CN110334747A - 基于改进卷积神经网络的图像识别方法及应用 - Google Patents
基于改进卷积神经网络的图像识别方法及应用 Download PDFInfo
- Publication number
- CN110334747A CN110334747A CN201910511054.7A CN201910511054A CN110334747A CN 110334747 A CN110334747 A CN 110334747A CN 201910511054 A CN201910511054 A CN 201910511054A CN 110334747 A CN110334747 A CN 110334747A
- Authority
- CN
- China
- Prior art keywords
- model
- neural networks
- convolutional neural
- image
- cnn
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 239000013598 vector Substances 0.000 claims abstract description 28
- 210000002569 neuron Anatomy 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000003475 lamination Methods 0.000 claims 1
- 230000008878 coupling Effects 0.000 abstract description 3
- 238000010168 coupling process Methods 0.000 abstract description 3
- 238000005859 coupling reaction Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000009795 derivation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004579 scanning voltage microscopy Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000002834 transmittance 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
- G06F18/21—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于改进卷积神经网络的图像识别方法及应用,包括:1、构造用于图像识别的CNN‑PNN模型:在卷积神经网络CNN模型基础上引入概率神经网络PNN模型,以卷积神经网络CNN模型为特征提取器,以概率神经网络PNN模型为分类器,形成CNN‑PNN模型;2、将训练样本图像输入到CNN‑PNN模型的输入层,通过卷积神经网络CNN模型中的卷积、降采样,所述卷积、降采样循环操作一次及以上后扩展为列向量;3、对作为特征提取器的卷积神经网络CNN模型进行训练;4、对作为特征提取器的卷积神经网络CNN模型训练完毕后,对作为分类器的概率神经网络PNN模型进行训练;5、利用训练完成的CNN‑PNN模型识别图像;本发明将卷积神经网络CNN模型和概率神经网络PNN模型结合起来,大大提高了精准度。
Description
技术领域
本发明涉及一种基于改进卷积神经网络的图像识别方法及应用,其属于图像处理领域。
背景技术
基于深度学习的传统卷积神经网络(Convolution Neural Network,CNN)模型因其突出的性能备受研究人员的重视,它是参考视觉系统结构而产生的,CNN中层次之间的紧密联系和空间信息使得其特别适用于图像的处理和理解,能够自动地从图像中抽取出丰富的相关特性。针对各方面问题,曾提出将支持向量机(Support Vector Machine,SVM)替代CNN模型中的BP神经网络分类器,其识别率达到了99.81%。但其仅对简单的数字体进行实验研究,对于其他标点符号和手写字体并未提及,此后,该方法受到越来越多研究人员的关注。依次又提出随机森林与CNN混合模型用于神经细胞图像分割,CNN与主成分分析法、SVM结合的文理图像分类方法等,都取得了不错的结果。
卷积神经网络(CNN)模型在图像识别中取得了良好的效果,但其识别精度还有进一步提升的空间。传统的CNN模型中BP神经网络分类器结构过于简单,易陷入局部最优且收敛速度慢。
发明内容
本发明所要解决的技术问题在于提供了一种基于改进卷积神经网络的图像识别方法及应用。
为解决上述技术问题,本发明采用如下技术方案:
一种基于改进卷积神经网络的图像识别方法,其包括如下方法:
(1)构造用于图像识别的CNN-PNN模型:在卷积神经网络CNN模型基础上引入概率神经网络PNN模型,以卷积神经网络CNN模型为特征提取器,以概率神经网络PNN模型为分类器,形成CNN-PNN模型;
(2)将训练样本图像输入到CNN-PNN模型的输入层,通过卷积神经网络CNN模型中的卷积、降采样,所述卷积、降采样循环操作一次以上后扩展为列向量,所述列向量即从训练样本图像中提取出的特征向量;
(3)对作为特征提取器的卷积神经网络CNN模型进行训练;
(4)对作为特征提取器的卷积神经网络CNN模型训练完毕后,对作为分类器的概率神经网络PNN模型进行训练;
(5)利用训练完成的CNN-PNN模型识别图像。
进一步的,步骤(3)中,对作为特征提取器的卷积神经网络CNN模型进行训练包括:
将步骤(2)中得到的列向量送入CNN模型的输出层,计算输出层的神经元个数与训练样本图像标签个数之间的误差,判断误差是否为零,若为零则训练结束,若不为零,则更新最后一层的权重与偏置后继续计算误差,直到误差为零,则训练结束。所述最后一层指的是卷积神经网络的输出层。
在CNN模型的输出层有判定是否收敛的公式:
输入图像经过网络的前向过程得到输出值O,再与样本标签y进行计算,可得到模型误差值E。通过误差值判断模型是否收敛,若收敛则输出结果。
其中,采用如下公式更新卷积神经网络的输出层的权重与偏置:
W(l)表示第l层的权值,bi(l)是第l层的偏置项,α是学习率。
进一步的,步骤(4)中,对作为分类器的概率神经网络PNN模型进行训练包括:将所有训练样本图像送入训练完毕的卷积神经网络CNN模型,得到所有训练样本图像的特征向量,再将所有特征向量和对应的训练样本图像标签输入待训练的作为分类器的概率神经网络PNN模型,训练完毕。
进一步的,作为特征提取器的卷积神经网络CNN模型包括依次设置的输入层、隐含层、隐含单元和输出层。
进一步的,所述卷积神经网络CNN模型的隐含层包括用于对输入层图像进行卷积滤波操作的卷积层和用于对输入层图像进行降采样操作的降采样层。
进一步的,所述降采样层采用最大池化法。
降采样层的计算形式如下:
其中,f()表示激活函数;l表示所在层数;
表示在第l个降采样层上输出的第j种特征图;
p表示采样函数;
表示在第l个降采样层上的第j种特征图对应的偏置项;
表示第l个降采样层上的第j种特征图的权重系数。
进一步的,所述卷积层的计算形式如下:
其中,f()表示激活函数;l表示所在层数;
表示在第l个卷积层上输出的第j种特征图;
Bj表示第j种特征图对应的偏置项;
k表示卷积核;表示在第l个卷积层上输入的第i种特征图和输出的第j种特征图之间的连接所用的卷积核;
Mj表示输入层的感受野;
l表示所在层数。
进一步的,所述卷积神经网络CNN模型的输出层神经元个数与样本图像标签个数相同,与上层神经元采用全连接方式。
进一步的,作为分类器的概率神经网络PNN模型包括依次设置的输入层、模式层、求和层和输出层。
一种基于改进卷积神经网络的图像识别方法的应用,其包括在卷积神经网络CNN模型基础上引入概率神经网络PNN模型,以卷积神经网络CNN模型为特征提取器,以概率神经网络PNN模型为分类器,形成CNN-PNN模型,所述CNN-PNN模型应用在无人机识别系统上。
进一步的,所述CNN-PNN模型采用MATLAB仿真软件建立。
本发明的有益效果如下:
本发明将卷积神经网络CNN模型和概率神经网络PNN模型结合起来,相比于原始卷积神经网络模型有较大的改进,大大提高了精准度。
利用卷积神经网络CNN模型提取样本图像中的多层次特征信息,采用取代分类器的方法,将概率神经网络PNN模型代替反向传播神经网络,以提高分类器的泛化能力,与灰度共生矩阵、HU距方法、CNN和CNN-SVM模型相比,CNN-PNN模型结合了卷积神经网络CNN模型的多层次特征提取能力以及概率神经网络PNN模型的逼近学习能力,卷积神经网络CNN模型作为特征提取器从图像中获取的特征具有平移、缩放、旋转不变性,可避免传统图像识别方法中提取人工特征对目标图像进行表示和描述的不足,降低人为因素对识别系统的影响。同时,选用概率神经网络PNN模型代替BP神经网络可加强模型分类处理能力,综合提升CNN-PNN模型的识别精度。
此外,传统的卷积神经网络CNN模型中BP神经网络分类器结构过于简单,易陷入局部最优且收敛速度慢。概率神经网络PNN模型具有结构简单,收敛速度快,应用范围广等优点,在实际应用中也优于BP神经网络,特别是在解决分类问题时,它具有线性学习算法的优点,既能完成非线性学习算法的工作,又能保持非线性算法的高精度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为CNN-PNN的结构图。
图2为特征提取器的训练流程图。
图3为概率神经网络PNN模型的结构图。
图4为分类器训练流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图1-图4和具体实施例对发明进行清楚、完整的描述。
近年来,卷积神经网络CNN模型在各类图像识别任务中都取得了良好的效果,如人脸识别、人眼检测、行人检测、车牌识别等。但是随着科技发展,图像识别技术被逐渐应用在航空业,工业等各个领域中,对于图像识别的精度、可靠度等要求越来越高。
本实施例在卷积神经网络CNN模型上引入概率神经网络PNN模型,形成了以卷积神经网络CNN模型为特征提取器,以概率神经网络PNN模型为分类器的新模型,即CNN-PNN模型,将CNN-PNN模型应用于对图像形状和图像纹理两方面的仿真实验,验证了该模型的可行性。
如图1-图4所示,本实施例的具体方案如下:
卷积神经网络CNN模型在提出的方法中充当特征法提取器,特征提取器包括输入层、隐含层、隐含单元和输出层4个部分。
(1)输入层:模型的特征提取器采用的是CNN模型,直接将样本图像输入至模型的输入层中,无须对样本图像进行过多的预处理操作。
(2)隐含层:隐含层由卷积层和降采样层组成,用于对输入层样本图像进行卷积滤波和降采样操作。卷积层的主要功能是特征抽取,利用若干个卷积核对上一层图像进行卷积操作,从而获得多个特征图像。
所述卷积层的计算形式如下:
其中,f()表示激活函数,激活函数采用Sigmoid函数;
l表示所在层数;
表示在第l个卷积层上输出的第j种特征图;
Bj表示第j种特征图对应的偏置项;
k表示卷积核;表示在第l个卷积层上输入的第i种特征图和输出的第j种特征图之间的连接所用的卷积核;
Mj表示输入层的感受野;
l表示所在层数。
样本图像尺寸会根据降采样窗口的步长发生相应改变,降采样层的计算形式为:
其中,f()表示激活函数;l表示所在层数;
表示在第l个降采样层上在第l个降采样层上输出的第j种特征图;
p表示采样函数;
表示在第l个降采样层上的第j种特征图对应的偏置项;
表示第l个降采样层上的第j种特征图的权重系数。
降采样层:即是采样点数减少。默认采用最大池化法,对于一幅N*M的图像来说,如果降采样系数为k,则即是在原图中每行每列每隔k个点取一个点组成一幅图像。降采样很容易实现。
(3)隐含单元:经过多次卷积与降采样操作,得到若干幅特征图像,然后,将该层所有的特征图像变换为一列向量,该列向量即是从样本图像中提取出的特征向量。
(4)输出层:输出层中神经元个数与样本图像标签个数相同,与输出层前一层的特征向量采用全连接方式,在本模型中用于训练作为特征提取器的卷积神经网络CNN模型。
概率神经网络PNN模型由输入层、模式层、求和层和输出层组成,如图3所示。
概率神经网络PNN模型中的输入层将样本图像传递到输入层网络中,并且神经元的个数与样本图像的向量维数应当相同,输入特征向量与训练集中各模型之间的匹配关系则在模式层中计算,其个数等于样本向量的维数。并根据如下公式(3)和(4)得到各模式单元层的输出。
其中,lg表示g类的数量;
n表示特征的个数,本实施例中n=5;
σ表示平滑参数,这是唯一可以调整的量,一般在0到1之间,通过调整可以提高精度;
表示g类的第i个神经元的第j个数据。
概率神经网络PNN模型中的求和层是得到每个模式的概率密度估计,其输出与基于核的各单元概率密度估计成正比。求和层神经元通过总结和平均属于同一类的所有神经元的输出,来计算模式x被划分为Ci的最大可能性。
其中,Pi表示被划分为Ci的概率。
Ci类的样本总数为Ni,如果每个类的先验概率相同,且每个类的错误决策损失相同,则决策层单元根据所有求和层神经元输出的贝叶斯决策规则对模式x进行分类。
PNN分类器训练过程如图4所示,现将所有训练图像送入训练完毕的CNN中,得到所有图像的特征向量,再将所有特征向量输入待训练的PNN分类器。并且要将对应图像标签一并送入分类器,最后得到训练完毕的PNN分类器。
整个模型由CNN特征提取器和PNN分类器组成,如图1所示。
训练过程如下,首先,我们将样本图像输入到CNN-PNN的输入层,经过多次卷积和降采样,可以得到大量的特征图像。然后,模型将图像扩展为列向量,即从样本图像中提取的特征向量。同时保留与特征向量完全连接的输出层,用于CNN特征提取器的训练。最后,分类器根据特征向量输出最终结果。
步骤如下:
将训练图片输入到该模型的输入层,通过特征提取器CNN中的卷积,降采样,循环操作多次后扩展为列向量,即特征向量。将列向量送入输出层,将输出层与标签之间计算误差,若为零则训练结束,若不为零,则通过公式更新最后一层的权重与偏置,继续与误差比较,直到差值为零,则训练结束。特征提取器训练完毕后,将所有特征向量与标签送入分类器PNN中,训练完毕。
后向传播公式推导过程如下:
引入数学符号:
al第l层神经元的输出。
zl第l层神经元的输入。
Wl从l-1层特征图到l层权值矩阵。
bl与上面参数对应的偏移值。
x训练数据的输入。
y训练数据正确的标签。
设输出层为第L层,对应aL,采用均方差来度量损失,那么对应的损失函数就是:
损失函数求出后,应用梯度下降法。输出层的输出为:
aL=σ(zL)σ(WLaL-1+bL) (6)
利用链式求导法,求得W,b的梯度:
⊙表示两个向量的内积。
我们的数据按网络结构正向传播到输出层的时候δL可以求出来,利用链式求导得出:
由式子6可以得出zl+1和zl的关系:
zl+1=Wl+1al+bl+1=Wl+1σ(zl)+bl+1 (11)
那么:
(12)代入(10)得:
根据δL,再根据上式的递推关系就可以求出每层的δl,即可以求出每层的W,b的梯度。再将W,b代入输入层进行前向传播。如此循环,直到误差为零。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述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;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (10)
1.一种基于改进卷积神经网络的图像识别方法,其特征在于,其包括如下方法:
(1)构造用于图像识别的CNN-PNN模型:在卷积神经网络CNN模型基础上引入概率神经网络PNN模型,以卷积神经网络CNN模型为特征提取器,以概率神经网络PNN模型为分类器,形成CNN-PNN模型;
(2)将训练样本图像输入到CNN-PNN模型的输入层,通过卷积神经网络CNN模型中的卷积、降采样,所述卷积、降采样循环操作一次及以上后扩展为列向量,所述列向量即从训练样本图像中提取出的特征向量;
(3)对作为特征提取器的卷积神经网络CNN模型进行训练;
(4)对作为特征提取器的卷积神经网络CNN模型训练完毕后,对作为分类器的概率神经网络PNN模型进行训练;
(5)利用训练完成的CNN-PNN模型识别图像。
2.根据权利要求1所述的基于改进卷积神经网络的图像识别方法,其特征在于,步骤(3)中,对作为特征提取器的卷积神经网络CNN模型进行训练包括:
将步骤(2)中得到的列向量送入CNN模型的输出层,计算输出层的神经元个数与训练样本图像标签个数之间的误差,判断误差是否为零,若为零则训练结束,若不为零,则更新卷积神经网络的输出层的权重与偏置后继续计算误差,直到误差为零,则训练结束。
3.根据权利要求1或2所述的基于改进卷积神经网络的图像识别方法,其特征在于,步骤(4)中,对作为分类器的概率神经网络PNN模型进行训练包括:将所有训练样本图像送入训练完毕的卷积神经网络CNN模型,得到所有训练样本图像的特征向量,再将所有特征向量和对应的训练样本图像标签输入待训练的作为分类器的概率神经网络PNN模型,训练完毕。
4.根据权利要求1所述的基于改进卷积神经网络的图像识别方法,其特征在于,作为特征提取器的卷积神经网络CNN模型包括依次设置的输入层、隐含层、隐含单元和输出层。
5.根据权利要求4所述的基于改进卷积神经网络的图像识别方法,其特征在于,所述卷积神经网络CNN模型的隐含层包括用于对输入层图像进行卷积滤波操作的卷积层和用于对输入层图像进行降采样操作的降采样层。
6.根据权利要求5所述的基于改进卷积神经网络的图像识别方法,其特征在于,所述降采样层采用最大池化法。
7.根据权利要求5所述的基于改进卷积神经网络的图像识别方法,其特征在于,所述卷积层的计算形式如下:
其中,f()表示激活函数;l表示所在层数;
表示在第l个卷积层上输出的第j种特征图;
Bj表示第j种特征图对应的偏置项;
k表示卷积核;表示在第l个卷积层上输入的第i种特征图和输出的第j种特征图之间的连接所用的卷积核;
Mj表示输入层的感受野;
l表示所在层数。
8.根据权利要求4所述的基于改进卷积神经网络的图像识别方法,其特征在于,所述卷积神经网络CNN模型的输出层神经元个数与样本图像标签个数相同,与上层神经元采用全连接方式。
9.根据权利要求1所述的基于改进卷积神经网络的图像识别方法,其特征在于,作为分类器的概率神经网络PNN模型包括依次设置的输入层、模式层、求和层和输出层。
10.一种基于改进卷积神经网络的图像识别方法的应用,其特征在于,在卷积神经网络CNN模型基础上引入概率神经网络PNN模型,以卷积神经网络CNN模型为特征提取器,以概率神经网络PNN模型为分类器,形成CNN-PNN模型,所述CNN-PNN模型应用在无人机识别系统上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910511054.7A CN110334747A (zh) | 2019-06-13 | 2019-06-13 | 基于改进卷积神经网络的图像识别方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910511054.7A CN110334747A (zh) | 2019-06-13 | 2019-06-13 | 基于改进卷积神经网络的图像识别方法及应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110334747A true CN110334747A (zh) | 2019-10-15 |
Family
ID=68140283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910511054.7A Pending CN110334747A (zh) | 2019-06-13 | 2019-06-13 | 基于改进卷积神经网络的图像识别方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110334747A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111199213A (zh) * | 2020-01-03 | 2020-05-26 | 云南电网有限责任公司电力科学研究院 | 一种变电站用设备缺陷检测方法及装置 |
CN111798460A (zh) * | 2020-06-17 | 2020-10-20 | 南京信息工程大学 | 一种卫星图像分割方法 |
CN116310599A (zh) * | 2023-05-17 | 2023-06-23 | 湖北工业大学 | 基于改进cnn-pnn网络的电力变压器故障诊断方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109308483A (zh) * | 2018-07-11 | 2019-02-05 | 南京航空航天大学 | 基于卷积神经网络的双源图像特征提取及融合识别方法 |
EP3493120A1 (en) * | 2017-12-01 | 2019-06-05 | Koninklijke Philips N.V. | Training a neural network model |
-
2019
- 2019-06-13 CN CN201910511054.7A patent/CN110334747A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3493120A1 (en) * | 2017-12-01 | 2019-06-05 | Koninklijke Philips N.V. | Training a neural network model |
CN109308483A (zh) * | 2018-07-11 | 2019-02-05 | 南京航空航天大学 | 基于卷积神经网络的双源图像特征提取及融合识别方法 |
Non-Patent Citations (3)
Title |
---|
江帆等: "基于CNN-GRNN模型的图像识别" * |
鞠维欣等: "深度学习模型GoolgeNet-PNN对肝硬化的识别" * |
鞠维欣等: "深度学习模型GoolgeNet-PNN对肝硬化的识别", 《计算机工程与应用》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111199213A (zh) * | 2020-01-03 | 2020-05-26 | 云南电网有限责任公司电力科学研究院 | 一种变电站用设备缺陷检测方法及装置 |
CN111199213B (zh) * | 2020-01-03 | 2023-09-26 | 云南电网有限责任公司电力科学研究院 | 一种变电站用设备缺陷检测方法及装置 |
CN111798460A (zh) * | 2020-06-17 | 2020-10-20 | 南京信息工程大学 | 一种卫星图像分割方法 |
CN111798460B (zh) * | 2020-06-17 | 2023-08-01 | 南京信息工程大学 | 一种卫星图像分割方法 |
CN116310599A (zh) * | 2023-05-17 | 2023-06-23 | 湖北工业大学 | 基于改进cnn-pnn网络的电力变压器故障诊断方法及系统 |
CN116310599B (zh) * | 2023-05-17 | 2023-08-15 | 湖北工业大学 | 基于改进cnn-pnn网络的电力变压器故障诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chang et al. | A method for classifying medical images using transfer learning: A pilot study on histopathology of breast cancer | |
Zhao et al. | A visual long-short-term memory based integrated CNN model for fabric defect image classification | |
CN105138973B (zh) | 人脸认证的方法和装置 | |
CN108427921A (zh) | 一种基于卷积神经网络的人脸识别方法 | |
CN107273845B (zh) | 一种基于置信区域和多特征加权融合的人脸表情识别方法 | |
CN110532920B (zh) | 基于FaceNet方法的小数量数据集人脸识别方法 | |
CN110321833B (zh) | 基于卷积神经网络和循环神经网络的人体行为识别方法 | |
CN104866810B (zh) | 一种深度卷积神经网络的人脸识别方法 | |
CN106408562A (zh) | 基于深度学习的眼底图像视网膜血管分割方法及系统 | |
CN100492399C (zh) | 利用降维方法进行人脸姿态估计的方法 | |
CN108615010A (zh) | 基于平行卷积神经网络特征图融合的人脸表情识别方法 | |
CN106651830A (zh) | 一种基于并行卷积神经网络的图像质量测试方法 | |
CN108304826A (zh) | 基于卷积神经网络的人脸表情识别方法 | |
CN110363253A (zh) | 一种基于卷积神经网络的热轧带钢表面缺陷分类方法 | |
Kadam et al. | CNN model for image classification on MNIST and fashion-MNIST dataset | |
CN109214250A (zh) | 一种基于多尺度卷积神经网络的静态手势识别方法 | |
CN108648191A (zh) | 基于贝叶斯宽度残差神经网络的害虫图像识别方法 | |
CN106599941A (zh) | 基于卷积神经网络与支持向量机的手写数字识别方法 | |
CN110119785A (zh) | 一种基于多层spiking卷积神经网络的图像分类方法 | |
CN105095833A (zh) | 用于人脸识别的网络构建方法、识别方法及系统 | |
CN105160400A (zh) | 基于l21范数的提升卷积神经网络泛化能力的方法 | |
CN107330480A (zh) | 手写字符计算机识别方法 | |
CN110827260B (zh) | 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 | |
CN110334747A (zh) | 基于改进卷积神经网络的图像识别方法及应用 | |
CN107657204A (zh) | 深层网络模型的构建方法及人脸表情识别方法和系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191015 |