CN104573746A - 基于磁共振成像的实蝇种类识别方法 - Google Patents
基于磁共振成像的实蝇种类识别方法 Download PDFInfo
- Publication number
- CN104573746A CN104573746A CN201510030722.6A CN201510030722A CN104573746A CN 104573746 A CN104573746 A CN 104573746A CN 201510030722 A CN201510030722 A CN 201510030722A CN 104573746 A CN104573746 A CN 104573746A
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- trypetid
- image
- resonance imaging
- identification method
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于磁共振成像的实蝇种类识别方法,采用磁共振射频线圈对待识别实蝇进行磁共振成像,根据磁共振图像的特性以及模拟人类视觉,将磁共振图像的空间域由傅里叶变换为频域,根据频域中的突出区域再经傅里叶逆变换来得到图像空间域的显著区域,采用神经网络算法对显著区域的数据信息进行学习和训练,得到较为可靠的目标结果,将该目标结果与知识数据库中已经种类的实蝇进行图像匹配,以得到待识别实蝇种类。本发明将磁共振成像用于实蝇种类的识别,无需进行生物学和解剖学的分析对比,完成磁共振成像后通过软件完成上述方法步骤,即可得到实蝇的种类,识别准确度高。
Description
技术领域
本发明涉及磁共振成像应用领域,具体地讲是一种基于磁共振成像的实蝇种类分类方法。
背景技术
磁共振成像(Magnetic Resonance Imaging,MRI)技术是利用氢原子核的磁性、在外加梯度磁场和激励的作用下产生共振信号,从而检测并绘制成物体内部的结构图像的一种方法,是现代物理学应用于临床医学领域的一个里程碑。除医学领域外,MRI作为影像学的高端核心技术正在迅速发展,其硬件平台和软件技术不断更新,应用范围逐步扩大。随着设备小型化、国产化和价格下降,已逐步推广应用,如:物理、化学、医疗、石油化工、考古、出入境检验检疫、工农业产品的品质检验、食品安全检测等诸多方面。
在科研领域,磁共振还很少应用于昆虫成像。现有技术中,昆虫的磁共振成像未被用于解决实际技术问题。实蝇作为一种检疫性害虫,易对农作物产生危害,尤其是外来物种的入侵,可能造成大量繁殖而无法遏制的现象。因此,对于出入境检验检疫部门来说,快速地识别实蝇种类能够有效地防止外来有害生物的进入,提高出入境检验检疫的效率,显得至关重要。
然而,现有技术还无法实现对实蝇种类的识别,主要通过生物学和解剖学对实蝇进行识别,即从生物学的角度对实蝇的外形等进行辨认,但由于不同种类实蝇相似度高,纯粹从外形辨认准确性和可靠性不高;现有技术还通过对实蝇解剖后再通过其内部结构进行辨认,相对复杂,且专业性要求较高,非专业技术人员难以胜任,不便于出入境检验检疫部门的实际操作。现有技术中,磁共振虽然能够对实蝇成像,却无法根据磁共振图像对实蝇进行识别和辨认,难以解决这一现实的技术问题。
发明内容
有鉴于此,本发明要解决的技术问题是,提供一种能够利用磁共振图像实现对实蝇识别的基于磁共振成像的实蝇种类识别方法。
本发明的技术解决方案是,提供以下步骤的基于磁共振成像的实蝇种类识别方法,包括以下各步骤:
1)在主磁场场强1.0特斯拉以上、成像区域场强不均匀性小于2ppm的磁共振成像系统中,采用小尺寸圆柱形磁共振射频线圈对待分类实蝇成像,成像时将实蝇置于射频线圈内,得到实蝇磁共振图像。
2)根据得到的实蝇磁共振图像,对图像进行显著性检测,通过求得图像傅里叶变换后的幅度谱的残差,经傅里叶逆变换得到空间域的显著度图像,从显著度图像可得到显著区域;
3)采集显著区域对应的数据信息,采用极限学习机的神经网络算法对所述显著区域的数据信息进行在线实时的快速学习,得到目标结果;
4)将目标结果与知识数据库进行图像匹配,所述的知识数据库包含了已经类别的多种实蝇的特征数据,所述的特征数据也由磁共振成像得到;
5)根据匹配的结果,判断待识别实蝇是否属于知识数据库中的已经种类,若是则确定属于知识数据库中的哪一已经种类;若否则作为一个新的种类添加入知识数据库。
采用本发明的方法,与现有技术相比,本发明具有以下优点:本发明采用特殊的磁共振线圈对待识别实蝇进行磁共振成像,根据磁共振图像的特性以及模拟人类视觉,将磁共振图像的空间域由傅里叶变换为频域,根据频域中的突出区域再经傅里叶逆变换来得到图像空间域的显著区域,采用神经网络算法对显著区域的数据信息进行学习和训练,得到较为可靠的目标结果,将该目标结果与知识数据库中已经种类的实蝇进行图像匹配,以得到待识别实蝇种类。本发明将磁共振成像用于实蝇种类的识别,区别常见的识别方法,完成磁共振成像后通过软件完成上述方法步骤,即可得到实蝇的种类,识别准确度高。
作为改进,步骤2)中的所述显著度图像由平均滤波器进行一次平滑,以消除少数孤立的显著点。考虑到人眼视觉的局部成组效应(本发明基于对人类视觉的模拟),在平均滤波器滤波后能得到更好的视觉效果。
作为改进,采用集成神经网络完成步骤3),具体步骤为:由多个个体分类器分别对相应的训练数据集有放回的重复取样,并行单独训练,然后采用多数投票法进行集成,得到分类器集成后的目标结果,作为步骤4)的匹配对象。采用该步骤,集成神经网络性能优于单个神经网络做出了解释,理论上神经网络个数足够大,则误差趋近于0。
作为改进,步骤4)中所述的图像匹配采用基于尺度不变特征变换的图像匹配方法进行,具体为:a、搜索所有尺度上的图像位置,通过高斯微分函数来识别潜在的对于尺度和旋转不变的兴趣点;b、在每个候选的兴趣点上,通过一个拟合精细的模型来确定位置和尺度;c、基于图像局部的梯度方向,分配给每个兴趣点位置一个或多个方向,所有后面的对图像数据的操作都相对于兴趣点的方向、尺度和位置进行变换,从而提供对于这些变换的不变性;d、在每个关键点周围的邻域内,在选定的尺度上测量图像局部的梯度。采用上述匹配方法,具有对旋转、尺度缩放和亮度变化保持不变性,对视角变化、仿射变换和噪声保持较高程度的稳定性。
附图说明
图1为发明基于磁共振成像的实蝇种类识别方法的流程框图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,但本发明并不仅仅限于这些实施例。
本发明涵盖任何在本发明的精髓和范围上做的替代、修改、等效方法以及方案。为了使公众对本发明有彻底的了解,在以下本发明优选实施例中详细说明了具体的细节,而对本领域技术人员来说没有这些细节的描述也可以完全理解本发明。此外,本发明之附图中为了示意的需要,并没有完全精确地按照实际比例绘制,在此予以说明。
如图1所示,本发明的基于磁共振成像的实蝇种类识别方法,包括以下具体实施步骤:
1)在主磁场场强1.0特斯拉以上、成像区域场强不均匀性小于2ppm的磁共振成像系统中,采用小尺寸圆柱形磁共振射频线圈对待分类实蝇成像,成像时将实蝇置于射频线圈内,得到实蝇磁共振图像。
2)根据得到的实蝇磁共振图像,对图像进行显著性检测,通过求得图像傅里叶变换后的幅度谱的残差,经傅里叶逆变换得到空间域的显著度图像,从显著度图像可得到显著区域;
3)采集显著区域对应的数据信息,采用极限学习机的神经网络算法对所述显著区域的数据信息进行在线实时的快速学习,得到目标结果;
4)将目标结果与知识数据库进行图像匹配,所述的知识数据库包含了已经类别的多种实蝇的特征数据,所述的特征数据也由磁共振成像得到;
5)根据匹配的结果,判断待识别实蝇是否属于知识数据库中的已经种类,若是则确定属于知识数据库中的哪一已经种类;若否则作为一个新的种类添加入知识数据库。
步骤2)中的所述显著度图像由平均滤波器进行一次平滑,以消除少数孤立的显著点。
采用集成神经网络完成步骤3),具体步骤为:由多个个体分类器分别对相应的训练数据集有放回的重复取样,并行单独训练,然后采用多数投票法进行集成,得到分类器集成后的目标结果,作为步骤4)的匹配对象。
步骤4)中所述的图像匹配采用基于尺度不变特征变换的图像匹配方法进行,具体为:a、搜索所有尺度上的图像位置,通过高斯微分函数来识别潜在的对于尺度和旋转不变的兴趣点;b、在每个候选的兴趣点上,通过一个拟合精细的模型来确定位置和尺度;c、基于图像局部的梯度方向,分配给每个兴趣点位置一个或多个方向,所有后面的对图像数据的操作都相对于兴趣点的方向、尺度和位置进行变换,从而提供对于这些变换的不变性;d、在每个关键点周围的邻域内,在选定的尺度上测量图像局部的梯度。
本发明模拟人眼处理视觉信息的方式,提出一种“显著性检测+神经网络模型+SIFT特征匹配”的MRI图像目标识别框架。首先,利用视觉注意机制定位图像中的显著性区域,通过对显著性区域的少数样本采集,在线构建像素分类模型;最终,图像分割得到的目标与MRI图像数据库(知识数据库)中已知类别的实蝇MRI图像相对比,经SIFT特征匹配实现目标分类。
1、显著性检测。每秒钟有大量的视觉信息进入人眼。如果没有一个智慧的机制来滤除视觉中的无关数据,实时处理全部数据将是一个非常恐怖的事情。高层次的认知和复杂处理,比如物体认知或者场景理解,都依赖这些经过转换过的易处理的数据。这个机制就是视觉注意,因此需要对图像中的显著性区域进行识别。
基于频域分析的模型主要是利用傅里叶变换等方法将图像从空间域变换到频域,并对频域信息分析处理,寻找出显著特征,再反变换到空间域得到显著度图。通过求得图像傅里叶变换后的幅度谱的残差,经傅里叶逆变换来直接检测图像显著区域。与其他显著性检测方法比较,谱残差法的计算速度很快。更具体的显著性检测步骤如下:
对于给定的磁共振图像I(x),首先对其进行二维离散傅里叶变换F[I(x)],将图像由空间域转换到频域,得到幅值A(f)和相位P(f)信息:
A(f)=|F[1(x)]| (1)
接着对幅值取对数,得到log谱L(f):
L(f)=log(A(f)) (3)
式中F表示二维离散傅里叶变换,|.|表示幅值运算,表示相位运算;由于log曲线满足局部线性条件,所以用局部平均滤波器hn(f)对其进行平滑,获得log谱的大致形状:
V(f)=L(f)*hn(f) (4)
其中hn(f)是一个n×n的矩阵,定义如下:
谱残差R(f)则是对图像中的突变区域的描述:
R(f)=L(f)-V(f) (6)
通过傅里叶逆变换,可以在空间域得到显著度图像。
S(x)=|F-1[exp{R(f)+jP(f)}]|2 (7)
显著度图上每点的值表示该位置的显著度。考虑到人眼视觉的局部成组效应,为了消除少数孤立的显著点,得到更好的视觉效果,我们在得到S(x)后再用平均滤波器进行一次平滑,得到最终的显著度图Z(x)。
Z(x)=S(x)*hn(f) (8)
谱残差算法对像素的操作是一种批处理,算法简单、快速、易实现,且对于噪声具有一定的鲁棒性。
2、在线实时的快速学习。采用机器学习的目的是:①直接利用神经网络算法模拟人类“脑-眼”神经系统;②将非结构化信息经过“学习”转换为可计算模型。
本发明采用一种批处理训练数据的新神经网络——极限学习机(Extreme learningmachine,ELM)作为机器学习算法的基础。ELM是一种单隐层前馈神经网络(Single-hiddenlayer feedforward networks,SLFNs)。对一个给定的训练样本集有L个隐层结点的SLFNs表示为:
其中ai和bi是隐结点的参数,可独立于训练数据的随机产生。K(ai,bi,xj)是第i个隐结点对应于输入的输出项。βi是第i个隐结点到输出结点的连接权值。如果给定的训练样本已知,且ai和bi已经随机产生,则K(ai,bi,xj)可计算,公式(9)成为一个线性系统,其中只有βi是未知项,可以通过线性代数方法求解。
基于上述原理,在给定训练集下,单隐层反馈神经网络的性能完全由其隐层结点与输出结点的连接权值确定,而与输入端与隐层结点的连接权值、偏移值等无关。由此能用数学手段解得关键连接权值的解析解而非迭代近似解,从而使得ELM算法本质上最优,避免了基于梯度下降法迭代求解的神经网络出现局部极小的情况。
利用K个简单的ELM得到输出结果,再通过集成方法求出每个样本的后验概率,接下来根据后验概率计算样本类别。这种方法有效的解决了单个ELM学习的不稳定性,并且由于采用集成的方法,提高了ELM的泛化性能。
集成神经网络性能能够优于单个神经网络在于:假设集成分类器由N个不相关的神经网络组成,每个神经网络的分类误差是p,各个神经网络的误差是相互独立的,采用多数投票法,则集成的误差为
由式(10)可知,当p<0.5时,E随N的增大单调递减。所以,若每个成员神经网络的分类正确率都高于50%,并且各个成员网络的误差相互独立,则当成员神经网络个数N足够大时,集成分类误差趋向于0。虽然实际应用中,成员网络个数是有限多个,各个成员网络的误差也不是相互独立的,通常不能获得100%的集成分类正确率,但总体上可以获得高于单个神经网络的分类精度。
由于ELM模型不是非常稳定的分类器,因此本发明改进中依靠Bagging(BootstrapAggregating)算法:由多个个体分类器分别对训练集有放回的重复取样(BootstrapSampling),并行单独训练,然后采用投票法进行集成。
3、基于尺度不变特征变换(SIFT)特征的图像匹配
SIFT算法的实质是在不同的尺度空间上查找关键点(兴趣点),并计算出关键点的方向。SIFT查找到的关键点不会因光照,仿射变换和噪音等因素而变化,如角点、边缘点、暗区的亮点及亮区的暗点等。SIFT算法分解为如下四步:
1)尺度空间极值检测:搜索所有尺度上的图像位置。通过高斯微分函数来识别潜在的对于尺度和旋转不变的兴趣点。
2)关键点定位:在每个候选的位置上,通过一个拟合精细的模型来确定位置和尺度。关键点的选择依据于它们的稳定程度。
3)方向确定:基于图像局部的梯度方向,分配给每个关键点位置一个或多个方向。所有后面的对图像数据的操作都相对于关键点的方向、尺度和位置进行变换,从而提供对于这些变换的不变性。
4)关键点描述:在每个关键点周围的邻域内,在选定的尺度上测量图像局部的梯度。这些梯度被变换成一种表示,这种表示允许比较大的局部形状的变形和光照变化。
SIFT算法的特点:
1)SIFT特征是图像的局部特征,其对旋转、尺度缩放、亮度变化保持不变性,对视角变化、仿射变换、噪声也保持一定程度的稳定性;
2)独特性(Distinctiveness)好,信息量丰富,适用于在海量特征数据库中进行快速、准确的匹配;
3)多量性,即使少数的几个物体也可以产生大量的SIFT特征向量;
4)高速性,经优化的SIFT匹配算法甚至可以达到实时的要求;
5)可扩展性,可以很方便的与其他形式的特征向量进行联合。
以上仅就本发明较佳的实施例作了说明,但不能理解为是对权利要求的限制。本发明不仅局限于以上实施例,其具体结构允许有变化。总之,凡在本发明独立权利要求的保护范围内所作的各种变化均在本发明的保护范围内。
Claims (4)
1.一种基于磁共振成像的实蝇种类识别方法,其特征在于:包括以下各步骤:
1)在主磁场场强1.0特斯拉以上、成像区域场强不均匀性小于2ppm的磁共振成像系统中,采用小尺寸圆柱形磁共振射频线圈对待分类实蝇成像,成像时将实蝇置于射频线圈内,得到实蝇磁共振图像;
2)根据得到的实蝇磁共振图像,对图像进行显著性检测,通过求得图像傅里叶变换后的幅度谱的残差,经傅里叶逆变换得到空间域的显著度图像,从显著度图像可得到显著区域;
3)采集显著区域对应的数据信息,采用极限学习机的神经网络算法对所述显著区域的数据信息进行在线实时的快速学习,得到目标结果;
4)将目标结果与知识数据库进行图像匹配,所述的知识数据库包含了已经类别的多种实蝇的特征数据,所述的特征数据也由磁共振成像得到;
5)根据匹配的结果,判断待识别实蝇是否属于知识数据库中的已经种类,若是则确定属于知识数据库中的哪一已经种类;若否则作为一个新的种类添加入知识数据库。
2.根据权利要求1所述的基于磁共振成像的实蝇种类识别方法,其特征在于:步骤2)中的所述显著度图像由平均滤波器进行一次平滑,以消除少数孤立的显著点。
3.根据权利要求1所述的基于磁共振成像的实蝇种类识别方法,其特征在于:采用集成神经网络完成步骤3),具体步骤为:由多个个体分类器分别对相应的训练数据集有放回的重复取样,并行单独训练,然后采用多数投票法进行集成,得到分类器集成后的目标结果,作为步骤4)的匹配对象。
4.根据权利要求1、2或3所述的基于磁共振成像的实蝇种类识别方法,其特征在于:步骤4)中所述的图像匹配采用基于尺度不变特征变换的图像匹配方法进行,具体为:a、搜索所有尺度上的图像位置,通过高斯微分函数来识别潜在的对于尺度和旋转不变的兴趣点;b、在每个候选的兴趣点上,通过一个拟合精细的模型来确定位置和尺度;c、基于图像局部的梯度方向,分配给每个兴趣点位置一个或多个方向,所有后面的对图像数据的操作都相对于兴趣点的方向、尺度和位置进行变换,从而提供对于这些变换的不变性;d、在每个关键点周围的邻域内,在选定的尺度上测量图像局部的梯度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510030722.6A CN104573746B (zh) | 2015-01-21 | 2015-01-21 | 基于磁共振成像的实蝇种类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510030722.6A CN104573746B (zh) | 2015-01-21 | 2015-01-21 | 基于磁共振成像的实蝇种类识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104573746A true CN104573746A (zh) | 2015-04-29 |
CN104573746B CN104573746B (zh) | 2017-10-17 |
Family
ID=53089765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510030722.6A Expired - Fee Related CN104573746B (zh) | 2015-01-21 | 2015-01-21 | 基于磁共振成像的实蝇种类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104573746B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933724A (zh) * | 2015-06-25 | 2015-09-23 | 中国计量学院 | 实蝇磁共振图像的自动图像分割方法 |
CN110060315A (zh) * | 2019-04-22 | 2019-07-26 | 深圳安科高技术股份有限公司 | 一种基于人工智能的图像运动伪影消除方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050025357A1 (en) * | 2003-06-13 | 2005-02-03 | Landwehr Val R. | Method and system for detecting and classifying objects in images, such as insects and other arthropods |
US20120021450A1 (en) * | 2002-03-07 | 2012-01-26 | Carnegie Mellon University | Methods for magnetic resonance imaging |
CN103177266A (zh) * | 2013-04-07 | 2013-06-26 | 青岛科技大学 | 储藏物害虫智能识别系统 |
-
2015
- 2015-01-21 CN CN201510030722.6A patent/CN104573746B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120021450A1 (en) * | 2002-03-07 | 2012-01-26 | Carnegie Mellon University | Methods for magnetic resonance imaging |
US20050025357A1 (en) * | 2003-06-13 | 2005-02-03 | Landwehr Val R. | Method and system for detecting and classifying objects in images, such as insects and other arthropods |
CN103177266A (zh) * | 2013-04-07 | 2013-06-26 | 青岛科技大学 | 储藏物害虫智能识别系统 |
Non-Patent Citations (1)
Title |
---|
徐文龙 等: ""基于目标场法的磁共振成像小尺寸射频线圈设计"", 《高电压技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933724A (zh) * | 2015-06-25 | 2015-09-23 | 中国计量学院 | 实蝇磁共振图像的自动图像分割方法 |
CN104933724B (zh) * | 2015-06-25 | 2019-07-26 | 中国计量学院 | 实蝇磁共振图像的自动图像分割方法 |
CN110060315A (zh) * | 2019-04-22 | 2019-07-26 | 深圳安科高技术股份有限公司 | 一种基于人工智能的图像运动伪影消除方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104573746B (zh) | 2017-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Makantasis et al. | Tensor-based classification models for hyperspectral data analysis | |
Chen et al. | Identification of plant disease images via a squeeze‐and‐excitation MobileNet model and twice transfer learning | |
Suhao et al. | Vehicle type detection based on deep learning in traffic scene | |
Li et al. | Robust capsule network based on maximum correntropy criterion for hyperspectral image classification | |
Cengil et al. | Image classification with caffe deep learning framework | |
CN104573699A (zh) | 基于中等场强磁共振解剖成像的实蝇识别方法 | |
Krishnan et al. | An automated segmentation and classification model for banana leaf disease detection | |
Zhang et al. | Unsupervised difference representation learning for detecting multiple types of changes in multitemporal remote sensing images | |
Kurmi et al. | Deep CNN model for crops’ diseases detection using leaf images | |
CN104573745A (zh) | 基于磁共振成像的实蝇分类方法 | |
CN112990282B (zh) | 一种细粒度小样本图像的分类方法及装置 | |
CN116612335B (zh) | 一种基于对比学习的少样本细粒度图像分类方法 | |
CN112766161A (zh) | 基于集成约束多示例学习的高光谱目标检测方法 | |
Shadrach et al. | Anomaly Detection in Vitis Vinifera Using Neural Networks and Radon Transform | |
Zhang et al. | [Retracted] Identification of Navel Orange Diseases and Pests Based on the Fusion of DenseNet and Self‐Attention Mechanism | |
Henila et al. | Segmentation using fuzzy cluster‐based thresholding method for apple fruit sorting | |
Zhu et al. | Identifying strawberry appearance quality based on unsupervised deep learning | |
Shi et al. | Hyperspectral image classification based on dual-branch spectral multiscale attention network | |
CN104573746A (zh) | 基于磁共振成像的实蝇种类识别方法 | |
Yigezu et al. | Early ginger disease detection using deep learning approach | |
Bhatheja et al. | Detection of cotton plant disease for fast monitoring using enhanced deep learning technique | |
Chen et al. | Classification of solar radio spectrum based on VGG16 transfer learning | |
Yaman et al. | Image processing and machine learning‐based classification method for hyperspectral images | |
CN104933724A (zh) | 实蝇磁共振图像的自动图像分割方法 | |
CN114926745A (zh) | 一种域特征映射的少样本sar目标识别方法 |
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: 20171017 Termination date: 20200121 |
|
CF01 | Termination of patent right due to non-payment of annual fee |