CN108984481A - 一种基于卷积神经网络的单应性矩阵估计方法 - Google Patents
一种基于卷积神经网络的单应性矩阵估计方法 Download PDFInfo
- Publication number
- CN108984481A CN108984481A CN201810671660.0A CN201810671660A CN108984481A CN 108984481 A CN108984481 A CN 108984481A CN 201810671660 A CN201810671660 A CN 201810671660A CN 108984481 A CN108984481 A CN 108984481A
- Authority
- CN
- China
- Prior art keywords
- layer
- input
- output
- neural networks
- convolutional
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及本发明一种基于卷积神经网络的单应性矩阵估计方法，首先生成大量的数据集；将数据集输入构建的卷积神经网络中进行训练，网络结构共含有10个卷积层、10个群组归一化层、4个池化层、2个全连接层和2个dropout层；将具有变形变换的两幅图像输入该卷积神经网络后，在最后一层输出8个实数，即单应性矩阵；本发明提供的卷积神经网络模型估计单应性矩阵方法，是一种端到端的估计单应性矩阵方式，为计算图像的单应性矩阵提供一种方法。
Description
技术领域
本发明涉及单应性矩阵计算技术领域，尤其涉及一种基于卷积神经网络的单应性矩阵估计方法。
背景技术
目前，传统的单应性矩阵是利用特征点检测算法计算图像的特征点，然后利用特征点筛选，用RANSAC算法和直接线性变换进行单应性矩阵的计算。在计算机视觉中，平面的单应性被定义为一个平面到另外一个平面的投影映射。现有传统单应性矩阵计算步骤相对比较复杂，因此，如何简单直观地估计出单应性矩阵是一个需要解决的问题。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于卷积神经网络的单应性矩阵估计方法，通过深度学习法直接计算出输入的两幅图像存在的变换矩阵。
为了实现上述目的，本发明的技术方案是：
一种基于卷积神经网络的单应性矩阵估计方法，包括如下步骤：
a)生成输入数据集；
b)将所述数据集输入卷积神经网络第一卷积层；将所述第一卷积层的输出输入到第一群组归一化层；将所述第一群组归一化层的输出输入卷积神经网络的第二卷积层；
c)将所述第二卷积层的输出输入到第二群组归一化层；将所述第二群组归一化层的输出输入到第一池化层；
d)将所述第一池化层的输出输入卷积神经网络的第三卷积层；将所述第三卷积层的输出输入到第三群组归一化层；将所述第三群组归一化层的输出输入卷积神经网络的第四卷积层；
e)将所述第四卷积层的输出输入到第四群组归一化层；将所述第四群组归一化层的输出输入到第二池化层；
f)将所述第二池化层的输出输入卷积神经网络的第五卷积层；将所述第五卷积层的输出输入到第五群组归一化层；将所述第五群组归一化层的输出输入卷积神经网络的第六卷积层；
g)将所述第六卷积层的输出输入到第六群组归一化层；将所述第六群组归一化层的输出输入到第三池化层；
h)将所述第三池化层的输出输入卷积神经网络的第七卷积层；将所述第七卷积层的输出输入到第七群组归一化层；将所述第七群组归一化层的输出输入卷积神经网络的第八卷积层；
i)将所述第八卷积层的输出输入到第八群组归一化层；将所述第八群组归一化层的输出输入到第四池化层；
j)将所述第四池化层的输出输入卷积神经网络的第九卷积层；将所述第九卷积层的输出输入到第九群组归一化层；将所述第九群组归一化层的输出输入卷积神经网络的第十卷积层；
k)将所述第十卷积层的输出输入到第十群组归一化层；将所述第十群组归一化层的输出输入到第一Dropout层；
l)将所述第一Dropout层的输出输入到卷积神经网络的第一全连接层，然后将所述第一全连接层的输出输入到第二Dropout层；
m)将所述第二Dropout层的输出输入到卷积神经网络的第二全连接层，然后将所述第二全连接层的输出输入到第二Dropout层，所述第二Dropout层输出8个实数。
优选的，步骤a)具体包括：
从现有的MSCOCO数据集中获取图像；将所述获取图像大小调整为320×240；对调整后图像进行灰度化得到灰度图像G1，在灰度图像G1中画一个128×128的四边形P1，并在四边形的四个顶点随机加入-32到32的扰动；利用直接线性变换方法算出扰动前四边形顶点和扰动后的四边形顶点之间的变换矩阵；将所述变换矩阵和灰度图像G1进行相乘得到变换后的灰度图像G2；在灰度图像G2中画一个128×128的四边形P2，将四边形P1和四边形P2的图像堆叠成为128×128×2的图像，作为输入数据集。
优选的，所述卷积神经网络还包括第一ReLU激活层；步骤b)具体包括：
将所述数据集输入卷积神经网络第一卷积层，将所述第一卷积层的输出输入到第一群组归一化层；将所述第一群组归一化层的输出输入到所述第一ReLU激活层；将所述第一ReLU激活层的输出输入卷积神经网络的第二卷积层。
优选的，所述卷积神经网络还包括第二ReLU激活层；步骤c)具体包括：
将所述第二卷积层的输出输入到第二群组归一化层；将所述第二群组归一化层的输出输入到所述第二ReLU激活层；将所述第二ReLU激活层的输出输入到第一池化层。
优选的，所述卷积神经网络还包括第三ReLU激活层；步骤d)具体包括：
将所述第一池化层的输出输入卷积神经网络的第三卷积层；将所述第三卷积层的输出输入到第三群组归一化层；将所述第三群组归一化层的输出输入到所述第三ReLU激活层；将所述第三ReLU激活层的输出输入卷积神经网络的第四卷积层。
优选的，所述卷积神经网络还包括第四ReLU激活层；步骤e)具体包括：
将所述第四卷积层的输出输入到第四群组归一化层；将所述第四群组归一化层的输出输入到所述第四ReLU激活层；将所述第四ReLU激活层的输出输入到第二池化层。
优选的，所述卷积神经网络还包括第五ReLU激活层；步骤f)具体包括：
将所述第二池化层的输出输入卷积神经网络的第五卷积层；将所述第五卷积层的输出输入到第五群组归一化层；将所述第五群组归一化层的输出输入到所述第五ReLU激活层；将所述第五ReLU激活层的输出输入卷积神经网络的第六卷积层。
优选的，所述卷积神经网络还包括第六ReLU激活层；步骤g)具体包括：
将所述第六卷积层的输出输入到第六群组归一化层；将所述第六群组归一化层的输出输入到所述第六ReLU激活层；将所述第六ReLU激活层的输出输入到第三池化层。
优选的，所述卷积神经网络还包括第七ReLU激活层；步骤h)具体包括：
将所述第三池化层的输出输入卷积神经网络的第七卷积层；将所述第七卷积层的输出输入到第七群组归一化层；将所述第七群组归一化层的输出输入到所述第七ReLU激活层；将所述第七ReLU激活层的输出输入卷积神经网络的第八卷积层。
优选的，所述卷积神经网络还包括第八ReLU激活层；步骤i)具体包括：
将所述第八卷积层的输出输入到第八群组归一化层；将所述第八群组归一化层的输出输入到所述第八ReLU激活层；将所述第八ReLU激活层的输出输入到第四池化层。
优选的，所述卷积神经网络还包括第九ReLU激活层；步骤j)具体包括：
将所述第四池化层的输出输入卷积神经网络的第九卷积层；将所述第九卷积层的输出输入到第九群组归一化层；将所述第九群组归一化层的输出输入到所述第九ReLU激活层；所述第九ReLU激活层的输出输入卷积神经网络的第十卷积层。
优选的，所述卷积神经网络还包括第十ReLU激活层；步骤k)具体包括：
将所述第十卷积层的输出输入到第十群组归一化层；将所述第十群组归一化层的输出输入到所述第十ReLU激活层；所述第十ReLU激活层的输出输入到第一Dropout层。
优选的，步骤k)还包括：将所述第十群组归一化层的输出转换成一维向量后输入到第一Dropout层。
本发明的有益效果如下：
(1)本发明一种基于卷积神经网络的单应性矩阵估计方法，首先生成大量的数据集；将数据集输入构建的卷积神经网络中进行训练，网络结构共含有10个卷积层、10个群组归一化层、4个池化层、2个全连接层和2个dropout层；将具有变形变换的两幅图像输入该卷积神经网络后，在最后一层输出8个实数，即单应性矩阵；本发明提供的卷积神经网络模型估计单应性矩阵方法，是一种端到端的估计单应性矩阵方式，为计算图像的单应性矩阵提供一种方法；
(2)本发明一种基于卷积神经网络的单应性矩阵估计方法，产生大量具有变换关系的图像，在变换关系图像取相同位置相同大小(128×128)的图像堆叠一起，输入卷积神经网络模型，进行训练，训练迭代次数100000，学习率0.005，每迭代20000次，学习率降为原来的十分之一。卷积神经网络模型训练完成后输入和训练数据格式一样的测试图片，即可算出8参数的单应性矩阵。
以下结合附图及实施例对本发明作进一步详细说明，但本发明的一种基于卷积神经网络的单应性矩阵估计方法不局限于实施例。
附图说明
图1是本发明实施例的方法流程图；
图2为本发明实施例的卷积神经网络模型结构图；
图3为ReLU激活层函数。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
参见图1至图3所示，本发明实施例一种基于卷积神经网络的单应性矩阵估计方法，首先生成大量的数据集；将数据集输入构建的卷积神经网络中进行训练，网络结构共含有10个卷积层、10个群组归一化层、10个ReLU激活层、4个池化层、2个全连接层和2个dropout层；将具有变形变换的两幅图像输入该卷积神经网络后，在最后一层输出8个实数，即单应性矩阵。
本实施例中，一种基于卷积神经网络的单应性矩阵估计方法，具体包括以下步骤：
步骤a)产生模型数据，从MSCOO数据集中获取图像、将图像大小调整为320×240；对调整后图像进行灰度化得到灰度图像G1，在灰度图像G1中画一个128×128的四边形P1，并在四边形的四个顶点随机加入-32到32的扰动；利用直接线性变换方法算出扰动前四边形顶点和扰动后的四边形顶点之间的的变换矩阵；将变换矩阵作用于灰度图像G1得到变换后的灰度图像G2；在灰度图像G2中画一个128×128的四边形P2，将四边形P1和四边形P2的图像堆叠成为128×128×2的图像，作为模型的输入数据集。
步骤b)将模型数据输入第一卷积层，第一卷积层滤波器尺寸为[3,3,2,64]，第一卷积层滤波器的步长为1；再输入第一群组归一化层；最后输入第一ReLU激活层，第一ReLU激活层的激活函数的表达式是ReLU(x)＝max(0,x)，其中x表示第一卷积层的输出，第一ReLU层的输出大小为128×128×64；
步骤c)将步骤b)的输出结果输入第二卷积层，第二卷积层滤波器尺寸为[3,3,64,64]，第二卷积层滤波器的步长为1；紧接着输入第二群组归一化层；然后输入第二ReLU激活层，第二ReLU激活层的激活函数的表达式是ReLU(x)＝max(0,x)，其中x表示第二卷积层的输出；最后输入第一最大池化层，第一池化层的输出大小为64×64×64；
步骤d)将步骤c)的输出结果输入第三卷积层，第三卷积层滤波器尺寸为[3,3,64,64]，第三卷积层滤波器的步长为1；再输入第三群组归一化层；最后输入第三ReLU激活层，第三ReLU激活层的激活函数的表达式是ReLU(x)＝max(0,x)，其中x表示第三卷积层的输出，第三ReLU层的输出大小为64×64×64；
步骤e)将步骤d)的输出结果输入第四卷积层，第四卷积层滤波器尺寸为[3,3,64,64]，第四卷积层滤波器的步长为1；紧接着输入第四群组归一化层；然后输入第四ReLU激活层，第四ReLU激活层的激活函数的表达式是ReLU(x)＝max(0,x)，其中x表示第四卷积层的输出；最后输入第二最大池化层，第二池化层的输出大小为32×32×64；
步骤f)将步骤e)的输出结果输入第五卷积层，第五卷积层滤波器尺寸为[3,3,64,128]，第五卷积层滤波器的步长为1；再输入第五群组归一化层；最后输入第五ReLU激活层，第五ReLU激活层的激活函数的表达式是ReLU(x)＝max(0,x)，其中x表示第五卷积层的输出，第五ReLU层的输出大小为64×64×128；
步骤g)将步骤f)的输出结果输入第六卷积层，第六卷积层滤波器尺寸为[3,3,128,128]，第六卷积层滤波器的步长为1；紧接着输入第六群组归一化层；然后输入第六ReLU激活层，第六ReLU激活层的激活函数的表达式是ReLU(x)＝max(0,x)，其中x表示第六卷积层的输出；最后输入第三最大池化层，第三池化层的输出大小为32×32×128；
步骤h)将步骤g的输出结果输入第七卷积层，第七卷积层滤波器尺寸为[3,3,128,128]，第七卷积层滤波器的步长为1；再输入第七群组归一化层；最后输入第七ReLU激活层，第七ReLU激活层的激活函数的表达式是ReLU(x)＝max(0,x)，其中x表示第七卷积层的输出，第七ReLU层的输出大小为32×32×128；
步骤i)将步骤h的输出结果输入第八卷积层，第八卷积层滤波器尺寸为[3,3,128,128]，第八卷积层滤波器的步长为1；紧接着输入第八群组归一化层；然后输入第八ReLU激活层，第八ReLU激活层的激活函数的表达式是ReLU(x)＝max(0,x)，其中x表示第八卷积层的输出；最后输入第四最大池化层，第四池化层的滑动窗口大小为2×2，步长为2，第四池化层的输出大小为16×16×128；
步骤j)将步骤g的输出结果输入第九卷积层，第九卷积层滤波器尺寸为[3,3,256,256]，第九卷积层滤波器的步长为1；再输入第九群组归一化层；最后输入第九ReLU激活层，第九ReLU激活层的激活函数的表达式是ReLU(x)＝max(0,x)，其中x表示第九卷积层的输出，第九ReLU激活层的输出大小为32×32×128；
步骤k)将步骤j的输出结果输入第十卷积层，第十卷积层滤波器尺寸为[3,3,256,256]，第十卷积层滤波器的步长为1；紧接着输入第十群组归一化层；然后输入第十ReLU激活层，第十ReLU激活函数的表达式是ReLU(x)＝max(0,x)，其中x表示第十卷积层的输出；最后将所述第十群组归一化层的输出转换成一维向量后输入到第一Dropout层，所述第一Dropout层随机概率设为0.5；
步骤l)将所述第一Dropout层的输出输入到卷积神经网络的第一全连接层，所述第一全连接层的尺寸为[16384,256]；然后将所述第一全连接层的输出输入到第二Dropout层，所述第二Dropout层随机概率设为0.5；
m)将所述第二Dropout层的输出输入到卷积神经网络的第二全连接层，所述第二全连接层的尺寸为[128,8]；然后将所述第二全连接层的输出输入到第二Dropout层，所述第二Dropout层输出估计的8实数的单应性矩阵，损失函数为均方差函数。
本发明提供的基于卷积神经网络的单应性矩阵估计方法，输入大量具有变换关系的图像，在变换关系图像取相同位置相同大小(128×128)的图像堆叠一起，输入模型网络，进行训练，训练迭代次数100000，学习率0.005，每迭代20000次，学习率降为原来的十分之一。训练完成后输入和训练数据格式一样的测试图片，即可算出8参数的单应性矩阵。
以上仅为本发明实例中一个较佳的实施方案。但是，本发明并不限于上述实施方案，凡按本发明所做的任何均等变化和修饰，所产生的功能作用未超出本方案的范围时，均属于本发明的保护范围。
Claims (13)
1.一种基于卷积神经网络的单应性矩阵估计方法，其特征在于，包括如下步骤：
a)生成输入数据集；
b)将所述数据集输入卷积神经网络第一卷积层；将所述第一卷积层的输出输入到第一群组归一化层；将所述第一群组归一化层的输出输入卷积神经网络的第二卷积层；
c)将所述第二卷积层的输出输入到第二群组归一化层；将所述第二群组归一化层的输出输入到第一池化层；
d)将所述第一池化层的输出输入卷积神经网络的第三卷积层；将所述第三卷积层的输出输入到第三群组归一化层；将所述第三群组归一化层的输出输入卷积神经网络的第四卷积层；
e)将所述第四卷积层的输出输入到第四群组归一化层；将所述第四群组归一化层的输出输入到第二池化层；
f)将所述第二池化层的输出输入卷积神经网络的第五卷积层；将所述第五卷积层的输出输入到第五群组归一化层；将所述第五群组归一化层的输出输入卷积神经网络的第六卷积层；
g)将所述第六卷积层的输出输入到第六群组归一化层；将所述第六群组归一化层的输出输入到第三池化层；
h)将所述第三池化层的输出输入卷积神经网络的第七卷积层；将所述第七卷积层的输出输入到第七群组归一化层；将所述第七群组归一化层的输出输入卷积神经网络的第八卷积层；
i)将所述第八卷积层的输出输入到第八群组归一化层；将所述第八群组归一化层的输出输入到第四池化层；
j)将所述第四池化层的输出输入卷积神经网络的第九卷积层；将所述第九卷积层的输出输入到第九群组归一化层；将所述第九群组归一化层的输出输入卷积神经网络的第十卷积层；
k)将所述第十卷积层的输出输入到第十群组归一化层；将所述第十群组归一化层的输出输入到第一Dropout层；
l)将所述第一Dropout层的输出输入到卷积神经网络的第一全连接层，然后将所述第一全连接层的输出输入到第二Dropout层；
m)将所述第二Dropout层的输出输入到卷积神经网络的第二全连接层，然后将所述第二全连接层的输出输入到第二Dropout层，所述第二Dropout层输出8个实数。
2.根据权利要求1所述的基于卷积神经网络的单应性矩阵估计方法，其特征在于，步骤a)具体包括：
从现有的MSCOCO数据集中获取图像；将所述获取图像大小调整为320×240；对调整后图像进行灰度化得到灰度图像G1，在灰度图像G1中画一个128×128的四边形P1，并在四边形的四个顶点随机加入-32到32的扰动；利用直接线性变换方法算出扰动前四边形顶点和扰动后的四边形顶点之间的变换矩阵；将所述变换矩阵和灰度图像G1进行相乘得到变换后的灰度图像G2；在灰度图像G2中画一个128×128的四边形P2，将四边形P1和四边形P2的图像堆叠成为128×128×2的图像，作为输入数据集。
3.根据权利要求1所述的基于卷积神经网络的单应性矩阵估计方法，其特征在于，所述卷积神经网络还包括第一ReLU激活层；步骤b)具体包括：
将所述数据集输入卷积神经网络第一卷积层，将所述第一卷积层的输出输入到第一群组归一化层；将所述第一群组归一化层的输出输入到所述第一ReLU激活层；将所述第一ReLU激活层的输出输入卷积神经网络的第二卷积层。
4.根据权利要求1所述的基于卷积神经网络的单应性矩阵估计方法，其特征在于，所述卷积神经网络还包括第二ReLU激活层；步骤c)具体包括：
将所述第二卷积层的输出输入到第二群组归一化层；将所述第二群组归一化层的输出输入到所述第二ReLU激活层；将所述第二ReLU激活层的输出输入到第一池化层。
5.根据权利要求1所述的基于卷积神经网络的单应性矩阵估计方法，其特征在于，所述卷积神经网络还包括第三ReLU激活层；步骤d)具体包括：
将所述第一池化层的输出输入卷积神经网络的第三卷积层；将所述第三卷积层的输出输入到第三群组归一化层；将所述第三群组归一化层的输出输入到所述第三ReLU激活层；将所述第三ReLU激活层的输出输入卷积神经网络的第四卷积层。
6.根据权利要求1所述的基于卷积神经网络的单应性矩阵估计方法，其特征在于，所述卷积神经网络还包括第四ReLU激活层；步骤e)具体包括：
将所述第四卷积层的输出输入到第四群组归一化层；将所述第四群组归一化层的输出输入到所述第四ReLU激活层；将所述第四ReLU激活层的输出输入到第二池化层。
7.根据权利要求1所述的基于卷积神经网络的单应性矩阵估计方法，其特征在于，所述卷积神经网络还包括第五ReLU激活层；步骤f)具体包括：
将所述第二池化层的输出输入卷积神经网络的第五卷积层；将所述第五卷积层的输出输入到第五群组归一化层；将所述第五群组归一化层的输出输入到所述第五ReLU激活层；将所述第五ReLU激活层的输出输入卷积神经网络的第六卷积层。
8.根据权利要求1所述的基于卷积神经网络的单应性矩阵估计方法，其特征在于，所述卷积神经网络还包括第六ReLU激活层；步骤g)具体包括：
将所述第六卷积层的输出输入到第六群组归一化层；将所述第六群组归一化层的输出输入到所述第六ReLU激活层；将所述第六ReLU激活层的输出输入到第三池化层。
9.根据权利要求1所述的基于卷积神经网络的单应性矩阵估计方法，其特征在于，所述卷积神经网络还包括第七ReLU激活层；步骤h)具体包括：
将所述第三池化层的输出输入卷积神经网络的第七卷积层；将所述第七卷积层的输出输入到第七群组归一化层；将所述第七群组归一化层的输出输入到所述第七ReLU激活层；将所述第七ReLU激活层的输出输入卷积神经网络的第八卷积层。
10.根据权利要求1所述的基于卷积神经网络的单应性矩阵估计方法，其特征在于，所述卷积神经网络还包括第八ReLU激活层；步骤i)具体包括：
将所述第八卷积层的输出输入到第八群组归一化层；将所述第八群组归一化层的输出输入到所述第八ReLU激活层；将所述第八ReLU激活层的输出输入到第四池化层。
11.根据权利要求1所述的基于卷积神经网络的单应性矩阵估计方法，其特征在于，所述卷积神经网络还包括第九ReLU激活层；步骤j)具体包括：
将所述第四池化层的输出输入卷积神经网络的第九卷积层；将所述第九卷积层的输出输入到第九群组归一化层；将所述第九群组归一化层的输出输入到所述第九ReLU激活层；所述第九ReLU激活层的输出输入卷积神经网络的第十卷积层。
12.根据权利要求1所述的基于卷积神经网络的单应性矩阵估计方法，其特征在于，所述卷积神经网络还包括第十ReLU激活层；步骤k)具体包括：
将所述第十卷积层的输出输入到第十群组归一化层；将所述第十群组归一化层的输出输入到所述第十ReLU激活层；所述第十ReLU激活层的输出输入到第一Dropout层。
13.根据权利要求1所述的基于卷积神经网络的单应性矩阵估计方法，其特征在于，步骤k)还包括：将所述第十群组归一化层的输出转换成一维向量后输入到第一Dropout层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810671660.0A CN108984481A (zh) | 2018-06-26 | 2018-06-26 | 一种基于卷积神经网络的单应性矩阵估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810671660.0A CN108984481A (zh) | 2018-06-26 | 2018-06-26 | 一种基于卷积神经网络的单应性矩阵估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108984481A true CN108984481A (zh) | 2018-12-11 |
Family
ID=64538842
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810671660.0A Pending CN108984481A (zh) | 2018-06-26 | 2018-06-26 | 一种基于卷积神经网络的单应性矩阵估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108984481A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110276751A (zh) * | 2019-06-17 | 2019-09-24 | 北京字节跳动网络技术有限公司 | 确定图像参数的方法、装置、电子设备和计算机可读存储介质 |
| CN110503110A (zh) * | 2019-08-12 | 2019-11-26 | 北京影谱科技股份有限公司 | 特征匹配方法和装置 |
| CN112259113A (zh) * | 2020-09-30 | 2021-01-22 | 清华大学苏州汽车研究院（相城） | 一种提高车内语音识别准确率的前处理系统及其控制方法 |
| CN112529035A (zh) * | 2020-10-30 | 2021-03-19 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 识别不同电台个体种类的智能识别方法 |
| CN113040710A (zh) * | 2021-03-01 | 2021-06-29 | 珠海格力电器股份有限公司 | 一种睡眠状态分析方法及装置 |
| CN113361544A (zh) * | 2021-06-11 | 2021-09-07 | 广东省大湾区集成电路与系统应用研究院 | 图像采集设备及其外参修正方法、装置及存储介质 |
| CN116898455A (zh) * | 2023-07-06 | 2023-10-20 | 湖北大学 | 一种基于深度学习模型的睡眠脑电信号检测方法及系统 |
-
2018
- 2018-06-26 CN CN201810671660.0A patent/CN108984481A/zh active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110276751A (zh) * | 2019-06-17 | 2019-09-24 | 北京字节跳动网络技术有限公司 | 确定图像参数的方法、装置、电子设备和计算机可读存储介质 |
| CN110503110A (zh) * | 2019-08-12 | 2019-11-26 | 北京影谱科技股份有限公司 | 特征匹配方法和装置 |
| CN112259113A (zh) * | 2020-09-30 | 2021-01-22 | 清华大学苏州汽车研究院（相城） | 一种提高车内语音识别准确率的前处理系统及其控制方法 |
| CN112529035A (zh) * | 2020-10-30 | 2021-03-19 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 识别不同电台个体种类的智能识别方法 |
| CN113040710A (zh) * | 2021-03-01 | 2021-06-29 | 珠海格力电器股份有限公司 | 一种睡眠状态分析方法及装置 |
| CN113361544A (zh) * | 2021-06-11 | 2021-09-07 | 广东省大湾区集成电路与系统应用研究院 | 图像采集设备及其外参修正方法、装置及存储介质 |
| CN113361544B (zh) * | 2021-06-11 | 2024-04-19 | 广东省大湾区集成电路与系统应用研究院 | 图像采集设备及其外参修正方法、装置及存储介质 |
| CN116898455A (zh) * | 2023-07-06 | 2023-10-20 | 湖北大学 | 一种基于深度学习模型的睡眠脑电信号检测方法及系统 |
| CN116898455B (zh) * | 2023-07-06 | 2024-04-16 | 湖北大学 | 一种基于深度学习模型的睡眠脑电信号检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108984481A (zh) | 一种基于卷积神经网络的单应性矩阵估计方法 | |
| CN107977932B (zh) | 一种基于可鉴别属性约束生成对抗网络的人脸图像超分辨率重建方法 | |
| Wang et al. | SaliencyGAN: Deep learning semisupervised salient object detection in the fog of IoT | |
| CN112949565B (zh) | 基于注意力机制的单样本部分遮挡人脸识别方法及系统 | |
| CN106796716B (zh) | 用于为低分辨率图像提供超分辨率的设备和方法 | |
| CN111080513B (zh) | 一种基于注意力机制的人脸图像超分辨率方法 | |
| CN110097178A (zh) | 一种基于熵注意的神经网络模型压缩与加速方法 | |
| CN110738161A (zh) | 一种基于改进生成式对抗网络的人脸图像矫正方法 | |
| CN109344759A (zh) | 一种基于角度损失神经网络的亲属识别方法 | |
| CN109064389B (zh) | 一种手绘线条画生成现实感图像的深度学习方法 | |
| CN111915522A (zh) | 一种基于注意力机制的图像修复方法 | |
| CN107301643B (zh) | 基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法 | |
| CN110222607A (zh) | 人脸关键点检测的方法、装置及系统 | |
| CN109948575A (zh) | 超声图像中眼球区域分割方法 | |
| CN109685830A (zh) | 目标跟踪方法、装置和设备及计算机存储介质 | |
| CN104318215A (zh) | 一种基于域鲁棒卷积特征学习的交叉视角人脸识别方法 | |
| CN111368637A (zh) | 一种基于多掩模卷积神经网络的搬运机器人识别目标方法 | |
| CN106407932A (zh) | 基于分数阶微积分与广义逆神经网络的手写数字识别方法 | |
| CN111382684B (zh) | 基于对抗学习的角度鲁棒的个性化人脸表情识别方法 | |
| CN108764233A (zh) | 一种基于连续卷积激活的场景字符识别方法 | |
| CN115860113B (zh) | 一种自对抗神经网络模型的训练方法及相关装置 | |
| CN106845512A (zh) | 基于分形参数的兽类形体识别方法及系统 | |
| CN110414593A (zh) | 图像处理方法及装置、处理器、电子设备及存储介质 | |
| CN113591797B (zh) | 一种深度视频行为识别方法 | |
| CN110826726B (zh) | 目标处理方法、目标处理装置、目标处理设备及介质 |
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 |
Application publication date: 20181211 |
|
| RJ01 | Rejection of invention patent application after publication |