CN112580667A - 一种纺织图像的特征提取方法 - Google Patents
一种纺织图像的特征提取方法 Download PDFInfo
- Publication number
- CN112580667A CN112580667A CN202011533437.3A CN202011533437A CN112580667A CN 112580667 A CN112580667 A CN 112580667A CN 202011533437 A CN202011533437 A CN 202011533437A CN 112580667 A CN112580667 A CN 112580667A
- Authority
- CN
- China
- Prior art keywords
- image
- matrix
- sparse
- fabric image
- dictionary matrix
- 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
- 239000004753 textile Substances 0.000 title claims abstract description 21
- 238000000605 extraction Methods 0.000 title description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 72
- 239000004744 fabric Substances 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000005520 cutting process Methods 0.000 claims abstract description 4
- 238000009826 distribution Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract 2
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/513—Sparse representations
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开一种纺织图像的特征提取方法,包括步骤:S1、将待提取特征的织物图像切分成M×M像素,并将织物图像转化为灰度图像;S2、将步骤S1中得到的织物图像经过基于互相干准则的字典优化,得到织物图像的字典矩阵D;S3、令步骤S2中得到的字典矩阵D=Φ,并同灰度化织物图像共同构成稀疏表示模型y=Φx+ξ,其中,y为灰度化织物图像,ξ为观测噪声,设置控制x更新的超参数α和控制ξ更新的超参数β,并根据稀疏贝叶斯学习稀疏表示模型进行求解,求得x的表达式,并更新超参数α、β以对x进行更新,最终得到织物图像的稀疏特征x。本发明充分提取了织物图像的深层特征结构,并使得特征矩阵保持稀疏性,有效的提取了纺织图像瑕疵特征的同时减少数据冗余。
Description
技术领域
本发明属于图像特征提取领域,具体涉及一种纺织图像的特征提取方法。
背景技术
由于近几年机器视觉技术的快速发展,机器学习技术作为其重要组成部分,被广泛应用于生产加工中。纺织产品作为重要的工业产品,其瑕疵检测一直是工业人工智能的热门课题。稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)是一种基于统计概率学的优化算法,其算法性能相当于加权L1范数的稀疏表示方法。其核心思想是通过将未知待估计的参数视为符合某种先验分布的随机变量,根据已知参量确定其先验分布;再运用贝叶斯规则得到后验概率分布;最后结合先验概率和后验概率对未知参数进行推断。因此,该算法在求解稀疏表示模型方面表现良好,但由于求解稀疏表示模型时,都假定感知矩阵和混叠噪声已知,进而针对图像特征的提取受限。基于互相干准则的字典优化算法是一种经典的字典训练算法,依据互相干系数最小原则,对字典的列向量进行非相关学习,经过不断的迭代从而得到优化的解,在图像降噪、特征提取等任务中表现良好。纺织图像瑕疵特征的提取是一个具有挑战性的项目,由于织物的高低频信息区分不够明显,模糊特征难以分离,从而导致不同织物瑕疵之间的识别度和区分度不高,判别系统不完善。其次,由于特征提取数据相对冗余导致判别系统需提高算力,从而导致设备成本的提高。因此,需要一种针对模糊特征分离和求取稀疏特征的机器学习算法。
发明内容
本发明的目的是针对纺织瑕疵图像的特点,以提高模糊特征分离度和降低特征数据冗余度,提供了一种纺织图像的特征提取方法。
为了实现以上目的,本发明采用以下技术方案:
一种纺织图像的特征提取方法,包括步骤:
S1、将待提取特征的织物图像切分成M×M像素,并将织物图像转化为灰度图像;
S2、将步骤S1中得到的织物图像经过基于互相干准则的字典优化,得到织物图像的字典矩阵D;
S3、令步骤S2中得到的字典矩阵D=Φ,并同灰度化织物图像共同构成稀疏表示模型y=Φx+ξ,其中,y为灰度化织物图像,ξ为观测噪声,设置控制x更新的超参数α和控制ξ更新的超参数β,并根据稀疏贝叶斯学习稀疏表示模型进行求解,求得x的表达式,并更新超参数α、β以对x进行更新,最终得到织物图像的稀疏特征x。
作为优选方案,步骤S2中,具体包括以下步骤:
S2.1、初始化N×L维的字典矩阵D0,随机生成与织物图像同维的测量矩阵ψ,并使其正交化;
S2.2、对字典矩阵D0的列向量进行模值归一化处理;
S2.3、计算字典矩阵D0的列向量之间的互相干性u:
其中,di,dj为字典矩阵的列向量,且i≠j;
S2.4、对字典矩阵D0进行奇异值分解,即:D0=USVT;
其中,U为N阶正交矩阵,S为降序排列的非负对角线元素组成的N×L矩形对角阵,V为L阶正交矩阵;
S2.5、对矩阵S进行优化,使得:S(N+1:end,N+1:end)=u,以得到优化后的矩阵S′;
S2.6、对字典矩阵D0进行学习,迭代公式如下:
D’=U*S’*VT,
其中D’表示迭代后的字典矩阵;
S2.7、判断迭代次数是否达到预设迭代次数n,若否,则将步骤S2.6得到的迭代后的字典矩阵替代上一次迭代过程中的字典矩阵,并重复上述步骤S2.3-S2.6,若是,则输出学习后的字典矩阵,即优化后的字典矩阵D。
作为优选方案,步骤S3中,具体包括以下步骤:
S3.1、输入步骤S2优化后获得的字典矩阵D和灰度化织物图像y;
S3.2、将灰度化织物图像y视为稀疏特征图像x与观测噪声ξ的加权和,建立相应的数学模型并计算,具体过程如下:
y=Φx+ξ (1)
令β-1=σ2,则y的高斯似然模型表示为:
其中,μx为x的期望;
根据稀疏贝叶斯学习的算法思想,假定x服从高斯分布,则对x赋予先验条件概率模型,表示为:
根据贝叶斯公式可得:
S3.3、设置x的收敛标准xThresh以及最大迭代次数Max_iter;
S3.4、初始化α和β的值;
S3.5、通过步骤S3.2计算可得x的后验分布为:
μx=β-1∑xΦT y (6)
∑x=(β-1ΦTΦ+A-1)-1 (7)
其中μx为x的期望,∑x为x的方差;
S3.6、根据α和β的值,结合S3.5中的(5)、(6)对μx,∑x进行估计计算;
S3.7、利用步骤S3.6得到μx和∑x更新α和β,更新公式如下:
其中αn表示更新前超参数α的值,αn+1表示更新后超参数α的值,βn+1表示更新后超参数β的值,(∑x)ii为∑x第i个对角元素;
S3.8、计算迭代截止条件并判断e<xThresh是否成立,若成立,则停止迭代,此时的μx为最终学习得到的稀疏特征图像x,若不成立,则继续判断迭代次数是否大于Max_iter,若满足则停止迭代,此时的μx为最终学习得到的稀疏特征图像x,若两个条件均不成立,则利用步骤S3.7计算得到的更新后的α和β以重复步骤S3.6-S3.7。
作为优选方案,步骤S2.7中预设迭代次数n=1000。
作为优选方案,其特征在于,xThresh为10-8。
作为优选方案,Max_iter为2000。
作为优选方案,将待提取特征的织物图像切分成96×96像素。
本发明的有益效果是:充分提取了织物图像的深层特征结构,并使得特征矩阵保持稀疏性,有效的提取了纺织图像瑕疵特征的同时减少数据冗余。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是一种纺织图像的特征提取方法的流程图;
图2是织物图像伪彩色源图y;
图3是提取的织物图像的优化字典矩阵D;
图4是验证特征提取有效性的恢复图像;
图5是学习的到的织物图像的稀疏性特征矩阵x;
图6是恢复图像的定性分析图。
具体实施方式
以下通过特定的具体实施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。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
参照图1,本实施例提供了一种纺织图像的特征提取方法,包括步骤:
S1、将待提取特征的织物图像切分成M×M像素,并将织物图像转化为灰度图像;
S2、将步骤S1中得到的织物图像经过基于互相干准则的字典优化,得到织物图像的字典矩阵D;
S3、令步骤S2中得到的字典矩阵D=Φ,并同灰度化织物图像共同构成稀疏表示模型y=Φx+ξ,其中,y为灰度化织物图像,ξ为观测噪声,设置控制x更新的超参数α和控制ξ更新的超参数β,并根据稀疏贝叶斯学习稀疏表示模型进行求解,求得x的表达式,并更新超参数α、β以对x进行更新,最终得到织物图像的稀疏特征x。
本实施例中将待提取特征的织物图像切分成96×96像素,具体可以参照图2,实验编程环境为matlab。
具体的:
步骤S2中,具体包括以下步骤:
S2.1、初始化N×L维的字典矩阵D0,随机生成与织物图像同维的测量矩阵ψ,并使其正交化;
S2.2、对字典矩阵D0的列向量进行模值归一化处理;
S2.3、计算字典矩阵D0的列向量之间的互相干性u:
其中,di,dj为字典矩阵的列向量,且i≠j;
S2.4、对字典矩阵D0进行奇异值分解,即:D0=USVT;
其中,U为N阶正交矩阵,S为降序排列的非负对角线元素组成的N×L矩形对角阵,V为L阶正交矩阵;
S2.5、对矩阵S进行优化,使得:S(N+1:end,N+1:end)=u,以得到优化后的矩阵S′;
S2.6、对字典矩阵D0进行学习,迭代公式如下:
D’=U*S’*VT,
其中D’表示迭代后的字典矩阵;
S2.7、判断迭代次数是否达到预设迭代次数n,若否,则将步骤S2.6得到的迭代后的字典矩阵替代上一次迭代过程中的字典矩阵,并重复上述步骤S2.3-S2.6,若是,则输出学习后的字典矩阵,即优化后的字典矩阵D,可以参照图3的结果。
本实施例中迭代次数n=1000。
步骤S3中,具体包括以下步骤:
S3.1、输入步骤S2优化后获得的字典矩阵D和灰度化织物图像y;
S3.2、将灰度化织物图像y视为稀疏特征图像x与观测噪声ξ的加权和,建立相应的数学模型并计算,具体过程如下:
y=Φx+ξ (1)
令β-1=σ2,则y的高斯似然模型表示为:
其中,μx为x的期望;
根据稀疏贝叶斯学习的算法思想,假定x服从高斯分布,则对x赋予先验条件概率模型,表示为:
根据贝叶斯公式可得:
S3.3、设置x的收敛标准xThresh以及最大迭代次数Max_iter;
S3.4、初始化α和β的值;
S3.5、通过步骤S3.2计算可得x的后验分布为:
μx=β-1∑xΦTy (6)
∑x=(β-1ΦTΦ+A-1)-1 (7)
其中μx为x的期望,∑x为x的方差;
S3.6、根据α和β的值,结合S3.5中的(5)、(6)对μx,∑x进行估计计算;
S3.7、利用步骤S3.6得到μx和∑x更新α和β,更新公式如下:
其中αn表示更新前超参数α的值,αn+1表示更新后超参数α的值,βn+1表示更新后超参数β的值,(∑x)ii为∑x第i个对角元素;
S3.8、计算迭代截止条件并判断e<xThresh是否成立,若成立,则停止迭代,此时的μx为最终学习得到的稀疏特征图像x,参照图5,若不成立,则继续判断迭代次数是否大于Max_iter,若满足则停止迭代,此时的μx为最终学习得到的稀疏特征图像x,若两个条件均不成立,则利用步骤S3.7计算得到的更新后的α和β以重复步骤S3.6-S3.7。
本实施例中,xThresh为10-8,Max_iter为2000。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明的保护范围内。
Claims (7)
1.一种纺织图像的特征提取方法,其特征在于,包括步骤:
S1、将待提取特征的织物图像切分成M×M像素,并将织物图像转化为灰度图像;
S2、将步骤S1中得到的织物图像经过基于互相干准则的字典优化,得到织物图像的字典矩阵D;
S3、令步骤S2中得到的字典矩阵D=Φ,并同灰度化织物图像共同构成稀疏表示模型y=Φx+ξ,其中,y为灰度化织物图像,ξ为观测噪声,设置控制x更新的超参数α和控制ξ更新的超参数β,并根据稀疏贝叶斯学习稀疏表示模型进行求解,求得x的表达式,并更新超参数α、β以对x进行更新,最终得到织物图像的稀疏特征x。
2.根据权利要求1所述的一种纺织图像的特征提取方法,其特征在于,步骤S2中,具体包括以下步骤:
S2.1、初始化N×L维的字典矩阵D0,随机生成与织物图像同维的测量矩阵ψ,并使其正交化;
S2.2、对字典矩阵D0的列向量进行模值归一化处理;
S2.3、计算字典矩阵D0的列向量之间的互相干性u:
其中,di,dj为字典矩阵的列向量,且i≠j;
S2.4、对字典矩阵D0进行奇异值分解,即:D0=USVT;
其中,U为N阶正交矩阵,S为降序排列的非负对角线元素组成的N×L矩形对角阵,V为L阶正交矩阵;
S2.5、对矩阵S进行优化,使得:S(N+1:end,N+1:end)=u,以得到优化后的矩阵S′;
S2.6、对字典矩阵D0进行学习,迭代公式如下:
D’=U*S’*VT,
其中D’表示迭代后的字典矩阵;
S2.7、判断迭代次数是否达到预设迭代次数n,若否,则将步骤S2.6得到的迭代后的字典矩阵替代上一次迭代过程中的字典矩阵,并重复上述步骤S2.3-S2.6,若是,则输出学习后的字典矩阵,即优化后的字典矩阵D。
3.根据权利要求2所述的一种纺织图像的特征提取方法,其特征在于,步骤S3中,具体包括以下步骤:
S3.1、输入步骤S2优化后获得的字典矩阵D和灰度化织物图像y;
S3.2、将灰度化织物图像y视为稀疏特征图像x与观测噪声ξ的加权和,建立相应的数学模型并计算,具体过程如下:
y=Φx+ξ (1)
令β-1=σ2,则y的高斯似然模型表示为:
其中,μx为x的期望;
根据稀疏贝叶斯学习的算法思想,假定x服从高斯分布,则对x赋予先验条件概率模型,表示为:
根据贝叶斯公式可得:
S3.3、设置x的收敛标准xThresh以及最大迭代次数Max_iter;
S3.4、初始化α和β的值;
S3.5、通过步骤S3.2计算可得x的后验分布为:
μx=β-1∑xΦTy (6)
∑x=(β-1ΦTΦ+A-1)-1 (7)
其中μx为x的期望,∑x为x的方差;
S3.6、根据α和β的值,结合S3.5中的(5)、(6)对μx,∑x进行估计计算;
S3.7、利用步骤S3.6得到μx和∑x更新α和β,更新公式如下:
其中αn表示更新前超参数α的值,αn+1表示更新后超参数α的值,βn+1表示更新后超参数β的值,(∑x)ii为∑x第i个对角元素;
4.根据权利要求2所述的一种纺织图像的特征提取方法,其特征在于,步骤S2.7中预设迭代次数n=1000。
5.根据权利要求3述的一种纺织图像的特征提取方法,其特征在于,xThresh为10-8。
6.根据权利要求3述的一种纺织图像的特征提取方法,其特征在于,Max_iter为2000。
7.根据权利要求1所述的一种纺织图像的特征提取方法,其特征在于,将待提取特征的织物图像切分成96×96像素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011533437.3A CN112580667B (zh) | 2020-12-23 | 2020-12-23 | 一种纺织图像的特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011533437.3A CN112580667B (zh) | 2020-12-23 | 2020-12-23 | 一种纺织图像的特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112580667A true CN112580667A (zh) | 2021-03-30 |
CN112580667B CN112580667B (zh) | 2023-08-29 |
Family
ID=75139072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011533437.3A Active CN112580667B (zh) | 2020-12-23 | 2020-12-23 | 一种纺织图像的特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580667B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114782425A (zh) * | 2022-06-17 | 2022-07-22 | 江苏宜臻纺织科技有限公司 | 纺织品生产过程中络筒工艺参数控制方法及人工智能系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8885893B1 (en) * | 2011-11-22 | 2014-11-11 | The United States Of America As Represented By The Secretary Of The Navy | System and method for adaptive face recognition |
CN106886797A (zh) * | 2017-02-24 | 2017-06-23 | 电子科技大学 | 一种对复合材料脱粘缺陷的高分辨率检测与识别方法 |
CN107132535A (zh) * | 2017-04-07 | 2017-09-05 | 西安电子科技大学 | 基于变分贝叶斯学习算法的isar稀疏频带成像方法 |
WO2018056976A1 (en) * | 2016-09-22 | 2018-03-29 | Halliburton Energy Services, Inc. | Methods and systems for obtaining high-resolution spectral data of formation fluids from optical computing device measurements |
-
2020
- 2020-12-23 CN CN202011533437.3A patent/CN112580667B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8885893B1 (en) * | 2011-11-22 | 2014-11-11 | The United States Of America As Represented By The Secretary Of The Navy | System and method for adaptive face recognition |
WO2018056976A1 (en) * | 2016-09-22 | 2018-03-29 | Halliburton Energy Services, Inc. | Methods and systems for obtaining high-resolution spectral data of formation fluids from optical computing device measurements |
CN106886797A (zh) * | 2017-02-24 | 2017-06-23 | 电子科技大学 | 一种对复合材料脱粘缺陷的高分辨率检测与识别方法 |
CN107132535A (zh) * | 2017-04-07 | 2017-09-05 | 西安电子科技大学 | 基于变分贝叶斯学习算法的isar稀疏频带成像方法 |
Non-Patent Citations (2)
Title |
---|
LU WENTAO, ET AL: "Range profile target recognition using sparse representation based on feature space", 《IEEE ACCESS》, pages 1 - 9 * |
赵瑞珍,等: "一种基于特征值分解的测量矩阵优化方法", 《信号处理》, pages 1 - 6 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114782425A (zh) * | 2022-06-17 | 2022-07-22 | 江苏宜臻纺织科技有限公司 | 纺织品生产过程中络筒工艺参数控制方法及人工智能系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112580667B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Deep learning for case-based reasoning through prototypes: A neural network that explains its predictions | |
US20190228268A1 (en) | Method and system for cell image segmentation using multi-stage convolutional neural networks | |
CN109389171B (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
CN111538761A (zh) | 基于注意力机制的点击率预测方法 | |
CN111078895B (zh) | 基于去噪卷积神经网络的远程监督实体关系抽取方法 | |
CN110827330B (zh) | 一种时序集成的多光谱遥感图像变化检测方法及系统 | |
Albelwi et al. | Automated optimal architecture of deep convolutional neural networks for image recognition | |
CN114926680B (zh) | 一种基于AlexNet网络模型的恶意软件分类方法及系统 | |
CN112991199B (zh) | 一种基于残差密集网络的图像高低频分解噪声去除方法 | |
CN116402825B (zh) | 轴承故障红外诊断方法、系统、电子设备及存储介质 | |
CN116152554A (zh) | 基于知识引导的小样本图像识别系统 | |
CN112580667B (zh) | 一种纺织图像的特征提取方法 | |
CN114861778A (zh) | 一种改进宽度迁移学习的不同负载下滚动轴承状态快速分类方法 | |
CN114580934A (zh) | 基于无监督异常检测的食品检测数据风险的早预警方法 | |
CN114863151A (zh) | 一种基于模糊理论的图像降维聚类方法 | |
CN110136164B (zh) | 基于在线透射变换、低秩稀疏矩阵分解去除动态背景的方法 | |
CN109978080B (zh) | 一种基于判别矩阵变量受限玻尔兹曼机的图像识别方法 | |
CN116310644A (zh) | 一种基于归一化流网络和编码器的异常检测方法及设备 | |
Yuan et al. | Bearing fault diagnosis based on improved locality-constrained linear coding and adaptive PSO-optimized SVM | |
CN116977694A (zh) | 一种基于不变特征提取的高光谱对抗样本防御方法 | |
CN113537250B (zh) | 一种基于离散-连续特征耦合的图像异常检测方法 | |
CN113177599B (zh) | 一种基于gan的强化样本生成方法 | |
CN116310473A (zh) | 一种基于误差缓解的量子神经网络的图像分类方法 | |
CN115239967A (zh) | 一种基于Trans-CSN生成对抗网络的图像生成方法及装置 | |
CN111797732B (zh) | 一种对采样不敏感的视频动作识别对抗攻击方法 |
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 |