CN119478591A 基于自适应对比学习的半监督图像识别方法 （湖南大学）_第1页
CN119478591A 基于自适应对比学习的半监督图像识别方法 （湖南大学）_第2页
CN119478591A 基于自适应对比学习的半监督图像识别方法 （湖南大学）_第3页
CN119478591A 基于自适应对比学习的半监督图像识别方法 （湖南大学）_第4页
CN119478591A 基于自适应对比学习的半监督图像识别方法 （湖南大学）_第5页
已阅读5页，还剩19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

基于自适应对比学习的半监督图像识别方法本发明公开了一种基于自适应对比学习的样本和无标签样本输入数据增强模块中得到增感知模块处理获得类感知损失函数和距离感知2将采集到的图像数据集分为有标签样本和无标签样本，对有标签处理得到弱增强有标签样本，对无标签样本进行弱数据增强处理得到弱增强无标签样本，将所述弱增强有标签样本输入经过预训练的特征编码器，得到将所述弱增强无标签样本、强增强无标签样本Ⅰ和强增强无标签将所述弱增强无标签样本特征预测与所述自适应阈值进行比较若弱增强无标签样本特征预测低于自适应阈值时，则将,,,3,,,阈值，Tf表示由无标签样本平均置信度构成的全局表示由转换得到的伪标签，C表示标签类的数量，B.表示无标签样本的批量大小，据所述弱增强无标签样本特征预测和强增强无标签样本Ⅰ特征预测计算无监督损失函数，,,,,,其中，pi、P;分别表示为弱增强有标签样本特征预测和强增强有标签样本特征预测的4,,方形归一化低维嵌入，表示相同样本经过另一种不同RandAugment算法参数进行强增强述将弱增强无标签样本特征预测低于自适应阈值的弱增强无标签样本置于距离感知模块首先，使用特征编码器提取弱增强无标签样本特征预测低于自适应阈值样本的特征，其次，根据间距离和弱增强有标签样本特征预测，对弱增强无,,述对弱增强无标签样本特征预测低于自适应阈值样本的特征赋予新的正权重和负权重具,其中，':、表示新的特征正权重和特征负权重，r"表示弱增强有标签样本特征预5征工程长期以来一直是机器学习的一个重要研究方向，它关注于从原始数据中构建特征。6测低于自适应阈值的弱增强无标签样本置于距离感知模块中处理，得到距离感知损失函,,,,7,,局部阈值，Tf表示由无标签样本平均置信度构成的全局阈值，N.表示第c类标签样本的,,,8,,本的方形归一化低维嵌入，表示相同样本经过另一种不同RandAugment算法参数进行强,,,[0019]本发明针对不同类别图像的识别难度和模型当前的学习状态设置一个自适应阈值。随后利用该阈值将不同置信度的数据分别采用类感知模块和距离感知模块进行处理。9[0024]如图1和图2所示，本发明实施例基于自适应对比学习的半监督图像识别方法包[0027]本实例采用在MS_Celeb_1M的人脸识别数据集上预训练的ResNet_18网络作为整,,,签样本特征预测，表示第i个弱增强有标签样本，表示第i个弱增强有标签样本标签，,,,r"表示弱增强无标签样本特征预测概率。[0032]所述使用类别感知矩阵处理置信度大于等于自适应阈值的弱增强无标签样本特,,其中，pi、P;分别表示为弱增强有标签样本特征预测和强增,,本的方形归一化低维嵌入，表示相同样本经过另一种不同RandAugment算法参数进行强,,,w表示新的特征正权重和特征负权重，r"表示弱增强有标签样本特[0038]本发明针对不同类别图像的识别难度和模型当前的学习状态设置一个自适应阈值。随后利用该阈值将不同置信度的数据分别采

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