CN110197205B - 一种多特征来源残差网络的图像识别方法 - Google Patents

一种多特征来源残差网络的图像识别方法 Download PDF

Info

Publication number
CN110197205B
CN110197205B CN201910385039.2A CN201910385039A CN110197205B CN 110197205 B CN110197205 B CN 110197205B CN 201910385039 A CN201910385039 A CN 201910385039A CN 110197205 B CN110197205 B CN 110197205B
Authority
CN
China
Prior art keywords
layer
feature
convolution
residual error
size
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
CN201910385039.2A
Other languages
English (en)
Other versions
CN110197205A (zh
Inventor
任东
张亚倩
任顺
马凯
黄应平
杨信廷
陆安祥
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.)
Hubei Zhigan Space Information Technology Co ltd
Original Assignee
China Three Gorges University CTGU
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 Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN201910385039.2A priority Critical patent/CN110197205B/zh
Publication of CN110197205A publication Critical patent/CN110197205A/zh
Application granted granted Critical
Publication of CN110197205B publication Critical patent/CN110197205B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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

Landscapes

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

Abstract

本发明公开了一种多特征来源残差网络的图像识别方法，构建多特征来源残差网络模型，通过卷积层和最大池化层提取浅层特征，通过多个残差模块提取深层特征，将浅层特征和深层特征相加，作为全连接层和分类器的输入；采用样本图片集对多特征来源残差网络模型进行训练、测试，采用梯度下降法对模型参数进行训练、优化；采用多特征来源残差网络模型对待分类图片进行识别分类，输出图片属于各个分类的概率。本发明提出的多特征来源残差网络模型将图像浅层特征与深层特征结合起来，作为全连接层以及分类器的输入，使模型能够兼顾图像的轮廓和纹理信息，从多个维度去认识图像，从而得到更准确的识别结果，提高了图像识别的精度。

Description

一种多特征来源残差网络的图像识别方法
技术领域
本发明属于图像识别领域，具体涉及一种多特征来源残差网络的图像识别方法。
背景技术
卷积神经网络作为深度学习领域一大代表模型，在图像识别领域的表现一直名列前茅。经典的卷积神经网络模型包括LeNet、AlexNet、VGGNet、GoogleNet、深度残差网络等，其中深度残差网络作为2015年ILSVRC比赛中获得图像识别、检测、定位三项冠军的模型，解决了传统卷积神经网络模型由于层数加深而带来的网络退化问题，使深度学习网络模型可以达到一百多层甚至一千多层。但是，无论是传统的卷积神经网络模型还是深度残差网络，都是基于深层特征的分类模型，忽略了浅层特征的重要性。
发明内容
本发明的技术问题是传统的卷积神经网络模型和深度残差网络忽略浅层特征而导致图像识别结果精度损失，本发明的目的是提供一种多特征来源残差网络的图像识别方法，将图像的浅层特征与深层特征相结合，作为分类器的输入，提高图像识别的精度。
本发明的技术方案是一种多特征来源残差网络的图像识别方法，包括以下步骤，
步骤1：构建多特征来源残差网络模型，加入浅层特征连接，选择损失函数、激活函数，设置模型参数；
步骤1.1：构建多特征来源残差网络模型，包括输入层、卷积层、最大池化层、多个残差模块、全连接层；
步骤1.2：通过卷积层和最大池化层提取浅层特征，输出到全连接层；
步骤1.3：通过多个残差模块提取深层特征，输出到全连接层；
步骤1.4：将浅层特征和深层特征相加，作为全连接层的输入；
步骤1.5：将全连接层连接到分类器；
步骤2：列出多特征来源残差网络模型的识别目标对象的所有分类；
步骤3：建立样本图片集，采用样本图片集对多特征来源残差网络模型进行训练、测试，采用梯度下降法对模型参数进行训练、优化；
步骤4：判断多特征来源残差网络模型对图片的识别分类的精度；
步骤4.1：若未达到设定精度，则执行步骤3；
步骤4.2：若达到设定精度，则执行步骤5；
步骤5：采用多特征来源残差网络模型对待分类图片进行识别分类，输出图片属于各个分类的概率。
进一步地，所述对多特征来源残差网络模型进行训练、测试的方法，具体包括以下步骤，
步骤1：收集、整理图片样本集；
步骤2：人为对图片样本进行分类，每张图片样本添加分类标签；
步骤3：将图片样本集分为训练样本集和测试样本集；
步骤4：采用训练样本集对多特征来源残差网络模型进行训练，采用梯度下降法对模型参数进行训练、优化；
步骤5：采用测试样本集对多特征来源残差网络模型的识别精度进行测试。
进一步地，多特征来源残差网络模型的损失函数为交叉熵函数。
进一步地，多特征来源残差网络模型的激活函数为Relu函数。
进一步地，多特征来源残差网络的图像识别方法步骤1.3中的残差模块数量为9。
进一步地，多特征来源残差网络的图像识别方法步骤4中的设定精度为90％。
与现有技术相比，本发明的有益效果是本发明提出的多特征来源残差网络模型将图像浅层特征与深层特征结合起来，作为全连接层以及分类器的输入，使模型能够兼顾图像的轮廓和纹理信息，从多个维度去认识图像，从而得到更准确的识别结果，提高了图像识别的精度，克服了传统的卷积神经网络模型和深度残差网络忽略浅层特征而导致的图像识别结果精度损失的缺陷。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1为本发明的多特征来源残差网络的示意图。
具体实施方式
一种多特征来源残差网络的图像识别方法，包括以下步骤，
步骤1：构建多特征来源残差网络模型，加入浅层特征连接，选择损失函数、激活函数，设置模型参数；
步骤1.1：构建多特征来源残差网络模型，包括输入层、卷积层、最大池化层、多个残差模块、全连接层；
步骤1.2：通过卷积层和最大池化层提取浅层特征，输出到全连接层；
步骤1.3：通过9个残差模块提取深层特征，输出到全连接层；
步骤1.4：将浅层特征和深层特征相加，作为全连接层的输入；
步骤1.5：将全连接层连接到分类器；
步骤2：列出多特征来源残差网络模型的识别目标对象的所有分类；
步骤3：建立样本图片集，采用样本图片集对多特征来源残差网络模型进行训练、测试，采用梯度下降法对模型参数进行训练、优化；
步骤4：判断多特征来源残差网络模型对图片的识别分类的精度是否达到90％；
步骤4.1：若精度未达到90％，则执行步骤3；
步骤4.2：若精度达到90％，则执行步骤5；
步骤5：采用多特征来源残差网络模型对待分类图片进行识别分类，输出图片属于各个分类的概率。
对多特征来源残差网络模型进行训练、测试的方法，具体包括以下步骤，
步骤1：收集、整理图片样本集；
步骤2：人为对图片样本进行分类，每张图片样本添加分类标签；
步骤3：将图片样本集分为训练样本集和测试样本集；
步骤4：采用训练样本集对多特征来源残差网络模型进行训练，采用梯度下降法对模型参数进行训练、优化；
步骤5：采用测试样本集对多特征来源残差网络模型的识别精度进行测试。
多特征来源残差网络模型的损失函数为交叉熵函数，交叉熵损失函数式如下
Figure BDA0002054574170000021
式中C表示损失，n代表样本总数，x表示输入样本，a表示输出值，y表示实际值；
多特征来源残差网络模型的激活函数为Relu函数，Relu函数的表达式如下
Relu(x)＝max(0,x)
式中x表示神经元的输入；
梯度下降法使损失函数达到最小，将损失函数在网络模型中进行反向传播，沿着梯度下降的方向更新各层的权值和偏置：
Figure BDA0002054574170000022
Figure BDA0002054574170000023
式中wi和bi分别表示第i层的权值变量和偏移量，η表示学习率，E(w,b)表示损失函数。
多特征来源残差网络模型的分类器为SoftMax分类器。
如图1所示，一种实施例中，多特征来源残差网络采用9个残差模块，共20层，具体结构包括：
(1)输入层，将经过预处理的整幅图像输入模型；输入层之后分别进行浅层特征的提取和深层特征的提取，提取浅层特征，主要是为了得到和深层特征一样大小和维度的特征图；
(2)浅层特征的卷积层，卷积层包括64个1*1大小的卷积核，经过此层处理后得到64张特征图，特征图大小减小为原来的二分之一；每个卷积层后面都连接一个激活函数，以增加网络模型的非线性。卷积层的操作可以描述为
Figure BDA0002054574170000031
其中Hi表示第i层的特征图，wi和bi分别表示第i层卷积核的权值变量和偏移量，运算符号
Figure BDA0002054574170000032
代表卷积操作，f(x)代表非线性的激活函数；
(3)浅层特征的最大池化层，将每张图像再减小为原来的二分之一；最大池化层的作用是给特征图降维，并在一定程度上保持特征的尺度不变性；
(4)深层特征的第一个卷积层，由16个大小为3*3的卷积核构成；经过这一层处理后，每张图像得到16张特征图，特征图大小与原图一致；
(5)深层特征的第一个残差模块。包括两个卷积层，每个卷积层包括16个3*3大小的卷积核，第一层卷积的输入经过一个shortcut连接叠加到第二层卷积的输出，将叠加后的特征图输出给激活函数；经过处理后得到16张特征图，大小与原图一致；
(6)深层特征的第二个残差模块，与第一个残差模块相同；
(7)深层特征的第三个残差模块，与第一个残差模块相同；
(8)深层特征的第四个残差模块，包括两个卷积层，每个卷积层包括32个3*3大小的卷积核，经过第一层卷积处理后得到32张特征图，大小减小为原图的二分之一；所以此残差模块中第一层卷积的输入和第二层卷积的输出的大小和维度不一致，为了统一特征图大小和维度，将第一层卷积的输入经过最大池化操作以缩小特征图，再进行维度扩充后经过shortcut连接与第二层卷积的输出相加；
(9)深层特征的第五个残差模块，包括两个卷积层，每个卷积层包括32个3*3大小的卷积核，经过处理后得到32张特征图，特征图大小与输入特征图大小一致；
(10)深层特征的第六个残差模块，与第五个残差模块相同；
(11)深层特征的第七个残差模块，包括两个卷积层，每个卷积层包括64个3*3大小的卷积核，经过第一层卷积处理后得到64张特征图，大小减小为原图的二分之一，对第一层卷积输入做步骤(6)中所述统一特征图大小和维度操作，经过shortcut连接与第二层卷积的输出相加；
(12)深层特征的第八个残差模块，包括两个卷积层，每个卷积层包括64个3*3大小的卷积核，经过处理后得到64张特征图，特征图大小与输入特征图大小一致；
(13)深层特征的第九个残差模块，与第八个残差模块相同；
(14)全连接层，将浅层特征的最大池化层输出的浅层特征和深层特征的第九个残差模块输出的深层特征相加，经过激活函数后再做全局平均池化操作输入到全连接层，输出节点数量与识别目标对象的所有分类的数量相等。
采用CIFAR10标准数据集作为图片样本集对本发明的多特征来源残差网络进行训练、测试，CIFAR10标准数据集包含10种普适物体类别，如猫、狗、飞机、轮船等，训练集样本共50000张，测试集样本10000张，图像大小为32*32；设置训练总迭代次数为100，设置初始学习率为0.1，迭代次数达到50次后将学习率衰减为原来的0.1倍。
经过训练、测试后，对本发明的多特征来源残差网络进行图像识别分类的效果验证，图像识别结果如表一所示。本发明所提出的多特征来源残差网络在不增加深度和迭代次数的基础上，相比其他网络模型，在识别精度上得到了明显的效果提升。多特征来源残差网络的准确率比LeNet5提升了13.5％，比AlexNet提升了4.3％，比VGGNet提高3.2％，而与原深度残差残差网络模型相比，则提高了2.2％，达到了92.8％的识别率。
表一 多特征来源残差网络的图像识别分类结果对比表
算法模型 层数 迭代次数 测试集准确率
LeNet5 7 100 0.793
AlexNet 11 100 0.885
VGGNet 19 100 0.896
深度残差网络 20 100 0.906
多特征来源残差网络 20 100 0.928

Claims (5)

1.一种多特征来源残差网络的图像识别方法，其特征在于，包括以下步骤，
步骤1：构建多特征来源残差网络模型，加入浅层特征连接，选择损失函数、激活函数，设置模型参数；
步骤1.1：构建多特征来源残差网络模型，包括输入层、卷积层、最大池化层、多个残差模块、全连接层；
步骤1.2：通过卷积层和最大池化层提取浅层特征，输出到全连接层；
步骤1.3：通过多个残差模块提取深层特征，输出到全连接层；
步骤1.4：将浅层特征和深层特征相加，作为全连接层的输入；
步骤1.5：将全连接层连接到分类器；
步骤2：列出多特征来源残差网络模型的识别目标对象的所有分类；
步骤3：建立样本图片集，采用样本图片集对多特征来源残差网络模型进行训练、测试，采用梯度下降法对模型参数进行训练、优化；
步骤4：判断多特征来源残差网络模型对图片的识别分类的精度；
步骤4.1：若未达到设定精度，则执行步骤3；
步骤4.2：若达到设定精度，则执行步骤5；
步骤5：采用多特征来源残差网络模型对待分类图片进行识别分类，输出图片属于各个分类的概率；
步骤4中，所述设定精度为90%；
多特征来源残差网络模型的具体结构包括：
（1）输入层，将经过预处理的整幅图像输入模型；输入层之后分别进行浅层特征的提取和深层特征的提取，提取浅层特征，主要是为了得到和深层特征一样大小和维度的特征图；
（2）浅层特征的卷积层，卷积层包括64个1*1大小的卷积核，经过此层处理后得到64张特征图，特征图大小减小为原来的二分之一；每个卷积层后面都连接一个激活函数，以增加网络模型的非线性；
（3）浅层特征的最大池化层，将每张图像再减小为原来的二分之一；最大池化层的作用是给特征图降维，并在一定程度上保持特征的尺度不变性；
（4）深层特征的第一个卷积层，包括16个大小为3*3的卷积核；经过这一层处理后，每张图像得到16张特征图，特征图大小与原图一致；
（5）深层特征的第一个残差模块；包括两个卷积层，每个卷积层包括16个3*3大小的卷积核，第一层卷积的输入经过一个shortcut连接叠加到第二层卷积的输出，将叠加后的特征图输出给激活函数；经过处理后得到16张特征图，大小与原图一致；
（6）深层特征的第二个残差模块，与第一个残差模块相同；
（7）深层特征的第三个残差模块，与第一个残差模块相同；
（8）深层特征的第四个残差模块，包括两个卷积层，每个卷积层包括32个3*3大小的卷积核，经过第一层卷积处理后得到32张特征图，大小减小为原图的二分之一；所以此残差模块中第一层卷积的输入和第二层卷积的输出的大小和维度不一致，为了统一特征图大小和维度，将第一层卷积的输入经过最大池化操作以缩小特征图，再进行维度扩充后经过shortcut连接与第二层卷积的输出相加；
（9）深层特征的第五个残差模块，包括两个卷积层，每个卷积层包括32个3*3大小的卷积核，经过处理后得到32张特征图，特征图大小与输入特征图大小一致；
（10）深层特征的第六个残差模块，与第五个残差模块相同；
（11）深层特征的第七个残差模块，包括两个卷积层，每个卷积层包括64个3*3大小的卷积核，经过第一层卷积处理后得到64张特征图，大小减小为原图的二分之一，对第一层卷积输入做步骤（8）中所述的统一特征图大小和维度操作，经过shortcut连接与第二层卷积的输出相加；
（12）深层特征的第八个残差模块，包括两个卷积层，每个卷积层包括64个3*3大小的卷积核，经过处理后得到64张特征图，特征图大小与输入特征图大小一致；
（13）深层特征的第九个残差模块，与第八个残差模块相同；
（14）全连接层，将浅层特征的最大池化层输出的浅层特征和深层特征的第九个残差模块输出的深层特征相加，经过激活函数后再做全局平均池化操作输入到全连接层，输出节点数量与识别目标对象的所有分类的数量相等。
2.根据权利要求1所述的多特征来源残差网络的图像识别方法，其特征在于，所述对多特征来源残差网络模型进行训练、测试的方法，具体包括以下步骤，
步骤1：收集、整理图片样本集；
步骤2：人为对图片样本进行分类，每张图片样本添加分类标签；
步骤3：将图片样本集分为训练样本集和测试样本集；
步骤4：采用训练样本集对多特征来源残差网络模型进行训练，采用梯度下降法对模型参数进行训练、优化；
步骤5：采用测试样本集对多特征来源残差网络模型的识别精度进行测试。
3.根据权利要求1所述的多特征来源残差网络的图像识别方法，其特征在于，多特征来源残差网络模型的损失函数为交叉熵函数。
4.根据权利要求1所述的多特征来源残差网络的图像识别方法，其特征在于，多特征来源残差网络模型的激活函数为Relu函数。
5.根据权利要求1所述的多特征来源残差网络的图像识别方法，其特征在于，步骤1.3中所述的残差模块数量为9。
CN201910385039.2A 2019-05-09 2019-05-09 一种多特征来源残差网络的图像识别方法 Active CN110197205B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910385039.2A CN110197205B (zh) 2019-05-09 2019-05-09 一种多特征来源残差网络的图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910385039.2A CN110197205B (zh) 2019-05-09 2019-05-09 一种多特征来源残差网络的图像识别方法

Publications (2)

Publication Number Publication Date
CN110197205A CN110197205A (zh) 2019-09-03
CN110197205B true CN110197205B (zh) 2022-04-22

Family

ID=67752432

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910385039.2A Active CN110197205B (zh) 2019-05-09 2019-05-09 一种多特征来源残差网络的图像识别方法

Country Status (1)

Country Link
CN (1) CN110197205B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110619631A (zh) * 2019-09-16 2019-12-27 中山大学 一种基于残差网络的超分辨图像检测方法
CN115049831A (zh) * 2019-09-20 2022-09-13 成都芯云微电子有限公司 一种瓶颈缩边模型、神经元网络及其构建方法
CN110909601B (zh) * 2019-10-18 2022-12-09 武汉虹识技术有限公司 一种基于深度学习的美瞳识别方法及系统
CN111160389A (zh) * 2019-12-02 2020-05-15 东北石油大学 一种基于融合vgg的岩性识别方法
CN111192237B (zh) * 2019-12-16 2023-05-02 重庆大学 一种基于深度学习的涂胶检测系统和方法
CN112163574A (zh) * 2020-11-23 2021-01-01 南京航天工业科技有限公司 一种基于深度残差网络的etc干扰信号发射机的识别方法及系统
CN112633075B (zh) * 2020-11-30 2022-03-29 东南大学 一种基于深度改进残差网络的sar图像分类方法
CN112560968B (zh) * 2020-12-21 2022-08-19 齐鲁工业大学 一种基于卷积和残差网络的her2图像分类方法及系统
CN113435488B (zh) * 2021-06-17 2023-11-07 深圳大学 一种图像采样概率提升方法及其应用
CN113505821B (zh) * 2021-06-29 2022-09-27 重庆邮电大学 一种基于样本可信度的深度神经网络图像识别方法及系统
CN113627558A (zh) * 2021-08-19 2021-11-09 中国海洋大学 鱼类图像识别方法、系统及设备
CN113807363B (zh) * 2021-09-08 2024-04-19 西安电子科技大学 基于轻量化残差网络的图像分类方法
CN114818835B (zh) * 2022-06-27 2022-09-23 山东大学 基于差异特征提取及融合的旋转机械故障诊断方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108492258B (zh) * 2018-01-17 2021-12-07 天津大学 一种基于生成对抗网络的雷达图像去噪方法
CN108090906B (zh) * 2018-01-30 2021-04-20 浙江大学 一种基于区域提名的宫颈图像处理方法及装置
CN108460408B (zh) * 2018-02-05 2020-04-07 西安电子科技大学 基于残差学习和条件gan的极化sar图像分类方法
CN108334847B (zh) * 2018-02-06 2019-10-22 哈尔滨工业大学 一种真实场景下的基于深度学习的人脸识别方法
CN110232394B (zh) * 2018-03-06 2021-08-10 华南理工大学 一种多尺度图像语义分割方法

Also Published As

Publication number Publication date
CN110197205A (zh) 2019-09-03

Similar Documents

Publication Publication Date Title
CN110197205B (zh) 一种多特征来源残差网络的图像识别方法
CN111414942B (zh) 一种基于主动学习和卷积神经网络的遥感图像分类方法
CN110334765B (zh) 基于注意力机制多尺度深度学习的遥感影像分类方法
CN103699523B (zh) 产品分类方法和装置
CN109859164B (zh) 一种通过快速型卷积神经网络对pcba外观检验的方法
CN113705641B (zh) 基于富上下文网络的高光谱图像分类方法
CN112633350A (zh) 一种基于图卷积的多尺度点云分类实现方法
CN109492230B (zh) 一种基于感兴趣文本域卷积神经网络提取保险合同关键信息的方法
CN107830996B (zh) 一种飞行器舵面系统故障诊断方法
CN112990282B (zh) 一种细粒度小样本图像的分类方法及装置
CN105654136A (zh) 一种基于深度学习的大规模遥感影像目标自动识别方法
CN113077444A (zh) 一种基于cnn的超声无损检测图像缺陷分类方法
CN112818893A (zh) 一种面向移动终端的轻量化开集地标识别方法
CN111639697B (zh) 基于非重复采样与原型网络的高光谱图像分类方法
CN112364974B (zh) 一种基于激活函数改进的YOLOv3算法
CN111222545A (zh) 基于线性规划增量学习的图像分类方法
CN116630700A (zh) 基于引入通道-空间注意力机制的遥感图像分类方法
CN114863938A (zh) 一种基于注意力残差和特征融合的鸟语识别方法和系统
CN114067314B (zh) 一种基于神经网络的花生霉变识别方法及系统
CN116796248A (zh) 森林康养环境评估系统及其方法
CN117253122A (zh) 玉米种子近似品种筛选方法、装置、设备及存储介质
CN111222575A (zh) 一种基于hrrp目标识别的klxs多模型融合方法及系统
CN111914922B (zh) 一种基于局部卷积和空洞卷积的高光谱图像分类方法
Sadati et al. An improved image classification based in feature extraction from convolutional neural network: application to flower classification
CN112085001A (zh) 一种基于多尺度边缘特征检测的隧道识别模型及方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221130

Address after: No. 13, Lantai Road, High tech Zone, Yichang City, Hubei Province, 443008

Patentee after: Hubei Zhigan Space Information Technology Co.,Ltd.

Address before: 443002 No. 8, University Road, Xiling District, Yichang, Hubei

Patentee before: CHINA THREE GORGES University