CN116051913B - 一种鹿茸饮片分类识别模型、方法及系统 - Google Patents
一种鹿茸饮片分类识别模型、方法及系统 Download PDFInfo
- Publication number
- CN116051913B CN116051913B CN202310339474.8A CN202310339474A CN116051913B CN 116051913 B CN116051913 B CN 116051913B CN 202310339474 A CN202310339474 A CN 202310339474A CN 116051913 B CN116051913 B CN 116051913B
- Authority
- CN
- China
- Prior art keywords
- classification
- layer
- pilose antler
- pieces
- improved
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
鹿茸饮片分类识别模型、方法及系统。属于图像识别技术领域,具体涉及中药饮片分类识别技术领域。其解决了针对鹿茸饮片进行分类识别时参数量大和特征提取针对性弱的问题。所述模型包括预处理单元、改进骨干网络单元和池化单元;所述改进骨干网络单元:对所述预处理层输出的图像进行参数减少和特征增强处理,包括多尺度骨干网络和改进卷积网络。所述方法使用所述鹿茸饮片分类识别模型进行,构建鹿茸饮片分类识别的训练集和验证集,将训练集输入所述鹿茸饮片分类识别模型进行深度学习,验证集用于验证准确率。本发明所述模型及方法可以应用在鹿茸饮片分类识别领域以及鹿茸饮片自动化分类领域。
Description
技术领域
本发明属于图像识别技术领域,具体涉及中药饮片分类识别技术领域。
背景技术
就目前而言,深度学习方法应用于中药材领域已经有了初步的研究,但目前对中药材进行的分类识别研究主要是基于不同种类中药之间进行识别。例如中国发明专利申请“基于卷积神经网络的中药饮片图像识别方法及识别系统”(CN115661580A)中借助计算机视觉技术实现了中药饮片图像识别的智能化。
但是目前并没有针对鹿茸饮片这一种中药材进行识别的方法,鹿茸饮片种类较多,包括了梅花鹿蜡片、马鹿蜡片、马鹿红粉片、马鹿血片和马鹿骨片等不同的品种,每个品种之间在颜色和纹理上有所不同。相比于不同种类的中药材识别,不同种类的鹿茸饮片之间的识别存在如下难点:
第一、针对不同种类的鹿茸饮片进行识别时,构筑的识别模型需要提取更多的特征信息,才能够保证识别的准确性,这将导致参数量增多,影响模型运行效率,过多的参数还会导致过拟合问题,降低鲁棒性;第二、在特征提取时,往往会提取到很多对鹿茸饮片识别没有帮助的特征信息,即对无信息价值的区域进行了特征提取。
发明内容
本发明解决了针对鹿茸饮片进行分类识别时参数量大和特征提取针对性弱的问题。
方案一、一种鹿茸饮片分类识别模型,所述模型包括预处理单元、改进骨干网络单元和池化单元;
所述预处理单元:对输入的图形进行特征提取,包括卷积层、加速神经网络训练层、激活层和池化层;
所述改进骨干网络单元:对所述预处理层输出的图像进行参数减少和特征增强处理,包括多尺度骨干网络和改进卷积网络;
所述改进卷积网络中,输入图像先经过1×1卷积层后输出,输出的图像均分为两组,分别输入与每组图像对应的改进逆瓶颈结构层后各自输出,每组图像从改进逆瓶颈结构层中输出后,分别输入与每组图像对应的1×1卷积层后各自输出,将分别从各自对应的1×1卷积层中输出的图像合并后,再输入到1×1卷积层后输出;
所述改进逆瓶颈结构层中,输入图像依次经过1×1卷积层、3×3卷积层、注意力机制层和1×1卷积层后输出;
所述池化单元:对所述改进骨干网络层输出的图像进行下采样,得到特征图。
进一步,所述激活层中采用ReLU激活函数。
进一步,所述多尺度骨干网络中采用Res2Net模块进行图像处理。
进一步,所述注意力机制层中采用高效通道注意模块提取特征信息。
进一步,所述池化单元选用平均池化层,进行平局池化操作。
方案二、一种鹿茸饮片分类识别方法,所述方法使用如方案一所述鹿茸饮片分类识别模型进行,包括如下步骤:
S101、构建鹿茸饮片分类识别的训练集和验证集;
S102、将训练集输入所述鹿茸饮片分类识别模型;
S103、将验证集输入训练后的鹿茸饮片分类识别模型进行验证。
进一步,所述构建鹿茸饮片分类识别的训练集和验证集,采用如下步骤进行:
S201、选取若干不同种类的鹿茸饮片,将鹿茸饮片放置于白色背景上,在自然光下进行拍摄;
S202、在拍摄所得的图片中,选取80%的图片作为训练集,选取20%的图片作为验证集;
S203、对训练集进行预处理,所述预处理包括随机翻转和随机裁剪。
方案三、一种鹿茸饮片分类识别系统,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现方案二所述方法的步骤。
本发明所述鹿茸饮片分类识别模型的有益效果为:在预处理单元中,针对鹿茸饮片分类识别时参数量大和特征提取针对性弱的问题提出了改进骨干网络单元,改进骨干网络单元中的改进卷积网络采用分组卷积的形式,在减少参数数量的同时,可以进一步提取到更多的特征信息,并且在分组卷积中引入了自主设计的改进逆瓶颈结构,提高了模型在众多特征信息中提取有效信息的能力。使用本发明所述鹿茸饮片分类识别模型进行特征提取,可以提高鹿茸饮片分类效率,提升鹿茸饮片分类识别准确率。
本发明所述鹿茸饮片分类识别方法的有益效果为:将自主研发的鹿茸饮片分类识别模型应用到实际的鹿茸饮片分类识别中,在实际使用中,可以采用本发明所述鹿茸饮片分类识别方法进行识别,从而节约生产中的人力成本,并且提高识别效率。
本发明所述模型及方法可以应用在鹿茸饮片分类识别领域以及鹿茸饮片自动化分类领域。
附图说明
图1为本发明实施例中分类识别模型的原理示意图;
图2为本发明实施例中预处理单元结构图;
图3为本发明实施例中Res2Net模块的结构图;
图4为本发明实施例中改进卷积网络的结构图;
图5为本发明实施例中热力特征可视化图像;
图6为本发明实施例中鹿茸饮片分类识别的训练集预处理前图像;
图7为本发明实施例中鹿茸饮片分类识别的训练集预处理后图像。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1、
本实施例提供一种鹿茸饮片分类识别模型,所述模型包括预处理单元、改进骨干网络单元和池化单元;如图1所示,图像输入后依次经过预处理单元、改进骨干网络单元和池化单元然后输出。
所述预处理单元:预处理单元组成如图2所示,图像输入预处理单元后,先进入卷积层,从卷积层输出后,输入加速神经网络训练层,从加速神经网络训练层输出后,输入激活层,从激活层输出后,输入池化层,以实现对图像进行特征提取;所述卷积层进行如下设置:输入3通道,输出64通道,卷积核大小为7×7,步距为2像素,填充为3像素;加速神经网络训练层选择BatchNorm模块进行,BatchNorm模块即为批归一化模块,对图像进行批归一化操作;激活层中采用ReLU激活函数;池化层进行最大池化操作,池化层中卷积核大小为3×3。
所述改进骨干网络单元:对所述预处理层输出的图像进行参数减少和特征增强处理,包括多尺度骨干网络和改进卷积网络;其中多尺度骨干网络及改进卷积网络的数量可根据实际情况调节,本实施例中多尺度骨干网络数为2,改进卷积网络数为2,即从预处理单元输入的图像依次经过两个相同的多尺度骨干网络后,再依次经过两个相同的改进卷积网络后输入池化单元。
所述池化单元:对所述改进骨干网络层输出的图像进行下采样,得到特征图,所述池化单元选用平均池化层,进行平局池化操作。
实施例2、
本实施例是对实施例1的进一步限定,鹿茸饮片分类识别模型中,多尺度骨干网络中采用Res2Net模块进行图像处理,Res2Net模块的结构图如图3所示,Res2Net网络结构通过交错的分支结构,可以增强网络的鲁棒性和稳定性,提高对数据的适应能力。
实施例3、
本实施例是对实施例1的进一步限定,所述改进卷积网络的结构图如图4所示,其中,“W”表示输入图像的宽、“H”表示输入图像的高、“C”表示输入图像通道数;输入图像先经过1×1卷积层后输出,输出的图像均分为两组,分别输入与每组图像对应的改进逆瓶颈结构层后各自输出,如图4所示,其中“W’”表示每组输出图像的宽、“H’”表示每组输出图像的高、“C’/2”表示每组输出图像通道数;每组图像从改进逆瓶颈结构层中输出后,分别输入与每组图像对应的1×1卷积层后各自输出,将分别从各自对应的1×1卷积层中输出的图像合并后,再输入到1×1卷积层后输出;分组卷积将数据集分成多个批次,然后分开训练每一批,模型会更高效,模型参数会随过滤器分组数的增大而减少。
实施例4、
本实施例是对实施例3的进一步限定,所述改进逆瓶颈结构层中,输入图像依次经过1×1卷积层、3×3卷积层、注意力机制层和1×1卷积层后输出;所述注意力机制层中采用高效通道注意模块(ECA)提取特征信息。
通过对比不同类别的注意力机制与Res2Net模块的组合,可知本发明所使用的ECA注意力机制为鹿茸饮片的分类识别最优注意力机制,对比结构如表1所示:
表1:
通过使用Grad-CAM作为可视化工具,针对嵌入ECA注意力机制模块后的最后一个改进卷积网络构建块生成热力特征可视化图像,如图5所示,图中第一层图像为初始鹿茸饮片图像,图中第二层图像为加入ECA注意力机制模块前鹿茸饮片热力特征可视化图像,图中第三层图像为加入ECA注意力机制模块后鹿茸饮片热力特征可视化图像,通过对比加入ECA注意力机制模块前和加入ECA注意力机制模块后的热力特征可视化图像可知,加入ECA注意力机制模块在鹿茸饮片图像识别的过程中通过对网络模型特征提取的增强,可以更准确高效地定位到鹿茸饮片图像中有价值的区域。
此外,本发明通过消融实验确定了每个改进部分的有效性,消融实验数据如表2所示:
表2:
其中,共有5种不同的组合模型,由实验结果可知,本发明采用的模型具有最高的准确率。
实施例5、
本实施例提供一种鹿茸饮片分类识别方法,所述方法使用上述鹿茸饮片分类识别模型进行,包括如下步骤:
S101、构建鹿茸饮片分类识别的训练集和验证集:选取若干不同种类的鹿茸饮片,将鹿茸饮片放置于白色背景上,在自然光下进行拍摄;本实施例中,选取了梅花鹿蜡片、马鹿蜡片、马鹿红粉片、马鹿血片、马鹿骨片这5种不同种类的鹿茸饮片图像作为本次实验所需要的实验数据,在实验室将鹿茸饮片放置于白色背景上,使用手机在自然光的情况下进行拍摄,共计2211张鹿茸饮片图像作为本发明的数据集,在拍摄所得的图片中,选取80%的图片作为训练集,选取20%的图片作为验证集;对训练集进行预处理,本方法充分考虑到现实环境下的不确定性和有较多干扰因素的情况,对训练集进行了随机翻转、随机裁剪等预处理,预处理前后的图像分别如图6和图7所示;
S102、将训练集输入所述鹿茸饮片分类识别模型;训练轮数120,学习率0.001,优化器SGD,输入尺寸224×224;
S103、将验证集输入训练后的鹿茸饮片分类识别模型进行验证;通过将本发明所述的鹿茸饮片分类识别模型与不同网络模型准确率对比可知本方法中采用的鹿茸饮片分类识别模型具有最高的准确率;所述不同网络模型包括resnet50、iresnet50、repvgg_b0和covnext_T。
采用本方法进行鹿茸饮片分类识别时的配置环境为:处理器:AMD Ryzen9 5900HXwith RadeonGraphics 3.30GHz,显卡:Nvidia GeForce RTX 3070 LaptopGPU,操作系统:windows11(家庭版),基于Python3.10.1编程语言搭建的Pytorch1.10的深度学习框架,软件配置安装为Anaconda3-2021.11-windows版本。
Claims (8)
1.一种鹿茸饮片分类识别模型,其特征在于,所述模型包括预处理单元、改进骨干网络单元和池化单元;
所述预处理单元:对输入的图形进行特征提取,包括卷积层、加速神经网络训练层、激活层和池化层;
所述改进骨干网络单元:对所述预处理层输出的图像进行参数减少和特征增强处理,包括多尺度骨干网络和改进卷积网络;
所述改进卷积网络中,输入图像先经过1×1卷积层后输出,输出的图像均分为两组,分别输入与每组图像对应的改进逆瓶颈结构层后各自输出,每组图像从改进逆瓶颈结构层中输出后,分别输入与每组图像对应的1×1卷积层后各自输出,将分别从各自对应的1×1卷积层中输出的图像合并后,再输入到1×1卷积层后输出;
所述改进逆瓶颈结构层中,输入图像依次经过1×1卷积层、3×3卷积层、注意力机制层和1×1卷积层后输出;
所述池化单元:对所述改进骨干网络层输出的图像进行下采样,得到特征图。
2.根据权利要求1所述的一种鹿茸饮片分类识别模型,其特征在于,所述激活层中采用ReLU激活函数。
3.根据权利要求1所述的一种鹿茸饮片分类识别模型,其特征在于,所述多尺度骨干网络中采用Res2Net模块进行图像处理。
4.根据权利要求1所述的一种鹿茸饮片分类识别模型,其特征在于,所述注意力机制层中采用高效通道注意模块提取特征信息。
5.根据权利要求1所述的一种鹿茸饮片分类识别模型,其特征在于,所述池化单元选用平均池化层,进行平局池化操作。
6.一种鹿茸饮片分类识别方法,其特征在于,所述方法使用如权利要求1-5任一项所述鹿茸饮片分类识别模型进行,包括如下步骤:
S101、构建鹿茸饮片分类识别的训练集和验证集;
S102、将训练集输入所述鹿茸饮片分类识别模型;
S103、将验证集输入训练后的鹿茸饮片分类识别模型进行验证。
7.根据权利要求6所述的一种鹿茸饮片分类识别方法,其特征在于,所述构建鹿茸饮片分类识别的训练集和验证集,采用如下步骤进行:
S201、选取若干不同种类的鹿茸饮片,将鹿茸饮片放置于白色背景上,在自然光下进行拍摄;
S202、在拍摄所得的图片中,选取80%的图片作为训练集,选取20%的图片作为验证集;
S203、对训练集进行预处理,所述预处理包括随机翻转和随机裁剪。
8.一种鹿茸饮片分类识别系统,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求6-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310339474.8A CN116051913B (zh) | 2023-04-03 | 2023-04-03 | 一种鹿茸饮片分类识别模型、方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310339474.8A CN116051913B (zh) | 2023-04-03 | 2023-04-03 | 一种鹿茸饮片分类识别模型、方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116051913A CN116051913A (zh) | 2023-05-02 |
CN116051913B true CN116051913B (zh) | 2023-05-30 |
Family
ID=86118583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310339474.8A Active CN116051913B (zh) | 2023-04-03 | 2023-04-03 | 一种鹿茸饮片分类识别模型、方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116051913B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950587A (zh) * | 2021-03-02 | 2021-06-11 | 中国科学院自动化研究所 | 基于深度学习的脑胶质瘤荧光图像分析方法、系统及设备 |
CN114548380A (zh) * | 2022-03-04 | 2022-05-27 | 桂林医学院 | 一种基于ConvNeXt的胃癌病理切片识别方法 |
CN115082698A (zh) * | 2022-06-28 | 2022-09-20 | 华南理工大学 | 一种基于多尺度注意力模块的分心驾驶行为检测方法 |
CN115471681A (zh) * | 2022-08-12 | 2022-12-13 | 北京结慧科技有限公司 | 图像识别方法、装置及存储介质 |
CN115545166A (zh) * | 2022-10-31 | 2022-12-30 | 南京信息工程大学 | 一种改进的ConvNeXt卷积神经网络及其遥感图像的分类方法 |
CN115661580A (zh) * | 2022-11-10 | 2023-01-31 | 首都医科大学附属北京天坛医院 | 基于卷积神经网络的中药饮片图像识别方法及识别系统 |
-
2023
- 2023-04-03 CN CN202310339474.8A patent/CN116051913B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950587A (zh) * | 2021-03-02 | 2021-06-11 | 中国科学院自动化研究所 | 基于深度学习的脑胶质瘤荧光图像分析方法、系统及设备 |
CN114548380A (zh) * | 2022-03-04 | 2022-05-27 | 桂林医学院 | 一种基于ConvNeXt的胃癌病理切片识别方法 |
CN115082698A (zh) * | 2022-06-28 | 2022-09-20 | 华南理工大学 | 一种基于多尺度注意力模块的分心驾驶行为检测方法 |
CN115471681A (zh) * | 2022-08-12 | 2022-12-13 | 北京结慧科技有限公司 | 图像识别方法、装置及存储介质 |
CN115545166A (zh) * | 2022-10-31 | 2022-12-30 | 南京信息工程大学 | 一种改进的ConvNeXt卷积神经网络及其遥感图像的分类方法 |
CN115661580A (zh) * | 2022-11-10 | 2023-01-31 | 首都医科大学附属北京天坛医院 | 基于卷积神经网络的中药饮片图像识别方法及识别系统 |
Non-Patent Citations (2)
Title |
---|
Shanghua Gao 等.Res2Net:A New Multi-scale Backbone Architecture.《arXiv》.第1-11页. * |
李建威 等.基于改进 ConvNeXt 的皮肤镜图像分类方法.《中国 学术期刊(网络版)》.2022,第1-10页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116051913A (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334585A (zh) | 表格识别方法、装置、计算机设备和存储介质 | |
US20190180086A1 (en) | Systems and methods for verifying authenticity of id photo | |
CN108734211A (zh) | 图像处理的方法和装置 | |
CN105809146B (zh) | 一种图像场景识别方法和装置 | |
CN109657694A (zh) | 图片自动分类方法、装置及计算机可读存储介质 | |
CN113283446A (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
CN109346159A (zh) | 病例图像分类方法、装置、计算机设备及存储介质 | |
CN112686850A (zh) | 基于空间位置和原型网络的ct图像的少样本分割方法和系统 | |
CN109919037A (zh) | 一种文本定位方法及装置、文本识别方法及装置 | |
CN113449776A (zh) | 基于深度学习的中草药识别方法、装置及存储介质 | |
CN106650804A (zh) | 一种基于深度学习特征的人脸样本清洗方法及系统 | |
CN112215293A (zh) | 植物病虫害识别方法、装置及计算机设备 | |
CN111191584B (zh) | 一种人脸识别方法及装置 | |
CN112766012A (zh) | 二维码图像的识别方法、装置、电子设备及存储介质 | |
CN114119627B (zh) | 基于深度学习的高温合金微观组织图像分割方法及装置 | |
Hu et al. | Lightweight multi-scale network with attention for facial expression recognition | |
CN116310541A (zh) | 基于卷积网络多维度学习的昆虫分类方法及系统 | |
Park et al. | Insect classification using Squeeze-and-Excitation and attention modules-a benchmark study | |
CN116051913B (zh) | 一种鹿茸饮片分类识别模型、方法及系统 | |
CN110321936A (zh) | 一种基于vgg16及svm实现图片二分类的方法 | |
CN110532448A (zh) | 基于神经网络的文档分类方法、装置、设备及存储介质 | |
CN110580507A (zh) | 一种城市肌理分类识别方法 | |
CN110334710A (zh) | 法律文书识别方法、装置、计算机设备及存储介质 | |
CN110956116B (zh) | 基于卷积神经网络的人脸图像性别识别模型及识别方法 | |
CN110176057A (zh) | 三维户型模型生成方法、装置、设备及存储介质 |
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 |