CN109118483A - 一种标签质量检测方法及装置 - Google Patents
一种标签质量检测方法及装置 Download PDFInfo
- Publication number
- CN109118483A CN109118483A CN201810903455.2A CN201810903455A CN109118483A CN 109118483 A CN109118483 A CN 109118483A CN 201810903455 A CN201810903455 A CN 201810903455A CN 109118483 A CN109118483 A CN 109118483A
- Authority
- CN
- China
- Prior art keywords
- layer
- boltzmann machine
- limited boltzmann
- training
- network
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 8
- 238000009826 distribution Methods 0.000 description 4
- 238000005315 distribution function Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种标签质量检测方法及装置，该方法包括以下步骤：通过图像采集装置获取标签图片，并根据所述标签图片获得样本数据；对深度置信网络参数初始化赋值；对深度置信网络进行学习训练获得检测模型；将图像采集装置实时获得的测试数据输入检测模型得到检测结果。本发明代替了现有技术中的人工检测标签获得标签质量是否合格的结果，不仅节省了人力，而且检测精度高。
Description
技术领域
本发明涉及计算机技术领域，特别涉及一种基于深度置信网络的标签质量检测方法及装置。
背景技术
深度置信网络(英文：Restricted Boltzmann Machine,RBM)是一种可通过输入数据集学习概率分布的随机生成神经网络。
BM的原理起源于统计物理学，是一种基于能量函数的建模方法，能够描述变量之间的高阶相互作用，BM的学习算法较复杂，但所建模型和学习算法有比较完备的物理解释和严格的数理统计理论作基础。BM是一种对称耦合的随机反馈型二值单元神经网络，由可见层和多个隐层组成，网络节点分为可见单元(visible unit)和隐单元(hidden unit)，用可见单元和隐单元来表达随机网络与随机环境的学习模型，通过权值表达单元之间的相关性。
生活中，许多产品都贴有标签，但是许多产品的标签成品都不合格，需要筛选，而现有技术中一般通过人工筛选，即浪费人力，工作效率又低。
发明内容
本发明要解决的技术问题是提供一种基于深度置信网络的标签质量检测方法及装置，以解决现有技术中人工检测满效率低的问题。
为了解决上述技术问题，本发明的技术方案为：
一种标签质量检测方法，包括以下步骤：
步骤1、通过图像采集装置获取标签图片，并根据所述标签图片获得样本数据，
所述样本数据包括标签的边长、标签上的图形和图形的位置，
所述深度置信网络为六层，前五层由五个受限玻尔兹曼机模型堆叠构成，第六层为BP 网络，前五层用于训练提取特征，第六层用于微调获得检测模型；
步骤2、对深度置信网络参数初始化赋值；
步骤3、对深度置信网络进行学习训练获得检测模型；
步骤4、将图像采集装置实时获得的测试数据输入检测模型得到检测结果，所述检测结果包括合格和不合格。
可选的：所述对深度置信网络参数初始化赋值包括以下步骤：
设置深度置信网络输入层节点个数为样本数据个数；
设置深度置信网络输出层节点个数为检测结果个数，
设置BP网络的输入层节点个数为样本数个数与提取的特征的个数之和；
设置每层受限玻尔兹曼机模型的隐藏层节点个数为100，
设置深度置信网络输入层初始状态为随机最小值；
设置训练精度和训练次数。
可选的：对深度置信网络进行学习训练获得检测模型具体包括以下步骤：
步骤301、将深度置信网络输入层作为第一层受限玻尔兹曼机模型的可视层，训练第一层受限玻尔兹曼机模型，获得第一层受限玻尔兹曼机的隐藏层和可视层之间的最优映射；
步骤302、以第一层受限玻尔兹曼机模型的隐藏层作为第二层受限玻尔兹曼机模型的可视层，训练训练第二层受限玻尔兹曼机模型，获得第二层受限玻尔兹曼机的隐藏层和可视层之间的最优映射；
步骤303、以第二层受限玻尔兹曼机模型的隐藏层作为第三层受限玻尔兹曼机模型的可视层，训练训练第三层受限玻尔兹曼机模型，获得第三层受限玻尔兹曼机的隐藏层和可视层之间的最优映射；
步骤304、以第三层受限玻尔兹曼机模型的隐藏层作为第四层受限玻尔兹曼机模型的可视层，训练训练第四层受限玻尔兹曼机模型，获得第四层受限玻尔兹曼机的隐藏层和可视层之间的最优映射；
步骤305、以第四层受限玻尔兹曼机模型的隐藏层作为第五层受限玻尔兹曼机模型的可视层，训练训练第五层受限玻尔兹曼机模型，获得第五层受限玻尔兹曼机的隐藏层和可视层之间的最优映射；
步骤306、以第五层受限玻尔兹曼机模型的隐藏层作为BP网络的输入层，将深度置信网络的输出层作为BP网络的输出层，对BP网络进行训练，得到检测模型。
根据本发明的另一方面，提供了一种标签质量检测装置，所述装置包括图像采集模块、图像处理模块、检测模块和输出模块，
所述图像采集模块包括图像采集装置，用于采集标签图片；
所述图像处理模块包括处理器，用于根据所述标签图片获得测试数据；
所述检测模块用于将所述测试数据输入到基于深度置信网络算法的检测模型获得检测结果，所述检测结果包括合格与不合格。
可选的，所述输出模块包括音频模块和/或显示模块。
采用上述技术方案，由于通过深度置信网络获得检测模型，然后获取需要检测的标签的测试数据输入到检测模型获得该标签质量是否合格的结果，代替了现有技术中的人工检测标签的技术，不仅节省了人力，而且检测精度高。
附图说明
图1为本发明标签质量检测方法的流程框图；
图2为本发明标签质量检测装置的结构框图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1
一种标签质量检测方法，如图1所示，包括以下步骤：
步骤1、通过图像采集装置获取标签图片，并根据标签图片获得样本数据，
具体的，样本数据包括标签的边长、标签上的图形和图形的位置，
深度置信网络包括上层的受限玻尔兹曼机和下层的BP网络，在本发明的实施例中，该深度置信网络包括六层，前五层由五个受限玻尔兹曼机模型堆叠构成，第六层为BP网络，前五层用于训练提取特征，第六层用于微调获得检测模型。
步骤2、对深度置信网络参数初始化赋值。
具体的：设置深度置信网络输入层节点个数为样本数据个数，在本发明的实施例中样本数据个数为3，所以深度置信网络输入层节点个数为3。
设置深度置信网络输出层节点个数为检测结果个数，在本发明的实施例中，检测结果包括合格和不合格两种结果，所以深度置信网络输出层节点个数为2。
设置BP网络的输入层节点个数为样本数个数与提取的特征的个数之和，深度置信网络提取的特征个数即隐藏层的个数，所以BP网络的输入层节点个数为103；
设置每层受限玻尔兹曼机模型的隐藏层节点个数为100，
设置深度置信网络输入层初始状态为随机最小值，即v＝w，a，b，即：
w＝0.1×randn(n,m)
a＝0.1×randn(1,n)
b＝0.1×randn(1,m)
其中w为受限玻尔兹曼机可视层与隐藏层之间连接权重，a为受限玻尔兹曼机RBM可视层偏置，b为受限玻尔兹曼机RBM隐藏层偏置。
设置训练精度ε＝10-10，和训练次数t＝1000。
步骤3、对深度置信网络进行学习训练获得检测模型，具体的，包括以下步骤：
步骤301、将深度置信网络输入层作为第一层受限玻尔兹曼机模型的可视层，训练第一层受限玻尔兹曼机模型，获得第一层受限玻尔兹曼机的隐藏层和可视层之间的最优映射；
具体包括以下步骤：
根据第一层受限玻尔兹曼机RBM的可视层V0节点值vi计算第一层受限玻尔兹曼机RBM 的隐藏层H0第j个节点被选中的概率，计算公式如下：
其中i为可视层V0第i个节点，j为隐藏层H0第j个节点，Hj＝1表示隐藏层H0第j个节点被选中，Wij为可视层V0节点i和隐藏层H0节点j之间的连接权值，aj为受限玻尔兹曼机可视层偏置，σ(x)为sigmoid函数，且
用第一层受限玻尔兹曼机的隐藏层H0重构第一层受限玻尔兹曼机的可视层V0，得到重构后的第一层受限玻尔兹曼机的可视层V0第i个节点被选中的概率，计算公式如下：
其中，hj为第一层受限玻尔兹曼机的隐藏层的样本值，即根据初始化的受限玻尔兹曼机得到的隐藏层H0第j个节点值，Vi＝1表示可视层V0第i个节点被选中，bi为受限玻尔兹曼机的隐藏层偏置。
计算第一层受限玻尔兹曼机的最优参数θ(a，b，w)，即计算θ(a，b，w)使经重构后的第一层受限玻尔兹曼机可视层节点值，得到第一层受限玻尔兹曼机的隐藏层H0和可视层V0之间的最优映射：
然后计算可视层V0特征向量v和隐藏层H0特征向量h的联合概率分布，联合概率分布函数为：
其中E(v，h；θ)为能量函数，θ为最优参数θ(a，b，w)，能量函数的计算公式如下：
根据联合概率分布函数求得可视层V0的边缘概率分布：
其中，为配分函数。
受限玻尔兹曼机训练的目的是为了获得最优参数θ(a，b，w)，由于RBM各节点是相互独立的，可以将θ的寻优过程转化为求最大似然函数的最值问题。边缘概率分布的对数似然函数为：
采用梯度法来加快训练速度，利用参数更新公式来进行参数更新，参数更新公式为：
其中，t为训练次数，η为学习速率，在本发明的实施例中t＝1000，η＝5。
随着参数沿着梯度方向不断更新，会找到似然函数的最大值，也就是能获得出第一层受限玻尔兹曼机的最优参数θ(a，b，w)，即可实现第一层受限玻尔兹曼机自身可视层V0与隐藏层H0之间的最优映射，得到第一层受限玻尔兹曼机隐藏层H0。
步骤302、以第一层受限玻尔兹曼机模型的隐藏层作为第二层受限玻尔兹曼机模型的可视层，训练训练第二层受限玻尔兹曼机模型，获得第二层受限玻尔兹曼机的隐藏层和可视层之间的最优映射，由于与训练第一层和第二层受限玻尔兹曼机的道理相似，在此亦不再赘述。
步骤303、以第二层受限玻尔兹曼机模型的隐藏层作为第三层受限玻尔兹曼机模型的可视层，训练训练第三层受限玻尔兹曼机模型，获得第三层受限玻尔兹曼机的隐藏层和可视层之间的最优映射，由于与训练第一层和第三层受限玻尔兹曼机的道理相似，在此亦不再赘述。
步骤304、以第三层受限玻尔兹曼机模型的隐藏层作为第四层受限玻尔兹曼机模型的可视层，训练训练第四层受限玻尔兹曼机模型，获得第四层受限玻尔兹曼机的隐藏层和可视层之间的最优映射，由于与训练第一层和第四层受限玻尔兹曼机的道理相似，在此亦不再赘述。
步骤305、以第四层受限玻尔兹曼机模型的隐藏层作为第五层受限玻尔兹曼机模型的可视层，训练训练第五层受限玻尔兹曼机模型，获得第五层受限玻尔兹曼机的隐藏层和可视层之间的最优映射，由于与训练第一层和第五层受限玻尔兹曼机的道理相似，在此亦不再赘述。
步骤306、以第五层受限玻尔兹曼机模型的隐藏层作为BP网络的输入层，将深度置信网络的输出层作为BP网络的输出层，对BP网络进行训练，得到检测模型。
步骤4、将图像采集装置实时获得的测试数据输入检测模型得到检测结果，检测结果包括合格和不合格。
实施例2
一种标签质量检测装置，如图2所示，包括图像采集模块、图像处理模块、检测模块和输出模块，图像采集模块、图像处理模块、检测模块和输出模块依次连接。
具体的，图像采集模块包括图像采集装置，用于采集标签图片；该图像采集装置可以设置在标签生产流水线的终端，生产出的标签通过传动装置经过图像采集装置，图像采集装置对经过的标签拍照获得标签图片。当然该图像采集装置也可以单独设置，然后由人工将标签依次放置到图像采集装置下以供图像采集装置采集标签图片。
图像处理模块包括处理器，用于根据标签图片获得测试数据。对标签而言最重要且的数据包括标签的边长、标签上的图形、图形的位置、标签上的颜色、每个颜色的位置等。在本发明的中采集的数据(即测试数据)包括标签的边长、标签上的图形和图形的位置。
检测模块用于将测试数据输入到基于深度置信网络算法的检测模型获得检测结果，检测结果包括合格与不合格，该检测模块可以通过处理器实现上述功能。
其中基于深度置信网络由包括多层受限玻尔兹曼机和一层反向传播BP网络组成的多层神经元构成，这些神经元又分为显性神经元和隐性神经元(以下简称显元和隐元)，上述神经元也可以称之为节点。显元组成可视层，用于接受输入，隐元组成隐藏层，用于提取特征进行学习。任意两个相连的显元和隐元之间有一个权值表示其连接强度，同一层中的其他神经元并不相连。
也就是说，层的内部不存在通信，这就是受限玻尔兹曼机被称为受限的原因。
输出模块包括音频模块和显示模块，经深度置信网络训练后获得的检测模型能够自动学习输入的数据特征，并最终得到受检测的标签是否合格的结论，然后通过输出模块将结论输出，比如通过音频模块输出是否合格的声音，或通过显示模块输出是否合格的结果信息。
以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。
Claims (5)
1.一种标签质量检测方法，其特征在于：包括以下步骤：
步骤1、通过图像采集装置获取标签图片，并根据所述标签图片获得样本数据，
所述样本数据包括标签的边长、标签上的图形和图形的位置，
所述深度置信网络包括六层，前五层由五个受限玻尔兹曼机模型堆叠构成，第六层为BP网络，前五层用于训练提取特征，第六层用于微调获得检测模型；
步骤2、对深度置信网络参数初始化赋值；
步骤3、对深度置信网络进行学习训练获得检测模型；
步骤4、将图像采集装置实时获得的测试数据输入检测模型得到检测结果，所述检测结果包括合格和不合格。
2.根据权利要求1所述的方法，其特征在于：所述对深度置信网络参数初始化赋值包括以下步骤：
设置深度置信网络输入层节点个数为样本数据个数；
设置深度置信网络输出层节点个数为检测结果个数，
设置BP网络的输入层节点个数为样本数个数与提取的特征的个数之和；
设置每层受限玻尔兹曼机模型的隐藏层节点个数为100，
设置深度置信网络输入层初始状态为随机最小值；
设置训练精度和训练次数。
3.根据权利要求2所述的方法，其特征在于：对深度置信网络进行学习训练获得检测模型具体包括以下步骤：
步骤301、将深度置信网络输入层作为第一层受限玻尔兹曼机模型的可视层，训练第一层受限玻尔兹曼机模型，获得第一层受限玻尔兹曼机的隐藏层和可视层之间的最优映射；
步骤302、以第一层受限玻尔兹曼机模型的隐藏层作为第二层受限玻尔兹曼机模型的可视层，训练训练第二层受限玻尔兹曼机模型，获得第二层受限玻尔兹曼机的隐藏层和可视层之间的最优映射；
步骤303、以第二层受限玻尔兹曼机模型的隐藏层作为第三层受限玻尔兹曼机模型的可视层，训练训练第三层受限玻尔兹曼机模型，获得第三层受限玻尔兹曼机的隐藏层和可视层之间的最优映射；
步骤304、以第三层受限玻尔兹曼机模型的隐藏层作为第四层受限玻尔兹曼机模型的可视层，训练训练第四层受限玻尔兹曼机模型，获得第四层受限玻尔兹曼机的隐藏层和可视层之间的最优映射；
步骤305、以第四层受限玻尔兹曼机模型的隐藏层作为第五层受限玻尔兹曼机模型的可视层，训练训练第五层受限玻尔兹曼机模型，获得第五层受限玻尔兹曼机的隐藏层和可视层之间的最优映射；
步骤306、以第五层受限玻尔兹曼机模型的隐藏层作为BP网络的输入层，将深度置信网络的输出层作为BP网络的输出层，对BP网络进行训练，得到检测模型。
4.一种使用如权利要求1-3任一项所述方法的装置，其特征在于，所述装置包括图像采集模块、图像处理模块、检测模块和输出模块，
所述图像采集模块包括图像采集装置，用于采集标签图片；
所述图像处理模块包括处理器，用于根据所述标签图片获得测试数据；
所述检测模块用于将所述测试数据输入到基于深度置信网络算法的检测模型获得检测结果，所述检测结果包括合格与不合格。
5.根据权利要求4所述的装置，其特征在于：所述输出模块包括音频模块和/或显示模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810903455.2A CN109118483A (zh) | 2018-08-09 | 2018-08-09 | 一种标签质量检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810903455.2A CN109118483A (zh) | 2018-08-09 | 2018-08-09 | 一种标签质量检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109118483A true CN109118483A (zh) | 2019-01-01 |
Family
ID=64852111
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810903455.2A Pending CN109118483A (zh) | 2018-08-09 | 2018-08-09 | 一种标签质量检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109118483A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110349120A (zh) * | 2019-05-31 | 2019-10-18 | 湖北工业大学 | 太阳能电池片表面缺陷检测方法 |
| CN113010442A (zh) * | 2021-04-30 | 2021-06-22 | 中国工商银行股份有限公司 | 基于深度置信网络的用户界面测试结果分类方法及装置 |
-
2018
- 2018-08-09 CN CN201810903455.2A patent/CN109118483A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110349120A (zh) * | 2019-05-31 | 2019-10-18 | 湖北工业大学 | 太阳能电池片表面缺陷检测方法 |
| CN113010442A (zh) * | 2021-04-30 | 2021-06-22 | 中国工商银行股份有限公司 | 基于深度置信网络的用户界面测试结果分类方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110210486B (zh) | 一种基于素描标注信息的生成对抗迁移学习方法 | |
| CN108764292B (zh) | 基于弱监督信息的深度学习图像目标映射及定位方法 | |
| WO2020082663A1 (zh) | 一种深度神经网络的结构搜索方法及装置 | |
| CN109783666B (zh) | 一种基于迭代精细化的图像场景图谱生成方法 | |
| CN110880019B (zh) | 通过无监督域适应训练目标域分类模型的方法 | |
| CN108197652B (zh) | 用于生成信息的方法和装置 | |
| CN112016601B (zh) | 基于知识图谱增强小样本视觉分类的网络模型构建方法 | |
| DE112016004534T5 (de) | Nicht überwachtes Abgleichen in feinkörnigen Datensätzen zur Einzelansicht-Objektrekonstruktion | |
| CN112685504B (zh) | 一种面向生产过程的分布式迁移图学习方法 | |
| CN106997373A (zh) | 一种基于深度置信网络的链路预测方法 | |
| CN107247952B (zh) | 基于深层监督的循环卷积神经网络的视觉显著性检测方法 | |
| CN109325513B (zh) | 一种基于海量单类单幅图像的图像分类网络训练方法 | |
| CN113361928B (zh) | 一种基于异构图注意力网络的众包任务推荐方法 | |
| CN109919252A (zh) | 利用少数标注图像生成分类器的方法 | |
| CN113987236B (zh) | 基于图卷积网络的视觉检索模型的无监督训练方法和装置 | |
| CN112766315A (zh) | 一种用于测试人工智能模型鲁棒性的方法和系统 | |
| CN110136017A (zh) | 一种基于数据增强和非负矩阵稀疏分解的群组发现方法 | |
| CN112364747A (zh) | 一种有限样本下的目标检测方法 | |
| CN110688484B (zh) | 一种基于不平衡贝叶斯分类的微博敏感事件言论检测方法 | |
| CN115497161A (zh) | 基于人体姿态矫正的注意力时空图卷积网络行为识别方法 | |
| CN109118483A (zh) | 一种标签质量检测方法及装置 | |
| CN112926052B (zh) | 基于遗传算法的深度学习模型安全漏洞测试和修复方法、装置和系统 | |
| CN103559510B (zh) | 一种利用相关主题模型识别社会群体行为的方法 | |
| CN112766143A (zh) | 一种基于多情绪的人脸老化处理方法和系统 | |
| CN107122472A (zh) | 大规模非结构化数据提取方法、其系统、分布式数据管理平台 |
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 |