CN112446332A - 一种太阳射电频谱图像识别方法及*** - Google Patents
一种太阳射电频谱图像识别方法及*** Download PDFInfo
- Publication number
- CN112446332A CN112446332A CN202011371638.8A CN202011371638A CN112446332A CN 112446332 A CN112446332 A CN 112446332A CN 202011371638 A CN202011371638 A CN 202011371638A CN 112446332 A CN112446332 A CN 112446332A
- Authority
- CN
- China
- Prior art keywords
- network
- generator
- radio frequency
- data
- spectrum image
- 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
- 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
-
- 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
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)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本公开提出了一种太阳射电频谱图像识别方法及***,包括:将频谱类型信息作为条件加入深度卷积生成对抗网络中的生成器,来增加样本数量;利用卷积网络提取特征的能力加上限定条件对生成器辅以训练;之后将训练好的深度卷积生成对抗网络中的判别器部分抽取出来,形成网络结构;通过训练网络结构的生成网络和对抗网络后,加上分类器来实现射电频谱图的自动生成和分类。本发明提出的生成模型还可以填补缺失信息。特别是在半监督学习中的应用,由于真实环境下,很少有带标注的信息,而且标注信息往往依靠高成本的人工标注。生成模型,特别是GANs,能够在很少标注样本的情况下,提高半监督学习算法的泛化能力。
Description
技术领域
本公开属于图像处理技术领域,尤其涉及基于条件深度卷积生成对抗网络的太阳射电频谱图像识别方法及***。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
太阳爆发活动会对地球产生严重的影响甚至会使通讯器材和导航***紊乱,同时伴随着许多射电现象,而这些现象能够反馈大量与太阳活动紧密相关的参数特征,因此太阳射电研究有着广阔的科研和应用前景。由于高性能观测设备的投入,获取的太阳射电频谱图像数据量的海量增长对于自动化数据分析提出了更高的要求。随着深度学习的发展,采用深度学习技术对太阳射电频谱图像特征的提取和分类识别开始被广泛研究。
太阳是空间天气的源头,太阳活动是在太阳上出现的耀斑、光斑、日冕物质的抛射等活动现象的总称,是由于在太阳大气层发生的时烈时弱的电磁过程引起的。自第二次世界大战被首次观测以来,太阳射电的相关观测与研究得到了快速的发展,太阳射电的观测设备经历了从单频到多频全流量观测、再到射电频谱观测、从单频频谱成像到多频频谱成像发展历程。尤其是中国科学院国家天文台研制的具有高时间-频谱分辨率的中国宽带动态频谱仪(SBRS)和中国的明安图射电频谱日像仪器(MUSER),在太阳射电观测中发挥了重要作用,设备运行期间发现了大量射电频谱精细结构,其带宽、持续时间、频漂率、相对带宽、瞬时带宽、偏振等特征参数对理解太阳爆发的本质有重要的价值和意义。
随着太阳射电观测仪器的进步,观测数据逐渐向TB级发展,人工对观测数据进行校准和分类等已经不符合时代的要求,也无法有效地利用所有数据。因此,如何从这些大量的数据中提取太阳射电频谱图像的特征等,更高效率的进行分类将是研究的重点。深度学习近年来更是在图像领域取得了很高的成就,与传统机器学习或者图像处理等技术相比,深度学习可以通过其网络特性,不需要进行人为设计特征,在模型训练中自动调整参数来完成对特征信息的识别,再对图像进行分类。
Vasili V.Lobzin等人对II型和III型爆发分别提出了自动检测方法,具体对于日冕III型射电爆发使用霍夫变换(Hough Transform)来检测太阳射电爆发中的近似直线,依据得到的直线对III型爆发分析,达到了84%的识别效果;对于II型的爆发,通过预处理、光谱强度变换以及光谱的1/f变换降低II型爆发线的曲率实现II型爆发的自动检测。HoussamSalmane 等人提出了一种自动探测太阳射电爆发的动态谱方法,该方法首先分析实时记录信号的动态频谱以消除干扰信号,进一步采用梯度中值滤波器对信号进行平滑降噪处理,最后提出一套基于统计特征的检测分类***。国内方面,张沛锦等人近期采用了几种计算机视觉方法,对NDA(Nansay Decameter Array)2012~2017年的数据实现了脉冲放电事件数分布、脉冲的起止频率、漂移率的频率依赖性、激励器速度等统计分析的研究,具体采用霍夫变换识别动态频谱中的III型爆发相关联的线段,采用改进的主动轮廓模型跟踪爆发并估计不同频率信道的频率漂移率。此外,袁国武等人开展了利用视频监控技术中运动目标检测方法的太阳射电频谱图爆发研究。
现有技术主要是基于传统的数字图像处理技术对射电图像进行识别和分类,可识别的射电类型有限,识别准确率不高,并且大都是以整张图片作为输入,网络通过提取图片中的全局特征,完成最终的分类任务。
发明内容
为克服上述现有技术的不足,本公开提供了基于条件深度卷积生成对抗网络的太阳射电频谱图像识别方法,不但加快了收敛速度,减少了迭代次数,同时有效提高了图像分类识别率。
为实现上述目的,本公开的一个或多个实施例提供了如下技术方案:
第一方面,公开了一种太阳射电频谱图像识别方法,包括:
将频谱类型信息作为条件加入深度卷积生成对抗网络中的生成器,来增加样本数量;
利用卷积网络提取特征的能力加上限定条件对生成器辅以训练;
之后将训练好的深度卷积生成对抗网络中的判别器部分抽取出来,形成网络结构;
通过训练网络结构的生成网络和对抗网络后,加上分类器来实现射电频谱图的自动生成和分类。
进一步的技术方案,生成器中,将噪声数据及标签数据作为输入,通过两个全连接层后进行维度转换成三维张量,之后通过不同的转置卷积层后输出张量,即生成图像样本。
进一步的技术方案,生成器中,每一层的输入数据都要连接标签数据,当输入的是标量数据时,需要连接标签数据标量。
进一步的技术方案,判别器中,输入一张样本数据经过卷积层,输出三维标量后经过卷积层后变为三维张量将三维张量展开,通过两个全连接层后,输出一维图像的结果。
进一步的技术方案,判别器不需要在输入时连接标签数据,同样也不需要在每一层连接标签数据。
进一步的技术方案,生成器除了最后一层使用Sigmoid函数外,其余每一层都使用ReLU作为激活函数,判别器使用Leaky ReLU作为激活函数。
进一步的技术方案,生成器和判别器每一层都使用函数对隐含层的输入进行批量归一化处理。
第二方面,公开了基于条件深度卷积生成对抗网络的太阳射电频谱图像识别***,包括:
网络结构形成模块,用于:将频谱类型信息作为条件加入深度卷积生成对抗网络中的生成器,来增加样本数量;
利用卷积网络提取特征的能力加上限定条件对生成器辅以训练;
之后将训练好的深度卷积生成对抗网络中的判别器部分抽取出来,形成网络结构;
射电频谱图分类模块,用于:通过训练网络结构的生成网络和对抗网络后,加上分类器来实现射电频谱图的自动生成和分类。
以上一个或多个技术方案存在以下有益效果:
本发明利用深度学习的方法对太阳射电频谱图像进行特征提取和分类以解决快速高效将观测数据进行的自动分类和整理的问题。为揭示太阳爆发本质的相关研究工作提供依据。对于射电频谱观测仪器观测到的频谱数据处理及分类任务有一定的参考价值,同时也对天文相关的频谱数据研究提供了新的思路。
不同于传统图像分类方法中复杂的归纳与回归的过程,本发明提出的端到端的思路更加容易实现。相比于传统的机器学习方法进行图像分类时需要手工设计并提取特征,深度学习的方法有着两点优势:
1.卷积神经网络的输入是图片本身,输出为图片所属类别,这种端到端的实现方法使得分类过程更加直观;
2.卷积神经网络直接利用图像像素信息作为输入,这样可以最大程度上保留了输入图像的所有信息,它通过卷积操作完成对于图像特征的提取和图像语义的分析,这种操作能得到图像更本质的信息。
本发明提出的生成模型还可以填补缺失信息。特别是在半监督学习中的应用,由于真实环境下,很少有带标注的信息,而且标注信息往往依靠高成本的人工标注。生成模型,特别是GANs,能够在很少标注样本的情况下,提高半监督学习算法的泛化能力。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例方案整体框架图;
图2为本公开实施例C-DCGAN的生成器模型图;
图3为本公开实施例C-DCGAN的判别器结构图;
图4为本公开实施例生成的样本图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例公开了基于条件深度卷积生成对抗网络的太阳射电频谱图像识别方法,射电频谱图像样本数量有限,特征不明显,本发明通过增加样本和使用多分类损失函数解决了样本不均衡的影响,通过改进传统的生成对抗模型,提出基于条件的深度卷积生成对抗模型,并将本模型应用于太阳射电频谱图像识别。
本发明提出的生成模型可以填补缺失信息。特别是在半监督学习中的应用,由于真实环境下,很少有带标注的信息,而且标注信息往往依靠高成本的人工标注。生成模型,特别是GANs,能够在很少标注样本的情况下,提高半监督学习算法的泛化能力。
本发明综合CGAN和DCGAN的特点,使用其相结合的模型——有条件的深度卷积生成对抗网络(C-DCGAN)模型。将频谱类型等信息作为条件加入深度卷积生成对抗网络中的生成器,利用卷积网络提取特征的能力加上条件辅以训练。之后将训练好的C-DCGAN中的判别器部分抽取出来,添加Softinax后形成用于太阳射电图像识别的新网络结构,通过训练生成网络和对抗网络后,加上分类器来实现射电频谱图的自动生成和分类,发明主要思路如图1。
C-DCGAN的生成器模型如图2所示:100维的噪声与10维的标签数据(分类信息)连接(Concat)成110维的数据作为输入,通过两个全连接层后进行维度转换(Reshape)成(8,8,128)的三维张量,之后通过一个卷积核为3像素x3 像素、步幅为2的转置卷积层,输出一个(16,16,128)的三维张量,经过三个卷积核为3像素x3像素步幅为1的转置卷积层,输出再次经过一个步幅为2以及三个步幅为1的转置卷积层后输出(32,32,1)张量,即为一个生成图像样本。需注意的是,与原始CGAN生成器模型只在输入时连接标签数据不同,为了增强标签数据在训练中的引导作用,模型中每一层的输入数据都要连接标签数据,当输入的是标量数据时,需要连接(Concat)标签数据y的10维标量,例如:输入层100维噪声连接10维标签数据后得到110维的数据作为输入层的输入;当输入的是三维张量时,需要将标签数据y转换为三维张量之后通过第三个通道进行连接,如图3Deconvl层的输入,先将标签数据转换成形如(1,1,10)的三维张量,再将此张量乘上(8,8,10)的全1三维张量,标签数据即转换为(8,8,10)可将上一层的输出(8,8,128)的三维张量,此时就与转换好的标签数据(8,8,10)通过第三维连接起来,即得到(7,7,138)的张量。
C-DCGAN的判别器结构(如图3所示)与生成器结构正好相反。输入一张(32,32,1)的样本数据经过一个卷积核大小为3像素x3像素步幅为1的卷积层,输出(32,32,64)的三维标量后经过两层步幅为1和一个步幅为2的卷积层后变为(16,16,128)的三维张量,类似再经过3个步幅为1,一个步幅为2的卷积层后转换成(8,8,128),将三维张量展开,通过两个全连接层后,输出1 维的结果。与原始CGAN的判别器有所不同,判别器不需要在输入时连接标签数据,同样也不需要如上述C-DCGAN生成器在每一层连接标签数据。这样修改原始模型的原因是由于本文的目的是要将训练好的C-DCGAN的判别器提取出来用于分类,所以在预训练时,判别器的结构中要避免出现标签数据的影响,另外,在后面训练分类器时也方便整体提取。
使用图2和图3的结构作为对抗网络的生成器和判别器对数据集进行训练,为了保持对抗平衡,判别器与生成器的更新次数为1:3.C-DCGAN训练完成后,提取判别器各层的权值使用图3的结构进行图像分类。根据生成器和判别器的特点且经过实验测试,各层激活函数使用如下策略效果较好。
图2图3训练好网络结构,在网络的最后一个全连接层输出维数为n(n 为射电频谱类别),输出结果通过分类器,与标签y进行计算得到损失函数,使用Adam来优化。
1)生成器除了最后一层使用Sigmoid函数外,其余每一层都使用ReLU作为激活函数;
2)判别器使用Leaky ReLU作为激活函数。
在生成器输出层使用Sigmoid的原因是因为Sigmoid在特征相差明显时的效果很好,在循环过程中会不断地增强特征效果。而ReLU函数虽然收敛速度快,但其最大的缺点是当输入小于零时的梯度为0,这样就导致负值的梯度被设置为0,此神经元会处于失活状态,不会对任何数据有所反应,尤其是当学习率很大时,会出现神经元大面积坏死。生成器的学习率通常较小,所以在其余层可以使用ReLU加快训练速度。判别器的所有层选用收敛速度快又不易使神经元坏死的Leaky ReLU。
为了防止训练时出现过拟合的情况,在模型训练时使用如下策略:在生成器的两个全连接层加入Dropout,Dropout率设置为0.5;判别器的第一个全连接层后加入Dropout,设为0.9;另外,对判别器的所有步幅为1的卷积层以及所有全连接层的参数进行L2正则化。为了防止训练时梯度消失的问题,生成器和判别器每一层都使用Batch normalization对隐含层的输入进行批量归一化处理。
本公开技术方案中模型中的卷积能够提取图像上的特征,具体解释为:卷积神经网络中,第一步一般用卷积核去提取特征,这些初始化的卷积核会在反向传播的过程中,在迭代中被一次又一次的更新,无限地逼近我们的真实解。其实本质没有对图像矩阵求解,而是初始化了一个符合某种分布的特征向量集,然后在反向传播中无限更新这个特征集,让它能无限逼近数学中的那个概念上的特征向量,以致于我们能用特征向量的数学方法对矩阵进行特征提取。
本发明,相比于其他方法不但加快了收敛速度,减少了迭代次数,同时有效提高了图像分类识别率,证明本发明所提的条件深度卷积生成对抗网络在太阳射电图像识别领域中的可行性。
经过对16623张射电频谱图进行训练测试,生成样本如图4所示,识别率可达到98.32%,证明了本发明提出方法的可行性。
本发明生成对抗网络,在对生成网络和学习网络进行训练后,可自动生成射电频谱图,以弥补样本不足的缺陷。
实施例二
本实施例的目的是提供一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述实施例子一中的具体步骤。
实施例三
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时执行上述实施例子一中的具体步骤。
实施例四
本实施例的目的是提供了基于条件深度卷积生成对抗网络的太阳射电频谱图像识别***,包括:
将频谱类型信息作为条件加入深度卷积生成对抗网络中的生成器;
利用卷积网络提取特征的能力加上条件辅以训练;
之后将训练好的深度卷积生成对抗网络中的判别器部分抽取出来,添加Softinax后形成用于太阳射电图像识别的网络结构;
用于太阳射电图像识别的网络结构对输入的太阳射电图像进行识别并进行特征提取和分类。
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本公开中的任一方法。
本领域技术人员应该明白,上述本公开的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本公开不限制于任何特定的硬件和软件的结合。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种太阳射电频谱图像识别方法,其特征是,包括:
将频谱类型信息作为条件加入深度卷积生成对抗网络中的生成器,来增加样本数量;
利用卷积网络提取特征的能力加上限定条件对生成器辅以训练;
之后将训练好的深度卷积生成对抗网络中的判别器部分抽取出来,形成网络结构;
通过训练网络结构的生成网络和对抗网络后,加上分类器来实现射电频谱图的自动生成和分类。
2.如权利要求1所述的一种太阳射电频谱图像识别方法,其特征是,生成器中,将噪声数据及标签数据作为输入,通过两个全连接层后进行维度转换成三维张量,之后通过不同的转置卷积层后输出张量,即生成图像样本。
3.如权利要求1所述的一种太阳射电频谱图像识别方法,其特征是,生成器中,每一层的输入数据都要连接标签数据,当输入的是标量数据时,需要连接标签数据标量。
4.如权利要求1所述的一种太阳射电频谱图像识别方法,其特征是,判别器中,输入一张样本数据经过卷积层,输出三维标量后经过卷积层后变为三维张量将三维张量展开,通过两个全连接层后,输出一维图像的结果。
5.如权利要求1所述的一种太阳射电频谱图像识别方法,其特征是,判别器不需要在输入时连接标签数据,同样也不需要在每一层连接标签数据。
6.如权利要求1所述的一种太阳射电频谱图像识别方法,其特征是,生成器除了最后一层使用Sigmoid函数外,其余每一层都使用ReLU作为激活函数,判别器使用Leaky ReLU作为激活函数。
7.如权利要求1所述的一种太阳射电频谱图像识别方法,其特征是,生成器和判别器每一层都使用函数对隐含层的输入进行批量归一化处理。
8.一种太阳射电频谱图像识别***,其特征是,包括:
网络结构形成模块,用于:将频谱类型信息作为条件加入深度卷积生成对抗网络中的生成器,来增加样本数量;
利用卷积网络提取特征的能力加上限定条件对生成器辅以训练;
之后将训练好的深度卷积生成对抗网络中的判别器部分抽取出来,形成网络结构;
射电频谱图分类模块,用于:通过训练网络结构的生成网络和对抗网络后,加上分类器来实现射电频谱图的自动生成和分类。
9.一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征是,所述处理器执行所述程序时实现上述权利要求1-7任一所述的方法中的具体步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征是,该程序被处理器执行时执行上述权利要求1-7任一所述的方法中的具体步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011371638.8A CN112446332A (zh) | 2020-11-30 | 2020-11-30 | 一种太阳射电频谱图像识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011371638.8A CN112446332A (zh) | 2020-11-30 | 2020-11-30 | 一种太阳射电频谱图像识别方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112446332A true CN112446332A (zh) | 2021-03-05 |
Family
ID=74738860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011371638.8A Pending CN112446332A (zh) | 2020-11-30 | 2020-11-30 | 一种太阳射电频谱图像识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112446332A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657581A (zh) * | 2021-08-19 | 2021-11-16 | 长飞光纤光缆股份有限公司 | 一种基于深度学习的训练数据获取方法和*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764005A (zh) * | 2018-01-31 | 2018-11-06 | 华侨大学 | 一种高光谱遥感图像地物空间波谱特征提取方法及*** |
CN111047594A (zh) * | 2019-11-06 | 2020-04-21 | 安徽医科大学 | 肿瘤mri弱监督学习分析建模方法及其模型 |
-
2020
- 2020-11-30 CN CN202011371638.8A patent/CN112446332A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764005A (zh) * | 2018-01-31 | 2018-11-06 | 华侨大学 | 一种高光谱遥感图像地物空间波谱特征提取方法及*** |
CN111047594A (zh) * | 2019-11-06 | 2020-04-21 | 安徽医科大学 | 肿瘤mri弱监督学习分析建模方法及其模型 |
Non-Patent Citations (2)
Title |
---|
唐贤伦: ""基于条件深度卷积生成对抗网络的图像识别方法"", 《自动化学报》 * |
潘辉: ""基于深度学习的太阳射电分类问题的研究与实现"", 《国优秀博硕士学位论文全文数据库(硕士) 基础科学辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657581A (zh) * | 2021-08-19 | 2021-11-16 | 长飞光纤光缆股份有限公司 | 一种基于深度学习的训练数据获取方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112270347B (zh) | 一种基于改进ssd的医疗废弃物分类检测方法 | |
CN111178260B (zh) | 一种基于生成对抗网络的调制信号时频图分类***及其运行方法 | |
CN110956126B (zh) | 一种联合超分辨率重建的小目标检测方法 | |
US20230334632A1 (en) | Image recognition method and device, and computer-readable storage medium | |
Zhang et al. | Cancer cells detection in phase-contrast microscopy images based on faster R-CNN | |
Zhan et al. | Semi-supervised classification of hyperspectral data based on generative adversarial networks and neighborhood majority voting | |
Maryan et al. | Machine learning applications in detecting rip channels from images | |
CN114842238A (zh) | 一种嵌入式乳腺超声影像的识别方法 | |
Wang et al. | APAFNet: Single-frame infrared small target detection by asymmetric patch attention fusion | |
CN115393698A (zh) | 一种基于改进dpn网络的数字图像篡改检测方法 | |
CN115272865A (zh) | 一种基于自适应激活函数和注意力机制的目标检测方法 | |
CN112446332A (zh) | 一种太阳射电频谱图像识别方法及*** | |
CN113989799A (zh) | 一种宫颈异常细胞识别方法、装置和电子设备 | |
Zhang et al. | Infrared ship target segmentation based on adversarial domain adaptation | |
Zhao et al. | A target detection algorithm for remote sensing images based on a combination of feature fusion and improved anchor | |
CN117351371A (zh) | 一种基于深度学习的遥感图像目标检测方法 | |
CN114943869B (zh) | 风格迁移增强的机场目标检测方法 | |
CN113361336B (zh) | 基于注意力机制的视频监控场景下行人视图属性的定位与识别方法 | |
CN115547488A (zh) | 基于vgg卷积神经网络和面部识别孤独症早筛***及方法 | |
Wang et al. | Fusion of infrared and visible images based on improved generative adversarial networks | |
Dixit et al. | Comparative study on image detection using variants of cnn and yolo | |
CN112906458B (zh) | 群智能优化的水下激光多目标端到端自动识别*** | |
Patil et al. | Performance improvement of face recognition system by decomposition of local features using discrete wavelet transforms | |
Zhang et al. | A review of small target detection based on deep learning | |
CN117115170B (zh) | 一种无监督域自适应sar舰船检测方法及*** |
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 |