CN108053025B - 多柱神经网络医学影像分析方法及装置 - Google Patents

多柱神经网络医学影像分析方法及装置 Download PDF

Info

Publication number
CN108053025B
CN108053025B CN201711297772.6A CN201711297772A CN108053025B CN 108053025 B CN108053025 B CN 108053025B CN 201711297772 A CN201711297772 A CN 201711297772A CN 108053025 B CN108053025 B CN 108053025B
Authority
CN
China
Prior art keywords
neural network
image
images
column
prediction result
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.)
Active
Application number
CN201711297772.6A
Other languages
English (en)
Other versions
CN108053025A (zh
Inventor
丁帅
王浩
杨善林
孙晓
岳子杰
汪家欣
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.)
Hefei Polytechnic University
Original Assignee
Hefei Polytechnic University
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 Hefei Polytechnic University filed Critical Hefei Polytechnic University
Priority to CN201711297772.6A priority Critical patent/CN108053025B/zh
Publication of CN108053025A publication Critical patent/CN108053025A/zh
Application granted granted Critical
Publication of CN108053025B publication Critical patent/CN108053025B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Abstract

本发明提供了一种多柱神经网络医学影像分析方法及装置。该方法包括：从医学影像中获取第一数量帧关键帧图像作为输入图像；然后，将输入图像输入多柱神经网络中每个神经网络获取对应的预测结果；最后，基于多柱神经网络，根据每个神经网络的预测结果和对应的权重的乘积之和作为最终的预测结果。可见，本发明实施例基于多柱神经网络中每个神经网络对输入图像进行处理，每个神经网络对输入图像进行加权处理，这样可以避免分类错误的图像影响到预测结果，从而提高预测结果的正确性。

Description

多柱神经网络医学影像分析方法及装置
技术领域
本发明涉及数据处理技术领域，尤其涉及一种多柱神经网络医学影像分析方法及装置。
背景技术
相关技术中公开了一种内窥镜图像肠道出血检测方法，在训练网络的过程中，首先将出血图像和不出血图像分别进行旋转、亮度调节、高斯模糊、加泊松噪声四种变换，然后变换后的图像和原始图像一起构成新数据集；其次在训练网络的过程中，复制所有出血图像，使得出血图像和不出血图像数量相等，从而得到扩增数据集；然后训练三个深度卷积神经网络，得到三个非线性映射关系；最后依据得到的三个深度卷积神经网络做内窥镜图像肠道出血检测，得到三个检测结果，然后根据多数投票规则，得到最终的检测结果。该方法可以实时检测不理想环境下得到的图像。然而，上述方法中神经网络结构复杂，对分类错误的图像没有进行处理措施，影响预测结果。
发明内容
针对现有技术中的缺陷，本发明提供了一种多柱神经网络医学影像分析方法及装置，用于解决相关技术中神经网络无法根据实际基础设备灵活配置的问题。
第一方面，本发明实施例提供了一种多柱神经网络医学影像分析方法，所述方法包括：
从医学影像中获取第一数量帧关键帧图像作为输入图像；
将所述输入图像输入所述多柱神经网络中每个神经网络获取对应的预测结果；
基于所述多柱神经网络，根据每个神经网络的预测结果和对应的权重的乘积之和作为最终的预测结果。
可选地，将所述输入图像输入所述多柱神经网络中每个神经网络获取对应的预测结果包括：
将所述第一数量帧输入图像分为训练集、测试集和验证集训练第一神经网络；所述训练集和所述测试集用于训练所述第一神经网络，所述测试集用于通过反向传播方式对所述第一神经网络的神经元的参数进行微调，所述验证集用于在所述第一神经网络训练完毕后对训练结果进行分类，得到第二数量帧分类正确的输入图像；
计算所述第二数量帧和所述第一数量帧的比例；
根据所述比例对所述神经网络中分类错误的图像进行扩充，得到第三数量帧输入图像；所述第三数量帧输入图像包括第二数量帧分类正确的输入图像；
将所述第三数量帧输入图像作为第二神经网络的输入图像，继续对分类错误的图像进行扩充；
将扩充后的输入图像作为多柱神经网络中下一个神经网络的输入图像，重复上述全部步骤N-2次，其中N为多柱神经网络中神经网络的个数。
可选地，对所述神经网络中分类错误的图像进行扩充的方式包括：高斯模糊、相位平移或中间扭曲。
可选地，对所述神经网络中分类错误的图像进行扩充的方式基于以下公式：
Figure GDA0002231365260000031
其中：i表示图像标号，ht(xi)表示图像原所属的类别，ht(i)表示图像当前所属类别，yi表示现有神经网络所分类出的类别；Dt(i)是当前第i帧图像原权重，wt为当前分类器的权重，
Figure GDA0002231365260000032
εt为当前分类器中错误图像占总图像的比例；D(t+1)(i)为当前图像在下一个分类器中的权重。
第二方面，本发明实施例提供了一种多柱神经网络医学影像分析装置，所述装置包括：
输入图像获取模块，用于从医学影像中获取第一数量帧关键帧图像作为输入图像；
预测结果获取模块，用于将所述输入图像输入所述多柱神经网络中每个神经网络获取对应的预测结果；
最终结果计算模块，用于基于所述多柱神经网络，计算每个神经网络的预测结果和对应的权重的乘积之和作为最终的预测结果。
可选地，所述预测结果获取模块包括：
训练单元，用于将所述第一数量帧输入图像分为训练集、测试集和验证集训练第一神经网络；所述训练集和所述测试集用于训练所述第一神经网络，所述测试集用于通过反向传播方式对所述第一神经网络的神经元的参数进行微调，所述验证集用于在所述第一神经网络训练完毕后对训练结果进行分类，得到第二数量帧分类正确的输入图像；
计算单元，用于计算所述第二数量帧和所述第一数量帧的比例；
第一扩充单元，用于根据所述比例对所述神经网络中分类错误的图像进行扩充，得到第三数量帧输入图像；所述第三数量帧输入图像包括第二数量帧分类正确的输入图像；
第二扩充单元，用于将所述第三数量帧输入图像作为第二神经网络的输入图像，继续对分类错误的图像进行扩充；
第三扩充单元，用于将扩充后的输入图像作为多柱神经网络中下一个神经网络的输入图像，重复上述全部步骤N-2次，其中N为多柱神经网络中神经网络的个数。
可选地，所述第二扩充单元或所述第三扩充单元中对所述神经网络中分类错误的图像进行扩充的方式包括：高斯模糊、相位平移或中间扭曲。
可选地，所述第二扩充单元或所述第三扩充单元中对所述神经网络中分类错误的图像进行扩充的方式基于以下公式：
Figure GDA0002231365260000041
其中：i表示图像标号，ht(xi)表示图像原所属的类别，ht(i)表示图像当前所属类别，yi表示现有神经网络所分类出的类别；Dt(i)是当前第i帧图像原权重，wt为当前分类器的权重，
Figure GDA0002231365260000051
εt为当前分类器中错误图像占总图像的比例；D(t+1)(i)为当前图像在下一个分类器中的权重。
由上述技术方案可知，本发明实施例通过从医学影像中获取第一数量帧关键帧图像作为输入图像；然后，将所述输入图像输入所述多柱神经网络中每个神经网络获取对应的预测结果；最后，基于所述多柱神经网络，根据每个神经网络的预测结果和对应的权重的乘积之和作为最终的预测结果。可见，本发明实施例基于多柱神经网络中每个神经网络对输入图像进行处理，每个神经网络对输入图像进行加权处理，这样可以避免分类错误的图像影响到预测结果，从而提高预测结果的正确性。
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一些实施例，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，还可以根据这些图获得其他的附图。
图1为本发明一实施例提供的多柱神经网络医学影像分析方法的方法流程示意图；
图2为本发明另一实施例提供的多柱神经网络医学影像分析方法的方法流程示意图；
图3为本发明一实施例提供的多柱神经网络的结构框图；
图4为本发明一实施例提供的多柱神经网络医学影像分析装置的框图；
图5为本发明另一实施例提供的多柱神经网络医学影像分析装置的框图。
具体实施方式
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，所描述的实施例仅仅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。
图1为本发明一实施例提供的多柱神经网络医学影像分析方法的方法流程示意图。参见图1，该方法包括：
101，从医学影像中获取第一数量帧关键帧图像作为输入图像；
102，将所述输入图像输入所述多柱神经网络中每个神经网络获取对应的预测结果；
103，基于所述多柱神经网络，根据每个神经网络的预测结果和对应的权重的乘积之和作为最终的预测结果。
由上述技术方案可知，本发明实施例基于多柱神经网络中每个神经网络对输入图像进行处理，每个神经网络对输入图像进行加权处理，这样可以避免分类错误的图像影响到预测结果，从而提高预测结果的正确性。
下面结合附图和实施例对本发明实施例提供的矩阵博弈方法各步骤作详细描述。
首先，介绍101，从医学影像中获取第一数量帧关键帧图像作为输入图像的步骤。
本实施例中通过一个设置在医学影像成像设备中的定时器定时采集视频中的关键帧图像，得到第一数量帧关键帧图像后作为输入图像。
第一数量可以为1张、数张、数十张，甚至更多，可以根据具体场景进行设定，在此不作限定。
其次，介绍102，将所述输入图像输入所述多柱神经网络中每个神经网络获取对应的预测结果的步骤。
参见图2，本实施例中将第一数量帧输入图像分为训练集、测试集和验证集训练第一神经网络。其中训练集和测试集用于训练第一神经网络，所述测试集用于通过反向传播方式对第一神经网络的神经元的参数进行微调，验证集用于在第一神经网络训练完毕后对训练结果进行分类，得到第二数量帧分类正确的输入图像(对应步骤201)。可理解的是，第二数量帧大于或者等于第一数量帧。
本实施例中计算第二数量帧和第一数量帧的比例εt(对应步骤202)。可理解的是，该比例为分类正确的输入图像与全部输入图像的正确率。
需要说明的是，本实施例中ht(xi)是xi的一个分类的结果，yi是分类正确的结果，则根据εt计算当前神经网络的权重wt为：
Figure GDA0002231365260000071
假设Dt(xi)是xi所在神经网络的比例，则其传递过程后所扩充的数量按照下式计算：
Figure GDA0002231365260000081
需要说明的是，本社会中对神经网络中分类错误的图像进行扩充的方式包括高斯模糊、相位平移或者中间扭曲。
其中，高斯模糊为将图像中每9个像素点均匀化，达到模糊化效果，产生一张新的图像。
相位平移是将图像按照原有尺寸长的0.125倍左右平移，产生两张新的图像。按照原有尺寸宽的0.125倍上下平移，产生两张新的图像。
中间扭曲是指将图像中央25％的区域的像素进行5°的旋转，产生新的图像。
本实施例中，根据比例wt对所述神经网络中分类错误的图像进行扩充，得到第三数量帧输入图像；所述第三数量帧输入图像包括第二数量帧分类正确的输入图像(对应步骤203)。
本实施例中多柱神经网络包括多个神经网络。该神经网络可以包括3个，参见图3，例如神经网络#1、神经网络#2和神经网络#3。可理解的是，神经网络的数量N的增加或者减少可以影响到预测结果的准确性，本领域技术人员可以根据具体场景进行设定，在此不作限定。
继续参见图3，神经网络#1、神经网络#2和神经网络#3之间包括误分类传递器。即神经网络#1的输出结果可以作为经过误分类传感器发送给神经网络#2，同理，神经网络#2可以作为经过误分类传感器发送给神经网络#3。可理解的是，当神经网络包括N个时，该多柱神经网络之间包括N-2个误分类传感器，
这样，本实施例将第三数量帧输入图像作为第二神经网络的输入图像，继续对分类错误的图像进行扩充(对应步骤204)。
本实施例中将扩充后的输入图像作为多柱神经网络中下一个神经网络的输入图像，重复上述全部步骤N-2次，其中N为多柱神经网络中神经网络的个数(对应步骤205)。
最后，介绍103，基于所述多柱神经网络，根据每个神经网络的预测结果和对应的权重的乘积之和作为最终的预测结果的步骤。
本实施例中将每个神经网络的预测结果和对应的权重乘积，然后计算N个乘积的和，公式如下：
Figure GDA0002231365260000091
式中，H(X)指最终分类结果，sign求符号函数，T指有t个神经网络。
本发明实施例还提供了一种多柱神经网络医学影像分析装置，如图4所示，所述装置包括：
输入图像获取模块401，用于从医学影像中获取第一数量帧关键帧图像作为输入图像；
预测结果获取模块402，用于将所述输入图像输入所述多柱神经网络中每个神经网络获取对应的预测结果；
最终结果计算模块403，用于基于所述多柱神经网络，计算每个神经网络的预测结果和对应的权重的乘积之和作为最终的预测结果。
可选地，上述预测结果获取模块402包括：
训练单元501，用于将所述第一数量帧输入图像分为训练集、测试集和验证集训练第一神经网络；所述训练集和所述测试集用于训练所述第一神经网络，所述测试集用于通过反向传播方式对所述第一神经网络的神经元的参数进行微调，所述验证集用于在所述第一神经网络训练完毕后对训练结果进行分类，得到第二数量帧分类正确的输入图像；
计算单元502，用于计算所述第二数量帧和所述第一数量帧的比例；
第一扩充单元503，用于根据所述比例对所述神经网络中分类错误的图像进行扩充，得到第三数量帧输入图像；所述第三数量帧输入图像包括第二数量帧分类正确的输入图像；
第二扩充单元504，用于将所述第三数量帧输入图像作为第二神经网络的输入图像，继续对分类错误的图像进行扩充；
第三扩充单元505，用于将扩充后的输入图像作为多柱神经网络中下一个神经网络的输入图像，重复上述全部步骤N-2次，其中N为多柱神经网络中神经网络的个数。
可选地，所述第二扩充单元504或所述第三扩充单元505中对所述神经网络中分类错误的图像进行扩充的方式包括：高斯模糊、相位平移或中间扭曲。
可选地，所述第二扩充单元504或所述第三扩充单元505中对所述神经网络中分类错误的图像进行扩充的方式基于以下公式：
Figure GDA0002231365260000101
其中：i表示图像标号，ht(xi)表示图像原所属的类别，ht(i)表示图像当前所属类别，yi表示现有神经网络所分类出的类别；Dt(i)是当前第i帧图像原权重，wt为当前分类器的权重，
Figure GDA0002231365260000111
εt为当前分类器中错误图像占总图像的比例；D(t+1)(i)为当前图像在下一个分类器中的权重。
需要说明的是，本发明实施例提供的多柱神经网络医学影像分析装置与上述方法是一一对应的关系，上述方法的实施细节同样适用于上述装置，本发明实施例不再对上述系统进行详细说明。
本发明的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (6)

1.一种多柱神经网络医学影像分析方法，其特征在于，所述方法包括：
从医学影像中获取第一数量帧关键帧图像作为输入图像；
将所述输入图像输入所述多柱神经网络中每个神经网络获取对应的预测结果；
基于所述多柱神经网络，根据每个神经网络的预测结果和对应的权重的乘积之和作为最终的预测结果；
其中，将所述输入图像输入所述多柱神经网络中每个神经网络获取对应的预测结果包括：
将所述第一数量帧输入图像分为训练集、测试集和验证集训练第一神经网络；所述训练集和所述测试集用于训练所述第一神经网络，所述测试集用于通过反向传播方式对所述第一神经网络的神经元的参数进行微调，所述验证集用于在所述第一神经网络训练完毕后对训练结果进行分类，得到第二数量帧分类正确的输入图像；
计算所述第二数量帧和所述第一数量帧的比例；
根据所述比例对所述神经网络中分类错误的图像进行扩充，得到第三数量帧输入图像；所述第三数量帧输入图像包括第二数量帧分类正确的输入图像；
将所述第三数量帧输入图像作为第二神经网络的输入图像，继续对分类错误的图像进行扩充；
将扩充后的输入图像作为多柱神经网络中下一个神经网络的输入图像，重复上述全部步骤N-2次，其中N为多柱神经网络中神经网络的个数。
2.根据权利要求1所述的医学影像分析方法，其特征在于，对所述神经网络中分类错误的图像进行扩充的方式包括：高斯模糊、相位平移或中间扭曲。
3.根据权利要求1所述的医学影像分析方法，其特征在于，对所述神经网络中分类错误的图像进行扩充的方式基于以下公式：
Figure FDA0002231365250000021
其中：i表示图像标号，ht(xi)表示图像原所属的类别，ht(i)表示图像当前所属类别，yi表示现有神经网络所分类出的类别；Dt(i)是当前第i帧图像原权重，wt为当前分类器的权重，
Figure FDA0002231365250000022
εt为当前分类器中错误图像占总图像的比例；D(t+1)(i)为当前图像在下一个分类器中的权重。
4.一种多柱神经网络医学影像分析装置，其特征在于，所述装置包括：
输入图像获取模块，用于从医学影像中获取第一数量帧关键帧图像作为输入图像；
预测结果获取模块，用于将所述输入图像输入所述多柱神经网络中每个神经网络获取对应的预测结果；
最终结果计算模块，用于基于所述多柱神经网络，计算每个神经网络的预测结果和对应的权重的乘积之和作为最终的预测结果；
其中，所述预测结果获取模块包括：
训练单元，用于将所述第一数量帧输入图像分为训练集、测试集和验证集训练第一神经网络；所述训练集和所述测试集用于训练所述第一神经网络，所述测试集用于通过反向传播方式对所述第一神经网络的神经元的参数进行微调，所述验证集用于在所述第一神经网络训练完毕后对训练结果进行分类，得到第二数量帧分类正确的输入图像；
计算单元，用于计算所述第二数量帧和所述第一数量帧的比例；
第一扩充单元，用于根据所述比例对所述神经网络中分类错误的图像进行扩充，得到第三数量帧输入图像；所述第三数量帧输入图像包括第二数量帧分类正确的输入图像；
第二扩充单元，用于将所述第三数量帧输入图像作为第二神经网络的输入图像，继续对分类错误的图像进行扩充；
第三扩充单元，用于将扩充后的输入图像作为多柱神经网络中下一个神经网络的输入图像，重复上述全部步骤N-2次，其中N为多柱神经网络中神经网络的个数。
5.根据权利要求4所述的医学影像分析装置，其特征在于，所述第二扩充单元或所述第三扩充单元中对分类错误的图像进行扩充的方式包括：高斯模糊、相位平移或中间扭曲。
6.根据权利要求4所述的医学影像分析装置，其特征在于，所述第二扩充单元或所述第三扩充单元中对分类错误的图像进行扩充的方式基于以下公式：
Figure FDA0002231365250000041
其中：i表示图像标号，ht(xi)表示图像原所属的类别，ht(i)表示图像当前所属类别，yi表示现有神经网络所分类出的类别；Dt(i)是当前第i帧图像原权重，wt为当前分类器的权重，
Figure FDA0002231365250000042
εt为当前分类器中错误图像占总图像的比例；D(t+1)(i)为当前图像在下一个分类器中的权重。
CN201711297772.6A 2017-12-08 2017-12-08 多柱神经网络医学影像分析方法及装置 Active CN108053025B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711297772.6A CN108053025B (zh) 2017-12-08 2017-12-08 多柱神经网络医学影像分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711297772.6A CN108053025B (zh) 2017-12-08 2017-12-08 多柱神经网络医学影像分析方法及装置

Publications (2)

Publication Number Publication Date
CN108053025A CN108053025A (zh) 2018-05-18
CN108053025B true CN108053025B (zh) 2020-01-24

Family

ID=62123221

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711297772.6A Active CN108053025B (zh) 2017-12-08 2017-12-08 多柱神经网络医学影像分析方法及装置

Country Status (1)

Country Link
CN (1) CN108053025B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11491350B2 (en) 2018-05-30 2022-11-08 Siemens Healthcare Gmbh Decision support system for individualizing radiotherapy dose
US11756667B2 (en) * 2018-05-30 2023-09-12 Siemens Healthcare Gmbh Decision support system for medical therapy planning
CN109446627A (zh) * 2018-10-22 2019-03-08 青岛美迪康数字工程有限公司 内窥镜图像识别方法及装置
US11062455B2 (en) 2019-10-01 2021-07-13 Volvo Car Corporation Data filtering of image stacks and video streams
US20210174198A1 (en) * 2019-12-10 2021-06-10 GM Global Technology Operations LLC Compound neural network architecture for stress distribution prediction

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1151218A (zh) * 1994-06-03 1997-06-04 摩托罗拉公司 用于语音识别的神经网络的训练方法
EP1378855B1 (en) * 2002-07-05 2007-10-17 Honda Research Institute Europe GmbH Exploiting ensemble diversity for automatic feature extraction
CN101458506A (zh) * 2009-01-08 2009-06-17 浙江工业大学 基于组合神经网络的工业聚丙烯生产熔融指数软测量方法
CN105654174A (zh) * 2014-11-11 2016-06-08 日本电气株式会社 用于预测的系统和方法
CN106650786A (zh) * 2016-11-14 2017-05-10 沈阳工业大学 基于多列卷积神经网络模糊评判的图像识别方法
CN106991506A (zh) * 2017-05-16 2017-07-28 深圳先进技术研究院 智能终端及其基于lstm的股票趋势预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1151218A (zh) * 1994-06-03 1997-06-04 摩托罗拉公司 用于语音识别的神经网络的训练方法
EP1378855B1 (en) * 2002-07-05 2007-10-17 Honda Research Institute Europe GmbH Exploiting ensemble diversity for automatic feature extraction
CN101458506A (zh) * 2009-01-08 2009-06-17 浙江工业大学 基于组合神经网络的工业聚丙烯生产熔融指数软测量方法
CN105654174A (zh) * 2014-11-11 2016-06-08 日本电气株式会社 用于预测的系统和方法
CN106650786A (zh) * 2016-11-14 2017-05-10 沈阳工业大学 基于多列卷积神经网络模糊评判的图像识别方法
CN106991506A (zh) * 2017-05-16 2017-07-28 深圳先进技术研究院 智能终端及其基于lstm的股票趋势预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Multi-column deep neural networks for image classification;Dan Ciregan 等;《2012 IEEE Conference on Computer Vision and Pattern Recognition》;20120621;全文 *
基于多列深度3D卷积神经网络的手势识别;易生 等;《计算机工程》;20170830;全文 *

Also Published As

Publication number Publication date
CN108053025A (zh) 2018-05-18

Similar Documents

Publication Publication Date Title
CN108053025B (zh) 多柱神经网络医学影像分析方法及装置
CN108229526B (zh) 网络训练、图像处理方法、装置、存储介质和电子设备
CN106683048B (zh) 一种图像超分辨率方法及设备
CN108230359B (zh) 目标检测方法和装置、训练方法、电子设备、程序和介质
KR101967089B1 (ko) 컨볼루션 신경망 기반의 완전 기준 이미지 품질 평가
CN112115895B (zh) 指针型仪表读数识别方法、装置、计算机设备及存储介质
US11514694B2 (en) Teaching GAN (generative adversarial networks) to generate per-pixel annotation
CN108197652B (zh) 用于生成信息的方法和装置
Wang et al. Image quality assessment based on local linear information and distortion-specific compensation
Liu et al. A multi-metric fusion approach to visual quality assessment
CN111428625A (zh) 一种基于深度学习的交通场景目标检测方法及系统
EP3767551A1 (en) Inspection system, image recognition system, recognition system, discriminator generation system, and learning data generation device
CN110633610A (zh) 一种基于yolo的学员状态检测算法
CN107343196A (zh) 一种混合失真无参考图像质量评价方法
CN111179235B (zh) 图像检测模型的生成方法及装置、应用方法及装置
CN104200441A (zh) 基于高阶奇异值分解的磁共振图像去噪方法
CN111199186A (zh) 图像质量评分模型训练方法、装置、设备及存储介质
Sahoo et al. Unsupervised domain adaptation in the absence of source data
Yang et al. Blind image quality assessment based on multi-scale KLT
CN112733750A (zh) 基于动态水流图像的污水处理检测的神经网络的训练方法
CN109697442B (zh) 一种字符识别模型的训练方法和装置
Andreassen et al. Parameter estimation using neural networks in the presence of detector effects
CN116894985A (zh) 半监督图像分类方法及半监督图像分类系统
Khalid et al. Gaussian process-based feature-enriched blind image quality assessment
CN111144462A (zh) 一种雷达信号的未知个体识别方法及装置

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
GR01 Patent grant
GR01 Patent grant