CN111814917B - 一种存在模糊态的字轮图像数字识别方法 - Google Patents
一种存在模糊态的字轮图像数字识别方法 Download PDFInfo
- Publication number
- CN111814917B CN111814917B CN202010885555.4A CN202010885555A CN111814917B CN 111814917 B CN111814917 B CN 111814917B CN 202010885555 A CN202010885555 A CN 202010885555A CN 111814917 B CN111814917 B CN 111814917B
- Authority
- CN
- China
- Prior art keywords
- state
- classifier
- training
- extractor
- sample
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Character Discrimination (AREA)
Abstract
本发明涉及一种存在模糊态的字轮图像数字识别方法,具体包括以下步骤:获取状态提取器的训练集,以及获取分类器的训练集;使用状态提取器的训练集对状态提取器进行训练,使用分类器的训练集对分类器进行训练;将待识别样本输入训练后的状态提取器,得到状态变量,将状态变量输入训练后的分类器,输出分类结果。本发明对连续变化的图像或没有明确分类界限的图像进行有效的识别处理,比如字轮图像数字的识别,使用构造的状态提取器对待识别样本的特征状态进行提取,得到状态变量,根据状态变量经隶属函数后得到的隶属度,将待识别样本送入隶属度相应的分类器中,从而对待识别样本进行正确的分类。
Description
技术领域
本发明涉及图像识别技术领域,特别涉及一种存在模糊态的字轮图像数字识别方法。
背景技术
图像信息的处理是当今技术的一种重要课题,近些年随着深度学习方法的发展,对于图像识别问题已经给出了较为成熟的解决方案,在车牌识别、文本识别等场景中取得了落地应用。
但目前学界研究的主要是具有明确分类界线的图像识别问题,而实际场景中常存在着一些界线模糊的图像分类问题。比如字轮图像数字的识别是一种典型的界线模糊图像分类问题,因为字轮转动是一个连续的过程,既有可能出现字轮中完整字符的情况,比如如图1所示出现的字符“5”为完整的字符,或者出现的字符“6”也是完整的字符,也可能出现半字符的情况,比如出现的字符“5”和字符“6”的中间状态,更多的可能是介于完整字符与半字符之间的情况。可以将完整字符和半字符的情况称为“确定状态”,将介于完整字符和半字符之间的情况称为“模糊态”。
在图像识别的场景中,若忽略处于模糊态的数据,将会导致图像识别模型无法准确有效的识别处于模糊态的图像,也就难以推广应用。若对处于模糊态的数据强行进行类别的划分,又会造成模型在训练过程中的迭代不收敛。因此,对于这些连续变化的场景或者没有明确分类界线的图像识别问题进行有效的处理,使得其能够被分类,是图像识别中非常重要的问题。
发明内容
本发明的目的在于对连续变化的图像或没有明确分类界限的图像进行有效的识别处理,比如字轮图像数字的识别,提供一种存在模糊态的字轮图像数字识别方法。
为了实现上述发明目的,本发明实施例提供了以下技术方案:
一种存在模糊态的字轮图像数字识别方法,具体包括以下步骤:
获取状态提取器的训练集,以及获取分类器的训练集;
使用状态提取器的训练集对状态提取器进行训练,使用分类器的训练集对分类器进行训练;
将待识别样本输入训练后的状态提取器,得到状态变量,将状态变量输入训练后的分类器,输出分类结果。
所述获取状态提取器的训练集的步骤,包括:从数据集中筛选出确定状态的数据,舍弃模糊态的数据,并对筛选出来的确定状态的数据进行状态标注,状态标注后的数据形成确定状态训练集,作为状态提取器的训练集;所述状态标注包括完整字符状态标注、半字符状态标注;
所述获取分类器的训练集的步骤,包括:对数据集中的所有数据进行分类标注,分类标注后的数据作为分类器的训练集;所述分类标注包括字符标注。
所述使用状态提取器的训练集对状态提取器进行训练的步骤,包括:
预训练状态特征提取结构:使用确定状态训练集对状态特征提取结构进行预训练,得到状态特征提取结构的参数;
特征度量学习:每次向状态特征提取结构中随机输入两个样本以及这两个样本之间的距离,训练以状态特征提取结构为基础的状态提取器;
构造确定状态的特征集:选取每个确定状态训练集中与同状态其余样本距离之和最小的一个样本,作为该确定状态的特征样本,将该特征样本添加到确定状态的特征集中,直到确定状态的特征集内存储了代表N个确定状态的N个特征。
所述使用分类器的训练集对分类器进行训练的步骤,包括:
将分类标注的训练集输入训练后的状态提取器,得到状态变量x0;
所述状态变量x0经N个特征所对应的N个隶属函数后,映射得到该状态变量对各模糊集的隶属度;
所述将待识别样本输入训练后的状态提取器,得到状态变量,将状态变量输入训练后的分类器,输出分类结果的步骤,包括:
将待识别样本输入训练后的状态提取器,得到状态变量x;
所述状态变量x经N个特征所对应的N个隶属函数后,映射得到该状态变量x分别对N个模糊集的隶属度;
根据得到的隶属度将输入的待识别样本进行唯一通路选择,选择进入其中一个模糊集对应的分类器中;
经该分类器后进行识别,输出该待识别样的分类结果。
所述将待识别样本输入训练后的状态提取器,得到状态变量x的步骤,包括:将待识别样本的状态特征与确定状态的特征集中的N个特征作比较,计算出N个距离值,形成状态变量x。
与现有技术相比,本发明的有益效果:
本发明对连续变化的图像或没有明确分类界限的图像进行有效的识别处理,比如字轮图像数字的识别,使用构造的状态提取器对待识别样本的特征状态进行提取,得到状态变量,根据状态变量经隶属函数后得到的隶属度,将待识别样本送入隶属度相应的分类器中,从而对待识别样本进行正确的分类。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍, 应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为字轮图像数字的转动过程示意图;
图2为本发明状态提取器的训练过程示意图;
图3为本发明分类器的训练过程示意图;
图4为本发明待识别样本的识别过程示意图;
图5为本发明待识别样本在识别过程中提取状态变量的示意图;
图6为本发明实施例模糊集示意图;
图7为本发明状态特征提取结构设计示意图;
图8为本发明状态分类网络设计示意图;
图9为本发明状态提取器设计示意图;
图10为本发明分类器结构设计示意图。
具体实施方式
下面将结合本发明实施例中附图,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
实施例:
本发明通过下述实例来说明技术方案的实现过程:
首先对状态提取器进行设计,设计的步骤为:
S11:设计状态提取器的状态特征提取结构,所述状态特征提取结构为用于提取状态特征的浅层CNN神经网络,如图7所示,该浅层CNN神经网络的第一层为输入、第二层为卷积层A、第三层为池化层A、第四层为卷积层B、第五层为池化层B,第五层的输出为提取的状态特征;
S12:设计状态分类网络,如图8所示,在状态特征提取之后增加全连接层,合并为一个特征样本的节点,所述状态分类网络用于对状态特征提取结构进行预训练,从而得到状态特征提取结构的参数。
S13:设计状态提取器(孪生网络),如图9所示,两个输入通道通过相同的状态特征提取结构,并计算样本之间的距离,从而得到状态变量。
进行状态提取器的训练过程时,孪生网络的输入1和输入2都为图像数据,孪生网络对提取的状态特征参数进行微调。
进行状态提取器的识别过程时,孪生网络的输入1为未知状态和分类的数据,即待识别样本,孪生网络的输入2依次为状态0、1的特征样本,计算得到该待识别样本与状态0的特征样本的距离、与状态1的特征样本的距离。状态提取器的输出即为状态变量。
然后对隶属函数及通路进行设计,设计的步骤为:
②识别阶段的通路保证不重不漏,输入的数据去到唯一的分类器模型中。
比如在训练阶段水平值设置为对于模糊集的隶属度大于0.4的放入分类器1的训练集,对于模糊集的隶属度大于0.4的放入分类器0的训练集。部分模糊态的数据会被同时放入两个分类器的训练集中,这样之后的识别阶段任一个分类器都可以正确识别这类数据。
最后对分类器进行设计,设计的步骤为:
S31:设计的分类器为用于字符分类的浅层CNN神经网络,对于模糊集和模糊集分别设计两个分类器,两个分类器的结构相同但参数不同,若有N个模糊集则设计N个分类器。如图10所示,结构第一层为输入、第二层为卷积层A、第三层为池化层A、第四层为卷积层B、第五层为池化层B、第六层为全连接层、第七层为单节点输出字符分类结果。
完成状态提取器和分类器的设计后,按照提出的字轮实例进行训练集的标注,包括获取状态提取器的训练集以及获取分类器的训练集。
从数据集中筛选出完整字符的图像标注为1,半字符的图像标注为0,舍弃介于完整字符和半字符之间的模糊态数据。标注了1或0的数据形成确定状态训练集,该确定状态训练集作为状态提取器的训练集。
对所有的数据进行分类标注,分类标注后的数据作为分类器的训练集,在对数据集中的数据进行分类标注时,完整字符的数据直接标注,两个字符都出现的按占比大的标注,两个字符各占一半的按照一定规则标注,比如对位于下半部分的字符进行标注,或者对位于上半部分的字符进行标注。
如图2所示,然后使用确定状态训练集的数据和确定状态标签(0、1)预训练状态特征提取结构,得到状态特征提取结构的参数,将预训练得到的状态特征提取结构的参数复制到孪生网络中,利用确定状态训练集对状态提取器进行训练。具体训练方式是,每次向状态特征提取结构中随机输入两个样本,即孪生网络的输入1和输入2,以及这两个样本之间的距离,若两个样本的标签一致则输入距离为0,否则输入距离为1。训练结束后的状态特征提取结构的参数即为训练状态提取器所使用的参数。假设确定状态训练集中状态0和状态1各有3000个样本,对于状态0的数据进行两两特征度量计算,选择出与另外2999个样本之间的距离和最小的那个样本作为状态0的特征样本;同理选择出状态1的特征样本。将两个特征样本存储到确定状态的特征集中,则这个确定状态的特征集中即存储了2个确定状态的2个特征。
如图3所示,接着对分类器进行训练,将分类标注的训练集输入训练后的状态提取器,得到状态变量x0,该状态变量x0经隶属函数映射获得状态变量x0对两个模糊集的隶属度,进而获得这两个模糊集的水平截集作为分类器的训练集。即模糊集的水平截集作为分类器0的训练集,模糊集的水平截集作为分类器1的训练集,即得到两个结构相同但参数不同的分类器1和分类器2。
如图4所示,完成状态提取器和分类器的训练后,将待识别样本输入训练后的状态提取器,得到状态变量x,状态变量x经隶属函数分别获得状态变量x对模糊集和的隶属度,根据得到的隶属度将待识别样本通过唯一通路送入分类器0或分类器1进行识别,进而输出该待识别样本的分类结果。如图5所示,其中状态提取器的识别过程是将输入的待识别样本的状态特征与确定状态的特征集中的两类特征做比较,计算出两个距离值,即与状态0的距离d0,与状态1的距离d1,状态提取器的输出即为状态变量x=(d0,d1),如果状态变量x对模糊集的隶属度大于对模糊集的隶属度,则将待识别样本送入对应的分类器0,反之送入对应的分类器1。可以理解为,处于模糊态的字轮数字图像被分类到字符占比大的一类中。
以上所述,仅为本发明的具体实施方式,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,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (5)
1.一种存在模糊态的字轮图像数字识别方法,其特征在于:具体包括以下步骤:
获取状态提取器的训练集,以及获取分类器的训练集;
所述获取状态提取器的训练集的步骤,包括:从数据集中筛选出确定状态的数据,舍弃模糊态的数据,并对筛选出来的确定状态的数据进行状态标注,状态标注后的数据形成确定状态训练集,作为状态提取器的训练集;所述状态标注包括完整字符状态标注、半字符状态标注;
使用状态提取器的训练集对状态提取器进行训练,使用分类器的训练集对分类器进行训练;
将待识别样本输入训练后的状态提取器,得到状态变量,将状态变量输入训练后的分类器,输出分类结果;
所述将待识别样本输入训练后的状态提取器,得到状态变量,将状态变量输入训练后的分类器,输出分类结果的步骤,包括:
将待识别样本输入训练后的状态提取器,得到状态变量x;
所述状态变量x经N个特征所对应的N个隶属函数后,映射得到该状态变量x分别对N个模糊集的隶属度;
根据得到的隶属度将输入的待识别样本进行唯一通路选择,选择进入其中一个模糊集对应的分类器中;
经该分类器后进行识别,输出该待识别样本的分类结果。
2.根据权利要求1所述的方法,其特征在于:所述获取分类器的训练集的步骤,包括:对数据集中的所有数据进行分类标注,分类标注后的数据作为分类器的训练集;所述分类标注包括字符标注。
3.根据权利要求2所述的方法,其特征在于:所述使用状态提取器的训练集对状态提取器进行训练的步骤,包括:
预训练状态特征提取结构:使用确定状态训练集对状态特征提取结构进行预训练,得到状态特征提取结构的参数;
特征度量学习:每次向状态特征提取结构中随机输入两个样本以及这两个样本之间的距离,训练以状态特征提取结构为基础的状态提取器;
构造确定状态的特征集:选取每个确定状态训练集中与同状态其余样本距离之和最小的一个样本,作为该确定状态的特征样本,将该特征样本添加到确定状态的特征集中,直到确定状态的特征集内存储了代表N个确定状态的N个特征。
4.根据权利要求3所述的方法,其特征在于:所述使用分类器的训练集对分类器进行训练的步骤,包括:
将分类标注的训练集输入训练后的状态提取器,得到状态变量x0;
所述状态变量x0经N个特征所对应的N个隶属函数后,映射得到该状态变量对各模糊集的隶属度;
根据N个隶属函数对应的N个模糊集的隶属度获取各模糊集的水平截集作为分类器的训练集对分类器进行训练,得到N个分类器。
5.根据权利要求4所述的方法,其特征在于:所述将待识别样本输入训练后的状态提取器,得到状态变量x的步骤,包括:将待识别样本的状态特征与确定状态的特征集中的N个特征作比较,计算出N个距离值,形成状态变量x。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010885555.4A CN111814917B (zh) | 2020-08-28 | 2020-08-28 | 一种存在模糊态的字轮图像数字识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010885555.4A CN111814917B (zh) | 2020-08-28 | 2020-08-28 | 一种存在模糊态的字轮图像数字识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111814917A CN111814917A (zh) | 2020-10-23 |
CN111814917B true CN111814917B (zh) | 2020-11-24 |
Family
ID=72860291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010885555.4A Active CN111814917B (zh) | 2020-08-28 | 2020-08-28 | 一种存在模糊态的字轮图像数字识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814917B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516110B (zh) * | 2021-09-13 | 2021-12-21 | 成都千嘉科技有限公司 | 基于图像分割的燃气表字轮坐标提取方法 |
CN114166858B (zh) * | 2022-02-11 | 2022-04-12 | 海门市芳华纺织有限公司 | 基于人工智能的纺织毛刷辊划伤皮革区域检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101419671A (zh) * | 2008-11-10 | 2009-04-29 | 北方工业大学 | 基于模糊支持向量机的人脸性别识别方法 |
CN102156298A (zh) * | 2011-03-11 | 2011-08-17 | 中国地震局地壳应力研究所 | 一种基于非统计假设检验的地震动强度快速评定方法 |
CN106650786A (zh) * | 2016-11-14 | 2017-05-10 | 沈阳工业大学 | 基于多列卷积神经网络模糊评判的图像识别方法 |
CN107770108A (zh) * | 2017-10-23 | 2018-03-06 | 佛山科学技术学院 | 一种k‑均值聚类和分级训练svm分类器的联合调制识别方法 |
CN108520283A (zh) * | 2018-04-13 | 2018-09-11 | 山东管理学院 | 一种基于脑区间接关系网络构建的医学图像分类方法 |
CN109615606A (zh) * | 2018-11-09 | 2019-04-12 | 华南理工大学 | 一种柔性ic基板点线面缺陷的快速分类方法 |
CN110223193A (zh) * | 2019-03-27 | 2019-09-10 | 东北电力大学 | 基于模糊聚类和rs-knn模型用于电网运行状态的判别方法及系统 |
CN110298434A (zh) * | 2019-05-27 | 2019-10-01 | 湖州师范学院 | 一种基于模糊划分和模糊加权的集成深度信念网络 |
CN110991517A (zh) * | 2019-11-28 | 2020-04-10 | 太原理工大学 | 一种面向脑卒中非平衡数据集的分类方法及系统 |
CN111444937A (zh) * | 2020-01-15 | 2020-07-24 | 湖州师范学院 | 一种基于集成tsk模糊分类器的众包质量提升的方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102368188A (zh) * | 2011-10-09 | 2012-03-07 | 北京捷通华声语音技术有限公司 | 一种滚动书写方法及装置 |
EP3682372A4 (en) * | 2017-09-14 | 2021-07-21 | Chevron U.S.A. Inc. | CLASSIFICATION OF STRINGS USING MACHINE LEARNING |
CN108733957A (zh) * | 2018-05-31 | 2018-11-02 | 国网安徽省电力有限公司淮北供电公司 | 一种用于变压器故障诊断的噪声特征提取与判断方法 |
CN109033198A (zh) * | 2018-06-29 | 2018-12-18 | 广东工业大学 | 一种变压器绝缘纸异常辨识的多要素模糊分析方法 |
CN111046897A (zh) * | 2018-10-11 | 2020-04-21 | 顾泽苍 | 一种跨越不同空间的模糊事件概率测度的定义方法 |
CN109708877B (zh) * | 2018-12-27 | 2020-11-24 | 昆明理工大学 | 基于小波模糊识别和图像分析理论的机械故障分析方法 |
-
2020
- 2020-08-28 CN CN202010885555.4A patent/CN111814917B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101419671A (zh) * | 2008-11-10 | 2009-04-29 | 北方工业大学 | 基于模糊支持向量机的人脸性别识别方法 |
CN102156298A (zh) * | 2011-03-11 | 2011-08-17 | 中国地震局地壳应力研究所 | 一种基于非统计假设检验的地震动强度快速评定方法 |
CN106650786A (zh) * | 2016-11-14 | 2017-05-10 | 沈阳工业大学 | 基于多列卷积神经网络模糊评判的图像识别方法 |
CN107770108A (zh) * | 2017-10-23 | 2018-03-06 | 佛山科学技术学院 | 一种k‑均值聚类和分级训练svm分类器的联合调制识别方法 |
CN108520283A (zh) * | 2018-04-13 | 2018-09-11 | 山东管理学院 | 一种基于脑区间接关系网络构建的医学图像分类方法 |
CN109615606A (zh) * | 2018-11-09 | 2019-04-12 | 华南理工大学 | 一种柔性ic基板点线面缺陷的快速分类方法 |
CN110223193A (zh) * | 2019-03-27 | 2019-09-10 | 东北电力大学 | 基于模糊聚类和rs-knn模型用于电网运行状态的判别方法及系统 |
CN110298434A (zh) * | 2019-05-27 | 2019-10-01 | 湖州师范学院 | 一种基于模糊划分和模糊加权的集成深度信念网络 |
CN110991517A (zh) * | 2019-11-28 | 2020-04-10 | 太原理工大学 | 一种面向脑卒中非平衡数据集的分类方法及系统 |
CN111444937A (zh) * | 2020-01-15 | 2020-07-24 | 湖州师范学院 | 一种基于集成tsk模糊分类器的众包质量提升的方法 |
Non-Patent Citations (4)
Title |
---|
Fuzzy c-Means Classifier for Incomplete Data Sets with Outliers and Missing Values;Hidetomo Ichihashi等;《CIMCA-IAWTIC’05》;20051130;第1-8页 * |
Patrik Sabol.Semantically Explainable Fuzzy Classi¯er.《International Journal of Pattern Recognition and Arti¯cial Intelligence》.2019,第33卷(第12期),第1-22页. * |
基于格贴近度的不完全文字图像模糊识别方法》;周丽娟;《计算机工程与设计》;20131231;第34卷(第12期);第4326-4331页 * |
基于模糊隶属度函数的ICA特征提取和识别;姚玉未;《计算机工程与设计》;20091231;第30卷(第18期);第4281-4284页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111814917A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109949317B (zh) | 基于逐步对抗学习的半监督图像实例分割方法 | |
CN112734775B (zh) | 图像标注、图像语义分割、模型训练方法及装置 | |
CN110097094B (zh) | 一种面向人物交互的多重语义融合少样本分类方法 | |
CN110083700A (zh) | 一种基于卷积神经网络的企业舆情情感分类方法及系统 | |
CN109344884A (zh) | 媒体信息分类方法、训练图片分类模型的方法及装置 | |
CN112784929B (zh) | 一种基于双元组扩充的小样本图像分类方法及装置 | |
CN105469080B (zh) | 一种人脸表情识别方法 | |
CN111814917B (zh) | 一种存在模糊态的字轮图像数字识别方法 | |
CN105930834A (zh) | 基于球哈希二值编码的人脸识别方法及装置 | |
CN111488911B (zh) | 基于Mask R-CNN与GAN的图像实体抽取方法 | |
CN112183672A (zh) | 图像分类方法、特征提取网络的训练方法和装置 | |
CN112990282B (zh) | 一种细粒度小样本图像的分类方法及装置 | |
CN114360038B (zh) | 基于深度学习的弱监督rpa元素识别方法及系统 | |
CN108280490A (zh) | 一种基于卷积神经网络的细粒度车型识别方法 | |
Hossain et al. | Recognition and solution for handwritten equation using convolutional neural network | |
CN113841161A (zh) | 用于自动生成内容分发图像的可扩展体系架构 | |
CN107958219A (zh) | 基于多模型和多尺度特征的图像场景分类方法 | |
CN110751191A (zh) | 一种图像的分类方法及系统 | |
Jin et al. | Image credibility analysis with effective domain transferred deep networks | |
Li et al. | Image manipulation localization using attentional cross-domain CNN features | |
CN116152824A (zh) | 一种发票信息提取方法及系统 | |
CN113378962B (zh) | 一种基于图注意力网络的服装属性识别方法与系统 | |
CN112508108B (zh) | 一种基于字根的零样本汉字识别方法 | |
CN113792659A (zh) | 文档识别方法、装置及电子设备 | |
CN109472307A (zh) | 一种训练图像分类模型的方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: No. 536, Section 1, airport 1st Road, Southwest Airport, Shuangliu District, Chengdu, Sichuan 610211 Patentee after: Chengdu Qianjia Technology Co.,Ltd. Address before: No. 536, Section 1, airport 1st Road, Southwest Airport, Shuangliu District, Chengdu, Sichuan 610211 Patentee before: Chengdu Qianjia Technology Co.,Ltd. |