CN112329498A - 一种基于机器学习的街道空间品质量化方法 - Google Patents
一种基于机器学习的街道空间品质量化方法 Download PDFInfo
- Publication number
- CN112329498A CN112329498A CN201910715096.2A CN201910715096A CN112329498A CN 112329498 A CN112329498 A CN 112329498A CN 201910715096 A CN201910715096 A CN 201910715096A CN 112329498 A CN112329498 A CN 112329498A
- Authority
- CN
- China
- Prior art keywords
- street
- space quality
- data set
- green
- 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.)
- Granted
Links
- 238000011002 quantification Methods 0.000 title claims abstract description 26
- 238000010801 machine learning Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 8
- 238000011160 research Methods 0.000 claims abstract description 7
- 238000012423 maintenance Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000003749 cleanliness Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 abstract description 26
- 238000011835 investigation Methods 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 abstract 1
- 238000000605 extraction Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000831576 Chlorophthalmus acutifrons Species 0.000 description 1
- 241001464837 Viridiplantae Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000001328 optic nerve Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/38—Outdoor scenes
- G06V20/39—Urban scenes
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于机器学习的街道空间品质量化方法，主要涉及利用语义分割网络量化街道绿视率，将绿视率作为量化空间品质指标之一，并利用跨连卷积神经网络提取街景图片特征，将提取的特征作为支持向量回归模型的输入特征量化街道空间品质。该方法包括：制作街道绿视率数据集训练语义分割网络量化街道绿视率。将绿视率作为空间品质指标之一，制作街道空间品质数据集，进而训练跨连CNN+SVR网络，得到网络模型，利用模型进行街道空间品质的大规模量化。本发明充分发挥了机器学习的优越性，减轻了研究人员在街道空间品质调查中的巨大工作量，并为相关研究提供了重要的数据支撑，为城市规划领域研究街道空间品质提供了新思路。
Description
技术领域
本发明涉及图像分析领域中的街道空间品质量化分析问题，尤其是涉及一种基于机器学习的街道空间品质量化方法。
背景技术
随着科学的发展，人工智能与医疗、教育、环境治理以及城市规划等领域的结合，将极大促进城市公共服务精准化，全面改善人民的生活质量水平。因此，关注智慧城市的建设是我国目前的热点方向。城市公共空间主要包括街道、商场、广场以及公园等多功能区域，而其中的街道，相当于城市的“骨骼”。街道作为展现城市经济、生活面貌的舞台，也是凸显地方特色的重要窗口。良好的街道空间品质不仅可以形成友好和谐的邻里生活环境，增加人们生活的幸福感，同时可以吸引外来游客，带动地方商业发展和旅游经济，提升城市的活力和经济价值。因此本发明主要针对街道空间品质进行量化分析，对我国现阶段的智慧城市发展具有一定的理论价值和实践意义。
近些年量化街道空间品质的方法，主要是针对某一特定街道区域，采用问卷调查、现场调研等人工主观评分方式收集数据信息。传统调研方法虽然可以获得全面、详细的街道环境信息，但是完成一份调研非常费时费力，难以进行大规模的客观量化，因而无法用于大范围的城市定量研究，也难以精确到街道尺度。
街景图片是对城市公共空间场景较为真实的展现，具有真实感丰富、信息度强等特点，且获取便利，为城市街道空间品质的评价提供了新的机遇。在此背景下，本文就新兴的街景图片大数据和机器学习技术，对街道空间品质量化研究进行初步探讨。本发明利用机器学习技术，采用语义分割网络以及跨连卷积神经网络CNN+支持向量回归SVR网络量化街道空间品质属性。该发明给城市规划者调查街道空间品质节省了巨大的工作量，提供了重要的数据支撑，并为调查领域研究街道空间品质提供了新思路。
发明内容
本发明的目的是提供一种基于机器学习的街道空间品质量化方法，将机器学习与街道空间品质属性相结合，充分发挥机器学习自我学习的优势，可以解决目前研究人员调查街道空间品质工作量大的问题。
为了方便说明，首先引入如下概念：
语义分割：图像的语义分割是给输入图像的每个像素分配一个语义类别，以得到像素化的密集分类。
绿视率：指人们眼睛所看到的物体中绿色植物所占的比例，即可见绿所占的比例，它强调立体的视觉效果。
卷积神经网络(CNN)：受视觉神经机制的启发而设计的，是为识别二维形状而设计的一种多层感知器，这种网络结构对平移、比例缩放、倾斜或者其他形式的变形具有高度不变性。
AlexNet网络：该网络是一个8层的网络，包含5个由卷积(Convolutional,Conv)层和3个全连接(Fully Connected,FC)层。AlexNet主要具有如下新技术点：成功使用ReLU作为激活函数，使用Dropout避免模型过拟合，数据增强，提出LRN(Local ResponseNormalization)层以及使用GPU加速等。
支持向量回归(SVR)：支持向量机(SVM)的一种，通过寻求结构化风险最小函数来提高学习机泛化能力，使其在输入数据量较少的情况下，亦能获得良好的统计规律。SVR非常擅长解决复杂的具有中小规模训练集的非线性问题，甚至在特征多于训练样本时也能有非常好的表现。
跨连CNN+SVR网络：利用跨连CNN网络提取图像的CNN特征，并将提取的CNN特征作为SVR回归模型的输入特征。
本发明具体采用如下技术方案：
提出了一种机器学习的街道空间品质量化方法，其特征在于：
1).获取街景图片制作街道绿视率数据集和街道空间品质数据集；
2).利用语义分割网络量化街道绿视率，并将其作为量化街道空间品质的指标之一；
3).采用融合浅层信息与深层信息特征的思路改进卷积神经网络CNN，并结合支持向量回归SVR模型，提出了跨连CNN+SVR网络模型；
4).结合语义分割网络、人工评分和机器学习的方式对街道空间品质进行量化；
该方法主要包括以下步骤：
(1)使用Cityscapes和BDD图像分割公开数据集中部分数据，以及少量街景地图爬取的国内街景图片制作街道绿视率数据集；
(2)获取街景图片，并对街景图片进行预处理，选出具有研究价值的街景图片，在处理后的街景图片中随机选择部分街景图片制作街道空间品质数据集，按6:2:2的比例分为训练集、测试集和验证集；
(3)将步骤(1)中街道绿视率数据集用于训练语义分割网络，并将训练好的模型用于量化步骤(2)中街道空间品质数据集的绿视率；
(4)对步骤(2)中街道空间品质数据集的开敞度、整洁度、维护度和意象化四个指标采用人工评分的方式进行量化，并融合步骤(3)中量化的绿视率指标，进行制作数据集标签，以完成街道空间品质数据集的制作；
(5)对AlexNet网络进行更改，将浅层卷积层特征与深层卷积层特征输出进行融合，其中将第1个卷积层、第3个卷积层和第5个卷积层的输出向量特征融合作为全连接层的输入，即为改进的跨连CNN，并将最后一个全连接层输出的CNN特征作为SVR回归模型的输入特征，即为本发明所提出的跨连CNN+SVR网络；
(6)利用步骤(4)中制作的数据集，对跨连CNN网络进行训练，提取CNN特征，并将提取的CNN特征作为SVR的输入特征训练SVR模型，并保存训练好的模型；
(7)将步骤(6)中的训练模型对街道空间品质进行大规模量化。
优选地，步骤(3)中采用语义分割网络量化街道绿视率，并将量化后的街道绿视率作为街道空间品质的一个量化指标。
优选地，步骤(4)中街景图片数据标签的制作包括绿视率、开敞度、整洁度、维护度和意象化五个指标，特别地，绿视率采用语义分割网络进行量化，而后面四个指标采用人工评分的方式量化，评分标准有0分、1分和2分三个标准，并通过多人评分降低主观评价的误差，最后，对不同指标赋予不同的权重进行融合，并将其进行归一化得到最终的街道空间品质量化结果。
优选地，步骤(5)中采用融合的方式增强输入到全连接层的语义信息，并将全连接层的输出特征作为SVR回归模型的输入特征。
优选地，步骤(4)中利用制作的数据集对跨连CNN+SVR网络进行训练，得到相应的训练模型，并于在步骤(7)中用训练好的模型对街道空间品质进行大规模量化。
本发明的有益效果是：
(1)利用语义分割网络大规模量化街道绿视率，并将其作为街道空间品质的量化指标，使得街道空间品质的量化更加合理、准确。
(2)制作了街道空间品质数据集，并提出了一个比较系统的街道空间品质评价标准。
(3)充分发挥机器学习的自我学习优势，机器自动学习良好的特征。当输入街景图片时能够快速准确地提取特征，避免了人工提取特征的局限性，适应能力更强。
(4)跨连CNN+SVR网络在自制数据集训练过程中，能从训练样本中很好的学习到街道空间品质的特征，能够实现街景图片的自动评分量化，且与传统的图片描述特征相比，使用CNN特征能够得到更加准确的空间品质得分。
(5)将机器学习与街道空间品质属性相结合，量化街道空间品质属性，可以减轻研究人员调查街道空间品质的工作量并为其提供重要的数据支撑。
附图说明
图1为本发明的系统方案示意图；
图2为语义分割网络结构示意图；
图3为跨连CNN+SVR网络结构示意图；
图4为本发明的街道绿视率量化结果示意图；
图5为本发明的街道空间品质量化结果示意图，图片右下角的数值中，右边为人工评分，左边为该发明网络预估值。
具体实施方式
下面通过实例对本发明作进一步的详细说明，有必要指出的是，以下的实施例只用于对本发明做进一步的说明，不能理解为对本发明保护范围的限制，所属领域技术熟悉人员根据上述发明内容，对本发明做出一些非本质的改进和调整进行具体实施，应仍属于本发明的保护范围。
图1中，基于机器学习的街道空间品质量化方法，具体包括以下步骤：
(1)街道绿视率数据集的制作。使用Cityscapes和BDD图像分割公开数据集中部分数据，以及少量街景地图爬取的国内街景图片，根据分割任务识别类别的不同，对公开数据集的标注图进行处理，以识别需要的街道目标。又由于爬取的街景图片没有现成的语义分割标注，使用图像语义分割标注工具LabelMe制作数据集的标签。
(2)街道空间品质数据集的制作。获取大量街景图片，对街景图片进行预处理——使用街景识别模型选出合格的街景图片。从合格的街景图片中随机选择部分数据作为数据集，并针对数据量不足的类别图像，使用镜像、旋转和加噪等方式扩充数据量。将数据集按6:2:2的比例分为训练集、测试集和验证集。
(3)将步骤(1)中制作好的数据集用于训练语义分割网络，并保存训练好的模型。
(4)街道空间品质数据集标签的制作。将步骤(3)中训练的语义分割模型用于量化步骤(2)中街道空间品质数据集的绿视率，并将量化后的绿视率作为街道空间品质的一个指标，再结合人工评分的方式制作数据标签。人工评分指标包括开敞度、整洁性、维护度和意象化，且评分标准有0分、1分和2分三个不同等级，通过多人评分的方式降低主观评价的误差。最后，对每个指标赋予不同的权重进行融合，并将其进行归一化得到最终的街道空间品质分数。具体的融合方式如下式所示。
S＝(2ω1S1+ω2S2+ω3S3+ω4S4+ω5S5)/2
其中，S为融合后的街道空间品质量化结果，S1为绿视率，S2为开敞度，S3为整洁性，S4为维护度，S5为意象化。由于绿视率S1的量化范围在0-1之间，而S2-S5每个特征的量化范围为0-2分，故将量化后的绿视率指标乘以2使其与其他指标处于同一标准。本发明根据实际情况对每个特征赋予不同的权重ω。其中，ω1＝0.25，ω2＝0.16，ω3＝0.17，ω4＝0.17，ω5＝0.25。最后，融合每个指标并将其进行归一化得到最终的街道空间品质分数。
(5)对Alexnet网络进行更改，将浅层卷积层特征与深层卷积层特征输出进行融合，其中将第1个卷积层、第3个卷积层和第5个卷积层的输出向量特征融合作为全连接层的输入，并将最后一个全连接层输出的CNN特征作为SVR回归模型的输入特征，得到本发明所提的跨连CNN+SVR网络结构。
(6)街道空间品质的量化：在上述步骤(4)制作的数据集的基础上进行训练，训练平台为Ubuntu16.04，使用框架为Caffe。本发明先对跨连CNN部分进行训练，然后用CNN提取的特征作为SVR回归模型的输入特征，训练SVR回归模型，最后得到网络参数模型。
(7)将步骤(6)中的训练模型对街道空间品质进行大规模量化，得到街道空间品质量化指数。
Claims (5)
1.一种基于机器学习的街道空间品质量化方法，其特征在于：
1).获取街景图片制作街道绿视率数据集和街道空间品质数据集；
2).利用语义分割网络量化街道绿视率，并将其作为量化街道空间品质的指标之一；
3).采用融合浅层信息与深层信息特征的思路改进卷积神经网络CNN，并结合支持
向量回归SVR模型，提出了跨连CNN+SVR网络模型；
4).结合语义分割网络、人工评分和机器学习的方式对街道空间品质进行量化；
该方法主要包括以下步骤：
(1)使用Cityscapes和BDD图像分割公开数据集中部分数据，以及少量街景地图爬取的国内街景图片制作街道绿视率数据集；
(2)获取街景图片，并对街景图片进行预处理，选出具有研究价值的街景图片，在处理后的街景图片中随机选择部分街景图片制作街道空间品质数据集，按6:2:2的比例分为训练集、测试集和验证集；
(3)将步骤(1)中街道绿视率数据集用于训练语义分割网络，并将训练好的模型用于量化步骤(2)中街道空间品质数据集的绿视率；
(4)对步骤(2)中街道空间品质数据集的开敞度、整洁度、维护度和意象化四个指标采用人工评分的方式进行量化，并融合步骤(3)中量化的绿视率指标，进行制作数据集标签，以完成街道空间品质数据集的制作；
(5)对AlexNet网络进行更改，将浅层卷积层特征与深层卷积层特征输出进行融合，其中将第1个卷积层、第3个卷积层和第5个卷积层的输出向量特征融合作为全连接层的输入，即为改进的跨连CNN，并将最后一个全连接层输出的CNN特征作为SVR回归模型的输入特征，即为本发明所提出的跨连CNN+SVR网络；
(6)利用步骤(4)中制作的数据集，对跨连CNN网络进行训练，提取CNN特征，并将提取的CNN特征作为SVR的输入特征训练SVR模型，并保存训练好的模型；
(7)将步骤(6)中的训练模型对街道空间品质进行大规模量化。
2.如权利要求1所述的基于机器学习的街道空间品质量化方法，其特征在于在步骤(3)中采用语义分割网络量化街道绿视率，并将量化后的街道绿视率作为街道空间品质的一个量化指标。
3.如权利要求1所述的基于机器学习的街道空间品质量化方法，其特征在于在步骤(4)中街景图片数据标签的制作包括绿视率、开敞度、整洁度、维护度和意象化五个指标，特别地，绿视率采用语义分割网络进行量化，而后面四个指标采用人工评分的方式量化，评分标准有0分、1分和2分三个标准，并通过多人评分降低主观评价的误差，最后，对不同指标赋予不同的权重进行融合，并将其进行归一化得到最终的街道空间品质量化结果。
4.如权利要求1所述的基于机器学习的街道空间品质量化方法，其特征在于在步骤(5)中采用融合的方式增强输入到全连接层的语义信息，并将全连接层的输出特征作为SVR回归模型的输入特征。
5.如权利要求1所述的基于机器学习的街道空间品质量化方法，其特征在于在步骤(4)中利用制作的数据集对跨连CNN+SVR网络进行训练，得到相应的训练模型，并于在步骤(7)中用训练好的模型对街道空间品质进行大规模量化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910715096.2A CN112329498B (zh) | 2019-08-05 | 2019-08-05 | 一种基于机器学习的街道空间品质量化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910715096.2A CN112329498B (zh) | 2019-08-05 | 2019-08-05 | 一种基于机器学习的街道空间品质量化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112329498A true CN112329498A (zh) | 2021-02-05 |
| CN112329498B CN112329498B (zh) | 2022-06-07 |
Family
ID=74319356
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910715096.2A Active CN112329498B (zh) | 2019-08-05 | 2019-08-05 | 一种基于机器学习的街道空间品质量化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112329498B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113469019A (zh) * | 2021-06-29 | 2021-10-01 | 广州市城市规划勘测设计研究院 | 一种景观图像特征值计算方法、装置、设备及存储介质 |
| CN113837092A (zh) * | 2021-09-24 | 2021-12-24 | 北京大学深圳研究生院 | 绿视率提取的方法、装置及设备、存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013070776A (ja) * | 2011-09-27 | 2013-04-22 | Toshiba Corp | 医用画像表示装置 |
| CN104898421A (zh) * | 2015-05-05 | 2015-09-09 | 上海大学 | 基于支持向量回归机学习的无标定手眼协调模糊控制方法 |
| US20160350930A1 (en) * | 2015-05-28 | 2016-12-01 | Adobe Systems Incorporated | Joint Depth Estimation and Semantic Segmentation from a Single Image |
| CN106791822A (zh) * | 2017-01-13 | 2017-05-31 | 浙江科技学院 | 一种基于单双目特征学习的无参考立体图像质量评价方法 |
| CN107704806A (zh) * | 2017-09-01 | 2018-02-16 | 深圳市唯特视科技有限公司 | 一种基于深度卷积神经网络进行人脸图像质量预测的方法 |
| CN109242834A (zh) * | 2018-08-24 | 2019-01-18 | 浙江大学 | 一种基于卷积神经网络的无参考立体图像质量评价方法 |
| CN109308692A (zh) * | 2018-07-30 | 2019-02-05 | 西北大学 | 基于改进Resnet与SVR混合模型的OCT图像质量评价方法 |
| CN109308696A (zh) * | 2018-09-14 | 2019-02-05 | 西安电子科技大学 | 基于层级特征融合网络的无参考图像质量评价方法 |
| CN110059768A (zh) * | 2019-04-30 | 2019-07-26 | 福州大学 | 用于街景理解的融合点与区域特征的语义分割方法及系统 |
-
2019
- 2019-08-05 CN CN201910715096.2A patent/CN112329498B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013070776A (ja) * | 2011-09-27 | 2013-04-22 | Toshiba Corp | 医用画像表示装置 |
| CN104898421A (zh) * | 2015-05-05 | 2015-09-09 | 上海大学 | 基于支持向量回归机学习的无标定手眼协调模糊控制方法 |
| US20160350930A1 (en) * | 2015-05-28 | 2016-12-01 | Adobe Systems Incorporated | Joint Depth Estimation and Semantic Segmentation from a Single Image |
| CN106791822A (zh) * | 2017-01-13 | 2017-05-31 | 浙江科技学院 | 一种基于单双目特征学习的无参考立体图像质量评价方法 |
| CN107704806A (zh) * | 2017-09-01 | 2018-02-16 | 深圳市唯特视科技有限公司 | 一种基于深度卷积神经网络进行人脸图像质量预测的方法 |
| CN109308692A (zh) * | 2018-07-30 | 2019-02-05 | 西北大学 | 基于改进Resnet与SVR混合模型的OCT图像质量评价方法 |
| CN109242834A (zh) * | 2018-08-24 | 2019-01-18 | 浙江大学 | 一种基于卷积神经网络的无参考立体图像质量评价方法 |
| CN109308696A (zh) * | 2018-09-14 | 2019-02-05 | 西安电子科技大学 | 基于层级特征融合网络的无参考图像质量评价方法 |
| CN110059768A (zh) * | 2019-04-30 | 2019-07-26 | 福州大学 | 用于街景理解的融合点与区域特征的语义分割方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| ANISH JINDAL 等: "DRUMS: Demand Response Management in a Smart City Using Deep Learning and SVR", 《2018 IEEE GLOBAL COMMUNICATIONS CONFERENCE (GLOBECOM)》 * |
| 孟文倩 等: "基于卷积神经网络和SVR的年龄估计", 《河北工业大学学报》 * |
| 张红颖 等: "改进的基于卷积神经网络的人数估计方法", 《激光与光电子学进展》 * |
| 方冠男 等: "视频人脸图像质量评估及其在课堂点名系统中的应用", 《计算机应用与软件》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113469019A (zh) * | 2021-06-29 | 2021-10-01 | 广州市城市规划勘测设计研究院 | 一种景观图像特征值计算方法、装置、设备及存储介质 |
| CN113837092A (zh) * | 2021-09-24 | 2021-12-24 | 北京大学深圳研究生院 | 绿视率提取的方法、装置及设备、存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112329498B (zh) | 2022-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109446898A (zh) | 一种基于迁移学习和特征融合的行人重识别方法 | |
| CN106920243A (zh) | 改进的全卷积神经网络的陶瓷材质件序列图像分割方法 | |
| CN108629338B (zh) | 一种基于lbp和卷积神经网络的人脸美丽预测方法 | |
| CN107610123A (zh) | 一种基于深度卷积神经网络的图像美学质量评价方法 | |
| CN110008842A (zh) | 一种基于深度多损失融合模型的行人重识别方法 | |
| CN110532900A (zh) | 基于U-Net和LS-CNN的人脸表情识别方法 | |
| CN109410168B (zh) | 用于确定图像中的子图块类别的卷积神经网络的建模方法 | |
| CN109214298B (zh) | 一种基于深度卷积网络的亚洲女性颜值评分模型方法 | |
| CN107491726A (zh) | 一种基于多通道并行卷积神经网络的实时表情识别方法 | |
| CN108596329A (zh) | 基于端到端深度集成学习网络的三维模型分类方法 | |
| CN110059741A (zh) | 基于语义胶囊融合网络的图像识别方法 | |
| CN110197729A (zh) | 基于深度学习的静息态fMRI数据分类方法和装置 | |
| CN110458060A (zh) | 一种基于对抗学习的车辆图像优化方法及系统 | |
| CN109920538B (zh) | 一种基于数据增强的零样本学习方法 | |
| CN109063643B (zh) | 一种用于脸部信息部分隐藏条件下的面部表情痛苦度识别方法 | |
| CN112329498B (zh) | 一种基于机器学习的街道空间品质量化方法 | |
| CN107066635A (zh) | 一种基于图像对比识别的建筑信息导览的方法和系统 | |
| CN112070010B (zh) | 一种联合多损失动态训练策略增强局部特征学习的行人重识别方法 | |
| CN110399888A (zh) | 一种基于mlp神经网络和计算机视觉的围棋裁判系统 | |
| CN115966010A (zh) | 一种基于注意力和多尺度特征融合的表情识别方法 | |
| CN111046213B (zh) | 一种基于图像识别的知识库构建方法 | |
| CN111476823A (zh) | 基于多挑战交互学习的实时rgbt跟踪方法及装置 | |
| CN109766848B (zh) | 一种基于监控视频的行人视力状况调查分析方法 | |
| CN117173595A (zh) | 基于改进YOLOv7的无人机航拍图像目标检测方法 | |
| Guo | [Retracted] System Analysis of the Learning Behavior Recognition System for Students in a Law Classroom: Based on the Improved SSD Behavior Recognition Algorithm |
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 |