检索结果-南通市图书馆

一种基于融合重构的子空间学习的零样本图像分类方法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

计算机学报 2021年第2期44卷 409-421页

作者：赵鹏汪纯燕张思颖刘政怡安徽大学计算智能与信号处理教育部重点实验室合肥230601 安徽大学计算机科学与技术学院合肥230601

图像分类是计算机视觉中一个重要的研究子领域.传统的图像分类只能对训练集中出现过的类别样本进行分类.然而现实应用中,新的类别不断涌现,因而需要收集大量新类别带标记的数据,并重新训练分类器.与传统的图像分类方法不同,零样本图像... 详细信息

图像分类是计算机视觉中一个重要的研究子领域.传统的图像分类只能对训练集中出现过的类别样本进行分类.然而现实应用中,新的类别不断涌现,因而需要收集大量新类别带标记的数据,并重新训练分类器.与传统的图像分类方法不同,零样本图像分类能够对训练过程中没有见过的类别的样本进行识别,近年来受到了广泛的关注.零样本图像分类通过语义空间建立起已见类别和未见类别之间的关系,实现知识的迁移,进而完成对训练过程中没有见过的类别样本进行分类.现有的零样本图像分类方法主要是根据已见类别的视觉特征和语义特征,学习从视觉空间到语义空间的映射函数,然后利用学习好的映射函数,将未见类别的视觉特征映射到语义空间,最后在语义空间中用最近邻的方法实现对未见类别的分类.但是由于已见类和未见类的类别差异,以及图像的分布不同,从而容易导致域偏移问题.同时直接学习图像视觉空间到语义空间的映射会导致信息损失问题.为解决零样本图像分类知识迁移过程中的信息损失以及域偏移的问题,本文提出了一种图像分类中基于子空间学习和重构的零样本分类方法.该方法在零样本训练学习阶段,充分利用未见类别已知的信息,来减少域偏移,首先将语义空间中的已见类别和未见类别之间的关系迁移到视觉空间中,学习获得未见类别视觉特征原型.然后根据包含已见类别和未见类别在内的所有类别的视觉特征原型所在的视觉空间和语义特征原型所在的语义空间,学习获得一个潜在类别原型特征空间,并在该潜在子空间中对齐视觉特征和语义特征,使得所有类别在潜在子空间中的表示既包含视觉空间下的可分辨性信息,又包含语义空间下的类别关系信息,同时在子空间的学习过程中利用重构约束,减少信息损失,同时也缓解了域偏移问题.最后零样本分类识别阶段,在不同的空间下根据最近邻算法对未见类别样本图像进行分类.本文的主要贡献在于:一是通过对语义空间中类别间关系的迁移,学习获得视觉空间中未见类别的类别原型,使得在训练过程中充分利用未见类别的信息,一定程度上缓解域偏移问题.二是通过学习一个共享的潜在子空间,该子空间既包含了图像视觉空间中丰富的判别性信息,也包含了语义空间中的类别间关系信息,同时在子空间学习过程中,通过重构,缓解知识迁移过程中信息损失的问题.本文在四个公开的零样本分类数据集上进行对比实验,实验结果表明本文提出的零样本分类方法取得了较高的分类平均准确率,证明了本文方法的有效性.

关键词：零样本图像分类迁移学习子空间学习重构特征原型

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

基于样本动态权重的课程式半监督学习方法

高技术通讯 2024年第4期34卷 342-355页

作者：朱徽胡斌宋怡宁赵晓芳中国科学院计算技术研究所北京100190 中国科学院大学北京100049 中央军委国防动员部信息中心北京100034 中科苏州智能计算技术研究院苏州215028

本文针对半监督场景中极度匮乏的监督信号导致的标签传播困难、模型训练严重受噪声干扰等问题展开研究。伪标签化带来的噪声和低数据利用率导致的确认偏差,会随着自训练过程造成错误累积,进而形成不可逆偏差,损害性能。本文提出基于样... 详细信息

本文针对半监督场景中极度匮乏的监督信号导致的标签传播困难、模型训练严重受噪声干扰等问题展开研究。伪标签化带来的噪声和低数据利用率导致的确认偏差,会随着自训练过程造成错误累积,进而形成不可逆偏差,损害性能。本文提出基于样本动态权重的课程式半监督学习方法,旨在通过非离散的课程设计,鼓励模型由简单至困难地利用样本,逐步构建分类面,进而缓解伪标签化过程中的噪声产生,增强模型泛化能力。从类内角度,提供弱监督信号的高置信度伪标签被混合用于构建特征原型,估计样本的学习难度。从类间角度,标签嵌入被用于评估类间语义相关度,课程式地减弱训练前期对语义相关类别间的辨别。在通用的半监督学习基准数据集上进行了广泛的实验和分析,证明了方法的有效性。

关键词：半监督学习特征表示向量课程学习特征原型语义相关度

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

一种基于位形空间理论的几何建模方法

机械设计与制造 2005年第5期 54-56页

作者：李艺刘阳孙冲崔展鹏中国石油天然气第一建设公司洛阳471023 北京特种工程设计研究所北京100028

基于李群李代数的位形空间理论,给出了常见特征的位形空间与基于特征原型位形表示的零件几何建模方法,建立了装配设计定位的数学模型,提出了基于零件几何模型及其位形表示的装配几何模型的建模方法。

关键词：欧几里德变换位形空间特征原型几何建模

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

工业图像无监督异常检测与定位研究

工业图像无监督异常检测与定位研究

作者：黄超电子科技大学

学位级别：硕士

随着工业4.0的发展,智能制造越来越受重视。作为智能制造中关键的一环,工业图像缺陷检测有助于提升生产效率与降低工业成本。与传统图像异常检测不同,工业缺陷检测不仅需要进行图像级的异常判断,还需要定位到具体的异常区域,涉及异常检... 详细信息

随着工业4.0的发展,智能制造越来越受重视。作为智能制造中关键的一环,工业图像缺陷检测有助于提升生产效率与降低工业成本。与传统图像异常检测不同,工业缺陷检测不仅需要进行图像级的异常判断,还需要定位到具体的异常区域,涉及异常检测和异常定位两个任务。由于实际工业场景中存在异常数据难获取、标注成本大等问题,当前的研究工作均采用无监督学习算法,即只根据正常图像构建检测模型。本论文针对工业图像的无监督异常检测与定位算法进行研究,利用深度学习与无监督学习的相关理论与技术,设计了三种不同的算法模型,并通过在MVTec AD与BTAD两个真实工业缺陷检测数据集上的实验证明了算法的有效性。本论文的具体研究工作与主要贡献如下:(1)受到语义分割的启发,将问题建模为像素类别分配任务,并提出了一个基于特征聚类学习的检测模型Pixel AD。训练阶段进行正常像素特征聚类,以簇集作为伪类别,从而为训练样本赋予像素级伪类别标签,进行像素级分类学习。由于异常区域像素与正常模式的差异性,模型无法以高置信度对其进行类别分配,因此基于置信度计算像素级异常得分以进行异常检测与定位。实验表明,该算法能够准确检测到不同类型与尺寸的异常区域,且适用于不同工业应用场景。(2)针对基于分布外检测(out-of-distribution,OOD)方法推理效率低的问题,提出了一个基于特征原型学习的异常检测网络Proto AD。该算法无需训练,直接利用预训练特征提取器得到正常像素特征并进行L2范数归一化,进行非参数聚类自动找到特征原型。通过在特征提取器后附加一个L2范数归一化、一个1×1卷积层、一个通道最大池化操作和一个减法操作来构造端到端的异常检测与定位网络,并将原型作为其中1×1卷积层的核参数。实验表明,该算法达到了与SOTA方法相当的检测性能,并且显著提升了基于OOD方法的推理效率。(3)针对基于图像修复策略检测方法存在的不足,提出了一种全新的图像修复模型Mae AD,其由非对称的Transformer编解码模块和轻量级卷积U-Net细化模块组成。其中Transformer善于捕获长距离信息与建模高级语义结构,CNN模块善于修复图像局部区域细节。同时还采用了层次特征对齐损失,在训练时增加了特征空间的一致性约束,并在测试时参与异常得分计算。实验表明,该算法达到了这类方法中的最佳性能,且缩小了基于重构方法与基于OOD方法间的性能差距。

关键词：工业缺陷检测异常检测与定位聚类学习特征原型图像修复