CN111553438A - 一种基于卷积神经网络的图像识别方法 - Google Patents

一种基于卷积神经网络的图像识别方法 Download PDF

Info

Publication number
CN111553438A
CN111553438A CN202010378886.9A CN202010378886A CN111553438A CN 111553438 A CN111553438 A CN 111553438A CN 202010378886 A CN202010378886 A CN 202010378886A CN 111553438 A CN111553438 A CN 111553438A
Authority
CN
China
Prior art keywords
image
layer
neural network
convolutional neural
convolutional
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Withdrawn
Application number
CN202010378886.9A
Other languages
English (en)
Inventor
朴京爱
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.)
Guangzhou Huzhi Information Consulting Co ltd
Original Assignee
Guangzhou Huzhi Information Consulting Co ltd
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 Guangzhou Huzhi Information Consulting Co ltd filed Critical Guangzhou Huzhi Information Consulting Co ltd
Priority to CN202010378886.9A priority Critical patent/CN111553438A/zh
Publication of CN111553438A publication Critical patent/CN111553438A/zh
Withdrawn legal-status Critical Current

Links

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
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • 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

Landscapes

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

Abstract

本申请公开了一种基于卷积神经网络的图像识别方法，所述方法包括获取原始图像；对所述原始图像进行预处理；将预处理后的图像输入到卷积神经网络中交替分布的卷积层和池化层，获取池化后的特征图；池化后的特征图输入到卷积神经网络中的全连接层，获取全连接层的图像特征张量；将全连接层的图像特征张量输入到卷积神经网络中的最后一层，即Softmax层，得到图像属于各个类别的概率；根据图像属于各个类别的概率，得出图像分类结果，最后输出图像分类结果，本发明通过采用卷积神经网络，并且采用预训练模式初始化权重值，具有较深网络层，能够高效的提取图像的特征，达到图像更精准的分类。

Description

一种基于卷积神经网络的图像识别方法
技术领域
本发明涉及一种基于卷积神经网络的图像识别方法，属于计算机视觉和深度学习技术领域。
背景技术
随着科学技术的发展,图像识别技术已经逐渐应用于越来越多的领域，与此同时，图像识别的准确性、可靠性和实时要求也越来越严格。卷积神经网(CNN)可以很好地用于处理图像处理和理解任务，但该模型中的BP神经网络过于简单，需要大量的训练进行多次迭代。且BP采用下行梯度训练法，使模型收敛缓慢，容易达到局部优化，影响最终识别精度。
Fu.M.Y等提出了利用Hu不变矩进行特征值提取和交通标志检测的交通标志检测方法,该方法快速可靠识别率高。但它提取的表示是低维特征和无层次信息,仅限于简单的检测和识别工作，不需要更多的图像信息。Shen X等人采用灰度共生(GLCM)来提取图像的纹理信息，并使用已学习的表示来进行识别，该方法只能将低维特征手工提取为Hu不变矩，结合其他方法进行改进。牛晓晓等提出了CNN-svm模型来识别手写数字，该方法使用SVM来提高CNN的识别精度，但它只在简单的手写数字上进行实验。现有的图像识别方案，还存在以下缺点
1.BP神经网络采用下行梯度训练法，使模型收敛缓慢，容易达到局部优化，影响最终识别精度；
2.现有的卷积神经网络(CNN)在多个图像识别中识别精度不高。
发明内容
为了解决现有技术中存在的缺点和不足，本发明提供了用于提高识别精度的图像分类方法，能够很好的提取图像的特征。
为了实现上述目的，本发明是通过如下的技术方案来实现：
本发明的一种基于卷积神经网络的图像识别方法，其特征在于，包括以下几个步骤：
获取原始图像；
对所述原始图像进行预处理；
将预处理后的图像输入到卷积神经网络中交替分布的卷积层和池化层，获取池化后的特征图；
将池化后的特征图输入到卷积神经网络中的全连接层，获取全连接层的图像特征张量；
将全连接层的图像特征张量输入到卷积神经网络中的最后一层，即Softmax层，得到图像属于各个类别的概率；
根据图像属于各个类别的概率，得出图像分类结果，最后输出图像分类结果。
优选的，所述对所述原始图像进行预处理，包括如下步骤：
步骤A1，构建原始图像的像素值：
Figure BDA0002481121860000021
其中，x代表原始图像的像素值，a11代表横纵坐标为1的点的像素值，n,k代表不同相机拍出的像素值大小，图片尺寸是不同的；
步骤A2，根据以下公式得到预处理后的图像：
Figure BDA0002481121860000031
其中，xi代表第i个原始图像的像素值，
Figure BDA0002481121860000032
代表预处理后第i个原始图像的像素值，ε代表非0常数，m代表所述原始图像的数目。
优选的，所述卷积神经网络的每个卷积层后均连接一个与所述卷积层对应的ReLU激活层，ReLU激活函数的表达式是ReLU(q)＝max(0,q)，其中q表示激活层的输出。
优选的，所述卷积层采用3×3的卷积核，步长为1，卷积层提取出的特征映射的大小为((W-F)/S)+1，其中，W是输入的大小，F是卷积核的大小，S是步长。
优选的，所述池化层的滑动窗口大小为2×2，步长为2，越界时，以0填充，采用平均池化方式进行池化。
优选的，所述卷积层为了与ReLU层的激活函数对应，所述每个激活层的节点与前一层卷积层的节点之间对应有一个权重参数。
优选的，所述卷积层都有其对应的权重矩阵参数，所述权值矩阵的初始化采用预训练初始化。
优选的，所述全连接层将池化后特征图转换成tensor张量值，全连接层每个神经元的激活函数采用ReLU函数。
所述根据以下公式得到图像属于各个类别的概率：
Figure BDA0002481121860000033
其中，z代表全连接层的输出值，Softmax的输入，C代表一共几种类别，yt代表预测对象属于第几类的概率，e代表无理数，其值是2.71828...。
优选的，所述根据图像属于各个类别的概率，得出图像分类结果，最后输出图像分类结果，包括如下步骤：
步骤A1，根据以下公式获取图像分类概率最大值：
y＝max(yt)
其中，yt代表预测对象属于第几类的概率，y代表图像分类概率最大的值；
步骤A2，根据y图像分类概率最大的值对应的类别确定图像分类结果，最终输出图像分类结果。
本申请公开了一种基于卷积神经网络的图像识别方法，所述方法包括获取原始图像；对所述原始图像进行预处理；将预处理后的图像输入到卷积神经网络中交替分布的卷积层和池化层，获取池化后的特征图；池化后的特征图输入到卷积神经网络中的全连接层，获取全连接层的图像特征张量；将全连接层的图像特征张量输入到卷积神经网络中的最后一层，即Softmax层，得到图像属于各个类别的概率；根据图像属于各个类别的概率，得出图像分类结果，最后输出图像分类结果，本发明通过采用卷积神经网络，并且采用预训练模式初始化权重值，具有较深网络层，能够高效的提取图像的特征，达到图像更精准的分类。
附图说明
图1是本发明的基于卷积神经网络的图像识别方法工作流程图；
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
如图1所示，本发明的基于卷积神经网络的图像识别方法工作流程图，包括：
S101、获取原始图像；
获取原始图像方法为手动方式采集，采用爬虫自动获取，可以采用手写爬虫或采用成熟的爬虫框架，如scrapy等。图像的来源包括：
综合社区+垂直频道，该类型网站特点话题涉及基于图像识别常用到的一些图像；
百度互联网上专用的数据集中图片，例如coco数据集、ImageNet数据集和VOC数据集等等；
专业图片类网站，该网站只收集某一品类的图像，不直接售卖该品类商品，如中关村手机图像等；
S102、对所述原始图像进行预处理；
所述对所述原始图像进行预处理，包括如下步骤：
步骤A1，构建原始图像的像素值：
Figure BDA0002481121860000051
其中，x代表原始图像的像素值，a11代表横纵坐标为1的点的像素值，n,k代表不同相机拍出的像素值大小，图片尺寸是不同的；
步骤A2，根据以下公式得到预处理后的图像：
Figure BDA0002481121860000061
其中，xi代表第i个原始图像的像素值，
Figure BDA0002481121860000062
代表预处理后的第i个图像的像素值，ε代表非0常数，m代表所述原始图像的数目。
所述预处理包括数字化、图像去噪、灰度化或归一化。
有益效果：以上算法采用了深度学习算法，此算法通过对原始图像的处理，使后期在传入卷积神经网络中可以更有效的进行特征提取，从而达到后期更精准的进行图像识别分类，通过使像素值达到均值为0，方差为1的正态分布上，可以在后期模型的训练过程使权重参数更好的拟合，使模型可以更好的适用于多种类型的图像分类，为深度学习打下了良好的基础。
S103、将预处理后的图像输入到卷积神经网络中交替分布的卷积层和池化层，获取池化后的特征图；
在本实例中，所述卷积神经网络的每个卷积层后均连接一个与所述卷积层对应的ReLU激活层，ReLU激活函数的表达式是ReLU(q)＝max(0,q)，其中q表示激活层的输出，所述卷积层采用3×3的卷积核，步长为1，卷积层提取出的特征映射的大小为((W-F)/S)+1，其中，W是输入的大小，F是卷积核的大小，S是步长，所述卷积层为了与ReLU层的激活函数对应，所述每个激活层的节点与前一层卷积层的节点之间对应有一个权重参数，通俗的讲卷积层是指人的大脑识别图片的过程中，并不是一下子整张图同时识别，而是对于图片中的每一个特征首先局部感知，然后更高层次对局部进行综合操作，从而得到全局信息，所述池化层的滑动窗口大小为2×2，步长为2，越界时，以0填充，采用平均值的池化方式，主要用于特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性。
S104、将池化后的特征图输入到卷积神经网络中的全连接层，获取全连接层的图像特征张量；
经过前面卷积+激活+池化后，终于来到了输出层，模型会将学到的一个高质量的特征图片全连接层。其实在全连接层之前，如果神经元数目过大，学习能力强，有可能出现过拟合。因此，可以引入dropout操作，来随机删除神经网络中的部分神经元，来解决此问题。还可以进行局部归一化(LRN)、数据增强等操作，来增加鲁棒性，全连接层会对前期输入图片的尺寸有要求，所以有全连接层，前期原始图像输入时的尺寸需要resize一下，卷积神经网络可以采用Alexnet，VGG或resnet50。
在本实例中，由于采用的tensorflow框架实现卷积神经网络的图像识别方法，全连接层将池化后特征图转换成tensor张量值，便于用于后面分类器及Softmax分类层，全连接层每个神经元的激活函数采用ReLU函数，还可以采用基于caffe、pytorch及keras框架实现，tensorflow只是其中一种实现方法。
S105、将全连接层的图像特征张量输入到卷积神经网络中的最后一层，即Softmax层，得到图像属于各个类别的概率；
在本实例中，所述根据以下公式得到图像属于各个类别的概率：
Figure BDA0002481121860000071
其中，z代表全连接层的输出值，Softmax的输入，C代表代表共有几种类别，yt代表预测对象属于第几类的概率，e代表无理数，其值是2.71828...。
在本实例中，Softmax回归模型是logistic回归模型在多分类问题上的推广，在多分类问题中，待分类的类别数量大于2，且类别之间互斥。比如我们的网络要完成的功能是识别0-9这10个手写数字，若最后一层的输出为[0,1,0,0,0,0,0,0,0,0]，则表明我们网络的识别结果为数字1，从Softmax的公式中，可以直观看出如果某一个zj大过其他z,那这个映射的分量就逼近于1,其他就逼近于0，并且对所有输入数据进行归一化，通过Softmax层可以计算出最后图像属于各个类别的概率，概率之和为1。
S106、根据图像属于各个类别的概率，得出图像分类结果，最后输出图像分类结果；
在本实例中，所述根据图像属于各个类别的概率，得出图像分类结果，最后输出图像分类结果，包括如下步骤：
步骤A1，根据以下公式获取图像分类概率最大值：
y＝max(yt)
其中，yt代表预测对象属于第几类的概率，y代表图像分类概率最大的值；
步骤A2，根据y图像分类概率最大的值对应的类别确定图像分类结果，最终输出图像分类结果。
在本实例中，所述整个卷积神经网络的权重参数值是非常庞大大，所以在进行图像识别是前期需要一定量的图像进行训练此卷积神经网络，其中权重参数的初始化也是最重要的，常见的参数初始化有Gaussian、Xavier和预训练方式，不可以把权重参数初始化为0，这样容易出现梯度消失或者梯度爆炸问题，Gaussian方式从具有固定均值(例如0)和固定2的标准差(例如0。01)的搞死分布中随机抽取权重，这是最常用的，Xavier通过从零均值和特定方差的分布中绘制他们来初始化网络中的权重，预训练方式是别人已经在特定的数据集(如ImageNet)上进行大量迭代训练的好的，这也是最省事，较为常用的方式。
综上所述，本申请公开了一种基于卷积神经网络的图像识别方法，所述方法包括获取原始图像；对所述原始图像进行预处理；将预处理后的图像输入到卷积神经网络中交替分布的卷积层和池化层，获取池化后的特征图；池化后的特征图输入到卷积神经网络中的全连接层，获取全连接层的图像特征张量；将全连接层的图像特征张量输入到卷积神经网络中的最后一层，即Softmax层，得到图像属于各个类别的概率；根据图像属于各个类别的概率，得出图像分类结果，最后输出图像分类结果，本发明通过采用卷积神经网络，并且采用预训练模式初始化权重值，具有较深网络层，能够高效的提取图像的特征，达到图像更精准的分类。
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。对于实施例公开的装置而言，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。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于卷积神经网络的图像识别方法，其特征在于，包括以下几个步骤：
获取原始图像；
对所述原始图像进行预处理；
将预处理后的图像输入到卷积神经网络中交替分布的卷积层和池化层，获取池化后的特征图；
将池化后的特征图输入到卷积神经网络中的全连接层，获取全连接层的图像特征张量；
将全连接层的图像特征张量输入到卷积神经网络中的最后一层，即Softmax层，得到图像属于各个类别的概率；
根据图像属于各个类别的概率，得出图像分类结果，最后输出图像分类结果。
2.根据权利要求1所述的基于卷积神经网络的图像识别方法，其特征在于，所述对所述原始图像进行预处理，包括如下步骤：
步骤A1，构建原始图像的像素值：
Figure FDA0002481121850000011
其中，x代表原始图像的像素值，a11代表横纵坐标为1的点的像素值，n,k代表不同相机拍出的像素值大小，图片尺寸是不同的；
步骤A2，根据以下公式得到预处理后的图像：
Figure FDA0002481121850000021
其中，xi代表第i个原始图像的像素值，
Figure FDA0002481121850000022
代表预处理后的第i个图像的像素值，ε代表非0常数，m代表所述原始图像的数目。
3.根据权利要求1所述的基于卷积神经网络的图像识别方法，其特征在于，所述卷积神经网络的每个卷积层后均连接一个与所述卷积层对应的ReLU激活层，ReLU激活函数的表达式是ReLU(q)＝max(0,q)，其中q表示激活层的输出。
4.根据权利要求3所述的基于卷积神经网络的图像识别方法，其特征在于，所述卷积层采用3×3的卷积核，步长为1，卷积层提取出的特征映射的大小为((W-F)/S)+1，其中，W是输入的大小，F是卷积核的大小，S是步长。
5.根据权利要求3所述的基于卷积神经网络的图像识别方法，其特征在于，所述池化层的滑动窗口大小为2×2，步长为2，越界时，以0填充，采用求平均池化方式进行池化。
6.根据权利要求4所述的基于卷积神经网络的图像识别方法，其特征在于，所述卷积层为了与ReLU层的激活函数对应，所述每个激活层的节点与前一层卷积层的节点之间对应有一个权重参数。
7.根据权利要求6所述的基于卷积神经网络的图像识别方法，其特征在于，所述卷积层都有其对应的权重矩阵参数，所述权值矩阵的初始化采用预训练初始化。
8.根据权利要求1所述的基于卷积神经网络的图像识别方法，其特征在于，所述全连接层将池化后特征图转换成tensor张量值，全连接层每个神经元的激活函数采用ReLU函数。
9.根据权利要求1所述的基于卷积神经网络的图像识别方法，其特征在于，所述根据以下公式得到图像属于各个类别的概率：
Figure FDA0002481121850000031
其中，z代表全连接层的输出值，Softmax的输入，C代表代表共有几种类别，yt代表预测对象属于第几类的概率，e代表无理数，其值是2.71828...。
10.根据权利要求9所述的基于卷积神经网络的图像识别方法，其特征在于，所述根据图像属于各个类别的概率，得出图像分类结果，最后输出图像分类结果，包括如下步骤：
步骤A1，根据以下公式获取图像分类概率最大值：
y＝max(yt)
其中，yt代表预测对象属于第几类的概率，y代表图像分类概率最大的值；
步骤A2，根据y图像分类概率最大的值对应的类别确定图像分类结果，最终输出图像分类结果。
CN202010378886.9A 2020-05-07 2020-05-07 一种基于卷积神经网络的图像识别方法 Withdrawn CN111553438A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010378886.9A CN111553438A (zh) 2020-05-07 2020-05-07 一种基于卷积神经网络的图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010378886.9A CN111553438A (zh) 2020-05-07 2020-05-07 一种基于卷积神经网络的图像识别方法

Publications (1)

Publication Number Publication Date
CN111553438A true CN111553438A (zh) 2020-08-18

Family

ID=72007978

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010378886.9A Withdrawn CN111553438A (zh) 2020-05-07 2020-05-07 一种基于卷积神经网络的图像识别方法

Country Status (1)

Country Link
CN (1) CN111553438A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112257629A (zh) * 2020-10-29 2021-01-22 广联达科技股份有限公司 一种建筑图纸的文本信息识别方法及装置
CN112733809A (zh) * 2021-02-22 2021-04-30 常灵逸 一种用于自然保护区监控系统的智能图像识别方法及系统
CN113570499A (zh) * 2021-07-21 2021-10-29 此刻启动(北京)智能科技有限公司 一种自适应图像调色方法、系统、存储介质及电子设备
CN113592013A (zh) * 2021-08-06 2021-11-02 国网新源水电有限公司富春江水力发电厂 一种基于图注意力网络的三维点云分类方法
CN113610880A (zh) * 2021-07-31 2021-11-05 云南电网有限责任公司信息中心 一种基于cnn的小尺寸模糊边界的图片自动特征提取方法
CN113743654A (zh) * 2021-08-11 2021-12-03 青岛港国际股份有限公司 自动化码头闸口车流量预警方法
CN113762205A (zh) * 2021-09-17 2021-12-07 深圳市爱协生科技有限公司 人脸图像操作痕迹检测方法、计算机设备及可读存储介质
CN114972834B (zh) * 2021-05-12 2023-09-05 中移互联网有限公司 多层次多分类器的图像分类方法及装置
CN118115979A (zh) * 2023-11-30 2024-05-31 江苏安方电力科技有限公司 一种基于卷积神经网络cnn的图像后处理优化方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112257629A (zh) * 2020-10-29 2021-01-22 广联达科技股份有限公司 一种建筑图纸的文本信息识别方法及装置
CN112733809A (zh) * 2021-02-22 2021-04-30 常灵逸 一种用于自然保护区监控系统的智能图像识别方法及系统
CN114972834B (zh) * 2021-05-12 2023-09-05 中移互联网有限公司 多层次多分类器的图像分类方法及装置
CN113570499A (zh) * 2021-07-21 2021-10-29 此刻启动(北京)智能科技有限公司 一种自适应图像调色方法、系统、存储介质及电子设备
CN113610880A (zh) * 2021-07-31 2021-11-05 云南电网有限责任公司信息中心 一种基于cnn的小尺寸模糊边界的图片自动特征提取方法
CN113592013A (zh) * 2021-08-06 2021-11-02 国网新源水电有限公司富春江水力发电厂 一种基于图注意力网络的三维点云分类方法
CN113592013B (zh) * 2021-08-06 2024-04-30 国网新源水电有限公司富春江水力发电厂 一种基于图注意力网络的三维点云分类方法
CN113743654A (zh) * 2021-08-11 2021-12-03 青岛港国际股份有限公司 自动化码头闸口车流量预警方法
CN113762205A (zh) * 2021-09-17 2021-12-07 深圳市爱协生科技有限公司 人脸图像操作痕迹检测方法、计算机设备及可读存储介质
CN118115979A (zh) * 2023-11-30 2024-05-31 江苏安方电力科技有限公司 一种基于卷积神经网络cnn的图像后处理优化方法

Similar Documents

Publication Publication Date Title
CN111553438A (zh) 一种基于卷积神经网络的图像识别方法
CN111652321B (zh) 一种基于改进yolov3算法的海上船舶检测方法
CN111325203B (zh) 一种基于图像校正的美式车牌识别方法及系统
CN110136154B (zh) 基于全卷积网络与形态学处理的遥感图像语义分割方法
CN110909820B (zh) 基于自监督学习的图像分类方法及系统
CN107967484B (zh) 一种基于多分辨率的图像分类方法
CN109359608B (zh) 一种基于深度学习模型的人脸识别方法
CN110287777B (zh) 一种自然场景下的金丝猴躯体分割算法
CN111652317B (zh) 基于贝叶斯深度学习的超参数图像分割方法
CN111291696A (zh) 一种基于卷积神经网络的手写东巴文识别方法
CN111753828A (zh) 一种基于深度卷积神经网络的自然场景水平文字检测方法
CN107871316B (zh) 基于深度神经网络的x光片手骨兴趣区域自动提取方法
CN112950780B (zh) 一种基于遥感影像的网络地图智能生成方法及系统
CN110766016B (zh) 一种基于概率神经网络的喷码字符识别方法
CN110781882A (zh) 一种基于yolo模型的车牌定位和识别方法
CN109740539B (zh) 基于超限学习机和融合卷积网络的3d物体识别方法
CN113011253B (zh) 基于ResNeXt网络的人脸表情识别方法、装置、设备及存储介质
CN109815923B (zh) 基于lbp特征与深度学习的金针菇菇头分选识别方法
CN110852358A (zh) 一种基于深度学习的车辆类型判别方法
CN113743426A (zh) 一种训练方法、装置、设备以及计算机可读存储介质
CN117437522B (zh) 一种人脸识别模型训练方法、人脸识别方法及装置
CN113378609B (zh) 代理商代签名的识别方法及装置
CN116597136A (zh) 一种半监督遥感图像语义分割方法与系统
CN114663769A (zh) 一种基于YOLO v5的水果识别方法
CN112784494A (zh) 假阳性识别模型的训练方法、目标识别方法及装置

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20200818