CN111523393A - 一种斑马鱼幼鱼方向姿态确定方法及系统 - Google Patents
一种斑马鱼幼鱼方向姿态确定方法及系统 Download PDFInfo
- Publication number
- CN111523393A CN111523393A CN202010227352.6A CN202010227352A CN111523393A CN 111523393 A CN111523393 A CN 111523393A CN 202010227352 A CN202010227352 A CN 202010227352A CN 111523393 A CN111523393 A CN 111523393A
- Authority
- CN
- China
- Prior art keywords
- neural network
- determining
- fish
- zebra fish
- juvenile fish
- 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
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Abstract
本发明涉及一种斑马鱼幼鱼方向姿态确定方法及系统。该方法包括:采集设定数量的斑马鱼幼鱼显微照片,将斑马鱼幼鱼显微照片作为神经网络训练样本,神经网络训练样本要求多种相同数量的各种姿态的样本;对神经网络训练样本进行打标签操作,得到各神经网络训练样本对应的标签;将神经网络训练样本和对应的标签输入神经网络进行训练,得到训练后的神经网络模型;获取待预测斑马鱼幼鱼各个角度的显微图像;将各显微图像输入训练后的神经网络模型,得到对应的输出值;根据各输出值,确定斑马鱼幼鱼的最佳注射姿态。本发明能够不受幼鱼个体差异影响,得到斑马鱼幼鱼的最佳注射姿态。
Description
技术领域
本发明涉及斑马鱼幼鱼方向姿态确定领域,特别是涉及一种斑马鱼幼鱼方向姿态确定方法及系统。
背景技术
在显微注射过程中,某些情况下由于注射针的空间位置相对固定,需要将幼鱼身体旋转到特定角度才能顺利完成心脏注射。传统方法通过显微镜视野中的各器官位置关系来估计幼鱼身体旋转角度。然而这种方法受幼鱼个体差异影响较大且十分复杂。
发明内容
本发明的目的是提供一种斑马鱼幼鱼方向姿态确定方法及系统,能够不受幼鱼个体差异影响,得到斑马鱼幼鱼的最佳注射姿态。
为实现上述目的,本发明提供了如下方案:
一种斑马鱼幼鱼方向姿态确定方法,包括:
采集设定数量的斑马鱼幼鱼显微照片,将所述斑马鱼幼鱼显微照片作为神经网络训练样本,所述神经网络训练样本包含多种相同数量的各种姿态的样本;
对所述神经网络训练样本进行打标签操作,得到各所述神经网络训练样本对应的标签;
将所述神经网络训练样本和对应的所述标签输入神经网络进行训练,得到训练后的神经网络模型;
获取待预测斑马鱼幼鱼各个角度的显微图像;
将各所述显微图像输入所述训练后的神经网络模型,得到对应的输出值;
根据各所述输出值,确定斑马鱼幼鱼的最佳注射姿态。
可选的,所述对所述神经网络训练样本进行打标签操作,具体包括:
对所述神经网络训练样本符合注射条件的训练样本标注为1,不符合注射条件的训练样本标注为0,所述注射条件为斑马鱼幼鱼的心脏朝右。
可选的,所述将所述神经网络训练样本和对应的所述标签输入神经网络进行训练,得到训练后的神经网络模型,具体包括:
将所述神经网络训练样本和对应的所述标签输入卷积神经网络进行训练,得到训练后的卷积神经网络模型。
可选的,所述输出值的范围为0-1。
可选的,所述根据各所述输出值,确定斑马鱼幼鱼的最佳注射姿态,具体包括:
确定各所述输出值的最大值;
根据所述最大值,确定斑马鱼幼鱼的最佳注射姿态。
一种斑马鱼幼鱼方向姿态确定系统,包括:
训练样本采集模块,用于采集设定数量的斑马鱼幼鱼显微照片,将所述斑马鱼幼鱼显微照片作为神经网络训练样本,所述神经网络训练样本包含多种相同数量的各种姿态的样本;
标签操作模块,用于对所述神经网络训练样本进行打标签操作,得到各所述神经网络训练样本对应的标签;
网络训练模块,用于将所述神经网络训练样本和对应的所述标签输入神经网络进行训练,得到训练后的神经网络模型;
显微图像获取模块,用于获取待预测斑马鱼幼鱼各个角度的显微图像;
输出值确定模块,用于将各所述显微图像输入所述训练后的神经网络模型,得到对应的输出值;
最佳注射姿态确定模块,用于根据各所述输出值,确定斑马鱼幼鱼的最佳注射姿态。
可选的,所述标签操作模块,具体包括:
标签操作单元,用于对所述神经网络训练样本符合注射条件的训练样本标注为1,不符合注射条件的训练样本标注为0,所述注射条件为斑马鱼幼鱼的心脏朝右。
可选的,所述网络训练模块,具体包括:
网络训练单元,用于将所述神经网络训练样本和对应的所述标签输入卷积神经网络进行训练,得到训练后的卷积神经网络模型。
可选的,所述输出值的范围为0-1。
可选的,所述最佳注射姿态确定模块,具体包括:
最大值确定单元,用于确定各所述输出值的最大值;
最佳注射姿态确定单元,用于根据所述最大值,确定斑马鱼幼鱼的最佳注射姿态。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供一种斑马鱼幼鱼方向姿态确定方法及系统。通过采集设定数量的斑马鱼幼鱼显微照片,将斑马鱼幼鱼显微照片作为神经网络训练样本;对神经网络训练样本进行打标签操作,得到各神经网络训练样本对应的标签;将神经网络训练样本和对应的标签输入神经网络进行训练,得到训练后的神经网络模型;获取待预测斑马鱼幼鱼各个角度的显微图像;将各显微图像输入训练后的神经网络模型,得到对应的输出值;根据各输出值,确定斑马鱼幼鱼的最佳注射姿态。上述方法不受幼鱼个体差异影响,因此避免了传统方法通过显微镜视野中的各器官位置关系来估计幼鱼身体旋转角度带来的受幼鱼个体差异影响较大且计算复杂的问题,能够得到斑马鱼幼鱼的最佳注射姿态,顺利完成心脏注射。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明斑马鱼幼鱼方向姿态确定方法流程图;
图2为本发明不同姿态下的幼鱼显微照片;
图3为本发明从原始图像中提取感兴趣区域示意图;
图4为本发明神经网络的具体形式示意图;
图5为本发明神经网络预测输出示意图;
图6为本发明中神经网络所用激活函数示意图;
图7为本发明斑马鱼幼鱼方向姿态确定系统结构图。
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。
本发明的目的是提供一种斑马鱼幼鱼方向姿态确定方法及系统,能够不受幼鱼个体差异影响,得到斑马鱼幼鱼的最佳注射姿态。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明斑马鱼幼鱼方向姿态确定方法流程图。如图1所示,一种斑马鱼幼鱼方向姿态确定方法包括:
步骤101:采集设定数量的斑马鱼幼鱼显微照片,将所述斑马鱼幼鱼显微照片作为神经网络训练样本,所述神经网络训练样本包含多种相同数量的各种姿态的样本。图2为本发明不同姿态下的幼鱼显微照片。
斑马鱼幼鱼身体的合适朝向与注射针的实际位置有关。为方便起见,本发明假设注射针均在视野右侧。
步骤102:对所述神经网络训练样本进行打标签操作,得到各所述神经网络训练样本对应的标签,具体包括:
对所述神经网络训练样本符合注射条件的训练样本标注为1,不符合注射条件的训练样本标注为0,所述注射条件为斑马鱼幼鱼的心脏朝右。
步骤103:将所述神经网络训练样本和对应的所述标签输入神经网络进行训练,得到训练后的神经网络模型,具体包括:
将所述神经网络训练样本和对应的所述标签输入卷积神经网络进行训练,得到训练后的卷积神经网络模型。
为降低计算成本,神经网络训练时选取的是只包含心脏轮廓及其附近有限区域内的图像(感兴趣区域)作为神经网络训练样本。若无特殊说明,本发明出现的坐标均为在在感兴趣区域内的相对坐标。图3为本发明从原始图像中提取感兴趣区域示意图。
在以上卷积神经网络的训练中,所选用的是非线性激活函数:
f(x)=x+=max(0,x)
对整流函数进行平滑的近似,可以得到如下的解析函数,该函数被称作softplus函数:
f(x)=ln(1+ex)
softplus函数的导数为:
所选用的优化方法为梯度下降法,梯度下降法是基于以下想法而提出的:F(x)是定义在a点邻域并且可导的多元函数,若自变量与沿着F(x)在a点梯度负值的方向移动,即在高维空间所对应方向,则F(x)的值减小的速度最快。因此,
若
当γ足够小时,则F(an)>F(an+1)。换句话说,这一项应从a中减去,因为希望自变量向着与梯度相反的方向移动,进而使待优化的函数达到极小值。综合以上考虑,若自变量从某个猜测的极小值点x0开始变化,并考虑以下序列x0,x1,x2,...,使得
有
F(x0)≥F(x1)≥F(x2)≥...
因此在希望状态下序列xn将收敛于预期的局部极小值。并且需要注意步长的大小γ在每一次的迭代中都允许被改变。在这种情况下,该算法可以实现目标函数最终收敛到局部极小值。当F为凸函数时,所有的局部极小值同时也是全局极小值,所以在这种情况下函数最终可以收敛到全局最优解。
图4为本发明神经网络的具体形式示意图。
步骤104:获取待预测斑马鱼幼鱼各个角度的显微图像。
步骤105:将各所述显微图像输入所述训练后的神经网络模型,得到对应的输出值,所述输出值的范围为0-1。图5为本发明神经网络预测输出示意图。
步骤106:根据各所述输出值,确定斑马鱼幼鱼的最佳注射姿态,具体包括:
确定各所述输出值的最大值。
根据所述最大值,确定斑马鱼幼鱼的最佳注射姿态。
采用本发明能够将卷积神经网络的概率模型取代了实际的姿态角度,稳定性更强,同时能够简化算法复杂性。本发明能够不受幼鱼个体差异影响,得到斑马鱼幼鱼的最佳注射姿态,从而提高斑马鱼幼鱼方向姿态确定的精度。
本发明还提供一种斑马鱼幼鱼方向姿态确定系统。图7为本发明斑马鱼幼鱼方向姿态确定系统结构图。如图7所示,一种斑马鱼幼鱼方向姿态确定系统包括:
训练样本采集模块201,用于采集设定数量的斑马鱼幼鱼显微照片,将所述斑马鱼幼鱼显微照片作为神经网络训练样本,所述神经网络训练样本包含多种相同数量的各种姿态的样本。
标签操作模块202,用于对所述神经网络训练样本进行打标签操作,得到各所述神经网络训练样本对应的标签。
网络训练模块203,用于将所述神经网络训练样本和对应的所述标签输入神经网络进行训练,得到训练后的神经网络模型。
显微图像获取模块204,用于获取待预测斑马鱼幼鱼各个角度的显微图像。
输出值确定模块205,用于将各所述显微图像输入所述训练后的神经网络模型,得到对应的输出值,所述输出值的范围为0-1。
最佳注射姿态确定模块206,用于根据各所述输出值,确定斑马鱼幼鱼的最佳注射姿态。
所述标签操作模块202,具体包括:
标签操作单元,用于对所述神经网络训练样本符合注射条件的训练样本标注为1,不符合注射条件的训练样本标注为0,所述注射条件为斑马鱼幼鱼的心脏朝右。
所述网络训练模块203,具体包括:
网络训练单元,用于将所述神经网络训练样本和对应的所述标签输入卷积神经网络进行训练,得到训练后的卷积神经网络模型。
所述最佳注射姿态确定模块206,具体包括:
最大值确定单元,用于确定各所述输出值的最大值。
最佳注射姿态确定单元,用于根据所述最大值,确定斑马鱼幼鱼的最佳注射姿态。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种斑马鱼幼鱼方向姿态确定方法,其特征在于,包括:
采集设定数量的斑马鱼幼鱼显微照片,将所述斑马鱼幼鱼显微照片作为神经网络训练样本,所述神经网络训练样本包含多种相同数量的各种姿态的样本;
对所述神经网络训练样本进行打标签操作,得到各所述神经网络训练样本对应的标签;
将所述神经网络训练样本和对应的所述标签输入神经网络进行训练,得到训练后的神经网络模型;
获取待预测斑马鱼幼鱼各个角度的显微图像;
将各所述显微图像输入所述训练后的神经网络模型,得到对应的输出值;
根据各所述输出值,确定斑马鱼幼鱼的最佳注射姿态。
2.根据权利要求1所述的斑马鱼幼鱼方向姿态确定方法,其特征在于,所述对所述神经网络训练样本进行打标签操作,具体包括:
对所述神经网络训练样本符合注射条件的训练样本标注为1,不符合注射条件的训练样本标注为0,所述注射条件为斑马鱼幼鱼的心脏朝右。
3.根据权利要求1所述的斑马鱼幼鱼方向姿态确定方法,其特征在于,所述将所述神经网络训练样本和对应的所述标签输入神经网络进行训练,得到训练后的神经网络模型,具体包括:
将所述神经网络训练样本和对应的所述标签输入卷积神经网络进行训练,得到训练后的卷积神经网络模型。
4.根据权利要求1所述的斑马鱼幼鱼方向姿态确定方法,其特征在于,所述输出值的范围为0-1。
5.根据权利要求1所述的斑马鱼幼鱼方向姿态确定方法,其特征在于,所述根据各所述输出值,确定斑马鱼幼鱼的最佳注射姿态,具体包括:
确定各所述输出值的最大值;
根据所述最大值,确定斑马鱼幼鱼的最佳注射姿态。
6.一种斑马鱼幼鱼方向姿态确定系统,其特征在于,包括:
训练样本采集模块,用于采集设定数量的斑马鱼幼鱼显微照片,将所述斑马鱼幼鱼显微照片作为神经网络训练样本,所述神经网络训练样本包含多种相同数量的各种姿态的样本;
标签操作模块,用于对所述神经网络训练样本进行打标签操作,得到各所述神经网络训练样本对应的标签;
网络训练模块,用于将所述神经网络训练样本和对应的所述标签输入神经网络进行训练,得到训练后的神经网络模型;
显微图像获取模块,用于获取待预测斑马鱼幼鱼各个角度的显微图像;
输出值确定模块,用于将各所述显微图像输入所述训练后的神经网络模型,得到对应的输出值;
最佳注射姿态确定模块,用于根据各所述输出值,确定斑马鱼幼鱼的最佳注射姿态。
7.根据权利要求6所述的斑马鱼幼鱼方向姿态确定系统,其特征在于,所述标签操作模块,具体包括:
标签操作单元,用于对所述神经网络训练样本符合注射条件的训练样本标注为1,不符合注射条件的训练样本标注为0,所述注射条件为斑马鱼幼鱼的心脏朝右。
8.根据权利要求6所述的斑马鱼幼鱼方向姿态确定系统,其特征在于,所述网络训练模块,具体包括:
网络训练单元,用于将所述神经网络训练样本和对应的所述标签输入卷积神经网络进行训练,得到训练后的卷积神经网络模型。
9.根据权利要求6所述的斑马鱼幼鱼方向姿态确定系统,其特征在于,所述输出值的范围为0-1。
10.根据权利要求6所述的斑马鱼幼鱼方向姿态确定系统,其特征在于,所述最佳注射姿态确定模块,具体包括:
最大值确定单元,用于确定各所述输出值的最大值;
最佳注射姿态确定单元,用于根据所述最大值,确定斑马鱼幼鱼的最佳注射姿态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010227352.6A CN111523393B (zh) | 2020-03-27 | 2020-03-27 | 一种斑马鱼幼鱼方向姿态确定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010227352.6A CN111523393B (zh) | 2020-03-27 | 2020-03-27 | 一种斑马鱼幼鱼方向姿态确定方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111523393A true CN111523393A (zh) | 2020-08-11 |
CN111523393B CN111523393B (zh) | 2023-05-09 |
Family
ID=71910380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010227352.6A Active CN111523393B (zh) | 2020-03-27 | 2020-03-27 | 一种斑马鱼幼鱼方向姿态确定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523393B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112464744A (zh) * | 2020-11-09 | 2021-03-09 | 湖北省农业科学院农产品加工与核农技术研究所 | 一种鱼姿态识别方法 |
CN112669380A (zh) * | 2020-12-25 | 2021-04-16 | 宁波智能装备研究院有限公司 | 一种显微操作系统中目标姿态控制方法及系统 |
CN113528583A (zh) * | 2021-07-15 | 2021-10-22 | 澳门大学 | 自动化显微注射方法、装置、系统、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160051353A1 (en) * | 2014-08-20 | 2016-02-25 | Massachusetts Institute Oftechnology | High-Throughput Organ-Targeted Microinjection System |
CN109730799A (zh) * | 2019-01-04 | 2019-05-10 | 哈尔滨工业大学 | 斑马鱼幼鱼的自动输送和调整姿态系统 |
US20190292567A1 (en) * | 2018-03-26 | 2019-09-26 | University Of Macau | Cell microinjection system with force feedback |
WO2019211594A1 (en) * | 2018-04-30 | 2019-11-07 | The University Of Birmingham | Intracytoplasmic sperm injection |
-
2020
- 2020-03-27 CN CN202010227352.6A patent/CN111523393B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160051353A1 (en) * | 2014-08-20 | 2016-02-25 | Massachusetts Institute Oftechnology | High-Throughput Organ-Targeted Microinjection System |
US20190292567A1 (en) * | 2018-03-26 | 2019-09-26 | University Of Macau | Cell microinjection system with force feedback |
WO2019211594A1 (en) * | 2018-04-30 | 2019-11-07 | The University Of Birmingham | Intracytoplasmic sperm injection |
CN109730799A (zh) * | 2019-01-04 | 2019-05-10 | 哈尔滨工业大学 | 斑马鱼幼鱼的自动输送和调整姿态系统 |
Non-Patent Citations (4)
Title |
---|
KARIMIRAD F 等: "Vision-based force measurement using neural networks for biological cell microinjection" * |
尚忻忻: "基于极值搜索和模型预测控制的斑马鱼幼鱼三维形态学建模" * |
庄松霖: "面向斑马鱼幼鱼的显微操作系统关键技术研究" * |
张灵;章云;熊红艳;: "随机模糊神经网络在DNA微注射量信息融合控制中的应用" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112464744A (zh) * | 2020-11-09 | 2021-03-09 | 湖北省农业科学院农产品加工与核农技术研究所 | 一种鱼姿态识别方法 |
CN112669380A (zh) * | 2020-12-25 | 2021-04-16 | 宁波智能装备研究院有限公司 | 一种显微操作系统中目标姿态控制方法及系统 |
CN113528583A (zh) * | 2021-07-15 | 2021-10-22 | 澳门大学 | 自动化显微注射方法、装置、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111523393B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111523393A (zh) | 一种斑马鱼幼鱼方向姿态确定方法及系统 | |
CN111583207B (zh) | 一种斑马鱼幼鱼心脏轮廓确定方法及系统 | |
Jing et al. | Coarse-to-fine semantic segmentation from image-level labels | |
CN107833183B (zh) | 一种基于多任务深度神经网络的卫星图像同时超分辨和着色的方法 | |
CN110021051B (zh) | 一种基于生成对抗网络通过文本指导的人物图像生成方法 | |
Sugawara et al. | Tracking cell lineages in 3D by incremental deep learning | |
CN109299296A (zh) | 一种交互式图像文本标注方法与系统 | |
CN109063584B (zh) | 基于级联回归的面部特征点定位方法、装置、设备及介质 | |
Chao et al. | Generative adversarial nets in robotic Chinese calligraphy | |
CN108985223B (zh) | 一种人体动作识别方法 | |
CN106383912A (zh) | 一种图片检索方法和装置 | |
CN111552069A (zh) | 一种基于深度强化学习的显微图像自动聚焦方法及系统 | |
CN110096202B (zh) | 一种基于深度强化学习的轻量级图像自动裁剪系统及方法 | |
Xu et al. | Stochastic dynamics for video infilling | |
CN112184734A (zh) | 一种基于红外图像和穿戴式光纤的动物长时间姿态识别系统 | |
CN114038037A (zh) | 基于可分离残差注意力网络的表情标签修正和识别方法 | |
Bousbai et al. | A comparative study of hand gestures recognition based on MobileNetV2 and ConvNet models | |
Zhang et al. | An improved discriminative model prediction approach to real-time tracking of objects with camera as sensors | |
Yao et al. | Contour-aware recurrent cross constraint network for salient object detection | |
Li et al. | IIE-SegNet: Deep semantic segmentation network with enhanced boundary based on image information entropy | |
CN114092699A (zh) | 基于迁移学习的群猪图像分割的方法及系统 | |
Ma et al. | Dance action generation model based on recurrent neural network | |
Xu et al. | An improvement of loop closure detection based on bow for ratslam | |
Ke | An efficient and accurate DDPG-based recurrent attention model for object localization | |
Cagli et al. | What the draughtsman's hand tells the draughtsman's eye: A sensorimotor account of drawing |
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 |