CN105224949A - 基于跨领域迁移学习的sar图像地物分类方法 - Google Patents
基于跨领域迁移学习的sar图像地物分类方法 Download PDFInfo
- Publication number
- CN105224949A CN105224949A CN201510611124.8A CN201510611124A CN105224949A CN 105224949 A CN105224949 A CN 105224949A CN 201510611124 A CN201510611124 A CN 201510611124A CN 105224949 A CN105224949 A CN 105224949A
- Authority
- CN
- China
- Prior art keywords
- aiming field
- sar image
- training set
- feature
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000005520 cutting process Methods 0.000 title claims abstract description 18
- 238000013526 transfer learning Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000000605 extraction Methods 0.000 claims description 5
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 claims description 5
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 239000003550 marker Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一基于跨领域迁移学习的SAR图像地物分类方法,采用跨领域迁移学习算法,借用源域的先验SAR图像数据,建立分类模型适应性地用于另一幅相似但不相同的目标域SAR图像的分类,减少了目标域SAR图像标签获取成本。本发明中每一次训练集的优化更新只保留支持向量作为训练集的机制能够大幅度减少训练集的冗余样本数量,能够有效缓解SVM分类器受限于计算量和存储量的问题;通过引入未能成为支持向量的目标域样本回收利用机制,能够重复高效的利用目标域样本,以不断调整并修正分类面;同时通过删除未能成为支持向量的源域样本,能减少与目标域分布不匹配的源域训练样本数目,能获得更加准确的分类结果,收敛性更优。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及合成孔径雷达(SyntheticApertureRadar,SAR)图像地物分类方法。
背景技术
合成孔径雷达图像分类是利用不同地物样本的灰度、纹理、形状、边缘和方向等特征信息在SAR图像中确定其类别,将不同种类地物进行区域划分的图像处理技术。由于SAR成像的特殊性,使得SAR图像与光学图像有很大的不同,例如SAR图像包含更多的冗余信息,存在斑点噪声,SAR目标对方位角十分敏感等。所以,如何从SAR图像中准确分类地物一直是SAR图像解译的难点。
随着SAR图像分辨率不断提高,目标信息呈现***性增长,传统的SAR图像监督分类问题需要待分类图像与源图像的分布相同,依赖使用大量带标记的观测数据建立分类模型,然而获取可靠的标记数据的难点有(1)实地考察方式受限于空间范围和地区可访问性,代价昂贵。同时,实地考察获得的训练集通常只包含场景的少量代表性样本,而场景局部区域的类别特征可能存在的较大差异,从而影响到获取类别标签的可靠性和翔实性。(2)视觉解译方式较为主观,且选择的像素点往往出现在空间上相邻的基团内,导致训练集高度冗余且有可能包含噪声数据和离群冲击类数据,降低分类器的性能。(3)每对一幅SAR图像进行分类,都需要重新采集其标记样本,致使分类成本进一步加剧。
跨领域迁移学习(DomainAdaption,DA)方法是机器学习中一个非常活跃的研究领域,具备降低分类标签获取成本的能力,目前正被衍生应用到SAR图像分类方法中。针对SAR图像分类问题而言,它描述由一幅给定图像(源域)训练得到的监督分类器适应性地应用到另一幅相似但不相同的图像(目标域)的分类问题上。能够适应性地对相似但不相同的图像进行处理属于跨领域迁移。跨领域迁移学习的主要思想是迭代地向训练集加入目标域最小数量的最有用的数据,并且给出他们的标签。这样,分类***利用已有的信息(源域的标记的样本)最大限度地减少了目标域需要被标记的样本数量,从而减少了目标域训练集标记样本的代价。
跨领域迁移学习能获取最能代表源域分布的样本集(特征集)并作为初始训练集,具体方法为:
从源域特征图像中随机提取少量样本进行主动学习。将源域特征样本随机分配为分为DS_AL和DS_Test两部分,其中DS_AL由D1和D2两部分组成,D1作为原始训练集T,D2作为未标记样本池U,利用DS_AL训练分类器使得DS_Test获得最大分类准确率,操作步骤为:
1.由原始训练集T训练SVM分类器G;
2.利用SVM分类器G对未标记样本池U的样本进行地物分类;
3.进入自适应循环,每轮的迭代计算步骤为:
3-1从未标记样本池U中,由Q询问得一组样本,询问机制采用BT(BreakingTieStrategy)准则,计算如下公式:
其中,XBT表示由BT准则选择出的最有信息量的样本……,p(·)表示样本分布概率,是样本xi最可能归属的类别,argmin表示取当目标函数最小时样本xi,Ω={cl1,......clm}是包含m个的类别种类标签的集合。当时,样本被正确地分为cl+的可能性极大,反之,当与差值最小时,样本最有可能被误分类,因此通过求取当使得与差值最小的像素点,能获得最有信息量的样本。
3-2由监督器S对询问得到的样本进行人工标记;
3-3向训练集T中加入新的带有标记的样本;
3-4重新训练SVM分类器G,判断是否达到停止条件,如否返回步骤3-1,如是,则迭代停止;
4.得到最终的训练集T,并训练集T利用对SVM分类器进行训练。
支持向量机分类器(SupportVectorMachine,SVM)是一种常见的监督型分类器,通过寻求结构化风险最小来提高泛化能力,实现经验风险和置信范围的最小化,具备在统计样本量较少的情况下,亦能获得良好统计规律的能力。然而SVM在DA中会随着向训练集加入目标域的有用数据增多,SVM的计算量和存储量将会增大,SVM将受到低维线性不可分向量向高维线性可分向量映射过程中带来的计算量和存储量的限制。
发明内容
本发明所要解决的技术问题是,提供一种缓解SAR图像标签数据获取成本的SAR图像地物分类方法。
本发明为解决上述技术问题所采用的技术方案是,基于跨领域迁移学习的SAR图像地物分类方法,包括以下步骤:
步骤1:对输入的源域以及目标域的SAR图像分别进行归一化,并进行特征提取;
步骤2:使用跨领域迁移学习方法训练SVM分类器并保留成为支持向量的特征组成初始训练集;
步骤3:对目标域的SAR图像的特征进行自适应地物分类:
3-1利用当前的SVM分类器对目标域的SAR图像的特征进行分类,之后判断是否满足迭代停止条件,如是则将当前分类结果作为最终地物分类结果,如否,则进入步骤3-2;
3-2对当前的训练集进行优化:保留当前训练集中的支持向量中的特征;直接删除训练集中的非支持向量中来自源域的特征,再根据BT准则从目标域未标记样本池中选择特征并特征标记后加入训练集;最后,取消训练集中的非支持向量中来自目标域的特征的标记并将该特征放回目标域未标记样本池中;
3-3利用优化后的训练集重新训练SVM分类器后返回步骤3-1。
本发明采用跨领域迁移学习算法,借用源域的先验SAR图像数据,建立分类模型适应性地用于另一幅相似但不相同的目标域SAR图像的分类,减少了目标域SAR图像标签获取成本,提高了算法的执行效率。由于SVM分类器的分类面仅由其支持向量构成,同时,落入两个函数间隔面之间的样本点更有可能被赋予非零的拉格朗日参数,对分类面的位置造成更加突出的影响。因此,每一训练集的优化更新只保留支持向量作为训练集的机制能够大幅度减少训练集的冗余样本数量,能够有效缓解SVM分类器受限于计算量和存储量的问题。本发明通过引入未能成为支持向量的目标域样本回收利用机制,能够重复高效的利用目标域样本,以不断调整并修正分类面。同时通过删除未能成为支持向量的源域样本,能减少与目标域分布不匹配的源域训练样本数目,能获得更加准确的分类结果,收敛性更优。最后,本发明可以通过设置相应的提取特征的方式而保留跨领域迁移学习的框架来适用于各种场景的SAR图像分类,通用性强。
本发明的有益效果是,针对SAR图像,将跨领域迁移学习的方法引入到地物分类中,解决传统监督型SAR图像分类标签难以获得的问题,降低分类成本,同时有利于获得更优的分类结果。
具体实施方式
一种基于跨领域迁移学习的SAR图像分类方法,包括以下步骤:
步骤1:对输入的源域以及目标域的SAR图像分别进行归一化,并进行特征提取:
将占原图0.3%的离群像素点值修正为[Pmin,Pmax]大小范围中。其中低于Pmin的像素值被人为修订为Pmin,高于Pmax的值被人为修订为Pmax,再映射到[0,255]像素区间内,以获得清晰的图像。
比如,将大小为500×250像素源域以及目标域原图0.3%的离群像素点值修正为[0,0.02]大小范围中。其中,高于0.02的值被人为修订为0.02。
对归一化后的源域和目标域每个像素点分别提取48维Gabor小波特征作为特征向量,得到源域和目标域的两个特征矩阵。本领域技术人员也可以根据实际需要使用其它特征提取方法进行特征提取。
步骤2:获取获得最能代表源域分布的样本集并作为初始训练集:
从源域特征图像中随机提取少量样本(特征)进行主动学习。将源域特征样本随机分配为DS_AL和DS_Test两部分,DS_AL=6339×48,DS_Test=118661×48,DS_AL分为D1和D2两部分,其中D1作为原始训练集T,D1=479×48,D2作为未标记样本池U,D2=5860×48,通过迭代利用DS_AL训练分类器使得DS_Test获得最大分类准确率,将最终的训练集T对SVM分类器进行训练,并保留其中成为支持向量的部分作为初始训练集T0=2979×48;
步骤3:对目标域样本进行跨领域主动学习,由初始训练集开始进入自适应分类循环,获取最终的分类结果,具体迭代步骤为:
3-1利用当前的SVM分类器对目标域的SAR图像的特征进行分类,之后判断是否满足迭代停止条件,如是,则将当前分类结果作为最终地物分类结果,如否,则进入步骤3-2;本实施例的迭代停止条件为迭代次数
3-2对当前的训练集进行优化:保留当前训练集中的支持向量中的特征;直接删除训练集中的非支持向量中来自源域的特征,再根据BT准则从目标域未标记样本池中选择特征并由SVM自动标记后加入训练集;最后,取消训练集中的非支持向量中来自目标域的特征的标记并将该特征放回目标域未标记样本池中;SVM自动标记是SVM算法自动给出特征归属每一类的概率,选择最大的概率给出的标签;
3-3利用优化后的训练集重新训练SVM分类器后返回步骤3-1。
经试验验证,未进行训练集优化的基于跨领域迁移学习的SAR图像分类方法对图像进行分类的结果准确率大致在67%左右,采用了本发明训练集优化的分类方法达到80%的准确率,同时,和采用了本发明训练集优化的分类方法相比,未进行训练集优化的方法会丢掉更多地物信息。
Claims (1)
1.基于跨领域迁移学习的SAR图像地物分类方法,其特征在于,包括以下步骤:
步骤1:对输入的源域以及目标域的SAR图像分别进行归一化,并进行特征提取;
步骤2:使用跨领域迁移学习方法训练SVM分类器并保留成为支持向量的特征组成初始训练集;
步骤3:对目标域的SAR图像的特征进行自适应地物分类:
3-1利用当前的SVM分类器对目标域的SAR图像的特征进行分类,之后判断是否满足迭代停止条件,如是,则将当前分类结果作为最终地物分类结果,如否,则进入步骤3-2;
3-2对当前的训练集进行优化:保留当前训练集中的支持向量中的特征;直接删除训练集中的非支持向量中来自源域的特征,再根据BT准则从目标域未标记样本池中选择特征并标记后加入训练集;最后,取消训练集中的非支持向量中来自目标域的特征的标记并将该特征放回目标域未标记样本池中;
3-3利用优化后的训练集重新训练SVM分类器后返回步骤3-1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510611124.8A CN105224949B (zh) | 2015-09-23 | 2015-09-23 | 基于跨领域迁移学习的sar图像地物分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510611124.8A CN105224949B (zh) | 2015-09-23 | 2015-09-23 | 基于跨领域迁移学习的sar图像地物分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105224949A true CN105224949A (zh) | 2016-01-06 |
CN105224949B CN105224949B (zh) | 2018-11-13 |
Family
ID=54993909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510611124.8A Expired - Fee Related CN105224949B (zh) | 2015-09-23 | 2015-09-23 | 基于跨领域迁移学习的sar图像地物分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105224949B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815643A (zh) * | 2017-01-18 | 2017-06-09 | 中北大学 | 基于随机森林迁移学习的红外光谱模型传递方法 |
CN107273853A (zh) * | 2017-06-16 | 2017-10-20 | 中国地质大学(武汉) | 一种基于类心和协方差对齐的遥感图像迁移学习方法 |
CN107644212A (zh) * | 2017-10-19 | 2018-01-30 | 中国地质大学(武汉) | 一种高光谱遥感图像分类方法、设备及存储设备 |
CN108508411A (zh) * | 2018-03-22 | 2018-09-07 | 天津大学 | 基于迁移学习的被动雷达外辐射源信号识别方法 |
CN109308318A (zh) * | 2018-08-14 | 2019-02-05 | 深圳大学 | 跨领域文本情感分类模型的训练方法、装置、设备及介质 |
CN109635837A (zh) * | 2018-11-10 | 2019-04-16 | 天津大学 | 一种基于商用无线Wi-Fi的场景无忧跌倒检测*** |
CN110020674A (zh) * | 2019-03-13 | 2019-07-16 | 清华大学 | 一种提升局部类别区分度的跨领域自适应图像分类方法 |
CN110503161A (zh) * | 2019-08-29 | 2019-11-26 | 长沙学院 | 一种基于弱监督yolo模型的矿石泥团目标检测方法和*** |
CN111091198A (zh) * | 2019-11-28 | 2020-05-01 | 腾讯科技(深圳)有限公司 | 一种数据处理方法及装置 |
CN112149722A (zh) * | 2020-09-11 | 2020-12-29 | 南京大学 | 一种基于无监督域适应的图像自动标注方法 |
CN112598051A (zh) * | 2020-12-19 | 2021-04-02 | 武汉大学 | 一种基于极化统计散射成分的跨域sar图像地物分类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101609485A (zh) * | 2009-07-24 | 2009-12-23 | 西安电子科技大学 | 基于迁移核匹配追踪的医学影像诊断***及诊断方法 |
US20110106734A1 (en) * | 2009-04-24 | 2011-05-05 | Terrance Boult | System and appartus for failure prediction and fusion in classification and recognition |
CN102508859A (zh) * | 2011-09-29 | 2012-06-20 | 北京亿赞普网络技术有限公司 | 一种基于网页特征的广告分类方法及装置 |
CN104680178A (zh) * | 2015-03-06 | 2015-06-03 | 西安电子科技大学 | 基于迁移学习多吸引子细胞自动机的图像分类方法 |
CN104866869A (zh) * | 2015-05-29 | 2015-08-26 | 武汉大学 | 基于分布差异与增量学习的时序sar图像分类方法 |
-
2015
- 2015-09-23 CN CN201510611124.8A patent/CN105224949B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110106734A1 (en) * | 2009-04-24 | 2011-05-05 | Terrance Boult | System and appartus for failure prediction and fusion in classification and recognition |
CN101609485A (zh) * | 2009-07-24 | 2009-12-23 | 西安电子科技大学 | 基于迁移核匹配追踪的医学影像诊断***及诊断方法 |
CN102508859A (zh) * | 2011-09-29 | 2012-06-20 | 北京亿赞普网络技术有限公司 | 一种基于网页特征的广告分类方法及装置 |
CN104680178A (zh) * | 2015-03-06 | 2015-06-03 | 西安电子科技大学 | 基于迁移学习多吸引子细胞自动机的图像分类方法 |
CN104866869A (zh) * | 2015-05-29 | 2015-08-26 | 武汉大学 | 基于分布差异与增量学习的时序sar图像分类方法 |
Non-Patent Citations (1)
Title |
---|
庄广安: ""基于字典学习的无监督迁移聚类及其在SAR图像分割中的应用"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815643B (zh) * | 2017-01-18 | 2019-04-02 | 中北大学 | 基于随机森林迁移学习的红外光谱模型传递方法 |
CN106815643A (zh) * | 2017-01-18 | 2017-06-09 | 中北大学 | 基于随机森林迁移学习的红外光谱模型传递方法 |
CN107273853A (zh) * | 2017-06-16 | 2017-10-20 | 中国地质大学(武汉) | 一种基于类心和协方差对齐的遥感图像迁移学习方法 |
CN107644212A (zh) * | 2017-10-19 | 2018-01-30 | 中国地质大学(武汉) | 一种高光谱遥感图像分类方法、设备及存储设备 |
CN107644212B (zh) * | 2017-10-19 | 2019-12-17 | 中国地质大学(武汉) | 一种高光谱遥感图像分类方法、设备及存储设备 |
CN108508411A (zh) * | 2018-03-22 | 2018-09-07 | 天津大学 | 基于迁移学习的被动雷达外辐射源信号识别方法 |
CN108508411B (zh) * | 2018-03-22 | 2022-04-08 | 天津大学 | 基于迁移学习的被动雷达外辐射源信号识别方法 |
CN109308318B (zh) * | 2018-08-14 | 2021-06-04 | 深圳大学 | 跨领域文本情感分类模型的训练方法、装置、设备及介质 |
CN109308318A (zh) * | 2018-08-14 | 2019-02-05 | 深圳大学 | 跨领域文本情感分类模型的训练方法、装置、设备及介质 |
CN109635837A (zh) * | 2018-11-10 | 2019-04-16 | 天津大学 | 一种基于商用无线Wi-Fi的场景无忧跌倒检测*** |
CN110020674A (zh) * | 2019-03-13 | 2019-07-16 | 清华大学 | 一种提升局部类别区分度的跨领域自适应图像分类方法 |
CN110503161A (zh) * | 2019-08-29 | 2019-11-26 | 长沙学院 | 一种基于弱监督yolo模型的矿石泥团目标检测方法和*** |
CN110503161B (zh) * | 2019-08-29 | 2023-06-27 | 长沙学院 | 一种基于弱监督yolo模型的矿石泥团目标检测方法和*** |
CN111091198A (zh) * | 2019-11-28 | 2020-05-01 | 腾讯科技(深圳)有限公司 | 一种数据处理方法及装置 |
CN111091198B (zh) * | 2019-11-28 | 2023-09-19 | 腾讯科技(深圳)有限公司 | 一种数据处理方法及装置 |
CN112149722A (zh) * | 2020-09-11 | 2020-12-29 | 南京大学 | 一种基于无监督域适应的图像自动标注方法 |
CN112149722B (zh) * | 2020-09-11 | 2024-01-16 | 南京大学 | 一种基于无监督域适应的图像自动标注方法 |
CN112598051A (zh) * | 2020-12-19 | 2021-04-02 | 武汉大学 | 一种基于极化统计散射成分的跨域sar图像地物分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105224949B (zh) | 2018-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105224949A (zh) | 基于跨领域迁移学习的sar图像地物分类方法 | |
CN110414377B (zh) | 一种基于尺度注意力网络的遥感图像场景分类方法 | |
CN110796168A (zh) | 一种基于改进YOLOv3的车辆检测方法 | |
CN111553201B (zh) | 一种基于YOLOv3优化算法的交通灯检测方法 | |
CN111461039B (zh) | 基于多尺度特征融合的地标识别方法 | |
CN109508675B (zh) | 一种针对复杂场景的行人检测方法 | |
CN104102920A (zh) | 一种基于形态学多特征融合的害虫图像分类方法及*** | |
CN109271991A (zh) | 一种基于深度学习的车牌检测方法 | |
CN101551809A (zh) | 基于高斯混合模型分类的sar图像检索方法 | |
CN112418330A (zh) | 一种基于改进型ssd的小目标物体高精度检测方法 | |
CN103218621A (zh) | 一种室外视频监控中多尺度车辆的识别方法 | |
CN105184298A (zh) | 一种快速局部约束低秩编码的图像分类方法 | |
CN110363071A (zh) | 一种协同主动学习和直推式支持向量机的海冰检测方法 | |
CN103246894B (zh) | 一种解决光照不敏感问题的地基云图识别方法 | |
CN110378239A (zh) | 一种基于深度学习的实时交通标志检测方法 | |
Zhao et al. | Vehicle-logo recognition based on modified HU invariant moments and SVM | |
CN110751027B (zh) | 一种基于深度多示例学习的行人重识别方法 | |
CN110008899B (zh) | 一种可见光遥感图像候选目标提取与分类方法 | |
CN110443257A (zh) | 一种基于主动学习的显著性检测方法 | |
CN113408584A (zh) | Rgb-d多模态特征融合3d目标检测方法 | |
CN104268552A (zh) | 一种基于部件多边形的精细类别分类方法 | |
CN103456017B (zh) | 基于种子集的半监督权重核模糊聚类的图像分割方法 | |
Zhang et al. | Vehicle license plate detection and recognition using deep neural networks and generative adversarial networks | |
Zhou et al. | ECA-mobilenetv3 (large)+ SegNet model for binary sugarcane classification of remotely sensed images | |
Shi et al. | A new multiface target detection algorithm for students in class based on bayesian optimized YOLOv3 model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181113 |
|
CF01 | Termination of patent right due to non-payment of annual fee |