CN111814881A - 一种基于深度学习的海洋鱼类图像识别方法 - Google Patents
一种基于深度学习的海洋鱼类图像识别方法 Download PDFInfo
- Publication number
- CN111814881A CN111814881A CN202010663026.XA CN202010663026A CN111814881A CN 111814881 A CN111814881 A CN 111814881A CN 202010663026 A CN202010663026 A CN 202010663026A CN 111814881 A CN111814881 A CN 111814881A
- Authority
- CN
- China
- Prior art keywords
- layer
- convolution
- deep learning
- marine fish
- samples
- 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
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 12
- 230000002457 bidirectional effect Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005549 size reduction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 210000001320 hippocampus Anatomy 0.000 abstract description 2
- 238000003709 image segmentation Methods 0.000 abstract description 2
- 210000001210 retinal vessel Anatomy 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于深度学习的海洋鱼类图像识别方法，属于计算机视觉、深度学习领域。本发明利用基于深度学习网络的方法，实现对海洋鱼类图像的识别，就算没有对生物海洋进行了解，也能识别各种海洋鱼类。降低成本：能够对各种品种的鱼类进行识别，相对于人工识别，减少了经济成本。分割精度高：在对测试集D进行识别时，平均识别精度达到了0.91。分割速度快：不计算数据加载时间，单纯分割一张图像所用时间不超过0.4秒。可扩展性强：该模型不仅可用于海洋鱼类图像识别，也可用于医学图像分割领域，比如眼底视网膜血管分割、海马体分割。
Description
技术领域
本发明涉及计算机视觉、深度学习领域，具体涉及基于深度学习的海洋鱼类图像识别方法。
背景技术
海洋鱼类作为海洋生物资源中最重要的一类，它不仅是人类重要的食物来源。和人类社会可持续发展的重要物质基础，同时也是维护地球生态平衡的重要力量。在对海洋鱼类资源开发探测过程中，必须对各种品种的鱼类进行识别，但鱼类体形各异，大小不一，识别起来较为复杂，而且同一类鱼的不同品种通常具有相似的外形、尺寸以及纹理等特征，很有可能会出现误判而导致严重的经济损失。因此研究海洋鱼类图像的识别技术，对我国海洋鱼类资源的开发利用具有重要的学术价值和经济价值。
随着计算机信息技术的飞速发展，深度学习在计算机视觉等多个领域取得重要突破，传统的机器学习方法正逐渐被基于深度学习的方法所替代。
发明内容
本发明利用深度学习方法的强大能力及优势，提供了一种基于深度学习的海洋鱼类图像识别方法。节省了人工费时费力并且准确率不能确定的问题。
一种基于深度学习的海洋鱼类图像识别方法，包括以下步骤：
步骤一、数据集获取：该数据集的每一张鱼类图像都对应一张标签，其中黑色区域为对应鱼类目标的蒙版，记为原始图像集A。将该数据集分为3部分，包括训练集、验证集和测试集。
步骤二、图像预处理：首先对原始图像集A进行预处理，预处理后的训练集、验证集、测试集最后得到图片集分别记为B、C、D。
步骤三、搭建网络模型：
用于海洋鱼类图像识别的网络模型分为两部分，一部分是编码过程用于提取图片的语义信息，另一部分是解码过程用于提取图片的空间信息；
编码过程的网络包括4层，第1层包括1个3*3的卷积核、1个2*2的最大池化函数和ReLU激活函数；第2层、第3层均包括2个3*3的卷积核、1个2*2的最大池化函数和ReLU激活函数。第4层包括4个3*3的卷积核、1个ReLU激活函数和DenseNet模块；第4层的编码过程是：从本层的第2个卷积操作开始，之后的卷积操作将其之前的所有卷积操作输出结果结合起来，得到第4层的输出，第4层的输出包含语音信息，用于之后层的输入。
解码过程的网络包括3层，第5层、第6层包括1个双向LSTM模块、3个3*3的卷积核、1个双卷积和ReLU激活函数；第7层包括2个3*3的卷积核、1个1*1的卷积核、1个双向LSTM模块、1个上卷积、2个ReLU激活函数、1个sigmoid激活函数；双向LSTM使得编码获得的特征图和解码获得的特征图相互影响，产生具有丰富的本地信息和语义信息的特征图。解码过程是：然后第4层的输出经过上卷积得到的结果和第3层的输出通过双向LSTM结合起来作为第五层的输入，之后经过3个3*3的卷积核得到第5层的结果。第5层的输出经过上卷积得到的结果与第2层的结果通过双向LSTM结合作为第6层的输入，然后经过3个3*3的卷积核得到第6层的结果。第6层的结果经过上卷积得到的结果与第1层的结果通过双向LSTM结合作为第7层的输入，然后经过2个3*3的卷积核，再经过一个1*1的卷积核得到最终的结果。最终的结果包括提取图片的语义信息和空间信息。
步骤四、训练模型：
采用正向传播、获得单次迭代结果、计算损失函数、反向传播的训练结构。结合损失函数采用梯度下降方法对参数进行调整，直到损失值达到稳定。
将训练集B作为输入来训练步骤三中的网络模型，得到用于海洋鱼类图像识别的网络模型E，并用验证集C来检验网络模型E。整个网络的损失函数采用均方误差，对于输出结果y与人工标注y′的均方误差计算
如下：
其中，n代表像素点的个数，||·||22代表平方和。在损失函数中引入了L2正则化项，最终的损失函数Loss定义如下：
其中，k表示正则化项的权重，w表示网络中边上的权重。
步骤五、验证模型：
用测试集D对网络模型E的效果进行评估。对结果精度的评价采用Accuracy指标，使用Accuracy指标来评估所提出的分割算法准确率。
Accuracy指标如下：
其中，TP为真阳率，实际是正样本预测成正样本的样本数。TN为真阴率，实际是负样本预测成负样本的样本数。FP为假阳率，实际是负样本预测成正样本的样本数。FN为假阴率，实际是正样本预测成负样本的样本数。
进一步的，步骤二具体包括：
灰度化：使用灰度化来将彩色图片转化为灰度图像，来统一背景。
增强对比度：采用自适应直方图均衡化算法增加对比度，来区分前景和背景。
伽马矫正：通过调整伽马值，调整图片亮度，提高经过低灰度处后的对比度。
数据增强：旋转、镜像。
数据规范化：将图片的像素值规范化之范围[0，1]。
尺寸缩小：将图片分割成统一的小分辨率。
进一步的，所述的DenseNet模块通过将前边所有层的输出结合起来得到当前层的输出，然后当前层的输出与前边所有层的输出结合起来作为下一层的输入，以便能够结合前边的信息，防止过拟合。
进一步的，所述的双向LSTM是使用两个convLSTM将输入数据处理为正向和反向两个路径，然后通过处理两个方向上的数据依赖关系来决定当前的输入，从而使得编码获得的特征图和解码获得的特征图相互影响，产生具有丰富的本地信息和语义信息的特征图作为输入。
本发明的有益效果：
(1)利用基于深度学习网络的方法，实现对海洋鱼类图像的识别，就算没有对生物海洋进行了解，也能识别各种海洋鱼类。
(2)降低成本：能够对各种品种的鱼类进行识别，相对于人工识别，减少了经济成本。
(3)分割精度高：在对测试集D进行识别时，平均识别精度达到了0.91。
(4)分割速度快：不计算数据加载时间，单纯分割一张图像所用时间不超过0.4秒。
(5)可扩展性强：该模型不仅可用于海洋鱼类图像识别，也可用于医学图像分割领域，比如眼底视网膜血管分割、海马体分割。
附图说明
图1为本发明实施例的数据集的图片；其中，(a)和(c)为两幅原始图片；(b)和(d)分别对应(a)和(c)的标记图片。
图2为本发明实施例的一种海洋鱼类图像识别流程图。
图3为本发明实施例的网络模型的结构图。
图4为本发明实施例的中间过程图。
具体实施方式
本发明公开了一种海洋鱼类识别方法，步骤流程图如图2所示，包括：
步骤1，图像预处理：
本文采用台湾海洋研究所在2010年10月1日至2013年9月30日期间，在兰屿岛等区域收集的鱼类影像数据集作为鱼类目标分割的研究对象，数据集如图1所示，该数据集的每一张鱼类图像都对应一张Label，其中黑色区域为对应鱼类目标的蒙版，记为原始图像集A。将该数据集分为3部分，包括训练集、验证集和测试集，比例约为8:1:1。
为了提高精度，和提高训练样本的多样性，减少计算复杂度，对取得的数据集图片进行了预处理和数据增强，将原始图片集变成了尺寸为64*64的patch。主要包括灰度化、增强对比度、伽马矫正、数据增强、数据规范化和尺寸缩小。
灰度化：考虑到图片根据海洋环境而得到不同颜色的背景。使用灰度化来将彩色图片转化为灰度图像，来解决背景不统一的问题。
增强对比度：采用自适应直方图均衡化算法增加对比度，使前景和背景能够更好的区分开来。
伽马矫正：通过调整伽马值，调整图片亮度，使低灰度处的对比度得到提高，利于分辨低灰度值时的图像细节。
数据增强：对图像进行数据增强，增加数据集的丰富性，从而提高模型的训练精度。数据增强包括：旋转，镜像。
数据规范化：对经过上述处理的图片集进行规范化处理，使图片集的像素值范围为[0，1]。
尺寸缩小：将图片分割成分辨率为64*64的patch，因为深度学习需要大量的数据，通过这种方法能够增大数据量，也能够减少网络的计算复杂度。
步骤2，构建模型：
为了更好的识别海洋鱼类，构建的网络模型分为两部分，一部分是编码过程用于提取图片的语义信息，另一部分是解码过程用于提取图片的空间信息。加入了DenseNet模块，就是通过该层前边所有层的输出和当前层结合起来得到当前层的输出，并用于之后层的输入，这样就可以防止过拟合。最后的网络模型如图3所示。编码过程总共有4层，每一层是有2个3*3的卷积核和一个2*2的最大池化函数再加上ReLU组成。在解码的上采样的过程中加入了LSTM模块，通过BConvLSTM，编码得到的特征图和解码得到的特征图相互影响，就可以产生具有丰富的本地信息和语义信息的特征图。每一层的输入都是上一层的结果和对应编码层的结果通过双向LSTM结合起来。每一层是有2个3*3的卷积核和和一个上卷积函数再加上ReLU组成，最后一层多经过一个1*1的卷积核得到最终的结果。
模型参数设置：实验的硬件环境为NVIDIA GTX1080Ti单个GPU，Intel Core i7处理器，软件环境为Keras2.2.4。实验中，使用glorot正态分布的方法对权重进行初始化，使用Nadam优化器，其中Nadam的参数为lr＝0.001，β1＝0.9，β2＝0.999，ε＝1E-8，decay＝0.004，学习率设置为0.001，训练的batch-size取8。
步骤3，训练模型：
本发明采用正向传播、获得单次迭代结果、计算损失函数、反向传播的训练结构。结合损失函数采用梯度下降方法对参数进行调整，直到损失值较好。将经过预处理得到的数据集B放入网络中来训练步骤2中的网络模型，得到较好的用于海洋鱼类图像识别的网络模型E，并用验证集C来检验网络模型E。
步骤4，验证模型：
用测试集D对网络模型E的效果进行评估。对结果精度的评价采用Accuray指标，使用Accuracy指标来评估所提出的分割算法准确率。
Accuracy指标如下：
其中，True positive(TP)，称为真阳率，实际是正样本预测成正样本的样本数。True negative(TN)，称为真阴率，实际是负样本预测成负样本的样本数。False positive(FP)，称为假阳率，实际是负样本预测成正样本的样本数。False negative(FN)，称为假阴率，实际是正样本预测成负样本的样本数。
在对测试集D进行识别时，平均识别精度达到了0.91。分割速度快：不计算数据加载时间，单纯分割一张图像所用时间不超过0.4秒。
Claims (7)
1.一种基于深度学习的海洋鱼类图像识别方法，其特征在于，包括以下步骤：
步骤一、数据集获取：该数据集的每一张鱼类图像都对应一张标签，其中黑色区域为对应鱼类目标的蒙版，记为原始图像集A；将该数据集分为3部分，包括训练集、验证集和测试集；
步骤二、图像预处理：首先对原始图像集A进行预处理，预处理后的训练集、验证集、测试集最后得到图片集分别记为B、C、D；
步骤三、搭建网络模型：
用于海洋鱼类图像识别的网络模型分为两部分，一部分是编码过程用于提取图片的语义信息，另一部分是解码过程用于提取图片的空间信息；
步骤四、训练模型：
采用正向传播、获得单次迭代结果、计算损失函数、反向传播的训练结构；结合损失函数采用梯度下降方法对参数进行调整，直到损失值达到稳定；
将训练集B作为输入来训练步骤三中的网络模型，得到用于海洋鱼类图像识别的网络模型E，并用验证集C来检验网络模型E；整个网络的损失函数采用均方误差，对于输出结果y与人工标注y′的均方误差计算
如下：
其中，n代表像素点的个数，||·||22代表平方和；在损失函数中引入了L2正则化项，最终的损失函数Loss定义如下：
其中，k表示正则化项的权重，w表示网络中边上的权重；
步骤五、验证模型：
用测试集D对网络模型E的效果进行评估；对结果精度的评价采用Accuracy指标，使用Accuracy指标来评估所提出的分割算法准确率。
2.根据权利要求1所述的一种基于深度学习的海洋鱼类图像识别方法，其特征在于，步骤二具体包括：
灰度化：使用灰度化来将彩色图片转化为灰度图像，来统一背景；
增强对比度：采用自适应直方图均衡化算法增加对比度，来区分前景和背景；
伽马矫正：通过调整伽马值，调整图片亮度，提高经过低灰度处后的对比度；
数据增强：旋转、镜像；
数据规范化：将图片的像素值规范化之范围[0，1]；
尺寸缩小：将图片分割成统一的小分辨率。
3.根据权利要求1或2所述的一种基于深度学习的海洋鱼类图像识别方法，其特征在于，所述的DenseNet模块通过将前边所有层的输出结合起来得到当前层的输出，然后当前层的输出与前边所有层的输出结合起来作为下一层的输入，以便能够结合前边的信息，防止过拟合。
4.根据权利要求1或2所述的一种基于深度学习的海洋鱼类图像识别方法，其特征在于，所述的双向LSTM是使用两个convLSTM将输入数据处理为正向和反向两个路径，然后通过处理两个方向上的数据依赖关系来决定当前的输入，从而使得编码获得的特征图和解码获得的特征图相互影响，产生具有丰富的本地信息和语义信息的特征图作为输入。
5.根据权利要求1或2所述的一种基于深度学习的海洋鱼类图像识别方法，其特征在于，所述的步骤三中，编码过程的网络包括4层，第1层包括1个3*3的卷积核、1个2*2的最大池化函数和ReLU激活函数；第2层、第3层均包括2个3*3的卷积核、1个2*2的最大池化函数和ReLU激活函数；第4层包括4个3*3的卷积核、1个ReLU激活函数和DenseNet模块；第4层的编码过程是：从本层的第2个卷积操作开始，之后的卷积操作将其之前的所有卷积操作输出结果结合起来，得到第4层的输出，第4层的输出包含语音信息，用于之后层的输入。
6.根据权利要求1或2所述的一种基于深度学习的海洋鱼类图像识别方法，其特征在于，所述的步骤三中，解码过程的网络包括3层，第5层、第6层包括1个双向LSTM模块、3个3*3的卷积核、1个双卷积和ReLU激活函数；第7层包括2个3*3的卷积核、1个1*1的卷积核、1个双向LSTM模块、1个上卷积、2个ReLU激活函数、1个sigmoid激活函数；双向LSTM使得编码获得的特征图和解码获得的特征图相互影响，产生具有丰富的本地信息和语义信息的特征图；解码过程是：然后第4层的输出经过上卷积得到的结果和第3层的输出通过双向LSTM结合起来作为第五层的输入，之后经过3个3*3的卷积核得到第5层的结果；第5层的输出经过上卷积得到的结果与第2层的结果通过双向LSTM结合作为第6层的输入，然后经过3个3*3的卷积核得到第6层的结果；第6层的结果经过上卷积得到的结果与第1层的结果通过双向LSTM结合作为第7层的输入，然后经过2个3*3的卷积核，再经过一个1*1的卷积核得到最终的结果；最终的结果包括提取图片的语义信息和空间信息。
7.根据权利要求1或2所述的一种基于深度学习的海洋鱼类图像识别方法，其特征在于，所述的步骤五中，Accuracy指标如下：
其中，TP为真阳率，实际是正样本预测成正样本的样本数；TN为真阴率，实际是负样本预测成负样本的样本数；FP为假阳率，实际是负样本预测成正样本的样本数；FN为假阴率，实际是正样本预测成负样本的样本数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010663026.XA CN111814881A (zh) | 2020-07-10 | 2020-07-10 | 一种基于深度学习的海洋鱼类图像识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010663026.XA CN111814881A (zh) | 2020-07-10 | 2020-07-10 | 一种基于深度学习的海洋鱼类图像识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111814881A true CN111814881A (zh) | 2020-10-23 |
Family
ID=72842633
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010663026.XA Pending CN111814881A (zh) | 2020-07-10 | 2020-07-10 | 一种基于深度学习的海洋鱼类图像识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111814881A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112926652A (zh) * | 2021-02-25 | 2021-06-08 | 青岛科技大学 | 一种基于深度学习的鱼类细粒度图像识别方法 |
| CN113327254A (zh) * | 2021-05-27 | 2021-08-31 | 北京深睿博联科技有限责任公司 | 一种基于u型网络的图像分割方法和系统 |
| CN113569971A (zh) * | 2021-08-02 | 2021-10-29 | 浙江索思科技有限公司 | 一种基于图像识别的渔获目标分类检测方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108921058A (zh) * | 2018-06-19 | 2018-11-30 | 厦门大学 | 基于深度学习的鱼类识别方法、介质、终端设备及装置 |
| CN110059538A (zh) * | 2019-02-27 | 2019-07-26 | 成都数之联科技有限公司 | 一种基于深度密集神经网络的水体识别方法 |
-
2020
- 2020-07-10 CN CN202010663026.XA patent/CN111814881A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108921058A (zh) * | 2018-06-19 | 2018-11-30 | 厦门大学 | 基于深度学习的鱼类识别方法、介质、终端设备及装置 |
| CN110059538A (zh) * | 2019-02-27 | 2019-07-26 | 成都数之联科技有限公司 | 一种基于深度密集神经网络的水体识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| REZA AZAD等: "Bi-Directional ConvLSTM U-Net with Densley Connected Convolutions", HTTPS://ARXIV.ORG/PDF/1909.00166.PDF, 31 August 2019 (2019-08-31), pages 1 - 10 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112926652A (zh) * | 2021-02-25 | 2021-06-08 | 青岛科技大学 | 一种基于深度学习的鱼类细粒度图像识别方法 |
| CN112926652B (zh) * | 2021-02-25 | 2023-10-24 | 青岛科技大学 | 一种基于深度学习的鱼类细粒度图像识别方法 |
| CN113327254A (zh) * | 2021-05-27 | 2021-08-31 | 北京深睿博联科技有限责任公司 | 一种基于u型网络的图像分割方法和系统 |
| CN113569971A (zh) * | 2021-08-02 | 2021-10-29 | 浙江索思科技有限公司 | 一种基于图像识别的渔获目标分类检测方法及系统 |
| CN113569971B (zh) * | 2021-08-02 | 2022-03-25 | 浙江索思科技有限公司 | 一种基于图像识别的渔获目标分类检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11908244B2 (en) | Human posture detection utilizing posture reference maps | |
| CN113077471B (zh) | 一种基于u型网络的医学图像分割方法 | |
| CN110930416B (zh) | 一种基于u型网络的mri图像前列腺分割方法 | |
| CN111814881A (zh) | 一种基于深度学习的海洋鱼类图像识别方法 | |
| CN115661144B (zh) | 基于可变形U-Net的自适应医学图像分割方法 | |
| Popescu et al. | Retinal blood vessel segmentation using pix2pix gan | |
| CN109840483A (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
| CN112560710B (zh) | 一种用于构建指静脉识别系统的方法及指静脉识别系统 | |
| CN111428761A (zh) | 图像特征可视化方法、图像特征可视化装置及电子设备 | |
| Ma et al. | RetinexGAN: Unsupervised low-light enhancement with two-layer convolutional decomposition networks | |
| CN109903339A (zh) | 一种基于多维融合特征的视频群体人物定位检测方法 | |
| CN113643297B (zh) | 一种基于神经网络的计算机辅助牙龄分析方法 | |
| CN115223032A (zh) | 一种基于图像处理和神经网络融合的水生物识别与匹配方法 | |
| CN114358249A (zh) | 目标识别模型训练、目标识别方法及装置 | |
| CN112329875B (zh) | 一种基于连续吸引子网络的连续图像序列识别方法 | |
| CN117635418A (zh) | 生成对抗网络的训练方法、双向图像风格转换方法和装置 | |
| CN115862119B (zh) | 基于注意力机制的人脸年龄估计方法及装置 | |
| CN112863650A (zh) | 一种基于卷积与长短期记忆神经网络的心肌病识别系统 | |
| CN114581963A (zh) | 基于重构差异的oct指纹切面图像真伪检测方法 | |
| CN110287991A (zh) | 植物类生药真伪验证方法、装置、计算机设备及存储介质 | |
| CN112668668A (zh) | 一种术后医学影像评估方法、装置、计算机设备及存储介质 | |
| CN112365551A (zh) | 一种图像质量处理系统、方法、设备和介质 | |
| Bajaj et al. | Diabetic retinopathy stage classification | |
| Wu et al. | Fish Target Detection in Underwater Blurred Scenes Based on Improved YOLOv5 | |
| CN112329606B (zh) | 一种活体检测方法、装置、电子设备及可读存储介质 |
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 |