-
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。
-
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：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。
-
-
-
Search Results
4
records
(took 0.035 seconds)
