-
公开(公告)号：CN112801162B
公开(公告)日：2022-06-24
申请号：CN202110088346.1
申请日：2021-01-22
Applicant: 之江实验室
IPC: G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于图像属性先验的自适应软标签正则化方法，包括如下步骤：S1，通过神经网络中间特征层聚合构建图像的属性表达；S2，利用重参数化方法对属性概率先验进行软采样；S3，利用现有真值标签对采样软标签进行修正和截断；S4，多尺度属性先验正则化。通过模仿人眼进行图像分类是依据图像局部属性重要性的能力，在利用少量参数的情况下，有效地缓解在图像分类任务中由于方法模型对于结果的过于自信导致的过拟合问题，有效的提升图像分类的准确性。本发明实现方法简单，手段灵活，可以比较容易地应用到一般性图像分类任务中。
-
公开(公告)号：CN113869463B
公开(公告)日：2022-04-15
申请号：CN202111457536.2
申请日：2021-12-02
Applicant: 之江实验室
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于交叉增强匹配的长尾噪声学习方法，用于解决同时具有长尾特征与噪声标签的图像分类问题。根据数据噪声特征，该方法通过对弱增强数据与强增强数据分别取得的预测结果进行匹配来筛选噪声样本，并引入一种剔除噪声的正则化措施来消除被识别噪声样本的影响。针对数据长尾特征，该方法实施一种新的基于在线先验分布的预测惩罚以避免对头部类别的偏置。本发明实现方法简便，手段灵活，在实时获取类拟合度方面具有优势，因此在长尾数据、噪声数据以及同时具有二者特征的训练数据上都取得显著的分类效果提升。
-
公开(公告)号：CN113869463A
公开(公告)日：2021-12-31
申请号：CN202111457536.2
申请日：2021-12-02
Applicant: 之江实验室
Abstract: 本发明公开了一种基于交叉增强匹配的长尾噪声学习方法，用于解决同时具有长尾特征与噪声标签的图像分类问题。根据数据噪声特征，该方法通过对弱增强数据与强增强数据分别取得的预测结果进行匹配来筛选噪声样本，并引入一种剔除噪声的正则化措施来消除被识别噪声样本的影响。针对数据长尾特征，该方法实施一种新的基于在线先验分布的预测惩罚以避免对头部类别的偏置。本发明实现方法简便，手段灵活，在实时获取类拟合度方面具有优势，因此在长尾数据、噪声数据以及同时具有二者特征的训练数据上都取得显著的分类效果提升。
-
公开(公告)号：CN116363418A
公开(公告)日：2023-06-30
申请号：CN202310240413.6
申请日：2023-03-06
IPC: G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本说明书公开了一种训练分类模型的方法、装置、存储介质及电子设备。本方法通过确定各子网络层对应的输入维度中的无效维度，确定了对分类模型的输出结果无效的各子网络层对应的无效维度上各计算节点输出的结果，根据这些输出的结果确定第一损失，根据基于训练样本标注确定的第二损失以及该第一损失，确定总损失，以总损失最小训练分类模型，减少了各子网络层对应的无效维度上各计算节点输出的结果对分类模型的输出结果的影响，提高了分类模型的分类准确性。
-
公开(公告)号：CN115829005A
公开(公告)日：2023-03-21
申请号：CN202211580737.6
申请日：2022-12-09
Applicant: 之江实验室
IPC: G06N3/0464 , G06N3/08 , G06F18/24 , G06V10/82 , G06V10/764
Abstract: 本发明面向卷积神经分类网络的缺陷自动诊断与修复方法及装置，包括下列步骤：1）卷积神经分类网络预测重要性归一化；2）激活图重要性得分计算；3）正常样本激活图规律统计；4）分类错误样本激活图筛选；5）卷积神经分类网络自动化缺陷修复。本发明设计的是一种面向卷积神经分类网络的全自动缺陷诊断与修复方法，用于已经预训练的卷积神经分类网络模型缺陷检测与自动修复，能够有效提升深度卷积神经分类网络模型的分类性能。
-
Patent Agency Ranking
公开(公告)号：CN112801162A
公开(公告)日：2021-05-14
申请号：CN202110088346.1
申请日：2021-01-22
Applicant: 之江实验室
Abstract: 本发明公开了一种基于图像属性先验的自适应软标签正则化方法，包括如下步骤：S1，通过神经网络中间特征层聚合构建图像的属性表达；S2，利用重参数化方法对属性概率先验进行软采样；S3，利用现有真值标签对采样软标签进行修正和截断；S4，多尺度属性先验正则化。通过模仿人眼进行图像分类是依据图像局部属性重要性的能力，在利用少量参数的情况下，有效地缓解在图像分类任务中由于方法模型对于结果的过于自信导致的过拟合问题，有效的提升图像分类的准确性。本发明实现方法简单，手段灵活，可以比较容易地应用到一般性图像分类任务中。
-
公开(公告)号：CN115829005B
公开(公告)日：2023-06-27
申请号：CN202211580737.6
申请日：2022-12-09
Applicant: 之江实验室
IPC: G06N3/0464 , G06N3/08 , G06F18/24 , G06V10/82 , G06V10/764
Abstract: 本发明面向卷积神经分类网络的缺陷自动诊断与修复方法及装置，包括下列步骤：1）卷积神经分类网络预测重要性归一化；2）激活图重要性得分计算；3）正常样本激活图规律统计；4）分类错误样本激活图筛选；5）卷积神经分类网络自动化缺陷修复。本发明设计的是一种面向卷积神经分类网络的全自动缺陷诊断与修复方法，用于已经预训练的卷积神经分类网络模型缺陷检测与自动修复，能够有效提升深度卷积神经分类网络模型的分类性能。
-
公开(公告)号：CN113516207A
公开(公告)日：2021-10-19
申请号：CN202111059448.7
申请日：2021-09-10
Applicant: 之江实验室
Abstract: 本发明公开了一种带噪声标签的长尾分布图像分类方法，通过样本依赖的松弛间隔损失进行学习，并辅以抗噪声的数据增强策略，用于解决同时具有长尾特征与噪声标签的图像分类问题。根据数据噪声特征，在计算样本函数间隔时引入样本依赖的松弛变量以放宽间隔约束，再根据样本间隔分类计算样本依赖的光滑松弛损失；根据数据长尾特征，实施分阶段调整的数据增强策略，对样本分别进行强增强和弱增强，并在正式训练阶段提供基于松弛损失的样本筛选机制用于筛除噪声数据。本发明实现方法简便，手段灵活，在长尾数据、噪声数据以及同时具有二者特征的训练数据上都取得显著的分类效果的提升。
-
公开(公告)号：CN112990222A
公开(公告)日：2021-06-18
申请号：CN202110550131.7
申请日：2021-05-20
Applicant: 之江实验室
Abstract: 本发明公开了一种基于图像边界知识迁移的引导语义分割方法包括如下步骤：S1，引导分割模块构建，S2构建约束条件，具体分为三个部分，分别是有限样本的监督、表示一致性约束、以及边界一致性约束；S3，边界知识迁移模块构建，其中主要包括伪三元组判别数据生成、边界对抗学习；通过上述步骤建立的基于图像边界知识迁移的引导语意分割方法，能够仅通过数十张有标签样本以及大量任务无关图像数据，利用图像边界知识，通过指定语义相关图像，利用语义空间特征约束，实现特定种类样本目标的语义分割。
-
公开(公告)号：CN113516207B
公开(公告)日：2022-01-25
申请号：CN202111059448.7
申请日：2021-09-10
Applicant: 之江实验室
Abstract: 本发明公开了一种带噪声标签的长尾分布图像分类方法，通过样本依赖的松弛间隔损失进行学习，并辅以抗噪声的数据增强策略，用于解决同时具有长尾特征与噪声标签的图像分类问题。根据数据噪声特征，在计算样本函数间隔时引入样本依赖的松弛变量以放宽间隔约束，再根据样本间隔分类计算样本依赖的光滑松弛损失；根据数据长尾特征，实施分阶段调整的数据增强策略，对样本分别进行强增强和弱增强，并在正式训练阶段提供基于松弛损失的样本筛选机制用于筛除噪声数据。本发明实现方法简便，手段灵活，在长尾数据、噪声数据以及同时具有二者特征的训练数据上都取得显著的分类效果的提升。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.02 seconds)
