CN108537227A - 一种基于宽度学习和广角显微图像的商品离线鉴伪方法 - Google Patents
一种基于宽度学习和广角显微图像的商品离线鉴伪方法 Download PDFInfo
- Publication number
- CN108537227A CN108537227A CN201810232908.3A CN201810232908A CN108537227A CN 108537227 A CN108537227 A CN 108537227A CN 201810232908 A CN201810232908 A CN 201810232908A CN 108537227 A CN108537227 A CN 108537227A
- Authority
- CN
- China
- Prior art keywords
- commodity
- wide
- image
- false
- width
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Abstract
本发明公开了一种基于宽度学习和广角显微图像的商品离线鉴伪方法,属于商品鉴伪技术领域。本发明方法首先采集真假商品样本的广角显微图像,提取广角显微图像的静态特征构建带标签的特征向量集,将特征向量集划分为训练集和测试集;之后利用特征向量集进行预训练以建立宽度学习模型;最后将宽度学习模型移植到移动设备上,采集待鉴别商品的广角显微图像,提取广角显微图像的特征向量,并将特征向量输入到宽度学习模型中,进行产品的真假鉴别;若商品真假鉴别错误,则获取误判的真和假商品的特征向量;利用获取的特征向量,采用增量学习方法对宽度学习模型进行更新。本发明可部署在移动设备上,实现离线检测,准确率高,且具备自适应学习能力。
Description
技术领域
本发明属于商品鉴伪技术领域,更具体地,涉及一种基于宽度学习和广角显微图像的商品离线鉴伪方法。
背景技术
物理商品的伪造是一个世界性的问题,几乎所有高价值的商品或者产品都受到这个问题的影响。根据有关的商业报告,假冒伪劣产品的交易在全球的贸易交易中占据了近7%。而且,各种产品市场中的造假者获得的利润已经成为世界各地一些非法和潜在有害活动的重要资金来源之一。
打击假冒伪劣产品的斗争是永无止境的。许多公开或者非公开的技术已经被提出来解决伪造检测鉴别问题。公开的技术比如全息图、条形码和RFID提供了完整性解决方案,这些解决方案都是通过在实际商品上添加物理标签。但是这些解决方案都有其自身的安全限制,比如标签可能被复制,伪造或者在其他实物商品上替换。非公开的技术如taggants和Physical Unclonable Functions(PUFs),提供了更加强有力的保证,但是这些技术解决方案通常很昂贵,甚至很难采用。在很多高价值商品的市场,制造商也可能会反对为商品特别是奢侈品、时尚或艺术品采用这些非公开的技术。
现有技术中提出一个应用机器学习SVM算法以及卷积神经网络配合广角显微镜的一个鉴别商品真伪的系统。此系统基于这样的原理:一种商品的真品在广角显微镜下的微观特征表现出固有的相似的视觉特征,可用于区分这种商品和它的假冒版本。即,使用规定的或者标准的生产方法制造的某一种商品的真品与真品之间,在微观水平上具有相似的视觉特征。使用非规定的方法生产制造出来的商品,亦即假冒伪劣产品与真品在微观上的视觉特征是截然不同的。并且不同种类的商品真品之间的微观视觉特征也是不同的。这些特征在广角显微图像上非常小的区域上有所表现。使用这些特征,可以将不同种类的商品分类,并且可以区别某一种商品是真品还是假冒伪劣商品。
不过这套系统算法由于需要大量的计算资源,部署在服务器端,用户上传数据到服务器端,然后得到服务器端的返回数据,才能够知道所要购买的商品的真伪。然而,当用户人群变得十分庞大时,服务器的表现就会下降,用户得到鉴伪结果的延迟会变得比较高。并且,系统的判断准确率并非绝对准确,出错后需要人为针对某种商品重新训练模型,花费时间较多。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于宽度学习和广角显微图像的商品离线鉴伪方法,其目的在于预先采集大量商品的广角显微图像进行宽度学习,构建宽度学习模型并移植到移动设备上实现对商品的离线真假鉴别,同时还能采集鉴别错误的商品特征进行自适应学习,由此解决现有技术需要大量计算资源和网络资源,模型无法自适应学习的技术问题。
为实现上述目的,本发明提供了一种基于宽度学习和广角显微图像的商品离线鉴伪方法,所述方法具体包括:
(1)采集真假商品样本的广角显微图像,提取广角显微图像的静态特征构建带标签的特征向量集,将特征向量集划分为训练集和测试集;
(2)利用特征向量集进行预训练以建立宽度学习模型;
(3)将宽度学习模型移植到移动设备上,采集待鉴别商品的广角显微图像,提取广角显微图像的特征向量,并将特征向量输入到宽度学习模型中,进行产品的真假鉴别。
进一步地,所述方法还包括:
(4)若商品真假鉴别错误,则获取误判的真和假商品的特征向量;
(5)利用步骤(4)获取的特征向量,采用增量学习方法对宽度学习模型进行更新。
进一步地,所述步骤(1)具体包括:
(11)按预设的大小将采集的广角显微图像分割成小图像块,小图像块的取景范围为5×5微米至10×10微米,小图像块的最优取景范围为5×5微米;
(12)对所有小图像块进行密集局部图像特征描述,得到特征描述子,由所有特征描述子构建带标签的特征向量集;
(13)将带标签的特征向量集划分为训练集和测试集。
进一步地,所述步骤(2)具体包括:
(21)利用特征向量集对宽度学习模型进行预训练并测试分类器性能;
(22)利用增量学习不断调整模型的网络架构进行训练并测试性能,当分类器达到最大性能,获取各层权重信息并保存模型。
进一步地,所述步骤(21)具体包括:
(211)随机初始化分类器模型特征节点权重矩阵,并利用稀疏自编码对特征节点权重进行处理;
(212)训练集与步骤(211)获取的特征节点权重矩阵进行矩阵乘法得到特征节点矩阵;
(213)随机初始化增强节点权重矩阵;
(214)将步骤(212)获取的特征节点矩阵与步骤(213)获取的增强节点权重矩阵相乘获得增强节点矩阵;
(215)将步骤(212)获取的特征节点矩阵和步骤(214)获取的增强节点矩阵按列进行拼接得到输入矩阵;
(216)求取步骤(215)所得输入矩阵的加号广义逆并与训练集的标签集合进行矩阵乘法得到权重矩阵;
(217)将样本集替换训练集重复执行步骤(212)、步骤(214)和步骤(215)得到测试集的输入矩阵;
(218)将步骤(217)所得输入矩阵与步骤(216)所得权重矩阵进行矩阵乘法并与测试机的标签集合对比得到测试精度。
进一步地,所述步骤(22)具体包括:
(221)按预设的数量间隔(10)依次增加特征节点和增强节点的数量,以增量学习的方式对步骤(216)所得权重矩阵进行调整并测试分类器性能;预设的数量间隔取值范围为5-20,优选10;
(222)循环执行步骤(221)并记录每次的测试精度,对比找到测试精度最优的特征节点和增强节点数量,保存此最优宽度学习模型。
进一步地,所述步骤(3)具体包括:
(31)利用深度学习框架的移动端支持将步骤(2)所得宽度学习模型移植到移动设备上;
(32)移动设备采集待鉴别商品的广角显微图像,按预设的大小将广角显微图像分割成小图像块,对小图像块进行密集局部特征描述,得到待鉴别商品的特征向量;小图像块的取景范围为5×5微米至10×10微米,小图像块的最优取景范围为5×5微米;
(33)将待鉴别商品的特征向量输入到宽度学习模型,由输出的分类结果得到待鉴别商品的鉴别结果。
进一步地,所述步骤(4)中若商品真假鉴别错误包括:
将真商品鉴别为假商品;
将假商品鉴别为真商品。
进一步地,所述步骤(5)具体为:
当鉴别错误次数达到预设数量,由步骤(4)所得的多个特征向量构建带标签的特征向量集,利用特征向量集对宽度学习模型进行增加输入的增量学习,更新宽度学习模型的权重矩阵;预设数量的取值范围为10-20,最优值为10。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下技术特征及有益效果:
(1)本发明方法采用预先采集大量样本进行宽度学习,构建宽度学习模型移植到移动设备上对商品进行鉴别,宽度学习模型复杂度低,属于轻量级学习模型,对计算资源要求较低使得其能够在移动设备上快速运行且不损失运算精度;
(2)本发明方法采用预训练的方式构建宽度学习模型并移植到移动设备中,再进行商品鉴别的时候无需联网,实现了商品的离线鉴别;
(3)本发明方法具有增量学习的能力,在接收到新的样本时不必重新训练,只需要依据新样本提取的特征对现有模型进行补充调整,具有新商品鉴别的自适应学习能力;
(4)本发明方法的离线鉴别过程中需要预训练的宽度学习模型和采集待鉴别商品的广角显微图像,宽度学习模型和广角显微镜都可以很方便的移植和安装到移动设备上,采用本发明方法的进行商品鉴别具有高度的便携性和易用性;
综上所述,本发明方法分类准确,部署在移动设备上,实现离线检测,成本不高且简单易使用;对于已有产品新的假冒商品的鉴别实现自适应学习。
附图说明
图1是本发明实施例的真假商品离线鉴别系统流程图;
图2是本发明实施例的真假商品PC端特征提取示意图;
图3是本发明实施例的真假商品分类器模型训练过程示意图;
图4是本发明实施例的分类器模型移植流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供了一种基于宽度学习和广角显微镜的真假商品离线鉴别方法,图1是本发明实施例的宽度学习和广角显微镜的真假商品鉴别方法流程图,如图1所示,真假商品离线鉴别方法包括如下步骤:
步骤1,商品样本的静态特征提取;
如图2所示,步骤1具体包括如下处理:
步骤1.1,使用智能手机配合广角显微镜收集商品一定量的显微图像;
步骤1.2,将步骤1.1中得到的显微图像分割成更小的图像块;
步骤1.3,对步骤1.2中得到的图像块做密集局部特征描述,得到特征描述子,即静态特征向量;
步骤2,预训练建立真假商品鉴别的宽度学习模型;
如图3所示,步骤2具体包括以下处理:
步骤2.1,利用步骤1获取的商品样本特征向量集合对宽度学习模型进行训练并测试分类器性能;
步骤2.1包括以下处理:
步骤2.1.1,随机初始化分类器模型特征节点权重矩阵,并利用稀疏自编码对特征节点权重进行处理;
步骤2.1.2,商品训练样本特征集合与步骤2.1.1获取的权重矩阵进行矩阵乘法得到特征节点矩阵;
步骤2.1.3,随机初始化增强节点权重矩阵;
步骤2.1.4,将步骤2.1.2获取的特征节点矩阵与步骤2.1.3获取的权重矩阵相乘获得增强节点矩阵;
步骤2.1.5,将步骤2.1.2获取的特征节点矩阵和步骤2.1.4获取的增强节点矩阵按列进行拼接得到输入矩阵;
步骤2.1.6,求取步骤2.1.5所得输入矩阵矩阵的加号广义逆并与商品训练样本标签集合进行矩阵乘法得到权重矩阵;
步骤2.1.7,在商品测试样本集合上重复步骤2.1.2,步骤2.1.4,步骤2.1.5得到测试集合的输入矩阵;
步骤2.1.8,将步骤2.1.7所得输入矩阵与步骤2.1.6所得权重矩阵进行矩阵乘法并与商品测试样本标签集合对比得到测试精度。
步骤2.2,利用增量学习调整网络架构进行训练并测试直到分类器达到预期性能或者调整达到一定次数,获取最优情况下的各层权重信息并保存。
步骤2.2具体包括以下处理:
步骤2.2.1,利用增加特征节点数和增强节点数的增量学习方法对步骤2.1中所得模型进行调整并进行测试;
步骤2.2.2,循环一定次数进行步骤2.2.1并对所得测试精度进行记录,对比确定最优的特征节点数目和增强节点数目,保存此最优模型。
步骤3,将预训练的宽度学习模型移植到智能手机上,配合广角显微镜进行产品的真假鉴别;
如图3所示,步骤3具体包括以下处理:
步骤3.1,利用机器学习框架“Tensorflow”的移动端支持对步骤2中所得最优模型进行移植;
如图4所示,步骤3.1具体包括以下处理:
步骤3.1.1,利用编译工具“Android NDK”(“Xcode”)及“Bazel”对“Tensorflow”源代码进行Android(ios)平台的交叉编译,得到动态链接库文件;
步骤3.1.2,使用Tensorflow和“Bazel”将步骤2中得到的模型保存为其可以识别的模型pb文件;
步骤3.1.3,使用步骤3.1.1得到的动态链接库以及步骤3.1.2得到的模型pb文件编写Android(ios)应用程序;
步骤3.2,使用编写的Android(ios)程序配合广角显微镜在Android(ios)手机平台上对待检测的商品执行步骤1中的特征提取;
步骤3.2中用来实现检测功能的Android(ios)应用程序具体包括以下功能实现:
(1)捕获广角显微镜视频流的显微图像;
(2)将显微图像分割成更小的图像块;
(3)对图像块做密集局部特征描述,得到特征描述子即特征向量;
步骤3.3,利用步骤3.2中的方法获取任意商品的特征向量,导入宽度学习模型,输出分类结果获知其是否为假冒伪类产品。
步骤4,在Android(ios)手机上收集预训练模型不能正确识别的假冒伪类商品及真品样本的特征;
如图3所示,步骤4具体包括以下处理:
分类器的准确度不能达到100%,因此不可避免地会有误判的情况,当出现以下情况时:1)将真品分类为假冒伪劣产品;2)将假冒伪劣产品分类为真品,将误判商品的特征向量记录在本地文件中。
步骤5,利用步骤4提取的特征利用增量学习方法对预训练模型进行更新。
如图3所示,步骤5具体包括以下处理:
当步骤4中记录的特征向量达到一定数目后,利用增加输入的增量学习方法对步骤3中使用的模型进行权重调整,获得新的权重矩阵。
综上所述,利用本发明提供的技术方案,基于宽度学习模型和广角显微镜的真假商品离线鉴别方法可以在保证准确率的前提下缩短训练及调整时间,并且无需服务器,在离线状态下进行商品真假的分类,并且可以根据新获取的样本进行权重的自动调优。
以上内容本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于宽度学习和广角显微图像的商品离线鉴伪方法,其特征在于,所述方法具体包括以下步骤:
(1)采集真假商品样本的广角显微图像,提取广角显微图像的静态特征构建带标签的特征向量集,将特征向量集划分为训练集和测试集;
(2)利用特征向量集进行预训练以建立宽度学习模型;
(3)将宽度学习模型移植到移动设备上,采集待鉴别商品的广角显微图像,提取广角显微图像的特征向量,并将特征向量输入到宽度学习模型中,进行产品的真假鉴别。
2.根据权利要求1所述的一种基于宽度学习和广角显微图像的商品离线鉴伪方法,其特征在于,所述方法还包括:
(4)若商品真假鉴别错误,则获取误判的真和假商品的特征向量;
(5)利用步骤(4)获取的特征向量,采用增量学习方法对宽度学习模型进行更新。
3.根据权利要求1所述的一种基于宽度学习和广角显微图像的商品离线鉴伪方法,其特征在于,所述步骤(1)具体包括:
(11)按预设的大小将采集的广角显微图像分割成小图像块;
(12)对所有小图像块进行密集局部图像特征描述,得到特征描述子,由所有特征描述子构建带标签的特征向量集;
(13)将带标签的特征向量集划分为训练集和测试集。
4.根据权利要求1所述的一种基于宽度学习和广角显微图像的商品离线鉴伪方法,其特征在于,所述步骤(2)具体包括:
(21)利用特征向量集对宽度学习模型进行预训练并测试分类器性能;
(22)利用增量学习不断调整模型的网络架构进行训练并测试性能,当分类器达到最大性能,获取各层权重信息并保存模型。
5.根据权利要求4所述的一种基于宽度学习和广角显微图像的商品离线鉴伪方法,其特征在于,所述步骤(21)具体包括:
(211)随机初始化分类器模型特征节点权重矩阵,并利用稀疏自编码对特征节点权重进行处理;
(212)训练集与步骤(211)获取的特征节点权重矩阵进行矩阵乘法得到特征节点矩阵;
(213)随机初始化增强节点权重矩阵;
(214)将步骤(212)获取的特征节点矩阵与步骤(213)获取的增强节点权重矩阵相乘获得增强节点矩阵;
(215)将步骤(212)获取的特征节点矩阵和步骤(214)获取的增强节点矩阵按列进行拼接得到输入矩阵;
(216)求取步骤(215)所得输入矩阵的加号广义逆并与训练集的标签集合进行矩阵乘法得到权重矩阵;
(217)将样本集替换训练集重复执行步骤(212)、步骤(214)和步骤(215)得到测试集的输入矩阵;
(218)将步骤(217)所得输入矩阵与步骤(216)所得权重矩阵进行矩阵乘法并与测试机的标签集合对比得到测试精度。
6.根据权利要求4或5所述的一种基于宽度学习和广角显微图像的商品离线鉴伪方法,其特征在于,所述步骤(22)具体包括:
(221)按预设的数量间隔依次增加特征节点和增强节点的数量,以增量学习的方式对步骤(216)所得权重矩阵进行调整并测试分类器性能;
(222)循环执行步骤(221)并记录每次的测试精度,对比找到测试精度最优的特征节点和增强节点数量,保存此最优宽度学习模型。
7.根据权利要求1所述的一种基于宽度学习和广角显微图像的商品离线鉴伪方法,其特征在于,所述步骤(3)具体包括:
(31)利用深度学习框架的移动端支持将步骤(2)所得宽度学习模型移植到移动设备上;
(32)移动设备采集待鉴别商品的广角显微图像,按预设的大小将广角显微图像分割成小图像块,对小图像块进行密集局部特征描述,得到待鉴别商品的特征向量;
(33)将待鉴别商品的特征向量输入到宽度学习模型,由输出的分类结果得到待鉴别商品的鉴别结果。
8.根据权利要求2所述的一种基于宽度学习和广角显微图像的商品离线鉴伪方法,其特征在于,所述步骤(4)中若商品真假鉴别错误包括:
将真商品鉴别为假商品;
将假商品鉴别为真商品。
9.根据权利要求2所述的一种基于宽度学习和广角显微图像的商品离线鉴伪方法,其特征在于,所述步骤(5)具体为:
当鉴别错误次数达到预设数量,由步骤(4)所得的多个特征向量构建带标签的特征向量集,利用特征向量集对宽度学习模型进行增加输入的增量学习,更新宽度学习模型的权重矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810232908.3A CN108537227A (zh) | 2018-03-21 | 2018-03-21 | 一种基于宽度学习和广角显微图像的商品离线鉴伪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810232908.3A CN108537227A (zh) | 2018-03-21 | 2018-03-21 | 一种基于宽度学习和广角显微图像的商品离线鉴伪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108537227A true CN108537227A (zh) | 2018-09-14 |
Family
ID=63484306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810232908.3A Pending CN108537227A (zh) | 2018-03-21 | 2018-03-21 | 一种基于宽度学习和广角显微图像的商品离线鉴伪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108537227A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472366A (zh) * | 2018-11-01 | 2019-03-15 | 郑州云海信息技术有限公司 | 一种机器学习模型的编码解码方法与装置 |
CN109492625A (zh) * | 2018-12-29 | 2019-03-19 | 中国地质大学(武汉) | 一种基于宽度学习的人脸识别考勤方法 |
CN109766944A (zh) * | 2019-01-10 | 2019-05-17 | 四川中新华搜信息技术有限公司 | 一种基于cnn的图像识别的商品外观防伪方法 |
CN109886059A (zh) * | 2019-01-25 | 2019-06-14 | 佛山市顺德区中山大学研究院 | 一种基于宽度学习的qr码图像检测方法 |
CN109884886A (zh) * | 2019-03-29 | 2019-06-14 | 大连海事大学 | 一种基于宽度学习的船舶运动无模型自适应最优控制方法 |
CN110503644A (zh) * | 2019-08-27 | 2019-11-26 | 广东工业大学 | 基于移动平台的缺陷检测实现方法、缺陷检测方法及相关设备 |
CN111899035A (zh) * | 2020-07-31 | 2020-11-06 | 西安加安信息科技有限公司 | 一种高端酒水鉴真的方法、移动终端和计算机存储介质 |
CN112308159A (zh) * | 2020-11-05 | 2021-02-02 | 湖南科技大学 | 基于预测增量宽度学习的图像识别分类方法 |
CN113591653A (zh) * | 2021-07-22 | 2021-11-02 | 中南大学 | 一种基于宽度学习系统的增量式锌浮选工况判别方法 |
CN113657479A (zh) * | 2021-08-12 | 2021-11-16 | 广东省人民医院 | 一种新型多尺度深宽结合的病理图片分类方法、系统及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101944122A (zh) * | 2010-09-17 | 2011-01-12 | 浙江工商大学 | 一种融合增量学习的支持向量机多类分类方法 |
CN102122353A (zh) * | 2011-03-11 | 2011-07-13 | 西安电子科技大学 | 利用增量字典学习与稀疏表示进行图像分割的方法 |
CN103116766A (zh) * | 2013-03-20 | 2013-05-22 | 南京大学 | 一种基于增量神经网络和子图编码的图像分类方法 |
CN104866869A (zh) * | 2015-05-29 | 2015-08-26 | 武汉大学 | 基于分布差异与增量学习的时序sar图像分类方法 |
CN106778795A (zh) * | 2015-11-24 | 2017-05-31 | 华为技术有限公司 | 一种基于增量学习的分类方法及装置 |
-
2018
- 2018-03-21 CN CN201810232908.3A patent/CN108537227A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101944122A (zh) * | 2010-09-17 | 2011-01-12 | 浙江工商大学 | 一种融合增量学习的支持向量机多类分类方法 |
CN102122353A (zh) * | 2011-03-11 | 2011-07-13 | 西安电子科技大学 | 利用增量字典学习与稀疏表示进行图像分割的方法 |
CN103116766A (zh) * | 2013-03-20 | 2013-05-22 | 南京大学 | 一种基于增量神经网络和子图编码的图像分类方法 |
CN104866869A (zh) * | 2015-05-29 | 2015-08-26 | 武汉大学 | 基于分布差异与增量学习的时序sar图像分类方法 |
CN106778795A (zh) * | 2015-11-24 | 2017-05-31 | 华为技术有限公司 | 一种基于增量学习的分类方法及装置 |
Non-Patent Citations (1)
Title |
---|
C.L.PHILIP CHEN等: "Broad Learning System: An Effective and Efficient Incremental Learning System Without the Need for Deep Architecture", 《IEEE TRANSACTIONSON NEURAL NETWORKS AND LEARNING SYSTEMS》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472366A (zh) * | 2018-11-01 | 2019-03-15 | 郑州云海信息技术有限公司 | 一种机器学习模型的编码解码方法与装置 |
CN109492625A (zh) * | 2018-12-29 | 2019-03-19 | 中国地质大学(武汉) | 一种基于宽度学习的人脸识别考勤方法 |
CN109766944A (zh) * | 2019-01-10 | 2019-05-17 | 四川中新华搜信息技术有限公司 | 一种基于cnn的图像识别的商品外观防伪方法 |
CN109886059B (zh) * | 2019-01-25 | 2022-08-05 | 佛山市顺德区中山大学研究院 | 一种基于宽度学习的qr码图像检测方法 |
CN109886059A (zh) * | 2019-01-25 | 2019-06-14 | 佛山市顺德区中山大学研究院 | 一种基于宽度学习的qr码图像检测方法 |
CN109884886A (zh) * | 2019-03-29 | 2019-06-14 | 大连海事大学 | 一种基于宽度学习的船舶运动无模型自适应最优控制方法 |
CN110503644A (zh) * | 2019-08-27 | 2019-11-26 | 广东工业大学 | 基于移动平台的缺陷检测实现方法、缺陷检测方法及相关设备 |
CN111899035A (zh) * | 2020-07-31 | 2020-11-06 | 西安加安信息科技有限公司 | 一种高端酒水鉴真的方法、移动终端和计算机存储介质 |
CN111899035B (zh) * | 2020-07-31 | 2024-04-30 | 西安加安信息科技有限公司 | 一种高端酒水鉴真的方法、移动终端和计算机存储介质 |
CN112308159A (zh) * | 2020-11-05 | 2021-02-02 | 湖南科技大学 | 基于预测增量宽度学习的图像识别分类方法 |
CN112308159B (zh) * | 2020-11-05 | 2023-04-07 | 湖南科技大学 | 基于预测增量宽度学习的图像识别分类方法 |
CN113591653A (zh) * | 2021-07-22 | 2021-11-02 | 中南大学 | 一种基于宽度学习系统的增量式锌浮选工况判别方法 |
CN113657479A (zh) * | 2021-08-12 | 2021-11-16 | 广东省人民医院 | 一种新型多尺度深宽结合的病理图片分类方法、系统及介质 |
CN113657479B (zh) * | 2021-08-12 | 2022-12-06 | 广东省人民医院 | 一种新型多尺度深宽结合的病理图片分类方法、系统及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108537227A (zh) | 一种基于宽度学习和广角显微图像的商品离线鉴伪方法 | |
JP7102344B2 (ja) | 機械学習モデルのモデリング方法及びデバイス | |
CN110147823B (zh) | 一种风控模型训练方法、装置及设备 | |
CN109446889B (zh) | 基于孪生匹配网络的物体追踪方法及装置 | |
CN110175590A (zh) | 一种商品识别方法及装置 | |
CN110222728B (zh) | 物品鉴别模型的训练方法、系统及物品鉴别方法、设备 | |
CN109784385A (zh) | 一种商品自动识别方法、系统、装置及存储介质 | |
CN111406270B (zh) | 基于图像的伪造品检测 | |
CN110148007A (zh) | 商品信息检测方法、装置、计算机设备和存储介质 | |
US20190102654A1 (en) | Generation of Training Data for Image Classification | |
CN110796269B (zh) | 一种生成模型的方法、装置、信息处理的方法及装置 | |
CN110299151A (zh) | 一种检测方法、检测模型生成方法和装置 | |
CN110298662A (zh) | 交易重复提交的自动化检测方法及装置 | |
CN111291773A (zh) | 特征识别的方法及装置 | |
CN108154183A (zh) | 一种基于局部和深度特征集合的目标分类方法 | |
EP4298762A1 (en) | Method and system for securely deploying an artificial intelligence model | |
CN111738199A (zh) | 图像信息验证方法、装置、计算装置和介质 | |
CN115035347A (zh) | 图片识别方法、装置及电子设备 | |
Nida et al. | Video augmentation technique for human action recognition using genetic algorithm | |
CN110020196B (zh) | 一种基于不同数据源的用户分析方法和装置及计算设备 | |
CN109413595A (zh) | 一种垃圾短信的识别方法、装置及存储介质 | |
CN112819486B (zh) | 用于身份证明的方法和系统 | |
CN110689005A (zh) | 一种基于深度学习融合位置和形状信息的商品识别方法 | |
CN110390096A (zh) | 一种公园评价方法及装置 | |
CN113111734B (zh) | 一种水印分类模型训练方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180914 |