CN113705729B - 垃圾分类模型建模方法、垃圾分类方法、装置及介质 - Google Patents
垃圾分类模型建模方法、垃圾分类方法、装置及介质 Download PDFInfo
- Publication number
- CN113705729B CN113705729B CN202111118999.6A CN202111118999A CN113705729B CN 113705729 B CN113705729 B CN 113705729B CN 202111118999 A CN202111118999 A CN 202111118999A CN 113705729 B CN113705729 B CN 113705729B
- Authority
- CN
- China
- Prior art keywords
- garbage
- network
- garbage classification
- self
- data set
- 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
- 238000013145 classification model Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000013136 deep learning model Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000013459 approach Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 10
- 238000009826 distribution Methods 0.000 abstract description 8
- 230000009286 beneficial effect Effects 0.000 abstract description 7
- 238000004140 cleaning Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种垃圾分类模型建模方法、垃圾分类方法、装置及介质。基于自编码器重构误差与置信度概念，首先在只包含ID(In Distribution)样本的垃圾分类数据集上训练模型的主干网络及其串联的全连接网络，然后固定主干网络及全连接网络的连接权重，在只包含ID样本的垃圾分类数据集上并行训练自编码器；最后固定主干网络及其串联的全连接网络、自编码器的连接权重，在包含ID和OOD(Out of Distribution)样本的垃圾分类数据集上并行训练自编码器串联的全连接网络层。该方法训练出来的模型既能够准确分类已知类别垃圾也可以精准辨别未知类别垃圾。有利于解决垃圾分类任务中数据中存在异常样本而导致的分类模型性能不好的问题。
Description
技术领域
本发明涉及计算机视觉技术领域，具体涉及垃圾分类模型建模方法、垃圾分类方法、装置及介质。
背景技术
垃圾的分类是保洁机器人的主要任务之一，目前常用的手段是通过神经网络对垃圾数据集进行学习，使保洁机器人获得“辨别”垃圾种类的能力。但在实际场景中，总会碰到未知的垃圾类别。这些不在已知类别范围内的垃圾称为垃圾分类模型的异常样本(Out ofDistribution，OOD)，垃圾分类模型识别这些异常样本称为异常检测(OOD检测)。OOD检测指的是分类模型能够检测出OOD样本，而OOD样本是相对于正常样本(In Distribution，ID)而言的。
传统的机器学习方法通常假设模型训练与测试数据是独立同分布的(IID，Independent Identical Distribution)，即训练与测试数据都是ID样本。然而，在实际场景中模型部署上线后得到的数据往往不能被完全控制，也就是说模型接收的数据有可能是OOD样本，模型常常会将OOD样本判定是ID样本的某个类别并给出高的置信度，这显然是不合理的。智能保洁机器人的实际应用场景通常是火车站等复杂场所，垃圾分类模型遇到未知类别垃圾的概率很高。因此，能否剔除不属于已知类别范围内的垃圾是判断垃圾分类模型性能优劣的重要指标，对智能保洁机器人的正常工作至关重要。
发明内容
本发明的目的在于提供一种垃圾分类模型建模方法、垃圾分类方法、装置及介质，用于解决垃圾分类任务中数据中存在异常样本而导致的分类模型性能不好的问题。
为了解决上述问题，本发明采用以下技术方案：
一种垃圾分类模型建模方法，包括以下步骤：
S1：确定主干网络的权重参数，将所述主干网络与第一全连接网络串联；
S2：获取并使用已知类别的垃圾图像数据集，利用梯度下降算法训练所述主干网络与所述第一全连接网络；
S3：固定所述主干网络与所述第一全连接网络的权重参数，将所述已知类别的垃圾图像数据集中的垃圾图像样本逐张输入所述主干网络，所述主干网络的每一特征提取层均对应一个自编码器，利用所述主干网络的每一特征提取层提取的图像特征训练各自对应的自编码器；
S4：获取包含未知类别的垃圾图像数据集，固定所述主干网络、所述第一全连接网络与各自编码器的权重参数，将所述包含未知类别的垃圾图像数据集中的垃圾图像样本逐张输入所述主干网络，得到各特征提取层所对应的自编码器的重构误差；
S5：各特征提取层所对应的自编码器均连接有一全连接网络，将各重构误差作为各全连接网络的输入，利用梯度下降算法训练各全连接网络得到各重构误差对应的样本的置信度，将各置信度相乘得到总置信度；
S6：训练至所述已知类别的垃圾图像数据集中样本的总置信度趋近于1且所述包含未知类别的垃圾图像数据集中样本的总置信度趋近于0，得到垃圾分类模型。
有益效果为：
基于自编码器重构误差与置信度概念，首先在只包含ID样本的垃圾分类数据集(即已知类别的垃圾图像数据集)上训练模型的主干网络及其串联的全连接网络，然后固定主干网络及全连接网络的连接权重，在只包含ID样本的垃圾分类数据集(即已知类别的垃圾图像数据集)上并行训练自编码器；最后固定主干网络及其串联的全连接网络、自编码器的连接权重，在包含ID和OOD样本的垃圾分类数据集(即包含未知类别的垃圾图像数据集中)上并行训练自编码器串联的全连接网络层。该方法训练出来的模型既能够准确分类已知类别垃圾也可以精准辨别未知类别垃圾。有利于解决垃圾分类任务中数据中存在异常样本而导致的分类模型性能不好的问题。
进一步地，所述主干网络为在公开垃圾分类数据集上预训练后的分类器网络或未经预训练的网络，所述主干网络为深度卷积神经网络。
进一步地，所述包含未知类别的垃圾图像数据集包含所述已知类别的垃圾图像样本和未知类别的垃圾图像样本。
本发明还提供了一种装置，包括存储单元和处理单元，所述存储单元保存有计算机程序指令及深度学习模型参数，所述处理单元执行所述计算机程序指令以实现权利要求1至3任一项所述的方法。
本发明还提供了一种垃圾分类方法，基于权利要求1至3所述的垃圾分类模型，包括以下步骤：
获取实际场景图片，对所述实际场景图片进行预处理；
将预处理后的实际场景图片输入所述垃圾分类模型；
所述垃圾分类模型输出实际场景图片中的垃圾的类别标签及其置信度；
若所述置信度低于设定阈值，则认为该实际场景图片中的垃圾属于未知类别样本；如果置信度高于设定阈值，则认为该实际场景图片中的垃圾属于已知类别样本，且类别标签是可信的。
有益效果：
基于垃圾分类模型，本方法能够准确分类已知类别垃圾，也可以精准辨别未知类别垃圾。有利于解决垃圾分类任务中数据中存在异常样本而导致的分类模型性能不好的问题。
进一步地，所述预处理为通过目标检测算法将所述实际场景图片中的垃圾进行识别，然后根据垃圾的位置对所述实际场景图片进行裁剪。
本发明还提供了一种装置，包括存储单元和处理单元，所述存储单元存储有计算机程序指令及深度学习模型参数，所述处理单元执行所述计算机程序指令以实现权利要求5和6任一项所述的方法。
本发明还提供了一种介质，所述介质为计算机可读写存储介质，所述介质存储有计算机程序指令及深度学习模型参数，以实现权利要求5和6任一项所述的方法。
附图说明
图1是本发明垃圾分类模型建模方法示意图；
图2是本发明垃圾分类方法示意图。
具体实施方式
本发明的垃圾分类模型建模方法实施例：
如图1所示，本发明所提供的一种垃圾分类模型建模方法，包括以下步骤：
S1：确定主干网络的权重参数，将主干网络与第一全连接网络串联；
S2：获取并使用已知类别的垃圾图像数据集，利用梯度下降算法训练主干网络与第一全连接网络；
S3：固定主干网络与第一全连接网络的权重参数，将已知类别的垃圾图像数据集中的垃圾图像样本逐张输入主干网络，主干网络的每一特征提取层均对应一个自编码器，利用主干网络的每一特征提取层提取的图像特征训练各自对应的自编码器；
S4：获取包含未知类别的垃圾图像数据集，固定所述主干网络、所述第一全连接网络与各自编码器的权重参数，将所述包含未知类别的垃圾图像数据集中的垃圾图像样本逐张输入所述主干网络，得到各特征提取层所对应的自编码器的重构误差；
S5：各特征提取层所对应的自编码器均连接有一全连接网络，将各重构误差作为各全连接网络的输入，利用梯度下降算法训练各全连接网络得到各重构误差对应的样本的置信度，将各置信度相乘得到总置信度；
S6：训练至所述已知类别的垃圾图像数据集中样本的总置信度趋近于1且所述包含未知类别的垃圾图像数据集中样本的总置信度趋近于0，得到垃圾分类模型。
具体训练模型时，首先选取主干网络，主干网络为深度卷积神经网络，本实施例中选取VGG网络。
S1：选取主干网络后，确定主干网络的权重参数，若主干网络未经过预训练，则初始化主干网络的权重参数；将主干网络的输出与第一全连接网络串联。
S2：获取已知类别的垃圾图像数据集，该数据集为公开数据集或根据实际应用场景定制的数据集；该数据集仅包含正常样本(In Distribution，ID)，利用该数据集以梯度下降算法训练主干网络和全连接网络，实现已知类别的垃圾的准确分类。主干网络与全连接网络层使用的交叉熵损失函数如下所示：
其中N表示样本总数量，表示总类别数。表示第i个样本属于第j类的概率。表示符号函数，如果样本i属于类别j则符号函数取值为1，否则取值为0。
S3：固定由上述步骤S2训练完毕的主干网络与第一全连接网络的权重参数，将已知类别的垃圾图像数据集中的垃圾图像样本(即正常样本(In Distribution，ID))逐张输入主干网络，主干网络的每一特征提取层均对应一个自编码器，利用主干网络的每一特征提取层提取的图像特征训练各自对应的自编码器；每个自编码器都由编码器和解码器两部分组成，其计算公式如下所示：
h＝g1(W1x+b1) (2)
其中，g1是编码器，g2是解码器，MinimizeLoss是自编码器的优化目标。x表示编码器输入，表示解码器输出，h表示自编码器隐含层特征，W1和b1分别表示编码器的参数，W2和b2分别表示解码器的参数。
S4：获取包含未知类别的垃圾图像数据集，该数据集为公开数据集或根据实际应用场景定制的数据集；固定主干网络、第一全连接网络与各自编码器的权重参数，将包含未知类别的垃圾图像数据集中的垃圾图像样本(包括正常样本与异常样本(Out ofDistribution，OOD))逐张输入所述主干网络，得到各特征提取层所对应的自编码器的重构误差；
S5：各特征提取层所对应的自编码器均连接有一全连接网络，将各重构误差作为各全连接网络的输入，利用梯度下降算法训练各全连接网络得到各重构误差对应的样本的置信度，将各置信度相乘得到总置信度；即我们首先选择主干网络的若干层级提取出的图片特征Fi作为自编码器的输入，然后根据自编码器的输入与输出获得图片特征的重构误差Ei，接着使用全连接网络将重构误差Ei映射为置信度ci，最后得到总置信度c＝c1c2…cn。自编码器的性能越好则重构误差越趋向于0，而ID和OOD样本的置信度应该分别趋向于1和0。
S6：训练至所述已知类别的垃圾图像数据集中样本的总置信度趋近于1且所述包含未知类别的垃圾图像数据集中样本的总置信度趋近于0，得到垃圾分类模型，具体判断模型是否收敛由本领域技术人员在不同工况下视情况制定标准。
基于自编码器重构误差与置信度概念，首先在只包含ID样本的垃圾分类数据集(即已知类别的垃圾图像数据集)上训练模型的主干网络及其串联的全连接网络，然后固定主干网络及全连接网络的连接权重，在只包含ID样本的垃圾分类数据集(即已知类别的垃圾图像数据集)上并行训练自编码器；最后固定主干网络及其串联的全连接网络、自编码器的连接权重，在包含ID和OOD样本的垃圾分类数据集(即包含未知类别的垃圾图像数据集中)上并行训练自编码器串联的全连接网络层。该方法训练出来的模型既能够准确分类已知类别垃圾也可以精准辨别未知类别垃圾。有利于解决垃圾分类任务中数据中存在异常样本而导致的分类模型性能不好的问题。
本实施例中全连接网络通常均为三层全连接网络，也可根据本领域技术人员的经验进行层数的调整。
垃圾分类模型建模装置实施例：
本发明还提供了一种装置，包括存储单元和处理单元，存储单元保存有计算机程序指令及深度学习模型参数，处理单元执行计算机程序指令以实现上述垃圾分类模型建模方法。
本发明的垃圾分类方法实施例：
本发明还提供了一种垃圾分类方法，基于垃圾分类模型建模方法中获得的垃圾分类模型，如图2所示，包括以下步骤：
S1：获取实际场景图片，对所述实际场景图片进行预处理；
S2：将预处理后的实际场景图片输入所述垃圾分类模型；
S3：所述垃圾分类模型输出实际场景图片中的垃圾的类别标签及其置信度；
S4：若所述置信度低于设定阈值，则认为该实际场景图片中的垃圾属于未知类别样本；如果置信度高于设定阈值，则认为该实际场景图片中的垃圾属于已知类别样本，且类别标签是可信的。
具体工作时，步骤如下：
S1:首先通过摄像头获取实际场景图片，该图片中可能包括多个和多种垃圾，此时需要对采集到的图片进行预处理，预处理方式为通过目标检测算法(如YOLO算法)将实际场景图片中的垃圾进行识别，然后根据垃圾的位置对实际场景图片进行裁剪。
S2：将预处理后的实际场景图片输入垃圾分类模型。
S3：垃圾分类模型输出实际场景图片中的垃圾的类别标签及其置信度。
S4：对该置信度进行判断，若所述置信度低于设定阈值，则认为该实际场景图片中的垃圾属于未知类别样本；如果置信度高于设定阈值，则认为该实际场景图片中的垃圾属于已知类别样本，且类别标签是可信的。
基于垃圾分类模型，本方法能够准确分类已知类别垃圾，也可以精准辨别未知类别垃圾。有利于解决垃圾分类任务中数据中存在异常样本而导致的分类模型性能不好的问题。
垃圾分类方法装置实施例：
本发明还提供了一种装置，包括存储单元和处理单元，存储单元存储有计算机程序指令及深度学习模型参数，处理单元执行所述计算机程序指令以实现上述垃圾分类方法。
本发明的介质实施例：
本发明还提供了一种介质，所述介质为计算机可读写存储介质，所述介质存储有计算机程序指令及深度学习模型参数，以实现上述垃圾分类方法。
上述实施例仅以一种具体的实施方式说明本发明的技术方案，任何对本发明进行的等同替换及不脱离本发明精神和范围的修改或局部替换，其均应涵盖在本发明权利要求保护的范围之内。
Claims (8)
1.一种垃圾分类模型建模方法，其特征在于，包括以下步骤：
S1：确定主干网络的权重参数，将所述主干网络与第一全连接网络串联；
S2：获取并使用已知类别的垃圾图像数据集，利用梯度下降算法训练所述主干网络与所述第一全连接网络；
S3：固定所述主干网络与所述第一全连接网络的权重参数，将所述已知类别的垃圾图像数据集中的垃圾图像样本逐张输入所述主干网络，所述主干网络的每一特征提取层均对应一个自编码器，利用所述主干网络的每一特征提取层提取的图像特征训练各自对应的自编码器；
S4：获取包含未知类别的垃圾图像数据集，固定所述主干网络、所述第一全连接网络与各自编码器的权重参数，将所述包含未知类别的垃圾图像数据集中的垃圾图像样本逐张输入所述主干网络，得到各特征提取层所对应的自编码器的重构误差；
S5：各特征提取层所对应的自编码器均连接有一全连接网络，将各重构误差作为各全连接网络的输入，利用梯度下降算法训练各全连接网络得到各重构误差对应的样本的置信度，将各置信度相乘得到总置信度；
S6：训练至所述已知类别的垃圾图像数据集中样本的总置信度趋近于1且所述包含未知类别的垃圾图像数据集中样本的总置信度趋近于0，得到垃圾分类模型。
2.根据权利要求1所述的垃圾分类模型建模方法，其特征在于，所述主干网络为在公开垃圾分类数据集上预训练后的分类器网络或未经预训练的网络，所述主干网络为深度卷积神经网络。
3.根据权利要求2所述的垃圾分类模型建模方法，其特征在于，所述包含未知类别的垃圾图像数据集包含所述已知类别的垃圾图像样本和未知类别的垃圾图像样本。
4.一种装置，包括存储单元和处理单元，其特征在于，所述存储单元保存有计算机程序指令及深度学习模型参数，所述处理单元执行所述计算机程序指令以实现权利要求1至3任一项所述的方法。
5.一种垃圾分类方法，其特征在于，基于权利要求1至3所述的垃圾分类模型，包括以下步骤：
获取实际场景图片，对所述实际场景图片进行预处理；
将预处理后的实际场景图片输入所述垃圾分类模型；
所述垃圾分类模型输出实际场景图片中的垃圾的类别标签及其置信度；
若所述置信度低于设定阈值，则认为该实际场景图片中的垃圾属于未知类别样本；如果置信度高于设定阈值，则认为该实际场景图片中的垃圾属于已知类别样本，且类别标签是可信的。
6.根据权利要求5所述的垃圾分类方法，其特征在于，所述预处理为通过目标检测算法将所述实际场景图片中的垃圾进行识别，然后根据垃圾的位置对所述实际场景图片进行裁剪。
7.一种装置，包括存储单元和处理单元，其特征在于，所述存储单元存储有计算机程序指令及深度学习模型参数，所述处理单元执行所述计算机程序指令以实现权利要求5和6任一项所述的方法。
8.一种介质，所述介质为计算机可读写存储介质，其特征在于，所述介质存储有计算机程序指令及深度学习模型参数，以实现权利要求5和6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111118999.6A CN113705729B (zh) | 2021-09-27 | 2021-09-27 | 垃圾分类模型建模方法、垃圾分类方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111118999.6A CN113705729B (zh) | 2021-09-27 | 2021-09-27 | 垃圾分类模型建模方法、垃圾分类方法、装置及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113705729A CN113705729A (zh) | 2021-11-26 |
| CN113705729B true CN113705729B (zh) | 2024-06-25 |
Family
ID=78661705
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111118999.6A Active CN113705729B (zh) | 2021-09-27 | 2021-09-27 | 垃圾分类模型建模方法、垃圾分类方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113705729B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109201514B (zh) * | 2017-06-30 | 2019-11-08 | 京东方科技集团股份有限公司 | 垃圾分类回收方法、垃圾分类装置以及垃圾分类回收系统 |
| CN111563554B (zh) * | 2020-05-08 | 2022-05-17 | 河北工业大学 | 基于回归变分自编码器的零样本图像分类方法 |
| CN112508094B (zh) * | 2020-07-24 | 2023-10-20 | 完美世界(北京)软件科技发展有限公司 | 垃圾图片的识别方法、装置及设备 |
| CN113222045B (zh) * | 2021-05-26 | 2022-06-24 | 浙江大学 | 基于加权特征对齐自编码器的半监督故障分类方法 |
-
2021
- 2021-09-27 CN CN202111118999.6A patent/CN113705729B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 刘欢 ; 郑庆华 ; 罗敏楠 ; 赵洪科 ; 肖阳 ; 吕彦章 ; .基于跨域对抗学习的零样本分类.计算机研究与发展.2019,(12),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113705729A (zh) | 2021-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107609525B (zh) | 基于剪枝策略构建卷积神经网络的遥感图像目标检测方法 | |
| CN106897738B (zh) | 一种基于半监督学习的行人检测方法 | |
| CN114048568B (zh) | 一种基于多源迁移融合收缩框架的旋转机械故障诊断方法 | |
| KR102328734B1 (ko) | 이미지를 분석하기 위해, 딥러닝 네트워크에 이용하기 위한 트레이닝 이미지에 대한 라벨링 신뢰도를 자동으로 평가하기 위한 방법 및 이를 이용한 신뢰도 평가 장치 | |
| CN104992223A (zh) | 基于深度学习的密集人数估计方法 | |
| CN105574550A (zh) | 一种车辆识别方法及装置 | |
| CN112819821B (zh) | 一种细胞核图像检测方法 | |
| CN113870254B (zh) | 目标对象的检测方法、装置、电子设备及存储介质 | |
| CN110852358A (zh) | 一种基于深度学习的车辆类型判别方法 | |
| CN108762503A (zh) | 一种基于多模态数据采集的人机交互系统 | |
| CN112381806A (zh) | 基于多尺度融合方法的双着丝粒畸变染色体分析预测方法 | |
| CN114821022A (zh) | 融合主观逻辑和不确定性分布建模的可信目标检测方法 | |
| CN112560948A (zh) | 数据偏差下的眼底图分类方法及成像方法 | |
| CN115861790A (zh) | 耕地遥感图像分析方法、装置、设备、存储介质及产品 | |
| CN114360038A (zh) | 基于深度学习的弱监督rpa元素识别方法及系统 | |
| CN113313678A (zh) | 一种基于多尺度特征融合的精子形态学自动分析方法 | |
| CN113705729B (zh) | 垃圾分类模型建模方法、垃圾分类方法、装置及介质 | |
| CN115357718B (zh) | 主题集成服务重复材料发现方法、系统、设备和存储介质 | |
| CN114898215A (zh) | 一种声屏障自动布置方法 | |
| CN108898157A (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 | |
| CN114998285A (zh) | 一种基于神经网络架构搜索的工业产品盲检目标检测方法 | |
| CN113610191B (zh) | 垃圾分类模型建模方法、垃圾分类方法 | |
| CN113610120B (zh) | 基于弱监督学习的App图像内容安全检测方法 | |
| CN117521673B (zh) | 一种具备分析训练性能的自然语言处理系统 | |
| CN115631530B (zh) | 一种基于人脸动作单元的公平人脸表情识别方法 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wan Lihong Inventor after: Liu Na Inventor after: Zhang Zeyang Inventor after: Yuan Ye Inventor before: Yuan Ye Inventor before: Liu Na Inventor before: Zhang Zeyang Inventor before: Wan Lihong |
|
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 2nd Floor, Block C, Zhongyuan Science and Technology City Innovation Incubation Base, at the intersection of Sanquan Road and Longyuan Fourth Street, Zhengzhou Area (Zhengdong), Henan Free Trade Pilot Zone, Zhengzhou City, Henan Province, 450000 Patentee after: Zhongyuan power intelligent robot Co.,Ltd. Country or region after: China Address before: 1601, 16th floor, Henan enterprise United building, Shangxian street, Mingli Road, Zhengdong New District, Zhengzhou City, Henan Province Patentee before: Zhongyuan power intelligent robot Co.,Ltd. Country or region before: China |