针对新生儿疼痛表情识别任务中由于有类别标签样本数量不足而导致分类准确率不高的问题,提出了一种基于图的半监督深度学习(Graph-based Semi-supervised Deep Learning,GSDL)方法。首先,使用训练集中少量有类别标签的样本对深度神经网...针对新生儿疼痛表情识别任务中由于有类别标签样本数量不足而导致分类准确率不高的问题,提出了一种基于图的半监督深度学习(Graph-based Semi-supervised Deep Learning,GSDL)方法。首先,使用训练集中少量有类别标签的样本对深度神经网络模型进行初步训练,得到初始模型;然后,利用初始模型提取有类别标签样本与无类别标签样本的特征向量,并使用提取的特征向量构建一个邻接矩阵,进而构建一个图,在构建的图上通过标签传播算法推测出无类别标签样本的伪标签;最后,使用所有样本及其标签对深度神经网络模型进行微调,得到最终的新生儿疼痛表情识别分类模型。在新生儿疼痛表情数据集上的实验结果表明,在使用相同数量的有类别标签样本情况下,文中提出的GSDL模型的分类准确率优于传统的有监督深度学习模型,也高于现有的半监督深度学习模型(Mean-Teachers,MT),验证了GSDL方法在新生儿疼痛表情识别中的有效性。展开更多
图半监督学习(Graph based semi-supervised learning,GSL)方法需要花费大量时间构造一个近邻图,速度比较慢.本文提出了一种哈希图半监督学习(Hash graph based semi-supervised learning,HGSL)方法,该方法通过局部敏感的哈希函数进行...图半监督学习(Graph based semi-supervised learning,GSL)方法需要花费大量时间构造一个近邻图,速度比较慢.本文提出了一种哈希图半监督学习(Hash graph based semi-supervised learning,HGSL)方法,该方法通过局部敏感的哈希函数进行近邻搜索,可以有效降低图半监督学习方法所需的构图时间.图像分割实验表明,该方法一方面可以达到更好的分割效果,使分割准确率提高0.47%左右;另一方面可以大幅度减小分割时间,以一幅大小为300像素×800像素的图像为例,分割时间可减少为图半监督学习所需时间的28.5%左右.展开更多
文摘针对新生儿疼痛表情识别任务中由于有类别标签样本数量不足而导致分类准确率不高的问题,提出了一种基于图的半监督深度学习(Graph-based Semi-supervised Deep Learning,GSDL)方法。首先,使用训练集中少量有类别标签的样本对深度神经网络模型进行初步训练,得到初始模型;然后,利用初始模型提取有类别标签样本与无类别标签样本的特征向量,并使用提取的特征向量构建一个邻接矩阵,进而构建一个图,在构建的图上通过标签传播算法推测出无类别标签样本的伪标签;最后,使用所有样本及其标签对深度神经网络模型进行微调,得到最终的新生儿疼痛表情识别分类模型。在新生儿疼痛表情数据集上的实验结果表明,在使用相同数量的有类别标签样本情况下,文中提出的GSDL模型的分类准确率优于传统的有监督深度学习模型,也高于现有的半监督深度学习模型(Mean-Teachers,MT),验证了GSDL方法在新生儿疼痛表情识别中的有效性。
文摘图半监督学习(Graph based semi-supervised learning,GSL)方法需要花费大量时间构造一个近邻图,速度比较慢.本文提出了一种哈希图半监督学习(Hash graph based semi-supervised learning,HGSL)方法,该方法通过局部敏感的哈希函数进行近邻搜索,可以有效降低图半监督学习方法所需的构图时间.图像分割实验表明,该方法一方面可以达到更好的分割效果,使分割准确率提高0.47%左右;另一方面可以大幅度减小分割时间,以一幅大小为300像素×800像素的图像为例,分割时间可减少为图半监督学习所需时间的28.5%左右.