CN109190663A - 一种基于深度学习技术的识别烟盒品规的方法 - Google Patents
一种基于深度学习技术的识别烟盒品规的方法 Download PDFInfo
- Publication number
- CN109190663A CN109190663A CN201810836225.9A CN201810836225A CN109190663A CN 109190663 A CN109190663 A CN 109190663A CN 201810836225 A CN201810836225 A CN 201810836225A CN 109190663 A CN109190663 A CN 109190663A
- Authority
- CN
- China
- Prior art keywords
- picture
- cigarette case
- layer
- learning technology
- model
- 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
- G06F18/21—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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习技术的识别烟盒品规的方法,其流程为:步骤S1:图片收集和筛选形成图片库;收集并整理烟盒图片的应用场景,收集不同种类的不同状态的烟盒图片,形成图片库;步骤S2:卷积神经网络搭建;步骤S3:训练模型;步骤S4:预判模型,加载训练好的模型,将待识别的烟盒图片输入,判断模型是否有效;步骤S5:部署模型;步骤S6:提供服务,部署至云服务器上。本发明具有识别精度高、易推广、适用范围广等优点。
Description
技术领域全流程化
本发明主要涉及到卷烟生产、销售等环节的管理技术领域,特指一种基于深度学习技术的识别烟盒品规的方法。
背景技术
目前,在卷烟的生产、销售等环节过程中,普遍是以卷烟烟盒来作为卷烟品类、品规的识别特征。因此,对于卷烟烟盒的识别技术,直接影响到卷烟生产、销售环节的管理精确度和效率。传统的卷烟烟盒的识别一般采用以下三种方式:
1、人工识别:人工识别的缺点在于在烟盒外观区别不大时容易给卷烟零售户和消费者造成卷烟品规信息混淆。
2、条形码识别:条形码识别缺点在于只能部分显示卷烟品牌名称,而不能显示卷烟品牌完整的基础信息和品牌文化,且查询手段单一,若缺失部分条形码则无法识别。
3、二维码识别:二维码识别的缺点在于目前市场上的烟盒只有极少部分有二维码设计,且主要用于各中烟公司的推广活动,不具有普适性。
在烟盒图像识别这个领域还没有引入深度学习进行识别,现有的图片库中香烟品牌的图片库十分匮乏,需要大量工作进行采集,没有专门针对卷烟烟盒进行识别的算法,且算法不能套用,需要开发对应的算法对采集的图片进行训练。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种识别精度高、易推广、适用范围广的基于深度学习技术的识别烟盒品规的方法。
为解决上述技术问题,本发明采用以下技术方案:
一种基于深度学习技术的识别烟盒品规的方法,其流程为:
步骤S1:图片收集和筛选形成图片库;收集并整理烟盒图片的应用场景,收集不同种类的不同状态的烟盒图片,形成图片库;
步骤S2:卷积神经网络搭建;
步骤S3:训练模型,对已有的样本,使用最小化的求解梯度下降法反向传播算法将误差信号传递到每一层的输出;再通过每一层的函数对参数的导数,求得参数的梯度;然后通过基于梯度的最优化,寻得最优值,完成训练过程;根据前向传播的LOSS值,来反向迭代更新每一层的权重,确定LOSS趋于收敛时,保存模型;
步骤S4:预判模型,加载训练好的模型,将待识别的烟盒图片输入,判断模型是否有效;
步骤S5:部署模型;
步骤S6:提供服务,部署至云服务器上。
作为本发明的进一步改进:所述步骤S1的流程为:
步骤S101:对烟盒图片的种类进行分类,用作基础库;
步骤S102:对各个种类的烟盒图片中所占图片比例小于设定阈值的烟盒图片以及图像严重失真的图片进行删除;
步骤S103:将筛选好的图片进行初步整理,作为原始数据集。
作为本发明的进一步改进:所述步骤S1进一步对图片库进行预处理和扩充,预处理和扩充手段包括但不限于:对图片进行旋转、平移、错切变换改变图片的颜色值、改变图片的亮度和对比度中的一种或多种。
作为本发明的进一步改进:所述步骤S2中采用残差神经网络ResNet50卷积神经网络,包括网络前端的数据层、中段的隐藏层、末段的输出层,所述隐藏层包括卷积层和池化层。
作为本发明的进一步改进:所述卷积层使用3x3的卷积核进行卷积运算后再使用1x1卷积核来增加维度,得到feature_map,提取图像的局部信息;所述池化层使用最大池化对卷积层产生的特征图进行融合。
作为本发明的进一步改进:所述步骤S3中引入迁移学习的方法,即将预先训练好的ResNet50模型的前30层的参数固化,后面的用新数据训练。
作为本发明的进一步改进:所述步骤S6中,部署至云服务器上:当前采用ubuntu+nginx+uwsgi的方式部署flask应用;其中:Nginx主要作为前置服务器,负责分发处理来自客户端的请求;uwsgi作为后端Flask应用的容器;supervisor作为监控程序,即看门狗;部署成功后,通过API的方式为用户提供服务;用户可以通过终端设备输入图片流数据至服务器,服务器输出图片种类标签至用户终端。
作为本发明的进一步改进:所述步骤S4中,加载训练好的模型,将待识别的烟盒图片输入,判断模型是否有效;使用步骤S1中的10%的预测图片集,从中选择若干图片输入到模型中,提取烟盒图片的特征,输出图片的标签类别以及TOP5的置信度。
与现有技术相比,本发明的优点在于:
1、高识别率;本发明可以作为人工识别的一种强力补充,当人工无法做出准确识别时通过本应用可以做出正确的识别。
2、冗余识别;可以适用于远距离多角度不同场景的烟盒图片来进行识别,在烟盒缺失部分的情况下可以进行识别。
3、识别的普适性;丰富卷烟品牌信息数据库,使其更加系统化,全面化,信息化,消费者由被动的接受品牌信息,转变为消费者主动的了解,查询相关信息。
附图说明
图1是本发明方法在具体应用实例中的原理示意图。
具体实施方式
以下将结合说明书附图和具体实施例对本发明做进一步详细说明。
如图1所示,本发明的一种基于深度学习技术的识别烟盒品规的方法,其流程为:
步骤S1:图片收集和筛选形成图片库;收集并整理烟盒图片的应用场景,收集不同种类的不同状态的烟盒图片,形成图片库。
步骤S2:卷积神经网络搭建;
步骤S3:训练模型,对已有的样本,使用最小化的求解梯度下降法(GradientDecent)反向传播算法(back propagation)将误差信号传递到每一层的输出。再通过每一层的函数对参数的导数,可求得参数的梯度,再通过基于梯度的最优化,就能寻得最优值,完成训练过程。根据前向传播的LOSS值,来反向迭代更新每一层的权重,确定LOSS趋于收敛时,保存模型。
步骤S4:预判模型,加载训练好的模型,将待识别的烟盒图片输入,判断模型是否有效。
步骤S5:部署模型,模型稳定后利用flask+tensorflow+keras的结合来部署模型。
步骤S6:提供服务,部署至云服务器上:当前采用ubuntu+nginx+uwsgi的方式部署flask应用。
在具体应用实例中,根据实际需要,步骤S1的详细流程为:
步骤S101:对烟盒图片的种类进行分类,用作基础库。如,对市面上常见的烟盒进行采集和分类,总共150种,每个品种至少100张。
步骤S102:对各个种类的烟盒图片中所占图片比例小于设定阈值的烟盒图片以及图像严重失真的图片进行删除,如可以选择性的设定阈值为60%,那么图片比例小于的60%烟盒图片将被删除。
步骤S103:将筛选好的图片进行初步整理,作为原始数据集。本步骤应尽量收集多的数据,避免在模型训练时由于数据不足导致的模型过拟合。
在较佳的实施例中,还可以在步骤S1的基础上进一步对图片库进行预处理和扩充,预处理和扩充手段包括但不限于:对图片进行旋转、平移、错切变换改变图片的颜色值、改变图片的亮度和对比度中的一种或多种。例如,将收集到的图片库扩大10倍。同时,将扩充后的数据集的70%的数据作为训练数据,20%数据作为验证数据,剩余的10%用于测试模型的预测情况。
在具体应用实例中,根据实际需要,步骤S2中:采用的残差神经网络ResNet50卷积神经网络。
该模型包括网络前端的数据层、中段的隐藏层(卷积层和池化层)、末段的输出层。由于全连接层在一定程度上会损失图像的空间信息因此抛弃隐藏层中的全连接层。
网络前端:
数据层:训练数据为150(种)x750张,测试数据为15000张。由于采集到的图片的大小可能各不相同,有一些图像的分辨率较大,有一些比较小。而且长宽比也不一定会一样。通过裁剪的方法使得输出的图像的分辨率固定为3x256x256(通道数x图像高度x图像宽度),在网络训练的阶段,裁剪的位置从原始的图像上随机选择,只需要满足裁剪的子图完全落在图像中即可。通过随机的方式来增加了额外的数据,能够缓解过拟合的问题。
裁剪之后的原图,每一个像素的是0到255的固定的数值。进一步的处理,包括减去均值,以及等比例缩放像素值使得像素值的分部基本在[-1,1]之间。随后对图像进行归一化增强图像,随机选择RGB三个通道中的一个,然后在原像素值的基础上,随机添加一个从[-20,20]之间的数值。
网络中段:
卷积层:使用3x3的卷积核进行卷积运算后再使用1x1卷积核来增加维度,得到feature_map,提取图像的局部信息。
池化层:使用最大池化对卷积层产生的特征图进行融合,一方面使特征图变小,简化网络计算复杂度;一方面进行特征压缩,提取主要特征对每一个特征图单独进行操作并且输出一个对应的特征图。
ReLu层:使用修正线性单元(Rectified linear unit,ReLU)作为激活函数进行激活,由于ReLU函数是分段线性函数,通过对每一个值进行处理,把所有的负值都变为0,而正值不变,这种单侧抑制。在每一个卷积运算后使用ReLU函数进行处理,可以使得本研究中神经网络中的神经元具有了稀疏激活性,缓解过拟合问题发生。并且可以降低计算量;避免ReLU函数反向传播时出现的梯度消失导致无法完成模型收敛。通过ReLU实现稀疏后的模型能够更好地挖掘相关特征,拟合训练数据。
LRN层:当前层的输出结果做平滑处理。
网络末段:
输出层:从网络训练的角度,末端主要是损失函数。也就是将数据映射为一个标量。通过随机梯度下降的方式,使得损失函数逐渐的降低。本研究使用神经网络将图片分类,因此这里使用了softmax函数。
首先将输入归一化到[0,1]之间,通过Softmax函数,然后通过交叉熵定义损失值,softmax输出返回列表的概率求和为1,每个概率代表给定图像属于特定输出类的概率。输出分类结果到softmax层输出种类概率向量。
在具体应用实例中,根据实际需要,步骤S3中的训练过程:对已有的样本,使用最小化的求解梯度下降法(Gradient Decent)反向传播算法(back propagation)将误差信号传递到每一层的输出。再通过每一层的函数对参数的导数,可求得参数的梯度,再通过基于梯度的最优化,就能寻得最优值,完成训练过程。根据前向传播的LOSS值,来反向迭代更新每一层的权重,确定LOSS趋于收敛时,保存模型。详细流程为:
1)初始化参数。
2)求代价函数关于参数的梯度。
3)根据梯度更新参数的值。
4)经过迭代以后取得最佳参数,从而完成模型的训练。
引入迁移学习的方法,将预先训练好的ResNet50模型的前30层的参数固化,后面的用新数据训练,从而避免初始随机的权重赋值,缩短训练周期。
在具体应用实例中,根据实际需要,步骤S4中,加载训练好的模型,将待识别的烟盒图片输入,判断模型是否有效。使用步骤S1中的10%的预测图片集,从中选择若干图片输入到模型中,提取烟盒图片的特征,输出图片的标签类别以及TOP5的置信度。
在具体应用实例中,根据实际需要,步骤S5中,在模型稳定后利用flask+tensorflow+keras的结合来部署模型。flask提供web serve:创建tensorflow session,载入tensorflow模型非阻塞异步flask服务。为深度学习框架keras提供底层支撑。
在具体应用实例中,根据实际需要,在步骤S6中提供服务,部署至云服务器上:当前采用ubuntu+nginx+uwsgi的方式部署flask应用。其中:
1)Nginx主要作为前置服务器,负责分发处理来自客户端的请求。
2)uwsgi作为后端Flask应用的容器。
3)supervisor作为监控程序,即看门狗。
部署成功后,通过API的方式为用户提供服务。用户可以通过终端设备输入图片流数据至服务器,服务器输出图片种类标签至用户终端。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (8)
1.一种基于深度学习技术的识别烟盒品规的方法,其特征在于,流程为:
步骤S1:图片收集和筛选形成图片库;收集并整理烟盒图片的应用场景,收集不同种类的不同状态的烟盒图片,形成图片库;
步骤S2:卷积神经网络搭建;
步骤S3:训练模型,对已有的样本,使用最小化的求解梯度下降法反向传播算法将误差信号传递到每一层的输出;再通过每一层的函数对参数的导数,求得参数的梯度;然后通过基于梯度的最优化,寻得最优值,完成训练过程;根据前向传播的LOSS值,来反向迭代更新每一层的权重,确定LOSS趋于收敛时,保存模型;
步骤S4:预判模型,加载训练好的模型,将待识别的烟盒图片输入,判断模型是否有效;
步骤S5:部署模型;
步骤S6:提供服务,部署至云服务器上。
2.根据权利要求1所述的基于深度学习技术的识别烟盒品规的方法,其特征在于,所述步骤S1的流程为:
步骤S101:对烟盒图片的种类进行分类,用作基础库;
步骤S102:对各个种类的烟盒图片中所占图片比例小于设定阈值的烟盒图片以及图像严重失真的图片进行删除;
步骤S103:将筛选好的图片进行初步整理,作为原始数据集。
3.根据权利要求2所述的基于深度学习技术的识别烟盒品规的方法,其特征在于,所述步骤S1进一步对图片库进行预处理和扩充,预处理和扩充手段包括但不限于:对图片进行旋转、平移、错切变换改变图片的颜色值、改变图片的亮度和对比度中的一种或多种。
4.根据权利要求1或2或3所述的基于深度学习技术的识别烟盒品规的方法,其特征在于,所述步骤S2中采用残差神经网络ResNet50卷积神经网络,包括网络前端的数据层、中段的隐藏层、末段的输出层,所述隐藏层包括卷积层和池化层。
5.根据权利要求4所述的基于深度学习技术的识别烟盒品规的方法,其特征在于,所述卷积层使用3x3的卷积核进行卷积运算后再使用1x1卷积核来增加维度,得到feature_map,提取图像的局部信息;所述池化层使用最大池化对卷积层产生的特征图进行融合。
6.根据权利要求1或2或3所述的基于深度学习技术的识别烟盒品规的方法,其特征在于,所述步骤S3中引入迁移学习的方法,即将预先训练好的ResNet50模型的前30层的参数固化,后面的用新数据训练。
7.根据权利要求1或2或3所述的基于深度学习技术的识别烟盒品规的方法,其特征在于,所述步骤S6中,部署至云服务器上:当前采用ubuntu+nginx+uwsgi的方式部署flask应用;其中:Nginx主要作为前置服务器,负责分发处理来自客户端的请求;uwsgi作为后端Flask应用的容器;supervisor作为监控程序,即看门狗;部署成功后,通过API的方式为用户提供服务;用户可以通过终端设备输入图片流数据至服务器,服务器输出图片种类标签至用户终端。
8.根据权利要求1或2或3所述的基于深度学习技术的识别烟盒品规的方法,其特征在于,所述步骤S4中,加载训练好的模型,将待识别的烟盒图片输入,判断模型是否有效;使用步骤S1中的10%的预测图片集,从中选择若干图片输入到模型中,提取烟盒图片的特征,输出图片的标签类别以及TOP5的置信度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810836225.9A CN109190663A (zh) | 2018-07-26 | 2018-07-26 | 一种基于深度学习技术的识别烟盒品规的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810836225.9A CN109190663A (zh) | 2018-07-26 | 2018-07-26 | 一种基于深度学习技术的识别烟盒品规的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109190663A true CN109190663A (zh) | 2019-01-11 |
Family
ID=64937026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810836225.9A Pending CN109190663A (zh) | 2018-07-26 | 2018-07-26 | 一种基于深度学习技术的识别烟盒品规的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109190663A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840557A (zh) * | 2019-01-24 | 2019-06-04 | 深圳爱莫科技有限公司 | 图像识别方法和装置 |
CN112508072A (zh) * | 2020-11-30 | 2021-03-16 | 云南省烟草质量监督检测站 | 基于残差卷积神经网络的卷烟真假识别方法、装置和设备 |
CN113553985A (zh) * | 2021-08-02 | 2021-10-26 | 中再云图技术有限公司 | 一种基于人工智能高空烟雾检测识别方法,存储装置及服务器 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10241127A1 (de) * | 2002-09-03 | 2004-03-11 | Hauni Maschinenbau Ag | Druckbildüberwachung und -erkennung auf Zigaretten |
CN104077577A (zh) * | 2014-07-03 | 2014-10-01 | 浙江大学 | 一种基于卷积神经网络的商标检测方法 |
CN106446895A (zh) * | 2016-10-28 | 2017-02-22 | 安徽四创电子股份有限公司 | 一种基于深度卷积神经网络的车牌识别方法 |
CN107392931A (zh) * | 2017-08-08 | 2017-11-24 | 南京敏光视觉智能科技有限公司 | 条烟品牌分类装置及方法 |
-
2018
- 2018-07-26 CN CN201810836225.9A patent/CN109190663A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10241127A1 (de) * | 2002-09-03 | 2004-03-11 | Hauni Maschinenbau Ag | Druckbildüberwachung und -erkennung auf Zigaretten |
CN104077577A (zh) * | 2014-07-03 | 2014-10-01 | 浙江大学 | 一种基于卷积神经网络的商标检测方法 |
CN106446895A (zh) * | 2016-10-28 | 2017-02-22 | 安徽四创电子股份有限公司 | 一种基于深度卷积神经网络的车牌识别方法 |
CN107392931A (zh) * | 2017-08-08 | 2017-11-24 | 南京敏光视觉智能科技有限公司 | 条烟品牌分类装置及方法 |
Non-Patent Citations (1)
Title |
---|
刘历: "智能家居服务系统的设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840557A (zh) * | 2019-01-24 | 2019-06-04 | 深圳爱莫科技有限公司 | 图像识别方法和装置 |
CN109840557B (zh) * | 2019-01-24 | 2022-09-09 | 深圳爱莫科技有限公司 | 图像识别方法和装置 |
CN112508072A (zh) * | 2020-11-30 | 2021-03-16 | 云南省烟草质量监督检测站 | 基于残差卷积神经网络的卷烟真假识别方法、装置和设备 |
CN112508072B (zh) * | 2020-11-30 | 2024-04-26 | 云南省烟草质量监督检测站 | 基于残差卷积神经网络的卷烟真假识别方法、装置和设备 |
CN113553985A (zh) * | 2021-08-02 | 2021-10-26 | 中再云图技术有限公司 | 一种基于人工智能高空烟雾检测识别方法,存储装置及服务器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110188635B (zh) | 一种基于注意力机制和多层次卷积特征的植物病虫害识别方法 | |
Nam et al. | Pest detection on traps using deep convolutional neural networks | |
EP3614308A1 (en) | Joint deep learning for land cover and land use classification | |
CN104217214B (zh) | 基于可配置卷积神经网络的rgb‑d人物行为识别方法 | |
CN110414305A (zh) | 人工智能卷积神经网络人脸识别系统 | |
CN109670452A (zh) | 人脸检测方法、装置、电子设备和人脸检测模型 | |
CN108427920A (zh) | 一种基于深度学习的边海防目标检测方法 | |
CN106844614A (zh) | 一种户型图功能区域快速识别系统 | |
CN106599869A (zh) | 一种基于多任务卷积神经网络的车辆属性识别方法 | |
CN108416307A (zh) | 一种航拍图像路面裂缝检测方法、装置及设备 | |
CN107292298A (zh) | 基于卷积神经网络和分类器模型的牛脸识别方法 | |
CN109033107A (zh) | 图像检索方法和装置、计算机设备和存储介质 | |
CN110188611A (zh) | 一种引入视觉注意力机制的行人重识别方法及系统 | |
CN109190663A (zh) | 一种基于深度学习技术的识别烟盒品规的方法 | |
CN110245678A (zh) | 一种异构孪生区域选取网络及基于该网络的图像匹配方法 | |
CN109684922A (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
CN113920453A (zh) | 一种基于深度学习的猪只体尺体重估测方法 | |
CN109712324B (zh) | 一种自动售货机图像识别方法、售货方法及自动售货设备 | |
CN109508675A (zh) | 一种针对复杂场景的行人检测方法 | |
CN113487576B (zh) | 一种基于通道注意力机制的虫害图像检测方法 | |
CN114387499A (zh) | 一种海岛滨海湿地水鸟识别方法、分布查询系统及介质 | |
CN106295489A (zh) | 信息处理方法、信息处理装置和视频监控系统 | |
CN108734717A (zh) | 基于深度学习的单帧星图背景暗弱目标提取方法 | |
CN110852358A (zh) | 一种基于深度学习的车辆类型判别方法 | |
CN110096991A (zh) | 一种基于卷积神经网络的手语识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190111 |
|
RJ01 | Rejection of invention patent application after publication |