CN109359522A - 一种小样本皮肤图像分类方法 - Google Patents
一种小样本皮肤图像分类方法 Download PDFInfo
- Publication number
- CN109359522A CN109359522A CN201811035221.7A CN201811035221A CN109359522A CN 109359522 A CN109359522 A CN 109359522A CN 201811035221 A CN201811035221 A CN 201811035221A CN 109359522 A CN109359522 A CN 109359522A
- Authority
- CN
- China
- Prior art keywords
- classifier
- lbp
- hog
- image
- small sample
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- 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
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
一种小样本皮肤图像分类方法,包括以下步骤:S1:初始化分类器,包括分类器结构初始化和分类器权重初始化;S2:获取图像数据;S3:对数据进行分类和标记;S4:HOG梯度特征提取,LBP纹理特征提取;S5:迭代更新分类器;S6:判断分类器是否达到精度要求,若是,则保存当前参数并结束程序,若否,则继续训练。本发明所述的方法集合了HOG和LBP两种特征提取方法,同时结合深度学习,具有高识别精度的优势。
Description
技术领域
本发明涉及深度学习、方向梯度直方图(Histogram of Oriented Gradient,HOG)和局部二值模式(Local Binary Pattern,LBP),尤其是一种小样本皮肤图像分类方法。
背景技术
面部皮肤是全身皮肤的橱窗,同时也是全身仪表的象征,所以面部皮肤健康的情况对人们的精神影响极大,牵扯到生活、家庭、社交、学习和工作等方面。因此,面部皮肤的健康情况越来越受到人们的重视。
目前,国内的皮肤质量评价大多依靠美容师主观判断,受主观因素影响较大,不能精确定量,信息丢失量大,方法复杂,花费时间多,不能对长期的治疗保养效果进行科学评估。但在国外,如德国和日本等,在该领域研究颇深,远远领先于我国,能够利用仪器和特性算法,科学快速的评估皮肤表面皱纹、毛孔、斑点等的大小和数量并作出分级,让客人很清楚的看到自己的皮肤状况和存在的问题,从而更好的配合美容师和皮肤科医生的治疗。
深度学习是机器学习领域一个新兴的研究方向,它通过模仿人脑结构,实现对复杂输入数据的高效处理,智能地学习不同的知识,而且能够有效地解决多类复杂的智能问题。随着大数据时代的到来和计算机硬件的巨大进步,深度学习技术尤其是卷积神经网络(convolutional neural network,CNN),在图像分类、检测等很多任务中相对传统模式识别方法取得了令人瞩目的突破。CNN本质上是一个多层、高度非线性的神经网络,可充分挖掘高维数据中存在的内在结构,自发地从原始数据中习得有用的特征表达。就图像分类任务而言,相对于传统方法多步骤、过程复杂的特点,CNN往往是“端到端”模型,即输入一张图像,便能输出该图像类别。
相比于单纯利用传统方法和人眼观察,在皮肤分析领域引入深度学习方法能够更准确更科学地对皮肤情况进行分类和分级。虽然这是一条行之有效的思路,可问题同样不容忽视。众所周知,深度学习方法在视觉认知任务中已经取得了巨大的成功,但是这些监督学习方法需要大量的标注数据和多次迭代去训练他们的参数,而在现实情况下获取足够的标注数据需要耗费大量的人力物力资源,因此,针对特定任务探索出一种小样本皮肤图像分类方法是极其有必要的。
目前国内基于深度学习的皮肤处理方法专利较少,而加入分类和少量样本这两个前提条件后使得相关专利更为匮乏。其中专利201711275019.7提出了一种基于膨胀卷积的多尺度特征的皮肤病变深度学习识别***,但此发明具有较强的针对性且最终目的是为了分割皮肤图片中的病变部分。而本专利提出的方法适用于大部分皮肤情况,如毛孔、皱纹等,的分级和分类,具有较好的应用前景和较高的应用价值。
发明内容
为了实现少样本图片分类的目的,本发明结合传统特征提取方法和深度学习方法两种技术,提出一种分类精度较高的小样本皮肤图像分类方法。
本发明为解决上述技术问题所采用的技术方案如下:
一种小样本皮肤图像分类方法,包括以下步骤:
S1:初始化分类器,包括分类器结构初始化和分类器权重初始化;
S2:获取图像数据;
S3:对数据进行分类和标记;
S4:HOG梯度特征提取,LBP纹理特征提取;
S5:迭代更新分类器;
S6:判断分类器是否达到精度要求,若是,则保存当前参数并结束程序,若否,则继续训练。
进一步,所述步骤S1包含以下步骤:
S1.1:初始化分类器结构,此分类器的输入分为两个通道,分别为HOG特征通道和LBP特征通道;
S1.2:整个网络结构在第二层卷积后进行结合,结合方式为将两部分特征图联结到一起;
S1.3:特征图结合后再经过一个卷积层和两个全连接层后得出结果。
再进一步,所述步骤S2包括以下步骤:
S2.1:采用人工实地相机采集的方法补充图像数据;
S2.2:采用网络爬虫的方法从互联网爬取对应需求的图像数据;
S2.3:采用特定算法或技术手段对图片进行增量处理。
更进一步,所述步骤S3包括以下步骤:
S3.1:手动对采集到的图片数据进行标注和分类;
S3.2:将数据分为训练数据和测试数据。
所述步骤S4包含以下步骤:
S4.1:使用HOG方法对图片进行梯度特征提取,过程如下:
(4.1.1)灰度化;
(4.1.2)采用Gamma矫正法对输入图像进行颜色空间的标准化;
Gamma压缩公式为:
I(x,y)=I(x,y)gamma
其中,x为图像横轴坐标点,y为图像纵轴坐标点,I(x,y)为图像坐标(x,y)像素点的值,gamma为矫正值;
(4.1.3)计算图像每个像素的梯度(包括大小和方向);
(4.1.4)将图像划分成小区域(cell);
(4.1.5)统计每个小区域的梯度直方图(不同梯度的个数),即可形成每个小区域的描述符(descriptor);
(4.1.6)将每几个小区域组成一个区域块(block),一个区域块内所有小区域的特征描述符串联起来便得到该区域块的HOG特征描述符;
(4.1.7)将目标图像内的所有区域块的HOG特征描述符串联起来就可以得到该目标图像的HOG特征描述符了;
S4.2:使用LBP方法对图片进行纹理特征提取,过程如下:
(4.2.1)首先将检测窗口划分为n×n的小区域;
(4.2.2)对于每个小区域中的一个像素,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则为0。这样,3*3邻域内的8个点经比较可产生8位二进制数,即得到该窗口中心像素点的LBP值;
(4.2.3)然后计算每个小区域的直方图,即每个数字出现的频率;然后对该直方图进行归一化处理;
(4.2.4)最后将得到的每个小区域的统计直方图进行连接成为一个特征向量,也就是整幅图的LBP纹理特征向量;
S4.3:将提取到的特征存入文件中。
所述步骤S5包含以下步骤:
S5.1:将同一张图片的HOG特征数据部分送入到网络结构中的HOG特征通道,LBP特征数据部分送入到网络结构中的LBP特征通道;
S5.2:按S5.1所述方式将训练集按批次送入网络中进行迭代训练。
所述步骤S6包含以下步骤:
S6.1:使用测试数据集对分类器进行精度测试;
S6.2:若精度达到要求,则结束程序,所未到达精度要求,则重回S5继续训练。
本发明具有如下有益效果:
(1)本发明所述的方法具有针对少样本图片分类的优势,具有很好的应用前景;
(2)本发明所述的方法集合了HOG和LBP两种特征提取方法,同时结合深度学习,具有高识别精度的优势。
附图说明
图1为一种小样本皮肤图像分类方法的流程图
图2为HOG特征提取的流程图
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2,一种小样本皮肤图像分类方法,包括以下步骤:
S1:初始化分类器,包括分类器结构初始化和分类器权重初始化;
S2:获取图像数据;
S3:对数据进行分类和标记;
S4:HOG梯度特征提取,LBP纹理特征提取;
S5:迭代更新分类器;
S6:判断分类器是否达到精度要求,若是,则保存当前参数并结束程序,若否,则继续训练。
进一步,所述步骤S1包含以下步骤:
S1.1:初始化分类器结构,此分类器的输入分为两个通道,分别为HOG特征通道和LBP特征通道;
S1.2:整个网络结构在第二层卷积后进行结合,结合方式为将两部分特征图联结到一起;
S1.3:特征图结合后再经过一个卷积层和两个全连接层后得出结果。
再进一步,所述步骤S2包括以下步骤:
S2.1:采用人工实地相机采集的方法补充图像数据;
S2.2:采用网络爬虫的方法从互联网爬取对应需求的图像数据;
S2.3:采用特定算法或技术手段对图片进行增量处理。
更进一步,所述步骤S3包括以下步骤:
S3.1:手动对采集到的图片数据进行标注和分类;
S3.2:将数据分为训练数据和测试数据。
所述步骤S4包含以下步骤:
S4.1:使用HOG方法对图片进行梯度特征提取,
(4.1.1)灰度化;
(4.1.2)采用Gamma矫正法对输入图像进行颜色空间的标准化(归一化);
Gamma压缩公式为:
I(x,y)=I(x,y)gamma
其中,x为图像横轴坐标点,y为图像纵轴坐标点,I(x,y)为图像坐标(x,y)像素点的值,gamma为矫正值;
(4.1.3)计算图像每个像素的梯度(包括大小和方向);
(4.1.4)将图像划分成小区域(cell);
(4.1.5)统计每个小区域的梯度直方图(不同梯度的个数),即可形成每个小区域的描述符(descriptor);
(4.1.6)将每几个小区域组成一个区域块(block),一个区域块内所有小区域的特征描述符串联起来便得到该区域块的HOG特征描述符;
(4.1.7)将目标图像内的所有区域块的HOG特征描述符串联起来就可以得到该目标图像的HOG特征描述符了;
S4.2:使用LBP方法对图片进行纹理特征提取,
(4.2.1)首先将检测窗口划分为n×n的小区域;
(4.2.2)对于每个小区域中的一个像素,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则为0。这样,3*3邻域内的8个点经比较可产生8位二进制数,即得到该窗口中心像素点的LBP值;
(4.2.3)然后计算每个小区域的直方图,即每个数字(假定是十进制数LBP值)出现的频率;然后对该直方图进行归一化处理;
(4.2.4)最后将得到的每个小区域的统计直方图进行连接成为一个特征向量,也就是整幅图的LBP纹理特征向量;
S4.3:将提取到的特征存入文件中。
所述步骤S5包含以下步骤:
S5.1:将同一张图片的HOG特征数据部分送入到网络结构中的HOG特征通道,LBP特征数据部分送入到网络结构中的LBP特征通道;
S5.2:按S5.1所述方式将训练集按批次送入网络中进行迭代训练。
所述步骤S6包含以下步骤:
S6.1:使用测试数据集对分类器进行精度测试;
S6.2:若精度达到要求,则结束程序,所未到达精度要求,则重回S5继续训练。
如上所述为本发明使用深度卷积神经网络为基础分类器,通过结合HOG和LBP两种特征提取方法,经少量皮肤图片样本的训练,达到了拥有较高分类精度的效果。对发明而言仅仅是说明性的,而非限制性的。本专业技术人员理解,在发明权利要求所限定的精神和范围内可对其进行许多改变,修改,甚至等效,但都将落入本发明的保护范围内。
Claims (7)
1.一种小样本皮肤图像分类方法,其特征在于,所述方法包括以下步骤:
S1:初始化分类器,包括分类器结构初始化和分类器权重初始化;
S2:获取图像数据;
S3:对数据进行分类和标记;
S4:HOG梯度特征提取,LBP纹理特征提取;
S5:迭代更新分类器;
S6:判断分类器是否达到精度要求,若是,则保存当前参数并结束程序,若否,则继续训练。
2.根据权利要求1所述的一种小样本皮肤图像分类方法,其特征在于:所述步骤S1包含以下步骤:
S1.1:初始化分类器结构,此分类器的输入分为两个通道,分别为HOG特征通道和LBP特征通道;
S1.2:整个网络结构在第二层卷积后进行结合,结合方式为将两部分特征图联结到一起;
S1.3:特征图结合后再经过一个卷积层和两个全连接层后得出结果。
3.根据权利要求1或2所述的一种小样本皮肤图像分类方法,其特征在于:所述步骤S2包括以下步骤:
S2.1:采用人工实地相机采集的方法补充图像数据;
S2.2:采用网络爬虫的方法从互联网爬取对应需求的图像数据;
S2.3:采用特定算法或技术手段对图片进行增量处理。
4.根据权利要求1或2所述的一种小样本皮肤图像分类方法,其特征在于:所述步骤S3包括以下步骤:
S3.1:手动对采集到的图片数据进行标注和分类;
S3.2:将数据分为训练数据和测试数据。
5.根据权利要求1或2所述的一种小样本皮肤图像分类方法,其特征在于:所述步骤S4包括以下步骤:
S4.1:使用HOG方法对图片进行梯度特征提取,过程如下:
(4.1.1)灰度化;
(4.1.2)采用Gamma矫正法对输入图像进行颜色空间的标准化;
Gamma压缩公式为:
I(x,y)=I(x,y)gamma
其中,x为图像横轴坐标点,y为图像纵轴坐标点,I(x,y)为图像坐标(x,y)像素点的值,gamma为矫正值;
(4.1.3)计算图像每个像素的梯度,包括大小和方向;
(4.1.4)将图像划分成小区域;
(4.1.5)统计每个小区域的梯度直方图,即可形成每个小区域的描述符;
(4.1.6)将每几个小区域组成一个区域块,一个区域块内所有小区域的特征描述符串联起来便得到该区域块的HOG特征描述符;
(4.1.7)将目标图像内的所有区域块的HOG特征描述符串联起来就可以得到该目标图像的HOG特征描述符了;
S4.2:使用LBP方法对图片进行纹理特征提取,过程如下:
(4.2.1)首先将检测窗口划分为n×n的小区域;
(4.2.2)对于每个小区域中的一个像素,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则为0;这样,3*3邻域内的8个点经比较可产生8位二进制数,即得到该窗口中心像素点的LBP值;
(4.2.3)然后计算每个小区域的直方图,即每个数字(假定是十进制数LBP值)出现的频率;然后对该直方图进行归一化处理;
(4.2.4)最后将得到的每个小区域的统计直方图进行连接成为一个特征向量,也就是整幅图的LBP纹理特征向量;
S4.3:将提取到的特征存入文件中。
6.根据权利要求1所述的一种小样本皮肤图像分类方法,其特征在于:所述步骤S5包括以下步骤:
S5.1:将同一张图片的HOG特征数据部分送入到网络结构中的HOG特征通道,LBP特征数据部分送入到网络结构中的LBP特征通道;
S5.2:按S5.1所述方式将训练集按批次送入网络中进行迭代训练。
7.根据权利要求1或2所述的一种小样本皮肤图像分类方法,其特征在于:所述步骤S6包括以下步骤:
S6.1:使用测试数据集对分类器进行精度测试;
S6.2:若精度达到要求,则结束程序,所未到达精度要求,则重回S5继续训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811035221.7A CN109359522A (zh) | 2018-09-06 | 2018-09-06 | 一种小样本皮肤图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811035221.7A CN109359522A (zh) | 2018-09-06 | 2018-09-06 | 一种小样本皮肤图像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109359522A true CN109359522A (zh) | 2019-02-19 |
Family
ID=65350398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811035221.7A Pending CN109359522A (zh) | 2018-09-06 | 2018-09-06 | 一种小样本皮肤图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359522A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110633394A (zh) * | 2019-08-28 | 2019-12-31 | 浙江工业大学 | 基于特征加强的图压缩方法 |
CN112863453A (zh) * | 2021-01-07 | 2021-05-28 | Tcl华星光电技术有限公司 | 全息显示方法及全息显示*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599870A (zh) * | 2016-12-22 | 2017-04-26 | 山东大学 | 一种基于自适应加权局部特征融合的人脸识别方法 |
CN107563312A (zh) * | 2017-08-17 | 2018-01-09 | 南昌航空大学 | 人脸表情识别方法 |
CN107958263A (zh) * | 2017-11-13 | 2018-04-24 | 浙江工业大学 | 一种半监督的图像分类器训练方法 |
-
2018
- 2018-09-06 CN CN201811035221.7A patent/CN109359522A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599870A (zh) * | 2016-12-22 | 2017-04-26 | 山东大学 | 一种基于自适应加权局部特征融合的人脸识别方法 |
CN107563312A (zh) * | 2017-08-17 | 2018-01-09 | 南昌航空大学 | 人脸表情识别方法 |
CN107958263A (zh) * | 2017-11-13 | 2018-04-24 | 浙江工业大学 | 一种半监督的图像分类器训练方法 |
Non-Patent Citations (5)
Title |
---|
XIAOYU WANG等: "An HOG-LBP Human Detector with Partial Occlusion Handling", 《2009 IEEE 12TH INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV)》 * |
吕一平: "基于HOG特征和LBP特征的人脸识别方法研究", 《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》 * |
周航宁等: "基于深度学习的皮肤影像分类", 《协和医学杂志》 * |
赵冬冬: "基于HOG和LBP特征的自然场景中人脸检索技术研究", 《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》 * |
闫敬文: "基于HOG-多尺度LBP特征的人脸性别识别", 《扬州大学学报(自然科学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110633394A (zh) * | 2019-08-28 | 2019-12-31 | 浙江工业大学 | 基于特征加强的图压缩方法 |
CN110633394B (zh) * | 2019-08-28 | 2021-10-15 | 浙江工业大学 | 基于特征加强的图压缩方法 |
CN112863453A (zh) * | 2021-01-07 | 2021-05-28 | Tcl华星光电技术有限公司 | 全息显示方法及全息显示*** |
CN112863453B (zh) * | 2021-01-07 | 2022-07-12 | Tcl华星光电技术有限公司 | 全息显示方法及全息显示*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112508850B (zh) | 基于深度学习的甲状腺细胞病理切片恶性区域的检测方法 | |
Gautam et al. | An improved mammogram classification approach using back propagation neural network | |
CN107665492B (zh) | 基于深度网络的结直肠全景数字病理图像组织分割方法 | |
CN105740945B (zh) | 一种基于视频分析的人群计数方法 | |
CN109815785A (zh) | 一种基于双流卷积神经网络的人脸情绪识别方法 | |
CN105160310A (zh) | 基于3d卷积神经网络的人体行为识别方法 | |
CN106778687A (zh) | 基于局部评估和全局优化的注视点检测方法 | |
CN108647625A (zh) | 一种表情识别方法及装置 | |
CN106407369A (zh) | 一种基于深度学习人脸识别的照片管理方法和*** | |
CN105913463B (zh) | 一种基于位置先验的纹理-颜色特征全局显著性检测方法 | |
CN108764084A (zh) | 基于空域分类网络和时域分类网络融合的视频分类方法 | |
CN106910188A (zh) | 基于深度学习的遥感影像中机场跑道的检测方法 | |
Wang et al. | A hybrid method for the segmentation of a ferrograph image using marker-controlled watershed and grey clustering | |
CN106295501A (zh) | 基于唇部运动的深度学习身份识别方法 | |
Xue et al. | Automated tongue segmentation in Chinese medicine based on deep learning | |
CN112733711B (zh) | 基于多尺度场景变化检测的遥感影像损毁建筑物提取方法 | |
CN107423539A (zh) | 一种gm‑phd滤波器的标签分配方法 | |
CN114842238B (zh) | 一种嵌入式乳腺超声影像的识别方法 | |
CN107767416A (zh) | 一种低分辨率图像中行人朝向的识别方法 | |
CN106056161B (zh) | 一种针对平面旋转目标的视觉检测方法 | |
CN106570885A (zh) | 基于亮度和纹理融合阈值的背景建模方法 | |
CN108154113A (zh) | 基于全卷积网络热度图的跌倒事件检测方法 | |
CN108664986A (zh) | 基于lp范数正则化的多任务学习图像分类方法及*** | |
CN109359522A (zh) | 一种小样本皮肤图像分类方法 | |
Zhou et al. | Pulse-coupled neural network and its optimization for segmentation of electrical faults with infrared thermography |
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: 20190219 |
|
RJ01 | Rejection of invention patent application after publication |