CN110210347B - 一种基于深度学习的彩色套层剪纸智能设计方法 - Google Patents

一种基于深度学习的彩色套层剪纸智能设计方法 Download PDF

Info

Publication number
CN110210347B
CN110210347B CN201910422986.4A CN201910422986A CN110210347B CN 110210347 B CN110210347 B CN 110210347B CN 201910422986 A CN201910422986 A CN 201910422986A CN 110210347 B CN110210347 B CN 110210347B
Authority
CN
China
Prior art keywords
image
style
paper
generated
cut
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.)
Expired - Fee Related
Application number
CN201910422986.4A
Other languages
English (en)
Other versions
CN110210347A (zh
Inventor
赵森
梁辰
刘桂华
谢梅
姚超
陈凯
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201910422986.4A priority Critical patent/CN110210347B/zh
Publication of CN110210347A publication Critical patent/CN110210347A/zh
Application granted granted Critical
Publication of CN110210347B publication Critical patent/CN110210347B/zh
Expired - Fee Related 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
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • 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
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/446—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering using Haar-like filters, e.g. using integral image techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Landscapes

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

Abstract

本发明公开了一种基于深度学习的彩色套层剪纸智能设计方法，包括以下步骤：A：输入一副高清的自然图片；B：对所述高清的自然图片进行人脸识别；C：将识别出人脸的图像部分进行人脸轮廓分割处理，将未识别出人脸的图像部分进行景观轮廓分隔处理；D：对步骤A中的高清自然图片选择一种风格模型，再将选择的风格模型图像作为风格图像，经过景观轮廓分隔处理的图像部分作为内容图像进行神经风格迁移，并对同一层的生成图像通过范数函数进行修正，得到最终神经风格迁移的图像。本发明采用智能化技术来代替传统的剪纸技术，从而降低了剪纸设计门槛和设计成本，大大缩短了剪纸作品的设计和制作周期。

Description

一种基于深度学习的彩色套层剪纸智能设计方法
技术领域
本发明涉及图像智能识别领域，特别涉及一种基于深度学习的彩色套层剪纸智能设计方法。
背景技术
剪纸是我国历史悠久的文化艺术，目前我国的传统的剪纸手段是通过人工的方式进行设计、投样、开版，它大大提高了设计图样、图层剥离、投样环节的设计时间，主要体现在两个方面：
1、由于不同的剪纸风格，传统的剪纸手段需要人工对剪纸风格进行建模处理，建模处理就必有大量训练、学习的剪纸样本，延长了传统剪纸工艺的处理时间；
2、剪纸的主体是人脸，一切围绕着人脸的线条而进行设计。所以需要对图像背景进行合理的去除，而传统的剪纸手段需要人工进行去除，而背景的轮廓、线条、纹理自然与人脸不同，在处理上增加了难度。
然而就在计算机图像处理技术发达的今天，依然没有一套系统能针对性的解决中国剪纸的彩色套层工艺的图像分层处理问题，因此，传统的剪纸方式成为了我国过去几百年以来限制剪纸发展的瓶颈。
发明内容
本发明要解决的技术问题是克服现有技术的缺陷，提供一种基于深度学习的彩色套层剪纸智能设计方法，采用智能化技术来代替传统的剪纸技术，从而降低了剪纸设计门槛和设计成本，大大缩短了剪纸作品的设计和制作周期。
为了解决上述技术问题，本发明提供了如下的技术方案：
本发明一种基于深度学习的彩色套层剪纸智能设计方法，包括以下步骤：
A：输入一副高清的自然图片；
B：对所述高清的自然图片进行人脸识别；
C：将识别出人脸的图像部分进行人脸轮廓分割处理，将未识别出人脸的图像部分进行景观轮廓分隔处理；
D：对步骤A中的高清自然图片选择一种风格模型，再将选择的风格模型图像作为风格图像，经过景观轮廓分隔处理的图像部分作为内容图像进行神经风格迁移，并对同一层的生成图像通过范数函数进行修正，得到最终神经风格迁移的图像；
E：对经过人脸轮廓分割处理的图像部分进行阀值处理，再将阀值处理后的图像部分与经过神经风格迁移处理后的图像部分进行合并，得到剪纸设计图；
所述其神经风格迁移Loss的最终的表达式为：Loss＝distance(style(reference_image)-style(generated_image))+distance(content(oringinal_image)-content(generated_image))；
式中，style(reference_image)-style(generated_image)代表同一层风格损失后所生成的图像，content(oringinal_image)-content(generated_image)代表同一层内容损失后所生成的图像；
设同一层的生成图像x＝(x1、x2、x3…xn)，其范数函数的计算公式如下：distance(x)＝║x║2＝(│x1│^2+│x2│^2+…+│xn│^2)^1/2，式中，n代表生成图像的个数。
作为本发明的一种优选技术方案，在步骤B中，所述人脸识别采用HAAR+AdaBoost的检测方法，其步骤如下：
B1：采用HAAR特征中的积分图像的方式计算改特征值；
B2：将适用于人脸的各类HAAR特征采用AdaBoost算法得到的强分类器；
B3：将强分类器级联起来得到最终的级联分类器，从而得出人脸识别的图像。
作为本发明的一种优选技术方案，在步骤C中，所述轮廓分割处理采用卷积神经网络的Unet模型进行分割。
与现有技术相比，本发明的有益效果如下：
1、本发明将人脸识别、图像分割以及神经风格迁移技术运用到剪纸工艺上，解决传统的彩色剪纸设计中的设计图样、图层剥离、投样环节，降低了剪纸设计门槛和设计成本，可有效替代传统套层彩色剪纸设计工作，大大缩短了剪纸作品的设计和制作周期，促进了中国剪纸传统文化行业的迭代更新与产业升级。
2、将神经风格迁移的生成图像通过范数函数进行修正，从而提高剪纸最后的生成效果。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明的整体结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
此外，如果已知技术的详细描述对于示出本发明的特征是不必要的，则将其省略。需要说明的是，词语“多个”的含义是两个或两个以上。
实施例1
如图1所示，本发明提供一种基于深度学习的彩色套层剪纸智能设计方法，包括以下步骤：
A：输入一副高清的自然图片；
B：对所述高清的自然图片进行人脸识别；
C：将识别出人脸的图像部分进行人脸轮廓分割处理，将未识别出人脸的图像部分进行景观轮廓分隔处理，轮廓分割处理采用卷积神经网络的Unet模型进行分割；
D：对步骤A中的高清自然图片选择一种风格模型，再将选择的风格模型图像作为风格图像，经过景观轮廓分隔处理的图像部分作为内容图像进行神经风格迁移，并对同一层的生成图像通过范数函数进行修正，得到最终神经风格迁移的图像；
E：对经过人脸轮廓分割处理的图像部分进行阀值处理，阀值处理会生成一个黑白图像，再将阀值处理后的图像部分与经过神经风格迁移处理后的图像部分进行合并，得到剪纸设计图。
阀值处理的原理：当你设定了一个阈值之后，它会以此值作标准，凡是比该值大的颜色就会转换成白色，低于该值的颜色就转换成黑色，最终输出一张黑白的图片。
其中，技术板块包括基于深度学习的Unet模型，神经风格迁移和人脸检测，将深度学习的Unet模型以及HAAR+AdaBoost的人脸检测运用到本方案中，其原理如下：
人脸检测：1、采用HAAR特征中的积分图像的方式计算改特征值；
2、将适用于人脸的各类HAAR特征采用AdaBoost算法得到的强分类器；
3、将强分类器级联起来得到最终的级联分类器，从而得出人脸识别的图像。
训练级联分类器的过程：
定义每级强分类器的最小识别率和最大错误率分别为d和f，定义最终所要得到的级联分类器的错误率为F1；
设D和F2分别表示级联分类器的识别率和错误率，P、N分别表示全体正样本集和负样本集，n表示分类器数量；
初始化D＝1.0，F2＝1.0，i＝0；
在F2>F1的条件下循环；
i＝i+1，n＝n+1；
F1＝F2。
在F2>f*F1的条件下循环；
n＝n+1；
在P和N下，利用AdaBoost算法训练得到具有n个弱分类器的强分类器；
评估当前级联分类器，在验证集合中得到D和F2；
降低第i个强分类器的阈值，直至D至少等于d*(D-1)为止，降低阈值将影响到F1；
设N为空集；
若F2>F1，则用当前级联分类器评估负样本集，把识别得到的所有错误率下的样本放入N中。
Unet模型：Unet反向传播步骤如下：
(1)Y＝Matrix_1(Filter)*Matrix_2(Image)
Matrix_1和Matrix_2分别是将卷积核和图像转成矩阵函数。也就说给一个输入X，利用矩阵乘法能得到卷积后输出Y。
(2)Y＝c*x
卷积可以分解成两个矩阵相乘，卷积反向传播就是C的转置相乘。
(3)Y＝[1,2]*[X,x_1]T
Y对x求导，dy/dx＝[1,2]^T，反卷积就是转置卷积，也是一种卷积，转置卷积是由小尺寸到大尺寸的过程。也就是反卷积也可以表示为两个矩阵乘积，转置卷积的反向传播就是也可以进行。
Unet模型的设计系统是全卷积神经网络图像分割-Keras实现，Keras是由纯python编写的基于theano/tensorflow的深度学习框架。Keras是一个高级神经网络API，用Python编写，能够在TensorFlow，CNTK或Theano之上运行。
神经风格迁移：将选择的风格模型图像作为风格图像，经过景观轮廓分隔处理的图像部分作为内容图像，输入风格图像通过style函数计算出其中风格的表示，得到风格损失图像，输入内容图像通过content函数计算出其中内容的表示，得到内容损失图像，再将风格损失图像和内容损失图像相加得到神经风格迁移图像。
本发明基于实验经验，将神经风格迁移Loss中的风格损失图像和内容损失图像通过范数函数进行修正后再进行相加，得出经验公式：
Loss＝distance(style(reference_image)-style(generated_image))+distance(content(oringinal_image)-content(generated_image))；
式中，style(reference_image)-style(generated_image)代表同一层风格损失后所生成的图像，content(oringinal_image)-content(generated_image)代表同一层内容损失后所生成的图像；
设同一层的生成图像x＝(x1、x2、x3…xn)，其范数函数的计算公式如下：distance(x)＝||x||2＝(|x1|^2+|x2|^2+…+|xn|^2)^1/2，式中，n代表生成图像的个数。
将原图像和进行了神经风格迁移的图像之间的峰值信噪比作为评价指标，峰值信噪比值越大，代表神经风格迁移的效果越好，设通过范数函数进行修正后的神经风格迁移为S1，将未通过范数函数进行修正后的神经风格迁移为S2，将若干个样品图像进行神经风格迁移的峰值信噪比结果如下：
No 1 2 3 4 5 6 7 8
S1 42.96 41.78 43.86 40.33 41.29 39.92 38.97 44.32
S2 39.47 38.94 40.25 38.12 38.45 37.66 36.78 42.56
根据上述数据可以得出，通过范数函数进行修正后的神经风格迁移比未加入修正值的神经风格迁移的峰值信噪比均高出1.76db，根据以上数据得出，本发明在神经风格迁移的效果上更加突出。
根据上述实施例得出的剪纸设计图的周期为几分钟，与传统的手工方式进行剪纸处理的周期一个月的时间相比，本发明大大缩短了设计周期的时间，提高了剪纸设计图的设计效率。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于深度学习的彩色套层剪纸智能设计方法，其特征在于，包括以下步骤：
A：输入一副高清的自然图片；
B：对所述高清的自然图片进行人脸识别；
C：将识别出人脸的图像部分进行人脸轮廓分割处理，将未识别出人脸的图像部分进行景观轮廓分隔处理；
D：对步骤A中的高清自然图片选择一种风格模型，再将选择的风格模型图像作为风格图像，经过景观轮廓分隔处理的图像部分作为内容图像进行神经风格迁移，并对同一层的生成图像通过范数函数进行修正，得到最终神经风格迁移的图像；
E：对经过人脸轮廓分割处理的图像部分进行阀值处理，再将阀值处理后的图像部分与经过神经风格迁移处理后的图像部分进行合并，得到剪纸设计图；
所述最终神经风格迁移的图像表达式为：Loss＝distance(style(reference_image)-style(generated_image))+distance(content(oringinal_image)-content(generated_image))；
式中，style(reference_image)-style(generated_image)代表同一层风格损失后所生成的图像，content(oringinal_image)-content(generated_image)代表同一层内容损失后所生成的图像；
设同一层的生成图像x＝(x1、x2、x3…xn)，其范数函数的计算公式如下：distance(x)＝║x║2＝(│x1│^2+│x2│^2+…+│xn│^2)^1/2，式中，n代表生成图像的个数；^表示次方运算。
2.根据权利要求1所述的一种基于深度学习的彩色套层剪纸智能设计方法，其特征在于，在步骤B中，所述人脸识别采用HAAR+AdaBoost的检测方法，其步骤如下：
B1：采用HAAR特征中的积分图像的方式计算改特征值；
B2：将适用于人脸的各类HAAR特征采用AdaBoost算法得到的强分类器；
B3：将强分类器级联起来得到最终的级联分类器，从而得出人脸识别的图像。
3.根据权利要求1所述的一种基于深度学习的彩色套层剪纸智能设计方法，其特征在于，在步骤C中，所述轮廓分割处理采用卷积神经网络的Unet模型进行分割。
CN201910422986.4A 2019-05-21 2019-05-21 一种基于深度学习的彩色套层剪纸智能设计方法 Expired - Fee Related CN110210347B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910422986.4A CN110210347B (zh) 2019-05-21 2019-05-21 一种基于深度学习的彩色套层剪纸智能设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910422986.4A CN110210347B (zh) 2019-05-21 2019-05-21 一种基于深度学习的彩色套层剪纸智能设计方法

Publications (2)

Publication Number Publication Date
CN110210347A CN110210347A (zh) 2019-09-06
CN110210347B true CN110210347B (zh) 2021-03-23

Family

ID=67787965

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910422986.4A Expired - Fee Related CN110210347B (zh) 2019-05-21 2019-05-21 一种基于深度学习的彩色套层剪纸智能设计方法

Country Status (1)

Country Link
CN (1) CN110210347B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110956654B (zh) * 2019-12-02 2023-09-19 Oppo广东移动通信有限公司 图像处理方法、装置、设备及存储介质
CN111597169B (zh) * 2020-05-26 2023-11-24 周磊晶 基于风格迁移的个性化定制产品设计平台及定制方法
CN112991151B (zh) * 2021-02-09 2022-11-22 北京字跳网络技术有限公司 图像处理方法、图像生成方法、装置、设备和介质
CN114926705B (zh) * 2022-05-12 2024-05-28 网易（杭州）网络有限公司 封面设计模型训练方法、介质、装置和计算设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104063888A (zh) * 2014-06-19 2014-09-24 云南大学 一种基于非真实感的波谱艺术风格绘制方法
CN105574814A (zh) * 2016-01-06 2016-05-11 华南理工大学 一种肖像剪纸特效的生成方法
CN107038708A (zh) * 2017-04-21 2017-08-11 西安电子科技大学 图像识别算法在剪纸效果的应用
CN107705242A (zh) * 2017-07-20 2018-02-16 广东工业大学 一种结合深度学习与深度感知的图像风格化迁移方法
CN108470320A (zh) * 2018-02-24 2018-08-31 中山大学 一种基于cnn的图像风格化方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104063888A (zh) * 2014-06-19 2014-09-24 云南大学 一种基于非真实感的波谱艺术风格绘制方法
CN105574814A (zh) * 2016-01-06 2016-05-11 华南理工大学 一种肖像剪纸特效的生成方法
CN107038708A (zh) * 2017-04-21 2017-08-11 西安电子科技大学 图像识别算法在剪纸效果的应用
CN107705242A (zh) * 2017-07-20 2018-02-16 广东工业大学 一种结合深度学习与深度感知的图像风格化迁移方法
CN108470320A (zh) * 2018-02-24 2018-08-31 中山大学 一种基于cnn的图像风格化方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Image Style Transfer Using Convolutional Neural Networks;Leon A.Gatys 等;《CPVR 2016》;20161231;第2414-2423页 *
图像识别算法在剪纸工艺中的研究与实现;《李冰》;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180415;第2-5章 *

Also Published As

Publication number Publication date
CN110210347A (zh) 2019-09-06

Similar Documents

Publication Publication Date Title
CN110210347B (zh) 一种基于深度学习的彩色套层剪纸智能设计方法
CN111127346B (zh) 基于部分到整体注意力机制的多层次图像修复方法
CN108764471B (zh) 基于特征冗余分析的神经网络跨层剪枝方法
Liu et al. Learning converged propagations with deep prior ensemble for image enhancement
CN109919830B (zh) 一种基于美学评价的带参考人眼图像修复方法
CN110321967B (zh) 基于卷积神经网络的图像分类改进方法
CN108288035A (zh) 基于深度学习的多通道图像特征融合的人体动作识别方法
CN107516316B (zh) 一种在fcn中引入聚焦机制对静态人体图像进行分割的方法
CN109086768B (zh) 卷积神经网络的语义图像分割方法
CN109359550B (zh) 基于深度学习技术的满文文档印章提取与去除方法
CN111476346B (zh) 一种基于牛顿共轭梯度法的深度学习网络架构
CN111401247B (zh) 一种基于级联卷积神经网络的人像分割方法
CN111950340B (zh) 一种适用于戴口罩的人脸卷积神经网络特征表达学习和提取方法
CN112416293B (zh) 一种神经网络增强方法、系统及其应用
CN110120231B (zh) 基于自适应半监督非负矩阵分解的跨语料情感识别方法
CN116977844A (zh) 一种轻量级水下目标实时检测方法
CN111986117A (zh) 一种算术作业批改系统及方法
CN114882278A (zh) 一种基于注意力机制和迁移学习的轮胎花纹分类方法和装置
CN110136164B (zh) 基于在线透射变换、低秩稀疏矩阵分解去除动态背景的方法
CN109145749B (zh) 一种跨数据集的面部表情识别模型构建及识别方法
CN111160161A (zh) 一种基于噪声剔除的自步学习人脸年龄估计方法
CN113313153B (zh) 基于自适应图正则化的低秩nmf图像聚类方法与系统
CN115601744A (zh) 一种车身与车牌颜色相近的车牌检测方法
CN111968140B (zh) 基于经典感受野固视微动机制的轮廓检测方法
CN114611667A (zh) 一种基于小规模参数矩阵计算特征图边界的重构方法

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210323