CN112446170A - 一种区域海洋底温热红外遥感监测预报模型的建立方法 - Google Patents
一种区域海洋底温热红外遥感监测预报模型的建立方法 Download PDFInfo
- Publication number
- CN112446170A CN112446170A CN202011228522.9A CN202011228522A CN112446170A CN 112446170 A CN112446170 A CN 112446170A CN 202011228522 A CN202011228522 A CN 202011228522A CN 112446170 A CN112446170 A CN 112446170A
- Authority
- CN
- China
- Prior art keywords
- data
- temperature
- model
- remote sensing
- infrared remote
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000011160 research Methods 0.000 claims abstract description 11
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000011423 initialization method Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010792 warming Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 239000003305 oil spill Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种区域海洋底温热红外遥感监测预报模型的建立方法,采集研究区域四个季度的实测海底温度点位数据,在相同时间内获取海洋表面温度网格日常数据;将平均值作为实测海底温度点位对应其表面探测温度,根据实测海底温度点位表面探测温度绘制温度影像,对温度影像进行预处理,完成NetCDF数据格式转换;对收集到的历年四季海洋表面温度和其对应位置海底实测温度数据进行数据清洗,剔除掉异常数据,形成正常可用的数据集数据,并利用python的openpyxl库来提取外部文件中的数据集信息;把数据集按照3:1随机分为训练集和测试集两部分获得期望数据;搭建bp神经网络模型并对模型进行调参,重复训练,反复对模型进行架构调整。
Description
技术领域
本发明涉及一种模型搭建方法,具体是一种区域海洋底温热红外遥感监测预报模型的建立方法。
背景技术
目前,海洋环境遥感监测目前依然停留在海洋表面区域环境的监测,如赤潮、溢油、海洋表面温度等。
海底复杂的生态环境及瞬息万变的温度变化,给海底温度监测工作带来了巨大的困难。为测量海底点位温度一般会在海底放置温度浮标进行数据采集或进行原位探测,但海底温度浮标对设备及潜水员的要求较高,对于大面积的海底温度监测实施难度较大。
遥感卫星飞行高度高,为大面积海洋环境监测提供了技术保障,但由于卫星传感器探测能力的局限性,被动遥感探测方式只能获取到地表或海表信息,导致海底温度监测难以开展,无法快速、便捷、高精度的探测海底温度。
发明内容
基于上述背景技术中所提到的现有技术中的不足之处,为此本发明提供了一种区域海洋底温热红外遥感监测预报模型的建立方法。
本发明通过采用如下技术方案克服以上技术问题,具体为:
一种区域海洋底温热红外遥感监测预报模型的建立方法,包括如下步骤:
步骤一,数据采集,选定海洋研究区域并采集研究区域四个季度的实测海底温度点位数据,在相同时间内获取海洋表面温度网格日常数据;对日常数据求平均值后,将平均值作为实测海底温度点位对应其表面探测温度,根据实测海底温度点位表面探测温度绘制温度影像,对温度影像进行预处理,完成NetCDF(网络通用数据格式)数据格式转换;
步骤二,对收集到的历年四季海洋表面温度和其对应位置海底实测温度数据进行数据清洗,剔除掉异常数据,形成正常可用的数据集数据,并利用python的openpyxl库来提取外部文件中的数据集信息;把数据集按照3:1随机分为训练集和测试集两部分获得期望数据;
搭建bp神经网络模型并对模型进行调参,重复训练,反复对模型进行架构调整;架构调整为模型含有3层hidden layer、1层input layer和1层output layer的bp神经网络结构模型;
步骤三,将研究区历史影像数据投入步骤二中搭建的模型中,监测区域未来某年海底温度变化。
作为本发明进一步的方案:所述步骤一中,NetCDF数据格式转换为可读的摄氏温度,包括如下流程:
S1,将NC数据格式中的FSDS变量导入为raster;
S2,对数据可视化检查;
S3,将结果写入GeoTiff,由GeoTiff中分出Var1-GeoTiff文件、Var2-GeoTiff文件、以及Var3-GeoTiff文件。
作为本发明再进一步的方案:所述步骤二中,数据集按照3:1随机分为训练集和测试集两部分按照以下顺序:
S1,获得测试集的容量大小,具体是采用如下公式:
其中,lenth(x)为数据集中的input数组的容量大小;
S2,获得随机数,利用random库的sample函数从lenth(x)的范围内获得cut个不重复随机下标引脚;
S3,形成测试集,遍历数据集数组,把对应的下标引脚的数据复制一份集合成测试集;
S4,形成训练集,对获得的cut个随机数进行降序排序,对数据集数组从高位下标引脚开始删除对应的随机数引脚的数据,余下的数据集为训练集数据。
作为本发明再进一步的方案:bp神经网络模型的搭建由海底点位经度、纬度、海底温度t同时作为输入数据的三个维度,结合keras框架对年度实测春、夏、秋、冬的数据建立模型。
作为本发明再进一步的方案:所述bp神经网络结构模型中每层hidden layer含有128个神经元、input layer含有3个神经元、output layer含有1个神经元;所述模型的非线性激活函数是Relu函数。
将模型通过Dropout正则化方法处理并反向传播训练。
采用以上方法后,本发明相较于现有技术,具备以下优点:通过本发明的方法可建立四季海洋底温热红外遥感监测预报模型,搭建海洋表面温度及海底温度AI智能预报模型;适用于大面积海底温度监测,同时利用遥感探测技术获取到地表或海表信息,借助本发明提供的模型对海底温度监测,具有快速、便捷、高精度的探测优点,无需人工投放浮标,大大降低了探测难度,为海底温度监测带来了巨大的便利。
附图说明
图1为区域海洋底温热红外遥感监测预报模型的建立方法中NetCDF数据格式转换的流程图。
图2为区域海洋底温热红外遥感监测预报模型的建立方法中的神经网络结构图。
图3为区域海洋底温热红外遥感监测预报模型的建立方法中Relu函数的曲线图。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施方式。但是,本发明可以以多种不同的形式来实现,并不限于本文所描述的实施方式。相反地,提供这些实施方式的目的是使对本发明的公开内容理解的更加透彻全面。
请参阅图1~3,本发明实施例中,一种区域海洋底温热红外遥感监测预报模型的建立方法,包括如下步骤:
步骤一,数据采集,选定海洋研究区域并采集研究区域四个季度的实测海底温度点位数据,在相同时间内获取海洋表面温度网格日常数据;对日常数据求平均值后,将平均值作为实测海底温度点位对应其表面探测温度,根据实测海底温度点位表面探测温度绘制温度影像,对温度影像进行预处理,完成NetCDF(网络通用数据格式)数据格式转换;
步骤二,对收集到的历年四季海洋表面温度和其对应位置海底实测温度数据进行数据清洗,剔除掉异常数据,形成正常可用的数据集数据,并利用python的openpyxl库来提取外部文件中的数据集信息;把数据集按照3:1随机分为训练集和测试集两部分获得期望数据;
搭建bp神经网络模型并对模型进行调参,重复训练,反复对模型进行架构调整;架构调整为模型含有3层hidden layer、1层input layer和1层output layer的bp神经网络结构模型;
步骤三,将研究区历史影像数据投入步骤二中搭建的模型中,监测区域未来某年海底温度变化。
本发明的关键点为建立四季海洋底温热红外遥感监测预报模型,建立海洋表面温度及海底温度AI智能预报模型;适用于大面积海底温度监测,同时利用遥感探测技术获取到地表或海表信息,借助本发明提供的模型对海底温度监测,具有快速、便捷、高精度的探测优点,无需人工投放浮标,大大降低了探测难度,为海底温度监测带来了巨大的便利。
在本发明的一个实施例中,所述步骤一中,NetCDF数据格式转换为可读的摄氏温度,包括如下流程:
S1,将NC数据格式中的FSDS变量导入为raster;
S2,对数据可视化检查;
S3,将结果写入GeoTiff,由GeoTiff中分出Var1-GeoTiff文件、Var2-GeoTiff文件、以及Var3-GeoTiff文件;
所述NetCDF数据格式转换公式为:
T1=T×0.01+273.15;
其中,T1为表面探测温度值℃,T为GeoTiff原始栅格数据值;
利用NetCDF数据格式转换流程将采集到的研究区域的点位温度数据转换为通用的摄氏温度格式,保持数据所采用的单位相同,以便于运算以及比较。
在本发明的另一个实施例中,所述步骤二中,数据集按照3:1随机分为训练集和测试集两部分按照以下顺序:
S1,获得测试集的容量大小,具体是采用如下公式:
其中,lenth(x)为数据集中的input数组的容量大小;
S2,获得随机数,利用random库的sample函数从lenth(x)的范围内获得cut个不重复随机下标引脚;
S3,形成测试集,遍历数据集数组,把对应的下标引脚的数据复制一份集合成测试集;
S4,形成训练集,对获得的cut个随机数进行降序排序,对数据集数组从高位下标引脚开始删除对应的随机数引脚的数据,余下的数据集为训练集数据。
在本发明的又一个实施例中,所述步骤二中,bp神经网络模型的搭建由海底点位经度、纬度、海底温度t同时作为输入数据的三个维度,结合keras框架对年度实测春、夏、秋、冬的数据建立模型。
在本发明的又一个实施例中,所述bp神经网络结构模型中每层hidden layer含有128个神经元、input layer含有3个神经元、output layer含有1个神经元;所述模型的非线性激活函数是Relu函数,函数表达式如下:
f(x)=max(0,1);
其中,表达式中的输入值x为来自上一层神经网络的输入向量x;Relu函数的图像请参照图3;
模型采用He初始化方法对参数权值初始化,He初始化也叫Kaiming初始化,是残差网络中提出的关于relu网络的初始化方法,解决了Xavier初始化方法不适用Relu激活函数的问题。
在本发明的又一个实施例中,所述步骤二中,搭建的模型采用adam优化器对参数迭代更新,生成学习率;
参数的迭代更新公式如下:
其中,β1和β2是常数,控制指数衰减,mt是梯度的指数移动均值,通过梯度的一阶矩求得,vt是平方梯度,通过梯度的二阶矩求得;
mt和vt的更新如下:
mt=β1×mt-1+(1-β1)×gt
式中,gt为一阶导数,以上所有参数的默认设置为:α=0.001,β1=0.9,β2=0.999,ε=10-8;
将模型通过Dropout正则化方法处理,防止过拟合;经反向传播训练,使模型的精准率在验证集上达到90%以上;
学习率方面,没有简单的选取一个固定的学习率作为模型参数,而是采用的adam优化器,以达到在参数的迭代更新的同时自动的生成合适的学习率,以达到较快较准确的让模型拟合。
以上仅就本发明的最佳实施例作了说明,但不能理解为是对权利要求的限制。本发明不仅限于以上实施例,其具体结构允许有变化。但凡在本发明独立权利要求的保护范围内所作的各种变化均在本发明的保护范围内。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
Claims (7)
1.一种区域海洋底温热红外遥感监测预报模型的建立方法,其特征在于,包括如下步骤:
步骤一,数据采集,选定海洋研究区域并采集研究区域四个季度的实测海底温度点位数据,在相同时间内获取海洋表面温度网格日常数据;对日常数据求平均值后,将平均值作为实测海底温度点位对应其表面探测温度,根据实测海底温度点位表面探测温度绘制温度影像,对温度影像进行预处理,完成NetCDF数据格式转换;
步骤二,对收集到的历年四季海洋表面温度和其对应位置海底实测温度数据进行数据清洗,剔除掉异常数据,形成正常可用的数据集数据,并利用python的openpyxl库来提取外部文件中的数据集信息;把数据集按照3:1随机分为训练集和测试集两部分获得期望数据;
搭建bp神经网络模型并对模型进行调参,重复训练,反复对模型进行架构调整;架构调整为模型含有3层hidden layer、1层input layer和1层output layer的bp神经网络结构模型;
步骤三,将研究区历史影像数据投入步骤二中搭建的模型中,监测区域未来某年海底温度变化。
2.根据权利要求1所述的一种区域海洋底温热红外遥感监测预报模型的建立方法,其特征在于,所述步骤一中,NetCDF数据格式转换为可读的摄氏温度,包括如下流程:
S1,将NC数据格式中的FSDS变量导入为raster;
S2,对数据可视化检查;
S3,将结果写入GeoTiff,由GeoTiff中分出Var1-GeoTiff文件、Var2-GeoTiff文件、以及Var3-GeoTiff文件。
3.根据权利要求1所述的一种区域海洋底温热红外遥感监测预报模型的建立方法,其特征在于,所述步骤二中,数据集按照3:1随机分为训练集和测试集两部分按照以下顺序:
S1,获得测试集的容量大小,具体是采用如下公式:
其中,lenth(x)为数据集中的input数组的容量大小;
S2,获得随机数,利用random库的sample函数从lenth(x)的范围内获得cut个不重复随机下标引脚;
S3,形成测试集,遍历数据集数组,把对应的下标引脚的数据复制一份集合成测试集;
S4,形成训练集,对获得的cut个随机数进行降序排序,对数据集数组从高位下标引脚开始删除对应的随机数引脚的数据,余下的数据集为训练集数据。
4.根据权利要求3所述的一种区域海洋底温热红外遥感监测预报模型的建立方法,其特征在于,bp神经网络模型的搭建由海底点位经度、纬度、海底温度t同时作为输入数据的三个维度,结合keras框架对年度实测春、夏、秋、冬的数据建立模型。
5.根据权利要求4所述的一种区域海洋底温热红外遥感监测预报模型的建立方法,其特征在于,所述bp神经网络结构模型中每层hidden layer含有128个神经元、input layer含有3个神经元、output layer含有1个神经元;所述模型的非线性激活函数是Relu函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011228522.9A CN112446170A (zh) | 2020-11-06 | 2020-11-06 | 一种区域海洋底温热红外遥感监测预报模型的建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011228522.9A CN112446170A (zh) | 2020-11-06 | 2020-11-06 | 一种区域海洋底温热红外遥感监测预报模型的建立方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112446170A true CN112446170A (zh) | 2021-03-05 |
Family
ID=74736962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011228522.9A Pending CN112446170A (zh) | 2020-11-06 | 2020-11-06 | 一种区域海洋底温热红外遥感监测预报模型的建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112446170A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116306318A (zh) * | 2023-05-12 | 2023-06-23 | 青岛哈尔滨工程大学创新发展中心 | 基于深度学习的三维海洋温盐场预报方法、系统及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959408A (zh) * | 2018-06-06 | 2018-12-07 | 国家海洋环境预报中心 | 通信约束下的北极海洋环境预报产品制作与传输管理方法 |
CN109190800A (zh) * | 2018-08-08 | 2019-01-11 | 上海海洋大学 | 一种基于spark框架的海面温度预测方法 |
CN111307266A (zh) * | 2020-02-21 | 2020-06-19 | 山东大学 | 声速获取方法及基于该方法的全球海洋声速场构建方法 |
CN111882033A (zh) * | 2020-07-15 | 2020-11-03 | 南京航空航天大学 | 一种基于Keras的区域民航主被动碳排放预测方法 |
-
2020
- 2020-11-06 CN CN202011228522.9A patent/CN112446170A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959408A (zh) * | 2018-06-06 | 2018-12-07 | 国家海洋环境预报中心 | 通信约束下的北极海洋环境预报产品制作与传输管理方法 |
CN109190800A (zh) * | 2018-08-08 | 2019-01-11 | 上海海洋大学 | 一种基于spark框架的海面温度预测方法 |
CN111307266A (zh) * | 2020-02-21 | 2020-06-19 | 山东大学 | 声速获取方法及基于该方法的全球海洋声速场构建方法 |
CN111882033A (zh) * | 2020-07-15 | 2020-11-03 | 南京航空航天大学 | 一种基于Keras的区域民航主被动碳排放预测方法 |
Non-Patent Citations (3)
Title |
---|
张昆: "基于深度学习的深海遥感技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 * |
张桐: "基于Argo数据的海洋温度预测方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 * |
雷洁霞: "基于Argo数据的南海海温时空分析与可视化研究", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116306318A (zh) * | 2023-05-12 | 2023-06-23 | 青岛哈尔滨工程大学创新发展中心 | 基于深度学习的三维海洋温盐场预报方法、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108334936B (zh) | 基于迁移卷积神经网络的故障预测方法 | |
CN112836610B (zh) | 一种基于遥感数据的土地利用变化与碳储量定量估算方法 | |
CN106845401B (zh) | 一种基于多空间卷积神经网络的害虫图像识别方法 | |
CN110147772B (zh) | 一种基于迁移学习的水下坝体表面裂缝识别方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN113837238B (zh) | 一种基于自监督和自蒸馏的长尾图像识别方法 | |
JPWO2006120724A1 (ja) | ニューラルネットワークを用いた地理情報システム | |
CN113657028B (zh) | 一种基于多源信息的气溶胶光学厚度在线预测方法 | |
CN111582395B (zh) | 一种基于卷积神经网络的产品质量分类系统 | |
CN111275677A (zh) | 一种基于卷积神经网络的天花板震害的识别方法 | |
CN113436184B (zh) | 基于改进孪生网络的电力设备图像缺陷判别方法及系统 | |
CN110222714B (zh) | 一种基于arma与bp神经网络的太阳总辐照资源预测方法 | |
CN113780242A (zh) | 一种基于模型迁移学习的跨场景水声目标分类方法 | |
CN110348503A (zh) | 一种基于卷积神经网络的苹果品质检测方法 | |
CN112446170A (zh) | 一种区域海洋底温热红外遥感监测预报模型的建立方法 | |
CN113222071A (zh) | 一种基于岩石薄片显微图像深度学习的岩石分类方法 | |
Alerskans et al. | Exploring machine learning techniques to retrieve sea surface temperatures from passive microwave measurements | |
CN116109945B (zh) | 基于有序持续学习的遥感影像解译方法 | |
CN117372854A (zh) | 一种大坝深水结构隐患病害实时检测方法 | |
CN109993048B (zh) | 一种沥青路面条纹过滤方法及检测系统 | |
CN109872319A (zh) | 一种基于特征挖掘和神经网络的热图像缺陷提取方法 | |
CN116189796A (zh) | 基于机器学习的星载短波红外co2柱浓度估算方法 | |
CN115809947A (zh) | 一种水污染时序数据连续缺失值填补方法 | |
CN115294381A (zh) | 基于特征迁移和正交先验的小样本图像分类方法及装置 | |
CN114723998A (zh) | 基于大边界贝叶斯原型学习的小样本图像分类方法及装置 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210305 |
|
WD01 | Invention patent application deemed withdrawn after publication |