CN106228185B - 一种基于神经网络的通用图像分类识别***及方法 - Google Patents
一种基于神经网络的通用图像分类识别***及方法 Download PDFInfo
- Publication number
- CN106228185B CN106228185B CN201610571220.9A CN201610571220A CN106228185B CN 106228185 B CN106228185 B CN 106228185B CN 201610571220 A CN201610571220 A CN 201610571220A CN 106228185 B CN106228185 B CN 106228185B
- Authority
- CN
- China
- Prior art keywords
- parameter
- neural network
- feature
- image
- algorithm
- 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.)
- Expired - Fee Related
Links
Images
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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于神经网络的通用图像分类识别方法及***,该***包括参数采集模块,专家***数据库,算法生成模块和参数调节模块,通过基于专家***数据库中内置的神经网络设计模板,根据用户的具体应用,自动产生合适的神经网络类型和对应的一整套算法,再通过学习和检验,来自动探索参数空间,并调整参数来获得最佳的成果。本发明可以大大降低神经网络的设计难度,用户不需要很复杂的专业背景,就可以直接使用。
Description
技术领域
本发明涉及模式识别,特别涉及一种基于神经网络的通用图像分类识别***及方法。
背景技术
图像目标识别(Image Classification)一直是计算机视觉领域的一个核心课题,图像识别技术经过60年多来的发展,基于神经网络的方法在图像识别领域已经发展到了一个崭新的高度。然而,训练模型依然需要很多人工的干预,尤其是像CNN这种复杂的***,如何选择合适的特征,如何设计卷积核,如何设计特征聚合,隐藏层里到底需要多少计算层,很多时候还是基于经验。而且基于神经网络,尤其是深度神经网络,在设计和使用上还是很复杂的,需要很强的专业知识,需要研究人员具有较高的专业水平,不利于技术普及。
发明内容
针对现有技术的问题,本发明提出一种基于神经网络的通用图像分类识别***及方法,基于内置的神经网络设计模板,根据用户的具体应用,自动产生合适的神经网络类型和对应的一整套算法,再通过学习和检验,来自动探索参数空间,并调整参数来获得最佳的成果。本发明可以大大降低神经网络的设计难度,用户不需要很复杂的专业背景,就可以直接使用。
本发明为解决上述技术问题所采用的技术方案是:
一种基于神经网络的通用图像分类识别***,包括参数采集模块,专家***数据库,算法生成模块和参数调节模块。
参数采集模块用于采集目标问题的问题参数,***通过参数采集模块采集到的问题参数来确定图像识别的问题规模和复杂程度;采集的问题参数包括:图像识别的类别数量、样本图像的数量、样本图像的规格尺寸、是否为摄像影像以及采用监督法或者非监督法;图像识别的问题规模主要指分类的类别和学习的训练数据量;所述复杂程度是指进行图像识别所需要的特征种类。
专家***数据库是根据长期追踪最新的图像识别算法的成果并融合在车辆识别,车牌识别,人脸识别等领域积累的技术,建立的一个专门针对神经网络的专家数据库。它根据一些典型图像识别问题,存储了多种神经网络结构,特征提取方法以及聚类方法等。问题参数采集的数据输入到专家***数据库,***会自动选择符合条件的神经网络结构,特征提取方法和聚类方法。举个具体的例子,手写数字识别问题,只需要识别0到9一共十个数字,只需要10个输入神经元,问题规模较小,***会选择采用反向传递(BackwardPropagation)的单一隐藏层的神经网络。
算法生成模块根据***选择的神经网络结构、特征提取方法及聚类方法生成适用于处理目标问题的神经网络算法模型,同时根据问题规模确定算法深度;用户如果对算法模型不满意,可以自行调整算法模型。算法模型确定之后,就可以开始学习训练数据,并计算模型中的参数。
参数调节模块根据参数采集模块采集到的问题参数的性质初步建立神经网络算法模型的关键参数的搜索范围,并根据***训练及测试结果,进一步调整关键参数的变换范围,找出正确分类的最佳参数组合和范围,以期在新数据上获得较为稳定和正确的分类结果。关键参数就是那些对分类结果有直接影响的参数。
本模块的核心思想是把参数视为一个随机变量,其取值范围是有一定的统计意义的。通过训练数据来找出所有参数的一个变化范围,然后再通过测试数据进一步调整这些参数范围,以期获得较为稳定和正确的分类结果。这样做的目的是把靠经验试出来的参数范围,通过训练,测试的步骤找出最优的参数组合。这可以大大提高优化神经网络训练的速度。
一种基于神经网络的通用图像分类识别方法,包括以下步骤:
步骤1,用户根据图像识别的目标问题,通过参数采集模块向***输入具体的问题参数;
步骤2,***根据上述问题参数从专家***数据库中选取相应的神经网络结构、特征提取方法和特征聚类方法,初步建立用于分析目标问题的神经网络算法模型,并自动确定算法深度;
步骤3,学习训练数据,通过图像输入到分类信息的映射关系,确定神经网络算法模型中的一系列算法参数;
步骤4,根据输入的问题参数的性质,建立算法模型中算法参数的搜索范围,包括神经网络的深度,卷积核的大小,特征提取的参数;
步骤5,用测试数据对神经网络算法模型进行测试,测试中需要用到所有关键参数变化范围内的参数,并找出最佳的参数组合范围。在分类结果正确的前提下,保留参数组合及其变化范围。
本发明的有益效果是:可以根据用户的具体应用,基于专家***中所保存的类似问题的神经网络模型,自动产生合适的神经网络类型和对应的一整套算法,再通过学习和检验,来自动探索参数空间,并调整参数来获得最佳的成果,减少人工干预。本***可以大大降低神经网络的设计难度,用户不需要很复杂的专业背景,就可以直接使用。
附图说明
图1为本发明提供的一种基于神经网络的通用图像识别***结构框图
图2为本发明一种基于神经网络的通用图像识别方法流程图
具体实施方式
下面结合附图及实施例对本发明作进一步说明。
如图1所示,本发明提供了一种基于神经网络的通用图像分类识别***,包括参数采集模块,专家***数据库,算法生成模块和参数调节模块。参数采集模块用于采集目标问题的问题参数,***通过参数采集模块采集到的问题参数来确定图像识别的问题规模和复杂程度;采集的问题参数包括:图像识别的类别数量、样本图像的数量、样本图像的规格尺寸、是否为摄像影像以及采用监督法或者非监督法;图像识别的问题规模主要指分类的类别和学习的训练数据量;所述复杂程度是指进行图像识别所需要的特征种类。
专家***数据库是根据长期追踪最新的图像识别算法的成果并融合在车辆识别,车牌识别,人脸识别等领域积累的技术,建立的一个专门针对神经网络的专家数据库。它根据一些典型图像识别问题,存储了多种神经网络结构,特征提取方法以及聚类方法等。问题参数采集的数据输入到专家***数据库,***会自动选择符合条件的神经网络结构,特征提取方法和聚类方法。举个具体的例子,手写数字识别问题,只需要识别0到9一共十个数字,只需要10个输入神经元,问题规模较小,***会选择采用反向传递(BackwardPropagation)的单一隐藏层的神经网络。
算法生成模块根据***选择的神经网络结构、特征提取方法及聚类方法生成适用于处理目标问题的神经网络算法模型,同时根据问题规模确定算法深度;用户如果对算法模型不满意,可以自行调整算法模型。算法模型确定之后,就可以开始学习训练数据,并计算模型中的参数。
参数调节模块根据参数采集模块采集到的问题参数的性质初步建立神经网络算法模型的关键参数的搜索范围,并根据***训练及测试结果,进一步调整关键参数的变换范围,找出正确分类的最佳参数组合和范围,以期在新数据上获得较为稳定和正确的分类结果。关键参数就是那些对分类结果比较敏感的参数。
本发明还提供一种基于神经网络的通用图像分类识别方法,如图2所示,包括以下步骤:
步骤1,用户根据图像识别的目标问题,通过参数采集模块向***输入具体的问题参数;
步骤2,***根据上述问题参数从专家***数据库中选取相应的神经网络结构、特征提取方法和特征聚类方法,初步建立用于分析目标问题的神经网络算法模型,并自动确定算法深度;
步骤3,学习训练数据,通过图像输入到分类信息的映射关系,确定神经网络算法模型中的一系列算法参数;
步骤4,根据输入的问题参数的性质,建立算法模型中算法参数的搜索范围,包括神经网络的深度,卷积核的大小,特征提取的参数;
步骤5,用测试数据对神经网络算法模型进行测试,测试中需要用到所有关键参数变化范围内的参数,并找出最佳的参数组合范围。在分类结果正确的前提下,保留参数组合及其变化范围。
下面以轿车识别的具体案例对本发明做进一步说明:
本案例中的轿车识别是通过学习一段拍摄了各种轿车的影像,通过监督法训练模型理解轿车在图像中的规律,然后从新的图像中识别出轿车。
首先,对影像资料中标记车的轮廓范围,然后提取这个车图像,把所有的车图像都规划到统一的大小,比如64像素乘64像素。
由于学习的影像数据量较大,采用卷积神经网络的模板,建立一个隐藏层包含6层的CNN。这里选择6层是基于该专家***中已经包括了一个类似的识别应用,即影像中的行人识别。这6层依次是卷积层1(提取特征),池化层2(聚类特征),卷积层3,池化层4,全连接层5和分类层6。
接下来,就是通过学习训练数据来建立车辆特征和分类信息的映射关系。也就是通过学习这段影像,让模型学习到这种车在影像上的规律。具体来说,车图像输入到卷积层1,对其进行大小为7X7像素卷积核和步长为1像素的卷积操作,采用16个不同的卷积核(特征),获得16张58X58像素大小的特征图。把这些特征图输入到池化层2,对其做最大池化操作,采用池化核为2X2像素,步长为1个像素。这个步骤就是对特征做进一步的聚合,即原先的4个像素合并为1个像素,并取最大特征值像素,得到16张29X29像素大小的特征图。然后,输入到卷积层3,采用7X7像素卷积核和步长为1像素的卷积操作,总共用到32个卷积核,这样就得到了32张23X23像素的特征图。输入到池化层4,采用2X2像素池化核和步长1的像素,得到32张11X11像素的特征图。输入到全连接层,并向量化为3872维特征向量。将这个特征向量输入到分类层。分类层采用SoftMax分类函数,输出为该车类型的分类概率。
在监督法下,我们可以认为只要输出概率大于50%,即正确判断。那么我们可以给参数一个变化范围,在本例中的参数主要是卷积核(特征)的种类和大小,池化核的种类和大小。因为池化核的种类和大小是相对固定的,主要是考虑卷积核的种类和大小。卷积核的大小可以考虑使用5X5-13X13的范围。学习测试数据,如果识别的分类正确率在50%以上,则可以保留。同时,构建一个分类结果与参数变化范围的对应关系,从中找出分类正确率较高的参数组合和范围。通过学习训练数据和测试数据,我们就可以获得一个带有参数变化范围的神经网络模型。把新的图像输入到这个带有参数变化范围的神经网络模型中,除了获得分类的概率以外,还可以获得一个对这个概率正确率的估计。这样以来,就提高了分类正确率。整个参数调节的过程都是自动完成。
说明书中未阐述的部分均为现有技术或公知常识。本实施例仅用于说明该发明,而不用于限制本发明的范围,本领域技术人员对于本发明所做的等价置换等修改均认为是落入该发明权利要求书所保护范围内。
Claims (7)
1.一种基于神经网络的通用图像分类识别***,其特征在于:包括参数采集模块,专家***数据库,算法生成模块和参数调节模块;
所述参数采集模块用于采集目标问题的问题参数,***通过参数采集模块采集到的问题参数来确定图像识别的问题规模和复杂程度;
所述专家***数据库用于存储多种神经网络结构、特征提取方法以及聚类方法,***根据参数采集模块采集到的问题参数从专家***数据库选择符合条件的神经网络结构、特征提取方法及聚类方法;
所述算法生成模块根据***选择的神经网络结构、特征提取方法及聚类方法生成适用于处理目标问题的神经网络算法模型,同时根据问题规模确定算法深度;
所述参数调节模块根据参数采集模块采集到的问题参数的性质初步确定神经网络算法模型的一系列算法参数,并对关键参数设定变化范围,并根据***训练及测试结果,进一步调整关键参数的变化范围,找出正确分类的最佳参数组合和范围,以期在新数据上获得较为稳定和正确的分类结果;所述关键参数指对分类的结果有直接影响的参数。
2.根据权利要求1所述的一种基于神经网络的通用图像分类识别***,其特征在于:所述参数采集模块采集的问题参数包括:图像识别的类别数量、样本图像的数量、样本图像的规格尺寸、是否为摄像影像以及采用监督法或者非监督法。
3.根据权利要求1所述的一种基于神经网络的通用图像分类识别***,其特征在于:所述图像识别的问题规模主要指分类的类别和学习的训练数据量;所述复杂程度是指进行图像识别所需要的特征种类。
4.根据权利要求1所述的一种基于神经网络的通用图像分类识别***,其特征在于:所述专家***数据库中存储的神经网络结构包括:
(1)基于BP的神经网络,用于小规模的图像识别问题;
(2)基于DBN的神经网络,用于中等规模的图像识别问题;
(3)基于CNN的神经网络,用于问题规模大的图像识别问题;
(4)基于RNN的神经网络,用于时间序列上的图像识别问题。
5.根据权利要求3所述的一种基于神经网络的通用图像分类识别***,其特征在于:所述专家***数据库中存储的特征提取的方法包括:局部特征点描述向量、局部线特征、局部面特征、轮廓特征、区域彩色特征直方图和频率域特征中的一种或者多种。
6.根据权利要求4所述的一种基于神经网络的通用图像分类识别***,其特征在于:所述专家***数据库中存储的特征聚类的方法包括:特征向量的区域直方图和特征向量的统计值。
7.一种基于神经网络的通用图像分类识别方法,其特征在于:包括以下步骤:
步骤1,用户根据图像识别的目标问题,通过参数采集模块向***输入具体的问题参数;
步骤2,***根据上述问题参数从专家***数据库中选取相应的神经网络结构、特征提取方法和特征聚类方法,初步建立用于分析目标问题的神经网络算法模型,并自动确定算法深度;
步骤3,学习训练数据,通过图像输入到分类信息的映射关系,确定神经网络算法模型中的一系列算法参数;
步骤4,根据输入的问题参数的性质,建立算法模型中算法参数的搜索范围,包括神经网络的深度,卷积核的大小,特征提取的参数;
步骤5,用测试数据对神经网络算法模型进行测试,测试中需要用到所有关键参数变化范围内的参数,并找出最佳的参数组合范围,在分类结果正确的前提下,保留参数组合及其变化范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610571220.9A CN106228185B (zh) | 2016-07-20 | 2016-07-20 | 一种基于神经网络的通用图像分类识别***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610571220.9A CN106228185B (zh) | 2016-07-20 | 2016-07-20 | 一种基于神经网络的通用图像分类识别***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106228185A CN106228185A (zh) | 2016-12-14 |
CN106228185B true CN106228185B (zh) | 2019-10-15 |
Family
ID=57532063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610571220.9A Expired - Fee Related CN106228185B (zh) | 2016-07-20 | 2016-07-20 | 一种基于神经网络的通用图像分类识别***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106228185B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108133223B (zh) * | 2016-12-01 | 2020-06-26 | 富士通株式会社 | 确定卷积神经网络cnn模型的装置和方法 |
CN108734184B (zh) * | 2017-04-17 | 2022-06-07 | 苏宁易购集团股份有限公司 | 一种对敏感图像进行分析的方法及装置 |
EP3596663B1 (en) * | 2017-05-19 | 2024-06-12 | Deepmind Technologies Limited | Neural network system |
WO2018224437A1 (en) * | 2017-06-05 | 2018-12-13 | Siemens Aktiengesellschaft | Method and apparatus for analysing an image |
CN108304936B (zh) * | 2017-07-12 | 2021-11-16 | 腾讯科技(深圳)有限公司 | 机器学习模型训练方法和装置、表情图像分类方法和装置 |
CN113536019A (zh) * | 2017-09-27 | 2021-10-22 | 深圳市商汤科技有限公司 | 一种图像检索方法、装置及计算机可读存储介质 |
DE102017219282A1 (de) * | 2017-10-26 | 2019-05-02 | Albert-Ludwigs-Universität Freiburg | Verfahren und Vorrichtung zum automatischen Erzeugen eines künstlichen neuronalen Netzes |
CN107679525B (zh) * | 2017-11-01 | 2022-11-29 | 腾讯科技(深圳)有限公司 | 图像分类方法、装置及计算机可读存储介质 |
CN108189043B (zh) * | 2018-01-10 | 2021-03-30 | 北京飞鸿云际科技有限公司 | 一种应用于高铁机房的巡检方法及巡检机器人*** |
CN108345661B (zh) * | 2018-01-31 | 2020-04-28 | 华南理工大学 | 一种基于大规模Embedding技术的Wi-Fi聚类方法及*** |
CN108256633B (zh) * | 2018-02-06 | 2021-05-25 | 苏州体素信息科技有限公司 | 一种测试深度神经网络稳定性的方法 |
TWI657346B (zh) * | 2018-02-14 | 2019-04-21 | 倍加科技股份有限公司 | 資料減量及建立資料識別模型的方法、電腦系統及電腦可讀取的記錄媒體 |
CN109658706A (zh) * | 2018-12-18 | 2019-04-19 | 深圳市捷顺科技实业股份有限公司 | 一种车辆数据处理方法及相关设备 |
CN109726818B (zh) * | 2018-12-29 | 2021-08-17 | 北京航天数据股份有限公司 | 一种模型编辑方法、装置、设备和介质 |
CN109710819A (zh) * | 2018-12-29 | 2019-05-03 | 北京航天数据股份有限公司 | 一种模型展示方法、装置、设备和介质 |
CN109886206B (zh) * | 2019-02-21 | 2021-09-14 | 电子科技大学中山学院 | 一种三维物体识别方法及设备 |
US11055540B2 (en) * | 2019-06-28 | 2021-07-06 | Baidu Usa Llc | Method for determining anchor boxes for training neural network object detection models for autonomous driving |
CN110456955B (zh) * | 2019-08-01 | 2022-03-29 | 腾讯科技(深圳)有限公司 | 暴露服饰检测方法、装置、***、设备及存储介质 |
CN111368909B (zh) * | 2020-03-03 | 2021-05-11 | 温州大学 | 一种基于卷积神经网络深度特征的车标识别方法 |
CN116151352B (zh) * | 2023-04-13 | 2024-06-04 | 中浙信科技咨询有限公司 | 基于大脑信息通路整合机制的卷积循环神经网络诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0646878A1 (en) * | 1993-09-30 | 1995-04-05 | Motorola, Inc. | Method for converting an existing expert system into one utilizing one or more neural networks |
CN101976373A (zh) * | 2010-11-02 | 2011-02-16 | 上海电机学院 | 基于高维空间分类器的神经网络结构设计方法 |
CN102332162A (zh) * | 2011-09-19 | 2012-01-25 | 西安百利信息科技有限公司 | 基于人工神经网络的医学图像兴趣区自动识别和分级压缩方法 |
CN102393908A (zh) * | 2011-06-29 | 2012-03-28 | 湖南大学 | 混合生产线上的基于机器视觉检测的三种瓶体识别方法 |
CN103559542A (zh) * | 2013-10-31 | 2014-02-05 | 华北水利水电大学 | 基于先验知识的可拓神经网络模式识别方法 |
-
2016
- 2016-07-20 CN CN201610571220.9A patent/CN106228185B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0646878A1 (en) * | 1993-09-30 | 1995-04-05 | Motorola, Inc. | Method for converting an existing expert system into one utilizing one or more neural networks |
CN101976373A (zh) * | 2010-11-02 | 2011-02-16 | 上海电机学院 | 基于高维空间分类器的神经网络结构设计方法 |
CN102393908A (zh) * | 2011-06-29 | 2012-03-28 | 湖南大学 | 混合生产线上的基于机器视觉检测的三种瓶体识别方法 |
CN102332162A (zh) * | 2011-09-19 | 2012-01-25 | 西安百利信息科技有限公司 | 基于人工神经网络的医学图像兴趣区自动识别和分级压缩方法 |
CN103559542A (zh) * | 2013-10-31 | 2014-02-05 | 华北水利水电大学 | 基于先验知识的可拓神经网络模式识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106228185A (zh) | 2016-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106228185B (zh) | 一种基于神经网络的通用图像分类识别***及方法 | |
CN108615010B (zh) | 基于平行卷积神经网络特征图融合的人脸表情识别方法 | |
CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
CN112215119B (zh) | 一种基于超分辨率重建的小目标识别方法、装置及介质 | |
CN110689043A (zh) | 一种基于多重注意力机制的车辆细粒度识别方法及装置 | |
CN104866868A (zh) | 基于深度神经网络的金属币识别方法和装置 | |
CN105243139A (zh) | 一种基于深度学习的三维模型检索方法及其检索装置 | |
CN111860587B (zh) | 一种用于图片小目标的检测方法 | |
CN112446891A (zh) | 基于U-Net网络脑胶质瘤的医学图像分割方法 | |
CN113032613B (zh) | 一种基于交互注意力卷积神经网络的三维模型检索方法 | |
CN111311702B (zh) | 一种基于BlockGAN的图像生成和识别模块及方法 | |
CN112766283B (zh) | 一种基于多尺度卷积网络的两相流流型识别方法 | |
CN111652273A (zh) | 一种基于深度学习的rgb-d图像分类方法 | |
CN114663769B (zh) | 一种基于YOLO v5的水果识别方法 | |
CN114492634B (zh) | 一种细粒度装备图片分类识别方法及*** | |
CN117710841A (zh) | 一种无人机航拍图像的小目标检测方法、装置 | |
CN111127407B (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 | |
CN117237599A (zh) | 图像目标检测方法及装置 | |
CN117312594A (zh) | 一种融合双尺度特征的草图化机械零件库检索方法 | |
CN117036897A (zh) | 一种基于Meta RCNN的少样本目标检测方法 | |
CN116229330A (zh) | 一种视频有效帧的确定方法、***、电子设备及存储介质 | |
CN116597275A (zh) | 一种基于数据增强的高速移动目标识别方法 | |
CN114387524B (zh) | 基于多层级二阶表征的小样本学习的图像识别方法和*** | |
CN113920391B (zh) | 一种基于生成尺度自适应真值图的目标计数方法 | |
CN113657438B (zh) | 一种热红外模式下vgg神经网络的排水管道病害检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20191015 Termination date: 20210720 |
|
CF01 | Termination of patent right due to non-payment of annual fee |