CN107180426B - 基于可迁移的多模型集成的计算机辅助肺结节分类装置 - Google Patents
基于可迁移的多模型集成的计算机辅助肺结节分类装置 Download PDFInfo
- Publication number
- CN107180426B CN107180426B CN201710418313.2A CN201710418313A CN107180426B CN 107180426 B CN107180426 B CN 107180426B CN 201710418313 A CN201710418313 A CN 201710418313A CN 107180426 B CN107180426 B CN 107180426B
- Authority
- CN
- China
- Prior art keywords
- image
- subblocks
- nodule
- lung
- image subblocks
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于可迁移的多模型集成的计算机辅助肺结节分类装置,用于解决现有肺结节分类准确率差的技术问题。技术方案是训练三个预训练的深度卷积神经网络(Pre‑trained DCNN),分别描述肺结节纹理的异质性、形状的异质性和全局特征,将深度卷积神经网络的结果进行加权平均,每个网络的权重通过误差反向传播机制自适应地进行学习,进而提高肺结节分类的准确率,其中Pre‑trained DCNN将深度卷积神经网络在大数据集上的好的图像表征能力迁移肺结节分类任务上,有效地改善了深度卷积神经网络在小的肺结节数据上训练性能。本发明克服了基于单种信息的分类准确率低的技术问题,准确率达93%。
Description
技术领域
本发明涉及一种肺结节分类装置,特别是涉及一种基于可迁移的多模型集成的计算机辅助肺结节分类装置。
背景技术
传统的基于CT图像的肺结节良性恶性分类技术一般可分为三部分:肺结节分割、特征提取以及肺结节的良性恶性分类。以上方法依赖于肺结节的预分割。目前的很多分割方法都依赖于算法的初始化,如区域生长算法,水平集算法等。不同的初始化会对最终的分割结果产生不同的影响,因此,利用这样的分割结果得到的特征,通常是不准确的。
文献“申请公布号是CN 104700118 A中国发明专利”公开了一种基于卷积神经网络的肺结节良恶性预测方法。该方法从肺结节坐标中获取多尺度肺结节图像块;根据所述多尺度肺结节图像块构造所述多尺度肺结节图像块对应的各个卷积神经网络;根据损失函数利用所述多尺度肺结节图像块训练所述卷积神经网络;利用训练的卷积神经网络提取肺结节的低维特征;利用所述低维特征训练非线性分类器,并预测未知肺结节图像块。
文献所述方法通过利用肺结节原始图像块预测,这样只可以表现肺结节的全局特性,而且对于一个给定的肺结节图像,分类的性能不仅与其全局特征,而且与其形状特征,纹理特征也高度相关,因此会文献所述方法并不能很好地进行肺结节的分类。
发明内容
为了克服现有肺结节分类方法准确率差的不足,本发明提供一种基于可迁移的多模型集成的计算机辅助肺结节分类装置。该装置通过训练三个预训练的深度卷积神经网络(Pre-trained DCNN),分别描述肺结节的纹理的异质性、形状的异质性和全局特征,并且将深度卷积神经网络的结果进行加权平均,每个网络的权重通过误差反向传播机制自适应地进行学习,进而提高肺结节分类装置的准确率,其中Pre-trained DCNN将深度卷积神经网络在大数据集上的好的图像表征能力迁移肺结节分类任务上,可以有效改善深度卷积神经网络在小的肺结节数据上训练性能。
本发明解决其技术问题所采用的技术方案是:一种基于可迁移的多模型集成的计算机辅助肺结节分类装置,其特点是包括以下模块:
图像模块、用于从每一个包含肺结节的CT切片图像中提取包含肺结节的原始图像子块,对该原始图像子块进行预处理,分别产生描述纹理和形状的肺结节图像子块。对原始图像子块进行预处理。一方面,将原始图像子块的非结节区域像素值设置为0,如果结节区域大于16×16,则提取其中的16×16区域,如果结节区域小于16×16,则对结节区域不作处理,生成一系列经过预处理的纹理图像子块。另一方面,将原始图像子块的结节区域像素值设置为255,非结节区域不做处理,生成一系列经过预处理的形状图像子块。使用最邻近插值算法将得到原始图像子块、纹理图像子块和形状图像子块的尺寸统一为200×200。
网络模块、用于构建三个相同的预训练ResNet DCNN模型,并且三个相同的预训练ResNet DCNN模型都在ImageNet大型数据库上进行了初步的训练。在每一个ResNet模型的最后一个全连接层,随机保留两个节点,并且移除其余节点。使用增广后的原始图像子块、纹理图像子块和形状图像子块分别微调这三个ResNet DCNN模型参数。
构建基于误差反向传播的自适应权重学习***,将三个ResNet DCNN模型进行自适应的集成。在该学习***中,定义每一个ResNet DCNN模型的输出向量为Xi=(xi1,xi2)(i=1,2,3),该集成模型最终的输出向量通过公式(1)进行计算:
在公式(1)中,Pk是输入变量被预测为第k类的可能性,ωijk是连接xij和Pk的权重。
集成模型的损失函数通过公式(2)进行计算:
在公式(2)中,y∈{1,2}是输入数据的真实标签。
ωijk是根据误差反向传播机制进行更新,每次迭代时ωijk的改变量根据公式(3)进行计算:
在公式(3)中,η是模型的学习率。
分类模块、用于当分类一个肺结节的CT图像时,首先,同样的从每一个包含肺结节的CT切片图像中提取包含肺结节的原始图像子块,对该原始图像子块进行预处理并产生纹理子块和形状图像子块;接着,将三种类型的图像子块输入相应的已训练好的TMME模型中,得到对该图像子块加权重之后的分类结果。接着,基于多数表决的原则将该测试CT图像归入该图像大多数切片所属的类别。定义Ψ={Ψ1,Ψ2,...,ΨS},当把第i个切片Ψi输入到可迁移多模型集成算法中时,得到一个二维的预测向量H(Ψi)。最后,对每个切片的预测输出进行相加,得到肺结节Ψ的预测输出,如公式(5)所示:
本发明的有益效果是:该装置通过训练三个预训练的深度卷积神经网络(Pre-trained DCNN),分别描述肺结节的纹理的异质性、形状的异质性和全局特征,并且将深度卷积神经网络的结果进行加权平均,每个网络的权重通过误差反向传播机制自适应地进行学习,进而提高肺结节分类的准确率,其中Pre-trained DCNN将深度卷积神经网络在大数据集上的好的图像表征能力迁移肺结节分类任务上,可以有效改善深度卷积神经网络在小的肺结节数据上训练性能。
本发明结合肺结节全局信息、纹理信息和形状信息,取长补短,克服了基于单种信息的分类正确率偏低的问题。同时,使用预训练深度卷积神经网络,较好的克服了图像数量少所导致的深度学习分类算法效果不佳,实现了准确率为93%的肺结节CT图像自动分类。
下面结合具体实施方式对本发明作详细说明。
具体实施方式
本发明基于可迁移的多模型集成的计算机辅助肺结节分类装置具体组成如下:
图像模块、用于数据预处理及数据增广。
由于肺结节是三维空间上的类球体,因此一个完整的肺结节CT图像由多个切片组成。基于此现象,可以将基于CT图像的三维肺结节分类问题转换为二维空间上的分类问题。首先在每一个包含肺结节的二维切片上提取能包含肺结节完整信息的原始(OA)图像子块从而来描述肺结节的全局信息。为了突显肺结节的纹理(HVV)和形状(HS)特性,接下来对OA图像子块进行预处理。一方面,将OA图像子块的非结节区域像素值设置为0,如果结节区域大于16×16,则提取其中的16×16区域使其包含肺结节的像素最多,如果结节区域小于16×16,则对结节区域不作处理,从而生成一系列经过预处理的HVV图像子块。另一方面,将OA图像子块的结节区域像素值设置为255,非结节区域不做处理,从而生成一系列经过预处理的HS图像子块。为了得到大小一致的图像子块,使用最邻近插值算法将得到OA图像子块,HVV图像子块,HS图像子块的尺寸统一调整为200×200。
为了使训练数据具有更加丰富的特性,在此步骤中还利用了数据增广的思想。使用旋转,剪切,翻转和平移四种图像变换装置,每次只选用这四种变换中的一种或几种,使训练数据增广至原来的4倍。
网络模块、用于可迁移多模型集成算法。
在得到这些处理后的数据之后,接下来用这些处理后的数据来构建可迁移多模型集成算法。
首先,构建三个相同的预训练ResNet DCNN模型,每一个ResNet模型都包括50个可学习的层,并且三个模型都已经在ImageNet大型数据库上进行了初步的训练。由于肺结节分类问题是二分类问题,因此在每一个ResNet模型的最后一个全连接层,随机的保留两个节点,并且移除其余的节点。在构建了三个ResNet模型之后,接下来使用增广后的OA图像子块,HVV图像子块,HS图像子块分别微调这三个ResNet模型参数,从而更全面的描述肺结节的全局,纹理和形状特性。
最后构建一套基于误差反向传播的自适应权重学习***将三个模型进行了自适应的集成。在该***中,定义每一个ResNet模型的输出向量为Xi=(xi1,xi2)(i=1,2,3),那么该集成模型最终的输出向量可以通过公式(1)进行计算:
在公式(1)中,Pk是输入变量被预测为第k类的可能性,ωijk是连接xij和Pk的权重。
集成模型的损失函数可以通过公式(2)进行计算:
在公式(2)中,y∈{1,2}是输入数据的真实标签。
ωijk是根据误差反向传播机制进行更新,每次迭代时ωijk的改变量可以根据公式(3)进行计算:
在公式(3)中,η是模型的学习率。
分类模块、用于基于肺结节的分类。
当使用本装置分类一个肺结节的CT图像时,首先,同样的从每一个包含肺结节的CT切片图像中提取刚刚好包含肺结节的原始图像子块,对该原始图像子块进行预处理并产生纹理和形状图像子块;接着,将三种类型的图像子块输入相应的已训练好的TMME模型中,得到对该图像子块加权重之后的分类结果。由于肺结节Ψ是一个由S个切片组成的三维的类球体,因此基于多数表决的原则将该测试CT图像归入该图像大多数切片所属的类别。定义Ψ={Ψ1,Ψ2,...,ΨS},当把第i个切片Ψi输入到可迁移多模型集成算法中时,这时候可以得到一个二维的预测向量H(Ψi)。最后对每个切片的预测输出进行相加,可以得到肺结节Ψ的预测输出,如公式(5)所示:
Claims (1)
1.一种基于可迁移的多模型集成的计算机辅助肺结节分类装置,其特征在于包括以下模块:
图像模块、用于从每一个包含肺结节的CT切片图像中提取包含肺结节的原始图像子块,对该原始图像子块进行预处理,分别产生描述纹理和形状的肺结节图像子块;对原始图像子块进行预处理;一方面,将原始图像子块的非结节区域像素值设置为0,如果结节区域大于16×16,则提取其中的16×16区域,如果结节区域小于16×16,则对结节区域不作处理,生成一系列经过预处理的纹理图像子块;另一方面,将原始图像子块的结节区域像素值设置为255,非结节区域不做处理,生成一系列经过预处理的形状图像子块;使用最邻近插值算法将得到原始图像子块、纹理图像子块和形状图像子块的尺寸统一为200×200;
网络模块、用于构建三个相同的预训练ResNet DCNN模型,并且三个相同的预训练ResNet DCNN模型都在ImageNet大型数据库上进行了初步的训练;在每一个ResNet模型的最后一个全连接层,随机保留两个节点,并且移除其余节点;使用增广后的原始图像子块、纹理图像子块和形状图像子块分别微调这三个ResNet DCNN模型参数;
构建基于误差反向传播的自适应权重学习***,将三个ResNet DCNN模型进行自适应的集成;在该学习***中,定义每一个ResNet DCNN模型的输出向量为Xi=(xi1,xi2)(i=1,2,3),集成模型最终的输出向量通过公式(1)进行计算:
在公式(1)中,Pk是输入变量被预测为第k类的可能性,ωijk是连接xij和Pk的权重;
集成模型的损失函数通过公式(2)进行计算:
在公式(2)中,y∈{1,2}是输入数据的真实标签;
ωijk是根据误差反向传播机制进行更新,每次迭代时ωijk的改变量根据公式(3)进行计算:
在公式(3)中,η是模型的学习率;
分类模块、用于当分类一个肺结节的CT图像时,首先,同样的从每一个包含肺结节的CT切片图像中提取包含肺结节的原始图像子块,对该原始图像子块进行预处理并产生纹理子块和形状图像子块;接着,将三种类型的图像子块输入相应的已训练好的TMME模型中,得到对该图像子块加权重之后的分类结果;接着,基于多数表决的原则将测试CT图像归入该图像大多数切片所属的类别;定义Ψ={Ψ1,Ψ2,...,ΨS},当把第g个切片ψg输入到可迁移多模型集成算法中时,得到一个二维的预测向量H(ψg);最后,对每个切片的预测输出进行相加,得到肺结节Ψ的预测输出,如公式(5)所示:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710418313.2A CN107180426B (zh) | 2017-06-06 | 2017-06-06 | 基于可迁移的多模型集成的计算机辅助肺结节分类装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710418313.2A CN107180426B (zh) | 2017-06-06 | 2017-06-06 | 基于可迁移的多模型集成的计算机辅助肺结节分类装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107180426A CN107180426A (zh) | 2017-09-19 |
CN107180426B true CN107180426B (zh) | 2020-12-08 |
Family
ID=59835840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710418313.2A Active CN107180426B (zh) | 2017-06-06 | 2017-06-06 | 基于可迁移的多模型集成的计算机辅助肺结节分类装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107180426B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107680678B (zh) * | 2017-10-18 | 2020-12-01 | 北京航空航天大学 | 基于多尺度卷积神经网络甲状腺超声图像结节诊断*** |
CN108364006B (zh) * | 2018-01-17 | 2022-03-08 | 超凡影像科技股份有限公司 | 基于多模式深度学习的医学图像分类装置及其构建方法 |
CN108492309B (zh) * | 2018-01-21 | 2022-03-04 | 西安电子科技大学 | 基于迁移卷积神经网络的磁共振图像中静脉血管分割方法 |
CN110335269A (zh) * | 2018-05-16 | 2019-10-15 | 腾讯医疗健康(深圳)有限公司 | 眼底图像的类别识别方法和装置 |
CN108898577B (zh) * | 2018-05-24 | 2022-03-01 | 西南大学 | 基于改进胶囊网络的良恶性肺结节识别装置及方法 |
CN108876772B (zh) * | 2018-06-05 | 2021-10-12 | 南华大学 | 一种基于大数据的肺癌图像诊断***及方法 |
CN109145943A (zh) * | 2018-07-05 | 2019-01-04 | 四川斐讯信息技术有限公司 | 一种基于特征迁移的集成分类方法及*** |
CN109508680A (zh) * | 2018-11-19 | 2019-03-22 | 东北大学 | 一种基于膜计算的病理学显微图像分类方法 |
CN111652238B (zh) * | 2019-04-16 | 2023-06-02 | 上海铼锶信息技术有限公司 | 一种多模型集成方法及*** |
CN110309860B (zh) * | 2019-06-06 | 2022-11-08 | 昆明理工大学 | 基于卷积神经网络对肺结节的恶性程度进行分类的方法 |
CN110852350B (zh) * | 2019-10-21 | 2022-09-09 | 北京航空航天大学 | 一种基于多尺度迁移学习的肺结节良恶性分类方法和*** |
CN112200811A (zh) * | 2020-10-27 | 2021-01-08 | 西北工业大学深圳研究院 | 一种采用跨序列核磁共振图像生成改进胶质瘤分割方法 |
CN113034507A (zh) * | 2021-05-26 | 2021-06-25 | 四川大学 | 基于ccta影像的冠状动脉三维分割方法 |
CN113780483B (zh) * | 2021-11-12 | 2022-01-28 | 首都医科大学附属北京潞河医院 | 结节超声分类数据处理方法及数据处理*** |
CN115294401B (zh) * | 2022-08-23 | 2023-04-14 | 北京医准智能科技有限公司 | 一种基于ct图像的分类方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156793A (zh) * | 2016-06-27 | 2016-11-23 | 西北工业大学 | 结合深层特征提取和浅层特征提取的医学图像分类方法 |
CN106407889A (zh) * | 2016-08-26 | 2017-02-15 | 上海交通大学 | 基于光流图深度学习模型在视频中人体交互动作识别方法 |
CN106650830A (zh) * | 2017-01-06 | 2017-05-10 | 西北工业大学 | 基于深层模型和浅层模型决策融合的肺结节ct图像自动分类方法 |
CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测*** |
CN106780448A (zh) * | 2016-12-05 | 2017-05-31 | 清华大学 | 一种基于迁移学习与特征融合的超声甲状腺结节良恶性分类方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6125194A (en) * | 1996-02-06 | 2000-09-26 | Caelum Research Corporation | Method and system for re-screening nodules in radiological images using multi-resolution processing, neural network, and image processing |
US9595103B2 (en) * | 2014-11-30 | 2017-03-14 | Case Western Reserve University | Textural analysis of lung nodules |
-
2017
- 2017-06-06 CN CN201710418313.2A patent/CN107180426B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156793A (zh) * | 2016-06-27 | 2016-11-23 | 西北工业大学 | 结合深层特征提取和浅层特征提取的医学图像分类方法 |
CN106407889A (zh) * | 2016-08-26 | 2017-02-15 | 上海交通大学 | 基于光流图深度学习模型在视频中人体交互动作识别方法 |
CN106780448A (zh) * | 2016-12-05 | 2017-05-31 | 清华大学 | 一种基于迁移学习与特征融合的超声甲状腺结节良恶性分类方法 |
CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测*** |
CN106650830A (zh) * | 2017-01-06 | 2017-05-10 | 西北工业大学 | 基于深层模型和浅层模型决策融合的肺结节ct图像自动分类方法 |
Non-Patent Citations (1)
Title |
---|
基于多维特征和支持向量机核函数优化的自动化肺结节检测模型;刘银凤等;《生物医学工程研究》;20160630;第35卷(第2期);第75-80页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107180426A (zh) | 2017-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107180426B (zh) | 基于可迁移的多模型集成的计算机辅助肺结节分类装置 | |
CN105512289B (zh) | 基于深度学习和哈希的图像检索方法 | |
CN111797779A (zh) | 基于区域注意力多尺度特征融合的遥感图像语义分割方法 | |
CN108876796A (zh) | 一种基于全卷积神经网络和条件随机场的道路分割***及方法 | |
CN112347970B (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
CN111401452B (zh) | 一种基于偏微分算子的等变卷积网络模型的图像分类方法 | |
CN108229550B (zh) | 一种基于多粒度级联森林网络的云图分类方法 | |
CN110866896B (zh) | 基于k-means与水平集超像素分割的图像显著性目标检测方法 | |
CN107392919B (zh) | 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 | |
CN111160553B (zh) | 一种新的领域自适应学习方法 | |
CN105913457B (zh) | 基于加强粒子群优化的粒子滤波目标跟踪方法 | |
CN110363178B (zh) | 基于局部和全局深度特征嵌入的机载激光点云分类方法 | |
CN114529707B (zh) | 三维模型分割方法、装置、计算设备及可读存储介质 | |
CN110443257B (zh) | 一种基于主动学习的显著性检测方法 | |
CN112101364B (zh) | 基于参数重要性增量学习的语义分割方法 | |
CN111967325A (zh) | 一种基于增量优化的无监督跨域行人重识别方法 | |
CN112906813A (zh) | 一种基于密度聚类和胶囊神经网络的浮选工况识别方法 | |
CN114782761B (zh) | 基于深度学习的智能仓储物料识别方法和*** | |
CN115641583A (zh) | 一种基于自监督和主动学习的点云检测方法、***及介质 | |
CN111126467B (zh) | 一种基于多目标正余弦算法的遥感影像空谱聚类方法 | |
Park et al. | AN EFFECTIVE COLOR QUANTIZATION METHOD USING COLOR IMPORTANCE-BASED SELF-ORGANIZING MAPS. | |
CN112861862A (zh) | 基于区域生长与深度学习结合的针对兵马俑点云的无监督分割方法 | |
CN116758349A (zh) | 基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法 | |
CN115795035A (zh) | 基于进化神经网络的科技服务资源分类方法、***及其计算机可读存储介质 | |
CN114202694A (zh) | 基于流形混合插值和对比学习的小样本遥感场景图像分类方法 |
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 |