公开(公告)号：CN116843980A

公开(公告)日：2023-10-03

申请号：CN202310874059.2

申请日：2023-07-17

Applicant: 四川警察学院

Inventor： 章超 ,  程建梅 ,  刘宇洋 ,  白云 ,  丁睿

IPC: G06V10/764 ,  G06V10/82 ,  G06V10/774 ,  G06V10/766

Abstract: 本发明提供了一种基于差异性学习的分类识别方法、装置和电子设备，该方法中，先对图像样本中随机选择的两个图像样本进行模糊剪切融合，得到多个组合图像样本，然后，确定各组合图像样本的组合式标签和差异性标签，最后，通过多个组合图像样本、组合式标签和差异性标签对初始分类识别模型进行训练，进而得到基于差异性学习的分类识别模型。上述分类训练学习过程中，引入了有序性差异性学习的任务，即回归模块的训练，这样差异性学习任务能够学习到组合图像样本中的两个图像样本之间的有序性差异，进而，促进基于差异性学习的分类识别模型中分类模块更好地学习到组合图像样本中各目标的类别，提高了模型的分类准确性。

公开(公告)号：CN116740467A

公开(公告)日：2023-09-12

申请号：CN202310869833.0

申请日：2023-07-14

Applicant: 四川警察学院

Inventor： 章超 ,  程建梅 ,  石臣鹏 ,  夏梦联

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06V10/24 ,  G06N3/09

Abstract: 本发明提供了一种自监督预训练的分类学习方法、装置和电子设备，该方法中，对第一训练样本图像和旋转第二训练样本图像进行融合，得到旋转融合图像，进而采用旋转融合图像和旋转融合图像的旋转角度标签对初始分类模型进行自监督训练，使得分类模型具备更丰富的特征表达，可以挖掘出第一训练样本图像和旋转第二训练样本图像之间的特征，最后，再采用旋转融合图像和旋转融合图像的类别标签对学到的旋转分类模型进行迁移训练，使得训练得到的目标分类模型具备旋转不变性和更强的特征表达能力，最终使得再训练的目标分类模型泛化能力更强，分类识别性能更好。

公开(公告)号：CN115631375A

公开(公告)日：2023-01-20

申请号：CN202211297496.4

申请日：2022-10-22

Applicant: 四川警察学院

Inventor： 章超 ,  程建梅 ,  白松 ,  冯超

IPC: G06V10/764 ,  G06N3/0464 ,  G06N3/08 ,  G06V10/774

Abstract: 本发明公开了一种图像有序性估计方法、系统、装置及介质，包括：首先将每个批次中的任意两个样本以随机位置、随机大小的方式剪切式融合；其次将训练集中所有的图像都采用剪切式融合，得到大量的随机组合方式；最后，将融合的图像输入到CNN模型中，并将随机性信息隐式地嵌入到学习过程中，通过学习混合式图像和混合式标签的匹配度来得到竞争性更强的模型。本发明的优点是：更简单更高效的方式实现图像有序性估计问题，用大量的组合性混合将很多图像块嵌入在一起，在有序性类别上进行竞争性学习，识别性能上有了较大提升，且模型更具鲁棒性。