CN106485717A - 一种基于卷积神经网络的图像特征提取方法及系统 - Google Patents
一种基于卷积神经网络的图像特征提取方法及系统 Download PDFInfo
- Publication number
- CN106485717A CN106485717A CN201610818045.9A CN201610818045A CN106485717A CN 106485717 A CN106485717 A CN 106485717A CN 201610818045 A CN201610818045 A CN 201610818045A CN 106485717 A CN106485717 A CN 106485717A
- Authority
- CN
- China
- Prior art keywords
- image
- vector
- color
- neural networks
- convolutional neural
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明提供了一种基于卷积神经网络的图像特征提取方法及系统，其中方法部分包括：获取待处理图像，其中，待处理图像为彩色图像；对待处理图像进行预处理，得到已预处理图像；从已预处理图像中提取出指定区域作为指定尺寸图像；从指定尺寸图像中提取出颜色特征向量；将颜色特征向量输入卷积神经网络，并将卷积神经网络的输出作为第一特征向量；根据颜色特征向量和第一特征向量，得到图像特征向量。系统部分的模块功能与方法相对应。本发明具有的优点：经过图像预处理，对于输入的图像不需过多的人工预处理；通过核心特征提取，提取图片时间缩短，提取效率提高；克服了提取特征方法对于颜色不敏感的缺陷，提高了提取的准确度。
Description
技术领域
本发明涉及图像处理技术领域，具体地，涉及图像分类技术领域中的一种基于卷积神经网络的图像特征提取方法及系统。
背景技术
卷积神经网络是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它包括卷积层和池层。卷积神经网络对于图像处理具有的平移和尺度不变性，因此广泛应用于图像特征提取。目前的图像特征处理方法大多需经过人工预处理，且图像提取特征方法对于颜色不敏感，降低了图像提取的准确度；提取图片时间长，提取效率低。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于卷积神经网络的图像特征提取方法和系统。
本发明提供了一种基于卷积神经网络的图像特征提取方法，包括如下步骤：
步骤一、图像获取步骤：获取待处理图像，其中，待处理图像为彩色图像；
步骤二、预处理步骤：对待处理图像进行预处理，得到已预处理图像；
步骤三、图像区域提取步骤：从已预处理图像中提取出指定区域作为指定尺寸图像；
步骤四、颜色特征提取步骤：从指定尺寸图像中提取出颜色特征向量；
步骤五、卷积计算步骤：将颜色特征向量输入卷积神经网络，并将卷积神经网络的输出作为第一特征向量；
步骤六、图像特征获取步骤：根据颜色特征向量和第一特征向量，得到图像特征向量。
优选地，所述图像获取步骤，包括：
网络传输步骤：通过网络，向移动终端发送待处理图像的发送请求，并接收来自移动终端的待处理图像；
所述基于卷积神经网络的图像特征提取方法，还包括如下步骤：
图像匹配识别步骤：根据所述图形特征向量，进行图像匹配，得到匹配图像；
图像识别结构提供步骤：将匹配图像发送给移动终端，其中，匹配图像包括属性信息。
优选地，所述图像特征获取步骤，包括：
向量建立步骤：将颜色特征向量点乘第一特征向量，得到点乘向量；
卷积运算步骤：点乘向量卷积颜色特征向量，得到图像特征向量。
优选地，所述图像区域提取步骤，包括：
图像区域分割步骤：将已预处理图像划分为以行列矩阵形式排列的多个子图像；
图像核心区域提取步骤：在所述多个子图像中，将处于行列矩阵边缘的子图像定义为外围图像块，将其余子图像定义为核心图像块；将核心图像块拼接后进行缩放，得到所述指定尺寸图像。
优选地，所述颜色特征提取步骤，包括：
向量归一化步骤：对指定尺寸图像进行处理，得到指定尺寸图像的颜色直方向量；对颜色直方向量进行归一化处理，得到归一化颜色直方向量；采用颜色矩法，得到指定尺寸图像的颜色矩向量；利用向量归一化公式，对颜色矩向量进行归一化，得到归一化颜色矩向量；
拼接归一化步骤：将归一化颜色直方向量点乘第一权重向量，得到赋权颜色直方向量；将归一化颜色矩向量点乘第二权重向量，得到赋权颜色矩向量；将赋权颜色矩向量拼接在赋权颜色直方向量的后面，组成颜色拼接向量；利用向量归一化公式，对颜色拼接向量进行归一化，得到颜色特征向量。
另外，本发明还提供了一种基于卷积神经网络的图像特征提取系统，包括如下装置：
图像获取装置：获取待处理图像，其中，待处理图像为彩色图像；
预处理装置：对待处理图像进行预处理，得到已预处理图像；
图像区域提取装置：从已预处理图像中提取出指定区域作为指定尺寸图像；
颜色特征提取装置：从指定尺寸图像中提取出颜色特征向量；
卷积计算装置：将颜色特征向量输入卷积神经网络，并将卷积神经网络的输出作为第一特征向量；
图像特征获取装置：根据颜色特征向量和第一特征向量，得到图像特征向量。
优选地，所述图像获取装置，包括：
网络传输装置：通过网络，向移动终端发送待处理图像的发送请求，并接收来自移动终端的待处理图像；
所述基于卷积神经网络的图像特征提取系统，还包括如下装置：
图像匹配识别装置：根据所述图形特征向量，进行图像匹配，得到匹配图像；
图像识别结构提供装置：将匹配图像发送给移动终端，其中，匹配图像包括属性信息。
优选地，所述图像特征获取装置，包括：
向量建立装置：将颜色特征向量点乘第一特征向量，得到点乘向量；
卷积运算装置：点乘向量卷积颜色特征向量，得到图像特征向量。
优选地，所述图像区域提取装置，包括：
图像区域分割装置：将已预处理图像划分为以行列矩阵形式排列的多个子图像；
图像核心区域提取装置：在所述多个子图像中，将处于行列矩阵边缘的子图像定义为外围图像块，将其余子图像定义为核心图像块；将核心图像块拼接后进行缩放，得到所述指定尺寸图像。
优选地，所述颜色特征提取装置，包括：
向量归一化装置：对指定尺寸图像进行处理，得到指定尺寸图像的颜色直方向量；对颜色直方向量进行归一化处理，得到归一化颜色直方向量；采用颜色矩法，得到指定尺寸图像的颜色矩向量；利用向量归一化公式，对颜色矩向量进行归一化，得到归一化颜色矩向量；
拼接归一化装置：将归一化颜色直方向量点乘第一权重向量，得到赋权颜色直方向量；将归一化颜色矩向量点乘第二权重向量，得到赋权颜色矩向量；将赋权颜色矩向量拼接在赋权颜色直方向量的后面，组成颜色拼接向量；利用向量归一化公式，对颜色拼接向量进行归一化，得到颜色特征向量。
与现有技术相比，本发明具有如下的有益效果：
1、通过图像预处理，本发明对于输入的图像不需过多的人工预处理；
2、本发明通过核心特征提取，提取图片时间缩短，提取效率提高；
3、本发明克服了提取特征方法对于颜色不敏感的缺陷，提高了提取的准确度。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为基于卷积神经网络的图像特征提取方法流程图；
图2为基于卷积神经网络的图像特征提取系统框图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
如附图1所示，本发明提供了一种基于卷积神经网络的图像特征提取方法，包括如下步骤：
步骤一、图像获取步骤：获取待处理图像，其中，待处理图像为彩色图像；
步骤二、预处理步骤：对待处理图像进行预处理，得到已预处理图像；
步骤三、图像区域提取步骤：从已预处理图像中提取出指定区域作为指定尺寸图像；
步骤四、颜色特征提取步骤：从指定尺寸图像中提取出颜色特征向量；
步骤五、卷积计算步骤：将颜色特征向量输入卷积神经网络，并将卷积神经网络的输出作为第一特征向量；
步骤六、图像特征获取步骤：根据颜色特征向量和第一特征向量，得到图像特征向量。
进一步地，所述图像获取步骤，包括：网络传输步骤：通过网络，向移动终端发送待处理图像的发送请求，并接收来自移动终端的待处理图像；所述基于卷积神经网络的图像特征提取方法，还包括如下步骤：图像匹配识别步骤：根据所述图形特征向量，进行图像匹配，得到匹配图像；图像识别结构提供步骤：将匹配图像发送给移动终端，其中，匹配图像包括属性信息。
进一步地，所述图像特征获取步骤，包括：向量建立步骤：将颜色特征向量点乘第一特征向量，得到点乘向量；卷积运算步骤：点乘向量卷积颜色特征向量，得到图像特征向量。
进一步地，所述图像区域提取步骤，包括：图像区域分割步骤：将已预处理图像划分为以行列矩阵形式排列的多个子图像；图像核心区域提取步骤：在所述多个子图像中，将处于行列矩阵边缘的子图像定义为外围图像块，将其余子图像定义为核心图像块；将核心图像块拼接后进行缩放，得到所述指定尺寸图像。
进一步地，所述颜色特征提取步骤，包括：向量归一化步骤：对指定尺寸图像进行处理，得到指定尺寸图像的颜色直方向量；对颜色直方向量进行归一化处理，得到归一化颜色直方向量；采用颜色矩法，得到指定尺寸图像的颜色矩向量；利用向量归一化公式，对颜色矩向量进行归一化，得到归一化颜色矩向量；拼接归一化步骤：将归一化颜色直方向量点乘第一权重向量，得到赋权颜色直方向量；将归一化颜色矩向量点乘第二权重向量，得到赋权颜色矩向量；将赋权颜色矩向量拼接在赋权颜色直方向量的后面，组成颜色拼接向量；利用向量归一化公式，对颜色拼接向量进行归一化，得到颜色特征向量。
如附图2所示，本发明还提供了一种基于卷积神经网络的图像特征提取系统，包括如下装置：图像获取装置：获取待处理图像，其中，待处理图像为彩色图像；预处理装置：对待处理图像进行预处理，得到已预处理图像；图像区域提取装置：从已预处理图像中提取出指定区域作为指定尺寸图像；颜色特征提取装置：从指定尺寸图像中提取出颜色特征向量；卷积计算装置：将颜色特征向量输入卷积神经网络，并将卷积神经网络的输出作为第一特征向量；图像特征获取装置：根据颜色特征向量和第一特征向量，得到图像特征向量。
进一步地，所述图像获取装置，包括：网络传输装置：通过网络，向移动终端发送待处理图像的发送请求，并接收来自移动终端的待处理图像；所述基于卷积神经网络的图像特征提取系统，还包括如下装置：图像匹配识别装置：根据所述图形特征向量，进行图像匹配，得到匹配图像；图像识别结构提供装置：将匹配图像发送给移动终端，其中，匹配图像包括属性信息。
进一步地，所述图像特征获取装置，包括：向量建立装置：将颜色特征向量点乘第一特征向量，得到点乘向量；卷积运算装置：点乘向量卷积颜色特征向量，得到图像特征向量。
进一步地，所述图像区域提取装置，包括：图像区域分割装置：将已预处理图像划分为以行列矩阵形式排列的多个子图像；图像核心区域提取装置：在所述多个子图像中，将处于行列矩阵边缘的子图像定义为外围图像块，将其余子图像定义为核心图像块；将核心图像块拼接后进行缩放，得到所述指定尺寸图像。
进一步地，所述颜色特征提取装置，包括：向量归一化装置：对指定尺寸图像进行处理，得到指定尺寸图像的颜色直方向量；对颜色直方向量进行归一化处理，得到归一化颜色直方向量；采用颜色矩法，得到指定尺寸图像的颜色矩向量；利用向量归一化公式，对颜色矩向量进行归一化，得到归一化颜色矩向量；拼接归一化装置：将归一化颜色直方向量点乘第一权重向量，得到赋权颜色直方向量；将归一化颜色矩向量点乘第二权重向量，得到赋权颜色矩向量；将赋权颜色矩向量拼接在赋权颜色直方向量的后面，组成颜色拼接向量；利用向量归一化公式，对颜色拼接向量进行归一化，得到颜色特征向量。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于卷积神经网络的图像特征提取方法，其特征在于，包括如下步骤：
步骤一、图像获取步骤：获取待处理图像，其中，待处理图像为彩色图像；
步骤二、预处理步骤：对待处理图像进行预处理，得到已预处理图像；
步骤三、图像区域提取步骤：从已预处理图像中提取出指定区域作为指定尺寸图像；
步骤四、颜色特征提取步骤：从指定尺寸图像中提取出颜色特征向量；
步骤五、卷积计算步骤：将颜色特征向量输入卷积神经网络，并将卷积神经网络的输出作为第一特征向量；
步骤六、图像特征获取步骤：根据颜色特征向量和第一特征向量，得到图像特征向量。
2.根据权利要求1所述的基于卷积神经网络的图像特征提取方法，其特征在于，所述图像获取步骤，包括：
网络传输步骤：通过网络，向移动终端发送待处理图像的发送请求，并接收来自移动终端的待处理图像；
所述基于卷积神经网络的图像特征提取方法，还包括如下步骤：
图像匹配识别步骤：根据所述图形特征向量，进行图像匹配，得到匹配图像；
图像识别结构提供步骤：将匹配图像发送给移动终端，其中，匹配图像包括属性信息。
3.根据权利要求1所述的基于卷积神经网络的图像特征提取方法，其特征在于，所述图像特征获取步骤，包括：
向量建立步骤：将颜色特征向量点乘第一特征向量，得到点乘向量；
卷积运算步骤：点乘向量卷积颜色特征向量，得到图像特征向量。
4.根据权利要求1所述的基于卷积神经网络的图像特征提取方法，其特征在于，所述图像区域提取步骤，包括：
图像区域分割步骤：将已预处理图像划分为以行列矩阵形式排列的多个子图像；
图像核心区域提取步骤：在所述多个子图像中，将处于行列矩阵边缘的子图像定义为外围图像块，将其余子图像定义为核心图像块；将核心图像块拼接后进行缩放，得到所述指定尺寸图像。
5.根据权利要求1所述的基于卷积神经网络的图像特征提取方法，其特征在于，所述颜色特征提取步骤，包括：
向量归一化步骤：对指定尺寸图像进行处理，得到指定尺寸图像的颜色直方向量；对颜色直方向量进行归一化处理，得到归一化颜色直方向量；采用颜色矩法，得到指定尺寸图像的颜色矩向量；利用向量归一化公式，对颜色矩向量进行归一化，得到归一化颜色矩向量；
拼接归一化步骤：将归一化颜色直方向量点乘第一权重向量，得到赋权颜色直方向量；将归一化颜色矩向量点乘第二权重向量，得到赋权颜色矩向量；将赋权颜色矩向量拼接在赋权颜色直方向量的后面，组成颜色拼接向量；利用向量归一化公式，对颜色拼接向量进行归一化，得到颜色特征向量。
6.一种基于卷积神经网络的图像特征提取系统，其特征在于，包括如下装置：
图像获取装置：获取待处理图像，其中，待处理图像为彩色图像；
预处理装置：对待处理图像进行预处理，得到已预处理图像；
图像区域提取装置：从已预处理图像中提取出指定区域作为指定尺寸图像；
颜色特征提取装置：从指定尺寸图像中提取出颜色特征向量；
卷积计算装置：将颜色特征向量输入卷积神经网络，并将卷积神经网络的输出作为第一特征向量；
图像特征获取装置：根据颜色特征向量和第一特征向量，得到图像特征向量。
7.根据权利要求6所述的基于卷积神经网络的图像特征提取系统，其特征在于，所述图像获取装置，包括：
网络传输装置：通过网络，向移动终端发送待处理图像的发送请求，并接收来自移动终端的待处理图像；
所述基于卷积神经网络的图像特征提取系统，还包括如下装置：
图像匹配识别装置：根据所述图形特征向量，进行图像匹配，得到匹配图像；
图像识别结构提供装置：将匹配图像发送给移动终端，其中，匹配图像包括属性信息。
8.根据权利要求6所述的基于卷积神经网络的图像特征提取系统，其特征在于，所述图像特征获取装置，包括：
向量建立装置：将颜色特征向量点乘第一特征向量，得到点乘向量；
卷积运算装置：点乘向量卷积颜色特征向量，得到图像特征向量。
9.根据权利要求6所述的基于卷积神经网络的图像特征提取系统，其特征在于，所述图像区域提取装置，包括：
图像区域分割装置：将已预处理图像划分为以行列矩阵形式排列的多个子图像；
图像核心区域提取装置：在所述多个子图像中，将处于行列矩阵边缘的子图像定义为外围图像块，将其余子图像定义为核心图像块；将核心图像块拼接后进行缩放，得到所述指定尺寸图像。
10.根据权利要求6所述的基于卷积神经网络的图像特征提取系统，其特征在于，所述颜色特征提取装置，包括：
向量归一化装置：对指定尺寸图像进行处理，得到指定尺寸图像的颜色直方向量；对颜色直方向量进行归一化处理，得到归一化颜色直方向量；采用颜色矩法，得到指定尺寸图像的颜色矩向量；利用向量归一化公式，对颜色矩向量进行归一化，得到归一化颜色矩向量；
拼接归一化装置：将归一化颜色直方向量点乘第一权重向量，得到赋权颜色直方向量；将归一化颜色矩向量点乘第二权重向量，得到赋权颜色矩向量；将赋权颜色矩向量拼接在赋权颜色直方向量的后面，组成颜色拼接向量；利用向量归一化公式，对颜色拼接向量进行归一化，得到颜色特征向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610818045.9A CN106485717A (zh) | 2016-09-12 | 2016-09-12 | 一种基于卷积神经网络的图像特征提取方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610818045.9A CN106485717A (zh) | 2016-09-12 | 2016-09-12 | 一种基于卷积神经网络的图像特征提取方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106485717A true CN106485717A (zh) | 2017-03-08 |
Family
ID=58273491
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610818045.9A Pending CN106485717A (zh) | 2016-09-12 | 2016-09-12 | 一种基于卷积神经网络的图像特征提取方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106485717A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107966447A (zh) * | 2017-11-14 | 2018-04-27 | 浙江大学 | 一种基于卷积神经网络的工件表面缺陷检测方法 |
| CN108181316A (zh) * | 2018-03-13 | 2018-06-19 | 广西师范大学 | 一种基于机器视觉的竹条缺陷检测方法 |
| CN108395986A (zh) * | 2018-03-23 | 2018-08-14 | 余晖 | 基于深度学习的人类乳头状瘤病毒自动分型检测装置 |
| CN108537264A (zh) * | 2018-03-30 | 2018-09-14 | 西安电子科技大学 | 基于深度学习的异源图像匹配方法 |
| CN108984577A (zh) * | 2018-02-07 | 2018-12-11 | 广州集创佳禾知识产权运营有限公司 | 一种基于机器识别的线上商品专利获取方法及系统 |
| CN108985285A (zh) * | 2018-02-07 | 2018-12-11 | 广州集创佳禾知识产权运营有限公司 | 一种基于机器识别的商品专利获取方法及系统 |
| CN110377781A (zh) * | 2019-06-06 | 2019-10-25 | 福建讯网网络科技股份有限公司 | 一种应用鞋底搜索匹配的改进算法 |
| CN111988629A (zh) * | 2019-05-22 | 2020-11-24 | 富士通株式会社 | 图像编码方法和装置、图像解码方法和装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105354581A (zh) * | 2015-11-10 | 2016-02-24 | 西安电子科技大学 | 融合颜色特征与卷积神经网络的彩色图像特征提取方法 |
-
2016
- 2016-09-12 CN CN201610818045.9A patent/CN106485717A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105354581A (zh) * | 2015-11-10 | 2016-02-24 | 西安电子科技大学 | 融合颜色特征与卷积神经网络的彩色图像特征提取方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107966447A (zh) * | 2017-11-14 | 2018-04-27 | 浙江大学 | 一种基于卷积神经网络的工件表面缺陷检测方法 |
| CN108984577A (zh) * | 2018-02-07 | 2018-12-11 | 广州集创佳禾知识产权运营有限公司 | 一种基于机器识别的线上商品专利获取方法及系统 |
| CN108985285A (zh) * | 2018-02-07 | 2018-12-11 | 广州集创佳禾知识产权运营有限公司 | 一种基于机器识别的商品专利获取方法及系统 |
| CN108181316A (zh) * | 2018-03-13 | 2018-06-19 | 广西师范大学 | 一种基于机器视觉的竹条缺陷检测方法 |
| CN108181316B (zh) * | 2018-03-13 | 2019-12-20 | 广西师范大学 | 一种基于机器视觉的竹条缺陷检测方法 |
| CN108395986A (zh) * | 2018-03-23 | 2018-08-14 | 余晖 | 基于深度学习的人类乳头状瘤病毒自动分型检测装置 |
| CN108537264A (zh) * | 2018-03-30 | 2018-09-14 | 西安电子科技大学 | 基于深度学习的异源图像匹配方法 |
| CN111988629A (zh) * | 2019-05-22 | 2020-11-24 | 富士通株式会社 | 图像编码方法和装置、图像解码方法和装置 |
| CN111988629B (zh) * | 2019-05-22 | 2024-02-09 | 富士通株式会社 | 图像编码装置和图像解码装置 |
| CN110377781A (zh) * | 2019-06-06 | 2019-10-25 | 福建讯网网络科技股份有限公司 | 一种应用鞋底搜索匹配的改进算法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106485717A (zh) | 一种基于卷积神经网络的图像特征提取方法及系统 | |
| CN107835496B (zh) | 一种垃圾短信的识别方法、装置和服务器 | |
| CN105184238A (zh) | 一种人脸识别方法及系统 | |
| CN109558806A (zh) | 高分遥感图像变化的检测方法和系统 | |
| CN108764242A (zh) | 基于深层卷积神经网络的离线手写汉字体识别方法 | |
| CN109359527B (zh) | 基于神经网络的头发区域提取方法及系统 | |
| CN112784749B (zh) | 目标模型的训练方法、目标对象的识别方法、装置及介质 | |
| CN105956631A (zh) | 一种面向电子图库的在线渐进式图像分类方法 | |
| CN110599554A (zh) | 人脸肤色的识别方法和装置、存储介质及电子装置 | |
| CN114882521A (zh) | 基于多分支网络的无监督行人重识别方法及装置 | |
| CN114092759A (zh) | 图像识别模型的训练方法、装置、电子设备及存储介质 | |
| CN108664951A (zh) | 基于颜色名特征的行人重识别方法 | |
| CN106408086A (zh) | 用于图像优化的深度学习神经网络处理方法及系统 | |
| CN111108508B (zh) | 脸部情感识别方法、智能装置和计算机可读存储介质 | |
| CN114596608B (zh) | 一种基于多线索的双流视频人脸伪造检测方法及系统 | |
| CN116994021A (zh) | 图像检测方法、装置、计算机可读介质及电子设备 | |
| CN105975955B (zh) | 一种图像中文本区域的检测方法 | |
| CN110751271A (zh) | 一种基于深度神经网络的图像溯源特征表征方法 | |
| CN111291651B (zh) | 用于遥感场景分类的多任务神经网络框架及分类方法 | |
| CN110533027B (zh) | 一种基于移动设备的文本检测和识别方法与系统 | |
| CN108764233B (zh) | 一种基于连续卷积激活的场景字符识别方法 | |
| CN114743251B (zh) | 一种基于共享集成卷积神经网络的戏曲人物面部表情识别方法 | |
| CN113128308A (zh) | 一种港口场景下的行人检测方法、装置、设备及介质 | |
| CN109211919A (zh) | 磁瓦崩缺区域的识别方法及装置 | |
| CN104050455A (zh) | 一种肤色检测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170308 |