-
公开(公告)号：CN110689081B
公开(公告)日：2020-08-21
申请号：CN201910942565.4
申请日：2019-09-30
Applicant: 中国科学院大学
Abstract: 本发明提供了一种基于分歧学习的弱监督目标分类和定位方法，实现过程为：构建训练样本集；基于层次分歧激活模块或者层次分歧激活模块‑差异性分歧激活模块构建分类和定位网络；将训练样本集中的样本输入到初步构建的分类和定位网络中进行多尺度的目标特征提取；设计损失函数，根据损失函数计算梯度，对整个卷积层网络进行梯度反传，并更新卷积层网络参数，实现网络的优化。本发明方法提出了两种分歧学习形式：差异分歧学习和层次分歧学习，两种分歧学习从不同的角度挖掘目标的定位信息，最终激活出完整的目标区域，该方法能够发现目标的互补和具有辨别力的视觉模式，能够在精确目标定位的同时保持图像分类的高性能，具有非常好的实用性和扩展性。
-
Patent Agency Ranking
公开(公告)号：CN113177576B
公开(公告)日：2022-02-22
申请号：CN202110352225.3
申请日：2021-03-31
Applicant: 中国科学院大学
IPC: G06V10/764 , G06V10/82 , G06V10/778 , G06K9/62 , G06N3/08
Abstract: 本发明公开了一种用于目标检测的多示例主动学习方法，所述方法在已标注集上训练两个对抗性示例分类器，将未标注的图像视为示例包，通过以多示例学习的方式对两个分类器的差异重加权，以此预测未标注集的示例不确定性，并使其与图像不确定性相一致。本发明公开的用于目标检测的多示例主动学习方法，能高效利用数据标注，减少人工标注成本，有效利用无标注数据，提高相等已标注数据量下神经网络对测试图像的检测精度；同时对于主动学习、半监督学习等有重要意义，对于复杂背景下自然图像的目标检测具有应用价值。
-
公开(公告)号：CN113177576A
公开(公告)日：2021-07-27
申请号：CN202110352225.3
申请日：2021-03-31
Applicant: 中国科学院大学
Abstract: 本发明公开了一种用于目标检测的多示例主动学习方法，所述方法在已标注集上训练两个对抗性示例分类器，将未标注的图像视为示例包，通过以多示例学习的方式对两个分类器的差异重加权，以此预测未标注集的示例不确定性，并使其与图像不确定性相一致。本发明公开的用于目标检测的多示例主动学习方法，能高效利用数据标注，减少人工标注成本，有效利用无标注数据，提高相等已标注数据量下神经网络对测试图像的检测精度；同时对于主动学习、半监督学习等有重要意义，对于复杂背景下自然图像的目标检测具有应用价值。
-
公开(公告)号：CN110717534B
公开(公告)日：2020-09-15
申请号：CN201910941413.2
申请日：2019-09-30
Applicant: 中国科学院大学
Abstract: 本发明提供了一种基于网络监督的目标分类和定位方法，包括以下步骤：根据待测目标的类别自动从搜索引擎获取大量网络图像数据；过滤去除噪声图像，形成训练样本集；初步构建分类和定位网络；将训练样本集中的样本输入到初步构建的分类和定位网络中进行特征提取，将特征分类，并得到目标物体的位置信息，实施对分类和定位网络的训练。本发明中该端到端的基于网络监督的精细分类与定位方法，利用海量易获取的网络图像作为训练集，完全去除人工标注，仅使用图像级别标签，设计一个高效的卷积网络，融入全局平均池化和类激活映射图等算法，使得本发明在精细分类任务及定位任务上性能超越弱监督学习方法。
-
公开(公告)号：CN110717534A
公开(公告)日：2020-01-21
申请号：CN201910941413.2
申请日：2019-09-30
Applicant: 中国科学院大学
Abstract: 本发明提供了一种基于网络监督的目标分类和定位方法，包括以下步骤：根据待测目标的类别自动从搜索引擎获取大量网络图像数据；过滤去除噪声图像，形成训练样本集；初步构建分类和定位网络；将训练样本集中的样本输入到初步构建的分类和定位网络中进行特征提取，将特征分类，并得到目标物体的位置信息，实施对分类和定位网络的训练。本发明中该端到端的基于网络监督的精细分类与定位方法，利用海量易获取的网络图像作为训练集，完全去除人工标注，仅使用图像级别标签，设计一个高效的卷积网络，融入全局平均池化和类激活映射图等算法，使得本发明在精细分类任务及定位任务上性能超越弱监督学习方法。
-
公开(公告)号：CN110689081A
公开(公告)日：2020-01-14
申请号：CN201910942565.4
申请日：2019-09-30
Applicant: 中国科学院大学
Abstract: 本发明提供了一种基于分歧学习的弱监督目标分类和定位方法，实现过程为：构建训练样本集；基于层次分歧激活模块或者层次分歧激活模块-差异性分歧激活模块构建分类和定位网络；将训练样本集中的样本输入到初步构建的分类和定位网络中进行多尺度的目标特征提取；设计损失函数，根据损失函数计算梯度，对整个卷积层网络进行梯度反传，并更新卷积层网络参数，实现网络的优化。本发明方法提出了两种分歧学习形式：差异分歧学习和层次分歧学习，两种分歧学习从不同的角度挖掘目标的定位信息，最终激活出完整的目标区域，该方法能够发现目标的互补和具有辨别力的视觉模式，能够在精确目标定位的同时保持图像分类的高性能，具有非常好的实用性和扩展性。
-
-
-
-
-
Search Results
6
records
(took 0.027 seconds)
