检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于元学习的图卷积网络少样本学习模型

电子学报 2024年第3期52卷 885-897页

作者：刘鑫磊冯林廖凌湘龚勋苏菡王俊四川师范大学计算机科学学院四川成都610100 西南交通大学计算机与人工智能学院四川成都611730 四川师范大学商学院四川成都610100 资阳市公安局网络安全保卫支队四川资阳641399

少样本学习是目前机器学习研究领域的热点和难点.针对现有的少样本学习模型不能有效捕捉数据特征与数据标签之间的联系,造成分类模型泛化能力弱的问题,提出一种基于元学习的原型空间图卷积网络少样本学习模型FSL-GCNPS(Few-Shot Learnin... 详细信息

少样本学习是目前机器学习研究领域的热点和难点.针对现有的少样本学习模型不能有效捕捉数据特征与数据标签之间的联系,造成分类模型泛化能力弱的问题,提出一种基于元学习的原型空间图卷积网络少样本学习模型FSL-GCNPS(Few-Shot Learning of Graph Convolutional Network on Prototype Space).首先,利用卷积神经网络提取多任务数据的特征向量;其次,为了将特征向量映射到原型空间中,根据元学习的训练策略得到特征向量的类原型表达;然后,通过类原型向量和类向量之间的嵌入表示,构建图结构数据,并进行图卷积网络训练、推理.实验结果表明,相较于经典少样本学习方法,FSL-GCNPS模型拥有更好的分类准确率和分类稳定性.同时,在医学图像领域数据集上实验表明,FSL-GCNPS具有很好的跨域适应性.

关键词：元学习图卷积网络卷积神经网络少样本学习原型空间

在线全文

学校读者我要写书评

暂无评论

少样本学习下的服装风格分析与评价

毛纺科技 2021年第4期49卷 13-17页

作者：胡梦莹钟跃崎东华大学纺织学院上海201620 东华大学纺织面料技术教育部重点实验室上海201620

为提高服装风格评价的客观性,提出了利用卷积神经网络对不同品牌服装风格特征进行自动提取、识别和分类的方法,以不同品牌的服装为对象,探究其视觉风格合理表征的方法,并实现品牌服装的分类任务。建立了品牌服装数据集,该数据集包含50... 详细信息

为提高服装风格评价的客观性,提出了利用卷积神经网络对不同品牌服装风格特征进行自动提取、识别和分类的方法,以不同品牌的服装为对象,探究其视觉风格合理表征的方法,并实现品牌服装的分类任务。建立了品牌服装数据集,该数据集包含50个品牌的服装图像,每个服装品牌30张,随机抽取36个用作训练集,剩余14个用作支持集和查询集。采用少样本学习的网络模型,Siamese网络模型、Protype网络模型、Meta baseline网络模型对品牌服装数据集进行测试,对比分析3种网络模型的实验结果。结果表明:在品牌服装图像数据较少的情况下,可以通过少样本学习方法对其进行分类,使用meta baseline网络在5-way,1-shot任务中的分类准确率高达0.9475。

关键词：服装风格特征提取卷积神经网络少样本学习

在线全文

学校读者我要写书评

暂无评论

基于少样本学习的钢轨表面缺陷检测方法

铁道学报 2022年第7期44卷 72-79页

作者：刘俊博杜馨瑜王胜春顾子晨王凡戴鹏中国铁道科学研究院集团有限公司基础设施检测研究所北京100081 北京铁科英迈技术有限公司北京100081

针对铁路钢轨病害检测问题,提出一种少样本学习的钢轨表面缺陷检测方法。首先,设计样本随机组合策略,根据少量钢轨图像快速构建钢轨表面缺陷数据集;然后,改进深度卷积神经网络的分类损失函数,降低样本数量不平衡对模型分类性能的影响;最... 详细信息

针对铁路钢轨病害检测问题,提出一种少样本学习的钢轨表面缺陷检测方法。首先,设计样本随机组合策略,根据少量钢轨图像快速构建钢轨表面缺陷数据集;然后,改进深度卷积神经网络的分类损失函数,降低样本数量不平衡对模型分类性能的影响;最后,提出基于多层级特征融合的钢轨表面缺陷检测网络,并利用上述数据集和改进的分类损失函数进行训练,实现少样本条件下端到端的钢轨表面缺陷检测。试验结果表明:该方法在2种类型的钢轨表面缺陷数据集上均取得最优性能,并在实际线路检测任务中,检测率达到100%,具有较高的实用价值。

关键词：钢轨表面缺陷少样本学习目标检测深度卷积神经网络

在线全文

学校读者我要写书评

暂无评论

基于少样本学习的通用隐写分析方法

软件学报 2022年第10期33卷 3874-3890页

作者：李大秋付章杰程旭宋晨孙星明南京信息工程大学计算机与软件学院江苏南京210044 鹏城实验室广东深圳518055

近年来,深度学习在图像隐写分析任务中表现出了优越的性能.目前,大多数基于深度学习的图像隐写分析模型为专用型隐写分析模型,只适用于特定的某种隐写术.使用专用隐写分析模型对其他隐写算法的隐写图像进行检测,则需要该隐写算法的大量... 详细信息

近年来,深度学习在图像隐写分析任务中表现出了优越的性能.目前,大多数基于深度学习的图像隐写分析模型为专用型隐写分析模型,只适用于特定的某种隐写术.使用专用隐写分析模型对其他隐写算法的隐写图像进行检测,则需要该隐写算法的大量载密图像作为数据集对模型进行重新训练.但在实际的通用隐写分析任务中,隐写算法的大量载密图像数据集是难以得到的.如何在极少隐写图像样本的情况下训练通用隐写分析模型是一个极大的挑战.对此,受少样本学习领域研究成果的启发,提出了基于转导传播网络的通用隐写分析方法.首先,在已有的少样本学习分类框架上改进了特征提取部分,设计了多尺度特征融合网络,使少样本分类模型能够提取到更多的隐写分析特征,使其可用于基于秘密噪声残差等弱信息的分类任务;其次,针对少样本隐写分析模型难收敛的问题,提出了预训练初始化的方式得到具有先验知识的初始模型;然后,分别训练了频域和空域的少样本通用隐写分析模型,通过自测和交叉测试,结果表明,检测平均准确率在80%以上;接着,在此基础上,采用数据集增强的方式重新训练了频域、空域少样本通用隐写分析模型,使少样本通用隐写分析模型检测准确率与之前相比提高到87%以上;最后,将得到的少样本通用隐写分析模型分别与现有的频域和空域隐写分析模型的检测性能进行比较,结果显示,空域上少样本通用隐写分析模型在常用的少样本环境下的检测准确率稍低于SRNet和ZhuNet,频域上少样本通用隐写分析模型在常见的少样本环境下的检测准确率已超越现有的频域隐写分析模型.实验结果表明,基于少样本学习的通用隐写分析方法对未知隐写算法的检测具有高效性和鲁棒性.

关键词：隐写术隐写分析少样本学习深度学习

基于少样本深度学习的异常检测方法：综述与展望

在线全文

学校读者我要写书评

暂无评论

小型微型计算机系统 2024年

作者：赵海燕陈子盟曹健陈庆奎上海理工大学光电信息与计算机工程学院上海市现代光学系统重点实验室光学仪器与系统教育部工程研究中心上海交通大学计算机科学与技术系

随着深度学习技术的迅猛发展和广泛应用，需要进行异常检测的场景也越来越多。然而，在对深度神经网络进行训练时，现有的数据集往往不足够支撑模型进行有效的训练，应用少样本学习进行异常检测获得了广泛的关注。本文首先对异常检测问... 详细信息

随着深度学习技术的迅猛发展和广泛应用，需要进行异常检测的场景也越来越多。然而，在对深度神经网络进行训练时，现有的数据集往往不足够支撑模型进行有效的训练，应用少样本学习进行异常检测获得了广泛的关注。本文首先对异常检测问题进行了说明，对少样本学习进行异常检测进行了定义；其次，本文系统的总结了基于少样本学习进行异常检测的方法，对基于少样本学习进行异常检测从两个角度进行了分类，总结了评价指标，介绍了常用的数据集；最后，本文对少样本学习异常检测的未来进行了展望，提出了研究方向和思路。

关键词：深度学习少样本学习异常检测

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

弱监督与少样本学习场景下视频行为识别综述

计算机应用研究 2023年第6期40卷 1629-1635页

作者：包震伟刘丹米金鹏上海理工大学机器智能研究院上海200093 上海理工大学光电信息与计算机工程学院上海200093

近年来各类人体行为识别算法利用大量标记数据进行训练,取得了良好的识别精度。但在实际应用中,数据的获取以及标注过程都是非常耗时耗力的,这限制了算法的实际落地。针对弱监督及少样本场景下的视频行为识别深度学习方法进行综述。首先... 详细信息

近年来各类人体行为识别算法利用大量标记数据进行训练,取得了良好的识别精度。但在实际应用中,数据的获取以及标注过程都是非常耗时耗力的,这限制了算法的实际落地。针对弱监督及少样本场景下的视频行为识别深度学习方法进行综述。首先,在弱监督情况下,分类总结了半监督行为识别方法和无监督领域自适应下的视频行为识别方法;然后,对少样本场景下的视频行为识别算法进行详细综述;接着,总结了当前相关的人体行为识别数据集,并在该数据集上对各相关视频行为识别算法性能进行分析比较;最后,进行概括总结,并展望人体行为识别的未来发展方向。

关键词：人体行为识别深度学习弱监督少样本学习

在线全文

学校读者我要写书评

暂无评论

基于自注意力和自编码器的少样本学习

天津大学学报（自然科学与工程技术版） 2021年第4期54卷 338-345页

作者：冀中柴星亮天津大学电气自动化与信息工程学院天津300072

少样本学习旨在提高模型泛化能力,使用少量样本完成对新类别的分类,显著降低深度学习中样本的搜集标注成本和模型的训练成本.目前大多数基于度量学习的少样本学习方法关注模型对某一度量空间的适应,而很少关注提高样本特征的特异性表达... 详细信息

少样本学习旨在提高模型泛化能力,使用少量样本完成对新类别的分类,显著降低深度学习中样本的搜集标注成本和模型的训练成本.目前大多数基于度量学习的少样本学习方法关注模型对某一度量空间的适应,而很少关注提高样本特征的特异性表达.当样本数量较少时,充分挖掘样本中的信息变得更加重要.基于不同特征图对同一类别的表征能力不同,提出一种通道自注意力的方法,将更具类别表现力的特征通道赋予更大的权重,完成特征图平衡,以提高样本特征表示的可鉴别性.为充分挖掘容易获取样本的更多信息,提出“空间原型”的概念.同时,受自编码器思想的启发,设计一种利用全体样本信息校正类别原型的方法来提高类别原型的准确性.作为一种无参数的增强型特征提取器,所提通道自注意力方法能有效避免少样本学习中广泛存在的模型迁移能力弱问题并且兼容于多种现有少样本学习方法,进一步提高其性能,展现出较好的泛化能力.将两种方法用于原型网络,所提方法在两个少样本分类主流数据集miniImageNet和CUB的3种分类场景下相对原方法均带来较大性能提升.特别地,当训练集和测试集领域跨度较大时,所提方法相对原方法可获得10.23%的绝对性能提升和17.04%的相对性能提升,这充分展现出所提方法的有效性.

关键词：少样本学习图像分类机器学习通道自注意力自编码器

在线全文

学校读者我要写书评

暂无评论

基于深度网络的快速少样本学习算法

模式识别与人工智能 2021年第10期34卷 941-956页

作者：代磊超冯林尚兴林苏菡龚勋四川师范大学计算机科学学院成都610101 西南交通大学计算机与人工智能学院成都611756

少样本学习方法模拟人类从少量样本中学习的认知过程,已成为机器学习研究领域的热点.针对目前少样本学习迭代过程的任务量较大、过拟合现象严重等问题,文中提出基于深度网络的快速少样本学习算法.首先,利用核密度估计和图像滤波方法向... 详细信息

少样本学习方法模拟人类从少量样本中学习的认知过程,已成为机器学习研究领域的热点.针对目前少样本学习迭代过程的任务量较大、过拟合现象严重等问题,文中提出基于深度网络的快速少样本学习算法.首先,利用核密度估计和图像滤波方法向训练集加入多种类型的随机噪声,生成支持集和查询集.再利用原型网络提取支持集和查询集图像特征,并根据Bregman散度,以每类支持集支持样本的中心点作为类原型.然后,使用L2范数度量支持集与查询图像的距离,利用交叉熵反馈损失,生成多个异构的基分类器.最后,采用投票机制融合基分类器的非线性分类结果.实验表明,文中算法能加快少样本学习收敛速度,分类准确率较高,鲁棒性较强.

关键词：深度网络少样本学习 Bregman散度度量学习

在线全文

学校读者我要写书评

暂无评论

基于特征分段度量方法的少样本学习

计算机应用与软件 2023年第1期40卷 222-227页

作者：冯兴杰王晨昊中国民航大学计算机科学与技术学院天津300300 中国民航大学信息网络中心天津300300

已有的基于度量方法的少样本学习直接在元学习框架下优化模型以在少样本任务上获得好的表现,但这种直接通过元学习策略训练得到的特征表示传递性较弱,从而限制了度量方法的分类能力。针对该问题提出一种新的模型结构,包括特征映射模块... 详细信息

已有的基于度量方法的少样本学习直接在元学习框架下优化模型以在少样本任务上获得好的表现,但这种直接通过元学习策略训练得到的特征表示传递性较弱,从而限制了度量方法的分类能力。针对该问题提出一种新的模型结构,包括特征映射模块和分段度量模块。在基类数据上预先训练分类器并迁移到元学习的特征提取模块;在元学习阶段,对提取到的特征分多段进行余弦相似度的计算,以预测类别。实验在mini-imagenet数据集的5-way 1-shot和5-way 5-shot情况下分别达到64.33%和80.11%的准确率,在复杂场景下具有更好的识别效果。

关键词：深度学习元学习少样本学习分段度量余弦相似度