CN108334901A - 一种结合显著性区域的卷积神经网络的花卉图像分类方法 - Google Patents
一种结合显著性区域的卷积神经网络的花卉图像分类方法 Download PDFInfo
- Publication number
- CN108334901A CN108334901A CN201810087389.6A CN201810087389A CN108334901A CN 108334901 A CN108334901 A CN 108334901A CN 201810087389 A CN201810087389 A CN 201810087389A CN 108334901 A CN108334901 A CN 108334901A
- Authority
- CN
- China
- Prior art keywords
- flowers
- convolutional neural
- neural networks
- image
- salient region
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种结合显著性区域的卷积神经网络的花卉图像分类方法,在卷积神经网络提取花卉图像的全局特征的基础上,加入Itti‑Koch视觉注意计算模型计算得到花卉图像的显著性区域,再使用卷积神经网络在花卉图像显著性区域上提取显著性区域特征,将全局特征与显著性区域特征相融合,用于花卉图像的精细分类。本发明提出的一种结合显著性区域的卷积神经网络的花卉图像分类方法克服了卷积神经网络直接在原始图像上提取特征时背景复杂性的影响,具有较强的实用性。
Description
技术领域
本发明涉及图像分类领域,特别是一种结合显著性区域的卷积神经网络的花卉图像分类方法。
背景技术
伴随着计算机科学技术的飞速发展,通过移动电话或照相机等终端设备可以很便捷地拍摄各种花卉图像,但对花卉图像的分类和识别并不是很容易做到,通常需要在专家指导下才有可能正确地识别和分类。花卉图像精细分类是图像分类研究范围中最重要的方向之一。
在图像分类中, 传统的方法包含基于词袋 (Bag of words, BOW) 的方法和基于图像分割的方法等。这些方法虽然在一些应用中取得了很好的效果, 但在准确性方面仍存在较大提升空间。随着深度学习的兴起, 人们将深度学习应用于图像分类中,并在许多应用中取得明显好于传统方法的结果。另一方面,视觉注意机制是基于人的视觉***对视觉信息进行选择和过滤,将注意力集中在感兴趣的目标上,从而达到快速定位识别目标过程。Itti和Koch最早建立了视觉注意计算模型。Itt-Koch视觉注意模型计算花卉图像显著图的流程和人类的视觉神经***寻找图像中感兴趣目标的过程非常符合。因此,该模型能够找到花卉像中内容丰富的显著性区域。
发明内容
本发明的目的在于提供一种结合显著性区域的卷积神经网络的花卉图像分类方法,以克服现有技术中存在的缺陷。
为实现上述目的,本发明的技术方案是:一种结合显著性区域的卷积神经网络的花卉图像分类方法,按照如下步骤实现:
步骤S1:采用基于Itti-Koch视觉注意力模型计算花卉原始图像对应的花卉图像显著图;
步骤S2:计算花卉图像显著性区域;
步骤S3:在所述花卉原始图像、所述花卉图像显著性区域上分别训练卷积神经网络;
步骤S4:通过采用完成训练的卷积神经网络,分别对所述花卉原始图像和所述花卉图像显著性区域提取特征;
步骤S5:进行特征融合;
步骤S6:对图像进行分类。
在本发明一实施例中,在所述步骤S1中,所述花卉图像显著图计算包括如下步骤:
步骤S11:提取所述花卉原始图像的视觉特征;
步骤S12:根据所述视觉特征计算花卉图像显著图。
在本发明一实施例中,在所述步骤S11中,还包括如下步骤:
步骤S111:统一所述花卉原始图像的尺寸,采用9级高斯金字塔算法对所述花卉原始图像进行采样,并采样为尺度0至尺度8,共9个尺度;
步骤S112:在每个尺度上对应提取视觉特征图,包括:颜色特征、亮度特征和方向特征;
步骤S113:对提取的所有视觉特征图进行center-surround 操作。
在本发明一实施例中,在所述步骤S12中,还包括如下步骤:
步骤S121:将各个视觉特征图的尺寸分别通过差值调整为与所述高斯金字塔算法中第四层图像的尺寸相同;
步骤S122:将每个视觉特征图中的像素相加;
步骤S123:利用归一化算子对每个视觉特征图进行归一化,获取亮度显著图、颜色显著图和方向显著图;
步骤S124:通过对所述亮度显著图、颜色显著图和方向显著图进行叠加,得到所述花卉图像显著图。
在本发明一实施例中,在所述步骤S2中,还包括如下步骤:
步骤S21:对所述花卉图像显著图进行闭运算操作;
步骤S22:将所述花卉图像显著图与所述花卉原始图像进行交运算,得到所述花卉图像显著性区域。
在本发明一实施例中,在所述步骤S3中,分别将所述花卉原始图像、所述花卉图像显著性区域与对应的花卉类别作为训练集,采用小于预设值的不同随机数对所述卷积神经网络进行权值初始化,经过前向传播和反向传播两个阶段,直至所述卷积神经网络中每一层的权值参数确定,完成所述卷积神经网络训练。
在本发明一实施例中,所述卷积神经网络包括5个卷积层,2个全连接层,卷积操作采用 7×7 的卷积核,滑动窗口的步长设置为2;激活函数采用ReLU;池化操作采用最大池化,池化单元为 3×3,池化单元的移动步长为2。
在本发明一实施例中,在所述步骤S4中,通过上分支的卷积神经网络对所述花卉原始图像进行特征学习提取,得到花卉图像的全局特征;通过下分支的卷积神经网络对所述花卉图像显著性区域进行特征学习提取,得到花卉图像的主体特征。
在本发明一实施例中,所述特征学***面;通过所述卷积神经网络的第一层,在特征空间重构后获得96张特征图,每张特征图的尺寸为55×55;将第一层的96幅特征图输入第二层,得256张尺寸为27×27的特征图;第三层和第四层都得到384张尺寸大小为13×13的特征图;第五层得到256张尺寸为6×6的特征图;第六层的全连接层将第五层输出的特征图进行全相连,输出6×6×256=9216维向量,对其池化操作后得到一个4096维的向量。
在本发明一实施例中,在所述步骤S5中,通过使用全连接层将上、下两个分支的特征进行串联。
相较于现有技术,本发明具有以下有益效果:本发明提出的一种结合显著性区域的卷积神经网络的花卉图像分类方法,在卷积神经网络提取花卉图像的全局特征的基础上,加入Itti-Koch视觉注意计算模型计算得到花卉图像的显著性区域,再使用卷积神经网络在花卉图像显著性区域上提取显著性区域特征,将全局特征与显著性区域特征相融合,用于花卉图像的精细分类,该方法克服了卷积神经网络直接在原始图像上提取特征时背景复杂性的影响,具有较强的实用性。
附图说明
图1为本发明一实施例中结合显著性区域的卷积神经网络结构框架图。
图2为本发明一实施例中花卉图像显著图的计算流程图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
本发明提供一种结合显著性区域的卷积神经网络的花卉图像分类方法,具体包括以下步骤:步骤S1:针对花卉原始图像,基于Itti-Koch视觉注意力模型计算花卉图像显著图;
步骤 S2:计算花卉图像显著性区域;
步骤S3:在花卉图像原图、花卉图像显著性区域上分别训练卷积神经网络。
步骤S4:利用训练好的卷积神经网络分别对花卉图像的原图和显著性区域提取特征。
步骤S5:特征融合。
步骤S6:对图像进行分类。
进一步地,在本实施例中,步骤S1具体包括以下步骤:
步骤S11:视觉特征提取;
步骤S111:统一花卉图像的尺寸,采用9级高斯金字塔算法将花卉图像采样为尺度0至尺度8共9个尺度;
步骤S112:在每个尺度的花卉图像上提取颜色特征、亮度特征和方向特征等多种视觉特征图;
步骤S113:提取的所有特征图进行center-surround 操作;
步骤S12:计算显著图;
步骤S121:利用差值将各个特征图分别调整为与高斯金字塔结构中第四层图像尺寸相同;
步骤S122:将每个特征图中对应像素相加;
步骤S123:利用归一化算子对特征显著图进行归一化;
步骤S124:亮度显著图、颜色显著图和方向显著图进行叠加,就可以得到最终的显著图。
进一步地,步骤S2具体包含以下步骤:
步骤S21:对步骤S1得到的显著图进行闭运算操作;
步骤S22:将显著图与原始图像进行交运算,得到图像的显著性区域。
进一步地,在本实施例中,步骤S3具体包括:分别使用花卉原始图像、花卉原始图像对应的显著性区域与对应的花卉类别作为训练集,采用较小的不同随机数对网络进行权值初始化,经过前向传播和反向传播两个阶段,直至网络结构中每一层的权值参数确定,卷积神经网络训练完成。
进一步地,在本实施例中,卷积神经网络具体结构为:5个卷积层,2个全连接层,卷积操作采用7×7 的卷积核,滑动窗口的步长设置为2;激活函数采用ReLU;池化操作采用最大池化,池化单元为3×3,池化单元的移动步长为2。
进一步地,在本实施例中,上下两分支的卷积神经网络进行训练时,均采用均值为0,方差为0.01的高斯分布来进行权值初始化的操作。第二层、第四层、第五层这三个卷积层和网络的全连接层的神经元的偏置量用常量1进行初始化,其余各层的神经元用常量0进行初始化。网络训练时其他一些重要的参数设定如表1所示 。
表1 网络训练时参数设定
进一步地,在本实施例中,步骤S4具体过程为:上分支的卷积神经网络对花卉原始图像进行特征学习提取,得到花卉图像的全局特征,下分支的卷积神经网络对花卉图像显著性区域进行特征学习提取,得到花卉图像的主体特征。
进一步地,特征提取具体过程为:对图像行预处理:将尺寸统一处理成224×224,根据RGB色彩空间把花卉图像划分为三个平面。通过第一个卷积层在特征空间重构后获得96张特征图,每张特征图的尺寸为55×55。将第一个卷积层的96幅特征图输入第二个卷积层,可得256张尺寸为27×27的特征图。第三个卷积层和第四个卷积层都得到384张尺寸大小为13×13的特征图。第五个卷积层得到256张尺寸为6×6的特征图。第六层的全连接层将第五个卷积层输出的特征图进行全相连,输出6×6×256=9216维向量,对其池化操作后得到一个4096维的向量。
进一步地,步骤S5具体过程为:使用全连接层将上下两个分支的特征进行串联。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (10)
1.一种结合显著性区域的卷积神经网络的花卉图像分类方法,其特征在于,按照如下步骤实现:
步骤S1:采用基于Itti-Koch视觉注意力模型计算花卉原始图像对应的花卉图像显著图;
步骤S2:计算花卉图像显著性区域;
步骤S3:在所述花卉原始图像、所述花卉图像显著性区域上分别训练卷积神经网络;
步骤S4:通过采用完成训练的卷积神经网络,分别对所述花卉原始图像和所述花卉图像显著性区域提取特征;
步骤S5:进行特征融合;
步骤S6:对图像进行分类。
2.根据权利要求1所述的一种结合显著性区域的卷积神经网络的花卉图像分类方法,其特征在于,在所述步骤S1中,所述花卉图像显著图计算包括如下步骤:
步骤S11:提取所述花卉原始图像的视觉特征;
步骤S12:根据所述视觉特征计算花卉图像显著图。
3.根据权利要求2所述的一种结合显著性区域的卷积神经网络的花卉图像分类方法,其特征在于,在所述步骤S11中,还包括如下步骤:
步骤S111:统一所述花卉原始图像的尺寸,采用9级高斯金字塔算法对所述花卉原始图像进行采样,并采样为尺度0至尺度8,共9个尺度;
步骤S112:在每个尺度上对应提取视觉特征图,包括:颜色特征、亮度特征和方向特征;
步骤S113:对提取的所有视觉特征图进行center-surround 操作。
4.根据权利要求3所述的一种结合显著性区域的卷积神经网络的花卉图像分类方法,其特征在于,在所述步骤S12中,还包括如下步骤:
步骤S121:将各个视觉特征图的尺寸分别通过差值调整为与所述高斯金字塔算法中第四层图像的尺寸相同;
步骤S122:将每个视觉特征图中的像素相加;
步骤S123:利用归一化算子对每个视觉特征图进行归一化,获取亮度显著图、颜色显著图和方向显著图;
步骤S124:通过对所述亮度显著图、颜色显著图和方向显著图进行叠加,得到所述花卉图像显著图。
5.根据权利要求1所述的一种结合显著性区域的卷积神经网络的花卉图像分类方法,其特征在于,在所述步骤S2中,还包括如下步骤:
步骤S21:对所述花卉图像显著图进行闭运算操作;
步骤S22:将所述花卉图像显著图与所述花卉原始图像进行交运算,得到所述花卉图像显著性区域。
6.根据权利要求1所述的一种结合显著性区域的卷积神经网络的花卉图像分类方法,其特征在于,在所述步骤S3中,分别将所述花卉原始图像、所述花卉图像显著性区域与对应的花卉类别作为训练集,采用小于预设值的不同随机数对所述卷积神经网络进行权值初始化,经过前向传播和反向传播两个阶段,直至所述卷积神经网络中每一层的权值参数确定,完成所述卷积神经网络训练。
7.根据权利要求1或6所述的一种结合显著性区域的卷积神经网络的花卉图像分类方法,其特征在于,所述卷积神经网络包括5个卷积层,2个全连接层,卷积操作采用 7×7 的卷积核,滑动窗口的步长设置为2;激活函数采用ReLU;池化操作采用最大池化,池化单元为3×3,池化单元的移动步长为2。
8.根据权利要求1所述的一种结合显著性区域的卷积神经网络的花卉图像分类方法,其特征在于,在所述步骤S4中,通过上分支的卷积神经网络对所述花卉原始图像进行特征学习提取,得到花卉图像的全局特征;通过下分支的卷积神经网络对所述花卉图像显著性区域进行特征学习提取,得到花卉图像的主体特征。
9.根据权利要求8所述的一种结合显著性区域的卷积神经网络的花卉图像分类方法,其特征在于,所述特征学***面;通过所述卷积神经网络的第一层,在特征空间重构后获得96张特征图,每张特征图的尺寸为 55×55;将第一层的96幅特征图输入第二层,得256张尺寸为27×27的特征图;第三层和第四层都得到384张尺寸大小为13×13的特征图;第五层得到256张尺寸为 6×6的特征图;第六层的全连接层将第五层输出的特征图进行全相连,输出6×6×256=9216维向量,对其池化操作后得到一个4096维的向量。
10.根据权利要求8所述的一种结合显著性区域的卷积神经网络的花卉图像分类方法,其特征在于,在所述步骤S5中,通过使用全连接层将上、下两个分支的特征进行串联。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810087389.6A CN108334901A (zh) | 2018-01-30 | 2018-01-30 | 一种结合显著性区域的卷积神经网络的花卉图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810087389.6A CN108334901A (zh) | 2018-01-30 | 2018-01-30 | 一种结合显著性区域的卷积神经网络的花卉图像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108334901A true CN108334901A (zh) | 2018-07-27 |
Family
ID=62926236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810087389.6A Pending CN108334901A (zh) | 2018-01-30 | 2018-01-30 | 一种结合显著性区域的卷积神经网络的花卉图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108334901A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109087264A (zh) * | 2018-08-07 | 2018-12-25 | 清华大学深圳研究生院 | 一种基于深度网络的使网络注意到数据的重要部分的方法 |
CN109220226A (zh) * | 2018-10-31 | 2019-01-18 | 哈尔滨理工大学 | 果实自动识别分类及采摘的果园智能化*** |
CN109615028A (zh) * | 2019-01-22 | 2019-04-12 | 浙江大学 | 一种基于显著图的药用植物分类方法 |
CN110189264A (zh) * | 2019-05-05 | 2019-08-30 | 深圳市华星光电技术有限公司 | 图像处理方法 |
CN110738247A (zh) * | 2019-09-30 | 2020-01-31 | 中国科学院大学 | 一种基于选择性稀疏采样的细粒度图像分类方法 |
CN111291784A (zh) * | 2020-01-15 | 2020-06-16 | 上海理工大学 | 一种基于迁移显著性先验信息的服装属性识别方法 |
US11132392B2 (en) | 2019-04-17 | 2021-09-28 | Boe Technology Group Co., Ltd. | Image retrieval method, image retrieval apparatus, image retrieval device and medium |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106469314A (zh) * | 2016-08-31 | 2017-03-01 | 深圳市唯特视科技有限公司 | 一种基于时空共生双流网络的视频图像分类方法 |
CN106815579A (zh) * | 2017-01-22 | 2017-06-09 | 深圳市唯特视科技有限公司 | 一种基于多区域双流卷积神经网络模型的动作检测方法 |
US20170262995A1 (en) * | 2016-03-11 | 2017-09-14 | Qualcomm Incorporated | Video analysis with convolutional attention recurrent neural networks |
-
2018
- 2018-01-30 CN CN201810087389.6A patent/CN108334901A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170262995A1 (en) * | 2016-03-11 | 2017-09-14 | Qualcomm Incorporated | Video analysis with convolutional attention recurrent neural networks |
CN106469314A (zh) * | 2016-08-31 | 2017-03-01 | 深圳市唯特视科技有限公司 | 一种基于时空共生双流网络的视频图像分类方法 |
CN106815579A (zh) * | 2017-01-22 | 2017-06-09 | 深圳市唯特视科技有限公司 | 一种基于多区域双流卷积神经网络模型的动作检测方法 |
Non-Patent Citations (9)
Title |
---|
ALEX KRIZHEVSKY ET AL.: "ImageNet Classification with Deep Convolutional Neural Networks", 《COMMUNICATIONS OF THE ACM》 * |
GUO-SEN XIE ET AL.: "LG-CNN: From local parts to global discrimination for fine-grained recognition", 《PATTERN RECOGNITION》 * |
LAURENT ITTI ET AL.: "A Model of Saliency-Based Visual Attention for Rapid Scene Analysis", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
YU CHUNYAN ET AL.: "A New Agent Oriented Model for AutoMotive Computing Platform", 《2010 IEEE》 * |
刘帆等: "基于双流卷积神经网络的RGB-D图像联合检测", 《激光与光电子学进展》 * |
张建兴等: "结合目标色彩特征的基于注意力的图像分割", 《计算机工程与应用》 * |
段鑫: "基于视觉信息认知机理的图像处理与物体识别", 《万方学位论文》 * |
王攀等: "《优化与控制中的软计算方法研究(第2版)》", 31 January 2017, 武汉:湖北科学技术出版社 * |
莫德举等: "《数字图像处理》", 31 January 2010, 北京:北京邮电大学出版社 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109087264A (zh) * | 2018-08-07 | 2018-12-25 | 清华大学深圳研究生院 | 一种基于深度网络的使网络注意到数据的重要部分的方法 |
CN109087264B (zh) * | 2018-08-07 | 2021-04-09 | 清华大学深圳研究生院 | 一种基于深度网络的使网络注意到数据的重要部分的方法 |
CN109220226A (zh) * | 2018-10-31 | 2019-01-18 | 哈尔滨理工大学 | 果实自动识别分类及采摘的果园智能化*** |
CN109615028A (zh) * | 2019-01-22 | 2019-04-12 | 浙江大学 | 一种基于显著图的药用植物分类方法 |
CN109615028B (zh) * | 2019-01-22 | 2022-12-27 | 浙江大学 | 一种基于显著图的药用植物分类方法 |
US11132392B2 (en) | 2019-04-17 | 2021-09-28 | Boe Technology Group Co., Ltd. | Image retrieval method, image retrieval apparatus, image retrieval device and medium |
CN110189264A (zh) * | 2019-05-05 | 2019-08-30 | 深圳市华星光电技术有限公司 | 图像处理方法 |
CN110189264B (zh) * | 2019-05-05 | 2021-04-23 | Tcl华星光电技术有限公司 | 图像处理方法 |
CN110738247A (zh) * | 2019-09-30 | 2020-01-31 | 中国科学院大学 | 一种基于选择性稀疏采样的细粒度图像分类方法 |
CN111291784A (zh) * | 2020-01-15 | 2020-06-16 | 上海理工大学 | 一种基于迁移显著性先验信息的服装属性识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108334901A (zh) | 一种结合显著性区域的卷积神经网络的花卉图像分类方法 | |
CN109584248B (zh) | 基于特征融合和稠密连接网络的红外面目标实例分割方法 | |
CN106897673B (zh) | 一种基于retinex算法和卷积神经网络的行人再识别方法 | |
CN105320965B (zh) | 基于深度卷积神经网络的空谱联合的高光谱图像分类方法 | |
CN109741331B (zh) | 一种图像前景物体分割方法 | |
CN113065558A (zh) | 一种结合注意力机制的轻量级小目标检测方法 | |
CN108734138B (zh) | 一种基于集成学习的黑色素瘤皮肤病图像分类方法 | |
CN106845527A (zh) | 一种菜品识别方法 | |
CN108399362A (zh) | 一种快速行人检测方法及装置 | |
CN110210551A (zh) | 一种基于自适应主体敏感的视觉目标跟踪方法 | |
CN107392925A (zh) | 基于超像素编码和卷积神经网络的遥感影像地物分类方法 | |
CN108564049A (zh) | 一种基于深度学习的快速人脸检测识别方法 | |
CN107220657A (zh) | 一种面向小数据集的高分辨率遥感影像场景分类的方法 | |
CN111340814A (zh) | 一种基于多模态自适应卷积的rgb-d图像语义分割方法 | |
CN113408594B (zh) | 一种基于注意力网络尺度特征融合的遥感场景分类方法 | |
CN113627472B (zh) | 基于分层深度学习模型的智慧园林食叶害虫识别方法 | |
CN107392130A (zh) | 基于阈值自适应和卷积神经网络的多光谱图像分类方法 | |
CN112801015B (zh) | 一种基于注意力机制的多模态人脸识别方法 | |
CN109446922B (zh) | 一种实时鲁棒的人脸检测方法 | |
CN109785344A (zh) | 基于特征重标定的双通路残差网络的遥感图像分割方法 | |
CN110032925A (zh) | 一种基于改进胶囊网络与算法的手势图像分割与识别方法 | |
CN110110596A (zh) | 高光谱图像特征提取、分类模型构建及分类方法 | |
CN110263768A (zh) | 一种基于深度残差网络的人脸识别方法 | |
CN109426773A (zh) | 一种道路识别方法和装置 | |
CN106778701A (zh) | 一种加入Dropout的卷积神经网络的果蔬图像识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180727 |
|
RJ01 | Rejection of invention patent application after publication |