CN107895385A - 基于卷积神经网络的对单张室外图像太阳位置的预测方法 - Google Patents
基于卷积神经网络的对单张室外图像太阳位置的预测方法 Download PDFInfo
- Publication number
- CN107895385A CN107895385A CN201711078072.8A CN201711078072A CN107895385A CN 107895385 A CN107895385 A CN 107895385A CN 201711078072 A CN201711078072 A CN 201711078072A CN 107895385 A CN107895385 A CN 107895385A
- Authority
- CN
- China
- Prior art keywords
- picture
- network
- neural networks
- convolutional neural
- layer
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 12
- 238000010835 comparative analysis Methods 0.000 abstract 1
- 230000000052 comparative effect Effects 0.000 abstract 1
- 238000011160 research Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的对单张室外图像太阳位置的预测方法。考虑到卷积神经网络在提取图像亮度属性有着较好的表现，该方法将卷积神经网络应用拓展到对单幅图像的太阳位置预测上。首先，对webcam数据集进行删选。统一的图片尺寸，并修改卷积神经网络中的卷基层、池化层的相关参数。然后，将数据转换成为hdf5格式，并将网络的数据输入层改为了HDF5Layer层以支持hdf5型的数据输入。最后，在网络的输出层选择将两个角度分开输出，计算两个损失函数。本发明使用了进行图片分类的卷积神经网络AlexNet以及对MSCR网络进行一定修改后的网络来进行对比训练。并对预测结果进行了统计和对比分析。
Description
技术领域
本发明属于计算机图形学领域，具体涉及一种基于卷积神经网络的对单张室外图像太阳位置的预测方法。
背景技术
随着计算机技术的进步，计算机图形学理论方法和相应内容实现方法的不断更新、进步，我们能够从一张图片中获取到的信息越来越多。其中，一张图片的场景信息(如：光照方向、物体材质、物体物理位置、物体颜色等)，对于获取图片中的光照信息具有决定性的作用，图片中的各个组成部分在一定光源下都会对彼此的光影分布产生影响。一张图片中的场景是晴天还是阴天，是早上还是傍晚，图片是是清晰的还是模糊的，图片的拍摄地点是在户外还是在室内，从图片中获取诸如此类的场景信息，对于我们人来说是直观、便捷、快速的，但是对于计算机来说，它“看”到的图片，只是一个充满着数字的矩阵，它无法直观的从这个矩阵中判断出图片的各种场景信息。让计算机能够从图片中判断出这些场景信息，对于计算机图形学来说是一项非常重要的研究内容。光，作为反映图片中场景信息的重要客观条件，在计算机图形学的众多研究领域中一直是一个不可或缺的因素，但在计算机图形学的研究中，往往将图片中的光照信息更多的是作为一种噪声，而不是场景信息一种，希望在获取图片信息的过程中，图片中的光照信息是不变的，这样可以减少干扰因素。基于这种理论假设，C.Stauffer等人试图仅通过图片背景信息的改变来进行追踪和监视，H.Chen等人试图分析光照的不变性。这些研究都忽略的光照对场景信息的表达的影响。所以，单独分析一张图片中的光照信息是一个有着丰富应用研究价值的题目。在这个基础上，基于对图片解析、图片重构等方面的需求，发展为从一张图片分析预测图片中的光照方向(太阳位置)的研究内容。
发明内容
本发明要解决技术问题为：基于卷积神经网络的对单张室外图像太阳位置的预测。通过卷积神经网络自动预测图片中的太阳位置。由于太阳位置是相对于拍摄地点而言的相对值，在传统的方法中，需要结合拍摄经纬度、相机参数等外界信息。本发明选择通过卷积神经网路自动提取图片的特征信息，直接输出太阳位置这个相对值。
本发明采用的技术方案为：一种基于卷积神经网络的对单张室外图像太阳位置的预测方法，该方法包括如下步骤：
(1)需要兼顾图片的全局特征和局部特征，将数据集中尺寸不一的图片统一缩小到256×256的图片大小，并修改卷积神经网络中的卷基层、池化层的相关参数，使得网络满足256×256的大小的图片的输入。将数据集中带有logo、带有明显噪声的部分图片剔除出本次实验，不采用它们作为训练集使用；
(2)将数据通过自写程序转换成了hdf5格式，并在将网络的数据输入层改为了HDF5Layer层以支持hdf5型的数据输入；在网络的输出层选择将两个角度分开输出，计算两个损失函数；
(3)将数据在AlexNet和MSCR改上进行训练；训练的训练集为520000张图片，测试集为123500张图片，基本保持在4:1的比例，训练和测试的batch_size设置为32，最大迭代次数为325000次；
(4)通过纵横向对比对误差进行分析。
其中，步骤(3)基于卷积神经网络的对单张室外图像太阳位置的预测在AlexNet网络上进行训练，该网络适用于图像识别和图像分类；但不同于图片识别分类的任务，需要输出一个离散的集和；太阳位置的方位角和天顶角在数据集中都是一个连续值，对于连续值的预测属于回归问题，在Caffe中有一个专门有一个EuclideanLoss层来处理回归问题的损失函数；
EuclideanLoss层成为欧式距离层，用于处理回归问题的损失函数，他计算的是所有预测行为每次预测行为预测值和真实值的差的平方的和的平均值；EuclideanLoss层函数最后的全连接层后需要连接的损失函数层是EuclideanLoss层。
其中，步骤(3)采用的第二个网络MSCR-改，该网络特征在于出色的特征提取能力；在第一个模块中，采用了和卷积神经网络MSCR中第一个卷积层(conv1)到第五个卷积层(conv5)相同的结构；在第五个卷积层之后，对第五个卷积层卷积获得的特征图进行上采样，使其变成原图四分之一大小的图，并紧跟一个有着64个输出卷积核大小为1×1的卷积层取代了全连接层；这使网络结构能够适应任何大小尺度的输入图片；第二个模块中采用GoogleNet的一部分网络，并将网络中的三个inception模块的输出在网络最后进行了连接，通过连接后的特征图来进行网络损失函数的计算；在步骤MSCR-改图片中的(1)的inception模块能够较好的提取图片的全局特征，步骤MSCR-改图片中的(2)和步骤MSCR-改图片中的(3)的inception模块则能提取图片的细节、深层特征，而图片中的太阳位置往往既需要考虑到图片的整体特征，也需要从图片的一些局部区域获得信息。
其中，步骤(4)中通过纵横向对比对误差进行分析；在纵向对比下，在相同测试条件下，MSCR对图片全局特征和局部特征的提取与整合能力要优于AlexNet；横向对比下，表中的两级数，左侧为方位角，右侧为天顶角；可以看出MSCR改在方位角的预测范围和标准太阳位置基本误差在30度以内，天顶角的误差基本在10度以内。
本发明的原理在于：
本发明采用azimuth(方位角)和zenith(天顶角)这两个角度来衡量太阳相对拍摄地点的位置。A就表示方位角，以正南为基准，以逆时针方向为方向进行角度的衡量方向，规定方位角的取值都是负数，如太阳在拍摄地的正东方向，则azimuth＝-90°，太阳在拍摄地的正西方向，则azimuth＝-270°，由此可知方位角azimuth的范围为[0°,360°]；而天顶角zenith，我们取其值恒为正，则天顶角zenith的范围为[0°,90°]获取图片中的太阳位置，总的思路是通过获取图片中的特征信息，通过分析这些特征信息来获取图片中的亮暗关系，从而预测出图片拍摄时的太阳位置。而获取图片的特征信息，技术手段可归结为算法分析图片中的各个模块的信息再将信息汇总，或者是直接利用深度学习自动提取特征信息。
AlexNet比较适合图像识别和图像分类，所以认为也可用来预测太阳的位置。但不同于图片识别分类的任务，需要输出一个离散的集和。太阳位置的方位角和天顶角在数据集中都是一个连续值，对于连续值的预测属于回归问题，在Caffe中有一个专门有一个EuclideanLoss层来处理回归问题的损失函数。
EuclideanLoss层成为欧式距离层，用于处理回归问题的损失函数，他计算的是所有预测行为每次预测行为预测值和真实值的差的平方的和的平均值。EuclideanLoss层函数最后的全连接层后需要连接的损失函数层是EuclideanLoss层。
MSCR-改网络有出色的特征提取能力。在第一个模块中，本发明采用了和经典卷积神经网络AlexNet中第一个卷积层(conv1)到第五个卷积层(conv5)相同的结构。在第五个卷积层之后，对第五个卷积层卷积获得的特征图进行上采样，使其变成原图四分之一大小的图，并紧跟一个有着64个输出卷积核大小为1×1的卷积层取代了全连接层。这使我们的网络结构能够适应任何大小尺度的输入图片。第二个模块中采用GoogleNet的一部分网络，并将网络中的三个inception模块的输出在网络最后进行了连接，通过连接后的特征图来进行网络损失函数的计算。在步骤MSCR-改图片中的(1)的inception模块能够较好的提取图片的全局特征，步骤MSCR-改图片中的(2)和步骤MSCR-改图片中的(3)的inception模块则能提取图片的细节、深层特征，而图片中的太阳位置往往既需要考虑到图片的整体特征，也需要从图片的一些局部区域获得信息。
本发明与现有的技术相比，其优势在于：
第一，本发明提出的方法是利用卷积神经网络来进行太阳位置的预测。有别于以往的通过手工选取、设计特征的方法，通过卷积神经网络自动预测图片中的太阳位置。由于太阳位置是相对于拍摄地点而言的相对值，在传统的方法中，需要结合拍摄经纬度、相机参数等外界信息。本方法选择通过卷积神经网路自动提取图片的特征信息，直接输出太阳位置这个相对值。
第二，在以往的多项工作中，已经充分的证明了卷积神经网络在提取图像特征上的优异表现。但网络要取得好的训练表现，最重要的因素就是需要大量的数据，只有提供了大量的数据才能让网络模型更好的学习到图片中的某类特征信息表达。
本发明采用Webcam数据集。该数据集优势在于：
(1)大数据量。这个数据集包含了54个场景，总计77万张的图片，其中包含相对应的太阳位置信息的图片有657146张，这个数据集量能满足深度学习的要求。数据集中的太阳位置，是通过弧度的形式来表达。
(2)信息多。这个数据集中，不仅包含了图片对应的太阳位置，还包含了拍摄地点的经纬度、拍摄时相机的参数(光圈大小、焦距、相机朝向等)。这些信息的提供能够对利用特征信息进行计算的方法有极大的帮助。
(3)跨度长。这个数据集，54个场景，每个场景的拍摄时间都长达半年之久，每天从早上4点左右每隔10分钟进行一次拍摄，知道19点结束。这样长时间跨度的拍摄，能够提供同一个点大量的太阳位置信息表达，这对于利用卷积神经网络来提取图片特征信息的方法是很有帮助的。
附图说明
图1是本发明中方位角和天顶角示意图；
图2是MSCR-改网络结构示意图。
具体实施方式：
实现的目标是对太阳位置的预测，输出的是相对于拍摄位置的太阳位置的方位角和天顶角，是两个浮点型数字。我们采用标准Caffe自带的标准的L2损失。同时，我们使用标准的Relu激活函数。并对数据集进行如下处理：
(1)考虑到本次实验需要兼顾图片的全局特征和局部特征，将数据集中尺寸不一的图片统一缩小到256×256的图片大小,并修改卷积神经网络中的卷积层、池化层的相关参数。使网络满足256×256的大小的图片输入。
(2)将数据集中带有logo、带有明显噪声的部分图片剔除出本次实验，不采用他们作为训练集使用。
Caffe默认输入网络的数据格式为lmdb/leveldb，虽然这种数据格式有压缩比大、传输速度快等特点，但是lmdb/lebeldb格式的数据不支持浮点型的标签，也不支持多标签的任务。所以本实验将数据通过自写程序转换成了hdf5格式，并在将网络的数据输入层改为了HDF5Layer层以支持hdf5型的数据输入。在网络的输出层选择将两个角度分开输出，计算两个损失函数。
训练的训练集为520000张图片，测试集为123500张图片，基本保持在4:1的比例，训练和测试的batch_size设置为32，最大迭代次数为325000次。
在AlexNet和MSCR上分别经过325000次迭代，从训练结果上基本可以判断方位角和天顶角的损失函数都基本上收敛。在纵向对比下，在相同测试条件下，MSCR对图片全局特征和局部特征的提取与整合能力要优于AlexNet；横向对比下，表中的两级数，左侧为方位角，右侧为天顶角。可以看出MSCR在方位角的预测范围和标准太阳位置基本误差在30度以内，天顶角的误差基本在10度以内。还就相对于拍摄地点的太阳预测方位和真实太阳方位之间的误差进行了统计。选取了1000张不在训练集也不在测试集中的图片进行实验结果误差统计，在图中，横坐标代表相对于拍摄地点，太阳预测位置与真实位置之间的误差度数，纵坐标代表在1000张测试图片中，小于某个误差度数的图片在1000张图片中所占的百分比。从图中可知，预测误差在20度以内的图片在测试图片中占47％。
总之，本发明卷积神经网络的应用拓展到对太阳位置的预测。我们通过构建新的卷积神经网络，并根据所使用数据集以及网络参数的情况对数据集进行了一定的前期处理，从结果上来看，将卷积神经网络应用在对太阳位置的识别上有着不错的识别效果。
以上所述仅为本发明的一些基本说明，依据本发明的技术方案所做的任何等效变换，均应属于本发明的保护范围。
Claims (4)
1.一种基于卷积神经网络的对单张室外图像太阳位置的预测方法，其特征在于：该方法包括如下步骤：
(1)需要兼顾图片的全局特征和局部特征，将数据集中尺寸不一的图片统一缩小到256×256的图片大小，并修改卷积神经网络中的卷基层、池化层的相关参数，使得网络满足256×256的大小的图片的输入；将数据集中带有logo、带有明显噪声的部分图片剔除出本次实验，不采用它们作为训练集使用；
(2)将数据通过自写程序转换成了hdf5格式，并在将网络的数据输入层改为了HDF5Layer层以支持hdf5型的数据输入；在网络的输出层选择将两个角度分开输出，计算两个损失函数；
(3)将数据在AlexNet和MSCR改上进行训练；训练的训练集为520000张图片，测试集为123500张图片，基本保持在4:1的比例，训练和测试的batch_size设置为32，最大迭代次数为325000次；
(4)通过纵横向对比对误差进行分析。
2.根据权利要求1所述的一种基于卷积神经网络的对单张室外图像太阳位置的预测方法，其特征在于：步骤(3)基于卷积神经网络的对单张室外图像太阳位置的预测在AlexNet网络上进行训练，该网络适用于图像识别和图像分类；但不同于图片识别分类的任务，需要输出一个离散的集和；太阳位置的方位角和天顶角在数据集中都是一个连续值，对于连续值的预测属于回归问题，在Caffe中有一个专门有一个EuclideanLoss层来处理回归问题的损失函数；
EuclideanLoss层成为欧式距离层，用于处理回归问题的损失函数，他计算的是所有预测行为每次预测行为预测值和真实值的差的平方的和的平均值；EuclideanLoss层函数最后的全连接层后需要连接的损失函数层是EuclideanLoss层。
3.根据权利要求1所述的一种基于卷积神经网络的对单张室外图像太阳位置的预测方法，其特征在于：步骤(3)采用的第二个网络MSCR-改，该网络特征在于出色的特征提取能力；在第一个模块中，采用了和卷积神经网络MSCR中第一个卷积层(conv1)到第五个卷积层(conv5)相同的结构；在第五个卷积层之后，对第五个卷积层卷积获得的特征图进行上采样，使其变成原图四分之一大小的图，并紧跟一个有着64个输出卷积核大小为1×1的卷积层取代了全连接层；这使网络结构能够适应任何大小尺度的输入图片；第二个模块中采用GoogleNet的一部分网络，并将网络中的三个inception模块的输出在网络最后进行了连接，通过连接后的特征图来进行网络损失函数的计算；在步骤MSCR-改图片中的(1)的inception模块能够较好的提取图片的全局特征，步骤MSCR-改图片中的(2)和步骤MSCR-改图片中的(3)的inception模块则能提取图片的细节、深层特征，而图片中的太阳位置往往既需要考虑到图片的整体特征，也需要从图片的一些局部区域获得信息。
4.根据权利要求1所述的一种基于卷积神经网络的对单张室外图像太阳位置的预测方法，其特征在于：步骤(4)中通过纵横向对比对误差进行分析；在纵向对比下，在相同测试条件下，MSCR对图片全局特征和局部特征的提取与整合能力要优于AlexNet；横向对比下，表中的两级数，左侧为方位角，右侧为天顶角；可以看出MSCR改在方位角的预测范围和标准太阳位置基本误差在30度以内，天顶角的误差基本在10度以内。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711078072.8A CN107895385B (zh) | 2017-11-06 | 2017-11-06 | 基于卷积神经网络的对单张室外图像太阳位置的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711078072.8A CN107895385B (zh) | 2017-11-06 | 2017-11-06 | 基于卷积神经网络的对单张室外图像太阳位置的预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107895385A true CN107895385A (zh) | 2018-04-10 |
| CN107895385B CN107895385B (zh) | 2021-07-20 |
Family
ID=61804106
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711078072.8A Active CN107895385B (zh) | 2017-11-06 | 2017-11-06 | 基于卷积神经网络的对单张室外图像太阳位置的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107895385B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110490242A (zh) * | 2019-08-12 | 2019-11-22 | 腾讯医疗健康(深圳)有限公司 | 图像分类网络的训练方法、眼底图像分类方法及相关设备 |
| CN111402327A (zh) * | 2020-03-17 | 2020-07-10 | 韶鼎人工智能科技有限公司 | 一种基于全卷积神经网络的室外照片太阳位置估计方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110000478A1 (en) * | 2009-07-02 | 2011-01-06 | Dan Reznik | Camera-based heliostat tracking controller |
| US20120211001A1 (en) * | 2011-02-23 | 2012-08-23 | King Fahd University Of Petroleum And Minerals | System and method for automatic positioning of a solar array |
| CN103712955A (zh) * | 2014-01-02 | 2014-04-09 | 李云梅 | 一种基于神经网络二次优化的二类水体大气校正方法 |
| CN103955768A (zh) * | 2014-04-30 | 2014-07-30 | 河北省电力勘测设计研究院 | 基于bp神经网络模型的csp辐射与热能预测方法 |
| CN106557617A (zh) * | 2016-10-27 | 2017-04-05 | 北京航空航天大学 | 一种晴空固定翼太阳能无人机能量生产功率估计方法 |
-
2017
- 2017-11-06 CN CN201711078072.8A patent/CN107895385B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110000478A1 (en) * | 2009-07-02 | 2011-01-06 | Dan Reznik | Camera-based heliostat tracking controller |
| US20120211001A1 (en) * | 2011-02-23 | 2012-08-23 | King Fahd University Of Petroleum And Minerals | System and method for automatic positioning of a solar array |
| CN103712955A (zh) * | 2014-01-02 | 2014-04-09 | 李云梅 | 一种基于神经网络二次优化的二类水体大气校正方法 |
| CN103955768A (zh) * | 2014-04-30 | 2014-07-30 | 河北省电力勘测设计研究院 | 基于bp神经网络模型的csp辐射与热能预测方法 |
| CN106557617A (zh) * | 2016-10-27 | 2017-04-05 | 北京航空航天大学 | 一种晴空固定翼太阳能无人机能量生产功率估计方法 |
Non-Patent Citations (3)
| Title |
|---|
| VALENTIN PERETROUKHIN 等: "Reducing Drift in Visual Odometry by Inferring Sun Direction Using a Bayesian Convolutional Neural Network", 《2017 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION (ICRA)》 * |
| YANNICK HOLD-GEOFFROY 等: "Deep Outdoor Illumination Estimation", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
| 柴琳娜 等: "基于自回归神经网络的时间序列叶面积指数估算", 《地球科学进展》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110490242A (zh) * | 2019-08-12 | 2019-11-22 | 腾讯医疗健康(深圳)有限公司 | 图像分类网络的训练方法、眼底图像分类方法及相关设备 |
| CN110490242B (zh) * | 2019-08-12 | 2024-03-29 | 腾讯医疗健康(深圳)有限公司 | 图像分类网络的训练方法、眼底图像分类方法及相关设备 |
| CN111402327A (zh) * | 2020-03-17 | 2020-07-10 | 韶鼎人工智能科技有限公司 | 一种基于全卷积神经网络的室外照片太阳位置估计方法 |
| CN111402327B (zh) * | 2020-03-17 | 2024-03-22 | 韶鼎人工智能科技有限公司 | 一种基于全卷积神经网络的室外照片太阳位置估计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107895385B (zh) | 2021-07-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106127204B (zh) | 一种全卷积神经网络的多方向水表读数区域检测算法 | |
| CN107358257B (zh) | 一种大数据场景下可增量学习的图像分类训练方法 | |
| CN110263705A (zh) | 面向遥感技术领域两期高分辨率遥感影像变化检测方法 | |
| CN109409261B (zh) | 一种农作物分类方法及系统 | |
| CN109559310A (zh) | 基于显著性检测的输变电巡检图像质量评价方法及系统 | |
| CN109359520A (zh) | 人群计数方法、系统、计算机可读存储介质及服务器 | |
| CN109492665A (zh) | 水稻生育期的检测方法、装置及电子设备 | |
| CN113936204B (zh) | 融合地形数据与深度神经网络的高分辨率遥感影像云雪识别方法及装置 | |
| CN112232328A (zh) | 基于卷积神经网络的遥感影像建筑区提取方法、装置 | |
| CN108960404A (zh) | 一种基于图像的人群计数方法及设备 | |
| CN113239830A (zh) | 一种基于全尺度特征融合的遥感图像云检测方法 | |
| CN104063686A (zh) | 作物叶部病害图像交互式诊断系统与方法 | |
| Zhang et al. | MMFNet: Forest fire smoke detection using multiscale convergence coordinated pyramid network with mixed attention and fast-robust NMS | |
| CN114139760A (zh) | 一种预测台风路径的方法、系统、存储介质及设备 | |
| CN112613438A (zh) | 一种便携式柑橘在线测产仪 | |
| CN113378744A (zh) | 一种输电线路巡检目标识别方法及装置 | |
| CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 | |
| CN109784205A (zh) | 一种基于多光谱巡检图像的杂草智能识别方法 | |
| CN108932474A (zh) | 一种基于全卷积神经网络复合特征的遥感影像云判方法 | |
| CN112700476A (zh) | 一种基于卷积神经网络的红外船视频跟踪方法 | |
| CN107895385A (zh) | 基于卷积神经网络的对单张室外图像太阳位置的预测方法 | |
| Wang et al. | Citrus recognition based on YOLOv4 neural network | |
| Wang et al. | A PM2. 5 concentration estimation method based on multi-feature combination of image patches | |
| CN111027436A (zh) | 一种基于深度学习的东北黑木耳病虫害图像识别系统 | |
| Bao et al. | E-unet++: A semantic segmentation method for remote sensing images |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240411 Address after: Room A-8961, Building 3, No. 20 Yong'an Road, Shilong Economic Development Zone, Mentougou District, Beijing, 100000 (cluster registration) Patentee after: Beijing Hidden Computing Technology Co.,Ltd. Country or region after: China Address before: 100070 Beijing city Fengtai District Fung Fu Road No. 7 Patentee before: SCHOOL OF ELECTRONIC TECHNOLOGY, CENTRAL OFFICE OF THE COMMUNIST PARTY OF CHINA Country or region before: China |