CN111709911A - 一种基于神经网络的卵巢卵泡自动计数的方法 - Google Patents

一种基于神经网络的卵巢卵泡自动计数的方法 Download PDF

Info

Publication number
CN111709911A
CN111709911A CN202010418981.7A CN202010418981A CN111709911A CN 111709911 A CN111709911 A CN 111709911A CN 202010418981 A CN202010418981 A CN 202010418981A CN 111709911 A CN111709911 A CN 111709911A
Authority
CN
China
Prior art keywords
neural network
follicles
network
model
training
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
CN202010418981.7A
Other languages
English (en)
Other versions
CN111709911B (zh
Inventor
蔡辉煌
程雨夏
吴卿
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi 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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202010418981.7A priority Critical patent/CN111709911B/zh
Publication of CN111709911A publication Critical patent/CN111709911A/zh
Application granted granted Critical
Publication of CN111709911B publication Critical patent/CN111709911B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于神经网络的卵巢卵泡自动计数的方法，本发明将所有的数据图像采用随机种子的方式每次生成不同的训练集、验证集和测试集；通过神经网络的训练对网络参数进行不断的更新，并通过验证集的IOU进行验证从而保留网络模型的最优参数；将神经网络输出的预测图经过阈值化处理、噪声处理将预测图进行中的噪声去除并将图片转换成灰度图像；之后利用距离转换和分水岭算法将相互接触的卵泡分离开；最后用连通区域分析法统计卵泡的个数实现卵巢卵泡的计数功能。

Description

一种基于神经网络的卵巢卵泡自动计数的方法
技术领域
本发明涉及分水岭算法(Watershed)与CNN(Convolutional Neural Network)的深度学习领域，具体涉及一种对老鼠的卵巢卵泡进行自动计数的方法。
背景技术
卵巢是一种复杂的内分泌器官，是女性生殖的重要性腺器官，主要有***和分泌女性激素的功能。其中，卵泡在卵巢中扮演着至关重要的部分，卵泡是由一个***和许多小型卵泡细胞所组成。根据卵泡发育过程中形态和功能的变化，可以将卵巢中的卵泡分成六种类型：原始卵泡、初级卵泡、次级卵泡、窦前卵泡、窦状卵泡和三级卵泡。在没有任何药物的作用下，可在卵巢内发现正常的女性一个月都会有小卵泡逐渐长大发育形成不同阶段的卵泡，并且在***期中排出一个发育成熟的卵泡。然而基因突变、毒素和一些特定的药物对卵泡有影响。为了确定这些影响对于卵泡的***是促进还是抑制作用，卵泡计数这是非常重要的。
卷积神经网络是由多个卷积层和全连接层(对应经典的神经网络)组成，同时也包括激活层和池化层。与其他深度学习结构相比，卷积神经网络在图像分割与识别方面能够给出更好的结果。
分水岭算法是基于地理形态的分析的图像分割算法，模仿地理结构(比如山川、沟壑，盆地)来实现对不同物体的分割。
由于这一重要性，目前现阶段主要是针对老鼠卵巢的显微镜图像。通过对老鼠的卵巢进行染色并标记从而获取数据集，然后通过研究老鼠的生殖***中卵泡的发育情况并测定其各种卵泡类型的数量。
发明内容
本发明针对现有技术的不足，提出了一种基于神经网络的卵巢卵泡自动计数的方法。
为了解决这一问题，本发明通过以下技术方案予以实现：
一种基于神经网络与分水岭算法的卵泡计数的方法，包括如下步骤：
步骤一：将所有的数据利用随机种子的方式，将数据集划分成训练集、验证集和测试集。每一次的神经网络输入的数据包含原始图片和标记图片；
步骤二：在训练网络模型时对训练集使用数据增强的方法对预输入的图片进行处理，并将图片数据转化成向量形式；
步骤三：加载预训练模型的参数初始化神经网络，执行前向传播计算网络参数，并将得到的输出向量O i经过Log_Softmax函数得到每一个像素点分类结果向量yi；此向量yi中权重最大的值便是网络对于每一个像素点预测的最终分类结果，具体公式为yi＝log_softmax(O i))；得到的分类结果yi和当前正确的标签值
Figure BDA0002496127480000021
分别作为NLLloss损失函数的两个输入，计算损失值；将误差信号传递到每一层的输出，再通过每一层的函数对网络参数的导数，求得网络参数的梯度；再通过随机梯度下降法优化器更新和计算影响模型训练和模型输出的网络参数，使其逼近或达到最优值，从而最小化或最大化损失函数。
步骤四：每一次训练结束之后，计算验证集的交并比
Figure BDA0002496127480000022
并保存IOU最大的模型参数，当训练次数达到一定次数停止训练，并加载IOU最大的模型参数得到神经网络的最终模型，其中
Figure BDA0002496127480000023
为真实值，y为预测值；
步骤五：对步骤四获取的模型为最优模型，将输入数据传入训练好的神经网络获得输出结果，其输出图像格式为RGB图像，通过灰度化处理将RGB图像转化为灰度图像，并建立图像灰度直方图选取能够将不同卵泡分区的阈值，之后按照不同的阈值将卵泡区分开；
步骤六：对步骤五获取得图片分别做噪声的处理，使用了开运算
Figure BDA0002496127480000024
用来消除小物体，使用闭运算
Figure BDA0002496127480000025
填充物体内细小的空洞，其中
Figure BDA0002496127480000026
和
Figure BDA0002496127480000027
分别表示膨胀和腐蚀；
步骤七：通过距离转换
Figure BDA0002496127480000028
计算出每个像素的值到最近的背景像素的距离得到欧式距离图，然后找到每个局部区域最终的侵蚀点，即越靠近卵泡的中心，对应的值越大，其中X为目标点，Bx是距离X最近的背景点；
步骤八：然后把每一个局部区域的最大值作为分水岭的注水点，从这些点尽可能地扩大每一个标记点的区域，即要么直到局部区域的边缘到达，要么到达另一个标记点的区域的边缘，从而将相互接触的卵泡分割开；
步骤九：对不同的类型的卵泡设定不同的阈值将图片中面积小于给定阈值时将其判定为噪声，采用四邻域的连通区域分析计算并标记图片中连通区域的个数，则连通区域的个数就是卵泡的个数。
作为优选，所述的标记图片是通过不同的颜色对不同卵泡类型进行标记。
作为优选，所述的数据增强的方法包括随机水平翻转、随机竖直翻转、360度随机旋转、对比度、亮度、饱和度、锐化和标准化。
本发明相对于现有技术所具有的效果：
1)本发明提出了一种新型卵巢卵泡计数方式，首次采用语义分割的卷积神经网络与分水岭算相结合的方式对卵泡进行计数。
2)该计数方式统计的个数与真实的数据更加接近，准确率更高。
附图说明
图1是本发明的整体流程图；
图2是所采用的神经网络结构图。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步的描述：
图1所示是一种基于神经网络与分水岭算法的卵巢卵泡计数的新型方法：
1)将所有的数据利用随机种子的方式，将数据集划分成训练集、验证集和测试集。每一次的神经网络输入的数据包含原始图片和标记图片，其中标记图片是通过不同的颜色对不同卵泡类型进行标记。
2)在训练网络模型时对训练集使用数据增强的方法(随机水平翻转，随机竖直翻转，360度随机旋转、对比度、亮度、饱和度、锐化和标准化)对预输入的图片进行处理，并将图片数据转化成向量形式；
3)加载预训练模型的参数初始化神经网络(如图2所示)，执行前向传播计算网络参数，并将得到的输出向量O i经过Log_Softmax函数得到每一个像素点分类结果向量yi；此向量yi中权重最大的值便是网络对于每一个像素点预测的最终分类结果，具体公式为yi＝log_softmax(O i))；得到的分类结果yi和当前正确的标签值
Figure BDA0002496127480000031
分别作为NLLloss损失函数的两个输入，计算损失值；将误差信号传递到每一层的输出，再通过每一层的函数对网络参数的导数，求得网络参数的梯度；再通过随机梯度下降法优化器更新和计算影响模型训练和模型输出的网络参数，使其逼近或达到最优值，从而最小化或最大化损失函数。
4)每一次训练结束之后，计算验证集的交并比
Figure BDA0002496127480000032
并保存IOU最大的模型参数，当训练次数达到一定次数停止训练，并加载IOU最大的模型参数得到神经网络的最终模型，其中
Figure BDA0002496127480000033
为真实值，y为预测值；
5)对步骤四获取的模型为最优模型，将输入数据传入训练好的神经网络获得输出结果，其输出图像格式为RGB图像，通过灰度化处理将RGB图像转化为灰度图像，并建立图像灰度直方图选取能够将不同卵泡分区的阈值，之后按照不同的阈值将卵泡区分开；
6)对步骤五获取得图片分别做噪声的处理，使用了开运算
Figure BDA0002496127480000041
用来消除小物体，使用闭运算
Figure BDA0002496127480000042
填充物体内细小的空洞，其中
Figure BDA0002496127480000043
和
Figure BDA0002496127480000044
分别表示膨胀和腐蚀；
7)通过距离转换
Figure BDA0002496127480000045
计算出每个像素的值到最近的背景像素的距离得到欧式距离图，然后找到每个局部区域最终的侵蚀点，即越靠近卵泡的中心，对应的值越大，其中X为目标点，Bx是距离X最近的背景点；
8)然后把每一个局部区域的最大值作为分水岭的注水点，从这些点尽可能地扩大每一个标记点的区域，即要么直到局部区域的边缘到达，要么到达另一个标记点的区域的边缘，从而将相互接触的卵泡分割开；
9)对不同的类型的卵泡设定不同的阈值将图片中面积小于给定阈值时将其判定为噪声，采用四邻域的连通区域分析计算并标记图片中连通区域的个数，则连通区域的个数就是卵泡的个数。

Claims (3)

1.一种基于神经网络的卵巢卵泡自动计数的方法，其特征在于，该方法具体包括以下步骤：
步骤一：将所有的数据利用随机种子的方式，将数据集划分成训练集、验证集和测试集；每一次的神经网络输入的数据包含原始图片和标记图片；
步骤二：在训练网络模型时对训练集使用数据增强的方法对预输入的图片进行处理，并将图片数据转化成向量形式；
步骤三：加载预训练模型的参数初始化神经网络，执行前向传播计算网络参数，并将得到的输出向量O i经过Log_Softmax函数得到每一个像素点分类结果向量yi；此向量yi中权重最大的值便是网络对于每一个像素点预测的最终分类结果，具体公式为yi＝log_soft max(O i))；得到的分类结果yi和当前正确的标签值
Figure FDA0002496127470000011
分别作为NLLloss损失函数的两个输入，计算损失值；将误差信号传递到每一层的输出，再通过每一层的函数对网络参数的导数，求得网络参数的梯度；再通过随机梯度下降法优化器更新和计算影响模型训练和模型输出的网络参数，使其逼近或达到最优值，从而最小化或最大化损失函数；
步骤四：每一次训练结束之后，计算验证集的交并比
Figure FDA0002496127470000012
并保存IOU最大的模型参数，当训练次数达到一定次数停止训练，并加载IOU最大的模型参数得到神经网络的最终模型，其中
Figure FDA0002496127470000013
为真实值，y为预测值；
步骤五：对步骤四获取的模型为最优模型，将输入数据传入训练好的神经网络获得输出结果，其输出图像格式为RGB图像，通过灰度化处理将RGB图像转化为灰度图像，并建立图像灰度直方图选取能够将不同卵泡分区的阈值，之后按照不同的阈值将卵泡区分开；
步骤六：对步骤五获取得图片分别做噪声的处理，使用了开运算
Figure FDA0002496127470000014
用来消除小物体，使用闭运算
Figure FDA0002496127470000015
填充物体内细小的空洞，其中
Figure FDA0002496127470000016
和
Figure FDA0002496127470000017
分别表示膨胀和腐蚀；
步骤七：通过距离转换
Figure FDA0002496127470000018
计算出每个像素的值到最近的背景像素的距离得到欧式距离图，然后找到每个局部区域最终的侵蚀点，即越靠近卵泡的中心，对应的值越大，其中X为目标点，Bx是距离X最近的背景点；
步骤八：然后把每一个局部区域的最大值作为分水岭的注水点，从这些点尽可能地扩大每一个标记点的区域，即要么直到局部区域的边缘到达，要么到达另一个标记点的区域的边缘,从而将相互接触的卵泡分割开；
步骤九：对不同的类型的卵泡设定不同的阈值将图片中面积小于给定阈值时将其判定为噪声，采用四邻域的连通区域分析计算并标记图片中连通区域的个数，则连通区域的个数就是卵泡的个数。
2.根据权利要求1所述的针对基于神经网络的卵巢卵泡自动计数的方法，其特征在于：所述的标记图片是通过不同的颜色对不同卵泡类型进行标记。
3.根据权利要求1所述的针对基于神经网络的卵巢卵泡自动计数的方法，其特征在于：所述的数据增强的方法包括随机水平翻转、随机竖直翻转、360度随机旋转、对比度、亮度、饱和度、锐化和标准化。
CN202010418981.7A 2020-05-18 2020-05-18 一种基于神经网络的卵巢卵泡自动计数的方法 Active CN111709911B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010418981.7A CN111709911B (zh) 2020-05-18 2020-05-18 一种基于神经网络的卵巢卵泡自动计数的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010418981.7A CN111709911B (zh) 2020-05-18 2020-05-18 一种基于神经网络的卵巢卵泡自动计数的方法

Publications (2)

Publication Number Publication Date
CN111709911A true CN111709911A (zh) 2020-09-25
CN111709911B CN111709911B (zh) 2023-05-05

Family

ID=72538005

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010418981.7A Active CN111709911B (zh) 2020-05-18 2020-05-18 一种基于神经网络的卵巢卵泡自动计数的方法

Country Status (1)

Country Link
CN (1) CN111709911B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113744184A (zh) * 2021-07-27 2021-12-03 江苏农林职业技术学院 一种基于图像处理的乌鳢卵子计数方法
CN114563869A (zh) * 2022-01-17 2022-05-31 中国地质大学（武汉） 一种贴片式手机显微镜检测***及其显微结果获取方法
CN117982214A (zh) * 2024-04-07 2024-05-07 安徽医科大学第一附属医院 一种快速捡卵用辅助识别方法及***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108416755A (zh) * 2018-03-20 2018-08-17 南昌航空大学 一种基于深度学习的图像去噪方法及***
CN109584251A (zh) * 2018-12-06 2019-04-05 湘潭大学 一种基于单目标区域分割的舌体图像分割方法
US20200043171A1 (en) * 2018-07-31 2020-02-06 Element Ai Inc. Counting objects in images based on approximate locations

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108416755A (zh) * 2018-03-20 2018-08-17 南昌航空大学 一种基于深度学习的图像去噪方法及***
US20200043171A1 (en) * 2018-07-31 2020-02-06 Element Ai Inc. Counting objects in images based on approximate locations
CN109584251A (zh) * 2018-12-06 2019-04-05 湘潭大学 一种基于单目标区域分割的舌体图像分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
田佳鹭;邓立国;: "基于改进VGG16的猴子图像分类方法" *
黄斌;卢金金;王建华;吴星明;陈伟海;: "基于深度卷积神经网络的物体识别算法" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113744184A (zh) * 2021-07-27 2021-12-03 江苏农林职业技术学院 一种基于图像处理的乌鳢卵子计数方法
CN114563869A (zh) * 2022-01-17 2022-05-31 中国地质大学（武汉） 一种贴片式手机显微镜检测***及其显微结果获取方法
CN117982214A (zh) * 2024-04-07 2024-05-07 安徽医科大学第一附属医院 一种快速捡卵用辅助识别方法及***

Also Published As

Publication number Publication date
CN111709911B (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
CN109800778B (zh) 一种基于难分样本挖掘的Faster RCNN目标检测方法
CN111325152B (zh) 一种基于深度学习的交通标志识别方法
CN111709911A (zh) 一种基于神经网络的卵巢卵泡自动计数的方法
CN111898406B (zh) 基于焦点损失和多任务级联的人脸检测方法
CN108805070A (zh) 一种基于嵌入式终端的深度学习行人检测方法
CN106778852A (zh) 一种修正误判的图像内容识别方法
CN112287941B (zh) 一种基于自动字符区域感知的车牌识别方法
CN110532946B (zh) 一种基于卷积神经网络识别绿通车车辆轴型的方法
CN113096096B (zh) 一种融合形态特征的显微图像骨髓细胞计数方法与***
CN111833322B (zh) 一种基于改进YOLOv3的垃圾多目标检测方法
CN111986125A (zh) 一种用于多目标任务实例分割的方法
CN111986126B (zh) 一种基于改进vgg16网络的多目标检测方法
CN108537168A (zh) 基于迁移学习技术的面部表情识别方法
CN111127360A (zh) 一种基于自动编码器的灰度图像迁移学习方法
CN113420643A (zh) 基于深度可分离空洞卷积的轻量级水下目标检测方法
CN107871315B (zh) 一种视频图像运动检测方法和装置
CN113221956A (zh) 基于改进的多尺度深度模型的目标识别方法及装置
CN117788957B (zh) 一种基于深度学习的资质图像分类方法及***
CN114550134A (zh) 基于深度学习的交通标志检测与识别方法
CN114140485A (zh) 一种三七主根切割轨迹生成方法及***
CN117765480A (zh) 一种道路沿线野生动物迁徙预警方法及***
CN112926694A (zh) 基于改进的神经网络对图像中的猪只进行自动识别的方法
CN111931572B (zh) 一种遥感影像的目标检测方法
CN113408524A (zh) 一种基于mask rcnn的农作物图像分割提取算法
CN112132207A (zh) 基于多分支特征映射目标检测神经网络构建方法

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