CN112434554B - 一种基于异质化缩减的云状图像识别方法及系统 - Google Patents

一种基于异质化缩减的云状图像识别方法及系统 Download PDF

Info

Publication number
CN112434554B
CN112434554B CN202011111219.0A CN202011111219A CN112434554B CN 112434554 B CN112434554 B CN 112434554B CN 202011111219 A CN202011111219 A CN 202011111219A CN 112434554 B CN112434554 B CN 112434554B
Authority
CN
China
Prior art keywords
image
cloud
heterogeneous reduction
cloud image
row
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
Application number
CN202011111219.0A
Other languages
English (en)
Other versions
CN112434554A (zh
Inventor
秦小林
彭云聪
顾勇翔
罗刚
崔小莉
葛澍
候孝振
朱遥遥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Information Technology Co Ltd of CAS
Original Assignee
Chengdu Information Technology Co Ltd of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Information Technology Co Ltd of CAS filed Critical Chengdu Information Technology Co Ltd of CAS
Priority to CN202011111219.0A priority Critical patent/CN112434554B/zh
Publication of CN112434554A publication Critical patent/CN112434554A/zh
Application granted granted Critical
Publication of CN112434554B publication Critical patent/CN112434554B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • 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
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Astronomy & Astrophysics (AREA)
  • Multimedia (AREA)
  • Remote Sensing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于异质化缩减的云状图像识别方法及系统，该方法：首先对原始云状图像进行障碍物去除和图像增强的预处理；然后，对经过预处理后的云状图像进行异质化缩减处理，异质化缩减处理为根据云状图像总体像素分布，对所有云状图像进行直方图匹配；最后，将经过异质化缩减处理后的云状图像输入至训练好的云状图像识别模型中进行识别，并得到相应的识别结果。因此，本发明通过对云状图像进行异质化缩减处理，使输入至识别模型中的图像更易学习和识别，从而解决地基云观测众包模式下存在的异质化现象。

Description

一种基于异质化缩减的云状图像识别方法及系统
技术领域
本发明涉及计算机视觉领域，具体设计一种基于异质化缩减的云状图像识别方法及统。
背景技术
随着不断贯彻《国务院关于印发新一代人工智能发展规划的通知》文件精神，人工智能技术在许多领域产生了突破性的应用。天气现象与环境气候都是影响着人们生活的一大重要因素，小到百姓的日常生活、农业作业，大到国家军队的军事行动、运输补给，这些都会随时因为天气的变化而带来巨大的影响，高效地、智能地预测云状进行辅助天气预测是一个重点研究方向。
传统的地基云观测主要靠人工目测，其存在诸多弊端。因此，地基云的自动观测方法的研究在近年来得到了广泛的关注，同时由于众包模式的兴起以及其低成本的特征，各地区云状图像更易获取、并且覆盖面更广，不过与此同时，各用户对云状的拍照形式各异，存在光照，角度等差异并且照片中的建筑等障碍物会对识别造成困扰，这种情况称其为异质化现象。
而现有技术中，主要针对比较局限的专业设备采集的云状图片，覆盖面低的不足，并未考虑到异质化现象。因此，有必要针对众包情形下采集的异质化云状图像，设计一种云状图像识别方案，以解决了现有技术中的覆盖面低、精度不足等痛点。
发明内容
鉴于以上所述现有技术的不足，本发明的目的在于：针对地基云观测众包情形下采集的异质化云状图像，提供一种基于异质化缩减的云状图像识别方法，以解决地基云观测众包模式下存在的异质化现象。
为实现上述发明目的，本发明提供以下技术方案：
一种基于异质化缩减的云状图像识别方法，其包括以下步骤：
S1：对待识别的云状图像进行预处理；其中，所述预处理包括障碍物去除和图像增强；
S2：对经过所述预处理后的云状图像进行异质化缩减处理；其中，所述异质化缩减处理为根据云状图像总体像素分布，对所有云状图像进行直方图匹配；
S3：将经过所述异质化缩减处理后的云状图像输入至训练好的云状图像识别模型中进行识别，并得到相应的识别结果。
根据一种具体的实施方式，本发明基于异质化缩减的云状图像识别方法中，所述障碍物去除包括：
由原始云状图像四个边界分别朝其相对的边界，逐行地检测每个像素点的RGB值；若行内有像素点的RGB值位于特定区间外，则进行下一行的检测；若行内无像素点的RGB值位于特定区间外，则将该行作为关键行；其中，所述特定区间为天空和云层的RGB值区间；
若存在四个关键行，则判断四个关键行之间限定的图像面积与原始云状图像的图像面积之比是否超过设定阈值，若超过，将四个关键行之间限定的图像作为经所述障碍物去除后的图像，否则丢弃所述原始云状图像。
根据一种具体的实施方式，本发明基于异质化缩减的云状图像识别方法中，所述图像增强为拉普拉斯增强；其中，图像变换公式为：
；
其中，为处理前的原始图像，/>为处理后的增强图像，c为常数。
根据一种具体的实施方式，本发明基于异质化缩减的云状图像识别方法中，，所述云状图像识别模型训练时，对训练集中的云状图像依次进行所述预处理与所述异质化缩减处理后，还通过随机擦除和随机翻转对训练集中的云状图像进行图像增广；
其中，所述随机擦除为：由两个独立均匀分布从，/>中分别采样两个点，得到擦除区域中心/>，再从均匀分布/>采样得到擦除区域边长/>；其中，擦除区域的范围为/>，h为图像高度，w为图像宽度；
所述随机翻转为：每张图片以设定的概率，进行左右翻转操作。
进一步地，本发明基于异质化缩减的云状图像识别方法中，所述云状图像识别模型为EfficientNet分类网络；而且，基于迁移学习的方式，根据超参数搜索结果，对EfficientNet-B0分类网络的结构进行缩放得到所需的EfficientNet分类网络，并根据所述EfficientNet分类网络在ImageNet图像数据集上的预训练权重，对所述EfficientNet分类网络进行初始化。
再进一步地，本发明基于异质化缩减的云状图像识别方法中，初始化后的所述EfficientNet分类网络利用所述训练集，并基于ResTraining方式进行训练，以得到所述云状图像识别模型；
其中，基于ResTraining方式进行训练包括：采用Adam优化算法对所述EfficientNet分类网络进行训练，并在训练过程中，记录每一个epoch的验证集性能指标，并实时更新保存性能较好的k个权重，若连续n次性能没有提升，则等概率地从所述k个权重，选择权重进行加载，并重置学习率，得到云状图像识别模型。
本发明的另一方面，还提供一种基于异质化缩减的云状图像识别系统，其包括：
预处理模块，用于对原始云状图像进行预处理；其中，所述预处理包括障碍物去除和图像增强；
异质化缩减模块，用于对经过所述预处理后的云状图像进行异质化缩减处理；其中，所述异质化缩减处理为根据云状图像总体像素分布，对所有云状图像进行直方图匹配；
云状图像识别模型模块，用于根据训练好的云状图像识别模型，对将经过所述异质化缩减处理后的云状图像进行识别，并得到相应的识别结果。
与现有技术相比，本发明的有益效果：
本发明基于异质化缩减的云状图像识别方法，首先对原始云状图像进行障碍物去除和图像增强的预处理；然后，对经过预处理后的云状图像进行异质化缩减处理，异质化缩减处理为根据云状图像总体像素分布，对所有云状图像进行直方图匹配；最后，将经过异质化缩减处理后的云状图像输入至训练好的云状图像识别模型中进行识别，并得到相应的识别结果。因此，本发明通过对云状图像进行异质化缩减处理，使输入至识别模型中的图像更易学习和识别，从而解决地基云观测众包模式下存在的异质化现象。
附图说明
图1为本发明基于异质化缩减的云状图像识别方法的流程图；
图2为障碍物去除的示例图；
图3为本发明云状图像识别模型的训练过程的示意图;
图4为随机擦除的示例图；
图5为EfficientNet-B0分类网络的结构图；
图6为ResTraining的训练流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
如图1所示，本发明基于异质化缩减的云状图像识别方法，其包括以下步骤：
S1：对原始云状图像进行预处理；其中，所述预处理包括障碍物去除和图像增强；
S2：对经过所述预处理后的云状图像进行异质化缩减处理；其中，所述异质化缩减处理为根据云状图像总体像素分布，对所有云状图像进行直方图匹配；
S3：将经过所述异质化缩减处理后的云状图像输入至训练好的云状图像识别模型中进行识别，并得到相应的识别结果。
具体的，本发明基于异质化缩减的云状图像识别方法中，所述障碍物去除包括：
由原始云状图像四个边界分别朝其相对的边界，逐行地检测每个像素点的RGB值；若行内有像素点的RGB值位于特定区间外，则进行下一行的检测；若行内无像素点的RGB值位于特定区间外，则将该行作为关键行；其中，所述特定区间为天空和云层的RGB值区间；
若存在四个关键行，则判断四个关键行之间限定的图像面积与原始云状图像的图像面积之比是否超过设定阈值，若超过，将四个关键行之间限定的图像作为经所述障碍物去除后的图像，否则丢弃所述原始云状图像。在实施时，设置该设定阈值的数值，为保证云状图像中图像数据的完整性，该设定阈值通常为0.5以上，如图2所示，经过障碍物去除后的图像。
在实施，本发明基于异质化缩减的云状图像识别方法中，所述图像增强为拉普拉斯增强；其中，图像变换公式为：
；
其中，为处理前的原始图像，/>为处理后的增强图像，c为常数，通常取值为-1。
在实施时，本发明基于异质化缩减的云状图像识别方法中，如图3所示，所述云状图像识别模型的训练过程中，为了提高训练集的数据量，还通过随机擦除和随机翻转对训练集中的云状图像进行图像增广，即通过对图像进行随机擦除和随机翻转，生成新的图。
其中，随机擦除为：由两个独立均匀分布从，/>中分别采样两个点/>，得到擦除区域中心/>，再从均匀分布/>采样得到擦除区域边长/>；其中，擦除区域的范围为/>，h为图像高度，w为图像宽度。
随机翻转为：每张图片以设定的概率，进行左右翻转操作。
在具体实施时，设定擦除边长服从的均匀分布，其中/>，为图片高度，/>为图片宽度，如图4所示，经随机擦出后的图像，擦除区域内的像素的RGB值全部置0。同时，设定每张图片以0.2的概率，进行左右翻转操作。
具体的，本发明基于异质化缩减的云状图像识别方法中，采用的云状图像识别模型为EfficientNet分类网络。
在实施时，首先固定，，然后进行超参数搜索，得到的最优的深度、宽度、分辨率。其中超参数搜索公式如下：
根据超参数搜索结果，即宽度系数、深度系数、分辨率系数分别为，对EfficientNet-B0分类网络的结构进行放缩得到EfficientNet-B3，其中作为基础的EfficientNet-B0中共含9个stage，其具体的网络结构，如图5所示。
接着，基于迁移学习的方式，根据EfficientNet-B3在ImageNet图像数据集上的预训练权重对模型进行初始化。然后，利用经过异质化缩减后的云状图像数据集，准备以ResTraining方式对模型进行微调训练。
具体的，采用ResTraining方式进行模型微调训练，即训练过程中,记录每一个epoch的验证集性能指标，即混合F1值，记第i轮的值为，并且不断更新保存最好的前5个权重。当训练过程中，连续出现10次性能没有提升，则等概率地从性能最好的前5个权重随机选择权重进行加载，并重置学习率。训练结束后，得到最优的云状图像识别模型，其训练流程图如图6所示。
实施例中具体采用Adam优化算法，其中批量大小为16；初始的学习率设置为0.001；衰减方式为随epoch衰减，具体为每间隔32个epoch衰减一次；衰减因子为0.2；最大epoch为500。
因此，本发明基于异质化缩减的云状图像识别方法，云状图像识别模型通过采用迁移学习的方式，降低了训练的难度同时也减少了由数据量有限而带来的过拟合风险。而且，还以ResTraining的方式进行训练，随着epoch增加，可以在保证性能不会下降的情况下，更有可能跳出局部最优，训练出性能更好的模型。
本发明的另一方面，还提供一种基于异质化缩减的云状图像识别系统，其包括：
预处理模块，用于对原始云状图像进行预处理；其中，所述预处理包括障碍物去除和图像增强；
异质化缩减模块，用于对经过所述预处理后的云状图像进行异质化缩减处理；其中，所述异质化缩减处理为根据云状图像总体像素分布，对所有云状图像进行直方图匹配；
云状图像识别模型模块，用于根据训练好的云状图像识别模型，对将经过所述异质化缩减处理后的云状图像进行识别，并得到相应的识别结果。
该理解到，本发明所揭露的系统，可通过其它的方式实现。例如所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，模块之间的通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

Claims (5)

1.一种基于异质化缩减的云状图像识别方法，其特征在于，包括以下步骤：
S1：对待识别的云状图像进行预处理；其中，所述预处理包括障碍物去除和图像增强，
所述障碍物去除包括：
由原始云状图像四个边界分别朝其相对的边界，逐行地检测每个像素点的RGB值；若行内有像素点的RGB值位于特定区间外，则进行下一行的检测；若行内无像素点的RGB值位于特定区间外，则将该行作为关键行；其中，所述特定区间为天空和云层的RGB值区间，
若存在四个关键行，则判断四个关键行之间限定的图像面积与原始云状图像的图像面积之比是否超过设定阈值，若超过，将四个关键行之间限定的图像作为经所述障碍物去除后的图像，否则丢弃所述原始云状图像；
所述图像增强为拉普拉斯增强；其中，图像变换公式为：
；
其中，为处理前的原始图像，/>为处理后的增强图像，c为常数；
S2：对经过所述预处理后的云状图像进行异质化缩减处理；其中，所述异质化缩减处理为根据云状图像总体像素分布，对所有云状图像进行直方图匹配；
S3：将经过所述异质化缩减处理后的云状图像输入至训练好的云状图像识别模型中进行识别，并得到相应的识别结果。
2.如权利要求1所述的基于异质化缩减的云状图像识别方法，其特征在于，所述云状图像识别模型训练时，对训练集中的云状图像依次进行所述预处理与所述异质化缩减处理后，还通过随机擦除和随机翻转对训练集中的云状图像进行图像增广；
其中，所述随机擦除为：由两个独立均匀分布从，/>中分别采样两个点/>，得到擦除区域中心/>，再从均匀分布/>采样得到擦除区域边长/>；其中，擦除区域的范围为/>，h为图像高度，w为图像宽度；
所述随机翻转为：每张图片以设定的概率，进行左右翻转操作。
3.如权利要求2所述的基于异质化缩减的云状图像识别方法，其特征在于，所述云状图像识别模型为EfficientNet分类网络；而且，基于迁移学习的方式，根据超参数搜索结果，对EfficientNet-B0分类网络的结构进行缩放得到所需的EfficientNet分类网络，并根据所述EfficientNet分类网络在ImageNet图像数据集上的预训练权重，对所述EfficientNet分类网络进行初始化。
4.如权利要求3所述的基于异质化缩减的云状图像识别方法，其特征在于，初始化后的所述EfficientNet分类网络利用所述训练集，并基于ResTraining方式进行训练，以得到所述云状图像识别模型；
其中，基于ResTraining方式进行训练包括：采用Adam优化算法对所述EfficientNet分类网络进行训练，并在训练过程中，记录每一个epoch的验证集性能指标，并实时更新保存性能好的k个权重，若连续n次性能没有提升，则等概率地从所述k个权重，选择权重进行加载，并重置学习率，得到云状图像识别模型。
5.一种基于异质化缩减的云状图像识别系统，其特征在于，包括：
预处理模块，用于对原始云状图像进行预处理；其中，所述预处理包括障碍物去除和图像增强，所述障碍物去除包括：
由原始云状图像四个边界分别朝其相对的边界，逐行地检测每个像素点的RGB值；若行内有像素点的RGB值位于特定区间外，则进行下一行的检测；若行内无像素点的RGB值位于特定区间外，则将该行作为关键行；其中，所述特定区间为天空和云层的RGB值区间；
若存在四个关键行，则判断四个关键行之间限定的图像面积与原始云状图像的图像面积之比是否超过设定阈值，若超过，将四个关键行之间限定的图像作为经所述障碍物去除后的图像，否则丢弃所述原始云状图像；
所述图像增强为拉普拉斯增强；其中，图像变换公式为：
；
其中，为处理前的原始图像，/>为处理后的增强图像，c为常数；
异质化缩减模块，用于对经过所述预处理后的云状图像进行异质化缩减处理；其中，所述异质化缩减处理为根据云状图像总体像素分布，对所有云状图像进行直方图匹配；
云状图像识别模块，用于根据训练好的云状图像识别模型，对将经过所述异质化缩减处理后的云状图像进行识别，并得到相应的识别结果。
CN202011111219.0A 2020-10-16 2020-10-16 一种基于异质化缩减的云状图像识别方法及系统 Active CN112434554B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011111219.0A CN112434554B (zh) 2020-10-16 2020-10-16 一种基于异质化缩减的云状图像识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011111219.0A CN112434554B (zh) 2020-10-16 2020-10-16 一种基于异质化缩减的云状图像识别方法及系统

Publications (2)

Publication Number Publication Date
CN112434554A CN112434554A (zh) 2021-03-02
CN112434554B true CN112434554B (zh) 2023-08-04

Family

ID=74694955

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011111219.0A Active CN112434554B (zh) 2020-10-16 2020-10-16 一种基于异质化缩减的云状图像识别方法及系统

Country Status (1)

Country Link
CN (1) CN112434554B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6452973B1 (en) * 1998-11-25 2002-09-17 Electronics And Telecommunications Research Institute System and method for converting H.261 compressed moving picture data to MPEG-1 compressed moving picture data on compression domain
CN101006342A (zh) * 2004-06-17 2007-07-25 麻省理工学院 根据核形态型鉴定干细胞的方法
CN103793684A (zh) * 2012-10-30 2014-05-14 现代自动车株式会社 用于全景式监控系统的检测障碍物的设备和方法
CN105654023A (zh) * 2014-11-12 2016-06-08 株式会社理光 识别物体危险性的方法和装置
CN209004027U (zh) * 2018-02-05 2019-06-21 龙马智芯（珠海横琴）科技有限公司 一种医学图像处理设备
CN110929602A (zh) * 2019-11-09 2020-03-27 北京工业大学 一种基于卷积神经网络的地基云图云状识别方法
CN111226257A (zh) * 2017-09-22 2020-06-02 豪夫迈·罗氏有限公司 组织图像中的伪像移除
CN111310820A (zh) * 2020-02-11 2020-06-19 山西大学 基于交叉验证深度cnn特征集成的地基气象云图分类方法
CN111507399A (zh) * 2020-04-16 2020-08-07 上海眼控科技股份有限公司 基于深度学习的云状识别和模型训练方法、装置、终端及介质
CN111695640A (zh) * 2020-06-18 2020-09-22 南京信息职业技术学院 地基云图识别模型训练方法及地基云图识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013110022A1 (en) * 2012-01-20 2013-07-25 Rjs Technology, Inc. System and method for a high dynamic range array of sensitive image sensor blocks

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6452973B1 (en) * 1998-11-25 2002-09-17 Electronics And Telecommunications Research Institute System and method for converting H.261 compressed moving picture data to MPEG-1 compressed moving picture data on compression domain
CN101006342A (zh) * 2004-06-17 2007-07-25 麻省理工学院 根据核形态型鉴定干细胞的方法
CN103793684A (zh) * 2012-10-30 2014-05-14 现代自动车株式会社 用于全景式监控系统的检测障碍物的设备和方法
CN105654023A (zh) * 2014-11-12 2016-06-08 株式会社理光 识别物体危险性的方法和装置
CN111226257A (zh) * 2017-09-22 2020-06-02 豪夫迈·罗氏有限公司 组织图像中的伪像移除
CN209004027U (zh) * 2018-02-05 2019-06-21 龙马智芯（珠海横琴）科技有限公司 一种医学图像处理设备
CN110929602A (zh) * 2019-11-09 2020-03-27 北京工业大学 一种基于卷积神经网络的地基云图云状识别方法
CN111310820A (zh) * 2020-02-11 2020-06-19 山西大学 基于交叉验证深度cnn特征集成的地基气象云图分类方法
CN111507399A (zh) * 2020-04-16 2020-08-07 上海眼控科技股份有限公司 基于深度学习的云状识别和模型训练方法、装置、终端及介质
CN111695640A (zh) * 2020-06-18 2020-09-22 南京信息职业技术学院 地基云图识别模型训练方法及地基云图识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
分形理论在草地科学中的应用概述;李学玲等;《草地学报.》;第705-711页 *

Also Published As

Publication number Publication date
CN112434554A (zh) 2021-03-02

Similar Documents

Publication Publication Date Title
US11830230B2 (en) Living body detection method based on facial recognition, and electronic device and storage medium
CN111046880B (zh) 一种红外目标图像分割方法、系统、电子设备及存储介质
CN109241817B (zh) 一种无人机拍摄的农作物图像识别方法
CN113065558A (zh) 一种结合注意力机制的轻量级小目标检测方法
CN112614136B (zh) 一种红外小目标实时实例分割方法及装置
US20220148291A1 (en) Image classification method and apparatus, and image classification model training method and apparatus
CN112464911A (zh) 基于改进YOLOv3-tiny的交通标志检测与识别方法
CN110781882A (zh) 一种基于yolo模型的车牌定位和识别方法
CN112329771B (zh) 一种基于深度学习的建筑材料样本识别方法
CN112862849A (zh) 一种基于图像分割和全卷积神经网络的田间稻穗计数方法
CN111507416B (zh) 一种基于深度学习的吸烟行为实时检测方法
CN113052170A (zh) 一种无约束场景下的小目标车牌识别方法
CN111553227A (zh) 基于任务指导的轻量级人脸检测方法
CN115965865A (zh) 一种基于机场掩膜的遥感图像飞机目标检测方法
CN115761356A (zh) 图像识别方法、装置、电子设备和存储介质
CN116994236A (zh) 一种基于深度神经网络的低质图像车牌检测方法
CN116758539B (zh) 一种基于数据增强的胚胎图像卵裂球识别方法
CN112686247A (zh) 一种身份证号码检测方法、装置、可读存储介质和终端
CN112434554B (zh) 一种基于异质化缩减的云状图像识别方法及系统
CN111881803A (zh) 一种基于改进YOLOv3的畜脸识别方法
CN116758421A (zh) 一种基于弱监督学习的遥感图像有向目标检测方法
CN116824330A (zh) 一种基于深度学习的小样本跨域目标检测方法
CN113192108B (zh) 一种针对视觉跟踪模型的人在回路训练方法及相关装置
CN114821098A (zh) 一种基于灰度梯度融合特征及cnn的高速路面破损检测算法
CN111553202B (zh) 进行活体检测的神经网络的训练方法、检测方法及装置

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