CN108564094A - 一种基于卷积神经网络和分类器组合的材质识别方法 - Google Patents
一种基于卷积神经网络和分类器组合的材质识别方法 Download PDFInfo
- Publication number
- CN108564094A CN108564094A CN201810370816.1A CN201810370816A CN108564094A CN 108564094 A CN108564094 A CN 108564094A CN 201810370816 A CN201810370816 A CN 201810370816A CN 108564094 A CN108564094 A CN 108564094A
- Authority
- CN
- China
- Prior art keywords
- neural networks
- convolutional neural
- classifiers
- fundamental
- image
- 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
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络和分类器组合的材质识别方法,包括以下步骤:步骤一、卷积神经网络模型训练;步骤二、图像CNN特征提取;步骤三、基础分类器训练;步骤四、多个基础分类器组合,确定所述图像库中每张图片的准确材质类别。本发明通过训练卷积神经网络模型来提取图像的CNN特征,再利用提取的CNN特征来构建训练集,利用训练集来训练多个基础分类器,通过组合这些基础分类器来提高材质识别的精度,相对于某单一的基础分类器具有更高的识别精度以及更均衡的各类别识别精度。
Description
技术领域
本发明涉及人工智能及材质识别技术领域,尤其涉及一种基于卷积神经网络和分类器组合的材质识别方法。
背景技术
材质识别技术是一项热门的计算机应用研究技术,它属于计算机视觉的研究热点之一,尤其是近几年随着深度学习的蓬勃发展,深度学习在目标检测和识别中取得了巨大的成功。使用深度学习的方法,通过图像的CNN特征来区分图像中材质的类别也是近几年来研究的热点难点问题。而且对材质的识别是人类感知周围环境的重要方面,同时也在我们的生活中扮演着非常重要的角色,不同的材质带给人类的感知是不一样的,例如皮革制品和纺织品带给人类的感觉就很不同。同时材质识别也在自动驾驶、家庭垃圾自动分类等方面中有着广泛应用。
材质识别主要包含几个部分:特征提取、分类器训练等等。目前针对每一部分都有较为成熟的算法,但是对于分类器的组合需要不同的策略研究对比得到更高的识别精度。
现有技术中的材质识别方案主要包括如下的几种:
①特征提取:
a)基于反射率的边缘联合特征:在材质识别刚开始兴起的时候,单一类型的特征很难满足材质识别的需求。因此提出了将不同的特征结合起来形成联合特征再用来进行材质识别。对于给定的图像,图像中的对象可以由表面光散射特征、表面结构、目标形状和环境光照等因素确定。虽然不能从单一图像推断出每一个因素,但是可以测量出与这些因素相关的一些图像特征。基于反射率的边缘联合特征就联合使用了这四种特征,对材质识别进行了实验。
b)基于梯度方向变异特征:使用梯度方向的标准方差。基于梯度方向变异特征的主要思想是捕获检测目标尖角和圆滑角的不同。例如,金属制品的模型的菱角往往是比价尖锐的,而与此相反的是塑料制品的菱角一般是圆滑的角。
c)LBP特征:这种特征不但可以捕获上下文共现的有效信息,并且能保持旋转不变性。
②材质识别:
1)基于物体反射率的材质识别方法:
a)基于双向特征直方图的3D文理识别:双向纹理函数(BTF)是将观察图像纹理作为观察方向和照明方向的一个函数。构造一个基于BTF的表面模型,用来捕捉局部结构的相关统计分布,作为观察和光照条件的改变,称为3D纹理双向直方图表示。并在此基础上设计了一个3D纹理识别方法。使用BTF作为表面模型,然后对一个单一的纹理图像在未知成像参数下进行分类。同时设计了一个方法评价使用BFT对纹理图像相关重要性。
b)基于光谱BRDF最佳投影的原材料像素级别上材质分类:在之前的材质识别方法中,大多使用表面的光谱反射率子集作为分类的特征依据,但是获得全光谱反射率的需要大量时间的并且容易出错的。因此使用编码光照来直接测量有辨别性的特征来进行材质识别与分类最佳照明模式,我们称之为“区分照明”,通过投射到不同的材料的光谱反射率最大限度的分离出来。这种投影是由入射光与表面反射的积分自动实现的。
c)单一的图像多估计材质分类:针对物体表面材料的多样性,单一图像的反射和光照就变得具有很大的挑战性,主要困难是从稀疏的角样本中恢复反射率。可以通过提取和充分利用先验反射率来解决在这个问题。主要思想就是通过强约束可能的结果,使得复原后的反射率与实际材质是一致的。通过模拟方向统计BRDF模型的参数空间和提取真实材质跨度的子空间的解析分布来实现。
d)基于反射散列法的材质识别:是一种利用反射率来识别材质的方法。反射率提供了材质的独有的特征,使用特定的光学相机拍摄材质表面得到反射率盘。反射盘的坐标对应材质表面观察角。反射率具有类别的特定结构,在反射空间计算的角梯度揭露了材质类别。反射盘编码有辨别性的信息,使用反射散列框架,以及字典学习和二进制散列法对反射率盘进行建模,实现对材质的识别分类。
2)基于表观特征的材质识别方法:
a)贝叶斯框架下的材质识别:联合使用了材质的轮廓、颜色等等多个特征。并且在贝叶斯生成框架下利用增广隐式狄利克雷分布来使用这些联合特征进行材质识别。
b)基于视觉特征的材质识别:使用材质视觉特征来实现对不考虑具体目标而是获得每个像素上的材质信息。准确有效的避免了特定目标信息的影响,因此可以准确的识别材质特征而不是目标所表现出的特征。实验结果证明材质特征更具有辨别信息,能更好的被识别。
上述现有技术中的材质识别方案的缺点为:
①现有技术中关于材质类别的识别方法中总体识别精度都不高;
②各个类别的材质识别的精度很不均衡,有的类别识别精度很高,有的类别识别精度很低。
发明内容
本发明提供了一种基于卷积神经网络和分类器组合的材质识别方法,可以对图像的材质类别进行高精度的识别。
一种基于卷积神经网络和分类器组合的材质识别方法,包括以下步骤:
步骤一、卷积神经网络模型训练;
采用现有材质数据库训练卷积神经网络模型,在所述现有材质数据库中采集图像,构建图像库,再用所述图像库训练所述卷积神经网络,构建可识别材质的卷积神经网络模型;
步骤二、图像CNN特征提取;
采用步骤一得到的卷积神经网络模型对所述图像库中的每张图片进行图像CNN特征提取,构建训练集;
步骤三、基础分类器训练;
采用步骤二得到的训练集,训练多个具有差异性的基础分类器;
步骤四、多个基础分类器组合;
采用步骤三得到的多个基础分类器识别多个待测样本,每个基础分类器将得到每个待测样本所属材质类别的概率;将步骤三中得到的多个基础分类器组合,确定所述待测样本的准确材质类别。
优选的,所述步骤一中的现有材质数据库采用MINC材质数据库。
优选的,所述图像库构建方法为在所述MINC材质数据库的23类不同材质图像中,每类选取2500张图像,构建总数为49450张图像的图像库。
优选的,所述卷积神经网络的基本框架采用AlexNet、GoogleNet或VGG-16。
优选的,所述步骤三中的基础分类器包括softmax分类器、SVM分类器、ELM分类器、随机森林分类器或袋装决策树算法分类器。
优选的,所述SVM分类器采用LIBSVM工具箱构造;SVM分类算法最初是为二值分类问题设计的,当涉及处理多类问题时,就需要构造合适的多类分类器。本发明中构造SVM多类分类器的方法使用的是LIBSVM工具箱。LIBSVM工具箱是台湾大学林智仁教授等开发设计的一个简单,易于使用和快速有效的SVM模式识别与回归的软件包,在对训练集和测试集数据进行归一化预处理之后使用的函数主要有svmtrain和svmpredict进行训练和预测。关于参数的选择,主要思想是在某一范围内离散取值,取使得最终测试集分类准确率最高的参数为最佳参数,当没有测试集标签的情况下通过交叉验证的方法可以找到一定意义下的最佳参数。
优选的,所述ELM分类器采用极限学习机代码构造;极限学习机(ELM)是一种简单易用、有效的单隐层前馈神经网络SLFNs学习算法。2004年由南洋理工大学黄广斌副教授提出。其优势在于只需要设置网络的隐层节点个数,在算法执行过程中不需要调整网络的输入权值以及隐元的偏置,并且产生唯一的最优解,学习速度快且泛化性能好。使用黄老师已经公布的极限学习机的代码训练自己的分类器。
优选的,所述随机森林分类器采用randomforest-matlab开源工具箱构造;随机森林的实现过程为,随机森林中的每一棵分类树为二叉树,其生成遵循自顶向下的递归***原则,即从根节点开始依次对训练集进行划分;在二叉树中,根节点包含全部训练数据,按照节点纯度最小原则,***为做节点和右节点,它们分别包含训练数据的一个子集,按照同样的规则节点继续***,直到满足分支停止规则而停止生长。若节点n上的分类数据全部来自于同一类别,则此节点的纯度为0,纯度度量方法是Gini准则。Matlab自带的工具箱中没有随机森林算法,本发明中采用科罗拉多大学博尔德分校Abhishek Jaiantilal开发的randomforest-matlab开源工具箱,使用classRF_train和classRF predict两个函数分别进行随机森林模型的训练和分类器识别的实验。
优选的,所述袋装决策树算法分类器采用matlab自带的工具箱中的TreeBagge函数构造。个体决策树往往会出现过度拟合的问题,袋装决策树算法是结合了许多决策树的结果,减少了过度拟合的问题,提高了推广。在matlab自带的工具箱中使用Tree Bagge函数即可。
优选的,所述步骤四中的多个基础分类器的组合方法为进行取均值运算;将各个基础分类器得到的概率矩阵中每一张测试图像属于同一材质类别的概率值进行取平均运算,得到各个基础分类器概率矩阵的平均概率矩阵,取平均概率矩阵每一行的最大值所对应的材质类别作为该测试图像的最终的材质类别。
优选的,所述步骤四中的多个基础分类器的组合方法为取最大值运算;即取各个基础分类器的概率矩阵的每一行的最大概率值进行比较,得到这些最大值中的最大值,则该最大值所对应的材质类别作为该测试图像的最终材质类别。
优选的,所述步骤四中的多个基础分类器的组合方法为对各个基础分类器进行权重设置;将各个基础分类器的概率矩阵与权重的相乘的结果相加得到测试集样本最终的概率矩阵,再取概率矩阵中每一行最大概率值,该最大概率值所对应的材质类别作为该测试图像的最终材质类别。
将softmax作为基本分类器,在softmax的识别精度的基础上对精度进行提升。将训练好的与softmax差异性较小的SVM分类器和与softmax差异性较大随机森林分类器分别设置0.5的权重,将测试集中的5750个测试样本的结果进行遍历,当softmax判断错误,SVM判断错误但是随机森林判断正确时,随机森林的权重增大0.01,SVM的权重减小0.01;当SVM判断正确而随机森林的判断错误时将SVM的权重增加0.01,随机森林的权重减少0.01。其他情况下各个分类器的权重不发生改变。最后将分类器的权重进行归一化处理。将各个分类器的概率矩阵与权重的相乘的结果相加得到测试集样本最终的概率矩阵,再取概率矩阵中每一行最大概率值,该最大概率值所对应的材质类别作为该测试样本的材质类别。
本发明提供的一种基于卷积神经网络和分类器组合的材质识别方法,通过训练卷积神经网络模型来提取图像的CNN特征,再利用提取的CNN特征来构建训练集,利用训练集来训练多个基础分类器,通过组合这些基础分类器来提高材质识别的精度,相对于某单一的基础分类器具有更高的识别精度以及更均衡的各类别识别精度。
附图说明
图1为本发明一实施例中基于卷积神经网络和分类器组合的材质识别方法的流程图;
图2是本发明一实施例中基础分类器训练阶段流程图;
图3是本发明一实施例中采用权重设置方法来组合基础分类器的流程图。
具体实施方式
下面,结合附图和具体实施方式对本发明所述方法做详细说明。
如图1~3所示,根据本发明一实施例的基于卷积神经网络和分类器组合的材质识别方法,包括以下步骤:
步骤一、卷积神经网络模型训练;
在具有材质种类多、样本数量大、样本数量平衡等优点的材质数据库MINC数据库中选取图像,构建图像库。在MINC数据库中的23类材质中,每类材质中选定2150张图像,构建总数为49450张图像的训练图像库;再在剩余的每一类材质图像中随机选取250张图像,构建总数为5750张图像的测试图像库。
选定初始的网络模型GoogleNet,使用上面构建的训练图像库,对GoogleNet卷积神经网络进行训练,构建可识别材质的卷积神经网络模型;
步骤二、图像CNN特征提取;
采用步骤一得到的卷积神经网络模型对训练图像库中的每张图片进行图像CNN特征提取,构建训练集;采用步骤一得到的卷积神经网络模型对测试图像库中的每张图片进行图像CNN特征提取,构建测试集;
步骤三、基础分类器训练;
采用步骤二得到的训练集,训练具有差异性的Softmax、SVM、随机森林三个基础分类器;
Softmax基础分类器的训练过程在卷积神经网络训练过程中得到,Softmax作为卷积神经网络的最后一层;
SVM基础分类器使用LIBSVM工具箱构建,使用交叉验证的方法得到一定意义下的最优参数,然后使用svmtrain函数进行训练,得到训练好的SVM模型;
随机森林基础分类器使用了科罗拉多大学博尔德分校Abhishek Jaiantil al开发的randomforest-matlab开源工具箱,使用classRF_train函数进行训练,得到训练好的随机森林模型。
步骤四、多个基础分类器组合;
输出各个基础分类器对测试集中各个样本识别的属于各个类别的概率,输出的概率组成为5750*23的概率矩阵,其中每一行代表该样本分别属于23类材质的概率。
然后可以通过取均值运算,或者取最大值运算,或者设置分类器权重等方法中的一个方法将多个基础分类器组合起来,确定测试集中各个样本的较为准确的材质类别。
在本发明的一个实施例中,采用取均值运算的方法组合基础分类器;首先通过将各个基础分类器输出的概率矩阵对应位置相加取平均值,得到新的5750*23的概率矩阵,然后取概率矩阵中每一行的最大值,将该最大值对应的材质类别作为该图像中心点像素的材质类别。采用测试集进行测试,材质识别准确率可达到82.00%。
在本发明的另一个实施例中,采用取最大值运算的方法组合基础分类器;首先取每个基础分类器概率矩阵每一行的概率的最大值,将这几个最大值进行比较再取这些最大值中的最大值,然后将该最大值所对应的材质类别作为该图像中心点像素的材质类别。采用测试集进行测试,材质识别准确率可达到81.98%。
在本发明的另一个实施例中,采用设置分类器权重的方法组合基础分类器;在设置分类器权重中,将softmax作为基础分类器,权重设置为1。分别将SVM和随机森林的权重设置为0.5。将各个分类器对测试集的检测得到的类别标签和正确的类别标签进行对比,相同则表示检测正确,不相同则表示检测错误。softmax的检测结果错误时,SVM的检测结果正确,而随机森林的检测的结果错误时,SVM的权重增加0.01,随机森林的权重减少0.01;当SVM的检测结果错误,而随机森林的检测结果正确时,SVM的权重减少0.01,随机森林的权重增加0.01。其余情况下各个分类器的权重不发生变化。最后将权重进行归一化操作,得到各个分类器最终的权重。在进行材质识别的时候将各个分类器检测的测试图像属于各个类别的概率与各自的权重相乘,得到的结果相加,得到新的概率,取概率的最大值对应的材质类别最为该测试图像中心店像素的材质类别。采用测试集进行测试,材质识别准确率可达到82.17%。
应当指出,虽然通过上述实施方式对本发明进行了描述,然而本发明还可有其他多种实施方式。在不脱离本发明精神和范围的前提下,熟悉本领域的技术人员显然可以对本发明做出各种相应的改变和变形,但这些改变和变形都应当属于本发明所附权利要求及其等效物所保护的范围内。
Claims (9)
1.一种基于卷积神经网络和分类器组合的材质识别方法,其特征在于,包括以下步骤:
步骤一、卷积神经网络模型训练;
采用现有材质数据库训练卷积神经网络模型,在所述现有材质数据库中采集图像,构建图像库,再用所述图像库训练所述卷积神经网络,构建可识别材质的卷积神经网络模型;
步骤二、图像CNN特征提取;
采用步骤一得到的卷积神经网络模型对所述图像库中的每张图片进行图像CNN特征提取,构建训练集;
步骤三、基础分类器训练;
采用步骤二得到的训练集,训练多个具有差异性的基础分类器;
步骤四、多个基础分类器组合;
采用步骤三得到的多个基础分类器识别多个待测样本,每个基础分类器将得到每个待测样本所属材质类别的概率;将步骤三中得到的多个基础分类器组合,确定所述待测样本的准确材质类别。
2.如权利要求1所述的基于卷积神经网络和分类器组合的材质识别方法,其特征在于,所述步骤一中的现有材质数据库采用MINC材质数据库。
3.如权利要求2所述的基于卷积神经网络和分类器组合的材质识别方法,其特征在于,所述图像库构建方法为在所述MINC材质数据库的23类不同材质图像中,每类选取2500张图像,构建总数为49450张图像的图像库。
4.如权利要求1所述的基于卷积神经网络和分类器组合的材质识别方法,其特征在于,所述卷积神经网络的基本框架采用AlexNet、GoogleNet或VGG-16。
5.如权利要求1所述的基于卷积神经网络和分类器组合的材质识别方法,其特征在于,所述步骤三中的基础分类器包括softmax分类器、SVM分类器、ELM分类器、随机森林分类器或袋装决策树算法分类器。
6.如权利要求5所述的基于卷积神经网络和分类器组合的材质识别方法,其特征在于,所述SVM分类器采用LIBSVM工具箱构造;所述ELM分类器采用极限学习机代码构造;所述随机森林分类器采用random forest-matlab开源工具箱构造;所述袋装决策树算法分类器采用matlab自带的工具箱中的TreeBagge函数构造。
7.如权利要求1所述的基于卷积神经网络和分类器组合的材质识别方法,其特征在于,所述步骤四中的多个基础分类器的组合方法为进行取均值运算;将各个基础分类器得到的概率矩阵中每一张测试图像属于同一材质类别的概率值进行取平均运算,得到各个基础分类器概率矩阵的平均概率矩阵,取平均概率矩阵每一行的最大值所对应的材质类别作为该测试图像的最终的材质类别。
8.如权利要求1所述的基于卷积神经网络和分类器组合的材质识别方法,其特征在于,所述步骤四中的多个基础分类器的组合方法为取最大值运算;即取各个基础分类器的概率矩阵的每一行的最大概率值进行比较,得到这些最大值中的最大值,则该最大值所对应的材质类别作为该测试图像的最终材质类别。
9.如权利要求1所述的基于卷积神经网络和分类器组合的材质识别方法,其特征在于,所述步骤四中的多个基础分类器的组合方法为对各个基础分类器进行权重设置;将各个基础分类器的概率矩阵与权重的相乘的结果相加得到测试集样本最终的概率矩阵,再取概率矩阵中每一行最大概率值,该最大概率值所对应的材质类别作为该测试图像的最终材质类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810370816.1A CN108564094B (zh) | 2018-04-24 | 2018-04-24 | 一种基于卷积神经网络和分类器组合的材质识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810370816.1A CN108564094B (zh) | 2018-04-24 | 2018-04-24 | 一种基于卷积神经网络和分类器组合的材质识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108564094A true CN108564094A (zh) | 2018-09-21 |
CN108564094B CN108564094B (zh) | 2021-09-14 |
Family
ID=63536328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810370816.1A Active CN108564094B (zh) | 2018-04-24 | 2018-04-24 | 一种基于卷积神经网络和分类器组合的材质识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108564094B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109295159A (zh) * | 2018-10-26 | 2019-02-01 | 北京工商大学 | 香肠品质智能鉴别方法 |
CN109376798A (zh) * | 2018-11-23 | 2019-02-22 | 东南大学 | 一种基于卷积神经网络二氧化钛晶格相的分类方法 |
CN109934277A (zh) * | 2019-03-06 | 2019-06-25 | 颐保医疗科技(上海)有限公司 | 一种基于人工智能的中药材采收时间的鉴别方法 |
CN110276189A (zh) * | 2019-06-27 | 2019-09-24 | 电子科技大学 | 一种基于步态信息的用户身份认证方法 |
CN110321807A (zh) * | 2019-06-13 | 2019-10-11 | 南京行者易智能交通科技有限公司 | 一种基于多层特征融合的卷积神经网络打哈欠行为识别方法及装置 |
CN110723432A (zh) * | 2019-09-20 | 2020-01-24 | 精锐视觉智能科技(深圳)有限公司 | 垃圾分类的方法及增强现实设备 |
CN111105160A (zh) * | 2019-12-20 | 2020-05-05 | 北京工商大学 | 一种基于倾向性异质装袋算法的钢材质量预测方法 |
CN111242927A (zh) * | 2020-01-14 | 2020-06-05 | 惠州市德赛电池有限公司 | 一种基于深度学习的正弦焊检测方法 |
CN111311525A (zh) * | 2019-11-20 | 2020-06-19 | 重庆邮电大学 | 一种基于直方图概率修正的图像梯度场双区间均衡化算法 |
CN111832433A (zh) * | 2020-06-24 | 2020-10-27 | 科络克电子科技(上海)有限公司 | 一种由图像提取物体特性的装置及其工作方法 |
CN112183550A (zh) * | 2020-09-09 | 2021-01-05 | 上海鹰觉科技有限公司 | 基于深度学习的船舶分类识别方法 |
CN112529060A (zh) * | 2020-12-02 | 2021-03-19 | 贝壳技术有限公司 | 一种图像材质类别识别方法及装置 |
CN113911586A (zh) * | 2021-12-09 | 2022-01-11 | 四川大学 | 智能垃圾分拣***及分拣方法 |
CN114264626A (zh) * | 2021-12-18 | 2022-04-01 | 复旦大学 | 一种基于时间序列残差网络的织物无损定量分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254193A (zh) * | 2011-07-16 | 2011-11-23 | 西安电子科技大学 | 基于相关向量机的多类数据分类方法 |
CN105335350A (zh) * | 2015-10-08 | 2016-02-17 | 北京理工大学 | 一种基于集成学习的语种识别方法 |
CN107392234A (zh) * | 2017-07-05 | 2017-11-24 | 北京航空航天大学 | 一种基于单张4d光场图像的物体表面材质类型识别方法 |
CN107633255A (zh) * | 2017-08-11 | 2018-01-26 | 天津大学 | 一种深度学习模式下的岩石岩性自动识别分类方法 |
CN107886123A (zh) * | 2017-11-08 | 2018-04-06 | 电子科技大学 | 一种基于辅助判决更新学习的合成孔径雷达目标识别方法 |
-
2018
- 2018-04-24 CN CN201810370816.1A patent/CN108564094B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254193A (zh) * | 2011-07-16 | 2011-11-23 | 西安电子科技大学 | 基于相关向量机的多类数据分类方法 |
CN105335350A (zh) * | 2015-10-08 | 2016-02-17 | 北京理工大学 | 一种基于集成学习的语种识别方法 |
CN107392234A (zh) * | 2017-07-05 | 2017-11-24 | 北京航空航天大学 | 一种基于单张4d光场图像的物体表面材质类型识别方法 |
CN107633255A (zh) * | 2017-08-11 | 2018-01-26 | 天津大学 | 一种深度学习模式下的岩石岩性自动识别分类方法 |
CN107886123A (zh) * | 2017-11-08 | 2018-04-06 | 电子科技大学 | 一种基于辅助判决更新学习的合成孔径雷达目标识别方法 |
Non-Patent Citations (4)
Title |
---|
FENGYONG LI ET AL: "JPEG Steganalysis With High-Dimensional Features and Bayesian Ensemble Classifier", 《IEEE SIGNAL PROCESSING LETTERS》 * |
张华: "遥感数据可靠性分类方法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
张尧 等: "采用多分类器集成方法的带钢表面缺陷图像识别", 《东北大学学报(自然科学版)》 * |
林森: "基于前馈神经网络的毛粘混纺纱线材质识别", 《纺织导报》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109295159A (zh) * | 2018-10-26 | 2019-02-01 | 北京工商大学 | 香肠品质智能鉴别方法 |
CN109376798B (zh) * | 2018-11-23 | 2021-09-24 | 东南大学 | 一种基于卷积神经网络二氧化钛晶格相的分类方法 |
CN109376798A (zh) * | 2018-11-23 | 2019-02-22 | 东南大学 | 一种基于卷积神经网络二氧化钛晶格相的分类方法 |
CN109934277A (zh) * | 2019-03-06 | 2019-06-25 | 颐保医疗科技(上海)有限公司 | 一种基于人工智能的中药材采收时间的鉴别方法 |
CN109934277B (zh) * | 2019-03-06 | 2023-05-12 | 颐保医疗科技(上海)有限公司 | 一种基于人工智能的中药材采收时间的鉴别方法 |
CN110321807A (zh) * | 2019-06-13 | 2019-10-11 | 南京行者易智能交通科技有限公司 | 一种基于多层特征融合的卷积神经网络打哈欠行为识别方法及装置 |
CN110276189B (zh) * | 2019-06-27 | 2022-02-11 | 电子科技大学 | 一种基于步态信息的用户身份认证方法 |
CN110276189A (zh) * | 2019-06-27 | 2019-09-24 | 电子科技大学 | 一种基于步态信息的用户身份认证方法 |
CN110723432A (zh) * | 2019-09-20 | 2020-01-24 | 精锐视觉智能科技(深圳)有限公司 | 垃圾分类的方法及增强现实设备 |
CN111311525A (zh) * | 2019-11-20 | 2020-06-19 | 重庆邮电大学 | 一种基于直方图概率修正的图像梯度场双区间均衡化算法 |
CN111105160A (zh) * | 2019-12-20 | 2020-05-05 | 北京工商大学 | 一种基于倾向性异质装袋算法的钢材质量预测方法 |
CN111242927A (zh) * | 2020-01-14 | 2020-06-05 | 惠州市德赛电池有限公司 | 一种基于深度学习的正弦焊检测方法 |
CN111242927B (zh) * | 2020-01-14 | 2024-02-06 | 惠州市德赛电池有限公司 | 一种基于深度学习的正弦焊检测方法 |
CN111832433A (zh) * | 2020-06-24 | 2020-10-27 | 科络克电子科技(上海)有限公司 | 一种由图像提取物体特性的装置及其工作方法 |
CN111832433B (zh) * | 2020-06-24 | 2023-12-29 | 奇点微(上海)光电科技有限公司 | 一种由图像提取物体特性的装置及其工作方法 |
CN112183550A (zh) * | 2020-09-09 | 2021-01-05 | 上海鹰觉科技有限公司 | 基于深度学习的船舶分类识别方法 |
CN112529060A (zh) * | 2020-12-02 | 2021-03-19 | 贝壳技术有限公司 | 一种图像材质类别识别方法及装置 |
CN113911586A (zh) * | 2021-12-09 | 2022-01-11 | 四川大学 | 智能垃圾分拣***及分拣方法 |
CN114264626A (zh) * | 2021-12-18 | 2022-04-01 | 复旦大学 | 一种基于时间序列残差网络的织物无损定量分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108564094B (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564094A (zh) | 一种基于卷积神经网络和分类器组合的材质识别方法 | |
Doumanoglou et al. | Recovering 6D object pose and predicting next-best-view in the crowd | |
Fan et al. | Learning deep face representation | |
CN111222434A (zh) | 基于局部二值模式和深度学习的合成人脸图像取证方法 | |
Kozerawski et al. | Clear: Cumulative learning for one-shot one-class image recognition | |
CN101667245B (zh) | 基于支持向量新颖检测分类器级联的人脸检测方法 | |
CN104504362A (zh) | 基于卷积神经网络的人脸检测方法 | |
CN110532920A (zh) | 基于FaceNet方法的小数量数据集人脸识别方法 | |
CN108133186A (zh) | 一种基于深度学习的植物叶片识别方法 | |
CN109063649A (zh) | 基于孪生行人对齐残差网络的行人重识别方法 | |
CN105205449A (zh) | 基于深度学习的手语识别方法 | |
CN108647690A (zh) | 用于非约束人脸识别的判别稀疏保持投影方法 | |
Zhong et al. | A comparative study of image classification algorithms for Foraminifera identification | |
CN107085731A (zh) | 一种基于rgb‑d融合特征与稀疏编码的图像分类方法 | |
CN107341505A (zh) | 一种基于图像显著性与Object Bank的场景分类方法 | |
CN105608443B (zh) | 一种多特征描述及局部决策加权的人脸识别方法 | |
CN110211127A (zh) | 基于双相关性网络的图像分割方法 | |
CN112949469A (zh) | 针对人脸篡改图像特点分布的图像识别方法、***及设备 | |
CN109711442A (zh) | 无监督逐层生成对抗特征表示学习方法 | |
Pratikakis et al. | Partial 3D object retrieval combining local shape descriptors with global fisher vectors | |
Gilani et al. | Towards large-scale 3D face recognition | |
CN106339665A (zh) | 一种人脸的快速检测方法 | |
CN106326914B (zh) | 一种基于svm的珍珠多分类方法 | |
CN107766792A (zh) | 一种遥感图像舰船目标识别方法 | |
CN110349159A (zh) | 基于权重能量自适应分布的三维形状分割方法及*** |
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 |