CN107944496A - 基于改进后的残差网络的骨龄自动化识别系统 - Google Patents

基于改进后的残差网络的骨龄自动化识别系统 Download PDF

Info

Publication number
CN107944496A
CN107944496A CN201711274742.3A CN201711274742A CN107944496A CN 107944496 A CN107944496 A CN 107944496A CN 201711274742 A CN201711274742 A CN 201711274742A CN 107944496 A CN107944496 A CN 107944496A
Authority
CN
China
Prior art keywords
sample
network
residual error
cost function
training
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
Application number
CN201711274742.3A
Other languages
English (en)
Inventor
漆进
胡顺达
史鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201711274742.3A priority Critical patent/CN107944496A/zh
Publication of CN107944496A publication Critical patent/CN107944496A/zh
Pending legal-status Critical Current

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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0875—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of bone
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Veterinary Medicine (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Rheumatology (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Probability & Statistics with Applications (AREA)
  • Physiology (AREA)
  • Image Analysis (AREA)

Abstract

本发明针对国内利用X光照片骨龄检测没有一种自动化的深度学习处理手段，公开了一种基于改进后的残差网络的骨龄的自动化识别系统。该方法包括：首先对训练样本进行数据增强，归一化处理，然后训练基于改进后的残差网络的骨龄分类网络，之后测试时使用16个不同的滑窗，预测16个分类结果，取频率最高的分类结果。

Description

基于改进后的残差网络的骨龄自动化识别系统
技术领域
本发明涉及图像处理领域，深度学习领域，尤其涉及一种基于改进后的残差网络的骨龄的自动化识别系统。
背景技术
图像处理技术随着近些年硬件设备的发展，越来越来成熟，尤其是最几年深度学习得发展，更是加速了图像处理技术的发展。深度学习已经被用在各个图像处理领域，而且都表现出了比传统更加好的效果。骨龄检测经常被用于医学门诊好，运动员资格审查时等，该技术在医学界和体育界均利用X光拍摄手腕骨和手掌骨的图片在评估骨骼发育年龄。而目前一般的方法都是使用人工读片，这种方法操作繁琐，且有主观性。
目前国内外使用一种基于超声波的骨龄检测，而该方法并未对外公布细节，且许浩等人在2008年提出了超声波骨龄测试不能与X光骨龄测试代替，所以提出一种使用在X光拍摄图片的自动化方法是必要的。2014年Anthony Bagnall等人提出了一种基于骨形态的分类回归骨龄预测模型。2016年，斯坦福大学Matthew Chen提出了一种基于微调VGG网络的深度学习骨龄检测方法。2017年，C.Spampinato等人提出了bonet的网络模型，取得了很好的结果。但该模型由于数据较少，仅一千多张数据，使用了一个网络相对简单的模型，没有足够的数据支撑他的结果。
而本发明针对国内利用X光照片骨龄检测没有一种自动化的深度学习处理手段，针对以前的发明没有足够数据，本发明利用改进后的残差网络，利用美国北美放射学会的公开比赛的X照片大数据，训练出一个结果良好的网络。
发明内容
本发明的目的针对利用X光照片进行骨龄检测，人工识片繁琐，主观性强，没有一种自动化的性能良好检测方法，提出一种基于改进后的残差网络的骨龄识别系统。
为了实现上述目的。本发明采用的技术方案是：
本发明公开了一种基于改进后的残差网络的骨龄自动化识别系统，具体实施步骤包括：
(1)将样本库的样本分为训练样本和验证样本，样本库中图片进行预处理，得到处理后的图片。
(2)构建深度神经网络，将(1)中处理后的图片依批次输入网络，使用有动量的梯度下降法进行优化网络，得到训练完成的网络。
(3)对测试样本图片进行如(1)中的预处理，得到处理后的测试图片。
(4)将(3)中得到的处理后的测试图片输入训练好的网络中，得到骨龄结果。
所述步骤(1)中的预处理步骤如下：
(11)对样本库中样本按照一定比例分为训练样本和验证样本，然后将训练样本和验证样本都进行数据增强，将每个样本进行随机改变对比度，饱和度，光照，得到数据增强后的训练样本和验证样本，样本大小是224×224。
(12)用(11)中的数据增强后的训练样本和验证样本归一化，将(11)中大批训练样本减去样本本身的均值，实现归一化，得到可训练样本和验证样本。
所述步骤(2)中的构建深度神经网络及使用带动量的随机梯度下降法进行优化的步骤如下：
(21)构建一个如图1的深度神经网络，神经网络的特征提取由残差网络构成。网络输入是数据增强后的训练样本，输出月份的分类，由于训练样本骨龄是在18岁以下，所以网络输出216类。该网络的resblock(如图1)所示，由卷积层，batch normalization层和修正线性单元层组成。
(22)将(12)中得到的可训练样本从网络的图像层输入，进入第一个残差模块(图中resblock1)，再通过2×2的下采样(图中pooling)，输出大小是112×112×16的特征通道(feature channels)。
(23)(22)中得到的特征通道进入第二个残差模块(图中resblock2)，再通过2×2的下采样，输出大小是56×56×32的特征通道.
(24)(23)中得到的特征通道进入第三个残差模块(图中resblock3)，再通过2×2的下采样，输出大小是28×28×64的特征通道.
(25)(24)中得到的特征通道进入第四个残差模块(图中resblock4)，再通过2×2的下采样，输出大小是14×14×128的特征通道.
(26)(25)中得到的特征通道进入第五个残差模块(图中resblock4)，再通过2×2的下采样，输出大小是7×7×256的特征通道.
(27)(26)中得到的特征通过一个卷积层，batch normalization层，修正线性单元层和一个全连接层，得到216类输出。
(28)(27)中输出的特征，使用softmax函数将概率图的值归一化到0到1，softmax函数如下：
(29)使用交叉熵代价函数(cross-entropy loss)将(28)中得到的归一化的概率图与标签图对比，交叉熵代价函数如下：
为了防止过拟合，在代价函数后再加上一个L2正则项，得到的代价函数如下：
(210)得到(29)中代价函数值后，根据随机梯度下降法，反向传播，更新网络中参数的值。
(212)将(211)中得到的验证样本的交叉熵代价函数的结果值，与(29)中训练样本的交叉熵代价函数的结果值进行对比，直到验证样本交叉熵代价函数的结果值不在下降，反而上升，而训练样本的交叉熵代价函数的结果值一直下降时，停止训练。以验证样本的交叉熵代价函数的结果值最小的一代网络为最终训练好的网络。
所述步骤(3)中的对测试样本的预处理的具体步骤如下：
(31)将测试样本进行滑窗为224×224的裁剪，一个测试样本得到16个大小是224×224的样本。
(32)将(31)中的测试样本归一化，将(31)中大批训练样本减去样本本身的均值，实现归一化，得到可训练样本。
所述步骤(4)的输入网络预测具体步骤如下：
(41)将(32)中得到的测试样本输入已经训练好的网络得到分类结果。由于每张测试图片是有16次裁剪，则取16次分类结果频率最高的分类结果。
附图说明
图1是神经网络结构图
具体实施方式
以下将结合附图所示的各实施方式对本发明进行详细描述
本发明的目的针对利用X光照片进行骨龄检测，人工识片繁琐，主观性强，没有一种自动化的性能良好检测方法，提出一种基于改进后的残差网络的骨龄识别系统。
为了实现上述目的。本发明采用的技术方案是：
本发明公开了一种基于改进后的残差网络的骨龄自动化识别系统，具体实施步骤包括：
(1)将样本库的样本分为训练样本和验证样本，样本库中图片进行预处理，得到处理后的图片。
(2)构建深度神经网络，将(1)中处理后的图片依批次输入网络，使用有动量的梯度下降法进行优化网络，得到训练完成的网络。
(3)对测试样本图片进行如(1)中的预处理，得到处理后的测试图片。
(4)将(3)中得到的处理后的测试图片输入训练好的网络中，得到骨龄结果。
所述步骤(1)中的预处理步骤如下：
(13)对样本库中样本按照一定比例分为训练样本和验证样本，然后将训练样本和验证样本都进行数据增强，将每个样本进行随机改变对比度，饱和度，光照，得到数据增强后的训练样本和验证样本，样本大小是224×224。
(14)用(11)中的数据增强后的训练样本和验证样本归一化，将(11)中大批训练样本减去样本本身的均值，实现归一化，得到可训练样本和验证样本。
所述步骤(2)中的构建深度神经网络及使用带动量的随机梯度下降法进行优化的步骤如下：
(21)构建一个如图1的深度神经网络，神经网络的特征提取由残差网络构成。网络输入是数据增强后的训练样本，输出月份的分类，由于训练样本骨龄是在18岁以下，所以网络输出216类。该网络的resblock(如图1)所示，由卷积层，batch normalization层和修正线性单元层组成。
(22)将(12)中得到的可训练样本从网络的图像层输入，进入第一个残差模块(图中resblock1)，再通过2×2的下采样(图中pooling)，输出大小是112×112×16的特征通道(feature channels)。
(23)(22)中得到的特征通道进入第二个残差模块(图中resblock2)，再通过2×2的下采样，输出大小是56×56×32的特征通道.
(24)(23)中得到的特征通道进入第三个残差模块(图中resblock3)，再通过2×2的下采样，输出大小是28×28×64的特征通道.
(25)(24)中得到的特征通道进入第四个残差模块(图中resblock4)，再通过2×2的下采样，输出大小是14×14×128的特征通道.
(26)(25)中得到的特征通道进入第五个残差模块(图中resblock4)，再通过2×2的下采样，输出大小是7×7×256的特征通道.
(27)(26)中得到的特征通过一个卷积层，batch normalization层，修正线性单元层和一个全连接层，得到216类输出。
(28)(27)中输出的特征，使用softmax函数将概率图的值归一化到0到1，softmax函数如下：
(29)使用交叉熵代价函数(cross-entropy loss)将(28)中得到的归一化的概率图与标签图对比，交叉熵代价函数如下：
为了防止过拟合，在代价函数后再加上一个L2正则项，得到的代价函数如下：
(210)得到(29)中代价函数值后，根据随机梯度下降法，反向传播，更新网络中参数的值。
(212)将(211)中得到的验证样本的交叉熵代价函数的结果值，与(29)中训练样本的交叉熵代价函数的结果值进行对比，直到验证样本交叉熵代价函数的结果值不在下降，反而上升，而训练样本的交叉熵代价函数的结果值一直下降时，停止训练。以验证样本的交叉熵代价函数的结果值最小的一代网络为最终训练好的网络。
所述步骤(3)中的对测试样本的预处理的具体步骤如下：
(31)将测试样本进行滑窗为224×224的裁剪，一个测试样本得到16个大小是224×224的样本。
(32)将(31)中的测试样本归一化，将(31)中大批训练样本减去样本本身的均值，实现归一化，得到可训练样本。
所述步骤(4)的输入网络预测具体步骤如下：
(41)将(32)中得到的测试样本输入已经训练好的网络得到分类结果。由于每张测试图片是有16次裁剪，则取16次分类结果频率最高的分类结果。

Claims (5)

1.一种基于改进后的残差网络的骨龄识别系统，所述方法包括
(1)将样本库的样本分为训练样本和验证样本，样本库中图片进行预处理，得到处理后的图片；
(2)构建深度神经网络，将(1)中处理后的图片依批次输入网络，使用有动量的梯度下降法进行优化网络，得到训练完成的网络；
(3)对测试样本图片进行如(1)中的预处理，得到处理后的测试图片；
(4)将(3)中得到的处理后的测试图片输入训练好的网络中，得到骨龄结果。
2.根据权利要求1所述的方法，其特征在于，所述步骤(1)中具体包括：
(11)对样本库中样本按照一定比例分为训练样本和验证样本，然后将训练样本和验证样本都进行数据增强，将每个样本进行随机改变对比度，饱和度，光照，得到数据增强后的训练样本和验证样本，样本大小是224×224；
(12)用(11)中的数据增强后的训练样本和验证样本归一化，将(11)中大批训练样本减去样本本身的均值，实现归一化，得到可训练样本和验证样本。
3.根据权利要求1所述的方法，其特征在于，所述步骤(2)中具体包括：
(13)(21)构建一个如图1的深度神经网络，神经网络的特征提取由残差网络构成。网络输入是数据增强后的训练样本，输出月份的分类，由于训练样本骨龄是在18岁以下，所以网络输出216类，该网络的resblock(如图1)所示，由卷积层，batch normalization层和修正线性单元层组成；
(22)将(12)中得到的可训练样本从网络的图像层输入，进入第一个残差模块(图中resblock1)，再通过2×2的下采样(图中pooling)，输出大小是112×112×16的特征通道(feature channels)；
(23)(22)中得到的特征通道进入第二个残差模块(图中resblock2)，再通过2×2的下采样，输出大小是56×56×32的特征通道；
(24)(23)中得到的特征通道进入第三个残差模块(图中resblock3)，再通过2×2的下采样，输出大小是28×28×64的特征通道；
(25)(24)中得到的特征通道进入第四个残差模块(图中resblock4)，再通过2×2的下采样，输出大小是14×14×128的特征通道；
(26)(25)中得到的特征通道进入第五个残差模块(图中resblock4)，再通过2×2的下采样，输出大小是7×7×256的特征通道；
(27)(26)中得到的特征通过一个卷积层，batch normalization层，修正线性单元层和一个全连接层，得到216类输出；
(28)(27)中输出的特征，使用softmax函数将概率图的值归一化到0到1，softmax函数如下：
(29)使用交叉熵代价函数(cross-entropy loss)将(28)中得到的归一化的概率图与标签图对比，交叉熵代价函数如下：
为了防止过拟合，在代价函数后再加上一个L2正则项，得到的代价函数如下：
(210)得到(29)中代价函数值后，根据随机梯度下降法，反向传播，更新网络中参数的值；
(212)将(211)中得到的验证样本的交叉熵代价函数的结果值，与(29)中训练样本的交叉熵代价函数的结果值进行对比，直到验证样本交叉熵代价函数的结果值不在下降，反而上升，而训练样本的交叉熵代价函数的结果值一直下降时，停止训练，以验证样本的交叉熵代价函数的结果值最小的一代网络为最终训练好的网络。
4.根据权利要求1所述的方法，其特征在于，所述步骤(3)中具体包括：
(31)将测试样本进行滑窗为224×224的裁剪，一个测试样本得到16个大小是224×224的样本；
(32)将(31)中的测试样本归一化，将(31)中大批训练样本减去样本本身的均值，实现归一化，得到可训练样本。
5.根据权利要求1所述的方法，其特征在于，所述步骤(4)中具体包括：
(41)将(32)中得到的测试样本输入已经训练好的网络得到分类结果，由于每张测试图片是有16次裁剪，则取16次分类结果频率最高的分类结果。
CN201711274742.3A 2017-12-06 2017-12-06 基于改进后的残差网络的骨龄自动化识别系统 Pending CN107944496A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711274742.3A CN107944496A (zh) 2017-12-06 2017-12-06 基于改进后的残差网络的骨龄自动化识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711274742.3A CN107944496A (zh) 2017-12-06 2017-12-06 基于改进后的残差网络的骨龄自动化识别系统

Publications (1)

Publication Number Publication Date
CN107944496A true CN107944496A (zh) 2018-04-20

Family

ID=61945818

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711274742.3A Pending CN107944496A (zh) 2017-12-06 2017-12-06 基于改进后的残差网络的骨龄自动化识别系统

Country Status (1)

Country Link
CN (1) CN107944496A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145815A (zh) * 2018-08-21 2019-01-04 深圳大学 一种sar目标识别方法、装置、计算机设备及存储介质
CN109215013A (zh) * 2018-06-04 2019-01-15 平安科技（深圳）有限公司 自动骨龄预测方法、系统、计算机设备和存储介质
CN109431463A (zh) * 2018-10-23 2019-03-08 南开大学 基于中西医样本标记的深度学习中医智能诊疗系统
CN110265119A (zh) * 2018-05-29 2019-09-20 中国医药大学附设医院 骨龄评估与身高预测模型、其系统及其预测方法
WO2019214052A1 (zh) * 2018-05-08 2019-11-14 平安科技（深圳）有限公司 手骨x光片骨龄评估方法、装置、计算机设备和存储介质
CN110660484A (zh) * 2019-08-01 2020-01-07 平安科技（深圳）有限公司 骨龄预测方法、装置、介质及电子设备
CN110688880A (zh) * 2018-07-06 2020-01-14 山东华软金盾软件股份有限公司 一种基于精简ResNet残差网络的车牌识别方法
WO2020024127A1 (zh) * 2018-08-01 2020-02-06 中国医药大学附设医院 骨龄评估与身高预测模型、其系统及其预测方法
CN110782450A (zh) * 2019-10-31 2020-02-11 北京推想科技有限公司 手部腕骨发育等级确定方法及相关设备
WO2020062840A1 (zh) * 2018-09-30 2020-04-02 杭州依图医疗技术有限公司 一种检测骨龄的方法及装置
CN111080579A (zh) * 2019-11-28 2020-04-28 杭州电子科技大学 基于深度学习实现图像分割和分类的骨龄评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HYUNKWANG LEE 等: "Fully Automated Deep Learning Systemfor Bone Age Assessment", 《HTTPS://SCHOLAR.HARVARD.EDU/FILES/HKLEE/FILES/JDI17_BONEAGE.PDF》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019214052A1 (zh) * 2018-05-08 2019-11-14 平安科技（深圳）有限公司 手骨x光片骨龄评估方法、装置、计算机设备和存储介质
CN110265119A (zh) * 2018-05-29 2019-09-20 中国医药大学附设医院 骨龄评估与身高预测模型、其系统及其预测方法
CN109215013A (zh) * 2018-06-04 2019-01-15 平安科技（深圳）有限公司 自动骨龄预测方法、系统、计算机设备和存储介质
CN109215013B (zh) * 2018-06-04 2023-07-21 平安科技（深圳）有限公司 自动骨龄预测方法、系统、计算机设备和存储介质
CN110688880A (zh) * 2018-07-06 2020-01-14 山东华软金盾软件股份有限公司 一种基于精简ResNet残差网络的车牌识别方法
WO2020024127A1 (zh) * 2018-08-01 2020-02-06 中国医药大学附设医院 骨龄评估与身高预测模型、其系统及其预测方法
CN109145815A (zh) * 2018-08-21 2019-01-04 深圳大学 一种sar目标识别方法、装置、计算机设备及存储介质
WO2020062840A1 (zh) * 2018-09-30 2020-04-02 杭州依图医疗技术有限公司 一种检测骨龄的方法及装置
CN109431463A (zh) * 2018-10-23 2019-03-08 南开大学 基于中西医样本标记的深度学习中医智能诊疗系统
CN110660484A (zh) * 2019-08-01 2020-01-07 平安科技（深圳）有限公司 骨龄预测方法、装置、介质及电子设备
CN110782450A (zh) * 2019-10-31 2020-02-11 北京推想科技有限公司 手部腕骨发育等级确定方法及相关设备
CN111080579A (zh) * 2019-11-28 2020-04-28 杭州电子科技大学 基于深度学习实现图像分割和分类的骨龄评估方法
CN111080579B (zh) * 2019-11-28 2023-05-26 杭州电子科技大学 基于深度学习实现图像分割和分类的骨龄评估方法

Similar Documents

Publication Publication Date Title
CN107944496A (zh) 基于改进后的残差网络的骨龄自动化识别系统
CN107979554B (zh) 基于多尺度卷积神经网络的无线电信号调制识别方法
CN106790019A (zh) 基于特征自学习的加密流量识别方法及装置
CN108038414A (zh) 基于循环神经网络的人物性格分析方法、装置及存储介质
CN110533041B (zh) 基于回归的多尺度场景文本检测方法
CN108846835A (zh) 基于深度可分离卷积网络的图像变化检测方法
CN110751698A (zh) 一种基于混和网络模型的文本到图像的生成方法
CN107092883A (zh) 物体识别追踪方法
CN111709371B (zh) 基于人工智能的分类方法、装置、服务器和存储介质
CN106203625A (zh) 一种基于多重预训练的深层神经网络训练方法
CN111738044B (zh) 一种基于深度学习行为识别的校园暴力评估方法
CN108900905A (zh) 一种视频剪辑方法及装置
CN108491884A (zh) 基于轻量级网络的行人再识别系统及实现方法
CN111582397A (zh) 一种基于注意力机制的cnn-rnn图像情感分析方法
CN109034204A (zh) 一种基于改进卷积神经网络的焊缝缺陷识别方法
CN106920206A (zh) 一种基于对抗神经网络的隐写分析方法
CN110135505A (zh) 图像分类方法、装置、计算机设备及计算机可读存储介质
CN108960404A (zh) 一种基于图像的人群计数方法及设备
US20190340473A1 (en) Pattern recognition method of autoantibody immunofluorescence image
CN106250840A (zh) 基于深度学习的嘴巴张闭状态检测方法
CN115941112A (zh) 一种便携式隐蔽通信方法、计算机设备及存储介质
CN111460100A (zh) 一种刑事法律文书罪名的推荐方法和系统
Kessler et al. Supernova photometric classification challenge
CN105787045B (zh) 一种用于可视媒体语义索引的精度增强方法
CN104572930B (zh) 数据分类方法及装置

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180420

WD01 Invention patent application deemed withdrawn after publication