CN109583333A - 基于水淹法和卷积神经网络的图像识别方法 - Google Patents

基于水淹法和卷积神经网络的图像识别方法 Download PDF

Info

Publication number
CN109583333A
CN109583333A CN201811363638.6A CN201811363638A CN109583333A CN 109583333 A CN109583333 A CN 109583333A CN 201811363638 A CN201811363638 A CN 201811363638A CN 109583333 A CN109583333 A CN 109583333A
Authority
CN
China
Prior art keywords
picture
image
convolutional neural
neural networks
water logging
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.)
Granted
Application number
CN201811363638.6A
Other languages
English (en)
Other versions
CN109583333B (zh
Inventor
刘刚
黄元庆
谭焕云
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.)
China Credit Enhancement Ltd By Share Ltd
China Securities Credit Investment Co Ltd
Original Assignee
China Credit Enhancement Ltd By Share 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 China Credit Enhancement Ltd By Share Ltd filed Critical China Credit Enhancement Ltd By Share Ltd
Priority to CN201811363638.6A priority Critical patent/CN109583333B/zh
Publication of CN109583333A publication Critical patent/CN109583333A/zh
Application granted granted Critical
Publication of CN109583333B publication Critical patent/CN109583333B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (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)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能、计算机应用技术，尤其涉及一种基于水淹法和卷积神经网络的图像识别方法，包括以下步骤：(1)为图像预处理：降噪、二值化；(2)使用水淹法循环切割图片；(3)使用卷积神经网络算法，并通过TensorFlow工具做训练；(4)由步骤2)输出的图片数组，且该图片为要识别的图片，经过流程处理后生成已分割且待识别的图片，依据步骤3)生成的MODEL文件做识别，识别出各个图片的值；(5)使用步骤2)输出的图片位置和步骤4)的识别结果重组图片，最终完成图片识别；基于水淹法和卷积神经网络的图像识别，通过该方法能实现对识别难度大、分割难度大的验证码图片进行分割识别。

Description

基于水淹法和卷积神经网络的图像识别方法
技术领域
本发明涉及人工智能、计算机应用技术，尤其涉及一种基于水淹法和卷积神经网络的图像识别方法。
背景技术
卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络(Convolutional Neural Networks-简称CNN)。现在，CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。K.Fukushima在1980年提出的新识别机是卷积神经网络的第一个实现网络。随后，更多的科研工作者对该网络进行了改进。其中，具有代表性的研究成果是Alexander和Taylor提出的“改进认知机”，该方法综合了各种改进方法的优点并避免了耗时的误差反向传播。
TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理。Tensor(张量)意味着N维数组，Flow(流)意味着基于数据流图的计算，TensorFlow为张量从流图的一端流动到另一端计算过程。TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。TensorFlow可被用于语音识别或图像识别等多项机器学习和深度学习领域，对2011年开发的深度学习基础架构DistBelief进行了各方面的改进，它可在小到一部智能手机、大到数千台数据中心服务器的各种设备上运行。TensorFlow将完全开源，任何人都可以用。
但是以上系统不能对字母验证码图像进行有针对性的识别。
发明内容
本发明的所要解决的技术问题在于提供一种解决的针对如附图2紧密连接且难以分割的字母验证码图像进行识别的方法。
本发明解决上述技术问题的技术方案为：
基于水淹法和卷积神经网络的图像识别方法，包括以下步骤：
(1)为图像预处理：降噪、二值化；
(2)使用水淹法循环切割图片；
(3)使用卷积神经网络算法，并通过TensorFlow工具做训练；
(4)由步骤(2)输出的图片数组，且该图片为要识别的图片，经过流程处理后生成已分割且待识别的图片，依据步骤(3)生成的MODEL文件做识别，识别出各个图片的值；
(5)使用步骤(2)输出的图片位置和步骤(4)的识别结果重组图片，最终完成图片识别；
步骤(2)中，根据计算出的上区域最低点值和下区域的最高点值为输入，与初始图像的二维数组重叠，计算出每个垂直像素下上下区域间隔的大小，根据像素从小到大进行循环切割，每循环一次就计算切割后的图片连通性，即计算字母个数是否达到指定数量，若达到则停止切割；本步骤将由干扰线连通的图片准确切割，并输出分割各个分割后的图片且记录各个图片在原始图片中的位置。
进一步的，所述的步骤(1)中先输入图片地址，随后读取图片使用PIL的转换函数将图片转化为灰度图，进而把图片转化为二值化二维数组。
进一步的，所述的步骤(1)中将图像上的像素点根据灰度值小于阈值的设置为0，大于等于阈值的设置为1。
进一步的，所述的步骤(1)将图片降噪、二值化之后，将生成连通数组，使用8连通划分图片区域；
输入步骤(1)二维数组，从区域内每一像素出发，通过八个方向，即上、下、左、右、左上、右上、左下、右下这八个方向的移动的组合，在不越出区域的前提下，计算到达区域内的任意象素。
其中，所述的8连通的定义公式为：N8(p)＝N4∪(x+1，y+1)，(x+1，y-1)，(x-1，y+1)，(x-1，y-1).，对每一个值为1的点若其八连通有一个点的值也为1,那么这两个点就归为一个物体；使用该方法可以把图片根据干扰线划分为上下两个区域，生成一个只有上区域值、下区域值和分割线值的二维数组，通过遍历该数组计算出每个垂直像素上区域的最低点和下区域的最高点作为输出。
进一步的，所述的步骤(3)首先筛选步骤(2)中切割大量正确的图片为样本，人工的为样本打上标签；然后将输入的图片大小转化为固定大小，使用多层卷积神经网络模型对图片做运算；再使用TensorFlow循环训练模型，并将模型文件保存为二进制文件。
其中，所述的步骤(3)中卷积神经网络在模式分类领域，该网络避免了对图像的复杂前期预处理，可以直接输入原始图像。
其中，所述的步骤(3)中TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理，Tensor(张量)意味着N维数组，Flow(流)意味着基于数据流图的计算，TensorFlow为张量从流图的一端流动到另一端计算过程，TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。
本发明具有以下有益效果：基于水淹法和卷积神经网络的图像识别，通过该方法能实现对识别难度大、分割难度大的验证码图片进行分割识别。基于水淹法和连通性算法，结合多层卷积神经网络的方法训练模型，并利用谷歌TensorFlow、python图片处理等工具实现图片的识别。本方法核心的水淹法：图片的上区域和下区域是分离的，分离区域的材质是水可渗透的，假设往上区域注入水并充满，那么区域间隔越薄的区域越快被渗透，以此找出最快被渗透的点作为切割点。
附图说明
图1为本发明算法逻辑图。
图2为本发明所针对的紧密连接且难以分割的字母验证码图像。
具体实施方式
下面结合附图对本发明做详细说明。
参阅图1-2所示，基于水淹法和卷积神经网络的图像识别方法，包括以下实施步骤：
1、S101为图像预处理：降噪、二值化输入图片地址读取图片使用PIL的convert函数将图片转化为灰度图，设定阈值并将图像上的像素点根据灰度值小于阈值的设置为0，大于等于阈值的设置为1,由此把图片转化为二值化二维数组输出二维数组。
2、S102中生成连通数组，使用8连通划分图片区域输入S101二维数组，从区域内每一象素出发，通过八个方向，即上、下、左、右、左上、右上、左下、右下这八个方向的移动的组合，在不越出区域的前提下，计算到达区域内的任意象素所述8连通的定义公式为：N8(p)＝N4∪(x+1，y+1)，(x+1，y-1)，(x-1，y+1)，(x-1，y-1).，即对每一个值为1的点若其八连通有一个点的值也为1,那么这两个点就归为一个物体使用，该方法可以把图片根据干扰线划分为上下两个区域，生成一个只有上区域值、下区域值和分割线值的二维数组，通过遍历该数组计算出每个垂直像素上区域的最低点和下区域的最高点作为输出。本步骤仅为划分图片时的技术细节，主要起到图片连通区域计算的作用，并非解决本发明技术问题的必要技术特征。
3、S103使用水淹法循环切割图片该方法类似水渗透墙体，相同环境相同介质下墙体越薄的越容易被渗透的情况；根据方法S102计算出的上区域最低点值和下区域的最高点值为输入，与初始图像的二维数组重叠，计算出每个垂直像素下上下区域间隔的大小。根据像素从小到大进行循环切割，每循环一次就计算切割后的图片连通性，即是计算字母个数是否为6个(如图2)，若达到则停止切割。此方法可将由干扰线连通图片准确切割，并输出分割各个分割后的图片且记录各个图片在原始图片中的位置。
4、S104,S105,S106,S107中使用卷积神经网络算法，并通过TensorFlow工具做训练S104，筛选S103中切割正确的10万图片为样本，人工的为样本打上标签；S105,将输入的图片大小转化为固定大小64*64，使用多层卷积神经网络模型对图片做运算。S106，S107使用TensorFlow循环训练模型，并将模型文件保存为二进制文件。
5、S108由S103输出的图片数组，且该图片为要识别的图片，经过S101、S102、S103流程处理后生成已分割且待识别的图片，依据S107生成的MODEL文件做识别，识别出各个图片的值。
6、使用S103输出的图片位置和S108的识别结果重组图片，最终完成图片识别。
基于水淹法和卷积神经网络的图像识别，通过该方法能实现对识别难度大、分割难度大的验证码图片进行分割识别。利用多层卷积神经网络的方法训练模型，结合水淹法和连通性算法，并基于谷歌TensorFlow、python图片处理等实现图片的识别。以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (8)

1.基于水淹法和卷积神经网络的图像识别方法，其特征在于包括以下步骤：
(1)为图像预处理：降噪、二值化；
(2)使用水淹法循环切割图片；
(3)使用卷积神经网络算法，并通过TensorFlow工具做训练；
(4)由步骤(2)输出的图片数组，且该图片为要识别的图片，经过流程处理后生成已分割且待识别的图片，依据步骤(3)生成的MODEL文件做识别，识别出各个图片的值；
(5)使用步骤(2)输出的图片位置和步骤(4)的识别结果重组图片，最终完成图片识别；
步骤(2)中，根据计算出的上区域最低点值和下区域的最高点值为输入，与初始图像的二维数组重叠，计算出每个垂直像素下上下区域间隔的大小，根据像素从小到大进行循环切割，每循环一次就计算切割后的图片连通性，即计算字母个数是否达到指定数量，若达到则停止切割；本步骤将由干扰线连通的图片准确切割，并输出分割各个分割后的图片且记录各个图片在原始图片中的位置。
2.根据权利要求1所述的基于水淹法和卷积神经网络的图像识别方法，其特征在于：所述的步骤(1)中先输入图片地址，随后读取图片使用PIL的转换函数将图片转化为灰度图，进而把图片转化为二值化二维数组。
3.根据权利要求2所述的基于水淹法和卷积神经网络的图像识别方法，其特征在于：所述的步骤(1)中将图像上的像素点根据灰度值小于阈值的设置为0，大于等于阈值的设置为1。
4.根据权利要求1所述的基于水淹法和卷积神经网络的图像识别方法，其特征在于：所述的步骤(1)将图片降噪、二值化之后，将生成连通数组，使用8连通划分图片区域；
输入步骤(1)二维数组，从区域内每一像素出发，通过八个方向，即上、下、左、右、左上、右上、左下、右下这八个方向的移动的组合，在不越出区域的前提下，计算到达区域内的任意象素。
5.根据权利要求4所述的基于水淹法和卷积神经网络的图像识别方法，其特征在于：所述的8连通的定义公式为：N8(p)＝N4∪(x+1，y+1)，(x+1，y-1)，(x-1，y+1)，(x-1，y-1)，对每一个值为1的点若其八连通有一个点的值也为1,那么这两个点就归为一个物体；使用该方法可以把图片根据干扰线划分为上下两个区域，生成一个只有上区域值、下区域值和分割线值的二维数组，通过遍历该数组计算出每个垂直像素上区域的最低点和下区域的最高点作为输出。
6.根据权利要求1所述的基于水淹法和卷积神经网络的图像识别方法，其特征在于：所述的步骤(3)首先筛选步骤(2)中切割大量正确的图片为样本，人工的为样本打上标签；然后将输入的图片大小转化为固定大小，使用多层卷积神经网络模型对图片做运算；再使用TensorFlow循环训练模型，并将模型文件保存为二进制文件。
7.根据权利要求1所述的基于水淹法和卷积神经网络的图像识别方法，其特征在于：所述的步骤(3)中卷积神经网络在模式分类领域，该网络避免了对图像的复杂前期预处理，可以直接输入原始图像。
8.根据权利要求1所述的基于水淹法和卷积神经网络的图像识别方法，其特征在于：所述的步骤(3)中TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理，Tensor(张量)意味着N维数组，Flow(流)意味着基于数据流图的计算，TensorFlow为张量从流图的一端流动到另一端计算过程，TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。
CN201811363638.6A 2018-11-16 2018-11-16 基于水淹法和卷积神经网络的图像识别方法 Active CN109583333B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811363638.6A CN109583333B (zh) 2018-11-16 2018-11-16 基于水淹法和卷积神经网络的图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811363638.6A CN109583333B (zh) 2018-11-16 2018-11-16 基于水淹法和卷积神经网络的图像识别方法

Publications (2)

Publication Number Publication Date
CN109583333A true CN109583333A (zh) 2019-04-05
CN109583333B CN109583333B (zh) 2020-12-11

Family

ID=65922748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811363638.6A Active CN109583333B (zh) 2018-11-16 2018-11-16 基于水淹法和卷积神经网络的图像识别方法

Country Status (1)

Country Link
CN (1) CN109583333B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508972A (zh) * 2021-01-12 2021-03-16 广东东软学院 一种基于人工智能的信息识别方法及装置

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101013503A (zh) * 2007-01-26 2007-08-08 清华大学 一种医学图像中腹部器官分割方法
CN101154271A (zh) * 2006-09-30 2008-04-02 电子科技大学中山学院 基于快速区域标号算法和车牌大间隔定位方法的车牌字符分割方法
CN102418518A (zh) * 2011-04-12 2012-04-18 北京师范大学 神经网络模拟交会图识别油层水淹级别的方法
CN103218814A (zh) * 2013-04-15 2013-07-24 西安交通大学 射线检测中缺陷的自适应水淹没优化分割方法
CN104980364A (zh) * 2015-06-23 2015-10-14 浪潮电子信息产业股份有限公司 一种基于智能查找算法的链路负载均衡方法
CN105139395A (zh) * 2015-08-19 2015-12-09 西安电子科技大学 基于小波池化卷积神经网络的sar图像分割方法
CN105718945A (zh) * 2016-01-20 2016-06-29 江苏大学 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法
US9552549B1 (en) * 2014-07-28 2017-01-24 Google Inc. Ranking approach to train deep neural nets for multilabel image annotation
CN106683102A (zh) * 2016-12-30 2017-05-17 西安电子科技大学 基于脊波滤波器和卷积结构模型的sar图像分割方法
KR101781757B1 (ko) * 2016-10-20 2017-09-28 포항공과대학교 산학협력단 객체 인식을 위한 수중 이미지 처리장치 및 그 방법
CN107944458A (zh) * 2017-12-08 2018-04-20 北京维大成科技有限公司 一种基于卷积神经网络的图像识别方法和装置
CN108764347A (zh) * 2018-05-30 2018-11-06 大连理工大学 基于卷积神经网络的地球仪国家图像识别方法
CN108805222A (zh) * 2018-05-08 2018-11-13 南京邮电大学 一种基于arm平台的深度学习数字手写体识别方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101154271A (zh) * 2006-09-30 2008-04-02 电子科技大学中山学院 基于快速区域标号算法和车牌大间隔定位方法的车牌字符分割方法
CN101013503A (zh) * 2007-01-26 2007-08-08 清华大学 一种医学图像中腹部器官分割方法
CN102418518A (zh) * 2011-04-12 2012-04-18 北京师范大学 神经网络模拟交会图识别油层水淹级别的方法
CN103218814A (zh) * 2013-04-15 2013-07-24 西安交通大学 射线检测中缺陷的自适应水淹没优化分割方法
US9552549B1 (en) * 2014-07-28 2017-01-24 Google Inc. Ranking approach to train deep neural nets for multilabel image annotation
CN104980364A (zh) * 2015-06-23 2015-10-14 浪潮电子信息产业股份有限公司 一种基于智能查找算法的链路负载均衡方法
CN105139395A (zh) * 2015-08-19 2015-12-09 西安电子科技大学 基于小波池化卷积神经网络的sar图像分割方法
CN105718945A (zh) * 2016-01-20 2016-06-29 江苏大学 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法
KR101781757B1 (ko) * 2016-10-20 2017-09-28 포항공과대학교 산학협력단 객체 인식을 위한 수중 이미지 처리장치 및 그 방법
CN106683102A (zh) * 2016-12-30 2017-05-17 西安电子科技大学 基于脊波滤波器和卷积结构模型的sar图像分割方法
CN107944458A (zh) * 2017-12-08 2018-04-20 北京维大成科技有限公司 一种基于卷积神经网络的图像识别方法和装置
CN108805222A (zh) * 2018-05-08 2018-11-13 南京邮电大学 一种基于arm平台的深度学习数字手写体识别方法
CN108764347A (zh) * 2018-05-30 2018-11-06 大连理工大学 基于卷积神经网络的地球仪国家图像识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SUN Y等: "Sparsifying Neural Network Connections for Face Ｒecognition", 《COMPUTER SCIENCE》 *
景晨凯等: "基于深度卷积神经网络的人脸识别技术综述", 《计算机应用与软件》 *
董峻妃等: "基于卷积神经网络的车牌字符识别", 《计算机应用》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508972A (zh) * 2021-01-12 2021-03-16 广东东软学院 一种基于人工智能的信息识别方法及装置

Also Published As

Publication number Publication date
CN109583333B (zh) 2020-12-11

Similar Documents

Publication Publication Date Title
Zhang et al. Affinity attention graph neural network for weakly supervised semantic segmentation
CN109783666B (zh) 一种基于迭代精细化的图像场景图谱生成方法
CN111783394B (zh) 事件抽取模型的训练方法、事件抽取方法和系统及设备
CN106919903A (zh) 一种鲁棒的基于深度学习的连续情绪跟踪方法
CN107729872A (zh) 基于深度学习的人脸表情识别方法及装置
CN112560495A (zh) 一种基于情感分析的微博谣言检测方法
CN112307130B (zh) 一种文档级远程监督关系抽取方法及系统
CN103824054A (zh) 一种基于级联深度神经网络的人脸属性识别方法
CN111461025B (zh) 一种自主进化的零样本学习的信号识别方法
CN111160452A (zh) 一种基于预训练语言模型的多模态网络谣言检测方法
CN112487812A (zh) 一种基于边界识别的嵌套实体识别方法及系统
CN112699218A (zh) 模型建立方法及系统及段落标签获得方法及介质
CN107066548A (zh) 一种双维度分类提取网页链接的方法
CN110059765A (zh) 一种矿物智能识别分类系统与方法
CN111914555A (zh) 基于Transformer结构的自动化关系抽取系统
Zhu et al. Background-aware classification activation map for weakly supervised object localization
CN116796810A (zh) 一种基于知识蒸馏的深度神经网络模型压缩方法及装置
Li et al. Locally-enriched cross-reconstruction for few-shot fine-grained image classification
CN113469273B (zh) 基于双向生成及中间域对齐的无监督域适应图像分类方法
CN111160387A (zh) 一种基于多视角字典学习的图模型
CN109583333A (zh) 基于水淹法和卷积神经网络的图像识别方法
CN114694255A (zh) 基于通道注意力与时间卷积网络的句子级唇语识别方法
Wijerathna et al. Recognition and translation of Ancient Brahmi Letters using deep learning and NLP
CN115860002B (zh) 一种基于事件抽取的作战任务生成方法及系统
CN110825852B (zh) 面向长文本的语义匹配方法及系统

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
GR01 Patent grant
GR01 Patent grant