CN111428687B - 基于概率协同表示和卷积神经网络的识别方法 - Google Patents

基于概率协同表示和卷积神经网络的识别方法 Download PDF

Info

Publication number
CN111428687B
CN111428687B CN202010297907.4A CN202010297907A CN111428687B CN 111428687 B CN111428687 B CN 111428687B CN 202010297907 A CN202010297907 A CN 202010297907A CN 111428687 B CN111428687 B CN 111428687B
Authority
CN
China
Prior art keywords
training
function
original
test sample
sample set
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
CN202010297907.4A
Other languages
English (en)
Other versions
CN111428687A (zh
Inventor
石兰芳
周先春
翟靖宇
许瑞
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202010297907.4A priority Critical patent/CN111428687B/zh
Publication of CN111428687A publication Critical patent/CN111428687A/zh
Application granted granted Critical
Publication of CN111428687B publication Critical patent/CN111428687B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • 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
    • 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
    • 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
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于概率协同表示和卷积神经网络识别方法，包括如下步骤：首先，利用概率分布构造一种新的简单易行的重建函数，将原始训练样本集通过该重建函数进行重建得到新的训练样本集；将用新的训练样本集和原始训练样本集训练CNN网络；用训练好的CNN网络从原始测试样本集中提取有效特征，用提取的有效特征来训练SVM分类器，再通过训练好的SVM分类器识别所有的待识别样本。本发明利用有限的训练样本集通过新的目标函数构造重建测试样本，作为新的训练样本集，输入CNN网络，能有效提取人脸特征，再使用这些人脸特征去训练SVM，所得到测试样本的重建图接近原测试样本图，识别效果明显。

Description

基于概率协同表示和卷积神经网络的识别方法
技术领域
本发明属于人工智能技术领域，涉及人脸识别方法，尤其涉及一种基于概率协同表示和卷积神经网络的识别方法。
背景技术
随着人工智能对人类生活的逐渐渗透，智能化的人脸识别无疑在将来的各个领域得到普遍的应用。
CRC法是经典的稀疏人脸识别方法，它是利用L2范数进行改进的稀疏识别方法。INNC法是在CRC法的基础上进行改进的方法，它是基于原始的人脸库来选择接近测试样本的训练样本的类别，大大减少了计算量；DALM法是一种基于L_1范数的改进稀疏识别方法，但这几种经典方法不能更好的适用训练样本较少的情况。
基于概率的协同表示方法以及基于概率协同表示和BP神经网络识别方法，虽然在一定程度上提高人脸识别率，但是它们只能用于提取表面的人脸特征。前者是一种改进的稀疏识别方法，后者是改进的BP神经网络方法，由于BP神经网络只是浅层神经网络，不能更好的提取人脸图像的特征，具有局部较小的缺点；基于卷积神经网络的识别方法充分运用CNN网络提取人脸图像进行深层次的特征提取，如果给定的目标训练集数量较少，则CNN网络无法获取足够的人脸特征用于人脸识别。在实际生活中给定的人脸数是有限的，面对训练样本较少的情况，如何有效的提高人脸识别率是一个很重要的问题。
发明内容
发明目的：针对现有技术的缺陷，提供一种基于概率协同表示和卷积神经网络识别方法。
技术方案：本发明公开了一种基于概率协同表示和卷积神经网络识别方法。该识别方法包括以下步骤：
(1)确定重建函数，以使得通过所述重建函数来重建原始测试样本时，重建的测试样本与原始测试样本最接近；其中，确定重建函数具体包括：
(11)设原始训练样本矩阵X所在的线性空S为线性概率协作空间，eX为X中所有原始训练样本的标签集，对于第i类原始测试样本y，若存在系数组合r，使得重建的测试样本yi＝X*r，并且yi最接近y，若将yi被分配到的类标签记为eXi，可知存在eXi∈eX；运用高斯函数来定义eXi∈eX的概率P(eXi∈eX)与r之间的关系：
其中d为常数；
(12)基于X构造关于原始训练样本的辅助函数，并根据所述辅助函数和概率P(eXi∈eX)与r之间的所述关系以yi最接近y为目标构造目标函数；
(13)对所述目标函数进行求解以确定所述系数组合r，将所述系数组合r作为所述重建函数；
(2)通过所述重建函数重建所述原始训练样本集得到新的训练样本集，并用新的训练样本集和所述原始训练样本集训练CNN网络；
(3)用训练好的CNN网络从所述原始测试样本集中提取有效特征，用提取的有效特征来训练SVM分类器，再通过训练好的SVM分类器识别所有的待识别样本。
进一步地，步骤(12)中，所述辅助函数表示为WX，W是一个关于X的对角矩阵，且
其中，Xi为第i类原始训练样本矩阵，对应原始训练样本矩阵X的第i列；c为正整数，将WX对应的类标签记为ex+。
进一步地，步骤(12)进一步包括：
(121)使用高斯函数来定义这样一个函数：
P(ey∈ex|ex+∈exi,exi∈ex)表示在添加辅助函数WX的情况下，原始测试样本y与重建的测试样本yi之间的相似概率，其中t为常数；
(122)令ey为第i类原始测试样本矩阵的标签集，根据概率P(eXi∈eX)与r之间的所述关系得出：
其中h为一个常数，P(ey∈eX)越大，则重建的测试样本yi越接近原始测试样本y；
(123)令P(ey∈eX)达到最大值，则
所述目标函数表示为
进一步化简可得：
其中g和k均为常数。
进一步地，步骤(13)中，对所述目标函数进行求解以确定所述系数组合r，具体为：
令为0，得到如下合适的解：
r＝(XT*X+g*WT*W+k*I)-1*XT*y (7)
其中I为可识别的矩阵；X*r就是相对于y的重建的测试样本yi。
进一步地，步骤(2)中，用新的训练样本集和所述原始训练样本集训练CNN网络，具体为：
(21)将新的训练样本集输入CNN网络以构建辅助CNN网络，训练所述辅助CNN网络后得到表示人脸面部特征的权值，使用训练所述辅助CNN网络后得到的权值去初始化所述CNN网络的除最后一层以外的层的权值，最后一层的权值采用随机初始化的方式得到；
(22)设置好所有层的权值之后，使用原始训练样本集去训练所述CNN网络。
进一步地，步骤(3)中，所述有效特征为训练好的CNN网络根据所述原始测试样本集输出的特征训练集和特征测试集中的一致特征；训练好的SVM中的训练标签与测试标签分别与训练好的CNN网络中对应训练标签与测试标签相同；训练好的SVM分类器的核函数为：
K(si,sj)＝exp(-β||si-sj||2) (8)
其中si和sj分别是输入SVM分类器的第i和第j个待识别样本，β是核参数；训练好的SVM分类器的识别函数为
其中hi和hj分别是si和sj对应的类别，ai和aj分别是第i和第j个待识别样本的拉格朗日系数，σ是惩罚系数，l是待识别样本的总数。
有益效果：与现有技术相比，本发明提出的新方法能够重新利用测试重建图来提取人脸特征，它利用概率分布构造一种新的简单易行的目标函数，将训练样本集通过该目标函数重建测试样本集，作为新的训练样本集，与原始训练样本集分别输入CNN网络中，以提取更多的特征值，从而有效解决实际生活中给定的人脸数是有限导致的训练样本较少的问题，并有效的提高人脸识别率。
附图说明
图1为建立基于概率协同表示和卷积神经网络识别方法流程图；
图2使用不同方法的目标函数在ORL人脸库中所得到的测试样本的重建图；
图3使用不同方法的目标函数在AR人脸库中所得到的测试样本的重建图；
图4使用不同方法的目标函数在FERET人脸库中所得到的测试样本的重建图；
图5在ORL人脸库中分别使用新方法中目标函数和CRC法中目标函数得到的偏差值；
图6在AR人脸库中分别使用新方法中目标函数和CRC法中目标函数得到的偏差值；
图7在FERET人脸库中分别使用新方法中目标函数和CRC法中目标函数得到的偏差值；
图8不同方法在ORL人脸库中所得到的仿真图；
图9不同方法在AR人脸库中所得到的仿真图；
图10不同方法在FERET人脸库中所得到的仿真图。
具体实施方式
以下结合附图对本发明进行详细说明。
基于概率协同表示和卷积神经网络识别方法，包含以下步骤：
步骤一：建立重建函数，以使得通过所述重建函数来重建原始测试样本时，重建的测试样本与原始测试样本最接近。
具体地，设原始训练样本矩阵X所在的线性空间S为线性概率协作空间，eX为X中所有原始训练样本的标签集，对于第i类原始测试样本y，若存在系数组合r，使得yi＝Xr，并且yi最接近y，若将yi被分配到的类标签记为eXi，可知存在eXi∈eX；
运用高斯函数来定义关于它们之间关系的概率：
其中d为一个常数。
为了在目标函数中体现X的特征，引入关于训练样本的辅助函数WX，W是一个关于X的对角矩阵，且
其中，Xi为第i类原始训练样本矩阵，对应原始训练样本矩阵X的第i列；c为正整数，将WX对应的类标签记为ex+。
使用高斯函数来定义这样一个函数：
P(ey∈ex|ex+∈exi,exi∈ex)表示在添加辅助函数WX的情况下，测试样本y与重构测试样本之间的相似概率，其中t为一个常数。
令根据式(1)可知：
其中h为一个常数，P(ey∈eX)越大，说明重构的测试样本越是接近原始的测试样本。
令P(ey∈eX)达到最大值，则
因而可得目标函数为：
进一步化简可得
对于这种Tikhonov正则化问题，令为0，得到如下合适的解：
r＝(XT*X+g*WT*W+k*I)-1*XT*y (7)
其中g和k均为常数，I为可识别的矩阵。将求解得到的系数组合r作为重建函数，X*r就是相对于y的重建的测试样本yi。
步骤二：通过重建函数重建原始训练样本集得到新的训练样本集，并用新的训练样本集和原始训练样本集训练CNN网络。
其中，用新的训练样本集训练CNN网络的详细步骤如下：
将新的训练样本集输入CNN网络以构建辅助CNN网络，再用新的训练样本集训练辅助CNN后得到表示人脸面部特征的权值，使用训练辅助CNN网络得到的权值去初始化CNN网络的前几层(除最后一层以外的层)的权值，最后一层的权值采用随机初始化的方式得到。设置好所有层的权值之后，使用目标训练样本集去训练CNN网络，设定训练好的CNN网络中最终的批量大小为128，衰减系数设为0.0006，通过CNN网络提取人脸特征后再使用这些人脸特征去训练SVM。
步骤三：用训练好的CNN网络从所述原始测试样本集中提取有效特征，用提取的有效特征来训练SVM分类器，再通过训练好的SVM分类器识别所有的待识别样本。具体包括：
对于给定的目标测试样本集，这些有效特征为训练好的CNN网络根据原始测试样本集输出的特征训练集和特征测试集中的一致特征。训练好的SVM中的训练标签与测试标签分别与CNN网络中对应训练标签与测试标签相同。使用径向基函数(Radial basisfunction,RBF)作为SVM分类器的核函数，训练好的SVM分类器的核函数为：
K(si,sj)＝exp(-β||si-sj||2) (8)
其中si和sj分别是输入SVM分类器的第i和第j个待识别样本，β是核参数；训练好的SVM分类器的识别函数为
其中hi和hj分别是si和sj对应的类别，ai和aj分别是第i和第j个待识别样本的拉格朗日系数，σ是惩罚系数，l是待识别样本的总数。
本发明的基于概率协同表示和卷积神经网络识别方法，通过新的目标函数进行图像重建，将重建的测试样本集作为新的训练样本集输入CNN网络，得到CNN网络的权值后，再通过CNN网络和SVM去提取人脸特征，极大的提高人脸识别的效果。
为了验证本发明方法的有效性，在ORL、AR和FERET人脸数据库上，将新方法与基于概率协同表示和BP神经网络识别方法、基于卷积神经网络的识别方法、基于概率的协同表示方法、CRC、FCM、DALM进行比较和实验。
本发明所有实验是在Matlab环境下编程实现的，将识别率作为判断的标准，识别率越高，人脸识别的效果越好。
图2第一行是测试样本，第二行是使用CRC法中的目标函数得到的重建图，第三行是使用本章提出的新方法中的目标函数得到的重建图。
图3第一行是测试样本，第二行是使用CRC法中的目标函数得到的重建图，第三行是使用本章提出的新方法中的目标函数得到的重建图。
图4第一行是测试样本，第二行是使用CRC法中的目标函数得到的重建图，第三行是使用本章提出的新方法中的目标函数得到的重建图。
图5、图6和图7分别是ORL人脸库、AR人脸库和FERET人脸库新方法中目标函数得到的偏差值与CRC法中目标函数得到的偏差值所形成的对比图。从图中可以看出，在大多数类别数中，新方法中目标函数求得的偏差值比CRC法小。偏差值越小，说明训练样本重建的测试样本越接近给定的测试样本，因而重建的样本图输入CNN网络能够提取有效的特征值，对应的方法进行人脸识别的效果越好。
图8、图9和图10分别用Matlab程序在ORL、AR和FERET人脸库上对CRC法、FCM法、DALM法、基于卷积神经网络的识别方法、基于概率的协同表示方法、基于概率协同表示和BP神经网络识别方法、基于概率协同表示和卷积神经网络识别方法进行仿真实验结果图。由表1可知在ORL人脸库中，当训练样本数为2时，基于概率协同表示和卷积神经网络识别方法求得的识别率达到96.68％,它与基于概率协同表示和BP神经网络识别方法之间的差值达到3％。
本发明专利提出的基于概率协同表示和卷积神经网络识别方法不仅有效的利用CNN网络和SVM提取人脸特征，当训练样本数较少的时候，利用有限的训练样本集通过新的目标函数构造重建测试样本，作为新的训练样本集，输入CNN网络有效提取人脸特征。在ORL、AR和FERET人脸数据库上进行对比和实验，证明该方法能够取得较好的识别效果。

Claims (3)

1.一种基于CNN网络和SVM人脸识别方法，其特征在于，包括以下步骤：
(1)建立重建函数，以使得通过所述重建函数来重建原始测试样本时，重建的测试样本与原始测试样本最接近；其中，确定重建函数具体包括：
(11)设原始训练样本矩阵X所在的线性空S为线性概率协作空间，eX为X中所有原始训练样本的标签集，对于第i类原始测试样本y，若存在系数组合r，使得重建的测试样本yi＝X*r，并且yi最接近y，若将yi被分配到的类标签记为eXi，可知存在eXi∈eX；运用高斯函数来定义eXi∈eX的概率P(eXi∈eX)与r之间的关系：
其中d为常数；
(12)基于X构造关于原始训练样本的辅助函数，并根据所述辅助函数和概率P(eXi∈eX)与r之间的所述关系以yi最接近y为目标构造目标函数；
(13)对所述目标函数进行求解以确定所述系数组合r，将所述系数组合r作为所述重建函数；对所述目标函数进行求解以确定所述系数组合r，具体为：
令为0，得到如下合适的解：
r＝(XT*X+g*WT*W+k*I)-1*XT*y (7)
其中I为可识别的矩阵；X*r就是相对于y的重建的测试样本yi；
(2)通过所述重建函数重建原始训练样本集得到新的训练样本集，并用新的训练样本集和所述原始训练样本集训练CNN网络；用新的训练样本集和所述原始训练样本集训练CNN网络，具体为：
(21)将新的训练样本集输入CNN网络以构建辅助CNN网络，再用所述新的训练样本集训练所述辅助CNN网络后得到表示人脸面部特征的权值，使用训练所述辅助CNN网络后得到的权值去初始化所述CNN网络的除最后一层以外的层的权值，最后一层的权值采用随机初始化的方式得到；
(22)设置好所有层的权值之后，使用原始训练样本集去训练所述CNN网络；具体为：设定训练好的CNN网络中最终的批量大小为128，衰减系数设为0.0006，通过CNN网络提取人脸特征后再使用这些人脸特征去训练SVM；
(3)用训练好的CNN网络从所述原始测试样本集中提取有效特征，用提取的有效特征来训练SVM分类器，再通过训练好的SVM分类器识别所有的待识别样本；具体包括：
对于给定的目标测试样本集，这些有效特征为训练好的CNN网络根据原始测试样本集输出的特征训练集和特征测试集中的一致特征，训练好的SVM中的训练标签与测试标签分别与CNN网络中对应训练标签与测试标签相同，使用径向基函数(Radial basis function,RBF)作为SVM分类器的核函数，训练好的SVM分类器的核函数为：
K(si,sj)＝exp(-β||si-sj||2) (8)
其中si和sj分别是输入SVM分类器的第i和第j个待识别样本，β是核参数；训练好的SVM分类器的识别函数为
其中hi和hj分别是si和sj对应的类别，ai和aj分别是第i和第j个待识别样本的拉格朗日系数，σ是惩罚系数，l是待识别样本的总数。
2.根据权利要求1所述的方法，其特征在于，步骤(12)中，所述辅助函数表示为WX，W是一个关于X的对角矩阵，且
其中，Xi为第i类原始训练样本矩阵，对应原始训练样本矩阵X的第i列；c为正整数，将WX对应的类标签记为ex+。
3.根据权利要求2所述的方法，其特征在于，步骤(12)进一步包括：
(121)使用高斯函数来定义这样一个函数：
P(ey∈ex|ex+∈exi,exi∈ex)表示在添加辅助函数WX的情况下，原始测试样本y与重建的测试样本yi之间的相似概率，其中t为常数；
(122)令ey为第i类原始测试样本矩阵的标签集，根据概率P(eXi∈eX)与r之间的所述关系得出：
其中h为一个常数，P(ey∈eX)越大，则重建的测试样本yi越接近原始测试样本y；
(123)令P(ey∈eX)达到最大值，则
所述目标函数表示为
进一步化简可得：
其中g和k均为常数。
CN202010297907.4A 2020-04-16 2020-04-16 基于概率协同表示和卷积神经网络的识别方法 Active CN111428687B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010297907.4A CN111428687B (zh) 2020-04-16 2020-04-16 基于概率协同表示和卷积神经网络的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010297907.4A CN111428687B (zh) 2020-04-16 2020-04-16 基于概率协同表示和卷积神经网络的识别方法

Publications (2)

Publication Number Publication Date
CN111428687A CN111428687A (zh) 2020-07-17
CN111428687B true CN111428687B (zh) 2023-07-25

Family

ID=71557898

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010297907.4A Active CN111428687B (zh) 2020-04-16 2020-04-16 基于概率协同表示和卷积神经网络的识别方法

Country Status (1)

Country Link
CN (1) CN111428687B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563305A (zh) * 2017-08-10 2018-01-09 南京信息工程大学 基于多样本扩充协同表示分类的人脸识别方法
CN108038467A (zh) * 2017-12-26 2018-05-15 南京信息工程大学 一种镜像图与粗细层次结合的稀疏人脸识别方法
CN108197573A (zh) * 2018-01-03 2018-06-22 南京信息工程大学 基于镜像图的lrc和crc偏差结合的人脸识别方法
CN109766813A (zh) * 2018-12-31 2019-05-17 陕西师范大学 基于对称人脸扩充样本的字典学习人脸识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563305A (zh) * 2017-08-10 2018-01-09 南京信息工程大学 基于多样本扩充协同表示分类的人脸识别方法
CN108038467A (zh) * 2017-12-26 2018-05-15 南京信息工程大学 一种镜像图与粗细层次结合的稀疏人脸识别方法
CN108197573A (zh) * 2018-01-03 2018-06-22 南京信息工程大学 基于镜像图的lrc和crc偏差结合的人脸识别方法
CN109766813A (zh) * 2018-12-31 2019-05-17 陕西师范大学 基于对称人脸扩充样本的字典学习人脸识别方法

Also Published As

Publication number Publication date
CN111428687A (zh) 2020-07-17

Similar Documents

Publication Publication Date Title
Chen et al. Detection of rice plant diseases based on deep transfer learning
CN107122809B (zh) 基于图像自编码的神经网络特征学习方法
Tofighi et al. Prior information guided regularized deep learning for cell nucleus detection
CN107316294B (zh) 一种基于改进的深度玻尔兹曼机肺结节特征提取方法
Sirish Kaushik et al. Pneumonia detection using convolutional neural networks (CNNs)
CN111461322B (zh) 一种深度神经网络模型压缩方法
CN109389171B (zh) 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法
Jianu et al. Automatic diagnosis of skin cancer using neural networks
CN112418261B (zh) 一种基于先验原型注意力机制的人体图像多属性分类方法
CN111738363A (zh) 基于改进的3d cnn网络的阿尔茨海默病分类方法
CN110490028A (zh) 基于深度学习的人脸识别网络训练方法、设备及存储介质
吴雨林 et al. Face recognition system based on CNN and LBP features for classifier optimization and fusion
Ahmed et al. Eye diseases classification using back propagation artificial neural network
Ebrahimi et al. A hybrid deep learning model for forecasting lymphocyte depletion during radiation therapy
CN111428687B (zh) 基于概率协同表示和卷积神经网络的识别方法
WO2021179189A1 (zh) 大脑成瘾性状评估的可视化方法、装置及介质
WO2021179198A1 (zh) 图像特征可视化方法、图像特征可视化装置及电子设备
CN109063766B (zh) 一种基于判别性预测稀疏分解模型的图像分类方法
Lu et al. Image classification and recognition of rice diseases: a hybrid DBN and particle swarm optimization algorithm
Jia et al. Adjacent age classification algorithm of yellow-feathered chickens based on multi-scale feature fusion
Chen et al. Fatty liver disease prediction based on multi-layer random forest model
Islam et al. Deep Neural Network models for diagnosis of COVID-19 Respiratory diseases by analyzing CT-Scans and Explain-ability using trained models
Gayatri et al. Reduction of overfitting on the highly imbalanced ISIC-2019 skin dataset using deep learning frameworks
Cao et al. Alzheimer’s Disease Stage Detection Method Based on Convolutional Neural Network
Vinoth et al. Pneumonia Detection from Chest X-Ray using AlexNet Image Classification Technique

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