-
公开(公告)号：CN113569960A
公开(公告)日：2021-10-29
申请号：CN202110866395.3
申请日：2021-07-29
Applicant: 北京邮电大学 , 江西鑫铂瑞科技有限公司
Abstract: 本发明涉及图像分类领域，公开了一种基于域适应的小样本图像分类方法及系统，包括构建特征提取器，加载预训练参数初始化模型；使用域特征提取模块得到多个特征提取器；使用权重训练模块得到适合目标数据域的最终特征提取器；使用测试模块得到方法最终性能，解决了目前的小样本机器学习方法无法真正解决计算机视觉领域的小样本问题。本发明使得小样本机器学习方法无需再要求严格的元训练集，源域和目标域数据可以不相似，从而使小样本机器学习方法可以更好的应用于实际场景，具备拓展当前研究适用范围的优点。
-
公开(公告)号：CN113569960B
公开(公告)日：2023-12-26
申请号：CN202110866395.3
申请日：2021-07-29
Applicant: 北京邮电大学 , 江西鑫铂瑞科技有限公司
IPC: G06V10/764 , G06V10/774 , G06V10/771 , G06V10/82 , G06N3/0464
Abstract: 本发明涉及图像分类领域，公开了一种基于域适应的小样本图像分类方法及系统，包括构建特征提取器，加载预训练参数初始化模型；使用域特征提取模块得到多个特征提取器；使用权重训练模块得到适合目标数据域的最终特征提取器；使用测试模块得到方法最终性能，解决了目前的小样本机器学习方法无法真正解决计算机视觉领域的小样本问题。本发明使得小样本机器学习方法无需再要求严格的元训练集，源域和目标域数据可以不相似，从而使小样本机器学习方法可以更好的应用于实际场景，具备拓展当前研究适用范围的优点。
-
公开(公告)号：CN112487227A
公开(公告)日：2021-03-12
申请号：CN202011358906.2
申请日：2020-11-27
Applicant: 北京邮电大学 , 中国电信集团系统集成有限责任公司
Abstract: 本申请公开了一种深度学习的细粒度图像分类方法，该方法包括：重复如下步骤：通过类间采样器从数据集中随机采样不同类的两张图像，生成图像对，将其输入到骨干网络进行训练；通过类内采样器从数据集中随机采样同类的两张图像，生成图像对，将其输入到骨干网络进行训练；从数据集中随机采样一张图像，将其生成骨干网络进行训练和分类预测；分析如上所述的分类预测结果，采样增强模块指导类间采样器和类内采样器生成图像对；本申请提供的一种基于三阶段深度学习的细粒度图像分类方法及系统，通过各个子模块，混合增强模块得以更好的解决细粒度图像分类任务中类内差异大类间差异小的问题。
-
公开(公告)号：CN114926710A
公开(公告)日：2022-08-19
申请号：CN202210588953.9
申请日：2022-05-27
Applicant: 北京邮电大学
IPC: G06V10/774 , G06V10/82 , G06N3/04
Abstract: 本申请公开了一种小样本图像生成方法及其系统，一种小样本图像生成方法具体包括以下步骤：进行骨干网络的构建和初始化；响应于完成骨干网络的构建和初始化，在源域上训练骨干网络；响应于完成在源域上训练多个骨干网络，使用基于元学习的目标域对骨干网络进行跨域训练，获取与目标域适配的骨干网络；根据与目标域适配的骨干网络，进行小样本图像的生成和扩增。本申请设计了特殊的骨干网络和源域训练单元，引入域泛化的相关思想，将骨干网络在源域上进行充分的训练以提取域泛化特征信息，基于style block提出了一个特殊的骨干网络以更好的提取特征信息，能够提升最终的小样本图像生成的图像质量和数量。
-
公开(公告)号：CN112487227B
公开(公告)日：2023-12-26
申请号：CN202011358906.2
申请日：2020-11-27
Applicant: 北京邮电大学 , 中国电信集团系统集成有限责任公司
Abstract: 本申请公开了一种深度学习的细粒度图像分类方法，该方法包括：重复如下步骤：通过类间采样器从数据集中随机采样不同类的两张图像，生成图像对，将其输入到骨干网络进行训练；通过类内采样器从数据集中随机采样同类的两张图像，生成图像对，将其输入到骨干网络进行训练；从数据集中随机采样一张图像，将其生成骨干网络进行训练和分类预测；分析如上所述的分类预测结果，采样增强模块指导类间采样器和类内采样器生成图像对；本申请提供的一种基于三阶段深度学习的细粒度图像分类方法及系统，通过各个子模块，混合增强模块得以更好的解决细粒度图像分类任务中类内差异大类间差异小的问题。
-
Patent Agency Ranking
公开(公告)号：CN112487229B
公开(公告)日：2022-11-11
申请号：CN202011364185.6
申请日：2020-11-27
Applicant: 北京邮电大学 , 中国电信集团系统集成有限责任公司
Abstract: 本申请提供细粒度图像分类方法、系统及预测模型的训练方法，细粒度图像分类方法包括：重复如下步骤，直至更新后的第一层为神经网络的最后一层：接收神经网络的第一层的输出特征，作为可学习的非局部模块的输入特征；将非局部模块的输出特征作为神经网络的第一层的输入特征；用第二层更新第一层；并且，若更新后的第一层为神经网络的最后一层，则将神经网络的最后一层的输出特征输入分类网络中；将分类网络的输出特征作为预测结果并输出。本申请在神经网络的每两层之间插入一个可学习的非局部模块，使得每一层的神经元的感受野大小与物体部分大小匹配，可以更好的关联多层多尺度的特征，有效的提升细粒度图像分类中神经网络的性能。
-
公开(公告)号：CN113610164A
公开(公告)日：2021-11-05
申请号：CN202110913433.6
申请日：2021-08-10
Applicant: 北京邮电大学 , 江西鑫铂瑞科技有限公司
Abstract: 本申请公开了一种基于注意力平衡的细粒度图像识别方法及其系统，其中基于注意力平衡的细粒度图像识别方法包括以下步骤：进行细粒度图像识别模型的初始化，将输入数据输入至细粒度图像识别模型中；将输入数据传输至细粒度图像识别模型后，获取输入特征；根据获取的输入特征进行卷积神经网络模型的训练；根据训练后的卷积神经网络模型进行输入数据的预测识别，并输出预测结果。本申请针对细粒度图像识别中注意力过度关注局部的关键位置，可能会忽略很多有价值的信息的问题，从而提出了注意力分散方法，可以有效地抑制模型对局部位置的过度关注，同时抑制了噪声的影响，使模型能够从数据中提取出更多有价值的特征信息，提升模型的鲁棒性。
-
公开(公告)号：CN113610164B
公开(公告)日：2023-12-22
申请号：CN202110913433.6
申请日：2021-08-10
Applicant: 北京邮电大学 , 江西鑫铂瑞科技有限公司
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V10/80
Abstract: 本申请公开了一种基于注意力平衡的细粒度图像识别方法及其系统，其中基于注意力平衡的细粒度图像识别方法包括以下步骤：进行细粒度图像识别模型的初始化，将输入数据输入至细粒度图像识别模型中；将输入数据传输至细粒度图像识别模型后，获取输入特征；根据获取的输入特征进行卷积神经网络模型的训练；根据训练后的卷积神经网络模型进行输入数据的预测识别，并输出预测结果。本申请针对细粒度图像识别中注意力过度关注局部的关键位置，可能会忽略很多有价值的信息的问题，从而提出了注意力分散方法，可以有效地抑制模型对局部位置的过度关注，同时抑制了噪声的影响，使模型能够从数据中提取出更多有价值的特征信息，提升模型
-
公开(公告)号：CN114972873A
公开(公告)日：2022-08-30
申请号：CN202210631682.0
申请日：2022-06-06
Applicant: 北京邮电大学
IPC: G06V10/764 , G06V10/774
Abstract: 本申请公开了一种细粒度图像分类方法及其系统，其中细粒度图像分类方法具体包括以下步骤：使用预训练参数初始化分层视觉转换器网络；响进行数据的采样；根据采样的数据进行底层特征对比学习，获取第一预测损失；根据采样的数据进行深层特征平衡处理，获取第二预测损失；根据第一预测损失和第二预测损失进行整体损失的获取；通过反向传播更新网络参数；重复执行上述步骤，直至分层视觉转换器网络的参数收敛，保存更新后的网络参数；使用保存的网络参数进行分层视觉转换器网络的初始化；根据初始化后的分层视觉转换器网络进行图像类别的预测。本申请在优化细粒度图像分类任务时，同时优化了细粒度特征与长尾分布的问题。
-
公开(公告)号：CN112487229A
公开(公告)日：2021-03-12
申请号：CN202011364185.6
申请日：2020-11-27
Applicant: 北京邮电大学 , 中国电信集团系统集成有限责任公司
Abstract: 本申请提供细粒度图像分类方法、系统及预测模型的训练方法，细粒度图像分类方法包括：重复如下步骤，直至更新后的第一层为神经网络的最后一层：接收神经网络的第一层的输出特征，作为可学习的非局部模块的输入特征；将非局部模块的输出特征作为神经网络的第一层的输入特征；用第二层更新第一层；并且，若更新后的第一层为神经网络的最后一层，则将神经网络的最后一层的输出特征输入分类网络中；将分类网络的输出特征作为预测结果并输出。本申请在神经网络的每两层之间插入一个可学习的非局部模块，使得每一层的神经元的感受野大小与物体部分大小匹配，可以更好的关联多层多尺度的特征，有效的提升细粒度图像分类中神经网络的性能。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.017 seconds)
