器的自训练，不断地将伪标签集加到支持集扩充支持集，并运用到下一次基分类器自训练中，提高了基分类器自训练结果的可靠性。自训练过程中产生的基分类器，不断通过模型平均得到集成分类器，经过多次迭代自训练和分类器集成过程，得到最终的集成分类器，通过构建损失函数，使得基分类器在查询样本上有确定的、不同的预测，实现了基分类器的不同，解决现有小样本分类方法中，基于特征迁移和查询样本自训练的小样本图像集成分类中基学习器的多样性问题，对于提升图像的分类效果非常显著，具有很高的使用价值。
-
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。
-
Patent Agency Ranking
公开(公告)号：CN114818945A
公开(公告)日：2022-07-29
申请号：CN202210480401.6
申请日：2022-05-05
Applicant: 兰州理工大学
IPC: G06K9/62 , G06V10/764 , G06V10/774 , G06V10/74 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种融入类别自适应度量学习的小样本图像分类方法及装置，由数据预处理模块、构建网络模型模块、训练模型参数模块和测试模型性能模块组成。本发明提供的融入类别自适应度量学习的小样本图像分类方法及装置，为每个类别构建一个度量模块，通过对类内共性特征的学习，建立基于类内共性特征的度量，利用已经进行过预训练的嵌入模块，输入支持样本得到特征矩阵，并将其输入到类相关自适应度量模块，进行特征拼接并得到关系分数，将相似性最大的类作为预测类别，得到最终预测结果，从而提高小样本图像分类的性能，解决小样本图像分类中基于类内共性特征的度量学习问题，对于图像的分类效果十分明显，在实践中体现出极大价值。
-
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：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：CN114943859A
公开(公告)日：2022-08-26
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 , G06N3/04
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：CN114782752A
公开(公告)日：2022-07-22
申请号：CN202210487571.7
申请日：2022-05-06
Applicant: 兰州理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于自训练的小样本图像集成分类方法及装置，通过迁移基类数据的卷积特征提取，使用查询样本进行基分类器的自训练，不断地将伪标签集加到支持集扩充支持集，并运用到下一次基分类器自训练中，提高了基分类器自训练结果的可靠性。自训练过程中产生的基分类器，不断通过模型平均得到集成分类器，经过多次迭代自训练和分类器集成过程，得到最终的集成分类器，通过构建损失函数，使得基分类器在查询样本上有确定的、不同的预测，实现了基分类器的不同，解决现有小样本分类方法中，基于特征迁移和查询样本自训练的小样本图像集成分类中基学习器的多样性问题，对于提升图像的分类效果非常显著，具有很高的使用价值。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.023 seconds)
