CN112990270B - 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 PDFInfo
- Publication number
- CN112990270B CN112990270B CN202110183028.3A CN202110183028A CN112990270B CN 112990270 B CN112990270 B CN 112990270B CN 202110183028 A CN202110183028 A CN 202110183028A CN 112990270 B CN112990270 B CN 112990270B
- Authority
- CN
- China
- Prior art keywords
- features
- depth
- feature
- class
- 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.)
- Active
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)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (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
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。
[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,HagiwaraY,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]//2019 IEEE 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.
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都是多分类的交叉熵损失函数,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,和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,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:
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。
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
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 (4)
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:利用常规特征工程方法,提取EEG信号中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、变异系数特征;其中,所述EEG信号中含有1秒以上的惊厥发作信号;
步骤二,构建GBDT模型并利用GBDT模型提取叶子索引特征;利用GradientBoostingClassifier类实例化所述GBDT模型,基于步骤一提取的传统特征通过类中fit接口训练所述GBDT模型;设置GBDT模型的树的数目为100棵,每棵树的叶子节点为32个;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;通过类下的apply接口获得叶子索引特征;
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;
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;
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,输出维度为2,表示是否为惊厥,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;
所述步骤三中,在训练增强型DNN时,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:
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均为多分类的交叉熵损失函数,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,α、β、γ分别设置为0.25、0.5和0.25;在以上公式中,和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,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;
训练增强型DNN的优化算法采用Adam算法,学习率为0.0001。
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,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。
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 CN112990270A (zh) | 2021-06-18 |
CN112990270B true 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) |
Families Citing this family (2)
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 |
CN114553315B (zh) * | 2022-02-28 | 2023-07-18 | 常州京信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 (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107515873B (zh) * | 2016-06-16 | 2020-10-16 | 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 |
CN107103057B (zh) * | 2017-04-13 | 2018-09-18 | 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 |
CN107766850B (zh) * | 2017-11-30 | 2020-12-29 | 电子科技大学 | 基于结合人脸属性信息的人脸识别方法 |
CN108228845B (zh) * | 2018-01-09 | 2020-10-27 | 华南理工大学 | 一种手机游戏分类方法 |
CN109299976B (zh) * | 2018-09-07 | 2021-03-23 | 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 |
CN109919949B (zh) * | 2019-03-06 | 2020-04-28 | 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 |
-
2021
- 2021-02-10 CN CN202110183028.3A patent/CN112990270B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 (4)
Title |
---|
余峥等.基于特征融合网络的自然场景文本检测.《计算机系统应用》.2018,全文. * |
崔鸿雁等.机器学习中的特征选择方法研究及展望.《北京邮电大学学报》.2018,全文. * |
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.《计算机应用与软件》.2020,全文. * |
徐兵等.采用梯度提升决策树的车辆换道融合决策模型.《浙江大学学报(工学版)》.2019,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112990270A (zh) | 2021-06-18 |
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 | |
CN108734208B (zh) | 基于多模态深度迁移学习机制的多源异构数据融合系统 | |
Haider et al. | A generic approach for wheat disease classification and verification using expert opinion for knowledge-based decisions | |
CN109009102B (zh) | 一种基于脑电图深度学习的辅助诊断方法及系统 | |
CN111161814A (zh) | 一种基于卷积神经网络的DRGs自动分组方法 | |
Nigam et al. | Plant disease identification using Deep Learning: A review | |
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 | |
CN110046550A (zh) | 基于多层特征学习的行人属性识别系统及方法 | |
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 | |
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 | |
CN109145944B (zh) | 一种基于纵向三维图像深度学习特征的分类方法 | |
CN111028232A (zh) | 基于眼底图像的糖尿病分类方法及设备 | |
CN118098482B (zh) | 基于5g技术的智慧医疗管理系统及方法 | |
Hadiyoso et al. | Image Based ECG Signal Classification Using Convolutional Neural Network. | |
CN111047590A (zh) | 基于眼底图像的高血压分类方法及设备 | |
CN116269212A (zh) | 一种基于深度学习的多模态睡眠阶段预测方法 | |
Al-bayati et al. | Artificial intelligence in smart agriculture: Modified evolutionary optimization approach for plant disease identification | |
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 | |
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 | |
Balaji et al. | Plant Infirmity Detection Using Vgg-16 Convolutional Neural Network | |
Ma | Summary of research on application of deep learning in image recognition | |
Begum et al. | Diagnosis of leaf disease using enhanced convolutional neural 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |