CN113553917B - 一种基于脉冲迁移学习的办公设备识别方法 - Google Patents
一种基于脉冲迁移学习的办公设备识别方法 Download PDFInfo
- Publication number
- CN113553917B CN113553917B CN202110741347.1A CN202110741347A CN113553917B CN 113553917 B CN113553917 B CN 113553917B CN 202110741347 A CN202110741347 A CN 202110741347A CN 113553917 B CN113553917 B CN 113553917B
- Authority
- CN
- China
- Prior art keywords
- domain
- pulse
- layer
- migration
- network model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013526 transfer learning Methods 0.000 title claims abstract description 25
- 230000005012 migration Effects 0.000 claims abstract description 34
- 238000013508 migration Methods 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000000644 propagated effect Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000000946 synaptic effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
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)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于脉冲迁移学习的办公设备识别方法,根据迁移学习任务,将干净背景、高分辨率、无噪音的有标注的办公设备图像作为源域,实际场景下采集的不同噪声及分辨率的图像作为目标域;初始化脉冲神经网络参数,得到初始状态的迁移学习网络模型;将源域和目标域转换为脉冲形式的图片,输入至初始状态的迁移学习网络模型中,并正向传播;根据域迁移损失以及分类损失,使用Adamax优化器进行整个网络的训练,直到模型收敛或达到最大迭代次数,得到训练好的迁移学习网络模型;保存训练好的迁移学习网络模型,将目标域的全部样本输入导训练好的迁移学习网络模型中,预测得到最终的分类结果。
Description
技术领域
本发明属于计算机科学、神经网络技术的领域,涉及一种基于脉冲迁移学习的办公设备识别方法。
背景技术
随着生活水平的提高,较为贵重的办公设备(如:个人电脑、打印机等)也逐渐普及,因此,对办公设备进行安防监管的需求也日益增加。常用的方法是利用摄像头采集图像,并识别和监管办公设备。然而,不同办公场所采集的图像分辨率差异较大,且噪声分布明显,使得同一个分类神经网络无法在所有不同场景下都能准确识别设备,需要针对不同场景下采集的图像进行人工标注和重新训练,造成大量的资源消耗。
现有技术方案包括一种基于深度神经网络的预训练方案:首先利用已有的干净背景、高分辨率、无噪音的有标注的办公设备图像,并对神经网络模型进行预训练;之后根据少量的实际噪声图像进行数据标注,在预训练好的神经网络模型上进行参数微调,直到收敛。以及一种技术方案为深度神经网络迁移学习方案:将干净背景、高分辨率、无噪音的有标注的办公设备图像作为源域,将所采集的不同噪声及分辨率的图像作为目标域。神经网络同时接收有标注的源域数据和无标注的目标域数据,训练目标包括提高分类模型在噪声和多分辨率场景下的识别准确率,以及缩小源域和目标域的特征分布差别。训练收敛后的神经网络可以直接对具体应用场景下的图像进行分类。
现有技术方案存在以下缺陷:
对于深度神经网络预训练方案:仍然需要对部分实际采集的带噪声的图像进行数据标注,且效果对噪声鲁棒性较差。对于深度神经网络迁移学习方案:基于传统深度神经网络的方法功耗高且训练收敛难度较大。
传统人工神经网络使用连续值作为神经元的输入和输出。脉冲神经网络作为第三代神经网络,真实模拟生物神经元的特性。神经元具有膜电位,膜电位达到阈值后进行点火,输入输出信号即为二值的脉冲时序信号。脉冲神经网络的稀疏性离散脉冲,可以大量减少功耗以及缓解深度学习中过拟合现象。关于脉冲神经网络的应用和方法研究也越来越多。专利CN201910087183.8和专利CN201810430121.8也分别进行了脉冲神经网络上卷积神经网络的应用和脉冲神经网络的手写数字识别方法的改进。专利CN201910088572.2提出了一种基于脉冲神经网络人体摔倒动作的视频识别方法,将脉冲神经网络应用在了现实任务中。
但是针对不同场景下具有不同噪声以及不同分辨率的办公设备图像,深度脉冲神经网络中,仍然没有一种有效的迁移学习方法。
发明内容
本发明的目的在于:提供了一种基于脉冲迁移学习的办公设备识别方法,解决了现有技术的不足。
本发明采用的技术方案如下:
一种基于脉冲迁移学习的办公设备识别方法,包括以下步骤:
步骤1、根据迁移学习任务,将干净背景、高分辨率、无噪音的有标注的办公设备图像作为源域,实际应用场景图像作为目标域;
步骤2、初始化脉冲神经网络参数,包括突触连接权重、脉冲点火阈值、延迟常数、学习率和时间窗口长度,得到初始状态的迁移学习网络模型;
步骤3、将源域和目标域转换为脉冲形式的图片,并输入至步骤2中的初始状态的迁移学习网络模型中,并正向传播;根据域迁移损失以及分类损失,使用Adamax优化器进行整个网络的训练,直到模型收敛或达到最大迭代次数,得到训练好的迁移学习网络模型;
步骤4、保存训练好的迁移学习网络模型,将目标域的全部样本输入导训练好的迁移学习网络模型中,预测得到最终的分类结果。
进一步地,所述步骤2或步骤3中的迁移学***均池化层,以及两个全连接层,最后的分类层为全连接层,其输出形状为批量样本数、类别数、时间窗口长度。
进一步地,所述步骤2或步骤3中的迁移学习网络模型均同时接收源域和目标域的数据XS和XT,首先经过编码层将图片转换为脉冲形式得到XS_e和XT_e,再经过特征层进行特征提取;
特征层源域与目标域共享权值,得到各自的特征XS_f和XT_f,再根据域迁移损失反向传播训练网络,目的是训练网络同时从源域与目标域中学习出公共知识,令两个域被提取的特征在分布上更加接近;
同时,经过特征层得到的特征需要经过分类层得到最后的预测分类结果XS_c和XT_c,再经过分类损失反向传播训练网络,目的是训练分类层能够根据特征层提取的具有两个域公共知识的特征进行正确分类。
进一步地,分类损失使用多分类的交叉熵损失函数,其数学形式为:
其中,M为类别数量,yc是指示变量若该类别与样本的类别相同就是1,否则为0,pc为对于观测样本属于类别的预测概率,X表示所有样本,N为样本总数。
进一步地,所述步骤3中,源域和目标域的转换过程包括,原图经过拉普拉斯算子进行边缘特征提取,再转换为脉冲形式,最后结合原图转换的脉冲形式图片,得到最终的编码后的图。
进一步地,所述域迁移损失采用核中心对齐方法。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1.适用于现实办公设备图像在不同噪声及分辨率情况下的脉冲迁移学习策略。
2.该方法结合脉冲神经网络的优点,解决了办公设备识别技术在实际应用场景下,对于不同场景下所采集的图片数据都需要重新标注训练的问题,节省了标注数据所需要的人力,提高了图像分类应用的效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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,还可以根据这些附图获得其他相关的附图,其中:
图1是本发明的无噪声图片举例;
图2是本发明的高分辨率低噪声图片举例;
图3是本发明的低分辨率白噪声图片举例;
图4是本发明的网络结构示意图;
图5是本发明的编码层操作示意图;
图6是本发明的脉冲时序特征处理流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明,即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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合实施例对本发明的特征和性能作进一步的详细描述。
实施例一
一种基于脉冲迁移学习的办公设备识别方法,包括以下步骤:
步骤1、根据迁移学习任务,将干净背景、高分辨率、无噪音的有标注的办公设备图像作为源域,如图1所示,实际应用场景图像作为目标域,如图2,图3所示;
步骤2、初始化脉冲神经网络参数,包括突触连接权重、脉冲点火阈值、延迟常数、学习率和时间窗口长度,得到初始状态的迁移学习网络模型;
步骤3、将源域和目标域转换为脉冲形式的图片,并输入至步骤2中的初始状态的迁移学习网络模型中,并正向传播;根据域迁移损失以及分类损失,使用Adamax优化器进行整个网络的训练,直到模型收敛或达到最大迭代次数,得到训练好的迁移学习网络模型;
步骤4、保存训练好的迁移学习网络模型,将目标域的全部样本输入到训练好的迁移学习网络模型中,预测得到最终的分类结果。
实施例二
本实施例在实施例一的基础上,
如图4所示;所述步骤2或步骤3中的迁移学***均池化层,以及两个全连接层,最后的分类层为全连接层,其输出形状为批量样本数、类别数、时间窗口长度。
进一步地,所述步骤2或步骤3中的迁移学习网络模型均同时接收源域和目标域的数据XS和XT,首先经过编码层将图片转换为脉冲形式得到XS_e和XT_e,再经过特征层进行特征提取;
特征层源域与目标域共享权值,得到各自的特征XS_f和XT_f,再根据域迁移损失反向传播训练网络,目的是训练网络同时从源域与目标域中学习出公共知识,令两个域被提取的特征在分布上更加接近;
同时,经过特征层得到的特征需要经过分类层得到最后的预测分类结果XS_c和XT_c,再经过分类损失反向传播训练网络,目的是训练分类层能够根据特征层提取的具有两个域公共知识的特征进行正确分类。
进一步地,分类损失使用多分类的交叉熵损失函数,其数学形式为:
其中,M为类别数量,yc是指示变量若该类别与样本的类别相同就是1,否则为0,pc为对于观测样本属于类别的预测概率,X表示所有样本,N为样本总数。
如图5、图6所示,所述步骤3中,源域和目标域的转换过程包括,原图经过拉普拉斯算子进行边缘特征提取,再转换为脉冲形式,最后结合原图转换的脉冲形式图片,得到最终的编码后的图。
如图6所示,所述步骤3中,计算域迁移损失时,一方面将特征层提取的特征在时间维进行加和得到特征层的频率表示,再将其带入核中心对齐函数计算域迁移损失;另一方面,被提取的特征继续正向传播进入分类层。
进一步地,所述拉普拉斯算子为:
拉普拉斯矩阵为:
通过拉普拉斯矩阵进行卷积操作,即可提取图片边缘;在经过特征层后,将脉冲时序特征通过求和的方式转为频域特征,再将源域和目标域的频域特征输入域迁移损失进行计算。
进一步地,所述域迁移损失的核中心对齐函数为:
其中,
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明的保护范围,任何熟悉本领域的技术人员在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于脉冲迁移学习的办公设备识别方法,其特征在于:包括以下步骤:
步骤1、根据迁移学习任务,将干净背景、高分辨率、无噪音的有标注的办公设备图像作为源域,实际应用场景所采集的不同分辨率及噪声图像作为目标域;
步骤2、初始化脉冲神经网络参数,包括突触连接权重、脉冲点火阈值、延迟常数、学习率和时间窗口长度,得到初始状态的迁移学习网络模型;
步骤3、将源域和目标域转换为脉冲形式的图片,并输入至步骤2中的初始状态的迁移学习网络模型中,并正向传播;根据域迁移损失以及分类损失,使用Adamax优化器进行整个网络的训练,直到模型收敛或达到最大迭代次数,得到训练好的迁移学习网络模型;
步骤4、保存训练好的迁移学习网络模型,将目标域的全部样本输入导训练好的迁移学习网络模型中,预测得到最终的分类结果;
所述步骤2或步骤3中的迁移学***均池化层,以及两个全连接层,最后的分类层为全连接层,其输出形状为:批量样本数,类别数,时间窗口长度;
所述步骤2或步骤3中的迁移学习网络模型均同时接收源域和目标域的数据Xs和XT,首先经过编码层将图片转换为脉冲形式得到XS_e和XT_e,再经过特征层进行特征提取;
特征层源域与目标域共享权值,得到各自的特征XS_f和XT_f,再根据域迁移损失反向传播训练网络,目的是训练网络同时从源域与目标域中学习出公共知识,令两个域被提取的特征在分布上更加接近;
同时,经过特征层得到的特征需要经过分类层得到最后的预测分类结果XS_c和XT_c,再经过分类损失反向传播训练网络,目的是训练分类层能够根据特征层提取的具有两个域公共知识的特征进行正确分类。
3.根据权利要求1所述的一种基于脉冲迁移学习的办公设备识别方法,其特征在于:所述步骤3中,源域和目标域的转换过程包括,原图经过拉普拉斯算子进行边缘特征提取,在经过特征层后,将脉冲时序特征通过求和的方式转为频域特征,再将源域和目标域的频域特征输入域迁移损失进行计算;再转换为脉冲形式,最后结合原图转换的脉冲形式图片,得到最终的编码后的图。
4.根据权利要求3所述的一种基于脉冲迁移学习的办公设备识别方法,其特征在于:所述域迁移损失采用核中心对齐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110741347.1A CN113553917B (zh) | 2021-06-30 | 2021-06-30 | 一种基于脉冲迁移学习的办公设备识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110741347.1A CN113553917B (zh) | 2021-06-30 | 2021-06-30 | 一种基于脉冲迁移学习的办公设备识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113553917A CN113553917A (zh) | 2021-10-26 |
CN113553917B true CN113553917B (zh) | 2023-04-28 |
Family
ID=78102638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110741347.1A Active CN113553917B (zh) | 2021-06-30 | 2021-06-30 | 一种基于脉冲迁移学习的办公设备识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113553917B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116910594B (zh) * | 2023-09-14 | 2023-12-01 | 青岛明思为科技有限公司 | 一种基于脉冲神经网络的滚动轴承故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110220709A (zh) * | 2019-06-06 | 2019-09-10 | 北京科技大学 | 基于cnn模型和迁移学习的滚动轴承故障诊断方法 |
CN110717526A (zh) * | 2019-09-23 | 2020-01-21 | 华南理工大学 | 一种基于图卷积网络的无监督迁移学习方法 |
CN112396119A (zh) * | 2020-11-25 | 2021-02-23 | 上海商汤智能科技有限公司 | 一种图像处理方法及装置、电子设备和存储介质 |
CN112926547A (zh) * | 2021-04-13 | 2021-06-08 | 北京航空航天大学 | 飞行器电信号分类和识别的小样本迁移学习方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190354850A1 (en) * | 2018-05-17 | 2019-11-21 | International Business Machines Corporation | Identifying transfer models for machine learning tasks |
US20190362226A1 (en) * | 2018-05-23 | 2019-11-28 | International Business Machines Corporation | Facilitate Transfer Learning Through Image Transformation |
-
2021
- 2021-06-30 CN CN202110741347.1A patent/CN113553917B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110220709A (zh) * | 2019-06-06 | 2019-09-10 | 北京科技大学 | 基于cnn模型和迁移学习的滚动轴承故障诊断方法 |
CN110717526A (zh) * | 2019-09-23 | 2020-01-21 | 华南理工大学 | 一种基于图卷积网络的无监督迁移学习方法 |
CN112396119A (zh) * | 2020-11-25 | 2021-02-23 | 上海商汤智能科技有限公司 | 一种图像处理方法及装置、电子设备和存储介质 |
CN112926547A (zh) * | 2021-04-13 | 2021-06-08 | 北京航空航天大学 | 飞行器电信号分类和识别的小样本迁移学习方法 |
Non-Patent Citations (2)
Title |
---|
Yihan Xiao等.radar signal recognition based on transfer learning and feature fusion.Mobile networks and applications.2019,1563-1571. * |
纪坤华 ; 廖天明 ; 陈新 ; .基于迁移学习的电能质量扰动分类方法研究.电气时代.2018,(第09期),57-58. * |
Also Published As
Publication number | Publication date |
---|---|
CN113553917A (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tian et al. | Designing and training of a dual CNN for image denoising | |
CN108133188B (zh) | 一种基于运动历史图像与卷积神经网络的行为识别方法 | |
CN109345508B (zh) | 一种基于两阶段神经网络的骨龄评价方法 | |
CN110232341B (zh) | 基于卷积-堆叠降噪编码网络的半监督学习图像识别方法 | |
CN107832787B (zh) | 基于双谱自编码特征的雷达辐射源识别方法 | |
CN112307958A (zh) | 基于时空外观运动注意力网络的微表情识别方法 | |
CN114492574A (zh) | 基于高斯均匀混合模型的伪标签损失无监督对抗域适应图片分类方法 | |
CN114283287B (zh) | 基于自训练噪声标签纠正的鲁棒领域自适应图像学习方法 | |
CN111858989A (zh) | 一种基于注意力机制的脉冲卷积神经网络的图像分类方法 | |
CN109743642B (zh) | 基于分层循环神经网络的视频摘要生成方法 | |
CN109242097B (zh) | 无监督学习的视觉表示学习***及方法 | |
CN111738169A (zh) | 一种基于端对端网络模型的手写公式识别方法 | |
CN110728629A (zh) | 一种用于对抗攻击的图像集增强方法 | |
CN107480723B (zh) | 基于局部二进制阈值学习网络的纹理识别方法 | |
CN112733965A (zh) | 一种基于小样本学习的无标签图像分类方法 | |
Bawane et al. | Object and character recognition using spiking neural network | |
CN111079514A (zh) | 一种基于clbp和卷积神经网络的人脸识别方法 | |
CN114186672A (zh) | 一种用于脉冲神经网络的高效高精度训练算法 | |
CN114428234A (zh) | 基于gan和自注意力的雷达高分辨距离像降噪识别方法 | |
CN115563327A (zh) | 基于Transformer网络选择性蒸馏的零样本跨模态检索方法 | |
CN115062727A (zh) | 一种基于多阶超图卷积网络的图节点分类方法及*** | |
CN113553917B (zh) | 一种基于脉冲迁移学习的办公设备识别方法 | |
CN115995040A (zh) | 一种基于多尺度网络的sar图像小样本目标识别方法 | |
CN114780767A (zh) | 一种基于深度卷积神经网络的大规模图像检索方法及*** | |
CN109284765A (zh) | 基于负值特征的卷积神经网络的自然图像分类方法 |
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 |