CN114037739A - 一种基于机器学习的流场特征提取方法、装置及存储介质 - Google Patents
一种基于机器学习的流场特征提取方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114037739A CN114037739A CN202111267376.5A CN202111267376A CN114037739A CN 114037739 A CN114037739 A CN 114037739A CN 202111267376 A CN202111267376 A CN 202111267376A CN 114037739 A CN114037739 A CN 114037739A
- Authority
- CN
- China
- Prior art keywords
- flow field
- weak classifier
- vortex
- weak
- machine learning
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种基于机器学习的流场特征提取方法、装置及存储介质,方法包括构建训练样本、利用Adaboost迭代算法,针对训练样本训练四个维度的弱分类器并确定各个弱分类器的权重,四个弱分类器包括基于识别压力的局部最小值或涡度的局部最大值的局部技术的第一弱分类器、基于归一化螺旋度的技术、基于速度梯度张量J的涡旋检测方法的第二弱分类器、基于Δ、Q和λ2检测器表达式中出现的各种项的维数一致性来确定等效阈值的方法构建的第三弱分类器以及基于固定点的涡流识别方法的第四弱分类器;通过Adaboost集成学习算法将第一弱分类器、第二弱分类器、第三弱分类器和第四弱分类器进行集成得到复合分类器。该方法能提高涡旋分类的精准度和鲁棒性。
Description
技术领域
本申请涉及流场分析技术领域,尤其涉及一种基于机器学习的流场特征提取方法、装置及存储介质。
背景技术
可视化技术是可以应用于众多领域的技术,随着应用领域的增加,可视化技术从简单的绘制数据图表发展到绘制3D图形或通过图形展示数据的训练过程和结果,可视化技术拥有强大的可延展性和可读性。
但是随着数据集的增加,可视化技术需要处理的数据也是海量增加的,因此海量数据下的数据分类是可视化技术中很重要的关键点,数据分类的准确性和鲁棒性直接决定着可视化结果的精确度,但是在数亿级海量数据背景下,数据分类经常出现错误分类或稳定性差的问题,因此有必要针对这类问题进行改进。
发明内容
为了解决上述背景技术提到的技术问题或者至少部分地解决上述技术问题,本申请提供一种基于机器学习的流场特征提取方法、装置及存储介质,提高涡旋分类的精准度和鲁棒性。
第一方面,本申请提供了一种基于机器学习的流场特征提取方法,包括以下步骤:
步骤S1,构建训练样本:使用弱分类器将涡旋流场进行可视化,识别并分离可视化涡旋流场中包含涡旋的候选流场区域;
在所述候选流场区域中,通过迭代调整流线和参考系的位置,同时添加均匀的平移速度,生成闭合或螺旋的连续流线;
根据所述连续流线标记包含在涡旋流场区域中的点并输出标签集;
步骤S2,集成弱分类器:利用Adaboost迭代算法,针对所述训练样本训练多个弱分类器并确定各个弱分类器的权重,多个所述弱分类器包括基于识别压力的局部最小值或涡度的局部最大值的局部技术构建的第一弱分类器、基于归一化螺旋度的技术、基于速度梯度张量J的涡旋检测方法构建的第二弱分类器、基于Δ、Q和λ2检测器表达式中出现的各种项的维数一致性来确定等效阈值的方法构建的第三弱分类器以及基于固定点的涡流识别方法构建的第四弱分类器;
步骤S3,通过Adaboost集成学习算法将第一弱分类器、第二弱分类器、第三弱分类器和第四弱分类器进行集成,得到复合分类器。
优选的,基于机器学习的流场特征提取方法还包括:将待检测的流场数据输入到所述复合分类器中,得到涡旋检测结果。
优选的,基于机器学习的流场特征提取方法还包括:输出并显示所述检测结果。
优选的,Adaboost集成学习算法通过最小化指数损失惩罚函数来集成所述第一弱分类器、所述第二弱分类器、所述第三弱分类器和所述第四弱分类器。
优选的,根据所述连续流线标记包含在涡旋流场区域中的点并输出标签集,具体包括:手动选择位于识别的包含涡旋的连续空间区域的网格节点,根据选择结果输出标签集合。
优选的,根据所述连续流线标记包含在涡旋流场区域中的点并输出标签集,具体包括:
使用几何图形框选三维区域,将三维区域上的点投影到视图平面上,同时标记包含在几何图形内切椭圆区域的点,在此期间,涡旋轴与视图平面的法线保持对齐;
使用带有二进制标志的选择工具标记包含在涡旋流场区域中的点并输出标签集。
第二方面,本申请还提供了一种基于机器学习的流场特征提取装置,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的所述程序指令以实现如第一方面中任一技术方案所述的基于机器学习的流场特征提取方法。
第三方面,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有程序代码,所述程序代码用于实现如第一方面中任一技术方案所述的基于机器学习的流场特征提取方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:本申请实施例提供的一种基于机器学习的流场特征提取方法,将Adaboost方法和弱分类器相结合,通过不同的弱分类器从四个维度进行局部涡旋检测,并通过Adaboost算法将四个不同的弱分类器进行集成,自适应调整附加在每个分类器上的权重,形成一个复合分类器,集成过程中由专门构建的训练样本对复合分类器进行训练,直到找到一个可以最大精度和稳定的对涡旋和非涡旋进行分类的权重分配值,提高数据分类的精准度和鲁棒性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于机器学习的流场特征提取方法的流程示意图;
图2为基于机器学习的流场特征提取方法的原理示意图;
图3为基于机器学习的流场特征提取装置的组成示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通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,都属于本申请保护的范围。
为了便于理解,下面对本申请实施例提供的一种基于机器学习的流场特征提取方法进行详细介绍,参见图1,一种基于机器学习的流场特征提取方法,包括以下步骤:
步骤S1,构建训练样本:使用弱分类器将涡旋流场进行可视化,识别并分离可视化涡旋流场中包含涡旋的候选流场区域;
在所述候选流场区域中,通过迭代调整流线和参考系的位置,同时添加均匀的平移速度,生成闭合或螺旋的连续流线;
根据所述连续流线标记包含在涡旋流场区域中的点并输出标签集;
在此步骤中,提取训练样本的涡旋,进行训练样本的标定,主要方法为在与涡旋一起运动的参考系中寻找闭合或螺旋流线型的连贯涡旋,进而划定包含涡旋的候选区域,专家通过迭代调整流线和参考系的位置和平移速度,最终产生连续的涡旋。
首先使用弱分类器将涡旋流场进行可视化,然后通过使用导出量λ2的等值面来识别包含涡旋的流场区域,将可以定位涡旋的流场区域进行分离。然后再引入流线和参考系,通过迭代调整流线和参考系的位置,同时添加均匀的平移速度,直到生成一组闭合或螺旋的连续流线。最后通过专家手动择位于识别的包含涡旋的连续空间区域的网格节点,或者使用几何图形框选三维区域,将三维区域上的点投影到视图平面上,同时标记包含在几何图形内切椭圆区域的点,在此期间,涡旋轴必须视图平面的法线对齐,并使用带有二进制标志(比如用0表示否,1表示是)的选择工具标记包含在涡旋流场区域中的点并输出标签集,以加速标记步骤。
在本申请的一些具体实施例中,根据所述连续流线标记包含在涡旋流场区域中的点并输出标签集,具体包括:手动选择位于识别的包含涡旋的连续空间区域的网格节点,根据选择结果输出标签集合。
在本申请的一些具体实施例中,根据所述连续流线标记包含在涡旋流场区域中的点并输出标签集,具体包括:使用几何图形框选三维区域,将三维区域上的点投影到视图平面上,同时标记包含在几何图形内切椭圆区域的点,在此期间,涡旋轴与视图平面的法线保持对齐;使用带有二进制标志的选择工具标记包含在涡旋流场区域中的点并输出标签集。
至此,完成对训练样本的标定。
步骤S2,集成弱分类器:利用Adaboost迭代算法,针对所述训练样本训练多个弱分类器并确定各个弱分类器的权重,多个所述弱分类器包括基于识别压力的局部最小值或涡度的局部最大值的局部技术构建的第一弱分类器、基于归一化螺旋度的技术、基于速度梯度张量J的涡旋检测方法构建的第二弱分类器、基于Δ(Δ准则)、Q(Q准则)和λ2(λ2方法)检测器表达式中出现的各种项的维数一致性来确定等效阈值的方法构建的第三弱分类器以及基于固定点的涡流识别方法构建的第四弱分类器;
在此步骤中,依据标记的训练样本对四个不同维度(维度分别为Q,λ2,Δ,γ)的弱分类器集成进行训练。弱分类器即局部涡旋分类器,可以一定程度上完成涡旋与非涡旋的分类。基于识别压力局部最小值或涡度局部最大值的局部技术以及基于归一化螺旋度的技术是一种度量和速度矢量,可以有限的鉴别涡旋。基于拓扑的方法试图利用含涡运动的平面,也就是涡核的速度场存在一个临界点。
Q准则是通过观测得到的一种准则,在的区域,旋转超过应变,同时结合压力最小值,这表明存在涡。Δ准则假设一个涡旋发生的区域的特征值J包括一个复共轭对,相对较大的流量区域可以满足Δ准则。当Δ>0时,利用复共轭对特征值的虚部来估计涡旋的“旋转强度”。λ2方法定义了一个涡旋,这个涡旋是一个λ2<0的连接区域,其中λ1≤λ2≤λ3是S2+Ω2的特征值。该方法的关键关系是在不稳定的压力可以忽略不计的前提下,Hessian压强和S2+Ω2数量的等式可以由不可压缩的Navier-Stokes方程推导出来。经过严格推导,λ2方法是基于涡旋位于旋转诱导压力最小值发生的区域的假设。λ2方法与Q准则强相关,因为它会因局部变化和旋转发生变形。
Q准则、Δ准则和λ2方法的实现通常都包括某种类型的阈值化,考虑确定不同方法的阈值的问题,根据出现在Δ、Q和λ2检测器表达式中的各种项的维数一致性,现有技术中有一种用于确定等效阈值的指南。
步骤S3,通过Adaboost集成学习算法将第一弱分类器、第二弱分类器、第三弱分类器和第四弱分类器进行集成,得到复合分类器。
在此步骤中,Adaboost集成学习算法以成对的标签和数据样本(x1,y1),......,(xn,yn)作为数据输入,其中yi=±1是数据标签,特征向量{xi}在R中编码,维度分别为Q,λ2,Δ,γ。
在本申请的一些具体实施例中,基于机器学习的流场特征提取方法还包括:将待检测的流场数据输入到所述复合分类器中,得到涡旋检测结果。检测结果即检测出流场数据中的涡旋数据和非涡旋数据。
在本申请的一些具体实施例中,基于机器学习的流场特征提取方法还包括:输出并显示所述检测结果。
将复合分类器的训练过程、训练结果(即检测结果)进行可视化,通过可视结果观察流程数据的图形表现形式,用于数据分析和理解。
在本申请的一些具体实施例中,Adaboost集成学习算法通过最小化指数损失惩罚函数来集成所述第一弱分类器、所述第二弱分类器、所述第三弱分类器和所述第四弱分类器。
本申请实施例提供的一种基于机器学习的流场特征提取方法,其整体流程原理图参见图2,利用专家标记的训练样本训练四种不同维度的弱分类器(如图2中所示的弱分类器1、弱分类器2、弱分类器3以及弱分类器4,即上述实施例中的第一至第四弱分类器)进行集成训练,确定各个弱分类器的权重(分别记为权重1、权重2、权重3以及权重4),然后通过最小化指数损失惩罚函数聚合上述四个弱分类器,得到复合分类器,并可视化该复合分类器,实现漩涡与非漩涡的可视界面。该基于机器学习的流场特征提取方法将Adaboost方法和弱分类器相结合,通过不同的弱分类器从四个维度进行局部涡旋检测,并通过Adaboost算法将四个不同的弱分类器进行集成,自适应调整附加在每个分类器上的权重(具体过程为Adaboost算法在迭代序列中重复对四个弱分类器施加不同的权重测试训练,在每次迭代训练中,适度增加每个错误分类案例的权重,让新的分类器将重点更多的放在这些错误分类案例的处理上),形成一个复合分类器,集成过程中由专门构建的训练样本对复合分类器进行训练,直到找到一个可以最大精度和稳定的对涡旋和非涡旋进行分类的权重分配值,提高数据分类的精准度和鲁棒性。
在本申请的又一些具体实施例中,参见图3,还提供了一种基于机器学习的流场特征提取装置100,包括:
存储器200,用于存储程序指令;
处理器300,用于调用所述存储器中存储的所述程序指令以实现如上述任一实施例所述的基于机器学习的流场特征提取方法。
在本申请的又一些具体实施例中,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有程序代码,所述程序代码用于实现如上述任一实施例所述的基于机器学习的流场特征提取方法。
基于机器学习的流场特征提取装置以及计算机可读存储介质的工作原理与上述基于机器学习的流场特征提取方法的工作原理相同,这里不再赘述。
需要说明的是,在本文中,诸如“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。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于机器学习的流场特征提取方法,其特征在于,包括以下步骤:
步骤S1,构建训练样本:使用弱分类器将涡旋流场进行可视化,识别并分离可视化涡旋流场中包含涡旋的候选流场区域;
在所述候选流场区域中,通过迭代调整流线和参考系的位置,同时添加均匀的平移速度,生成闭合或螺旋的连续流线;
根据所述连续流线标记包含在涡旋流场区域中的点并输出标签集;
步骤S2,集成弱分类器:利用Adaboost迭代算法,针对所述训练样本训练多个弱分类器并确定各个弱分类器的权重,多个所述弱分类器包括基于识别压力的局部最小值或涡度的局部最大值的局部技术构建的第一弱分类器、基于归一化螺旋度的技术、基于速度梯度张量J的涡旋检测方法构建的第二弱分类器、基于Δ、Q和λ2检测器表达式中出现的各种项的维数一致性来确定等效阈值的方法构建的第三弱分类器以及基于固定点的涡流识别方法构建的第四弱分类器;
步骤S3,通过Adaboost集成学习算法将第一弱分类器、第二弱分类器、第三弱分类器和第四弱分类器进行集成,得到复合分类器。
2.根据权利要求1所述的基于机器学习的流场特征提取方法,其特征在于,还包括:将待检测的流场数据输入到所述复合分类器中,得到涡旋检测结果。
3.根据权利要求2所述的基于机器学习的流场特征提取方法,其特征在于,还包括:输出并显示所述检测结果。
4.根据权利要求1所述的基于机器学习的流场特征提取方法,其特征在于,Adaboost集成学习算法通过最小化指数损失惩罚函数来集成所述第一弱分类器、所述第二弱分类器、所述第三弱分类器和所述第四弱分类器。
5.根据权利要求1所述的基于机器学习的流场特征提取方法,其特征在于,根据所述连续流线标记包含在涡旋流场区域中的点并输出标签集,具体包括:手动选择位于识别的包含涡旋的连续空间区域的网格节点,根据选择结果输出标签集合。
6.根据权利要求1所述的基于机器学习的流场特征提取方法,其特征在于,根据所述连续流线标记包含在涡旋流场区域中的点并输出标签集,具体包括:
使用几何图形框选三维区域,将三维区域上的点投影到视图平面上,同时标记包含在几何图形内切椭圆区域的点,在此期间,涡旋轴与视图平面的法线保持对齐;
使用带有二进制标志的选择工具标记包含在涡旋流场区域中的点并输出标签集。
7.一种基于机器学习的流场特征提取装置,其特征在于,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的所述程序指令以实现如权利要求1至6中任一项所述的基于机器学习的流场特征提取方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有程序代码,所述程序代码用于实现如权利要求1至6中任一项所述的基于机器学习的流场特征提取方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111267376.5A CN114037739A (zh) | 2021-10-29 | 2021-10-29 | 一种基于机器学习的流场特征提取方法、装置及存储介质 |
PCT/CN2022/117102 WO2023071535A1 (zh) | 2021-10-29 | 2022-09-05 | 一种基于机器学习的流场特征提取方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111267376.5A CN114037739A (zh) | 2021-10-29 | 2021-10-29 | 一种基于机器学习的流场特征提取方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114037739A true CN114037739A (zh) | 2022-02-11 |
Family
ID=80135675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111267376.5A Pending CN114037739A (zh) | 2021-10-29 | 2021-10-29 | 一种基于机器学习的流场特征提取方法、装置及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114037739A (zh) |
WO (1) | WO2023071535A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023071535A1 (zh) * | 2021-10-29 | 2023-05-04 | 齐鲁工业大学 | 一种基于机器学习的流场特征提取方法、装置及存储介质 |
CN116069743A (zh) * | 2023-03-06 | 2023-05-05 | 齐鲁工业大学(山东省科学院) | 一种基于时序特征的流体数据压缩方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118171207B (zh) * | 2024-05-13 | 2024-07-16 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于涡量和雷诺数映射关系的三维流场智能分类方法 |
CN118280229A (zh) * | 2024-06-03 | 2024-07-02 | 中国海洋大学 | 一种自适应led球形显示设备的二维流场可视化方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008217589A (ja) * | 2007-03-06 | 2008-09-18 | Toshiba Corp | 学習装置及びパターン認識装置 |
CN109086791A (zh) * | 2018-06-25 | 2018-12-25 | 阿里巴巴集团控股有限公司 | 一种二分类器的训练方法、装置、及计算机设备 |
CN110378389A (zh) * | 2019-06-24 | 2019-10-25 | 苏州浪潮智能科技有限公司 | 一种Adaboost分类器计算机创建装置 |
CN113221475B (zh) * | 2021-04-02 | 2024-08-09 | 南京航空航天大学 | 一种用于高精度流场分析的网格自适应方法 |
CN114037739A (zh) * | 2021-10-29 | 2022-02-11 | 齐鲁工业大学 | 一种基于机器学习的流场特征提取方法、装置及存储介质 |
-
2021
- 2021-10-29 CN CN202111267376.5A patent/CN114037739A/zh active Pending
-
2022
- 2022-09-05 WO PCT/CN2022/117102 patent/WO2023071535A1/zh unknown
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023071535A1 (zh) * | 2021-10-29 | 2023-05-04 | 齐鲁工业大学 | 一种基于机器学习的流场特征提取方法、装置及存储介质 |
CN116069743A (zh) * | 2023-03-06 | 2023-05-05 | 齐鲁工业大学(山东省科学院) | 一种基于时序特征的流体数据压缩方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2023071535A1 (zh) | 2023-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114037739A (zh) | 一种基于机器学习的流场特征提取方法、装置及存储介质 | |
Pratondo et al. | Robust edge-stop functions for edge-based active contour models in medical image segmentation | |
Post et al. | The state of the art in flow visualisation: Feature extraction and tracking | |
CN103632159B (zh) | 训练分类器、图像中文字区域检测的方法及*** | |
Li et al. | HEGM: A hierarchical elastic graph matching for hand gesture recognition | |
CN106845358A (zh) | 一种手写体字符图像特征识别的方法及*** | |
Chen et al. | Vessel attachment nodule segmentation using integrated active contour model based on fuzzy speed function and shape–intensity joint Bhattacharya distance | |
CN112488127B (zh) | 基于层次b样条的多尺度点云特征点检测与匹配 | |
CN114970530A (zh) | 针对基于机器学习命名实体识别的弱监督训练的基于图的标记规则扩充 | |
Cuissa et al. | Innovative and automated method for vortex identification-I. Description of the SWIRL algorithm | |
Horvath et al. | A higher-order active contour model of a ‘gas of circles’ and its application to tree crown extraction | |
Golubitsky et al. | Toward affine recognition of handwritten mathematical characters | |
JP6531025B2 (ja) | 単語拡張装置、分類装置、機械学習装置、方法、及びプログラム | |
Joren et al. | Learning document graphs with attention for image manipulation detection | |
Sharma et al. | Machine-learning classification of two-dimensional vortex configurations | |
CN115273177A (zh) | 异质人脸的人脸类型识别方法、装置、设备及存储介质 | |
CN109977729A (zh) | 一种文本检测方法及装置 | |
Wang et al. | Mathematical model design of the traditional dress recognition algorithm based on digital watermarking technology | |
Vishnu et al. | Principal component analysis on Indian currency recognition | |
Lim et al. | Definition and Automatic Extraction Performance Analysis of Stroke Elements in the English Alphabet | |
Mandal et al. | Detection of concave points in closed object boundaries aiming at separation of overlapped objects | |
Alwaely et al. | Graph spectral domain feature representation for in-air drawn number recognition | |
Andaló et al. | Detecting contour saliences using tensor scale | |
Avatavului et al. | A Hierarchical Cluster Tree Approach Leveraging Delaunay Triangulation | |
Engel et al. | Scale-invariant medial features based on gradient vector flow fields |
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 |