CN108960342A - 基于改进SoftMax损失函数的图像相似度计算方法 - Google Patents
基于改进SoftMax损失函数的图像相似度计算方法 Download PDFInfo
- Publication number
- CN108960342A CN108960342A CN201810864947.5A CN201810864947A CN108960342A CN 108960342 A CN108960342 A CN 108960342A CN 201810864947 A CN201810864947 A CN 201810864947A CN 108960342 A CN108960342 A CN 108960342A
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- sample
- loss function
- image recognition
- 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
- 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于改进型Soft‑Max损失函数的图像相似度计算方法,图像识别网络中的改进型Soft‑Max层的激活函数采用改进型Soft‑Max激活函数,反向传播过程中采用改进型Soft‑Max损失函数更新网络权值,改进型Soft‑Max损失函数与传统的Soft‑Max损失函数相比增加了通过图像识别网络学习得到的决策边缘;在测试阶段用训练好的图像识别模型对两张测试图像提取特征向量,计算得到特征向量之间的余弦相似度,和设置的图像相似度阈值比较,如果大于等于图像相似度阈值则判定两张图像为同一类图像,如果小于图像相似度阈值则判定两张图像为不同类图像。
Description
技术领域
本发明属于深度神经网络提取图像特征的深度学习领域,涉及到神经网络、模式识别等技术,尤其涉及到一种基于改进型Soft-Max损失函数的图像相似度计算方法。
背景技术
图像识别技术是现今人工智能以及模式识别的研究热点,是一种根据观测到的图像对其中的物体进行类别鉴别的生物识别技术。它在航空航天、医学、工业自动化、机器人、及军事等领域都有广泛的应用。
随着科技的发展,图像识别的应用范围不断扩大,逐渐从公安刑侦领域,推广到工业邻域,如做激光定位切割、定位打标、定位焊接时非常需要图像识别技术的帮助、自动化生产线物品的分类等,也被广泛应用于安防领域。这些应用是用在现实场景过程中所以对于识别准确率有较高要求,但是现代图像识别技术的一个不足就是识别准确率比较低,现实场景中的图像识别效果及准确率明显偏低,在实时场景中的图像常常受到光照、遮挡等影响,造成图像噪声过大,对于抓拍到的图像存在识别准确率比较低的问题。
解决上述问题的关键就是要克服图像识别准确率的问题,本发明根据深度神经网络和改进型Soft-Max损失函数训练图像识别模型,提高现实场景下图像识别准确率。目前,深度学习由于其强大的表征能力,提取的特征相比传统方法手工构造的特征具有更强的鲁棒性,因此被广泛应用于图像识别中。用深度学神经网络和传统的Soft-Max损失函数训练的图像识别模型比传统方法训练的模型在识别准确率上要高很多,但是识别准确率还是有待提高。所以要实现高识别准确率的图像识别要通过更有效的解决方法。
发明内容
本发明克服了现有技术的不足之处,提出了一种基于改进型Soft-Max损失函数的图像相似度计算方法,意在利用改进型Soft-Max损失函数训练出高识别准确率的图像识别模型,提高现实场景中图像识别过程的图像分类正确性。
本发明为达上述发明目的,采用如下技术方案:
一种基于改进型Soft-Max损失函数的图像相似度计算方法,其步骤包括:
步骤(1):准备图像识别训练数据集和,将图像识别训练数据集输入到基于卷积神经网络的图像识别网络中开始训练,所述基于卷积神经网络的图像识别网络中包含卷积层,最大采样层,全连接层,改进型Soft-Max层四种网络层,其中,一个卷积层与一个最大采样层构成一个图像识别子结构,图像识别网络包含N个串联的子结构,图像识别网络的最后三层分别为图像特征层、图像分类层和改进型Soft-Max层,所述图像特征层和图像分类层分别为输出维度是C维和D维的全连接层,C表示图像特征数,D表示图像类别数,改进型Soft-Max层激活函数为:
其中,σ(xi)表示在图像识别网络中的改进型Soft-Max层对第i个样本属于正确类别的预测概率值,xi∈Rd表示第i个样本在图像识别网络中的图像特征层的输出值,yi表示第i个样本的图像类别标签,wj表示图像特征层与图像分类层之间的权重的第j列,b表示偏置项,n表示总训练样本的类别数,m表示决策边缘,由网络训练得到。
步骤(2):选用改进型Soft-Max损失函数来进行图像识别网络的反向传播更新网络权值,训练得到一个图像识别的模型,所述改进型Soft-Max损失函数计算公式为:
进一步地,图像识别网络中的图像特征层和图像分类层之间的反向传播求导公式为:
第i个样本的损失函数对决策边缘m求偏导的公式为:
第i个样本的损失函数对权重wyi求偏导的公式为:
第i个样本的损失函数对偏置项bi求偏导的公式为:
第i个样本的损失函数对权重wj求偏导的公式为:
其中,Li表示第i个样本的损失值,xi∈Rd表示第i个样本在图像识别网络中的图像特征层的输出值,yi表示第i个样本的图像类别标签,wj表示图像特征层与图像分类层之间的权重的第j列,b表示偏置项,n表示总训练样本的类别数,λ表示权重系数,m表示决策边缘,由网络训练得到。
步骤(3):将两张待测试的图像P1和P2利用步骤(2)中得到的图像识别模型进行图像特征的提取,分别得到图像特征向量Pf1和Pf2,通过计算得到Pf1和Pf2之间的余弦相似度Pc,设置图像相似度阈值为Pt,如果Pc≥Pt,则判定图像P1和P2是同一类图像,如果Pc<Pt,则判定图像P1和P2不是同一类图像,所述图像特征为步骤(1)中的图像特征层的输出。
与现有技术相比,本发明的有益效果体现在:
本发明采取改进型Soft-Max损失函数的图像相似度计算方法,采用基于深度学习的图像识别网络提取图像特征,使得提取到的特征具有更强的图像特征表达能力,能够有效避免传统手工方法提取的特征由于表征能力不足造成的图像识别准确率不高的问题,图像识别网络中的改进型Soft-Max层的激活函数采用改进型Soft-Max激活函数,反向传播过程中采用改进型Soft-Max损失函数更新网络权值,使得图像特征具有更大的类间距离和更小的类内距离,训练得到图像识别模型;在测试阶段用训练好的图像识别模型对两张测试图像提取特征向量,计算得到特征向量之间的余弦相似度,和设置的图像相似度阈值比较,如果大于等于图像相似度阈值则判定两张图像为同一类图像,如果小于图像相似度阈值则判定两张图像为不同类图像;本发明适用于图像识别,能够克服采用基于深度学习的图像识别网络和传统Soft-Max损失函数训练的图像识别模型计算图像相似度存在的识别不准确问题,提高图像识别的准确性。
附图说明
图1是图像识别网络结构示意图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示为图像识别网络结构示意图,本发明的基于改进型Soft-Max损失函数的图像相似度计算方法主要包括如下步骤:
步骤(1):准备图像识别训练数据集,训练数据集为开源的图像识别数据库ImageNet 2012,包括1000个类别的1百多万张图像,将图像识别训练数据集输入到基于卷积神经网络的图像识别网络中开始训练,所述基于卷积神经网络的图像识别网络中包含卷积层,最大采样层,全连接层,改进型Soft-Max层四种网络层,其中,一个卷积层与一个最大采样层构成一个图像识别子结构,图像识别网络包含N=34个串联的子结构,图像识别网络的最后三层分别为图像特征层、图像分类层和改进型Soft-Max层,所述图像特征层和图像分类层分别为输出维度是512维和1000维的全连接层,512表示图像特征数,1000表示图像类别数,改进型Soft-Max层激活函数为:
其中,σ(xi)表示在图像识别网络中改进型Soft-Max层对第i个样本属于正确类别的预测概率值,xi∈Rd表示第i个样本在图像识别网络中的图像特征层的输出值,yi表示第i个样本的图像类别标签,wj表示图像特征层与图像分类层之间的权重的第j列,b表示偏置项,n=1000表示总训练样本的类别数,m表示决策边缘,由网络训练得到。
步骤(2):选用改进型Soft-Max损失函数来进行图像识别网络的反向传播更新网络权值,训练得到一个图像识别的模型,所述改进型Soft-Max损失函数计算公式为:
进一步地,图像识别网络中的图像特征层和图像分类层之间的反向传播求导公式为:
第i个样本的损失函数对决策边缘m求偏导的公式为:
第i个样本的损失函数对权重wyi求偏导的公式为:
第i个样本的损失函数对偏置项bi求偏导的公式为:
第i个样本的损失函数对权重wj求偏导的公式为:
其中,Li表示第i个样本的损失值,xi∈Rd表示第i个样本在图像识别网络中的图像特征层的输出值,yi表示第i个样本的图像类别标签,wj表示图像特征层与图像分类层之间的权重的第j列,b表示偏置项,n=1000表示总训练样本的类别数,λ表示权重系数,取λ=0.5,m表示决策边缘,由网络训练得到。
步骤(3):将两张待测试的图像P1和P2利用步骤(2)中得到的图像识别模型进行图像特征的提取,分别得到图像特征向量Pf1和Pf2,通过计算得到Pf1和Pf2之间的余弦相似度Pc,设置图像相似度阈值为Pt=0.8,如果Pc≥0.8,则判定图像P1和P2是同一类图像,如果Pc<0.8,则判定图像P1和P2不是同一类图像,所述图像特征为步骤(1)中的图像特征层的输出。
Claims (2)
1.一种基于改进型Soft-Max损失函数的图像相似度计算方法,其特征在于按照如下步骤进行:
步骤(1):准备图像识别训练数据集,将图像识别训练数据集输入到基于卷积神经网络的图像识别网络中开始训练,所述基于卷积神经网络的图像识别网络中包含卷积层,最大采样层,全连接层,改进型Soft-Max层四种网络层,其中,一个卷积层与一个最大采样层构成一个图像识别子结构,图像识别网络包含N个串联的子结构,图像识别网络的最后三层分别为图像特征层、图像分类层和改进型Soft-Max层,所述图像特征层和图像分类层分别为输出维度是C维和D维的全连接层,C表示图像特征数,D表示图像类别数,改进型Soft-Max层激活函数为:
其中,σ(xi)表示在图像识别网络中的改进型Soft-Max层对第i个样本属于正确类别的预测概率值,xi∈Rd表示第i个样本在图像识别网络中的图像特征层的输出值,yi表示第i个样本的图像类别标签,wj表示图像特征层与图像分类层之间的权重的第j列,b表示偏置项,n表示总训练样本的类别数,m表示决策边缘,由网络训练得到;
步骤(2):选用改进型Soft-Max损失函数来进行图像识别网络的反向传播更新网络权值,训练得到一个图像识别的模型,所述改进型Soft-Max损失函数计算公式为:
其中,Li表示第i个样本的损失值,xi∈Rd表示第i个样本在图像识别网络中的图像特征层的输出值,yi表示第i个样本的图像类别标签,wj表示图像特征层与图像分类层之间的权重的第j列,b表示偏置项,n表示总训练样本的类别数,λ表示权重系数,m表示决策边缘,由网络训练得到;
步骤(3):将两张待测试的图像P1和P2利用步骤(2)中得到的图像识别模型进行图像特征的提取,分别得到图像特征向量Pf1和Pf2,通过计算得到Pf1和Pf2之间的余弦相似度Pc,设置图像相似度阈值为Pt,如果Pc≥Pt,则判定图像P1和P2是同一类图像,如果Pc<Pt,则判定图像P1和P2不是同一类图像,所述图像特征为步骤(1)中的图像特征层的输出。
2.如权利要求1所述的一种基于改进型Soft-Max损失函数的图像识别方法,其特征在于:步骤(2)中图像识别网络中的图像特征层和图像分类层之间的反向传播求导公式为:
第i个样本的损失函数对决策边缘m求偏导的公式为:
第i个样本的损失函数对权重wyi求偏导的公式为:
第i个样本的损失函数对偏置项bi求偏导的公式为:
第i个样本的损失函数对权重wj求偏导的公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810864947.5A CN108960342B (zh) | 2018-08-01 | 2018-08-01 | 基于改进Soft-Max损失函数的图像相似度计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810864947.5A CN108960342B (zh) | 2018-08-01 | 2018-08-01 | 基于改进Soft-Max损失函数的图像相似度计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108960342A true CN108960342A (zh) | 2018-12-07 |
CN108960342B CN108960342B (zh) | 2021-09-14 |
Family
ID=64466798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810864947.5A Active CN108960342B (zh) | 2018-08-01 | 2018-08-01 | 基于改进Soft-Max损失函数的图像相似度计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108960342B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059705A (zh) * | 2019-04-22 | 2019-07-26 | 厦门商集网络科技有限责任公司 | 一种基于建模的ocr识别结果判决方法和设备 |
CN110197200A (zh) * | 2019-04-23 | 2019-09-03 | 东华大学 | 一种基于机器视觉的服装电子标签生成方法 |
CN110458217A (zh) * | 2019-07-31 | 2019-11-15 | 腾讯医疗健康(深圳)有限公司 | 图像识别方法及装置、眼底图像识别方法和电子设备 |
CN110543565A (zh) * | 2019-08-30 | 2019-12-06 | 广西电网有限责任公司南宁供电局 | 基于卷积神经网络模型的审计方法、***和可读存储介质 |
CN112861626A (zh) * | 2021-01-04 | 2021-05-28 | 西北工业大学 | 基于小样本学习的细粒度表情分类方法 |
CN114155388A (zh) * | 2022-02-10 | 2022-03-08 | 深圳思谋信息科技有限公司 | 一种图像识别方法、装置、计算机设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243398A (zh) * | 2015-09-08 | 2016-01-13 | 西安交通大学 | 基于线性判别分析准则的改进卷积神经网络性能的方法 |
US20160148077A1 (en) * | 2013-06-28 | 2016-05-26 | President And Fellows Of Harvard College | Systems and methods for machine learning enhanced by human measurements |
CN107240102A (zh) * | 2017-04-20 | 2017-10-10 | 合肥工业大学 | 基于深度学习算法的恶性肿瘤计算机辅助早期诊断方法 |
CN107330355A (zh) * | 2017-05-11 | 2017-11-07 | 中山大学 | 一种基于正样本平衡约束的深度行人再标识方法 |
CN108009528A (zh) * | 2017-12-26 | 2018-05-08 | 广州广电运通金融电子股份有限公司 | 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质 |
CN108235770A (zh) * | 2017-12-29 | 2018-06-29 | 深圳前海达闼云端智能科技有限公司 | 图像识别方法及云端*** |
CN108256450A (zh) * | 2018-01-04 | 2018-07-06 | 天津大学 | 一种基于深度学习的人脸识别和人脸验证的监督学习方法 |
CN108766445A (zh) * | 2018-05-30 | 2018-11-06 | 苏州思必驰信息科技有限公司 | 声纹识别方法及*** |
-
2018
- 2018-08-01 CN CN201810864947.5A patent/CN108960342B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160148077A1 (en) * | 2013-06-28 | 2016-05-26 | President And Fellows Of Harvard College | Systems and methods for machine learning enhanced by human measurements |
CN105243398A (zh) * | 2015-09-08 | 2016-01-13 | 西安交通大学 | 基于线性判别分析准则的改进卷积神经网络性能的方法 |
CN107240102A (zh) * | 2017-04-20 | 2017-10-10 | 合肥工业大学 | 基于深度学习算法的恶性肿瘤计算机辅助早期诊断方法 |
CN107330355A (zh) * | 2017-05-11 | 2017-11-07 | 中山大学 | 一种基于正样本平衡约束的深度行人再标识方法 |
CN108009528A (zh) * | 2017-12-26 | 2018-05-08 | 广州广电运通金融电子股份有限公司 | 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质 |
CN108235770A (zh) * | 2017-12-29 | 2018-06-29 | 深圳前海达闼云端智能科技有限公司 | 图像识别方法及云端*** |
CN108256450A (zh) * | 2018-01-04 | 2018-07-06 | 天津大学 | 一种基于深度学习的人脸识别和人脸验证的监督学习方法 |
CN108766445A (zh) * | 2018-05-30 | 2018-11-06 | 苏州思必驰信息科技有限公司 | 声纹识别方法及*** |
Non-Patent Citations (5)
Title |
---|
FENG WANG ET AL.: "Additive Margin Softmax for Face Verification", 《IEEE SIGNAL PROCESSING LETTERS》 * |
HAO WANG ET AL.: "CosFace: Large Margin Cosine Loss for Deep Face Recognition", 《2018 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
JIANKANG DENG ET AL.: "ArcFace:Additive Angular Margin Loss for Deep Face Recognition", 《HTTP://ARXIV.ORG/ABS/1801.07698V1》 * |
YUNUO TAO ET AL.: "Multi-Pose Face Recognition by Dynamic Loss Weights", 《THE 2017 4TH INTERNATIONAL CONFERENCE ON SYSTEMS AND INFORMATICS》 * |
吕璐等: "一种基于融合深度卷积神经网络与度量学习的人脸识别方法", 《现代电子技术》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059705A (zh) * | 2019-04-22 | 2019-07-26 | 厦门商集网络科技有限责任公司 | 一种基于建模的ocr识别结果判决方法和设备 |
CN110197200A (zh) * | 2019-04-23 | 2019-09-03 | 东华大学 | 一种基于机器视觉的服装电子标签生成方法 |
CN110197200B (zh) * | 2019-04-23 | 2022-12-09 | 东华大学 | 一种基于机器视觉的服装电子标签生成方法 |
CN110458217A (zh) * | 2019-07-31 | 2019-11-15 | 腾讯医疗健康(深圳)有限公司 | 图像识别方法及装置、眼底图像识别方法和电子设备 |
CN110458217B (zh) * | 2019-07-31 | 2024-04-19 | 腾讯医疗健康(深圳)有限公司 | 图像识别方法及装置、眼底图像识别方法和电子设备 |
CN110543565A (zh) * | 2019-08-30 | 2019-12-06 | 广西电网有限责任公司南宁供电局 | 基于卷积神经网络模型的审计方法、***和可读存储介质 |
CN112861626A (zh) * | 2021-01-04 | 2021-05-28 | 西北工业大学 | 基于小样本学习的细粒度表情分类方法 |
CN112861626B (zh) * | 2021-01-04 | 2024-03-08 | 西北工业大学 | 基于小样本学习的细粒度表情分类方法 |
CN114155388A (zh) * | 2022-02-10 | 2022-03-08 | 深圳思谋信息科技有限公司 | 一种图像识别方法、装置、计算机设备和存储介质 |
CN114155388B (zh) * | 2022-02-10 | 2022-05-13 | 深圳思谋信息科技有限公司 | 一种图像识别方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108960342B (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960342A (zh) | 基于改进SoftMax损失函数的图像相似度计算方法 | |
Lu et al. | Object detection based on SSD-ResNet | |
CN110163110B (zh) | 一种基于迁移学习和深度特征融合的行人重识别方法 | |
CN107944559B (zh) | 一种实体关系自动识别方法及*** | |
CN108615010B (zh) | 基于平行卷积神经网络特征图融合的人脸表情识别方法 | |
CN106682696B (zh) | 基于在线示例分类器精化的多示例检测网络及其训练方法 | |
CN110135459B (zh) | 一种基于双三元组深度度量学习网络的零样本分类方法 | |
CN103984943A (zh) | 一种基于贝叶斯概率框架的场景文本识别方法 | |
CN110569738A (zh) | 基于密集连接网络的自然场景文本检测方法、设备和介质 | |
CN109241995A (zh) | 一种基于改进型ArcFace损失函数的图像识别方法 | |
CN106250925B (zh) | 一种基于改进的典型相关分析的零样本视频分类方法 | |
Jiang | A review of the comparative studies on traditional and intelligent face recognition methods | |
CN111259837B (zh) | 一种基于部位注意力的行人重识别方法及*** | |
CN109255339B (zh) | 基于自适应深度森林人体步态能量图的分类方法 | |
CN107491729A (zh) | 基于余弦相似度激活的卷积神经网络的手写数字识别方法 | |
CN104091181A (zh) | 基于深度受限玻尔兹曼机的害虫图像自动识别方法及*** | |
CN112766229A (zh) | 基于注意力机制的人脸点云图像智能识别***及方法 | |
CN109033321B (zh) | 一种图像与自然语言特征提取及基于关键词的语言指示图像分割方法 | |
CN104268553A (zh) | 基于核模糊Foley-Sammon转换的SAR图像目标识别方法 | |
CN110991554B (zh) | 一种基于改进pca的深度网络图像分类方法 | |
CN109325407A (zh) | 基于f-ssd网络滤波的光学遥感视频目标检测方法 | |
CN104143088B (zh) | 一种基于图像检索和特征权重学习的人脸识别方法 | |
CN104573728B (zh) | 一种基于极端学习机的纹理分类方法 | |
KR20200068073A (ko) | 심층학습 전처리를 통한 도면 문자 인식 성능 개선 방법 | |
CN116977834A (zh) | 一种开放条件下分布内外图像识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |