CN113870241A - 一种基于胶囊神经网络的药片缺陷识别方法和装置 - Google Patents

一种基于胶囊神经网络的药片缺陷识别方法和装置 Download PDF

Info

Publication number
CN113870241A
CN113870241A CN202111185312.0A CN202111185312A CN113870241A CN 113870241 A CN113870241 A CN 113870241A CN 202111185312 A CN202111185312 A CN 202111185312A CN 113870241 A CN113870241 A CN 113870241A
Authority
CN
China
Prior art keywords
capsule
layer
tablet
neural network
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.)
Pending
Application number
CN202111185312.0A
Other languages
English (en)
Inventor
朱敏玲
贺文亮
苗军
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.)
Beijing Information Science and Technology University
Original Assignee
Beijing Information Science and Technology University
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 Beijing Information Science and Technology University filed Critical Beijing Information Science and Technology University
Priority to CN202111185312.0A priority Critical patent/CN113870241A/zh
Publication of CN113870241A publication Critical patent/CN113870241A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

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

Abstract

本发明公开一种基于胶囊神经网络的药片缺陷识别方法和装置，包括：步骤S1、获取药片图像；步骤S2、将所述药片图像进行分类组合得到训练数据集和测试数据集；步骤S3、将所述训练数据集输入到胶囊神经网络中，得到最优的动态路由迭代次数和压缩函数常数项；步骤S4、将所述测试数据集输入到基于最优动态路由迭代次数和压缩函数常数项的胶囊神经网络中以进行药片缺陷识别。采用本发明的技术方案，可以克服人工检测的弊端，同时可以提高其准确度与工作效率。

Description

一种基于胶囊神经网络的药片缺陷识别方法和装置
技术领域
本发明属于机器学习技术领域，尤其涉及一种基于胶囊神经网络的药片缺陷识别方法和装置。
背景技术
药品质量直接关乎人民群众的身体健康和生命安全，是国家重视的民生问题。药品质量检测是药品生产领域的重要环节，为药品的安全生产与使用提供了重要保证。药品的外观检测是药品质量检测的重要环节之一。我国作为人口大国，药物的使用是必不可少的。生产制造如此众多的药品，如何保证药品的成品质量成为一大难题。由于其需求量大，质量检测要求高，以目前的人力方式检测总具有不确定性，缺乏准确度，人工检测的成本高昂，并且会对工人的视觉系统造成一定的伤害。
发明内容
本发明要解决的技术问题是，提供一种基于胶囊神经网络的药片缺陷识别方法和装置，可以克服人工检测的弊端，同时可以提高其准确度与工作效率。
为实现上述目的，本发明采用如下的技术方案：
一种基于胶囊神经网络的药片缺陷识别方法，包括以下步骤：
步骤S1、获取药片图像；
步骤S2、将所述药片图像进行分类组合得到训练数据集和测试数据集；
步骤S3、将所述训练数据集输入到胶囊神经网络中，得到最优的动态路由迭代次数和压缩函数常数项；
步骤S4、将所述测试数据集输入到基于最优动态路由迭代次数和压缩函数常数项的胶囊神经网络中以进行药片缺陷识别。
作为优选，步骤S1中，所述药片图像为由1200张组合成三类的数据集，所述三类情况分别为完整带有污渍的、完好的和不完整的药片。
作为优选，步骤S3中，所述胶囊神经网络由编码器和解码器组成。编码器包括输入层、卷积层、主胶囊层、数字胶囊层；输入层为大小28×28的灰度MNIST手写数字图片，输出层为一个10维向量；卷积层采用大小为9×9，深度为256，步长为1的卷积核，同时使用Relu激活函数。主胶囊层采用8组大小为9×9，深度为32，步长为2的卷积核，对卷积层得到的特征图进行8次卷积操作，得到6×6×8×32的特征图，展平后得到大小为1152×8的向量神经元；数字胶囊层输出10个16维向量的胶囊，由主胶囊层得到的胶囊通过动态路由算法得出；所述解码器用于重构图像，根据数字胶囊层得到的16×10矩阵，通过3个全连接层，重构出一幅和输入层大小相同的图像。
作为优选，步骤S3中，最优的动态路由迭代次数为3，最优的压缩函数常数项为0.6。
本发明还提供一种基于胶囊神经网络的药片缺陷识别装置，包括：
获取模块，用于获取药片图像；
分类模块，用于将所述药片图像进行分类组合得到训练数据集和测试数据集；
训练模块，用于将所述训练数据集输入到胶囊神经网络中，得到最优的动态路由迭代次数和压缩函数常数项；
识别模块，用于将所述测试数据集输入到基于最优动态路由迭代次数和压缩函数常数项的胶囊神经网络中以进行药片缺陷识别
作为优选，所述药片图像为由1200张组合成三类的数据集，所述三类情况分别为完整带有污渍的、完好的和不完整的药片。
作为优选，所述胶囊神经网络由编码器和解码器组成。编码器包括输入层、卷积层、主胶囊层、数字胶囊层；输入层为大小28×28的灰度MNIST手写数字图片，输出层为一个10维向量；卷积层采用大小为9×9，深度为256，步长为1的卷积核，同时使用Relu激活函数。主胶囊层采用8组大小为9×9，深度为32，步长为2的卷积核，对卷积层得到的特征图进行8次卷积操作，得到6×6×8×32的特征图，展平后得到大小为1152×8的向量神经元；数字胶囊层输出10个16维向量的胶囊，由主胶囊层得到的胶囊通过动态路由算法得出；所述解码器用于重构图像，根据数字胶囊层得到的16×10矩阵，通过3个全连接层，重构出一幅和输入层大小相同的图像。
作为优选，最优的动态路由迭代次数为3，最优的压缩函数常数项为0.6。
针对药片缺陷识别问题，采用胶囊神经网络对药片缺陷进行识别，通过小数据集为背景探究动态路由迭代轮数和不同的压缩函数常数项方案对胶囊神经网络性能的影响，采用本发明的技术方案，可以克服人工检测的弊端，同时可以提高其准确度与工作效率。
附图说明
图1为本发明药片缺陷识别方法的流程示意图；
图2为胶囊网络编码器结构图；
图3为胶囊网络解码器结构图；
图4为神经胶囊工作过程图；
图5为本发明药片缺陷识别装置的结构示意图。
具体实施方式
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
如图1所示，本发明提供一种基于胶囊神经网络的药片缺陷识别方法，包括以下步骤：
步骤S1、获取药片图像；
步骤S2、将所述药片图像进行分类组合得到训练数据集和测试数据集；
步骤S3、将所述训练数据集输入到胶囊神经网络中，得到最优的动态路由迭代次数和压缩函数常数项；
步骤S4、将所述测试数据集输入到基于最优动态路由迭代次数和压缩函数常数项的胶囊神经网络中以进行药片缺陷识。
进一步，步骤S1中，通过采集药片图像，共获得1200张组合成3分类的数据集，分类情况分别为完整带有污渍的、完好的和不完整的药片三类，本发明将处理好的图像随机打乱，避免模型因未打乱的数据集呈现一定规律而出现过拟合的情况，确保每次数据都是同一种数据组合方式进行处理。
进一步，步骤S3中，所述胶囊神经网络又称向量胶囊网络，由两部分组成，分别是编码器和解码器。胶囊神经网络的模型结构较浅，仅仅由三层组成，编码器部分如图2所示，包括卷积层、PrimaryCaps(主胶囊)层、DigitCaps(数字胶囊)层。输入层为大小28×28的灰度MNIST手写数字图片，输出层为一个10维向量。卷积层采用大小为9×9，深度为256，步长为1的卷积核，同时使用Relu激活函数。主胶囊层采用8组大小为9×9，深度为32，步长为2的卷积核，对卷积层得到的特征图进行8次卷积操作，得到6×6×8×32的特征图，展平后得到大小为1152×8的向量神经元。数字胶囊层输出10个16维向量的胶囊，由主胶囊层得到的胶囊通过动态路由算法得出，Wij为动态路由的转化矩阵。
胶囊神经网络采用了间隔损失的方式作为损失函数，因此允许多个分类同时存在。间隔损失计算方式如公式(1)所示。其中，Lk为经过计算得到的间隔损失；Tk为第k分类的存在值，若存在则取1，否则取0；m+、m-和λ分别取0.9、0.1、0.5。
Lk＝Tkmax(0,m+-||vk||)2+λ(1-Tk)max(0,||vk||-m-)2 (1)
胶囊神经网络的解码器用来重构图像，结构如图3所示。输入自数字胶囊层得到的16×10矩阵，通过3个全连接层，重构出一幅和输入层大小相同的图像。解码器在训练时，可以缩小真实图像和重构图像的差距使得网络性能更强。
胶囊神经网络的输出是一个多维向量，它是一组神经元的集合，可以表示实体的不同属性信息，例如位置、方向等。胶囊网络的输出模长用来表示此种类出现的概率，模长值在0-1之间，越靠近1，表示该种类越有可能存在。神经胶囊网络的工作过程概括为即矩阵转化、输入加权、加权求和、以及非线性变换，如图4所示，
首先，ui为获取的药片图像向量，将药片图像向量与转化矩阵Wij相乘得到向量Uj，此过程为矩阵转化。
Figure BDA0003298954000000051
其中，
Figure BDA0003298954000000052
表示由低层特征i推出的高层特征j；
Figure BDA0003298954000000053
又称“预测胶囊”。
Figure BDA0003298954000000061
其中，bij表示胶囊i连接至胶囊j的先验概率，初始化为0，根据每次路由迭代训练后更新，cij表示胶囊i连接至胶囊j的连接概率。
Figure BDA0003298954000000062
其中，sj表示l层胶囊的总输入，cij通过动态路由方式更新，将l层的每个胶囊都与它对应的连接概率cij相乘求和后即为l层对l+1层胶囊j的输入。
Figure BDA0003298954000000063
其中，vj表示l+1层的胶囊输出，
Figure BDA0003298954000000064
为压缩函数常数项；公式(5)为对sj进行非线性变换得到vj，非线性变换目的是控制vj的长度不超过1，同时保持vj和sj同方向。
Figure BDA0003298954000000065
最后将“预测胶囊”
Figure BDA0003298954000000066
与l+1层的输出向量vj相乘用来更新bij，从而更新连接连接概率cij。
在公式(5)中，
Figure BDA0003298954000000067
决定了sj经过非线性变换后得到的vj大小。如果sj很长，此项约等于1，反之如果sj很短，此项约等于0。本发明对此项中的常数项部分进行实验，将常数项分别设置为0.6、0.7、0.8、0.9、1来进行实验，寻找最合适的压缩函数常数项方案。
本发明药片图像为小数据集960*240的样本，960为训练集数据，240为测试集数据。数据集没有任何更改，采用的方法是调整不同的动态路由迭代次数和压缩函数常数项来对模型进行优化训练。动态路由迭代次数分别设置为1、2、3、4、5次，经实验结果发现迭代次数为3时，模型的效果最佳。压缩函数常数项分别设置为1、0.9、0.8、0.7、0.6，经实验结果发现压缩函数取0.6时，模型的效果最佳。
步骤S4中，将测试数据集输入到基于最优动态路由迭代次数和压缩函数常数项的胶囊神经网络中以进行药片缺陷识别，具体为：
4.1、将测试数据的图片和对应的标签传输到基于最优动态路由迭代次数和压缩函数常数项的胶囊神经网络中，图片和标签一一对应；
4.2、胶囊神经网络获取测试集数据，将第一张图片放入网络结构中，输入为图片的像素值，此值为一个矩阵。
4.3、通过卷积层、主胶囊层以及数字胶囊层的计算之后，输出结果为一个列表，列表里有3个数值，这个数值是0-1之间的小数，代表胶囊长度。胶囊长度越大，就表示神经网络认为结果是这个分类的可能性越大。列表中的3个数值分别代表3个分类的胶囊长度。
例如：胶囊网络输出为[0.95,0.53,0.2]，其中0.95最大，那么神经网络模型就判定这张识别对应标签0，标签0表示这张图片属于有污渍的药片。
特别说明：
1、动态路由迭代轮数，只是调整这个参数，将动态路由的算法次数进行改变，分别设置为1/2/3/4/5，最后得出结论：迭代次数为3的时候，效果最好。
2.压缩函数常数项同上，分别设置为0.6/0.7/0.8/0.9/1，结论：常数项为0.6时，效果最好。
3、步骤S3的训练过程和步骤S4识别过程的完全一样，只是输入数据不同，其作用也不同；步骤S3针对训练数据，用于优化动态路由迭代轮数和压缩函数常数项；步骤S4针对测试数据(该测试数据也称待处理数据)，用于药片缺陷识别。
如图5所示，本发明还提供一种基于药片缺陷识别装置，包括：
获取模块，用于获取药片图像；
分类模块，用于将所述药片图像进行分类组合得到训练数据集和测试数据集；
训练模块，用于将所述训练数据集输入到胶囊神经网络中，得到最优的动态路由迭代次数和压缩函数常数项；
识别模块，将所述测试数据集输入到基于最优动态路由迭代次数和压缩函数常数项的胶囊神经网络中以进行药片缺陷识别。
本发明研究基于胶囊网络的药片缺陷识别中动态路由迭代轮数和压缩函数常数项对模型性能的影响，通过多次实验对比了动态路由迭代轮数和压缩函数常数项不同的方案对模型效果的影响，发现当动态路由迭代次数为3以及压缩函数常数项为0.6时能够发挥出模型最好的性能。在很多领域下没有海量的数据集时，通过调整胶囊神经网络的动态路由迭代次数和改进压缩函数方案对模型效果也是非常有帮助的。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims (8)

1.一种基于胶囊神经网络的药片缺陷识别方法，其特征在于，包括以下步骤：
步骤S1、获取药片图像；
步骤S2、将所述药片图像进行分类组合得到训练数据集和测试数据集；
步骤S3、将所述训练数据集输入到胶囊神经网络中，得到最优的动态路由迭代次数和压缩函数常数项；
步骤S4、将所述测试数据集输入到基于最优动态路由迭代次数和压缩函数常数项的胶囊神经网络中以进行药片缺陷识别。
2.如权利要求1所述的基于胶囊神经网络的药片缺陷识别方法，其特征在于，步骤S1中，所述药片图像为由1200张组合成三类的数据集，所述三类情况分别为完整带有污渍的、完好的和不完整的药片。
3.如权利要求2所述的基于胶囊神经网络的药片缺陷识别方法，其特征在于，步骤S3中，所述胶囊神经网络由编码器和解码器组成；编码器包括输入层、卷积层、主胶囊层、数字胶囊层；输入层为大小28×28的灰度MNIST手写数字图片，输出层为一个10维向量；卷积层采用大小为9×9，深度为256，步长为1的卷积核，同时使用Relu激活函数；主胶囊层采用8组大小为9×9，深度为32，步长为2的卷积核，对卷积层得到的特征图进行8次卷积操作，得到6×6×8×32的特征图，展平后得到大小为1152×8的向量神经元；数字胶囊层输出10个16维向量的胶囊，由主胶囊层得到的胶囊通过动态路由算法得出；所述解码器用于重构图像，根据数字胶囊层得到的16×10矩阵，通过3个全连接层，重构出一幅和输入层大小相同的图像。
4.如权利要求3所述的基于胶囊神经网络的药片缺陷识别方法，其特征在于，步骤S3中，最优的动态路由迭代次数为3，最优的压缩函数常数项为0.6。
5.一种基于胶囊神经网络的药片缺陷识别装置，其特征在于，包括：
获取模块，用于获取药片图像；
分类模块，用于将所述药片图像进行分类组合得到训练数据集和测试数据集；
训练模块，用于将所述训练数据集输入到胶囊神经网络中，得到最优的动态路由迭代次数和压缩函数常数项；
识别模块，将所述测试数据集输入到基于最优动态路由迭代次数和压缩函数常数项的胶囊神经网络中以进行药片缺陷识别。
6.如权利要求5所述的基于胶囊神经网络的药片缺陷识别装置，其特征在于，所述药片图像为由1200张组合成三类的数据集，所述三类情况分别为完整带有污渍的、完好的和不完整的药片。
7.如权利要求6所述的基于胶囊神经网络的药片缺陷识别装置，其特征在于，所述胶囊神经网络由编码器和解码器组成；编码器包括输入层、卷积层、主胶囊层、数字胶囊层；输入层为大小28×28的灰度MNIST手写数字图片，输出层为一个10维向量；卷积层采用大小为9×9，深度为256，步长为1的卷积核，同时使用Relu激活函数。主胶囊层采用8组大小为9×9，深度为32，步长为2的卷积核，对卷积层得到的特征图进行8次卷积操作，得到6×6×8×32的特征图，展平后得到大小为1152×8的向量神经元；数字胶囊层输出10个16维向量的胶囊，由主胶囊层得到的胶囊通过动态路由算法得出；所述解码器用于重构图像，根据数字胶囊层得到的16×10矩阵，通过3个全连接层，重构出一幅和输入层大小相同的图像。
8.如权利要求7所述的基于胶囊神经网络的药片缺陷识别装置，其特征在于，最优的动态路由迭代次数为3，最优的压缩函数常数项为0.6。
CN202111185312.0A 2021-10-12 2021-10-12 一种基于胶囊神经网络的药片缺陷识别方法和装置 Pending CN113870241A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111185312.0A CN113870241A (zh) 2021-10-12 2021-10-12 一种基于胶囊神经网络的药片缺陷识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111185312.0A CN113870241A (zh) 2021-10-12 2021-10-12 一种基于胶囊神经网络的药片缺陷识别方法和装置

Publications (1)

Publication Number Publication Date
CN113870241A true CN113870241A (zh) 2021-12-31

Family

ID=78998648

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111185312.0A Pending CN113870241A (zh) 2021-10-12 2021-10-12 一种基于胶囊神经网络的药片缺陷识别方法和装置

Country Status (1)

Country Link
CN (1) CN113870241A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113947427A (zh) * 2021-10-14 2022-01-18 广西大学 一种灵活能源混合网络动态微分控制的长期价格引导方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985316A (zh) * 2018-05-24 2018-12-11 西南大学 一种改进重构网络的胶囊网络图像分类识别方法
CN110490107A (zh) * 2019-08-06 2019-11-22 北京工商大学 一种基于胶囊神经网络的指纹识别技术
CN112348119A (zh) * 2020-11-30 2021-02-09 华平信息技术股份有限公司 基于胶囊网络的图像分类方法、存储介质及电子设备
CN112834518A (zh) * 2021-01-06 2021-05-25 优刻得科技股份有限公司 颗粒缺陷检测方法、系统、设备和介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985316A (zh) * 2018-05-24 2018-12-11 西南大学 一种改进重构网络的胶囊网络图像分类识别方法
CN110490107A (zh) * 2019-08-06 2019-11-22 北京工商大学 一种基于胶囊神经网络的指纹识别技术
CN112348119A (zh) * 2020-11-30 2021-02-09 华平信息技术股份有限公司 基于胶囊网络的图像分类方法、存储介质及电子设备
CN112834518A (zh) * 2021-01-06 2021-05-25 优刻得科技股份有限公司 颗粒缺陷检测方法、系统、设备和介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MAX PECHYONKIN: "CapsNet入门系列之三：囊间动态路由算法", 《HTTPS://MP.WEIXIN.QQ.COM/S?__BIZ=MZI3ODKXODU3MG==&MID=2247484433&IDX=1&SN=3AFE4605BC2501EEBBC41C6DD1AF9572&CHKSM=EB4EE0D2DC3969C4619D6C1097D5C949C76C6C854E60D36EBA4388DA2C3855747818D062C90A&SCENE=21#WECHAT_REDIRECT》 *
MAX PECHYONKIN: "CapsNet入门系列之四：胶囊网络架构", 《HTTPS://MP.WEIXIN.QQ.COM/S/6CRSEN8P6ZKAMGTX8IRFQW》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113947427A (zh) * 2021-10-14 2022-01-18 广西大学 一种灵活能源混合网络动态微分控制的长期价格引导方法

Similar Documents

Publication Publication Date Title
CN110532900B (zh) 基于U-Net和LS-CNN的人脸表情识别方法
CN105447473B (zh) 一种基于PCANet-CNN的任意姿态人脸表情识别方法
CN106778682B (zh) 一种卷积神经网络模型的训练方法及其设备
CN111091045A (zh) 一种基于时空注意力机制的手语识别方法
CN111639544A (zh) 基于多分支跨连接卷积神经网络的表情识别方法
CN109740539B (zh) 基于超限学习机和融合卷积网络的3d物体识别方法
CN112766283B (zh) 一种基于多尺度卷积网络的两相流流型识别方法
CN111444844A (zh) 一种基于变分自编码器的液基细胞人工智能检测方法
CN116258990A (zh) 一种基于跨模态亲和力的小样本参考视频目标分割方法
CN113870241A (zh) 一种基于胶囊神经网络的药片缺陷识别方法和装置
CN114937298A (zh) 一种基于特征解耦的微表情识别方法
CN114511785A (zh) 基于瓶颈注意力模块的遥感图像云检测方法及系统
AU2020102476A4 (en) A method of Clothing Attribute Prediction with Auto-Encoding Transformations
CN110728186A (zh) 一种基于多网融合的火灾检测方法
CN114170657A (zh) 融合注意力机制与高阶特征表示的面部情感识别方法
Su et al. High-Similarity-Pass Attention for Single Image Super-Resolution
CN113378962A (zh) 一种基于图注意力网络的服装属性识别方法与系统
CN113343760A (zh) 一种基于多尺度特征神经网络的人体行为识别方法
CN112560668A (zh) 一种基于场景先验知识的人体行为识别方法
CN109934281B (zh) 一种二分类网络的非监督训练方法
CN107085700A (zh) 一种基于稀疏表示与单隐层神经网络技术相结合的人脸识别方法
CN117011219A (zh) 物品质量检测方法、装置、设备、存储介质和程序产品
CN116257786A (zh) 一种基于多元时序图结构的异步时间序列分类方法
CN114549958A (zh) 基于上下文信息感知机理的夜间和伪装目标检测方法
CN114330535A (zh) 一种基于支持向量正则化字典对学习的模式分类方法

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