CN107229942A - 一种基于多个分类器的卷积神经网络快速分类方法 - Google Patents

一种基于多个分类器的卷积神经网络快速分类方法 Download PDF

Info

Publication number
CN107229942A
CN107229942A CN201710246604.8A CN201710246604A CN107229942A CN 107229942 A CN107229942 A CN 107229942A CN 201710246604 A CN201710246604 A CN 201710246604A CN 107229942 A CN107229942 A CN 107229942A
Authority
CN
China
Prior art keywords
grader
classification
layer
network
convolutional layer
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
Application number
CN201710246604.8A
Other languages
English (en)
Other versions
CN107229942B (zh
Inventor
李建更
李立杰
张岩
王朋飞
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.)
Beijing University of Technology
Original Assignee
Beijing 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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201710246604.8A priority Critical patent/CN107229942B/zh
Publication of CN107229942A publication Critical patent/CN107229942A/zh
Application granted granted Critical
Publication of CN107229942B publication Critical patent/CN107229942B/zh
Active 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
    • G06F18/21—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
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • 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

Abstract

本发明公开了一种基于多个分类器的卷积神经网络快速分类方法，该方法在除最后一个之外的卷积层后分别添加一个激活函数和线性分类器。在训练网络时，先获取卷积层的图像特征，使用交叉熵损失函数训练该卷积层后的分类器。训练完成后，调节激活函数，使分类准确率达到最佳。在进行图像分类任务时，前向传播过程会依次激活每一层的分类器，分类器对卷积后的图像特征进行计算分析，得出一个判别值，该判别值若符合激活函数的激活要求，就直接将分类器的分类结果输出，结束分类过程。反之，前向传播激活下一卷积层继续进行分类任务。该方法可以将易分类的图像提前进行分类而结束网络前向传播过程，从而提升网络分类速度，节省分类时间，具有良好的实用价值。

Description

一种基于多个分类器的卷积神经网络快速分类方法
技术领域
本发明属于深度学习中卷积神经网络的图像分类领域。通过对卷积神经网络进行结构改进，提升网络分类速度，节省图像分类时间。
背景技术
卷积神经网络(CNN)是一种具代表性的深度学习方法，被广泛高效的应用于计算机视觉问题的研究。这主要得益于其对高维数据特征的优秀学习能力。近年来，随着相关学习技术、优化技术和硬件技术的出现,卷积神经网络取得了爆发式的发展。ImageNet大规模视觉识别挑战(ImageNet Large Scale Visual Recognition Challenge,ILSVRC)是工人的大规模目标识别标准挑战。近年来，卷积神经网络在ImageNet下属的分类比赛中获得了广泛的应用，并取得优异的分类结果。从8层网络AlexNet，到19层网络的VGGNet，到152层网络的ResNet，分类top-5错误率从15.3％降低到6.8％、3.57％，卷积神经网络的深度不断加深，同时分类错误率也不断降低。
但是，随着卷积神经网络的深度的加深，其前向传播所需要的时间能量消耗也在急剧增加。在同样的数据集和实验条件中执行分类任务时，VGGNet所需要的运行时间是AlexNet的20倍。在工业和商业使用场景下，工程师和开发人员通常需要考虑时间成本。比如线上搜索引擎需要快速响应，云服务需要具备每秒处理成千上万用户图片的能力。另外，智能手机和便携设备通常不具备强力的计算能力，这些设备上的如场景识别等应用也需要快速响应。
发明内容
本发明通过对卷积神经网络的结构进行改进，设计一个包含多个分类器的卷积神经网络CNN-MC(Convolution Neural Network–Multiple Classifiers)。策略为，在卷积层添加额外的线性分类器，在进行图像分类任务时，监控(使用激活模块，该模块主要包含一个置信值δ)各个分类器的输出，通过激活函数判断分类是否提前结束，以达到缩短分类时间的目的。
为解决以上技术中的难题，本发明采用的技术方案为一种基于多个分类器的卷积神经网络快速分类方法，对卷积神经网络的结构进行改进。卷积神经网络包含输入层(input layer)、卷积层(convolution layer)、全连接层(full connection layer)和分类输出层(classification layer)，其中卷积层为多个，并各有一个池化层(poolinglayer)。该方法包含两个设计方案，即网络训练方法和网络分类方法。
网络训练方法包括确定额外分类器的数目，同时对所有分类器进行训练。
S1.多分类器卷积神经网络(CNN-MC)以标准的卷积神经网络(CNN)为基础改进而来，因此，在构造CNN-MC时，首先需要构造一个标准的卷积神经网络，该卷积神经网络包含一个输入层，若干个卷积层，和一个全连接层，每个卷积层后都有一个池化层，全连接层后是分类器。
S2.标准的CNN构造完成后，使用训练数据集Dtrain(如MNIST数据集、CIFAR-10数据集等)和反向传播算法训练网络，损失函数为普遍使用的交叉熵损失函数。由于本方法的目的在于节省分类时间，因此，训练CNN时需要采集单个样本经过完整CNN网络所需要的平均时间。
S3.训练好CNN后，在第一个卷积层后添加一个分类器以及判断分类结果的激活模块。使用Dtrain训练该分类器，并采集单样本经过该分类器和激活模块所需要的平均时间。之后调节激活模块的参数，使网络的整体分类准确率达到最高。
S4.额外添加的分类器使易识别的图像提前被分类而节省分类时间。但是对于不能提前分类的样本，它们也需要经过额外的分类器和激活模块，因此会增加额外的时间消耗。若对于若干图像样本，综合节省时间大于额外消耗时间，那么该分类器添加到卷积网络，反之则不添加。
S5.遍历整个神经网络，以此判断每一卷积层是否要添加分类器，最后确定CNN-MC的最终模型。
CNN-MC添加了额外的分类器，因此传统CNN的分类方法流程并不适合，因此，设计了适用于CNN-MC的分类方法。
S1.对于一个要分类的图像样本，通过转化得到其像素特征向量后作为输入，输入到CNN-MC。
S2.图像特征经过一个卷积层后，若该层含有额外的分类器，那么，便将图像特征向量转化为一维向量作为分类器的输入，执行分类任务。
S3.分类器输出的结果将由激活模块进行判断，如果该结果满足激活模块的分类要求，便将分类器的分类结果作为CNN-MC最终的分类结果，结束整个网络的分类进行。反之，则激活下一卷积层，将前一层卷积层的卷积特征向量输入到下一层卷积层继续进行分类。
S4.当图像特征向量达到最后一个卷积层时，由于该层之后的分类器是整个网络最后一个分类器，故其分类结果不再进行判断，直接输出。
附图说明
图1为CNN-MC的训练流程图。
图2为CNN-MC的分类策略流程图。
图3为CNN-MC分类实例
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
如图1所示，网络训练方法主要包括确定额外分类器的数目，同时对所有分类器进行训练。步骤如下：
S1.构造一个标准的卷积神经网络(CNN)，包含N个卷积层和1个分类器。使用标准图像数据集Dtrain(如MNIST手写体数据集、CIFAR-10数据集等，样本数目设为I个)训练网络，并获取图像经过每层卷积(不包含最后一个卷积层)后的特征向量(vector，V共N-1个)和单样本时间消耗(γorginal，即样本由输入层到分类器输出所需要的时间消耗)。训练依靠反向传播(back propagation，BP)，损失函数使用交叉熵损失函数(cross entropy lossfunction)。
S2.在第一个卷积层CL1后添加一个softmax分类器(SC1)和激活模块。将第1步获取的特征向量V1转换为一维向量，并作为SC1的输入，利用交叉熵损失函数训练SC1。由于SC1是第一个卷积层的分类器，故其训练样本的数目为I1＝I。
S3.SC1训练完毕后，调整激活函数中的置信值δ，使整个卷积网络的分类准确率达到最高，该值大小一般为0.4-0.7之间。并获取单样本在SC1和激活模块中的平均时间消耗γ1。置信值δ的主要作用是判断分类器的输出是否达到分类要求，符合要求的直接输出分类结果，结束分类过程，反之则将样本输入到下个卷积层。
S4.置信值δ调整完毕后，统计通过激活模块后直接被分类的样本数目I1，未被分类而送入下层卷积的样本数目则为I-I1。
S5.计算I1个样本被提前分类所节省的时间消耗，未被SC1分类的其他I-I1个样本在SC1和激活模块中消耗的额外时间。若(γorignal-γ1)·I1>(I-I1)·γ1,那么便将SC1加入到网络中,即SC1的添加可以缩短整个网络的分类时间消耗。
S6.在第一个卷积层CL1后添加softmax分类器SC2和激活模块，重复步骤S2-S5，判断SC2是否可以添加到网络。并不断重复该步骤，直到最后一层卷积层。最后一层卷积层后是网络原来的分类器，不再进行训练分析。
S7.步骤S1-S6后，将得到一个具有新结构的卷积神经网络，该网络包含多个分类器、多个分类器和激活模块。并且该网络是已经训练完毕的，可以直接执行图像分类任务。
S8.训练过程结束。
如图2所示，网络的图像分类步骤如下：
S1.对需要分类的图像进行初始化，获得图像的像素矩阵。将该矩阵输入到CNN-MC中。
S2.获取第i个(从第一个开始)卷积层的特征向量Vi，若该卷积层存在额外的线性分类器SCi，便将V1输入到分类器中进行分类。
S3.将SCi的输出输入到激活模块，若输出值大于置信值δ，则直接将该分类结果输出，结束整个分类过程。
S4.若SCi的输出值小于置信值δ，那么该分类结果不能直接输出，将该卷积层的特征向量Vi输入到下层卷积。
S5.重复步骤S2-S4，直到最后一个卷积层，该卷积层后的分类器是网络中最后一个分类器，其分类结果将直接输出作为整个网络的分类结果。
S6.分类过程结束。
图3是分类实例
S1.首先对图像初始化获得像素矩阵M，将M输入到第一个卷积层。
S2.M经卷积后的特征向量M-C-V输入到该层的分类器进行分类。获得分类标签和分类置信值M-C-V-A。
S3.M-C-V-A与激活模块中的置信值δ比较，若大于置信值，则分类器的分类结果直接输出，如图像1的分类结果“Dog”，结束分类任务。反之则将M-C-V输入到下一层卷积。
S4.卷积与分类步骤与S2、S3相同。图片2的分类结果在第二个分类器中分类。输出分类结果“auto mobile”，结束分类过程。

Claims (3)

1.一种基于多个分类器的卷积神经网络快速分类方法，对卷积神经网络的结构进行改进；卷积神经网络包含输入层、卷积层、全连接层和分类输出层，其中卷积层为多个，并各有一个池化层；该方法包含两个设计方案，即网络训练方法和网络分类方法；
网络训练方法包括确定额外分类器的数目，同时对所有分类器进行训练；
S1.多分类器卷积神经网络以标准的卷积神经网络为基础改进而来，因此，在构造CNN-MC时，首先需要构造一个标准的卷积神经网络，该卷积神经网络包含一个输入层，若干个卷积层，和一个全连接层，每个卷积层后都有一个池化层，全连接层后是分类器；
S2.标准的CNN构造完成后，使用训练数据集Dtrain和反向传播算法对网络进行训练，损失函数为普遍使用的交叉熵损失函数；由于本方法的目的在于节省分类时间，因此，训练CNN时需要采集单个样本经过完整CNN网络所需要的平均时间；
S3.训练好CNN后，在第一个卷积层后添加一个分类器以及判断分类结果的激活模块；使用Dtrain训练该分类器，并采集单样本经过该分类器和激活模块所需要的平均时间；之后调节激活模块的参数，使网络的整体分类准确率达到最高；
S4.额外添加的分类器使易识别的图像提前被分类而节省分类时间；但是对于不能提前分类的样本，它们也需要经过额外的分类器和激活模块，因此会增加额外的时间消耗；若对于若干图像样本，综合节省时间大于额外消耗时间，那么将该分类器添加到CNN中，反之则不添加；
S5.遍历整个神经网络，判断每一卷积层是否要添加分类器，最后确定CNN-MC的最终模型；
其特征在于：CNN-MC添加了额外的分类器，设计了适用于CNN-MC的分类方法；
S1.对于一个要分类的图像样本，通过转化得到其像素特征向量后，送入CNN-MC；
S2.图像特征经过一个卷积层后，若该层含有额外的分类器，那么，便将卷积后的图像特征向量转化为一维向量，作为分类器的输入进行分类任务；
S3.分类器输出的结果将由激活模块进行判断，如果该结果满足激活模块的分类要求，便将分类器的分类结果作为CNN-MC最终的分类结果，结束整个网络的分类进行；反之，则激活下一卷积层，将前一层卷积层的卷积特征向量输入到下一层卷积层继续进行分类；
S4.当图像特征向量达到最后一个卷积层时，由于该层之后的分类器是整个网络最后一个分类器，故其分类结果不再进行判断，直接输出。
2.根据权利要求1所述的一种基于多个分类器的卷积神经网络快速分类方法，其特征在于：
网络训练方法包括确定额外分类器的数目，同时对所有分类器进行训练；步骤如下：
S1.构造一个标准的卷积神经网络，包含N个卷积层和1个分类器；使用标准图像数据集Dtrain训练网络，MNIST手写体数据集、CIFAR-10数据集等，样本数目设为I个，并获取图像经过每层卷积后的特征向量(vector，V)共N-1个，和单样本时间消耗γorginal，即样本由输入层到分类器输出所需要的时间消耗；训练依靠反向传播，损失函数使用交叉熵损失函数；
S2.在第一个卷积层CL1后添加一个softmax分类器和激活模块；将第1步获取的特征向量V1转换为一维向量，并作为SC1的输入，利用交叉熵损失函数训练SC1；由于SC1是第一个卷积层的分类器，故其训练样本的数目为I1＝I；
S3.SC1训练完毕后，调整激活函数中的置信值δ，使整个卷积网络的分类准确率达到最高，该值大小一般为0.4-0.7之间；并获取单样本在SC1和激活模块中的平均时间消耗γ1；置信值δ的主要作用是判断分类器的输出是否达到分类要求，符合要求的直接输出分类结果，结束分类过程，反之则将样本输入到下个卷积层；
S4.置信值δ调整完毕后，统计通过激活模块后直接被分类的样本数目I1，未被分类而送入下层卷积的样本数目则为I-I1；
S5.计算I1个样本被提前分类所节省的时间消耗，未被SC1分类的其他I-I1个样本在SC1和激活模块中消耗的额外时间；若(γorignal-γ1)·I1>(I-I1)·γ1,那么便将SC1加入到网络中,即SC1的添加缩短整个网络的分类时间消耗；
S6.在第一个卷积层CL1后添加softmax分类器SC2和激活模块，重复步骤S2-S5，判断SC2是否可以添加到网络；并不断重复该步骤，直到最后一层卷积层；最后一层卷积层后是网络原来的分类器，不再进行训练分析；
S7.步骤1-6后，将得到一个新结构的卷积神经网络，该网络包含多个分类器、多个分类器和激活模块；并且该网络是已经训练完毕的，直接执行图像分类任务；
S8.训练过程结束。
3.根据权利要求1所述的一种基于多个分类器的卷积神经网络快速分类方法，其特征在于：
网络的图像分类步骤如下：
S1.对需要分类的图像进行初始化，获得图像的像素矩阵；将该矩阵输入到CNN-MC中；
S2.获取第i个卷积层的特征向量Vi，若该卷积层存在额外的线性分类器SCi，便将V1输入到分类器中进行分类；
S3.将SCi的输出输入到激活模块，若输出值大于置信值δ，则直接将该分类结果输出，结束整个分类过程；
S4.若SCi的输出值小于置信值δ，那么该分类结果不能直接输出，将该卷积层的特征向量Vi输入到下层卷积；
S5.重复步骤S2-S4，直到最后一个卷积层，该卷积层后的分类器是网络中最后一个分类器，其分类结果将作为整个网络的分类结果，直接输出，不再进行判断；
S6.分类过程结束。
CN201710246604.8A 2017-04-16 2017-04-16 一种基于多个分类器的卷积神经网络分类方法 Active CN107229942B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710246604.8A CN107229942B (zh) 2017-04-16 2017-04-16 一种基于多个分类器的卷积神经网络分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710246604.8A CN107229942B (zh) 2017-04-16 2017-04-16 一种基于多个分类器的卷积神经网络分类方法

Publications (2)

Publication Number Publication Date
CN107229942A true CN107229942A (zh) 2017-10-03
CN107229942B CN107229942B (zh) 2021-03-30

Family

ID=59933082

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710246604.8A Active CN107229942B (zh) 2017-04-16 2017-04-16 一种基于多个分类器的卷积神经网络分类方法

Country Status (1)

Country Link
CN (1) CN107229942B (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107886108A (zh) * 2017-10-11 2018-04-06 中国农业大学 基于AlexNet网络模型的果蔬分类方法及装置
CN107886127A (zh) * 2017-11-10 2018-04-06 深圳市唯特视科技有限公司 一种基于卷积神经网络的组织病理学图像分类方法
CN107909103A (zh) * 2017-11-13 2018-04-13 武汉地质资源环境工业技术研究院有限公司 一种钻石4c标准自动分级方法、设备及存储设备
CN108231190A (zh) * 2017-12-12 2018-06-29 北京市商汤科技开发有限公司 处理图像的方法和神经网络系统、设备、介质、程序
CN108537193A (zh) * 2018-04-17 2018-09-14 厦门美图之家科技有限公司 一种人脸属性中的种族属性识别方法及移动终端
CN108875901A (zh) * 2017-11-20 2018-11-23 北京旷视科技有限公司 神经网络训练方法以及通用物体检测方法、装置和系统
CN109238288A (zh) * 2018-09-10 2019-01-18 电子科技大学 一种无人机室内自主导航方法
CN109376786A (zh) * 2018-10-31 2019-02-22 中国科学院深圳先进技术研究院 一种图像分类方法、装置、终端设备及可读存储介质
CN109559302A (zh) * 2018-11-23 2019-04-02 北京市新技术应用研究所 基于卷积神经网络的管道视频缺陷检测方法
CN109670575A (zh) * 2017-10-13 2019-04-23 斯特拉德视觉公司 用于同时执行激活和卷积运算的方法和装置及其学习方法和学习装置
WO2019082005A1 (en) * 2017-10-24 2019-05-02 International Business Machines Corporation FACILITATING THE EFFECTIVENESS OF ARTIFICIAL NEURONIC NETWORK
WO2019085379A1 (zh) * 2017-10-30 2019-05-09 北京深鉴智能科技有限公司 深度学习softmax分类器的硬件实现电路及其控制方法
CN110163295A (zh) * 2019-05-29 2019-08-23 四川智盈科技有限公司 一种基于提前终止的图像识别推理加速方法
CN110414541A (zh) * 2018-04-26 2019-11-05 京东方科技集团股份有限公司 用于识别物体的方法、设备和计算机可读存储介质
CN110689081A (zh) * 2019-09-30 2020-01-14 中国科学院大学 一种基于分歧学习的弱监督目标分类和定位方法
CN111047010A (zh) * 2019-11-25 2020-04-21 天津大学 降低cnn加速器首层卷积计算延时的方法及装置
WO2021023202A1 (zh) * 2019-08-07 2021-02-11 交叉信息核心技术研究院(西安)有限公司 一种卷积神经网络的自蒸馏训练方法、设备和可伸缩动态预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6456991B1 (en) * 1999-09-01 2002-09-24 Hrl Laboratories, Llc Classification method and apparatus based on boosting and pruning of multiple classifiers
CN105184312A (zh) * 2015-08-24 2015-12-23 中国科学院自动化研究所 一种基于深度学习的文字检测方法及装置
CN106203330A (zh) * 2016-07-08 2016-12-07 西安理工大学 一种基于卷积神经网络的车辆分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6456991B1 (en) * 1999-09-01 2002-09-24 Hrl Laboratories, Llc Classification method and apparatus based on boosting and pruning of multiple classifiers
CN105184312A (zh) * 2015-08-24 2015-12-23 中国科学院自动化研究所 一种基于深度学习的文字检测方法及装置
CN106203330A (zh) * 2016-07-08 2016-12-07 西安理工大学 一种基于卷积神经网络的车辆分类方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JANOS CSIRIK等: "Sequential classifier combination for pattern recognition in wireless sensor networksJanos Csirik", 《MCS"11: PROCEEDINGS OF THE 10TH INTERNATIONAL CONFERENCE ON MULTIPLE CLASSIFIER SYSTEMS》 *
KUMAR CHELLAPILLA等: "Combining Multiple Classifiers for Faster Optical Character Recognition", 《RESEARCHGATE》 *
张丽等: "基于置信度的手写体数字识别多分类器动态组合", 《计算机工程》 *
赵浣萍: "基于改进型Multi-Agent多分类器融合算法在乳腺钼靶肿块分类中的研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107886108A (zh) * 2017-10-11 2018-04-06 中国农业大学 基于AlexNet网络模型的果蔬分类方法及装置
CN109670575A (zh) * 2017-10-13 2019-04-23 斯特拉德视觉公司 用于同时执行激活和卷积运算的方法和装置及其学习方法和学习装置
CN109670575B (zh) * 2017-10-13 2023-07-21 斯特拉德视觉公司 用于同时执行激活和卷积运算的方法和装置及其学习方法和学习装置
US11195096B2 (en) 2017-10-24 2021-12-07 International Business Machines Corporation Facilitating neural network efficiency
GB2581728A (en) * 2017-10-24 2020-08-26 Ibm Facilitating neural network efficiency
WO2019082005A1 (en) * 2017-10-24 2019-05-02 International Business Machines Corporation FACILITATING THE EFFECTIVENESS OF ARTIFICIAL NEURONIC NETWORK
WO2019085379A1 (zh) * 2017-10-30 2019-05-09 北京深鉴智能科技有限公司 深度学习softmax分类器的硬件实现电路及其控制方法
CN107886127A (zh) * 2017-11-10 2018-04-06 深圳市唯特视科技有限公司 一种基于卷积神经网络的组织病理学图像分类方法
CN107909103A (zh) * 2017-11-13 2018-04-13 武汉地质资源环境工业技术研究院有限公司 一种钻石4c标准自动分级方法、设备及存储设备
CN108875901A (zh) * 2017-11-20 2018-11-23 北京旷视科技有限公司 神经网络训练方法以及通用物体检测方法、装置和系统
CN108875901B (zh) * 2017-11-20 2021-03-23 北京旷视科技有限公司 神经网络训练方法以及通用物体检测方法、装置和系统
CN108231190B (zh) * 2017-12-12 2020-10-30 北京市商汤科技开发有限公司 处理图像的方法和神经网络系统、设备、介质
CN108231190A (zh) * 2017-12-12 2018-06-29 北京市商汤科技开发有限公司 处理图像的方法和神经网络系统、设备、介质、程序
CN108537193A (zh) * 2018-04-17 2018-09-14 厦门美图之家科技有限公司 一种人脸属性中的种族属性识别方法及移动终端
CN110414541A (zh) * 2018-04-26 2019-11-05 京东方科技集团股份有限公司 用于识别物体的方法、设备和计算机可读存储介质
CN109238288A (zh) * 2018-09-10 2019-01-18 电子科技大学 一种无人机室内自主导航方法
CN109376786A (zh) * 2018-10-31 2019-02-22 中国科学院深圳先进技术研究院 一种图像分类方法、装置、终端设备及可读存储介质
CN109559302A (zh) * 2018-11-23 2019-04-02 北京市新技术应用研究所 基于卷积神经网络的管道视频缺陷检测方法
CN110163295A (zh) * 2019-05-29 2019-08-23 四川智盈科技有限公司 一种基于提前终止的图像识别推理加速方法
WO2021023202A1 (zh) * 2019-08-07 2021-02-11 交叉信息核心技术研究院(西安)有限公司 一种卷积神经网络的自蒸馏训练方法、设备和可伸缩动态预测方法
CN110689081A (zh) * 2019-09-30 2020-01-14 中国科学院大学 一种基于分歧学习的弱监督目标分类和定位方法
CN111047010A (zh) * 2019-11-25 2020-04-21 天津大学 降低cnn加速器首层卷积计算延时的方法及装置

Also Published As

Publication number Publication date
CN107229942B (zh) 2021-03-30

Similar Documents

Publication Publication Date Title
CN107229942A (zh) 一种基于多个分类器的卷积神经网络快速分类方法
US11461579B2 (en) Configurable neural network engine for convolutional filter sizes
WO2022083536A1 (zh) 一种神经网络构建方法以及装置
CN109977943A (zh) 一种基于yolo的图像目标识别方法、系统和存储介质
CN110782015A (zh) 神经网络的网络结构优化器的训练方法、装置及存储介质
WO2018052587A1 (en) Method and system for cell image segmentation using multi-stage convolutional neural networks
CN104537647A (zh) 一种目标检测方法及装置
CN107292097B (zh) 基于特征组的中医主症选择方法
CN106295682A (zh) 一种判断图片质量因子的方法、装置和计算设备
US20170228646A1 (en) Spiking multi-layer perceptron
CN109559297A (zh) 一种基于三维区域生成网络的肺结节检测的方法
Elkerdawy et al. To filter prune, or to layer prune, that is the question
CN111311702B (zh) 一种基于BlockGAN的图像生成和识别模块及方法
CN109492596A (zh) 一种基于K-means聚类和区域推荐网络的行人检测方法及系统
CN108647691A (zh) 一种基于点击特征预测的图像分类方法
CN109151727B (zh) 基于改进的dbn的wlan指纹定位数据库构建方法
CN111145145B (zh) 一种基于MobileNets的图像表面缺陷检测方法
CN105046323B (zh) 一种正则化rbf网络多标签分类方法
CN112818893A (zh) 一种面向移动终端的轻量化开集地标识别方法
CN109034370A (zh) 一种基于特征映射剪枝的卷积神经网络精简方法
CN109919246A (zh) 基于自适应特征聚类和多重损失融合的行人重识别方法
WO2023207487A1 (zh) 一种电路走线确定方法及相关设备
CN112819063A (zh) 一种基于改进的Focal损失函数的图像识别方法
CN115294563A (zh) 一种基于Transformer的增强了局部语义学习能力的3D点云分析方法及装置
WO2022100607A1 (zh) 一种神经网络结构确定方法及其装置

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