CN114418036A - 神经网络的性能测试和训练方法、设备和存储介质 - Google Patents

神经网络的性能测试和训练方法、设备和存储介质 Download PDF

Info

Publication number
CN114418036A
CN114418036A CN202210308570.1A CN202210308570A CN114418036A CN 114418036 A CN114418036 A CN 114418036A CN 202210308570 A CN202210308570 A CN 202210308570A CN 114418036 A CN114418036 A CN 114418036A
Authority
CN
China
Prior art keywords
neural network
scene
target neural
scenes
frequency
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.)
Granted
Application number
CN202210308570.1A
Other languages
English (en)
Other versions
CN114418036B (zh
Inventor
徐显杰
包永亮
窦汝振
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.)
Suoto Hangzhou Automotive Intelligent Equipment Co Ltd
Zhejiang Suoto Ruian Technology Group Co Ltd
Original Assignee
Suoto Hangzhou Automotive Intelligent Equipment Co Ltd
Zhejiang Suoto Ruian Technology Group Co Ltd
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 Suoto Hangzhou Automotive Intelligent Equipment Co Ltd, Zhejiang Suoto Ruian Technology Group Co Ltd filed Critical Suoto Hangzhou Automotive Intelligent Equipment Co Ltd
Priority to CN202210308570.1A priority Critical patent/CN114418036B/zh
Publication of CN114418036A publication Critical patent/CN114418036A/zh
Application granted granted Critical
Publication of CN114418036B publication Critical patent/CN114418036B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)

Abstract

本发明公开了一种神经网络的性能测试和训练方法和设备，涉及深度学习技术领域。其中，方法包括：采用多个场景的多张图片对目标神经网络进行测试，得到所述目标神经网络对每个场景识别的错误率；获取所述多个场景中每个场景在现实中发生的频率；根据所述错误率和频率，计算所述目标神经网络对每个场景识别正确的期望概率；如果存在一不满足要求的期望概率，针对所述不满足要求的期望概率所对应的场景对所述目标神经网络进行重新训练。本发明通过科学合理的性能指标发现表现不佳的场景，从而提高网络性能，提高识别的准确性。

Description

神经网络的性能测试和训练方法、设备和存储介质
技术领域
本发明实施例涉及深度学习技术，尤其涉及一种神经网络的性能测试和训练方法、设备和存储介质。
背景技术
神经网络已经被证明为处理非结构化数据的最佳机器学习模型，它们非常适合学习特征的层次结构。神经网络的内部的工作是一个黑盒子，目前还不清楚为什么网络会为某些输入提供输出，网络何时有效和何时失败并不明显。
用于测试网络性能的典型现有解决方案着眼于高水平的性能指标，例如，准确率、误检率和精确率等。现有的这些性能指标关注网络的性能评价，它们既不可操作，也不可预测。例如，某些系统的准确率为95%，这个数字没有告诉系统可能在何时错误，系统错误的频率，或者需要如何改进系统。
发明内容
本发明提供一种神经网络的性能测试和训练方法、设备和存储介质，以通过科学合理的性能指标发现表现不佳的场景，从而提高网络性能。
第一方面，本发明提供了一种神经网络的性能测试和训练方法，包括：
采用多个场景的多张图片对目标神经网络进行测试，得到所述目标神经网络对每个场景识别的错误率；所述目标神经网络用于进行图片识别；
获取所述多个场景中每个场景在现实中发生的频率；
根据所述错误率和频率，计算所述目标神经网络对每个场景识别正确的期望概率；
如果存在一不满足要求的期望概率，针对所述不满足要求的期望概率所对应的场景对所述目标神经网络进行重新训练，从而建立目标神经网络。
第二方面，本发明提供了一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现任一实施例所述的神经网络的性能测试和训练方法。
第三方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一所述的神经网络的性能测试和训练方法。
本发明通过在测试过程中，预先将图片划分为不同的场景，从而得到目标神经网络在场景粒度下识别的错误率，代表目标神经网络对每个场景的识别性能，每个场景在现实中发生的频率代表场景的重要程度；通过根据错误率和频率，计算目标神经网络对每个场景识别正确的期望概率，从而综合网络性能和场景的重要程度得到场景粒度下科学、合理的性能指标，以指导神经网络的性能提升，从而建立目标神经网络，得到高准确性的识别结果。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种神经网络的性能测试和训练方法的流程图；
图2是本发明实施例提供的一种计算错误率的框架图；
图3是本发明实施例提供的一种计算每个场景在现实中发生的频率的框架图；
图4是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例一
本发明实施例提供一种神经网络的性能测试和训练方法，其流程图如图1所示，可适用于对神经网络进行性能测试和训练的情况。本实施例由电子设备执行。本实施例提供的方法包括以下步骤：
S110、采用多个场景的多张图片对目标神经网络进行测试，得到所述目标神经网络对每个场景识别的错误率。
单元测试包括多张图片，每张图片包括至少一种对象，本实施例不限定对象的类别，可以是人、物等。将每张图片分别输入至每个目标神经网络中，目标神经网络为深度神经网络，本实施例不限定深度神经网络的种类，例如目标识别网络、分类网络等，只要是能够对图片进行识别并输出结果，且能够将结果分类为正确或错误即可。
本实施例中，一个场景包括一个已定义的条件集，例如一个行人、离车2米，晚上，构成一个场景。当条件集中的条件不同时，可以生成多个场景的图片；当一个场景中条件的取值不同时，可以生成一个场景的多张图片。
目标神经网络用于输入一张张的图片，并按照预先训练的逻辑和网络本身的功能，输出识别结果。识别结果可以是将图片分类为安全驾驶和危险驾驶。对于每个场景，网络都会有正确或错误的输出。例如将本来危险的驾驶识别为安全驾驶，则是错误的输出。每个场景都可以用一个二进制变量表示，参见下式，S i 是第i类场景，如果输出结果正确则标记为1，错误则标记为0。
Figure 523848DEST_PATH_IMAGE001
识别错误的概率（即错误率），采用目标神经网络的性能度量，例如准确率（accuracy）指示识别错误的概率。如果准确率是98%，则错误率为2%。参见下式，p f,i 为对场景i识别的错误率。
Figure 499894DEST_PATH_IMAGE002
图2是本发明实施例提供的一种计算错误率的框架图。首先对多个场景的多张图片进行标注并存储在数据库中。从数据库中提取数据集，并按照单元测试定义文件生成单元测试生成脚本。其中，单元测试定义文件定义了不同场景的图片形成不同的集合，以分别通过“单元测试”环节。测试脚本规定了对目标神经网络的测试流程，从而得到汇总的性能文件，包括每个单元测试（即每类场景）的图片计数和准确率。最后对多个单元测试的准确率进行平均得到目标神经网络的准确率，例如是98%，则错误率为2%。
S120、获取所述多个场景中每个场景在现实中发生的频率。
本实施例中，给定多个场景，需要估计2个值，1）网络对场景i识别的错误率，2）场景i在现实场景中发生的频率，场景在现实中发生的频率表示场景的重要程度，频率高的场景需要更高的准确率，更低的错误率，才能使目标网络的性能得到改进。
可选的，对于场景发生的频率，采用了一种类似于估计选举结果的民意调查方法，基于对每个视频帧进行场景识别从而计算频率。可选的，识别所述多个视频帧所属的场景并计算每个场景下的帧数占比；根据所述帧数占比确定每个场景在现实中发生的频率。在具体应用场景中，从大量的表示典型驾驶条件的视频中随机采样n个视频帧，并识别有多少视频帧为场景i，参见下式：
Figure 837335DEST_PATH_IMAGE003
Figure 28276DEST_PATH_IMAGE004
Figure 222497DEST_PATH_IMAGE005
其中，
Figure 997423DEST_PATH_IMAGE006
是第i类场景在现实中发生的频率，n是第i类场景的视频帧个数，当n足够大时，
Figure 810659DEST_PATH_IMAGE006
呈现正态分布，期望是
Figure 370953DEST_PATH_IMAGE007
，方差是
Figure 690070DEST_PATH_IMAGE008
。I j 是第j个视频帧是否属于第i类场景，0为不属于，1为属于。Var是方差运算符。
可选的，为频率的估计构造一个置信区间，根据所期望的置信度，可以计算出所需的帧数。数字n需要足够大，这样置信区间比频率的估计值小一个数量级，参见下式：
Figure 499763DEST_PATH_IMAGE009
其中，
Figure 431203DEST_PATH_IMAGE007
为置信区间，k为自定义的常数，P为概率。
图3是本发明实施例提供的一种计算每个场景在现实中发生的频率的框架图。首先对多个视频帧进行场景标注并存储在数据库中。从数据库中提取数据集，并按照单元测试定义文件生成单元测试生成脚本。其中，单元测试定义文件定义了每个“单元测试”中测试视频帧，例如按照比例将多个视频帧划分到不同的“单元测试”中。测试脚本规定了对视频帧的识别流程，从而汇总得到性能文件，包括每个单元测试的视频帧计数和频率。最后对多个单元测试的频率进行平均，例如是98%，则错误率为2%。
在一优选实施方式中，考虑到图2和图3的流程大体相同，可以将两个流程合并处理。在数据库中存储携带场景标签的图片和视频帧。相应的，采用多个场景的多张图片对目标神经网络进行测试，得到所述目标神经网络对每个场景识别的错误率，包括：将多张图片按照不同的场景，划分为多组第一单元测试，例如从数据库中提取多张携带场景标签的图片，通过单元测试生成脚本划分为多组第一单元测试；然后，采用多组第一单元测试分别对目标神经网络进行测试，得到所述目标神经网络对每个场景识别的错误率。相应的，识别多个视频帧所属的场景并计算每个场景下的帧数占比，包括：将所述多个视频帧划分为多组第二单元测试，例如从数据库中提取多个视频帧，通过单元测试生成脚本划分为多组第二单元测试；然后，从多组第二单元测试中分别识别多个图片所属的场景，并计算每个场景下的帧数占比。
为了方便描述和区分，将用于测试场景识别错误率的称为第一单元测试，将用于识别场景发生频率的称为第二单元测试。优选的，为了提高效劳，多组第一单元测试和多组第二单元测试并行进行测试或者识别。
S130、根据所述错误率和频率，计算所述目标神经网络对每个场景识别正确的期望概率。
根据错误率计算目标神经网络对每个场景识别的正确率，即1-p f,i ；以正确率为底数，以所述每个场景在现实中发生的频率为指数，计算所述期望概率。参见下式：
Figure 846004DEST_PATH_IMAGE010
Figure 522973DEST_PATH_IMAGE011
其中，E()为期望的计算公式。Poission()为泊松分布，
Figure 773957DEST_PATH_IMAGE012
为期望概率的阈值。
一个配置有目标神经网络的系统的使用寿命可以用一系列的场景来表示，即系统将处理一个又一个的场景。系统或目标神经网络的生命周期定为
Figure 991312DEST_PATH_IMAGE013
，系统会以
Figure 572204DEST_PATH_IMAGE014
的频率处理场景i，每次处理场景i的图片时，会有1-p f,i 的概率识别正确。因此，以正确率为底数，以所述每个场景在现实中发生的频率为指数，计算所述期望概率，即系统或目标神经网络在其整个生命周期中不会失败的期望概率。
本发明中，服从泊松分布的意思包括：
1. 生命周期
Figure 482391DEST_PATH_IMAGE015
为测试样本空间被测完成总时间，与样本总数相当。
2. 场景i的发生概率
Figure 142042DEST_PATH_IMAGE007
为样本空间内属于场景i的样本概率。
3.时间（总样本数）*概率
Figure 913820DEST_PATH_IMAGE014
也就是频率（或者频次）。
S140、如果存在一不满足要求的期望概率，针对所述不满足要求的期望概率所对应的场景对所述目标神经网络进行重新训练，从而建立目标神经网络。
可选的，如果存在一不满足要求的期望概率，例如小于期望概率的阈值，收集不满足要求的期望概率所对应的场景的图片；将收集的图片添加到训练集，以对所述目标神经网络进行重新训练。
如果不满足期望概率，说明从系统或目标神经网络生命周期的角度来说，该网络的性能不佳，应该针对性对选取不满足要求的期望概率所对应的场景的图片，对网络进行重新训练，从而建立目标神经网络。
本发明通过在测试过程中，预先将图片划分为不同的场景，从而得到目标神经网络在场景粒度下识别的错误率，代表目标神经网络对每个场景的识别性能，每个场景在现实中发生的频率代表场景的重要程度；通过根据错误率和频率，计算目标神经网络对每个场景识别正确的期望概率，从而综合网络性能和场景的重要程度得到场景粒度下科学、合理的性能指标，以指导神经网络的性能提升，从而建立目标神经网络，得到高准确性的识别结果。
图4为本发明实施例提供的一种电子设备的结构示意图，如图4所示，该设备包括处理器40、存储器41、输入装置42和输出装置43；设备中处理器40的数量可以是一个或多个，图4中以一个处理器40为例；设备中的处理器40、存储器41、输入装置42和输出装置43可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器41作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的神经网络的性能测试和训练方法对应的程序指令/模块。处理器40通过运行存储在存储器41中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的神经网络的性能测试和训练方法。
存储器41可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器41可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器41可进一步包括相对于处理器40远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置42可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置43可包括显示屏等显示设备。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案。

Claims (10)

1.一种神经网络的性能测试和训练方法，其特征在于，包括：
采用多个场景的多张图片对目标神经网络进行测试，得到所述目标神经网络对每个场景识别的错误率；所述目标神经网络用于进行图片识别；
获取所述多个场景中每个场景在现实中发生的频率；
根据所述错误率和频率，计算所述目标神经网络对每个场景识别正确的期望概率；
如果存在一不满足要求的期望概率，针对所述不满足要求的期望概率所对应的场景对所述目标神经网络进行重新训练，从而建立目标神经网络。
2.根据权利要求1所述的方法，其特征在于，获取所述多个场景中每个场景在现实中发生的频率，包括：
识别所述多个视频帧所属的场景并计算每个场景下的帧数占比；
根据所述帧数占比确定每个场景在现实中发生的频率。
3.根据权利要求2所述的方法，其特征在于，所述采用多个场景的多张图片对目标神经网络进行测试，得到所述目标神经网络对每个场景识别的错误率，包括：
将多张图片按照不同的场景，划分为多组第一单元测试；
采用多组第一单元测试分别对目标神经网络进行测试，得到所述目标神经网络对每个场景识别的错误率；
所述识别所述多个视频帧所属的场景并计算每个场景下的帧数占比，包括：
将所述多个视频帧划分为多组第二单元测试；
从所述多组第二单元测试中分别识别多个图片所属的场景，并计算每个场景下的帧数占比。
4.根据权利要求3所述的方法，其特征在于，所述将多张图片按照不同的场景，划分为多组第一单元测试，包括：
从数据库中提取多张携带场景标签的图片，通过单元测试生成脚本划分为多组第一单元测试；
所述将所述多个视频帧划分为多组第二单元测试，包括：
从所述数据库中提取多个视频帧，通过单元测试生成脚本划分为多组第二单元测试。
5.根据权利要求4所述的方法，其特征在于，所述多组第一单元测试和多组第二单元测试并行进行测试或者识别。
6.根据权利要求1所述的方法，其特征在于，所述根据所述错误率和频率，计算所述目标神经网络对每个场景识别正确的期望概率，包括：
根据所述错误率，计算所述目标神经网络对每个场景识别的正确率；
以所述正确率为底数，以所述每个场景在现实中发生的频率为指数，计算所述期望概率。
7.根据权利要求1所述的方法，其特征在于，所述每个场景在现实中发生的频率满足泊松分布，期望和方差均为所述频率与目标神经网络的生命周期。
8.根据权利要求1所述的方法，其特征在于，所述如果存在一不满足要求的期望概率，针对所述不满足要求的期望概率所对应的场景对所述目标神经网络进行重新训练，从而建立目标神经网络，包括：
如果存在一不满足要求的期望概率，收集所述不满足要求的期望概率所对应的场景的图片；
将收集的图片添加到训练集，以对所述目标神经网络进行重新训练，从而建立目标神经网络。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的神经网络的性能测试和训练方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的神经网络的性能测试和训练方法。
CN202210308570.1A 2022-03-28 2022-03-28 神经网络的性能测试和训练方法、设备和存储介质 Active CN114418036B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210308570.1A CN114418036B (zh) 2022-03-28 2022-03-28 神经网络的性能测试和训练方法、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210308570.1A CN114418036B (zh) 2022-03-28 2022-03-28 神经网络的性能测试和训练方法、设备和存储介质

Publications (2)

Publication Number Publication Date
CN114418036A true CN114418036A (zh) 2022-04-29
CN114418036B CN114418036B (zh) 2022-06-21

Family

ID=81264241

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210308570.1A Active CN114418036B (zh) 2022-03-28 2022-03-28 神经网络的性能测试和训练方法、设备和存储介质

Country Status (1)

Country Link
CN (1) CN114418036B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060285818A1 (en) * 2005-05-30 2006-12-21 Sony Corporation Information processing apparatus, method, and program
CN103390046A (zh) * 2013-07-20 2013-11-13 西安电子科技大学 潜在狄利克雷模型的多尺度字典自然场景图像分类方法
CN106547880A (zh) * 2016-10-26 2017-03-29 重庆邮电大学 一种融合地理区域知识的多维度地理场景识别方法
CN107690660A (zh) * 2016-12-21 2018-02-13 深圳前海达闼云端智能科技有限公司 图像识别方法及装置
US20180165554A1 (en) * 2016-12-09 2018-06-14 The Research Foundation For The State University Of New York Semisupervised autoencoder for sentiment analysis
CN109389136A (zh) * 2017-08-08 2019-02-26 上海为森车载传感技术有限公司 分类器训练方法
CN110210294A (zh) * 2019-04-23 2019-09-06 平安科技（深圳）有限公司 优化模型的评价方法、装置、存储介质及计算机设备
CN111027600A (zh) * 2019-11-25 2020-04-17 腾讯科技（深圳）有限公司 图像类别预测方法和装置
CN111695594A (zh) * 2020-04-29 2020-09-22 平安科技（深圳）有限公司 图像类别识别方法、装置、计算机设备及介质
CN112598084A (zh) * 2021-03-02 2021-04-02 深圳金三立视频科技股份有限公司 一种基于图像处理的车辆类型识别方法及终端

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060285818A1 (en) * 2005-05-30 2006-12-21 Sony Corporation Information processing apparatus, method, and program
CN103390046A (zh) * 2013-07-20 2013-11-13 西安电子科技大学 潜在狄利克雷模型的多尺度字典自然场景图像分类方法
CN106547880A (zh) * 2016-10-26 2017-03-29 重庆邮电大学 一种融合地理区域知识的多维度地理场景识别方法
US20180165554A1 (en) * 2016-12-09 2018-06-14 The Research Foundation For The State University Of New York Semisupervised autoencoder for sentiment analysis
CN107690660A (zh) * 2016-12-21 2018-02-13 深圳前海达闼云端智能科技有限公司 图像识别方法及装置
CN109389136A (zh) * 2017-08-08 2019-02-26 上海为森车载传感技术有限公司 分类器训练方法
CN110210294A (zh) * 2019-04-23 2019-09-06 平安科技（深圳）有限公司 优化模型的评价方法、装置、存储介质及计算机设备
CN111027600A (zh) * 2019-11-25 2020-04-17 腾讯科技（深圳）有限公司 图像类别预测方法和装置
CN111695594A (zh) * 2020-04-29 2020-09-22 平安科技（深圳）有限公司 图像类别识别方法、装置、计算机设备及介质
CN112598084A (zh) * 2021-03-02 2021-04-02 深圳金三立视频科技股份有限公司 一种基于图像处理的车辆类型识别方法及终端

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MICHELE VOLPI ET AL.: "Dense semantic labeling of subdecimeter resolution images with Convolutional neural networks", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *
WONMIN BYEON ET AL.: "Scene labeling with LSTM recurrent neural network", 《THE COMPUTER VISION FOUNDATION》 *
周莉: "自然场景分类与目标识别关键技术研究", 《中国优秀博硕士学位论文全文数据库（博士） 信息科技辑》 *

Also Published As

Publication number Publication date
CN114418036B (zh) 2022-06-21

Similar Documents

Publication Publication Date Title
CN111181939B (zh) 一种基于集成学习的网络入侵检测方法及装置
CN113098723B (zh) 一种故障根因定位方法、装置、存储介质及设备
CN110851321B (zh) 一种业务告警方法、设备及存储介质
CN111475680A (zh) 检测异常高密子图的方法、装置、设备及存储介质
CN111666922A (zh) 视频匹配方法、装置、计算机设备和存储介质
CN112565301B (zh) 基于小样本学习的服务器运行网络流量异常数据检测方法
CN112989977A (zh) 一种基于跨模态注意力机制的视听事件定位方法及装置
CN114140713A (zh) 一种图像识别系统、图像识别方法
CN114140712A (zh) 一种自动图像识别分发系统及方法
CN114418036B (zh) 神经网络的性能测试和训练方法、设备和存储介质
CN114648683B (zh) 基于不确定性分析的神经网络性能提升方法和设备
CN116302809A (zh) 边缘端数据分析计算装置
CN114169398A (zh) 基于随机森林算法的光伏直流电弧故障识别方法及装置
CN115620083A (zh) 模型训练方法、人脸图像质量评价方法、设备及介质
CN112232380B (zh) 一种神经网络鲁棒性检测方法和装置
CN115147752A (zh) 一种视频分析方法、装置及计算机设备
CN112083707A (zh) 一种工控物理信号的处理方法及控制器、处理系统
CN111209567B (zh) 提高检测模型鲁棒性的可知性判断方法及装置
CN114022698A (zh) 一种基于二叉树结构的多标签行为识别方法及装置
CN112559589A (zh) 一种远程测绘数据处理方法及系统
CN111258788A (zh) 磁盘故障预测方法、装置及计算机可读存储介质
CN111310536A (zh) 神经网络物体分类的机器持续学习方法及其监控摄像设备
CN117911930B (zh) 一种基于智能视频监控的数据安全预警方法及装置
CN110221922A (zh) 程序产品的卡顿定位方法及装置、介质及计算设备
CN112560549B (zh) 监控点位布建的测评方法及装置、设备、存储介质

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
GR01 Patent grant
GR01 Patent grant