CN112819077A - 基于新型激活函数的高光谱图像分类方法 - Google Patents
基于新型激活函数的高光谱图像分类方法 Download PDFInfo
- Publication number
- CN112819077A CN112819077A CN202110150910.8A CN202110150910A CN112819077A CN 112819077 A CN112819077 A CN 112819077A CN 202110150910 A CN202110150910 A CN 202110150910A CN 112819077 A CN112819077 A CN 112819077A
- Authority
- CN
- China
- Prior art keywords
- activation function
- hyperspectral image
- feature
- random block
- layer
- 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
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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Abstract
本发明提供了基于新型激活函数的高光谱图像分类方法,在随机块网络的每一层中对高光谱数据集进行降维和白化操作,并获取特征矩阵,并利用s‑ReLu修正线性单元激活函数获取特征图,最终对归一化后的特征融合图像进行地物分类,获取分类结果图;本发明通过使用softsign激活函数优化了ReLu激活函数的线性单元,得到新的s‑ReLu修正线性单元激活函数,使得值域在0‑0.5时更加平滑灵活度更高,优化了其它激活函数不能更好的为像素点提供恰当的特征激活问题,从而提升特征的表达能力,提高了分类模型的分类精度。
Description
技术领域
本发明涉及图像处理与计算机视觉研究领域,尤其涉及基于新型激活函数的高光谱图像分类方法。
背景技术
近年来,高光谱图像(Hyperspectral Image,HSI)成像技术在诸多领域取得了突破性的成果,在农业、矿物学、环境监测和天文学等领域具有广泛的应用。而在实际应用中,对地物分类精度的要求也越来越高。例如精准农业,为了精准施肥和准确估产,要求对农作物种类进行精细分类;又如精准林业,为了实现精准检测、精准管理、精准采育等目标,要求按树种对森林区域进行高精度的分类。因此,如何提高HIS模型的分类精度以及成为一个关键性问题。
在深度学习的HSI分类模型中,激活函数起着决定性的作用,能够对提取的特征图进行激活,提高特征图的特征稀疏性、增强特征的表现能力,从而提高分类精度。修正线性单元的非线性激活函数以简洁、收敛速度快等特点,受到了越来越多的研究者们青睐。与传统的激活函数相比,修正线性单元激活函数具有以下三个优势:一是普适性,无需多层线性网络叠加表达出非线性特征,可使用于浅层网络和深层网络;二是稀疏性,在大于0的梯度为常数,所以不会产生梯度弥散现象,在负半区的导数为0,神经元不会经历训练,即所谓的稀疏性;三是灵活性,对正激活状态的像素点提供更加恰当的特征激活。
长久以来随着机器学习和深度学习的不断发展,常用的激活函数可分为以下三种,第一种是sigmoid和tanh激活函数,两个都为S型饱和函数,当输入趋近于正负无穷时,容易发生梯度弥散的现象;第二种为softsign激活函数,softsign是tanh函数的改进版本,值域为(-1,1),以零点为中心,该函数曲线更加平缓,能够缓解梯度消失的问题;第三种为ReLu激活函数,ReLu激活函数更加简洁和收敛速度更快,且导数恒为1不会发生梯度弥散的情况,但梯度较大的神经元经过时可能会发生神经元的“坏死”情况。
发明内容
本发明的目的在于提供基于新型激活函数的高光谱图像分类方法,用以解决背景技术中所述的现有的激活函数存在的缺陷。
为了实现上述目的,本发明采用以下技术方案:
基于新型激活函数的高光谱图像分类方法,包括以下步骤:
步骤1:设置随机块网络参数;
具体的,设置随机块的数量k、大小w、主成分的数量P和网络层数L;
步骤2:加载高光谱图像数据集;
具体的,使用matlab软件中自带函数load加载用于分类的高光谱图像数据集;
步骤3:对高光谱图像数据集进行PCA降维和白化操作,并将进行PCA降维和白化操作后的高光谱图像数据集输入随机块网络的第一层;
具体的,高光谱图像数据集为矩阵形式,对高光谱图像数据集进行PCA降维,只保留前P个主成分;然后对于降维后的高光谱图像数据集进行白化操作,得到白化后的高光谱图像数据集,然后将白化后的高光谱图像数据集输入随机块网络的第一层;
步骤4:在随机块网络的第一层对白化后的高光谱图像数据集进行随机投影,选取随机块;并提取图像特征;
具体的,随机选择k个像素,在每个像素周围,取一个随机块,得到k个随机块;利用k个随机块作为卷积核,对步骤3中白化后的高光谱图像数据集进行卷积,提取图像特征,并将提取后的图像特征存入特征矩阵Z(1);
步骤5:对Z(1)进行PCA降维和白化操作,依次输入随机块网络的第二层至第i层,并在随机块网络的每一层提取图像特征,将上一层输出的特征矩阵作为输入,输入下一层随机块网络,特征矩阵Z(i)输入下一层随机块网络前,均进行PCA降维和白化操作,i为随机块网络当前的层数值;
步骤6:判断当前层数i是否小于随机块网络的网络层数L,若小于网络层数L,循环执行步骤5,更新特征矩阵Z(i),若i不小于网络层数L,则停止更新;
步骤7:利用激活函数对随机块网络每一层输出的特征矩阵图像特征进行特征激活,得到激活后的特征图;
具体的,所述的激活函数为s-ReLu修正线性单元激活函数,其定义为:
F(x)=max(0,x-softsign(x));
其中,x为特征矩阵中输入的激活值,softsign(x)为softsign激活函数,max(0,x)为ReLu激活函数;
步骤8:利用随机块网络对步骤7中的激活后的特征图进行特征融合,得到特征融合后的图像;
步骤9:对特征融合后的图像归一化处理,以使得随机块网络每层输出的特征矩阵处于同一数量级;
步骤10:利用SVM分类器对归一化后的特征融合后的图像进行地物分类;
步骤11:创建新的二维矩阵,用于记录归一化后的特征融合后的图像的像素点所属的地物类别,输出分类结果图。
采用如下方法得到步骤7中所述的s-ReLu修正线性单元激活函数:
步骤7.1:分别定义ReLu和softsign激活函数,其中
ReLu激活函数为:ReLu(x)=max(0,x),其中x为特征矩阵中输入的激活值;
步骤7.2:定义s-ReLu修正线性单元激活函数:F(x)=max(0,x-softsign(x)),其中x为特征矩阵中输入的激活值。
步骤1中,所述的随机块的数量k为20、大小w为21、主成分的数量P为3,网络层数L为8。
步骤4中,对于分布在高光谱图像数据集边缘的像素,通过镜像高光谱图像数据集来填充近邻的空白像素。
本发明的有益效果:
本发明所述的基于新型激活函数的高光谱图像分类方法,通过使用softsign激活函数优化了ReLu激活函数的线性单元,得到新的s-ReLu修正线性单元激活函数,使得值域在0-0.5时更加平滑灵活度更高,优化了其它激活函数不能更好的为像素点提供恰当的特征激活问题,从而提升特征的表达能力,提高了分类模型的分类精度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为ReLu激活函数、softsign激活函数和s-ReLu修正线性单元激活函数的函数曲线图;
图2为本发明和现有分类方法对两种不同的高光谱图像数据集的分类结果对比示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明所述的基于新型激活函数的高光谱图像分类方法,包括以下步骤:
步骤1:设置随机块网络参数;
具体的,设置随机块的数量k、大小w、主成分的数量P和网络层数L;本发明中,所述的随机块的数量k为20、大小w为21、主成分的数量P为3,网络层数L为8;
步骤2:加载高光谱图像数据集;
具体的,使用matlab软件中自带函数load加载用于分类的高光谱图像数据集;
步骤3:对高光谱图像数据集进行PCA降维和白化操作,并将进行PCA降维和白化操作后的高光谱图像数据集输入随机块网络的第一层;
具体的,高光谱图像数据集为矩阵形式,对高光谱图像数据集进行PCA降维,只保留前P个主成分;然后对于降维后的高光谱图像数据集进行白化操作,使不同波段的方差相近,降低不同波段之间的相关性,以便于图像分类任务的完成,进而得到白化后的高光谱图像数据集,然后将白化后的高光谱图像数据集输入随机块网络的第一层;
步骤4:在随机块网络的第一层对白化后的高光谱图像数据集进行随机投影,选取随机块;并提取图像特征;
具体的,随机选择k个像素,在每个像素周围,取一个随机块,得到k个随机块;进一步的,对于分布在高光谱图像数据集边缘的像素,通过镜像高光谱图像数据集来填充近邻的空白像素;然后利用k个随机块作为卷积核,对步骤3中白化后的高光谱图像数据集进行卷积,提取图像特征,并将提取后的图像特征存入特征矩阵Z(1);
步骤5:对Z(1)进行PCA降维和白化操作,依次输入随机块网络的第二层至第i层,并在随机块网络的每一层提取图像特征,将上一层输出的特征矩阵作为输入,输入下一层随机块网络,特征矩阵Z(i)输入下一层随机块网络前,均进行PCA降维和白化操作,i为随机块网络当前的层数值;
步骤6:判断当前层数i是否小于随机块网络的网络层数L,若小于网络层数L,循环执行步骤5,更新特征矩阵Z(i),若i不小于网络层数L,则停止更新;
步骤7:利用激活函数对随机块网络每一层输出的特征矩阵图像特征进行特征激活,得到激活后的特征图;
具体的,所述的激活函数为s-ReLu修正线性单元激活函数,其定义为:
F(x)=max(0,x-softsign(x));
其中,x为特征矩阵中输入的激活值,softsign(x)为softsign激活函数,max(0,x)为ReLu激活函数;
如图1所示:进一步的,采用如下方法得到所述的s-ReLu修正线性单元激活函数:
步骤7.1:分别定义ReLu和softsign激活函数,其中
ReLu激活函数为:ReLu(x)=max(0,x),其中x为特征矩阵中输入的激活值;ReLu激活函数为线性激活函数,对特征矩阵中输入的激活值x与0对比,取二者最大值,ReLU激活函数能够将特征矩阵内所有负值都设为零,其余的值不变;
步骤7.2:定义s-ReLu修正线性单元激活函数:F(x)=max(0,x-softsign(x)),其中x为特征矩阵中输入的激活值。
s-ReLu修正线性单元激活函数,对特征矩阵输入的激活值x先通过softsign激活函数计算,将激活值x压缩到(-1,1)之间,即先缓解梯度消失的问题,再使用原x值减去softsign激活后的值,去优化ReLu的线性单元,增加s-ReLu的灵活度,进而能够更好的为像素点进行特征激活,达到增大特征稀疏性;
步骤8:利用随机块网络对步骤7中的激活后的特征图进行特征融合,得到特征融合后的图像;即使用全连接层对激活后的特征图进行融合,以融合浅层的光谱信息特征和深层的抽象信息特征;
步骤9:对特征融合后的图像归一化处理,以使得随机块网络每层输出的特征矩阵处于同一数量级,以便于进行图像分类;
步骤10:利用SVM分类器对归一化后的特征融合后的图像进行地物分类;
步骤11:创建新的二维矩阵,用于记录归一化后的特征融合后的图像的像素点所属的地物类别,输出分类结果图。
如图2所示:使用本发明对两种不同的高光谱图像数据集进行分类时,本发明标记的分类结果图中边缘清晰,内部没有较大噪声,证明了本发明的所述的s-ReLu修正线性单元激活函数在随机块网络中对高光谱图像分类能达到最好的实验效果,对两个不同数据集的分类精度分别提升了1.79%和0.35%。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (4)
1.基于新型激活函数的高光谱图像分类方法,其特征在于,包括以下步骤:
步骤1:设置随机块网络参数;
具体的,设置随机块的数量k、大小w、主成分的数量P和网络层数L;
步骤2:加载高光谱图像数据集;
具体的,使用matlab软件中自带函数load加载用于分类的高光谱图像数据集;
步骤3:对高光谱图像数据集进行PCA降维和白化操作,并将进行PCA降维和白化操作后的高光谱图像数据集输入随机块网络的第一层;
具体的,高光谱图像数据集为矩阵形式,对高光谱图像数据集进行PCA降维,只保留前P个主成分;然后对于降维后的高光谱图像数据集进行白化操作,得到白化后的高光谱图像数据集,然后将白化后的高光谱图像数据集输入随机块网络的第一层;
步骤4:在随机块网络的第一层对白化后的高光谱图像数据集进行随机投影,选取随机块;并提取图像特征;
具体的,随机选择k个像素,在每个像素周围,取一个随机块,得到k个随机块;利用k个随机块作为卷积核,对步骤3中白化后的高光谱图像数据集进行卷积,提取图像特征,并将提取后的图像特征存入特征矩阵Z(1);
步骤5:对Z(1)进行PCA降维和白化操作,依次输入随机块网络的第二层至第i层,并在随机块网络的每一层提取图像特征,将上一层输出的特征矩阵作为输入,输入下一层随机块网络,特征矩阵Z(i)输入下一层随机块网络前,均进行PCA降维和白化操作,i为随机块网络当前的层数值;
步骤6:判断当前层数i是否小于随机块网络的网络层数L,若小于网络层数L,循环执行步骤5,更新特征矩阵Z(i),若i不小于网络层数L,则停止更新;
步骤7:利用激活函数对随机块网络每一层输出的特征矩阵图像进行特征激活,得到激活后的特征图;
具体的,所述的激活函数为s-ReLu修正线性单元激活函数,其定义为:
F(x)=max(0,x-softsign(x));
其中,x为特征矩阵中输入的激活值,softsign(x)为softsign激活函数,max(0,x)为ReLu激活函数;
步骤8:利用随机块网络对步骤7中的激活后的特征图进行特征融合,得到特征融合后的图像;
步骤9:对特征融合后的图像归一化处理,以使得随机块网络每层输出的特征矩阵处于同一数量级;
步骤10:利用SVM分类器对归一化后的特征融合图像进行地物分类;
步骤11:创建新的二维矩阵,用于记录归一化后的特征融合后的图像的像素点所属的地物类别,输出分类结果图。
3.根据权利要求1所述的基于新型激活函数的高光谱图像分类方法,其特征在于:步骤1中,所述的随机块的数量k为20、大小w为21、主成分的数量P为3,网络层数L为8。
4.根据权利要求1所述的基于新型激活函数的高光谱图像分类方法,其特征在于:步骤4中,对于分布在高光谱图像数据集边缘的像素,通过镜像高光谱图像数据集来填充近邻的空白像素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110150910.8A CN112819077B (zh) | 2021-02-02 | 2021-02-02 | 基于新型激活函数的高光谱图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110150910.8A CN112819077B (zh) | 2021-02-02 | 2021-02-02 | 基于新型激活函数的高光谱图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112819077A true CN112819077A (zh) | 2021-05-18 |
CN112819077B CN112819077B (zh) | 2023-04-07 |
Family
ID=75861052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110150910.8A Active CN112819077B (zh) | 2021-02-02 | 2021-02-02 | 基于新型激活函数的高光谱图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112819077B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114187479A (zh) * | 2021-12-28 | 2022-03-15 | 河南大学 | 一种基于空谱特征联合的高光谱图像分类方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016091017A1 (zh) * | 2014-12-09 | 2016-06-16 | 山东大学 | 一种高光谱图像分类中光谱向量互相关特征的抽取方法 |
CN108256582A (zh) * | 2018-01-22 | 2018-07-06 | 深圳信息职业技术学院 | 随机块模型的训练方法、装置及终端设备 |
CN108364278A (zh) * | 2017-12-21 | 2018-08-03 | 中国石油大学(北京) | 一种岩心裂缝提取方法和系统 |
CN109242859A (zh) * | 2018-08-07 | 2019-01-18 | 河海大学 | 基于多层感知器的遥感影像分割方法 |
CN110110596A (zh) * | 2019-03-29 | 2019-08-09 | 西北大学 | 高光谱图像特征提取、分类模型构建及分类方法 |
CN111079850A (zh) * | 2019-12-20 | 2020-04-28 | 烟台大学 | 波段显著度的深度空谱联合高光谱图像分类方法 |
CN111738268A (zh) * | 2020-07-22 | 2020-10-02 | 浙江大学 | 一种基于随机块的高分遥感图像的语义分割方法及系统 |
-
2021
- 2021-02-02 CN CN202110150910.8A patent/CN112819077B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016091017A1 (zh) * | 2014-12-09 | 2016-06-16 | 山东大学 | 一种高光谱图像分类中光谱向量互相关特征的抽取方法 |
CN108364278A (zh) * | 2017-12-21 | 2018-08-03 | 中国石油大学(北京) | 一种岩心裂缝提取方法和系统 |
CN108256582A (zh) * | 2018-01-22 | 2018-07-06 | 深圳信息职业技术学院 | 随机块模型的训练方法、装置及终端设备 |
CN109242859A (zh) * | 2018-08-07 | 2019-01-18 | 河海大学 | 基于多层感知器的遥感影像分割方法 |
CN110110596A (zh) * | 2019-03-29 | 2019-08-09 | 西北大学 | 高光谱图像特征提取、分类模型构建及分类方法 |
CN111079850A (zh) * | 2019-12-20 | 2020-04-28 | 烟台大学 | 波段显著度的深度空谱联合高光谱图像分类方法 |
CN111738268A (zh) * | 2020-07-22 | 2020-10-02 | 浙江大学 | 一种基于随机块的高分遥感图像的语义分割方法及系统 |
Non-Patent Citations (3)
Title |
---|
ZHUANG KANG 等: "An Automatic Garbage Classification System Based on Deep Learning", 《IEEE ACCESS》 * |
王红霞 等: "用于图像分类的卷积神经网络中激活函数的设计", 《浙江大学学报(工学版)》 * |
董元 等: "基于高光谱遥感的露天矿分层识别", 《矿业研究与开发》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114187479A (zh) * | 2021-12-28 | 2022-03-15 | 河南大学 | 一种基于空谱特征联合的高光谱图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112819077B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020238293A1 (zh) | 图像分类方法、神经网络的训练方法及装置 | |
CN112446476A (zh) | 神经网络模型压缩的方法、装置、存储介质和芯片 | |
CN111507319A (zh) | 一种基于深度融合卷积网络模型的农作物病害识别方法 | |
CN111860046B (zh) | 一种改进MobileNet模型的人脸表情识别方法 | |
Li et al. | A spectral-spatial kernel-based method for hyperspectral imagery classification | |
Yang et al. | Down image recognition based on deep convolutional neural network | |
CN112819077B (zh) | 基于新型激活函数的高光谱图像分类方法 | |
Cortes | Plant disease classification using convolutional networks and generative adverserial networks | |
Jasitha et al. | Venation based plant leaves classification using GoogLeNet and VGG | |
CN112529045A (zh) | 一种与电力系统有关的天气图像识别方法、设备及介质 | |
CN116758609A (zh) | 一种基于特征模型改进的轻量化人脸识别方法 | |
CN112380917A (zh) | 一种用于农作物病虫害检测的无人机 | |
Chethan et al. | Mobile application for classification of plant leaf diseases using image processing and neural networks | |
Luan et al. | Sunflower seed sorting based on convolutional neural network | |
Dalal et al. | A novel approach of face recognition using optimized adaptive illumination–normalization and KELM | |
Liu et al. | DS-MENet for the classification of citrus disease | |
Zebari et al. | Efficient CNN Approach for Facial Expression Recognition | |
CN115019215B (zh) | 一种基于高光谱图像的大豆病虫害识别方法和装置 | |
CN110175509B (zh) | 一种基于级联超分辨率的全天候眼周识别方法 | |
Feng et al. | Study on the optimization of CNN based on image identification | |
Wakhare et al. | Using Image Processing and Deep Learning Techniques Detect and Identify Pomegranate Leaf Diseases | |
Sun et al. | Randomized nonlinear two-dimensional principal component analysis network for object recognition | |
Sangamesh et al. | A Novel Approach for Recognition of Face by Using Squeezenet Pre-Trained Network | |
Al-Tuwaijari et al. | Deep Learning Techniques Toward Advancement of Plant Leaf Diseases Detection | |
Rout et al. | A deep learning approach for SAR image fusion |
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 |