CN107316054A - 基于卷积神经网络和支持向量机的非标准字符识别方法 - Google Patents
基于卷积神经网络和支持向量机的非标准字符识别方法 Download PDFInfo
- Publication number
- CN107316054A CN107316054A CN201710383545.9A CN201710383545A CN107316054A CN 107316054 A CN107316054 A CN 107316054A CN 201710383545 A CN201710383545 A CN 201710383545A CN 107316054 A CN107316054 A CN 107316054A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural networks
- convolutional neural
- standard character
- 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
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Character Discrimination (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于卷积神经网络和支持向量机的非标准字符识别方法:1、采集非标准字符的图像信号作为样本数据;2、建立卷积神经网络并初始化;3、将训练样本数据集通过卷积神经网络完成前向传播;4、对3中的多层感知器进行误差计算和梯度计算,若误差收敛,则提取出特征数据并进入6,否则,进入5;5、将4中得到的误差和梯度用反向传播算法,经过卷积神经网络逐层传播到网络底层,并判断该层是否为输入层:若是,则进入3,否则,继续判断下一层是否为输入层,直至确定输入层并进入3;6、将特征数据传输到支持向量机中进行训练,建立非标准字符识别训练模型;7、将待识别的非标准字符信号输入到非标准字符识别训练模型进行识别。
Description
技术领域
本发明涉及一种基于卷积神经网络和支持向量机的非标准字符识别方法。
背景技术
非标准字符的识别作为图像识别应用中的重要分支,其在生产生活中的地位也越来越重要。目前,标准字符的识别技术理论已经日趋成熟,但是大多数的数字或是英文字母的识别方法在实际应用过程中或多或少都会出现一些问题,且不要说是更加复杂的中文字符以及其他字符的非标准表示了,且在复杂的应用场景中或是移动设备上,识别效率和识别准确率都比较低。例如,逆传播神经网络对于样本数据集的要求很高,否则无法达到较高的识别准确率。
发明内容
针对上述问题,本发明提供一种基于卷积神经网络和支持向量机的非标准字符识别方法,大大提高了各类字符整体识别准确率和效率,尤其适用于数字和英文字母的识别。
为实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:
基于卷积神经网络和支持向量机的非标准字符识别方法,包括如下步骤:
步骤1、采集非标准字符的图像信号作为样本数据,生成训练样本数据集和测试数据集;
步骤2、建立卷积神经网络并初始化;
步骤3、将训练样本数据集通过卷积神经网络的多层感知器完成前向传播;
步骤4、对步骤3中的多层感知器进行误差计算和梯度计算,并判断误差是否为收敛:若收敛,则提取出特征数据并进入步骤6,否则,进入步骤5;
步骤5、将步骤4中得到的误差和梯度用反向传播算法,经过卷积神经网络逐层传播到网络底层,并且逐层更新网络的权重系数,并判断该层是否为输入层:若是,则进入步骤3,否则,继续判断下一层是否为输入层,直至确定输入层并进入步骤3;
步骤6、将通过卷积神经网络模型经训练提取的特征数据传输到支持向量机中进行训练,当测试数据集的识别准确率为100%时,则认为成功建立了非标准字符识别训练模型;
步骤7、将待识别的非标准字符信号输入到非标准字符识别训练模型进行识别,获得识别结论。
优选,步骤2中初始化卷积神经网络的参数,包括卷积核的数量、降采样层的数量、卷积核的大小和降采样层的降幅,并初始化卷积核的权重和偏置。
优选,步骤1中生成训练样本数据集包括如下步骤:
1)从样本数据集中取出一批样本(A,BC),其中A是样本字符的向量,B是A对应的期望值,C是标准字符集,BC是样本数据集中标准字符C对应字符的期望值;
2)将A输入卷积神经网络;
3)计算出相应的实际输出DC,其中,DC=Fn(…F2(F1(BC*W1)W2)…Wn),Fn表示第n层的激活函数,Wn表示第n层的权值,*是卷积运算符号。
优选,步骤3中,将训练样本数据集通过并行FIFO实现无特征化地、均匀地输入卷积神经网络,训练样本数据分别经过卷积层1和降采样层1、卷积层2和降采样层2……卷积层n和降采样层n,实现了前向传播的过程,其中,n是卷积神经网络的第n层。
优选,步骤5中,将步骤4中得到的误差和梯度用反向传播算法,反向经过降采样层n和卷积层n……降采样层2和卷积层2、降采样层1和卷积层1,逐层传播到网络底层,其中,反向传播算法具体包括如下步骤:
1)对样本数据集批量前向传播,计算出卷积神经网络中所有的激活值;
2)针对每一层的节点,对该节点从后向前进行求导,计算权值的偏导数,并更新权值的具体参数;
3)重复上述步骤1)和2)对神经网络各参数进行迭代计算,使代价函数收敛并得到一个最小值,以此求解得到卷积神经网络的模型。
本发明的有益效果是:
本发明通过将卷积神经网络模型和支持向量机模型进行一定的调整并通过适当算法进行有机结合,由于卷积神经网络模型和支持向量机模型的目标是区分性的,这使得生成的非标准字符识别模型的输出更优化,规避了两者的短处,同时发扬了两者的长处,使得本发明在用于实际应用时的整体识别准确率和效率都达到了一个很高的水平,特别是对数字和英文字母的识别能力很强。
附图说明
图1是本发明基于卷积神经网络和支持向量机的非标准字符识别方法的流程图。
具体实施方式
下面结合附图和具体的实施例对本发明技术方案作进一步的详细描述,以使本领域的技术人员可以更好的理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
基于卷积神经网络和支持向量机的非标准字符识别方法,如图1所示,包括如下步骤:
步骤1、采集非标准字符的图像信号作为样本数据,生成训练样本数据集和测试数据集。
步骤1中生成训练样本数据集包括如下步骤:
1)从样本数据集中取出一批样本(A,BC),其中A是样本字符的向量,B是A对应的期望值,C是标准字符集,BC是样本数据集中标准字符C对应字符的期望值;
2)将A输入卷积神经网络;
3)计算出相应的实际输出DC,其中,DC=Fn(…F2(F1(BC*W1)W2)…Wn),Fn表示第n层的激活函数,Wn表示第n层的权值,*是卷积运算符号。
其中卷积运算是用卷积滤波器在上层网络结构中做卷积运算,然后进行非线性变换,相较而言,降采样运算只采用最大池化法进行总结,即最大池采样是通过一个滤波器提取上层网络结构的特征数据,并且不经过线性运算,每次滤波后的最大值是数据降采样后的一个特征值。
卷积神经网络是一种前馈神经网络,人工神经元可以响应周围单元,可以进行大型图像处理,它包括卷积层、降采样层和全连接层,其中:
卷积层:样本输入的尺寸统一为(K,L);卷积核的尺寸为(M,N);卷积核的步长为(O,P);经过卷积层得到的输出图像尺寸为(Q,R)。则输出尺寸的公式可表示为
降采样层:样本输入的尺寸统一为(S,T);滤波器窗口的尺寸为(U,V);降采样步长要保证滤波器能够覆盖整个数据矩阵而每个滤波器的窗口矩阵的数据不重叠;经过降采样层得到的输出图像尺寸为(W,X)。则得到输出尺寸的公式为
全连接层:输入层神经元的数量为后一个降采样层长和宽的乘积,输出层神经元的数量为识别库总的符号数量的个数。
步骤2、建立卷积神经网络并初始化。
步骤2中初始化卷积神经网络的参数,包括卷积核的数量、降采样层的数量、卷积核的大小和降采样层的降幅,同时还需要初始化卷积核的权重和偏置。
步骤3、将训练样本数据集通过卷积神经网络的多层感知器完成前向传播。
步骤3中,将训练样本数据集通过并行FIFO(先入先出队列)实现无特征化地、均匀地输入卷积神经网络,训练样本数据分别经过卷积层1和降采样层1、卷积层2和降采样层2……卷积层n和降采样层n,通过多层感知器最终实现了前向传播的过程,其中,n是卷积神经网络的第n层。
步骤4、对步骤3中的多层感知器进行误差计算和梯度计算,并判断误差是否为收敛:若收敛,则提取出特征数据并进入步骤6(进入支持向量机),否则,进入步骤5(进行卷积神经网络的学习)。
完成前向传播后,训练样本数据集传到多层感知器中并计算输出值和期望值之间的差值,按照极小化误差的方法使结果逐步收敛,同时将误差向量和梯度向量保存到存储器中。
步骤5、将步骤4中得到的误差和梯度用反向传播算法,经过卷积神经网络逐层传播到网络底层,并且逐层更新网络的权重系数,并判断该层是否为输入层:若是,则进入步骤3,否则,继续判断下一层是否为输入层,直至确定输入层并进入步骤3。
步骤5中,将步骤4中得到的误差和梯度用反向传播算法,反向经过降采样层n和卷积层n……降采样层2和卷积层2、降采样层1和卷积层1,逐层传播到网络底层,,并且逐层更新网络的权重系数。
其中,反向传播算法具体包括如下步骤:
1)对样本数据集批量前向传播,计算出卷积神经网络中所有的激活值;
2)针对每一层的节点,对该节点从后向前进行求导,计算权值的偏导数,并更新权值的具体参数;
3)重复上述步骤1)和2)对神经网络各参数进行迭代计算,使代价函数收敛并得到一个最小值,以此求解得到卷积神经网络的模型。
如果本层是卷积层,他的误差是从后一层的降采样层传播过来的,误差传播事实上是采用降采样的反向过程,即降采样层的误差复制为降采样滤波器窗口的长和宽的乘积的倍数。卷积层的输入是首先经过sigmoid函数预处理的,因此从降采样层扩充来的误差要经过sigmoid函数来求导处理。如果本层是降采样层,其误差是从后一层的卷积层传播过来的,误差传播实际是卷积的反向过程,也就是如果已知上一层卷积误差敏感值,通过离散卷积函数实现将卷积核旋转180度后对卷积层的误差进行卷积。
步骤6、将通过卷积神经网络模型经训练提取的特征数据传输到支持向量机中进行训练,建立非标准字符识别训练模型。卷积神经网络的误差收敛了即标志着卷积神经网络的训练结束了,同时将提取的特征向量传入到支持向量机中,得到训练模型。
将卷积神经网络模型经训练提取的特征数据传输到支持向量机中在进行训练,当误差反向传播到输入层时,若极小化误差函数收敛,则反向传播算法停止,然后把之前提取到的特征向量传输到支持向量机模型中。步骤6中,用网格搜索的优化方案对支持向量机的参数进行优化,优化支持向量机的惩罚参数和径向基核函数的高斯核参数,并以此来得到对于非标准字符而言的最优的支持向量机模型。
步骤7、将待识别的非标准字符信号输入到非标准字符识别训练模型进行识别,获得识别结论。即将一组待识别的非标准字符信号输入到卷积神经网络的输入端,就可以得到待识别信号的特征数据,再将其输入到训练好的支持向量机,就可以得到准确的识别结果了。
支持向量机识别算法需要选择不同的核函数,且识别模型库较大实用性不广,而卷积神经网络识别算法虽然不需要提取特征值,但是整体识别效率偏低。由于卷积神经网络能够提取到表征能力较强的特征,同时支持向量机在输入特征较强势能够形成比较好的决策结果,该方法通过将现有的卷积神经网络模型和支持向量机模型进行一定的调整并通过适当算法进行有机结合。这种通过将结合卷积神经网络和支持向量机的字符识别模型能够较为真实地描述出样本数据和期望数据的相关性,并能从原始的样本数据中自动地学习图像特征,使得该方法具有很强的可视性,同时大大地提高了对于各类字符,特别是数字模式和英文字母模式分类的区别能力相较于一般识别方式有了很大的提高。
由于卷积神经网络采用的权重共享方案确保了非标准字符输入数字图像特征的高保真性,采用降采样的方案又消除了图像采集时的冗余特征,以此作为前端保证了训练样本数据集传到卷积神经网络连接层时的输出不仅保留了图像信号的拓扑结构,更提取到了拥有较强表征能力的特征。最后,将全连接层的输出接口和支持向量机的输入接口通过互联耦合电路相连接,提高了识别精度和兼容性。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或者等效流程变换,或者直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.基于卷积神经网络和支持向量机的非标准字符识别方法,其特征在于,包括如下步骤:
步骤1、采集非标准字符的图像信号作为样本数据,生成训练样本数据集和测试数据集;
步骤2、建立卷积神经网络并初始化;
步骤3、将训练样本数据集通过卷积神经网络的多层感知器完成前向传播;
步骤4、对步骤3中的多层感知器进行误差计算和梯度计算,并判断误差是否为收敛:若收敛,则提取出特征数据并进入步骤6,否则,进入步骤5;
步骤5、将步骤4中得到的误差和梯度用反向传播算法,经过卷积神经网络逐层传播到网络底层,并且逐层更新网络的权重系数,并判断该层是否为输入层:若是,则进入步骤3,否则,继续判断下一层是否为输入层,直至确定输入层并进入步骤3;
步骤6、将通过卷积神经网络模型经训练提取的特征数据传输到支持向量机中进行训练,当测试数据集的识别准确率为100%时,则认为成功建立了非标准字符识别训练模型;
步骤7、将待识别的非标准字符信号输入到非标准字符识别训练模型进行识别,获得识别结论。
2.根据权利要求1所述的基于卷积神经网络和支持向量机的非标准字符识别方法,其特征在于,步骤2中初始化卷积神经网络的参数,包括卷积核的数量、降采样层的数量、卷积核的大小和降采样层的降幅,并初始化卷积核的权重和偏置。
3.根据权利要求1所述的基于卷积神经网络和支持向量机的非标准字符识别方法,其特征在于,步骤1中生成训练样本数据集包括如下步骤:
1)从样本数据集中取出一批样本(A,BC),其中A是样本字符的向量,B是A对应的期望值,C是标准字符集,BC是样本数据集中标准字符C对应字符的期望值;
2)将A输入卷积神经网络;
3)计算出相应的实际输出DC,其中,DC=Fn(…F2(F1(BC*W1)W2)…Wn),Fn表示第n层的激活函数,Wn表示第n层的权值,*是卷积运算符号。
4.根据权利要求3所述的基于卷积神经网络和支持向量机的非标准字符识别方法,其特征在于,步骤3中,将训练样本数据集通过并行FIFO实现无特征化地、均匀地输入卷积神经网络,训练样本数据分别经过卷积层1和降采样层1、卷积层2和降采样层2……卷积层n和降采样层n,实现了前向传播的过程,其中,n是卷积神经网络的第n层。
5.根据权利要求4所述的基于卷积神经网络和支持向量机的非标准字符识别方法,其特征在于,步骤5中,将步骤4中得到的误差和梯度用反向传播算法,反向经过降采样层n和卷积层n……降采样层2和卷积层2、降采样层1和卷积层1,逐层传播到网络底层,其中,反向传播算法具体包括如下步骤:
1)对样本数据集批量前向传播,计算出卷积神经网络中所有的激活值;
2)针对每一层的节点,对该节点从后向前进行求导,计算权值的偏导数,并更新权值的具体参数;
3)重复上述步骤1)和2)对神经网络各参数进行迭代计算,使代价函数收敛并得到一个最小值,以此求解得到卷积神经网络的模型。
6.根据权利要求5所述的基于卷积神经网络和支持向量机的非标准字符识别方法,其特征在于,步骤6中,用网格搜索的优化方案对支持向量机的参数进行优化。
7.根据权利要求6所述的基于卷积神经网络和支持向量机的非标准字符识别方法,其特征在于,优化的参数包括支持向量机的惩罚参数和径向基核函数的高斯核参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710383545.9A CN107316054A (zh) | 2017-05-26 | 2017-05-26 | 基于卷积神经网络和支持向量机的非标准字符识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710383545.9A CN107316054A (zh) | 2017-05-26 | 2017-05-26 | 基于卷积神经网络和支持向量机的非标准字符识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107316054A true CN107316054A (zh) | 2017-11-03 |
Family
ID=60183560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710383545.9A Pending CN107316054A (zh) | 2017-05-26 | 2017-05-26 | 基于卷积神经网络和支持向量机的非标准字符识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107316054A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909101A (zh) * | 2017-11-10 | 2018-04-13 | 清华大学 | 基于卷积神经网络的半监督迁移学习字符识别方法及系统 |
CN108053024A (zh) * | 2017-11-17 | 2018-05-18 | 江西理工大学 | 钥匙牙花识别方法 |
CN108416348A (zh) * | 2018-01-29 | 2018-08-17 | 重庆邮电大学 | 基于支持向量机和卷积神经网络的车牌定位识别方法 |
CN108710866A (zh) * | 2018-06-04 | 2018-10-26 | 平安科技(深圳)有限公司 | 汉字模型训练方法、汉字识别方法、装置、设备及介质 |
CN108764195A (zh) * | 2018-06-04 | 2018-11-06 | 平安科技(深圳)有限公司 | 手写模型训练方法、手写字识别方法、装置、设备及介质 |
CN108764233A (zh) * | 2018-05-08 | 2018-11-06 | 天津师范大学 | 一种基于连续卷积激活的场景字符识别方法 |
CN108985151A (zh) * | 2018-06-04 | 2018-12-11 | 平安科技(深圳)有限公司 | 手写模型训练方法、手写字识别方法、装置、设备及介质 |
CN109034279A (zh) * | 2018-06-04 | 2018-12-18 | 平安科技(深圳)有限公司 | 手写模型训练方法、手写字识别方法、装置、设备及介质 |
CN109034280A (zh) * | 2018-06-04 | 2018-12-18 | 平安科技(深圳)有限公司 | 手写模型训练方法、手写字识别方法、装置、设备及介质 |
CN109086654A (zh) * | 2018-06-04 | 2018-12-25 | 平安科技(深圳)有限公司 | 手写模型训练方法、文本识别方法、装置、设备及介质 |
CN109086653A (zh) * | 2018-06-04 | 2018-12-25 | 平安科技(深圳)有限公司 | 手写模型训练方法、手写字识别方法、装置、设备及介质 |
CN109086651A (zh) * | 2018-06-04 | 2018-12-25 | 平安科技(深圳)有限公司 | 手写模型训练方法、手写字识别方法、装置、设备及介质 |
CN110633717A (zh) * | 2018-06-21 | 2019-12-31 | 北京京东尚科信息技术有限公司 | 一种目标检测模型的训练方法和装置 |
CN110956133A (zh) * | 2019-11-29 | 2020-04-03 | 上海眼控科技股份有限公司 | 单字符文本归一化模型训练方法、文本识别方法及装置 |
CN112949692A (zh) * | 2021-02-03 | 2021-06-11 | 歌尔股份有限公司 | 一种目标检测方法和装置 |
CN113793217A (zh) * | 2021-09-10 | 2021-12-14 | 上海卡方信息科技有限公司 | 一种基于卷积神经网络的股票交易反转点与异常点检测方法 |
CN114527514A (zh) * | 2022-02-25 | 2022-05-24 | 吉林大学 | 一种基于模型压缩和加速的神经网络实时航磁补偿方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000072257A3 (en) * | 1999-05-25 | 2002-01-03 | Stephen D Barnhill | Enhancing knowledge discovery from multiple data sets using multiple support vector machines |
EP1428153A4 (en) * | 2001-09-05 | 2004-11-03 | Pavilion Tech Inc | SYSTEM AND METHOD FOR ONLINE TRAINING OF A SUPPORT VECTOR MACHINE |
CN104966097A (zh) * | 2015-06-12 | 2015-10-07 | 成都数联铭品科技有限公司 | 一种基于深度学习的复杂文字识别方法 |
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 |
CN106599941A (zh) * | 2016-12-12 | 2017-04-26 | 西安电子科技大学 | 基于卷积神经网络与支持向量机的手写数字识别方法 |
-
2017
- 2017-05-26 CN CN201710383545.9A patent/CN107316054A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000072257A3 (en) * | 1999-05-25 | 2002-01-03 | Stephen D Barnhill | Enhancing knowledge discovery from multiple data sets using multiple support vector machines |
EP1428153A4 (en) * | 2001-09-05 | 2004-11-03 | Pavilion Tech Inc | SYSTEM AND METHOD FOR ONLINE TRAINING OF A SUPPORT VECTOR MACHINE |
CN104966097A (zh) * | 2015-06-12 | 2015-10-07 | 成都数联铭品科技有限公司 | 一种基于深度学习的复杂文字识别方法 |
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 |
CN106599941A (zh) * | 2016-12-12 | 2017-04-26 | 西安电子科技大学 | 基于卷积神经网络与支持向量机的手写数字识别方法 |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909101B (zh) * | 2017-11-10 | 2019-07-12 | 清华大学 | 基于卷积神经网络的半监督迁移学习字符识别方法及系统 |
CN107909101A (zh) * | 2017-11-10 | 2018-04-13 | 清华大学 | 基于卷积神经网络的半监督迁移学习字符识别方法及系统 |
CN108053024A (zh) * | 2017-11-17 | 2018-05-18 | 江西理工大学 | 钥匙牙花识别方法 |
CN108416348A (zh) * | 2018-01-29 | 2018-08-17 | 重庆邮电大学 | 基于支持向量机和卷积神经网络的车牌定位识别方法 |
CN108764233B (zh) * | 2018-05-08 | 2021-10-15 | 天津师范大学 | 一种基于连续卷积激活的场景字符识别方法 |
CN108764233A (zh) * | 2018-05-08 | 2018-11-06 | 天津师范大学 | 一种基于连续卷积激活的场景字符识别方法 |
CN108764195B (zh) * | 2018-06-04 | 2023-04-18 | 平安科技(深圳)有限公司 | 手写模型训练方法、手写字识别方法、装置、设备及介质 |
CN108764195A (zh) * | 2018-06-04 | 2018-11-06 | 平安科技(深圳)有限公司 | 手写模型训练方法、手写字识别方法、装置、设备及介质 |
CN109034280A (zh) * | 2018-06-04 | 2018-12-18 | 平安科技(深圳)有限公司 | 手写模型训练方法、手写字识别方法、装置、设备及介质 |
CN109086654A (zh) * | 2018-06-04 | 2018-12-25 | 平安科技(深圳)有限公司 | 手写模型训练方法、文本识别方法、装置、设备及介质 |
CN109086653A (zh) * | 2018-06-04 | 2018-12-25 | 平安科技(深圳)有限公司 | 手写模型训练方法、手写字识别方法、装置、设备及介质 |
CN109086651A (zh) * | 2018-06-04 | 2018-12-25 | 平安科技(深圳)有限公司 | 手写模型训练方法、手写字识别方法、装置、设备及介质 |
CN108985151A (zh) * | 2018-06-04 | 2018-12-11 | 平安科技(深圳)有限公司 | 手写模型训练方法、手写字识别方法、装置、设备及介质 |
WO2019232857A1 (zh) * | 2018-06-04 | 2019-12-12 | 平安科技(深圳)有限公司 | 手写模型训练方法、手写字识别方法、装置、设备及介质 |
CN108710866B (zh) * | 2018-06-04 | 2024-02-20 | 平安科技(深圳)有限公司 | 汉字模型训练方法、汉字识别方法、装置、设备及介质 |
CN109086654B (zh) * | 2018-06-04 | 2023-04-28 | 平安科技(深圳)有限公司 | 手写模型训练方法、文本识别方法、装置、设备及介质 |
CN109034280B (zh) * | 2018-06-04 | 2023-04-25 | 平安科技(深圳)有限公司 | 手写模型训练方法、手写字识别方法、装置、设备及介质 |
CN109034279A (zh) * | 2018-06-04 | 2018-12-18 | 平安科技(深圳)有限公司 | 手写模型训练方法、手写字识别方法、装置、设备及介质 |
CN109034279B (zh) * | 2018-06-04 | 2023-04-25 | 平安科技(深圳)有限公司 | 手写模型训练方法、手写字识别方法、装置、设备及介质 |
CN109086653B (zh) * | 2018-06-04 | 2023-04-18 | 平安科技(深圳)有限公司 | 手写模型训练方法、手写字识别方法、装置、设备及介质 |
CN108985151B (zh) * | 2018-06-04 | 2023-04-07 | 平安科技(深圳)有限公司 | 手写模型训练方法、手写字识别方法、装置、设备及介质 |
CN108710866A (zh) * | 2018-06-04 | 2018-10-26 | 平安科技(深圳)有限公司 | 汉字模型训练方法、汉字识别方法、装置、设备及介质 |
CN109086651B (zh) * | 2018-06-04 | 2023-04-18 | 平安科技(深圳)有限公司 | 手写模型训练方法、手写字识别方法、装置、设备及介质 |
CN110633717A (zh) * | 2018-06-21 | 2019-12-31 | 北京京东尚科信息技术有限公司 | 一种目标检测模型的训练方法和装置 |
CN110956133A (zh) * | 2019-11-29 | 2020-04-03 | 上海眼控科技股份有限公司 | 单字符文本归一化模型训练方法、文本识别方法及装置 |
CN112949692A (zh) * | 2021-02-03 | 2021-06-11 | 歌尔股份有限公司 | 一种目标检测方法和装置 |
CN113793217A (zh) * | 2021-09-10 | 2021-12-14 | 上海卡方信息科技有限公司 | 一种基于卷积神经网络的股票交易反转点与异常点检测方法 |
CN114527514A (zh) * | 2022-02-25 | 2022-05-24 | 吉林大学 | 一种基于模型压缩和加速的神经网络实时航磁补偿方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107316054A (zh) | 基于卷积神经网络和支持向量机的非标准字符识别方法 | |
CN108805200B (zh) | 基于深度孪生残差网络的光学遥感场景分类方法及装置 | |
CN105528638B (zh) | 灰色关联分析法确定卷积神经网络隐层特征图个数的方法 | |
CN106991666B (zh) | 一种适用于多尺寸图片信息的病害图像识别方法 | |
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 | |
CN106682694A (zh) | 一种基于深度学习的敏感图像识别方法 | |
CN106650789A (zh) | 一种基于深度lstm网络的图像描述生成方法 | |
CN106991374A (zh) | 基于卷积神经网络和随机森林的手写数字识别方法 | |
CN106203625A (zh) | 一种基于多重预训练的深层神经网络训练方法 | |
CN108021947A (zh) | 一种基于视觉的分层极限学习机目标识别方法 | |
CN112818777B (zh) | 一种基于密集连接与特征增强的遥感图像目标检测方法 | |
CN109800795A (zh) | 一种果蔬识别方法及系统 | |
CN110287806A (zh) | 一种基于改进ssd网络的交通标志识别方法 | |
CN113920043A (zh) | 基于残差通道注意力机制的双流遥感图像融合方法 | |
CN114120041A (zh) | 一种基于双对抗变分自编码器的小样本分类方法 | |
CN109102002A (zh) | 结合卷积神经网络和概念机递归神经网络的图像分类方法 | |
CN110084609B (zh) | 一种基于表征学习的交易欺诈行为深度检测方法 | |
CN114283320B (zh) | 基于全卷积的无分支结构目标检测方法 | |
CN110555461A (zh) | 基于多结构卷积神经网络特征融合的场景分类方法及系统 | |
CN108920446A (zh) | 一种工程文本的处理方法 | |
CN112749663A (zh) | 基于物联网和ccnn模型的农业果实成熟度检测系统 | |
CN115170874A (zh) | 一种基于解耦蒸馏损失的自蒸馏实现方法 | |
CN115272881A (zh) | 动态关系蒸馏的长尾遥感图像目标识别方法 | |
CN113989122A (zh) | 图像的超分辨率恢复方法、系统、电子设备及存储介质 | |
CN111222534A (zh) | 一种基于双向特征融合和更平衡l1损失的单发多框检测器优化方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171103 |
|
RJ01 | Rejection of invention patent application after publication |