CN110377781A - 一种应用鞋底搜索匹配的改进算法 - Google Patents
一种应用鞋底搜索匹配的改进算法 Download PDFInfo
- Publication number
- CN110377781A CN110377781A CN201910489961.6A CN201910489961A CN110377781A CN 110377781 A CN110377781 A CN 110377781A CN 201910489961 A CN201910489961 A CN 201910489961A CN 110377781 A CN110377781 A CN 110377781A
- Authority
- CN
- China
- Prior art keywords
- picture
- image
- pictures
- library
- neural networks
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Library & Information Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种应用鞋底搜索匹配的改进算法,包括如下步骤:S1,将图片转为灰度图像;S2,为图片库中的图片构建特征值库,并为每张图片进行编号;S21,设立一个距离阈值,以编号为操作对象,从图片库中选取图片间的相互距离均大于距离阙值C1的N张图片;S215,对图片库中的所有图片,根据与M个代表点的相似程度,划分到相似程度最高的代表点所代表的图片集去,完成整个图片库类别的划分过程;S216,对于待检索的输入图片,对其特征值化。本发明提供的一种应用鞋底搜索匹配的改进算法,通过卷积神经网络的学习能力挖掘训练图像内容,提取图像深层特征,多次相似图循环判断,从众多相似图中寻找出最接近的图像,提高图像识别准确率。
Description
技术领域
本发明涉及计算机图像处理领域,尤其涉及一种应用鞋底搜索匹配的改进算法。
背景技术
卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现,例如,利用卷积神经网络进行图像识别。
现有技术中,在采用卷积神经网络对未知图像进行图像识别时,通常先采用已知图像对卷积神经网络进行训练,生成收敛卷积神经网络,之后采用收敛卷积神经网络即可对未知图像进行图像识别,现有技术中,对卷积神经网络进行训练时,不会考虑图像特征的判别性,基于这样的卷积神经网络对图像进行图像识别时,识别准确率低,我们将其改进并将识别技术运用在鞋底识别搜索上。
发明内容
针对上述问题,本发明提供了一种应用鞋底搜索匹配的改进算法。
为解决上述技术问题,本发明所采用的技术方案是:一种应用鞋底搜索匹配的改进算法,其特征在于包括如下步骤:
S1,将图片转为灰度图像;
S2,为图片库中的图片构建特征值库,并为每张图片进行编号;
S21,设立一个距离阈值,以编号为操作对象,从图片库中选取图片间的相互距离均大于距离阙值C1的N张图片,对其余图片进行第一次归类,形成G类图片集;其中,所述从图片库中选取N张图片的过程包括如下步骤:S211,在图片库中随意选取一张图片H,以这张图片为输入在图片库中进行检索,寻找相似度距离最大的图片Q1;S 212,以图片Q1为检索输入并将图片集划分为和Q1的相似度距离大于距离阙值C1的部分F1,并得到相似度距离最大的图片Q2;S213,循环执行步骤S212,每次的检索图片为上一次循环得到的最不相似图片QN,被检索的图片集为上一次循环得到的FN,直到FN为空为止,所得到的Q1……QNN张图片即为需要选出的N个代表点;
S214,对N类图片集中所含图片数量大于数量阙值的类执行步骤S21,选取的图片间相互距离均大于距离阙值C2,每类形成不同数量的子类别,继续在符合所含图片数量大于数量阙值的子类别中执行步骤S12,直到所有的类均小于数量阙值为止,得到M个代表点;
S215,对图片库中的所有图片,根据与M个代表点的相似程度,划分到相似程度最高的代表点所代表的图片集去,完成整个图片库类别的划分过程;
S216,对于待检索的输入图片,对其特征值化,分别计算该图片与所有代表点之间的相似度并按照大小顺序排列,选取相似度距离最近的若干个代表点,在选取的代表点所代表的图片集中进行检索,将检索结果合并后返回给用户,此为第一次相似度判断;
S3,将所有的图像集进行预处理和相似图标记,所述图像预处理包括图像数据集合、生成路径文件、生成特征文件,所述相似图标记包括图像特征相似度计算、相似判断;
S31,遍历所有图像数据,生成图像数据集合,根据所述图像数据集合的路径信息生成路径文件,根据所述路径文件依次读取每张图片,对每张图片进行特定值处理,生成特征文件,将所有图片的特征值文件存入内存或者文件;
S32,读取保存有所有图片的特征文件的内存或文件,对所有的特征文件进行图像特征相似度计算,根据计算结果进行相似判断及标记;
S4,建立深层卷积神经网络进行图像识别:
(1)获取待识别图片,对所述图片进行多次缩放,得到不同尺寸的多个缩放图像;读取卷积层的输入特征图:
将所述输入特征图输入卷积层的处理阵列组中,根据第一参考像素向量、第二参考像素向量、卷积核权值和已完成的输入通道的数据,利用部分传播乘加器进行卷积乘加操作,得到处理阵列组的输出结果,其中,所述处理阵列组包括多个处理阵列,所述处理阵列包括三个行处理阵列,卷积窗的行数为Z,第一参考像素向量取卷积窗的前Z-K行,第二参考像素向量取卷积窗的最后Z行,Z和K均为正整数,且K>Z;根据所述处理阵列组的输出结果得到卷积层的输出特征图;将卷积层最后一层的输出特征图写入全连接层的输入缓存;全连接层根据所述卷积层最后一层的输出特征图执行乘加操作,得到全连接层的颜色特征向量;
(2)将步骤(1)获得的图像送入深层卷积神经网络中来训练网络;对图像进行转置和水平镜像翻转;在0.5~1.5之间随机选取4个值作为方差对图像进行高斯模糊,再随机选择4个值作为因子乘以所有像素进行亮度变换;
(3)将步骤(2)得到的网络模型在验证集上进行验证,根据结果调整训练集并继续训练深层卷积神经网络;
(4)重复步骤(3)直至在验证集上的检测准确率达到预期目标或者网络损失函数开始收敛;
(5)再随机选取n帧训练图像输入深层卷积神经网络,获取所述深层卷积神经网络的倒数第二层全连接层输出的每一帧训练图像的图像特征;将每一帧训练图像的图像特征输入至所述深层卷积神经网络的最后一层全连接层,进行概率训练;
(6)将训练好的网络在测试集上进行测试存储,建立牵引库。。
进一步的,所述卷积神经网络包括多个卷积层,其中卷积核大小为3*3,所述卷积层采用conv 3*3,所述池化层采用MAX-pool 2*2,即对于卷积后的每一维特征取最大值。
进一步的,所述图像特征获取步骤,包括:向量建立步骤:将颜色特征向量点乘第一特征向量,得到点乘向量;卷积运算步骤:点乘向量卷积颜色特征向量,得到图像特征向量。
进一步的,所述颜色特征向量输入卷积神经网络,将卷积神经网络输出的向量作为第一特征向量。
由上述对本发明结构的描述可知,和现有技术相比,本发明具有如下优点:
1、本发明提供的一种应用鞋底搜索匹配的改进算法,通过卷积神经网络的学习能力挖掘训练图像内容,提取图像深层特征,多次相似图循环判断,从众多相似图中寻找出最接近的图像,提高图像识别准确率。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的图像标记方法流程图;
图2为本发明实现从图片库中选择N张图片的流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
实施例
参考图1、图2,一种应用鞋底搜索匹配的改进算法,其特征在于包括如下步骤:
S1,将图片转为灰度图像;
S2,为图片库中的图片构建特征值库,并为每张图片进行编号;
S21,设立一个距离阈值,以编号为操作对象,从图片库中选取图片间的相互距离均大于距离阙值C1的N张图片,对其余图片进行第一次归类,形成G类图片集;其中,所述从图片库中选取N张图片的过程包括如下步骤:S211,在图片库中随意选取一张图片H,以这张图片为输入在图片库中进行检索,寻找相似度距离最大的图片Q1;S 212,以图片Q1为检索输入并将图片集划分为和Q1的相似度距离大于距离阙值C1的部分F1,并得到相似度距离最大的图片Q2;S213,循环执行步骤S212,每次的检索图片为上一次循环得到的最不相似图片QN,被检索的图片集为上一次循环得到的FN,直到FN为空为止,所得到的Q1……QNN张图片即为需要选出的N个代表点;
S214,对N类图片集中所含图片数量大于数量阙值的类执行步骤S21,选取的图片间相互距离均大于距离阙值C2,每类形成不同数量的子类别,继续在符合所含图片数量大于数量阙值的子类别中执行步骤S12,直到所有的类均小于数量阙值为止,得到M个代表点;
S215,对图片库中的所有图片,根据与M个代表点的相似程度,划分到相似程度最高的代表点所代表的图片集去,完成整个图片库类别的划分过程;
S216,对于待检索的输入图片,对其特征值化,分别计算该图片与所有代表点之间的相似度并按照大小顺序排列,选取相似度距离最近的若干个代表点,在选取的代表点所代表的图片集中进行检索,将检索结果合并后返回给用户,此为第一次相似度判断;
S3,将所有的图像集进行预处理和相似图标记,所述图像预处理包括图像数据集合、生成路径文件、生成特征文件,所述相似图标记包括图像特征相似度计算、相似判断;
S31,遍历所有图像数据,生成图像数据集合,根据所述图像数据集合的路径信息生成路径文件,根据所述路径文件依次读取每张图片,对每张图片进行特定值处理,生成特征文件,将所有图片的特征值文件存入内存或者文件;
S32,读取保存有所有图片的特征文件的内存或文件,对所有的特征文件进行图像特征相似度计算,根据计算结果进行相似判断及标记;
S4,建立深层卷积神经网络进行图像识别:
(1)获取待识别图片,对所述图片进行多次缩放,得到不同尺寸的多个缩放图像;读取卷积层的输入特征图:
将所述输入特征图输入卷积层的处理阵列组中,根据第一参考像素向量、第二参考像素向量、卷积核权值和已完成的输入通道的数据,利用部分传播乘加器进行卷积乘加操作,得到处理阵列组的输出结果,其中,所述处理阵列组包括多个处理阵列,所述处理阵列包括三个行处理阵列,卷积窗的行数为Z,第一参考像素向量取卷积窗的前Z-K行,第二参考像素向量取卷积窗的最后Z行,Z和K均为正整数,且K>Z;根据所述处理阵列组的输出结果得到卷积层的输出特征图;将卷积层最后一层的输出特征图写入全连接层的输入缓存;全连接层根据所述卷积层最后一层的输出特征图执行乘加操作,得到全连接层的颜色特征向量;
(2)将步骤(1)获得的图像送入深层卷积神经网络中来训练网络;对图像进行转置和水平镜像翻转;在0.5~1.5之间随机选取4个值作为方差对图像进行高斯模糊,再随机选择4个值作为因子乘以所有像素进行亮度变换;
(3)将步骤(2)得到的网络模型在验证集上进行验证,根据结果调整训练集并继续训练深层卷积神经网络;
(4)重复步骤(3)直至在验证集上的检测准确率达到预期目标或者网络损失函数开始收敛;
(5)再随机选取n帧训练图像输入深层卷积神经网络,获取所述深层卷积神经网络的倒数第二层全连接层输出的每一帧训练图像的图像特征;将每一帧训练图像的图像特征输入至所述深层卷积神经网络的最后一层全连接层,进行概率训练;
(6)将训练好的网络在测试集上进行测试存储,建立牵引库。
进一步的,卷积神经网络包括多个卷积层,其中卷积核大小为3*3,卷积层采用conv 3*3,池化层采用MAX-pool 2*2,即对于卷积后的每一维特征取最大值。图像特征获取步骤,包括:向量建立步骤:将颜色特征向量点乘第一特征向量,得到点乘向量;卷积运算步骤:点乘向量卷积颜色特征向量,得到图像特征向量。颜色特征向量输入卷积神经网络,将卷积神经网络输出的向量作为第一特征向量。本发明提供的一种应用鞋底搜索匹配的改进算法,通过卷积神经网络的学习能力挖掘训练图像内容,提取图像深层特征,多次相似图循环判断,从众多相似图中寻找出最接近的图像,提高图像识别准确率。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种应用鞋底搜索匹配的改进算法,其特征在于包括如下步骤:
S1,将图片转为灰度图像;
S2,为图片库中的图片构建特征值库,并为每张图片进行编号;
S21,设立一个距离阈值,以编号为操作对象,从图片库中选取图片间的相互距离均大于距离阙值C1的N张图片,对其余图片进行第一次归类,形成G类图片集;其中,所述从图片库中选取N张图片的过程包括如下步骤:S211,在图片库中随意选取一张图片H,以这张图片为输入在图片库中进行检索,寻找相似度距离最大的图片Q1;S212,以图片Q1为检索输入并将图片集划分为和Q1的相似度距离大于距离阙值C1的部分F1,并得到相似度距离最大的图片Q2;S213,循环执行步骤S212,每次的检索图片为上一次循环得到的最不相似图片QN,被检索的图片集为上一次循环得到的FN,直到FN为空为止,所得到的Q1……QNN张图片即为需要选出的N个代表点;
S214,对N类图片集中所含图片数量大于数量阙值的类执行步骤S21,选取的图片间相互距离均大于距离阙值C2,每类形成不同数量的子类别,继续在符合所含图片数量大于数量阙值的子类别中执行步骤S12,直到所有的类均小于数量阙值为止,得到M个代表点;
S215,对图片库中的所有图片,根据与M个代表点的相似程度,划分到相似程度最高的代表点所代表的图片集去,完成整个图片库类别的划分过程;
S216,对于待检索的输入图片,对其特征值化,分别计算该图片与所有代表点之间的相似度并按照大小顺序排列,选取相似度距离最近的若干个代表点,在选取的代表点所代表的图片集中进行检索,将检索结果合并后返回给用户,此为第一次相似度判断;
S3,将所有的图像集进行预处理和相似图标记,所述图像预处理包括图像数据集合、生成路径文件、生成特征文件,所述相似图标记包括图像特征相似度计算、相似判断;
S31,遍历所有图像数据,生成图像数据集合,根据所述图像数据集合的路径信息生成路径文件,根据所述路径文件依次读取每张图片,对每张图片进行特定值处理,生成特征文件,将所有图片的特征值文件存入内存或者文件;
S32,读取保存有所有图片的特征文件的内存或文件,对所有的特征文件进行图像特征相似度计算,根据计算结果进行相似判断及标记;
S4,建立深层卷积神经网络进行图像识别:
(1)获取待识别图片,对所述图片进行多次缩放,得到不同尺寸的多个缩放图像;读取卷积层的输入特征图:
将所述输入特征图输入卷积层的处理阵列组中,根据第一参考像素向量、第二参考像素向量、卷积核权值和已完成的输入通道的数据,利用部分传播乘加器进行卷积乘加操作,得到处理阵列组的输出结果,其中,所述处理阵列组包括多个处理阵列,所述处理阵列包括三个行处理阵列,卷积窗的行数为Z,第一参考像素向量取卷积窗的前Z-K行,第二参考像素向量取卷积窗的最后Z行,Z和K均为正整数,且K>Z;根据所述处理阵列组的输出结果得到卷积层的输出特征图;将卷积层最后一层的输出特征图写入全连接层的输入缓存;全连接层根据所述卷积层最后一层的输出特征图执行乘加操作,得到全连接层的颜色特征向量;
(2)将步骤(1)获得的图像送入深层卷积神经网络中来训练网络;对图像进行转置和水平镜像翻转;在0.5~1.5之间随机选取4个值作为方差对图像进行高斯模糊,再随机选择4个值作为因子乘以所有像素进行亮度变换;
(3)将步骤(2)得到的网络模型在验证集上进行验证,根据结果调整训练集并继续训练深层卷积神经网络;
(4)重复步骤(3)直至在验证集上的检测准确率达到预期目标或者网络损失函数开始收敛;
(5)再随机选取n帧训练图像输入深层卷积神经网络,获取所述深层卷积神经网络的倒数第二层全连接层输出的每一帧训练图像的图像特征;将每一帧训练图像的图像特征输入至所述深层卷积神经网络的最后一层全连接层,进行概率训练;
(6)将训练好的网络在测试集上进行测试存储,建立牵引库。
2.根据权利要求1所述的一种应用鞋底搜索匹配的改进算法,其特征在于:所述卷积神经网络包括多个卷积层,其中卷积核大小为3*3,所述卷积层采用conv3*3,所述池化层采用MAX-pool2*2,即对于卷积后的每一维特征取最大值。
3.根据权利要求1所述的一种应用鞋底搜索匹配的改进算法,其特征在于:所述图像特征获取步骤,包括:
向量建立步骤:将颜色特征向量点乘第一特征向量,得到点乘向量;
卷积运算步骤:点乘向量卷积颜色特征向量,得到图像特征向量。
4.根据权利要求1所述的一种应用鞋底搜索匹配的改进算法,其特征在于:所述颜色特征向量输入卷积神经网络,将卷积神经网络输出的向量作为第一特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910489961.6A CN110377781A (zh) | 2019-06-06 | 2019-06-06 | 一种应用鞋底搜索匹配的改进算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910489961.6A CN110377781A (zh) | 2019-06-06 | 2019-06-06 | 一种应用鞋底搜索匹配的改进算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110377781A true CN110377781A (zh) | 2019-10-25 |
Family
ID=68249854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910489961.6A Pending CN110377781A (zh) | 2019-06-06 | 2019-06-06 | 一种应用鞋底搜索匹配的改进算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110377781A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112700417A (zh) * | 2020-12-31 | 2021-04-23 | 广东美的白色家电技术创新中心有限公司 | 一种鞋底涂胶方法、装置以及计算机可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104298713A (zh) * | 2014-09-16 | 2015-01-21 | 北京航空航天大学 | 一种基于模糊聚类的图片检索方法 |
CN104992177A (zh) * | 2015-06-12 | 2015-10-21 | 安徽大学 | 基于深层卷积神经网络的网络色情图像检测方法 |
CN106485717A (zh) * | 2016-09-12 | 2017-03-08 | 上海影城有限公司 | 一种基于卷积神经网络的图像特征提取方法及系统 |
CN107480203A (zh) * | 2017-07-23 | 2017-12-15 | 北京中科火眼科技有限公司 | 一种针对相同及相似图片去重的图像数据清洗方法 |
CN108133270A (zh) * | 2018-01-12 | 2018-06-08 | 清华大学 | 卷积神经网络加速方法及装置 |
CN109101984A (zh) * | 2017-06-20 | 2018-12-28 | 北京中科奥森数据科技有限公司 | 一种基于卷积神经网络的图像识别方法及装置 |
US20190087673A1 (en) * | 2017-09-15 | 2019-03-21 | Baidu Online Network Technology (Beijing) Co., Ltd | Method and apparatus for identifying traffic light |
-
2019
- 2019-06-06 CN CN201910489961.6A patent/CN110377781A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104298713A (zh) * | 2014-09-16 | 2015-01-21 | 北京航空航天大学 | 一种基于模糊聚类的图片检索方法 |
CN104992177A (zh) * | 2015-06-12 | 2015-10-21 | 安徽大学 | 基于深层卷积神经网络的网络色情图像检测方法 |
CN106485717A (zh) * | 2016-09-12 | 2017-03-08 | 上海影城有限公司 | 一种基于卷积神经网络的图像特征提取方法及系统 |
CN109101984A (zh) * | 2017-06-20 | 2018-12-28 | 北京中科奥森数据科技有限公司 | 一种基于卷积神经网络的图像识别方法及装置 |
CN107480203A (zh) * | 2017-07-23 | 2017-12-15 | 北京中科火眼科技有限公司 | 一种针对相同及相似图片去重的图像数据清洗方法 |
US20190087673A1 (en) * | 2017-09-15 | 2019-03-21 | Baidu Online Network Technology (Beijing) Co., Ltd | Method and apparatus for identifying traffic light |
CN108133270A (zh) * | 2018-01-12 | 2018-06-08 | 清华大学 | 卷积神经网络加速方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112700417A (zh) * | 2020-12-31 | 2021-04-23 | 广东美的白色家电技术创新中心有限公司 | 一种鞋底涂胶方法、装置以及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tong et al. | Channel-attention-based DenseNet network for remote sensing image scene classification | |
Li et al. | Building-a-nets: Robust building extraction from high-resolution remote sensing images with adversarial networks | |
CN110738146B (zh) | 一种目标重识别神经网络及其构建方法和应用 | |
CN111259850A (zh) | 一种融合随机批掩膜和多尺度表征学习的行人重识别方法 | |
Ming et al. | Simple triplet loss based on intra/inter-class metric learning for face verification | |
Costea et al. | Creating roadmaps in aerial images with generative adversarial networks and smoothing-based optimization | |
CN110210320A (zh) | 基于深度卷积神经网络的多目标无标记姿态估计方法 | |
CN107220277A (zh) | 基于手绘草图的图像检索算法 | |
CN114972418A (zh) | 基于核自适应滤波与yolox检测结合的机动多目标跟踪方法 | |
CN107633226A (zh) | 一种人体动作跟踪识别方法及系统 | |
CN109034035A (zh) | 基于显著性检测和特征融合的行人重识别方法 | |
CN110705566B (zh) | 一种基于空间金字塔池的多模态融合显著性检测方法 | |
CN111079739A (zh) | 一种多尺度注意力特征检测方法 | |
CN109961407A (zh) | 基于人脸相似性的人脸图像修复方法 | |
CN110245587B (zh) | 一种基于贝叶斯迁移学习的光学遥感图像目标检测方法 | |
Wang et al. | Study on the method of transmission line foreign body detection based on deep learning | |
CN114005094A (zh) | 航拍车辆目标检测方法、系统及存储介质 | |
CN109165698A (zh) | 一种面向智慧交通的图像分类识别方法及其存储介质 | |
CN106250555A (zh) | 基于大数据的车辆检索方法及装置 | |
CN104751111A (zh) | 识别视频中人体行为的方法和系统 | |
CN114495170A (zh) | 一种基于局部抑制自注意力的行人重识别方法及系统 | |
CN114429646A (zh) | 基于深度自注意力变换网络的步态识别方法 | |
CN109785359A (zh) | 一种基于深度特征金字塔与跟踪损失的视频目标检测方法 | |
Meng et al. | Visual-simulation region proposal and generative adversarial network based ground military target recognition | |
CN110222568B (zh) | 一种基于时空图的跨视角步态识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191025 |