CN113191386A - 基于网格重构学习的染色体分类模型 - Google Patents

基于网格重构学习的染色体分类模型 Download PDF

Info

Publication number
CN113191386A
CN113191386A CN202110324813.6A CN202110324813A CN113191386A CN 113191386 A CN113191386 A CN 113191386A CN 202110324813 A CN202110324813 A CN 202110324813A CN 113191386 A CN113191386 A CN 113191386A
Authority
CN
China
Prior art keywords
chromosome
image
features
cut
classification
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
CN202110324813.6A
Other languages
English (en)
Other versions
CN113191386B (zh
Inventor
张�林
易先鹏
王广杰
刘辉
李港深
路霖
周晋君
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.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
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 China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN202110324813.6A priority Critical patent/CN113191386B/zh
Publication of CN113191386A publication Critical patent/CN113191386A/zh
Application granted granted Critical
Publication of CN113191386B publication Critical patent/CN113191386B/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
    • G06F18/24—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
    • G06F18/214—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

Landscapes

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

Abstract

本发明针对弯曲染色体识别困难、染色体细粒度以及不同显色技术的染色体数据集上泛化困难等问题提出基于网格重构学习的染色体分类模型，有效提高染色体分类的精度。该网络特别设计网格化及网格重构模块，首先将染色体图像网格化，弱化染色体弯曲造成的不利影响；随后利用网格重构模块，筛选重构特征，以提高弯曲染色体的识别性能。网格重构学习模型在三个不同公共染色体数据集上分类精度达到0.973，0.972和0.995。

Description

基于网格重构学习的染色体分类模型
技术领域
本发明属于医学图像分类领域，特别涉及染色体图像分类。因此提出图像网格化以及特征重构等技术来解决染色体图像分类困难这一问题。
背景技术
体健康体细胞内有23对染色体，包括22对常染色体和一对性染色体。核型分析通常对分裂中期的染色体进行扫描拍摄，采集获得一定数量的染色体核型图，经过一系列处理和优化后，完成染色体的分类及异常识别，为染色体变异相关疾病的诊断及未知基因型疾病的发现提供有力参考。作为核型分析的核心环节，染色体分类一直是核型分析领域的研究重点。然而，人类正常体细胞内不同类别的染色体形态相似，但细节纹理部分差异显著; 且由于染色体的非刚性特点，各染色体长短臂可以呈现出不同的弯曲状态。染色体的这些性质决定了其具有类间差距小、类内差距大的特点,给精准分类造成了较大挑战。
从发展历史过程来看，基于核型图的染色体分类方法经历了传统图像分类方法和基于卷积神经网络(Convolutional Neural Network，CNN)方法两个阶段。传统的染色体的自动分类方法一般由3个步骤构成，包括提取染色体中心轴，根据中心轴提取各种特征，以及通过分类器进行分类。其中，染色体中心轴的提取决定了后续的特征提取及处理，但是由于染色体的弯曲程度决定了中心轴提取的质量，进而影响分类特征提取的质量。因此传统方法在处理弯曲染色体时，往往先对染色体进行拉直处理后，再提取中心轴。可以看出，构成传统算法的多个环节都有较好的可解释性，但算法整体的环节多、复杂度高，给分类效果引入了不确定性。
随着深度学习的兴起，CNN可以出色的完成端到端的图像识别任务，并提高效率。因此，设计合理的CNN模型可以自主地从数据中挖掘出有价值的特征，出色地完成包括图像分类在内的复杂任务，为染色体分类特征的提取提供了一些新思路。其中，Sharma、Swati等人提出了基于CNN的提取染色体特征分类方法,其分类准确率分别达到了86.7%和85.6%。但是这两种方法在将染色体数据输入网络前，仍需先对染色体进行拉直，无法端到端地完成任务。Qin等人提出的方法不做染色体拉直的预处理，直接在高达87831张手工标注的G带图上训练CNN模型，获得了较高的分类准确度。然而，由于该模型没有从根本上针对染色体弯曲进行设计，在面对无法提供海量训练数据的实际问题时，较难达到预期的性能。从一般性的图像分类的角度来看，由于染色体核型图存在类间差距小、类内差距大的特点，因此应当将其分类任务类比于自然图像的细粒度分类任务。目前细粒度分类任务多通过两种思路完成，即仅基于图像级标签实现的弱监督分类和带有边界框、零件关键点等额外信息的强监督分类。
在弱监督分类算法方面，Cui等人提出了基于显式特征映射的池化框架，以提升细粒度分类精度。然而，这种方法虽然可以利用核函数较好地捕捉CNN所提取的特征间的高阶信息，但仍没有提出更有效的局部特征提取方法。Lin等提出了由两个CNN特征抽取器组成的双线性模型框架，其输出的特征图在外积之后池化得到特征向量用于分类预测。该模型能以平移不变的方式对局部的成对特征进行提取，以获得更精细的特征。但是此方法较难将特征进行有效地关联，且模型参数数目过多，计算量大，其训练和推理都会对普通计算平台造成较大压力，不利于模型的实际应用。另一些研究者提出破坏与重建学习模型和循环注意力卷积神经网络模型，强化局部特征对分类任务的贡献，以更好地学习具有判别性的特征、提高分类的准确性。但两种方法均无法对局部特征实现充分的有效关联。
在强监督分类方面，Wei等人基于细粒度图像的局部标注，提出了基于全卷积的网络结构，用于定位有区别的部分，并生成目标及对应掩码，以便提取出有区分度的特征。在此基础上，该算法进一步搭建了四路掩模CNN模型，聚合提取出的特征，构建高精度分类器。但这种强监督分类需要额外的标注，增加了成本及工作量。同样，在设计染色体分类模型时，也会遇到上述相同的问题。
综上所述，已有的染色体分类方法和细粒度分类思想在对训练样本的数量、质量，及模型对图像的局部特征提取能力、局部特征的综合利用程度、计算量和最终准确度等方面都存在一定的局限。
发明内容
本发明的目的在于针对上述现有技术存在的缺陷，利用微分思想，设计了网格重构学习模型提取细粒度局部特征，克服染色体弯曲、数据集的大小和染色体类内差距大类间差距小对分类效果的影响。
本发明的技术思路是：本发明以裁剪后的Resnet50为骨干网络，在未提取特征前将图像网格化，弱化弯曲染色体带来的不利影响，并分别利用骨干网络提取特征，再用重构网络对每个切割块的特征进行重构，加强彼此的联系。这种方法有效的解决了染色体弯、数据集的大小和染色体类内差距大类间差距小的问题，提升了分类准确率。
其实现方案包括如下：
(1)对染色体图像进行预处理；
(1a)将染色体图像放缩到448×456×1；
(1b)生成对应的类别标签向量；
(2)染色体图像的网格化；
(2a)将染色体图像重叠划分成9块，每块大小224×224；
(2b)完整图像经过一个卷积层降维到224×224；
(2c)将9个图像和一个特征图送入到裁剪后的resnet50中提取特征；
(3)构建网格重构模块；
(3a)网格重构模块由两个支路组成，一条支路提取全局特征，一条支路提取局部特征；
(3b)提取全局特征：9个切割图像对应的特征向量，分别经过9个自定义权重（需学习）获得筛选后的9个特征向量，9个特征向量经过一个最大池化层获得全局特征；
(3c)提取局部特征：9个切割图像对应的特征向量与相邻块的筛选后的特征向量相加，获得当前切割图像的特征向量；
(4)构建分类器，在模型的尾端添加由全连接层组成的11个分类器；
(5)构建GRiCoL(GRid reConstruction Learning)；
(5a)本发明以裁剪后的Resnet50为骨干网络，通过设置网格化模块及网格重构模块等提出GRiCoL网络，网络主体由标准卷积层、池化层、全连接层及自定义权重层组成；
(5b) GRiCoL分两条支路，上支路先经过网格模块对染色体图像网格化，然后经过骨干网络提取特征，最后重构模块对提取的特征重构，下支路直接对完整图像通过骨干网络提取特征并进行分类；
(5c)骨干网络共享参数权重；
(6)对GRiCoL训练测试：为了有效避免过学习和欠学习，并综合考虑计算成本，本发明开展5折交叉验证实验并统计其测试集的分类准确率用于最终性能的评估。网络统一采用Adam优化器最小化目标函数，这是一种经实践表明性能较优，且可自适应调节学习率的优化方法。测试时只用模型的下支路进行测试。
本发明与现有技术相比，具有以下优点：
1. 本发明实现了更高的染色体分类准确率；
2. 本发明提出的网格化模块可以有效的减少弯曲染色体带来的不利影响；
3. 本发明提出的网格重构模块，可以加强每个切分块的特征关联性，以及筛选出有区分度的特征；
4. 本发明提出的GRiCoL模型对各种染色体数据集都有较高的泛化能力。
附图说明：
图1是GRiCoL网络结构；
图2是染色体网格化图；
图3是网格重构模块结构图。
具体实施方案：
步骤1，对染色体图像进行预处理；
(1a)将染色体图像放缩到448×456×1；如图2（a）
(1b)生成对应的类别标签向量；
步骤2，染色体图像的网格化；
(2a)将染色体图像重叠划分成9块，每块大小224×224×1。切割方式为重叠切割：GRiCoL模型对图像的行列均进行3切分，且高方向的切割点设定为112、224，宽方向的切割点为120与232；由于切分块自身宽高均为224像素，切割后的区块在行和列方向上都会出现重叠，且第一行和第三行的边界恰好相接，而第一列和第三列边界有8个像素的距离，如图2（b）所示；
(2b)完整图像经过一个卷积层放缩到224×224，如图1所示；
(2c)将9个图像和一个特征图送入到裁剪后的Resnet50中提取特征，如图1所示；
步骤3，构建网格重构模块如图3所示；
(3a)网格重构模块由两个支路组成，一条支路提取全局特征，一条支路提取局部特征；
(3b)提取全局特征：9个切割图像对应的特征向量，分别与9个自定义参数（需学习）进行哈达玛乘积获得权重，然后再与9个特征向量进行哈达玛乘积获得筛选后的9个特征向量，9个特征向量经过一个最大池化层获得全局特征；
(3c)提取局部特征：9个切割图像对应的特征向量与相邻块的筛选后的特征向量相加，获得当前切割图像的特征向量；
步骤4，构建分类器，在模型的尾端添加由全连接层组成的11个分类器，如图1的全连接层；
步骤5，构建GRiCoL，如图1所示；
(5a)本发明以裁剪后的Resnet50为骨干网络，通过设置网格化模块及网格重构模块等提出GRiCoL网络，网络主体由标准卷积层、池化层、全连接层及自定义权重层组成；
(5b) GRiCoL分两条支路，上支路先经过网格模块对染色体图像网格化，然后经过骨干网络提取特征，最后重构模块对提取的特征重构，下支路直接对完整图像通过骨干网络提取特征并进行分类；
(5c)骨干网络共享参数权重；
步骤6，对GRiCoL 网络进行训练测试。
为了有效避免过学习和欠学习，并综合考虑计算成本，本发明开展5折交叉验证实验并统计其测试集的分类准确率用于最终性能的评估。网络统一采用Adam优化器最小化目标函数，这是一种经实践表明性能较优，且可自适应调节学习率的优化方法，最后用模型的下支路完成推理。本发明实验环境配置如下：计算机处理器为Intel(R) Xeon(R) W-2175CPU @2.50GHz， 64GB运行内存， NVIDIA GeForce RTX 2080Ti GPU，PyTorch框架。
综上，本发明提出了一种基于网格重构学习的染色体分类模型，实现染色体的高精度分类。该网络特别设计网格化和网格重构模块。提高了特征提取能力及对弯曲染色体识别能力。染色体的分类性能和泛化能力显著提升。在三个公共染色体数据集上分类精度达到 0.973，0.972和0.995。

Claims (6)

1.一种基于网格重构学习的染色体分类方法，其特征在于：
(1)对染色体图像进行预处理；
(1a)将染色体图像放缩到448×456×1；
(1b)生成对应的类别标签向量；
(2)染色体图像的网格化；
(2a)将染色体图像重叠划分成9块，每块大小224×224×1；
(2b)完整图像经过一个卷积层降维后得到224×224×1的特征图；
(2c)将9个图像和一个特征图送入到裁剪后的Resnet50中提取特征；
(3)构建网格重构模块（Grid Reconstruction Model）；
(3a)网格重构模块由两个支路组成，一条支路提取全局特征，一条支路提取局部特征；
(3b)提取全局特征：9个切割图像对应的特征向量，分别经过9个自定义权重（需学习）获得筛选后的9个特征向量，9个特征向量经过一个最大池化层，获得全局特征；
(3c)提取局部特征：9个切割图像对应的特征向量与相邻块的筛选后的特征向量相加，获得当前切割图像的特征向量；
(4)构建分类器，在模型的尾端添加由全连接层组成的11个分类器；
(5)构建GRiCoL (GRid reConstruction Learning)；
(5a)本发明以裁剪后的Resnet50为骨干网络，通过设置网格化模块及网格重构模块等提出GRiCoL网络，网络主体由标准卷积层、池化层、全连接层及自定义权重层组成；
(5b) GRiCoL分两条支路，上支路先经过网格模块对染色体图像网格化，然后经过骨干网络提取特征，最后重构模块对提取的特征重构，下支路直接对完整图像通过裁剪后的Resnet50提取特征并进行分类；
(5c)骨干网络共享参数权重；
(6)对GRiCoL 网络进行训练；
为了有效避免过学习和欠学习，并综合考虑计算成本，本发明开展5折交叉验证实验并统计其测试集的分类准确率用于最终性能的评估；网络统一采用Adam优化器最小化目标函数，这是一种经实践表明性能较优，且可自适应调节学习率的优化方法；测试时只用模型的下支路进行测试。
2.根据权利要求1所述的方法，其特征在于，步骤(2a)中图像的行列均进行3切分,即宽高方向各切3块，且为重叠切割；步骤(2b)采用卷积核大小为1×11×5×1，步长为2进行降维。
3.根据权利要求1所述的方法，其特征在于，步骤(3a)中采取两条之路分别获得全局特征和局部特征；步骤(3b)中定义了9个长度为1024的权重向量（参数可学习），用于筛选特征，然后得到的9个特征向量拼接成一个3×3的特征图，最后利用最大池化获得一个全局特征向量，其代表筛选后完整图像对应的特征向量；步骤(3c)中Resnet50提取特征后将与(3b)中相邻块的筛选的特征进行相加获得融合特征，以加强相邻块的关联性。
4.根据权利要求1所述的方法，其特征在于，步骤(4)中提取到共11个特征向量，每个特征向量都会参与分类损失计算。
5.根据权利要求1所述的方法，其特征在于，步骤(5b)中使用两条支路同时训练网络；步骤(5c)中使用骨干网络的参数将共享，测试时只用下支路即完整图像输入的支路进行预测。
6.根据权利要求1所述的方法，其特征在于，步骤(6)中的5折交叉验证实验是指每组实验中均将所有染色体图像分成5份，每份数据分别作为测试集，其余4份作为训练集，分别训练5个模型；测试时只用下支路完成测试，节省推理时间。
CN202110324813.6A 2021-03-26 2021-03-26 基于网格重构学习的染色体分类模型 Active CN113191386B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110324813.6A CN113191386B (zh) 2021-03-26 2021-03-26 基于网格重构学习的染色体分类模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110324813.6A CN113191386B (zh) 2021-03-26 2021-03-26 基于网格重构学习的染色体分类模型

Publications (2)

Publication Number Publication Date
CN113191386A true CN113191386A (zh) 2021-07-30
CN113191386B CN113191386B (zh) 2023-11-03

Family

ID=76974053

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110324813.6A Active CN113191386B (zh) 2021-03-26 2021-03-26 基于网格重构学习的染色体分类模型

Country Status (1)

Country Link
CN (1) CN113191386B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732186A (zh) * 2013-12-18 2015-06-24 南京理工大学 基于局部子空间稀疏表示的单样本人脸识别方法
US20160034788A1 (en) * 2014-07-30 2016-02-04 Adobe Systems Incorporated Learning image categorization using related attributes
US20160035078A1 (en) * 2014-07-30 2016-02-04 Adobe Systems Incorporated Image assessment using deep convolutional neural networks
CN105447468A (zh) * 2015-12-01 2016-03-30 无锡职业技术学院 彩色图像过完整分块特征抽取方法
CN107273824A (zh) * 2017-05-27 2017-10-20 西安电子科技大学 基于多尺度多方向局部二值模式的人脸识别方法
WO2018165103A1 (en) * 2017-03-06 2018-09-13 University Of Southern California Machine learning for digital pathology
CN109086792A (zh) * 2018-06-26 2018-12-25 上海理工大学 基于检测和识别网络架构的细粒度图像分类方法
US20190138786A1 (en) * 2017-06-06 2019-05-09 Sightline Innovation Inc. System and method for identification and classification of objects
CN110728263A (zh) * 2019-10-24 2020-01-24 中国石油大学(华东) 一种基于距离选择的强判别特征学习的行人重识别方法
US20200097771A1 (en) * 2018-09-25 2020-03-26 Nec Laboratories America, Inc. Deep group disentangled embedding and network weight generation for visual inspection
CN111008618A (zh) * 2019-10-29 2020-04-14 黄山学院 一种自注意力深度学习端到端的行人再识别方法
CN111178432A (zh) * 2019-12-30 2020-05-19 武汉科技大学 多分支神经网络模型的弱监督细粒度图像分类方法
CN111259780A (zh) * 2020-01-14 2020-06-09 南京审计大学 一种基于分块线性重构鉴别分析的单样本人脸识别方法
CN111310666A (zh) * 2020-02-18 2020-06-19 浙江工业大学 一种基于纹理特征的高分辨率影像地物识别与分割方法
CN111539469A (zh) * 2020-04-20 2020-08-14 东南大学 一种基于视觉自注意力机制的弱监督细粒度图像识别方法
JP6830707B1 (ja) * 2020-01-23 2021-02-17 同▲済▼大学 ランダムバッチマスクとマルチスケール表現学習を融合した人物再同定方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732186A (zh) * 2013-12-18 2015-06-24 南京理工大学 基于局部子空间稀疏表示的单样本人脸识别方法
US20160034788A1 (en) * 2014-07-30 2016-02-04 Adobe Systems Incorporated Learning image categorization using related attributes
US20160035078A1 (en) * 2014-07-30 2016-02-04 Adobe Systems Incorporated Image assessment using deep convolutional neural networks
CN105447468A (zh) * 2015-12-01 2016-03-30 无锡职业技术学院 彩色图像过完整分块特征抽取方法
WO2018165103A1 (en) * 2017-03-06 2018-09-13 University Of Southern California Machine learning for digital pathology
CN107273824A (zh) * 2017-05-27 2017-10-20 西安电子科技大学 基于多尺度多方向局部二值模式的人脸识别方法
US20190138786A1 (en) * 2017-06-06 2019-05-09 Sightline Innovation Inc. System and method for identification and classification of objects
CN109086792A (zh) * 2018-06-26 2018-12-25 上海理工大学 基于检测和识别网络架构的细粒度图像分类方法
US20200097771A1 (en) * 2018-09-25 2020-03-26 Nec Laboratories America, Inc. Deep group disentangled embedding and network weight generation for visual inspection
CN110728263A (zh) * 2019-10-24 2020-01-24 中国石油大学(华东) 一种基于距离选择的强判别特征学习的行人重识别方法
CN111008618A (zh) * 2019-10-29 2020-04-14 黄山学院 一种自注意力深度学习端到端的行人再识别方法
CN111178432A (zh) * 2019-12-30 2020-05-19 武汉科技大学 多分支神经网络模型的弱监督细粒度图像分类方法
CN111259780A (zh) * 2020-01-14 2020-06-09 南京审计大学 一种基于分块线性重构鉴别分析的单样本人脸识别方法
JP6830707B1 (ja) * 2020-01-23 2021-02-17 同▲済▼大学 ランダムバッチマスクとマルチスケール表現学習を融合した人物再同定方法
CN111310666A (zh) * 2020-02-18 2020-06-19 浙江工业大学 一种基于纹理特征的高分辨率影像地物识别与分割方法
CN111539469A (zh) * 2020-04-20 2020-08-14 东南大学 一种基于视觉自注意力机制的弱监督细粒度图像识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LIJUAN等: "Interval Feature Transformation for Time Series Classification Using Perceptually Important Points", 《APPLIED SCIENCES》, vol. 10, no. 16, pages 1 - 15 *
李健等: "结合形变模型的人体姿态估计优化算法", 《西安电子科技大学学报》, vol. 47, no. 2, pages 23 - 31 *

Also Published As

Publication number Publication date
CN113191386B (zh) 2023-11-03

Similar Documents

Publication Publication Date Title
Kaushik et al. Tomato leaf disease detection using convolutional neural network with data augmentation
CN111275007B (zh) 基于多尺度信息融合的轴承故障诊断方法及系统
Lin et al. Cir-net: Automatic classification of human chromosome based on inception-resnet architecture
CN112926641B (zh) 基于多模态数据的三阶段特征融合旋转机械故障诊断方法
CN113989890A (zh) 基于多通道融合和轻量级神经网络的人脸表情识别方法
CN109948575B (zh) 超声图像中眼球区域分割方法
CN111612051A (zh) 一种基于图卷积神经网络的弱监督目标检测方法
CN111401149B (zh) 基于长短期时域建模算法的轻量级视频行为识别方法
Hao et al. Growing period classification of Gynura bicolor DC using GL-CNN
CN112488963A (zh) 一种用于农作物病害数据的增强方法
Wang et al. Progressive structure network-based multiscale feature fusion for object detection in real-time application
CN106709869A (zh) 一种深度皮尔逊嵌入的维数约简方法
CN115330759B (zh) 一种基于豪斯多夫距离计算距离损失的方法及装置
CN113191386A (zh) 基于网格重构学习的染色体分类模型
CN116258899A (zh) 一种基于自定义轻量型卷积神经网络玉米种穗分类方法
Song et al. Residual Squeeze-and-Excitation Network for Battery Cell Surface Inspection
CN114549962A (zh) 一种园林植物叶病分类方法
CN113469224A (zh) 一种基于卷积神经网络与特征描述算子相融合的大米分类方法
CN114548197A (zh) 一种基于自律学习sdl模型的聚类方法
Song et al. Study of Sugarcane Buds Classification Based on Convolutional Neural Networks.
CN112132253A (zh) 3d动作识别方法、装置、计算机可读存储介质及设备
Adeola et al. Recent Advances in Plant Diseases Detection With Machine Learning: Solution for Developing Countries
Thakkar et al. Cnn and autoencoders based hybrid deep learning model for crop disease detection
Nagib et al. Comparative Analysis of Pre-Trained CNN Architectures for Multi-Class Weather Classification: A Study on Deep Learning Techniques
CN113361417B (zh) 一种基于可变时序的人体行为识别方法

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