【技术实现步骤摘要】
本公开文本总体上涉及用于训练和使用图像分类器的系统和方法。更具体地，本公开文本涉及用于通过将机器学习技术应用于多个被注释的图像来训练和使用弱监督图像分类器的系统和方法。
技术介绍
1、图像分类可能是一个昂贵且冗长的过程。对于一些图像分类应用，诸如与军事领域或医学领域有关的那些应用，对图像进行准确且可靠的分类可能是非常重要的，并且通常可以由经过专门培训的人来执行。很难以自动化方式准确且可靠地对某些类型的图像进行分类。
技术实现思路
1、提供了与训练图像分类器有关的方法、系统和装置。计算图像分类器模型可以具有极大减少用于自动图像分类的工作和资源的潜力。通常，术语“图像分类”可以包括确定未分类的输入图像是第一类型还是第二类型，其中所述第一类型和所述第二类型是已知的。在一些实施方式中，本公开文本的所述系统和方法可以接收具有可以在多维空间中表示的复杂特征集的未分类的输入图像。例如，图像可以具有大量的像素(例如，以106或以上的数量级)，并且每个像素可以具有针对诸如红色、绿色和蓝色的多种颜色中的每一种...
【技术保护点】
1.一种训练图像分类器的方法，所述方法包括：
2.如权利要求1所述的方法，其中，每个块由多维空间中的图像数据表示，所述方法进一步包括由所述设备通过使用所述图像分类器将针对所述块中的每个块的所述图像数据转换为低维空间来生成所述多个点。
3.如权利要求2所述的方法，其中，所述图像分类器被实施为卷积神经网络。
4.如权利要求1所述的方法，其中：
5.如权利要求1所述的方法，其中，每个图像对应于卫星照片。
6.如权利要求1所述的方法，进一步包括由所述设备接收与所述多个图像相对应的图像数据，其中，仅针对所述多个图像的子...
【技术特征摘要】
1.一种训练图像分类器的方法，所述方法包括：
2.如权利要求1所述的方法，其中，每个块由多维空间中的图像数据表示，所述方法进一步包括由所述设备通过使用所述图像分类器将针对所述块中的每个块的所述图像数据转换为低维空间来生成所述多个点。
3.如权利要求2所述的方法，其中，所述图像分类器被实施为卷积神经网络。
4.如权利要求1所述的方法，其中：
5.如权利要求1所述的方法，其中，每个图像对应于卫星照片。
6.如权利要求1所述的方法，进一步包括由所述设备接收与所述多个图像相对应的图像数据，其中，仅针对所述多个图像的子集执...
【专利技术属性】
技术研发人员：T·福克斯，
申请(专利权)人：纪念斯隆凯特林癌症中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。