-
公开(公告)号：CN108416382B
公开(公告)日：2022-04-19
申请号：CN201810171017.1
申请日：2018-03-01
Applicant: 南开大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04
Abstract: 本发明公开了一种基于迭代采样和一对多标签修正的Web图像训练卷积神经网络方法。该方法的目的是通过在训练集中逐步地加入Web图像来解决使用深度学进行计算机视觉任务时数据不足的问题。这种新的方法可以作为计算机视觉各种任务的辅助处理步骤，其关键在于随着模型的训练，更新的模型将能更准确地对Web图像的标签置信度进行预测，然后通过对比把高质量的数据加入到训练数据中继续提升模型的性能，最终可以有效地减少Web数据中的噪声数据并提升卷积神经网络的性能。同时考虑到Web图像内容的复杂性和多样性，本方法在迭代过程采用了一对多的标签修正策略来减少硬标注对模型训练带来的影响。基于以上的步骤，整个模型迭代训练直到网络的性能趋于稳定。
-
公开(公告)号：CN110110780B
公开(公告)日：2023-04-07
申请号：CN201910358002.0
申请日：2019-04-30
Applicant: 南开大学
IPC: G06V10/774 , G06V10/764 , G06V10/82
Abstract: 一种基于对抗神经网络和海量噪声数据的图片分类方法，解决使用深度学习进行图片分类任务时数据不足的问题。该方法将网络图像与标准数据集中的图像同时作为训练数据送入卷积神经网络中，并使用类别标签和来源标签分别表示图像内容上的类别及数据来源；分别计算标签预测损失和来源识别损失得到联合损失，通过最小化联合损失，使网络数据和标准数据的表现趋向于一致。该方法可用于计算机视觉的各种细分类任务中，大量网络数据作为训练数据可以有效地提升卷积神经网络的分类性能。本方法在训练过程中采用对抗策略使得模型对于数据的来源变得不敏感、网络数据与标准数据能够很好地混合在一起。
-
Patent Agency Ranking
公开(公告)号：CN110135462A
公开(公告)日：2019-08-16
申请号：CN201910311265.6
申请日：2019-04-18
Applicant: 南开大学
Abstract: 本发明公开了一种基于上下文信息的艺术画风格分类方法，属于计算机视觉技术领域。该方法的目的是从艺术史中找到影响艺术画风格发展的信息，利用这些信息生成标签分布并用于训练卷积神经网络，即将艺术画的上下文信息以标签分布的形式作为卷积神经网络的输入来辅助图像训练，从而解决艺术画风格分类的问题。在艺术画分类任务中，大多数方法都仅仅利用图像特征进行分类，而忽视了艺术画在定义风格时往往会考虑它创作时所处上下文背景的现象。针对这一问题，通过本发明的标签分布生成方法将艺术画的上下文信息转化为标签分布，并将其作为卷积神经网络的输入标签，而后同时优化分类损失函数和标签分布损失函数，最终应用于艺术画风格分类的任务中。
-
公开(公告)号：CN110110780A
公开(公告)日：2019-08-09
申请号：CN201910358002.0
申请日：2019-04-30
Applicant: 南开大学
IPC: G06K9/62
Abstract: 一种基于对抗神经网络和海量噪声数据的图片分类方法，解决使用深度学习进行图片分类任务时数据不足的问题。该方法将网络图像与标准数据集中的图像同时作为训练数据送入卷积神经网络中，并使用类别标签和来源标签分别表示图像内容上的类别及数据来源；分别计算标签预测损失和来源识别损失得到联合损失，通过最小化联合损失，使网络数据和标准数据的表现趋向于一致。该方法可用于计算机视觉的各种细分类任务中，大量网络数据作为训练数据可以有效地提升卷积神经网络的分类性能。本方法在训练过程中采用对抗策略使得模型对于数据的来源变得不敏感、网络数据与标准数据能够很好地混合在一起。
-
公开(公告)号：CN108416382A
公开(公告)日：2018-08-17
申请号：CN201810171017.1
申请日：2018-03-01
Applicant: 南开大学
Abstract: 本发明公开了一种基于迭代采样和一对多标签修正的Web图像训练卷积神经网络方法。该方法的目的是通过在训练集中逐步地加入Web图像来解决使用深度学进行计算机视觉任务时数据不足的问题。这种新的方法可以作为计算机视觉各种任务的辅助处理步骤，其关键在于随着模型的训练，更新的模型将能更准确地对Web图像的标签置信度进行预测，然后通过对比把高质量的数据加入到训练数据中继续提升模型的性能，最终可以有效地减少Web数据中的噪声数据并提升卷积神经网络的性能。同时考虑到Web图像内容的复杂性和多样性，本方法在迭代过程采用了一对多的标签修正策略来减少硬标注对模型训练带来的影响。基于以上的步骤，整个模型迭代训练直到网络的性能趋于稳定。
-
公开(公告)号：CN110135462B
公开(公告)日：2022-12-20
申请号：CN201910311265.6
申请日：2019-04-18
Applicant: 南开大学
IPC: G06V10/764 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于上下文信息的艺术画风格分类方法，属于计算机视觉技术领域。该方法的目的是从艺术史中找到影响艺术画风格发展的信息，利用这些信息生成标签分布并用于训练卷积神经网络，即将艺术画的上下文信息以标签分布的形式作为卷积神经网络的输入来辅助图像训练，从而解决艺术画风格分类的问题。在艺术画分类任务中，大多数方法都仅仅利用图像特征进行分类，而忽视了艺术画在定义风格时往往会考虑它创作时所处上下文背景的现象。针对这一问题，通过本发明的标签分布生成方法将艺术画的上下文信息转化为标签分布，并将其作为卷积神经网络的输入标签，而后同时优化分类损失函数和标签分布损失函数，最终应用于艺术画风格分类的任务中。
-
公开(公告)号：CN110135480A
公开(公告)日：2019-08-16
申请号：CN201910358543.3
申请日：2019-04-30
Applicant: 南开大学
IPC: G06K9/62
Abstract: 一种基于无监督物体检测消除偏差的网络数据学习方法。该方法的目的是弱化网络图像与标准数据集之间的构造偏差，从网络图像中学习并应用于卷积神经网络训练中，即通过无监督物体检测的方法在训练数据中加入处理后的网络图像来解决深度学习训练中数据不足的问题。本发明首先根据先验知识生成第一种弱边界框作为输入数据训练第一个候选区域生成网络模型RPN,获得包含目标物体的内容区域图像；再使用更小尺度的第二种弱边界框来训练第二个候选区域生成网络模型，得到内容区域图像上的对象区域，而后设置形式约束和标签约束来消除偏差，选择出相对于标准数据集无偏差的区域作为新图像用于训练卷积神经网络，最终应用于图像分类任务中。
-
-
-
-
-
-
Search Results
7
records
(took 0.019 seconds)
