CN110930470A - 一种基于深度学习的布匹缺陷图像生成方法 - Google Patents
一种基于深度学习的布匹缺陷图像生成方法 Download PDFInfo
- Publication number
- CN110930470A CN110930470A CN201911128923.4A CN201911128923A CN110930470A CN 110930470 A CN110930470 A CN 110930470A CN 201911128923 A CN201911128923 A CN 201911128923A CN 110930470 A CN110930470 A CN 110930470A
- Authority
- CN
- China
- Prior art keywords
- image
- cloth
- discriminator
- generator
- deep learning
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开一种基于深度学习的布匹缺陷图像生成方法,包括S1、收集并整理布匹图像数据;S2、选取完好的布匹图像A作为判别器DA的输入,通过判别器DA判断图像A是否是原始的布匹图像,若判断结果为是,则进入S3,否则重新选取图像A;S3、将该布匹图像A输入到生成器GA2B中,生成有缺陷的布匹图像B等9个步骤,采用深度学习技术来创建足够的布匹缺陷数据去支持训练模型,利用完好的布匹图像数据来生成有缺陷的布匹图像数据,以结局数据库中缺陷图像样本过少不足以进行深度学习训练的问题,使布匹缺陷检测彻底摆脱人工检测的低效率问题,解放人工劳动力,提高检测效率,进而提高布匹质量。
Description
技术领域
本发明涉及深度学习领域,尤其涉及一种基于深度学习的布匹缺陷图像生成方法。
背景技术
目前,中国的服装行业市场巨大,在生产中,布匹是否有缺陷是检验布匹质量的一个重要标准。依照传统方法,布匹缺陷一般都由人眼来检测,工作费时费力,且工作效率过低。而近几年人工智能兴起,许多事情都可以由机器取代人类,大大解放了人工劳动力的同时显著提高生产力。
当前人工智能领域的主要技术是依靠深度学习,而深度学习技术又依赖于大量的可用数据,在众多的布匹数据中,带有缺陷的数据样本少之又少。因此,当我们想利用深度学习技术来解决诸如布匹缺陷检测、缺陷分类等问题时,发现并没有足够的布匹缺陷数据可支持训练模型。
因此,需要一种技术来解决该问题。GAN主要针对的是一种数据生成类问题,GAN由一个生成器和一个判别器组成,其基本思想来自于博弈论,采用二人零和博弈的思想和独特的对抗训练的方式生成所期望的样本。所谓“对抗”是指通过轮流生成生成器(Generator)和判别器(Discriminator),令两者对抗博弈:生成器的目的是为了生成与真实样本尽可能无差别的数据,而判别器的目的是为了鉴别出生成的数据和真实样本,两者同时进行训练,最终达到一个平衡——生成的数据与真实数据没有差别,而判别器也不能正确判断出真实样本和生成数据。生成器和判别器都可以采用目前研究火热的深度神经网络模型。在完好的布匹图像数据足够而缺陷布匹图像匮乏的情况下,就可利用完好的数据来生成匮乏的缺陷图像数据。
发明内容
针对上述问题,本发明提出一种基于深度学习的布匹缺陷图像生成方法,主要解决背景技术中的问题。
本发明提出一种基于深度学习的布匹缺陷图像生成方法,包括以下步骤:
S1、收集并整理布匹图像数据;
S2、选取完好的布匹图像A作为判别器DA的输入,通过判别器DA判断图像A是否是原始的布匹图像,若判断结果为是,则进入S3,否则重新选取图像A;
S3、将该布匹图像A输入到生成器GA2B中,生成有缺陷的布匹图像B;
S4、将生成的布匹图像B作为判别器DB的输入,通过判别器DB判断图像B是否是生成的有缺陷的布匹图像,若是则进入S5,反则进入S3;
S5、将有缺陷的布匹图像B输入到生成器GB2A,还原成完好的布匹图像A;
S6、建立损失模型,计算损失函数;
S7、计算出模型权重,用于测试样本,得到扩增的样本集;
S8、设置好参数以及保存权重文件的路径后,开始重复训练使生成器损失值和判别器损失值趋向于平衡状态;
S9、将所有完好的布匹图像放入到测试集A,在测试集B中放置随机缺陷布匹图像,可以得到逼真的布匹缺陷图像生成结果。
进一步改进在于,所述S1具体包括:需要对图像进行预处理,将收集到的图像分为完好和有缺陷两类,并将完好的图像处理成256×256的大小。
进一步改进在于,判别器包括S2中的所述判别器DA和S4中的所述判别器DB,所述判别器由全局判别器和局部判别器组成。
进一步改进在于,所述判别器使用4层卷积网络从图像中提取特征,再通过添加产生一维输出的卷积层来确定提取的特征是否属于特定类别。
进一步改进在于,生成器包括S3中的所述生成器GA2B和S5中的所述生成器GB2A,,所述生成器由编码器、转换器和解码器组成。
进一步改进在于,所述编码器用于对图像进行编码,利用卷积网络从输入图像中提取特征向量a1,然后将该特征向量a1压缩成目标域中的特征向量a2;
具体为,采用3个连续的卷积核大小为7,步长为1的卷积层,在每个卷积层之后再加上一个ReLU层,所述ReLU函数公式为:
通过所述编码器对图像进行编码,将源域中的图像压缩成256个尺寸大小为64×64的特征向量。
进一步改进在于,所述转换器用于将所述特征向量a2转换为目标域中的特征向量a2,;
具体为,采用5层Resnet模块,每层Resnet模块由两层神经网络组成,其中部分输入数据直接添加到输出,使得相应输出与原始输入的偏差缩小,做到保留原始图像的特征。
进一步改进在于,所述解码器利用反卷积神经网络,将所述目标域中的特征向量a2还原为原格式,并生成对应的目标图像,最终生成大小为256×256的图像。
进一步改进在于,所述S6中的损失函数包括对抗损失函数,其中,因为有2个GAN共享生成的生成器和判别器,所以对抗损失函数为2个,
将A到B的映射设为F,则第一个GAN对抗损失函数为:
LGAN(G,DB,A,B)=EB~pdata(b)[logD(b)]+EA~pdata(a)[log(1-DB(F(a)))];
将B到A的映射设为G,则第二个GAN对抗损失函数为:
LGAN(G,DA,A,B)=EA~pdata(a)[logD(a)]+EB~pdata(b)[log(1-DA(F(b)))]。
进一步改进在于,所述S6中的损失函数还包括循环一致性损失函数,其函数式为:
LC(F,G,A,B)=EA~pdata(a)[||G(F(a))-a||1]+EB~pdata(b)[||F(G(b))-b||1];
因此,最终的损失函数为:
L=LGAN(F,DB,A,B)+LGAN(G,DA,A,B)+LC(F,G,A,B)。
与现有技术相比,本发明的有益效果为:
本发明采用深度学习技术来创建足够的布匹缺陷数据去支持训练模型,利用完好的布匹图像数据来生成有缺陷的布匹图像数据,以结局数据库中缺陷图像样本过少不足以进行深度学习训练的问题,使布匹缺陷检测彻底摆脱人工检测的低效率问题,解放人工劳动力,提高检测效率,进而提高布匹质量。
附图说明
附图仅用于示例性说明,不能理解为对本专利的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
图1为本发明一实施方式的图像生成方法流程示意图;
图2为本发明一实施方式的生成对抗网络的计算流程图;
图3为本发明一实施方式的网络结构示意图;
图4为本发明一实施方式的生成器结构示意图。
具体实施方式
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”、“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,也可以是通过中间媒介间接连接,可以说两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明的具体含义。下面结合附图和实施例对本发明的技术方案做进一步的说明。
参照图1,一种基于深度学习的布匹缺陷图像生成方法,包括以下步骤:
S1、收集并整理布匹图像数据;
具体地,参照图1-4,所述S1具体包括:需要对图像进行预处理,将收集到的图像分为完好和有缺陷两类,并将完好的图像处理成256×256的大小。
S2、选取完好的布匹图像A作为判别器DA的输入,通过判别器DA判断图像A是否是原始的布匹图像,若判断结果为是,则进入S3,否则重新选取图像A;
S3、将该布匹图像A输入到生成器GA2B中,生成有缺陷的布匹图像B;
S4、将生成的布匹图像B作为判别器DB的输入,通过判别器DB判断图像B是否是生成的有缺陷的布匹图像,若是则进入S5,反则进入S3;
具体地,参照图1-4,判别器包括S2中的所述判别器DA和S4中的所述判别器DB,所述判别器由全局判别器和局部判别器组成。所述判别器使用4层卷积网络从图像中提取特征,再通过添加产生一维输出的卷积层来确定提取的特征是否属于特定类别。
S5、将有缺陷的布匹图像B输入到生成器GB2A,还原成完好的布匹图像A;
具体地,参照图1-4,生成器包括S3中的所述生成器GA2B和S5中的所述生成器GB2A,,所述生成器由编码器、转换器和解码器组成。
其中,所述编码器用于对图像进行编码,利用卷积网络从输入图像中提取特征向量a1,然后将该特征向量a1压缩成目标域中的特征向量a2;
具体为,采用3个连续的卷积核大小为7,步长为1的卷积层,在每个卷积层之后再加上一个ReLU层,所述ReLU函数公式为:
通过所述编码器对图像进行编码,将源域中的图像压缩成256个尺寸大小为64×64的特征向量。
所述转换器用于将所述特征向量a2转换为目标域中的特征向量a2,;
具体为,采用5层Resnet模块,每层Resnet模块由两层神经网络组成,其中部分输入数据直接添加到输出,使得相应输出与原始输入的偏差缩小,做到保留原始图像的特征。
所述解码器利用反卷积神经网络,将所述目标域中的特征向量a2还原为原格式,并生成对应的目标图像,最终生成大小为256×256的图像。
S6、建立损失模型,计算损失函数;
具体地,所述S6中的损失函数包括对抗损失函数,其中,因为有2个GAN共享生成的生成器和判别器,所以对抗损失函数为2个,
将A到B的映射设为F,则第一个GAN对抗损失函数为:
LGAN(G,DB,A,B)=EB~pdata(b)[logD(b)]+EA~pdata(a)[log(1-DB(F(a)))];
将B到A的映射设为G,则第二个GAN对抗损失函数为:
LGAN(G,DA,A,B)=EA~pdata(a)[logD(a)]+EB~pdata(b)[log(1-DA(F(b)))]。
具体地,所述S6中的损失函数还包括循环一致性损失函数,其函数式为:
LC(F,G,A,B)=EA~pdata(a)[||G(F(a))-a||1]+EB~pdata(b)[||F(G(b))-b||1];
因此,最终的损失函数为:
L=LGAN(F,DB,A,B)+LGAN(G,DA,A,B)+LC(F,G,A,B)。
S7、计算出模型权重,用于测试样本,得到扩增的样本集;
具体地,所述S7具体包括:将完好的布匹图像放入训练集A,将需要进行生成扩增的缺陷布匹图像放到训练集B,在训练之前,将缺陷布匹图像复制到具有和训练集A一样的数据量。
S8、设置好参数(包括学习率和迭代次数等参数)以及保存权重文件的路径后,开始重复训练使生成器损失值和判别器损失值趋向于平衡状态;
具体地,所述S8中的生成器和判别器是一起训练的,训练两对生成器——判别器网络,将图形从一个领域转换到另一个领域,这个转换过程中要求满足循环一致性,即在序列地应用生成器后,应该得到一个相似于原始L1损失的图像。所以需要循环损失函数,它确保生成器不会将一个领域的图像转换到另一个和原始图像完全不相关的领域,使用循环损失函数,确保转换后的风格在反转换后还可以回到之前的图像状态。
S9、将所有完好的布匹图像放入到测试集A,在测试集B中放置随机缺陷布匹图像,可以得到逼真的布匹缺陷图像生成结果。
与现有技术相比,本发明的有益效果为:
本发明采用深度学习技术来创建足够的布匹缺陷数据去支持训练模型,利用完好的布匹图像数据来生成有缺陷的布匹图像数据,以结局数据库中缺陷图像样本过少不足以进行深度学习训练的问题,使布匹缺陷检测彻底摆脱人工检测的低效率问题,解放人工劳动力,提高检测效率,进而提高布匹质量。
图中,描述位置关系仅用于示例性说明,不能理解为对本专利的限制;显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于深度学习的布匹缺陷图像生成方法,其特征在于,包括以下步骤:
S1、收集并整理布匹图像数据;
S2、选取完好的布匹图像A作为判别器DA的输入,通过判别器DA判断图像A是否是原始的布匹图像,若判断结果为是,则进入S3,否则重新选取图像A;
S3、将该布匹图像A输入到生成器GA2B中,生成有缺陷的布匹图像B;
S4、将生成的布匹图像B作为判别器DB的输入,通过判别器DB判断图像B是否是生成的有缺陷的布匹图像,若是则进入S5,反则进入S3;
S5、将有缺陷的布匹图像B输入到生成器GB2A,还原成完好的布匹图像A;
S6、建立损失模型,计算损失函数;
S7、计算出模型权重,用于测试样本,得到扩增的样本集;
S8、设置好参数以及保存权重文件的路径后,开始重复训练使生成器损失值和判别器损失值趋向于平衡状态;
S9、将所有完好的布匹图像放入到测试集A,在测试集B中放置随机缺陷布匹图像,可以得到逼真的布匹缺陷图像生成结果。
2.根据权利要求1所述的一种基于深度学习的布匹缺陷图像生成方法,其特征在于,所述S1具体包括:对图像进行预处理,将收集到的图像分为完好和有缺陷两类,并将完好的图像处理成256×256的大小。
3.根据权利要求1所述的一种基于深度学习的布匹缺陷图像生成方法,其特征在于,判别器包括S2中的所述判别器DA和S4中的所述判别器DB,所述判别器由全局判别器和局部判别器组成。
4.根据权利要求3所述的一种基于深度学习的布匹缺陷图像生成方法,其特征在于,所述判别器使用4层卷积网络从图像中提取特征,再通过添加产生一维输出的卷积层来确定提取的特征是否属于特定类别。
5.根据权利要求1所述的一种基于深度学习的布匹缺陷图像生成方法,其特征在于,生成器包括S3中的所述生成器GA2B和S5中的所述生成器GB2A,,所述生成器由编码器、转换器和解码器组成。
7.根据权利要求6所述的一种基于深度学习的布匹缺陷图像生成方法,其特征在于,所述转换器用于将所述特征向量a2转换为目标域中的特征向量a2,;
具体为,采用5层Resnet模块,每层Resnet模块由两层神经网络组成,其中部分输入数据直接添加到输出,使得相应输出与原始输入的偏差缩小,做到保留原始图像的特征。
8.根据权利要求7所述的一种基于深度学习的布匹缺陷图像生成方法,其特征在于,所述解码器利用反卷积神经网络,将所述目标域中的特征向量a2还原为原格式,并生成对应的目标图像,最终生成大小为256×256的图像。
9.根据权利要求1所述的一种基于深度学习的布匹缺陷图像生成方法,其特征在于,所述S6中的损失函数包括对抗损失函数,其中,因为有2个GAN共享生成的生成器和判别器,所以对抗损失函数为2个,
将A到B的映射设为F,则第一个GAN对抗损失函数为:
LGAN(G,DB,A,B)=EB~pdata(b)[logD(b)]+EA~pdata(a)[log(1-DB(F(a)))];
将B到A的映射设为G,则第二个GAN对抗损失函数为:
LGAN(G,DA,A,B)=EA~pdata(a)[logD(a)]+EB~pdata(b)[log(1-DA(F(b)))]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911128923.4A CN110930470B (zh) | 2019-11-18 | 2019-11-18 | 一种基于深度学习的布匹缺陷图像生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911128923.4A CN110930470B (zh) | 2019-11-18 | 2019-11-18 | 一种基于深度学习的布匹缺陷图像生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110930470A true CN110930470A (zh) | 2020-03-27 |
CN110930470B CN110930470B (zh) | 2023-05-02 |
Family
ID=69854162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911128923.4A Active CN110930470B (zh) | 2019-11-18 | 2019-11-18 | 一种基于深度学习的布匹缺陷图像生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110930470B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183324A (zh) * | 2020-09-27 | 2021-01-05 | 厦门大学 | 一种屏下指纹图像的生成方法和生成装置 |
CN112699952A (zh) * | 2021-01-06 | 2021-04-23 | 哈尔滨市科佳通用机电股份有限公司 | 基于深度学习的列车故障图像扩增方法及系统 |
CN112802016A (zh) * | 2021-03-29 | 2021-05-14 | 深圳大学 | 基于深度学习的实时布匹缺陷检测方法及系统 |
CN113724233A (zh) * | 2021-09-02 | 2021-11-30 | 国网安徽省电力有限公司铜陵供电公司 | 基于融合数据生成和迁移学习技术的变电设备外观图像缺陷检测方法 |
WO2023097640A1 (zh) * | 2021-12-03 | 2023-06-08 | 宁德时代新能源科技股份有限公司 | 用于生成包含特定特征的图像样本的方法和系统 |
Citations (3)
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 |
CN109741328A (zh) * | 2019-02-02 | 2019-05-10 | 东北大学 | 一种基于生成式对抗网络的汽车表观质量检测方法 |
CN110175988A (zh) * | 2019-04-25 | 2019-08-27 | 南京邮电大学 | 基于深度学习的布匹缺陷检测方法 |
-
2019
- 2019-11-18 CN CN201911128923.4A patent/CN110930470B/zh active Active
Patent Citations (3)
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 |
CN109741328A (zh) * | 2019-02-02 | 2019-05-10 | 东北大学 | 一种基于生成式对抗网络的汽车表观质量检测方法 |
CN110175988A (zh) * | 2019-04-25 | 2019-08-27 | 南京邮电大学 | 基于深度学习的布匹缺陷检测方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183324A (zh) * | 2020-09-27 | 2021-01-05 | 厦门大学 | 一种屏下指纹图像的生成方法和生成装置 |
CN112183324B (zh) * | 2020-09-27 | 2023-12-26 | 厦门大学 | 一种屏下指纹图像的生成方法和生成装置 |
CN112699952A (zh) * | 2021-01-06 | 2021-04-23 | 哈尔滨市科佳通用机电股份有限公司 | 基于深度学习的列车故障图像扩增方法及系统 |
CN112699952B (zh) * | 2021-01-06 | 2021-08-24 | 哈尔滨市科佳通用机电股份有限公司 | 基于深度学习的列车故障图像扩增方法及系统 |
CN112802016A (zh) * | 2021-03-29 | 2021-05-14 | 深圳大学 | 基于深度学习的实时布匹缺陷检测方法及系统 |
CN112802016B (zh) * | 2021-03-29 | 2023-08-08 | 深圳大学 | 基于深度学习的实时布匹缺陷检测方法及系统 |
CN113724233A (zh) * | 2021-09-02 | 2021-11-30 | 国网安徽省电力有限公司铜陵供电公司 | 基于融合数据生成和迁移学习技术的变电设备外观图像缺陷检测方法 |
CN113724233B (zh) * | 2021-09-02 | 2022-10-11 | 国网安徽省电力有限公司铜陵供电公司 | 基于融合数据生成和迁移学习技术的变电设备外观图像缺陷检测方法 |
WO2023097640A1 (zh) * | 2021-12-03 | 2023-06-08 | 宁德时代新能源科技股份有限公司 | 用于生成包含特定特征的图像样本的方法和系统 |
US11804037B1 (en) | 2021-12-03 | 2023-10-31 | Contemporary Amperex Technology Co., Limited | Method and system for generating image sample having specific feature |
Also Published As
Publication number | Publication date |
---|---|
CN110930470B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110930470A (zh) | 一种基于深度学习的布匹缺陷图像生成方法 | |
CN108537743B (zh) | 一种基于生成对抗网络的面部图像增强方法 | |
CN109800710B (zh) | 行人重识别系统及方法 | |
CN106096535B (zh) | 一种基于双线性联合cnn的人脸验证方法 | |
CN109727246A (zh) | 一种基于孪生网络的对比学习图像质量评估方法 | |
CN110659573B (zh) | 一种人脸识别方法、装置、电子设备及存储介质 | |
CN111444924B (zh) | 一种病虫害检测及灾害等级分析方法及系统 | |
CN112070727B (zh) | 一种基于机器学习的金属表面缺陷检测方法 | |
CN110660021B (zh) | 一种基于深度学习的脉冲涡流热成像高分辨率清晰化方法 | |
CN109754002A (zh) | 一种基于深度学习的隐写分析混合集成方法 | |
CN114419014A (zh) | 基于特征重构的表面缺陷检测方法 | |
CN103984954B (zh) | 基于多特征融合的图像合成方法 | |
CN109949200A (zh) | 基于滤波器子集选择和cnn的隐写分析框架构建方法 | |
CN111401116B (zh) | 基于增强卷积和空时lstm网络的双模态情感识别方法 | |
CN115272777A (zh) | 面向输电场景的半监督图像解析方法 | |
CN111914600A (zh) | 一种基于空间注意力模型的群组情绪识别方法 | |
CN114581799A (zh) | 一种基于多尺度特征融合的无人机小目标检测方法 | |
CN112508121B (zh) | 一种工业机器人感知外界的方法和系统 | |
CN110263638A (zh) | 一种基于显著信息的视频分类方法 | |
CN113361346A (zh) | 一种替换调节参数的尺度参数自适应的人脸识别方法 | |
CN110414338B (zh) | 基于稀疏注意力网络的行人再辨识方法 | |
CN107180419A (zh) | 一种基于pca网络的中值滤波检测方法 | |
CN116823983A (zh) | 基于风格收集机制的一对多风格书法图片生成方法 | |
CN110610136A (zh) | 一种基于深度学习的变电站设备识别模块及识别方法 | |
Dheeraj et al. | Detecting Deepfakes Using Deep Learning |
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 |