内容提供者
一种基于分歧学习的弱监督目标分类和定位方法.pdf
2023-05-21
10金币
1.9MB
23页
美丽****ka
实名认证
内容提供者
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10
亲，该文档总共23页，到这已经超出免费预览范围，如果喜欢就直接下载吧～
相关资料
一种基于分歧学习的弱监督目标分类和定位方法.pdf
本发明提供了一种基于分歧学习的弱监督目标分类和定位方法,实现过程为:构建训练样本集;基于层次分歧激活模块或者层次分歧激活模块?差异性分歧激活模块构建分类和定位网络;将训练样本集中的样本输入到初步构建的分类和定位网络中进行多尺度的目标特征提取;设计损失函数,根据损失函数计算梯度,对整个卷积层网络进行梯度反传,并更新卷积层网络参数,实现网络的优化。本发明方法提出了两种分歧学习形式:差异分歧学习和层次分歧学习,两种分歧学习从不同的角度挖掘目标的定位信息,最终激活出完整的目标区域,该方法能够发现目标的互补和具有辨
2023-05-21
10
1.9MB
一种基于特征扩展性学习的弱监督目标定位方法.pdf
一种基于特征扩展性学习的弱监督目标定位方法，涉及计算机图像视觉处理。提供基于弱监督的训练方式以低成本的图像标注，以仅有的弱标签信息获取更好的特征，达到比较好的训练结果的一种基于特征扩展性学习的弱监督目标定位方法。包括如下步骤：1)对待检测的图片进行预处理，然后将预处理后待检测的图片及其对应的图片级别的标签送入神经网络；2)神经网络对图片进行处理，在训练过程中输出待检测图片对应每一个类别的概率数值，在测试过程中输出待检测图片预测的框的坐标、类别、得分。通过擦除来促进整体目标定位，并通过最大凸显学习来提高分类
2023-07-25
10
689KB
基于空间分歧和注意力的弱监督目标检测的开题报告.docx
基于空间分歧和注意力的弱监督目标检测的开题报告一、研究背景和意义目标检测技术是计算机视觉领域的重要研究方向。传统的目标检测方法需要标记每个目标的位置和类别，需要大量标注数据，监督学习方式达到较高的准确率。但是，标注数据的成本非常高，尤其是对于一些复杂场景或者多目标检测的问题，需要大量的人工标注数据，对于实际应用的限制十分大，因此弱监督目标检测的研究成为了当前热门的话题。弱监督目标检测是指利用相反于传统标注方式的标注方式获得目标定位地图，即只需要一些低级别的标注，例如图像级别的标注、边框-标签、关键点标注等
2024-09-30
5
11KB
一种基于对偶强化学习的弱监督短语定位方法.pdf
本发明公开了一种基于对偶强化学习的弱监督短语定位方法，通过构建根据短语描述定位图像区域的定位模型以及根据图像区域生成短语描述的生成模型；利用对偶强化学习协同训练生成模型和定位模型；将短语描述输入定位模型，并将其输出结果输入生成模型生成短语描述，计算输入的短语描述和生成的短语描述的语义一致性，作为强化学习中定位模型的奖励值；类似的，将图像区域输入生成模型，并将其输出结果输入定位模型定位图像区域，计算输入的图像区域和定位的图像区域的空间一致性，作为强化学习中生成模型的奖励值。通过强化学习最大化奖励值，本发明能
2023-06-07
10
729KB
基于软擦除的弱监督目标定位算法.pdf
本发明公开了一种基于软擦除的弱监督目标定位算法,包括如下步骤:步骤S1、对图像进行归一化处理至像素范围为0至1;步骤S2、修改预训练的卷积神经网络的网络结构;步骤S3、计算获得软擦除图M<base:Sub>e</base:Sub>;步骤S4、得到预测分类;步骤S5、计算交叉熵损失L;步骤S6、基于误差反向传播算法对卷积神经网络进行训练;步骤S7、在测试阶段,使用步骤S6中训练完成的卷积神经网络;步骤S8、通过F中每个通道对正确类别的贡献程度计算出类别激活图;步骤S9:对步骤S8中的类别激活图进行阈值分割,
2023-05-09
10
326KB