CN110704662A - 一种图像分类方法及*** - Google Patents
一种图像分类方法及*** Download PDFInfo
- Publication number
- CN110704662A CN110704662A CN201910990121.8A CN201910990121A CN110704662A CN 110704662 A CN110704662 A CN 110704662A CN 201910990121 A CN201910990121 A CN 201910990121A CN 110704662 A CN110704662 A CN 110704662A
- Authority
- CN
- China
- Prior art keywords
- image
- classification
- adopting
- feature
- class
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
-
- 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]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种图像分类方法及***,其方法包括:获取多个类别的图像样本,并提取所述图像样本的特征指标;采用决策树算法对所述特征指标进行挑选,得到显著特征指标;将所述显著特征指标转换为类别描述,所述类别描述作为基分类器得分子网络的权重;采用所述基分类器对训练图像进行分类,得到分类结果。本申请采用零样本学习定义的类别描述,其收集自动化程度高,有较强的理论基础,并且本申请不需要对图像进行繁琐的预处理。
Description
技术领域
本申请涉及图像分类技术领域,尤其涉及一种图像分类方法及***。
背景技术
目前基于形态学特征的分类方法在预测之前需要对新样本进行繁琐且耗时的医学图像预处理环节,因此可以采用深度学习的方法对医学图像进行特征提取;然而,通常深度学习方法对样本的数量要求很高,但零样本学习方法通过预先设定的类别描述,即添加适量的先验信息,使它可以在目标类样本数量为零的情况下,仅使用源类完成对神经网络的训练。通过这种方法我们可以通过少量的样本训练出能准确区分医学图像语义描述的神经网络。目前零样本学习面临着类别描述难以获取的问题。在零样本学习网络中往往需要建立特征嵌入(Feature embedding)和语义嵌入(Semantic embedding)之间的映射关系,常见的方法有线性映射和非线性映射。然而,由于样本在特征空间中所构成的流型与语义空间中类别构成的流型是不一致的,故流型之间的学习需要参数尽量少、学习能力尽量强的映射函数;并且目前大多数零样本学习方法存在强偏(strong bias)问题,即在测试阶段中,在目标数据集中的新类图像更倾向于被分到源类当中。
发明内容
本申请实施例提供了一种图像分类方法及***,使得采用零样本学习定义的类别描述,其收集自动化程度高,有较强的理论基础,并且本申请不需要对图像进行繁琐的预处理。
有鉴于此,本申请第一方面提供了一种图像分类方法,所述方法包括:
获取多个类别的图像样本,并提取所述图像样本的特征指标;
采用决策树算法对所述特征指标进行挑选,得到显著特征指标;
将所述显著特征指标转换为类别描述,所述类别描述作为基分类器得分子网络的权重;
采用所述基分类器对训练图像进行分类,得到分类结果。
优选地,采用多个所述基分类器对训练图像进行分类,得到分类结果。
优选地,在所述采用多个所述基分类器对训练图像进行分类,得到分类结果之后还包括:
采用投票法对多个所述基分类器的结果进行投票,得到最终的分类结果。
优选地,所述将所述显著特征指标转换为类别描述,所述类别描述作为基分类器分子网络的权重具体为:
对每个类别中的类别i中的特征指标fj求取平均值,若平均值大于预设的阈值,则将所述每个类别中对应的特征指标的描述值置为1,否则置为0,获取多个类别中对应的特征指标的类别描述集。
优选地,所述类别具体为:AD阿尔兹海默症、NC正常老化、MCInc和MCIc轻度认知障碍。
优选地,所述采用多个所述基分类器对训练图像进行分类具体为:
采用AD阿尔兹海默症、NC正常老化、MCInc和MCIc轻度认知障碍中的任意三个类别的图像作为源类,剩下的一个作为目标类,将所述源类作为基分类器的训练样本,得到4种训练结果。
优选地,所述采用投票法对多个所述基分类器的结果进行投票,得到最终的分类结果具体为:
采用硬投票制的方法对4种分类结果进行投票,将票数最高的类别作为分类结果。
优选地,所述基分类器包括:视觉特征嵌入子网络,视觉-语义映射子网络,得分子网络和分类器。
本申请第二方面提供一种图像分类***,所述***包括:
第一特征提取模块,所述特征获取模块用于获取多个类别的图像样本,并提取所述图像样本的特征指标;
第二特征提取模块,所述第二特征提取模块用于采用决策树算法对所述特征指标进行挑选,得到显著特征指标;
类别描述获取模块,所述类别描述获取模块用于将所述显著特征指标转换为类别描述,所述类别描述作为基分类器得分子网络的权重;
分类模块,所述分类模块用于采用多个所述基分类器对训练图像进行分类,得到分类结果。
优选地,还包括:投票模块,所述投票模块用于采用投票法对多个所述基分类器的结果进行投票,得到最终的分类结果。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请实施例中,提供了一种图像分类方法,包括获取多个类别的图像样本,并提取所述图像样本的特征指标;采用决策树算法对所述特征指标进行挑选,得到显著特征指标;将所述显著特征指标转换为类别描述,所述类别描述作为基分类器得分子网络的权重;采用所述基分类器对训练图像进行分类,得到分类结果。本申请利用零样本学习的这一特性对传统网络结构进行改进,克服了目前样本数量不足的困境;并且提出的网络架构中得分子网络(Scoring subnet)将传统方法获取的形态学特征的信息转化为类别描述使零样本学习有坚实的基础。
附图说明
图1为本申请一种图像分类方法的一个实施例的方法流程图;
图2为本申请一种图像分类方法的另一个实施例的方法流程图;
图3为本申请一种图像分类***的一个实施例的***结构图;
图4为本申请一种图像分类方法的一个实施例中CART特征指标挑选的流程图;
图5为本申请一种图像分类方法的一个实施例中视觉特征嵌入子网络的结构图;
图6为本申请一种图像分类方法的一个实施例中视觉-语义映射子网络结构图;
图7为本申请一种图像分类方法的一个实施例中归纳式零样本学习基分类器网络结构图;
图8为本申请一种图像分类方法的一个实施例中采用的投票法的示意图。
具体实施方式
本申请利用神经网络结构3DCNN对医学图像sMRI进行特征提取,以此节省可观的人力物力;利用零样本学习的这一特性对传统网络结构进行改进,克服了目前样本数量不足的困境;本发明提出的网络架构中得分子网络(Scoring subnet)将传统方法获取的形态学特征的信息转化为类别描述使零样本学习有坚实的基础;选择ResNet作为视觉-语义映射子网络(Visual-semantic mapping subnet),以完成特征嵌入和语义嵌入之间的映射;本方法将每一个类作为目标类分别训练多个归纳式零样本学习网络,再将其集合为一个强分类器,每个基分类器的偏差得以中和,以此得到更为泛化的分类结果。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了便于理解,请参阅图1,图1为本申请实施例中信息处理***架构图,如图1所示,图1中包括:
101、获取多个类别的图像样本,并提取图像样本的特征指标。
需要说明的是,可以获取多个类别的图像样本,类别可以是同一领域的不同种类的图像样本,例如可以是关于阿尔治海默症的图像样本,其种类包括AD阿尔兹海默症、NC正常老化、MCInc和MCIc轻度认知障碍等类别,其中MCInc指的是具有轻度认知障碍不会转化为AD的人群MCIc具有轻度认知障碍后面会转化为AD的人群。另外,可以用Brainnetome脑区模板划分关于阿尔治海默症的图像样本中的大脑区域并用FreeSurfer软件计算每个脑区的特征指标。可以选取其中的68个脑区,每个脑区选取8个特征指标,从而获得形态学特征指标矩阵M68×8×N,其中N表示样本总数。
102、采用决策树算法对特征指标进行挑选,得到显著特征指标。
需要说明的是,可以采用CART决策树进行特征指标提取的流程,即在决策树生长的过程中,若达到终止的条件,则停止继续生长,保留特征指标大于预设阈值的特征,从而形成显著特征集。
需要指出,决策树的生长对应于决策空间的划分,每一个内部节点代表在决策空间中分割训练样本的一个超平面,在这种观点中可知离根节点最近的内部节点对于整个决策空间的划分影响最大,因此可以选择划分得到的前若干个特征归为显著特征集。
103、将显著特征指标转换为类别描述,类别描述作为基分类器得分子网络的权重。
需要说明的是,由于图像存在多个类别,因此需要分贝求出每个类别i中的图像对应的每个显著特征的平均值μij,若平均值大于预设的阈值,将类别i中图像对应的每个显著特征fj的描述φij置为1,否则置为0,其中i表示第i个类别,j表示类别中的第j个显著特征,那么对描述φi进行归一化得到类别描述另外,可以将类别描述作为基分类器中得分子网络的权重用于对分类结果进行打分。
104、采用基分类器对训练图像进行分类,得到分类结果。
需要说明的是,采用基分类器对多个种类的训练图像进行分类,从而得到分类结果,其中可以采用多个分类器分别对多个种类的图像的任意组合进行分类处理,可以是两两组合,也可以每三个组合进行分类。
本申请利用零样本学习的这一特性对传统网络结构进行改进,克服了目前样本数量不足的困境;并且提出的网络架构中得分子网络(Scoring subnet)将传统方法获取的形态学特征的信息转化为类别描述使零样本学习有坚实的基础。
本申请还提供了另外一种实施例,请参阅图2,图2为本申请一种图像分类方法的另一个实施例的方法流程图,如图2所示,图2中包括:
201、获取多个类别的图像样本,并提取图像样本的特征指标。
需要说明的是,本申请从ADNI数据库中获取的图像样本包括AD阿尔兹海默症、NC正常老化、MCInc和MCIc轻度认知障碍等类别,并且对于每个图像样本采用Brainnetome脑区模板对图像样本划分大脑区域并用FreeSurfer软件计算每个脑区的特征指标。可以选取其中的68个脑区,每个脑区选取8个特征指标,从而获得形态学特征指标矩阵N68×8×N,其中N表示样本总数。
202、采用决策树算法对特征指标进行挑选,得到显著特征指标。
需要说明的是,可以采用CART决策树进行特征指标提取的流程,即在决策树生长的过程中,若达到终止的条件,则停止继续生长,保留特征指标大于预设阈值的特征,从而形成显著特征集,其具体的流程图如图4所示。
需要指出,决策树的生长对应于决策空间的划分,每一个内部节点代表在决策空间中分割训练样本的一个超平面,在这种观点中可知离根节点最近的内部节点对于整个决策空间的划分影响最大,因此可以选择划分得到的前若干个特征归为显著特征集。
在一种具体的实施例中,利用CART决策树的生长和剪枝,获得决策树由树根至下前15个节点所包含的特征作为显著特征集。
203、将显著特征指标转换为类别描述,类别描述作为基分类器得分子网络的权重。
需要说明的是,由于图像存在多个类别,因此需要分贝求出每个类别i中的图像对应的每个显著特征的平均值μij,若平均值大于预设的阈值,将类别i中图像对应的每个显著特征fj的描述φij置为1,否则置为0,其中i表示第i个类别,j表示类别中的第j个显著特征,那么对描述φi进行归一化得到类别描述另外,可以将类别描述作为基分类器中得分子网络的权重用于对分类结果进行打分。
其中,均值指的是类别中关于某特定特征fj的平均值。假设第一个显著特征为f1,假设为右脑尾部区域21的灰质体积,则计算每个类别中所有样本对右脑尾部区域21的灰质体积这个特征的平均值,如其中是i类第k个样本右脑尾部区域21的灰质体积的值,Ni为第i类样本总数。
204、采用多个基分类器对训练图像进行分类,得到分类结果。
需要说明的是,采用多个基分类器对多个种类的图像的组合进行分类,得到分类结果。在具体的实施方式中,可以采用AD阿尔兹海默症、NC正常老化、MCInc和MCIc轻度认知障碍中的任意三个类别的图像作为源类,剩下的一个作为目标类,将所述源类作为基分类器的训练样本,得到4种训练结果,其中源类用来训练即分类器,目标类用于基分类器训练完成后,对基分类器进行评估,若基分类器对四个类别都能有较好的准确率说明及分类器学到了特征对语义的转换。
其中,基分类器包括视觉特征嵌入子网络,视觉-语义映射子网络,得分子网络和分类器,其具体的结构图如图7所示。训练阶段只能获取得到源类数据,即训练时将三个类别作为源类,剩下一个类别作为目标类,只由源类的sMRI医学图像组成该基分类器网络的训练集Dtrain。其中Dtrain由视觉特征嵌入子网络提取视觉特征,然后在视觉-语义映射子网络中将视觉嵌入转化为语义嵌入,经由得分子网络与类别描述进行内积运算,得到的分数经过Softmax层转化为每个类别对应的概率,其中得分子网络会对当前样本生成语义描述向量,内积运算指的是当前样本与每个类别的的语义描述向量进行内积运算,以此得到该样本跟每个类比的相似程度。
其视觉特征嵌入子网络的具体结构如图5所示,采用的是3DCNN模型网络结构,用于提取sMRI图像的深层次视觉特征,注意到Block3中没有Pooling层,而是将卷积层获得的深层特征作为下游视觉-语义映射子网络的输入。
视觉-语义映射子网络的具体结构如图6所示,其接受上游视觉特征嵌入子网络提取的视觉特征作为输入,旨在学习医学图像中视觉嵌入与语义嵌入之间的映射关系。目前零样本学习常采用自编码器或全连接层来学习特征嵌入和语义嵌入之间的映射关系,但前者的学习能力有限,后者的冗余参数过多。值得一提的是相对于增加网络宽度,增加网络的深度能够更为有效地加强网络的复杂度,即加强网络的学习能力。本发明采用ResNet模型网络结构,其中残差块(Residual Block)使得深层网络的训练变得可能。
205、采用投票法对多个所述基分类器的结果进行投票,得到最终的分类结果。
需要说明的是,采用硬投票制的方法对4种分类结果进行投票,将票数最高的类别作为分类结果,其具体的示意图如图8所示,其中四个基分类器分别以不同的类别作为目标类,以其它三个类别为源类进行训练,再以Hard Voting投票制对基分类器进行集成。在分类预测时返回票数最高的类别作为分类结果。
本申请利用神经网络结构3DCNN对医学图像sMRI进行特征提取,以此节省可观的人力物力;利用零样本学习的这一特性对传统网络结构进行改进,克服了目前样本数量不足的困境;本发明提出的网络架构中得分子网络(Scoring subnet)将传统方法获取的形态学特征的信息转化为类别描述使零样本学习有坚实的基础;选择ResNet作为视觉-语义映射子网络(Visual-semantic mapping subnet),以完成特征嵌入和语义嵌入之间的映射;本方法将每一个类作为目标类分别训练多个归纳式零样本学习网络,再将其集合为一个强分类器,每个基分类器的偏差得以中和,以此得到更为泛化的分类结果。
以上是本申请一种图像分类方法的实施例,本申请还提供了一种图像分类***的实施例,请参阅图3,图3为本申请一种图像分类***的一个实施例的***结构图,如图3所示,具体为:
第一特征提取模块301,用于获取多个类别的图像样本,并提取图像样本的特征指标。
第二特征提取模块302,用于采用决策树算法对特征指标进行挑选,得到显著特征指标。
类别描述获取模块303,用于将显著特征指标转换为类别描述,类别描述作为基分类器得分子网络的权重。
分类模块304,用于采用多个基分类器对训练图像进行分类,得到分类结果。
另外,本实施例中还包括投票模块,用于采用投票法对多个基分类器的结果进行投票,得到最终的分类结果。
本实施例利用零样本学习的这一特性对传统网络结构进行改进,克服了目前样本数量不足的困境;并且提出的网络架构中得分子网络(Scoring subnet)将传统方法获取的形态学特征的信息转化为类别描述使零样本学习有坚实的基础。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的***和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种图像分类方法,其特征在于,包括:
获取多个类别的图像样本,并提取所述图像样本的特征指标;
采用决策树算法对所述特征指标进行挑选,得到显著特征指标;
将所述显著特征指标转换为类别描述,所述类别描述作为基分类器得分子网络的权重;
采用所述基分类器对训练图像进行分类,得到分类结果。
2.根据权利要求1所述的图像分类方法,其特征在于,所述采用所述基分类器对训练图像进行分类,得到分类结果具体为:
采用多个所述基分类器对训练图像进行分类,得到分类结果。
3.根据权利要求2所述的图像分类方法,其特征在于,在所述采用多个所述基分类器对训练图像进行分类,得到分类结果之后还包括:
采用投票法对多个所述基分类器的结果进行投票,得到最终的分类结果。
4.根据权利要求1所述的图像分类方法,其特征在于,所述将所述显著特征指标转换为类别描述,所述类别描述作为基分类器分子网络的权重具体为:
对每个类别中的类别i中的特征指标fj求取平均值,若平均值大于预设的阈值,则将所述每个类别中对应的特征指标的描述值置为1,否则置为0,获取多个类别中对应的特征指标的类别描述集。
5.根据权利要求4所述的图像分类方法,其特征在于,所述类别具体为:AD阿尔兹海默症、NC正常老化、MCInc和MCIc轻度认知障碍。
6.根据权利要求5所述的图像分类方法,其特征在于,所述采用多个所述基分类器对训练图像进行分类具体为:
采用AD阿尔兹海默症、NC正常老化、MCInc和MCIc轻度认知障碍中的任意三个类别的图像作为源类,剩下的一个作为目标类,将所述源类作为基分类器的训练样本,得到4种训练结果。
7.根据权利要求6所述的图像分类方法,其特征在于,所述采用投票法对多个所述基分类器的结果进行投票,得到最终的分类结果具体为:
采用硬投票制的方法对4种分类结果进行投票,将票数最高的类别作为分类结果。
8.根据权利要求1所述的图像分类方法,其特征在于,所述基分类器包括:视觉特征嵌入子网络,视觉-语义映射子网络,得分子网络和分类器。
9.一种图像分类***,其特征在于,包括:
第一特征提取模块,所述特征获取模块用于获取多个类别的图像样本,并提取所述图像样本的特征指标;
第二特征提取模块,所述第二特征提取模块用于采用决策树算法对所述特征指标进行挑选,得到显著特征指标;
类别描述获取模块,所述类别描述获取模块用于将所述显著特征指标转换为类别描述,所述类别描述作为基分类器得分子网络的权重;
分类模块,所述分类模块用于采用多个所述基分类器对训练图像进行分类,得到分类结果。
10.根据权利要求9所述的一种图像分类***,其特征在于,还包括:
投票模块,所述投票模块用于采用投票法对多个所述基分类器的结果进行投票,得到最终的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910990121.8A CN110704662A (zh) | 2019-10-17 | 2019-10-17 | 一种图像分类方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910990121.8A CN110704662A (zh) | 2019-10-17 | 2019-10-17 | 一种图像分类方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110704662A true CN110704662A (zh) | 2020-01-17 |
Family
ID=69200396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910990121.8A Pending CN110704662A (zh) | 2019-10-17 | 2019-10-17 | 一种图像分类方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110704662A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242233A (zh) * | 2020-01-18 | 2020-06-05 | 温州大学 | 一种基于融合网络的阿尔兹海默病分类方法 |
CN111402198A (zh) * | 2020-02-11 | 2020-07-10 | 山东师范大学 | 基于解剖地标和残差网络的阿尔兹海默症分类方法及*** |
CN112364706A (zh) * | 2020-10-19 | 2021-02-12 | 燕山大学 | 一种基于类不平衡的小样本轴承故障诊断方法 |
CN114446466A (zh) * | 2021-12-22 | 2022-05-06 | 山东师范大学 | 基于表面形态学测量的认知障碍辅助诊断*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096661A (zh) * | 2016-06-24 | 2016-11-09 | 中国科学院电子学研究所苏州研究院 | 基于相对属性随机森林的零样本图像分类方法 |
CN106529598A (zh) * | 2016-11-11 | 2017-03-22 | 北京工业大学 | 一种基于不均衡医疗图像数据集的分类方法与*** |
CN106778804A (zh) * | 2016-11-18 | 2017-05-31 | 天津大学 | 基于类别属性迁移学习的零样本图像分类方法 |
US20180341862A1 (en) * | 2016-07-17 | 2018-11-29 | Gsi Technology Inc. | Integrating a memory layer in a neural network for one-shot learning |
-
2019
- 2019-10-17 CN CN201910990121.8A patent/CN110704662A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096661A (zh) * | 2016-06-24 | 2016-11-09 | 中国科学院电子学研究所苏州研究院 | 基于相对属性随机森林的零样本图像分类方法 |
US20180341862A1 (en) * | 2016-07-17 | 2018-11-29 | Gsi Technology Inc. | Integrating a memory layer in a neural network for one-shot learning |
CN106529598A (zh) * | 2016-11-11 | 2017-03-22 | 北京工业大学 | 一种基于不均衡医疗图像数据集的分类方法与*** |
CN106778804A (zh) * | 2016-11-18 | 2017-05-31 | 天津大学 | 基于类别属性迁移学习的零样本图像分类方法 |
Non-Patent Citations (2)
Title |
---|
曾安: "基于卷积神经网络和集成学习的阿尔茨海默症早期诊断", 《生物医学工程学杂志》 * |
董夙慧: "基于稀疏编码空间金字塔模型的零样本学习", 《江苏大学学报(自然科学版)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242233A (zh) * | 2020-01-18 | 2020-06-05 | 温州大学 | 一种基于融合网络的阿尔兹海默病分类方法 |
CN111402198A (zh) * | 2020-02-11 | 2020-07-10 | 山东师范大学 | 基于解剖地标和残差网络的阿尔兹海默症分类方法及*** |
CN111402198B (zh) * | 2020-02-11 | 2022-12-27 | 山东师范大学 | 基于解剖地标和残差网络的阿尔兹海默症分类方法及*** |
CN112364706A (zh) * | 2020-10-19 | 2021-02-12 | 燕山大学 | 一种基于类不平衡的小样本轴承故障诊断方法 |
CN114446466A (zh) * | 2021-12-22 | 2022-05-06 | 山东师范大学 | 基于表面形态学测量的认知障碍辅助诊断*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110704662A (zh) | 一种图像分类方法及*** | |
CN110647875B (zh) | 一种血细胞分割、识别模型构造的方法及血细胞识别方法 | |
CN112581438B (zh) | 切片图像识别方法、装置和存储介质及电子设备 | |
Beikmohammadi et al. | SWP-LeafNET: A novel multistage approach for plant leaf identification based on deep CNN | |
CN109829478B (zh) | 一种基于变分自编码器的问题分类方法和装置 | |
CN107491729B (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 | |
CN112633382A (zh) | 一种基于互近邻的少样本图像分类方法及*** | |
CN113095370A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
US7233692B2 (en) | Method and computer program product for identifying output classes with multi-modal dispersion in feature space and incorporating multi-modal structure into a pattern recognition system | |
CN110751191A (zh) | 一种图像的分类方法及*** | |
CN116310466A (zh) | 基于局部无关区域筛选图神经网络的小样本图像分类方法 | |
Varghese et al. | INFOPLANT: Plant recognition using convolutional neural networks | |
CN112487406B (zh) | 一种基于机器学习的网络行为分析方法 | |
CN106570514A (zh) | 一种基于词袋模型和支持向量机的汽车轮毂分类方法 | |
CN111612021B (zh) | 一种错误样本识别方法、装置及终端 | |
CN111816311A (zh) | 状态识别的方法、***、装置 | |
CN114926691A (zh) | 基于卷积神经网络的虫害智能化识别方法及*** | |
CN109190645A (zh) | 一种高阶高维图像数据的表示与分类方法 | |
CN114049500A (zh) | 基于元学习重加权网络伪标签训练的图像评价方法及*** | |
Jadah et al. | Breast Cancer Image Classification Using Deep Convolutional Neural Networks | |
CN114022698A (zh) | 一种基于二叉树结构的多标签行为识别方法及装置 | |
CN112926459B (zh) | 基于静息态脑功能图像的性别角色识别方法及装置 | |
CN108776802A (zh) | 一种花生品种识别方法及*** | |
CN112633399B (zh) | 一种稀疏协同联合表示模式识别方法 | |
CN113762389B (zh) | 一种基于动态诊断的高光谱影像小样本分类方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200117 |
|
RJ01 | Rejection of invention patent application after publication |