公开(公告)号：CN113420828A

公开(公告)日：2021-09-21

申请号：CN202110775946.5

申请日：2021-07-09

Applicant: 浙江大学

Inventor： 方浩 ,  张道鑫 ,  李嘉伟 ,  胡尧 ,  李静 ,  蔡登

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种可端到端训练的同时进行目标检测与显著性排序的方法，包括：(1)获取图像样本，根据显著性标注主体的排序，并去除没有显著主体的图像样本；(2)建立目标检测排序模型，包括主干网络、目标检测分支和显著性排序分支；其中，主干网络用于进行特征提取；检测分支根据语义特征预测目标的类别和位置坐标，所述的显著性排序分支根据语义特征及检测分支的结果进行显著性排序；(3)对显著性排序模型进行训练；(4)使用训练好的目标检测排序模型进行推理，输入一张新的图片，检测出图片中的主体，并且给出每个主体的显著性排序。本发明的方法，可通过单模型解决目标检测和排序，在公开数据集上显著领先于现有的模型结构。

公开(公告)号：CN112116030B

公开(公告)日：2022-08-30

申请号：CN202011091695.0

申请日：2020-10-13

Applicant: 浙江大学

Inventor： 郭嘉 ,  蔡登 ,  何晓飞 ,  陈铭浩 ,  胡尧 ,  朱琛

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于向量标准化和知识蒸馏的图像分类方法，包括以下步骤：(1)构建并训练一个教师模型，所述教师模型采用深度卷积神经网络；(2)构建一个比教师模型小的学生模型，所述学生模型也采用深度卷积神经网络；(3)使用蒸馏损失函数对学生模型进行训练，在训练过程中，对学生模型和教师模型输出的概率编码向量进行标准化；(4)将待分类的图像输入训练好的学生模型，进行分类预测。利用本发明，能够在不引入额外参数及计算开销的情况下，提升学生网络的性能，提高图像分类精度。

公开(公告)号：CN112116030A

公开(公告)日：2020-12-22

申请号：CN202011091695.0

申请日：2020-10-13

Applicant: 浙江大学

Inventor： 郭嘉 ,  蔡登 ,  何晓飞 ,  陈铭浩 ,  胡尧 ,  朱琛

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06N20/20

Abstract: 本发明公开了一种基于向量标准化和知识蒸馏的图像分类方法，包括以下步骤：(1)构建并训练一个教师模型，所述教师模型采用深度卷积神经网络；(2)构建一个比教师模型小的学生模型，所述学生模型也采用深度卷积神经网络；(3)使用蒸馏损失函数对学生模型进行训练，在训练过程中，对学生模型和教师模型输出的概率编码向量进行标准化；(4)将待分类的图像输入训练好的学生模型，进行分类预测。利用本发明，能够在不引入额外参数及计算开销的情况下，提升学生网络的性能，提高图像分类精度。