CN113537339A - 一种基于多标签图像分类的识别共生或伴生矿物的方法与*** - Google Patents
一种基于多标签图像分类的识别共生或伴生矿物的方法与*** Download PDFInfo
- Publication number
- CN113537339A CN113537339A CN202110795094.6A CN202110795094A CN113537339A CN 113537339 A CN113537339 A CN 113537339A CN 202110795094 A CN202110795094 A CN 202110795094A CN 113537339 A CN113537339 A CN 113537339A
- Authority
- CN
- China
- Prior art keywords
- neural network
- mineral
- module
- symbiotic
- minerals
- 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
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种基于多标签图像分类的识别共生或伴生矿物的方法与***,所述基于多标签图像分类的识别共生或伴生矿物的***包括深度学习算法的卷积神经网络模块和长短期记忆网络模块,将带有多个类别标签的矿物实物图片输入卷积神经网络模块和长短期记忆网络模块进行预训练,训练完成后将采集的伴生或共生矿物实物图片输入***,***结合多个标签之间的依赖关系和输入的图片对矿物的所属类别进行分析预测,输出图片中矿物所属不同类别的概率大小,取概率值大于零的类别为该矿石中所包含矿物的所有类别,本发明解决了现有矿物识别***仅能识别单个矿物导致的无法识别生长情况复杂的伴生或共生矿物的问题。
Description
技术领域
本发明实施例涉及矿物识别技术领域,具体涉及一种基于多标签图像分类的识别共生或伴生矿物的方法与***。
背景技术
在地质研究、矿物开采以及矿产科研等方面,需要对矿产进行识别,传统识别方法需要结合现有记载的矿物图片和测量的矿物物理及化学性质进行比对,通常存在着效率低,误差大的问题。随着科技进步,深度学习技术的不断发展,逐渐出现矿物智能识别技术,矿物智能识别技术,是一种采用图像识别方法的数字化识别分类矿物的技术。多使用深度学习算法对矿物实物图片进行识别分类。通常先采集大量矿物实物图片用于深度学习算法的卷积神经网络训练,训练好后即可用于完成矿物的识别任务。
然而多数深度学习矿物识别研究采用大量较有区分度的数据集进行卷积神经网络的训练,来识别图片中仅包含一种矿物的情况。但由于现实生活中的矿物的生长环境较为复杂,多是伴生或共生的矿物,导致深度学习模型不能准确识别出矿物中所包含的所有矿物类别。
发明内容
为此,本发明实施例提供一种基于多标签图像分类的识别共生或伴生矿物的方法与***,以解决现有识别方法仅能对单一矿物进行识别导致的无法识别出共生或伴生矿物中所有矿物的问题。
为了实现上述目的,本发明实施例提供如下技术方案:
根据本发明实施例的第一方面,公开了一种基于多标签图像分类的识别共生或伴生矿物的***,所述基于多标签图像分类的识别共生或伴生矿物***包括深度学习算法的卷积神经网络模块和长短期记忆网络模块,利用带有多类别标签的矿物图片以及矿物的多个标签输入卷积神经网络模块和长短期记忆网络模块进行预先训练,训练完成后将采集的矿物实物图片输入***,***结合标签之间的依赖关系和输入的图片对矿物所属类别进行比对分析预测,输出矿物所属不同类别的概率大小,取概率值大于零的类别为该矿石所包含的所有类别。
进一步地,所述卷积神经网络模块和长短期记忆网络模块包括分类器预训练单元和分析预测单元,分类器预训练阶段包括数据集生成模块和用人工神经网络对数据的训练模块,分析预测单元包括神经网络推理预测模块和人机交互模块,所述数据集生成模块对用于训练人工神经网络的图像数据集进行创建并进行预处理,所述人工神经网络训练模块以数据集生成模块得到的图像数据集为输入,设置不同的参数进行人工神经网络训练,输出人工神经网络分类器,所述人工神经网络推理预测模块以实际现场采集的数据图像为输入,人工神经网络分类器对每张图中矿物所代表的类别进行自动推理预测,输出每一张图像的各个类别标识,所述人机交互模块实现操作人员输入待预测的原始矿物图像。
进一步地,所述人工神经网络推理预测模块以实际现场采集的矿物图像为输入,通过设定的图像预处理器处理后,输送给人工神经网络分类器,人工神经网络分类器对图片中矿物所代表的类别进行自动推理预测。
进一步地,所述卷积神经网络模块训练完成后,输入采集的矿物图片,得到一维特征值向量。
进一步地,所述长短期记忆网络以从卷积神经网络得到的一维特征值向量为输入,得到未归一化的一维概率值向量。
进一步地,所述全连接网络以卷积神经网络得到的一维特征值向量为输入,得到另一个未归一化的一维概率值向量。
根据本发明实施例的第二方面,公开了一种基于多标签图像分类的识别共生或伴生矿物的方法,所述基于多标签图像分类的识别共生或伴生矿物的方法为:将采集的矿物图片输入至卷积神经网络,得到一维特征值向量;
将从卷积神经网络得到的一维特征值向量输入长短期记忆网络,得到未归一化的一维概率值向量;
将从卷积神经网络得到的一维特征值向量输入全连接网络得到未归一化的一维概率值向量;
将从长短期记忆网络和全连接网络得到的未归一化的一维概率值向量相加得到一个新的未归一化的一维概率值向量;
将新的未归一化的一维概率值向量进行归一化处理,输出待识别矿物所属不同类别的概率大小。
进一步地,所述采集的矿物实物图片输入基于多标签图像分类的识别共生或伴生矿物的***。
进一步地,所述输出待识别矿物所属不同类别的概率中,取概率大于零的类别为该矿物所属的所有类别。
本发明实施例具有如下优点:
本发明实施例公开了一种基于多标签图像分类的识别共生或伴生矿物的***及方法,将带有多个类别标签的矿物图片输入卷积神经网络模块和长短期记忆网络模块进行预训练,训练完成后将采集到的矿物实物图片,输入***,输出矿物所属不同类别的概率大小,取概率大于零的所属类别为该矿石中包含的所有类别,该方法能更加准确地识别伴生或共生矿物的类型。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明实施例提供的一种基于多标签图像分类的识别共生或伴生矿物的***连接示意图;
图2为本发明实施例提供的一种基于多标签图像分类的识别共生或伴生矿物的方法工作示意图;
图中:1-待识别矿物图片、2-卷积神经网络模型、3-长短期记忆网络、4-全连接网络、5-第一向量、6-第二向量、7-第三向量、8-第四向量、9-第五向量。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例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。
实施例1
本实施例公开了一种基于多标签图像分类的识别共生或伴生矿物的***,所述基于多标签图像分类的识别共生或伴生矿物的***包括深度学习算法的卷积神经网络模块和长短期记忆网络模块,利用带有多个类别标签的矿物图片输入卷积神经网络模块和长短期记忆网络模块进行预先训练,训练完成后将采集的矿物实物图片输入***,***结合标签之间的依赖关系和输入的矿物图片对矿物所属类别进行分析预测,输出矿物所属不同类别的概率大小,取概率大于零的值所属类别为该矿石所包含的所有类别。
所述卷积神经网络模块和长短期记忆网络模块包括分类器预训练单元和分析预测单元,分类器预训练单元包括数据集生成模块和用人工神经网络对数据的训练模块,分析预测单元包括神经网络推理预测模块和人机交互模块,所述数据集生成模块对用于训练人工神经网络的图像数据集通过爬取矿产资源数据库平台(Mindat.org)的图像数据进行创建并进行预处理,所述人工神经网络训练模块以数据集生成模块得到的图像数据集为输入,设置max_epoch为50、batch_size为64、learning_rate为0.001、优化器为Adam进行人工神经网络训练,输出人工神经网络分类器。所述人工神经网络推理预测模块以实际现场采集的矿物图像为输入,通过设定的图像预处理器处理后,输送给人工神经网络分类器,人工神经网络分类器对图片中矿物所代表的类别进行自动推理预测,输出矿物图像的各个类别标识,所述人机交互模块实现操作人员输入待预测的原始矿物图像。
所述卷积神经网络模块采用的为NFNet,NFNet是一种不需要BatchNormalization的基于ResNet的网络结构,训练完成后,输入采集的矿物实物图片,得到一维特征值向量,全连接网络和长短期记忆网络以从卷积神经网络得到的一维特征值向量作为输入,输出两个未归一化的一维概率值向量,然后将从全连接网络得到的未归一化的一维概率值向量和从长短期记忆网络得到的未归一化的一维概率值向量相加得到一个新的未归一化的一维概率值向量,将新的一维向量进行归一化处理,输出待识别矿物所属不同类别的概率大小。
实施例2
参考图1,本实施例公开了一种共生或伴生矿物识别分类方法,获取大量带有多个类别标签的矿物实物图片用于识别***的训练,训练好后,输入待识别矿物的一张实物图片,***即可输出判断结果。
参考图2,将待识别矿物图片1输入NFNet卷积神经网络模型2得到一个由特征值组成的第一向量5,将第一向量5分别输入LSTM长短期记忆网络3和全连接网络4得到两个由概率值组成的第二向量6和第三向量7,将第二向量6与第三向量7相加得到第四向量8,第四向量8的长度与第二向量6和第三向量7长度相同,再将第三向量8进行归一化处理输出得到最终预测结果第四向量9,取预测结果中概率大于零的种类为所述类别矿物中包含的所有矿物类别。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (9)
1.一种基于多标签图像分类的识别共生或伴生矿物的***,其特征在于,所述基于多标签图像分类的识别共生或伴生矿物的***包括深度学习算法的卷积神经网络模块和长短期记忆网络模块和全连接网络,利用带有多个类别标签的矿物图片输入卷积神经网络模块和长短期记忆网络模块进行预训练,训练完成后将采集的伴生或共生矿物实物图片输入***,***结合标签之间的依赖关系和输入的矿物图片对矿物所属类别进行分析预测,输出矿物所属不同类别的概率大小,取概率大于零的所属类别为此矿石中所含矿物的所有类别。
2.如权利要求1所述的一种基于多标签图像分类的识别共生或伴生矿物的***,其特征在于,所述卷积神经网络模块和长短期记忆网络模块包括分类器预训练单元和分析预测单元,分类器预训练阶段包括数据集生成模块和用人工神经网络对数据的训练模块,分析预测单元包括神经网络推理预测模块和人机交互模块,所述数据集生成模块对用于训练人工神经网络的图像数据集进行创建并进行预处理,所述人工神经网络训练模块以数据集生成模块得到的图像数据集为输入,设置不同的参数进行人工神经网络训练,输出人工神经网络分类器,所述人工神经网络推理预测模块以实际现场采集的数据图像为输入,人工神经网络分类器对每张图中矿物所代表的类别进行自动推理预测,输出每一张图像的各个类别标识,所述人机交互模块实现操作人员输入待预测的原始矿物图像。
3.如权利要求2所述的一种基于多标签图像分类的识别共生或伴生矿物的***,其特征在于,所述人工神经网络推理预测模块以实际现场采集的矿物图像为输入,通过设定的图像预处理器处理后,输送给人工神经网络分类器,人工神经网络分类器对图片中矿物所代表的类别进行自动推理预测。
4.如权利要求1所述的一种基于多标签图像分类的识别共生或伴生矿物的***,其特征在于,所述卷积神经网络模块和长短期记忆网络模块训练完成后,输入采集的矿物图片,分别得到一维特征值向量和未归一化的一维概率值向量。
5.如权利要求1所述的一种基于多标签图像分类的识别共生或伴生矿物的***,其特征在于,所述卷积神经网络模块和长短期记忆网络模块包括训练单元和预测单元,训练过程中将训练数据集图像的多个标签和图片输入提取多个标签之间的依赖关系帮助预测,预测单元不包含标签的输入,输入卷积神经网络后输出图像一维特征值向量,得到一个未归一化的概率值向量。
6.如权利要求1所述的一种基于多标签图像分类的识别共生或伴生矿物的***,其特征在于,所述全连接网络,以卷积神经网络输出的一维特征值向量作为输入,输出一个未归一化的概率值向量。
7.如权利要求1所述的一种基于多标签图像分类的识别共生或伴生矿物的***,其特征在于,所述基于多标签图像分类的识别共生或伴生矿物方法为:将采集的矿物图片输入至卷积神经网络,得到一维特征值向量;
将从卷积神经网络得到的一维特征值向量输入到长短期记忆网络,得到未归一化的一维概率值向量;
将从卷积神经网络得到的一维特征值向量输入到全连接网络,得到另一个未归一化的一维概率值向量;
将从长短期记忆网络输出的未归一化的一维概率值向量和全连接网络输出得到的未归一化的一维概率值向量相加得到一个新的未归一化的一维概率值向量;
将新的未归一化的一维概率值向量进行归一化处理,输出待识别矿物所属不同类别的概率大小。
8.如权利要求1所述的一种基于多标签图像分类的识别共生或伴生矿物的方法,其特征在于,所述现场采集的矿物实物图片输入***。
9.如权利要求1所述的一种基于多标签图像分类的识别共生或伴生矿物方法,其特征在于,所述输出的矿物所属不同类别的概率中,取概率大于零的类别为该矿物包含的所有矿物类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110795094.6A CN113537339B (zh) | 2021-07-14 | 2021-07-14 | 一种基于多标签图像分类的识别共生或伴生矿物的方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110795094.6A CN113537339B (zh) | 2021-07-14 | 2021-07-14 | 一种基于多标签图像分类的识别共生或伴生矿物的方法与*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113537339A true CN113537339A (zh) | 2021-10-22 |
CN113537339B CN113537339B (zh) | 2023-06-02 |
Family
ID=78099067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110795094.6A Active CN113537339B (zh) | 2021-07-14 | 2021-07-14 | 一种基于多标签图像分类的识别共生或伴生矿物的方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537339B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115631362A (zh) * | 2022-09-26 | 2023-01-20 | 北京霍里思特科技有限公司 | 一种铁器的识别方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220667A (zh) * | 2017-05-24 | 2017-09-29 | 北京小米移动软件有限公司 | 图像分类方法、装置及计算机可读存储介质 |
CN109086811A (zh) * | 2018-07-19 | 2018-12-25 | 南京旷云科技有限公司 | 多标签图像分类方法、装置及电子设备 |
CN109886232A (zh) * | 2019-02-28 | 2019-06-14 | 燊赛(上海)智能科技有限公司 | 一种基于神经网络的电网图像识别*** |
CN110059765A (zh) * | 2019-04-26 | 2019-07-26 | 中国地质大学(北京) | 一种矿物智能识别分类***与方法 |
US20190340235A1 (en) * | 2018-05-01 | 2019-11-07 | Capital One Services, Llc | Text categorization using natural language processing |
CN110688482A (zh) * | 2019-09-12 | 2020-01-14 | 新华三大数据技术有限公司 | 多标签识别方法、训练方法及装置 |
CN111027562A (zh) * | 2019-12-06 | 2020-04-17 | 中电健康云科技有限公司 | 基于多尺度cnn和结合注意力机制的rnn的光学字符识别方法 |
CN111126514A (zh) * | 2020-03-30 | 2020-05-08 | 同盾控股有限公司 | 图像多标签分类方法、装置、设备及介质 |
CN111275107A (zh) * | 2020-01-20 | 2020-06-12 | 西安奥卡云数据科技有限公司 | 一种基于迁移学习的多标签场景图像分类方法及装置 |
CN111598138A (zh) * | 2020-04-24 | 2020-08-28 | 山东易华录信息技术有限公司 | 一种神经网络学习图像识别方法及装置 |
-
2021
- 2021-07-14 CN CN202110795094.6A patent/CN113537339B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220667A (zh) * | 2017-05-24 | 2017-09-29 | 北京小米移动软件有限公司 | 图像分类方法、装置及计算机可读存储介质 |
US20190340235A1 (en) * | 2018-05-01 | 2019-11-07 | Capital One Services, Llc | Text categorization using natural language processing |
CN109086811A (zh) * | 2018-07-19 | 2018-12-25 | 南京旷云科技有限公司 | 多标签图像分类方法、装置及电子设备 |
CN109886232A (zh) * | 2019-02-28 | 2019-06-14 | 燊赛(上海)智能科技有限公司 | 一种基于神经网络的电网图像识别*** |
CN110059765A (zh) * | 2019-04-26 | 2019-07-26 | 中国地质大学(北京) | 一种矿物智能识别分类***与方法 |
CN110688482A (zh) * | 2019-09-12 | 2020-01-14 | 新华三大数据技术有限公司 | 多标签识别方法、训练方法及装置 |
CN111027562A (zh) * | 2019-12-06 | 2020-04-17 | 中电健康云科技有限公司 | 基于多尺度cnn和结合注意力机制的rnn的光学字符识别方法 |
CN111275107A (zh) * | 2020-01-20 | 2020-06-12 | 西安奥卡云数据科技有限公司 | 一种基于迁移学习的多标签场景图像分类方法及装置 |
CN111126514A (zh) * | 2020-03-30 | 2020-05-08 | 同盾控股有限公司 | 图像多标签分类方法、装置、设备及介质 |
CN111598138A (zh) * | 2020-04-24 | 2020-08-28 | 山东易华录信息技术有限公司 | 一种神经网络学习图像识别方法及装置 |
Non-Patent Citations (5)
Title |
---|
ZHAO B等: "A CNN–RNN architecture for multi-label weather recognition", 《NEURO COMPUTING》 * |
刘丹晨: "基于多标签图像分类的矿物识别研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
孙利国: "基于深度学习的文物图像单标签和多标签分类研究", 《中国优秀硕士学位论文全文数据库哲学与人文科学辑》 * |
王鑫等: "基于LSTM循环神经网络的故障时间序列预测", 《北京航空航天大学学报》 * |
陈智: "基于卷积神经网络的多标签场景分类", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115631362A (zh) * | 2022-09-26 | 2023-01-20 | 北京霍里思特科技有限公司 | 一种铁器的识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113537339B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639544B (zh) | 基于多分支跨连接卷积神经网络的表情识别方法 | |
CN109993100B (zh) | 基于深层特征聚类的人脸表情识别的实现方法 | |
CN109522942A (zh) | 一种图像分类方法、装置、终端设备和存储介质 | |
CN110059765B (zh) | 一种矿物智能识别分类***与方法 | |
CN111125406A (zh) | 一种基于自适应聚类学习的视觉关系检测方法 | |
CN111860193B (zh) | 一种基于文本的行人检索自监督视觉表示学习***及方法 | |
CN112732921B (zh) | 一种虚假用户评论检测方法及*** | |
CN110929848A (zh) | 基于多挑战感知学习模型的训练、跟踪方法 | |
CN113592060A (zh) | 一种神经网络优化方法以及装置 | |
CN111506729B (zh) | 一种信息处理方法、装置及计算机可读存储介质 | |
CN111524140B (zh) | 基于cnn和随机森林法的医学图像语义分割方法 | |
US20200143209A1 (en) | Task dependent adaptive metric for classifying pieces of data | |
CN112418320A (zh) | 一种企业关联关系识别方法、装置及存储介质 | |
CN111858878A (zh) | 从自然语言文本中自动提取答案的方法、***及存储介质 | |
CN113158869A (zh) | 图像识别方法、装置、终端设备及计算机可读存储介质 | |
CN113222072A (zh) | 基于K-means聚类和GAN的肺部X光图像分类方法 | |
CN113780245A (zh) | 一种多场景下的物品检索方法及*** | |
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 | |
CN115546549A (zh) | 点云分类模型构建方法、点云分类方法、装置及设备 | |
CN114492581A (zh) | 基于迁移学习和注意力机制元学习应用在小样本图片分类的方法 | |
CN113537339A (zh) | 一种基于多标签图像分类的识别共生或伴生矿物的方法与*** | |
CN112866156A (zh) | 一种基于深度学习的无线电信号聚类方法及*** | |
CN116681921A (zh) | 一种基于多特征损失函数融合的目标标注方法及*** | |
CN116091828A (zh) | 一种染色体图像可解释分析方法、装置、设备及存储介质 | |
CN115471833A (zh) | 一种动态局部自注意力卷积网络点云分析***及方法 |
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 |