CN108596163A - 一种基于cnn和vlad的煤岩识别方法 - Google Patents
一种基于cnn和vlad的煤岩识别方法 Download PDFInfo
- Publication number
- CN108596163A CN108596163A CN201810748171.0A CN201810748171A CN108596163A CN 108596163 A CN108596163 A CN 108596163A CN 201810748171 A CN201810748171 A CN 201810748171A CN 108596163 A CN108596163 A CN 108596163A
- Authority
- CN
- China
- Prior art keywords
- coal
- image
- vlad
- feature vector
- cluster
- 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 80
- 239000011435 rock Substances 0.000 title claims abstract description 40
- 239000013598 vector Substances 0.000 claims abstract description 67
- 239000003245 coal Substances 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000012706 support-vector machine Methods 0.000 claims abstract description 8
- 239000000284 extract Substances 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims abstract description 3
- 230000009467 reduction Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 230000002087 whitening effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000000205 computational method Methods 0.000 claims description 2
- 238000003475 lamination Methods 0.000 claims 1
- 238000010606 normalization Methods 0.000 claims 1
- 238000006116 polymerization reaction Methods 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 3
- 244000287680 Garcinia dulcis Species 0.000 abstract description 2
- 230000004069 differentiation Effects 0.000 abstract 1
- 238000005065 mining Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
-
- 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
- G06F18/23—Clustering techniques
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (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CNN和VLAD的煤岩识别方法,该方法通过将采集的煤岩图像经过预处理,输入到深度卷积神经网络AlexNet中,提取图像高层特征;使用不同初始化方法对提取的图像特征进行聚类,构建视觉词典;通过计算特征间残差和的方法对图像特征进行局部聚合,最后将每幅图像表示为单一列向量的形式输入到支持向量机,进行识别器的训练;在识别过程中,提取待识别煤岩图像特征,输入训练好的分类器,实现对煤岩图像的判别。该方法受光照因素影响低,对噪声的鲁棒性强,正确识别率高,稳定性好。
Description
技术领域
本发明涉及一种基于CNN和VLAD的煤岩识别方法,用于煤炭开采过程中的煤岩图像识别,具体的说是属于图像处理与模式识别技术领域。
背景技术
煤炭是我国国家能源的主要来源之一,也是国家经济的重要支柱之一。近年来,我国的煤炭产量都居于国际领先地位,且煤炭消耗量巨大。
煤岩识别是指通过各种技术手段使***自动判别煤和岩石。实现采煤工作面的煤岩自动识别是研究煤炭开采的重要内容之一,若能有效解决煤岩识别问题则是向无人化综采工作面迈出了至关重要的一步。同时,煤岩识别技术还广泛应用于滚筒采煤、掘进、综采放顶煤过程控制、煤矸分选等生产环节。采煤过程中,煤岩识别的关键在于将工作面煤壁上的煤与岩石有效的区分开,已经出现的多种煤岩识别方法包括雷达探测法、γ射线探测法、红外探测法、记忆截割法等,这些方法各有优缺点,但都需要安装大量传感器进行识别,一方面设备的安装复杂,浪费人力和物力;另一方面针对不同煤炭开采环境,需要选取不同传感器,而传感器本身也易出现故障和失灵,导致***难以维护。
为解决上述问题,研究精度高、鲁棒性强的煤岩识别方法至关重要。随着计算机视觉技术的不断增强,以及深度学习技术的发展,研究以图像为基础的煤岩识别方法具有重要意义。由于煤炭和岩石在颜色、光泽、纹理等方面存在较大差异,通过挖掘煤岩数字图像中的视觉信息进行煤岩图像分类具有实际意义。但是传统煤岩图像识别方法计算复杂度高,识别精度低,鲁棒性差,受到煤岩样本图像影响较大。基于图像的煤岩识别方法在稳定性和识别率上还有待提高。
需要一种高效、稳定且识别率高的煤岩图像识别方法,以解决现有煤岩图像识别技术中的固有问题,提高煤岩识别性能。
发明内容
因此,本发明的目的在于提供一种基于CNN和VLAD算法的煤岩图像识别方法,该方法将深度卷积神经网络作为特征提取器,能够表征图像高层特征,然后将所提取的特征通过不同初始化方法进行聚类,获得视觉词典,利用VLAD算法对特征进行整合,从而进行分类。识别率高,鲁棒性强,实时性好,有利于提高煤岩识别正确率,保障井下安全作业。
本发明所述的煤岩识别方法采用如下技术方案实现,包括样本训练阶段和煤岩识别阶段,具体步骤如下:
A.在样本的训练阶段,分别采集煤样本图像和岩样本图像若干张,构成煤岩图像样本集,记为D,其中煤样本图像和岩样本图像各占一半,图像大小统一设置为224×224,分别取2/3煤样本图像和2/3岩样本图像作为训练样本集,剩下的图像作为测试样本集;
B.对样本训练集中的煤样本图像和岩样本图像进行特征提取,步骤如下:
(1)将训练集中的样本图像输入到经过预训练的AlexNet深度卷积神经网络中,对每幅图像提取网络第5层256个大小为13×13的特征图;
(2)对256个特征图,每幅图中相同位置的特征值顺序排列为一个256维的特征向量,构成13×13个特征向量;
(3)以C种不同的初始化方法对所述256维的特征向量进行聚类运算,所述聚类运算中,给定簇的数量为k,其中C=1,2,3…;
(4)把每个特征向量分配给距离它最近的簇中心,得到C组不同的聚类形式,每组包含k个簇;
(5)计算每个簇中所有特征向量与簇中心的残差和,以各所述残差和为元素,C种初始化方法分别得到一个VLAD特征向量表示;
(6)对所述的VLAD特征向量表示进行符号方根和归一化处理,进一步将C组不同的VLAD特征平整化为一个特征向量;
(7)对步骤(6)中得到的特征向量进行降维和白化处理,得到降维后的特征向量;
C.将降维后的特征向量输入支持向量机,进行分类器的训练;
D.将测试集样本中的煤样本图像和岩样本图像按照步骤A和步骤B的方法进行特征向量的提取,然后输入由步骤C得到的训练好的分类器,测试煤岩图像的识别精度;
E.对于待识别煤岩图像,经过图像预处理,提取图像特征向量(步骤B中求得)输入(步骤C中求得)训练好的分类器中,根据分类器输出结果判别煤岩类型。
进一步地,所述的经过预训练的AlexNet深度卷积神经网络是在ILSVR2012数据集上训练好的深度网络模型,包含5个卷积层和3个全连接层,在本发明中,舍弃了AlexNet网络后三层全连接层,剩下的5个卷积层直接作为特征提取器进行煤岩图像的特征提取。
进一步地,步骤(3)中,所述的以C种不同的初始化方法进行聚类运算,其初始化方法为随机初始化,簇中心的选择符合均匀分布,采用K-means聚类运算。
进一步地,步骤(4)中,所述的簇的集合表示为Sc,m,即
Sc,m={fi,j|m=argminp‖fi,j-μc,p‖}
表示把每个特征向量分配到距离它最近的簇中心的集合,其中,fi,j表示特征图中第i行第j列的特征点对应的256维特征向量,1≤i≤13,1≤j≤13,m表示簇中心,m={1,2,…k},μc,p表示第c种初始化聚类方法中,第p簇的簇中心对应的特征向量,c={1,2,…C},‖·‖为L2范数,用于计算特征向量fi,j与簇中心μc,p之间的距离。
进一步地,步骤(5)中,所述的残差和的计算方法为:
其中,vc,m表示残差和;fi,j表示特征图中第i行第j列的特征点对应的256维特征向量;Sc,m表示第c种初始化聚类方法中,第m簇的集合;μc,m表示第c种初始化聚类方法中,第m簇的簇中心对应的特征向量。
进一步地,所述的VLAD特征向量表示为,Fc=[vc,1,vc,2…vc,k],步骤(6)中对Fc中每一个元素vc,i执行符号方根和归一化处理的方法为:
进一步地,步骤6中,所述的C个类的VLAD特征平整化为一个特征向量
进一步地,所述的步骤(7)中,使用主成分分析的方法对特征向量进行降维和白化处理。
进一步地,所述的步骤C中,选择径向基函数作为分类器核函数,进行二分类非线性支持向量机的训练。
进一步地,所述的步骤D中,通过调整参数,保证分类器的识别精度达到95%以上,若识别精度较低,则通过增加训练样本数量、对样本图像进行数据增强,进行分类器的进一步训练。
本发明从神经网络的中间层提取出特征,然后对这些特征进行处理,再结合传统的聚类方法实现煤岩识别。k-means聚类方法效果好坏和它的初始化方法有很大关系,所以本发明采用不同的初始化方法来减少影响。然后用VLAD的方法(主要是对聚类后的特征进行局部聚合)求残差求得每幅图像单一的特征向量表示。该方法受光照因素影响低,对噪声的鲁棒性强,正确识别率高,稳定性好。
附图说明
图1是本发明所述煤岩识别方法的基本流程图。
图2是本发明所述煤岩图像特征提取过程示意图。
具体实施方式
本发明公开了一种基于CNN(convolutional neural network,卷积神经网络)和VLAD(vector of locally aggregated descriptors,局部特征聚合描述符)的煤岩识别方法,附图1是基于CNN和VLAD的煤岩识别方法的基本流程图,附图2是本发明所述煤岩识别方法的特征提取过程示意图,参见附图进行具体描述。
参照图1,本发明的煤岩图像识别方法总体流程为:
A.在样本的训练阶段,分别采集煤样本图像和岩样本图像若干张,构成煤岩图像样本集,记为D,其中煤样本图像D1和岩样本图像D2各占一半,D1=D2,图像大小统一设置为224×224,分别取2/3煤样本图像和2/3岩样本图像作为训练样本集,剩下的图像作为测试样本集,对样本集D中所有图像进行类别标号,类别标号集设为L,用于分类器的训练和测试;
B.对样本训练集中的煤样本图像和岩样本图像进行特征提取;
C.将降维后的特征向量输入支持向量机,进行分类器的训练。
本实施例选择径向基函数作为分类器核函数,进行二分类非线性支持向量机的训练。选择支持向量机进行特征分类,其优势在于,可以将图像特征映射至高维空间,解决特征的线性不可分问题,利于分类。
D.将测试集样本中的煤样本图像和岩样本图像按照步骤A和步骤B的方法进行特征向量的提取,然后输入由步骤C得到的训练好的分类器,测试煤岩图像的识别精度。
可以通过调整参数,保证分类器的识别精度达到95%以上,若识别精度较低,则通过增加训练样本数量、对样本图像进行数据增强,进行分类器的进一步训练。
E.对于待识别煤岩图像,经过图像预处理,提取图像特征向量(步骤B中求得)输入(步骤C中求得)训练好的分类器中,根据分类器输出结果判别煤岩类型。
其中,步骤B进行特征提取的具体过程如下:
(1)将训练集中的样本图像输入到经过预训练的AlexNet深度卷积神经网络中,对每幅图像提取网络第5层256个大小为13×13的特征图.
本实施例中,经过预训练的AlexNet深度卷积神经网络是在ILSVR2012数据集上训练好的深度网络模型,包含5个卷积层和3个全连接层,在本发明中,舍弃了AlexNet网络后三层全连接层,剩下的5个卷积层直接作为特征提取器进行煤岩图像的特征提取。
(2)对256个特征图,每幅图中相同位置的特征值按照网络第5层卷积层输出的顺序排列为一个256维的特征向量,构成13×13个特征向量;
(3)以C种不同的初始化方法对所述256维的特征向量进行聚类运算,所述聚类运算中,给定簇的数量为k,其中C=1,2,3…。
所述的以C种不同的初始化方法进行聚类运算,其初始化方法为随机初始化,并且作为簇中心的特征向量的选择服从均匀分布,同时采用K-means聚类运算。
(4)把每个特征向量分配给距离它最近的簇中心,得到C组不同的聚类形式,每组包含k个簇。
簇的集合表示为Sc,m,即
Sc,m={fi,j|m=arg minp‖fi,j-μc,p‖}
表示把每个特征向量分配到距离它最近的簇中心的集合,其中,fi,j表示特征图中第i行第j列的特征点对应的256维特征向量,fi,j∈R256,1≤i≤13,1≤j≤13,m表示簇中心,m={1,2,…k},μc,p表示第c种初始化聚类方法中,第p簇的簇中心对应的特征向量,c={1,2,…C},‖·‖为L2范数,用于计算特征向量fi,j与簇中心μc,p之间的距离。
特征向量fi,j表示为fi,j=(x1,x2,…,x169),μc,p表示为μc,p=(y1,y2,…,y169),特征向量fi,j与簇中心μc,p之间的距离计算公式为:
(5)计算每个簇中所有特征向量fi,j与簇中心的残差和,即:
则每种不同的初始化方法分别得到一个VLAD特征向量表示,记为Fc:
Fc=[vc,1,vc,2…vc,k]
其中,vc,m表示残差和;fi,j表示特征图中第i行第j列的特征点对应的256维特征向量;Sc,m表示第c种初始化聚类方法中,第m簇的集合;μc,m表示第c种初始化聚类方法中,第m簇的簇中心对应的特征向量。
(6)对VLAD特征向量表示Fc(c={1,2,…C}),进行符号方根和归一化处理,即对Fc中每一个元素vc,i执行操作:
进一步将C个类的VLAD特征平整化为一个向量
至此,每幅图像被表示为一个向量的形式;
(7)使用主成分分析的方法对步骤(6)中得到的特征向量,进行降维和白化处理,得到降维后的特征向量
一般特征提取是用一些传统的算法,或者把图像经过神经网络的训练,直接由神经网络得出分类结果。本发明是从神经网络的中间层提取出特征,然后对这些特征进行处理,再结合传统的聚类方法实现煤岩识别。k-means聚类方法效果好坏和它的初始化方法有很大关系,所以本发明采用不同的初始化方法来减少影响。然后用VLAD的方法(主要是对聚类后的特征进行局部聚合)求残差求得每幅图像单一的特征向量表示。
Claims (10)
1.一种基于CNN和VLAD的煤岩识别方法,其特征在于,包括以下步骤:
A.在样本的训练阶段,分别采集煤样本图像和岩样本图像若干张,其中煤样本图像和岩样本图像各占一半,分别取2/3煤样本图像和2/3岩样本图像作为训练样本集,剩下的图像作为测试样本集;
B.对样本训练集中的煤样本图像和岩样本图像进行特征提取,步骤如下:
(1)将训练集中的样本图像输入到经过预训练的AlexNet深度卷积神经网络中,对每幅样本图像提取网络第5层256个大小为13×13的特征图;
(2)对256个特征图,每幅样本图像中相同位置的特征值顺序排列为一个256维的特征向量,构成13×13个特征向量;
(3)以C种不同的初始化方法对所述256维的特征向量进行聚类运算,所述聚类运算中,给定簇的数量为k,其中C=1,2,3…;
(4)把每个特征向量分配给距离它最近的簇中心,得到C组不同的聚类形式,每组包含k个簇;
(5)计算每个簇中所有特征向量与簇中心的残差和,以各所述残差和为元素,C种初始化方法分别得到一个VLAD特征向量表示;
(6)对所述的VLAD特征向量表示进行符号方根和归一化处理,进一步将C组不同的VLAD特征平整化为一个特征向量;
(7)对步骤(6)中得到的特征向量进行降维和白化处理,得到降维后的特征向量;
C.将降维后的特征向量输入支持向量机,进行分类器的训练;
D.将测试集样本中的煤样本图像和岩样本图像按照步骤A和步骤B的方法进行特征向量的提取,然后输入由步骤C得到的训练好的分类器,测试煤岩图像的识别精度;
E.对于待识别煤岩图像,经过图像预处理,提取根据步骤B得到的图像特征向量输入根据步骤C得到的训练好的分类器中,根据分类器输出结果判别煤岩类型。
2.根据权利要求1所述的基于CNN和VLAD的煤岩识别方法,其特征在于,所述的经过预训练的AlexNet深度卷积神经网络是在ILSVR2012数据集上训练好的深度网络模型,包含5个卷积层和3个全连接层,在本发明中,舍弃了AlexNet网络后三层全连接层,剩下的5个卷积层直接作为特征提取器进行煤岩图像的特征提取。
3.根据权利要求1所述的基于CNN和VLAD的煤岩识别方法,其特征在于,步骤(3)中,C种不同的初始化方法为随机初始化,同时采用K-means聚类运算。
4.根据权利要求1所述的基于CNN和VLAD的煤岩识别方法,其特征在于,步骤(4)中,簇的集合表示为Sc,m,即
Sc,m={fi,j|m=argminp‖fi,j-μc,p‖}
表示把每个特征向量分配到距离它最近的簇中心的集合,其中,fi,j表示特征图中第i行第j列的特征点对应的256维特征向量,1≤i≤13,1≤j≤13,m表示簇中心,m={1,2,…k},μc,p表示第c种初始化聚类方法中,第p簇的簇中心对应的特征向量,c={1,2,…C},‖·‖为L2范数,用于计算特征向量fi,j与簇中心μc,p之间的距离。
5.根据权利要求1所述的基于CNN和VLAD的煤岩识别方法,其特征在于,步骤(5)中,残差和的计算方法为:
其中,vc,m表示残差和;fi,j表示特征图中第i行第j列的特征点对应的256维特征向量;Sc,m表示第c种初始化聚类方法中,第m簇的集合;μc,m表示第c种初始化聚类方法中,第m簇的簇中心对应的特征向量。
6.根据权利要求1所述的基于CNN和VLAD的煤岩识别方法,其特征在于,所述VLAD特征向量表示为,Fc=[vc,1,vc,2…vc,k],步骤(6)中对Fc中每一个元素vc,i执行符号方根和归一化处理的方法为:
7.根据权利要求6所述的基于CNN和VLAD的煤岩识别方法,其特征在于,C个类的VLAD特征平整化为一个特征向量
8.根据权利要求1所述的基于CNN和VLAD的煤岩识别方法,其特征在于,步骤(7)中,使用主成分分析的方法对特征向量进行降维和白化处理。
9.根据权利要求1所述的基于CNN和VLAD的煤岩识别方法,其特征在于,步骤C中,选择径向基函数作为分类器核函数,进行二分类非线性支持向量机的训练。
10.根据权利要求1所述的基于CNN和VLAD的煤岩识别方法,其特征在于,步骤D中,通过调整参数,保证分类器的识别精度达到95%以上,若识别精度较低,则通过增加训练样本数量、对样本图像进行数据增强,进行分类器的进一步训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810748171.0A CN108596163A (zh) | 2018-07-10 | 2018-07-10 | 一种基于cnn和vlad的煤岩识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810748171.0A CN108596163A (zh) | 2018-07-10 | 2018-07-10 | 一种基于cnn和vlad的煤岩识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108596163A true CN108596163A (zh) | 2018-09-28 |
Family
ID=63617808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810748171.0A Pending CN108596163A (zh) | 2018-07-10 | 2018-07-10 | 一种基于cnn和vlad的煤岩识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596163A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615024A (zh) * | 2018-12-28 | 2019-04-12 | 东北大学 | 一种岩石种类智能区分识别及定位方法 |
CN110135460A (zh) * | 2019-04-16 | 2019-08-16 | 广东工业大学 | 基于vlad卷积模块的图像信息强化方法 |
CN110209859A (zh) * | 2019-05-10 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 地点识别及其模型训练的方法和装置以及电子设备 |
CN110245702A (zh) * | 2019-06-12 | 2019-09-17 | 深圳大学 | 机械磨损颗粒识别方法、装置、电子设备及存储介质 |
CN111126488A (zh) * | 2019-12-24 | 2020-05-08 | 威创集团股份有限公司 | 一种基于双重注意力的图像识别方法 |
CN111738348A (zh) * | 2020-06-29 | 2020-10-02 | 南方电网科学研究院有限责任公司 | 一种电力数据异常检测方法和装置 |
CN111968136A (zh) * | 2020-08-18 | 2020-11-20 | 华院数据技术(上海)有限公司 | 一种煤岩显微图像分析方法及分析*** |
CN112348100A (zh) * | 2020-11-13 | 2021-02-09 | 成都理工大学 | 一种岩石识别方法、装置、设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473748A (zh) * | 2013-09-23 | 2013-12-25 | 中国矿业大学(北京) | 一种煤矿井下图像增强的方法 |
CN103530621A (zh) * | 2013-11-04 | 2014-01-22 | 中国矿业大学(北京) | 一种基于bp神经网络的煤岩图像识别方法 |
CN104318254A (zh) * | 2014-11-13 | 2015-01-28 | 中国矿业大学(北京) | 一种基于dct低频分量特征的快速煤岩识别方法 |
CN105243401A (zh) * | 2015-11-10 | 2016-01-13 | 中国矿业大学(北京) | 基于煤岩结构元学习的煤岩识别方法 |
CN106649665A (zh) * | 2016-12-14 | 2017-05-10 | 大连理工大学 | 一种面向图像检索的对象级深度特征聚合方法 |
CN106682233A (zh) * | 2017-01-16 | 2017-05-17 | 华侨大学 | 一种基于深度学习与局部特征融合的哈希图像检索方法 |
CN106845329A (zh) * | 2016-11-11 | 2017-06-13 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于深度卷积特征多通道金字塔池化的动作识别方法 |
WO2017096570A1 (en) * | 2015-12-10 | 2017-06-15 | Intel Corporation | Visual recognition using deep learning attributes |
CN107122712A (zh) * | 2017-03-27 | 2017-09-01 | 大连大学 | 基于卷积神经网络和双向局部特征聚合描述向量的掌纹图像识别方法 |
CN107145903A (zh) * | 2017-04-28 | 2017-09-08 | 武汉理工大学 | 一种基于卷积神经网络图片特征提取的船舶类型识别方法 |
CN107169415A (zh) * | 2017-04-13 | 2017-09-15 | 西安电子科技大学 | 基于卷积神经网络特征编码的人体动作识别方法 |
CN108154183A (zh) * | 2017-12-25 | 2018-06-12 | 深圳市唯特视科技有限公司 | 一种基于局部和深度特征集合的目标分类方法 |
-
2018
- 2018-07-10 CN CN201810748171.0A patent/CN108596163A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473748A (zh) * | 2013-09-23 | 2013-12-25 | 中国矿业大学(北京) | 一种煤矿井下图像增强的方法 |
CN103530621A (zh) * | 2013-11-04 | 2014-01-22 | 中国矿业大学(北京) | 一种基于bp神经网络的煤岩图像识别方法 |
CN104318254A (zh) * | 2014-11-13 | 2015-01-28 | 中国矿业大学(北京) | 一种基于dct低频分量特征的快速煤岩识别方法 |
CN105243401A (zh) * | 2015-11-10 | 2016-01-13 | 中国矿业大学(北京) | 基于煤岩结构元学习的煤岩识别方法 |
WO2017096570A1 (en) * | 2015-12-10 | 2017-06-15 | Intel Corporation | Visual recognition using deep learning attributes |
CN106845329A (zh) * | 2016-11-11 | 2017-06-13 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于深度卷积特征多通道金字塔池化的动作识别方法 |
CN106649665A (zh) * | 2016-12-14 | 2017-05-10 | 大连理工大学 | 一种面向图像检索的对象级深度特征聚合方法 |
CN106682233A (zh) * | 2017-01-16 | 2017-05-17 | 华侨大学 | 一种基于深度学习与局部特征融合的哈希图像检索方法 |
CN107122712A (zh) * | 2017-03-27 | 2017-09-01 | 大连大学 | 基于卷积神经网络和双向局部特征聚合描述向量的掌纹图像识别方法 |
CN107169415A (zh) * | 2017-04-13 | 2017-09-15 | 西安电子科技大学 | 基于卷积神经网络特征编码的人体动作识别方法 |
CN107145903A (zh) * | 2017-04-28 | 2017-09-08 | 武汉理工大学 | 一种基于卷积神经网络图片特征提取的船舶类型识别方法 |
CN108154183A (zh) * | 2017-12-25 | 2018-06-12 | 深圳市唯特视科技有限公司 | 一种基于局部和深度特征集合的目标分类方法 |
Non-Patent Citations (5)
Title |
---|
JOE YUE-HEI NG等: "Exploiting Local Features from Deep Networks for Image Retrieval" * |
ZHE WANG等: "CODEBOOK ENHANCEMENT OF VLAD REPRESENTATION FOR VISUAL RECOGNITION" * |
卞颖: "基于深度学习的图像检索技术研究" * |
王倩等: "基于改进VLAD算法的图像分类" * |
田子建等: "基于机器视觉的煤岩界面识别研究" * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615024A (zh) * | 2018-12-28 | 2019-04-12 | 东北大学 | 一种岩石种类智能区分识别及定位方法 |
CN110135460A (zh) * | 2019-04-16 | 2019-08-16 | 广东工业大学 | 基于vlad卷积模块的图像信息强化方法 |
CN110209859A (zh) * | 2019-05-10 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 地点识别及其模型训练的方法和装置以及电子设备 |
CN110209859B (zh) * | 2019-05-10 | 2022-12-27 | 腾讯科技(深圳)有限公司 | 地点识别及其模型训练的方法和装置以及电子设备 |
CN110245702A (zh) * | 2019-06-12 | 2019-09-17 | 深圳大学 | 机械磨损颗粒识别方法、装置、电子设备及存储介质 |
CN111126488A (zh) * | 2019-12-24 | 2020-05-08 | 威创集团股份有限公司 | 一种基于双重注意力的图像识别方法 |
CN111126488B (zh) * | 2019-12-24 | 2023-08-18 | 威创集团股份有限公司 | 一种基于双重注意力的图像识别方法 |
CN111738348A (zh) * | 2020-06-29 | 2020-10-02 | 南方电网科学研究院有限责任公司 | 一种电力数据异常检测方法和装置 |
CN111968136A (zh) * | 2020-08-18 | 2020-11-20 | 华院数据技术(上海)有限公司 | 一种煤岩显微图像分析方法及分析*** |
CN112348100A (zh) * | 2020-11-13 | 2021-02-09 | 成都理工大学 | 一种岩石识别方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596163A (zh) | 一种基于cnn和vlad的煤岩识别方法 | |
Tian et al. | Detecting text in natural image with connectionist text proposal network | |
CN109002834B (zh) | 基于多模态表征的细粒度图像分类方法 | |
CN106897738B (zh) | 一种基于半监督学习的行人检测方法 | |
CN108171184A (zh) | 基于Siamese网络的用于行人重识别的方法 | |
CN111275688A (zh) | 基于注意力机制的上下文特征融合筛选的小目标检测方法 | |
CN108960073A (zh) | 面向生物医学文献的跨模态图像模式识别方法 | |
CN106650780A (zh) | 数据处理方法及装置、分类器训练方法及*** | |
CN103488415B (zh) | 基于纸介质的手书文字和图形识别***及识别方法 | |
CN108491077A (zh) | 一种基于多流分治卷积神经网络的表面肌电信号手势识别方法 | |
CN108427740B (zh) | 一种基于深度度量学习的图像情感分类与检索算法 | |
Zhang et al. | ImageSem at ImageCLEF 2018 caption task: Image retrieval and transfer learning | |
Liu et al. | Subtler mixed attention network on fine-grained image classification | |
CN110413791A (zh) | 基于cnn-svm-knn组合模型的文本分类方法 | |
CN104156690B (zh) | 一种基于图像空间金字塔特征包的手势识别方法 | |
CN105938565A (zh) | 基于多层分类器和互联网图像辅助训练的彩色图像情感分类方法 | |
CN110348494A (zh) | 一种基于双通道残差神经网络的人体动作识别方法 | |
CN101551855A (zh) | 自适应核匹配追踪辅助诊断***及其辅助诊断方法 | |
CN109242047A (zh) | 基于K-means++聚类和残差网络分类的银行卡***检测与识别方法 | |
CN110008828A (zh) | 基于差异正则化的成对约束成分分析度量优化方法 | |
CN109086794B (zh) | 一种基于t-lda主题模型的驾驶行为模式识方法 | |
CN109325513A (zh) | 一种基于海量单类单幅图像的图像分类网络训练方法 | |
CN110059765A (zh) | 一种矿物智能识别分类***与方法 | |
CN108664986A (zh) | 基于lp范数正则化的多任务学习图像分类方法及*** | |
CN110287985A (zh) | 一种基于带变异粒子群算法的可变拓扑结构的深度神经网络图像识别方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180928 |
|
WD01 | Invention patent application deemed withdrawn after publication |