CN111444759A - 一种基于宽度学习算法的手写体识别方法及系统 - Google Patents
一种基于宽度学习算法的手写体识别方法及系统 Download PDFInfo
- Publication number
- CN111444759A CN111444759A CN202010081570.3A CN202010081570A CN111444759A CN 111444759 A CN111444759 A CN 111444759A CN 202010081570 A CN202010081570 A CN 202010081570A CN 111444759 A CN111444759 A CN 111444759A
- Authority
- CN
- China
- Prior art keywords
- matrix
- training
- learning algorithm
- handwriting
- model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 75
- 238000012545 processing Methods 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims description 92
- 239000010410 layer Substances 0.000 claims description 28
- 238000013507 mapping Methods 0.000 claims description 27
- 238000010606 normalization Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 9
- 230000003416 augmentation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000012792 core layer Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 230000003190 augmentative effect Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/32—Digital ink
- G06V30/36—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/32—Digital ink
- G06V30/333—Preprocessing; Feature extraction
-
- 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
- G06V10/513—Sparse representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Character Discrimination (AREA)
Abstract
本发明涉及一种基于宽度学习算法的手写体识别方法及系统,该方法包括宽度学习算法模型训练、获取待识别手写体图像、将所述待识别手写体图像转化为数字矩阵、将所述数字矩阵输入到训练好的宽度学习算法模型中进行识别、得到该手写体图像对应的内容。通过采用宽度学习算法模型几分钟内就能重建模型,训练时间少,手写体识别效率、准确率和稳定性高,同时可实现离线识别,使用方便,当识别准确率达不到预期目标,可以通过增加增强节点来重新训练,只需计算新增的增强节点数据,重新训练模型时间短、效率高,而且该系统包括依次导通连接的手写体数据获取模块、数据处理模块、宽度学习算法引擎和输出模块,结构简单,硬件平台性能要求低,实施容易。
Description
技术领域
本发明属于字体识别技术领域,特别涉及一种基于宽度学习算法的手写体识别方法及系统。
背景技术
目前,随着人工智能、计算机技术的快速发展,已经提出了很多手写体的识别方法,例如基于支持向量机的算法、基于神经网络的算法等。但申请人发现:由于手写体数字或字符存在掺杂了因人而异的书写习惯特点,导致各类算法的识别效果不够理想,不够高效,且对计算资源有较高的要求。
发明内容
为解决现有技术中存在的上述问题,本发明提供了一种模型训练时间少,识别效率、准确率和稳定性高,同时实现离线识别,使用方便,且当手写体识别准确率达不到预期目标时只需增加增强节点来重新训练,重新训练模型时间短、效率高的基于宽度学习算法的手写体识别方法,以及实现该基于宽度学习算法的手写体识别方法的识别系统。
为解决上述技术问题,本发明采用如下技术方案:
一种基于宽度学习算法的手写体识别方法,包括有以下步骤:
宽度学习算法模型训练;
获取待识别手写体图像;
将所述待识别手写体图像转化为数字矩阵;
将所述数字矩阵输入到训练好的宽度学习算法模型中进行识别;
得到该手写体图像对应的内容。
进一步地,所述“宽度学习算法模型训练”具体包括以下步骤:
收集模型训练手写体图像数据——收集大量手写体图像,构建算法模型的训练数据;
构建映射特征点矩阵——处理模型训练手写体图像数据,得到原始输入矩阵和原始输出矩阵,构建映射特征点矩阵;
构建增强点矩阵——利用映射特征点矩阵,经过处理构建增强点矩阵;
模型训练——用伪逆计算和岭回归算法得到输入层到输出层的权重矩阵,完成算法模型的训练。
进一步地,所述“处理模型训练手写体图像数据,得到原始输入矩阵和原始输出矩阵,构建映射特征点矩阵”具体为:首先将输入的模型训练手写体图像依次经过标准化和归一化处理,得到输入训练数据矩阵,然后利用宽度学习方法对所述输入训练数据矩阵进行标准化、归一化和稀疏化表示,生成特征节点,构建映射特征点矩阵。
进一步地,对输入的模型训练手写体图像进行标准化、归一化处理后还可进行增广处理。
进一步地,所述“利用映射特征点矩阵,经过处理构建增强点矩阵”具体为:利用宽度学习方法对所述映射特征点矩阵进行标准化、归一化和稀疏化表示,生成增强节点,构建增强点矩阵。
进一步地,所述“收集大量手写体图像,构建算法模型的训练数据”具体为:将手写体图像分为训练数据集XTrain、验证数据集XIncre和测试数据集Xtest,并对训练数据集XTrain、验证数据集XIncre和测试数据集Xtest进行z分数归一化和稀疏化表示。
进一步地,在构建映射特征点矩阵时利用宽度学习方法对训练数据集XTrain得到的训练数据矩阵进行标准化、归一化和稀疏化表示,生成特征节点Zi=φ(XWei+βei),i=1,…,n,并标记特征层为Zi=[Z1,…,Zi],其中Wei是适当维度的随机权重矩阵,由呈高斯分布的随机权重矩阵ωe生成,i表示迭代量。
进一步地,在构建增强点矩阵时,基于映射特征点矩阵直接计算生成增强节点Hj=φ(ZiWhj+βhj),j=1,…,n,并标记增强层为Hj=[H1,…,Hj]。
进一步地,所述“用伪逆计算和岭回归算法得到输入层到输出层的权重矩阵”具体为:首先将手写体图像的实际内容定义为标签向量Y,是已知的数据;然后将上述特征层和增强层合并成A=[Z|H],竖线表示将特征层和增强层合并成一行,并使用伪逆和岭回归算法计算权重W=A-1Y;最后完成模型的初始训练后,利用验证数据集XIncre和测试数据集Xtest验证和调试模型的拟合情况和数据泛化能力,达到预期指标后完成模型的训练。
一种基于宽度学习算法的手写体识别系统,包括依次导通连接的手写体数据获取模块、数据处理模块、宽度学习算法引擎和输出模块;其中,
所述手写体数据获取模块,用于输入模型训练手写体图像和待识别手写体图像,分别用于构建训练集用、完成宽度学习算法模型训练和利用本系统进行手写体的识别;
所述数据处理模块,用于将模型训练手写体图像依次经过z分数标准化、归一化和增广处理,得到输入训练数据矩阵;
所述宽度学习算法引擎,是本系统的核心层,用于对所述输入训练数据矩阵进行归一化和稀疏化表示,生成特征节点和增强节点,构建映射特征点矩阵和增强点矩阵,并通过伪逆计算和岭回归算法得出权重矩阵,找到输入与输出的关系,得出手写体图像的识别结果。
本发明主要具有以下有益效果:
本发明所述基于宽度学习算法的手写体识别方法通过上述技术方案,即可有效节约训练时间,大大提高手写体识别的效率、准确率和稳定性,同时实现离线手写体的识别,使用方便,而且当手写体识别准确率达不到预期目标,可以通过增加增强节点来重新训练,只需计算新增加的增强节点数据,重新训练模型时间短、效率高。
另外,所述基于宽度学习算法的手写体识别系统的结构简单,运行硬件平台性能要求低,实施容易,有利于普及推广应用。
附图说明
图1是本发明实施例所述一种基于宽度学习算法的手写体识别方法的流程示意图;
图2是本发明实施例所述一种基于宽度学习算法的手写体识别方法中完成宽度学习算法模型训练的流程示意图;
图3是本发明实施例所述一种基于宽度学习算法的手写体识别系统的结构示意框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1和2中所示,本发明实施例所述的一种基于宽度学习算法的手写体识别方法,包括有以下步骤:
步骤S100、宽度学习算法模型训练;
步骤S200、获取待识别手写体图像,可通过web页面导入待识别手写体图像或通过调用摄像头拍摄等方式获取;
步骤S300、将所述待识别手写体图像转化为数字矩阵;
步骤S400、将所述数字矩阵输入到训练好的宽度学习算法模型中进行识别;
步骤S500、得到该手写体图像对应的内容。
其中,所述“宽度学习算法模型训练”具体包括以下步骤:
步骤S101、收集模型训练手写体图像数据——收集大量手写体图像,构建算法模型的训练数据,具体为:将手写体图像分为训练数据集XTrain、验证数据集XIncre和测试数据集Xtest,并对训练数据集XTrain、验证数据集XIncre和测试数据集Xtest进行归一化和稀疏化表示,其中该手写体图像可通过web页面导入待识别手写体图像或通过调用摄像头拍摄等方式获取;
步骤S102、构建映射特征点矩阵——处理模型训练手写体图像数据,得到原始输入矩阵和原始输出矩阵,构建映射特征点矩阵,具体为:首先将输入的模型训练手写体图像依次经过标准化、归一化和增广处理训(当然也可以只对输入的模型训练手写体图像依次经过标准化和归一化处理),得到输入训练数据矩阵,然后利用宽度学习方法(该宽度学习方法属于现有技术,是由C.L.Philip Chen和Liu在2017年提出的一种机器学习算法,该宽度学习算法只有2层,即:输入层和输出层)对所述输入训练数据矩阵进行归一化和稀疏化表示,生成特征节点,构建映射特征点矩阵,即:在构建映射特征点矩阵时利用宽度学习方法对训练数据集XTrain得到的训练数据矩阵进行归一化和稀疏化表示,生成特征节点Zi=φ(XWei+βei),i=1,…,n,并标记特征层为Zi=[Z1,…,Zi],其中Wei是适当维度的随机权重矩阵,由呈高斯分布的随机权重矩阵ωe生成,i表示迭代量;
步骤S103、构建增强点矩阵——利用映射特征点矩阵,经过处理构建增强点矩阵,具体为:利用宽度学习方法对所述映射特征点矩阵进行归一化和稀疏化表示,生成增强节点,构建增强点矩阵,即:在构建增强点矩阵时,基于映射特征点矩阵直接计算生成增强节点Hj=φ(ZiWhj+βhj),j=1,…,n,并标记增强层为Hj=[H1,…,Hj];
步骤S104、模型训练——用伪逆计算和岭回归算法得到输入层到输出层的权重矩阵,完成算法模型的训练,即实现了对手写体的识别,具体为:首先将手写体图像的实际内容定义为标签向量Y,是已知的数据;然后将上述特征层和增强层合并成A=[Z|H],竖线表示将特征层和增强层合并成一行,并使用伪逆和岭回归算法计算权重W=A-1Y;最后完成模型的初始训练后,利用验证数据集XIncre和测试数据集Xtest验证和调试模型的拟合情况和数据泛化能力,达到预期指标后完成模型的训练。
本发明所述的一种基于宽度学习算法的手写体识别方法,通过采用宽度学习算法模型只需几分钟内就能重建模型,有效地节约训练时间,大大提高手写体识别的效率、准确率和稳定性,同时可实现离线(脱机)手写体的识别,无需联网,使用十分方便,而且当手写体识别准确率达不到预期目标,可以通过增加增强节点来重新训练,不需要计算整个网络,只需计算新增加的增强节点数据,重新训练模型的时间短、效率高。
如图3中所示,本发明还提供了一种基于宽度学习算法的手写体识别系统,包括依次导通连接的手写体数据获取模块1、数据处理模块2、宽度学习算法引擎3和输出模块4。其中,所述手写体数据获取模块1主要用于输入模型训练手写体图像和待识别手写体图像,分别用于构建训练集用、完成宽度学习算法模型训练和利用本系统进行手写体的识别;所述数据处理模块2主要用于将模型训练手写体图像依次经过标准化、归一化和增广处理,得到输入训练数据矩阵;所述宽度学习算法引擎3是本系统的核心层,主要用于对所述输入训练数据矩阵进行归一化和稀疏化表示,生成特征节点和增强节点,构建映射特征点矩阵和增强点矩阵,并通过求解伪逆的方法得出权重矩阵,找到输入与输出的关系,得出手写体图像的识别结果。例如:本发明所述基于宽度学习算法的手写体识别系统可以是一个web页面工具,用户通过web页面导入待识别手写体图片或通过调用摄像头拍摄待识别手写体图像,然后点击识别按键自动计算得到识别结果(即:本发明上述基于宽度学习算法的手写体识别方法,其中宽度学习算法模型训练的过程是在后台完成,用户不可见)。
本发明所述基于宽度学习算法的手写体识别系统的结构简单,运行硬件平台性能要求低,比如采用智能手机、智能车载电脑等智能设备即可正常运行,实施容易,有利于普及推广应用。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于宽度学习算法的手写体识别方法,其特征在于,包括有以下步骤:
宽度学习算法模型训练;
获取待识别手写体图像;
将所述待识别手写体图像转化为数字矩阵;
将所述数字矩阵输入到训练好的宽度学习算法模型中进行识别;
得到该手写体图像对应的内容。
2.根据权利要求1所述的基于宽度学习算法的手写体识别方法,其特征在于,所述“宽度学习算法模型训练”具体包括以下步骤:
收集模型训练手写体图像数据——收集大量手写体图像,构建算法模型的训练数据;
构建映射特征点矩阵——处理模型训练手写体图像数据,得到原始输入矩阵和原始输出矩阵,构建映射特征点矩阵;
构建增强点矩阵——利用映射特征点矩阵,经过处理构建增强点矩阵;
模型训练——用伪逆计算和岭回归算法得到输入层到输出层的权重矩阵,完成算法模型的训练。
3.根据权利要求2所述的基于宽度学习算法的手写体识别方法,其特征在于,所述“处理模型训练手写体图像数据,得到原始输入矩阵和原始输出矩阵,构建映射特征点矩阵”具体为:首先将输入的模型训练手写体图像依次经过标准化和归一化处理,得到输入训练数据矩阵,然后利用宽度学习方法对所述输入训练数据矩阵进行标准化、归一化和稀疏化表示,生成特征节点,构建映射特征点矩阵。
4.根据权利要求3所述的基于宽度学习算法的手写体识别方法,其特征在于,对输入的模型训练手写体图像进行标准化、归一化处理后进行增广处理。
5.根据权利要求2所述的基于宽度学习算法的手写体识别方法,其特征在于,所述“利用映射特征点矩阵,经过处理构建增强点矩阵”具体为:利用宽度学习方法对所述映射特征点矩阵进行标准化、归一化和稀疏化表示,生成增强节点,构建增强点矩阵。
6.根据权利要求2或3或4或5所述的基于宽度学习算法的手写体识别方法,其特征在于,所述“收集大量手写体图像,构建算法模型的训练数据”具体为:将手写体图像分为训练数据集XTrain、验证数据集XIncre和测试数据集Xtest,并对训练数据集XTrain、验证数据集XIncre和测试数据集Xtest进行z分数归一化和稀疏化表示。
7.根据权利要求6所述的基于宽度学习算法的手写体识别方法,其特征在于,在构建映射特征点矩阵时利用宽度学习方法对训练数据集XTrain得到的训练数据矩阵进行标准化、归一化和稀疏化表示,生成特征节点Zi=φ(XWei+βei),i=1,…,n,并标记特征层为Zi=[Z1,…,Zi],其中Wei是适当维度的随机权重矩阵,由呈高斯分布的随机权重矩阵ωe生成,i表示迭代量。
8.根据权利要求7所述的基于宽度学习算法的手写体识别方法,其特征在于,在构建增强点矩阵时,基于映射特征点矩阵直接计算生成增强节点Hj=φ(ZiWhj+βhj),j=1,…,n,并标记增强层为Hj=[H1,…,Hj]。
9.根据权利要求8所述的基于宽度学习算法的手写体识别方法,其特征在于,所述“用伪逆计算和岭回归算法得到输入层到输出层的权重矩阵”具体为:首先将手写体图像的实际内容定义为标签向量Y,是已知的数据;然后将上述特征层和增强层合并成A=[Z|H],竖线表示将特征层和增强层合并成一行,并使用伪逆和岭回归算法计算权重W=A-1Y;最后完成模型的初始训练后,利用验证数据集XIncre和测试数据集Xtest验证和调试模型的拟合情况和数据泛化能力,达到预期指标后完成模型的训练。
10.一种基于宽度学习算法的手写体识别系统,其特征在于,包括依次导通连接的手写体数据获取模块(1)、数据处理模块(2)、宽度学习算法引擎(3)和输出模块(4);其中,
所述手写体数据获取模块(1),用于输入模型训练手写体图像和待识别手写体图像,分别用于构建训练集用、完成宽度学习算法模型训练和利用本系统进行手写体的识别;
所述数据处理模块(2),用于将模型训练手写体图像依次经过z分数标准化、归一化和增广处理,得到输入训练数据矩阵;
所述宽度学习算法引擎(3),是本系统的核心层,用于对所述输入训练数据矩阵进行归一化和稀疏化表示,生成特征节点和增强节点,构建映射特征点矩阵和增强点矩阵,并通过伪逆计算和岭回归算法得出权重矩阵,找到输入与输出的关系,得出手写体图像的识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010081570.3A CN111444759A (zh) | 2020-02-06 | 2020-02-06 | 一种基于宽度学习算法的手写体识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010081570.3A CN111444759A (zh) | 2020-02-06 | 2020-02-06 | 一种基于宽度学习算法的手写体识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111444759A true CN111444759A (zh) | 2020-07-24 |
Family
ID=71627039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010081570.3A Pending CN111444759A (zh) | 2020-02-06 | 2020-02-06 | 一种基于宽度学习算法的手写体识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111444759A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112152806A (zh) * | 2020-09-25 | 2020-12-29 | 青岛大学 | 一种云辅助且支持隐私保护的图像识别方法、装置及设备 |
CN112308159A (zh) * | 2020-11-05 | 2021-02-02 | 湖南科技大学 | 基于预测增量宽度学习的图像识别分类方法 |
CN113591653A (zh) * | 2021-07-22 | 2021-11-02 | 中南大学 | 一种基于宽度学习系统的增量式锌浮选工况判别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734301A (zh) * | 2017-06-29 | 2018-11-02 | 澳门大学 | 一种机器学习方法和机器学习装置 |
CN109492766A (zh) * | 2018-11-07 | 2019-03-19 | 西安交通大学 | 一种基于最小p范数的宽度学习方法 |
-
2020
- 2020-02-06 CN CN202010081570.3A patent/CN111444759A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734301A (zh) * | 2017-06-29 | 2018-11-02 | 澳门大学 | 一种机器学习方法和机器学习装置 |
CN109492766A (zh) * | 2018-11-07 | 2019-03-19 | 西安交通大学 | 一种基于最小p范数的宽度学习方法 |
Non-Patent Citations (1)
Title |
---|
C.L.PHILIP CHEN 等: "Broad Learning System: An Effective and Efficient Incremental Learning System Without the Need for Deep Architecture", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112152806A (zh) * | 2020-09-25 | 2020-12-29 | 青岛大学 | 一种云辅助且支持隐私保护的图像识别方法、装置及设备 |
CN112152806B (zh) * | 2020-09-25 | 2023-07-18 | 青岛大学 | 一种云辅助且支持隐私保护的图像识别方法、装置及设备 |
CN112308159A (zh) * | 2020-11-05 | 2021-02-02 | 湖南科技大学 | 基于预测增量宽度学习的图像识别分类方法 |
CN113591653A (zh) * | 2021-07-22 | 2021-11-02 | 中南大学 | 一种基于宽度学习系统的增量式锌浮选工况判别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | $ L1 $-norm batch normalization for efficient training of deep neural networks | |
CN111444759A (zh) | 一种基于宽度学习算法的手写体识别方法及系统 | |
Liu et al. | Incdet: In defense of elastic weight consolidation for incremental object detection | |
CN106022363B (zh) | 一种适用于自然场景下的中文文字识别方法 | |
Liao et al. | Learning stochastic differential equations using RNN with log signature features | |
CN109920021B (zh) | 一种基于正则化宽度学习网络的人脸素描合成方法 | |
CN111476749B (zh) | 基于人脸关键点引导式生成对抗网络的人脸修复方法 | |
CN117454495B (zh) | 一种基于建筑草图轮廓序列的cad矢量模型生成方法及装置 | |
CN113869508A (zh) | 一种光神经网络训练方法、系统、存储介质及设备 | |
CN110020718A (zh) | 基于变分推断的逐层神经网络剪枝方法和系统 | |
CN111210382A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
Guo et al. | Scheme for automatic differentiation of complex loss functions with applications in quantum physics | |
Choo et al. | Learning framework of multimodal Gaussian–Bernoulli RBM handling real-value input data | |
Ying et al. | PSigmoid: Improving squeeze-and-excitation block with parametric sigmoid | |
CN113850298A (zh) | 一种图像识别方法、装置及相关设备 | |
Chen et al. | A finger vein recognition algorithm based on deep learning | |
CN107766076A (zh) | 一种概率选择的软件模块聚类方法 | |
CN115841596B (zh) | 多标签图像分类方法及其模型的训练方法、装置 | |
CN115546848A (zh) | 一种对抗生成网络训练方法、跨设备掌纹识别方法及系统 | |
CN114140848A (zh) | 基于knn和dsn的微表情识别方法、系统、设备及存储介质 | |
Wang et al. | APST-Flow: A Reversible Network-Based Artistic Painting Style Transfer Method. | |
CN111401141B (zh) | 一种基于骨架的3d手势估计方法 | |
Sun et al. | Hiabp: Hierarchical initialized abp for unsupervised representation learning | |
CN114218365B (zh) | 一种机器阅读理解方法、系统、计算机及存储介质 | |
CN115082295B (zh) | 一种基于自注意力机制的图像编辑方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200724 |