CN108197633A - 基于TensorFlow的深度学习图像分类与应用部署方法 - Google Patents

基于TensorFlow的深度学习图像分类与应用部署方法 Download PDF

Info

Publication number
CN108197633A
CN108197633A CN201711194691.3A CN201711194691A CN108197633A CN 108197633 A CN108197633 A CN 108197633A CN 201711194691 A CN201711194691 A CN 201711194691A CN 108197633 A CN108197633 A CN 108197633A
Authority
CN
China
Prior art keywords
model
training
tensorflow
data
disaggregated model
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
CN201711194691.3A
Other languages
English (en)
Inventor
陈长宝
李德仁
侯长生
郭振强
郧刚
卢建伟
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.)
BAINIAN JINHAI TECHNOLOGY Co Ltd
Original Assignee
BAINIAN JINHAI TECHNOLOGY Co Ltd
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 BAINIAN JINHAI TECHNOLOGY Co Ltd filed Critical BAINIAN JINHAI TECHNOLOGY Co Ltd
Priority to CN201711194691.3A priority Critical patent/CN108197633A/zh
Publication of CN108197633A publication Critical patent/CN108197633A/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
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于TensorFlow的深度学习图像分类与应用部署方法，包括以下步骤：1）搭建Tensorflow机器学习开发环境；2）数据采集与转换，通过分布式爬虫系统从互联网中获取大量有标签或者无标签的图像数据，并对图像数据进行预处理；3）模型建立与训练，建立分类模型，根据获取的图像数据对分类模型进行训练、测试与验证，并将训练好的分类模型保存；4）将训练好的分类模型导出；5）定义服务器接口，为导出的分类模型创建分类服务器；6）创建请求服务，为移动端与分类服务器建立连接，创建Web APP，移动端通过Web APP上传图像数据，并调用分类模型实现图像的自动分类；7）产品部署，将分类服务器应用于产品。

Description

基于TensorFlow的深度学习图像分类与应用部署方法
技术领域
本发明属于深度学习应用领域，具体的说，涉及了一种基于TensorFlow的深度学习图像分类与应用部署方法。
背景技术
近年来，以深度学习为代表的机器学习异军突起，称为当前人工智能研究领域的热点。但是现有的深度学习多是用于学术研究，在大规模的产品研发和商业应用领域面临巨大的挑战。
首先，深度神经网络模型复杂，训练数据多，计算量大。一方面，深度学习所使用的深度神经网络DNN（Deep Neural Networks）需要模拟人脑的计算能力，这要求DNN中神经元数量要多，且要求每个神经元都包含数学计算（如Sigmoid、ReLU或者Softmax函数），需要估计的参数量也极大。另一方面，DNN需要大量数据才能训练出高准确率的模型。DNN参数量大，模型复杂，为了避免过拟合，需要海量训练数据。两方面因素叠加，导致训练一个模型耗时惊人。
其次，深度神经网络需要支持大模型且深度神经网络训练收敛难，需要反复多次实验。
因此，深度学习成为一个效果很好但门槛极高的方向，如何落地产生实际应用效果成为制约深度学习广泛而深入应用的瓶颈问题。
为了解决以上存在的问题，人们一直在寻求一种理想的技术解决方案。
发明内容
本发明的目的是针对现有技术的不足，从而提供了基于TensorFlow的深度学习图像分类与应用部署方法。
为了实现上述目的，本发明所采用的技术方案是：一种基于TensorFlow的深度学习图像分类与应用部署方法，包括以下步骤：
1）搭建Tensorflow机器学习开发环境
2）数据采集与转换
通过分布式爬虫系统从互联网中获取大量有标签或者无标签的图像数据，并对图像数据进行预处理；
3）模型建立与训练
建立分类模型，根据获取的图像数据对分类模型进行训练、测试与验证，并将训练好的分类模型保存；
4）将训练好的分类模型导出；
5）定义服务器接口，为导出的分类模型创建分类服务器；
6）创建请求服务，为移动端与分类服务器建立连接
创建Web APP，移动端通过Web APP上传图像数据，并调用分类模型实现图像的自动分类；
7）产品部署
将分类服务器应用于产品。
基于上述，步骤2）数据采集与转换的具体步骤为：
21-数据获取
利用网络爬虫从互联网中获取分类目标不同尺度、位姿、光照下的图片数据集，并将相关图片自动转换成32*32的jpg图片；
22-数据打标
采用LabelImg打标工具，将图片数据自动转换成PASCAL VOC格式的XML文件，再使用Tensorflow将XML文件转换成TFRecord数据格式；
23-数据分集
采用8.5:1.0:0.5的比例分配原则，将图片数据集的85%作为训练集，10%的数据作为测试集，5%的数据作为验证集。
基于上述，步骤3）模型建立与训练的具体步骤为：
31-模型预训练
选用ssd_mobilenet_v1预训练模型，将分类改变为1，更改分类模型、训练数据、标签数据的路径，并采用超参数的默认值；
32-标签映射构建
从1开始为每一类分类标签赋值；
33-模型训练
在谷歌云（Google Cloud）服务器上使用YAML文件定义使用机器的参数，并采用卷积神经网络CNN来进行分类模型的训练学习；
34-模型测试与验证
在模型训练的过程中通过TensorBoard实时监测分类模型的训练情况并根据训练情况及时调整训练策略；
35-模型保存
分类模型训练结束后，选用checkpoint模式对分类模型进行保存。
基于上述，步骤33的具体步骤为：
331-输入图像
将步骤1）预处理后获得的图像作为输入图像；
332-初次卷积过滤；
采用64个5*5*3的滤波器对输入图像进行初次卷积过滤，获得64张28*28的特征图；
333-初次池化
采用2*2核的最大池化法对步骤232产生的64张特征图进行池化采样，获得64张14*14的特征图；
334-二次卷积过滤
利用64个5*5*64滤波器对步骤233中的特征图进行二次卷积滤波，获得64张10*10的特征图；
335-二次池化
采用2*2核的最大池化法对步骤234产生的64张特征土进行池化采样，获得64张5*5的特征图，其神经元数目为1600个，将1600个神经元拉伸成1600个维度；
336-全连接降维
采用PCA降维，通过两次降维获得一个512个维度的特征值；
337-分类
将512个维度的特征值输入Softmax分类器进行多分类。
基于上述，步骤4）的具体步骤为：
41-创建Dock镜像
411-使用docker commit 命令来创建镜像；
412-通过docker run命令启动镜像运行容器；
413-修改docker镜像内容；
414-使用docker commit提交修改的镜像；
415- 使用docker run运行新的镜像；
42-运行Bazel工作区运行模型导出器，将分类模型的数据流图及其变量值导出。
基于上述，步骤5）的具体步骤为：在protocol buffer中定义服务契约，所述服务契约为用于gRPC的IDL语言和二进制编码；在classification_service.proto文件定义服务，所述服务有一个能够接收一个JPEG编码的待分类的图像字符串作为输入，并可返回一个依据分数排列的由推断得到的类别列表。
基于上述，步骤6）的具体步骤为：
基于BaseHTTPServer搭建一个Python Web服务器，BaseHTTPServer处理用户上传的图像文件，并调用所述Python Web服务器的推断功能对图像文件进行推断处理，再将推断结果以纯文本形式返回。
基于上述，步骤7）产品部署的具体步骤为：
在容器内部，将编译后的服务器文件复制到一个永久位置，并清理所有临时搭建的文件；在容器外部，将状态提交给一个新的Dock镜像，创建一个记录其虚拟文件系统变化的快照，将图像推送到商业应用所属的docker服务云中，并对其进行服务。
本发明相对现有技术具有突出的实质性特点和显著的进步，具体的说，本发明采用分布式爬虫系统通过分布式搭建一个快速、高效、稳定的爬虫系统，通过互联网获取大量有标签和无标签的数据，并将获取的数据按照一定的比例划分成训练集、测试集和验证集供深度学习模型使用。之后再将训练好的模型导入到TensorFlow平台，根据平台要求进行服务接口定义，为移动终端提供分类服务。本发明为深度学习在商业领域中的应用提供了一个简单灵活方便廉价的产品部署方法。
附图说明
图1是本发明的流程示意图。
图2是本发明步骤2）的流程示意图。
图3是本发明步骤3）的流程示意图。
图4是本发明步骤33的流程示意图。
图5是本发明步骤4）的流程示意图。
图6是本发明步骤41）的流程示意图。
具体实施方式
下面通过具体实施方式，对本发明的技术方案做进一步的详细描述。
如图1所示，一种基于TensorFlow的深度学习图像分类与应用部署方法，包括以下步骤：
1）搭建Tensorflow机器学习开发环境
TensorFlow服务是用于构建允许用户在产品中使用分类模型的服务器的工具。在开发过程中，使用该工具的方法有两种：手工安装所有的依赖项和工具，并从源码开始构建；或利用Docker镜像。本发明采用第二种方法，因为它更容易、更干净，同时允许在其他不同于Linux的环境中进行开发。
2）数据采集与转换
通过分布式爬虫系统从互联网中获取大量有标签或者无标签的图像数据，并对图像数据进行预处理。
3）模型建立与训练
建立分类模型，根据获取的图像数据对分类模型进行训练、测试与验证，并将训练好的分类模型保存。
4）将训练好的分类模型导出。
5）定义服务器接口，为导出的分类模型创建分类服务器。
6）创建请求服务，为移动端与分类服务器建立连接
创建Web APP，移动端通过Web APP上传图像数据，并调用分类模型实现图像的自动分类。
7）产品部署，将分类服务器应用于产品。
具体的，如图2所示，步骤2）数据采集与转换的具体步骤为：
21-数据获取
利用网络爬虫从互联网中获取分类目标不同尺度、位姿、光照下的图片数据集，并将相关图片自动转换成32*32的jpg图片；根据应用的需要，本发明要求每个分类目标至少需要1万张以上的图片数据才能取得比较好的效果；
22-数据打标
采用LabelImg打标工具，将图片数据自动转换成PASCAL VOC格式的XML文件，再使用Tensorflow将XML文件转换成TFRecord数据格式；
23-数据分集
采用8.5:1.0:0.5的比例分配原则，将图片数据集的85%作为训练集，10%的数据作为测试集，5%的数据作为验证集。
具体的，如图3所示，步骤3）模型建立与训练的具体步骤为：
31-模型预训练
选用ssd_mobilenet_v1预训练模型，将分类改变为1，更改分类模型、训练数据、标签数据的路径，并采用超参数的默认值；
32-标签映射构建
从1开始为每一类分类标签赋值；
33-模型训练
在谷歌云（Google Cloud）服务器上使用YAML文件定义使用机器的参数，并采用卷积神经网络CNN来进行分类模型的训练学习；
34-模型测试与验证
在模型训练的过程中通过TensorBoard实时监测分类模型的训练情况并根据训练情况及时调整训练策略；
35-模型保存
分类模型训练结束后，选用checkpoint模式对分类模型进行保存。
具体的，如图4所示，步骤33的具体步骤为：
331-输入图像
将步骤1）预处理后获得的图像作为输入图像；
332-初次卷积过滤；
采用64个5*5*3的滤波器对输入图像进行初次卷积过滤，获得64张28*28的特征图；
333-初次池化
采用2*2核的最大池化法对步骤232产生的64张特征图进行池化采样，获得64张14*14的特征图；
334-二次卷积过滤
利用64个5*5*64滤波器对步骤233中的特征图进行二次卷积滤波，获得64张10*10的特征图；
335-二次池化
采用2*2核的最大池化法对步骤234产生的64张特征土进行池化采样，获得64张5*5的特征图，其神经元数目为1600个，将1600个神经元拉伸成1600个维度；
336-全连接降维
采用PCA进行降维处理，通过第一次降维将神经元个数降低为1024个，通过第二次降维继续将神经元个数降低为512个，获得一个512个维度的特征值；
337-分类
将512个维度的特征值输入Softmax分类器进行多分类。
具体的，如图5所示，步骤4）的具体步骤为：
41-创建Dock镜像，具体如图6所示：
411-使用docker commit 命令来创建镜像；
412-通过docker run命令启动镜像运行容器；
413-修改docker镜像内容；
414-使用docker commit提交修改的镜像；
415- 使用docker run运行新的镜像；
42-运行Bazel工作区运行模型导出器，将分类模型的数据流图及其变量值导出。
具体的，步骤5）的具体步骤为：在protocol buffer中定义服务契约，所述服务契约为用于gRPC的IDL语言和二进制编码；在classification_service.proto文件定义服务，所述服务有一个能够接收一个JPEG编码的待分类的图像字符串作为输入，并可返回一个依据分数排列的由推断得到的类别列表。
具体的，步骤6）的具体步骤为：
基于BaseHTTPServer搭建一个Python Web服务器，BaseHTTPServer处理用户上传的图像文件，并调用所述Python Web服务器的推断功能对图像文件进行推断处理，再将推断结果以纯文本形式返回。
具体的，步骤7）产品部署的具体步骤为：
在容器内部，将编译后的服务器文件复制到一个永久位置，并清理所有临时搭建的文件；在容器外部，将状态提交给一个新的Dock镜像，创建一个记录其虚拟文件系统变化的快照，将图像推送到商业应用所属的docker服务云中，并对其进行服务。
本发明的创新点主要有：TensorFlow 作为一个分布式深度学习框架虽然提供了非常强大的计算功能，但是要在其上建立一种个性化的机器学习模型则相对较为复杂，比如一种针对某个领域应用灵活调整参数的卷积神经网络模型，其模型的建立与实施周期较长。本发明采用Keras深度学习框架，设计出了一套基于ReLU激励的多层卷积与池化的卷积神经网络模型，只需要将Keras与TensorFlow连接，就可以轻松搭建与训练深度学习模型，其数据来源通过分布式爬虫获取并进过自动化预处理，形成可以直接输入Keras的标准数据，以供该模型训练和测试。这种方法使得整个深度学习搭建与应用的部署方式简单灵活，利用最小的代价却可以获得较好的性能，这一点特别适合商业领域中的应用。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。

Claims (8)

1.一种基于TensorFlow的深度学习图像分类与应用部署方法，其特征在于，包括以下步骤：
1）搭建Tensorflow机器学习开发环境；
2）数据采集与转换；
通过分布式爬虫系统从互联网中获取大量有标签或者无标签的图像数据，并对图像数据进行预处理；
3）模型建立与训练；
建立分类模型，根据获取的图像数据对分类模型进行训练、测试与验证，并将训练好的分类模型保存；
4）将训练好的分类模型导出；
5）定义服务器接口，为导出的分类模型创建分类服务器；
6）创建请求服务，为移动端与分类服务器建立连接
创建Web APP，移动端通过Web APP上传图像数据，并调用分类模型实现图像的自动分类；
7）产品部署；
将分类服务器应用于产品。
2.根据权利要求1所述的基于TensorFlow的深度学习图像分类与应用部署方法，其特征在于，步骤2）数据采集与转换的具体步骤为：
21-数据获取
利用网络爬虫从互联网中获取分类目标不同尺度、位姿、光照下的图片数据集，并将相关图片自动转换成32*32的jpg图片；
22-数据打标
采用LabelImg打标工具，将图片数据自动转换成PASCAL VOC格式的XML文件，再使用Tensorflow将XML文件转换成TFRecord数据格式；
23-数据分集
采用8.5:1.0:0.5的比例分配原则，将图片数据集的85%作为训练集，10%的数据作为测试集，5%的数据作为验证集。
3.根据权利要求1所述的基于TensorFlow的深度学习图像分类与应用部署方法，其特征在于，步骤3）模型建立与训练的具体步骤为：
31-模型预训练
选用ssd_mobilenet_v1预训练模型，将分类改变为1，更改分类模型、训练数据、标签数据的路径，并采用超参数的默认值；
32-标签映射构建
从1开始为每一类分类标签赋值；
33-模型训练
在谷歌云服务器上使用YAML文件定义使用机器的参数，并采用卷积神经网络CNN来进行分类模型的训练学习；
34-模型测试与验证
在模型训练的过程中通过TensorBoard实时监测分类模型的训练情况并根据训练情况及时调整训练策略；
35-模型保存
分类模型训练结束后，选用checkpoint模式对分类模型进行保存。
4.根据权利要求3所述的一种基于TensorFlow的深度学习图像分类与应用部署方法，其特征在于，步骤33的具体步骤为：
331-输入图像
将步骤1）预处理后获得的图像作为输入图像；
332-初次卷积过滤；
采用64个5*5*3的滤波器对输入图像进行初次卷积过滤，获得64张28*28的特征图；
333-初次池化
采用2*2核的最大池化法对步骤232产生的64张特征图进行池化采样，获得64张14*14的特征图；
334-二次卷积过滤
利用64个5*5*64滤波器对步骤233中的特征图进行二次卷积滤波，获得64张10*10的特征图；
335-二次池化
采用2*2核的最大池化法对步骤234产生的64张特征土进行池化采样，获得64张5*5的特征图，其神经元数目为1600个，将1600个神经元拉伸成1600个维度；
336-全连接降维
采用PCA降维，通过两次降维获得一个512个维度的特征值；
337-分类
将512个维度的特征值输入Softmax分类器进行多分类。
5.根据权利要求1所述的基于TensorFlow的深度学习图像分类与应用部署方法，其特征在于，步骤4）的具体步骤为：
41-创建Dock镜像
411-使用docker commit 命令来创建镜像；
412-通过docker run命令启动镜像运行容器；
413-修改docker镜像内容；
414-使用docker commit提交修改的镜像；
415- 使用docker run运行新的镜像；
42-运行Bazel工作区运行模型导出器，将分类模型的数据流图及其变量值导出。
6.根据权利要求1所述的一种基于TensorFlow的深度学习图像分类与应用部署方法，其特征在于，步骤5）的具体步骤为：在protocol buffer中定义服务契约，所述服务契约为用于gRPC的IDL语言和二进制编码；在classification_service.proto文件定义服务，所述服务有一个能够接收一个JPEG编码的待分类的图像字符串作为输入，并可返回一个依据分数排列的由推断得到的类别列表。
7.根据权利要求1所述的一种基于TensorFlow的深度学习图像分类与应用部署方法，其特征在于，步骤6）的具体步骤为：
基于BaseHTTPServer搭建一个Python Web服务器，BaseHTTPServer处理用户上传的图像文件，并调用所述Python Web服务器的推断功能对图像文件进行推断处理，再将推断结果以纯文本形式返回。
8.根据权利要求1所述的一种基于TensorFlow的深度学习图像分类与应用部署方法，其特征在于，步骤7）产品部署的具体步骤为：
在容器内部，将编译后的服务器文件复制到一个永久位置，并清理所有临时搭建的文件；在容器外部，将状态提交给一个新的Dock镜像，创建一个记录其虚拟文件系统变化的快照，将图像推送到商业应用所属的docker服务云中，并对其进行服务。
CN201711194691.3A 2017-11-24 2017-11-24 基于TensorFlow的深度学习图像分类与应用部署方法 Pending CN108197633A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711194691.3A CN108197633A (zh) 2017-11-24 2017-11-24 基于TensorFlow的深度学习图像分类与应用部署方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711194691.3A CN108197633A (zh) 2017-11-24 2017-11-24 基于TensorFlow的深度学习图像分类与应用部署方法

Publications (1)

Publication Number Publication Date
CN108197633A true CN108197633A (zh) 2018-06-22

Family

ID=62572976

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711194691.3A Pending CN108197633A (zh) 2017-11-24 2017-11-24 基于TensorFlow的深度学习图像分类与应用部署方法

Country Status (1)

Country Link
CN (1) CN108197633A (zh)

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146084A (zh) * 2018-09-06 2019-01-04 郑州云海信息技术有限公司 一种基于云计算的机器学习的方法及装置
CN109254830A (zh) * 2018-09-04 2019-01-22 郑州云海信息技术有限公司 深度学习系统中可视化管理方法和装置
CN109388479A (zh) * 2018-11-01 2019-02-26 郑州云海信息技术有限公司 mxnet系统中深度学习数据的输出方法和装置
CN109408062A (zh) * 2018-11-01 2019-03-01 郑州云海信息技术有限公司 一种自动部署模型训练环境的方法和装置
CN109492529A (zh) * 2018-10-08 2019-03-19 中国矿业大学 一种多尺度特征提取及全局特征融合的人脸表情识别方法
CN109670397A (zh) * 2018-11-07 2019-04-23 北京达佳互联信息技术有限公司 人体骨骼关键点的检测方法、装置、电子设备及存储介质
CN109670488A (zh) * 2019-01-31 2019-04-23 湖北省基础地理信息中心（湖北省北斗卫星导航应用技术研究院） 一种视频数据典型动态目标检测方法及系统
CN109800795A (zh) * 2018-12-29 2019-05-24 广州市贺氏办公设备有限公司 一种果蔬识别方法及系统
CN109861957A (zh) * 2018-11-06 2019-06-07 中国科学院信息工程研究所 一种移动应用私有加密协议的用户行为精细化分类方法及系统
CN110083719A (zh) * 2019-03-29 2019-08-02 杭州电子科技大学 一种基于深度学习的工业制品病疵检测方法
CN110110770A (zh) * 2019-04-24 2019-08-09 佛山科学技术学院 基于神经网络的服装图片导购文字生成方法及装置
CN110458214A (zh) * 2019-07-31 2019-11-15 上海远眸软件有限公司 驾驶员更换识别方法和装置
CN110532441A (zh) * 2019-08-23 2019-12-03 广州医科大学 一种电子元器件智慧管理方法及其系统
CN110674808A (zh) * 2019-08-28 2020-01-10 国网天津市电力公司电力科学研究院 一种变电站压板状态智能识别方法及装置
WO2020015192A1 (zh) * 2018-07-18 2020-01-23 平安科技（深圳）有限公司 网页数据爬取方法、装置及存储介质
CN110795104A (zh) * 2019-10-29 2020-02-14 中国人民解放军国防科技大学 一种用于TensorFlow自定义操作生成的方法
CN110861852A (zh) * 2019-11-28 2020-03-06 石家庄邮电职业技术学院(中国邮政集团公司培训中心) 一种基于视觉识别的自动分类垃圾桶及分类方法
CN110884791A (zh) * 2019-11-28 2020-03-17 石家庄邮电职业技术学院(中国邮政集团公司培训中心) 一种基于TensorFlow的视觉垃圾分类系统及分类方法
CN111045701A (zh) * 2019-07-11 2020-04-21 华控清交信息科技(北京)有限公司 一种版本切换方法、装置和用于版本切换的装置
CN111079654A (zh) * 2019-12-18 2020-04-28 济南大陆机电股份有限公司 一种基于图片识别的水文设备信息采集方法及系统
CN111178517A (zh) * 2020-01-20 2020-05-19 上海依图网络科技有限公司 模型部署方法、系统、芯片、电子设备及介质
CN111432022A (zh) * 2020-04-07 2020-07-17 深圳中兴网信科技有限公司 模型部署方法、服务器和计算机可读存储介质
CN112102095A (zh) * 2020-09-17 2020-12-18 中国建设银行股份有限公司 一种基金产品推荐方法、装置及设备
CN112699994A (zh) * 2020-12-25 2021-04-23 科讯嘉联信息技术有限公司 一种深度学习模型的自动化训练与测试系统
CN113076965A (zh) * 2020-01-06 2021-07-06 广州中国科学院先进技术研究所 一种基于云端的服务机器人场景分类系统及方法
CN113344218A (zh) * 2021-07-02 2021-09-03 百融云创科技股份有限公司 机器学习模型的部署方法、装置、电子设备及存储介质
CN114095768A (zh) * 2021-11-29 2022-02-25 四川长虹电器股份有限公司 基于机器学习算法的红外遥控器学习方法及系统
WO2022089613A1 (zh) * 2020-10-30 2022-05-05 第四范式（北京）技术有限公司 应用机器学习的文本分类方法、装置和电子设备
CN115017035A (zh) * 2022-05-17 2022-09-06 天津大学 一种使用Docker容器构建深度学习缺陷数据集的方法
CN115438805A (zh) * 2022-11-08 2022-12-06 江苏智云天工科技有限公司 基于工业质检领域机器学习模型的产品缺陷检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408469A (zh) * 2014-11-28 2015-03-11 武汉大学 基于图像深度学习的烟火识别方法及系统
CN106570565A (zh) * 2016-11-21 2017-04-19 中国科学院计算机网络信息中心 一种面向大数据的深度学习方法及系统
CN106953862A (zh) * 2017-03-23 2017-07-14 国家电网公司 网络安全态势的感知方法和装置及感知模型训练方法和装置
CN107247957A (zh) * 2016-12-16 2017-10-13 广州中国科学院先进技术研究所 一种基于深度学习和云计算的智能农产品分类方法及系统
CN107341518A (zh) * 2017-07-07 2017-11-10 东华理工大学 一种基于卷积神经网络的图像分类方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408469A (zh) * 2014-11-28 2015-03-11 武汉大学 基于图像深度学习的烟火识别方法及系统
CN106570565A (zh) * 2016-11-21 2017-04-19 中国科学院计算机网络信息中心 一种面向大数据的深度学习方法及系统
CN107247957A (zh) * 2016-12-16 2017-10-13 广州中国科学院先进技术研究所 一种基于深度学习和云计算的智能农产品分类方法及系统
CN106953862A (zh) * 2017-03-23 2017-07-14 国家电网公司 网络安全态势的感知方法和装置及感知模型训练方法和装置
CN107341518A (zh) * 2017-07-07 2017-11-10 东华理工大学 一种基于卷积神经网络的图像分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
山姆•亚伯拉罕 等著，段菲 等译: "《面向机器智能的TensorFlow实践》", 30 April 2017, 机械工业出版社 *
曹大有 等: "基于TensorFlow预训练模型快速、精准的图像分类器", 《汉江师范学院学报》 *
程嘉晖: "基于深度卷积神经网络的飞行器图像识别算法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *

Cited By (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020015192A1 (zh) * 2018-07-18 2020-01-23 平安科技（深圳）有限公司 网页数据爬取方法、装置及存储介质
CN109254830A (zh) * 2018-09-04 2019-01-22 郑州云海信息技术有限公司 深度学习系统中可视化管理方法和装置
CN109146084A (zh) * 2018-09-06 2019-01-04 郑州云海信息技术有限公司 一种基于云计算的机器学习的方法及装置
CN109492529A (zh) * 2018-10-08 2019-03-19 中国矿业大学 一种多尺度特征提取及全局特征融合的人脸表情识别方法
CN109388479A (zh) * 2018-11-01 2019-02-26 郑州云海信息技术有限公司 mxnet系统中深度学习数据的输出方法和装置
CN109408062A (zh) * 2018-11-01 2019-03-01 郑州云海信息技术有限公司 一种自动部署模型训练环境的方法和装置
CN109861957A (zh) * 2018-11-06 2019-06-07 中国科学院信息工程研究所 一种移动应用私有加密协议的用户行为精细化分类方法及系统
US11373426B2 (en) 2018-11-07 2022-06-28 Beijing Dajia Internet Information Technology Co., Ltd. Method for detecting key points in skeleton, apparatus, electronic device and storage medium
CN109670397A (zh) * 2018-11-07 2019-04-23 北京达佳互联信息技术有限公司 人体骨骼关键点的检测方法、装置、电子设备及存储介质
CN109800795A (zh) * 2018-12-29 2019-05-24 广州市贺氏办公设备有限公司 一种果蔬识别方法及系统
CN109670488A (zh) * 2019-01-31 2019-04-23 湖北省基础地理信息中心（湖北省北斗卫星导航应用技术研究院） 一种视频数据典型动态目标检测方法及系统
CN110083719A (zh) * 2019-03-29 2019-08-02 杭州电子科技大学 一种基于深度学习的工业制品病疵检测方法
CN110110770A (zh) * 2019-04-24 2019-08-09 佛山科学技术学院 基于神经网络的服装图片导购文字生成方法及装置
CN111045701A (zh) * 2019-07-11 2020-04-21 华控清交信息科技(北京)有限公司 一种版本切换方法、装置和用于版本切换的装置
CN111045701B (zh) * 2019-07-11 2024-06-11 华控清交信息科技(北京)有限公司 一种版本切换方法、装置和用于版本切换的装置
CN110458214A (zh) * 2019-07-31 2019-11-15 上海远眸软件有限公司 驾驶员更换识别方法和装置
CN110532441A (zh) * 2019-08-23 2019-12-03 广州医科大学 一种电子元器件智慧管理方法及其系统
CN110674808A (zh) * 2019-08-28 2020-01-10 国网天津市电力公司电力科学研究院 一种变电站压板状态智能识别方法及装置
CN110795104B (zh) * 2019-10-29 2023-05-05 中国人民解放军国防科技大学 一种用于TensorFlow自定义操作生成的方法
CN110795104A (zh) * 2019-10-29 2020-02-14 中国人民解放军国防科技大学 一种用于TensorFlow自定义操作生成的方法
CN110884791A (zh) * 2019-11-28 2020-03-17 石家庄邮电职业技术学院(中国邮政集团公司培训中心) 一种基于TensorFlow的视觉垃圾分类系统及分类方法
CN110861852A (zh) * 2019-11-28 2020-03-06 石家庄邮电职业技术学院(中国邮政集团公司培训中心) 一种基于视觉识别的自动分类垃圾桶及分类方法
CN111079654A (zh) * 2019-12-18 2020-04-28 济南大陆机电股份有限公司 一种基于图片识别的水文设备信息采集方法及系统
CN113076965A (zh) * 2020-01-06 2021-07-06 广州中国科学院先进技术研究所 一种基于云端的服务机器人场景分类系统及方法
CN111178517A (zh) * 2020-01-20 2020-05-19 上海依图网络科技有限公司 模型部署方法、系统、芯片、电子设备及介质
CN111178517B (zh) * 2020-01-20 2023-12-05 上海依图网络科技有限公司 模型部署方法、系统、芯片、电子设备及介质
CN111432022A (zh) * 2020-04-07 2020-07-17 深圳中兴网信科技有限公司 模型部署方法、服务器和计算机可读存储介质
CN112102095A (zh) * 2020-09-17 2020-12-18 中国建设银行股份有限公司 一种基金产品推荐方法、装置及设备
WO2022089613A1 (zh) * 2020-10-30 2022-05-05 第四范式（北京）技术有限公司 应用机器学习的文本分类方法、装置和电子设备
CN114443831A (zh) * 2020-10-30 2022-05-06 第四范式（北京）技术有限公司 应用机器学习的文本分类方法、装置和电子设备
CN112699994A (zh) * 2020-12-25 2021-04-23 科讯嘉联信息技术有限公司 一种深度学习模型的自动化训练与测试系统
CN113344218A (zh) * 2021-07-02 2021-09-03 百融云创科技股份有限公司 机器学习模型的部署方法、装置、电子设备及存储介质
CN113344218B (zh) * 2021-07-02 2024-02-23 百融云创科技股份有限公司 机器学习模型的部署方法、装置、电子设备及存储介质
CN114095768A (zh) * 2021-11-29 2022-02-25 四川长虹电器股份有限公司 基于机器学习算法的红外遥控器学习方法及系统
CN115017035A (zh) * 2022-05-17 2022-09-06 天津大学 一种使用Docker容器构建深度学习缺陷数据集的方法
CN115017035B (zh) * 2022-05-17 2024-08-16 天津大学 一种使用Docker容器构建深度学习缺陷数据集的方法
CN115438805B (zh) * 2022-11-08 2023-01-24 江苏智云天工科技有限公司 基于工业质检领域机器学习模型的产品缺陷检测方法
CN115438805A (zh) * 2022-11-08 2022-12-06 江苏智云天工科技有限公司 基于工业质检领域机器学习模型的产品缺陷检测方法

Similar Documents

Publication Publication Date Title
CN108197633A (zh) 基于TensorFlow的深度学习图像分类与应用部署方法
Liu et al. A new deep learning-based food recognition system for dietary assessment on an edge computing service infrastructure
CN104346440B (zh) 一种基于神经网络的跨媒体哈希索引方法
CN108830288A (zh) 图像处理方法、神经网络的训练方法、装置、设备及介质
Ahmed et al. Solving visual pollution with deep learning: A new nexus in environmental management
CN109299716A (zh) 神经网络的训练方法、图像分割方法、装置、设备及介质
Gaddam et al. Human facial emotion detection using deep learning
Gikunda et al. State-of-the-art convolutional neural networks for smart farms: A review
CN109670191A (zh) 机器翻译的校准优化方法、装置与电子设备
CN109754068A (zh) 基于深度学习预训练模型的迁移学习方法及终端设备
CN109635833A (zh) 一种基于云平台和模型智能推荐的图像识别方法及系统
CN111832573B (zh) 一种基于类激活映射和视觉显著性的图像情感分类方法
CN113705733A (zh) 医疗票据图像处理方法及装置、电子设备、存储介质
CN106682702A (zh) 深度学习方法和系统
CN106778910A (zh) 基于本地训练的深度学习系统和方法
CN107169574A (zh) 利用嵌套机器学习模型来执行预测的方法及系统
CN111079018A (zh) 习题个性化推荐方法、装置、设备、计算机可读存储介质
Sreemathy et al. Sign language recognition using artificial intelligence
CN106778851A (zh) 基于手机取证数据的社交关系预测系统及其方法
CN109063790A (zh) 对象识别模型优化方法、装置和电子设备
Yang et al. Automated garden-insect recognition using improved lightweight convolution network
CN102262728B (zh) 一种道路交通标志的识别方法
Jin et al. An improved Mobilenetv3-Yolov5 infrared target detection algorithm based on attention distillation
CN113705404A (zh) 一种面向嵌入式硬件的人脸检测方法
CN112529027A (zh) 数据处理方法、客户端、装置及计算机可读存储介质

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: 20180622