一种基于实例依赖互补标签学习的图像分类方法.pdf
白真****ng
亲,该文档总共22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
一种基于实例依赖互补标签学习的图像分类方法.pdf
本发明公开了一种基于实例依赖互补标签学习的图像分类方法,包括:在骨干网络之上构建转移矩阵网络和分类器网络,用于估计实例的互补标签转移矩阵和预测实例的真实类别;将实例特征嵌入为指定维度的特征向量,并以特征向量的欧式距离为度量挖掘实例的近邻;结合互补标注分类和语义聚类训练分类器网络,估计实例的真实类后验概率,选取概率前1%大的实例作为近似锚点对转移矩阵网络进行初始化;引入约束——“特征空间上邻近的实例具有更相似的互补标签转移矩阵”——来限制转移矩阵的自由度,并构建端到端的联合训练框架协同优化转移矩阵网络和分类
一种基于深度学习的图像实例分割方法.pdf
本发明公开了一种基于深度学习的图像实例分割方法,其方法为:第一步、获取图像样本,构建训练集;第二步、图像实例分割模型的构建,具体过程为:步骤1、将待训练的图像集中每个图像划分为S*S小网格,根据实际应用进行选取;步骤2、通过ResNet?101网络提取图像特征;步骤3、通过基于加权BiFPN构建的特征网络层,将图像特征进行多尺度融合提取;步骤4、构建联合注意力筛选模块;步骤5、得到实例的掩码信息;步骤6、得到图像实例分割模型;第三步、将待分割的图像,利用上述第二步中得到的图像实例分割模型实现实例分割。有益
一种基于不可靠伪标签学习的半监督高光谱图像分类方法.pdf
本发明公开了一种基于不可靠伪标签学习的半监督高光谱图像分类方法,包括:(1)搭建两个具有相同结构的教师和学生神经网络模型用于提取样本特征;(2)使用少量标记样本预先训练教师网络模型;(3)根据类别概率将无标记样本划分成可靠和不可靠样本;(4)将可靠的预测值作为正确的伪标签,同少量标记样本计算监督损失;(5)通过采样的策略构造锚点像素、正样本和负样本,使用对比学习重新利用不可靠预测值的样本特征;(6)计算目标函数,优化神经网络模型参数;(7)预测高光谱图像分类性能。本发明采取对比学习方式将不可靠伪标签作为对
一种基于主动学习的图像分类方法.pdf
本发明公开了一种基于主动学习的图像分类方法,该方法主要包括:获取标记图像的原型向量;计算未标记图像和标记图像的原型向量之间的拒绝置信度值;计算未标记图像的不确定性值;计算未标记图像的多样性值;对拒绝置信度值、不确定性值和多样性值进行加权求和,得到未标记图像的评价标量;根据评价标量从未标记图像集中筛选出多个未标记图像进行标记,形成新的标记图像;将新的标记图像添加至初始标记图像集后对分类器进行训练。通过从图像之间的拒绝致信度、不确定性以及图像的多样性三个性能指标构成的一种混合查询策略筛选出信息量比较大的图像进
基于伪标签和类别词典学习的遥感图像地表覆盖分类方法.pdf
本发明涉及一种基于伪标签和类别词典学习的遥感图像地表覆盖分类方法,包括:利用预训练卷积神经网络为源域和目标域影像提取深层特征,筛选目标域可靠伪标签数据;源域标签数据和目标域可靠伪标签数据组成联合训练样本,结合类别词典学习方法得到源域类别词典;结合目标域可靠伪标签数据,得到过渡类别词典和最终的目标域类别词典;结合源域类别词典、过渡类别词典和目标域类别词典,得到源域和目标域的域不变特征表达;利用联合训练样本的域不变特征表达训练SVM分类器,预测目标域影像的地表覆盖类别。本发明的方法在训练样本缺失的情况下有效提