CN110781931B - 一种局部特征提取和融合的超高清片源转换曲线检测方法 - Google Patents
一种局部特征提取和融合的超高清片源转换曲线检测方法 Download PDFInfo
- Publication number
- CN110781931B CN110781931B CN201910971337.XA CN201910971337A CN110781931B CN 110781931 B CN110781931 B CN 110781931B CN 201910971337 A CN201910971337 A CN 201910971337A CN 110781931 B CN110781931 B CN 110781931B
- Authority
- CN
- China
- Prior art keywords
- conversion curve
- fusion
- local feature
- feature extraction
- film source
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- 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
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种局部特征提取和融合的超高清片源转换曲线检测方法,其技术特点是:构造局部特征提取和融合的超高清片源转换曲线检测网络,构建局部特征提取和融合层,得到用于表征转换曲线特性的局部特征图;使用残差网络作为初始网络,得到整体转换曲线检测网络模型;对曲线检测网络模型进行训练,转换曲线分类模型;将超高清片源图像输入到转换曲线分类模型中,由该转换曲线分类模型输出该图像属于三种转换曲线类别的概率,最终根据概率大小判别图像的转换曲线类别。本发明设计合理,其通过构建特征提取和融合的超高清片源转换曲线检测网络模型,优于目前其他的片源检测算法,系统整体检测准确率较高。
Description
技术领域
本发明属于计算机视觉图像分类技术领域,尤其是一种局部特征提取和融合的超高清片源转换曲线检测方法。
背景技术
目前,以超高清电视为代表的新一代电视技术近年来呈现快速发展的态势。与高清电视相比,超高清电视不仅仅是分辨率的提高,还包括高帧率、高比特深度、宽色域和高动态范围。作为超高清电视的一项关键技术,HDR能够带来更丰富的图像亮部细节和暗部细节,以及更亮丽的色彩,让观众得到更具冲击力的观影体验。
然而,实际应用中,在节目制作、交换、传输等各个环节都有可能造成超高清节目质量不满足技术标准要求,严重损害了超高清市场的积极性。例如:视频封装参数为Gamma曲线等;视频封装参数符合规定,但实际内容并不符合,如封装参数是HDR,实际是SDR等。
因此,如何鉴别待测视频的转换曲线类别,保证超高清节目片源的转换曲线指标把控并确保呈现给观众真正符合标准的超高清电视节目是目前迫切需要解决的问题。
发明内容
本发明的目的在于克服上述现有技术存在的不足,提供一种局部特征提取和融合的超高清片源转换曲线检测方法,其将转化曲线的检测问题归结为图像分类问题,引入深度卷积神经网络,利用神经网络提取具有判别力的特征表示,从而鉴别待测视频的转换曲线类别,有效保证超高清节目片源的转换曲线指标把控,确保呈现给观众真正符合标准的超高清电视节目。
本发明解决其技术问题是采取以下技术方案实现的:
一种局部特征提取和融合的超高清片源转换曲线检测方法,包括以下步骤:
步骤1、构造局部特征提取和融合的超高清片源转换曲线检测网络,用于对Gamma、HLG和PQ三种转换曲线类别的图像进行检测;
步骤2、构建局部特征提取和融合层,提取输入图像的局部最大、最小、平均像素值,得到用于表征转换曲线特性的局部特征图;
步骤3、使用残差网络作为初始网络,增加局部特征提取和融合层,得到转换曲线检测网络模型;
步骤4、对转换曲线检测网络模型进行训练,得到Gamma转换曲线、HLG转换曲线和PQ转换曲线三类别的转换曲线分类模型;
步骤5、将超高清片源图像输入到Gamma转换曲线、HLG转换曲线和PQ转换曲线三类别的转换曲线分类模型中,由该转换曲线分类模型输出该图像属于三种转换曲线类别的概率,最终根据概率大小判别图像的转换曲线类别;
所述步骤1构建的转换检测网络包括局部特征提取和融合层、五个残差单元、全连接层和输出层;输入图像经过局部特征提取进行最大、最小、平均池化操作,得到特征图并将这些特征图在通道方向进行级联,得到局部特征融合图;将局部特征融合图依次送入五个残差单元,每个残差单元对图像进行下采样,输出尺寸在长、宽上均减半,经过五个残差单元输出特征图再经过全连接层,得到一维特征向量作为输入图像的最终特征表示,输出层节点数用于输出Gamma转换曲线、HLG转换曲线、PQ转换曲线三个类别。
进一步,所述输入图像尺寸为896×896×3,局部特征融合图尺寸为224×224×9,五个残差单元输出的图像尺寸为7×7,全连接层得到的一维特征向量为1×512。
进一步,所述步骤2的具体实现方法为:将输入图像块的长宽各扩大为原来的4倍,对每个相邻的4×4像素块分别进行最大、最小、平均池化,得到4×4邻域的最大值、最小值及平均值。
进一步,所述步骤3的具体实现方法为:将局部特征提取和融合层的输出特征图输入残差网络,通过网络模型捕捉到输入图像内的统计信息,运用统计信息进行图像分类。
进一步,所述残差网络采用ResNet34残差网络。
进一步,所述步骤4的具体实现方法为:将输入图像划分为896×896×3像素尺寸,然后以批量大小为8输入网络进行训练,迭代100epochs,最终得到训练好的Gamma转换曲线、HLG转换曲线和PQ转换曲线三类别的转换曲线分类模型。
本发明的优点和积极效果是:
1、本发明采用局部特征提取和融合的检测思路,有利于降低网络模型对于输入图像像素值的依赖性,其通过大尺度的特征选取,引入局部特征提取和融合操作,扩大神经网络的感知野,提升所提特征的判别力。在转换曲线的判断过程中,不同转换曲线之间的差别更多体现在像素值统计层面的差异。通过特征提取层,网络模型能够捕捉到输入图像内重要的统计信息,并根据这样的统计信息得到合理的分类结果,与直接使用卷积神经网络相比较,特征提取层降低了网络模型对于输入图像像素值的依赖性,同时降低了网络模型的过拟合风险,从而获得了优良的检测结果。
2、本发明对超高清视频片源的转换曲线进行技术符合性检测,有效结合了图像分类的卷积神经网络,构建特征提取和融合的超高清片源转换曲线检测网络模型,使得系统整体检测准确率大大提升,本发明分别在公开的、项目组拍摄的测试序列上进行了测试,本发明优于目前其他的片源检测算法,系统整体检测准确率较高。
附图说明
图1是本发明的局部特征提取和融合的超高清片源转换曲线检测网络框图。
具体实施方式
以下结合附图对本发明的实施做进一步详述。
一种局部特征提取和融合的超高清片源转换曲线检测方法,包括以下步骤:
步骤1、构造局部特征提取和融合的超高清片源转换曲线检测网络,用于对视频文件的转换曲线进行检测。对视频文件的转换曲线进行检测包括Gamma、HLG和PQ三种转换曲线类别。
如图1所示,本步骤构建的超高清片源转换曲线检测网络,包括局部特征提取和融合层、残差单元Block1~5、全连接层和输出层。
输入图像尺寸统一为896×896×3,首先经过局部特征提取进行最大、最小、平均池化操作,得到224×224×9的特征图。然后将这些特征图在通道方向进行级联,得到局部特征融合图。接着,将局部特征融合图送入Block1、Block2、Block3、Block4、Block5五个残差单元,每个残差单元相当于对图像进行下采样,输出尺寸在长、宽上均减半,因此经过五个残差单元后,输出特征图尺寸变为7×7。在接着,输出特征图再经过全连接层,得到1×512的一维特征向量,即为输入图像的最终特征表示。最后的输出层节点数根据本发明的类别数设置,分为Gamma转换曲线、HLG转换曲线、PQ转换曲线三个类别。
依照我国超高清电视技术标准的规定,超高清片源应符合HDR技术特性,其对应的转换曲线为HLG或PQ。视频文件的转换曲线包括Gamma转换曲线、HLG转换曲线、PQ转换曲线三个类别,因此本发明构建超高清片源转换曲线检测网络,对视频文件的转换曲线进行检测,从而判断其技术符合性。
步骤2、构建局部特征提取和融合层,提取输入图像的局部最大、最小、平均像素值,得到用于表征转换曲线特性的局部特征图。
本步骤的具体实现方法为:首先扩大神经网络的感知野,将输入图像块的长宽各扩大为原来的4倍,即896×896,然后进行下采样,即对每个相邻的4×4像素块分别进行最大、最小、平均池化,得到4×4邻域的最大值、最小值及平均值,这些统计值相比原始像素输入能够更好的反映该邻域的转换曲线特征。这种操作不仅扩大了神经网络的感知野,而且经过下采样后图像块尺寸又恢复为224×224,并没有增加后续计算的复杂度,但却在图像块中包含了更多邻域的像素信息,有利于网络提取到更具判别力的空间信息。
步骤3、运用残差网络ResNet34作为初始网络,增加了局部特征提取和融合层,得到整体转换曲线检测网络模型。
本步骤的具体实现方法为:本发明选择ResNet34作为基准网络进行设计,将局部特征提取和融合层的输出特征图输入残差网络,网络模型能够捕捉到输入图像内重要的统计信息,并根据这样的统计信息得到合理的分类结果。与直接使用卷积神经网络相比较,特征提取层降低了网络模型对于输入图像像素值的依赖性,同时降低了网络模型的过拟合风险。
步骤4、设置实验参数,对转换曲线检测网络进行训练,得到Gamma转换曲线、HLG转换曲线和PQ转换曲线三类别的转换曲线分类模型。
本步骤的具体实现方法为:对网络进行训练时,输入图像首先被划分为896×896×3像素尺寸,然后以批量大小为8输入网络进行训练,迭代100epochs。
本步骤得到的Gamma转换曲线、HLG转换曲线和PQ转换曲线三类别的转换曲线分类模型以Gamma转换曲线、HLG转换曲线、PQ转换曲线三种转换曲线类别的图像作为输入,输出为该图像分别属于三类别的概率,最终根据概率大小判别图像的转换曲线类别。
步骤5、将Gamma转换曲线、HLG转换曲线和PQ转换曲线三类别的图像输入到步骤4经过多次迭代和优化后的转换曲线分类模型中,输出该图像属于三个类别的概率,最终根据概率大小判别图像的转换曲线类别。
下面按照本发明方法使用与训练集场景无关的测试序列进行测试,以验证模型的泛化性能并统计转换曲线类别准确度。
测试环境:Windows 10、Visual Studio 2015、Python
测试数据:公开的、项目组拍摄的测试序列共175个。其中HLG序列134个,PQ序列21个,BT.709序列20个。关于序列的详细说明见表1。
表1测试序列详细说明
转换曲线 | 文件格式 | 编码方式 | 编码码率 | 帧率 | 分辨率 | 比特精度 | 数量 |
PQ | MP4,TS | H.265 | 50M | 50P | 3840x2160 | 10bit | 21 |
HLG | MXF | H.265 | 500M | 50P | 3840x2160 | 10bit | 114 |
HLG | MP4 | H.265 | 50M | 50P | 3840x2160 | 10bit | 20 |
Gamma | MP4 | H.265 | 50M | 50P | 3840x2160 | 10bit | 20 |
测试指标:
本发明使用的测试指标为检测准确率。在测试过程中,网络模型的输出结果是当前输入图像属于某一类的概率。具体来说,通过将输入图像裁剪为小块,根据输出的概率判断每一个小块的类别,进而根据所设阈值,当某一帧内预测为某一类别的块所占比例超过阈值时,则判断该帧属于该类别。其中,在预测块的类别时,遵循深度学习分类任务的常规方法,若网络输出的预测概率大于给定阈值(实验中设为0.5),则认为当前块属于这一类。
试验结果如下:
表2转换曲线检测结果
检测项目 | 样本描述 | 检测准确率 |
转换曲线检测准确率 | 共检测样本175个,正确检测166个 | 94.9% |
通过以上测试结果可以看出,本发明整体检测准确率较高。
本发明未述及之处适用于现有技术。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (6)
1.一种局部特征提取和融合的超高清片源转换曲线检测方法,其特征在于包括以下步骤:
步骤1、构造局部特征提取和融合的超高清片源转换曲线检测网络,用于对Gamma、HLG和PQ三种转换曲线类别的图像进行检测;
步骤2、构建局部特征提取和融合层,提取输入图像的局部最大、最小、平均像素值,得到用于表征转换曲线特性的局部特征图;
步骤3、使用残差网络作为初始网络,增加局部特征提取和融合层,得到转换曲线检测网络模型;
步骤4、对转换曲线检测网络模型进行训练,得到Gamma转换曲线、HLG转换曲线和PQ转换曲线三类别的转换曲线分类模型;
步骤5、将超高清片源图像输入到Gamma转换曲线、HLG转换曲线和PQ转换曲线三类别的转换曲线分类模型中,由该转换曲线分类模型输出该图像属于三种转换曲线类别的概率,最终根据概率大小判别图像的转换曲线类别;
所述步骤1构建的转换检测网络包括局部特征提取和融合层、五个残差单元、全连接层和输出层;输入图像经过局部特征提取进行最大、最小、平均池化操作,得到特征图并将这些特征图在通道方向进行级联,得到局部特征融合图;将局部特征融合图依次送入五个残差单元,每个残差单元对图像进行下采样,输出尺寸在长、宽上均减半,经过五个残差单元输出特征图再经过全连接层,得到一维特征向量作为输入图像的最终特征表示,输出层节点数用于输出Gamma转换曲线、HLG转换曲线、PQ转换曲线三个类别。
2.根据权利要求1所述的一种局部特征提取和融合的超高清片源转换曲线检测方法,其特征在于:所述输入图像尺寸为896×896×3,局部特征融合图尺寸为224×224×9,五个残差单元输出的图像尺寸为7×7,全连接层得到的一维特征向量为1×512。
3.根据权利要求1所述的一种局部特征提取和融合的超高清片源转换曲线检测方法,其特征在于:所述步骤2的具体实现方法为:将输入图像块的长宽各扩大为原来的4倍,对每个相邻的4×4像素块分别进行最大、最小、平均池化,得到4×4邻域的最大值、最小值及平均值。
4.根据权利要求1所述的一种局部特征提取和融合的超高清片源转换曲线检测方法,其特征在于:所述步骤3的具体实现方法为:将局部特征提取和融合层的输出特征图输入残差网络,通过网络模型捕捉到输入图像内的统计信息,运用统计信息进行图像分类。
5.根据权利要求1或4所述的一种局部特征提取和融合的超高清片源转换曲线检测方法,其特征在于:所述残差网络采用ResNet34残差网络。
6.根据权利要求1所述的一种局部特征提取和融合的超高清片源转换曲线检测方法,其特征在于:所述步骤4的具体实现方法为:将输入图像划分为896×896×3像素尺寸,然后以批量大小为8输入网络进行训练,迭代100epochs,最终得到训练好的Gamma转换曲线、HLG转换曲线和PQ转换曲线三类别的转换曲线分类模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910971337.XA CN110781931B (zh) | 2019-10-14 | 2019-10-14 | 一种局部特征提取和融合的超高清片源转换曲线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910971337.XA CN110781931B (zh) | 2019-10-14 | 2019-10-14 | 一种局部特征提取和融合的超高清片源转换曲线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110781931A CN110781931A (zh) | 2020-02-11 |
CN110781931B true CN110781931B (zh) | 2022-03-08 |
Family
ID=69385300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910971337.XA Active CN110781931B (zh) | 2019-10-14 | 2019-10-14 | 一种局部特征提取和融合的超高清片源转换曲线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110781931B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778701A (zh) * | 2015-04-15 | 2015-07-15 | 浙江大学 | 一种基于rgb-d传感器的局部图像描述方法 |
CN105335716A (zh) * | 2015-10-29 | 2016-02-17 | 北京工业大学 | 一种基于改进udn提取联合特征的行人检测方法 |
CN105590102A (zh) * | 2015-12-30 | 2016-05-18 | 中通服公众信息产业股份有限公司 | 一种基于深度学习的前车车脸识别方法 |
CN106875381A (zh) * | 2017-01-17 | 2017-06-20 | 同济大学 | 一种基于深度学习的手机外壳缺陷检测方法 |
CN108647732A (zh) * | 2018-05-14 | 2018-10-12 | 北京邮电大学 | 一种基于深度神经网络的病理图像分类方法及装置 |
CN108960140A (zh) * | 2018-07-04 | 2018-12-07 | 国家新闻出版广电总局广播科学研究院 | 基于多区域特征提取和融合的行人再识别方法 |
CN109614853A (zh) * | 2018-10-30 | 2019-04-12 | 国家新闻出版广电总局广播科学研究院 | 一种基于身体结构划分的双线性行人再识别网络构建方法 |
CN110545416A (zh) * | 2019-09-03 | 2019-12-06 | 国家广播电视总局广播电视科学研究院 | 一种基于深度学习的超高清片源检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10068171B2 (en) * | 2015-11-12 | 2018-09-04 | Conduent Business Services, Llc | Multi-layer fusion in a convolutional neural network for image classification |
-
2019
- 2019-10-14 CN CN201910971337.XA patent/CN110781931B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778701A (zh) * | 2015-04-15 | 2015-07-15 | 浙江大学 | 一种基于rgb-d传感器的局部图像描述方法 |
CN105335716A (zh) * | 2015-10-29 | 2016-02-17 | 北京工业大学 | 一种基于改进udn提取联合特征的行人检测方法 |
CN105590102A (zh) * | 2015-12-30 | 2016-05-18 | 中通服公众信息产业股份有限公司 | 一种基于深度学习的前车车脸识别方法 |
CN106875381A (zh) * | 2017-01-17 | 2017-06-20 | 同济大学 | 一种基于深度学习的手机外壳缺陷检测方法 |
CN108647732A (zh) * | 2018-05-14 | 2018-10-12 | 北京邮电大学 | 一种基于深度神经网络的病理图像分类方法及装置 |
CN108960140A (zh) * | 2018-07-04 | 2018-12-07 | 国家新闻出版广电总局广播科学研究院 | 基于多区域特征提取和融合的行人再识别方法 |
CN109614853A (zh) * | 2018-10-30 | 2019-04-12 | 国家新闻出版广电总局广播科学研究院 | 一种基于身体结构划分的双线性行人再识别网络构建方法 |
CN110545416A (zh) * | 2019-09-03 | 2019-12-06 | 国家广播电视总局广播电视科学研究院 | 一种基于深度学习的超高清片源检测方法 |
Non-Patent Citations (1)
Title |
---|
高清摄像机伽玛曲线调整的应用研究;徐畅;《中国传媒科技》;20130830;第234-235页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110781931A (zh) | 2020-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Athar et al. | A comprehensive performance evaluation of image quality assessment algorithms | |
CN107330453B (zh) | 基于分步识别和融合关键部位检测的色情图像识别方法 | |
JP2021532434A (ja) | 顔特徴抽出モデル訓練方法、顔特徴抽出方法、装置、機器および記憶媒体 | |
JP2023519525A (ja) | オートエンコーダ及びクラスタリングに基づく異常検知 | |
CN111696021B (zh) | 一种基于显著性检测的图像自适应隐写分析系统及方法 | |
CN108280480B (zh) | 一种基于残差共生概率的隐写图像载体安全性评价方法 | |
CN113965659B (zh) | 基于网络对网络的训练hevc视频隐写分析方法、系统 | |
CN114627502A (zh) | 一种基于改进YOLOv5的目标识别检测方法 | |
CN114648714A (zh) | 一种基于yolo的车间规范行为的监测方法 | |
CN109859166A (zh) | 一种基于多列卷积神经网络的无参3d图像质量评估方法 | |
CN115410059B (zh) | 基于对比损失的遥感图像部分监督变化检测方法及设备 | |
CN112541926A (zh) | 一种基于改进FCN和DenseNet的歧义像素优化分割方法 | |
CN111723852A (zh) | 针对目标检测网络的鲁棒训练方法 | |
CN111612803B (zh) | 一种基于图像清晰度的车辆图像语义分割方法 | |
CN110781931B (zh) | 一种局部特征提取和融合的超高清片源转换曲线检测方法 | |
CN110781932B (zh) | 一种多类别图像转换与对比的超高清片源色域检测方法 | |
CN107766838B (zh) | 一种视频场景切换检测方法 | |
CN114038010B (zh) | 一种行人属性识别方法、设备和介质 | |
CN112804533B (zh) | 基于分块信息掩膜的hevc视频隐写分析网络方法及系统 | |
CN113055677B (zh) | 一种基于fpga的图像压缩方法 | |
CN114399681A (zh) | 电力能源设备识别方法、装置和终端设备 | |
CN113642473A (zh) | 一种基于计算机视觉的矿下煤机状态识别方法 | |
CN113989793A (zh) | 一种石墨电极钢印文字识别方法 | |
CN114241348A (zh) | 基于多模块卷积神经网络的异常行为识别方法及装置 | |
CN113055708A (zh) | 一种基于台标识别的节目版权保护方法及装置 |
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 |