CN111598130A - 基于多视图卷积神经网络的中药识别方法 - Google Patents

基于多视图卷积神经网络的中药识别方法 Download PDF

Info

Publication number
CN111598130A
CN111598130A CN202010282590.7A CN202010282590A CN111598130A CN 111598130 A CN111598130 A CN 111598130A CN 202010282590 A CN202010282590 A CN 202010282590A CN 111598130 A CN111598130 A CN 111598130A
Authority
CN
China
Prior art keywords
view
neural network
model
convolutional neural
chinese medicine
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
Application number
CN202010282590.7A
Other languages
English (en)
Inventor
杨柳
文嘉
胡清华
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN202010282590.7A priority Critical patent/CN111598130A/zh
Publication of CN111598130A publication Critical patent/CN111598130A/zh
Pending 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Abstract

本发明公开了基于多视图卷积神经网络的中药识别方法，包括如下步骤：步骤S101：数据集准备，构建多视图数据集；步骤S102：构造多视图卷积神经网络模型，提取步骤S101中多视图数据集每个视图的特征；步骤S103：模型的训练和测试，首先对步骤S102中构造的神经网络模型进行参数初始化，将训练集中的图片以m个为一组输入到网络中的各个分支中，经过反向传播过程不断更新参数，在满足预设停止条件时保存模型，经过正向传播得到分类结果。本发明相比单视图而言提取到的特征更加细致全面，模型更具鲁棒性，分类结果更加准确。该方法可以直接在现有模型上做更改，代码实现简单，并且可以直接利用预训练好的模型参数，模型收敛速度快，大大减少模型的训练时间。

Description

基于多视图卷积神经网络的中药识别方法
技术领域
本发明涉及计算机视觉技术领域，特别是基于多视图卷积神经网络的中药识别方法。
背景技术
申请号为201811525966.1，发明名称为：基于双尺度卷积神经网络的中药材识别方法及系统。该发明首先通过专门设计的图像采集装置进行双尺度图像的采集，对每种药材拍摄整体和局部两种尺度的图像，将其并列作为一组输入值，输入到卷积神经网络中，经过多层卷积池化的特征提取与选择，训练得到识别精度较高的卷积神经网络模型。将待测图像送入训练好的卷积神经网络模型中进行特征提取，基于提取的特征对中药材进行分类，输出分类识别结果。
该专利虽然能够实现中药材识别，但其方法只考虑了将中药材两种尺度的图像做输入，提取特征，而没有考虑在多个视角下，中药材有不同的形态特征。其所设计的图像采集装置对每个样本必须依次进行双尺度图像的采集，操作起来比较费时。对于已有的中药数据集无法扩展为双尺度图像，只能重新拍摄。
发明内容
本发明为了解决上述问题，从多个视图提取特征，相比单视图而言提取到的特征更加细致全面，模型更具鲁棒性，分类结果更加准确。该方法集特征提取、特征融合和分类为一体，是一种端到端的方法。多视图卷积神经网络的构造可以直接在现有模型上做更改，代码实现简单，并且可以直接利用预训练好的模型参数，模型收敛速度快，大大减少模型的训练时间。
为此，根据本发明的一个方面，提供了基于多视图卷积神经网络的中药识别方法，包括如下步骤：步骤S101：数据集准备，构建多视图数据集，视图数目为大于1的正整数m，把数据分为训练集和测试集；步骤S102：构造多视图卷积神经网络模型，提取步骤S101多视图数据集中每个视图的特征，并对m个视图的特征进行融合，将融合后的特征作为分类器的输入；步骤S103：模型的训练和测试，首先对步骤S102中构造的神经网络模型进行参数初始化，然后将训练集中的图片以m个为一组，输入到网络中的各个分支中，经过反向传播过程不断更新参数，对模型进行训练，在满足预设停止条件时保存模型，经过正向传播得到分类结果。由此，能够从多个视图提取中药的特征并进行融合，准确率高，识别速度快，从而解决非专业人士识别中药的需求，辅助专业人士进行自动化的中药识别。
在一些实施方式中，所述构建数据集为多视图数据集，可以采取人工采集和网络搜集的形式。
在一些实施方式中，采取人工采集中药图片时，对于每一个药材个体，用拍摄设备从多个角度拍摄m张图片。
在一些实施方式中，网络搜集的中药图片，分别用旋转任一角度、水平翻转扩充为m张图片。
在一些实施方式中，所述步骤S102中构建的多视图卷积神经网络模型包括：
(1)特征提取器，分别提取每个视图的特征，m个视图共有m条并列的神经网络组合成为该模型的特征提取部分；
(2)多视图融合器，用来将各个视图的特征进行融合；
(3)分类器，将融合后的特征作为输入，输出最终的分类结果。
在一些实施方式中，所述特征提取器包括卷积层、池化层和非线性激活层。
在一些实施方式中，所述多视图融合器包括Max融合或者Sum融合。
在一些实施方式中，所述分类器包括全连接层、非线性激活层和Dropout层。
相对于现有技术，本发明具有如下有益效果：
1、基于多视图卷积神经网络的中药识别方法，从多个视图提取特征，相比单视图而言提取到的特征更加细致全面，模型更具鲁棒性，分类结果更加准确。
2、基于多视图卷积神经网络的中药识别方法，多视图卷积神经网络模型包括三个部分：特征提取器、多视图融合器和分类器，使得本发明集特征提取、特征融合和分类为一体，是一种端到端的方法。
3、基于多视图卷积神经网络的中药识别方法，多视图卷积神经网络的构造可以直接在现有模型上做更改，代码实现简单，并且可以直接利用预训练好的模型参数，模型收敛速度快，大大减少模型的训练时间。
4、基于多视图卷积神经网络的中药识别方法，利用深度学习的方法实现了自动化的中药识别，减轻人工识别的工作负担，解决非专业人士的识别困难。
附图说明
图1为本发明一实施方式的基于多视图卷积神经网络的中药识别方法流程图；
图2为本发明一实施方式的基于多视图卷积神经网络的中药识别方法的拍摄多视图图片数据集示意图；
图3为本发明又一实施方式的基于多视图卷积神经网络的中药识别方法流程图；
图4为本发明又一实施方式的基于多视图卷积神经网络的中药识别方法的将单视图数据集扩张为多视图数据集示意图；
图5为本发明一实施方式的基于多视图卷积神经网络的中药识别方法的多视图卷积神经网络的整体框架图。
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。
实施例1
图1示意性地显示了根据本发明的基于多视图卷积神经网络的中药识别方法流程图，如图1所示，本实施例包括如下步骤：
步骤S101：数据集准备，为了解决中药数据量少导致神经网络模型容易过拟合的问题，构建多视图数据集。实施方式如下：
在人工采集中药图片时，对于每一个药材个体，用拍摄设备以左视图、右视图、前视图、后视图和俯视图等多个角度拍摄m张图片(如图2)，拍摄由高清摄像机完成。m是视图个数，可以根据实际情况自行选择m的数量。此步骤后，原数据集可以扩充为原来的m倍，形成药材的多视图图片数据集，然后划分为训练数据集和测试数据集。
步骤S102：构造多视图卷积神经网络模型，多视图卷积神经网络模型包括三个部分：特征提取器、多视图融合器和分类器。对于步骤S101中的多视图数据集，每一个视图有一条神经网络分支与其对应，作为特征提取器提取该视图图片的特征，m个视图共有m条并列的神经网络组合成为该模型的特征提取部分。
在提取完每个视图的特征后，每个分支输出一个列向量作为该视图的特征表示。为了将各个视图的信息进行融合，将m个列向量用按元素取最大的方式生成一个相同维度的列向量，用来表示该样本最显著的特征。最后将其输入到模型后半部分的分类器中，得到最终的分类结果。多视图卷积神经网络的整体框架图如图5所示。
该实施例的特征提取器和分类器模型可以直接在现有模型上做改动，实现起来简单便捷；也可以根据实际情况自己设计新的卷积神经网络，更加有针对性。当前，在深度学习领域已经积累了一定的研究，设计了许多神经网络模型，在各个领域都得到了很好的应用，其中最具代表性的就是曾在ImageNet数据集上有卓越表现的卷积神经网络模型，如VGG11，AlexNet，ResNet等。并且已对所有用户开源使用，在深度学习流行的框架中使用起来非常简单。以使用VGG11为例，多视图卷积神经网络模型的构造方式如下：
特征提取器由卷积层、池化层、非线性激活层组成，共21层，如图5示意性地显示的多视图卷积神经网络的整体框架图，对于步骤S101中数据集处理后得到的m个视图的图片，每一个视图对应一个特征提取器。它们的网络结构相同并且神经网络参数共享。分别从每个视图提取样本特征这样做的好处是考虑了样本在不同视图下的不同形态，覆盖面更广，提取到的信息更加全面，得到的结果更具鲁棒性。
图5的卷积层中包含六种规模的卷积核，分别是3*3*3*64，3*3*64*128，3*3*128*256，3*3*256*256，3*3*256*512，3*3*512*512。卷积层的作用是对上一层的输入进行特征提取。其计算公式为：
Figure BDA0002447274410000041
其中X为该层卷积核的输入，Y为输出，K为卷积核。宏观上，卷积核将输入特征的通道数由原来的I转换为O。
池化层为a*a的最大池化(maxpooling)，作用是在上一层输入的每个a*a的区域内，只保留一个最大值输出，目的是减少冗余,同时提高所提取特征的鲁棒性，还可以缩减模型的大小，提高计算速度。
非线性激活层采用的是ReLU激活函数。如果不添加激活函数，每一层的输出都是上层输入的线性函数。容易验证，无论神经网络有多少层，输出都是输入的线性组合，与没有隐藏层效果相当。因此引入非线性函数作为激活函数，这样深层神经网络就不再是输入的线性组合，而是在理论上可以逼近任意函数。相比较于sigmoid函数，ReLU函数在反向传播求误差梯度时计算量更小，并能在一定程度上缓解梯度消失的情况。其计算公式为：
f(x)＝max(0,x)
在每个视图都进行特征提取后，进入到特征融合阶段。目的是将不同视图的特征融合得到一个更具代表性的特征。具体操作是将特征提取器的最后一层的输出拉成一个n维的列向量。显然可以得到m个n维的列向量。在每一个维度上，取所有列向量中的最大值或者平均值，最终可以得到一个n维的列向量。其公式为：
output(i)＝max(f1(i),f2(i),…,fm(i))或outout(i)＝avg(f1(i),f2(i),…fm(i))，i＝1,2,…,n。
分类器网络中包含全连接层，非线性激活层和Dropout层，具体结构如图5所示。全连接层的作用是由一个特征空间线性变换到另一个特征空间。最后一层全连接层的神经元个数与中药的类别总数相同。例如共有K类中药，则最后一层的输出是一个K维的列向量，每一维的数值代表的是该样本属于这一类的概率或置信度。置信度最高代表神经网络将该样本预测为这一类别。全连接层的计算公式为：
y＝W*x
Dropout层的作用是在每次训练时的前向传播过程中，以一定的概率随机选择某些神经元停止工作，这样可以使模型泛化性更强，不完全依赖于某些局部特征，可以在一定程度上防止过拟合的问题。
步骤S103：模型的训练和测试，首先对S102中构造的神经网络模型进行参数初始化。然后将训练集中的图片以m个为一组，输入到网络中的各个分支中。经过神经网络的正向传播可以得到预测的类别。经过反向传播过程不断更新参数，在满足预设停止条件时停止训练，将此时的模型参数保存下来。将测试集中的图片以相同的方式输入到保存好的模型中，固定参数不变，只统计预测结果和实际结果之间的差异，计算识别准确率。
实施例2
图3示意性地显示了根据本发明又一实施方式的基于多视图卷积神经网络的中药识别方法，如图3所示，本实施例包括如下步骤：
其中，步骤S202-步骤S203的具体实现方式与步骤S102-步骤S103的实现方式完全相同，可以参照上述，在此不进行赘述。
步骤S201：数据集准备，为了解决中药数据量少导致神经网络模型容易过拟合的问题，构建多视图数据集。实施方式如下：
对于已采集完的单视图中药图片，对数据集中的每一张图片分别用旋转任一角度、水平翻转等方式扩充为m张图片(如图4)，以原图为初始图片，进行-45°，0°，45°等角度旋转，-45°、0°及45°的旋转均可以进行水平翻转。m是视图个数，可以根据实际情况自行选择m的数量。此步骤后，原数据集可以扩充为原来的m倍，形成药材的多视图图片数据集，然后划分为训练数据集和测试数据集。
基于上述两个实施例的实施，使得本发明能够从多个视图提取中药的特征并进行融合，具有准确率高，识别速度快的特点。从而解决非专业人士识别中药的需求，辅助专业人士进行自动化的中药识别。
本发明克服了现有技术只考虑了将中药材两种尺度的图像做输入，提取特征，而没有考虑在多个视角下，中药材有不同的形态特征的缺陷，从多个视图提取特征，相比单视图而言提取到的特征更加细致全面，模型更具鲁棒性，分类结果更加准确。
综上所述，本发明首先构建多视图数据集，既能在已有数据集上扩展，又可以自行拍摄多视图图片。操作起来简单省时。本发明提出的多视图卷积神经网络，从多个视图提取特征，相比单视图而言提取到的特征更加细致全面，模型更具鲁棒性，分类结果更加准确。该方法集特征提取、特征融合和分类为一体，是一种端到端的方法。多视图卷积神经网络的构造可以直接在现有模型上做更改，代码实现简单，并且可以直接利用预训练好的模型参数，模型收敛速度快，大大减少模型的训练时间。
以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (8)

1.基于多视图卷积神经网络的中药识别方法，其特征在于，包括如下步骤：
步骤S101：数据集准备，构建多视图数据集，视图数目为大于1的正整数m，把数据分为训练集和测试集；
步骤S102：构造多视图卷积神经网络模型，提取步骤S101多视图数据集中每个视图的特征，并对m个视图的特征进行融合，将融合后的特征作为分类器的输入；
步骤S103：首先对步骤S102中构造的神经网络模型进行参数初始化，然后将训练集中的图片输入到网络中的各个分支中，经过反向传播过程不断更新参数，对模型进行训练，在满足预设停止条件时保存模型，经过正向传播得到分类结果。
2.根据权利要求1所述的基于多视图卷积神经网络的中药识别方法，其特征在于，所述构建数据集为多视图数据集，可以采取人工采集和网络搜集的形式。
3.根据权利要求2所述的基于多视图卷积神经网络的中药识别方法，采取人工采集中药图片时，对于每一个药材个体，用拍摄设备从多个角度拍摄m张图片。
4.根据权利要求2所述的基于多视图卷积神经网络的中药识别方法，网络搜集的中药图片，分别用旋转任一角度、水平翻转扩充为m张图片。
5.根据权利要求1所述的基于多视图卷积神经网络的中药识别方法，其特征在于，所述步骤S102中构建的多视图卷积神经网络模型包括：
(1)特征提取器，分别提取每个视图的特征，m个视图共有m条并列的神经网络组合成为该模型的特征提取部分；
(2)多视图融合器，用来将各个视图的特征进行融合；
(3)分类器，将融合后的特征作为输入，输出最终的分类结果。
6.根据权利要求5所述的基于多视图卷积神经网络的中药识别方法，其特征在于，所述特征提取器(1)包括卷积层、池化层和非线性激活层。
7.根据权利要求5所述的基于多视图卷积神经网络的中药识别方法，其特征在于，所述多视图融合器(2)包括Max融合或者Sum融合。
8.根据权利要求5所述的基于多视图卷积神经网络的中药识别方法，其特征在于，所述分类器(3)包括全连接层、非线性激活层和Dropout层。
CN202010282590.7A 2020-04-08 2020-04-08 基于多视图卷积神经网络的中药识别方法 Pending CN111598130A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010282590.7A CN111598130A (zh) 2020-04-08 2020-04-08 基于多视图卷积神经网络的中药识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010282590.7A CN111598130A (zh) 2020-04-08 2020-04-08 基于多视图卷积神经网络的中药识别方法

Publications (1)

Publication Number Publication Date
CN111598130A true CN111598130A (zh) 2020-08-28

Family

ID=72183517

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010282590.7A Pending CN111598130A (zh) 2020-04-08 2020-04-08 基于多视图卷积神经网络的中药识别方法

Country Status (1)

Country Link
CN (1) CN111598130A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529068A (zh) * 2020-12-08 2021-03-19 广州大学华软软件学院 一种多视图图像分类方法、系统、计算机设备和存储介质
CN112732092A (zh) * 2021-01-22 2021-04-30 河北工业大学 基于双视图多尺度卷积神经网络的表面肌电信号识别方法
CN114821572A (zh) * 2022-03-11 2022-07-29 德阳市人民医院 基于多视图与数据扩展的深度学习口服药丸识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106528826A (zh) * 2016-11-18 2017-03-22 广东技术师范学院 一种基于深度学习的多视图外观专利图像检索方法
CN107958257A (zh) * 2017-10-11 2018-04-24 华南理工大学 一种基于深度神经网络的中药材识别方法
US20180350069A1 (en) * 2017-06-01 2018-12-06 International Business Machines Corporation Neural network classification
CN109190643A (zh) * 2018-09-14 2019-01-11 华东交通大学 基于卷积神经网络中药识别方法及电子设备
US20190122378A1 (en) * 2017-04-17 2019-04-25 The United States Of America, As Represented By The Secretary Of The Navy Apparatuses and methods for machine vision systems including creation of a point cloud model and/or three dimensional model based on multiple images from different perspectives and combination of depth cues from camera motion and defocus with various applications including navigation systems, and pattern matching systems as well as estimating relative blur between images for use in depth from defocus or autofocusing applications
CN110457515A (zh) * 2019-07-19 2019-11-15 天津理工大学 基于全局特征捕捉聚合的多视角神经网络的三维模型检索方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106528826A (zh) * 2016-11-18 2017-03-22 广东技术师范学院 一种基于深度学习的多视图外观专利图像检索方法
US20190122378A1 (en) * 2017-04-17 2019-04-25 The United States Of America, As Represented By The Secretary Of The Navy Apparatuses and methods for machine vision systems including creation of a point cloud model and/or three dimensional model based on multiple images from different perspectives and combination of depth cues from camera motion and defocus with various applications including navigation systems, and pattern matching systems as well as estimating relative blur between images for use in depth from defocus or autofocusing applications
US20180350069A1 (en) * 2017-06-01 2018-12-06 International Business Machines Corporation Neural network classification
CN107958257A (zh) * 2017-10-11 2018-04-24 华南理工大学 一种基于深度神经网络的中药材识别方法
CN109190643A (zh) * 2018-09-14 2019-01-11 华东交通大学 基于卷积神经网络中药识别方法及电子设备
CN110457515A (zh) * 2019-07-19 2019-11-15 天津理工大学 基于全局特征捕捉聚合的多视角神经网络的三维模型检索方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
庄奕珊: "基于深度神经网络的中药材识别" *
池虹雨: "基于多视图特征融合的三维物体识别与检索" *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529068A (zh) * 2020-12-08 2021-03-19 广州大学华软软件学院 一种多视图图像分类方法、系统、计算机设备和存储介质
CN112529068B (zh) * 2020-12-08 2023-11-28 广州大学华软软件学院 一种多视图图像分类方法、系统、计算机设备和存储介质
CN112732092A (zh) * 2021-01-22 2021-04-30 河北工业大学 基于双视图多尺度卷积神经网络的表面肌电信号识别方法
CN114821572A (zh) * 2022-03-11 2022-07-29 德阳市人民医院 基于多视图与数据扩展的深度学习口服药丸识别方法
CN114821572B (zh) * 2022-03-11 2023-04-21 德阳市人民医院 基于多视图与数据扩展的深度学习口服药丸识别方法

Similar Documents

Publication Publication Date Title
Deng et al. Learning to predict crisp boundaries
Zhang et al. End-to-end photo-sketch generation via fully convolutional representation learning
US9633282B2 (en) Cross-trained convolutional neural networks using multimodal images
CN105740894B (zh) 一种高光谱遥感图像的语义标注方法
CN111598130A (zh) 基于多视图卷积神经网络的中药识别方法
CN109190643A (zh) 基于卷积神经网络中药识别方法及电子设备
CN109978918A (zh) 一种轨迹追踪方法、装置和存储介质
CN107122796A (zh) 一种基于多分支网络融合模型的光学遥感图像分类方法
CN109711422A (zh) 图像数据处理、模型的建立方法、装置、计算机设备和存储介质
CN109766873B (zh) 一种混合可变形卷积的行人再识别方法
CN106156693A (zh) 用于面部识别的基于多模型表示的鲁棒错误纠正方法
CN110276406A (zh) 表情分类方法、装置、计算机设备及存储介质
CN111832592B (zh) Rgbd显著性检测方法以及相关装置
CN111783748A (zh) 人脸识别方法、装置、电子设备及存储介质
CN109598301B (zh) 检测区域去除方法、装置、终端和存储介质
Gong et al. Photogrammetry and deep learning
CN110222718A (zh) 图像处理的方法及装置
WO2022052782A1 (zh) 图像的处理方法及相关设备
CN108416270A (zh) 一种基于多属性联合特征的交通标志识别方法
CN109215131A (zh) 虚拟人脸的驱动方法及装置
CN111666976A (zh) 基于属性信息的特征融合方法、装置和存储介质
Hou et al. Text-aware single image specular highlight removal
Yao et al. Double cross-modality progressively guided network for RGB-D salient object detection
CN106156846A (zh) 卷积神经网络特征的处理方法和装置
İmamoğlu et al. Saliency detection by forward and backward cues in deep-CNN

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