CN114049535A - 基于多尺度和非压缩激励通道注意力的野外蝴蝶识别方法 - Google Patents
基于多尺度和非压缩激励通道注意力的野外蝴蝶识别方法 Download PDFInfo
- Publication number
- CN114049535A CN114049535A CN202111357705.5A CN202111357705A CN114049535A CN 114049535 A CN114049535 A CN 114049535A CN 202111357705 A CN202111357705 A CN 202111357705A CN 114049535 A CN114049535 A CN 114049535A
- Authority
- CN
- China
- Prior art keywords
- butterfly
- network
- scale
- convolution
- channel attention
- 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.)
- Withdrawn
Links
- 230000005284 excitation Effects 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 26
- 241000255777 Lepidoptera Species 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 5
- 241000894007 species Species 0.000 claims description 5
- 230000009193 crawling Effects 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000009467 reduction Effects 0.000 abstract description 6
- 239000000284 extract Substances 0.000 abstract description 3
- 241000510032 Ellipsaria lineolata Species 0.000 description 46
- 238000002474 experimental method Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 6
- 238000002372 labelling Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000500891 Insecta Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000009931 harmful effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000576 supplementary effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于多尺度和非压缩激励通道注意力的野外蝴蝶识别方法,属于计算机视觉领域,本方法以野外蝴蝶图像的种类自动识别为目标,在自建混合数据集基础上,对YOLOv3模型的主干网络进行了改进,构建出一种内嵌通道注意力MutiSE1D识别网络,该网络使用多尺度提取高维特征,使网络具有多种感受野,更好地关注了蝴蝶众多子类间、周围环境间存在的局部细微差异;并使用一维卷积代替压缩激励层,避免通道特征降维的同时,有效降低模型参数量,提升模型运行效率。
Description
技术领域
本发明涉及一种基于多尺度和非压缩激励通道注意力的野外蝴蝶识别方法,属于计算机视觉领域。
背景技术
蝴蝶(锤角亚目),隶属于昆虫纲第二大目—鳞翅目,全世界已知鳞翅目昆虫数量多达20余万种,其中蝶类约占十分之一。蝴蝶与人类关系密切,但由于对环境变化的敏感,近年来,珍稀品种的蝴蝶数量急剧减少。因此,明确众多蝴蝶种类的生存习性和繁殖条件,是当前生态学家和昆虫学家急需攻克的关键难点问题之一,也是保护众多珍稀品种蝴蝶的重要基础。此外,不同蝴蝶品种对于人类生产、生活产生有益或有害的影响(某些蝴蝶品种为农林业害虫,而某些蝴蝶品种又具有较高的药用价值或经济价值),准确高效地辨别蝴蝶种类显得尤为重要。
蝴蝶物种分类粒度极为细致,同一属中种类多且形态差异小,简单复用针对其它对象识别问题研发的网络模型,很难取得较好的特征学习效果,尤其针对亲缘关系较近的蝴蝶种类,有区分效力的细微局部差异更是无法获取。现有的基于深度学习模型性能方法的提升方式主要通过增加网络层数实现,这将带来模型参数激增、训练过程冗长、不易收敛的问题。
发明内容
本发明的目的在于针对野外蝴蝶图像自动识别性能的提升问题,提出一种基于多尺度和非压缩激励通道注意力的野外蝴蝶识别方法方法,用来解决因蝴蝶的强拟态性异致的模型对局部细节特征提取能力较差问题。在自建混合数据集基础上,对YOLOv3模型的主干网络进行了改进,构建出一种内嵌通道注意力MutiSE1D识别网络,来有效提升原模型提取蝴蝶图像特征的准确性及细节特征的学习能力,能为野外蝴蝶数字图像的种类识别问题提供有效的解决方案。
本发明采用的技术方案是:一种基于多尺度和非压缩激励通道注意力的野外蝴蝶识别方法方法,包括如下步骤:
1)构建包含200种蝴蝶的混合数据集;
2)确定通道注意力潮流算法;
3)改进原始压缩激励通道注意力网络
4)将改进的通道注意力网络嵌入到YOLOv3主干模型中;
5)训练模型,识别图像中的蝴蝶;
具体地,所述步骤1)包括如下步骤:
step1.1:使用网络爬虫技术从美国标本蝴蝶网站爬取野外蝴蝶与标本蝴蝶图像,爬取蝴蝶的分类层级为:“科、亚科、族、属、种”,包含4科、96属、共200种蝴蝶,每种蝴蝶均包含野外拍摄的图像和标本图像,共计5374张图像;
step1.2,使用Labelimg标注工具对数据集图像进行位置标注,种类标注采用二名法,如:Papilio indra。标注野外图像蝴蝶位置时使标注区域包含触角;标注标本图像蝴蝶位置时,只标注蝴蝶的主体位置;
具体地,所述步骤2)包括如下步骤:
首先,根据压缩激励网络原始模型可以有效地利用图像全局信息,对高维特征的每个独立通道采取了全局平均池化;
其次,通过两个非线性全连接层的结合来实现非线性通道间相互作用的获取;
最后,经过一个Sigmoid函数生成了通道权重XSE:
其中高维特征D为输入图片的尺寸,R为矩阵空间,表示全局平均池化,W为输入特征图中到第0行到第i行的行数,H为输入特征图中到第0列到第j行的列数,Xij表示有i行j列的特征图,FC1RELUFC2中FC1与FC2表示两个全连接层,两个全连接层之间加了RELU函数防止梯度消失,σ为Sigmoid函数。
具体地,所述步骤3)包括如下步骤:
Step3.1:分别使用两种卷积核的卷积提取特征得到两个卷积块,然后把多种感受野特征拼接在一起作为通道注意力网络的输入,得到多尺度通道特征权重XMutiSE,如公式(2)所示:
其中n表示第i个的卷积核,其中m表示第j个的特征图,XSE表示步骤2中的压缩激励网络,f2D表示二维卷积。
Step3.2:使用自适应卷积核的1D卷积代替全连接层,公式(1)中XSE调整为:
式中:XSE1D为1D卷积代替全连接层后的注意力网络,f1D表示一维卷积;k为自适应卷积核;C为特征图的通道数;
具体地,所述步骤4)包括如下步骤:
将构建好的注意力网络MutiSE1D嵌入到主干网络Tiny-darknet的第7个卷积后面。
具体地,所述步骤5)包括如下步骤:
训练内嵌通道注意力MutiSE1D的识别网络,训练时Loss采用部分损失和的形式:
Loss=lbox+lobj+lcls (5)
其中lbox表示预测框中心点、宽、高的误差,也就是预测框的误差,lobj是置信度带来的误差,lcls是预测类别的误差。最后模型推理时一次性回归出蝴蝶在图像中的坐标、宽高、类别,即识别出图像中的蝴蝶。
本发明的有益效果是:
1)通过构建一个包含200种蝴蝶的混合数据集(其中包含野外拍摄的蝴蝶图像及室内拍摄的蝴蝶标本图像)的方式弥补现有研究中高质量样本数据缺乏的情况。
2)对YOLOv3模型的主干网络进行了改进,构建出一种内嵌通道注意力MutiSE1D识别网络,该网络使用多尺度提取高维特征,使网络具有多种感受野并通过一维卷积代替压缩激励层的方式,在避免通道特征降维的同时,能有效降低模型参数量,提升模型总体效率,能为野外蝴蝶数字图像的种类识别问题提供有效的解决方案。
附图说明
图1为本发明利用一种基于多尺度和非压缩激励通道注意力的野外蝴蝶识别方法的流程图。
具体实施方式
下面结合附图和具体实施例,对本发明做进一步说明。
实施例1:如图1所示,一种基于多尺度和非压缩激励通道注意力的野外蝴蝶识别方法,包括如下步骤:
1)构建包含200种蝴蝶的混合数据集;
2)确定通道注意力潮流算法;
3)改进原始压缩激励通道注意力网络
4)将改进的通道注意力网络嵌入到YOLOv3主干模型中;
5)训练模型,识别图像中的蝴蝶;
进一步地,所述步骤1)包括如下步骤:
step1.1:使用网络爬虫技术从美国标本蝴蝶网站爬取野外蝴蝶与标本蝴蝶图像,爬取蝴蝶的分类层级为:“科、亚科、族、属、种”,包含4科、96属、共200种蝴蝶,每种蝴蝶均包含野外拍摄的图像和标本图像,共计5374张图像;
step1.2,使用Labelimg标注工具对数据集图像进行位置标注,种类标注采用二名法,如:Papilio indra。标注野外图像蝴蝶位置时使标注区域包含触角;标注标本图像蝴蝶位置时,只标注蝴蝶的主体位置;
进一步地,所述步骤2)包括如下步骤:
首先,根据压缩激励网络原始模型可以有效地利用图像全局信息,对高维特征的每个独立通道采取了全局平均池化;
其次,通过两个非线性全连接层的结合来实现非线性通道间相互作用的获取;
最后,经过一个Sigmoid函数生成了通道权重XSE:
其中高维特征D为输入图片的尺寸,R为矩阵空间,表示全局平均池化,W为输入特征图中到第0行到第i行的行数,H为输入特征图中到第0列到第j行的列数,Xij表示有i行j列的特征图,FC1RELUFC2中FC1与FC2表示两个全连接层,两个全连接层之间加了RELU函数防止梯度消失,σ为Sigmoid函数。
进一步地,所述步骤3)包括如下步骤:
Step3.1:分别使用两种卷积核的卷积提取特征得到两个卷积块,然后把多种感受野特征拼接在一起作为通道注意力网络的输入,得到多尺度通道特征权重XMutiSE,如公式(2)所示:
其中n表示第i个的卷积核,其中m表示第j个的特征图,XSE表示步骤2中的压缩激励网络,f2D表示二维卷积。
Step3.2:使用自适应卷积核的1D卷积代替全连接层,公式(1)中XSE调整为:
式中:XSE1D为1D卷积代替全连接层后的注意力网络,f1D表示一维卷积;k为自适应卷积核;C为特征图的通道数;
进一步地,所述步骤4)包括如下步骤:
将构建好的注意力网络MutiSE1D嵌入到主干网络Tiny-darknet的第7个卷积后面,使得两个尺度的特征图都能共享到注意力网络的参数,同时高维特征经过注意力网络后的特征维度并没有发生改变,使其可以十分方便地移植到任何主干网络中。
进一步地,所述步骤5)包括如下步骤:
训练内嵌通道注意力MutiSE1D的识别网络,训练时Loss采用部分损失和的形式:
Loss=lbox+lobj+lcls (5)
其中lbox表示预测框中心点、宽、高的误差,也就是预测框的误差,lobj是置信度带来的误差,lcls是预测类别的误差。最后模型推理时一次性回归出蝴蝶在图像中的坐标、宽高、类别,即识别出图像中的蝴蝶。
下面结合具体数据,对本发明的有效性进行验证。
为了从提出的三个数据集中确定最佳数据集,使用原始的YOLOv3模型(实验中称为Baseline)分别在三种数据集上进行试验,试验结果如表1所示,在数据集1上的mAP达到了67.1%,为了验证标本图像对训练集的特征补充效果,首先在训练集中只加入标本图像,最后只得到了18.1%的mAP,因为测试集都为野外图像,可以把标本图像看作是一个跨域的特征,比较低的平均精度也在预测之中,最后在数据集3上进行实验得到了80.7%的mAP,比在数据集1的结果提升了13.6%,提升幅度接近于在数据集2上mAP,说明在训练集中加入标本图像可以很好地补充野外蝴蝶图像各种不可抗拒的特征损失,为野外蝴蝶的细粒度分类补充了关键因素。
确定好最佳数据集后,为Baseline添加通道注意力来进一步提升模型细粒度分类能力。实验结果如表2所示,SENet为文献[9]原始的压缩激励网络,添加到Baseline后在数据集1上mAP提升了2.3%,然而在数据集3上的mAP没有提升反而降了1.2%,说明原始的通道注意力并不能很好地适应含有标本图像的数据集。
表1Baseline在不同数据集上的性能
表2 SENet、MultiSE、MultiSE1D分别加入Baseline在数据集上的性能
分析数据集3中同一物种的野外图像与标本图像,野外照中蝴蝶主体大致占据整张图像的1/3,而标本照中蝴蝶主体基本占据了整张图像,这样训练集中就有两种截然不同的蝴蝶主体尺寸,SENet中提取高维特征直接对每个通道进行全局平均池化,这样显然不符合数据集3的情况,没有多尺度的特征提取与之对应。MultiSE为采用多尺度提取特征的注意力网络,实验结果如表2所示,在数据集3上的mAP达到了82.2%,相较SENet有了2.7%的提升,说明多尺度提取的方法可以更好地提取图像特征,更适合标本与野外蝴蝶图像混合的数据集。如表2参数量所示,MultiSE比SENet参数增加了近4倍,为了减少模型参数,同时避免注意力网络中的压缩激励层的降维,调整MultiSE得到没有全连接层同时不需要降维的MultiSE1D,在数据集3上的mAP达到了83.2%,较调整前有了1%提升,参数方面减少了1.6×106,说明一维卷积和避免降维的方法是有效的。
最后分别选取了目标检测网络Faster-RCNN、SSD、YOLOv3、Efficientdet、YOLOv4在数据集3上进行实验,实验时控制上述网络输入图像尺寸、学习率、epoch、batch-size与本发明实验保持一致,实验的硬件环境也一致,均没有使用数据在线扩增策略,不同点在于网络模型使用的主干网络不一样,不同网络的Neck与Detectionhead也不一样,实验结果以及每个检测模型使用的主干网络如表3所示,结果表明内嵌通道注意力MultiSE1D的识别网络对野外蝴蝶的识别是有效的。
表3不同目标检测网络模型在数据集3上的性能
本发明针对野外蝴蝶图像自动识别性能的提升问题,通过构建一个包含200种蝴蝶的混合数据集(其中包含野外拍摄的蝴蝶图像及室内拍摄的蝴蝶标本图像)的方式弥补现有研究中高质量样本数据缺乏的情况,并在此基础上通过改进YOLOv3主干网络的方式,得到内嵌通道注意力MutiSE1D的识别网络,旨在该网络模型通过多尺度的方式提取高维特征,使网络具有多种感受野,并通过一维卷积代替压缩激励层的方式,在避免通道特征降维的同时,能有效降低模型参数量,提升模型总体效率。
以上结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (6)
1.一种基于多尺度和非压缩激励通道注意力的野外蝴蝶识别方法,其特征在于:包括如下步骤:
1)构建包含200种蝴蝶的混合数据集;
2)确定通道注意力潮流算法;
3)改进原始压缩激励通道注意力网络;
4)将改进的通道注意力网络嵌入到YOLOv3主干模型中;
5)训练模型,识别图像中的蝴蝶。
2.根据权利要求1所述的一种基于多尺度和非压缩激励通道注意力的野外蝴蝶识别方法,其特征在于:所述步骤1)包括如下步骤:
step1.1:使用网络爬虫技术从美国标本蝴蝶网站爬取野外蝴蝶与标本蝴蝶图像,爬取蝴蝶的分类层级为:“科、亚科、族、属、种”,包含4科、96属、共200种蝴蝶,每种蝴蝶均包含野外拍摄的图像和标本图像,共计5374张图像;
step1.2,使用Labelimg标注工具对数据集图像进行位置标注,种类标注采用二名法,标注野外图像蝴蝶位置时使标注区域包含触角;标注标本图像蝴蝶位置时,只标注蝴蝶的主体位置。
3.根据权利要求1所述的基于多尺度和非压缩激励通道注意力的野外蝴蝶识别方法,其特征在于:所述步骤2)中通道注意力潮流算法,即压缩激励网络如下:
首先,根据压缩激励网络原始模型可以有效地利用图像全局信息,对高维特征的每个独立通道采取了全局平均池化;
其次,通过两个非线性全连接层的结合来实现非线性通道间相互作用的获取;
最后,经过一个Sigmoid函数生成了通道权重XSE:
5.根据权利要求1所述的基于多尺度和非压缩激励通道注意力的野外蝴蝶识别方法,其特征在于:所述步骤4)中将改进的通道注意力网络嵌入到YOLOv3主干网络位置如下:
将构建好的注意力网络MutiSE1D嵌入到主干网络Tiny-darknet的第7个卷积后面。
6.根据权利要求1所述的基于多尺度和非压缩激励通道注意力的野外蝴蝶识别方法,其特征在于:所述步骤5)中训练模型与识别蝴蝶方法如下:
训练内嵌通道注意力MutiSE1D的识别网络,训练时Loss采用部分损失和的形式:
Loss=lbox+lobj+lcls (5)
其中lbox表示预测框中心点、宽、高的误差,也就是预测框的误差,lobj是置信度带来的误差,lcls是预测类别的误差,最后模型推理时一次性回归出蝴蝶在图像中的坐标、宽高、类别,即识别出图像中的蝴蝶。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111357705.5A CN114049535A (zh) | 2021-11-16 | 2021-11-16 | 基于多尺度和非压缩激励通道注意力的野外蝴蝶识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111357705.5A CN114049535A (zh) | 2021-11-16 | 2021-11-16 | 基于多尺度和非压缩激励通道注意力的野外蝴蝶识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114049535A true CN114049535A (zh) | 2022-02-15 |
Family
ID=80209574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111357705.5A Withdrawn CN114049535A (zh) | 2021-11-16 | 2021-11-16 | 基于多尺度和非压缩激励通道注意力的野外蝴蝶识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114049535A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219049A (zh) * | 2022-02-22 | 2022-03-22 | 天津大学 | 一种基于层级约束的细粒度笔石图像分类方法和装置 |
CN115631417A (zh) * | 2022-11-11 | 2023-01-20 | 生态环境部南京环境科学研究所 | 一种基于卷积神经网络的蝴蝶图像识别方法 |
-
2021
- 2021-11-16 CN CN202111357705.5A patent/CN114049535A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219049A (zh) * | 2022-02-22 | 2022-03-22 | 天津大学 | 一种基于层级约束的细粒度笔石图像分类方法和装置 |
CN115631417A (zh) * | 2022-11-11 | 2023-01-20 | 生态环境部南京环境科学研究所 | 一种基于卷积神经网络的蝴蝶图像识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348399B (zh) | 基于原型学习机制和多维残差网络的高光谱智能分类方法 | |
CN111753828B (zh) | 一种基于深度卷积神经网络的自然场景水平文字检测方法 | |
CN103955462B (zh) | 一种基于多视图和半监督学习机制的图像标注方法 | |
CN114049535A (zh) | 基于多尺度和非压缩激励通道注意力的野外蝴蝶识别方法 | |
CN111696101A (zh) | 一种基于SE-Inception的轻量级茄科病害识别方法 | |
CN105224951A (zh) | 一种车型分类方法及分类装置 | |
CN110399895A (zh) | 图像识别的方法和装置 | |
CN112017192A (zh) | 基于改进U-Net网络的腺体细胞图像分割方法及系统 | |
CN101556600A (zh) | 一种dct域上的图像检索方法 | |
CN114511452B (zh) | 融合多尺度空洞卷积和三元组注意力的遥感图像检索方法 | |
CN104318271B (zh) | 一种基于适应性编码和几何平滑汇合的图像分类方法 | |
CN109472733A (zh) | 基于卷积神经网络的图像隐写分析方法 | |
CN104820841A (zh) | 基于低阶互信息和光谱上下文波段选择的高光谱分类方法 | |
CN114219049B (zh) | 一种基于层级约束的细粒度笔石图像分类方法和装置 | |
CN111222545B (zh) | 基于线性规划增量学习的图像分类方法 | |
CN109886303A (zh) | 一种基于粒子群优化的TrAdaboost样本迁移航空影像分类方法 | |
Singh et al. | Performance Analysis of CNN Models with Data Augmentation in Rice Diseases | |
CN112784722B (zh) | 基于YOLOv3和词袋模型的行为识别方法 | |
CN111325158B (zh) | 一种基于cnn和rfc的集成学习的极化sar图像分类方法 | |
CN114065831A (zh) | 基于多尺度随机深度残差网络的高光谱图像分类方法 | |
CN112926592A (zh) | 一种基于改进Fast算法的商标检索方法及装置 | |
CN113449712B (zh) | 一种基于改进Alexnet网络的羊脸识别方法 | |
CN115019215B (zh) | 一种基于高光谱图像的大豆病虫害识别方法和装置 | |
CN116612307A (zh) | 一种基于迁移学习的茄科病害等级识别方法 | |
CN105844299A (zh) | 一种基于词袋模型的图像分类方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220215 |