-
公开(公告)号：CN112232416B
公开(公告)日：2021-09-14
申请号：CN202011109339.7
申请日：2020-10-16
Applicant: 浙江大学
Abstract: 本申请提供一种基于伪标签加权的半监督学习方法，所述方法包括：获取待训练的有标签和无标签样本，得到有标签和无标签训练集；在有标签训练集上进行模型训练，得到有标签训练模型；基于有标签训练模型对无标签训练集进行预测，得到无标签训练集的伪标签；输入伪标签至标签适配模块，得到加权后的伪标签；基于深度神经网络对获取的有标签训练集和伪标签训练集进行训练，得到半监督学习后的机器学习模型。本发明能够对含有无标签的数据场景进行半监督训练，在不对无标签数据进行标注情况下，进一步提高模型的场景适应能力，有效解决典型的开集误报问题、类别间误报问题和漏报问题，从而得到更高的模型性能。
-
公开(公告)号：CN111210426B
公开(公告)日：2021-03-02
申请号：CN202010043800.7
申请日：2020-01-15
Applicant: 浙江大学
Abstract: 本申请提供一种基于非限制标准模板的图像质量评分方法，所述方法包括：获取待评分图像及对应的可训练标签，得到评分图像训练集；基于深度神经网络对获取训练集进行训练，得到图像特征提取模型；获取每幅图像对应的非限制标准模板，作为模板参照集；输入图像训练集中每幅图像和其对应的非限制标准模板至特征提取模型中，计算每幅图像与模板的特征距离，获取每幅图像的质量分数，进而基于每幅图像及获取的质量分数回归训练得到质量评分模型；对于待评测图像，输入图像至评分模型得到质量分数。本发明可以对待评估场景中的图像质量进行评估，获取每幅图像的绝对质量分数，从而提升对应用场景的理解能力。
-
公开(公告)号：CN111222487B
公开(公告)日：2021-09-28
申请号：CN202010043763.X
申请日：2020-01-15
Applicant: 浙江大学
Abstract: 本发明公开了一种视频目标行为识别方法及电子设备，该方法包括：获取待识别视频，其中，所述视频包含待识别视频的图像帧；通过目标检测模型获取一个或多个局部目标图像；通过目标追踪模型，对获取的局部目标图像进行匹配，获取一个或多个目标图像序列；通过目标行为质量评分模型，对每个目标图像序列中的目标图像行为进行质量评分，获取高质量的目标图像子序列；通过行为识别模型，对获取的高质量目标图像子序列进行行为识别，得到行为识别结果。该方法仅对视频目标图像序列中的高质量目标图像子序列进行行为识别，一方面消除了低质量目标行为识别结果对整体视频目标行为识别结果的影响；另一方面，由于仅识别高质量目标行为，可提升了视频目标行为识别效率；该方法能够满足用户的实际应用需要，适用性强。
-
Patent Agency Ranking
公开(公告)号：CN111210426A
公开(公告)日：2020-05-29
申请号：CN202010043800.7
申请日：2020-01-15
Applicant: 浙江大学
Abstract: 本申请提供一种基于非限制标准模板的图像质量评分方法，所述方法包括：获取待评分图像及对应的可训练标签，得到评分图像训练集；基于深度神经网络对获取训练集进行训练，得到图像特征提取模型；获取每幅图像对应的非限制标准模板，作为模板参照集；输入图像训练集中每幅图像和其对应的非限制标准模板至特征提取模型中，计算每幅图像与模板的特征距离，获取每幅图像的质量分数，进而基于每幅图像及获取的质量分数回归训练得到质量评分模型；对于待评测图像，输入图像至评分模型得到质量分数。本发明可以对待评估场景中的图像质量进行评估，获取每幅图像的绝对质量分数，从而提升对应用场景的理解能力。
-
公开(公告)号：CN112200255B
公开(公告)日：2021-09-14
申请号：CN202011110339.9
申请日：2020-10-16
Applicant: 浙江大学
Abstract: 本发明提供一种针对样本集的信息去冗余方法，所述方法包括：获取待处理样本及对应的可训练标签，得到原始待处理样本集；基于预训练的机器学习模型对每条样本进行特征抽取，得到原始样本集的特征向量集合；输入特征向量集合至可学习的样本选择器模型，对特征向量集合进行样本挑选，根据预设阈值获取有代表性的特征向量子集；获取特征向量子集对应的原始样本作为去除冗余信息后的子样本集合。本发明技术方案，可以对原始样本集合进行高效精简，去除冗余信息而保留有价值信息的样本，可以提升算法在样本集上的训练效率。
-
公开(公告)号：CN112232416A
公开(公告)日：2021-01-15
申请号：CN202011109339.7
申请日：2020-10-16
Applicant: 浙江大学
Abstract: 本申请提供一种基于伪标签加权的半监督学习方法，所述方法包括：获取待训练的有标签和无标签样本，得到有标签和无标签训练集；在有标签训练集上进行模型训练，得到有标签训练模型；基于有标签训练模型对无标签训练集进行预测，得到无标签训练集的伪标签；输入伪标签至标签适配模块，得到加权后的伪标签；基于深度神经网络对获取的有标签训练集和伪标签训练集进行训练，得到半监督学习后的机器学习模型。本发明能够对含有无标签的数据场景进行半监督训练，在不对无标签数据进行标注情况下，进一步提高模型的场景适应能力，有效解决典型的开集误报问题、类别间误报问题和漏报问题，从而得到更高的模型性能。
-
公开(公告)号：CN111222487A
公开(公告)日：2020-06-02
申请号：CN202010043763.X
申请日：2020-01-15
Applicant: 浙江大学
Abstract: 本发明公开了一种视频目标行为识别方法及电子设备，该方法包括：获取待识别视频，其中，所述视频包含待识别视频的图像帧；通过目标检测模型获取一个或多个局部目标图像；通过目标追踪模型，对获取的局部目标图像进行匹配，获取一个或多个目标图像序列；通过目标行为质量评分模型，对每个目标图像序列中的目标图像行为进行质量评分，获取高质量的目标图像子序列；通过行为识别模型，对获取的高质量目标图像子序列进行行为识别，得到行为识别结果。该方法仅对视频目标图像序列中的高质量目标图像子序列进行行为识别，一方面消除了低质量目标行为识别结果对整体视频目标行为识别结果的影响；另一方面，由于仅识别高质量目标行为，可提升了视频目标行为识别效率；该方法能够满足用户的实际应用需要，适用性强。
-
公开(公告)号：CN112200255A
公开(公告)日：2021-01-08
申请号：CN202011110339.9
申请日：2020-10-16
Applicant: 浙江大学
Abstract: 本发明提供一种针对样本集的信息去冗余方法，所述方法包括：获取待处理样本及对应的可训练标签，得到原始待处理样本集；基于预训练的机器学习模型对每条样本进行特征抽取，得到原始样本集的特征向量集合；输入特征向量集合至可学习的样本选择器模型，对特征向量集合进行样本挑选，根据预设阈值获取有代表性的特征向量子集；获取特征向量子集对应的原始样本作为去除冗余信息后的子样本集合。本发明技术方案，可以对原始样本集合进行高效精简，去除冗余信息而保留有价值信息的样本，可以提升算法在样本集上的训练效率。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.017 seconds)
