CN108062575A - 一种高相似度图像识别与分类方法 - Google Patents
一种高相似度图像识别与分类方法 Download PDFInfo
- Publication number
- CN108062575A CN108062575A CN201810006119.8A CN201810006119A CN108062575A CN 108062575 A CN108062575 A CN 108062575A CN 201810006119 A CN201810006119 A CN 201810006119A CN 108062575 A CN108062575 A CN 108062575A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msubsup
- image
- wavelet transformation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000009466 transformation Effects 0.000 claims abstract description 25
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 23
- 230000015556 catabolic process Effects 0.000 claims abstract description 5
- 239000000284 extract Substances 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000000638 solvent extraction Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims abstract description 3
- 238000007781 pre-processing Methods 0.000 claims abstract 2
- 238000000605 extraction Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims 1
- 238000010606 normalization Methods 0.000 claims 1
- 238000013145 classification model Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域，尤其是一种高相似度图像识别与分类方法。本发明所述的方法是首先通过分割算法提取图像中的主体对象，实现图像主题与背景适当分离；防止图像背景对主体对象分类造成干扰，提高图像准确分类的性能；数据预处理阶段利用小波变换将图像分解为不同的频域子图，并提取各频域子图特征；然后将小波变换的输出作为卷积神经网络的输入，通过多次训练对网络权值参数进行更新优化，获取分类准确率最高的神经网络参数，得到最佳分类模型。本发明通过小波变换与卷积神经网络的结合；可以实现对图像的精确识别、分类；可以用于图像的处理。
Description
技术领域
本发明涉及图像处理技术领域，尤其是一种高相似度图像识别与分类方法。
背景技术
Renninger L.W等人认为对图像简单的纹理分析能够寻找到场景分类的线索，而且简单地纹理分析能够使图像识别过程和计算简单化。Benmokhtar等人融合图像的纹理和颜色特征实现足球场景分类；但该方法仅利用全局特征进行分类，其区分能力有限。LBP是图像的局部二进制模式，通过对图像中“一致”的局部二进制模式进行计算，并对图像的各种模式数进行直方图统计；但是该方法对彩色图像分类效果一般。近年来人们对遥感影像上的纹理特征采用灰度共生矩阵算法,该算法描述的是具有某种空间位置关系的像素之间的联合分布，可看成两个像素灰度对的联合直方图，属于二阶统计。灰度共生矩阵描述了灰度空间依赖性，表示了在一种纹理模式下的像素灰度的空间关系，但是该方法没有完全抓住图像局部灰度的图像特征；因此对于图像局部特定特征提取效果不够理想。小波变换虽能有效提取图像局部纹理特征，但对图像总体分类效果一般；存在着以下几个方面的缺陷：(1)对图像局部细节特征提取不够显著；(2)应用范围窄，对彩色图像的分类效果一般；(3)对图像的总体特征分类未能达到令人满意的程度。
发明内容
本发明解决的技术问题在于提供一种融合小波变换和卷积神经网络的高相似度图像识别与分类方法。
本发明解决上述技术问题的技术方案是：
所述的方法是首先通过分割算法提取图像中的主体对象，实现图像主题与背景适当分离；防止图像背景对主体对象分类造成干扰，提高图像准确分类的性能；数据预处理阶段利用小波变换将图像分解为不同的频域子图，并提取各频域子图特征；然后将小波变换的输出作为卷积神经网络的输入，通过多次训练对网络权值参数进行更新优化，获取分类准确率最高的神经网络参数，得到最佳分类模型。
所述的提取各频域子图特征是计算各频域子图的能量参数作为纹理描述子；对不同类别、不同分辨率图像进行初步特征提取并确定最佳纹理特征差异度阀值。
所述的方法将各子图能量特征归一化处理后输入卷积神经网络。
所述的小波变换如下：
首先依据公式(1)将图像离散化；
其中a是尺度函数，b是位置参数；
然后，小波变换进行快速分解，公式如(2)-(5)；其中h与g分别为小波变换的低通滤波器和高通滤波器；
Aj(k,l)＝∑k1∑k2h(k1-2k)h(k2-2l)fj-1(k1,k2) (2)
所述的卷积神经网络卷积层更新如下：
在卷积神经网络的每一层卷积层中，前一层的特征图与一个需要通过学习得到的卷积核进行卷积计算，得到新的特征图，采用公式(6)：
其中Mj表示选择的输入特征图组合，Ki,j是输入的第i种特征图和输出的第j种特征图之间的连接所用的卷积核，bj是第j种特征图所对应的偏置，f是激活函数；
采用公式(7)，计算卷积神经网络神经元的灵敏度；其中up()表示上采样操作；
运行误差代价函数
在下采样层中，由公式(9)得到新的特征图；
进行灵敏度计算
最终计算梯度以得到较优的网络权值参数；
本发明通过小波变换将图像分解为不同的频域子图，然后计算各频域子图的能量参数作为纹理描述子，对不同类别，不同分辨率图像进行初步特征提取并确定最佳纹理特征差异度阀值，将各子图能量特征归一化处理后输入卷积神经网络，通过多次训练调整网络参数并验证权值实际的分类准确率，最终得到分类准确率最高的网络模型。通过小波变换与卷积神经网络的结合；可以实现对图像的精确识别、分类。
附图说明
下面结合附图对本发明进一步说明：
图1是本发明流程图。
具体实施方式
如图1所示，本发明首先通过分割算法提取图像中的主体对象，实现图像主题与背景适当分离，防止图像背景对主体对象分类造成干扰，提高图像准确分类的性能；数据预处理阶段利用小波变换进行图像分解并提取各频域子图特征；然后将小波变换的输出作为神经网络的输入，通过多次训练对网络权值参数进行更新优化，获取分类准确率最高的神经网络参数，得到最佳分类模型。
本发明的核心主要包括两部分，分别为小波变换对图像数据的局部预处理阶段，以及在卷积神经网络中对图像进行全局分类的最终处理。在小波变换中，由于图像数据属二维数字信号，则首先将图像离散化，依据公式(1)。
其中a是尺度函数，b是位置参数。
小波变换进行快速分解，公式如(2)-(5)。其中h与g分别为小波变换的低通滤波器和高通滤波器。
Aj(k,l)＝∑k1∑k2h(k1-2k)h(k2-2l)fj-1(k1,k2) (2)
第二个技术核心是卷积神经网络的权值更新，此部分影响图像数据分类的最终结果。为了得到更高的分类准确率，本技术进行了多次实验，重点在神经网络的卷积层以及池化层的权值更新部分。
在卷积神经网络的每一层卷积层中，前一层的特征图与一个需要通过学习得到的卷积核进行卷积计算，可得到新的特征图，如公式(6)。
其中Mj表示选择的输入特征图组合，Ki,j是输入的第i种特征图和输出的第j种特征图之间的连接所用的卷积核，bj是第j种特征图所对应的偏置，f是激活函数。
计算卷积神经网络神经元的灵敏度，如公式(7)。其中up()表示上采样操作。
误差代价函数
而在下采样层中，新的特征图可由公式(9)得到。
灵敏度计算
最终计算梯度以得到较优的网络权值参数。
在对神经网络的卷积层以及采样层进行权值更新后，还需对其他层设置详细的优化参数，本技术采用的卷积神经网络各层参数如表2。
本网络一共包括5个卷积层，3个池化层，3个全连接层，1个softmax分类层，2个LRN层和两个随机采样层，经过多次的测试发现此参数下图像分类准确率高。
表1.卷积神经网络各层参数
本发明涉及的各参数含义如下表所示：
表2.参数具体含义
Claims (5)
1.一种高相似度图像识别与分类方法，其特征在于：所述的方法是首先通过分割算法提取图像中的主体对象，实现图像主题与背景适当分离；防止图像背景对主体对象分类造成干扰，提高图像准确分类的性能；数据预处理阶段利用小波变换将图像分解为不同的频域子图，并提取各频域子图特征；然后将小波变换的输出作为卷积神经网络的输入，通过多次训练对网络权值参数进行更新优化，获取分类准确率最高的神经网络参数，得到最佳分类模型。
2.根据权利要求1所述的方法，其特征在于：所述的提取各频域子图特征是计算各频域子图的能量参数作为纹理描述子；对不同类别、不同分辨率图像进行初步特征提取并确定最佳纹理特征差异度阀值。
3.根据权利要求2所述的方法，其特征在于：所述的方法经过小波变换后将各子图能量特征归一化处理后输入卷积神经网络。
4.根据权利要求3所述的方法，其特征在于：图像数据输入网络后，卷积神经网络的池化层以及卷积层的权值更新，得到较优的分类参数。
根据权利要求2，所述的小波变换如下：
首先依据公式(1)将图像离散化；
<mrow>
<msub>
<mi>&psi;</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>a</mi>
<mn>0</mn>
<mrow>
<mo>-</mo>
<mfrac>
<mi>j</mi>
<mn>2</mn>
</mfrac>
</mrow>
</msubsup>
<mi>&psi;</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>a</mi>
<mn>0</mn>
<mrow>
<mo>-</mo>
<mi>j</mi>
</mrow>
</msubsup>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>kb</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中a是尺度函数，b是位置参数；ψj,k是小波变换离散化输出；
然后，小波变换进行快速分解，公式如(2)-(5)；其中h与g分别为小波变换的低通滤波器和高通滤波器；
Aj(k,l)＝∑k1∑k2h(k1-2k)h(k2-2l)fj-1(k1,k2) (2)
<mrow>
<msubsup>
<mi>D</mi>
<mi>J</mi>
<mn>1</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mn>1</mn>
</mrow>
</msub>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mn>2</mn>
</mrow>
</msub>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mn>1</mn>
<mo>-</mo>
<mn>2</mn>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mn>2</mn>
<mo>-</mo>
<mn>2</mn>
<mi>l</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mn>1</mn>
<mo>,</mo>
<mi>k</mi>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>D</mi>
<mi>j</mi>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mn>1</mn>
</mrow>
</msub>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mn>2</mn>
</mrow>
</msub>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mn>1</mn>
<mo>-</mo>
<mi>k</mi>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mn>2</mn>
<mo>-</mo>
<mn>2</mn>
<mi>l</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mn>1</mn>
<mo>,</mo>
<mi>k</mi>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>D</mi>
<mi>j</mi>
<mn>3</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mn>1</mn>
</mrow>
</msub>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mn>2</mn>
</mrow>
</msub>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mn>1</mn>
<mo>-</mo>
<mi>k</mi>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mn>2</mn>
<mo>-</mo>
<mn>2</mn>
<mi>l</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mn>1</mn>
<mo>,</mo>
<mi>k</mi>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
5.根据权利要求4所述的方法，其特征在于：
所述的卷积神经网络卷积层更新如下：
在卷积神经网络的每一层卷积层中，前一层的特征图与一个需要通过学习得到的卷积核进行卷积计算，得到新的特征图，采用公式(6)；
<mrow>
<msubsup>
<mi>x</mi>
<mi>j</mi>
<mi>l</mi>
</msubsup>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>M</mi>
<mi>j</mi>
</mrow>
</msub>
<msubsup>
<mi>X</mi>
<mi>i</mi>
<mrow>
<mi>l</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>*</mo>
<msubsup>
<mi>k</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>l</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>b</mi>
<mi>j</mi>
<mi>l</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
其中Mj表示选择的输入特征图组合，Ki,j是输入的第i种特征图和输出的第j种特征图之间的连接所用的卷积核，bj是第j种特征图所对应的偏置，f是激活函数；
采用公式(7)，计算卷积神经网络神经元的灵敏度。其中up()表示上采样操作；
误差代价函数
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msubsup>
<mi>K</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mi>l</mi>
</msubsup>
</mrow>
</mfrac>
<mo>=</mo>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
</mrow>
</msub>
<msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&delta;</mi>
<mi>j</mi>
<mi>l</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
</mrow>
</msub>
<msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>P</mi>
<mi>i</mi>
<mrow>
<mi>l</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
在下采样层中，由公式(9)得到新的特征图；
<mrow>
<msubsup>
<mi>x</mi>
<mi>j</mi>
<mi>l</mi>
</msubsup>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&beta;</mi>
<mi>j</mi>
<mi>l</mi>
</msubsup>
<mi>d</mi>
<mi>o</mi>
<mi>w</mi>
<mi>n</mi>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>j</mi>
<mrow>
<mi>l</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msubsup>
<mi>b</mi>
<mi>j</mi>
<mi>l</mi>
</msubsup>
<mo>)</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
进行灵敏度计算
最终计算梯度以得到较优的网络权值参数；
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
</mrow>
</msub>
<msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&delta;</mi>
<mi>j</mi>
<mi>l</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
结合了小波变换与卷积神经网络的高相似图像识别与分类技术克服了图像数据细粒度纹理特征提取不足的缺点，提高了对分类图像数据的泛化能力，显著提高了图像全局分类效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810006119.8A CN108062575A (zh) | 2018-01-03 | 2018-01-03 | 一种高相似度图像识别与分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810006119.8A CN108062575A (zh) | 2018-01-03 | 2018-01-03 | 一种高相似度图像识别与分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108062575A true CN108062575A (zh) | 2018-05-22 |
Family
ID=62141119
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810006119.8A Pending CN108062575A (zh) | 2018-01-03 | 2018-01-03 | 一种高相似度图像识别与分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108062575A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109034256A (zh) * | 2018-08-02 | 2018-12-18 | 燕山大学 | 一种ltp与hog特征融合的乳腺肿瘤检测***与方法 |
| CN109145723A (zh) * | 2018-07-09 | 2019-01-04 | 长江大学 | 一种***识别方法、***、终端装置及存储介质 |
| CN111079845A (zh) * | 2019-12-20 | 2020-04-28 | 西安交通大学 | 一种煤炭中煤矸石和煤的分类识别方法 |
| CN111382764A (zh) * | 2018-12-29 | 2020-07-07 | 北大方正集团有限公司 | 神经网络模型建立方法、装置及计算机可读存储介质 |
| TWI703961B (zh) * | 2018-07-06 | 2020-09-11 | 台達電子工業股份有限公司 | 口腔影像分析系統和方法 |
| CN111767927A (zh) * | 2020-06-03 | 2020-10-13 | 上海交通大学 | 一种基于全卷积网络的轻量级车牌识别方法及*** |
| CN113362096A (zh) * | 2020-03-04 | 2021-09-07 | 驰众信息技术（上海）有限公司 | 一种基于深度学习的框架广告图像匹配方法 |
| CN114067392A (zh) * | 2021-11-06 | 2022-02-18 | 北京九州安华信息安全技术有限公司 | 基于Riesz小波变换的图像识别方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103971106A (zh) * | 2014-05-27 | 2014-08-06 | 深圳市赛为智能股份有限公司 | 多视角人脸图像性别识别方法及装置 |
| CN104751186A (zh) * | 2015-04-10 | 2015-07-01 | 山东师范大学 | 一种基于bp网络和小波变换的虹膜图像质量分类方法 |
| CN107239751A (zh) * | 2017-05-22 | 2017-10-10 | 西安电子科技大学 | 基于非下采样轮廓波全卷积网络的高分辨sar图像分类方法 |
| CN107368791A (zh) * | 2017-06-29 | 2017-11-21 | 广东欧珀移动通信有限公司 | 虹膜活体检测方法及相关产品 |
| CN107463948A (zh) * | 2017-07-13 | 2017-12-12 | 西安电子科技大学 | 基于双通道多特征融合网络的多光谱图像分类方法 |
-
2018
- 2018-01-03 CN CN201810006119.8A patent/CN108062575A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103971106A (zh) * | 2014-05-27 | 2014-08-06 | 深圳市赛为智能股份有限公司 | 多视角人脸图像性别识别方法及装置 |
| CN104751186A (zh) * | 2015-04-10 | 2015-07-01 | 山东师范大学 | 一种基于bp网络和小波变换的虹膜图像质量分类方法 |
| CN107239751A (zh) * | 2017-05-22 | 2017-10-10 | 西安电子科技大学 | 基于非下采样轮廓波全卷积网络的高分辨sar图像分类方法 |
| CN107368791A (zh) * | 2017-06-29 | 2017-11-21 | 广东欧珀移动通信有限公司 | 虹膜活体检测方法及相关产品 |
| CN107463948A (zh) * | 2017-07-13 | 2017-12-12 | 西安电子科技大学 | 基于双通道多特征融合网络的多光谱图像分类方法 |
Non-Patent Citations (1)
| Title |
|---|
| 高强 等: "基于卷积神经网络的绝缘子故障识别算法研究", 《电测与仪表》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI703961B (zh) * | 2018-07-06 | 2020-09-11 | 台達電子工業股份有限公司 | 口腔影像分析系統和方法 |
| CN109145723A (zh) * | 2018-07-09 | 2019-01-04 | 长江大学 | 一种***识别方法、***、终端装置及存储介质 |
| CN109034256A (zh) * | 2018-08-02 | 2018-12-18 | 燕山大学 | 一种ltp与hog特征融合的乳腺肿瘤检测***与方法 |
| CN111382764A (zh) * | 2018-12-29 | 2020-07-07 | 北大方正集团有限公司 | 神经网络模型建立方法、装置及计算机可读存储介质 |
| CN111382764B (zh) * | 2018-12-29 | 2024-02-13 | 新方正控股发展有限责任公司 | 人脸识别或手势识别的神经网络模型建立方法、装置及计算机可读存储介质 |
| CN111079845A (zh) * | 2019-12-20 | 2020-04-28 | 西安交通大学 | 一种煤炭中煤矸石和煤的分类识别方法 |
| CN113362096A (zh) * | 2020-03-04 | 2021-09-07 | 驰众信息技术（上海）有限公司 | 一种基于深度学习的框架广告图像匹配方法 |
| CN111767927A (zh) * | 2020-06-03 | 2020-10-13 | 上海交通大学 | 一种基于全卷积网络的轻量级车牌识别方法及*** |
| CN114067392A (zh) * | 2021-11-06 | 2022-02-18 | 北京九州安华信息安全技术有限公司 | 基于Riesz小波变换的图像识别方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108062575A (zh) | 一种高相似度图像识别与分类方法 | |
| CN108460342A (zh) | 基于卷积网和循环神经网络的高光谱图像分类方法 | |
| CN108765412A (zh) | 一种带钢表面缺陷分类方法 | |
| CN103366180A (zh) | 一种基于自动特征学习的细胞图像分割方法 | |
| CN103927531A (zh) | 一种基于局部二值和粒子群优化bp神经网络的人脸识别方法 | |
| Liu et al. | The classification and denoising of image noise based on deep neural networks | |
| CN108734199A (zh) | 基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法 | |
| CN104809471B (zh) | 一种基于空间光谱信息的高光谱图像残差融合分类方法 | |
| CN111080678A (zh) | 一种基于深度学习的多时相sar图像变化检测方法 | |
| CN112950780A (zh) | 一种基于遥感影像的网络地图智能生成方法及*** | |
| Li et al. | Automatic Recognition of Rock Images Based on Convolutional Neural Network and Discrete Cosine Transform. | |
| CN114155371A (zh) | 基于通道注意力与金字塔卷积融合的语义分割方法 | |
| CN114937202A (zh) | 一种双流Swin Transformer遥感场景分类方法 | |
| CN112733736A (zh) | 基于增强过采样的类别不平衡高光谱图像分类方法 | |
| CN110647977B (zh) | 一种用于星上对舰船目标检测的Tiny-YOLO网络的优化方法 | |
| Ichimura | Spatial frequency loss for learning convolutional autoencoders | |
| CN112818840A (zh) | 无人机在线检测***和方法 | |
| CN111275732B (zh) | 一种基于深度卷积神经网络的前景对象图像分割方法 | |
| CN112529828A (zh) | 参考数据非敏感的遥感影像时空融合模型构建方法 | |
| Yuan | Remote sensing image classification methods based on CNN: Challenge and trends | |
| Ganakwar et al. | Convolutional neural network-VGG16 for road extraction from remotely sensed images | |
| Ma et al. | An improved 3D-2D convolutional neural network based on feature optimization for hyperspectral image classification | |
| CN113792746B (zh) | 基于Yolo V3的探地雷达图像目标检测方法 | |
| Premk et al. | Automatic latent fingerprint segmentation using convolutional neural networks | |
| CN113554671A (zh) | 基于轮廓增强的sar图像到可见光图像的转换方法及装置 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180522 |