CN107944551A - 一种用于电润湿显示屏缺陷识别方法 - Google Patents
一种用于电润湿显示屏缺陷识别方法 Download PDFInfo
- Publication number
- CN107944551A CN107944551A CN201711347034.8A CN201711347034A CN107944551A CN 107944551 A CN107944551 A CN 107944551A CN 201711347034 A CN201711347034 A CN 201711347034A CN 107944551 A CN107944551 A CN 107944551A
- Authority
- CN
- China
- Prior art keywords
- layer
- msub
- mrow
- layers
- network
- 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
- 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
-
- 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
本发明涉及一种用于电润湿显示屏缺陷识别方法。加入批量归一化算法的卷积神经网络的电润湿显示屏缺陷识别方法,所述卷积神经网络包括四层卷积层、三层池化层、三层批量归一化层、两层全连接层、两层Dropout层以及输出层。本发明通过在所述卷积层后加入批量归一化层,使得每层卷积具有相同的数据分布,提高网络的泛化能力,加快网络收敛,从而提高模型训练速度及缺陷识别精度。
Description
技术领域
本发明属于深度学习、图像处理技术领域,具体涉及一种加入批量归一化算法的卷积神经网络的用于电润湿显示屏缺陷识别方法。
背景技术
电润湿,是指通过改变液滴与绝缘基板之间电压,来改变液滴在基板上的润湿性,即改变接触角,使液滴发生形变、位移的现象。所谓电润湿显示技术就是利用油与水界面固有的自然力以及利用这些力量而开发出的方法。作为一种反射式显示技术,电润湿显示器的反射效率超过百分之五十,亮度比LCD高两倍,在强阳光下仍可观看。同时,电润湿显示器无需偏光片、无需极化,没有视角范围限制,所有可视角度皆表现稳定。
电润湿显示技术具有极好的应用前景。但由于生产技术问题,目前生产出来的电润湿显示屏存在一定缺陷,主要有像素坏点、像素墙损坏、油墨泄露、油墨分裂导致显示器灰度降低等。为提高生产效率,研究一种高效准确的电润湿显示屏缺陷自动识别方法很有必要。目前图像识别大都基于机器学习,通过人工设计算法提取图像的纹理、形状等特征,再结合分类器进行识别。传统方法存在人工提取特征繁琐、易受光照等环境因素影响,鲁棒性不高。
鉴于上述原因,本发明提出一种加入批量归一化算法的卷积神经网络的电润湿显示屏缺陷识别方法。近年来,深度学习在图像识别、语音识别等多个领域表现优异,为人工智能开辟了新纪元。卷积神经网络可以以原始二维图像作为输入数据,具有自主选取特征并进行学习与识别的能力,避免了人工提取特征的繁琐与片面。此外,卷积神经网络具有良好的容错能力,自适应能力强,对各种形式的扭曲都具有良好的鲁棒性,非常适合于处理电润湿显示屏缺陷识别问题。
发明内容
本发明的目的在于提供一种用于电润湿显示屏缺陷识别方法,在卷积层之后加入批量归一化算法,不仅提高识别准确率,而且加快卷积神经网络收敛,提高网络训练速度。
为实现上述目的,本发明的技术方案是:一种用于电润湿显示屏缺陷识别方法,采用加入批量归一化算法的卷积神经网络实现;所述卷积神经网络包括四层卷积层、三层池化层、三层批量归一化层、两层全连接层、两层Dropout层以及输出层;通过在所述卷积层后加入批量归一化层,使得每层卷积层具有相同的数据分布,提高网络的泛化能力,加快网络收敛,从而提高模型训练速度及识别精度;该方法具体包括以下步骤:
步骤S1、将输入图像归一化至网络所需统一尺寸大小;
步骤S2、进行卷积:用一个可训练的滤波器卷积输入图像,得到卷积层的特征图;
步骤S3、进行降采样:对卷积层的特征图中的每个n×n领域求最大值得到池化层的一个值,进而使得降采样的特征图在各个维度都比卷积层的特征度缩小n倍;
步骤S4、进行归一化:通过批量归一化算法将输入数据归一化成均值为0,标准差为1的数据分布状态,同时引入学习参数,使得数据归一化过程中不影响从上一层网络学习到的数据特征;批量归一化算法的归一化及前向传播公式为:
其中,μB为均值,δB 2为方差,yi为输出数据;
步骤S5、进行全连接:将第三层池化层的特征图展开成一个向量,乘上加权值并通过激活函数得到输出层神经元的输出值;
步骤S6、求出输出值与标签值的均方误差,网络采用批量随机梯度下降法进行网络迭代运算,当网络迭代次数满足要求时终止卷积神经网络的训练。
在本发明一实施例中,所述四层卷积层均采用ReLU非线性非饱和函数作为激活函数进行映射得到输出值,所述两层全连接层采用tanh作为激活函数进行映射得到输出值,加速网络收敛。
在本发明一实施例中,所述三层池化层均采用最大值采样,即对输入的上一层卷积层的特征图的n×n区域求最大值后作为该层的一个点。
在本发明一实施例中,在所述两层全连接层中加入预定比例的随机隐退Dropout技术,冻结神经元,使其输出为0,从而减少过拟合现象。
在本发明一实施例中,训练网络时,输入训练数据集,先前向传播计算损失误差,再反向传播损失更新模型参数,训练多次后获得所需的卷积神经网络模型。
在本发明一实施例中,模型测试时,先输入待测图像,提取特征向量并做相似度计算,最后输出缺陷识别结果。
相较于现有技术,本发明具有以下有益效果:本发明将卷积神经网络引入电润湿显示屏缺陷检测中,让卷积神经网络自主学习图像特征,避免了对图像的复杂前期预处理,同时在卷积神经网络中引入批量归一化技术,使得每层卷积数据分布都为均值为0,标准差为1,并且数据归一化过程中不影响从上一层网络学习到的特征。提高了网络的泛化能力,加快网络收敛,从而提高模型训练速度及识别精度,具有较强的鲁棒性。
附图说明
图1为本发明实例的卷积神经网络模型结构。
图2为本发明实例中采用的各类电润湿显示屏缺陷的部分图像。
图3为本发明实例中ReLU激活函数连接网络的示意图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
本发明的一种用于电润湿显示屏缺陷识别方法,采用加入批量归一化算法的卷积神经网络实现;所述卷积神经网络包括四层卷积层、三层池化层、三层批量归一化层、两层全连接层、两层Dropout层以及输出层;通过在所述卷积层后加入批量归一化层,使得每层卷积层具有相同的数据分布,提高网络的泛化能力,加快网络收敛,从而提高模型训练速度及识别精度;该方法具体包括以下步骤:
步骤S1、将输入图像归一化至网络所需统一尺寸大小;
步骤S2、进行卷积:用一个可训练的滤波器卷积输入图像,得到卷积层的特征图;
步骤S3、进行降采样:对卷积层的特征图中的每个n×n领域求最大值得到池化层的一个值,进而使得降采样的特征图在各个维度都比卷积层的特征度缩小n倍;
步骤S4、进行归一化:通过批量归一化算法将输入数据归一化成均值为0,标准差为1的数据分布状态,同时引入学习参数,使得数据归一化过程中不影响从上一层网络学习到的数据特征;批量归一化算法的归一化及前向传播公式为:
其中,μB为均值,δB 2为方差,yi为输出数据;
步骤S5、进行全连接:将第三层池化层的特征图展开成一个向量,乘上加权值并通过激活函数得到输出层神经元的输出值;
步骤S6、求出输出值与标签值的均方误差,网络采用批量随机梯度下降法进行网络迭代运算,当网络迭代次数满足要求时终止卷积神经网络的训练。
所述四层卷积层均采用ReLU非线性非饱和函数作为激活函数进行映射得到输出值,所述两层全连接层采用tanh作为激活函数进行映射得到输出值,加速网络收敛。
所述三层池化层均采用最大值采样,即对输入的上一层卷积层的特征图的n×n区域求最大值后作为该层的一个点。
在所述两层全连接层中加入预定比例的随机隐退Dropout技术,冻结神经元,使其输出为0,从而减少过拟合现象。
训练网络时,输入训练数据集,先前向传播计算损失误差,再反向传播损失更新模型参数,训练多次后获得所需的卷积神经网络模型。
模型测试时,先输入待测图像,提取特征向量并做相似度计算,最后输出缺陷识别结果。
以下为本发明的具体实施过程。
本实例提供一种加入批量归一化算法的卷积神经网络的电润湿显示屏缺陷识别方法,如图1所示,本实施的卷积神经网络包括四个卷积层、三个池化层、三个批量归一化层、两个全连接层、两个Dropout层以及输出层。通过在所述卷积层后加入一层批量归一化层,使得每层卷积具有相同的数据分布,提高网络的泛化能力,加快网络收敛,从而提高模型训练速度及识别精度。具体包括以下步骤:
步骤S1、将输入图像归一化至网络所需统一尺寸大小;
步骤S2、进行卷积:用一个可训练的滤波器卷积输入图像,得到卷积层的特征图;
步骤S3、进行降采样:对卷积层的特征图中的每个n×n领域求最大值得到池化层的一个值,进而使得降采样的特征图在各个维度都比卷积层的特征度缩小n倍;
步骤S4、进行归一化:通过BN算法将输入数据归一化成均值为0,标准差为1的数据分布状态,同时引入学习参数,使得数据归一化过程中不影响从上一层网络学习到的数据特征。BN算法的归一化及前向传播公式为:
其中,μB为均值,δB 2为方差,yi为输出数据;对于规范化层中的每个神经元,都有参数γ和β。只要满足γk=(Var[xk])1/2,βk=E[xk]就能恢复从上一层学到的数据特征分布。因此,训练时可设置较高学习率,从而加快网络收敛,提高训练速度。
步骤S5、进行全连接:将第三层池化层的特征图展开成一个向量,乘上加权值并通过激活函数得到输出层神经元的输出值;
步骤S6、求出输出值与标签值的均方误差,网络采用批量随机梯度下降法进行网络迭代运算,当网络迭代次数满足要求时终止卷积神经网络的训练。
在本实施例中,所述四层卷积层均采用ReLU非线性非饱和函数作为激活函数进行映射得到输出值,所述的两层全连接层采用tanh作为激活函数进行映射得到输出值,加速网络收敛。
在本实施例中,所述三层池化层均采用最大值采样,即对输入的上一层卷积层中的特征图的n×n区域求最大值后作为该层的一个点。
在本实施例中,在全连接层后引入比例为50%的随机退隐,即随机“冻结”全连接输出层的50%的神经元,在网络训练过程中保留其当前的权值,同时将输出设定为0,在下一次训练时重新恢复权值,从而减小网络过拟合现象。
在本实例中,训练网络时,输入电润湿显示屏缺陷图像训练数据集,先前向传播计算损失误差,再反向传播损失更新模型参数,训练多次后获得所需的卷积神经网络模型。
在本实例中,模型测试时,先输入待测电润湿显示屏图像,提取特征向量并做相似度计算,最后输出缺陷识别结果。
具体的,本实施例中采用的输入图像为如图2所示的电润湿显示屏缺陷缺陷图像,将它们统一裁剪压缩成尺寸为128×128,第一层卷积层采用个48个7×7大的卷积核,卷积步长为1。所述的激活函数采用ReLU非线性非饱和函数,该函数通过线性修正的方式,强制某些数据为零,使得模型具有适度的稀疏表达。其梯度值大,可防止梯度向前传递时弥散,所述的ReLU函数连接网络如图3所示。
如图1所示结构,所述的第一层池化层为最大值采样,采样窗口为3×3,即对输入上一层的特征特3×3区域求最大值后作为该层的一个点。故该层输出的特征图在两个维度上都缩小为原来的三分之一。
所述的第二层卷积层采用96个3×3大小的卷积核,步长为1,激活函数为ReLU激活函数;第二层池化层采用最大值池化,采样窗口为3×3;第三层卷积层采用128个3×3大小的卷积核,激活函数为ReLU激活函数;第四层卷积层采用128个3×3大小的卷积核,激活函数为ReLU激活函数;第三层池化层采用最大值池化,采样窗口为3×3。
具体的,在本实例训练时采用批量随机梯度下降法进行网络迭代运算。每批训练样本数量为64,样本循环训练600次,共进行18000次迭代运算。网络在迭代2500次运算后开始收敛。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (6)
1.一种用于电润湿显示屏缺陷识别方法,其特征在于:采用加入批量归一化算法的卷积神经网络实现;所述卷积神经网络包括四层卷积层、三层池化层、三层批量归一化层、两层全连接层、两层Dropout层以及输出层;通过在所述卷积层后加入批量归一化层,使得每层卷积层具有相同的数据分布,提高网络的泛化能力,加快网络收敛,从而提高模型训练速度及识别精度;该方法具体包括以下步骤:
步骤S1、将输入图像归一化至网络所需统一尺寸大小;
步骤S2、进行卷积:用一个可训练的滤波器卷积输入图像,得到卷积层的特征图;
步骤S3、进行降采样:对卷积层的特征图中的每个n×n领域求最大值得到池化层一个值,进而使得降采样的特征图在各个维度都比卷积层的特征度缩小n倍;
步骤S4、进行归一化:通过批量归一化算法将输入数据归一化成均值为0,标准差为1的数据分布状态,同时引入学习参数,使得数据归一化过程中不影响从上一层网络学习到的数据特征;批量归一化算法的归一化及前向传播公式为:
<mrow>
<msub>
<mi>&mu;</mi>
<mi>B</mi>
</msub>
<mo>&LeftArrow;</mo>
<mfrac>
<mn>1</mn>
<mi>m</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<msubsup>
<mi>&delta;</mi>
<mi>B</mi>
<mn>2</mn>
</msubsup>
<mo>&LeftArrow;</mo>
<mfrac>
<mn>1</mn>
<mi>m</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>B</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>&LeftArrow;</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>B</mi>
</msub>
</mrow>
<msqrt>
<mrow>
<msubsup>
<mi>&delta;</mi>
<mi>B</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mi>&epsiv;</mi>
</mrow>
</msqrt>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>&LeftArrow;</mo>
<mi>&gamma;</mi>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>+</mo>
<mi>&beta;</mi>
<mo>&equiv;</mo>
<msub>
<mi>BN</mi>
<mrow>
<mi>&gamma;</mi>
<mo>,</mo>
<mi>&beta;</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中,μB为均值,δB 2为方差,yi为输出数据;
步骤S5、进行全连接:将第三层池化层的特征图展开成一个向量,乘上加权值并通过激活函数得到输出层神经元的输出值;
步骤S6、求出输出值与标签值的均方误差,网络采用批量随机梯度下降法进行网络迭代运算,当网络迭代次数满足要求时终止卷积神经网络的训练。
2.根据权利要求1所述的一种用于电润湿显示屏缺陷识别方法,其特征在于:所述四层卷积层均采用ReLU非线性非饱和函数作为激活函数进行映射得到输出值,所述两层全连接层采用tanh作为激活函数进行映射得到输出值,加速网络收敛。
3.根据权利要求1所述的一种用于电润湿显示屏缺陷识别方法,其特征在于:所述三层池化层均采用最大值采样,即对输入的上一层卷积层的特征图的n×n区域求最大值后作为该层的一个点。
4.根据权利要求1所述的一种用于电润湿显示屏缺陷识别方法,其特征在于:在所述两层全连接层中加入预定比例的随机隐退Dropout技术,冻结神经元,使其输出为0,从而减少过拟合现象。
5.根据权利要求1所述的一种用于电润湿显示屏缺陷识别方法,其特征在于:训练网络时,输入训练数据集,先前向传播计算损失误差,再反向传播损失更新模型参数,训练多次后获得所需的卷积神经网络模型。
6.根据权利要求1所述的一种用于电润湿显示屏缺陷识别方法,其特征在于:模型测试时,先输入待测图像,提取特征向量并做相似度计算,最后输出缺陷识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711347034.8A CN107944551A (zh) | 2017-12-15 | 2017-12-15 | 一种用于电润湿显示屏缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711347034.8A CN107944551A (zh) | 2017-12-15 | 2017-12-15 | 一种用于电润湿显示屏缺陷识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107944551A true CN107944551A (zh) | 2018-04-20 |
Family
ID=61943467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711347034.8A Pending CN107944551A (zh) | 2017-12-15 | 2017-12-15 | 一种用于电润湿显示屏缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107944551A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658403A (zh) * | 2018-12-18 | 2019-04-19 | 福州大学 | 一种彩色电润湿显示单元缺陷识别方法及其装置 |
CN110569764A (zh) * | 2019-08-28 | 2019-12-13 | 北京工业大学 | 一种基于卷积神经网络的手机型号识别方法 |
WO2020007096A1 (zh) * | 2018-07-02 | 2020-01-09 | 北京百度网讯科技有限公司 | 显示屏质量检测方法、装置、电子设备及存储介质 |
CN111260612A (zh) * | 2020-01-09 | 2020-06-09 | 北京良业环境技术股份有限公司 | 一种路灯上的led屏幕故障诊断方法 |
CN111753862A (zh) * | 2019-03-29 | 2020-10-09 | 北京地平线机器人技术研发有限公司 | 训练神经网络模型的方法及装置、图像识别方法 |
CN112215868A (zh) * | 2020-09-10 | 2021-01-12 | 湖北医药学院 | 基于生成对抗网络的去除手势图像背景的方法 |
CN112259113A (zh) * | 2020-09-30 | 2021-01-22 | 清华大学苏州汽车研究院(相城) | 一种提高车内语音识别准确率的前处理系统及其控制方法 |
CN113505832A (zh) * | 2021-07-09 | 2021-10-15 | 合肥云诊信息科技有限公司 | 一种神经网络批分组响应的bgrn归一化方法 |
CN114308159A (zh) * | 2021-12-29 | 2022-04-12 | 复旦大学 | 一种光致电润湿芯片中液滴的自动化控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017079529A1 (en) * | 2015-11-04 | 2017-05-11 | Nec Laboratories America, Inc. | Universal correspondence network |
CN106874898A (zh) * | 2017-04-08 | 2017-06-20 | 复旦大学 | 基于深度卷积神经网络模型的大规模人脸识别方法 |
-
2017
- 2017-12-15 CN CN201711347034.8A patent/CN107944551A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017079529A1 (en) * | 2015-11-04 | 2017-05-11 | Nec Laboratories America, Inc. | Universal correspondence network |
CN106874898A (zh) * | 2017-04-08 | 2017-06-20 | 复旦大学 | 基于深度卷积神经网络模型的大规模人脸识别方法 |
Non-Patent Citations (3)
Title |
---|
BINGZHEN WEI等: ""Minimal Effort Back Propagation for Convolutional Neural Networks"", 《ARXIV.ORG》 * |
朱威等: ""结合批归一化的直通卷积神经网络图像分类算法"", 《计算机辅助设计与图形学学报》 * |
王晓斌等: ""基于优化卷积神经网络结构的交通标志识别"", 《计算机应用》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020007096A1 (zh) * | 2018-07-02 | 2020-01-09 | 北京百度网讯科技有限公司 | 显示屏质量检测方法、装置、电子设备及存储介质 |
KR20200004824A (ko) * | 2018-07-02 | 2020-01-14 | 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 | 디스플레이 스크린 품질 검출 방법, 장치, 전자기기 및 저장매체 |
JP2020528996A (ja) * | 2018-07-02 | 2020-10-01 | 北京百度網訊科技有限公司 | ディスプレイスクリーン品質検査方法、装置、電子機器及び記憶媒体 |
US11488294B2 (en) | 2018-07-02 | 2022-11-01 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method for detecting display screen quality, apparatus, electronic device and storage medium |
KR102229594B1 (ko) * | 2018-07-02 | 2021-03-17 | 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 | 디스플레이 스크린 품질 검출 방법, 장치, 전자기기 및 저장매체 |
CN109658403B (zh) * | 2018-12-18 | 2022-05-17 | 福州大学 | 一种彩色电润湿显示单元缺陷识别方法及其装置 |
CN109658403A (zh) * | 2018-12-18 | 2019-04-19 | 福州大学 | 一种彩色电润湿显示单元缺陷识别方法及其装置 |
CN111753862A (zh) * | 2019-03-29 | 2020-10-09 | 北京地平线机器人技术研发有限公司 | 训练神经网络模型的方法及装置、图像识别方法 |
CN110569764A (zh) * | 2019-08-28 | 2019-12-13 | 北京工业大学 | 一种基于卷积神经网络的手机型号识别方法 |
CN110569764B (zh) * | 2019-08-28 | 2023-12-22 | 北京工业大学 | 一种基于卷积神经网络的手机型号识别方法 |
CN111260612A (zh) * | 2020-01-09 | 2020-06-09 | 北京良业环境技术股份有限公司 | 一种路灯上的led屏幕故障诊断方法 |
CN112215868A (zh) * | 2020-09-10 | 2021-01-12 | 湖北医药学院 | 基于生成对抗网络的去除手势图像背景的方法 |
CN112215868B (zh) * | 2020-09-10 | 2023-12-26 | 湖北医药学院 | 基于生成对抗网络的去除手势图像背景的方法 |
CN112259113A (zh) * | 2020-09-30 | 2021-01-22 | 清华大学苏州汽车研究院(相城) | 一种提高车内语音识别准确率的前处理系统及其控制方法 |
CN113505832A (zh) * | 2021-07-09 | 2021-10-15 | 合肥云诊信息科技有限公司 | 一种神经网络批分组响应的bgrn归一化方法 |
CN113505832B (zh) * | 2021-07-09 | 2023-10-10 | 合肥云诊信息科技有限公司 | 用于图像分类任务的神经网络批分组响应的bgrn归一化方法 |
CN114308159A (zh) * | 2021-12-29 | 2022-04-12 | 复旦大学 | 一种光致电润湿芯片中液滴的自动化控制方法 |
CN114308159B (zh) * | 2021-12-29 | 2023-09-01 | 复旦大学 | 一种光致电润湿芯片中液滴的自动化控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944551A (zh) | 一种用于电润湿显示屏缺陷识别方法 | |
CN110929603B (zh) | 一种基于轻量级卷积神经网络的天气图像识别方法 | |
CN106600577B (zh) | 一种基于深度反卷积神经网络的细胞计数方法 | |
CN107292333B (zh) | 一种基于深度学习的快速图像分类方法 | |
CN105184312B (zh) | 一种基于深度学习的文字检测方法及装置 | |
CN106407986B (zh) | 一种基于深度模型的合成孔径雷达图像目标识别方法 | |
CN108230278B (zh) | 一种基于生成对抗网络的图像去雨滴方法 | |
CN110211061A (zh) | 基于神经网络的单深度相机深度图实时增强方法及装置 | |
CN108717568A (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 | |
CN108805270A (zh) | 一种基于存储器的卷积神经网络系统 | |
CN109165660A (zh) | 一种基于卷积神经网络的显著物体检测方法 | |
CN111861906B (zh) | 一种路面裂缝图像虚拟增广模型建立及图像虚拟增广方法 | |
CN107563430A (zh) | 一种基于稀疏自动编码器和灰度关联分析法的卷积神经网络算法优化方法 | |
CN108875906B (zh) | 一种多尺度逐步累加的卷积神经网络学习方法 | |
CN108399430B (zh) | 一种基于超像素和随机森林的sar图像舰船目标检测方法 | |
CN113129272A (zh) | 一种基于去噪卷积自编码器的缺陷检测方法及装置 | |
CN107516128A (zh) | 一种基于ReLU激活函数的卷积神经网络的花卉识别方法 | |
CN108734675A (zh) | 基于混合稀疏先验模型的图像复原方法 | |
CN111666986A (zh) | 基于机器学习的小龙虾分级方法 | |
CN111784777A (zh) | 基于卷积神经网络的smt物料数量统计方法及统计系统 | |
CN109977989A (zh) | 一种图像张量数据的处理方法 | |
CN116052016A (zh) | 基于深度学习的遥感图像云和云影的精细分割检测方法 | |
CN112180369A (zh) | 基于深度学习的一维综合孔径辐射计海面风速反演方法 | |
CN113822825B (zh) | 基于3d-r2n2的光学建筑目标三维重建方法 | |
CN110728186A (zh) | 一种基于多网融合的火灾检测方法 |
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: 20180420 |