CN108304859B - 图像识别方法及云端系统 - Google Patents

图像识别方法及云端系统 Download PDF

Info

Publication number
CN108304859B
CN108304859B CN201711486839.0A CN201711486839A CN108304859B CN 108304859 B CN108304859 B CN 108304859B CN 201711486839 A CN201711486839 A CN 201711486839A CN 108304859 B CN108304859 B CN 108304859B
Authority
CN
China
Prior art keywords
image
training
feature extraction
extraction network
deep neural
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
CN201711486839.0A
Other languages
English (en)
Other versions
CN108304859A (zh
Inventor
李少华
刘兆祥
廉士国
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.)
Cloudminds Beijing Technologies Co Ltd
Original Assignee
Cloudminds Beijing Technologies 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 Cloudminds Beijing Technologies Co Ltd filed Critical Cloudminds Beijing Technologies Co Ltd
Priority to CN201711486839.0A priority Critical patent/CN108304859B/zh
Publication of CN108304859A publication Critical patent/CN108304859A/zh
Application granted granted Critical
Publication of CN108304859B publication Critical patent/CN108304859B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了图像识别方法及云端系统，所述方法包括：获取待识别图像；利用预设的深度神经网络识别所述待识别图像，得到所述待识别图像的识别结果；所述预设的深度神经网络是通过分阶段训练得到的。本申请通过分阶段对DNN进行训练，利用训练好的DNN实现图像识别，避免了现有复杂图像分类系统训练过程中采样环节繁琐、最优超参数选取复杂等不足，同时提升了云端系统识别的准确性和鲁棒性。

Description

图像识别方法及云端系统
技术领域
本申请涉及图像识别技术领域，特别涉及图像识别方法及云端系统。
背景技术
现有基于深度神经网络(DNN：Deep Neural Network)的图像分类系统的工作流程具体为，对图像进行预处理，利用DNN特征提取网络对预处理后的图像进行图像特征向量的提取，以及利用分类器对图像特征向量进行分类，得到图像的分类结果。其中，DNN训练过程为，对图像样本进行预处理，利用DNN特征提取网络对预处理后的图像样本进行图像特征向量的提取，根据提取的图像特征向量和图像标签，利用前向传导算法和损失函数计算损失值，并利用后向传导算法对DNN各层参数进行优化。
在实际应用中，基于DNN的复杂图像分类(例如，人脸识别)系统也得到了广泛的应用，以人脸识别系统为例，基于现有线性分类器(例如，Softmax分类器)和交叉熵定义的损失函数无法保证人脸特征的可区分性，需要通过与已知人脸特征库中的特征进行相似性比对以实现对人脸的识别。现有的解决方案为，人脸识别系统通过各种新的损失函数得到区分度高的人脸特征，具体为，在图像样本训练过程中，根据一种或者联合多种损失函数利用后向传播算法实现对DNN的优化。
现有人脸识别系统在训练过程中存在以下问题：
1)现有人脸识别系统的训练目标为获取用于划分类别的超平面，但忽略了类别内部特征向量的聚集性，以及类别间特征向量的可区分性，因此，现有人脸识别系统的分类准确性和鲁棒性较差；
2)现有人脸识别系统训练过程中的采样环节过于繁琐，例如，在训练过程中需要对图像样本进行精细的选取以达到更优的系统性能；
3)现有人脸识别系统训练过程中采用的最优超参数由于无法遍历所有的情况，因此最优超参数的选取需要通过大量实验获得以达到更优的系统性能。其中，基于权值联合多种损失函数得到新的损失函数，超参数即初始化权值。
发明内容
有鉴于此，本发明实施例期望提供图像识别方法及云端系统，以解决现有复杂图像分类系统的分类准确性和鲁棒性较差，以及训练过程中的采样环节繁琐、最优超参数选取复杂的技术问题。
在一个方面，本申请实施例提供了一种图像识别方法，包括：
获取待识别图像；
利用预设的深度神经网络识别所述待识别图像，得到所述待识别图像的识别结果；
所述预设的深度神经网络是通过分阶段训练得到的。
在另一个方面，本申请实施例提供了一种图像识别云端系统，包括：
接口设备，用于获取待识别图像；
深度神经网络，用于利用预设的深度神经网络识别所述待识别图像，得到所述待识别图像的识别结果；以及
所述预设的深度神经网络是通过分阶段训练得到的。
在另一个方面，本申请实施例提供了一种电子设备，所述电子设备包括：
收发设备，存储器，一个或多个处理器；以及
一个或多个模块，所述一个或多个模块被存储在所述存储器中，并被配置成由所述一个或多个处理器执行，所述一个或多个模块包括用于执行上述方法中各个步骤的指令。
在另一个方面，本申请实施例提供了一种与电子设备结合使用的计算机程序产品，所述计算机程序产品包括计算机可读的存储介质和内嵌于其中的计算机程序机制，所述计算机程序机制包括用于执行上述方法中各个步骤的指令。
为达到上述目的，本发明实施例的技术方案是这样实现的：
本实施例中，利用预设的深度神经网络识别获取到的待识别图像，得到所述待识别图像的识别结果，所述预设的深度神经网络是通过分阶段训练得到的。即，通过分阶段对深度神经网络进行训练，并利用训练好的深度神经网络实现图像识别，避免了现有复杂图像分类系统训练过程中采样环节繁琐、最优超参数选取复杂等不足，同时提升了云端系统识别的准确性和鲁棒性。
附图说明
下面将参照附图描述本申请的具体实施例，其中：
图1为本申请实施例一中图像识别的方法原理图；
图2为本申请实施例一中图像识别方法中的特征提取网络的训练示意图；
图3为本申请实施例二中图像识别的云端系统架构图；
图4为本申请实施例三中电子设备的结构示意图。
具体实施方式
以下通过具体示例，进一步阐明本发明实施例技术方案的实质。
为了使本申请的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。并且在不冲突的情况下，本说明中的实施例及实施例中的特征可以互相结合。
发明人在发明过程中注意到：
现有复杂图像识别系统的训练目标为获取用于划分类别的超平面，但所提取到的特征向量仅线性可分，且分布较为分散，聚集度较差，导致系统的分类准确性和鲁棒性较差；同时，现有复杂图像识别系统训练过程中的采样环节过于繁琐，所采用的最优超参数需要通过大量实验来遍历所有的情况，选取过程也过于复杂，导致系统性能较差。
针对上述不足/基于此，本申请实施例提出了通过分阶段对DNN进行训练，利用训练好的DNN提取可区分性较高的图像特征向量，并对图像特征向量进行识别，从而实现图像识别，避免了现有复杂图像分类系统训练过程中采样环节繁琐、最优超参数选取复杂等不足，同时提升了云端系统识别的准确性和鲁棒性。
为了便于本申请的实施，下面实例进行说明。
实施例1
图1示出了本申请实施例一中图像识别的方法原理图，如图1所示，该方法包括：
步骤101：获取待识别图像。
步骤102：利用预设的深度神经网络识别所述待识别图像，得到所述待识别图像的识别结果，所述预设的深度神经网络是通过分阶段训练得到的。
实施中，上述步骤的执行主体可以为云端服务器，云端服务器中的训练器通过第一阶段训练优化特征提取网络和分类器中的参数，以及通过第二阶段进一步训练优化特征提取网络中的参数，以使训练好的特征提取网络提取出的待识别图像的特性向量具有高可区分性，以及分类器输出的待识别图像的识别结果精确度更高。
在本实施例中，所述预设的深度神经网络包括训练好的特征提取网络和分类器，所述预设的深度神经网络的分阶段训练，包括：
对初始化的特征提取网络和分类器进行第一阶段训练，得到第一特征提取网络和训练好的分类器；
对所述第一特征提取网络进行第二阶段训练，得到训练好的特征提取网络。
实施中，用于第一阶段训练的特征提取网络以及分类器的训练算法为，输入图像样本，对随机初始化的特征提取网络和分类器进行训练，得到用于提取与图像样本相适应的特征向量的特征提取网络以及针对所提取的特征向量进行分类的分类器。具体训练过程为：
基于随机初始化的DNN特征提取网络，利用前向传导算法对图像样本进行图像特征向量的提取，利用分类器对图像特征向量进行分类，并根据预设的图像标签计算损失值，以及利用后向传导算法实现对随机初始化的DNN特征提取网络和分类器中参数的优化，直至训练收敛。
实施中，用于第二阶段训练的特征提取网络的训练算法为，输入图像样本，对第一阶段训练得到的特征提取网络进行训练，得到具有高可区分性的特征提取网络。具体训练过程为：
基于第一阶段训练得到的DNN特征提取网络，再次利用前向传导算法对图像样本进行图像特征向量的提取，并根据预设的图像标签和图像特征向量与其对应的类中心向量的欧式距离计算损失值，以及利用后向传导算法实现对第一阶段训练得到的DNN特征提取网络中参数的再次优化，直至训练收敛。其中，根据训练好的分类器确定各类图像特征向量的类中心向量，在进行第二阶段训练时，各类图像特征向量的类中心向量固定不变，即第二阶段训练中的图像特征向量对应的类中心向量为，根据第一阶段训练好的分类器确定的类中心向量。
图2示出了本申请实施例一中图像识别方法中的特征提取网络的训练示意图，如图2所示，在第二阶段训练过程中，图像特征向量在二维欧式平面内向对应类别的类中心向量聚集，从而得到具有高可区分性的图像特征向量，即达到同一类别内的图像特征向量的聚集度更高的技术效果。
在本实施例中，所述第二阶段训练的训练目标为，图像样本的特征向量xi(i＝1，…，n)与其对应的图像类别的类中心向量Wj间的夹角的余弦值大于等于预设值，所述夹角的余弦值cosθi为：
Figure BDA0001534918950000051
在本实施例中，所述对所述第一特征提取网络进行第二阶段训练，得到训练好的特征提取网络，包括：
利用预设的损失函数对所述第一特征提取网络进行训练，得到训练好的特征提取网络；
所述预设的损失函数Lj的计算公式为，
Figure BDA0001534918950000061
其中，Wj为图像样本的特征向量xi(i＝1，…，n)对应的图像类别的类中心向量，所述预设的损失函数的类中心向量与第一阶段训练中的损失函数的类中心向量相同。
本申请以具体场景为例，对本申请实施例1进行详细描述。
本申请实施例应用范围包括但不限于基于DNN的人脸图像识别，以基于DNN的人脸图像识别为例，训练过程中所选取的深度神经网络可以是常见的卷积神经网络(CNN：Convolutional Neural Network)，例如VGG16，ResNet34等，或者是基于CNN的改进版本。具体流程如下：
深度神经网络的训练过程：
步骤201：选取初始化的特征提取网络，以及初始化的Softmax分类器，对于一个类别为m的分类任务，Pij表示图像样本的特征向量xi属于类别j(j＝1，…k，m)的概率，公式为：
Figure BDA0001534918950000062
其中，w、b均为神经网络参数，w为连接权值，b为偏移量。
步骤202：在进行第一阶段训练时，可忽略偏置量b，根据图像样本的特征向量xi属于类别j的概率和预设的图像标签计算损失值，以使训练后的各分类平面超过高维空间的原点。
步骤203：在进行第二阶段训练时，利用预设的损失函数对第一阶段训练得到的特征提取网络进行再次训练。具体为，设定训练目标为图像样本的特征向量xi与其对应的图像类别的类中心向量Wj间的夹角的余弦值大于等于预设值，夹角的余弦值cosθi为：
Figure BDA0001534918950000063
以及
将预设的损失函数Lj对图像样本的特征向量xi和第一阶段训练好的特征提取网络层参数求偏导，并利用后向传导算法实现对特征提取网络层参数的优化，得到训练好的特征提取网络。预设的损失函数Lj的定义为：
Figure BDA0001534918950000071
其中，第二阶段训练中的损失函数的类中心向量保持第一阶段训练好的Softmax分类器的类中心向量固定不变。
基于训练好的深度神经网络的识别过程：
步骤203：获取待识别图像，利用训练好的特征提取网络提取待识别图像的特征向量，以及利用训练好的Softmax分类器对待识别图像的特征向量进行识别，得到待识别图像的识别结果。
以上所述，仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。
实施例2
基于同一发明构思，本申请实施例中还提供了一种图像识别云端系统，由于这些设备解决问题的原理与一种图像识别方法相似，因此这些设备的实施可以参见方法的实施，重复之处不再赘述。
图3示出了本申请实施例二中图像识别的云端系统架构图，如图3所示，图像识别云端系统300可以包括：
接口设备301，用于获取待识别图像。
深度神经网络302，用于利用预设的深度神经网络识别所述待识别图像，得到所述待识别图像的识别结果；以及
所述预设的深度神经网络是通过分阶段训练得到的。
训练器303，用于训练初始化的深度神经网络中的特征提取网络和分类器，得到预设的深度神经网络，所述预设的深度神经网络的分阶段训练，包括：
对初始化的特征提取网络和分类器进行第一阶段训练，得到第一特征提取网络和训练好的分类器；
对所述第一特征提取网络进行第二阶段训练，得到训练好的特征提取网络。
在本实施例中，所述第二阶段训练的训练目标为，图像样本的特征向量xi与其对应的图像类别的类中心向量Wj间的夹角的余弦值大于等于预设值，所述夹角的余弦值cosθi为：
Figure BDA0001534918950000081
在本实施例中，所述对所述第一特征提取网络进行第二阶段训练，得到训练好的特征提取网络，包括：
利用预设的损失函数对所述第一特征提取网络进行训练，得到训练好的特征提取网络；
所述预设的损失函数Lj的计算公式为，
Figure BDA0001534918950000082
其中，Wj为图像样本的特征向量xi(i＝1，…，n)对应的图像类别的类中心向量，所述预设的损失函数的类中心向量与第一阶段训练中的损失函数的类中心向量相同。
实施例3
基于同一发明构思，本申请实施例中还提供了一种电子设备，由于其原理与一种图像识别方法相似，因此其实施可以参见方法的实施，重复之处不再赘述。
图4示出了本申请实施例三中电子设备的结构示意图，如图4所示，所述电子设备包括：收发设备401，存储器402，一个或多个处理器403；以及一个或多个模块，所述一个或多个模块被存储在所述存储器中，并被配置成由所述一个或多个处理器执行，所述一个或多个模块包括用于执行任一上述方法中各个步骤的指令。
实施例4
基于同一发明构思，本申请实施例还提供了一种与电子设备结合使用的计算机程序产品，由于其原理与一种图像识别方法相似，因此其实施可以参见方法的实施，重复之处不再赘述。所述计算机程序产品包括计算机可读的存储介质和内嵌于其中的计算机程序机制，所述计算机程序机制包括用于执行任一上述方法中各个步骤的指令。
为了描述的方便，以上所述装置的各部分以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块或单元的功能在同一个或多个软件或硬件中实现。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

Claims (8)

1.一种图像识别方法，其特征在于，包括：
获取待识别图像；
利用预设的深度神经网络识别所述待识别图像，得到所述待识别图像的识别结果；
所述预设的深度神经网络是通过分阶段训练得到的；所述预设的深度神经网络包括训练好的特征提取网络和分类器，所述预设的深度神经网络的分阶段训练，包括：
对初始化的特征提取网络和分类器进行第一阶段训练，得到第一特征提取网络和训练好的分类器；
对所述第一特征提取网络进行第二阶段训练，得到训练好的特征提取网络；
其中，对所述第一特征提取网络进行第二阶段训练，得到训练好的特征提取网络包括：基于第一训练阶段得到的深度神经网络特征提取网络，再次利用前向传导算法对图像样本进行图像特征的提取，并根据预设的图像标签和图像特征向量与其对应的类中心向量的欧氏距离计算损失值，以及利用后向传导算法实现对第一阶段训练得到的深度神经网络特征提取网络中参数的再次优化，直至训练收敛；其中，根据训练好的分类器确定各类图像特征向量的类中心向量，在进行第二阶段训练时，各类图像特征向量的类中心向量固定不变。
2.如权利要求1所述的方法，其特征在于，所述第二阶段训练的训练目标为，图像样本的特征向量xi与其对应的图像类别的类中心向量Wj间的夹角的余弦值大于等于预设值，所述夹角的余弦值cosθi为：
Figure FDA0002833441710000011
3.如权利要求1所述的方法，其特征在于，所述对所述第一特征提取网络进行第二阶段训练，得到训练好的特征提取网络，包括：
利用预设的损失函数对所述第一特征提取网络进行训练，得到训练好的特征提取网络；
所述预设的损失函数Lj的计算公式为，
Figure FDA0002833441710000021
其中，Wj为图像样本的特征向量xi(i＝1，…，n)对应的图像类别的类中心向量，所述预设的损失函数的类中心向量与第一阶段训练中的损失函数的类中心向量相同。
4.一种图像识别云端系统，其特征在于，包括：
接口设备，用于获取待识别图像；
深度神经网络，用于利用预设的深度神经网络识别所述待识别图像，得到所述待识别图像的识别结果；以及
所述预设的深度神经网络是通过分阶段训练得到的；
还包括训练器，所述训练器用于训练初始化的深度神经网络中的特征提取网络和分类器，得到预设的深度神经网络，所述预设的深度神经网络的分阶段训练，包括：
对初始化的特征提取网络和分类器进行第一阶段训练，得到第一特征提取网络和训练好的分类器；
对所述第一特征提取网络进行第二阶段训练，得到训练好的特征提取网络；
其中，对所述第一特征提取网络进行第二阶段训练，得到训练好的特征提取网络包括：基于第一训练阶段得到的深度神经网络特征提取网络，再次利用前向传导算法对图像样本进行图像特征的提取，并根据预设的图像标签和图像特征向量与其对应的类中心向量的欧氏距离计算损失值，以及利用后向传导算法实现对第一阶段训练得到的深度神经网络特征提取网络中参数的再次优化，直至训练收敛；其中，根据训练好的分类器确定各类图像特征向量的类中心向量，在进行第二阶段训练时，各类图像特征向量的类中心向量固定不变。
5.如权利要求4所述的云端系统，其特征在于，所述第二阶段训练的训练目标为，图像样本的特征向量xi与其对应的图像类别的类中心向量Wj间的夹角的余弦值大于等于预设值，所述夹角的余弦值cosθi为：
Figure FDA0002833441710000031
6.如权利要求4所述的云端系统，其特征在于，所述对所述第一特征提取网络进行第二阶段训练，得到训练好的特征提取网络，包括：
利用预设的损失函数对所述第一特征提取网络进行训练，得到训练好的特征提取网络；
所述预设的损失函数Lj的计算公式为，
Figure FDA0002833441710000032
其中，Wj为图像样本的特征向量xi(i＝1，…，n)对应的图像类别的类中心向量，所述预设的损失函数的类中心向量与第一阶段训练中的损失函数的类中心向量相同。
7.一种电子设备，其特征在于，所述电子设备包括：
收发设备，存储器，一个或多个处理器；以及
一个或多个模块，所述一个或多个模块被存储在所述存储器中，并被配置成由所述一个或多个处理器执行，所述一个或多个模块包括用于执行权利要求1-3中任一所述方法中各个步骤的指令。
8.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-3中任一项所述方法的步骤。
CN201711486839.0A 2017-12-29 2017-12-29 图像识别方法及云端系统 Active CN108304859B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711486839.0A CN108304859B (zh) 2017-12-29 2017-12-29 图像识别方法及云端系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711486839.0A CN108304859B (zh) 2017-12-29 2017-12-29 图像识别方法及云端系统

Publications (2)

Publication Number Publication Date
CN108304859A CN108304859A (zh) 2018-07-20
CN108304859B true CN108304859B (zh) 2021-03-30

Family

ID=62868292

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711486839.0A Active CN108304859B (zh) 2017-12-29 2017-12-29 图像识别方法及云端系统

Country Status (1)

Country Link
CN (1) CN108304859B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110766152B (zh) * 2018-07-27 2023-08-04 富士通株式会社 用于训练深度神经网络的方法和装置
CN110211041B (zh) * 2019-05-08 2023-06-23 云南大学 一种基于感受野集成的神经网络图像分类器的优化方法
CN110334735B (zh) * 2019-05-31 2022-07-08 北京奇艺世纪科技有限公司 多任务网络生成方法、装置、计算机设备和存储介质
CN111079790B (zh) * 2019-11-18 2023-06-30 清华大学深圳国际研究生院 一种构建类别中心的图像分类方法
CN111597882B (zh) * 2020-04-03 2022-10-14 云知声智能科技股份有限公司 一种损失函数计算方法及装置
CN112075956B (zh) * 2020-09-02 2022-07-22 深圳大学 一种基于深度学习的射血分数估计方法、终端及存储介质
CN112613539A (zh) * 2020-12-11 2021-04-06 北京迈格威科技有限公司 分类网络及物体检测模型构建方法、装置、设备及介质
CN112633407B (zh) * 2020-12-31 2023-10-13 深圳云天励飞技术股份有限公司 分类模型的训练方法、装置、电子设备及存储介质
CN114862805B (zh) * 2022-05-18 2024-07-09 国网江苏省电力有限公司电力科学研究院 一种基于轻量化网络的大型机械设备识别方法
CN117475293B (zh) * 2023-10-30 2024-07-16 武汉理工大学 基于深度学习算法的南极磷虾自动泵吸捕捞系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446946A (zh) * 2016-09-22 2017-02-22 北京小米移动软件有限公司 图像识别方法及装置
CN107330750A (zh) * 2017-05-26 2017-11-07 北京三快在线科技有限公司 一种推荐产品配图方法及装置，电子设备

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104866868B (zh) * 2015-05-22 2018-09-07 杭州朗和科技有限公司 基于深度神经网络的金属币识别方法和装置
CN105654107B (zh) * 2015-09-21 2020-01-17 迪瑞医疗科技股份有限公司 一种基于svm的有形成分分类方法
US9875429B2 (en) * 2015-10-06 2018-01-23 Adobe Systems Incorporated Font attributes for font recognition and similarity
CN105303179A (zh) * 2015-10-28 2016-02-03 小米科技有限责任公司 指纹识别方法、装置
EP3171297A1 (en) * 2015-11-18 2017-05-24 CentraleSupélec Joint boundary detection image segmentation and object recognition using deep learning
US10107769B2 (en) * 2016-01-11 2018-10-23 Carl Zeiss X-Ray Microscopy Inc. Multimodality mineralogy segmentation system and method
CN107292314A (zh) * 2016-03-30 2017-10-24 浙江工商大学 一种基于cnn的鳞翅目昆虫种类自动鉴别方法
CN106096561B (zh) * 2016-06-16 2020-02-07 重庆邮电大学 基于图像块深度学习特征的红外行人检测方法
CN106202329B (zh) * 2016-07-01 2018-09-11 北京市商汤科技开发有限公司 样本数据处理、数据识别方法和装置、计算机设备
CN106383912B (zh) * 2016-10-14 2019-09-03 北京字节跳动网络技术有限公司 一种图片检索方法和装置
CN106898357B (zh) * 2017-02-16 2019-10-18 华南理工大学 一种基于正态分布规律的矢量量化方法
CN106997475B (zh) * 2017-02-24 2019-08-13 中国科学院合肥物质科学研究院 一种基于并行卷积神经网络的害虫图像识别方法
CN106991439A (zh) * 2017-03-28 2017-07-28 南京天数信息科技有限公司 基于深度学习与迁移学习的图像识别方法
CN107358223B (zh) * 2017-08-16 2021-06-22 上海荷福人工智能科技（集团）有限公司 一种基于yolo的人脸检测与人脸对齐方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446946A (zh) * 2016-09-22 2017-02-22 北京小米移动软件有限公司 图像识别方法及装置
CN107330750A (zh) * 2017-05-26 2017-11-07 北京三快在线科技有限公司 一种推荐产品配图方法及装置，电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于Android的商品草图搜索系统;冯璐;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170215(第2期);第I138-2799页正文第19页，第7-9行；第22页，第1-10行 *

Also Published As

Publication number Publication date
CN108304859A (zh) 2018-07-20

Similar Documents

Publication Publication Date Title
CN108304859B (zh) 图像识别方法及云端系统
US10769496B2 (en) Logo detection
CN108235770A (zh) 图像识别方法及云端系统
CN109815788B (zh) 一种图片聚类方法、装置、存储介质及终端设备
Richard et al. Weakly supervised action learning with rnn based fine-to-coarse modeling
Chen et al. Road marking detection and classification using machine learning algorithms
CN103927387A (zh) 图像检索系统及其相关方法和装置
Kumar et al. Indian classical dance classification with adaboost multiclass classifier on multifeature fusion
WO2017088537A1 (zh) 一种元件分类方法及装置
US11062455B2 (en) Data filtering of image stacks and video streams
CN104036287A (zh) 一种基于人类运动显著轨迹的视频分类方法
JP6997369B2 (ja) プログラム、測距方法、及び測距装置
CN113128478B (zh) 模型训练方法、行人分析方法、装置、设备及存储介质
CN111046971A (zh) 图像识别方法、装置、设备及计算机可读存储介质
CN103236068A (zh) 一种局部图像匹配方法
Shekar et al. Kirsch directional derivatives based shot boundary detection: an efficient and accurate method
CN114821237A (zh) 一种基于多级对比学习的无监督船舶再识别方法及系统
Jindal et al. Aircraft detection from remote sensing images using YOLOV5 architecture
US20140099030A1 (en) Apparatus and method for providing object image recognition
JP2014225168A (ja) 特徴点集合で表される画像間の類似度を算出するプログラム、装置及び方法
CN108229498B (zh) 一种拉链片识别方法、装置及设备
Farkaš Object tracking and detection with YOLOv8 and StrongSORT algorithms captured by drone
US20140324742A1 (en) Support vector machine
Du et al. A Knowledge Transfer Method for Unsupervised Pose Keypoint Detection Based on Domain Adaptation and CAD Models
Paczolay et al. Wlab of university of szeged at lifeclef 2014 plant identification task

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