CN109447140B - 一种基于神经网络深度学习的图像识别并推荐认知的方法 - Google Patents

一种基于神经网络深度学习的图像识别并推荐认知的方法 Download PDF

Info

Publication number
CN109447140B
CN109447140B CN201811219939.1A CN201811219939A CN109447140B CN 109447140 B CN109447140 B CN 109447140B CN 201811219939 A CN201811219939 A CN 201811219939A CN 109447140 B CN109447140 B CN 109447140B
Authority
CN
China
Prior art keywords
image
neural network
layer
learning
classification
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.)
Active
Application number
CN201811219939.1A
Other languages
English (en)
Other versions
CN109447140A (zh
Inventor
蔡广宇
陈广
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.)
Guangzhou 45go Technology Co ltd
Original Assignee
Guangzhou 45go Technology Co ltd
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 Guangzhou 45go Technology Co ltd filed Critical Guangzhou 45go Technology Co ltd
Priority to CN201811219939.1A priority Critical patent/CN109447140B/zh
Publication of CN109447140A publication Critical patent/CN109447140A/zh
Application granted granted Critical
Publication of CN109447140B publication Critical patent/CN109447140B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种基于神经网络深度学习的图像识别并推荐认知的方法，从图像数据库中获取图片及分类，输入到卷积神经网络，通过反复的前向和反向传播，训练该神经网络，提高图像识别精度，提取廿层神经网络模型。利用该模型，通过静态采集图片进行物体识别分类。识别结果，结合输入者的个性化特征，分析输入者的兴趣概率。运用所构建的基于有效识别分类的素材云数据库的机器学习模型，采用推荐系统算法，把预测的内容素材推送给图像输入者供认知学习。本发明具有图像识别率高，识别种类多，内容推荐准确的优点，能应用于带有数码摄相机的电脑、手机、平板和嵌入式系统的电子产品中，让人们对眼中所见的物体进行拍摄识别，主动学习识别物体的知识。

Description

一种基于神经网络深度学习的图像识别并推荐认知的方法
技术领域
本发明涉及神经网络、深度学习、计算机图像处理和数据挖掘技术领域，尤其涉及多种类物体的图像识别、分类索引与推荐的方法。
背景技术
本发明涉及人工智能技术领域，人工智能(Artificial Intelligence)，英文缩写为AI，它的一个重要任务是让计算机能够像人一样对输入的信息进行判定，模拟人类脑部神经元网络的决策过程。最早于1943年，逻辑学家Walter Pitts和神经生理学家WarrenMcCulloch将神经元概念引入计算领域，开启了神经网络理论的探索。之后，各国科学家对神经网络理论的深化拓展，特别是上世纪八九十年代和本世纪初，将神经网络理论推进向深度神经网络（深度学习）发展。近十年来，得益于计算机处理器（包括图形处理器GPU）计算能力的提高，互联网、云计算、大数据提供了海量的学习数据，使神经网络和深度学习理论广泛应用于语音识别、人脸识别、视频监控、手写输入、语义翻译、图片搜索、无人驾驶等领域。
目前，在图像识别应用领域，对卷积神经网络训练的精度普遍不足，所提取的神经网络模型，对物体的识别准确度仍然不高。而且，识别图像的范围仅局限于人脸、动物、植物等单一种类物体，图像识别技术应用的范围也只是集中于图像分类结果分析方面。
发明内容
本发明的目的是针对目前业界所训练的卷积神经网络模型图像识别准确度普遍不高，识别物体种类单一，和应用范围狭窄等不足，提出一种基于神经网络深度学习的图像识别并推荐认知的方法：逐层调整卷积神经网络每一个隐藏层参数，提取高训练精度的廿层神经网络模型，有效提高识别准确度；采用多种类物体图像监督学习方式，输入大量带分类标签的多种类物体图像数据训练集，使提取的神经网络模型进行学习，扩大物体识别种类范围；图像识别结果，结合人类个性化特征数据，并基于教育类知识素材数据库的机器学习模型，采用推荐系统算法，向人们推送其眼中所见并主动实时采集图像的对应感兴趣物体的相关知识，实现人类主动学习的教育认知模式。当这种方法应用于教育时，将有效地使学习者从兴趣和好奇点出发，从“要我学”转变成“我要学”的教育模式。
为了解决上述技术问题，本发明是通过以下技术方案实现的。
一种基于神经网络深度学习的图像识别并推荐认知的方法，包括以下步骤：
（ⅰ）廿层神经网络模型训练提取：
使用多类别图像数据库中的带分类标签图像输入到廿层卷积神经网络，进行监督学习，获取逐层的代表性特征，并于第二十层输出层取得预测结果和全局损失函数值，下称前向传播；
通过softmax回归收敛分类计算损失函数关于权重和偏置参数矩阵数集的偏导数，并对这些权重和偏置参数进行梯度下降优化，这个梯度优化过程，下称为反向传播；
用梯度下降优化后更新了的权重和偏置参数矩阵数集进行新一轮的前向传播计算，来回不停地进行前向传播和反向传播，来训练更新权重和偏置参数矩阵数集使损失函数越来越小，使预测越来越精准，达到提高图像识别精度的效果；
直到找到全局损失函数的最优值，根据整个训练集的监督学习所得的训练精度，而提取合适的廿层神经网络模型。
（ⅱ）输入无标签图像到多层神经网络模型进行深度学习聚类，提取图像代表性特征，分类图片，输出图像识别分类结果。
（ⅲ）图像识别的分类输出结果，结合对图像输入者个性化特征，如位置、时间、拍摄习惯、年龄、性别等事前采集的数据库，采用决策树算法进行分析并得出图像输入者的兴趣概率。
（ⅳ）调取自建的百科知识、教育题材、教学课程、问答试题、游戏、影音等素材的云数据库，根据图像识别分类结果和兴趣概率，采用基于素材云数据库内容的机器学习模型协同过滤进行计算预测的推荐系统算法，计算得出预测结果推送给图像输入者，以使该图像输入者对图像相关知识进行认知学习。
针对所提取的廿层神经网络模型可有效识别的物体分类，建立相关分类物体知识的内容素材云数据库。
机器学习模型利用不同图像输入者录入的相近图像、分类模型产生的兴趣概率、内容标签等特征参数通过协同过滤规则，筛选云数据库的内容素材，把相近特征的内容做初步选择。将上述的位置、时间、图像类别、年龄段、内容标签等个性化特征进行向量化，利用 LSTM 的长短期记忆效应搭建分布式模型。并加入图像输入者的年龄、知识内容偏好参数及偏置参数来进行推荐的去噪音编码处理。
模型不断进行在线学习以及增量学习，不断优化提高推荐系统的效果及推荐效率。
依据推荐系统算法计算得出的预测结果，将图像输入者可能有兴趣的知识素材推送关联链接，让图像输入者从关联链接中选择相关素材进行学习。
上述基于神经网络深度学习的图像识别并推荐认知的方法，所述的多层神经网络模型训练提取，包括：
建构的廿层卷积神经网络包括输入层、十九层隐藏层、输出层。输入层图像数据输入，在十九层隐藏层经过自上而下的监督学习，图像经过卷积、池化、边缘填充、激活等处理提取图像特征，最后进行收敛分类并输出结果；
隐藏层中每一层的输出，均通过逻辑回归下的梯度下降求解最优值，对每一层的参数进行微调，提高特征提取精度。
上述基于神经网络深度学习的图像识别并推荐认知的方法，所述的兴趣概率分析为通过构建兴趣分析的浅层神经网络模型实现。
上述基于神经网络深度学习的图像识别并推荐认知的方法，所述的推荐系统的机器学习模型为经过去噪音编码处理的神经网络模型。
上述基于神经网络深度学习的图像识别并推荐认知的方法，所述的带分类标签图像和无标签图像均为使用数码摄影设备静态采集的图片。其中，带分类标签图像的种类包括：动物、植物、文体用品、生活日用品、食品、货币、数码家电、汽车品牌、手势、交通标志、世界名画、乐器、国旗、知名旅游景点、数字、字母、儿童玩具、卡通人物、著名商标或标志。并且，前述种类会因廿层卷积神经网络模型对图像数据库训练集的增加分类进行增量学习而得到扩充。
本发明的有益效果是所提取的廿层神经网络模型的图像识别精度高，识别物体的种类多；将深度学习应用于人类教育认知行为，推动人工智能与教育行业垂直应用的加速融合，特别是应用于儿童教育领域，引导儿童从玩中学，从兴趣和好奇点出发，形成认知事物的主动学习方式。人们对人工智能科技教育的关注，有利于普及推广，两者相结合具有非常高的应用前景。
附图说明
图1是本发明的步骤流程图；
图2是本发明所提取的廿层卷积神经网络模型的内部架构图；
图3是本发明所使用的兴趣分析模型的架构图；
图4是本发明的去噪编码推荐系统模型结构图。
具体实施方式
下面结合附图对本发明具体实施例作进一步详细描述。附图中给出了本发明的较佳的实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。基于本发明的实施例，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其他所有实施例，都属于本发明保护的范围。
除非另有含义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本发明。
如图1所示，本发明的基于神经网络深度学习的图像识别并推荐认知的方法，包括以下步骤：
步骤（ⅰ）二十层神经网络模型训练提取：
使用多类别图像数据库中的带分类标签图像输入到廿层卷积神经网络，进行监督学习，获取逐层的代表性特征，并于第二十层输出层取得预测结果和全局损失函数值，即前向传播；
多类别的图像均包括待识别的对象，例如，可以是动物、植物、文体用品、生活日用品、货币、数码家电、交通标志、世界名画、乐器、国旗、知名旅游景点等。同一个分类表示同一个对象，如，可以是同一个动物物种或数码家电品种，如此类推；
如图2所示，建构的廿层卷积神经网络包括输入层、十九层隐藏层、输出层。输入层图像数据输入，在十九层隐藏层经过自上而下的监督学习，图像经过卷积、池化、边缘填充、激活等处理提取图像特征，最后进行收敛分类并输出结果；
隐藏层中每一层的输出，均通过逻辑回归下的梯度下降求解最优值，对每一层的参数进行微调，提高特征提取精度；
整个多类别图像数据库训练集的损失函数公式为：
Figure DEST_PATH_IMAGE001
通过softmax回归收敛分类计算损失函数关于权重和偏置参数矩阵数集的偏导数，并对这些权重和偏置参数进行梯度下降优化，即反向传播；
Softmax回归下的梯度下降法求解最优值，反向传播公式为：
Figure DEST_PATH_IMAGE003
参数包括权重、偏置阀值和学习率。通过反向传播计算的优化，能大大降低运算复杂度，对偏置阀值不敏感。在一个较优的多GPU实施实例中，学习率可以设定默认为0.06；
用梯度下降优化后更新了的权重和偏置参数矩阵数集进行新一轮的前向传播计算，来回不停地进行前向传播和反向传播，来训练更新权重和偏置参数矩阵数集使损失函数越来越小，使预测越来越精准，达到提高图像识别精度的效果；
直到找到全局损失函数的最优值，根据整个训练集的监督学习所得的训练精度，而提取合适的廿层神经网络模型；
只要训练集，即多类别图像数据库的样本容量足够大，理论上对所述的廿层卷积神经网络的训练可以一直不断地持续下去。通过训练集对多层卷积神经网络的训练，根据预测结果来确定训练精度，当训练精度达到预设精度，训练就可以不再继续。此时的廿层卷积神经网络就是所要提取的目标多层神经网络模型。
步骤（ⅱ）输入无标签图像到廿层神经网络模型进行深度学习聚类，提取图像代表性特征，分类图片，输出图像识别分类结果。
无标签图像的输入，运用一个预设的应用场景，使用摄像头采集静态图片，储存在本地计算机存储器或通过网络储存在远程服务器存储器内，采集到的静态图片作为图像数据输入到廿层神经网络模型，进行半监督学习，具体做法是采用聚类算法，在各隐藏层中提取每一层的代表性特征，第n-1层的输出结果作为第n层的输入数据，逐层验证，仍通过不断的前向传播和反向传播，来训练和更新权重和偏置参数矩阵数集，使廿层神经网络模型的算法精度越来越高。随着半监督学习的无标签图像输入越多，廿层神经网络模型的识别准确度日益趋高。
同时，通过摄像头采集的静态待识别图片，传输到远程服务器的廿层神经网络模型进行计算，获得待识别图片的代表性特征，与此前监督学习时的多类别图像数据库训练集的图片验证特征作对比，根据训练集图片特征对应的分类从而确定待识别图片的分类，进而输出图像识别分类结果。
步骤（ⅲ）图像识别的分类输出结果，结合对图像输入者个性化特征，如位置、时间、拍摄习惯、年龄、性别等事前采集的数据库，采用决策树算法进行分析并得出图像输入者的兴趣概率。
通过特征采集模块对图像输入者的个性化特征进行采集，并存储到用户特征数据库，图像输入者使用摄像头采集的图片存储到用户相册数据库。根据图像输入者的图片采集历史习惯和用户特征，结合CART决策树算法，把图像输入者的个性化参数做离散值，使用标签训练集合和验证集合，来评估剪枝的方法在修剪点上的效用。通过已有的验证数据集对标签进行删减。因为训练集合的过拟合，使得验证集数据能够对其进行修正，反复进行上面的操作，从下向上地处理节点，删除那些能够最大限度地提高验证集合的精度的有害节点。获得这些特征节点后，构建如图3所示的兴趣分析浅层神经网络模型，通过这个兴趣分析模型对这些特征进行整体打分，最后分析得出图像输入者对图片各关联性标签产生兴趣的概率。
步骤（ⅳ）调取自建的百科知识、教育题材、教学课程、问答试题、动漫、游戏、影音等素材的云数据库，根据图像识别分类结果和兴趣概率，采用基于素材云数据库内容的机器学习模型协同过滤进行计算预测的推荐系统算法，计算得出预测结果推送给图像输入者，以使该图像输入者对图像相关知识进行认知学习。
针对所提取的廿层神经网络模型可有效识别的物体分类，建立相关分类物体知识的内容素材云数据库。如图4所示，构建基于云数据库内容的推荐系统神经网络模型，运用基于知识推荐的机器学习算法，把与图像输入者相关，且可能需要的内容向图像输入者展示。该推荐系统模型利用不同图像输入者输入的相近图像、分类模型产生的兴趣概率、内容标签等特征参数通过协同过滤规则，首先筛选云数据库的内容素材，把相近特征的内容做初步选择。将上述的位置、时间、图像类别、年龄段、内容标签等个性化特征进行向量化，利用 LSTM 的长短期记忆效应搭建分布式模型。把其中的权重矩阵分解为低秩矩阵，减小参数规模，减少了模型复杂度，使用排序代价函数来进行参数最优化。模型加入了图像输入者的年龄、知识内容偏好参数及偏置参数来进行推荐的去噪音编码处理。
并通过不断的图像输入者使用推荐内容的反馈，模型不断进行在线学习以及增量学习，不断优化提高推荐系统模型的效果及推荐效率。
依据推荐系统算法计算得出的预测结果，将图像输入者可能有兴趣的知识素材推送关联链接，让图像输入者从关联链接中选择相关素材进行学习。
本发明的有益效果是通过图像输入者对所见物体的好奇和兴趣，主动探索认知学习，可做到随时随地主动学习，图像识别、深度学习、数据挖掘和人们认知教育相结合，提升人们学习的积极性和知识获取的便利性，具有极高的研究和应用价值。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于神经网络深度学习的图像识别并推荐认知的方法，其特征在于，包括以下步骤：(ⅰ)廿层神经网络模型训练提取：
使用多类别图像数据库中的带分类标签图像输入到廿层卷积神经网络，进行监督学习，获取逐层的代表性特征，并于第二十层输出层取得预测结果和全局损失函数值，下称前向传播；
通过softmax回归收敛分类计算损失函数关于权重和偏置参数矩阵数集的偏导数，并对这些权重和偏置参数进行梯度下降优化，这个梯度下降优化过程，以下称为反向传播；
用梯度下降优化后更新了的权重和偏置参数矩阵数集进行新一轮的前向传播计算，来回不停地进行前向传播和反向传播，来训练更新权重和偏置参数矩阵数集使损失函数越来越小，使预测越来越精准，达到提高图像识别精度的效果；
直到找到全局损失函数的最优值，根据整个训练集的监督学习所得的训练精度，而提取合适的廿层神经网络模型；
(ⅱ)输入无标签图像到廿层神经网络模型进行深度学习聚类，提取图像代表性特征，分类图片，输出图像识别分类结果；
(ⅲ)图像识别的分类输出结果，结合对图像输入者个性化特征，如位置、时间、拍摄习惯、年龄、性别等事前采集的数据库，采用决策树算法进行分析并得出图像输入者的兴趣概率；
(ⅳ)调取自建的百科知识、教育题材、教学课程、问答试题、游戏、影音等素材的云数据库，根据图像识别分类结果和兴趣概率，采用基于素材云数据库内容的机器学习模型协同过滤进行计算预测的推荐系统算法，计算得出预测结果推送给图像输入者，以使该图像输入者对图像相关知识进行认知学习；
针对所提取的廿层神经网络模型可有效识别的物体分类，建立相关分类物体知识的内容素材云数据库；
机器学习模型利用不同图像输入者录入的相近图像、分类模型产生的兴趣概率、内容标签等特征参数通过协同过滤规则，筛选云数据库的内容素材，把相近特征的内容做初步选择；将上述的位置、时间、代表物体分类的值、年龄、内容标签等个性化特征进行向量化，利用LSTM的长短期记忆效应搭建分布式模型；并加入图像输入者的年龄、知识内容偏好参数及偏置参数来进行推荐的去噪音编码处理；
模型不断进行在线学习以及增量学习，不断优化提高推荐系统的效果及推荐效率；
依据推荐系统算法计算得出的预测结果，将图像输入者可能有兴趣的知识素材推送关联链接，让图像输入者从关联链接中选择相关素材进行学习。
2.根据权利要求1所述的基于神经网络深度学习的图像识别并推荐认知的方法，其特征在于，所述的廿层神经网络模型训练提取，包括：
建构的廿层卷积神经网络包括输入层、十九层隐藏层、输出层，输入层图像数据输入，在十九层隐藏层经过自上而下的监督学习，图像经过卷积、池化、边缘填充、激活等处理提取图像特征，最后进行收敛分类并输出结果；
隐藏层中每一层的输出，均通过逻辑回归下的梯度下降求解最优值，对每一层的参数进行微调，提高特征提取精度。
3.根据权利要求1所述的基于神经网络深度学习的图像识别并推荐认知的方法，其特征在于，所述的带分类标签图像和无标签图像，均为使用数码摄影设备静态采集的图片。
4.根据权利要求1所述的基于神经网络深度学习的图像识别并推荐认知的方法，其特征在于，所述的兴趣概率分析为通过构建兴趣分析的浅层神经网络模型实现。
5.根据权利要求1所述的基于神经网络深度学习的图像识别并推荐认知的方法，其特征在于，所述的推荐系统的机器学习模型为经过去噪音编码处理的神经网络模型。
6.根据权利要求1所述的基于神经网络深度学习的图像识别并推荐认知的方法，其特征在于，所述的带分类标签图像，其种类包括：动物、植物、文体用品、生活日用品、食品、货币、数码家电、汽车品牌、手势、交通标志、世界名画、乐器、国旗、知名旅游景点、数字、字母、儿童玩具、卡通人物、著名商标；并且，前述种类会因廿层卷积神经网络模型对图像数据库训练集的增加分类进行增量学习而得到扩充。
CN201811219939.1A 2018-10-19 2018-10-19 一种基于神经网络深度学习的图像识别并推荐认知的方法 Active CN109447140B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811219939.1A CN109447140B (zh) 2018-10-19 2018-10-19 一种基于神经网络深度学习的图像识别并推荐认知的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811219939.1A CN109447140B (zh) 2018-10-19 2018-10-19 一种基于神经网络深度学习的图像识别并推荐认知的方法

Publications (2)

Publication Number Publication Date
CN109447140A CN109447140A (zh) 2019-03-08
CN109447140B true CN109447140B (zh) 2021-10-12

Family

ID=65546729

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811219939.1A Active CN109447140B (zh) 2018-10-19 2018-10-19 一种基于神经网络深度学习的图像识别并推荐认知的方法

Country Status (1)

Country Link
CN (1) CN109447140B (zh)

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797866A (zh) * 2019-04-09 2020-10-20 Oppo广东移动通信有限公司 特征提取方法、装置、存储介质及电子设备
CN111800287B (zh) * 2019-04-09 2023-07-18 Oppo广东移动通信有限公司 数据处理方法、装置、存储介质及电子设备
CN110120263A (zh) * 2019-04-11 2019-08-13 周凡 一种基于健康信息采集和分析的健康辅助系统
CN110111310B (zh) * 2019-04-17 2021-03-05 广州思德医疗科技有限公司 一种评估标签图片的方法及装置
CN110245348B (zh) * 2019-05-17 2023-11-24 北京百度网讯科技有限公司 一种意图识别方法及系统
CN110188824B (zh) * 2019-05-31 2021-05-14 重庆大学 一种小样本植物病害识别方法及系统
CN110442684B (zh) * 2019-08-14 2020-06-30 山东大学 一种基于文本内容的类案推荐方法
CN110909252B (zh) * 2019-10-08 2020-12-04 重庆特斯联智慧科技股份有限公司 一种基于大数据的社区活动推荐方法及装置
CN110705516B (zh) * 2019-10-18 2022-10-25 大连海事大学 一种基于协同网络结构的鞋底花纹图像聚类方法
CN110837856B (zh) * 2019-10-31 2023-05-30 深圳市商汤科技有限公司 神经网络训练及目标检测方法、装置、设备和存储介质
CN111259981B (zh) * 2020-02-11 2023-06-02 南阳理工学院 一种遥感图像处理后自动分类系统
CN111461228B (zh) * 2020-04-01 2024-03-15 腾讯科技（深圳）有限公司 图像推荐方法和装置及存储介质
CN113556551B (zh) * 2020-04-23 2023-06-23 上海高德威智能交通系统有限公司 一种编码、解码方法、装置及设备
CN111768863B (zh) * 2020-06-28 2024-02-02 暨南大学 一种基于人工智能的婴幼儿发展监测系统及其方法
CN111813920B (zh) * 2020-07-06 2021-04-13 龙马智芯（珠海横琴）科技有限公司 一种学习策略生成方法、装置、生成设备及可读存储介质
CN111738357B (zh) * 2020-07-24 2020-11-20 完美世界(北京)软件科技发展有限公司 垃圾图片的识别方法、装置及设备
CN112348058B (zh) * 2020-10-20 2022-10-11 华东交通大学 一种基于cnn-lstm网络的卫星云图分类方法和计算机可读存储介质
CN112579802A (zh) * 2020-10-28 2021-03-30 深圳市农产品质量安全检验检测中心(深圳市动物疫病预防控制中心) 农产品种类模型库建立方法
CN112488666A (zh) * 2020-12-15 2021-03-12 北京易兴元石化科技有限公司 一种基于网络的石油综合数据处理方法、装置及存储介质
CN112906233B (zh) * 2021-03-08 2023-04-18 中国人民解放军国防科技大学 基于认知行为知识的分布式近端策略优化方法及其应用
CN112906811B (zh) * 2021-03-09 2023-04-18 西安电子科技大学 基于物联网架构的工程车载设备图像自动分类方法
CN113194292A (zh) * 2021-04-30 2021-07-30 招商局金融科技有限公司 智能设备的协调管理方法、装置、设备及存储介质
CN113344247B (zh) * 2021-05-12 2022-12-13 中国安能集团第一工程局有限公司 一种基于深度学习的电力设施选址预测方法与系统
CN113255765B (zh) 2021-05-25 2024-03-19 南京航空航天大学 一种基于大脑机理的认知学习方法
CN113743474B (zh) * 2021-08-10 2023-09-26 扬州大学 基于协同半监督卷积神经网络的数字图片分类方法与系统
CN115967837A (zh) * 2021-10-11 2023-04-14 广州视源电子科技股份有限公司 基于网课视频进行内容互动的方法、装置、设备和介质
CN114067191B (zh) * 2021-11-26 2024-04-05 成都泰盟软件有限公司 一种基于图像识别的病媒生物识别app的设计方法
CN114189814B (zh) * 2022-02-16 2022-05-31 深圳市慧为智能科技股份有限公司 特征信息共享方法、装置、识别终端和存储介质
CN116721306B (zh) * 2023-05-24 2024-02-02 北京思想天下教育科技有限公司 基于大数据云平台的线上学习内容推荐系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372058A (zh) * 2016-08-29 2017-02-01 中译语通科技（北京）有限公司 一种基于深度学习的短文本情感要素抽取方法及装置
CN106682694A (zh) * 2016-12-27 2017-05-17 复旦大学 一种基于深度学习的敏感图像识别方法
CN106709482A (zh) * 2017-03-17 2017-05-24 中国人民解放军国防科学技术大学 基于自编码器的人物亲缘关系识别方法
CN107577682A (zh) * 2016-07-05 2018-01-12 上海交通大学 基于社交图片的用户兴趣挖掘和用户推荐方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107577682A (zh) * 2016-07-05 2018-01-12 上海交通大学 基于社交图片的用户兴趣挖掘和用户推荐方法及系统
CN106372058A (zh) * 2016-08-29 2017-02-01 中译语通科技（北京）有限公司 一种基于深度学习的短文本情感要素抽取方法及装置
CN106682694A (zh) * 2016-12-27 2017-05-17 复旦大学 一种基于深度学习的敏感图像识别方法
CN106709482A (zh) * 2017-03-17 2017-05-24 中国人民解放军国防科学技术大学 基于自编码器的人物亲缘关系识别方法

Also Published As

Publication number Publication date
CN109447140A (zh) 2019-03-08

Similar Documents

Publication Publication Date Title
CN109447140B (zh) 一种基于神经网络深度学习的图像识别并推荐认知的方法
US11381651B2 (en) Interpretable user modeling from unstructured user data
CN104142995B (zh) 基于视觉属性的社会事件识别方法
CN112307351A (zh) 用户行为的模型训练、推荐方法、装置和设备
CN112734775A (zh) 图像标注、图像语义分割、模型训练方法及装置
Wang Online Learning Behavior Analysis Based on Image Emotion Recognition.
CN110210468B (zh) 一种基于卷积神经网络特征融合迁移的文字识别方法
CN108806355B (zh) 一种书画艺术互动教育系统
CN112131472A (zh) 信息推荐方法、装置、电子设备和存储介质
CN113761259A (zh) 一种图像处理方法、装置以及计算机设备
Long et al. Deep neural networks in fully connected crf for image labeling with social network metadata
CN113395578A (zh) 一种提取视频主题文本的方法、装置、设备及存储介质
Sosnovshchenko et al. Machine Learning with Swift: Artificial Intelligence for IOS
Kumar Jain et al. (Retracted) Modeling of human action recognition using hyperparameter tuned deep learning model
CN113515669A (zh) 基于人工智能的数据处理方法和相关设备
CN114298122A (zh) 数据分类方法、装置、设备、存储介质及计算机程序产品
CN109559576A (zh) 一种儿童伴学机器人及其早教系统自学习方法
CN115687760A (zh) 一种基于图神经网络的用户学习兴趣标签预测方法
Yan Computational Methods for Deep Learning: Theory, Algorithms, and Implementations
Cucurull et al. Deep inference of personality traits by integrating image and word use in social networks
Sahoo et al. Character recognition using firefly based back propagation neural network
CN114329181A (zh) 一种题目推荐方法、装置及电子设备
Qu et al. The application of interactive methods under swarm computing and artificial intelligence in image retrieval and personalized analysis
Pradhan et al. Machine learning architecture and framework
CN117711001B (zh) 图像处理方法、装置、设备和介质

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
GR01 Patent grant
GR01 Patent grant