CN109325533A - 一种人工智能框架进行cnn迭代训练方法 - Google Patents

一种人工智能框架进行cnn迭代训练方法 Download PDF

Info

Publication number
CN109325533A
CN109325533A CN201811088509.0A CN201811088509A CN109325533A CN 109325533 A CN109325533 A CN 109325533A CN 201811088509 A CN201811088509 A CN 201811088509A CN 109325533 A CN109325533 A CN 109325533A
Authority
CN
China
Prior art keywords
training
cnn
layer
network
artificial intelligence
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.)
Withdrawn
Application number
CN201811088509.0A
Other languages
English (en)
Inventor
刘宏基
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Information Technology Co Ltd of CAS
Original Assignee
Chengdu Information Technology Co Ltd of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Information Technology Co Ltd of CAS filed Critical Chengdu Information Technology Co Ltd of CAS
Priority to CN201811088509.0A priority Critical patent/CN109325533A/zh
Publication of CN109325533A publication Critical patent/CN109325533A/zh
Withdrawn legal-status Critical Current

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
    • 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

Abstract

本发明公开了一种人工智能框架进行CNN迭代训练方法，为了实现智能训练，也可称为挂机训练。本CNN训练框架采用了动态学习率的算法和自动判收敛算法。随着训练轮次的展开，学习率会根据反向梯度算法中的梯度变化而动态调整，逐步减小至预设的值。梯度变化在一定时间内变化小于阈值，那么系统将自行停止训练，标志训练完成。训练完成后，用测试程序把得到的网络文件对未知样本集进行分类识别，再稍加辅以人工矫正，便能很方便的扩充训练数据集，进行迭代训练。最终实现的网络分类准确率能达到99.8％。

Description

一种人工智能框架进行CNN迭代训练方法
技术领域
本发明涉及视频识别领域，特别涉及一种人工智能框架进行CNN迭代训练方法。
背景技术
卷积神经网络(Convolutional Neural Network，CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它包括卷积层(convolutional layer)和池化层(pooling layer)。
一般地，CNN的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。
CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形，该部分功能主要由池化层实现。由于CNN的特征检测层通过训练数据进行学习，所以在使用CNN时，避免了显式的特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。
发明内容
本发明的目的在于：提供了一种人工智能框架进行CNN迭代训练方法，解决了现有CNN网络训练阶段自动化程度低，传统的迭代训练较为复杂的问题。
本发明采用的技术方案如下：
一种人工智能框架进行CNN迭代训练方法，包括样本集，其特征在于：包括以下步骤：
S1、构建CNN网络结构，所述CNN网络结构为训练网络，此训练网络包括三个卷积层、两个池化层和一个输出层；其中：
第一层是卷积层，采用Relu激活函数，卷积方式为带边卷积；
第二层是池化层，按照最大值池化；
第三层是卷积层，采用Relu激活函数，卷积方式为带边卷积；
第四层是卷积层，采用Relu激活函数，卷积方式为带边卷积；
第五层是池化层，采用Relu激活函数；
第六层是输出层，采用Softmax激活函数；
S2、将样本集送入步骤S1建立的训练网络中进行识别训练，训练完成后得到CNN网络；
S3、用测试程序把得到的CNN网络对未知样本集进行分类识别，再辅以人工矫正，进行迭代训练，得到新的的CNN网络；
S4、重复步骤S3，根据反向梯度算法中的梯度变化动态调整学习率，学习率逐步减小至预设的值，直到梯度变化在一定时间内变化小于阈值，那么系统将自行停止训练，得到最终的CNN网络。
为了实现智能训练，也可称为挂机训练。本CNN训练框架采用了动态学习率的算法和自动判收敛算法。随着训练轮次的展开，学习率会根据反向梯度算法中的梯度变化而动态调整，逐步减小至预设的值。梯度变化在一定时间内变化小于阈值，那么系统将自行停止训练，标志训练完成。训练完成后，用测试程序把得到的网络文件对未知样本集进行分类识别，再稍加辅以人工矫正，便能很方便的扩充训练数据集，进行迭代训练。最终实现的网络分类准确率能达到99.8％。
进一步的，所述样本集为视频图像样本集，所述视频图像样本集由截取视频样本的关键帧得到。
进一步的，还包括对视频图像样本集进行分类。将样本图像分为包括目标的图像和不包括目标的图像两类。
进一步的，还包括在视频样本集中按照预设的尺寸抽取测试集和训练集。
进一步的，所述所述步骤S2中还包括对训练集图像进行变换的方法，图像变换的方法包括横向平移、纵向平移，旋转、改变图像对比度、改变明亮度、设置模糊区域范围及模糊程度和调整噪声大小，并且对每类变换都可详细控制变换数量。图像变换功能可设置是否开启，在每轮训练中，如果开启训练集图像变换，就会将训练集样本重新做一轮变换。直接将样本数量扩大。扩充数据集，实现工业应用。
进一步的，还包括对样本集进行预处理的方法：包括对视频图像先进行灰度处理，然后进行图像压缩，最后进行像素值归一化处理。为了减少计算量，提高计算效率，针对模糊视频识别这种较为简单的特征，其对图像清晰度要求不高，将彩图转换成灰度图处理。然后进行图像压缩。由于模糊异常图像是一种整体的特征，为进一步提高效率，将图像由高分辨率压缩至低分辨率。最后进行像素值归一化处理。转化成的灰度图像素值在0到255之间，为进一步提高效率，将低分辨率的像素矩阵统一处理到0-1区间上。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1.本发明一种人工智能框架进行CNN迭代训练方法，解决了现有CNN网络训练阶段自动化程度低，传统的迭代训练较为复杂的问题；
2.本发明一种人工智能框架进行CNN迭代训练方法，原理简单，便于用户根据自身的需求进行定制。
附图说明
本发明将通过例子并参照附图的方式说明，其中：
图1是本发明的迭代训练过程图；
图2是本发明的模糊识别采用的CNN网络结构图。
具体实施方式
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
下面结合图1、图2对本发明作详细说明。
实施例1
一种人工智能框架进行CNN迭代训练方法，包括样本集，其特征在于：包括以下步骤：
S1、构建CNN网络结构，所述CNN网络结构为训练网络，此训练网络包括三个卷积层、两个池化层和一个输出层；其中：
第一层是卷积层，采用Relu激活函数，卷积方式为带边卷积；
第二层是池化层，按照最大值池化；
第三层是卷积层，采用Relu激活函数，卷积方式为带边卷积；
第四层是卷积层，采用Relu激活函数，卷积方式为带边卷积；
第五层是池化层，采用Relu激活函数；
第六层是输出层，采用Softmax激活函数；
S2、将样本集送入步骤S1建立的训练网络中进行识别训练，训练完成后得到CNN网络；
S3、用测试程序把得到的CNN网络对未知样本集进行分类识别，再辅以人工矫正，进行迭代训练，得到新的的CNN网络；
S4、重复步骤S3，根据反向梯度算法中的梯度变化动态调整学习率，学习率逐步减小至预设的值，直到梯度变化在一定时间内变化小于阈值，那么系统将自行停止训练，得到最终的CNN网络。
为了实现智能训练，也可称为挂机训练。本CNN训练框架采用了动态学习率的算法和自动判收敛算法。随着训练轮次的展开，学习率会根据反向梯度算法中的梯度变化而动态调整，逐步减小至预设的值。梯度变化在一定时间内变化小于阈值，那么系统将自行停止训练，标志训练完成。训练完成后，用测试程序把得到的网络文件对未知样本集进行分类识别，再稍加辅以人工矫正，便能很方便的扩充训练数据集，进行迭代训练。最终实现的网络分类准确率能达到99.8％。
实施例2
本实施例与实施例1的区别在于，进一步的，所述样本集为视频图像样本集，所述视频图像样本集由截取视频样本的关键帧得到。
进一步的，还包括对视频图像样本集进行分类。将样本图像分为包括目标的图像和不包括目标的图像两类。
进一步的，还包括在视频样本集中按照预设的尺寸抽取测试集和训练集。
进一步的，所述所述步骤S2中还包括对训练集图像进行变换的方法，图像变换的方法包括横向平移、纵向平移，旋转、改变图像对比度、改变明亮度、设置模糊区域范围及模糊程度和调整噪声大小，并且对每类变换都可详细控制变换数量。图像变换功能可设置是否开启，在每轮训练中，如果开启训练集图像变换，就会将训练集样本重新做一轮变换。直接将样本数量扩大。扩充数据集，实现工业应用。
进一步的，还包括对样本集进行预处理的方法：包括对视频图像先进行灰度处理，然后进行图像压缩，最后进行像素值归一化处理。为了减少计算量，提高计算效率，针对模糊视频识别这种较为简单的特征，其对图像清晰度要求不高，将彩图转换成灰度图处理。然后进行图像压缩。由于模糊异常图像是一种整体的特征，为进一步提高效率，将图像由高分辨率压缩至低分辨率。最后进行像素值归一化处理。转化成的灰度图像素值在0到255之间，为进一步提高效率，将低分辨率的像素矩阵统一处理到0-1区间上。
实施例3
如图1、2所示，模糊视频识别的详细训练过程具体步骤如下：
首先获取车载监控视频样本。本实施例的样本数据基于第三方监控平台客货车车载视频产生的，获取的监控视频样本分辨率大体为352*288。当然也可以通过其他方式获得，分辨率也不限于352*288。然后对视频进行关键帧截取。获取了大量车载监控视频后，对这些视频进行关键帧截取。视频由许多帧的图像构成，因此分析视频的模糊程度一定程度上可以由分析某帧图像模糊程度代替。本方法采用OpenCV图形库进行图像截取。选取的视频长度在60s左右，每段视频截取5张图，分辨率为352*288。然后对图像样本分类。将第一步截取出的图像人工贴“标签”，把图像二分。将黑屏、蓝屏、花屏、模糊不清屏、用各种物品遮挡摄像头的图像归为模糊类。将剩下的清晰图像归为不模糊类。获得样本集模糊图像2000张，清晰图片6000张。然后将样本集随机抽取10％，作为测试集。进行变换前，训练集(2000+6000)*(1-10％)＝7200张。最后对图像预处理。经过步骤201和202，得到8000张分类的样本图像，就需要对图像进行预处理。先进行灰度处理。为了减少计算量，提高计算效率，针对模糊视频识别这种较为简单的特征，其对图像清晰度要求不高，采用将RGB255彩图转换成灰度图处理。采用OpenCV图形库进行批量处理。然后进行图像压缩。由于模糊异常图像是一种整体的特征，为进一步提高效率，将图像由352*288压缩至88*72。最后进行像素值归一化处理。转化成的灰度图像素值在0到255之间，为进一步提高效率，将88*72的像素矩阵统一处理到0-1区间上。
然后进行CNN迭代训练：
S1、构建CNN网络结构，所述CNN网络结构为训练网络，此训练网络包括三个卷积层、两个池化层和一个输出层；其中：
第一层是卷积层，采用Relu激活函数，卷积方式为带边卷积，设置16个大小为3x3的卷积核，移动步长为1。输入图片尺寸为72*88，输出图片尺寸为72*88。
第二层是池化层，按照最大值池化，16个大小为2x2的核，移动步长为2，不覆盖池化。输入图片尺寸为72*88，输出图片尺寸为36*44。
第三层是卷积层，采用Relu激活函数，卷积方式为带边卷积，设置16个大小为3x3的卷积核，移动步长为1。输入图片尺寸为36*44，输出图片尺寸为36*44。
第四层是卷积层，采用Relu激活函数，卷积方式为带边卷积，设置32个大小为3x3的卷积核，移动步长为1。输入图片尺寸为36*44，输出图片尺寸为36*44。
第五层是池化层，采用Relu激活函数，32个大小为2x2的核，移动步长为2，不覆盖。输入图片尺寸为36*44，输出图片尺寸为18*22。
第六层是输出层，采用Softmax激活函数，分类数为2。
S2、将样本集送入步骤S1建立的训练网络中进行识别训练，训练完成后得到CNN网络。其中还包括训练集图像变换。图像变换的方法有：横向、纵向平移，旋转，改变图像对比度，改变明亮度，设置模糊区域范围及模糊程度，调整噪声大小。并且对每类变换都可详细控制变换数量。图像变换功能可设置是否开启，在每轮训练中，如果开启训练集图像变换，就会将训练集样本重新做一轮变换。直接将样本数量从7200张扩大到80000张。扩充数据集，实现工业应用。
S3、用测试程序把得到的CNN网络对未知样本集进行分类识别，再辅以人工矫正，进行迭代训练，得到新的的CNN网络。图像变换完成后就开始CNN训练。为了实现智能训练，也可称为挂机训练。本CNN训练框架采用了动态学习率的算法和自动判收敛算法。随着训练轮次的展开，学习率会根据反向梯度算法中的梯度变化而动态调整，逐步减小至预设的值。梯度变化在一定时间内变化小于阈值，那么系统将自行停止训练，标志训练完成。训练完成后，用测试程序把得到的网络文件对未知样本集进行分类识别，再稍加辅以人工矫正，便能很方便的扩充训练数据集，进行迭代训练。
S4、重复步骤S3，根据反向梯度算法中的梯度变化动态调整学习率，学习率逐步减小至预设的值，直到梯度变化在一定时间内变化小于阈值，那么系统将自行停止训练，得到最终的CNN网络。最终实现的网络分类准确率能达到99.8％。
实施例4
使用本方法设计的程序，以4核2GHz的x86架构CPU的计算性能为标准下，针对CIF分辨率车载视频，以60s持续时长为标准截取五张图，识别速度小于100ms。
以上所述，仅为本发明的优选实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域的技术人员在本发明所揭露的技术范围内，可不经过创造性劳动想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书所限定的保护范围为准。

Claims (6)

1.一种人工智能框架进行CNN迭代训练方法，包括样本集，其特征在于：包括以下步骤：
S1、构建CNN网络结构，所述CNN网络结构为训练网络，此训练网络包括三个卷积层、两个池化层和一个输出层；其中：
第一层是卷积层，采用Relu激活函数，卷积方式为带边卷积；
第二层是池化层，按照最大值池化；
第三层是卷积层，采用Relu激活函数，卷积方式为带边卷积；
第四层是卷积层，采用Relu激活函数，卷积方式为带边卷积；
第五层是池化层，采用Relu激活函数；
第六层是输出层，采用Softmax激活函数；
S2、将样本集送入步骤S1建立的训练网络中进行识别训练，训练完成后得到CNN网络；
S3、用测试程序把得到的CNN网络对未知样本集进行分类识别，再辅以人工矫正，进行迭代训练，得到新的的CNN网络；
S4、重复步骤S3，根据反向梯度算法中的梯度变化动态调整学习率，学习率逐步减小至预设的值，直到梯度变化在一定时间内变化小于阈值，那么系统将自行停止训练，得到最终的CNN网络。
2.根据权利要求1所述的一种人工智能框架进行CNN迭代训练方法，其特征在于：所述样本集为视频图像样本集，所述视频图像样本集由截取视频样本的关键帧得到。
3.根据权利要求2所述的一种人工智能框架进行CNN迭代训练方法，其特征在于：还包括对视频图像样本集进行分类。
4.根据权利要求2所述的一种人工智能框架进行CNN迭代训练方法，其特征在于：还包括在视频样本集中按照预设的尺寸抽取测试集和训练集。
5.根据权利要求2所述的一种人工智能框架进行CNN迭代训练方法，其特征在于：所述所述步骤S2中还包括对训练集图像进行变换的方法，图像变换的方法包括横向平移、纵向平移，旋转、改变图像对比度、改变明亮度、设置模糊区域范围及模糊程度和调整噪声大小，并且对每类变换都可详细控制变换数量。
6.根据权利要求2所述的一种人工智能框架进行CNN迭代训练方法，其特征在于：还包括对样本集进行预处理的方法：包括对视频图像先进行灰度处理，然后进行图像压缩，最后进行像素值归一化处理。
CN201811088509.0A 2018-09-18 2018-09-18 一种人工智能框架进行cnn迭代训练方法 Withdrawn CN109325533A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811088509.0A CN109325533A (zh) 2018-09-18 2018-09-18 一种人工智能框架进行cnn迭代训练方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811088509.0A CN109325533A (zh) 2018-09-18 2018-09-18 一种人工智能框架进行cnn迭代训练方法

Publications (1)

Publication Number Publication Date
CN109325533A true CN109325533A (zh) 2019-02-12

Family

ID=65266103

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811088509.0A Withdrawn CN109325533A (zh) 2018-09-18 2018-09-18 一种人工智能框架进行cnn迭代训练方法

Country Status (1)

Country Link
CN (1) CN109325533A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110349124A (zh) * 2019-06-13 2019-10-18 平安科技（深圳）有限公司 车辆外观损伤智能检测方法、装置及计算机可读存储介质
CN110717401A (zh) * 2019-09-12 2020-01-21 Oppo广东移动通信有限公司 年龄估计方法及装置、设备、存储介质
CN113111766A (zh) * 2021-04-09 2021-07-13 湖南科技大学 一种人工智能混凝投药信号反馈控制方法
CN114329475A (zh) * 2022-03-15 2022-04-12 北京华云安信息技术有限公司 恶意代码检测模型的训练方法、装置以及设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101900991A (zh) * 2010-07-02 2010-12-01 长沙理工大学 基于非线性动态因子的复合pid神经网络控制方法
CN103763515A (zh) * 2013-12-24 2014-04-30 浙江工业大学 一种基于机器学习的视频异常检测方法
CN105955708A (zh) * 2016-05-09 2016-09-21 西安北升信息科技有限公司 一种基于深度卷积神经网络的体育视频镜头分类方法
CN106548208A (zh) * 2016-10-28 2017-03-29 杭州慕锐科技有限公司 一种照片图像快速智能风格化方法
CN107341805A (zh) * 2016-08-19 2017-11-10 北京市商汤科技开发有限公司 图像前背景分割及网络模型训练、图像处理方法和装置
CN108337505A (zh) * 2018-01-30 2018-07-27 百度在线网络技术（北京）有限公司 信息获取方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101900991A (zh) * 2010-07-02 2010-12-01 长沙理工大学 基于非线性动态因子的复合pid神经网络控制方法
CN103763515A (zh) * 2013-12-24 2014-04-30 浙江工业大学 一种基于机器学习的视频异常检测方法
CN105955708A (zh) * 2016-05-09 2016-09-21 西安北升信息科技有限公司 一种基于深度卷积神经网络的体育视频镜头分类方法
CN107341805A (zh) * 2016-08-19 2017-11-10 北京市商汤科技开发有限公司 图像前背景分割及网络模型训练、图像处理方法和装置
CN106548208A (zh) * 2016-10-28 2017-03-29 杭州慕锐科技有限公司 一种照片图像快速智能风格化方法
CN108337505A (zh) * 2018-01-30 2018-07-27 百度在线网络技术（北京）有限公司 信息获取方法和装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110349124A (zh) * 2019-06-13 2019-10-18 平安科技（深圳）有限公司 车辆外观损伤智能检测方法、装置及计算机可读存储介质
CN110717401A (zh) * 2019-09-12 2020-01-21 Oppo广东移动通信有限公司 年龄估计方法及装置、设备、存储介质
CN113111766A (zh) * 2021-04-09 2021-07-13 湖南科技大学 一种人工智能混凝投药信号反馈控制方法
CN114329475A (zh) * 2022-03-15 2022-04-12 北京华云安信息技术有限公司 恶意代码检测模型的训练方法、装置以及设备

Similar Documents

Publication Publication Date Title
Mascarenhas et al. A comparison between VGG16, VGG19 and ResNet50 architecture frameworks for Image Classification
CN108491880B (zh) 基于神经网络的物体分类和位姿估计方法
CN109325533A (zh) 一种人工智能框架进行cnn迭代训练方法
US11055824B2 (en) Hybrid machine learning systems
WO2018052587A1 (en) Method and system for cell image segmentation using multi-stage convolutional neural networks
CN111695633B (zh) 基于rpf-cam的低照度目标检测方法
CN104517122A (zh) 一种基于优化卷积架构的图像目标识别方法
Cengıl et al. Multiple classification of flower images using transfer learning
CN114972208B (zh) 一种基于YOLOv4的轻量化小麦赤霉病检测方法
CN112749675A (zh) 一种基于卷积神经网络的马铃薯病害识别方法
CN111696092A (zh) 一种基于特征对比的缺陷检测方法及系统、存储介质
Modasshir et al. Mdnet: Multi-patch dense network for coral classification
Chen et al. EfficientNet: a low-bandwidth iot image sensor framework for cassava leaf disease classification.
CN114898359B (zh) 一种基于改进EfficientDet的荔枝病虫害检测方法
CN109508640A (zh) 一种人群情感分析方法、装置和存储介质
CN114882278A (zh) 一种基于注意力机制和迁移学习的轮胎花纹分类方法和装置
Jing et al. A tomato disease identification method based on leaf image automatic labeling algorithm and improved YOLOv5 model
Chen-McCaig et al. Convolutional neural networks for texture recognition using transfer learning
CN110458027A (zh) 一种基于大理石花纹的生鲜肉分级方法、系统及装置
CN113962905A (zh) 基于多阶段特征互补网络的单幅图像去雨方法
Raveane et al. Texture classification with neural networks
Jeevanantham et al. Deep Learning Based Plant Diseases Monitoring and Detection System
CN110826604A (zh) 一种基于深度学习的物料分拣方法
CN113128308A (zh) 一种港口场景下的行人检测方法、装置、设备及介质
CN116740516A (zh) 基于多尺度融合特征提取的目标检测方法及系统

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20190212