CN110147761A - 基于扩展卡尔曼滤波的卷积神经网络的道路损伤识别方法 - Google Patents

基于扩展卡尔曼滤波的卷积神经网络的道路损伤识别方法 Download PDF

Info

Publication number
CN110147761A
CN110147761A CN201910418736.3A CN201910418736A CN110147761A CN 110147761 A CN110147761 A CN 110147761A CN 201910418736 A CN201910418736 A CN 201910418736A CN 110147761 A CN110147761 A CN 110147761A
Authority
CN
China
Prior art keywords
expander graphs
convolutional neural
neural networks
calculated
damage
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
Application number
CN201910418736.3A
Other languages
English (en)
Inventor
李艳
文成林
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi 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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201910418736.3A priority Critical patent/CN110147761A/zh
Publication of CN110147761A publication Critical patent/CN110147761A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于扩展卡尔曼滤波的卷积神经网络的道路损伤识别方法。在道路修复前，养路工人需要对路面情况进行调研，此项工程需要耗费巨大的人力、物力和财力。本发明的步骤如下：一、图像预处理。二、图像增强与卷积神经网络的训练。三、k=1,2,…,m，依次执行步骤四至六。m为被测图像的数量。四、将第k张被测图像放大并调整为300×300的分辨率。五、将步骤五所得的第k张被测扩展图像输入步骤2训练所得的卷积神经网络中。六、将步骤五所得的权重初始值通过扩展卡尔曼滤波算法进行优化。本发明采用前馈运算、随机梯度下降法、反馈运算、PCA降维和扩展卡尔曼滤波等方法进行实时的参数更新，建立高准确率的卷积神经网络模型。

Description

基于扩展卡尔曼滤波的卷积神经网络的道路损伤识别方法
技术领域
本发明属于图像处理技术领域，具体涉及一种基于扩展卡尔曼滤波的卷积神经网络的道路损伤识别方法。
背景技术
道路损坏出现裂缝是当今道路养护面临的主要问题，众多损坏道路的修复是一项巨大的工程。修复之前，养路工人需要对路面情况进行调研，此项工程需要耗费巨大的人力、物力和财力。随着高科技的发展，科学家想到了一种简便的方法，用精密的拍照仪器安放在汽车前端，可以在短时间内得到大量的有用图片，再经过筛选，截取出有用的道路损坏图像。
将采集到的道路损伤图像分为8类，分类情况如下：D00表示直线裂缝有纵向车轮标记部分、D01表示施工缝部分、D10表示等间隔线部分、D11表示横向施工缝部分、D20表示龟裂缝有部分路面和整体路面、D40表示凹陷坑洞分离、D43表示白线的模糊和D44表示人行横道线的模糊。
深度神经网络是人工智能应用的基础，在很多方面都有用到，例如在语音识别、图像识别和无人驾驶汽车等方面。在许多领域中，目前深度学习卷积神经网络的准确性已经超过人类。与早期的专家手动提取特征或制定规则不同，深度学习卷积神经网络的优越性能来自于在大量数据上使用统计学习方法，从原始数据中提取高级特征的能力，从而对输入空间进行有效的表示。但深度学习卷积神经网络超高的分类准确性是以超高的计算复杂度为代价的。
发明内容
本发明针对现有技术的不足，提供了用于一种基于扩展卡尔曼滤波的卷积神经网络的道路损伤识别方法。
本发明的具体步骤如下：
步骤1、设有n张含有损伤的道路损伤图片且每张图像都有一定比列的信息丢失，如第s张图像信息丢失率分别为1％、5％、10％、15％和20％，并将每个比例图片进行排序；第i张损伤图的分辨率为vi×hi，vi为第i张损伤图上一行像素的个数；hi为第i张损伤图上一列像素的个数，i＝1,2,…,n；第i张损伤图的损伤类别为zi；
步骤2、图像增强与卷积神经网络的训练。
2.1、i＝1,2,…,n，依次执行步骤2.2至2.4。
2.2、将步骤1所得第i张损伤图放大ti倍。
若hi>vi，则ti＝300/hi，并将第i张损伤图的左列像素以第i张损伤图的左侧边缘作为对称轴进行镜像对称，并将第i张损伤图的右行像素以第i张损伤图的右侧边缘作为对称轴进行镜像对称，得到分辨率为300×300的第i张一级扩展图。
若hi≤vi，则t＝300/vi，并将第i张损伤图的上行像素以第i张损伤图的上侧边缘作为对称轴进行镜像对称，并将第i张损伤图的下行像素以第i张损伤图的下侧边缘作为对称轴进行镜像对称，得到分辨率为300×300的第i张一级扩展图。
2.3、将步骤2.2所得的第i张一级扩展图放大1.5倍，得到分辨率为450×450的第i张二级扩展图；将第i张一级扩展图放大2倍，得到分辨率为600×600的第i张三级扩展图。
2.4、用步骤2.2所得的第i张一级扩展图复制出第i张四级扩展图、第i张五级扩展图、第i张六级扩展图、第i张七级扩展图；并将第i张四级扩展图、第i张五级扩展图、第i张六级扩展图、第i张七级扩展图分别调整为0.8倍、0.9倍、1.1倍和1.2倍。
2.5、将第i张一级扩展图、第i张二级扩展图、第i张三级扩展图、第i张四级扩展图、第i张五级扩展图、第i张六级扩展图和第i张七级扩展图导入卷积神经网络进行训练。
步骤3、k＝1,2,…,m，依次执行步骤4至6。m为被测图像的数量。
步骤4、将分辨率为v′k×h′k的第k张被测图像放大t′k倍。若h′k<v′k，则t′k＝300/v′k，并将被测图像的左列像素以被测图像的左侧边缘作为对称轴进行镜像对称，并将被测图像的右行像素以被测图像的右侧边缘作为对称轴进行镜像对称，得到分辨率为300×300的第k张被测扩展图像。
步骤5、将步骤4所得的第k张被测扩展图像输入步骤2训练所得的卷积神经网络中。卷积神经网络输出中获取被测图片的特征信息矩阵和权重矩阵,并PCA降维。
步骤6、根据上述步骤得到状态方程以及观测方程，并利用扩展卡尔曼滤波算法对状态进行优化，以下是状态方程及观测方程的具体表达式：
系统状态方程：
x(k+1)＝f(k,x(k))+w(k) (1)
观测方程：
y(k+1)＝h(k+1,x(k+1))+v(k+1) (2)
上式中，整数k≥0为时间指数，x是系统状态向量，表示从神经网络中提取的权重，y是传感器观测值，表示神经网络的输出。系统噪声w(k)和测量噪声v(k+1)为Q和R白噪声，w(k)表示外界环境干扰噪声，v(k+1)表示观测时所产生的噪声，并有如下的统计特性：
E{w(k)}＝E{v(k)}＝0 (3)
E{w(k)wT(j)}＝Q(k) (4)
E{v(k)vT(j)}＝R(k) (5)
E{w(k)vT(j)}＝0 (6)
初始状态x(0)为随机变量，且符合高斯分布并满足统计特性：
E{x(0)}＝x0 (7)
E{[x(0)-x0][x(0)-x0]T}＝P0 (8)
并且有x(0)与w(k)，v(k)统计独立。
在EKF框架下计算出误差协方差矩阵P(k+1k)，具体如下：
6.1、计算对应的状态预测值
上式中，为k时刻的状态估计值。
6.2、根据步骤6.1，计算对应的观测预测值
6.3、根据步骤6.2，计算残差信息
6.4、计算一阶线性化状态方程，求解状态转移矩阵
6.5、计算一阶线性化观测方程，求解观测矩阵
6.6、根据步骤6.4，计算状态预测误差协方差P(k+1|k)
6.7、根据步骤6.5、6.6，计算增益阵K(k+1)
6.8、根据步骤6.1、6.3、6.7，计算状态估计值
本发明具有的有益效果是：
1、本发明采用前馈运算、随机梯度下降法、反馈运算、PCA降维和卡尔曼滤波等方法进行实时的参数更新，通过尽可能少的训练图片，建立高准确率的卷积神经网络模型。
2、本发明通过引入PCA降维算法，降低了图像特征信息和权重的维度，减少了计算量和识别时间。
3、本发明通过卡尔曼滤波算法来实时更新参数，进而以提高识别的准确率。
附图说明
图1为本发明流程图。
具体实施方式
以下对本发明作进一步说明。
如图1所示，基于扩展卡尔曼滤波的卷积神经网络的道路损伤识别方法，具体步骤如下：
步骤1、图像预处理。
1、步骤1、设有n张含有损伤的道路损伤图片且每张图像都有一定比列的信息丢失，如第s张图像信息丢失率分别为1％、5％、10％、15％和20％，并将每个比例图片进行排序；设第i张损伤图的分辨率为vi×hi，vi为第i张损伤图上一行像素的个数；hi为第i张损伤图上一列像素的个数，i＝1,2,…,n；第i张损伤图的损伤类别为zi；
步骤2、图像增强与卷积神经网络的训练。
2.1、i＝1,2,…,n，依次执行步骤2.2至2.4。
2.2、将步骤1所得第i张损伤图放大ti倍。若hi>vi，则ti＝300/hi，并将第i张损伤图的左列像素以第i张损伤图的左侧边缘作为对称轴进行镜像对称，并将第i张损伤图的右行像素以第i张损伤图的右侧边缘作为对称轴进行镜像对称，得到分辨率为300×300的第i张一级扩展图；若hi≤vi，则t＝300/vi，并将第i张损伤图的上行像素以第i张损伤图的上侧边缘作为对称轴进行镜像对称，并将第i张损伤图的下行像素以第i张损伤图的下侧边缘作为对称轴进行镜像对称，得到分辨率为300×300的第i张一级扩展图。
2.3、将步骤2.2所得的第i张一级扩展图放大1.5倍，得到分辨率为450×450的第i张二级扩展图；将第i张一级扩展图放大2倍，得到分辨率为600×600的第i张三级扩展图。
2.4、将步骤2.2所得的第i张一级扩展图复制出第i张四级扩展图、第i张五级扩展图、第i张六级扩展图、第i张七级扩展图；并将第i张四级扩展图、第i张五级扩展图、第i张六级扩展图、第i张七级扩展图分别调整为0.8倍、0.9倍、1.1倍和1.2倍。
2.5、将第i张一级扩展图、第i张二级扩展图、第i张三级扩展图、第i张四级扩展图、第i张五级扩展图、第i张六级扩展图和第i张七级扩展图导入卷积神经网络进行训练，使得卷积神经网络了解损伤类别为zi的道路损伤的形状。卷积神经网络采用VGG16。
步骤3、k＝1,2,…,m，依次执行步骤4至6。m为被测图像的数量。
步骤4、将分辨率为v′k×h′k的第k张被测图像放大t′k倍。若h′k<v′k，则t′k＝300/v′k，并将被测图像的左列像素以被测图像的左侧边缘作为对称轴进行镜像对称，并将被测图像的右行像素以被测图像的右侧边缘作为对称轴进行镜像对称，得到分辨率为300×300的第k张被测扩展图像。
步骤5、将步骤4所得的第k张被测扩展图像输入步骤2训练所得的卷积神经网络中。卷积神经网络输出中获取被测图片的特征信息矩阵、权重矩阵和偏置。对权重矩阵通过主成分分析算法(PCA方法)进行降维。
步骤6、根据上述步骤得到状态方程以及观测方程，并利用扩展卡尔曼滤波算法对状态进行优化，以下是状态方程及观测方程的具体表达式：
系统状态方程：
x(k+1)＝f(k,x(k))+w(k) (1)
观测方程：
y(k+1)＝h(k+1,x(k+1))+v(k+1) (2)
上式中，整数k≥0为时间指数，x是系统状态向量，表示从神经网络中提取的权重，y是传感器观测值，表示神经网络的输出。系统噪声w(k)和测量噪声v(k+1)为Q和R白噪声，w(k)表示外界环境干扰噪声，v(k+1)表示观测时所产生的噪声，并有如下的统计特性：
E{w(k)}＝E{v(k)}＝0 (3)
E{w(k)wT(j)}＝Q(k) (4)
E{v(k)vT(j)}＝R(k) (5)
E{w(k)vT(j)}＝0 (6)
初始状态x(0)为随机变量，且符合高斯分布并满足统计特性：
E{x(0)}＝x0 (7)
E{[x(0)-x0][x(0)-x0]T}＝P0 (8)
并且有x(0)与w(k)，v(k)统计独立。
在EKF框架下计算出误差协方差矩阵P(k+1k)，该步骤的具体实施过程如下：
6.1、计算对应的状态预测值
上式中，为k时刻的状态估计值。
6.2、根据步骤6.1，计算对应的观测预测值
6.3、根据步骤6.2，计算残差信息
6.4、计算一阶线性化状态方程，求解状态转移矩阵
6.5、计算一阶线性化观测方程，求解观测矩阵
6.6、根据步骤6.4，计算状态预测误差协方差P(k+1|k)
6.7、根据步骤6.5、6.6，计算增益阵K(k+1)
6.8、根据步骤6.1、6.3、6.7，计算状态估计值
通过将一个道路损伤图库中多张图片按照步骤2中的方法进行镜像变换、多尺度处理、光照漂移得到不同尺寸、不同亮度的多组道路损伤图片。并用所得的多组信息丢失道路损伤图片分别用本发明进行道路损伤类别号的判断，结果显示，本发明对多尺度多光照的多组信息丢失道路损伤图片的判断平均准确率比通用的判断方法准确率高。
可见，本发明对于不同亮度、不同尺寸且信息丢失的被测图像，均具有高于现有道路损伤图像识别方法的准确率。

Claims (1)

1.基于扩展卡尔曼滤波的卷积神经网络的道路损伤识别方法，其特征在于，包括如下步骤：
1、设有n张含有损伤的道路损伤图片且每张图像都有一定比列的信息丢失，将每个比例图片进行排序；设第i张损伤图的分辨率为vi×hi，vi为第i张损伤图上一行像素的个数；hi为第i张损伤图上一列像素的个数，i＝1,2,…,n；第i张损伤图的损伤类别为zi；
2、图像增强与卷积神经网络的训练；
2.1、i＝1,2,…,n，依次执行步骤2.2至2.4；
2.2、将步骤1所得第i张损伤图放大ti倍；
若hi>vi，则ti＝300/hi，并将第i张损伤图的左列像素以第i张损伤图的左侧边缘作为对称轴进行镜像对称，并将第i张损伤图的右行像素以第i张损伤图的右侧边缘作为对称轴进行镜像对称，得到分辨率为300×300的第i张一级扩展图；
若hi≤vi，则t＝300/vi，并将第i张损伤图的上行像素以第i张损伤图的上侧边缘作为对称轴进行镜像对称，并将第i张损伤图的下行像素以第i张损伤图的下侧边缘作为对称轴进行镜像对称，得到分辨率为300×300的第i张一级扩展图；
2.3、将步骤2.2所得的第i张一级扩展图放大1.5倍，得到分辨率为450×450的第i张二级扩展图；将第i张一级扩展图放大2倍，得到分辨率为600×600的第i张三级扩展图；
2.4、用步骤2.2所得的第i张一级扩展图复制出第i张四级扩展图、第i张五级扩展图、第i张六级扩展图、第i张七级扩展图；并将第i张四级扩展图、第i张五级扩展图、第i张六级扩展图、第i张七级扩展图分别调整为0.8倍、0.9倍、1.1倍和1.2倍；
2.5、将第i张一级扩展图、第i张二级扩展图、第i张三级扩展图、第i张四级扩展图、第i张五级扩展图、第i张六级扩展图和第i张七级扩展图导入卷积神经网络进行训练；
步骤3、k＝1,2,…,m，依次执行步骤4至6；m为被测图像的数量；
步骤4、将分辨率为v′k×h′k的第k张被测图像放大t′k倍；若h′k<v′k，则t′k＝300/v′k，并将被测图像的左列像素以被测图像的左侧边缘作为对称轴进行镜像对称，并将被测图像的右行像素以被测图像的右侧边缘作为对称轴进行镜像对称，得到分辨率为300×300的第k张被测扩展图像；
步骤5、将步骤4所得的第k张被测扩展图像输入步骤2训练所得的卷积神经网络中；从卷积神经网络全连接层的倒数第二层获取被测图片的特征信息矩阵和权重矩阵，并PCA降维便于计算；
步骤6、根据上述步骤得到状态方程以及观测方程，并利用扩展卡尔曼滤波算法对状态进行优化，以下是状态方程及观测方程的具体表达式：
系统状态方程：
x(k+1)＝f(k,x(k))+w(k) (1)
观测方程：
y(k+1)＝h(k+1,x(k+1))+v(k+1) (2)
上式中，整数k30为时间指数，x是系统状态向量，表示从神经网络中提取的权重，y是传感器观测值，表示神经网络的输出；系统噪声w(k)和测量噪声v(k+1)为Q和R白噪声，w(k)表示外界环境干扰噪声，v(k+1)表示观测时所产生的噪声，并有如下的统计特性：
E{w(k)}＝E{v(k)}＝0 (3)
E{w(k)wT(j)}＝Q(k) (4)
E{v(k)vT(j)}＝R(k) (5)
E{w(k)vT(j)}＝0 (6)
初始状态x(0)为随机变量，且符合高斯分布并满足统计特性：
E{x(0)}＝x0 (7)
E{[x(0)-x0][x(0)-x0]T}＝P0 (8)
并且有x(0)与w(k)，v(k)统计独立；
在EKF框架下计算出误差协方差矩阵P(k+1|k)，具体如下：
6.1、计算对应的状态预测值
上式中，为k时刻的状态估计值；
6.2、根据步骤6.1，计算对应的观测预测值
6.3、根据步骤6.2，计算残差信息
6.4、计算一阶线性化状态方程，求解状态转移矩阵
6.5、计算一阶线性化观测方程，求解观测矩阵
6.6、根据步骤6.4，计算状态预测误差协方差P(k+1|k)
6.7、根据步骤6.5、6.6，计算增益阵K(k+1)
6.8、根据步骤6.1、6.3、6.7，计算状态估计值
CN201910418736.3A 2019-05-20 2019-05-20 基于扩展卡尔曼滤波的卷积神经网络的道路损伤识别方法 Pending CN110147761A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910418736.3A CN110147761A (zh) 2019-05-20 2019-05-20 基于扩展卡尔曼滤波的卷积神经网络的道路损伤识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910418736.3A CN110147761A (zh) 2019-05-20 2019-05-20 基于扩展卡尔曼滤波的卷积神经网络的道路损伤识别方法

Publications (1)

Publication Number Publication Date
CN110147761A true CN110147761A (zh) 2019-08-20

Family

ID=67592368

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910418736.3A Pending CN110147761A (zh) 2019-05-20 2019-05-20 基于扩展卡尔曼滤波的卷积神经网络的道路损伤识别方法

Country Status (1)

Country Link
CN (1) CN110147761A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112565614A (zh) * 2021-02-22 2021-03-26 四川赛狄信息技术股份公司 一种信号处理模块及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104247434A (zh) * 2011-10-21 2014-12-24 高通股份有限公司 在视频译码中在切片边界或平铺块边界周围的环路滤波
CN109658383A (zh) * 2018-11-22 2019-04-19 杭州电子科技大学 基于卷积神经网络和卡尔曼滤波的道路损伤识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104247434A (zh) * 2011-10-21 2014-12-24 高通股份有限公司 在视频译码中在切片边界或平铺块边界周围的环路滤波
CN109658383A (zh) * 2018-11-22 2019-04-19 杭州电子科技大学 基于卷积神经网络和卡尔曼滤波的道路损伤识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YAN LI等: "An Online-Updating Deep CNN Method Based on Kalman Filter for Illumination-Drifting Road Damage Classification", 《2018 INTERNATIONAL CONFERENCE ON CONTROL, AUTOMATION AND INFORMATION SCIENCES》 *
余利文: "强跟踪滤波与小波分析理论在短期电力载荷预测中的应用研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *
徐晓明: "一类复杂工业过程数据预处理与故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112565614A (zh) * 2021-02-22 2021-03-26 四川赛狄信息技术股份公司 一种信号处理模块及方法

Similar Documents

Publication Publication Date Title
CN109658383A (zh) 基于卷积神经网络和卡尔曼滤波的道路损伤识别方法
CN104156734B (zh) 一种基于随机蕨分类器的全自主在线学习方法
CN105825511B (zh) 一种基于深度学习的图片背景清晰度检测方法
CN106446942A (zh) 基于增量学习的农作物病害识别方法
CN100461204C (zh) 一种基于二维偏最小二乘法的面部表情识别方法
CN110866287B (zh) 一种基于权重谱生成对抗样本的点攻击方法
CN108710829A (zh) 一种基于深度学习的表情分类及微表情检测的方法
CN108830188A (zh) 基于深度学习的车辆检测方法
CN104598885B (zh) 街景图像中的文字标牌检测与定位方法
CN108648191A (zh) 基于贝叶斯宽度残差神经网络的害虫图像识别方法
CN108647583A (zh) 一种基于多目标学习的人脸识别算法训练方法
CN104463209A (zh) 一种基于bp神经网络的pcb板上数字代码识别方法
CN106600595A (zh) 一种基于人工智能算法的人体特征尺寸自动测量方法
CN109446991A (zh) 基于全局和局部特征融合的步态识别方法
CN107622233A (zh) 一种表格识别方法、识别系统及计算机装置
CN106156765A (zh) 基于计算机视觉的安全检测方法
CN106778796A (zh) 基于混合式协同训练的人体动作识别方法及系统
CN106682606A (zh) 一种人脸确认方法及安全认证装置
CN109671274A (zh) 一种基于特征构造和融合的公路风险自动评估方法
CN105373777A (zh) 一种用于人脸识别的方法及装置
CN112818850B (zh) 基于渐进式神经网络和注意力机制的跨姿态人脸识别方法和系统
CN111860459A (zh) 一种基于显微图像的禾本科植物叶片气孔指数测量方法
CN109801225A (zh) 基于多任务全卷积神经网络的人脸网纹污迹去除方法
CN106650667A (zh) 一种基于支持向量机的行人检测方法及系统
Kamal et al. Transfer learning for fine-grained crop disease classification based on leaf images

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190820