CN111860258A - 基于三维卷积神经网络的考场全局事件检测方法及系统 - Google Patents
基于三维卷积神经网络的考场全局事件检测方法及系统 Download PDFInfo
- Publication number
- CN111860258A CN111860258A CN202010663412.9A CN202010663412A CN111860258A CN 111860258 A CN111860258 A CN 111860258A CN 202010663412 A CN202010663412 A CN 202010663412A CN 111860258 A CN111860258 A CN 111860258A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- layer
- global event
- dimensional convolutional
- 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
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
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/44—Event detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于三维卷积神经网络的考场全局事件检测方法及系统。该方法包括步骤:收集标准化考场的视频数据构建考场全局事件数据集,将所述考场全局事件数据集划分为训练集和测试集,所述考场全局事件数据集包括分别对应不同类型全局事件的多个视频数据集;对所述考场全局事件数据集进行归一化预处理操作,所述归一化预处理操作是将每个所述视频数据集分为多个连续帧,并将每一帧裁剪为N×N的大小;利用所述训练集训练三维卷积神经网络,所述三维卷积神经网络包括输入层、五个卷积层、五个池化层、两个全连接层和一个输出层;利用训练好的所述三维卷积神经网络进行考场全局事件检测。本发明可以提高考场全局事件检测的准确性。
Description
技术领域
本发明属于教育信息化技术领域,更具体地,涉及基于三维卷积神经网络的考场全局事件检测方法及系统。
背景技术
传统人工监考方式存在耗费大量人力资源和不准确的主观性判断等问题,随着计算机技术的发展,应用计算机技术构建自动监考系统有助于实现公平高效的监考环境。其中,考场监控视频中全局事件的检测是构建完整自动监考系统的重要基础,它在技术上属于视频事件检测的一个分支。在视频事件检测方面,主要包括两种方式,传统的事件检测方式和基于深度学习神经网络特征的事件检测方式。
传统事件检测方式一般是首先提取视频的视觉特征,对特征进行编码得到图像表示后进行分类,提取视频特征方法主要有空间时间兴趣点和IDT特征,目前以IDT(改进的密集轨迹特征)的表现最好,但是提取这样的人工特征十分耗时,并且对于考场全局事件,可区别的特征可能只在整个视频的很小一部分发挥作用导致传统视频事件检测方式效率不高。
基于深度学习网络特征的方式是通过神经网络学习提取视频特征进行分类。其中,卷积神经网络在图像识别领域中表现出色,但是在考场全局事件的检测任务中存在巨大类内差异,考场全局事件发生在不同的教室,教室被不同方位的摄像头监控,所以同一类考场全局事件可以在不同的背景下发生。此外,不同考场全局事件的类间差异较小,导致难以从单一的图像中区分不同考场全局事件。
发明内容
针对现有技术的至少一个缺陷或改进需求,本发明提供了基于三维卷积神经网络的考场全局事件检测方法及系统,可以提高考场全局事件检测的准确性。
为实现上述目的,按照本发明的第一方面,提供了基于三维卷积神经网络的考场全局事件检测方法,包括步骤:
收集标准化考场的视频数据构建考场全局事件数据集,将所述考场全局事件数据集划分为训练集和测试集,所述考场全局事件数据集包括分别对应不同类型全局事件的多个视频数据集;
对所述考场全局事件数据集进行归一化预处理操作,所述归一化预处理操作是将每个所述视频数据集分为多个连续帧,并将每一帧裁剪为N×N的大小;
利用所述训练集训练三维卷积神经网络,所述三维卷积神经网络包括:输入层、五个卷积层、五个池化层、两个全连接层和一个输出层,所述输入层的输出与第一个所述卷积层连接,所述卷积层和所述池化层交替连接,最后一个所述池化层与所述全连接层的输入连接,所述全连接层的输出与所述输出层的输入连接,所述输出层应用softmax函数输出概率分布,所述输出层的神经元个数与所述考场全局事件数据集包含的全局事件的类型数量相同;
利用训练好的所述三维卷积神经网络进行考场全局事件检测。
优选地,所述考场全局事件数据集包括分别对应六类全局事件的六个视频数据集,分别是空考场视频数据集、考生进场视频数据集、分发试卷视频数据集、考试中视频数据集、考试离场视频数据集和收卷视频数据集。
优选地,每一类型全局事件对应的视频数据集中包括不同标准化考场、不同监控方位的视频数据。
优选地,所述N×N为112×112。
优选地,训练时所述三维卷积神经网络的输入向量是10×16×112×112×3,10代表一次训练的样本数量,16代表连续帧数,112×112代表图像高度和图像宽度,3代表RGB图的通道数,所述三维卷积神经网络的输出向量是10×6,10代表样本数量,6代表输出类别。
优选地,所述卷积层的卷积核大小均为3×3×3,步长为1×1×1,从第一个所述卷积层到第五个所述卷积层输出的特征图依次为64、128、256、512、512,第一所述池化层的池化核大小为1×2×2,步长为1×2×2,其余所述池化层均以池化核大小2×2×2步长为2×2×2进行压缩融合时空信息,所述全连接层将第五个所述池化层输出的512张特征图排列,设置4096个神经元节点,所述三维卷积神经网络中的每一层的激活函数均为修正线性单元函数。
优选地,所述训练包括:设定所述三维卷积神经网络的迭代次数,随机初始化所述三维卷积神经网络的权值,在所述训练集中随机选取多个连续帧送入所述三维卷积神经网络中进行训练,在训练过程中,利用反向传播算法和交叉熵函数最小化梯度进行所述三维卷积神经网络的连接的权值和偏置的更新,并且采用dropout方法按照预定概率丢弃所述全连接层的神经元,直至完成训练所述三维卷积神经网络的迭代次数。
优选地,所述预定概率的范围为0.5到0.7。
按照本发明的第二方面,提供了基于三维卷积神经网络的考场全局事件检测系统,包括:
样本构建模块,用于收集标准化考场的视频数据构建考场全局事件数据集,将所述考场全局事件数据集划分为训练集和测试集,所述考场全局事件数据集包括分别对应不同类型全局事件的多个视频数据集;
预处理模块,用于对所述考场全局事件数据集进行归一化预处理操作,所述归一化预处理操作是指将每个所述视频数据集分为多个连续帧,并将每一帧裁剪为N×N的大小;
训练模块,用于利用所述训练集训练三维卷积神经网络,所述三维卷积神经网络包括:输入层、五个卷积层、五个池化层、两个全连接层和一个输出层,所述输入层的输出与第一个所述卷积层连接,所述卷积层和所述池化层交替连接,最后一个所述池化层与所述全连接层的输入连接,所述全连接层的输出与所述输出层的输入连接,所述输出层应用softmax函数输出概率分布,所述输出层的神经元个数与所述考场全局事件数据集包含的全局事件的类型数量相同;
检测模块,用于利用训练好的所述三维卷积神经网络进行考场全局事件检测。
总体而言,本发明与现有技术相比,具有有益效果:解决了完整自动监考系统的关键问题,也便于进行后期考务事件的评比和分析,同时,实现了较高准确性的考场全局事件检测任务,减少了人为因素的影响。具体表现为:一、充分考虑应用环境的特点,构建的不同类型的全局事件在语义上具有良好的可分性和无歧义性,同时,每种全局事件对应的数据集在视觉上也具有较大的差异性和良好的可分性,因此可以提高场全局事件检测的准确性。
视频数据集可来源于真实标准化考场不同教室、不同监控方位的监控视频数据,这样可以进一步提高场全局事件检测的准确性。二、利用考场全局事件视频数据集训练适用于此任务的三维卷积神经网络的参数,三维卷积神经网络提取特征的时空性,也有利于提高场全局事件检测的准确性。
附图说明
图1是本发明实施例的考场全局事件检测方法的示意图;
图2是本发明实施例的三维卷积神经网络的卷积操作示意图;
图3是本发明实施例的三维卷积神经网络的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,本发明实施例的基于三维卷积神经网络的考场全局事件检测方法,包括以下步骤1至4。
步骤1:收集标准化考场的视频数据构建考场全局事件数据集,生成训练集和测试集,其中,考场全局事件数据集包括分别多个视频数据集,每个视频数据集一种类型的全局事件。全局事件是指考场环境内全体人员的特定行为所构成的事件;与全局事件对应的是局部事件,即部分人员的特定行为所构成的事件。
例如,考场全局事件数据集包括分别对应六类全局事件的六个视频数据集,分别是空考场视频数据集、考生进场视频数据集、分发试卷视频数据集、考试中视频数据集、考试离场视频数据集和收卷视频数据集。每一类型全局事件对应的视频数据集中还可包括不同标准化考场、不同监控方位的视频数据。这样,充分考虑应用环境的特点,构建的不同类型的全局事件在语义上具有良好的可分性和无歧义性,同时,每种全局事件对应的数据集在视觉上也具有较大的差异性和良好的可分性,因此可以提高场全局事件检测的准确性。
训练集和测试集可按照3:1的比例生成。
步骤2:对考场视频数据集进行归一化预处理操作,归一化操作是指将每个视频数据集分为多个连续帧,且每一帧裁剪为N×N的大小,得到归一化后的数据集。
N可为112,即连续帧图像批量化裁剪为112×112大小。
步骤3:利用训练集训练三维卷积神经网络。
预先搭建三维卷积神经网络,如图2和图3所示,该网络包括:输入层、五个卷积层、五个池化层、两个全连接层和一个输出层,输入层的输出与第一个卷积层连接,卷积层和池化层交替连接,即一个卷积层连接一个池化层,再连接一个卷积层,如此交替连接,最后一个池化层与全连接层的输入连接,全连接层的输出与输出层的输入连接,输出层应用softmax函数输出概率分布,输出层的神经元个数与所述考场全局事件数据集包含的全局事件的类型数量相同。
优选地,三维卷积神经网络的输入向量是10×16×112×112×3,10代表一次训练的样本数量,16代表连续帧数,112×112代表图像高度和图像宽度,3代表RGB图的通道数,10代表一次训练的样本数量,16代表连续帧数,112代表图像高度,112代表图像宽度,3代表RGB图的通道数,三维卷积神经网络的输出向量是10×6,10代表样本数量,6代表输出类别。
优选地,经过参数遍历,最终确定针对考场全局事件检测的三维卷积神经网络结构参数如下:卷积层的卷积核大小均为3×3×3,步长为1×1×1,从第一个卷积层到第五个卷积层输出的特征图依次为64、128、256、512、512,第一池化层的池化核大小为1×2×2,步长为1×2×2,其余池化层均以池化核大小2×2×2步长为2×2×2进行压缩融合时空信息,全连接层将第五个池化层输出的512张特征图排列,设置4096个神经元节点;该三维卷积神经网络中的每一层的激活函数均为修正线性单元(Rectified Linear Unit,ReLu)函数。该参数下,全局事件检测效果最优。
训练可通过以下步骤来实现:设定三维卷积神经网络的迭代次数,随机初始化三维卷积神经网络的权值,预处理好的训练集中随机选取多个连续帧送入三维卷积神经网络中进行训练,在训练过程中,利用反向传播算法和交叉熵函数最小化梯度进行三维卷积神经网络连接的权值和偏置的更新。并且,为了防止过拟合,全连接层采用dropout方法按照预定概率丢弃全连接层的神经元,直至完成训练三维卷积神经网络的迭代次数。优选地,该预定概率的范围为0.5到0.7。
步骤4:利用训练好的三维卷积神经网络进行考场全局事件检测。
在正式使用前,可利用测试集对考场全局事件测试集进行测试,将考场全局事件测试集送入训练好的三维卷积神经网络中,进行评估,得出评估结果,来优化三维卷积神经网络。
本发明实施例的基于三维卷积神经网络的考场全局事件检测系统,包括样本构建模块、预处理模块、训练模块和检测模块。
样本构建模块,用于收集标准化考场的视频数据构建考场全局事件数据集,将考场全局事件数据集划分为训练集和测试集,该考场全局事件数据集包括分别对应不同类型全局事件的多个视频数据集。
预处理模块,用于对考场全局事件数据集进行归一化预处理操作,归一化预处理操作是指将每个视频数据集分为多个连续帧,并将每一帧裁剪为N×N的大小。
训练模块,用于利用上述训练集训练三维卷积神经网络,三维卷积神经网络包括:输入层、五个卷积层、五个池化层、两个全连接层和一个输出层,输入层的输出与第一个卷积层连接,卷积层和池化层交替连接,最后一个池化层与全连接层的输入连接,全连接层的输出与输出层的输入连接,输出层应用softmax函数输出概率分布,输出层的神经元个数与考场全局事件数据集包含的全局事件的类型数量相同。
检测模块,用于利用训练好的三维卷积神经网络进行考场全局事件检测。
考场全局事件检测系统的实现原理、技术效果与上述考场全局事件检测方法类似,此处不再赘述。
利用上述一种基于三维卷积神经网络的考场全局事件检测方法及系统,进行考场全局事件检测,统计其正确率(Accuracy),单个全局事件的正确率最高为100%,最低为84.62%;六类全局事件的平均检测正确率达到93.94%。具体数据如下表:
全局事件类别 | 正确率(Accuracy) |
空考场 | 100% |
考生进场 | 89.66% |
分发试卷 | 87.23% |
考试中 | 100% |
考试离场 | 84.62% |
收卷 | 97.14% |
(平均) | 93.94% |
必须说明的是,上述任一实施例中,方法并不必然按照序号顺序依次执行,只要从执行逻辑中不能推定必然按某一顺序执行,则意味着可以以其他任何可能的顺序执行。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.基于三维卷积神经网络的考场全局事件检测方法,其特征在于,包括步骤:
收集标准化考场的视频数据构建考场全局事件数据集,将所述考场全局事件数据集划分为训练集和测试集,所述考场全局事件数据集包括分别对应不同类型全局事件的多个视频数据集;
对所述考场全局事件数据集进行归一化预处理操作,所述归一化预处理操作是将每个所述视频数据集分为多个连续帧,并将每一帧裁剪为N×N的大小;
利用所述训练集训练三维卷积神经网络,所述三维卷积神经网络包括:输入层、五个卷积层、五个池化层、两个全连接层和一个输出层,所述输入层的输出与第一个所述卷积层连接,所述卷积层和所述池化层交替连接,最后一个所述池化层与所述全连接层的输入连接,所述全连接层的输出与所述输出层的输入连接,所述输出层应用softmax函数输出概率分布,所述输出层的神经元个数与所述考场全局事件数据集包含的全局事件的类型数量相同;
利用训练好的所述三维卷积神经网络进行考场全局事件检测。
2.如权利要求1所述的基于三维卷积神经网络的考场全局事件检测方法,其特征在于,所述考场全局事件数据集包括分别对应六类全局事件的六个视频数据集,分别是空考场视频数据集、考生进场视频数据集、分发试卷视频数据集、考试中视频数据集、考试离场视频数据集和收卷视频数据集。
3.如权利要求1所述的基于三维卷积神经网络的考场全局事件检测方法,其特征在于,每一类型全局事件对应的视频数据集中包括不同标准化考场、不同监控方位的视频数据。
4.如权利要求1所述的基于三维卷积神经网络的考场全局事件检测方法,其特征在于,所述N×N为112×112。
5.如权利要求4所述的基于三维卷积神经网络的考场全局事件检测方法,其特征在于,训练时所述三维卷积神经网络的输入向量是10×16×112×112×3,10代表一次训练的样本数量,16代表连续帧数,112×112代表图像高度和图像宽度,3代表RGB图的通道数,所述三维卷积神经网络的输出向量是10×6,10代表样本数量,6代表输出类别。
6.如权利要求1所述的基于三维卷积神经网络的考场全局事件检测方法,其特征在于,所述卷积层的卷积核大小均为3×3×3,步长为1×1×1,从第一个所述卷积层到第五个所述卷积层输出的特征图依次为64、128、256、512、512,第一所述池化层的池化核大小为1×2×2,步长为1×2×2,其余所述池化层均以池化核大小2×2×2步长为2×2×2进行压缩融合时空信息,所述全连接层将第五个所述池化层输出的512张特征图排列,设置4096个神经元节点,所述三维卷积神经网络中的每一层的激活函数均为修正线性单元函数。
7.如权利要求1所述的基于三维卷积神经网络的考场全局事件检测方法,其特征在于,所述训练包括:设定所述三维卷积神经网络的迭代次数,随机初始化所述三维卷积神经网络的权值,在所述训练集中随机选取多个连续帧送入所述三维卷积神经网络中进行训练,在训练过程中,利用反向传播算法和交叉熵函数最小化梯度进行所述三维卷积神经网络的连接的权值和偏置的更新,并且采用dropout方法按照预定概率丢弃所述全连接层的神经元,直至完成训练所述三维卷积神经网络的迭代次数。
8.如权利要求7所述的基于三维卷积神经网络的考场全局事件检测方法,其特征在于,所述预定概率的范围为0.5到0.7。
9.基于三维卷积神经网络的考场全局事件检测系统,其特征在于,包括:
样本构建模块,用于收集标准化考场的视频数据构建考场全局事件数据集,将所述考场全局事件数据集划分为训练集和测试集,所述考场全局事件数据集包括分别对应不同类型全局事件的多个视频数据集;
预处理模块,用于对所述考场全局事件数据集进行归一化预处理操作,所述归一化预处理操作是指将每个所述视频数据集分为多个连续帧,并将每一帧裁剪为N×N的大小;
训练模块,用于利用所述训练集训练三维卷积神经网络,所述三维卷积神经网络包括:输入层、五个卷积层、五个池化层、两个全连接层和一个输出层,所述输入层的输出与第一个所述卷积层连接,所述卷积层和所述池化层交替连接,最后一个所述池化层与所述全连接层的输入连接,所述全连接层的输出与所述输出层的输入连接,所述输出层应用softmax函数输出概率分布,所述输出层的神经元个数与所述考场全局事件数据集包含的全局事件的类型数量对应;
检测模块,用于利用训练好的所述三维卷积神经网络进行考场全局事件检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010663412.9A CN111860258A (zh) | 2020-07-10 | 2020-07-10 | 基于三维卷积神经网络的考场全局事件检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010663412.9A CN111860258A (zh) | 2020-07-10 | 2020-07-10 | 基于三维卷积神经网络的考场全局事件检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111860258A true CN111860258A (zh) | 2020-10-30 |
Family
ID=73153498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010663412.9A Pending CN111860258A (zh) | 2020-07-10 | 2020-07-10 | 基于三维卷积神经网络的考场全局事件检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860258A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329863A (zh) * | 2020-11-09 | 2021-02-05 | 西南交通大学 | 一种牵引变电所内隔离开关状态识别方法 |
-
2020
- 2020-07-10 CN CN202010663412.9A patent/CN111860258A/zh active Pending
Non-Patent Citations (1)
Title |
---|
DAI, Z.,ET.AL: "Detecting Global Exam Events in Invigilation Videos Using 3D Convolutional Neural Network", 《IN PACIFIC-RIM SYMPOSIUM ON IMAGE AND VIDEO TECHNOLOGY 》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329863A (zh) * | 2020-11-09 | 2021-02-05 | 西南交通大学 | 一种牵引变电所内隔离开关状态识别方法 |
CN112329863B (zh) * | 2020-11-09 | 2022-04-22 | 西南交通大学 | 一种牵引变电所内隔离开关状态识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
CN109978893B (zh) | 图像语义分割网络的训练方法、装置、设备及存储介质 | |
CN104992223B (zh) | 基于深度学习的密集人数估计方法 | |
CN108846835B (zh) | 基于深度可分离卷积网络的图像变化检测方法 | |
CN106778595B (zh) | 基于高斯混合模型的人群中异常行为的检测方法 | |
CN107133651B (zh) | 基于超网络判别子图的功能磁共振影像数据分类方法 | |
CN108846426A (zh) | 基于深度双向lstm孪生网络的极化sar分类方法 | |
CN109871875B (zh) | 一种基于深度学习的建筑物变化检测方法 | |
CN111738044B (zh) | 一种基于深度学习行为识别的校园暴力评估方法 | |
CN111008337B (zh) | 一种基于三元特征的深度注意力谣言鉴别方法及装置 | |
CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
CN111832615A (zh) | 一种基于前景背景特征融合的样本扩充方法及系统 | |
CN106022254A (zh) | 图像识别技术 | |
CN113761259A (zh) | 一种图像处理方法、装置以及计算机设备 | |
CN105989336A (zh) | 基于带权重的解卷积深度网络学习的场景识别方法 | |
CN113095370A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN112163450A (zh) | 基于s3d学习算法的高频地波雷达船只目标检测方法 | |
CN114360030A (zh) | 一种基于卷积神经网络的人脸识别方法 | |
CN112784921A (zh) | 任务注意力引导的小样本图像互补学习分类算法 | |
CN115966010A (zh) | 一种基于注意力和多尺度特征融合的表情识别方法 | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
CN114332075A (zh) | 基于轻量化深度学习模型的结构缺陷快速识别与分类方法 | |
CN114332473A (zh) | 目标检测方法、装置、计算机设备、存储介质及程序产品 | |
CN114329240A (zh) | 选址特征筛选方法、装置、电子设备及存储介质 | |
CN111860258A (zh) | 基于三维卷积神经网络的考场全局事件检测方法及系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201030 |