多层次、多尺度特征聚合深陷网络面部宪法分类

文摘

宪法的分类是中医体质研究的基础和核心内容。为了提高宪法分类的准确性,提出了一种多层次、多尺度特性卷积神经网络内的聚合方法,它由四个步骤。首先,它使用pretrained VGG16为基本网络,然后改进网络结构通过监督功能学习以获取当地的形象特征。第二,它提取图像特征的不同层调整VGG16模型,然后在尺寸上减少了主成分分析(PCA)。第三,它使用另一个pretrained NASNetMobile学习网络监督功能,在前一层的全球平均池层是输出特性。同样,这些特性在尺寸上减少了主成分分析,然后与不同层次的特点融合在VGG16 PCA。最后,所有功能聚合的完全连接层调整VGG16,然后执行宪法分类。进行的实验表明,使用聚合多层次、多尺度特性是非常有效的宪法分类、测试数据集和准确性达到69.61%。

1。介绍

宪法中医(中医)是指个人的身体特征相对稳定身体的内部和外部环境。是形态结构和生理功能的心理状态的基础上形成的先天继承,这是一个系统概念形成的结合中医话语对人类体质现象和体格的理解在许多学科和医学研究的目的1]。体质现象是人类生命现象的一个重要表现。它有个体差异组同质性的特点和相对稳定和动态变化(2,3]。

宪法的分类是中医体质研究的基础和核心内容。目的是规范人类宪法类别,然后给不同的个性化调节的选项不同的宪法类型。因此,对于特定的人们准确地识别尤为重要宪法分类。常用的识别方法是基于调查问卷。所有问题都回答了,然后得分确定类型的宪法根据国家标准“中医体质分类和决心”(4]。该方法具有以下缺点(5,6]:(1)这是受主观因素的影响。个人不太熟悉一些问题,所以,很难准确地选择答案。第二,个人有一些私人问题的担忧和不愿选择真正的答案。(2)问题有待回答的数量相对较大。需要长时间来回答这些问题,很容易让人失去耐心回答位于结束问卷的问题。这些问题通常是随机选择的,这将不可避免地影响到宪法的正确判断。(3)分数的计算方法复杂得多,因此,宪法类型的许多人无法准确计算。

为了解决这些问题,人们提出了很多新方法(7- - - - - -9]。例如,苏et al。7]研究了八个不同的宪法的声学特性和应用宪法认可。侯et al。8)提取的颜色和纹理特征的脸,然后分类的体质。陆et al。9]舌头的颜色和纹理特征提取和融合表现特征。这些方法使用传统特性表征,如颜色、纹理,面向的柱状图的梯度(猪),等等。然而,这些方法提取手动设计对象的特性,专注于本地模式而忽略了语义信息,所以这些功能通常是有限的性能。最近,许多学者机器学习算法应用于中医宪法认可(10,11]。例如,小王和白10]BP神经网络应用于脉冲诊断分类类型的宪法,然后证明了它的合理性和优越性。Zhang et al。11)提出了一个基于相关性的动态分类模型算法,构造特性指标在面部皮肤,然后用改进的决策树和模糊朴素贝叶斯算法对宪法进行分类。此外,与CNN的迅速蔓延,许多视觉识别任务取得了杰出的成就,如图像分类(12,13,图像分割14,15),对象检测(16,17),和场景识别(18,19]。代替手工设计的视觉特性,CNN提供了一个端到端功能学习框架,自动学习深度表示的图像从全球观点。一些研究者也应用CNN宪法认可。胡锦涛et al。(20.)卷积神经网络应用于脉冲诊断。歧义的特性,该方法优于其他知名的方法。李等人。21)使用卷积神经网络提取脉冲的特性,然后分类体质。实验结果表明,该方法能获得高精度。欢et al。22)提出了一个宪法基于卷积神经网络的识别算法,训练一个卷积神经网络模型对宪法承认面临数据。李等人。23宪法)提出了一个基于深层神经网络识别算法,首次发现舌头图像,然后决定体质类型。胡锦涛et al。(24)提出了一个基于舌头的分类算法,它使用初始v3宪法分类模型。周et al。25)也提出了一个基于舌头的体质分类算法。该方法首先削减舌头,然后把它的类型,但它只有三个类别。马等。26)提出了一个复杂的基于知觉宪法识别算法,数据集的舌图像。这些方法是用来预测宪法分类学习高层语义特征通过一个层级架构。随着网络的深度增加,更抽象和更高层次的特性可以提取。然而,上述方法是高度关心的高层语义特征,而忽略了中间特性最终分类。此外,CNN-based方法通常依赖于大规模、手动标记的训练数据集,如ImageNet [27]。然而,在中药领域,是非常昂贵的标签由中医专家的大量数据,可以在短时间内获得。从头开始培训一个卷积神经网络模型并不容易,需要很长时间,甚至需要一些耐心和专业技能训练神经网络(28]。

考虑上述挑战,在本文中,我们提出一个基于pretrained宪法分类算法卷积神经网络的聚合多层次和多尺度特性。图1显示了该算法的概述。我们的算法分为四个步骤,即网络培训,特征提取与降维,功能聚合和宪法的分类。首先,VGG16 [29日]和NASNetMobile [30.)网络结构由转移调整学习方法。其次,不同层的特性调整VGG16提取和PCA执行这些功能。第三,全球平均池的上一层功能层NASNetMobile被提取,然后利用主成分分析法(PCA)执行。这些在尺寸上减少特性与完全连接层聚合特性精确VGG16以便获得聚合功能。在最后阶段,聚合特征输入到分类器来执行宪法分类。

在本文中,我们提出以下创新贡献:(1)VGG16网络的一种改进的版本,称为VGG-CI提出,如图2,增加了两个模块:Conv块和《盗梦空间》V231日]。Conv块模块包含三个级联卷积模块,而《盗梦空间》V2模块增加代表特性的能力。通过添加Conv块和《盗梦空间》V2模块,增加网络的深度和广度进一步提高分类效果。(2)提出了多视图的特征融合方法。首先,不同层的输出在VGG-CI网络不同的抽象级别的代表特征。基于VGG-CI网络,我们提取不同层的特点,对他们进行主成分分析,然后聚合的完全连接层获得输出V1。为了继续增加特征表征能力,NASNetMobile模型用于从另一个视图中提取特征。通过获得全球平均池的上一层特征层,主成分分析也应用这些特性,然后聚合与V1。(3)大量临床面部图像和高质量的数据库,可以很好地支持面部宪法分类算法的研究。目前,没有研究所提供了大量高质量的临床数据库面部宪法分类。

论文的结构如下:在部分2,我们现在提出的方法。节3,大量的实验来验证该方法进行的。结论提出了部分4。

2。建议的方法

我们提出的总体架构如图1。在本节中,我们将详细介绍我们的方法。首先,介绍了网络特征提取。其次,介绍了多层次和多尺度特性的聚合方法。最后,介绍了宪法分类算法。

2.1。特征提取的网络

在有限的医学图像数据集的情况下,很可能卷积神经网络不能学好图像的特征在训练过程中。因为pretrained CNN网络训练在数以百万计的不同的图像,它包含强大的通用特征提取过滤器。为了从图像中提取的优化特性,我们使用了well-verified CNN架构,即VGG16 NASNetMobile。这些网络包含最大池和级联卷积层。总层数取决于每个网络。VGG优雅和简单而闻名,而附近有最先进的图像分类和良好的通用性。VGG16是亚军2014年大规模视觉识别的挑战。在我们的工作中,我们使用一个pretrained VGG16网络16层重量、卷积13层,3完全连接层。然后,需要我们改变了表层,通过添加Conv块和《盗梦空间》V2模块。卷积Conv块包含3 ZeroPadding层和3层。 The Inception V2 module contains a 1 × 1 convolutional layer that reduces the amount of computation while increasing the network width. By adding the Conv Block and Inception V2 modules, the network has a stronger feature representation capability for the better classification. The network structure is shown in Figure2。在这个网络输入的图像大小是48×48。

2.2。多层次、多尺度特征聚合

pretrained CNN可以看作一种特征提取器。一个CNN模型可以提取给定输入大小不同的层的特性。如图2,网络包含六个Conv块模块,一个初始V2模块,和一个完全连接层。我们在训练数据集训练网络,然后提取不同层次的特点。首先,对于一个给定的48×48形象,功能图大小的3^{理查德·道金斯}6^th,10^th,14^th,24^th12×12层24×24日,6×6,3×3,分别和1×1。本文展示的特性图3所示^{理查德·道金斯}6^th,10^th,14^th层,如图3,分别。在本文中,我们使用中间的信息层,即14^th和24^th层被选中。14然而,特征的数量^th和24^th层(3,512),(1,1024)。为了能够进一步进行特征降维,有必要对平面的尺寸14^th和24^th层,导致4608年和1024年的特性,分别。随后,主成分分析应用于这些特性。从图可以看出3在较低的层,功能越来越复杂,虽然更高层次的功能简单,只有特点是必要的。不同层的抽象级别的特性是不同的。显然,抽象导致信息丢失,使不同层次的特点应该合并,以弥补损失。

同时,我们使用pretrained NASNetMobile网络特征提取。网络由两个模块组成:正常细胞和细胞减少。这两个模块的叠加来形成整个网络。在这个网络中,我们缩放图像224×224,然后输入到网络。训练后,就需要提取全球平均池层,上一层的特性,应用主成分分析进行降维。

最后,我们总14的特性^th和24^th层,上一层的特征的全球平均池层,和功能的完全连接层,如图2获得聚合功能。然后输入到分类器的聚合特性。

2.3。宪法的分类

在这一步中,我们预测的类型宪法基于多层次、多尺度的聚合功能。有很多模式分类算法,如支持向量机(SVM) [32),K最近邻(资讯)33),贝叶斯分类器(NB) [34),决策树(DT) [35),逻辑回归(LR) [36),和随机森林算法(RF) (37]。整体学习提高机器学习通过结合几个模型的有效性。该方法可以提供比单个模型更好的预测结果。本文还利用集成学习方法分类,如XGBoost [38],LightGBM [39],CatBoost [40]。在我们的实验中,我们评估不同分类器的分类效果。

3所示。实验

3.1。数据集

面对这篇论文使用的数据有21150张照片,这是来自三家医院的中医诊所,每个病人的面部图像分配一个教授中医体质类型。宪法类型的识别是基于国家的判断标准41)对中医宪法。收集数据之前,标准讨论了近十医学专家。一些同意这个标准。一些教授部分的标准。一些教授有一个消极的态度在这个标准。我们选择三个教授赞成这个标准。这意味着他们达成的共识(标准的协议)来确定类型的体质。随后,他们在不同的医院来判断病人的体质根据标准。通过这种方式,可以减少经验的影响尽可能多的。除此之外,这些教授是众所周知的,他们的年龄是密切和个人经验不是大大不同。 Finally, the body constitution type of the patient in the same hospital is determined by the same medical professor. The entire dataset is determined by three Chinese medicine professors from three different hospitals according to the abovementioned standard.

因此,所有的脸图像是由相同类型的数字设备和病人的宪法是由医生指定的类型。室内环境是没有阳光,是正常的荧光灯照明条件。面对数据库,有8种宪法类型,也就是说,温柔,心绞痛,Qi-depression,湿热气滞,phlegm-dampness,古今,阳虚、阴虚。样品的数量和每个宪法类型表1。样品与宪法类型如图4。在预处理过程中,人脸检测算法是用来检测获得的图片和相应的边界框。考虑时间复杂度和精度,本文使用OpenCV工具完成人脸检测。本文中使用的测试数据集(中使用的测试数据集22),和训练数据集不重叠的测试数据集。

3.2。数据增加

本文使用数据时增加训练VGG16网络和NASNetMobile网络。在本文中,每个面部图像的宽度和高度都是按比例缩放,图像放大长度和宽度方向。本文使用Keras [42]工具实现数据增加通过它所包含的函数。它集width_shift_range的值,height_shift_range, zoom_range ImageDataGenerator函数。数据增加后,列车网络在这些训练样本通过转移学习。

3.3。培训细节

在这个实验中使用的工具是Keras, TensorFlow [43],Scikit-learn [44],Scikit-image [45]。GPU是NVIDIA GTX泰坦X, 12 GB内存大小,和操作系统是Ubuntu 14.04。VGG16和NASNetMobile网络相同的设置。他们是随机梯度法的训练。学习速率为0.0002,势头被设置为0.9,批处理大小设置为30。width_shift_range的值在数据增强处理,height_shift_range, zoom_range都设置为0.2。

3.4。实验结果和讨论

在前面的工作中,许多传统的特征提取方法应用于执行宪法认可。为了显示的优越性深度学习方法传统的特征提取方法,进行大量的实验进行比较。传统的面部特征提取方法包括颜色、纹理、面向梯度直方图,等等。这里,特性是由HSV颜色空间和纹理特性是由局部二进制模式。介绍了本文中的分类器部分2.3。分类器的设置如下:RBF选择支持向量机。CatBoost分类器的学习速率为0.05,和深度是6。Xgboost分类器的学习速率为0.05,max_depth是6。LightGBM分类器的学习速率为0.009,max_depth 8, lambda_l1和lambda_l2设置为0.9,num_leaves是90。CatBoost Xgboost,缩写为Catb LightGBM, Xgb,分别和激光纸。为了比较不同特征提取方法通过实验中,我们使用相同的分类器。

从表可以看出2相同的分类器的前提下,基于VGG16-CI网络提取特征的分类效果优于基于单一HSV,枸杞多糖、猪的特性。相反,在同样的特征提取方法,不同的分类器的分类效果进行了比较。基于单HSV功能和LBP特征,SVM有最好的分类精度。基于单猪功能,随机森林分类的最佳性能。基于特征提取的VGG16-CI网络,LightGBM有最好的分类效果。总的来说,VGG16-CI网络远比其他特征提取方法。与此同时,每个分类器的混淆矩阵表示如下。从表可以看出3和4选中的分类器有良好的分类效果的临床分类效果不佳的温柔。这是因为温柔的质量受到心绞痛的影响。从表可以看出5的分类器有良好的分类效果阴虚。对温柔的影响很差也受到阴虚的影响。从表可以看出6的分类器对心绞痛具有良好的分类效果。对温柔的影响很差也是心绞痛的影响。从表可以看出2LightGBM的分类是最好的,是谁的混淆矩阵表中给出6。因此,在接下来的实验中,选择LightGBM作为宪法的分类器识别。

摘要VGG-CI模型是基于VGG16转移学习获得的。VGG-CI模型的不同层次的特征提取对面部图像进行分类。详细,14的特性^th层,24^th层,选择和完全连接层。随后,PCA方法用于降低特征维数的14^th层和24^th层,分别。合并功能的数量是100。然后每个合并的功能完全连接层。最后,这些合并功能应用进行分类,在分类器是LightGBM。分类结果如表所示7。可以看出,14的分类精度^th层是非常低的,分类效果达到68.67%完全连接层。与此同时,14的特性^th层和24^th层分别在尺寸上减少了主成分分析,然后应用到合并的特点完全连接层。在这种情况下,分类效果进一步提高。

相反,我们也使用转移学习进一步训练NASNetMobile网络,上一层提取的特征的全球平均池层。这一层由Conv2D表示,平台式的特性,然后应用PCA获得更少的特点。这些特性,14的特性^th层主成分分析后,24岁的特性^th层后PCA和完全连接层,汇总,分类精度达到69.61%。

为了直观地分析我们的方法的性能,应用t-SNE显示提取的特征形式的训练数据集,如图5。从图可以看出5这14的特性^th层,之间的区别可以观察到原始的特性和在尺寸上减少了主成分分析的特征。它验证PCA的使用。然而,随着24^th层功能,没有重大变化后,使用PCA。这是因为最初的功能已经足够好了。这说明了PCA应该适当地应用。

现在,有一些著名的深度学习网络,如VGG19 [29日),《盗梦空间》v3 (31日],ResNet [46],InceptionResnet [47],Xception [48],MobileNet v1 [49],DenseNet [50],EfficientNets [51],NASNet [30.]。为了验证该算法的分类效果,我们使用转移学习训练这些网络相同的面部训练数据集。的LightGBM分类器也有相同的设置。实验结果如表所示8。很容易看到,算法提出了效果最好,准确率是69.61%。此外,在相同的测试数据集的情况下,提出的方法相比,本文的方法(22]。文献[22]聚合特征提取卷积神经网络与传统的颜色特性。其分类精度为65.29%。本文提出的算法采用多尺度和多层功能聚合方法,以便获得更好的分类精度达到69.61%。该算法的混淆矩阵如表所示9。可以看出,温柔的质量仍然是心绞痛的影响。

4所示。结论和未来的工作

宪法在这篇文章中,我们提出一个基于新设计的卷积神经网络的分类算法,它充分利用网络中不同层次的信息。我们也证明我们的方法的有效性通过合并多层次和多尺度特性。最后,本文提出的方法测试集上达到最好的结果。在未来,我们打算提高我们设计网络通过使用新的学习方法。同时,应考虑心绞痛在温柔的影响。

数据可用性

中医数据用于这项研究可以获得通过联系相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

引用

1. y . w .叮,“宪法理论在中医的发展,”云南中国传统医学和药物学杂志》上,没有。2、71 - 75年,2010页。视图:谷歌学术搜索
2. 问:王”三个关键问题研究中医宪法(第一部分),“中国传统医学杂志》上卷,47号4、250 - 252年,2006页。视图:谷歌学术搜索
3. 问:王”三个关键问题研究中医宪法(第二部分),“中国传统医学杂志》上卷,47号5,329 - 332年,2006页。视图:谷歌学术搜索
4. 中国中药协会”,宪法理论的分类和识别中药(ZYYXH / T157 - 2009),“世界中医药杂志》上4卷,第304 - 303页,2009年。视图:谷歌学术搜索
5. j . r . x,问:Wang Wang et al .,“宪法的适用现状的分析识别,”中国中药杂志》上的信息,2卷,第109 - 107页,2013年。视图:谷歌学术搜索
6. x刘问:王,“建议和分析修改宪法的分类标准和决心的中医,“北京中医药大学,36卷,不。5,300 - 304年,2013页。视图:谷歌学术搜索
7. S.-Y。苏,学术界。杨,c c。赵、王,”声学特性确定宪法在传统中药中,“《替代和补充医学杂志》上,19卷,不。6,569 - 576年,2013页。视图:出版商的网站|谷歌学术搜索
8. 美国侯,j·张,p .李et al .,”研究中医体质分类基于面部的颜色和质地,”生物医学研究,28卷,不。10日,4645 - 4650年,2017页。视图:谷歌学术搜索
9. g . l . Lu y s .黄问:Zhang et al .,“辅助中医体质的研究基于舌图像的识别模型和物理特性,”LISHIZHEN医学和研究》,30卷,不。1,第246 - 244页,2019。视图:谷歌学术搜索
10. 王y . c . l . n .呗,“中医体质分类的脉冲信号基于BP神经网络,”中国传统医学杂志》上,55卷,不。15日,2014年。视图:谷歌学术搜索
11. h . y .张,李,王x y . et al .,“基于相关识别的动态分类模型——中药皮肤和宪法的例子,”先进的工程科学卷,49号3、137 - 143年,2017页。视图:谷歌学术搜索
12. b . l .歌曲,j . Liu钱et al .,“深多CNN对多实例多标记图像分类”IEEE图像处理,27卷,不。12日,第6038 - 6025页,2018年。视图:出版商的网站|谷歌学术搜索
13. m . Zhang w·李,杜问:“高光谱图像分类多样化提出CNN,”IEEE图像处理,27卷,不。6,2623 - 2634年,2018页。视图:出版商的网站|谷歌学术搜索
14. j . Dolz k . Gopinath j .元et al。”HyperDense-Net:综合图像分割hyper-densely连接CNN,“IEEE医学成像,38卷,不。5,1116 - 1126年,2018页。视图:出版商的网站|谷歌学术搜索
15. p . l . Chen宾利,k . Mori k三泽,m .藤原和d . Rueckert DRINet医学图像分割,“IEEE医学成像,37卷,不。11日,第2462 - 2453页,2018年。视图:出版商的网站|谷歌学术搜索
16. z Cai和n .塞·伐斯冈萨雷斯,他的“级联R-CNN:深入研究高质量的目标检测,”《IEEE计算机视觉与模式识别会议,页6154 - 6162,盐湖城犹他,美国,2018年6月。视图:谷歌学术搜索
17. c . w . y . Chen Li Sakaridis et al .,“域自适应速度R-CNN对象检测在野外,”《IEEE计算机视觉与模式识别会议,页3339 - 3348,盐湖城犹他,美国,2018年6月。视图:谷歌学术搜索
18. k·h·金和j·m·弗拉姆”场景识别,交替层次专家”欧洲计算机视觉的诉讼,页451 - 467,德国慕尼黑,2018年9月。视图:谷歌学术搜索
19. j . x Cheng, j .冯元,和j .周”与客体性场景识别,”模式识别卷,74年,第487 - 474页,2018年。视图:出版商的网站|谷歌学术搜索
20. x, h·朱j .徐d . Xu和j .董”手腕脉搏信号分析基于卷积神经网络,”IEEE会议程序计算智能在生物信息学和计算生物学火奴鲁鲁,页1 - 7,嗨,美国,2014年。视图:谷歌学术搜索
21. b . h . Li徐:王et al .,“卷积神经网络分类的身体深处宪法,”《施普林格国际会议上人工神经网络西班牙巴塞罗那,页128 - 135,,2016年9月。视图:谷歌学术搜索
22. e . y .欢g·h·温,s . j . Zhang et al .,“卷积神经网络分类的身体深处宪法基于面部图像,”计算和数学方法在医学卷,2017篇文章ID 9846707、9页,2017。视图:出版商的网站|谷歌学术搜索
23. h·h·李·g·h·温,h·b·曾自然的舌头体格识别使用混合深度学习的方法施普林格,柏林,德国,2018年。
24. j·l·胡、y . t .丁和h . x菅直人“宪法通过舌头图像,基于机器学习的分类”佳木斯大学学报(自然科学版),36卷,不。5,709 - 713年,2018页。视图:谷歌学术搜索
25. 周h . g .胡、张x”宪法基于CNN舌图像的识别,”美国国会2018年11日国际图像和信号处理,页1 - 5,生物医学工程与信息学(CISP-BMEI), IEEE,北京,中国,2018年10月。视图:谷歌学术搜索
26. j .马·g·温,c . Wang和l .江“舌头宪法承认复杂性感知分类方法,”人工智能在医学上卷,96年,第133 - 123页,2019年。视图:出版商的网站|谷歌学术搜索
27. j .邓w .咚,r . Socher et al .,“Imagenet:大规模的分层图像数据库”《IEEE计算机视觉与模式识别会议,页248 - 255,迈阿密,佛罗里达,美国,2009年6月。视图:谷歌学术搜索
28. s . r . n . Tajbakhsh j.y. Shin Gurudu et al .,“卷积神经网络用于医学图像分析:完整的培训或微调,”IEEE医学成像,35卷,不。5,1299 - 1312年,2016页。视图:出版商的网站|谷歌学术搜索
29. k . Simonyan和a . Zisserman”很深的卷积网络大规模图像识别,”2014年,https://arxiv.org/abs/1409.1556。视图:谷歌学术搜索
30. b . Zoph诉Vasudevan j . Shlens et al .,“学习转移体系结构可伸缩图像识别”《IEEE计算机视觉与模式识别会议,页8697 - 8710,盐湖城犹他,美国,2018年6月。视图:谷歌学术搜索
31. c . Szegedy诉Vanhoucke,美国约飞et al .,“重新考虑初始计算机视觉架构,”《IEEE计算机视觉与模式识别会议拉斯维加斯,页2818 - 2826年,NV,美国,2016年7月。视图:谷歌学术搜索
32. 任h . g . y . Chen道,林x,和l .张“准确安全带检测基于CNN和SVM在道路监控图像,”Neurocomputing卷,274年,第87 - 80页,2018年。视图:出版商的网站|谷歌学术搜索
33. 刘y,谢,y,熊,“加权KNN-based自动图像标注方法,”神经计算和应用,2019年,页1 - 12。视图:出版商的网站|谷歌学术搜索
34. 孟r . x Liu, z, r .香港和g .刘”融合的深度CNN功能图像分类,“万维网,22卷,不。2、423 - 436年,2019页。视图:出版商的网站|谷歌学术搜索
35. r·b·奥利维拉j.p.爸爸,a·s·佩雷拉和j·m·r·s·塔瓦雷斯”计算方法对色素的皮肤病变在图像分类:回顾和未来趋势,”神经计算和应用卷,29号3、613 - 636年,2018页。视图:出版商的网站|谷歌学术搜索
36. d·汉问:刘,w .粉丝,“一个新的图像分类方法使用CNN学习和网络数据传输,”专家系统与应用程序卷。95年,43-56,2018页。视图:出版商的网站|谷歌学术搜索
37. c . s . Marquesan m . Karuppiah, t . Prathiba”热的多分辨率变换人脸识别使用随机森林分类器”计算和理论纳米科学杂志》上,15卷,不。3、785 - 792年,2018页。视图:出版商的网站|谷歌学术搜索
38. t·格瓦拉和c . Guestrin Xgboost:一个可伸缩的树增加系统”22 Acm Sigkdd学报》国际会议上知识发现和数据挖掘ACM,页785 - 794年,旧金山,美国,2016年8月。视图:谷歌学术搜索
39. g .柯孟,t·芬利et al .,“LightGBM:一种高效梯度提高决策树,”先进的神经信息处理系统,第3154 - 3146页,2017年。视图:谷歌学术搜索
40. a . v . Dorogush诉Ershov, a . Gulin”CatBoost:梯度增加在分类功能的支持下,“2018年,https://arxiv.org/abs/1810.11363。视图:谷歌学术搜索
41. 问:王”,分类和诊断的基础九中医基本宪法,”Journal-Beijing中医药大学,28卷,不。4、1 - 8,2005页。视图:谷歌学术搜索
42. f . Chollet“Keras”, 2015年,https://github.com/fchollet/keras。视图:谷歌学术搜索
43. m . Abadi p·巴j . Chen等人“Tensorflow:大规模机器学习系统”12 {USENIX}学报》研讨会上操作系统的设计和实现佐治亚州萨凡纳,页265 - 283,美国2016年11月。视图:谷歌学术搜索
44. f . Pedregosa g . Varoquaux a Gramfort et al .,“Scikit-learn:机器学习在python中,”机器学习研究杂志》上》12卷,第2830 - 2825页,2011年。视图:谷歌学术搜索
45. 诉w·斯蒂芬l .约翰内斯·j·n·勋伯格et al .,“Scikit-image:在python中图像处理”,2014年。视图:谷歌学术搜索
46. k . x张,他任美国et al .,“深残余学习图像识别,”《IEEE计算机视觉与模式识别会议拉斯维加斯,页770 - 778年,NV,美国,2016年7月。视图:谷歌学术搜索
47. c . Szegedy s Ioffe诉Vanhoucke et al .,“Inception-v4 inception-resnet和剩余连接对学习的影响,”美国31日AAAI会议上人工智能美国,旧金山,CA, 2017年2月。视图:谷歌学术搜索
48. f . Chollet”与切除可分离旋转Xception:深入学习,”《IEEE计算机视觉与模式识别会议火奴鲁鲁,页1251 - 1258年,美国,2017年7月,你好。视图:谷歌学术搜索
49. a·g·霍华德·m·朱b . Chen等人“Mobilenets:高效移动视觉卷积神经网络应用程序,”2017年,https://arxiv.org/abs/1704.04861。视图:谷歌学术搜索
50. v . d . g .黄z Liu Maaten et al .,“人口回旋的网络连接,”《IEEE计算机视觉与模式识别会议火奴鲁鲁,页4700 - 4708年,美国,2017年7月,你好。视图:谷歌学术搜索
51. m . Tan和问:诉Le“EfficientNet:反思为卷积神经网络模型扩展,”2019年,https://arxiv.org/abs/1905.11946。视图:谷歌学术搜索

版权

版权©2019 Er-Yang欢和Gui-Hua温。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。