CN114241234A - 细粒度图像分类方法、装置、设备及介质 - Google Patents
细粒度图像分类方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114241234A CN114241234A CN202111454435.XA CN202111454435A CN114241234A CN 114241234 A CN114241234 A CN 114241234A CN 202111454435 A CN202111454435 A CN 202111454435A CN 114241234 A CN114241234 A CN 114241234A
- Authority
- CN
- China
- Prior art keywords
- model
- sub
- classification
- models
- fine
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000004927 fusion Effects 0.000 claims abstract description 56
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000007499 fusion processing Methods 0.000 description 4
- 238000007500 overflow downdraw method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 235000016735 Manihot esculenta subsp esculenta Nutrition 0.000 description 1
- 241000658379 Manihot esculenta subsp. esculenta Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 208000017520 skin disease Diseases 0.000 description 1
- 230000003068 static 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开细粒度图像分类方法，包括如下步骤：获取待处理的RGB图像样本并进行预处理；通过预置的若干个子模型分别对预处理后的图像样本进行预训练；获取若干个子模型过程中的分类准确率，并基于所述分类准确率对应调整子模型的权重值，从而构建融合模型；基于所述融合模型输出最终的分类标签。本发明有效的提高了细粒度图像分类准确率。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及细粒度图像分类方法、装置、设备及介质。
背景技术
在海洋渔业保护中识别不同种类的鱼；农业领域中识别不同种类的农作物病虫害类型等这一类专注于对传统粗粒度图像进行更加细致的子类别识别的研究称为细粒度图像分类。相较于传统的粗粒度图像分类，细粒度图像分类与人类的生产生活有着更紧密的联系，也受到了学者们更加广泛的关注。早期的细粒度图像分类方法是基于机器学习的分类方法，该方法存在的一些局限性导致其无法满足实际场景的需求。近年来，得益于人工智能的快速发展，深度学习在图像分类上的应用日益广泛，研究人员通过将深度学习应用到细粒度图像分类领域，取得了比传统机器学习方法更好的性能。目前，国内外研究者已经在基于深度学习的细粒度图像分类领域做了大量的研究工作，涌现出了基于单模型的细粒度图像分类和基于多模型融合的细粒度图像分类两种方法。基于单模型的分类方法是利用单个模型完成特征提取、分类等所有操作，模型直接利用图像像素信息作为输入，最大程度上保留了输入图像的所有信息，通过卷积操作进行特征提取和高层抽象，模型输出直接是图像分类的结果；基于多模型融合的分类方法主要是通过多个网络模型同时进行学习，并利用某种规则对多个模型的结果进行组合，其优势就是可以整合各个单模型的优势弥补其不足，从而提升融合模型的性能。以上的两种方法相较于机器学习方法，在识别效果上取得了长足的进步。
然而现有基于深度学习的细粒度图像识别方法中仍存在一些不足之处，具体表现为：
(1)针对单模型的细粒度图像分类，许多研究工作都是在现有网络模型的基础上通过微调模型结构或者通过大量的调参工作来获得识别精度上的提升，这一类方法不仅增加了时间成本，有时还难以取得满意的结果；
(2)针对多模型融合的细粒度图像分类，目前传统的多模型融合方法中各个子模型的权重值大多是固定值，研究人员根据经验给各个子模型赋值，导致在分类中无法准确地体现各个子模型的贡献。
发明内容
为了解决上述技术问题，本发明提出细粒度图像分类方法、装置、设备及介质，弥补现有基于深度学习的细粒度图像识别方法中存在的一些不足，提高细粒度图像分类效果。
为了达到上述目的，本发明的技术方案如下：
细粒度图像分类方法，包括如下步骤：
获取待处理的RGB图像样本并进行预处理；
通过预置的若干个子模型分别对预处理后的图像样本进行预训练；
获取若干个子模型过程中的分类准确率，并基于所述分类准确率对应调整子模型的权重值，从而构建融合模型；
基于所述融合模型输出最终的分类标签。
优选地，所述预处理包括尺寸调整、数据增强和归一化。
优选地，所述若干个子模型是根据检测目的从模型库中预先筛选的。
优选地，所述获取若干个子模型过程中的分类准确率，并基于所述分类准确率对应调整子模型的权重值，从而构建融合模型，具体包括如下步骤：
在子模型训练过程中，利用分类决策矩阵计算出子模型的分类准确率；
以分类准确率为依据对若干个子模型进行排序，将排序后具有最高分类准确率的子模型的权重值增加，将排序后具有最低分类准确率的子模型的权重值减少，其他模型权重值保持不变；
将更新后的权重值送入到模型融合器中进行模型融合，获得融合模型。
优选地，所述权重值的调整公式如下所示：
其中，Wk为子模型k的权重值，acck为分类准确率，δ为步长。
优选地，还包括如下步骤：
获取融合模型训练的分类准确率；
将融合模型的分类准确率与前一个迭代的融合模型的分类准确率进行对比，若监测到分类准确率提升，则步长不变；若监测到分类准确率降低，则将各子模型的权重值退回到之前最高准确率各权重值所在的位置，然后减小步长再继续以上步骤，直至融合模型收敛为止。
优选地，所述融合模型的决策矩阵的计算公式如下所示：
其中，Y(x)代表融合模型的决策矩阵、Xk代表第k个子模型输出的决策矩阵，决策矩阵中i代表数据集中第i个类别，j代表一个样本，n表示子模型总个数，pij表示样本j属于类别i的概率。
细粒度图像分类装置，包括：数据预处理模块、模型库模块、权重调整与融合模块和输出模块，其中，
所述数据预处理模块，用于获取待处理的RGB图像样本并进行预处理；
所述模型库模块，用于存放多模型融合中涉及到的子模型，并通过预先配置的若干个子模型分别对预处理后的图像样本进行预训练；
所述权重调整与融合模块，用于获取若干个子模型过程中的分类准确率，并基于所述分类准确率对应调整子模型的权重值，从而构建融合模型；
所述输出模块，用于基于融合模型输出最终的分类标签。
计算机设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如上述任一所述的细粒度图像分类方法。
一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一所述的细粒度图像分类方法。
基于上述技术方案，本发明的有益效果是：本发明在现有国内外细粒度图像分类研究基础上，提出了细粒度图像分类方法，本发明单模型的细粒度图像分类对比，其在模型融合时识别效果显著优于单模型，而且兼具良好的鲁棒性，在面对复杂背景噪声的图像样本时也能够有效的减少噪声数据对最终分类结果的影响，具有较好的分类效果；本发明与多模型融合的细粒度图像分类对比，其在准确率、召回率、精确率、F1值四个方面整体优于多模型融合方法，且在简单背景和复杂背景下的细粒度图像识别上均具有较好的分类效果，具有良好的鲁棒性、应用场景广泛。
附图说明
图1是一个实施例中细粒度图像分类方法的应用环境图；
图2是一个实施例中细粒度图像分类方法流程图；
图3是一个实施例中权重调整器的权重调整过程流程图；
图4是一个实施例中模型融合器的模型融合过程流程图；
图5是一个实施例中细粒度图像分类装置的原理框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
本申请实施例提供的一种细粒度图像分类方法，可以应用于如图1所示的应用环境中。如图1所示，该应用环境包括计算机设备110。计算机设备110包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得该处理器执行计算机程序时实现如下实施例中的一种细粒度图像分类方法。其中，计算机设备110可以但不限于是各种个人计算机、笔记本电脑、机器人、平板电脑等。
如图2所示，本发明提供一种细粒度图像分类方法，具体实施包括如下步骤：
步骤201，获取待处理的RGB图像样本并进行预处理；
本实施例中，接收RGB三通道的图像样本，将接收到的图像样本进行预处理，从而消除图像样本中存在的尺寸大小不一致、数据分布不均衡等问题，以方便后续在模型中对图像样本进行使用。本实施例中使用了两个细粒度图像数据集，分别是简单背景下的人体皮肤病细粒度图像(简称数据集1)和复杂背景下的木薯叶片病害细粒度图像数据集(简称数据集2)，对两个数据集分别采用了尺寸调整、数据增强、归一化三种预处理方法，尺寸调整是将输入的图像样本转化为224×224大小，数据增强方式采用随机水平翻转、随机垂直翻转以及随机旋转，归一化采用ImageNet的RGB模式归一化。
步骤202，通过预置的若干个子模型分别对预处理后的图像样本进行预训练；
本实施例中，模型库中主要存放对多模型融合中涉及到的子模型，并同时给使用者提供对子模型进行管理和配置的功能。本实施中根据检测目的从模型库中预先筛选三个网络模型，分别是ResNet50(简称模型1)、EfficientNet_b0(简称模型2)以及vit_base_patch16_224(简称模型3)，均使用了ImageNet数据集进行预训练，从而保证子模型具有更好的泛化能力。但不仅限于此，在子模型的使用过程中，使用者可以根据自身需求在模型库中选择若干数量和类型的子模型进行组合，这使得本文方法具有更高的灵活性和多样性。
步骤203，获取若干个子模型过程中的分类准确率，并基于所述分类准确率对应调整子模型的权重值，从而构建融合模型；
本实施例中，子模型运行过程中更新各子模型权重值，同时构建融合模型。其主要由三部分组成：参数初始化器、权重调整器以及模型融合器。参数初始化器负责在方法未开始训练时对参数进行初始化；权重调整器负责在模型训练过程中对子模型权重值进行动态地自适应调整；模型融合器负责将各个子模型输出的决策矩阵进行加权融合。
如图3和图4所示，为具体的权重调整过程和模型融合过程，详细说明如下所示：
权重调整器是权重调整与融合模块的核心组件，负责对子模型权重值进行自适应调整。权重调整的实现同时基于两个策略：权重调整策略和步长调整策略。这两个策略的实现则依赖于权重自适应调整算法这个“内核”的驱动，通过将权重自适应调整算法融入到两个策略中进而指导两个策略实现权重调整。可以将权重调整的实现看作是一个人的双手实现某个动作的过程，这两个策略就相当于人的双手，分别负责执行各自的指令，而权重自适应调整算法就相当于大脑，负责进行判断以及下达指令。
1、权重调整策略
权重调整策略仅负责确定需要调整的子模型，即解决的是“调整谁”的问题。基本思想为：根据子模型的识别性能进行排序，在保持所有子模型权重值之和为1的前提下，给准确率最高的子模型增加权重，同时给准确率最低的模型减少相应权重，最终在融合过程中使融合模型的性能达到最佳。详细流程如图2所示：在模型训练过程中，对于任意一个子模型k，利用分类决策矩阵Xk计算出该子模型的分类准确率acck，之后以分类准确率为依据进行排序，将排序后具有最高分类准确率的子模型的权重值增加，将排序后具有最低分类准确率的子模型的权重值减少，其他模型权重值保持不变，然后将更新后的权重值Wk送入到模型融合器中进行模型融合，权重调整公式如下所示：
2、步长调整策略
步长调整策略负责计算权重调整值，即解决的是“调整多少权重”的问题。其基本思想类似于学习率衰减策略，在模型融合过程中通过对融合模型的训练准确率进行比较，实时监测融合模型的性能变化情况，从而判断是否需要对当前的步长δ进行调整。实现过程是将当前迭代融合模型训练准确率与前一个迭代进行比较，若准确率持续提升则δ值不变，仍以原来步长大小对各个子模型的权重值进行调整；若监测到准确率降低，原因可能是当前权重调整步长太大，直接越过了最优点，则将各子模型的权重值退回到之前最高准确率各权重值所在的位置，然后减小步长δ再继续以上步骤，直到模型收敛为止。
3、权重自适应调整算法
权重自适应调整算法是权重调整与融合模块的核心算法，模块中依据该算法在模型的训练过程中完成权重的自适应调整，算法如下：
模型融合器负责将各个子模型输出的决策矩阵进行加权融合后形成最终整体模型的决策矩阵。其工作过程如图3所示：首先将每个子模型输出的决策矩阵乘以更新后的权重值得出各个子模型加权后的决策矩阵，然后将各个子模型加权后的决策矩阵相加得到最终整体模型的决策矩阵。
模型融合器的计算过程，如下所示：
其中，Y(x)代表融合模型的决策矩阵、Xk代表第k个子模型输出的决策矩阵，矩阵中i代表数据集中第i个类别，j代表一个样本，n表示子模型总个数，表示样本属于类别i的概率。
步骤204，基于所述融合模型输出最终的分类标签。
本实施例中，将融合之后的决策矩阵按行取最大概率值，这个最大概率值对应列的类别即为融合模型对该样本的预测分类，最后经过与真实标签对比后，输出最终的分类标签。
对比基于本发明DWFM方法的多模型融合与单模型方法在两个细粒度图像数据集上的实验效果如表1所示，可以发现本发明方法在模型融合时识别效果显著优于单模型，而且兼具良好的鲁棒性，在面对复杂背景噪声的图像样本时也能够有效的减少噪声数据对最终分类结果的影响。
表1单模型和基于DWFM方法的融合模型识别效果比较
对比本发明DWFM方法与其他多模型融合方法在两个数据集上的实验效果如表2所示，可以看出本发明方法同样在准确率、召回率、精确率、F1值四个方面整体优于其他四种模型融合方法，同时通过实验分析可以看出，本发明方法在简单背景和复杂背景下的细粒度图像识别上均表现优异，表明本发明方法具有较好的鲁棒性，相比其他方法拥有更广泛的应用场景。
表2 DWFM方法与其他模型融合算法的识别效果比较
以上所述仅为本发明所公开的细粒度图像分类方法的优选实施方式，并非用于限定本说明书实施例的保护范围。凡在本说明书实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的保护范围之内。
如图5所示，在一个实施例中，提供细粒度图像分类装置300，该装置应用于图1所示的计算机设备110中，包括：数据预处理模块301、模型库模块302、权重调整与融合模块303和输出模块304，其中，
所述数据预处理模块301，用于获取待处理的RGB图像样本并进行预处理；
所述模型库模块302，用于存放多模型融合中涉及到的子模型，并提供对子模型进行管理和配置的功能，用于通过预先配置的若干个子模型分别对预处理后的图像样本进行预训练；
所述权重调整与融合模块303，用于获取若干个子模型过程中的分类准确率，并基于所述分类准确率对应调整子模型的权重值，从而构建融合模型；
所述输出模块304，用于基于融合模型输出最终的分类标签。
上述实施例阐明的装置或模块，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
在一个实施例中，提供一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一所述的细粒度图像分类方法。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
本说明书实施例中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
Claims (10)
1.细粒度图像分类方法，其特征在于，包括如下步骤：
获取待处理的RGB图像样本并进行预处理；
通过预置的若干个子模型分别对预处理后的图像样本进行预训练；
获取若干个子模型过程中的分类准确率，并基于所述分类准确率对应调整子模型的权重值，从而构建融合模型；
基于所述融合模型输出最终的分类标签。
2.根据权利要求1所述的细粒度图像分类方法，其特征在于，所述预处理包括尺寸调整、数据增强和归一化。
3.根据权利要求1所述的细粒度图像分类方法，其特征在于，所述若干个子模型是根据检测目的从模型库中预先筛选的。
4.根据权利要求1所述的细粒度图像分类方法，其特征在于，所述获取若干个子模型过程中的分类准确率，并基于所述分类准确率对应调整子模型的权重值，从而构建融合模型，具体包括如下步骤：
在子模型训练过程中，利用分类决策矩阵计算出子模型的分类准确率；
以分类准确率为依据对若干个子模型进行排序，将排序后具有最高分类准确率的子模型的权重值增加，将排序后具有最低分类准确率的子模型的权重值减少，其他模型权重值保持不变；
将更新后的权重值送入到模型融合器中进行模型融合，获得融合模型。
5.根据权利要求4所述的细粒度图像分类方法，其特征在于，所述权重值的调整公式如下所示：
其中，Wk为子模型k的权重值，acck为分类准确率，δ为步长。
6.根据权利要求5所述的细粒度图像分类方法，其特征在于，还包括如下步骤：
获取融合模型训练的分类准确率；
将融合模型的分类准确率与前一个迭代的融合模型的分类准确率进行对比，若监测到分类准确率提升，则步长不变；若监测到分类准确率降低，则将各子模型的权重值退回到之前最高准确率各权重值所在的位置，然后减小步长再继续以上步骤，直至融合模型收敛为止。
7.根据权利要求1所述的细粒度图像分类方法，其特征在于，所述融合模型的决策矩阵的计算公式如下所示：
其中，Y(x)代表融合模型的决策矩阵、Xk代表第k个子模型输出的决策矩阵，决策矩阵中i代表数据集中第i个类别，j代表一个样本，n表示子模型总个数，pij表示样本j属于类别i的概率。
8.细粒度图像分类装置，其特征在于，包括：数据预处理模块、模型库模块、权重调整与融合模块和输出模块，其中，
所述数据预处理模块，用于获取待处理的RGB图像样本并进行预处理；
所述模型库模块，用于存放多模型融合中涉及到的子模型，并通过预先配置的若干个子模型分别对预处理后的图像样本进行预训练；
所述权重调整与融合模块，用于获取若干个子模型过程中的分类准确率，并基于所述分类准确率对应调整子模型的权重值，从而构建融合模型；
所述输出模块，用于基于融合模型输出最终的分类标签。
9.计算机设备，其特征在于，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述的细粒度图像分类方法。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的细粒度图像分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111454435.XA CN114241234A (zh) | 2021-12-01 | 2021-12-01 | 细粒度图像分类方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111454435.XA CN114241234A (zh) | 2021-12-01 | 2021-12-01 | 细粒度图像分类方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114241234A true CN114241234A (zh) | 2022-03-25 |
Family
ID=80752582
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111454435.XA Pending CN114241234A (zh) | 2021-12-01 | 2021-12-01 | 细粒度图像分类方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114241234A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115471698A (zh) * | 2022-09-06 | 2022-12-13 | 湖南经研电力设计有限公司 | 基于深度学习网络的输变电工程遥感图像分类方法及系统 |
| CN117932497A (zh) * | 2024-03-19 | 2024-04-26 | 腾讯科技（深圳）有限公司 | 一种模型确定方法和相关装置 |
-
2021
- 2021-12-01 CN CN202111454435.XA patent/CN114241234A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115471698A (zh) * | 2022-09-06 | 2022-12-13 | 湖南经研电力设计有限公司 | 基于深度学习网络的输变电工程遥感图像分类方法及系统 |
| CN117932497A (zh) * | 2024-03-19 | 2024-04-26 | 腾讯科技（深圳）有限公司 | 一种模型确定方法和相关装置 |
| CN117932497B (zh) * | 2024-03-19 | 2024-06-25 | 腾讯科技（深圳）有限公司 | 一种模型确定方法和相关装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020073951A1 (zh) | 用于图像识别的模型的训练方法、装置、网络设备和存储介质 | |
| WO2022042123A1 (zh) | 图像识别模型生成方法、装置、计算机设备和存储介质 | |
| CN110555399B (zh) | 手指静脉识别方法、装置、计算机设备及可读存储介质 | |
| CN111753752B (zh) | 基于卷积神经网络多层特征融合的机器人闭环检测方法 | |
| CN110555881A (zh) | 一种基于卷积神经网络的视觉slam测试方法 | |
| CN114241234A (zh) | 细粒度图像分类方法、装置、设备及介质 | |
| CN110008853B (zh) | 行人检测网络及模型训练方法、检测方法、介质、设备 | |
| CN112329680A (zh) | 基于类激活图的半监督遥感影像目标检测和分割方法 | |
| CN112927209B (zh) | 一种基于cnn的显著性检测系统和方法 | |
| CN113298096B (zh) | 训练零样本分类模型的方法、系统、电子设备及存储介质 | |
| EP4053739A1 (en) | Neural network model for image segmentation and image segmentation method therefor | |
| WO2021169160A1 (zh) | 图像归一化处理方法及装置、存储介质 | |
| CN111191739B (zh) | 一种基于注意力机制的墙面缺陷检测方法 | |
| CN109101869A (zh) | 多任务学习深度网络的测试方法、设备及存储介质 | |
| CN112749737A (zh) | 图像分类方法及装置、电子设备、存储介质 | |
| CN113011532A (zh) | 分类模型训练方法、装置、计算设备及存储介质 | |
| CN117853871A (zh) | 一种基于深度学习的脑肿瘤检测方法 | |
| CN114694219B (zh) | 改进胶囊网络的人脸表情识别方法及装置 | |
| CN116092005A (zh) | 鱼的识别方法、系统、计算机设备及存储介质 | |
| CN110826726B (zh) | 目标处理方法、目标处理装置、目标处理设备及介质 | |
| CN114565964A (zh) | 情绪识别模型的生成方法、识别方法、装置、介质和设备 | |
| CN113361702A (zh) | 卷积神经网络剪枝、推理方法、设备以及计算机可读介质 | |
| CN113298248B (zh) | 一种针对神经网络模型的处理方法、装置以及电子设备 | |
| CN116092154A (zh) | 一种基于改进YOLOv5的实时小人脸检测方法 | |
| WO2024016945A1 (zh) | 图像分类模型的训练方法、图像分类方法及相关设备 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220325 |