CN106650781A - 一种卷积神经网络图像识别方法及装置 - Google Patents

一种卷积神经网络图像识别方法及装置 Download PDF

Info

Publication number
CN106650781A
CN106650781A CN201610918345.4A CN201610918345A CN106650781A CN 106650781 A CN106650781 A CN 106650781A CN 201610918345 A CN201610918345 A CN 201610918345A CN 106650781 A CN106650781 A CN 106650781A
Authority
CN
China
Prior art keywords
feature
layer
image
convolutional neural
neural networks
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
CN201610918345.4A
Other languages
English (en)
Inventor
高小征
钟震宇
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201610918345.4A priority Critical patent/CN106650781A/zh
Publication of CN106650781A publication Critical patent/CN106650781A/zh
Pending legal-status Critical Current

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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]

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

本发明公开了一种卷积神经网络图像识别方法及装置，通过获取原始图像；对原始图像进行预处理；利用卷积神经网络提取经预处理后的图像的特征，并计算出各层特征经过多层传递产生的残差；对各层间特征残差和最后提取特征进行降维处理；对降维后的特征进行融合，获取特征融合后的特征表达；采用分类器对融合后的特征进行图像分类。在特征映射过程中都会出现残差，这些残差除了用于CNN反向传播来调整权值和偏置，还含有许多具有一定表达能力的信息。本发明所提供的卷积神经网络图像识别方法及装置，通过各级残差和输出特征的融合，增强了特征的表现力，提高了图像识别的精度。

Description

一种卷积神经网络图像识别方法及装置
技术领域
本发明涉及深度学习技术领域，特别是涉及一种卷积神经网络图像识别方法及装置。
背景技术
卷积神经网络(CNN)是依据灵长类动物视觉神经机制的原理而设计的一种具有深度学习能力的人工神经网络。Hubel和Wiesel在1962年提出基于猫视觉皮层的视觉结构模型，并首次提出了感受野的概念。但随着支持向量机(svm)等更简单高效的线性分类器的出现，以及由于深度结构非凸目标代价函数中普遍存在的局部最小的局限性，使神经网络的研究陷入了近二十年的低潮。直到Hinton等人提出基于深度置信网(DBN)的非监督逐层训练法，解决了深层结构相关的优化问题。随后又经过多年的研究，形成了现在通过局部感知区域、共享权值、空间或时间上的下采样来充分利用数据本身包含的局部性等特征来优化网络结构，如此可以有效降低网络模型的复杂度，而且能够显著的模拟人类的视觉神经机理。
深度学习的迅速发展大大促进了CNN的发展，并且再次受到研究人员的关注，成为在某些领域超过同类识别水平的方法，对卷积神经网络的发展具有重要的意义。但传统卷积神经网络是把图像逐层映射，映射到最后一层就是要特征提取的结果，但该方法识别图像的正确率并不高。鉴于此，如何提高图像识别的正确率成为一个重要的研究方向。
发明内容
本发明的目的是提供一种卷积神经网络图像识别方法及装置，以解决现有卷积神经网络图像识别正确率较低的问题。
为解决上述技术问题，本发明提供一种卷积神经网络图像识别方法，包括：
获取原始图像；
对所述原始图像进行预处理；
利用卷积神经网络提取经预处理后的图像的特征，并计算出各层特征经过多层传递产生的残差；
对各层间特征残差和最后提取特征进行降维处理；
对降维后的特征进行融合，获取特征融合后的特征表达；
采用分类器对融合后的特征进行图像分类。
可选地，所述对所述原始图像进行预处理包括：
将所述原始图像转化为灰度图像，采取图像调整和直方图均衡化操作来增强图像对比度。
可选地，所述利用卷积神经网络提取经预处理后的图像的特征包括：
通过交替的卷积和下采样处理进行特征提取。
可选地，所述计算出各层特征经过多层传递产生的残差包括：
如果下一层为采样层，则利用公式计算第l层第j个特征图的残差，其中第l层为卷积层，第l+1层为子采样层，为采样层权值，为第l层卷积的输出层，up(x)是将l+1层残差的大小扩展为和l层大小一样；如果下一层为卷积层，则利用公式来计算残差，其中，假设获得l+1层残差，rot180表示对卷积核矩阵进行180度旋转，‘full’为卷积模式。
可选地，所述对各层间特征残差和最后提取特征进行降维处理包括：
利用主成分分析法对各层间特征残差和最后提取特征进行降维处理。
可选地，所述对降维后的特征进行融合，获取特征融合后的特征表达包括：
对降维后的特征进行加法融合，获取特征融合后的特征表达。
可选地，所述采用分类器对所述图像进行分类包括：
采用支持向量机作为分类器，对所述图像进行分类。
本发明还提供了一种卷积神经网络图像识别装置，包括：
获取模块，用于获取原始图像；
预处理模块，用于对所述原始图像进行预处理；
提取与计算模块，用于利用卷积神经网络提取经预处理后的图像的特征，并计算出各层特征经过多层传递产生的残差；
降维处理模块，用于对各层间特征残差和最后提取特征进行降维处理；
融合模块，用于对降维后的特征进行融合，获取特征融合后的特征表达；
分类模块，用于采用分类器对融合后的特征进行图像分类。
可选地，所述提取与计算模块具体用于：
如果下一层为采样层，则利用公式计算第l层第j个特征图的残差，其中第l层为卷积层，第l+1层为子采样层，为采样层权值，为第l层卷积的输出层，up(x)是将l+1层残差的大小扩展为和l层大小一样；如果下一层为卷积层，则利用公式来计算残差，其中，假设获得l+1层残差，rot180表示对卷积核矩阵进行180度旋转，‘full’为卷积模式。
可选地，所述降维处理模块具体用于：
利用主成分分析法对各层间特征残差和最后提取特征进行降维处理。
本发明所提供的卷积神经网络图像识别方法及装置，通过获取原始图像；对原始图像进行预处理；利用卷积神经网络提取经预处理后的图像的特征，并计算出各层特征经过多层传递产生的残差；对各层间特征残差和最后提取特征进行降维处理；对降维后的特征进行融合，获取特征融合后的特征表达；采用分类器对融合后的特征进行图像分类。在特征映射过程中都会出现残差，这些残差除了用于CNN反向传播来调整权值和偏置，还含有许多具有一定表达能力的信息。本发明所提供的卷积神经网络图像识别方法及装置，通过各级残差和输出特征的融合，增强了特征的表现力，提高了图像识别的精度。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，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的介绍，显而易见地，下面描述中的附图仅仅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为本发明所提供的卷积神经网络图像识别方法的一种具体实施方式的流程图；
图2为本发明所提供的卷积神经网络图像识别方法的另一种具体实施方式的流程图；
图3为本发明所提供的卷积神经网络图像识别方法的另一种具体实施方式中特征融合的流程图；
图4为本发明实施例提供的卷积神经网络图像识别装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅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。
本发明所提供的卷积神经网络图像识别方法的一种具体实施方式的流程图如图1所示，该方法包括：
步骤S101：获取原始图像；
步骤S102：对所述原始图像进行预处理；
步骤S103：利用卷积神经网络提取经预处理后的图像的特征，并计算出各层特征经过多层传递产生的残差；
卷积神经网络(CNN)是通过局部感知区域、共享权值、空间或时间上的下采样来充分利用数据本身包含的局部性等特征来优化网络结构，并保证一定程度上的位移和形状不变形。
CNN网络各层级特征提取都会有残差产生，这些残差也具有一定的表达能力。
步骤S104：对各层间特征残差和最后提取特征进行降维处理；
本步骤通过降维处理可以消除数据中的噪声。
步骤S105：对降维后的特征进行融合，获取特征融合后的特征表达；
通过将各层残差与最后的输出特征融合，进一步增强了CNN的表达能力。
步骤S106：采用分类器对融合后的特征进行图像分类。
本发明所提供的卷积神经网络图像识别方法，通过获取原始图像；对原始图像进行预处理；利用卷积神经网络提取经预处理后的图像的特征，并计算出各层特征经过多层传递产生的残差；对各层间特征残差和最后提取特征进行降维处理；对降维后的特征进行融合，获取特征融合后的特征表达；采用分类器对融合后的特征进行图像分类。在特征映射过程中都会出现残差，这些残差除了用于CNN反向传播来调整权值和偏置，还含有许多具有一定表达能力的信息。本发明所提供的卷积神经网络图像识别方法，通过各级残差和输出特征的融合，增强了特征的表现力，提高了图像识别的精度。
在上述实施例的基础上，本发明所提供的卷积神经网络图像识别方法的另一种具体实施方式的流程图如图2所示，对应特征融合的流程图如图3所示，该方法包括：
步骤S201：获取原始图像；
步骤S202：将所述原始图像转化为灰度图像，采取图像调整和直方图均衡化操作来增强图像对比度；
本实施例通过对图像进行预处理，能够提高计算的效率。
步骤S203：利用卷积神经网络提取经预处理后的图像的特征，并计算出各层特征经过多层传递产生的残差；
具体地，通过交替的卷积和下采样处理进行特征提取。
如果下一层为采样层，则利用公式计算第l层第j个特征图的残差，其中第l层为卷积层，第l+1层为子采样层，为采样层权值，为第l层卷积的输出层，up(x)是将l+1层残差的大小扩展为和l层大小一样；如果下一层为卷积层，则利用公式来计算残差，其中，假设获得l+1层残差，rot180表示对卷积核矩阵进行180度旋转，‘full’为卷积模式。
步骤S204：利用主成分分析法对各层间特征残差和最后提取特征进行降维处理；
主成分分析法(PCA)是从一组特征中通过求解最优的正交变换，得到一组相互间方差最大的新特征，它们是原始特征的线性组合，且相互之间是不相关的，再对新特征进行重要性排序，选取前几个主成分。用较少的主成分来表示数据，可以实现特征的降维，还可以消除数据中的噪声。
步骤S205：对降维后的特征进行加法融合，获取特征融合后的特征表达；
步骤S206：采用支持向量机作为分类器，对所述图像进行分类。
本发明实施例通过卷积神经网络各层级间残差的计算和特征融合，整个过程采用PCA对各级残差降维，并与最终卷积神经网络提取的特征PCA降维后融合，从而提高图像特征的表达能力，改善图像分类识别的正确率。
下面对本发明实施例提供的卷积神经网络图像识别装置进行介绍，下文描述的卷积神经网络图像识别装置与上文描述的卷积神经网络图像识别方法可相互对应参照。
图4为本发明实施例提供的卷积神经网络图像识别装置的结构框图，参照图4卷积神经网络图像识别装置可以包括：
获取模块100，用于获取原始图像；
预处理模块200，用于对所述原始图像进行预处理；
提取与计算模块300，用于利用卷积神经网络提取经预处理后的图像的特征，并计算出各层特征经过多层传递产生的残差；
降维处理模块400，用于对各层间特征残差和最后提取特征进行降维处理；
融合模块500，用于对降维后的特征进行融合，获取特征融合后的特征表达；
分类模块600，用于采用分类器对融合后的特征进行图像分类。
作为一种具体实施方式，本发明所提供的卷积神经网络图像识别装置中，提取与计算模块300可以具体用于：
如果下一层为采样层，则利用公式计算第l层第j个特征图的残差，其中第l层为卷积层，第l+1层为子采样层，为采样层权值，为第l层卷积的输出层，up(x)是将l+1层残差的大小扩展为和l层大小一样；如果下一层为卷积层，则利用公式来计算残差，其中，假设获得l+1层残差，rot180表示对卷积核矩阵进行180度旋转，‘full’为卷积模式。
作为一种具体实施方式，本发明所提供的卷积神经网络图像识别装置中，降维处理模块400可以具体用于：
利用主成分分析法对各层间特征残差和最后提取特征进行降维处理。
本发明所提供的卷积神经网络图像识别装置，通过获取原始图像；对原始图像进行预处理；利用卷积神经网络提取经预处理后的图像的特征，并计算出各层特征经过多层传递产生的残差；对各层间特征残差和最后提取特征进行降维处理；对降维后的特征进行融合，获取特征融合后的特征表达；采用分类器对融合后的特征进行图像分类。在特征映射过程中都会出现残差，这些残差除了用于CNN反向传播来调整权值和偏置，还含有许多具有一定表达能力的信息。本发明所提供的卷积神经网络图像识别装置，通过各级残差和输出特征的融合，增强了特征的表现力，提高了图像识别的精度。
本实施例的卷积神经网络图像识别装置用于实现前述的卷积神经网络图像识别方法，因此卷积神经网络图像识别装置中的具体实施方式可见前文中的卷积神经网络图像识别方法的实施例部分，例如，获取模块100，预处理模块200，提取与计算模块300，降维处理模块400，融合模块500，分类模块600，分别用于实现上述卷积神经网络图像识别方法中步骤S101，S102，S103，S104，S105和S106，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的卷积神经网络图像识别方法以及装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。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，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.一种卷积神经网络图像识别方法，其特征在于，包括：
获取原始图像；
对所述原始图像进行预处理；
利用卷积神经网络提取经预处理后的图像的特征，并计算出各层特征经过多层传递产生的残差；
对各层间特征残差和最后提取特征进行降维处理；
对降维后的特征进行融合，获取特征融合后的特征表达；
采用分类器对融合后的特征进行图像分类。
2.如权利要求1所述的卷积神经网络图像识别方法，其特征在于，所述对所述原始图像进行预处理包括：
将所述原始图像转化为灰度图像，采取图像调整和直方图均衡化操作来增强图像对比度。
3.如权利要求2所述的卷积神经网络图像识别方法，其特征在于，所述利用卷积神经网络提取经预处理后的图像的特征包括：
通过交替的卷积和下采样处理进行特征提取。
4.如权利要求1至3任一项所述的卷积神经网络图像识别方法，其特征在于，所述计算出各层特征经过多层传递产生的残差包括：
如果下一层为采样层，则利用公式计算第l层第j个特征图的残差，其中第l层为卷积层，第l+1层为子采样层，为采样层权值，为第l层卷积的输出层，up(x)是将l+1层残差的大小扩展为和l层大小一样；如果下一层为卷积层，则利用公式 来计算残差，其中，假设获得l+1层残差，rot180表示对卷积核矩阵进行180度旋转，‘full’为卷积模式。
5.如权利要求4所述的卷积神经网络图像识别方法，其特征在于，所述对各层间特征残差和最后提取特征进行降维处理包括：
利用主成分分析法对各层间特征残差和最后提取特征进行降维处理。
6.如权利要求5所述的卷积神经网络图像识别方法，其特征在于，所述对降维后的特征进行融合，获取特征融合后的特征表达包括：
对降维后的特征进行加法融合，获取特征融合后的特征表达。
7.如权利要求6所述的卷积神经网络图像识别方法，其特征在于，所述采用分类器对所述图像进行分类包括：
采用支持向量机作为分类器，对所述图像进行分类。
8.一种卷积神经网络图像识别装置，其特征在于，包括：
获取模块，用于获取原始图像；
预处理模块，用于对所述原始图像进行预处理；
提取与计算模块，用于利用卷积神经网络提取经预处理后的图像的特征，并计算出各层特征经过多层传递产生的残差；
降维处理模块，用于对各层间特征残差和最后提取特征进行降维处理；
融合模块，用于对降维后的特征进行融合，获取特征融合后的特征表达；
分类模块，用于采用分类器对融合后的特征进行图像分类。
9.如权利要求8所述的卷积神经网络图像识别装置，其特征在于，所述提取与计算模块具体用于：
如果下一层为采样层，则利用公式计算第l层第j个特征图的残差，其中第l层为卷积层，第l+1层为子采样层，为采样层权值，为第l层卷积的输出层，up(x)是将l+1层残差的大小扩展为和l层大小一样；如果下一层为卷积层，则利用公式 来计算残差，其中，假设获得l+1层残差，rot180表示对卷积核矩阵进行180度旋转，‘full’为卷积模式。
10.如权利要求9所述的卷积神经网络图像识别装置，其特征在于，所述降维处理模块具体用于：
利用主成分分析法对各层间特征残差和最后提取特征进行降维处理。
CN201610918345.4A 2016-10-21 2016-10-21 一种卷积神经网络图像识别方法及装置 Pending CN106650781A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610918345.4A CN106650781A (zh) 2016-10-21 2016-10-21 一种卷积神经网络图像识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610918345.4A CN106650781A (zh) 2016-10-21 2016-10-21 一种卷积神经网络图像识别方法及装置

Publications (1)

Publication Number Publication Date
CN106650781A true CN106650781A (zh) 2017-05-10

Family

ID=58855688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610918345.4A Pending CN106650781A (zh) 2016-10-21 2016-10-21 一种卷积神经网络图像识别方法及装置

Country Status (1)

Country Link
CN (1) CN106650781A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107239759A (zh) * 2017-05-27 2017-10-10 中国科学院遥感与数字地球研究所 一种基于深度特征的高空间分辨率遥感图像迁移学习方法
CN107333040A (zh) * 2017-07-13 2017-11-07 中国科学院半导体研究所 仿生视觉成像与处理装置
CN107609503A (zh) * 2017-09-05 2018-01-19 刘宇红 智能癌变细胞识别系统及方法、云平台、服务器、计算机
CN107798381A (zh) * 2017-11-13 2018-03-13 河海大学 一种基于卷积神经网络的图像识别方法
CN108388890A (zh) * 2018-03-26 2018-08-10 南京邮电大学 一种基于面部表情识别的新生儿疼痛程度评估方法及系统
CN108764357A (zh) * 2018-05-31 2018-11-06 西安电子科技大学 基于压缩-激发的聚合残差网络高光谱图像分类方法
CN108830296A (zh) * 2018-05-18 2018-11-16 河海大学 一种改进的基于深度学习的高分遥感影像分类方法
CN108921029A (zh) * 2018-06-04 2018-11-30 浙江大学 一种融合残差卷积神经网络和pca降维的sar自动目标识别方法
CN108984576A (zh) * 2018-02-07 2018-12-11 广州集创佳禾知识产权运营有限公司 一种基于卷积神经网络的专利文献获取方法及系统
CN109635842A (zh) * 2018-11-14 2019-04-16 平安科技（深圳）有限公司 一种图像分类方法、装置及计算机可读存储介质
CN112016574A (zh) * 2020-10-22 2020-12-01 北京科技大学 一种基于特征融合的图像分类方法
CN113537279A (zh) * 2021-05-18 2021-10-22 齐鲁工业大学 基于类残差卷积和lstm的covid-19识别系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104112113A (zh) * 2013-04-19 2014-10-22 无锡南理工科技发展有限公司 一种基于改进型特征卷积神经网络图像识别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104112113A (zh) * 2013-04-19 2014-10-22 无锡南理工科技发展有限公司 一种基于改进型特征卷积神经网络图像识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JAKE BOUVRIE ET AL.: "Notes on Convolutional Neural Networks", 《MASSACHUSETTS INSTITUTE OF TECHNOLOGY》 *
KAIMING HE ET AL.: "Identity Mappings in Deep Residual Networks", 《COMPUTER SCIENCE》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107239759A (zh) * 2017-05-27 2017-10-10 中国科学院遥感与数字地球研究所 一种基于深度特征的高空间分辨率遥感图像迁移学习方法
CN107333040A (zh) * 2017-07-13 2017-11-07 中国科学院半导体研究所 仿生视觉成像与处理装置
CN107609503A (zh) * 2017-09-05 2018-01-19 刘宇红 智能癌变细胞识别系统及方法、云平台、服务器、计算机
CN107798381A (zh) * 2017-11-13 2018-03-13 河海大学 一种基于卷积神经网络的图像识别方法
CN107798381B (zh) * 2017-11-13 2021-11-30 河海大学 一种基于卷积神经网络的图像识别方法
CN108984576A (zh) * 2018-02-07 2018-12-11 广州集创佳禾知识产权运营有限公司 一种基于卷积神经网络的专利文献获取方法及系统
CN108388890A (zh) * 2018-03-26 2018-08-10 南京邮电大学 一种基于面部表情识别的新生儿疼痛程度评估方法及系统
CN108830296A (zh) * 2018-05-18 2018-11-16 河海大学 一种改进的基于深度学习的高分遥感影像分类方法
CN108830296B (zh) * 2018-05-18 2021-08-10 河海大学 一种改进的基于深度学习的高分遥感影像分类方法
CN108764357A (zh) * 2018-05-31 2018-11-06 西安电子科技大学 基于压缩-激发的聚合残差网络高光谱图像分类方法
CN108921029A (zh) * 2018-06-04 2018-11-30 浙江大学 一种融合残差卷积神经网络和pca降维的sar自动目标识别方法
CN109635842A (zh) * 2018-11-14 2019-04-16 平安科技（深圳）有限公司 一种图像分类方法、装置及计算机可读存储介质
CN112016574A (zh) * 2020-10-22 2020-12-01 北京科技大学 一种基于特征融合的图像分类方法
CN113537279A (zh) * 2021-05-18 2021-10-22 齐鲁工业大学 基于类残差卷积和lstm的covid-19识别系统

Similar Documents

Publication Publication Date Title
CN106650781A (zh) 一种卷积神经网络图像识别方法及装置
CN104317902B (zh) 基于局部保持迭代量化哈希的图像检索方法
CN108920445A (zh) 一种基于Bi-LSTM-CRF模型的命名实体识别方法和装置
CN107688784A (zh) 一种基于深层特征和浅层特征融合的字符识别方法及存储介质
CN106408562A (zh) 基于深度学习的眼底图像视网膜血管分割方法及系统
CN110334357A (zh) 一种命名实体识别的方法、装置、存储介质及电子设备
CN113822209B (zh) 高光谱图像识别方法、装置、电子设备及可读存储介质
CN107633522A (zh) 基于局部相似性活动轮廓模型的脑部图像分割方法和系统
CN107480688B (zh) 基于零样本学习的细粒度图像识别方法
Atabay Binary shape classification using convolutional neural networks
CN112365514A (zh) 基于改进PSPNet的语义分割方法
CN110738663A (zh) 双域适应模块金字塔型网络及无监督域适应图像分割方法
Liu et al. Coastline extraction method based on convolutional neural networks—A case study of Jiaozhou Bay in Qingdao, China
CN113344933B (zh) 一种基于多层次特征融合网络的腺体细胞分割方法
Xing et al. Oracle bone inscription detection: a survey of oracle bone inscription detection based on deep learning algorithm
CN115457568B (zh) 一种基于生成对抗网络的历史文档图像降噪方法及系统
CN112835709A (zh) 基于生成对抗网络的云负载时序数据生成方法、系统及介质
Can et al. Evaluating shape representations for Maya glyph classification
CN112270366A (zh) 基于自适应多特征融合的微小目标检测方法
Wang et al. Multipath ensemble convolutional neural network
Wang et al. An multi-scale learning network with depthwise separable convolutions
Fang et al. Segmentation Technology of Nucleus Image Based on U‐Net Network
Yang et al. Cn: Channel normalization for point cloud recognition
Pan et al. Classification of urine sediment based on convolution neural network
Yang et al. MR‐UNet: An UNet model using multi‐scale and residual convolutions for retinal vessel segmentation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170510

RJ01 Rejection of invention patent application after publication