CN111046964B - 一种基于卷积神经网络的人和车辆红外热图像识别方法 - Google Patents
一种基于卷积神经网络的人和车辆红外热图像识别方法 Download PDFInfo
- Publication number
- CN111046964B CN111046964B CN201911305771.0A CN201911305771A CN111046964B CN 111046964 B CN111046964 B CN 111046964B CN 201911305771 A CN201911305771 A CN 201911305771A CN 111046964 B CN111046964 B CN 111046964B
- Authority
- CN
- China
- Prior art keywords
- infrared thermal
- layer
- thermal image
- vehicle
- densenet
- 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
- 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
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
-
- 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
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于卷积神经网络的人和车辆红外热图像识别方法,对训练集进行增广后去训练建立的红外热图像人和车辆识别网络模型W‑DenseNet,并用测试集去验证,得到识别度高的红外热图像人和车辆识别网络模型W‑DenseNet,红外热图像人和车辆识别网络模型W‑DenseNet逐层提取数据不同水平的特征,使机器获得更高水平的特征表达和理解能力,进而有效分辨目标类别,达到识别人与车的目的;并增加权重参数学习模块,使在网络结构训练中学习到的权重参数加权在相应的卷积层输入特征图上,增强重要特征并抑制无效特征,使其提取到更为有效的特征,以提高网络模型对红外热图像中男女性别识别的准确率。
Description
技术领域
本发明属于图像识别技术领域,具体涉及一种基于卷积神经网络的人和车辆红外热图像识别方法。
背景技术
基于热红外线的摄像机,其成像不受光源的影响,特别是在夜间和雾霾天等光线不足的情况下依然可以有效成像。红外热像仪已广泛应用于智能监控、灾难搜救及汽车智能辅助驾驶等任务中,在这些任务中最常见的目标是人和车辆,对人和车辆红外热图像的机器识别技术在其中发挥着重要的作用,其高准确度和全天候的特点可以快速准确辨别并记录车辆及人的性别,辅助用户采取相应行动或措施,为用户提供了极大的便利。
红外热图像具有以下特点:
(1)非活体目标成像较差,红外热成像与物体表面温度有关,通常情况下,人体温度比周围环境温度高,成像较清晰,检测较容易;车辆则相反。
(2)背景复杂,背景存在很多轮廓和目标很像的物体。
(3)类间特征模糊,在红外热图像中,男女性别特征模糊,识别难度大。
传统对红外热图像的识别方法是通过人工设计特定的特征提取算法来提取特定的特征,然后采用分类算法进行分类识别。这类方法对特征的提取和分类需要多步进行,并且人工设计的特征提取器提取的特征数量非常有限,很难对红外热图像中的男女性别进行有效识别。现存基于CNN的图像识别方法可以一步同时进行特征提取和分类且识别率较高,但多为针对可见光图像而设计,往往不能直接迁移到红外热图像的识别任务中,对含有车辆等非活体目标且背景复杂的红外热图像识别效果较差。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于卷积神经网络的人和车辆红外热图像识别方法解决了现有基于卷积神经网络的图像识别方法对含有非活体目标且背景复杂的红外热图像识别效果较差的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于卷积神经网络的人和车辆红外热图像识别方法,包括以下步骤:
S1、建立图像数据集,并将其划分为训练集和测试集;
S2、对训练集进行预处理,得到增广训练集;
S3、基于深度卷积神经网络DenseNet-201,建立红外热图像人和车辆识别网络模型W-DenseNet;
S4、根据增广训练集和测试集,对红外热图像人和车辆识别网络模型W-DenseNet进行训练,得到识别度最高的红外热图像人和车辆识别网络模型W-DenseNet;
S5、采用识别度最高的红外热图像人和车辆识别网络模型W-DenseNet对目标图像进行处理,得到目标的类别。
进一步地:步骤S2中训练集进行预处理的过程包括:左右翻转操作、对比度增强操作和亮度增强操作。
进一步地:步骤S3具体为:在深度卷积神经网络DenseNet-201结构中的每个瓶颈层前增加权重参数学习模块,建立红外热图像人和车辆识别网络模型W-DenseNet。
进一步地:权重参数学习模块的输出数据与输入数据的关系表达式为:
进一步地:步骤S4中红外热图像人和车辆识别网络模型W-DenseNet包括:1个输入层模块,4个卷积层模块,3个过渡层模块和1个全连接分类层模块。
进一步地:输入层模块由一个7×7的卷积层和一个3×3的最大池化层相继连接组成,二者步长都为2;
所述每个卷积层模块由多个带权重参数模块的瓶颈层组成,权重参数模块连接在每个瓶颈层之前,是一组初始化为1,数量等于该层瓶颈层输入特征图通道数,并乘在相应输入特征图通道上的可学习参数;每个瓶颈层由1×1的卷积层和3×3的卷积层交替连接构成的组合结构,卷积步长都为1,每个瓶颈层输出32个特征图,输入为经权重参数模块加权的在该瓶颈层之前的所有瓶颈层输出特征图的集合;所述4个卷积层模块包含的瓶颈层数量依次为6、12、48和32。
进一步地:过渡层模块由步长为1的1×1的卷积层和步长为2的2×2的平均池化层组成,通过1×1的卷积层的将每一个层卷积模块输出的通道数减半,池化层将特征图进行分辨率维度降维,连接在两个相邻卷积层模块之间。
进一步地:全连接分类层模块由全局平均池化层和全连接层组成。
进一步地:卷积层都由卷积、批归一化和ReLU激活三个操作依次组成。
进一步地:步骤S4具体为:根据增广训练集,采用优化器对红外热图像人和车辆识别网络模型W-DenseNet进行训练,在所有增广训练集参与一次训练后,采用测试集对车辆识别网络模型W-DenseNet进行评估,经多次迭代训练,得到识别度最高的红外热图像人和车辆识别网络模型W-DenseNet。
本发明有益效果为:本发明将男性、女性和车辆的单目标红外热图像数据集作为训练集和测试集,对训练集进行增广后去训练建立的红外热图像人和车辆识别网络模型W-DenseNet,并用测试集去验证,得到识别度高的红外热图像人和车辆识别网络模型W-DenseNet,红外热图像人和车辆识别网络模型W-DenseNet逐层提取数据不同水平的特征,使机器获得更高水平的特征表达和理解能力,进而有效分辨目标类别,达到识别人与车的目的;并增加权重参数学习模块,使在网络结构训练中学习到的权重参数加权在相应的卷积层输入特征图上,增强重要特征并抑制无效特征,使其提取到更为有效的特征,以提高网络模型对红外热图像中男女性别识别的准确率。
附图说明
图1为一种基于卷积神经网络的人和车辆红外热图像识别方法流程图。
图2为包含6个瓶颈层的卷积层模块的结构示意图;
图3为红外热图像人和车辆识别网络模型W-DenseNet结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种基于卷积神经网络的人和车辆红外热图像识别方法,包括以下步骤:
S1、建立图像数据集,并将其划分为训练集和测试集;
采用红外热成像仪收集一个包含男性、女性和车辆的单目标红外热图像各1000幅,建立一个包含3000幅红外热图像的数据集,图像分辨率为360×288。按照8比2的比例划分训练集和测试集,在每一类别的图像中随机选取各800幅图像共2400幅作为训练集,其余600幅作为测试集。图像选取原则主要有只选取含有一个目标的图像,并选用多角度、不同距离拍摄的目标红外热图像,以保证数据集的多样性和丰富度,提高训练所得模型的泛化性能。
S2、对训练集进行预处理,得到增广训练集;
步骤S2中训练集进行预处理的过程包括:左右翻转操作、对比度增强操作和亮度增强操作,对数据进行增广,使增广训练集增加为原来的4倍,测试集不变,提升模型的识别准确度和泛化能力。
S3、基于深度卷积神经网络DenseNet-201,建立红外热图像人和车辆识别网络模型W-DenseNet;
步骤S3具体为:在深度卷积神经网络DenseNet-201结构中的每个瓶颈层前增加权重参数学习模块,建立红外热图像人和车辆识别网络模型W-DenseNet。
权重参数学习模块的输出数据与输入数据的关系表达式为:
同一个通道表示同一个卷积核提取的特征,故特征图同一通道的所有值乘以同一个权重参数,因而权重参数学习模块可以起到为不同特征加权的目的,以提升有效特征的重要程度并抑制无效特征。
S4、根据增广训练集和测试集,采用优化器对红外热图像人和车辆识别网络模型W-DenseNet进行训练,在所有增广训练集参与一次训练后,采用测试集对车辆识别网络模型W-DenseNet进行评估,经多次迭代训练,得到识别度最高的红外热图像人和车辆识别网络模型W-DenseNet;
如图2~3所示,步骤S4中红外热图像人和车辆识别网络模型W-DenseNet包括:1个输入层模块,4个卷积层模块,3个过渡层模块和1个全连接分类层模块。
所述输入层模块由一个7×7的卷积层和一个3×3的最大池化层相继连接组成,二者步长都为2;
所述每个卷积层模块由多个带权重参数模块的瓶颈层组成,权重参数模块连接在每个瓶颈层之前,是一组初始化为1,数量等于该层瓶颈层输入特征图通道数,并乘在相应输入特征图通道上的可学习参数,主要作用是学习不同通道的重要性并对瓶颈层的输入特征进行加权;每个瓶颈层由1×1的卷积层和3×3的卷积层交替连接构成的组合结构,卷积步长都为1,每个瓶颈层输出32个特征图,输入为经权重参数模块加权的在该瓶颈层之前的所有瓶颈层输出特征图的集合;所述4个卷积层模块包含的瓶颈层数量依次为6、12、48和32。
过渡层模块由步长为1的1×1的卷积层和步长为2的2×2的平均池化层组成,通过1×1的卷积层的将每一个层卷积模块输出的通道数减半,池化层将特征图进行分辨率维度降维,连接在两个相邻卷积层模块之间。
全连接分类层模块由全局平均池化层和全连接层组成。
卷积层都由卷积、批归一化和ReLU激活三个操作依次组成。
S5、采用识别度最高的红外热图像人和车辆识别网络模型W-DenseNet对目标图像进行处理,得到目标的类别。
本发明有益效果为:本发明将男性、女性和车辆的单目标红外热图像数据集作为训练集和测试集,对训练集进行增强后去训练建立的红外热图像人和车辆识别网络模型W-DenseNet,并用测试集去验证,得到识别度高的红外热图像人和车辆识别网络模型W-DenseNet,红外热图像人和车辆识别网络模型W-DenseNet逐层提取数据不同水平的特征,使机器获得更高水平的特征表达和理解能力,进而有效分辨目标类别,达到识别人与车的目的;并增加权重参数学习模块,使在网络结构训练中学习到的权重参数加权在相应的卷积层输入特征图上,增强重要特征并抑制无效特征,使其提取到更为有效的特征,以提高网络模型对红外热图像中男女性别识别的准确率。
Claims (8)
1.一种基于卷积神经网络的人和车辆红外热图像识别方法,其特征在于,包括以下步骤:
S1、建立图像数据集,并将其划分为训练集和测试集;
S2、对训练集进行预处理,得到增广训练集;
S3、基于深度卷积神经网络DenseNet-201,建立红外热图像人和车辆识别网络模型W-DenseNet;
S4、根据增广训练集和测试集,对红外热图像人和车辆识别网络模型W-DenseNet进行训练,得到识别度最高的红外热图像人和车辆识别网络模型W-DenseNet;
S5、采用识别度最高的红外热图像人和车辆识别网络模型W-DenseNet对目标图像进行处理,得到目标的类别;
所述步骤S4中红外热图像人和车辆识别网络模型W-DenseNet包括:1个输入层模块,4个卷积层模块,3个过渡层模块和1个全连接分类层模块;
输入层模块由一个7×7的卷积层和一个3×3的最大池化层相继连接组成,二者步长都为2;
所述每个卷积层模块由多个带权重参数模块的瓶颈层组成,权重参数模块连接在每个瓶颈层之前,是一组初始化为1,数量等于该层瓶颈层输入特征图通道数,并乘在相应输入特征图通道上的可学习参数;每个瓶颈层由1×1的卷积层和3×3的卷积层交替连接构成的组合结构,卷积步长都为1,每个瓶颈层输出32个特征图,输入为经权重参数模块加权的在该瓶颈层之前的所有瓶颈层输出特征图的集合;所述4个卷积层模块包含的瓶颈层数量依次为6、12、48和32。
2.根据权利要求1所述的基于卷积神经网络的人和车辆红外热图像识别方法,其特征在于,所述步骤S2中训练集进行预处理的过程包括:左右翻转操作、对比度增强操作和亮度增强操作。
3.根据权利要求1所述的基于卷积神经网络的人和车辆红外热图像识别方法,其特征在于,所述步骤S3具体为:在深度卷积神经网络DenseNet-201结构中的每个瓶颈层前增加权重参数学习模块,建立红外热图像人和车辆识别网络模型W-DenseNet。
5.根据权利要求1所述的基于卷积神经网络的人和车辆红外热图像识别方法,其特征在于,所述过渡层模块由步长为1的1×1的卷积层和步长为2的2×2的平均池化层组成,通过1×1的卷积层的将每一个层卷积模块输出的通道数减半,池化层将特征图进行分辨率维度降维,连接在两个相邻卷积层模块之间。
6.根据权利要求1所述的基于卷积神经网络的人和车辆红外热图像识别方法,其特征在于,所述全连接分类层模块由全局平均池化层和全连接层组成。
7.根据权利要求5所述的基于卷积神经网络的人和车辆红外热图像识别方法,其特征在于,所述卷积层都由卷积、批归一化和ReLU激活三个操作依次组成。
8.根据权利要求1所述的基于卷积神经网络的人和车辆红外热图像识别方法,其特征在于,所述步骤S4具体为:根据增广训练集,采用优化器对红外热图像人和车辆识别网络模型W-DenseNet进行训练,在所有增广训练集参与一次训练后,采用测试集对车辆识别网络模型W-DenseNet进行评估,经多次迭代训练,得到识别度最高的红外热图像人和车辆识别网络模型W-DenseNet。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911305771.0A CN111046964B (zh) | 2019-12-18 | 2019-12-18 | 一种基于卷积神经网络的人和车辆红外热图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911305771.0A CN111046964B (zh) | 2019-12-18 | 2019-12-18 | 一种基于卷积神经网络的人和车辆红外热图像识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111046964A CN111046964A (zh) | 2020-04-21 |
CN111046964B true CN111046964B (zh) | 2021-01-26 |
Family
ID=70237087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911305771.0A Active CN111046964B (zh) | 2019-12-18 | 2019-12-18 | 一种基于卷积神经网络的人和车辆红外热图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111046964B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898608B (zh) * | 2020-07-04 | 2022-04-26 | 西北工业大学 | 一种基于边界预测的自然场景多语言文字检测方法 |
CN112116009B (zh) * | 2020-09-21 | 2024-04-26 | 长沙理工大学 | 基于卷积神经网络的新冠肺炎x射线图像识别方法及*** |
CN112487996B (zh) * | 2020-12-02 | 2023-07-28 | 重庆邮电大学 | 基于DenseNet121网络的驾驶行为识别方法 |
CN112509046B (zh) * | 2020-12-10 | 2021-09-21 | 电子科技大学 | 一种弱监督的卷积神经网络图像目标定位方法 |
CN112711233A (zh) * | 2020-12-25 | 2021-04-27 | 珠海格力电器股份有限公司 | 智能家居控制方法及装置、处理器、存储介质和电子设备 |
CN112836729A (zh) * | 2021-01-19 | 2021-05-25 | 中南大学 | 一种图像分类模型的构建方法和图像分类方法 |
CN113052037A (zh) * | 2021-03-16 | 2021-06-29 | 蔡勇 | 一种采用ai技术判断移动车辆与人形方法 |
CN113221643B (zh) * | 2021-04-06 | 2023-04-11 | 中国科学院合肥物质科学研究院 | 一种采用级联网络的车道线分类方法及*** |
CN113192358A (zh) * | 2021-04-26 | 2021-07-30 | 贵州车秘科技有限公司 | 一种基于热成像技术在智慧停车领域的停车管理***及其使用方法 |
CN113610153A (zh) * | 2021-08-06 | 2021-11-05 | 长沙理工大学 | 人体红外图像识别方法、装置、计算机设备及存储介质 |
CN114241232B (zh) * | 2021-11-23 | 2023-04-18 | 电子科技大学 | 基于多任务学习的摄影***识别和体表解剖标志检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064507A (zh) * | 2018-08-21 | 2018-12-21 | 北京大学深圳研究生院 | 一种用于视频预测的多运动流深度卷积网络模型方法 |
CN109544204A (zh) * | 2018-10-15 | 2019-03-29 | 浙江工业大学 | 一种基于轻量化多任务卷积神经网络的导购行为分析方法 |
CN109614985A (zh) * | 2018-11-06 | 2019-04-12 | 华南理工大学 | 一种基于密集连接特征金字塔网络的目标检测方法 |
CN109886922A (zh) * | 2019-01-17 | 2019-06-14 | 丽水市中心医院 | 基于SE-DenseNet深度学习框架和多模态增强MR图像的肝细胞癌自动分级方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10497089B2 (en) * | 2016-01-29 | 2019-12-03 | Fotonation Limited | Convolutional neural network |
KR101879207B1 (ko) * | 2016-11-22 | 2018-07-17 | 주식회사 루닛 | 약한 지도 학습 방식의 객체 인식 방법 및 장치 |
US10580131B2 (en) * | 2017-02-23 | 2020-03-03 | Zebra Medical Vision Ltd. | Convolutional neural network for segmentation of medical anatomical images |
CN108182388A (zh) * | 2017-12-14 | 2018-06-19 | 哈尔滨工业大学(威海) | 一种基于图像的运动目标跟踪方法 |
US10678508B2 (en) * | 2018-03-23 | 2020-06-09 | Amazon Technologies, Inc. | Accelerated quantized multiply-and-add operations |
CN110363211B (zh) * | 2018-04-10 | 2022-05-03 | 北京四维图新科技股份有限公司 | 检测网络模型和目标检测方法 |
EP3797384A4 (en) * | 2018-05-22 | 2022-03-16 | Ramot at Tel-Aviv University Ltd. | METHOD AND SYSTEM FOR IMAGE GENERATION AND IMAGE PROCESSING |
CN108846334A (zh) * | 2018-05-30 | 2018-11-20 | 安徽大学 | 一种云类别自动识别方法及*** |
CN108985231B (zh) * | 2018-07-12 | 2021-08-13 | 广州麦仑信息科技有限公司 | 一种基于多尺度卷积核的掌静脉特征提取方法 |
CN109620152B (zh) * | 2018-12-16 | 2021-09-14 | 北京工业大学 | 一种基于MutiFacolLoss-Densenet的心电信号分类方法 |
CN110245720B (zh) * | 2019-06-22 | 2023-05-26 | 中南林业科技大学 | 一种基于深度学习的柑橘病虫害智能诊断方法及*** |
-
2019
- 2019-12-18 CN CN201911305771.0A patent/CN111046964B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064507A (zh) * | 2018-08-21 | 2018-12-21 | 北京大学深圳研究生院 | 一种用于视频预测的多运动流深度卷积网络模型方法 |
CN109544204A (zh) * | 2018-10-15 | 2019-03-29 | 浙江工业大学 | 一种基于轻量化多任务卷积神经网络的导购行为分析方法 |
CN109614985A (zh) * | 2018-11-06 | 2019-04-12 | 华南理工大学 | 一种基于密集连接特征金字塔网络的目标检测方法 |
CN109886922A (zh) * | 2019-01-17 | 2019-06-14 | 丽水市中心医院 | 基于SE-DenseNet深度学习框架和多模态增强MR图像的肝细胞癌自动分级方法 |
Non-Patent Citations (2)
Title |
---|
"Benign and malignant classification of mammogram images based on deep learning";Hua Li等;《Biomedical Signal Processing and Control》;20190531;第51卷;第347-354页 * |
"基于加权密集连接卷积网络的深度强化学习方法";夏旻等;《计算机应用》;20180810;第38卷(第8期);第2141-2147页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111046964A (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111046964B (zh) | 一种基于卷积神经网络的人和车辆红外热图像识别方法 | |
US11836224B2 (en) | Cross-modality person re-identification method based on local information learning | |
CN108615010B (zh) | 基于平行卷积神经网络特征图融合的人脸表情识别方法 | |
CN113052210B (zh) | 一种基于卷积神经网络的快速低光照目标检测方法 | |
CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
CN112580590A (zh) | 一种基于多语义特征融合网络的指静脉识别方法 | |
CN112801015B (zh) | 一种基于注意力机制的多模态人脸识别方法 | |
CN108229458A (zh) | 一种基于运动检测和多特征提取的火焰智能识别方法 | |
CN109034184B (zh) | 一种基于深度学习的均压环检测识别方法 | |
CN113610046B (zh) | 一种基于深度视频联动特征的行为识别方法 | |
CN108985200A (zh) | 一种基于终端设备的非配合式的活体检测算法 | |
CN108764250A (zh) | 一种运用卷积神经网络提取本质图像的方法 | |
CN113468996A (zh) | 一种基于边缘细化的伪装物体检测方法 | |
CN112766186A (zh) | 一种基于多任务学习的实时人脸检测及头部姿态估计方法 | |
CN111507416B (zh) | 一种基于深度学习的吸烟行为实时检测方法 | |
CN116071676A (zh) | 一种基于注意力导向金字塔融合的红外小目标检测方法 | |
CN117237796A (zh) | 一种基于特征增强和采样偏移的海产品检测方法 | |
CN110136098B (zh) | 一种基于深度学习的线缆顺序检测方法 | |
Sousa et al. | Araguaia medical vision lab at ISIC 2017 skin lesion classification challenge | |
CN111563423A (zh) | 基于深度去噪自动编码器的无人机图像目标检测方法及*** | |
CN113222879B (zh) | 一种用于红外与可见光图像融合的生成对抗网络 | |
CN113591797B (zh) | 一种深度视频行为识别方法 | |
Roozbahani et al. | Face detection from blurred images based on convolutional neural networks | |
CN114266713A (zh) | 基于NonshadowGAN的无人机铁路扣件图像阴影去除方法及*** | |
CN114067159A (zh) | 一种基于eus的粘膜下肿瘤细粒度分类方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |