CN109583277B - 一种基于cnn的赤足足迹的性别判定方法 - Google Patents
一种基于cnn的赤足足迹的性别判定方法 Download PDFInfo
- Publication number
- CN109583277B CN109583277B CN201710903986.7A CN201710903986A CN109583277B CN 109583277 B CN109583277 B CN 109583277B CN 201710903986 A CN201710903986 A CN 201710903986A CN 109583277 B CN109583277 B CN 109583277B
- Authority
- CN
- China
- Prior art keywords
- barefoot
- data
- image
- training
- gender
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于CNN的赤足或穿袜足迹的性别判定方法,包括:S1:获取赤足或者穿袜足迹图像数据,并对图像数据进行预处理;S2:制作赤足图像数据集;S3:数据训练与特征提取:S4:根据任意一张赤足或者穿袜足迹图像判定该图像的拥有者的性别。本申请利用深度学习的方式实现对于人性别的判断,解放人力的同时,判定的准确率也得到了很大的提高。
Description
技术领域
本发明涉及一种性别判定方法,具体说是一种基于CNN的赤足足迹的性别判定方法。
背景技术
性别识别是让计算机根据输入的人的图像信息判断性别的过程,在人工智能、系统监控、模式识别等方面有着重要的前景。应当理解,性别识别在身份识别与验证中可以充当“过滤器”,利用检测出来的性别信息显著降低身份识别的图片搜索数量,提高身份认证识别速度与精度。
足迹图像在各个场合都能广泛的产生,应用好足迹图像,挖掘其蕴含的信息,对于生物识别具有重要的意义。
发明内容
本申请提供了一种基于CNN的赤足足迹的性别判定方法,利用深度学习的方式实现对于人性别的判断,解放人力的同时,判定的准确率也得到了很大的提高。
本申请的第一种技术方案是:一种基于CNN的赤足足迹的性别判定方法,包括:
S1:获取赤足或者穿袜足迹图像数据,并对图像数据进行预处理;
S2:制作赤足图像数据集;
S3:数据训练与特征提取;
S4:根据任意一张赤足或者穿袜足迹图像判定该图像的拥有者的性别。
进一步的,制作赤足图像数据集,包括:
(1)训练集:用于深度学习的训练过程,每个赤足足迹数据采样带有从属性别信息,这个性别信息则是这个赤足或穿袜足迹的标签;
(2)验证集:用于验证深度学习的结果,每个赤足或者穿袜足迹数据采样带有从属性别信息,但是验证集不参与训练,只是用来衡量性别判定的准确度;
上述验证集的数据维度不高于训练集的数据维度,待识别集的数据信息量不高于训练集的数据信息量;有效信息数据维度不低于识别数据集的特征维度。
进一步的,数据训练与特征提取,包括:
1)训练数据准备:对已经完成预处理后的训练集和验证集的二维图像数据,依照标签分成两组;
2)分组进行基于CNN网络的训练,此处使用改进的AlexNet网络。
进一步的,改进的AlexNet网络具体为:
(1)初始网络:
网络构成:4层卷积层,2层池化层,2层全连接层;
网络连接:
conv1+pooling1+relu→conv2+pooling2+relu→conv3+relu→conv4+relu→fc5→fc6
其中,conv代表卷积层,pooling代表池化层,fc代表全连接层,relu代表激活函数;
(2)通过训练及验证结果调整网络:利用初始网络进行一次完整训练之后,用验证数据测试,假定性别判定准确率不足N%,则认为网络结构需要调整。
更进一步的,调整网络如下:对任意一幅图,将每层卷积层结果输出,用每层卷积层结果与其他图像的同层卷积结果做相关比对:
A、若某层级出现相关性明显变大的情况,则降低该层级以及其后端的卷积核尺寸,或者直接将该层作为全连接层重新训练;
B、若相关性随层级深入,逐渐变高,但某层级后相关性变化不大,则直接将该层作为全连接层重新训练,简化模型;
C、若每层级的相关性均很小,则提高与输入层级接近的卷积核大小,或者增加卷积层数量,直至出现其他情况为止;
进行循环训练与测试,不断调整网络结构及参数,当测试结果中性别判定准确率大于N%,则网络调整结束,保存训练得到的网络模型,即基于CNN网络的赤足图像性别判定模型A。
作为更进一步的,性别判定步骤:首先用训练好的性别判定模型A进行特征提取,规定距离最后端激活层最近的全连接层输出作为每幅图的特征,然后将此特征输入特征分类器softmax,输出赤足图像属于各个类别的概率,以此来判定赤足图像的拥有者的性别。
作为更进一步的,性别判定的具体步骤:
1)输入:A,待判定(测试)样本I,输出:I的拥有者的性别;
2)通过性别判定模型A提取I的分类特征;
3)将I的分类特征输入特征分类器softmax中,输出I属于各个类别的概率;
4)选择概率值最大的类别作为待判定(测试)样本I的从属类别;如类别0的概率在所有类别中最大,则待判定(测试)样本I的拥有者为女性;如类别1的概率在所有类别中最大,则待判定(测试)样本I的拥有者为男性。
本发明的有益效果是:本申请从训练数据出发,经过一个端到端的模型直接输出结果,其内部网络可以自发地根据最终任务来不断调整,充分利用海量数据自动学习到某种抽象的表达方式。此表达方式结构丰富且信息覆盖全面,直接解决了人为构造表达方式,形式单一,通用性差的缺点。解放人力的同时,判定的准确率也得到了很大的提高。通过将连续的回归问题转化为离散的分类问题的思想利用深度学习的方式实现对于人体性别的预估。
附图说明
本发明共有附图4幅:
图1为本申请的流程图;
图2为实施例中包含杂质信息的图像;
图3为赤足或者穿袜足迹的足趾内缘突点、足趾外缘突点、足跟后缘突点,最长趾前缘突点4个点信息图像;
图4为含有剪裁区域图像。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
实施例1
本实施例提供一种基于CNN的赤足足迹的性别判定方法,包括:
S1:获取赤足或者穿袜足迹图像数据,并对图像数据进行预处理;
S2:制作赤足图像数据集;
1)将完成预处理的赤足图像数据集分为两个部分:
(1)训练集:用于深度学习的训练过程,每个赤足足迹数据采样带有从属性别信息,这个性别信息就是这个赤足或穿袜足迹的标签;
(2)验证集:用于验证深度学习结果的好坏。每个赤足或者穿袜足迹数据采样带有从属性别信息,但是验证集不参与训练,只是用来衡量性别判定的准确度;
2)其中,各部分对数据的要求:
(1)验证集的数据维度不得高于训练集数据维度,待识别集的数据信息量不得高于训练集数据的信息量;
(2)要保证验证数据的信息完整性,有效信息数据维度不得低于识别数据集的特征维度;
(3)用于做训练的数据,每个人的数据,不同种类的至少10组(左右脚各5组)以上,训练的个体数量在万人级。
S3:数据训练与特征提取:整体按照两个阶段做训练与特征提取:1)训练数据准备:
对已经完成预处理后的训练集和验证集的二维图像数据,依照标签(从属性别信息)分为2组:
2)分组进行基于CNN网络的训练,此处使用改进的AlexNet网络,网络改进如下:
(1)初始网络:
网络构成:4层卷积层,2层池化层,2层全连接层。
网络连接:
conv1+pooling1+relu→conv2+pooling2+relu→conv3+relu→conv4+relu→fc5→fc6其中,conv代表卷积层,pooling代表池化层,fc代表全连接层,relu代表激活函数;
各层网络参数:
conv1:卷积核大小:5*5;卷积核数量:16;卷积步长:2;权重初始化方式:xavier
pooling1:核大小:2*2;卷积步长:1
conv2:卷积核大小:3*3;卷积核数量:32;卷积步长:1;权重初始化方式:xavier
pooling2:核大小:2*2;卷积步长:1
conv3:卷积核大小:3*3;卷积核数量:64;卷积步长:1;权重初始化方式:xavier
conv4:卷积核大小:3*3;卷积核数量:128;卷积步长:1;权重初始化方式:xavier
fc5:神经元个数:1024;权重初始化方式:xavier
fc6:输出通道数:2;权重初始化方式:xavier
(2)通过训练及验证结果调整网络:
利用初始网络进行一次完整训练之后,用验证数据测试,假定性别判定准确率不足80%,则认为网络结构需要调整,调整方法如下:
对任意一幅图而言,将每层卷积层结果输出,用每层卷积的结果与其他图像的同层卷积结果做相关比对:
a.若某层级出现相关性明显变大的情况,则降低该层级以及其后端的卷积核尺寸,或者直接将该层作为全连接层重新训练;
b.若相关性随层级深入,逐渐变高,但某层级后相关性变化不大,则直接将该层作为全连接层重新训练,简化模型;
c.若每层级的相关性均很小,则提高与输入层级接近的卷积核大小,或者增加卷积层数量,直至出现其他情况为止。
进行循环训练与测试,不断调整网络结构及参数,当测试结果中性别判定准确率大于80%则网络调整结束,保存训练得到的网络模型。
3)至此,获得训练好的基于CNN网络的赤足图像性别判定模型A。
S4:根据任意一张赤足或者穿袜足迹图像判定该图像的拥有者的性别。
性别判定步骤:首先用训练好的A模型进行特征提取,规定距离最后端激活层最近的全连接层输出作为每幅图的特征,然后将此特征输入特征分类器softmax,输出赤足图像属于各个类别的概率,以此来判定赤足图像的拥有者的性别:
1)输入:A,待判定(测试)样本I,输出:I的拥有者的性别;
2)通过模型A提取I的分类特征;
3)将I的分类特征输入特征分类器softmax中,输出I属于各个类别(此处共2类)的概率。
4)选择概率值最大的类别作为待判定(测试)样本I的从属类别。如类别0的概率在所有类别中最大,则待判定(测试)样本I的拥有者为女性;类别1的概率在所有类别中最大,则待判定(测试)样本I的拥有者为男性。
实施例2
本实施例作为对实施例1的进一步补充,
步骤S1:获取赤足或者穿袜足迹图像数据,并对图像数据进行预处理,具体为:
1)赤足或者穿袜足迹图像数据获取:
(1)动态赤足或者穿袜足迹数据:该类数据是通过采集设备采集到的实时赤足或者穿袜足迹数据,体现的是某个时刻下的赤足或者穿袜足迹状态,更能反映每时每刻赤足或者穿袜足迹的变化;
(2)静态赤足或者穿袜足迹数据:数据是通过采集设备采集到的某段时间内赤足或者穿袜足迹平均状态,体现的是整体脚底的平衡状态,更能反映客观赤足或者穿袜足迹的稳定特征。
其中,赤足或者穿袜足迹数据包括但不限于一维压力轨迹数据、二维实时动态赤足或者穿袜足迹(有或者无压力信息)、三维赤足或者穿袜足迹形状点云数据。
2)数据属性统一(类型):
(1)实时动态数据需要通过某段时间的平均处理,转换成静态数据,在平均过程中,无法获取的动态数据做特征提取,直接形成一维数据做训练或者测试;
(2)对于可以获取行走过程中步幅特征信息的数据,要通过自动特征提取,以同名点轨迹的方式形成一维数据,做训练或者测试。
3)数据属性统一(维度):
(1)对三维点云数据,采用仿真碰撞的方法,构建虚拟硬质成痕客体,记录三维脚(有形变,非刚体)与客体碰撞的点集,记录点集到成痕客体的垂直距离,以高度为信息形成高度图;
(2)二维赤足或者穿袜足迹数据,对于背景复杂的痕迹图,可以生成或者采集多种含赤足或者穿袜足迹的背景图用于训练,也可以进行人工或者自动去除背景的方式提出赤足或者穿袜足迹前景图;
(3)一维数据认为是经过初始特征提取的量,可以经过降维投影,与其他数据特征结合使用。
4)数据预处理:
(1)由于每个赤足或者穿袜足迹的采集方式不同(包括但不限于采集以不同,采集条件不同),导致分辨率的不同以及背景的不同。体现在图像上即不同采集仪得到的脚印图像的大小不一致,背景也不一致,部分脚印图像上除目标脚印外还包含其他杂质信息。具体包含杂质信息的图像参考图2.
这里通过人工剪裁的方法进行目标区域提取,然后将所有图像归一化到统一大小,以确保后续算法的可行性,具体操作如下:
a.人工剪裁:需要标记出赤足或者穿袜足迹足趾内缘突点、足趾外缘突点、足跟后缘突点,最长趾前缘突点4个点的位置,此4点的位置与定义参考图3,每幅图按照这四个关键点做外切矩形再进行剪裁即可,如图4;
b.将剪裁后的图像通过补0的方式填补成正方形图像(以补0前图像长宽值中较大值为正方形边长),最后将得到的正方形图像统一归一化后续模型所需的输入图像的尺寸(一般为正方形)。
(2)训练前数据调整:这是与后续训练模型相关的,由于进行训练的数据集里,数据意义不在同一等级(特征级、数据级),所以需要进行数据分类。将得到的数据按照一维特征、二维图像区分,二维图像中是灰度图的,要全部通过通道合并的方式转换为彩色图,即有3个颜色通道。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于CNN的赤足足迹的性别判定方法,其特征在于,包括:
S1:获取赤足足迹图像数据,并对图像数据进行预处理;
S2:制作赤足图像数据集;
S3:数据训练与特征提取;
S4:根据任意一张赤足足迹图像判定该图像的拥有者的性别;
制作赤足图像数据集,包括:
(1)训练集:用于深度学习的训练过程,每个赤足足迹数据采样带有从属性别信息,这个性别信息则是这个赤足足迹的标签;
(2)验证集:用于验证深度学习的结果,每个赤足足迹数据采样带有从属性别信息,但是验证集不参与训练,只是用来衡量性别判定的准确度;
上述验证集的数据维度不高于训练集的数据维度,验证集的数据信息量不高于训练集的数据信息量;
数据训练与特征提取,包括:
1)训练数据准备:对已经完成预处理后的训练集和验证集的二维图像数据,依照标签分成两组;
2)分组进行基于CNN网络的训练,此处使用改进的AlexNet网络;
改进的AlexNet网络具体为:
(1)初始网络:
网络构成:4层卷积层,2层池化层,2层全连接层;
网络连接:
conv1+pooling1+relu→conv2+pooling2+relu→conv3+relu→conv4+relu→fc5→fc6
其中,conv代表卷积层,pooling代表池化层,fc代表全连接层,relu代表激活函数;
(2)通过训练及验证结果调整网络:利用初始网络进行一次完整训练之后,用验证数据测试,假定性别判定准确率不足N%,则认为网络结构需要调整;
调整网络如下:对任意一幅图,将每层卷积层结果输出,用每层卷积层结果与其他图像的同层卷积结果做相关比对:
A、若某层级出现相关性明显变大的情况,则降低该层级以及其后端的卷积核尺寸,或者直接将该层级作为全连接层重新训练;
B、若相关性随层级深入,逐渐变高,但某层级后相关性变化不大,则直接将该层作为全连接层重新训练,简化模型;
C、若每层级的相关性均很小,则提高与输入层级接近的卷积核大小,或者增加卷积层数量,直至出现其他情况为止;
进行循环训练与测试,不断调整网络结构及参数,当测试结果中性别判定准确率大于N%,则网络调整结束,保存训练得到的网络模型,即基于CNN网络的赤足图像性别判定模型A。
2.根据权利要求1所述基于CNN的赤足足迹的性别判定方法,其特征在于,性别判定步骤:首先用训练好的性别判定模型A进行特征提取,规定距离最后端激活层最近的全连接层输出作为每幅图的特征,然后将此特征输入特征分类器softmax,输出赤足图像属于各个类别的概率,以此来判定赤足图像的拥有者的性别。
3.根据权利要求1所述基于CNN的赤足足迹的性别判定方法,其特征在于,性别判定的具体步骤:
1)输入:A,待判定样本I,输出:I的拥有者的性别;
2)通过性别判定模型A提取I的分类特征;
3)将I的分类特征输入特征分类器softmax中,输出I属于各个类别的概率;
4)选择概率值最大的类别作为待判定样本I的从属类别;如类别0的概率在所有类别中最大,则待判定样本I的拥有者为女性;如类别1的概率在所有类别中最大,则待判定样本I的拥有者为男性。
4.根据权利要求1所述基于CNN的赤足足迹的性别判定方法,其特征在于,步骤S1:获取赤足足迹图像数据,并对图像数据进行预处理,具体为:
1)赤足足迹图像数据获取;
2)将数据类型统一;
3)将数据维度统一;
4)目标区域提取并调整训练前数据。
5.根据权利要求4所述基于CNN的赤足足迹的性别判定方法,其特征在于,通过人工剪裁的方进行目标区域提取,然后将所有图像归一化到统一大小,具体操作如下:
a.人工剪裁:需要标记出赤足足迹的足趾内缘突点、足趾外缘突点、足跟后缘突点,最长趾前缘突点4个点的位置,每幅图按照这四个关键点做外切矩形再进行剪裁即可;
b.将剪裁后的图像通过补0的方式填补成正方形图像,最后将得到的正方形图像统一归一化后续模型所需的输入图像的尺寸。
6.根据权利要求4所述基于CNN的赤足足迹的性别判定方法,其特征在于,调整训练前数据:将得到的数据按照一维特征、二维图像区分,二维图像中是灰度图的,要全部通过通道合并的方式转换为彩色图,即有3个颜色通道。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710903986.7A CN109583277B (zh) | 2017-09-29 | 2017-09-29 | 一种基于cnn的赤足足迹的性别判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710903986.7A CN109583277B (zh) | 2017-09-29 | 2017-09-29 | 一种基于cnn的赤足足迹的性别判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109583277A CN109583277A (zh) | 2019-04-05 |
CN109583277B true CN109583277B (zh) | 2021-04-20 |
Family
ID=65914719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710903986.7A Active CN109583277B (zh) | 2017-09-29 | 2017-09-29 | 一种基于cnn的赤足足迹的性别判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109583277B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110322509B (zh) * | 2019-06-26 | 2021-11-12 | 重庆邮电大学 | 基于层级类激活图的目标定位方法、系统及计算机设备 |
CN113723427A (zh) * | 2021-07-29 | 2021-11-30 | 辽宁师范大学 | 一种基于鞋印的行人性别预测系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678381A (zh) * | 2016-01-08 | 2016-06-15 | 浙江宇视科技有限公司 | 一种性别分类网络训练方法、性别分类方法及相关装置 |
CN105787878A (zh) * | 2016-02-25 | 2016-07-20 | 杭州格像科技有限公司 | 一种美颜处理方法及装置 |
CN106898011A (zh) * | 2017-01-06 | 2017-06-27 | 广东工业大学 | 一种基于边缘检测来确定卷积神经网络卷积核数量的方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101510254A (zh) * | 2009-03-25 | 2009-08-19 | 北京中星微电子有限公司 | 一种图像分析中更新性别分类器的方法及性别分类器 |
CN101874738B (zh) * | 2009-12-23 | 2011-11-09 | 中国科学院自动化研究所 | 基于压力累积足印图像的人体生理分析与身份识别的方法 |
US8582807B2 (en) * | 2010-03-15 | 2013-11-12 | Nec Laboratories America, Inc. | Systems and methods for determining personal characteristics |
CN104598891B (zh) * | 2015-02-03 | 2017-09-22 | 大连恒锐科技股份有限公司 | 基于穿鞋足迹图像的人身特征分析的方法及装置 |
CN104573678B (zh) * | 2015-02-03 | 2018-02-13 | 大连恒锐科技股份有限公司 | 基于足迹图像的性别特征分析的方法及装置 |
CN106295521B (zh) * | 2016-07-29 | 2019-06-04 | 厦门美图之家科技有限公司 | 一种基于多输出卷积神经网络的性别识别方法、装置及计算设备 |
CN106529402B (zh) * | 2016-09-27 | 2019-05-28 | 中国科学院自动化研究所 | 基于多任务学习的卷积神经网络的人脸属性分析方法 |
-
2017
- 2017-09-29 CN CN201710903986.7A patent/CN109583277B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678381A (zh) * | 2016-01-08 | 2016-06-15 | 浙江宇视科技有限公司 | 一种性别分类网络训练方法、性别分类方法及相关装置 |
CN105787878A (zh) * | 2016-02-25 | 2016-07-20 | 杭州格像科技有限公司 | 一种美颜处理方法及装置 |
CN106898011A (zh) * | 2017-01-06 | 2017-06-27 | 广东工业大学 | 一种基于边缘检测来确定卷积神经网络卷积核数量的方法 |
Non-Patent Citations (1)
Title |
---|
自适应区域生长算法在医学图像分割中的应用;陆剑锋等;《计算机辅助设计与图形学学报》;20051031;2168-2173 * |
Also Published As
Publication number | Publication date |
---|---|
CN109583277A (zh) | 2019-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107491726B (zh) | 一种基于多通道并行卷积神经网络的实时表情识别方法 | |
CN108446730B (zh) | 一种基于深度学习的ct肺结节检测装置 | |
CN107977671B (zh) | 一种基于多任务卷积神经网络的舌象分类方法 | |
WO2020253629A1 (zh) | 检测模型训练方法、装置、计算机设备和存储介质 | |
KR101977174B1 (ko) | 영상 분석 방법, 장치 및 컴퓨터 프로그램 | |
CN104598908B (zh) | 一种农作物叶部病害识别方法 | |
GB2581758A (en) | Human hair style generation method based on multi-feature search and deformation | |
CN113240691A (zh) | 一种基于u型网络的医学图像分割方法 | |
CN112446302B (zh) | 一种人体姿态检测方法、系统、电子设备和存储介质 | |
CN112581438B (zh) | 切片图像识别方法、装置和存储介质及电子设备 | |
CN109583452B (zh) | 一种基于赤足足迹的人身同一认定方法和系统 | |
CN110246579B (zh) | 一种病理诊断方法及装置 | |
CN108830856B (zh) | 一种基于时间序列sd-oct视网膜图像的ga自动分割方法 | |
CN112734741B (zh) | 一种肺炎ct影像的图像处理方法和系统 | |
CN111079620A (zh) | 基于迁移学习的白细胞图像检测识别模型构建方法及应用 | |
CN106529432A (zh) | 一种深度融合显著性检测与先验知识的手部区域分割方法 | |
CN110796101A (zh) | 一种嵌入式平台的人脸识别方法及系统 | |
CN109583277B (zh) | 一种基于cnn的赤足足迹的性别判定方法 | |
CN109447111A (zh) | 一种基于子类训练样本的遥感监督分类方法 | |
CN109583276B (zh) | 一种基于cnn的赤足或穿袜足迹的身高判定方法及系统 | |
CN110738702B (zh) | 一种三维超声图像的处理方法、装置、设备及存储介质 | |
CN111354463B (zh) | 人体健康测量方法、装置、计算机设备及存储介质 | |
CN112084842A (zh) | 一种基于深度语义模型的水文遥感图像目标识别方法 | |
CN106960199A (zh) | 一种真彩色眼象图白睛区域的完整提取方法 | |
CN112861881A (zh) | 一种基于改进MobileNet模型的蜂窝肺识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |