CN116188896B 基于动态半监督深度学习的图像分类方法、系统及设备 （重庆大学）_第1页
CN116188896B 基于动态半监督深度学习的图像分类方法、系统及设备 （重庆大学）_第2页
CN116188896B 基于动态半监督深度学习的图像分类方法、系统及设备 （重庆大学）_第3页
CN116188896B 基于动态半监督深度学习的图像分类方法、系统及设备 （重庆大学）_第4页
CN116188896B 基于动态半监督深度学习的图像分类方法、系统及设备 （重庆大学）_第5页
已阅读5页，还剩15页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

68.coefficient.InternationalMachineLearningandCybernetics.15卷5415–5425.基于动态半监督深度学习的图像分类方法、本发明提供了基于动态半监督深度学习的监督深度学习方法对所述图像分类模型进行训有的针对固定置信度阈值和图像样本使用不充2半监督深度学习方法对所述图像分类模型进行训练和优化，得到训练好的图像分类模型；bb)表示对图像xb进bb)为无标签图像μbb)是伪标签概率分布中的最大值，argmax3深度学习的图像分类系统执行如权利要求1所述的基于动态半监督深度学习的图像分类方计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至2中任一项所述的方4果有足够数量的且准确标注的图像数据集，就能训练得到分类效果较好的图像分类模型，了现有的针对固定置信度阈值和图像样本使用不充分的情况，导致图像分类模型精度下567[0048]在一具体实施例中，所述图像分类模型采用WRN_28_2模型。WRN模型的基础结构8epoch每到达某一个进度时加一(具体进度通过人为调制)。更新后会影响下一次图像的增9[0078]上述基于动态半监督深度学习的图像分类系统可以实现为一种计算机程序的形[0081]该非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal[0087]本领域普通技术人员可以理解的是实现上述实施例的方[0093]该集成的单元如果以软件功能单元的形式实现并作为独算机软件产品存储在一个存储介质中，包括若干指本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论