CN107633258A - 一种基于前馈特征提取的深度学习识别系统及方法 - Google Patents
一种基于前馈特征提取的深度学习识别系统及方法 Download PDFInfo
- Publication number
- CN107633258A CN107633258A CN201710719610.0A CN201710719610A CN107633258A CN 107633258 A CN107633258 A CN 107633258A CN 201710719610 A CN201710719610 A CN 201710719610A CN 107633258 A CN107633258 A CN 107633258A
- Authority
- CN
- China
- Prior art keywords
- feature
- level
- deep learning
- fusion
- low
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于前馈特征提取的深度学习识别系统及方法，属于计算机视觉技术领域。本发明反复进行特征前馈，直到识别目标物，经过不断前馈后，高层特征层融合了低层特征的信息，尤其是微小目标物在低层的特征信息，经过前馈的深度学习网络，小目标的特征激活更加灵敏，可以快速、准确的识别目标物，解决了上述难点，对微小目标物的识别速度和精度有巨大提高。
Description
技术领域
本发明涉及一种基于前馈特征提取的深度学习识别系统及方法，属于计算机视觉技术领域，所述的微小目标是指图像尺寸小于150*150的目标物。
背景技术
在视觉识别技术中，深度学习识别技术的应用越来越广泛，从人脸识别到物体识别，精度越来越高，速度悦来越快，大部分应用场合下，已经超过了人类的识别速度和精度。深度学习技术应在工业领域，是一个创新型的用法，能够解决自动控制领域解决不了的难题。
然而微小物体的目标识别，目前深度学习还存以下难点：1.微小目标的体积小，在特征提取时，会被上层特征掩盖。2.微小目标的数量多，通常一个视野中存在多个微小目标，特征提取层难以激活全部微小目标的节点，导致深度学习模型并不能全部识别出。3.微小目标的高层特征通常差别小，通常只能识别到宏观类别，难以具体区分子类别。
发明内容
本发明的技术解决问题是：克服现有技术的不足，提出一种基于前馈特征提取的深度学习识别系统及方法。
本发明的技术解决方案是：
一种基于前馈特征提取的深度学习识别系统，该系统包括深度学习网络模块、第一特征融合模块、第二特征融合模块和分类模块；
所述的深度学习网络模块用于提取目标物的低层特征、中层特征、高层特征和更高层特征；
所述的第一特征融合模块用于对目标物的低层特征和目标物的中层特征进行融合，得到融合特征A；
所述的第二特征融合模块用于对融合特征A和目标物的高层特征进行融合，得到融合特征B；
所述的分类模块用于输出目标物的位置信息和概率信息；并根据目标物的更高层特征对目标物进行分类。
所述目标物的低层特征是指目标物直线形状或圆弧形状、局部纹理特征和图像整体梯度；所述的局部纹理特征是指目标物的局部边缘界限、边缘长度、亮度；
所述的目标物的中层特征是指目标物的带角度信息的形状、整体纹理特征、目标物局部梯度、角点；所述的整体纹理特征是指目标物整体边缘界限、整体边缘尺寸；所述角点是指目标物局部特征点；
所述的目标物的高层特征是指目标物的局部信息，局部信息包括局部的形状、局部尺寸、局部颜色线条；
所述的更高层特征是指目标物的整体信息，包括整体的形状、整体的尺寸、整体颜色线条。
所述的深度学习网络模块提取目标物的低层特征的方法为：首先对包含目标物的图像进行卷积，然后对卷积结果进行池化，最后对池化结果进行激活；
所述的深度学习网络模块提取目标物的中层特征的方法为：首先对提取的低层特征进行卷积，然后对卷积结果进行池化，最后对池化结果进行激活；
所述的深度学习网络模块提取目标物的高层特征的方法为：首先对融合特征A进行卷积，然后对卷积结果进行池化，最后对池化结果进行激活；
所述的深度学习网络模块提取目标物的更高层特征的方法为：首先对融合特征B进行卷积，然后对卷积结果进行池化，最后对池化结果进行激活。
所述的第一特征融合模块对目标物的低层特征和目标物的中层特征进行融合的方法为：首先将低层特征在深度学习网络模块中进行前馈，然后将低层特征的尺寸进行调整，使低层特征的尺寸和中层特征的尺寸相同，然后将低层特征和中层特征进行连接，得到融合特征A。
所述的第二特征融合模块对融合特征A和目标物的高层特征进行融合的方法为：首先将融合特征A在深度学习网络模块中进行前馈，然后将融合特征A的尺寸进行调整，使融合特征A的尺寸和高层特征的尺寸相同，然后将融合特征A和高层特征进行连接，得到融合特征B。
一种基于前馈特征提取的深度学习识别方法，该方法的步骤包括：
(1)将包含目标物的图像进入到深度学习网络中；
(2)使用深度学习网络模块提取目标物的低层特征；
(3)在步骤(2)得到的低层特征的基础上使用深度学习网络模块提取目标物的中层特征；
(4)将步骤(2)提取的目标物的低层特征和步骤(3)提取的目标物的中层特征使用第一特征融合模块进行特征融合，得到融合特征A；
(5)在步骤(4)得到的融合特征A的基础上使用深度学习网络模块提取目标物的高层特征；
(6)将步骤(4)得到的融合特征A和步骤(5)提取的目标物的高层特征使用第二特征融合模块进行特征融合，得到融合特征B；
(7)在步骤(6)得到的融合特征B的基础上使用深度学习网络模块进一步提取目标物的更高层特征；
(8)根据步骤(7)得到的更高层特征使用分类模块对目标物进行分类，并输出目标物的位置信息和概率信息，得到目标物在图像中的位置和置信度。
所述的步骤(2)中，目标物的低层特征是指目标物形状、纹理特征、梯度；所述的形状是指目标物为直线形状或圆弧形状；所述的纹理特征是指目标物的局部边缘界限、边缘长度、亮度；所述梯度是图像整体梯度；
使用深度学习网络模块提取目标物的低层特征的方法为：首先对包含目标物的图像进行卷积，然后对卷积结果进行池化，最后对池化结果进行激活。
所述的步骤(3)中，目标物的中层特征是指目标物的形状、纹理特征、梯度、角点；所述的形状是指带角度信息的形状；所述的纹理特征是指整体边缘界限、整体边缘尺寸；所述梯度是目标物局部梯度，所述角点是目标物局部特征点；
使用深度学习网络模块提取目标物的中层特征的方法为：首先对低层特征进行卷积，然后对卷积结果进行池化，最后对池化结果进行激活。
所述步骤(4)中，对低层特征和中层特征进行特征融合的方法为：首先将低层特征在深度学习网络中进行前馈，然后将低层特征的尺寸进行调整，使低层特征的尺寸和中层特征的尺寸相同，然后将低层特征和中层特征进行连接后，得到融合特征A；
所述步骤(5)中，所述高层特征是指目标物的局部信息，局部信息包括局部的形状、局部尺寸、局部颜色线条；
使用深度学习网络提取目标物的高层特征的方法为：首先对融合特征A进行卷积，然后对卷积结果进行池化，最后对池化结果进行激活。
所述步骤(6)中，对融合特征A和高层特征进行特征融合的方法为：首先将融合特征A在深度学习网络中进行前馈，然后将融合特征A的尺寸进行调整，使融合特征A的尺寸和高层特征的尺寸相同，然后将融合特征A和高层特征进行连接后，得到融合特征B；
所述步骤(7)中，更高层特征是指目标物的整体信息，包括整体的形状、整体的尺寸、整体颜色线条；
使用深度学习网络提取目标物的更高层特征的方法为：首先对融合特征B进行卷积，然后对卷积结果进行池化，最后对池化结果进行激活。
有益效果
(1)本发明基于前馈特征的深度学习网络是将网络的低层特征前馈到高层特征，进行特征融合后，再传入下一级的特征提取，这样低层特征并没有在计算中层特征后被弃用，始终将保留低层特征在深度学习网络中。
(2)本发明中的低层特征前馈后和中层特征进行特征融合，融合特征保留了低层特征的目标物的尺寸信息，在计算最终的目标物位置时，提高了计算精度。
(3)本发明的深度学习网络中的前馈和特征融合，使深度学习网络表达了目标物的低层颜色、形状、纹理信息，在细分类别时准确率更高。
(4)本发明由于深度学习网络中的特征前馈、特征融合计算速度快，整个深度学习网络的识别速度快，能高速的识别出目标物，做到实时识别。
(5)本发明反复进行特征前馈，直到识别目标物，经过不断前馈后，高层特征层融合了低层特征的信息，尤其是微小目标物在低层的特征信息，经过前馈的深度学习网络，小目标的特征激活更加灵敏，可以快速、准确的识别目标物，解决了上述难点，对微小目标物的识别速度和精度有巨大提高。
附图说明
图1为本发明的方法过程示意图；
图2为本发明的方法流程示意图。
具体实施方式
一种基于前馈特征提取的深度学习识别系统，该系统包括深度学习网络模块、第一特征融合模块、第二特征融合模块和分类模块；
所述的深度学习网络模块用于提取目标物的低层特征、中层特征、高层特征和更高层特征；
所述的第一特征融合模块用于对目标物的低层特征和目标物的中层特征进行融合，得到融合特征A；
所述的第二特征融合模块用于对融合特征A和目标物的高层特征进行融合，得到融合特征B；
所述的分类模块根据目标物的更高层特征对目标物进行分类。
一种基于前馈特征提取的深度学习识别方法，该方法的步骤包括：
(1)将包含目标物的图像进入到深度学习网络中；
(2)使用深度学习网络提取目标物的低层特征；
(3)在步骤(2)得到的低层特征的基础上使用深度学习网络提取目标物的中层特征；
(4)将步骤(2)提取的目标物的低层特征和步骤(3)提取的目标物的中层特征进行特征融合，得到融合特征A；
(5)在步骤(4)得到的融合特征A的基础上使用深度学习网络提取目标物的高层特征；
(6)将步骤(4)得到的融合特征A和步骤(5)提取的目标物的高层特征进行特征融合，得到融合特征B；
(7)在步骤(6)得到的融合特征B的基础上使用深度学习网络进一步提取目标物的更高层特征；
(8)根据步骤(7)得到的更高层特征对目标物进行分类，得到目标物在图像中的位置和置信度。
可以循环上述的步骤(2)-(7)即依次提取低层特征、中层特征、高层特征和更高层特征，该循环次数为3-4次，并将得到的更高层的特征进行输出，并对输出结果进行分类，得到目标物在图像中的位置和置信度；
还可以循环步骤(4)-(7)，3-4次，然后将得到的更高层的特征进行输出，并对输出结果进行分类，得到目标物在图像中的位置和置信度。
所述的步骤(2)中，目标物的低层特征是指目标物形状、纹理特征、梯度；所述的形状是指目标物为直线形状或圆弧形状；所述的纹理特征是指目标物的局部边缘界限、边缘长度、亮度；所述梯度是图像整体梯度。
使用深度学习网络提取目标物的低层特征的方法为：首先对包含目标物的图像进行卷积，然后对卷积结果进行池化，最后对池化结果进行激活；
所述的步骤(3)中，目标物的中层特征是指目标物的形状、纹理特征、梯度、角点；所述的形状是指带角度信息的形状；所述的纹理特征是指整体边缘界限、整体边缘尺寸。所述梯度是目标物局部梯度，所述角点是目标物局部特征点。
使用深度学习网络提取目标物的中层特征的方法为：首先对低层特征进行卷积，然后对卷积结果进行池化，最后对池化结果进行激活；
所述步骤(4)中，对低层特征和中层特征进行特征融合的方法为：首先将低层特征在深度学习网络中进行前馈，然后将低层特征的尺寸进行调整，使低层特征的尺寸和中层特征的尺寸相同，然后将低层特征和中层特征进行连接后，得到融合特征A；
所述步骤(5)中，所述高层特征是指目标物的局部信息，局部信息包括局部的形状、局部尺寸、局部颜色线条；
使用深度学习网络提取目标物的高层特征的方法为：首先对融合特征A进行卷积，然后对卷积结果进行池化，最后对池化结果进行激活；
所述步骤(6)中，对融合特征A和高层特征进行特征融合的方法为：首先将融合特征A在深度学习网络中进行前馈，然后将融合特征A的尺寸进行调整，使融合特征A的尺寸和高层特征的尺寸相同，然后将融合特征A和高层特征进行连接后，得到融合特征B；
所述步骤(7)中，更高层特征是指目标物的整体信息，包括整体的形状、整体的尺寸、整体颜色线条；
使用深度学习网络提取目标物的更高层特征的方法为：首先对融合特征B进行卷积，然后对卷积结果进行池化，最后对池化结果进行激活。
下面结合附图和实施例对本发明作进一步说明。
实施例
在用本发明的基于前馈特征提取的深度学习识别系统及方法来识别生产线上的瓶子，瓶子通过传送带输送到识别工位上，工位上有摄像机实时拍摄传送带上的瓶子，然后通过本发明所述的方法识别出瓶子和瓶子的位置。实施的步骤包括：
(1)将摄像机拍摄的传送带上包含瓶子的图像进入到深度学习网络中；
(2)使用深度学习网络提取瓶子的低层特征，首先对包含瓶子的图像进行卷积，然后对卷积结果进行池化，最后对池化结果进行激活，得到瓶子的低层特征；低层特征包括瓶子边缘的直线特征、瓶子的基础颜色特征、瓶子的局部边缘界限、边缘长度、瓶子的亮度。
(3)在步骤(2)得到的瓶子低层特征的基础上使用深度学习网络提取瓶子的中层特征，首先对瓶子的低层特征进行卷积，然后对卷积结果进行池化，最后对池化结果进行激活，得到瓶子的中层特征；瓶子的中层特征包括瓶子的整体边缘、瓶子角部的形状、瓶子局部的纹理。
(4)将步骤(2)提取的瓶子的低层特征和步骤(3)提取的目标物的中层特征进行特征融合，首先将低层特征在深度学习网络中进行前馈，然后将低层特征的尺寸进行调整，使低层特征的尺寸和中层特征的尺寸相同，然后将低层特征和中层特征进行连接，得到融合特征A；
低层特征和高层特征各包括128个特征层，将两个层前后连接得到融合特征，包含256个特征层；
(5)在步骤(4)得到的融合特征A的基础上使用深度学习网络提取目标物的高层特征，高层特征包括瓶口的形状、瓶身的形状、瓶子的局部尺寸。
(6)将步骤(4)得到的特征融合结果和步骤(5)提取的目标物的高层特征再进行特征融合，首先将融合特征A在深度学习网络中进行前馈，然后将融合特征A的尺寸进行调整，使融合特征A的尺寸和高层特征的尺寸相同，然后将融合特征A和高层特征进行连接，得到融合特征B；
融合特征和高层特征各包括256个特征层，将两个层前后连接得到融合特征，包含512个特征层；
(7)在步骤(6)得到的融合特征B的基础上使用深度学习网络进一步提取瓶子的更高层特征，首先对融合特征B的图像进行卷积，然后对卷积结果进行池化，最后对池化结果进行激活，得到瓶子的更高层特征；更高层特征包括瓶子整体的尺寸、瓶子的角度，并使用分类模块得到瓶子在传送带上的位置信息、瓶子的概率信息。
(8)循环步骤(4)-步骤(7)，3-4次，将得到的更高层的特征进行输出，并对输出结果进行分类，得到瓶子在图像中的位置和置信度。
Claims (10)
1.一种基于前馈特征提取的深度学习识别系统，其特征在于：该系统包括深度学习网络模块、第一特征融合模块、第二特征融合模块和分类模块；
所述的深度学习网络模块用于提取目标物的低层特征、中层特征、高层特征和更高层特征；
所述的第一特征融合模块用于对目标物的低层特征和目标物的中层特征进行融合，得到融合特征A；
所述的第二特征融合模块用于对融合特征A和目标物的高层特征进行融合，得到融合特征B；
所述的分类模块用于输出目标物的位置信息和概率信息；并根据目标物的更高层特征对目标物进行分类。
2.根据权利要求1所述的一种基于前馈特征提取的深度学习识别系统，其特征在于：
所述目标物的低层特征是指目标物直线形状或圆弧形状、局部纹理特征和图像整体梯度；所述的局部纹理特征是指目标物的局部边缘界限、边缘长度、亮度；
所述的目标物的中层特征是指目标物的带角度信息的形状、整体纹理特征、目标物局部梯度、角点；所述的整体纹理特征是指目标物整体边缘界限、整体边缘尺寸；所述角点是指目标物局部特征点；
所述的目标物的高层特征是指目标物的局部信息，局部信息包括局部的形状、局部尺寸、局部颜色线条；
所述的更高层特征是指目标物的整体信息，包括整体的形状、整体的尺寸、整体颜色线条。
3.根据权利要求1所述的一种基于前馈特征提取的深度学习识别系统，其特征在于：所述的深度学习网络模块提取目标物的低层特征的方法为：首先对包含目标物的图像进行卷积，然后对卷积结果进行池化，最后对池化结果进行激活；
所述的深度学习网络模块提取目标物的中层特征的方法为：首先对提取的低层特征进行卷积，然后对卷积结果进行池化，最后对池化结果进行激活；
所述的深度学习网络模块提取目标物的高层特征的方法为：首先对融合特征A进行卷积，然后对卷积结果进行池化，最后对池化结果进行激活；
所述的深度学习网络模块提取目标物的更高层特征的方法为：首先对融合特征B进行卷积，然后对卷积结果进行池化，最后对池化结果进行激活。
4.根据权利要求1所述的一种基于前馈特征提取的深度学习识别系统，其特征在于：所述的第一特征融合模块对目标物的低层特征和目标物的中层特征进行融合的方法为：首先将低层特征在深度学习网络模块中进行前馈，然后将低层特征的尺寸进行调整，使低层特征的尺寸和中层特征的尺寸相同，然后将低层特征和中层特征进行连接，得到融合特征A。
5.根据权利要求1所述的一种基于前馈特征提取的深度学习识别系统，其特征在于：所述的第二特征融合模块对融合特征A和目标物的高层特征进行融合的方法为：首先将融合特征A在深度学习网络模块中进行前馈，然后将融合特征A的尺寸进行调整，使融合特征A的尺寸和高层特征的尺寸相同，然后将融合特征A和高层特征进行连接，得到融合特征B。
6.一种基于前馈特征提取的深度学习识别方法，其特征在于该方法的步骤包括：
(1)将包含目标物的图像进入到深度学习网络中；
(2)使用深度学习网络模块提取目标物的低层特征；
(3)在步骤(2)得到的低层特征的基础上使用深度学习网络模块提取目标物的中层特征；
(4)将步骤(2)提取的目标物的低层特征和步骤(3)提取的目标物的中层特征使用第一特征融合模块进行特征融合，得到融合特征A；
(5)在步骤(4)得到的融合特征A的基础上使用深度学习网络模块提取目标物的高层特征；
(6)将步骤(4)得到的融合特征A和步骤(5)提取的目标物的高层特征使用第二特征融合模块进行特征融合，得到融合特征B；
(7)在步骤(6)得到的融合特征B的基础上使用深度学习网络模块进一步提取目标物的更高层特征；
(8)根据步骤(7)得到的更高层特征使用分类模块对目标物进行分类，并输出目标物的位置信息和概率信息，得到目标物在图像中的位置和置信度。
7.根据权利要求6所述的一种基于前馈特征提取的深度学习识别方法，其特征在于：所述的步骤(2)中，目标物的低层特征是指目标物形状、纹理特征、梯度；所述的形状是指目标物为直线形状或圆弧形状；所述的纹理特征是指目标物的局部边缘界限、边缘长度、亮度；所述梯度是图像整体梯度；
使用深度学习网络模块提取目标物的低层特征的方法为：首先对包含目标物的图像进行卷积，然后对卷积结果进行池化，最后对池化结果进行激活。
8.根据权利要求6所述的一种基于前馈特征提取的深度学习识别方法，其特征在于：所述的步骤(3)中，目标物的中层特征是指目标物的形状、纹理特征、梯度、角点；所述的形状是指带角度信息的形状；所述的纹理特征是指整体边缘界限、整体边缘尺寸；所述梯度是目标物局部梯度，所述角点是目标物局部特征点；
使用深度学习网络模块提取目标物的中层特征的方法为：首先对低层特征进行卷积，然后对卷积结果进行池化，最后对池化结果进行激活。
9.根据权利要求6所述的一种基于前馈特征提取的深度学习识别方法，其特征在于：所述步骤(4)中，对低层特征和中层特征进行特征融合的方法为：首先将低层特征在深度学习网络中进行前馈，然后将低层特征的尺寸进行调整，使低层特征的尺寸和中层特征的尺寸相同，然后将低层特征和中层特征进行连接后，得到融合特征A；
所述步骤(5)中，所述高层特征是指目标物的局部信息，局部信息包括局部的形状、局部尺寸、局部颜色线条；
使用深度学习网络提取目标物的高层特征的方法为：首先对融合特征A进行卷积，然后对卷积结果进行池化，最后对池化结果进行激活。
10.根据权利要求6所述的一种基于前馈特征提取的深度学习识别方法，其特征在于：所述步骤(6)中，对融合特征A和高层特征进行特征融合的方法为：首先将融合特征A在深度学习网络中进行前馈，然后将融合特征A的尺寸进行调整，使融合特征A的尺寸和高层特征的尺寸相同，然后将融合特征A和高层特征进行连接后，得到融合特征B；
所述步骤(7)中，更高层特征是指目标物的整体信息，包括整体的形状、整体的尺寸、整体颜色线条；
使用深度学习网络提取目标物的更高层特征的方法为：首先对融合特征B进行卷积，然后对卷积结果进行池化，最后对池化结果进行激活。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710719610.0A CN107633258B (zh) | 2017-08-21 | 2017-08-21 | 一种基于前馈特征提取的深度学习识别系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710719610.0A CN107633258B (zh) | 2017-08-21 | 2017-08-21 | 一种基于前馈特征提取的深度学习识别系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107633258A true CN107633258A (zh) | 2018-01-26 |
| CN107633258B CN107633258B (zh) | 2020-04-10 |
Family
ID=61100175
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710719610.0A Active CN107633258B (zh) | 2017-08-21 | 2017-08-21 | 一种基于前馈特征提取的深度学习识别系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107633258B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108960412A (zh) * | 2018-06-29 | 2018-12-07 | 北京京东尚科信息技术有限公司 | 图像识别方法、装置及计算机可读存储介质 |
| CN109447976A (zh) * | 2018-11-01 | 2019-03-08 | 电子科技大学 | 一种基于人工智能的医学图像分割方法及系统 |
| CN109472228A (zh) * | 2018-10-29 | 2019-03-15 | 上海交通大学 | 一种基于深度学习的哈欠检测方法 |
| CN110197473A (zh) * | 2018-02-27 | 2019-09-03 | 国科赛思(北京)科技有限公司 | 塑封器件真伪识别方法及装置 |
| CN111259908A (zh) * | 2020-03-24 | 2020-06-09 | 中冶赛迪重庆信息技术有限公司 | 基于机器视觉的钢卷号识别方法、系统、设备及存储介质 |
| CN114613058A (zh) * | 2022-03-25 | 2022-06-10 | 中国农业银行股份有限公司 | 一种具有考勤功能的门禁系统、考勤方法和相关装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103996198A (zh) * | 2014-06-04 | 2014-08-20 | 天津工业大学 | 复杂自然环境下感兴趣区域的检测方法 |
| CN105630897A (zh) * | 2015-12-18 | 2016-06-01 | 武汉大学 | 一种内容感知的地理视频多层次关联方法 |
| CN106372648A (zh) * | 2016-10-20 | 2017-02-01 | 中国海洋大学 | 基于多特征融合卷积神经网络的浮游生物图像分类方法 |
| CN106777349A (zh) * | 2017-01-16 | 2017-05-31 | 广东工业大学 | 基于深度学习的人脸检索系统及方法 |
| CN106970615A (zh) * | 2017-03-21 | 2017-07-21 | 西北工业大学 | 一种深度强化学习的实时在线路径规划方法 |
-
2017
- 2017-08-21 CN CN201710719610.0A patent/CN107633258B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103996198A (zh) * | 2014-06-04 | 2014-08-20 | 天津工业大学 | 复杂自然环境下感兴趣区域的检测方法 |
| CN105630897A (zh) * | 2015-12-18 | 2016-06-01 | 武汉大学 | 一种内容感知的地理视频多层次关联方法 |
| CN106372648A (zh) * | 2016-10-20 | 2017-02-01 | 中国海洋大学 | 基于多特征融合卷积神经网络的浮游生物图像分类方法 |
| CN106777349A (zh) * | 2017-01-16 | 2017-05-31 | 广东工业大学 | 基于深度学习的人脸检索系统及方法 |
| CN106970615A (zh) * | 2017-03-21 | 2017-07-21 | 西北工业大学 | 一种深度强化学习的实时在线路径规划方法 |
Non-Patent Citations (2)
| Title |
|---|
| TIANRONG RAO ET AL.: "Learning Multi-level Deep Representations for Image Emotion Classification", 《JOURNAL OF LATEX CLASS FILES》 * |
| 李新叶 等: "基于多尺度跃层卷积神经网络的精细车型识别", 《科学技术与工程》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110197473A (zh) * | 2018-02-27 | 2019-09-03 | 国科赛思(北京)科技有限公司 | 塑封器件真伪识别方法及装置 |
| CN110197473B (zh) * | 2018-02-27 | 2021-12-03 | 国科赛思(北京)科技有限公司 | 塑封器件真伪识别方法及装置 |
| CN108960412A (zh) * | 2018-06-29 | 2018-12-07 | 北京京东尚科信息技术有限公司 | 图像识别方法、装置及计算机可读存储介质 |
| CN109472228A (zh) * | 2018-10-29 | 2019-03-15 | 上海交通大学 | 一种基于深度学习的哈欠检测方法 |
| CN109447976A (zh) * | 2018-11-01 | 2019-03-08 | 电子科技大学 | 一种基于人工智能的医学图像分割方法及系统 |
| CN109447976B (zh) * | 2018-11-01 | 2020-07-07 | 电子科技大学 | 一种基于人工智能的医学图像分割方法及系统 |
| CN111259908A (zh) * | 2020-03-24 | 2020-06-09 | 中冶赛迪重庆信息技术有限公司 | 基于机器视觉的钢卷号识别方法、系统、设备及存储介质 |
| CN114613058A (zh) * | 2022-03-25 | 2022-06-10 | 中国农业银行股份有限公司 | 一种具有考勤功能的门禁系统、考勤方法和相关装置 |
| CN114613058B (zh) * | 2022-03-25 | 2024-06-11 | 中国农业银行股份有限公司 | 一种具有考勤功能的门禁系统、考勤方法和相关装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107633258B (zh) | 2020-04-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107633258A (zh) | 一种基于前馈特征提取的深度学习识别系统及方法 | |
| Zhang et al. | Ripple-GAN: Lane line detection with ripple lane line detection network and Wasserstein GAN | |
| CN108491880B (zh) | 基于神经网络的物体分类和位姿估计方法 | |
| CN107833213B (zh) | 一种基于伪真值自适应法的弱监督物体检测方法 | |
| CN111091091A (zh) | 目标对象重识别特征的提取方法、装置、设备及存储介质 | |
| CN106845487A (zh) | 一种端到端的车牌识别方法 | |
| CN108520516A (zh) | 一种基于语义分割的桥梁路面裂缝检测和分割方法 | |
| CN107944386B (zh) | 基于卷积神经网络的视觉场景识别方法 | |
| CN112560675B (zh) | Yolo与旋转-融合策略相结合的鸟类视觉目标检测方法 | |
| CN111199556A (zh) | 基于摄像头的室内行人检测和跟踪方法 | |
| Pang et al. | Fast and robust multi-view 3d object recognition in point clouds | |
| CN107527054B (zh) | 基于多视角融合的前景自动提取方法 | |
| CN112085024A (zh) | 一种罐表面字符识别方法 | |
| CN110032952B (zh) | 一种基于深度学习的道路边界点检测方法 | |
| CN107730553B (zh) | 一种基于伪真值搜寻法的弱监督物体检测方法 | |
| CN108921850B (zh) | 一种基于图像分割技术的图像局部特征的提取方法 | |
| CN106803084B (zh) | 一种基于端到端循环网络的面部特征点定位方法 | |
| CN108537816A (zh) | 一种基于超像素和背景连接先验的显著物体分割方法 | |
| CN112330718B (zh) | 一种基于cnn的三级信息融合视觉目标跟踪方法 | |
| CN108734172A (zh) | 基于直线边缘特征的目标识别方法、系统 | |
| CN114565675A (zh) | 一种在视觉slam前端去除动态特征点的方法 | |
| CN110222735A (zh) | 一种基于神经网络与背景建模的物品被盗遗留识别方法 | |
| CN113435542A (zh) | 一种基于深度学习的煤矸实时检测方法 | |
| Hao et al. | [Retracted] Fast Recognition Method for Multiple Apple Targets in Complex Occlusion Environment Based on Improved YOLOv5 | |
| CN114708475A (zh) | 一种用于3d场景理解的点云多模态特征融合网络方法 |
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 |