CN105825235A - 一种基于多特征图深度学习的图像识别方法 - Google Patents

一种基于多特征图深度学习的图像识别方法 Download PDF

Info

Publication number
CN105825235A
CN105825235A CN201610149562.1A CN201610149562A CN105825235A CN 105825235 A CN105825235 A CN 105825235A CN 201610149562 A CN201610149562 A CN 201610149562A CN 105825235 A CN105825235 A CN 105825235A
Authority
CN
China
Prior art keywords
degree
grader
depth
characteristic pattern
parameter
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
Application number
CN201610149562.1A
Other languages
English (en)
Other versions
CN105825235B (zh
Inventor
陈江林
赵晓萌
虞正华
张伟
王剑邦
於承义
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.)
BOCOM SMART NETWORK TECHNOLOGIES Inc
Original Assignee
BOCOM SMART NETWORK TECHNOLOGIES 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 BOCOM SMART NETWORK TECHNOLOGIES Inc filed Critical BOCOM SMART NETWORK TECHNOLOGIES Inc
Priority to CN201610149562.1A priority Critical patent/CN105825235B/zh
Publication of CN105825235A publication Critical patent/CN105825235A/zh
Application granted granted Critical
Publication of CN105825235B publication Critical patent/CN105825235B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种基于多特征图深度学习的图像识别方法，用于图像处理和模式识别技术领域。所述方法包括多特征图深度学习的训练过程和使用训练好的深度学习系统进行图像识别的过程。本发明应用图像的多种特征图来进行深度学习,提取更多量和更多元的特征,从而增强系统的鲁棒性,同时亦能提升识别率，并进一步应用MLP和SOFTMAX结合的方式强化分类器，来提升识别效果。

Description

一种基于多特征图深度学习的图像识别方法
技术领域
本发明涉及图像处理和模式识别技术领域，尤其涉及一种基于多特征图深度学习的图像识别方法。
背景技术
目前，在图像处理和模式识别领域,由手动人工特征和浅层的人工神经网络所获取的特征来进行分类和识别。在复杂环境条件下,这些浅层特征对识别来说是不够的。深层的神经网络即深度学习应运而生，已被大量应用到图像和模式识别领域。
深度模型训练(即深度网络训练、深度学习系统训练)的基本流程简要描述如下。网络的每层参数基本都表示成(w,b)，其中w是权值参数，b是偏置参数，每层的输入输出关系是y＝wx+b，其中，x表示输入，y表示输出。各层连接起来就是一个嵌套关系，为简单计，假定总的参数为(W,B)，总的输入输出关系是Y＝F(X,W,B)。
如果模型已训练好，即(W,B)已确定，则有输入X直接得到前向输出Y，就是所需的结果。
如果模型还没训练好，即(W,B)没有确定，则先给(W,B)一个初始值(W0,B0)，得到训练样本的预测输出Y0＝F(X,W0,B0)，它与训练样本的标签即标定输出Ytrue存在很大的偏差。可以设置一个损失函数，比如说loss＝0.5*(Ytrue-Y0)^2，即预测输出和标签相差越远，则损失函数越大，这时进行误差反传来更新模型参数。每训练一次，就将参数(W,B)更新一次，其目的就是使得预测输出和标定输出的差值越来越小，经过很多训练样本的多次训练，当loss值小于一定的值时，就认为模型训练好了(即找到了合适的的(W,B)值)，训练过程结束。
由于目前这些深度学习系统的输入往往是灰度图或rgb图，其它各层的特征都要由此训练和学习得到,特征的冗余度和容错性不够,在复杂条件下可靠性低。
同时，现有技术中，分类器一般选用SOFTMAX、SVM等，较为简单，分类精度不能达到最优，这些问题都有待进一步提高。
发明内容
本发明针对现有的图像识别方案容错性差、可靠度低等缺点，提供一种多角度、多特征的基于深度学习的图像识别方法，能够精确和有效地对图片进行分类和识别(如人脸，车牌字符等)。并且，针对以往的分类器如SOFTMAX、SVM模型简单、分类效果不理想的缺陷，本发明方法结合MLP和SOFTMAX来共同组成分类器，以提升分类精度。
本发明是一种基于多特征图深度学习的图像识别方法，包括多特征图深度学习的训练过程和使用训练好的深度学习系统进行图像识别的过程，
其中，所述多特征图深度学习的训练过程包括以下步骤：
步骤a：对训练样本集图片求取其灰度图；
步骤b：对所述灰度图求取灰度图中每个像素点的特征构成的特征图,所述特征图包括：LBP特征图、梯度幅值特征图和梯度方向特征图；
步骤c：设置深度卷积网络的各个网络层及分类器的初始参数，将步骤a中获得的灰度图和步骤b中获得的特征图输入所述深度卷积网络以提取高层特征即深度卷积特征，并将所述深度卷积特征输入到所述分类器，所述分类器获得系统的前向预测输出，其中深度卷积网络和分类器的参数均为前一次学习的结果；
步骤d：将步骤c获得的所述前向预测输出与所述训练样本集图片的标签进行比对，将两者的误差反传，根据所述误差来更新所述深度卷积网络的参数和所述分类器的参数；
步骤e：重复步骤a～d，对多个训练样本图片进行多次训练，当所述误差小于预定值时确定当前学习到的模型参数为训练好的模型参数，从而获得训练好的深度学习系统，所述训练好的模型参数包括深度卷积网络的参数和分类器的参数；
所述使用训练好的深度学习系统进行图像识别过程包括以下步骤：
步骤f：对测试图片分别求取灰度图、LBP特征图、梯度幅值特征图和梯度方向特征图；
步骤g：将步骤f获得的4种图输入前述训练过程获得的所述深度学习系统获取图像的深度卷积特征；
步骤h：将步骤g中获取的深度卷积特征输入到训练好的分类器，获得最终的分类和识别结果。
优选地，步骤c中，当应用系统的可用资源少的情况下,将步骤a中获得的灰度图和步骤b中获得的特征图作为多输入到同一个深度卷积网络以提取高层特征。
优选地，步骤c中，当应用系统的可用资源多的情况下,对步骤a中获得的灰度图和步骤b中获得的每个特征图分别构建一个深度卷积网络以提取高层特征,并将这些高层特征级联作为所述分类器的输入。
优选地，所述分类器由多层感知器(MLP)和SOFTMAX构成。
优选地，所述多层感知器采用多层全连接层FC串联来实现，并将结果输入到SOFTMAX分类器。
优选地，所述多层感知器采用2-3个全连接层。
优选地，所述全连接层为3个的情况下，所述分类器的连接方式为FC1+FC2+FC3+SOFTMAX。
本发明的有益效果：
本发明的图像识别方法，采用易于实现的算法提取图片的各种特征图，并通过深度学习对得到的特征图更进一步提取卷积特征，使得到的特征更具有分类判别性，提高判别效果；对资源有限的系统，这些特征图作为系统的多维输入而共享一个深度学习系统，如果资源充足，则对每个特征图都组建一个深度学习系统，并对获取的卷积特征进行融合；对分类器采用MLP+SOFTMAX组合对获取的图像卷积特征进行识别，提升分类精度，提高了识别率。
附图说明
图1(a)和图1(b)是根据本发明的基于多特征图深度学习的图像识别方法的流程图。
图2是单模型工作流程示意图。
图3是多模型工作流程示意图。
具体实施方式
以下结合附图对本发明进行详细说明。以下实施例并不是对本发明的限制。在不背离发明构思的精神和范围下，本领域技术人员能够想到的变化和优点都被包括在本发明中。
本发明的一种基于多特征图深度学习的图像识别方法，包括两个过程。第一个过程为训练过程，通过大量的训练样本来训练获取网络的各个参数(即网络模型)，之后将训练好的网络模型用于第二过程的识别过程,对获取的每张图像自动分类识别。
下面接合图1(a)和图1(b)进行详细描述。训练过程包括如下步骤：
步骤a：对训练样本集图片求取其灰度图。
步骤b：对所述灰度图求取灰度图中每个像素点的特征构成的特征图,所述特征图包括：LBP特征图、梯度幅值特征图和梯度方向特征图。
步骤c：设置深度卷积网络的各个网络层及分类器的初始参数，将步骤a和b中获得的灰度图和特征图输入所述深度卷积网络以提取高层特征即深度卷积特征，并将所述深度卷积特征输入到所述分类器，所述分类器获得系统的前向预测输出，其中深度卷积网络和分类器的参数均为前一次学习的结果。
这里的深度卷积网络(即深度卷积神经网络，deepconvolutionalneuralnetworks，DCNN)由多层卷积层连接而成，前面的卷积层主要是获取图片的低层特征，如边缘，轮廓等，越往后的卷积层获取的就是图片的局部或整体的语义特征，即高层特征。本发明中使用的深度卷积网络是多种深度网络中的一种，本领域的人熟知，当然也可以使用其他深度网络来达到本发明的目的。
步骤c中，当应用系统的可用资源少的情况下,将步骤a中获得的灰度图和步骤b中获得的多个特征图作为多输入到同一个深度卷积网络以提取高层特征。如图2所示。
步骤c中，当应用系统的可用资源多的情况下,对步骤中获得的灰度图和步骤b中获得的每个特征图分别构建一个深度卷积网络以提取高层特征,并将这些高层特征级联作为所述分类器的输入。如图3所示。
这里，实际应用系统包括系统的软硬件,可用资源即硬件的CPU,GPU,内存等等。
本发明中，分类器由多层感知器(MLP，multi-layerperception)和SOFTMAX构成。所述多层感知器(MLP)采用多层全连接层FC串联来实现，并将结果输入到SOFTMAX分类器。具体地，该多层感知器采用2～3个全连接层。如果多层感知器采用3个全连接层，则所述分类器的连接方式为FC1+FC2+FC3+SOFTMAX。
接下来是步骤d：将步骤c获得的所述前向预测输出与所述训练样本集图片的标签进行比对，将两者的误差反传，根据所述误差来更新所述深度卷积网络的参数和所述分类器的参数。例如,应用随机梯度下降方法来更新所述深度卷积网络的参数和所述分类器的参数,或者利用其他已知的方法来更新参数。
本步骤中，将分类器的前向预测输出与所述训练样本集图片的标签的误差逐步反传，并对分类器和深度卷积网络的各层参数依次更新，其目的是使得前向预测输出与标签之间的误差逐步减少。
步骤e：重复步骤a～d，对多个训练样本图片进行多次训练，每次训练均对深度卷积网络的参数和所述分类器的参数进行更新，以不断缩小前向预测输出与所述训练样本集图片的误差，当所述误差小于预定值时就可确定当前学习到的模型参数为训练好的模型参数，从而获得训练好的深度学习系统，所述训练好的模型参数包括深度卷积网络的参数和分类器的参数。
接下来使用训练好的深度学习系统进行图像识别过程，包括以下步骤：
步骤f：对测试图片分别求取灰度图、LBP特征图、梯度幅值特征图和梯度方向特征图。该步骤对应于系统的数据处理部分。这里，对图像中的任意像素点求取特征，从而能扩展到整幅图像获取特征图。
具体地，首先获取图片的灰度图即为灰度特征图，在此基础上求取其它三种特征图，以LBP特征图为例,先求取每个像素点的LBP特征，求取图像边缘像素点的特征值时，超出边界的像素点其值可设置为零，从而得到整幅图像的LBP特征图。同理可获取梯度幅值和梯度方向的特征图。
步骤g：将步骤f获得的4种图输入前述训练过程获得的所述深度学习系统获取图像的深度卷积特征。该步骤对应于系统的求取深度卷积特征部分。如图2所示的单模型系统中，将四个特征图合并输入到深度学习识别系统，得到多特征图的深度卷积特征。如图3所示的多模型并行系统中，分别计算每个特征图的深度卷积特征,并将这些特征级联成为一个新的卷积特征；卷积网络则依据输入图片的大小和系统复杂度来优化设计。
步骤h：将步骤g中获取的深度卷积特征输入到训练好的分类器，获得最终的分类和识别结果。该步骤对应于系统的分类器部分。
分类器由MLP和SOFTMAX组合而成，MLP则由全连接层(FC)串连而成，依据系统的复杂度，在速度和系统复杂度、性能之间折中选择,FC一般选2到3层。
【实施例】
在车牌字符识别中采用了本发明的多模型并行系统来进行图像识别。对每个字符先求取灰度图，再依据灰度图分别求出其他三种特征图，对每一种特征图应用深度卷积网络分别求其深度卷积特征，并将所获得的深度卷积特征级联送入分类器，分类器由两个全连接层(FC)串联加一个SOFTMAX构成。
应用本发明方法，在5万测试车牌字符里，识别精度可达到99.4％以上，错误率为0.6％，如果只用灰度图一个特征图作为输入，识别精度为98.656％，错误率为1.344％.,错误率降低了一半以上，因此本发明方法是可以有效地提高识别精度和效率。
显然，本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。

Claims (7)

1.一种基于多特征图深度学习的图像识别方法，其特征在于，包括多特征图深度学习的训练过程和使用训练好的深度学习系统进行图像识别的过程，
其中，所述多特征图深度学习的训练过程包括以下步骤：
步骤a：对训练样本集图片求取其灰度图；
步骤b：对所述灰度图求取灰度图中每个像素点的特征构成的特征图,所述特征图包括：LBP特征图、梯度幅值特征图和梯度方向特征图；
步骤c：设置深度卷积网络的各个网络层及分类器的初始参数，将步骤a中获得的灰度图和步骤b中获得的特征图输入所述深度卷积网络以提取高层特征即深度卷积特征，并将所述深度卷积特征输入到所述分类器，所述分类器获得系统的前向预测输出，其中深度卷积网络和分类器的参数均为前一次学习的结果；
步骤d：将步骤c获得的所述前向预测输出与所述训练样本集图片的标签进行比对，将两者的误差反传，根据所述误差来更新所述深度卷积网络的参数和所述分类器的参数；
步骤e：重复步骤a～d，对多个训练样本图片进行多次训练，当所述误差小于预定值时确定当前学习到的模型参数为训练好的模型参数，从而获得训练好的深度学习系统，所述训练好的模型参数包括深度卷积网络的参数和分类器的参数；
所述使用训练好的深度学习系统进行图像识别过程包括以下步骤：
步骤f：对测试图片分别求取灰度图、LBP特征图、梯度幅值特征图和梯度方向特征图；
步骤g：将步骤f获得的4种图输入前述训练过程获得的所述深度学习系统获取图像的深度卷积特征；
步骤h：将步骤g中获取的深度卷积特征输入到训练好的分类器，获得最终的分类和识别结果。
2.根据权利要求1所述的方法，其特征在于，步骤c中，当应用系统的可用资源少的情况下,将步骤a中获得的灰度图和步骤b中获得的特征图作为多输入到同一个深度卷积网络以提取高层特征。
3.根据权利要求2所述的方法，其特征在于，步骤c中，当应用系统的可用资源多的情况下,对步骤a中获得的灰度图和步骤b中获得的每个特征图分别构建一个深度卷积网络以提取高层特征,并将这些高层特征级联作为所述分类器的输入。
4.根据权利要求2或3所述的方法，其特征在于，所述分类器由多层感知器MLP和SOFTMAX构成。
5.根据权利要求4所述的方法，其特征在于，所述多层感知器采用多层全连接层FC串联来实现，并将结果输入到SOFTMAX分类器。
6.根据权利要求5所述的方法，其特征在于，所述多层感知器采用2-3个全连接层。
7.根据权利要求6所述的方法，其特征在于，所述全连接层为3个的情况下，所述分类器的连接方式为FC1+FC2+FC3+SOFTMAX。
CN201610149562.1A 2016-03-16 2016-03-16 一种基于多特征图深度学习的图像识别方法 Active CN105825235B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610149562.1A CN105825235B (zh) 2016-03-16 2016-03-16 一种基于多特征图深度学习的图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610149562.1A CN105825235B (zh) 2016-03-16 2016-03-16 一种基于多特征图深度学习的图像识别方法

Publications (2)

Publication Number Publication Date
CN105825235A true CN105825235A (zh) 2016-08-03
CN105825235B CN105825235B (zh) 2018-12-25

Family

ID=56523450

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610149562.1A Active CN105825235B (zh) 2016-03-16 2016-03-16 一种基于多特征图深度学习的图像识别方法

Country Status (1)

Country Link
CN (1) CN105825235B (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295646A (zh) * 2016-08-10 2017-01-04 东方网力科技股份有限公司 一种基于深度学习的车牌字符分割方法和装置
CN106372648A (zh) * 2016-10-20 2017-02-01 中国海洋大学 基于多特征融合卷积神经网络的浮游生物图像分类方法
CN106446895A (zh) * 2016-10-28 2017-02-22 安徽四创电子股份有限公司 一种基于深度卷积神经网络的车牌识别方法
CN106682616A (zh) * 2016-12-28 2017-05-17 南京邮电大学 基于双通道特征深度学习的新生儿疼痛表情识别方法
CN106845450A (zh) * 2017-02-22 2017-06-13 武汉科技大学 基于近红外成像与深度学习的黑暗环境人脸识别方法
CN106874858A (zh) * 2017-01-19 2017-06-20 博康智能信息技术有限公司北京海淀分公司 一种车辆信息识别方法及装置和一种车辆
CN106874940A (zh) * 2017-01-19 2017-06-20 博康智能信息技术有限公司北京海淀分公司 一种建立识别车辆信息的模型的方法及装置
CN106951926A (zh) * 2017-03-29 2017-07-14 山东英特力数据技术有限公司 一种混合架构的深度学习系统方法及装置
CN106971410A (zh) * 2017-03-27 2017-07-21 华南理工大学 一种基于深度学习的白质纤维束重建方法
CN107463960A (zh) * 2017-08-07 2017-12-12 石林星 一种图像识别方法及装置
CN107578060A (zh) * 2017-08-14 2018-01-12 电子科技大学 一种基于可判别区域的深度神经网络用于菜品图像分类的方法
CN107729948A (zh) * 2017-10-31 2018-02-23 京东方科技集团股份有限公司 图像处理方法及装置、计算机产品和存储介质
CN108537277A (zh) * 2018-04-10 2018-09-14 湖北工业大学 一种图像分类识别的方法
CN108550162A (zh) * 2018-03-27 2018-09-18 清华大学 一种基于深度强化学习的物体检测方法
CN108960310A (zh) * 2018-06-25 2018-12-07 北京普惠三农科技有限公司 一种基于人工智能的农业病虫害识别方法
CN109886951A (zh) * 2019-02-22 2019-06-14 北京旷视科技有限公司 视频处理方法、装置及电子设备
CN110782554A (zh) * 2018-07-13 2020-02-11 宁波其兰文化发展有限公司 一种基于视频摄影的门禁控制方法
CN111428758A (zh) * 2020-03-06 2020-07-17 重庆邮电大学 一种改进的基于无监督表征学习的遥感图像场景分类方法
CN112287689A (zh) * 2020-10-27 2021-01-29 山东省计算中心（国家超级计算济南中心） 一种司法二审案情辅助分析方法及系统
CN115359051A (zh) * 2022-10-19 2022-11-18 江苏诺阳家居科技有限公司 基于图形识别的动脉瘤识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105224942A (zh) * 2015-07-09 2016-01-06 华南农业大学 一种rgb-d图像分类方法及系统
CN105320965A (zh) * 2015-10-23 2016-02-10 西北工业大学 基于深度卷积神经网络的空谱联合的高光谱图像分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105224942A (zh) * 2015-07-09 2016-01-06 华南农业大学 一种rgb-d图像分类方法及系统
CN105320965A (zh) * 2015-10-23 2016-02-10 西北工业大学 基于深度卷积神经网络的空谱联合的高光谱图像分类方法

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295646B (zh) * 2016-08-10 2019-08-23 东方网力科技股份有限公司 一种基于深度学习的车牌字符分割方法和装置
CN106295646A (zh) * 2016-08-10 2017-01-04 东方网力科技股份有限公司 一种基于深度学习的车牌字符分割方法和装置
CN106372648A (zh) * 2016-10-20 2017-02-01 中国海洋大学 基于多特征融合卷积神经网络的浮游生物图像分类方法
CN106372648B (zh) * 2016-10-20 2020-03-13 中国海洋大学 基于多特征融合卷积神经网络的浮游生物图像分类方法
CN106446895A (zh) * 2016-10-28 2017-02-22 安徽四创电子股份有限公司 一种基于深度卷积神经网络的车牌识别方法
CN106682616B (zh) * 2016-12-28 2020-04-21 南京邮电大学 基于双通道特征深度学习的新生儿疼痛表情识别方法
CN106682616A (zh) * 2016-12-28 2017-05-17 南京邮电大学 基于双通道特征深度学习的新生儿疼痛表情识别方法
CN106874858A (zh) * 2017-01-19 2017-06-20 博康智能信息技术有限公司北京海淀分公司 一种车辆信息识别方法及装置和一种车辆
CN106874940A (zh) * 2017-01-19 2017-06-20 博康智能信息技术有限公司北京海淀分公司 一种建立识别车辆信息的模型的方法及装置
CN106874940B (zh) * 2017-01-19 2019-08-27 博康智能信息技术有限公司北京海淀分公司 一种建立识别车辆信息的模型的方法及装置
CN106845450A (zh) * 2017-02-22 2017-06-13 武汉科技大学 基于近红外成像与深度学习的黑暗环境人脸识别方法
CN106971410A (zh) * 2017-03-27 2017-07-21 华南理工大学 一种基于深度学习的白质纤维束重建方法
CN106951926A (zh) * 2017-03-29 2017-07-14 山东英特力数据技术有限公司 一种混合架构的深度学习系统方法及装置
CN107463960A (zh) * 2017-08-07 2017-12-12 石林星 一种图像识别方法及装置
CN107578060A (zh) * 2017-08-14 2018-01-12 电子科技大学 一种基于可判别区域的深度神经网络用于菜品图像分类的方法
US11138738B2 (en) 2017-10-31 2021-10-05 Boe Technology Group Co., Ltd. Image processing method and image processing device
CN107729948A (zh) * 2017-10-31 2018-02-23 京东方科技集团股份有限公司 图像处理方法及装置、计算机产品和存储介质
CN108550162B (zh) * 2018-03-27 2020-02-07 清华大学 一种基于深度强化学习的物体检测方法
CN108550162A (zh) * 2018-03-27 2018-09-18 清华大学 一种基于深度强化学习的物体检测方法
CN108537277A (zh) * 2018-04-10 2018-09-14 湖北工业大学 一种图像分类识别的方法
CN108960310A (zh) * 2018-06-25 2018-12-07 北京普惠三农科技有限公司 一种基于人工智能的农业病虫害识别方法
CN110782554A (zh) * 2018-07-13 2020-02-11 宁波其兰文化发展有限公司 一种基于视频摄影的门禁控制方法
CN109886951A (zh) * 2019-02-22 2019-06-14 北京旷视科技有限公司 视频处理方法、装置及电子设备
CN111428758A (zh) * 2020-03-06 2020-07-17 重庆邮电大学 一种改进的基于无监督表征学习的遥感图像场景分类方法
CN112287689A (zh) * 2020-10-27 2021-01-29 山东省计算中心（国家超级计算济南中心） 一种司法二审案情辅助分析方法及系统
CN115359051A (zh) * 2022-10-19 2022-11-18 江苏诺阳家居科技有限公司 基于图形识别的动脉瘤识别方法

Also Published As

Publication number Publication date
CN105825235B (zh) 2018-12-25

Similar Documents

Publication Publication Date Title
CN105825235A (zh) 一种基于多特征图深度学习的图像识别方法
Yu et al. Underwater-GAN: Underwater image restoration via conditional generative adversarial network
CN108399428B (zh) 一种基于迹比准则的三元组损失函数设计方法
CN107194336B (zh) 基于半监督深度距离度量网络的极化sar图像分类方法
CN105488534B (zh) 交通场景深度解析方法、装置及系统
CN110705457A (zh) 一种遥感影像建筑物变化检测方法
CN104008538B (zh) 基于单张图像超分辨率方法
CN109740413A (zh) 行人重识别方法、装置、计算机设备及计算机存储介质
CN110929736B (zh) 多特征级联rgb-d显著性目标检测方法
CN107679556A (zh) 基于变分自动编码器的零样本图像分类方法
CN109840471A (zh) 一种基于改进Unet网络模型的可行道路分割方法
CN106920243A (zh) 改进的全卷积神经网络的陶瓷材质件序列图像分割方法
CN111612807A (zh) 一种基于尺度和边缘信息的小目标图像分割方法
CN109035172B (zh) 一种基于深度学习的非局部均值超声图像去噪方法
CN103810473B (zh) 一种基于隐马尔科夫模型的人体对象的目标识别方法
CN106408030A (zh) 基于中层语义属性和卷积神经网络的sar图像分类方法
CN106910202B (zh) 一种遥感图像地物的图像分割方法及系统
CN112101262B (zh) 一种多特征融合手语识别方法及网络模型
CN110188816A (zh) 基于多流多尺度交叉双线性特征的图像细粒度识别方法
CN107463960A (zh) 一种图像识别方法及装置
Wen et al. Identifying poultry farms from satellite images with residual dense u-net
CN114639002A (zh) 一种基于多模式特征的红外与可见光图像融合方法
CN114581789A (zh) 一种高光谱图像分类方法及系统
CN115761240B (zh) 一种混沌反向传播图神经网络的图像语义分割方法及装置
CN110490053B (zh) 一种基于三目摄像头深度估计的人脸属性识别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: 201201 room 11, building 955, No. 221, Chuansha Road, Shanghai, Pudong New Area

Applicant after: Bocom Intelligent Network Technology Co. Ltd.

Address before: 201201 room 11, building 955, No. 221, Chuansha Road, Shanghai, Pudong New Area

Applicant before: BOCOM Smart Network Technologies Inc.

COR Change of bibliographic data
CB02 Change of applicant information

Address after: 201201 221, room 11, 955 Chuansha Road, Pudong New Area, Shanghai.

Applicant after: New wisdom cognition Marketing Data Services Ltd

Address before: 201201 221, room 11, 955 Chuansha Road, Pudong New Area, Shanghai.

Applicant before: Bocom Intelligent Network Technology Co. Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant