-
公开(公告)号：CN114283287B
公开(公告)日：2022-05-06
申请号：CN202210221128.5
申请日：2022-03-09
申请人： 南京航空航天大学
IPC分类号： G06V10/30 , G06V10/774 , G06V10/778 , G06K9/62 , G06N20/00
摘要： 本发明公开了一种基于自训练噪声标签纠正的鲁棒领域自适应图像学习方法，其包括如下步骤：获取源域、目标域图像集和源域低质量标注；初始化各项参数；搭建模型与损失函数；将源域和目标域图像集依次输入两个标记分类器；每次迭代训练前两个标记分类器分别为对方检测噪声，然后为噪声源域样本和目标域样本重新预测伪标记，并重平衡采样参与下一轮迭代训练；目标域伪标注集输入目标域特定网络训练；训练完成后，使用目标域特定分类器对目标域图像进行类别预测任务。本发明方法针对源域与目标域类别分布存在不一致的问题，采用重平衡的采样伪标记样本机制，使得源域和目标域每个类别的采样比例达到一致，提升了深度学习模型在目标域上的准确率。
-
公开(公告)号：CN113033716A
公开(公告)日：2021-06-25
申请号：CN202110576811.6
申请日：2021-05-26
申请人： 南京航空航天大学
摘要： 本发明公开了一种基于对抗融合众包标签的图像标记估计方法，包括：获取训练图像并分发给网络上的标注者进行预标注，构造图像众包标记；搭建深度表示学习网络，构建各个标注者分类器及对抗生成网络；将图像像素特征及众包标签输入学习网络，基于各标注者自身标签预测损失和标注者之间的预测对抗损失，构造损失函数；基于随机梯度下降，端到端地对表示学习参数、标注者分类器参数、判别器参数进行迭代更新，完成模型训练；对于测试图像，使用各标注者分类器对其预测众包标签，并采用多数投票作为图像的真实标记估计。本发明通过标注者分类器学习实现不完整标注的补全，通过对抗融合利用标注者之间相关性，实现错误标签的纠错，提升模型的泛化性。
-
公开(公告)号：CN118097314B
公开(公告)日：2024-07-16
申请号：CN202410508289.1
申请日：2024-04-26
申请人： 南京航空航天大学
IPC分类号： G06V10/764 , G06V10/774
摘要： 本发明属于测试时适应技术领域，具体公开了一种用于极小批量流数据的测试时适应图像分类方法。本发明方法针对图像分类的资源受限情况下，每个时间步模型的输入图像的批量很小导致传统的TTA方法在面对极小批量时存在的负迁移现象，采用动态BN校准、熵加权的梯度累加以及代理计算图等关键方法，通过对模型历史信息和泰勒级数的利用，优化BN层的统计量估计，同时对梯度更新进行限制与设计，提高了模型的适应性和泛化能力。本发明方法可有效缓解极小批量的测试时适应图像分类中的负迁移现象，即使在批量大小为1的情况下也能保持良好的图像分类性能。
-
公开(公告)号：CN112001422B
公开(公告)日：2024-04-02
申请号：CN202010734902.3
申请日：2020-07-28
申请人： 南京航空航天大学
IPC分类号： G06V10/764 , G06V10/40 , G06V10/20
摘要： 本发明提出了一种基于深度贝叶斯学习的图像标记估计方法，包括以下步骤：1)获取图像数据，将图像分发给网络上的标注者进行预标注，构造图像众包标记数据集；2)对图像做特征预提取处理，获得图像的fisher vector特征表示；3)搭建深度表示学习网络，构建标注生成过程的深度贝叶斯模型；4)将图像fisher vector特征及众包标记输入深度贝叶斯模型，基于图像和参数联合概率似然构造变分下界损失函数；5)基于自然梯度随机变分推断，端到端地对深度贝叶斯模型进行训练；6)返回模型输出的图像真实标记估计及各标注者的混淆矩阵。本发明克服了EM迭代式训练的低效率和非贝叶斯学习不可解释性的问题，提高了图像标记估计的效果。
-
公开(公告)号：CN115345846A
公开(公告)日：2022-11-15
申请号：CN202210967339.3
申请日：2022-08-12
申请人： 南京航空航天大学 , 江苏省产品质量监督检验研究院 , 南京易测智能科技有限公司
摘要： 本发明公开了一种中低碳钢晶粒度智能评测方法及系统，所述方法按照以下步骤进行：步骤1、采集中低碳钢金相图像，对采集的数据进行清洗，标注可识别晶界，建立训练图像及标签数据库。步骤2、使用深度学习模型进行初级晶界提取。步骤3、基于已提取的初级晶界，使用截点法进行初步截点统计。步骤4、通过数理统计模型对缺失晶界截点进行统计，结合步骤3结果作为最终截点数，计算图像的晶粒度。本发明能有效解决中低碳钢晶粒度人工人工检测效率低、劳动强度大，现有图像分析算法无法解决模糊晶界和缺失晶界提取等问题。本发明可以有效提高检测效率，降低检测误差，在实际运用中具有重要的开创性意义。
-
公开(公告)号：CN114694144B
公开(公告)日：2022-08-23
申请号：CN202210613572.1
申请日：2022-06-01
申请人： 南京航空航天大学 , 江苏省产品质量监督检验研究院
摘要： 本发明公开了一种基于深度学习的钢中非金属夹杂物的智能识别和评级方法，该方法针对金相分析中非金属夹杂物人工评级工作强度大、精度低，而传统灰度阈值分割和特征提取方式局限性大、普适性低的问题，引入了深度神经网络算法。方法首先收集人工标注的非金属夹杂物显微图像及其标记作为训练样本，然后搭建语义分割深度神经网络模型、构造优化损失函数，并基于梯度下降方法对模型训练，从而实现端到端地图像特征自动提取和非金属夹杂物的分类和边界提取，最后对提取的夹杂物边界进行长度、宽度计算，获得夹杂物的评级预测。本发明使用深度学习算法，实现钢中非金属夹杂物的智能识别和评级，极大提高了钢铁产品检测精度和效率，降低了检测成本。
-
公开(公告)号：CN114299349B
公开(公告)日：2022-05-13
申请号：CN202210205861.8
申请日：2022-03-04
申请人： 南京航空航天大学
IPC分类号： G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明属于图像标注技术领域，公开了一种基于多专家系统和知识蒸馏的众包图像学习方法，该方法包括：步骤1.获取图像数据，并构造众包标注集；步骤2.使用图像集和众包标注集训练一个深度众包学习模型；步骤3.使用步骤2得到的模型生成第一真实标记预测；步骤4.使用图像集和第一真实标记预测训练一个无噪声建模的噪声标记学习模型；步骤5.使用步骤4得到的模型生成第二真实标记预测；步骤6.使用第二真实标记预测、图像集和众包标注集重新训练一个深度众包学习模型；步骤7.使用步骤4和步骤6的模型预测标记未知图像的真实标记。本发明将深度众包学习方法与无噪声建模的噪声标记学习方法结合，提升了分类器模型图像标记的预测效果。
-
公开(公告)号：CN113033716B
公开(公告)日：2021-09-21
申请号：CN202110576811.6
申请日：2021-05-26
申请人： 南京航空航天大学
摘要： 本发明公开了一种基于对抗融合众包标签的图像标记估计方法，包括：获取训练图像并分发给网络上的标注者进行预标注，构造图像众包标记；搭建深度表示学习网络，构建各个标注者分类器及对抗生成网络；将图像像素特征及众包标签输入学习网络，基于各标注者自身标签预测损失和标注者之间的预测对抗损失，构造损失函数；基于随机梯度下降，端到端地对表示学习参数、标注者分类器参数、判别器参数进行迭代更新，完成模型训练；对于测试图像，使用各标注者分类器对其预测众包标签，并采用多数投票作为图像的真实标记估计。本发明通过标注者分类器学习实现不完整标注的补全，通过对抗融合利用标注者之间相关性，实现错误标签的纠错，提升模型的泛化性。
-
公开(公告)号：CN112990385A
公开(公告)日：2021-06-18
申请号：CN202110531443.3
申请日：2021-05-17
申请人： 南京航空航天大学
摘要： 本发明公开了一种基于半监督变分自编码器的主动众包图像学习方法，具体为：获取图片集，随机抽选一定比例的图像，将其分发给网络上的标注者进行标注，获得众包标记；搭建基于半监督变分自编码器的众包学习网络模型；将数据集输入模型，构造损失函数；基于随机梯度下降，端到端地对模型进行训练；选择预测真实标记的熵最大的图像，查询真实标记；与上一轮迭代所使用的训练集组合，生成新的数据集，返回第三步，直到当前迭代次数到达阈值为止；删去模型重构部分和众包映射层部分，将网络的剩余部分作为分类器。本发明同时利用众包数据和无标记数据，降低数据的标注成本。并通过引入少量真实标记，来缓解模型对于噪声的过拟合，提高模型的泛化性能。
-
公开(公告)号：CN112001422A
公开(公告)日：2020-11-27
申请号：CN202010734902.3
申请日：2020-07-28
申请人： 南京航空航天大学
摘要： 本发明提出了一种基于深度贝叶斯学习的图像标记估计方法，包括以下步骤：1)获取图像数据，将图像分发给网络上的标注者进行预标注，构造图像众包标记数据集；2)对图像做特征预提取处理，获得图像的fisher vector特征表示；3)搭建深度表示学习网络，构建标注生成过程的深度贝叶斯模型；4)将图像fisher vector特征及众包标记输入深度贝叶斯模型，基于图像和参数联合概率似然构造变分下界损失函数；5)基于自然梯度随机变分推断，端到端地对深度贝叶斯模型进行训练；6)返回模型输出的图像真实标记估计及各标注者的混淆矩阵。本发明克服了EM迭代式训练的低效率和非贝叶斯学习不可解释性的问题，提高了图像标记估计的效果。
-
-
-
-
-
-
-
-
-
搜索结果
26 条记录 (耗时 0.03 秒)
