CN105787488B - 由全局向局部传递的图像特征提取方法及装置 - Google Patents
由全局向局部传递的图像特征提取方法及装置 Download PDFInfo
- Publication number
- CN105787488B CN105787488B CN201610118048.1A CN201610118048A CN105787488B CN 105787488 B CN105787488 B CN 105787488B CN 201610118048 A CN201610118048 A CN 201610118048A CN 105787488 B CN105787488 B CN 105787488B
- Authority
- CN
- China
- Prior art keywords
- pca
- convolution kernel
- feature
- input sample
- network
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开的由全局向局部传递的图像特征提取方法及装置,应用网络结构的每一层网络中,该方法包括:将所有输入样本的所有像素特征值排列成一个特征矩阵,对该特征矩阵进行PCA计算,获得预设数量个PCA卷积核;根据每一层网络的预设局部卷积核尺寸,在输入样本和每个PCA卷积核的对应位置分别选取预设局部卷积核尺寸的区域,将对应的两个区域进行卷积计算,直至遍历所有的输入样本和所有PCA卷积核,生成新的特征样本;将新的特征样本作为输入样本输入下一网络层,直至最后一层网络生成最终特征。本发明的方法及装置提取的图像特征兼顾了全局与局部特性,同时,降低了对样本数量和计算模块性能的要求。
Description
技术领域
本发明属于智能信息处理领域,具体涉及一种由全局向局部传递的图像特征提取方法及装置。
背景技术
深度学习是通过训练含有多层非线性结构的网络模型来实现特征学习的一类机器学习方法。当前,深度学习技术在各个领域都有着广泛的运用与发展,随着深度学习技术的研究进展,利用深度学习技术从图像数据中自动学习特征在识别与分类等问题中有着重要的应用。
CNN(Convolutional Neural Network,卷积神经网络)作为最典型的深度学习网络,在图像处理领域有着出色的表现,尤其对于大型图像处理。CNN完成网络参数学习的训练工作需要两个前提,首先是丰富的样本,其次是高速计算模块。然而,当样本数量未达到海量要求,或者计算机性能一般,未达到高速计算模块的高速并行计算能力时,怎样完成网络参数的学习,这是一个亟待解决的问题。
PCA(Principal Component Analysis,主成分分析)主要用于数据降维,是一种掌握事物主要矛盾的统计分析方法,其可以从多元事物中解析出主要影响因素,揭示事物的本质,简化复杂的问题。
现有技术中,提取图像特征的方法是利用k1*k2大小的窗口来将每个样本生成很多块,其中,k1为窗口的宽,k2为窗口的高。比如n个样本,每个样本生成m个块,则数量为n*m个块,进行PCA计算时,计算量和耗时巨大。并且每个卷积核都是通过小块训练PCA获得,只考虑到了全局特性,未考虑到全局性。
发明内容
本发明的目的在于克服现有技术的不足,提供一种由全局向局部传递的图像特征提取方法及装置,提取的图像特征兼顾了全局和局部的特性,且降低了传统CNN网络训练对于样本数据量以及计算模块的性能要求。
本发明的目的是这样实现的:一种由全局向局部传递的图像特征提取方法,应用于CNN网络结构的每一层网络中,包括:
将所有输入样本的所有像素特征值排列成一个特征矩阵,对该特征矩阵进行PCA计算,获得预设数量个PCA卷积核;
根据每一层网络的预设局部卷积核尺寸,在输入样本和每个PCA卷积核的对应位置分别选取预设局部卷积核尺寸的区域,将对应的两个区域进行卷积计算,直至遍历所有的输入样本和所有PCA卷积核,生成新的特征样本;
将新的特征样本作为输入样本输入下一网络层,直至最后一层网络生成最终特征。
进一步地,所述PCA卷积核的计算过程为:
构建特征矩阵,特征矩阵的每一行为当前层网络中一个输入样本的所有像素特征值的排列,形成一个n行,w*h列的矩阵,其中,w为输入样本的高,h为输入样本的宽,n为当前层网络输入样本的数量;
对特征矩阵做PCA计算,获取预设数量个特征向量;
将每个特征向量重排列为w行h列,作为PCA卷积核。
进一步地,所述特征向量是按照元素顺序重排列的。
进一步地,所述PCA计算步骤为:
将特征矩阵归一化处理后,计算协方差矩阵,对协方差矩阵进行特征分解,获得特征值和特征向量,所述特征向量按照特征值的大小排列,根据预设特征值的范围,提取预设数量个特征向量。
进一步地,还包括:在输入样本输入第一层网络前,归一化输入样本的尺度。
利用本发明的方法,本发明另外提供了一种由全局向局部传递的图像特征提取装置。
一种由全局向局部传递的图像特征提取装置,应用于CNN网络结构的每一层网络中,包括:
卷积核生成模块,将所有输入样本的所有像素特征值排列成一个特征矩阵,对该特征矩阵进行PCA计算,获得预设数量个PCA卷积核;
新样本生成模块,根据每一层网络预设的预设局部卷积核尺寸,在输入样本和每个PCA卷积核的对应位置分别选取预设局部卷积核尺寸的区域,将对应的两个区域进行卷积计算,直至遍历所有的输入样本和所有PCA卷积核,生成新的特征样本;
特征样本输出模块,将新的特征样本作为输入样本输入下一网络层,直至最后一层网络生成最终特征。
进一步地,所述卷积核生成模块包括:
特征矩阵生成单元,构建特征矩阵,特征矩阵的每一行为当前层网络中一个输入样本的所有像素特征值的排列,形成一个n行,w*h列的矩阵,其中,w为输入样本的高,h为输入样本的宽,n为当前层网络输入样本的数量;
特征向量生成单元,对特征矩阵做PCA计算,获取预设数量个特征向量;
滤波矩阵生成单元,将每个特征向量重排列为w行h列,作为PCA卷积核。
进一步地,所述滤波矩阵生成模块是将每个特征向量按照元素顺序重排列的。
进一步地,所述特征向量生成单元包括:
矩阵特征分解子单元,将特征矩阵归一化处理后,计算协方差矩阵,对协方差矩阵进行特征分解,获得特征值和特征向量;
特征向量提取子单元,将所述特征向量按照特征值的大小排列,根据预设特征值的范围,提取预设数量个特征向量。
进一步地,还包括:样本处理模块,在输入样本输入第一层网络前,归一化输入样本的尺度。
本发明的有益效果:本发明通过对相应网络层所有输入样进行PCA计算,获得该层网络的全局卷积核(即预设数量个PCA卷积核)后,将该具备全局特性的全局卷积核传递到CNN网络结构中相应的网络层,再根据预设局部卷积核尺寸和预设数量,将该层网络的所有输入样本分别与相应预设数量个PCA卷积核进行局部的卷积操作,获得新的特征样本,提取的图像特征兼顾了全局和局部的特点。
同时,本发明不仅能够降低传统CNN网络对于样本数量的要求,还降低了对计算模块的性能要求,不需要高速并行处理计算模块进行长时间的离线训练,即可完成网络参数学习,效果近似于大规模训练的结果,可快速实战或者在线学习。
在PCA计算时,将输入样本的所有像素特征值直接作为处理的数据对象,不需要对输入样本进行分块,提取局部特征作为处理的数据对象,减小了PCA计算的数据量,加快处理速度。
另外,本发明在对输入样本和PCA卷积核进行局部的卷积操作时,根据预设局部卷积核尺寸,分别在输入样本和PCA卷积核的相应位置滑动,获取输入样本局部区域和卷积核局部区域进行卷积,权值是非共享的。
附图说明
图1为本发明实施例的方法流程图;
图2为本发明实施例PCA卷积核的计算流程图;
图3为本发明实施例卷积计算流程图;
图4为本发明实施例输入样本与PCA卷积核局部卷积计算过程图;
图5为本发明一个具体实施例的特征提取效果图。
具体实施例
下面结合附图并通过具体实施例对本发明作进一步详述,以下实施例只是描述性的,不是限定性的,不能以此限定本发明的保护范围。
本实施例的由全局向局部传递的图像特征提取方法(简称PCANN,PrincipalComponent Analysis Neural Network)及装置,不仅能够降低CNN网络对于样本数量的要求,还降低了对计算模块的性能要求,不需要高速并行处理计算模块进行长时间的离线训练,即可完成网络参数学习,效果近似于大规模训练的结果,可快速实战或者在线学习。同时,提取的图像特征兼顾了全局和局部的特点。
在本实施例中,由全局向局部传递的图像特征提取装置,包括用于设计一个CNN网络结构的CNN网络构建模块,对每层网络的输入样本进行PCA计算,获得PCA卷积核的卷积核生成模块,进行卷积计算生成新的特征样本的新样本生成模块,以及将新的特征样本输出到下一层网络的特征样本输出模块。其中,卷积核生成模块、新样本生成模块和特征样本输出模块是应用于CNN网络结构的每一层网络中的。
CNN网络构建模块包括一些CNN网络参数的初始化,本实施例需要初始化的CNN网络参数包括网络结构的层数,每一层网络的预设局部卷积核尺寸(预设局部卷积核的宽为wKernel,高为hKernel,则预设局部卷积核的尺寸为wKernel*hKernel)和预设数量nKernel等。在CNN网络构建模块构建好一个CNN网络结构后,需要对CNN网络结构的第一层网络获取输入样本作为处理对象,本实施例中,输入样本为图像或字符。
为了方便图像数据的获取与处理,在第一层网络获取输入样本前,通过样本处理模块对输入样本进行归一化尺度的操作,样本处理模块在收集到图像后,将各个图像的高w和宽h均缩放为相同大小。
卷积核生成模块,将该层网络的所有输入样本的所有像素特征值排列成一个特征矩阵B,对特征矩阵B进行PCA计算,获得对应预设数量个PCA卷积核。其中,PCA卷积核生成模块包括特征矩阵生成单元、特征向量生成单元以及滤波矩阵生成单元。
特征矩阵生成单元选取当前层网络中n个输入样本的像素特征值,本实施例中的像素特征值为像素的亮度值,每个输入样本的像素特征值选取w*h个,将每个输入样本的像素特征值作为一行,排列成特征矩阵(为方便描述,下文中将该特征矩阵描述为特征矩阵B),其中,特征矩阵B为n行,w*h列的矩阵,w为输入样本的高,h为输入样本的宽。
接着,特征向量生成单元,对特征矩阵B做PCA计算,获取预设数量个特征向量。在本实施例中,特征向量生成单元又包括矩阵特征分解子单元和特征向量提取子单元。
矩阵特征分解子单元将特征矩阵B归一化处理后,计算协方差矩阵,对协方差矩阵进行特征分解,获得特征向量。
具体地,由数据预处理模块对特征矩阵B进行归一化处理,这是为了在同一标准下进行数据的比较,归一化处理的计算公式为:
B=(B-minB)/(maxB-minB),
式中,minB为特征矩阵B的最小元素数值,maxB为特征矩阵B的最大元素数值。
在归一化处理特征矩阵B后,特征向量计算模块,计算协方差矩阵C:
C=B’*B,
式中,B’为特征矩阵B的转置矩阵,接着对协方差矩阵C进行特征分解,计算出特征值(即能量)和特征向量。
特征向量提取子单元将特征向量是按照能量从大到小进行排列的,根据预设能量范围,提取在预设能量范围内的预设数量nKernel个特征向量。
滤波矩阵生成单元将每个特征向量重排列为w行h列的PCA卷积核。在本实施例中,滤波矩阵生成单元是将每个特征向量按照元素顺序重排列的。
新样本生成模块则根据每一层网络预设的预设局部卷积核尺寸,在输入样本和每个PCA卷积核的对应位置分别选取预设局部卷积核尺寸的区域,将对应的两个区域进行卷积计算,直至遍历所有的输入样本和所有PCA卷积核,生成新的特征样本。
最后,特征样本输出模块将新的特征样本作为输入样本输入下一网络层,直至最后一层网络生成最终特征。
参见图1,本实施例的由全局向局部传递的图像特征提取方法,具体步骤如下:
步骤一,将输入样本输入一个设计好的CNN网络结构,初始化CNN网络参数,所述CNN网络参数包括网络结构的层数,每一层网络的预设局部卷积核尺寸和预设数量nKernel。
步骤二,将该层网络的所有输入样本的所有像素特征值排列成一个特征矩阵B,对特征矩阵B进行PCA计算,获得预设数量nKernel的PCA卷积核。参见图2,步骤二的具体过程为:
(1).构建特征矩阵B,特征矩阵B的每一行为当前层网络中一个输入样本的所有像素特征值的排列,形成一个n行,w*h列的矩阵,其中,w为输入样本的高,h为输入样本的宽,n为当前层网络输入样本的数量。
(2).对特征矩阵B做PCA计算,获取预设数量个特征向量
对特征矩阵B进行归一化处理,将特征矩阵B的数据统一到同一参考系下,方便后续数据的比较等处理。接着,计算协方差矩阵C:C=B’*B,B’为特征矩阵B的转置矩阵,协方差的计算量小,减小计算时间。然后,对协方差矩阵C进行特征分解,计算出特征值(即能量)和特征向量。
在获得特征向量后,根据预设能量范围,提取在预设能量范围内的nKernel个特征向量。
(3).将每个特征向量重排列为w行h列,作为PCA卷积核。
将每个特征向量重排列为w行h列,作为PCA卷积核,nKernel个PCA卷积核构成全局卷积核,传递给相应层网络。
在一个具体实施例中,像素特征值为像素亮度值,输入样本的w=50,h=50,n=100,那么,每个输入样本选取50*50个像素亮度值,排列成特征矩阵B的一行,100个输入样本的所有像素亮度值则排列成特征矩阵B的100行,特征矩阵B的共50*50列,协方差矩阵C即为50*50行,50*50列的矩阵,在计算获得协方差矩阵C的特征向量后,提取nKernel个在预设能量范围内的特征向量,本实施例中,特征向量按照特征值(即能量)从大到小排列,获取前nKernel个特征向量,每个特征向量为1行,50*50列,按照元素顺序将每个特征向量排列成50行50列的矩阵F,每个矩阵F为一个PCA卷积核,nKernel个矩阵F构成该层网络的所有PCA卷积核,即全局卷积核。
PCA计算时,将输入样本的所有像素特征值直接作为处理的数据对象,不需要对输入样本进行分块后,提取局部特征作为处理的数据对象,减小了PCA计算的数据量,加快处理速度。
步骤三,根据每一层网络的预设局部卷积核尺寸,在输入样本和每个PCA卷积核的对应位置分别选取预设局部卷积核尺寸的区域,将对应的两个区域进行卷积计算,直至遍历所有的输入样本和所有PCA卷积核,生成新的特征样本。
对每层网络的所有输入样本均进行PCA计算,获得的PCA卷积核具备全局特性,接着将具备全局特性的PCA卷积核传递给相应层网络,根据预设局部卷积核尺寸对输入样本和PCA卷积核作局部的卷积操作,获得新的特征样本,提取的新的特征样本兼顾了全局和局部的特点。
参见图3,这个步骤的具体过程为:
a.将nKernel个PCA卷积核传递到相应层网络;
b.从CNN网络结构中获取相应网络层的预设局部卷积核尺寸wKernel*hKernel和预设数量nKernel;
c.参见图4,取该层网络中的一个输入样本和一个PCA卷积核,按照局部卷积核(Kernel)尺寸,在该输入样本(Input map)和该PCA卷积核(PCA Fliter)均按照预设步长进行移动,选取相应预设局部卷积核尺寸的输入样本和PCA卷积核的对应区域,获取对应的输入样本局部区域(Kernel map)和对应的卷积核局部区域(Kernel Fliter);
本实施例中,步骤c中的预设步长为CNN网络结构默认的1个像素,以1个像素为步长进行移动。当然,预设步长也可根据实际应用进行设置。
d.又参见图4,对相应的输入样本局部区域Kernel map和卷积核局部区域KernelFliter进行卷积计算;
在对输入样本和PCA卷积核进行局部的卷积操作时,根据预设局部卷积核尺寸,分别在输入样本和PCA卷积核的相应位置,按照预设步长进行移动,获取输入样本局部区域和卷积核局部区域进行卷积,权值是非共享的。
e.根据输入样本的数量n,判断是否遍历该层网络所有的输入样本,若否,则重复步骤c~d;
运行完步骤e,该层网络中的n个输入样本均与相应的PCA卷积核进行了局部卷积的操作。
d.根据预设数量nKernel,判断是否遍历该层网络所有的PCA卷积核,若否,则返回步骤a~e;
运行完步骤d,该层网络中n个输入样本与nKernel个PCA卷积核分别进行了局部卷积核的操作。
f.输出新的特征样本output map。
在一个具体实施例中,针对车牌相近字符“0”、“D”和“Q”进行图像特征提取,在将多个字符“0”,多个字符“D”和多个字符“Q”的输入样本分别归一化尺度后,输入CNN网络结构的第一层网络,其中,第一层网络的预设数量nKernel为6,在进行图像特征提取后得到的结果参见图5。
步骤四,将新的特征样本作为输入样本输入下一网络层,直至最后一层网络生成最终特征。
其中,步骤二到步骤四是应用于网络结构中的每一层网络的。
在对每层网络的输入样本进行卷积计算后,为进一步应用与优化卷积计算生成的新的特征样本,还包括一些常规的网络操作,例如激活、池化(pooling)等。
为了方便图像数据的获取与处理,在进行步骤一前,收集训练图像,归一化尺度后作为输入样本,输入第一层网络。
通过对相应网络层所有输入样本进行PCA计算,获得该层网络的全局卷积核(即预设数量个PCA卷积核)后,将该具备全局特性的全局卷积核传递到CNN网络结构中相应的网络层,再根据预设局部卷积核尺寸和预设数量,将该层网络的所有输入样本与相应预设数量个PCA卷积核进行局部的卷积操作,获得新的特征样本,提取的图像特征兼顾了全局和局部的特点。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围。
Claims (6)
1.一种由全局向局部传递的图像特征提取方法,应用于CNN网络结构的每一层网络中,其特征在于,包括:
将所有输入样本的所有像素特征值排列成一个特征矩阵,对该特征矩阵进行PCA计算,获得预设数量个PCA卷积核;
根据每一层网络的预设局部卷积核尺寸,在输入样本和每个PCA卷积核的对应位置分别选取预设局部卷积核尺寸的区域,将对应的两个区域进行卷积计算,直至遍历所有的输入样本和所有PCA卷积核,生成新的特征样本;
将新的特征样本作为输入样本输入下一网络层,直至最后一层网络生成最终特征;
所述PCA卷积核的计算过程为:
构建特征矩阵,特征矩阵的每一行为当前层网络中一个输入样本的所有像素特征值的排列,形成一个n行,w*h列的矩阵,其中,w为输入样本的高,h为输入样本的宽,n为当前层网络输入样本的数量;
对特征矩阵做PCA计算,获取预设数量个特征向量;
将每个特征向量重排列为w行h列,作为PCA卷积核;
所述PCA计算步骤为:
将特征矩阵归一化处理后,计算协方差矩阵,对协方差矩阵进行特征分解,获得特征值和特征向量,所述特征向量按照特征值的大小排列,根据预设特征值的范围,提取预设数量个特征向量。
2.如权利要求1所述的由全局向局部传递的图像特征提取方法,其特征在于,所述特征向量是按照元素顺序重排列的。
3.如权利要求1所述的由全局向局部传递的图像特征提取方法,其特征在于,还包括:在输入样本输入第一层网络前,归一化输入样本的尺度。
4.一种由全局向局部传递的图像特征提取装置,应用于CNN网络结构的每一层网络中,其特征在于,包括:
卷积核生成模块,将所有输入样本的所有像素特征值排列成一个特征矩阵,对该特征矩阵进行PCA计算,获得预设数量个PCA卷积核;
新样本生成模块,根据每一层网络预设的预设局部卷积核尺寸,在输入样本和每个PCA卷积核的对应位置分别选取预设局部卷积核尺寸的区域,将对应的两个区域进行卷积计算,直至遍历所有的输入样本和所有PCA卷积核,生成新的特征样本;
特征样本输出模块,将新的特征样本作为输入样本输入下一网络层,直至最后一层网络生成最终特征;
所述卷积核生成模块包括:
特征矩阵生成单元,构建特征矩阵,特征矩阵的每一行为当前层网络中一个输入样本的所有像素特征值的排列,形成一个n行,w*h列的矩阵,其中,w为输入样本的高,h为输入样本的宽,n为当前层网络输入样本的数量;
特征向量生成单元,对特征矩阵做PCA计算,获取预设数量个特征向量;
滤波矩阵生成单元,将每个特征向量重排列为w行h列,作为PCA卷积核;
所述特征向量生成单元包括:
矩阵特征分解子单元,将特征矩阵归一化处理后,计算协方差矩阵,对协方差矩阵进行特征分解,获得特征值和特征向量;
特征向量提取子单元,将所述特征向量按照特征值的大小排列,根据预设特征值的范围,提取预设数量个特征向量。
5.如权利要求4所述的由全局向局部传递的图像特征提取装置,其特征在于,所述滤波矩阵生成模块是将每个特征向量按照元素顺序重排列的。
6.如权利要求5所述的由全局向局部传递的图像特征提取装置,其特征在于,还包括:样本处理模块,在输入样本输入第一层网络前,归一化输入样本的尺度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610118048.1A CN105787488B (zh) | 2016-03-02 | 2016-03-02 | 由全局向局部传递的图像特征提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610118048.1A CN105787488B (zh) | 2016-03-02 | 2016-03-02 | 由全局向局部传递的图像特征提取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105787488A CN105787488A (zh) | 2016-07-20 |
CN105787488B true CN105787488B (zh) | 2019-04-30 |
Family
ID=56387747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610118048.1A Active CN105787488B (zh) | 2016-03-02 | 2016-03-02 | 由全局向局部传递的图像特征提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105787488B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108268815B (zh) * | 2016-12-30 | 2020-12-25 | 北京旷视科技有限公司 | 图像场景理解的方法及装置 |
CN108629264B (zh) * | 2017-03-18 | 2022-09-27 | 上海荆虹电子科技有限公司 | 用于图像处理的方法和装置 |
CN109426831B (zh) * | 2017-08-30 | 2022-12-13 | 腾讯科技(深圳)有限公司 | 图片相似匹配及模型训练的方法、装置及计算机设备 |
CN109543139B (zh) | 2017-09-22 | 2021-09-17 | 杭州海康威视数字技术股份有限公司 | 卷积运算方法、装置、计算机设备及计算机可读存储介质 |
EP3499415A1 (en) * | 2017-12-14 | 2019-06-19 | Axis AB | Method and image processing entity for applying a convolutional neural network to an image |
CN110222598B (zh) * | 2019-05-21 | 2022-09-27 | 平安科技(深圳)有限公司 | 一种视频行为识别方法、装置、存储介质和服务器 |
CN111160111B (zh) * | 2019-12-09 | 2021-04-30 | 电子科技大学 | 一种基于深度学习的人体关键点检测方法 |
CN111160570A (zh) * | 2019-12-31 | 2020-05-15 | 山东浪潮人工智能研究院有限公司 | 用于预测性维护的基于卷积算子的特征构造方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104517122A (zh) * | 2014-12-12 | 2015-04-15 | 浙江大学 | 一种基于优化卷积架构的图像目标识别方法 |
CN104573729A (zh) * | 2015-01-23 | 2015-04-29 | 东南大学 | 一种基于核主成分分析网络的图像分类方法 |
CN104751162A (zh) * | 2015-04-03 | 2015-07-01 | 哈尔滨工业大学 | 基于卷积神经网络的高光谱遥感数据特征提取方法 |
CN105138993A (zh) * | 2015-08-31 | 2015-12-09 | 小米科技有限责任公司 | 建立人脸识别模型的方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130064423A1 (en) * | 2011-09-09 | 2013-03-14 | Sony Corporation | Feature extraction and processing from signals of sensor arrays |
-
2016
- 2016-03-02 CN CN201610118048.1A patent/CN105787488B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104517122A (zh) * | 2014-12-12 | 2015-04-15 | 浙江大学 | 一种基于优化卷积架构的图像目标识别方法 |
CN104573729A (zh) * | 2015-01-23 | 2015-04-29 | 东南大学 | 一种基于核主成分分析网络的图像分类方法 |
CN104751162A (zh) * | 2015-04-03 | 2015-07-01 | 哈尔滨工业大学 | 基于卷积神经网络的高光谱遥感数据特征提取方法 |
CN105138993A (zh) * | 2015-08-31 | 2015-12-09 | 小米科技有限责任公司 | 建立人脸识别模型的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105787488A (zh) | 2016-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105787488B (zh) | 由全局向局部传递的图像特征提取方法及装置 | |
CN106796716B (zh) | 用于为低分辨率图像提供超分辨率的设备和方法 | |
CN104573731B (zh) | 基于卷积神经网络的快速目标检测方法 | |
CN101692224B (zh) | 融合空间关系语义的高分辨率遥感图像检索方法 | |
CN107316058A (zh) | 通过提高目标分类和定位准确度改善目标检测性能的方法 | |
CN107909015A (zh) | 基于卷积神经网络及空谱信息融合的高光谱图像分类方法 | |
CN108319957A (zh) | 一种基于超点图的大规模点云语义分割方法 | |
CN107330364A (zh) | 一种基于cGAN网络的人群计数方法及*** | |
CN106909887A (zh) | 一种基于cnn和svm的动作识别方法 | |
CN107220277A (zh) | 基于手绘草图的图像检索算法 | |
CN110033440A (zh) | 基于卷积神经网络与特征融合的生物细胞计数方法 | |
CN111738344A (zh) | 一种基于多尺度融合的快速目标检测方法 | |
CN105550678A (zh) | 基于全局显著边缘区域的人体动作特征提取方法 | |
CN105160310A (zh) | 基于3d卷积神经网络的人体行为识别方法 | |
CN105894045A (zh) | 一种基于空间金字塔池化的深度网络模型的车型识别方法 | |
CN103761295B (zh) | 基于图片自动分类的艺术类图片的定制化特征量提取方法 | |
CN109711422A (zh) | 图像数据处理、模型的建立方法、装置、计算机设备和存储介质 | |
CN109711401A (zh) | 一种基于Faster Rcnn的自然场景图像中的文本检测方法 | |
CN109558902A (zh) | 一种快速目标检测方法 | |
CN110427821A (zh) | 一种基于轻量级卷积神经网络的人脸检测方法及*** | |
CN109325513B (zh) | 一种基于海量单类单幅图像的图像分类网络训练方法 | |
CN109635811A (zh) | 空间植物的图像分析方法 | |
CN107767416A (zh) | 一种低分辨率图像中行人朝向的识别方法 | |
CN107025444A (zh) | 分块协同表示嵌入核稀疏表示遮挡人脸识别方法和装置 | |
CN109146925A (zh) | 一种动态场景下显著性目标检测方法 |
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 |