CN108614997B - 一种基于改进AlexNet的遥感图像识别方法 - Google Patents
一种基于改进AlexNet的遥感图像识别方法 Download PDFInfo
- Publication number
- CN108614997B CN108614997B CN201810300859.2A CN201810300859A CN108614997B CN 108614997 B CN108614997 B CN 108614997B CN 201810300859 A CN201810300859 A CN 201810300859A CN 108614997 B CN108614997 B CN 108614997B
- Authority
- CN
- China
- Prior art keywords
- layer
- image
- remote sensing
- network
- convolution
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Abstract
本发明公开了一种基于改进AlexNet的遥感图像识别方法，属于人工智能图片分类领域，本发明先对遥感图像进行均匀裁剪，将裁剪后的图像分为训练集和验证集；将训练集输入改进AlexNet网络进行训练，生成训练后的网络模型：通过4层卷积层提取训练集中图像的特征图，并分别对前三个卷积层的输出进行池化堆叠，将经池化层堆叠后的输出再输入下一个卷积层中；将经过卷积后的输出再输入至两层全连接层中，采用随机梯度下降算法结合验证集对网络参数进行更新，生成训练后的网络模型；将待勘测图像输入生成的网络模型，得到遥感图像分类结果。本发明借助了卷积神经网络处理大量图片的准确性和稳定性，相较于传统的图片分类算法，该网络模型具有较高的识别率。
Description
技术领域
本发明涉及人工智能图片分类技术领域，特别是一种基于改进AlexNet的遥感图像识别方法。
背景技术
随着我国工业化和城镇化进程不断加速，粗放型土地资源利用模式占据主导位置，造成耕地面积锐减。1999-2007年间，我国耕地总量减少670万公顷以上，年均减少90多万公顷。截至2007年底，我国现有耕地1.22亿公顷，日益逼近1.2亿公顷的耕地红线。在当前形势下，对耕地开展保护工作，增强国家粮食安全保障能力，推进农业现代化与新农村建设具有重要意义。现行对农田的统计及保护方法主要是靠各级政府的层层统计和上报，不仅存在人为偏差，还会消耗大量人力物力。因此，研究一种行之有效的耕地遥感图像检测分类方法，已成为热门的研究内容。
近年来，深度学习卷积神经网络CNN(convolutional neural networks)在对自然图像识别的任务上不断取得显著进步，使得人们对CNN分类模型的研究更广泛和更深入。CNN模型主要包括对输入图像进行不同层级的处理，以及对提取出的基本组成部分进行各层之间的共享。传统的人工手动提取特征再进行分类的方法可以近似看作一个比较特殊的CNN模型。而CNN模型的优势在于可以自动判断需要保留的信息，不用手动设置参数或者整合提取出图像的信息。现有技术存在网络模型识别率低和训练速度慢的缺点。
发明内容
本发明所要解决的技术问题是克服现有技术的不足而提供一种基于改进AlexNet的遥感图像识别方法，对经典网络的滤波器进行更换，简化网络结构，再结合批量归一化，以加快网络的训练速度和提高对遥感图像识别的准确率。
本发明为解决上述技术问题采用以下技术方案：
根据本发明提出的一种基于改进AlexNet的遥感图像识别方法，包括以下步骤：
步骤1、对遥感图像进行均匀裁剪，得到裁剪后的图像，将裁剪后的图像分为训练集和验证集；
步骤2、将训练集输入改进AlexNet进行训练，生成训练后的网络模型；改进AlexNet进行训练的过程如下：
步骤A、通过4层卷积层提取训练集中图像的特征图，并分别对前三个卷积层的输出进行池化堆叠，将经池化层堆叠后的输出再输入下一个卷积层中；
步骤B、将步骤A中经过卷积后的输出再输入至两层全连接层中，采用随机梯度下降算法结合验证集对网络参数进行更新，生成训练后的网络模型；
步骤3、将待勘测图像输入步骤2中生成的网络模型，得到遥感图像分类结果。
作为本发明所述的一种基于改进AlexNet的遥感图像识别方法进一步优化方案，通过步骤3网络模型分类结果确认遥感图像地形地貌。
作为本发明所述的一种基于改进AlexNet的遥感图像识别方法进一步优化方案，步骤1中进行均匀裁剪的尺寸为满足网络卷积需要的最小图像。
作为本发明所述的一种基于改进AlexNet的遥感图像识别方法进一步优化方案，改进AlexNet网络为：
在改进AlexNet的深层网络中，第一层的卷积层使用的是96个大小为13×13、步长为4个像素的核，对输入图像进行滤波；在第一层使用了13×13滤波器，第一卷积层的输出图像输入96个大小为3×3的max pooling层进行滤波，在响应归一化之后，再经过BatchNormalization层；第二卷积层和第一max pooling层输出相连接，其卷积核大小为5×5，数量也是96个；第三和第四层的卷积核大小都是3×3，其个数分别为384和256；整个网络卷积层只有第三层和第四层之间没有max pooling层；
在经过卷积层后，将生成的256个1×1的特征图输入到两层全连接层；其中，两层全连接层的神经元个数分别为4096和4个。
作为本发明所述的一种基于改进AlexNet的遥感图像识别方法进一步优化方案，步骤2中验证集对网络参数进行更新，在网络模型对图像分类的正确率达到预期要求后导出模型。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
本发明的网络使用了较大的13×13滤波器以及更少的网络层数；在降低数据量的同时，充分利用了卷积神经网络的特征学习能力，改进网络模型对遥感图像的分类效果更好，准确率在98％左右；Caffe框架下，配合BN算法设置合适的CNN模型学习率和dropout值，可以提高CNN模型识别准确率、增强CNN模型的鲁棒性；相比经典的AlexNet模型，改进AlexNet模型的识别精度更高、收敛速度更快。
附图说明
图1是基于CNN的遥感图像农田识别流程图。
图2是遥感图像识别改进的CNN结构。
图3是不同卷积核大小对模型识别准确率的影响。
图4是学习率为0.001时，迭代次数对识别准确率的影响。
图5是迭代次数为10000次时，不同学习率的准确率。
图6是不同dropout下模型的识别准确率。
图7是本发明方法流程示意图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
图7是本发明方法流程示意图，一种基于改进AlexNet的遥感图像识别方法，包括以下步骤：
步骤1、对遥感图像进行均匀裁剪，得到裁剪后的图像，将裁剪后的图像分为训练集和验证集；
步骤2、将训练集输入改进AlexNet网络进行训练，生成训练后的网络模型；改进AlexNet网络进行训练的过程如下：
步骤A、通过4层卷积层提取训练集中图像的特征图，并分别对前三个卷积层的输出进行池化堆叠，将经池化层堆叠后的输出再输入下一个卷积层中；
步骤B、将步骤A中经过卷积后的输出再输入至两层全连接层中，采用随机梯度下降算法结合验证集对网络参数进行更新，生成训练后的网络模型；
步骤3、将待勘测图像输入步骤2中生成的网络模型，得到遥感图像分类结果。遥感图像分类结果可以确认遥感图像地形地貌。
1、农田识别的CNN基本框架
基于CNN的遥感图像识别流程如图1所示。CNN框架的识别图像是经过融合处理后的高光谱国土资源遥感图像，包含多种不同土地类别。所以，在遥感图像尺寸尽可能小的前提下，对遥感图像进行均匀裁剪。CNN需要对输入图片进行多次卷积，而卷积神经网络的对图像特征的提取要求图像的大小不小于网络的局部感受野，要求图片有合适的大小。综合两者，本实例选择对41×41的遥感图片进行分类。
2、CNN网络结构
采用改进的CNN结构如图2所示，其结构是在AlexNet的基础上进行改进的。与经典AlexNet网络结构类似，网络由输入层、卷积层、采样层、全连接层和输出层构成，其中卷积层和采样层交替连接。网络输入的是均匀裁剪后的遥感图像。在深层网络中，第一层的卷积层使用的是96个大小为13×13、步长为4个像素(这是同一核映中临近神经元的感知域中心之间的距离)的核，对输入图像进行滤波。有别于经典AlexNet的11×11的滤波器，在第一层使用了13×13滤波器，这样可以从遥感图像中提取更多特征。第一卷积层的输出图像输入96个大小为3×3的卷积层层进行滤波，在响应归一化之后，再经过Batch Normalization层和max pooling层。第二卷积层和第一max pooling层输出相连接，其卷积核大小为5×5，数量也是96个。第三和第四层的卷积核大小都是3×3，其个数分别为384和256。整个网络卷积层只有第三层和第四层之间没有max pooling层。由于与AlexNet处理的图片大小不同，如果保留第五层卷积层，会增加网络的数据量，提高运算成本，还可能造成因图像过度卷积，导致识别准确率下降。因此，考虑到训练效率和准确率，在训练网络时去掉了一组个数为384的3×3的卷积层。
在经过卷积层后，将生成的256个1×1的特征图输入到全连接层。由于本实例所需分类目标只有4类，相较于AlexNet的分类类别较少。在全连接层的使用上，本实例使用了更少的两层全连接层，其中两层网络的神经元个数分别为4096和4个。
3、实验结果及分析
3.1数据集
遥感图像数据集源于UC Merced Land Use Dataset和美国地质调查局网站，分为农田、建筑、荒漠以及植被四个类型(每类4500张)共18000张图像，每类选取3750张图像作为训练模型的训练集，剩余750张图像作为测试集。
3.2实验条件
实验采用windows操作系统下的caffe开源框架及CUDA-GPU加速方案。将数据集裁剪制作完成后，储存到后一级深度学习计算机中，再通过一块Nvidia GTX 1080运算单元执行Caffe框架。
3.3模型改进
改进模型以AlexNet作为原型，以识别准确率、模型数据量大小和训练收敛次数作为性能指标，针对网络整体结构、滤波器大小和训练超参数进行了一系列的实验。
3.31加入BN的模型
在AlexNet模型中加入BN可以减少图像在卷积过程中的扭曲程度。在较低dropout情况下，使用更高学习率可以使网络更快收敛。加入BN前后的AlexNet性能对比结果见表1。
表1加入BN前后AlexNet模型的性能对比
如表1所示，原模型和加入BN模型的识别准确率分别为92.1％和87.3％；训练模型的收敛次数分别为14.9万次和3.5万次；神经网络模型的数据量分别为83M和102M。由此可知，直接加入BN的AlexNet虽然使算法快速收敛了，但识别准确率下降了4.8％，数据量增加22.8％。
3.32减少模型的层数
由于遥感图像的尺寸不同，相应的CNN模型结构也有所不同。经典的AlexNet分类图像大小为256×256。本实例处理的大小为41×41遥感图像经过前4层卷积后，已变成1×1的特征图，原模型中第五层卷积层对于整个网络是冗余的。AlexNet的分类类别比较多，而本实例所采用的目标遥感图像类别比较少，因此实验时剔除了原模型中后三层的全连接层的第一层全连接层。实验结果见表2。
表2不同类型模型的性能对比
改进网络模型后，网络层数从8层降低到6层，但加入BN层提高了网络的数据量，网络收敛次数从149×104次降低到0.45×104次，大大减少了训练网络所需的时间，识别准确率也由原网络的92.14％提升到98.15％。因此，缩减网络层数可以优化网络的综合性能。
3.33改变卷积核大小
增大卷积核可以提高网络的学习性能。本实例在改进网络模型中，对模型第一层卷积核大小对识别正确率的影响做了实验。由于识别图像的大小为41×41，在保证后续网络结构不变的情况下，改变第一层卷积层的卷积核大小。分别选取了10×10、11×11、12×12以及13×13四种大小的卷积核进行实验。在网络结构类似的情况下，仅仅改变卷积核大小进行实验，其网络数据量是相同的。不同大小的卷积核对网络识别准确率的影响，如图3所示。
由图3可知，经典的AlexNet中11×11的卷积核模型的波动性较大；四种不同大小卷积核的网络在收敛后的识别准确率比较接近；迭代7500次后，13×13大小的卷积核网络的识别准确率要明显高于其他三种卷积核网络；在网络整体结构不变的情况下，选择网络的第一层滤波器时，卷积核大小应为13×13。
3.4超参数的设置
选用合适的超参数可以加快模型的收敛速度，还可以提高模型识别准确率。采用4层卷积层和2层全连接层构建模型时，选取识别效果最好的13×13卷积核的模型，设置CNN模型的超参数。为增加模型鲁棒性，每种设定的迭代次数均重复做10次实验，研究迭代次数对模型识别准确率的影响，实验结果见表3。
表3学习率为0.001时，不同迭代次数的识别准确率
| 迭代次数 | 实验1 | 实验2 | 实验3 | 实验4 | 实验5 | 实验6 | 实验7 | 实验8 | 实验9 | 实验10 |
| 2000 | 63.15 | 61.17 | 62.89 | 65.74 | 64.89 | 63.22 | 54.74 | 76.63 | 74.56 | 67.38 |
| 4000 | 85.87 | 78.34 | 80.75 | 52.39 | 73.38 | 81.37 | 82.03 | 91.07 | 80.72 | 84.58 |
| 6000 | 93.81 | 92.88 | 96.36 | 98.11 | 49.72 | 96.36 | 97.28 | 97.41 | 96.95 | 96.07 |
| 8000 | 93.17 | 96.35 | 97.27 | 98.52 | 86.48 | 95.73 | 98.70 | 97.70 | 96.82 | 98.45 |
| 10000 | 95.74 | 97.69 | 98.17 | 99.23 | 89.33 | 96.67 | 99.32 | 98.58 | 98.29 | 98.37 |
为便于对比分析，将表3的各实验数据按由小到大顺序排列后的折线图如图4所示。由图4可知，当学习率为0.001时，2000次和4000次模型的识别正确率较低；6000次模型的鲁棒性较差；8000次和10000次迭代模型的识别准确率比较接近，其中10000次迭代模型的识别准确率略高于8000次迭代的模型。
另外，实验以10000次迭代模型为参考对象，选取学习率分别为0.001、0.003、0.005、0.01和0.015均进行10次实验，识别准确率见表4。
表4迭代次数为10000次时，不同学习率的识别准确率
| 学习率 | 实验1 | 实验2 | 实验3 | 实验4 | 实验5 | 实验6 | 实验7 | 实验8 | 实验9 | 实验10 |
| 0.001 | 93.11 | 96.32 | 97.24 | 98.57 | 86.48 | 95.74 | 98.77 | 97.79 | 96.84 | 98.42 |
| 0.003 | 98.85 | 97.94 | 98.62 | 98.13 | 97.69 | 98.57 | 97.66 | 98.24 | 97.52 | 98.64 |
| 0.005 | 97.68 | 98.87 | 97.35 | 95.80 | 98.66 | 97.27 | 91.73 | 98.24 | 93.15 | 95.96 |
| 0.01 | 81.31 | 77.74 | 75.43 | 77.45 | 25.71 | 47.98 | 76.52 | 56.77 | 88.24 | 31.40 |
| 0.015 | 70.89 | 53.98 | 25.52 | 40.74 | 75.23 | 41.95 | 69.67 | 39.46 | 70.82 | 64.22 |
为便于对比分析，将表4的实验数据按由小到大的顺序排列后的折线图如图5所示。由图5可知，学习率为0.01和0.015时，因代价函数震荡导致模型的鲁棒性较差，识别准确率较差。学习率为0.001、0.003和0.005时的识别准确率比较接近，其中0.003学习率模型的鲁棒性最好。
3.5Dropout值对模型识别准确率的影响
Dropout是经典AlexNet网络用来防止过拟合的一种技术。在经典AlexNet中只保留最后一个全连接层中30％数量的神经元可以取得较好的效果；而使用BN的神经网络可以适当增加全连接层神经元的数量。结合以上两点，对不同dropout下模型的识别准确率进行验证，实验结果如图6所示。
由图6可知，dropout值为0.2、0.4和0.8时，比其他dropout值的模型识别准确率较低。dropout值为0和0.6时，在3500迭代次数前的识别准确率有明显的优势；3500迭代次数后，dropout值为0的模型准确率，收敛后开始震荡，且效果差于dropout值为0.5和0.6时的模型；dropout值为0.6时的模型识别准确率最好。因此，dropout不仅可以避免神经网络过拟合，还可以有效增强网络模型的鲁棒性。综上可知，用BN配合dropout的模型识别效果更好。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围内。
Claims (4)
1.一种基于改进AlexNet的遥感图像识别方法，其特征在于，包括以下步骤：
步骤1、对遥感图像进行均匀裁剪，得到裁剪后的图像，将裁剪后的图像分为训练集和验证集；
步骤2、将训练集输入改进AlexNet进行训练，生成训练后的网络模型；改进AlexNet进行训练的过程如下：
步骤A、通过4层卷积层提取训练集中图像的特征图，并分别对前三个卷积层的输出进行池化堆叠，将经池化层堆叠后的输出再输入下一个卷积层中；
步骤B、将步骤A中经过卷积后的输出再输入至两层全连接层中，采用随机梯度下降算法结合验证集对网络参数进行更新，生成训练后的网络模型；
步骤3、将待勘测图像输入步骤2中生成的网络模型，得到遥感图像分类结果；
改进AlexNet网络为：
在改进AlexNet的深层网络中，第一层的卷积层使用的是96个大小为13×13、步长为4个像素的核，对输入图像进行滤波；在第一层使用了13×13滤波器，第一卷积层的输出图像输入96个大小为3×3的max pooling层进行滤波，在响应归一化之后，再经过BatchNormalization层；第二卷积层和第一max pooling层输出相连接，其卷积核大小为5×5，数量也是96个；第三和第四层的卷积核大小都是3×3，其个数分别为384和256；整个网络卷积层只有第三层和第四层之间没有max pooling层；
在经过卷积层后，将生成的256个1×1的特征图输入到两层全连接层；其中，两层全连接层的神经元个数分别为4096和4个。
2.根据权利要求1所述的一种基于改进AlexNet的遥感图像识别方法，其特征在于，通过步骤3网络模型分类结果确认遥感图像地形地貌。
3.根据权利要求1所述的一种基于改进AlexNet的遥感图像识别方法，其特征在于，步骤1中进行均匀裁剪的尺寸为满足网络卷积需要的最小图像。
4.根据权利要求1所述的一种基于改进AlexNet的遥感图像识别方法，其特征在于，步骤2中验证集对网络参数进行更新，在网络模型对图像分类的正确率达到预期要求后导出模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810300859.2A CN108614997B (zh) | 2018-04-04 | 2018-04-04 | 一种基于改进AlexNet的遥感图像识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810300859.2A CN108614997B (zh) | 2018-04-04 | 2018-04-04 | 一种基于改进AlexNet的遥感图像识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108614997A CN108614997A (zh) | 2018-10-02 |
| CN108614997B true CN108614997B (zh) | 2021-05-11 |
Family
ID=63659448
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810300859.2A Active CN108614997B (zh) | 2018-04-04 | 2018-04-04 | 一种基于改进AlexNet的遥感图像识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108614997B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111028255B (zh) * | 2018-10-10 | 2023-07-21 | 千寻位置网络有限公司 | 基于先验信息与深度学习的农田区域预筛选方法及装置 |
| CN109977750A (zh) * | 2019-01-15 | 2019-07-05 | 平安科技（深圳）有限公司 | 印章真伪校验方法、装置及计算机可读存储介质 |
| CN110033045A (zh) * | 2019-04-17 | 2019-07-19 | 内蒙古工业大学 | 一种训练识别图像雾化的方法和装置 |
| CN110473166A (zh) * | 2019-07-09 | 2019-11-19 | 哈尔滨工程大学 | 一种基于改进Alexnet模型的尿液有形成分识别方法 |
| CN111062264A (zh) * | 2019-11-27 | 2020-04-24 | 重庆邮电大学 | 一种基于双通路混合卷积网络的文档对象分类方法 |
| CN111242180B (zh) * | 2020-01-03 | 2022-07-29 | 南京邮电大学 | 一种基于轻量化卷积神经网络的图像识别方法及系统 |
| CN111339935B (zh) * | 2020-02-25 | 2023-04-18 | 西安电子科技大学 | 一种基于可解释cnn图像分类模型的光学遥感图片分类方法 |
| CN113706511A (zh) * | 2021-08-31 | 2021-11-26 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的复合材料损伤的检测方法 |
| CN115861824B (zh) * | 2023-02-23 | 2023-06-06 | 汕头大学 | 基于改进Transformer的遥感图像识别方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3261017A1 (en) * | 2016-06-20 | 2017-12-27 | Delphi Technologies, Inc. | Image processing system to detect objects of interest |
| CN106651830A (zh) * | 2016-09-28 | 2017-05-10 | 华南理工大学 | 一种基于并行卷积神经网络的图像质量测试方法 |
| CN107563999A (zh) * | 2017-09-05 | 2018-01-09 | 华中科技大学 | 一种基于卷积神经网络的芯片缺陷识别方法 |
| CN107609601B (zh) * | 2017-09-28 | 2021-01-22 | 北京计算机技术及应用研究所 | 一种基于多层卷积神经网络的舰船目标识别方法 |
-
2018
- 2018-04-04 CN CN201810300859.2A patent/CN108614997B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN108614997A (zh) | 2018-10-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108614997B (zh) | 一种基于改进AlexNet的遥感图像识别方法 | |
| CN105512289B (zh) | 基于深度学习和哈希的图像检索方法 | |
| CN110348399B (zh) | 基于原型学习机制和多维残差网络的高光谱智能分类方法 | |
| WO2018052587A1 (en) | Method and system for cell image segmentation using multi-stage convolutional neural networks | |
| CN105913087B (zh) | 基于最优池化卷积神经网络的物体识别方法 | |
| CN111079795B (zh) | 基于cnn的分片多尺度特征融合的图像分类方法 | |
| CN109299741B (zh) | 一种基于多层检测的网络攻击类型识别方法 | |
| CN107506786A (zh) | 一种基于深度学习的属性分类识别方法 | |
| CN107729993A (zh) | 利用训练样本及折中度量的3d卷积神经网络构建方法 | |
| CN110197205A (zh) | 一种多特征来源残差网络的图像识别方法 | |
| CN112766280A (zh) | 一种基于图卷积的遥感图像道路提取方法 | |
| CN111695640B (zh) | 地基云图识别模型训练方法及地基云图识别方法 | |
| CN114091603A (zh) | 一种空间转录组细胞聚类、分析方法 | |
| CN109472352A (zh) | 一种基于特征图统计特征的深度神经网络模型裁剪方法 | |
| CN107679539A (zh) | 一种基于局部感知野的单卷积神经网络局部信息与全局信息整合方法 | |
| CN113128560A (zh) | 一种基于注意力模块增强的cnn楷体书法风格分类方法 | |
| Javed et al. | Deep multiresolution cellular communities for semantic segmentation of multi-gigapixel histology images | |
| Li et al. | A spectral clustering based filter-level pruning method for convolutional neural networks | |
| CN111310838A (zh) | 一种基于深度Gabor网络的药效图像分类识别方法 | |
| WO2016107297A1 (zh) | MapReduce 平台上基于本地密度的聚类方法 | |
| CN111461135B (zh) | 利用卷积神经网络集成的数字图像局部滤波取证方法 | |
| CN111639206A (zh) | 基于优化特征权重的有效精细图像分类方法 | |
| CN114548197A (zh) | 一种基于自律学习sdl模型的聚类方法 | |
| CN106933805B (zh) | 一种大数据集中生物事件触发词的识别方法 | |
| CN110210988B (zh) | 一种基于深度哈希的符号社交网络嵌入方法 |
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 |