CN111753790B - 一种基于随机森林算法的视频分类方法 - Google Patents
一种基于随机森林算法的视频分类方法 Download PDFInfo
- Publication number
- CN111753790B CN111753790B CN202010622687.8A CN202010622687A CN111753790B CN 111753790 B CN111753790 B CN 111753790B CN 202010622687 A CN202010622687 A CN 202010622687A CN 111753790 B CN111753790 B CN 111753790B
- Authority
- CN
- China
- Prior art keywords
- video
- segment
- label
- classification
- fragments
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 25
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000013145 classification model Methods 0.000 claims abstract description 6
- 239000012634 fragment Substances 0.000 claims description 24
- 210000002784 stomach Anatomy 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 10
- 210000003238 esophagus Anatomy 0.000 claims description 7
- 210000003300 oropharynx Anatomy 0.000 claims description 7
- 210000002255 anal canal Anatomy 0.000 claims description 6
- 210000000436 anus Anatomy 0.000 claims description 6
- 210000001815 ascending colon Anatomy 0.000 claims description 6
- 210000001731 descending colon Anatomy 0.000 claims description 6
- 210000001035 gastrointestinal tract Anatomy 0.000 claims description 6
- 210000001599 sigmoid colon Anatomy 0.000 claims description 6
- 210000003384 transverse colon Anatomy 0.000 claims description 6
- 210000002318 cardia Anatomy 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims 1
- 238000002372 labelling Methods 0.000 abstract description 3
- 230000009466 transformation Effects 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 206010044565 Tremor Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000001079 digestive effect Effects 0.000 description 1
- 238000001839 endoscopy Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- RZSCFTDHFNHMOR-UHFFFAOYSA-N n-(2,4-difluorophenyl)-2-[3-(trifluoromethyl)phenoxy]pyridine-3-carboxamide;1,1-dimethyl-3-(4-propan-2-ylphenyl)urea Chemical compound CC(C)C1=CC=C(NC(=O)N(C)C)C=C1.FC1=CC(F)=CC=C1NC(=O)C1=CC=CN=C1OC1=CC=CC(C(F)(F)F)=C1 RZSCFTDHFNHMOR-UHFFFAOYSA-N 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本发明涉及视频分类技术领域，尤其涉及一种基于随机森林算法的视频分类方法，包括：S1、获取待分类视频数据，并根据视频内容特征将视频划分成若干子片段；S2、抽取每个子片段的典型帧图像进行标记，赋予标签名，形成标签集合；S3、将标记好的图像作为数据集，运用随机森林算法训练视频分类模型；S4、将待分类视频输入模型，模型抽取视频帧图像，判断帧图像属于哪个标签集合下的标签名；S5、统计判断情况，给出当前视频类别的最终判断结果。本发明为了实现对视频的“整体”划分，在数据处理和标注阶段，按照视频特征将视频过程进行拆分，最大可能的保留视频的逻辑信息，通过关注视频的过程和场景变换，提高了视频分类准确性。
Description
技术领域
本发明涉及视频分类技术领域，尤其涉及一种基于随机森林算法的视频分类方法。
背景技术
随着第五代移动通信(5G)时代的来临，越来越多的视频资源在网络平台上充斥。抖音、火山、快手等短视频类APP的使用越来越广泛，面对庞大的视频数据，智能化的视频分类技术对网络环境净化、网络安全监控、大数据收集都有着重要意义；在某些专业领域，如医学影像、气象测绘、安保监控也具备很好的应用前景。
随着深度学习技术的发展，以深度学习为基础的具体应用方向层出不穷。在视频技术领域，常见的视频分类的手段是将视频降频抽帧后作为图像集来处理，但是这会丢失视频过程中的逻辑信息，某一帧或者某几帧的图像状态是不足以描述整个视频的内容的，以《一种基于优化视频关键帧提取的短视频分类方法》(CN111079864A)为例，此专利收集视频中的密集帧，通过各图像帧的信息量为评价该帧是否为关键帧的方式进行分类，但是该方法存在一定问题，即：以信息量来决定视频的分类。比如，在体育赛事中，投掷标枪等运动视频，信息量包含最多的图像其实是助跑阶段，人的腿部快速运动变换，而投掷动作只是一个瞬间，因此采用此方法进行这类视频的分类工作，很可能会分到“跑步”类，而不是“投掷”类。由此可见，找到一种能将视频作为“整体”进行分类的方法，关注视频的过程和场景变换，是提高视频分类准确性的重要手段。为此，我们提出一种基于随机森林算法的视频分类方法。
发明内容
基于背景技术存在的技术问题，本发明提出了一种基于随机森林算法的视频分类方法，具有最大可能的保留视频的逻辑信息，通过关注视频的过程和场景变换，提高视频分类准确性的特点，解决了传统的视频分类的手段是将视频降频抽帧后作为图像集来处理，会丢失视频过程中的逻辑信息，导致分类不准确的问题。
本发明提供如下技术方案：一种基于随机森林算法的视频分类方法，包括如下步骤：
S1、获取待分类视频数据，并根据视频内容特征将视频划分成若干子片段；
S2、抽取每个子片段的典型帧图像进行标记，赋予标签名，形成不同类别视频对应的标签集合；
S3、将标记好的图像作为数据集，运用随机森林算法训练视频分类模型；
S4、将待分类视频输入模型，模型抽取视频帧图像，判断帧图像属于哪个标签集合下的标签名；
S5、统计各标签集合下标签名的判断情况，给出当前视频类别的最终判断结果。
优选的，所述步骤S1中首先根据需求将待分类视频分为J个类别，每个类别代表一类视频，然后根据每类视频的内容特征，将其切分为Kj个子片段，每类视频的子片段数可以不同，每个子片段用一个标签名代表。
优选的，所述步骤S1中的分类对象为医学内窥镜影像时，根据内窥镜视频内容分为胃镜、肠镜、鼻镜、小肠镜共4个类别。
优选的，所述步骤S1中收集胃部的胃镜视频时，根据胃镜的视频内容，划分为口咽部片段、食管片段、贲门片段、胃体片段、球部片段和降部片段共6个片段，分别用“口咽部”、“食管”、“贲门”、“胃体”、“球部”和“降部”的标签名来代表。
优选的，所述步骤S1中收集肠道的肠镜视频时，根据肠镜的视频内容，划分为肛门片段、肛管片段、乙状结肠片段、降结肠片段、左曲片段、横结肠片段、右曲片段、升结肠片段和回盲部片段共9个片段，分别用“肛门”、“肛管”、“乙状结肠”、“降结肠”、“左曲”、“横结肠”、“右曲”、“升结肠”和“回盲部”的标签名来代表。
优选的，所述步骤S2中典型帧要求画面清晰，且不包含其他子片段信息。
优选的，所述步骤S2的具体步骤如下：
S21、将各段视频解析为图片；
S22、剔除模糊无效和部位特征不明显的图片；
S23、将每段子视频下抽取的图片附上标签名。
优选的，所述步骤S3的具体过程如下：
S31、训练前将图像数据集通过基于颜色和纹理特征的图像增强技术处理，增强数据集中的图像特征；
S32、采用bootstrap方法有放回地随机抽取M个新的自助样本集，并根据所述自助样本集构建M棵分类回归树，每棵回归树根据所收到样本集进行训练，训练实质为：将典型帧图像和标签名进行关联，形成典型帧图像和标签名的映射关系。
优选的，所述步骤S4中的判断过程如下：
S41、将待分类视频输入模型，模型抽取视频连续帧图像，抽取标准为每秒5帧，输入模型进行分类；
S42、树的投票，步骤S32中所得的M棵分类回归树，根据自己训练得到的映射函数分别对输入的图片进行映射，得到该树对当前图片类别的判断结果；
S43、统计M棵分类回归树的“投票”结果，判断当前图片属于步骤S2中的哪一个标签名。
优选的，所述步骤S5中判断过程分为以下两步：
S51、统计J个视频类别中，识别标签名最多的Ai类视频，公式如下：
Ai＝max(A1,A2……AJ)；
S52、计算识别的Ai类视频下的标签名数(Ai)s和Ai类视频标签名总数(Ai)k之比，当比例超过九分之五，则判断该视频为Ai类视频，公式如下：
本发明提供了一种基于随机森林算法的视频分类方法，为了实现对视频的“整体”划分，在数据处理和标注阶段，按照视频特征将视频过程进行拆分，最大可能的保留视频的逻辑信息，通过关注视频的过程和场景变换，提高视频分类准确性，且采用随机森林算法核心优势在于，利用多个回归树对样本进行训练、分类并预测，降低了决策树之间的相关性。理论上能有效降低传统深度学习算法中的过拟合现象的发生。解决了传统的视频分类的手段是将视频降频抽帧后作为图像集来处理，会丢失视频过程中的逻辑信息，导致分类不准确的问题。
附图说明
图1为本发明的流程图。
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。
请参阅图1，本发明提供一种技术方案：一种基于随机森林算法的视频分类方法，包括如下步骤：
S1、获取待分类视频数据，并根据视频内容特征将视频划分成若干子片段；
S2、抽取每个子片段的典型帧图像进行标记，赋予标签名，形成不同类别视频对应的标签集合；
S3、将标记好的图像作为数据集，运用随机森林算法训练视频分类模型；
S4、将待分类视频输入模型，模型抽取视频帧图像，判断帧图像属于哪个标签集合下的标签名；
S5、统计各标签集合下标签名的判断情况，给出当前视频类别的最终判断结果。
实施例一
S1、获取待分类视频数据，并根据需求将待分类视频分为J个类别，每个类别代表一类视频，然后根据每类视频的内容特征，将其切分为Kj个子片段，每类视频的子片段数可以不同，每个子片段用一个标签名代表。
当分类对象为医学内窥镜影像时，根据内窥镜视频内容分为胃镜、肠镜、鼻镜、小肠镜共4个类别。收集胃部的胃镜视频时，根据胃镜的视频内容，划分为口咽部片段、食管片段、贲门片段、胃体片段、球部片段和降部片段共6个片段，分别用“口咽部”、“食管”、“贲门”、“胃体”、“球部”和“降部”的标签名来代表。部位的具体切分直接关系到最终分类的准确性，所以应由专业内镜医师完成。
收集肠道的肠镜视频时，根据肠镜的视频内容，划分为肛门片段、肛管片段、乙状结肠片段、降结肠片段、左曲片段、横结肠片段、右曲片段、升结肠片段和回盲部片段共9个片段，分别用“肛门”、“肛管”、“乙状结肠”、“降结肠”、“左曲”、“横结肠”、“右曲”、“升结肠”和“回盲部”的标签名来代表。
S2、抽取每个子片段的典型帧图像进行标记，赋予标签名，形成不同类别视频对应的标签集合；
S3、将标记好的图像作为数据集，运用随机森林算法训练视频分类模型；
S4、将待分类视频输入模型，模型抽取视频帧图像，判断帧图像属于哪个标签集合下的标签名；
S5、统计各标签集合下标签名的判断情况，给出当前视频类别的最终判断结果。
实施例二
相比实施例一的区别技术如下：
步骤S2抽取每个子片段的典型帧图像进行标记，典型帧要求画面清晰，且不包含其他子片段信息。标记后赋予标签名，形成不同类别视频对应的标签集合，具体步骤如下：
S21、将各段视频解析为图片(每秒钟30帧或者24帧，具体帧数和视频制式有关，不影响数据的有效性)；
S22、剔除模糊无效和部位特征不明显的图片；
S23、将每段子视频下抽取的图片附上标签名，如：食管视频中的抽取的图片即标记为食管，依次类推，最后形成胃部的标签集合，该集合包含胃部的各子部位标签名。
实施例三
相比实施例二的区别技术如下：
步骤S3基于随机森林算法，训练视频分类模型，训练又分为下述子步骤：
S31、训练前将图像数据集通过基于颜色和纹理特征的图像增强技术处理，增强数据集中的图像特征；
具体增强方式包括：
1、颜色增强：利用图像亮度，饱和度，对比度变化来增加数据量；
2、主成分分析：按照RGB三个颜色通道计算均值和标准差，然后在整个训练集上计算协方差矩阵，进行特征分解，得到特征向量和特征值；
3、高斯噪声，模糊处理：对图像随机加入噪声数据消除高频特征。
步骤S32，使用随机森林算法训练消化内镜检查类型识别模型。
具体的算法大致流程如下所示：
1、从所述根据学习集数据中选取样本集，假设选取的样本集中包含有X个样例，通过有放回抽样的方式抽取M个样例，得到M个回归树，每个回归树拥有自己的训练样例集，且各训练集中存在交叉；
2、每棵回归树根据所收到样本集进行训练，训练实质为，将样本图片和样本图片本身的标签进行关联，形成样本图片和样本标签的映射函数。
实施例四
相比实施例三的区别技术如下：
步骤S4中获取连续的内窥镜影像，传递给S3中训练好的模型进行运算，可以描述为以下过程：
S41、将待分类视频输入模型，模型抽取视频连续帧图像，抽取标准为每秒5帧，输入模型进行分类；
S42、树的投票，步骤S32中所得的M棵分类回归树，根据自己训练得到的映射函数分别对输入的图片进行映射，得到该树对当前图片类别的判断结果；
S43、统计M棵分类回归树的“投票”结果，判断当前图片属于步骤S2中的哪一个标签名。
实施例五
相比实施例四的区别技术如下：
步骤S5中判断过程分为以下两步：
S51、统计J个视频类别中，识别标签名最多的Ai类视频，公式如下：
Ai＝max(A1,A2……AJ)；
S52、计算识别的Ai类视频下的标签名数(Ai)s和Ai类视频标签名总数(Ai)k之比，当比例超过九分之五，则判断该视频为Ai类视频，公式如下：
如果视频中识别的胃镜下的标签名最多，且识别的标签名包含“胃体”、“口咽部”、“球部”等3种标签名，和胃镜视频的标签总数5之比超过九分之五，则最终判断当前视频为胃镜视频。
本发明提出了一种全新的视频分类方法，为了实现对视频的“整体”划分，在数据处理和标注阶段，按照视频特征将视频过程进行拆分，最大可能的保留视频的逻辑信息。还是以投掷标枪等运动视频为例，事先将视频内容分解为：“助跑”、“投掷”、“投掷物飞行”、“投掷物落地”等系列片段，对于待分类视频必须要具备上述全部或多个片段的视频数据，才会被分类为投掷类视频，如果只有单一的“助跑”片段则会划分到跑步类视频。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于随机森林算法的视频分类方法，其特征在于，包括如下步骤：
S1、获取待分类视频数据，并根据视频内容特征将视频划分成若干子片段；
首先根据需求将待分类视频分为J个类别，每个类别代表一类视频，然后根据每类视频的内容特征，将其切分为Kj个子片段，每类视频的子片段数不同，每个子片段用一个标签名代表，其中，j的范围为1-J之间；
分类对象为医学内窥镜影像时，根据内窥镜视频内容分为胃镜、肠镜、鼻镜、小肠镜共4个类别；
收集胃部的胃镜视频时，根据胃镜的视频内容，划分为口咽部片段、食管片段、贲门片段、胃体片段、球部片段和降部片段共6个片段，分别用“口咽部”、“食管”、“贲门”、“胃体”、“球部”和“降部”的标签名来代表；
收集肠道的肠镜视频时，根据肠镜的视频内容，划分为肛门片段、肛管片段、乙状结肠片段、降结肠片段、左曲片段、横结肠片段、右曲片段、升结肠片段和回盲部片段共9个片段，分别用“肛门”、“肛管”、“乙状结肠”、“降结肠”、“左曲”、“横结肠”、“右曲”、“升结肠”和“回盲部”的标签名来代表；
S2、抽取每个子片段的典型帧图像进行标记，赋予标签名，形成不同类别视频对应的标签集合；
S3、将标记好的图像作为数据集，运用随机森林算法训练视频分类模型；
S4、将待分类视频输入模型，模型抽取视频帧图像，判断帧图像属于哪个标签集合下的标签名；
S5、统计各标签集合下标签名的判断情况，给出当前视频类别的最终判断结果。
2.根据权利要求1所述的一种基于随机森林算法的视频分类方法，其特征在于：所述步骤S2中典型帧要求画面清晰，且不包含其他子片段信息。
3.根据权利要求1所述的一种基于随机森林算法的视频分类方法，其特征在于：所述步骤S2的具体步骤如下：
S21、将各段视频解析为图片；
S22、剔除模糊无效和部位特征不明显的图片；
S23、将每段子视频下抽取的图片附上标签名。
4.根据权利要求1所述的一种基于随机森林算法的视频分类方法，其特征在于：所述步骤S3的具体过程如下：
S31、训练前将图像数据集通过基于颜色和纹理特征的图像增强技术处理，增强数据集中的图像特征；
S32、采用bootstrap方法有放回地随机抽取M个新的自助样本集，并根据所述自助样本集构建M棵分类回归树，每棵回归树根据所收到样本集进行训练，训练实质为：将典型帧图像和标签名进行关联，形成典型帧图像和标签名的映射关系。
5.根据权利要求4所述的一种基于随机森林算法的视频分类方法，其特征在于：所述步骤S4中的判断过程如下：
S41、将待分类视频输入模型，模型抽取视频连续帧图像，抽取标准为每秒5帧，输入模型进行分类；
S42、树的投票，步骤S32中所得的M棵分类回归树，根据自己训练得到的映射函数分别对输入的图片进行映射，得到该树对当前图片类别的判断结果；
S43、统计M棵分类回归树的“投票”结果，判断当前图片属于步骤S2中的哪一个标签名。
6.根据权利要求1所述的一种基于随机森林算法的视频分类方法，其特征在于：所述步骤S5中判断过程分为以下两步：
S51、统计J个视频类别中，识别标签名最多的Ai类视频，公式如下：
Ai＝max(A1,A2……AJ)；
S52、计算识别的Ai类视频下的标签名数(Ai)s和Ai类视频标签名总数(Ai)k之比，当比例超过九分之五，则判断该视频为Ai类视频，公式如下：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010622687.8A CN111753790B (zh) | 2020-07-01 | 2020-07-01 | 一种基于随机森林算法的视频分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010622687.8A CN111753790B (zh) | 2020-07-01 | 2020-07-01 | 一种基于随机森林算法的视频分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111753790A CN111753790A (zh) | 2020-10-09 |
| CN111753790B true CN111753790B (zh) | 2023-12-12 |
Family
ID=72680285
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010622687.8A Active CN111753790B (zh) | 2020-07-01 | 2020-07-01 | 一种基于随机森林算法的视频分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111753790B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112380954A (zh) * | 2020-11-10 | 2021-02-19 | 四川长虹电器股份有限公司 | 一种基于图像识别的视频分类截取系统及方法 |
| CN112651439B (zh) * | 2020-12-25 | 2023-12-22 | 平安科技（深圳）有限公司 | 素材分类方法、装置、计算机设备及存储介质 |
| CN113630658A (zh) * | 2021-07-23 | 2021-11-09 | 重庆天如生物科技有限公司 | 一种用于胃肠镜视频图像数据收集、标注的系统和方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103503463A (zh) * | 2011-11-23 | 2014-01-08 | 华为技术有限公司 | 视频广告播放方法、设备和系统 |
| WO2017166512A1 (zh) * | 2016-03-31 | 2017-10-05 | 乐视控股（北京）有限公司 | 视频分类模型的训练方法和视频分类方法 |
| CN110046278A (zh) * | 2019-03-11 | 2019-07-23 | 北京奇艺世纪科技有限公司 | 视频分类方法、装置、终端设备及存储介质 |
| CN110070112A (zh) * | 2019-03-29 | 2019-07-30 | 广州思德医疗科技有限公司 | 一种确定分类标签的方法及装置 |
| CN110147700A (zh) * | 2018-05-18 | 2019-08-20 | 腾讯科技（深圳）有限公司 | 视频分类方法、装置、存储介质以及设备 |
| CN110781960A (zh) * | 2019-10-25 | 2020-02-11 | Oppo广东移动通信有限公司 | 视频分类模型的训练方法、分类方法、装置及设备 |
| CN110852195A (zh) * | 2019-10-24 | 2020-02-28 | 杭州趣维科技有限公司 | 一种基于video slice的视频类型分类方法 |
| CN110996748A (zh) * | 2018-05-23 | 2020-04-10 | 威博外科公司 | 面向机器学习的外科手术视频分析系统 |
| CN111128396A (zh) * | 2019-12-20 | 2020-05-08 | 山东大学齐鲁医院 | 一种基于深度学习的消化道疾病辅助诊断系统 |
| CN111192662A (zh) * | 2020-01-06 | 2020-05-22 | 佛山科学技术学院 | 一种基于随机森林算法的医疗图像处理方法及存储介质 |
| AU2020100709A4 (en) * | 2020-05-05 | 2020-06-11 | Bao, Yuhang Mr | A method of prediction model based on random forest algorithm |
| CN111325264A (zh) * | 2020-02-17 | 2020-06-23 | 武汉大学 | 一种基于熵的多标签数据分类方法 |
| CN111340094A (zh) * | 2020-02-21 | 2020-06-26 | 湘潭大学 | 基于深度学习的胶囊内窥镜图像辅助分类系统和分类方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011005865A2 (en) * | 2009-07-07 | 2011-01-13 | The Johns Hopkins University | A system and method for automated disease assessment in capsule endoscopy |
| JP2013202313A (ja) * | 2012-03-29 | 2013-10-07 | Panasonic Corp | 手術支援装置および手術支援プログラム |
| US9946933B2 (en) * | 2016-08-18 | 2018-04-17 | Xerox Corporation | System and method for video classification using a hybrid unsupervised and supervised multi-layer architecture |
| US20180314943A1 (en) * | 2017-04-27 | 2018-11-01 | Jianming Liang | Systems, methods, and/or media, for selecting candidates for annotation for use in training a classifier |
| US10623829B2 (en) * | 2018-09-07 | 2020-04-14 | Oath Inc. | Systems and methods for multimodal multilabel tagging of video |
-
2020
- 2020-07-01 CN CN202010622687.8A patent/CN111753790B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103503463A (zh) * | 2011-11-23 | 2014-01-08 | 华为技术有限公司 | 视频广告播放方法、设备和系统 |
| WO2017166512A1 (zh) * | 2016-03-31 | 2017-10-05 | 乐视控股（北京）有限公司 | 视频分类模型的训练方法和视频分类方法 |
| CN110147700A (zh) * | 2018-05-18 | 2019-08-20 | 腾讯科技（深圳）有限公司 | 视频分类方法、装置、存储介质以及设备 |
| CN110996748A (zh) * | 2018-05-23 | 2020-04-10 | 威博外科公司 | 面向机器学习的外科手术视频分析系统 |
| CN110046278A (zh) * | 2019-03-11 | 2019-07-23 | 北京奇艺世纪科技有限公司 | 视频分类方法、装置、终端设备及存储介质 |
| CN110070112A (zh) * | 2019-03-29 | 2019-07-30 | 广州思德医疗科技有限公司 | 一种确定分类标签的方法及装置 |
| CN110852195A (zh) * | 2019-10-24 | 2020-02-28 | 杭州趣维科技有限公司 | 一种基于video slice的视频类型分类方法 |
| CN110781960A (zh) * | 2019-10-25 | 2020-02-11 | Oppo广东移动通信有限公司 | 视频分类模型的训练方法、分类方法、装置及设备 |
| CN111128396A (zh) * | 2019-12-20 | 2020-05-08 | 山东大学齐鲁医院 | 一种基于深度学习的消化道疾病辅助诊断系统 |
| CN111192662A (zh) * | 2020-01-06 | 2020-05-22 | 佛山科学技术学院 | 一种基于随机森林算法的医疗图像处理方法及存储介质 |
| CN111325264A (zh) * | 2020-02-17 | 2020-06-23 | 武汉大学 | 一种基于熵的多标签数据分类方法 |
| CN111340094A (zh) * | 2020-02-21 | 2020-06-26 | 湘潭大学 | 基于深度学习的胶囊内窥镜图像辅助分类系统和分类方法 |
| AU2020100709A4 (en) * | 2020-05-05 | 2020-06-11 | Bao, Yuhang Mr | A method of prediction model based on random forest algorithm |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111753790A (zh) | 2020-10-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111753790B (zh) | 一种基于随机森林算法的视频分类方法 | |
| CN109886273B (zh) | 一种cmr图像分割分类系统 | |
| CN110909780B (zh) | 一种图像识别模型训练和图像识别方法、装置及系统 | |
| Zhu et al. | Lesion detection of endoscopy images based on convolutional neural network features | |
| Tajbakhsh et al. | Automated polyp detection in colonoscopy videos using shape and context information | |
| Cong et al. | Deep sparse feature selection for computer aided endoscopy diagnosis | |
| Yeh et al. | Bleeding and ulcer detection using wireless capsule endoscopy images | |
| CN114399465B (zh) | 良恶性溃疡识别方法及系统 | |
| CN109635871B (zh) | 一种基于多特征融合的胶囊内窥镜图像分类方法 | |
| CN114782760B (zh) | 一种基于多任务学习的胃部疾病图片分类系统 | |
| CN115082747B (zh) | 基于组块对抗的零样本胃溃疡分类系统 | |
| CN109214247B (zh) | 基于视频的人脸标识方法和装置 | |
| CN113129287A (zh) | 一种针对上消化道内镜影像的病灶自动留图方法 | |
| CN105825216A (zh) | 一种复杂背景图像中的文本定位方法 | |
| Ghosh et al. | Automatic bleeding detection in wireless capsule endoscopy based on RGB pixel intensity ratio | |
| CN111767958A (zh) | 基于随机森林算法的肠镜退镜时间的实时监测方法 | |
| CN104200218B (zh) | 一种基于时序信息的跨视角动作识别方法及系统 | |
| CN112750111A (zh) | 一种牙齿全景片中疾病识别与分割方法 | |
| Junod et al. | The development of an automatic recognition system for earmark and earprint comparisons | |
| Gade et al. | Sports type classification using signature heatmaps | |
| Tsevas et al. | Automatic frame reduction of wireless capsule endoscopy video | |
| Li et al. | Learning a multi-size patch-based hybrid kernel machine ensemble for abnormal region detection in colonoscopic images | |
| CN111401360A (zh) | 优化车牌检测模型的方法及系统、车牌检测方法及系统 | |
| WO2022252089A1 (zh) | 对象检测模型的训练方法、对象检测方法及装置 | |
| Singh et al. | Counterfactual explainable gastrointestinal and colonoscopy image segmentation |
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 |