CN106682730A - 基于vgg16图像反卷积的网络性能评估方法 - Google Patents
基于vgg16图像反卷积的网络性能评估方法 Download PDFInfo
- Publication number
- CN106682730A CN106682730A CN201710014706.7A CN201710014706A CN106682730A CN 106682730 A CN106682730 A CN 106682730A CN 201710014706 A CN201710014706 A CN 201710014706A CN 106682730 A CN106682730 A CN 106682730A
- Authority
- CN
- China
- Prior art keywords
- network
- vgg16
- image
- deconvolution
- files
- 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
Classifications
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于反卷积的网络性能评估方法,主要解决现有技术不能够对深度卷积神经网络的性能进行直观形象评估的问题。其实现方案是:1.下载VGG16原始网络模型,对该原始网络进行微调得到微调后的网络,将这两个网络作为待评估网络;2.通过比较两个待评估网络“conv5_3”层特征可视化图像的稀疏程度及对应反卷积后图像对物体显著性特征提取能力的强弱,完成对网络的初评估;3.通过比较两个待评估网络“conv5_3”层特征可视化图像的系数衰减图,完成对待评估网络的最终评估。本发明能更加直观地看到网络内部的工作机理,准确评估出网络性能的好坏,可用于对卷积神经网络进行直观形象的评估,以实现对网络的改进。
Description
技术领域
本发明属于图像处理技术领域,主要涉及一种网络性能评估方法,可用于对卷积神经网络进行直观形象的评估。
背景技术
深度学习是近年来人工智能领域的研究热点之一。基于神经网络的思想,深度学习致力于模仿人脑的分布式特征表示,从像素级的原始数据到抽象的语义概念,通过逐层提取信息以实现更有效的特征表达。
近年来,由于大型公共图像数据库,如ImageNet和高性能计算***,如GPU,或大规模分布式集群的出现,使卷积神经网络作为深度学习的重要组成部分,已经在很多领域取得了重大突破诸如目标检测、图像分类、人脸识别等。在图像分类领域,VGG卷积神经网络使用较小的卷积核和较深的网络结构,从而能够有效地提取到图像的显著性特征,在2014年的ImageNet Large-Scale Visual Recognition Challenge(ILSVRC)大赛中VGG卷积神经网络获得了很好的成绩,不仅以很高的准确率完成了ILSVRC大赛分类和定位任务,而且同样适用于其他数据集,例如:VOC-2007\VOC-2012数据集、Caltech-101\Caltech-256数据集,特别是其中16层深的VGG16网络表现出很高的分类能力和很强的可移植性。
目前,人们主要通过比较网络的代价函数损失值和在某个数据集上测试的准确率来评估该网络的性能。然而,对于深度卷积神经网络来说,输入的是一幅图像,输出的只是一个概念性的数值,并不能够直观形象地评估***的好坏。在这种情况下,网络对于大家来说相当于一个“黑匣子”,无法对网络内部框架进行分析,进而做出适当改进以提高网络性能。
发明内容
本发明的目的在于针对上述现有技术的不足,提供一种基于VGG16图像反卷积的网络性能评估方法,以更加直观形象地评估网络性能,使评估结果与人的主观感知之间有较好的相关性和准确性。
本发明的技术思路是:通过比较VGG16的原始网络和微调后网络的反卷积图像,分析其网络性能;通过比较VGG16的原始网络和微调后网络第5_3层卷积层的系数衰减图,进一步分析其网络性能,具体实现步骤包括如下:
1.基于VGG16图像反卷积的网络性能评估方法,包括如下步骤:
1)准备好待评估的两个网络模型及其相关文件:
1a)从官网下载VGG16原始网络模型及其相关文件,
1b)在linux***下搭建caffe平台,用VGG16原始网络模型训练好的权值参数作为初始值,对该网络进行微调,得到微调后的网络模型及其相关文件;
1c)将VGG16原始网络和微调后的网络作为待评估的两个网络;
2)做出两个待评估网络“conv5_3”层的特征可视化图像及其反卷积后的图像:
2a)将VGG16原始网络模型和微调后的网络模型分别通过前向传播过程取出“conv5_3”层的特征可视化图;
2b)将特征可视化图像按照VGG16原始网络和微调后网络框架逆向逐层进行反池化、反整流和反卷积操作,得到VGG16原始网络和微调后的网络的反卷积图像;
2c)对VGG16原始网络的反卷积图像和微调后网络的反卷积图像进行比较,得出这两种网络对小型汽车的显著性特征提取能力强弱,对待评估网络进行一次评估;
3)做出特征可视化图像的系数衰减图:
3a)将2a)中得到的“conv5_3”层特征可视化图像的数据保存为.mat格式的文件;
3b)在MATLAB中画出VGG16原始网络和微调后网络“conv5_3”层特征可视化图像的二维的系数衰减图;
3c)比较3b)中两个系数衰减图的曲线陡峭程度:系数衰减图的曲线陡峭程度越大,则说明待评估网络提取小型汽车显著性特征的能力越强,能够更好地完成对小型汽车的识别分类,即网络性能更好,完成对待评估网络的二次评估。
本发明与现有技术相比具有以下优点:
1.本发明通过比较特征可视化图像及其反卷积后的图像来评估网络,使评估结果与人的主观感知之间具有更好的相关性和准确性,相比以前“黑匣子”式的评估方法,能够更加直观形象地确认网络性能的好坏。
2.本发明通过比较VGG16原始网络与微调后网络“conv5_3”层的系数衰减曲线图中曲线下降的陡峭程度,判断网络对图像显著性特征的抓取能力,提高了网络评估的准确性。
3.本发明通过可视化反卷积后的图像并观察其中物体显著性特征的强弱,更能深刻地理解和认识深度卷积神经网络的内部工作机理,从而可根据要求和实现目的对网络进行改进。
附图说明
图1为本发明的实现流程图;
图2为本发明测试网络性能时所使用的测试图;
图3为本发明反卷积过程所用的VGG16网络结构图;
图4为VGG16原始网络与微调后网络“conv5_3”层的特征可视化图像及其反卷积后的效果图;
图5为VGG16原始网络与微调后网络“conv5_3”层的系数衰减曲线图。
具体实施方式
下面结合附图和实例对本发明进行详细说明。
参照图1,本发明的实现步骤如:
步骤1,准备VGG16原始网络与微调后网络的模型极其相关文件。
1a)在caffe官网下载如下文件:
VGG16原始网络模型VGG_ILSVRC_16_layers.caffemodel,
imagenet数据集,
均值文件ilsvrc_2012_mean.npy,
制作lmdb文件所需的create_imagenet.sh,
制作均值文件所需要的make_imagenet_mean.sh,
训练网络的参数文件solver.prototxt、train_val.prototxt,
测试所需要的文件deploy.prototxt。
1b)在linux***下搭建caffe平台,并用下载得到的文件对网络进行微调:
1b1)从imagenet数据集中挑选1300辆小型汽车及1300辆摩托车,并分别按照11:2的比例将其分为训练集和测试集两部分,第一次新建train_car和train_motor文件夹,将1100张小型汽车和1100张摩托车分别放到新建好的train_car和train_motor文件夹中;第二次新建val_car和val_motor文件夹,将另外的200张小型汽车和200张摩托车分别放到第二次新建好的val_car和val_motor文件夹中;
1b2)第三次新建文件夹train,将train_car和train_motor文件夹中的图像数据合并后作为训练数据集放入到该train文件夹;
1b3)第四次新建文件夹val,将val_car和val_motor文件夹中的图像数据合并后作为测试数据集放入val文件夹;
1b4)将train_car文件夹中的全部图片信息转换成.txt格式并生成train_car.txt文件,再用查找替换方法给其中的图片信息加上标签1;再将train_motor文件夹中的全部图片信息转换成.txt格式并生成train_motor.txt文件,同样用查找替换方法给该文件中的图片信息加上标签0,新建train.txt文件,将train_car.txt和train_motor.txt文件中的图像数据合并到train.txt文件中;
1b5)将val_car文件夹中的全部图片信息转换成.txt格式并生成val_car.txt文件,并用查找替换方法给其中的图片信息加上标签1;再将val_motor文件夹中的全部图片信息转换成.txt格式并生成val_motor.txt文件,同样用查找替换方法给该文件中的图片信息加上标签0,新建val.txt文件,将val_car.tx和val_motor.txt文件中的图像数据合并到新建的val.txt文件夹中;
1b6)对下载的create_imagenet.sh文件中所调用的train、train.txt、val、val.txt四个文件的路径进行修改,在caffe目录下打开终端并执行create_imagenet.sh文件,生成train_lmdb文件与val_lmdb文件;
1b7)对下载的make_imagenet_mean.sh文件中所调用的train_lmdb与val_lmdb两个文件路径进行修改,再执行make_imagenet_mean.sh文件生成二进制均值文件my_mean.binaryproto;
1b8)对下载的训练网络所需文件train_val.prototxt中所调用的lmdb文件和二进制均值文件的路径进行修改,并将最后一层全连接的名称改为fc8t,输出类别改为2类;
1b9)对下载的solver.prototxt文件中调用的train_val.prototxt的路径进行修改,再对该文件中的训练参数进行修改,即把学习率base_lr改为0.0001,最大迭代次数max_iter改为2200次;
1b10)在caffe目录下打开终端,将VGG16网络原始模型参数作为微调网络的初始值,调用1b9)修改后的参数文件solver.prototxt,重新训练VGG16网络,得到微调后网络的模型及其均值文件;
1b11)将下载的测试所需文件deploy.prototxt中最后一层全连接的名称改为fc8t,输出类别改为2类。
步骤2,准备待测试图片。
从1a)下载的imagenet数据集中挑选出一张动物的图片,如图2(a)所示,从1b1)准备的测试集中挑选出一张小型汽车的图片,如图2(b)所示,将图2(a)和图2(b)作为待测试图片。
步骤3,做出VGG16原始网络和微调后网络“conv5_3”层的特征可视化图像及其反卷积后的图像。
3a)在caffe目录下打开jupyter notebook,在jupyter notebook中查找examples目录下的00_classification.ipynb文件并打开,将其中的测试图像换成2(a)所示的待测试图像,调用下载的VGG16原始网络模型及其deploy.prototxt文件和均值文件,进行前向传播过程,之后,执行命令Feat=net.blobs(‘conv5_3’).data[0,:]得到“conv5_3”层的特征可视化图像;如图4(a)所示;
3b)根据如图3所示的VGG16网络结构,将3a)得到的特征可视化图像从“conv5_3”层按照网络结构的逆向顺序逐层进行反池化、反整流、反卷积操作,得到如图4(b)所示反卷积后的图像,其中:
反池化操作:是将前向传播过程中池化层最大值所在位置处填入相应值,其他位置设置为0;
反整流操作:是将要进行反整流的值负数设为0,正数保留;
反卷积操作:是按反卷积公式进行计算,其中l成是前向传播过程中卷积层的标号,k是第l层的卷积核个数,c是第l-1层的卷积核个数,Fk,c是第l层的卷积核,是将卷积核Fk,c进行上下、左右翻转,LK是该层每个卷积核对应的卷积后图像,是输出结果;
3c)在00_classification.ipynb文件中,将测试图像换为待测试图像图2(b),调用下载的VGG16原始网络模型及其deploy.prototxt文件和均值文件,进行前向传播过程,之后,执行命令Feat=net.blobs(‘conv5_3’).data[0,:]得到特征可视化图4(c),并将其按图3所示网络结构从“conv5_3”层开始逆向逐层进行反池化、反整流、反卷积操作,得到反卷积后图像图4(d);
3d)在00_classification.ipynb文件中,将测试图像换为待测试图像图2(b),调用步骤1b10)中得到的微调后网络模型及其均值文件和步骤1b11)修改后的deploy.prototxt文件,进行前向传播过程,之后,执行命令Feat=net.blobs(‘conv5_3’).data[0,:]得到“conv5_3”层的特征可视化图像如图4(e)所示,并将其按图3所示网络结构从“conv5_3”层开始逆向逐层进行反池化、反整流、反卷积操作,得到反卷积后图像,如图4(f)所示;
3e)通过比较图4中特征可视化图像的稀疏程度及其对应反卷积后图像对物体的显著性特征提取能力强弱,对网络进行一次评估:
3e1)比较“conv5_3”层的可视化图像4(a)、4(c)及其对应的反卷积图像4(b)、4(d),可以看出图4(a)比图4(c)更加稀疏,即非零值更少;同时图4(b)比图4(d)中物体的显著性特征更明显,说明VGG16原始网络对动物的特征提取能力更强,通过分析VGG16原始网络的训练集ImageNet,发现其中动物数据比小型汽车多10倍以上,而训练集中每类图像的数量对于该网络学习该类特征有重要的影响,这进一步说明了评估的准确性;
3e2)比较“conv5_3”层的特征可视化图像4(c)、4(e)及其对应的反卷积图像图4(d)、4(f),可看出特征可视化图像图4(e)比图4(c)更加稀疏,同时图4(f)比图4(d)中物体的的显著性特征更加明显且冗余特征更少,这说明微调后的网络对小型汽车具有更强的特征提取能力及分类能力,则评估该网络性能较好,完成对待评估网络的一次评估。
步骤4,做出两个待评估网络“conv5_3”层特征可视化图像的系数衰减图,对待评估网络进行二次评估。
4a)将4c)、4d)中得到的“conv5_3”层特征可视化图像的数据保存为.mat格式的文件;
4b)在MATLAB中,将4a)保存的特征可视化图的数据先整型为一个列向量,再将列向量按从大到小的顺序排列,调用plot函数画出二维的系数衰减图,如图5所示;
4c)比较4b)中系数衰减图的曲线陡峭程度:系数衰减图的曲线陡峭程度越大,则说明待评估网络提取小型汽车显著性特征的能力越强,可以看出微调后网络对小型汽车做出的系数衰减曲线更加陡峭,说明微调后网络能够更好地完成对小型汽车的识别分类,即网络性能更好,完成对待评估网络的二次评估。
图4和图5的结果说明,本发明提出的网络评估方法可以更加直观地看到网络内部的工作机理,能更加直观形象地认识到网络性能的好坏,从而可根据要求和实现目的对网络进行改进,具有较强的实用价值。
Claims (3)
1.基于VGG16图像反卷积的网络性能评估方法,包括如下步骤:
1)准备好待评估的两个网络模型及其相关文件:
1a)从官网下载VGG16原始网络模型及其相关文件,
1b)在linux***下搭建caffe平台,并用下载得到的文件对网络进行微调,得到微调后的网络模型及其相关文件;
1c)将VGG16原始网络和微调后的网络作为待评估的两个网络;
2)做出两个待评估网络“conv5_3”层的特征可视化图像及其反卷积后的图像:
2a)将VGG16原始网络模型和微调后的网络模型分别通过前向传播过程取出“conv5_3”层的特征可视化图;
2b)将特征可视化图像按照VGG16原始网络和微调后网络框架逆向逐层进行反池化、反整流和反卷积操作,得到VGG16原始网络和微调后的网络的反卷积图像;
2c)对VGG16原始网络的反卷积图像和微调后网络的反卷积图像进行比较,得出这两种网络对小型汽车的显著性特征提取能力强弱,对待评估网络进行一次评估;
3)做出特征可视化图像的系数衰减图:
3a)将2a)中得到的“conv5_3”层特征可视化图像的数据保存为.mat格式的文件;
3b)在MATLAB中画出VGG16原始网络和微调后网络“conv5_3”层特征可视化图像的二维的系数衰减图;
3c)比较3b)中系数衰减图的曲线陡峭程度:系数衰减图的曲线陡峭程度越大,则说明待评估网络提取小型汽车显著性特征的能力越强,能够更好地完成对小型汽车的识别分类,即网络性能更好,完成对待评估网络的二次评估。
2.根据权利要求1所述的方法,其中步骤1b)中对VGG16原始网络进行微调,按如下步骤进行:
1b1)从imagenet数据集中挑选出1300辆小型汽车及1300辆摩托车,并分别按照11:2的比例将其分为训练集和测试集两部分,其中训练数据集为1100张小型汽车和1100张摩托车,测试数据集为200张小型汽车和200张摩托车;
1b3)分别做出训练数据集和测试数据集的.txt文件并在.txt文件中加上标签;
1b4)将训练数据集及其相应的.txt文件转换成网络训练所需的lmdb格式文件,同时将测试数据集及其相应的.txt文件转换成网络训练所需的lmdb格式文件,再生成二进制均值文件;
1b5)在训练网络所需文件train_val.prototxt中修改其调用的lmdb文件和二进制均值文件的路径,并将最后一层全连接的名称改为fc8t;在solver.prototxt文件中修改其调用的train_val.prototxt的路径,再对该文件中的训练参数进行修改,即把学习率base_lr改为0.0001,最大迭代次数max_iter改为2200次;
1b6)将VGG16网络原始模型参数作为微调网络的初始值,调用solver.prototxt文件,用修改后的训练参数重新训练网络,得到微调后网络模型和相关文件。
3.根据权利要求1所述的方法,其中步骤2c)中对待评估网络进行一次评估,是通过比较VGG16原始网络与微调后网络对于同一小型汽车输入图像的特征可视化图像及其对应的反卷积图像实现:如果其中某网络的特征可视化图像更加稀疏、反卷积后图像的显著性特征更加明显,且冗余特征更少,则表示该网络最终用于分类的信息更加准确,说明该网络对小型汽车具有更强的特征提取能力及分类能力,则评估该网络性能较好。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710014706.7A CN106682730B (zh) | 2017-01-10 | 2017-01-10 | 基于vgg16图像反卷积的网络性能评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710014706.7A CN106682730B (zh) | 2017-01-10 | 2017-01-10 | 基于vgg16图像反卷积的网络性能评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106682730A true CN106682730A (zh) | 2017-05-17 |
CN106682730B CN106682730B (zh) | 2019-01-08 |
Family
ID=58850480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710014706.7A Active CN106682730B (zh) | 2017-01-10 | 2017-01-10 | 基于vgg16图像反卷积的网络性能评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106682730B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392085A (zh) * | 2017-05-26 | 2017-11-24 | 上海精密计量测试研究所 | 可视化卷积神经网络的方法 |
CN108710906A (zh) * | 2018-05-11 | 2018-10-26 | 北方民族大学 | 基于轻量级网络LightPointNet的实时点云模型分类方法 |
CN110059772A (zh) * | 2019-05-14 | 2019-07-26 | 温州大学 | 基于迁移vgg网络的遥感图像语义分割方法 |
CN110892414A (zh) * | 2017-07-27 | 2020-03-17 | 罗伯特·博世有限公司 | 用于基于分类器的卷积神经网络的视觉分析*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866900A (zh) * | 2015-01-29 | 2015-08-26 | 北京工业大学 | 一种反卷积神经网络训练方法 |
CN105488534A (zh) * | 2015-12-04 | 2016-04-13 | 中国科学院深圳先进技术研究院 | 交通场景深度解析方法、装置及*** |
-
2017
- 2017-01-10 CN CN201710014706.7A patent/CN106682730B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866900A (zh) * | 2015-01-29 | 2015-08-26 | 北京工业大学 | 一种反卷积神经网络训练方法 |
CN105488534A (zh) * | 2015-12-04 | 2016-04-13 | 中国科学院深圳先进技术研究院 | 交通场景深度解析方法、装置及*** |
Non-Patent Citations (2)
Title |
---|
李彦冬: "卷积神经网络研究综述", 《计算机应用》 * |
王茜: "基于深度神经网络的汽车车型识别", 《现代计算机(专业版)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392085A (zh) * | 2017-05-26 | 2017-11-24 | 上海精密计量测试研究所 | 可视化卷积神经网络的方法 |
CN107392085B (zh) * | 2017-05-26 | 2021-07-02 | 上海精密计量测试研究所 | 可视化卷积神经网络的方法 |
CN110892414A (zh) * | 2017-07-27 | 2020-03-17 | 罗伯特·博世有限公司 | 用于基于分类器的卷积神经网络的视觉分析*** |
CN110892414B (zh) * | 2017-07-27 | 2023-08-08 | 罗伯特·博世有限公司 | 用于基于分类器的卷积神经网络的视觉分析*** |
CN108710906A (zh) * | 2018-05-11 | 2018-10-26 | 北方民族大学 | 基于轻量级网络LightPointNet的实时点云模型分类方法 |
CN108710906B (zh) * | 2018-05-11 | 2022-02-11 | 北方民族大学 | 基于轻量级网络LightPointNet的实时点云模型分类方法 |
CN110059772A (zh) * | 2019-05-14 | 2019-07-26 | 温州大学 | 基于迁移vgg网络的遥感图像语义分割方法 |
CN110059772B (zh) * | 2019-05-14 | 2021-04-30 | 温州大学 | 基于多尺度解码网络的遥感图像语义分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106682730B (zh) | 2019-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Unsupervised learning of edges | |
CN109614979B (zh) | 一种基于选择与生成的数据增广方法及图像分类方法 | |
Liang | Image classification based on RESNET | |
CN106845529A (zh) | 基于多视野卷积神经网络的影像特征识别方法 | |
CN102750385B (zh) | 基于标签检索的相关性—质量排序图像检索方法 | |
CN108764471A (zh) | 基于特征冗余分析的神经网络跨层剪枝方法 | |
CN106682730A (zh) | 基于vgg16图像反卷积的网络性能评估方法 | |
Agarwal et al. | Content based image retrieval using color edge detection and discrete wavelet transform | |
US20180129658A1 (en) | Color sketch image searching | |
CN106570521B (zh) | 多语言场景字符识别方法及识别*** | |
CN108921092B (zh) | 一种基于卷积神经网络模型二次集成的黑色素瘤分类方法 | |
CN105139028A (zh) | 基于分层稀疏滤波卷积神经网络的sar图像分类方法 | |
CN108121975A (zh) | 一种联合原始数据和生成数据的人脸识别方法 | |
CN106503729A (zh) | 一种基于顶层权值的图像卷积特征的生成方法 | |
CN113688894B (zh) | 一种融合多粒度特征的细粒度图像分类方法 | |
CN109190579B (zh) | 一种基于对偶学习的生成式对抗网络sigan的签名笔迹鉴定方法 | |
CN111325165A (zh) | 考虑空间关系信息的城市遥感影像场景分类方法 | |
CN110503613A (zh) | 基于级联空洞卷积神经网络的面向单幅图像去雨方法 | |
CN108062421A (zh) | 一种大规模图片多尺度语义检索方法 | |
CN108764084A (zh) | 基于空域分类网络和时域分类网络融合的视频分类方法 | |
CN110399846A (zh) | 一种基于多通道肌电信号相关性的手势识别方法 | |
CN111222564B (zh) | 基于图像通道相关性的图像鉴别***、方法、装置 | |
CN111339935A (zh) | 一种基于可解释cnn图像分类模型的光学遥感图片分类方法 | |
CN108898092A (zh) | 基于全卷积神经网络的多光谱遥感影像路网提取方法 | |
Kam et al. | Content based image retrieval through object extraction and querying |
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 |