CN112070145B - 基于对抗网络的水果图像的新鲜度属性迁移方法 - Google Patents
基于对抗网络的水果图像的新鲜度属性迁移方法 Download PDFInfo
- Publication number
- CN112070145B CN112070145B CN202010920337.XA CN202010920337A CN112070145B CN 112070145 B CN112070145 B CN 112070145B CN 202010920337 A CN202010920337 A CN 202010920337A CN 112070145 B CN112070145 B CN 112070145B
- Authority
- CN
- China
- Prior art keywords
- image
- fruit
- freshness
- images
- network
- 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
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013508 migration Methods 0.000 title claims abstract description 23
- 230000005012 migration Effects 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 38
- 230000037303 wrinkles Effects 0.000 claims abstract description 13
- 230000008485 antagonism Effects 0.000 claims abstract description 7
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000000694 effects Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000132456 Haplocarpha Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于对抗网络的水果图像的新鲜度属性迁移方法，属于计算机学科下的计算机视觉领域。实现步骤为：构造训练集，将水果图像按不同新鲜程度分为四类：表面新鲜、表面颜色暗淡、表面皱褶、表面部分腐烂；对图像文件进行预处理，包括移除错误文件、去除重复文件、统一文件格式、统一图像尺寸、对图像文件进行统一编号，以及将图像文件按外形进行分组；构建不同新鲜度的水果图像的生成器网络和判别器网络，生成器网络和判别器网络的模型原型为循环一致性生成对抗网络；分别使用不同新鲜度分类的图像训练集作为模型输入，训练获得四个不同的生成器模型；将需改变新鲜度的水果图像作为模型的输入，生成对应新鲜度的水果图像。
Description
技术领域
本发明属于计算机学科下的计算机视觉领域，具体涉及一种针对不配对的水果图像的基于对抗网络的新鲜度属性迁移方法。
背景技术
水果的新鲜度是水果定价的重要依据之一，常规的针对水果新鲜度的评价主要依靠感官识别，但该类方法需要大量的人力物力、评价标准不一；在检测实验室中能通过理化检验或无损检测等方法进行准确评价，但该类方法需要专业的设备无法进行广泛普及应用。
计算机视觉技术的发展，使得计算机视觉技术能进行快速水果分类和识别，使用基于计算机视觉的图像处理技术自动识别与分类水果的新鲜度，能够很大程度上节省人力物力、提高自动化程度，在商业贸易和低温储存领域具有很大应用前景。但在目前的计算机视觉的研究成果中，对于水果的新鲜度的识别的研究较少，其中一个重要的原因是缺乏大量的配对的模型训练数据。
图像风格迁移，是一种将两幅图像特征进行提取，并将其中一幅图像的特征迁移到另一幅图像当中，特征进行融合生成基于第二幅图像风格，以第一幅图像为原始的新图像的技术；但新鲜度属性是一种模糊的属性描述，因此新鲜度属性迁移应为图像集合间的映射，而不是单一样本间的属性迁移，直接将图像风格迁移技术应用于水果图像中的新鲜度属性迁移效果不佳，甚至生成“四不像”的水果图像结果。
生成对抗网络(GAN，Generative Adversarial Networks)是一种深度学习模型，近年来被广泛无监督学习。生成对抗网络中有两个模块，一个是生成器网络模块(Generative Model)，另一个是判别器模块(Discriminative Model)，最终通过两个模型的博弈学习中来达到最好的生成效果。通过从预标记的分类图像中提取新鲜度属性，并结合对抗网络进行不断调整迁移效果，能够获得交互的新鲜度属性迁移效果。
发明内容
有鉴于此，本发明提供了一种基于对抗网络的水果图像的新鲜度属性的迁移方法。实现本发明的技术方案如下：
步骤一、构造训练集；
训练集是已标注的水果图像集合，可以使用爬虫从网络上爬取，可以下载公开的图像库，也可以自行准备适合的水果图像；最终需要得到正常水果图像，并按不同新鲜程度进行分类，主要分为四类：表面新鲜、表面颜色暗淡、表面皱褶、表面部分腐烂；
步骤二、图像文件预处理；
步骤2.1、移除错误的图像文件；
使用程序预读的方式，移除错误图像，以防止图像文件损坏或读取错误造成训练过程出错；
步骤2.2、去除重复的图像文件；
使用MD5等信息摘要算法去除重复存在的图像文件，以防止图像重复降低最终的模型性能；
步骤2.3、统一图像文件格式；
将数据集中的png、gif等格式的图像文件，统一转换为jpg格式的文件；
步骤2.4、统一图像的尺寸；
将数据集中的图像进行缩放，使得最终的图像大小为256*256像素；
步骤2.5、对图像文件进行统一编号；
为了数据的规范性，将所有图像文件进行统一编号，便于后续训练和测试过程；
步骤2.6、将图像文件按外形进行分组；
对每一分类中的水果图像进行分组，分组方法可以随机选择，也可以将外形相似的水果图像作为一组；外形相似的水果图像作为一组能够提高最终的图像生成效果；以分组为单位将图像的路径保存到CSV文件中以便在训练过程中使用队列的方式读取图像；
步骤三、构建不同新鲜度的水果图像的生成器网络和判别器网络；生成器网络和判别器网络的模型原型为循环一致性生成对抗网络，该网络能够用于进行非成对图像之间的映射特征迁移；
其中，生成器网络部分的结构包含两个步长为2的卷积-池化层、9个残差模块、两个步长为1/2的卷积，其中残差模块的个数与图像的像素数有关，对于256*256像素的图像使用9个残差模块即可；生成器网络结构如附图2所示；判别器网络部分使用基于卷积神经网络的分类网络；
步骤四、分别使用不同新鲜度分类的图像训练集，将表面新鲜、表面颜色暗淡、表面皱褶、表面部分腐烂四类训练集图像作为模型输入，训练获得四个不同的生成器模型，分别记为model1、model2、model3和model4；该四个生成器模型即保存有表面新鲜、表面颜色暗淡、表面皱褶、表面部分腐烂四类水果图像的新鲜度特征；
在训练过程中，网络有四个输入：imageA、imageB、fake_imageA、fake_imageB，其中fake_imageA的初始值为与imageA的像素和通道结构相同的全0矩阵，fake_imageB的初始值为与imageB的像素和通道结构相同的全0矩阵；学习率初始值设为0.0002，学习率前100轮不变，后期线性衰减；
在训练过程中，使用一个能存储50幅图像的缓冲区，存储最后创建的50幅图像，并使用这50幅生成图像来更新模型；
步骤五、将需改变新鲜度的水果图像作为特征迁移目标，将图像文件作为模型1的输入即可生成新鲜度为表面新鲜的水果图像，同样的，使用模型2可生成新鲜度为表面颜色暗淡的水果图像，使用模型3可生成新鲜度为表面皱褶的水果图像，使用模型4可生成新鲜度为表面部分腐烂的水果图像；
至此，水果图像的新鲜度属性迁移完成；通过本方法，能够针对任意新鲜度的水果图像，将其新鲜度更改为其他的新鲜度，并保持图像中水果的形状和在图像中的位置不变。
有益效果：
本发明所提出的方法，能够使用生成对抗网络，生成与该图像配对的其他新鲜度的水果图像，即对水果图像中的新鲜度属性进行修改，并保持原图像的水果外形和在图像中的位置等属性不变。
附图说明
图1为本发明的流程图
图2为本发明的生成对抗网络的生成器模块的结构图
图3为针对一幅水果图像生成的不同新鲜度的图像
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述，
步骤一、构造训练集；
训练集是已标注的水果图像集合，可以使用爬虫从网络上爬取，可以下载公开图像库，也可以自行准备适合的水果图像；最终需要得到正常水果图像，并按不同新鲜程度进行分类，主要分为四类：表面新鲜、表面颜色暗淡、表面皱褶、表面部分腐烂；
本实施例中，从Imagenet网站上下载并选择优质的水果及不同新鲜程度水果的图像，同时利用python爬虫技术，下载不同搜索引擎中的水果图像；
步骤二、图像文件预处理；
步骤2.1、移除错误的图像文件；
使用程序预读的方式，移除错误图像，以防止图像文件损坏或读取错误造成训练过程出错；
本实施例中，使用PIL库中的Image load()函数来读取图像以此判断是否存在格式错误和损坏，依次打开所选文件夹列表的所有图像文件，检查是否可读，若存在错误OSError：抛出，意味着文件受损并利用remove()函数删除图像；
步骤2.2、去除重复的图像文件；
使用MD5等信息摘要算法去除重复存在的图像文件，以防止图像重复降低最终的模型性能；
本实施例中，使用MD5算法进行加密图像文件，每幅图像获得一个唯一的MD5值，比较图像md5值，相同即删除其一；
步骤2.3、统一图像文件格式；
将数据集中的png、gif等格式的图像文件，统一转换为jpg格式的文件；
本实施例中，针对非jpg格式的文件，使用Image.load()来强行加载图像数据，将通道设置为rgb，使用save()将图像另存为jpg格式，保存完之后remove()删除原图像；
步骤2.4、统一图像的尺寸；
将数据集中的图像进行缩放，使得最终的图像大小为256*256像素；
本实施例中，利用resize()函数，批量修改数据集图像大小，实现高质量缩放图像大小为256*256；
步骤2.5、对图像文件进行统一编号；
为了数据的规范性，将所有图像文件进行统一编号，便于后续训练和测试过程；
步骤2.6、将图像文件分组配对；
对每一分类中的水果图像进行分组，分组方法可以随机选择，也可以将外形相似的水果图像作为一组；外形相似的水果图像作为一组能够提高最终的图像生成效果；以分组为单位将图像的路径保存到CSV文件中以便在训练过程中使用队列的方式读取图像；
步骤三、构建不同新鲜度的水果图像的生成器网络和判别器网络；生成器网络和判别器网络的模型原型为循环一致性生成对抗网络，该网络能够用于进行非成对图像之间的映射特征迁移；
其中，生成器网络部分的结构包含两个步长为2的卷积-池化层、9个残差模块、两个步长为1/2的卷积，其中残差模块的个数与图像的像素数有关，对于256*256像素的图像使用9个残差模块即可；生成器网络结构如附图2所示；判别器网络部分使用基于卷积神经网络的分类网络；
步骤四、分别使用不同新鲜度分类的图像训练集，将表面新鲜、表面颜色暗淡、表面皱褶、表面部分腐烂四类训练集图像作为模型输入，训练获得四个不同的生成器模型，分别记为model1、model2、model3和model4；该四个生成器模型即保存有表面新鲜、表面颜色暗淡、表面皱褶、表面部分腐烂四类水果图像的新鲜度特征；
在训练过程中，网络有四个输入：imageA、imageB、fake_imageA、fake_imageB，其中fake_imageA的初始值为与imageA的像素和通道结构相同的全0矩阵，fake_imageB的初始值为与imageB的像素和通道结构相同的全0矩阵；学习率初始值设为0.0002，学习率前100轮不变，后期线性衰减；
在训练过程中，使用一个能存储50幅图像的缓冲区，存储最后创建的50幅图像，并使用这50幅生成图像来更新模型；
本实施例中的具体模型训练步骤为：
(1)定义N_CLASSES分类类别为四类，图像尺寸为256*256，batch_size为20，capacity为200，最大步长3000，学习率为0.0001；
(2)获取批次batch：将训练样本的读入路径，logs存储路径；
(3)创建一个会话：sess＝tf.Session()；
(4)产生一个writer来写log文件：train_writer＝tf.summary.FileWriter(logs_train_dir，sess.graph)；
(5)产生一个saver来存储训练好的模型：saver＝tf.train.Saver()；
(6)所有节点初始化：sess.run(tf.global_variables_initializer())；
(7)队列监控：coord＝tf.train.Coordinator()；
threads＝tf.train.start_queue_runners(sess＝sess，coord＝coord)；
(8)进行batch的训练：执行MAX_STEP步的训练，一步一个batch；每隔50步打印一次当前的loss以及acc，同时记录log，写入writer；每隔100步，保存一次训练好的模型；
步骤五、将需改变新鲜度的水果图像作为特征迁移目标，将图像文件作为模型1的输入即可生成新鲜度为表面新鲜的水果图像，同样的，使用模型2可生成新鲜度为表面颜色暗淡的水果图像，使用模型3可生成新鲜度为表面皱褶的水果图像，使用模型4可生成新鲜度为表面部分腐烂的水果图像；
本实施例中，针对附图3(a)中的水果图像，进行新鲜度迁移后生成的其他新鲜度的水果图像如附图3(b)、附图3(c)、附图3(d)所示；
至此，水果图像的新鲜度属性迁移完成。
Claims (1)
1.基于对抗网络的水果图像的新鲜度属性迁移方法，其特征在于，包括以下步骤：
步骤一、构造训练集；
训练集是已标注的水果图像集合，可以使用爬虫从网络上爬取，可以下载公开的图像库，也可以自行准备适合的水果图像；最终需要得到正常水果图像，并按不同新鲜程度进行分类，主要分为四类：表面新鲜、表面颜色暗淡、表面皱褶、表面部分腐烂；
步骤二、图像文件预处理；
步骤2.1、移除错误的图像文件；
使用程序预读的方式，移除错误图像，以防止图像文件损坏或读取错误造成训练过程出错；
步骤2.2、去除重复的图像文件；
使用MD5信息摘要算法去除重复存在的图像文件，以防止图像重复降低最终的模型性能；
步骤2.3、统一图像文件格式；
将数据集中的png、gif两种格式的图像文件，统一转换为jpg格式的文件；
步骤2.4、统一图像的尺寸；
将数据集中的图像进行缩放，使得最终的图像大小为256*256像素；
步骤2.5、对图像文件进行统一编号；
为了数据的规范性，将所有图像文件进行统一编号，便于后续训练和测试过程；
步骤2.6、将图像文件按外形进行分组；
对每一分类中的水果图像进行分组，分组方法可以随机选择，也可以将外形相似的水果图像作为一组；外形相似的水果图像作为一组能够提高最终的图像生成效果；以分组为单位将图像的路径保存到CSV文件中以便在训练过程中使用队列的方式读取图像；
步骤三、构建不同新鲜度的水果图像的生成器网络和判别器网络；生成器网络和判别器网络的模型原型为循环一致性生成对抗网络，该网络能够用于进行非成对图像之间的映射特征迁移；
其中，生成器网络部分的结构包含两个步长为2的卷积-池化层、9个残差模块、两个步长为1/2的卷积，其中残差模块的个数与图像的像素数有关，对于256*256像素的图像使用9个残差模块即可；判别器网络部分使用基于卷积神经网络的分类网络；
步骤四、分别使用不同新鲜度分类的图像训练集，将表面新鲜、表面颜色暗淡、表面皱褶、表面部分腐烂四类训练集图像作为模型输入，训练获得四个不同的生成器模型，分别记为model1、model2、model3和model4；该四个生成器模型即保存有表面新鲜、表面颜色暗淡、表面皱褶、表面部分腐烂四类水果图像的新鲜度特征；
在训练过程中，网络有四个输入：imageA、imageB、fake_imageA、fake_imageB，其中fake_imageA的初始值为与imageA的像素和通道结构相同的全0矩阵，fake_imageB的初始值为与imageB的像素和通道结构相同的全0矩阵；学习率初始值设为0.0002，学习率前100轮不变，后期线性衰减；
在训练过程中，使用一个能存储50幅图像的缓冲区，存储最后创建的50幅图像，并使用这50幅生成图像来更新模型；
步骤五、将需改变新鲜度的水果图像作为特征迁移目标，将图像文件作为model1的输入即可生成新鲜度为表面新鲜的水果图像，同样的，使用model2可生成新鲜度为表面颜色暗淡的水果图像，使用model3可生成新鲜度为表面皱褶的水果图像，使用model4可生成新鲜度为表面部分腐烂的水果图像；
至此，水果图像的新鲜度属性迁移完成；通过本方法，能够针对任意新鲜度的水果图像，将其新鲜度更改为其他的新鲜度，并保持图像中水果的形状和在图像中的位置不变。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010920337.XA CN112070145B (zh) | 2020-09-04 | 2020-09-04 | 基于对抗网络的水果图像的新鲜度属性迁移方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010920337.XA CN112070145B (zh) | 2020-09-04 | 2020-09-04 | 基于对抗网络的水果图像的新鲜度属性迁移方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112070145A CN112070145A (zh) | 2020-12-11 |
| CN112070145B true CN112070145B (zh) | 2024-05-28 |
Family
ID=73664960
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010920337.XA Active CN112070145B (zh) | 2020-09-04 | 2020-09-04 | 基于对抗网络的水果图像的新鲜度属性迁移方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112070145B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113670920B (zh) * | 2021-07-30 | 2023-04-18 | 华中农业大学 | 一种柑橘新鲜度检测方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107862377A (zh) * | 2017-11-14 | 2018-03-30 | 华南理工大学 | 一种基于文本‑图像生成对抗网络模型的分组卷积方法 |
| CN108615073A (zh) * | 2018-04-28 | 2018-10-02 | 北京京东金融科技控股有限公司 | 图像处理方法及装置、计算机可读存储介质、电子设备 |
| WO2019015466A1 (zh) * | 2017-07-17 | 2019-01-24 | 广州广电运通金融电子股份有限公司 | 人证核实的方法及装置 |
| CN110503598A (zh) * | 2019-07-30 | 2019-11-26 | 西安理工大学 | 基于条件循环一致性生成对抗网络的字体风格迁移方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10937540B2 (en) * | 2017-12-21 | 2021-03-02 | International Business Machines Coporation | Medical image classification based on a generative adversarial network trained discriminator |
-
2020
- 2020-09-04 CN CN202010920337.XA patent/CN112070145B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019015466A1 (zh) * | 2017-07-17 | 2019-01-24 | 广州广电运通金融电子股份有限公司 | 人证核实的方法及装置 |
| CN107862377A (zh) * | 2017-11-14 | 2018-03-30 | 华南理工大学 | 一种基于文本‑图像生成对抗网络模型的分组卷积方法 |
| CN108615073A (zh) * | 2018-04-28 | 2018-10-02 | 北京京东金融科技控股有限公司 | 图像处理方法及装置、计算机可读存储介质、电子设备 |
| CN110503598A (zh) * | 2019-07-30 | 2019-11-26 | 西安理工大学 | 基于条件循环一致性生成对抗网络的字体风格迁移方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于密集连接生成对抗网络的图像颜色迁移;王晓宇;朱一峰;郗金洋;王尧;段锦;;液晶与显示(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112070145A (zh) | 2020-12-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112329016B (zh) | 一种基于深度神经网络的可视化恶意软件检测装置及方法 | |
| US10339417B2 (en) | Learning contour identification system using portable contour metrics derived from contour mappings | |
| CN109993236B (zh) | 基于one-shot Siamese卷积神经网络的少样本满文匹配方法 | |
| WO2019011093A1 (zh) | 机器学习模型训练方法和装置、表情图像分类方法和装置 | |
| Goh et al. | Food-image Classification Using Neural Network Model | |
| CN106778852A (zh) | 一种修正误判的图像内容识别方法 | |
| CN110276406A (zh) | 表情分类方法、装置、计算机设备及存储介质 | |
| CN107368827A (zh) | 字符识别方法及装置、用户设备、服务器 | |
| CN114092747A (zh) | 基于深度元度量模型互学习的小样本图像分类方法 | |
| CN112395986B (zh) | 一种新场景快速迁移且防遗忘的人脸识别方法 | |
| CN115410059B (zh) | 基于对比损失的遥感图像部分监督变化检测方法及设备 | |
| CN112070145B (zh) | 基于对抗网络的水果图像的新鲜度属性迁移方法 | |
| Shen et al. | Digital forensics for recoloring via convolutional neural network | |
| CN109086737B (zh) | 基于卷积神经网络的航运货物监控视频识别方法及系统 | |
| CN114882278A (zh) | 一种基于注意力机制和迁移学习的轮胎花纹分类方法和装置 | |
| Shrivastava et al. | Dictionary-based multiple instance learning | |
| CN114861178B (zh) | 一种基于改进b2m算法的恶意代码检测引擎设计方法 | |
| CN111242114A (zh) | 文字识别方法及装置 | |
| Song et al. | Text Siamese network for video textual keyframe detection | |
| CN116089944A (zh) | 基于迁移学习的跨平台应用程序异常检测方法、系统 | |
| CN114972282A (zh) | 基于图像语义信息的增量学习无参考图像质量评价方法 | |
| CN114329050A (zh) | 视觉媒体数据去重处理方法、装置、设备和存储介质 | |
| CN114611668A (zh) | 一种基于异质信息网络随机游走的向量表示学习方法及系统 | |
| CN111401519A (zh) | 一种基于物体内和物体间相似性距离的深层神经网络无监督学习方法 | |
| CN111709278A (zh) | 一种识别猕猴面部表情的方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240130 Address after: 1002, Building A, Zhiyun Industrial Park, No. 13 Huaxing Road, Tongsheng Community, Dalang Street, Longhua District, Shenzhen City, Guangdong Province, 518000 Applicant after: Shenzhen Wanzhida Information Consulting Co.,Ltd. Country or region after: China Address before: 100048 Beijing Business University, 11 Fucheng Road, Haidian District, Beijing Applicant before: BEIJING TECHNOLOGY AND BUSINESS University Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240429 Address after: Building 1, 2nd Floor, 209, Boiler Room, Vegetable Company, Gucheng North Road, Shijingshan District, Beijing, 100000 RMB Applicant after: Century Easy Link (Beijing) Technology Co.,Ltd. Country or region after: China Address before: 1002, Building A, Zhiyun Industrial Park, No. 13 Huaxing Road, Tongsheng Community, Dalang Street, Longhua District, Shenzhen City, Guangdong Province, 518000 Applicant before: Shenzhen Wanzhida Information Consulting Co.,Ltd. Country or region before: China |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |