CN116796248A - 森林康养环境评估***及其方法 - Google Patents
森林康养环境评估***及其方法 Download PDFInfo
- Publication number
- CN116796248A CN116796248A CN202310841564.7A CN202310841564A CN116796248A CN 116796248 A CN116796248 A CN 116796248A CN 202310841564 A CN202310841564 A CN 202310841564A CN 116796248 A CN116796248 A CN 116796248A
- Authority
- CN
- China
- Prior art keywords
- feature
- panoramic
- matrix
- forest health
- health environment
- 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
- 230000036541 health Effects 0.000 title claims abstract description 161
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims abstract description 171
- 239000013598 vector Substances 0.000 claims abstract description 84
- 238000005457 optimization Methods 0.000 claims abstract description 49
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 45
- 238000009826 distribution Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 230000011218 segmentation Effects 0.000 claims abstract description 20
- 238000012423 maintenance Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000009022 nonlinear effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
公开了一种森林康养环境评估***及其方法。其首先对待评估森林康养环境的全景图进行图像预处理后全景图通过卷积神经网络模型以得到全景特征矩阵,接着,对所述全景特征矩阵进行特征分布优化以得到优化全景特征矩阵,然后,对所述优化全景特征矩阵进行特征矩阵切分以得到多个局部特征矩阵,接着,将所述多个局部特征矩阵展开为多个局部特征向量后通过上下文编码器以得到分类特征向量,最后,将所述分类特征向量通过分类器以得到用于表示待评估森林康养环境的植物多样性是否符合预定标准的分类结果。这样,可以实现对森林康养环境的植物多样性进行检测。
Description
技术领域
本申请涉及智能化评估领域,且更为具体地,涉及一种森林康养环境评估***及其方法。
背景技术
森林康养是指利用森林的自然资源和生态服务,为人们提供身心健康的保障和促进。森林康养环境是指具有一定的森林覆盖率、生物多样性、空气质量、水质量、噪音水平、景观美感等要素的自然环境,能够满足人们的康养需求和期望。
在现代都市生活快节奏和高压力的情况下,森林康养成为一种受欢迎的生活方式。为了有效地开发和利用森林康养资源,需要对森林康养环境进行科学的评估,以便确定其康养价值和潜力,以及制定合理的管理和保护措施。
因此,期望一种优化的森林康养环境评估***。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种森林康养环境评估***及其方法。其首先对待评估森林康养环境的全景图进行图像预处理后全景图通过卷积神经网络模型以得到全景特征矩阵,接着,对所述全景特征矩阵进行特征分布优化以得到优化全景特征矩阵,然后,对所述优化全景特征矩阵进行特征矩阵切分以得到多个局部特征矩阵,接着,将所述多个局部特征矩阵展开为多个局部特征向量后通过上下文编码器以得到分类特征向量,最后,将所述分类特征向量通过分类器以得到用于表示待评估森林康养环境的植物多样性是否符合预定标准的分类结果。这样,可以实现对森林康养环境的植物多样性进行检测。
根据本申请的一个方面,提供了一种森林康养环境评估***,其包括:
全景图采集模块,用于获取由无人机采集的待评估森林康养环境的全景图;
图像预处理模块,用于对所述待评估森林康养环境的全景图进行图像预处理以得到预处理后全景图;
全景图像特征提取模块,用于将所述预处理后全景图通过作为特征提取器的卷积神经网络模型以得到全景特征矩阵;
特征优化模块,用于对所述全景特征矩阵进行特征分布优化以得到优化全景特征矩阵;
矩阵切分模块,用于对所述优化全景特征矩阵进行特征矩阵切分以得到多个局部特征矩阵;
全局图像语义编码模块,用于将所述多个局部特征矩阵展开为多个局部特征向量后通过基于转换器的上下文编码器以得到分类特征向量;以及
环境评估模块,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待评估森林康养环境的植物多样性是否符合预定标准。
在上述的森林康养环境评估***中,所述全景图像特征提取模块,用于:
使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出所述全景特征矩阵,其中,所述作为特征提取器的卷积神经网络模型的第一层的输入为所述预处理后全景图。
在上述的森林康养环境评估***中,所述特征优化模块,包括:
优化因数计算单元,用于计算所述全景特征矩阵中各个位置特征值的位置信息图式场景注意力无偏估计因数以得到多个位置信息图式场景注意力无偏估计因数;以及
加权优化单元,用于以所述多个位置信息图式场景注意力无偏估计因数作为加权系数对所述全景特征矩阵的各个位置特征值进行加权优化以得到所述优化全景特征矩阵。
在上述的森林康养环境评估***中,所述优化因数计算单元,用于:
以如下优化公式计算所述全景特征矩阵中各个位置特征值的位置信息图式场景注意力无偏估计因数以得到所述多个位置信息图式场景注意力无偏估计因数;
其中,所述优化公式为:
其中,fi是所述全景特征矩阵中各个位置特征值,(xi,yi)为所述全景特征矩阵的各个位置特征值的位置坐标,且是所述全景特征矩阵的所有特征值的全局均值,/>和/>分别代表不同的将二维实数映射为一维实数的函数,W和H分别是所述全景特征矩阵的宽度和高度,log表示以2为底的对数函数,wi表示所述多个位置信息图式场景注意力无偏估计因数中的各个位置信息图式场景注意力无偏估计因数。
在上述的森林康养环境评估***中,所述全局图像语义编码模块,用于:
将所述多个局部特征向量通过所述基于转换器的上下文编码器以得到多个局部语义特征向量;以及
将所述多个局部语义特征向量进行级联以得到所述分类特征向量。
在上述的森林康养环境评估***中,所述环境评估模块,包括:
全连接编码单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
分类单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一个方面,提供了一种森林康养环境评估方法,其包括:
获取由无人机采集的待评估森林康养环境的全景图;
对所述待评估森林康养环境的全景图进行图像预处理以得到预处理后全景图;
将所述预处理后全景图通过作为特征提取器的卷积神经网络模型以得到全景特征矩阵;
对所述全景特征矩阵进行特征分布优化以得到优化全景特征矩阵;
对所述优化全景特征矩阵进行特征矩阵切分以得到多个局部特征矩阵;
将所述多个局部特征矩阵展开为多个局部特征向量后通过基于转换器的上下文编码器以得到分类特征向量;以及
将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待评估森林康养环境的植物多样性是否符合预定标准。
在上述的森林康养环境评估方法中,将所述预处理后全景图通过作为特征提取器的卷积神经网络模型以得到全景特征矩阵,包括:
使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出所述全景特征矩阵,其中,所述作为特征提取器的卷积神经网络模型的第一层的输入为所述预处理后全景图。
在上述的森林康养环境评估方法中,对所述全景特征矩阵进行特征分布优化以得到优化全景特征矩阵,包括:
计算所述全景特征矩阵中各个位置特征值的位置信息图式场景注意力无偏估计因数以得到多个位置信息图式场景注意力无偏估计因数;以及
以所述多个位置信息图式场景注意力无偏估计因数作为加权系数对所述全景特征矩阵的各个位置特征值进行加权优化以得到所述优化全景特征矩阵。
在上述的森林康养环境评估方法中,计算所述全景特征矩阵中各个位置特征值的位置信息图式场景注意力无偏估计因数以得到多个位置信息图式场景注意力无偏估计因数,包括:
以如下优化公式计算所述全景特征矩阵中各个位置特征值的位置信息图式场景注意力无偏估计因数以得到所述多个位置信息图式场景注意力无偏估计因数;
其中,所述优化公式为:
其中,fi是所述全景特征矩阵中各个位置特征值,(xi,yi)为所述全景特征矩阵的各个位置特征值的位置坐标,且是所述全景特征矩阵的所有特征值的全局均值,/>和/>分别代表不同的将二维实数映射为一维实数的函数,W和H分别是所述全景特征矩阵的宽度和高度,log表示以2为底的对数函数,wi表示所述多个位置信息图式场景注意力无偏估计因数中的各个位置信息图式场景注意力无偏估计因数。
与现有技术相比,本申请提供的森林康养环境评估***及其方法,其首先对待评估森林康养环境的全景图进行图像预处理后全景图通过卷积神经网络模型以得到全景特征矩阵,接着,对所述全景特征矩阵进行特征分布优化以得到优化全景特征矩阵,然后,对所述优化全景特征矩阵进行特征矩阵切分以得到多个局部特征矩阵,接着,将所述多个局部特征矩阵展开为多个局部特征向量后通过上下文编码器以得到分类特征向量,最后,将所述分类特征向量通过分类器以得到用于表示待评估森林康养环境的植物多样性是否符合预定标准的分类结果。这样,可以实现对森林康养环境的植物多样性进行检测。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例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本申请的一些实施例,对于本领域普通技术人员而言,在没有做出创造性劳动的前提下,还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的森林康养环境评估***的应用场景图。
图2为根据本申请实施例的森林康养环境评估***的框图示意图。
图3为根据本申请实施例的森林康养环境评估***中的所述特征优化模块的框图示意图。
图4为根据本申请实施例的森林康养环境评估***中的所述环境评估模块的框图示意图。
图5为根据本申请实施例的森林康养环境评估方法的流程图。
图6为根据本申请实施例的森林康养环境评估方法的***架构的示意图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,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,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的***中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述***和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的***所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如上所述,在现代都市生活快节奏和高压力的情况下,森林康养成为一种受欢迎的生活方式。为了有效地开发和利用森林康养资源,需要对森林康养环境进行科学的评估,以便确定其康养价值和潜力,以及制定合理的管理和保护措施。因此,期望一种优化的森林康养环境评估***。
相应地,考虑到在实际进行森林康养环境的评估过程中,关键在于对森林康养环境的植物多样性进行分析检测,以保证植物多样性满足预定要求。基于此,在本申请的技术方案中,期望通过无人机来采集待评估森林康养环境的全景图,并通过对所述全景图进行基于机器视觉的图像分析和处理以评估所述待评估森林康养环境的植物多样性是否符合预定标准。但是,由于无人机采集的待评估森林康养环境的全景图中存在有大量的无用干扰信息,并且关于森林康养环境的植物类别特征信息在图像中为小尺度的隐含特征信息,难以通过传统的特征提取方式进行有效地捕捉。因此,在此过程中,难点在于如何进行所述待评估森林康养环境的全景图中关于森林康养环境的植物类别隐含特征信息的充分表达,以此来对森林康养环境的植物多样性进行检测,从而确定其康养价值和潜力,以制定合理的管理和保护措施。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述待评估森林康养环境的全景图中关于森林康养环境的植物类别隐含特征信息提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,获取由无人机采集的待评估森林康养环境的全景图。应可以理解,在实际进行所述待评估森林康养环境的全景图的采集过程中,采集到的原始图像可能会受到噪声、变形或者边缘失真等因素的影响,这将会对后续处理算法的准确性和稳定性产生影响。因此,在进行所述待评估森林康养环境的全景图的特征提取以进行所述待评估森林康养环境的植物多样性检测前,需要对所述待评估森林康养环境的全景图进行图像预处理以得到预处理后全景图,以此来去除原始图像中的噪声、平滑边缘以及纠正非线性效应等。也就是说,通过这样的预处理过程,可以得到更加清晰、准确和稳定的全景图,有助于提高后续分类的准确性。
然后,使用在图像的隐含特征提取方面具有优异表现的作为特征提取器的卷积神经网络模型来进行所述预处理后全景图的特征挖掘,以此来提取出所述预处理后全景图中关于森林康养环境的植物类别的隐含特征分布信息,从而得到全景特征矩阵。
进一步地,考虑到由于所述作为特征提取器的卷积神经网络模型虽然能够提取出所述预处理后全景图中关于森林康养环境的植物类别的局部隐含特征分布信息,但是由于卷积运算的固有局限性,纯CNN的方法很难学习明确的全局和远程语义信息交互。因此,在本申请的技术方案中,进一步对所述全景特征矩阵进行特征矩阵切分以得到多个局部特征矩阵后,将所述多个局部特征矩阵展开为多个局部特征向量后通过基于转换器的上下文编码器中进行编码,以提取出所述预处理后全景图中关于森林康养环境的植物类别的各个局部隐含特征基于全局的上下文图像语义关联特征信息,从而得到分类特征向量。
接着,进一步再将所述分类特征向量通过分类器中进行分类处理,以得到用于表示待评估森林康养环境的植物多样性是否符合预定标准的分类结果。也就是,在本申请的技术方案中,所述分类器的标签包括待评估森林康养环境的植物多样性符合预定标准(第一标签),以及,待评估森林康养环境的植物多样性不符合预定标准(第二标签),其中,所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“待评估森林康养环境的植物多样性是否符合预定标准”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,待评估森林康养环境的植物多样性是否符合预定标准的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“待评估森林康养环境的植物多样性是否符合预定标准”的语言文本意义。应可以理解,在本申请的技术方案中,所述分类器的分类标签为待评估森林康养环境的植物多样性是否符合预定标准的检测评估标签,因此,在得到所述分类结果后,可基于所述分类结果来对森林康养环境的植物多样性进行检测,从而确定其康养价值和潜力。
特别地,在本申请的技术方案中,考虑到所述全景图的每个像素的源图像语义通过作为特征提取器的卷积神经网络模型的图像语义关联特征提取,所得到的所述全景特征矩阵的每个位置的特征值也具有相应的位置属性,由此,所述全景特征矩阵进行特征矩阵切分得到的所述多个局部特征矩阵在矩阵内和矩阵间均具有位置关联表达属性。
但是,在将所述多个局部特征矩阵展开为多个局部特征向量时,涉及到所述局部特征矩阵的特征值的按位置聚合,而基于转换器的上下文编码器在进行上下文语义编码时,基本上忽略了位置属性,因此,需要提升所述全景特征矩阵的各个特征值在按位置聚合时对于所述全景特征矩阵的原特征流形的表达效果。
基于此,本申请的申请人计算所述全景特征矩阵的每个位置的特征值的位置信息图式场景注意力无偏估计因数,表示为:
其中和/>分别代表不同的将二维实数映射为一维实数的函数,例如,实现为非线性激活函数激活加权和加偏置的表示,W和H分别是所述全景特征矩阵的宽度和高度,(xi,yi)为所述全景特征矩阵的各个特征值fi的坐标,例如,可以是特征矩阵的任意顶点或者中心作为坐标原点,且/>是所述全景特征矩阵的所有特征值的全局均值。
这里,所述位置信息图式场景注意力无偏估计因数通过使用融合特征值相对于整体特征分布的高维空间位置的相对几何方向和相对几何距离的图式信息表示和高维特征本身的信息表示的更高阶的特征表达,来在特征值对整体特征分布的按位置聚合时进一步进行特征流形的形状信息聚合,以实现高维空间内的基于特征流形的各个子流形集合形状分布的场景几何的无偏估计,以准确表达特征矩阵的流形形状的几何性质。这样,通过以所述位置信息图式场景注意力无偏估计因数对所述全景特征矩阵的各个位置的特征值进行加权,就可以提升所述全景特征矩阵的各个特征值在按位置聚合时对于所述全景特征矩阵的原特征流形的表达效果,从而提升从所述全局特征矩阵得到的所述分类特征向量的特征表达效果,以提升其通过分类器得到的分类结果的准确性。这样,能够更加准确地对森林康养环境的植物多样性进行检测评估,从而确定其康养价值和潜力来制定合理的管理和保护措施。
图1为根据本申请实施例的森林康养环境评估***的应用场景图。如图1所示,在该应用场景中,首先,获取由无人机(例如,图1中所示意的N)采集的待评估森林康养环境的全景图(例如,图1中所示意的D),然后,将所述待评估森林康养环境的全景图输入至部署有森林康养环境评估算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够使用所述森林康养环境评估算法对所述待评估森林康养环境的全景图进行处理以得到用于表示待评估森林康养环境的植物多样性是否符合预定标准的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
图2为根据本申请实施例的森林康养环境评估***的框图示意图。如图2所示,根据本申请实施例的森林康养环境评估***100,包括:全景图采集模块110,用于获取由无人机采集的待评估森林康养环境的全景图;图像预处理模块120,用于对所述待评估森林康养环境的全景图进行图像预处理以得到预处理后全景图;全景图像特征提取模块130,用于将所述预处理后全景图通过作为特征提取器的卷积神经网络模型以得到全景特征矩阵;特征优化模块140,用于对所述全景特征矩阵进行特征分布优化以得到优化全景特征矩阵;矩阵切分模块150,用于对所述优化全景特征矩阵进行特征矩阵切分以得到多个局部特征矩阵;全局图像语义编码模块160,用于将所述多个局部特征矩阵展开为多个局部特征向量后通过基于转换器的上下文编码器以得到分类特征向量;以及,环境评估模块170,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待评估森林康养环境的植物多样性是否符合预定标准。
更具体地,在本申请实施例中,所述全景图采集模块110,用于获取由无人机采集的待评估森林康养环境的全景图。在实际进行森林康养环境的评估过程中,关键在于对森林康养环境的植物多样性进行分析检测,以保证植物多样性满足预定要求。基于此,在本申请的技术方案中,可以过无人机来采集待评估森林康养环境的全景图,并通过对所述全景图进行基于机器视觉的图像分析和处理以评估所述待评估森林康养环境的植物多样性是否符合预定标准。
更具体地,在本申请实施例中,所述图像预处理模块120,用于对所述待评估森林康养环境的全景图进行图像预处理以得到预处理后全景图。在实际进行所述待评估森林康养环境的全景图的采集过程中,采集到的原始图像可能会受到噪声、变形或者边缘失真等因素的影响,这将会对后续处理算法的准确性和稳定性产生影响。因此,在进行所述待评估森林康养环境的全景图的特征提取以进行所述待评估森林康养环境的植物多样性检测前,需要对所述待评估森林康养环境的全景图进行图像预处理以得到预处理后全景图,以此来去除原始图像中的噪声、平滑边缘以及纠正非线性效应等。也就是说,通过这样的预处理过程,可以得到更加清晰、准确和稳定的全景图,有助于提高后续分类的准确性。
更具体地,在本申请实施例中,所述全景图像特征提取模块130,用于将所述预处理后全景图通过作为特征提取器的卷积神经网络模型以得到全景特征矩阵。使用在图像的隐含特征提取方面具有优异表现的作为特征提取器的卷积神经网络模型来进行所述预处理后全景图的特征挖掘,以此来提取出所述预处理后全景图中关于森林康养环境的植物类别的隐含特征分布信息,从而得到全景特征矩阵。
应可以理解,卷积神经网络(Convolutional Neural Network,CNN)是一种人工神经网络,在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层,其中,隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等,上一层根据输入的数据进行相应的运算,将运算结果输出给下一层,输入的初始数据经过多层的运算之后得到一个最终的结果。
相应地,在一个具体示例中,所述全景图像特征提取模块130,用于:使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出所述全景特征矩阵,其中,所述作为特征提取器的卷积神经网络模型的第一层的输入为所述预处理后全景图。
更具体地,在本申请实施例中,所述特征优化模块140,用于对所述全景特征矩阵进行特征分布优化以得到优化全景特征矩阵。特别地,在本申请的技术方案中,考虑到所述全景图的每个像素的源图像语义通过作为特征提取器的卷积神经网络模型的图像语义关联特征提取,所得到的所述全景特征矩阵的每个位置的特征值也具有相应的位置属性,由此,所述全景特征矩阵进行特征矩阵切分得到的所述多个局部特征矩阵在矩阵内和矩阵间均具有位置关联表达属性。但是,在将所述多个局部特征矩阵展开为多个局部特征向量时,涉及到所述局部特征矩阵的特征值的按位置聚合,而基于转换器的上下文编码器在进行上下文语义编码时,基本上忽略了位置属性,因此,需要提升所述全景特征矩阵的各个特征值在按位置聚合时对于所述全景特征矩阵的原特征流形的表达效果。基于此,本申请的申请人计算所述全景特征矩阵的每个位置的特征值的位置信息图式场景注意力无偏估计因数。
相应地,在一个具体示例中,如图3所示,所述特征优化模块140,包括:优化因数计算单元141,用于计算所述全景特征矩阵中各个位置特征值的位置信息图式场景注意力无偏估计因数以得到多个位置信息图式场景注意力无偏估计因数;以及,加权优化单元142,用于以所述多个位置信息图式场景注意力无偏估计因数作为加权系数对所述全景特征矩阵的各个位置特征值进行加权优化以得到所述优化全景特征矩阵。
相应地,在一个具体示例中,所述优化因数计算单元141,用于:以如下优化公式计算所述全景特征矩阵中各个位置特征值的位置信息图式场景注意力无偏估计因数以得到所述多个位置信息图式场景注意力无偏估计因数;其中,所述优化公式为:
其中,fi是所述全景特征矩阵中各个位置特征值,(xi,yi)为所述全景特征矩阵的各个位置特征值的位置坐标,且是所述全景特征矩阵的所有特征值的全局均值,/>和/>分别代表不同的将二维实数映射为一维实数的函数,W和H分别是所述全景特征矩阵的宽度和高度,log表示以2为底的对数函数,wi表示所述多个位置信息图式场景注意力无偏估计因数中的各个位置信息图式场景注意力无偏估计因数。
这里,所述位置信息图式场景注意力无偏估计因数通过使用融合特征值相对于整体特征分布的高维空间位置的相对几何方向和相对几何距离的图式信息表示和高维特征本身的信息表示的更高阶的特征表达,来在特征值对整体特征分布的按位置聚合时进一步进行特征流形的形状信息聚合,以实现高维空间内的基于特征流形的各个子流形集合形状分布的场景几何的无偏估计,以准确表达特征矩阵的流形形状的几何性质。这样,通过以所述位置信息图式场景注意力无偏估计因数对所述全景特征矩阵的各个位置的特征值进行加权,就可以提升所述全景特征矩阵的各个特征值在按位置聚合时对于所述全景特征矩阵的原特征流形的表达效果,从而提升从所述全局特征矩阵得到的所述分类特征向量的特征表达效果,以提升其通过分类器得到的分类结果的准确性。这样,能够更加准确地对森林康养环境的植物多样性进行检测评估,从而确定其康养价值和潜力来制定合理的管理和保护措施。
更具体地,在本申请实施例中,所述矩阵切分模块150,用于对所述优化全景特征矩阵进行特征矩阵切分以得到多个局部特征矩阵。由于所述作为特征提取器的卷积神经网络模型虽然能够提取出所述预处理后全景图中关于森林康养环境的植物类别的局部隐含特征分布信息,但是由于卷积运算的固有局限性,纯CNN的方法很难学习明确的全局和远程语义信息交互。因此,在本申请的技术方案中,进一步对所述优化全景特征矩阵进行特征矩阵切分以得到多个局部特征矩阵后,将所述多个局部特征矩阵展开为多个局部特征向量后通过基于转换器的上下文编码器中进行编码,以提取出所述预处理后全景图中关于森林康养环境的植物类别的各个局部隐含特征基于全局的上下文图像语义关联特征信息,从而得到分类特征向量。
更具体地,在本申请实施例中,所述全局图像语义编码模块160,用于将所述多个局部特征矩阵展开为多个局部特征向量后通过基于转换器的上下文编码器以得到分类特征向量。
相应地,在一个具体示例中,所述全局图像语义编码模块160,用于:将所述多个局部特征向量通过所述基于转换器的上下文编码器以得到多个局部语义特征向量;以及,将所述多个局部语义特征向量进行级联以得到所述分类特征向量。
更具体地,在本申请实施例中,所述环境评估模块170,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待评估森林康养环境的植物多样性是否符合预定标准。在得到所述分类结果后,可基于所述分类结果来对森林康养环境的植物多样性进行检测,从而确定其康养价值和潜力。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
相应地,在一个具体示例中,如图4所示,所述环境评估模块170,包括:全连接编码单元171,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类单元172,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上,基于本申请实施例的森林康养环境评估***100被阐明,其首先对待评估森林康养环境的全景图进行图像预处理后全景图通过卷积神经网络模型以得到全景特征矩阵,接着,对所述全景特征矩阵进行特征分布优化以得到优化全景特征矩阵,然后,对所述优化全景特征矩阵进行特征矩阵切分以得到多个局部特征矩阵,接着,将所述多个局部特征矩阵展开为多个局部特征向量后通过上下文编码器以得到分类特征向量,最后,将所述分类特征向量通过分类器以得到用于表示待评估森林康养环境的植物多样性是否符合预定标准的分类结果。这样,可以实现对森林康养环境的植物多样性进行检测。
如上所述,根据本申请实施例的基于本申请实施例的森林康养环境评估***100可以实现在各种终端设备中,例如具有基于本申请实施例的森林康养环境评估算法的服务器等。在一个示例中,基于本申请实施例的森林康养环境评估***100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于本申请实施例的森林康养环境评估***100可以是该终端设备的操作***中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于本申请实施例的森林康养环境评估***100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于本申请实施例的森林康养环境评估***100与该终端设备也可以是分立的设备,并且该森林康养环境评估***100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图5为根据本申请实施例的森林康养环境评估方法的流程图。如图5所示,根据本申请实施例的森林康养环境评估方法,其包括:S110,获取由无人机采集的待评估森林康养环境的全景图;S120,对所述待评估森林康养环境的全景图进行图像预处理以得到预处理后全景图;S130,将所述预处理后全景图通过作为特征提取器的卷积神经网络模型以得到全景特征矩阵;S140,对所述全景特征矩阵进行特征分布优化以得到优化全景特征矩阵;S150,对所述优化全景特征矩阵进行特征矩阵切分以得到多个局部特征矩阵;S160,将所述多个局部特征矩阵展开为多个局部特征向量后通过基于转换器的上下文编码器以得到分类特征向量;以及,S170,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待评估森林康养环境的植物多样性是否符合预定标准。
图6为根据本申请实施例的森林康养环境评估方法的***架构的示意图。如图6所示,在所述森林康养环境评估方法的***架构中,首先,获取由无人机采集的待评估森林康养环境的全景图;接着,对所述待评估森林康养环境的全景图进行图像预处理以得到预处理后全景图;然后,将所述预处理后全景图通过作为特征提取器的卷积神经网络模型以得到全景特征矩阵;接着,对所述全景特征矩阵进行特征分布优化以得到优化全景特征矩阵;然后,对所述优化全景特征矩阵进行特征矩阵切分以得到多个局部特征矩阵;接着,将所述多个局部特征矩阵展开为多个局部特征向量后通过基于转换器的上下文编码器以得到分类特征向量;最后,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待评估森林康养环境的植物多样性是否符合预定标准。
在一个具体示例中,在上述森林康养环境评估方法中,将所述预处理后全景图通过作为特征提取器的卷积神经网络模型以得到全景特征矩阵,包括:使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出所述全景特征矩阵,其中,所述作为特征提取器的卷积神经网络模型的第一层的输入为所述预处理后全景图。
在一个具体示例中,在上述森林康养环境评估方法中,对所述全景特征矩阵进行特征分布优化以得到优化全景特征矩阵,包括:计算所述全景特征矩阵中各个位置特征值的位置信息图式场景注意力无偏估计因数以得到多个位置信息图式场景注意力无偏估计因数;以及,以所述多个位置信息图式场景注意力无偏估计因数作为加权系数对所述全景特征矩阵的各个位置特征值进行加权优化以得到所述优化全景特征矩阵。
在一个具体示例中,在上述森林康养环境评估方法中,计算所述全景特征矩阵中各个位置特征值的位置信息图式场景注意力无偏估计因数以得到多个位置信息图式场景注意力无偏估计因数,包括:以如下优化公式计算所述全景特征矩阵中各个位置特征值的位置信息图式场景注意力无偏估计因数以得到所述多个位置信息图式场景注意力无偏估计因数;其中,所述优化公式为:
其中,fi是所述全景特征矩阵中各个位置特征值,(xi,yi)为所述全景特征矩阵的各个位置特征值的位置坐标,且是所述全景特征矩阵的所有特征值的全局均值,/>和/>分别代表不同的将二维实数映射为一维实数的函数,W和H分别是所述全景特征矩阵的宽度和高度,log表示以2为底的对数函数,wi表示所述多个位置信息图式场景注意力无偏估计因数中的各个位置信息图式场景注意力无偏估计因数。
在一个具体示例中,在上述森林康养环境评估方法中,将所述多个局部特征矩阵展开为多个局部特征向量后通过基于转换器的上下文编码器以得到分类特征向量,包括:将所述多个局部特征向量通过所述基于转换器的上下文编码器以得到多个局部语义特征向量;以及,将所述多个局部语义特征向量进行级联以得到所述分类特征向量。
在一个具体示例中,在上述森林康养环境评估方法中,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待评估森林康养环境的植物多样性是否符合预定标准,包括:使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
这里,本领域技术人员可以理解,上述森林康养环境评估方法中的各个步骤的具体操作已经在上面参考图1到图4的森林康养环境评估***100的描述中得到了详细介绍,并因此,将省略其重复描述。
根据本申请的另一方面,还提供了一种非易失性的计算机可读存储介质,其上存储有计算机可读的指令,当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”,通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如,各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“***”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (10)
1.一种森林康养环境评估***,其特征在于,包括:
全景图采集模块,用于获取由无人机采集的待评估森林康养环境的全景图;
图像预处理模块,用于对所述待评估森林康养环境的全景图进行图像预处理以得到预处理后全景图;
全景图像特征提取模块,用于将所述预处理后全景图通过作为特征提取器的卷积神经网络模型以得到全景特征矩阵;
特征优化模块,用于对所述全景特征矩阵进行特征分布优化以得到优化全景特征矩阵;
矩阵切分模块,用于对所述优化全景特征矩阵进行特征矩阵切分以得到多个局部特征矩阵;
全局图像语义编码模块,用于将所述多个局部特征矩阵展开为多个局部特征向量后通过基于转换器的上下文编码器以得到分类特征向量;以及
环境评估模块,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待评估森林康养环境的植物多样性是否符合预定标准。
2.根据权利要求1所述的森林康养环境评估***,其特征在于,所述全景图像特征提取模块,用于:
使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出所述全景特征矩阵,其中,所述作为特征提取器的卷积神经网络模型的第一层的输入为所述预处理后全景图。
3.根据权利要求2所述的森林康养环境评估***,其特征在于,所述特征优化模块,包括:
优化因数计算单元,用于计算所述全景特征矩阵中各个位置特征值的位置信息图式场景注意力无偏估计因数以得到多个位置信息图式场景注意力无偏估计因数;以及
加权优化单元,用于以所述多个位置信息图式场景注意力无偏估计因数作为加权系数对所述全景特征矩阵的各个位置特征值进行加权优化以得到所述优化全景特征矩阵。
4.根据权利要求3所述的森林康养环境评估***,其特征在于,所述优化因数计算单元,用于:
以如下优化公式计算所述全景特征矩阵中各个位置特征值的位置信息图式场景注意力无偏估计因数以得到所述多个位置信息图式场景注意力无偏估计因数;
其中,所述优化公式为:
其中,fi是所述全景特征矩阵中各个位置特征值,(xi,yi)为所述全景特征矩阵的各个位置特征值的位置坐标,且是所述全景特征矩阵的所有特征值的全局均值,/>和分别代表不同的将二维实数映射为一维实数的函数,W和H分别是所述全景特征矩阵的宽度和高度,log表示以2为底的对数函数,wi表示所述多个位置信息图式场景注意力无偏估计因数中的各个位置信息图式场景注意力无偏估计因数。
5.根据权利要求4所述的森林康养环境评估***,其特征在于,所述全局图像语义编码模块,用于:
将所述多个局部特征向量通过所述基于转换器的上下文编码器以得到多个局部语义特征向量;以及
将所述多个局部语义特征向量进行级联以得到所述分类特征向量。
6.根据权利要求5所述的森林康养环境评估***,其特征在于,所述环境评估模块,包括:
全连接编码单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
分类单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
7.一种森林康养环境评估方法,其特征在于,包括:
获取由无人机采集的待评估森林康养环境的全景图;
对所述待评估森林康养环境的全景图进行图像预处理以得到预处理后全景图;
将所述预处理后全景图通过作为特征提取器的卷积神经网络模型以得到全景特征矩阵;
对所述全景特征矩阵进行特征分布优化以得到优化全景特征矩阵;
对所述优化全景特征矩阵进行特征矩阵切分以得到多个局部特征矩阵;
将所述多个局部特征矩阵展开为多个局部特征向量后通过基于转换器的上下文编码器以得到分类特征向量;以及
将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待评估森林康养环境的植物多样性是否符合预定标准。
8.根据权利要求7所述的森林康养环境评估方法,其特征在于,将所述预处理后全景图通过作为特征提取器的卷积神经网络模型以得到全景特征矩阵,包括:
使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出所述全景特征矩阵,其中,所述作为特征提取器的卷积神经网络模型的第一层的输入为所述预处理后全景图。
9.根据权利要求8所述的森林康养环境评估方法,其特征在于,对所述全景特征矩阵进行特征分布优化以得到优化全景特征矩阵,包括:
计算所述全景特征矩阵中各个位置特征值的位置信息图式场景注意力无偏估计因数以得到多个位置信息图式场景注意力无偏估计因数;以及
以所述多个位置信息图式场景注意力无偏估计因数作为加权系数对所述全景特征矩阵的各个位置特征值进行加权优化以得到所述优化全景特征矩阵。
10.根据权利要求9所述的森林康养环境评估方法,其特征在于,计算所述全景特征矩阵中各个位置特征值的位置信息图式场景注意力无偏估计因数以得到多个位置信息图式场景注意力无偏估计因数,包括:
以如下优化公式计算所述全景特征矩阵中各个位置特征值的位置信息图式场景注意力无偏估计因数以得到所述多个位置信息图式场景注意力无偏估计因数;
其中,所述优化公式为:
其中,fi是所述全景特征矩阵中各个位置特征值,(xi,yi)为所述全景特征矩阵的各个位置特征值的位置坐标,且是所述全景特征矩阵的所有特征值的全局均值,/>和分别代表不同的将二维实数映射为一维实数的函数,W和H分别是所述全景特征矩阵的宽度和高度,log表示以2为底的对数函数,wi表示所述多个位置信息图式场景注意力无偏估计因数中的各个位置信息图式场景注意力无偏估计因数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310841564.7A CN116796248A (zh) | 2023-07-11 | 2023-07-11 | 森林康养环境评估***及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310841564.7A CN116796248A (zh) | 2023-07-11 | 2023-07-11 | 森林康养环境评估***及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116796248A true CN116796248A (zh) | 2023-09-22 |
Family
ID=88040122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310841564.7A Pending CN116796248A (zh) | 2023-07-11 | 2023-07-11 | 森林康养环境评估***及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116796248A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117540908A (zh) * | 2023-11-07 | 2024-02-09 | 北京佳格天地科技有限公司 | 基于大数据的农业资源整合方法和*** |
-
2023
- 2023-07-11 CN CN202310841564.7A patent/CN116796248A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117540908A (zh) * | 2023-11-07 | 2024-02-09 | 北京佳格天地科技有限公司 | 基于大数据的农业资源整合方法和*** |
CN117540908B (zh) * | 2023-11-07 | 2024-06-11 | 北京佳格天地科技有限公司 | 基于大数据的农业资源整合方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103605972B (zh) | 一种基于分块深度神经网络的非限制环境人脸验证方法 | |
Esmaeili et al. | Fast-at: Fast automatic thumbnail generation using deep neural networks | |
CN109063719B (zh) | 一种联合结构相似性和类信息的图像分类方法 | |
CN111368636B (zh) | 目标分类方法、装置、计算机设备和存储介质 | |
CN107767416B (zh) | 一种低分辨率图像中行人朝向的识别方法 | |
CN105184298A (zh) | 一种快速局部约束低秩编码的图像分类方法 | |
Afsari et al. | Group action induced distances for averaging and clustering linear dynamical systems with applications to the analysis of dynamic scenes | |
CN110751027B (zh) | 一种基于深度多示例学习的行人重识别方法 | |
CN108734200B (zh) | 基于bing特征的人体目标视觉检测方法和装置 | |
CN116448019B (zh) | 建筑节能工程质量平面度智能检测装置及方法 | |
CN104951791A (zh) | 数据分类方法和装置 | |
CN116796248A (zh) | 森林康养环境评估***及其方法 | |
CN116310563A (zh) | 一种贵金属库存的管理方法及*** | |
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*** | |
CN116278378B (zh) | 纸张的智能覆膜***及其方法 | |
CN106033546A (zh) | 基于自上而下学习的行为分类方法 | |
CN116957051A (zh) | 一种优化特征提取的遥感图像弱监督目标检测方法 | |
CN116563251A (zh) | 汽车用拉杆球头的智能加工方法及其*** | |
US11587345B2 (en) | Image identification device, method for performing semantic segmentation, and storage medium | |
CN111931767B (zh) | 一种基于图片信息度的多模型目标检测方法、装置、***及存储介质 | |
CN115240647A (zh) | 声音事件检测方法、装置、电子设备及存储介质 | |
CN114692715A (zh) | 一种样本标注方法及装置 | |
CN117421723B (zh) | 基于Server Mesh的微服务*** | |
CN114998990B (zh) | 一种工地人员安全行为识别方法及装置 | |
Saxena et al. | Feature boosting in natural image classification |
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 |