龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：燕山大学
申请日：2024-02-28
公开（公告）日：2024-04-30
公开（公告）号：CN117953308A
主分类号：G06V10/764
分类号：G06V10/764;G06V10/82;G06N3/0895
优先权：
专利状态码：在审-实质审查的生效
法律状态：2024.05.17#实质审查的生效;2024.04.30#公开
摘要：本发明公开了基于歪斜相似度和无标记样本的融合弱监督图像分类方法，属于弱监督图像处理领域，包括构建包含具有歪斜相似置信度的样本对和无标记样本点的数据集；根据数据集的大小和复杂程度搭建分类神经网络模型，初始化分类神经网络模型的权重参数和偏置参数；设计歪斜相似置信度参数化模型，并设计经验风险损失函数作为分类神经网络模型的训练标准；选择基于梯度的优化算法最小化经验风险损失函数；训练分类神经网络模型，得到分类神经网络模型的最优解；获取训练好的分类神经网络模型，对待标注图像进行分类。本发明克服了标注不准确性、信息资源利用效率低以及成本限制等问题，能够应对复杂的数据形式、解决现实世界中多样化的图像分类任务。
主权项：1.一种基于歪斜相似度和无标记样本的融合弱监督图像分类方法，其特征在于，具体包括以下步骤：S1，构建包含具有歪斜相似置信度的样本对和无标记样本点的数据集；S2，根据数据集的大小和复杂程度选择合适的分类神经网络模型结构，搭建分类神经网络模型，初始化分类神经网络模型的权重参数和偏置参数；S3，设计歪斜相似置信度参数化模型，并基于歪斜相似置信度参数化模型设计经验风险损失函数作为分类神经网络模型的训练标准；S4，选择基于梯度的优化算法最小化经验风险损失函数；S5，训练分类神经网络模型，对步骤S1中的图像数据集进行批处理，将每一批数据输入分类神经网络模型，通过优化算法不断迭代更新分类神经网络模型的权重参数和偏置参数，使经验风险损失函数收敛到一个局部最小值，从而得到分类神经网络模型的最优解；S6，获取训练好的分类神经网络模型，对待标注图像进行分类。
全文数据：
权利要求：
百度查询： 燕山大学 基于歪斜相似度和无标记样本的融合弱监督图像分类方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号