CN104749352A - 尿液有形成分分析方法和装置 - Google Patents

尿液有形成分分析方法和装置 Download PDF

Info

Publication number
CN104749352A
CN104749352A CN201310753108.3A CN201310753108A CN104749352A CN 104749352 A CN104749352 A CN 104749352A CN 201310753108 A CN201310753108 A CN 201310753108A CN 104749352 A CN104749352 A CN 104749352A
Authority
CN
China
Prior art keywords
block
division
characteristic
visible component
decision tree
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
Application number
CN201310753108.3A
Other languages
English (en)
Inventor
申田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens Healthcare Diagnostics GmbH Germany
Siemens Healthcare Diagnostics Inc
Original Assignee
Siemens Healthcare Diagnostics Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Siemens Healthcare Diagnostics Inc filed Critical Siemens Healthcare Diagnostics Inc
Priority to CN201310753108.3A priority Critical patent/CN104749352A/zh
Priority to PCT/US2014/071496 priority patent/WO2015102947A1/en
Publication of CN104749352A publication Critical patent/CN104749352A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/483—Physical analysis of biological material
    • G01N33/487—Physical analysis of biological material of liquid biological material
    • G01N33/493—Physical analysis of biological material of liquid biological material urine

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Chemical & Material Sciences (AREA)
  • Urology & Nephrology (AREA)
  • Physics & Mathematics (AREA)
  • Food Science & Technology (AREA)
  • Molecular Biology (AREA)
  • Hematology (AREA)
  • Biophysics (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了尿液有形成分分析方法和装置。该方法包括：从尿液样本图像中检测有形成分区块；为多个决策树分配分类特征集中的分类特征，从而使所述多个决策树中的每个决策树对有形成分区块进行分类的能力均衡，所述分类特征集中的分类特征用于对有形成分区块进行分类；按照所述多个决策树决策的结果对有形成分区块进行分类。本发明的一个实施例提高了有形成分区块的分类准确度。

Description

尿液有形成分分析方法和装置
技术领域
本发明涉及生物检测，尤其涉及一种尿液有形成分分析方法和装置。
背景技术
在通常的尿沉渣分析技术中，首先利用显微系统拍摄尿液样本图像。然后，利用边缘检测技术分割出尿液样本中的微粒区块。从这些微粒区块中去除杂质区块和背景区块，留下有形成分（如红细胞、白细胞、结晶）区块。然后，对这些有形成分分类，例如分成红细胞、白细胞、结晶等。
分类过程常常使用基于训练模型的分类器。例如，会利用一些对于区分各类有形成分有帮助的分类特征，例如面积、圆形度、伸展度、梯度等，组成分类特征集来训练分类器，例如神经网络。例如，事先将大量的有形成分区块样本输入分类器，并通过测算它们的分类特征（例如面积、圆形度、伸展度、梯度等）进行训练。这样，当输入新的有形成分区块后，训练好的分类器根据测算的该区块的分类特征，对其进行分类。
现有的尿沉渣分析技术中，存在着有形成分区块分类准确度不够高等缺点。
发明内容
本发明的一个实施例旨在提高有形成分区块的分类准确度。
根据本发明的一个实施例，提供了一种尿液有形成分分析方法，包括：从尿液样本图像中检测有形成分区块；为多个决策树分配分类特征集中的分类特征，从而使所述多个决策树中的每个决策树对有形成分区块进行分类的能力均衡，所述分类特征集中的分类特征用于对有形成分区块进行分类；按照所述多个决策树决策的结果对有形成分区块进行分类。
在一种具体实现中，为多个决策树分配分类特征集中的分类特征从而使所述多个决策树中的每个决策树对有形成分区块进行分类的能力均衡的步骤包括：将分类特征集中的分类特征按照对有形成分区块进行分类的有效性分成多个级别，并使每个决策树具有在所述多个级别中的每个级别的分类特征。
在一种具体实现中，为神经网络中的多个决策树分配分类特征集中的分类特征从而使所述多个决策树中的每个决策树对有形成分区块进行分类的能力均衡的步骤包括：对分类特征集中的分类特征对有形成分区块进行分类的有效性进行评分，并使每个决策树分配到的分类特征的总评分均衡。
在一种具体实现中，从尿液样本图像中检测有形成分区块的步骤包括：从尿液样本图像中分割出微粒区块；按照检测特征集中的检测特征，使检测算法从分割出的微粒区块中去除杂质区块和背景区块，保留有形成分区块；接收对杂质区块或背景区块的去除或对有形成分区块的保留的结果的反馈，按照该反馈进一步训练检测算法。
在一种具体实现中，该预先按照检测特征集中的检测特征，针对预先输入的有形成分区块、杂质区块和背景区块的样本集训练所述检测算法。
在一种具体实现中，利用检测算法从分割出的微粒区块中去除杂质区块和背景区块并保留有形成分区块的步骤包括：按照检测特征集中的第一部分检测特征滤除一部分杂质区块和/或背景区块，再按照检测特征集中的第二部分检测特征滤除另一部分杂质区块和/或背景区块。
根据本发明的一个实施例，提供了一种尿液有形成分分析装置，包括：检测单元，被配置成从尿液样本图像中检测有形成分区块；分配单元，被配置成为多个决策树分配分类特征集中的分类特征，从而使所述多个决策树中的每个决策树对有形成分区块进行分类的能力均衡，所述分类特征集中的分类特征用于对有形成分区块进行分类；分类单元，被配置成按照所述多个决策树决策的结果对有形成分区块进行分类。
在一种具体实现中，分配单元被配置成将分类特征集中的分类特征按照对有形成分区块进行分类的有效性分成多个级别，并使每个决策树具有在所述多个级别中的每个级别的分类特征。
在一种具体实现中，分配单元被配置成对分类特征集中的分类特征对有形成分区块进行分类的有效性进行评分，并使每个决策树分配到的分类特征的总评分均衡。
在一种具体实现中，检测单元被配置为：从尿液样本图像中分割出微粒区块；按照检测特征集中的检测特征，使检测算法从分割出的微粒区块中去除杂质区块和背景区块，保留有形成分区块；接收对杂质区块或背景区块的去除或对有形成分区块的保留的结果的反馈，按照该反馈进一步检测算法。
在一种具体实现中，预先按照检测特征集中的检测特征，针对预先输入的有形成分区块、杂质区块和背景区块的样本集训练检测算法。
由于根据本发明的一个实施例，为多个决策树分配分类特征集中的分类特征，从而使所述多个决策树中的每个决策树对有形成分区块进行分类的能力均衡。用这样多个能力均衡的决策树分别决策，并综合其决策结果，得到的分类结果会更准确。因此，本发明的一个实施例提高了有形成分区块的分类准确度。
附图说明
本发明的这些和其它的特征和优点通过以下结合附图的详细描述将变得更加显而易见。
图1示出了根据本发明的一个实施例的尿液有形成分分析方法的流程图。
图2示出了根据本发明的一个实施例的尿液有形成分分析装置的框图。
图3示出了根据本发明的一个实施例的尿液有形成分分析设备的框图。
具体实施方式
下面，将结合附图详细描述本发明的各个实施例。
如图1所示，根据本发明的一个实施例的尿液有形成分分析方法1，包括：在步骤S1，从尿液样本图像中检测有形成分区块；在步骤S2，为多个决策树分配分类特征集中的分类特征，从而使所述多个决策树中的每个决策树对有形成分区块进行分类的能力均衡，所述分类特征集中的分类特征用于对有形成分区块进行分类；在步骤S3，按照所述多个决策树决策的结果对有形成分区块进行分类。
现在结合一个具体实施例对步骤S1-S3所述的过程进行描述。
首先，在步骤S1，从尿液样本图像中检测有形成分区块。
利用现有技术的边缘检测等方法，可以从拍摄的尿液样本图像中分割出微粒区块（包括有形成分区块、杂质区块、背景区块）。检测有形成分区块的过程也可用到训练模型。类似于分类训练模型中的分类特征集，检测训练模型中用到检测特征集。检测特征集中的检测特征是用来区分有形成分和杂质、背景等的。分类特征集中的分类特征是用来区分不同有形成分的。因此，检测特征可能会不同于分类特征，但也可能部分是相同的。
可以按照检测特征集中的检测特征，针对预先输入的大量有形成分区块、杂质区块和背景区块的样本集训练基于boosting的检测算法。杂质区块和背景区块的样本例如可通过挖掘算法产生。
例如，在圆形度作为唯一的检测特征的情况下，训练后的基于boosting的检测算法就会将圆形度在某一范围内的区块检测为有形成分区块，而将圆形度在另一范围内的区块归为杂质区块。这样，按照检测特征集中的检测特征，训练后的基于boosting的检测算法就可以从分割出的微粒区块中去除杂质区块和背景区块，保留有形成分区块。
在实际运行时，在输入新的微粒区块时，训练后的基于boosting的检测算法会将其归为有形成分区块、杂质区块或背景区块。当显示器旁的专家判断该结果不正确(包括将有形成分区块误判为杂质区块或背景区块，或将杂质区块或背景区块误判为有形成分区块)时，输入反馈。可以根据该反馈进一步训练基于boosting的检测算法。例如，在圆形度作为唯一的检测特征的情况下，基于boosting的检测算法将圆形度在某一范围内的区块检测为有形成分区块，但专家给出了负反馈。此时，基于boosting的检测算法需要重新考量用于判定有形成分区块的圆形度范围的上下限是否合适。因此，相比于一旦预先训练好基于boosting的检测算法在实际运行中就不再接受专家反馈的方案，本发明的一个实施例可在实际运行中不断接受反馈来自学习，从而提高了检测有形成分区块的检测精度。
可以通过级联算法来提高从分割出的微粒区块中去除杂质区块和背景区块并保留有形成分区块的速度。例如，可以先从检测特征集中选取一个或多个区分有形成分区块和背景/杂质区块的有效性较高的检测特征，据此滤除一部分容易滤除的杂质区块和/或背景区块。然后，在检测特征集中再选取一个或多个检测特征，据此在剩下的微粒区块中再滤除一些杂质区块和/或背景区块。重复这样的过程，直至只剩下有形成分区块。
其它变形
本领域技术人员应当理解，上述在实际运行中根据反馈进一步训练（自学习）基于boosting的检测算法的过程也可以省略。这一过程只是用于进一步提高检测有形成分区块的检测精度。没有这一过程，仍然能够检测出有形成分区块。
本领域技术人员应当理解，也可以不按照检测特征集中的检测特征，针对预先输入的大量有形成分区块、杂质区块和背景区块的样本集训练基于boosting的检测算法。例如，可以采用只根据实际运行中的反馈训练基于boosting的检测算法的方式。也可以不采用训练模型的方式，而采用现有技术中的不基于检测特征集和检测训练模型的其它边缘检测方法。
本领域技术人员应当理解，也可以不采用上述的级联算法。级联算法相比于一次性从检测特征集中选取全部所需检测特征并一次性用于基于boosting的检测算法的方案相比，提高了检测的速度。但在不要求较高检测速度的应用场合，也可以采用将全部所需检测特征一次性用于基于boosting的检测算法的方式。
在步骤S2，为多个决策树分配分类特征集中的分类特征，从而使所述多个决策树中的每个决策树对有形成分区块进行分类的能力均衡。
假设分类特征集中有20个分类特征f1-f20。随机选取5个决策树T1-T5，用于对有形成分区块进行分类的决策。f1-f7用于对有形成分进行分类的有效性比较高，属于第一级别；分类特征f8-f15用于对有形成分进行分类的有效性一般，属于第二级别；分类特征f16-f20用于对有形成分进行分类的有效性较低，属于第三级别。可以用统计学的方法评估分类特征对有形成分进行分类的有效性。例如，输入大量测量样本，然后利用分类特征进行分类决策。专家给出决策是否正确的反馈。通过统计决策的正确率评价分类特征对有形成分进行分类的有效性。
将第一级别的分类特征f1-f7随机选择一个，分配给T1。将第二级别的分类特征f8-f15随机选择一个，分配给T1。将第三级别的分类特征f16-f20随机选择一个，分配给T1。
对于T2、T3、T4、T5，也采用类似的分配方式。
其它变形
本领域技术人员应当理解，虽然在上述实施例中，每个决策树在所述多个级别中的每个级别中仅被分配了一个分类特征，也可以为每个决策树在每个级别中分配多个分类特征，或者为每个决策树在每个级别中分配的分类特征的数目也可以不同。
本领域技术人员应当理解，在另一实施例中，也可以给f1-f20对有形成分进行分类的有效性进行评分。例如，评分最高的5个归为第一级别，评分第6-10名归为第二级别，评分第11-15名归为第三级别，评分16-20名归为第四级别。然后，给每个决策树分配每个级别中的一个或多个分类特征。
本领域技术人员应当理解，在另一实施例中，也可以给f1-f20对有形成分进行分类的有效性进行评分。对于评分达到第一阈值的，归为第一级别；达到第二阈值但未达到第一阈值的，归为第二级别，等等。然后，给每个决策树分配每个级别中的一个或多个分类特征。
本领域技术人员应当理解，在另一实施例中，也可以给f1-f20对有形成分进行分类的有效性进行评分。不给分类特征分级别，也不限定给每个决策树分配分类特征的数目，只要每个决策树分配到的所有分类特征的总评分均衡。
在步骤S3，按照所述多个决策树决策的结果对有形成分区块进行分类。例如，可以采用多个决策树投票的方式，或者采用本领域公知的其它方式。
根据本发明的一个实施例的装置
如图2所示，根据本发明一个实施例的尿液有形成分分析装置2包括检测单元201、分配单元202、分类单元203。检测单元201被配置成从尿液样本图像中检测有形成分区块。分配单元202被配置成为多个决策树分配分类特征集中的分类特征，从而使所述多个决策树中的每个决策树对有形成分区块进行分类的能力均衡，所述分类特征集中的分类特征用于对有形成分区块进行分类。分类单元203被配置成按照所述多个决策树决策的结果对有形成分区块进行分类。图2所示的装置可以利用软件、硬件（例如集成电路、FPGA等）或软硬件结合的方式实现。
在一个实施例中，分配单元202被配置成将分类特征集中的分类特征按照对有形成分区块进行分类的有效性分成多个级别，并使每个决策树具有在所述多个级别中的每个级别的分类特征。
在一个实施例中，分配单元202被配置成对分类特征集中的分类特征对有形成分区块进行分类的有效性进行评分，并使每个决策树分配到的分类特征的总评分均衡。
在一个实施例中，检测单元201被配置为：从尿液样本图像中分割出微粒区块；按照检测特征集中的检测特征，使检测算法从分割出的微粒区块中去除杂质区块和背景区块并保留有形成分区块；接收对杂质区块或背景区块的去除或对有形成分区块的保留的结果的反馈，按照该反馈进一步训练该检测算法。
在一个实施例中，预先按照检测特征集中的检测特征，针对预先输入的有形成分区块、杂质区块和背景区块的样本集训练检测算法。
在一个实施例中，检测单元进一步被配置为按照检测特征集中的第一部分检测特征滤除一部分杂质区块和/或背景区块，再按照检测特征集中的第二部分检测特征滤除另一部分杂质区块和/或背景区块。
图3示出了根据本发明的一个实施例的尿液有形成分分析设备3。该设备可包括存储器301和处理器302。存储器301用于存储可执行指令。处理器302用于根据所述存储器所存储的可执行指令，执行装置2中各个单元执行的操作。
此外，本发明的一个实施例还提供一种机器可读介质，其上存储有可执行指令，当该可执行指令被执行时，使得机器执行处理器302所执行的操作。
本领域技术人员应当理解，上面的各个实施例可以在没有偏离发明实质的情况下做出各种变形和修改，因此，本发明的保护范围应当由所附的权利要求书来限定。

Claims (14)

1.一种尿液有形成分分析方法（1），包括：
从尿液样本图像中检测有形成分区块（S1）；
为多个决策树分配分类特征集中的分类特征，从而使所述多个决策树中的每个决策树对有形成分区块进行分类的能力均衡（S2），所述分类特征集中的分类特征用于对有形成分区块进行分类；
按照所述多个决策树决策的结果对有形成分区块进行分类（S3）。
2.根据权利要求1的尿液有形成分分析方法（1），其中为多个决策树分配分类特征集中的分类特征从而使所述多个决策树中的每个决策树对有形成分区块进行分类的能力均衡的步骤（S2）包括：
将分类特征集中的分类特征按照对有形成分区块进行分类的有效性分成多个级别，并使每个决策树具有在所述多个级别中的每个级别的分类特征。
3.根据权利要求1的尿液有形成分分析方法（1），其中为多个决策树分配分类特征集中的分类特征从而使所述多个决策树中的每个决策树对有形成分区块进行分类的能力均衡的步骤（S2）包括：
对分类特征集中的分类特征对有形成分区块进行分类的有效性进行评分，并使每个决策树分配到的分类特征的总评分均衡。
4.根据权利要求1的尿液有形成分分析方法（1），其中从尿液样本图像中检测有形成分区块的步骤（S1）包括：
从尿液样本图像中分割出微粒区块；
按照检测特征集中的检测特征，利用检测算法从分割出的微粒区块中去除杂质区块和背景区块并保留有形成分区块；
接收对杂质区块或背景区块的去除或对有形成分区块的保留的结果的反馈，按照该反馈进一步训练检测算法。
5.根据权利要求4的尿液有形成分分析方法（1），其中预先按照检测特征集中的检测特征，针对预先输入的有形成分区块、杂质区块和背景区块的样本集训练检测算法。
6.根据权利要求1的尿液有形成分分析方法（1），其中利用检测算法从分割出的微粒区块中去除杂质区块和背景区块并保留有形成分区块的步骤包括：按照检测特征集中的第一部分检测特征滤除一部分杂质区块和/或背景区块，再按照检测特征集中的第二部分检测特征滤除另一部分杂质区块和/或背景区块。
7.一种尿液有形成分分析装置（2），包括：
检测单元（201），被配置成从尿液样本图像中检测有形成分区块；
分配单元（202），被配置成为多个决策树分配分类特征集中的分类特征，从而使所述多个决策树中的每个决策树对有形成分区块进行分类的能力均衡，所述分类特征集中的分类特征用于对有形成分区块进行分类；
分类单元（203），被配置成按照所述多个决策树决策的结果对有形成分区块进行分类。
8.根据权利要求7的尿液有形成分分析装置（2），其中分配单元（202）被配置成将分类特征集中的分类特征按照对有形成分区块进行分类的有效性分成多个级别，并使每个决策树具有在所述多个级别中的每个级别的分类特征。
9.根据权利要求7的尿液有形成分分析装置（2），其中分配单元（202）被配置成对分类特征集中的分类特征对有形成分区块进行分类的有效性进行评分，并使每个决策树分配到的分类特征的总评分均衡。
10.根据权利要求7的尿液有形成分分析装置（2），其中检测单元（201）被配置为：
从尿液样本图像中分割出微粒区块；
按照检测特征集中的检测特征，利用检测算法使神经网络从分割出的微粒区块中去除杂质区块和背景区块并保留有形成分区块；
接收对杂质区块或背景区块的去除或对有形成分区块的保留的结果的反馈，按照该反馈进一步训练检测算法。
11.根据权利要求10的尿液有形成分分析装置（2），其中预先按照检测特征集中的检测特征，针对预先输入的有形成分区块、杂质区块和背景区块的样本集训练所述检测算法。
12.根据权利要求10的尿液有形成分分析装置（2），其中检测单元（201）进一步被配置为按照检测特征集中的第一部分检测特征滤除一部分杂质区块和/或背景区块，再按照检测特征集中的第二部分检测特征滤除另一部分杂质区块和/或背景区块。
13.一种尿液有形成分分析设备（3），包括：
存储器（301），用于存储可执行指令；
处理器（302），用于根据所述存储器所存储的可执行指令，执行权利要求1-6中的任一个权利要求所执行的操作。
14.一种机器可读介质，其上存储有可执行指令，当所述可执行指令被执行时，使得机器执行权利要求1-6中的任一个权利要求所执行的操作。
CN201310753108.3A 2013-12-31 2013-12-31 尿液有形成分分析方法和装置 Pending CN104749352A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201310753108.3A CN104749352A (zh) 2013-12-31 2013-12-31 尿液有形成分分析方法和装置
PCT/US2014/071496 WO2015102947A1 (en) 2013-12-31 2014-12-19 Urine formed element analysis method and apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310753108.3A CN104749352A (zh) 2013-12-31 2013-12-31 尿液有形成分分析方法和装置

Publications (1)

Publication Number Publication Date
CN104749352A true CN104749352A (zh) 2015-07-01

Family

ID=53493903

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310753108.3A Pending CN104749352A (zh) 2013-12-31 2013-12-31 尿液有形成分分析方法和装置

Country Status (2)

Country Link
CN (1) CN104749352A (zh)
WO (1) WO2015102947A1 (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5715182A (en) * 1993-08-19 1998-02-03 Hitachi, Ltd. Device for the classification and examination of particles in fluid
US20040126008A1 (en) * 2000-04-24 2004-07-01 Eric Chapoulaud Analyte recognition for urinalysis diagnostic system
US20080240504A1 (en) * 2007-03-29 2008-10-02 Hewlett-Packard Development Company, L.P. Integrating Object Detectors
WO2009147931A1 (ja) * 2008-06-04 2009-12-10 株式会社 日立ハイテクノロジーズ 粒子画像解析方法および装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8488963B2 (en) * 2008-06-30 2013-07-16 Infinera Corporation Link diversity and load balancing across digital and optical express-thru nodes

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5715182A (en) * 1993-08-19 1998-02-03 Hitachi, Ltd. Device for the classification and examination of particles in fluid
US20040126008A1 (en) * 2000-04-24 2004-07-01 Eric Chapoulaud Analyte recognition for urinalysis diagnostic system
US7236623B2 (en) * 2000-04-24 2007-06-26 International Remote Imaging Systems, Inc. Analyte recognition for urinalysis diagnostic system
US20080240504A1 (en) * 2007-03-29 2008-10-02 Hewlett-Packard Development Company, L.P. Integrating Object Detectors
WO2009147931A1 (ja) * 2008-06-04 2009-12-10 株式会社 日立ハイテクノロジーズ 粒子画像解析方法および装置

Also Published As

Publication number Publication date
WO2015102947A1 (en) 2015-07-09

Similar Documents

Publication Publication Date Title
CN104200114B (zh) 流式细胞仪数据快速分析方法
CN105389480A (zh) 多类不平衡基因组学数据迭代集成特征选择方法及系统
CN103984939B (zh) 一种样本有形成分分类方法及系统
CN103745454B (zh) 一种基于排序学习的图像处理算法或系统的评价方法
CN103903441A (zh) 一种基于半监督学习的道路交通状态判别方法
CN109523790A (zh) 一种基于车牌相似度的车牌纠错方法
CN108648093B (zh) 数据处理方法、装置及设备
CN104536953A (zh) 一种文本情绪极性的识别方法及装置
CN103839080A (zh) 基于测度查询熵的视频流异常事件检测方法
CN101957913A (zh) 一种基于信息融合技术的指纹识别方法及装置
CN108805312B (zh) 一种相邻卡口的确定方法及装置
CN104463204A (zh) 目标数量统计方法
CN106203296A (zh) 一种属性辅助的视频动作识别方法
CN103345575B (zh) 一种数据流概念漂移检测方法及系统
CN107861957A (zh) 一种数据分析方法及装置
CN107230350A (zh) 一种基于卡口与手机流量话单数据的城市交通量获取方法
CN106097708B (zh) 一种跟车确定方法及装置
CN108596115A (zh) 一种基于卷积神经网络的车辆检测方法、装置及系统
CN103679269A (zh) 基于主动学习的分类器样本选择方法及其装置
CN108898831A (zh) 基于道路高清卡口数据的路段状况评估方法及系统
CN106651167A (zh) 一种生物信息工程师技能评级系统
CN106611021B (zh) 一种数据处理方法和设备
CN106777350A (zh) 一种基于卡口数据的以图搜图方法和装置
CN104573049A (zh) 一种基于中心向量的knn分类器训练样本裁剪方法
CN103400159A (zh) 快速移动场景中的目标分类识别方法及分类器获取方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20150701