CN106650820B - 一种手写电气元器件符号与标准电气元器件符号的匹配识别方法 - Google Patents
一种手写电气元器件符号与标准电气元器件符号的匹配识别方法 Download PDFInfo
- Publication number
- CN106650820B CN106650820B CN201611255901.0A CN201611255901A CN106650820B CN 106650820 B CN106650820 B CN 106650820B CN 201611255901 A CN201611255901 A CN 201611255901A CN 106650820 B CN106650820 B CN 106650820B
- Authority
- CN
- China
- Prior art keywords
- component symbol
- handwritten
- electrical component
- electric component
- standard
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Character Discrimination (AREA)
Abstract
一种手写电气元器件符号与标准电气元器件符号的匹配识别方法,包括,首先对手写电气元器件符号与标准电气元器件符号进行归一化特征处理,通过自适应字典耦合投影将标准电气元器件符号与手写电气元器件符号两种特征联系起来,并映射到统一的判别子空间中,利用字典学习建立分类模型,以提高手写电气元器件符号的识别精度。相比于已有的电气元器件符号识别方法,本发明对电气元器件符号特征提取和表示是拟采用Sift、Hu不变矩、Gabor和HoG特征表示方法表示单个电气元器件符号的特征,并通过加权的方式对特征进行融合组成具有鲁棒性的新特征;本发明是通过字典学习建立分类模型,从而来提高整个***的分类性能。
Description
技术领域
本发明涉及一种手写电气元器件符号与标准电气元器件符号的匹配识别方法,属于图像识别以及电气自动化的技术领域。
技术背景
电力工程图纸是电气工程人员进行后期的生产制造的重要依据,同时也是电子设计人员进行信息交互的媒介。传统的电力工程图纸主要依靠手画完成设计任务,当设计人员对设计错误进行修改的时候会带来非常大的工作量,造成了电力工程图设计效率低,周期长的问题,同时不能利用现有图纸的信息,在一定程度上也造成了资源浪费。近年来,随着计算机技术的发展,CAD技术的出现在一定程度上缓解了电力工程图设计效率低周期长的问题,巧妙地利用计算机帮助设计人员完成设计计算分析等繁重的工作。
随着CAD技术的推广应用,如何将现有图纸信息快速准确的输入到计算机,实现CAD的智能化是现在CAD领域研究的重点,CAD技术虽然在一定程度上减轻了设计人员计算分析的工作,但是CAD主要采用人机交互式的方式,前期仍然需要耗费大量的人力将图纸信息输入到计算机当中,对原有的图纸进行再次绘制,这在一定程度上造成了图纸资源的浪费,工作效率低等问题。针对这一问题电力工程图的自动识别技术就应运而生。电力工程图自动识别的基础是实现电气元器件符号的自动识别,但是传统的电气元器件符号识别没有考虑将同一电气元器件符号的AutoCAD标准电气元器件符号和手写电气元器件符号构建合理联系,在一定程度上造成了识别率低的问题。
发明内容
针对现有技术的不足,本发明提供一种手写电气元器件符号与标准电气元器件符号的匹配识别方法。
本发明概述:
一种手写电气元器件符号与标准电气元器件符号的匹配识别方法,包括,首先对手写电气元器件符号与标准电气元器件符号进行归一化特征处理,通过自适应字典耦合投影将标准电气元器件符号与手写电气元器件符号两种特征联系起来,并映射到统一的判别子空间中,利用字典学习建立分类模型,以提高手写电气元器件符号的识别精度。
本发明的技术方案如下:
一种手写电气元器件符号与标准电气元器件符号的匹配识别方法,包括字典学习阶段和测试阶段;
所述字典学习阶段包括如下步骤:
1)将手写电气元器件符号和标准电气元器件符号进行特征提取,并对特征进行归一化处理;
2)对手写电气元器件符号与标准电气元器件符号进行投影,获取公共子空间;
3)在公共子空间上学习一个自适应字典及其对应的稀疏系数:使在公共子空间中具有最小的重构误差,并且使来自不同域的相同类的样本的稀疏系数具有对应的线性关系;所述来自不同域的相同类的样本是指:例如,手写电气元器件符号中的电流表和标准电气元器件符号中的电流表就是属于相同类的样本;
所述测试阶段包括如下步骤:
4)对于给定待测手写电气元器件符号按照步骤1)相同的方法进行归一化特征提取;
5)经步骤4)处理后的手写电气元器件符号,利用字典学习阶段得到的投影矩阵U进行投影,得到在公共子空间的特征表示;
6)利用步骤3),得到自适应字典,进而得到作为准则的最小重构误差,从而得到待测手写电气元器件符号的稀疏系数;
7)对于步骤6)得到的稀疏系数进行线性变换,得到手写电气元器件符号对应的标准电气元器件符号的稀疏系数;
8)通过基于欧氏距离的最小距离分类器对手写电气元器件符号进行分类识别,得到手写电气元器件符号对应的标准电气元器件符号。
根据本发明优选的,在步骤1)中,所述特征提取、归一化处理的方法是:采用Sift、Hu不变矩、Gabor或HoG特征表示方法表示单个电气元器件符号的特征,并通过加权的方式对特征进行融合,得到:
根据本发明优选的,所述步骤2)、3)的具体过程如下:
首先,学习一个包含k原子的自适应字典D∈Rn×k和标准电气元器件符号的投影矩阵以及手写电气元器件符号的投影矩阵其中n代表标准电气元器件符号与手写电气元器件符号在公共子空间的特征维数,将标准电气元器件符号的归一化特征样本X与手写电气元器件符号的归一化特征样本Y映射到公共子空间中,保证在公共子空间中具有最小的重构误差:最小化下列成本函数
在公式(1)中,分别代表标准电气元器件符号的归一化特征样本X和手写电气元器件符号的归一化特征样本Y对应字典D的稀疏系数,若直接对公式(1)求解最小值,我们会得到平凡解,U1和U2会变为0阵,为了避免这种情况,可以得到有意义的解:在公式(1)的基础上加入一项正则项UiUi T=I(i∈1,2),保证投影矩阵是正交归一的。
来自不同域的相同类的样本,它们对应的稀疏系数具有对应的线性映射关系f(·),即U1=PU2,P为线性映射关系,在公共子空间中,保证对应的投影系数有最小的误差,基于上述要求:最小化下列成本函数:
综上所述,得到最终的目标函数:
根据本发明优选的,采用迭代求解的方法对公式(3)进行求解,将上述问题转换为四个子问题,包括稀疏系数求解,字典更新,投影更新以及线性映射更新。
根据本发明优选的,所述稀疏系数求解,包括:
a.对线性映射关系P以及字典D进行初始化:将线性映射关系P初始化为单位矩阵,字典D选用n×k的随机矩阵,得到求解稀疏系数ZX,ZY的目标函数:
公式(4)是一个Lasso求解问题,许多L1范数优化算法可以有效的解决,例如LARS,FISTA等。
根据本发明优选的,所述对字典进行更新,包括:固定稀疏系数ZX,ZY,字典更新依据下列公式:
由公式(5)可以看出这是一个二次约束二次规划问题,采用拉格朗日乘子法对字典D进行求解。
根据本发明优选的,所述对线性映射进行更新,包括:固定稀疏系数ZX,ZY,字典D以及投影矩阵U1,U2,得到最终的优化目标函数:
公式(6)是一个谱回归问题,直接得到的P最优解为:
P=ZYZX T(ZXZX T+(λ/γp)·I)-1 (7)。
根据本发明优选的,所述对线性投影进行更新,包括:固定稀疏系数ZX,ZY,字典D以及线性映射关系P,得到最终的优化目标函数:
采用拉格朗日乘子法对线性投影进行求解,得到U1,U2的最优解为:
其中ηX,ηY表示的是拉格朗日算子。
根据本发明优选的,步骤8)中通过基于欧氏距离的最小距离分类器进行分类识别,包括步骤如下:
给定标准电气元器件符号给定手写电气元器件符号样本利用字典学习阶段得到的投影矩阵,将标准电气元器件符号样本XG与手写电气元器件符号样本YP投影到公共子空间中,Xg=U1XG,Yp=U2YP,利用学习的字典D计算得到手写电气元器件符号样本对应的稀疏系数:
那么,手写电气元器件符号样本用以下公式进行分类:
本发明的有益效果是:
本发明提供的是一种手写电气元器件符号与标准电气元器件符号的匹配识别方法,相比于已有的电气元器件符号识别方法,对电气元器件符号特征提取和表示是拟采用Sift、Hu不变矩、Gabor和HoG等特征表示方法表示单个电气元器件符号的特征,并通过加权的方式对特征进行融合组成具有鲁棒性的新特征;现有的对电气元器件识别采用的方法多为模板匹配,所采用的分类器也仅仅尝试了神经网络和支持向量机方法,本专利是通过字典学习建立分类模型,从而来提高整个***的分类性能。
附图说明
图1本发明中所述字典学习阶段的流程图;
图2本发明中所述测试阶段的流程图;
图3本发明中所涉及的标准电气元器件符号图;
图4本发明中所涉及的手写电气元器件符号图。
具体实施方式
下面结合实施例和说明书附图对本发明做详细的说明,但不限于此。
如图1-4所示。
实施例1、
一种手写电气元器件符号与标准电气元器件符号的匹配识别方法,包括字典学习阶段和测试阶段;
所述字典学习阶段包括如下步骤:
1)将手写电气元器件符号和标准电气元器件符号进行特征提取,并对特征进行归一化处理;
2)对手写电气元器件符号与标准电气元器件符号进行投影,获取公共子空间;
3)在公共子空间上学习一个自适应字典及其对应的稀疏系数:使在公共子空间中具有最小的重构误差,并且使来自不同域的相同类的样本的稀疏系数具有对应的线性关系;
所述测试阶段包括如下步骤:
4)对于给定待测手写电气元器件符号按照步骤1)相同的方法进行归一化特征提取;
5)经步骤4)处理后的手写电气元器件符号,利用字典学习阶段得到的投影矩阵U进行投影,得到在公共子空间的特征表示;
6)利用步骤3),得到自适应字典,进而得到作为准则的最小重构误差,从而得到待测手写电气元器件符号的稀疏系数;
7)对于步骤6)得到的稀疏系数进行线性变换,得到手写电气元器件符号对应的标准电气元器件符号的稀疏系数;
8)通过基于欧氏距离的最小距离分类器对手写电气元器件符号进行分类识别,得到手写电气元器件符号对应的标准电气元器件符号。
实施例2、
如实施例1所述的一种手写电气元器件符号与标准电气元器件符号的匹配识别方法,其区别在于,在步骤1)中,所述特征提取、归一化处理的方法是:采用Sift、Hu不变矩、Gabor或HoG特征表示方法表示单个电气元器件符号的特征,并通过加权的方式对特征进行融合,得到:
所述步骤2)、3)的具体过程如下:
首先,学习一个包含k原子的自适应字典D∈Rn×k和标准电气元器件符号的投影矩阵以及手写电气元器件符号的投影矩阵其中n代表标准电气元器件符号与手写电气元器件符号在公共子空间的特征维数,将标准电气元器件符号的归一化特征样本X与手写电气元器件符号的归一化特征样本Y映射到公共子空间中,保证在公共子空间中具有最小的重构误差:最小化下列成本函数
在公式(1)中,分别代表标准电气元器件符号的归一化特征样本X和手写电气元器件符号的归一化特征样本Y对应字典D的稀疏系数,在公式(1)的基础上加入一项正则项UiUi T=I(i∈1,2),保证投影矩阵是正交归一的。
来自不同域的相同类的样本,它们对应的稀疏系数具有对应的线性映射关系f(·),即U1=PU2,P为线性映射关系,在公共子空间中,保证对应的投影系数有最小的误差,基于上述要求:最小化下列成本函数:
综上所述,得到最终的目标函数:
采用迭代求解的方法对公式(3)进行求解,包括稀疏系数求解,字典更新,投影更新以及线性映射更新。
所述稀疏系数求解,包括:
a.对线性映射关系P以及字典D进行初始化:将线性映射关系P初始化为单位矩阵,字典D选用n×k的随机矩阵,得到求解稀疏系数ZX,ZY的目标函数:
公式(4)是一个Lasso求解问题,许多L1范数优化算法可以有效的解决,例如LARS,FISTA等。
所述对字典进行更新,包括:固定稀疏系数ZX,ZY,字典更新依据下列公式:
由公式(5)可以看出这是一个二次约束二次规划问题,采用拉格朗日乘子法对字典D进行求解。
所述对线性映射进行更新,包括:固定稀疏系数ZX,ZY,字典D以及投影矩阵U1,U2,得到最终的优化目标函数:
公式(6)是一个谱回归问题,直接得到P的最优解为:
P=ZYZX T(ZXZX T+(λ/γp)·I)-1 (7)。
所述对线性投影进行更新,包括:固定稀疏系数ZX,ZY,字典D以及线性映射关系P,得到最终的优化目标函数:
采用拉格朗日乘子法对线性投影进行求解,得到U1,U2的最优解为:
其中ηX,ηY表示的是拉格朗日算子。
实施例3、
如实施例1、2所述的一种手写电气元器件符号与标准电气元器件符号的匹配识别方法,其区别在于,步骤8)中通过基于欧氏距离的最小距离分类器进行分类识别,包括步骤如下:
给定标准电气元器件符号给定手写电气元器件符号样本利用字典学习阶段得到的投影矩阵,将标准电气元器件符号样本XG与手写电气元器件符号样本YP投影到公共子空间中,Xg=U1XG,Yp=U2YP,利用学习的字典D计算得到手写电气元器件符号样本对应的稀疏系数:
那么,手写电气元器件符号样本用以下公式进行分类:
Claims (9)
1.一种手写电气元器件符号与标准电气元器件符号的匹配识别方法,其特征在于,该方法包括字典学习阶段和测试阶段;
所述字典学习阶段包括如下步骤:
1)将手写电气元器件符号和标准电气元器件符号进行特征提取,并对特征进行归一化处理;
2)对经步骤1)特征提取后和归一化处理后的手写电气元器件符号和标准电气元器件符号进行投影,获取公共子空间;
3)在公共子空间上学习一个自适应字典及其对应的稀疏系数:使在公共子空间中具有最小的重构误差,并且使来自不同域的相同类的样本的稀疏系数具有对应的线性关系;
所述测试阶段包括如下步骤:
4)对于给定待测手写电气元器件符号按照步骤1)相同的方法进行归一化特征提取;
5)经步骤4)处理后的手写电气元器件符号,利用字典学习阶段得到的投影矩阵U进行投影,得到在公共子空间的特征表示;
6)利用步骤3),得到自适应字典,进而得到作为准则的最小重构误差,从而得到待测手写电气元器件符号的稀疏系数;
7)对于步骤6)得到的稀疏系数进行线性变换,得到手写电气元器件符号对应的标准电气元器件符号的稀疏系数;
8)通过基于欧氏距离的最小距离分类器对手写电气元器件符号进行分类识别,得到手写电气元器件符号对应的标准电气元器件符号。
3.根据权利要求1所述的一种手写电气元器件符号与标准电气元器件符号的匹配识别方法,其特征在于,所述步骤2)、3)的具体过程如下:
首先,学习一个包含k原子的自适应字典D∈Rn×k和标准电气元器件符号的投影矩阵以及手写电气元器件符号的投影矩阵其中n代表标准电气元器件符号与手写电气元器件符号在公共子空间的特征维数,将标准电气元器件符号的归一化特征样本X与手写电气元器件符号的归一化特征样本Y映射到公共子空间中,保证在公共子空间中具有最小的重构误差:最小化下列成本函数
在公式(1)中,分别代表标准电气元器件符号的归一化特征样本X和手写电气元器件符号的归一化特征样本Y对应字典D的稀疏系数,对公式(1)中的投影Ui进行正交约束即UiUi T=I,其中i∈1,2,其中U1、U2分别表示标准电气元器件符号的投影矩阵和手写电气元器件符号的投影矩阵;
来自不同域的相同类的样本,它们对应的稀疏系数具有对应的线性映射关系f(·),即U1=PU2,P为线性映射关系,最小化下列成本函数:
综上所述,得到最终的目标函数:
{D*,P*,ZX *,ZY *,U1 *,U2 *}=arg minE1(D,U1,U2,ZX,ZY)+E2(P,ZX,ZY)
s.t UiUi T=I,i∈1,2and
4.根据权利要求3所述的一种手写电气元器件符号与标准电气元器件符号的匹配识别方法,其特征在于,采用迭代求解的方法对公式(3)进行求解,包括稀疏系数求解,字典更新,投影更新以及线性映射更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611255901.0A CN106650820B (zh) | 2016-12-30 | 2016-12-30 | 一种手写电气元器件符号与标准电气元器件符号的匹配识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611255901.0A CN106650820B (zh) | 2016-12-30 | 2016-12-30 | 一种手写电气元器件符号与标准电气元器件符号的匹配识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106650820A CN106650820A (zh) | 2017-05-10 |
CN106650820B true CN106650820B (zh) | 2020-04-24 |
Family
ID=58837659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611255901.0A Expired - Fee Related CN106650820B (zh) | 2016-12-30 | 2016-12-30 | 一种手写电气元器件符号与标准电气元器件符号的匹配识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106650820B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107895064B (zh) * | 2017-10-19 | 2020-01-10 | 上海望友信息科技有限公司 | 元器件极性检测方法、***、计算机可读存储介质及设备 |
CN109409395A (zh) * | 2018-07-29 | 2019-03-01 | 国网上海市电力公司 | 在电力监控中采用模板匹配法识别目标物体区域电气符号的方法 |
CN109376758B (zh) * | 2018-09-07 | 2021-11-30 | 广州算易软件科技有限公司 | 一种基于图形的元器件识别方法、***、装置和存储介质 |
CN110490049A (zh) * | 2019-07-02 | 2019-11-22 | 西安理工大学 | 基于多特征和svm区分人体平衡障碍的方法 |
CN111695265B (zh) * | 2020-06-16 | 2023-06-02 | 宁波弘讯软件开发有限公司 | 一种设备模型构建方法、装置、设备及可读存储介质 |
CN114863464B (zh) * | 2022-07-08 | 2023-04-14 | 山东兆恩信息科技有限公司 | 一种pid图纸图件信息的二阶识别方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329731A (zh) * | 2008-06-06 | 2008-12-24 | 南开大学 | 图像中数学公式的自动识别方法 |
CN102622610A (zh) * | 2012-03-05 | 2012-08-01 | 西安电子科技大学 | 一种基于分类器集成的手写维文字符识别方法 |
CN102982343A (zh) * | 2012-11-12 | 2013-03-20 | 信阳师范学院 | 手写数字识别的增量式模糊支持向量机方法 |
CN103310205A (zh) * | 2013-07-01 | 2013-09-18 | 苏州大学 | 一种手写体数字识别方法及装置 |
CN103310237A (zh) * | 2013-07-09 | 2013-09-18 | 苏州大学 | 手写体数字识别方法及*** |
CN103324923A (zh) * | 2013-07-11 | 2013-09-25 | 上海理工大学 | 基于稀疏表示的手写字符识别方法 |
CN103679207A (zh) * | 2014-01-02 | 2014-03-26 | 苏州大学 | 一种手写体数字识别方法及*** |
CN104504412A (zh) * | 2014-11-28 | 2015-04-08 | 苏州大学 | 一种手写体笔划特征提取和识别方法及*** |
CN104778478A (zh) * | 2015-04-22 | 2015-07-15 | 中国石油大学(华东) | 一种手写数字识别方法 |
CN104899601A (zh) * | 2015-05-29 | 2015-09-09 | 西安电子科技大学宁波信息技术研究院 | 一种手写维吾尔文单词识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7174043B2 (en) * | 2003-02-25 | 2007-02-06 | Evernote Corp. | On-line handwriting recognizer |
-
2016
- 2016-12-30 CN CN201611255901.0A patent/CN106650820B/zh not_active Expired - Fee Related
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329731A (zh) * | 2008-06-06 | 2008-12-24 | 南开大学 | 图像中数学公式的自动识别方法 |
CN102622610A (zh) * | 2012-03-05 | 2012-08-01 | 西安电子科技大学 | 一种基于分类器集成的手写维文字符识别方法 |
CN102982343A (zh) * | 2012-11-12 | 2013-03-20 | 信阳师范学院 | 手写数字识别的增量式模糊支持向量机方法 |
CN103310205A (zh) * | 2013-07-01 | 2013-09-18 | 苏州大学 | 一种手写体数字识别方法及装置 |
CN103310237A (zh) * | 2013-07-09 | 2013-09-18 | 苏州大学 | 手写体数字识别方法及*** |
CN103324923A (zh) * | 2013-07-11 | 2013-09-25 | 上海理工大学 | 基于稀疏表示的手写字符识别方法 |
CN103679207A (zh) * | 2014-01-02 | 2014-03-26 | 苏州大学 | 一种手写体数字识别方法及*** |
CN104504412A (zh) * | 2014-11-28 | 2015-04-08 | 苏州大学 | 一种手写体笔划特征提取和识别方法及*** |
CN104778478A (zh) * | 2015-04-22 | 2015-07-15 | 中国石油大学(华东) | 一种手写数字识别方法 |
CN104899601A (zh) * | 2015-05-29 | 2015-09-09 | 西安电子科技大学宁波信息技术研究院 | 一种手写维吾尔文单词识别方法 |
Non-Patent Citations (3)
Title |
---|
Jin Bin等.《Learning a discriminative dictionary for locality constrained coding and sparserepresentation》.《Fifth International Conference on Computing, Communications and Networking Technologies (ICCCNT)》.2014,第1-6页. * |
Xiwen Qu等.《In-air Handwritten Chinese character recognition using Discriminative Projection based on Locality-sensitive Sparse Representation》.《2016 23rd International Conference on Pattern Recognition (ICPR)》.2016,第1137-1140页. * |
陈浩翔等.《手写数字深度特征学习与识别》.《计算机技术与发展》.2016,第26卷(第7期),第19-23,29页. * |
Also Published As
Publication number | Publication date |
---|---|
CN106650820A (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106650820B (zh) | 一种手写电气元器件符号与标准电气元器件符号的匹配识别方法 | |
CN110414462B (zh) | 一种无监督的跨域行人重识别方法及*** | |
CN108399428B (zh) | 一种基于迹比准则的三元组损失函数设计方法 | |
AU2014344497B2 (en) | Image object category recognition method and device | |
CN107766933B (zh) | 一种解释卷积神经网络的可视化方法 | |
CN106920206B (zh) | 一种基于对抗神经网络的隐写分析方法 | |
CN109697451B (zh) | 相似图像聚类方法及装置、存储介质、电子设备 | |
CN110472652B (zh) | 基于语义引导的少量样本分类方法 | |
CN111914612B (zh) | 一种基于改进的卷积神经网络的施工图图元自适应识别方法 | |
CN112364893B (zh) | 一种基于数据增强的半监督零样本图像分类方法 | |
CN105469063A (zh) | 鲁棒的人脸图像主成分特征提取方法及识别装置 | |
CN116797533B (zh) | 电源适配器的外观缺陷检测方法及其*** | |
Rachala et al. | Hand-drawn electrical circuit recognition using object detection and node recognition | |
CN107403618B (zh) | 基于堆叠基稀疏表示的音频事件分类方法及计算机设备 | |
CN110647897B (zh) | 一种基于多部分注意力机制的零样本图像分类识别方法 | |
Altun et al. | SKETRACK: Stroke‐Based Recognition of Online Hand‐Drawn Sketches of Arrow‐Connected Diagrams and Digital Logic Circuit Diagrams | |
EP4285281A1 (en) | Annotation-efficient image anomaly detection | |
CN109740682B (zh) | 一种基于域转化和生成模型的图像识别方法 | |
Luong et al. | Color image processing based on nonnegative matrix factorization with convolutional neural network | |
CN108229552B (zh) | 一种模型处理方法、装置及存储介质 | |
Sun et al. | Learning from web data: the benefit of unsupervised object localization | |
CN109493249B (zh) | 一种用电数据在多时间尺度上的分析方法 | |
CN108921216B (zh) | 一种图像分类模型的处理方法、装置及存储介质 | |
CN113158878A (zh) | 一种基于子空间的异构迁移故障诊断方法、***和模型 | |
Xiao et al. | Object detection based on contour learning and template matching |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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: 20200424 Termination date: 20211230 |
|
CF01 | Termination of patent right due to non-payment of annual fee |