CN107871136A - 基于稀疏性随机池化的卷积神经网络的图像识别方法 - Google Patents
基于稀疏性随机池化的卷积神经网络的图像识别方法 Download PDFInfo
- Publication number
- CN107871136A CN107871136A CN201710172260.0A CN201710172260A CN107871136A CN 107871136 A CN107871136 A CN 107871136A CN 201710172260 A CN201710172260 A CN 201710172260A CN 107871136 A CN107871136 A CN 107871136A
- Authority
- CN
- China
- Prior art keywords
- image
- convolutional neural
- neural networks
- openness
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/24765—Rule-based classification
Abstract
本发明所述基于稀疏性随机池化卷积神经网络的图像识别方法,该方法利用稀疏性随机池化的卷积神经网络来对图像进行特征提取并联结分类器分类识别,所述稀疏性随机池化的池化策略是:首先判别池化区域的稀疏程度来动态选取该区域的最佳特征值,并通过该最佳值使用高斯分布分配池化区域每个激活值概率权重,最后通过概率权重进行随机取值作为池化的输出值;本发明所述基于稀疏性随机池化卷积神经网络的图像识别方法的有益效果是:不仅能够优化特征提取阶段的特征信息,而且使模型在训练中一定程度上避免陷入局部最小值,增强了识别模型的泛化性与识别精度。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种基于稀疏性随机池化的卷积神经网络的图像识别方法。
背景技术
图像识别是计算机视觉技术领域的核心分支,它集成了数字图像处理、模式识别和机器学习等学科知识,是图像检索、人脸识别、人机交互和智能视频监控等应用技术的基础。图像特征表达是图像识别研究的关键点,也是难点所在。所述图像特征表达是指:结合用户使用的场景,能够将图片中的主体信息从复杂的背景条件下准确地识别和提取出来,并使用当前人工智能领域较为先进的深度学习技术对获取到的图片信息进行训练分析,最终可以进行大数据分析和处理,形成以图像元素为核心的智能数据库,在国家安全、交通、互联网、医学影像等诸多领域具有广泛的应用前景。
卷积神经网络(Convolutional Neural Network)是由LeCun等提出的一种用于字体图像识别的前馈神经网络模型,它的神经元可以相应部分覆盖图像上一定范围内的周围单元,对大型图像的处理有着极佳的表现,已经广泛用于图像识别领域。卷积神经网络实质上是一种有监督的深度学习算法,通过局部感受野与权值共享,通过卷积核运算直接对二维图形进行特征提取并训练分类。卷积神经网络的基本架构是由一系列交迭相连的卷积层、池化层和非线性层以及全连接的输出层组成,采用反向传播算法对卷积神经网络中的权值参数逐层反向调整,通过不断的迭代训练次数使系统的误差不断降低,提高卷积神经网络的精度,最终得到卷积神经网络权值参数的最优解。其中池化层对上一层的特征通过人为设定的池化窗口大小以及步长进行池化计算,目的是减小特征的维度,并且使特征进一步聚合。现有池化方法最常用的是最大值池化算法和均值池化算法,其中基于最大值池化算法运用较为广泛,它是一种有效的提取特征算法,能够提取图像的纹理特征,但是却忽略了图像的背景的信息特征,且容易使训练的模型过拟合,这样将会导致模型在新样本上的识别效果变差。
发明内容
为了解决现有技术中存在的问题,本发明提出了一种基于稀疏性随机池化卷积神经网络的图像识别方法。
本发明所述基于稀疏性随机池化卷积神经网络的图像识别方法是通过以下技术方案来实现的:所述基于稀疏性随机池化卷积神经网络的图像识别方法,包括如下步骤:
1)构建图像样本集,包括训练集与测试集以及每张图像对应的标签集,其中设定好图像每一类别在分类器中的编码方式;
2)搭建卷积神经网络框架,包括特征提取框架与训练分类框架,特征提取阶段由多个卷积层与池化层交迭进行,训练分类阶段由全连接层与分类器层构成,用于将前端提取的图像特征经由全连阶层并以向量形式输入分类器;
3)训练过程中设置超参数,构造代价函数,利用BP算法每次根据最小批次的误差反向更新网络的权重;所述超参数包括学习率参数、Dropout层、带momentum的SGD、ReLu激活函数等;所述构造代价函数,即计算所得值与目标标签值的误差函数;然后利用BP算法每次根据最小批次的误差反向更新网络的权重;
4)图像输入识别模型的卷积层进行特征提取,输出特征图并连接下一个神经元作为新的输入数据进行操作,每个神经元只对图像的局部区域进行感知,两个相邻滑动窗口之间的距离称为步长,每个特征图谱上所有节点具有权重共享特性;
5)在卷积神经网络结构中的池化层采用稀疏随机池化操作,池化策略是根据池化区域的稀疏程度来动态得到该区域的最佳特征值,并通过该最佳特征值利用高斯分布以最佳特征值为中央分配区域其余激活值的权重,最后通过带权重的随机取值作为池化的输出值;
6)图像数据前向传播经过卷积层、池化层、非线性层和全连接层最后连接softmax分类器,计算交叉熵代价函数,并使用随机梯度下降法反向传播逐层调整权重减小误差;
7)重复步骤6),经由网络的输入端到输出端不断的训练调整,使代价函数不断收敛,直至达到设定的训练次数或测试集上准确率不再提升则终止训练,获得CNN图像识别模型;
8)如图3(b)所示,使用训练好的网络对新的图像样本进行识别,得到最终分类结果。
本发明的有益效果是,本发明采用了基于稀疏性随机池化的卷积神经网络来提取图像特征并用于训练分类,针对池化区域进行判别,选取出最佳值作为区域的表征,并对该区域进行权重分配随机取值。这样不仅能够使卷积层得到的特征得到更好的特征表达效果,而且使模型在训练中一定程度上避免陷入局部最小值,增强了识别模型的泛化性与识别精度。
附图说明
图1为常规池化算法示意图。
图2为本发明所述基于稀疏性随机池化卷积神经网络的图像识别方法的卷积神经网络结构模型图。
图3为本发明所述基于稀疏性随机池化的卷积神经网络的稀疏性随机池化算法及应用示意图;其中分图(a)是本发明所述基于稀疏性随机池化的卷积神经网络的图像识别方法的稀疏性随机池化算法示意图;分图(b)是本发明所述基于稀疏性随机池化的卷积神经网络的图像识别方法的应用示意图。
附图中符号说明
ai,i=1,2,3…9:表示(3×3)池化区域的9个激活值;
amax=max(ai):表示最大值池化,选取池化区域最大值;
表示均值池化,选取池化区域平均值;
σi,i=1,2,3:表示池化区域SVD分解后的奇异值;
V:表示根据奇异值判别池化区域的稀疏程度;
wi,i=1,2,3…9:表示高斯分布分配9个激活值概率权重;
:表示根据概率权重随机输出的池化结果。
具体实施方式
下面结合附图进一步说明本发明所述基于稀疏随机池化卷积神经网络的图像识别方法的技术方案,所述基于稀疏随机池化卷积神经网络的图像识别方法的技术方案包括以下步骤:
1)构建图像样本集,包括训练集与测试集以及每张图像对应的标签集,其中设定好图像每一类别在分类器中的编码方式;
2)搭建卷积神经网络框架,包括特征提取框架与训练分类框架,如图2所示,是基于稀疏性随机池化卷积神经网络的图像识别模型。构建了一个分级的特征提取和分类系统;分级通过堆叠一个或者多个特征提取阶段,每个阶段包括一个滤波器组合层、非线性变换层和一个池化层;分类系统由全连接层与softmax分类器层构成;
3)设置CNN图像识别模型的基本参数,训练过程中设置超参数,参数初始化超参数选用权重参数0.01均方差,0均值的高斯分布,minibatch size为128,dropout为0.5,采用ReLu激活函数等;代价函数选用交叉熵代价函数;在网络训练过程中,利用BP算法每次根据最小批次的误差反向更新网络的权重;
4)图像输入识别模型的卷积层进行特征提取,输出特征图并连接下一个神经元作为新的输入数据进行操作,每个神经元只对图像的局部区域进行感知,两个相邻滑动窗口之间的距离称为步长,每个特征图谱上所有节点具有权重共享特性;
卷积运算公式如下:
其中:为l层第j个神经元的输出特征;
Mj为卷积的区域;
为卷积的权重;
为偏置项;
*为卷积运算;
f()为激活函数;
如下可选:
Sigmoid函数:
ReLu函数:f(x)=max(0,x);
5)通过卷积层提取的图像特征向量经过池化层进行进一步的聚合操作降低特征维度,并具有一定的尺度不变性;如图1所示,常规的池化方法包括最大值池化与均值池化,最大值池化方法可以减小卷积层参数的误差造成估计均值偏移,更多保留图像的纹理信息,但是具有易过拟合的不足,均值池化更多的保留图像背景信息,但是忽视了高频信息;
如图3(a)所示,是本发明所述基于稀疏性随机池化策略,首先对池化区域进行稀疏性判别,根据稀疏程度V来动态决定该区域的最佳输出值,而不是单单用人工设定的池化策略,例如选取最大值或平均值;下一步根据该最佳输出值R来对池化区域的其余激活值进行概率权重分配并随机取样,权重分配采用高斯分布。公式如下:
最佳输出值R:
其中:为池化区域;
S()为稀疏度函数,用于判别池化区域的稀疏性;
Fp()为取值函数,根据稀疏度来输出最佳表征值R;
P()为高斯权重分配函数;
最后如图3(a)所示根据最佳表征值R对区域全部激活值分配概率权重,分配函数即为高斯分布,进行随机取值,符合权重越大的激活值取出的概率越大的准则;
6)图像数据前向传播经过卷积层、池化层、非线性层和全连接层最后连接softmax分类器,计算交叉熵代价函数,并使用随机梯度下降法反向传播逐层调整权重减小误差;
7)重复步骤6),经由网络的输入端到输出端不断的训练调整,使代价函数不断收敛,直至达到设定的训练次数或测试集上准确率不再提升则终止训练,获得CNN图像识别模型;
8)如图3(b)所示,使用训练好的网络对新的图像样本进行识别,得到最终分类结果。
本发明的有益效果是,本发明采用了基于稀疏性随机池化的卷积神经网络来提取图像特征并用于训练分类,针对池化区域进行判别,选取出最佳值作为区域的表征,并对该区域进行权重分配随机取值。这样不仅能够使卷积层得到的特征得到更好的特征表达效果,而且使模型在训练中一定程度上避免陷入局部最小值,增强了识别模型的泛化性与识别精度。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、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 (5)
1.一种基于稀疏性随机池化卷积神经网络的图像识别方法,其特征在于包括如下步骤:
1)构建图像样本集,包括训练集与测试集以及每张图片对应的标签集,其中设定好图像每一类别在分类器中的编码方式;
2)搭建卷积神经网络框架,包括特征提取框架与训练分类框架,特征提取阶段由多个卷积层与池化层交迭进行,训练分类阶段由全连接层与分类器层构成,用于将前端提取的图像特征经由全连阶层并以向量形式输入分类器;
3)训练过程中设置超参数,构造代价函数,利用BP算法每次根据最小批次的误差反向更新网络的权重;所述超参数包括学习率参数、Dropout层、带momentum的SGD、ReLu激活函数等;所述构造代价函数,即计算所得值与目标标签值的误差函数;然后利用BP算法每次根据最小批次的误差反向更新网络的权重;
4)图像输入识别模型的卷积层进行特征提取,输出特征图并连接下一个神经元作为新的输入数据进行操作,每个神经元只对图像的局部区域进行感知,两个相邻滑动窗口之间的距离称为步长,每个特征图谱上所有节点具有权重共享特性;
5)在卷积神经网络结构中的池化层采用稀疏随机池化操作,池化策略是根据池化区域的稀疏程度来动态得到该区域的最佳特征值,并通过该最佳特征值利用高斯分布以最佳特征值为中央分配区域其余激活值的权重,最后通过带权重的随机取值作为池化的输出值;
6)图像数据前向传播经过卷积层、池化层、非线性层和全连接层最后连接softmax分类器,计算交叉熵代价函数,并使用随机梯度下降法反向传播逐层调整权重减小误差;
7)重复步骤6),经由网络的输入端到输出端不断的训练调整,使代价函数不断收敛,直至达到设定的训练次数或测试集上准确率不再提升则终止训练,获得CNN图像识别模型;
8)如图3(b)所示,使用训练好的网络对新的图像样本进行识别,得到最终分类结果。
2.根据权利要求1所述一种基于稀疏性随机池化卷积神经网络的图像识别方法,其特征在于上述步骤1)与步骤2)中首先获得高质量的标注数据并对输入输出数据作归一化处理,分类器选用softmax分类器。
3.根据权利要求1所述一种基于稀疏性随机池化卷积神经网络的图像识别方法,其特征在于上述步骤3)中采用稀疏随机池化方法。
4.根据权利要求1所述一种基于稀疏性随机池化卷积神经网络的图像识别方法,其特征在于上述步骤)是卷积神经网络进行参数设置,参数初始化选用权重参数0.01均方差,0均值的高斯分布。
5.根据权利要求1所述一种基于稀疏性随机池化卷积神经网络的图像识别方法,其特征在于上述步骤5)的代价函数采用交叉熵代价函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710172260.0A CN107871136A (zh) | 2017-03-22 | 2017-03-22 | 基于稀疏性随机池化的卷积神经网络的图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710172260.0A CN107871136A (zh) | 2017-03-22 | 2017-03-22 | 基于稀疏性随机池化的卷积神经网络的图像识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107871136A true CN107871136A (zh) | 2018-04-03 |
Family
ID=61762115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710172260.0A Pending CN107871136A (zh) | 2017-03-22 | 2017-03-22 | 基于稀疏性随机池化的卷积神经网络的图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107871136A (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596258A (zh) * | 2018-04-27 | 2018-09-28 | 南京邮电大学 | 一种基于卷积神经网络随机池化的图像分类方法 |
CN109034204A (zh) * | 2018-07-02 | 2018-12-18 | 西安交通大学 | 一种基于改进卷积神经网络的焊缝缺陷识别方法 |
CN109034045A (zh) * | 2018-07-20 | 2018-12-18 | 中南大学 | 一种基于卷积神经网络的白细胞自动识别方法 |
CN109102529A (zh) * | 2018-08-15 | 2018-12-28 | 西北工业大学 | 基于深度卷积神经网络的端对端高光谱图像变化检测方法 |
CN109238288A (zh) * | 2018-09-10 | 2019-01-18 | 电子科技大学 | 一种无人机室内自主导航方法 |
CN109222963A (zh) * | 2018-11-21 | 2019-01-18 | 燕山大学 | 一种基于卷积神经网络的心电异常识别分类方法 |
CN109409276A (zh) * | 2018-10-19 | 2019-03-01 | 大连理工大学 | 一种健壮手语特征提取方法 |
CN109522924A (zh) * | 2018-09-28 | 2019-03-26 | 浙江农林大学 | 一种基于单张照片的阔叶林树种识别方法 |
CN109614869A (zh) * | 2018-11-10 | 2019-04-12 | 天津大学 | 一种基于多尺度压缩奖惩网络的病理图像分类方法 |
CN109858609A (zh) * | 2018-12-27 | 2019-06-07 | 中国电子科技集团公司信息科学研究院 | 一种分区块池化的方法和系统 |
CN109886404A (zh) * | 2019-02-01 | 2019-06-14 | 东南大学 | 一种交错菱形感知的卷积神经网络池化方法 |
CN109902738A (zh) * | 2019-02-25 | 2019-06-18 | 深圳市商汤科技有限公司 | 网络模块和分配方法及装置、电子设备和存储介质 |
CN109948775A (zh) * | 2019-02-21 | 2019-06-28 | 山东师范大学 | 一种可配置神经卷积网络芯片系统及其配置方法 |
CN110084215A (zh) * | 2019-05-05 | 2019-08-02 | 上海海事大学 | 一种二值化三元组孪生网络模型的行人重识别方法及系统 |
CN110147834A (zh) * | 2019-05-10 | 2019-08-20 | 上海理工大学 | 基于稀疏化双线性卷积神经网络的细粒度图像分类方法 |
CN110288114A (zh) * | 2019-03-22 | 2019-09-27 | 国网浙江省电力有限公司信息通信分公司 | 基于电力营销数据的违规用电行为预测方法 |
CN110807484A (zh) * | 2019-10-31 | 2020-02-18 | 福建师范大学 | 基于隐私保护vgg的密态图像识别方法及系统 |
CN110991462A (zh) * | 2019-10-31 | 2020-04-10 | 福建师范大学 | 基于隐私保护cnn的密态图像识别方法及系统 |
CN111368909A (zh) * | 2020-03-03 | 2020-07-03 | 温州大学 | 一种基于卷积神经网络深度特征的车标识别方法 |
CN111460894A (zh) * | 2020-03-03 | 2020-07-28 | 温州大学 | 一种基于卷积神经网络的车标智能检测方法 |
WO2020164271A1 (zh) * | 2019-02-13 | 2020-08-20 | 平安科技(深圳)有限公司 | 卷积神经网络的池化方法、装置及存储介质、计算机设备 |
CN111652246A (zh) * | 2020-05-09 | 2020-09-11 | 清华大学深圳国际研究生院 | 一种基于深度学习的图像自适应稀疏化表征方法及装置 |
CN111898421A (zh) * | 2020-06-18 | 2020-11-06 | 东南大学 | 一种用于视频行为识别的正则化方法 |
CN111967528A (zh) * | 2020-08-27 | 2020-11-20 | 北京大学 | 基于稀疏编码的深度学习网络结构搜索的图像识别方法 |
CN112070100A (zh) * | 2020-09-11 | 2020-12-11 | 深圳力维智联技术有限公司 | 基于深度学习模型的图像特征识别方法、装置及存储介质 |
CN112749747A (zh) * | 2021-01-13 | 2021-05-04 | 上海交通大学 | 垃圾分类质量评估方法及系统 |
CN112784969A (zh) * | 2021-02-01 | 2021-05-11 | 东北大学 | 一种基于抽样的卷积神经网络加速学习方法 |
CN115935154A (zh) * | 2023-03-13 | 2023-04-07 | 南京邮电大学 | 基于稀疏表示与近端算法的射频信号特征遴选与识别方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9202144B2 (en) * | 2013-10-30 | 2015-12-01 | Nec Laboratories America, Inc. | Regionlets with shift invariant neural patterns for object detection |
CN105160400A (zh) * | 2015-09-08 | 2015-12-16 | 西安交通大学 | 基于l21范数的提升卷积神经网络泛化能力的方法 |
CN105447569A (zh) * | 2015-12-18 | 2016-03-30 | 北京柏惠维康科技有限公司 | 一种基于深度学习的乳腺癌细胞特征分析系统 |
CN105531725A (zh) * | 2013-06-28 | 2016-04-27 | D-波系统公司 | 用于对数据进行量子处理的系统和方法 |
CN105913087A (zh) * | 2016-04-11 | 2016-08-31 | 天津大学 | 基于最优池化卷积神经网络的物体识别方法 |
WO2016144341A1 (en) * | 2015-03-11 | 2016-09-15 | Siemens Aktiengesellschaft | Systems and methods for deconvolutional network based classification of cellular images and videos |
CN106203432A (zh) * | 2016-07-14 | 2016-12-07 | 杭州健培科技有限公司 | 一种基于卷积神经网显著性图谱的感兴趣区域的定位方法 |
CN106250812A (zh) * | 2016-07-15 | 2016-12-21 | 汤平 | 一种基于快速r‑cnn深度神经网络的车型识别方法 |
CN106372390A (zh) * | 2016-08-25 | 2017-02-01 | 姹ゅ钩 | 一种基于深度卷积神经网络的预防肺癌自助健康云服务系统 |
CN106485324A (zh) * | 2016-10-09 | 2017-03-08 | 成都快眼科技有限公司 | 一种卷积神经网络优化方法 |
-
2017
- 2017-03-22 CN CN201710172260.0A patent/CN107871136A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105531725A (zh) * | 2013-06-28 | 2016-04-27 | D-波系统公司 | 用于对数据进行量子处理的系统和方法 |
US9202144B2 (en) * | 2013-10-30 | 2015-12-01 | Nec Laboratories America, Inc. | Regionlets with shift invariant neural patterns for object detection |
WO2016144341A1 (en) * | 2015-03-11 | 2016-09-15 | Siemens Aktiengesellschaft | Systems and methods for deconvolutional network based classification of cellular images and videos |
CN105160400A (zh) * | 2015-09-08 | 2015-12-16 | 西安交通大学 | 基于l21范数的提升卷积神经网络泛化能力的方法 |
CN105447569A (zh) * | 2015-12-18 | 2016-03-30 | 北京柏惠维康科技有限公司 | 一种基于深度学习的乳腺癌细胞特征分析系统 |
CN105913087A (zh) * | 2016-04-11 | 2016-08-31 | 天津大学 | 基于最优池化卷积神经网络的物体识别方法 |
CN106203432A (zh) * | 2016-07-14 | 2016-12-07 | 杭州健培科技有限公司 | 一种基于卷积神经网显著性图谱的感兴趣区域的定位方法 |
CN106250812A (zh) * | 2016-07-15 | 2016-12-21 | 汤平 | 一种基于快速r‑cnn深度神经网络的车型识别方法 |
CN106372390A (zh) * | 2016-08-25 | 2017-02-01 | 姹ゅ钩 | 一种基于深度卷积神经网络的预防肺癌自助健康云服务系统 |
CN106485324A (zh) * | 2016-10-09 | 2017-03-08 | 成都快眼科技有限公司 | 一种卷积神经网络优化方法 |
Non-Patent Citations (3)
Title |
---|
FATIH CAKIR等: "VisualWord Selection without Re-Coding and Re-Pooling", 《RESEARCHGATE》 * |
楚敏南: "基于卷积神经网络的图像分类技术研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
陈雯柏主编: "《人工神经网络原理与实践》", 31 January 2016 * |
Cited By (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596258A (zh) * | 2018-04-27 | 2018-09-28 | 南京邮电大学 | 一种基于卷积神经网络随机池化的图像分类方法 |
CN108596258B (zh) * | 2018-04-27 | 2022-03-29 | 南京邮电大学 | 一种基于卷积神经网络随机池化的图像分类方法 |
CN109034204A (zh) * | 2018-07-02 | 2018-12-18 | 西安交通大学 | 一种基于改进卷积神经网络的焊缝缺陷识别方法 |
CN109034204B (zh) * | 2018-07-02 | 2022-01-25 | 西安交通大学 | 一种基于改进卷积神经网络的焊缝缺陷识别方法 |
CN109034045A (zh) * | 2018-07-20 | 2018-12-18 | 中南大学 | 一种基于卷积神经网络的白细胞自动识别方法 |
CN109102529A (zh) * | 2018-08-15 | 2018-12-28 | 西北工业大学 | 基于深度卷积神经网络的端对端高光谱图像变化检测方法 |
CN109238288A (zh) * | 2018-09-10 | 2019-01-18 | 电子科技大学 | 一种无人机室内自主导航方法 |
CN109522924A (zh) * | 2018-09-28 | 2019-03-26 | 浙江农林大学 | 一种基于单张照片的阔叶林树种识别方法 |
CN109409276A (zh) * | 2018-10-19 | 2019-03-01 | 大连理工大学 | 一种健壮手语特征提取方法 |
CN109614869A (zh) * | 2018-11-10 | 2019-04-12 | 天津大学 | 一种基于多尺度压缩奖惩网络的病理图像分类方法 |
CN109614869B (zh) * | 2018-11-10 | 2023-02-28 | 天津大学 | 一种基于多尺度压缩奖惩网络的病理图像分类方法 |
CN109222963A (zh) * | 2018-11-21 | 2019-01-18 | 燕山大学 | 一种基于卷积神经网络的心电异常识别分类方法 |
CN109858609A (zh) * | 2018-12-27 | 2019-06-07 | 中国电子科技集团公司信息科学研究院 | 一种分区块池化的方法和系统 |
CN109858609B (zh) * | 2018-12-27 | 2021-09-14 | 中国电子科技集团公司信息科学研究院 | 一种分区块池化的方法和系统 |
CN109886404A (zh) * | 2019-02-01 | 2019-06-14 | 东南大学 | 一种交错菱形感知的卷积神经网络池化方法 |
CN109886404B (zh) * | 2019-02-01 | 2023-08-04 | 东南大学 | 一种交错菱形感知的卷积神经网络池化方法 |
WO2020164271A1 (zh) * | 2019-02-13 | 2020-08-20 | 平安科技(深圳)有限公司 | 卷积神经网络的池化方法、装置及存储介质、计算机设备 |
CN109948775A (zh) * | 2019-02-21 | 2019-06-28 | 山东师范大学 | 一种可配置神经卷积网络芯片系统及其配置方法 |
CN109902738A (zh) * | 2019-02-25 | 2019-06-18 | 深圳市商汤科技有限公司 | 网络模块和分配方法及装置、电子设备和存储介质 |
US11443438B2 (en) | 2019-02-25 | 2022-09-13 | Shenzhen Sensetime Technology Co., Ltd. | Network module and distribution method and apparatus, electronic device, and storage medium |
CN110288114A (zh) * | 2019-03-22 | 2019-09-27 | 国网浙江省电力有限公司信息通信分公司 | 基于电力营销数据的违规用电行为预测方法 |
CN110084215A (zh) * | 2019-05-05 | 2019-08-02 | 上海海事大学 | 一种二值化三元组孪生网络模型的行人重识别方法及系统 |
CN110147834A (zh) * | 2019-05-10 | 2019-08-20 | 上海理工大学 | 基于稀疏化双线性卷积神经网络的细粒度图像分类方法 |
CN110807484A (zh) * | 2019-10-31 | 2020-02-18 | 福建师范大学 | 基于隐私保护vgg的密态图像识别方法及系统 |
CN110991462A (zh) * | 2019-10-31 | 2020-04-10 | 福建师范大学 | 基于隐私保护cnn的密态图像识别方法及系统 |
CN110807484B (zh) * | 2019-10-31 | 2023-05-23 | 福建师范大学 | 基于隐私保护vgg的密态图像识别方法及系统 |
CN110991462B (zh) * | 2019-10-31 | 2023-04-07 | 福建师范大学 | 基于隐私保护cnn的密态图像识别方法及系统 |
CN111460894A (zh) * | 2020-03-03 | 2020-07-28 | 温州大学 | 一种基于卷积神经网络的车标智能检测方法 |
CN111460894B (zh) * | 2020-03-03 | 2021-09-03 | 温州大学 | 一种基于卷积神经网络的车标智能检测方法 |
CN111368909B (zh) * | 2020-03-03 | 2021-05-11 | 温州大学 | 一种基于卷积神经网络深度特征的车标识别方法 |
CN111368909A (zh) * | 2020-03-03 | 2020-07-03 | 温州大学 | 一种基于卷积神经网络深度特征的车标识别方法 |
CN111652246A (zh) * | 2020-05-09 | 2020-09-11 | 清华大学深圳国际研究生院 | 一种基于深度学习的图像自适应稀疏化表征方法及装置 |
CN111652246B (zh) * | 2020-05-09 | 2023-04-18 | 清华大学深圳国际研究生院 | 一种基于深度学习的图像自适应稀疏化表征方法及装置 |
CN111898421A (zh) * | 2020-06-18 | 2020-11-06 | 东南大学 | 一种用于视频行为识别的正则化方法 |
CN111967528A (zh) * | 2020-08-27 | 2020-11-20 | 北京大学 | 基于稀疏编码的深度学习网络结构搜索的图像识别方法 |
CN111967528B (zh) * | 2020-08-27 | 2023-12-26 | 北京大学 | 基于稀疏编码的深度学习网络结构搜索的图像识别方法 |
CN112070100A (zh) * | 2020-09-11 | 2020-12-11 | 深圳力维智联技术有限公司 | 基于深度学习模型的图像特征识别方法、装置及存储介质 |
CN112749747B (zh) * | 2021-01-13 | 2022-11-11 | 上海交通大学 | 垃圾分类质量评估方法及系统 |
CN112749747A (zh) * | 2021-01-13 | 2021-05-04 | 上海交通大学 | 垃圾分类质量评估方法及系统 |
CN112784969A (zh) * | 2021-02-01 | 2021-05-11 | 东北大学 | 一种基于抽样的卷积神经网络加速学习方法 |
CN115935154A (zh) * | 2023-03-13 | 2023-04-07 | 南京邮电大学 | 基于稀疏表示与近端算法的射频信号特征遴选与识别方法 |
CN115935154B (zh) * | 2023-03-13 | 2023-11-24 | 南京邮电大学 | 基于稀疏表示与近端算法的射频信号特征遴选与识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107871136A (zh) | 基于稀疏性随机池化的卷积神经网络的图像识别方法 | |
CN104217214B (zh) | 基于可配置卷积神经网络的rgb‑d人物行为识别方法 | |
CN108717568B (zh) | 一种基于三维卷积神经网络的图像特征提取与训练方法 | |
CN105184309B (zh) | 基于cnn和svm的极化sar图像分类 | |
CN107644235A (zh) | 基于半监督学习的图像自动标注方法 | |
CN112347888B (zh) | 基于双向特征迭代融合的遥感图像场景分类方法 | |
CN106326899A (zh) | 一种基于高光谱图像和深度学习算法的烟叶分级方法 | |
CN103955702A (zh) | 基于深度rbf网络的sar图像地物分类方法 | |
CN106023065A (zh) | 一种基于深度卷积神经网络的张量型高光谱图像光谱-空间降维方法 | |
CN107563389A (zh) | 一种基于深度学习的农作物病害识别方法 | |
CN109215034A (zh) | 一种基于空间金字塔掩盖池化的弱监督图像语义分割方法 | |
CN110321862B (zh) | 一种基于紧致三元损失的行人再识别方法 | |
CN109934158A (zh) | 基于局部强化运动历史图和递归卷积神经网络的视频情感识别方法 | |
CN111639719A (zh) | 基于时空运动和特征融合的足迹图像检索方法 | |
CN107451565A (zh) | 一种半监督小样本深度学习图像模式分类识别方法 | |
CN109034184A (zh) | 一种基于深度学习的均压环检测识别方法 | |
CN109101584A (zh) | 一种将深度学习与数学分析相结合的句子分类改进方法 | |
CN109886269A (zh) | 一种基于注意力机制的交通广告牌识别方法 | |
CN103886334A (zh) | 一种多指标融合的高光谱遥感影像降维方法 | |
CN103366189A (zh) | 一种高光谱遥感图像的智能化分类方法 | |
CN106971145A (zh) | 一种基于极限学习机的多视角动作识别方法及装置 | |
CN108009512A (zh) | 一种基于卷积神经网络特征学习的人物再识别方法 | |
Firat et al. | Hybrid 3D convolution and 2D depthwise separable convolution neural network for hyperspectral image classification | |
CN114241458A (zh) | 一种基于姿态估计特征融合的驾驶员行为识别方法 | |
CN117253093A (zh) | 一种基于深度特征和图注意力机制的高光谱影像分类方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180403 |