CN107169504B - 一种基于扩展非线性核残差网络的手写字符识别方法 - Google Patents

一种基于扩展非线性核残差网络的手写字符识别方法 Download PDF

Info

Publication number
CN107169504B
CN107169504B CN201710200172.7A CN201710200172A CN107169504B CN 107169504 B CN107169504 B CN 107169504B CN 201710200172 A CN201710200172 A CN 201710200172A CN 107169504 B CN107169504 B CN 107169504B
Authority
CN
China
Prior art keywords
residual error
network
layer
linear kernel
hand
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.)
Expired - Fee Related
Application number
CN201710200172.7A
Other languages
English (en)
Other versions
CN107169504A (zh
Inventor
武明虎
刘猛
饶哲恒
曾春艳
刘敏
赵楠
孔祥斌
刘聪
万相奎
宋冉冉
李想
周治虎
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.)
Hubei University of Technology
Original Assignee
Hubei 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 Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN201710200172.7A priority Critical patent/CN107169504B/zh
Publication of CN107169504A publication Critical patent/CN107169504A/zh
Application granted granted Critical
Publication of CN107169504B publication Critical patent/CN107169504B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Character Discrimination (AREA)

Abstract

本发明公开一种基于扩展非线性核残差网络的手写字符识别方法，在利用深度网络的结构特点上，提供一种新型深度学习方法—基于扩展非线性核残差网络算法。并将该深度学习算法应用在手写字符识别中，提出基于扩展非线性核残差网络的手写字符识别方法。该方法能深度地描述样本数据和期望数据的相关性，能高效的从原始数据中自动地学习数字图像特征；其次，该方法引入了合适的类内无监督聚类算法，克服了深度学习网络在手写字符识别领域现有的技术不足。本发明简单且易于实现，提升手写字符识别性能的同时，也提高了网络的训练效率。

Description

一种基于扩展非线性核残差网络的手写字符识别方法
技术领域
本发明涉及深度学习、机器学习技术领域，特别涉及一种基于扩展非线性核残差网络的手写字符识别方法。
背景技术
手写数字识别作为图像识别应用中的重要分支，其在生产生活中的重要性也逐渐体现出来。手写数字识别可以用于读取银行支票信息、信封邮政编码信息、海关等需要处理大量字符信息录入的场合。因此人们对计算机所建立的手写数字识别系统的要求也不断提高，手写数字识别系统要完成识别阿拉伯数字的任务，先决条件是构建手写数字识别模型，所以手写数字识别方法研究中最基础的问题是手写数字的特征提取及分类。
目前解决手写数字识别的方法有很多，比较常用的方法主要分为两大类：基于传统特征提取与模式分类的手写字符识别方法和基于深度学习的手写字符识别方法。
公开号为CN104298987A的专利：一种基于点密度加权在线FCM聚类的手写数字识别方法，用于处理大规模的脱机手写数字识别问题，包括步骤：1)预处理所有手写数字图像集合；2)初始化聚类中心，令数据点顺序进入处理流程；3)计算当前数据点与各聚类中心隶属度；4)若隶属度达到阈值更新最近聚类中心位置；5)若未达到阈值则不处理该点并暂时放入待处理区；6)待处理区达到一定标准则用点密度加权FCM算发聚类待处理区中数据，更新聚类中心；7)继续循环直至数据点全部处理完毕；8)用获得的聚类中心分块计算全部数据点的隶属度，并划分类别，通过一次扫描完成数据归类。该发明在处理大规模手写数字识别问题方面能够降低空间复杂度以及时间复杂度。但是该方法在形变非常大且数字相似时数字识别的效果不是太好。
公开号为CN102982343A的专利：包括手写数字的图像的采集和二值化处理；对采集的图像进行分割，构造由手写数字的图像为输入和0-9数字为输出的训练集；构造增量函数，并将该增量函数映射到区间[0,1]；设置以λ表示增量参数和模糊支持向量机的计算复杂性参数；确定手写数字的类别，根据任何两个手写数字之间的分类超平面，确定手写数字的类别，在已知类别的手写数字上检验识别精度，确定手写数字类别的方法。但是该方法在手写数字数据量增大时，不能提取出表达能力很好的特征。
有鉴于此，有必要提供一种基于扩展非线性核残差网络的手写字符识别方法，以解决上述问题。
发明内容
为了解决现有技术存在的问题，本发明的目的在于提供一种高效的基于扩展非线性核残差网络的手写字符识别方法，提出了一种新型深度学习方法—基于扩展非线性核残差网络算法，并将该深度学习算法应用在手写字符识别中，提出基于扩展非线性核残差网络的手写字符识别方法。
为了达到上述目的，本发明所采用的技术方案是：一种基于扩展非线性核残差网络的手写字符识别方法，其特征在于，所述手写字符识别方法包括以下步骤：
步骤1：采集手写数字图像作为样本，生成训练数据和测试数据，初始化基于扩展非线性核的残差网络结构；
步骤2：将图像样本引入网络训练之前，使用无监督的聚类算法对实验数据进行预处理；
步骤3：将先验知识优化后的训练数据均匀分批输入基于扩展非线性核的残差网络中，训练数据分别经过卷积层、池化层、基于扩展非线性核的卷积层、池化层，全连接层，完成前向传播；
步骤4：对步骤3中的网络进行梯度计算和误差计算；
步骤5：将步骤4中得到的误差和梯度用反向传播算法，经过池化层，基于扩展非线性核的卷积层、池化层、卷积层、输入层逐层传播，并且根据要求自动反向更新网络的权重，判断是否为输入层，若是则跳转至步骤3，否则重复步骤5，直至提取出有效的数据特征；
步骤6：直到权重更新稳定，建立出基于扩展非线性核的残差网手写字符识别训练模型；
步骤7：将测试数据按上述步骤输入，最终，得到准确的识别结果。
进一步地，所述步骤1中初始化基于扩展非线性核的残差网络结构为，设置该网络的初始参数，其中包括：扩展非线性残差核的数量、池化层数量、扩展非线性残差核的大小、池化层的降幅，并随机初始化扩展非线性残差核的权重和偏置。
进一步地，所述步骤2使用无监督的聚类算法对实验数据进行预处理，其中包括：数据在进入参数训练网络之前，根据需求给出聚类个数n，n为已知数据集的类别个数，实施聚类操作，生成n个已知聚类中心，在运算过程中围绕已知的中心在类内进行优化聚类。
更进一步地，所述步骤2进一步包括：
步骤2.1：初始化聚类中心根据不同数据集特点，并选取n个类别的代表样本作为初始化聚类个数和聚类中心；
步骤2.2：分配各样本xj到相邻近的聚类集合，样本分配依据为：
式中i＝1,2,…,k，p≠j；
步骤2.3：根据步骤2.2的分配结果，分别在类别内部更新聚类中心；
步骤2.4：若迭代达到最大迭代步数或者前后两次迭代的差小于设定阈值ε，即则算法结束；否则重复步骤(2.2)；
其中，表示将样本集组成的矢量空间划分的多个区域，表示每个区域存在的一个相关区域。
进一步地，所述步骤3的卷积层采用7*7的卷积核，滑动步长为2，池化层采用3*3的最大池化操作，滑动步长为2，基于扩展非线性核的卷积层在手写字符识别方法中使用了9层，层内根据需要调整了滤波器数量，后一个池化层采用步长为1的平均池化方式，再连接上全连接层后，进行前向传播输出。
进一步地，所述步骤4是在步骤3完成前向传播后，训练数据被传送到全连接层中，使用交叉熵代价函数计算输出值与期望值之间的差量，激活函数采用Relu，提升训练速度，按极小化误差的方法使之收敛，并将误差向量保存起来。
进一步地，所述步骤5的反向传播算法为：按极小化误差的方法反向传播并且调整基于扩展非线性核残差网络中的权值参数，首先对样本批量前向传播，计算出基于扩展非线性核残差网络中所有的激活值，然后根据每层节点，计算每层网络中的复合残差，并根据需要，用复合残差去逼近表达每层函数，并且中间卷积层采用双通道卷积核。
进一步地，所述步骤5中的每一个扩展非线性残差核在输出至下一层时都加入了dropout层，此时，可在模型训练时随机让网络某些隐含层节点的权重不工作，不工作的那些节点可以暂时认为不是网络结构的一部分，但是它的权重得保留下来。
与现有技术相比，本发明的有益效果是：本发明提出的基于扩展非线性核残差网络的手写字符识别方法，该方法能深度地描述样本数据和期望数据的相关性，能高效的从原始数据中自动地学习数字图像特征；其次，该方法引入了合适的类内无监督聚类算法，克服了深度学习网络在手写字符识别领域现有的技术不足。本发明简单且易于实现，提升手写字符识别性能的同时，也提高了网络的训练效率。
附图说明
图1是本发明基于扩展非线性核残差网络手写字符识别方法的流程图。
图2是本发明所提出的扩展非线性核结构。
具体实施方式
以下通过实施例形式对本发明的上述内容再作进一步的详细说明，但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明上述内容所实现的技术均属于本发明的范围。
图1是本发明基于扩展非线性核残差网络手写字符识别的流程图。
在本实施例中，如图1所示，本发明基于扩展非线性核残差网络的手写字符识别方法，包括以下步骤：
(1)、以标准手写数字识别库MNIST进行实例验证
(2)、初始化各个参数：卷积层采用7*7的卷积核，滑动步长为2。池化层采用3*3的最大池化操作，滑动步长为2。基于扩展非线性核的卷积层在本手写识别系统中使用了9层，层内根据需要调整了滤波器数量。后一个池化层采用步长为1的平均池化方式，再连接上全连接层。
引入先验知识：从MNIST手写字符库中提取手写字符图像样本，在将图像样本引入网络训练之前，使用无监督的聚类算法对实验数据进行预处理。数据在进入参数训练网络之前，根据需求给出聚类个数10，并分别在0-9中抽取一个(共10个)作为起始聚类中心，实施聚类操作，生成10个已知聚类中心。在运算过程中围绕这些已知的中心在类内(非整个数据集)进行优化聚类。其中算法包含样本分配、类内更新聚类中心等4个步骤。
(2.1)、初始化聚类中心根据不同数据集特点，并选取10个类别的代表样本作为初始化聚类个数和聚类中心；
(2.2)、分配各样本xj到相邻近的聚类集合，样本分配依据为：
式中i＝1,2,…,10，p≠j。
(2.3)、根据(2.2)的分配结果，分别在类别内部(非整个数据集)更新聚类中心。
(2.4)、若迭代达到最大迭代步数或者前后两次迭代的差小于设定阈值ε，即则算法结束；否则重复步骤(2.2)。
其中，表示将样本集组成的矢量空间划分的多个区域，表示每个区域存在的一个相关区域。本文采用的聚类算法，步骤(2.3)更新聚类中心的操作设计为：在某一个类别中(类内)进行聚类。对比其他聚类算法在整个数据集上更新聚类中心，很大程度上缩短了参数训练时间。
(3)、将先验知识优化后的训练数据均匀分批输入基于扩展非线性核的手写字符深度网络中，训练数据分别经过卷积层、池化层、基于扩展非线性核的卷积层、池化层，全连接层、完成前向传播；其中能够使本发明的效果优于其他手写字符识别效果的关键在于：引入了本发明提出的基于扩展非线性核的手写字符识别原理。如图2所示。该扩展核在网络自动训练参数的过程中，根据每层节点情况，计算出每层网络中的复合残差并逐级保存记录，根据需要，用复合残差去逼近表达每层函数。减小了每层函数表达的误差。并且中间卷积层采用双通道卷积核，在相同深度的网络结构下，提升了网络表达复杂函数的能力，得到了更好的手写数字识别效果。另外，系统中的每一个扩展非线性残差核在输出至下一层时都加入了dropout层。此时，可在模型训练时随机让网络某些隐含层节点的权重不工作，不工作的那些节点可以暂时认为不是网络结构的一部分，但是它的权重得保留下来。加入该结构后，解决了网络过拟合问题和改善了训练网络参数耗时过大的问题。
(4)、对步骤(3)中的网络进行梯度计算和误差计算，使用交叉熵代价函数计算输出值与期望值之间的差量，激活函数采用Relu，提升训练速度。按极小化误差的方法使之收敛，并将误差向量保存起来。并判断误差是否收敛；若是，则跳转至步骤6，否则跳转至步骤5；
(5)、将步骤(4)中得到的误差和梯度用反向传播算法，经过池化层，基于扩展非线性核的卷积层、池化层、卷积层、输入层逐层传播，并且根据要求自动反向更新网络的权重，判断是否为输入层，若是则跳转至步骤(3)，否则重复步骤(5)，直至提取出有效的数据特征；
(6)直到权重更新稳定，建立出基于扩展非线性核的残差网手写字符识别训练模型；
(7)将测试数据按上述步骤输入，最终，得到准确的识别结果。
以上所述仅是本发明的优选实施方式，具体实施方式中牵涉到的数值参数仅仅用来对上述的具体实施方式进行详细说明，不能作为限制本发明保护范围的依据。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种基于扩展非线性核残差网络的手写字符识别方法，其特征在于，所述手写字符识别方法包括以下步骤：
步骤1：采集手写数字图像作为样本，生成训练数据和测试数据，初始化基于扩展非线性核的残差网络结构；
步骤2：将图像样本引入网络训练之前，使用无监督的聚类算法对实验数据进行预处理；
步骤3：将先验知识优化后的训练数据均匀分批输入基于扩展非线性核的残差网络中，训练数据分别经过卷积层、池化层、基于扩展非线性核的卷积层、池化层，全连接层，完成前向传播；
步骤4：对步骤3中的网络进行梯度计算和误差计算；
步骤5：将步骤4中得到的误差和梯度用反向传播算法，经过池化层，基于扩展非线性核的卷积层、池化层、卷积层、输入层逐层传播，并且根据要求自动反向更新网络的权重，判断是否为输入层，若是则跳转至步骤3，否则重复步骤5，直至提取出有效的数据特征；
步骤6：直到权重更新稳定，建立出基于扩展非线性核的残差网手写字符识别训练模型；
步骤7：将测试数据按步骤2-6输入并进行处理，最终，得到准确的识别结果；
所述步骤2使用无监督的聚类算法对实验数据进行预处理，其中包括：数据在进入参数训练网络之前，根据需求给出聚类个数n，n为已知数据集的类别个数，实施聚类操作，生成n个已知聚类中心，在运算过程中围绕已知的中心在类内进行优化聚类；所述步骤2进一步包括：
步骤2.1：初始化聚类中心根据不同数据集特点，并选取n个类别的代表样本作为初始化聚类个数和聚类中心；
步骤2.2：分配各样本xj到相邻近的聚类集合，样本分配依据为：
式中i＝1,2,…,k，p≠j；
步骤2.3：根据步骤2.2的分配结果，分别在类别内部更新聚类中心；
步骤2.4：若迭代达到最大迭代步数或者前后两次迭代的差小于设定阈值ε，即则算法结束；否则重复步骤(2.2)；
其中，表示将样本集组成的矢量空间划分的多个区域，表示每个区域存在的一个相关区域。
2.根据权利要求1所述的基于扩展非线性核残差网络的手写字符识别方法，其特征在于，所述步骤1中初始化基于扩展非线性核的残差网络结构为，设置该网络的初始参数，其中包括：扩展非线性残差核的数量、池化层数量、扩展非线性残差核的大小、池化层的降幅，并随机初始化扩展非线性残差核的权重和偏置。
3.根据权利要求1或2所述的基于扩展非线性核残差网络的手写字符识别方法，其特征在于，所述步骤3的卷积层采用7*7的卷积核，滑动步长为2，池化层采用3*3的最大池化操作，滑动步长为2，基于扩展非线性核的卷积层在手写字符识别方法中使用了9层，层内根据需要调整了滤波器数量，后一个池化层采用步长为1的平均池化方式，再连接上全连接层后，进行前向传播输出。
4.根据权利要求1或2所述的基于扩展非线性核残差网络的手写字符识别方法，其特征在于，所述步骤4是在步骤3完成前向传播后，训练数据被传送到全连接层中，使用交叉熵代价函数计算输出值与期望值之间的差量，激活函数采用Relu，提升训练速度，按极小化误差的方法使之收敛，并将误差向量保存起来。
5.根据权利要求1或2所述的基于扩展非线性核残差网络的手写字符识别方法，其特征在于，所述步骤5的反向传播算法为：按极小化误差的方法反向传播并且调整基于扩展非线性核残差网络中的权值参数，首先对样本批量前向传播，计算出基于扩展非线性核残差网络中所有的激活值，然后根据每层节点，计算每层网络中的复合残差，并根据需要，用复合残差去逼近表达每层函数，并且中间卷积层采用双通道卷积核。
6.根据权利要求5所述的基于扩展非线性核残差网络的手写字符识别方法，其特征在于，所述步骤5中的每一个扩展非线性残差核在输出至下一层时都加入了dropout层，此时，可在模型训练时随机让网络某些隐含层节点的权重不工作，不工作的那些节点可以暂时认为不是网络结构的一部分，但是它的权重得保留下来。
CN201710200172.7A 2017-03-30 2017-03-30 一种基于扩展非线性核残差网络的手写字符识别方法 Expired - Fee Related CN107169504B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710200172.7A CN107169504B (zh) 2017-03-30 2017-03-30 一种基于扩展非线性核残差网络的手写字符识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710200172.7A CN107169504B (zh) 2017-03-30 2017-03-30 一种基于扩展非线性核残差网络的手写字符识别方法

Publications (2)

Publication Number Publication Date
CN107169504A CN107169504A (zh) 2017-09-15
CN107169504B true CN107169504B (zh) 2019-06-18

Family

ID=59848846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710200172.7A Expired - Fee Related CN107169504B (zh) 2017-03-30 2017-03-30 一种基于扩展非线性核残差网络的手写字符识别方法

Country Status (1)

Country Link
CN (1) CN107169504B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229296B (zh) * 2017-09-30 2021-04-02 深圳市商汤科技有限公司 人脸皮肤属性识别方法和装置、电子设备、存储介质
CN108175402A (zh) * 2017-12-26 2018-06-19 智慧康源（厦门）科技有限公司 基于残差网络的心电数据的智能识别方法
CN113807498B (zh) * 2018-07-09 2022-10-04 北京市商汤科技开发有限公司 模型扩展方法及装置、电子设备和存储介质
CN109271989A (zh) * 2018-09-03 2019-01-25 广东电网有限责任公司东莞供电局 一种基于cnn和rnn模型的手写试验数据自动识别方法
JP7279368B2 (ja) * 2019-01-17 2023-05-23 富士通株式会社 学習方法、学習プログラムおよび学習装置
CN109858497B (zh) * 2019-01-18 2023-09-01 五邑大学 一种改进的残差网络及其特征提取方法、装置
CN110365639A (zh) * 2019-05-29 2019-10-22 中国科学院信息工程研究所 一种基于深度残差网络的恶意流量检测方法及系统
CN110547806B (zh) * 2019-09-11 2022-05-31 湖北工业大学 一种基于表面肌电信号的手势动作在线识别方法及系统
CN110807497A (zh) * 2019-10-10 2020-02-18 山东师范大学 基于深度动态网络的手写体数据分类方法及系统
CN110969165B (zh) * 2019-11-28 2024-04-09 中国科学院半导体研究所 手写字符识别方法、装置、电子设备及存储介质
CN111860606B (zh) * 2020-06-24 2021-09-14 上海小零网络科技有限公司 图像分类的方法、装置以及存储介质
CN111985461A (zh) * 2020-07-13 2020-11-24 苏州大学 轨道车辆编号识别方法及系统
CN112052852B (zh) * 2020-09-09 2023-12-29 国家气象信息中心 一种基于深度学习的手写气象档案资料的字符识别方法
CN113658245B (zh) * 2021-07-01 2024-04-30 西安理工大学 一种从钻孔图像中获取岩体结构面产状信息的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101482920B (zh) * 2008-12-30 2010-12-22 广东国笔科技股份有限公司 一种手写字符识别方法及系统
CN105320961A (zh) * 2015-10-16 2016-02-10 重庆邮电大学 基于卷积神经网络和支持向量机的手写数字识别方法
CN106250939A (zh) * 2016-07-30 2016-12-21 复旦大学 基于fpga+arm多层卷积神经网络的手写体字符识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10114824B2 (en) * 2015-07-14 2018-10-30 Verizon Patent And Licensing Inc. Techniques for providing a user with content recommendations

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101482920B (zh) * 2008-12-30 2010-12-22 广东国笔科技股份有限公司 一种手写字符识别方法及系统
CN105320961A (zh) * 2015-10-16 2016-02-10 重庆邮电大学 基于卷积神经网络和支持向量机的手写数字识别方法
CN106250939A (zh) * 2016-07-30 2016-12-21 复旦大学 基于fpga+arm多层卷积神经网络的手写体字符识别方法

Also Published As

Publication number Publication date
CN107169504A (zh) 2017-09-15

Similar Documents

Publication Publication Date Title
CN107169504B (zh) 一种基于扩展非线性核残差网络的手写字符识别方法
CN110020682B (zh) 一种基于小样本学习的注意力机制关系对比网络模型方法
CN108491765B (zh) 一种蔬菜图像的分类识别方法及系统
CN101447020B (zh) 基于直觉模糊的色情图像识别方法
CN106529574B (zh) 基于稀疏自动编码器和支持向量机的图像分类方法
CN110210555A (zh) 基于深度学习的钢轨鱼鳞伤损检测方法
CN106570477A (zh) 基于深度学习的车型识别模型构建方法及车型识别方法
CN110288030A (zh) 基于轻量化网络模型的图像识别方法、装置及设备
CN103942571B (zh) 一种基于遗传规划算法的图形图像分类方法
CN108427921A (zh) 一种基于卷积神经网络的人脸识别方法
CN107341447A (zh) 一种基于深度卷积神经网络和证据k近邻的人脸核实方法
CN105320961A (zh) 基于卷积神经网络和支持向量机的手写数字识别方法
CN106503654A (zh) 一种基于深度稀疏自编码网络的人脸情感识别方法
CN106778682A (zh) 一种卷积神经网络模型的训练方法及其设备
CN106408039A (zh) 一种基于形变方法进行数据扩展的脱机手写汉字识别方法
CN106228185A (zh) 一种基于神经网络的通用图像分类识别系统及方法
CN108804677A (zh) 结合多层级注意力机制的深度学习问题分类方法及系统
CN107947921A (zh) 基于递归神经网络和概率上下文无关文法的密码生成系统
CN105488528A (zh) 基于改进自适应遗传算法的神经网络图像分类方法
CN103336992A (zh) 一种模糊神经网络学习算法
CN108921019A (zh) 一种基于GEI和TripletLoss-DenseNet的步态识别方法
CN109582782A (zh) 一种基于用弱监督深度学习的文本聚类方法
CN106778826A (zh) 基于自适应元胞遗传与优选模糊c‑均值的混合聚类算法
CN103593674A (zh) 一种颈部淋巴结超声图像特征选择方法
CN110490298A (zh) 基于膨胀卷积的轻量化深度卷积神经网络模型

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
CB03 Change of inventor or designer information

Inventor after: Wu Minghu

Inventor after: Song Ranran

Inventor after: Li Xiang

Inventor after: Zhou Zhihu

Inventor after: Liu Meng

Inventor after: Rao Zheheng

Inventor after: Zeng Chunyan

Inventor after: Liu Min

Inventor after: Zhao Nan

Inventor after: Kong Xiangbin

Inventor after: Liu Cong

Inventor after: Wan Xiangkui

Inventor before: Wu Minghu

Inventor before: Li Xiang

Inventor before: Zhou Zhihu

Inventor before: Rao Zheheng

Inventor before: Zeng Chunyan

Inventor before: Liu Min

Inventor before: Zhao Nan

Inventor before: Kong Xiangbin

Inventor before: Liu Cong

Inventor before: Wan Xiangkui

Inventor before: Song Ranran

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190618

Termination date: 20210330

CF01 Termination of patent right due to non-payment of annual fee