CN107330405A - 基于卷积神经网络的遥感图像飞机目标识别方法 - Google Patents

基于卷积神经网络的遥感图像飞机目标识别方法 Download PDF

Info

Publication number
CN107330405A
CN107330405A CN201710526744.0A CN201710526744A CN107330405A CN 107330405 A CN107330405 A CN 107330405A CN 201710526744 A CN201710526744 A CN 201710526744A CN 107330405 A CN107330405 A CN 107330405A
Authority
CN
China
Prior art keywords
mrow
msub
neural networks
convolutional neural
layer
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.)
Pending
Application number
CN201710526744.0A
Other languages
English (en)
Inventor
刘坤
晁安娜
任蕾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Maritime University
Original Assignee
Shanghai Maritime University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Maritime University filed Critical Shanghai Maritime University
Priority to CN201710526744.0A priority Critical patent/CN107330405A/zh
Publication of CN107330405A publication Critical patent/CN107330405A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于卷积神经网络的遥感图像飞机目标识别方法，包含：S1、建立飞机图像库，包括训练图像和测试图像；S2、初始化设置卷积神经网络，并设置该卷积神经网络的训练过程；S3、初始化设置卷积神经网络中的参数；S4、读取训练图像数据，根据卷积神经网络的训练过程对训练图像数据进行卷积和池化的训练操作，得到训练图像的实际输出；S5、调整卷积神经网络的参数，使得训练图像数据的指定目标输出和实际输出之间的误差值满足精度要求；S6、读取测试图像，采用测试网络，输出遥感图像飞机目标识别结果。本发明对旋转、尺度缩放或者其他形变具有稳定性，增强通用性，提高识别精度及抗噪性。

Description

基于卷积神经网络的遥感图像飞机目标识别方法
技术领域
本发明涉及一种遥感图像飞机目标识别方法，具体是指一种基于卷积神经网络的遥感图像飞机目标识别方法，属于深度学习技术领域。
背景技术
遥感图像的飞机识别技术，在民用和军事领域上都具有重大意义。现如今，随着数据量和目标相似性的增加，以及采集到的遥感飞机图像存在大量干扰，如遮挡、噪声、视角变化、复杂背景等因素；因此，如何在复杂环境中精准的识别出各飞机的类型并减少计算的复杂度，成为计算机视觉的研究重点与热点。
传统的飞机目标识别通常采用模板匹配算法，其具有算法简单、计算量小的特点。但由于计算过程简单，提取图像中飞机的完整形状在现实环境中非常困难，且不能适用于飞机目标的尺度变换。
目前，在飞机目标识别领域内应用最广泛的方法是利用不变矩，具有代表性的不变量特征提取方法有Hu矩、Zernike距、小波距等。现主要采用优化组合矩对飞机目标进行识别，将提取的多维不变矩作为识别特征，再使用支撑向量机(Support Vector Machine，SVM)或BP(Back Propagation，反向传播)神经网络来识别飞机目标。虽然该方法可以克服单一特征描述信息能力不强的特点，但多特征融合困难，抗噪性较差。另外，虽然BP神经网络具有良好的学习能力和泛化能力，但由于学习速率固定，学习步长及动量因子难以确定，使得网络收敛速度慢，纠错能力有限，甚至导致算法收敛于局部极小值。
基于上述，现有的飞机目标识别方法都需先采用复杂的特征提取，再结合SVM或浅层神经网络的方式。这些方法在面对大规模数据时实现非常困难，并且识别精度较低。因此，针对采集到的遥感飞机图像的大数据量和复杂背景环境等问题，本发明提出一种基于卷积神经网络的遥感图像飞机目标识别方法。
发明内容
本发明的目的是提供一种基于卷积神经网络的遥感图像飞机目标识别方法，对旋转、尺度缩放或者其他形变具有稳定性，针对采集到的遥感飞机图像的大数据量和复杂背景环境等问题，增强算法的通用性，提高算法识别精度及抗噪性。
为实现上述目的，本发明提供一种基于卷积神经网络的遥感图像飞机目标识别方法，包含以下步骤：
S1、建立飞机图像库，由实验飞机模型库和实际遥感飞机模型库构成，包括训练图像和测试图像；
S2、初始化设置卷积神经网络，并设置该卷积神经网络的训练过程；
S3、初始化设置卷积神经网络中的参数；
S4、读取训练图像数据，根据卷积神经网络的训练过程对训练图像数据进行卷积和池化的训练操作，得到训练图像的实际输出；
S5、调整卷积神经网络的参数，使得训练图像数据的指定目标输出和实际输出之间的误差值满足精度要求，完成卷积神经网络的训练；
S6、读取测试图像，采用完成训练的卷积神经网络作为测试网络，输出遥感图像飞机目标识别结果。
所述的S1中，实验飞机模型库中包含n类飞机机型的实验飞机图像，对该些实验飞机图像进行归一化和二值化处理。
所述的S1中，实际遥感飞机模型库中包含：在飞机墓场中的n类飞机机型的遥感飞机图像，对该些遥感飞机图像进行灰度化处理。
所述的S1中，对实际采集到的实验飞机图像和遥感飞机图像进行预处理，包括：尺度缩放、旋转、仿射变换、加噪声、运动模糊和亮度变化、及任意位置遮挡，将预处理后的图像划分为测试图像和训练图像。
所述的S2中，初始化设置卷积神经网络的步骤具体为：卷积神经网络设置5层网络层，分别为2个卷积层、2个全连接层和1个Softmax分类层；并且，每个卷积层均包含池化层，池化窗口为2×2的最大池化。
所述的S2中，设置卷积神经网络的训练过程的步骤，具体包含：
S21、将训练图像输入卷积神经网络，使用卷积核对输入图像进行卷积，得到第一卷积层的特征图；
S22、对第一卷积层的特征图进行池化，经过池化窗口为2×2的最大池化，得到第一池化层的特征图；
S23、使用卷积核对第一池化层的特征图进行卷积，得到第二卷积层的特征图
S24、对第二卷积层的特征图进行池化，经过池化窗口为2×2的最大池化，得到第二池化层的特征图；
S25、设置与第二池化层连接的第一全连接层，以及与第一全连接层连接的第二全连接层；
S26、设置与第二全连接层连接的Softmax分类层，设置输出神经元个数为n，对应n类飞机机型的分类结果。
所述的S3中，初始化设置卷积神经网络中的参数的步骤具体为：在由训练图像构成的训练集中，设置各个模式下输入单元i到隐藏单元j的权值Vij；设置隐藏单元j到输出单元k的权值Wjk；设置输出单元k的阈值θk；设置隐藏单元j的阈值设置精度控制参数ε；设置学习率α；设置每使用batchsize个训练样本就调整一次权值；设置迭代周期epoch。
所述的S4中，具体包含以下步骤：
S41、向前传播阶段：从训练集中读取任意的训练图像数据Xk，并将其输入至卷积神经网络中，指定目标输出Ok；
S42、卷积过程：依次将输入卷积神经网络的训练图像、该训练图像在第一卷积层中的特征图、该训练图像在第二卷积层中的特征图分别与可训练滤波器kj进行卷积，并加上偏置bj，得到各个卷积层；具体卷积形式为：
其中，j表示第j张特征图；l表示卷积层数；Mj表示输入特征图的集合；xi表示在l-1卷积层中选择的输入特征图，且属于输入特征图组合Mj中；f(x)表示线性修正单元激活函数RReLU，且有：
其中，aji～U(l,u)，l<u且l,u∈[0,1)，U(l,u)为平均分布，aji为一个从均匀分布U(l,u)中取样的随机数；
S43、池化过程：采用最大池化模型取池化域中的最大值作为子采样池化后的特征图，即：
Sij＝maxi＝1,j＝1(Fij)+b；
其中，Fij为输入特征图矩阵，i、j分别表示该矩阵的行号和列号；子采样池化域为2×2的矩阵，b为偏置，Sij为子采样池化后的特征图；maxi＝1,j＝1(Fij)表示从输入特征图矩阵Fij的大小为2×2的池化域中取出的最大值；
S44、计算n个输入特征图点乘每层对应的权值矩阵W，得到训练图像的实际输出Yk：
Yk＝Fn(…(F2(F1(xkW(1))W(2))…)W(n))。
所述的S5中，具体包含以下步骤：
S51、反向传播阶段：根据训练图像经过卷积神经网络训练后得到的实际输出Yk与指定目标输出Ok之间的误差值，计算第k个训练图像的输出误差值Ek，即：
其中，M表示输出层的单元数；yk表示输出层的各单元输出；hj表示中间层各单元的输出；L表示中间层的单元数；N表示输入层的单元数；f(x)激活函数RReLU；
S52、根据误差值Ek，按极小化误差的方法反馈至卷积神经网络，计算权值的调整量：
δk＝(ok-yk)yk(1-yk)；
其中，δk表示输出层各单元的误差项；
S53、根据权值调整量，调整权值：
Wjk(n+1)＝Wjk(n)+ΔWjk(n)；
ΔVij(n+1)＝Vij(n)+ΔVij(n)；
S54、根据误差值Ek，按极小化误差的方法反馈至卷积神经网络，计算阈值的调整量：
其中：δj表示中间层的隐藏单元的误差项：
S55、根据阈值调整量，调整阈值：
θk(n+1)＝θk(n)+Δθk(n)；
S56、计算总输出误差E：
E＝∑Ek；
其中，k＝1，2，……，M；
S57、判断总输出误差E的值是否满足E≤ε；如是，继续执行S6；如否，返回执行S3。
所述的S6中，测试网络的输出层采用Softmax分类层，并且针对n类飞机机型的分类结果，设置输出神经元的个数为n。
综上所述，本发明所提供的基于卷积神经网络的遥感图像飞机目标识别方法，对旋转、尺度缩放或者其他形变具有稳定性，针对采集到的遥感飞机图像的大数据量和复杂背景环境等问题，增强算法的通用性，提高算法识别精度及抗噪性。
附图说明
图1为本发明中的基于卷积神经网络的遥感图像飞机目标识别方法的流程图；
图2为本发明中的基于卷积神经网络的训练图像学习的示意图。
具体实施方式
以下结合图1和图2，详细说明本发明的一个优选实施例。
如图1所示，为本发明所提供的基于卷积神经网络的遥感图像飞机目标识别方法，包含以下步骤：
S1、建立飞机图像库，由实验飞机模型库和实际遥感飞机模型库构成，包括训练图像和测试图像；
S2、初始化设置卷积神经网络，并设置该卷积神经网络的训练过程；
S3、初始化设置卷积神经网络中的参数；
S4、读取训练图像数据，根据卷积神经网络的训练过程对训练图像数据进行卷积和池化的训练操作，得到训练图像的实际输出；
S5、调整卷积神经网络的参数，使得训练图像数据的指定目标输出和实际输出之间的误差值满足精度要求，完成卷积神经网络的训练；
S6、读取测试图像，采用完成训练的卷积神经网络作为测试网络，输出遥感图像飞机目标识别结果。
其中，所述的卷积神经网络(Convolution Neural Networks，CNN)是人工神经网络与深度学习的结合。传统意义上的多层神经网络只包含输入层、隐藏层和输出层，且隐藏层较难确定。而卷积神经网络在原来多层神经网络的基础上，加入部分连接的卷积层与池化层，用于模仿人脑对信号处理上的分级。卷积神经网络通过局部感受野、权值共享及池化操作来减少训练参数和计算的复杂度。这种网络结构对飞机的旋转、尺度缩放或者其他形变具有稳定性。在面对大数据量的情况下，卷积神经网络可以将图像直接输入到网络，避免了复杂的特征提取和数据重建的过程，提高了识别率。
所述的S1中，实验飞机模型库中包含：A-10攻击机、B-2轰炸机、B-52轰炸机、E-A预警机、F-15战斗机和F-16战斗机等n类飞机机型的实验飞机图像，对该些实验飞机图像进行归一化和二值化处理。
所述的S1中，实际遥感飞机模型库中包含：在飞机墓场中的A-10攻击机、B-2轰炸机、B-52轰炸机、E-A预警机、F-15战斗机和F-16战斗机等n类飞机机型的遥感飞机图像，对该些遥感飞机图像进行灰度化处理。
所述的S1中，为了扩大数据量，需要对实际采集到的复杂背景环境下的实验飞机图像和遥感飞机图像进行预处理，包括：尺度缩放、旋转、仿射变换、加噪声、运动模糊和亮度变化、及任意位置遮挡等处理，使得实验飞机模型库和实际遥感飞机模型库中的每种机型的飞机各角度图片达到11000幅；其中，选取10000幅涵盖每种机型的不同角度的图像作为训练图像(样本图像)，每幅图像大小为64×64；选取1000幅涵盖每种机型的不同角度的图像作为测试图像，每幅图像大小为64×64。因此，训练图像和测试图像完全不重复。
所述的S2中，初始化设置卷积神经网络的步骤具体为：卷积神经网络设置5层网络层，分别为2个卷积层、2个全连接层和1个Softmax分类层；其中每个卷积层的卷积核大小均为5×5，卷积核个数分别为4和8；并且，每个卷积层均包含池化层，池化窗口为2×2的最大池化。
如图2所示，所述的S2中，设置卷积神经网络的训练过程的步骤，具体包含：
S21、将训练图像以64×64的大小输入卷积神经网络，使用4个5×5的卷积核对输入图像进行卷积，得到4个特征图大小为60×60的第一卷积层C1层；
S22、对第一卷积层C1层中的特征图进行池化，经过池化窗口为2×2的最大池化，得到4个特征图大小为30×30的第一池化层S1层；
S23、使用8个5×5的卷积核对第一池化层S1层中的特征图进行卷积，得到8个特征图大小为26×26的第二卷积层C2层；
S24、对第二卷积层C2层中的特征图进行池化，经过池化窗口为2×2的最大池化，得到8个特征图大小为13×13的第二池化层S2层；
S25、为了得到更好的拟合效果，设置与第二池化层S2层连接的第一全连接层F5层，以及与第一全连接层F5层连接的第二全连接层F6层；每层全连接层中设置DropConnect函数对权重随机置0，其设置概率为0.5；
其中，所述的DropConnect函数是对正则化函数Dropout的优化，用于在激活函数之前进行随机去除连接的操作，从而减少计算量；
S26、设置与第二全连接层F6层连接的Softmax分类层，设置输出神经元个数为n，对应n类飞机机型的分类结果。
所述的S3中，初始化设置卷积神经网络中的参数的步骤具体为：在由训练图像构成的训练集中，设置各个模式下输入单元i到隐藏单元j的权值Vij；隐藏单元j到输出单元k的权值Wjk；输出单元k的阈值θk；将隐藏单元j的阈值设置为接近于0的随机值；将精度控制参数ε的初始值设置为0.01，将学习率α的初始值设置为0.1；将batchsize设置为50，也就是每使用50个训练样本就调整一次权值；将迭代周期epoch设置为20。
所述的S4中，具体包含以下步骤：
S41、向前传播阶段：从训练集中读取任意的训练图像数据Xk，并将其输入至卷积神经网络中，指定目标输出Ok，即训练图像数据Xk所属的飞机机型，是在监督下得到的训练结果；
S42、卷积过程：依次将输入卷积神经网络的训练图像、该训练图像在第一卷积层中的特征图、该训练图像在第二卷积层中的特征图分别与可训练滤波器kj进行卷积，并加上偏置bj，得到各个卷积层Cj；具体卷积形式为：
其中，j表示第j张特征图；l表示卷积层数；Mj表示输入特征图的集合；xi表示在l-1卷积层中选择的输入特征图，且属于输入特征图组合Mj中；f(x)表示线性修正单元激活函数RReLU，且有：
其中，aji～U(l,u)，l<u且l,u∈[0,1)，U(l,u)为均匀分布，aji为一个从均匀分布U(l,u)中取样的随机数；
S43、池化过程：采用最大池化模型取池化域中的最大值作为子采样池化后的特征图，即：
Sij＝maxi＝1,j＝1(Fij)+b；
其中，Fij为输入特征图矩阵，i、j分别表示该矩阵的行号和列号；子采样池化域为2×2的矩阵，b为偏置，Sij为子采样池化后的特征图；maxi＝1,j＝1(Fij)表示从输入特征图矩阵Fij的大小为2×2的池化域中取出的最大值；
S44、计算n个输入特征图点乘每层对应的权值矩阵W，得到训练图像的实际输出Yk：
Yk＝Fn(…(F2(F1(xkW(1))W(2))…)W(n))。
所述的S5中，具体包含以下步骤：
S51、反向传播阶段：根据训练图像经过卷积神经网络训练后得到的实际输出Yk与指定目标输出Ok之间的误差值，计算第k个训练图像的输出误差值Ek，即：
其中，M表示输出层的单元数；yk表示输出层的各单元输出；hj表示中间层各单元的输出；L表示中间层的单元数；N表示输入层的单元数；f(x)激活函数RReLU；
S52、根据误差值Ek，按极小化误差的方法反馈至卷积神经网络，计算权值的调整量：
δk＝(ok-yk)yk(1-yk)；
其中，δk表示输出层各单元的误差项；
S53、根据权值调整量，调整权值：
Wjk(n+1)＝Wjk(n)+ΔWjk(n)；
ΔVij(n+1)＝Vij(n)+ΔVij(n)；
S54、根据误差值Ek，按极小化误差的方法反馈至卷积神经网络，计算阈值的调整量：
其中：δj表示中间层的隐藏单元的误差项：
S55、根据阈值调整量，调整阈值：
θk(n+1)＝θk(n)+Δθk(n)；
S56、计算总输出误差E：
E＝∑Ek；
其中，k＝1，2，……，M；
S57、判断总输出误差E的值是否满足E≤ε；如是，继续执行S6；如否，返回执行S3。
所述的S6中，测试网络的输出层采用Softmax分类层，并且针对n类飞机机型的分类结果，设置输出神经元的个数为n。
综上所述，现有技术中对于飞机目标大多是针对特定场景下单一视角获取到的飞机图像来进行识别。实际采集到的遥感飞机图像较复杂，视角场景变化、噪声、云层遮挡等干扰因素会导致较高的误识率；并且对于大规模的数据集，特征提取较困难。
因此，本发明采用基于卷积神经网络来进行遥感图像飞机目标的识别，由于卷积神经网络是通过局部感受野和权值共享减少训练参数和计算的复杂度，这种网络结构对旋转、尺度缩放或者其他形变具有稳定性；针对采集到的遥感飞机图像的大数据量和复杂背景环境等问题，同时增强算法的通用性，提高算法识别精度及抗噪性。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (9)

1.一种基于卷积神经网络的遥感图像飞机目标识别方法，其特征在于，包含以下步骤：
S1、建立飞机图像库，由实验飞机模型库和实际遥感飞机模型库构成，包括训练图像和测试图像；
S2、初始化设置卷积神经网络，并设置该卷积神经网络的训练过程；
S3、初始化设置卷积神经网络中的参数；
S4、读取训练图像数据，根据卷积神经网络的训练过程对训练图像数据进行卷积和池化的训练操作，得到训练图像的实际输出；
S5、调整卷积神经网络的参数，使得训练图像数据的指定目标输出和实际输出之间的误差值满足精度要求，完成卷积神经网络的训练；
S6、读取测试图像，采用完成训练的卷积神经网络作为测试网络，输出遥感图像飞机目标识别结果。
2.如权利要求1所述的基于卷积神经网络的遥感图像飞机目标识别方法，其特征在于，所述的S1中，实验飞机模型库中包含n类飞机机型的实验飞机图像，对该些实验飞机图像进行归一化和二值化处理；实际遥感飞机模型库中包含：在飞机墓场中的n类飞机机型的遥感飞机图像，对该些遥感飞机图像进行灰度化处理。
3.如权利要求2所述的基于卷积神经网络的遥感图像飞机目标识别方法，其特征在于，所述的S1中，对实际采集到的实验飞机图像和遥感飞机图像进行预处理，包括：尺度缩放、旋转、仿射变换、加噪声、运动模糊和亮度变化、及任意位置遮挡，将预处理后的图像划分为测试图像和训练图像。
4.如权利要求3所述的基于卷积神经网络的遥感图像飞机目标识别方法，其特征在于，所述的S2中，初始化设置卷积神经网络的步骤具体为：卷积神经网络设置5层网络层，分别为2个卷积层、2个全连接层和1个Softmax分类层；并且，每个卷积层均包含池化层，池化窗口为2×2的最大池化。
5.如权利要求4所述的基于卷积神经网络的遥感图像飞机目标识别方法，其特征在于，所述的S2中，设置卷积神经网络的训练过程的步骤，具体包含：
S21、将训练图像输入卷积神经网络，使用卷积核对输入图像进行卷积，得到第一卷积层的特征图；
S22、对第一卷积层的特征图进行池化，经过池化窗口为2×2的最大池化，得到第一池化层的特征图；
S23、使用卷积核对第一池化层的特征图进行卷积，得到第二卷积层的特征图
S24、对第二卷积层的特征图进行池化，经过池化窗口为2×2的最大池化，得到第二池化层的特征图；
S25、设置与第二池化层连接的第一全连接层，以及与第一全连接层连接的第二全连接层；
S26、设置与第二全连接层连接的Softmax分类层，设置输出神经元个数为n，对应n类飞机机型的分类结果。
6.如权利要求5所述的基于卷积神经网络的遥感图像飞机目标识别方法，其特征在于，所述的S3中，初始化设置卷积神经网络中的参数的步骤具体为：在由训练图像构成的训练集中，设置各个模式下输入单元i到隐藏单元j的权值Vij；设置隐藏单元j到输出单元k的权值Wjk；设置输出单元k的阈值θk；设置隐藏单元j的阈值设置精度控制参数ε；设置学习率α；设置每使用batchsize个训练样本就调整一次权值；设置迭代周期epoch。
7.如权利要求6所述的基于卷积神经网络的遥感图像飞机目标识别方法，其特征在于，所述的S4中，具体包含以下步骤：
S41、向前传播阶段：从训练集中读取任意的训练图像数据Xk，并将其输入至卷积神经网络中，指定目标输出Ok；
S42、卷积过程：依次将输入卷积神经网络的训练图像、该训练图像在第一卷积层中的特征图、该训练图像在第二卷积层中的特征图分别与可训练滤波器kj进行卷积，并加上偏置bj，得到各个卷积层；具体为：
<mrow> <msubsup> <mi>x</mi> <mi>j</mi> <mi>l</mi> </msubsup> <mo>=</mo> <mi>f</mi> <mrow> <mo>(</mo> <munder> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>&amp;Element;</mo> <msub> <mi>M</mi> <mi>j</mi> </msub> </mrow> </munder> <msubsup> <mi>x</mi> <mi>i</mi> <mrow> <mi>l</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mo>&amp;times;</mo> <msubsup> <mi>k</mi> <mi>j</mi> <mi>l</mi> </msubsup> <mo>+</mo> <msubsup> <mi>b</mi> <mi>j</mi> <mi>l</mi> </msubsup> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
其中，j表示第j张特征图；l表示卷积层数；Mj表示输入特征图的集合；xi表示在l-1卷积层中选择的输入特征图，且属于输入特征图组合Mj中；f(x)表示线性修正单元激活函数RReLU，且有：
<mrow> <mi>f</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>a</mi> <mrow> <mi>j</mi> <mi>i</mi> </mrow> </msub> <msub> <mi>x</mi> <mrow> <mi>j</mi> <mi>i</mi> </mrow> </msub> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <msub> <mi>x</mi> <mrow> <mi>j</mi> <mi>i</mi> </mrow> </msub> <mo>&lt;</mo> <mn>0</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>x</mi> <mrow> <mi>j</mi> <mi>i</mi> </mrow> </msub> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <msub> <mi>x</mi> <mrow> <mi>j</mi> <mi>i</mi> </mrow> </msub> <mo>&amp;GreaterEqual;</mo> <mn>0</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>;</mo> </mrow>
其中，aji～U(l,u)，l<u且l,u∈[0,1)，U(l,u)为平均分布，aji为一个从均匀分布U(l,u)中取样的随机数；
S43、池化过程：采用最大池化模型取池化域中的最大值作为子采样池化后的特征图，即：
Sij＝maxi＝1,j＝1(Fij)+b；
其中，Fij为输入特征图矩阵，i、j分别表示该矩阵的行号和列号；子采样池化域为2×2的矩阵，b为偏置，Sij为子采样池化后的特征图；maxi＝1,j＝1(Fij)表示从输入特征图矩阵Fij的大小为2×2的池化域中取出的最大值；
S44、计算n个输入特征图点乘每层对应的权值矩阵W，得到训练图像的实际输出Yk：
Yk＝Fn(…(F2(F1(xkW(1))W(2))…)W(n))。
8.如权利要求7所述的基于卷积神经网络的遥感图像飞机目标识别方法，其特征在于，所述的S5中，具体包含以下步骤：
S51、反向传播阶段：根据训练图像经过卷积神经网络训练后得到的实际输出Yk与指定目标输出Ok之间的误差值，计算第k个训练图像的输出误差值Ek，即：
<mrow> <msub> <mi>E</mi> <mi>k</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>M</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mrow> <mo>(</mo> <msub> <mi>o</mi> <mi>k</mi> </msub> <mo>-</mo> <msub> <mi>y</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
<mrow> <msub> <mi>y</mi> <mi>k</mi> </msub> <mo>=</mo> <msubsup> <mi>f&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>L</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <msub> <mi>W</mi> <mrow> <mi>j</mi> <mi>k</mi> </mrow> </msub> <msub> <mi>h</mi> <mi>j</mi> </msub> <mo>+</mo> <msub> <mi>&amp;theta;</mi> <mi>k</mi> </msub> <mo>;</mo> </mrow>
其中，M表示输出层的单元数；yk表示输出层的各单元输出；hj表示中间层各单元的输出；L表示中间层的单元数；N表示输入层的单元数；f(x)激活函数RReLU；
S52、根据误差值Ek，按极小化误差的方法反馈至卷积神经网络，计算权值的调整量：
<mrow> <msub> <mi>&amp;Delta;W</mi> <mrow> <mi>j</mi> <mi>k</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>=</mo> <mrow> <mo>(</mo> <mfrac> <mi>&amp;alpha;</mi> <mrow> <mn>1</mn> <mo>+</mo> <mi>L</mi> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>&amp;times;</mo> <mrow> <mo>(</mo> <msub> <mi>&amp;Delta;W</mi> <mrow> <mi>j</mi> <mi>k</mi> </mrow> </msub> <mo>(</mo> <mrow> <mi>n</mi> <mo>-</mo> <mn>1</mn> </mrow> <mo>)</mo> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>&amp;times;</mo> <msub> <mi>&amp;delta;</mi> <mi>k</mi> </msub> <mo>&amp;times;</mo> <msub> <mi>h</mi> <mi>j</mi> </msub> <mo>;</mo> </mrow>
<mrow> <msub> <mi>&amp;Delta;V</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>=</mo> <mrow> <mo>(</mo> <mfrac> <mi>&amp;alpha;</mi> <mrow> <mn>1</mn> <mo>+</mo> <mi>N</mi> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>&amp;times;</mo> <mrow> <mo>(</mo> <msub> <mi>&amp;Delta;V</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>(</mo> <mrow> <mi>n</mi> <mo>-</mo> <mn>1</mn> </mrow> <mo>)</mo> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>&amp;times;</mo> <msub> <mi>&amp;delta;</mi> <mi>k</mi> </msub> <mo>&amp;times;</mo> <msub> <mi>h</mi> <mi>j</mi> </msub> <mo>;</mo> </mrow>
δk＝(ok-yk)yk(1-yk)；
其中，δk表示输出层各单元的误差项；
S53、根据权值调整量，调整权值：
Wjk(n+1)＝Wjk(n)+ΔWjk(n)；
ΔVij(n+1)＝Vij(n)+ΔVij(n)；
S54、根据误差值Ek，按极小化误差的方法反馈至卷积神经网络，计算阈值的调整量：
<mrow> <msub> <mi>&amp;Delta;&amp;theta;</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>=</mo> <mrow> <mo>(</mo> <mfrac> <mi>&amp;alpha;</mi> <mrow> <mn>1</mn> <mo>+</mo> <mi>L</mi> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>&amp;times;</mo> <mrow> <mo>(</mo> <msub> <mi>&amp;Delta;&amp;theta;</mi> <mi>k</mi> </msub> <mo>(</mo> <mrow> <mi>n</mi> <mo>-</mo> <mn>1</mn> </mrow> <mo>)</mo> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>&amp;times;</mo> <msub> <mi>&amp;delta;</mi> <mi>k</mi> </msub> <mo>;</mo> </mrow>
<mrow> <msub> <mi>&amp;delta;</mi> <mi>j</mi> </msub> <mo>=</mo> <msub> <mi>h</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>h</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>M</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <msub> <mi>&amp;delta;</mi> <mi>k</mi> </msub> <msub> <mi>W</mi> <mrow> <mi>j</mi> <mi>k</mi> </mrow> </msub> <mo>;</mo> </mrow>
其中：δj表示中间层的隐藏单元的误差项：
S55、根据阈值调整量，调整阈值：
θk(n+1)＝θk(n)+Δθk(n)；
S56、计算总输出误差E：
E＝∑Ek；
其中，k＝1，2，……，M；
S57、判断总输出误差E的值是否满足E≤ε；如是，继续执行S6；如否，返回执行S3。
9.如权利要求8所述的基于卷积神经网络的遥感图像飞机目标识别方法，其特征在于，所述的S6中，测试网络的输出层采用Softmax分类层，并且针对n类飞机机型的分类结果，设置输出神经元的个数为n。
CN201710526744.0A 2017-06-30 2017-06-30 基于卷积神经网络的遥感图像飞机目标识别方法 Pending CN107330405A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710526744.0A CN107330405A (zh) 2017-06-30 2017-06-30 基于卷积神经网络的遥感图像飞机目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710526744.0A CN107330405A (zh) 2017-06-30 2017-06-30 基于卷积神经网络的遥感图像飞机目标识别方法

Publications (1)

Publication Number Publication Date
CN107330405A true CN107330405A (zh) 2017-11-07

Family

ID=60198602

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710526744.0A Pending CN107330405A (zh) 2017-06-30 2017-06-30 基于卷积神经网络的遥感图像飞机目标识别方法

Country Status (1)

Country Link
CN (1) CN107330405A (zh)

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108009525A (zh) * 2017-12-25 2018-05-08 北京航空航天大学 一种基于卷积神经网络的无人机对地特定目标识别方法
CN108229425A (zh) * 2018-01-29 2018-06-29 浙江大学 一种基于高分辨率遥感图像的水体识别方法
CN108334814A (zh) * 2018-01-11 2018-07-27 浙江工业大学 一种基于卷积神经网络结合用户习惯性行为分析的ar***手势识别方法
CN108470185A (zh) * 2018-02-12 2018-08-31 北京佳格天地科技有限公司 卫星影像的地物标注装置及方法
CN108509986A (zh) * 2018-03-16 2018-09-07 上海海事大学 基于模糊不变卷积神经网络的飞机目标识别方法
CN108549866A (zh) * 2018-04-12 2018-09-18 上海海事大学 基于密集卷积神经网络的遥感飞机识别方法
CN108764316A (zh) * 2018-05-18 2018-11-06 河海大学 基于深度卷积神经网络和多核学习的遥感图像场景分类方法
CN108805861A (zh) * 2018-04-28 2018-11-13 中国人民解放军国防科技大学 一种基于深度学习的遥感图像云检测方法
CN109100710A (zh) * 2018-06-26 2018-12-28 东南大学 一种基于卷积神经网络的水下目标识别方法
CN109325395A (zh) * 2018-04-28 2019-02-12 二十世纪空间技术应用股份有限公司 图像的识别方法、卷积神经网络模型的训练方法及装置
CN109444863A (zh) * 2018-10-23 2019-03-08 广西民族大学 一种基于卷积神经网络的窄带超声回波个数的估计方法
CN109801234A (zh) * 2018-12-28 2019-05-24 南京美乐威电子科技有限公司 图像几何校正方法及装置
CN109959911A (zh) * 2019-03-25 2019-07-02 清华大学 基于激光雷达的多目标自主定位方法及装置
CN110096991A (zh) * 2019-04-25 2019-08-06 西安工业大学 一种基于卷积神经网络的手语识别方法
CN110197233A (zh) * 2019-06-05 2019-09-03 四川九洲电器集团有限责任公司 一种利用航迹进行飞行器分类的方法
CN110276269A (zh) * 2019-05-29 2019-09-24 西安交通大学 一种基于注意力机制的遥感图像目标检测方法
CN110288035A (zh) * 2019-06-28 2019-09-27 海南树印网络科技有限公司 一种智能垃圾桶在线自主学习方法及***
CN110390244A (zh) * 2019-03-18 2019-10-29 中国人民解放军61540部队 基于深度学习的遥感图像要素识别方法
CN110415709A (zh) * 2019-06-26 2019-11-05 深圳供电局有限公司 基于声纹识别模型的变压器工作状态识别方法
CN110569889A (zh) * 2019-08-21 2019-12-13 广西电网有限责任公司电力科学研究院 一种基于l2归一化的卷积神经网络图象分类方法
CN110728627A (zh) * 2018-07-16 2020-01-24 宁波舜宇光电信息有限公司 图像降噪方法、装置、***和存储介质
CN111091132A (zh) * 2020-03-19 2020-05-01 腾讯科技（深圳）有限公司 基于人工智能的图像识别方法、装置、计算机设备及介质
CN111126189A (zh) * 2019-12-10 2020-05-08 北京航天世景信息技术有限公司 一种基于遥感影像的目标查找方法
WO2020097837A1 (en) * 2018-11-15 2020-05-22 Lingdong Technology (Beijing) Co.Ltd System and method for real-time supervised machine learning in on-site environment
CN111681228A (zh) * 2020-06-09 2020-09-18 创新奇智(合肥)科技有限公司 瑕疵检测模型、训练方法、检测方法、装置、设备及介质
CN112115973A (zh) * 2020-08-18 2020-12-22 吉林建筑大学 一种基于卷积神经网络图像识别方法
CN112651927A (zh) * 2020-12-03 2021-04-13 北京信息科技大学 一种基于卷积神经网络与支持向量机的拉曼光谱智能识别方法
CN112668454A (zh) * 2020-12-25 2021-04-16 南京华格信息技术有限公司 一种基于多传感器融合的鸟类微小目标识别方法
CN112906523A (zh) * 2021-02-04 2021-06-04 上海航天控制技术研究所 一种硬件加速的深度学习目标机型识别方法
CN112966555A (zh) * 2021-02-02 2021-06-15 武汉大学 一种基于深度学习和部件先验的遥感影像飞机识别方法
CN113052106A (zh) * 2021-04-01 2021-06-29 重庆大学 一种基于PSPNet网络的飞机起降跑道识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096655A (zh) * 2016-06-14 2016-11-09 厦门大学 一种基于卷积神经网络的光学遥感图像飞机检测方法
CN106557814A (zh) * 2016-11-15 2017-04-05 成都通甲优博科技有限责任公司 一种道路车辆密度评估方法及装置
US9665799B1 (en) * 2016-01-29 2017-05-30 Fotonation Limited Convolutional neural network

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9665799B1 (en) * 2016-01-29 2017-05-30 Fotonation Limited Convolutional neural network
CN106096655A (zh) * 2016-06-14 2016-11-09 厦门大学 一种基于卷积神经网络的光学遥感图像飞机检测方法
CN106557814A (zh) * 2016-11-15 2017-04-05 成都通甲优博科技有限责任公司 一种道路车辆密度评估方法及装置

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
SHEN W, ZHOU M, YANG F, ET AL.: "Multi-crop convolutional neural networks for lung nodule malignancy suspiciousness classification", 《 PATTERN RECOGNITION》 *
WAN L, ZEILER M, ZHANG S, ET AL: "Regularization of neural networks using dropconnect", 《INTERNATIONAL CONFERENCE ON MACHINE LEARNING》 *
XU B, WANG N, CHEN T, ET AL.: "Empirical evaluation of rectified activations in convolutional network", 《ARXIV PREPRINT》 *
刘荣荣: "基于卷积神经网络的手写数字识别软件的设计与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
杨眷玉: "基于卷积神经网络的物体识别研究与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
陈向震: "基于深度学习的人脸表情识别算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (43)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108009525B (zh) * 2017-12-25 2018-10-12 北京航空航天大学 一种基于卷积神经网络的无人机对地特定目标识别方法
CN108009525A (zh) * 2017-12-25 2018-05-08 北京航空航天大学 一种基于卷积神经网络的无人机对地特定目标识别方法
CN108334814A (zh) * 2018-01-11 2018-07-27 浙江工业大学 一种基于卷积神经网络结合用户习惯性行为分析的ar***手势识别方法
CN108334814B (zh) * 2018-01-11 2020-10-30 浙江工业大学 一种ar***手势识别方法
CN108229425A (zh) * 2018-01-29 2018-06-29 浙江大学 一种基于高分辨率遥感图像的水体识别方法
CN108470185A (zh) * 2018-02-12 2018-08-31 北京佳格天地科技有限公司 卫星影像的地物标注装置及方法
CN108509986A (zh) * 2018-03-16 2018-09-07 上海海事大学 基于模糊不变卷积神经网络的飞机目标识别方法
CN108549866A (zh) * 2018-04-12 2018-09-18 上海海事大学 基于密集卷积神经网络的遥感飞机识别方法
CN108805861A (zh) * 2018-04-28 2018-11-13 中国人民解放军国防科技大学 一种基于深度学习的遥感图像云检测方法
CN109325395A (zh) * 2018-04-28 2019-02-12 二十世纪空间技术应用股份有限公司 图像的识别方法、卷积神经网络模型的训练方法及装置
CN108764316A (zh) * 2018-05-18 2018-11-06 河海大学 基于深度卷积神经网络和多核学习的遥感图像场景分类方法
CN108764316B (zh) * 2018-05-18 2022-08-26 河海大学 基于深度卷积神经网络和多核学习的遥感图像场景分类方法
CN109100710A (zh) * 2018-06-26 2018-12-28 东南大学 一种基于卷积神经网络的水下目标识别方法
CN110728627A (zh) * 2018-07-16 2020-01-24 宁波舜宇光电信息有限公司 图像降噪方法、装置、***和存储介质
CN109444863A (zh) * 2018-10-23 2019-03-08 广西民族大学 一种基于卷积神经网络的窄带超声回波个数的估计方法
US11092968B2 (en) 2018-11-15 2021-08-17 Lingdong Technology (Beijing) Co. Ltd System and method for real-time supervised machine learning in on-site environment
WO2020097837A1 (en) * 2018-11-15 2020-05-22 Lingdong Technology (Beijing) Co.Ltd System and method for real-time supervised machine learning in on-site environment
US11682193B2 (en) 2018-11-15 2023-06-20 Lingdong Technology (Beijing) Co. Ltd. System and method for real-time supervised machine learning in on-site environment
CN109801234B (zh) * 2018-12-28 2023-09-22 南京美乐威电子科技有限公司 图像几何校正方法及装置
CN109801234A (zh) * 2018-12-28 2019-05-24 南京美乐威电子科技有限公司 图像几何校正方法及装置
CN110390244A (zh) * 2019-03-18 2019-10-29 中国人民解放军61540部队 基于深度学习的遥感图像要素识别方法
CN109959911A (zh) * 2019-03-25 2019-07-02 清华大学 基于激光雷达的多目标自主定位方法及装置
CN110096991A (zh) * 2019-04-25 2019-08-06 西安工业大学 一种基于卷积神经网络的手语识别方法
CN110276269B (zh) * 2019-05-29 2021-06-29 西安交通大学 一种基于注意力机制的遥感图像目标检测方法
CN110276269A (zh) * 2019-05-29 2019-09-24 西安交通大学 一种基于注意力机制的遥感图像目标检测方法
CN110197233A (zh) * 2019-06-05 2019-09-03 四川九洲电器集团有限责任公司 一种利用航迹进行飞行器分类的方法
CN110415709A (zh) * 2019-06-26 2019-11-05 深圳供电局有限公司 基于声纹识别模型的变压器工作状态识别方法
CN110415709B (zh) * 2019-06-26 2022-01-25 深圳供电局有限公司 基于声纹识别模型的变压器工作状态识别方法
CN110288035A (zh) * 2019-06-28 2019-09-27 海南树印网络科技有限公司 一种智能垃圾桶在线自主学习方法及***
CN110569889A (zh) * 2019-08-21 2019-12-13 广西电网有限责任公司电力科学研究院 一种基于l2归一化的卷积神经网络图象分类方法
CN111126189A (zh) * 2019-12-10 2020-05-08 北京航天世景信息技术有限公司 一种基于遥感影像的目标查找方法
CN111091132B (zh) * 2020-03-19 2021-01-15 腾讯科技（深圳）有限公司 基于人工智能的图像识别方法、装置、计算机设备及介质
CN111091132A (zh) * 2020-03-19 2020-05-01 腾讯科技（深圳）有限公司 基于人工智能的图像识别方法、装置、计算机设备及介质
CN111681228A (zh) * 2020-06-09 2020-09-18 创新奇智(合肥)科技有限公司 瑕疵检测模型、训练方法、检测方法、装置、设备及介质
CN112115973A (zh) * 2020-08-18 2020-12-22 吉林建筑大学 一种基于卷积神经网络图像识别方法
CN112115973B (zh) * 2020-08-18 2022-07-19 吉林建筑大学 一种基于卷积神经网络图像识别方法
CN112651927A (zh) * 2020-12-03 2021-04-13 北京信息科技大学 一种基于卷积神经网络与支持向量机的拉曼光谱智能识别方法
CN112668454A (zh) * 2020-12-25 2021-04-16 南京华格信息技术有限公司 一种基于多传感器融合的鸟类微小目标识别方法
CN112966555B (zh) * 2021-02-02 2022-06-14 武汉大学 一种基于深度学习和部件先验的遥感影像飞机识别方法
CN112966555A (zh) * 2021-02-02 2021-06-15 武汉大学 一种基于深度学习和部件先验的遥感影像飞机识别方法
CN112906523A (zh) * 2021-02-04 2021-06-04 上海航天控制技术研究所 一种硬件加速的深度学习目标机型识别方法
CN113052106A (zh) * 2021-04-01 2021-06-29 重庆大学 一种基于PSPNet网络的飞机起降跑道识别方法
CN113052106B (zh) * 2021-04-01 2022-11-04 重庆大学 一种基于PSPNet网络的飞机起降跑道识别方法

Similar Documents

Publication Publication Date Title
CN107330405A (zh) 基于卷积神经网络的遥感图像飞机目标识别方法
CN107273845B (zh) 一种基于置信区域和多特征加权融合的人脸表情识别方法
CN108875674B (zh) 一种基于多列融合卷积神经网络的驾驶员行为识别方法
CN110163187B (zh) 基于f-rcnn的远距离交通标志检测识别方法
CN106682569A (zh) 一种基于卷积神经网络的快速交通标识牌识别方法
JP4083469B2 (ja) 階層ネットワークを用いたパターン認識方法
US20120219213A1 (en) Embedded Optical Flow Features
CN108021947A (zh) 一种基于视觉的分层极限学习机目标识别方法
CN106845527A (zh) 一种菜品识别方法
CN107492121A (zh) 一种单目深度视频的二维人体骨骼点定位方法
CN104182772A (zh) 一种基于深度学习的手势识别方法
US20200097766A1 (en) Multi-scale text filter conditioned generative adversarial networks
CN107392224A (zh) 一种基于三通道卷积神经网络的作物病害识别算法
CN103065158B (zh) 基于相对梯度的isa模型的行为识别方法
CN106651915A (zh) 基于卷积神经网络的多尺度表达的目标跟踪方法
CN104636732A (zh) 一种基于序列深信度网络的行人识别方法
CN108985252A (zh) 改进的脉冲深度神经网络的图像分类方法
CN107085733A (zh) 基于cnn深度学习的近岸红外舰船识别方法
CN106296734B (zh) 基于极限学习机和boosting多核学习的目标跟踪方法
Gao et al. An end-to-end broad learning system for event-based object classification
US11223782B2 (en) Video processing using a spectral decomposition layer
Ren et al. Ship recognition based on Hu invariant moments and convolutional neural network for video surveillance
Reddy et al. Handwritten Hindi character recognition using deep learning techniques
CN106127230A (zh) 基于人类视觉感知的图像识别方法
Hasan et al. Maize diseases image identification and classification by combining cnn with bi-directional long short-term memory model

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20171107