CN116824276A - 基于卷积神经网络的海洋涡旋边缘叶绿素环的识别方法 - Google Patents
基于卷积神经网络的海洋涡旋边缘叶绿素环的识别方法 Download PDFInfo
- Publication number
- CN116824276A CN116824276A CN202311092969.1A CN202311092969A CN116824276A CN 116824276 A CN116824276 A CN 116824276A CN 202311092969 A CN202311092969 A CN 202311092969A CN 116824276 A CN116824276 A CN 116824276A
- Authority
- CN
- China
- Prior art keywords
- chlorophyll
- layer
- neural network
- convolutional neural
- ring
- 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
Links
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical group C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 title claims abstract description 113
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 41
- 229930002875 chlorophyll Natural products 0.000 claims abstract description 30
- 235000019804 chlorophyll Nutrition 0.000 claims abstract description 30
- 238000012795 verification Methods 0.000 claims abstract description 11
- 210000002569 neuron Anatomy 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 4
- 238000000547 structure data Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 65
- 230000009286 beneficial effect Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000032258 transport Effects 0.000 description 2
- 230000003851 biochemical process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的海洋涡旋边缘叶绿素环的识别方法，涉及海洋涡旋叶绿素环识别领域，包括以下步骤：获取叶绿素浓度数据和海洋涡旋数据并进行数据匹配，从中识别出叶绿素环结构和非叶绿素环结构；对叶绿素环结构和非叶绿素环结构进行左右翻转和上下翻转，获得扩充的叶绿素环训练集样本、非叶绿素环训练集样本和验证集样本；将叶绿素环训练集样本和非叶绿素环训练集样本输入卷积神经网络中进行模型训练；将验证集样本输入训练好的模型中，获得基于卷积神经网络识别出的叶绿素环和非叶绿素环，完成海洋涡旋边缘叶绿素环的识别。本发明解决了现有叶绿素环识别方法消耗时间成本高以及识别准确率低的问题。
Description
技术领域
本发明涉及海洋涡旋叶绿素环识别领域，特别是涉及一种基于卷积神经网络的海洋涡旋边缘叶绿素环的识别方法。
背景技术
海洋涡旋是一种普遍存在的海洋特征，在全球能源和物质运输中发挥着至关重要的作用，已有相关研究表明，中尺度涡旋的动能占全球海洋总动能的80%，涡旋引起的海水运动速度是海洋平均流速的几倍甚至数十倍。无处不在的高能量、强穿透性的海洋涡旋对海洋环流、全球气候变化、海洋生物化学过程和海洋环境变迁中都起着非常大的作用。海洋中的叶绿素是浮游植物和初级生产力的重要表征，对指示海洋生态系统及其变化发挥着重要的作用。中尺度涡旋边缘的亚中尺度过程会产生垂向输运，这会将海洋底层丰富的营养物质输送至海洋表层，浮游植物借此进行光合作用并因此使得涡旋边缘的叶绿素浓度升高，进而产生“叶绿素环状结构”。对叶绿素环的研究将有助于了解和掌握海洋浮游植物和营养盐的分布和变化特征，为渔业生产和远洋捕捞提供科学指导。
现有叶绿素环识别主要根据叶绿素环状结构的特征进行识别，然而该方法存在时间成本消耗高以及准确率低的问题。
发明内容
针对现有技术中的上述不足，本发明提供的基于卷积神经网络的海洋涡旋边缘叶绿素环的识别方法解决了现有叶绿素环识别方法消耗时间成本高以及识别准确率低的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于卷积神经网络的海洋涡旋边缘叶绿素环的识别方法，包括以下步骤：
S1：获取叶绿素浓度数据和海洋涡旋数据并进行数据匹配，从中识别出叶绿素环结构和非叶绿素环结构，并将叶绿素浓度与海洋涡旋匹配数据以海洋涡旋中心为中心，划分多个网格体数据；
S2：基于划分一定数量的网格体数据，对叶绿素环结构和非叶绿素环结构数据进行左右翻转和上下翻转，获得扩充的叶绿素环训练集样本，并匹配相同数量的非叶绿素环训练集样本，同时获得扩充的叶绿素浓度与海洋涡旋匹配数据并作为验证集样本；
S3：将叶绿素环训练集样本和非叶绿素环训练集样本输入卷积神经网络中进行模型训练；
S4：将验证集样本输入训练好的模型中，获得基于卷积神经网络识别出的叶绿素环和非叶绿素环，完成海洋涡旋边缘叶绿素环的识别。
上述方案的有益效果是：本发明通过将卷积神经网络运用到叶绿素环的识别问题中，该方法可以准确高效地识别出叶绿素环，解决了现有叶绿素环识别方法消耗时间成本高以及识别准确率低的问题。
进一步地，S2中验证集样本标记有对应叶绿素环的经纬度信息和极性信息。
上述进一步方案的有益效果是：通过对样本数据标记对应叶绿素环的经纬度和极性信息，在识别完成后同时能够获取相应的地理位置信息。
进一步地，S3中模型训练包括以下分步骤：
S3-1：将叶绿素环训练集样本和非叶绿素环训练集样本经卷积神经网络的输入层后，依次进入第一CNN子模块、第二CNN子模块和第三CNN子模块进行数据处理；
S3-2：将处理后的数据输入至卷积神经网络的全连接层；
S3-3：将经全连接层后的数据输入至卷积神经网络的softmax层进行回归分类；
S3-4：将经softmax层的数据输入至卷积神经网络的分类层进行分类输出，完成模型训练。
上述进一步方案的有益效果是：通过上述技术方案，将样本输入至卷积神经网络中的输入层、第一CNN子模块、第二CNN子模块、第三CNN子模块、全连接层、softmax层、分类层以及输出层，完成模型的训练。
进一步地，S3-1中数据处理包括：利用卷积层进行卷积处理、提取样本特征、利用批标准化层提高卷积神经网络模型的训练速度、利用ReLU激活层增加卷积神经网络模型的非线性以及利用最大池化层对卷积神经网络模型进行降维处理。
上述进一步方案的有益效果是：通过对样本数据进行上述处理，从而获得高效且准确度较高的网络模型。
进一步地，提取样本特征公式为：
其中，表示输出的第/>层中第/>个特征图，/>表示激活函数，/>表示特征图，/>表示第/>层中第/>个特征图的第/>个元素，/>表示第/>层中第/>个特征图与第/>层中第个特征图相连的卷积核的第/>个元素，/>表示第/>层中第/>个特征图对应的偏置值，/>表示卷积核包含的元素数量。
上述进一步方案的有益效果是：通过上述公式，利用卷积层通过卷积操作提取输入图像的不同特征，底层卷积层提取低级图像特征，如边缘、线条、角落等，更高级卷积层则提取更高级的特征。
进一步地，S3-2中全连接层公式为：
其中，表示下一层第/>个神经元的值，/>表示当前层第/>个神经元与下一层第个神经元之间的权重，/>表示当前层第/>个神经元的值，/>表示下一层第/>个神经元的偏置值，/>表示当前层神经元的个数。
上述进一步方案的有益效果是：通过上述公式，通过全连接层将每个神经元与前一层的所有神经元进行全连接，将学到的不同属性特征展开为一维向量，综合考虑不同属性特征对目标任务的影响。
附图说明
图1为一种基于卷积神经网络的海洋涡旋边缘叶绿素环的识别方法流程图。
图2为卷积神经网络结构示意图。
其中：1、第一CNN子模块；2、第二CNN子模块；3、第三CNN子模块。
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。
如图1所示，一种基于卷积神经网络的海洋涡旋边缘叶绿素环的识别方法，包括以下步骤：
S1：获取叶绿素浓度数据和海洋涡旋数据并进行数据匹配，从中识别出叶绿素环结构和非叶绿素环结构，并将叶绿素浓度与海洋涡旋匹配数据以海洋涡旋中心为中心，划分多个网格体数据；
S2：基于划分一定数量的网格体数据，对叶绿素环结构和非叶绿素环结构数据进行左右翻转和上下翻转，获得扩充的叶绿素环训练集样本，并匹配相同数量的非叶绿素环训练集样本，同时获得扩充的叶绿素浓度与海洋涡旋匹配数据并作为验证集样本；
S3：将叶绿素环训练集样本和非叶绿素环训练集样本输入卷积神经网络中进行模型训练；
S4：将验证集样本输入训练好的模型中，获得基于卷积神经网络识别出的叶绿素环和非叶绿素环，完成海洋涡旋边缘叶绿素环的识别。
S2中验证集样本标记有对应叶绿素环的经纬度信息和极性信息。
在本发明的一个实施例中，S3中卷积神经网络结构如图2所示，该网络结构包括1个输入层子模块、3个CNN子模块和1个全连接输出层子模块，CNN子模块包括卷积层、批标准化层、ReLU激活层和最大池化层，卷积层通过卷积操作提取输入图像的不同特征，底层卷积层提取低级图像特征如边缘、线条、角落，更高层卷积层则提取更高级的特征；批标准化层用于提高训练速度，能让损失函数更平滑，更有利于梯度下降，不会出现梯度过大或过小；ReLU激活层用于减少梯度消失现象，若输入大于0，则输出与输入相等，否则输出为0；池化层通过减少卷积层间的连接数量，即通过池化操作使神经元数量减少，降低了网络模型的计算量，旨在通过降低特征面的分辨率来获得具有空间不变形的特征，对数据进行降维处理，减少计算量以提高效率。全连接输出层子模块包括全连接层、softmax层、分类层和输出层，softmax层采用softmax逻辑回归进行分类。本实施例中，输入层大小为101*101，输入数据经输入层处理后获得一个四维数据（数据量*101*101*通道数），卷积层大小为14*14，最大池化层大小为2*2。
S3中模型训练包括以下分步骤：
S3-1：将叶绿素环训练集样本和非叶绿素环训练集样本经卷积神经网络的输入层后，依次进入第一CNN子模块1、第二CNN子模块2和第三CNN子模块3进行数据处理；
S3-2：将处理后的数据输入至卷积神经网络的全连接层；
S3-3：将经全连接层后的数据输入至卷积神经网络的softmax层进行回归分类；
S3-4：将经softmax层的数据输入至卷积神经网络的分类层进行分类输出，完成模型训练。
S3-1中数据处理包括：利用卷积层进行卷积处理、提取样本特征、利用批标准化层提高卷积神经网络模型的训练速度、利用ReLU激活层增加卷积神经网络模型的非线性以及利用最大池化层对卷积神经网络模型进行降维处理。
提取样本特征公式为：
其中，表示输出的第/>层中第/>个特征图，/>表示激活函数，/>表示特征图，/>表示第/>层中第/>个特征图的第/>个元素，/>表示第/>层中第/>个特征图与第/>层中第个特征图相连的卷积核的第/>个元素，/>表示第/>层中第/>个特征图对应的偏置值，/>表示卷积核包含的元素数量。
S3-2中全连接层公式为：
其中，表示下一层第/>个神经元的值，/>表示当前层第/>个神经元与下一层第个神经元之间的权重，/>表示当前层第/>个神经元的值，/>表示下一层第/>个神经元的偏置值，/>表示当前层神经元的个数。
在本发明的一个实施例中，首先，将1997-2019年叶绿素浓度数据与海洋涡旋数据进行匹配，从中识别出叶绿素环和非叶绿素环结构。将涡旋与叶绿素浓度匹配数据以涡旋的中心为中心，单独划分101网格*101网格的网格体数据。其次，将1997-2019年的左右叶绿素环数据作为训练数据，为了扩大训练样本，对叶绿素环数据进行左右、上下翻转处理，最终获得13584个叶绿素环的训练集样本，并匹配相当数量的非叶绿素环数据作为非叶绿素环样本。同时以2005年所有涡旋与叶绿素浓度匹配数据为验证集样本（共37287个样本）。除了叶绿素浓度数据外，样本中还标记了对应叶绿素环的经纬度以及极性的信息，在识别完后也能获取相应的地理位置信息。最后，将输入样本输入至模型中训练，将验证数据集应用于训练好的模型中得到2005年基于卷积神经网络识别出的叶绿素环。结果发现模型从1895个人工挑选的叶绿素环验证集中识别出1808个叶绿素环，识别精度达到95.41%；同时以将人工漏检的7959个叶绿素环识别出来，本方案大大提高了叶绿素环的识别数量，能够节省人工挑选叶绿素环的时间成本，并且能够更完整地刻画叶绿素环在海表的分布情况。
本发明通过利用卷积神经网络识别由海洋涡旋边缘的的叶绿素环状结构，该方法可以准确、高效地识别出叶绿素环，进而可以更好地了解叶绿素环的分布情况，并为渔业生产和远洋捕捞提供一定的科学指导。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在发明的保护范围内。
Claims (6)
1.一种基于卷积神经网络的海洋涡旋边缘叶绿素环的识别方法，其特征在于，包括以下步骤：
S1：获取叶绿素浓度数据和海洋涡旋数据并进行数据匹配，从中识别出叶绿素环结构和非叶绿素环结构，并将叶绿素浓度与海洋涡旋匹配数据以海洋涡旋中心为中心，划分多个网格体数据；
S2：基于划分一定数量的网格体数据，对叶绿素环结构和非叶绿素环结构数据进行左右翻转和上下翻转，获得扩充的叶绿素环训练集样本，并匹配相同数量的非叶绿素环训练集样本，同时获得扩充的叶绿素浓度与海洋涡旋匹配数据并作为验证集样本；
S3：将叶绿素环训练集样本和非叶绿素环训练集样本输入卷积神经网络中进行模型训练；
S4：将验证集样本输入训练好的模型中，获得基于卷积神经网络识别出的叶绿素环和非叶绿素环，完成海洋涡旋边缘叶绿素环的识别。
2.根据权利要求1所述的基于卷积神经网络的海洋涡旋边缘叶绿素环的识别方法，其特征在于，所述S2中验证集样本标记有对应叶绿素环的经纬度信息和极性信息。
3.根据权利要求1所述的基于卷积神经网络的海洋涡旋边缘叶绿素环的识别方法，其特征在于，所述S3中模型训练包括以下分步骤：
S3-1：将叶绿素环训练集样本和非叶绿素环训练集样本经卷积神经网络的输入层后，依次进入第一CNN子模块、第二CNN子模块和第三CNN子模块进行数据处理；
S3-2：将处理后的数据输入至卷积神经网络的全连接层；
S3-3：将经全连接层后的数据输入至卷积神经网络的softmax层进行回归分类；
S3-4：将经softmax层的数据输入至卷积神经网络的分类层进行分类输出，完成模型训练。
4.根据权利要求3所述的基于卷积神经网络的海洋涡旋边缘叶绿素环的识别方法，其特征在于，所述S3-1中数据处理包括：利用卷积层进行卷积处理、提取样本特征、利用批标准化层提高卷积神经网络模型的训练速度、利用ReLU激活层增加卷积神经网络模型的非线性以及利用最大池化层对卷积神经网络模型进行降维处理。
5.根据权利要求4所述的基于卷积神经网络的海洋涡旋边缘叶绿素环的识别方法，其特征在于，所述提取样本特征公式为：
其中，表示输出的第/>层中第/>个特征图，/>表示激活函数，/>表示特征图，/>表示第/>层中第/>个特征图的第/>个元素，/>表示第/>层中第/>个特征图与第/>层中第/>个特征图相连的卷积核的第/>个元素，/>表示第/>层中第/>个特征图对应的偏置值，/>表示卷积核包含的元素数量。
6.根据权利要求5所述的基于卷积神经网络的海洋涡旋边缘叶绿素环的识别方法，其特征在于，所述S3-2中全连接层公式为：
其中，表示下一层第/>个神经元的值，/>表示当前层第/>个神经元与下一层第/>个神经元之间的权重，/>表示当前层第/>个神经元的值，/>表示下一层第/>个神经元的偏置值，/>表示当前层神经元的个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311092969.1A CN116824276B (zh) | 2023-08-29 | 2023-08-29 | 基于卷积神经网络的海洋涡旋边缘叶绿素环的识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311092969.1A CN116824276B (zh) | 2023-08-29 | 2023-08-29 | 基于卷积神经网络的海洋涡旋边缘叶绿素环的识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116824276A true CN116824276A (zh) | 2023-09-29 |
| CN116824276B CN116824276B (zh) | 2023-12-12 |
Family
ID=88116988
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311092969.1A Active CN116824276B (zh) | 2023-08-29 | 2023-08-29 | 基于卷积神经网络的海洋涡旋边缘叶绿素环的识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116824276B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090130697A1 (en) * | 2006-04-26 | 2009-05-21 | June Medford | Biological systems input-output response system and plant sentinels |
| CN109815962A (zh) * | 2019-01-17 | 2019-05-28 | 南京信息工程大学 | 一种识别海洋涡旋边缘叶绿素环状结构的方法 |
| US20200160101A1 (en) * | 2018-11-19 | 2020-05-21 | Electronics And Telecommunications Research Institute | Device and method for analyzing spatiotemporal data of geographical space |
| CN111563431A (zh) * | 2020-04-24 | 2020-08-21 | 空间信息产业发展股份有限公司 | 一种基于改进卷积神经网络的植物叶片病虫害识别方法 |
| CN112508079A (zh) * | 2020-12-02 | 2021-03-16 | 中国海洋大学 | 海洋锋面的精细化识别方法、系统、设备、终端及应用 |
| CN114972264A (zh) * | 2022-05-30 | 2022-08-30 | 淮阴工学院 | 一种基于MS-PLNet模型绿豆叶斑病识别方法及装置 |
-
2023
- 2023-08-29 CN CN202311092969.1A patent/CN116824276B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090130697A1 (en) * | 2006-04-26 | 2009-05-21 | June Medford | Biological systems input-output response system and plant sentinels |
| US20200160101A1 (en) * | 2018-11-19 | 2020-05-21 | Electronics And Telecommunications Research Institute | Device and method for analyzing spatiotemporal data of geographical space |
| CN109815962A (zh) * | 2019-01-17 | 2019-05-28 | 南京信息工程大学 | 一种识别海洋涡旋边缘叶绿素环状结构的方法 |
| CN111563431A (zh) * | 2020-04-24 | 2020-08-21 | 空间信息产业发展股份有限公司 | 一种基于改进卷积神经网络的植物叶片病虫害识别方法 |
| CN112508079A (zh) * | 2020-12-02 | 2021-03-16 | 中国海洋大学 | 海洋锋面的精细化识别方法、系统、设备、终端及应用 |
| CN114972264A (zh) * | 2022-05-30 | 2022-08-30 | 淮阴工学院 | 一种基于MS-PLNet模型绿豆叶斑病识别方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116824276B (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Deep learning-based object detection improvement for tomato disease | |
| Nie et al. | Strawberry verticillium wilt detection network based on multi-task learning and attention | |
| Li et al. | SAR image change detection using PCANet guided by saliency detection | |
| CN105488536B (zh) | 一种基于多特征深度学习技术的农田害虫图像识别方法 | |
| CN109829907A (zh) | 一种基于深度学习的金属轴表面缺陷识别方法 | |
| CN107016405A (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
| CN112508079B (zh) | 海洋锋面的精细化识别方法、系统、设备、终端及应用 | |
| CN110363253A (zh) | 一种基于卷积神经网络的热轧带钢表面缺陷分类方法 | |
| CN111027443B (zh) | 一种基于多任务深度学习的票据文本检测方法 | |
| CN113313166B (zh) | 基于特征一致性学习的船舶目标自动标注方法 | |
| CN114998603B (zh) | 一种基于深度多尺度特征因子融合的水下目标检测方法 | |
| CN109766823A (zh) | 一种基于深层卷积神经网络的高分辨率遥感船舶检测方法 | |
| CN110826556A (zh) | 改进深度学习的广谱农作物杂草识别与定位方法 | |
| CN113128620A (zh) | 一种基于层次关系的半监督领域自适应图片分类方法 | |
| CN104392459A (zh) | 基于改进的fcm和均值漂移的红外图像分割方法 | |
| Wang et al. | Scene text recognition algorithm based on faster RCNN | |
| Fauzi et al. | Butterfly image classification using convolutional neural network (cnn) | |
| CN110991374A (zh) | 一种基于rcnn的指纹奇异点检测方法 | |
| CN116824276B (zh) | 基于卷积神经网络的海洋涡旋边缘叶绿素环的识别方法 | |
| König et al. | Segmentation of surface cracks based on a fully convolutional neural network and gated scale pooling | |
| Cao et al. | A hybrid method for identifying the feeding behavior of tilapia | |
| Tirronen et al. | Multiple order gradient feature for macro-invertebrate identification using support vector machines | |
| PALETI et al. | SUGAR CANE LEAF DISEASE CLASSIFICATION AND IDENTIFICATION USING DEEP MACHINE LEARNING ALGORITHMS | |
| CN112070784B (zh) | 一种基于上下文增强网络的感知边缘检测方法 | |
| Sudhakara et al. | Fish Classification System Using Customized Deep Residual Neural Networks on Small-Scale Underwater Images |
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 |