CN114494055A - 基于循环神经网络的鬼成像方法、***、设备及存储介质 - Google Patents
基于循环神经网络的鬼成像方法、***、设备及存储介质 Download PDFInfo
- Publication number
- CN114494055A CN114494055A CN202210062731.3A CN202210062731A CN114494055A CN 114494055 A CN114494055 A CN 114494055A CN 202210062731 A CN202210062731 A CN 202210062731A CN 114494055 A CN114494055 A CN 114494055A
- Authority
- CN
- China
- Prior art keywords
- target
- neural network
- recurrent neural
- network
- sequence
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 90
- 238000003384 imaging method Methods 0.000 title claims abstract description 48
- 230000000306 recurrent effect Effects 0.000 claims abstract description 84
- 238000001514 detection method Methods 0.000 claims abstract description 72
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000015654 memory Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims 3
- 238000005070 sampling Methods 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 6
- 239000000523 sample Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
基于循环神经网络的鬼成像方法、***、设备及存储介质,方法包括:将一套随机散斑序列与训练集内的目标作用,使每个目标得到相应的桶探测信号序列;将每个目标的桶探测信号序列与相应的随机散斑序列进行拼接处理,得到探测序列;将训练集内的真实目标作为循环神经网络的训练目标,利用真实目标对应的探测序列作为第一网络输入序列训练循环神经网络,获取训练好的循环神经网络;使用训练循环神经网络时的同一套随机散斑对目标区域进行探测,并将随机散斑与桶探测信号序列经过拼接处理得到第二网络输入序列;将第二网络输入序列输入训练好的循环神经网络中,输出目标图像。本发明可以在低采样率下利用循环神经网络快速输出高分辨率的目标图像。
Description
技术领域
本发明涉及鬼成像技术领域,具体涉及一种基于循环神经网络的鬼成像方法、***、设备及存储介质。
背景技术
鬼成像又称关联成像,是利用复合探测恢复待测物体空间信息的一种新型成像技术。与传统的成像技术相比,现有的成像技术主要利用光场的一阶关联信息(强度与位相),而经典鬼成像利用光场的二阶关联,被认为是一种强度波动的统计相关。其成像过程为,利用多个散斑对目标进行照射,收集桶探测信号,再用散斑和收集到的桶探测信号进行关联运算得到目标图像。此方法即为鬼成像领域中的基本相关法,该方法的优点是操作简单,缺点是成像分辨率较低,需要进行多次探测才可以得到较高分辨率图像。而多次探测则会带来较大的时间消耗,这也限制了鬼成像方法的应用前景。
发明内容
本发明的目的在于针对上述现有技术中的问题,提供一种基于循环神经网络的鬼成像方法、***、设备及存储介质,实现在较低采样率下可以快速重构出清晰的目标图像。
为了实现上述目的,本发明有如下的技术方案:
一种基于循环神经网络的鬼成像方法,包括以下步骤:
将一套随机散斑序列与训练集内的目标作用,使每个目标得到相应的桶探测信号序列;
将每个目标的桶探测信号序列与相应的随机散斑序列进行拼接处理,得到探测序列;
将训练集内的真实目标作为循环神经网络的训练目标,利用真实目标对应的探测序列作为第一网络输入序列训练循环神经网络,获取训练好的循环神经网络;
使用训练循环神经网络时的同一套随机散斑对目标区域进行探测,并将随机散斑与桶探测信号序列经过拼接处理得到第二网络输入序列;
将第二网络输入序列输入训练好的循环神经网络中,输出目标图像。
作为优选,所述将每个目标的桶探测信号序列与相应的随机散斑序列进行拼接处理的步骤中,拼接处理的过程是先将二维散斑调整为一维结构,再将其对应的桶探测信号拼接到一维结构上并作为一次探测结果。
更进一步的,所述探测序列为目标多次与不同散斑作用后并经过拼接处理得到的相应探测序列。
作为优选,所述的循环神经网络采用长短期记忆网络,在训练网络时,将目标作为网络训练的标签,将得到的多个探测序列作为网络的输入数据,网络的输出为预测的目标图像。
更进一步的,所述的循环神经网络根据预测的目标图像和待识别目标计算损失函数,通过优化损失来更新网络参数;
所述损失函数表示为:
Lossrec=F(yi,yp)
式中,yi为目标,yp为预测的目标图像,F用于计算yi与yp之间误差。
作为优选,所述利用真实目标对应的探测序列作为第一网络输入序列训练循环神经网络包括:
将所述探测序列作为循环神经网络的输入,得到预测待识别目标图像;
将待识别目标作为网络训练的目标,计算预测目标图像与目标之间的损失,通过优化损失来更新网络参数,直到损失或迭代次数达到某一预设值。
作为优选,所述的桶探测信号采用桶探测器或者单一天线接收获得。
一种基于循环神经网络的鬼成像***,包括:
散斑作用模块,用于将一套随机散斑序列与训练集内的目标作用,使每个目标得到相应的桶探测信号序列;
预处理模块,用于将每个目标的桶探测信号序列与相应的随机散斑序列进行拼接处理,得到探测序列;
网络训练模块,用于将训练集内的真实目标作为循环神经网络的训练目标,利用真实目标对应的探测序列作为第一网络输入序列训练循环神经网络,获取训练好的循环神经网络;
目标探测模块,用于使用训练循环神经网络时的同一套随机散斑对目标区域进行探测,并将随机散斑与桶探测信号序列经过拼接处理得到第二网络输入序列;
目标识别模块,用于将第二网络输入序列输入训练好的循环神经网络中,输出目标图像。
一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现如权利要求1至7中任意一项所述基于循环神经网络的鬼成像方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现所述基于循环神经网络的鬼成像方法。
相较于现有技术,本发明至少具有如下有益效果:
本发明鬼成像方法将训练集内的真实目标作为循环神经网络的训练目标,利用真实目标对应的探测序列作为第一网络输入序列训练循环神经网络,获取训练好的循环神经网络。再使用训练循环神经网络时的同一套随机散斑对目标区域进行探测,并将随机散斑与桶探测信号序列经过拼接处理得到第二网络输入序列,将第二网络输入序列输入训练好的循环神经网络中,输出目标图像,可以在低采样率下利用循环神经网络快速输出高分辨率的目标图像。
附图说明
图1为本申请实施例提供的一种基于循环神经网络的鬼成像方法的流程图;
图2为本申请实施例以手写数字为目标的鬼成像示意图;
图3为本申请实施例提供的一种基于循环神经网络的鬼成像***结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明提供的一种基于循环神经网络的鬼成像方法较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
一种基于循环神经网络的鬼成像方法,包括以下步骤:
S1、将一套随机散斑序列与训练集内的目标作用,使每个目标得到相应的桶探测信号序列。对于每个目标来说,与一个散斑作用一次就会产生一个相应桶探测信号。
S2、将每个目标的桶探测信号序列与相应的随机散斑序列进行拼接处理,得到探测序列。拼接处理的过程是先将二维散斑调整为一维结构,再将其对应的桶探测信号拼接到一维结构上并作为一次探测结果。目标多次与不同散斑作用后并经过拼接处理得到相应的探测序列。
S3、将训练集内的真实目标作为循环神经网络的训练目标,利用真实目标对应的探测序列作为第一网络输入序列训练循环神经网络,获取训练好的循环神经网络。
本实施例中的循环神经网络是一类以序列数据为输入,在序列的演进方向上进行递归且循环单元按链式连接的递归神经网络,循环神经网络具有记忆性,因此其优点是对于序列数据比较友好。在一种实施方案中,采用长短期记忆网络(Long Short-Term Memorynetworks,LSTM)作为要训练的网络。其中,LSTM是一种特殊的循环神经网络,主要用来解决普通循环神经网络中存在的长期依赖问题。在训练网络时,将目标作为网络训练的标签,将得到多个探测序列作为网络的输入数据,网络的输出为预测的目标图像。根据预测的目标图像和待识别目标计算损失函数。其损失函数可表示为:
Lossrec=F(yi,yp)
其中,yi为目标,yp为预测的目标图像,F用于计算yi与yp之间误差,可以是均方误差(MSE)或者结构相似性(SSIM),在本申请中不作任何限定。
本实施例利用真实目标对应的探测序列作为第一网络输入序列训练循环神经网络包括:
将所述探测序列作为循环神经网络的输入,得到预测待识别目标图像;
将待识别目标作为网络训练的目标,计算预测目标图像与目标之间的损失,通过优化损失来更新网络参数,直到损失或迭代次数达到某一预设值。
S4、使用训练循环神经网络时的同一套随机散斑对目标区域进行探测,并将随机散斑与桶探测信号序列经过拼接处理得到第二网络输入序列;
这里在对目标区域进行探测时,使用的散斑序列和网络训练阶段是同一套散斑序列,得到的桶探测信号序列与散斑序列进行拼接处理后得到目标区域的探测序列。
S5、将第二网络输入序列输入训练好的循环神经网络中,输出目标图像。
在一种可能的实施方式中,所述的桶探测信号采用桶探测器或者单一天线接收获得。
如图2所示,按照上述基于循环神经网络的鬼成像方法,目标依次经过桶探测、拼接处理得到探测序列,将探测序列输入到训练好的循环神经网络中,网络输出目标图像。
如图3所示,本发明实施例还提出一种基于循环神经网络的鬼成像***,包括:
散斑作用模块301,用于将一套随机散斑序列与训练集内的目标作用,使每个目标得到相应的桶探测信号序列;
预处理模块302,用于将每个目标的桶探测信号序列与相应的随机散斑序列进行拼接处理,得到探测序列;
网络训练模块303,用于将训练集内的真实目标作为循环神经网络的训练目标,利用真实目标对应的探测序列作为第一网络输入序列训练循环神经网络,获取训练好的循环神经网络;
目标探测模块304,用于使用训练循环神经网络时的同一套随机散斑对目标区域进行探测,并将随机散斑与桶探测信号序列经过拼接处理得到第二网络输入序列;
目标识别模块305,用于将第二网络输入序列输入训练好的循环神经网络中,输出目标图像。
由于本申请基于循环神经网络的鬼成像***的各个功能模块与上述基于循环神经网络的鬼成像方法的实施例的步骤对应,因此,对于本申请基于循环神经网络的鬼成像***实施例中未披露的细节,请参照本公开上述的基于循环神经网络的鬼成像方法的实施例。
另一实施例还公开一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现所述基于循环神经网络的鬼成像方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现所述基于循环神经网络的鬼成像方法。
示例性的,所述存储器中存储的指令可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在计算机可读存储介质中,并由所述处理器执行,以完成本发明所述基于循环神经网络的鬼成像方法。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该指令段用于描述所述计算机程序在服务器中的执行过程。
所述电子设备可以是智能手机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述电子设备还可以包括更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理单元(CentraL Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(DigitaL SignaL Processor,DSP)、专用集成电路(AppLication Specific Integrated Circuit,ASIC)、现成可编程门阵列(FieLd-ProgrammabLe Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可以是所述服务器的内部存储单元,例如服务器的硬盘或内存。所述存储器也可以是所述服务器的外部存储设备,例如所述服务器上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure DigitaL,SD)卡,闪存卡(FLash Card)等。进一步地,所述存储器还可以既包括所述服务器的内部存储单元也包括外部存储设备。所述存储器用于存储所述计算机可读指令以及所述服务器所需的其他程序和数据。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是,上述模块单元之间的信息交互、执行过程等内容,由于与方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于循环神经网络的鬼成像方法,其特征在于,包括以下步骤:
将一套随机散斑序列与训练集内的目标作用,使每个目标得到相应的桶探测信号序列;
将每个目标的桶探测信号序列与相应的随机散斑序列进行拼接处理,得到探测序列;
将训练集内的真实目标作为循环神经网络的训练目标,利用真实目标对应的探测序列作为第一网络输入序列训练循环神经网络,获取训练好的循环神经网络;
使用训练循环神经网络时的同一套随机散斑对目标区域进行探测,并将随机散斑与桶探测信号序列经过拼接处理得到第二网络输入序列;
将第二网络输入序列输入训练好的循环神经网络中,输出目标图像。
2.根据权利要求1所述基于循环神经网络的鬼成像方法,其特征在于,所述将每个目标的桶探测信号序列与相应的随机散斑序列进行拼接处理的步骤中,拼接处理的过程是先将二维散斑调整为一维结构,再将其对应的桶探测信号拼接到一维结构上并作为一次探测结果。
3.根据权利要求2所述基于循环神经网络的鬼成像方法,其特征在于,所述探测序列为目标多次与不同散斑作用后并经过拼接处理得到的相应探测序列。
4.根据权利要求1所述基于循环神经网络的鬼成像方法,其特征在于,所述的循环神经网络采用长短期记忆网络,在训练网络时,将目标作为网络训练的标签,将得到的多个探测序列作为网络的输入数据,网络的输出为预测的目标图像。
5.根据权利要求4所述基于循环神经网络的鬼成像方法,其特征在于,所述的循环神经网络根据预测的目标图像和待识别目标计算损失函数,通过优化损失来更新网络参数;
所述损失函数表示为:
Lossrec=F(yi,yp)
式中,yi为目标,yp为预测的目标图像,F用于计算yi与yp之间误差。
6.根据权利要求1所述基于循环神经网络的鬼成像方法,其特征在于,所述利用真实目标对应的探测序列作为第一网络输入序列训练循环神经网络包括:
将所述探测序列作为循环神经网络的输入,得到预测待识别目标图像;
将待识别目标作为网络训练的目标,计算预测目标图像与目标之间的损失,通过优化损失来更新网络参数,直到损失或迭代次数达到某一预设值。
7.根据权利要求1所述基于循环神经网络的鬼成像方法,其特征在于,所述的桶探测信号采用桶探测器或者单一天线接收获得。
8.一种基于循环神经网络的鬼成像***,其特征在于,包括:
散斑作用模块,用于将一套随机散斑序列与训练集内的目标作用,使每个目标得到相应的桶探测信号序列;
预处理模块,用于将每个目标的桶探测信号序列与相应的随机散斑序列进行拼接处理,得到探测序列;
网络训练模块,用于将训练集内的真实目标作为循环神经网络的训练目标,利用真实目标对应的探测序列作为第一网络输入序列训练循环神经网络,获取训练好的循环神经网络;
目标探测模块,用于使用训练循环神经网络时的同一套随机散斑对目标区域进行探测,并将随机散斑与桶探测信号序列经过拼接处理得到第二网络输入序列;
目标识别模块,用于将第二网络输入序列输入训练好的循环神经网络中,输出目标图像。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现如权利要求1至7中任意一项所述基于循环神经网络的鬼成像方法。
10.一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中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述基于循环神经网络的鬼成像方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210062731.3A CN114494055B (zh) | 2022-01-19 | 2022-01-19 | 基于循环神经网络的鬼成像方法、***、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210062731.3A CN114494055B (zh) | 2022-01-19 | 2022-01-19 | 基于循环神经网络的鬼成像方法、***、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114494055A true CN114494055A (zh) | 2022-05-13 |
CN114494055B CN114494055B (zh) | 2024-02-06 |
Family
ID=81472028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210062731.3A Active CN114494055B (zh) | 2022-01-19 | 2022-01-19 | 基于循环神经网络的鬼成像方法、***、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114494055B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190295295A1 (en) * | 2018-03-26 | 2019-09-26 | The Board Of Trustees Of The Leland Stanford Junior University | Ultrasound speckle reduction and image reconstruction using deep learning techniques |
CN110930317A (zh) * | 2019-10-30 | 2020-03-27 | 西安交通大学 | 一种基于卷积神经网络的鬼成像方法 |
WO2021102655A1 (zh) * | 2019-11-25 | 2021-06-03 | 深圳市欢太科技有限公司 | 网络模型训练方法、图像属性识别方法、装置及电子设备 |
CN113269243A (zh) * | 2021-05-18 | 2021-08-17 | 西安交通大学 | 一种基于生成式对抗网络的关联识别方法及设备 |
CN113706408A (zh) * | 2021-08-11 | 2021-11-26 | 西安交通大学 | 一种基于降噪卷积神经网络的鬼成像去噪方法及设备 |
-
2022
- 2022-01-19 CN CN202210062731.3A patent/CN114494055B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190295295A1 (en) * | 2018-03-26 | 2019-09-26 | The Board Of Trustees Of The Leland Stanford Junior University | Ultrasound speckle reduction and image reconstruction using deep learning techniques |
CN110930317A (zh) * | 2019-10-30 | 2020-03-27 | 西安交通大学 | 一种基于卷积神经网络的鬼成像方法 |
WO2021102655A1 (zh) * | 2019-11-25 | 2021-06-03 | 深圳市欢太科技有限公司 | 网络模型训练方法、图像属性识别方法、装置及电子设备 |
CN113269243A (zh) * | 2021-05-18 | 2021-08-17 | 西安交通大学 | 一种基于生成式对抗网络的关联识别方法及设备 |
CN113706408A (zh) * | 2021-08-11 | 2021-11-26 | 西安交通大学 | 一种基于降噪卷积神经网络的鬼成像去噪方法及设备 |
Non-Patent Citations (3)
Title |
---|
冯维;赵晓冬;吴贵铭;叶忠辉;赵大兴;: "基于卷积神经网络的计算鬼成像方法研究", 光子学报, no. 06 * |
冯诗影;韩文廷;金旭;迟孟贤;安虹;: "循环神经网络在语音识别模型中的训练加速方法", 小型微型计算机***, no. 12 * |
石峰;陆同希;杨书宁;苗壮;杨晔;张闻文;何睿清;: "噪声环境下基于单像素成像***和深度学习的目标识别方法", 红外与激光工程, no. 06 * |
Also Published As
Publication number | Publication date |
---|---|
CN114494055B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110033026B (zh) | 一种连续小样本图像的目标检测方法、装置及设备 | |
CN111815754B (zh) | 一种三维信息确定方法、三维信息确定装置及终端设备 | |
US11321966B2 (en) | Method and apparatus for human behavior recognition, and storage medium | |
US11455831B2 (en) | Method and apparatus for face classification | |
CN108205580B (zh) | 一种图像检索方法、装置及计算机可读存储介质 | |
CN110991506B (zh) | 一种车辆品牌识别方法、装置、设备及存储介质 | |
CN105893405A (zh) | 重复视频检测方法和*** | |
CN110781856B (zh) | 异质人脸识别模型训练方法、人脸识别方法及相关装置 | |
CN113015022A (zh) | 行为识别方法、装置、终端设备及计算机可读存储介质 | |
CN111767915A (zh) | 车牌检测方法、装置、设备及存储介质 | |
CN114612987A (zh) | 一种表情识别方法及装置 | |
Liu et al. | Visual tracking via nonnegative multiple coding | |
WO2010080857A2 (en) | Scalable media fingerprint extraction | |
CN113920382B (zh) | 基于类一致性结构化学习的跨域图像分类方法和相关装置 | |
CN116612417A (zh) | 利用视频时序信息的特殊场景车道线检测方法及装置 | |
CN113158904B (zh) | 一种基于双掩膜模板更新的孪生网络目标跟踪方法及装置 | |
CN112200004B (zh) | 图像检测模型的训练方法、装置及终端设备 | |
CN111967529B (zh) | 识别方法、装置、设备及*** | |
CN116912635B (zh) | 目标追踪方法及装置 | |
CN117727033A (zh) | 目标的标注方法、计算机设备及存储介质 | |
CN115690747B (zh) | 车辆盲区检测模型测试方法、装置、电子设备及存储介质 | |
CN112418089A (zh) | 一种手势识别方法、装置及终端 | |
CN114494055B (zh) | 基于循环神经网络的鬼成像方法、***、设备及存储介质 | |
CN113723431B (zh) | 图像识别方法、装置以及计算机可读存储介质 | |
US20230196558A1 (en) | Medicine image recognition method, electronic device and readable storage medium |
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 |