CN105550750A - 提高卷积神经网络识别精度的方法 - Google Patents
提高卷积神经网络识别精度的方法 Download PDFInfo
- Publication number
- CN105550750A CN105550750A CN201510967554.3A CN201510967554A CN105550750A CN 105550750 A CN105550750 A CN 105550750A CN 201510967554 A CN201510967554 A CN 201510967554A CN 105550750 A CN105550750 A CN 105550750A
- Authority
- CN
- China
- Prior art keywords
- characteristic pattern
- gray
- convolutional neural
- neural networks
- shade
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种提高卷积神经网络识别精度的方法,包括以下步骤:将原始样本转化为灰度图;得到x个扫描角度的灰度梯度图;建立灰度梯度图和第1卷积层的全连接层。构建新的卷积神经网络模型架构。优点为:在保证所构建得到的新的卷积神经网络模型架构对原尺寸图片可训练的情况下,还明显降低光照对卷积神经网络模型架构识别精度的影响,提高卷积神经网络模型架构的鲁棒性和识别精度。
Description
技术领域
本发明属于人工智能和模式识别技术领域,具体涉及一种提高卷积神经网络识别精度的方法。
背景技术
卷积神经网络(ConvolutionalNeuralNetwork,CNN)是一种前馈神经网络,与传统的BP神经网络相比,具有识别效率高、旋转缩放不变性好等优点,已在数字及人脸识别等各个领域得到了广泛的应用。
卷积神经网络模型的应用原理可大致描述如下:
首先,根据待输入图像的属性设计卷积神经网络模型架构,所设计的卷积神经网络模型架构为多层结构,包括1个输入层,在输入层之后,按各种顺序排布有若干个卷积层和若干个降采样层,最后为输出层。其中,输入层用于接收原始图像;每个卷积层包括多个相同尺寸的特征图,并且,每个特征图的像素,对应于前一层指定的若干特征图相应窗口位置的像素集合;每个降采样层包括多个相同尺寸的特征图,并且,降采样层的每张特征图,对应于前一层卷积层的一张特征图,降采样层的特征图像素对应于前一层相应特征图的采样区域。某一层节点与前一层节点和后一层节点之间通过边相互连接。
在搭建得到上述具有特定网络架构的卷积神经网络模型后,当需要识别某一图片时,需要对上述的卷积神经网络模型进行训练,训练过程为:初始化卷积神经网络模型的参数为随机值,包括:边的权重值以及卷积核的值等;然后,将训练样本输入卷积神经网络模型,对卷积神经网络模型反复“刺激”,不断调整边的权重值以及卷积核的值等,直到训练得到可识别该图片的卷积神经网络模型。在后续应用中,只需要将待分析图片或其他样本输入到训练好的卷积神经网络模型中,即可达到分类和智能识别的目的。
然而,发明人在研究过程中发现,在得到可识别某一特定特征图片的已训练好的卷积神经网络模型后,该卷积神经网络模型对特征图片的亮度较为敏感,当特征图片的亮度发生变化时,会降低卷积神经网络模型的识别精度。例如,对于多张均包含特征图片但亮度存在区别的图片,在将其输入到已训练好的卷积神经网络模型后,已训练好的卷积神经网络模型仅可将部分图片识别出来,而无法识别出其他图片,从而降低了卷积神经网络模型的识别精度。
发明内容
针对现有技术存在的缺陷,本发明提供一种提高卷积神经网络识别精度的方法,可有效解决上述问题。
本发明采用的技术方案如下:
本发明提供一种提高卷积神经网络识别精度的方法,包括以下步骤:
步骤1:已知一种用于识别w*h尺寸样本的可训练的卷积神经网络模型架构;其中,w为样本的长度;h为样本的宽度;已知可训练的卷积神经网络模型架构的模型架构参数均已知,特别包括以下模型架构参数:在输入层之后的第1个卷积层中,包括的特征图数量为n,第1卷积层所采用的卷积核尺寸为m*m;其中,n和m均为自然数;
步骤2:对于待分类识别的尺寸同样为w*h的原始样本,将其记为原始样本C1,首先将原始样本C1转化为灰度图;
步骤3,设定x个扫描角度,分别为A1、A2…Ax;
对步骤2得到的灰度图分别在A1、A2…Ax方向进行扫描,得到灰度图分别在A1、A2…Ax方向形成的灰度梯度图B1、B2…Bx;
步骤4,对于每个灰度梯度图Bi,其中,i∈(1、2…x),其尺寸必然小于w*h,因此,对灰度梯度图Bi进行边界修复处理,将灰度梯度图Bi的尺寸修复到w*h,从而得到灰度梯度图Bi’;
因此,将灰度梯度图B1、B2…Bx进行修复后得到的灰度梯度图,依次记为B1’、B2’…Bx’;
步骤5,对于灰度梯度图B1’,分别采用n个尺寸为m*m的卷积核进行特征图映射,得到n个特征图,依次记为:a11、a12…、a1n;
对于灰度梯度图B2’,分别采用n个尺寸为m*m的卷积核进行特征图映射,得到n个特征图,依次记为:a21、a22…、a2n;
依此类推
直到对于灰度梯度图Bx’,分别采用n个尺寸为m*m的卷积核进行特征图映射,得到n个特征图,依次记为:ax1、ax2…、axn;
然后,合并特征图a11、a21…ax1,将合并得到的特征图记为特征图E1;
合并特征图a12、a22…ax2,将合并得到的特征图记为特征图E2;
依此类推
直到合并特征图a1n、a2n…axn,将合并得到的特征图记为特征图En;
至此,得到n个特征图,分别为特征图E1、特征图E2…特征图En;
此时可以看到,所得到的特征图E1、特征图E2…特征图En的尺寸与已知可训练的卷积神经网络模型架构的第1个卷积层的特征图尺寸相等;所得到的特征图E1、特征图E2…特征图En的数量与已知可训练的卷积神经网络模型架构的第1个卷积层的特征图数量相等;
步骤6,构建新的卷积神经网络模型架构,其中,所述新的卷积神经网络模型架构的第1层为输入层,用于输入尺寸为w*h的待分类识别的样本;
新的卷积神经网络模型架构的第2层为图片灰度层,只有一个节点,为步骤2得到的灰度图;
新的卷积神经网络模型架构的第3层为灰度梯度层,共有x个节点,为步骤3形成的修复后的灰度梯度图,即:灰度梯度图B1’、灰度梯度图B2’…灰度梯度图Bx’;
新的卷积神经网络模型架构的第4层为第1卷积层,共有n个节点,为步骤5计算得到的特征图,即:特征图E1、特征图E2…特征图En;
此外,灰度梯度图B1’、灰度梯度图B2’…灰度梯度图Bx’分别与特征图E1、特征图E2…特征图En建立全连接;
新的卷积神经网络模型架构的第5层为已知可训练的卷积神经网络模型架构的第2层;
新的卷积神经网络模型架构的第6层为已知可训练的卷积神经网络模型架构的第3层;
依此类推,步骤1已知可训练的卷积神经网络模型架构的后续模型架构参数对应增加到新的卷积神经网络模型架构的对应层,直到将已知可训练的卷积神经网络模型架构的输出层增加到新的卷积神经网络模型架构的输出层为止;
由此构建得到高鲁棒性和高识别精度的新的卷积神经网络模型架构,并且,所构建得到的新的卷积神经网络模型架构对于尺寸为w*h的样本必然是可训练和可收敛的。
优选的,步骤3中,x值为2,分别进行水平X方向扫描和竖直Y方向扫描。
优选的,x值为4,分别进行0度、45度、90度和135度的扫描。
优选的,步骤4中,对灰度梯度图Bi进行边界修复处理具体为:在灰度梯度图Bi的边界增加像素值为0的像素点,从而将灰度梯度图Bi的尺寸修复到w*h。
本发明提供的提高卷积神经网络识别精度的方法具有以下优点:
在保证所构建得到的新的卷积神经网络模型架构对原尺寸图片可训练的情况下,还明显降低光照对卷积神经网络模型架构识别精度的影响,提高卷积神经网络模型架构的鲁棒性和识别精度。
附图说明
图1为传统卷积神经网络模型架构图;
图2为采用传统卷积神经网络模型架构进行训练的结果图;
图3为本发明构建得到的卷积神经网络模型架构进行训练的结果图。
具体实施方式
为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例一:
本发明提供一种提高卷积神经网络识别精度的方法,包括以下步骤:
步骤1:已知一种用于识别w*h尺寸样本的可训练的卷积神经网络模型架构;其中,w为样本的长度;h为样本的宽度;已知可训练的卷积神经网络模型架构的模型架构参数均已知,特别包括以下模型架构参数:在输入层之后的第1个卷积层中,包括的特征图数量为n,第1卷积层所采用的卷积核尺寸为m*m;其中,n和m均为自然数;
步骤2:对于待分类识别的尺寸同样为w*h的原始样本,将其记为原始样本C1,首先将原始样本C1转化为灰度图;
步骤3,设定x个扫描角度,分别为A1、A2…Ax;
对步骤2得到的灰度图分别在A1、A2…Ax方向进行扫描,得到灰度图分别在A1、A2…Ax方向形成的灰度梯度图B1、B2…Bx;
所设定的扫描角度的数量根据实际应用需求而灵活设置,可以设计为2个扫描角度,分别进行水平X方向扫描和竖直Y方向扫描。也可以设计为4个方向的扫描角度,分别进行0度、45度、90度和135度的扫描。
步骤4,对于每个灰度梯度图Bi,其中,i∈(1、2…x),其尺寸必然小于w*h,因此,对灰度梯度图Bi进行边界修复处理,将灰度梯度图Bi的尺寸修复到w*h,从而得到灰度梯度图Bi’;
因此,将灰度梯度图B1、B2…Bx进行修复后得到的灰度梯度图,依次记为B1’、B2’…Bx’;
步骤5,对于灰度梯度图B1’,分别采用n个尺寸为m*m的卷积核进行特征图映射,得到n个特征图,依次记为:a11、a12…、a1n;
对于灰度梯度图B2’,分别采用n个尺寸为m*m的卷积核进行特征图映射,得到n个特征图,依次记为:a21、a22…、a2n;
依此类推
直到对于灰度梯度图Bx’,分别采用n个尺寸为m*m的卷积核进行特征图映射,得到n个特征图,依次记为:ax1、ax2…、axn;
然后,合并特征图a11、a21…ax1,将合并得到的特征图记为特征图E1;
合并特征图a12、a22…ax2,将合并得到的特征图记为特征图E2;
依此类推
直到合并特征图a1n、a2n…axn,将合并得到的特征图记为特征图En;
至此,得到n个特征图,分别为特征图E1、特征图E2…特征图En;
此时可以看到,所得到的特征图E1、特征图E2…特征图En的尺寸与已知可训练的卷积神经网络模型架构的第1个卷积层的特征图尺寸相等;所得到的特征图E1、特征图E2…特征图En的数量与已知可训练的卷积神经网络模型架构的第1个卷积层的特征图数量相等;
步骤6,构建新的卷积神经网络模型架构,其中,所述新的卷积神经网络模型架构的第1层为输入层,用于输入尺寸为w*h的待分类识别的样本;
新的卷积神经网络模型架构的第2层为图片灰度层,只有一个节点,为步骤2得到的灰度图;
新的卷积神经网络模型架构的第3层为灰度梯度层,共有x个节点,为步骤3形成的修复后的灰度梯度图,即:灰度梯度图B1’、灰度梯度图B2’…灰度梯度图Bx’;
新的卷积神经网络模型架构的第4层为第1卷积层,共有n个节点,为步骤5计算得到的特征图,即:特征图E1、特征图E2…特征图En;
此外,灰度梯度图B1’、灰度梯度图B2’…灰度梯度图Bx’分别与特征图E1、特征图E2…特征图En建立全连接;
新的卷积神经网络模型架构的第5层为已知可训练的卷积神经网络模型架构的第2层;
新的卷积神经网络模型架构的第6层为已知可训练的卷积神经网络模型架构的第3层;
依此类推,步骤1已知可训练的卷积神经网络模型架构的后续模型架构参数对应增加到新的卷积神经网络模型架构的对应层,直到将已知可训练的卷积神经网络模型架构的输出层增加到新的卷积神经网络模型架构的输出层为止;
由此构建得到高鲁棒性和高识别精度的新的卷积神经网络模型架构,并且,所构建得到的新的卷积神经网络模型架构对于尺寸为w*h的样本必然是可训练和可收敛的。
本发明提供一种提高卷积神经网络识别精度的方法,其核心思想为:对原有的已知卷积神经网络模型架构进行改进,在其输入层和第1卷积层之间增加图片灰度层、灰度梯度层;其中,灰度梯度层由x个角度形成的x个灰度梯度图组成;然后,使输入层与图片灰度层的输入端相连;而图片灰度层的输出端分别与x个灰度梯度图的输入端连接,而每一个灰度梯度图均与原有卷积神经网络模型架构中第1个卷积层的多个特征图连接,也就是建立灰度梯度层和原有卷积神经网络模型架构中第1个卷积层之间的全连接,而原有卷积神经网络模型架构中后续其他模型结构参数保持不变,继续引入到新的卷积神经网络中,从而构建得到新的卷积神经网络。
上述方法的优点为:
(1)将原始图片转化为多个角度的灰度梯度图后,既使不同待识别图片的亮度存在差异,但其灰度梯度通常保持不变,因此,以灰度梯度图作为识别对象后,可降低由图片亮度不同而导致的神经网络识别率降低的问题,从而提高卷积神经网络的鲁棒性能和识别精度;尤其是对色彩不敏感卷积神经网络,更能显示提高其智能识别准确率。
(2)通过在灰度梯度层和原有卷积神经网络模型架构中第1个卷积层之间建立全连接后,假如,假设灰度梯度层共存在x个灰度梯度图,而原有卷积神经网络模型架构中第1个卷积层共存在n个特征图,则需采用n*x倍的卷积核;而原有卷积神经网络模型架构中第1个卷积层只需要采用n个卷积核,可见,新网络第1卷积层所采用的卷积核数量是原有网络第1卷积层所采用的卷积核数量的x倍,而所采用的卷积核数量越多,其模型精度越高,因此,本发明提高了原有卷积神经网络模型架构的识别精度。
实施例:
为进一步对本发明理解,以下介绍一种具体的实施例:
对于28*28的原始图片,采用图1所示的卷积神经网络模型架构进行训练,可得到图2所示的训练结果图。
而对于同一张28*28的原始图片,采用本发明提供的方法,第1层为输入层;然后将其转换为灰度图,形成第2层;再设定水平X向和垂直Y向两个扫描方向,对灰度图进行水平X向和垂直Y向的扫描,形成水平向的灰度梯度图和垂直向的灰度梯度图,即为第3层;第4层为图1的第1卷积层;第5层为图1的第2层,依此类推,构建得到新的卷积神经网络模型架构;采用新的卷积神经网络模型架构进行训练,可得到图3所示的训练结果图。
对比图2和图3可以看出,采用本发明提供的方法构建新的卷积神经网络模型架构并进行训练时,其图像识别精度显著高于传统方法。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (4)
1.一种提高卷积神经网络识别精度的方法,其特征在于,包括以下步骤:
步骤1:已知一种用于识别w*h尺寸样本的可训练的卷积神经网络模型架构;其中,w为样本的长度;h为样本的宽度;已知可训练的卷积神经网络模型架构的模型架构参数均已知,特别包括以下模型架构参数:在输入层之后的第1个卷积层中,包括的特征图数量为n,第1卷积层所采用的卷积核尺寸为m*m;其中,n和m均为自然数;
步骤2:对于待分类识别的尺寸同样为w*h的原始样本,将其记为原始样本C1,首先将原始样本C1转化为灰度图;
步骤3,设定x个扫描角度,分别为A1、A2…Ax;
对步骤2得到的灰度图分别在A1、A2…Ax方向进行扫描,得到灰度图分别在A1、A2…Ax方向形成的灰度梯度图B1、B2…Bx;
步骤4,对于每个灰度梯度图Bi,其中,i∈(1、2…x),其尺寸必然小于w*h,因此,对灰度梯度图Bi进行边界修复处理,将灰度梯度图Bi的尺寸修复到w*h,从而得到灰度梯度图Bi’;
因此,将灰度梯度图B1、B2…Bx进行修复后得到的灰度梯度图,依次记为B1′、B2′…Bx′;
步骤5,对于灰度梯度图B1’,分别采用n个尺寸为m*m的卷积核进行特征图映射,得到n个特征图,依次记为:a11、a12…、a1n;
对于灰度梯度图B2’,分别采用n个尺寸为m*m的卷积核进行特征图映射,得到n个特征图,依次记为:a21、a22…、a2n;
依此类推
直到对于灰度梯度图Bx’,分别采用n个尺寸为m*m的卷积核进行特征图映射,得到n个特征图,依次记为:ax1、ax2…、axn;
然后,合并特征图a11、a21…ax1,将合并得到的特征图记为特征图E1;
合并特征图a12、a22…ax2,将合并得到的特征图记为特征图E2;
依此类推
直到合并特征图a1n、a2n…axn,将合并得到的特征图记为特征图En;
至此,得到n个特征图,分别为特征图E1、特征图E2…特征图En;
此时可以看到,所得到的特征图E1、特征图E2…特征图En的尺寸与已知可训练的卷积神经网络模型架构的第1个卷积层的特征图尺寸相等;所得到的特征图E1、特征图E2…特征图En的数量与已知可训练的卷积神经网络模型架构的第1个卷积层的特征图数量相等;
步骤6,构建新的卷积神经网络模型架构,其中,所述新的卷积神经网络模型架构的第1层为输入层,用于输入尺寸为w*h的待分类识别的样本;
新的卷积神经网络模型架构的第2层为图片灰度层,只有一个节点,为步骤2得到的灰度图;
新的卷积神经网络模型架构的第3层为灰度梯度层,共有x个节点,为步骤3形成的修复后的灰度梯度图,即:灰度梯度图B1’、灰度梯度图B2’…灰度梯度图Bx′;
新的卷积神经网络模型架构的第4层为第1卷积层,共有n个节点,为步骤5计算得到的特征图,即:特征图E1、特征图E2…特征图En;
此外,灰度梯度图B1’、灰度梯度图B2’…灰度梯度图Bx’分别与特征图E1、特征图E2…特征图En建立全连接;
新的卷积神经网络模型架构的第5层为已知可训练的卷积神经网络模型架构的第2层;
新的卷积神经网络模型架构的第6层为已知可训练的卷积神经网络模型架构的第3层;
依此类推,步骤1已知可训练的卷积神经网络模型架构的后续模型架构参数对应增加到新的卷积神经网络模型架构的对应层,直到将已知可训练的卷积神经网络模型架构的输出层增加到新的卷积神经网络模型架构的输出层为止;
由此构建得到高鲁棒性和高识别精度的新的卷积神经网络模型架构,并且,所构建得到的新的卷积神经网络模型架构对于尺寸为w*h的样本必然是可训练和可收敛的。
2.根据权利要求1所述的提高卷积神经网络识别精度的方法,其特征在于,步骤3中,x值为2,分别进行水平X方向扫描和竖直Y方向扫描。
3.根据权利要求1所述的提高卷积神经网络识别精度的方法,其特征在于,x值为4,分别进行0度、45度、90度和135度的扫描。
4.根据权利要求1所述的提高卷积神经网络识别精度的方法,其特征在于,步骤4中,对灰度梯度图Bi进行边界修复处理具体为:在灰度梯度图Bi的边界增加像素值为0的像素点,从而将灰度梯度图Bi的尺寸修复到w*h。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510967554.3A CN105550750B (zh) | 2015-12-21 | 2015-12-21 | 提高卷积神经网络识别精度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510967554.3A CN105550750B (zh) | 2015-12-21 | 2015-12-21 | 提高卷积神经网络识别精度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105550750A true CN105550750A (zh) | 2016-05-04 |
CN105550750B CN105550750B (zh) | 2017-10-17 |
Family
ID=55829931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510967554.3A Active CN105550750B (zh) | 2015-12-21 | 2015-12-21 | 提高卷积神经网络识别精度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105550750B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228556A (zh) * | 2016-07-22 | 2016-12-14 | 北京小米移动软件有限公司 | 图像质量分析方法和装置 |
CN106910185A (zh) * | 2017-01-13 | 2017-06-30 | 陕西师范大学 | 一种基于cnn深度学习的dbcc分类模型及构建方法 |
CN109325945A (zh) * | 2018-09-13 | 2019-02-12 | 北京旷视科技有限公司 | 图像处理方法、装置、电子设备及储存介质 |
CN110796412A (zh) * | 2019-10-29 | 2020-02-14 | 浙江大华技术股份有限公司 | 包裹跟踪方法以及相关装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101253493A (zh) * | 2005-08-31 | 2008-08-27 | 微软公司 | 在图形处理单元上训练卷积神经网络 |
CN104517122A (zh) * | 2014-12-12 | 2015-04-15 | 浙江大学 | 一种基于优化卷积架构的图像目标识别方法 |
CN104794527A (zh) * | 2014-01-20 | 2015-07-22 | 富士通株式会社 | 基于卷积神经网络的分类模型构建方法和设备 |
CN104850845A (zh) * | 2015-05-30 | 2015-08-19 | 大连理工大学 | 一种基于非对称卷积神经网络的交通标志识别方法 |
-
2015
- 2015-12-21 CN CN201510967554.3A patent/CN105550750B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101253493A (zh) * | 2005-08-31 | 2008-08-27 | 微软公司 | 在图形处理单元上训练卷积神经网络 |
CN104794527A (zh) * | 2014-01-20 | 2015-07-22 | 富士通株式会社 | 基于卷积神经网络的分类模型构建方法和设备 |
CN104517122A (zh) * | 2014-12-12 | 2015-04-15 | 浙江大学 | 一种基于优化卷积架构的图像目标识别方法 |
CN104850845A (zh) * | 2015-05-30 | 2015-08-19 | 大连理工大学 | 一种基于非对称卷积神经网络的交通标志识别方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228556A (zh) * | 2016-07-22 | 2016-12-14 | 北京小米移动软件有限公司 | 图像质量分析方法和装置 |
CN106228556B (zh) * | 2016-07-22 | 2019-12-06 | 北京小米移动软件有限公司 | 图像质量分析方法和装置 |
CN106910185A (zh) * | 2017-01-13 | 2017-06-30 | 陕西师范大学 | 一种基于cnn深度学习的dbcc分类模型及构建方法 |
CN109325945A (zh) * | 2018-09-13 | 2019-02-12 | 北京旷视科技有限公司 | 图像处理方法、装置、电子设备及储存介质 |
CN110796412A (zh) * | 2019-10-29 | 2020-02-14 | 浙江大华技术股份有限公司 | 包裹跟踪方法以及相关装置 |
CN110796412B (zh) * | 2019-10-29 | 2022-09-06 | 浙江大华技术股份有限公司 | 包裹跟踪方法以及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105550750B (zh) | 2017-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111401384B (zh) | 一种变电设备缺陷图像匹配方法 | |
CN109903304A (zh) | 一种基于卷积神经元网络和多边形规则化的建筑物轮廓自动提取算法 | |
CN105550750A (zh) | 提高卷积神经网络识别精度的方法 | |
CN106022363B (zh) | 一种适用于自然场景下的中文文字识别方法 | |
CN115601549A (zh) | 基于可变形卷积和自注意力模型的河湖遥感图像分割方法 | |
CN103093444A (zh) | 基于自相似性和结构信息约束的图像超分辨重建方法 | |
CN112149535B (zh) | 一种结合SegNet和U-Net的车道线检测方法和装置 | |
CN110334719B (zh) | 一种提取遥感影像中建筑物图像的方法及系统 | |
CN112036260B (zh) | 一种自然环境下多尺度子块聚合的表情识别方法及系统 | |
CN106407179A (zh) | 汉字字形相似度计算方法及其系统 | |
CN111127360B (zh) | 一种基于自动编码器的灰度图像迁移学习方法 | |
CN110097110B (zh) | 一种基于目标优化的语义图像修复方法 | |
CN114677353A (zh) | 一种基于深度学习和bp神经网络的柱承载力预测方法 | |
CN112232351A (zh) | 一种基于深度神经网络的车牌识别系统 | |
CN106997463A (zh) | 一种基于压缩感知域和卷积神经网络的路牌识别方法 | |
CN110111272A (zh) | 一种人工智能红外图像处理仪、控制系统及控制方法 | |
CN107392251A (zh) | 一种使用分类图片提升目标检测网络性能的方法 | |
JPH0695192A (ja) | 画像認識装置及び画像入力方法 | |
CN116523875A (zh) | 基于FPGA预处理与改进YOLOv5的绝缘子缺陷检测方法 | |
CN110321893A (zh) | 一种聚焦增强的场景文本识别网络 | |
CN113159052B (zh) | 基于深度学习的受弯钢筋混凝土简支梁破坏模式识别方法 | |
CN116778346B (zh) | 一种基于改进自注意力机制的管线识别方法及系统 | |
CN106952236B (zh) | 基于bp神经网络的鱼眼镜头拍摄图像畸变矫正方法 | |
CN116861361B (zh) | 一种基于图像-文本多模态融合的大坝形变评估方法 | |
CN116664431B (zh) | 一种基于人工智能的图像处理系统及方法 |
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 |