CN110427846A - 一种利用卷积神经网络对不平衡小样本的人脸识别方法 - Google Patents

一种利用卷积神经网络对不平衡小样本的人脸识别方法 Download PDF

Info

Publication number
CN110427846A
CN110427846A CN201910654362.5A CN201910654362A CN110427846A CN 110427846 A CN110427846 A CN 110427846A CN 201910654362 A CN201910654362 A CN 201910654362A CN 110427846 A CN110427846 A CN 110427846A
Authority
CN
China
Prior art keywords
training
trained
neural networks
sample
convolutional neural
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.)
Granted
Application number
CN201910654362.5A
Other languages
English (en)
Other versions
CN110427846B (zh
Inventor
宋晓茹
吴雪
高嵩
陈超波
李继超
彭雨豪
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.)
Xian Technological University
Original Assignee
Xian Technological University
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 Xian Technological University filed Critical Xian Technological University
Priority to CN201910654362.5A priority Critical patent/CN110427846B/zh
Publication of CN110427846A publication Critical patent/CN110427846A/zh
Application granted granted Critical
Publication of CN110427846B publication Critical patent/CN110427846B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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

Abstract

本发明涉及一种利用卷积神经网络对不平衡小样本的人脸识别方法。该方法如下：针对训练数据集中的正负样本不平衡问题，利用DCGAN对抗生成网络生成与原始训练数据服从近似分布的数据样本，增加少量样本多样性。针对深度学习需要大量训练数据，在小样本容易发生过拟合的问题，利用迁移学习解决，首先将在Image‑Net大型数据集上训练好的Alex‑Net网络迁移到目标数据集上；然后更改输出层的神经元个数为目标数据集类别，最后利用目标数据集对后面的全连接层重新初始化进行训练。本发明从不平衡和少量数据集着手，解决了使用深度学习方法在少量数据集容易过拟合和样本不平衡时置信度低的问题。

Description

一种利用卷积神经网络对不平衡小样本的人脸识别方法
技术领域
本发明属于计算机视觉和人工智能技术领域，涉及一种人脸图像识别方法；具体涉及一种利用卷积神经网络对不平衡小样本的人脸识别方法。
背景技术
人脸识别作为一种提升信息安全的非侵入式的重要技术，已被广泛应用于国际安全、视频监控和人机交互等领域。而由于现实生活中的人脸可能存在多种难以预测的变化，高精度的人脸识别成为一项重要的研究热点。
使用机器学习方法进行人脸识别主要在于人脸特征的提取，特征提取的有效性影响着人脸识别准确率的高低。现有的人脸特征有局部特征、全局特征、集合特征和统计特征。但是人脸特征在实际使用时，由于经常受到标签、角度、光照等条件的影响，导致人脸特征提取和特征表示是一件非常复杂的事情，因此识别的准确率不高。
深度学习作为机器学习一个新的分支，通过模拟人脑机制对数据信息进行分析处理。深度学习中的卷积神经网络在图像识别领域取得了重大突破，能够自学习图像由低级到高级的特征，避免了机器学习中手动提取特征的缺点。但卷积神经网络在训练时需要海量样本的支撑，在数据不足时，会出现过拟合问题。同时训练样本某些权值分布较大，某些权值分布较小，最终也会影响到卷积神经网络模型的训练和预测时的置信度。
发明内容
本发明提供了一种利用卷积神经网络对不平衡小样本的人脸识别方法，以解决现有技术利用卷积神经网络对小样本图像识别时会发生的过拟合问题和样本不平衡时置信度低的问题。
为了达到本发明的目的，本发明所采提供的技术方案是:
一种利用卷积神经网络对不平衡小样本的人脸识别方法，包括以下步骤：
步骤1，获得人脸数据集，将图像固定到相同大小；
步骤2，设计对抗神经网络模型，对数据集中少量的一方进行训练，然后利用训练好的生成网络生成与训练数据服从近似分布的新样本；
步骤3，将在Image-Net数据集上训练好的Alex-Net模型作为预训练模型迁移到平衡后的人脸数据集，冻结前面卷积层和参数，作为特征提取器；
步骤4，将迁移模型的输出神经元个数修改为人脸数据集标签个数；
步骤5，对修改后的迁移模型的全部全连接层进行重新初始化；
步骤6，针对修改后的迁移模型，在平衡后的人脸数据集上进行后面全连接层的训练，得到训练好的小样本人脸识别模型；
步骤7，预测：针对训练好的人脸识别模型，在新的未知图像做预测。
进一步的，所述步骤(2)中，包括分别设计DCGAN对抗生成网络中的生成网络结构、判别网络结构和训练过程中迭代次数、损失函数和优化参数的方法。
进一步的，所述步骤(4)中，根据任务的不同，将迁移模型的输出值改为目标人脸数据集标签数。
进一步的，所述步骤(6)中，全连接层的训练过程包括前向传播过程和反向更新参数的过程。
本发明的有益效果：
本发明所提出的方法，将迁移学习与生成对抗网络相结合。首先通过设计 DCGAN对抗神经网络模型对少量标签进行扩充，降低了不平衡问题带来的置信度低的问题；其次利用卷积神经网络方法避免了手动提取特征的不足，最后利用迁移学习对平衡后的样本数据集进行识别，解决了深度学习需要大量样本支撑训练的缺点。该方法建立的深度神经网络模型，结构更加紧凑，需要的样本量更小，且对不平衡问题也有很好的解决办法。
附图说明
图1为本发明的方法流程图；
图2为DCGAN神经网络的生成网络结构模型设计；
图3为DCGAN神经网络的判别网络结构模型设计；
图4为迁移学习训练流程图。
具体实施方式
下面结合附图和具体实施对本发明作进一步详细说明。
首先利用DCGAN对抗生成网络解决了样本的不平衡问题，然后利用迁移学习方法解决了机器学习方法手动提取特征的缺点和卷积神经网络需要大量样本支撑训练的问题，并在一定程度上提升了不平衡小样本图像识别的准确率。
本发明提供了一种利用卷积神经网络对不平衡小样本的人脸识别方法，其具体过程如图1所示，包括以下步骤：
步骤1，获得人脸数据集，并统一到相同的224*224大小尺寸。
下载地址：https://anonfile.com/p7w3m0d5be/face-swap.zip
步骤2，设计对抗神经网络模型，对数据集中少量的一方进行训练，然后利用训练好的生成网络生成与训练数据服从近似分布的新样本，以扩增少量的样本：
具体的包括设计DCGAN对抗生成网络中的生成网络结构、判别网络结构和训练过程中的迭代次数、损失函数和优化参数的方法。
所说的DCGAN对抗神经网络模型包括生成网络结构和判别网络结构的设计，生成网络结构以随机噪音作为输入，输出三通道伪人脸特征图像。
所说的判别网络结构以真实人脸图像和生成网络结构生成的伪人脸图像为输入，输出是0或1的概率，分别代表真实图像或假图像；对抗神经网络在训练时的最终目的是使判别网络无法判断生成网络的输出结果是否真实，训练过程结束后，可用生成网络结构模型进行样本生成。该步骤使人脸数据集不平衡问题得到有效解决。
所说训练过程中迭代次数为重复训练过程的次数。
所说训练过程中损失函数为优化网络的目标函数。
所说训练过程中更新参数方法为梯度下降法。
步骤3：将在Image-Net数据集上训练好的Alex-Net模型作为预训练模型迁移到平衡后的人脸数据集，冻结前面卷积层和参数，作为特征提取器；由于卷积神经网络提取图像特征的过程是由低级到高级，因此，考虑到数据低层特征之间的共通性，将已经在Image-Net上训练好的Alex-Net模型的卷积层参数保持不变，不参加训练过程，用作提取器。
步骤4：将迁移模型的输出神经元个数修改为人脸数据集标签个数；根据目标任务的不同，对迁移模型后面的输出层进行更改。
步骤5：对修改后的迁移模型的全部全连接层进行重新初始化；由于全连接层提取特征的针对性和综合性，因此，针对不同的目标任务进行重新训练。
步骤6：针对修改后的迁移模型，在平衡后的人脸数据集上进行后面全连接层的训练，得到训练好的小样本人脸识别模型；训练过程包括前向传播过程和反向传播的过程。具体地反向传播包括更新参数的梯度下降算法和正则化损失函数作为反向更新的目标函数。
步骤7：预测：针对训练好的人脸识别模型，在新的未知图像做预测。即将在人脸数据集上训练好的识别模型应用到新的测试人脸样本，输出预测结果。
本发明的具体实施例为：
步骤1：下载https://anonfile.com/p7w3m0d5be/face-swap.zip人脸数据集，总共包含两类数据集camp和temp，其中camp总共318张，temp376张，然后将所有图像统一到224*224大小。
步骤2，设计对抗神经网络模型，对数据集中少量的一方进行训练，然后利用训练好的生成网络生成与训练数据服从近似分布的新样本，扩增少量的样本；设计生成网络结构和判别网络结构如图2和图3所示，生成网络结构以随机噪音作为输入，输出二维伪人脸特征图像；判别网络结构以真实人脸图像和生成网络结构生成的伪人脸图像为输入，输出是0或1的概率，分别代表真实图像或假图像；在训练过程中，对抗神经网络训练的目标函数为：
其中x代表真实数据，z代表随机噪音，D(x)代表判别网络结构判别为真实样本的概率，D(G(z))代表判别网络结构判别为生成图像的概率，训练的最终目的是使判别网络D无法判断生成网络G的输出结果是否真实。
在训练好生成网络结构后，对少量的camp图像进行扩充，与temp数据集数量一致。
步骤3：下载已经在Image-Net上训练好的Alex-Net卷积神经网络模型和参数，然后冻结前面的卷积层参数，作为特征提取器，不再参与训练。
Alex-Net卷积神经网络的结构：
卷积层C1，池化层S1,卷积层C2，池化层C2，卷积层C3，卷积层C4，卷积层C5，池化层S5，全连接层F6，全连接层F7，输出层F8；
步骤4：将迁移模型的输出神经元个数修改为人脸数据集类别个数2；
将Alex-Net模型的输出层神经元个数修改为2，表示目标类别个数；
步骤5：对修改后的迁移模型的全部全连接层进行重新正态分布初始化；
步骤6：针对修改后的迁移模型，在平衡后的人脸数据集上进行后面全连接层的训练，得到训练好的小样本人脸识别模型；训练过程包括前向传播过程和反向传播的过程。参见图4训练流程图。
具体的前向传播计算过程如下：
卷积神经网络的卷积层前向传播公式如下：
其中，代表卷积层l的第j个特征平面，f代表卷积层的激励函数，Mj代表l-1层与l层第j个平面相连的总输入通道，代表上一层的输入，代表l层的卷积核，代表每一层的偏置值。
池化层在卷积神经网络中的主要作用是压缩数据量，减少信息的冗余。同理，假设池化层的前后都连着卷积层，则池化层的前向传播公式如下：
其中代表前一层与当前池化层的权重，代表对l-1层的信号进行下采样，代表当前池化层的偏置值。
卷积神经网络的目标损失函数为前向传播的输出值与目标类别的误差，具体为交叉熵损失。
交叉熵损失函数：
其中n为训练样本总数，y代表标签值，a代表卷积神经网络输出值。
然后进入网络的反向传播，采用梯度下降法，用误差调整网络的各个层的权值。具体的反向更新参数如下：
假设卷积层l的下一层l+1层是池化层，并且假设池化层的误差是则按照误差的反向传播，卷积层的误差公式为：
其中，代表上采样，与下采样刚好相反，表示相邻两层之间相应的权重，代表卷积层的输入信号总和。
有了卷积层的误差信号，就可以用误差来反向求梯度来更新权重和偏置值，卷积层权重求梯度的公式在Matlab中可表示为公式(6),偏置的梯度公式如(7)。
其中，表示第l层的第j个特征图与l-1层第i个特征图相连所对应的权重矩阵。
池化层的误差公式如下：
其中，是来自下一层传过来的误差信号。
有了池化层的误差信号，根据误差来更新池化层的权值和偏置值的梯度计算公式如下：
步骤7：预测：针对训练好的人脸识别模型，在新的未知图像做预测。
本发明提供的方法，通过在不平衡小样本上进行仿真，在训练集中取得了 97.2的识别率，在验证集中取得了95.67％的识别率。与卷积神经网络全部训练的对比如下表所示，可以看到本发明提供的方法在验证集上的识别率远远高于使用Alex-Net网络全部训练的识别率，并且避免了过拟合的情况。本发明为不平衡小样本的图像识别提供了一种深度学习方法。
模型方法 验证集识别率 网络稳定性
Alex-Net全部训练 88％ 出现过拟合
本发明方法 95.67％ 稳定
以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。

Claims (4)

1.一种利用卷积神经网络对不平衡小样本的人脸识别方法，其特征在于，包括以下步骤：
步骤1，获得人脸数据集，将图像固定到相同大小；
步骤2，设计对抗神经网络模型，对数据集中少量的一方进行训练，然后利用训练好的生成网络生成与训练数据服从近似分布的新样本；
步骤3，将在Image-Net数据集上训练好的Alex-Net模型作为预训练模型迁移到平衡后的人脸数据集，冻结前面卷积层和参数，作为特征提取器；
步骤4，将迁移模型的输出神经元个数修改为人脸数据集标签个数；
步骤5，对修改后的迁移模型的全部全连接层进行重新初始化；
步骤6，针对修改后的迁移模型，在平衡后的人脸数据集上进行后面全连接层的训练，得到训练好的小样本人脸识别模型；
步骤7，预测：针对训练好的人脸识别模型，在新的未知图像做预测。
2.根据权利要求1所述利用卷积神经网络对不平衡小样本的人脸识别方法，其特征在于，所述步骤(2)中，包括设计DCGAN对抗生成网络中的生成网络结构、判别网络结构和训练过程中的迭代次数、损失函数和优化参数方法。
3.根据权利要求1所述利用卷积神经网络对不平衡小样本的人脸识别方法，其特征在于，所述步骤(4)中，根据任务的不同，将迁移模型的输出值改为目标人脸数据集标签数。
4.根据权利要求1所述利用卷积神经网络对不平衡小样本的人脸识别方法，其特征在于，所述步骤(6)中，全连接层的训练过程包括前向传播过程和反向更新参数的过程。
CN201910654362.5A 2019-07-19 2019-07-19 一种利用卷积神经网络对不平衡小样本的人脸识别方法 Active CN110427846B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910654362.5A CN110427846B (zh) 2019-07-19 2019-07-19 一种利用卷积神经网络对不平衡小样本的人脸识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910654362.5A CN110427846B (zh) 2019-07-19 2019-07-19 一种利用卷积神经网络对不平衡小样本的人脸识别方法

Publications (2)

Publication Number Publication Date
CN110427846A true CN110427846A (zh) 2019-11-08
CN110427846B CN110427846B (zh) 2022-12-06

Family

ID=68410179

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910654362.5A Active CN110427846B (zh) 2019-07-19 2019-07-19 一种利用卷积神经网络对不平衡小样本的人脸识别方法

Country Status (1)

Country Link
CN (1) CN110427846B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111104897A (zh) * 2019-12-18 2020-05-05 深圳市捷顺科技实业股份有限公司 儿童人脸识别模型的训练方法、装置以及存储介质
CN111275780A (zh) * 2020-01-09 2020-06-12 北京搜狐新媒体信息技术有限公司 人物图像的生成方法及装置
CN111291841A (zh) * 2020-05-13 2020-06-16 腾讯科技（深圳）有限公司 图像识别模型训练方法、装置、计算机设备和存储介质
CN111310578A (zh) * 2020-01-17 2020-06-19 上海优加利健康管理有限公司 一种心搏数据样本分类网络的生成方法和装置
CN111680566A (zh) * 2020-05-11 2020-09-18 东南大学 一种基于滑动分块生成对抗网络的小样本人脸识别方法
CN111709555A (zh) * 2020-05-22 2020-09-25 广西电网有限责任公司 一种分布式电源优化配置的方法及系统
CN111931914A (zh) * 2020-08-10 2020-11-13 北京计算机技术及应用研究所 一种基于模型微调的卷积神经网络通道剪枝方法
CN112115973A (zh) * 2020-08-18 2020-12-22 吉林建筑大学 一种基于卷积神经网络图像识别方法
CN112215268A (zh) * 2020-09-27 2021-01-12 浙江工业大学 一种灾害天气卫星云图分类方法和装置
CN112800946A (zh) * 2021-01-27 2021-05-14 西安工业大学 一种污损发票识别方法
CN113298230A (zh) * 2021-05-14 2021-08-24 西安理工大学 一种基于生成对抗网络的不平衡数据集的预测方法
CN113537353A (zh) * 2021-07-19 2021-10-22 天津工业大学 一种绝缘子图像数据的小样本学习方法
CN114018951A (zh) * 2021-11-12 2022-02-08 扬州大学江都高端装备工程技术研究所 基于dcgan显著特征样本扩大预处理的塑料件焊缝检测方法
CN114997936A (zh) * 2022-08-03 2022-09-02 国能日新科技股份有限公司 基于迁移学习的电力交易价格预测方法及系统
CN116936108A (zh) * 2023-09-19 2023-10-24 之江实验室 一种面向不平衡数据的疾病预测系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018028255A1 (zh) * 2016-08-11 2018-02-15 深圳市未来媒体技术研究院 基于对抗网络的图像显著性检测方法
CN109376692A (zh) * 2018-11-22 2019-02-22 河海大学常州校区 面向人脸表情识别的迁移卷积神经网络方法
CN109815864A (zh) * 2019-01-11 2019-05-28 浙江工业大学 一种基于迁移学习的人脸图像年龄识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018028255A1 (zh) * 2016-08-11 2018-02-15 深圳市未来媒体技术研究院 基于对抗网络的图像显著性检测方法
CN109376692A (zh) * 2018-11-22 2019-02-22 河海大学常州校区 面向人脸表情识别的迁移卷积神经网络方法
CN109815864A (zh) * 2019-01-11 2019-05-28 浙江工业大学 一种基于迁移学习的人脸图像年龄识别方法

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111104897A (zh) * 2019-12-18 2020-05-05 深圳市捷顺科技实业股份有限公司 儿童人脸识别模型的训练方法、装置以及存储介质
CN111275780A (zh) * 2020-01-09 2020-06-12 北京搜狐新媒体信息技术有限公司 人物图像的生成方法及装置
CN111275780B (zh) * 2020-01-09 2023-10-17 北京搜狐新媒体信息技术有限公司 人物图像的生成方法及装置
CN111310578B (zh) * 2020-01-17 2023-05-02 上海乐普云智科技股份有限公司 一种心搏数据样本分类网络的生成方法和装置
CN111310578A (zh) * 2020-01-17 2020-06-19 上海优加利健康管理有限公司 一种心搏数据样本分类网络的生成方法和装置
CN111680566A (zh) * 2020-05-11 2020-09-18 东南大学 一种基于滑动分块生成对抗网络的小样本人脸识别方法
CN111291841A (zh) * 2020-05-13 2020-06-16 腾讯科技（深圳）有限公司 图像识别模型训练方法、装置、计算机设备和存储介质
CN111291841B (zh) * 2020-05-13 2020-08-21 腾讯科技（深圳）有限公司 图像识别模型训练方法、装置、计算机设备和存储介质
CN111709555A (zh) * 2020-05-22 2020-09-25 广西电网有限责任公司 一种分布式电源优化配置的方法及系统
CN111709555B (zh) * 2020-05-22 2022-09-23 广西电网有限责任公司 一种分布式电源优化配置的方法及系统
CN111931914A (zh) * 2020-08-10 2020-11-13 北京计算机技术及应用研究所 一种基于模型微调的卷积神经网络通道剪枝方法
CN112115973A (zh) * 2020-08-18 2020-12-22 吉林建筑大学 一种基于卷积神经网络图像识别方法
CN112115973B (zh) * 2020-08-18 2022-07-19 吉林建筑大学 一种基于卷积神经网络图像识别方法
CN112215268A (zh) * 2020-09-27 2021-01-12 浙江工业大学 一种灾害天气卫星云图分类方法和装置
CN112800946A (zh) * 2021-01-27 2021-05-14 西安工业大学 一种污损发票识别方法
CN112800946B (zh) * 2021-01-27 2024-04-09 西安工业大学 一种污损发票识别方法
CN113298230A (zh) * 2021-05-14 2021-08-24 西安理工大学 一种基于生成对抗网络的不平衡数据集的预测方法
CN113298230B (zh) * 2021-05-14 2024-04-09 武汉嫦娥医学抗衰机器人股份有限公司 一种基于生成对抗网络的不平衡数据集的预测方法
CN113537353A (zh) * 2021-07-19 2021-10-22 天津工业大学 一种绝缘子图像数据的小样本学习方法
CN113537353B (zh) * 2021-07-19 2022-09-20 天津工业大学 一种绝缘子图像数据的小样本学习方法
CN114018951A (zh) * 2021-11-12 2022-02-08 扬州大学江都高端装备工程技术研究所 基于dcgan显著特征样本扩大预处理的塑料件焊缝检测方法
CN114997936A (zh) * 2022-08-03 2022-09-02 国能日新科技股份有限公司 基于迁移学习的电力交易价格预测方法及系统
CN116936108A (zh) * 2023-09-19 2023-10-24 之江实验室 一种面向不平衡数据的疾病预测系统
CN116936108B (zh) * 2023-09-19 2024-01-02 之江实验室 一种面向不平衡数据的疾病预测系统

Also Published As

Publication number Publication date
CN110427846B (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
CN110427846A (zh) 一种利用卷积神经网络对不平衡小样本的人脸识别方法
CN111259930B (zh) 自适应注意力指导机制的一般性目标检测方法
CN109492822B (zh) 空气污染物浓度时空域关联预测方法
CN107909206B (zh) 一种基于深层结构循环神经网络的pm2.5预测方法
CN114092832B (zh) 一种基于并联混合卷积网络的高分辨率遥感影像分类方法
CN108345911A (zh) 基于卷积神经网络多级特征的钢板表面缺陷检测方法
CN109190537A (zh) 一种基于掩码感知深度强化学习的多人物姿态估计方法
CN108764308A (zh) 一种基于卷积循环网络的行人重识别方法
CN108009674A (zh) 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法
CN107092870A (zh) 一种高分辨率影像语意信息提取方法及系统
CN106446942A (zh) 基于增量学习的农作物病害识别方法
CN110378288A (zh) 一种基于深度学习的多级时空运动目标检测方法
CN110991690A (zh) 一种基于深度卷积神经网络的多时次风速预测方法
CN106991666A (zh) 一种适用于多尺寸图片信息的病害图像识别方法
CN114067368B (zh) 基于深度卷积特征的电网危害鸟种分类识别方法
CN112766283B (zh) 一种基于多尺度卷积网络的两相流流型识别方法
CN109754122A (zh) 一种基于随机森林特征提取的bp神经网络的数值预测方法
CN116229380B (zh) 一种变电站涉鸟故障相关鸟种识别方法
CN109376763A (zh) 基于多样本推理神经网络的样本分类方法、系统及介质
CN106709588A (zh) 预测模型构建方法和设备以及实时预测方法和设备
CN108879732A (zh) 电力系统暂态稳定评估方法及装置
CN113011660A (zh) 空气质量预测方法、系统及存储介质
CN113516097B (zh) 一种基于改进EfficentNet-V2的植物叶片疾病识别方法
CN109034192B (zh) 一种基于深度学习的轨道-车体振动状态预测方法
CN114723784A (zh) 一种基于域适应技术的行人运动轨迹预测方法

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