CN112990270A - 一种传统特征与深度特征的自动融合方法 - Google Patents

一种传统特征与深度特征的自动融合方法 Download PDF

Info

Publication number
CN112990270A
CN112990270A CN202110183028.3A CN202110183028A CN112990270A CN 112990270 A CN112990270 A CN 112990270A CN 202110183028 A CN202110183028 A CN 202110183028A CN 112990270 A CN112990270 A CN 112990270A
Authority
CN
China
Prior art keywords
features
feature
depth
fusion
traditional
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
Application number
CN202110183028.3A
Other languages
English (en)
Other versions
CN112990270B (zh
Inventor
黄成斌
陈伟婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China Normal University
Original Assignee
East China Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by East China Normal University filed Critical East China Normal University
Priority to CN202110183028.3A priority Critical patent/CN112990270B/zh
Publication of CN112990270A publication Critical patent/CN112990270A/zh
Application granted granted Critical
Publication of CN112990270B publication Critical patent/CN112990270B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Optimization (AREA)
  • Molecular Biology (AREA)
  • Mathematical Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种传统特征与深度特征的自动融合方法，包括如下步骤：1.提取传统特征：结合目标任务，利用常规特征工程方法，提取适合于刻画所分析数据的特征；2.将传统特征转换成GBDT模型的叶子索引特征。输入步骤一提取的特征到训练好的梯度提升树模型中提取样本的叶子节点索引特征；叶子节点索引特征被视作类别特征，有n棵树就会有n个类别特征；3.通过增强型DNN实现深度特征的自动提取，稀疏类别特征的转换以及特征的自动融合；具体包含深度特征提取步骤、稀疏类别特征的转换步骤和特征融合步骤。本发明有效融合传统特征工程和深度学习自动提取特征，从而提高分类或回归任务的准确率。

Description

一种传统特征与深度特征的自动融合方法
技术领域
本发明属于模式识别、机器学习、人工智能领域，涉及特征提取及融合技术，尤其涉及一种传统特征与深度特征的自动融合方法。
背景技术
目前机器学习方法在图像识别、语音识别、医学诊断等众多领域已经有了很广泛的应用。在一个机器学习领域的分类任务中，其解决方法可以根据特征提取方式分为传统的特征工程方法和深度学习方法。
传统特征工程方法依赖于一定的专家经验知识和人工设计进行特征提取，并借助分类器进行分类。比如在医学诊断领域，从EEG信号中提取频谱、时域和时频域特征，并使用支持向量机[1]检测惊厥；在图像识别领域，使用SIFT特征用于视图匹配或图像识别等问题[2]。深度学习方法则通过构建深度神经网络来自动提取特征，且通常直接对其进行分类，实现端到端的分类。比如在医学诊断领域，直接用较深的卷积神经网络进行惊厥检测[3]；在图像识别领域，Resnet网络在多个图像识别数据集上有着惊人的成就[4]。
早期的工作通过传统特征工程方法实现。近些年来，随着深度学习技术的发展及其在众多领域的良好表现，越来越多的工作采用深度学习方法。但深度学习需要大量的数据支撑，且专家的经验在医学诊断等领域具有极其重要的意义。将深度学习和传统特征工程相结合，结合两者的优点可以获得更好的分类效果。
有学者提出了一些将传统特征和深度特征相结合的方法。但是这些方法都各自有一些缺点，且无法实现特征的自动融合。第一种方法是将传统特征送入深度神经网络(DeepNeural Networks,DNN)进一步提取深度特征[5]，但提取传统特征时容易忽略部分重要信息且部分特征难以被直观地提取出来。第二种方法是在DNN倒数第二层中将传统特征和深度特征直接连接起来[6]。但是，由于传统特征大多是连续的数值特征，简单的特征拼接下，DNN很难从传统特征中提取出有用的信息[7]。除此之外，当模型包含太多传统特征时，模型容易过度拟合训练集。
发明内容
本发明的目的是提供一种将传统特征工程与深度学习相结合的特征提取方法，实现传统特征与深度特征的自动融合。
一种传统特征与深度特征的自动融合方法主要包括如下步骤：
步骤一，提取传统特征：结合目标任务，利用常规特征工程方法，根据经验提取适合于刻画所分析数据的特征。
步骤二，将传统特征转换成GBDT模型的叶子索引特征。输入步骤一提取的特征到训练好的梯度提升树模型(Gradientboostingdecisiontree,GBDT)中提取样本的叶子节点索引特征。叶子节点索引特征被视作类别特征，有n棵树就会有n个类别特征。构建GBDT模型时需要使用训练样本，并基于步骤一提取的传统特征进行训练；训练时需要根据经验提前设置好树的数量和树的深度。
可选地，本发明中利用python中的GradientBoostingClassifier类实例化GBDT模型。GradientBoostingClassifier类在sklearn包下的esemble模块中，类中的fit接口可以用于模型训练。
步骤三，通过增强型DNN实现深度特征的自动提取，稀疏类别特征的转换以及特征的自动融合。具体包含以下三个步骤，分别是深度特征提取步骤、稀疏类别特征的转换步骤和特征融合步骤。其中深度特征提取步骤和稀疏类别特征的转换步骤是并行进行的，完成后进入增强型DNN的最后一个步骤——特征融合步骤。在训练增强型DNN时，需要利用公式(1)-(7)计算Loss。各个小步骤的具体流程如下所示。
深度特征提取步骤：针对不同的数据，可设计不同的深度神经网络以提取深度特征，该深度特征为深度神经网络倒数第二层输出的一维向量。
稀疏类别特征的转换步骤：利用Embedding层将高维的稀疏特征降维成低维的连续实数特征。具体计算公式为ei＝xiVi，其中xi是将第i个类别特征转换成one-hot之后的向量，Vi是可学习的参数，ei是第i个类别特征经过Embedding层的输出结果。Embedding层的输出结果是将多个类别特征转换后进行拼接所得的长向量：vEmbedding＝[e1,e2,···,em]，其中，VEmbedding表示增强型DNN中Embedding层的最终输出，ei表示第i个类别特征经过Embedding层的输出结果，m表示类别特征数量。
特征融合步骤：将Embedding层输出的特征与深度神经网络输出的特征拼接在一起，作为全连接层的输入，并通过全连接层的作用得到分类结果，全连接层采用softmax激活函数，具体计算为σ(W[vDNN,vEmbedding]+b)。其中W是可学习的参数矩阵，b是偏置向量，σ是激活函数，vDNN和vEmbedding分别是深度神经网络的输出和Embedding层的输出。
Loss计算步骤：计算Loss时结合了三种不同的Loss，在训练增强型DNN需要计算公式(1)-(7)，最终的Loss为(7)的结果。其中，(1)、(2)和(3)分别表示特征融合的输出结果、深度神经网络的输出结果和Embedding层的输出结果。L1、L2和L3都是多分类的交叉损失函数，它们分别表示特征融合的Loss、深度神经网络的Loss和Embedding层的Loss。公式(7)的L是最终的损失，通过融合L1、L2和L3这三种不同的Loss得到，公式中的α、β、γ表示融合权重且需要提前设置好。在以下公式中，
Figure BDA0002942637230000021
和
Figure BDA0002942637230000022
分别表示特征融合的输出结果、深度神经网络的输出结果和Embedding层的输出结果。σ表示激活函数。vDNN和vEmbedding分别是深度神经网络的输出和Embedding层的输出。W1、W2、和W3是需要训练的参数矩阵，b1、b2和b3是偏置向量。yij表示第i个样本是否属于第j个类别，
Figure BDA0002942637230000031
表示模型在第i个样本第j个类别上输出的概率。n是训练的样本数，m是输出的类别数。具体公式(1)-(7)如下所示：
Figure BDA0002942637230000032
Figure BDA0002942637230000033
Figure BDA0002942637230000034
Figure BDA0002942637230000035
Figure BDA0002942637230000036
Figure BDA0002942637230000037
L＝αL1+βL2+γL3 (7)
本发明的有益效果是：
本发明所提出的传统特征与深度特征的自动融合方法可以有效融合两种不同类型的特征。通过增强型DNN模型及Loss函数的设计，经不同方式获取的两种特征间的融合权重通过训练自动获得，而无需人工干预，既可充分利用传统特征工程中人类的经验，又发挥了深度学习自动提取特征的能力，从而提高分类或回归任务的准确率。如表1结果所示，本发明提出的自动融合传统特征与深度特征的方法优于仅使用传统特征或仅使用深度神经网络的方法。
附图说明
图1是本发明方法流程图。
图2是本发明增强型DNN框架图。
具体实施方式
结合以下具体实施例和附图，以基于EEG信号的惊厥识别为例对发明作进一步的详细说明。实施本发明的过程、条件、实验方法等，除以下专门提及的内容之外，均为本领域的普遍知识和公知常识，本发明没有特别限制内容。
在进行以下步骤时，需要首先将EEG信号切成20s等长的信号片段。若信号片段中含有1秒以上的惊厥发作则认为该信号片段是惊厥信号片段。
步骤一，基于经验设计提取有利于刻画惊厥发作的EEG信号传统特征，包括信号的峰度、偏度、变异系数等特征。
步骤二，构建一个GBDT模型并利用GBDT模型提取叶子索引特征。利用python中的GradientBoostingClassifier类实例化GBDT模型。GradientBoostingClassifier类在sklearn包下的esemble模块中，类中的fit接口可以用于模型训练。本实施例中，设置GBDT的树的数目为100棵，每棵树的叶子节点为32个。将通过步骤一得到的传统特征输入到训练好的GBDT模型中，不同特征会落在分类树下的不同叶子处。调用GradientBoostingClassifier类下的apply接口即可获得叶子索引。
步骤三，利用增强型DNN进行深度特征的自动提取、稀疏类别特征的转换及特征的自动融合。具体包含以下三个步骤，分别是深度特征提取步骤、稀疏类别特征的转换步骤和特征融合步骤。
对于深度特征提取步骤，将长度为20s的EEG信号片段直接送入深度神经网络模型进行深度特征的自动提取。本实施例中的深度神经网络采用论文[8]中的神经网络，并将该网络的倒数第二层输出作为所输入EEG信号片段的深度特征。
对于稀疏类别特征的转换步骤，利用Embedding层将步骤二所得的叶子索引特征降维成低维的连续实数特征。
对于特征融合步骤，将经Embedding层转换所得的特征与深度神经网络输出的深度特征拼接在一起输入全连接层；全连接层采用softmax激活函数，输出维度为2，表示是否为惊厥。
对于增强型DNN的实现和训练，本实例中采用了pytorch框架。在计算Loss时，采用了公式(1)-(7)的计算方式，其中公式(7)的α、β、γ分别设置为0.25、0.5和0.25；训练的优化算法采用了Adam算法，学习率为0.0001。
表1给出了本发明方法与其他方法的比较结果。表中第一种方法仅使用了步骤一所提取的特征，所提取的特征被送入lightgbm模型[9]进行分类；表中第二种方法采用了论文[8]的深度神经网络；表中第三种方法不仅使用了步骤一所提取的特征，还使用深度特征，该深度特征是论文[8]中的神经网络的倒数第二层输出；表中第四种方法参考了论文[6]的特征融合方式，在深度神经网络[8]的倒数第二层直接拼接传统特征；表中最后一种方法为本发明方法。选取了三种评价指标评价本发明方法，分别为特异性、敏感性和AUC，其中特异性和敏感性的计算公式如(8)-(9)，AUC定义为ROC曲线下与坐标轴围成的面积。三个指标都是越大越好。
Figure BDA0002942637230000041
Figure BDA0002942637230000042
实验表明，使用本发明对传统特征与深度特征进行自动融合，所得的结果在三个指标上均优于仅使用传统特征的结果、仅使用深度特征的结果，以及直接将传统特征和深度特征进行拼接实现融合的结果。
表1不同方法的结果对比表
Figure BDA0002942637230000051
[1]Shoeb A H,Guttag J V.Application of machine learning to epilepticseizure detection[C]//Proceedings of the 27th International Conference onMachine Learning(ICML-10).2010:975-982.
[2]Lowe D G.Distinctive image features from scale-invariant keypoints[J].International journal of computer vision,2004,60(2):91-110.
[3]Acharya U R,Oh S L,Hagiwara Y,et al.Deep convolutional neuralnetwork for the automated detection and diagnosis ofseizure using EEG signals[J].Computers in biology and medicine,2018,100:270-278.
[4]He K,Zhang X,Ren S,et al.Deep residual learning for imagerecognition[C]//Proceedings of the IEEE conference on computer vision andpattern recognition.2016:770-778.
[5]Thodoroff P,Pineau J,Lim A.Learning robust features using deeplearning for automatic seizure detection[C]//Machine learning for healthcareconference.PMLR,2016:178-190.
[6]Yuan B,Xing W.Diagnosing cardiac abnormalities from 12-leadelectrocardiograms using enhanced deep convolutional neural networks[M]//Machine Learning and Medical Engineering for Cardiovascular Health andIntravascular Imaging and Computer Assisted Stenting.Springer,Cham,2019:36-44.
[7]Ke G,Xu Z,Zhang J,et al.DeepGBM:A deep learning frameworkdistilled by GBDT for online prediction tasks[C]//Proceedings of the 25th ACMSIGKDD International Conference on Knowledge Discovery&Data Mining.2019:384-394.
[8]Huang C,Chen W,Cao G.Automatic epileptic seizure detection viaattention-based cnn-birnn[C]//2019IEEE International Conference onBioinformatics and Biomedicine(BIBM).IEEE,2019:660-663.
[9]Ke G,Meng Q,Finley T,et al.Lightgbm:A highly efficient gradientboosting decision tree[J].Advances in neural information processing systems,2017,30:3146-3154.
本发明的保护内容不局限于以上实施例。在不背离发明构思的精神和范围下，本领域技术人员能够想到的变化和优点都被包括在本发明中，并且以所附的权利要求书为保护范围。

Claims (7)

1.一种传统特征与深度特征的自动融合方法，其特征在于，包括如下步骤：
步骤一，提取传统特征：结合任务目标，利用常规特征工程方法，提取适合于刻画所分析数据的特征；
步骤二，构建GBDT模型并利用GBDT模型提取叶子索引特征；输入步骤一提取的传统特征到训练好的GBDT模型中提取样本的叶子节点索引特征；所述叶子节点索引特征被视作类别特征，n棵树对应n个类别特征，不同特征落在分类树的不同叶子处；
步骤三，通过增强型DNN实现深度特征的自动提取，稀疏类别特征的转换以及特征的自动融合；具体包含以下三个子步骤：深度特征提取步骤、稀疏类别特征的转换步骤和特征融合步骤。
2.根据权利要求1所述的传统特征与深度特征的自动融合方法，其特征在于，所述步骤二中，构建GBDT模型时使用训练样本，并基于步骤一提取的传统特征进行训练；训练时提前设置好树的数量和树的深度。
3.根据权利要求1所述的传统特征与深度特征的自动融合方法，其特征在于，所述步骤三中，所述深度特征提取步骤和稀疏类别特征的转换步骤并行进行，完成后进入增强型DNN的特征融合步骤。
4.根据权利要求1所述的传统特征与深度特征的自动融合方法，其特征在于，所述步骤三中，所述深度特征提取步骤包括：针对不同的数据，设计不同的深度神经网络提取深度特征，所述深度特征为深度神经网络倒数第二层输出的一维向量。
5.根据权利要求1所述的传统特征与深度特征的自动融合方法，其特征在于，所述步骤三中，所述稀疏类别特征的转换步骤包括：利用Embedding层将高维的稀疏特征降维成低维的连续实数特征，具体计算公式为：
ei＝xiVi；
其中，xi是将第i个类别特征转换成one-hot之后的向量，Vi是可学习的参数，ei是第i个类别特征经过Embedding层的输出结果；所述Embedding层的输出结果是将多个类别特征转换后进行拼接所得的长向量：vEmbedding＝[e1,e2,···,em]，其中VEmbedding表示深度神经网络Embedding层的最终输出，m表示类别特征数量。
6.根据权利要求1所述的传统特征与深度特征的自动融合方法，其特征在于，所述步骤三中，所述特征融合步骤包括：将Embedding层输出的特征与深度神经网络输出的特征拼接在一起，作为全连接层的输入，并通过全连接层的作用得到分类结果；所述全连接层采用softmax激活函数，具体计算为σ(W[vDNN,vEmbedding]+b)，其中W是可学习的参数矩阵，b是偏置向量，σ是激活函数，vDNN和vEmbedding分别是深度神经网络的输出和Embedding层的输出。
7.根据权利要求1所述的传统特征与深度特征的自动融合方法，其特征在于，所述步骤三中，在训练增强型DNN时，需要利用公式(1)-(7)计算Loss，计算Loss时结合了三种不同的Loss，具体公式如下：
Figure FDA0002942637220000021
Figure FDA0002942637220000022
Figure FDA0002942637220000023
Figure FDA0002942637220000024
Figure FDA0002942637220000025
Figure FDA0002942637220000026
L＝αL1+βL2+γL3 (7)
在公式(1)-(7)中，公式(1)、(2)和(3)分别表示特征融合的输出结果、深度神经网络的输出结果和Embedding层的输出结果；L1、L2和L3均为多分类的交叉损失函数，分别表示特征融合的Loss、深度神经网络的Loss和Embedding层的Loss；公式(7)的L是最终的损失，其通过融合L1、L2和L3三种不同的Loss得到，公式中的α、β、γ表示融合权重且需要提前设置；在以上公式中，
Figure FDA0002942637220000027
和
Figure FDA0002942637220000028
分别表示特征融合的输出结果、深度神经网络的输出结果和Embedding层的输出结果；σ表示激活函数；vDNN和vEmbedding分别是深度神经网络的输出和Embedding层的输出；W1、W2、和W3是需要训练的参数矩阵，b1、b2和b3是偏置向量；yij表示第i个样本是否属于第j个类别，
Figure FDA0002942637220000029
表示模型在第i个样本第j个类别上输出的概率；n是训练的样本数，m是输出的类别数。
CN202110183028.3A 2021-02-10 2021-02-10 一种传统特征与深度特征的自动融合方法 Active CN112990270B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110183028.3A CN112990270B (zh) 2021-02-10 2021-02-10 一种传统特征与深度特征的自动融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110183028.3A CN112990270B (zh) 2021-02-10 2021-02-10 一种传统特征与深度特征的自动融合方法

Publications (2)

Publication Number Publication Date
CN112990270A true CN112990270A (zh) 2021-06-18
CN112990270B CN112990270B (zh) 2023-04-07

Family

ID=76393945

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110183028.3A Active CN112990270B (zh) 2021-02-10 2021-02-10 一种传统特征与深度特征的自动融合方法

Country Status (1)

Country Link
CN (1) CN112990270B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114224361A (zh) * 2021-12-31 2022-03-25 杭州电子科技大学 基于脑电信号对睡眠阶段的分类方法及装置
CN114553315A (zh) * 2022-02-28 2022-05-27 常州北邮新一代信息技术研究院有限公司 基于CNN-biRNN的光纤非线性均衡方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107103057A (zh) * 2017-04-13 2017-08-29 腾讯科技（深圳）有限公司 一种资源推送方法及装置
CN107515873A (zh) * 2016-06-16 2017-12-26 阿里巴巴集团控股有限公司 一种垃圾信息识别方法及设备
CN107766850A (zh) * 2017-11-30 2018-03-06 电子科技大学 基于结合人脸属性信息的人脸识别方法
CN107844867A (zh) * 2017-11-22 2018-03-27 广州优视网络科技有限公司 数据处理方法、装置及设备
CN108228845A (zh) * 2018-01-09 2018-06-29 华南理工大学 一种手机游戏分类算法
CN109299976A (zh) * 2018-09-07 2019-02-01 深圳大学 点击率预测方法、电子装置及计算机可读存储介质
CN109711281A (zh) * 2018-12-10 2019-05-03 复旦大学 一种基于深度学习的行人重识别与特征识别融合方法
CN109919949A (zh) * 2019-03-06 2019-06-21 中国科学院自动化研究所 图像精细化阴影区域分割系统、方法、装置
CN111199343A (zh) * 2019-12-24 2020-05-26 上海大学 一种多模型融合的烟草市场监管异常数据挖掘方法
CN111753987A (zh) * 2020-07-08 2020-10-09 深延科技(北京)有限公司 机器学习模型的生成方法和装置
CN112132004A (zh) * 2020-09-21 2020-12-25 南水北调中线信息科技有限公司 一种基于多视角特征融合的细粒度图像识别方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107515873A (zh) * 2016-06-16 2017-12-26 阿里巴巴集团控股有限公司 一种垃圾信息识别方法及设备
CN107103057A (zh) * 2017-04-13 2017-08-29 腾讯科技（深圳）有限公司 一种资源推送方法及装置
CN107844867A (zh) * 2017-11-22 2018-03-27 广州优视网络科技有限公司 数据处理方法、装置及设备
CN107766850A (zh) * 2017-11-30 2018-03-06 电子科技大学 基于结合人脸属性信息的人脸识别方法
CN108228845A (zh) * 2018-01-09 2018-06-29 华南理工大学 一种手机游戏分类算法
CN109299976A (zh) * 2018-09-07 2019-02-01 深圳大学 点击率预测方法、电子装置及计算机可读存储介质
CN109711281A (zh) * 2018-12-10 2019-05-03 复旦大学 一种基于深度学习的行人重识别与特征识别融合方法
CN109919949A (zh) * 2019-03-06 2019-06-21 中国科学院自动化研究所 图像精细化阴影区域分割系统、方法、装置
CN111199343A (zh) * 2019-12-24 2020-05-26 上海大学 一种多模型融合的烟草市场监管异常数据挖掘方法
CN111753987A (zh) * 2020-07-08 2020-10-09 深延科技(北京)有限公司 机器学习模型的生成方法和装置
CN112132004A (zh) * 2020-09-21 2020-12-25 南水北调中线信息科技有限公司 一种基于多视角特征融合的细粒度图像识别方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
"许诗起": ""融合深度特征和GBDT特征的Wi-Fi室内定位算法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
BINHANG YUAN等: ""Diagnosing Cardiac Abnormalities from 12-Lead Electrocardiograms Using Enhanced Deep Convolutional Neural Networks"", 《ARXIV》 *
HUANG C等: ""Automatic epileptic seizure detection via attention‑based cnn‑birnn"", 《2019IEEE INTERNATIONAL CONFERENCE ON BIOINFORMATICS AND BIOMEDICINE》 *
余峥等: "基于特征融合网络的自然场景文本检测" *
刘勇等: ""基于深度特征与传统特征融合的胶囊内镜图片识别研究"", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *
崔鸿雁等: "机器学习中的特征选择方法研究及展望" *
张宏钊等: "基于加权损失函数的多尺度对抗网络图像语义分割算法" *
徐兵等: "采用梯度提升决策树的车辆换道融合决策模型" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114224361A (zh) * 2021-12-31 2022-03-25 杭州电子科技大学 基于脑电信号对睡眠阶段的分类方法及装置
CN114553315A (zh) * 2022-02-28 2022-05-27 常州北邮新一代信息技术研究院有限公司 基于CNN-biRNN的光纤非线性均衡方法及系统

Also Published As

Publication number Publication date
CN112990270B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN109886273B (zh) 一种cmr图像分割分类系统
CN111160139B (zh) 心电信号的处理方法、装置及终端设备
Yang et al. Fine-grained image classification for crop disease based on attention mechanism
Haider et al. A generic approach for wheat disease classification and verification using expert opinion for knowledge-based decisions
CN113241135A (zh) 一种基于多模态融合的疾病风险预测方法和系统
CN112990270B (zh) 一种传统特征与深度特征的自动融合方法
CN113012815B (zh) 一种基于多模态数据的帕金森健康风险评估方法
Nigam et al. Plant disease identification using Deep Learning: A review. Indian Journal of Agricultural Sciences
CN110046550A (zh) 基于多层特征学习的行人属性识别系统及方法
CN111738302A (zh) 一种基于多模态数据对阿尔茨海默病进行分类诊断的系统
CN112434718B (zh) 基于深度图的新冠肺炎多模态特征提取融合方法及系统
CN111028232A (zh) 基于眼底图像的糖尿病分类方法及设备
Arora et al. A comparative study of fourteen deep learning networks for multi skin lesion classification (MSLC) on unbalanced data
CN117438087A (zh) 基于健康监测数据分析的健康管理方法及系统
Das et al. Automated classification of retinal OCT images using a deep multi-scale fusion CNN
CN111047590A (zh) 基于眼底图像的高血压分类方法及设备
CN117153393A (zh) 一种基于多模态融合的心血管疾病风险预测方法
Hadiyoso et al. Image Based ECG Signal Classification Using Convolutional Neural Network.
CN114417836A (zh) 一种基于深度学习的中文电子病历文本语义分割方法
CN114021584A (zh) 基于图卷积网络和翻译模型的知识表示学习方法
Patel et al. Spatial feature fusion for biomedical image classification based on ensemble deep CNN and transfer learning
CN112336354A (zh) 一种基于eeg信号癫痫监测方法
CN116269212A (zh) 一种基于深度学习的多模态睡眠阶段预测方法
CN116313141A (zh) 一种基于知识图谱的不明原因发热智能问诊方法
Kotiyal et al. Diabetic Retinopathy Binary Image Classification Using Pyspark

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