-
Patent Agency Ranking
公开(公告)号：CN114119969B
公开(公告)日：2022-05-20
申请号：CN202210084487.0
申请日：2022-01-25
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于双注意力流的少样本细粒度图像识别方法，包括：利用注意力引导机制生成加权特征图，筛选出深度描述符；加权特征图使用全局聚合操作得到全局嵌入特征，将筛选出的所有深度描述符建模为一个多示例学习的包，挖掘样本部件之间的关系，聚合归一化得到部件嵌入特征；将全局嵌入特征和部件嵌入特征拼接得到样本最终的嵌入表示，进行类别预测和模型训练。本发明通过卷积神经网络与注意力机制提取图像中的部件与全局特征，通过基于图的多示例学习对局部特征进行建模，丰富了细粒度部分的内在结构相关性，通过注意力机制发掘对细粒度图像识别有用的微妙全局信息，从而得到更高的少样本细粒度图像识别的准确率。
-
公开(公告)号：CN114120049B
公开(公告)日：2023-08-29
申请号：CN202210098087.5
申请日：2022-01-27
Applicant: 南京理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/74
Abstract: 本发明公开了一种基于原型分类器学习的长尾分布视觉识别方法，包括以下步骤：基于卷积神经网络提取图片的整体特征；计算原型之间的相似度，用最相似的头部类原型进行校准，并使用可学习的映射模块对校准的原型进行映射得到分类器；所有类别的分类器进行识别并通过softmax得到预测分布，在不平衡数据集使用负似然函数对模型参数进行训练；对学习的分类器进行校准得到最终的分类器；最终在平衡的元样本集上最小化负的log似然函数对模型参数进行训练。本发明受类别原型的优点的启发，在这些原型上开发了一个可学习的映射函数，用于生成相应的类别分类器，不仅可以实现强大的识别泛化能力，而且有利于缓解原始数据不平衡的影响。
-
公开(公告)号：CN115170823A
公开(公告)日：2022-10-11
申请号：CN202210764140.0
申请日：2022-06-30
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于部件级滤波器族的少样本细粒度图像识别方法，包括：基于卷积神经网络提取样本的特征图，基于全局最大池化和全局平均池化生成全局汇合特征；将全局汇合特征传入元生成器得到部件级滤波器族，并在滤波器族中添加优化目标；将部件级滤波器族与全局汇合特征进行分素乘积得到不同的部件级增强特征并将其拼接得到最终的嵌入特征，基于原型表示和最近邻方法进行类别预测和模型训练。本发明通过部件级滤波器族生成器，生成对应于细粒度图像关键部位的部件级滤波器族，并通过让滤波器之间尽可能正交的优化目标使生成的滤波器族能够对应于不同的关键部位，通过与全局汇合特征进行分素乘积获得有利于细粒度图像识别的部件级增强表示。
-
公开(公告)号：CN114120049A
公开(公告)日：2022-03-01
申请号：CN202210098087.5
申请日：2022-01-27
Applicant: 南京理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/74 , G06K9/62
Abstract: 本发明公开了一种基于原型分类器学习的长尾分布视觉识别方法，包括以下步骤：基于卷积神经网络提取图片的整体特征；计算原型之间的相似度，用最相似的头部类原型进行校准，并使用可学习的映射模块对校准的原型进行映射得到分类器；所有类别的分类器进行识别并通过softmax得到预测分布，在不平衡数据集使用负似然函数对模型参数进行训练；对学习的分类器进行校准得到最终的分类器；最终在平衡的元样本集上最小化负的log似然函数对模型参数进行训练。本发明受类别原型的优点的启发，在这些原型上开发了一个可学习的映射函数，用于生成相应的类别分类器，不仅可以实现强大的识别泛化能力，而且有利于缓解原始数据不平衡的影响。
-
公开(公告)号：CN114119969A
公开(公告)日：2022-03-01
申请号：CN202210084487.0
申请日：2022-01-25
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于双注意流的少样本细粒度图像识别方法，包括：利用注意力引导机制生成加权特征图，筛选出深度描述符；加权特征图使用全局聚合操作得到全局嵌入特征，将筛选出的所有深度描述符建模为一个多示例学习的包，挖掘样本部件之间的关系，聚合归一化得到部件嵌入特征；将全局嵌入特征和部件嵌入特征拼接得到样本最终的嵌入表示，进行类别预测和模型训练。本发明通过卷积神经网络与注意力机制提取图像中的部件与全局特征，通过基于图的多示例学习对局部特征进行建模，丰富了细粒度部分的内在结构相关性，通过注意力机制发掘对细粒度图像识别有用的微妙全局信息，从而得到更高的少样本细粒度图像识别的准确率。
-
-
-
-
Search Results
5
records
(took 0.092 seconds)
