CN109726761B - Cnn进化方法、基于cnn的auv集群工作方法、装置及存储介质 - Google Patents
Cnn进化方法、基于cnn的auv集群工作方法、装置及存储介质 Download PDFInfo
- Publication number
- CN109726761B CN109726761B CN201811637909.2A CN201811637909A CN109726761B CN 109726761 B CN109726761 B CN 109726761B CN 201811637909 A CN201811637909 A CN 201811637909A CN 109726761 B CN109726761 B CN 109726761B
- Authority
- CN
- China
- Prior art keywords
- convolutional neural
- neural network
- auv
- target image
- cnn
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 95
- 238000012937 correction Methods 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 abstract description 33
- 238000012790 confirmation Methods 0.000 abstract description 2
- 238000012986 modification Methods 0.000 abstract 1
- 230000004048 modification Effects 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 27
- 238000011176 pooling Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 3
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出一种卷积神经网络进化方法、基于卷积神经网络的AUV集群工作方法、装置，以及计算机可读存储介质，进化方法包括：多个独立的卷积神经网络分别识别目标图像，并通过投票计算得到结果R；根据结果R对识别性能差的卷积神经网络进行参数修正，以进化卷积神经网络。基于卷积神经网络的AUV集群工作方法，AUV集群包括多个具有卷积神经网络的AUV，工作方法包括：如上所述的卷积神经网络进化方法中的步骤。本发明通过多个卷积神经网络协同确认目标的方式，对同一目标图像进行分析，进行最终的投票确认，识别性能差的网络再次进行反向的参数修改，使网络具有进化性。
Description
技术领域
本发明属于深度学习技术领域，尤其涉及一种卷积神经网络进化方法、基于卷积神经网络的AUV集群工作方法、装置以及计算机可读存储介质。
背景技术
图像识别分类一直是计算机视觉领域的一个核心课题，图像识别技术经过多年的发展，基于卷积神经网络(CNN)的方法在图像识别领域已经发展到了一个崭新的高度。自主式水下潜器(Autonomous Underwater Vehicle，简称AUV)是新一代水下机器人，具有活动范围大、机动性好、安全、智能化等优点，成为完成各种水下任务的重要工具。目前，关于AUV进行图像采集识别采用的正是卷积神经网络技术，通过在AUV上搭载神经网络对所采集的图像进行分类识别。
但是，卷积神经网络对目标的识别程度依赖于对图像集的训练，在实际的人工智能神经网络训练过程中，往往由于图像质量差、图像数据集少，或者实际应用中，例如AUV等小型设备所搭载的人工智能芯片计算性能有限，在神经网络训练好之后，往往神经网络的网络参数不再进行改变，网络也不再进化，单个AUV搭载的神经网络会出现对部分目标识别率低的情况。
发明内容
本发明针对上述的技术问题，提出一种卷积神经网络进化方法、基于卷积神经网络的AUV集群工作方法、基于卷积神经网络的AUV集群工作装置以及计算机可读存储介质，通过多个卷积神经网络协同确认目标的方式，对同一目标图像进行识别，最终投票确认结果，识别性能差的网络再次进行反向的参数修正，使网络具有进化性。
为了达到上述目的，本发明采用的技术方案为：
作为本发明的第一方面，一种卷积神经网络进化方法，包括以下步骤：
S1、多个独立的卷积神经网络分别对目标图像进行识别分类，并通过预设的投票机制得到目标图像的分类结果R；
S2、根据结果R对识别性能差的卷积神经网络进行参数修正，以进化卷积神经网络。
作为优选，在步骤S1中，通过预设的投票机制得到目标图像的分类结果R的方法为：
其中，K为卷积神经网络的数量，C1,C2,...,CK为历史记录中各个卷积神经网络识别正确的次数；R1,R2,...,RK为各个卷积神经网络对目标图像识别的结果。
作为优选，在步骤S2中，识别性能差的卷积神经网络根据反向传播算法进行参数修正。
作为本发明的第二方面，一种基于卷积神经网络的AUV集群工作方法，AUV集群包括多个具有卷积神经网络的AUV，所述方法包括如上所述的卷积神经网络进化方法中的步骤。
作为优选，在步骤S1之前，还包括以下步骤：
根据目标图像的识别度，将识别度低的目标图像发送至其他AUV；
其中，识别度按照下式进行判断，若下式成立，则识别度低；否则，识别度高，确认目标图像的分类；
公式中：
为目标图像分属各类的概率；M为所有概率均值；n为分类总数；λ为预设阈值。
作为优选，在根据目标图像的识别度，将识别度低的目标图像发送至其他AUV的步骤之前，还包括以下步骤：AUV采集目标图像并通过卷积神经网络对目标图像进行识别分类。
作为本发明的第三方面，提出一种基于卷积神经网络的AUV集群工作装置，包括处理器以及存储器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于卷积神经网络的AUV集群工作方法的步骤。
作为本发明的第四方面，提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于卷积神经网络的AUV集群工作方法的步骤。
与现有技术相比，本发明的优点和积极效果在于：
1、本发明通过采用多个独立的卷积神经网络对同一目标图像进行识别分类，经过投票确定最终的分类结果，识别性能差的卷积神经网络根据最终结果修正网络参数，实现卷积神经网络的进化，提高神经网络识别分类目标图像的正确率。
2、在多个卷积神经网络进行识别分类之前，单个神经网络通过判断目标图像的识别度来确认是否需要发至集群中进行投票得到结果，对于识别度高的目标图像，神经网络可以直接确认结果，对于识别度低的目标图像，通过投票得到结果，不需要将所有的目标图像都投票确认，从而节省网络计算，避免不必要的浪费。
3、在进行投票时，通过加权计算得到最终结果，投票计算时考虑到集群神经网络的历史计算正确的次数，可以提高投票结果的正确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供卷积神经网络进化方法的流程图；
图2为本发明所提供基于卷积神经网络的AUV集群工作方法第一种实施例的流程图；
图3为本发明所提供基于卷积神经网络的AUV集群工作方法第二种实施例的流程图；
图4为本发明中基于卷积神经网络的AUV集群的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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。
需要说明的是，在本发明的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。
除非另外具体说明，否则实施例中阐述的步骤的相对布置不限制本发明的范围。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
作为本发明的第一个方面，提供一种卷积神经网络进化方法，参见图1所示，进化方法包括以下步骤：
S1、多个独立的卷积神经网络分别对目标图像进行识别分类，并通过预设的投票机制得到目标图像的分类结果R。
多个独立的卷积神经网络对同一目标图像分类计算，分别得到计算数据，再通过预设的投票机制得到最终的分类结果R。
作为本发明的一个优选实施例，投票机制计算的方法按照以下进行：假设参与计算的有K个独立的卷积神经网络，K个卷积神经网络识别目标图像分别得到计算结果R1,R2,...,RK，历史记录中各个神经网络计算正确的次数分别是C1,C2,...,CK，投票计算公式如下：
在此优选实施例中，通过加权计算得到最终结果，投票计算时考虑到各个神经网络的历史计算正确的次数，可以提高投票结果的正确率。计算正确的次数越多表示神经网络的性能越好，投票计算中所占比重就越大，从而投票结果的正确率就越高。
S2、根据投票得到的结果R对识别性能差的卷积神经网络进行参数修正，以进化卷积神经网络。
通过最终确认的目标对识别性能较差的网络进行权值反向修复，使得卷积神经网络进化；参数修正根据反向传播算法进行，具体步骤参见下述基于卷积神经网络的AUV集群工作方法部分(2-2)～(2-4)，更新网络参数W,b。对于此次分类正确的神经网络正确分类计数加1。
本进化方法通过采用多个独立的卷积神经网络对同一目标图像进行识别分类，经过投票确定最终的分类结果，识别性能差的卷积神经网络根据最终结果修正网络参数，实现卷积神经网络的进化，提高神经网络识别分类图像的正确率。
作为本发明的第二个方面，提供一种基于卷积神经网络的AUV集群工作方法。
此处先对AUV中卷积神经网络进行介绍：
(一)建立海上目标信息数据集，目标数据集包括历史所采集的舰艇图像、潜水艇图像等海上目标图像；
(二)将上述数据集随机分为测试集和训练集，以对卷积神经网络进行训练和评估，确定神经网络的网络参数。
输入：定义m个图像样本，卷积神经网络模型的层数L和所有隐藏层类型，对于卷积层，定义卷积核的大小K，卷积核子矩阵的维度F，填充大小P，步幅S。对于池化层，定义池化区域大小k和池化标准(MAX或Average)，对于全连接层，定义全连接层的激活函数(输出层除外)和各层的神经元个数。梯度迭代参数迭代步长α,最大迭代次数N与停止迭代阈值γ；
输出：
1)、初始化CNN各隐藏层与输出层的各W,b的值为一个随机值；
2)、for iter to 1 to N：
(2-1)for i＝1 to m：
(2-1-1)将CNN输入ai设置为xi对应的张量；
(2-1-2)for l＝2to L-1，进行前向传播算法计算：
(a)对全连接层：则ai,l＝σ(zi,l)＝σ(Wlai,l-1+bl)
(b)对卷积层：则ai,l＝σ(zi,l)＝σ(Wl*ai,l-1+bl)
(c)对池化层：则ai,l＝pool(ai,l-1)
(2-1-3)对于输出层第L层:
ai,L＝softmax(zi,L)＝softmax(WLai,L-1+bL)
(2-2)通过损失函数计算输出层的δi,L
(2-3)for l＝L-1to 2,进行反向传播算法计算:
(a)对全连接层：δi,l＝(Wl+1)Tδi,l+1⊙δ'(zi,l)
(b)对卷积层：δi,l＝δi,l+1*rot180(Wl+1)⊙δ'(zi,l)
(c)对池化层：δi,l＝upsample(δi,l+1)⊙δ'(zi,l)
(2-4)for l＝2to L，根据下面2种情况更新第l层的Wl，bl；
(2-4-1)对全连接层：
(2-4-2)对卷积层，对于每一个卷积核有：
(2-5)如果所有W,b的变化值都小于停止迭代阈值γ，则跳出迭代循环到步骤3。
3)、输出各隐藏层与输出层的线性关系系数矩阵W和偏倚向量b。
实施例1
参见图4所示，AUV集群包括多个AUV，每个AUV都搭载有卷积神经网络，AUV集群进行图像识别工作的流程参见图2所示，具体包括以下步骤：
S100、AUV进行目标图像采集作业；
将AUV集群布放在海上进行目标图像采集的任务，AUV包括有图像采集模块，用于对海上目标图像例如舰艇、潜艇等进行采集。
S104、AUV将目标图像发送至集群中的其他AUV；
AUV采集到目标图像之后，将目标图像发送给集群中的其他AUV。
S105、每个AUV通过卷积神经网络对目标图像进行分类；
示例性，具体参见图4所示，AUV1采集目标图像后，将目标图像发送至AUV2、AUV3、……、AUVN。AUV1、AUV2、AUV3、……、AUVN分别通过各自的CNN对目标进行识别分类。
S106、所有AUV对目标图像分类进行投票；
优选地，投票计算的方法按照以下进行：假设参与计算的有N个AUV，N个AUV通过卷积神经网络识别目标图像分别得到计算结果R1,R2,...,RN，历史记录中各个AUV的神经网络计算正确的次数分别是C1,C2,...,CN，投票计算公式如下：
在此优选实施例中，通过加权计算得到最终结果，投票计算时考虑到各个AUV神经网络的历史计算正确的次数，可以提高投票结果的正确率。计算正确的次数越多表示神经网络的性能越好，投票计算中所占比重就越大，从而投票结果的正确率就越高。
S107、根据最终的投票结果对性能较差的神经网络进行参数修正。
通过最终确认的投票结果对识别性能较差的网络进行权值反向修复，使得卷积神经网络进化；参数修正执行步骤(2-2)～(2-4)，更新网络参数W,b，从而提高AUV识别目标图像的正确率。
实施例2
AUV集群进行图像识别工作的流程参见图3所示，具体包括以下步骤：
S100、AUV进行目标图像采集作业；
将AUV集群布放在海上进行目标图像采集的任务，AUV包括有图像采集模块，用于对海上目标图像例如舰艇、潜艇等进行采集。
S101、AUV通过卷积神经网络对目标图像进行识别分类；
AUV通过自身搭载的神经网络对采集到目标图像进行识别分类，计算得到目标图像的分类数据。
S102、判断目标图像的识别度；
若识别度高，则执行步骤S103确认目标，将目标图像的计算数据确认为最终结果，不需要发送至其他AUV进行投票确认；若识别度低，则执行S104步骤；
具体地，通过下述方式进行目标图像识别度判断：AUV得到的分类结果R是目标图像属于各个类型的概率,
通过计算R的离散度判断识别度：
公式中：
为目标图像分属各类的概率；M为所有概率均值；n为类型总数；λ为预设阈值。
在多个卷积神经网络进行识别分类之前，单个神经网络通过判断目标图像的识别度来确认是否需要发至集群中进行投票得到结果，对于识别度高的目标图像，神经网络可以直接确认结果，对于识别度低的目标图像，通过投票得到结果，不需要将所有的目标图像都投票确认，从而减少网络计算量，避免不必要的浪费。
S104、AUV将目标图像发送至集群中的其他AUV；
S105、每个AUV通过卷积神经网络对目标图像进行分类；
示例性，具体参见图4所示，AUV1采集目标图像后，将目标图像发送至AUV2、AUV3、……、AUVN。AUV1、AUV2、AUV3、……、AUVN分别通过各自的CNN对目标进行识别分析。
S106、所有AUV对目标图像分类进行投票；
优选地，投票计算的方法按照以下进行：假设参与计算的有N个AUV，N个AUV通过卷积神经网络识别目标图像分别得到计算结果R1,R2,...,RN，历史记录中各个AUV的神经网络计算正确的次数分别是C1,C2,...,CN，投票计算公式如下：
在此优选实施例中，通过加权计算得到最终结果，投票计算时考虑到各个AUV神经网络的历史计算正确的次数，可以提高投票结果的正确率。计算正确的次数越多表示神经网络的性能越好，投票计算中所占比重就越大，从而投票结果的正确率就越高。
S107、根据最终的投票结果对性能较差的神经网络进行参数修正。
通过最终确认的投票结果对识别性能较差的网络进行权值反向修复，使得卷积神经网络进化；参数修正执行步骤(2-2)～(2-4)，更新网络参数W,b。
作为本发明的第三方面，提供一种基于卷积神经网络的AUV集群工作装置，该装置包括有处理器、存储器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时可实现上述基于卷积神经网络的AUV集群工作方法的步骤。
作为本发明的第四方面，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序在被处理器执行时，可实现上述基于卷积神经网络的AUV集群工作方法的各个步骤。
通过采用多个独立的卷积神经网络对同一目标图像进行识别分类，经过投票确定最终的分类结果，识别性能差的卷积神经网络根据最终结果修正网络参数，实现卷积神经网络的进化，提高神经网络识别分类图像的正确率。
以上所述，仅为本发明的具体实施方式，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揭露的技术范围内，可轻易想到变化或替换，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以所述权利要求的保护范围为准。
Claims (4)
1.一种基于卷积神经网络的AUV集群工作方法，其特征在于，AUV集群包括多个具有卷积神经网络的AUV，所述方法包括以下步骤：
S1、多个独立的卷积神经网络分别对目标图像进行识别分类，并通过预设的投票机制得到目标图像的分类结果R；通过预设的投票机制得到目标图像的分类结果R的方法为：
其中，K为卷积神经网络的数量，C1,C2,...,CK为历史记录中各个卷积神经网络识别正确的次数；R1,R2,...,RK为各个卷积神经网络对目标图像识别的结果；
S2、根据分类结果R对识别性能差的卷积神经网络进行参数修正，以进化卷积神经网络；
在步骤S1之前，还包括以下步骤：
AUV采集目标图像并通过卷积神经网络对目标图像进行识别分类；
根据目标图像的识别度，将识别度低的目标图像发送至其他AUV；
其中，识别度按照下式进行判断，若下式成立，则识别度低；否则，识别度高，确认目标图像的分类；
公式中：
为目标图像属于各类的概率；M为所有概率均值；n为分类总数；λ为预设阈值。
2.根据权利要求1所述的基于卷积神经网络的AUV集群工作方法，其特征在于，在步骤S2中，识别性能差的卷积神经网络根据反向传播算法进行参数修正。
3.一种基于卷积神经网络的AUV集群工作装置，其特征在于：包括处理器以及存储器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1或2所述的基于卷积神经网络的AUV集群工作方法的步骤。
4.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1或2所述的基于卷积神经网络的AUV集群工作方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811637909.2A CN109726761B (zh) | 2018-12-29 | 2018-12-29 | Cnn进化方法、基于cnn的auv集群工作方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811637909.2A CN109726761B (zh) | 2018-12-29 | 2018-12-29 | Cnn进化方法、基于cnn的auv集群工作方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109726761A CN109726761A (zh) | 2019-05-07 |
| CN109726761B true CN109726761B (zh) | 2023-03-31 |
Family
ID=66298348
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811637909.2A Active CN109726761B (zh) | 2018-12-29 | 2018-12-29 | Cnn进化方法、基于cnn的auv集群工作方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109726761B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106995047A (zh) * | 2017-01-09 | 2017-08-01 | 西北工业大学 | 一种多功能智能水下机器人 |
| CN108009525A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于卷积神经网络的无人机对地特定目标识别方法 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2002246296B2 (en) * | 2002-03-25 | 2007-06-07 | Council Of Scientific And Industrial Research | Classifying seafloor roughness with SOM and LVQ |
| CN103679185B (zh) * | 2012-08-31 | 2017-06-16 | 富士通株式会社 | 卷积神经网络分类器系统、其训练方法、分类方法和用途 |
| CN103345794A (zh) * | 2013-06-03 | 2013-10-09 | 樊杰 | 一种权重投票评分方法 |
| CN104133375B (zh) * | 2014-08-14 | 2016-08-17 | 大连海事大学 | 一种多auv同步控制器结构及设计方法 |
| CN105654037B (zh) * | 2015-12-21 | 2019-05-21 | 浙江大学 | 一种基于深度学习和特征图像的肌电信号手势识别方法 |
| CN106650933A (zh) * | 2017-01-12 | 2017-05-10 | 西安电子科技大学 | 基于协同进化和反向传播的深度神经网络优化方法 |
| US20180336468A1 (en) * | 2017-05-16 | 2018-11-22 | Nec Laboratories America, Inc. | Pruning filters for efficient convolutional neural networks for image recognition in surveillance applications |
| CN107330432B (zh) * | 2017-07-07 | 2020-08-18 | 盐城禅图智能科技有限公司 | 一种基于加权霍夫投票的多视角车辆检测方法 |
| CN107437099A (zh) * | 2017-08-03 | 2017-12-05 | 哈尔滨工业大学 | 一种基于机器学习的特定服饰图像识别与检测方法 |
| CN108334949B (zh) * | 2018-02-11 | 2021-04-13 | 浙江工业大学 | 一种基于优化深度卷积神经网络结构快速进化的图像分类器构建方法 |
| CN108280516B (zh) * | 2018-03-05 | 2021-05-11 | 山东领能电子科技有限公司 | 一种多组卷积神经网络之间互博智能进化的优化方法 |
-
2018
- 2018-12-29 CN CN201811637909.2A patent/CN109726761B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106995047A (zh) * | 2017-01-09 | 2017-08-01 | 西北工业大学 | 一种多功能智能水下机器人 |
| CN108009525A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于卷积神经网络的无人机对地特定目标识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| Object Recognition in Forward Looking Sonar Images using Transfer Learning;Louise Rixon Fuchs等;《2018 IEEE/OES Autonomous Underwater Vehicle Workshop (AUV)》;20181109;1-6 * |
| The convolution neural network based agent vehicle detection using forward-looking sonar image;J Kim等;《OCEANS 2016 MTS/IEEE Monterey》;20161201;1-5 * |
| 基于多神经网络分类器的目标识别;岳丹丹;《舰船科学技术》;20150415;第37卷(第04期);173-176 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109726761A (zh) | 2019-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2052351B1 (en) | Pattern classification method | |
| CN111507469B (zh) | 对自动标注装置的超参数进行优化的方法和装置 | |
| CN105488528B (zh) | 基于改进自适应遗传算法的神经网络图像分类方法 | |
| CN109271958B (zh) | 人脸年龄识别方法及装置 | |
| US9182473B2 (en) | System, method and product for locating vehicle key using neural networks | |
| CN110765865B (zh) | 基于改进的yolo算法的水下目标检测方法 | |
| CN109902584A (zh) | 一种口罩缺陷的识别方法、装置、设备及存储介质 | |
| CN107992807B (zh) | 一种基于cnn模型的人脸识别方法及装置 | |
| CN111027347A (zh) | 一种视频识别方法、装置和计算机设备 | |
| CN113923104A (zh) | 基于小波神经网络的网络故障诊断方法、设备及存储介质 | |
| CN112116010A (zh) | 基于膜电势预处理的ann-snn转换的分类方法 | |
| CN115439694A (zh) | 一种基于深度学习的高精度点云补全方法及装置 | |
| CN112819806A (zh) | 一种基于深度卷积神经网络模型的船舶焊缝缺陷检测方法 | |
| CN112699833A (zh) | 基于卷积神经网络复杂光照环境下的舰船目标识别方法 | |
| CN116912568A (zh) | 基于自适应类别均衡的含噪声标签图像识别方法 | |
| CN109978058B (zh) | 确定图像分类的方法、装置、终端及存储介质 | |
| CN109726761B (zh) | Cnn进化方法、基于cnn的auv集群工作方法、装置及存储介质 | |
| CN111652350B (zh) | 神经网络可视化解释方法及弱监督定位物体方法 | |
| CN111652264B (zh) | 基于最大均值差异的负迁移样本筛选方法 | |
| CN114842242A (zh) | 一种基于生成模型的鲁棒对抗样本生成方法 | |
| CN112183336A (zh) | 表情识别模型训练方法、装置、终端设备及存储介质 | |
| CN110852167A (zh) | 一种基于最优激活模型的遥感图像分类方法 | |
| CN110728292A (zh) | 一种多任务联合优化下的自适应特征选择算法 | |
| CN117390688B (zh) | 一种基于监督训练的模型反演方法 | |
| CN113657592B (zh) | 一种软件定义卫星自适应剪枝模型压缩方法 |
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 | ||
| CP03 | Change of name, title or address |
Address after: No.168, Wenhai Middle Road, Jimo District, Qingdao City, Shandong Province 266237 Patentee after: Qingdao Marine Science and Technology Center Address before: No.1, Wenhai Road, aoshanwei Town, Jimo City, Qingdao City, Shandong Province 266200 Patentee before: QINGDAO NATIONAL LABORATORY FOR MARINE SCIENCE AND TECHNOLOGY DEVELOPMENT CENTER |
|
| CP03 | Change of name, title or address |