CN113011262B - 一种基于卷积神经网络的多尺寸细胞核识别装置及方法 - Google Patents
一种基于卷积神经网络的多尺寸细胞核识别装置及方法 Download PDFInfo
- Publication number
- CN113011262B CN113011262B CN202110187413.5A CN202110187413A CN113011262B CN 113011262 B CN113011262 B CN 113011262B CN 202110187413 A CN202110187413 A CN 202110187413A CN 113011262 B CN113011262 B CN 113011262B
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- full
- layer
- neurons
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 67
- 210000003855 cell nucleus Anatomy 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 26
- 210000004027 cell Anatomy 0.000 claims abstract description 26
- 230000004927 fusion Effects 0.000 claims abstract description 26
- 210000002569 neuron Anatomy 0.000 claims abstract description 25
- 238000011176 pooling Methods 0.000 claims abstract description 11
- 230000002093 peripheral effect Effects 0.000 claims abstract description 9
- 239000000284 extract Substances 0.000 claims abstract description 4
- 230000004913 activation Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 210000004940 nucleus Anatomy 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 7
- 238000013145 classification model Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 108091006146 Channels Proteins 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 206010006187 Breast cancer Diseases 0.000 description 2
- 208000026310 Breast neoplasm Diseases 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000000394 mitotic effect Effects 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 210000004698 lymphocyte Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 102000054765 polymorphisms of proteins Human genes 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005476 size effect Effects 0.000 description 1
- 210000002536 stromal cell Anatomy 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于卷积神经网络的多尺寸细胞核识别装置及方法,该装置包括四个卷积神经网络模型,用于对不同尺寸的细胞图像进行特征提取,然后在每个卷积神经网络模型提取完特征之后进行平均池化,得到包含若干个神经元的全连接层,然后将四个卷积神经网络模型提取出的全连接层拼接成一个全连接层,再连接若干全连接层进行融合学习和分类,从而让模型可以同时对细胞核和细胞核周边信息进行学习。
Description
技术领域
本发明涉及深度学习技术领域,特别是涉及一种基于卷积神经网络的多尺寸细胞核识别装置及方法。
背景技术
在传统方法上细胞核分类,大多数是使用人工设计的方法对细胞核图像进行特征提取,然后用传统的机器学习算法对提取到的特征进行训练分类。Dalle等人和Cosatto等人使用细胞核的形状,纹理和大小对乳腺癌图像中的核多态性进行分级。Malon等人使用颜色,纹理和形状信息来训练卷积神经网络分类模型,对有丝分裂和非有丝分裂细胞进行分类。Yuan等人根据H&E染色的乳腺癌图像的形态特征将对细胞核分类,分为癌细胞、淋巴细胞、基质细胞三类。Sharma等人提出了使用密度、形态和纹理特征来训练AdaBoost分类器,对细胞核进行分割和分类。
对比传统方法,深度学习方法在对病理图像的识别上取得了更加好的效果。Gao等人已经使用深层卷积神经网络将人类epithelial-2细胞图像分为六类。同时,他们实验还证明,在较大的数据集上进行预训练,然后在较小的相关数据集上进行微调的卷积神经网络,与在较小数据集上从头训练的卷积神经网络相比,可以提供更高的准确性。这个策略对于这种数据量比较少的医学数据,有着比较好的提升效果。Shao等人设计了一个新的神经网络-对约束正则化深度卷积神经网络,他们先是标注一部分数据,训练出这个网络,接着用这个网络在没有标注的数据挑选出一部分数据出来给医生继续标注,然后将继续标注得到的数据和之前的数据继续进行混合在一起来更新这个网络的参数,再让这个网络来挑选没有标注的数据,以此循环,这样节省了医生40%的时间,而且得到的结果要比其他方法要好。而Hou等人提出一个稀疏卷积自动编码器来进行核检测和特征提取,仅是用标注全部数据的5%的成本,却实现了和其他方法基本一样的效果。
近年来,细胞核图像分类已经取得了很大的突破,但是目前对比不同输入尺寸的细胞核图像对卷积神经网络模型的影响还缺乏系统的研究。细胞核图像的尺寸大小对卷积神经网络分类模型影响的研究还有待开展。之前为了防止周边不同类别的细胞核会对卷积神经网络分类模型的识别判断造成影响,所以研究人员都是截取相对尺寸较小的细胞核图像。但是经过试验发现,细胞核图像输入尺寸变大不仅没有降低模型的识别判断,相反识别效果还可以有较大的提升。
发明内容
为克服上述现有技术存在的不足,本发明之目的在于提供一种基于卷积神经网络的多尺寸细胞核识别装置及方法,以提高多尺寸细胞核识别的识别效果。
为达上述及其它目的,本发明提出一种基于卷积神经网络的多尺寸细胞核识别装置,包括四个卷积神经网络模型,用于对不同尺寸的细胞图像进行特征提取,然后在每个卷积神经网络模型提取完特征之后进行平均池化,得到包含若干个神经元的全连接层,然后将四个卷积神经网络模型提取出的全连接层拼接成一个全连接层,再连接若干全连接层进行融合学习和分类,从而让模型可以同时对细胞核和细胞核周边信息进行学习。
优选地,所述卷积神经网络模型采用InceptionV3卷积神经网络模型。
优选地,在每个卷积神经网络模型提取完特征进行平均池化后,得到包含2048个神经元的全连接层。
优选地,在利用四个IncepionV3模型对不同尺寸的细胞图像进行特征提取后,通过一个全连接层将四个IncepionV3模型提取的特征拼接起来,再通过两个全连接层进行融合学习。
优选地,最后再通过一个四个神经元的softmax层融合学习,并进行分类。
优选地,所述特征融合的公式如下:
其中,xl-3表示第l-3层的输出,l指神经元的层数,分别表示上面四个卷积层对四个输入数据/>提取到的特征,wl-3表示第l-3层的权重,gl-3表示激活函数。
为达到上述目的,本发明还提供一种基于卷积神经网络的多尺寸细胞核识别方法,包括如下步骤:
步骤S1,利用四个卷积神经网络模型对不同尺寸的细胞图像进行特征提取;
步骤S2,对每个卷积神经网络模型提取完特征之后进行平均池化,得到若干个神经元的全连接层;
步骤S3,将四个卷积神经网络模型提取出的全连接层拼接成一个全连接层,再连接若干全连接层进行融合学习和分类,从而让模型可以同时对细胞核和细胞核周边信息进行学习。
优选地,于步骤S2中,在每个卷积神经网络模型提取完特征进行平均池化后,得到包含2048个神经元的全连接层。
优选地,于步骤S3中,在利用四个IncepionV3模型对不同尺寸的细胞图像进行特征提取后,通过一个全连接层将四个IncepionV3模型提取的特征拼接起来,再通过两个全连接层进行融合学习。
优选地,于步骤S3中,最后再通过一个四个神经元的softmax层融合学习,并进行分类。
与现有技术相比,本发明一种基于卷积神经网络的多尺寸细胞核识别装置及方法通过把不同尺寸的细胞核图像用卷积神经网络进行特征提取,再把特征进行融合,再接上全连接层网络对特征进行分类,经过试验证明不同尺寸的细胞核图像特征融合模型相对于单尺寸的分类模型有着不小的准确率的提升。
附图说明
图1为不同细胞核图像尺寸对比示意图;
图2为本发明中单尺寸细胞核图像深度学习模型架构图;
图3为不同细胞核图像尺寸的类激活图可视化示意图;
图4为一种基于卷积神经网络的多尺寸细胞核识别装置的结构示意图;
图5为本发明一种基于卷积神经网络的多尺寸细胞核识别方法的步骤流程图。
具体实施方式
以下通过特定的具体实例并结合附图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示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用,本说明书中的各项细节亦可基于不同观点与应用,在不背离本发明的精神下进行各种修饰与变更。
为了防止周边不同类别的细胞核会对模型识别判断有影响,之前的研究人员都是截取相对尺寸较小的细胞核图像。但是经过试验发现,细胞核图像输入尺寸变大不仅没有降低模型的识别判断,还可以有较大的提升。联系到实际,人类医生,他们对病理图的细胞核识别,肯定也会受到周边环境的影响。但目前来说对于分类细胞的尺寸的截取问题,也缺少了一个系统性的研究,于是本发明采用不同尺寸的细胞核图像训练深度卷积神经网络得到的效果进行了对比,以验证不同的细胞核图像尺寸对模型训练预测的影响。
本发明对细胞尺寸的大小进行了各种调整和实验,最后选用了27×27,36×36,45×45,54×54这四个细胞核图像尺寸作为本发明的实验结果展示,其中细胞图像尺寸为27×27的模型的效果作为参照项。本发明将该四个尺寸的图片都放在图1中,可以很明显地看出细胞图像尺寸越大,里面包含的细胞核越多。有的54×54尺寸的细胞核图像已经包含了7个细胞核,这样就会出现在一个细胞核图像里却有着不同种类的细胞核的情况。本发明以截取的细胞核图像中心对应的细胞核类别作为这个图片的标签。
本发明对不同图像尺寸的单尺寸细胞核图像进行试验,具体地,本发明采用InceptionV3模型作为深度学习分类模型,卷积层提取完特征之后进行平均池化,得到2048个神经元的全连接层,然后再接一层128个神经元的全连接层,注意每个全连接层都会接上dropout,最后接上四个神经元的softmax层来对模型提取得到的特征进行分类,模型结构如图2。
为了方便看出细胞核图像尺寸对模型训练预测的影响,模型架构、训练方式、增强方法都是采取一样的,控制唯一的变量是不同的细胞核图像尺寸。本发明在实验中,所有的输入细胞图像都会缩放(resize)成(139,139)作为模型的输入来训练模型的权重。
实验结果如表1所示,可以明显观察到,不同尺寸的细胞图像训练同一个深度学习网络模型得到的效果是不一样的,随着细胞图像尺寸的增大,效果则越来越好。
表1单尺寸效果对比表
为清楚说明为什么细胞核图像尺寸变大可以增强模型的识别效果,本发明涉及到一类技术叫做类激活图(CAM)可视化,该技术可用于了解给定图像的哪些部分使卷积网络做出最终分类决定,这有助于调试卷积网络的决策过程,特别是在分类错误的情况下,它也能允许在图像中定位特定的对象。
类激活图(CAM)可视化的其中一个功能是可以在输入图像上生成类激活的热力图。类激活热力图可以帮助人们知道模型是针对图片的哪些位置来判断这张图片的所属类别。例如把一张图片输入到猫狗识别的卷积神经网络模型,CAM可视化技术就可以产生一张猫类的热力图,热力图的哪个位置越能帮助模型判断类别,它对应的激活颜色越深。这对于模型的研究有着极大的好处。
类激活图(CAM)可视化的方法有很多,本发明采用的是Grad-CAM的方法。这个方法非常简单,它先获取卷积层的输出特征图,给定输入图像,并通过类别相对于通道的梯度对该特征图中的每个通道进行加权。直观上,一种理解此技巧的方法是,通过“每个通道对类别的重要性”来加权“输入图像激活不同通道的强度”的空间图,从而得到一张“输入图像激活类别的强度”的空间图。
本发明使用Grad-CAM的方法来得到模型对不同尺寸细胞核输入图像的判断点在哪里。查看训练好的InceptionV3模型对每张图片所属类别的判断点在哪里,有利于后面对模型的优化,为了方便对比,本发明把得到的结果整理的结果整合成表格形式,如图3所示。
可以看到,在27×27到54×54的范围内,随着细胞图像的尺寸越大,在图片中心细胞核的周边的激活值就越大,说明InceptionV3模型对这个细胞图像的判断越来越依赖于细胞图像的中心细胞核的周边的信息,充分证明了这些周边信息不仅没有让模型造成识别上的困扰,相反给模型提供了很大的识别作用。
基于上述理论,本发明提出一种基于卷积神经网络的多尺寸细胞核识别装置,如图4所示,本发明一种基于卷积神经网络的多尺寸细胞核识别装置,包括四个卷积神经网络模型,用于对不同尺寸的细胞图像进行特征提取,然后在每个卷积神经网络模型提取完特征之后进行平均池化,得到2048个神经元的全连接层,然后将四个卷积神经网络模型提取出的全连接层拼接成一个全连接层,再连接若干全连接层进行融合学习和分类,从而让模型可以同时对细胞核和细胞核周边信息进行学习。
在本发明具体实施例中,卷积神经网络模型采用InceptionV3卷积神经网络模型,利用四个InceptionV3模型的卷积层,外加三层全连接层,即用四个IncepionV3模型对不同尺寸的细胞图像进行特征提取,通过一个全连接层把四个IncepionV3模型提取的特征拼接融合起来,再通过两个全连接层进行融合学习和分类,最后再通过一个四个神经元的softmax层融合学习,并进行分类,本发明模型可以同时对细胞核和细胞核周边信息进行学习,提高模型对细胞图像的识别准确率,但需说明的是,本发明对全连接层的个数不以此为限。
在本发明具体实施例中,特征融合公式如下:
其中,xl-3表示第l-3层的输出(其中l指的是神经元的层数,第l层表示最后一层,第l-3层表示的是倒数第四层),分别表示四个卷积层对四个输入数据/>提取到的特征,wl-3表示第l-3层的权重,gl-3表示激活函数,也就是说,四个卷积层提取的特征经过平均池化后拼接成的一个全连接层(需说明的是,图中出现了两个l-3层,是因为第一个l-3层和第二个l-3层的神经元是一样的,只是第二个l-3层是第一个l-3层的拼接起来而已),再融合学习提取到新的全连接层l-2。
图5为本发明一种基于卷积神经网络的多尺寸细胞核识别方法的步骤流程图。如图5所示,本发明一种基于卷积神经网络的多尺寸细胞核识别方法,包括如下步骤:
步骤S1,利用四个卷积神经网络模型对不同尺寸的细胞图像进行特征提取。在本发明具体实施例中,卷积神经网络模型采用InceptionV3卷积神经网络模型。
步骤S2,对每个卷积神经网络模型提取完特征之后进行平均池化,得到2048个神经元的全连接层。
步骤S3,将四个卷积神经网络模型提取出的全连接层拼接成一个全连接层,再连接若干全连接层进行融合学习和分类,从而让模型可以同时对细胞核和细胞核周边信息进行学习。
在本发明具体实施例中,特征融合公式如下:
其中,xl-3表示第l-3层的输出(其中l指的是神经元的层数,第l层表示最后一层,第l-3层表示的是倒数第四层),分别表示上面四个卷积层对四个输入数据/>提取到的特征,wl-3表示第l-3层的权重,gl-3表示激活函数。
本发明进行了充分的实验,实验数据对比如表2所示。
表2单尺寸模型、多尺寸模型效果对比表
相对于细胞图像尺寸是(54,54)的InceptionV3单尺寸模型,特征融合模型的预测效果有着比较好的提升,除了miscellaneous类别,另外三个类别的细胞核预测效果都有着提升效果。
综上所述,本发明一种基于卷积神经网络的多尺寸细胞核识别装置及方法通过把不同尺寸的细胞核图像用卷积神经网络进行特征提取,再把特征进行融合,再接上全连接层网络对特征进行分类,经过试验证明不同尺寸的细胞核图像特征融合模型相对于单尺寸的分类模型有着不小的准确率的提升。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下,对上述实施例进行修饰与改变。因此,本发明的权利保护范围,应如权利要求书所列。
Claims (4)
1.一种基于卷积神经网络的多尺寸细胞核识别装置,包括四个卷积神经网络模型,用于对不同尺寸的细胞图像进行特征提取,然后在每个卷积神经网络模型提取完特征之后进行平均池化,得到包含若干个神经元的全连接层,然后将四个IncepionV3 卷积神经网络模型提取出的全连接层拼接成一个全连接层,再连接若干全连接层进行融合学习和分类,从而让模型可以同时对细胞核和细胞核周边信息进行学习;
其中,在利用四个IncepionV3卷积神经网络模型对不同尺寸的细胞图像进行特征提取后,通过一个全连接层将四个IncepionV3卷积神经网络模型提取的特征拼接起来,再通过两个全连接层进行融合学习;最后再通过一个四个神经元的 softmax 层融合学习,并进行分类;
特征融合的公式如下:
其中,表示第/>层的输出,/>指神经元的层数,/>分别表示上面四个卷积层对四个输入数据/>提取到的特征,/>表示第/>层的权重,表示激活函数。
2.如权利要求 1 所述的一种基于卷积神经网络的多尺寸细胞核识别装置,其特征在于:在每个卷积神经网络模型提取完特征进行平均池化后,得到包含2048 个神经元的全连接层。
3.一种基于卷积神经网络的多尺寸细胞核识别方法,包括如下步骤:
步骤 S1,利用四个IncepionV3卷积神经网络模型对不同尺寸的细胞图像进行特征提取;
步骤 S2,对每个卷积神经网络模型提取完特征之后进行平均池化,得到若干个神经元的全连接层;
步骤 S3,将四个卷积神经网络模型提取出的全连接层拼接成一个全连接层,再连接若干全连接层进行融合学习和分类,从而让模型可以同时对细胞核和细胞核周边信息进行学习;
其中,于步骤 S3 中,在利用四个 IncepionV3 模型对不同尺寸的细胞图像进行特征提取后,通过一个全连接层将四个 IncepionV3 模型提取的特征拼接起来,再通过两个全连接层进行融合学习;特征融合的公式如下:
其中,表示第/>层的输出,/>指神经元的层数,/>分别表示上面四个卷积层对四个输入数据/>提取到的特征,/>表示第/>层的权重,表示激活函数;
于步骤 S3 中,最后再通过一个四个神经元的 softmax 层融合学习,并进行分类。
4.如权利要求3 所述的一种基于卷积神经网络的多尺寸细胞核识别方法,其特征在于:于步骤 S2 中,在每个卷积神经网络模型提取完特征进行平均池化后,得到包含 2048个神经元的全连接层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110187413.5A CN113011262B (zh) | 2021-02-18 | 2021-02-18 | 一种基于卷积神经网络的多尺寸细胞核识别装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110187413.5A CN113011262B (zh) | 2021-02-18 | 2021-02-18 | 一种基于卷积神经网络的多尺寸细胞核识别装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113011262A CN113011262A (zh) | 2021-06-22 |
CN113011262B true CN113011262B (zh) | 2023-10-13 |
Family
ID=76402584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110187413.5A Active CN113011262B (zh) | 2021-02-18 | 2021-02-18 | 一种基于卷积神经网络的多尺寸细胞核识别装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011262B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599941A (zh) * | 2016-12-12 | 2017-04-26 | 西安电子科技大学 | 基于卷积神经网络与支持向量机的手写数字识别方法 |
CN110534132A (zh) * | 2019-09-23 | 2019-12-03 | 河南工业大学 | 一种基于谱图特征的并行卷积循环神经网络的语音情感识别方法 |
CN111144269A (zh) * | 2019-12-23 | 2020-05-12 | 威海北洋电气集团股份有限公司 | 一种基于深度学习的信号相关行为识别方法及系统 |
CN111161207A (zh) * | 2019-11-14 | 2020-05-15 | 西安工程大学 | 一种集成的卷积神经网络织物疵点分类方法 |
CN111292026A (zh) * | 2020-04-27 | 2020-06-16 | 江苏金恒信息科技股份有限公司 | 一种基于神经网络模型融合的废钢评级方法及装置 |
CN111353391A (zh) * | 2020-02-17 | 2020-06-30 | 西安电子科技大学 | 雷达干扰效果评估方法、装置、电子设备及其存储介质 |
CN111382438A (zh) * | 2020-03-27 | 2020-07-07 | 玉溪师范学院 | 基于多尺度卷积神经网络的恶意软件检测方法 |
AU2020103613A4 (en) * | 2020-11-23 | 2021-02-04 | Agricultural Information and Rural Economic Research Institute of Sichuan Academy of Agricultural Sciences | Cnn and transfer learning based disease intelligent identification method and system |
-
2021
- 2021-02-18 CN CN202110187413.5A patent/CN113011262B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599941A (zh) * | 2016-12-12 | 2017-04-26 | 西安电子科技大学 | 基于卷积神经网络与支持向量机的手写数字识别方法 |
CN110534132A (zh) * | 2019-09-23 | 2019-12-03 | 河南工业大学 | 一种基于谱图特征的并行卷积循环神经网络的语音情感识别方法 |
CN111161207A (zh) * | 2019-11-14 | 2020-05-15 | 西安工程大学 | 一种集成的卷积神经网络织物疵点分类方法 |
CN111144269A (zh) * | 2019-12-23 | 2020-05-12 | 威海北洋电气集团股份有限公司 | 一种基于深度学习的信号相关行为识别方法及系统 |
CN111353391A (zh) * | 2020-02-17 | 2020-06-30 | 西安电子科技大学 | 雷达干扰效果评估方法、装置、电子设备及其存储介质 |
CN111382438A (zh) * | 2020-03-27 | 2020-07-07 | 玉溪师范学院 | 基于多尺度卷积神经网络的恶意软件检测方法 |
CN111292026A (zh) * | 2020-04-27 | 2020-06-16 | 江苏金恒信息科技股份有限公司 | 一种基于神经网络模型融合的废钢评级方法及装置 |
AU2020103613A4 (en) * | 2020-11-23 | 2021-02-04 | Agricultural Information and Rural Economic Research Institute of Sichuan Academy of Agricultural Sciences | Cnn and transfer learning based disease intelligent identification method and system |
Non-Patent Citations (2)
Title |
---|
Spectral-based convolutional neural network without multiple spatial-frequency domain switchings;Sayed Omid Ayat等;《Elsevier Science》;第1-16页 * |
基于深度学习的视频人脸表情识别研究;陈乐;《万方数据知识服务平台学位论文库》;第1-61页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113011262A (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902732B (zh) | 车辆自动分类方法及相关装置 | |
CN108615010B (zh) | 基于平行卷积神经网络特征图融合的人脸表情识别方法 | |
CN110852316B (zh) | 一种采用密集结构卷积网络的图像篡改检测和定位方法 | |
CN109886161B (zh) | 一种基于可能性聚类和卷积神经网络的道路交通标识识别方法 | |
CN110457982A (zh) | 一种基于特征迁移学习的作物病害图像识别方法 | |
CN106528826A (zh) | 一种基于深度学习的多视图外观专利图像检索方法 | |
CN114998220B (zh) | 一种基于改进的Tiny-YOLO v4自然环境下舌像检测定位方法 | |
CN112598620B (zh) | 尿沉渣中透明管型、病理管型以及粘液丝的识别方法 | |
CN111553438A (zh) | 一种基于卷积神经网络的图像识别方法 | |
CN108416270A (zh) | 一种基于多属性联合特征的交通标志识别方法 | |
CN111444829A (zh) | 面向液基细胞学检查的融合推理与学习的决策分类方法 | |
CN108154156A (zh) | 基于神经主题模型的图像集成分类方法及装置 | |
CN110414317B (zh) | 基于胶囊网络的全自动白细胞分类计数方法 | |
CN113065426A (zh) | 基于通道感知的手势图像特征融合方法 | |
CN113850311A (zh) | 一种基于分组和多样性增强的长尾分布图像识别方法 | |
CN112488963A (zh) | 一种用于农作物病害数据的增强方法 | |
CN114330516A (zh) | 基于多图引导神经网络模型的小样本徽景图像分类 | |
CN116258990A (zh) | 一种基于跨模态亲和力的小样本参考视频目标分割方法 | |
CN106570514A (zh) | 一种基于词袋模型和支持向量机的汽车轮毂分类方法 | |
CN112132145B (zh) | 一种基于模型扩展卷积神经网络的图像分类方法及系统 | |
CN109815957A (zh) | 一种基于彩色图像在复杂背景下的文字识别方法 | |
CN113011262B (zh) | 一种基于卷积神经网络的多尺寸细胞核识别装置及方法 | |
CN117115404A (zh) | 三维虚拟场景调整的方法、装置、计算机设备和存储介质 | |
CN111553424A (zh) | 一种基于cgan的图像数据平衡和分类方法 | |
CN115565168A (zh) | 一种基于注意力机制残差胶囊网络的甘蔗病害识别方法 |
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 |