CN110796167B - 基于提升方案深度神经网络的图像分类方法 - Google Patents

基于提升方案深度神经网络的图像分类方法 Download PDF

Info

Publication number
CN110796167B
CN110796167B CN201910913602.9A CN201910913602A CN110796167B CN 110796167 B CN110796167 B CN 110796167B CN 201910913602 A CN201910913602 A CN 201910913602A CN 110796167 B CN110796167 B CN 110796167B
Authority
CN
China
Prior art keywords
layer
lifting scheme
convolutional
neural network
feature extraction
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
Application number
CN201910913602.9A
Other languages
English (en)
Other versions
CN110796167A (zh
Inventor
何楚
石紫珊
何博琨
张清怡
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201910913602.9A priority Critical patent/CN110796167B/zh
Publication of CN110796167A publication Critical patent/CN110796167A/zh
Application granted granted Critical
Publication of CN110796167B publication Critical patent/CN110796167B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (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)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于提升方案深度神经网络的图像分类方法。本发明结合了提升方案和卷积神经网络的优点，利用提升方案的特有优势改进基于卷积的神经网络模型。在神经网络中引入提升方案以取代卷积层作为新的特征提取器，一方面为神经网络带来了整数变换、运算加速、无需辅存等优点，另一方面非线性提升方案算子的引入增强了特征的表达能力，能够更好地保留图像的原始信息，在数字图像和遥感图像的分类准确率上均有提升。

Description

基于提升方案深度神经网络的图像分类方法
技术领域
本发明属于图像处理技术领域，特别涉及一种基于提升方案深度神经网络的图像分类方法。
背景技术
图像分类是计算机视觉领域中重要的研究主题，其目标是将不同的图像划分到不同的类别并降低分类误差。图像分类是计算机视觉领域中的基础任务，其研究对于其他图像处理任务如目标检测、图像分割等都具有重要的意义。
近年来，深度学习逐渐成为图像处理的发展主流。其中，卷积神经网络无须手工提取特征便能在训练中自动完成特征的提取和抽象，在图像分类、图像识别、物体检测、语义分割等应用上均表现突出，因而在计算机视觉领域占有重要地位。卷积层通过输入信号与卷积核的卷积操作为网络的提取图像特征，是卷积神经网络的核心模块。由于具有局部连接和权值共享特性，卷积层实现了参数量减少、训练复杂度大大降低、过拟合减轻等优良效果，并赋予了网络平移不变性。但是，卷积操作的线性特性制约了所提取特征的表达能力，而卷积操作的运算量之大也制约了网络在算力有限的移动平台上的应用。
卷积操作同样是小波变换的核心操作。离散小波变换因具有多分辨、时频局部化、紧致等特性而广泛应用于图像压缩、图像去噪等图像处理领域，但是由于其卷积运算而受限于线性特性、运算复杂等问题。为此，Sweldens提出了小波提升方案，使得小波变换的实现更为快速、无需辅存且还能引入非线性变换、整数变换。提升方案的上述优势使得小波变换更易于在算力有限的硬件平台上的实现，并成功应用于JPEG2000标准硬件实现。此外，提升方案还能实现非线性变换，使得变换后的小波系数更能准确表达原始图像的特征。
本发明提供的基于提升方案学习的特征能够很好保留图像的信息，通过在提升方案中引入非线性扩大了特征提取模块的函数空间、增强了特征的信息表征能力，从而提高了图像分类的准确率。本发明方法将提升方案作为特征提取器，为神经网络带来了整数变换、原位变换等优良特性，为神经网络在FPGA等硬件上的实现方式提供进一步研究的基础。
发明内容
本发明目的在于结合提升方案和卷积神经网络的优点，利用提升方案的特有优势改进基于卷积的神经网络模型。在神经网络中引入提升方案以取代卷积层作为新的特征提取器，一方面为神经网络带来了整数变换、运算加速、无需辅存等优点，另一方面非线性提升方案算子的引入增强了特征的表达能力，能够更好地保留图像的原始信息，在数字图像和遥感图像的分类准确率上均有提升。
本发明的技术方案为一种基于提升方案深度神经网络用于数字图像和遥感图像的分类方法，包括以下步骤：
步骤1，准备待分类图像数据集，实现方式如下：
准备一个含有M张图像的数据集D，将数据集D分成两个不重叠的子数据集Dtrain,Dtest，分别用于训练和测试，所有数据集图像的大小为n×n像素；
步骤2，以提升方案模块为基础构建特征提取基本模块，然后构建基于提升方案的深度神经网络，具体实现方式如下，
其中特征提取基本模块用于实现原图像的特征提取和降采样，包含以下子步骤：
步骤2.1，将原图像输入3×3卷积层实现通道数变换和降采样；
步骤2.2，批归一化处理和ReLU激活；
步骤2.3，经过非线性提升方案模块进行特征提取；
步骤2.4，批归一化处理和ReLU激活；
步骤2.5，使用一层1×1卷积层增强通道间的联系表示；
步骤2.6，输入图像的恒等映射与上述步骤的输出进行短径连接；
步骤2.7，使用ReLU激活；
其中，提升方案模块的处理包括以下3个步骤：
(1)分裂：将原图像x逐行分为两个图像子集合，记为xe和xo，其处理公式为
xe[i,j]＝x[i,j],xo[i]＝x[i+1,j+1]
其中x[i,j]表示图像x中第i行、第j列的元素； (1)
(2)预测：利用xe来预测xo，其处理公式为
xo＝xo-N{Pconv(xe)} (2)
式(2)中，Pconv(·)表示预测步骤中的普通卷积运算，N{·}表示预测步骤中的非线性函数；
(3)更新：利用步骤(2)中得到的xo来更新xe，其处理公式为
xe＝xe-M{Uconv(xo)} (3)
式(3)中，Uconv(·)表示更新步骤中的普通卷积运算，M{·}表示更新步骤中的非线性函数；
构建基于提升方案的深度神经网络，该网络的具体结构如下：
输入层：输入数据为n×n像素的图像；
LS1：该层为提升方案模块；
C1：该层为卷积层；
M1：该层为3个特征提取基本模块的堆叠；
M2：该层为4个特征提取基本模块的堆叠；
M3：该层为6个特征提取基本模块的堆叠；
M4：该层为3个特征提取基本模块的堆叠；
F1：该层为全连接层；
P：该层为平均池化层；
输出层：由30个欧氏径向基函数构成；
步骤3，将训练数据集Dtrain输入到基于提升方案的深度神经网络中，对该网络进行训练；
步骤4，利用训练好的网络对测试数据集Dtest进行分类。
进一步的，步骤4中通过误差敏感项的反向传播和随机梯度算法进行训练。
进一步的，LS1中预测步骤和更新步骤中卷积层的卷积核大小为3×3，卷积深度为3。
进一步的，M1中特征提取基本模块中的3×3卷积层步长为1，卷积深度为64，1×1卷积层的卷积深度为64，提升方案模块中预测步骤和更新步骤卷积层的核尺寸为3×3，卷积深度为64。
进一步的，M2中第1个特征提取基本模块中的3×3卷积层步长为2，其余3个特征提取基本模块中的3×3卷积层步长为1，卷积深度为128，1×1卷积层的卷积深度为128，提升方案模块中预测步骤和更新步骤卷积层的核尺寸为3×3，卷积深度为128。
进一步的，M3中第1个特征提取基本模块中的3×3卷积层步长为2，其余5个特征提取模块中的3×3卷积层步长为1，卷积深度为256，1×1卷积层的卷积深度为256，提升方案模块中预测步骤和更新步骤卷积层的核尺寸为3×3，卷积深度为256。
进一步的，M4中第1个特征提取基本模块中的3×3卷积层步长为2，其余2个特征提取模块中的3×3卷积层步长为1，卷积深度为512，1×1卷积层的卷积深度为512，提升方案模块中预测步骤和更新步骤卷积层的核尺寸为3×3，卷积深度为512。
本发明的提升方案深度神经网络基于提升方案可以向下兼容卷积运算的事实，将提升方案可实现的固定有限小波基底推广到可变任意的滤波器基底，将提升方案作为特征提取模块嵌入神经网络中。通过在提升方案模块中使用非线性的预测算子和更新算子，同时结合神经网络的学习能力使得预测算子和更新算子不断迭代更新，学习出具有自适应、数据依赖性的非线性特征提取器。本发明提出一种基于提升方案的深度神经网络用于图像分类的方法，通过非线性变换学习图像信息，适用于数字图像和遥感图像的识别。
附图说明
图1本发明实施例的提升方案模块原理说明图。
图2本发明实施例的特征提取基本模块原理说明图。
图3本发明实施例的基于提升方案的深度神经网络结构说明图。
具体实施方式
以下结合附图和实施例详细说明本发明技术方案。本发明给出基于非线性提升方案的特征提取方案，原理如图1、图2所示，对应的网络结构如图3所示。基于提升方案神经网络的图像分类方法包括以下4个步骤：
步骤1，准备待分类图像数据集，实现方式如下：
在执行之前需要准备一个含有M张图像的数据集D。将数据集D平均分成两个不重的子数据集Dtrain,Dtest，分别用于训练和测试；所有数据集图像的大小为n×n像素。
步骤2，以提升方案模块为基础构建特征提取基本模块，构建基于提升方案深度神经网络，通过全连接层和Softmax分类器实现分类。
图3中网络的网络结构中包括1个输入层、1个特征提取和降采样模块、1个分类模块和1个输出层。其中特征提取和降采样模块包含1个提升方案模块、1个1×1卷积层和4个堆叠特征提取基本模块。
其中，特征提取基本模块用于提取待分类图像的特征并进行降采样。实现方式如下：
本发明实施例中以提升方案模块为基础构建特征提取基本模块框架。提升方案模块和特征提取基本模块对应的原理分别如图1和图2所示。提升方案模块包括以下3个步骤：
(1)分裂：将原图像x逐行分为两个图像子集合，记为xe和xo，其处理公式为
xe[i,j]＝x[i,j],xo[i]＝x[i+1,j+1] (4)
其中x[i,j]表示图像x中第i行、第j列的元素。
(2)预测：利用xe来预测xo，其处理公式为
xo＝xo-N{Pconv(xe)} (5)
式(2)中，Pconv(·)表示预测步骤中的普通卷积运算，N{·}表示预测步骤中的非线性函数。根据不同的需求，可以采用不同的非线性函数如ReLU及其改进型。
(3)更新：利用步骤(2)中得到的xo来更新xe，其处理公式为
xe＝xe-M{Uconv(xo)} (6)
式(3)中，Uconv(·)表示更新步骤中的普通卷积运算，M{·}表示更新步骤中的非线性函数。
本发明以提升方案模块为基础构建了特征提取基本模块，具体实现过程如图2所示。特征提取基本模块包含以下步骤：
(1)输入的原图像经过一个步长为2的3×3卷积层实现通道数变换和降采样；
(2)批归一化处理和ReLU激活；
(3)经过非线性提升方案模块进行特征提取；
(4)批归一化处理和ReLU激活；
(5)使用一层1×1卷积层增强通道间的联系表示；
(6)输入图像的恒等映射与上述步骤的输出进行短径连接；
(7)使用ReLU激活。
本发明实施例的基于提升方案深度神经网络的完整结构如图3所示。输入图像经过一个提升方案模块和一层1×1卷积层后堆叠使用多个图2所示的特征提取基本模块完成特征提取和降采样，最后使用一个平均池化层进一步降采样，输出特征表示。每个模块的参数设置分别为：
(1)输入层：输入数据为n×n像素的图像；
(2)LS1：该层为提升方案模块，预测步骤和更新步骤卷积层的卷积核大小为3×3，卷积深度为3；
(3)C1：该层为卷积层，卷积核大小为1×1，卷积深度为64；
(4)M1：该层为3个特征提取基本模块的堆叠，特征提取基本模块中的3×3卷积层步长为1，卷积深度为64，1×1卷积层的卷积深度为64，提升方案模块中预测步骤和更新步骤卷积层的核尺寸为3×3，卷积深度为64；
(5)M2：该层为4个特征提取基本模块的堆叠，第1个特征提取基本模块中的3×3卷积层步长为2，其余3个特征提取基本模块中的3×3卷积层步长为1，卷积深度为128，1×1卷积层的卷积深度为128，提升方案模块中预测步骤和更新步骤卷积层的核尺寸为3×3，卷积深度为128；
(6)M3：该层为6个特征提取基本模块的堆叠，第1个特征提取基本模块中的3×3卷积层步长为2，其余5个特征提取基本模块中的3×3卷积层步长为1，卷积深度为256，1×1卷积层的卷积深度为256，提升方案模块中预测步骤和更新步骤卷积层的核尺寸为3×3，卷积深度为256；
(7)M4：该层为3个特征提取基本模块的堆叠，第1个特征提取基本模块中的3×3卷积层步长为2，其余2个特征提取基本模块中的3×3卷积层步长为1，卷积深度为512，1×1卷积层的卷积深度为512，提升方案模块中预测步骤和更新步骤卷积层的核尺寸为3×3，卷积深度为512；
(8)P：该层为平均池化层；
(9)F1：该层为全连接层；
(10)输出层：由30个欧氏径向基函数构成。
步骤3，设置好网络结构后，将训练数据集Dtrain输入到基于提升方案的深度神经网络中，通过误差敏感项的反向传播和随机梯度算法(具体实现为现有技术，本发明不予赘述)对网络进行训练，学习网络中的未知参数，即通过网络的反复迭代学习各个模块的参数，得到充分具有图像信息的特征表达。
步骤4，利用训练好的网络对测试数据集Dtest进行分类。
将本发明实验与普通CNN进行对比实验，在CIFAR-100数据集上，本发明方法分类精度提高了1.38％，在遥感图像数据集AID上则提高了0.45％。对比实验中本发明方法网络与所使用的普通CNN唯一区别是前者使用了提升方案模块而后者在对应部分使用的是3x3卷积层，其余所有设置是一样的。
本文中所描述的具体实施例仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (7)

1.基于提升方案深度神经网络的图像分类方法，其特征在于，包括如下步骤：
步骤1，准备待分类图像数据集，实现方式如下：
准备一个含有M张图像的数据集D，将数据集D分成两个不重叠的子数据集Dtrain,Dtest，分别用于训练和测试，所有数据集图像的大小为n×n像素；
步骤2，以提升方案模块为基础构建特征提取基本模块，然后构建基于提升方案的深度神经网络，具体实现方式如下，
其中特征提取基本模块用于实现原图像的特征提取和降采样，包含以下子步骤：
步骤2.1，将原图像输入3×3卷积层实现通道数变换和降采样；
步骤2.2，批归一化处理和ReLU激活；
步骤2.3，经过非线性提升方案模块进行特征提取；
步骤2.4，批归一化处理和ReLU激活；
步骤2.5，使用一层1×1卷积层增强通道间的联系表示；
步骤2.6，输入图像的恒等映射与上述步骤的输出进行短径连接；
步骤2.7，使用ReLU激活；
其中，提升方案模块的处理包括以下3个步骤：
(1)分裂：将原图像x逐行分为两个图像子集合，记为xe和xo，其处理公式为
xe[i,j]＝x[i,j],xo[i]＝x[i+1,j+1]
其中x[i,j]表示图像x中第i行、第j列的元素； (1)
(2)预测：利用xe来预测xo，其处理公式为
xo＝xo-N{Pconv(xe)} (2)
式(2)中，Pconv(·)表示预测步骤中的普通卷积运算，N{·}表示预测步骤中的非线性函数；
(3)更新：利用步骤(2)中得到的xo来更新xe，其处理公式为
xe＝xe-M{Uconv(xo)} (3)
式(3)中，Uconv(·)表示更新步骤中的普通卷积运算，M{·}表示更新步骤中的非线性函数；
构建基于提升方案的深度神经网络，该网络的具体结构如下：
输入层：输入数据为n×n像素的图像；
LS1：该层为提升方案模块；
C1：该层为卷积层；
M1：该层为3个特征提取基本模块的堆叠；
M2：该层为4个特征提取基本模块的堆叠；
M3：该层为6个特征提取基本模块的堆叠；
M4：该层为3个特征提取基本模块的堆叠；
F1：该层为全连接层；
P：该层为平均池化层；
输出层：由30个欧氏径向基函数构成；
步骤3，将训练数据集Dtrain输入到基于提升方案的深度神经网络中，对该网络进行训练；
步骤4，利用训练好的网络对测试数据集Dtest进行分类。
2.如权利要求1所述的基于提升方案深度神经网络的图像分类方法，其特征在于：步骤4中通过误差敏感项的反向传播和随机梯度算法进行训练。
3.如权利要求1所述的基于提升方案深度神经网络的图像分类方法，其特征在于：LS1中预测步骤和更新步骤中卷积层的卷积核大小为3×3，卷积深度为3。
4.如权利要求1所述的基于提升方案深度神经网络的图像分类方法，其特征在于：M1中特征提取基本模块中的3×3卷积层步长为1，卷积深度为64，1×1卷积层的卷积深度为64，提升方案模块中预测步骤和更新步骤卷积层的核尺寸为3×3，卷积深度为64。
5.如权利要求1所述的基于提升方案深度神经网络的图像分类方法，其特征在于：M2中第1个特征提取基本模块中的3×3卷积层步长为2，其余3个特征提取基本模块中的3×3卷积层步长为1，卷积深度为128，1×1卷积层的卷积深度为128，提升方案模块中预测步骤和更新步骤卷积层的核尺寸为3×3，卷积深度为128。
6.如权利要求1所述的基于提升方案深度神经网络的图像分类方法，其特征在于：M3中第1个特征提取基本模块中的3×3卷积层步长为2，其余5个特征提取模块中的3×3卷积层步长为1，卷积深度为256，1×1卷积层的卷积深度为256，提升方案模块中预测步骤和更新步骤卷积层的核尺寸为3×3，卷积深度为256。
7.如权利要求1所述的基于提升方案深度神经网络的图像分类方法，其特征在于：M4中第1个特征提取基本模块中的3×3卷积层步长为2，其余2个特征提取模块中的3×3卷积层步长为1，卷积深度为512，1×1卷积层的卷积深度为512，提升方案模块中预测步骤和更新步骤卷积层的核尺寸为3×3，卷积深度为512。
CN201910913602.9A 2019-09-25 2019-09-25 基于提升方案深度神经网络的图像分类方法 Active CN110796167B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910913602.9A CN110796167B (zh) 2019-09-25 2019-09-25 基于提升方案深度神经网络的图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910913602.9A CN110796167B (zh) 2019-09-25 2019-09-25 基于提升方案深度神经网络的图像分类方法

Publications (2)

Publication Number Publication Date
CN110796167A CN110796167A (zh) 2020-02-14
CN110796167B true CN110796167B (zh) 2022-07-22

Family

ID=69439775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910913602.9A Active CN110796167B (zh) 2019-09-25 2019-09-25 基于提升方案深度神经网络的图像分类方法

Country Status (1)

Country Link
CN (1) CN110796167B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461259B (zh) * 2020-04-26 2023-11-28 武汉大学 基于红黑形态小波池化网络的图像分类方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102300092A (zh) * 2011-08-25 2011-12-28 北京航空航天大学 一种基于提升格式的9/7小波逆变换的图像解压缩方法
CN106940407A (zh) * 2017-03-15 2017-07-11 湘潭大学 一种配电网系统电能质量扰动定位与识别方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101908891A (zh) * 2010-08-23 2010-12-08 南京信息工程大学 基于提升小波和pcnn的医学图像roi压缩方法
CN107341518A (zh) * 2017-07-07 2017-11-10 东华理工大学 一种基于卷积神经网络的图像分类方法
CN108764317B (zh) * 2018-05-21 2021-11-23 浙江工业大学 一种基于多路特征加权的残差卷积神经网络图像分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102300092A (zh) * 2011-08-25 2011-12-28 北京航空航天大学 一种基于提升格式的9/7小波逆变换的图像解压缩方法
CN106940407A (zh) * 2017-03-15 2017-07-11 湘潭大学 一种配电网系统电能质量扰动定位与识别方法

Also Published As

Publication number Publication date
CN110796167A (zh) 2020-02-14

Similar Documents

Publication Publication Date Title
CN108351984B (zh) 硬件高效的深度卷积神经网络
CN112613581B (zh) 一种图像识别方法、系统、计算机设备和存储介质
CN108985317B (zh) 一种基于可分离卷积和注意力机制的图像分类方法
CN110232341B (zh) 基于卷积-堆叠降噪编码网络的半监督学习图像识别方法
CN111666994A (zh) 样本图像数据增强方法、装置、电子设备及存储介质
CN112507898A (zh) 一种基于轻量3d残差网络和tcn的多模态动态手势识别方法
Cherny et al. The recognition of handwritten digits using neural network technology
CN109271522A (zh) 基于深度混合模型迁移学习的评论情感分类方法及系统
CN110826596A (zh) 一种基于多尺度可变形卷积的语义分割方法
CN110046249A (zh) 胶囊网络的训练方法、分类方法、系统、设备及存储介质
CN110210468B (zh) 一种基于卷积神经网络特征融合迁移的文字识别方法
CN113378938B (zh) 一种基于边Transformer图神经网络的小样本图像分类方法及系统
CN113326930A (zh) 数据处理方法、神经网络的训练方法及相关装置、设备
CN111178196B (zh) 一种细胞分类的方法、装置及设备
CN113920043A (zh) 基于残差通道注意力机制的双流遥感图像融合方法
Huang et al. Fine-art painting classification via two-channel deep residual network
CN117274662A (zh) 一种改进ResNeXt神经网络的轻量级多模态医学图像分类方法
CN116863194A (zh) 一种足溃疡图像分类方法、系统、设备及介质
CN112613541A (zh) 目标检测方法及装置、存储介质及电子设备
CN113962262B (zh) 一种基于连续学习的雷达信号智能分选方法
CN110796167B (zh) 基于提升方案深度神经网络的图像分类方法
CN118097293A (zh) 基于残差图卷积网络和自注意力的小样本数据分类方法及系统
WO2022133814A1 (en) Omni-scale convolution for convolutional neural networks
CN117994570A (zh) 基于模型无关适配器提高复杂多样数据分布的识别方法
CN116956214B (zh) 基于正则化集成学习的多模态细粒度论文分类方法和系统

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
GR01 Patent grant
GR01 Patent grant