CN111709265A - 基于注意力机制残差网络的摄像监控状态分类方法 - Google Patents
基于注意力机制残差网络的摄像监控状态分类方法 Download PDFInfo
- Publication number
- CN111709265A CN111709265A CN201911266108.4A CN201911266108A CN111709265A CN 111709265 A CN111709265 A CN 111709265A CN 201911266108 A CN201911266108 A CN 201911266108A CN 111709265 A CN111709265 A CN 111709265A
- Authority
- CN
- China
- Prior art keywords
- module
- attention
- residual error
- attention mechanism
- channel
- 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
- 230000007246 mechanism Effects 0.000 title claims abstract description 62
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 3
- 238000011176 pooling Methods 0.000 claims description 48
- 230000006870 function Effects 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 15
- 230000008447 perception Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 241000533950 Leucojum Species 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
基于注意力机制残差网络的监控状态分类方法，获取监控系统的图像，构建用于训练的数据集；通道注意力模块及空间注意力模块与残差网络的残差模块结合成注意力机制残差模块单元，由多个该单元构建注意力机制残差网络；将数据集输入注意力机制残差网络进行训练，并保存模型；将实时监控图像输入注意力机制残差模块，即可对图像进行故障分类。本发明添加了注意力机制，提高了分类精度，并将模型应用于摄像监控状态的故障检测分类，节约了人工成本。
Description
技术领域
本发明涉及一种计算机图形识别方法，特别涉及一种基于注意力机制残差网络的摄像 监控状态分类方法。
背景技术
由于设置不当或器件老化等原因，会导致视频监控系统的视频质量受影响；当对监控 的状态进行监测时，出现异常状况时需要能及时报警。
一般监控状态的监测，分为基于图像处理的方法和基于神经网络的方法。基于图像处 理的方法需要根据各个故障的特点，对不同的监控状态采取不同的算法进行检测，当监控状 态分为较多类时，算法设计难度提升，且不具有较高准确性。卷积神经网络在图像分类中有 优秀表现，许多神经网络如Inception系列和ResNet系列的出现，大大提高了图像分类的准 确性。神经网络采用端对端的设计，易于植入平台，且可以对多路监控设备进行状态检测并 返回分类结果，节省人力的同时保障分类的准确性。
目前，图像分类的研究进展主要集中在前馈卷积神经网络的深度训练上，为了进一步 提高深卷积神经网络的识别能力，加深网络的深度，提出了多种方法，如 VGG,Inception,Resnet等，但网络深度的增加，给训练带来了困难，且对硬件要求也越来越 高。
注意力机制在人类感知中起着重要的作用，人类视觉系统的一个重要特性是一个人不 会试图一次处理整个场景。相反，为了更好地捕捉视觉结构，人类利用一系列的部分瞥见， 选择性地聚焦于突出的部分。注意力不仅用于选择一个集中的位置，而且增强了该位置对象 的不同表示。
发明内容
为了提高监控状态的分类精度，提供一种基于注意力机制残差网络的监控状态分类 方法，这种方法在残差网络ResNet中加入注意力机制，通过堆叠产生注意力感知特征的注 意力机制残差模块单元构建网络，随着ResNet层数的深入，来自不同模块单元的感知特征 也在不断变化，可以使网络更关注某些特征，增强这些特征的影响，提高了图片处理的效率 和准确性。
为实现上述目的，本发明采用以下技术方案：
基于注意力机制残差网络的监控状态分类方法，采用以下步骤：
步骤1：获取监控系统的图像，构建用于训练的数据集，将这些数据集根据故障类型分类，并进行数据集的扩充、标准化的预处理：
步骤1.1：当某个类别的图像数量与所有类别中的最大样本数的比例小于1：4时，对这类图像采取翻转、裁剪、改变亮度的方法扩充样本数，使整个数据集达到平衡；
步骤1.2：将图像缩小为
大小，并对缩小后的图像img进行标准化处理，标准化的公 式如下：
其中μ为图像img的均值，adjusted_stddev为：
σ为图像img的标准差；
步骤2：通过构建通道注意力模块与空间注意力模块组成注意力机制模块，并与残差网络的残差模块结合产生注意力机制残差模块单元，由多个注意力机制残差模块单元构建注意 力机制残差网络：
步骤2.1：构建通道注意力模块：通道注意力模块包括平均池化与最大池化两个池化层、 四个全连接层、两个ReLu激活函数、及一个sigmoid激活函数；通道为输入维度的最后一 维大小，每个通道为图像的一个特征，通道注意力模块利用各通道间的关系，采用平均池化 和最大池化操作聚合特征图的空间信息，生成两个不同的描述特征：平均值池化特征Favg和 最大值池化特征Fmax，随后分别输入全连接层并以r倍压缩特征层数，经过激活函数ReLu 后恢复原大小输出全连接层，最后结合平均池化和最大池化的特征，并采用sigmoid激活函 数输出，得到通道注意力Mc(F)，通道特征Fc：
步骤2.2：构建空间注意力模块：空间注意力模块包括平均池化与最大池化两个池化层，将 两个池化层输出结果级联起来的级联层，一个卷积层，及一个sigmoid函数；空间注意力模 块将步骤2.1通道注意力模块的输出通道特征Fc作为输入，在通道上分别做平均值池化与最 大值池化，将二者级联形成新的特征层，经过7x7卷积层后采用sigmoid激活函数输出得到 空间注意力Ms(F)，最后空间特征Fs为：
其中，
分别为平均值池化层和最大值池化层，conv为卷积操作；
步骤2.3：组成注意力机制残模块单元：包括残差模块及注意力机制模块，其中残差模块由残差单元bottleneck堆叠而成，bottleneck分为两个分支：残差部分residual和捷径连接 shortcut；在residual分支上，输入经过批量标准化BN层和三个卷积层后输入注意力机制模 块，注意力机制模块由通道注意力和空间注意力组成，输出与bottleneck的shortcut分支相 加，构成整个注意力机制残差模块单元，在卷积层改变卷积核个数构成不同的注意力机制残 差模块单元，组成注意力机制残差网络；
步骤3：打乱步骤1中的数据集并将数据集分成多个批次，输入步骤2中的注意力机制残差网络进行训练，并保存模型；
步骤4：将实时监控图像输入注意力机制残差模块，对图像进行故障分类。
本发明对残差网络ResNet进行了改进，添加了注意力机制，提高了分类精度，并将模型应用于摄像监控状态的故障检测分类，节约了人工成本。
并且本发明，模型由多个注意力机制残差模块单元组成，随着层次的深入，来自不同模块的注意感知特性也在不断变化，简化了残差网络的训练，同时提高了监控状态分类的 精度，提高了效率。
附图说明
图1为本发明的遮挡故障类型图像。
图2为本发明通道注意力模块构成。
图3为本发明空间注意力模块构成。
图4为本发明bottleneck网络结构。
图5为本发明注意力机制残差模块单元。
图6为本发明监控状态分类流程图。
图7为本发明树叶遮挡故障类型图像。
图8为本发明雪花条纹故障类型图像。
图9为本发明复显故障类型图像。
图10为本发明角度异常故障类型图像。
图11为本发明彩色条纹故障类型图像。
具体实施方式
下面结合附图，对本发明作进一步描述。
基于注意力机制残差网络的监控状态分类方法，具体步骤如下：
步骤1：获取某街区的道路监控系统构建训练的数据集，将数据集根据故障类型分类，分为12类故障及正常类，图1为部分的分类图示：
黑屏，蓝屏：图片画面全黑或全蓝，无实际内容或提示“无视频信号”；
色偏：图片画面可见实际内容，但颜色不正常，画面颜色整体偏向于某一种颜色；
模糊：图片画面可见实际内容，但内容不清晰，无法看清内容细节；
过暗，过亮：图片画面可见实际内容，但画面偏黑或偏亮，图像明度值偏低或高；
遮挡，树叶遮挡：图片画面20％(含)以上无实际内容，并且此部分画面不清晰，无实 际内容，或是被树叶遮挡；
雪花条纹，彩色条纹：由于颤噪声影响摄像管、受到磁场的影响等原因，导致图片画面出现白色或彩色条纹雪花；
复显：由于视频传输环节故障等原因，导致视频重复显示；
角度异常：画面为朝墙或朝地面拍摄；
步骤1.1：由于获取到的数据集各个类别的样本量极不均衡，当某个类别的图像数量与所有类别中的最大样本数的比例小于1：4，采取翻转、裁剪、改变亮度等方法扩充样本数 使整个数据集达到平衡；
步骤1.2：对于训练或是测试图像，都需要将图像缩小为224x224大小图像，并对缩小后的图像img标准化处理，标准化的公式如下：
其中μ为图像img的均值，adjusted_stddev为：
σ，N分别为图像img的标准差及像素的个数；
步骤2：通过构建通道注意力模块与空间注意力模块组成注意力机制模块，并与残差网络的残差模块结合产生注意力机制残差模块单元，由多个单元构建注意力机制残差网络：
步骤2.1：构建通道注意力模块：通道注意力模块包括平均池化与最大池化两个池化层、 四个全连接层、两个ReLu激活函数、及一个sigmoid激活函数。通道为输入维度的最后一 维大小，每个通道为图像的一个特征，通道注意力模块利用各通道间的关系，采用平均池化 和最大池化操作聚合特征图的空间信息，生成两个不同的描述特征，结合两个特征，输出通 道通道特征，如图2所示：输入大小为1x1xdepth的特征图InputFeature，分别经过平均池化 AveragePooling和最大值池化MaxPooing提取平均值池化特征Favg和最大值池化特征Fmax， 输入全连接层DenseLayer，全连接层以r＝8倍压缩特征层，输出特征大小为1x1x(depth/8)， 其次采用Relu激活函数，连接全连接层恢复原大小输出，将两种池化特征相加后采用 sigmoid激活函数输出，得到通道注意力Mc(F)，最后的通道特征Fc为：
步骤2.2：构建空间注意力模块：空间注意力模块包括平均池化与最大池化两个池化层，将 两个池化层输出结果级联起来的级联层，一个卷积层，及一个sigmoid函数。如图3所示， 空间注意力模块将步骤2.1通道注意力模块的输出通道特征Fc作为输入，在通道上分别做平 均值池化与最大值池化，将二者级联形成新的特征层，经过7x7卷积层conv后采用sigmoid 激活函数输出得到空间注意力Ms(F)，最后空间特征Fs为：
其中，
分别为平均值池化层和最大值池化层，conv为卷积操作；
步骤2.3：组成注意力机制残模块单元：包括残差模块及注意力机制模块，其中残差模块由残差单元bottleneck堆叠而成，如图4所示为一个bottleneck，bottleneck分为两个分支： 残差部分residual和捷径连接shortcut；在residual分支上，输入经过批量标准化BN层和三 个卷积层conv后输入注意力机制模块，注意力机制模块由通道注意力和空间注意力组成， 输出与bottleneck的shortcut分支相加，构成整个注意力机制残差模块单元，其中三个卷积 层大小分别为1x1xdepth、3x3xdepth和1x1x(4*depth)，depth为卷积核个数，根据depth的 值不同构成不同的注意力机制残差模块单元，组成注意力机制残差网络；
本发明在residual分支后，添加通道注意力模块ChannelAttention，得到通道特征Fc，再 通过空间注意力模块SpatialAttention，得到空间特征Fs，如图5所示，输出与shortcut分支 相加，形成新的注意力机制残差模块单元；采用不同大小值的depth，堆叠注意力机制残差 模块单元，构成整个注意力机制残差网络；
步骤3：打乱数据集并将数据集分成多个批次，输入注意力机制残差网络进行训练，初始化网络参数，并保存模型：初始化网络参数进行训练，初始学习率为0.01并以每5000步衰减50％，采用RMSProp优化器，训练次数为10万，最终模型准确率达到96％；
多个注意力机制残差模块单元堆叠形成注意力机制残差网络。注意力机制能告诉网络 图像中哪些细节需要关注，提高了预测的准确性。本发明通过使用注意力机制来增加残差网 络的表达能力，关注重要的特征，抑制不必要的特征，从而提高整个网络的准确率。
本例中，训练集及测试集的准度，当使用残差网络时分别是0.875和0.945139，而使 用注意力机制残差网络时，分别提高到0.96875和0.969213。为使用残差网络和加入注意力 机制的残差网络在训练集和测试集的准确率对比，采用相同的训练参数，可以看出加入注意 力机制后准确率明显增加。
步骤4：将训练好的模型部署在服务器中，监控状态分类流程图如图6所示，定时读取监控图像，将图像发送至注意力机制残差网络进行分类，将结果发送至平台，若出现故障则输出故障类型并报警。
Claims (1)
1.基于注意力机制残差网络的监控状态分类方法，采用以下步骤：
步骤1：获取监控系统的图像，构建用于训练的数据集，将这些数据集根据故障类型分类，并进行数据集的扩充、标准化的预处理：
步骤1.1：当某个类别的图像数量与所有类别中的最大样本数的比例小于1：4时，对这类图像采取翻转、裁剪、改变亮度的方法扩充样本数，使整个数据集达到平衡；
步骤1.2：将图像缩小为
大小，并对缩小后的图像img进行标准化处理，标准化的公式如下：
其中μ为图像img的均值，adjusted_stddev为：
σ为图像img的标准差；
步骤2：通过构建通道注意力模块与空间注意力模块组成注意力机制模块，并与残差网络的残差模块结合产生注意力机制残差模块单元，由多个注意力机制残差模块单元构建注意力机制残差网络：
步骤2.1：构建通道注意力模块：通道注意力模块包括平均池化与最大池化两个池化层、四个全连接层、两个ReLu激活函数、及一个sigmoid激活函数；通道为输入维度的最后一维大小，每个通道为图像的一个特征，通道注意力模块利用各通道间的关系，采用平均池化和最大池化操作聚合特征图的空间信息，生成两个不同的描述特征：平均值池化特征Favg和最大值池化特征Fmax，随后分别输入全连接层并以r倍压缩特征层数，经过激活函数ReLu后恢复原大小输出全连接层，最后结合平均池化和最大池化的特征，并采用sigmoid激活函数输出，得到通道注意力Mc(F)，通道特征Fc：
Mc(F)＝sigmoid(Favg+Fmax)
步骤2.2：构建空间注意力模块：空间注意力模块包括平均池化与最大池化两个池化层，将两个池化层输出结果级联起来的级联层，一个卷积层，及一个sigmoid函数；空间注意力模块将步骤2.1通道注意力模块的输出通道特征Fc作为输入，在通道上分别做平均值池化与最大值池化，将二者级联形成新的特征层，经过7x7卷积层后采用sigmoid激活函数输出得到空间注意力Ms(F)，最后空间特征Fs为：
其中，
分别为平均值池化层和最大值池化层，conv为卷积操作；
步骤2.3：组成注意力机制残模块单元：包括残差模块及注意力机制模块，其中残差模块由残差单元bottleneck堆叠而成，bottleneck分为两个分支：残差部分residual和捷径连接shortcut；在residual分支上，输入经过批量标准化BN层和三个卷积层后输入注意力机制模块，注意力机制模块由通道注意力和空间注意力组成，输出与bottleneck的shortcut分支相加，构成整个注意力机制残差模块单元，在卷积层改变卷积核个数构成不同的注意力机制残差模块单元，组成注意力机制残差网络；
步骤3：打乱步骤1中的数据集并将数据集分成多个批次，输入步骤2中的注意力机制残差网络进行训练，并保存模型；
步骤4：将实时监控图像输入注意力机制残差模块，对图像进行故障分类。
[0001]本发明对残差网络ResNet进行了改进，添加了注意力机制，提高了分类精度，并将模型应用于摄像监控状态的故障检测分类，节约了人工成本。
[0002]并且本发明，模型由多个注意力机制残差模块单元组成，随着层次的深入，来自不同模块的注意感知特性也在不断变化，简化了残差网络的训练，同时提高了监控状态分类的精度，提高了效率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911266108.4A CN111709265A (zh) | 2019-12-11 | 2019-12-11 | 基于注意力机制残差网络的摄像监控状态分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911266108.4A CN111709265A (zh) | 2019-12-11 | 2019-12-11 | 基于注意力机制残差网络的摄像监控状态分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111709265A true CN111709265A (zh) | 2020-09-25 |
Family
ID=72536430
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911266108.4A Pending CN111709265A (zh) | 2019-12-11 | 2019-12-11 | 基于注意力机制残差网络的摄像监控状态分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111709265A (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183645A (zh) * | 2020-09-30 | 2021-01-05 | 深圳龙岗智能视听研究院 | 基于上下文感知的注意力机制的图像美学质量评价方法 |
| CN112365480A (zh) * | 2020-11-13 | 2021-02-12 | 哈尔滨市科佳通用机电股份有限公司 | 制动夹钳装置闸片丢失故障识别方法 |
| CN112597865A (zh) * | 2020-12-16 | 2021-04-02 | 燕山大学 | 热轧带钢边部缺陷智能识别方法 |
| CN112861970A (zh) * | 2021-02-09 | 2021-05-28 | 哈尔滨工程大学 | 一种基于特征融合的细粒度图像分类方法 |
| CN112883992A (zh) * | 2020-12-11 | 2021-06-01 | 太原理工大学 | 基于注意力的ResNet模型的乳腺癌肿块的分类方法 |
| CN113378725A (zh) * | 2021-06-15 | 2021-09-10 | 山东大学 | 一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备及存储介质 |
| CN113516133A (zh) * | 2021-04-01 | 2021-10-19 | 中南大学 | 一种多模态图像分类方法及系统 |
| CN113592809A (zh) * | 2021-07-28 | 2021-11-02 | 中国海洋大学 | 一种基于通道注意力残差网络的肺炎图像检测系统及方法 |
| CN113591741A (zh) * | 2021-08-04 | 2021-11-02 | 上海英粤汽车科技有限公司 | 一种垃圾自动分类系统及方法 |
| CN113743484A (zh) * | 2021-08-20 | 2021-12-03 | 宁夏大学 | 基于空间和通道注意力机制的图像分类方法与系统 |
| CN113794577A (zh) * | 2021-08-23 | 2021-12-14 | 北京中电慧视科技有限公司 | 一种坐席指挥终端系统 |
| CN114239641A (zh) * | 2021-11-16 | 2022-03-25 | 电子科技大学 | 一种联合注意力机制选择核卷积残差网络的故障诊断方法 |
| CN115331155A (zh) * | 2022-10-14 | 2022-11-11 | 智慧齐鲁(山东)大数据科技有限公司 | 一种海量视频监控点位出图状态检测方法及系统 |
| CN117788418A (zh) * | 2023-12-27 | 2024-03-29 | 国网山东省电力公司潍坊供电公司 | 一种电气设备热状态实时检测与诊断方法及装置 |
| CN117876699A (zh) * | 2024-03-13 | 2024-04-12 | 中国人民解放军火箭军工程大学 | 一种基于孪生神经网络的仿真图像逼真度评估方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170357879A1 (en) * | 2017-08-01 | 2017-12-14 | Retina-Ai Llc | Systems and methods using weighted-ensemble supervised-learning for automatic detection of ophthalmic disease from images |
| CN109871777A (zh) * | 2019-01-23 | 2019-06-11 | 广州智慧城市发展研究院 | 一种基于注意力机制的行为识别系统 |
| CN110197208A (zh) * | 2019-05-14 | 2019-09-03 | 江苏理工学院 | 一种纺织品瑕疵智能检测分类方法及装置 |
| CN110309880A (zh) * | 2019-07-01 | 2019-10-08 | 天津工业大学 | 一种基于注意力机制cnn的5天和9天孵化鸡蛋胚胎图像分类方法 |
-
2019
- 2019-12-11 CN CN201911266108.4A patent/CN111709265A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170357879A1 (en) * | 2017-08-01 | 2017-12-14 | Retina-Ai Llc | Systems and methods using weighted-ensemble supervised-learning for automatic detection of ophthalmic disease from images |
| CN109871777A (zh) * | 2019-01-23 | 2019-06-11 | 广州智慧城市发展研究院 | 一种基于注意力机制的行为识别系统 |
| CN110197208A (zh) * | 2019-05-14 | 2019-09-03 | 江苏理工学院 | 一种纺织品瑕疵智能检测分类方法及装置 |
| CN110309880A (zh) * | 2019-07-01 | 2019-10-08 | 天津工业大学 | 一种基于注意力机制cnn的5天和9天孵化鸡蛋胚胎图像分类方法 |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183645A (zh) * | 2020-09-30 | 2021-01-05 | 深圳龙岗智能视听研究院 | 基于上下文感知的注意力机制的图像美学质量评价方法 |
| CN112183645B (zh) * | 2020-09-30 | 2022-09-09 | 深圳龙岗智能视听研究院 | 基于上下文感知的注意力机制的图像美学质量评价方法 |
| CN112365480A (zh) * | 2020-11-13 | 2021-02-12 | 哈尔滨市科佳通用机电股份有限公司 | 制动夹钳装置闸片丢失故障识别方法 |
| CN112883992A (zh) * | 2020-12-11 | 2021-06-01 | 太原理工大学 | 基于注意力的ResNet模型的乳腺癌肿块的分类方法 |
| CN112597865A (zh) * | 2020-12-16 | 2021-04-02 | 燕山大学 | 热轧带钢边部缺陷智能识别方法 |
| CN112861970A (zh) * | 2021-02-09 | 2021-05-28 | 哈尔滨工程大学 | 一种基于特征融合的细粒度图像分类方法 |
| CN113516133A (zh) * | 2021-04-01 | 2021-10-19 | 中南大学 | 一种多模态图像分类方法及系统 |
| CN113516133B (zh) * | 2021-04-01 | 2022-06-17 | 中南大学 | 一种多模态图像分类方法及系统 |
| CN113378725B (zh) * | 2021-06-15 | 2023-06-06 | 山东大学 | 一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备及存储介质 |
| CN113378725A (zh) * | 2021-06-15 | 2021-09-10 | 山东大学 | 一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备及存储介质 |
| CN113592809A (zh) * | 2021-07-28 | 2021-11-02 | 中国海洋大学 | 一种基于通道注意力残差网络的肺炎图像检测系统及方法 |
| CN113592809B (zh) * | 2021-07-28 | 2024-05-14 | 中国海洋大学 | 一种基于通道注意力残差网络的肺炎图像检测系统及方法 |
| CN113591741A (zh) * | 2021-08-04 | 2021-11-02 | 上海英粤汽车科技有限公司 | 一种垃圾自动分类系统及方法 |
| CN113743484A (zh) * | 2021-08-20 | 2021-12-03 | 宁夏大学 | 基于空间和通道注意力机制的图像分类方法与系统 |
| CN113794577A (zh) * | 2021-08-23 | 2021-12-14 | 北京中电慧视科技有限公司 | 一种坐席指挥终端系统 |
| CN114239641B (zh) * | 2021-11-16 | 2023-04-07 | 电子科技大学 | 一种联合注意力机制选择核卷积残差网络的故障诊断方法 |
| CN114239641A (zh) * | 2021-11-16 | 2022-03-25 | 电子科技大学 | 一种联合注意力机制选择核卷积残差网络的故障诊断方法 |
| CN115331155B (zh) * | 2022-10-14 | 2023-02-03 | 智慧齐鲁(山东)大数据科技有限公司 | 一种海量视频监控点位出图状态检测方法及系统 |
| CN115331155A (zh) * | 2022-10-14 | 2022-11-11 | 智慧齐鲁(山东)大数据科技有限公司 | 一种海量视频监控点位出图状态检测方法及系统 |
| CN117788418A (zh) * | 2023-12-27 | 2024-03-29 | 国网山东省电力公司潍坊供电公司 | 一种电气设备热状态实时检测与诊断方法及装置 |
| CN117876699A (zh) * | 2024-03-13 | 2024-04-12 | 中国人民解放军火箭军工程大学 | 一种基于孪生神经网络的仿真图像逼真度评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111709265A (zh) | 基于注意力机制残差网络的摄像监控状态分类方法 | |
| CN106683048B (zh) | 一种图像超分辨率方法及设备 | |
| CN109919032B (zh) | 一种基于动作预测的视频异常行为检测方法 | |
| CN109801232A (zh) | 一种基于深度学习的单幅图像去雾方法 | |
| CN111008961B (zh) | 一种输电线路设备缺陷检测方法及其系统、设备、介质 | |
| Chen et al. | Remote sensing image quality evaluation based on deep support value learning networks | |
| CN113627504B (zh) | 基于生成对抗网络的多模态多尺度特征融合目标检测方法 | |
| CN109472193A (zh) | 人脸检测方法及装置 | |
| CN117557775B (zh) | 基于红外和可见光融合的变电站电力设备检测方法及系统 | |
| CN113344110B (zh) | 一种基于超分辨率重建的模糊图像分类方法 | |
| CN116503399B (zh) | 基于yolo-afps的绝缘子污闪检测方法 | |
| CN105894507B (zh) | 基于图像信息量自然场景统计特征的图像质量评价方法 | |
| CN115861756A (zh) | 基于级联组合网络的大地背景小目标识别方法 | |
| CN113850284A (zh) | 一种基于多尺度特征融合和多分支预测的多操作检测方法 | |
| CN115761888A (zh) | 基于nl-c3d模型的塔吊操作人员异常行为检测方法 | |
| CN117115177A (zh) | 基于动态通道图卷积与多尺度注意力的闪电通道分割方法 | |
| CN113628143A (zh) | 一种基于多尺度卷积的加权融合图像去雾方法及装置 | |
| CN113378672A (zh) | 基于改进YOLOv3的输电线缺陷多目标检测方法 | |
| CN116071625B (zh) | 深度学习模型的训练方法、目标检测方法及装置 | |
| CN115631192B (zh) | 一种阀门试压机的控制方法、装置、设备及介质 | |
| CN116543333A (zh) | 电力系统的目标识别方法、训练方法、装置、设备和介质 | |
| CN111242053A (zh) | 一种输电线路火焰检测方法及系统 | |
| CN116682057A (zh) | 一种基于窗口自注意力机制的变电站安全隐患检测方法 | |
| CN116309171A (zh) | 一种输电线路监控图像增强方法和装置 | |
| CN115457015A (zh) | 一种基于视觉交互感知双流网络的图像无参考质量评估方法及装置 |
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 |