公开(公告)号：CN117611957A

公开(公告)日：2024-02-27

申请号：CN202410077239.2

申请日：2024-01-19

Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) ,  山东大学

Inventor： 吴建龙 ,  李子晗 ,  孙玮 ,  聂礼强 ,  尹建华 ,  林宙辰

IPC: G06V10/778 ,  G06V10/774 ,  G06V10/762 ,  G06V10/84

Abstract: 本发明属于计算机视觉中的图像聚类技术领域，为解决现有图像聚类模型聚类性能低的问题，提供一种基于统一正负伪标签的无监督视觉表征学习方法及系统。其中，基于统一正负伪标签的无监督视觉表征学习方法包括预训练分配正标签的深度聚类模型；利用预训练的深度聚类模型为所有图像样本分配正标签，并从中筛选出一组正标签置信度高于设定阈值的图像样本；其中，将筛选出的图像样本作为有标签的图像样本，剩余的图像样本作为无标签的图像样本；利用预训练的深度聚类模型及所有图像样本再进行半监督调整，利用半监督调整过程中的学习损失对预训练的深度聚类模型进行联合优化训练，其能够在预训练模型的基础上进一步提升聚类性能。

公开(公告)号：CN117611957B

公开(公告)日：2024-03-29

申请号：CN202410077239.2

申请日：2024-01-19

Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) ,  山东大学

Inventor： 吴建龙 ,  李子晗 ,  孙玮 ,  聂礼强 ,  尹建华 ,  林宙辰

IPC: G06V10/778 ,  G06V10/774 ,  G06V10/762 ,  G06V10/84

Abstract: 本发明属于计算机视觉中的图像聚类技术领域，为解决现有图像聚类模型聚类性能低的问题，提供一种基于统一正负伪标签的无监督视觉表征学习方法及系统。其中，基于统一正负伪标签的无监督视觉表征学习方法包括预训练分配正标签的深度聚类模型；利用预训练的深度聚类模型为所有图像样本分配正标签，并从中筛选出一组正标签置信度高于设定阈值的图像样本；其中，将筛选出的图像样本作为有标签的图像样本，剩余的图像样本作为无标签的图像样本；利用预训练的深度聚类模型及所有图像样本再进行半监督调整，利用半监督调整过程中的学习损失对预训练的深度聚类模型进行联合优化训练，其能够在预训练模型的基础上进一步提升聚类性能。