CN113837353A - 基于特征筛选和深度融合的卷积神经网络特征融合算法 - Google Patents
基于特征筛选和深度融合的卷积神经网络特征融合算法 Download PDFInfo
- Publication number
- CN113837353A CN113837353A CN202110942485.6A CN202110942485A CN113837353A CN 113837353 A CN113837353 A CN 113837353A CN 202110942485 A CN202110942485 A CN 202110942485A CN 113837353 A CN113837353 A CN 113837353A
- Authority
- CN
- China
- Prior art keywords
- feature
- fusion
- channel
- function
- value
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 61
- 238000012216 screening Methods 0.000 title claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 25
- 230000004913 activation Effects 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000005284 excitation Effects 0.000 claims abstract description 14
- 238000001125 extrusion Methods 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000005065 mining Methods 0.000 claims abstract description 6
- 230000003213 activating effect Effects 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 39
- 238000013135 deep learning Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000011218 segmentation Effects 0.000 abstract description 4
- 238000013507 mapping Methods 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008034 disappearance Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- 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
- G06N3/048—Activation functions
-
- 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
本发明公开了一种基于特征筛选和深度融合的卷积神经网络特征融合算法。方法包括如下步骤：(1)、将来自同一幅影像的多个不同的卷积特征按照通道进行拼接。然后对拼接后的特征进行批量归一化，来调整各层输出特征的分布。(2)对融合后的综合特征进行包括挤压、激励和注意三个过程的特征筛选。(3)通过一维卷积对多个特征进行深度融合，进一步挖掘各个特征的信息和特征信息之间的关系。(4)最后对深度融合的特征进行激活，通过激活函数把激活的特征保留并映射出来。本发明可以明显提升深度学习方法中多特征(多尺度特征融合、注意力特征融合等)相关类别算法模型的精度，提高图像分类、语义分割和目标检测等任务的识别效果。
Description
技术领域
本发明涉及计算机视觉领域，具体涉及图像处理，尤其涉及一种基于深度学习的卷积神经网络特征融合算法。
背景技术
随着深度学习的快速发展，以卷积神经网络为基础的深度学习算法模型在图像识别、语义分割、目标检测等众多领域广泛应用，并提出众多先进算法。其中，在设计算法的过程中，会经常用到特征融合的方法，比如多尺度特征融合、注意力特征和原始图像特征融合、底层特征和高层特征融合等。一般的特征融合方法有两种：拼接和相加，拼接是把不同的特征按照通道合并的方式进行拼接，相加是不同特征的特征值直接进行相加。而这种简单的拼接或相加特征融合方式不能够充分的利用特征的信息，也没用深层次挖掘特征之间的关系，造成图像处理过程中目标识别的精度不高。
发明内容
为了解决上述问题，本发明提出了基于特征筛选和深度融合的卷积神经网络特征融合算法。该方法相较于传统的合并和相加更能够充分利用特征信息，提升算法模型的精度。
为了实现上述技术目的，达到上述技术效果，本发明是通过以下技术方案实现：
一种基于特征筛选和深度融合的卷积神经网络特征融合算法，包括以下步骤：
步骤1、将一批来自m幅影像的n个不同的卷积特征按照通道进行拼接。每一个卷积特征的通道为C，大小均为H×W，拼接后的特征大小为m×nC×H×W。
步骤2、对步骤1得到的拼接特征进行批量归一化，得到综合特征。
步骤3、通过通道注意力的方法对步骤2得到的综合特征进行特征筛选。
步骤4、通过一维卷积对步骤3得到的筛选后的特征进行深度融合，进一步挖掘各个特征的信息和各个信息之间的关系。
步骤5、通过ReLu激活函数对步骤4深度融合后的特征进行激活，得到基于特征筛选和深度融合的卷积神经网络，根据所述基于特征筛选和深度融合的卷积神经网络得到深度处理后的图像特征。
进一步的，所述的一种基于特征筛选和深度融合的卷积神经网络特征融合算法，其特征在于，在步骤2中所述的批量归一化(Batch Normalization，BN)是通过利用每一个小批量的均值和方差来调整神经网络各层输出特征的分布，使其符合高斯分布，解决数据分布带来的梯度消失和梯度爆炸问题，从而使整个神经网络在各层的中间输出的数值更稳定。小批量数据的均值和方差公式分别为：
其中，μB为小批量B的均值，
为小批量B的方差，m为小批量的数目即每一个卷积特征的特征数，xi为小批量数据中第i个数据的值，其中i＝1，2，3......m。归一化的公式为：
其中，
为归一化后的值，∈为一个很小的常数项，防止分母为0。归一化后再自适应的进行拉伸和偏移，拉伸偏移公式为：
其中，yi为批量归一化后的值，γ和β为网络模型的两个可学习的参数。
进一步的，所述的一种基于特征筛选和深度融合的卷积神经网络特征融合算法，其特征在于，步骤3中，特征筛选包括挤压、激励和注意三个过程，具体步骤如下：
步骤3.1、对步骤2得到的综合特征的每一个通道的特征进行挤压，挤压是把每个通道的特征值都压缩成一个值，挤压函数如下所示：
其中，H表示输入图像特征的高，W表示输入图像特征的宽，(i，j)表示图像特征中的位置坐标即图像特征的一个像素，uc(i，j)表示该位置的像素值即该位置的特征值，uc(·)表示通道C像元的特征值，Fsq表示压缩后的特征值。
步骤3.2、对步骤3.1挤压后的函数进行激励，激励是通过全连接层和激活函数来得到每个通道的权重，激励函数如下所示：
Fex(z，W)＝σ(W2δ(W1z+b1)+b2)
其中，σ表示Sigmoid激活函数，δ表示ReLU激活函数，W1和W2表示两层全连接层的权重系数，b1和b2表示两层全连接层的偏置系数，Fex表示特征z对应激励函数值即每个通道的权重。
进一步的，所述的一种基于特征筛选和深度融合的卷积神经网络特征融合算法，其特征在于，在步骤3.2中，所述激活函数对所得特征值进行非线性变换，σ所表示得Sigmoid激活函数S(x)和δ所表示的ReLU激活函数f(x)的函数公式如下：
步骤3.2.1、σ所表示得Sigmoid激活函数的函数公式如下：
其中，x为输入特征值，S(x)为输出的[0，1]之间特征的概率；
Sigmoid函数是将特征映射到[0，1]之间，获得通道每一层的权重概率。
步骤3.2.2、δ所表示的ReLU激活函数的函数公式如下：
f(x)＝max(0，x)
其中，x为输入特征值，f(x)为激活之后的特征值。ReLU函数增加函数的非线性表达，目的是通过该函数把激活的神经元特征保留并映射出来。
步骤3.3、对步骤3.2激励后的函数进行注意，注意是使特征的每一个通道的特征值乘以得到的通道权重系数，以此得到通道的注意力，注意函数如下所示：
Fat(uc，sc)＝sc·uc
其中，sc表示每个通道的权重系数，uc每个通道的特征值；将步骤二得到的综合特征的每一个通道的特征值乘以得到的每个通道权重系数即为通道注意力。
进一步的，所述的一种基于特征筛选和深度融合的卷积神经网络特征融合算法，其特征在于，步骤4所述一维卷积的卷积核大小为1×1，输入维度和输出维度一致，都为输入特征的通道数大小；
本发明的收益效果是：
1、本发明可以对拼接后的特征进行筛选，以去除无用特征，充分保留关键特征信息。
2、本发明可以深度融合多个特征，进一步得到特征有用信息和挖掘多特征之间的关系。
3、本发明主要改进了深度卷积神经网络特征融合算法，本发明的特征融合算法基于特征筛选和深度融合的方式，相较于传统的简单合并和相加方式更能够充分利用特征信息，提升算法模型的精度。可以明显提升深度学习方法中多特征(多尺度特征融合、注意力特征融合等)相关类别算法模型的精度，提高图像分类、语义分割和目标检测等任务的识别效果。
附图说明
图1为本发明整体流程示意图；
图2为具体实施例的流程图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种基于特征筛选和深度融合的卷积神经网络特征融合算法。
请参考图1-2，图1为本发明整体流程示意图，图2是本发明实施例中一种基于特征筛选和深度融合的卷积神经网络特征融合算法的流程图，具体包括如下步骤：
步骤1、将一批来自m幅影像的2个不同的卷积特征按照通道进行拼接。每一个卷积特征的通道为C，大小均为H×W，拼接后的特征大小为m×2C×H×W。
步骤2、对步骤1得到的拼接特征进行批量归一化，所述的批量归一化(BatchNormalization，BN)是通过利用每一个小批量的均值和方差来调整神经网络各层输出特征的分布，使其符合高斯分布，用于解决数据分布带来的梯度消失和梯度爆炸问题，从而使整个神经网络在各层的中间输出的数值更稳定。小批量数据的均值和方差公式分别为：
其中，μB为小批量B的均值，
为小批量B的方差，m为小批量的数目即每一个卷积特征的特征数，xi为小批量数据中第i个数据的值，其中i＝1，2，3......m。归一化的公式为：
其中，
为归一化后的值，∈为一个很小的常数项，防止分母为0。归一化后再自适应的进行拉伸和偏移，拉伸偏移公式为：
其中，yi为批量归一化后的值，γ和β为神经网络模型的两个可学习的参数。批量归一化后，得到综合特征，大小为m×2C×H×W。
步骤3、通过通道注意力的方法对步骤2得到的综合特征进行特征筛选。特征筛选包括挤压、激励和注意三个过程，具体步骤如下：
步骤3.1、挤压是把每个通道的特征值都压缩成一个值，挤压函数如下所示：
其中，H表示输入图像特征的高，W表示输入图像特征的宽，(i，j)表示图像特征中的位置坐标即图像特征的一个像素，uc(i，j)表示该位置的像素值即该位置的特征值，uc(·)表示通道C像元的特征值，Fsq表示压缩后的特征值。将步骤2得到得到的综合特征进行挤压，得到的挤压后的每一个通的特征大小为m×2C×1×1。
步骤3.2、激励是通过全连接层和激活函数来得到每个通道的权重，激励函数如下所示：
Fex(z，W)＝σ(W2δ(W1z+b1)+b2)
其中，σ表示Sigmoid激活函数，δ表示ReLU激活函数，W1和W2表示两层全连接层的权重系数，b1和b2表示两层全连接层的偏置系数，Fex表示特征z对应激励函数值即每个通道的权重。对步骤3.1挤压后的特征进行激励，得到的激励后的特征大小为m×2C×1×1。
所述激活函数对所得特征值进行非线性变换，σ所表示的Sigmoid激活函数S(x)和δ所表示的ReLU激活函数f(x)的函数公式如下：
步骤3.2.1、σ所表示的Sigmoid激活函数S(x)的函数公式如下：
其中，x为输入特征值，S(x)为输出的[0，1]之间特征的概率；Sigmoid函数是将特征映射到[0，1]之间，获得通道每一层的权重概率。
步骤3.2.2、δ所表示的ReLU激活函数f(x)的函数公式如下：
f(x)＝max(0，x)
其中，x为输入特征值，f(x)为激活之后的特征值。ReLU函数增加函数的非线性表达，目的是通过该函数把激活的神经元特征保留并映射出来。
步骤3.3、对步骤3.2激励后的特征进行注意，得到注意后的各个通道的特征合并，其大小为m×2C×H×W。注意是使特征的每一个通道的特征值乘以得到的通道权重，以此得到通道的注意力，注意函数如下所示：
Fat(uc，sc)＝sc·uc
其中，sc表示每个通道的权重，uc每个通道的特征值；将步骤二得到的综合特征的每一个通道的特征值乘以得到的每个通道权重即为通道注意力。
步骤4、通过一维卷积对步骤3得到的筛选后的特征进行深度融合，进一步挖掘各个特征的信息和各个信息之间的关系。
所述一维卷积的卷积核大小为1×1，输入维度和输出维度一致，都为输入特征的通道数大小；对步骤3筛选后的特征进行一维卷积，得到的输出的特征大小为m×2C×H×W。
步骤5、通过ReLu激活函数对步骤4深度融合后的特征进行激活，得到基于特征筛选和深度融合的卷积神经网络，根据所述基于特征筛选和深度融合的卷积神经网络得到深度处理后的图像特征。激活后的特征大小为m×2C×H×W。
本发明的有益效果是：
1、本发明可以对拼接后的特征进行筛选，以去除无用特征，充分保留关键特征信息。
2、本发明可以深度融合多个特征，进一步得到特征有用信息和挖掘多特征之间的关系。
3、本发明主要改进了深度卷积神经网络特征融合算法，本发明的特征融合算法基于特征筛选和深度融合的方式，相较于传统的简单合并和相加方式更能够充分利用特征信息，提升算法模型的精度。可以明显提升深度学习方法中多特征(多尺度特征融合、注意力特征融合等)相关类别算法模型的精度，提高图像分类、语义分割和目标检测等任务的识别效果。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于特征筛选和深度融合的卷积神经网络特征融合算法，其特征在于，包括以下步骤：
步骤1、将来自同一幅影像的多个不同的卷积特征按照通道进行拼接，得到拼接特征；
步骤2、对步骤1得到的拼接特征进行批量归一化处理，得到综合特征；
步骤3、通过通道注意力的方法对步骤2得到的综合特征进行特征筛选；
步骤4、通过一维卷积对步骤3得到的筛选后的特征进行深度融合，进一步挖掘各个特征的信息和各个信息之间的关系；
步骤5、通过ReLu激活函数对步骤4深度融合后的特征进行激活，得到基于特征筛选和深度融合的卷积神经网络，根据所述基于特征筛选和深度融合的卷积神经网络得到深度处理后的图像特征。
2.如权利要求1所述的一种基于特征筛选和深度融合的卷积神经网络特征融合算法，其特征在于，在步骤2中所述的批量归一化处理过程为：求取每个小批量拼接特征的均值和方差，然后利用均值和方差调整该小批量拼接特征的数据分布，使其特征符合高斯分布。
3.如权利要求1所述的一种基于特征筛选和深度融合的卷积神经网络特征融合算法，其特征在于，步骤3中，特征筛选包括挤压、激励和注意三个过程，具体步骤如下：
步骤3.1、对步骤2得到的综合特征的每一个通道的特征进行挤压，挤压是把每个通道的特征值都压缩成一个值，挤压函数如下所示：
其中，H表示输入图像特征的高，W表示输入图像特征的宽，(i,j)表示图像特征中的位置坐标即图像特征的一个像素，uc(i,j)表示该位置的像素值即该位置的特征值，uc(·)表示通道C像元的特征值，Fsq表示压缩后的特征值；
步骤3.2、对步骤3.1挤压后的函数进行激励，激励是通过全连接层和激活函数来得到每个通道的权重，激励函数如下所示：
Fex(z,W)＝σ(W2δ(W1z+b1)+b2)
其中，σ表示Sigmoid激活函数，δ表示ReLU激活函数，W1和W2表示两层全连接层的权重系数，b1和b2表示两层全连接层的偏置系数，Fex表示特征z对应激励函数值即每个通道的权重；
步骤3.3、对步骤3.2激励后的函数进行注意，注意是使特征的每一个通道的特征值乘以得到的通道权重，以此得到通道的注意力，注意函数如下所示：
Fat(uc,sc)＝sc·uc
其中，sc表示每个通道的权重，uc每个通道的特征值；将步骤二得到的综合特征的每一个通道的特征值乘以得到的每个通道权重即为通道注意力。
4.如权利要求1所述的一种基于特征筛选和深度融合的卷积神经网络特征融合算法，其特征在于，步骤4所述一维卷积的卷积核大小为1×1，输入维度和输出维度一致，都为输入特征的通道数大小。
5.如权利要求1述的一种基于特征筛选和深度融合的卷积神经网络特征融合算法，其特征在于，在步骤3中，所述激活函数对所得特征值进行非线性变换，σ所表示的Sigmoid激活函数S(x)和δ所表示的ReLU激活函数f(x)的函数公式如下：
步骤3.2.1、σ所表示的Sigmoid激活函数S(x)的函数公式如下：
其中，x为输入特征值，S(x)为输出的[0，1]之间特征的概率；
步骤3.2.2、δ所表示的ReLU激活函数f(x)的函数公式如下：
f(x)＝max(0,x)
其中，x为输入特征值，f(x)为激活之后的特征值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110942485.6A CN113837353A (zh) | 2021-08-17 | 2021-08-17 | 基于特征筛选和深度融合的卷积神经网络特征融合算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110942485.6A CN113837353A (zh) | 2021-08-17 | 2021-08-17 | 基于特征筛选和深度融合的卷积神经网络特征融合算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113837353A true CN113837353A (zh) | 2021-12-24 |
Family
ID=78960543
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110942485.6A Pending CN113837353A (zh) | 2021-08-17 | 2021-08-17 | 基于特征筛选和深度融合的卷积神经网络特征融合算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113837353A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108710826A (zh) * | 2018-04-13 | 2018-10-26 | 燕山大学 | 一种交通标志深度学习模式识别方法 |
| CN110197468A (zh) * | 2019-06-06 | 2019-09-03 | 天津工业大学 | 一种基于多尺度残差学习网络的单图像超分辨重建算法 |
| CN111062892A (zh) * | 2019-12-26 | 2020-04-24 | 华南理工大学 | 一种基于复合残差网络和深层监督的单幅图像去雨方法 |
| CN111695633A (zh) * | 2020-06-12 | 2020-09-22 | 桂林电子科技大学 | 基于rpf-cam的低照度目标检测方法 |
| CN112785617A (zh) * | 2021-02-23 | 2021-05-11 | 青岛科技大学 | 残差UNet直肠癌肿瘤磁共振图像自动分割方法 |
| CN112861978A (zh) * | 2021-02-20 | 2021-05-28 | 齐齐哈尔大学 | 一种基于注意力机制的多分支特征融合遥感场景图像分类方法 |
| CN113033630A (zh) * | 2021-03-09 | 2021-06-25 | 太原科技大学 | 一种基于双非局部注意力模型的红外与可见光图像深度学习融合方法 |
| CN113177465A (zh) * | 2021-04-27 | 2021-07-27 | 江苏科技大学 | 基于深度可分离卷积神经网络的sar图像自动目标识别方法 |
| CN113239954A (zh) * | 2021-04-01 | 2021-08-10 | 河海大学 | 基于注意力机制的图像语义分割特征融合方法 |
-
2021
- 2021-08-17 CN CN202110942485.6A patent/CN113837353A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108710826A (zh) * | 2018-04-13 | 2018-10-26 | 燕山大学 | 一种交通标志深度学习模式识别方法 |
| CN110197468A (zh) * | 2019-06-06 | 2019-09-03 | 天津工业大学 | 一种基于多尺度残差学习网络的单图像超分辨重建算法 |
| CN111062892A (zh) * | 2019-12-26 | 2020-04-24 | 华南理工大学 | 一种基于复合残差网络和深层监督的单幅图像去雨方法 |
| CN111695633A (zh) * | 2020-06-12 | 2020-09-22 | 桂林电子科技大学 | 基于rpf-cam的低照度目标检测方法 |
| CN112861978A (zh) * | 2021-02-20 | 2021-05-28 | 齐齐哈尔大学 | 一种基于注意力机制的多分支特征融合遥感场景图像分类方法 |
| CN112785617A (zh) * | 2021-02-23 | 2021-05-11 | 青岛科技大学 | 残差UNet直肠癌肿瘤磁共振图像自动分割方法 |
| CN113033630A (zh) * | 2021-03-09 | 2021-06-25 | 太原科技大学 | 一种基于双非局部注意力模型的红外与可见光图像深度学习融合方法 |
| CN113239954A (zh) * | 2021-04-01 | 2021-08-10 | 河海大学 | 基于注意力机制的图像语义分割特征融合方法 |
| CN113177465A (zh) * | 2021-04-27 | 2021-07-27 | 江苏科技大学 | 基于深度可分离卷积神经网络的sar图像自动目标识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 余帅 等: "基于多级通道注意力的遥感图像分割方法", 《激光与光电子学进展》, vol. 57, pages 041012 - 1 * |
| 湃客：中国光学: "医学图像检索：融合多尺度特征及注意力机制", pages 1 - 4, Retrieved from the Internet <URL:https://m.thepaper.cn/baijiahao_13958531> * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106599869B (zh) | 一种基于多任务卷积神经网络的车辆属性识别方法 | |
| CN111191583B (zh) | 基于卷积神经网络的空间目标识别系统及方法 | |
| CN111783782B (zh) | 融合改进UNet和SegNet的遥感图像语义分割方法 | |
| CN111488985B (zh) | 深度神经网络模型压缩训练方法、装置、设备、介质 | |
| CN112115973B (zh) | 一种基于卷积神经网络图像识别方法 | |
| CN108446689B (zh) | 一种人脸识别方法 | |
| Bieder et al. | Comparison of methods generalizing max-and average-pooling | |
| CN109242002A (zh) | 高维数据分类方法、装置及终端设备 | |
| CN111539444B (zh) | 一种修正式模式识别及统计建模的高斯混合模型方法 | |
| CN109726195B (zh) | 一种数据增强方法及装置 | |
| CN112465001B (zh) | 一种基于逻辑回归的分类方法及装置 | |
| CN112101364B (zh) | 基于参数重要性增量学习的语义分割方法 | |
| CN106503743B (zh) | 一种数量多且维数高的图像局部特征点自适应聚类方法 | |
| CN111832580B (zh) | 结合少样本学习与目标属性特征的sar目标识别方法 | |
| CN113806580A (zh) | 基于层次语义结构的跨模态哈希检索方法 | |
| CN112348079A (zh) | 数据降维处理方法、装置、计算机设备及存储介质 | |
| Alalyan et al. | Model-based hierarchical clustering for categorical data | |
| CN114492634B (zh) | 一种细粒度装备图片分类识别方法及系统 | |
| CN109345497B (zh) | 基于模糊算子的图像融合处理方法及系统、计算机程序 | |
| US20230394312A1 (en) | Pruning activations and weights of neural networks with programmable thresholds | |
| CN112070116B (zh) | 一种基于支持向量机的艺术画作自动分类系统及方法 | |
| CN113283519A (zh) | 一种基于离散系数的深度神经网络近似模型分析方法 | |
| CN113837353A (zh) | 基于特征筛选和深度融合的卷积神经网络特征融合算法 | |
| CN105844299B (zh) | 一种基于词袋模型的图像分类方法 | |
| CN114580605A (zh) | 卷积神经网络、运算优化方法、装置、电子设备及介质 |
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 |