-
公开(公告)号：CN113378934B
公开(公告)日：2023-04-07
申请号：CN202110656523.1
申请日：2021-06-11
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/80 , G06V10/74 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于语义感知图神经网络的小样本图像分类方法及系统，针对图片级标签导致类别语义模糊的问题，首先将边的表示进行细化，使边从一个表示相邻结点全局相似度的标量细化为一个表示相邻结点每一像素位置相似度的向量。然后在边细化的基础上进一步引入语义校准模块来更新边特征，其通过计算相邻结点间的关系矩阵，并将关系矩阵转换为每一像素位置的边值来让边显式地表示结点间的语义相似性，进而通过多层图神经网络的更新传播语义信息以改善最终的分类结果。本发明在miniImageNet数据集上的实验表明本发明可以提高小样本图像分类的精度。
-
Patent Agency Ranking
公开(公告)号：CN113378937B
公开(公告)日：2023-08-11
申请号：CN202110657337.X
申请日：2021-06-11
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/774 , G06V10/40 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于自监督增强的小样本图像分类方法及系统，自监督学习和小样本学习都是为了缓解模型对标签数据的依赖，本发明在基于图神经网络的小样本学习方法的基础上结合自监督学习提出了一种自监督增强的小样本学习方法，本发明设计一个抠图位置预测的自监督学习任务，将每一个小样本分类任务的所有样本进行随机抠图，在提取样本特征后经过一个全连接层预测每一个样本被抠除图像块的位置。本发明将抠图位置预测任务和小样本分类任务联合训练以增强模型提取有效表征的能力，从而改善模型的分类结果，并通过在miniImageNet上的对比和消融实验证明了本发明的有效性。
-
公开(公告)号：CN113378938A
公开(公告)日：2021-09-10
申请号：CN202110657352.4
申请日：2021-06-11
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于边Transformer图神经网络的小样本图像分类方法及系统，引入transformer模型来对图中的边特征进行更新，通过将结点之间的差值特征图拆分成特征块序列输入到transformer模块得到更新后的边特征，使得每一个像素位置会被分配不同的注意力权重以突出关键区域。本发明的思想是利用transformer中的自注意力机制来自动聚焦到用于衡量结点间相似性的关键区域，从而达到抑制背景信息并突出关键区域的目的。本发明在miniImageNet数据集上进行的对比实验证明了本发明可以提高小样本图像分类的精度。
-
公开(公告)号：CN113378934A
公开(公告)日：2021-09-10
申请号：CN202110656523.1
申请日：2021-06-11
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于语义感知图神经网络的小样本图像分类方法及系统，针对图片级标签导致类别语义模糊的问题，首先将边的表示进行细化，使边从一个表示相邻结点全局相似度的标量细化为一个表示相邻结点每一像素位置相似度的向量。然后在边细化的基础上进一步引入语义校准模块来更新边特征，其通过计算相邻结点间的关系矩阵，并将关系矩阵转换为每一像素位置的边值来让边显式地表示结点间的语义相似性，进而通过多层图神经网络的更新传播语义信息以改善最终的分类结果。本发明在miniImageNet数据集上的实验表明本发明可以提高小样本图像分类的精度。
-
公开(公告)号：CN113378938B
公开(公告)日：2022-12-13
申请号：CN202110657352.4
申请日：2021-06-11
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/774 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于边Transformer图神经网络的小样本图像分类方法及系统，引入transformer模型来对图中的边特征进行更新，通过将结点之间的差值特征图拆分成特征块序列输入到transformer模块得到更新后的边特征，使得每一个像素位置会被分配不同的注意力权重以突出关键区域。本发明的思想是利用transformer中的自注意力机制来自动聚焦到用于衡量结点间相似性的关键区域，从而达到抑制背景信息并突出关键区域的目的。本发明在miniImageNet数据集上进行的对比实验证明了本发明可以提高小样本图像分类的精度。
-
公开(公告)号：CN113378937A
公开(公告)日：2021-09-10
申请号：CN202110657337.X
申请日：2021-06-11
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于自监督增强的小样本图像分类方法及系统，自监督学习和小样本学习都是为了缓解模型对标签数据的依赖，本发明在基于图神经网络的小样本学习方法的基础上结合自监督学习提出了一种自监督增强的小样本学习方法，本发明设计一个抠图位置预测的自监督学习任务，将每一个小样本分类任务的所有样本进行随机抠图，在提取样本特征后经过一个全连接层预测每一个样本被抠除图像块的位置。本发明将抠图位置预测任务和小样本分类任务联合训练以增强模型提取有效表征的能力，从而改善模型的分类结果，并通过在miniImageNet上的对比和消融实验证明了本发明的有效性。
-
-
-
-
-
Search Results
6
records
(took 0.031 seconds)
