CN111881942A - 一种基于压缩学习的目标分类方法及系统 - Google Patents
一种基于压缩学习的目标分类方法及系统 Download PDFInfo
- Publication number
- CN111881942A CN111881942A CN202010633623.8A CN202010633623A CN111881942A CN 111881942 A CN111881942 A CN 111881942A CN 202010633623 A CN202010633623 A CN 202010633623A CN 111881942 A CN111881942 A CN 111881942A
- Authority
- CN
- China
- Prior art keywords
- data
- compressed
- class diagram
- value class
- learning
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于压缩学习的目标分类方法及系统,属于目标分类技术领域,解决了现有目标分类方法中存在的计算效率低、计算复杂度高、功耗高、方法可移植性差的问题。该方法包括以下步骤:获取原始图像在空间域中的缩略图数据;获取所述原始图像在压缩域中的观测值类图;融合所述缩略图数据和所述观测值类图,形成多维压缩数据;将所述多维压缩数据用于目标分类。本发明提出的基于压缩学习的目标分类方法及系统,能够有效提升目标分类的计算效率、降低计算复杂度及功耗,且可移植性强。
Description
技术领域
本发明涉及目标分类技术领域,尤其涉及一种基于压缩学习的目标分类方法及系统。
背景技术
众所周知,图像有着强大的信息搭载量,随着科技的发展,一系列依赖于图像进行工作的高科技产品应运而生,从而更进一步促进了图像处理技术的蓬勃发展。其中,图像目标分类技术作为图像处理、人工智能等研究领域中至关重要的研究方向,同样在以前所未有的速度发展着。图像目标分类技术作为目标检测等应用领域的重要组成部分,不仅是精确制导、武器防御、反恐监测等军事自动目标分类系统的关键技术,而且也是提升减灾应急、交通管理、渔业海事、无人机和机器人等民用智能系统的核心部分,在多个应用领域都发挥着不可替代的作用。
近些年来,随着目标分类过程中图像数据量的不断增大、图像纹理信息的不断丰富、目标分类类型的不断复杂,通过在图像中找到可能匹配的位置、并通过计算相似度来判定是否为相应类型的目标分类结果的传统目标分类方法已经远远不能满足现在的需求;而基于机器学习的图像目标分类方法,由于其具备高效率以及高准确率的优势,已经逐渐崭露头角。基于机器学习的图像目标分类技术研究,在近年来取得了许多成果:例如,在目前较为前沿的目标检测算法(如R-CNN,SPP(Spatial Pyramid Pooling),NET,FasterR-CNN,YOLO)中涉及的目标分类技术,AlexNet、GoogleNet等经典的目标分类神经网络模型。上述研究成果都加速了图像目标分类技术的快速发展,其发展趋势可以概括为:目标分类模型的层次不断加深、结构更为复杂、训练数据集不断增加。
然而,现有目标分类方法的缺陷在于,无法兼具高效率与高准确率,存在计算效率低、计算复杂度高、计算过程功耗高、方法可移植性差等问题。在这种情况下,如何提升目标分类的效率,同时保持较高的分类准确率,是现今急需解决的问题。
发明内容
鉴于上述的分析,本发明旨在提供一种基于压缩学习的目标分类方法及系统,用以解决现有目标分类方法中存在的计算效率低、计算复杂度高、计算过程功耗高、方法可移植性差的问题。
本发明的目的主要是通过以下技术方案实现的:
一方面,本发明提供了一种基于压缩学习的目标分类方法,所述方法包括以下步骤:
获取原始图像在空间域中的缩略图数据;
获取所述原始图像在压缩域中的观测值类图;
融合所述缩略图数据和所述观测值类图,形成多维压缩数据;
将所述多维压缩数据用于目标分类。
进一步,所述获取所述原始图像在压缩域中的观测值类图,包括:
获取所述原始图像在压缩域中的观测数据;
对所述观测数据进行采样,得到压缩域中的所述观测值类图。
进一步,采用定点采样方式对所述观测数据进行采样,包括:
选定定点采样的采样窗口,所述定点采样的采样窗口在观测数据上滑动过程中,将所述定点采样的采样窗口中某一固定位置的像素点作为采样点保留,基于保留下来的采样点生成观测值类图。
进一步,所述缩略图数据和所述观测值类图的长度或宽度相等。
进一步,所述融合所述缩略图数据和所述观测值类图,形成多维压缩数据,包括:
若所述缩略图数据和所述观测值类图仅长度相等,则对所述缩略图数据和所述观测值类图进行列维度上的融合,得到长度与所述缩略图数据的长度相等、宽度为所述缩略图数据和所述观测值类图宽度之和的多维压缩数据。
进一步,所述融合所述缩略图数据和所述观测值类图,形成多维压缩数据,还包括:
若所述缩略图数据和所述观测值类图仅宽度相等,则对所述缩略图数据和所述观测值类图进行行维度上的融合,得到宽度与所述缩略图数据的宽度相等、长度为所述缩略图数据和所述观测值类图长度之和的多维压缩数据。
进一步,所述融合所述缩略图数据和所述观测值类图,形成多维压缩数据,还包括:
若所述缩略图数据和所述观测值类图的长度、宽度均相等,则对所述缩略图数据和所述观测值类图进行行维度或列维度上的融合。
进一步,获取所述缩略图数据的采样窗口的大小与获取所述观测值类图的采样窗口的大小一致。
进一步,所述目标分类方法为监督学习、强化学习、无监督学习、深度学习中的一种或多种。
另一方面,本发明还提供了一种基于压缩学习的目标分类系统,所述系统包括:
缩略图数据获取模块,用于获取原始图像在空间域中的缩略图数据;
观测值类图获取模块,用于获取所述原始图像在压缩域中的观测值类图;
多维压缩数据生成模块,用于融合所述缩略图数据和所述观测值类图,生成多维压缩数据;
目标分类模块,用于将所述多维压缩数据用于目标分类。
本发明有益效果如下:
与现有技术相比,本发明公开的基于压缩学习的目标分类方法及系统,至少具备如下有益效果之一:
(1)将压缩感知过程中获取的观测值类图应用于目标分类领域,验证了图像在基于压缩感知的压缩域中具备可分类特征的特性;
(2)实现了图像的多变换域压缩,本发明中生成的多维压缩数据,融合了空间域特征(边缘特征、角特征等)与压缩域特征(信号分布特征),与一般图像数据仅具备空间域特征相比,本发明中生成的多维压缩数据保留了原始图像更为广泛的特征信息;
(3)与将原始图像直接应用于目标分类相比,将多维压缩数据应用于目标分类既有效减少了训练过程中的数据量,又提高了目标分类的计算效率,还降低了计算复杂度及功耗;此外,本发明提供的方法及系统还具备较强的可移植性和扩展性。
本发明中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述,并且,部分优点可从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本发明实施例1中基于压缩学习的目标分类方法流程图;
图2为本发明实施例1中定点采样过程示意图;
图3为本发明实施例1中另一种基于压缩学习的目标分类方法流程图;
图4为本发明实施例2中的Cifar-10数据集中的部分图像样本;
图5为本发明实施例3中的MNIST手写数据集中的部分图像样本;
图6为本发明实施例4中基于压缩学习的目标分类系统结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
实施例1
本发明的一个具体实施例,公开了一种基于压缩学习的目标分类方法,流程图如图1所示,该方法包括以下步骤:
步骤S1:获取原始图像在空间域中的缩略图数据;
具体地,该步骤中的空间域指的是图像空间,即由图像像元组成的空间;在生成缩略图数据的过程中,可根据实际需要选择采样窗口的大小及下采样倍数;采样过程采用现有方式即可实现,此处不再赘述。通过这种方式获取的缩略图数据,能够很好地保留原始图像的空间域特征。
步骤S2:获取原始图像在压缩域中的观测值类图;
具体地,该步骤中的压缩域指的是图像压缩感知域,即由基于压缩感知的压缩变换数据组成的空间。在该步骤中,具体执行以下过程:
步骤S21:获取原始图像在压缩域中的观测数据;需要说明的是,这里的观测数据是在压缩域中基于满足或近似满足压缩感知理论中约束等距特性的矩阵获得的,通过这种方式获取的观测数据,包含了原始图像信号打散后分布的所有信息。
步骤S22:对观测数据进行采样,得到压缩域中的观测值类图;
该步骤中的采样过程可通过定点采样方式实现;
优选地,为最大程度地保留观测数据的信息规律性,本实施例提出了一种定点采样方式,定点采样的过程为:选定定点采样的采样窗口,采样窗口在观测数据上滑动过程中,将采样窗口中某一固定位置的像素点作为采样点保留,基于保留下来的采样点生成观测值类图;
示例性地,可按照图2中的采样流程获取观测值类图,图2中展示了通过4倍压缩进行定点采样的示意图。在观测数据中,自左向右、自上而下,在每个2×2滑窗(即定点采样的采样窗口)中仅保留左上角的像素点作为采样点,最后利用保留的采样点生成了观测值类图。通过上述方式获取的观测值类图,能够有效保留原始图像的压缩域特征。
需要说明的是,步骤S1和步骤S2的顺序可以相互调换,其顺序并非用于限定本发明的范围。
步骤S3:融合缩略图数据和观测值类图,形成多维压缩数据;
在该步骤中,可以采用多种融合方式对缩略图数据和观测值类图进行融合,例如拼接融合方式,其类似于图像的拼接融合。此外,还可以根据实际情况选取其他数据融合方式。通过对缩略图数据和观测值类图进行融合,使得形成的多维压缩数据具备原始图像在多个变换域中的特征,能够从多个维度描述原始图像,提供了更广泛的特征信息。
优选地,为便于缩略图数据和观测值类图进行融合,在前期生成缩略图数据和观测值类图的过程中,需保证二者的长度或宽度相等;
若缩略图数据和观测值类图仅长度相等,则可以对缩略图数据和观测值类图进行列维度上的融合,得到长度与缩略图数据的长度相等、宽度为缩略图数据和观测值类图宽度之和的多维压缩数据;
若缩略图数据和观测值类图仅宽度相等,则可以对缩略图数据和观测值类图进行行维度上的融合,得到宽度与缩略图数据的宽度相等、长度为缩略图数据和观测值类图长度之和的多维压缩数据;
若缩略图数据和观测值类图的长度、宽度均相等,则可以根据实际需要对其进行行维度或列维度上的融合。
步骤S4:将所述多维压缩数据用于目标分类。
在该步骤中,可通过多种方式进行目标分类。例如,监督学习、强化学习、无监督学习、深度学习等。即,可以将多维压缩数据用于监督学习、强化学习、无监督学习、深度学习等多种学习算法形成的目标分类神经网络模型的训练和测试过程。
由于本实施例形成的多维压缩数据与原始图像相比,具备数据量小、特征更为广泛等特点,因此,将其替换原始图像用于目标分类时,能够有效降低目标分类过程的计算复杂度,提升目标分类效率,并保持了较高的目标分类准确度;同时,由于多维压缩数据的形成过程与目标分类的过程相互独立,因此,可以将本实施例中形成的多维压缩数据应用于不同的目标分类神经网络模型,具备较强的可移植性。
需要说明的是,考虑到在压缩域中仅能处理灰度图像(即单波段图像),因此,本实施例所述的原始图像为灰度图像;对于其他形式的图像,需将其转换为灰度图像后,再执行上述操作。
图3示出了另一种基于压缩学习的目标分类方法流程图,从中能够清晰地看到本实施例中目标分类的过程,便于本领域技术人员更好地理解本发明中的方案。
本实施例通过将原始图像对应生成的多维压缩数据代替原始图像进行目标分类,能够有效减少目标分类过程涉及的数据量,提升训练效率;同时,由于多维压缩数据具备更为广泛的特征信息,其能够更好地描述原始图像,有效提升了目标分类的精度,并保持了较高的目标分类准确度。
实施例2
本发明的又一具体实施例,提供了一种基于Cifar-10数据集的目标分类方法,以验证本发明实施例1中方法的可行性。
Cifar-10数据集是由Hinton的学生Alex Krizhevsky、Ilya Sutskever收集的用于普适物体分类的计算机视觉数据集,它包含了60000张32×32大小的RGB彩色图像,总共分为10个类别。其中,50000张彩色图像用做训练数据集,10000张彩色图像用做测试数据集。Cifar-10数据集中图像的部分样本如图4所示。由于Cifar-10数据集中的图像包括了现实世界中真实的物体,不仅噪声大,而且物体的比例、特征都不尽相同,因此,将Cifar-10数据集直接应用于现有的目标分类方法的效果并不尽如人意;同时,将Cifar-10数据集应用于直接的线性模型时,训练效果也很差。因此,利用Cifar-10数据集进行目标分类的实验验证,不仅具备较高的挑战性,而且可以更加充分地验证本发明实施例1中提出的基于压缩学习的目标分类方法的可行性。
在本实施例中,分别将Cifar-10原始图像数据集k1、缩略图数据集k2及构造的多维压缩数据集k3作为目标分类神经网络模型的输入数据。本实施例中,在利用上述数据集进行目标分类神经网络模型的训练过程中,将目标分类神经网络模型的学习率设置为learning_rate=0.0003、训练迭代次数设置为MAX_STEP=1000,利用训练获得的目标分类神经网络模型Cifar-Model1,Cifar-Model2和Cifar-Model3分别对上述测试数据集进行测试,得到了如表1所示的基于Cifar-10数据集的目标分类统计结果。其中,α1表示测试数据集中图像的总个数,β1表示正确分类的图像个数,γ1表示错误分类的图像个数,δ1表示训练时长。
表1基于Cifar-10数据集的目标分类统计结果
其中,召回率(查全率)Recall的含义为:“正确预测为正的总数量(TP)”占所在“预测类的总数量(FN)”的比例,计算公式为:
由表1中的基于Cifar-10数据集的目标分类统计结果可知,将多维压缩数据集作为测试数据集的训练分类过程与将原始图像数据集或缩略图数据集作为测试数据集的训练过程相比,训练时长更短、分类效率更高、分类准确率更高,由此证明了将多维压缩数据集用于目标分类的优势。
实施例3
本发明的又一具体实施例,提供了一种基于MNIST数据集的目标分类方法,以验证本发明实施例1中方法的可行性。
MNIST数据集的来源是两个数据库的混合,一个来自Census Bureau employees(SD-3),一个来自high-school students(SD-1);MNIST数据集包括60000个训练样本,10000个测试样本,图像大小均为28×28。MNIST手写数据集图像的部分样本如图5所示。训练样本和测试样本的来源人群没有交集,同时,MNIST数据集也保留了手写数字与用户身份之间的对应关系。
在本实施例中,分别将原始数图像据集Ω1、缩略图数据集Ω2、多维压缩数据集Ω3作为目标分类神经网络模型的输入数据。在利用不同的测试数据集对目标分类神经网络模型进行验证时,统一配置目标分类神经网络模型中涉及的相关参数,将训练过程中的学习率设置为learning_rate=0.0003,训练迭代次数设置为MAX_STEP=5000,并将前述数据集作为测试数据集分别用于目标分类神经网络模型Mni-Model1,Mni-Model2和Mni-Model3的测试,得到了如表2所示的基于MNIST数据集的目标分类统计结果。
表2基于MNIST数据集的目标分类统计结果
其中,α2表示测试数据集中图像的总个数,β2表示正确分类的图像个数,γ2表示错误分类的图像个数,δ2表示训练时长。
由表2中的基于MNIST数据集的目标分类统计结果可知,本发明提出的多维压缩数据,在目标分类效率上远高于原始图像数据,且与缩略图数据几乎持平;同时,多维压缩数据在目标分类精度也大于缩略图数据集,虽然低于原始图像数据集,但仍然保持了较高的准确率。因此,由上述分析可知,本发明实施例1提出的基于压缩学习的目标分类方法能够兼具高效率和高准确率。
实施例4
本发明的又一具体实施例,公开了一种基于压缩学习的目标分类系统,结构示意图如图6所示,所述系统包括:
缩略图数据获取模块,用于获取原始图像在空间域中的缩略图数据;
观测值类图获取模块,用于获取原始图像在压缩域中的观测值类图;
多维压缩数据生成模块,用于融合缩略图数据和观测值类图,生成多维压缩数据;
目标分类模块,用于将所述多维压缩数据用于目标分类。
本实施例的具体实施过程参见上述方法实施例即可,本实施例在此不再赘述。
由于本实施例与上述方法实施例原理相同,所以本系统也具有上述方法实施例相应的技术效果。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
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,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于压缩学习的目标分类方法,其特征在于,所述方法包括以下步骤:
获取原始图像在空间域中的缩略图数据;
获取所述原始图像在压缩域中的观测值类图;
融合所述缩略图数据和所述观测值类图,形成多维压缩数据;
将所述多维压缩数据用于目标分类。
2.根据权利要求1所述的基于压缩学习的目标分类方法,其特征在于,所述获取所述原始图像在压缩域中的观测值类图,包括:
获取所述原始图像在压缩域中的观测数据;
对所述观测数据进行采样,得到压缩域中的所述观测值类图。
3.根据权利要求2所述的基于压缩学习的目标分类方法,其特征在于,采用定点采样方式对所述观测数据进行采样。
4.根据权利要求1-3中任一项所述的基于压缩学习的目标分类方法,其特征在于,所述缩略图数据和所述观测值类图的长度或宽度相等。
5.根据权利要求4所述的基于压缩学习的目标分类方法,其特征在于,所述融合所述缩略图数据和所述观测值类图,形成多维压缩数据,包括:
若所述缩略图数据和所述观测值类图仅长度相等,则对所述缩略图数据和所述观测值类图进行列维度上的融合,得到长度与所述缩略图数据的长度相等、宽度为所述缩略图数据和所述观测值类图宽度之和的多维压缩数据。
6.根据权利要求4所述的基于压缩学习的目标分类方法,其特征在于,所述融合所述缩略图数据和所述观测值类图,形成多维压缩数据,还包括:
若所述缩略图数据和所述观测值类图仅宽度相等,则对所述缩略图数据和所述观测值类图进行行维度上的融合,得到宽度与所述缩略图数据的宽度相等、长度为所述缩略图数据和所述观测值类图长度之和的多维压缩数据。
7.根据权利要求4所述的基于压缩学习的目标分类方法,其特征在于,所述融合所述缩略图数据和所述观测值类图,形成多维压缩数据,还包括:
若所述缩略图数据和所述观测值类图的长度、宽度均相等,则对所述缩略图数据和所述观测值类图进行行维度或列维度上的融合。
8.根据权利要求7所述的基于压缩学习的目标分类方法,其特征在于,获取所述缩略图数据的采样窗口的大小与获取所述观测值类图的采样窗口的大小一致。
9.根据权利要求1所述的基于压缩学习的目标分类方法,其特征在于,所述目标分类方法为监督学习、强化学习、无监督学习、深度学习中的一种或多种。
10.一种基于压缩学习的目标分类系统,其特征在于,所述系统包括:
缩略图数据获取模块,用于获取原始图像在空间域中的缩略图数据;
观测值类图获取模块,用于获取所述原始图像在压缩域中的观测值类图;
多维压缩数据生成模块,用于融合所述缩略图数据和所述观测值类图,生成多维压缩数据;
目标分类模块,用于将所述多维压缩数据用于目标分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010633623.8A CN111881942B (zh) | 2020-07-02 | 2020-07-02 | 一种基于压缩学习的目标分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010633623.8A CN111881942B (zh) | 2020-07-02 | 2020-07-02 | 一种基于压缩学习的目标分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111881942A true CN111881942A (zh) | 2020-11-03 |
CN111881942B CN111881942B (zh) | 2023-09-26 |
Family
ID=73151015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010633623.8A Active CN111881942B (zh) | 2020-07-02 | 2020-07-02 | 一种基于压缩学习的目标分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111881942B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708576A (zh) * | 2012-05-18 | 2012-10-03 | 西安电子科技大学 | 基于结构字典的分块图像压缩感知重建方法 |
CN103164710A (zh) * | 2013-02-19 | 2013-06-19 | 华南农业大学 | 一种基于压缩感知的选择集成人脸识别方法 |
CN104766273A (zh) * | 2015-04-20 | 2015-07-08 | 重庆大学 | 一种基于压缩感知理论的红外图像超分辨率重建方法 |
CN105554501A (zh) * | 2015-05-03 | 2016-05-04 | 李峰 | 一种图像采集与压缩方法及装置 |
CN109657707A (zh) * | 2018-12-04 | 2019-04-19 | 浙江大学 | 一种基于观测矩阵变换维度的图像分类方法 |
CN110969632A (zh) * | 2019-11-28 | 2020-04-07 | 北京推想科技有限公司 | 一种深度学习模型的训练方法、图像处理方法及装置 |
-
2020
- 2020-07-02 CN CN202010633623.8A patent/CN111881942B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708576A (zh) * | 2012-05-18 | 2012-10-03 | 西安电子科技大学 | 基于结构字典的分块图像压缩感知重建方法 |
CN103164710A (zh) * | 2013-02-19 | 2013-06-19 | 华南农业大学 | 一种基于压缩感知的选择集成人脸识别方法 |
CN104766273A (zh) * | 2015-04-20 | 2015-07-08 | 重庆大学 | 一种基于压缩感知理论的红外图像超分辨率重建方法 |
CN105554501A (zh) * | 2015-05-03 | 2016-05-04 | 李峰 | 一种图像采集与压缩方法及装置 |
CN109657707A (zh) * | 2018-12-04 | 2019-04-19 | 浙江大学 | 一种基于观测矩阵变换维度的图像分类方法 |
CN110969632A (zh) * | 2019-11-28 | 2020-04-07 | 北京推想科技有限公司 | 一种深度学习模型的训练方法、图像处理方法及装置 |
Non-Patent Citations (1)
Title |
---|
ROBERT CALDERBANK 等: "Compressed Learning:Universal Sparse Dimensionality Reduction and Learning in the Measurement Domain", HTTPS://WWW.RESEARCHGATE.NET/PUBLICATION/228364241 * |
Also Published As
Publication number | Publication date |
---|---|
CN111881942B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Predrnn: A recurrent neural network for spatiotemporal predictive learning | |
CN112396027A (zh) | 基于图卷积神经网络的车辆重识别方法 | |
Li et al. | DLEP: A deep learning model for earthquake prediction | |
Dong | Optimal Visual Representation Engineering and Learning for Computer Vision | |
CN110458047B (zh) | 一种基于深度学习的越野环境场景识别方法及系统 | |
Yang | A CNN-based broad learning system | |
CN114723010B (zh) | 一种异步事件数据的自动学习增强方法及系统 | |
Wu et al. | A multi-level descriptor using ultra-deep feature for image retrieval | |
Shi et al. | A new multiface target detection algorithm for students in class based on bayesian optimized YOLOv3 model | |
Si et al. | [Retracted] Image Matching Algorithm Based on the Pattern Recognition Genetic Algorithm | |
Yang et al. | Robust visual tracking using adaptive local appearance model for smart transportation | |
Zhang et al. | End-to-end temporal attention extraction and human action recognition | |
CN115527083B (zh) | 图像标注方法、装置和电子设备 | |
CN116665054A (zh) | 一种基于改进YOLOv3的遥感影像小目标检测方法 | |
CN111881942B (zh) | 一种基于压缩学习的目标分类方法及系统 | |
CN115331754A (zh) | 基于哈希算法的分子分类方法 | |
Oh et al. | OCEAN: Object-centric arranging network for self-supervised visual representations learning | |
Zhang et al. | Worst Perception Scenario Search via Recurrent Neural Controller and K-Reciprocal Re-Ranking | |
Yue et al. | A Novel Two-stream Architecture Fusing Static And Dynamic Features for Human Action Recognition | |
CN111611427A (zh) | 基于线性鉴别分析深度哈希算法的图像检索方法及系统 | |
Zeng et al. | An accurate and efficient face recognition method based on hash coding | |
Liu et al. | Prediction with Visual Evidence: Sketch Classification Explanation via Stroke-Level Attributions | |
Feng et al. | Robust classification with sparse representation fusion on diverse data subsets | |
CN114898339B (zh) | 驾驶行为预测模型的训练方法、装置、设备、存储介质 | |
CN113496222B (zh) | 基于无标签图表数据的模式识别方法、装置和计算机设备 |
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 |