-
Patent Agency Ranking
公开(公告)号：CN119579992A
公开(公告)日：2025-03-07
申请号：CN202411705872.8
申请日：2024-11-26
Applicant: 济南大学
IPC: G06V10/764 , G06V10/774 , G06V10/762 , G06V10/75
Abstract: 本发明提出了一种基于伪标签和嵌入聚类匹配的半监督图像分类方法及系统，属于图像处理技术领域。方法包括：获取标记图像和无标记图像，对无标记图像进行增强处理；对于标记图像，基于半监督图像分类模型计算监督损失；将增强后的无标记图像输入半监督图像分类模型，基于动态阈值和对类别的学习状态筛选伪标签，计算无监督损失；分别将弱增强图像和强增强图像映射到嵌入空间生成K‑Means聚类结果，所述聚类结果分别用于生成目标图和强增强嵌入聚类图，计算图匹配损失；基于监督损失、无监督损失和图匹配损失建立总损失，通过最小化总损失提高半监督图像分类模型的性能。本发明通过在单样本及样本亲和层次应用一致性正则化，有效缓解确认偏差。
-
公开(公告)号：CN109615574A
公开(公告)日：2019-04-12
申请号：CN201811527910.X
申请日：2018-12-13
Applicant: 济南大学
Abstract: 本申请公开了基于GPU和双尺度图像特征比对的中药识别方法及系统，首先通过专门设计的图像采集装置进行双尺度图像的采集，将训练图像送入卷积神经网络进行训练，经过多层卷积池化的特征提取与选择，训练得到识别精度较高的卷积神经网络模型。将待测图像送入训练好的卷积神经网络模型中进行特征提取，基于提取的特征对中药材进行分类，输出分类识别结果。本发明有利于提高普通人对药材的识别能力，辅助药材领域专家更准确快速的辨别药材。
-
公开(公告)号：CN109615574B
公开(公告)日：2022-09-23
申请号：CN201811527910.X
申请日：2018-12-13
Applicant: 济南大学
IPC: G06T1/20 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/04
Abstract: 本申请公开了基于GPU和双尺度图像特征比对的中药识别方法及系统，首先通过专门设计的图像采集装置进行双尺度图像的采集，将训练图像送入卷积神经网络进行训练，经过多层卷积池化的特征提取与选择，训练得到识别精度较高的卷积神经网络模型。将待测图像送入训练好的卷积神经网络模型中进行特征提取，基于提取的特征对中药材进行分类，输出分类识别结果。本发明有利于提高普通人对药材的识别能力，辅助药材领域专家更准确快速的辨别药材。
-
公开(公告)号：CN109615010A
公开(公告)日：2019-04-12
申请号：CN201811525966.1
申请日：2018-12-13
Applicant: 济南大学
IPC: G06K9/62
CPC classification number: G06K9/6256 , G06K9/6267 , G06K9/629
Abstract: 本申请公开了基于双尺度卷积神经网络的中药材识别方法及系统，首先通过专门设计的图像采集装置进行双尺度图像的采集，将训练图像送入卷积神经网络进行训练，经过多层卷积池化的特征提取与选择，训练得到识别精度较高的卷积神经网络模型。将待测图像送入训练好的卷积神经网络模型中进行特征提取，基于提取的特征对中药材进行分类，输出分类识别结果。本发明有利于提高普通人对药材的识别能力，辅助药材领域专家更准确快速的辨别药材。
-
公开(公告)号：CN109615010B
公开(公告)日：2020-11-10
申请号：CN201811525966.1
申请日：2018-12-13
Applicant: 济南大学
IPC: G06K9/62
Abstract: 本申请公开了基于双尺度卷积神经网络的中药材识别方法及系统，首先通过专门设计的图像采集装置进行双尺度图像的采集，将训练图像送入卷积神经网络进行训练，经过多层卷积池化的特征提取与选择，训练得到识别精度较高的卷积神经网络模型。将待测图像送入训练好的卷积神经网络模型中进行特征提取，基于提取的特征对中药材进行分类，输出分类识别结果。本发明有利于提高普通人对药材的识别能力，辅助药材领域专家更准确快速的辨别药材。
-
-
-
-
Search Results
5
records
(took 0.024 seconds)
