CN110097090A - 一种基于多尺度特征融合的图像细粒度识别方法 - Google Patents
一种基于多尺度特征融合的图像细粒度识别方法 Download PDFInfo
- Publication number
- CN110097090A CN110097090A CN201910282865.4A CN201910282865A CN110097090A CN 110097090 A CN110097090 A CN 110097090A CN 201910282865 A CN201910282865 A CN 201910282865A CN 110097090 A CN110097090 A CN 110097090A
- Authority
- CN
- China
- Prior art keywords
- feature
- scale
- fine granularity
- fusion
- layer
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000004927 fusion Effects 0.000 title claims description 37
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000002708 enhancing effect Effects 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000013434 data augmentation Methods 0.000 claims description 9
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 9
- 210000001210 retinal vessel Anatomy 0.000 abstract 2
- 230000011218 segmentation Effects 0.000 abstract 2
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 210000004204 blood vessel Anatomy 0.000 abstract 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 5
- 235000019504 cigarettes Nutrition 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 238000005267 amalgamation Methods 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
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
- G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
Abstract
基于密集卷积和深度可分离卷积的视网膜血管分割方法。包括：对视网膜血管图原始图像进行预处理；对数据集进行数据增强；构建基于密集卷积与深度可分离卷积结合的全卷积神经网络，并使用带有权重的损失函数对训练集进行训练；测试并得到最后分割结果图。本发明是以编码‑解码的对称网络作为主干网络。加入深度可分离卷积，大大降低了模型参数量；使用了密集卷积块，将所有层在通道上连接，加强了信息的传递并有效利用了各个尺度的特征值；在图像预处理过程中，对其进行自适应伽马矫正，对不同特征区域用不同的伽马值矫正，在提升特征对比度的同时弱化背景噪声；在训练时使用带有权重的损失函数，增强待分割血管在训练时所占比重。
Description
技术领域
本发明属于计算机视觉与人工智能、多媒体信号处理领域，特别是涉及一种基于多尺度 特征融合的图像细粒度识别方法。
背景技术
图像细粒度识别是研究图像子类识别与分类的课题。随着深度学习与人工智能技术的快 速发展，图像细粒度识别问题作为一项基本的计算机视觉基本课题也取得了巨大的进步。细 粒度识别问题是相对于粗粒度识别而言，粗粒度识别是指传统意义上的物体大类类别识别和 分类，细粒度识别是对于子类进行识别，如加利福尼亚理工学院提出的CUB200-2011数据集 中的200种鸟类识别，发明作者所在实验整理提出的Cigarette67-2018数据集中的67种香烟 品牌识别，如说明书附图2所示。这些任务的共同特点是类间方差小，类内方差大，这会导 致子类容易误分，因此分类难度较大，但是细粒度识别问题在实际生活中具有较大的应用价 值，比如智能零售中的货架商品识别等。
基于多尺度特征融合的图像细粒度识别研究主要依赖两类知识，一类是图像细粒度识别 研究知识，另一类是基于特征金字塔的特征融合知识。目前工业应用价值较高的细粒度识别 算法是弱监督识别算法。该类算法仅用图像标注信息。典型的，如双线性卷积神经网络算法， 这种弱监督方法是利用外积进行池化的方式提取高阶特征进行细粒度识别，本发明将在这种 弱监督方法基础上进行细粒度识别算法的改进。另一方面，特征金字塔的融合方式主要是高 层特征和底层特征进行融合，因为高层特征具有更多的语义信息，蕴含全局表征量较多，而 底层特征更多的是描述了图像的局部信息，表征更多的细节信息。将这两种特征进行叠加， 可以充分提取图像的局部和全局信息。典型的，基于特征金字塔(Feature Pyramid Network， FPN)的提取网络可以更好的结合底层和全局信息，本文将基于双线性卷积神经网络结合特 征金字塔的思想进行细粒度识别相关算法的改进。
发明内容
针对图像目标子类的细粒度识别任务，目前存在的部分方法未能很好的结合底层局部特 征，而且存在实时性要求满足较差的情况，本发明在双线性卷积神经网络的基础上结合多尺 度的特征金字塔思想，本发明提供一种基于多尺度特征融合的图像细粒度识别方法，其特征 在于：将数据增广后的批量图片送入基础网络提取特征，利用特征金字塔方式融合多尺度特 征，在各层提取双线性特征进行独立预测，将各层预测结果进行少数服从多数投票，得到最 终的预测结果，方法包括如下步骤：
(1)将输入图片进行数据增广；
(2)将批量图片利用网络VGG-16提取特征，得到多层特征图；
(3)将多尺度特征图特征按照特征金字塔方式进行融合；
(4)将融合的各层特征分别进行双线性操作，分层独立预测结果；
(5)将各层预测的结果进行投票，得到最终的预测结果。
2.根据权利要求1所述的一种基于多尺度特征融合的图像细粒度识别方法，其特征在于： 所述步骤(1)中对图像进行数据增广，具体步骤为：
步骤2.1：使用离线旋转和在线旋转来增强数据，离线旋转是将数据集在[0,359]每隔10° 进行旋转，在线旋转是对输入网络的图片随机进行一定角度旋转，除此外，还使用了亮度增 强，随机裁剪方式进行数据增强。
3.根据权利要求1所述的一种基于多尺度特征融合的图像细粒度识别方法，其特征在于： 所述步骤(2)中将批量图片利用网络VGG-16提取特征，得到多层特征图，具体步骤为：
步骤3.1：将步骤2.1的数据增广图片送入VGG-16网络进行特征提取，得到不同尺度的 特征图特征。这里取conv5_3、conv5_1、conv4_3特征，以备后续模块特征融合使用。
4.根据权利要求1所述的一种基于多尺度特征融合的图像细粒度识别方法，其特征在 于：所述步骤(3)中将多尺度特征图特征按照特征金字塔方式进行融合，得到多层特征图， 具体步骤为：
按照特征金字塔方式进行多尺度特征融合，本步骤中的叠加方式为元素优先方式，算法 流程如Algorithm1所示，具体如下：
步骤4.1：将顶层特征conv5_3直接取出，赋给P5层特征；
步骤4.2：将中间层conv5_1层与P5特征层进行叠加得到P4层特征；
步骤4.3：将P4层经过2倍上采样得到上采样的特征图，然后将其与conv4_3层进行叠 加，得到P3层特征，这里的上采样方式是采用最近邻插值方式，所谓最近邻插值是在待求像 素的四邻像素中，将距离待求像素最近的邻像素值赋给待求像素；
这样便得到了融合多尺度特征的P5、P4和P3特征层；
5.根据权利要求1所述的一种基于多尺度特征融合的图像细粒度识别方法，其特征在于： 所述步骤(4)中将融合的各层特征分别进行双线性操作，分层独立预测结果，具体步骤为：
按照Algorithm2算法流程图，将特征层P5、P4和P3利用双线性操作分别进行提取特征 得到双线性向量，输入进行分类，这样便在各个尺度上独立预测出了细粒度识别结果，这里 的损失函数采用交叉熵损失函数进行指导训练；
步骤5.1：双线性算法输入为两路卷积神经网络特征图，分别为A，B，将A进行转置然 后与B相乘；
步骤5.2：将上步骤结果进行归一化操作，并进行L2正则化；
步骤5.3：将上步骤提取的双线性特征结果送入分类器进行分类，得到预测的K类；
6.根据权利要求1所述的一种基于多尺度特征融合的图像细粒度识别方法，其特征在于：
所述步骤(5)中将各层预测的结果进行投票，得到最终的预测结果，具体步骤为：
步骤6.1：将步骤5.3得到的预测结果y_logitsi(i＝1,2,3)进行少数服从多数原则进行投票， 也可以采用加权方式的少数服从多数原则投票，这样经本步骤后，得到了最终的细粒度识别 预测结果。
附图说明
图1为基于多尺度特征融合的图像细粒度识别模型；
图2为Cigarette67-2018数据集香烟品牌部分样本示例；
图3为双线性卷积神经网络算法模型；
图4为Cigarette67-2018和CUB200-2011数据集中测试图片结果举例；
图5为Cigarette67-2018和CUB200-2011数据集中测试部分测试样本示意 图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提供一种基于多尺度特征融合的图像细粒度识别方法，本发明采用特征金字塔方 式融合多层双线性特征，在各层独立进行预测细粒度识别结果，最后将各层预测结果进行 Vote，得到最终的细粒度识别结果。本发明在实验室整理提出的香烟细粒度识别数据集 Cigarette67-2018和公开鸟类细粒度识别数据集CUB200-2011上进行测试，得到了随着融合的 底层特征的增多，细粒度识别结果也略有提高，在上述两个测试集的准确率分别为85.4％和 95.95％。另一方面，本发明在单核CPU上的实时推理速度可以满足实时性的要求。
下面以公开数据集CUB200-2011和实验室实际环境测试数据集Cigarette67-2018为例， 结合附图对本发明一种基于多尺度特征融合的图像细粒度识别方法的具体实施方式作进一步 详细说明。
步骤1：将输入图片使用离线旋转和在线旋转来增强，离线旋转是将数据集在[0,359]每 隔10°进行旋转，在线旋转是对输入网络的图片随机进行一定角度旋转。同时也使用亮度增强 和随机裁剪方式进行数据增强。
步骤2：利用基础网络VGG-16提取特征，得到多层特征图特征：
将步骤1中的数据增广图片送入VGG-16网络进行特征提取，得到不同尺度的特征图特 征。如说明书附图1所示。这里取conv5_3、conv5_1、conv4_3特征，以备后续模块特征融 合使用。
步骤3：将多尺度特征图特征按照特征金字塔方式进行融合：
按照说明书附图1所示特征融合方式进行特征融合。本步骤中的叠加方式为元素优先方 式。算法流程如Algorithm1所示，具体如下：
步骤3.1：将顶层特征conv5_3直接取出，赋给P5层特征；
步骤3.2：将中间层conv5_1层与P5特征层进行叠加得到P4层特征；
步骤3.3：将P4层经过2倍上采样得到上采样的特征图，然后将其与conv4_3层进行叠 加，得到P3层特征。这里的上采样方式是采用最近邻插值方式。所谓最近邻插值是在待求像 素的四邻像素中，将距离待求像素最近的邻像素值赋给待求像素。
这样便得到了融合多尺度特征的P5、P4和P3特征层。
步骤4：将融合的各层特征分别进行双线性操作，分层独立预测结果：
如图1所示，按照Algorithm2算法流程图，将特征层P5、P4和P3利用双线性操作分别 进行提取特征得到双线性向量，输入分类器进行分类，这样便在各个尺度上独立预测出了细 粒度识别结果。这里的损失函数采用交叉熵损失函数进行指导训练。
步骤4.1：双线性输入为两路卷积神经网络特征图，分别为A，B，如图3所示，将A进行转置然后与B相乘；
步骤4.2：将上步骤结果进行归一化操作，并进行L2正则化；
步骤4.3：将上步骤提取的双线性特征结果送入分类器进行分类，得到预测的K类。
步骤5：将各层预测的结果进行投票，得到最终的预测结果：
将步骤4得到的预测的向量y_logitsi(i＝1,2,3)进行少数服从多数投票，也可以采用加权方 式的少数服从多数原则投票，这样经本步骤后，得到了最终的细粒度识别预测结果。
本发明所使用的Cigarette67-2018细粒度数据集由作者所在的实验室整理提出的，该数据 集包含12960张训练样本，共67类不同品牌香烟，平均每类195张左右。测试集共2916张， 平均每类45张左右。每张图片采用大类加子类命名，如nanjing_yingjinsha(南京—硬金莎) 表示大类是南京牌，子类是硬金莎牌。
本发明所建立模型的实验平台如下：centos7系统，配置E5处理器，一块NVIDIATesla P100显卡。采用交叉熵损失函数指训练，优化器采用随机梯度下降优化器SGD，初始学习率 设置为lr＝0.001,batch_size＝16,迭代1w步后，得到训练好的模型，并进行在加利福尼亚理工 学院提出的数据集CUB200-2011数据集和实验室所提出的Cigarette67-2018数据集进行测试。 本发明中模型训练的超参数不限于如下参数：
至此便完成了基于多尺度特征融合的图像细粒度识别方法的训练和推理流程。
本发明在数据集上的测试结果如说明书下表所示，部分测试样本如说明书附图5所示。
基于多尺度特征融合的图像细粒度测试结果
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而 依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。
Claims (6)
1.一种基于多尺度特征融合的图像细粒度识别方法，其特征在于：将数据增广后的批量图片送入基础网络提取特征，利用特征金字塔方式融合多尺度特征，在各层提取双线性特征进行独立预测，将各层预测结果进行少数服从多数投票，得到最终的预测结果，方法包括如下步骤：
(1)将输入图片进行数据增广；
(2)将批量图片利用网络VGG-16提取特征，得到多层特征图；
(3)将多尺度特征图特征按照特征金字塔方式进行融合；
(4)将融合的各层特征分别进行双线性操作，分层独立预测结果；
(5)将各层预测的结果进行投票，得到最终的预测结果。
2.根据权利要求1所述的一种基于多尺度特征融合的图像细粒度识别方法，其特征在于：所述步骤(1)中对图像进行数据增广，具体步骤为：
步骤2.1：使用离线旋转和在线旋转来增强数据，离线旋转是将数据集在[0,359]每隔10°进行旋转，在线旋转是对输入网络的图片随机进行一定角度旋转，除此外，还使用了亮度增强，随机裁剪方式进行数据增强。
3.根据权利要求1所述的一种基于多尺度特征融合的图像细粒度识别方法，其特征在于：所述步骤(2)中将批量图片利用网络VGG-16提取特征，得到多层特征图，具体步骤为：
步骤3.1：将步骤2.1的数据增广图片送入VGG-16网络进行特征提取，得到不同尺度的特征图特征。这里取conv5_3、conv5_1、conv4_3特征，以备后续模块特征融合使用。
4.根据权利要求1所述的一种基于多尺度特征融合的图像细粒度识别方法，其特征在于：所述步骤(3)中将多尺度特征图特征按照特征金字塔方式进行融合，得到多层特征图，具体步骤为：
按照特征金字塔方式进行多尺度特征融合，本步骤中的叠加方式为元素优先方式，算法流程如Algorithm 1所示，具体如下：
步骤4.1：将顶层特征conv5_3直接取出，赋给P5层特征；
步骤4.2：将中间层conv5_1层与P5特征层进行叠加得到P4层特征；
步骤4.3：将P4层经过2倍上采样得到上采样的特征图，然后将其与conv4_3层进行叠加，得到P3层特征，这里的上采样方式是采用最近邻插值方式，所谓最近邻插值是在待求像素的四邻像素中，将距离待求像素最近的邻像素值赋给待求像素；
这样便得到了融合多尺度特征的P5、P4和P3特征层；
5.根据权利要求1所述的一种基于多尺度特征融合的图像细粒度识别方法，其特征在于：所述步骤(4)中将融合的各层特征分别进行双线性操作，分层独立预测结果，具体步骤为：
按照Algorithm 2算法流程图，将特征层P5、P4和P3利用双线性操作分别进行提取特征得到双线性向量，输入进行分类，这样便在各个尺度上独立预测出了细粒度识别结果，这里的损失函数采用交叉熵损失函数进行指导训练；
步骤5.1：双线性算法输入为两路卷积神经网络特征图，分别为A，B，将A进行转置然后与B相乘；
步骤5.2：将上步骤结果进行归一化操作，并进行L2正则化；
步骤5.3：将上步骤提取的双线性特征结果送入分类器进行分类，得到预测的K类；
6.根据权利要求1所述的一种基于多尺度特征融合的图像细粒度识别方法，其特征在于：
所述步骤(5)中将各层预测的结果进行投票，得到最终的预测结果，具体步骤为：
步骤6.1：将步骤5.3得到的预测结果y_logitsi(i＝1,2,3)进行少数服从多数原则进行投票，也可以采用加权方式的少数服从多数原则投票，这样经本步骤后，得到了最终的细粒度识别预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910282865.4A CN110097090A (zh) | 2019-04-10 | 2019-04-10 | 一种基于多尺度特征融合的图像细粒度识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910282865.4A CN110097090A (zh) | 2019-04-10 | 2019-04-10 | 一种基于多尺度特征融合的图像细粒度识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110097090A true CN110097090A (zh) | 2019-08-06 |
Family
ID=67444590
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910282865.4A Pending CN110097090A (zh) | 2019-04-10 | 2019-04-10 | 一种基于多尺度特征融合的图像细粒度识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110097090A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110781770A (zh) * | 2019-10-08 | 2020-02-11 | 高新兴科技集团股份有限公司 | 基于人脸识别的活体检测方法、装置及设备 |
| CN110796183A (zh) * | 2019-10-17 | 2020-02-14 | 大连理工大学 | 基于相关性引导的判别学习的弱监督细粒度图像分类算法 |
| CN111191587A (zh) * | 2019-12-30 | 2020-05-22 | 兰州交通大学 | 一种行人重识别方法及系统 |
| CN111274865A (zh) * | 2019-12-14 | 2020-06-12 | 深圳先进技术研究院 | 一种基于全卷积神经网络的遥感图像云检测方法及装置 |
| CN111860499A (zh) * | 2020-07-01 | 2020-10-30 | 电子科技大学 | 一种基于特征分组的双线性卷积神经网络的汽车品牌识别方法 |
| CN112053363A (zh) * | 2020-08-19 | 2020-12-08 | 苏州超云生命智能产业研究院有限公司 | 视网膜血管分割方法、装置及模型构建方法 |
| CN112580737A (zh) * | 2020-12-25 | 2021-03-30 | 航天科工网络信息发展有限公司 | 基于多尺度特征融合的脉冲神经网络特征提取方法 |
| CN113273992A (zh) * | 2021-05-11 | 2021-08-20 | 清华大学深圳国际研究生院 | 信号处理方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1840799A1 (fr) * | 2006-03-28 | 2007-10-03 | Solystic | Procédé utilisant la multi-résolution des images pour la reconnaissance optique d'envois postaux |
| CN107392901A (zh) * | 2017-07-24 | 2017-11-24 | 国网山东省电力公司信息通信公司 | 一种用于输电线路部件智能自动识别的方法 |
| CN108510012A (zh) * | 2018-05-04 | 2018-09-07 | 四川大学 | 一种基于多尺度特征图的目标快速检测方法 |
| CN109086792A (zh) * | 2018-06-26 | 2018-12-25 | 上海理工大学 | 基于检测和识别网络架构的细粒度图像分类方法 |
| CN109522831A (zh) * | 2018-11-06 | 2019-03-26 | 中科院—南京宽带无线移动通信研发中心 | 一种基于微卷积神经网络的车辆实时检测方法 |
-
2019
- 2019-04-10 CN CN201910282865.4A patent/CN110097090A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1840799A1 (fr) * | 2006-03-28 | 2007-10-03 | Solystic | Procédé utilisant la multi-résolution des images pour la reconnaissance optique d'envois postaux |
| CN107392901A (zh) * | 2017-07-24 | 2017-11-24 | 国网山东省电力公司信息通信公司 | 一种用于输电线路部件智能自动识别的方法 |
| CN108510012A (zh) * | 2018-05-04 | 2018-09-07 | 四川大学 | 一种基于多尺度特征图的目标快速检测方法 |
| CN109086792A (zh) * | 2018-06-26 | 2018-12-25 | 上海理工大学 | 基于检测和识别网络架构的细粒度图像分类方法 |
| CN109522831A (zh) * | 2018-11-06 | 2019-03-26 | 中科院—南京宽带无线移动通信研发中心 | 一种基于微卷积神经网络的车辆实时检测方法 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110781770A (zh) * | 2019-10-08 | 2020-02-11 | 高新兴科技集团股份有限公司 | 基于人脸识别的活体检测方法、装置及设备 |
| CN110781770B (zh) * | 2019-10-08 | 2022-05-06 | 高新兴科技集团股份有限公司 | 基于人脸识别的活体检测方法、装置及设备 |
| CN110796183A (zh) * | 2019-10-17 | 2020-02-14 | 大连理工大学 | 基于相关性引导的判别学习的弱监督细粒度图像分类算法 |
| CN111274865A (zh) * | 2019-12-14 | 2020-06-12 | 深圳先进技术研究院 | 一种基于全卷积神经网络的遥感图像云检测方法及装置 |
| CN111274865B (zh) * | 2019-12-14 | 2023-09-19 | 深圳先进技术研究院 | 一种基于全卷积神经网络的遥感图像云检测方法及装置 |
| CN111191587B (zh) * | 2019-12-30 | 2021-04-09 | 兰州交通大学 | 一种行人重识别方法及系统 |
| CN111191587A (zh) * | 2019-12-30 | 2020-05-22 | 兰州交通大学 | 一种行人重识别方法及系统 |
| CN111860499A (zh) * | 2020-07-01 | 2020-10-30 | 电子科技大学 | 一种基于特征分组的双线性卷积神经网络的汽车品牌识别方法 |
| CN111860499B (zh) * | 2020-07-01 | 2022-07-12 | 电子科技大学 | 一种基于特征分组的双线性卷积神经网络的汽车品牌识别方法 |
| CN112053363A (zh) * | 2020-08-19 | 2020-12-08 | 苏州超云生命智能产业研究院有限公司 | 视网膜血管分割方法、装置及模型构建方法 |
| CN112053363B (zh) * | 2020-08-19 | 2023-12-15 | 苏州超云生命智能产业研究院有限公司 | 视网膜血管分割方法、装置及模型构建方法 |
| CN112580737A (zh) * | 2020-12-25 | 2021-03-30 | 航天科工网络信息发展有限公司 | 基于多尺度特征融合的脉冲神经网络特征提取方法 |
| CN113273992A (zh) * | 2021-05-11 | 2021-08-20 | 清华大学深圳国际研究生院 | 信号处理方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110097090A (zh) | 一种基于多尺度特征融合的图像细粒度识别方法 | |
| WO2021184891A1 (zh) | 遥感影像地物分类方法及系统 | |
| Singh et al. | Image classification: a survey | |
| CN108334848B (zh) | 一种基于生成对抗网络的微小人脸识别方法 | |
| CN113221639B (zh) | 一种基于多任务学习的代表性au区域提取的微表情识别方法 | |
| CN108416266B (zh) | 一种利用光流提取运动目标的视频行为快速识别方法 | |
| CN105825235B (zh) | 一种基于多特征图深度学习的图像识别方法 | |
| CN103258204B (zh) | 一种基于Gabor和EOH特征的自动微表情识别方法 | |
| CN109376603A (zh) | 一种视频识别方法、装置、计算机设备及存储介质 | |
| CN107437092A (zh) | 基于三维卷积神经网络的视网膜oct图像的分类算法 | |
| CN107016405A (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
| CN106096535A (zh) | 一种基于双线性联合cnn的人脸验证方法 | |
| CN109376634A (zh) | 一种基于神经网络的公交司机违规行为检测系统 | |
| CN110084285A (zh) | 基于深度学习的鱼类细粒度分类方法 | |
| CN109117897A (zh) | 基于卷积神经网络的图像处理方法、装置及可读存储介质 | |
| CN105654066A (zh) | 一种车辆识别方法及装置 | |
| CN109635812B (zh) | 图像的实例分割方法及装置 | |
| CN109657582A (zh) | 人脸情绪的识别方法、装置、计算机设备及存储介质 | |
| Zhan et al. | Semi-supervised classification of hyperspectral data based on generative adversarial networks and neighborhood majority voting | |
| Ali et al. | Facial emotion detection using neural network | |
| CN111062441A (zh) | 基于自监督机制和区域建议网络的场景分类方法及装置 | |
| CN110826462A (zh) | 一种非局部双流卷积神经网络模型的人体行为识别方法 | |
| CN110097029B (zh) | 基于Highway网络多视角步态识别的身份认证方法 | |
| CN109977832A (zh) | 一种图像处理方法、装置及存储介质 | |
| CN110210550A (zh) | 基于集成学习策略的图像细粒度识别方法 |
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 | ||
| AD01 | Patent right deemed abandoned | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240209 |