CN108280516A - 一种多组卷积神经网络之间互博智能进化的优化方法 - Google Patents
一种多组卷积神经网络之间互博智能进化的优化方法 Download PDFInfo
- Publication number
- CN108280516A CN108280516A CN201810179969.8A CN201810179969A CN108280516A CN 108280516 A CN108280516 A CN 108280516A CN 201810179969 A CN201810179969 A CN 201810179969A CN 108280516 A CN108280516 A CN 108280516A
- Authority
- CN
- China
- Prior art keywords
- convolutional neural
- neural networks
- image
- classification
- neti
- 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
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
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种多组卷积神经网络之间互博智能进化的优化方法,通过多个卷积神经网络之间通过对比识别图像的准确率,利用摄像头实时采集图像作为数据集反馈给识别效果不好的网络进行微调以优化该网络可以对该类别的图像更好的分类;可以利用安防监控自动获取训练集喂给一个分类效果较差的网络,控制其自动微调(Finturn),节省大量人力物力手动采集图片并且写上标签,而且实现卷积神经网络之间自动的训练进化。
Description
技术领域
本发明涉及一种多组卷积神经网络之间互博智能进化的优化方法,属于人工智能深度学习领域。
背景技术
近年来人工智能技术发展迅速,深度学习领域中的卷积神经网络CNN已经成为众多科学领域的研究热点之一,特别是在模式分类领域,由于卷积神经网络避免了对图像的复杂前期预处理,可以直接输入原始图像,在目标识别、行为识别、人脸识别等领域有着广泛的应用。
虽然卷积神经网络的应用十分广泛,但是限制其发展的一个非常关键的因素就是训练数据集的收集问题。要想训练好一个卷积神经网络实现目标检测,就要喂给这个网络一个很大的数据集,拿ImageNet数据集来讲,它包含1000个物体类别,每个类别有1200张图片,其训练数据集就达到了1200000张图,对这些图的采集和标注标签的工作量是非常大的,耗费了大量的人力物力。并且很多公司收集的数据集不对外开放,这就严重限制了深度学习的发展和应用。
人工智能芯片的问世,使得在嵌入式设备上进行实时的训练卷积神经网络成为可能。
发明内容
针对现有技术的不足,本发明提供了一种多组卷积神经网络之间互博智能进化的优化方法;
本发明通过多个卷积神经网络之间通过对比识别图像的准确率,利用摄像头实时采集图像作为数据集反馈给识别效果不好的网络进行微调以优化该网络可以对该类别的图像更好的分类;可以利用安防监控自动获取训练集喂给一个分类效果较差的网络,控制其自动微调(Finturn),节省大量人力物力手动采集图片并且写上标签,而且实现卷积神经网络之间自动的训练进化。
术语解释:
1、卷积神经网络(Convolutional Neural Network,CNN):是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。它包括卷积层(convolutional layer)和池化层(pooling layer)。
2、训练数据集:是用来训练卷积神经网络的,卷积神经网络可以通过各种算法计算处理训练数据集从而提取特征并保存,然后和实际数据进行比对从而实现识别分类。
3、ImageNet:是根据WordNet层次结构组织的一个图像数据库,其中层次结构的每个节点都被成百上千的图像所描述。目前,每个节点平均有超过500个图像。该数据集在2012年的时候包括1000类图像,有126万张图像,验证集5万张,测试集10万张(标注未公布)。
4、微调(fine turning):训练好的model里面存放的是一些参数,我们实际上就是把预先训练好的参数,拿来作为我们的初始化参数,而不需要再去随机初始化了。使用训练好的参数,必须和别人用同一个network,因为参数是由network而来的。但是,最后一层得修改,因为我们的数据集可能和原来训练的数据集并不一样,而只有几类。我们把最后一层的输出类别改一下,然后把层的名称改一下就可以了。最后用预先训练好的参数、修改后的network和我们数据,再进行训练,使得参数适应我们的数据。
5、Batch_Size(批尺寸):是机器学习中每次训练的样本个数,迭代次数=样本总数/批尺寸。
6、IamgeNet大规模视觉识别挑战赛:从2010年以来,ImageNet每年都会举办一次软件竞赛,也即ImageNet大规模视觉识别挑战赛(ILSVRC),参赛程序会相互比试,看谁能以最高的正确率对物体和场景进行分类和检测,不仅牵动着产学研三界的心,也是各团队、巨头展示实力的竞技场。
7、推理分类,就是把任意的图片输入进一个卷积神经网络,通过网络对图片的计算得到分类结果。
本发明的技术方案为:
一种多组卷积神经网络之间互博智能进化的优化方法,包括:
(1)选取m个卷积神经网络,包括net1,…,neti,…,netm,m≥2且m为整数,1≤i≤m,neti是指m个卷积神经网络中的任一卷积神经网络;m个卷积神经网络的初始化状态均是基于同一个数据集训练得到,该数据集有n个类别,一个类别有多张训练图片,包括1,…,j,…,n;j是指n个类别中的任一类别;
(2)利用m个卷积网络分别对采集装置采集的单张图像进行推理分类,卷积神经网络neti得到分类结果,即n个概率值Xi1,…,Xij…Xin,Xij是指当前采集的图像是类别j的概率,从n个概率值中选取其中的最大值ai∈{1,…,j,…,n};最终,m个卷积网络分别从得到的n个概率值中选取其中的最大值,依次为
(3)设置阈值Z,阈值Z的取值范围为50%-100%,阈值Z实际上是一个概率,比如卷积神经网络net1分类一张图像的结果为:目标图像是物体A的概率为P1=90%,是物体B的概率为P2=40%,是物体C的概率为P3=30%,设置阈值Z=80%,P1>P2,P1>P3,并且P1>Z,就认为该卷积神经网络把目标图像分类成了物体A。从步骤(2)求取的中选取最大值为 中的任一个;比较与阈值Z的关系,如果则判定neti卷积神经网络识别该图像正确,把第ai个分类的标签赋值给该图像,除neti外的其它卷积神经网络对该图像类别的识别效果都不正确,进入步骤(4);否则,认为采集的所述单张图像不够清晰,重新采集图像,返回步骤(2);
(4)控制同一个采集装置进行实时快速拍照,采样N张图像,并将步骤(3)判断得到的标签赋值给这N张图像;N为整数且N≥2;
(5)控制除neti外的其它卷积神经网络各自进行微调(Finturn),如果训练数据集比较小,即训练数据集中图片的数量小于1万张,则设置各个卷积神经网络训练时的批大小batch_size为N,否则,设置batchsize为N/2或N/3,目的是减少处理器的计算量。使得除neti外的其它卷积神经网络自我训练进化。以对该类物体可以更好的识别。
根据本发明优选的,所述采集装置为摄像头。
根据本发明优选的,阈值Z的取值范围为80%-90%。
本发明的有益效果为:
1、相比于人工标注数据集,本发明大大降低了时间成本和经济成本,原本需要花费数百人工作几十天的任务量,现在系统可以自动标注数据集。
2、卷积神经网络之间通过反馈可以让系统自动的微调各个网络得到更好的分类特征,这是在传统训练卷积神经网络方法基础上的优化,系统可以自动的优化卷积神经网络的分类特征。
3、本发明先选取了已经经过训练的多个卷积神经网络,在传统训练卷积神经网络方法基础上的优化,经过智能进化网络的准确率会比初选时的网络准确率更高。
附图说明
图1为本发明一种多组卷积神经网络之间互博智能进化的优化方法的流程框图;
图2为本发明实施例2中多组卷积神经网络之间互博智能进化的优化方法的流程框图。
具体实施方式
下面结合说明书附图和实施例对本发明作进一步限定,但不限于此。
实施例1
一种多组卷积神经网络之间互博智能进化的优化方法,如图1所示,包括:
(1)选取m个卷积神经网络,包括net1,…,neti,…,netm,m≥2且m为整数,1≤i≤m,neti是指m个卷积神经网络中的任一卷积神经网络;m个卷积神经网络的初始化状态均是基于同一个数据集训练得到,该数据集有n个类别,一个类别有多张训练图片,包括1,…,j,…,n;j是指n个类别中的任一类别;
(2)利用m个卷积网络分别对摄像头采集的单张图像进行推理分类,卷积神经网络neti得到分类结果,即n个概率值Xi1,…,Xij…Xin,Xij是指当前采集的图像是类别j的概率,从n个概率值中选取其中的最大值ai∈{1,…,j,…,n};最终,m个卷积网络分别从得到的n个概率值中选取其中的最大值,依次为
(3)根据此网络的精确度设置阈值Z,阈值Z的取值范围为80%-90%,阈值Z实际上是一个概率,比如卷积神经网络net1分类一张图像的结果为:目标图像是物体A的概率为P1=90%,是物体B的概率为P2=40%,是物体C的概率为P3=30%,设置阈值Z=80%,P1>P2,P1>P3,并且P1>Z,就认为该卷积神经网络把目标图像分类成了物体A。从步骤(2)求取的中选取最大值为中的任一个;比较与阈值Z的关系,如果 则判定neti卷积神经网络识别该图像正确,把第ai个分类的标签赋值给该图像,除neti外的其它卷积神经网络对该图像类别的识别效果都不正确,进入步骤(4);否则,认为采集的所述单张图像不够清晰,重新采集图像,返回步骤(2);
(4)系统发出指令控制同一个摄像头进行实时快速拍照,采样N张图像,并将步骤(3)判断得到的标签赋值给这N张图像;N为整数且N≥2;
(5)控制除neti外的其它卷积神经网络各自进行微调(Finturn),如果训练数据集比较小,即训练数据集中图片的数量小于1万张,则设置各个卷积神经网络训练时的批大小batch_size为N,否则,设置batchsize为N/2或N/3,目的是减少处理器的计算量。使得除neti外的其它卷积神经网络自我训练进化。以对该类物体可以更好的识别。
实施例2
一种多组卷积神经网络之间互博智能进化的优化方法,如图2所示,包括:
(1)选取在IamgeNet大规模视觉识别挑战赛(ImageNet Large Scale VisualRecogition Challenge)中分别于2012年和2014年获得分类识别冠军的AlexNet和GoogleNet应用在嵌入式设备安防监控上,这两个卷积神经网络都是在拥有1000个类别的IamgeNet训练数据集上训练得到的。
(2)安防监控在限定的时间点捕捉图像,在某时刻监控拍摄一张图像A分别传递给AlexNet和GoogleNet进行实时识别,AlexNet计算出A图像中的目标是IamgeNet数据集中1000种分类的概率为X1,X2,X3…X1000,其中最大的概率值是Xi,即AlexNet认为A图像中的目标和IamgeNet数据集中的第i类最为相似。与AlexNet类似,GoogleNet识别A图像获得的最大概率值为Yj,即GoogleNet认为A图像中的目标和IamgeNet数据集中的第j类最为相似。
(3)比较Xi与Yj的大小,根据这两个网络的精确度设置一个阈值Z,若Xi>Yj,并且Xi>Z,则认为AlexNet识别该图像正确,把第i个分类的标签赋值给该图像,判定GoogleNet不如AlexNet对此类目标的识别效果好。若GoogleNet不如AlexNet对此类目标的识别效果好,系统做出判断的同时,系统发出指令控制摄像头进行快速拍照,限定1秒钟拍摄50张图像,假设目标移动的速度允许一秒钟的拍摄,只取这一秒拍到的图像集存储,把步骤(3)判断得到的第i类标签结果赋给这50张图像,至此,监控自动获取数据集成功。以上识别过程反馈的结果是GoogleNet不如AlexNet对此类目标的识别效果好,因此系统会控制GoogleNet利用监控获取的数据集微调(Finturn),使得GoogleNet自我训练进化以对该类物体可以更好的识别。提前设置好了两个网络的batch_size为50,也可以根据监控自动获取的训练数据集调整。
(4)通过微调GoogleNet得到一个更好的Caffemodel,这个Caffemodel对A图像目标的类别可以更好的识别。至此,本发明实现了利用两组卷积神经网络之间互博选取对某类目标分类比较差的网络,然后通过系统智能控制其微调进化的优化方法。
与现有技术相比,本发明将人力成本减少至零,时间成本上实现系统实时自动标注数据集,准确率提高5%以上。
Claims (3)
1.一种多组卷积神经网络之间互博智能进化的优化方法,其特征在于,包括:
(1)选取m个卷积神经网络,包括net1,…,neti,…,netm,m≥2且m为整数,1≤i≤m,neti是指m个卷积神经网络中的任一卷积神经网络;m个卷积神经网络均是基于同一个数据集训练得到,该数据集有n个类别,包括1,…,j,…,n;j是指n个类别中的任一类别;
(2)利用m个卷积网络分别对采集装置采集的单张图像进行推理分类,卷积神经网络neti得到分类结果,即n个概率值Xi1,…,Xij…Xin,Xij是指当前采集的图像是类别j的概率,从n个概率值中选取其中的最大值最终,m个卷积网络分别从得到的n个概率值中选取其中的最大值,依次为
(3)设置阈值Z,阈值Z的取值范围为50%-100%,从步骤(2)求取的中选取最大值为中的任一个;比较与阈值Z的关系,如果 则判定neti卷积神经网络识别该图像正确,把第ai个分类的标签赋值给该图像,除neti外的其它卷积神经网络对该图像类别的识别效果都不正确,进入步骤(4);否则,认为采集的所述单张图像不够清晰,重新采集图像,返回步骤(2);
(4)控制同一个采集装置进行实时快速拍照,采样N张图像,并将步骤(3)判断得到的标签赋值给这N张图像;N为整数且N≥2;
(5)控制除neti外的其它卷积神经网络各自进行微调,如果训练数据集比较小,即训练数据集中图片的数量小于1万张,则设置各个卷积神经网络训练时的批大小batch_size为N,否则,设置batchsize为N/2或N/3。
2.根据权利要求1所述的一种多组卷积神经网络之间互博智能进化的优化方法,其特征在于,所述采集装置为摄像头。
3.根据权利要求1或2所述的一种多组卷积神经网络之间互博智能进化的优化方法,其特征在于,阈值Z的取值范围为80%-90%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810179969.8A CN108280516B (zh) | 2018-03-05 | 2018-03-05 | 一种多组卷积神经网络之间互博智能进化的优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810179969.8A CN108280516B (zh) | 2018-03-05 | 2018-03-05 | 一种多组卷积神经网络之间互博智能进化的优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108280516A true CN108280516A (zh) | 2018-07-13 |
CN108280516B CN108280516B (zh) | 2021-05-11 |
Family
ID=62809094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810179969.8A Active CN108280516B (zh) | 2018-03-05 | 2018-03-05 | 一种多组卷积神经网络之间互博智能进化的优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108280516B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726761A (zh) * | 2018-12-29 | 2019-05-07 | 青岛海洋科学与技术国家实验室发展中心 | Cnn进化方法、基于cnn的auv集群工作方法、装置及存储介质 |
CN109961030A (zh) * | 2019-03-18 | 2019-07-02 | 北京邮电大学 | 路面修补信息检测方法、装置、设备及存储介质 |
CN111507371A (zh) * | 2019-01-31 | 2020-08-07 | 斯特拉德视觉公司 | 方法和装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679185A (zh) * | 2012-08-31 | 2014-03-26 | 富士通株式会社 | 卷积神经网络分类器系统、其训练方法、分类方法和用途 |
CN103810497A (zh) * | 2014-01-26 | 2014-05-21 | 华中科技大学 | 一种基于忆阻器的图像识别系统及方法 |
CN104850890A (zh) * | 2015-04-14 | 2015-08-19 | 西安电子科技大学 | 基于实例学习和Sadowsky分布的卷积神经网络参数调整方法 |
US20150340032A1 (en) * | 2014-05-23 | 2015-11-26 | Google Inc. | Training multiple neural networks with different accuracy |
CN106295507A (zh) * | 2016-07-25 | 2017-01-04 | 华南理工大学 | 一种基于集成卷积神经网络的性别识别方法 |
CN106447625A (zh) * | 2016-09-05 | 2017-02-22 | 北京中科奥森数据科技有限公司 | 基于人脸图像序列的属性识别方法及装置 |
US20170083752A1 (en) * | 2015-09-18 | 2017-03-23 | Yahoo! Inc. | Face detection |
US20170140253A1 (en) * | 2015-11-12 | 2017-05-18 | Xerox Corporation | Multi-layer fusion in a convolutional neural network for image classification |
WO2017114810A1 (en) * | 2015-12-31 | 2017-07-06 | Vito Nv | Methods, controllers and systems for the control of distribution systems using a neural network arhcitecture |
US20170236053A1 (en) * | 2015-12-29 | 2017-08-17 | Synopsys, Inc. | Configurable and Programmable Multi-Core Architecture with a Specialized Instruction Set for Embedded Application Based on Neural Networks |
CN107067020A (zh) * | 2016-12-30 | 2017-08-18 | 腾讯科技(上海)有限公司 | 图片识别方法及装置 |
CN107341549A (zh) * | 2017-07-26 | 2017-11-10 | 成都快眼科技有限公司 | 一种基于多通道竞争卷积神经网络参数优化方法 |
CN107704625A (zh) * | 2017-10-30 | 2018-02-16 | 锐捷网络股份有限公司 | 字段匹配方法和装置 |
-
2018
- 2018-03-05 CN CN201810179969.8A patent/CN108280516B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679185A (zh) * | 2012-08-31 | 2014-03-26 | 富士通株式会社 | 卷积神经网络分类器系统、其训练方法、分类方法和用途 |
CN103810497A (zh) * | 2014-01-26 | 2014-05-21 | 华中科技大学 | 一种基于忆阻器的图像识别系统及方法 |
US20150340032A1 (en) * | 2014-05-23 | 2015-11-26 | Google Inc. | Training multiple neural networks with different accuracy |
CN104850890A (zh) * | 2015-04-14 | 2015-08-19 | 西安电子科技大学 | 基于实例学习和Sadowsky分布的卷积神经网络参数调整方法 |
US20170083752A1 (en) * | 2015-09-18 | 2017-03-23 | Yahoo! Inc. | Face detection |
US20170140253A1 (en) * | 2015-11-12 | 2017-05-18 | Xerox Corporation | Multi-layer fusion in a convolutional neural network for image classification |
US20170236053A1 (en) * | 2015-12-29 | 2017-08-17 | Synopsys, Inc. | Configurable and Programmable Multi-Core Architecture with a Specialized Instruction Set for Embedded Application Based on Neural Networks |
WO2017114810A1 (en) * | 2015-12-31 | 2017-07-06 | Vito Nv | Methods, controllers and systems for the control of distribution systems using a neural network arhcitecture |
CN106295507A (zh) * | 2016-07-25 | 2017-01-04 | 华南理工大学 | 一种基于集成卷积神经网络的性别识别方法 |
CN106447625A (zh) * | 2016-09-05 | 2017-02-22 | 北京中科奥森数据科技有限公司 | 基于人脸图像序列的属性识别方法及装置 |
CN107067020A (zh) * | 2016-12-30 | 2017-08-18 | 腾讯科技(上海)有限公司 | 图片识别方法及装置 |
CN107341549A (zh) * | 2017-07-26 | 2017-11-10 | 成都快眼科技有限公司 | 一种基于多通道竞争卷积神经网络参数优化方法 |
CN107704625A (zh) * | 2017-10-30 | 2018-02-16 | 锐捷网络股份有限公司 | 字段匹配方法和装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726761A (zh) * | 2018-12-29 | 2019-05-07 | 青岛海洋科学与技术国家实验室发展中心 | Cnn进化方法、基于cnn的auv集群工作方法、装置及存储介质 |
CN111507371A (zh) * | 2019-01-31 | 2020-08-07 | 斯特拉德视觉公司 | 方法和装置 |
CN111507371B (zh) * | 2019-01-31 | 2023-12-19 | 斯特拉德视觉公司 | 自动评估对训练图像的标签可靠性的方法和装置 |
CN109961030A (zh) * | 2019-03-18 | 2019-07-02 | 北京邮电大学 | 路面修补信息检测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108280516B (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106650806B (zh) | 一种用于行人检测的协同式深度网络模型方法 | |
CN107292298B (zh) | 基于卷积神经网络和分类器模型的牛脸识别方法 | |
CN106503687B (zh) | 融合人脸多角度特征的监控视频人物身份识别系统及其方法 | |
CN104992184B (zh) | 一种基于半监督极限学习机的多类图像分类方法 | |
CN104063719B (zh) | 基于深度卷积网络的行人检测方法及装置 | |
CN110414305A (zh) | 人工智能卷积神经网络人脸识别系统 | |
CN100440246C (zh) | 一种人脸特征点定位方法 | |
CN114359727B (zh) | 基于轻量级优化Yolo v4的茶叶病害识别方法及系统 | |
CN106919920A (zh) | 基于卷积特征和空间视觉词袋模型的场景识别方法 | |
CN108009482A (zh) | 一种提高人脸识别效率方法 | |
CN106384087A (zh) | 一种基于多层网络人体特征的身份识别方法 | |
CN104112143A (zh) | 基于加权超球支持向量机算法的图像分类方法 | |
CN111652291A (zh) | 一种基于组稀疏融合医院大数据建立学生成长画像的方法 | |
CN107480178A (zh) | 一种基于图像与视频跨模态比对的行人重识别方法 | |
CN110490227A (zh) | 一种基于特征转换的少样本图像分类方法 | |
CN108280516A (zh) | 一种多组卷积神经网络之间互博智能进化的优化方法 | |
CN106296734B (zh) | 基于极限学习机和boosting多核学习的目标跟踪方法 | |
CN109492534A (zh) | 一种基于Faster RCNN的跨场景多姿态的行人检测方法 | |
CN110222592A (zh) | 一种基于互补时序行为提案生成的时序行为检测网络模型的构建方法 | |
CN109685071A (zh) | 基于共同空间模式特征宽度学习的脑电分类方法 | |
Xu et al. | Recognition of weeds in wheat fields based on the fusion of RGB images and depth images | |
CN110188780A (zh) | 用于定位多目标特征点的深度学习模型的构建方法及装置 | |
CN110096976A (zh) | 基于稀疏迁移网络的人体行为微多普勒分类方法 | |
CN109816030A (zh) | 一种基于受限玻尔兹曼机的图像分类方法及装置 | |
CN109190571A (zh) | 一种放牧绵羊采食典型植物种类的检测识别方法及其装置 |
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 |