CN113610138A - 基于深度学习模型的图像分类识别方法、装置及存储介质 - Google Patents
基于深度学习模型的图像分类识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113610138A CN113610138A CN202110878767.4A CN202110878767A CN113610138A CN 113610138 A CN113610138 A CN 113610138A CN 202110878767 A CN202110878767 A CN 202110878767A CN 113610138 A CN113610138 A CN 113610138A
- Authority
- CN
- China
- Prior art keywords
- classification
- identification
- channel
- model
- picture
- 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.)
- Pending
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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (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)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于深度学习模型的图像分类识别方法、装置及存储介质,涉及图像识别技术领域,实行多个品类识别任务共用模型,并保证各任务的分类识别准确率。该方法包括:构建样本集,样本集中的样本图片标识有分类标签以及不同识别任务对应的品类编码,品类编码通过增加通道的方式记载;利用深度学习模型训练样本集,得到分类模型;识别阶段,根据识别任务对应的品类,通过增加通道的方式将品类编码插入待测图片中,并基于分类模型识别待测图片输出分类识别结果。该装置应用有上述方案所提的方法。本发明实现了单个模型对多个品类任务的识别功能,保证了各任务的识别准确率,能够对输入的待测图片进行指定品类内的分类。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种基于深度学习模型的图像分类识别方法、装置及存储介质。
背景技术
近年来,基于深度学习的人工智能技术取得突破性的进展。在图像分类、目标检测、图像分割等应用场景,计算机视觉的处理能力已经接近甚至超过人类。日渐成熟的智能视觉技术在许多实际场景得以运用,也催生了大量新的应用。
很多应用场景包含多个识别任务,分别完成特定品类图像的识别。比如,比较流行的手机应用,提供了狗和花两个品类的精细化分类功能。当用户选择狗品类识别功能时,需要正确识别出照片中狗的细分类别;当用户选择识花功能时,则需要正确识别照片中花的细分类别。通常做法是针对狗和花训练两个独立的识别模型,不同的识别任务调用不同的模型进行分类识别,输出预测结果和预测置信度。目前,基于深度学习的模型具有庞大的参数量,训练输出模型文件很大。图像库ImageNet的1000类,Resnet50模型具有23.5183M个参数,模型输出文件的大小约为97M。一些专为移动端设计和优化的模型(如MobileNet)参数量较小,但加载多个模型对于移动应用来说也是不小的资源负担。一种可行的方法是将多个品类混合,训练一个统一模型。识别阶段,根据任务的不同,对识别结果进行过滤,仅保留与任务品类相关的细分类和置信度结果。由于模型参数量足够大,单个模型足以满足多个品类的特征捕捉和识别。但是,识别任务的输入图像通常包含多个品类的特征,比如,进行狗品类识别时,输入图片包含狗的同时也可能包含了花,分类模型需要能够根据图片特征的品类倾向程度来预测,一定程度上影响了识别精度。而且,预测结果输出时需要过滤掉其他品类的细分类结果,预测结果的置信度的可用性降低。这种方法虽然减少模型的个数,但降低了识别精度,尤其在需要使用预测置信度的应用场景。
发明内容
本发明的目的在于提供一种基于深度学习模型的图像分类识别方法、装置及存储介质,能够提升深度学习模型分类识别的准确率。
为了实现上述目的,本发明的第一方面提供一种基于深度学习模型的图像分类识别方法,包括:
构建样本集,所述样本集中的样本图片标识有分类标签以及不同识别任务对应的品类编码,所述品类编码通过增加通道的方式记载;
利用深度学习模型训练所述样本集,得到分类模型;
根据识别任务对应的品类编码,通过增加通道的方式将所述品类编码插入待测图片中,并基于所述分类模型识别所述待测图片输出分类识别结果。
优选地,在构建样本集之前还包括:
基于多种识别任务构建编码表,所述编码表中的所述识别任务与所述品类编码一一对应;
基于多个分类标签构建分类标签库,所述分类标签库中各个物体品类的细分类与所述分类标签一一对应。
较佳地,所述品类编码通过增加通道方式记载的方法包括:
将图片的表现形式由三通道数组修改为四通道数组,使得品类编码通过增加的第四通道记载;
所述第四通道对应的通道值为品类编码值。
优选地,所述利用深度学习模型训练所述样本集,得到分类模型的方法包括:
基于迁移学习的方式,采用预设的深度学习模型根据样本集进行调优学习训练,得到分类模型。
可选地,所述预设的深度学习模型为Resnet、VGG16或者MobileNet网络模型。
较佳地,所述根据识别任务对应的品类编码,通过增加通道的方式将所述品类编码插入待测图片中,并基于所述分类模型识别所述待测图片输出分类识别结果的方法,包括:
手动选择识别任务,根据编码表自动匹配出与所选识别任务对应的品类编码;
将待测图片的表现形式由三通道数组修改为四通道数组,使得所述品类编码通过增加的第四通道记载;
将所述第四通道对应的通道值设置为品类编码值;
基于所述分类模型识别出所述待测图片的分类识别结果并输出。
与现有技术相比,本发明提供的基于深度学习模型的图像分类识别方法具有以下有益效果:
本发明提供的基于深度学习模型的图像分类识别方法,首先构建样本图片中标识有分类标签以及不同识别任务对应品类编码的样本集,然后利用样本图片标识有分类标签以及不同识别任务对应的品类编码,最终通过选择识别任务匹配出对应的品类编码,并通过增加通道的方式将品类编码插入待测图片中,并基于分类模型识别待测图片输出分类识别结果。
可见,本发明通过增加通道的方式记载样本图片对应的品类编码,实现了训练单个模型对多个品类任务的识别功能,并且保证了各任务的识别准确率。而在图片中通过增加通道的方式记载品类编码能够起到强特征指导的作用,使得分类模型能够对输入的待测图片进行指定品类内的分类。
本发明的第二方面提供一种基于深度学习模型的图像分类识别装置,应用于上述技术方案所述的基于深度学习模型的图像分类识别方法中,所述装置包括:
样本集单元,用于构建样本集,所述样本集中的样本图片标识有分类标签以及不同识别任务对应的品类编码,所述品类编码通过增加通道的方式记载;
模型训练单元,用于利用深度学习模型训练所述样本集,得到分类模型;
分类识别单元,用于根据识别任务对应的品类编码,通过增加通道的方式将所述品类编码插入待测图片中,并基于所述分类模型识别所述待测图片输出分类识别结果。
优选地,还包括:
编码表单元,基于多种识别任务构建编码表,所述编码表中的所述识别任务与所述品类编码一一对应;
标签库单元,基于多个分类标签构建分类标签库,所述分类标签库中各个物体品类的细分类与所述分类标签一一对应。
较佳地,所述品类编码通过增加通道方式记载的方法包括:
将图片的表现形式由三通道数组修改为四通道数组,使得品类编码通过增加的第四通道记载;
所述第四通道对应的通道值为品类编码值。
与现有技术相比,本发明提供的基于深度学习模型的图像分类识别装置的有益效果与上述技术方案提供的基于深度学习模型的图像分类识别方法的有益效果相同,在此不做赘述。
本发明的第三方面提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述基于深度学习模型的图像分类识别方法的步骤。
与现有技术相比,本发明提供的计算机可读存储介质的有益效果与上述技术方案提供的基于深度学习模型的图像分类识别方法的有益效果相同,在此不做赘述。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例中基于深度学习模型的图像分类识别方法的流程示意图;
图2为本发明实施例中基于深度学习模型的图像分类识别装置的框架结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例,均属于本发明保护的范围。
实施例一
请参阅图1,本实施例提供一种基于深度学习模型的图像分类识别方法,包括:构建样本集,所述样本集中的样本图片标识有分类标签以及不同识别任务对应的品类编码,所述品类编码通过增加通道的方式记载;利用深度学习模型训练所述样本集,得到分类模型;根据识别任务对应的品类编码,通过增加通道的方式将所述品类编码插入待测图片中,并基于所述分类模型识别所述待测图片输出分类识别结果。
本实施例提供的基于深度学习模型的图像分类识别方法,首先构建样本图片中标识有分类标签以及不同识别任务对应品类编码的样本集,然后利用样本图片标识有分类标签以及不同识别任务对应的品类编码,最终通过选择识别任务匹配出对应的品类编码,并通过增加通道的方式将品类编码插入待测图片中,并基于分类模型识别待测图片输出分类识别结果。
可见,本实施例通过增加通道的方式记载样本图片对应的品类编码,实现了训练单个模型对多个品类任务的识别功能,并且保证了各任务的识别准确率。而在图片中通过增加通道的方式记载品类编码能够起到强特征指导的作用,使得分类模型能够对输入的待测图片进行指定品类内的分类。
上述实施例中,在构建样本集之前还包括:基于多种识别任务构建编码表,编码表中的识别任务与品类编码一一对应;基于多个分类标签构建分类标签库,分类标签库中各个物体品类的细分类与分类标签一一对应。
具体实施时,在模型训练开始前需分别构建编码表和分类标签库,编码表中预设有识别任务以及对应的品类编码,例如,识别任务为识别小狗对应的品类编码为1,识别任务为识别小花对应的品类编码为2,这样当用户选择识别任务时分类模型就可以通过新增通道的品类编码知晓用户的识别倾向性,对于既包括小狗和小花的图片,能够自动将该图片分类至小狗品类,过滤掉其他品类的细分类结果。另外,对于分类标签库,其中记载的是品类中的细分类,例如,品类为小狗时,其对应的细分类包括金毛狗、泰迪狗、田园狗等,品类为小花时,其对应的细分类包括月季花、玫瑰花、桃花等,分类标签与细分类列一一对应关联。
上述实施例中,品类编码通过增加通道方式记载的方法包括:将图片的表现形式由三通道数组修改为四通道数组,使得品类编码通过增加的第四通道记载;第四通道对应的通道值为品类编码值。
具体实施时,在模型训练的过程中,通过增加一个通道来保存图片的品类编码,通常彩色图片通过三通道数组,即(H,W,C),其中:H为图片的高,W为图片的宽,C为通道数,传统的彩色图片中C=3,本实施例通过增加一通道,使得参与训练的样本图片中C=4,其中前三通道分别R、G、B,第四通道保存品类编码值。
上述实施例中,利用深度学习模型训练样本集,得到分类模型的方法包括:
基于迁移学习的方式,采用预设的深度学习模型根据样本集进行调优学习训练,得到分类模型。
具体实施时,具体的训练方法和参数选择和常规的分类模型训练没有区别。通常,预训练模型要求输入数据维度为3通道,我们将其调整为支持4通道输入。比如Resnet50训练模型第一层卷积conv1的权重维度为[64,3,7,7],将其增加一通道,调整为[64,4,7,7],通道值为原三个通道的权重平均值。可选地,预设的深度学习模型为Resnet、VGG16或者MobileNet网络模型。
上述实施例中,选择识别任务匹配出对应的品类编码,通过增加通道的方式将品类编码插入待测图片中,并基于分类模型识别待测图片输出分类识别结果的方法包括:
手动选择识别任务,根据编码表自动匹配出与所选识别任务对应的品类编码;将待测图片的表现形式由三通道数组修改为四通道数组,使得品类编码通过增加的第四通道记载;基于分类模型识别出待测图片的分类识别结果并输出。
具体实施时,本实施例中的分类模型可开发成APP应用,当用户需要通过APP应用识物时,只需在APP应用中选择想要识别的任务品类,然后APP应用获取到待测图片后会对其进行通道修改处理,由原先的三通道数组修改为四通道数组,使得与所选识别任务匹配的品类编码通过增加的第四通道记载,然后基于训练完成的分类模型识别待测图片,输出细分类识别结果,同时输出的还有识别结果的预测置信度。
实施例二
请参阅图2,本实施例提供一种基于深度学习模型的图像分类识别装置,包括:
样本集单元,用于构建样本集,所述样本集中的样本图片标识有分类标签以及不同识别任务对应的品类编码,所述品类编码通过增加通道的方式记载;
模型训练单元,用于利用深度学习模型训练所述样本集,得到分类模型;
分类识别单元,用于选择识别任务匹配出对应的品类编码,通过增加通道的方式将所述品类编码插入待测图片中,并基于所述分类模型识别所述待测图片输出分类识别结果。
优选地,还包括:
编码表单元,基于多种识别任务构建编码表,所述编码表中的所述识别任务与所述品类编码一一对应;
标签库单元,基于多个分类标签构建分类标签库,所述分类标签库中各个物体品类的细分类与所述分类标签一一对应。
优选地,品类编码通过增加通道方式记载的方法包括:
将图片的表现形式由三通道数组修改为四通道数组,使得品类编码通过增加的第四通道记载;
所述第四通道对应的通道值为品类编码值。
与现有技术相比,本发明实施例提供的基于深度学习模型的图像分类识别装置的有益效果与上述实施例一提供的基于深度学习模型的图像分类识别方法的有益效果相同,在此不做赘述。
实施例三
本实施例提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述基于深度学习模型的图像分类识别方法的步骤。
与现有技术相比,本实施例提供的计算机可读存储介质的有益效果与上述技术方案提供的基于深度学习模型的图像分类识别方法的有益效果相同,在此不做赘述。
本领域普通技术人员可以理解,实现上述发明方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,上述程序可以存储于计算机可读取存储介质中,该程序在执行时,包括上述实施例方法的各步骤,而的存储介质可以是:ROM/RAM、磁碟、光盘、存储卡等。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于深度学习模型的图像分类识别方法,其特征在于,包括:
构建样本集,所述样本集中的样本图片标识有分类标签以及不同识别任务对应的品类编码,所述品类编码通过增加通道的方式记载;
利用深度学习模型训练所述样本集,得到分类模型;
根据识别任务对应的品类编码,通过增加通道的方式将所述品类编码插入待测图片中,并基于所述分类模型识别所述待测图片输出分类识别结果。
2.根据权利要求1所述的方法,其特征在于,在构建样本集之前还包括:
基于多种识别任务构建编码表,所述编码表中的所述识别任务与所述品类编码一一对应;
基于多个分类标签构建分类标签库,所述分类标签库中各个物体品类的细分类与所述分类标签一一对应。
3.根据权利要求1或2所述的方法,其特征在于,所述品类编码通过增加通道方式记载的方法包括:
将图片的表现形式由三通道数组修改为四通道数组,使得品类编码通过增加的第四通道记载;
所述第四通道对应的通道值为品类编码值。
4.根据权利要求1所述的方法,其特征在于,所述利用深度学习模型训练所述样本集,得到分类模型的方法包括:
基于迁移学习的方式,采用预设的深度学习模型根据样本集进行调优学习训练,得到分类模型。
5.根据权利要求4所述的方法,其特征在于,所述预设的深度学习模型为Resnet、VGG16或者MobileNet网络模型。
6.根据权利要求2所述的方法,其特征在于,所述根据识别任务对应的品类编码,通过增加通道的方式将所述品类编码插入待测图片中,并基于所述分类模型识别所述待测图片输出分类识别结果的方法,包括:
手动选择识别任务,根据编码表自动匹配出与所选识别任务对应的品类编码;
将待测图片的表现形式由三通道数组修改为四通道数组,使得所述品类编码通过增加的第四通道记载;
将所述第四通道对应的通道值设置为品类编码值;
基于所述分类模型识别出所述待测图片,输出与品类编码同类型的细分类识别结果。
7.一种基于深度学习模型的图像分类识别装置,其特征在于,包括:
样本集单元,用于构建样本集,所述样本集中的样本图片标识有分类标签以及不同识别任务对应的品类编码,所述品类编码通过增加通道的方式记载;
模型训练单元,用于利用深度学习模型训练所述样本集,得到分类模型;
分类识别单元,用于根据识别任务对应的品类编码,通过增加通道的方式将所述品类编码插入待测图片中,并基于所述分类模型识别所述待测图片输出分类识别结果。
8.根据权利要求7所述的装置,其特征在于,还包括:
编码表单元,基于多种识别任务构建编码表,所述编码表中的所述识别任务与所述品类编码一一对应;
标签库单元,基于多个分类标签构建分类标签库,所述分类标签库中各个物体品类的细分类与所述分类标签一一对应。
9.根据权利要求7或8所述的装置,其特征在于,所述品类编码通过增加通道方式记载的方法包括:
将图片的表现形式由三通道数组修改为四通道数组,使得品类编码通过增加的第四通道记载;
所述第四通道对应的通道值为品类编码值。
10.一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其特征在于,计算机程序被处理器运行时执行上述权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110878767.4A CN113610138A (zh) | 2021-08-02 | 2021-08-02 | 基于深度学习模型的图像分类识别方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110878767.4A CN113610138A (zh) | 2021-08-02 | 2021-08-02 | 基于深度学习模型的图像分类识别方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113610138A true CN113610138A (zh) | 2021-11-05 |
Family
ID=78306385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110878767.4A Pending CN113610138A (zh) | 2021-08-02 | 2021-08-02 | 基于深度学习模型的图像分类识别方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113610138A (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229430A (zh) * | 2018-01-30 | 2018-06-29 | 浙江大学 | 一种融合注意力图的商品分类方法 |
CN109858318A (zh) * | 2018-11-16 | 2019-06-07 | 平安科技(深圳)有限公司 | 风景图像的类别识别方法及装置 |
CN109886344A (zh) * | 2019-02-26 | 2019-06-14 | 广东工业大学 | 基于深度学习的皮革破损识别方法、系统及设备和介质 |
US20190318208A1 (en) * | 2016-12-27 | 2019-10-17 | Cloudminds (Shenzhen) Robotics Systems Co., Ltd | Image identification system and image identification method |
CN110414532A (zh) * | 2019-06-21 | 2019-11-05 | 广州利科科技有限公司 | 一种基于深度学习的商品图像识别方法 |
CN110689039A (zh) * | 2019-08-19 | 2020-01-14 | 浙江工业大学 | 一种基于四通道卷积神经网络的树干纹理识别方法 |
US20200026942A1 (en) * | 2018-05-18 | 2020-01-23 | Fudan University | Network, System and Method for Image Processing |
CN111027600A (zh) * | 2019-11-25 | 2020-04-17 | 腾讯科技(深圳)有限公司 | 图像类别预测方法和装置 |
CN111401432A (zh) * | 2020-03-12 | 2020-07-10 | 华侨大学 | 一种对数字图像的身份伪造识别方法、装置、设备及存储介质 |
CN111738245A (zh) * | 2020-08-27 | 2020-10-02 | 创新奇智(北京)科技有限公司 | 商品识别管理方法、装置、服务器及可读存储介质 |
CN111797855A (zh) * | 2019-04-09 | 2020-10-20 | 腾讯科技(深圳)有限公司 | 图像处理、模型训练方法、装置、介质和设备 |
CN111966856A (zh) * | 2020-06-29 | 2020-11-20 | 北京百度网讯科技有限公司 | 图片数据处理方法、装置、电子设备和存储介质 |
CN112287860A (zh) * | 2020-11-03 | 2021-01-29 | 北京京东乾石科技有限公司 | 物体识别模型的训练方法及装置、物体识别方法及系统 |
CN112287859A (zh) * | 2020-11-03 | 2021-01-29 | 北京京东乾石科技有限公司 | 物体识别方法、装置和系统,计算机可读存储介质 |
CN112487226A (zh) * | 2020-11-06 | 2021-03-12 | 北京三快在线科技有限公司 | 图片分类模型获取方法、装置、电子设备及可读存储介质 |
-
2021
- 2021-08-02 CN CN202110878767.4A patent/CN113610138A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190318208A1 (en) * | 2016-12-27 | 2019-10-17 | Cloudminds (Shenzhen) Robotics Systems Co., Ltd | Image identification system and image identification method |
CN108229430A (zh) * | 2018-01-30 | 2018-06-29 | 浙江大学 | 一种融合注意力图的商品分类方法 |
US20200026942A1 (en) * | 2018-05-18 | 2020-01-23 | Fudan University | Network, System and Method for Image Processing |
CN109858318A (zh) * | 2018-11-16 | 2019-06-07 | 平安科技(深圳)有限公司 | 风景图像的类别识别方法及装置 |
CN109886344A (zh) * | 2019-02-26 | 2019-06-14 | 广东工业大学 | 基于深度学习的皮革破损识别方法、系统及设备和介质 |
CN111797855A (zh) * | 2019-04-09 | 2020-10-20 | 腾讯科技(深圳)有限公司 | 图像处理、模型训练方法、装置、介质和设备 |
CN110414532A (zh) * | 2019-06-21 | 2019-11-05 | 广州利科科技有限公司 | 一种基于深度学习的商品图像识别方法 |
CN110689039A (zh) * | 2019-08-19 | 2020-01-14 | 浙江工业大学 | 一种基于四通道卷积神经网络的树干纹理识别方法 |
CN111027600A (zh) * | 2019-11-25 | 2020-04-17 | 腾讯科技(深圳)有限公司 | 图像类别预测方法和装置 |
CN111401432A (zh) * | 2020-03-12 | 2020-07-10 | 华侨大学 | 一种对数字图像的身份伪造识别方法、装置、设备及存储介质 |
CN111966856A (zh) * | 2020-06-29 | 2020-11-20 | 北京百度网讯科技有限公司 | 图片数据处理方法、装置、电子设备和存储介质 |
CN111738245A (zh) * | 2020-08-27 | 2020-10-02 | 创新奇智(北京)科技有限公司 | 商品识别管理方法、装置、服务器及可读存储介质 |
CN112287860A (zh) * | 2020-11-03 | 2021-01-29 | 北京京东乾石科技有限公司 | 物体识别模型的训练方法及装置、物体识别方法及系统 |
CN112287859A (zh) * | 2020-11-03 | 2021-01-29 | 北京京东乾石科技有限公司 | 物体识别方法、装置和系统,计算机可读存储介质 |
CN112487226A (zh) * | 2020-11-06 | 2021-03-12 | 北京三快在线科技有限公司 | 图片分类模型获取方法、装置、电子设备及可读存储介质 |
Non-Patent Citations (5)
Title |
---|
ASIFULLAH KHAN 等: "A New Channel Boosted Convolutional Neural Network using Transfer Learning", 《 TRANSFER LEARNING AND DEEP CONVOLUTIONAL NEURAL NETWORKS》 * |
CRYPDICK: "Classification using categorical input data and image input data", 《HTTPS://STACKOVERFLOW.COM/QUESTIONS/62153007/CLASSIFICATION-USING-CATEGORICAL-INPUT-DATA-AND-IMAGE-INPUT-DATA》 * |
自强厚德: "第4章图像分类基础", 《HTTPS://WWW.CNBLOGS.COM/PALADINZXL/P/9491633.HTML》 * |
魏杰 等: "基于视觉特征低维嵌入的细粒度图像分类", 《计算机辅助设计与图形学学报》 * |
黄嘉宝 等: "基于卷积神经网络的多肉植物细粒度图像分类", 《上海大学学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111950723B (zh) | 神经网络模型训练方法、图像处理方法、装置及终端设备 | |
CN110364146B (zh) | 语音识别方法、装置、语音识别设备及存储介质 | |
CN107742107A (zh) | 人脸图像分类方法、装置及服务器 | |
CN110458107A (zh) | 用于图像识别的方法和装置 | |
CN109117897A (zh) | 基于卷积神经网络的图像处理方法、装置及可读存储介质 | |
CN111061898A (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
CN111597374B (zh) | 图像分类方法、装置及电子设备 | |
CN112307853A (zh) | 航拍图像的检测方法、存储介质和电子装置 | |
CN113627402B (zh) | 一种图像识别方法及相关装置 | |
CN109740681A (zh) | 一种水果分拣方法、装置、系统、终端及存储介质 | |
CN111506755A (zh) | 图片集的分类方法和装置 | |
CN111026267A (zh) | Vr脑电意念控制接口系统 | |
KR20210047230A (ko) | 생성적 적대 신경망을 이용한 과수 병충해 분류 시스템 및 방법 | |
CN112668608A (zh) | 一种图像识别方法、装置、电子设备及存储介质 | |
CN112418082A (zh) | 基于度量学习和深度特征学习的植物叶片识别系统及方法 | |
CN111325212A (zh) | 模型训练方法、装置、电子设备和计算机可读存储介质 | |
CN109117829A (zh) | 基于tensorflow的茶叶品种识别系统 | |
CN107133631A (zh) | 一种识别电视台图标的方法及装置 | |
CN103793054B (zh) | 一种模拟陈述性记忆过程的动作识别方法 | |
CN114880041A (zh) | 树形结构数据的处理方法、电子设备及存储介质 | |
CN110516572A (zh) | 一种识别体育赛事视频片段的方法、电子设备及存储介质 | |
CN113705689A (zh) | 训练数据获取方法及异常行为识别网络训练方法 | |
CN117079195B (zh) | 一种基于图像视频的野生动物识别方法和系统 | |
CN114385846A (zh) | 一种图像分类方法、电子设备、存储介质及程序产品 | |
CN109978058A (zh) | 确定图像分类的方法、装置、终端及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211105 |
|
RJ01 | Rejection of invention patent application after publication |