CN110929603B - 一种基于轻量级卷积神经网络的天气图像识别方法 - Google Patents
一种基于轻量级卷积神经网络的天气图像识别方法 Download PDFInfo
- Publication number
- CN110929603B CN110929603B CN201911090623.1A CN201911090623A CN110929603B CN 110929603 B CN110929603 B CN 110929603B CN 201911090623 A CN201911090623 A CN 201911090623A CN 110929603 B CN110929603 B CN 110929603B
- Authority
- CN
- China
- Prior art keywords
- network
- weather
- convolution
- training
- layer
- 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.)
- Active
Links
Images
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
- G06V20/13—Satellite images
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于轻量级卷积神经网络的天气现象识别方法,属于图像识别技术领域。本发明包含以下步骤:构建轻量级天气识别网络;训练天气识别网络模型;获取待识别天气图片并进行标准化处理;将处理后的数据输入到训练后的天气识别网络并输出所属类别。本发明充分利用了卷积神经网络在大规模图像识别领域内展现的优势,将深度可分离卷积、注意力机制、残差连接、迁移学习等思想相结合,在不降低识别精度的情况下有效减少了模型的计算复杂度,为其在小型设备上的部署提供了可能性。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种基于轻量级卷积神经网络的天气图像识别方法。
背景技术
目前,在气象领域中,天气现象的识别主要依赖一些硬件方法,如气象雷达、气象传感器等。然而,使用硬件设备来识别天气现象的费用相对比较高昂,且维护上存在困难,因此难以将设备进行密集的部署以更精细化的识别天气现象。
近年来,随着数据量和计算能力增长,卷积神经网络CNNs(Convolution NeuralNetworks)因其出色的性能而在各种图像任务中变得无处不在。图像识别、目标检测、图像分割这三大基本图像任务由于卷积神经网络的加入都取得了远超以往的进步。由此,通过图像识别进行天气现象的识别成为了可能。
卷积神经网络相比传统的机器学习方法,其最大的优势是其强大的特征提取能力。传统的机器学习方法最主要的步骤是数据的特征工程,人们需要手工为数据设计各种能代表数据的特征,机器学习的性能上限也取决于特征工程的质量。而卷积神经网络运用卷积操作,再结合激活函数的非线性能力,使其几乎能够拟合任何复杂的函数,从而避免了特征工程,其上限由网络的拟合能力和数据量共同决定,而这些相比手工设计特征更易于改进。
然而,随着卷积神经网络性能的不断提升,其参数量也不断增加。早期用于手写数字识别的LeNet5网络只有6万个参数,而现在的主流模型其参数量可达到几千万甚至上亿,很难将其部署在一些小型设备中。此外,参数量多的模型也很容易因为数据量不足的原因导致过拟合,使其难以训练。因此,针对天气图像识别的任务,设计了一种易于部署的轻量级卷积神经网络。
发明内容
本发明要解决的技术问题是提出一种精准、高效且成本低廉的天气识别方法。使用传感器只能对传感器部署的具体点位的天气现象进行识别,而传感器的部署在成本和维护上都存在困难,因此难以进行大规模的部署以实现密集的天气现象识别。使用卷积神经网络可以精准的实现对天气图像的识别,然而由于其过高的计算复杂度,难以在设备上实际部署。
为了解决这些问题,本发明提出了一种轻量化的卷积神经网络结构,抛弃了昂贵的传感器设备而使用图像的方法进行天气的识别;为保证能在设备上进行部署,对模型进行了轻量化的设计,通过深度可分离卷积的方式大幅度降低了模型的参数,同时结合最先进的一些模型结构设计思想,如注意力机制、跳连接等,保证了模型识别的精度。
为实现上述目的,本发明采用如下的技术方案:
一种基于轻量级卷积神经网络的天气图像识别方法,包含以下步骤:
步骤1:构建轻量级天气识别网络;
轻量级天气识别网络依次由卷积层1、6个不同规格的模块网络、卷积层2、全局平均池化层以及全连接层构成,其中每个卷积层后面还包含批归一化层和非线性激活层。
进一步地,模块网络起到提取特征和降采样的作用,其主要由两个3*3的卷积核通过残差思想通过跳连接的方式连接。卷积方式使用深度可分离卷积的方式,大幅度降低了网络的参数数量,为保证网络的拟合性能,在3*3卷积前后分别添加了用于升维和综合利用通道信息的1*1卷积核。
进一步地,为了高效的利用通道间的信息相关性,每个模块网络中加入了轻量级的注意力机制模块,对每个通道的重要性进行额外建模,使得网络模型能够加强对通道信息的利用,提高了网络模型的拟合能力。此外,使用h-swish激活函数代替一般的ReLU激活函数,在不大幅度降低网络模型的推断速度的同时,进一步提升了网络模型的精度。
步骤2:训练天气识别网络模型
训练天气识别网络模型的具体步骤为:在大规模数据集上对网络模型进行预训练;将数据集划分为训练集、验证集和测试集并进行标准化处理;将训练集的数据用于预训练模型的迁移学习,并使用验证集来调整超参数,最后通过测试集检验模型效果。
进一步地,再大规模数据集上对网络模型进行预训练的操作步骤为:使用大规模图像数据集Imagenet对网络进行预训练。进一步地,将数据集划分为训练集、验证集和测试集并进行标准化处理的步骤为:以3:1:1的比例将数据集划分为训练集、验证集和测试集,对图片进行归一化处理,然后计算图像各通道的均值和标准差,将归一化后的图像数据减去计算得到的均值再除以标准差。进一步地,为了防止过拟合,使用各种图像增强方式(随机旋转、随机裁剪、随机擦除)对训练集图像进行数据增强。进一步地,训练网络模型时,选用NLLLoss为损失函数,优化算法为随机梯度下降算法,动量为0.9,权值衰减为0.0001,初始学习率为0.0001,在训练的预热阶段(即前10次迭代)线性地将学习率增加到0.001,之后以指数系数0.95对学习率进行衰减,当验证集上的损失不再降低时,停止模型的训练防止过拟合。
步骤3:获取待识别天气图像并进行标准化处理;
将需要进行识别的图像进行标准化处理:将图像的尺寸放缩到与训练图像一致,然后进行归一化操作,最后将其减去上一步中计算得到的均值再除以标准差。
步骤4:将处理后的数据输入到训练后的天气识别网络,网络模型的输出为一多维向量,其维数与所需识别的天气现象数量相同,数值最大的一维代表识别的最终结果。
本发明与现有技术相比具有以下优点:
摒弃了传感器和雷达,完全使用图像识别的方法进行天气的识别,有效解决了使用硬件设备识别天气现象成本高昂、维护困难、难以密集部署的问题。
在使用深度可分离卷积降低参数的情况下,通过融合注意力机制、残差连接、迁移学习等思想同时保证了网络模型的性能,使得构建的轻量级网络模型能够很容易地部署到小型设备上,便于未来的大面积部署以实现天气现象的精细化识别。
附图说明
图1是本发明提供的基于轻量级卷积神经网络的天气图像识别方法的流程示意图;
图2是本发明的天气识别网络的模块网络结构示意图;
图3是本发明的天气识别网络的注意力机制模块结构示意图;
具体实施方式
本发明主要实现的是基于轻量级卷积神经网络的天气图像识别。下面将结合附图详细介绍本发明采用的具体方法。
具体而言,基于轻量级卷积神经网络的天气图像识别方法的流程如图1所示,包括以下步骤:S1:构建轻量级天气识别网络。S2:训练天气识别网络模型。S3:获取待识别天气图像并进行标准化处理。S4:将处理后的数据输入到训练后的天气识别网络并输出所属类别。
对于S1:构建轻量级天气识别网络。
在本发明中,天气识别网络的网络结构设计如表1所示,主要包括卷积层1、6个模块网络、卷积层2、全局平均池化层以及全连接层。
卷积层1:天气识别网络的输入层采用7*7大小的卷积核,步长为2,输出为8个通道,其目的是将输入数据在进行下采样的同时保持一个较高的感受野。
模块网络:模块网络的结构如图2所示。其依次由1*1卷积、3*3卷积、3*3卷积、1*1卷积、注意力机制模块构成,其中每个卷积层后面依次附有批归一化、非线性激活层,最后一个1*1卷积后面只有批归一化层而没有非线性激活层,这是为了保证低维流形的数据信息不受损失。模块网络的第一个1*1卷积起到的是数据升维的作用,其将前一层(模块)的输入数据的通道数扩充至两倍。这样做的原因是因为后面的3*3卷积采用了深度可分离卷积的方式,虽然可以降低参数,但是要求输入和输出的通道数保持一致,若不添加用于升维的1*1卷积,则网络整体的通道数不发生改变,使得其拟合能力下降。深度可分离卷积还有另一个局限,即所有的卷积是逐通道的,这样通道之间的信息不互相通信,难以利用通道之间的相关性。因此在第二个3*3卷积的后面加入第二个1*1卷积,一方面综合利用了通道信息,另一方面将之前提高的数据维数再降低一半,起到节约网络的参数作用。每个卷积层后面添加的批归一化层是为了将数据尽量约束在一个独立同分布的假设下,加快网络的收敛速度。后面的非线性激活层采用的是hswish激活函数,这是swish函数的改进版,大量的实验证明swish激活函数能比常用的ReLU激活函数获得更高的性能,但是计算复杂度高,hswish函数则在性能和计算复杂度间做了权衡,即在保证速度的同时提高了精度。注意力机制模块如图3所示,它对输入张量的通道进行建模,使用1*1卷积将输入的张量压缩为一个一维向量,向量中的每个元素代表通道的全局信息,再经过一个全连接网络获取每个通道的权重,将这个权重再返回给每个通道,由此,对网络贡献大的通道将获得更高的权重,对网络贡献小的通道则获得较小的权重,如此可以利用到通道间的信息,提高网络的精度。最后,模块整体采用跳连接的残差结构,防止网络的退化,使得网络可以设计的更深,获得更强的拟合能力。
卷积层2:为了节省计算量,每个模块网络只将通道数扩展了一半,这样就导致网络整体的宽度较窄,拟合能力不足。因此,在其后添加一个用于提高通道数的卷积层,将网络的通道数提升至4倍,额外的卷积层还可以进一步提升网络的拟合能力。
全局平均池化层及全连接层:天气识别网络最后是一个全局平均池化层以及全连接层。全局平均池化的核大小为14*14,目的是将前端网络输出的14*14大小的矩阵压缩为1*1大小,然后将其展开并输入至全连接层。全连接层是一个softmax函数的实现,它将高维向量映射到给定类别的低维向量中,低维向量元素之和为1,每个元素的值代表其对应类别的概率大小。
对于S2:训练天气识别网络模型。
训练天气识别网络模型的步骤为:在大规模数据集上对网络模型进行预训练;将数据集划分为训练集、验证集和测试集并进行标准化处理;将训练集的数据用于预训练模型的迁移学习,并使用验证集来调整超参数,最后通过测试集检验模型效果。
在大规模数据集上对网络模型进行预训练是指使用大规模图像数据集Imagenet对构建的网络进行预训练,这是因为网络模型的参数较多而训练数据不够多,使用Imagenet对网络进行预训练可以获得一个比较好的网络初始值,方便后续的训练。
将数据集划分为训练集、验证集和测试集是为了便于调整网络超参数并便于准确的评估网络性能。将数据进行标准化处理是指将数据进行归一化处理,然后计算数据每个通道的均值和标准差,将数据的每个通道减去计算得到的均值再除以标准差以获得标准化后的数据。
将训练集的数据用于预训练模型的迁移学习,具体步骤为将模型除最后的全连接层的其它梯度值固定,将经过标准化和数据增强(随机旋转、随机擦除等)的训练集数据输入到网络改变全连接层的梯度并迭代10次用于预热,期间学习率从0.0001线性的增加至0.001。之后,依次按模块改变模型的梯度,学习率以系数为0.95的指数形式下降,模型的优化器使用随机梯度下降算法,动量为0.9,权值衰减为0.0001,初始学习率为0.0001。训练期间,使用验证集调整迭代次数、数据批次等超参数,当网络的损失不再下降后,使用测试集来评估网络的性能。
对于S3:获取待识别天气图像并进行标准化处理。
天气识别网络处理的是特定分布下的数据,因此待识别的天气图像需要进行同样的标准化处理步骤,即首先进行归一化操作,再减去上一步计算得到的均值再除以标准差,获得与训练数据同分布的数据。
对于S4:将处理后的数据输入到训练后的天气识别网络并输出所属类别。
处理后的数据经过训练后的天气识别网络的推断后,其输出为一个多维向量,向量维数为待识别的天气总类数,向量中每个元素的值代表其对应的天气现象的概率值,最大的值即对应其所属的类别。
表1天气识别网络结构
网络层 | 输入尺寸 | 扩张通道 | 输出通道 | 步长 |
卷积层1 | 2242*3 | - | 8 | 2 |
模块网络1 | 1122*8 | 16 | 12 | 2 |
模块网络2 | 562*12 | 24 | 18 | 1 |
模块网络3 | 562*18 | 36 | 24 | 2 |
模块网络4 | 282*24 | 48 | 32 | 1 |
模块网络5 | 282*32 | 64 | 48 | 2 |
模块网络6 | 142*48 | 96 | 96 | 1 |
卷积层2 | 142*96 | - | 364 | 1 |
全局平均池化层 | 142*364 | - | - | 1 |
全连接层 | 12*364 | - | 6 | 1 |
以上具体实施方式仅用于说明本发明的技术方案,而非对其限制。本领域的技术人员应当理解:上述实施方式并不以任何形式限制本发明,凡采用等同替换或等效变换等方式所取得的相似技术方案,均属于本发明的保护范围。
Claims (7)
1.一种基于轻量级卷积神经网络的天气图像识别方法,其特征在于:包含以下步骤,
步骤1:构建轻量级天气识别网络;
轻量级天气识别网络依次由卷积层1、6个不同规格的模块网络、卷积层2、全局平均池化层以及全连接层构成,其中每个卷积层后面还包含批归一化层和非线性激活层;轻量级天气识别网络的网络结构如表1所示;
模块网络起到提取特征和降采样的作用,由两个3*3的卷积核通过残差思想通过跳连接的方式连接;卷积方式使用深度可分离卷积的方式,在3*3卷积前后分别添加了用于升维和综合利用通道信息的1*1卷积核;
每个模块网络中加入了轻量级的注意力机制模块,对每个通道的重要性进行额外建模,使得网络模型能够加强对通道信息的利用;
模块网络的结构依次由1*1卷积、3*3卷积、3*3卷积、1*1卷积、注意力机制模块构成,其中每个卷积层后面依次附有批归一化、非线性激活层,最后一个1*1卷积后面只有批归一化层而没有非线性激活层;
表1天气识别网络结构
步骤2:训练天气识别网络模型;
训练天气识别网络模型的具体步骤为:在大规模数据集上对网络模型进行预训练;将数据集划分为训练集、验证集和测试集并进行标准化处理;将训练集的数据用于预训练模型的迁移学习,并使用验证集来调整超参数,最后通过测试集检验模型效果;将数据集划分为训练集、验证集和测试集并进行标准化处理的步骤为:以3:1:1的比例将数据集划分为训练集、验证集和测试集,对图片进行归一化处理,然后计算图像各通道的均值和标准差,将归一化后的图像数据减去计算得到的均值再除以标准差;
步骤3:获取待识别天气图像并进行标准化处理;
将需要进行识别的图像进行标准化处理:将图像的尺寸放缩到与训练图像一致,然后进行归一化操作,最后将其减去上一步中计算得到的均值再除以标准差;
步骤4:将处理后的数据输入到训练后的天气识别网络,网络模型的输出为一多维向量,其维数与所需识别的天气现象数量相同,数值最大的一维代表识别的最终结果。
2.根据权利要求1所述的一种基于轻量级卷积神经网络的天气图像识别方法,其特征在于:在大规模数据集上对网络模型进行预训练的操作步骤为:使用大规模图像数据集Imagenet对网络进行预训练。
3.根据权利要求1所述的一种基于轻量级卷积神经网络的天气图像识别方法,其特征在于:使用各种图像增强方式对训练集图像进行数据增强。
4.根据权利要求1所述的一种基于轻量级卷积神经网络的天气图像识别方法,其特征在于:训练网络模型时,选用NLLLoss为损失函数,优化算法为随机梯度下降算法,动量为0.9,权值衰减为0.0001,初始学习率为0.0001,在训练的预热阶段线性地将学习率增加到0.001,之后以指数系数0.95对学习率进行衰减,当验证集上的损失不再降低时,停止模型的训练防止过拟合。
5.根据权利要求1所述的一种基于轻量级卷积神经网络的天气图像识别方法,其特征在于:所述天气识别网络包括6个模块网络,每个模块网络的结构相似而参数不同,均由1*1卷积、批归一化、非线性激活、3*3卷积、注意力机制模块组成。
6.根据权利要求1所述的一种基于轻量级卷积神经网络的天气图像识别方法,其特征在于:每个模块网络使用深度分离卷积的卷积方式进行网络参数的减少,并融合残差连接思想使得网络设计的更深,非线性激活层使用hswish函数。
7.根据权利要求1所述的一种基于轻量级卷积神经网络的天气图像识别方法,其特征在于:将处理后的数据输入到训练后的天气识别网络并输出所属类别的具体方法为:将数据输入到天气现象识别网络后将输出一高维向量,每个向量代表对应天气现象的概率,通过选择最高概率的天气现象实现天气现象的识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911090623.1A CN110929603B (zh) | 2019-11-09 | 2019-11-09 | 一种基于轻量级卷积神经网络的天气图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911090623.1A CN110929603B (zh) | 2019-11-09 | 2019-11-09 | 一种基于轻量级卷积神经网络的天气图像识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110929603A CN110929603A (zh) | 2020-03-27 |
CN110929603B true CN110929603B (zh) | 2023-07-14 |
Family
ID=69853669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911090623.1A Active CN110929603B (zh) | 2019-11-09 | 2019-11-09 | 一种基于轻量级卷积神经网络的天气图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110929603B (zh) |
Families Citing this family (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598126A (zh) * | 2020-04-08 | 2020-08-28 | 天津大学 | 一种轻量级中药材识别方法 |
CN111553392B (zh) * | 2020-04-17 | 2024-03-01 | 东南大学 | 一种基于卷积神经网络的细粒度犬类图像识别方法 |
CN111639537A (zh) * | 2020-04-29 | 2020-09-08 | 深圳壹账通智能科技有限公司 | 人脸动作单元识别方法、装置、电子设备及存储介质 |
CN111652308B (zh) * | 2020-05-13 | 2024-02-23 | 三峡大学 | 基于超轻量级全卷积神经网络的花卉识别方法 |
CN111598157B (zh) * | 2020-05-14 | 2023-09-15 | 北京工业大学 | 一种基于vgg16网络层级优化的身份证图像分类方法 |
CN111639799B (zh) * | 2020-05-27 | 2023-09-26 | 中国电力科学研究院有限公司 | 基于卷积轻量级梯度提升树的负荷总功率预测方法及*** |
CN111696101A (zh) * | 2020-06-18 | 2020-09-22 | 中国农业大学 | 一种基于SE-Inception的轻量级茄科病害识别方法 |
CN111898523A (zh) * | 2020-07-29 | 2020-11-06 | 电子科技大学 | 一种基于迁移学习的遥感图像特种车辆目标检测方法 |
CN114078268A (zh) * | 2020-08-17 | 2022-02-22 | 珠海全志科技股份有限公司 | 一种轻量级人脸识别模型的训练方法及装置 |
CN112232543A (zh) * | 2020-08-31 | 2021-01-15 | 北京工业大学 | 一种基于图卷积网络的多站点预测方法 |
CN112215258B (zh) * | 2020-09-17 | 2022-10-18 | 九牧厨卫股份有限公司 | 一种马桶冲刷控制方法、***及马桶 |
CN112365456B (zh) * | 2020-10-29 | 2022-08-16 | 杭州富阳富创大数据产业创新研究院有限公司 | 基于三维点云数据的变电站设备分类方法 |
CN112183673A (zh) * | 2020-11-06 | 2021-01-05 | 携程计算机技术(上海)有限公司 | 天气时段分类方法、***、设备及存储介质 |
CN112529045A (zh) * | 2020-11-20 | 2021-03-19 | 济南信通达电气科技有限公司 | 一种与电力***有关的天气图像识别方法、设备及介质 |
CN112668631B (zh) * | 2020-12-24 | 2022-06-24 | 哈尔滨理工大学 | 基于卷积神经网络的移动端社区宠物识别方法 |
CN112801270B (zh) * | 2021-01-21 | 2023-12-12 | 中国人民解放军国防科技大学 | 融合深度卷积与注意力机制的u形网络槽自动识别方法 |
CN112818893A (zh) * | 2021-02-10 | 2021-05-18 | 北京工业大学 | 一种面向移动终端的轻量化开集地标识别方法 |
CN112990333A (zh) * | 2021-03-27 | 2021-06-18 | 上海工程技术大学 | 一种基于深度学习的天气多分类识别方法 |
WO2022205685A1 (zh) | 2021-03-29 | 2022-10-06 | 泉州装备制造研究所 | 一种基于轻量化网络的交通标志识别方法 |
CN113052259A (zh) * | 2021-04-14 | 2021-06-29 | 西南交通大学 | 一种基于联合投票网络的交通场景天气分类方法 |
CN113205177B (zh) * | 2021-04-25 | 2022-03-25 | 广西大学 | 一种基于增量协同注意力移动卷积的电力终端识别方法 |
CN113420651B (zh) * | 2021-06-22 | 2023-05-05 | 四川九洲电器集团有限责任公司 | 深度卷积神经网络的轻量化方法、***及目标检测方法 |
CN113505678B (zh) * | 2021-07-01 | 2023-03-21 | 西北大学 | 基于深度可分离卷积的猴类面部识别方法 |
CN113625283B (zh) * | 2021-07-28 | 2024-04-02 | 南京航空航天大学 | 基于残差卷积神经网络的双极化气象雷达水凝物粒子相态识别方法 |
CN113627376B (zh) * | 2021-08-18 | 2024-02-09 | 北京工业大学 | 基于多尺度密集连接深度可分离网络的人脸表情识别方法 |
CN113780535B (zh) * | 2021-09-27 | 2024-06-04 | 华中科技大学 | 一种应用于边缘设备的模型训练方法及*** |
CN113920363B (zh) * | 2021-10-07 | 2024-05-17 | 中国电子科技集团公司第二十研究所 | 一种基于轻量级深度学习网络的文物分类方法 |
CN113935433B (zh) * | 2021-11-02 | 2024-06-14 | 齐齐哈尔大学 | 基于深度光谱空间倒残差网络的高光谱图像分类方法 |
CN113723377B (zh) * | 2021-11-02 | 2022-01-11 | 南京信息工程大学 | 一种基于ld-ssd网络的交通标志检测方法 |
CN114119621A (zh) * | 2021-11-30 | 2022-03-01 | 云南电网有限责任公司输电分公司 | 基于深度编解码融合网络的sar遥感图像水域分割方法 |
CN114581861B (zh) * | 2022-03-02 | 2023-05-23 | 北京交通大学 | 一种基于深度学习卷积神经网络的轨道区域识别方法 |
CN114782318A (zh) * | 2022-03-24 | 2022-07-22 | 什维新智医疗科技(上海)有限公司 | 一种基于目标检测的超声图像类型识别方法 |
CN115294381B (zh) * | 2022-05-06 | 2023-06-30 | 兰州理工大学 | 基于特征迁移和正交先验的小样本图像分类方法及装置 |
CN114755745B (zh) * | 2022-05-13 | 2022-12-20 | 河海大学 | 基于多通道深度残差收缩网络的冰雹天气识别与分类方法 |
CN115115890B (zh) * | 2022-07-17 | 2024-03-19 | 西北工业大学 | 一种基于自动化机器学习的轻量化高速公路团雾分类方法 |
CN115062551B (zh) * | 2022-08-05 | 2022-11-04 | 成都信息工程大学 | 一种基于时序神经网络的湿物理过程参数化方法 |
CN116468990B (zh) * | 2023-06-08 | 2023-09-29 | 中海智(北京)科技有限公司 | 一种基于集中判图的任务随机派发智能管理***及方法 |
CN116958783B (zh) * | 2023-07-24 | 2024-02-27 | 中国矿业大学 | 基于深度残差二维随机配置网络的轻量型图像识别方法 |
CN117092723B (zh) * | 2023-08-23 | 2024-04-12 | 辽宁石油化工大学 | 一种气象智能识别设备 |
CN117975173B (zh) * | 2024-04-02 | 2024-06-21 | 华侨大学 | 基于轻量化视觉转换器的儿童邪典图片识别方法和设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107247949A (zh) * | 2017-08-02 | 2017-10-13 | 北京智慧眼科技股份有限公司 | 基于深度学习的人脸识别方法、装置和电子设备 |
CN108710826A (zh) * | 2018-04-13 | 2018-10-26 | 燕山大学 | 一种交通标志深度学习模式识别方法 |
CN110009043A (zh) * | 2019-04-09 | 2019-07-12 | 广东省智能制造研究所 | 一种基于深度卷积神经网络的病虫害检测方法 |
CN110110843A (zh) * | 2014-08-29 | 2019-08-09 | 谷歌有限责任公司 | 用于处理图像的方法和*** |
CN110349146A (zh) * | 2019-07-11 | 2019-10-18 | 中原工学院 | 基于轻量级卷积神经网络的织物缺陷识别***的搭建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10580131B2 (en) * | 2017-02-23 | 2020-03-03 | Zebra Medical Vision Ltd. | Convolutional neural network for segmentation of medical anatomical images |
-
2019
- 2019-11-09 CN CN201911090623.1A patent/CN110929603B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110843A (zh) * | 2014-08-29 | 2019-08-09 | 谷歌有限责任公司 | 用于处理图像的方法和*** |
CN107247949A (zh) * | 2017-08-02 | 2017-10-13 | 北京智慧眼科技股份有限公司 | 基于深度学习的人脸识别方法、装置和电子设备 |
CN108710826A (zh) * | 2018-04-13 | 2018-10-26 | 燕山大学 | 一种交通标志深度学习模式识别方法 |
CN110009043A (zh) * | 2019-04-09 | 2019-07-12 | 广东省智能制造研究所 | 一种基于深度卷积神经网络的病虫害检测方法 |
CN110349146A (zh) * | 2019-07-11 | 2019-10-18 | 中原工学院 | 基于轻量级卷积神经网络的织物缺陷识别***的搭建方法 |
Non-Patent Citations (5)
Title |
---|
"FastFace: 实时鲁棒的人脸检测算法";李启运等;《中国图象图形学报》;第24卷(第10期);全文 * |
"基于轻量型卷积神经网络的非固定场景天气识别算法";王亚朝等;《电子测量技术》;第42卷(第17期);153-156 * |
"多尺度并行融合的轻量级卷积神经网络设计";范瑞等;《广西师范大学学报(自然科学版)》;第37卷(第3期);全文 * |
Fan Zhang等."Multi-Aspect-Aware Bidirectional LSTM Networks for Synthetic Aperture Radar Target Recognition".《IEEE Access》.2017,第5卷全文. * |
Zhengyang Wang等."Smoothed Dilated Convolutions for Improved Dense Prediction".arXiv:1808.08931v2.2019,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110929603A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929603B (zh) | 一种基于轻量级卷积神经网络的天气图像识别方法 | |
CN110188685B (zh) | 一种基于双注意力多尺度级联网络的目标计数方法及*** | |
CN109035149B (zh) | 一种基于深度学习的车牌图像去运动模糊方法 | |
CN110929602B (zh) | 一种基于卷积神经网络的地基云图云状识别方法 | |
CN110427846B (zh) | 一种利用卷积神经网络对不平衡小样本的人脸识别方法 | |
US10713533B2 (en) | Image processing method and apparatus, and computer-readable storage medium | |
CN106250939B (zh) | 基于fpga+arm多层卷积神经网络的手写体字符识别方法 | |
CN106228185B (zh) | 一种基于神经网络的通用图像分类识别***及方法 | |
CN105913087B (zh) | 基于最优池化卷积神经网络的物体识别方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN108960301B (zh) | 一种基于卷积神经网络的古彝文识别方法 | |
CN111291696B (zh) | 一种基于卷积神经网络的手写东巴文识别方法 | |
CN109063719B (zh) | 一种联合结构相似性和类信息的图像分类方法 | |
CN111401156B (zh) | 基于Gabor卷积神经网络的图像识别方法 | |
US11700156B1 (en) | Intelligent data and knowledge-driven method for modulation recognition | |
CN112070768A (zh) | 基于Anchor-Free的实时实例分割方法 | |
CN115035418A (zh) | 一种基于改进DeepLabV3+网络的遥感图像语义分割方法及*** | |
CN112836820B (zh) | 用于图像分类任务的深度卷积网络训练方法、装置及*** | |
CN112215119A (zh) | 一种基于超分辨率重建的小目标识别方法、装置及介质 | |
CN115049534A (zh) | 基于知识蒸馏的鱼眼图像实时语义分割方法 | |
CN110555461A (zh) | 基于多结构卷积神经网络特征融合的场景分类方法及*** | |
CN111784777A (zh) | 基于卷积神经网络的smt物料数量统计方法及统计*** | |
CN112766283A (zh) | 一种基于多尺度卷积网络的两相流流型识别方法 | |
CN111192240B (zh) | 一种基于随机接入记忆的遥感图像目标检测方法 | |
CN112101487A (zh) | 一种细粒度识别模型的压缩方法和设备 |
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 |