-
公开(公告)号：CN112116063A
公开(公告)日：2020-12-22
申请号：CN202010802374.0
申请日：2020-08-11
申请人： 西安交通大学
摘要： 本发明公开了一种基于元学习的特征偏移矫正方法，包括步骤：步骤1，利用标签未矫正的数据来预训练特征学习网络；步骤2，利用准确标注的元数据训练特征矫正网络：固定特征学习网络的参数；随机地选择一部分准确标注的元数据来训练特征矫正网络的参数；利用一个相同的损失函数来更新特征矫正网络的参数；步骤3，利用标签矫正后的数据来训练特征学习网络：固定特征矫正网络的参数；按照步骤1中记录的索引号来选择未能准确标注的训练样本；利用一个相同的损失函数来更新特征学习网络的参数。本发明利用少量准确标注的训练数据学习一种特征偏移矫正方法，从而协助深度神经网络模型从海量未准确标注的训练集中学习一种鲁棒的特征表达方法。
-
公开(公告)号：CN112115781B
公开(公告)日：2022-08-16
申请号：CN202010803524.X
申请日：2020-08-11
申请人： 西安交通大学
摘要： 本发明公开了一种基于对抗样本和多视图聚类的无监督行人重识别方法，该方法提出联合训练多个神经网络，随后的得到不同网络的特征来用于伪标签估计。本发明提出的整个框架专注于解决两个问题：第一个是怎么样让不同的深度神经网络学习到多样和互补的特征表达，第二个是怎么更好地估计无标签数据的伪标签。1)对于第一个问题，的方法将对抗攻击样本引入深度网络训练并且提出了一个对抗损失去约束不同的深度网络学习不同的参数。2)对于第二个方法，提出了一种可以联合多个不同神经网络特征的多视图聚类方法。本发明可以对大量的无标签数据提供伪标签，从而协助深度神经网络可以利用大量的无标签数据进行训练。
-
公开(公告)号：CN112116629A
公开(公告)日：2020-12-22
申请号：CN202010802373.6
申请日：2020-08-11
申请人： 西安交通大学
摘要： 本发明公开了一种使用全局响应图的端到端的多目标跟踪方法，包括步骤：1)表达被跟踪目标的运动特征：从数据集中选取所有被跟踪目标的运动属性，并对之进行归一化处理；2)生成训练样本与步骤1)相对应的属性标签：使用基于历史状态信息的逻辑推断方法来生成训练样本实际存在状态的属性标签；3)目标定位：使用训练数据，借助改进的显著性目标检测子网络来训练全局响应图进行目标定位；4)预测目标位置变化；5)距离度量，计算观测空间与状态空间的IOU距离；6)轨迹连接：利构建全局代价矩阵，然后利用匈牙利算法通过最小化代价矩阵来进行最优分配，从而得到最终的目标轨迹。本发明能够高效地实现真正意义上的端到端的多目标跟踪。
-
公开(公告)号：CN112116063B
公开(公告)日：2024-04-05
申请号：CN202010802374.0
申请日：2020-08-11
申请人： 西安交通大学
IPC分类号： G06N3/0985 , G06N3/09
摘要： 本发明公开了一种基于元学习的特征偏移矫正方法，包括步骤：步骤1，利用标签未矫正的数据来预训练特征学习网络；步骤2，利用准确标注的元数据训练特征矫正网络：固定特征学习网络的参数；随机地选择一部分准确标注的元数据来训练特征矫正网络的参数；利用一个相同的损失函数来更新特征矫正网络的参数；步骤3，利用标签矫正后的数据来训练特征学习网络：固定特征矫正网络的参数；按照步骤1中记录的索引号来选择未能准确标注的训练样本；利用一个相同的损失函数来更新特征学习网络的参数。本发明利用少量准确标注的训练数据学习一种特征偏移矫正方法，从而协助深度神经网络模型从海量未准确标注的训练集中学习一种鲁棒的特征表达方法。
-
公开(公告)号：CN114758128A
公开(公告)日：2022-07-15
申请号：CN202210375405.8
申请日：2022-04-11
申请人： 西安交通大学
摘要： 本发明公开一种基于受控像素嵌入表征显式交互的场景全景分割方法及系统，包括对输入模型的图像进行特征编码，对特征编码器的输出进行解码，得到像素语义表征和实例表征；从像素语义表征和实例表征中抽取总结出语义ROI的高维特征向量，实例ROI的高维特征向量，以及实例质心COI的高维特征向量；通过像素语义表征来回归语义分割结果，通过像素实例表征来回归实例质心热图；基于模型输出的以上结果，通过度量优化后模型输出的实例质心COI的高维特征向量与像素实例表征的相似度来进行实例分割，进而完成全景分割。保证优化后的EINet模型能够让像素的语义表征和实例个体的表征可控，并有效的增强原始的语义表征和实例表征，提升全景分割的质量。
-
公开(公告)号：CN114758128B
公开(公告)日：2024-04-16
申请号：CN202210375405.8
申请日：2022-04-11
申请人： 西安交通大学
IPC分类号： G06V10/26 , G06V10/25 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/08
摘要： 本发明公开一种基于受控像素嵌入表征显式交互的场景全景分割方法及系统，包括对输入模型的图像进行特征编码，对特征编码器的输出进行解码，得到像素语义表征和实例表征；从像素语义表征和实例表征中抽取总结出语义ROI的高维特征向量，实例ROI的高维特征向量，以及实例质心COI的高维特征向量；通过像素语义表征来回归语义分割结果，通过像素实例表征来回归实例质心热图；基于模型输出的以上结果，通过度量优化后模型输出的实例质心COI的高维特征向量与像素实例表征的相似度来进行实例分割，进而完成全景分割。保证优化后的EINet模型能够让像素的语义表征和实例个体的表征可控，并有效的增强原始的语义表征和实例表征，提升全景分割的质量。
-
公开(公告)号：CN112115781A
公开(公告)日：2020-12-22
申请号：CN202010803524.X
申请日：2020-08-11
申请人： 西安交通大学
摘要： 本发明公开了一种基于对抗样本和多视图聚类的无监督行人重识别方法，该方法提出联合训练多个神经网络，随后的得到不同网络的特征来用于伪标签估计。本发明提出的整个框架专注于解决两个问题：第一个是怎么样让不同的深度神经网络学习到多样和互补的特征表达，第二个是怎么更好地估计无标签数据的伪标签。1)对于第一个问题，的方法将对抗攻击样本引入深度网络训练并且提出了一个对抗损失去约束不同的深度网络学习不同的参数。2)对于第二个方法，提出了一种可以联合多个不同神经网络特征的多视图聚类方法。本发明可以对大量的无标签数据提供伪标签，从而协助深度神经网络可以利用大量的无标签数据进行训练。
-
公开(公告)号：CN112115780A
公开(公告)日：2020-12-22
申请号：CN202010803514.6
申请日：2020-08-11
申请人： 西安交通大学
摘要： 本发明公开了一种基于深度多模型协同的半监督行人重识别方法，包括步骤：1)采用部分有标签的训练数据样本微调多个ImageNet上预训练过的深度神经网络，将这些模型作为初始模型；2)利用这些初始模型对没有标签的训练样本提取特征，接着提出一个自适应权重多视图聚类的方法对无标签训练样本产生伪标签，有标签的训练样本和带有伪标签的训练样本组合成整体的训练数据，采用这些训练数据微调训练多个结构相异构的深度神经网络；3)交替的迭代伪标签产生和深度网络训练直到伪标签不在改变。
-
-
-
-
-
-
-
搜索结果
8 条记录 (耗时 0.021 秒)