CN111931788A - 基于复值的图像特征提取方法 - Google Patents
基于复值的图像特征提取方法 Download PDFInfo
- Publication number
- CN111931788A CN111931788A CN202010724138.1A CN202010724138A CN111931788A CN 111931788 A CN111931788 A CN 111931788A CN 202010724138 A CN202010724138 A CN 202010724138A CN 111931788 A CN111931788 A CN 111931788A
- Authority
- CN
- China
- Prior art keywords
- complex
- valued
- value
- layer
- complex value
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 48
- 230000006870 function Effects 0.000 claims description 27
- 230000004913 activation Effects 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012886 linear function Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 239000011557 critical solution Substances 0.000 claims description 3
- 230000010076 replication Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 13
- 238000012549 training Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 235000004035 Cryptotaenia japonica Nutrition 0.000 description 1
- 102000007641 Trefoil Factors Human genes 0.000 description 1
- 235000015724 Trifolium pratense Nutrition 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N3/048—Activation functions
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)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于复值的图像特征提取方法,属于图像特征提取领域。为了使图像特征更具表现力,解决目前图像特征提取不够完善的问题,本发明包括:基于复数构建神经网络复值层;利用所述复制层构建用于特征提取的多个模块;将所述多个模块进行结合,利用结合后的模块进行图像特征提取。本发明基于现有神经网络结构,通过将复数引入数据表达,极大地提高了图像特征表示效果。
Description
技术领域
本发明涉及图像特征提取领域,尤其涉及一种基于复值的图像特征提取方法。
背景技术
如今,随着信息技术的不断创新,计算机视觉是十分重要的一个领域,而图像使计算机 视觉的基础,为了更好的表达图像,优秀的图像特征提取方法是重中之重。
复值网络(complex-value network)是一种基于复数的深度学习网络。目前,卷积神经 网络(CNN)在特征和度量学习方面的巨大成就已经吸引了许多研究者。然而,绝大多数的深 层网络体系结构都是基于实值来表示的。由于复值向量缺乏有效的模型和合适的距离,对复 值网络的研究很少受到关注。研究表明,复数向量具有更丰富的表示能力。
尽管深度学习在目标检测、图像分类和人脸识别等计算机视觉任务中颠覆了传统方法, 但大多数成功的方法都集中在实数领域的探索,包括压缩模型、改进体系结构和完善损失。 随着复值块的出现,对复值网络的初始化问题、批处理正规化问题和激活函数提出了新的解 决方案。基于复值的深度学习越来越受到研究者的关注。在复值网络中,有可能使学习更容 易,更好的一般化特征,并允许保留附加细节。在基于实值的编码网络中,由于描述子长度 不合适,图像的细节可能丢失。但在复值网络中,描述符向量的相位值可以帮助解码器恢复。 最近的研究表明,相位值提供了对物体的详细描述,因为它包含图像形状、边缘和方向的信 息。
发明内容
本发明的目的是提供一种基于复值的图像特征提取方法,能够使图像特征更具表现力, 解决目前图像特征提取不够完善的问题。
本发明解决其技术问题,采用的技术方案是:基于复值的图像特征提取方法,包括如下 步骤:
步骤1、基于复数构建神经网络复值层;
步骤2、利用所述复制层构建用于特征提取的多个模块;
步骤3、将所述多个模块进行结合,利用结合后的模块进行图像特征提取。
进一步的是,步骤1中,所述复值层包括复值BN层、复值激活函数层及复值卷积层;
所述复值BN层,用于分别对复数的实部和虚部做BN操作,使得该层能够对复数使用;
所述复值激活函数层,用于将进行BN操作的实部和虚部分别进行激活操作;
所述复值卷积层,用于对复值进行卷积,模拟实数卷积。
进一步的是,所述复值BN层用于使用协方差矩阵分别对复数的实部和虚部做BN操作;
所述复值激活函数,选用ReLU,即CReLU层,将进行BN操作的实部和虚部分别进行激 活操作;
所述复值卷积层,使用一个复值卷积核进行操作,对复值进行卷积,模拟实数卷积。
进一步的是,在所述复值BN层中,R(x)和I(x)分别表示特征向量x的实部和虚部,并 分别对实部和虚部采用了BN算法,其表达式如下:
进一步的是,在所述CReLU层中,所述CReLU层的通过以下公式表示:
CReLU(x)=ReLU(R(x))+iReLU(I(x));
所述ReLU通过以下公式表示:
ReLU(x)=max(0,x)
ReLU是个关于0的阈值函数,在输入值小于等于0的时候,为休眠状态,在输入值大于 0时,是一个x=y的线性函数。
进一步的是,所述复值卷积核用如下公式表示:
Wc=A+iB;
其中,A和B都是复值矩阵;
复值卷积的计算公式如下:
Wc·h=(Ax-By)+i(Bx+Ay);
其中,h为复值向量,h=x+iy,x为特征向量,该特征向量为实向量,y是实向量。
进一步的是,步骤2中,所述多个模块包括:复值特征模块、复值决策模块及复值度量 模块;
所述复值特征模块,用于将所述构建的神经网络复值层进行组合,使其构成残差网络, 所述复值特征模块至少包括复值特征向量,所述复值特征向量用于表达对应组图像中的两幅 图像的相似性特征;
所述复值决策模块,用于当有图像输入时,每组图像从复值特征模块中获得相应的复值 特征向量,复值决策模块基于所述复值特征向量判断输入图像是否相似;
所述复值度量模块,用于从复值特征模块中提取的复值特征向量中学习描述符。
进一步的是,所述复值特征模块通过多个复值块叠加构造而成。
进一步的是,所述复值决策模块将复数向量分成实部和虚部作为孪生网络的输入,所述 孪生网络包括共享权值的孪生网络和不共享权值的孪生网络。
进一步的是,步骤3中,所述进图像特征提取的具体步骤为:
步骤301、使用复值特征模块进行图像的复值表达,得到复值特征向量;
步骤302、使用复值度量模块将所述复值特征向量进行降维操作;
步骤303、使用复值决策模块对描述符进行对比,使同组图像中相似图片距离变小,不 同图片间距增大;
步骤304、得到图像的复值特征结果。
本发明的有益效果是,通过上述基于复值的图像特征提取方法,基于现有神经网络结构, 通过将复数引入数据表达,极大地提高了图像特征表示效果,并且提取的图像特征具有更好 的鲁棒性和表示性,很好的解决了提取的图像特征不够准确的问题。
附图说明
图1为本发明基于复值的图像特征提取方法的流程图;
图2(a)为本发明实施例中复值特征模块中,BN算法流程图,图2(b)为Complex BN算法流程图;
图3(a)为本发明实施例中复值决策模块中,共享权值的孪生网络的流程图,图3(b) 为不共享权值的孪生网络的流程图;
图4(a)为本发明实施例中复值度量模块中,训练步骤流程图,图4(b)为测试步骤流 程图;
图5(a)为本发明实施例中训练步骤中,描述符学习过程流程图,图5(b)为训练步骤 中,通过比较描述符之间的距离来分析图像的相似性的流程图。
具体实施方式
下面结合附图及实施例,详细描述本发明的技术方案。
本发明提出的一种基于复值的图像特征提取方法,其流程图见图1,本发明基于复值网 络与残差网络,以图像为输入,对图像进行卷积操作等处理,输出图像的特征描述符,其中, 该方法包括如下步骤:
步骤1、基于复数构建神经网络复值层。
步骤2、利用复制层构建用于特征提取的多个模块。
步骤3、将多个模块进行结合,利用结合后的模块进行图像特征提取。
上述方法的步骤1中,复值层可以包括复值BN层、复值激活函数层及复值卷积层;其中:
复值BN层,用于分别对复数的实部和虚部做BN操作,使得该层能够对复数使用;
复值激活函数层,用于将进行BN操作的实部和虚部分别进行激活操作;
复值卷积层,用于对复值进行卷积,模拟实数卷积。
作为优选,复值BN层用于使用协方差矩阵分别对复数的实部和虚部做BN操作;
复值激活函数,选用ReLU,即CReLU层,将进行BN操作的实部和虚部分别进行激活操 作;
复值卷积层,使用一个复值卷积核进行操作,对复值进行卷积,模拟实数卷积。
在复值BN层中,R(x)和I(x)分别表示特征向量x的实部和虚部,并分别对实部和虚部 采用了BN算法,其表达式如下:
在CReLU层中,CReLU层的通过以下公式表示:
CReLU(x)=ReLU(R(x))+iReLU(I(x));
ReLU通过以下公式表示:
ReLU(x)=max(0,x)
ReLU是个关于0的阈值函数,在输入值小于等于0的时候,为休眠状态,在输入值大于 0时,是一个x=y的线性函数。
复值卷积核用如下公式表示:
Wc=A+iB;
其中,A和B都是复值矩阵;
复值卷积的计算公式如下:
Wc·h=(Ax-By)+i(Bx+Ay);
其中,h为复值向量,h=x+iy,x为特征向量,该特征向量为实向量,y是实向量。
步骤2中,多个模块可以包括:复值特征模块、复值决策模块及复值度量模块;
复值特征模块,用于将构建的神经网络复值层进行组合,使其构成残差网络,复值特征 模块至少包括复值特征向量,复值特征向量用于表达对应组图像中的两幅图像的相似性特征;
复值决策模块,用于当有图像输入时,每组图像从复值特征模块中获得相应的复值特征 向量,复值决策模块基于复值特征向量判断输入图像是否相似;
复值度量模块,用于从复值特征模块中提取的复值特征向量中学习描述符。
作为优选,复值特征模块可以通过多个复值块叠加构造而成。
并且,复值决策模块将复数向量分成实部和虚部作为孪生网络的输入,孪生网络可以包 括共享权值的孪生网络和不共享权值的孪生网络。
步骤3中,为了更好进行图像特征提取,进行图像特征提取的具体步骤优选为:
步骤301、使用复值特征模块进行图像的复值表达,得到复值特征向量;
步骤302、使用复值度量模块将复值特征向量进行降维操作;
步骤303、使用复值决策模块对描述符进行对比,使同组图像中相似图片距离变小,不 同图片间距增大;
步骤304、得到图像的复值特征结果。
实施例
本实施例的基于复值的图像特征提取方法,包括如下步骤:
S11:复值BN层(Complex BN)。
在实数的结构中,BN的计算公式为:
其中R(x)和I(x)分别表示特征向量x的实部和虚部。为了简化计算过程,分别对实部和 虚部采用了BN算法。表达式如下:
改进后的ComplexBN计算方法获得了一定的性能提升。
S12:CRelu层。
提出的CRelu层复值激活法是最佳的激活方法。将复值BN层的输出分为实部和虚部。它 们分别由Relu函数激活,可以表示为:
CReLU(x)=ReLU(R(x))+iReLU(I(x))
传统Relu是深度网络中最常使用的激活函数,该函数是一种非线性的,并且可微的激活 函数,而且其对梯度消失不敏感。该激活函数表示为如下公式:
ReLU(x)=max(0,x)
这个函数是个关于0的阈值函数,在输入值小于等于0的时候,为休眠状态,在输入值 大于0时,是一个x=y的线性函数。
S13:复值卷积层(Complex conv)。
在复值卷积层中,本实施例使用了一个复卷积核Wc=A+iB,其中A和B都是复值矩阵。 在复值向量h=x+iy中,x和y都是实向量。则,复值卷积计算公式如下:
Wc·h=(Ax-By)+i(Bx+Ay)
S21:复值特征模块是由多个复值块叠加构造而成。这个模块的输入和输出是由复数构成 的。由三个复值块构成的复值特征模块,如图2(a),其为本实施例中复值特征模块中,BN 算法流程图,图2(b)为Complex BN算法流程图,其中:
S22:复值决策模块。在复数特征模块中,每一组图像都会获得相应的复值特征向量。可 以认为这些复值特征向量可以表达两幅图像的相似性特征。复值决策模块依赖于这个复值的 向量来确定输入图像是否相似。
如图3所示,复值决策模块将复值特征向量分成实部和虚部作为孪生网络的输入。根据 两种形式的孪生网络,本实施例提出了以下两种方案:
共享权值的孪生网络(孪生网络):如图3(a)所示。Real和Imag是指特征向量的实部 和虚部。
它们分别被传到网络中。在通过共享权重的三个全连接层后,将顶层的输出连接并发送 到具有sigmoid激活功能的单个输出全连接层。
不共享权值的孪生网络(伪孪生网络):创建两个不共享变量的网络,如图3(b)所示。 Real和Imag分别传入到两个网络中。该网络是类似孪生网的结构,只是权重不共享。它们 分别通过各自的两个全连接层后,输入同一个全连接层,再通过Sigmoid激活。
在这里使用孪生网络。不同于度量学习,复值决策模块可以学习相似度函数来输出相似 度指标。这种方法的优点是易于训练。但在对未知样本进行分类时,需要用穷举法对所有已 知样本进行比较,这可能使开销大大增加。
S23:复值度量模块在复值三重网络的最顶端。它的主要作用是从复值特征模块中提取的 复值特征向量中学习描述子。
在训练步骤中,复值三重网的输入是一组三重图像。针对复特征模块提取的复值向量, 复值度量模块的功能包括降维、l2规范化和损失优化。
在测试步骤中,复值度量模块将由复值特征模块提取的复值特征向量转换为复值描述符。 而图像相似度可以通过比较描述符之间的距离来确定。
如图4(a)所示,在训练步骤中,将三幅图像输入到复值特征模块中,其中两幅相似, 另一幅不同。经过复特征模块,得到三个复向量,分别为P1、P2和N,其中P1和P2是两幅相似图像的复值特征向量,N是第三幅图像的复值特征向量。
度量模块中有两层,包括一个复值的全连接层和一个复值的l2规范化层。PNSoft损失被 用于描述符学习。
本实施例使用这个损失函数,并将其中的欧氏距离改为复值向量的距离。最后,通过最 小化所提出的损失来学习图像描述符。
下面给出了PNSoft损耗的计算公式:
其中fp1和fp2表示复值度量模块中p1和p2的输出,即学习的描述符。D(fp1,fp2)表示描 述符fp1和fp2之间的欧几里德距离。将得到三种不同的距离,包括一对消极的D(fp1,fpN)、D(fp2,fpN)和一对积极的D(fp1,fp2)。D(f*)是D(fp1,fpN)和D(fp2,fpN)中的最小值。这个公式的含义就是,在这三个距离中,最小的负距离应该大于正距离。当偏序距离为0时,公式的第一项为0,当负距离为无穷大时,公式的第二项为0。通过该公式,可以减小正例距离,增大负例距离。
然而,欧几里德距离不能描述复值向量之间的距离的。因此,本实施例修改了PNSoft损 失中的距离函数D,并提出了以下公式来测量复杂场中矢量之间的距离:
其中还修改了l2规范化层。在处理复数特征时,将复值向量分为实部和虚部,分别处理。 修改后的复值l2规范化函数如下公式:
CL2_norm(z)=L2_norm(R(z))+iL2_norm(I(z))
在测试步骤中,如图4(b)所示,将要检测的图像(T1,T2)输入到底部的复值特征模块中。度量模块的输出是基于复值特征向量的图像描述符。
S3:复值三重网络由复值特征模块和度量模块组成。它的主要功能是学习图像的描述符。 如图5(a)所示,在训练步骤中,复值三重网的输入是一组三个图像。它们分别输入到网络 中。三个分支的第一层卷积层和复值特征模块的权重是共享的。
在该模型中,通过将复值特征模块的输出信息发送到度量模块中以降低维度,从而得到 描述符。模型的最后加上complex-L2范数。根据公式得到的复值描述子之间的距离,再可以 通过最小化公式所描述的损失函数来增加负距离同时缩短正距离。测试阶段中,将每个图像 直接转换为描述符。之后可以通过比较描述符之间的距离来分析图像的相似性,如图5(b) 所示。
两个网络的卷积层结构和复值特征模块是相同的。在训练过程中,复值双重网比复值三 重网具有更快的训练速度。但是,它不能给出图像的复值域空间的表示。复值三重网可以将 图像嵌入到复值域的空间中。在进行图像分类时,可以通过简单的全连通网络、KNN、支持向 量机等分类算法快速得到分类结果。
Claims (10)
1.基于复值的图像特征提取方法,其特征在于,包括如下步骤:
步骤1、基于复数构建神经网络复值层;
步骤2、利用所述复制层构建用于特征提取的多个模块;
步骤3、将所述多个模块进行结合,利用结合后的模块进行图像特征提取。
2.根据权利要求1所述的基于复值的图像特征提取方法,其特征在于,步骤1中,所述复值层包括复值BN层、复值激活函数层及复值卷积层;
所述复值BN层,用于分别对复数的实部和虚部做BN操作,使得该层能够对复数使用;
所述复值激活函数层,用于将进行BN操作的实部和虚部分别进行激活操作;
所述复值卷积层,用于对复值进行卷积,模拟实数卷积。
3.根据权利要求2所述的基于复值的图像特征提取方法,其特征在于,所述复值BN层用于使用协方差矩阵分别对复数的实部和虚部做BN操作;
所述复值激活函数,选用ReLU,即CReLU层,将进行BN操作的实部和虚部分别进行激活操作;
所述复值卷积层,使用一个复值卷积核进行操作,对复值进行卷积,模拟实数卷积。
5.根据权利要求3所述的基于复值的图像特征提取方法,其特征在于,在所述CReLU层中,所述CReLU层的通过以下公式表示:
CReLU(x)=ReLU(R(x))+iReLU(I(x));
所述ReLU通过以下公式表示:
ReLU(x)=max(0,x)
ReLU是个关于0的阈值函数,在输入值小于等于0的时候,为休眠状态,在输入值大于0时,是一个x=y的线性函数。
6.根据权利要求2或3所述的基于复值的图像特征提取方法,其特征在于,所述复值卷积核用如下公式表示:
Wc=A+iB;
其中,A和B都是复值矩阵;
复值卷积的计算公式如下:
Wc·h=(Ax-By)+i(Bx+Ay);
其中,h为复值向量,h=x+iy,x为特征向量,该特征向量为实向量,y是实向量。
7.根据权利要求1所述的基于复值的图像特征提取方法,其特征在于,步骤2中,所述多个模块包括:复值特征模块、复值决策模块及复值度量模块;
所述复值特征模块,用于将所述构建的神经网络复值层进行组合,使其构成残差网络,所述复值特征模块至少包括复值特征向量,所述复值特征向量用于表达对应组图像中的两幅图像的相似性特征;
所述复值决策模块,用于当有图像输入时,每组图像从复值特征模块中获得相应的复值特征向量,复值决策模块基于所述复值特征向量判断输入图像是否相似;
所述复值度量模块,用于从复值特征模块中提取的复值特征向量中学习描述符。
8.根据权利要求7所述的基于复值的图像特征提取方法,其特征在于,所述复值特征模块通过多个复值块叠加构造而成。
9.根据权利要求7所述的基于复值的图像特征提取方法,其特征在于,所述复值决策模块将复数向量分成实部和虚部作为孪生网络的输入,所述孪生网络包括共享权值的孪生网络和不共享权值的孪生网络。
10.根据权利要求1或7所述的基于复值的图像特征提取方法,其特征在于,步骤3中,所述进图像特征提取的具体步骤为:
步骤301、使用复值特征模块进行图像的复值表达,得到复值特征向量;
步骤302、使用复值度量模块将所述复值特征向量进行降维操作;
步骤303、使用复值决策模块对描述符进行对比,使同组图像中相似图片距离变小,不同图片间距增大;
步骤304、得到图像的复值特征结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010724138.1A CN111931788A (zh) | 2020-07-24 | 2020-07-24 | 基于复值的图像特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010724138.1A CN111931788A (zh) | 2020-07-24 | 2020-07-24 | 基于复值的图像特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111931788A true CN111931788A (zh) | 2020-11-13 |
Family
ID=73315495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010724138.1A Pending CN111931788A (zh) | 2020-07-24 | 2020-07-24 | 基于复值的图像特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111931788A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508957A (zh) * | 2020-12-08 | 2021-03-16 | 深圳先进技术研究院 | 图像分割方法和装置、电子设备、机器可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102015A (zh) * | 2018-08-06 | 2018-12-28 | 西安电子科技大学 | 一种基于复数神经网络的sar图像变化检测方法 |
US10671878B1 (en) * | 2019-01-11 | 2020-06-02 | Capital One Services, Llc | Systems and methods for text localization and recognition in an image of a document |
CN111314257A (zh) * | 2020-03-13 | 2020-06-19 | 电子科技大学 | 一种基于复值神经网络的调制方式识别方法 |
CN111310996A (zh) * | 2020-02-13 | 2020-06-19 | 山东师范大学 | 基于图自编码网络的用户信任关系预测方法及系统 |
-
2020
- 2020-07-24 CN CN202010724138.1A patent/CN111931788A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102015A (zh) * | 2018-08-06 | 2018-12-28 | 西安电子科技大学 | 一种基于复数神经网络的sar图像变化检测方法 |
US10671878B1 (en) * | 2019-01-11 | 2020-06-02 | Capital One Services, Llc | Systems and methods for text localization and recognition in an image of a document |
CN111310996A (zh) * | 2020-02-13 | 2020-06-19 | 山东师范大学 | 基于图自编码网络的用户信任关系预测方法及系统 |
CN111314257A (zh) * | 2020-03-13 | 2020-06-19 | 电子科技大学 | 一种基于复值神经网络的调制方式识别方法 |
Non-Patent Citations (1)
Title |
---|
魏文轩: "基于多模态特征理解的图像语义标注关键技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》, no. 2020, 15 July 2020 (2020-07-15), pages 138 - 1034 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508957A (zh) * | 2020-12-08 | 2021-03-16 | 深圳先进技术研究院 | 图像分割方法和装置、电子设备、机器可读存储介质 |
WO2022120885A1 (zh) * | 2020-12-08 | 2022-06-16 | 深圳先进技术研究院 | 图像分割方法和装置、电子设备、机器可读存储介质 |
CN112508957B (zh) * | 2020-12-08 | 2023-12-01 | 深圳先进技术研究院 | 图像分割方法和装置、电子设备、机器可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564029B (zh) | 基于级联多任务学习深度神经网络的人脸属性识别方法 | |
CN109063565B (zh) | 一种低分辨率人脸识别方法及装置 | |
JP6192010B2 (ja) | 重み設定装置および方法 | |
CN111126482B (zh) | 一种基于多分类器级联模型的遥感影像自动分类方法 | |
Wang et al. | Feature selection and multi-kernel learning for adaptive graph regularized nonnegative matrix factorization | |
CN110941734B (zh) | 基于稀疏图结构的深度无监督图像检索方法 | |
CN112580590A (zh) | 一种基于多语义特征融合网络的指静脉识别方法 | |
CN112765352A (zh) | 基于具有自注意力机制的图卷积神经网络文本分类方法 | |
CN113408492A (zh) | 一种基于全局-局部特征动态对齐的行人重识别方法 | |
CN109376787B (zh) | 流形学习网络及基于其的计算机视觉图像集分类方法 | |
Jin et al. | Deep person re-identification with improved embedding and efficient training | |
CN113076994A (zh) | 一种开集域自适应图像分类方法及系统 | |
CN115100709B (zh) | 一种特征分离的图像人脸识别与年龄估计方法 | |
CN111738303A (zh) | 一种基于层次学习的长尾分布图像识别方法 | |
Bai et al. | Coordinate CNNs and LSTMs to categorize scene images with multi-views and multi-levels of abstraction | |
CN109840518B (zh) | 一种结合分类与域适应的视觉追踪方法 | |
CN114492768A (zh) | 一种基于小样本学习的孪生胶囊网络入侵检测方法 | |
CN110414587A (zh) | 基于渐进学习的深度卷积神经网络训练方法与系统 | |
CN113255602A (zh) | 基于多模态数据的动态手势识别方法 | |
CN113920472A (zh) | 一种基于注意力机制的无监督目标重识别方法及系统 | |
CN110991500A (zh) | 一种基于嵌套式集成深度支持向量机的小样本多分类方法 | |
CN112668633B (zh) | 一种基于细粒度领域自适应的图迁移学习方法 | |
Li et al. | Spatial-temporal dynamic hand gesture recognition via hybrid deep learning model | |
CN111931788A (zh) | 基于复值的图像特征提取方法 | |
CN117516937A (zh) | 基于多模态特征融合增强的滚动轴承未知故障检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201113 |