CN109002832A - 一种基于分层特征提取的图像识别方法 - Google Patents

一种基于分层特征提取的图像识别方法 Download PDF

Info

Publication number
CN109002832A
CN109002832A CN201810597123.6A CN201810597123A CN109002832A CN 109002832 A CN109002832 A CN 109002832A CN 201810597123 A CN201810597123 A CN 201810597123A CN 109002832 A CN109002832 A CN 109002832A
Authority
CN
China
Prior art keywords
image
template
formula
extracted based
scale
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
Application number
CN201810597123.6A
Other languages
English (en)
Other versions
CN109002832B (zh
Inventor
付应雄
范洪华
石畏
李伟夫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Interstellar Digital Technology Co ltd
Jiangsu Qingyun Technology Consulting Service Co ltd
Original Assignee
Hubei University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hubei University filed Critical Hubei University
Priority to CN201810597123.6A priority Critical patent/CN109002832B/zh
Publication of CN109002832A publication Critical patent/CN109002832A/zh
Application granted granted Critical
Publication of CN109002832B publication Critical patent/CN109002832B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/2413—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
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于分层特征提取的图像识别方法，包括：步骤1，根据图像数据集的特征定义多尺度的框架和相邻尺度的变换；步骤2，根据定义的所述框架和所述变换构造不同尺度下的模板；步骤3，根据不同尺度下的所述模板构造不同尺度下的特征；步骤4，融合多尺度的所述特征，构造分类器进行图像识别。本发明提供的技术方案可有效地获得既有代表性、又有判别性的模板集合，来提取更有效的图像特征，能够以较低的计算复杂度来获取更高的识别精度。

Description

一种基于分层特征提取的图像识别方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于分层特征提取的图像识别方法。
背景技术
特征提取是图像识别的研究热点，被广泛应用于科学研究、工业生产、医疗卫生、教育、管理和通信等领域。通常，可靠的鉴别特征一直是完成识别任务的关键。
在过去几十年中，特征提取一直都是很多科研人员的研究重点，为此许多特征提取算法已被提出，比如主成分分析(PCA)，尺度不变特征变换(SIFT)，线性判别分析(LDA)，空间金字塔匹配(SPM)，卷积神经网络(CNN)、HMAX模型和分层的神经响应(NR)算法等。但是，通过这些方法进行图像特征提取时，计算复杂度和图像识别精度始终难以达到平衡。
发明内容
针对现有技术的不足，本发明提供一种基于分层特征提取的图像识别方法。
本发明提供的一种基于分层特征提取的图像识别方法包括：
步骤1，根据图像数据集的特征定义多尺度的框架和相邻尺度的变换。
步骤2，根据定义的所述框架和所述变换构造不同尺度下的模板。
步骤3，根据不同尺度下的所述模板构造不同尺度下的特征。
步骤4，融合多尺度的所述特征，构造分类器进行图像识别。
本发明提供的基于分层特征提取的图像识别方法的有益效果是，输入为待识别的图像，输出为经过分析和处理的识别结果。根据图像数据集的特征定义多尺度的框架和多尺度中相邻尺度的变换，确定不同尺度下的模板，从而获得既有代表性、又有判别性的模板集合，根据不同尺度下的模板获得相应特征，通过分层特征提取以获取更有效的图像特征，最后使用融合多层特征训练分类器来做分类，能够以较低的计算复杂度来获取更高的识别精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的基于分层特征提取的图像识别方法的流程示意图；
图2为本发明实施例的图像的框架示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，本发明实施例的基于分层特征提取的图像识别方法包括：
步骤1，根据图像数据集的特征定义多尺度的框架和相邻尺度的变换。
步骤2，根据定义的所述框架和所述变换构造不同尺度下的模板。
步骤3，根据不同尺度下的所述模板构造不同尺度下的特征。
步骤4，融合多尺度的所述特征，构造分类器进行图像识别。
在本实施例中，输入为待识别的图像，输出为经过分析和处理的识别结果。根据图像数据集的特征定义多尺度的框架和多尺度中相邻尺度的变换，确定不同尺度下的模板，从而获得既有代表性、又有判别性的模板集合，根据不同尺度下的模板获得相应特征，通过分层特征提取以获取更有效的图像特征，最后使用融合多层特征训练分类器来做分类，能够以较低的计算复杂度来获取更高的识别精度。
优选地，所述步骤1具体包括：
步骤1.1，根据图像数据集的特征定义图像的框架，其中所述框架包括多个图像层，如图2所示，多个所述图像层中包括依次相邻的图像层u、v和Sq，其中在u、v和Sq上定义的图像块(函数)分别为fu、fv和fSq，图像集合(函数集合)分别为和其中，
具体地，图像的本质是一个二维函数，自变量对应坐标，因变量对应像素值，通过不同尺度的图像定义不同的函数集。以三层框架为例，u、v和Sq可分表表示内层图像块、中层图像块和外层图像块。
步骤1.2，确定u至v的变换为其中为拉伸变换，为平移变换，α为拉伸参数，β为平移参数，所述变换的集合为其中，表示集合中的元素个数；确定v至Sq的变换的集合为其中，表示集合中的元素个数。
具体地，参数α取几个固定值，参数β符合标准的高斯分布。另外，由于u、v和Sq是依次相邻的图像层，v至Sq的变换与u至v的变换是类似的。
优选地，所述步骤2具体包括：
步骤2.1，从所述图像集合中随机选取初始模板集合和其中，
具体地，初始模板是在原始数据集中随机采样获取的，从图像集合中随机提取图像块可以获得初始模板，在初始模板中构造一个有代表性和判别性的模板集合。
步骤2.2，确定每个模板对应的分数，其中，根据所述分数的大小按降序排列，选取前个模板构造模板集合其中，
具体地，tu为一级模板，其能够被很多目标共有，因此，并不利用训练图像的标签信息来选择该模板，也就是采用无监督的方法选取一级模板。
步骤2.3，确定初始模板集合中每个模板的差异指标值，也就是DIV，根据所述差异指标值将初始模板集合中的模板按照降序排列，记为其中是在的第i个图像块，i＝1，2，…，qv，并根据构造模板集合其中，
具体地，tv为二级模板，其包含更多有辨别力的结构，因此，利用训练图像的标签信息来选择该模板，也就是采用有监督的方法选取二级模板。
优选地，所述步骤2.2的具体实现包括：
对于图像块和模板集合定义图像块fv与模板之间的相似度为相关系数其中根据第一公式获得图像块fv关于模板集合的相似矩阵，所述第一公式为：
其中，第i行的第j个分量代表和之间的相似度，其中，表示复合函数运算。
对于每一个二级模板其中根据所述第一公式获得相似矩阵初始模板集合在每个模板上的分数的定义为：
u层对应的是u这个大小的图像块，v层对应的是v这个大小的图像块。通过u这个大小的图像块出现在v这个大小的图像块中的频率，可以选择选择有判别能力的u大小的图像块。
优选地，所述步骤2.3中所述确定初始模板集合中每个模板的差异指标值的具体实现包括：
令图像的训练集为每个训练图像Ij的第二层尺度特征是一个qv维的向量，记表示第二层尺度特征的第i个分量，Nz表示属于训练集中第z类的样本个数，其中，根据第二公式确定所属类别的样本在模板上神经响应的平均值，所述第二公式为：
其中，是第z类的第n个样本，n＝1，2，…，Nz，是所述样本在的神经响应值。
每个模板的差异指标值的定义为：
其中，
基于局部神经响应进行基于分层特征提取的图像识别，能够有效获得既有代表性、又有判别性的模板集合，以提取更有效的图像特征。
优选地，所述步骤2.3中所述根据构造模板集合的具体实现包括：
步骤2.3.1，从随机选取一个模板
步骤2.3.2，从依次选取图像模板根据第三公式确定相关系数，所述第三公式为：其中， 表示神经响应。
步骤2.3.3，当最大值不超过预定阈值ε时，将添加至
步骤2.3.4，重复步骤2.3.2和步骤2.3.3，直至有qv个模板加入到
优选地，所述步骤3的具体实现包括：
步骤3.1，对于标定尺度，根据所述标定尺度对应的模板构造相似矩阵。
具体地，在输入图像上计算fu和模板tu之间的相似性。
步骤3.2，对所述相似矩阵进行局部编码，获得稀疏的相似矩阵。
具体地，以矢量的形式表示图像块。
步骤3.3，对所述稀疏的相似矩阵进行最大池化，获得标定尺度下的特征。
具体地，将局部编码的输出组合为单个值。
优选地，所述步骤3.1中，对于图像块和模板集合通过相关系数定义它们的相似度相似矩阵根据所述第一公式确定为：
其中，第i行的第j个分量代表和之间的相似度。
所述步骤3.2中，用最相似的k个模板来线性表示图像块具体实现包括：
步骤3.2.1，对于图像块其中，根据Su中第i行中的相似度选择最相似的k个模板Θ，其中，Θ＝(θ1，θ2，…，θk)。
步骤3.2.2，根据第四公式，基于最小化目标函数确定最相似的k个模板系数，所述第四公式为：
其中，x＝(x1，x2，...，xk)T表示重建图像块的系数。求解出来的x为图像块与模板之间新的相似度。
步骤3.2.3，收集系数后，根据第五公式对多个图像块进行编码，获得稀疏的相似矩阵，所述第五公式为：
其中，是第个j模板对应的编码。每个图像块对应于一个局部编码。对多个图像块可以得出一个稀疏的相似矩阵。
所述稀疏的相似矩阵表示为：
其中，第i行是由所有模板编码的图像块的编码，
优选地，所述步骤3.3中，根据局部编码的输出进行最大池化，具体实现包括：
根据第六公式进行最大池化，所述第六公式为：
其中，表示一个维矢量。
根据第七公式，基于归一化操作获得第一层尺度特征，所述第七公式为：
在获得第一层尺度特征后，可以采用类似的方法，通过应用来获得相似矩阵Sv、局部编码、最大池化，来构造第二层尺度特征。并扩展到下一层尺度特征的获取。
优选地，所述步骤4的具体实现为：将不同尺度下的特征进行融合，用融合的特征训练softmax分类器，来进行图像识别。
由于softmax分类器更具有判别能力，使用softmax分类器对图像进行识别可以获取更高的识别精度。
本发明实施例所提出的方法，首先从图像集中随机选取初始模板，然后用无监督的方法选取一级模板和有监督的方法选取二级模板，通过选取的模板集，对输入原图进行局部编码和最大池化，提取具有既有代表性、又有判别性的图像特征。采用基于局部神经响应进行图像识别的特征提取方法，适用于各种图像分类，例如对象识别、场景识别和机器人定位等。只要描述获得的模板集冗余度较小，具有较强的判别性，本发明的方法都是有效的，并且本发明的方法能够以较低的计算复杂度来获取更高的图像识别精度。
本发明实施例还提供一种基于分层特征提取的图像识别***，该***包括：
第一处理模块，用于根据图像数据集的特征定义多尺度的框架和相邻尺度的变换。
第二处理模块，用于根据定义的所述框架和所述变换构造不同尺度下的模板。
第三处理模块，用于根据不同尺度下的所述模板构造不同尺度下的特征。
第四处理模块，用于融合多尺度的所述特征，构造分类器进行图像识别。
本发明实施例还提供一种计算机设备，包括存储器和处理器。
所述存储器，用于存储计算机程序。
所述处理器，用于当读取所述存储器存储的所述计算机程序时，执行上述的基于分层特征提取的图像识别方法。
读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于分层特征提取的图像识别方法，其特征在于，所述方法包括：
步骤1，根据图像数据集的特征定义多尺度的框架和相邻尺度的变换；
步骤2，根据定义的所述框架和所述变换构造不同尺度下的模板；
步骤3，根据不同尺度下的所述模板构造不同尺度下的特征；
步骤4，融合多尺度的所述特征，构造分类器进行图像识别。
2.根据权利要求1所述的基于分层特征提取的图像识别方法，其特征在于，所述步骤1具体包括：
步骤1.1，根据图像数据集的特征定义图像的框架，其中所述框架包括多个图像层，多个所述图像层中包括依次相邻的图像层u、v和Sq，其中在u、v和Sq上定义的图像块分别为fu、fv和fSq，图像集合分别为和其中，
步骤1.2，确定u至v的变换为其中，为拉伸变换，为平移变换，α为拉伸参数，β为平移参数，所述变换的集合为其中，表示集合中的元素个数；确定v至Sq的变换的集合为其中，表示集合中的元素个数。
3.根据权利要求2所述的基于分层特征提取的图像识别方法，其特征在于，所述步骤2具体包括：
步骤2.1，从所述图像集合中随机选取初始模板集合和其中，
步骤2.2，确定每个模板对应的分数，其中，根据所述分数的大小按降序排列，选取前个模板构造模板集合其中，
步骤2.3，确定初始模板集合中每个模板的差异指标值，根据所述差异指标值将初始模板集合中的模板按照降序排列，记为 其中是在的第i个图像块，i＝1，2，…，qv，并根据构造模板集合其中，
4.根据权利要求3所述的基于分层特征提取的图像识别方法，其特征在于，所述步骤2.2的具体实现包括：
对于图像块fv和模板集合定义图像块fv与模板之间的相似度为相关系数其中，根据第一公式获得图像块fv关于模板集合的相似矩阵，所述第一公式为：
其中，第i行的第j个分量代表和之间的相似度，其中，表示复合函数运算；
对于模板其中，根据所述第一公式获得相似矩阵分数的定义为：
5.根据权利要求4所述的基于分层特征提取的图像识别方法，其特征在于，所述步骤2.3中所述确定初始模板集合中每个模板的差异指标值的具体实现包括：
令图像的训练集为每个训练图像Ij的第二层尺度特征是一个qv维的向量，记表示第二层尺度特征的第i个分量，Nz表示属于训练集中第z类的样本个数，其中，根据第二公式确定所属类别的样本在模板上神经响应的平均值，所述第二公式为：
其中，是第z类的第n个样本，n＝1，2，…，Nz，是所述样本在的神经响应值；
每个模板的差异指标值的定义为：
其中，
6.根据权利要求5所述的基于分层特征提取的图像识别方法，其特征在于，所述步骤2.3中所述根据构造模板集合的具体实现包括：
步骤2.3.1，从随机选取一个模板
步骤2.3.2，从依次选取图像模板根据第三公式确定相关系数，所述第三公式为：其中，i＝2，3，…，qv, 表示神经响应；
步骤2.3.3，当最大值不超过预定阈值ε时，将添加至
步骤2.3.4，重复步骤2.3.2和步骤2.3.3，直至有qv个模板加入到
7.根据权利要求6所述的基于分层特征提取的图像识别方法，其特征在于，所述步骤3的具体实现包括：
步骤3.1，对于标定尺度，根据所述标定尺度对应的模板构造相似矩阵；
步骤3.2，对所述相似矩阵进行局部编码，获得稀疏的相似矩阵；
步骤3.3，对所述稀疏的相似矩阵进行最大池化，获得标定尺度下的特征。
8.根据权利要求7所述的基于分层特征提取的图像识别方法，其特征在于，所述步骤3.1中图像块fv和模板集合的相似矩阵根据所述第一公式确定为：
其中，第i行的第j个分量代表和之间的相似度；
所述步骤3.2的具体实现包括：
步骤3.2.1，对于图像块其中，根据Su中第i行中的相似度选择最相似的k个模板Θ，其中，Θ＝(θ1，θ2，…，θk)；
步骤3.2.2，根据第四公式，基于最小化目标函数确定最相似的k个模板系数，所述第四公式为：
其中，x＝(x1，x2，...，xk)T表示重建图像块的系数；
步骤3.2.3，收集系数后，根据第五公式对多个图像块进行编码，获得稀疏的相似矩阵，所述第五公式为：
其中，是第个j模板对应的编码，
所述稀疏的相似矩阵表示为：
其中，第i行是由所有模板编码的图像块的编码，
9.根据权利要求8所述的基于分层特征提取的图像识别方法，其特征在于，所述步骤3.3的具体实现包括：
根据第六公式进行最大池化，所述第六公式为：
其中，表示一个维矢量；
根据第七公式，基于归一化操作获得第一层尺度特征，所述第七公式为：
10.根据权利要求1至9任一项所述的基于分层特征提取的图像识别方法，其特征在于，所述步骤4的具体实现为：将不同尺度下的特征进行融合，用融合的特征训练softmax分类器，来进行图像识别。
CN201810597123.6A 2018-06-11 2018-06-11 一种基于分层特征提取的图像识别方法 Active CN109002832B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810597123.6A CN109002832B (zh) 2018-06-11 2018-06-11 一种基于分层特征提取的图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810597123.6A CN109002832B (zh) 2018-06-11 2018-06-11 一种基于分层特征提取的图像识别方法

Publications (2)

Publication Number Publication Date
CN109002832A true CN109002832A (zh) 2018-12-14
CN109002832B CN109002832B (zh) 2021-11-19

Family

ID=64600623

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810597123.6A Active CN109002832B (zh) 2018-06-11 2018-06-11 一种基于分层特征提取的图像识别方法

Country Status (1)

Country Link
CN (1) CN109002832B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120281921A1 (en) * 2011-05-02 2012-11-08 Los Alamos National Security, Llc Image alignment
CN103208001A (zh) * 2013-02-06 2013-07-17 华南师范大学 结合形状自适应邻域和纹理特征提取的遥感图像处理方法
CN104657717A (zh) * 2015-02-12 2015-05-27 合肥工业大学 一种基于分层核稀疏表示的行人检测方法
CN105447441A (zh) * 2015-03-19 2016-03-30 北京天诚盛业科技有限公司 人脸认证方法和装置
US20160307071A1 (en) * 2015-04-20 2016-10-20 Xerox Corporation Fisher vectors meet neural networks: a hybrid visual classification architecture

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120281921A1 (en) * 2011-05-02 2012-11-08 Los Alamos National Security, Llc Image alignment
CN103208001A (zh) * 2013-02-06 2013-07-17 华南师范大学 结合形状自适应邻域和纹理特征提取的遥感图像处理方法
CN104657717A (zh) * 2015-02-12 2015-05-27 合肥工业大学 一种基于分层核稀疏表示的行人检测方法
CN105447441A (zh) * 2015-03-19 2016-03-30 北京天诚盛业科技有限公司 人脸认证方法和装置
US20160307071A1 (en) * 2015-04-20 2016-10-20 Xerox Corporation Fisher vectors meet neural networks: a hybrid visual classification architecture

Also Published As

Publication number Publication date
CN109002832B (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
Dong et al. Evaluations of deep convolutional neural networks for automatic identification of malaria infected cells
CN109063666A (zh) 基于深度可分离卷积的轻量化人脸识别方法及***
CN106203395B (zh) 基于多任务深度学习的人脸属性识别方法
CN101777131B (zh) 双模人脸识别方法及装置
CN106503687A (zh) 融合人脸多角度特征的监控视频人物身份识别***及其方法
CN105046272B (zh) 一种基于简洁非监督式卷积网络的图像分类方法
CN110321862B (zh) 一种基于紧致三元损失的行人再识别方法
CN103077399B (zh) 基于集成级联架构的生物显微图像分类方法
CN106897669A (zh) 一种基于一致迭代多视角迁移学习的行人再辨识方法
CN108537120A (zh) 一种基于深度学习的人脸识别方法及***
Shen et al. Learning high-level concepts by training a deep network on eye fixations
CN112347908B (zh) 一种基于空间分组注意力模型的外科手术器械图像识别方法
CN103617609B (zh) 基于图论的k-means非线性流形聚类与代表点选取方法
CN109919085A (zh) 基于轻量型卷积神经网络的人人交互行为识别方法
Li et al. Dating ancient paintings of Mogao Grottoes using deeply learnt visual codes
CN106951819A (zh) 基于稀疏概率分布和多阶段类别筛选的单样本人脸识别方法
Chergui et al. Kinship verification through facial images using cnn-based features
Liu et al. Image retrieval using CNN and low-level feature fusion for crime scene investigation image database
吴雨林 et al. Face recognition system based on CNN and LBP features for classifier optimization and fusion
CN105718858B (zh) 一种基于正负广义最大池化的行人识别方法
Jadhav et al. Content based facial emotion recognition model using machine learning algorithm
CN109002832A (zh) 一种基于分层特征提取的图像识别方法
CN109063766A (zh) 一种基于判别性预测稀疏分解模型的图像分类方法
Kim et al. Evaluationnet: Can human skill be evaluated by deep networks?
Hidayat et al. Grouping of Image Patterns Using Inceptionv3 For Face Shape Classification

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221221

Address after: 101300 room 818-030, building 1, yard 3, Jinhang East Road, Shunyi District, Beijing (Tianzhu comprehensive free trade zone)

Patentee after: Interstellar Digital Technology Co.,Ltd.

Address before: Room 213, Building 9, No. 30, Mengxiyuan Lane, Jingkou District, Zhenjiang City, Jiangsu Province, 212000

Patentee before: Jiangsu Qingyun Technology Consulting Service Co.,Ltd.

Effective date of registration: 20221221

Address after: Room 213, Building 9, No. 30, Mengxiyuan Lane, Jingkou District, Zhenjiang City, Jiangsu Province, 212000

Patentee after: Jiangsu Qingyun Technology Consulting Service Co.,Ltd.

Address before: 430062 368 Friendship Avenue, Wuchang District, Wuhan, Hubei.

Patentee before: Hubei University