CN112132204B - 一种基于偏好概率加权采样的鲁棒模型拟合方法 - Google Patents
一种基于偏好概率加权采样的鲁棒模型拟合方法 Download PDFInfo
- Publication number
- CN112132204B CN112132204B CN202010987428.5A CN202010987428A CN112132204B CN 112132204 B CN112132204 B CN 112132204B CN 202010987428 A CN202010987428 A CN 202010987428A CN 112132204 B CN112132204 B CN 112132204B
- Authority
- CN
- China
- Prior art keywords
- model
- data
- hypothesis
- sampling
- point
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Discrete Mathematics (AREA)
- Image Analysis (AREA)
Abstract
一种基于偏好概率加权采样的鲁棒模型拟合方法,涉及计算机视觉。A.准备数据集;B.赋予数据集中每个数据点权重,循环执行步骤C‑D,生成模型假设;C.从数据点中以权重采样数据点子集,进行模型更新策略,在数据集中通过随机采样生成初始模型假设,并通过迭代方式更新模型假设,直到满足停止标准停止迭代,通过更新选取得到最佳模型假设并加入模型假设集;D.根据偏好概率公式和模型假设集计算各数据点的偏好概率,通过增大偏好概率在一定阈值区间的数据点权重,增加采样小结构模型实例内点概率,减少大结构模型实例和离群点对采样干扰;E.用模型假设集的残差向量集,构建相似度矩阵,应用谱聚类技术对数据聚类,估计多结构模型实例。
Description
技术领域
本发明涉及计算机视觉技术,具体是涉及一种基于偏好概率加权采样的鲁棒模型拟合方法。
背景技术
在计算机视觉领域中,鲁棒模型拟合是一个基础性的研究任务。在实际应用中,视觉数据会受噪声和离群点的污染,鲁棒模型拟合的任务是在包含噪声和离群点的数据中估计真实模型参数。RANSAC(M.A.Fischler,R.C.Bolles.Random sample consensus:aparadigm for model fitting with applications to image analysis and automatedcartography.Comm.ACM,1981,24(6):381–395.)是一种广泛应用的经典鲁棒估计技术。它采用“假设-验证”框架,通常包含两个步骤:(1)随机抽取最小数据子集生成模型假设集;(2)验证有效的模型假设。RANSAC及其变种已经成功地应用于许多鲁棒拟合任务中,包括运动分割、图像配准等。尽管这些方法简单有效,但仅限于处理单结构数据。然而,在现实场景中,多结构数据更为常见。因此,这项任务的主要挑战是需要同时处理离群点和伪离群点。离群点是在数据预处理中错误产生的噪声数据。而属于一个结构的内点则是其他结构的伪离群点。在多结构模型拟合中,存在结构内点数量的不平衡,其中一些小结构的伪离群点的数目可能比它自身的内点更为显著。
近几十年来,学者们提出了一系列针对多结构数据的模型拟合方法。基于参数空间分析的方法与基于数据聚类的方法。基于参数空间分析的方法研究模型假设的共识点集(Consensusset),以提取真实的模型结构。例如AKSWH(H.Wang,T.J.Chin,D.Suter.Simultaneously fitting and segmenting multiple-structure data withoutliers.IEEE Transactions on Pattern Analysis and Machine Intelligence,2012,34(6):1177–1192.)、MSHF(H.Wang,G.Xiao,Y.Yan,D.Suter.Searching forrepresentative modes on hypergraphs for robust geometric model fitting.IEEETransactions on Pattern Analysis and Machine Intelligence,2018,41(3):697–711.),此类方法常在模型假设集上搜索模型实例。但是生成有效的模型假设集需要大量采样,这导致此类方法的计算效率较低。另一个解决方案是基于数据聚类的方法。这类方法将拟合问题转化为聚类问题。例如:CBS(R.Tennakoon,A.Sadri,R.Hoseinnezhad,A.B.Hadiashar.Effective sampling:Fast segmentation using robust geometricmodel fitting.IEEE Transactions on Image Processing,2018,27(9):4182–4194.)其主要思想是利用一组模型假设到点的残差来编码每个数据点之间的相似度,从而对同一结构的点进行聚类。这些方法的聚类性能取决于点对之间的相似性度量的有效性。然而相似度的度量容易受到包含离群点的低质量的模型假设的干扰。此外,如果生成的模型假设集不能平衡地描述每个结构,则可能导致最终的拟合性能变差。
发明内容
本发明的目的在于针对现有技术存在的上述不足,提供可缓解数据不平衡的干扰,提高对小结构模型实例的采样精度,从而生成高质量模型假设的一种基于偏好概率加权采样的鲁棒模型拟合方法。
本发明包括以下步骤:
A.准备数据集;
B.赋予数据集中每个数据点权重,循环执行步骤C-D,生成模型假设;
C.从数据点中以权重采样数据点子集,并进行模型更新策略,在数据集中通过随机采样生成一个初始模型假设,并通过迭代方式更新模型假设,直到满足停止标准停止迭代,通过更新,选取得到最佳模型假设并加入模型假设集;
D.根据偏好概率公式和模型假设集计算各数据点的偏好概率,通过增大偏好概率在一定阈值区间的数据点的权重,来增加采样小结构模型实例内点的概率,进而减少大结构模型实例和离群点对采样的干扰;
E.用模型假设集的残差向量集,构建相似度矩阵,应用谱聚类技术对数据进行聚类,进而估计多结构模型实例。
在步骤B中,所述赋予数据集中每个数据点权重,循环执行步骤C-D,生成模型假设的具体方法可为:赋予每个数据点权重循环执行步骤C-D,共nH次,以生成nH个模型假设其中,nH为所需的模型假设个数,其值根据所需结果的精度,由手工指定。
在步骤C中,所述从数据点中以权重采样数据点子集,并进行模型更新策略的具体方法可为:从输入数据X中以权重w采样个点Xs,对于数据点子集Xs进行模型更新策略:在数据集中通过随机采样生成一个初始模型假设θ0,并通过迭代方式更新模型假设,直到满足停止标准停止迭代,通过更新,可以得到一个良好的模型假设;
迭代步骤表示如下:
将模型假设θt的残差向量r(θt)中的元素按升序排序以获得排序后的残差向量:
接着,使用残差排序在第k位的数据点周围的点集来更新第t次迭代得到的模型假设θt,更新后的模型假设θt+1可以表示为:
其中,F(·)表示最小二乘拟合函数,p表示模型参数空间的维数,k表示待估计的模型实例的内点集最小基数。
重复执行公式(1)、(2)和(3),直到满足停止标准,其计算方法如下:
其中,∈为步长,t为迭代次数的计数,II(·)为指示函数,α(·)表示评估模型假设质量的度量函数,鲁棒度量函数为:
公式(4)表示若获取当前最优模型假设后,在一定步长迭代内没有更好的模型假设,则迭代停止;由此,生成了一系列候选的模型假设其中T为停止标准确定的迭代次数,将具有最高评估值的模型假设选取为最佳模型假设并将其表示为:
在步骤C中,定义的参数k=12;∈=5。
在步骤D中,所述根据偏好概率公式和模型假设集计算各数据点的偏好概率,通过增大偏好概率在一定阈值区间的数据点的权重,来增加采样小结构模型实例内点的概率,进而减少大结构模型实例和离群点对采样的干扰的具体步骤可为:
引入偏好概率,数据点xi的偏好概率写为:
首先,利用公式(7)与当前的模型假设集计算各点的偏好概率;之后,通过增大偏好概率在一定阈值区间的数据点的权重,来增加采样小结构模型实例内点的概率,进而减少大结构模型实例和离群点对采样的干扰;采用EM算法(A.P.Dempster,N.M.Laird,D.B.Rubin.Maximum likelihood from incomplete data via the EMalgorithm.Journal of the Roya Statistical Society:Series B,1977,39(1):1–22.)来自动估计用于调整数据点权重的阈值,以取代手动的阈值设定;将偏好概率拟合为一维混合高斯模型,可表示为:
其中,q∈{1,2}。
最后,提高偏好概率介于[β1,β2]的数据点的权重,并减少此区间外的数据点的权重,再进行加权采样以获得新的数据点子集,即调整偏好概率在[β1,β2]区间内的数据点Xw的权重并对于点的权重w进行归一化。
本发明提出一种基于偏好概率加权采样的模型拟合方法。提出一个模型假设更新策略以选取有效的模型假设。此外,提出一个偏好概率加权采样策略。根据数据点的偏好概率,利用内点与离群点呈现不同偏好概率模型来区分数据点,以动态调整数据点的权重来指导后续采样。该方法利用模型假设更新与偏好概率加权采样结合的方式来生成一系列模型假设。然后根据模型假设对应的残差集所构成的点与点的相似度矩阵,应用谱聚类技术对数据进行聚类,进而估计多结构模型实例。
相比现有的模型拟合方法,本发明的优点在于:(1)提出了一个模型假设更新策略,通过在更新过程中均衡评估模型假设的质量来选取有效的模型假设,以缓解数据不平衡的干扰。(2)提出了一个偏好概率加权采样策略。该策略有效利用了假设集的表征信息指导后续的采样过程。与以往的子采样策略不同,该策略通过引入偏好概率的统计信息以有效地区分内点与离群点,从而生成高质量的模型假设。
附图说明
图1为本发明在AdelaideRMF数据集中的Breadtoycar与Cube图像对进行基础矩阵估计的示例。这里只显示双视图中的一张。第一行的图片为真实的模型实例标签,第二行的图片为本发明所拟合的模型实例标签。
图2为本发明在SNU数据集中的Books与Jigsaws图像对进行仿射变换矩阵估计的示例。这里只显示双视图中的一张。第一行的图片为真实的模型实例标签,第二行的图片为本发明所拟合的模型实例标签。
具体实施方式
以下实施例将结合附图对本发明的方法作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了实施方式和具体操作过程,但本发明的保护范围不限于下述的实施例。
本发明实施例的实施方式包括以下步骤:
C.从输入数据X中以权重w采样个点Xs,对于数据点子集Xs进行模型更新策略:在数据集中通过随机采样生成一个初始模型假设θ0,并通过迭代方式更新模型假设,直到满足停止标准停止迭代。通过更新,可以得到一个良好的模型假设。迭代步骤表示如下:
将模型假设θt的残差向量r(θt)中的元素按升序排序以获得排序后的残差向量:
接着,使用残差排序在第k位的数据点周围的点集来更新模型假设θt。更新后的模型假设θt+1可以表示为:
其中,F(·)表示最小二乘拟合函数,p表示模型参数空间的维数,k表示待估计的模型实例的内点集最小基数。
重复执行公式(1)、(2)和(3),直到满足停止标准。其计算方法如下:
其中,∈为步长,t为迭代次数的计数,II(·)为指示函数。其中,α(·)表示评估模型假设质量的度量函数。本发明提出了一个新的鲁棒度量函数,该函数可表示为:
公式(4)表示若获取当前最优模型假设后,在一定步长迭代内没有更好的模型假设,则迭代停止。由此,生成了一系列候选的模型假设其中T为停止标准确定的迭代次数。因此,将具有最高评估值的模型假设选取为最佳模型假设并将其表示为:
D.引入偏好概率,数据点xi的偏好概率可以写为:
首先,利用公式(7)与当前的模型假设集计算各点的偏好概率。之后,通过增大偏好概率在一定阈值区间的数据点的权重,来增加采样小结构模型实例内点的概率,进而减少大结构模型实例和离群点对采样的干扰。采用EM算法(A.P.Dempster,N.M.Laird,D.B.Rubin.Maximum likelihood from incomplete data via the EMalgorithm.Journal of the Roya Statistical Society:Series B,1977,39(1):1–22.)来自动估计用于调整数据点权重的阈值,以取代手动的阈值设定。将偏好概率拟合为一维混合高斯模型,可表示为:
其中,q∈{1,2}。
最后,提高偏好概率介于[β1,β2]的数据点的权重,并减少此区间外的数据点的权重,再进行加权采样以获得新的数据点子集,即调整偏好概率在[β1,β2]区间内的数据点Xw的权重并对于点的权重w进行归一化。
图1是本发明在AdelaideRMF数据集中的Breadtoycar与Cube图像对进行基础矩阵估计的示例。这里只显示双视图中的一张。第一行的图片为真实的模型实例标签,第二行的图片为本发明所拟合的模型实例标签。
图2是本发明在SNU数据集中的Books与Jigsaws图像对进行仿射变换矩阵估计的示例。这里只显示双视图中的一张。第一行的图片为真实的模型实例标签,第二行的图片为本发明所拟合的模型实例标签。
本发明与其它几种流行的模型拟合方法在AdelaideRMF数据集上进行基础矩阵估计拟合的平均误差与耗时对比见表1。参与对比的方法为:KF、T-Linkage、RCMSA与CBS。本发明(Ours)在实验中获得了最低的平均拟合误差与耗时。
表1
本发明与其它几种流行的模型拟合方法在SNU数据集上进行仿射变换矩阵估计拟合的平均误差与耗时对比见表2。参与对比的方法为:KF、T-Linkage、RCMSA与CBS。本发明(Ours)在实验中获得了最低的平均拟合误差与耗时。
表2
KF对应于T.J.Chin,H.Wang,D.Suter.Robust fitting of multiplestructures:The statistical learning approach.IEEE International Conference onComputer Vision,2009,413–420.
RCMSA对应于T.T.Pham,T.J.Chin,J.Yu,D.Suter.The random cluster modelfor robust geometric fitting.IEEE Transactions on Pattern Analysis andMachine Intelligence,2014,36(8):1658–1671.
T-Linkage对应于L.Magri,A.Fusiello.T-linkage:A continuous relaxationof J-linkage for multi-model fitting,IEEE Conference on Computer Vision andPattern Recognition,2014,3954–3961.
CBS对应于R.Tennakoon,A.Sadri,R.Hoseinnezhad,A.B.Hadiashar.Effectivesampling:Fast segment-ationusing robust geometric model fitting.IEEETransactions on Image Processing,2018,27(9):4182–4194。
综上,与当前主流的模型拟合方法相比,本发明的拟合精度与速度上的性能有所提升。本发明提出一种基于偏好概率加权采样的鲁棒模型拟合方法。该发明首先提出了一个模型假设更新策略,通过在更新过程中均衡评估模型假设的质量来选取有效的模型假设,以缓解数据不平衡的干扰。然后提出了一个偏好概率加权采样策略。该策略有效利用了假设集的表征信息指导后续的采样过程。与以往的子采样策略不同,该策略通过引入偏好概率的统计信息以有效地区分内点与离群点,提高对小结构模型实例的采样精度,缓解数据不平衡的干扰,从而生成高质量的模型假设。
Claims (6)
1.一种基于偏好概率加权采样的鲁棒模型拟合方法,其特征在于包括以下步骤:
A.准备AdelaideRMF和SNU数据集;
B.赋予数据集中每个数据点权重,循环执行步骤C-D,生成模型假设;
C.从数据点中以权重采样数据点子集,并进行模型更新策略,在数据集中通过随机采样生成一个初始模型假设,并通过迭代方式更新模型假设,直到满足停止标准停止迭代,通过更新,选取得到最佳模型假设并加入模型假设集;
D.根据偏好概率公式和模型假设集计算各数据点的偏好概率,通过增大偏好概率在一定阈值区间的数据点的权重,来增加采样小结构模型实例内点的概率,进而减少大结构模型实例和离群点对采样的干扰,具体步骤为:
引入偏好概率,数据点xi的偏好概率写为:
首先,利用公式(7)与当前的模型假设集计算各点的偏好概率;之后,通过增大偏好概率在一定阈值区间的数据点的权重,来增加采样小结构模型实例内点的概率,进而减少大结构模型实例和离群点对采样的干扰;采用EM算法来自动估计用于调整数据点权重的阈值,以取代手动的阈值设定;将偏好概率拟合为一维混合高斯模型,表示为:
接下来定义两个阈值β1与β2,由下式计算:
其中,q∈{1,2};
最后,提高偏好概率介于[β1,β2]的数据点的权重,并减少此区间外的数据点的权重,再进行加权采样以获得新的数据点子集,即调整偏好概率在[β1,β2]区间内的数据点Xw的权重并对于点的权重w进行归一化;
E.用模型假设集的残差向量集,构建相似度矩阵,应用谱聚类技术对数据进行聚类,进而估计多结构模型实例。
4.如权利要求3所述一种基于偏好概率加权采样的鲁棒模型拟合方法,其特征在于在步骤C中,所述从数据点中以权重采样数据点子集,并进行模型更新策略的具体方法为:从输入数据X中以权重w采样个点Xs,对于数据点子集Xs进行模型更新策略:在数据集中通过随机采样生成一个初始模型假设θ0,并通过迭代方式更新模型假设,直到满足停止标准停止迭代,通过更新,得到一个良好的模型假设;
迭代步骤表示如下:
将模型假设θt的残差向量r(θt)中的元素按升序排序以获得排序后的残差向量:
接着,使用残差排序在第k位的数据点周围的点集来更新第t次迭代得到的模型假设θt,更新后的模型假设θt+1表示为:
其中,F(·)表示最小二乘拟合函数,p表示模型参数空间的维数,k表示待估计的模型实例的内点集最小基数;
重复执行公式(1)、(2)和(3),直到满足停止标准,其计算方法如下:
其中,∈为步长,t为迭代次数的计数,II(·)为指示函数,α(·)表示评估模型假设质量的度量函数,鲁棒度量函数为:
公式(4)表示若获取当前最优模型假设后,在一定步长迭代内没有更好的模型假设,则迭代停止;由此,生成了一系列候选的模型假设其中T为停止标准确定的迭代次数,将具有最高评估值的模型假设选取为最佳模型假设并将其表示为:
5.如权利要求4所述一种基于偏好概率加权采样的鲁棒模型拟合方法,其特征在于在步骤C中,定义的参数k=12;∈=5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010987428.5A CN112132204B (zh) | 2020-09-18 | 2020-09-18 | 一种基于偏好概率加权采样的鲁棒模型拟合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010987428.5A CN112132204B (zh) | 2020-09-18 | 2020-09-18 | 一种基于偏好概率加权采样的鲁棒模型拟合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112132204A CN112132204A (zh) | 2020-12-25 |
CN112132204B true CN112132204B (zh) | 2022-05-24 |
Family
ID=73841446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010987428.5A Active CN112132204B (zh) | 2020-09-18 | 2020-09-18 | 一种基于偏好概率加权采样的鲁棒模型拟合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132204B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104835174A (zh) * | 2015-05-25 | 2015-08-12 | 厦门大学 | 基于超图模式搜索的鲁棒模型拟合方法 |
CN108710761A (zh) * | 2018-05-22 | 2018-10-26 | 泉州装备制造研究所 | 一种基于谱聚类去除离群点的鲁棒模型拟合方法 |
CN108921871A (zh) * | 2018-07-27 | 2018-11-30 | 福建农林大学 | 一种基于全局贪婪搜索的鲁棒模型拟合方法 |
CN108960296A (zh) * | 2018-06-14 | 2018-12-07 | 厦门大学 | 一种基于连续潜在语义分析的模型拟合方法 |
CN109871867A (zh) * | 2019-01-09 | 2019-06-11 | 厦门大学 | 一种基于偏好统计的数据表征的模型拟合方法 |
CN110163298A (zh) * | 2019-05-31 | 2019-08-23 | 闽江学院 | 一种融合子集采样和模型选择的模型拟合方法 |
-
2020
- 2020-09-18 CN CN202010987428.5A patent/CN112132204B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104835174A (zh) * | 2015-05-25 | 2015-08-12 | 厦门大学 | 基于超图模式搜索的鲁棒模型拟合方法 |
CN108710761A (zh) * | 2018-05-22 | 2018-10-26 | 泉州装备制造研究所 | 一种基于谱聚类去除离群点的鲁棒模型拟合方法 |
CN108960296A (zh) * | 2018-06-14 | 2018-12-07 | 厦门大学 | 一种基于连续潜在语义分析的模型拟合方法 |
CN108921871A (zh) * | 2018-07-27 | 2018-11-30 | 福建农林大学 | 一种基于全局贪婪搜索的鲁棒模型拟合方法 |
CN109871867A (zh) * | 2019-01-09 | 2019-06-11 | 厦门大学 | 一种基于偏好统计的数据表征的模型拟合方法 |
CN110163298A (zh) * | 2019-05-31 | 2019-08-23 | 闽江学院 | 一种融合子集采样和模型选择的模型拟合方法 |
Non-Patent Citations (3)
Title |
---|
Mode seeking on graphs for geometric model fitting via preference analysis;Guobao Xiao et al.;《Pattern Recognition Letters》;20161101;第83卷(第3期);全文 * |
T-Linkage: A Continuous Relaxation of J-Linkage for Multi-model Fitting;Luca Magri et al.;《2014 IEEE Conference on Computer Vision and Pattern Recognition》;20140925;全文 * |
基于偏好统计数据表征的鲁棒几何模型拟合方法;郭翰林 等;《计算机学报》;20191203;第43卷(第7期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112132204A (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784149B (zh) | 一种人体骨骼关键点的检测方法及系统 | |
Pham et al. | The random cluster model for robust geometric fitting | |
Chum et al. | Optimal randomized RANSAC | |
Gökberk et al. | 3D shape-based face representation and feature extraction for face recognition | |
CN105184260B (zh) | 一种图像特征提取方法及行人检测方法及装置 | |
CN109118473B (zh) | 基于神经网络的角点检测方法、存储介质与图像处理系统 | |
CN109934826A (zh) | 一种基于图卷积网络的图像特征分割方法 | |
CN110716792B (zh) | 一种目标检测器及其构建方法和应用 | |
CN111461164B (zh) | 样本数据集的扩容方法及模型的训练方法 | |
CN109598220A (zh) | 一种基于多元输入多尺度卷积的人数统计方法 | |
CN111274915A (zh) | 一种指静脉图像的深度局部聚合描述子提取方法及系统 | |
CN111079847A (zh) | 一种基于深度学习的遥感影像自动标注方法 | |
CN109993070B (zh) | 一种基于全局距离尺度损失函数的行人再识别方法 | |
CN111144462A (zh) | 一种雷达信号的未知个体识别方法及装置 | |
CN114267060A (zh) | 基于不确定抑制网络模型的人脸年龄识别方法及系统 | |
CN112132204B (zh) | 一种基于偏好概率加权采样的鲁棒模型拟合方法 | |
CN107688822B (zh) | 基于深度学习的新增类别识别方法 | |
CN112200862A (zh) | 目标检测模型的训练方法、目标检测方法及装置 | |
CN111144469B (zh) | 基于多维关联时序分类神经网络的端到端多序列文本识别方法 | |
Artola et al. | Glad: A global-to-local anomaly detector | |
CN116664494A (zh) | 一种基于模板对比的表面缺陷检测方法 | |
CN114863189B (zh) | 一种基于大数据的图像智能识别方法 | |
CN114445649A (zh) | 用多尺度超像素融合检测rgb-d单幅图像阴影的方法 | |
CN113963235A (zh) | 一种跨类别图像识别模型重用方法和系统 | |
CN111639691A (zh) | 一种基于特征匹配和贪婪搜索的图像数据采样方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |