CN106991434A - 一种基于小波孪生支持向量机的灰度图分类方法与系统 - Google Patents
一种基于小波孪生支持向量机的灰度图分类方法与系统 Download PDFInfo
- Publication number
- CN106991434A CN106991434A CN201710131613.2A CN201710131613A CN106991434A CN 106991434 A CN106991434 A CN 106991434A CN 201710131613 A CN201710131613 A CN 201710131613A CN 106991434 A CN106991434 A CN 106991434A
- Authority
- CN
- China
- Prior art keywords
- gray
- twin
- small echo
- scale map
- svms
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明一种基于小波孪生支持向量机的灰度图分类方法与系统涉及人工智能和计算机图像处理技术领域,特别涉及一种基于小波孪生支持向量机的灰度图分类方法与系统。所要解决的问题是灰度图像分类问题。本发明包括:先提取灰度图的纹理特征和边缘特征构造加权混合特征;然后利用人工萤火虫算法选取小波孪生支持向量机分类器的参数;使用选定的参数和灰度图像的加权混合特征作为输入以及小波函数作为核函数构建小波孪生支持向量机的二次规划问题;提取未知类别的新灰度图的加权混合特征,输入到小波孪生支持向量机分类器,输出新灰度图像对应的类别。
Description
技术领域
本发明涉及人工智能和计算机图像处理技术领域。特别涉及一种基于小波孪生支持向量机的灰度图分类方法与系统。
背景技术
把白色与黑色之间按对数关系分为若干等级,称为灰度。用灰度表示的图像称作灰度图。随着计算机、医疗、航天以及地球物理科技的快速发展,灰度图资源大量涌现。许多卫星图像、航空照片、地球物理观测数据和医疗图像都以灰度图的形式表示和存储。图像分类是根据不同类别的数字图像中所反映的不同特征,把不同类别的目标区分开来的图像处理方法。对灰度图进行分类是从灰度图中获取有用信息的最基本手段,也是人们分析、理解和应用灰度图的重要途径之一。灰度图分类研究应用广泛,如人脸识别、辅助医疗、诊断从航空照片或卫星图片中辨别场景等。
常用的分类方法包括K近邻算法、支持向量机、人工神经网络、贝叶斯分类算法和决策树等。K近邻算法和支持向量机算法复杂度高;贝叶斯分类算法只有在具备先验概率的前提下才能使用;人工神经网络和决策树存在过拟合问题。以上方法往往不能很好地处理灰度图分类。因此,提供一种基于小波孪生支持向量机的灰度图分类方法与系统。
发明内容
本发明提供一种基于小波孪生支持向量机的灰度图分类方法与系统,能够运用人工萤火虫算法自动确定小波孪生支持向量机的参数,使用小波核作为核函数,训练得到一个小波孪生支持向量机灰度图分类器。一种基于小波孪生支持向量机的灰度图分类方法与系统的主要技术方案如下:
一种基于小波孪生支持向量机的灰度图分类方法与系统主要包括以下步骤:
步骤1:灰度图纹理特征提取。将灰度图量化,对灰度级压缩,将灰度图的灰度矩阵均匀量化为16级,计算灰度共生矩阵并根据灰度共生矩阵计算统计量能量、熵、相关性、逆差距,采用能量、熵、相关性、逆差距这四个统计量的均值构成纹理特征向量。
步骤2:灰度图边缘特征提取。使用高斯滤波器对原图进行去噪,计算梯度幅值确定图像各点邻域强度的变化值将图像灰度点邻域强度值有显著变化的点突显出来,通过阈值化方法来检测有用边缘信息作为边缘特征。
步骤3:构造加权混合特征。将步骤1和步骤2得到的纹理特征向量和边缘特征赋予不同权重并组合后进行归一化作为灰度图的混合特征。
步骤4:人工萤火虫算法初始化。设定萤火虫算法的最大迭代次数MAX_i、荧光素挥发因子ρ、萤火虫在解空间中的初始位置xi、移动步长s、初试感知半径r、动态决策域更新率β和个体领域集内的萤火虫数目阈值ns,并设置当前迭代次数为0。
步骤5:利用人工萤火虫算法选取小波孪生支持向量机的参数。运行人工萤火虫算法,将萤火虫个体的位置信息作为小波孪生支持向量机的参数。随机选取已有标签的灰度图集中的80%灰度图作为训练集,剩余灰度图构成测试集。将训练集灰度图在步骤3得到的加权混合特征数据以及由当前人工萤火虫算法给定的小波孪生支持向量机参数作为输入,训练得到小波孪生支持向量机模型,将测试集输入小波孪生支持向量机模型计算准确率ACCi作为萤火虫的目标函数值。统计出当次迭代目标函数最优值,记录当次迭代具有最优值个体的位置信息。判断此准确率是否为全局最优,如果是,更新全局最优值,并记录此组最优参数值。如果当前迭代次数大于了最大迭代次数,则执行步骤6;否则,当前迭代次数i加1,根据当前全局最优值信息更新所有萤火虫个体的荧光素值,种群中的每个萤火虫个体都在其自己的动态决策域半径内,自动比较周围个体的荧光素值,并将大于自己的个体挑选出来,进而组成自己的邻域集,计算移向其邻域集内个体的概率值,每个个体根据概率值选定需要进行移动的对象,并向其完成移动操作,修改各自的位置信息和动态决策半径,重新执行步骤5。
步骤6:小波孪生支持向量机分类器的构建。使用步骤5记录的全局最优值所对应的萤火虫位置向量作为参数,并以所有灰度图的特征数据作为输入,采用拟牛顿算法求解小波孪生支持向量机的二次规划问题,训练得到最终的小波孪生支持向量机分类器。
步骤7:分类决策。当得到一张未知类别的新图像时,将图像输入量化并执行步骤1、步骤2和步骤3得到新灰度图的特征数据,将该特征输入步骤6得到的小波孪生支持向量机分类器,输出待分类新图对应的类别。
本发明具有如下优点及效果:
(1)本方法使用人工萤火虫算法确定分类器的参数,能够得到合理的参数值。
(2)本方法使用小波孪生支持向量机作为分类器,具有更快的训练速度和更高的鲁棒性。
附图说明
附图1为本发明一种基于小波孪生支持向量机的灰度图分类方法与系统的实施流程图。
附图2为本发明一种基于小波孪生支持向量机的灰度图分类方法与系统中的人工萤火虫优化算法流程图。
附图3为本发明一种基于小波孪生支持向量机的灰度图分类方法与系统的模块组成示意图。
附图4为本发明实施例公开的一种基于小波孪生支持向量机的灰度图分类方法与系统的过程示意图。
附图5为本发明一种基于小波孪生支持向量机的灰度图分类方法与系统的性能比较图。
具体实施方式
本发明一种基于小波孪生支持向量机的灰度图分类方法与系统的实施过程为:
本发明的基本框架为小波分析和孪生支持向量机分类器,是一种有监督分类方法,训练小波孪生支持向量机过程是使用小波函数构造核函数将输入的样本特征映射到高维再生空间,利用高维再生空间中的特征数据构造两个二次规划问题,通过求解二次规划问题得到两个超平面,每个超平面各对应一个类别,分类规则为将新样本通过小波核函数映射后得到的样本离哪个类对应的超平面近就分类到对应的类别。上述小波核函数的应用、超平面和分类规则就构成了小波孪生支持向量机分类器。小波孪生支持向量机分类器需要设定两个参数,通过人工萤火虫算法自动确定参数。
以下结合图1详细描述本发明具体实施方式。
步骤1:灰度图纹理特征提取,本步骤对应于S101。将灰度图量化得到图像的灰度矩阵,对灰度级压缩,将灰度矩阵均匀量化为16级得到压缩后灰度g(x,y),根据灰度矩阵构造灰度共生矩阵P,灰度共生矩阵P的元素p(i,j,δ,θ)通过统计g(x,y)中从灰度为i的像素出发,距离为δ,角度为θ处灰度为j的像素点出现的次数再除以所有统计得到的次数总和求得。这样得到的灰度共生矩阵P已经是归一化的,根据灰度共生矩阵P可计算能量、熵、相关性、逆差距等统计量。
能量的计算公式:
熵的计算公式:
相关性的计算公式:
逆差距的计算公式:
其中
取距离为2像素,角度为0,0.25π,0.5π和0.75π,通过前面描述的方法得到四个灰度共生矩阵P1、P2、P3及P4,根据灰度共生矩阵计算能量、熵、相关性、逆差距,然后分别取平均数作为纹理特征。于是每幅灰度图的纹理特征可用一个四维的实数向量表示。
步骤2:灰度图纹理特征提取,本步骤对应于S102。首先使用高斯滤波器对原图进行去噪,根据高斯函数选择平滑滤波器的权值,除去属于低能量的噪声,其中高斯函数为:
然后用一阶偏导的有限差分来计算梯度的幅值,采用Roberts算子
灰度图的每个点的梯度幅值为:G(i,j)=|g(i,j)-g(i+1,j+1)|+|g(i+1,j)-g(i,j-1)|,确定图像各点邻域强度的变化值将图像灰度点邻域强度值有显著变化的点突显出来,对梯度幅值进行非极大值抑制,通过阈值化方法来检测有用边缘信息作为边缘特征,根据高阈值得到一个几乎不含假边缘的边缘图像,再利用低阈值确保边缘闭合。
步骤3:构造加权混合特征,该步对应于图1中S103。将步骤1和步骤2得到的纹理特征向量和边缘特征赋予不同权值然后进行组合并进行归一化处理得到混合特征Z。纹理特征的权值取0.35,边缘特征的权值可取0.65。
图1中S104对应步骤4和步骤5。图2是人工萤火虫算法的流程图,人工萤火虫算法初始化后经过若干步迭代为小波孪生支持向量机分类器找到合适的参数。具体的如下。
步骤4:初始化人工萤火虫算法。设定萤火虫算法的最大迭代次数MAX_t为1000、荧光素挥发因子为0.4、萤火虫在解空间中的初始位置为原点、移动步长s为0.01、动态决策域更新率为0.08和个体领域集内的萤火虫数目阈值为6,并设置当前迭代次数t为0,当前最优目标函数值BEST为0。
步骤5:利用人工萤火虫算法选取小波孪生支持向量机的参数。运行人工萤火虫算法,将萤火虫个体的位置信息作为小波孪生支持向量机的两个参数。随机选取80%图像作为训练集,剩余图像构成测试集。将训练集图像在步骤4得到的混合特征数据Z以及由当前人工萤火虫算法给定的小波孪生支持向量机参数作为输入,构成两个二次规划问题:
s.t-(K(B,ZT)w1+e2b1)+ζ≥e2,ζ≥0
s.t(K(A,ZT)w2+e1b2)+η≥e1,η≥0
其中A,B表示+1类和-1类两类图像样本的图像混合特征数据,每一行都是一张图像的混合特征。K表示小波核函数。e1和e2是元素全为1的向量。求解上面的二次规划得到小波孪生支持向量机模型。记求解得到的解为和将测试集中图像的混合特征所组成的向量依次地输入并计算
和
比较和φ(x)的大小,前者小则将此测试图像判定为与A图像同类,即+1类,否则标为另一类,即-1类,然后对比小波孪生支持向量机的输出与对应图像的实际类别是否一致,统计准确率ACCi作为萤火虫i的目标函数值。统计得到此次迭代所有萤火虫的最大目标函数值,记录当次迭代具有最优值个体的位置信息。判断此准确率是否为全局最优,即是否大于全局最优记录值BEST,如果是,更新全局最优值BEST,并记录此组最优参数值。如果当前迭代次数大于了最大迭代次数,则执行步骤6,否则,根据当前全局最优值信息更新所有萤火虫个体的荧光素值,更新公式为:
li(t)=(1-ρ)li(t-1)+γxi(t)
种群中的每个萤火虫个体都在其自己的动态决策域半径内自动比较周围个体的荧光素值,并将大于自己的个体挑选出来,进而组成自己的邻域集N,计算移向其邻域集内个体的概率值,公式为:
每个个体选定邻域集N中概率值最大的对象并向其进行移动,修改各自的位置信息
和动态决策半径
然后重新执行步骤5。
步骤6:图1中S105。小波孪生支持向量机分类器的构建。使用步骤5确定的最优参数和所有灰度图的混合特征数据Z作为输入,构造如下二次规划问题:
s.t-(K(B,ZT)w1+e2b1)+ζ≥e2,ζ≥0
s.t(K(A,ZT)w2+e1b2)+η≥e1,η≥0
A,B分别表示所有图像中+1类和-1类两类灰度图样本的混合特征数据。采用拟牛顿法求解二次规划问题确定两个超平面
和
这就是的小波孪生支持向量机分类器的分类超平面。决策函数为
步骤7:对类别非知的灰度图进行分类,即图1中S106。当得到一张未知类别的新灰度图时,将图像输入量化并执行步骤1、步骤2和步骤3得到新图像特征数据,将该特征输入步骤6得到的小波孪生支持向量机分类器,即计算决策函数label(x),输出为新图像对应的类别。
本发明一种基于小波孪生支持向量机的灰度图分类方法与系统,在仿真过程中,分别经过10次的独立仿真运行,并与现有方法中的基于SVM的方法和基于K近邻方法进行比较,6个不同的灰度图像集上10次运行得到的错误率的平均值如图5所示,这表明本发明提供的方法能够准确地对灰度图片进行分类。
图3反映了本发明主要由三个模块组成,S310灰度图的特征提取模块负责从灰度图像中提取加权混合特征,S302基于人工萤火虫算法的参数优化模块负责利用人工萤火虫算法选取小波孪生支持向量机的参数,S303负责训练小波孪生支持向量机分类器。S301和S302的输出为S303的输入,因此必须先开始执行S301和S302才可以执行S303。
图4为本发明实施例公开的一种基于小波孪生支持向量机的灰度图分类方法与系统的过程示意图。该过程示意图反映了本发明中各个模块之间在实施中的具体的协作关系和流程。第一步是将第一类灰度图的图像集和第二类灰度图像的图像集中的灰度图表示为混合特征矩阵;然后将该步得到特征矩阵Z输入人工萤火虫算法得到小波孪生支持向量机的最优参数;接着利用前两步得到的混合特征矩阵Z以及小波孪生支持向量机的参数训练得到小波孪生支持向量机分类器,最后就可以利用得到小波孪生支持向量机分类器对未知类别的灰度图进行分类。
Claims (4)
1.一种基于小波孪生支持向量机的灰度图分类方法与系统,主要包括:
步骤1:灰度图纹理特征提取,根据灰度共生矩阵计算灰度图熵、能量、相关性、逆差距,采用这四个指标的均值作为纹理特征;
步骤2:灰度图边缘特征提取,使用高斯滤波器对原图进行去噪,计算梯度幅值确定图像各点邻域强度的变化值将图像灰度点邻域强度值有显著变化的点突显出来,通过阈值化方法来检测有用边缘信息作为边缘特征;
步骤3:构造加权混合特征,将步骤1和步骤2得到的纹理特征和边缘特征赋予不同权重,然后组合并进行归一化作为灰度图的混合特征;
步骤4:人工萤火虫算法初始化,设定人工萤火虫算法的最大迭代次数、荧光素挥发因子、萤火虫在解空间中的初始位置、移动步长、初试感知半径、动态决策域更新率和个体领域集内的萤火虫数目阈值,并设置当前迭代次数为0;
步骤5:利用人工萤火虫算法选取小波孪生支持向量机的参数,设置当前每个萤火虫个体的位置作为小波孪生支持向量机的参数,随机选取80%图像作为训练集用于训练,剩余图像构成测试集用于测试,将训练集图像在步骤1得到的灰度图特征数据作为输入,训练得到小波孪生支持向量机模型,将测试集输入得到的小波孪生支持向量机模型计算准确率ACCi作为每个萤火虫个体的目标函数值,并统计出当前迭代下的最优目标函数值,记录当次迭代具有最优值个体的位置信息,判断此准确率是否为全局最优,如果是,更新全局最优值,并记录此组最优参数值,如果不是,再判断是否达到迭代次数的最大上限,如果是,则执行步骤6,否则,当前迭代次数加1,根据当前全局最优值信息更新所有萤火虫个体的荧光素值,种群中的每个萤火虫个体都在其自己的动态决策域半径内,自动比较周围个体的荧光素值,并将大于自己的个体挑选出来,进而组成自己的邻域集,计算移向其邻域集内个体的概率值,每个个体根据概率值选定需要进行移动的对象,并向其完成移动操作,修改各自的位置信息和动态决策半径,重新执行步骤5;
步骤6:小波孪生支持向量机分类器的构建,使用步骤5记录的全局最优值所对应的萤火虫位置向量作为参数,并以所有灰度图的特征数据作为输入,采用拟牛顿算法求解小波孪生支持向量机的二次规划问题,训练得到最终的小波孪生支持向量机分类器;
步骤7:当得到一张未知类别的新灰度图时,将图像输入量化并执行步骤1、步骤2和步骤3得到新灰度图的混合特征数据,将该特征输入步骤6得到的小波孪生支持向量机分类器,输出为该新灰度图对应的类别。
2.根据权利要求1所述一种基于小波孪生支持向量机的灰度图分类方法与系统,其特征在于:在步骤3中,采用灰度图的纹理特征和边缘特征的加权混合特征表示灰度图。
3.根据权利要求1所述一种基于小波孪生支持向量机的灰度图分类方法与系统,其特征在于:步骤5中,使用人工萤火虫算法选取小波孪生支持向量机的参数,为避免落入局部最优,在人工萤火虫算法的萤火虫位置更新过程中加入随机变量。
4.根据权利要求1所述一种基于小波孪生支持向量机的灰度图分类方法与系统,其特征在于:步骤6,采用小波孪生支持向量机作为分类器框架,小波孪生支持向量机的数学模型为两个二次规划问题:
s.t -(K(B,ZT)w1+e2b1)+ζ≥e2,ζ≥0
s.t (K(A,ZT)w2+e1b2)+η≥e1,η≥0
A,B分别表示+1类和-1类两类图像样本的混合特征数据,每一行都是一张灰度图的特征,K表示如下的小波核函数
使用拟牛顿算法可以求解求解二次规划问题。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710131613.2A CN106991434A (zh) | 2017-03-07 | 2017-03-07 | 一种基于小波孪生支持向量机的灰度图分类方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710131613.2A CN106991434A (zh) | 2017-03-07 | 2017-03-07 | 一种基于小波孪生支持向量机的灰度图分类方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106991434A true CN106991434A (zh) | 2017-07-28 |
Family
ID=59412661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710131613.2A Pending CN106991434A (zh) | 2017-03-07 | 2017-03-07 | 一种基于小波孪生支持向量机的灰度图分类方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106991434A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218831A (zh) * | 2013-04-21 | 2013-07-24 | 北京航空航天大学 | 一种基于轮廓约束的视频运动目标分类识别方法 |
CN103295242A (zh) * | 2013-06-18 | 2013-09-11 | 南京信息工程大学 | 一种多特征联合稀疏表示的目标跟踪方法 |
CN103544501A (zh) * | 2013-10-28 | 2014-01-29 | 哈尔滨商业大学 | 基于傅里叶变换的室内室外场景分类方法 |
CN105550711A (zh) * | 2015-12-16 | 2016-05-04 | 合肥工业大学 | 一种基于萤火虫算法的选择性集成学习方法 |
CN105718932A (zh) * | 2016-01-20 | 2016-06-29 | 中国矿业大学 | 一种基于果蝇优化算法和光滑孪生支持向量机的彩色图像分类方法与系统 |
-
2017
- 2017-03-07 CN CN201710131613.2A patent/CN106991434A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218831A (zh) * | 2013-04-21 | 2013-07-24 | 北京航空航天大学 | 一种基于轮廓约束的视频运动目标分类识别方法 |
CN103295242A (zh) * | 2013-06-18 | 2013-09-11 | 南京信息工程大学 | 一种多特征联合稀疏表示的目标跟踪方法 |
CN103544501A (zh) * | 2013-10-28 | 2014-01-29 | 哈尔滨商业大学 | 基于傅里叶变换的室内室外场景分类方法 |
CN105550711A (zh) * | 2015-12-16 | 2016-05-04 | 合肥工业大学 | 一种基于萤火虫算法的选择性集成学习方法 |
CN105718932A (zh) * | 2016-01-20 | 2016-06-29 | 中国矿业大学 | 一种基于果蝇优化算法和光滑孪生支持向量机的彩色图像分类方法与系统 |
Non-Patent Citations (1)
Title |
---|
吴福林: "孪生支持向量机模型选择问题研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105184312B (zh) | 一种基于深度学习的文字检测方法及装置 | |
CN107133616B (zh) | 一种基于深度学习的无分割字符定位与识别方法 | |
CN107610087B (zh) | 一种基于深度学习的舌苔自动分割方法 | |
CN111079639B (zh) | 垃圾图像分类模型构建的方法、装置、设备及存储介质 | |
CN106096535B (zh) | 一种基于双线性联合cnn的人脸验证方法 | |
US20190228268A1 (en) | Method and system for cell image segmentation using multi-stage convolutional neural networks | |
CN108648191B (zh) | 基于贝叶斯宽度残差神经网络的害虫图像识别方法 | |
CN108875624B (zh) | 基于多尺度的级联稠密连接神经网络的人脸检测方法 | |
CN107945153A (zh) | 一种基于深度学习的路面裂缝检测方法 | |
CN108416307A (zh) | 一种航拍图像路面裂缝检测方法、装置及设备 | |
CN107016405A (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
CN106919920A (zh) | 基于卷积特征和空间视觉词袋模型的场景识别方法 | |
CN110827260B (zh) | 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 | |
CN108665005A (zh) | 一种利用dcgan提高基于cnn图像识别性能的方法 | |
JP2014041476A (ja) | 画像処理装置、画像処理方法及びプログラム | |
CN108549910A (zh) | 一种基于卷积神经网络的玉米制种果穗图像初级分类方法 | |
CN106650823A (zh) | 一种基于概率极限学习机集成的泡沫镍表面缺陷分类方法 | |
CN113221956B (zh) | 基于改进的多尺度深度模型的目标识别方法及装置 | |
CN106874825A (zh) | 人脸检测的训练方法、检测方法和装置 | |
CN114648806A (zh) | 一种多机制自适应的眼底图像分割方法 | |
WO2020119624A1 (zh) | 一种基于深度学习的类别敏感型边缘检测方法 | |
Gurrala et al. | A new segmentation method for plant disease diagnosis | |
CN111860601B (zh) | 预测大型真菌种类的方法及装置 | |
CN115063679B (zh) | 一种基于深度学习的路面质量评估方法 | |
Mouna et al. | A vehicle detection approach using deep learning network |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170728 |