CN107203788A - 一种中级视觉毒品图像识别方法 - Google Patents
一种中级视觉毒品图像识别方法 Download PDFInfo
- Publication number
- CN107203788A CN107203788A CN201710467335.8A CN201710467335A CN107203788A CN 107203788 A CN107203788 A CN 107203788A CN 201710467335 A CN201710467335 A CN 201710467335A CN 107203788 A CN107203788 A CN 107203788A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- image
- drugs
- msubsup
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种中级视觉毒品图像识别方法，获取毒品的图像与非毒品图像，获得有效的方形训练图像；从训练集中选取图像，将每一张图像分割成不同的部分，将中级视觉图进行自主学习，经过多次迭代，最后分配给每个中级视觉图不同的权重值即概率；将中层视觉图及其概率，放入到贝叶斯中分类器中进行分类，经过多次迭代最后得到模型；将得到的模型在测试集上进行测试，输出结果判断是哪一种毒品。本发明把中层视觉和概率很好的结合在一起，为后面训练优化的模型做了铺垫，构建中层视觉和概率结合的框架，最后可以很好地训练出一个模型；中层视觉概率框架和训练紧密的链接在一起，提高了模型识别的准确性。
Description
技术领域
本发明涉及一种图像识别技术，尤其涉及的是一种中级视觉毒品图像识别方法。
背景技术
随着毒品的泛滥，毒品对人们的危害越来越大，轻者身体受到伤害，重者家破人亡。现在去识别毒品的方法主要靠以下几种方法：1.靠缉毒犬2.人工缉毒(嗅闻和手捻)3.昆虫探测毒品(蜜蜂)4.毒品检测器等。这些方法很好，但也有很多不足。如果贩卖毒品人员把毒品图片放在网上销售毒品并以其它名字命名，那么以上几种方法就行不通。还有一种情况就是，比如警察扫黄打黑中不能每次都带缉毒犬，缉毒人员，和缉毒工具，这样现场可能就存在毒品，那么就会有毒品没识别出来，让它流失到市场危害人群。如果利用计算机视觉识别就会方便很多，只需要把一些现场的图片拿来测试就可知道其试不试毒品，只是需要采集大量的毒品图片去训练模型。
计算机视觉识别的方法有很多种：
1、基于局部特征的方法是一种自底向上的识别方法。这种方法首先在整个图像中提取一组毒品图像的局部纹理、形状等特征，然后把这些特征送入SVM、贝叶斯或单层神经网络等分类器中训练这些分类器。在识别阶段用和训练阶段同样的方法提取特征送入已训练好的分类器判断结果。
基于局部特征的识别方法采用何种低级视觉特征、如何选择分类器都是根据经验的，很难保证最佳识别效果，识别计算比较耗时，效率不高。
2、基于视觉词袋的高级语义模型的毒品图像识别方法，在训练阶段提取SIFT或者Dense-SIFT、Hue-SIFT等特征通过聚类的方法构建视觉词袋，每一幅训练图像都利用构建的视觉词袋表示为一个高维特征向量，使用这些特征向量训练一个SVM分类器。对待检测的图像用同样方法提取特征送入已训练好的分类器即可获得结果。
这种方法采用何种特征构建视觉词袋是困难的，视觉词袋的大小没有对应的评价标准。
3、基于深度学习的毒品图像识别方法，采集大量的毒品图片并做好训练的标签，训练分两种情况：如果训练数据比较少，首先通过大数据集ImageNet训练，用经典的网络结构(比如vgg和Alexnet等)，甚至可以用多达152层的残基网络以提取图像的低级、中级和高级语义特征；然后使用采取的数据在此基础上进一步提高其特征的有效性：如果训练数据量很大，在经典的网络上训练，提取图片的低级、中级和高级语义特征。最后通过这些特征用分类器去分类。
这种方法的缺点是：神经网络易陷入局部极小值和过拟合等现象；计算量大，耗时比较长；对数据依赖很强。
发明内容
本发明的目的在于克服现有技术的不足，提供了一种中级视觉毒品图像识别方法，能够利用计算机识别毒品。
本发明是通过以下技术方案实现的，本发明包括以下步骤：
(1)通过人工标定的方法获取毒品的图像与非毒品图像，对这些图像进行预处理与增强获得有效的方形训练图像；
(2)随机从训练集中选图像，将每一张图像分割成m个不同的部分，这m个部分即为中级视觉图，将中级视觉图放入下面公式(1)，(2)中进行自主学习，经过多次迭代，最后分配给每个中级视觉图不同的权重值即概率；
(3)将m个中层视觉图及其概率，放入到贝叶斯中分类器中进行分类，经过多次迭代最后得到模型；
(4)将得到的模型在测试集上进行测试，根据测试结果调整训练集数据，把识别错误的物体放入到贝叶斯分类器中继续训练，得到最终的模型；
(5)随机测试某张图片在训练好的模型上，输出结果判断是哪一种毒品。
所述步骤(1)中，通过人工标定的方法，获得每种毒品的足够量的照片，随机将每个种类的毒品照片分别划分为训练集、测试集。
所述训练集和测试集的图像通过转置、水平镜像翻转、高斯模糊、添加随机噪声实现增强。
所述步骤(2)中，使用二值化归一梯度，检测候选框将整张图像中可能是物体的部分框出，并根据框出部分的坐标将其分割出来，最终得到m个不同大小中级视觉图。
每次放一定数量的图片去训练m个视觉图的权重，不断更新m个部分的权重，最后得到最终的权重，是正样本的权重占的比例大些，是负样本的权重占的小些。
所述权重计算公式如下：
定义SP和Sn分别表示正样本数据和负样本数据，物体为正样本，假设是凸函数，bm为偏差项,Q’是Q的简化版本。
中级视觉正样本数据集为负样本数据集σ＝0.1，Fn,Fp分别是表示存放负样本和正样本的容器，随机初始化(Wm,bm),假设Fn,Fp都初始化为空，寻找正样本数据集，变量x代表每个m中级视觉图，对每一种类的毒品 并把x存放到Fp中；寻找负样本数据集，x属于并把x存到Fn中；然后通过梯度下降的方法去求解Q(Wm,bm)，移除Fn中满足的x；不断的更新Q(Wm,bm)，最后得到一组最终的Q(Wm,bm)表示中级视觉的概率。
一般特征提取采用的都是像素级别的特征去训练模型，比如比较热门的深度学习属于机器学习的一个分支，就是采用像素级特征去训练模型的。而本发明提出中级视觉概率的框架思想去训练模型分类网络。所谓中级视觉，其实就是把图片分割成很多小部分，如假设图片为P，那么P有很多中级视觉图片，分别记为P1，P2，..Pm。以这些中级视觉的概率作为贝叶斯分类器的输入，是正样本的权重比例大，负样本的权重比例小。本发明旨在提出构建中级视觉概率框架的方法，其中中级视觉概率与训练分类器模型集成在统一概率框架中，具有明显的可区分性和解释性，因而部分解决了深度学习的黑盒子问题，同时也有效地提升了模型的识别性能。
本发明相比现有技术具有以下优点：本发明把中层视觉和概率很好的结合在一起，为后面训练优化的模型做了铺垫，构建中层视觉和概率结合的框架，最后可以很好地训练出一个模型；中层视觉概率框架和训练紧密的链接在一起，提高的模型的准确性。
附图说明
图1是本发明的流程图；
图2是图像增强流程图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1和图2所示，本实施例包括以下步骤：
(1)数据预处理以及增强：
通过人工标定的方法获得4种毒品(大麻、冰毒、海洛因、鸦片)共10000张毒品图片，其中每种毒品有2500张。将这些图片分为两个图像集：训练集(8000张)，测试集(2000张)。
为了使训练出的网络有更好的鲁棒性，更好的学习毒品的特征,对训练集和测试集进行转置、水平镜像翻转、高斯模糊、添加随机噪声等操作以此增强数据。
(2)分类模型的训练
传统的分类方法，部件学习和分类是二个不同的阶段，而本发明提出的基于中层视觉概率框架很好的把二者集成在一个框架下。此方法通俗易懂，打破了传统的区域图像的选择然后在去做分类模型，其很好把中级视觉概率和训练模型紧密的结合，区别于先前的方法，区域的选择和训练模型是分离的。以下详细介绍应用中层视觉概率去分类。描述如下：
(21)使用二值化归一梯度，能够有效地检测候选框将整张图像中可能是物体的框出，并根据这些框的坐标把他们分割出来，最终会得到m个不同大小中级视觉图。
(22)用(21)的方法去处理训练数据集，每张图片可有m个部分组成，每个部分大小不一，然后每次放128张图片去训练m个部分的权重，不断的更新m个部分的权重(即中层视觉的概率)，最后得到一组最终的权重，是正样本的权重(概率)占的比例大些，是负样本的权重(概率)占的小些。
(23)上述概率用以下公式去计算：
定义SP和Sn分别表示正样本数据和负样本数据，物体为正样本，假设是凸函数，bm为偏差项,Q’是Q的简化版本。
中级视觉正样本数据集为负样本数据集σ＝0.1，Fn,Fp分别是表示存放负样本和正样本的容器，随机初始化(Wm,bm),假设Fn,Fp都初始化为空，寻找正样本数据集，变量x代表每个m中级视觉图，对每一种类的毒品 并把x存放到Fp中；寻找负样本数据集，x属于并把x存到到Fn中；然后通过梯度下降的方法去求解Q(Wm,bm)，移除Fn中满足的x；不断的更新Q(Wm,bm)，最后得到一组最终的Q(Wm,bm)表示中级视觉的概率。
(3)将得到一组比较好的中层视觉概率，然后把中层视觉以及他们的概率放到贝叶斯分类中去训练模型；
(4)将得到的模型在测试集上进行测试，根据测试结果调整训练集，把一些困难样本放入到框架中继续训练训练集，得到最终的模型；
(5)随机测试张图片在训练好的模型进行测试，输出结果判断是哪一种毒品。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种中级视觉毒品图像识别方法，其特征在于，包括以下步骤：
(1)通过人工标定的方法获取毒品的图像与非毒品图像，对这些图像进行预处理与增强获得有效的方形训练图像；
(2)随机从训练集中选图像，将每一张图像分割成m个不同的部分，这m个部分即为中级视觉图，将中级视觉图放入到下面公式(1)和公式(2)中进行自主学习，经过多次迭代，最后分配给每个中级视觉图不同的权重值即概率；
所述权重计算公式如下：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>W</mi>
<mi>m</mi>
</msub>
<mo>,</mo>
<msub>
<mi>b</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&lambda;</mi>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>W</mi>
<mi>m</mi>
</msub>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<munder>
<mi>&Sigma;</mi>
<mrow>
<msub>
<mi>i&epsiv;S</mi>
<mi>P</mi>
</msub>
</mrow>
</munder>
<msubsup>
<mi>z</mi>
<mi>i</mi>
<mi>m</mi>
</msubsup>
<mi>log</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mi>exp</mi>
<mo>(</mo>
<mrow>
<mo>-</mo>
<munder>
<mrow>
<msubsup>
<mi>maxW</mi>
<mi>m</mi>
<mi>T</mi>
</msubsup>
<mi>x</mi>
</mrow>
<mrow>
<msub>
<mi>x&epsiv;X</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<mo>-</mo>
<msub>
<mi>b</mi>
<mi>m</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>+</mo>
<munder>
<mi>&Sigma;</mi>
<mrow>
<msub>
<mi>i&epsiv;S</mi>
<mi>n</mi>
</msub>
</mrow>
</munder>
<mi>log</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mi>exp</mi>
<mo>(</mo>
<mrow>
<mo>-</mo>
<mi>max</mi>
<mi> </mi>
<msubsup>
<mi>W</mi>
<mi>m</mi>
<mi>T</mi>
</msubsup>
<mi>x</mi>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>m</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<mi>Q</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>W</mi>
<mi>m</mi>
</msub>
<mo>,</mo>
<msub>
<mi>b</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&lambda;</mi>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>W</mi>
<mi>m</mi>
</msub>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<munder>
<mi>&Sigma;</mi>
<mrow>
<msub>
<mi>x&epsiv;F</mi>
<mi>p</mi>
</msub>
</mrow>
</munder>
<mi>log</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mi>exp</mi>
<mo>(</mo>
<mrow>
<mo>-</mo>
<msubsup>
<mi>W</mi>
<mi>m</mi>
<mi>T</mi>
</msubsup>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>b</mi>
<mi>m</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>+</mo>
<munder>
<mi>&Sigma;</mi>
<mrow>
<msub>
<mi>x&epsiv;F</mi>
<mi>n</mi>
</msub>
</mrow>
</munder>
<mi>log</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mi>exp</mi>
<mo>(</mo>
<mrow>
<msubsup>
<mi>W</mi>
<mi>m</mi>
<mi>T</mi>
</msubsup>
<mi>x</mi>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>m</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
定义SP和Sn分别表示正样本数据和负样本数据，物体为正样本，假设是凸函数，bm为偏差项,Q’是Q的简化版本；
中级视觉正样本数据集为负样本数据集σ＝0.1，Fn,Fp分别是表示存放负样本和正样本的容器，随机初始化(Wm,bm),假设Fn,Fp都初始化为空，寻找正样本数据集，变量x代表每个m中级视觉图，对每一种类的毒品 并把x存放到Fp中；寻找负样本数据集，x属于并把x存到Fn中；然后通过梯度下降的方法去求解Q(Wm,bm)，移除Fn中满足的x；不断的更新Q(Wm,bm)，最后得到一组最终的Q(Wm,bm)表示中级视觉的概率；
(3)将m个中层视觉图及其概率，放入到贝叶斯中分类器中进行分类，经过多次迭代最后得到模型；
(4)将得到的模型在测试集上进行测试，根据测试结果调整训练集数据，把识别错误的物体放入到贝叶斯分类器中继续训练，得到最终的模型；
(5)随机测试某张图片在训练好的模型上，输出结果判断是哪一种毒品。
2.根据权利要求1所述的一种中级视觉毒品图像识别方法，其特征在于，所述步骤(1)中，通过人工标定的方法，获得每种毒品的足够量的照片，随机将每个种类的毒品照片分别划分为训练集、测试集。
3.根据权利要求2所述的一种中级视觉毒品图像识别方法，其特征在于，所述训练集和测试集的图像通过转置、水平镜像翻转、高斯模糊、添加随机噪声实现增强。
4.根据权利要求1所述的一种中级视觉毒品图像识别方法，其特征在于，所述步骤(2)中，使用二值化归一梯度，检测候选框将整张图像中可能是物体的部分框出，并根据框出部分的坐标将其分割出来，最终得到m个不同大小中级视觉图。
5.根据权利要求4所述的一种中级视觉毒品图像识别方法，其特征在于，每次放一定数量的图片去训练m个视觉图的权重，不断更新m个部分的权重，最后得到最终的权重，是正样本的权重占的比例大些，是负样本的权重占的小些。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710467335.8A CN107203788B (zh) | 2017-06-20 | 2017-06-20 | 一种中级视觉毒品图像识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710467335.8A CN107203788B (zh) | 2017-06-20 | 2017-06-20 | 一种中级视觉毒品图像识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107203788A true CN107203788A (zh) | 2017-09-26 |
| CN107203788B CN107203788B (zh) | 2020-06-23 |
Family
ID=59907638
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710467335.8A Active CN107203788B (zh) | 2017-06-20 | 2017-06-20 | 一种中级视觉毒品图像识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107203788B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108830276A (zh) * | 2018-07-02 | 2018-11-16 | 合肥格泉智能科技有限公司 | 一种基于x光机图像的智能识别系统 |
| CN109754306A (zh) * | 2018-11-13 | 2019-05-14 | 北京码牛科技有限公司 | 信息处理方法及装置、电子设备和计算机可读介质 |
| CN117197592A (zh) * | 2023-11-06 | 2023-12-08 | 英特灵达信息技术(深圳)有限公司 | 一种目标检测模型训练方法、装置、电子设备及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104318225A (zh) * | 2014-11-19 | 2015-01-28 | 深圳市捷顺科技实业股份有限公司 | 车牌检测方法及装置 |
| US9190026B2 (en) * | 2013-03-14 | 2015-11-17 | Canon Kabushiki Kaisha | Systems and methods for feature fusion |
| CN106203396A (zh) * | 2016-07-25 | 2016-12-07 | 南京信息工程大学 | 基于深度卷积和梯度旋转不变性的航拍图像目标检测方法 |
| CN106529477A (zh) * | 2016-11-11 | 2017-03-22 | 中山大学 | 基于显著轨迹和时空演化信息的视频人体行为识别方法 |
-
2017
- 2017-06-20 CN CN201710467335.8A patent/CN107203788B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9190026B2 (en) * | 2013-03-14 | 2015-11-17 | Canon Kabushiki Kaisha | Systems and methods for feature fusion |
| CN104318225A (zh) * | 2014-11-19 | 2015-01-28 | 深圳市捷顺科技实业股份有限公司 | 车牌检测方法及装置 |
| CN106203396A (zh) * | 2016-07-25 | 2016-12-07 | 南京信息工程大学 | 基于深度卷积和梯度旋转不变性的航拍图像目标检测方法 |
| CN106529477A (zh) * | 2016-11-11 | 2017-03-22 | 中山大学 | 基于显著轨迹和时空演化信息的视频人体行为识别方法 |
Non-Patent Citations (6)
| Title |
|---|
| CARL DOERSCH ET AL.: "Mid-level Visual Element Discovery as Discriminative Mode Seeking", 《ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS》 * |
| MING-MING CHENG ET AL.: "BING: Binarized Normed Gradients for Objectness Estimation at 300fps", 《2014 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
| RONG-EN FAN ET AL.: "LIBLINEAR: A Library for Large Linear Classification", 《JOURNAL OF MACHINE LEARNING RESEARCH》 * |
| 付丽 等: "基于贝叶斯分类器的图像分类技术", 《长春理工大学学报（自然科学版）》 * |
| 张志柏 等: "基于类物体采样方法的多类别物体识别", 《中国工程机械学报》 * |
| 毛征 等: "基于带权重多样例学习的视觉跟踪算法", 《北京工业大学学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108830276A (zh) * | 2018-07-02 | 2018-11-16 | 合肥格泉智能科技有限公司 | 一种基于x光机图像的智能识别系统 |
| CN109754306A (zh) * | 2018-11-13 | 2019-05-14 | 北京码牛科技有限公司 | 信息处理方法及装置、电子设备和计算机可读介质 |
| CN117197592A (zh) * | 2023-11-06 | 2023-12-08 | 英特灵达信息技术(深圳)有限公司 | 一种目标检测模型训练方法、装置、电子设备及介质 |
| CN117197592B (zh) * | 2023-11-06 | 2024-03-01 | 英特灵达信息技术(深圳)有限公司 | 一种目标检测模型训练方法、装置、电子设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107203788B (zh) | 2020-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106127164B (zh) | 基于显著性检测和卷积神经网络的行人检测方法及装置 | |
| CN104809443B (zh) | 基于卷积神经网络的车牌检测方法及系统 | |
| CN109359559B (zh) | 一种基于动态遮挡样本的行人再识别方法 | |
| CN106815604B (zh) | 基于多层信息融合的注视点检测方法 | |
| CN103902968B (zh) | 一种基于AdaBoost分类器的行人检测模型训练方法 | |
| 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 | |
| Leekha et al. | Are you paying attention? Detecting distracted driving in real-time | |
| CN104318252B (zh) | 基于分层概率模型的高光谱图像分类方法 | |
| CN106650830A (zh) | 基于深层模型和浅层模型决策融合的肺结节ct图像自动分类方法 | |
| CN103514456A (zh) | 基于压缩感知多核学习的图像分类方法及其装置 | |
| CN108475331A (zh) | 使用来自卷积神经网络模型的多个层的特征图谱的针对包括感兴趣的对象的图像区域的候选区域 | |
| CN104239902B (zh) | 基于非局部相似性和稀疏编码的高光谱图像分类方法 | |
| CN109410184B (zh) | 基于稠密对抗网络半监督学习的直播色情图像检测方法 | |
| CN112734775A (zh) | 图像标注、图像语义分割、模型训练方法及装置 | |
| CN101930549B (zh) | 基于第二代曲线波变换的静态人体检测方法 | |
| CN101364263A (zh) | 对图像进行皮肤纹理检测的方法及系统 | |
| CN110765833A (zh) | 一种基于深度学习的人群密度估计方法 | |
| CN112070713A (zh) | 一种引入attention机制的多尺度目标检测方法 | |
| CN107563442A (zh) | 基于稀疏低秩正则图张量化嵌入的高光谱图像分类方法 | |
| CN105069478A (zh) | 基于超像素张量稀疏编码的高光谱遥感地物分类方法 | |
| CN106874905A (zh) | 一种基于自学习色彩聚类的自然场景文本检测的方法 | |
| CN107180241A (zh) | 一种基于Gabor特征具有分形结构的极深神经网络的动物分类方法 | |
| CN107203788A (zh) | 一种中级视觉毒品图像识别方法 | |
| CN103971106A (zh) | 多视角人脸图像性别识别方法及装置 | |
| CN104680180A (zh) | 基于k均值和稀疏自编码的极化sar图像分类方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |