CN110084198B - 基于Fisher特征分析的CNN机场室内场景识别方法 - Google Patents

基于Fisher特征分析的CNN机场室内场景识别方法 Download PDF

Info

Publication number
CN110084198B
CN110084198B CN201910350193.6A CN201910350193A CN110084198B CN 110084198 B CN110084198 B CN 110084198B CN 201910350193 A CN201910350193 A CN 201910350193A CN 110084198 B CN110084198 B CN 110084198B
Authority
CN
China
Prior art keywords
image
cnn
fisher
airport
data set
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
CN201910350193.6A
Other languages
English (en)
Other versions
CN110084198A (zh
Inventor
李芃
曹聪
张兰勇
刘胜
刘洪丹
孙希威
涂德志
张鑫
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201910350193.6A priority Critical patent/CN110084198B/zh
Publication of CN110084198A publication Critical patent/CN110084198A/zh
Application granted granted Critical
Publication of CN110084198B publication Critical patent/CN110084198B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/35Categorising the entire scene, e.g. birthday party or wedding scene
    • G06V20/36Indoor scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于Fisher特征分析的CNN机场室内场景识别方法,属于机场室内场景识别领域。本发明包括:收集机场内部不同场景区域图像样本;对采集的图像进行筛选,制作网络训练所需的数据集,数据集里包括机场内部场景图片和场景所属的类别;搭建基于Fisher特征分析的CNN算法的深度神经网络,并设置相应参数;基于数据集对该神经网络进行训练,得出Fisher特征分析的CNN训练模型;输入当前场景图像,利用基于Fisher特征分析的CNN训练模型进行识别。本发明引用基于Fisher特征分析的CNN算法对机场室内场景进行快速识别,相比传统导航机器人使用的室内场景识别方法,提高了识别的正确率。辅助服务机器人自动导航,有效节约人力资源。

Description

基于Fisher特征分析的CNN机场室内场景识别方法
技术领域
本发明属于机场室内场景识别领域,具体涉及基于Fisher特征分析的CNN机场室内场景识别方法。
背景技术
随着人工智能和机器人领域的快速发展,越来越多的服务机器人被放置在银行、商场等公共场所为人类提供帮助,导航机器人是服务机器人中的一个重要类别。机场航站楼内主要场所位置分散,让顾客在最短的时间内找到相应的场所非常重要。机场导航机器人对提供机场内部服务有着非常重要的意义。
目前导航机器人的场景识别功能大多依靠传感器或传统图像识别技术,但是每一种传感器在实际使用和环境信息的反馈中都有不足,例如红外传感器受光强影响较大;超声波传感器存在测量距离较短、易受环境干扰。而传统图像识别技术在处理复杂的室内场景的目标图像识别时,由于不同类别的图像之间元素比较相似,图像之间存在遮挡、角度、光照的变化和干扰,导致该技术对室内场景的准确识别难度较大。
发明内容
针对上述现有技术的不足,本发明提供了基于Fisher特征分析的CNN机场室内场景识别方法,能有效地针对机场室内场景进行识别,识别正确率较高,提升了机场对于出行旅客的服务能力。
本发明的目的是这样实现的:
基于Fisher特征分析的CNN机场室内场景识别方法,包含以下步骤:
步骤1:收集机场内部不同场景区域的图像样本;
步骤2:制作卷积神经网络训练所需的数据集,使用深度学习框架Caffe自带数据集制作工具,编写相应程序将获取的场景图像转化为CNN在Caffe框架下的lmdb格式;
步骤3:搭建基于Fisher特征分析的CNN算法的深度神经网络,并设置相应参数;
步骤4:基于数据集对该神经网络进行训练,得出基于Fisher特征分析的CNN训练模型;
步骤5:输入机器人采集的当前场景图像,利用基于Fisher特征分析的CNN训练模型进行识别。
所述的步骤1包括以下步骤:
步骤1-1:选择问询台、更衣室、卫生间、机场巴士站点、母婴室、升降电梯、扶梯、餐厅、咖啡厅、登机口的图像作为数据集样本;
步骤1-2:采用图像平移,旋转,镜像,裁剪,缩放和图像模糊对数据集样本进行扩增。
所述的步骤3包括以下步骤:
步骤3-1:搭建基于Fisher特征分析的CNN算法框架;
步骤3-2:根据数据集样本的类别总数设置基于Fisher特征分析的CNN算法中与类别总数相关的参数;
步骤3-3:根据数据集样本类别设置基于Fisher特征分析的CNN算法的类别标签。
所述的步骤4包括以下步骤:
步骤4-1:下载SUN数据集预训练得出的权重参数,用于初始化;
步骤4-2:将数据集的图像输入神经网络,通过神经网络的卷积层提取出图像的特征图,利用如下式子:
Figure BDA0002043676880000021
其中,O为卷积神经单元输出,f为激活函数,b为偏置系数,Wij(i,j∈[1,k])为卷积核参数,Aij(i,j∈[1,k])为神经元输入;
步骤4-3:对卷积层提取出的特征进行池化操作,利用如下式子:
Figure BDA0002043676880000022
其中poolmax(Rk)为池化层的输出,Rk表示特征图被分成k个区域,ai表示每个区域上的像素值;
步骤4-4:对池化后的特征图进行全连接操作;
步骤4-5:图像特征通过全连接层输出给低维隐含层,提取图像的低维特征,将特征输入Fisher分类器进行分类,利用如下式子:
Xi=[x]m×n,i=1,2,3...
其中,Xi是输入样本集,x是输入样本,m是当前设定的图像低维特征的维数n为每一类图像的数量;
将X作为一个整体,任意一类图像特征Xi与其补集Xj确定判别函数的系数,得到该数据集的判别矩阵:
Figure BDA0002043676880000023
其中,S=Si+Sj,Si为样本内离散度矩阵;
根据样本集Xi的均值mi及其补集的均值mj,得到样本集的总体均值:
Figure BDA0002043676880000031
其中,n=n1+n2,n1,n2分别为样本集Xi和Xj的特征数量;
取测试数据集的图像的低维特征yi进行判定:
Figure BDA0002043676880000032
其中,ω为测试样本所属的类别;
设Z=(z1,z2...,zi)为判定矩阵,当ω>0时,图像属于第i类,zi加1;反之,zj加1,且i≠j;最后取取Z的最大值来确定图像类别;
步骤4-6:Fisher分类器判别出图像类别后,计算损失值,损失函数值计算式如下:
Figure BDA0002043676880000033
其中,L(W,b,X,P)为损失函数值;fW,b(Xi)为第i,i∈(1,m)个样本图像经过基于Fisher特征分析的CNN的前向计算输出;W,b分别为CNN待训练的权值参数和偏执模型参数;Xi为第i个样本图像的图像数据;Pi为第i个样本图像的标签数据;其中X为样本图像的向量表示,P为其对应的标签数据向量;
Figure BDA0002043676880000034
为正则化惩罚项;
步骤4-7:进行反向传播,算法采用随机梯度下降原理,随机梯度下降原理式如下:
Figure BDA0002043676880000035
Figure BDA0002043676880000036
其中,α是参数的更新率;
步骤4-8:重复步骤4-2~4-7;
步骤4-9:通过训练结果调整算法的迭代次数和学习率,再次对神经网络训练,得出最终的机场室内场景识别模型。
所述的步骤5包括以下步骤:
步骤5-1:输入采集到的当前场景图像,通过卷积层提取出当前场景图像的特征图;
步骤5-2:根据低维特征图进行Fisher判别分类并输出结果,识别出的机场室内场景类型包括:问询台、更衣室、卫生间、机场巴士站点、母婴室、升降电梯、扶梯、餐厅、咖啡厅、登机口。
与现有技术相比,本发明的有益效果在于:
本发明引用基于Fisher特征分析的CNN算法对机场室内场景进行快速识别,相比传统导航机器人使用的室内场景识别方法,提高了识别的正确率。辅助服务机器人自动导航,有效节约人力资源。
附图说明
图1为本发明基于Fisher特征分析的CNN机场室内场景识别方法的流程示意图;
图2为本发明中基于Fisher特征分析的CNN算法的基本结构;
图3为本发明基于Fisher特征分析的CNN算法中卷积操作的原理图。
具体实施方式
下面结合附图对本发明作出详细说明:
本发明涉及机场室内场景识别领域,尤其涉及一种基于Fisher特征分析的CNN(卷积神经网络)机场室内场景识别方法。
本发明公开了一种基于Fisher特征分析的CNN机场室内场景识别方法,包括:收集若干机场室内场景图像样本,制作基于Fisher特征分析的CNN模型的数据集,设置网络模型的参数,基于数据集对网络模型进行训练,利用训练好的基于Fisher特征分析的CNN模型对机场室内场景进行识别,场景类型主要包括:问询台、更衣室、卫生间、机场巴士站点、母婴室、升降电梯、扶梯、餐厅、咖啡厅、登机口1、登机口2、登机口3等。本发明是基于Fisher特征分析的CNN模型的机场室内场景识别,相对于传统的机场室内场景识别方法有更高的准确性和更好的实用性。
本发明利用基于Fisher特征分析的CNN算法对待识别场景进行特征学习和场景分类,实现机场室内场景识别。整个训练和识别的过程均在ubuntu16.04系统下的深度学习开源框架Caffe下运行,采用GTX1080GPU。
如图1所示,一种基于Fisher特征分析的CNN的机场室内场景识别方法包括以下步骤:
步骤S1:收集机场内部不同场景区域图像样本;
所述步骤S1具体包括:
步骤S11:选择问询台、更衣室、卫生间、机场巴士站点、母婴室、升降电梯、扶梯、餐厅、咖啡厅、登机口1、登机口2、登机口3等场景图像作为数据集样本;
步骤S12:采用图像平移,旋转,镜像,裁剪,缩放,图像模糊等方法对数据集样本进行扩增。
步骤S2:制作卷积神经网络训练所需的数据集;
所述步骤S2具体包括:
使用深度学习框架Caffe自带数据集制作工具,编写相应程序将获取的场景图像转化为CNN在Caffe框架下的lmdb格式。
步骤S3:搭建基于Fisher特征分析的CNN算法的深度神经网络,并设置相应参数;
所述步骤S3具体包括:
步骤S31:搭建基于Fisher特征分析的CNN算法框架;
步骤S32:根据数据集样本的类别总数设置基于Fisher特征分析的CNN算法中与类别总数相关的参数;
步骤S33:根据数据集样本类别设置基于Fisher特征分析的CNN算法的类别标签。
步骤S4:基于数据集对该神经网络进行训练,得出基于Fisher特征分析的CNN训练模型;
所述步骤S4具体包括:
步骤S401:下载SUN数据集预训练得出的权重参数,用于初始化;
步骤S402:如图2、3所示,将数据集的图像输入神经网络,通过神经网络的卷积层提取出图像的特征图,利用如下式子:
Figure BDA0002043676880000051
其中,O为卷积神经单元输出,f为激活函数,b为偏置系数,Wij(i,j∈[1,k])为卷积核参数,Aij(i,j∈[1,k])为神经元输入;
步骤S403:对卷积层提取出的特征进行池化操作,利用如下式子:
Figure BDA0002043676880000052
其中poolmax(Rk)为池化层的输出,Rk表示特征图被分成k个区域,ai表示每个区域上的像素值;
步骤S404:对池化后的特征图进行全连接操作;
步骤S405:图像特征通过全连接层输出给低维隐含层,提取图像的低维特征,将特征输入Fisher分类器进行分类,利用如下式子:
Xi=[x]m×n,i=1,2,3...
其中,Xi是输入样本集,x是输入样本,m是当前设定的图像低维特征的维数n为每一类图像的数量;
将X作为一个整体,任意一类图像特征Xi与其补集Xj确定判别函数的系数,得到该数据集的判别矩阵:
Figure BDA0002043676880000061
其中,S=Si+Sj,Si为样本内离散度矩阵;
根据样本集Xi的均值mi及其补集的均值mj,得到样本集的总体均值:
Figure BDA0002043676880000062
其中,n=n1+n2,n1,n2分别为样本集Xi和Xj的特征数量;
取测试数据集的图像的低维特征yi进行判定:
Figure BDA0002043676880000063
其中,ω为测试样本所属的类别;
假设Z=(z1,z2...,zi)为判定矩阵,当ω>0时,图像属于第i类,zi加1;反之,zj加1,且i≠j。最后取取Z的最大值来确定图像类别;
步骤S406:Fisher分类器判别出图像类别后,计算损失值,损失函数值计算式如下:
Figure BDA0002043676880000064
其中,L(W,b,X,P)为损失函数值;fW,b(Xi)为第i,i∈(1,m)个样本图像经过基于Fisher特征分析的CNN的前向计算输出;W,b分别为CNN待训练的权值参数和偏执模型参数;Xi为第i个样本图像的图像数据;Pi为第i个样本图像的标签数据;其中X为样本图像的向量表示,P为其对应的标签数据向量;
Figure BDA0002043676880000065
为正则化惩罚项;
步骤S407:进行反向传播,算法采用随机梯度下降原理,随机梯度下降原理式如下:
Figure BDA0002043676880000071
Figure BDA0002043676880000072
其中,α是参数的更新率;
步骤S408:重复步骤S402~S407;
步骤S408:通过训练结果调整算法的迭代次数、学习率等超参数,再次对神经网络训练,得出最终的机场室内场景识别模型。
步骤S5:输入机器人采集的当前场景图像,利用基于Fisher特征分析的CNN训练模型进行识别;
所述步骤S5具体包括:
步骤S51:输入采集到的当前场景图像,通过卷积层提取出当前场景图像的特征图;
步骤S52:根据低维特征图进行Fisher判别分类并输出结果,识别出的机场室内场景类型包括:问询台、更衣室、卫生间、机场巴士站点、母婴室、升降电梯、扶梯、餐厅、咖啡厅、登机口1、登机口2、登机口3等。
进一步地,在步骤S2中,使用深度学习框架自带数据集制作工具,编写相应程序为不同类别样本打上标签,并且将获取的数据转化为卷积神经网络在该框架下的输入数据格式;
进一步地,在步骤S4中,基于数据集对该神经网络进行训练,得出CNN的训练模型,其具体包括以下内容:1)下载SUN数据集预训练得出的权重参数,用于初始化;2)将所建数据集的图像输入CNN的第一个卷积层,通过CNN的卷积层提取出图像的特征图;3)特征图在CNN中经过重复卷积、池化、激活、全连接;4)引入一个低维隐含层,学习图像的低维特征表示,对低维隐含层特征进行Fisher特征分析,得出分类结果5)通过迭代、训练,得到网络模型调整网络参数,得出机场室内场景识别模型。

Claims (3)

1.基于Fisher特征分析的CNN机场室内场景识别方法,其特征在于,包含以下步骤:
步骤1:收集机场内部不同场景区域的图像样本;
步骤2:制作卷积神经网络训练所需的数据集,使用深度学习框架Caffe自带数据集制作工具,编写相应程序将获取的场景图像转化为CNN在Caffe框架下的lmdb格式;
步骤3:搭建基于Fisher特征分析的CNN算法的深度神经网络,并设置相应参数;
步骤3-1:搭建基于Fisher特征分析的CNN算法框架;
步骤3-2:根据数据集样本的类别总数设置基于Fisher特征分析的CNN算法中与类别总数相关的参数;
步骤3-3:根据数据集样本类别设置基于Fisher特征分析的CNN算法的类别标签;
步骤4:基于数据集对该神经网络进行训练,得出基于Fisher特征分析的CNN训练模型;
步骤4-1:下载SUN数据集预训练得出的权重参数,用于初始化;
步骤4-2:将数据集的图像输入神经网络,通过神经网络的卷积层提取出图像的特征图,利用如下式子:
Figure FDA0003627346280000011
其中,O为卷积神经单元输出,f为激活函数,b为偏置系数,Wij(i,j∈[1,k])为卷积核参数,Aij(i,j∈[1,k])为神经元输入;
步骤4-3:对卷积层提取出的特征进行池化操作,利用如下式子:
Figure FDA0003627346280000012
其中poolmax(Rk)为池化层的输出,Rk表示特征图被分成k个区域,ai表示每个区域上的像素值;
步骤4-4:对池化后的特征图进行全连接操作;
步骤4-5:图像特征通过全连接层输出给低维隐含层,提取图像的低维特征,将特征输入Fisher分类器进行分类,利用如下式子:
Xi=[x]m×n,i=1,2,3...
其中,Xi是输入样本集,x是输入样本,m是当前设定的图像低维特征的维数n为每一类图像的数量;
将X作为一个整体,任意一类图像特征Xi与其补集Xj确定判别函数的系数,得到该数据集的判别矩阵:
Figure FDA0003627346280000021
其中,S=Si+Sj,Si为样本内离散度矩阵;
根据样本集Xi的均值mi及其补集的均值mj,得到样本集的总体均值:
Figure FDA0003627346280000022
其中,n=n1+n2,n1,n2分别为样本集Xi和Xj的特征数量;
取测试数据集的图像的低维特征yi进行判定:
Figure FDA0003627346280000023
其中,ω为测试样本所属的类别;
设Z=(z1,z2...,zi)为判定矩阵,当ω>0时,图像属于第i类,zi加1;反之,zj加1,且i≠j;最后取Z的最大值来确定图像类别;
步骤4-6:Fisher分类器判别出图像类别后,计算损失值,损失函数值计算式如下:
Figure FDA0003627346280000024
其中,L(W,b,X,P)为损失函数值;fW,b(Xi)为第i,i∈(1,m)个样本图像经过基于Fisher特征分析的CNN的前向计算输出;W,b分别为CNN待训练的权值参数和偏执模型参数;Xi为第i个样本图像的图像数据;Pi为第i个样本图像的标签数据;其中X为样本图像的向量表示,P为其对应的标签数据向量;
Figure FDA0003627346280000025
为正则化惩罚项;
步骤4-7:进行反向传播,算法采用随机梯度下降原理,随机梯度下降原理式如下:
Figure FDA0003627346280000026
Figure FDA0003627346280000027
其中,α是参数的更新率;
步骤4-8:重复步骤4-2~4-7;
步骤4-9:通过训练结果调整算法的迭代次数和学习率,再次对神经网络训练,得出最终的机场室内场景识别模型;
步骤5:输入机器人采集的当前场景图像,利用基于Fisher特征分析的CNN训练模型进行识别。
2.根据权利要求1所述的基于Fisher特征分析的CNN机场室内场景识别方法,其特征在于,所述的步骤1包括以下步骤:
步骤1-1:选择问询台、更衣室、卫生间、机场巴士站点、母婴室、升降电梯、扶梯、餐厅、咖啡厅、登机口的图像作为数据集样本;
步骤1-2:采用图像平移,旋转,镜像,裁剪,缩放和图像模糊对数据集样本进行扩增。
3.根据权利要求1所述的基于Fisher特征分析的CNN机场室内场景识别方法,其特征在于,所述的步骤5包括以下步骤:
步骤5-1:输入采集到的当前场景图像,通过卷积层提取出当前场景图像的特征图;
步骤5-2:根据低维特征图进行Fisher判别分类并输出结果,识别出的机场室内场景类型包括:问询台、更衣室、卫生间、机场巴士站点、母婴室、升降电梯、扶梯、餐厅、咖啡厅、登机口。
CN201910350193.6A 2019-04-28 2019-04-28 基于Fisher特征分析的CNN机场室内场景识别方法 Active CN110084198B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910350193.6A CN110084198B (zh) 2019-04-28 2019-04-28 基于Fisher特征分析的CNN机场室内场景识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910350193.6A CN110084198B (zh) 2019-04-28 2019-04-28 基于Fisher特征分析的CNN机场室内场景识别方法

Publications (2)

Publication Number Publication Date
CN110084198A CN110084198A (zh) 2019-08-02
CN110084198B true CN110084198B (zh) 2022-07-12

Family

ID=67417380

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910350193.6A Active CN110084198B (zh) 2019-04-28 2019-04-28 基于Fisher特征分析的CNN机场室内场景识别方法

Country Status (1)

Country Link
CN (1) CN110084198B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062307A (zh) * 2019-12-12 2020-04-24 天地伟业技术有限公司 一种基于Tiny-Darknet的场景识别分类方法
CN111539362A (zh) * 2020-04-28 2020-08-14 西北工业大学 一种无人机图像目标检测装置及方法
CN113233270A (zh) * 2021-06-15 2021-08-10 上海有个机器人有限公司 基于机器人行驶安全的电梯内外判断方法及相关设备
CN115035395B (zh) * 2022-07-07 2023-11-10 北京拙河科技有限公司 用于机场航站楼场景的安全分析装置方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103295032A (zh) * 2013-05-15 2013-09-11 西安电子科技大学 基于空间Fisher向量的图像分类方法
CN106446930A (zh) * 2016-06-28 2017-02-22 沈阳工业大学 基于深层卷积神经网络的机器人工作场景识别方法
CN106778854A (zh) * 2016-12-07 2017-05-31 西安电子科技大学 基于轨迹和卷积神经网络特征提取的行为识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9514391B2 (en) * 2015-04-20 2016-12-06 Xerox Corporation Fisher vectors meet neural networks: a hybrid visual classification architecture
US9767381B2 (en) * 2015-09-22 2017-09-19 Xerox Corporation Similarity-based detection of prominent objects using deep CNN pooling layers as features

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103295032A (zh) * 2013-05-15 2013-09-11 西安电子科技大学 基于空间Fisher向量的图像分类方法
CN106446930A (zh) * 2016-06-28 2017-02-22 沈阳工业大学 基于深层卷积神经网络的机器人工作场景识别方法
CN106778854A (zh) * 2016-12-07 2017-05-31 西安电子科技大学 基于轨迹和卷积神经网络特征提取的行为识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Adapting fisher vectors for histopathology image classification;Yang Song 等;《2017 IEEE 14th International Symposium on Biomedical Imaging (ISBI 2017)》;20170619;第600-601页 *
基于CNN多层融合特征与Fisher准则的分类算法;李靖靖 等;《激光杂志》;20190325;第40卷(第3期);第96-97页 *

Also Published As

Publication number Publication date
CN110084198A (zh) 2019-08-02

Similar Documents

Publication Publication Date Title
CN110084198B (zh) 基于Fisher特征分析的CNN机场室内场景识别方法
CN108985238B (zh) 联合深度学习和语义概率的不透水面提取方法及系统
US11783569B2 (en) Method for classifying hyperspectral images on basis of adaptive multi-scale feature extraction model
CN106228125B (zh) 基于集成学习级联分类器的车道线检测方法
CN114092832B (zh) 一种基于并联混合卷积网络的高分辨率遥感影像分类方法
CN104992223B (zh) 基于深度学习的密集人数估计方法
CN106203318B (zh) 基于多层次深度特征融合的摄像机网络行人识别方法
CN107229929A (zh) 一种基于r‑cnn的车牌定位方法
CN109766884A (zh) 一种基于Faster-RCNN的机场跑道异物检测方法
CN108647655A (zh) 基于轻型卷积神经网络的低空航拍影像电力线异物检测方法
CN112464911A (zh) 基于改进YOLOv3-tiny的交通标志检测与识别方法
CN107818302A (zh) 基于卷积神经网络的非刚性多尺度物体检测方法
CN106446930A (zh) 基于深层卷积神经网络的机器人工作场景识别方法
CN112950780B (zh) 一种基于遥感影像的网络地图智能生成方法及系统
CN106529570B (zh) 基于深度脊波神经网络的图像分类方法
CN105741267A (zh) 聚类引导深度神经网络分类的多源图像变化检测方法
WO2021013190A1 (zh) 基于气象参数的高速列车导航盲区定位方法及系统
CN106408030A (zh) 基于中层语义属性和卷积神经网络的sar图像分类方法
CN110659601B (zh) 基于中心点的深度全卷积网络遥感图像密集车辆检测方法
CN110287798B (zh) 基于特征模块化和上下文融合的矢量网络行人检测方法
CN111222545B (zh) 基于线性规划增量学习的图像分类方法
CN111985325A (zh) 特高压环境评价中的航拍小目标快速识别方法
CN112766161B (zh) 基于集成约束多示例学习的高光谱目标检测方法
Chen et al. Agricultural remote sensing image cultivated land extraction technology based on deep learning
CN105809716A (zh) 融合超像素与三维自组织背景减除法的前景提取方法

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