公开(公告)号：CN117372785B

公开(公告)日：2024-03-26

申请号：CN202311638931.X

申请日：2023-12-04

Applicant: 吉林大学

Inventor： 徐昊 ,  王静文 ,  李健 ,  吴涵 ,  周琦

IPC: G06V10/764 ,  G06N3/042 ,  G06N3/08 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82

Abstract: 本发明公开了一种基于特征簇中心压缩的图像分类方法，属于人工智能的图像分类领域，包括：获取多种类别的原始特征簇并按类别进行扩张，获得对应的扩张特征簇；基于扩张特征簇训练骨干网络与分类器；将原始特征簇移动过程与知识蒸馏机制集成，结合训练后的骨干网络与分类器获得教师模型；构建学生模型与联合损失函数，通过采样器为学生模型训练新的骨干网络，基于联合损失函数与教师模型对学生模型进行迭代训练，采用训练完成后的学生模型进行图像分类。本发明引入两阶段训练框架，并在在框架中提出一个特征簇中心压缩方法来增加特征簇与决策边界之间的可用空间，为困难样本点提供更大的容错区域，从特征层面来解决不平衡数据集的图像分类问题。

公开(公告)号：CN117372785A

公开(公告)日：2024-01-09

申请号：CN202311638931.X

申请日：2023-12-04

Applicant: 吉林大学

Inventor： 徐昊 ,  王静文 ,  李健 ,  吴涵 ,  周琦

IPC: G06V10/764 ,  G06N3/042 ,  G06N3/08 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82

Abstract: 本发明公开了一种基于特征簇中心压缩的图像分类方法，属于人工智能的图像分类领域，包括：获取多种类别的原始特征簇并按类别进行扩张，获得对应的扩张特征簇；基于扩张特征簇训练骨干网络与分类器；将原始特征簇移动过程与知识蒸馏机制集成，结合训练后的骨干网络与分类器获得教师模型；构建学生模型与联合损失函数，通过采样器为学生模型训练新的骨干网络，基于联合损失函数与教师模型对学生模型进行迭代训练，采用训练完成后的学生模型进行图像分类。本发明引入两阶段训练框架，并在在框架中提出一个特征簇中心压缩方法来增加特征簇与决策边界之间的可用空间，为困难样本点提供更大的容错区域，从特征层面来解决不平衡数据集的图像分类问题。

公开(公告)号：CN117253095B

公开(公告)日：2024-01-30

申请号：CN202311523857.7

申请日：2023-11-16

Applicant: 吉林大学

Inventor： 徐昊 ,  吴涵 ,  李健 ,  王静文 ,  周琦

IPC: G06V10/764 ,  G06N3/0464 ,  G06V10/82

Abstract: 本发明公开了一种基于有偏最短距离准则的图像分类系统及方法，属于人工智能的图像分类技术领域。方法包括以下步骤：S1、采集待分类图像，并对所述待分类图像进行预分类，得到样本类别；所述样本类别包括：第一类别和第二类别；S2、构建图像分类模型，基于所述图像分类模型对所述样本类别进行重新划分，得到预测类。本发明从深度特征的新角度对图像分类任务中少数类的不良表现进行了深入分析，并提出了偏向最短距离准则，为少数类映射出更大的决策区域，提高了少数类的分类准确率。

公开(公告)号：CN117253095A

公开(公告)日：2023-12-19

申请号：CN202311523857.7

申请日：2023-11-16

Applicant: 吉林大学

Inventor： 徐昊 ,  吴涵 ,  李健 ,  王静文 ,  周琦

IPC: G06V10/764 ,  G06N3/0464 ,  G06V10/82

Abstract: 本发明公开了一种基于有偏最短距离准则的图像分类系统及方法，属于人工智能的图像分类技术领域。方法包括以下步骤：S1、采集待分类图像，并对所述待分类图像进行预分类，得到样本类别；所述样本类别包括：第一类别和第二类别；S2、构建图像分类模型，基于所述图像分类模型对所述样本类别进行重新划分，得到预测类。本发明从深度特征的新角度对图像分类任务中少数类的不良表现进行了深入分析，并提出了偏向最短距离准则，为少数类映射出更大的决策区域，提高了少数类的分类准确率。

公开(公告)号：CN116310608A

公开(公告)日：2023-06-23

申请号：CN202310252180.1

申请日：2023-03-16

Applicant: 吉林大学

Inventor： 徐昊 ,  李健 ,  王静文 ,  吴涵 ,  周琦 ,  赵强

IPC: G06V10/77 ,  G06V10/764 ,  G06V10/774 ,  G06V10/82

Abstract: 本发明提供了针对图像识别中长尾分布问题的特征簇压缩方法，包括：在训练阶段，对骨干网络输出的原始特征乘以特定的因子(τ>1)，获取被乘特征并输入至分类器，迫使分类器在更大的尺寸下训练决策边界，且使原始特征相对于被乘特征被线性压缩，表现出更紧密的特征簇；在测试阶段，将所述原始特征直接输入至训练好的分类器，决策边界不变，且因原始特征簇更加紧密，尤其针对尾部类的稀疏簇压缩效果更显著，特征相互靠近，使得边界特征不易越过决策边界而导致错误分类，从而解决图像识别中长尾数据集上模型性能受限问题。同时本发明可以与现有的长尾分布方法有效结合并且进一步的提升，广泛的实验表明，本发明针对该问题的有效性和通用性。