CN113159159A - 一种基于改进cnn的小样本图像分类方法 - Google Patents
一种基于改进cnn的小样本图像分类方法 Download PDFInfo
- Publication number
- CN113159159A CN113159159A CN202110410717.3A CN202110410717A CN113159159A CN 113159159 A CN113159159 A CN 113159159A CN 202110410717 A CN202110410717 A CN 202110410717A CN 113159159 A CN113159159 A CN 113159159A
- Authority
- CN
- China
- Prior art keywords
- image
- sample image
- cnn
- neural network
- processed sample
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于改进CNN的小样本图像分类方法,涉及图像分类技术领域。本发明通过对浅层卷积神经网络进行分析,构建了一个针对小样本图像分类任务的模型。在数据预处理过程中,较大程度保留图像原始信息的情况下,又增加了图像的变化,有效地减轻了网络的过拟合,分类模型的效果得到了显著的提升,十分适用于小样本数据分类。与原始分类模型相比,本发明的分类效果有了明显的提升。
Description
技术领域
本发明涉及图像分类技术领域,尤其涉及一种基于改进CNN的小样本图像分类方法。
背景技术
图像分类是根据目标在图像信息中反映出的不同特征,把不同类别的目标区分开的一种图像处理方法。数字化图像可以通过计算机算法,自动分析出各个区域的特征,将其分成若干类别。
传统的图像分类算法有多种类别。基于颜色的图像分类,将差别小的相邻像素归为一类。由于每一类物体都有其独特的颜色特征,利用颜色对比度差异,可以将一幅图像分成几个类别。基于纹理的图像分类,通过像素的邻域灰度空间分布规律来进行分类,灰度共生矩阵是对图像做纹理特征提取的一种常用统计分析方法。传统的图像分类方法,通常提取图像的底层特征进行分类,例如颜色,纹理,形状,位置等。然而,底层的信息有多种提取方法,易受人的主观程度影响。并且,图像分类很大程度上是由高级的语义特征来决定的,仅凭底层的图像信息,无法有效的对图像建模。
卷积神经网络(Convolutional Neural Networks,CNN)是一种包含卷积操作的前馈神经网络,能较好地提取图像的特征,基于深度卷积神经网络的图像分类方法,通过大量的数据来建模物体的分布,无需手动设计特征,就能够自动地学习图像的特征来进行分类。卷积层相当于传统的滤波器,非常适合于图像数据。近年来深度学习取得了巨大的成功,在Imagenet等大型图像数据集上,不断地刷新记录,首次突破了人工分类的结果。深度学习方法是一种数据驱动的方法,往往需要大量的数据集来进行特征学习。然而,在一些领域收集这样巨大的数据量往往十分困难。医学影像中,由于不同的影像设备和隐私保护的需要,难以收集大量的同种影像数据。故障诊断中,自然发生的情况少,难以通过实验获取大量的数据。这些情况限制了深度神经网络的应用。
针对小样本数据集,深度学习分类效果差的问题,通常使用迁移学习和数据增强方法来解决。研究发现,深度网络的浅层特征属于图像共有的底层特征,不随任务的改变而发生巨大的变化。迁移学习方法,首先在大型数据集上进行分类任务的预训练,然后保留卷积层的参数,在小样本数据集上进行微调。然而,医学影像和自然图像的差别十分巨大,医学影像通常为灰度图,自然图像为三通道彩色图。对小样本医学影像数据集进行迁移时,自然图像学习到的特征很难迁移到医学影像。同时网络的参数量也远大于小样本数据集的数量,使得卷积神经网络参数冗余,浪费大量的硬件空间,容易造成过拟合。此外进行迁移学习时,很难找到适合的网络结构、微调的参数和固定卷积的层数,有很多的不确定性,需要依次实验,耗费大量的时间。
数据增强方法,广泛应用于深度学习中。通过对原始图像做一些变换,如剪切,旋转,平移,翻转等,使得网络能够针这些微小的变化,做出稳定的预测。由于卷积神经网络需要输入相同大小的数据,数据增强中需要对数据做出归一化操作。现有的图像大小归一化方法主要有尺度改变(resize)和剪裁(crop),这些方法简单且便于实现,但有时无法对原始图像做出多样化的改变。
发明内容
针对现有技术的不足,本发明提供一种基于改进CNN的小样本图像分类方法。
本发明的技术方案为,一种基于改进CNN的小样本图像分类方法,包括以下步骤:
步骤1:对样本图像进行预处理,将样本图像转换成统一的PNG格式;
步骤2:分析处理后的样本图像的像素值分布,计算数据的均值和标准差;
步骤3:使用基于RCR(RCR为Resize调整尺寸-Crop剪裁-Resize调整尺寸)的数据增强策略,对处理后的样本图像进行尺寸调整、垂直翻转、水平翻转和旋转,根据均值和标准差进行图像的像素值归一化;
步骤3.1:将处理后的样本图像最短边调整尺寸至256大小,使用双三次插值算法,将另一边调整成保持原始图像纵横比的对应大小;
步骤3.2:在处理后的样本图像中心处进行随机剪裁图像;
步骤3.3:将处理后的样本图像Resize调整尺寸至224*224大小;
步骤3.4:以50%的概率对处理后的样本图像进行垂直翻转;
步骤3.5:以50%的概率对处理后的样本图像进行水平翻转;
步骤3.6:将处理后的样本图像进行随机旋转0-30°;
步骤3.7:使用均值和标准差对处理后的样本图像进行像素值归一化,归一化的计算如下:
输出[通道]=(输入[通道]–均值[通道])/标准差[通道]
输入处理后的样本图像,减去求得的图像均值,再除以标准差;
步骤4:将步骤3中输出的样本图像输入至卷积神经网络,训练CNN-1CL卷积神经网络,直到网络趋于收敛;
所述CNN-1CL卷积神经网络共有三层,第一层由3个1*1的卷积层和Relu激活函数组成,后接四个由7*7的卷积层、Relu激活函数、批归一化(BN)和最大池化层(Max-Pool)组成的模块,其中四个7*7的卷积层步长为1,通道数分别是32,64,128,256,每一个卷积层后都添加一个Relu激活函数,批归一化的参数默认是eps=0.00001,momentum=0.1,最大池化层的卷积核的大小是2*2,CNN-1CL卷积神经网络的最后两层分别为全局平均池化层和全连接层,其中全连接层的输入通道数为256,输出通道数为2,CNN-1CL卷积神经网络的所有权重都是从kaiming(凯明)均匀分布中采样来进行随机初始化;
其中所述Relu为非线性激活函数,函数的输入为x,输出为y,使得输入负值变为0,其余值保持不变,来增加网络的非线性的表达:
y=max(0,x)
CNN-1CL卷积神经网络的输出为二维向量zj,j=1,2分别表示图像属于正例和负例的权重大小,数值越大代表可能性越高,所述softmax函数,将网络输出的二维向量zj,压缩到(0,1)之间,并且向量z的两个分量和为1,softmax输出P(y=j|x)表示图像x属于正例和负例的概率;
步骤5:使用CNN-1CL卷积神经网络对测试集进行训练与测试,输出预测结果,实现小样本数据集的准确自动分类;所述测试集包括正例和负例的待测图片;
CNN-1CL卷积神经网络的输入大小为3*224*224,batch size为32,使用交叉熵作为损失函数H,如下式所示:
H(x,q)=-∑xp(x)logq(x)
其中x为输入数据,p为图像的真实标签分布,q为模型预测的标签分布;优化器为Adam,学习率为0.001,betas=(0.9,0.999)。模型训练使用动态学习率调整策略,学习率每100轮下降一半,共训练1000轮。
测试集图片通过resize和crop调整到3*224*224。将网络输出概率最大的值的类别作为预测标签,使用真实标签进行评价指标的计算。
采用上述技术方法所产生的有益效果在于:
本发明提供一种基于改进CNN的小样本图像分类方法,通过对浅层卷积神经网络进行分析,构建了一个针对小样本图像分类任务的模型。在数据预处理过程中,提出了一种新型的基于Resize-Crop-Resize(简称为RCR)的数据增强方法,在较大程度保留图像原始信息的情况下,又增加了图像的变化,有效地减轻了网络的过拟合。此外,本发明提出了一种改进卷积神经网络(CNN-1CL,1CL表示1*1卷积层)的分类模型,通过首端设计的3个1*1的卷积,和一个Relu激活函数,增加了原图像的非线性变化。本发明创新性的在模型的首端使用1*1卷积,对原始图片的各个通道进行线性加权,并增加一个Relu函数,来增加图像的非线性表示。使得网络可以端到端的对图像进行自适应的再一次增强,相当于加强了适用于网络分类任务的图像各项特征,通过在网络第一层使用1*1卷积,在不明显增加网络参数量的前提下,分类模型的效果得到了显著的提升,十分适用于小样本数据分类。与原始分类模型相比,本发明的分类效果有了明显的提升。
附图说明
图1为本发明分类方法流程图;
图2为本发明RCR数据增强方法
图3为本发明图像预处理整体流程图
图4为本发明CNN-1CL整体网络结构图
图5为本发明实施例中1*1卷积层示意图
图6为本发明1*1卷积层效果示意图;
图7为本发明7*7卷积层示意图
图8为本发明Relu激活函数示意图
图9为本发明最大池化示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本发明的技术方案为,一种基于改进CNN的小样本图像分类方法,如图1所示,包括以下步骤:
步骤1:对样本图像进行预处理,将样本图像转换成统一的PNG格式;
步骤2:分析处理后的样本图像的像素值分布,计算数据的均值和标准差;
步骤3:使用基于RCR(RCR为Resize调整尺寸-Crop剪裁-Resize调整尺寸)的数据增强策略,对处理后的样本图像进行尺寸调整、垂直翻转、水平翻转和旋转,根据均值和标准差进行图像的像素值归一化;
先将图像短边Resize成256,然后使用随机Crop,对图像中心处进行随机剪裁,最后再对图像进行第二次Resize操作,图像尺寸变为224*224。如图2所示,RCR在保留大量图像信息的前提下,增加了图像的变化,有效的缓解了小样本的过拟合问题,取得了不错的增强效果。它独立于其他数据增强方法,可以与其他方法进行随意的组合,简单有效,容易实现。
本发明中的图像预处理整体流程如图3所示。收集的数据格式统一成相同PNG格式,计算出像素的均值和标准差。
步骤3.1:将处理后的样本图像最短边调整尺寸至256大小,使用双三次插值算法,将另一边调整成保持原始图像纵横比的对应大小;
步骤3.2:在处理后的样本图像中心处进行随机剪裁图像;
步骤3.3:将处理后的样本图像Resize调整尺寸至224*224大小;
步骤3.4:以50%的概率对处理后的样本图像进行垂直翻转;
步骤3.5:以50%的概率对处理后的样本图像进行水平翻转;
步骤3.6:将处理后的样本图像进行随机旋转0-30°;
步骤3.7:使用均值和标准差对处理后的样本图像进行像素值归一化,归一化的计算如下:
输出[通道]=(输入[通道]–均值[通道])/标准差[通道]
输入处理后的样本图像,减去求得的图像均值,再除以标准差;像素值归一化可以使网络训练更稳定,鲁棒性更强。基于RCR的数据增强方法,在保留了大量图像信息的前提下,增加了图像的多样性。
步骤4:将步骤3中输出的样本图像输入至卷积神经网络,训练CNN-1CL卷积神经网络,直到网络趋于收敛;
CNN-1CL整体网络结构图如图4所示,输入图片大小为3*224*224,所述CNN-1CL卷积神经网络共有三层,第一层由3个1*1的卷积层和Relu激活函数组成,后接四个由7*7的卷积层、Relu激活函数、批归一化(BN)和最大池化层(Max-Pool)组成的模块,其中四个7*7的卷积层步长为1,通道数分别是32,64,128,256,每一个卷积层后都添加一个Relu激活函数,批归一化的参数默认是eps=1e-05,momentum=0.1,最大池化层的卷积核的大小是2*2,CNN-1CL卷积神经网络的最后两层分别为全局平均池化层和全连接层,全连接层的输入通道数为256,输出通道数为2,CNN-1CL卷积神经网络的输出为二维向量zj,j=1,2分别表图像属于正例和负例的权重大小,数值越大代表可能性越高,所占的大小经过softmax函数,将网络输出的二维向量zj,压缩到(0,1)之间,并且向量z的两个分量和为1。softmax输出P(y=j|x)表示图像属于正例和负例的概率;CNN-1CL卷积神经网络的所有权重都是从kaiming(凯明)均匀分布中采样来进行随机初始化;
其中所述Relu为非线性激活函数,函数的输入为x,输出为y,使得输入负值变为0,其余值保持不变,来增加网络的非线性的表达,如图8所示。
y=max(0,x)
CNN-1CL卷积神经网络的输出为二维向量zj,j=1,2分别表示图像属于正例和负例的权重大小,数值越大代表可能性越高。softmax函数,将网络输出的二维向量zj,压缩到(0,1)之间,并且向量z的两个分量和为1。softmax输出P(y=j|x)表示图像x属于正例和负例的概率。
1*1的卷积层如图5所示,应用于卷积神经网络中,在所用参数量较少的情况下,对图像中间特征进行升维,降维。本发明创新性的在模型的首端使用1*1卷积,对原始图片的各个通道进行线性加权,并增加一个Relu函数,来增加图像的非线性表示。使得网络可以端到端的对图像进行自适应的再一次增强,相当于加强了适用于网络分类任务的图像各项特征。1*1卷积的效果如图6所示,通过在网络第一层使用1*1卷积,在不明显增加网络参数量的前提下,分类模型的效果得到了显著的提升,十分适用于小样本数据分类。
为了解决小样本分类任务,本发明使用了浅层的卷积神经网络架构,避免深层网络参数量过大,容易过拟合。模型组件的介绍如下。卷积核大小为7*7的卷积,如图7所示,用于提取图像特征。Relu激活函数如图8所示,可以过滤响应为负数的参数,增加模型的非线性。批标准化通过统计每一个batch的均值和方差进行归一化,来加快网络的训练和收敛的速度,控制梯度爆炸,防止梯度消失,减少过拟合,十分适用于小样本分类任务。卷积核为2*2的最大池化层,如图9所示,丢弃网络中的较小参数,减轻网络的过拟合效应。在小样本数据分类任务中,相比于其他模型,CNN-1CL模型的参数量小,分类效果更好。
步骤5:使用CNN-1CL卷积神经网络对测试集进行训练与测试,输出预测结果,实现小样本数据集的准确自动分类;所述测试集包括正例和负例的待测图片;
CNN-1CL卷积神经网络的输入大小为3*224*224,batch size为32,使用交叉熵作为损失函数H,如下式所示:
H(x,q)=-∑xp(x)logq(x)
其中x为输入数据,p为图像的真实标签分布,q为模型预测的标签分布;优化器为Adam,学习率为0.001,betas=(0.9,0.999)。模型训练使用动态学习率调整策略,学习率每100轮下降一半,共训练1000轮。
测试集图片通过resize和crop调整到3*224*224。将网络输出概率最大的值的类别作为预测标签,使用真实标签进行评价指标的计算。
本发明通过设计基于RCR的数据增强方法,很大程度上保留了原始图像信息,增加了图像的多样性,减少了网络的过拟合。提出的基于卷积神经网络的CNN-1CL分类模型,通过网络第一层的3组1*1卷积和Relu激活函数,提升了图像特征的学习效果,提高了网络的分类效果。本发明使用一组小样本影像数据进行二分类实验,样本数分别为正例592张和负例625张,使用五折交叉验证。评价指标分别为准确率(ACC)、召回率(Recall)、加权调和平均数(F1)、ROC曲线下的面积(AUC),测试结果如下:
表1测试结果
模型 | ACC | Recall | F1 | AUC |
CNN | 0.844 | 0.842 | 0.846 | 0.921 |
CNN-1CL | 0.861 | 0.900 | 0.868 | 0.929 |
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权利要求所限定的范围。
Claims (3)
1.一种基于改进CNN的小样本图像分类方法,其特征在于,包括以下步骤:
步骤1:对样本图像进行预处理,将样本图像转换成统一的PNG格式;
步骤2:分析处理后的样本图像的像素值分布,计算数据的均值和标准差;
步骤3:使用基于RCR(RCR为Resize调整尺寸-Crop剪裁-Resize调整尺寸)的数据增强策略,对处理后的样本图像进行尺寸调整、垂直翻转、水平翻转和旋转,根据均值和标准差进行图像的像素值归一化;
步骤4:将步骤3中输出的样本图像输入至卷积神经网络,训练CNN-1CL卷积神经网络,直到网络趋于收敛;
步骤5:使用CNN-1CL卷积神经网络对测试集进行训练与测试,输出预测结果,实现小样本数据集的准确自动分类;所述测试集包括正例和负例的待测图片;
所述CNN-1CL卷积神经网络的输入大小为3*224*224,batch size为32,使用交叉熵作为损失函数H,如下式所示:
H(x,q)=-Σxp(x)log q(x)
其中x为输入数据,p为图像的真实标签分布,q为模型预测的标签分布;优化器为Adam,学习率为0.001,betas=(0.9,0.999),模型训练使用动态学习率调整策略,学习率每100轮下降一半;
测试集图片通过resize和crop调整到3*224*224;将网络输出概率最大的值的类别作为预测标签,使用真实标签进行评价指标的计算。
2.根据权利要求1所述的一种基于改进CNN的小样本图像分类方法,其特征在于,所述CNN-1CL卷积神经网络共有三层,第一层由3个1*1的卷积层和Relu激活函数组成,后接四个由7*7的卷积层、Relu激活函数、批归一化(BN)和最大池化层(Max-Pool)组成的模块,其中四个7*7的卷积层步长为1,通道数分别是32,64,128,256,每一个卷积层后都添加一个Relu激活函数,批归一化的参数默认是eps=0.00001,momentum=0.1,最大池化层的卷积核的大小是2*2,CNN-1CL卷积神经网络的最后两层分别为全局平均池化层和全连接层,其中全连接层的输入通道数为256,输出通道数为2,CNN-1CL卷积神经网络的所有权重都是从kaiming(凯明)均匀分布中采样来进行随机初始化;
其中所述Relu为非线性激活函数,函数的输入为x,输出为y,使得输入负值变为0,其余值保持不变,来增加网络的非线性的表达:
y=max(0,x)
CNN-1CL卷积神经网络的输出为二维向量zj,j=1,2分别表示图像属于正例和负例的权重大小,数值越大代表可能性越高,所述softmax函数,将网络输出的二维向量zj,压缩到(0,1)之间,并且向量z的两个分量和为1,softmax输出P(y=j|x)表示图像x属于正例和负例的概率;
3.根据权利要求1所述的一种基于改进CNN的小样本图像分类方法,其特征在于,所述步骤3具体包括以下步骤:
步骤3.1:将处理后的样本图像最短边调整尺寸至256大小,使用双三次插值算法,将另一边调整成保持原始图像纵横比的对应大小;
步骤3.2:在处理后的样本图像中心处进行随机剪裁图像;
步骤3.3:将处理后的样本图像Resize调整尺寸至224*224大小;
步骤3.4:以50%的概率对处理后的样本图像进行垂直翻转;
步骤3.5:以50%的概率对处理后的样本图像进行水平翻转;
步骤3.6:将处理后的样本图像进行随机旋转0-30°;
步骤3.7:使用均值和标准差对处理后的样本图像进行像素值归一化,归一化的计算如下:
输出[通道]=(输入[通道]–均值[通道])/标准差[通道]
输入处理后的样本图像,减去求得的图像均值,再除以标准差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110410717.3A CN113159159B (zh) | 2021-04-15 | 2021-04-15 | 一种基于改进cnn的小样本图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110410717.3A CN113159159B (zh) | 2021-04-15 | 2021-04-15 | 一种基于改进cnn的小样本图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113159159A true CN113159159A (zh) | 2021-07-23 |
CN113159159B CN113159159B (zh) | 2023-09-29 |
Family
ID=76868597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110410717.3A Active CN113159159B (zh) | 2021-04-15 | 2021-04-15 | 一种基于改进cnn的小样本图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113159159B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113902749A (zh) * | 2021-09-30 | 2022-01-07 | 上海商汤临港智能科技有限公司 | 一种图像处理方法、装置、计算机设备和存储介质 |
CN115017945A (zh) * | 2022-05-24 | 2022-09-06 | 南京林业大学 | 基于增强型卷积神经网络的机械故障诊断方法和诊断系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017220032A1 (zh) * | 2016-06-24 | 2017-12-28 | 平安科技(深圳)有限公司 | 基于深度学习的车牌分类方法、系统、电子装置及存储介质 |
CN110188824A (zh) * | 2019-05-31 | 2019-08-30 | 重庆大学 | 一种小样本植物病害识别方法及系统 |
CN110573066A (zh) * | 2017-03-02 | 2019-12-13 | 光谱Md公司 | 用于多光谱截肢部位分析的机器学习系统和技术 |
CN110570377A (zh) * | 2019-09-11 | 2019-12-13 | 辽宁工程技术大学 | 一种基于组归一化的快速图像风格迁移方法 |
CN110853009A (zh) * | 2019-11-11 | 2020-02-28 | 北京端点医药研究开发有限公司 | 基于机器学习的视网膜病理图像分析系统 |
CN111062952A (zh) * | 2018-10-16 | 2020-04-24 | 腾讯科技(深圳)有限公司 | 肺部图像分割设备、方法及存储介质 |
WO2020177651A1 (zh) * | 2019-03-01 | 2020-09-10 | 华为技术有限公司 | 图像分割方法和图像处理装置 |
WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
CN111723654A (zh) * | 2020-05-12 | 2020-09-29 | 中国电子系统技术有限公司 | 基于背景建模、YOLOv3与自优化的高空抛物检测方法及装置 |
WO2020238293A1 (zh) * | 2019-05-30 | 2020-12-03 | 华为技术有限公司 | 图像分类方法、神经网络的训练方法及装置 |
US10885099B1 (en) * | 2019-08-07 | 2021-01-05 | Capital One Services, Llc | Systems and methods for presenting image classification results |
-
2021
- 2021-04-15 CN CN202110410717.3A patent/CN113159159B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017220032A1 (zh) * | 2016-06-24 | 2017-12-28 | 平安科技(深圳)有限公司 | 基于深度学习的车牌分类方法、系统、电子装置及存储介质 |
CN110573066A (zh) * | 2017-03-02 | 2019-12-13 | 光谱Md公司 | 用于多光谱截肢部位分析的机器学习系统和技术 |
CN111062952A (zh) * | 2018-10-16 | 2020-04-24 | 腾讯科技(深圳)有限公司 | 肺部图像分割设备、方法及存储介质 |
WO2020177651A1 (zh) * | 2019-03-01 | 2020-09-10 | 华为技术有限公司 | 图像分割方法和图像处理装置 |
WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
WO2020238293A1 (zh) * | 2019-05-30 | 2020-12-03 | 华为技术有限公司 | 图像分类方法、神经网络的训练方法及装置 |
CN110188824A (zh) * | 2019-05-31 | 2019-08-30 | 重庆大学 | 一种小样本植物病害识别方法及系统 |
US10885099B1 (en) * | 2019-08-07 | 2021-01-05 | Capital One Services, Llc | Systems and methods for presenting image classification results |
CN110570377A (zh) * | 2019-09-11 | 2019-12-13 | 辽宁工程技术大学 | 一种基于组归一化的快速图像风格迁移方法 |
CN110853009A (zh) * | 2019-11-11 | 2020-02-28 | 北京端点医药研究开发有限公司 | 基于机器学习的视网膜病理图像分析系统 |
CN111723654A (zh) * | 2020-05-12 | 2020-09-29 | 中国电子系统技术有限公司 | 基于背景建模、YOLOv3与自优化的高空抛物检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
韩晓臻: "一种基于ResNet与迁移学习的小样本图像识别方法", 《浙江万里学院学报》, vol. 33, no. 6 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113902749A (zh) * | 2021-09-30 | 2022-01-07 | 上海商汤临港智能科技有限公司 | 一种图像处理方法、装置、计算机设备和存储介质 |
CN115017945A (zh) * | 2022-05-24 | 2022-09-06 | 南京林业大学 | 基于增强型卷积神经网络的机械故障诊断方法和诊断系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113159159B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111369563B (zh) | 一种基于金字塔空洞卷积网络的语义分割方法 | |
CN107316307B (zh) | 一种基于深度卷积神经网络的中医舌图像自动分割方法 | |
WO2021139258A1 (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
CN106778687B (zh) | 基于局部评估和全局优化的注视点检测方法 | |
CN112949704B (zh) | 一种基于图像分析的烟叶成熟度状态识别方法及装置 | |
CN111222457B (zh) | 一种基于深度可分离卷积的鉴别视频真伪性的检测方法 | |
CN109190511B (zh) | 基于局部与结构约束低秩表示的高光谱分类方法 | |
CN113159159B (zh) | 一种基于改进cnn的小样本图像分类方法 | |
WO2023179099A1 (zh) | 一种图像检测方法、装置、设备及可读存储介质 | |
CN110503140B (zh) | 基于深度迁移学习与邻域降噪的分类方法 | |
CN111798440A (zh) | 医学图像伪影自动识别方法、系统及存储介质 | |
CN111553438A (zh) | 一种基于卷积神经网络的图像识别方法 | |
CN112819063B (zh) | 一种基于改进的Focal损失函数的图像识别方法 | |
CN113361623A (zh) | 一种轻量级cnn结合迁移学习的医学图像分类方法 | |
CN112819821A (zh) | 一种细胞核图像检测方法 | |
CN110110724A (zh) | 基于指数型挤压函数驱动胶囊神经网络的文本验证码识别方法 | |
CN113011243A (zh) | 基于胶囊网络的面部表情分析方法 | |
CN111860601B (zh) | 预测大型真菌种类的方法及装置 | |
CN113065430A (zh) | 基于深度学习特征与人工提取特征融合的白细胞分类方法 | |
CN113409290B (zh) | 一种液晶屏外观缺陷检测方法、装置及存储介质 | |
CN114120406B (zh) | 基于卷积神经网络的人脸特征提取分类方法 | |
CN115511838A (zh) | 一种基于群智能优化的植物病害高精度识别方法 | |
CN111178174B (zh) | 基于深度卷积神经网络的尿液有形成分图像识别方法 | |
Monteiro et al. | Deep learning recognition of a large number of pollen grain types | |
Yu | Research progress of crop disease image recognition based on wireless network communication and deep learning |
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 |