CN112766465A - 用于智能转动性能检测的神经网络的训练方法 - Google Patents
用于智能转动性能检测的神经网络的训练方法 Download PDFInfo
- Publication number
- CN112766465A CN112766465A CN202110155198.0A CN202110155198A CN112766465A CN 112766465 A CN112766465 A CN 112766465A CN 202110155198 A CN202110155198 A CN 202110155198A CN 112766465 A CN112766465 A CN 112766465A
- Authority
- CN
- China
- Prior art keywords
- neural network
- feature map
- rotation
- loss function
- convolutional neural
- 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.)
- Withdrawn
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及智能制造领域中的智能转动性能检测,其具体地公开了一种用于智能转动性能检测的神经网络的训练方法,其基于深度学习的计算机视觉检测方案来捕捉高速转轴在高速转动过程中由微小的转动不均匀所导致的视觉方面的特征,从而提高高速转轴的转动性能的检测能力。具体地,在训练过程中,采用类似于对抗生成模型的迁移学习的思路,将高速转轴在高速转动过程当中的多个图像在高维特征空间中的旋转弱变换通过迁移学习的方式耦合到高维图像空间中,从而转换为高维特征的强变换,以使得用于转动性能检测的神经网络能够充分学习各个旋转特征图之间的旋转特性,进而增强模型检测的准确性。
Description
技术领域
本发明涉及智能制造领域中的智能转动性能检测,且更为具体地,涉及一种用于智能转动性能检测的神经网络的训练方法、基于深度神经网络的智能转动性能检测方法、用于智能转动性能检测的神经网络的训练系统、基于深度神经网络的智能转动性能检测系统和电子设备。
背景技术
目前,高速转轴的应用越来越广泛,而在利用新材料制作高速转轴时,往往需要对高速转轴进行检测,且其中最主要的是旋转检测。在目前的旋转检测的检测装置中,通过使得高速转轴以高速转动,来检测高速转轴的转动性能,但是,在判断高速转轴在旋转过程中的微小的转动不均匀方面,仍然缺乏有效的手段。
因此,期待一种能够提高高速转轴的转动性能的检测能力的技术方案。
目前,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为高速转轴的转动性能检测提供了新的解决思路和方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种用于智能转动性能检测的神经网络的训练方法、基于深度神经网络的智能转动性能检测方法、用于智能转动性能检测的神经网络的训练系统、基于深度神经网络的智能转动性能检测系统和电子设备,其基于深度学习的计算机视觉检测方案来捕捉高速转轴在高速转动过程中由微小的转动不均匀所导致的视觉方面的特征,从而提高高速转轴的转动性能的检测能力。具体地,在训练过程中,采用类似于对抗生成模型的迁移学习的思路,将高速转轴在高速转动过程当中的多个图像在高维特征空间中的旋转弱变换通过迁移学习的方式耦合到高维图像空间中,从而转换为高维特征的强变换,以使得用于转动性能检测的神经网络能够充分学习各个旋转特征图之间的旋转特性,进而增强模型检测的准确性。
根据本申请的一个方面,提供了一种用于智能转动性能检测的神经网络的训练方法,其包括:
步骤1:通过摄像头获取高速转轴在高速转动过程中的多个图像,其中,所述多个图像中每个图像对应于所述高速转轴的不同的旋转角度;
步骤2:将所述多个图像通过第一卷积神经网络,以获得对应于所述多个图像的多个旋转特征图;
步骤3:对于所述多个旋转特征图中的第一旋转特征图,将所述第一旋转特征图通过第二卷积神经网络以获得第一耦合特征图;
步骤4:将所述第一耦合特征图与所述多个旋转特征图中的第二旋转特征图输入鉴别器神经网络,以获得所述第一耦合特征图与所述第二旋转特征图之间的鉴别器损失函数值;
步骤5:以预设步长减小所述鉴别器损失函数值,并以梯度下降的反向传播来更新所述第二卷积神经网络的参数;
步骤6:分别将所述第一耦合特征图与所述多个旋转特征图中的第三旋转特征图和后续的所述旋转特征图输入鉴别器神经网络,以分别获得所述第一耦合特征图与所述第三旋转特征图和后续的所述旋转特征图之间的鉴别器损失函数值;
步骤7:以预设步长减小分别所述鉴别器损失函数值,并通过梯度下降的反向传播来迭代地更新所述第二卷积神经网络的参数;
步骤8:对于所述多个旋转特征图中的第二旋转特征图和后续的所述旋转特征图,以步骤3至步骤7的方式迭代地更新所述第二卷积神经网络的参数直到完成所述多个旋转特征图的一个周期的更新;
步骤9:将每个所述旋转特征图通过所述第二卷积神经网络所获得的耦合特征图以样本维度进行排列,以获得分类特征图;
步骤10:将所述分类特征图通过分类器,以获得分类损失函数值;以及
步骤11:以预设步长减小所述分类损失函数值,并通过梯度下降的反向传播来更新所述第一卷积神经网络和所述第二卷积神经网络的参数。
与现有技术相比,根据本申请实施例的用于智能转动性能检测的神经网络的训练方法、基于深度神经网络的智能转动性能检测方法、用于智能转动性能检测的神经网络的训练系统、基于深度神经网络的智能转动性能检测系统和电子设备,其基于深度学习的计算机视觉检测方案来捕捉高速转轴在高速转动过程中由微小的转动不均匀所导致的视觉方面的特征,从而提高高速转轴的转动性能的检测能力。具体地,在训练过程中,采用类似于对抗生成模型的迁移学习的思路,将高速转轴在高速转动过程当中的多个图像在高维特征空间中的旋转弱变换通过迁移学习的方式耦合到高维图像空间中,从而转换为高维特征的强变换,以使得用于转动性能检测的神经网络能够充分学习各个旋转特征图之间的旋转特性,进而增强模型检测的准确性。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的用于智能转动性能检测的神经网络的训练方法的应用场景图;
图2图示了根据本申请实施例的用于智能转动性能检测的神经网络的训练方法的流程图;
图3图示了根据本申请实施例的用于智能转动性能检测的神经网络的训练方法的系统架构示意图;
图4图示了根据本申请实施例的用于智能转动性能检测的神经网络的训练方法中,将所述第一耦合特征图与所述多个旋转特征图中的第二旋转特征图输入鉴别器神经网络,以获得所述第一耦合特征图与所述第二旋转特征图之间的鉴别器损失函数值的流程图;
图5图示了根据本申请实施例的用于智能转动性能检测的神经网络的训练方法中,将所述分类特征图通过分类器,以获得分类损失函数值的流程图;
图6图示了根据本申请实施例的基于深度神经网络的智能转动性能检测方法的流程图;
图7图示了根据本申请实施例的用于智能转动性能检测的神经网络的训练系统的框图;
图8图示了根据本申请实施例的用于智能转动性能检测的神经网络的训练系统中第一鉴别器损失函数值生成单元的框图;
图9图示了根据本申请实施例的用于智能转动性能检测的神经网络的训练系统中分类损失函数值生成单元的框图;
图10图示了根据本申请实施例的基于深度神经网络的智能转动性能检测系统的框图;
图11图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如前所述,目前在检测高速转轴的转动性能的过程中,在判断高速转轴在旋转过程中的微小的转动不均匀方面,仍然缺乏有效的手段。这是因为高速转轴在高速转动过程中,微小的转动不均匀很难通过外在特征来进行检测,而随着计算机视觉技术的发展,本申请的发明人考虑通过基于深度学习的计算机视觉检测方案来捕捉高速转轴在高速转动过程中由微小的转动不均匀所导致的视觉方面的特征,从而提高高速转轴的转动性能的检测能力。
但是,由于卷积神经网络本身对于旋转特征的不敏感性,如何使得卷积神经网络能够提取出与旋转有关的图像特征是本申请的技术方案的关键,针对该问题,本申请的发明人考虑采用类似于对抗生成模型的迁移学习的思路,将特征图中的旋转弱变换通过迁移学习的方式耦合到高维图像空间中,从而转换为高维特征的强变换。
具体地,在本申请的技术方案中,首先以高速相机捕捉高速转轴在高速转动过程当中的多个图像,其中每个图像对应于高速转轴的不同的旋转角度,并将该多个图像通过第一卷积神经网络以获得多个旋转特征图。然后,针对该多个旋转特征图中的每个旋转特征图,例如,对于第一旋转特征图,通过第二卷积神经网络以获得第一耦合特征图,并计算该第一耦合特征图与第二旋转特征图之间的鉴别器损失函数值,以此更新第二卷积神经网络,以便将第一旋转特征图与第二旋转特征图之间的旋转特性耦合到第二卷积神经网络的参数中。
类似地,对于第一旋转特征图继续计算其与第三旋转特征图及后续旋转特征图的鉴别器损失函数值并以此更新第二卷积神经网络。并且,对于第二旋转特征图和后续的旋转特征图,重复对于第一旋转特征图的更新第二卷积神经网络的步骤,以使得第二卷积神经网络能够充分学习各个旋转特征图之间的旋转特性。
在完成多个旋转特征图的一个周期的更新之后,将每个旋转特征图通过第二卷积神经网络之后的耦合特征图按样本维度排列,并通过分类器获得分类损失函数值,以此更新第一卷积神经网络和第二卷积神经网络,以实现对高速转轴的转动性能的检测。
基于此,本申请提出了一种用于智能转动性能检测的神经网络的训练方法,其包括:步骤1:通过摄像头获取高速转轴在高速转动过程中的多个图像,其中,所述多个图像中每个图像对应于所述高速转轴的不同的旋转角度;步骤2:将所述多个图像通过第一卷积神经网络,以获得对应于所述多个图像的多个旋转特征图;步骤3:对于所述多个旋转特征图中的第一旋转特征图,将所述第一旋转特征图通过第二卷积神经网络以获得第一耦合特征图;步骤4:将所述第一耦合特征图与所述多个旋转特征图中的第二旋转特征图输入鉴别器神经网络,以获得所述第一耦合特征图与所述第二旋转特征图之间的鉴别器损失函数值;步骤5:以预设步长减小所述鉴别器损失函数值,并以梯度下降的反向传播来更新所述第二卷积神经网络的参数;步骤6:分别将所述第一耦合特征图与所述多个旋转特征图中的第三旋转特征图和后续的所述旋转特征图输入鉴别器神经网络,以分别获得所述第一耦合特征图与所述第三旋转特征图和后续的所述旋转特征图之间的鉴别器损失函数值;步骤7:以预设步长减小分别所述鉴别器损失函数值,并通过梯度下降的反向传播来迭代地更新所述第二卷积神经网络的参数;步骤8:对于所述多个旋转特征图中的第二旋转特征图和后续的所述旋转特征图,以步骤3至步骤7的方式迭代地更新所述第二卷积神经网络的参数直到完成所述多个旋转特征图的一个周期的更新;步骤9:将每个所述旋转特征图通过所述第二卷积神经网络所获得的耦合特征图以样本维度进行排列,以获得分类特征图;步骤10:将所述分类特征图通过分类器,以获得分类损失函数值;以及,步骤11:以预设步长减小所述分类损失函数值,并通过梯度下降的反向传播来更新所述第一卷积神经网络和所述第二卷积神经网络的参数。
基于此,本申请还提出了一种基于深度神经网络的智能转动性能检测方法,其包括:获取待检测的高速转轴在高速转动过程中的图像;将所述待检测图像输入根据如上所述的用于智能转动性能检测的神经网络的训练方法所训练的第一卷积神经网络、第二卷积神经网络和分类器,所述分类器的输出表示对应于高速转轴转动均匀的第一概率和高速转轴转动不均匀的第二概率;以及,基于所述第一概率和所述第二概率确定高速转轴的转动性能检测是否合格。
图1图示了根据本申请实施例的用于智能转动性能检测的神经网络的训练方法和基于深度神经网络的智能转动性能检测方法的应用场景图。
如图1所示,在该应用场景的训练阶段中,通过摄像头(例如,如图1中所示意的C)获取高速转轴在高速转动过程中的多个图像;然后,将所述多个图像输入至部署有用于智能转动性能检测的神经网络的训练算法的服务器中(例如,如图1中所示意的S),其中,所述服务器能够基于用于智能转动性能检测的神经网络的训练算法以所述多个图像对用于智能转动性能检测的神经网络进行训练。
在通过如上所述的用于智能转动性能检测的神经网络的训练算法训练好所述神经网络后,可基于所述深度神经网络对高速转轴的转动性能进行智能检测。
进一步地,如图1所示,在该应用场景的检测阶段,通过摄像头(例如,如图1中所示意的C)获取待检测的高速转轴在高速转动过程中的图像;然后,将所述图像输入至部署有基于深度神经网络的智能转动性能检测算法的服务器中(例如,如图1中所示意的S),其中,所述服务器能够基于深度神经网络的智能转动性能检测算法对所述图像进行处理,以生成高速转轴的转动性能检测是否合格的检测结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了用于智能转动性能检测的神经网络的训练方法的流程图。如图2所示,根据本申请实施例的用于智能转动性能检测的神经网络的训练方法,包括:步骤1,通过摄像头获取高速转轴在高速转动过程中的多个图像,其中,所述多个图像中每个图像对应于所述高速转轴的不同的旋转角度;步骤2,将所述多个图像通过第一卷积神经网络,以获得对应于所述多个图像的多个旋转特征图;步骤3,对于所述多个旋转特征图中的第一旋转特征图,将所述第一旋转特征图通过第二卷积神经网络以获得第一耦合特征图;步骤4,将所述第一耦合特征图与所述多个旋转特征图中的第二旋转特征图输入鉴别器神经网络,以获得所述第一耦合特征图与所述第二旋转特征图之间的鉴别器损失函数值;步骤5,以预设步长减小所述鉴别器损失函数值,并以梯度下降的反向传播来更新所述第二卷积神经网络的参数;步骤6,分别将所述第一耦合特征图与所述多个旋转特征图中的第三旋转特征图和后续的所述旋转特征图输入鉴别器神经网络,以分别获得所述第一耦合特征图与所述第三旋转特征图和后续的所述旋转特征图之间的鉴别器损失函数值;步骤7,以预设步长减小分别所述鉴别器损失函数值,并通过梯度下降的反向传播来迭代地更新所述第二卷积神经网络的参数;步骤8,对于所述多个旋转特征图中的第二旋转特征图和后续的所述旋转特征图,以步骤3至步骤7的方式迭代地更新所述第二卷积神经网络的参数直到完成所述多个旋转特征图的一个周期的更新;步骤9,将每个所述旋转特征图通过所述第二卷积神经网络所获得的耦合特征图以样本维度进行排列,以获得分类特征图;步骤10,将所述分类特征图通过分类器,以获得分类损失函数值;以及,步骤11,以预设步长减小所述分类损失函数值,并通过梯度下降的反向传播来更新所述第一卷积神经网络和所述第二卷积神经网络的参数。
图3图示了根据本申请实施例的用于智能转动性能检测的神经网络的训练方法的架构示意图。如图3所示,在所述用于智能转动性能检测的神经网络的训练方法的网络架构中,首先,将获取的高速转轴在高速转动过程中的多个图像(例如,如图3中所示意的IN1到INk)通过第一卷积神经网络(例如,如图3中所示意的CNN1)以获得多个旋转特征图(例如,如图3中所示意的Fr1、Fr2到Frk);接着,对于所述多个旋转特征图中的第一旋转特征图,将所述第一旋转特征图通过第二卷积神经网络(例如,如图3中所示意的CNN2)以获得第一耦合特征图(例如,如图3中所示意的Ft1);接着,将所述第一耦合特征图与所述多个旋转特征图中的第二旋转特征图输入鉴别器神经网络(例如,如图3中所示意的DNN),以获得所述第一耦合特征图与所述第二旋转特征图之间的鉴别器损失函数值(例如,如图3中所示意的D1);接着,以预设步长减小所述鉴别器损失函数值,并以梯度下降的反向传播来更新所述第二卷积神经网络的参数;接着,分别将所述第一耦合特征图与所述多个旋转特征图中的第三旋转特征图和后续的所述旋转特征图输入鉴别器神经网络,以分别获得所述第一耦合特征图与所述第三旋转特征图和后续的所述旋转特征图之间的鉴别器损失函数值(例如,如图3中所示意的D2到Dk-1);接着,以预设步长减小分别所述鉴别器损失函数值,并通过梯度下降的反向传播来迭代地更新所述第二卷积神经网络的参数直到完成所述多个旋转特征图的一个周期的更新;接着,将每个所述旋转特征图通过所述第二卷积神经网络所获得的耦合特征图(例如,如图3中所示意的Ft1到Ftk)以样本维度进行排列,以获得分类特征图(例如,如图3中所示意的Fc);进而,将所述分类特征图通过分类器(例如,如图3中所示意的分类器),以获得分类损失函数值;然后,以预设步长减小所述分类损失函数值,并通过梯度下降的反向传播来更新所述第一卷积神经网络和所述第二卷积神经网络的参数。
在步骤1中,通过摄像头获取高速转轴在高速转动过程中的多个图像,其中,所述多个图像中每个图像对应于所述高速转轴的不同的旋转角度。如前所述,在本申请的技术方案中,考虑通过基于深度学习的计算机视觉检测方案来捕捉高速转轴在高速转动过程中由微小的转动不均匀所导致的视觉方面的特征,从而提高高速转轴的转动性能的检测能力。具体地,在本申请实施例中,首先以摄像头采集高速转轴在高速转动过程中的多个图像,特别地,用于采集高速转轴在高速转动过程中的多个图像的摄像头为高速相机。
在步骤2中,将所述多个图像通过第一卷积神经网络,以获得对应于所述多个图像的多个旋转特征图。也就是,以第一卷积神经网络提取出所述高速转轴在高速转动过程中的多个图像中各张图像中的各高维特征。
特别地,所述第一卷积神经网络可采用深度残差神经网络,例如,ResNet50。本领域普通技术人员应知晓,相较于传统的卷积神经网络,深度残差网络为在传统卷积神经网络的基础上提出的一种优化网络结构,其主要解决在训练过程中的梯度消失的问题。深度残差网络引入了残差网络结构,通过残差网络结构可以把网络层弄得更深,并且,不会发生梯度消失的问题。残差网络借鉴了高速网络的跨层链接思想,其打破了传统的神经网络从N-1层的输入层只能给N层作为输入的惯例,使某一层的输出可以直接跨过几层作为后面某一层的输入,其意义在于为迭加多层网络而使得整个学习模型的错误率不降反升的难题提供了新的方向。
在步骤3中,对于所述多个旋转特征图中的第一旋转特征图,将所述第一旋转特征图通过第二卷积神经网络以获得第一耦合特征图。也就是,以第二卷积神经网络提取出所述第一旋转特征图中的各高维特征。本领域普通技术人员应了解,卷积神经网络在提取局部空间特征方面具有优异的性能表现。特别地,所述第二卷积神经网络可采用深度残差神经网络,例如,ResNet50。
在步骤4中,将所述第一耦合特征图与所述多个旋转特征图中的第二旋转特征图输入鉴别器神经网络,以获得所述第一耦合特征图与所述第二旋转特征图之间的鉴别器损失函数值。也就是,以对抗学习的思路,计算所述第一耦合特征图与所述第二旋转特征图之间的鉴别器损失函数值,并以此来训练所述第二卷积神经网络,使得其更加关注于图像中的与旋转有关的图像特征。
具体地,在本申请实施例中,将所述第一耦合特征图与所述多个旋转特征图中的第二旋转特征图输入鉴别器神经网络,以获得所述第一耦合特征图与所述第二旋转特征图之间的鉴别器损失函数值的过程,包括:首先,将所述第一耦合特征图输入所述鉴别器神经网络以获得第一特征图。这里,所述鉴别器神经网络包括预设数量的预设尺寸的卷积层,例如,4个2×2的卷积层,每个卷积层的步长为2,且4个卷积层的通道数分别为256、128、64和1,最后一层以sigmoid函数激活以保证输出在0到1的范围内。
接着,将所述第二旋转特征图输入所述鉴别器神经网络以获得第二特征图。也就是,同样将所述第二旋转特征图输入所述鉴别器神经网络,以提取出更高维度的隐含特征。
进而,基于所述第一特征图与所述第二特征图,计算所述鉴别器损失函数值。也就是,在本申请实施例中,基于所述第一特征图和所述第二特征图,计算所述鉴别器损失函数值的过程,包括:首先,确定所述第一特征图与所述第二特征图中的预定位置的值是否相同;然后,响应于所述第一特征图与所述第二特征图中的预定位置的值相同,计算所述预定位置的值的以二为底的对数值的负数值作为第一值;相反,响应于所述第一特征图与所述第二特征图中的预定位置的值不同,计算所述预定位置的值的以二为底的对数值作为第二值;进一步地,计算所述第一值按照值相同的位置的平均值和所述第二值按照值不同的位置的平均值之和作为所述鉴别器损失函数值。
图4图示了根据本申请实施例的用于智能转动性能检测的神经网络的训练方法中,将所述第一耦合特征图与所述多个旋转特征图中的第二旋转特征图输入鉴别器神经网络,以获得所述第一耦合特征图与所述第二特征图之间的鉴别器损失函数值的流程图。如图4所示,将所述第一耦合特征图与所述多个旋转特征图中的第二旋转特征图输入鉴别器神经网络,以获得所述第一耦合特征图与所述第二特征图之间的鉴别器损失函数值,包括:S210,将所述第一耦合特征图输入所述鉴别器神经网络以获得第一特征图;S220,将所述第二旋转特征图输入所述鉴别器神经网络以获得第二特征图;S230,确定所述第一特征图与所述第二特征图中的预定位置的值是否相同;S240,响应于所述第一特征图与所述第二特征图中的预定位置的值相同,计算所述预定位置的值的以二为底的对数值的负数值作为第一值;S250,响应于所述第一特征图与所述第二特征图中的预定位置的值不同,计算所述预定位置的值的以二为底的对数值作为第二值;以及,S260,计算所述第一值按照值相同的位置的平均值和所述第二值按照值不同的位置的平均值之和作为所述鉴别器损失函数值。
在步骤5中,以预设步长减小所述鉴别器损失函数值,并以梯度下降的反向传播来更新所述第二卷积神经网络的参数。应可以理解,通过鉴别器损失函数值更新第二卷积神经网络,意义是通过“欺骗”鉴别器来使得第二卷积神经网络提取出更加关注于图像中的与旋转有关的图像特征,以便将第一旋转特征图与第二旋转特征图之间的旋转特性耦合到第二卷积神经网络的参数中。
在步骤6中,分别将所述第一耦合特征图与所述多个旋转特征图中的第三旋转特征图和后续的所述旋转特征图输入鉴别器神经网络,以分别获得所述第一耦合特征图与所述第三旋转特征图和后续的所述旋转特征图之间的鉴别器损失函数值。也就是,以对抗学习的思路,计算所述第一耦合特征图与所述第三旋转特征图和后续的所述旋转特征图之间的鉴别器损失函数值,并以此来训练所述第二卷积神经网络,使得其更加关注于图像中的与旋转有关的图像特征。
在步骤7中,以预设步长减小分别所述鉴别器损失函数值,并通过梯度下降的反向传播来迭代地更新所述第二卷积神经网络的参数。也就是,通过“欺骗”鉴别器来使得第二卷积神经网络提取出更加关注于图像中的与旋转有关的图像特征,以便将第一旋转特征图与第三旋转特征图和后续的所述旋转特征图之间的旋转特性耦合到第二卷积神经网络的参数中。
在步骤8中,对于所述多个旋转特征图中的第二旋转特征图和后续的所述旋转特征图,以步骤3至步骤7的方式迭代地更新所述第二卷积神经网络的参数直到完成所述多个旋转特征图的一个周期的更新。应可以理解,对于第二旋转特征图和后续的旋转特征图,重复对于第一旋转特征图的更新第二卷积神经网络的步骤,以使得第二卷积神经网络能够充分学习各个旋转特征图之间的旋转特性。
在步骤9中,将每个所述旋转特征图通过所述第二卷积神经网络所获得的耦合特征图以样本维度进行排列,以获得分类特征图,也就是,在完成多个旋转特征图的一个周期的更新之后,将每个旋转特征图通过第二卷积神经网络之后的耦合特征图按样本维度排列。
在步骤10中,将所述分类特征图通过分类器,以获得分类损失函数值。也就是,采用解耦的方式,所述分类器包含编码器,所述编码器由卷积层、池化层或者全连接层构成。
具体地,在本申请实施例中,将所述分类特征图通过分类器,以获得分类损失函数值的过程,包括:首先,将所述分类特征图通过一个或多个全连接层,以获得分类特征向量,也就是,以一个或多个全连接层作为编码器对所述分类特征图进行编码以充分利用所述分类特征图中各个位置之间的关联信息,以获得分类特征向量。接着,将所述分类特征向量输入Softmax分类函数,以获得分类结果。然后,将分类结果和真实值输入损失函数,例如,交叉熵损失函数,以获得所述分类损失函数值。
图5图示了根据本申请实施例的用于智能转动性能检测的神经网络的训练方法中,将所述分类特征图通过分类器,以获得分类损失函数值的流程图。如图5所示,将所述分类特征图通过分类器,以获得分类损失函数值,包括:S310,将所述分类特征图通过一个或多个全连接层,以获得分类特征向量;S320,将所述分类特征向量输入Softmax分类函数,以获得分类结果;以及,S330,将分类结果和真实值输入损失函数,以获得所述分类损失函数值。
在步骤11中,以预设步长减小所述分类损失函数值,并通过梯度下降的反向传播来更新所述第一卷积神经网络和所述第二卷积神经网络的参数。
具体地,在本申请实施例中,以预设步长减小所述分类损失函数值,并通过梯度下降的反向传播来更新所述第一卷积神经网络和所述第二卷积神经网络的参数的过程,包括:以预设步长减小所述分类损失函数值,并通过梯度下降的反向传播来更新所述第一卷积神经网络、所述第二卷积神经网络和所述分类器的参数。也就是,第一卷积神经网络、所述第二卷积神经网络和所述分类器联合地进行训练,以加快训练速度。
根据本申请的另一方面,还提供了一种基于深度神经网络的智能转动性能检测方法。
图6图示了根据本申请实施例的基于深度神经网络的智能转动性能检测方法的流程图。如图6所示,根据本申请实施例的基于深度神经网络的智能转动性能检测方法,包括:S410,获取待检测的高速转轴在高速转动过程中的图像;S420,将所述待检测图像输入根据如上所述的用于智能转动性能检测的神经网络的训练方法所训练的第一卷积神经网络、第二卷积神经网络和分类器,所述分类器的输出表示对应于高速转轴转动均匀的第一概率和高速转轴转动不均匀的第二概率;以及,S430,基于所述第一概率和所述第二概率确定高速转轴的转动性能检测是否合格。
综上,本申请实施例的用于智能转动性能检测的神经网络的训练方法、基于深度神经网络的智能转动性能检测方法被阐明,其基于深度学习的计算机视觉检测方案来捕捉高速转轴在高速转动过程中由微小的转动不均匀所导致的视觉方面的特征,从而提高高速转轴的转动性能的检测能力。具体地,在训练过程中,采用类似于对抗生成模型的迁移学习的思路,将高速转轴在高速转动过程当中的多个图像在高维特征空间中的旋转弱变换通过迁移学习的方式耦合到高维图像空间中,从而转换为高维特征的强变换,以使得用于转动性能检测的神经网络能够充分学习各个旋转特征图之间的旋转特性,进而增强模型检测的准确性。
示例性系统
图7图示了根据本申请实施例的用于智能转动性能检测的神经网络的训练系统的框图。
如图7所示,根据本申请实施例的用于智能转动性能检测的神经网络的训练系统700,包括:图像获取单元710,用于执行步骤1:通过摄像头获取高速转轴在高速转动过程中的多个图像,其中,所述多个图像中每个图像对应于所述高速转轴的不同的旋转角度;旋转特征图生成单元720,用于执行步骤2:将所述图像获取单元710获得的所述多个图像通过第一卷积神经网络,以获得对应于所述多个图像的多个旋转特征图;第一耦合特征图生成单元730,用于执行步骤3:对于所述旋转特征图生成单元720获得的所述多个旋转特征图中的第一旋转特征图,将所述第一旋转特征图通过第二卷积神经网络以获得第一耦合特征图;第一鉴别器损失函数值生成单元740,用于执行步骤4:将所述第一耦合特征图生成单元730获得的所述第一耦合特征图与所述旋转特征图生成单元720获得的所述多个旋转特征图中的第二旋转特征图输入鉴别器神经网络,以获得所述第一耦合特征图与所述第二旋转特征图之间的鉴别器损失函数值;第一参数更新单元750,用于执行步骤5:以预设步长减小所述第一鉴别器损失函数值生成单元740获得的所述鉴别器损失函数值,并以梯度下降的反向传播来更新所述第二卷积神经网络的参数;第二鉴别器损失函数值生成单元760,用于执行步骤6:分别将所述第一耦合特征图生成单元730获得的所述第一耦合特征图与所述旋转特征图生成单元720获得的所述多个旋转特征图中的第三旋转特征图和后续的所述旋转特征图输入鉴别器神经网络,以分别获得所述第一耦合特征图与所述第三旋转特征图和后续的所述旋转特征图之间的鉴别器损失函数值;第二参数更新单元770,用于执行步骤7:以预设步长减小分别所述第二鉴别器损失函数值生成单元760获得的所述鉴别器损失函数值,并通过梯度下降的反向传播来迭代地更新所述第二卷积神经网络的参数;迭代更新单元780,用于执行步骤8:对于所述旋转特征图生成单元720获得的所述多个旋转特征图中的第二旋转特征图和后续的所述旋转特征图,以步骤3至步骤7的方式迭代地更新所述第二卷积神经网络的参数直到完成所述多个旋转特征图的一个周期的更新;分类特征图生成单元790,用于执行步骤9:将每个所述旋转特征图生成单元720获得的所述旋转特征图通过所述第二卷积神经网络所获得的耦合特征图以样本维度进行排列,以获得分类特征图;分类损失函数值生成单元800,用于执行步骤10:将所述分类特征图生成单元790获得的所述分类特征图通过分类器,以获得分类损失函数值;以及,第三参数更新单元810,用于执行步骤11:以预设步长减小所述分类损失函数值生成单元800获得的所述分类损失函数值,并通过梯度下降的反向传播来更新所述第一卷积神经网络和所述第二卷积神经网络的参数。
在一个示例中,在上述训练系统700中,如图8所示,所述第一鉴别器损失函数值生成单元740,包括:第一特征图生成子单元741,用于将所述第一耦合特征图输入所述鉴别器神经网络以获得第一特征图;第二特征图生成子单元742,用于将所述第二旋转特征图输入所述鉴别器神经网络以获得第二特征图;确定子单元743,用于确定所述第一特征图生成子单元741获得的所述第一特征图与所述第二特征图生成子单元742获得的所述第二特征图中的预定位置的值是否相同;第一值生成子单元744,用于响应于所述第一特征图生成子单元741获得的所述第一特征图与所述第二特征图生成子单元742获得的所述第二特征图中的预定位置的值相同,计算所述预定位置的值的以二为底的对数值的负数值作为第一值;第二值生成子单元745,用于响应于所述第一特征图生成子单元741获得的所述第一特征图与所述第二特征图生成子单元742获得的所述第二特征图中的预定位置的值不同,计算所述预定位置的值的以二为底的对数值作为第二值;以及,鉴别器损失函数值生成子单元746,用于计算所述第一值生成子单元744获得的所述第一值按照值相同的位置的平均值和所述第二值生成子单元745获得的所述第二值按照值不同的位置的平均值之和作为所述鉴别器损失函数值。
在一个示例中,在上述训练系统700中,所述鉴别器神经网络包括预设数量的预设尺寸的卷积层。
在一个示例中,在上述训练系统700中,如图9所示,所述分类损失函数值生成单元800,包括:分类特征向量生成子单元801,用于将所述分类特征图通过一个或多个全连接层,以获得分类特征向量;分类结果生成子单元802,用于将所述分类特征向量生成子单元801获得的所述分类特征向量输入Softmax分类函数,以获得分类结果;以及,损失函数计算子单元803,用于将所述分类结果生成子单元802获得的所述分类结果和真实值输入损失函数,以获得所述分类损失函数值。
在一个示例中,在上述训练系统700中,所述第三参数更新单元810,进一步用于:以预设步长减小所述分类损失函数值,并通过梯度下降的反向传播来更新所述第一卷积神经网络、所述第二卷积神经网络和所述分类器的参数。
在一个示例中,在上述训练系统700中,所述第一卷积神经网络和所述第二卷积神经网络为深度残差网络。
在一个示例中,在上述训练系统700中,用于采集高速转轴在高速转动过程中的多个图像的摄像头为高速相机。
这里,本领域技术人员可以理解,上述训练系统700中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的用于智能转动性能检测的神经网络的训练方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的训练系统700可以实现在各种终端设备中,例如用于高速转轴的转动性能检测的服务器等。在一个示例中,根据本申请实施例的训练系统700可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该训练系统700可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该训练系统700同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该训练系统700与该终端设备也可以是分立的设备,并且该训练系统700可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
根据本申请的另一方面,还提供了一种基于深度神经网络的智能转动性能检测系统。
图10图示了根据本申请实施例的基于深度神经网络的智能转动性能检测系统的框图。如图10所示,根据本申请实施例的基于深度神经网络的智能转动性能检测系统1000,包括:待检测图像获取单元1010,用于获取待检测的高速转轴在高速转动过程中的图像;分类单元1020,用于将所述待检测图像获取单元1010获得的所述待检测图像输入根据如上所述的用于智能转动性能检测的神经网络的训练方法所训练的第一卷积神经网络、第二卷积神经网络和分类器,所述分类器的输出表示对应于高速转轴转动均匀的第一概率和高速转轴转动不均匀的第二概率;以及,检测结果生成单元1030,用于基于所述分类单元1020获得的所述第一概率和所述第二概率生成高速转轴的转动性能检测是否合格的检测结果。
这里,本领域技术人员可以理解,上述智能检测系统1000中的各个单元和模块的具体功能和操作已经在上面参考图6的基于深度神经网络的智能转动性能检测方法描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的智能检测系统1000可以实现在各种终端设备中,例如用于高速转轴的转动性能的检测的服务器等。在一个示例中,根据本申请实施例的智能检测系统1000可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该智能检测系统1000可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该智能检测系统1000同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该智能检测系统1000与该终端设备也可以是分立的设备,并且该智能检测系统1000可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面,参考图11来描述根据本申请实施例的电子设备。
图11图示了根据本申请实施例的电子设备的框图。
如图11所示,电子设备包括10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的用于智能转动性能检测的神经网络的训练方法,或者,基于深度神经网络的智能转动性能检测方法的功能以及/或者其他期望的功能。
Claims (10)
1.一种用于智能转动性能检测的神经网络的训练方法,其特征在于,包括:
步骤1:通过摄像头获取高速转轴在高速转动过程中的多个图像,其中,所述多个图像中每个图像对应于所述高速转轴的不同的旋转角度;
步骤2:将所述多个图像通过第一卷积神经网络,以获得对应于所述多个图像的多个旋转特征图;
步骤3:对于所述多个旋转特征图中的第一旋转特征图,将所述第一旋转特征图通过第二卷积神经网络以获得第一耦合特征图;
步骤4:将所述第一耦合特征图与所述多个旋转特征图中的第二旋转特征图输入鉴别器神经网络,以获得所述第一耦合特征图与所述第二旋转特征图之间的鉴别器损失函数值;
步骤5:以预设步长减小所述鉴别器损失函数值,并以梯度下降的反向传播来更新所述第二卷积神经网络的参数;
步骤6:分别将所述第一耦合特征图与所述多个旋转特征图中的第三旋转特征图和后续的所述旋转特征图输入鉴别器神经网络,以分别获得所述第一耦合特征图与所述第三旋转特征图和后续的所述旋转特征图之间的鉴别器损失函数值;
步骤7:以预设步长减小分别所述鉴别器损失函数值,并通过梯度下降的反向传播来迭代地更新所述第二卷积神经网络的参数;
步骤8:对于所述多个旋转特征图中的第二旋转特征图和后续的所述旋转特征图,以步骤3至步骤7的方式迭代地更新所述第二卷积神经网络的参数直到完成所述多个旋转特征图的一个周期的更新;
步骤9:将每个所述旋转特征图通过所述第二卷积神经网络所获得的耦合特征图以样本维度进行排列,以获得分类特征图;
步骤10:将所述分类特征图通过分类器,以获得分类损失函数值;以及
步骤11:以预设步长减小所述分类损失函数值,并通过梯度下降的反向传播来更新所述第一卷积神经网络和所述第二卷积神经网络的参数。
2.根据权利要求1所述的用于智能转动性能检测的神经网络的训练方法,其中,步骤4:将所述第一耦合特征图与所述多个旋转特征图中的第二旋转特征图输入鉴别器神经网络,以获得所述第一耦合特征图与所述第二旋转特征图之间的鉴别器损失函数值,包括:
将所述第一耦合特征图输入所述鉴别器神经网络以获得第一特征图;
将所述第二旋转特征图输入所述鉴别器神经网络以获得第二特征图;
确定所述第一特征图与所述第二特征图中的预定位置的值是否相同;
响应于所述第一特征图与所述第二特征图中的预定位置的值相同,计算所述预定位置的值的以二为底的对数值的负数值作为第一值;
响应于所述第一特征图与所述第二特征图中的预定位置的值不同,计算所述预定位置的值的以二为底的对数值作为第二值;以及
计算所述第一值按照值相同的位置的平均值和所述第二值按照值不同的位置的平均值之和作为所述鉴别器损失函数值。
3.根据权利要求2所述的用于智能转动性能检测的神经网络的训练方法,其中,所述鉴别器神经网络包括预设数量的预设尺寸的卷积层。
4.根据权利要求1所述的用于智能转动性能检测的神经网络的训练方法,其中,步骤10:将所述分类特征图通过分类器,以获得分类损失函数值,包括:
将所述分类特征图通过一个或多个全连接层,以获得分类特征向量;
将所述分类特征向量输入Softmax分类函数,以获得分类结果;以及
将分类结果和真实值输入损失函数,以获得所述分类损失函数值。
5.根据权利要求1所述的用于智能转动性能检测的神经网络的训练方法,其中,步骤11:以预设步长减小所述分类损失函数值,并通过梯度下降的反向传播来更新所述第一卷积神经网络和所述第二卷积神经网络的参数,包括:
以预设步长减小所述分类损失函数值,并通过梯度下降的反向传播来更新所述第一卷积神经网络、所述第二卷积神经网络和所述分类器的参数。
6.根据权利要求1所述的用于智能转动性能检测的神经网络的训练方法,其中,所述第一卷积神经网络和所述第二卷积神经网络为深度残差网络。
7.根据权利要求1所述的用于智能转动性能检测的神经网络的训练方法,其中,用于采集高速转轴在高速转动过程中的多个图像的摄像头为高速相机。
8.一种基于深度神经网络的智能转动性能检测方法,其特征在于,包括:
获取待检测的高速转轴在高速转动过程中的图像;
将所述待检测图像输入根据如权利要求1到7中任意一项所述的用于智能转动性能检测的神经网络的训练方法所训练的第一卷积神经网络、第二卷积神经网络和分类器,所述分类器的输出表示对应于高速转轴转动均匀的第一概率和高速转轴转动不均匀的第二概率;以及
基于所述第一概率和所述第二概率确定高速转轴的转动性能检测是否合格。
9.一种用于智能转动性能检测的神经网络的训练系统,其特征在于,包括:
图像获取单元,用于执行步骤1:通过摄像头获取高速转轴在高速转动过程中的多个图像,其中,所述多个图像中每个图像对应于所述高速转轴的不同的旋转角度;
旋转特征图生成单元,用于执行步骤2:将所述图像获取单元获得的所述多个图像通过第一卷积神经网络,以获得对应于所述多个图像的多个旋转特征图;
第一耦合特征图生成单元,用于执行步骤3:对于所述旋转特征图生成单元获得的所述多个旋转特征图中的第一旋转特征图,将所述第一旋转特征图通过第二卷积神经网络以获得第一耦合特征图;
第一鉴别器损失函数值生成单元,用于执行步骤4:将所述第一耦合特征图生成单元获得的所述第一耦合特征图与所述旋转特征图生成单元获得的所述多个旋转特征图中的第二旋转特征图输入鉴别器神经网络,以获得所述第一耦合特征图与所述第二旋转特征图之间的鉴别器损失函数值;
第一参数更新单元,用于执行步骤5:以预设步长减小所述第一鉴别器损失函数值生成单元获得的所述鉴别器损失函数值,并以梯度下降的反向传播来更新所述第二卷积神经网络的参数;
第二鉴别器损失函数值生成单元,用于执行步骤6:分别将所述第一耦合特征图生成单元获得的所述第一耦合特征图与所述旋转特征图生成单元获得的所述多个旋转特征图中的第三旋转特征图和后续的所述旋转特征图输入鉴别器神经网络,以分别获得所述第一耦合特征图与所述第三旋转特征图和后续的所述旋转特征图之间的鉴别器损失函数值;
第二参数更新单元,用于执行步骤7:以预设步长减小分别所述第二鉴别器损失函数值生成单元获得的所述鉴别器损失函数值,并通过梯度下降的反向传播来迭代地更新所述第二卷积神经网络的参数;
迭代更新单元,用于执行步骤8:对于所述旋转特征图生成单元获得的所述多个旋转特征图中的第二旋转特征图和后续的所述旋转特征图,以步骤3至步骤7的方式迭代地更新所述第二卷积神经网络的参数直到完成所述多个旋转特征图的一个周期的更新;
分类特征图生成单元,用于执行步骤9:将每个所述旋转特征图生成单元获得的所述旋转特征图通过所述第二卷积神经网络所获得的耦合特征图以样本维度进行排列,以获得分类特征图;
分类损失函数值生成单元,用于执行步骤10:将所述分类特征图生成单元获得的所述分类特征图通过分类器,以获得分类损失函数值;以及
第三参数更新单元,用于执行步骤11:以预设步长减小所述分类损失函数值生成单元获得的所述分类损失函数值,并通过梯度下降的反向传播来更新所述第一卷积神经网络和所述第二卷积神经网络的参数。
10.一种电子设备,包括:
处理器;以及
存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-7中任一项所述的用于智能转动性能检测的神经网络的训练方法或者如权利要求8所述的基于深度神经网络的智能转动性能检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110155198.0A CN112766465A (zh) | 2021-02-04 | 2021-02-04 | 用于智能转动性能检测的神经网络的训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110155198.0A CN112766465A (zh) | 2021-02-04 | 2021-02-04 | 用于智能转动性能检测的神经网络的训练方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112766465A true CN112766465A (zh) | 2021-05-07 |
Family
ID=75704976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110155198.0A Withdrawn CN112766465A (zh) | 2021-02-04 | 2021-02-04 | 用于智能转动性能检测的神经网络的训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766465A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807459A (zh) * | 2021-09-27 | 2021-12-17 | 深圳蓝宝利电子有限公司 | 感应开关控制方法、系统和电子设备 |
-
2021
- 2021-02-04 CN CN202110155198.0A patent/CN112766465A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807459A (zh) * | 2021-09-27 | 2021-12-17 | 深圳蓝宝利电子有限公司 | 感应开关控制方法、系统和电子设备 |
CN113807459B (zh) * | 2021-09-27 | 2023-11-07 | 深圳蓝宝利电子有限公司 | 感应开关控制方法、系统和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Messikommer et al. | Event-based asynchronous sparse convolutional networks | |
CN109543502B (zh) | 一种基于深度多尺度神经网络的语义分割方法 | |
WO2022017245A1 (zh) | 一种文本识别网络、神经网络训练的方法以及相关设备 | |
US20220215259A1 (en) | Neural network training method, data processing method, and related apparatus | |
Liu et al. | Weakly supervised 3d scene segmentation with region-level boundary awareness and instance discrimination | |
CN111382868A (zh) | 神经网络结构搜索方法和神经网络结构搜索装置 | |
CN113095370B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
Dang | Smart attendance system based on improved facial recognition | |
Abdulnabi et al. | Multimodal recurrent neural networks with information transfer layers for indoor scene labeling | |
CN112529068B (zh) | 一种多视图图像分类方法、系统、计算机设备和存储介质 | |
CN116704431A (zh) | 水污染的在线监测系统及其方法 | |
Fan | Research and realization of video target detection system based on deep learning | |
CN111079930A (zh) | 数据集质量参数的确定方法、装置及电子设备 | |
CN114332075A (zh) | 基于轻量化深度学习模型的结构缺陷快速识别与分类方法 | |
CN112766465A (zh) | 用于智能转动性能检测的神经网络的训练方法 | |
CN110889290B (zh) | 文本编码方法和设备、文本编码有效性检验方法和设备 | |
Wu et al. | Channel‐wise attention model‐based fire and rating level detection in video | |
Wang et al. | Multiscale anchor box and optimized classification with faster R‐CNN for object detection | |
Hou et al. | The recognition of multi-components signals based on semantic segmentation | |
CN112884145A (zh) | 用于数据中心的智能散热效果检测的神经网络的训练方法 | |
WO2022127819A1 (en) | Sequence processing for a dataset with frame dropping | |
Sun et al. | MPI: Multi‐receptive and parallel integration for salient object detection | |
CN112380369B (zh) | 图像检索模型的训练方法、装置、设备和存储介质 | |
CN115512100A (zh) | 基于多尺度特征提取与融合的点云分割方法、装置及介质 | |
Zhang et al. | MTSCANet: Multi temporal resolution temporal semantic context aggregation network |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210507 |
|
WW01 | Invention patent application withdrawn after publication |