CN110929697A - 一种基于残差结构的神经网络目标识别方法及*** - Google Patents

一种基于残差结构的神经网络目标识别方法及*** Download PDF

Info

Publication number
CN110929697A
CN110929697A CN201911301003.8A CN201911301003A CN110929697A CN 110929697 A CN110929697 A CN 110929697A CN 201911301003 A CN201911301003 A CN 201911301003A CN 110929697 A CN110929697 A CN 110929697A
Authority
CN
China
Prior art keywords
layer
feature
convolution
neural network
training data
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
CN201911301003.8A
Other languages
English (en)
Other versions
CN110929697B (zh
Inventor
但波
付哲泉
杨富程
戢治洪
高山
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.)
Naval Aeronautical University
Original Assignee
Naval Aeronautical 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 Naval Aeronautical University filed Critical Naval Aeronautical University
Priority to CN201911301003.8A priority Critical patent/CN110929697B/zh
Publication of CN110929697A publication Critical patent/CN110929697A/zh
Application granted granted Critical
Publication of CN110929697B publication Critical patent/CN110929697B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于残差结构的神经网络目标识别方法及***，该方法包括：获取目标图像数据，并对目标图像数据按目标类别进行标注，形成训练数据；对训练数据进行归一化和零均值化，得到处理后训练数据；构建残差结构的神经网络，残差结构的神经网络包括依次连接的卷积模块层、第一全连接层和输出层，根据处理后训练数据，利用联合损失函数对构建残差结构的神经网络进行训练，得到训练好的网络模型；获取待识别目标图像数据，并对待识别目标图像数据进行归一化和零均值化，得到处理后待识别数据；将处理后待识别数据输入到训练好的网络模型，输出识别结果。通过本发明的上述方法能够提高目标识别的准确率。

Description

一种基于残差结构的神经网络目标识别方法及***
技术领域
本发明涉及目标识别领域，特别是涉及一种基于残差结构的神经网络目标识别方法及***。
背景技术
设计一种良好的神经网络结构是提高分类性能的高效且具有挑战性的方法之一。在数据集样本数量充足的前提下，通过增加神经网络的深度和宽度可以提高模型的学习能力，AlexNet和VGG的两种结构均证明模型识别准确率在一定范围内与网络深度成正相关。但是随着网络深度的增加，卷积神经网络在训练时的反向传播过程中可能会出现梯度***、消失以及网络识别率饱和的问题。即网络无法学习到新的有效特征，并且识别准确率随着网络深度增加而下降。针对这一问题，何凯明等提出残差结构，通过跳跃连接保持浅层特征的完整性，避免网络性能随着深度增加而降低。但是残差结构网络仍需要增加网络深度来提高识别效果。
发明内容
本发明的目的是提供一种基于残差结构的神经网络目标识别方法及***，能够提高目标识别的准确率。
为实现上述目的，本发明提供了如下方案：
一种基于残差结构的神经网络目标识别方法，所述目标识别方法包括：
获取目标图像数据，并对所述目标图像数据按目标类别进行标注，形成训练数据；
对所述训练数据进行归一化和零均值化，得到处理后训练数据；
构建残差结构的神经网络，所述残差结构的神经网络包括：依次连接的卷积模块层、第一全连接层和输出层，所述卷积模块层包括多个卷积模块，所述卷积模块对所述处理后训练数据的不同层进行特征提取和融合，得到融合特征，所述第一全连接层将所述融合特征按设定顺序排序得到一维特征向量，所述输出层根据所述一维特征向量利用分类器对所述训练数据进行分类，输出分类结果；
根据所述处理后训练数据，利用联合损失函数对所述构建残差结构的神经网络进行训练，得到训练好的网络模型；
获取待识别目标图像数据，并对所述待识别目标图像数据进行归一化和零均值化，得到处理后待识别数据；
将所述处理后待识别数据输入到所述训练好的网络模型，输出识别结果。
可选的，所述卷积模块对所述处理后训练数据的不同层进行特征提取和融合，得到融合特征，具体包括：
对所述处理后训练数据进行第一层卷积操作，得到第一层特征，所述第一层卷积的步长为S1，卷积核的大小为K1×1；
将所述第一层特征均分为Z份，并采用Z个第二层卷积对相应的每份特征进行卷积操作，得到Z个第二层特征，所述第二层卷积的步长为S2，卷积核的大小为K2×1；
将Z个所述第二层特征进行合并，得到合并第二层特征，并采用第三层卷积对所述合并第二层特征进行卷积操作，得到第三层特征，所述第三层卷积的步长为S1，卷积核的大小为K1×1；
将所述第三层特征分为两份，记为第一特征和第二特征；
对所述处理后训练数据进行第四层卷积操作，得到第四层特征，所述第四层卷积的步长为S2，卷积核的大小为K1×1；
将所述第四层特征分为两份，记为第三特征和第四特征，所述第一特征和所述三特征的维数相同，所述第二特征和所述第四特征的维数相同；
将所述第一特征中的各元素和所述第三特征中的各元素相加，得到相加第一特征；
将所述第二特征和所述第四特征进行合并，得到合并第二特征；
将所述相加第一特征和所述合并第二特征进行合并，得到融合特征。
可选的，所述残差结构的神经网络还包括：初始卷积层，所述初始卷积层的输出和所述卷积模块层的输入连接，所述初始卷积层对所述处理后训练数据特征提取，得到初始特征。
可选的，所述残差结构的神经网络还包括：第二全连接层，所述第二全连接层的输出和所述输出层的输入连接，所述第二全连接层对所述第一融合特征进行可视化。
可选的，所述S1＝1，所述S2＝2，所述K1＝1，所述K2＝2。
一种基于残差结构的神经网络目标识别***，所述目标识别***包括：
训练数据获取模块，用于获取目标图像数据，并对所述目标图像数据按目标类别进行标注，形成训练数据；
处理后训练数据确定模块，用于对所述训练数据进行归一化和零均值化，得到处理后训练数据；
残差结构的神经网络构建模块，用于构建残差结构的神经网络，所述残差结构的神经网络包括：依次连接的卷积模块层、第一全连接层和输出层，所述卷积模块层包括多个卷积模块，所述卷积模块对所述处理后训练数据的不同层进行特征提取和融合，得到融合特征，所述第一全连接层将所述融合特征按设定顺序排序得到一维特征向量，所述输出层根据所述一维特征向量利用分类器对所述训练数据进行分类，输出分类结果；
网络模型训练模块，用于根据所述处理后训练数据，利用联合损失函数对所述构建残差结构的神经网络进行训练，得到训练好的网络模型；
处理后待识别数据获取模块，用于获取待识别目标图像数据，并对所述待识别目标图像数据进行归一化和零均值化，得到处理后待识别数据；
识别模块，用于将所述处理后待识别数据输入到所述训练好的网络模型，输出识别结果。
可选的，所述卷积模块对所述处理后训练数据的不同层进行特征提取和融合，得到融合特征，具体包括：
第一层特征确定单元，用于对所述处理后训练数据进行第一层卷积操作，得到第一层特征，所述第一层卷积的步长为S1，卷积核的大小为K1×1；
第二层特征确定单元，用于将所述第一层特征均分为Z份，并采用Z个第二层卷积对相应的每份特征进行卷积操作，得到Z个第二层特征，所述第二层卷积的步长为S2，卷积核的大小为K2×1；
第三层特征确定单元，用于将Z个所述第二层特征进行合并，得到合并第二层特征，并采用第三层卷积对所述合并第二层特征进行卷积操作，得到第三层特征，所述第三层卷积的步长为S1，卷积核的大小为K1×1；
第一特征和第二特征确定单元，用于将所述第三层特征分为两份，记为第一特征和第二特征；
第四层特征确定单元，用于对所述处理后训练数据进行第四层卷积操作，得到第四层特征，所述第四层卷积的步长为S2，卷积核的大小为K1×1；
第三特征和第四特征确定单元，用于将所述第四层特征分为两份，记为第三特征和第四特征，所述第一特征和所述三特征的维数相同，所述第二特征和所述第四特征的维数相同；
第一特征相加单元，用于将所述第一特征中的各元素和所述第三特征中的各元素相加，得到相加第一特征；
第二特征合并单元，用于将所述第二特征和所述第四特征进行合并，得到合并第二特征；
融合特征确定单元，用于将所述相加第一特征和所述合并第二特征进行合并，得到融合特征。
可选的，所述残差结构的神经网络还包括：初始卷积层，所述初始卷积层的输出和所述卷积模块层的输入连接，所述初始卷积层用于对所述处理后训练数据特征提取，得到初始特征。
可选的，所述残差结构的神经网络还包括：第二全连接层，所述第二全连接层的输出和所述输出层的输入连接，所述第二全连接层用于对所述第一融合特征进行可视化。
可选的，所述S1＝1，所述S2＝2，所述K1＝1，所述K2＝2。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供一种基于残差结构的神经网络目标识别方法及***，该方法包括：获取目标图像数据，并对目标图像数据按目标类别进行标注，形成训练数据；对训练数据进行归一化和零均值化，得到处理后训练数据；构建残差结构的神经网络，残差结构的神经网络包括依次连接的卷积模块层、第一全连接层和输出层，根据处理后训练数据，利用联合损失函数对构建残差结构的神经网络进行训练，得到训练好的网络模型；获取待识别目标图像数据，并对待识别目标图像数据进行归一化和零均值化，得到处理后待识别数据；将处理后待识别数据输入到训练好的网络模型，输出识别结果。通过本发明的上述方法能够提高目标识别的准确率。
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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例一种基于残差结构的神经网络目标识别方法的流程图；
图2为本发明实施例CNN结构示意图；
图3为本发明实施例残差结构的神经网络结构示意图；
图4为传统残差结构示意图；
图5为本发明实施例卷积模块结构示意图；
图6为本发明实施例一种基于残差结构的神经网络目标识别***的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明的目的是提供一种基于残差结构的神经网络目标识别方法及***，能够提高目标识别的准确率。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例一种基于残差结构的神经网络目标识别方法的流程图，如图1所示，一种基于残差结构的神经网络目标识别方法，所述目标识别方法包括：
S1：获取目标图像数据，并对所述目标图像数据按目标类别进行标注，形成训练数据。
S2：对所述训练数据进行归一化和零均值化，得到处理后训练数据。
S3：构建残差结构的神经网络，所述残差结构的神经网络包括：依次连接的卷积模块层、第一全连接层和输出层，所述卷积模块层包括多个卷积模块，所述卷积模块对所述处理后训练数据的不同层进行特征提取和融合，得到融合特征，所述第一全连接层将所述融合特征按设定顺序排序得到一维特征向量，所述输出层根据所述一维特征向量利用分类器对所述训练数据进行分类，输出分类结果。
具体的，所述残差结构的神经网络还包括：初始卷积层，所述初始卷积层的输出和所述卷积模块层的输入连接，所述初始卷积层对所述处理后训练数据特征提取，得到初始特征。
所述残差结构的神经网络还包括：第二全连接层，所述第二全连接层的输出和所述输出层的输入连接，所述第二全连接层对所述第一融合特征进行可视化。
所述卷积模块对所述处理后训练数据的不同层进行特征提取和融合，得到融合特征，具体包括：
对所述处理后训练数据进行第一层卷积操作，得到第一层特征，所述第一层卷积的步长为S1，卷积核的大小为K1×1；
将所述第一层特征均分为Z份，并采用Z个第二层卷积对相应的每份特征进行卷积操作，得到Z个第二层特征，所述第二层卷积的步长为S2，卷积核的大小为K2×1；
将Z个所述第二层特征进行合并，得到合并第二层特征，并采用第三层卷积对所述合并第二层特征进行卷积操作，得到第三层特征，所述第三层卷积的步长为S1，卷积核的大小为K1×1；
将所述第三层特征分为两份，记为第一特征和第二特征；
对所述处理后训练数据进行第四层卷积操作，得到第四层特征，所述第四层卷积的步长为S2，卷积核的大小为K1×1；
将所述第四层特征分为两份，记为第三特征和第四特征，所述第一特征和所述三特征的维数相同，所述第二特征和所述第四特征的维数相同；
将所述第一特征中的各元素和所述第三特征中的各元素相加，得到相加第一特征；
将所述第二特征和所述第四特征进行合并，得到合并第二特征；
将所述相加第一特征和所述合并第二特征进行合并，得到融合特征。
所述S1＝1，所述S2＝2，所述K1＝1，所述K2＝2。
S4：根据所述处理后训练数据，利用联合损失函数对所述构建残差结构的神经网络进行训练，得到训练好的网络模型。
S5：获取待识别目标图像数据，并对所述待识别目标图像数据进行归一化和零均值化，得到处理后待识别数据。
S6：将所述处理后待识别数据输入到所述训练好的网络模型，输出识别结果。
下面对各步骤进行详细论述：
卷积神经网络是一种包含卷积计算的前馈神经网络，由于在计算过程中具有平移不变性的特点，因此可以避免对HRRP数据对齐等复杂的预处理，具有较好的鲁棒性，雷达目标的高分辨距离像(High Range Resolution Profile，HRRP)表示目标散射中心在雷达-目标方向上的投影，包含了丰富的目标特征。
本发明所用模型以卷积神经网络为基础，这里首先对其基本结构进行介绍，主要包括：输入层、卷积层、池化层、全连接层、输出层5个部分。
针对HRRP的CNN结构如图2所示，图2展示了CNN对一个长度为128的HRRP数据进行10种类别目标的分类过程。
输入层是神经网络的起点，一般需要对数据进行简单的预处理，使数据具有相同的维度并且满足相同的分布特征。预处理可以减小同一目标不同HRRP数据由于幅值扰动对网络提取特征的影响，提高模型的鲁棒性，也便于梯度下降法迭代过程中更直接的找到最小值，使模型收敛更快。
S2和S5中均对数据进行归一化和零均值化处理：
(1)归一化。对数据幅度进行归一化处理。对第n个HRRP数据x(n)而言，幅度归一化后的数据表示为x′n＝xn/max(|xn|)。其中max(|xn|)为该HRRP数据中所有元素的绝对值最大值。
(2)零均值。对归一化后的HRRP数据各元素分别减去该HRRP数据的均值。
卷积层的主要作用是对输入数据的特征进行提取，一般卷积层的内部可以包含多个卷积核。图2中第一个卷积层包含16个卷积核、第二个卷积层包含32个卷积核，每个卷积核元素都对应着权重系数和偏差值。卷积核对输入数据进行卷积计算并加入偏差值，然后利用激活函数进行激活，输出即为提取的特征，计算过程可以由公式(1)表示：
Figure BDA0002321774260000081
其中，x表示特征项；M表示输入特征项的集合；k为卷积核；b为偏差值；l是网络结构的层序号；i是卷积核序号；j是特征项通道序号；f是激活函数。卷积层的参数包括卷积核大小、步长、填充类别和激活函数，常用的激活函数有Sigmoid函数、Relu函数等，不同的参数赋予卷积层不同的特性。
池化层的主要作用是通过下采样来实现对卷积层提取的特征进行选择和降维，常用的池化层有最大池化、均值池化以及混合池化等。
全连接层通常放在神经网络的后部，主要作用是将上一层得到的特征按顺序排列得到一维向量，其输出通过输出层分类器得到整个CNN的结果，常用的分类器有softmax和支持向量机等。在目标识别问题中，CNN的输出可以是目标的类别、大小和中心坐标等。针对监督学习的CNN学习过程一般通过反向传播进行参数的迭代更新，通过使损失函数计算的误差值最小来获得稳定的识别结果。
图3为本发明实施例残差结构的神经网络结构示意图，如图3所示，残差结构的神经网络包含一个初始卷积层、顺序连接的多个相同拓扑结构的卷积模块和两个全连接层，第二全连接层的维度为2，便于将模型提取的特征可视化，分析特征的聚类效果。
输入为雷达目标的高分辨距离像(High Range ResolutionProfile，HRRP)表示目标散射中心在雷达-目标方向上的投影，包含了丰富的目标特征。输入为一维向量，最好为偶数，输入的一维向量的维度应为2的n次方，因为卷积模块的输出相对输入而言，特征维度减半、层数加倍，要保证数据维度一直能被2整除，括号内数字表示HRRP样本通过该层后的数据维度。
连续多个卷积模块和第一全连接层的输出数据维度根据卷积模块的个数确定。最后输出层的结果为与目标类别对应的一维数据，这里对应目标类别数13。
初始卷积层用于降维，初始卷积层选择尺度为7×1的一维卷积核，在网络第一层选用尺度相对较大的卷积核有利于提取目标HRRP数据中对应的轮廓、纹理等特征，模型中每次卷积操作后都对提取的特征进行批量归一化和Relu激活操作。
神经网络的深度至关重要，深层卷积神经网络可以提取并融合不同层次的特征用于端到端的目标识别。但是网络层数变深会带来识别准确率饱和的问题，克服这一问题一般引入残差结构，其结构如图4所示。
残差结构中的残差块由卷积层组成，图4中卷积层数量为2，残差结构的输出为输入特征与最后一个卷积层的输出相加，由公式(2)表示：
xl+1＝F(xl)+xl (2)
其中，xl、xl+1分别表示第l层残差结构的输入和输出特征，F(xl)表示残差块的映射。
研究表明，通过拟合映射F(xl)来代替所需拟合的映射F(xl)+xl可以有效缓解深层网络识别准确率饱和的问题。因为极端情况下，若网络已经提取出分类所需最佳特征，则残差结构只需进行跳跃连接的恒等映射即可保证最高的识别准确率，而对神经网络而言，将残差块置零比利用多层神经网络拟合恒等映射更加高效。
本发明在残差结构基础上改进得到的卷积模块结构，如图5所示，图中M×1×N表示输入特征为M×1的一维数据，特征层数为N个，s为卷积核的移动步长，未标注的步长默认为1，卷积模块设置为高度模块化的网络结构，可扩展性强。
上层网络提取的特征作为本层网络的输入，输入将通过2个支路。在左侧支路中，首先利用1×1的第一层卷积核对不同层之间的特征进行融合，融合后的特征在层数上被等分为多个支路(图中用x表示)，每个支路3层特征，各支路分别利用3×1的第二层卷积核进行特征提取，步长为2，特征层数不变，维度减半。然后将多个支路特征进行拼接，可以根据分类任务的复杂度确定x的大小，这里统一选择3×1的小尺度第二层卷积核来降低结构设计难度，同时保证识别效果，拼接后的特征再次使用1×1的第三层卷积核进行特征融合并增加特征层数，特征按层分为两个部分，为后续两条支路特征融合做准备。右侧支路直接使用1×1的卷积核对输入进行特征融合并增加特征层数，同时将特征按层数分为两个部分，与左侧支路对应特征进行相加和拼接操作，如图5所示。
卷积模块的输出相对输入而言，特征维度减半、层数加倍。右侧支路的效果与残差网络类似，可以使网络模块的每一层都从损失函数和原始输入信号中获取信息，更加有效的传递特征和梯度，提高浅层特征的利用率，解决随着网络不断加深可能产生的梯度消失和识别率饱和的问题。
本发明中第一全连接层主要作用是将上一层得到的特征按顺序排列得到一维向量。
损失函数用于度量预测值与真实值之间的差异，一般用L(y_,y)表示，其中y_表示预测值，y表示真实值，对于多分类的卷积神经网络，通常使用Softmax Loss(SL)作为损失函数。但是从聚类角度看，SL提取的特征会出现类内距离大于类间距离的情况。同时，SL提取的特征在可视化时呈发散状，当目标类别过多时会导致特征重叠，不利于目标分类。
对目标分类时，不仅希望特征是可分的，还要求特征之间有较大差异。CenterLoss(CL)损失函数可以对每类目标特征构建一个类中心，通过惩罚远离类中心的特征减小类内距离，本发明引入参数λ将CL与SL融合得到联合损失函数L，如公式(3)所示：
Figure BDA0002321774260000101
其中，Ls表示SL；Lc表示CL；λ表示L中Lc所占权重，需要合理设置；xi∈d表示第i个深度特征，d表示特征维数；
Figure BDA0002321774260000102
表示权值矩阵
Figure BDA0002321774260000103
的第j列；b∈n表示偏置项；m、n分别表示批处理时每批数据的个数和目标的类别个数；
Figure BDA0002321774260000104
表示第yi个类别的特征中心，
Figure BDA0002321774260000105
随着每批数据特征的变化而不断更新。
联合损失函数中Lc相对于xi的梯度以及
Figure BDA0002321774260000106
的更新方程如下所示：
Figure BDA0002321774260000107
Figure BDA0002321774260000111
其中，当yi为第j类目标时，识别正确，此时δ(·)等于1，否则δ(·)等于0。
本发明还提供了一种基于残差结构的神经网络目标识别***，如图6所示，所述目标识别***包括：
训练数据获取模块201，用于获取目标图像数据，并对所述目标图像数据按目标类别进行标注，形成训练数据；
处理后训练数据确定模块202，用于对所述训练数据进行归一化和零均值化，得到处理后训练数据；
残差结构的神经网络构建模块203，用于构建残差结构的神经网络，所述残差结构的神经网络包括：依次连接的卷积模块层、第一全连接层和输出层，所述卷积模块层包括多个卷积模块，所述卷积模块对所述处理后训练数据的不同层进行特征提取和融合，得到融合特征，所述第一全连接层将所述融合特征按设定顺序排序得到一维特征向量，所述输出层根据所述一维特征向量利用分类器对所述训练数据进行分类，输出分类结果；
网络模型训练模块204，用于根据所述处理后训练数据，利用联合损失函数对所述构建残差结构的神经网络进行训练，得到训练好的网络模型；
处理后待识别数据获取模块205，用于获取待识别目标图像数据，并对所述待识别目标图像数据进行归一化和零均值化，得到处理后待识别数据；
识别模块206，用于将所述处理后待识别数据输入到所述训练好的网络模型，输出识别结果。
优选的，所述卷积模块对所述处理后训练数据的不同层进行特征提取和融合，得到融合特征，具体包括：
第一层特征确定单元，用于对所述处理后训练数据进行第一层卷积操作，得到第一层特征，所述第一层卷积的步长为S1，卷积核的大小为K1×1；
第二层特征确定单元，用于将所述第一层特征均分为Z份，并采用Z个第二层卷积对相应的每份特征进行卷积操作，得到Z个第二层特征，所述第二层卷积的步长为S2，卷积核的大小为K2×1；
第三层特征确定单元，用于将Z个所述第二层特征进行合并，得到合并第二层特征，并采用第三层卷积对所述合并第二层特征进行卷积操作，得到第三层特征，所述第三层卷积的步长为S1，卷积核的大小为K1×1；
第一特征和第二特征确定单元，用于将所述第三层特征分为两份，记为第一特征和第二特征；
第四层特征确定单元，用于对所述处理后训练数据进行第四层卷积操作，得到第四层特征，所述第四层卷积的步长为S2，卷积核的大小为K1×1；
第三特征和第四特征确定单元，用于将所述第四层特征分为两份，记为第三特征和第四特征，所述第一特征和所述三特征的维数相同，所述第二特征和所述第四特征的维数相同；
第一特征相加单元，用于将所述第一特征中的各元素和所述第三特征中的各元素相加，得到相加第一特征；
第二特征合并单元，用于将所述第二特征和所述第四特征进行合并，得到合并第二特征；
融合特征确定单元，用于将所述相加第一特征和所述合并第二特征进行合并，得到融合特征。
优选的，，所述残差结构的神经网络还包括：初始卷积层，所述初始卷积层的输出和所述卷积模块层的输入连接，所述初始卷积层用于对所述处理后训练数据特征提取，得到初始特征。
优选的，，所述残差结构的神经网络还包括：第二全连接层，所述第二全连接层的输出和所述输出层的输入连接，所述第二全连接层用于对所述第一融合特征进行可视化。
优选的，，所述S1＝1，所述S2＝2，所述K1＝1，所述K2＝2。
本发明提出一种高效可扩展改进残差结构的神经网络，该方法利用具有小尺度卷积核的卷积模块提取目标的稳定可分特征，同时利用联合损失函数约束目标特征的类内距离提高识别能力。在减少网络参数的情况下达到深层网络的识别效果；同时通过模块化结构的设计，使得本发明提出的方法可以进行高效的扩展以适应不同难度的分类任务，与传统算法相比该方法可以得到更高的识别准确率。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于残差结构的神经网络目标识别方法，其特征在于，所述目标识别方法包括：
获取目标图像数据，并对所述目标图像数据按目标类别进行标注，形成训练数据；
对所述训练数据进行归一化和零均值化，得到处理后训练数据；
构建残差结构的神经网络，所述残差结构的神经网络包括：依次连接的卷积模块层、第一全连接层和输出层，所述卷积模块层包括多个卷积模块，所述卷积模块对所述处理后训练数据的不同层进行特征提取和融合，得到融合特征，所述第一全连接层将所述融合特征按设定顺序排序得到一维特征向量，所述输出层根据所述一维特征向量利用分类器对所述训练数据进行分类，输出分类结果；
根据所述处理后训练数据，利用联合损失函数对所述构建残差结构的神经网络进行训练，得到训练好的网络模型；
获取待识别目标图像数据，并对所述待识别目标图像数据进行归一化和零均值化，得到处理后待识别数据；
将所述处理后待识别数据输入到所述训练好的网络模型，输出识别结果。
2.根据权利要求1所述的基于残差结构的神经网络目标识别方法，其特征在于，所述卷积模块对所述处理后训练数据的不同层进行特征提取和融合，得到融合特征，具体包括：
对所述处理后训练数据进行第一层卷积操作，得到第一层特征，所述第一层卷积的步长为S1，卷积核的大小为K1×1；
将所述第一层特征均分为Z份，并采用Z个第二层卷积对相应的每份特征进行卷积操作，得到Z个第二层特征，所述第二层卷积的步长为S2，卷积核的大小为K2×1；
将Z个所述第二层特征进行合并，得到合并第二层特征，并采用第三层卷积对所述合并第二层特征进行卷积操作，得到第三层特征，所述第三层卷积的步长为S1，卷积核的大小为K1×1；
将所述第三层特征分为两份，记为第一特征和第二特征；
对所述处理后训练数据进行第四层卷积操作，得到第四层特征，所述第四层卷积的步长为S2，卷积核的大小为K1×1；
将所述第四层特征分为两份，记为第三特征和第四特征，所述第一特征和所述三特征的维数相同，所述第二特征和所述第四特征的维数相同；
将所述第一特征中的各元素和所述第三特征中的各元素相加，得到相加第一特征；
将所述第二特征和所述第四特征进行合并，得到合并第二特征；
将所述相加第一特征和所述合并第二特征进行合并，得到融合特征。
3.根据权利要求1所述的基于残差结构的神经网络目标识别方法，其特征在于，所述残差结构的神经网络还包括：初始卷积层，所述初始卷积层的输出和所述卷积模块层的输入连接，所述初始卷积层对所述处理后训练数据特征提取，得到初始特征。
4.根据权利要求1所述的基于残差结构的神经网络目标识别方法，其特征在于，所述残差结构的神经网络还包括：第二全连接层，所述第二全连接层的输出和所述输出层的输入连接，所述第二全连接层对所述第一融合特征进行可视化。
5.根据权利要求2所述的基于残差结构的神经网络目标识别方法，其特征在于，所述S1＝1，所述S2＝2，所述K1＝1，所述K2＝2。
6.一种基于残差结构的神经网络目标识别***，其特征在于，所述目标识别***包括：
训练数据获取模块，用于获取目标图像数据，并对所述目标图像数据按目标类别进行标注，形成训练数据；
处理后训练数据确定模块，用于对所述训练数据进行归一化和零均值化，得到处理后训练数据；
残差结构的神经网络构建模块，用于构建残差结构的神经网络，所述残差结构的神经网络包括：依次连接的卷积模块层、第一全连接层和输出层，所述卷积模块层包括多个卷积模块，所述卷积模块对所述处理后训练数据的不同层进行特征提取和融合，得到融合特征，所述第一全连接层将所述融合特征按设定顺序排序得到一维特征向量，所述输出层根据所述一维特征向量利用分类器对所述训练数据进行分类，输出分类结果；
网络模型训练模块，用于根据所述处理后训练数据，利用联合损失函数对所述构建残差结构的神经网络进行训练，得到训练好的网络模型；
处理后待识别数据获取模块，用于获取待识别目标图像数据，并对所述待识别目标图像数据进行归一化和零均值化，得到处理后待识别数据；
识别模块，用于将所述处理后待识别数据输入到所述训练好的网络模型，输出识别结果。
7.根据权利要求6所述的基于残差结构的神经网络目标识别***，其特征在于，所述卷积模块对所述处理后训练数据的不同层进行特征提取和融合，得到融合特征，具体包括：
第一层特征确定单元，用于对所述处理后训练数据进行第一层卷积操作，得到第一层特征，所述第一层卷积的步长为S1，卷积核的大小为K1×1；
第二层特征确定单元，用于将所述第一层特征均分为Z份，并采用Z个第二层卷积对相应的每份特征进行卷积操作，得到Z个第二层特征，所述第二层卷积的步长为S2，卷积核的大小为K2×1；
第三层特征确定单元，用于将Z个所述第二层特征进行合并，得到合并第二层特征，并采用第三层卷积对所述合并第二层特征进行卷积操作，得到第三层特征，所述第三层卷积的步长为S1，卷积核的大小为K1×1；
第一特征和第二特征确定单元，用于将所述第三层特征分为两份，记为第一特征和第二特征；
第四层特征确定单元，用于对所述处理后训练数据进行第四层卷积操作，得到第四层特征，所述第四层卷积的步长为S2，卷积核的大小为K1×1；
第三特征和第四特征确定单元，用于将所述第四层特征分为两份，记为第三特征和第四特征，所述第一特征和所述三特征的维数相同，所述第二特征和所述第四特征的维数相同；
第一特征相加单元，用于将所述第一特征中的各元素和所述第三特征中的各元素相加，得到相加第一特征；
第二特征合并单元，用于将所述第二特征和所述第四特征进行合并，得到合并第二特征；
融合特征确定单元，用于将所述相加第一特征和所述合并第二特征进行合并，得到融合特征。
8.根据权利要求6所述的基于残差结构的神经网络目标识别***，其特征在于，所述残差结构的神经网络还包括：初始卷积层，所述初始卷积层的输出和所述卷积模块层的输入连接，所述初始卷积层用于对所述处理后训练数据特征提取，得到初始特征。
9.根据权利要求6所述的基于残差结构的神经网络目标识别***，其特征在于，所述残差结构的神经网络还包括：第二全连接层，所述第二全连接层的输出和所述输出层的输入连接，所述第二全连接层用于对所述第一融合特征进行可视化。
10.根据权利要求7所述的基于残差结构的神经网络目标识别***，其特征在于，所述S1＝1，所述S2＝2，所述K1＝1，所述K2＝2。
CN201911301003.8A 2019-12-17 2019-12-17 一种基于残差结构的神经网络目标识别方法及*** Active CN110929697B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911301003.8A CN110929697B (zh) 2019-12-17 2019-12-17 一种基于残差结构的神经网络目标识别方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911301003.8A CN110929697B (zh) 2019-12-17 2019-12-17 一种基于残差结构的神经网络目标识别方法及***

Publications (2)

Publication Number Publication Date
CN110929697A true CN110929697A (zh) 2020-03-27
CN110929697B CN110929697B (zh) 2021-04-13

Family

ID=69863997

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911301003.8A Active CN110929697B (zh) 2019-12-17 2019-12-17 一种基于残差结构的神经网络目标识别方法及***

Country Status (1)

Country Link
CN (1) CN110929697B (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401297A (zh) * 2020-04-03 2020-07-10 天津理工大学 一种基于边缘计算和神经网络的三栖机器人目标识别***及方法
CN111596269A (zh) * 2020-05-25 2020-08-28 中国人民解放军海军航空大学 一种雷达复合探测目标能力的检测方法
CN111652059A (zh) * 2020-04-27 2020-09-11 西北大学 基于计算鬼成像的目标识别模型构建、识别方法及装置
CN111860290A (zh) * 2020-07-16 2020-10-30 大连理工大学 一种激光熔覆过程中裂纹识别的方法
CN112307984A (zh) * 2020-11-02 2021-02-02 安徽工业大学 基于神经网络的安全帽检测方法和装置
CN112508625A (zh) * 2020-12-18 2021-03-16 国网河南省电力公司经济技术研究院 基于多分枝残差注意力网络的智能稽查建模方法
CN113159218A (zh) * 2021-05-12 2021-07-23 北京联合大学 一种基于改进cnn的雷达hrrp多目标识别方法及***
CN113159078A (zh) * 2021-06-04 2021-07-23 中国人民解放军陆军工程大学 一种基于神经网络的图像数据识别***及方法
CN113240081A (zh) * 2021-05-06 2021-08-10 西安电子科技大学 针对雷达载频变换的高分辨距离像目标稳健识别方法
CN113297986A (zh) * 2021-05-27 2021-08-24 新东方教育科技集团有限公司 手写字符识别方法、装置、介质及电子设备
CN113298092A (zh) * 2021-05-28 2021-08-24 有米科技股份有限公司 用于多层次图像轮廓信息提取的神经网络训练方法及装置
CN113762479A (zh) * 2021-09-10 2021-12-07 深圳朴生智能科技有限公司 一种神经网络优化方法和装置
CN114022745A (zh) * 2021-11-05 2022-02-08 光大科技有限公司 一种神经网络模型训练方法及装置
CN114022671A (zh) * 2021-11-11 2022-02-08 中国矿业大学 一种基于残差神经网络的索道缆绳绳位智能识别方法
CN114366047A (zh) * 2022-01-27 2022-04-19 上海国民集团健康科技有限公司 多任务神经网络脉象数据处理方法、***及终端
CN114973207A (zh) * 2022-08-01 2022-08-30 成都航空职业技术学院 一种基于目标检测的路标识别方法
CN115830633A (zh) * 2022-11-24 2023-03-21 之江实验室 基于多任务学习残差神经网络的行人重识别方法和***

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194371A (zh) * 2017-06-14 2017-09-22 易视腾科技股份有限公司 基于层次化卷积神经网络的用户专注度识别方法及***
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
CN108921029A (zh) * 2018-06-04 2018-11-30 浙江大学 一种融合残差卷积神经网络和pca降维的sar自动目标识别方法
CN109086799A (zh) * 2018-07-04 2018-12-25 江苏大学 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法
US20180373985A1 (en) * 2017-06-23 2018-12-27 Nvidia Corporation Transforming convolutional neural networks for visual sequence learning
CN109116203A (zh) * 2018-10-31 2019-01-01 红相股份有限公司 基于卷积神经网络的电力设备局部放电故障诊断方法
CN109285112A (zh) * 2018-09-25 2019-01-29 京东方科技集团股份有限公司 基于神经网络的图像处理方法、图像处理装置
CN109375186A (zh) * 2018-11-22 2019-02-22 中国人民解放军海军航空大学 基于深度残差多尺度一维卷积神经网络的雷达目标识别方法
CN109389045A (zh) * 2018-09-10 2019-02-26 广州杰赛科技股份有限公司 基于混合时空卷积模型的微表情识别方法与装置
CN109472240A (zh) * 2018-11-12 2019-03-15 北京影谱科技股份有限公司 人脸识别多模型自适应特征融合增强方法和装置
US20190266491A1 (en) * 2017-10-16 2019-08-29 Illumina, Inc. Deep Learning-Based Techniques for Training Deep Convolutional Neural Networks
CN110472564A (zh) * 2019-08-14 2019-11-19 成都中科云集信息技术有限公司 一种基于特征金字塔网络的双向lstm微表情识别抑郁症方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194371A (zh) * 2017-06-14 2017-09-22 易视腾科技股份有限公司 基于层次化卷积神经网络的用户专注度识别方法及***
US20180373985A1 (en) * 2017-06-23 2018-12-27 Nvidia Corporation Transforming convolutional neural networks for visual sequence learning
US20190266491A1 (en) * 2017-10-16 2019-08-29 Illumina, Inc. Deep Learning-Based Techniques for Training Deep Convolutional Neural Networks
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
CN108921029A (zh) * 2018-06-04 2018-11-30 浙江大学 一种融合残差卷积神经网络和pca降维的sar自动目标识别方法
CN109086799A (zh) * 2018-07-04 2018-12-25 江苏大学 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法
CN109389045A (zh) * 2018-09-10 2019-02-26 广州杰赛科技股份有限公司 基于混合时空卷积模型的微表情识别方法与装置
CN109285112A (zh) * 2018-09-25 2019-01-29 京东方科技集团股份有限公司 基于神经网络的图像处理方法、图像处理装置
CN109116203A (zh) * 2018-10-31 2019-01-01 红相股份有限公司 基于卷积神经网络的电力设备局部放电故障诊断方法
CN109472240A (zh) * 2018-11-12 2019-03-15 北京影谱科技股份有限公司 人脸识别多模型自适应特征融合增强方法和装置
CN109375186A (zh) * 2018-11-22 2019-02-22 中国人民解放军海军航空大学 基于深度残差多尺度一维卷积神经网络的雷达目标识别方法
CN110472564A (zh) * 2019-08-14 2019-11-19 成都中科云集信息技术有限公司 一种基于特征金字塔网络的双向lstm微表情识别抑郁症方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHEN GUO 等: "Radar HRRP Target Recognition Based on Deep One-Dimensional Residual-Inception Network", 《IEEE ACCESS》 *
KAIMING HE 等: "Deep Residual Learning for Image Recognition", 《2016 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 *
李鹏 等: "基于分组残差结构的轻量级卷积神经网络设计", 《微电子学与计算机》 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401297A (zh) * 2020-04-03 2020-07-10 天津理工大学 一种基于边缘计算和神经网络的三栖机器人目标识别***及方法
CN111652059B (zh) * 2020-04-27 2023-03-24 西北大学 基于计算鬼成像的目标识别模型构建、识别方法及装置
CN111652059A (zh) * 2020-04-27 2020-09-11 西北大学 基于计算鬼成像的目标识别模型构建、识别方法及装置
CN111596269A (zh) * 2020-05-25 2020-08-28 中国人民解放军海军航空大学 一种雷达复合探测目标能力的检测方法
CN111596269B (zh) * 2020-05-25 2022-04-19 中国人民解放军海军航空大学 一种雷达复合探测目标能力的检测方法
CN111860290A (zh) * 2020-07-16 2020-10-30 大连理工大学 一种激光熔覆过程中裂纹识别的方法
CN112307984A (zh) * 2020-11-02 2021-02-02 安徽工业大学 基于神经网络的安全帽检测方法和装置
CN112307984B (zh) * 2020-11-02 2023-02-17 安徽工业大学 基于神经网络的安全帽检测方法和装置
CN112508625A (zh) * 2020-12-18 2021-03-16 国网河南省电力公司经济技术研究院 基于多分枝残差注意力网络的智能稽查建模方法
CN113240081B (zh) * 2021-05-06 2022-03-22 西安电子科技大学 针对雷达载频变换的高分辨距离像目标稳健识别方法
CN113240081A (zh) * 2021-05-06 2021-08-10 西安电子科技大学 针对雷达载频变换的高分辨距离像目标稳健识别方法
CN113159218A (zh) * 2021-05-12 2021-07-23 北京联合大学 一种基于改进cnn的雷达hrrp多目标识别方法及***
CN113297986A (zh) * 2021-05-27 2021-08-24 新东方教育科技集团有限公司 手写字符识别方法、装置、介质及电子设备
CN113298092A (zh) * 2021-05-28 2021-08-24 有米科技股份有限公司 用于多层次图像轮廓信息提取的神经网络训练方法及装置
CN113298092B (zh) * 2021-05-28 2024-06-28 有米科技股份有限公司 用于多层次图像轮廓信息提取的神经网络训练方法及装置
CN113159078B (zh) * 2021-06-04 2022-10-04 中国人民解放军陆军工程大学 一种基于神经网络的图像数据识别***及方法
CN113159078A (zh) * 2021-06-04 2021-07-23 中国人民解放军陆军工程大学 一种基于神经网络的图像数据识别***及方法
CN113762479A (zh) * 2021-09-10 2021-12-07 深圳朴生智能科技有限公司 一种神经网络优化方法和装置
CN114022745A (zh) * 2021-11-05 2022-02-08 光大科技有限公司 一种神经网络模型训练方法及装置
CN114022671A (zh) * 2021-11-11 2022-02-08 中国矿业大学 一种基于残差神经网络的索道缆绳绳位智能识别方法
CN114022671B (zh) * 2021-11-11 2024-06-21 中国矿业大学 一种基于残差神经网络的索道缆绳绳位智能识别方法
CN114366047A (zh) * 2022-01-27 2022-04-19 上海国民集团健康科技有限公司 多任务神经网络脉象数据处理方法、***及终端
CN114973207A (zh) * 2022-08-01 2022-08-30 成都航空职业技术学院 一种基于目标检测的路标识别方法
CN114973207B (zh) * 2022-08-01 2022-10-21 成都航空职业技术学院 一种基于目标检测的路标识别方法
CN115830633A (zh) * 2022-11-24 2023-03-21 之江实验室 基于多任务学习残差神经网络的行人重识别方法和***

Also Published As

Publication number Publication date
CN110929697B (zh) 2021-04-13

Similar Documents

Publication Publication Date Title
CN110929697B (zh) 一种基于残差结构的神经网络目标识别方法及***
US20220327155A1 (en) Method, apparatus, electronic device and computer readable storage medium for image searching
CN107945204B (zh) 一种基于生成对抗网络的像素级人像抠图方法
CN111126256B (zh) 一种基于自适应空谱多尺度网络的高光谱图像分类方法
Qi Hierarchically gated deep networks for semantic segmentation
CN105701502B (zh) 一种基于蒙特卡罗数据均衡的图像自动标注方法
CN106845529A (zh) 基于多视野卷积神经网络的影像特征识别方法
CN113570029A (zh) 获取神经网络模型的方法、图像处理方法及装置
CN110533024B (zh) 基于多尺度roi特征的双二次池化细粒度图像分类方法
CN108875076B (zh) 一种基于Attention机制和卷积神经网络的快速商标图像检索方法
CN107430703A (zh) 对细调特征的顺序图像采样和存储
CN112308115B (zh) 一种多标签图像深度学习分类方法及设备
CN109840518B (zh) 一种结合分类与域适应的视觉追踪方法
CN110119805B (zh) 基于回声状态网络分类的卷积神经网络算法
Bai et al. Coordinate CNNs and LSTMs to categorize scene images with multi-views and multi-levels of abstraction
CN111274422A (zh) 模型训练方法、图像特征提取方法、装置及电子设备
Ge et al. Adaptive hash attention and lower triangular network for hyperspectral image classification
CN111311702A (zh) 一种基于BlockGAN的图像生成和识别模块及方法
CN110473195A (zh) 一种可自动定制的医学病灶检测架构及方法
CN115880027A (zh) 一种电子商务网站商品季节性预测模型创建方法
CN115131613A (zh) 一种基于多向知识迁移的小样本图像分类方法
CN110209860B (zh) 一种模板引导的基于服装属性的可解释服装搭配方法及装置
CN115116139A (zh) 基于图卷积网络的多粒度人体动作分类方法
Gutierrez et al. Deep learning for automated tagging of fashion images
Li et al. Spatial-temporal dynamic hand gesture recognition via hybrid deep learning model

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