CN111275025A - 一种基于深度学习的车位检测方法 - Google Patents
一种基于深度学习的车位检测方法 Download PDFInfo
- Publication number
- CN111275025A CN111275025A CN202010207443.3A CN202010207443A CN111275025A CN 111275025 A CN111275025 A CN 111275025A CN 202010207443 A CN202010207443 A CN 202010207443A CN 111275025 A CN111275025 A CN 111275025A
- Authority
- CN
- China
- Prior art keywords
- training
- model
- parking space
- space detection
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/586—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of parking space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
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
本发明公开了一种基于深度学习的车位检测方法,其中方法包括:数据预处理步骤,基于半监督分类的卷积神经网络模型构建步骤,停车位检测优化函数设计步骤,将训练图像输入至分类模型,进行预训练获得优化函数初始参数步骤,将训练图像输入至分类模型,进行训练步骤;本发明能够让自动驾驶汽车系统准确的检测目标车位是否可用,进而精准的在车位上停车,对自动驾驶汽车研究中的停车位检测的子问题进行了有效的解决,本发明设计了一种针对于半监督分类问题中的PU学习的目标优化函数,即使在停车位检测数据集的标记不全面的情况下,也能够正常的分类出图像中的停车位是否可用,可以处理多种情况的车位检测问题。
Description
技术领域
本发明涉及计算机视觉技术图像分类技术领域,具体为一种基于深度学习的车位检测方法。
背景技术
停车位检测是目前汽车自动驾驶研究中十分关键且困难的问题,自动驾驶汽车,又称无人驾驶汽车、电脑驾驶汽车等,是一种通过电脑系统实现无人驾驶的智能汽车,随着深度学习领域研究的迅速发展,传统计算机视觉任务如图像分类,目标检测,语义分割等技术在深度学习的帮助下,性能和效果也得到了很大程度的提升,于是自动驾驶技术的发展也随之成熟,但是在自动驾驶中仍还有众多子问题需要解决或者更优异的效果,从而保证自动驾驶的实用性、可靠性和安全性,停车位检测作为汽车自动驾驶技术中一个关键问题,它的目标是让自动驾驶汽车在停车过程中,汽车的自动驾驶系统能够准确的判断目标车位是否可用,进而实现停车的功能。
停车位检测的基础是图像分类,图像分类是分析图像的语义信息将不同类别的图像区分开,图像分类是计算机视觉中十分重要的基础问题,也是计算机视觉中高层视觉任务,如图像分割等的基础,近年来,已经有很多研究者在图像分类这个问题上进行了大量的研究,也出现了很多优秀的分类算法,例如支持向量机方法,遗传算法,随机森林,深度学习算法等,大多数的图像监督分类算法都是建立在传统的统计模型的基础上,这需要用户使用大量的已经标记好的图像数据作为训练样本,然后通过对这些带标签的训练样本进行训练得到模型。
但是,现实中获得上述大量带标签的数据是十分困难的,一般的人工标注需要用户耗费大量的时间和精力,而用户一般并没有这些时间和经历完成对数据集的标注,所以,用户如何仅对少量数据进行标注就能进行模型训练且获得优异的分类效果成为图像分类中的一个关键问题,这个问题也是具有十分重大的现实意义和实际需求。
发明内容
针对现有技术的不足,本发明提供了一种基于深度学习的车位检测方法,解决了背景技术中提到的问题。
为实现以上目的,本发明通过以下技术方案予以实现:一种基于深度学习的车位检测方法,所述方法采用半监督学习中PU学习方法,针对于整个图像数据集,包括以下步骤:
S1、数据预处理,以对输入图像进行统一标准化图像数据的预处理;
S2、基于半监督分类的卷积神经网络模型构建;
S3、停车位检测优化函数设计,且在设计好S2中的网络模型后,对网络的输出设计目标函数,所述目标函数为:
S4、将训练图像输入至分类模型,进行预训练获得优化函数参数γ,将S1中处理好的PU数据集作为模型的输入,先进行预训练自动获得目标函数所需的初始参数γ;
S5、将训练图像输入至分类模型,进行训练步骤,将S1中处理好的数据作为模型的输入,通过优化目标函数的输出值,对模型的参数进行矫正,通过多轮训练达到收敛后来获得分类模型的最终效果。
进一步地,所述数据预处理S1中包括数据增广的方法,其中方法包括图像大小归一化、图像旋转和图像水平翻转处理。
进一步地,所述S1中所使用的数据是仅有部分标注正样本数据集对分类模型进行训练。
进一步地,所述S2使用的为一般的深度神经网络结构,直接将进行图像预处理S1后的图像数据作为模型的输入,以使得神经网络模型学到更好的图像数据的表征,具有更强的泛化能力和鲁棒性。
进一步地,所述S3设计的目标函数是一种能够处理PU分类要求的目标优化函数。
进一步地,所述S4中预训练是为了获得目标函数的初始参数γ,且通过预训练所得参数γ的设定,目标函数可以让网络模型更好的训练PU数据集,以达到理想的效果。
进一步地,所述S4中预训练可以被跳过,为目标函数设定一个初始的参数γ,跳过预训练而直接进行正式的训练。
进一步地,所述S5还包括对目标函数的初始参数γ的修正,通过观察变化初始参数γ大小后训练完毕的模型效果,矫正参数γ最终获得最优的模型。
本发明与现有技术相比具备以下有益效果:
(1)、本发明能够让自动驾驶汽车系统准确的检测目标车位是否可用,进而精准的在车位上停车,对自动驾驶汽车研究中的停车位检测的子问题进行了有效的解决。
(2)、本发明设计了一种针对于半监督分类问题中的PU学习的目标优化函数,即使在停车位检测数据集的标记不全面的情况下,也能够正常的分类出图像中的停车位是否可用,可以处理多种情况的车位检测问题。
(3)、本发明所提出的算法比现有众多的半监督分类算法有着更好的准确度和鲁棒性。
附图说明
图1为本发明的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明提供一种技术方案:一种基于深度学习的车位检测方法,所述方法采用半监督学习中PU学习方法,针对于整个图像数据集,包括以下步骤:
S1、数据预处理,以对输入图像进行统一标准化图像数据的预处理;
S2、基于半监督分类的卷积神经网络模型构建;
S3、停车位检测优化函数设计,且在设计好S2中的网络模型后,对网络的输出设计目标函数,所述目标函数为:
S4、将训练图像输入至分类模型,进行预训练获得优化函数参数γ,将S1中处理好的PU数据集作为模型的输入,先进行预训练自动获得目标函数所需的初始参数γ;
S5、将训练图像输入至分类模型,进行训练步骤,将S1中处理好的数据作为模型的输入,通过优化目标函数的输出值,对模型的参数进行矫正,通过多轮训练达到收敛后来获得分类模型的最终效果。
所述数据预处理S1中包括数据增广的方法,其中方法包括图像大小归一化、图像旋转和图像水平翻转处理。
所述S1中所使用的数据是仅有部分标注正样本数据集对分类模型进行训练。
所述S2使用的为一般的深度神经网络结构,直接将进行图像预处理S1后的图像数据作为模型的输入,以使得神经网络模型学到更好的图像数据的表征,具有更强的泛化能力和鲁棒性。
所述S3设计的目标函数是一种能够处理PU分类要求的目标优化函数。
所述S4中预训练是为了获得目标函数的初始参数γ,且通过预训练所得参数γ的设定,目标函数可以让网络模型更好的训练PU数据集,以达到理想的效果。
所述S4中预训练可以被跳过,为目标函数设定一个初始的参数γ,跳过预训练而直接进行正式的训练。
所述S5还包括对目标函数的初始参数γ的修正,通过观察变化初始参数γ大小后训练完毕的模型效果,矫正参数γ最终获得最优的模型。
工作时,S1为数据预处理部分,在数据预处理部分,首先需要将所有数据集归一化为统一的大小,因为一般的深度神经网络要求输入的图片大小是固定大小的,把所有图像大小固定为64*64,再进行数据预处理后,也要进行数据增广操作,包括对图片进行旋转,水平翻转和垂直翻转,当数据集样本数量不够多时,数据增广往往能够提供很大的帮助。
S2为网络模型的构建,在网络模型的构建上,使用一般的深度学习神经网络,在这里以VGG16网络为例,VGG使用了13个卷积层,3个全连接层和5个池化层,具体网络参数设置为:
1.输入层
2.<=1卷积层1_1(3*3*64)
3.<=2非线性响应ReLU层
4.<=3卷积层1_2(3*3*64)
5.<=4非线性响应ReLU层
6.<=5池化层(3*3/2)
7.<=6卷积层2_1(3*3*128)
8.<=7非线性响应ReLU层
9.<=8卷积层2_2(3*3*128)
10.<=9非线性响应ReLU层
11.<=10池化层(3*3/2)
12.<=11卷积层3_1(3*3*256)
13.<=12非线性响应ReLU层
14.<=13卷积层3_2(3*3*256)
15.<=14非线性响应ReLU层
16.<=15卷积层3_3(3*3*256)
17.<=16非线性响应ReLU层
18.<=17池化层(3*3/2)
19.<=18卷积层4_1(3*3*512)
20.<=19非线性响应ReLU层
21.<=20卷积层4_2(3*3*512)
22.<=21非线性响应ReLU层
23.<=22卷积层4_3(3*3*512)
24.<=23非线性响应ReLU层
25.<=24池化层(3*3/2)
26.<=25卷积层5_1(3*3*512)
27.<=26非线性响应ReLU层
28.<=27卷积层5_2(3*3*512)
29.<=28非线性响应ReLU层
30.<=29卷积层5_3(3*3*512)
31.<=30非线性响应ReLU层
32.<=31池化层(3*3/2)
33.<=32全连接层6_1(512*512)
34.<=33全连接层6_2(512*512)
35.<=34分类输出层(512*2)
其中符号“.<=”前面的数字为当前层数,后面的数字为输入层数,例如,2.<=1表明当前层为第二层,输入为第一层,卷积层后面括号内为卷积层参数,例如,3*3*64,表明卷积核大小3*3,通道数为64,池化层后面括号内为池化层参数,例如,3*3/2表明池化核大小3*3,间隔为2。
在上述神经网络中,每个卷积层之后都会有一个非线性响应单元,该非线性响应单元具体名为纠正线性单元(Rectified Linear Units,以下简称:ReLU),通过在卷积层后增加上述纠正线性单元,将卷积层的映射结果尽量稀疏一些,使卷积层更接近人的视觉反应,从而使图像处理效果更好,上述示例中,默认将卷积层的卷积核设为3×3,可以更好的综合局部信息,池化层(可选为最大池化层:Max pooling)主要进行高层信息的归纳,该全卷积神经网络可以进行微调来适应不同的性能和效率的权衡。
S3为目标函数的设计,在目标函数的设计上,主要为两部分:
第一部分为上述公式第二个减号的左半部分,是所有有标注的正样本的损失值,该部分先是模型输出的所有有标注的正样本的概率值的log值的和,再乘以有标注正样本占所有正样本的比率π的两倍,最后取反即为损失函数的前半部分,在这里比率π是预先知道的;
第二部分为上述公式第二个减号的右半部分,在这个部分先是计算单个无标注样本的模型输出中被检测为负样本概率和被检测为正样本概率的加权和的log值,再对所有样本的log值进行求和,最后取反即为损失函数的后半部分,在这里权重γ可以通过后面预训练步骤得到。
目标函数参数的介绍:其中π是已知标注正样本的数量占整个正样本数量的比例,通常可以被估算得到,p是已知标注正样本的数量,n是所有样本的数量,在车位检测中网络模型的输出有两个值,再把输出用softmax函数处理后,f(x)1是处理后模型输出的第一个值,是样本检测为正样本的概率,f(x)2是处理后模型输出的第二个值,是样本检测为负样本的概率,所以f(xi)1代表第i个样本被估计为正样本的概率,f(xi)2代表第2个样本被估计为负样本的概率,γ则是权重参数。
整个损失函数为上述两个部分的和,通过优化这个损失函数来对模型的参数进行调优,在反向传播过程中对损失函数进行求导的过程,可以使用深度学习框架内部方法。
S4为神经网络的预训练步骤。预训练步骤是为了获得目标函数的权重参数γ,一个好的权重参数能过帮助目标函数更加准确的优化模型参数,在这里预训练的训练参数如学习率,batch_size,优化器等和之后正式训练所用的训练参数是一致的,具体参数:batch_size设置为256,优化器使用的是adam优化器,学习率设置为0.0002,在预训练一开始,会先初始化权重参数γ为0.5,然后将PU数据集放入模型中开始预训练,当模型预训练结束时正样本的准确率时,会将γ值重新设置为0.8γ+0.2,再重新进行预训练,当模型预训练结束时正样本的准确率时(这里的参数含义在前面已经有了介绍),预训练会结束,此时的权重参数γ将会被后述正式训练作为目标函数的权重参数使用。
S5为神经网络的正式训练步骤,使用的训练的参数会和预训练一样,batch_size为256,学习率设置为0.0002,使用adam优化器,且正式训练的迭代次数设置为150次,因为使用的是停车位检测的PU数据集进行训练,模型训练所展现出来的准确率并不是真实的准确率,所以在150次训练结束后,会使用最后一次训练的模型作为训练的最终结果模型。
在正式训练过程中使用模型是步骤二所设计的模型,使用的目标函数是步骤三所设计的模型,而目标函数的权重参数γ会设置为步骤四预训练所得到的权重参数,在模型训练反向传播过程中所有求导计算过程都是使用了深度学习框架的内部方法,在最后一轮训练结束后,会有专门的停车位检测的测试数据集作为模型的输入,对模型效果进行测试,验证方法的有效性,通过使用PU数据集的训练学习,在不差于传统监督学习的效果的情况下,还能够很大程度上减少标注样本所需要的人力和时间成本。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于深度学习的车位检测方法,其特征在于:所述方法采用半监督学习中PU学习方法,针对于整个图像数据集,包括以下步骤:
S1、数据预处理,以对输入图像进行统一标准化图像数据的预处理;
S2、基于半监督分类的卷积神经网络模型构建;
S3、停车位检测优化函数设计,且在设计好S2中的网络模型后,对网络的输出设计目标函数,所述目标函数为:
S4、将训练图像输入至分类模型,进行预训练获得优化函数参数γ,将S1中处理好的PU数据集作为模型的输入,先进行预训练自动获得目标函数所需的初始参数γ;
S5、将训练图像输入至分类模型,进行训练步骤,将S1中处理好的数据作为模型的输入,通过优化目标函数的输出值,对模型的参数进行矫正,通过多轮训练达到收敛后来获得分类模型的最终效果。
2.根据权利要求1所述的一种基于深度学习的车位检测方法,其特征在于:所述数据预处理S1中包括数据增广的方法,其中方法包括图像大小归一化、图像旋转和图像水平翻转处理。
3.根据权利要求2所述的一种基于深度学习的车位检测方法,其特征在于:所述S1中所使用的数据是仅有部分标注正样本数据集对分类模型进行训练。
4.根据权利要求3所述的一种基于深度学习的车位检测方法,其特征在于:所述S2使用的为一般的深度神经网络结构,直接将进行图像预处理S1后的图像数据作为模型的输入,以使得神经网络模型学到更好的图像数据的表征,具有更强的泛化能力和鲁棒性。
5.根据权利要求4所述的一种基于深度学习的车位检测方法,其特征在于:所述S3设计的目标函数是一种能够处理PU分类要求的目标优化函数。
6.根据权利要求5所述的一种基于深度学习的车位检测方法,其特征在于:所述S4中预训练是为了获得目标函数的初始参数γ,且通过预训练所得参数γ的设定,目标函数可以让网络模型更好的训练PU数据集,以达到理想的效果。
7.根据权利要求6所述的一种基于深度学习的车位检测方法,其特征在于:所述S4中预训练可以被跳过,为目标函数设定一个初始的参数γ,跳过预训练而直接进行正式的训练。
8.根据权利要求7所述的一种基于深度学习的车位检测方法,其特征在于:所述S5还包括对目标函数的初始参数γ的修正,通过观察变化初始参数γ大小后训练完毕的模型效果,矫正参数γ最终获得最优的模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010207443.3A CN111275025A (zh) | 2020-03-23 | 2020-03-23 | 一种基于深度学习的车位检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010207443.3A CN111275025A (zh) | 2020-03-23 | 2020-03-23 | 一种基于深度学习的车位检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111275025A true CN111275025A (zh) | 2020-06-12 |
Family
ID=71003844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010207443.3A Withdrawn CN111275025A (zh) | 2020-03-23 | 2020-03-23 | 一种基于深度学习的车位检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111275025A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111964723A (zh) * | 2020-08-18 | 2020-11-20 | 合肥金果缘视觉科技有限公司 | 一种基于人工智能的花生米短芽检测系统 |
CN112417911A (zh) * | 2020-11-19 | 2021-02-26 | 广东中世发智能科技股份有限公司 | 基于rfid智能优化群检方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107798390A (zh) * | 2017-11-22 | 2018-03-13 | 阿里巴巴集团控股有限公司 | 一种机器学习模型的训练方法、装置以及电子设备 |
CN109145030A (zh) * | 2018-06-26 | 2019-01-04 | 阿里巴巴集团控股有限公司 | 一种异常数据访问的检测方法和装置 |
CN109299162A (zh) * | 2018-11-08 | 2019-02-01 | 南京航空航天大学 | 一种用于正类和无标记数据分类的主动学习方法 |
CN109816027A (zh) * | 2019-01-29 | 2019-05-28 | 北京三快在线科技有限公司 | 无人驾驶决策模型的训练方法、装置及无人驾驶设备 |
US20190164086A1 (en) * | 2017-11-30 | 2019-05-30 | Palo Alto Networks (Israel Analytics) Ltd. | Framework for semi-supervised learning when no labeled data is given |
US20210035024A1 (en) * | 2018-02-02 | 2021-02-04 | Visa International Service Association | Efficient method for semi-supervised machine learning |
-
2020
- 2020-03-23 CN CN202010207443.3A patent/CN111275025A/zh not_active Withdrawn
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107798390A (zh) * | 2017-11-22 | 2018-03-13 | 阿里巴巴集团控股有限公司 | 一种机器学习模型的训练方法、装置以及电子设备 |
US20190164086A1 (en) * | 2017-11-30 | 2019-05-30 | Palo Alto Networks (Israel Analytics) Ltd. | Framework for semi-supervised learning when no labeled data is given |
US20210035024A1 (en) * | 2018-02-02 | 2021-02-04 | Visa International Service Association | Efficient method for semi-supervised machine learning |
CN109145030A (zh) * | 2018-06-26 | 2019-01-04 | 阿里巴巴集团控股有限公司 | 一种异常数据访问的检测方法和装置 |
CN109299162A (zh) * | 2018-11-08 | 2019-02-01 | 南京航空航天大学 | 一种用于正类和无标记数据分类的主动学习方法 |
CN109816027A (zh) * | 2019-01-29 | 2019-05-28 | 北京三快在线科技有限公司 | 无人驾驶决策模型的训练方法、装置及无人驾驶设备 |
Non-Patent Citations (2)
Title |
---|
SHUCHEN KONG ET AL: "False positive rate control for positive unlabeled learning", 《NEUROCOMPUTING》, vol. 367, 31 December 2019 (2019-12-31), pages 13 - 19, XP085851010, DOI: 10.1016/j.neucom.2019.08.001 * |
熊智翔 等: "使用少量有标签样本学习的方法", 《计算机应用》, vol. 38, no. 2, 31 December 2018 (2018-12-31), pages 11 - 15 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111964723A (zh) * | 2020-08-18 | 2020-11-20 | 合肥金果缘视觉科技有限公司 | 一种基于人工智能的花生米短芽检测系统 |
CN112417911A (zh) * | 2020-11-19 | 2021-02-26 | 广东中世发智能科技股份有限公司 | 基于rfid智能优化群检方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110083833B (zh) | 中文字词向量和方面词向量联合嵌入情感分析方法 | |
WO2016165082A1 (zh) | 基于深度学习的图像隐写检测方法 | |
CN109101938B (zh) | 一种基于卷积神经网络的多标签年龄估计方法 | |
CN109523013B (zh) | 基于浅层卷积神经网络的空气颗粒物污染程度估计方法 | |
CN105447473A (zh) | 一种基于PCANet-CNN的任意姿态人脸表情识别方法 | |
CN111814611B (zh) | 一种嵌入高阶信息的多尺度人脸年龄估计方法及系统 | |
CN111753918B (zh) | 一种基于对抗学习的去性别偏见的图像识别模型及应用 | |
CN107247952B (zh) | 基于深层监督的循环卷积神经网络的视觉显著性检测方法 | |
CN112115993B (zh) | 一种基于元学习的零样本和小样本证件照异常检测方法 | |
CN111860193B (zh) | 一种基于文本的行人检索自监督视觉表示学习系统及方法 | |
CN112750129A (zh) | 一种基于特征增强位置注意力机制的图像语义分割模型 | |
CN111079837B (zh) | 一种用于二维灰度图像检测识别分类的方法 | |
CN110599459A (zh) | 基于深度学习的地下管网风险评估云系统 | |
CN111275025A (zh) | 一种基于深度学习的车位检测方法 | |
CN110084812A (zh) | 一种太赫兹图像缺陷检测方法、装置、系统及存储介质 | |
CN109214444B (zh) | 基于孪生神经网络和gmm的游戏防沉迷判定系统及方法 | |
CN115797694A (zh) | 基于多尺度孪生神经网络的显示面板微缺陷分类方法 | |
CN111523586B (zh) | 一种基于噪声可知的全网络监督目标检测方法 | |
CN110675421A (zh) | 基于少量标注框的深度图像协同分割方法 | |
CN116152554A (zh) | 基于知识引导的小样本图像识别系统 | |
CN115240259A (zh) | 一种基于yolo深度网络的课堂环境下人脸检测方法及其检测系统 | |
CN115062727A (zh) | 一种基于多阶超图卷积网络的图节点分类方法及系统 | |
CN114818579A (zh) | 基于一维卷积长短期记忆网络的模拟电路故障诊断方法 | |
CN111368648A (zh) | 雷达辐射源个体识别方法、装置、电子设备及其存储介质 | |
CN112668633B (zh) | 一种基于细粒度领域自适应的图迁移学习方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200612 |
|
WW01 | Invention patent application withdrawn after publication |