CN106651887A - 一种基于卷积神经网络的图像像素分类方法 - Google Patents

一种基于卷积神经网络的图像像素分类方法 Download PDF

Info

Publication number
CN106651887A
CN106651887A CN201710025737.2A CN201710025737A CN106651887A CN 106651887 A CN106651887 A CN 106651887A CN 201710025737 A CN201710025737 A CN 201710025737A CN 106651887 A CN106651887 A CN 106651887A
Authority
CN
China
Prior art keywords
image
pixel
mapping
input
core
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.)
Withdrawn
Application number
CN201710025737.2A
Other languages
English (en)
Inventor
夏春秋
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.)
Shenzhen Vision Technology Co Ltd
Original Assignee
Shenzhen Vision Technology Co Ltd
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 Shenzhen Vision Technology Co Ltd filed Critical Shenzhen Vision Technology Co Ltd
Priority to CN201710025737.2A priority Critical patent/CN106651887A/zh
Publication of CN106651887A publication Critical patent/CN106651887A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/084Backpropagation, e.g. using gradient descent
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10024Color image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20016Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform

Abstract

本发明中提出的一种基于卷积神经网络的图像像素分类方法,其主要内容包括:数据输入、预处理、核心抽样、像素预测、输出结果,其过程为,输入图像首先被叠加在一起并调整为统一大小后被输入到预训练模型,获取对应每个图像的每一像素生成的中间映射,同一像素对应的多个中间映射形成皮层柱;接下来,从皮层柱的集合中随机抽取样本,并将得到的核心样本反馈到第二阶段的深度置信网络;然后网络对核心样本进行像素预测;最后,根据当前任务的不同输出不同的结果。本发明在图像分割方面,与现有的技术相比,它有助于产生细粒度分割;使用预训练的VGG‑16模型,提高了整体性能,加快训练速度,另一个优点是避免使用巨大的数据集。

Description

一种基于卷积神经网络的图像像素分类方法
技术领域
本发明涉及图像分割领域,尤其是涉及了一种基于卷积神经网络的图像像素分类方法。
背景技术
随着卷积网络架构的日益完善,卷积神经网络已经被广泛地用于图像分割,在没有任何人为干预的情况下,从图像提取信息并且能够以高精度识别图像中的对象。然而,这样的一个网络架构需要在一个巨大的数据集上训练,而且通常没有足够的训练数据用于特定任务,导致了在执行分割任务时前期训练时间漫长,整体性能差的问题。而如果采用基于卷积神经网络的图像像素分类方法,则可以通过使用预训练模型和转移学习解决上述问题,还可以应用于人脸识别、指纹识别、交通控制系统、行人检测、医学影像等领域。
本发明提出了一种基于卷积神经网络的图像像素分类方法,采用核心抽样框架对图像进行自动分割,它包含两阶段:输入图像首先被叠加在一起并调整为统一大小后被输入到预训练的VGG-16模型,获取对应每个图像的每一像素生成的中间映射,同一像素对应的多个中间映射形成皮层柱;接下来,从皮层柱的集合中随机抽取样本,并将得到的核心样本反馈到第二阶段的深度置信网络;然后网络对核心样本进行像素预测;最后,根据当前任务的不同输出不同的结果,执行分类任务得到图像分割后的结果,而执行回归任务则得到图像着色后的结果。本发明在图像分割方面,与现有的技术相比,它有助于产生细粒度分割;使用预训练的VGG-16模型,提高了整体性能,加快训练速度,另一个优点是避免使用巨大的数据集;它还使用核心样本作为第二阶段深度置信网络的输入,实现了像素级别的图像分割,提高基于已学习知识的可分性。
发明内容
针对图像分割过程耗时和分割效果不够精细的问题,本发明的目的在于提供一种基于卷积神经网络的图像像素分类方法。
为解决上述问题,本发明提供一种基于卷积神经网络的图像像素分类方法,其主要内容包括:
(一)数据输入;
(二)预处理;
(三)核心抽样;
(四)像素预测;
(五)输出结果。
其中,一种基于卷积神经网络的图像像素分类方法,包括核心抽样框架,创建一个表示,结合来自测试数据的特征和从预训练网络的响应中获得的上下文知识,处理它并将其反馈到单独的深度置信网络;使用这种表示法从图像中在像素级上提取更多的信息,从而获得对整个图像的理解;使用这些映射响应,它从几个作为特征的层到另一个神经网络转移学习提供对输入图像的理解。
其中,所述的数据输入,采用由40个易于识别的动物对象类的图片组成的动物数据集,这40个对象类包含狗、猫、猫头鹰、海豹等;该数据集中的图像是单通道图像且大小不一致。
其中,所述的预处理,在地面真实图像集中较小的图片周围添加填充,使所有输入图像的大小都为224×224;在提取映射响应之前,从该数据集较大的图像中,通过使用224×224大小的滑动窗口和更小的步幅大小来创建同样大小的图片;通过改变对比度生成更多训练数据,单独地归一化用作特征的映射响应,并且在测试期间将相同的归一化参数用于相应的特征。
进一步地,所述的映射响应,将图像输入VGG-16模型后得到的来自卷积神经网络各层的响应,代表该图像各像素点的特征,可以被视为在图像不同位置处观看到图像的金字塔形状的不同水平;神经网络的第一层学习与Gabor特征或颜色块相似的特征,更深层的映射响应提取到越来越多的抽象特征,用于区分对象和对象的部分信息,同时失去空间和局部信息。
其中,所述的核心抽样,使用预训练模型提取映射时,首先从R,G和B值中减去常数来对图像进行归一化,接着从网络的每个层获取图像的映射响应,最后使用双线性插值法获得皮层柱;定义输入图像的每一个像素对应的皮层柱的集合为一个核心,从该核心随机抽取样本作为深度置信网络的输入。
进一步地,所述的皮层柱,在测试阶段期间,将图像叠加在一起并调整为统一大小后输入到VGG-16模型,对应每个像素的中间映射形成皮层柱;对应输入图像上的一个像素的皮层柱是一个有k列的向量,其中k是在VGG-16模型的中间映射的数量,向量的每一个成分都是一个映射;皮层柱不保留组成映射之间的任何空间相关性,是深度置信网络的训练数据。
其中,所述的像素预测,将核心抽样后得到的核心样本反馈到深度置信网络中,根据当前的任务,使用两种不同类型的输出层:执行线性回归并使用均方误差作为损失函数的回归层,以及可以使用负对数似然作为损失函数来对像素进行分类的logistic回归层。
进一步地,所述的线性回归层和logistic回归层,通常用于回归问题的损失函数是均方误差:
其中在n个观测值中,是预测值向量和y是实际值向量;大多数神经网络执行分类而不是执行回归,任何两个标签之间的距离将是相同的;在这种情况下,似然和损失(l)的功能是由公式(2)给出:
其中W、b分别是权重和偏差,D是数据集;给定一个输入,权重矩阵和偏差向量时,它输出该输入xi属于某一类yi的似然;由于这个方程是基于概率值而不是距离测量,它更适合于分类。
其中,所述的输出结果,综合每个像素的预测结果,并根据当前任务的不同输出不同的结果;执行分类任务得到图像分割后的结果,而执行回归任务则得到图像着色后的结果。
附图说明
图1是本发明一种基于卷积神经网络的图像像素分类方法的系统流程图。
图2是本发明一种基于卷积神经网络的图像像素分类方法的核心抽样框架图。
图3是本发明一种基于卷积神经网络的图像像素分类方法的VGG-16网络架构图。
图4是本发明一种基于卷积神经网络的图像像素分类方法的映射响应示意图。
图5是本发明一种基于卷积神经网络的图像像素分类方法的动物数据集。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互结合,下面结合附图和具体实施例对本发明作进一步详细说明。
图1是本发明一种基于卷积神经网络的图像像素分类方法的系统流程图。主要包括数据输入;预处理;核心抽样;像素预测;输出结果。
其中,所述的数据输入,采用由40个易于识别的动物对象类的图片组成的动物数据集,这40个对象类包含狗、猫、猫头鹰、海豹等;该数据集中的图像是单通道图像且大小不一致。
其中,所述的预处理,在地面真实图像集中较小的图片周围添加填充,使所有输入图像的大小都为224×224;在提取映射响应之前,从该数据集较大的图像中,通过使用224×224大小的滑动窗口和更小的步幅大小来创建同样大小的图片;通过改变对比度生成更多训练数据,单独地归一化用作特征的映射响应,并且在测试期间将相同的归一化参数用于相应的特征。
进一步地,所述的映射响应,将图像输入VGG-16模型后得到的来自卷积神经网络各层的响应,代表该图像各像素点的特征,可以被视为在图像不同位置处观看到图像的金字塔形状的不同水平;神经网络的第一层学习与Gabor特征或颜色块相似的特征,更深层的映射响应提取到越来越多的抽象特征,用于区分对象和对象的部分信息,同时失去空间和局部信息。
其中,所述的核心抽样,使用预训练模型提取映射时,首先从R,G和B值中减去常数来对图像进行归一化,接着从网络的每个层获取图像的映射响应,最后使用双线性插值法获得皮层柱;定义输入图像的每一个像素对应的皮层柱的集合为一个核心,从该核心随机抽取样本作为深度置信网络的输入。
进一步地,所述的皮层柱,在测试阶段期间,将图像叠加在一起并调整为统一大小后输入到VGG-16模型,对应每个像素的中间映射形成皮层柱;对应输入图像上的一个像素的皮层柱是一个有k列的向量,其中k是在VGG-16模型的中间映射的数量,向量的每一个成分都是一个映射;皮层柱不保留组成映射之间的任何空间相关性,是深度置信网络的训练数据。
其中,所述的像素预测,将核心抽样后得到的核心样本反馈到深度置信网络中,根据当前的任务,使用两种不同类型的输出层:执行线性回归并使用均方误差作为损失函数的回归层,以及可以使用负对数似然作为损失函数来对像素进行分类的logistic回归层。
进一步地,所述的线性回归层和logistic回归层,通常用于回归问题的损失函数是均方误差:
其中在n个观测值中,是预测值向量和y是实际值向量;大多数神经网络执行分类而不是执行回归,任何两个标签之间的距离将是相同的;在这种情况下,似然和损失(l)的功能是由公式(2)给出:
其中W、b分别是权重和偏差,D是数据集;给定一个输入,权重矩阵和偏差向量时,它输出该输入xi属于某一类yi的似然;由于这个方程是基于概率值而不是距离测量,它更适合于分类。
其中,所述的输出结果,综合每个像素的预测结果,并根据当前任务的不同输出不同的结果;执行分类任务得到图像分割后的结果,而执行回归任务则得到图像着色后的结果。
图2是本发明一种基于卷积神经网络的图像像素分类方法的核心抽样框架图。映射响应由预训练网络通过输入图像生成,其被处理为核心样本并且被馈送到深度置信网络中。输出是对测试图像的每个像素的预测,并且可以根据手头的任务而不同。例如分割(使用分类),着色(使用回归)。
图3是本发明一种基于卷积神经网络的图像像素分类方法的VGG-16网络架构图。该架构由多个卷积层组成,最大池层在卷基层和3个完全连接层之间,最后是softmax层。该网络在ImageNet数据集上进行训练,该数据集包含各种各样的对象。这使得它成为一个构建框架的完美模型,适用于各种数据集。
图4是本发明一种基于卷积神经网络的图像像素分类方法的映射响应示意图。将图像输入VGG-16模型后得到的来自卷积神经网络各层的响应,代表该图像各像素点的特征,可以被视为在图像不同位置处观看到图像的金字塔形状的不同水平。较低的数字表示浅层映射,它检测图像的边缘,而较高的数字表示来自较深层的映射,提取到图像更多的抽象特征。
图5是本发明一种基于卷积神经网络的图像像素分类方法的动物数据集。它是由40个易于识别的动物对象类的图片组成的动物数据集,这40个对象类包含狗、猫、猫头鹰、海豹等;该数据集中的图像是单通道图像且大小不一致。
对于本领域技术人员,本发明不限制于上述实施例的细节,在不背离本发明的精神和范围的情况下,能够以其他具体形式实现本发明。此外,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围,这些改进和变型也应视为本发明的保护范围。因此,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

Claims (10)

1.一种基于卷积神经网络的图像像素分类方法,其特征在于,主要包括数据输入(一);预处理(二);核心抽样(三);像素预测(四);输出结果(五)。
2.基于权利要求书1所述的一种基于卷积神经网络的图像像素分类方法,其特征在于,包括核心抽样框架,创建一个表示,结合来自测试数据的特征和从预训练网络的响应中获得的上下文知识,处理它并将其反馈到单独的深度置信网络;使用这种表示法从图像中在像素级上提取更多的信息,从而获得对整个图像的理解;使用这些映射响应,它从几个作为特征的层到另一个神经网络转移学习提供对输入图像的理解。
3.基于权利要求书1所述的数据输入(一),其特征在于,采用由40个易于识别的动物对象类的图片组成的动物数据集,这40个对象类包含狗、猫、猫头鹰、海豹等;该数据集中的图像是单通道图像且大小不一致。
4.基于权利要求书1所述的预处理(二),其特征在于,在地面真实图像集中较小的图片周围添加填充,使所有输入图像的大小都为224×224;在提取映射响应之前,从该数据集较大的图像中,通过使用224×224大小的滑动窗口和更小的步幅大小来创建同样大小的图片;通过改变对比度生成更多训练数据,单独地归一化用作特征的映射响应,并且在测试期间将相同的归一化参数用于相应的特征。
5.基于权利要求书4所述的映射响应,其特征在于,将图像输入VGG-16模型后得到的来自卷积神经网络各层的响应,代表该图像各像素点的特征,可以被视为在图像不同位置处观看到图像的金字塔形状的不同水平;神经网络的第一层学习与Gabor特征或颜色块相似的特征,更深层的映射响应提取到越来越多的抽象特征,用于区分对象和对象的部分信息,同时失去空间和局部信息。
6.基于权利要求书1所述的核心抽样(三),其特征在于,使用预训练模型提取映射时,首先从R,G和B值中减去常数来对图像进行归一化,接着从网络的每个层获取图像的映射响应,最后使用双线性插值法获得皮层柱;定义输入图像的每一个像素对应的皮层柱的集合为一个核心,从该核心随机抽取样本作为深度置信网络的输入。
7.基于权利要求书6所述的皮层柱,其特征在于,在测试阶段期间,将图像叠加在一起并调整为统一大小后输入到VGG-16模型,对应每个像素的中间映射形成皮层柱;对应输入图像上的一个像素的皮层柱是一个有k列的向量,其中k是在VGG-16模型的中间映射的数量,向量的每一个成分都是一个映射;皮层柱不保留组成映射之间的任何空间相关性,是深度置信网络的训练数据。
8.基于权利要求书1所述的像素预测(四),其特征在于,将核心抽样后得到的核心样本反馈到深度置信网络中,根据当前的任务,使用两种不同类型的输出层:执行线性回归并使用均方误差作为损失函数的回归层,以及可以使用负对数似然作为损失函数来对像素进行分类的logistic回归层。
9.基于权利要求书8所述的线性回归层和logistic回归层,其特征在于,通常用于回归问题的损失函数是均方误差:
1 n Σ i = 1 n ( y ^ ( i ) - y ( i ) ) 2 - - - ( 1 )
其中在n个观测值中,是预测值向量和y是实际值向量;大多数神经网络执行分类而不是执行回归,任何两个标签之间的距离将是相同的;在这种情况下,似然和损失(l)的功能是由公式(2)给出:
其中W、b分别是权重和偏差,D是数据集;给定一个输入,权重矩阵和偏差向量时,它输出该输入xi属于某一类yi的似然;由于这个方程是基于概率值而不是距离测量,它更适合于分类。
10.基于权利要求书1所述的输出结果(五),其特征在于,综合每个像素的预测结果,并根据当前任务的不同输出不同的结果;执行分类任务得到图像分割后的结果,而执行回归任务则得到图像着色后的结果。
CN201710025737.2A 2017-01-13 2017-01-13 一种基于卷积神经网络的图像像素分类方法 Withdrawn CN106651887A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710025737.2A CN106651887A (zh) 2017-01-13 2017-01-13 一种基于卷积神经网络的图像像素分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710025737.2A CN106651887A (zh) 2017-01-13 2017-01-13 一种基于卷积神经网络的图像像素分类方法

Publications (1)

Publication Number Publication Date
CN106651887A true CN106651887A (zh) 2017-05-10

Family

ID=58843413

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710025737.2A Withdrawn CN106651887A (zh) 2017-01-13 2017-01-13 一种基于卷积神经网络的图像像素分类方法

Country Status (1)

Country Link
CN (1) CN106651887A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107610087A (zh) * 2017-05-15 2018-01-19 华南理工大学 一种基于深度学习的舌苔自动分割方法
CN107820085A (zh) * 2017-10-31 2018-03-20 杭州电子科技大学 一种基于深度学习的提高视频压缩编码效率的方法
CN109949332A (zh) * 2017-12-20 2019-06-28 北京京东尚科信息技术有限公司 用于处理图像的方法和装置
CN110009705A (zh) * 2017-11-15 2019-07-12 辉达公司 利用表示不同种类像素的映射创建图像
CN110119455A (zh) * 2019-04-23 2019-08-13 西安理工大学 一种基于卷积深度置信网络的图像分类检索方法
CN110909748A (zh) * 2018-09-17 2020-03-24 斯特拉德视觉公司 应用多馈送的图像编码方法和装置
CN111414926A (zh) * 2019-01-04 2020-07-14 卓望数码技术(深圳)有限公司 一种智能垃圾分类方法、装置、存储介质和机器人
CN111656399A (zh) * 2017-12-01 2020-09-11 皇家飞利浦有限公司 用于分割图像中的对象的分割系统
CN113409321A (zh) * 2021-06-09 2021-09-17 西安电子科技大学 一种基于像素分类和距离回归的细胞核图像分割方法
CN111656399B (zh) * 2017-12-01 2024-03-15 皇家飞利浦有限公司 用于分割图像中的对象的分割系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105787439A (zh) * 2016-02-04 2016-07-20 广州新节奏智能科技有限公司 一种基于卷积神经网络的深度图像人体关节定位方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105787439A (zh) * 2016-02-04 2016-07-20 广州新节奏智能科技有限公司 一种基于卷积神经网络的深度图像人体关节定位方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MANOHAR KARKI ET AL.: "Core Sampling Framework for Pixel Classification", 《ARXIV》 *
R.M.HARALICK ET AL.: "Image segmentation techniques", 《COMPUTER VISION,GRAPHICS, AND IMAGE PROCESSING》 *
YOUBAO TANG ET AL.: "Saliency Detection via Combining Region-Level and Pixel-Level Predictions with CNNs", 《AG 2016》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107610087B (zh) * 2017-05-15 2020-04-28 华南理工大学 一种基于深度学习的舌苔自动分割方法
CN107610087A (zh) * 2017-05-15 2018-01-19 华南理工大学 一种基于深度学习的舌苔自动分割方法
CN107820085B (zh) * 2017-10-31 2021-02-26 杭州电子科技大学 一种基于深度学习的提高视频压缩编码效率的方法
CN107820085A (zh) * 2017-10-31 2018-03-20 杭州电子科技大学 一种基于深度学习的提高视频压缩编码效率的方法
CN110009705A (zh) * 2017-11-15 2019-07-12 辉达公司 利用表示不同种类像素的映射创建图像
CN111656399A (zh) * 2017-12-01 2020-09-11 皇家飞利浦有限公司 用于分割图像中的对象的分割系统
CN111656399B (zh) * 2017-12-01 2024-03-15 皇家飞利浦有限公司 用于分割图像中的对象的分割系统
CN109949332A (zh) * 2017-12-20 2019-06-28 北京京东尚科信息技术有限公司 用于处理图像的方法和装置
CN109949332B (zh) * 2017-12-20 2021-09-17 北京京东尚科信息技术有限公司 用于处理图像的方法和装置
CN110909748A (zh) * 2018-09-17 2020-03-24 斯特拉德视觉公司 应用多馈送的图像编码方法和装置
CN110909748B (zh) * 2018-09-17 2023-09-19 斯特拉德视觉公司 应用多馈送的图像编码方法和装置
CN111414926A (zh) * 2019-01-04 2020-07-14 卓望数码技术(深圳)有限公司 一种智能垃圾分类方法、装置、存储介质和机器人
CN110119455A (zh) * 2019-04-23 2019-08-13 西安理工大学 一种基于卷积深度置信网络的图像分类检索方法
CN113409321A (zh) * 2021-06-09 2021-09-17 西安电子科技大学 一种基于像素分类和距离回归的细胞核图像分割方法
CN113409321B (zh) * 2021-06-09 2023-10-27 西安电子科技大学 一种基于像素分类和距离回归的细胞核图像分割方法

Similar Documents

Publication Publication Date Title
CN106651887A (zh) 一种基于卷积神经网络的图像像素分类方法
EP3961484A1 (en) Medical image segmentation method and device, electronic device and storage medium
Chen et al. Symmetrical dense-shortcut deep fully convolutional networks for semantic segmentation of very-high-resolution remote sensing images
Iglovikov et al. Ternausnet: U-net with vgg11 encoder pre-trained on imagenet for image segmentation
CN110210486B (zh) 一种基于素描标注信息的生成对抗迁移学习方法
CN105139395B (zh) 基于小波池化卷积神经网络的sar图像分割方法
CN104166859B (zh) 基于ssae和fsals‑svm极化sar图像分类
CN108388927A (zh) 基于深度卷积孪生网络的小样本极化sar地物分类方法
CN108596046A (zh) 一种基于深度学习的细胞检测计数方法及系统
CN107944442A (zh) 基于改进卷积神经网络的对象检测装置及方法
CN106803247A (zh) 一种基于多级筛选卷积神经网络的微血管瘤自动检测方法
CN108846426A (zh) 基于深度双向lstm孪生网络的极化sar分类方法
Koné et al. Hierarchical ResNeXt models for breast cancer histology image classification
CN105957066A (zh) 基于自动上下文模型的ct图像肝脏分割方法及系统
CN108734719A (zh) 一种基于全卷积神经网络的鳞翅目昆虫图像前背景自动分割方法
CN105654066A (zh) 一种车辆识别方法及装置
CN108108751A (zh) 一种基于卷积多特征和深度随机森林的场景识别方法
CN107506793A (zh) 基于弱标注图像的服装识别方法及系统
CN113989662A (zh) 一种基于自监督机制的遥感图像细粒度目标识别方法
Doi et al. The effect of focal loss in semantic segmentation of high resolution aerial image
CN108268890A (zh) 一种高光谱图像分类方法
CN114399686A (zh) 一种基于弱监督学习的遥感图像地物识别与分类方法和装置
CN113435254A (zh) 一种基于哨兵二号影像的耕地深度学习提取方法
CN104699781B (zh) 基于双层锚图散列的sar图像检索方法
CN114445356A (zh) 基于多分辨率的全视野病理切片图像肿瘤快速定位方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20170510

WW01 Invention patent application withdrawn after publication