CN107797149A - 一种船舶分类方法及装置 - Google Patents
一种船舶分类方法及装置 Download PDFInfo
- Publication number
- CN107797149A CN107797149A CN201711106490.3A CN201711106490A CN107797149A CN 107797149 A CN107797149 A CN 107797149A CN 201711106490 A CN201711106490 A CN 201711106490A CN 107797149 A CN107797149 A CN 107797149A
- Authority
- CN
- China
- Prior art keywords
- dimension
- ship
- wave data
- neural network
- characteristic vector
- 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
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/08—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with magnetic or electric fields produced or modified by objects or geological structures or by detecting devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Abstract
本发明公开了一种船舶分类方法,通过获取磁感应船舶检测器采集待分类船只的离散的波形数据;将波形数据统一至预设维数的特征向量;根据预训练好的神经网络分类器,利用神经网络分类器的隐含层对应关系,将特征向量对应至相应输出层,以确定待分类船只的所属类别。该方法先利用磁感应船舶检测器采集船只波形数据,再利用训练好的神经网络分类器对波形数据进行分类,提高了船舶分类准确性和及时性,且利用磁感应船舶检测器来进一步保证远距离船舶分类准确性和及时性。本发明还公开了一种船舶分类装置,同样具有上述有益效果。
Description
技术领域
本发明涉及船舶分类技术领域,特别涉及一种船舶分类方法及装置。
背景技术
随着航运业的快速发展,船舶量也不断增加,为了保障航运交通安全,维护航运交通秩序,提高营运效率,船舶准确分类显得尤为重要。
目前,一般是基于流形距离来实现船舶分类,其具体基于流形距离表征的目标对象间的相似度量标准。该度量标准较传统的距离度量标准更贴近反映目标对象真实的空间分布,它是一种有效的度量标准;同时基于该标准的样本的邻居样本的预处理筛选,其可以提高了概率生成模型的分类效率,满足了舰船目标分类识别提出的实时性处理要求。
但是,这种分类方法不够及时和精细,在目标距离较远时分类效果不够好。
发明内容
本发明的目的是提供一种船舶分类方法及装置,以解决现有船舶分类方法不够及时和精细,在目标距离较远时分类效果不够好的问题。
为解决上述技术问题,本发明提供如下技术方案:
一种船舶分类方法,包括:
获取磁感应船舶检测器采集待分类船只的离散的波形数据;
将所述波形数据统一至预设维数的特征向量;
根据预训练好的神经网络分类器,利用所述神经网络分类器的隐含层对应关系,将所述特征向量对应至相应输出层,以确定所述待分类船只的所属类别。
可选地,所述将所述波形数据统一至预设维数的特征向量,包括:
当所述波形数据的维数大于所述预设维数时,利用相邻分量取平均方法,将所述波形数据的维数降至所述预设维数;
当所述波形数据的维数小于所述预设维数时,利用线性插值方法,将所述波形数据的维数升至所述预设维数;
对降维或升维后的所述波形数据进行特征向量归一化,得出所述特征向量。
可选地,所述神经网络分类器为多层前向神经网络分类器。
可选地,所述神经网络分类器的训练过程具体为:
获取训练波形数据;
选取预设个数据点分别作为各个初始集合的中心;
计算每个所述初始集合内的各个数据点和相应的所述中心的距离,并将距离最小值对应的数据点划分至相应的类别;
重新选取各个所述初始集合的中心,并计算各个数据点和相应中心的距离,直止各个所述初始集合不再发生变化。
一种船舶分类装置,包括:
获取模块,用于获取磁感应船舶检测器采集待分类船只的离散的波形数据;
维数统一模块,用于将所述波形数据统一至预设维数的特征向量;
分类模块,用于根据预训练好的神经网络分类器,利用所述神经网络分类器的隐含层对应关系,将所述特征向量对应至相应输出层,以确定所述待分类船只的所属类别。
可选地,所述维数统一模块包括:
降维子模块,用于当所述波形数据的维数大于所述预设维数时,利用相邻分量取平均方法,将所述波形数据的维数降至所述预设维数;
升维子模块,用于当所述波形数据的维数小于所述预设维数时,利用线性插值方法,将所述波形数据的维数升至所述预设维数;
归一化子模块,用于对降维或升维后的所述波形数据进行特征向量归一化,得出所述特征向量。
可选地,所述神经网络分类器为多层前向神经网络分类器。
可选地,还包括:
分类器训练模块,用于获取训练波形数据;选取预设个数据点分别作为各个初始集合的中心;计算每个所述初始集合内的各个数据点和相应的所述中心的距离,并将距离最小值对应的数据点划分至相应的类别;重新选取各个所述初始集合的中心,并计算各个数据点和相应中心的距离,直止各个所述初始集合不再发生变化。
本发明所提供的一种船舶分类方法及装置,通过获取磁感应船舶检测器采集待分类船只的离散的波形数据;将波形数据统一至预设维数的特征向量;根据预训练好的神经网络分类器,利用神经网络分类器的隐含层对应关系,将特征向量对应至相应输出层,以确定待分类船只的所属类别。本申请先利用磁感应船舶检测器采集船只波形数据,再利用训练好的神经网络分类器对波形数据进行分类,提高了船舶分类准确性和及时性,且利用磁感应船舶检测器来进一步保证远距离船舶分类准确性和及时性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的船舶分类方法的流程示意图;
图2为本发明实施例提供的神经网络结构示意图;
图3为本发明实施例提供的船舶分类装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图1,图1为本发明实施例提供的船舶分类方法的流程示意图,该方法包括以下步骤:
步骤101、获取磁感应船舶检测器采集待分类船只的离散的波形数据。
可以理解,上述波形数据为船舶经过磁感应船舶检测器时,磁感应船舶检测器采样得到的离散数据。此处直接将检测器采样得到的离散数据点作为分类的波形数据。
步骤102、将波形数据统一至预设维数的特征向量。
由于直接将采样得到的离散数据点作为特征向量,往往会使得波形数据的维数较高,且每个向量的维数不统一,会影响后续分类效果。因此,为保证后续分类效果,可以将波形数据统一至一定维数的特征向量。
波形数据的维数可能会高于预设维数,也可能会低于预设维数,针对不同情况,需要采用相应的降维或升维来统一维数。
在一些具体实施方式中,本步骤可以具体为:当波形数据的维数大于预设维数时,利用相邻分量取平均方法,将波形数据的维数降至预设维数;当波形数据的维数小于预设维数时,利用线性插值方法,将波形数据的维数升至预设维数;对降维或升维后的波形数据进行特征向量归一化,得出特征向量。
可以说明,上述预设维数可以根据实际情况进行设定,只要所取维数即能保留波形的关键特性,又具有较短的长度。例如,可以将预设维数设为15。
具体地,设x为k维的原始特征向量,其分量为x(1)-x(k),k取决于船舶驶过检测器正上方的延续时间和检测器的采样频率。C为N维的最终特征向量,分量为C(1)-C(N)。
对于k>预设维数的情况,使用若干相邻分量取平均的方法降低维数,具体如下:
A、设定变量,Δn=k/N,i=1。
B、若i≤N,则C(i)=[X(R((i-1)·Δn)+1)+...+X(R(i·Δn))]/[R(i·Δn)-R((i-1)·Δn]。其中:R表示对浮点数进行四舍五入取整;否则结束。
C、令i=i+1,重复步骤B。
对于k<预设维数的情况,则采用线性插值的办法增加向量维数,具体如下:
a、建立一个N维向量C,其中所有分量都初始化为-1,表示还没有被赋予正确的值;
b、对于x中的每一个分量x(i),有C(i·N/k)=x(i);
c、扫描向量C的每一个分量C(i),如果C(i)不为-1,则不作处理;如果C(i)=-1,则寻找分量C(i-)、C(i+)。其中i-<i,i+>i,且对于任何i-<j<i或i<j<i+,有C(j)=-1,令C(i)=[C(i-)+C(i+)]/2。
d、重复步骤c,直到向量C中所有的分量都不为-1。
降维或升维后,再进行特征向量归一化,具体可以利用来进行归一化,至此将采样数据转换成特征向量。
步骤103、根据预训练好的神经网络分类器,利用神经网络分类器的隐含层对应关系,将特征向量对应至相应输出层,以确定待分类船只的所属类别。
需要说明,上述神经网络分类器可以为但不限于多层前向神经网络分类器。
该神经网络分类器的训练过程可以具体为:获取训练波形数据;选取预设个数据点分别作为各个初始集合的中心;计算每个初始集合内的各个数据点和相应的中心的距离,并将距离最小值对应的数据点划分至相应的类别;重新选取各个初始集合的中心,并计算各个数据点和相应中心的距离,直止各个初始集合不再发生变化。
需要说明,每个子集代表了一类比较相似的波形,也即,每个子集都对应着一种船型,子集数量就是船型类别数量。预训练后,得到神经网络每层的节点数、权值等相关参数。
该训练过程更具体为:从n个数据点中选择k个作为初始集合(数据子集)中心;根据每个集合中心,计算每个数据点与这些集合中心的距离,并根据最小距离将数据点归入相应的类;重新计算每个集合的中心;重复以上两步,直到各个集合不再发生变化。
多层神经网络分类器可以具体为图2示出的神经网络结构,其中,输入层包含15个节点,对应了预处理后特征向量的15个分量,分别为C(1)-C(15);输出层包含5个节点,分别为T1、T2、T3、T4、T5,这5个节点分别对应渔船、游船、散货船、集装箱船、客船;隐含层根据经验设定包含两倍于输入层节点数量,即30个。若输入向量属于类别C(i),则输出层第i个节点为1,其余节点皆为0,这样即可将输入向量分类至节点为1对应的船舶类别。
本实施例中,通过获取磁感应船舶检测器采集待分类船只的离散的波形数据;将波形数据统一至预设维数的特征向量;根据预训练好的神经网络分类器,利用神经网络分类器的隐含层对应关系,将特征向量对应至相应输出层,以确定待分类船只的所属类别。可见,该方法先利用磁感应船舶检测器采集船只波形数据,再利用训练好的神经网络分类器对波形数据进行分类,提高了船舶分类准确性和及时性,且利用磁感应船舶检测器来进一步保证远距离船舶分类准确性和及时性。
下面对本发明实施例提供的船舶分类装置进行介绍,下文描述的船舶分类装置与上文描述的船舶分类方法可相互对应参照。
请参考图3,图3为本发明实施例提供的船舶分类装置的结构示意图,该装置包括:
获取模块31,用于获取磁感应船舶检测器采集待分类船只的离散的波形数据;
维数统一模块32,用于将波形数据统一至预设维数的特征向量;
分类模块33,用于根据预训练好的神经网络分类器,利用神经网络分类器的隐含层对应关系,将特征向量对应至相应输出层,以确定待分类船只的所属类别。
可选地,维数统一模块包括:
降维子模块,用于当波形数据的维数大于预设维数时,利用相邻分量取平均方法,将波形数据的维数降至预设维数;
升维子模块,用于当波形数据的维数小于预设维数时,利用线性插值方法,将波形数据的维数升至预设维数;
归一化子模块,用于对降维或升维后的波形数据进行特征向量归一化,得出特征向量。
可选地,神经网络分类器为多层前向神经网络分类器。
可选地,还包括:
分类器训练模块,用于获取训练波形数据;选取预设个数据点分别作为各个初始集合的中心;计算每个初始集合内的各个数据点和相应的中心的距离,并将距离最小值对应的数据点划分至相应的类别;重新选取各个初始集合的中心,并计算各个数据点和相应中心的距离,直止各个初始集合不再发生变化。
本实施例中,该装置先利用磁感应船舶检测器采集船只波形数据,再利用训练好的神经网络分类器对波形数据进行分类,提高了船舶分类准确性和及时性,且利用磁感应船舶检测器来进一步保证远距离船舶分类准确性和及时性。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的船舶分类方法及装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (8)
1.一种船舶分类方法,其特征在于,包括:
获取磁感应船舶检测器采集待分类船只的离散的波形数据;
将所述波形数据统一至预设维数的特征向量;
根据预训练好的神经网络分类器,利用所述神经网络分类器的隐含层对应关系,将所述特征向量对应至相应输出层,以确定所述待分类船只的所属类别。
2.如权利要求1所述的方法,其特征在于,所述将所述波形数据统一至预设维数的特征向量,包括:
当所述波形数据的维数大于所述预设维数时,利用相邻分量取平均方法,将所述波形数据的维数降至所述预设维数;
当所述波形数据的维数小于所述预设维数时,利用线性插值方法,将所述波形数据的维数升至所述预设维数;
对降维或升维后的所述波形数据进行特征向量归一化,得出所述特征向量。
3.如权利要求2所述的方法,其特征在于,所述神经网络分类器为多层前向神经网络分类器。
4.如权利要求1至3任一项所述的方法,其特征在于,所述神经网络分类器的训练过程具体为:
获取训练波形数据;
选取预设个数据点分别作为各个初始集合的中心;
计算每个所述初始集合内的各个数据点和相应的所述中心的距离,并将距离最小值对应的数据点划分至相应的类别;
重新选取各个所述初始集合的中心,并计算各个数据点和相应中心的距离,直止各个所述初始集合不再发生变化。
5.一种船舶分类装置,其特征在于,包括:
获取模块,用于获取磁感应船舶检测器采集待分类船只的离散的波形数据;
维数统一模块,用于将所述波形数据统一至预设维数的特征向量;
分类模块,用于根据预训练好的神经网络分类器,利用所述神经网络分类器的隐含层对应关系,将所述特征向量对应至相应输出层,以确定所述待分类船只的所属类别。
6.如权利要求5所述的装置,其特征在于,所述维数统一模块包括:
降维子模块,用于当所述波形数据的维数大于所述预设维数时,利用相邻分量取平均方法,将所述波形数据的维数降至所述预设维数;
升维子模块,用于当所述波形数据的维数小于所述预设维数时,利用线性插值方法,将所述波形数据的维数升至所述预设维数;
归一化子模块,用于对降维或升维后的所述波形数据进行特征向量归一化,得出所述特征向量。
7.如权利要求6所述的装置,其特征在于,所述神经网络分类器为多层前向神经网络分类器。
8.如权利要求5至7任一项所述的装置,其特征在于,还包括:
分类器训练模块,用于获取训练波形数据;选取预设个数据点分别作为各个初始集合的中心;计算每个所述初始集合内的各个数据点和相应的所述中心的距离,并将距离最小值对应的数据点划分至相应的类别;重新选取各个所述初始集合的中心,并计算各个数据点和相应中心的距离,直止各个所述初始集合不再发生变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711106490.3A CN107797149A (zh) | 2017-11-10 | 2017-11-10 | 一种船舶分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711106490.3A CN107797149A (zh) | 2017-11-10 | 2017-11-10 | 一种船舶分类方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107797149A true CN107797149A (zh) | 2018-03-13 |
Family
ID=61535737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711106490.3A Pending CN107797149A (zh) | 2017-11-10 | 2017-11-10 | 一种船舶分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107797149A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020127923A1 (fr) * | 2018-12-21 | 2020-06-25 | Thales | Procédé d'échanges de données entre des entités |
CN115600132A (zh) * | 2022-12-15 | 2023-01-13 | 思创数码科技股份有限公司(Cn) | 船舶载货种类判别方法及系统 |
EP4083646A4 (en) * | 2019-12-25 | 2024-01-10 | Shimadzu Corp | MAGNETIC DETECTION SYSTEM, METHOD FOR CLASSIFICATION OF A MAGNETIC SIGNAL WAVEFORM PATTERN AND METHOD FOR GENERATING A WAVEFORM PATTERN FOR A MAGNETIC DETECTION SYSTEM |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102109597A (zh) * | 2009-12-29 | 2011-06-29 | 中国科学院对地观测与数字地球科学中心 | 根据船舶的高分辨率sar影像识别船舶类型的方法 |
CN103514438A (zh) * | 2012-06-25 | 2014-01-15 | 盈泰安股份有限公司 | 人脸判断系统以及方法 |
CN103544502A (zh) * | 2013-10-29 | 2014-01-29 | 上海市城市建设设计研究总院 | 基于svm的高分辨率遥感影像船只提取方法 |
CN104156628A (zh) * | 2014-08-29 | 2014-11-19 | 东南大学 | 一种基于多核学习判别分析的舰船辐射信号识别方法 |
CN106628097A (zh) * | 2016-11-22 | 2017-05-10 | 南京航空航天大学 | 一种基于改进径向基神经网络的船舶设备故障诊断方法 |
CN106910204A (zh) * | 2016-12-30 | 2017-06-30 | 中国人民解放军空军预警学院监控系统工程研究所 | 一种对海面船只自动跟踪识别的方法和系统 |
CN107122897A (zh) * | 2017-04-17 | 2017-09-01 | 武汉理工大学 | 基于深度学习算法的无人船适航性评估方法 |
CN107145903A (zh) * | 2017-04-28 | 2017-09-08 | 武汉理工大学 | 一种基于卷积神经网络图片特征提取的船舶类型识别方法 |
-
2017
- 2017-11-10 CN CN201711106490.3A patent/CN107797149A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102109597A (zh) * | 2009-12-29 | 2011-06-29 | 中国科学院对地观测与数字地球科学中心 | 根据船舶的高分辨率sar影像识别船舶类型的方法 |
CN103514438A (zh) * | 2012-06-25 | 2014-01-15 | 盈泰安股份有限公司 | 人脸判断系统以及方法 |
CN103544502A (zh) * | 2013-10-29 | 2014-01-29 | 上海市城市建设设计研究总院 | 基于svm的高分辨率遥感影像船只提取方法 |
CN104156628A (zh) * | 2014-08-29 | 2014-11-19 | 东南大学 | 一种基于多核学习判别分析的舰船辐射信号识别方法 |
CN106628097A (zh) * | 2016-11-22 | 2017-05-10 | 南京航空航天大学 | 一种基于改进径向基神经网络的船舶设备故障诊断方法 |
CN106910204A (zh) * | 2016-12-30 | 2017-06-30 | 中国人民解放军空军预警学院监控系统工程研究所 | 一种对海面船只自动跟踪识别的方法和系统 |
CN107122897A (zh) * | 2017-04-17 | 2017-09-01 | 武汉理工大学 | 基于深度学习算法的无人船适航性评估方法 |
CN107145903A (zh) * | 2017-04-28 | 2017-09-08 | 武汉理工大学 | 一种基于卷积神经网络图片特征提取的船舶类型识别方法 |
Non-Patent Citations (4)
Title |
---|
刘军 等著: "《基因芯片制备及数据分析技术》", 30 April 2015 * |
唐燕雯: ""基于模糊聚类视区划分的船舰目标识别"", 《船舰科学技术》 * |
许杰 等: ""一种基于舰船磁场的神经网络识别模型"", 《船电技术》 * |
赵亮 等: ""基于深度卷积神经网络的船舶识别方法研究"", 《舰船科学技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020127923A1 (fr) * | 2018-12-21 | 2020-06-25 | Thales | Procédé d'échanges de données entre des entités |
FR3090976A1 (fr) * | 2018-12-21 | 2020-06-26 | Thales | Procédé d’échanges de données entre des entités |
EP4083646A4 (en) * | 2019-12-25 | 2024-01-10 | Shimadzu Corp | MAGNETIC DETECTION SYSTEM, METHOD FOR CLASSIFICATION OF A MAGNETIC SIGNAL WAVEFORM PATTERN AND METHOD FOR GENERATING A WAVEFORM PATTERN FOR A MAGNETIC DETECTION SYSTEM |
CN115600132A (zh) * | 2022-12-15 | 2023-01-13 | 思创数码科技股份有限公司(Cn) | 船舶载货种类判别方法及系统 |
CN115600132B (zh) * | 2022-12-15 | 2023-03-10 | 思创数码科技股份有限公司 | 船舶载货种类判别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Suhao et al. | Vehicle type detection based on deep learning in traffic scene | |
CN107797149A (zh) | 一种船舶分类方法及装置 | |
CN109342456A (zh) | 一种焊点缺陷检测方法、装置、设备及可读存储介质 | |
Zhao et al. | Adaptive logit adjustment loss for long-tailed visual recognition | |
CN108280460B (zh) | 基于改进卷积神经网络的sar车辆目标识别方法 | |
CN104778327B (zh) | 基于人工神经网络的飞机翼型优化设计方法 | |
CN106934392A (zh) | 基于多任务学习卷积神经网络的车标识别及属性预测方法 | |
CN114749342B (zh) | 一种锂电池极片涂布缺陷识别方法、装置及介质 | |
CN103617435A (zh) | 一种主动学习图像分类方法和系统 | |
CN107679453A (zh) | 基于支持向量机的天气雷达电磁干扰回波识别方法 | |
CN110070115A (zh) | 一种单像素攻击样本生成方法、装置、设备及存储介质 | |
CN105740914A (zh) | 一种基于近邻多分类器集成的车牌识别方法及系统 | |
CN110288007A (zh) | 数据标注的方法、装置及电子设备 | |
CN109711431A (zh) | 一处局部分块卷积的目标跟踪方法、系统及存储介质 | |
CN109063574A (zh) | 一种基于深度神经网络检测的包络框的预测方法、系统及设备 | |
CN114419413A (zh) | 感受野自适应的变电站绝缘子缺陷检测神经网络构建方法 | |
Visa et al. | The effect of imbalanced data class distribution on fuzzy classifiers-experimental study | |
CN106372618A (zh) | 一种基于svm与遗传算法的道路提取方法及系统 | |
Burton et al. | RustSEG--Automated segmentation of corrosion using deep learning | |
CN108734207A (zh) | 一种基于双优选半监督回归算法的模型预测方法 | |
CN116664511A (zh) | 一种基于改进的yolov5模型进行拉铆钉荧光裂纹检测方法 | |
CN108804524A (zh) | 基于层次化分类体系的情感判别和重要性划分方法 | |
Huahong et al. | A new type method of adhesive handwritten digit recognition based on improved faster RCNN | |
CN116541740A (zh) | 一种基于多层分类模型的雷达目标识别方法 | |
Qing-kun et al. | License plate recognition based on mathematical morphology method and RBF neural network |
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: 20180313 |
|
RJ01 | Rejection of invention patent application after publication |