CN113705647B - 一种基于动态间隔的双重语义特征提取方法 - Google Patents
一种基于动态间隔的双重语义特征提取方法 Download PDFInfo
- Publication number
- CN113705647B CN113705647B CN202110954044.8A CN202110954044A CN113705647B CN 113705647 B CN113705647 B CN 113705647B CN 202110954044 A CN202110954044 A CN 202110954044A CN 113705647 B CN113705647 B CN 113705647B
- Authority
- CN
- China
- Prior art keywords
- image data
- feature extraction
- dynamic
- semantic feature
- interval
- 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
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
- G06N3/047—Probabilistic or stochastic 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (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)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于动态间隔的双重语义特征提取方法,属于计算机视觉特征识别技术领域。本发明方法动态通过调整类别间隔的损失函数来获取具有判别性的图像特征,即对特征和权重向量进行归一化,然后对损失函数动态的调整,来实现不同类别的不同的余弦间隔。该方法使得间隔设置更加合理,同时能在保留特征限制的同时,不增加神经网络模型优化的复杂度,与其他提出的损失函数相比,更加简单易于实现和准确。
Description
技术领域
本发明属于计算机视觉特征识别技术领域,具体涉及一种基于动态间隔的双重语义特征提取方法。
背景技术
随着生物识别系统高安全性的需求增加,图像识别受到大量关注。尽管最近的研究在图像识别上取得了进展,从原始图像提取具有判别性的特征仍然存在挑战。
传统方法采用结合Softmax和交叉熵损失函数提取特征,该方法大多是基于固定间隔,虽然使得大多数特征分离性较好,仍然会出现部分特征相互重合的情况。也就是说,在某些情况下,网络会以牺牲部分特征的间隔为代价,使得整体的特征满足间隔的要求。这严重影响了模型的识别性能,在对安全性要求比较高的应用场景中会产生更大的危害。同时,基于固定间隔会对损失函数增加额外的限制,这种限制影响了模型提取特征的角度取值范围,从而增加了模型优化的难度,可能引起模型难以训练、不收敛等问题,这就无法得到一个比较好的特征提取器,进而,将影响图像识别的效果。
因此,如何在如何提取具有判别性的特征、使得不同特征之间的间隔不同,实现对图像特征的更为准确提取,进行精准图像识别就成为了研究热点。
发明内容
针对背景技术所存在的问题,本发明的目的在于提供一种基于动态间隔的双重语义特征提取方法。该方法动态通过调整类别间隔的损失函数来获取具有判别性的图像特征,即对特征和权重向量进行归一化,然后对损失函数动态的调整,来实现不同类别的不同的余弦间隔;同时能在保留特征限制的同时,不增加神经网络模型优化的复杂度,与其他提出的损失函数相比,更加简单易于实现和准确。
为实现上述目的,本发明的技术方案如下:
一种基于动态间隔的双重语义特征提取方法,包括以下步骤:
步骤1、对源数据集进行去噪声处理,再进行感兴趣区域提取,得到具有所需特征的图像数据集;
步骤2、将步骤1得到的数据集中的图像数据进行大小缩放,变成大小一致的图片,同时对其进行归一化处理,使所有图片的像素值为0到1之间;
步骤3、使用步骤2归一化后的图像数据对双重语义特征提取模型进行训练,使得模型对图像数据进行正确分类,并得到交叉熵损失函数;
步骤4、完成双重语义特征提取模型的训练,去除模型的输出层,得到特征提取器;
步骤5、对待测试图像数据进行步骤1和步骤2的处理后输入步骤4得到的特征提取器进行特征提取,即可得到图像数据的特征向量。
进一步地,感兴趣区域提取的具体过程为:
步骤1.1.对源数据集中的图像数据进行边缘检测,产生蒙板;
步骤1.2.将源数据集中的图像数据与1.1产生的蒙板结合,去除图像数据蒙板外的区域,即可得到具有所需特征的图像数据集。
进一步地,步骤3中的双重语义特征提取模型包含编码器(Encoder)和输出层,所述输出层包括解码器(Decoder)和有监督分类器(Classifier)两部分;所述编码器用于将输入的图像数据提取为特征向量,解码器用于从特征向量重构输入,有监督分类器用于对编码器提取的特征向量映射到分类空间进行分类;编码器可采用常见的卷积神经网络,由卷积层、池化层、激活函数和全连接层构成;解码器与编码器类似,其框架由反卷积层和激活函数构成;有监督分类器由全连接层构成。
进一步地,步骤3中交叉熵损失函数的具体计算过程为:
步骤3.1.将双重语义特征提取模型输出层前面的特征f和权重进行归一化处理;
步骤3.2.计算各类别的动态调节系数wi和损失值ψ(θi):
计算步骤2得到的归一化后的图像数据的对应类别在输出层之前的得分cos(θ),即将归一化之后的特征f和有监督分类器的全连接层的权重(即全连接层的系数)W进行点乘运算得到余弦值cos(θ),然后按类别使用Softmax函数计算得到动态调节系数wi,利用标签信息提取对应类别的损失值ψ(θi);
步骤3.3.将步骤3.2得到的各类别的动态调节系数使用截断函数进行上下界约束,然后筛选出余弦值大于0的动态调节系数,即动态间隔;
步骤3.4.将步骤3.3得到的动态间隔乘上该样本对应类别在输出层之前的得分cos(θ),得到修正后的样本得分;
步骤3.5.根据修正后的样本得分计算新的分类概率,然后计算得出修正后的基于动态间隔的分类损失,其具体公式为:
s是缩放因子,N为样本总数,yi为第i个样本的标签,C为有监督分类器进行分类的类别总数,k为第k类样本,θ为权重W与特征f的夹角,ψ(θi)为样本对应类别的损失值;
进一步地,步骤3.2中动态调节系数wi的具体计算公式为:
样本对应类别的损失值ψ(θi)的具体计算公式为:
ψ(θi)=wi·cos(θi)。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
本发明特征提取方法采用动态间隔替代了固定间隔,间隔由分类概率确定,分类概率越大,间隔越小,分类概率越小,间隔越大,即不同特征之间的设置的间隔不同,这使得间隔设置更加合理,避免了部分特征出现重合的现象以及手动调节间隔的人力成本,总体上可以更加均衡的适用于所有不同的特征;且本发明方法具有较高的图像识别准确率。
附图说明
图1为本发明特征提取方法的流程图。
图2为本发明双重语义特征提取模型的框架结构示意图。
图3为本发明动态间隔的几何解释示意图。
图4为本发明动态间隔的计算流程图。
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,下面结合实施方式和附图,对本发明作进一步地详细描述。
一种基于动态间隔的双重语义特征提取方法,其流程如图1所示,包括以下步骤:
步骤1、对手指图像源数据集进行去噪声处理,再使用ROI提取算法,提取感兴趣所需特征的图像数据集,具体过程为:
步骤1.1、首先将源数据集中的手指图像进行二值化处理,然后可以采用如卡宴边缘检测、Gabor滤波边缘检测等方法进行边缘检测,根据检测到的手指边缘,生成蒙版Mask;
步骤1.2、根据数据集中的源数据与1.1处理后的Mask结合,将Mask和源数据进行逐元素相乘,即可得到进行了区域提取的手指图像数据;
步骤2、将步骤1提取的图像数据集中的图像数据进行大小缩放,变成大小一致的图片,同时对其进行归一化处理,使所有图片的像素值为0到1之间;
步骤3、使用步骤2归一化后的图像数据对特征提取模型进行训练,使得模型对训练集的图像数据进行正确分类,并得到交叉熵损失函数,其流程如图4所示,具体过程如下:
步骤3.1、将提取模型输出层前的特征和权重进行归一化,分别除以它们的向量、矩阵二范数即可得到归一化后的特征和权重(特征对应向量,权重对应矩阵二范数);其中,模型的框架结构示意图如图2所示,为了保证模型提取的特征具有双重语义,模型包含编码器(Enc oder)、解码器(Decoder)和有监督分类器(Classifier)三个部分;所述编码器用于将输入的图像数据压缩为特征向量,解码器用于从特征向量重构输入,有监督分类器用于对编码器提取的特征向量映射到分类空间进行分类;
步骤3.2、计算样本对应类别在输出层之前的得分cos(θ),即将归一化之后的特征f和模型编码器的最后一层全连接层的权重(即,全连接层的系数)W进行点乘运算得到余弦值cos(θ),即W·f=||W||·||f||·cos(θ),因为进行了归一化,所以此余弦值包含该特征与每个类别的权重之间的余弦距离;然后按照求分类概率的方式,使用Softmax函数计算得到所有类别的动态调节系数wi,再利用标签信息提取对应类别的损失值ψ(θi);
具体的公式为:
ψ(θi)=wi·cos(θi)
i代表第i个样本,θ代表了权重W与特征f的夹角,因为余弦相似度作为图像特征相似度的度量,基于现有的方法,本发明将编码器最后一层全连接权重的范数和特征向量的范数进行归一化,即||W||=1,||f||=1;同时引入缩放因子s,用于加速和稳定模型训练过程。为了实现间隔动态的变化,本发明引入对应类别的分类概率pi来动态调整wi,进而对损失函数施加惩罚,因此,wi的最终形式为,
其中,
I(*)是示性函数,当cos(θi)<0时,wi<0,这使得ψ(θi)<cos(θi);
步骤3.3.为了防止动态间隔过大或过小,过大或者过小都会导致模型训练不稳定,无法正确收敛到损失函数的最小值,将步骤3.2得到的各类别的动态调节系数使用截断函数进行上下界约束,具体过程为:
截断函数clamp(x,min,max)进行处理,其公式为:
x=clamp(x,min,max)
x代表输入的值,min代表取值下界,max代表取值上界,上界和下界值根据需要进行确定;
步骤3.5.根据修正后的得分计算出新的分类概率,然后计算得出修正后的基于动态间隔的分类损失函数,其具体公式为:
s是缩放因子,N为样本总数,yi为第i个样本的标签,C为有监督分类器进行分类的类别总数,k为第k类样本,θ为权重W与特征f的夹角,ψ(θi)为样本对应类别的损失值;
步骤4、完成模型训练,去除模型最后一层分类层和重构层,得到特征提取器;
步骤5、对待测试图像数据进行步骤1和步骤2的处理后输入步骤4得到的特征提取器进行特征提取,即可得到图像数据的特征向量。
图3为本发明动态间隔的几何解释示意图,如图所示,图中不同符号的区域代表不同类别的特征,W代表类别的权重,b代表特征的边界,左图代表现有技术的固定间隔方法,右图本发明动态间隔方法。从图中可以看出,左图b1和b2之间的距离与b3和b4之间的距离相等;右图因为在训练过程中动态调整间隔,所以b1和b2之间的距离与b3和b4之间的距离不同,即在模型训练过程中实现了动态间隔的调整。
本发明提出的方法可以通过动态调节系数自动的调整类别特征之间的间隔,在不同特征之间设置不同的间隔。在神经网络模型的训练过程中,根据不同类别的分类概率来对间隔进行调整,当分类概率较大时,代表模型可以轻易识别出这个类别的特征,此时不需要较大的特征间隔,因此降低了特征间隔。这种方式在增加特征间隔的同时,考虑到了不同特征的识别效果,仅仅对那些不容易区分的特征增加间隔,能使模型更加均衡的平衡不同特征之间的距离。同时,本发明提出的双重语义特征提取模型,该模型同时结合有监督和无监督的方法进行特征提取,最终获得了具有双重语义的特征;本方法与以前的方法相比实现了更好的手指识别准确率。
以上所述,仅为本发明的具体实施方式,本说明书中所公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换;所公开的所有特征、或所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以任何方式组合。
Claims (5)
1.一种基于动态间隔的双重语义特征提取方法,其特征在于,包括以下步骤:
步骤1、对源数据集进行去噪声处理,再进行感兴趣区域提取,得到具有所需特征的图像数据集;
步骤2、将步骤1得到的数据集中的图像数据进行大小缩放,变成大小一致的图片,同时对其进行归一化处理,使所有图片的像素值为0到1之间;
步骤3、使用步骤2归一化后的图像数据对双重语义特征提取模型进行训练,使得模型对图像数据进行正确分类,并得到交叉熵损失函数;
交叉熵损失函数的具体计算过程为:
步骤3.1.将双重语义特征提取模型输出层前面的特征f和权重进行归一化处理;
步骤3.2.计算各类别的动态调节系数wi和损失值ψ(θi):计算步骤2得到的归一化后的图像数据的对应类别在输出层之前的得分cos(θ),即将归一化之后的特征f和有监督分类器的全连接层的权重W进行点乘运算得到余弦值cos(θ),然后按类别使用Softmax函数计算得到动态调节系数wi,利用标签信息提取对应类别的损失值ψ(θi);
步骤3.3.将步骤3.2得到的各类别的动态调节系数使用截断函数进行上下界约束,然后筛选出余弦值大于0的动态调节系数,即动态间隔;
步骤3.4.将步骤3.3得到的动态间隔乘上样本对应类别在输出层之前的得分cos(θ),得到修正后的样本得分;
步骤3.5.根据修正后的样本得分计算新的分类概率,然后计算得出修正后的基于动态间隔的分类损失,其具体公式为:
s是缩放因子,N为样本总数,yi为第i个样本的标签,C为有监督分类器进行分类的类别总数,k为第k类样本,θ为权重W与特征f的夹角,ψ(θi)为样本对应类别的损失值;
步骤4、完成双重语义特征提取模型的训练,去除模型的输出层,得到特征提取器;
步骤5、对待测试图像数据进行步骤1和步骤2的处理后输入步骤4得到的特征提取器进行特征提取,即可得到图像数据的特征向量。
2.如权利要求1所述的基于动态间隔的双重语义特征提取方法,其特征在于,感兴趣区域提取的具体过程为:
步骤1.1.对源数据集中的图像数据进行边缘检测,产生蒙板;
步骤1.2.将源数据集中的图像数据与1.1产生的蒙板结合,去除图像数据蒙板外的区域,即可得到具有所需特征的图像数据集。
3.如权利要求1所述的基于动态间隔的双重语义特征提取方法,其特征在于,步骤3中的双重语义特征提取模型包含编码器和输出层,所述输出层包括解码器和有监督分类器两部分;所述编码器用于将输入的图像数据提取为特征向量,解码器用于从特征向量重构输入,有监督分类器用于对编码器提取的特征向量映射到分类空间进行分类。
4.如权利要求3所述的基于动态间隔的双重语义特征提取方法,其特征在于,所述编码器采用卷积神经网络,由卷积层、池化层、激活函数和全连接层构成;解码器由反卷积层和激活函数构成;有监督分类器由全连接层构成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110954044.8A CN113705647B (zh) | 2021-08-19 | 2021-08-19 | 一种基于动态间隔的双重语义特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110954044.8A CN113705647B (zh) | 2021-08-19 | 2021-08-19 | 一种基于动态间隔的双重语义特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113705647A CN113705647A (zh) | 2021-11-26 |
CN113705647B true CN113705647B (zh) | 2023-04-28 |
Family
ID=78653433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110954044.8A Active CN113705647B (zh) | 2021-08-19 | 2021-08-19 | 一种基于动态间隔的双重语义特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705647B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114636995A (zh) * | 2022-03-16 | 2022-06-17 | 中国水产科学研究院珠江水产研究所 | 一种基于深度学习的水声信号检测方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2014117521A (ru) * | 2014-04-29 | 2015-11-10 | ЭлЭсАй Корпорейшн | Распознавание динамических жестов с использованием свойств, извлекаемых из нескольких интервалов |
CN111160189A (zh) * | 2019-12-21 | 2020-05-15 | 华南理工大学 | 一种基于动态目标训练的深度神经网络人脸表情识别方法 |
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 |
CN111339988A (zh) * | 2020-03-11 | 2020-06-26 | 福州大学 | 基于动态间隔损失函数和概率特征的视频人脸识别方法 |
CN112035689A (zh) * | 2020-08-17 | 2020-12-04 | 苏州智元昇动智能科技有限公司 | 一种基于视觉转语义网络的零样本图像哈希检索方法 |
CN112464689A (zh) * | 2019-09-06 | 2021-03-09 | 佳能株式会社 | 生成神经网络的方法、装置和系统及存储指令的存储介质 |
CN112465844A (zh) * | 2020-12-29 | 2021-03-09 | 华北电力大学 | 一种用于图像语义分割的多类别损失函数及其设计方法 |
CN112668579A (zh) * | 2020-12-24 | 2021-04-16 | 西安电子科技大学 | 基于自适应亲和力和类别分配的弱监督语义分割方法 |
CN112766399A (zh) * | 2021-01-28 | 2021-05-07 | 电子科技大学 | 一种面向图像识别的自适应神经网络训练方法 |
CN113052261A (zh) * | 2021-04-22 | 2021-06-29 | 东南大学 | 一种基于余弦空间优化的图像分类损失函数的设计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190205761A1 (en) * | 2017-12-28 | 2019-07-04 | Adeptmind Inc. | System and method for dynamic online search result generation |
-
2021
- 2021-08-19 CN CN202110954044.8A patent/CN113705647B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2014117521A (ru) * | 2014-04-29 | 2015-11-10 | ЭлЭсАй Корпорейшн | Распознавание динамических жестов с использованием свойств, извлекаемых из нескольких интервалов |
CN112464689A (zh) * | 2019-09-06 | 2021-03-09 | 佳能株式会社 | 生成神经网络的方法、装置和系统及存储指令的存储介质 |
CN111160189A (zh) * | 2019-12-21 | 2020-05-15 | 华南理工大学 | 一种基于动态目标训练的深度神经网络人脸表情识别方法 |
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 |
CN111339988A (zh) * | 2020-03-11 | 2020-06-26 | 福州大学 | 基于动态间隔损失函数和概率特征的视频人脸识别方法 |
CN112035689A (zh) * | 2020-08-17 | 2020-12-04 | 苏州智元昇动智能科技有限公司 | 一种基于视觉转语义网络的零样本图像哈希检索方法 |
CN112668579A (zh) * | 2020-12-24 | 2021-04-16 | 西安电子科技大学 | 基于自适应亲和力和类别分配的弱监督语义分割方法 |
CN112465844A (zh) * | 2020-12-29 | 2021-03-09 | 华北电力大学 | 一种用于图像语义分割的多类别损失函数及其设计方法 |
CN112766399A (zh) * | 2021-01-28 | 2021-05-07 | 电子科技大学 | 一种面向图像识别的自适应神经网络训练方法 |
CN113052261A (zh) * | 2021-04-22 | 2021-06-29 | 东南大学 | 一种基于余弦空间优化的图像分类损失函数的设计方法 |
Non-Patent Citations (5)
Title |
---|
Dao Zhou等.Dynamic Margin Softmax Loss for Speaker Verification.《INTERSPEECH 2020》.2020,3800-3804. * |
Guiduo Duan等.Improving Neural Machine Translation Model with Deep Encoding Information.《Cognitive Computation》 .2021,第13卷972–980 . * |
Zheng Li等.Additive Phoneme-aware Margin Softmax Loss for Language Recognition.《https://arxiv.org/abs/2106.12851》.2021,1-6. * |
魏少玮.基于深度学习的异源图像配准.《中国优秀硕士学位论文全文数据库 信息科技辑》.2021,I138-1021. * |
龚海华.基于语义哈希的图像检索算法研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2019,I138-1176. * |
Also Published As
Publication number | Publication date |
---|---|
CN113705647A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348319B (zh) | 一种基于人脸深度信息和边缘图像融合的人脸防伪方法 | |
Raghuveera et al. | A depth-based Indian sign language recognition using microsoft kinect | |
CN110032938B (zh) | 一种藏文识别方法、装置及电子设备 | |
CN108446601B (zh) | 一种基于动静特征融合的人脸识别方法 | |
CN112036383B (zh) | 一种基于手静脉的身份识别方法及装置 | |
CN111126240B (zh) | 一种三通道特征融合人脸识别方法 | |
CN107729820B (zh) | 一种基于多尺度hog的手指静脉识别方法 | |
CN112200159B (zh) | 一种基于改进残差网络的非接触式掌静脉识别方法 | |
CN112836671B (zh) | 一种基于最大化比率和线性判别分析的数据降维方法 | |
CN111046858B (zh) | 一种基于图像的动物物种细分类方法、系统及介质 | |
CN112926592B (zh) | 一种基于改进Fast算法的商标检索方法及装置 | |
US20210365836A1 (en) | Methods and systems for pre-optimizing input data for an ocr engine or other computer-implemented analysis process | |
CN113705647B (zh) | 一种基于动态间隔的双重语义特征提取方法 | |
CN112507804A (zh) | 一种基于手部图像的身份识别方法 | |
CN112132117A (zh) | 一种辅助胁迫检测的融合身份认证系统 | |
CN111178254A (zh) | 一种签名识别方法及设备 | |
WO2024051427A1 (zh) | 硬币识别方法、系统及存储介质 | |
CN106339701A (zh) | 一种人脸图像识别方法及系统 | |
WO2016192213A1 (zh) | 一种图像特征提取方法和装置、存储介质 | |
CN107729945A (zh) | 基于类间稀疏表示的鉴别回归、分类方法及系统 | |
CN109145749B (zh) | 一种跨数据集的面部表情识别模型构建及识别方法 | |
CN116645683A (zh) | 基于提示学习的签名笔迹鉴别方法、系统及存储介质 | |
CN109165551B (zh) | 一种自适应加权融合显著性结构张量和lbp特征的表情识别方法 | |
Yin et al. | Video text localization based on Adaboost | |
CN115170956A (zh) | 基于多尺度熵率超像素的后验概率高光谱图像分类方法 |
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 |