CN108875811A - 动物种类的分类方法、装置、计算机设备和存储介质 - Google Patents
动物种类的分类方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN108875811A CN108875811A CN201810557223.6A CN201810557223A CN108875811A CN 108875811 A CN108875811 A CN 108875811A CN 201810557223 A CN201810557223 A CN 201810557223A CN 108875811 A CN108875811 A CN 108875811A
- Authority
- CN
- China
- Prior art keywords
- animal
- training
- vector
- convolutional neural
- neural networks
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification 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
- 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
本申请中提供了一种动物种类的分类方法、装置、计算机设备和存储介质,包括:获取待分类的动物图像,并通过多个不同的网络模型分别提取所述动物图像的特征向量;将多个不同的网络模型分别提取的所述特征向量拼接为一个合并向量;将所述合并向量输入至训练完成的卷积神经网络中以输出所述待分类的动物图像的分类结果。本申请中提供的动物种类的分类方法、装置、计算机设备和存储介质,提升识别动物种类的准确率,克服目前识别准确率低的缺陷。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种动物种类的分类方法、装置、计算机设备和存储介质。
背景技术
目前,常常用到对人脸进行识别,对狗等动物的种类进行识别分类却很少,通常为人工识别,人工识别准确性不高,且繁琐,造成人力成本太高。
狗的种类繁多,从斯坦福大学的狗种类数据集来看,狗的种类多达120种,其它动物的品种更加多种多样。在保险、科普等行业,识别动物的种类显得尤为重要。而目前,正确识别动物种类的准确率很低。
发明内容
本申请的主要目的为提供一种动物种类的分类方法、装置、计算机设备和存储介质,克服识别动物种类准确率低的缺陷。
为实现上述目的,本申请提供了一种动物种类的分类方法,其包括以下步骤:
获取待分类的动物图像,并通过多个不同的网络模型分别提取所述动物图像的特征向量;
将所述多个不同的网络模型分别提取的所述特征向量拼接为一个合并向量;
将所述合并向量输入至训练完成的卷积神经网络中以输出所述待分类的动物图像的分类结果。
进一步地,所述网络模型包括DenseNet,ResNet和Inception网络模型。
进一步地,所述获取待分类的动物图像,并通过多个不同的网络模型分别提取所述动物图像的特征向量的步骤之前,包括:
将训练集中每一张样本图片分别输入至多个不同的所述网络模型中分别训练各所述网络模型;
通过训练完成的多个所述网络模型分别提取所述训练集中每一张样本图片的特征向量;
将所述训练集中每一张样本图片对应的多个特征向量拼接为一个训练合并向量;
将所述训练合并向量输入至卷积神经网络中以训练所述卷积神经网络。
进一步地,所述将所述训练合并向量输入至卷积神经网络中以训练所述卷积神经网络的步骤之后,包括:
将测试集中每一张样本图片输入至多个训练完成的所述网络模型中以分别提取出测试集中每一张样本图片的特征向量;
将所述测试集中每一张样本图片对应的多个特征向量拼接为一个测试合并向量;
将所述测试合并向量输入至训练完成的所述卷积神经网络中以输出所述测试集的分类结果,并验证其是否与测试集的已知分类一致。
进一步地,所述训练集与所述测试集的样本数据量比例为8:2。
进一步地,所述将所述合并向量输入至训练完成的卷积神经网络中以输出所述待分类的动物图像的分类结果的步骤之后,包括:
根据所述待分类的动物图像的分类结果,确定所述待分类的动物图像中动物的种类名称;
根据所述动物的种类名称,在动物数据库中查询出所述动物的资料信息。
进一步地,所述将所述合并向量输入至训练完成的卷积神经网络中以输出所述待分类的动物图像的分类结果的步骤之后,包括:
根据所述待分类的动物图像的分类结果,确定所述待分类的动物图像中动物的种类名称;
根据所述动物的种类名称,在保单数据库中查询出与所述动物的种类名称相匹配的保单,并从所述保单中获取出保单金额、赔偿金额中至少一种。
本申请还提供了一种动物种类的分类装置,包括:
第一提取单元,用于获取待分类的动物图像,并通过多个不同的网络模型分别提取所述动物图像的特征向量;
第一拼接单元,用于将所述多个不同的网络模型分别提取的所述特征向量拼接为一个合并向量;
第一分类单元,用于将所述合并向量输入至训练完成的卷积神经网络中以输出所述待分类动物图像的分类结果。
本申请还提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提供一种计算机存储介质,其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上述任一项所述的方法的步骤。
本申请中提供的动物种类的分类方法、装置、计算机设备和存储介质,具有以下有益效果:
本申请中提供的动物种类的分类方法、装置、计算机设备和存储介质,获取待分类的动物图像,并通过多个不同的网络模型分别提取所述动物图像的特征向量;将多个不同的网络模型分别提取出的所述特征向量拼接为一个合并向量;将所述合并向量输入至训练完成的卷积神经网络中以输出所述待分类的动物图像的分类结果,提升识别动物种类的准确率,克服目前识别准确率低的缺陷。
附图说明
图1是本申请一实施例中动物种类的分类方法步骤示意图;
图2是本申请另一实施例中动物种类的分类方法步骤示意图;
图3是本申请一实施例中动物种类的分类装置结构示意图;
图4是本申请另一实施例中动物种类的分类装置结构示意图;
图5是本申请又一实施例中动物种类的分类装置结构示意图;
图6是本申请又一实施例中动物种类的分类装置结构示意图;
图7为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
参照图1,为本申请一实施例中提供的动物种类的分类方法步骤示意图,其包括以下步骤:
步骤S1,获取待分类的动物图像,并通过多个不同的网络模型分别提取所述动物图像的特征向量。
在本步骤中,待分类的动物图像即为需要识别种类的动物照片,本实施例中的动物以狗为例进行阐述。本实施例中的网络模型均是已经训练完成的网络模型,其训练过程将在下文中进行阐述。其中,上述网络模型的最后一层通常为softmax分类层,其具有softmax分类器,经过该softmax层输出的结果为输入数据的分类结果,而在网络模型的最后一层(即softmax分类层)之前输出的是一个特征向量,可以理解的是,上述softmax分类层中输入的即是上述特征向量,将特征向量输入至softmax分类层则可以输出分类结果。因此,在本实施例中,获取到待分类的动物图像时,则通过多个不同的网络模型分别提取所述动物图像的特征向量,而并不直接通过softmax分类层输出分类结果。具体地,即通过多个不同的网络模型分别提取其softmax分类层之前的输出结果,便可以提取到上述特征向量。对于同一张动物图像,每一个网络模型均可以提取出一个特征向量,由于网络模型的结构不同,其提取出的特征向量也不同。
步骤S2,将所述多个不同的网络模型分别提取的所述特征向量拼接为一个合并向量。
在本步骤中,将上述多个不同的网络模型分别提取出的特征向量依次首尾拼接为一个合并向量,使得该合并向量中包括有上述所有特征向量的特征。上述合并向量也是一个向量,该拼接的合并向量作为卷积神经网络模型的网络输入。
步骤S3,将所述合并向量输入至训练完成的卷积神经网络中以输出所述待分类的动物图像的分类结果。
在本实施例中,上述卷积神经网络为训练完成的模型。将上述拼接得到的合并向量输入至训练完成的卷积神经网络中学习,该卷积神经网络的输出结果即为上述待分类的动物图像的分类结果。
由于上述每一个网络模型提取出的特征向量均不同,拼接之后得到的特征向量具有上述特征向量的不同特点。若将上述特征向量单一输入至卷积神经网络中,由于其特征向量不同,得出的分类结果也不尽相同。而本步骤中,将所述合并向量输入至卷积神经网络中进行计算,与单一特征向量输入时的计算原理一致,只是输入的向量不同。上述三个特征向量拼接后的合并向量是一个新的向量,输入至卷积神经网络中时,对该合并向量进行卷积计算,最后进行分类,分类结果中融合了不同特征向量的特点,得到的分类结果相比于单独输入上述特征向量时的识别分类更准确。因此,提升对动物种类的分类准确率,克服了目前识别准确率低的缺陷。
在一具体实施例中,狗的种类具有120种,为了针对狗的种类进行分类,将上述卷积神经网络中各个全连接层结构设置为:三个全连接层,其中第一个全连接层具有4096个节点,第二个全连接层具有512个节点,第三个全连接层具有120个节点,在第二个全连接层以及第三个全连接层之前分别加入了线性修正层(Relu,Rectified Linear Unit,线性整流函数,又称线性修正单元)以及深度学习层(Dropout),以分别依次进行线性修正以及深度学习。
在一个实施例中,上述网络模型包括DenseNet(Densely ConnectedConvolutional Networks),ResNet(Deep Residual Network)以及Inception网络模型。通过上述三个网络模型分别提取出上述待分类的动物图像的特征向量,其分别对应为Fd、Fr、Fi;其中,上述的三个特征分别为一个具有1024个数字的向量。
在本实施例中,同一张狗图片输入至上述DenseNet,ResNet以及Inception三种不同的网络模型中,提取出的特征向量也不同,即向量中的1024个数字不同,若只输入至一个网络模型,则提取出的特征向量比较片面,信息不够全面,使用三个或多个网络模型提取时,特征向量表达狗的特征信息更加全面,更有利于后续狗种类的分类识别。
在本实施例中,同一张狗图片输入至DenseNet,ResNet以及Inception三种网络模型中,经过多层卷积层卷积计算,然后在倒数第二层(即softmax分类层的前一层)中提取出上述特征向量(最后一层输出的是分类结果,本实施例中不经过最后一层输出)。因此,提取倒数第二层输出的结果即提取出上述特征向量。
具体地,在上述DenseNet网络模型中,其前面所有卷积层的输出都连接至其后的所有卷积层,这种连接方式使得特征和梯度的传递更加有效,网络也就更加容易训练,相当于每一层都直接连接input(输入层)和loss(损失函数层),因此就可以减轻梯度消失现象。该网络模型具有有效解决梯度消失问题、强化特征传播、支持特征重用、大幅度减少参数数量的特点。在提取上述Fd特征时,后一个卷积层的输入都来自于其前面所有层的输出。
在上述ResNet网络模型中,ResNet网络中,通过shortcut将block的输入和输出进行一个element-wise的加叠,这个简单的加法并不会给网络增加额外的参数和计算量,同时却可以大大增加模型的训练速度、提高训练效果,并且当模型的层数加深时,这个简单的结构能够很好的解决退化问题。对每一层的输出做一个非线性变换,在提取特征Fr时,后一层的输入为其前一层的输出加上对其前一层的输出的非线性变换。其解决了退化的问题,在训练集和校验集上,都证明了的更深的网络错误率越小。
在上述Inception网络模型中,对网络中的传统卷积层进行了修改,用于增加网络深度和宽度,提高深度神经网络性能。具体地,将1x1,3x3,5x5的卷积核和3x3的maxpooling,堆叠在一起,一方面增加了网络的宽度,另一方面多个不同size的卷积核能够增强网络的适应力。为了降低特征图厚度,提取特征Fi时,在3x3卷积核前,5x5卷积核前,maxpooling后分别加上了1x1的卷积核。
上述多个网络模型以及卷积神经网络均为预先训练完成的,下文则对其具体训练过程进行阐述。
参照图2,在一实施例中,上述获取待分类的动物图像,并通过多个不同的网络模型分别提取所述动物图像的特征向量的步骤S1之前,包括:
步骤S101,将训练集中每一张样本图片分别输入至多个不同的所述网络模型中分别训练各所述网络模型。
在本实施例中,预先将一个已知狗分类的狗数据集(大量的狗图片)分成训练集以及测试集,训练集用于训练上述网络模型以及卷积神经网络,测试集用于对训练完成的上述网络模型以及卷积神经网络进行测试,验证训练得到的模型是否准确。在一个实施例中,上述训练集以及测试集的样本数据量比例为8:2,即当狗的数据集中包括10000个样本图片时,其中8000个作为训练集,2000个作为测试集。
本实施例中,为了得到适用于本实施例中对狗种类进行分类的网络模型,则需要得到上述网络模型的训练参数。因此,需要将上述训练集中的每一张样本图片输入至上述多个网络模型中分别进行训练,以得到相应的训练参数。得出训练参数之后的网络模型则可以作为上述步骤S1中使用的网络模型。
具体地,将上述训练集输入至上述网络模型中训练,并经上述网络模型的最后一层输出分类结果,由于训练集中的狗的分类均是已知的,在训练上述网络模型时,只要使得其最后一层输出的分类结果逼近于/相同于训练集中的狗的分类,则可以完成上述网络模型的训练。该训练完成的网络模型即为上述步骤S1中使用的网络模型。
步骤S102,通过训练完成的多个所述网络模型分别提取所述训练集中每一张样本图片的特征向量。
在如上述步骤S101中对上述网络模型进行训练之后,本步骤S102中则通过训练完成的网络模型去提取训练集中每一张狗图片的特征向量,该步骤S102中的狗图片可以是上述步骤S101中的使用过的训练集中的狗图片,也可以是训练集中的其它狗图片。本步骤S102中提取训练集中狗图片的特征向量的过程与上述步骤S1中类似,不同之处在于针对的狗图片不同,在此不再进行赘述。
步骤S103,将所述训练集中每一张样本图片对应的多个特征向量拼接为一个训练合并向量。
本步骤中的拼接,即是将上述每一张样本图片对应的多个特征向量拼合成一个合并向量,拼接得到的上述训练合并向量作为卷积神经网络的训练数据输入。本步骤中的拼接过程与上述步骤S2中的拼接过程相同,在此不再进行赘述。
步骤S104,将所述训练合并向量输入至卷积神经网络中以训练所述卷积神经网络。
在本步骤中,为了得到适用于本实施例中对狗种类进行分类的卷积神经网络,则需要得到上述卷积神经网络的训练参数。因此,需要将上述训练合并向量输入至上述卷积神经网络中进行训练,以得到相应的训练参数。得出训练参数之后的卷积神经网络则可以作为上述步骤S3中使用的卷积神经网络。
具体地,将上述训练合并向量输入至上述卷积神经网络中进行训练,并经上述卷积神经网络的最后一层输出分类结果,由于上述训练合并向量所对应训练集中的狗的分类是已知的,在训练上述网络模型时,只要使得卷积神经网络最后一层输出的分类结果逼近于/相同于训练集中的狗的分类,则可以完成上述卷积神经网络的训练。该训练完成的卷积神经网络即为上述步骤S3中使用的卷积神经网络。
在一实施例中,上述将所述训练合并向量输入至卷积神经网络中以训练所述卷积神经网络的步骤S104之后,包括:
步骤S105,将测试集中每一张样本图片输入至多个训练完成的所述网络模型中以分别提取出测试集中每一张样本图片的特征向量;
步骤S106,将所述测试集中每一张样本图片对应的多个特征向量拼接为一个测试合并向量;
步骤S107,将所述测试合并向量输入至训练完成的所述卷积神经网络中以输出所述测试集的分类结果,并验证其是否与测试集的已知分类一致。
在本实施例中,上述训练完成的网络模型以及卷积神经网络即为上述步骤S1、步骤S3中使用的网络模型以及卷积神经网络。为了验证上述训练过程中得到的网络模型以及卷积神经网络对动物种类的分类准确性,则需要对上述训练完成的网络模型以及卷积神经网络进行测试。本实施例中,使用测试集对上述训练完成的网络模型以及卷积神经网络进行测试,该测试集中图片数据与上述训练集中的图片数据均是已知动物种类的图片。本实施例中的步骤S105、步骤S106以及步骤S107的具体实现与上述步骤S1、步骤S2、步骤S3的实现过程类似,在此不再进行赘述。不同点仅在于针对的动物图像数据不同,且本实施例的步骤S107中需要比对卷积神经网络的输出的分类结果是否与测试集中图片的已知分类一致。
在另一实施例中,上述将所述合并向量输入至训练完成的卷积神经网络中以输出所述待分类的动物图像的分类结果的步骤S3之后,包括:
步骤S41,根据所述待分类动物图像的分类结果,确定所述待分类动物图像中动物的种类名称;
步骤S51,根据所述动物的种类名称,在动物数据库中查询出所述动物的资料信息。
在本实施例中,上述对动物种类的分类识别应用于科普领域中。具体地,在对一只未知种类的狗按照上述方法进行种类分类之后,即确定出未知图片中的狗的种类类型,从而如步骤S41根据种类类型确定该只狗的种类名称,如步骤S51在动物数据库中查询出所述动物的资料信息。其中,上述动物数据库中存储有大量的与动物相关的科普资料,例如生活习性、形体特征、主要聚居地等资料。本实施例中,通过机器自动对未知图片中的狗进行分类之后,自动从动物数据库中匹配出与之相关的资料信息,便于推送该资料信息至用户,用户则可以很方便的了解到未知图片中的狗的相关信息。
在又一实施例中,上述将所述合并向量输入至训练完成的卷积神经网络中以输出所述待分类的动物图像的分类结果的步骤S3之后,包括:
步骤S401,根据所述待分类动物图像的分类结果,确定所述待分类动物图像中动物的种类名称;
步骤S501,根据所述动物的种类名称,在保单数据库中查询出与所述动物的种类名称相匹配的保单,并从所述保单中获取出保单金额、赔偿金额中至少一种。
在本实施例中,上述对动物种类的分类识别应用于保险领域中。目前越来越多的用户对自己饲养的狗进行投保,不同的狗,其保单金额以及赔偿金额相应的也不相同。为了便于用户快速获取到上述保单金额以及赔偿金额等信息,本实施例中,使用上述方法识别狗的分类之后,如步骤S401,根据分类结果,确定狗的种类名称;再如步骤S501所述,根据狗的种类名称在保单数据库中查询出与所述动物的种类名称相匹配的保单,并从所述保单中获取出保单金额、赔偿金额中至少一种。上述保单数据库中存储有大量的为动物投保的保单,该保单中记载有与不同的狗相对应的保单金额、赔偿金额以及狗种类名称等信息。本实施例中,只需要根据狗种类名称,便可以快速获取到保单金额、赔偿金额等信息,便于用户投保。
在又一实施例中,上述将所述合并向量输入至训练完成的卷积神经网络中以输出所述待分类的动物图像的分类结果的步骤S3之后,包括:
步骤S4a,根据所述待分类动物图像的分类结果,确定所述待分类动物图像中动物的种类名称;
步骤S5a,根据所述动物的种类名称,在赔偿案例数据库中查询出与所述动物的种类名称相匹配的赔偿案例,并从所述赔偿案例中获取到赔偿金额。
在本实施例中,上述对动物种类的分类识别应用于保险领域中。狗在户外时,容易咬伤他人,被不同的狗咬时,其赔偿额度不同。用户想要获取到被不同的狗咬时其对应的赔偿金额;则可以上传狗的图片,并通过上述实施例中的分类方法对该狗进行分类,再如上述步骤S4a所述根据狗的分类结果,确定狗的种类名称;最后如上述步骤S5a所述,根据狗的种类名称,从赔偿案例数据库中查询出与所述动物的种类名称相匹配的赔偿案例,并从所述赔偿案例中获取到赔偿金额。
综上所述,为本申请实施例中提供的动物种类的分类方法,获取待分类的动物图像,并通过多个不同的网络模型分别提取所述动物图像的特征向量;将多个不同的网络模型分别提取的所述特征向量拼接为一个合并向量;将所述合并向量输入至训练完成的卷积神经网络中以输出所述待分类的动物图像的分类结果,提升识别动物种类的准确率,克服目前识别准确率低的缺陷。
参照图3,本申请一实施例中还提供了一种动物种类的分类装置,包括:
第一提取单元10,用于获取待分类的动物图像,并通过多个不同的网络模型分别提取所述动物图像的特征向量;
在本实施例中,待分类的动物图像即为需要识别种类的动物照片,本实施例中的动物以狗为例进行阐述。本实施例中的网络模型均是已经训练完成的网络模型,其训练过程将在下文中进行阐述。其中,上述网络模型的最后一层通常为softmax分类层,其具有softmax分类器,经过该softmax层输出的结果为输入数据的分类结果,而在网络模型的最后一层(即softmax分类层)之前输出的是一个特征向量,可以理解的是,上述softmax分类层中输入的即是上述特征向量,将特征向量输入至softmax分类层则可以输出分类结果。因此,在本实施例中,获取到待分类的动物图像时,第一提取单元10则通过多个不同的网络模型分别提取所述动物图像的特征向量,而并不直接通过softmax分类层输出分类结果。具体地,即第一提取单元10通过多个不同的网络模型分别提取其softmax分类层之前的输出结果,便可以提取到上述特征向量。对于同一张动物图像,每一个网络模型均可以提取出一个特征向量,由于网络模型的结构不同,其提取出的特征向量也不同。
第一拼接单元20,用于将多个不同的网络模型分别提取的所述特征向量拼接为一个合并向量;
在本实施例中,第一拼接单元20将上述多个不同的网络模型分别提取的特征向量依次首尾拼接为一个合并向量,使得该合并向量中包括有上述所有特征向量的特征。上述合并向量也是一个向量,该拼接的合并向量作为卷积神经网络模型的网络输入。
第一分类单元30,用于将所述合并向量输入至训练完成的卷积神经网络中以输出所述待分类的动物图像的分类结果。
在本实施例中,上述卷积神经网络为训练完成的模型。第一分类单元30将上述拼接得到的合并向量输入训练完成的至卷积神经网络中学习,该卷积神经网络的输出结果即为上述待分类的动物图像的分类结果。
由于上述网络模型提取出的特征向量不同,拼接之后得到的特征向量具有上述特征向量的不同特点。若将上述特征向量单一输入至卷积神经网络中,由于其特征向量不同,得出的分类结果也不尽相同。而本步骤中,将所述合并向量输入至卷积神经网络中进行计算,与单一特征向量输入时的计算原理一致,只是输入的向量不同。上述三个特征向量拼接后的合并向量是一个新的向量,输入至卷积神经网络中时,第一分类单元30对该合并向量进行卷积计算,最后进行分类,分类结果中融合了不同特征向量的特点,得到的分类结果相比于单独输入上述特征向量时的识别分类更准确。因此,提升对动物种类的分类准确率,克服了目前识别准确率低的缺陷。
在一具体实施例中,狗的种类具有120种,为了针对狗的种类进行分类,将上述卷积神经网络中各个全连接层结构设置为:三个全连接层,其中第一个全连接层具有4096个节点,第二个全连接层具有512个节点,第三个全连接层具有120个节点,在第二个全连接层以及第三个全连接层之前分别加入了线性修正层(Relu,Rectified Linear Unit,线性整流函数,又称线性修正单元)以及深度学习层(Dropout),以分别依次进行线性修正以及深度学习。
在又一具体实施例中,上述第一提取单元10中使用的网络模型包括DenseNet,ResNet以及Inception网络模型。
通过上述三个网络模型分别提取出上述待分类的动物图像的特征向量,其分别对应为Fd、Fr、Fi;其中,上述的三个特征分别为一个具有1024个数字的向量。
在本实施例中,同一张狗图片输入至上述DenseNet,ResNet以及Inception三种不同的网络模型中,提取出的特征向量也不同,即向量中的1024个数字不同,若只输入至一个网络模型,则提取出的特征向量比较片面,信息不够全面,使用三个或多个网络模型提取时,特征向量表达狗的特征信息更加全面,更有利于后续狗种类的分类识别。
在本实施例中,同一张狗图片输入至DenseNet,ResNet以及Inception三种网络模型中,经过多层卷积层卷积计算,然后第一提取单元10在倒数第二层(即softmax分类层的前一层)中提取出上述特征向量(最后一层输出的是分类结果,本实施例中不经过最后一层输出)。因此,提取倒数第二层输出的结果即提取出上述特征向量。
具体地,在上述DenseNet网络模型中,其前面所有卷积层的输出都连接至其后的所有卷积层,这种连接方式使得特征和梯度的传递更加有效,网络也就更加容易训练,相当于每一层都直接连接input(输入层)和loss(损失函数层),因此就可以减轻梯度消失现象。该网络模型具有有效解决梯度消失问题、强化特征传播、支持特征重用、大幅度减少参数数量的特点。在提取上述Fd特征时,后一个卷积层的输入都来自于其前面所有层的输出。
在上述ResNet网络模型中,ResNet网络中,通过shortcut将block的输入和输出进行一个element-wise的加叠,这个简单的加法并不会给网络增加额外的参数和计算量,同时却可以大大增加模型的训练速度、提高训练效果,并且当模型的层数加深时,这个简单的结构能够很好的解决退化问题。对每一层的输出做一个非线性变换,在提取特征Fr时,后一层的输入为其前一层的输出加上对其前一层的输出的非线性变换。其解决了退化的问题,在训练集和校验集上,都证明了的更深的网络错误率越小。
在上述Inception网络模型中,对网络中的传统卷积层进行了修改,用于增加网络深度和宽度,提高深度神经网络性能。具体地,将1x1,3x3,5x5的卷积核和3x3的maxpooling,堆叠在一起,一方面增加了网络的宽度,另一方面多个不同size的卷积核能够增强网络的适应力。为了降低特征图厚度,提取特征Fi时,在3x3卷积核前,5x5卷积核前,maxpooling后分别加上了1x1的卷积核。
上述多个网络模型以及卷积神经网络均为预先训练完成的,下文则对其具体训练过程进行阐述。
参照图4,在一实施例中,上述动物种类的分类装置还包括:
第一训练单元101,用于将训练集中每一张样本图片分别输入至多个不同的所述网络模型中分别训练各所述网络模型。
在本实施例中,预先将一个已知狗分类的狗数据集(大量的狗图片)分成训练集以及测试集,训练集用于训练上述网络模型以及卷积神经网络,测试集用于对训练完成的上述网络模型以及卷积神经网络进行测试,验证训练得到的模型是否准确。在一个实施例中,上述训练集以及测试集的样本数据量比例为8:2,即当狗的数据集中包括10000个样本图片时,其中8000个作为训练集,2000个作为测试集。
本实施例中,为了得到适用于本实施例中对狗种类进行分类的网络模型,则需要得到上述网络模型的训练参数。因此,第一训练单元101需要将上述训练集中的每一张样本图片输入至上述多个网络模型中分别进行训练,以得到相应的训练参数。得出训练参数之后的网络模型则可以作为上述第一提取单元10中使用的网络模型。
具体地,第一训练单元101将上述训练集输入至上述网络模型中训练,并经上述网络模型的最后一层输出分类结果,由于训练集中的狗的分类均是已知的,在训练上述网络模型时,只要使得其最后一层输出的分类结果逼近于/相同于训练集中的狗的分类,则可以完成上述网络模型的训练。该训练完成的网络模型即为上述第一提取单元10中使用的网络模型。
第二提取单元102,用于通过训练完成的多个所述网络模型分别提取所述训练集中每一张样本图片的特征向量。
在上述第一训练单元101对上述网络模型进行训练之后,第二提取单元102则通过训练完成的网络模型去提取训练集中每一张狗图片的特征向量,该过程中的狗图片可以是第一训练单元101中使用过的训练集中的狗图片,也可以是训练集中的其它狗图片。第二提取单元102提取训练集中狗图片的特征向量的过程与上述第一提取单元10的提取过程类似,不同之处在于针对的狗图片不同,在此不再进行赘述。
第二拼接单元103,用于将所述训练集中每一张样本图片对应的多个特征向量拼接为一个训练合并向量。
本步骤中的拼接,即是将上述每一张样本图片对应的多个特征向量拼合成一个合并向量,拼接得到的上述训练合并向量作为卷积神经网络的训练数据输入。第二拼接单元103的拼接过程与上述第一拼接单元20的拼接过程相同,在此不再进行赘述。
第二训练单元104,将所述训练合并向量输入至卷积神经网络中以训练所述卷积神经网络。
在本实施例中,为了得到适用于本实施例中对狗种类进行分类的卷积神经网络,则需要得到上述卷积神经网络的训练参数。因此,第二训练单元104需要将上述训练合并向量输入至上述卷积神经网络中进行训练,以得到相应的训练参数。得出训练参数之后的卷积神经网络则可以作为上述第一分类单元30中使用的卷积神经网络。
具体地,第二训练单元104将上述训练合并向量输入至上述卷积神经网络中进行训练,并经上述卷积神经网络的最后一层输出分类结果,由于上述训练合并向量所对应训练集中的狗的分类是已知的,在训练上述网络模型时,只要使得卷积神经网络最后一层输出的分类结果逼近于/相同于训练集中的狗的分类,则可以完成上述卷积神经网络的训练。该训练完成的卷积神经网络即为上述第一分类单元30中使用的卷积神经网络。
在一实施例中,上述动物种类的分类装置还包括:
第三提取单元,用于将测试集中每一张样本图片输入至多个训练完成的所述网络模型中以分别提取出测试集中每一张样本图片的特征向量;
第三拼接单元,用于将所述测试集中每一张样本图片对应的多个特征向量拼接为一个测试合并向量;
验证单元,用于将所述测试合并向量输入至训练完成的所述卷积神经网络中以输出所述测试集的分类结果,并验证其是否与测试集的已知分类一致。
在本实施例中,上述训练完成的网络模型以及卷积神经网络即为上述第一提取单元10、第一分类单元30中使用的网络模型以及卷积神经网络。为了验证上述训练过程中得到的网络模型以及卷积神经网络对动物种类的分类准确性,则需要对上述训练完成的网络模型以及卷积神经网络进行测试。本实施例中,使用测试集对上述训练完成的网络模型以及卷积神经网络进行测试,该测试集中图片数据与上述训练集中的图片数据均是已知动物种类的图片。本实施例中的第三提取单元、第三拼接单元以及验证单元的具体实现与上述第一提取单元10、第一拼接单元20、第一分类单元30的实现过程类似,在此不再进行赘述。不同点仅在于针对的动物图像数据不同,且本实施例的验证单元中需要比对卷积神经网络的输出的分类结果是否与测试集中图片的已知分类一致。
参照图5,在一实施例中,上述动物种类的分类装置还包括:
第一确定单元40,用于根据所述待分类的动物图像的分类结果,确定所述待分类动物图像中动物的种类名称;
第一查询单元50,用于根据所述动物的种类名称,在动物数据库中查询出所述动物的资料信息。
在本实施例中,上述对动物种类的分类识别应用于科普领域中。具体地,在对一只未知种类的狗按照上述分类装置进行种类分类之后,即确定出未知图片中的狗的种类类型,从而如上述第一确定单元40根据种类类型确定该只狗的种类名称,如第一查询单元50在动物数据库中查询出所述动物的资料信息。其中,上述动物数据库中存储有大量的与动物相关的科普资料,例如生活习性、形体特征、主要聚居地等资料。本实施例中,通过机器自动对未知图片中的狗进行分类之后,自动从动物数据库中匹配出与之相关的资料信息,便于推送该资料信息至用户,用户则可以很方便的了解到未知图片中的狗的相关信息。
参照图6,在另一实施例中,上述动物种类的分类装置还包括:
第二确定单元41,用于根据所述待分类的动物图像的分类结果,确定所述待分类的动物图像中动物的种类名称;
第二查询单元51,用于根据所述动物的种类名称,在保单数据库中查询出与所述动物的种类名称相匹配的保单,并从所述保单中获取出保单金额、赔偿金额中至少一种。
在本实施例中,上述对动物种类的分类识别应用于保险领域中。目前越来越多的用户对自己饲养的狗进行投保,不同的狗,其保单金额以及赔偿金额相应的也不相同。为了便于用户快速获取到上述保单金额以及赔偿金额等信息,本实施例中,使用上述分类装置识别狗的分类之后,第二确定单元41根据分类结果,确定狗的种类名称;第二查询单元51再根据狗的种类名称在保单数据库中查询出与所述动物的种类名称相匹配的保单,并从所述保单中获取出保单金额、赔偿金额中至少一种。上述保单数据库中存储有大量的为动物投保的保单,该保单中记载有与不同的狗相对应的保单金额、赔偿金额以及狗种类名称等信息。本实施例中,只需要根据狗种类名称,便可以快速获取到保单金额、赔偿金额等信息,便于用户投保。
在另一实施例中,上述动物种类的分类装置还包括:
第三确定单元,用于根据所述待分类的动物图像的分类结果,确定所述待分类的动物图像中动物的种类名称;
第三查询单元,用于根据所述动物的种类名称,在赔偿案例数据库中查询出与所述动物的种类名称相匹配的赔偿案例,并从所述赔偿案例中获取到赔偿金额。
在本实施例中,上述对动物种类的分类识别应用于保险领域中。狗在户外时,容易咬伤他人,被不同的狗咬时,其赔偿额度不同。用户想要获取到被不同的狗咬时其对应的赔偿金额;则可以上传狗的图片,并通过上述实施例中的分类方法对该狗进行分类,再如上述第三确定单元所述根据狗的分类结果,确定狗的种类名称;最后如第三查询单元所述,根据狗的种类名称,从赔偿案例数据库中查询出与所述动物的种类名称相匹配的赔偿案例,并从所述赔偿案例中获取到赔偿金额。
综上所述,为本申请实施例中提供的动物种类的分类装置,第一提取单元10获取待分类的动物图像,并通过多个不同的网络模型分别提取所述动物图像的特征向量;第一拼接单元20将多个不同的网络模型分别提取的所述特征向量拼接为一个合并向量;第一分类单元30将所述合并向量输入至卷积神经网络中以输出所述待分类的动物图像的分类结果,提升识别动物种类的准确率,克服目前识别准确率低的缺陷。
参照图7,本申请实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储网络模型等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种动物种类的分类方法。
上述处理器执行上述动物种类的分类方法的步骤:
获取待分类的动物图像,并通过多个不同的网络模型分别提取所述动物图像的特征向量;
将所述多个不同的网络模型分别提取的特征向量拼接为一个合并向量;
将所述合并向量输入至训练完成的卷积神经网络中以输出所述待分类的动物图像的分类结果。
在一实施例中,上述网络模型包括DenseNet,ResNet以及Inception网络模型。
在一实施例中,所述处理器获取待分类的动物图像,并通过多个不同的网络模型分别提取所述动物图像的特征向量的步骤之前,包括:
将训练集中每一张样本图片分别输入至多个不同的所述网络模型中分别训练各所述网络模型;
通过训练完成的多个所述网络模型分别提取所述训练集中每一张样本图片的特征向量;
将所述训练集中每一张样本图片对应的多个特征向量拼接为一个训练合并向量;
将所述训练合并向量输入至卷积神经网络中以训练所述卷积神经网络。
在一实施例中,所述处理器将所述训练合并向量输入至卷积神经网络中以训练所述卷积神经网络的步骤之后,包括:
将测试集中每一张样本图片输入至多个训练完成的所述网络模型中以分别提取出测试集中每一张样本图片的特征向量;
将所述测试集中每一张样本图片对应的多个特征向量拼接为一个测试合并向量;
将所述测试合并向量输入至训练完成的所述卷积神经网络中以输出所述测试集的分类结果,并验证其是否与测试集的已知分类一致。
在一实施例中,所述训练集与所述测试集的样本数据量比例为8:2。
在一实施例中,所述处理器将所述合并向量输入至训练完成的卷积神经网络中以输出所述待分类的动物图像的分类结果的步骤之后,包括:
根据所述待分类的动物图像的分类结果,确定所述待分类的动物图像中动物的种类名称;
根据所述动物的种类名称,在动物数据库中查询出所述动物的资料信息。
在一实施例中,所述处理器将所述合并向量输入至训练完成的卷积神经网络中以输出所述待分类的动物图像的分类结果的步骤之后,包括:
根据所述待分类的动物图像的分类结果,确定所述待分类的动物图像中动物的种类名称;
根据所述动物的种类名称,在保单数据库中查询出与所述动物的种类名称相匹配的保单,并从所述保单中获取出保单金额、赔偿金额中至少一种。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现一种动物种类的分类方法,具体为:
获取待分类的动物图像,并通过多个不同的网络模型分别提取所述动物图像的特征向量;
将所述多个不同的网络模型分别提取的所述特征向量拼接为一个合并向量;
将所述合并向量输入至训练完成的卷积神经网络中以输出所述待分类的动物图像的分类结果。
在一实施例中,上述网络模型包括DenseNet,ResNet以及Inception网络模型。
在一实施例中,所述处理器获取待分类的动物图像,并通过多个不同的网络模型分别提取所述动物图像的特征向量的步骤之前,包括:
将训练集中每一张样本图片分别输入至多个不同的所述网络模型中分别训练各所述网络模型;
通过训练完成的多个所述网络模型分别提取所述训练集中每一张样本图片的特征向量;
将所述训练集中每一张样本图片对应的多个特征向量拼接为一个训练合并向量;
将所述训练合并向量输入至卷积神经网络中以训练所述卷积神经网络。
在一实施例中,所述处理器将所述训练合并向量输入至卷积神经网络中以训练所述卷积神经网络的步骤之后,包括:
将测试集中每一张样本图片输入至多个训练完成的所述网络模型中以分别提取出测试集中每一张样本图片的特征向量;
将所述测试集中每一张样本图片对应的多个特征向量拼接为一个测试合并向量;
将所述测试合并向量输入至训练完成的所述卷积神经网络中以输出所述测试集的分类结果,并验证其是否与测试集的已知分类一致。
在一实施例中,所述训练集与所述测试集的样本数据量比例为8:2。
在一实施例中,所述处理器将所述合并向量输入至训练完成的卷积神经网络中以输出所述待分类的动物图像的分类结果的步骤之后,包括:
根据所述待分类的动物图像的分类结果,确定所述待分类的动物图像中动物的种类名称;
根据所述动物的种类名称,在动物数据库中查询出所述动物的资料信息。
在一实施例中,所述处理器将所述合并向量输入至训练完成的卷积神经网络中以输出所述待分类的动物图像的分类结果的步骤之后,包括:
根据所述待分类的动物图像的分类结果,确定所述待分类的动物图像中动物的种类名称;
根据所述动物的种类名称,在保单数据库中查询出与所述动物的种类名称相匹配的保单,并从所述保单中获取出保单金额、赔偿金额中至少一种。
综上所述,为本申请实施例中提供的动物种类的分类方法、装置、计算机设备和存储介质,获取待分类的动物图像,并通过多个不同的网络模型分别提取所述动物图像的特征向量;将所述多个不同的网络模型分别提取的所述特征向量拼接为一个合并向量;将所述合并向量输入至训练完成的卷积神经网络中以输出所述待分类的动物图像的分类结果,提升识别动物种类的准确率,克服目前识别准确率低的缺陷。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储与一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM通过多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种动物种类的分类方法,其特征在于,包括以下步骤:
获取待分类的动物图像,并通过多个不同的网络模型分别提取所述动物图像的特征向量;
将所述多个不同的网络模型分别提取的所述特征向量拼接为一个合并向量;
将所述合并向量输入至训练完成的卷积神经网络中以输出所述待分类的动物图像的分类结果。
2.根据权利要求1所述的动物种类的分类方法,其特征在于,所述网络模型包括DenseNet,ResNet和Inception网络模型。
3.根据权利要求1所述的动物种类的分类方法,其特征在于,所述获取待分类的动物图像,并通过多个不同的网络模型分别提取所述动物图像的特征向量的步骤之前,包括:
将训练集中每一张样本图片分别输入至多个不同的所述网络模型中分别训练各所述网络模型;
通过训练完成的多个所述网络模型分别提取所述训练集中每一张样本图片的特征向量;
将所述训练集中每一张样本图片对应的多个特征向量拼接为一个训练合并向量;
将所述训练合并向量输入至卷积神经网络中以训练所述卷积神经网络。
4.根据权利要求3所述的动物种类的分类方法,其特征在于,所述将所述训练合并向量输入至卷积神经网络中以训练所述卷积神经网络的步骤之后,包括:
将测试集中每一张样本图片输入至多个训练完成的所述网络模型中以分别提取出测试集中每一张样本图片的特征向量;
将所述测试集中每一张样本图片对应的多个特征向量拼接为一个测试合并向量;
将所述测试合并向量输入至训练完成的所述卷积神经网络中以输出所述测试集的分类结果,并验证其是否与测试集的已知分类一致。
5.根据权利要求4所述的动物种类的分类方法,其特征在于,所述训练集与所述测试集的样本数据量比例为8:2。
6.根据权利要求1-5中任一项所述的动物种类的分类方法,其特征在于,所述将所述合并向量输入至训练完成的卷积神经网络中以输出所述待分类的动物图像的分类结果的步骤之后,包括:
根据所述待分类的动物图像的分类结果,确定所述待分类的动物图像中动物的种类名称;
根据所述动物的种类名称,在动物数据库中查询出所述动物的资料信息。
7.根据权利要求1-5中任一项所述的动物种类的分类方法,其特征在于,所述将所述合并向量输入至训练完成的卷积神经网络中以输出所述待分类的动物图像的分类结果的步骤之后,包括:
根据所述待分类的动物图像的分类结果,确定所述待分类的动物图像中动物的种类名称;
根据所述动物的种类名称,在保单数据库中查询出与所述动物的种类名称相匹配的保单。
8.一种动物种类的分类装置,其特征在于,包括:
第一提取单元,用于获取待分类的动物图像,并通过多个不同的网络模型分别提取所述动物图像的特征向量;
第一拼接单元,用于将所述多个不同的网络模型分别提取的所述特征向量拼接为一个合并向量;
第一分类单元,用于将所述合并向量输入至训练完成的卷积神经网络中以输出所述待分类的动物图像的分类结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810557223.6A CN108875811A (zh) | 2018-06-01 | 2018-06-01 | 动物种类的分类方法、装置、计算机设备和存储介质 |
PCT/CN2018/095668 WO2019227617A1 (zh) | 2018-06-01 | 2018-07-13 | 动物种类的分类方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810557223.6A CN108875811A (zh) | 2018-06-01 | 2018-06-01 | 动物种类的分类方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108875811A true CN108875811A (zh) | 2018-11-23 |
Family
ID=64336360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810557223.6A Pending CN108875811A (zh) | 2018-06-01 | 2018-06-01 | 动物种类的分类方法、装置、计算机设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108875811A (zh) |
WO (1) | WO2019227617A1 (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711443A (zh) * | 2018-12-14 | 2019-05-03 | 平安城市建设科技(深圳)有限公司 | 基于神经网络的户型图识别方法、装置、设备及存储介质 |
CN109919005A (zh) * | 2019-01-23 | 2019-06-21 | 平安科技(深圳)有限公司 | 牲畜身份识别方法、电子装置及可读存储介质 |
CN109982051A (zh) * | 2019-04-19 | 2019-07-05 | 东莞市南星电子有限公司 | 具有动物识别功能的监控摄像方法和监控相机 |
CN110097564A (zh) * | 2019-04-04 | 2019-08-06 | 平安科技(深圳)有限公司 | 基于多模型融合的图像标注方法、装置、计算机设备及存储介质 |
CN110119694A (zh) * | 2019-04-24 | 2019-08-13 | 北京百炼智能科技有限公司 | 一种图片处理方法、装置及计算机可读存储介质 |
CN110188613A (zh) * | 2019-04-28 | 2019-08-30 | 上海鹰瞳医疗科技有限公司 | 图像分类方法及设备 |
CN110188595A (zh) * | 2019-04-12 | 2019-08-30 | 淮阴工学院 | 一种基于ar和cnn算法的动物园游览系统及游览方法 |
CN110188820A (zh) * | 2019-05-30 | 2019-08-30 | 中山大学 | 基于深度学习子网络特征提取的视网膜oct图像分类方法 |
CN111046858A (zh) * | 2020-03-18 | 2020-04-21 | 成都大熊猫繁育研究基地 | 一种基于图像的动物物种细分类方法、系统及介质 |
CN111050315A (zh) * | 2019-11-27 | 2020-04-21 | 北京邮电大学 | 一种基于多核双路网络的无线发射机识别方法 |
CN111178203A (zh) * | 2019-12-20 | 2020-05-19 | 江苏常熟农村商业银行股份有限公司 | 签名审核方法、装置、计算机设备和存储介质 |
CN111753697A (zh) * | 2020-06-17 | 2020-10-09 | 新疆爱华盈通信息技术有限公司 | 智能宠物管理系统及其管理方法 |
CN112215066A (zh) * | 2020-09-08 | 2021-01-12 | 北京农业信息技术研究中心 | 家畜脸部图像识别方法及装置 |
CN112905793A (zh) * | 2021-02-23 | 2021-06-04 | 山西同方知网数字出版技术有限公司 | 一种基于Bilstm+Attention文本分类的案例推荐方法及系统 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139581B (zh) * | 2021-03-23 | 2023-09-01 | 广东省科学院智能制造研究所 | 一种基于多图融合的图像分类方法和系统 |
CN114898155A (zh) * | 2022-05-18 | 2022-08-12 | 平安科技(深圳)有限公司 | 车辆定损方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971097A (zh) * | 2014-05-15 | 2014-08-06 | 武汉睿智视讯科技有限公司 | 一种基于多尺度笔画模型的车牌识别方法与系统 |
CN105469100A (zh) * | 2015-11-30 | 2016-04-06 | 广东工业大学 | 基于深度学习的皮肤活检图像病理特性识别方法 |
CN106803090A (zh) * | 2016-12-05 | 2017-06-06 | 中国银联股份有限公司 | 一种图像识别方法和装置 |
CN107273899A (zh) * | 2016-04-07 | 2017-10-20 | 富士通株式会社 | 对象分类方法和对象分类设备 |
CN107292298A (zh) * | 2017-08-09 | 2017-10-24 | 北方民族大学 | 基于卷积神经网络和分类器模型的牛脸识别方法 |
CN107437096A (zh) * | 2017-07-28 | 2017-12-05 | 北京大学 | 基于参数高效的深度残差网络模型的图像分类方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8452725B2 (en) * | 2008-09-03 | 2013-05-28 | Hamid Hatami-Hanza | System and method of ontological subject mapping for knowledge processing applications |
CN108052894A (zh) * | 2017-12-11 | 2018-05-18 | 北京飞搜科技有限公司 | 一种目标对象的多属性识别方法、设备、介质及神经网络 |
-
2018
- 2018-06-01 CN CN201810557223.6A patent/CN108875811A/zh active Pending
- 2018-07-13 WO PCT/CN2018/095668 patent/WO2019227617A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971097A (zh) * | 2014-05-15 | 2014-08-06 | 武汉睿智视讯科技有限公司 | 一种基于多尺度笔画模型的车牌识别方法与系统 |
CN105469100A (zh) * | 2015-11-30 | 2016-04-06 | 广东工业大学 | 基于深度学习的皮肤活检图像病理特性识别方法 |
CN107273899A (zh) * | 2016-04-07 | 2017-10-20 | 富士通株式会社 | 对象分类方法和对象分类设备 |
CN106803090A (zh) * | 2016-12-05 | 2017-06-06 | 中国银联股份有限公司 | 一种图像识别方法和装置 |
CN107437096A (zh) * | 2017-07-28 | 2017-12-05 | 北京大学 | 基于参数高效的深度残差网络模型的图像分类方法 |
CN107292298A (zh) * | 2017-08-09 | 2017-10-24 | 北方民族大学 | 基于卷积神经网络和分类器模型的牛脸识别方法 |
Non-Patent Citations (1)
Title |
---|
毛艺: ""基于深度神经网络的人脸识别算法研究"" * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711443A (zh) * | 2018-12-14 | 2019-05-03 | 平安城市建设科技(深圳)有限公司 | 基于神经网络的户型图识别方法、装置、设备及存储介质 |
CN109919005A (zh) * | 2019-01-23 | 2019-06-21 | 平安科技(深圳)有限公司 | 牲畜身份识别方法、电子装置及可读存储介质 |
CN110097564B (zh) * | 2019-04-04 | 2023-06-16 | 平安科技(深圳)有限公司 | 基于多模型融合的图像标注方法、装置、计算机设备及存储介质 |
CN110097564A (zh) * | 2019-04-04 | 2019-08-06 | 平安科技(深圳)有限公司 | 基于多模型融合的图像标注方法、装置、计算机设备及存储介质 |
CN110188595A (zh) * | 2019-04-12 | 2019-08-30 | 淮阴工学院 | 一种基于ar和cnn算法的动物园游览系统及游览方法 |
CN109982051B (zh) * | 2019-04-19 | 2021-06-29 | 东莞市南星电子有限公司 | 具有动物识别功能的监控摄像方法、监控相机和存储介质 |
CN109982051A (zh) * | 2019-04-19 | 2019-07-05 | 东莞市南星电子有限公司 | 具有动物识别功能的监控摄像方法和监控相机 |
CN110119694A (zh) * | 2019-04-24 | 2019-08-13 | 北京百炼智能科技有限公司 | 一种图片处理方法、装置及计算机可读存储介质 |
CN110119694B (zh) * | 2019-04-24 | 2021-03-12 | 北京百炼智能科技有限公司 | 一种图片处理方法、装置及计算机可读存储介质 |
CN110188613A (zh) * | 2019-04-28 | 2019-08-30 | 上海鹰瞳医疗科技有限公司 | 图像分类方法及设备 |
CN110188820A (zh) * | 2019-05-30 | 2019-08-30 | 中山大学 | 基于深度学习子网络特征提取的视网膜oct图像分类方法 |
CN110188820B (zh) * | 2019-05-30 | 2023-04-18 | 中山大学 | 基于深度学习子网络特征提取的视网膜oct图像分类方法 |
CN111050315A (zh) * | 2019-11-27 | 2020-04-21 | 北京邮电大学 | 一种基于多核双路网络的无线发射机识别方法 |
CN111178203A (zh) * | 2019-12-20 | 2020-05-19 | 江苏常熟农村商业银行股份有限公司 | 签名审核方法、装置、计算机设备和存储介质 |
CN111046858A (zh) * | 2020-03-18 | 2020-04-21 | 成都大熊猫繁育研究基地 | 一种基于图像的动物物种细分类方法、系统及介质 |
CN111753697A (zh) * | 2020-06-17 | 2020-10-09 | 新疆爱华盈通信息技术有限公司 | 智能宠物管理系统及其管理方法 |
CN112215066A (zh) * | 2020-09-08 | 2021-01-12 | 北京农业信息技术研究中心 | 家畜脸部图像识别方法及装置 |
CN112905793A (zh) * | 2021-02-23 | 2021-06-04 | 山西同方知网数字出版技术有限公司 | 一种基于Bilstm+Attention文本分类的案例推荐方法及系统 |
CN112905793B (zh) * | 2021-02-23 | 2023-06-20 | 山西同方知网数字出版技术有限公司 | 一种基于Bilstm+Attention文本分类的案例推荐方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2019227617A1 (zh) | 2019-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875811A (zh) | 动物种类的分类方法、装置、计算机设备和存储介质 | |
CN108921026A (zh) | 动物身份的识别方法、装置、计算机设备和存储介质 | |
Yousif et al. | Animal Scanner: Software for classifying humans, animals, and empty frames in camera trap images | |
CN107408209B (zh) | 用于在半导体工艺中进行缺陷分类的系统和方法 | |
CN108763445B (zh) | 专利知识库的构建方法、装置、计算机设备和存储介质 | |
CN110377730A (zh) | 案由分类方法、装置、计算机设备和存储介质 | |
CN104133875B (zh) | 一种基于人脸的视频标注方法和视频检索方法 | |
CN110069994B (zh) | 基于人脸多区域的人脸属性识别系统、方法 | |
CN105144239B (zh) | 图像处理装置、图像处理方法 | |
CN106446816A (zh) | 人脸识别方法及装置 | |
CN109145901A (zh) | 物品识别方法、装置、计算机可读存储介质和计算机设备 | |
CN110188761A (zh) | 验证码的识别方法、装置、计算机设备和存储介质 | |
CN108805137A (zh) | 牲畜特征向量的提取方法、装置、计算机设备和存储介质 | |
CN104809062B (zh) | 一种人工智能应答系统的测试方法及系统 | |
CN107784372A (zh) | 目标对象属性的预测方法、装置和系统 | |
CN110264407B (zh) | 图像超分辨模型训练及重建方法、装置、设备及存储介质 | |
CN112818162B (zh) | 图像检索方法、装置、存储介质和电子设备 | |
CN108875481A (zh) | 用于行人检测的方法、装置、系统及存储介质 | |
CN110414433A (zh) | 图像处理方法、装置、存储介质和计算机设备 | |
CN110427819A (zh) | 一种识别图像中ppt边框的方法及相关设备 | |
CN109063984A (zh) | 风险旅客方法、装置、计算机设备和存储介质 | |
CN109102159A (zh) | 旅客评级模型生成方法、装置、计算机设备和存储介质 | |
CN110610169A (zh) | 图片标注方法和装置、存储介质及电子装置 | |
CN113096100A (zh) | 用于植物病症诊断的方法和植物病症诊断系统 | |
Praveen et al. | To detect plant disease identification on leaf using machine learning algorithms |
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 |