CN109271989A - 一种基于cnn和rnn模型的手写试验数据自动识别方法 - Google Patents
一种基于cnn和rnn模型的手写试验数据自动识别方法 Download PDFInfo
- Publication number
- CN109271989A CN109271989A CN201811018448.0A CN201811018448A CN109271989A CN 109271989 A CN109271989 A CN 109271989A CN 201811018448 A CN201811018448 A CN 201811018448A CN 109271989 A CN109271989 A CN 109271989A
- Authority
- CN
- China
- Prior art keywords
- hand
- cnn
- data
- picture
- layer
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种基于CNN和RNN模型的手写试验数据自动识别方法,包括以下步骤:S1,提取与手写试验数字识别相关的历史数据:通过建立与试验数据上报系统的数据接口,获取到各类试验表单数据图片;S2,对数据进行扩展:对步骤一的数据图片进行扩展;S3,训练手写试验数字识别CNN+RNN模型;S4,识别手写试验数字:根据步骤三得出的手写试验数字识别CNN+RNN模型,识别出新的手写试验数字图片中的数字;S5,现场核验:现场人员检查后,反馈识别的试验数字是否与输入的数字一致。本发明通过对图片的处理和模型的训练,识别试验表单上的手写数字,可直接识别出数据串,包括数据串中的小数点,可实现对现场作业终端台账、表单的自动记录。
Description
技术领域
本发明涉及手写试验数据自动识别领域,具体涉及一种基于CNN和RNN模型的手写试验数据自动识别方法。
背景技术
基于计算机视觉技术的手写数字自动识别,由来已久,最早应用于邮政行业,自动识别信封上的邮政编码手写数字,对邮件进行自动分拣。这种方法,首先切分到单个数字,识别单个数字的类别,然后将识别结果串联起来。这种化整为零的方法是光学字符识别在深度学习出现之前的几十年里通用的方法,
这种方式存在以下问题:1.切分错误会影响识别性能;2.单字识别未能考虑上下文信息。为了弥补这两点缺陷,传统方法往往需要对图像进行“过切分”,即找到所有可能是切点的位置,然后再将所有切片和可能的切片组合统统送给单字识别模块,通过在各个识别结果中间进行“动态规划”,寻找一条最优路径,从而确定切分和识别的结果。可见,这里切分、识别和后处理存在深度耦合,导致实际系统中的串识别模块往往堆砌了非常复杂和可读性差的算法。而且,即便如此,传统方法依然有不可突破的性能瓶颈,比如一些手写体数字严重粘连的情况等等。总而言之,传统方法的问题在于:处理流程繁琐冗长导致错误不断传递,以及过分倚重人工规则并轻视大规模数据训练。
此外,手写试验数据,如38.5,是整体写在一个方框内,尤其个别人书写时存在连笔现象,增加了准确提取单个数字的难度,数字串中的小数点,也容易被作为噪音清除掉,无法进行识别。
发明内容
本发明的目的是提供一种基于CNN和RNN模型的手写试验数据自动识别方法,要解决现有技术处理数据流程繁琐冗长的技术问题;并解决现有技术不能有效区分数字与数字之间手写连笔小数点的问题。
本发明解决其技术问题所采用的技术方案是:
一种基于CNN和RNN模型的手写试验数据自动识别方法,其特征在于,包括以下步骤:
S1,提取与手写试验数字识别相关的历史数据:通过建立与试验数据上报系统的数据接口,获取到各类试验表单数据图片;
S2,对数据进行扩展:对步骤一的数据图片进行扩展;
S3,训练手写试验数字识别模型,把步骤二中扩展后的数字图片,输入到若干个卷积层和若干个池化层组成的卷积神经网络中,将得到的结果继续输入到由若干个双向长短期记忆层组成的循环神经网络中,然后将得到的结果继续输入到softmax函数,得到手写试验数字识别CNN+RNN模型;
S4,识别手写试验数字:根据步骤三得出的手写试验数字识别CNN+RNN模型,识别出新的手写试验数字图片中的数字;
S5,现场核验:现场人员检查后,反馈识别的试验数字是否与输入的数字一致,如果不一致,填报正确的试验数字,并把识别错误的试验数字图片和正确数字加入到历史数据集,至此,基于CNN和RNN模型对手写试验数据识别完成。
进一步优选地,所述步骤S1中试验表单数据包括上报的试验表单的扫描件PDF版本和从试验表单中提取出待识别的手写数字。
进一步地,所述S2具体包括以下步骤:
S21、对步骤S1获取的图片数据进行多角度旋转保存;
S22、对经S21步骤处理的数据图片添加噪音点,保存起来;
S23、对经步骤S22步骤处理的数据图片进行弹性扭曲处理,保存起来。
进一步地,所述步骤S21具体为,将步骤S1获取的图片数据进行15°、30°和45°旋转保存。
进一步地,所述步骤S22中的噪音点为雪花样黑点。
进一步地,所述步骤S23中弹性扭曲处理为模仿手部肌肉的随机抖动的对数据图像进行扭曲处理。
进一步地,所述步骤S3具体包括以下步骤:
S31:把步骤1得到的数字图片统一规格为宽32长128,共4096个像素点,即4096个维度,4096个特征;
步骤32:对于每个图片向量,得到4096个特征;
将图片4096个特征输入到卷积神经网络CNN中的卷积层,卷积层的计算公式为:
其中,xl j代表第l卷积层第j个特征图,右边表示上一层的结果xi l-1和第j个卷积核kij l进行卷积,并加上偏置向量bj i,最后加上激活函数;
然后,经由卷积层进入到卷积神经网络CNN中池化层,如此,经过若干个卷积层和若干个池化层处理得图片特征二;
步骤33:把步骤32的图片特征二作为循环神经网络RNN的输入得到图片特征三,计算隐藏节点的向量,计算公式为:
ht=f(xtU+ht-1W+bt)
其中,Xt是输入,U是输入到隐藏节点的变换,ht-1代表上一层的隐藏节点,W代表隐藏层到隐藏层的变换,b是偏置向量,最后加上f激活函数;
步骤34:将步骤33中的图片特征三作为循环神经网络RNN输出层的输入,输入到循环神经网络RNN输出层,得到输出结果,计算公式为:
ot=soft max(htV+bt)
ot代表输出结果,其中V是代表隐藏层到输出层的变换,最后加上softmax函数即可;
步骤35:在计算输出结果后,将误差和真实误差进行对比,计算损失函数,然后逐步调整参数,使得损失函数最小。
此外,所述步骤32将图片4096个特征输入到7个卷积层和4个池化层。
更加优选地,所述CNN和RNN均由输入层、多个隐藏层和输出层组成。
实施本发明可以达到以下有益效果:
本发明提出一种基于CNN和RNN模型的手写试验数据自动识别方法,通过对图片的处理和模型的训练,识别试验表单上的手写数字,可直接识别出数据串,包括数据串中的小数点,可实现对现场作业终端台账、表单的自动记录。
本发明通过数据扩展将原始数据量扩展了3倍。增加了数据的多样性,也加强了模型的抗干扰性,即稳定性。
附图说明
图1为本发明涉及的RNN模型的结构示意图;
图2为本发明一种基于CNN和RNN模型的手写试验数据自动识别方法的流程图;
图3为本发明涉及的识别数据图片的前后对比图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明基于CNN和RNN模型,提出一种手写数字识别的方法及系统,用以对试验数据整体进行识别,包括数据中的小数点。基本思路是深度学习技术中的卷积神经网络(简称为CNN)与循环神经网络(简称为RNN)的结合:CNN被用于提取有表征能力的图像特征,而RNN天然适合处理序列问题,学习上下文关系。CNN是卷积神经网络的英文简称,由输入层、多个隐藏层和输出层组成,隐藏层又包括卷积层和池化层。卷积层可用来提取图像的特征,如方形、圆形、夹角、条纹等。池化层可用与减小数据量的同时保留有用信息。因此,这里使用CNN模型提取图片中的特征。
RNN是循环神经网络(recurrent neural network)的英文简称,也由输入层、多个隐藏层和输出层组成,RNN结构如图1所示,图中o代表输出层的输出,s代表RNN隐藏层的值,x代表输入层的输入值x,RNN隐藏层的结构多了W,表示RNN隐藏层的值s不仅仅取决于当前这次的输入x,还取决于上一次隐藏层的值s。权重矩阵W就是隐藏层上一次的值作为这一次的输入的权重。这就是RNN的特点,可以处理整个序列,如多个字组成的一句话,或者多个数字组成的数字串。
这种整体处理的思路,有利于识别手写试验数据中的小数点,因为一个数字串中要么包含一个小数点,要么不包含,通常小数点后都是保留1到2位数字,这些规则都有利于数字串整体识别正确性的提高。这里使用RNN模型的一个变体,长短期记忆网络(longshort-term memory),简称为LSTM。RNN由于梯度消失的原因只能有短期记忆,LSTM通过门控制将长期记忆与短期记忆结合起来,对于识别数据串更加有优势,
本发明一种基于CNN和RNN模型的手写试验数据自动识别方法,简易流程图如图2所示,包括以下步骤:
S1,提取与手写试验数字识别相关的历史数据:通过建立与试验数据上报系统的数据接口,获取到各类试验表单数据图片;
S2,对数据进行扩展:对步骤一的数据图片进行扩展,使用大量的训练数据,可以有效提高模型的分类准确率,但是,获取大量的数据意味着花费更多的时间和付出更高的费用,因此,通常使用人为方法扩展训练数据。
S3,训练手写试验数字识别模型,把步骤二中扩展后的数字图片,输入到若干个卷积层和若干个池化层组成的卷积神经网络中,将得到的结果继续输入到由若干个双向长短期记忆层组成的循环神经网络中,然后将得到的结果继续输入到softmax函数,得到手写试验数字识别CNN+RNN模型;
S4,识别手写试验数字:根据步骤三得出的手写试验数字识别CNN+RNN模型,识别出新的手写试验数字图片中的数字,识别数据结果示例如图3所示;
S5,现场核验:现场人员检查后,反馈识别的试验数字是否与输入的数字一致,如果不一致,填报正确的试验数字,并把识别错误的试验数字图片和正确数字加入到历史数据集,至此,基于CNN和RNN模型对手写试验数据识别完成。
作为本发明优选的实施方式,步骤S1中试验表单数据包括历史数据,如上报的试验表单的扫描件PDF版本,还包括对试验表单进行加工的数据,例如从试验表单中提取出待识别的手写数字,提取手写实验数据示例为图1。
作为本发明优选的实施方式,S2具体包括以下步骤:
S21、对步骤S1获取的图片数据进行多角度旋转保存;
S22、对经S21步骤处理的数据图片添加噪音点,保存起来;
S23、对经步骤S22步骤处理的数据图片进行弹性扭曲处理,保存起来。
步骤S21具体为,将步骤S1获取的图片数据进行15°、30°和45°旋转保存,步骤S22中的噪音点为雪花样黑点,步骤S23中弹性扭曲处理为模仿手部肌肉的随机抖动的对数据图像进行扭曲处理,经过上面的措施,就把原始数据量扩展了3倍。增加了数据的多样性,也加强了模型的抗干扰性,即稳定性。
作为本发明优选的实施方式,步骤S3具体包括以下步骤:
S31:把步骤1得到的数字图片统一规格为宽32长128,共4096个像素点,即4096个维度,4096个特征;
步骤32:对于每个图片向量,得到4096个特征;
将图片4096个特征输入到卷积神经网络CNN中的卷积层,卷积层的计算公式为:
其中,xl j代表第l卷积层第j个特征图,右边表示上一层的结果xi l-1和第j个卷积核kij l进行卷积,并加上偏置向量bj i,最后加上激活函数;
然后,经由卷积层进入到卷积神经网络CNN中池化层,如此,经过若干个卷积层和若干个池化层处理得图片特征二;
步骤33:把步骤32的图片特征二作为循环神经网络RNN的输入得到图片特征三,计算隐藏节点的向量,计算公式为:
ht=f(xtU+ht-1W+bt)
其中,Xt是输入,U是输入到隐藏节点的变换,ht-1代表上一层的隐藏节点,W代表隐藏层到隐藏层的变换,b是偏置向量,最后加上f激活函数,具体如下表1;
表1.RNN结构表
层 | 参数 |
输入层 | 上面CNN模型的输出结果 |
双向长短期记忆层 | 隐藏单元为256 |
双向长短期记忆层 | 隐藏单元为256 |
步骤34:将步骤33中的图片特征三作为循环神经网络RNN输出层的输入,输入到循环神经网络RNN输出层,得到输出结果,计算公式为:
ot=soft max(htV+bt)
ot代表输出结果,其中V是代表隐藏层到输出层的变换,最后加上softmax函数即可,具体如下表2;
表2.输出层结构表
层 | 参数 |
输入层 | 上面RNN模型的输出结果 |
输出层 | 输出图片中的数值,即Y |
步骤35:在计算输出结果后,将误差和真实误差进行对比,计算损失函数,然后逐步调整参数,使得损失函数最小
作为本发明优选的实施方式,步骤32将图片4096个特征输入到7个卷积层和4个池化层,如下表3所示,
表3.CNN结构表
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (9)
1.一种基于CNN和RNN模型的手写试验数据自动识别方法,其特征在于,包括以下步骤:
S1,提取与手写试验数字识别相关的历史数据:通过建立与试验数据上报系统的数据接口,获取到各类试验表单数据图片;
S2,对数据进行扩展:对步骤一的数据图片进行扩展;
S3,训练手写试验数字识别模型,把步骤二中扩展后的数字图片,输入到若干个卷积层和若干个池化层组成的卷积神经网络中,将得到的结果继续输入到由若干个双向长短期记忆层组成的循环神经网络中,然后将得到的结果继续输入到softmax函数,得到手写试验数字识别CNN+RNN模型;
S4,识别手写试验数字:根据步骤三得出的手写试验数字识别CNN+RNN模型,识别出新的手写试验数字图片中的数字;
S5,现场核验:现场人员检查后,反馈识别的试验数字是否与输入的数字一致,如果不一致,填报正确的试验数字,并把识别错误的试验数字图片和正确数字加入到历史数据集,至此,基于CNN和RNN模型对手写试验数据识别完成。
2.如权利要求1所述的一种基于CNN和RNN模型的手写试验数据自动识别方法,其特征在于:所述步骤S1中试验表单数据包括上报的试验表单的扫描件PDF版本和从试验表单中提取出待识别的手写数字。
3.如权利要求1所述的一种基于CNN和RNN模型的手写试验数据自动识别方法,其特征在于:所述S2具体包括以下步骤:
S21、对步骤S1获取的图片数据进行多角度旋转保存;
S22、对经S21步骤处理的数据图片添加噪音点,保存起来;
S23、对经步骤S22步骤处理的数据图片进行弹性扭曲处理,保存起来。
4.如权利要求3所述的一种基于CNN和RNN模型的手写试验数据自动识别方法,其特征在于:所述步骤S21具体为,将步骤S1获取的图片数据进行15°、30°和45°旋转保存。
5.如权利要求3所述的一种基于CNN和RNN模型的手写试验数据自动识别方法,其特征在于:所述步骤S22中的噪音点为雪花样黑点。
6.如权利要求3所述的一种基于CNN和RNN模型的手写试验数据自动识别方法,其特征在于:所述步骤S23中弹性扭曲处理为模仿手部肌肉的随机抖动的对数据图像进行扭曲处理。
7.如权利要求1所述的一种基于CNN和RNN模型的手写试验数据自动识别方法,其特征在于,所述步骤S3具体包括以下步骤:
S31:把步骤1得到的数字图片统一规格为宽32长128,共4096个像素点,即4096个维度,4096个特征;
步骤32:对于每个图片向量,得到4096个特征;
将图片4096个特征输入到卷积神经网络CNN中的卷积层,卷积层的计算公式为:
其中,代表第l卷积层第j个特征图,右边表示上一层的结果xi l-1和第j个卷积核kij l进行卷积,并加上偏置向量bj i,最后加上激活函数;
然后,经由卷积层进入到卷积神经网络CNN中池化层,如此,经过若干个卷积层和若干个池化层处理得图片特征二;
步骤33:把步骤32的图片特征二作为循环神经网络RNN的输入得到图片特征三,计算隐藏节点的向量,计算公式为:
ht=f(xtU+ht-1W+bt)
其中,Xt是输入,U是输入到隐藏节点的变换,ht-1代表上一层的隐藏节点,W代表隐藏层到隐藏层的变换,b是偏置向量,最后加上f激活函数;
步骤34:将步骤33中的图片特征三作为循环神经网络RNN输出层的输入,输入到循环神经网络RNN输出层,得到输出结果,计算公式为:
ot=soft max(htV+bt)
ot代表输出结果,其中V是代表隐藏层到输出层的变换,最后加上softmax函数即可;
步骤35:在计算输出结果后,将误差和真实误差进行对比,计算损失函数,然后逐步调整参数,使得损失函数最小。
8.如权利要求7所述的一种基于CNN和RNN模型的手写试验数据自动识别方法,其特征在于:所述步骤32将图片4096个特征输入到7个卷积层和4个池化层。
9.如权利要求1~8任意一项所述的一种基于CNN和RNN模型的手写试验数据自动识别方法,其特征在于:所述CNN和RNN均由输入层、多个隐藏层和输出层组成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811018448.0A CN109271989A (zh) | 2018-09-03 | 2018-09-03 | 一种基于cnn和rnn模型的手写试验数据自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811018448.0A CN109271989A (zh) | 2018-09-03 | 2018-09-03 | 一种基于cnn和rnn模型的手写试验数据自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109271989A true CN109271989A (zh) | 2019-01-25 |
Family
ID=65187779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811018448.0A Pending CN109271989A (zh) | 2018-09-03 | 2018-09-03 | 一种基于cnn和rnn模型的手写试验数据自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109271989A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109799472A (zh) * | 2019-03-08 | 2019-05-24 | 沈阳工业大学 | 一种基于深度学习的磁共振涡流补偿方法 |
CN112508023A (zh) * | 2020-10-27 | 2021-03-16 | 重庆大学 | 基于深度学习的零件喷码字符端到端识别方法 |
CN112633243A (zh) * | 2020-12-31 | 2021-04-09 | 安徽鸿程光电有限公司 | 信息识别方法、装置、设备及计算机存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105320961A (zh) * | 2015-10-16 | 2016-02-10 | 重庆邮电大学 | 基于卷积神经网络和支持向量机的手写数字识别方法 |
CN106408038A (zh) * | 2016-09-09 | 2017-02-15 | 华南理工大学 | 一种基于卷积神经网络模型的旋转汉字识别方法 |
CN106599941A (zh) * | 2016-12-12 | 2017-04-26 | 西安电子科技大学 | 基于卷积神经网络与支持向量机的手写数字识别方法 |
CN106650721A (zh) * | 2016-12-28 | 2017-05-10 | 吴晓军 | 一种基于卷积神经网络的工业字符识别方法 |
CN106776580A (zh) * | 2017-01-20 | 2017-05-31 | 中山大学 | 混合的深度神经网络cnn和rnn的主题句识别方法 |
CN107169504A (zh) * | 2017-03-30 | 2017-09-15 | 湖北工业大学 | 一种基于扩展非线性核残差网络的手写字符识别方法 |
CN107229930A (zh) * | 2017-04-28 | 2017-10-03 | 北京化工大学 | 一种指针式仪表数值智能识别方法及装置 |
CN108154136A (zh) * | 2018-01-15 | 2018-06-12 | 众安信息技术服务有限公司 | 用于识别字迹的方法、装置及计算机可读介质 |
-
2018
- 2018-09-03 CN CN201811018448.0A patent/CN109271989A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105320961A (zh) * | 2015-10-16 | 2016-02-10 | 重庆邮电大学 | 基于卷积神经网络和支持向量机的手写数字识别方法 |
CN106408038A (zh) * | 2016-09-09 | 2017-02-15 | 华南理工大学 | 一种基于卷积神经网络模型的旋转汉字识别方法 |
CN106599941A (zh) * | 2016-12-12 | 2017-04-26 | 西安电子科技大学 | 基于卷积神经网络与支持向量机的手写数字识别方法 |
CN106650721A (zh) * | 2016-12-28 | 2017-05-10 | 吴晓军 | 一种基于卷积神经网络的工业字符识别方法 |
CN106776580A (zh) * | 2017-01-20 | 2017-05-31 | 中山大学 | 混合的深度神经网络cnn和rnn的主题句识别方法 |
CN107169504A (zh) * | 2017-03-30 | 2017-09-15 | 湖北工业大学 | 一种基于扩展非线性核残差网络的手写字符识别方法 |
CN107229930A (zh) * | 2017-04-28 | 2017-10-03 | 北京化工大学 | 一种指针式仪表数值智能识别方法及装置 |
CN108154136A (zh) * | 2018-01-15 | 2018-06-12 | 众安信息技术服务有限公司 | 用于识别字迹的方法、装置及计算机可读介质 |
Non-Patent Citations (2)
Title |
---|
张赛 等: "基于监督学习自动编码器图像重构", 《江苏科技信息》 * |
董慧颖: "《典型目标识别与图像除雾技术》", 31 July 2016, 国防工业出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109799472A (zh) * | 2019-03-08 | 2019-05-24 | 沈阳工业大学 | 一种基于深度学习的磁共振涡流补偿方法 |
CN112508023A (zh) * | 2020-10-27 | 2021-03-16 | 重庆大学 | 基于深度学习的零件喷码字符端到端识别方法 |
CN112633243A (zh) * | 2020-12-31 | 2021-04-09 | 安徽鸿程光电有限公司 | 信息识别方法、装置、设备及计算机存储介质 |
CN112633243B (zh) * | 2020-12-31 | 2023-01-03 | 安徽鸿程光电有限公司 | 信息识别方法、装置、设备及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105512289B (zh) | 基于深度学习和哈希的图像检索方法 | |
CN108230278B (zh) | 一种基于生成对抗网络的图像去雨滴方法 | |
CN112488241B (zh) | 一种基于多粒度融合网络的零样本图片识别方法 | |
CN106651830A (zh) | 一种基于并行卷积神经网络的图像质量测试方法 | |
CN108921822A (zh) | 基于卷积神经网络的图像目标计数方法 | |
CN109101938B (zh) | 一种基于卷积神经网络的多标签年龄估计方法 | |
CN108961675A (zh) | 基于卷积神经网络的跌倒检测方法 | |
CN109271989A (zh) | 一种基于cnn和rnn模型的手写试验数据自动识别方法 | |
CN110276264A (zh) | 一种基于前景分割图的人群密度估计方法 | |
CN110555399A (zh) | 手指静脉识别方法、装置、计算机设备及可读存储介质 | |
CN110309835B (zh) | 一种图像局部特征提取方法及装置 | |
CN103942571B (zh) | 一种基于遗传规划算法的图形图像分类方法 | |
CN104992454B (zh) | 一种区域化自动变类的图像分割方法 | |
CN108615229B (zh) | 基于曲率点聚类及决策树的碰撞检测优化方法 | |
CN107665352A (zh) | 一种基于多通道残差网络的珍珠分类方法 | |
CN109902755B (zh) | 一种用于xct切片的多层信息分享与纠正方法 | |
CN109214444B (zh) | 基于孪生神经网络和gmm的游戏防沉迷判定系统及方法 | |
CN112364747B (zh) | 一种有限样本下的目标检测方法 | |
CN109271546A (zh) | 图像检索特征提取模型建立、数据库建立及检索方法 | |
CN112686376A (zh) | 一种基于时序图神经网络的节点表示方法及增量学习方法 | |
CN109816714A (zh) | 一种基于三维卷积神经网络的点云物体类型识别方法 | |
CN107480723A (zh) | 基于局部二进制阈值学习网络的纹理识别方法 | |
CN109859131A (zh) | 一种基于多尺度自相似性与共形约束的图像复原方法 | |
CN113011253A (zh) | 基于ResNeXt网络的人脸表情识别方法、装置、设备及存储介质 | |
CN109360191A (zh) | 一种基于变分自编码器的图像显著性检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190125 |