公开(公告)号：CN111401519B

公开(公告)日：2023-07-04

申请号：CN202010151779.2

申请日：2020-03-06

Applicant: 北京工业大学

Inventor： 刘波 ,  张开创

IPC: G06N3/0464 ,  G06N3/08 ,  G06F18/23213

Abstract: 本发明提出的是一种基于物体内和物体间相似性距离的深层神经网络无监督学习方法，所属领域为人工智能，具体包括两个阶段：无监督特征学习阶段具体包括：搭建三元组网络结构；采用基于对象的三元组采样算法进行样本采样，用于反向传播；采用基于对象的三元组损失进行网络参数的优化。迁移到具体任务阶段具体包括：使用第一阶段获得的网络参数进行特征提取；将提取出的特征用于分类或者聚类等下游任务的训练。通过基于对象的三元组损失以及基于对象的三元组采样算法训练提取到的特征，能够用于分类以及聚类等下游任务。为挖掘大量没有标签的视觉数据的潜能提供了一种新的解决方案。

公开(公告)号：CN111401519A

公开(公告)日：2020-07-10

申请号：CN202010151779.2

申请日：2020-03-06

Applicant: 北京工业大学

Inventor： 刘波 ,  张开创

IPC: G06N3/04 ,  G06N3/08 ,  G06K9/62

Abstract: 本发明提出的是一种基于物体内和物体间相似性距离的深层神经网络无监督学习方法，所属领域为人工智能，具体包括两个阶段：无监督特征学习阶段具体包括：搭建三元组网络结构；采用基于对象的三元组采样算法进行样本采样，用于反向传播；采用基于对象的三元组损失进行网络参数的优化。迁移到具体任务阶段具体包括：使用第一阶段获得的网络参数进行特征提取；将提取出的特征用于分类或者聚类等下游任务的训练。通过基于对象的三元组损失以及基于对象的三元组采样算法训练提取到的特征，能够用于分类以及聚类等下游任务。为挖掘大量没有标签的视觉数据的潜能提供了一种新的解决方案。