CN111259954A - 一种基于D-Resnet的高光谱中医舌苔舌质分类方法 - Google Patents
一种基于D-Resnet的高光谱中医舌苔舌质分类方法 Download PDFInfo
- Publication number
- CN111259954A CN111259954A CN202010040344.0A CN202010040344A CN111259954A CN 111259954 A CN111259954 A CN 111259954A CN 202010040344 A CN202010040344 A CN 202010040344A CN 111259954 A CN111259954 A CN 111259954A
- Authority
- CN
- China
- Prior art keywords
- tongue
- channel number
- convolutional
- input
- hyperspectral
- 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
- 239000011248 coating agent Substances 0.000 title claims abstract description 18
- 238000000576 coating method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 title claims abstract description 15
- 239000003814 drug Substances 0.000 title claims abstract description 9
- 230000004913 activation Effects 0.000 claims abstract description 22
- 238000001228 spectrum Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 14
- 238000013145 classification model Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000007635 classification algorithm Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 238000002310 reflectometry Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 4
- 230000006835 compression Effects 0.000 claims 3
- 238000007906 compression Methods 0.000 claims 3
- 238000010276 construction Methods 0.000 claims 1
- 230000003595 spectral effect Effects 0.000 abstract description 21
- 230000008859 change Effects 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/90—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to alternative medicines, e.g. homeopathy or oriental medicines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pharmacology & Pharmacy (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Alternative & Traditional Medicine (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
一种基于D‑Resnet的高光谱中医舌苔舌质分类方法，涉及计算机视觉领域。基于RGB颜色空间的舌苔舌质分类，信息量不足，而高光谱舌像蕴含大量的光谱以及空间信息，通过提取舌象某一区域的光谱反射率变化情况结合高光谱图像提供的空间分布信息，从而实现人体的舌苔舌质分类。本发明提出一个端到端的D‑Resnet网络对高光谱舌图像进行分类，本发明先构造了密集连接模块(densely‑connected spectral block)提取光谱信息，随后构造了预激活瓶颈残差模块(pre‑activation bottleneck residual spatial block)提取空间信息。本发明实现了基于高光谱图像的舌苔舌质分类。
Description
技术领域
本发明属于计算机视觉领域，涉及一种D-Resnet网络的高光谱医学图像分类方法。
背景技术
舌诊是中医四诊的主要内容之一，对于指导中医临床辨证施治及疗效评价有着非常重要的意义。舌苔舌质信息定量描述作为中医舌诊的重要内容，直接影响到中医临床舌诊的准确性，随着科学技术的发展，关于舌苔舌质分类的研究已经取得显著进展，然而这些研究主要基于RGB颜色空间来对进行舌象信息采集与分析，信息量不足。而高光谱图像可以同时获得被测对象的二维图像信息和一维光谱信息，相较于传统RGB三基色图像，在信息量方面具有突出的优势。高光谱舌象图像呈现三维立体结构，从空间轴角度能够对舌象在不同光谱波长下的成像内容进行分析与比较，从光谱轴角度能够提取舌象某一区域的光谱反射率变化情况结合高光谱图像提供的空间分布信息，可以进行该区域的光学特征分析，从而实现人体的舌苔舌质分类。
高光谱图像含有大量的光谱和空间信息，加上潜在的冗余和噪声，给高光谱图像处理任务带来了困难。目前最先进的深度学习方法在高光谱图像分类和分析方面取得了前所未有的成绩。然而，这些体系结构仍然面临着精度下降和训练时间长的挑战。
发明内容
针对现有算法的不足，本发明提出一个端到端的D-Resnet网络对高光谱舌图像进行分类，与基于RGB图像的舌苔舌质分类，以及基于高光谱舌像的传统舌苔舌质分类方法不同，本发明构造了光谱信息提取模块与空间信息提取模块分别提取舌像中的光谱信息与空间信息。通过Densely-connected spectral模块提取光谱信息，然后通过pre-activationbottleneck residual spatial模块提取空间信息，通过空间光谱联合得出分类结果。本算法基于高光谱舌图像有效的实现了人体舌苔舌质分类，为中医舌诊客观化的研究提供了一种新的途径。
本发明提供一种基于端到端的D-Resnet网络的高光谱医学舌像分类算法，包括以下步骤：
1、高光谱舌像预处理
对原始舌图像数据集进行标注，得到标签图像作为真值，随机从原始舌图像数据集中选择一张图像输入到数据提取模块，每次随机在图像中选择9×9×L像素点的小块作为输入，从而能将更多的高光谱舌像数据送入网络。
2、Densely-connected spectral算法模块搭建
本发明利用高光谱技术，提出Densely-connected spectral模块，通过3D卷积提取舌像的深层光谱特征，解决传统舌苔舌质分类方法中信息量不足的问题。Densely-connected spectral模块由三个3D卷积层(3D-CONV)组成，由于在学习到更深层的光谱特征后网络会丢失舌像的浅层信息，因此我们构造了密集连接，每个卷积层通过密集连接与之前的所有卷积层相连。通过密集连接，每个卷积层接收来自前几层的特征映射，实现了特征重用，并且因此可以用较少的参数来获得更好的性能，从而使网络更加紧凑，获得更高的计算效率。
3、pre-activation bottleneck residual spatial算法模块搭建
舌像中除了光谱信息，还包含两维空间信息，结合空间信息，可以更加准确的进行舌苔舌质定量分析，因此本发明构建了 pre-activation bottleneck residual spatial模块进一步学习舌像中的空间信息，该模块由两个单元组成：U1、U2，每个单元有两个 3×3×1卷积层和两个1×1×1卷积层，并且每个单元通过跳跃连接与前一个单元相连，通过跳跃连接，网络可以将输入信息直接传输到输出，保护信息的完整性，解决梯度消失和模型退化的问题。由于采集到的高光谱舌像数据量较少，我们采用BN和PreLU对网络进行预激活，防止过拟合。并且由于高光谱舌像维度过高，不同于传统的 ResNet网络，本发明构造了瓶颈残差网络，在3×3卷积层前后各加了一个1×1卷积层，减少3×3卷积层的输入维度，减少运算参数，进一步优化网络。
4、空间光谱联合的舌苔舌质分类
通过Densely-connected spectral模块提取了深层光谱特征后，通过reshape层将光谱维压缩，保持空间维信息不变，进一步减少了运算参数，使网络更加优化，并保证了舌像空间信息的完整性，然后送入pre-activation bottleneck residual spatial模块进一步提取舌像中的空间特征，然后通过平均池化层对邻域内特征点求平均，将特征的大小映射到1×1×1。然后通过flatten层，dropout层和完全连接层，进行softmax回归，生成预测向量1×1×C，其中C是要分类的类别数，从而实现了空间光谱联合的舌苔舌质分类。
有益效果
1、本发明利用D-ResNet网络实现高光谱医学舌像分类算法
自动舌区分割是计算机辅助舌诊断的关键，但传统的基于强度的单色图像分割方法不能提供准确、可靠的结果并且存在信息量不足的问题。本发明提出了一种基于D-ResNet网络的高光谱舌像分割算法。实现了空间光谱联合的舌苔舌质自动分割，获得更好的分割效果，为中医舌诊客观化的研究提供了一种新的途径。
2、本发明对原始高光谱舌像数据通过预处理模块提取数据
由于舌像数据量较少，本发明对高光谱舌像按照像素点分类，因此我们首先将高光谱舌像送入数据提取模块，每次在图像中随机选择9 ×9×L像素点的小块作为输入，从而能将更多的高光谱舌像数据送入网络。
3、本发明提出D-Resnet网络
高光谱舌像包含大量的空间信息与光谱信息，然而传统的2D卷积网络只能学习舌像中的二维信息，导致信息量不足，准确度不高等问题，因此本发明构造了空间光谱联合的D-Resnet网络，通过构造 Densely-connected spectral模块与pre-activationbottleneck residual spatial模块分别提取舌像中的光谱信息与空间信息，得到了更好的舌苔舌质分类结果。
附图说明：
图1为本发明Densely-connected spectral模块网络图。
图2为本发明pre-activation bottleneck residual spatial模块网络图。
图3为D-Resnet网络图。
图4为本发明利用D-Resnet实现医学高光谱舌像分类算法流程图。
具体实施方式
下面结合附图对本发明的具体实施方法进行详细说明。
1、标注预处理
通过ENVI软件对原始舌图像数据集进行反射率校准并标注，得到标签图像作为真值(ground truth)。
2、构建D-Resnet网络
如图3所示。本发明所构造的D-Resnet网络的各层具体参数如下：
①U1卷积层：输入尺寸为9×9，输入通道数为L，卷积核为1×1 ×7，通道数为24,边缘填充方式为‘valid’,激活函数为PReLU,输出尺寸为9×9×b，输出通道数为24。
②U2卷积层：输入尺寸为9×9×b，输入通道数为24，卷积核为1 ×1×1，通道数为12，边缘填充方式为‘same’，激活函数为PreLU，输出尺寸为9×9×b，输出通道数为36。
③U3卷积层：输入尺寸为9×9×b，输入通道数为36，卷积核为1 ×1×1，通道数为12，边缘填充方式为‘same’，激活函数为PreLU，输出尺寸为9×9×b，输出通道数为48。
④U4卷积层：输入尺寸为9×9×b，输入通道数为48，卷积核为1 ×1×1，边缘填充方式为‘same’，激活函数为PreLU，输出尺寸为9×9×b输出通道数为60。
⑤U5卷积层：输入尺寸为9×9×b，输入通道数为60，卷积核为 1×1×b，通道数为200，边缘填充方式为‘valid’,激活函数为 PReLU,输出尺寸为9×9×1，输出通道数为200。
⑥reshape层：输入尺寸为9×9×1，输入通道数为200，输出尺寸为9×9×200，输出通道数为1。
⑦U6卷积层：输入尺寸为9×9×200，输入通道数为1，卷积核为 3×3×200，通道数为24，边缘填充方式为‘valid’,激活函数为PReLU, 输出尺寸为7×7×1，输出通道数为24。
⑧U7卷积层：输入尺寸为7×7×1，输入通道数为24，第一个卷积核为1×1×1，第二个卷积核为3×3×1，第三个卷积核为3×3×1，第四个卷积核为1×1×1，边缘填充方式为‘same’,激活函数为PReLU, 输出尺寸为7×7×1，输出通道数为24。
⑨U8卷积层：输入尺寸为7×7×1，输入通道数为24，第一个卷积核为1×1×1，第二个卷积核为3×3×1，第三个卷积核为3×3×1，第四个卷积核为1×1×1，边缘填充方式为‘same’,激活函数为PReLU, 输出尺寸为7×7×1，输出通道数为24。
⑩平均池化层：输入尺寸为7×7×1，输入通道数为24，输出尺寸为1×1×1，输出通道数为24。
3、基于D-Resnet的高光谱舌像分类算法
如图4所示，本发明利用D-Resnet网络实现遥感高光谱图像分类算法具体过程如下：
①、我们使用高光谱舌图像数据集中20％作为训练集，10％和70％用于验证和测试数据集。
②、随后将测试集高光谱舌图像中选取的9×9×L小块(其中L是网络自动读取的图像光谱维数)以及其对应的标签图像作为真值 (ground truth)输入到D-Resnet网络中，进行训练，PreLu对网络进行预激活，它在ReLu的基础上拥有了更少的参数：
其中zi是第i层通道上非线性激活的输入，ai是一个可学习的参数, PReLU在更新ai时采用动量法：
其中δ是动量，ε是学习率，ai＝0.25用作初始值。
③、共10次训练周期，训练时采用可变学习率，设置初始学习率为 0.01，当分类精度在一个训练周期后没有提高时，学习率减半。如果分类精度在下一个训练周期后依然不再增加，则学习率将再次降低一半，并循环，直到小于设置的最小学习率则不再改变。在本发明中，最小学习率设置为0，因此学习率会一直循环直到训练结束。
④、随后使用交叉熵损失函数对得到的初始分类模型进行验证，验证的最终目的是对模型进行优化，使得分类模型分出的结果图与真值 (ground truth)一致，最终通过交叉验证得到一个最好的分类模型。使用交叉熵损失函数测量预测值和实际值之间的差异，优化模型参数。在本发明中，D-Resnet框架的预测值向量Y为：
Y＝D_Resnet(x，μ) (3)
其中D_Resnet()是我们的网络模型，x是输入数据，μ是要优化的 D-Resnet模型的动量参数，我们用下面的损失函数进行了softmax 回归：
其中Ls是损失函数，m表示数据送入网络的批量尺寸大小，xi表示第yi类的第i层输入，n表示要分类的类别数，
是最后一个完全连接层中权重W的第j列，第T行，b为偏移项。因此，D-Resnet框架的目标函数，FD_Resnet为：
⑤、最终将测试集中高光谱舌图像送入得到的最好分类模型，实现基于高光谱的中医舌苔舌质分类。
Claims (2)
1.基于D-Resnet网络的高光谱图像分类算法，其特征在于，包括以下步骤：
(1)、高光谱舌像预处理
通过ENVI软件对原始舌图像数据集进行反射率校准并进行标注，得到标签图像作为真值，随机从原始舌图像数据集中选择一张图像输入到数据提取模块，每次随机在图像中选择9×9×L，的小块作为输入，其中L是网络自动读取的图像光谱维数，从而能将更多的高光谱舌像数据送入网络；
(2)、构建D-Resnet网络
D-Resnet网络包含四个部分:光谱信息提取模块，光谱压缩模块，空间信息提取模块以及输出模块；光谱信息提取模块由三个3D卷积层(3D-CONV)组成，在卷积层间构造密集连接，每个卷积层通过密集连接与之前的所有卷积层相连；然后送入光谱压缩模块将光谱维压缩，光谱压缩模块由两个3D卷积层(3D-CONV)组成；随后送入空间信息提取模块进一步提取舌像中的空间特征，该模块由两个单元组成：U1、U2，每个单元有两个3×3×1卷积层和两个1×1×1卷积层，并且每个单元通过跳跃连接与前一个单元相连；在U1、U2中的每个卷积层之前加入BN和PreLu对网络进行预激活，防止过拟合；最后送入输出模块，通过平均池化层对邻域内特征点求平均，将特征的大小映射到1×1×1；然后通过flatten层，dropout层和完全连接层，进行softmax回归，生成预测向量1×1×C，其中C是要分类的类别数，从而实现了空间光谱联合的舌苔舌质分类；
(3)、利用D-Resnet网络实现医学高光谱舌像分类算法
选取高光谱舌图像数据部分分别作为训练集、验证和测试数据集，随后将测试集高光谱舌图像中选取的9×9×L小块以及其对应的标签图像作为真值输入到D-Resnet网络中，进行训练，得到初始分类模型；
共10次训练周期，训练时采用可变学习率，设置初始学习率为0.01，当分类精度在一个训练周期后没有提高时，学习率减半；如果精度在下一个训练周期后依然不再增加，则学习率将再次降低一半，并循环，直到小于设置的最小学习率则不再改变；最小学习率设置为0，因此学习率会一直循环直到训练结束；
验证过程：
随后使用交叉熵损失函数测量预测值和实际值之间的差值来对得到的初始分类模型进行验证，验证的最终目的是对模型进行优化，使得分类模型分出的结果图与真值一致，最终通过交叉验证得到一个最好的分类模型；
测试过程：
最终将测试集中高光谱舌图像送入得到的最好分类模型，实现基于高光谱的中医舌苔舌质分类。
2.根据权利要求1所述的算法，其特征在于，D-Resnet网络的各层具体参数如下：
①U1卷积层：输入尺寸为9×9，输入通道数为L，卷积核为1×1×7，通道数为24,边缘填充方式为‘valid’,激活函数为PReLU,输出尺寸为9×9×b，输出通道数为24；
②U2卷积层：输入尺寸为9×9×b，输入通道数为24，卷积核为1×1×1，通道数为12，边缘填充方式为‘same’，激活函数为PreLU，输出尺寸为9×9×b，输出通道数为36；
③U3卷积层：输入尺寸为9×9×b，输入通道数为36，卷积核为1×1×1，通道数为12，边缘填充方式为‘same’，激活函数为PreLU，输出尺寸为9×9×b，输出通道数为48；
④U4卷积层：输入尺寸为9×9×b，输入通道数为48，卷积核为1×1×1，边缘填充方式为‘same’，激活函数为PreLU，输出尺寸为9×9×b输出通道数为60；
⑤U5卷积层：输入尺寸为9×9×b，输入通道数为60，卷积核为1×1×b，通道数为200，边缘填充方式为‘valid’,激活函数为PReLU,输出尺寸为9×9×1，输出通道数为200；
⑥reshape层：输入尺寸为9×9×1，输入通道数为200，输出尺寸为9×9×200，输出通道数为1；
⑦U6卷积层：输入尺寸为9×9×200，输入通道数为1，卷积核为3×3×200，通道数为24，边缘填充方式为‘valid’,激活函数为PReLU,输出尺寸为7×7×1，输出通道数为24；
⑧U7卷积层：输入尺寸为7×7×1，输入通道数为24，第一个卷积核为1×1×1，第二个卷积核为3×3×1，第三个卷积核为3×3×1，第四个卷积核为1×1×1，边缘填充方式为‘same’,激活函数为PReLU,输出尺寸为7×7×1，输出通道数为24；
⑨U8卷积层：输入尺寸为7×7×1，输入通道数为24，第一个卷积核为1×1×1，第二个卷积核为3×3×1，第三个卷积核为3×3×1，第四个卷积核为1×1×1，边缘填充方式为‘same’,激活函数为PReLU,输出尺寸为7×7×1，输出通道数为24；
⑩平均池化层：输入尺寸为7×7×1，输入通道数为24，输出尺寸为1×1×1，输出通道数为24；
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010040344.0A CN111259954B (zh) | 2020-01-15 | 2020-01-15 | 一种基于D-Resnet的高光谱中医舌苔舌质分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010040344.0A CN111259954B (zh) | 2020-01-15 | 2020-01-15 | 一种基于D-Resnet的高光谱中医舌苔舌质分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111259954A true CN111259954A (zh) | 2020-06-09 |
| CN111259954B CN111259954B (zh) | 2024-05-31 |
Family
ID=70945448
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010040344.0A Active CN111259954B (zh) | 2020-01-15 | 2020-01-15 | 一种基于D-Resnet的高光谱中医舌苔舌质分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111259954B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111797941A (zh) * | 2020-07-20 | 2020-10-20 | 中国科学院长春光学精密机械与物理研究所 | 携带光谱信息和空间信息的图像分类方法及系统 |
| CN111985575A (zh) * | 2020-09-02 | 2020-11-24 | 四川九洲电器集团有限责任公司 | 一种基于卷积神经网络的高光谱图像分类方法 |
| CN113011499A (zh) * | 2021-03-22 | 2021-06-22 | 安徽大学 | 一种基于双注意力机制的高光谱遥感图像分类方法 |
| CN113516047A (zh) * | 2021-05-19 | 2021-10-19 | 哈尔滨理工大学 | 一种基于深度学习特征融合的人脸表情识别方法 |
| CN113642383A (zh) * | 2021-06-23 | 2021-11-12 | 哈尔滨理工大学 | 一种基于联合损失多特征融合的人脸表情识别方法 |
| CN116824252A (zh) * | 2023-06-28 | 2023-09-29 | 广东省新黄埔中医药联合创新研究院 | 高光谱舌象图像的中医舌色分类量化方法 |
| CN116824171A (zh) * | 2023-06-28 | 2023-09-29 | 广东省新黄埔中医药联合创新研究院 | 中医高光谱舌象图像波段的选择方法及相关装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130322760A1 (en) * | 2012-06-04 | 2013-12-05 | Raytheon Company | System and method for rapid cluster analysis of hyperspectral images |
| US20160328838A1 (en) * | 2015-05-01 | 2016-11-10 | Applied Research LLC. | Automatic target recognition system with online machine learning capability |
| CN108764357A (zh) * | 2018-05-31 | 2018-11-06 | 西安电子科技大学 | 基于压缩-激发的聚合残差网络高光谱图像分类方法 |
| CN109754017A (zh) * | 2019-01-09 | 2019-05-14 | 西北工业大学 | 基于可分离的三维残差网络和迁移学习高光谱图像分类方法 |
| CN109871830A (zh) * | 2019-03-15 | 2019-06-11 | 中国人民解放军国防科技大学 | 基于三维深度残差网络的空谱融合高光谱图像分类方法 |
| CN110210313A (zh) * | 2019-05-06 | 2019-09-06 | 河海大学 | 基于多尺度pca-3d-cnn空谱联合的高光谱遥感影像分类方法 |
| CN110516596A (zh) * | 2019-08-27 | 2019-11-29 | 西安电子科技大学 | 基于Octave卷积的空谱注意力高光谱图像分类方法 |
-
2020
- 2020-01-15 CN CN202010040344.0A patent/CN111259954B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130322760A1 (en) * | 2012-06-04 | 2013-12-05 | Raytheon Company | System and method for rapid cluster analysis of hyperspectral images |
| US20160328838A1 (en) * | 2015-05-01 | 2016-11-10 | Applied Research LLC. | Automatic target recognition system with online machine learning capability |
| CN108764357A (zh) * | 2018-05-31 | 2018-11-06 | 西安电子科技大学 | 基于压缩-激发的聚合残差网络高光谱图像分类方法 |
| CN109754017A (zh) * | 2019-01-09 | 2019-05-14 | 西北工业大学 | 基于可分离的三维残差网络和迁移学习高光谱图像分类方法 |
| CN109871830A (zh) * | 2019-03-15 | 2019-06-11 | 中国人民解放军国防科技大学 | 基于三维深度残差网络的空谱融合高光谱图像分类方法 |
| CN110210313A (zh) * | 2019-05-06 | 2019-09-06 | 河海大学 | 基于多尺度pca-3d-cnn空谱联合的高光谱遥感影像分类方法 |
| CN110516596A (zh) * | 2019-08-27 | 2019-11-29 | 西安电子科技大学 | 基于Octave卷积的空谱注意力高光谱图像分类方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111797941A (zh) * | 2020-07-20 | 2020-10-20 | 中国科学院长春光学精密机械与物理研究所 | 携带光谱信息和空间信息的图像分类方法及系统 |
| CN111985575A (zh) * | 2020-09-02 | 2020-11-24 | 四川九洲电器集团有限责任公司 | 一种基于卷积神经网络的高光谱图像分类方法 |
| CN111985575B (zh) * | 2020-09-02 | 2022-08-02 | 四川九洲电器集团有限责任公司 | 一种基于卷积神经网络的高光谱图像分类方法 |
| CN113011499A (zh) * | 2021-03-22 | 2021-06-22 | 安徽大学 | 一种基于双注意力机制的高光谱遥感图像分类方法 |
| CN113011499B (zh) * | 2021-03-22 | 2022-02-01 | 安徽大学 | 一种基于双注意力机制的高光谱遥感图像分类方法 |
| CN113516047A (zh) * | 2021-05-19 | 2021-10-19 | 哈尔滨理工大学 | 一种基于深度学习特征融合的人脸表情识别方法 |
| CN113642383A (zh) * | 2021-06-23 | 2021-11-12 | 哈尔滨理工大学 | 一种基于联合损失多特征融合的人脸表情识别方法 |
| CN116824252A (zh) * | 2023-06-28 | 2023-09-29 | 广东省新黄埔中医药联合创新研究院 | 高光谱舌象图像的中医舌色分类量化方法 |
| CN116824171A (zh) * | 2023-06-28 | 2023-09-29 | 广东省新黄埔中医药联合创新研究院 | 中医高光谱舌象图像波段的选择方法及相关装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111259954B (zh) | 2024-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111259954B (zh) | 一种基于D-Resnet的高光谱中医舌苔舌质分类方法 | |
| CN111191660B (zh) | 一种基于多通道协同胶囊网络的结肠癌病理学图像分类方法 | |
| CN110363215B (zh) | 基于生成式对抗网络的sar图像转化为光学图像的方法 | |
| CN114821164B (zh) | 基于孪生网络的高光谱图像分类方法 | |
| CN111428071B (zh) | 一种基于多模态特征合成的零样本跨模态检索方法 | |
| CN108428229A (zh) | 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 | |
| CN111325750B (zh) | 一种基于多尺度融合u型链神经网络的医学图像分割方法 | |
| CN110930378B (zh) | 基于低数据需求的肺气肿影像处理方法及系统 | |
| CN104484886B (zh) | 一种mr图像的分割方法及装置 | |
| CN103093478B (zh) | 基于快速核空间模糊聚类的异源图像粗大边缘检测方法 | |
| CN108898269A (zh) | 基于度量的电力图像环境影响评估方法 | |
| CN112070078A (zh) | 基于深度学习的土地利用分类方法及系统 | |
| CN113160392B (zh) | 基于深度神经网络的光学建筑目标三维重建方法 | |
| CN115439654B (zh) | 动态约束下的弱监督农田地块精细化分割方法及系统 | |
| CN115496720A (zh) | 基于ViT机制模型的胃肠癌病理图像分割方法及相关设备 | |
| CN117274493A (zh) | 一种融合深度估计的神经隐式表面重建方法及装置 | |
| CN113256733B (zh) | 基于置信度投票卷积神经网络的相机光谱灵敏度重建方法 | |
| CN117078693A (zh) | 一种基于生成对抗网络的淋巴瘤影像重构与分割装置 | |
| Ren et al. | Multiscale adaptive convolution for hyperspectral image classification | |
| CN111783796A (zh) | 一种基于深度特征融合的pet/ct影像识别系统 | |
| CN117152179A (zh) | 基于U-Net和SENet实现直肠癌CT图像的分割与分类方法 | |
| CN117541665A (zh) | 基于改进的生成对抗网络的红外图像生成方法 | |
| CN116309465A (zh) | 一种基于改进的YOLOv5的自然环境下舌像检测定位方法 | |
| Abrevaya et al. | A generative 3D facial model by adversarial training | |
| Rao et al. | Classification of land cover usage from satellite images using deep learning algorithms |
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 |