CN107292333A - 一种基于深度学习的快速图像分类方法 - Google Patents
一种基于深度学习的快速图像分类方法 Download PDFInfo
- Publication number
- CN107292333A CN107292333A CN201710411660.2A CN201710411660A CN107292333A CN 107292333 A CN107292333 A CN 107292333A CN 201710411660 A CN201710411660 A CN 201710411660A CN 107292333 A CN107292333 A CN 107292333A
- Authority
- CN
- China
- Prior art keywords
- image
- followed
- layer
- training
- pond
- 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
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
一种基于深度学习的快速图像分类方法,所述方法包括以下步骤:步骤一、网络构建;步骤二、数据集预处理;步骤三、网络训练;步骤四、图像分类,过程如下:步骤4.1:将预处理好的测试数据集送入训练好的网络模型,提取测试图像的多尺度特征;步骤4.2:将提取的多尺度特征送入Softmax分类器,输出测试图像属于某一类别的概率;步骤4.3:将图像属于某一类别的概率和图像对应的标签输入Accuracy网络层,输出图像被正确分类的概率;经过上述步骤的操作,即可实现对测试图像的快速分类。本发明提供一种训练时间短、训练简便、分类精度高的基于深度学习的快速图像分类方法。
Description
技术领域
本发明涉及计算机视觉领域的多媒体大数据处理与分析,,特别涉及一种基于深度学习的快速图像分类方法,属于图像分类领域。
背景技术
卷积神经网络作为深度学习的代表方法,能够自动学习图像特征提取,并通过权值共享减少训练参数,在大部分的计算机视觉任务中都有很好的效果。但是,目前用于计算机视觉任务的卷积神经网络都是趋向于通过增加网络深度来获得更精确的图像特征信息,这不仅增加网络参数,也需要更长的训练时间。
近些年来随着网络上可获得的信息量不断增多,在大数据集上进行图像分类不仅在时间开销上还是计算开销上都不乐观。传统的卷积神经网络在应对大数据量的图像分类问题上,存在训练时间长、训练困难、分类精度低的问题。
发明内容
为了解决现有图像分类技术存在的训练时间长、训练困难、分类精度低的问题,本发明提供一种训练时间短、训练简便、分类精度高的基于深度学习的快速图像分类方法。
本发明解决其技术问题所采用的技术方案是:
一种基于深度学习的快速图像分类方法,所述方法包括以下步骤:
步骤一、网络构建,过程如下:
步骤1.1:该网络框架由一个输入层、五个卷积层、三个池化层、三个全连接层、一个隐层和一个Softmax层组成;
步骤1.2:第一个卷积层后接Relu激活函数,并在激活函数后接批规范化处理和数据归一化,归一化后接第一个池化层用最大值池化;
步骤1.3:池化后接第二个卷积层,第二个卷积层后接Relu激活函数,并在激活函数后接批规范化处理和数据归一化,归一化后接第二个池化层,第二个池化层用最大值池化;
步骤1.4:第二个池化层后接第三个卷积层,第三个卷积层后接Relu激活函数,第四个卷积层和第三个卷积层参数设置相同;
步骤1.5:第五个卷积层后接Relu激活函数,以及批规范化处理,批规范化后接最大值池化;
步骤1.6:池化后接全连接层FC-6,并在全连接层后接Maxout激活函数和Dropout函数。,全连接层FC-7设置和FC-6相同;
步骤1.7:在全连接层的FC-7和FC-8层之间增加一个隐层H,隐层神经元个数为128,隐层H后接一个Sigmoid激活函数,把输出控制为{0,1};
步骤1.8:FC-8层输出节点数根据具体分类类别设定;
步骤二、数据集预处理,过程如下:
步骤2.1:准备训练数据集和测试数据集,并做好对应图像的标签;
步骤2.2:将数据集图像统一缩放到固定像素大小;
步骤2.3:利用Python代码将图像和对应的标签转换成卷积神经网络能识别的数据类型:LEVELDB格式的输入文件;
步骤三、网络训练,过程如下:
步骤3.1:计算训练数据集的均值文件;
步骤3.2:将训练样本预处理后的图像输入卷积神经网络,并在全连接层设定随机参数;
步骤3.3:采用预训练网络模型的方式,用在ImageNet数据集上预训练好的网络权值来初始化网络,并对隐层和输出层的权值重新命名网络层,并采用随机初始化的方式;
步骤3.4:向初始化后的网络模型中输入训练样本和标签,通过前向传播和反向传播两个步骤反复训练直到达到最大的迭代次数,使损失函数值最小;
步骤四、图像分类,过程如下:
步骤4.1:将预处理好的测试数据集送入训练好的网络模型,提取测试图像的多尺度特征;
步骤4.2:将提取的多尺度特征送入Softmax分类器,输出测试图像属于某一类别的概率;
步骤4.3:将图像属于某一类别的概率和图像对应的标签输入Accuracy网络层,输出图像被正确分类的概率;
经过上述步骤的操作,即可实现对测试图像的快速分类。
本发明的效果和益处是:本发明提出了一种基于深度学习的快速图像分类方法。通过隐层的二值哈希编码和全连接层的Maxout激活,能在获得高效特征表达的同时表达更紧凑的二值特征向量;卷积层的批规范化处理可加快网络收敛速度,降低网络训练难度,使得本发明提出的图像分类方法能在保证分类精度的同时加快分类速度。
附图说明
图1是一种基于深度学习的图像分类方法流程图。
图2是本发明用到的深度卷积神经网络框架示意图。
具体实施方式
为了更好的说明本发明的技术方案,下面结合附图,通过一个实施例,对本发明做进一步说明。
参照图1和图2,一种基于深度学习的快速图像分类方法,所述方法包括深度卷积神经网络的构建、数据集预处理、网络训练和图像分类测试四个过程。
本实施案例中的图片分为100类,每类图片有600张。在每类图片中随机挑选500张图片用于训练,剩余100张图片用于测试。图像分类流程如图1所示,其结构框架如图2所示,操作步骤包括网络构建,训练过程和测试过程。
所述快速图像分类方法包括以下步骤:
步骤一、网络构建,过程如下:
步骤1.1:该网络框架由一个输入层、五个卷积层、三个池化层、三个全连接层、一个隐层和一个Softmax层组成;
步骤1.2:第一个卷积层滤波器个数为96,卷积核大小为11*11,步长为4,无边缘填充,第一个卷积层后接Relu激活函数,并在激活函数后接批规范化处理特征数据、数据归一化、池化。第一个池化层用最大值池化。池化核大小为3,步长为2,边缘填充为1;
步骤1.3:第二个卷积层滤波器个数为256,卷积核大小为5*5,步长为1,边缘填充为2,第二个卷积层后接Relu激活函数,并在激活函数后用批规范化处理特征数据、数据归一化、池化。第二个池化层用最大值池化,池化核大小为3,步长为2,边缘填充为1;
步骤1.4:第三个卷积层滤波器个数为384,卷积核大小为3*3,步长为1,边缘填充为1,第四个卷积层和第三个卷积层参数设置相同;
步骤1.5:第五个卷积层后接Relu激活函数,以及批规范化处理、池化,采用最大值池化,池化核大小为3,步长为2,边缘填充为1;
步骤1.6:池化之后接全连接层FC-6,数据输出维度为2048维,并在全连接层后接Maxout激活函数和Dropout函数,Dropout的概率为0.3,全连接层FC-7参数设计与FC-6相同;
步骤1.7:在全连接层的FC-7和FC-8层之间增加一个新的隐层H,隐层神经元个数为128,隐层的其他设计和其他全连接层一样,隐层H后接一个Sigmoid激活函数,把输出控制为{0,1};
步骤1.8:FC-8层输出节点数设定为100;
步骤二、数据集预处理,过程如下:
步骤2.1:准备训练数据集和测试数据集,并做好对应图像的标签;
步骤2.2:将数据集图像统一缩放到256*256像素大小;
步骤2.3:利用Python代码将图像和对应的标签转换成卷积神经网络能识别的数据类型:LEVELDB格式的输入文件;
步骤三、网络训练,过程如下:
步骤3.1:对256*256的输入图像随机裁剪到227*227大小,并将裁剪后的图像和裁剪旋转180度后的图像一起输入网络输入层;
步骤3.2:计算训练数据集的均值文件,保存为.binaryproto格式的文件。并在网络的输入层指定均值文件的位置;
步骤3.3:采用预训练网络模型的方式,用在ImageNet数据集上预训练好的网络权值来初始化网络,并对隐层和输出层的权值采用随机初始化的方式;
步骤3.4:设定批处理数据大小为64,初始学习率0.01,最大迭代次数50000次,迭代25000次的时候学习率乘以0.1,并采用随机梯度下降法训练数据,设定迭代25000次保存一次网络模型;
步骤3.5:向初始化后的网络中输入训练样本和标签,计算输入的Softmax损失值,通过前向传播和反向传播两个步骤反复训练直到达到最大的迭代次数,使损失函数值在cifar100数据集最小;
步骤3.6:一次训练完成之后,将最终保存的网络模型作为预训练模型,重新训练网络,直到损失函数基本不再变化。保留最终的网络模型作为最终结果;
步骤四、图像分类,过程如下:
步骤4.1:将预处理好的测试数据集送入训练好的网络模型,提取测试图像的多尺度特征;
步骤4.2:将提取的多尺度特征送入Softmax分类器,输出100类测试图像被正确分类的概率;
经过上述步骤的操作,即可实现对测试图像的快速分类。
以上所述的具体描述,对发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例,用于解释本发明,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于深度学习的快速图像分类方法,其特征在于:所述方法包括以下步骤:
步骤一、网络构建,过程如下:
步骤1.1:该网络框架由一个输入层、五个卷积层、三个池化层、三个全连接层、一个隐层和一个Softmax层组成;
步骤1.2:第一个卷积层后接Relu激活函数,并在激活函数后接批规范化处理和数据归一化,归一化后接第一个池化层用最大值池化;
步骤1.3:池化后接第二个卷积层,第二个卷积层后接Relu激活函数,并在激活函数后接批规范化处理和数据归一化,归一化后接第二个池化层,第二个池化层用最大值池化;
步骤1.4:第二个池化层后接第三个卷积层,第三个卷积层后接Relu激活函数,第四个卷积层和第三个卷积层参数设置相同;
步骤1.5:第五个卷积层后接Relu激活函数,以及批规范化处理,批规范化后接最大值池化;
步骤1.6:池化后接全连接层FC-6,并在全连接层后接Maxout激活函数和Dropout函数。,全连接层FC-7设置和FC-6相同;
步骤1.7:在全连接层的FC-7和FC-8层之间增加一个隐层H,隐层神经元个数为128,隐层H后接一个Sigmoid激活函数,把输出控制为{0,1};
步骤1.8:FC-8层输出节点数根据具体分类类别设定;
步骤二、数据集预处理,过程如下:
步骤2.1:准备训练数据集和测试数据集,并做好对应图像的标签;
步骤2.2:将数据集图像统一缩放到固定像素大小;
步骤2.3:利用Python代码将图像和对应的标签转换成卷积神经网络能识别的数据类型:LEVELDB格式的输入文件;
步骤三、网络训练,过程如下:
步骤3.1:计算训练数据集的均值文件;
步骤3.2:将训练样本预处理后的图像输入卷积神经网络,并在全连接层设定随机参数;
步骤3.3:采用预训练网络模型的方式,用在ImageNet数据集上预训练好的网络权值来初始化网络,并对隐层和输出层的权值重新命名网络层,并采用随机初始化的方式;
步骤3.4:向初始化后的网络模型中输入训练样本和标签,通过前向传播和反向传播两个步骤反复训练直到达到最大的迭代次数,使损失函数值最小。
步骤四、图像分类,过程如下:
步骤4.1:将预处理好的测试数据集送入训练好的网络模型,提取测试图像的多尺度特征;
步骤4.2:将提取的多尺度特征送入Softmax分类器,输出测试图像属于某一类别的概率;
步骤4.3:将图像属于某一类别的概率和图像对应的标签输入Accuracy网络层,输出图像被正确分类的概率;
经过上述步骤的操作,即可实现对测试图像的快速分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710411660.2A CN107292333B (zh) | 2017-06-05 | 2017-06-05 | 一种基于深度学习的快速图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710411660.2A CN107292333B (zh) | 2017-06-05 | 2017-06-05 | 一种基于深度学习的快速图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107292333A true CN107292333A (zh) | 2017-10-24 |
CN107292333B CN107292333B (zh) | 2019-11-29 |
Family
ID=60094253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710411660.2A Active CN107292333B (zh) | 2017-06-05 | 2017-06-05 | 一种基于深度学习的快速图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292333B (zh) |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862291A (zh) * | 2017-11-14 | 2018-03-30 | 河海大学 | 一种基于深度学习的人车自动分类方法 |
CN107967484A (zh) * | 2017-11-14 | 2018-04-27 | 中国计量大学 | 一种基于多分辨率的图像分类方法 |
CN108182456A (zh) * | 2018-01-23 | 2018-06-19 | 哈工大机器人(合肥)国际创新研究院 | 一种基于深度学习的目标检测模型及其训练方法 |
CN108256555A (zh) * | 2017-12-21 | 2018-07-06 | 北京达佳互联信息技术有限公司 | 图像内容识别方法、装置及终端 |
CN108304920A (zh) * | 2018-02-02 | 2018-07-20 | 湖北工业大学 | 一种基于MobileNets优化多尺度学习网络的方法 |
CN108416295A (zh) * | 2018-03-08 | 2018-08-17 | 天津师范大学 | 一种基于局部嵌入深度特征的行人再识别方法 |
CN108447551A (zh) * | 2018-02-09 | 2018-08-24 | 北京连心医疗科技有限公司 | 一种基于深度学习的靶区自动勾画方法、设备和存储介质 |
CN108537121A (zh) * | 2018-03-07 | 2018-09-14 | 中国科学院西安光学精密机械研究所 | 气象环境参数与图像信息融合的自适应遥感场景分类方法 |
CN108717680A (zh) * | 2018-03-22 | 2018-10-30 | 北京交通大学 | 基于全稠密连接网络的空域图像隐写分析方法 |
CN108776807A (zh) * | 2018-05-18 | 2018-11-09 | 复旦大学 | 一种基于可跳层双支神经网络的图像粗细粒度分类方法 |
CN108960127A (zh) * | 2018-06-29 | 2018-12-07 | 厦门大学 | 基于自适应深度度量学习的遮挡行人重识别方法 |
CN109029989A (zh) * | 2018-09-28 | 2018-12-18 | 西北工业大学 | 一种基于红外热成像的齿轮箱故障诊断方法 |
CN109034230A (zh) * | 2018-07-17 | 2018-12-18 | 厦门大学 | 一种基于深度学习的单幅图像相机溯源方法 |
CN109190695A (zh) * | 2018-08-28 | 2019-01-11 | 中国海洋大学 | 一种基于深度卷积神经网络的鱼类图像分类方法 |
CN109190458A (zh) * | 2018-07-20 | 2019-01-11 | 华南理工大学 | 一种基于深度学习的小人头检测方法 |
CN109360183A (zh) * | 2018-08-20 | 2019-02-19 | 中国电子进出口有限公司 | 一种基于卷积神经网络的人脸图像质量评估方法和系统 |
CN109543744A (zh) * | 2018-11-19 | 2019-03-29 | 南京邮电大学 | 一种基于龙芯派的多类别深度学习图像识别方法及其应用 |
CN109636792A (zh) * | 2018-12-14 | 2019-04-16 | 易思维(杭州)科技有限公司 | 一种基于深度学习的镜片缺陷检测方法 |
CN109685135A (zh) * | 2018-12-21 | 2019-04-26 | 电子科技大学 | 一种基于改进型度量学习的少样本图像分类方法 |
CN109961838A (zh) * | 2019-03-04 | 2019-07-02 | 浙江工业大学 | 一种基于深度学习的超声影像慢性肾脏病辅助筛查方法 |
CN110188789A (zh) * | 2019-04-16 | 2019-08-30 | 浙江工业大学 | 一种基于预处理模型的小样本医学图像分类方法 |
CN110210472A (zh) * | 2018-02-28 | 2019-09-06 | 佛山科学技术学院 | 一种基于深度网络的对象检测方法 |
CN110222792A (zh) * | 2019-06-20 | 2019-09-10 | 杭州电子科技大学 | 一种基于孪生网络的标签缺陷检测算法 |
CN110321952A (zh) * | 2019-07-02 | 2019-10-11 | 腾讯医疗健康(深圳)有限公司 | 一种图像分类模型的训练方法及相关设备 |
CN110598746A (zh) * | 2019-08-13 | 2019-12-20 | 武汉大学 | 一种基于ode求解器自适应的场景分类方法 |
CN110633739A (zh) * | 2019-08-30 | 2019-12-31 | 太原科技大学 | 基于并行模块深度学习的偏光片缺陷图像实时分类方法 |
CN110660046A (zh) * | 2019-08-30 | 2020-01-07 | 太原科技大学 | 基于轻量级深度神经网络的工业产品缺陷图像分类方法 |
CN110659694A (zh) * | 2019-09-27 | 2020-01-07 | 华中农业大学 | 一种基于机器学习的柑橘果蒂的检测方法 |
CN110781928A (zh) * | 2019-10-11 | 2020-02-11 | 西安工程大学 | 一种提取图像多分辨率特征的图像相似度学习方法 |
CN110866561A (zh) * | 2019-11-18 | 2020-03-06 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于图像识别的塑料瓶颜色分选方法 |
CN111289854A (zh) * | 2020-02-26 | 2020-06-16 | 华北电力大学 | 基于紫外视频的3d-cnn和lstm的绝缘子绝缘状态评估方法 |
CN112149597A (zh) * | 2020-09-29 | 2020-12-29 | 中国水利水电科学研究院 | 一种基于深度学习的河流表面流速检测方法 |
CN112364878A (zh) * | 2020-09-25 | 2021-02-12 | 江苏师范大学 | 一种复杂背景下基于深度学习的电力线分类方法 |
WO2021027142A1 (zh) * | 2019-08-14 | 2021-02-18 | 平安科技(深圳)有限公司 | 图片分类模型训练方法、系统和计算机设备 |
CN113011506A (zh) * | 2021-03-24 | 2021-06-22 | 华南理工大学 | 一种基于深度重分形频谱网络的纹理图像分类方法 |
CN113706511A (zh) * | 2021-08-31 | 2021-11-26 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的复合材料损伤的检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014205231A1 (en) * | 2013-06-19 | 2014-12-24 | The Regents Of The University Of Michigan | Deep learning framework for generic object detection |
CN104537387A (zh) * | 2014-12-16 | 2015-04-22 | 广州中国科学院先进技术研究所 | 利用神经网络实现车型分类的方法和系统 |
CN104732249A (zh) * | 2015-03-25 | 2015-06-24 | 武汉大学 | 基于流行学习和混沌粒子群的深度学习图像分类方法 |
CN105975931A (zh) * | 2016-05-04 | 2016-09-28 | 浙江大学 | 一种基于多尺度池化的卷积神经网络人脸识别方法 |
CN106570477A (zh) * | 2016-10-28 | 2017-04-19 | 中国科学院自动化研究所 | 基于深度学习的车型识别模型构建方法及车型识别方法 |
-
2017
- 2017-06-05 CN CN201710411660.2A patent/CN107292333B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014205231A1 (en) * | 2013-06-19 | 2014-12-24 | The Regents Of The University Of Michigan | Deep learning framework for generic object detection |
CN104537387A (zh) * | 2014-12-16 | 2015-04-22 | 广州中国科学院先进技术研究所 | 利用神经网络实现车型分类的方法和系统 |
CN104732249A (zh) * | 2015-03-25 | 2015-06-24 | 武汉大学 | 基于流行学习和混沌粒子群的深度学习图像分类方法 |
CN105975931A (zh) * | 2016-05-04 | 2016-09-28 | 浙江大学 | 一种基于多尺度池化的卷积神经网络人脸识别方法 |
CN106570477A (zh) * | 2016-10-28 | 2017-04-19 | 中国科学院自动化研究所 | 基于深度学习的车型识别模型构建方法及车型识别方法 |
Cited By (51)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107967484A (zh) * | 2017-11-14 | 2018-04-27 | 中国计量大学 | 一种基于多分辨率的图像分类方法 |
CN107862291A (zh) * | 2017-11-14 | 2018-03-30 | 河海大学 | 一种基于深度学习的人车自动分类方法 |
CN108256555A (zh) * | 2017-12-21 | 2018-07-06 | 北京达佳互联信息技术有限公司 | 图像内容识别方法、装置及终端 |
CN108182456A (zh) * | 2018-01-23 | 2018-06-19 | 哈工大机器人(合肥)国际创新研究院 | 一种基于深度学习的目标检测模型及其训练方法 |
CN108182456B (zh) * | 2018-01-23 | 2022-03-18 | 哈工大机器人(合肥)国际创新研究院 | 一种基于深度学习的目标检测模型及其训练方法 |
CN108304920A (zh) * | 2018-02-02 | 2018-07-20 | 湖北工业大学 | 一种基于MobileNets优化多尺度学习网络的方法 |
CN108304920B (zh) * | 2018-02-02 | 2020-03-10 | 湖北工业大学 | 一种基于MobileNets优化多尺度学习网络的方法 |
CN108447551A (zh) * | 2018-02-09 | 2018-08-24 | 北京连心医疗科技有限公司 | 一种基于深度学习的靶区自动勾画方法、设备和存储介质 |
CN110210472A (zh) * | 2018-02-28 | 2019-09-06 | 佛山科学技术学院 | 一种基于深度网络的对象检测方法 |
CN108537121A (zh) * | 2018-03-07 | 2018-09-14 | 中国科学院西安光学精密机械研究所 | 气象环境参数与图像信息融合的自适应遥感场景分类方法 |
CN108537121B (zh) * | 2018-03-07 | 2020-11-03 | 中国科学院西安光学精密机械研究所 | 气象环境参数与图像信息融合的自适应遥感场景分类方法 |
CN108416295A (zh) * | 2018-03-08 | 2018-08-17 | 天津师范大学 | 一种基于局部嵌入深度特征的行人再识别方法 |
CN108717680A (zh) * | 2018-03-22 | 2018-10-30 | 北京交通大学 | 基于全稠密连接网络的空域图像隐写分析方法 |
CN108776807A (zh) * | 2018-05-18 | 2018-11-09 | 复旦大学 | 一种基于可跳层双支神经网络的图像粗细粒度分类方法 |
CN108960127A (zh) * | 2018-06-29 | 2018-12-07 | 厦门大学 | 基于自适应深度度量学习的遮挡行人重识别方法 |
CN109034230B (zh) * | 2018-07-17 | 2021-03-30 | 厦门大学 | 一种基于深度学习的单幅图像相机溯源方法 |
CN109034230A (zh) * | 2018-07-17 | 2018-12-18 | 厦门大学 | 一种基于深度学习的单幅图像相机溯源方法 |
CN109190458A (zh) * | 2018-07-20 | 2019-01-11 | 华南理工大学 | 一种基于深度学习的小人头检测方法 |
CN109360183A (zh) * | 2018-08-20 | 2019-02-19 | 中国电子进出口有限公司 | 一种基于卷积神经网络的人脸图像质量评估方法和系统 |
CN109190695A (zh) * | 2018-08-28 | 2019-01-11 | 中国海洋大学 | 一种基于深度卷积神经网络的鱼类图像分类方法 |
CN109190695B (zh) * | 2018-08-28 | 2021-08-03 | 中国海洋大学 | 一种基于深度卷积神经网络的鱼类图像分类方法 |
CN109029989A (zh) * | 2018-09-28 | 2018-12-18 | 西北工业大学 | 一种基于红外热成像的齿轮箱故障诊断方法 |
CN109029989B (zh) * | 2018-09-28 | 2020-02-14 | 西北工业大学 | 一种基于红外热成像的齿轮箱故障诊断方法 |
CN109543744A (zh) * | 2018-11-19 | 2019-03-29 | 南京邮电大学 | 一种基于龙芯派的多类别深度学习图像识别方法及其应用 |
CN109543744B (zh) * | 2018-11-19 | 2022-10-14 | 南京邮电大学 | 一种基于龙芯派的多类别深度学习图像识别方法及其应用 |
CN109636792A (zh) * | 2018-12-14 | 2019-04-16 | 易思维(杭州)科技有限公司 | 一种基于深度学习的镜片缺陷检测方法 |
CN109636792B (zh) * | 2018-12-14 | 2020-05-22 | 易思维(杭州)科技有限公司 | 一种基于深度学习的镜片缺陷检测方法 |
CN109685135A (zh) * | 2018-12-21 | 2019-04-26 | 电子科技大学 | 一种基于改进型度量学习的少样本图像分类方法 |
CN109685135B (zh) * | 2018-12-21 | 2022-03-25 | 电子科技大学 | 一种基于改进型度量学习的少样本图像分类方法 |
CN109961838A (zh) * | 2019-03-04 | 2019-07-02 | 浙江工业大学 | 一种基于深度学习的超声影像慢性肾脏病辅助筛查方法 |
CN110188789A (zh) * | 2019-04-16 | 2019-08-30 | 浙江工业大学 | 一种基于预处理模型的小样本医学图像分类方法 |
CN110222792A (zh) * | 2019-06-20 | 2019-09-10 | 杭州电子科技大学 | 一种基于孪生网络的标签缺陷检测算法 |
CN110321952B (zh) * | 2019-07-02 | 2024-02-09 | 腾讯医疗健康(深圳)有限公司 | 一种图像分类模型的训练方法及相关设备 |
CN110321952A (zh) * | 2019-07-02 | 2019-10-11 | 腾讯医疗健康(深圳)有限公司 | 一种图像分类模型的训练方法及相关设备 |
CN110598746A (zh) * | 2019-08-13 | 2019-12-20 | 武汉大学 | 一种基于ode求解器自适应的场景分类方法 |
WO2021027142A1 (zh) * | 2019-08-14 | 2021-02-18 | 平安科技(深圳)有限公司 | 图片分类模型训练方法、系统和计算机设备 |
CN110633739A (zh) * | 2019-08-30 | 2019-12-31 | 太原科技大学 | 基于并行模块深度学习的偏光片缺陷图像实时分类方法 |
CN110633739B (zh) * | 2019-08-30 | 2023-04-07 | 太原科技大学 | 基于并行模块深度学习的偏光片缺陷图像实时分类方法 |
CN110660046A (zh) * | 2019-08-30 | 2020-01-07 | 太原科技大学 | 基于轻量级深度神经网络的工业产品缺陷图像分类方法 |
CN110660046B (zh) * | 2019-08-30 | 2022-09-30 | 太原科技大学 | 基于轻量级深度神经网络的工业产品缺陷图像分类方法 |
CN110659694A (zh) * | 2019-09-27 | 2020-01-07 | 华中农业大学 | 一种基于机器学习的柑橘果蒂的检测方法 |
CN110659694B (zh) * | 2019-09-27 | 2022-10-11 | 华中农业大学 | 一种基于机器学习的柑橘果蒂的检测方法 |
CN110781928A (zh) * | 2019-10-11 | 2020-02-11 | 西安工程大学 | 一种提取图像多分辨率特征的图像相似度学习方法 |
CN110866561A (zh) * | 2019-11-18 | 2020-03-06 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于图像识别的塑料瓶颜色分选方法 |
CN111289854B (zh) * | 2020-02-26 | 2021-05-11 | 华北电力大学 | 基于紫外视频的3d-cnn和lstm的绝缘子绝缘状态评估方法 |
CN111289854A (zh) * | 2020-02-26 | 2020-06-16 | 华北电力大学 | 基于紫外视频的3d-cnn和lstm的绝缘子绝缘状态评估方法 |
CN112364878A (zh) * | 2020-09-25 | 2021-02-12 | 江苏师范大学 | 一种复杂背景下基于深度学习的电力线分类方法 |
CN112149597A (zh) * | 2020-09-29 | 2020-12-29 | 中国水利水电科学研究院 | 一种基于深度学习的河流表面流速检测方法 |
CN113011506A (zh) * | 2021-03-24 | 2021-06-22 | 华南理工大学 | 一种基于深度重分形频谱网络的纹理图像分类方法 |
CN113011506B (zh) * | 2021-03-24 | 2023-08-25 | 华南理工大学 | 一种基于深度重分形频谱网络的纹理图像分类方法 |
CN113706511A (zh) * | 2021-08-31 | 2021-11-26 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的复合材料损伤的检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107292333B (zh) | 2019-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292333B (zh) | 一种基于深度学习的快速图像分类方法 | |
CN113254599B (zh) | 一种基于半监督学习的多标签微博文本分类方法 | |
CN107330446A (zh) | 一种面向图像分类的深度卷积神经网络的优化方法 | |
CN109711426B (zh) | 一种基于gan和迁移学习的病理图片分类装置及方法 | |
CN109299268A (zh) | 一种基于双通道模型的文本情感分析方法 | |
CN108960301B (zh) | 一种基于卷积神经网络的古彝文识别方法 | |
CN110110323B (zh) | 一种文本情感分类方法和装置、计算机可读存储介质 | |
CN107562784A (zh) | 基于ResLCNN模型的短文本分类方法 | |
CN108830287A (zh) | 基于残差连接的Inception网络结合多层GRU的中文图像语义描述方法 | |
CN110674305A (zh) | 一种基于深层特征融合模型的商品信息分类方法 | |
CN103984959A (zh) | 一种基于数据与任务驱动的图像分类方法 | |
CN110188195B (zh) | 一种基于深度学习的文本意图识别方法、装置及设备 | |
CN111340034B (zh) | 一种针对自然场景的文本检测与识别方法及系统 | |
CN109711883A (zh) | 基于U-Net网络的互联网广告点击率预估方法 | |
CN109918497A (zh) | 一种基于改进textCNN模型的文本分类方法、装置及存储介质 | |
CN110717330A (zh) | 基于深度学习的词句级短文本分类方法 | |
CN111475622A (zh) | 一种文本分类方法、装置、终端及存储介质 | |
CN110516070A (zh) | 一种基于文本纠错与神经网络的中文问句分类方法 | |
CN106339718A (zh) | 一种基于神经网络的分类方法及装置 | |
CN113569881A (zh) | 一种基于链式残差与注意力机制的自适应语义分割方法 | |
CN107967497A (zh) | 基于卷积神经网络和极限学习机的手写体识别方法 | |
CN114153974A (zh) | 一种基于胶囊网络的字符级文本分类方法 | |
CN114491823B (zh) | 一种基于改进生成对抗网络的列车轴承故障诊断方法 | |
CN107562729B (zh) | 基于神经网络和主题强化的党建文本表示方法 | |
CN107679199A (zh) | 一种基于深度局部特征的对外汉语教材可读性分析方法 |
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 |