CN112946682A - 一种高准确率高敏捷性的水下激光目标识别仪 - Google Patents
一种高准确率高敏捷性的水下激光目标识别仪 Download PDFInfo
- Publication number
- CN112946682A CN112946682A CN202110025072.1A CN202110025072A CN112946682A CN 112946682 A CN112946682 A CN 112946682A CN 202110025072 A CN202110025072 A CN 202110025072A CN 112946682 A CN112946682 A CN 112946682A
- Authority
- CN
- China
- Prior art keywords
- network
- sub
- representing
- decision
- laser
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- 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
- 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
- G06N20/00—Machine learning
-
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种高准确率高敏捷性的水下激光目标识别仪,包括激光探测器、数据库及上位机;激光探测器、数据库和上位机依次相连,所述的激光探测器对所检测的水域进行探测,并将得到的图像存储到所述的数据库,所述的上位机包括数据预处理模块、特征提取模块、分类模块和结果显示模块。本发明公开的一种高准确率高敏捷性的水下激光目标识别仪具有目标识别准确率高、速度快的优点。
Description
技术领域
本发明涉及水下目标检测领域、深度学习算法领域,尤其涉及一种结合深度学习的水下激光目标识别仪。
背景技术
水下目标检测、识别和跟踪是具有重要意义的热点研究问题,应用非常广泛,逐渐有更多的国际组织开始关注并推动相关领域的发展。传统的水下探测技术主要采用的是声呐探测器和光学相机,利用采集到的声呐信号或者光学图像进行相应的变换以提取特征,从而进行对特征的识别和分类。
在传统的水下目标识别中,采集到的声呐信号和光学图像的精度对识别的结果有着非常重要的影响。但是,声呐探测器却极易受到噪声的干扰、光学相机也面临着水下光学环境复杂的难题。与此同时,传统的目标识别算法也迎来了识别率很难继续提高的瓶颈。所以,对于水下目标检测及识别而言,研究的主要目标是提高其水下探测方式的精度以及提高目标识别的准确率。因此,这不仅具有重要的理论意义和实际意义,而且也是国内外水下目检测标识别的难点和热点。
发明内容
为了克服传统的水下探测技术的精度差和目标识别准确度低的难题,本发明的目的在于提供一种实现高精度探测水下环境和高准确度识别水下目标的高准确率高敏捷性的水下激光目标识别仪。
本发明解决其技术问题所采用的技术方案是:一种高准确率高敏捷性的水下激光目标识别仪,包括激光探测器、数据库以及上位机,激光探测器、数据库和上位机依次相连,其特征在于:所述激光探测器对所检测水域进行探测,并将带有噪声的激光数据存储到所述的数据库,所述的上位机包括:
数据预处理模块,用以对存储在数据库中的激光探测器采集到的灰度图像进行预处理,采用如下过程完成:
1.2对训练样本的灰度直方图进行均衡化处理,公式如下:
其中,是xig第i个样本的第g个灰度均衡化后的结果,R表示图像像素的行数,C表示图像像素的列数,rj表示第j个灰度,nj表示当前图像中灰度为rj的像素的个数,pr(·)表示概率分布,T(·)表示直方图均衡化变换,L表示图像的灰度数量。灰度直方图进行均衡化处理后的图像为S={x1,x2,...,xN},其中S表示灰度直方图进行均衡化处理后的激光灰度图像矩阵,x1,x2,...,xN分别表示第1,2,...,N个灰度直方图进行均衡化处理后的激光灰度图像。
特征提取模块,用以搭建无监督自动编码网络来提取经过数据预处理模块处理过的图像的特征向量,采用如下过程完成:
2.1搭建上述网络的各个子网络:
Yi=σ(Wi1·Xi+b)
Xi'=σ(Wi2·Yi+bT)
Lossi=J(Xi,Xi')
其中Xi表示第i个子网络的输入,Yi表示第i个子网络的隐含层,Wi1表示第i个子网络连接输入层和隐含层的权重,b表示第i个子网络输入层和隐含层之间的偏置。Xi'表示第i个子网络的输出,Wi2表示第i个子网络连接隐含层和输出层的权重,bT表示第i个子网络隐含层的输出层之间的偏置,Lossi表示第i个子网络的损失函数,J(·)表示损失函数,σ(·)表示激励函数,Wi表示该子网络里的所有权重,Lsub表示子网络的个数。
2.2训练上述各个子网络,搭建总的无监督自动编码网络:
2.2.1把灰度直方图均衡化处理后的图像S={x1,x2,...,xN}作为第一个子网络的输入,并用梯度下降法训练此子网络;
2.2.2把训练好的第i-1个子网络的隐含层作为第i个子网络的输入,并用梯度下
降法训练第i个子网络,i=2,3,...,Lsub。
2.2.3第Lsub个子网络的隐含层YLsub作为最终提取出的特征向量X={x1,x2,...,xN}。
x1,x2,...,xN分别表示x1,x2,...,xN的特征向量,X表示特征向量矩阵。
2.2.4网络的输出即为X={x1,x2,...,xN}
分类模块,用以根据特征提取模块提取出的特征向量对图像进行分类,过程如下:
3.1建立分类器,特征提取模块提取出的特征向量X={x1,x2,...,xN}作为分类器的输入,公
式如下:
其中θ表示分类器模型的参数,y表示决策层的输出结果,j表示决策结果是第j个类别,θj表示第j个决策元的参数,θl表示第l个决策元的参数,p(·)表示概率,k表示决策层的决策元的个数。决策层的输出为Pi={pi1,pi2,...,pik},i=1,2,...,N,N表示输入图像的个数。pi1,pi2,...,pik分别表示第i个图像属于第1,2,...,k类的概率,Pi表示概率矩阵。
3.2分类器的分类结果,公式如下:
REi表示图像xi的分类结果,N表示输入图像的个数,k表示决策层决策元的个数。
3.3训练分类器以得到分类器模型参数,分类器的损失函数如下:
其中,J(·)表示损失函数,y(i)表示训练过程中第i个图像的识别结果,θj表示第j个决策元的参数,λ表示惩罚因子,n表示特征向量的维度,θij表示连接分类器中连接特征向量第j个维度和第i个决策元的参数,N表示输入图像的个数,k表示决策层决策元的个数。分类器根据损失函数,采用梯度下降法进行训练得到模型的参数。
作为优选的一种方案:所述特征提取模块的各个子网络的损失函数为:
其中,Jnew(·)表示新的损失函数,KL(·)表示相对熵,β表示惩罚系数;ρ表示离散系数,表示隐藏神经元j的平均激活度;aj(xi)表示在输入数据为xi的情况下,隐藏神经元j的激活度;s表示隐藏神经元的个数;N表示输入图像的个数,k表示决策层决策元的个数。
作为优选的另一种方案:所述的上位机还包括:结果显示模块,用以将分类模块的分类结果在上位机上显示。
本发明的有益效果主要表现在:使用激光检测技术比传统的声纳技术的精确度更高;使用无监督的自动编码网络进行特征提取,相较于传统的特征提取方法提取到的特征在分类时具有更好的分类效果,最终使得目标识别的准确率更高;基于无监督的自动编码网络的水下激光目标识别仪,在模型训练好后,识别的速度相较于传统的目标识别方法更快。
附图说明
图1是本发明所提出的水下激光目标识别仪的功能结构图;
具体实施方式
下面结合附图对本发明做进一步描述。本发明实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
实施例1
参照图1,一种高准确率高敏捷性的水下激光目标识别仪,包括激光1、数据库2、及上位机3,激光1、数据库2和上位机3依次相连,所述的激光1对所检测的水域进行探测,并将激光成像的数据存储到所述的数据库2,所述的上位机包括:
数据预处理模块4,用以对激光探测器采集到的灰度图像进行预处理,采用如下过程完成:
1.2对训练样本的灰度直方图进行均衡化处理,公式如下:
其中,是xig第i个样本的第g个灰度均衡化后的结果,R表示图像像素的行数,C表示图像像素的列数,rj表示第j个灰度,nj表示当前图像中灰度为rj的像素的个数,pr(·)表示概率分布,T(·)表示直方图均衡化变换,L表示图像的灰度数量。灰度直方图进行均衡化处理后的图像为S={x1,x2,...,xN},其中S表示灰度直方图进行均衡化处理后的激光灰度图像矩阵,x1,x2,...,xN分别表示第1,2,...,N个灰度直方图进行均衡化处理后的激光灰度图像。
特征提取模块5,用以搭建无监督自动编码网络来提取出图像特征,采用如下过程完成:
2.1搭建上述网络的各个子网络:
Yi=σ(Wi1·Xi+b)
X′i=σ(Wi2·Yi+bT)
Lossi=J(Xi,X′i)
其中Xi表示第i个子网络的输入,Yi表示第i个子网络的隐含层,Wi1表示第i个子网络连接输入层和隐含层的权重,b表示第i个子网络输入层和隐含层之间的偏置。X′i表示第i个子网络的输出,Wi2表示第i个子网络连接隐含层和输出层的权重,bT表示第i个子网络隐含层的输出层之间的偏置,Lossi表示第i个子网络的损失函数,J(·)表示损失函数,σ(·)表示激励函数,Wi表示该子网络里的所有权重,Lsub表示子网络的个数。
2.2训练上述各个子网络,搭建总的无监督自动编码网络:
2.2.1把灰度直方图均衡化处理后的图像S={x1,x2,...,xN}作为总的网络的输入,若整个网络已训练完毕,进入2.2.5;否则,进入2.2.2;
2.2.2把S={x1,x2,...,xN}作为第一个子网络的输入,并用梯度下降法训练此子网络
2.2.3把训练好的第i-1个子网络的隐含层作为第i个子网络的输入,并用梯度下降法训练第i个子网络,i=2,3,...,Lsub。
2.2.4第Lsub个子网络的隐含层YLsub作为最终提取出的特征向量X={x1,x2,...,xN}。
x1,x2,...,xN分别表示x1,x2,...,xN的特征向量,X表示特征向量矩阵。
2.2.5网络的输出即为X={x1,x2,...,xN}
分类模块6,用以根据特征提取模块提取出的特征向量对图像进行分类,过程如下:
3.1建立分类器,特征提取模块提取出的特征向量X={x1,x2,...,xN}作为分类器的输入,公
式如下:
其中θ表示分类器模型的参数,y表示决策层的输出结果,j表示决策结果是第j个类别,θj表示第j个决策元的参数,θl表示第l个决策元的参数,p(·)表示概率,k表示决策层的决策元的个数。决策层的输出为Pi={pi1,pi2,...,pik},i=1,2,...,N,N表示输入图像的个数。pi1,pi2,...,pik分别表示第i个图像属于第1,2,...,k类的概率,Pi表示概率矩阵。
3.2分类器的分类结果,公式如下:
Ri表示图像xi的分类结果,N表示输入图像的个数,k表示决策层决策元的个数。
3.3若分类器已训练过,R={R1,R2,...,RN}即为分类器的输出;否则,进入3.4。
3.4训练分类器以得到分类器模型参数,分类器的损失函数如下:
其中,J(·)表示损失函数,y(i)表示训练过程中第i个图像的识别结果,θj表示第j个决策元的参数,λ表示惩罚因子,n表示特征向量的维度,θij表示连接分类器中连接特征向量第j个维度和第i个决策元的参数,N表示输入图像的个数,k表示决策层决策元的个数。分类器根据损失函数,采用梯度下降法进行训练得到模型的参数。
所述的特征提取模块5,一种优选的方案:各个子网络的损失函数为:
其中,Jnew(·)表示新的损失函数,KL(·)表示相对熵,β表示惩罚系数;ρ表示离散系数,表示隐藏神经元j的平均激活度;aj(xi)表示在输入数据为xi的情况下,隐藏神经元j的激活度;s表示隐藏神经元的个数;N表示输入图像的个数,k表示决策层决策元的个数。
所述的上位机3还包括:结果显示模块7,将分类模块的分类结果在上位机显示。
所述上位机3的硬件部分包括:I/O元件,用于数据的采集和信息的传递;数据存储器,存储运行所需的数据样本和运行参数等;程序存储器,存储实现功能模块的软件程序;运算器,执行程序,实现指定的功能;显示模块,显示设置的参数和检测结果。
Claims (6)
1.一种高准确率高敏捷性的水下激光目标识别仪,包括激光探测器、数据库以及上位机,激光探测器、数据库和上位机依次相连,其特征在于:所述上位机由数据预处理模块、特征提取模块和分类模块依次相连组成。所述激光探测器对所检测水域进行探测,并将带有噪声的激光数据存储到所述的数据库,数据预处理模块对存储在数据库中的激光探测器采集到的灰度图像进行预处理。特征提取模块搭建无监督自动编码网络来提取经过数据预处理模块处理过的图像的特征向量。分类模块根据特征提取模块提取出的特征向量对图像进行分类。
2.根据权利要求1所述一种高准确率高敏捷性的水下激光目标识别仪,其特征在于:数据预处理模块,采用如下过程完成:
(2.2)对训练样本的灰度直方图进行均衡化处理,公式如下:
i=1,2,...,N
g=0,1,2,...,L-1
其中,xig表示第i个样本的第g个灰度均衡化后的结果,R表示图像像素的行数,C表示图像像素的列数,rj表示第j个灰度,nj表示当前图像中灰度为rj的像素的个数,pr(·)表示概率分布,T(·)表示直方图均衡化变换,L表示图像的灰度数量。灰度直方图进行均衡化处理后的图像为S={x1,x2,...,xN},其中S表示灰度直方图进行均衡化处理后的激光灰度图像矩阵,x1,x2,...,xN分别表示第1,2,...,N个灰度直方图进行均衡化处理后的激光灰度图像。
3.根据权利要求1所述一种高准确率高敏捷性的水下激光目标识别仪,其特征在于:特征提取模块,采用如下过程完成:
(3.1)搭建上述网络的各个子网络:
Yi=σ(Wi1·Xi+b)
X′i=σ(Wi2·Yi+bT)
Lossi=J(Xi,X′i)
i=1,2,3,...,Lsub
其中,Xi表示第i个子网络的输入,Yi表示第i个子网络的隐含层,Wi1表示第i个子网络连接输入层和隐含层的权重,b表示第i个子网络输入层和隐含层之间的偏置。X′i表示第i个子网络的输出,Wi2表示第i个子网络连接隐含层和输出层的权重,bT表示第i个子网络隐含层的输出层之间的偏置,Lossi表示第i个子网络的损失函数,J(·)表示损失函数,σ(·)表示激励函数,Wi表示该子网络里的所有权重,Lsub表示子网络的个数。
(3.2)训练上述各个子网络,搭建总的无监督自动编码网络,包括以下子步骤:
(3.2.1)把灰度直方图均衡化处理后的图像S={x1,x2,...,xN}作为第一个子网络的输入,并用梯度下降法训练此子网络;
(3.2.2)把训练好的第i-1个子网络的隐含层作为第i个子网络的输入,并用梯度下降法训练第i个子网络,i=2,3,...,Lsub。
x1,x2,...,xN分别表示x1,x2,...,xN的特征向量,X表示特征向量矩阵。
(3.2.4)网络的输出即为X={x1,x2,...,xN}。
4.根据权利要求1所述一种高准确率高敏捷性的水下激光目标识别仪,其特征在于:分类模块,采用如下过程完成:
(4.1)建立分类器,特征提取模块提取出的特征向量X={x1,x2,...,xN}作为分类器的输入,公式如下:
j=1,2,3,...,k
其中,θ表示分类器模型的参数,y表示决策层的输出结果,j表示决策结果是第j个类别,θj表示第j个决策元的参数,θl表示第l个决策元的参数,p(·)表示概率,k表示决策层的决策元的个数。决策层的输出为Pi={pi1,pi2,...,pik},i=1,2,...,N,N表示输入图像的个数。其中,pi1,pi2,...,pik分别表示第i个图像属于第1,2,...,k类的概率,Pi表示概率矩阵。
(4.2)分类器的分类结果,公式如下:
i=1,2,...,N
j=1,2,...,k
REi表示图像xi的分类结果,N表示输入图像的个数,k表示决策层决策元的个数。
(4.3)训练分类器以得到分类器模型参数,分类器的损失函数如下:
其中,J(·)表示损失函数,y(i)表示训练过程中对第i个图像的识别结果,θj表示第j个决策元的参数,λ表示惩罚因子,n表示特征向量的维度,θij表示连接分类器中连接特征向量第j个维度和第i个决策元的参数,N表示输入图像的个数,k表示决策层决策元的个数。分类器根据损失函数,采用梯度下降法进行训练得到模型的参数。
6.如权利要求1所述的一种高准确率高敏捷性的水下激光目标识别仪,其特征在于:所述上位机还包括:结果显示模块,用以将分类模块的分类结果在上位机上显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110025072.1A CN112946682B (zh) | 2021-01-08 | 2021-01-08 | 一种高准确率高敏捷性的水下激光目标识别仪 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110025072.1A CN112946682B (zh) | 2021-01-08 | 2021-01-08 | 一种高准确率高敏捷性的水下激光目标识别仪 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112946682A true CN112946682A (zh) | 2021-06-11 |
CN112946682B CN112946682B (zh) | 2023-03-03 |
Family
ID=76235124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110025072.1A Active CN112946682B (zh) | 2021-01-08 | 2021-01-08 | 一种高准确率高敏捷性的水下激光目标识别仪 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112946682B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5270780A (en) * | 1991-09-13 | 1993-12-14 | Science Applications International Corporation | Dual detector lidar system and method |
CN105068084A (zh) * | 2015-07-24 | 2015-11-18 | 于贵庆 | 一种基于图像处理的激光成像探测方法 |
CN106529428A (zh) * | 2016-10-31 | 2017-03-22 | 西北工业大学 | 基于深度学习的水下目标识别方法 |
CN108596155A (zh) * | 2018-05-14 | 2018-09-28 | 浙江大学 | 一种sar雷达空中飞行目标识别*** |
CN108596156A (zh) * | 2018-05-14 | 2018-09-28 | 浙江大学 | 一种智能sar雷达空中飞行目标识别*** |
US20200026953A1 (en) * | 2018-07-23 | 2020-01-23 | Wuhan University | Method and system of extraction of impervious surface of remote sensing image |
CN112115822A (zh) * | 2020-09-04 | 2020-12-22 | 西北工业大学 | 一种水下移动目标智能融合感知方法 |
-
2021
- 2021-01-08 CN CN202110025072.1A patent/CN112946682B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5270780A (en) * | 1991-09-13 | 1993-12-14 | Science Applications International Corporation | Dual detector lidar system and method |
CN105068084A (zh) * | 2015-07-24 | 2015-11-18 | 于贵庆 | 一种基于图像处理的激光成像探测方法 |
CN106529428A (zh) * | 2016-10-31 | 2017-03-22 | 西北工业大学 | 基于深度学习的水下目标识别方法 |
CN108596155A (zh) * | 2018-05-14 | 2018-09-28 | 浙江大学 | 一种sar雷达空中飞行目标识别*** |
CN108596156A (zh) * | 2018-05-14 | 2018-09-28 | 浙江大学 | 一种智能sar雷达空中飞行目标识别*** |
US20200026953A1 (en) * | 2018-07-23 | 2020-01-23 | Wuhan University | Method and system of extraction of impervious surface of remote sensing image |
CN112115822A (zh) * | 2020-09-04 | 2020-12-22 | 西北工业大学 | 一种水下移动目标智能融合感知方法 |
Non-Patent Citations (3)
Title |
---|
WU JUN等: "A novel ship classification approach for high resolution SAR images based on the BDA-KELM classification model", 《INTERNATIONAL JOURNAL OF REMOTE SENSING》 * |
白继嵩: "水下图像处理及目标分类关键技术研究", 《中国优秀博硕士学位论文全文数据库(博士)·信息科技辑》 * |
胡波 等: "基于图像的水下三点激光测距方法研究", 《红外与激光工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112946682B (zh) | 2023-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108460356B (zh) | 一种基于监控***的人脸图像自动处理*** | |
WO2022160771A1 (zh) | 基于自适应多尺度特征提取模型的高光谱图像分类方法 | |
CN105975931B (zh) | 一种基于多尺度池化的卷积神经网络人脸识别方法 | |
CN111583263B (zh) | 一种基于联合动态图卷积的点云分割方法 | |
CN108734208B (zh) | 基于多模态深度迁移学习机制的多源异构数据融合*** | |
CN106845401B (zh) | 一种基于多空间卷积神经网络的害虫图像识别方法 | |
CN106295694B (zh) | 一种迭代重约束组稀疏表示分类的人脸识别方法 | |
CN110728694B (zh) | 一种基于持续学习的长时视觉目标跟踪方法 | |
CN104063719A (zh) | 基于深度卷积网络的行人检测方法及装置 | |
CN112347970B (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
CN108664986B (zh) | 基于lp范数正则化的多任务学习图像分类方法及*** | |
CN108875655A (zh) | 一种基于多特征的实时目标视频跟踪方法及*** | |
CN109840518B (zh) | 一种结合分类与域适应的视觉追踪方法 | |
CN114155397B (zh) | 一种小样本图像分类方法及*** | |
CN114842238A (zh) | 一种嵌入式乳腺超声影像的识别方法 | |
CN110188646B (zh) | 基于梯度方向直方图与局部二值模式融合的人耳识别方法 | |
CN115393631A (zh) | 基于贝叶斯层图卷积神经网络的高光谱图像分类方法 | |
CN111639697A (zh) | 基于非重复采样与原型网络的高光谱图像分类方法 | |
CN114937298A (zh) | 一种基于特征解耦的微表情识别方法 | |
CN114492634A (zh) | 一种细粒度装备图片分类识别方法及*** | |
CN117710745A (zh) | 一种基于证据多视角核化的目标分类方法及装置 | |
CN116994295A (zh) | 基于灰度样本自适应选择门的野生动物类别识别方法 | |
CN112946682B (zh) | 一种高准确率高敏捷性的水下激光目标识别仪 | |
CN114724245B (zh) | 基于csi的增量学习人体动作识别方法 | |
CN117523626A (zh) | 伪rgb-d人脸识别法 |
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 |