-
公开(公告)号：CN112149721B
公开(公告)日：2023-11-17
申请号：CN202010945452.2
申请日：2020-09-10
Applicant: 南京大学
IPC: G06V10/764 , G06V10/77 , G06V10/82 , G06N3/0464 , G06V10/774 , G06V10/762 , G06V10/776 , G06N3/0895
Abstract: 本发明提供了一种基于主动学习降低标注需求的目标检测方法，包括：构建网络模型；对大量数据进行符合主动学习特征的初始数据划分；主动选择过程，确定主动选择过程的挑选策略；主动标注，对挑选出来的数据进行人工标注；模型微调，使用新的人工标注数据对模型进行微调；模型验证，依据当前相关条件及模型表现，以决定是否继续迭代模型；利用最后得到的模型进行目标检测。本发明的提供的方法通过引入主动学习，能大大减少目标检测任务所需的数据标注需求，节省标注成本。本发明对传统的主动学习策略进行了优化，添加聚类过程以使得所选样本更接近数据的真实分布，能提升对富信息样本的挑选效果，并有利于模型的性能提升。
-
Patent Agency Ranking
公开(公告)号：CN114677276A
公开(公告)日：2022-06-28
申请号：CN202210276575.0
申请日：2022-03-21
Applicant: 南京大学
Abstract: 本发明提供了一种基于主动采样对抗学习的真实世界图像超分辨率方法，包括：使用已有高分辨图像与对应的经过双三次插值(bicubic)退化的低分辨率图像以有监督方式训练超分辨率模型；将真实世界图像首先经过无监督去噪网络进行首次去噪处理；将经过一轮去噪的真实世界图像及已有且配对的高分辨率图像‑低分辨率图像输入基于生成对抗网络的网络框架中，利用主动采样策略采样出图像块进行整个模型的训练。最终的模型能够直接对真实世界的低分辨率图像进行超分辨率重建，得到高分辨率输出图像。相较于现有技术，本发明提出的针对真实世界图像的超分辨方法减少了训练成本，并且可以实现更好的图像重建效果。
-
公开(公告)号：CN116824237A
公开(公告)日：2023-09-29
申请号：CN202310715906.0
申请日：2023-06-16
Applicant: 南京大学
IPC: G06V10/764 , G06V10/762 , G06V10/774 , G06V10/82 , G06N3/091
Abstract: 本发明公开了一种基于两阶段主动学习的图像识别分类方法，包含如下步骤：使用常规主动学习方法进行第一阶段主动采样；对各视图中的样本进行聚类；计算两个视图间的一致度；使用表达度和稳定度进行第二阶段主动采样；对神经网络进行训练；对模型进行迭代优化。本发明是一种与具体的学习任务无关、与现有主动学习方法解耦的新型主动学习方法，可以应用在多种主动学习场景中，且可以与现有主动学习方法结合使用。此外，本发明同时考虑到了样本的表达性和稳定性，采样出的用于标注的样本具有较高的可信度。本发明实现了准确、扩展性强的基于多视图聚类计算样本表达度和稳定度的两阶段主动学习方法，因此具有较高的使用价值。
-
公开(公告)号：CN114724015A
公开(公告)日：2022-07-08
申请号：CN202210270638.1
申请日：2022-03-18
Applicant: 南京大学
IPC: G06V10/778 , G06V10/82 , G06V10/764 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于主动域自适应学习降低标注需求的目标检测方法，包括：构建网络模型；进行符合主动学习特征的初始数据划分；确定主动采样过程的采样策略并进行主动采样；对挑选出来的数据进行专家标注；使用更新后的标注数据对模型进行微调；依据当前相关条件及模型表现，决定是否继续迭代模型；利用最后得到的模型进行目标检测。本发明通过将主动学习与域自适应学习结合，提出了一种新的主动域自适应学习策略，大大减少了目标检测任务所需的数据标注量，节省标注成本；依据域自适应过程中的全局与局部特征对齐过程设计了一种新的采样策略，同时考虑了图像级和目标实例级特征，能提升对富信息样本的挑选效果，并有利于模型的性能提升。
-
公开(公告)号：CN114677276B
公开(公告)日：2025-03-18
申请号：CN202210276575.0
申请日：2022-03-21
Applicant: 南京大学
IPC: G06T3/4053 , G06T3/4046 , G06T7/13 , G06N3/0895 , G06N3/094
Abstract: 本发明提供了一种基于主动采样对抗学习的真实世界图像超分辨率方法，包括：使用已有高分辨图像与对应的经过双三次插值(bicubic)退化的低分辨率图像以有监督方式训练超分辨率模型；将真实世界图像首先经过无监督去噪网络进行首次去噪处理；将经过一轮去噪的真实世界图像及已有且配对的高分辨率图像‑低分辨率图像输入基于生成对抗网络的网络框架中，利用主动采样策略采样出图像块进行整个模型的训练。最终的模型能够直接对真实世界的低分辨率图像进行超分辨率重建，得到高分辨率输出图像。相较于现有技术，本发明提出的针对真实世界图像的超分辨方法减少了训练成本，并且可以实现更好的图像重建效果。
-
公开(公告)号：CN112149721A
公开(公告)日：2020-12-29
申请号：CN202010945452.2
申请日：2020-09-10
Applicant: 南京大学
Abstract: 本发明提供了一种基于主动学习降低标注需求的目标检测方法，包括：构建网络模型；对大量数据进行符合主动学习特征的初始数据划分；主动选择过程，确定主动选择过程的挑选策略；主动标注，对挑选出来的数据进行人工标注；模型微调，使用新的人工标注数据对模型进行微调；模型验证，依据当前相关条件及模型表现，以决定是否继续迭代模型；利用最后得到的模型进行目标检测。本发明的提供的方法通过引入主动学习，能大大减少目标检测任务所需的数据标注需求，节省标注成本。本发明对传统的主动学习策略进行了优化，添加聚类过程以使得所选样本更接近数据的真实分布，能提升对富信息样本的挑选效果，并有利于模型的性能提升。
-
-
-
-
-
Search Results
6
records
(took 0.046 seconds)
