CN104331712B - 一种藻类细胞图像自动分类方法 - Google Patents
一种藻类细胞图像自动分类方法 Download PDFInfo
- Publication number
- CN104331712B CN104331712B CN201410682794.4A CN201410682794A CN104331712B CN 104331712 B CN104331712 B CN 104331712B CN 201410682794 A CN201410682794 A CN 201410682794A CN 104331712 B CN104331712 B CN 104331712B
- Authority
- CN
- China
- Prior art keywords
- classification
- image
- algae
- msup
- mrow
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Abstract
本发明公开了一种藻类细胞图像自动分类方法,所述自动分类方法包括以下步骤:对藻类图像进行预处理,获取处理后的藻类图像;根据处理后的藻类图像,进行藻类图像视觉特征提取,获取多特征融合表示的特征向量;将所有藻类细胞按照类别进行分类,提取每类细胞中的特定比例的细胞图像作为后续模型学习的训练集;构建多任务学习模式的目标函数并求解;使用训练得到的模型对测试数据进行预测。本发明降低了计算复杂度,提高了藻类细胞的分类率。
Description
技术领域
本发明涉及图像处理、模式分类、环境监测等领域,尤其涉及一种藻类细胞图像自动分类方法。
背景技术
随着计算机科学的发展以及交叉学科应用的需求,计算技术已经广泛应用于环境监测领域。特别是随着人工智能领域研究的不断深入,通过对特定关注对象数学模型的构建实现计算机对图像、视频等媒体内容自动的理解成为可能。因此,在环境科学和信息科学之间的学科交叉研究可以促进先进的环境检测方法和仪器的研究。目前,水体中藻类细胞的类别和计数是监测水体污染物和判别水体质量的重要参考指标。然而,当前环境监测中仅能通过人力进行分类和计数,该方法费时费力,并且由于经验等多种因素,目前这种高度依赖于主观判别的方法往往不能快速准确的实现藻类细胞类别的准确识别,因此借助图像处理和模式识别的方法实现藻类细胞图像自动分类成为亟待解决的问题。
目前关于藻类图像自动分类的方法较少,根据采用模型的不同,将现有方法分为如下两种:
1)基于静态模型的方法[1-3]:该方法往往提取特定细胞区域的视觉特征(如:颜色、纹理和形状等特征),然后利用常见静态分类器(如支持向量机,朴素贝叶斯等)进行模型学习,然后再对未知类别的藻类图像进行自动分类。但是,该类方法往往依赖于具有鲁棒分辨能力的视觉特征描述子,否则很难准确分类形变复杂的藻类细胞。
2)基于时序模型的方法[4]:该类方法往往提取表征某类细胞连续时刻形态变化的特征序列,然后通过表征时间序列的图模型(如隐马尔可夫模型,随机场模型等)进行序列动态学习,然后利用训练得到的时序模型进行细胞分类。但是该方法进行时序模型学习时对大量数据具有很强依赖,并且因为模型结构复杂导致学习计算量大,速度慢。
发明内容
本发明提供了一种藻类细胞图像自动分类方法,本发明降低了计算复杂度,提高了藻类细胞的分类率,详见下文描述:
一种藻类细胞图像自动分类方法,所述自动分类方法包括以下步骤:
对藻类图像进行预处理,获取处理后的藻类图像;
根据处理后的藻类图像,进行藻类图像视觉特征提取,获取多特征融合表示的特征向量;
将所有藻类细胞按照类别进行分类,提取每类细胞中的特定比例的细胞图像作为后续模型学习的训练集;
构建多任务学习模式的目标函数并求解;使用训练得到的模型对测试数据进行预测;
其中,目标函数为:
式中,表示M个任务模型参数的集合,Wj为W的第j个列向量,表示第j个模型参数,表示基于最小二乘的多任务联合学习部分,表示基于组稀疏优化思想设计的正则项;||·||2表示列向量的l2范数,η为权重参数,表示第j类细胞的第k个样例的特征,Yj表示第j类类别标签。
所述使用训练得到的模型对测试数据进行预测的步骤具体为:
采用第l类的模型Wl对待测试的样本FU计算Wl×FU与所有类别标记的误差的绝对值|Wl×FU-Yj|,记录此时最小误差El,待依次计算所有类模型对应的最小误差后,选择这些值中最小值对应的右上角标记p,将FU分类为第p类;如果Yj=p,则正确分类,否则为错误分类。
本发明提供的技术方案的有益效果是:本发明将所有藻类细胞按照类别进行分类,提取每类细胞中的特定比例的细胞图像作为后续模型学习的训练集;构建多任务学习模式的目标函数并求解;使用训练得到的模型对测试数据进行预测从而解决第一类方法对高分辨力视觉特征的依赖,又可以避免第二类方法对大数据的依赖和高计算复杂度。本发明降低了计算复杂度,提高了藻类细胞的分类率。
附图说明
图1为菱形藻的示意图;
图2为桥弯藻的示意图;
图3为双眉藻的示意图;
图4为一种藻类细胞图像自动分类方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
本方法将突破背景技术中对每类藻类独立进行建模的现有方法,采用多任务联合学习的模型对多个藻类同时进行模型学习,从而解决第一类方法对高分辨力视觉特征的依赖,又可以避免第二类方法对大数据的依赖和高计算复杂度。
101:对藻类图像进行预处理,获取处理后的藻类图像;
其中,对所输入藻类图像(一幅图像中仅包含一个藻类细胞,如图1所示)的采集装置、摄像头参数、图像存储格式和图像分辨率等参数以及藻类图像的类型均无特殊限制。
为了满足后续处理所需的数据形式,本方法对输入的藻类图像进行图像灰度化处理,然后对灰度处理后的然后对图像进行滤波,其目的是滤掉图像噪声,将滤波后的图像尺度进行归一化,本发明中以双线性插值法为例进行实现,具体不限制。
上述对输入的藻类图像依次进行图像灰度化处理、滤波处理以及归一化处理的步骤为本领域技术人员所公知,本发明实施例对此不做限制。例如:本方法中的图像灰度化处理采用文献[5]中的内容,滤波处理以及归一化处理采用文献[6]中的内容。
102:根据处理后的藻类图像,进行藻类图像视觉特征提取;
由于后续采用多任务联合学习的方法来提高模型辨别能力,所以本发明对于藻类图像视觉特征类别不做具体限制,实验中针对上图中藻类图像所体现的纹理和形状特征,采用了多特征融合策略。
即:对图像I,分别提取N类视觉特征,第i类视觉特征采用向量Fi表示,然后将N类特征向量级联起来,形成最终的多特征融合表示的特征向量F=[F1,F2,……,FN]
由于方向梯度直方图对于表征藻类细胞外轮廓形状具有很强的性能,所以对藻类图像I提取了方向梯度直方图特征向量F1,具体可以参考文献[7]中的内容,本发明对此不做赘述。
由于尺度不变特征变换SIFT对于图像的局部纹理特性具有很强表征能力,所以对藻类图像I提取了采用尺度不变特征变换SIFT特向向量F2,具体可以参考文献[8]中的内容,本发明对此不做赘述。
在此基础上,将二者级联起来,形成融合后的特征向量[F1,F2]。
103:将所有藻类细胞按照类别进行分类,提取每类细胞中的特定比例的细胞图像作为后续模型学习的训练集;
将所有藻类细胞按照类别进行分类,假设共M类藻类细胞。第j类细胞用Sj表示,其中表示第j类细胞的第k个样例的特征表示,其中该类细胞共有Nj个样本。每类细胞制定相同的类别标签Yj,所有类别标记集记为Y。
然后,提取每类细胞中的特定比例R的细胞图像作为后续模型学习的训练集,其余所有数据用做测试数据集。其中,比例R根据需要设定,实验中参考值为50%。数据选取的方法也可以根据实际情况选择,实验中参考方法为人为随机选择。
104:构建多任务学习模式的目标函数并求解;
目前,现有的分类器大部分都是单独对某一个藻类进行识别,如果把每个藻类的识别看成一个任务的话,这种分类方法称为单一的任务学习。在单一的任务学习过程中,每个任务被认为是独立进行的,忽略了任务之间的关联性。因此,本方法加入藻类之间的关联信息,对多个藻类同时进行分类识别,即多任务学习。在多任务学习过程中,多个相关任务同时进行学习,实现多任务之间的信息共享,间接增加参加任务的样本个数,提高预测的性能。因此,多任务学习对提高藻类分类的准确率非常有益,尤其是在数据库的训练样本很少的状况下。
本发明中将每个任务模型的最小二乘优化形式累加起来,形成基于最小二乘的多任务联合学习方法进行多任务模型的训练。此外,为了挖掘多个任务间的关联特性,本方法借鉴了组稀疏优化思想通过正则项的设计实现每类任务模型参数的选择,从而间接实现图像特征的选择,将对多任务联合关联挖掘不利的特征进行过滤,从而得到更有利于不同藻类自动分类的模型。
该方法构建目标函数为:
其中,表示M个任务模型参数的集合,其中Wj为W的第j个列向量,表示第j个模型参数。这里,表示基于最小二乘的多任务联合学习部分,表示基于组稀疏优化思想设计的正则项。其中,||·||2表示列向量的l2范数。η为权重参数,通常进行经验性设置。实验中经验性采用了0.01。
该多任务学习模型可以通过对上述最小二乘法模式的目标函数最优化进行联合求解,具体算法不限制。实验中为了求解上述凸优化目标函数,采用了著名的凸优化工具包CVX进行求解,参见参考文献[9]。
105:使用训练得到的模型对测试数据进行预测。
本发明中,提出了基于全局最优的多任务分类方法。本发明依次采用第l类的模型Wl对待测试的样本FU(从测试集中选择的待测试样本,测试时假设该样本类别未知,所以用FU表示)计算Wl×FU与所有类别标记的误差的绝对值|Wl×FU-Yj|,记录此时最小误差El(表示选择第l类模型时候的误差),待依次计算所有类模型对应的最小误差后,选择这些值中最小值对应的右上角标记p,即可将FU分类为第p类。
采用上述方法对每一类测试数据中所有样本进行类别预测,然后统计该藻类细胞分类的准确率,具体方法如下:
以第j藻类细胞的预测为例:
对第j藻类细胞中的Nj个样本分别用上述方法预测,每个样本的预测类别记为p,而步骤103中样本准备时候其真实类别标签为Yj,如果Yj=p,则正确分类,否则为错误分类。统计正确分类样本总数NTP,则第j类细胞分类准确率为NTP/Nj。
通过上述步骤101-105即可统计到所有藻类细胞分类准确率。
下面通过具体的几组实验来验证本方法的可行性,详见下文描述:
实验中,通过培养准备了6类藻类图像,分别为:布纹藻、菱形藻、双眉藻、双菱藻、直链藻、桥弯藻,每类准备了1000个样本,图像分辨率为100×100。选取现有技术中比较成熟的3种方法作为对比实验,通过上述步骤101-105对6类藻类图像进行分类,得到的分类结果如表1所示:
表1
其中,对比方法1、2和3分别为参考文献[10]、[11]和[12]中描述的方法,该些方法为本领域技术人员所公知。通过上述实验可以看出本方法的分类准确度明显高于现有技术中的其他三种方法,验证了本方法的可行性,可以满足实际应用中的需要。
参考文献
1.Liu,A.,Li,K.,Kanade,T.:Spatiotemporal mitosis event detection intime-lapse phase contrast microscopy image sequences.In:IEEE InternationalConference on Multimedia and Expo,pp.1–6(2010)
2.Perner,P.,Perner,H.,Mller,B.:Mining knowledge for hep-2 cell imageclassification.Artificial Intelligence in Medicine 26,161–173(2002)
3.Cordelli,E.,P.,S.:Color to grayscale staining patternrepresentation in iif.In:In International Symposium on Computer-Based MedicalSystems,pp.1–6(2011)
4.Huh,S.,Ker,D.F.E.,Bise,R.,Chen,M.,Kanade,T.:Automated mitosisdetection of stem cell populations in phase-contrast microscopy images.IEEETransactions on Medical Imaging pp(99),1–12(2010)
5.阮秋琦,阮宇智,数字图像处理(第3版),2011年5月1日.
6.张德丰等编著,MATLAB数字图像处理,机械工业出版社,2009年.
7.Dalal N,Triggs B.Histograms of oriented gradients for humandetection[C].IEEE International Conference on Computer Vision and PatternRecognition,886–893,2005
8.Lowe,D.G.:Distinctive image features from scale-invariantkeypoints.Int.J.Computer Vision 60(2),91–110,(2004)
9.Michael Grant and Stephen Boyd.CVX:Matlab software for disciplinedconvex programming,version 2.0 beta.http://cvxr.com/cvx,September 2013.
10.Liu,A.,Li,K.,Kanade,T.:Spatiotemporal mitosis event detection intime-lapse phase contrast microscopy image sequences.In:IEEE InternationalConference on Multimedia and Expo,pp.1–6(2010)
11.Perner,P.,Perner,H.,Mller,B.:Mining knowledge for hep-2 cell imageclassification.Artificial Intelligence in Medicine 26,161–173(2002)
12.Cordelli,E.,P.,S.:Color to grayscale staining patternrepresentation in iif.In:In International Symposium on Computer-Based MedicalSystems,pp.1–6(2011)
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种藻类细胞图像自动分类方法,其特征在于,所述自动分类方法包括以下步骤:
对藻类图像进行预处理,获取处理后的藻类图像;
根据处理后的藻类图像,进行藻类图像视觉特征提取,获取多特征融合表示的特征向量;
将所有藻类细胞按照类别进行分类,提取每类细胞中的特定比例的细胞图像作为后续模型学习的训练集;
构建多任务学习模式的目标函数并求解;
使用训练得到的模型对测试数据进行预测;
其中,目标函数为:
<mrow>
<msup>
<mi>W</mi>
<mo>*</mo>
</msup>
<mo>=</mo>
<mi>arg</mi>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>W</mi>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>M</mi>
</mrow>
</munder>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msup>
<mi>N</mi>
<mi>j</mi>
</msup>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msup>
<mi>W</mi>
<mi>j</mi>
</msup>
<mo>&CenterDot;</mo>
<msubsup>
<mi>F</mi>
<mi>k</mi>
<mi>j</mi>
</msubsup>
<mo>-</mo>
<msup>
<mi>Y</mi>
<mi>j</mi>
</msup>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>+</mo>
<mi>&eta;</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>W</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>2</mn>
</msub>
</mrow>
式中,表示M个任务模型参数的集合,Wj为W的第j个列向量,表示第j个模型参数,表示基于最小二乘的多任务联合学习部分,表示基于组稀疏优化思想设计的正则项;||·||2表示列向量的l2范数,η为权重参数,表示第j类细胞的第k个样例的特征表示,Yj表示第j类类别标签;Nj为第j类细胞的样本数;
本方法加入藻类之间的关联信息,对多个藻类同时进行分类识别,即多任务学习;在多任务学习过程中,多个相关任务同时进行学习,实现多任务之间的信息共享,间接增加参加任务的样本个数,提高预测的性能;多任务学习对提高藻类分类的准确率非常有益,尤其是在数据库的训练样本很少的状况下;
为了挖掘多个任务间的关联特性,本方法借鉴了组稀疏优化思想通过正则项的设计实现每类任务模型参数的选择,从而间接实现图像特征的选择,将对多任务联合关联挖掘不利的特征进行过滤,从而得到更有利于不同藻类自动分类的模型。
2.根据权利要求1所述的一种藻类细胞图像自动分类方法,其特征在于,所述使用训练得到的模型对测试数据进行预测的步骤具体为:
采用第l类的模型Wl对待测试的样本FU计算Wl×FU与所有类别标记的误差的绝对值|Wl×FU-Yj|,记录此时最小误差El,待依次计算所有类模型对应的最小误差后,选择这些值中最小值对应的右上角标记p,将FU分类为第p类;如果Yj=p,则正确分类,否则为错误分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410682794.4A CN104331712B (zh) | 2014-11-24 | 2014-11-24 | 一种藻类细胞图像自动分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410682794.4A CN104331712B (zh) | 2014-11-24 | 2014-11-24 | 一种藻类细胞图像自动分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104331712A CN104331712A (zh) | 2015-02-04 |
CN104331712B true CN104331712B (zh) | 2017-08-25 |
Family
ID=52406433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410682794.4A Expired - Fee Related CN104331712B (zh) | 2014-11-24 | 2014-11-24 | 一种藻类细胞图像自动分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104331712B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022303B (zh) * | 2016-06-06 | 2019-07-19 | 南昌航空大学 | 基于无透镜全息成像的淡水藻类粗分类与计数方法 |
CN106446927B (zh) * | 2016-07-07 | 2019-05-28 | 浙江大学 | 一种自步增强图像分类方法及系统 |
BR112019023381A2 (pt) | 2017-05-10 | 2020-06-16 | Nec Corporation | Dispositivo de análise, dispositivo de datação de estrato, método de análise, método de datação de estrato e programa |
CN107729932B (zh) * | 2017-10-10 | 2019-07-26 | 杭州智微信息科技有限公司 | 骨髓细胞标记方法和系统 |
CN109300111B (zh) * | 2018-08-27 | 2020-05-12 | 杭州德适生物科技有限公司 | 一种基于深度学习的染色体识别方法 |
CN109447950B (zh) * | 2018-09-30 | 2023-12-15 | 国际商业机器(中国)投资有限公司 | 一种用于微生物的计数方法和系统 |
CN109271977A (zh) * | 2018-11-23 | 2019-01-25 | 四川长虹电器股份有限公司 | 票据自动分类训练方法、装置及自动分类方法、装置 |
CN109858386A (zh) * | 2019-01-09 | 2019-06-07 | 深圳市趣方科技有限公司 | 一种基于荧光显微图像的微藻细胞识别方法 |
CN110532941A (zh) * | 2019-08-27 | 2019-12-03 | 安徽生物工程学校 | 一种常见藻类的特征图像提取方法 |
CN111368872A (zh) * | 2019-12-20 | 2020-07-03 | 浙江大学 | 基于融合特征和验证模型的乳腺癌有丝分裂细胞检测方法 |
CN111524138B (zh) * | 2020-07-06 | 2020-09-22 | 湖南国科智瞳科技有限公司 | 一种基于多任务学习的显微图像细胞识别方法及装置 |
CN113268497A (zh) * | 2020-12-15 | 2021-08-17 | 龚文凯 | 一种目标关键部位智能识别学习训练方法及其设备 |
CN115925076B (zh) * | 2023-03-09 | 2023-05-23 | 湖南大学 | 一种基于机器视觉与深度学习的混凝自动投药方法与系统 |
CN117274869B (zh) * | 2023-09-25 | 2024-03-26 | 北方工业大学 | 一种基于形变场提取的细胞形变动态分类方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663406A (zh) * | 2012-04-12 | 2012-09-12 | 中国海洋大学 | 一种基于显微图像的角毛藻和非角毛藻自动分类方法 |
CN102682302A (zh) * | 2012-03-12 | 2012-09-19 | 浙江工业大学 | 一种基于关键帧的多特征融合的人体姿态识别方法 |
CN102722717A (zh) * | 2012-05-22 | 2012-10-10 | 天津大学 | 一种细胞分裂识别方法 |
CN103605667A (zh) * | 2013-10-28 | 2014-02-26 | 中国计量学院 | 一种图像自动标注算法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8687893B2 (en) * | 2011-03-31 | 2014-04-01 | Microsoft Corporation | Classification algorithm optimization |
-
2014
- 2014-11-24 CN CN201410682794.4A patent/CN104331712B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682302A (zh) * | 2012-03-12 | 2012-09-19 | 浙江工业大学 | 一种基于关键帧的多特征融合的人体姿态识别方法 |
CN102663406A (zh) * | 2012-04-12 | 2012-09-12 | 中国海洋大学 | 一种基于显微图像的角毛藻和非角毛藻自动分类方法 |
CN102722717A (zh) * | 2012-05-22 | 2012-10-10 | 天津大学 | 一种细胞分裂识别方法 |
CN103605667A (zh) * | 2013-10-28 | 2014-02-26 | 中国计量学院 | 一种图像自动标注算法 |
Also Published As
Publication number | Publication date |
---|---|
CN104331712A (zh) | 2015-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104331712B (zh) | 一种藻类细胞图像自动分类方法 | |
Acevedo et al. | Recognition of peripheral blood cell images using convolutional neural networks | |
CN109952614B (zh) | 生物粒子的分类系统和方法 | |
Seguí et al. | Learning to count with deep object features | |
Katharopoulos et al. | Processing megapixel images with deep attention-sampling models | |
CN104166859A (zh) | 基于ssae和fsals-svm极化sar图像分类 | |
Guruvayur et al. | A detailed study on machine learning techniques for data mining | |
Wang et al. | A computer vision based machine learning approach for fatigue crack initiation sites recognition | |
Basha et al. | A review on imbalanced data classification techniques | |
CN104834941A (zh) | 基于计算机输入下的稀疏自编码的脱机手写体识别方法 | |
US10769432B2 (en) | Automated parameterization image pattern recognition method | |
Sun et al. | Brushstroke based sparse hybrid convolutional neural networks for author classification of Chinese ink-wash paintings | |
Wang et al. | Transferred parallel convolutional neural network for large imbalanced plankton database classification | |
Yang et al. | Shape-based classification of environmental microorganisms | |
Guang et al. | Cmsea: Compound model scaling with efficient attention for fine-grained image classification | |
Li et al. | A multi-stage approach for automatic classification of environmental microorganisms | |
Rethik et al. | Attention Based Mapping for Plants Leaf to Classify Diseases using Vision Transformer | |
Ridoy et al. | A lightweight convolutional neural network for white blood cells classification | |
Bruch et al. | Evaluation of semi-supervised learning using sparse labeling to segment cell nuclei | |
CN109472319B (zh) | 一种三维模型分类方法以及检索方法 | |
Yang et al. | Agricultural Few-Shot Selection by Model Confidences for Multimedia Internet of Things Acquisition Dataset | |
Abishek et al. | Soil Texture Prediction Using Machine Learning Approach for Sustainable Soil Health Management | |
Li et al. | MCFF: Plant leaf detection based on multi-scale CNN feature fusion | |
Duth et al. | Herbal Leaf Classification using RCNN, Fast RCNN, Faster RCNN | |
Kamath | On the role of data mining techniques in uncertainty quantification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170825 Termination date: 20191124 |
|
CF01 | Termination of patent right due to non-payment of annual fee |