CN106250871A - 城市管理案件分类方法及装置 - Google Patents
城市管理案件分类方法及装置 Download PDFInfo
- Publication number
- CN106250871A CN106250871A CN201610674004.7A CN201610674004A CN106250871A CN 106250871 A CN106250871 A CN 106250871A CN 201610674004 A CN201610674004 A CN 201610674004A CN 106250871 A CN106250871 A CN 106250871A
- Authority
- CN
- China
- Prior art keywords
- sample image
- management case
- city management
- image
- sample
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 38
- 230000002087 whitening effect Effects 0.000 claims abstract description 33
- 239000000284 extract Substances 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 5
- 238000003475 lamination Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims 14
- 238000013386 optimize process Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/38—Outdoor scenes
- G06V20/39—Urban scenes
-
- 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
-
- 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
-
- G06T5/92—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/32—Normalisation of the pattern dimensions
Abstract
本发明涉及一种城市管理案件分类方法及装置,其中,该方法包括:获取城市管理案件样本,并提取所述城市管理案件样本对应的样本图像;对所述样本图像进行亮度和对比度的归一化处理;对经过亮度和对比度的归一化处理的样本图像进行ZCA白化处理;根据ZCA白化处理后的样本图像建立卷积神经网络CNN模型;根据所述CNN模型对输入的待分类城市管理案件所对应的图像进行分类,以根据所述分类的结果划分所述待分类城市管理案件。本发明的城市管理案件分类方法及装置,能够快速高效的将智慧城管应用系统中的案件图像进行分类,具有分类时间短、分类精度高、应用成本低、模型结构简单等优点。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种城市管理案件分类方法及装置。
背景技术
智慧城管系统是利用“互联网+”技术研发的一款用于城市管理的案件上报处置的一体化系统,其包括PC端和手机端。随着智慧城管应用系统的用户量越来越大,上报到系统中的案件也越来越多。据统计,目前每天的案件上报量在数千条左右。每条案件至少带有一张案件图片,这就造成了大量案件无法自动分类的问题,即给出一张案件图片,而无法确定是属于哪一类的案件。
利用传统的卷积神经网络(Convolutional Neural Network,CNN)算法或支持向量机(Support Vector Machine,SVM)算法虽然可做到将一些图像分类,但是基于这种算法的图像数据需满足一定要求:图像中噪声不能太多、背景不能太复杂、光线明暗程度也要满足特定要求,否则分类精度会很低。
然而,城市管理案件中的图片均为普通手机采集的自然图像,具有很复杂的背景与噪声,若采用传统CNN算法或SVM算法进行图像分类,则无法达到案件分类精度的要求。
发明内容
针对采用传统的CNN算法或SVM算法等进行图像分类无法达到案件分类精度要求的缺陷,本发明提出如下技术方案:
一种城市管理案件分类方法,包括:
获取城市管理案件样本,并提取所述城市管理案件样本对应的样本图像;其中,所述城市管理案件样本为智慧城管应用系统中预先存储的已知类别的城市管理案件;
对所述样本图像进行亮度和对比度的归一化处理;
对经过亮度和对比度的归一化处理的样本图像进行ZCA白化处理;
根据ZCA白化处理后的样本图像建立卷积神经网络CNN模型;
根据所述CNN模型对输入的待分类城市管理案件所对应的图像进行分类,以根据所述分类的结果划分所述待分类城市管理案件。
可选地,所述对所述样本图像进行亮度和对比度的归一化处理,包括:
确定所述样本图像中的每一个像素点的值与所述样本图像像素值的均值的差值,并确定所述差值与所述样本图像像素值的标准差的比值。
可选地,所述对所述样本图像进行亮度和对比度的归一化处理之前,所述方法还包括:
将所述样本图像统一处理成100*100大小的灰度图像。
可选地,所述对经过亮度和对比度的归一化处理的样本图像进行ZCA白化处理,包括:
确定所述经过亮度和对比度的归一化处理的样本图像的协方差矩阵,并将所述协方差矩阵转化为对角阵;
根据所述对角阵确定白化方程,以根据所述白化方程对经过亮度和对比度的归一化处理的样本图像进行ZCA白化处理。
可选地,所述根据ZCA白化处理后的样本图像建立卷积神经网络CNN模型,包括:
构建CNN模型,所述CNN模型包括依次连接的输入层、第一卷积层、第一下采样层、第二卷积层、第二下采样层、第三卷积层、第三下采样层、全连接层以及输出层
可选地,所述CNN模型的激活函数采用线性矫正单元ReLU函数。
可选地,所述方法还包括:
在进行所述CNN模型的网络全连接前,采用dropout技术对所述网络进行优化处理。
一种城市管理案件分类装置,包括:
图像提取单元,用于获取城市管理案件样本,并提取所述城市管理案件样本对应的样本图像;其中,所述城市管理案件样本为智慧城管应用系统中预先存储的已知类别的城市管理案件;
归一化处理单元,用于对所述样本图像进行亮度和对比度的归一化处理;
白化处理单元,用于对经过亮度和对比度的归一化处理的样本图像进行ZCA白化处理;
模型建立单元,用于根据ZCA白化处理后的样本图像建立卷积神经网络CNN模型;
案件分类单元,用于根据所述CNN模型对输入的待分类城市管理案件所对应的图像进行分类,以根据所述分类的结果划分所述待分类城市管理案件。
可选地,所述归一化处理单元具体用于:
确定所述样本图像中的每一个像素点的值与所述样本图像像素值的均值的差值,并确定所述差值与所述样本图像像素值的标准差的比值。
可选地,所述装置还包括:
灰度图像处理单元,用于将所述样本图像统一处理成100*100大小的灰度图像。
本发明的城市管理案件分类方法及装置,通过获取城市管理案件样本,并提取所述城市管理案件样本对应的样本图像,并对所述样本图像进行亮度和对比度的归一化处理,然后对经过亮度和对比度的归一化处理的样本图像进行ZCA白化处理,并根据ZCA白化处理后的样本图像建立卷积神经网络CNN模型,以根据所述CNN模型对输入的待分类城市管理案件所对应的图像进行分类,以根据所述分类的结果划分所述待分类城市管理案件,能够快速高效的将智慧城管应用系统中的案件图像进行分类,具有分类时间短、分类精度高、应用成本低、模型结构简单等优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例的城市管理案件分类方法流程示意图;
图2为本发明一个实施例的CNN网络结构示意图;
图3为本发明另一个实施例的城市管理案件分类装置结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明一个实施例的城市管理案件分类方法流程示意图,如图1所示,该方法包括:
S1:获取城市管理案件样本,并提取所述城市管理案件样本对应的样本图像;
其中,所述城市管理案件样本为智慧城管应用系统中预先存储的已知类别的城市管理案件;
S2:对所述样本图像进行亮度和对比度的归一化处理;
可以理解的是,由于智慧城管应用系统中的案件图像大小、分辨率等都不一致,为了方便计算以及提高分类速度与分类精度,在本实施例中可将案件图像统一处理成100*100大小的灰度图;
需要说明的是,本实施例对图像大小以及是否为灰度图没有限制。
进而,对上述所获取到的灰度图进行亮度和对比度的归一化处理。
作为本实施例的优选,步骤S2中所述对所述样本图像进行亮度和对比度的归一化处理,可以包括:
确定所述样本图像中的每一个像素点的值与所述样本图像灰度的均值的差值,并确定所述差值与所述样本图像的标准差的比值。
具体来说,利用所述样本图像中的每一个像素点的值减去样本图像灰度的均值,然后再除以样本图像标准差;
其中,为了使分母不为零,通常在分母中加入一个小的常量ε,公式为:
其中,是原始输入图像数据,和分别表示图像的均值和方差;且当图像灰度值在[0,255]时,ε=10。
S3:对经过亮度和对比度的归一化处理的样本图像进行ZCA白化处理;
具体来说,对图像进行ZCA白化处理的目的是为了降低输入数据的冗余性,使得经过白化处理的输入数据具有如下性质:(i)特征之间相关性较低;(ii)所有特征具有相同的方差;且使处理后的数据尽可能的接近原始数据。
举例来说,本实施例中对图像进行ZCA白化处理包括:
S31:通过下述公式(2)计算协方差矩阵∑:
S32:将上述协方差矩阵∑转化成对角阵[V,D]:
[V,D]=eig(Σ) (3)
其中,V为特征向量矩阵,D为由协方差矩阵∑的特征值组成的对角阵。
S33:确定白化方程:
其中,εzca为一个很小的常数,通常设置为0.01,I为单位矩阵。
进而,可根据所述白化方程对经过亮度和对比度的归一化处理的样本图像进行ZCA白化处理。
S4:根据ZCA白化处理后的样本图像建立卷积神经网络CNN模型;
具体来说,图2示出了本发明一个实施例的CNN网络结构如图2所示,构建的CNN模型包括:依次连接的输入层(input)、第一卷积层C1、第一下采样层S2、第二卷积层C3、第二下采样层S4、第三卷积层C5、第三下采样层S6、全连接层(Full-connect)以及输出层。
需要说明的是,本实施例的网络结构优选为8层的CNN网络模型,但在实际应用中,本领域的技术人员可以根据实际情况采用不同数量层的CNN网络模型,本发明对此不进行限定。举例来说,所输入图像为100*100大小,卷积核(kernalsize)大小为13*13。
需要说明的是,本实施例的卷积核的大小优选为13*13,但在实际应用中,本领域的技术人员可以根据实际情况采用不同大小的卷积核,本发明对此不进行限定。
作为本实施例的优选,模型的激活函数可采用ReLU(Rectified Linear Units线性矫正单元)。
进一步地,作为上述实施例的优选,全连接前可以采用dropout技术进行网络优化。
S5:根据所述CNN模型对输入的待分类城市管理案件所对应的图像进行分类,以根据所述分类的结果划分所述待分类城市管理案件。
具体地,根据建立的CNN模型即可针对输入的图像进行分类,以得到分类结果,同时可以输出分类时间与分类精度。
本实施例的城市管理案件分类方法,通过获取城市管理案件样本,并提取所述城市管理案件样本对应的样本图像,并对所述样本图像进行亮度和对比度的归一化处理,然后对经过亮度和对比度的归一化处理的样本图像进行ZCA白化处理,并根据ZCA白化处理后的样本图像建立卷积神经网络CNN模型,以根据所述CNN模型对输入的待分类城市管理案件所对应的图像进行分类,以根据所述分类的结果划分所述待分类城市管理案件,能够快速高效的将智慧城管应用系统中的案件图像进行分类,具有分类时间短、分类精度高、应用成本低、模型结构简单等优点。
图3为本发明另一个实施例的城市管理案件分类装置结构示意图,如图3所示,该装置包括图像提取单元10、归一化处理单元20、白化处理单元30、模型建立单元40以及案件分类单元50,其中:
图像提取单元10用于获取城市管理案件样本,并提取所述城市管理案件样本对应的样本图像;其中,所述城市管理案件样本为智慧城管应用系统中预先存储的已知类别的城市管理案件;
归一化处理单元20用于对所述样本图像进行亮度和对比度的归一化处理;
白化处理单元30用于对经过亮度和对比度的归一化处理的样本图像进行ZCA白化处理;
模型建立单元40用于根据ZCA白化处理后的样本图像建立卷积神经网络CNN模型;
案件分类单元50用于根据所述CNN模型对输入的待分类城市管理案件所对应的图像进行分类,以根据所述分类的结果划分所述待分类城市管理案件。
具体地,本实施例的城市管理案件分类装置的分类过程包括:图像提取单元10获取城市管理案件样本,并提取所述城市管理案件样本对应的样本图像,归一化处理单元20对所述样本图像进行亮度和对比度的归一化处理,白化处理单元30对经过亮度和对比度的归一化处理的样本图像进行ZCA白化处理,模型建立单元40根据ZCA白化处理后的样本图像建立卷积神经网络CNN模型,案件分类单元50根据所述CNN模型对输入的待分类城市管理案件所对应的图像进行分类,以根据所述分类的结果划分所述待分类城市管理案件。
进一步地,作为上述装置实施例的优选,归一化处理单元20可以具体用于:
确定所述样本图像中的每一个像素点的值与所述样本图像像素值的均值的差值,并确定所述差值与所述样本图像像素值的标准差的比值。
进一步地,作为上述各个装置实施例的优选,所述装置还可以包括:
灰度图像处理单元60,用于将所述样本图像统一处理成100*100大小的灰度图像。
本实施例所述的城市管理案件分类装置可以用于执行上述方法实施例,其原理和技术效果类似,此处不再赘述。
需要说明的是,对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以下是采用本发明的城市管理案件分类方法及装置进行城市管理案件分类的一个具体实施例。
本实施例采用电动自行车类图片1300张、汽车类图片1300张、垃圾类图片1300张、垃圾桶类图片1300张,共5200张,其中对上述数据集中每类图片各随机取1000张,共计4000张作为训练集,剩余共计1200张作为测试集,做四分类;
采用的设备包括:
处理器Inter Core i5处理器,8G内存,Windows10操作系统,Matlab2016a软件。
分类的结果如下表一所示,其中包括每一类的准确率(Accuracy)、精度(Precision)、召回率(Recall)、F1值(F1-Score);以及总的准确率、精度、召回率、F1值:
表一分类的结果
本发明提供了一种基于目前人工智能领域最新的深度学习方法,采用ZCA白化处理方法加改进的卷积神经网络CNN的方法进行分类,提出了数据在进行卷积神经网络结构训练前,先对数据进行归一化和白化处理,降低数据之间的相关性,并使得处理后的数据尽可能的接近原始数据,且采用8层的CNN网络模型,在最后的全连接层之前采用了dropout进行网络优化,实现了通过智慧城管应用系统中的案件图像快速、高效地将智慧城管应用系统中的案件进行自动分类。
以上实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种城市管理案件分类方法,其特征在于,包括:
获取城市管理案件样本,并提取所述城市管理案件样本对应的样本图像;其中,所述城市管理案件样本为智慧城管应用系统中预先存储的已知类别的城市管理案件;
对所述样本图像进行亮度和对比度的归一化处理;
对经过亮度和对比度的归一化处理的样本图像进行ZCA白化处理;
根据ZCA白化处理后的样本图像建立卷积神经网络CNN模型;
根据所述CNN模型对输入的待分类城市管理案件所对应的图像进行分类,以根据所述分类的结果划分所述待分类城市管理案件。
2.根据权利要求1所述的方法,其特征在于,所述对所述样本图像进行亮度和对比度的归一化处理,包括:
确定所述样本图像中的每一个像素点的值与所述样本图像像素值的均值的差值,并确定所述差值与所述样本图像像素值的标准差的比值。
3.根据权利要求2所述的方法,其特征在于,所述对所述样本图像进行亮度和对比度的归一化处理之前,所述方法还包括:
将所述样本图像统一处理成100*100大小的灰度图像。
4.根据权利要求1所述的方法,其特征在于,所述对经过亮度和对比度的归一化处理的样本图像进行ZCA白化处理,包括:
确定所述经过亮度和对比度的归一化处理的样本图像的协方差矩阵,并将所述协方差矩阵转化为对角阵;
根据所述对角阵确定白化方程,以根据所述白化方程对经过亮度和对比度的归一化处理的样本图像进行ZCA白化处理。
5.根据权利要求1所述的方法,其特征在于,所述根据ZCA白化处理后的样本图像建立卷积神经网络CNN模型,包括:
构建CNN模型,所述CNN模型包括依次连接的输入层、第一卷积层、第一下采样层、第二卷积层、第二下采样层、第三卷积层、第三下采样层、全连接层以及输出层。
6.根据权利要求5所述的方法,其特征在于,所述CNN模型的激活函数采用线性矫正单元ReLU函数。
7.根据权利要求5所述的方法,其特征在于,所述方法还包括:
在进行所述CNN模型的网络全连接前,采用dropout技术对所述网络进行优化处理。
8.一种城市管理案件分类装置,其特征在于,包括:
图像提取单元,用于获取城市管理案件样本,并提取所述城市管理案件样本对应的样本图像;其中,所述城市管理案件样本为智慧城管应用系统中预先存储的已知类别的城市管理案件;
归一化处理单元,用于对所述样本图像进行亮度和对比度的归一化处理;
白化处理单元,用于对经过亮度和对比度的归一化处理的样本图像进行ZCA白化处理;
模型建立单元,用于根据ZCA白化处理后的样本图像建立卷积神经网络CNN模型;
案件分类单元,用于根据所述CNN模型对输入的待分类城市管理案件所对应的图像进行分类,以根据所述分类的结果划分所述待分类城市管理案件。
9.根据权利要求8所述的装置,其特征在于,所述归一化处理单元具体用于:
确定所述样本图像中的每一个像素点的值与所述样本图像像素的均值的差值,并确定所述差值与所述样本图像像素值的标准差的比值。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括:
灰度图像处理单元,用于将所述样本图像统一处理成100*100大小的灰度图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610674004.7A CN106250871A (zh) | 2016-08-16 | 2016-08-16 | 城市管理案件分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610674004.7A CN106250871A (zh) | 2016-08-16 | 2016-08-16 | 城市管理案件分类方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106250871A true CN106250871A (zh) | 2016-12-21 |
Family
ID=57593156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610674004.7A Pending CN106250871A (zh) | 2016-08-16 | 2016-08-16 | 城市管理案件分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106250871A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596044A (zh) * | 2018-04-02 | 2018-09-28 | 中国人民解放军陆军工程大学 | 基于深度卷积神经网络的行人检测方法 |
CN109165542A (zh) * | 2018-06-27 | 2019-01-08 | 中国人民解放军陆军工程大学 | 基于精简卷积神经网络的行人检测方法 |
CN110458082A (zh) * | 2019-08-05 | 2019-11-15 | 城云科技(中国)有限公司 | 一种城市管理案件分类识别方法 |
CN110705621A (zh) * | 2019-09-25 | 2020-01-17 | 北京影谱科技股份有限公司 | 基于dcnn的食物图像的识别方法和系统及食物热量计算方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184405A (zh) * | 2011-04-19 | 2011-09-14 | 清华大学 | 图像采集分析方法 |
CN104036474A (zh) * | 2014-06-12 | 2014-09-10 | 厦门美图之家科技有限公司 | 一种图像亮度和对比度的自动调节方法 |
CN104200224A (zh) * | 2014-08-28 | 2014-12-10 | 西北工业大学 | 基于深度卷积神经网络的无价值图像去除方法 |
CN105243139A (zh) * | 2015-10-10 | 2016-01-13 | 天津大学 | 一种基于深度学习的三维模型检索方法及其检索装置 |
CN105512684A (zh) * | 2015-12-09 | 2016-04-20 | 江苏大为科技股份有限公司 | 基于主成分分析卷积神经网络的车标自动识别方法 |
-
2016
- 2016-08-16 CN CN201610674004.7A patent/CN106250871A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184405A (zh) * | 2011-04-19 | 2011-09-14 | 清华大学 | 图像采集分析方法 |
CN104036474A (zh) * | 2014-06-12 | 2014-09-10 | 厦门美图之家科技有限公司 | 一种图像亮度和对比度的自动调节方法 |
CN104200224A (zh) * | 2014-08-28 | 2014-12-10 | 西北工业大学 | 基于深度卷积神经网络的无价值图像去除方法 |
CN105243139A (zh) * | 2015-10-10 | 2016-01-13 | 天津大学 | 一种基于深度学习的三维模型检索方法及其检索装置 |
CN105512684A (zh) * | 2015-12-09 | 2016-04-20 | 江苏大为科技股份有限公司 | 基于主成分分析卷积神经网络的车标自动识别方法 |
Non-Patent Citations (2)
Title |
---|
杨金鑫: "结合卷积神经网络和超像素聚类的细胞图像分割方法", 《计算机应用研究》 * |
赵玲玲: "基于深度卷积神经网络的乳腺细胞图像分类研究", 《科技前沿 》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596044A (zh) * | 2018-04-02 | 2018-09-28 | 中国人民解放军陆军工程大学 | 基于深度卷积神经网络的行人检测方法 |
CN108596044B (zh) * | 2018-04-02 | 2021-05-07 | 中国人民解放军陆军工程大学 | 基于深度卷积神经网络的行人检测方法 |
CN109165542A (zh) * | 2018-06-27 | 2019-01-08 | 中国人民解放军陆军工程大学 | 基于精简卷积神经网络的行人检测方法 |
CN110458082A (zh) * | 2019-08-05 | 2019-11-15 | 城云科技(中国)有限公司 | 一种城市管理案件分类识别方法 |
CN110458082B (zh) * | 2019-08-05 | 2022-05-03 | 城云科技(中国)有限公司 | 一种城市管理案件分类识别方法 |
CN110705621A (zh) * | 2019-09-25 | 2020-01-17 | 北京影谱科技股份有限公司 | 基于dcnn的食物图像的识别方法和系统及食物热量计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106875373B (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
CN106919920A (zh) | 基于卷积特征和空间视觉词袋模型的场景识别方法 | |
CN104680542B (zh) | 基于在线学习的遥感影像变化检测方法 | |
CN106250871A (zh) | 城市管理案件分类方法及装置 | |
CN107835496A (zh) | 一种垃圾短信的识别方法、装置和服务器 | |
CN106803069A (zh) | 基于深度学习的人群高兴程度识别方法 | |
CN105825511A (zh) | 一种基于深度学习的图片背景清晰度检测方法 | |
CN107203752A (zh) | 一种联合深度学习和特征二范数约束的人脸识别方法 | |
CN112819063B (zh) | 一种基于改进的Focal损失函数的图像识别方法 | |
CN109344888A (zh) | 一种基于卷积神经网络的图像识别方法、装置及设备 | |
CN108459955A (zh) | 基于深度自编码网络的软件缺陷预测方法 | |
CN108510004A (zh) | 一种基于深度残差网络的细胞分类方法及系统 | |
CN110212528A (zh) | 基于生成对抗和双重语义感知的配电网量测数据缺失重构方法 | |
CN113869162A (zh) | 一种基于人工智能的违章识别方法及系统 | |
CN109711433A (zh) | 一种基于元学习的细粒度分类方法 | |
CN107046534A (zh) | 一种网络安全态势模型训练方法、识别方法及识别装置 | |
CN111553438A (zh) | 一种基于卷积神经网络的图像识别方法 | |
CN116416244A (zh) | 一种基于深度学习的裂缝检测方法及系统 | |
CN110458189A (zh) | 压缩感知和深度卷积神经网络电能质量扰动分类方法 | |
CN115759365A (zh) | 光伏发电功率的预测方法及相关设备 | |
CN110400307A (zh) | 一种基于区域差异的屏幕图像质量评估方法 | |
CN110334773A (zh) | 基于机器学习的模型入模特征的筛选方法 | |
Zhou et al. | MSAR‐DefogNet: Lightweight cloud removal network for high resolution remote sensing images based on multi scale convolution | |
CN106570514A (zh) | 一种基于词袋模型和支持向量机的汽车轮毂分类方法 | |
CN111339950B (zh) | 一种遥感图像目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161221 |