CN107610062A - 基于bp神经网络的图像几何畸变的快速识别与校正方法 - Google Patents
基于bp神经网络的图像几何畸变的快速识别与校正方法 Download PDFInfo
- Publication number
- CN107610062A CN107610062A CN201710780084.9A CN201710780084A CN107610062A CN 107610062 A CN107610062 A CN 107610062A CN 201710780084 A CN201710780084 A CN 201710780084A CN 107610062 A CN107610062 A CN 107610062A
- Authority
- CN
- China
- Prior art keywords
- image
- neutral net
- fault
- point
- input
- 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
Landscapes
- Image Processing (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本发明揭示了一种基于BP神经网络的图像几何畸变的快速识别与校正方法,通过训练BP神经网络学习得到畸变图像与原图像之间的映射关系,以权值的形式保存在神经网络中,然后构建与原图大小相同的恢复图像,并把恢复图像中的坐标点作为神经网络的输入,得到畸变后的输出,并在畸变图像中利用双线性插值法确定像素值。本发明提出的基于BP神经网络的图像几何畸变的快速识别与校正方法,利用BP神经网络可以直接从畸变图像中学习得到确定的畸变方式,要比用畸变模板得到的准确得多。
Description
技术领域
本发明属于图像处理技术领域,涉及一种图像处理方法,尤其涉及一种基于BP神经网络的图像几何畸变的快速识别与校正方法。
背景技术
近年来,人工神经网络(ANN)提供了一种新的方法来模拟复杂而又难以定义的问题,ANN已经在智能控制、机器人、模式识别、计算机视觉、生产过程优化和信息处理等多种领域中取得了广泛应用。
现有的图像几何畸变校正的方法过度依赖摄像机的内部参数,并且畸变的方式是由与真实图像同类型的模板畸变图像确定的,所以由此得来的畸变类型总是存在着偏差。
图像几何畸变校正方法一文中,利用特定畸变类型的模板确定畸变关系,这种方法的效果与模板的选取和实际畸变类型与模板的相似度,有很大的局限性。
有鉴于此,如今迫切需要设计一种新的图像处理方法,以便克服现有处理方法存在的上述缺陷。
发明内容
本发明所要解决的技术问题是:提供一种基于BP神经网络的图像几何畸变的快速识别与校正方法,可提高图像处理的精确度。
为解决上述技术问题,本发明采用如下技术方案:
一种基于BP神经网络的图像几何畸变的快速识别与校正方法,通过训练BP神经网络学习得到畸变图像与原图像之间的映射关系,以权值的形式保存在神经网络中,然后构建与原图大小相同的恢复图像,并把恢复图像中的坐标点作为神经网络的输入,得到畸变后的输出,并在畸变图像中利用双线性插值法确定像素值;所述方法具体包括如下步骤:
S1、搭建三层BP神经网络,其中输入层有2个神经元,隐藏层有45个神经元,输出层有2个神经元;
S2、输入层与隐藏层之间利用sigmoid函数作为激活函数,即
f(y)=1/(1+exp(-1*x));
其中,f(y)是隐藏层的输出,x是输入与权值之间的向量积;隐藏层与输出层之间利用pureline函数作为激活函数,即隐藏层输出与隐藏层与输出层之间的向量积既是最终的输出;
S3、分别在未畸变图像a和畸变图像b中选取相对应的控制点作为神经网络的训练样本,控制点的选取是通过matlab的内部函数cpselect进行逐点选取的;
S4、利用训练样本训练神经网络,当迭代次数达到预设值或者误差值小于给定阈值时,停止训练,并把此时神经网络的权值保存到txt文本中;
S5、构造一个与原图像大小相同的恢复图像,把恢复图像中任一点的坐标(x,y)作为神经网络的输入,得到的输出点(xd,yd)在畸变图像中利用双线性插值法确定其像素值,也即为恢复图像中该点的像素值;
S6、对恢复图像中的每一个点都进行步骤S5的操作。
一种基于BP神经网络的图像几何畸变的快速识别与校正方法,通过训练BP神经网络学习得到畸变图像与原图像之间的映射关系,以权值的形式保存在神经网络中,然后构建与原图大小相同的恢复图像,并把恢复图像中的坐标点作为神经网络的输入,得到畸变后的输出,并在畸变图像中利用双线性插值法确定像素值。
作为本发明的一种优选方案,所述方法包括:
步骤一、搭建三层BP神经网络,其中输入层有i个神经元,隐藏层有j个神经元,输出层有k个神经元;
步骤二、分别在未畸变图像a和畸变图像b中选取相对应的控制点作为神经网络的训练样本;
步骤三、利用训练样本训练神经网络,当迭代次数达到预设值或者误差值小于给定阈值时,停止训练,并把此时神经网络的权值保存到txt文本中;
步骤四、构造一个与原图像大小相同的恢复图像,把恢复图像中任一点的坐标(x,y)作为神经网络的输入,得到的输出点(xd,yd)在畸变图像中利用双线性插值法确定其像素值,也即为恢复图像中该点的像素值;
步骤五、对恢复图像中的每一个点都进行步骤四的操作。
作为本发明的一种优选方案,所述步骤一中,i=2,j=45,k=2。
作为本发明的一种优选方案,所述方法具体包括如下步骤:
S1、搭建三层BP神经网络,其中输入层有i个神经元,隐藏层有j个神经元,输出层有k个神经元;
S2、输入层与隐藏层之间利用sigmoid函数作为激活函数,即
f(y)=1/(1+exp(-1*x));
其中,f(y)是隐藏层的输出,x是输入与权值之间的向量积;隐藏层与输出层之间利用pureline函数作为激活函数,即隐藏层输出与隐藏层与输出层之间的向量积既是最终的输出;
S3、分别在未畸变图像a和畸变图像b中选取相对应的控制点作为神经网络的训练样本,控制点的选取是通过matlab的内部函数cpselect进行逐点选取的;
S4、利用训练样本训练神经网络,当迭代次数达到预设值或者误差值小于给定阈值时,停止训练,并把此时神经网络的权值保存到txt文本中;
S5、构造一个与原图像大小相同的恢复图像,把恢复图像中任一点的坐标(x,y)作为神经网络的输入,得到的输出点(xd,yd)在畸变图像中利用双线性插值法确定其像素值,也即为恢复图像中该点的像素值;
S6、对恢复图像中的每一个点都进行步骤S5的操作。
作为本发明的一种优选方案,所述步骤S1中,i=2,j=45,k=2。
作为本发明的一种优选方案,步骤S1、搭建三层BP神经网络,其中输入层有i个神经元,隐藏层有j个神经元,输出层有k个神经元;输入层与隐藏层之间设定激活函数;
步骤S2、从未畸变图像和畸变图像中选取控制点,生成训练样本;
步骤S3、训练神经网络,学习到的畸变模式以权值形式保存在网络中;
步骤S4、构造与图像大小相同的恢复图像,恢复图像中的坐标点作为神经网络的输入;
步骤S5、在畸变图像中找到神经网络输出最接近的点,利用双线性插值法确定其像素值,即为神经网络输入点的像素值;
步骤S6、判断恢复图像中是否还有坐标点未输入神经网络,若是转至步骤S5,否则结束。
作为本发明的一种优选方案,步骤S1、搭建三层BP神经网络,其中输入层有i个神经元,隐藏层有j个神经元,输出层有k个神经元;输入层与隐藏层之间设定激活函数;
步骤S2、利用cpselect函数从未畸变图像和畸变图像中选取控制点,生成训练样本;
步骤S3、训练神经网络,学习到的畸变模式以权值形式保存在网络中;
步骤S4、构造与图像大小相同的恢复图像,恢复图像中的坐标点作为神经网络的输入;
步骤S5、在畸变图像中找到神经网络输出最接近的点,利用双线性插值法确定其像素值,即为神经网络输入点的像素值;
步骤S6、判断恢复图像中是否还有坐标点未输入神经网络,若是转至步骤S5,否则结束。
作为本发明的一种优选方案,神经元之间权值调整的方向是负梯度方向。
本发明的有益效果在于:本发明提出的基于BP神经网络的图像几何畸变的快速识别与校正方法,利用BP神经网络可以直接从畸变图像中学习得到确定的畸变方式,要比用畸变模板得到的准确得多。
附图说明
图1为本发明方法的流程图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
实施例一
请参阅图1,本发明揭示了一种基于BP神经网络的图像几何畸变的快速识别与校正方法,其特征在于,通过训练BP神经网络学习得到畸变图像与原图像之间的映射关系,以权值的形式保存在神经网络中,然后构建与原图大小相同的恢复图像,并把恢复图像中的坐标点作为神经网络的输入,得到畸变后的输出,并在畸变图像中利用双线性插值法确定像素值。
所述方法具体包括如下步骤:
【步骤S1】搭建三层BP神经网络,其中输入层有2个神经元,隐藏层有45个神经元,输出层有2个神经元;
【步骤S2】输入层与隐藏层之间利用sigmoid函数作为激活函数,即
f(y)=1/(1+exp(-1*x));
其中f(y)是隐藏层的输出,x是输入与权值之间的向量积,隐藏层与输出层之间利用pureline函数作为激活函数,即隐藏层输出与隐藏层与输出层之间的向量积既是最终的输出;
【步骤S3】分别在未畸变图像a和畸变图像b中选取相对应的控制点作为神经网络的训练样本,控制点的选取是通过matlab的内部函数cpselect进行逐点选取的;
【步骤S4】利用训练样本训练神经网络,当迭代次数达到预设值或者误差值小于给定阈值时,停止训练,并把此时神经网络的权值保存到txt文本中;
【步骤S5】构造一个与原图像大小相同的恢复图像,把恢复图像中任一点的坐标(x,y)作为神经网络的输入,得到的输出点(xd,yd)在畸变图像中利用双线性插值法确定其像素值,也即为恢复图像中该点的像素值;
【步骤S6】对恢复图像中的每一个点都进行步骤S5的操作。
实施例二
本发明揭示一种基于BP神经网络的图像几何畸变的快速识别与校正方法,通过训练BP神经网络学习得到畸变图像与原图像之间的映射关系,以权值的形式保存在神经网络中,然后构建与原图大小相同的恢复图像,并把恢复图像中的坐标点作为神经网络的输入,得到畸变后的输出,并在畸变图像中利用双线性插值法确定像素值。所述方法包括:
步骤一、搭建三层BP神经网络,其中输入层有i个神经元,隐藏层有j个神经元,输出层有k个神经元;
步骤二、分别在未畸变图像a和畸变图像b中选取相对应的控制点作为神经网络的训练样本;
步骤三、利用训练样本训练神经网络,当迭代次数达到预设值或者误差值小于给定阈值时,停止训练,并把此时神经网络的权值保存到txt文本中;
步骤四、构造一个与原图像大小相同的恢复图像,把恢复图像中任一点的坐标(x,y)作为神经网络的输入,得到的输出点(xd,yd)在畸变图像中利用双线性插值法确定其像素值,也即为恢复图像中该点的像素值;
步骤五、对恢复图像中的每一个点都进行步骤四的操作。
综上所述,本发明提出的基于BP神经网络的图像几何畸变的快速识别与校正方法,利用BP神经网络可以直接从畸变图像中学习得到确定的畸变方式,要比用畸变模板得到的准确得多。
这里本发明的描述和应用是说明性的,并非想将本发明的范围限制在上述实施例中。这里所披露的实施例的变形和改变是可能的,对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是,在不脱离本发明的精神或本质特征的情况下,本发明可以以其它形式、结构、布置、比例,以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下,可以对这里所披露的实施例进行其它变形和改变。
Claims (8)
1.一种基于BP神经网络的图像几何畸变的快速识别与校正方法,其特征在于,通过训练BP神经网络学习得到畸变图像与原图像之间的映射关系,以权值的形式保存在神经网络中,然后构建与原图大小相同的恢复图像,并把恢复图像中的坐标点作为神经网络的输入,得到畸变后的输出,并在畸变图像中利用双线性插值法确定像素值;所述方法具体包括如下步骤:
S1、搭建三层BP神经网络,其中输入层有2个神经元,隐藏层有45个神经元,输出层有2个神经元;
S2、输入层与隐藏层之间利用sigmoid函数作为激活函数,即
f(y)=1/(1+exp(-1*x));
其中,f(y)是隐藏层的输出,x是输入与权值之间的向量积;隐藏层与输出层之间利用pureline函数作为激活函数,即隐藏层输出与隐藏层与输出层之间的向量积既是最终的输出;
S3、分别在未畸变图像a和畸变图像b中选取相对应的控制点作为神经网络的训练样本,控制点的选取是通过matlab的内部函数cpselect进行逐点选取的;
S4、利用训练样本训练神经网络,当迭代次数达到预设值或者误差值小于给定阈值时,停止训练,并把此时神经网络的权值保存到txt文本中;
S5、构造一个与原图像大小相同的恢复图像,把恢复图像中任一点的坐标(x,y)作为神经网络的输入,得到的输出点(xd,yd)在畸变图像中利用双线性插值法确定其像素值,也即为恢复图像中该点的像素值;
S6、对恢复图像中的每一个点都进行步骤S5的操作。
2.一种基于BP神经网络的图像几何畸变的快速识别与校正方法,其特征在于,通过训练BP神经网络学习得到畸变图像与原图像之间的映射关系,以权值的形式保存在神经网络中,然后构建与原图大小相同的恢复图像,并把恢复图像中的坐标点作为神经网络的输入,得到畸变后的输出,并在畸变图像中利用双线性插值法确定像素值。
3.根据权利要求2所述的基于BP神经网络的图像几何畸变的快速识别与校正方法,其特征在于:
所述方法包括:
步骤一、搭建三层BP神经网络,其中输入层有i个神经元,隐藏层有j个神经元,输出层有k个神经元;
步骤二、分别在未畸变图像a和畸变图像b中选取相对应的控制点作为神经网络的训练样本;
步骤三、利用训练样本训练神经网络,当迭代次数达到预设值或者误差值小于给定阈值时,停止训练,并把此时神经网络的权值保存到txt文本中;
步骤四、构造一个与原图像大小相同的恢复图像,把恢复图像中任一点的坐标(x,y)作为神经网络的输入,得到的输出点(xd,yd)在畸变图像中利用双线性插值法确定其像素值,也即为恢复图像中该点的像素值;
步骤五、对恢复图像中的每一个点都进行步骤四的操作。
4.根据权利要求3所述的基于BP神经网络的图像几何畸变的快速识别与校正方法,其特征在于:
所述步骤一中,i=2,j=45,k=2。
5.根据权利要求2所述的基于BP神经网络的图像几何畸变的快速识别与校正方法,其特征在于:
所述方法具体包括如下步骤:
S1、搭建三层BP神经网络,其中输入层有i个神经元,隐藏层有j个神经元,输出层有k个神经元;
S2、输入层与隐藏层之间利用sigmoid函数作为激活函数,即
f(y)=1/(1+exp(-1*x));
其中,f(y)是隐藏层的输出,x是输入与权值之间的向量积;隐藏层与输出层之间利用pureline函数作为激活函数,即隐藏层输出与隐藏层与输出层之间的向量积既是最终的输出;
S3、分别在未畸变图像a和畸变图像b中选取相对应的控制点作为神经网络的训练样本,控制点的选取是通过matlab的内部函数cpselect进行逐点选取的;
S4、利用训练样本训练神经网络,当迭代次数达到预设值或者误差值小于给定阈值时,停止训练,并把此时神经网络的权值保存到txt文本中;
S5、构造一个与原图像大小相同的恢复图像,把恢复图像中任一点的坐标(x,y)作为神经网络的输入,得到的输出点(xd,yd)在畸变图像中利用双线性插值法确定其像素值,也即为恢复图像中该点的像素值;
S6、对恢复图像中的每一个点都进行步骤S5的操作。
6.根据权利要求2所述的基于BP神经网络的图像几何畸变的快速识别与校正方法,其特征在于:
步骤S1、搭建三层BP神经网络,其中输入层有i个神经元,隐藏层有j个神经元,输出层有k个神经元;输入层与隐藏层之间设定激活函数;
步骤S2、从未畸变图像和畸变图像中选取控制点,生成训练样本;
步骤S3、训练神经网络,学习到的畸变模式以权值形式保存在网络中;
步骤S4、构造与图像大小相同的恢复图像,恢复图像中的坐标点作为神经网络的输入;
步骤S5、在畸变图像中找到神经网络输出最接近的点,利用双线性插值法确定其像素值,即为神经网络输入点的像素值;
步骤S6、判断恢复图像中是否还有坐标点未输入神经网络,若是转至步骤S5,否则结束。
7.根据权利要求2所述的基于BP神经网络的图像几何畸变的快速识别与校正方法,其特征在于:
步骤S1、搭建三层BP神经网络,其中输入层有i个神经元,隐藏层有j个神经元,输出层有k个神经元;输入层与隐藏层之间设定激活函数;
步骤S2、利用cpselect函数从未畸变图像和畸变图像中选取控制点,生成训练样本;
步骤S3、训练神经网络,学习到的畸变模式以权值形式保存在网络中;
步骤S4、构造与图像大小相同的恢复图像,恢复图像中的坐标点作为神经网络的输入;
步骤S5、在畸变图像中找到神经网络输出最接近的点,利用双线性插值法确定其像素值,即为神经网络输入点的像素值;
步骤S6、判断恢复图像中是否还有坐标点未输入神经网络,若是转至步骤S5,否则结束。
8.根据权利要求2所述的基于BP神经网络的图像几何畸变的快速识别与校正方法,其特征在于:
神经元之间权值调整的方向是负梯度方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710780084.9A CN107610062A (zh) | 2017-09-01 | 2017-09-01 | 基于bp神经网络的图像几何畸变的快速识别与校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710780084.9A CN107610062A (zh) | 2017-09-01 | 2017-09-01 | 基于bp神经网络的图像几何畸变的快速识别与校正方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107610062A true CN107610062A (zh) | 2018-01-19 |
Family
ID=61056009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710780084.9A Pending CN107610062A (zh) | 2017-09-01 | 2017-09-01 | 基于bp神经网络的图像几何畸变的快速识别与校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107610062A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109731171A (zh) * | 2019-01-11 | 2019-05-10 | 王伟 | 医疗场所安全防护系统 |
CN110334657A (zh) * | 2019-07-08 | 2019-10-15 | 创新奇智(北京)科技有限公司 | 一种鱼眼畸变图像的训练样本生成方法、系统及电子设备 |
CN111242866A (zh) * | 2020-01-13 | 2020-06-05 | 重庆邮电大学 | 观测者动态眼位条件下ar-hud虚像畸变校正的神经网络插值方法 |
CN114372939A (zh) * | 2022-03-22 | 2022-04-19 | 成都理工大学 | 一种用于全景摄像的图像畸变校正方法 |
CN116152106A (zh) * | 2023-02-23 | 2023-05-23 | 朱林清 | 基于深度神经网络的数据鉴定系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208025A (zh) * | 2011-05-27 | 2011-10-05 | 中国科学院自动化研究所 | 一种文本图像几何畸变的矫正方法 |
CN102930515A (zh) * | 2012-10-24 | 2013-02-13 | 苏州两江科技有限公司 | 数字图像的几何畸变自动校正方法 |
US20140010479A1 (en) * | 2012-07-09 | 2014-01-09 | Samsung Electro-Mechanics Co., Ltd. | Bilinear interpolation circuit for image and method thereof |
-
2017
- 2017-09-01 CN CN201710780084.9A patent/CN107610062A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208025A (zh) * | 2011-05-27 | 2011-10-05 | 中国科学院自动化研究所 | 一种文本图像几何畸变的矫正方法 |
US20140010479A1 (en) * | 2012-07-09 | 2014-01-09 | Samsung Electro-Mechanics Co., Ltd. | Bilinear interpolation circuit for image and method thereof |
CN102930515A (zh) * | 2012-10-24 | 2013-02-13 | 苏州两江科技有限公司 | 数字图像的几何畸变自动校正方法 |
Non-Patent Citations (2)
Title |
---|
王红平 等: "基于BP网络的图像畸变校正技术研究", 《长春理工大学学报(自然科学版)》 * |
陆懿 等: "基于神经网络的数字图像几何畸变矫正方法", 《计算机工程与设计》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109731171A (zh) * | 2019-01-11 | 2019-05-10 | 王伟 | 医疗场所安全防护系统 |
CN109731171B (zh) * | 2019-01-11 | 2021-04-13 | 宋小梅 | 医疗场所安全防护系统 |
CN110334657A (zh) * | 2019-07-08 | 2019-10-15 | 创新奇智(北京)科技有限公司 | 一种鱼眼畸变图像的训练样本生成方法、系统及电子设备 |
CN111242866A (zh) * | 2020-01-13 | 2020-06-05 | 重庆邮电大学 | 观测者动态眼位条件下ar-hud虚像畸变校正的神经网络插值方法 |
CN111242866B (zh) * | 2020-01-13 | 2023-06-16 | 重庆邮电大学 | 观测者动态眼位条件下ar-hud虚像畸变校正的神经网络插值方法 |
CN114372939A (zh) * | 2022-03-22 | 2022-04-19 | 成都理工大学 | 一种用于全景摄像的图像畸变校正方法 |
CN116152106A (zh) * | 2023-02-23 | 2023-05-23 | 朱林清 | 基于深度神经网络的数据鉴定系统 |
CN116152106B (zh) * | 2023-02-23 | 2024-06-04 | 山东创恩信息科技股份有限公司 | 基于深度神经网络的数据鉴定系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107610062A (zh) | 基于bp神经网络的图像几何畸变的快速识别与校正方法 | |
CN107180430A (zh) | 一种适用于语义分割的深度学习网络构建方法及系统 | |
CN107862261A (zh) | 基于多尺度卷积神经网络的图像人群计数方法 | |
CN105069413B (zh) | 一种基于深度卷积神经网络的人体姿势识别方法 | |
CN108549876A (zh) | 基于目标检测和人体姿态估计的坐姿检测方法 | |
CN103824050B (zh) | 一种基于级联回归的人脸关键点定位方法 | |
CN108985269A (zh) | 基于卷积和空洞卷积结构的融合网络驾驶环境感知模型 | |
CN105447473A (zh) | 一种基于PCANet-CNN的任意姿态人脸表情识别方法 | |
CN107633511A (zh) | 一种基于自编码神经网络的风机视觉检测系统 | |
CN107506722A (zh) | 一种基于深度稀疏卷积神经网络人脸情感识别方法 | |
CN107886069A (zh) | 一种多目标人体2d姿态实时检测系统及检测方法 | |
CN106097322A (zh) | 一种基于神经网络的视觉系统标定方法 | |
CN108345887A (zh) | 图像语义分割模型的训练方法及图像语义分割方法 | |
CN106408595A (zh) | 一种基于神经网络画风学习的图像渲染方法 | |
CN107150347A (zh) | 基于人机协作的机器人感知与理解方法 | |
CN110738161A (zh) | 一种基于改进生成式对抗网络的人脸图像矫正方法 | |
CN110796018A (zh) | 一种基于深度图像和彩色图像的手部运动识别方法 | |
CN111028319A (zh) | 一种基于面部运动单元的三维非真实感表情生成方法 | |
CN114757904A (zh) | 一种基于ai深度学习算法的表面缺陷检测方法 | |
CN109636764A (zh) | 一种基于深度学习与显著性检测的图像风格转移方法 | |
CN109766790A (zh) | 一种基于自适应特征通道的行人检测方法 | |
CN113553437A (zh) | 基于多尺度空洞卷积的时间知识图谱补全方法 | |
CN116524062A (zh) | 一种基于扩散模型的2d人体姿态估计方法 | |
CN109947948A (zh) | 一种基于张量的知识图谱表示学习方法及系统 | |
CN113534678B (zh) | 一种操作问答任务的仿真到物理系统的迁移方法 |
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: 20180119 |
|
RJ01 | Rejection of invention patent application after publication |