CN113505821A - 一种基于样本可信度的深度神经网络图像识别方法及*** - Google Patents

一种基于样本可信度的深度神经网络图像识别方法及*** Download PDF

Info

Publication number
CN113505821A
CN113505821A CN202110726015.6A CN202110726015A CN113505821A CN 113505821 A CN113505821 A CN 113505821A CN 202110726015 A CN202110726015 A CN 202110726015A CN 113505821 A CN113505821 A CN 113505821A
Authority
CN
China
Prior art keywords
recognition
sample
image
credibility
network
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
CN202110726015.6A
Other languages
English (en)
Other versions
CN113505821B (zh
Inventor
戴大伟
唐晓宇
刘颖格
夏书银
朱宏飞
王国胤
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202110726015.6A priority Critical patent/CN113505821B/zh
Publication of CN113505821A publication Critical patent/CN113505821A/zh
Application granted granted Critical
Publication of CN113505821B publication Critical patent/CN113505821B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F18/25—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
    • G06N3/04—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
    • G06N3/084—Backpropagation, e.g. using gradient descent

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)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于图像识别领域，具体涉及一种基于样本可信度的深度神经网络图像识别方法及***，方法包括获取待处理的图像，将待处理的图像输入到训练好的深度神经网络模型中，再将每个图像传入预识别网络后的输出的结果，经过Softmax处理后的最大值，作为该图片的可信度，对于可信度高的图片，在经历浅层卷积模块后即得到识别结果，对于低可信度图片，将进入到下一层网络再次进行特征提取、预识别，再重复以上操作，即计算其可信度直到图片可信度达到高可信度或者最深层网络；本发明样本分流的方式，减少了网络的计算量，训练过程中实现可信样本与不可信样本的分层隔离训练，提高各自的识别准确率，与抗干扰能力。

Description

一种基于样本可信度的深度神经网络图像识别方法及***
技术领域
本发明属于图像识别领域，具体涉及一种基于样本可信度的深度神经网络图像识别方法及***。
背景技术
随着计算机技术和信息处理技术的高速发展，人们进入了信息化时代。人们所能够获取的知识量***式增长，迫切要求信息处理技术不断的完善和发展，以便能够为人们提供更加方便和多样化的服务。对于计算机而言，很难去理解一张图片的内容，因为计算机看到的图片是一个数字矩阵，而对图像中所蕴涵的各种意义却无法理解。为了使计算机理解图像的内容，早年人们通过机器学习算法，建立矩阵与实际意义之间的联系；而近年，随着计算机技术的高速发展，基于人工神经网络的深度学习逐渐占据了主导地位。通过将数图像输入神经网络，将输出数据与标签之间进行对比，调整神经网络的参数，使计算机学习输入图像与实际意义之间的映射关系。对于简单的任务，神经网络能够为一张图像分配一个标签，如猫、狗还是大象；复杂来说，神经网络可以解释图像的内容并返回一个人类可读的句子。图像分类除了其自身的应用外，还可以为人脸识别、目标检测等任务提供支持，有着较好的应用前景。
图像分类任务旨在对于输入的图片，通过特征提取并分析，判断其所属的类别。而目前的神经网络多是将所有图片直接输入深度神经网络中，所有的样本均经过相同的网络进行预测，得到最终结果，这样做无疑会极大地浪费计算资源。以Resnet为例：在CIFAR-10数据集上，Resnet-56以85万的参数量达到 93.03％的准确率，而Resnet-110以170万的参数量达到93.57％的准确率，在大幅提高计算量的同时，精确率提升十分少。
在深度神经网络中，大部分的图片在经过较浅的神经网络后就可以得到较好的识别效果，只有少部分图片需要经过深层网络才能更好地确定其识别结果。
发明内容
为解决以上现有技术存在的问题，本发明提出了一种基于样本可信度深度神经网络的图像识别方法及***，所述方法包括获取待处理的图像，将待处理的图像输入到训练好的深度神经网络模型中，再将每个图像传入预识别网络后的输出的结果，经过Softmax处理后的最大值，作为该图片的可信度，对于可信度高的图片，在经历浅层卷积模块后即得到识别结果，对于低可信度图片，将进入到下一层网络再次进行特征提取、预识别，再重复以上操作，即计算其可信度直到图片可信度达到高可信度或者最深层网络。
进一步的，训练深度神经网络模型的过程包括：
S1：对原始图像进行预处理，并将数据划分为训练数据集和测试数据集；
S2：输入训练数据集，采用卷积模块进行特征提取，得到样本特征图；
S3：采用当前神经网络层的骨干网络特征并使用预识别网络对图像进行预识别，将样本划分为低可信度样本和高可信度样本，并且计算预识别结果与标签的损失，反向传播损失，训练当前层骨干网络与预识别网络；
S4：对于高可信度样本，采用使用轻量卷积模块进行识别，输出结果，并且计算识别结果与标签的损失，反向传播损失，训练本层可信样本网络；
S5：对于低可信度样本，迭代S2～4操作，进行特征提取、预识别、获得用于识别的高可信度样本特征图，与用于继续迭代的低可信度样本特征图，直到通过网络最后一层；
S6：在最后一次样本分流操作后，提取低可信度样本特征图对应的原始图像，并且送入卷积模块得到特征图，将其与最后一次分流得到的低可信度样本特征图融合；
S7：将最后融合得到的低可信度样本特征图输入卷积模块与全连接层，进行特征提取与识别，输出结果，计算识别结果与标签的损失，反向传播损失，训练卷积模块与最后一层骨干网络；
S8：根据训练集中的数据，不断调整模型参数，将测试集中的数据输入到模型中，根据识别结果计算模型的识别精度，保存识别精度最高的模型，完成模型的训练。
进一步的，骨干网络为由多层卷积层堆叠构成的第一卷积模块。
进一步的，预识别网络包括第二卷积模块和一层全连接层，对于高可信度样别进行识别采用的第二卷积模块进行识别，第二卷积模块由多层卷积层堆叠构成，且第二卷积模块的网络规模和参数量均小于第一卷积模块。
本发明还提出一种基于样本可信度的深度神经网络图像识别***，包括可信度识别模块、低可信度特征提取模块以及高可信度特征提取模块，可信度识别模块用于识别图像的可信度，并根据该模块中的阈值分流分别输入低可信度特征提取模块和高可信度特征提取模块。
进一步的，可信度识别模块包括卷积层、全连接层、Softmax层和阈值分流层，将Softmax层处理后的最大值作为图片的可信度，阈值分流层判断该可信度与设置阈值的关系，若大于设置的阈值则输入高可信度特征提取模块，否则输入低可信度特征提取模块。
进一步的，低可信度识别模块将低可信度样本重新输入可信度识别网络进行特征提取和可信度识别，当最后一次可信度识别模块分流后的结果仍是低可信度图像，则将该特征对应的原始图像经过一层卷积层提取得到的特征图与最后一次分流后的特征图进行融合，将融合结果输入一层骨干网络中，该骨干网络的输出作为该图像的识别结果。
本发明通过预先计算样本预测结果的Softmax最大值，确定样本可信度，使可信样本与不可信样本隔离，对各层网络进行特化训练；另外，大量可信样本通过浅层的网络结构即可得到识别结果，减少网络计算开销；此外，不可信样本通过深层网络，提高其可信度，且提高了网络的抗干扰能力。
附图说明
图1为本发明的高可信度特征识别模块；
图2为本发明的可迭代的预识别网络模块结构图；
图3为本发明的基于样本可信度深度神经网络的图像识别方法图。
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。
本发明提出一种基于样本可信度的深度神经网络图像识别方法，如图3，包括获取待处理的图像，将待处理的图像输入到训练好的深度神经网络模型中，再将每个图像传入预识别网络后的输出的结果，经过Softmax处理后的最大值，作为该图片的可信度，对于可信度高的图片，在经历浅层卷积模块后即得到识别结果，对于低可信度图片，将进入到下一层网络再次进行特征提取、预识别，再重复以上操作，即计算其可信度直到图片可信度达到高可信度或者最深层网络。
实施例1
本实施例中将待处理的图像输入到训练好的改进的深度神经网络模型中，得到识别结果，训练改进的深度神经网络模型的过程包括：
S1：读取原始数据集，对原始图像进行预处理，得到训练数据集和测试数据集；
S2：输入训练数据集，采用卷积模块(骨干网络)进行特征提取，得到样本特征图；
S3：采用轻量级卷积模块及一层全连接层对图像进行预识别，将样本划分为低可信度样本和高可信度样本，并且计算预识别结果与标签的损失，反向传播损失，训练本层骨干网络与预识别网络；
S4：对于高可信度样本，采用轻量级卷积模块及一层全连接层进行识别，输出结果，并且计算识别结果与标签的损失，反向传播损失，训练本层可信样本网络。
S5：对于低可信度样本，迭代S2、S3、S4操作，进行特征提取、预识别、获得用于识别的高可信度样本特征图，与用于继续迭代的低可信度样本特征图，直到通过网络最后一层；
S6：在最后一次样本分流操作后，提取低可信度样本特征图对应的原始图像，并且送入卷积模块得到特征图，将其与最后一次分流得到的低可信度样本特征图融合；
S7：将最后融合得到的低可信度样本特征图输入卷积模块与全连接层，进行特征提取与识别，输出结果，计算识别结果与标签的损失，反向传播损失，训练最后一层骨干网络；
S8：根据训练集中的数据，不断调整模型参数，将测试集中的数据输入到模型中，根据识别结果计算模型的识别精度，保存识别精度最高的模型，完成模型的训练。
原始图像输入网络后通过一个由卷积模块组成的骨干网络，进行初步的特征提取，获得特征图，如图2所示，在训练过程中，根据预识别结果将样本传入不同网络分层隔离训练的过程包括：
(1)将特征图传入卷积层以及全连接层组成的预识别网络，得到预识别结果，依据交叉熵损失反向传播，训练预识别网络与骨干网络。
(2)将预识别结果进行Softmax处理，取每个样本预测的最大值，即为样本的可信度，按照可信度对样本进行排序，根据预设阈值百分比，取整个训练批次可信度高的一部分，作为可信样本，剩下样本为不可信样本。依据交叉熵训练本层骨干网络与预识别网络。
(3)依据划分的样本，对骨干网络得到的特征图进行划分；其中，可信样本的特征图传入卷积层以及全连接层组成的可信样本网络，依据交叉熵损失训练可信样本网络；不可信样本的特征图传入下一层骨干网络，与下一层预识别网络一起训练；多次迭代后得到的最不可信的样本用于训练卷积模块与最后一层骨干网络。
在训练过程中，将不可信样本传入深层网络提高样本可信度的具体过程包括：可信度较低的样本传入深层网络后，预识别结果计算损失值时，会先经过 Softmax，再使用交叉熵。根据Softmax原理，所有识别结果的预测概率之和为 1；而当正确结果的值大的时候，交叉熵损失值变小，因而可以提高正确结果的预测概率，并且抑制其他错误结果的预测概率，提高样本的可信度，减小扰动对网络结果的影响，提高网络的抗干扰能力。
在测试过程，中根据预识别的结果决定输入图像经过网络的层次的具体过程包括：输入图像传入骨干网络后与预识别网络后，对每个样本的可信度进行排序，根据训练过程中的分流数据预设阈值，可信度大于等于阈值的图像则认为可信，传入可信样本网络直接识别，而可信度小于阈值的图像则认为不可信，需要传入更深层网络进行判断，从而减少网络运算量。
本实施例中的骨干网络和轻量卷积模块，即第一卷积模块和第二卷积模块，均由多层卷积层堆叠而成，无特定结构，可套用任意常用的深度神经网络模型；骨干网络与轻量卷积模块相对应而言，轻量卷积模块规模更小、参数量更小的网络；本领域技术人员根据实际需求设置骨干网络、轻量卷积模块实际的卷积层数，本发明不对此作限制。
实施例2
本实施例提出一种基于样本可信度的深度神经网络图像识别***，包括可信度识别模块、低可信度特征识别模块以及高可信度特征识别模块，可信度识别模块用于识别图像的可信度，并根据该模块中的阈值分流分别输入低可信度特征识别模块和高可信度特征识别模块；本发明***将数据样本划分为可信样本与不可信样本，可信样本的特征图传入本层可信样本网络并且进行训练，不可信样本的特征图传入下一层骨干网络进行进一步的迭代划分；不同层次的网络拟合不同的样本，可信样本与不可信样本实现分层隔离训练，提高识别准确率与抗干扰能力。
进一步的，如图2，可信度识别模块包括第二卷积模块、全连接层、Softmax 层和阈值分流层，将Softmax层处理后的最大值作为图片的可信度，阈值分流层判断该可信度与设置阈值的关系，若大于设置的阈值则输入高可信度特征提取模块，否则输入低可信度特征提取模块。
进一步的，低可信度识别模块将低可信度样本重新输入可信度识别网络进行特征提取和可信度识别，当最后一次可信度识别模块分流后的结果仍是低可信度图像，则将该特征对应的原始图像经过一层卷积层提取得到的特征图与最后一次分流后的特征图进行融合，实现多层次特征融合，提高正确率；将融合结果输入一层骨干网络中，该骨干网络的输出作为该图像的识别结果。
进一步的，如图1，高可信度特征识别模块包括一层卷积层和一层全连接层。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (9)

1.一种基于样本可信度的深度神经网络图像识别方法，其特征在于，获取待处理的图像，将待处理的图像输入到训练好的深度神经网络模型中，再将每个图像传入预识别网络后的输出的结果，经过Softmax处理后的最大值，作为该图片的可信度，对于可信度高的图片，在经历浅层卷积模块后即得到识别结果，对于低可信度图片，将进入到下一层网络再次进行特征提取、预识别，再重复以上操作，即计算其可信度直到图片可信度达到高可信度或者最深层网络。
2.根据权利要求1所述的一种基于样本可信度的深度神经网络图像识别方法，其特征在于，训练深度神经网络模型的过程包括：
S1：对原始图像进行预处理，并将数据划分为训练数据集和测试数据集；
S2：输入训练数据集，采用骨干网络进行特征提取，得到样本特征图；
S3：使用预识别网络对图像进行预识别，将样本划分为低可信度样本和高可信度样本，并且计算预识别结果与标签的损失，反向传播损失，训练当前层骨干网络与预识别网络；
S4：对于高可信度样本，采用使用轻量卷积模块进行识别，输出结果，并且计算识别结果与标签的损失，反向传播损失，训练本层可信样本网络；
S5：对于低可信度样本，迭代S2～4操作，进行特征提取、预识别、获得用于识别的高可信度样本特征图，与用于继续迭代的低可信度样本特征图，直到通过网络最后一层；
S6：在最后一次样本分流操作后，提取低可信度样本特征图对应的原始图像，并且送入卷积模块得到特征图，将其与最后一次分流得到的低可信度样本特征图融合；
S7：将最后融合得到的低可信度样本特征图输入卷积模块与全连接层，进行特征提取与识别，输出结果，计算识别结果与标签的损失，反向传播损失，训练卷积模块与最后一层骨干网络；
S8：根据训练集中的数据，不断调整模型参数，将测试集中的数据输入到模型中，根据识别结果计算模型的识别精度，保存识别精度最高的模型，完成模型的训练。
3.根据权利要求2所述的一种基于样本可信度的深度神经网络图像识别方法，其特征在于，骨干网络为由多层卷积层堆叠构成的第一卷积模块。
4.根据权利要求3所述的一种基于样本可信度的深度神经网络图像识别方法，其特征在于，预识别网络包括第二卷积模块和一层全连接层，对于高可信度样别进行识别采用第二卷积模块进行识别，第二卷积模块由多层卷积层堆叠构成，且第二卷积模块的网络规模和参数量均小于第一卷积模块。
5.一种基于样本可信度的深度神经网络图像识别***，其特征在于，包括可信度识别模块、低可信度特征识别模块以及高可信度特征识别模块，可信度识别模块用于识别图像的可信度，并根据该模块中的阈值分流分别输入低可信度特征识别模块和高可信度特征识别模块。
6.根据权利要求5所述的一种基于样本可信度的深度神经网络图像识别***，其特征在于，可信度识别模块包括第二卷积模块、全连接层、Softmax层和阈值分流层，将Softmax层处理后的最大值作为图片的可信度，阈值分流层判断该可信度与设置阈值的关系，若大于设置的阈值则输入高可信度特征识别模块，否则输入低可信度特征识别模块。
7.根据权利要求5所述的一种基于样本可信度的深度神经网络图像识别方法，其特征在于，低可信度识别模块将低可信度样本重新输入可信度识别网络进行特征识别和可信度识别，当最后一次可信度识别模块分流后的结果仍是低可信度图像，则将该特征对应的原始图像经过一层卷积层提取得到的特征图与最后一次分流后的特征图进行融合，将融合结果输入一层骨干网络中，该骨干网络的输出作为该图像的识别结果。
8.根据权利要求5所述的一种基于样本可信度的深度神经网络图像识别方法，其特征在于，第一卷积模块由多层卷积层堆叠构成的第一卷积模块。
9.根据权利要求8所述的一种基于样本可信度的深度神经网络图像识别方法，其特征在于，高可信度特征识别模块包括第二卷积层和一层全连接层，第二卷积模块由多层卷积层堆叠构成，且第二卷积模块的网络规模和参数量均小于第一卷积模块。
CN202110726015.6A 2021-06-29 2021-06-29 一种基于样本可信度的深度神经网络图像识别方法及*** Active CN113505821B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110726015.6A CN113505821B (zh) 2021-06-29 2021-06-29 一种基于样本可信度的深度神经网络图像识别方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110726015.6A CN113505821B (zh) 2021-06-29 2021-06-29 一种基于样本可信度的深度神经网络图像识别方法及***

Publications (2)

Publication Number Publication Date
CN113505821A true CN113505821A (zh) 2021-10-15
CN113505821B CN113505821B (zh) 2022-09-27

Family

ID=78011080

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110726015.6A Active CN113505821B (zh) 2021-06-29 2021-06-29 一种基于样本可信度的深度神经网络图像识别方法及***

Country Status (1)

Country Link
CN (1) CN113505821B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106709511A (zh) * 2016-12-08 2017-05-24 华中师范大学 基于深度学习的城市轨道交通全景监控视频故障检测方法
US20170177997A1 (en) * 2015-12-22 2017-06-22 Applied Materials Israel Ltd. Method of deep learining-based examination of a semiconductor specimen and system thereof
CN110197205A (zh) * 2019-05-09 2019-09-03 三峡大学 一种多特征来源残差网络的图像识别方法
CN110689025A (zh) * 2019-09-16 2020-01-14 腾讯医疗健康(深圳)有限公司 图像识别方法、装置、***及内窥镜图像识别方法、装置
US20200125877A1 (en) * 2018-10-22 2020-04-23 Future Health Works Ltd. Computer based object detection within a video or image
CN111414942A (zh) * 2020-03-06 2020-07-14 重庆邮电大学 一种基于主动学习和卷积神经网络的遥感图像分类方法
CN111965183A (zh) * 2020-08-17 2020-11-20 沈阳飞机工业（集团）有限公司 基于深度学习的钛合金显微组织检测方法
CN112115973A (zh) * 2020-08-18 2020-12-22 吉林建筑大学 一种基于卷积神经网络图像识别方法
CN112818871A (zh) * 2021-02-04 2021-05-18 南京师范大学 一种基于半分组卷积的全融合神经网络的目标检测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170177997A1 (en) * 2015-12-22 2017-06-22 Applied Materials Israel Ltd. Method of deep learining-based examination of a semiconductor specimen and system thereof
CN106709511A (zh) * 2016-12-08 2017-05-24 华中师范大学 基于深度学习的城市轨道交通全景监控视频故障检测方法
US20200125877A1 (en) * 2018-10-22 2020-04-23 Future Health Works Ltd. Computer based object detection within a video or image
CN110197205A (zh) * 2019-05-09 2019-09-03 三峡大学 一种多特征来源残差网络的图像识别方法
CN110689025A (zh) * 2019-09-16 2020-01-14 腾讯医疗健康(深圳)有限公司 图像识别方法、装置、***及内窥镜图像识别方法、装置
CN111414942A (zh) * 2020-03-06 2020-07-14 重庆邮电大学 一种基于主动学习和卷积神经网络的遥感图像分类方法
CN111965183A (zh) * 2020-08-17 2020-11-20 沈阳飞机工业（集团）有限公司 基于深度学习的钛合金显微组织检测方法
CN112115973A (zh) * 2020-08-18 2020-12-22 吉林建筑大学 一种基于卷积神经网络图像识别方法
CN112818871A (zh) * 2021-02-04 2021-05-18 南京师范大学 一种基于半分组卷积的全融合神经网络的目标检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MERIN ANNIE VINCENT ET AL.: "Traffic Sign Classification Using Deep Neural Network", 《2020 IEEE RECENT ADVANCES IN INTELLIGENT COMPUTATIONAL SYSTEMS》 *
马骁: "基于深度卷积神经网络的图像语义分割", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *
魏杨: "基于深度卷积神经网络的图像篡改检测", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *

Also Published As

Publication number Publication date
CN113505821B (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
CN109214452B (zh) 基于注意深度双向循环神经网络的hrrp目标识别方法
CN108229588B (zh) 一种基于深度学习的机器学习识别方法
CN110532880B (zh) 样本筛选及表情识别方法、神经网络、设备及存储介质
CN110781776A (zh) 一种基于预测和残差细化网络的道路提取方法
CN112149547A (zh) 基于图像金字塔引导和像素对匹配的遥感影像水体识别
CN113657115A (zh) 一种基于讽刺识别和细粒度特征融合的多模态蒙古文情感分析方法
CN111582372B (zh) 图像分类方法、模型、存储介质及电子设备
CN114359787A (zh) 目标属性识别方法、装置、计算机设备及存储介质
CN117217368A (zh) 预测模型的训练方法、装置、设备、介质及程序产品
CN114861875A (zh) 基于自监督学习和自知识蒸馏的物联网入侵检测方法
CN116206327A (zh) 一种基于在线知识蒸馏的图像分类方法
CN116580322A (zh) 一种地面背景下无人机红外小目标检测方法
CN109685823B (zh) 一种基于深度森林的目标跟踪方法
CN111242028A (zh) 基于U-Net的遥感图像地物分割方法
CN117152746B (zh) 一种基于yolov5网络的宫颈细胞分类参数获取方法
CN110659572A (zh) 基于双向特征金字塔的视频动作检测方法
CN108229692B (zh) 一种基于双重对比学习的机器学习识别方法
CN113505821B (zh) 一种基于样本可信度的深度神经网络图像识别方法及***
CN111783688A (zh) 一种基于卷积神经网络的遥感图像场景分类方法
CN116467930A (zh) 一种基于Transformer的结构化数据通用建模方法
CN108345943B (zh) 一种基于嵌入编码与对比学习的机器学习识别方法
CN115238073A (zh) 一种融合异构信息网络与生成对抗网络的服务分类方法
CN115410250A (zh) 阵列式人脸美丽预测方法、设备及存储介质
CN114529096A (zh) 基于三元闭包图嵌入的社交网络链路预测方法及***
CN114529908A (zh) 一种离线手写化学反应式图像识别技术

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