CN110263874A - 一种基于注意力关系图学习的图像分类方法及装置 - Google Patents

一种基于注意力关系图学习的图像分类方法及装置 Download PDF

Info

Publication number
CN110263874A
CN110263874A CN201910564976.4A CN201910564976A CN110263874A CN 110263874 A CN110263874 A CN 110263874A CN 201910564976 A CN201910564976 A CN 201910564976A CN 110263874 A CN110263874 A CN 110263874A
Authority
CN
China
Prior art keywords
attention
image
relational graph
study
model
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
CN201910564976.4A
Other languages
English (en)
Inventor
袭肖明
于治楼
姜凯
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.)
Shandong Inspur Artificial Intelligence Research Institute Co Ltd
Original Assignee
Shandong Inspur Artificial Intelligence Research Institute Co Ltd
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 Shandong Inspur Artificial Intelligence Research Institute Co Ltd filed Critical Shandong Inspur Artificial Intelligence Research Institute Co Ltd
Priority to CN201910564976.4A priority Critical patent/CN110263874A/zh
Publication of CN110263874A publication Critical patent/CN110263874A/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
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开一种基于注意力关系图学习的图像分类方法，涉及图像处理技术领域，包括训练部分和分类部分；在训练部分，首先采集图像，随后通过引入注意力映射学习模型和最大区间近邻度量学习方法完成注意力关系图的构建，随后将注意力关系图输入图卷积神经网络进行处理后获得分类结果，最后，通过学习注意力关系图和分类结果构建图卷积神经网络模型；在分类部分，采集图像后，利用注意力映射学习模型和最大区间近邻度量学习方法构建图像的注意力关系图，最后将注意力关系图输入图卷积神经网络模型，得出分类结果。本发明还提供一种基于注意力关系图学习的图像分类装置，其与前述分类方法相结合，通过获取图像的有效目标完成图像的分类。

Description

一种基于注意力关系图学习的图像分类方法及装置
技术领域
本发明涉及图像处理技术领域，具体的说是一种基于注意力关系图学习的图像分类方法及装置。
背景技术
图像分类是图像处理、计算机视觉等领域的重要组成部分。然而在某些任务中，由于分类模型忽略了主要目标的有效信息，降低了图像的分类精度。针对现有分类方法忽略目标有效信息问题。因此，如何有效解决目标有效信息的提取及利用问题对于图像分类，具有重要的研究意义和应用价值。
发明内容
本发明针对现有分类模型因忽略了主要目标的有效信息而降低图像分类精度的问题，提供一种基于注意力关系图学习的图像分类方法及装置。
首先，本发明公开一种基于注意力关系图学习的图像分类方法，解决上述技术问题采用的技术方案如下：
一种基于注意力关系图学习的图像分类方法，该分类方法包括：
(一)训练部分：
步骤一、采集图像，所采集图像作为样本图像；
步骤二、引入注意力映射学习模型，学习图像中能够引起人注意的区域信息，获取该图像的注意力映射；
步骤三、引入最大区间近邻度量学习方法，基于注意力映射学习模型获取图像的注意力映射，构建注意力关系图；
步骤四、将注意力关系图输入图卷积神经网络进行处理，获得分类结果；
步骤五、循环执行步骤一至步骤四，学习同一张图像的注意力关系图和分类结果，在图卷积神经网络的基础上训练并构建图卷积神经网络模型；
(二)分类部分：
步骤一、采集图像，所采集图像作为待分类图像；
步骤二、将图像输入注意力映射学习模型，获取该图像的注意力映射；
步骤三、基于注意力映射学习模型获取图像的注意力映射，通过最大区间近邻度量学习方法构建注意力关系图；
步骤四、将注意力关系图输入图卷积神经网络模型，获得分类结果。
具体的，所涉及注意力映射学习模型采用U-net模型作为基础模型。
可选的，通过最大区间近邻度量学习方法构建注意力关系图的具体操作包括：
1)将图像的每个像素作为图的节点，构造图的节点；
2)提取每个像素点的灰度、空间及邻域平均灰度信息作为每个像素点的特征。；
3)基于最大间隔近邻度量学习方法，学习一个马氏度量空间，该空间是基于现有数据学习出来的最优相似度度量空间；
4)学习马氏度量空间后，可以获取像素之间的相关性信息；
5)马氏度量空间计算出来的距离即为两两像素之间的相似度，基于像素之间的相似度和设定阈值，构建图中任意两个节点的边，从而完成度量关系图的构建。
具体的，所涉及图卷积神经网络模型包含1*1的卷积层。
其次，本发明还公开一种基于注意力关系图学习的图像分类装置，该装置包括：
采集模块，用于采集图像并作为样本图像或待分类图像；
注意力映射学习模型，用于学习图像中能够引起人注意的区域信息，获取该图像的注意力映射；
引入构建模块，基于注意力映射学习模型获取图像的注意力映射，引入最大区间近邻度量学习方法以构建注意力关系图；
图卷积神经网络，用于接收注意力关系图以获取像素之间的相关性信息，进而输出分类结果；
学习构建模块，用于学习同一张图像的注意力关系图和分类结果，在图卷积神经网络的基础上训练并构建图卷积神经网络模型；
图卷积神经网络模型对构建注意力关系图进行处理，并输出分类结果。
具体的，所涉及注意力映射学习模型采用U-net模型作为基础模型。
具体的，所涉及引入构建模块包括：
构造子模块，针对去噪后图像，用于将图像的每个像素作为图的节点，以构造图的节点；
提取子模块，用于提取每个像素点的灰度、空间及邻域平均灰度信息作为每个像素点的特征；
引入学习子模块，用于引入最大间隔近邻度量学习方法，并学习一个马氏度量空间，该空间是基于现有数据学习出来的最优相似度度量空间；
获取子模块，通过学习马氏度量空间获取像素之间的相关性信息；
设定子模块二，用于设定相似度阈值；
计算构建子模块，用于通过马氏度量空间计算两两像素之间的相似度，并基于相似度和设定的相似度阈值构建图中任意两个节点的边，从而完成度量关系图的构建。
具体的，所涉及图卷积神经网络模型包含1*1的卷积层。
本发明的一种基于注意力关系图学习的图像分类方法及装置，与现有技术相比具有的有益效果是：
1)本发明的图像分类方法包括训练部分和分类部分；在训练部分，首先采集图像，随后通过引入注意力映射学习模型和最大区间近邻度量学习方法完成注意力关系图的构建，随后将注意力关系图输入图卷积神经网络进行处理后获得分类结果，最后，通过学习注意力关系图和分类结果构建图卷积神经网络模型；在分类部分，采集图像后，利用注意力映射学习模型获取图像的注意力映射，利用最大区间近邻度量学习方法构建图像的注意力关系图，最后将注意力关系图输入图卷积神经网络模型，直接得出分类结果，提高分类精度；
2)本发明的图像分类装置通过采集模块、注意力映射学习模型、引入构建模块、图卷积神经网络、学习构建模块完成图卷积神经网络模型的构建，又通过采集模块、注意力映射学习模型、引入构建模块、图卷积神经网络模型，由此通过获取图像的有效信息得出图像的分类结果，提高图像的分类精度。
附图说明
附图1是本发明实施例一训练部分的流程框图；
附图2是本发明实施例一分类部分的流程框图；
附图3是本发明实施例二的结构连接框图。
附图3中各标号信息表示：
10、采集模块，20、注意力映射学习模型，30、引入构建模块，
40、图卷积神经网络，50、学习构建模块，60、图卷积神经网络模型，
31、构造子模块，32、引入学习子模块，33、获取子模块，
34、设定子模块二，35、计算构建子模块，36、提取子模块。
具体实施方式
为使本发明的技术方案、解决的技术问题和技术效果更加清楚明白，以下结合具体实施例，对本发明的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下获得的所有实施例,都在本发明的保护范围之内。
实施例一：
结合附图1、2，本实施例提出一种基于注意力关系图学习的图像分类方法，该分类方法包括：
S10、训练部分：
S11、采集图像，所采集图像作为样本图像；
S12、引入注意力映射学习模型，学习图像中能够引起人注意的区域信息，获取该图像的注意力映射；
S13、引入最大区间近邻度量学习方法，基于注意力映射学习模型获取图像的注意力映射，构建注意力关系图；
S14、将注意力关系图输入图卷积神经网络进行处理，获得分类结果；
S15、循环执行步骤S11至步骤S14，学习同一张图像的注意力关系图和分类结果，在图卷积神经网络的基础上训练并构建图卷积神经网络模型；
S20、分类部分：
S21、采集图像，所采集图像作为待分类图像；
S22、将图像输入注意力映射学习模型，获取该图像的注意力映射；
S23、基于注意力映射学习模型获取图像的注意力映射，通过最大区间近邻度量学习方法构建注意力关系图；
S24、将注意力关系图输入图卷积神经网络模型，获得分类结果。
在本实施例中，所涉及注意力映射学习模型采用U-net模型作为基础模型。
在本实施例中，通过最大区间近邻度量学习方法构建注意力关系图的具体操作包括：
1)将图像的每个像素作为图的节点，构造图的节点；
2)提取每个像素点的灰度、空间及邻域平均灰度信息作为每个像素点的特征。；
3)基于最大间隔近邻度量学习方法，学习一个马氏度量空间，该空间是基于现有数据学习出来的最优相似度度量空间；
4)学习马氏度量空间后，可以获取像素之间的相关性信息；
5)马氏度量空间计算出来的距离即为两两像素之间的相似度，基于像素之间的相似度和设定阈值，构建图中任意两个节点的边，从而完成度量关系图的构建。
在本实施例中，所涉及图卷积神经网络模型包含1*1的卷积层。
本实施例包括训练部分和分类部分；在训练部分，旨在将注意力关系图输入图卷积神经网络，图卷积神经网络输出分类结果，随后，学习同一张图像的注意力关系图和分类结果，在图卷积神经网络的基础上训练并构建图卷积神经网络模型，在分类部分则依次进行如下操作：采集图像，利用注意力映射学习模型获取图像的注意力映射，利用最大区间近邻度量学习方法构建图像的注意力关系图，最后将注意力关系图输入图卷积神经网络模型，直接得出分类结果；
实施例二：
结合附图3，本实施例提出一种基于注意力关系图学习的图像分类装置，该装置包括：
采集模块10，用于采集图像并作为样本图像或待分类图像；
注意力映射学习模型20，用于学习图像中能够引起人注意的区域信息，获取该图像的注意力映射；
引入构建模块30，基于注意力映射学习模型20获取图像的注意力映射，引入最大区间近邻度量学习方法以构建注意力关系图；
图卷积神经网络40，用于接收注意力关系图以获取像素之间的相关性信息，进而输出分类结果；
学习构建模块50，用于学习同一张图像的注意力关系图和分类结果，在图卷积神经网络40的基础上训练并构建图卷积神经网络模型60；
图卷积神经网络模型60对构建注意力关系图进行处理，并输出分类结果。
在本实施例中，所涉及注意力映射学习模型20采用U-net模型作为基础模型。
在本实施例中，所涉及引入构建模块30包括：
构造子模块31，针对去噪后图像，用于将图像的每个像素作为图的节点，以构造图的节点；
提取子模块36，用于提取每个像素点的灰度、空间及邻域平均灰度信息作为每个像素点的特征；
引入学习子模块32，用于引入最大间隔近邻度量学习方法，并学习一个马氏度量空间，该空间是基于现有数据学习出来的最优相似度度量空间；
获取子模块33，通过学习马氏度量空间获取像素之间的相关性信息；
设定子模块二34，用于设定相似度阈值；
计算构建子模块35，用于通过马氏度量空间计算两两像素之间的相似度，并基于相似度和设定的相似度阈值构建图中任意两个节点的边，从而完成度量关系图的构建。
在本实施例中，所涉及图卷积神经网络模型60包含1*1的卷积层。
本发明的图像分类装置通过采集模块10、注意力映射学习模型20、引入构建模块30、图卷积神经网络40、学习构建模块50完成图卷积神经网络模型60的构建，又通过采集模块10、注意力映射学习模型20、引入构建模块30、图卷积神经网络模型60得出图像的分类结果。
综上可知，采用本发明的一种基于注意力关系图学习的图像分类方法及装置，可以获取图像的有效信息，进行图像快速分类，解决现有分类模型因为忽略了主要目标的有效信息而降低图像分类精度的问题。
以上应用具体个例对本发明的原理及实施方式进行了详细阐述，这些实施例只是用于帮助理解本发明的核心技术内容，并不用于限制本发明的保护范围，本发明的技术方案不限制于上述具体实施方式内。基于本发明的上述具体实施例，本技术领域的技术人员在不脱离本发明原理的前提下，对本发明所作出的任何改进和修饰，皆应落入本发明的专利保护范围。

Claims (8)

1.一种基于注意力关系图学习的图像分类方法，其特征在于，该分类方法包括：
(一)训练部分：
步骤一、采集图像，所采集图像作为样本图像；
步骤二、引入注意力映射学习模型，学习图像中能够引起人注意的区域信息，获取该图像的注意力映射；
步骤三、引入最大区间近邻度量学习方法，基于注意力映射学习模型获取图像的注意力映射，构建注意力关系图；
步骤四、将注意力关系图输入图卷积神经网络进行处理，获得分类结果；
步骤五、循环执行步骤一至步骤四，学习同一张图像的注意力关系图和分类结果，在图卷积神经网络的基础上训练并构建图卷积神经网络模型；
(二)分类部分：
步骤一、采集图像，所采集图像作为待分类图像；
步骤二、将图像输入注意力映射学习模型，获取该图像的注意力映射；
步骤三、基于注意力映射学习模型获取图像的注意力映射，通过最大区间近邻度量学习方法构建注意力关系图；
步骤四、将注意力关系图输入图卷积神经网络模型，获得分类结果。
2.根据权利要求1所述的一种基于注意力关系图学习的图像分类方法，其特征在于，所述注意力映射学习模型采用U-net模型作为基础模型。
3.根据权利要求1所述的一种基于注意力关系图学习的图像分类方法，其特征在于，通过最大区间近邻度量学习方法构建注意力关系图的具体操作包括：
1)将图像的每个像素作为图的节点，构造图的节点；
2)提取每个像素点的灰度、空间及邻域平均灰度信息作为每个像素点的特征。；
3)基于最大间隔近邻度量学习方法，学习一个马氏度量空间，该空间是基于现有数据学习出来的最优相似度度量空间；
4)学习马氏度量空间后，可以获取像素之间的相关性信息；
5)马氏度量空间计算出来的距离即为两两像素之间的相似度，基于像素之间的相似度和设定阈值，构建图中任意两个节点的边，从而完成度量关系图的构建。
4.根据权利要求1所述的一种基于注意力关系图学习的图像分类方法，其特征在于，所述图卷积神经网络模型包含1*1的卷积层。
5.一种基于注意力关系图学习的图像分类装置，其特征在于，该装置包括：
采集模块，用于采集图像并作为样本图像或待分类图像；
注意力映射学习模型，用于学习图像中能够引起人注意的区域信息，获取该图像的注意力映射；
引入构建模块，基于注意力映射学习模型获取图像的注意力映射，引入最大区间近邻度量学习方法以构建注意力关系图；
图卷积神经网络，用于接收注意力关系图以获取像素之间的相关性信息，进而输出分类结果；
学习构建模块，用于学习同一张图像的注意力关系图和分类结果，在图卷积神经网络的基础上训练并构建图卷积神经网络模型；
图卷积神经网络模型对构建注意力关系图进行处理，并输出分类结果。
6.根据权利要求5所述的一种基于注意力关系图学习的图像分类装置，其特征在于，所述注意力映射学习模型采用U-net模型作为基础模型。
7.根据权利要求5所述的一种基于注意力关系图学习的图像分类装置，其特征在于，所述引入构建模块包括：
构造子模块，针对去噪后图像，用于将图像的每个像素作为图的节点，以构造图的节点；
提取子模块，用于提取每个像素点的灰度、空间及邻域平均灰度信息作为每个像素点的特征；
引入学习子模块，用于引入最大间隔近邻度量学习方法，并学习一个马氏度量空间，该空间是基于现有数据学习出来的最优相似度度量空间；
获取子模块，通过学习马氏度量空间获取像素之间的相关性信息；
设定子模块二，用于设定相似度阈值；
计算构建子模块，用于通过马氏度量空间计算两两像素之间的相似度，并基于相似度和设定的相似度阈值构建图中任意两个节点的边，从而完成度量关系图的构建。
8.根据权利要求5所述的一种基于注意力关系图学习的图像分类装置，其特征在于，所述图卷积神经网络模型包含1*1的卷积层。
CN201910564976.4A 2019-06-27 2019-06-27 一种基于注意力关系图学习的图像分类方法及装置 Pending CN110263874A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910564976.4A CN110263874A (zh) 2019-06-27 2019-06-27 一种基于注意力关系图学习的图像分类方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910564976.4A CN110263874A (zh) 2019-06-27 2019-06-27 一种基于注意力关系图学习的图像分类方法及装置

Publications (1)

Publication Number Publication Date
CN110263874A true CN110263874A (zh) 2019-09-20

Family

ID=67922160

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910564976.4A Pending CN110263874A (zh) 2019-06-27 2019-06-27 一种基于注意力关系图学习的图像分类方法及装置

Country Status (1)

Country Link
CN (1) CN110263874A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110751159A (zh) * 2019-10-28 2020-02-04 山东浪潮人工智能研究院有限公司 一种基于高级局部感知特征学习的图像识别方法及系统
CN110889386A (zh) * 2019-12-02 2020-03-17 山东浪潮人工智能研究院有限公司 一种基于结构特征学习的手指静脉识别方法
CN111080729A (zh) * 2019-12-24 2020-04-28 山东浪潮人工智能研究院有限公司 基于Attention机制的训练图片压缩网络的构建方法及系统
CN111274903A (zh) * 2020-01-15 2020-06-12 合肥工业大学 一种基于图卷积神经网络的宫颈细胞图像分类方法
CN111586151A (zh) * 2020-04-30 2020-08-25 武汉钟码科技有限公司 基于区块链的智慧城市数据共享系统及方法
CN112036511A (zh) * 2020-09-30 2020-12-04 上海美迪索科电子科技有限公司 基于注意力机制图卷积神经网络的图像检索方法
CN112419245A (zh) * 2020-11-11 2021-02-26 广州视琨电子科技有限公司 色环电阻检测方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105825238A (zh) * 2016-03-30 2016-08-03 江苏大学 一种视觉显著性目标的检测方法
CN106973244A (zh) * 2016-01-13 2017-07-21 奥多比公司 使用弱监督为图像配字幕
CN108304795A (zh) * 2018-01-29 2018-07-20 清华大学 基于深度强化学习的人体骨架行为识别方法及装置
CN109389055A (zh) * 2018-09-21 2019-02-26 西安电子科技大学 基于混合卷积和注意力机制的视频分类方法
CN109886269A (zh) * 2019-02-27 2019-06-14 南京中设航空科技发展有限公司 一种基于注意力机制的交通广告牌识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106973244A (zh) * 2016-01-13 2017-07-21 奥多比公司 使用弱监督为图像配字幕
CN105825238A (zh) * 2016-03-30 2016-08-03 江苏大学 一种视觉显著性目标的检测方法
CN108304795A (zh) * 2018-01-29 2018-07-20 清华大学 基于深度强化学习的人体骨架行为识别方法及装置
CN109389055A (zh) * 2018-09-21 2019-02-26 西安电子科技大学 基于混合卷积和注意力机制的视频分类方法
CN109886269A (zh) * 2019-02-27 2019-06-14 南京中设航空科技发展有限公司 一种基于注意力机制的交通广告牌识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHENGNAN GUO等: ""Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting"", 《THE THIRTY-THIRD AAAI CONFERENCE ON ARTIFICIAL INTELLIGENCE (AAAI-19)》 *
杨柳等: ""一种自适应的大间隔近邻分类算法"", 《计算机研究与发展》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110751159A (zh) * 2019-10-28 2020-02-04 山东浪潮人工智能研究院有限公司 一种基于高级局部感知特征学习的图像识别方法及系统
CN110889386A (zh) * 2019-12-02 2020-03-17 山东浪潮人工智能研究院有限公司 一种基于结构特征学习的手指静脉识别方法
CN111080729A (zh) * 2019-12-24 2020-04-28 山东浪潮人工智能研究院有限公司 基于Attention机制的训练图片压缩网络的构建方法及系统
CN111080729B (zh) * 2019-12-24 2023-06-13 山东浪潮科学研究院有限公司 基于Attention机制的训练图片压缩网络的构建方法及系统
CN111274903A (zh) * 2020-01-15 2020-06-12 合肥工业大学 一种基于图卷积神经网络的宫颈细胞图像分类方法
CN111274903B (zh) * 2020-01-15 2022-12-06 合肥工业大学 一种基于图卷积神经网络的宫颈细胞图像分类方法
CN111586151A (zh) * 2020-04-30 2020-08-25 武汉钟码科技有限公司 基于区块链的智慧城市数据共享系统及方法
CN111586151B (zh) * 2020-04-30 2021-03-12 上海市大数据股份有限公司 基于区块链的智慧城市数据共享系统及方法
CN112036511A (zh) * 2020-09-30 2020-12-04 上海美迪索科电子科技有限公司 基于注意力机制图卷积神经网络的图像检索方法
CN112036511B (zh) * 2020-09-30 2024-04-30 上海美迪索科电子科技有限公司 基于注意力机制图卷积神经网络的图像检索方法
CN112419245A (zh) * 2020-11-11 2021-02-26 广州视琨电子科技有限公司 色环电阻检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN110263874A (zh) 一种基于注意力关系图学习的图像分类方法及装置
CN107944559B (zh) 一种实体关系自动识别方法及系统
CN107767405B (zh) 一种融合卷积神经网络的核相关滤波目标跟踪方法
Zhang et al. Pedestrian detection method based on Faster R-CNN
CN103971102A (zh) 基于手指轮廓和决策树的静态手势识别方法
CN104063719A (zh) 基于深度卷积网络的行人检测方法及装置
CN104268514A (zh) 一种基于多特征融合的手势检测方法
US20230041943A1 (en) Method for automatically producing map data, and related apparatus
CN107301376B (zh) 一种基于深度学习多层刺激的行人检测方法
CN103413145A (zh) 基于深度图像的关节点定位方法
CN105138983B (zh) 基于加权部件模型和选择性搜索分割的行人检测方法
CN113642431A (zh) 目标检测模型的训练方法及装置、电子设备和存储介质
CN112446253B (zh) 一种骨架行为识别方法及装置
CN107463873B (zh) 一种基于rgbd深度传感器的实时手势分析与评价方法与系统
CN112766229A (zh) 基于注意力机制的人脸点云图像智能识别系统及方法
US11893773B2 (en) Finger vein comparison method, computer equipment, and storage medium
CN104182771A (zh) 基于带丢包自动编码技术的时间序列数据图形化分析方法
CN112950642A (zh) 点云实例分割模型的训练方法、装置、电子设备和介质
CN104915642A (zh) 前方车辆测距方法及装置
CN110135277A (zh) 一种基于卷积神经网络的人体行为识别方法
CN110288026A (zh) 一种基于度量关系图学习的图像分割方法及装置
CN109685823B (zh) 一种基于深度森林的目标跟踪方法
CN117854155A (zh) 一种人体骨骼动作识别方法及系统
CN108985378A (zh) 一种基于混合交叉深度网络的域自适应方法
CN104463896A (zh) 基于核相似区分布特性的图像角点检测方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190920

RJ01 Rejection of invention patent application after publication