本实用新型公开了一种电芯极片瑕疵检测装置，属于电芯极片瑕疵检测技术领域，包括固定座，所述固定座顶部安装有支撑架，所述支撑架顶端中部设置有活动板，所述活动板内中部固定安装有连接轴，所述连接轴贯穿所述支撑架一侧，所述连接轴一端安装有电机，所...

本发明公开一种基于预测置信度的细粒度分类去噪训练方法，包括S1.首先利用所有的训练样本参与预热训练，并将每个样本近几次预测结果记录下来作为历史预测集合；S2.通过历史预测集合产生的直方图生成各个样本的归一化预测置信度；S3.采用归一化预...

本发明公开一种基于通道细粒度语义特征的跨媒体检索方法，包括S1.首先，通过深度网络生成具有丰富通道信息的特征图；S2.按通道进行划分并输入到细粒度学习层和跨媒体学习层；S3.将细粒度损失函数和跨媒体损失函数的结果相加作为跨媒体联合损失。...

本发明公开一种自监督的分布内、外噪声识别算法，包括如下步骤：S1.首先，训练一个具有噪声鲁棒性的子中心分类器，并利用训练样本与其类别中心的距离来从全局的角度区分干净和噪声样本；S2.利用识别出的干净样本训练一个自监督策略的旋转检测模型。...

本发明公开一种小规模可靠数据集驱动的噪声修正算法，包括S1.采用骨干网络作为特征提取器，并为之搭配两个并行的全连接层作为预测头，输入图像特征，可输出相应的预测概率分布；S2.使用元预测头的预测概率作为伪标签，利用伪标签修正网络图像中错误...

本发明公开一种样本选择与标签校正结合的网络图像标签去噪方法，包括如下步骤：S1.首先，通过样本与类别中心的余弦相似度挑选出干净样本；S2.通过样本不确定性动态的从余下样本中挑选出可重用样本并校正；S3.最后使用干净样本与校正后的可重用样...

本发明公开一种最大熵约束的类别软标签识别训练方法，方法包括如下步骤：S1.首先在一个含噪声的网络数据集D上训练深度网络模型，通过交叉损失函数得到次有的模型；S2.基于软标签的类别正则化策略，来获取每个类别的软标签；S3.采用类别正则优化...

本发明公开一种基于动态样本选择的网络图像标签去噪方法，包括S1.首先，将网络提取的样本特征投影到余弦空间，通过样本间的余弦距离确定每个样本的内点集；S2.将网络数据集中的样本送入深度神经网络，最后的全连接层输出样本的特征；本发明首先将网...

本发明公开一种基于深度度量学习的细粒度跨媒体检索方法，包括S1.首先，将一组多媒体实例混合输入到同一深度网络中提取特征；S2.通过线性层将不同媒体的特征映射到嵌入空间中进行度量学习；S3.使用跨媒体深度度量学习方法来同时学习细粒度语义相...

本发明公开一种基于局部自注意力的细粒度跨媒体检索方法，包括公共空间学习、损失函数和可学习的位置编码，本发明中的方法使用注意力机制来学习特征映射矩阵，从而将不同的媒体数据映射到同一个公共空间中进行相似性度；由于自注意力机制可以学习特征之间...

本发明公开一种基于固定类别中心的样本选择方法，包括固定类别中心，样本选择和网络更新，本发明提出了一个固定类别中心的算法，与其他的小损失样本选择方法不同，SSFCC在进行样本选择之前最大化各子类的类间距离，大大的避免了不同细粒度子类间的样...

本发明涉及跨媒体检索技术技术领域，公开了一种基于注意力机制和模态依赖的跨媒体交叉检索方法，包括以下步骤：步骤S1.根据提取器获取媒体类型数据，媒体类型数据包括文本数据、图像数据、音频数据和视频数据；步骤S2.基于文本卷积网络、图像卷积网...

本发明提出了一种基于统一双分支网络的细粒度跨媒体检索方法，采取统一的深度卷积神经网络结构提取初步公共特征，再通过计算量较低的媒体专属分支来修正公共特征所缺失的媒体独立特性。对于统一概率特征分支，不区分媒体类型统一使用交叉熵损失来学习概率...

本发明涉及细粒度跨媒体检索技术领域，公开了一种基于自注意力和生成对抗网络的细粒度跨媒体检索方法，包括：提取媒体数据的卷积神经网络和循环神经网络；将卷积神经网络和循环神经网络输入进公共语义空间学习模块，提取与媒体数据类别无关的语义特征A1...

本发明涉及细粒度跨媒体检索技术领域，公开了一种基于细粒度跨媒体检索构造实体级公共特征空间的方法，包括：获取视频数据，预设噪声帧滤除规则，根据噪声帧滤除规则对获取到的视频数据进行过滤，获取不包含细粒度实体的帧图像；获取媒体数据类型的低层特...

本发明涉及深度学习技术领域，公开了一种深度监督与特征融合的细粒度跨媒体检索方法，包括：步骤S1.将图像数据、视频数据、文本数据和音频数据分别输入到媒体专用网络中，将四种媒体数据子网络最后一层的全连接层进行权值共享，提取对应的原始特征；步...

本发明公开了一种基于多尺度特征联合的细粒度跨媒体检索方法，本发明在传统的样本级特征的基础上，额外引入目标级特征和关键区域的像素级特征，基于这三种尺度特征构建出三个类别损失函数共同约束特征提取网络。本发明有效解决了传统的公共特征提取方法中...

本发明公开了一种基于双网络联合标签修正的网络图像数据集去噪方法，采用两个同样的深度神经网络分别进行随机初始化后对网络数据集进行训练，并分别进行样本选择，根据选择结果划分干净样本、内部噪声以及无关噪声数据。通过将两个深度神经网络的soft...

本发明提出了一种增强特征空间对抗学习的域自适应语义分割方法，通过引入分类约束鉴别器以及对抗学习和伪标签自训练相结合的混合协作框架，有效地缓解了特征空间对抗学习方法中的训练不平衡和特征失真问题以及分类器过度拟合源域特征的问题，促使网络更好...

本发明提出了一种基于类别原型学习的单样本图像分割方法，通过引入多类标签信息有效地缓解了特征缺乏语义信息的问题，促使网络为目标类别生成具有丰富语义信息的类别原型，通过更鲁棒的目标类别线索指导网络更精确地分割出查询图像中目标区域的基于类别原...