CN112434732A - 一种基于特征筛选的深度学习分类方法 - Google Patents
一种基于特征筛选的深度学习分类方法 Download PDFInfo
- Publication number
- CN112434732A CN112434732A CN202011288159.XA CN202011288159A CN112434732A CN 112434732 A CN112434732 A CN 112434732A CN 202011288159 A CN202011288159 A CN 202011288159A CN 112434732 A CN112434732 A CN 112434732A
- Authority
- CN
- China
- Prior art keywords
- feature
- model
- data
- screening
- training
- 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
- 238000012216 screening Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000013145 classification model Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000007635 classification algorithm Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 5
- 238000007477 logistic regression Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000000546 chi-square test Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000000644 propagated effect Effects 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims description 2
- 238000013519 translation Methods 0.000 claims description 2
- 238000010191 image analysis Methods 0.000 abstract 1
- 208000009453 Thyroid Nodule Diseases 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 210000001685 thyroid gland Anatomy 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N20/00—Machine learning
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于特征筛选的深度学习分类方法，使用本发明中提出的基于特征筛选的深度学习分类方法在数据集进行训练与测试可得到精确的图像分类模型。本发明可以高效的完成对图像的精确分类，在特征与目标之间存在严重的过拟合，冗余以及噪声多等情况下，可以通过特征筛选的方法减少特征数量(降维)，从而提高模型泛化能力以获得更高的分类精度。在图像分类任务中，数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。由此可见，特征工程在机器学习中占有相当重要的地位。可以实现对输入数据所属类别进行预测，因而广泛应用于安防领域，交通领域的交通场景物体识别、车辆计数、车牌识别，以及互联网和生物医学图像分析领域。
Description
技术领域
本发明属于计算机图像处理领域，具体涉及基于深度卷积神经网络的图像分类技术，机器学习分类算法以及特征筛选方法。
背景技术
计算机视觉是一个专注于帮助计算机理解图片和视频的研究领域，理解数字图像的内容包括从图像中提取描述，该描述可能是图像中的物体、文本描述、三维模型等。在抽象层面上，计算机视觉的目标是使用观察到的图像数据来推断有关世界的事物。它是一个多学科领域，包括计算机科学(图形、算法、理论、系统、体系结构)，数学(信息检索、机器学习)，工程学(机器人、语音、自然语言处理、图像处理)，物理学(光学)，生物学(神经科学)和心理学(认知科学)等等，广义上可以称为人工智能和机器学习的子领域，但是往往涉及使用专门的算法。计算机视觉四大基本任务:分类、定位、检测、分割。其中分类是计算机视觉中最基础的任务,给定一张输入图像，图像分类任务旨在判断该图像所属类别。但是，视觉任务一个最主要的不足就是对于图像质量的要求比较严格。视觉技术获取的图像信息带有较多噪声，给分类算法精度带来极大的挑战。与此同时基于深度学习的分类方法，通过有监督或无监督的方式学习层次化的的特征，取代了传统手工设计或选择图像特征的工作，深度学习模型中的卷积神经网络已经在图像领域取得了惊人的成绩，卷积神经网络利用图像像素信息作为输入，最大程度上保留了输入图像的所有信息，通过卷积池化操作进行特征提取，全连接层将各部分特征汇总、产生分类器、最后进行预测识别。这种端到端的学习方法取得了非常好的效果，得到了广泛的应用。而特征选择对于数据科学家、机器学习从业者来说非常重要。好的特征选择能够提升模型的性能，更能帮助我们理解数据的特点、底层结构，这对进一步改善模型、算法都有着重要作用。
发明内容
本发明的目的在于提供一种基于特征筛选的深度学习分类方法。
为达到上述目的，本发明采用了以下技术方案。
该图像分类方法包括以下步骤：
首先收集数据，对数据集进行预处理，然后分别训练多个卷积神经网络的分类模型，使每个网络分类效果达到最优；然后选出分类效果最好的模型，提取全连接层的特征，使用特征筛选的原则对其进行筛选得到新的特征子集；最后在该特征子集上使用机器学习的分类算法得到更加精确的分类结果。
所述图像分类方法具体包括以下步骤：
1)首先收集数据集，然后对得到的数据集进行预处理，包括转换原始数据格式、裁切数据的感兴趣区域，并对数据进行旋转，镜像，裁切，平移，归一化等操作，然后对数据集进行独立同分布采样，将数据集划分为训练集，验证集和测试集；
2)利用收集数据集分别在多个深度卷积神经网络，如Xception，ResNet，DensNet，GooLeNet等中进行网络模型的训练，使每个模型得到最优结果；
3)将步骤2)获得的具有最优结果的模型进行保存，使用本发明所提出的特征筛选的方法对网络模型全连接层输出的特征向量进行筛选，从而得到与目标类别相关性较高的特征；
4)根据步骤3)得到新的特征子集，在特征子集上采用机器学习的分类算法如支持向量机，决策树以及逻辑回归等实现类别预测。
所述步骤2)包括以下具体步骤：
2.1)根据收集的数据，在多个深度卷积神经网络，如Xception，ResNet，DensNet，GooLeNet等模型上使用相同的训练集数据进行训练，设置网络的迭代次数，学习率等参数，并初始化模型的权重w和b由，通过网络前向传播：卷积层初步提取特征、池化层提取主要特征、全连接层将各部分特征汇总、产生分类器，得到预测值；
2.2)由损失函数和函数优化方法进行反向传播，更新模型权重w,b来减少损失，其计算公式如下：
其中，λ表示学习率，wi表示第i个参数的权重，J(w，b)为损失函数，常用的分类损失主要是交叉熵损失函数，最后使用梯度下降法对目标函数中参数wi和b进行权重更新。
2.3)重复上述步骤，直到达到训练次数或训练的模型在验证集上的损失不再下降得到最优的分类模型。
所述步骤3)包含以下具体步骤：
3.1)通过训练得到最优的模型，然后基于特征筛选的准则去除该模型全连接层后的冗余，噪声以及相关性较低的特征；
3.2)可选的特征筛选的准则很多，如卡方检验，Pearson相关系数，主成分分析等。以Pearson相关系数为例度量自变量与因变量之间的相关性，以此作为特征筛选的准则，其计算公式如下：
式中：变量A,B,假设样本数据量为n，则两变量之间的相关系数rAB表示如上述公示所示，
——样本的平均值；
——A和B的协方差；
——A，B的标准差；
3.3)经过步骤3.2)后，利用3.2)得到一组关于特征与目标T的Pearson相关系数
按照一定筛选原则P，如
对特征进行筛选。对给定n个数据样本点{(x1,y1),(x2,y2),…,(xn,yn)}，其中每个xi由m个特征属性(Ai1；Ai2；…；Aim)描述实例，Aij表示样本xi的第j个属性上的取值。如果特征Ai(i＜m)的相关系数
则保留此特征，反之则舍弃该特征。通过这样的筛选方法可以得到一个新的特征集，该特征集是原始数据特征集的子集。
所述步骤4)包含以下具体步骤：
4.1)根据步骤3)得到一组与目标相关性高，低冗余的特征子集；
4.2)根据步骤4.1)，采用机器学习的算法：支持向量机，决策树，逻辑回归等算法，设置模型参数，在该特征子集的训练集数据训练模型；
4.3)根据步骤4.2)根据训练好的模型，在测试集上进行训练实现类别的精确预测。
本发明的有益效果体现在：
本发明利用所获取数据集，包括医学领域的甲状腺结节的良恶性分类以及牙齿曲断片的牙齿分期识别，在多个单模型网络上分别进行训练，选择分类结果最优的训练模型，然后使用特征筛选的准则计算特征与目标之间的相关性，根据相关性进行特征的筛选得到新的特征子集，在该特征子集上利用机器学习的分类算法得到分类结果，即最终实现了本发明的分类方法。
本发明利用来自西安交通大学第二附属医院超声科的甲状腺二维声像图，交大口腔医院的牙齿曲面断层片作为数据来源，通过数据预处理、多个单模型网络训练、基于特征筛选准则得到新特征子集，对其使用机器学习算法训练，完成对甲状腺结节和牙齿分期的分类工作。由于甲状腺结节良恶性具有非常高的相似性，模型的判别结果精度容易受限于最终提取到的特征，而全连接层的特征会存在许多冗余，噪声以及相关性较低的特征，所以通过特征筛选的方法可以得到一个新的特征子集来避免无关特征的影响，在该子集上使用机器学习分类算法可以提高预测的准确性以及高效性，从而可以对甲状腺结节进行高精度的分类。
附图说明
图1为基于特征筛选的深度学习分类方法总体框架。
图2为基于特征筛选的流程图。
具体实施方式
下面结合附图对本发明作详细说明。
为了能够精确、高效的对图像进行分类，本发明给出了一种基于特征筛选的深度学习分类方法，具体包括数据集收集与预处理，卷积神经网络分类模型的训练，特征筛选，特征子集训练分类模型四个部分，如图1所示。该方法具体按以下步骤进行：
步骤1.1：为了实现对输入图像的分类功能，需要将数据进行预处理，包括将数据预处理为可被神经网络读取的格式和归一化，通过旋转，镜像，裁切等手段，使训练模型具有更好鲁棒性。
步骤1.2：为了对模型进行评估与选择，需要对数据集进行独立同分布采样，将数据集划分出训练集用于模型的训练与学习，交叉验证集来防止模型过拟合，测试集来测试模型对样本判别能力。
步骤2.1：根据收集的数据，在多个深度卷积神经网络，如Xception，ResNet，DensNet，GooLeNet等模型上使用相同的训练集数据进行训练，设置网络的迭代次数，学习率等参数，并初始化模型的权重w和b由，通过网络前向传播：卷积层初步提取特征、池化层提取主要特征、全连接层将各部分特征汇总、产生分类器，得到预测值；
步骤2.2：由损失函数和函数优化方法进行反向传播，更新模型权重w,b来减少损失，其计算公式如下：
其中，λ表示学习率，wj表示第j个参数的权重，J(w，b)为损失函数，常用的分类损失主要是交叉熵损失函数，最后使用梯度下降法对目标函数中参数wj和b进行权重更新。
步骤2.3重复上述步骤，直到达到训练次数或训练的模型在验证集上的损失不再下降得到最优的分类模型。
基于卷积神经网络实现分类预测，全连接层将各部分特征汇总来得到与类别数一致的二维特征，用于后续的分类预测，部分特征与目标之间可能存在严重的过拟合以及冗余。为了解决这一问题，本发明使用特征筛选的方法，如图2所示，对全连接层的特征使用筛选准则建立新的特征子集用于后续得到分类模型，可以减少特征数量、降维，使模型泛化能力更强，增强对特征和特征值之间的理解，提高模型分类准确率，并针对图像噪点多，可以提高模型抗噪能力，获取更精确预测结果。
步骤3.1：通过训练得到最优的模型，然后基于特征筛选的准则去除该模型全连接层后的冗余，噪声以及相关性较低的特征；
步骤3.2：可选的特征筛选的准则很多，如卡方检验，Pearson相关系数，主成分分析等。以Pearson相关系数为例度量自变量与因变量之间的相关性，以此作为特征筛选的准则，其计算公式如下：
式中：变量A,B,假设样本数据量为n，则两变量之间的相关系数rAB表示如上述公示所示，
——样本的平均值；
——A和B的协方差；
——A，B的标准差；
步骤3.3：经过步骤3.2)后，利用3.2)得到一组关于特征与目标T的Pearson相关系数
按照一定筛选原则P，如
对特征进行筛选。对给定n个数据样本点{(x1,y1),(x2,y2),…,(xn,yn)}，其中每个xi由m个特征属性(Ai1；Ai2；…；Aim)描述实例，Aij表示样本xi的第j个属性上的取值。如果特征Ai(i＜m)的相关系数
则保留此特征，反之则舍弃该特征。通过这样的筛选方法可以得到一个新的特征集，该特征集是原始数据特征集的子集。
步骤4.1：根据步骤3)得到一组与目标相关性高，低冗余的特征子集；
步骤4.2：根据步骤4.1)，采用机器学习的算法：支持向量机，决策树，逻辑回归等算法，设置模型参数，在该特征子集的训练集数据训练模型；
步骤4.3：根据步骤4.2)根据训练好的模型，在测试集上进行训练实现类别的精确预测。
经过上面的训练，使用本发明提出的基于特征筛选的深度学习分类方法可得到对输入图像的精确分类结果。在甲状腺结节数据集上的良恶性进行分类，图像特征十分相似并带有较多噪声，在卷积神经网络的单模型网络与本发明所提出的一种基于特征筛选的深度学习分类方法在图像分类的结果相比，本方法可以获得更加好的分类精度。
Claims (5)
1.一种基于特征筛选的深度学习分类方法，其特征在于：该图像分类方法包括以下步骤：
首先采集数据，对数据进行预处理，然后利用处理后的数据集分别在多个深度卷积神经网络包括Xception，ResNet，DensNet，GooLeNet上进行模型训练，调整模型参数使每个模型得到最优结果，将输入图像通过卷积神经网络全连接层的特征向量提取出来；然后使用本发明所提出的基于特征筛选的深度学习分类方法实现最终图像类别的精确预测。
2.根据权利要求1所述的一种基于特征筛选的深度学习分类方法，其特征在于：包括以下步骤：
1)首先收集数据集，然后对得到的数据集进行预处理，包括转换原始数据格式、裁切数据的感兴趣区域，并对数据进行旋转，镜像，裁切，平移，归一化等操作，然后对数据集进行独立同分布采样，将数据集划分为训练集，验证集和测试集；
2)利用收集数据集分别在多个深度卷积神经网络，如Xception，ResNet，DensNet，GooLeNet等中进行网络模型的训练，使每个模型得到最优结果；
3)将步骤2)获得的具有最优结果的模型进行保存，使提出的特征筛选的方法对网络模型全连接层输出的特征向量进行筛选，从而得到与目标类别相关性较高的特征；
4)根据步骤3)得到新的特征子集，在特征子集上采用机器学习的分类算法如支持向量机，决策树以及逻辑回归等实现类别预测。
3.根据权利要求2所述的一种基于特征筛选的深度学习分类方法，其特征在于：所述步骤2)包括以下具体步骤：
2.1)根据收集的数据，在多个深度卷积神经网络，如Xception，ResNet，DensNet，GooLeNet等模型上使用相同的训练集数据进行训练，设置网络的迭代次数，学习率等参数，并初始化模型的权重w和b由，通过网络前向传播：卷积层初步提取特征、池化层提取主要特征、全连接层将各部分特征汇总、产生分类器，得到预测值；
2.2)根据预测值与真值计算损失函数，通过函数优化方法进行反向传播，更新模型权重w,b来减少损失，其计算公式如下：
其中，λ表示学习率，wi表示第i个参数的权重，J(w，b)为损失函数，常用的分类损失主要是交叉熵损失函数，最后使用梯度下降法对目标函数中参数wi和b进行权重更新。
2.3)重复上述步骤，直到达到训练次数或训练的模型在验证集上的损失不再下降得到最优的分类模型。
4.根据权利要求2所述基于特征筛选的深度学习分类方法，其特征在于：所述步骤3)包含以下具体步骤：
3.1)通过训练得到最优的模型，然后提取输入图像在模型全连接层的特征，基于特征筛选的准则去除该模型全连接层后的冗余，噪声以及相关性较低的特征得到一个新的特征子集；
3.2)可选的特征筛选的准则很多，如卡方检验，Pearson相关系数，主成分分析等，以Pearson相关系数为例度量自变量与因变量之间的相关性，以此作为特征筛选的准则，其计算公式如下：
式中：变量A,B,假设样本数据量为n，则两变量之间的相关系数rAB表示如上述公示所示，
——样本的平均值；
——A和B的协方差；
——A，B的标准差；
3.3)经过步骤3.2)后得到一组关于特征与目标T的Pearson相关系数
按照一定筛选原则P，如
对特征进行筛选。对给定n个数据样本点{(x1,y1),(x2,y2),…,(xn,yn)}，其中每个xi由m个特征属性(Ai1；Ai2；…；Aim)描述实例，Aij表示样本xi的第j个属性上的取值。如果特征Ai(i＜m)的相关系数
则保留此特征，反之则舍弃该特征。通过这样的筛选方法可以得到一个新的特征集，该特征集是原始数据特征集的子集。
5.根据权利要求2所述一种基于特征筛选的深度学习分类方法，其特征在于：所述步骤4)包含以下具体步骤：
4.1)根据步骤3)得到一组与目标相关性高，低冗余的特征子集；
4.2)根据步骤4.1)，采用机器学习的算法：支持向量机，决策树，逻辑回归等算法，设置模型参数，在该特征子集的训练集数据训练模型；
4.3)根据步骤4.2)根据训练好的模型，在测试集上进行训练实现类别的精确预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011288159.XA CN112434732A (zh) | 2020-11-17 | 2020-11-17 | 一种基于特征筛选的深度学习分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011288159.XA CN112434732A (zh) | 2020-11-17 | 2020-11-17 | 一种基于特征筛选的深度学习分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112434732A true CN112434732A (zh) | 2021-03-02 |
Family
ID=74701176
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011288159.XA Pending CN112434732A (zh) | 2020-11-17 | 2020-11-17 | 一种基于特征筛选的深度学习分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112434732A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113076239A (zh) * | 2021-04-12 | 2021-07-06 | 西安交通大学 | 一种高性能计算机用混合神经网络故障预测方法及系统 |
| CN113127806A (zh) * | 2021-04-19 | 2021-07-16 | 上海工程技术大学 | 一种基于机器学习的回归分析模型选择方法 |
| CN113116692A (zh) * | 2021-04-19 | 2021-07-16 | 南京智能高端装备产业研究院有限公司 | 一种基于界面压力的自适应间歇式充气加压系统 |
| CN113608946A (zh) * | 2021-08-10 | 2021-11-05 | 国家计算机网络与信息安全管理中心 | 基于特征工程和表示学习的机器行为识别方法 |
| CN113610636A (zh) * | 2021-08-12 | 2021-11-05 | 百融云创科技股份有限公司 | 一种迭代特征筛选方法及系统 |
| CN113792770A (zh) * | 2021-08-31 | 2021-12-14 | 南京信息工程大学 | 一种基于属性描述的零样本滚动轴承故障诊断方法及系统 |
| CN115293366A (zh) * | 2022-10-10 | 2022-11-04 | 亿咖通(北京)科技有限公司 | 模型训练方法、信息预测方法、装置、设备及介质 |
| CN116091883A (zh) * | 2023-04-10 | 2023-05-09 | 深圳市普雷德科技有限公司 | 基于多源信息融合的目标检测识别方法、系统及存储介质 |
| CN116578761A (zh) * | 2023-05-18 | 2023-08-11 | 图林科技(深圳)有限公司 | 基于深度学习的大数据智能分析方法 |
| CN117235533A (zh) * | 2023-11-10 | 2023-12-15 | 腾讯科技（深圳）有限公司 | 对象变量分析方法、装置、计算机设备和存储介质 |
| WO2024092771A1 (en) * | 2022-11-04 | 2024-05-10 | Mediatek Singapore Pte. Ltd. | Model pool at location management function for direct ai/ml positioning |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107346430A (zh) * | 2017-06-29 | 2017-11-14 | 济南浪潮高新科技投资发展有限公司 | 一种核磁共振图像自动筛选方法 |
| CN109740677A (zh) * | 2019-01-07 | 2019-05-10 | 湖北工业大学 | 一种基于主成分分析改进生成对抗网络的半监督分类方法 |
| CN110059729A (zh) * | 2019-03-26 | 2019-07-26 | 西安交通大学 | 一种基于支持向量机和最大互相关熵的成绩预测方法 |
| CN110705600A (zh) * | 2019-09-06 | 2020-01-17 | 西安交通大学 | 一种基于互相关熵的多深度学习模型融合方法、终端设备及可读存储介质 |
| CN111144459A (zh) * | 2019-12-16 | 2020-05-12 | 重庆邮电大学 | 一种类不平衡的网络流量分类方法、装置及计算机设备 |
-
2020
- 2020-11-17 CN CN202011288159.XA patent/CN112434732A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107346430A (zh) * | 2017-06-29 | 2017-11-14 | 济南浪潮高新科技投资发展有限公司 | 一种核磁共振图像自动筛选方法 |
| CN109740677A (zh) * | 2019-01-07 | 2019-05-10 | 湖北工业大学 | 一种基于主成分分析改进生成对抗网络的半监督分类方法 |
| CN110059729A (zh) * | 2019-03-26 | 2019-07-26 | 西安交通大学 | 一种基于支持向量机和最大互相关熵的成绩预测方法 |
| CN110705600A (zh) * | 2019-09-06 | 2020-01-17 | 西安交通大学 | 一种基于互相关熵的多深度学习模型融合方法、终端设备及可读存储介质 |
| CN111144459A (zh) * | 2019-12-16 | 2020-05-12 | 重庆邮电大学 | 一种类不平衡的网络流量分类方法、装置及计算机设备 |
Non-Patent Citations (1)
| Title |
|---|
| 杨敏: "基于多特征融合的人脸防伪技术研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113076239A (zh) * | 2021-04-12 | 2021-07-06 | 西安交通大学 | 一种高性能计算机用混合神经网络故障预测方法及系统 |
| CN113127806A (zh) * | 2021-04-19 | 2021-07-16 | 上海工程技术大学 | 一种基于机器学习的回归分析模型选择方法 |
| CN113116692A (zh) * | 2021-04-19 | 2021-07-16 | 南京智能高端装备产业研究院有限公司 | 一种基于界面压力的自适应间歇式充气加压系统 |
| CN113116692B (zh) * | 2021-04-19 | 2022-06-07 | 南京智能高端装备产业研究院有限公司 | 一种基于界面压力的自适应间歇式充气加压系统 |
| CN113608946A (zh) * | 2021-08-10 | 2021-11-05 | 国家计算机网络与信息安全管理中心 | 基于特征工程和表示学习的机器行为识别方法 |
| CN113608946B (zh) * | 2021-08-10 | 2023-09-12 | 国家计算机网络与信息安全管理中心 | 基于特征工程和表示学习的机器行为识别方法 |
| CN113610636A (zh) * | 2021-08-12 | 2021-11-05 | 百融云创科技股份有限公司 | 一种迭代特征筛选方法及系统 |
| CN113792770A (zh) * | 2021-08-31 | 2021-12-14 | 南京信息工程大学 | 一种基于属性描述的零样本滚动轴承故障诊断方法及系统 |
| CN115293366B (zh) * | 2022-10-10 | 2023-01-10 | 亿咖通(北京)科技有限公司 | 模型训练方法、信息预测方法、装置、设备及介质 |
| CN115293366A (zh) * | 2022-10-10 | 2022-11-04 | 亿咖通(北京)科技有限公司 | 模型训练方法、信息预测方法、装置、设备及介质 |
| WO2024092771A1 (en) * | 2022-11-04 | 2024-05-10 | Mediatek Singapore Pte. Ltd. | Model pool at location management function for direct ai/ml positioning |
| CN116091883A (zh) * | 2023-04-10 | 2023-05-09 | 深圳市普雷德科技有限公司 | 基于多源信息融合的目标检测识别方法、系统及存储介质 |
| CN116578761A (zh) * | 2023-05-18 | 2023-08-11 | 图林科技(深圳)有限公司 | 基于深度学习的大数据智能分析方法 |
| CN116578761B (zh) * | 2023-05-18 | 2024-04-02 | 西安韵通网络科技有限公司 | 基于深度学习的大数据智能分析方法 |
| CN117235533A (zh) * | 2023-11-10 | 2023-12-15 | 腾讯科技（深圳）有限公司 | 对象变量分析方法、装置、计算机设备和存储介质 |
| CN117235533B (zh) * | 2023-11-10 | 2024-03-01 | 腾讯科技（深圳）有限公司 | 对象变量分析方法、装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112434732A (zh) | 一种基于特征筛选的深度学习分类方法 | |
| Xin et al. | Research on image classification model based on deep convolution neural network | |
| CN111126386B (zh) | 场景文本识别中基于对抗学习的序列领域适应方法 | |
| CN107169117B (zh) | 一种基于自动编码器和dtw的手绘图人体运动检索方法 | |
| CN112800891B (zh) | 一种用于微表情识别的鉴别性特征学习方法与系统 | |
| CN110097096B (zh) | 一种基于tf-idf矩阵和胶囊网络的文本分类方法 | |
| CN109871749B (zh) | 一种基于深度哈希的行人重识别方法和装置、计算机系统 | |
| CN110705600A (zh) | 一种基于互相关熵的多深度学习模型融合方法、终端设备及可读存储介质 | |
| KR20200010672A (ko) | 딥러닝을 이용한 스마트 상품 검색 방법 및 시스템 | |
| CN114461890A (zh) | 分层多模态的知识产权搜索引擎方法与系统 | |
| Akaramuthalvi et al. | Comparison of Conventional and Automated Machine Learning approaches for Breast Cancer Prediction | |
| Akhlaghi et al. | Farsi handwritten phone number recognition using deep learning | |
| US11908053B2 (en) | Method, non-transitory computer-readable storage medium, and apparatus for searching an image database | |
| CN116386042A (zh) | 一种基于三维池化空间注意力机制的点云语义分割模型 | |
| CN113887509B (zh) | 一种基于图像集合的快速多模态视频人脸识别方法 | |
| Balamurugan et al. | Brain tumor classification in MRI images using genetic algorithm appended CNN | |
| Srininvas et al. | A framework to recognize the sign language system for deaf and dumb using mining techniques | |
| CN112132169B (zh) | 信息处理装置和信息处理方法 | |
| Georgoulas et al. | Tensor-based embedding for graph-based semi-supervised approaches | |
| T Padmapriya et al. | Improving the Prediction Accuracy of MRI Brain Tumor Detection and Segmentation | |
| Dhar et al. | Fish image classification by XgBoost based on Gist and GLCM Features | |
| Anandababu et al. | An effective content based image retrieval model using improved memetic algorithm | |
| Janthakal et al. | A Granular Parakeratosis Classification using SVM Hinge and Cross Validation | |
| Özkan et al. | Generative Networks and Royalty-Free Products | |
| Kumar | A Noval Approach for Object Recognition Using Decision Tree Clustering by Incorporating Multi-Level BPNN Classifiers and Hybrid Texture Features |
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 |
Application publication date: 20210302 |
|
| RJ01 | Rejection of invention patent application after publication |