CN113705338B - 一种改进的离线手写汉字识别方法 - Google Patents

一种改进的离线手写汉字识别方法 Download PDF

Info

Publication number
CN113705338B
CN113705338B CN202110802288.4A CN202110802288A CN113705338B CN 113705338 B CN113705338 B CN 113705338B CN 202110802288 A CN202110802288 A CN 202110802288A CN 113705338 B CN113705338 B CN 113705338B
Authority
CN
China
Prior art keywords
chinese character
convolution
layer
handwritten chinese
network
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
Application number
CN202110802288.4A
Other languages
English (en)
Other versions
CN113705338A (zh
Inventor
邓建华
肖正欣
苟晓攀
何佳霓
代铮
秦琪怡
杨杰
陶泊昊
李龙
赵建恒
郑凯文
魏卓
陈昱辰
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110802288.4A priority Critical patent/CN113705338B/zh
Publication of CN113705338A publication Critical patent/CN113705338A/zh
Application granted granted Critical
Publication of CN113705338B publication Critical patent/CN113705338B/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
    • G06F18/2415—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
    • 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
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

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

Abstract

本发明公开了一种改进的离线手写汉字识别方法，属于图像识别技术领域。在本发明，由于手写汉字的书写自由度较大，单个汉字中部件与部件之间的组合随意，字形变形程度强。本发明构建的神经网络结构，极大降低了网络计算量，特征通道重排的引入，消除了图像特征通道信息不交流问题，而残差结构的引入，综合不同卷积层对汉字图形特征的表达能力和侧重。在轻量化模型的前提下，增强了通道维度信息间的交流与融合，同时也增强不同层次的特征间的交流与融合，提升了网络模型对离线手写汉字特征复用的能力，提高了模型对离线手写汉字的识别精度。

Description

一种改进的离线手写汉字识别方法
技术领域
本发明属于图像识别技术领域，具体涉及一种改进的离线手写汉字识别方法。
背景技术
传统的手写汉字识别方法经过多年的研究发展，己逐渐形成了一整套较为完整成熟的流程，主要包括图像预处理，特征提取，分类器识别分类这三个步骤。在传统方法中，特征提取方法可分为两类，分别是基于结构特征的方法和基于统计特征的方法。在识别分类阶段中也有很多分类方法。常用的传统分类器有K最近邻算法KNN、贝叶斯分类器、支持向量机SVM、决策树、随机森林等。传统方法往往需要大量的汉字图像样本和特征信息，在实际中非常依赖人工。第二是通过人工确定的特征不能准确地反映图像的深度特征表达。
发明内容
本发明所要解决的技术问题是提供一种结合改进残差结构和VGGnet的离线手写汉字识别方法，解决现有传统识别方法存在的依赖人工和提取图像特征信息不准确的技术问题，有效地实现离线手写汉字的识别分类。
本发明采用的技术方案为：
一种改进的离线手写汉字识别方法，包括下列步骤：
步骤1：设置手写汉字识别的汉字类别数，以及设置训练数据集，所述训练数据包括手写汉字图像和汉字标签；
步骤2：构建及训练手写汉字识别网络；
所述手写汉字识别网络的结构采用VGG16作为基础网络，并将VGG16的全连接层减少至两层，在基础网络的每层卷积层后增加BN-ReLU结构，其中每一层网络层的步长均设置为1，填充值设置为1；
所述手写汉字识别网络包括四个卷积块：卷积模块1至2、带有残差结构的卷积模块3至5，其中，卷积模块1和2的网络结构相同，两层堆叠的带有BN-ReLU结构的卷积层；带有残差结构的卷积模块3、4和5的网络结构相同，包括主路和旁路两条支路，所述主路和旁路的输出特征图相加和后，再经ReLU激活函数层得到带有残差结构的卷积模块的输出特征图；其中，所述主路依次包括：带有BN-ReLU结构的卷积层、通道重排层、三层堆叠的带分组卷积的卷积单元，所述带分组卷积的卷积单元为带有BN-ReLU结构的卷积层，且卷积层采用采用分组卷积方式进行卷积运算(在卷积运算前，先将特征图进行通道维度的分组，然后分别对分组特征图进行卷积运算)和通道重排层；所述旁路为跳跃连接的旁路，包括一层带有BN-ReLU结构的卷积层；
所述手写汉字识别网络的最后一层全连接层的输出维度与手写汉字识别的汉字类别数一致，所述Softmax层用于输出每个汉字类别的预测概率；
对所述训练数据集中的手写汉字图像的尺寸进行归一化处理，以与手写汉字识别输入相匹配，再基于预置的批训练大小，按批次将写汉字图像输入手写汉字识别网络进行网络参数训练，当满足预置的训练结束条件时，得到训练好的手写汉字识别网络；
步骤3：对待识别图像进行图像预处理，再将待识别图像输入到训练好的手写汉字识别网络，基于Softmax层输出的每个汉字类别的预测概率中的最大项确定待识别图像的手写汉字识别结果，其中，所述图像预处理包括：灰度转换和尺寸归一化处理。
进一步的，所述通道重排层用于在分组数维度和分组通道数维度上进行转置运算，再展平得到通道重排层的输出特征图。
本发明提供的技术方案至少带来如下有益效果：
在本发明，由于手写汉字的书写自由度较大，单个汉字中部件与部件之间的组合随意，字形变形程度强。本发明构建的神经网络结构，极大降低了网络计算量，特征通道重排的引入，消除了图像特征通道信息不交流问题，而残差结构的引入，综合不同卷积层对汉字图形特征的表达能力和侧重。在轻量化模型的前提下，增强了通道维度信息间的交流与融合，同时也增强不同层次的特征间的交流与融合，提升了网络模型对离线手写汉字特征复用的能力，提高了模型对离线手写汉字的识别精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的一种改进的离线手写汉字识别方法的处理过程示意图；
图2是本发明实施例中采用的卷积块的结构示意图；
图3是本发明实施例中采用的带有残差结构的卷积模块的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
本发明实施例基于深度学习相关技术，实现了一种离线手写汉字单字符的识别分类的方法。通过对神经网络进行残差重构，以及增加分组卷积和通道重排，通过对神经网络的重构，在降低算法模型量级的同时，提高了手写汉字识别的精度，改善了传统方法中依赖人工预设和图像特征提取不充分的技术问题，实现了识别效率的提升。参见图1，本发明实施例提供的结合改进残差结构和VGG16的手写汉字识别方法的具体方案如下：
步骤1：设置手写单字符汉字数据集。
本发明实例中，选取中科院自动化研究所模式识别国家重点实验室公开的CISIA-HWDB数据集。CISIA-HWDB离线手写单字符汉字数据集包括CISIA-HWDB1.0、CISIA-HWDB1.1和CISIA-HWDB1.2三个子数据集。本发明实施例中，选择CISIA-HWDB1.1子数据集(包含3755类GB2312汉字国标码一级汉字和171类字母、数字及符号)作为训练和测试数据。CASIA-HWDB1.1数据集的数据存储格式为GNT格式，将GNT格式数据转换为PNG格式数据，并将同一类汉字存储在同一文件夹下，用该类汉字的GB编码(国标编码)作为其标签(Label)值。
步骤2：构建并训练(离线)手写汉字识别网络。
所述手写汉字识别网络包括网络输入层、中间卷积层、池化层、全连接层以及Softmax函数层，同时对不同网络层进行跳跃连接，完成手写汉字识别网络的构建。
步骤2.1：基础网络构建。
本发明实施例中，采用VGG16作为基础网络，VGG是Oxford的Visual GeometryGroup的组提出的，其包括两种结构，分别是VGG16和VGG19，其中VGG16包含了16个隐藏层(13个卷积层和3个全连接层)，其网络架构包括5个卷积模块(总共包含13层卷积层)、3层全连接层和Softmax层。由于分类任务的目标为3755类汉字，因此最后一层全连接层的输出维度为3755。将VGG16的全连接层减少至两层。同时，为了保持数据分布的稳定性、控制梯度爆炸和消失问题，在每层卷积层后增加BN-ReLU结构(该结构用于对输入的数据进行批归一化(Batch Normalization，BN)后，再基于ReLU激活函数进行映射)，如图2所示，其中每层网络层的步长均设置为1，填充(Padding)均设置为1。需要说明的是，图2中的Conv1_1表示不同层的卷积层，数字“1_1”的第一个数字表示该卷积层所属的卷积块编号，第二数字表示该卷积块的层编号。
步骤2.2：引入分组卷积。
在卷积运算前，先将特征图进行通道维度的分组，然后分别对分组特征图进行卷积运算，最后将不同组的输出特征图在通道维度上合并，作为该层的输出。分组卷积的卷积参数量相比标准卷积，由原来的Cin×ksize×ksize×N降为Cin×ksize×ksize×N/G，其中Cin为输入特征图的通道数，(ksize,ksize)为卷积核大小,N为卷积核个数，G为设定的分组数。
在一种可能的实现方式中，将卷积核大小设置为3×3，卷积核个数设置为64、64、128、128、256、256、256、512、512、512、512、512、512，分组数设置为4，可以使得该部分卷积层的计算量缩小为基础网络的25％。
步骤2.3：引入通道重排。
首先将每层卷积网络的特征图重构为为四维特征图，分别为分组数，各分组包含通道数，特征图宽，特征图高。然后在分组数维度和分组通道数维度上进行转置运算，接着展平得到通道重排后的新特征图，新的特征图作为下一层网络的输入，如图3所示。
步骤2.4：引入残差结构。
通过增加跳跃连接将低层特征图与高层特征图进行信息叠加，以VGG16基础网络的卷积模块为残差单元添加跳跃连接，如图3所示。即每个残差单元为多个卷积块的堆叠结构，且第一个卷积块之后和最后一个卷积块之前还设置有通道重排层，每个跳跃连接模块为依次连接的卷积层、BN层和ReLU激活函数层，即卷积层后带BN-ReLU结构的卷积层结构。且位于两个通道重排层之间的卷积块的卷积层以分组卷积的运算方式执行卷积运算(在卷积运算前，先将特征图进行通道维度的分组，然后分别对分组特征图进行卷积运算)。由于对于构建的每个残差单元，在跳跃连接旁路上增加卷积核为1×1的卷积层，实现低层特征的升维操作。最后通过将通过跳跃连接升维后低层特征和经过卷积模块卷积后的高层特征进行特征加和，再经过ReLU激活函数后作为下一个卷积模块的输入。本发明实施例中，沿用基础网络的前四层卷积层和最大池化层以及两层全连接层，将网络后三个卷积模块优化为残差结构。通过在残差结构中的首尾增加卷积核为1×1的卷积层，通过先降维特征图，再通过卷积特征提取后，进行特征图升维，达到了降低网络计算量的目的，3个带有残差结构的卷积模块的通道数分别设置为(64，256)、(128，512)、(256，512)，为了保持特征尺度相同，旁路卷积核为1×1的卷积层的通道数分别设置为256、512、512，即与卷积块的卷积支路的通道数一一对应。
本发明实施例中，所采用的网络结构为包括四个卷积块，依次为：卷积模块1、卷积模块2、带有残差结构的卷积模块3、带有残差结构的卷积模块4、带有残差结构的卷积模块5、全连接层1、全连接层2和和Softmax层，其中，卷积模块1和2的网络结构如图2所示，两层堆叠的带有BN-ReLU结构的卷积层，带有残差结构的卷积模块3至5的网络结构如图3所示，卷积支路为：带有BN-ReLU结构的卷积层、通道重排层、三层卷积单元(采用分组卷积方式的卷积层、BN层和ReLU激活函数层)、通道重排层；旁路为带有BN-ReLU结构的卷积层，卷积支路(主路)和旁路的输出特征图相加和，再经ReLU激活函数层得到带有残差结构的卷积模块的输出特征图；且全连接层2的输出维度与手写汉字识别的汉字类别数一致，Softmax层用于输出每个汉字类别的预测概率。其中，最大概率所对应的汉字即为其预测结果。
步骤3：训练手写汉字识别网络。
可以采用任一惯用的神经网络训练方式对所构建的手写汉字识别网络进行参数的学习训练。本发明实施例中，以离线利用反向传播算法和Adam梯度下降法训练上述网络模型，通过每一类离线手写汉字图形的预测结果与实际值之间代价函数(也称损失值)反馈调节网络的权重值，反复迭代直到代价函数小于设定阈值，训练结束，得到最优权重值的网络模型后，将测试集输入最优网络模型获取识别结果。其中，在计算损失值时，是基于预测结果所对应的汉字的GB编码和标签之间的偏差进行计算。即在实际应用时，基于训练好的手写汉字识别网络对待识别图像进行识别处理：对待识别图像进行图像预处理(灰度转换和尺寸归一化处理)，使其与手写汉字识别网络的输入相匹配，再输入到训练好的手写汉字识别网络中，输出各手写汉字类别的概率，基于最大概率确定当前待识别图像的手写汉字的识别结果。
最后应说明的是：以上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各实施例技术方案的精神和范围。
以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (5)

1.一种改进的离线手写汉字识别方法，其特征在于，包括下列步骤：
步骤1：设置手写汉字识别的汉字类别数，以及设置训练数据集，所述训练数据包括手写汉字图像和汉字标签；
步骤2：构建及训练手写汉字识别网络；
所述手写汉字识别网络以VGG16作为基础网络，并将VGG16的全连接层减少至两层，在基础网络的每层卷积层后增加BN-ReLU结构，其中每一层网络层的步长均设置为1，填充值设置为1；
所述手写汉字识别网络包括四个卷积块：卷积模块1至2、带有残差结构的卷积模块3至5，其中，卷积模块1和2的网络结构相同，两层堆叠的带有BN-ReLU结构的卷积层；带有残差结构的卷积模块3、4和5的网络结构相同，包括主路和旁路两条支路，所述主路和旁路的输出特征图相加和后，再经ReLU激活函数层得到带有残差结构的卷积模块的输出特征图；其中，所述主路依次包括：带有BN-ReLU结构的卷积层、通道重排层、三层堆叠的带分组卷积的卷积单元，所述带分组卷积的卷积单元为带有BN-ReLU结构的卷积层，且卷积层采用分组卷积方式进行卷积运算和通道重排层；所述旁路为跳跃连接的旁路，包括一层带有BN-ReLU结构的卷积层；
所述手写汉字识别网络的最后一层全连接层的输出维度与手写汉字识别的汉字类别数一致， Softmax层用于输出每个汉字类别的预测概率；
对所述训练数据集中的手写汉字图像的尺寸进行归一化处理，以与手写汉字识别输入相匹配，再基于预置的批训练大小，按批次将写汉字图像输入手写汉字识别网络进行网络参数训练，当满足预置的训练结束条件时，得到训练好的手写汉字识别网络；
步骤3：对待识别图像进行图像预处理，再将待识别图像输入到训练好的手写汉字识别网络，基于Softmax层输出的每个汉字类别的预测概率中的最大项确定待识别图像的手写汉字识别结果，其中，所述图像预处理包括：灰度转换和尺寸归一化处理。
2.如权利要求1所述的方法，其特征在于，所述通道重排层用于在分组数维度和分组通道数维度上进行转置运算，再展平得到通道重排层的输出特征图。
3.如权利要求1所述的方法，其特征在于，基于公布的手写单字符汉字数据集设置训练数据集。
4.如权利要求1所述的方法，其特征在于，将每层卷积层的卷积核大小设置为3×3，按照前向传播的方向，依次将每层的卷积核个数设置为：64、64、128、128、256、256、256、512、512、512、512、512、512；以及将带分组卷积的卷积单元的分组数设置为4。
5.如权利要求1所述的方法，其特征在于，按照前向传播的方向，将所述手写汉字识别网络的3个带有残差结构的卷积模块的输入和输出通道数依次设置为：(64，256)、(128，512)、(256，512)，且旁路的卷积核大小均设置为1×1，各带有残差结构的卷积模块的旁路的输出通道数依次设置为：256、512、512。
CN202110802288.4A 2021-07-15 2021-07-15 一种改进的离线手写汉字识别方法 Active CN113705338B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110802288.4A CN113705338B (zh) 2021-07-15 2021-07-15 一种改进的离线手写汉字识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110802288.4A CN113705338B (zh) 2021-07-15 2021-07-15 一种改进的离线手写汉字识别方法

Publications (2)

Publication Number Publication Date
CN113705338A CN113705338A (zh) 2021-11-26
CN113705338B true CN113705338B (zh) 2023-04-07

Family

ID=78650207

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110802288.4A Active CN113705338B (zh) 2021-07-15 2021-07-15 一种改进的离线手写汉字识别方法

Country Status (1)

Country Link
CN (1) CN113705338B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108710882A (zh) * 2018-05-11 2018-10-26 武汉科技大学 一种基于卷积神经网络的屏幕渲染文本识别方法
CN108764242A (zh) * 2018-05-21 2018-11-06 浙江工业大学 基于深层卷积神经网络的离线手写汉字体识别方法
CN108875696A (zh) * 2018-07-05 2018-11-23 五邑大学 基于深度可分离卷积神经网络的脱机手写汉字识别方法
CN109241904A (zh) * 2018-08-31 2019-01-18 平安科技（深圳）有限公司 文字识别模型训练、文字识别方法、装置、设备及介质
CN110119693A (zh) * 2019-04-23 2019-08-13 天津大学 一种基于改进vgg-16模型的英文笔迹鉴别方法
CN111310868A (zh) * 2020-03-13 2020-06-19 厦门大学 一种基于卷积神经网络的水书手写文字识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180046903A1 (en) * 2016-08-12 2018-02-15 DeePhi Technology Co., Ltd. Deep processing unit (dpu) for implementing an artificial neural network (ann)
US10949701B2 (en) * 2018-11-02 2021-03-16 Iflytek Co., Ltd. Method, apparatus and storage medium for recognizing character

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108710882A (zh) * 2018-05-11 2018-10-26 武汉科技大学 一种基于卷积神经网络的屏幕渲染文本识别方法
CN108764242A (zh) * 2018-05-21 2018-11-06 浙江工业大学 基于深层卷积神经网络的离线手写汉字体识别方法
CN108875696A (zh) * 2018-07-05 2018-11-23 五邑大学 基于深度可分离卷积神经网络的脱机手写汉字识别方法
CN109241904A (zh) * 2018-08-31 2019-01-18 平安科技（深圳）有限公司 文字识别模型训练、文字识别方法、装置、设备及介质
CN110119693A (zh) * 2019-04-23 2019-08-13 天津大学 一种基于改进vgg-16模型的英文笔迹鉴别方法
CN111310868A (zh) * 2020-03-13 2020-06-19 厦门大学 一种基于卷积神经网络的水书手写文字识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
local discrimination training and global optimization for convolutional neural network based handwritten chinese character recognition;Zeng X等;《2017 14th IAPR international conference on document analysis and recognition》;382-387 *
基于改进VGG-16模型的英文笔迹鉴别方法;何凯等;《天津大学学报(自然科学与工程技术版)》(第09期);984-990 *
基于深度卷积-递归神经网络的手绘草图识别方法;赵鹏等;《计算机辅助设计与图形学学报》(第02期);217-224 *

Also Published As

Publication number Publication date
CN113705338A (zh) 2021-11-26

Similar Documents

Publication Publication Date Title
CN109325547A (zh) 非机动车图像多标签分类方法、系统、设备及存储介质
CN108984745A (zh) 一种融合多知识图谱的神经网络文本分类方法
CN108764317A (zh) 一种基于多路特征加权的残差卷积神经网络图像分类方法
CN110334724B (zh) 基于lstm的遥感对象自然语言描述及多尺度矫正方法
CN111126488A (zh) 一种基于双重注意力的图像识别方法
CN109784283A (zh) 基于场景识别任务下的遥感图像目标提取方法
CN111079795A (zh) 基于cnn的分片多尺度特征融合的图像分类方法
CN113627376B (zh) 基于多尺度密集连接深度可分离网络的人脸表情识别方法
CN113221852B (zh) 一种目标识别方法及装置
CN109918507B (zh) 一种基于TextCNN改进的文本分类方法
CN113806746A (zh) 基于改进cnn网络的恶意代码检测方法
CN110766084A (zh) 基于cae与hl-cnn的小样本sar目标识别方法
CN109800314A (zh) 一种利用深度卷积网络生成用于图像检索的哈希码的方法
CN111143567A (zh) 一种基于改进神经网络的评论情感分析方法
CN112115806B (zh) 基于Dual-ResNet小样本学习的遥感影像场景精确分类方法
CN113743505A (zh) 基于自注意力和特征融合的改进ssd目标检测方法
CN112084877A (zh) 基于nsga-net的遥感图像识别方法
CN113298817A (zh) 一种准确率高的遥感图像语义分割方法
CN114092815A (zh) 一种大范围光伏发电设施遥感智能提取方法
CN109345684A (zh) 一种基于gmdh-svm的多国纸币冠字号识别方法
CN112668633B (zh) 一种基于细粒度领域自适应的图迁移学习方法
CN113705338B (zh) 一种改进的离线手写汉字识别方法
CN113298235A (zh) 一种多分支深度自注意力变换网络的神经网络架构及实现方法
CN112232195A (zh) 一种手写汉字识别方法、装置及存储介质
CN108898157B (zh) 基于卷积神经网络的数值型数据的雷达图表示的分类方法

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