应用多任务联合稀疏表示算法的中国画图像分类

文摘

本文深入研究和分析的中国画图像分类的多任务联合稀疏表示纹理特征提取算法的中国画图像,提出了一个方法来提取纹理特征直接对原始图像。它简化了图像灰度转换和保存的过程中包含的信息最初的中国画图像在最大的程度上。该算法使用多色域分析和多尺度分析的思想,结合传统的灰度同时代的矩阵来提取纹理特征。实验表明,多尺度灰度同现矩阵算法优于传统的灰度同现矩阵算法和灰度的颜色同现矩阵算法。多个特性的区别的能力目标识别集成的多任务学习,从而提高算法的鲁棒性和泛化能力;同时,识别精度提高了使用两级多任务学习模式的干扰排除大量的无关紧要的字典原子。实验结果表明,该算法具有较高的识别精度和鲁棒性优于现有的稀疏表示SAR目标识别算法。配置识别实验是进行不同配置的目标数据,和实验结果表明,该算法实现配置识别精度比现有的算法。

1。介绍

中国画的概念开始被广泛应用在本世纪初1),这个概念被引入作为肯定在中国古老的绘画艺术,作为一种保护国家绘画。中国画绘画创造了一种完全属于中国。分类中国画可以有效地管理数据库的中国画,和一个合理的分类可以从庞大的数据库检索指定的工作轻松且快速的中国画。因此,中国画特征提取算法是研究的焦点目前大多数中国绘画分类研究。质地、颜色和形状特征是图像的三个最常用特征(2]。使用形状特性进行分类和识别中国画没有达到理想的结果,因为它是受许多因素影响,有限制使用图像分类和识别。纹理特征是图像的最常用的功能之一,也是一项功能,最能反映图像的分布格局。主要颜色特征表示图像中包含的颜色信息,更倾向于描述图像的整体特征,这个功能是不容忽视的。颜色和纹理特征可以代表图像中包含的信息,和他们也最常用的功能在当前的中国画图像分类和识别(3]。

随着计算机技术的快速发展,越来越多的宝贵的材料可以在数字形式保存。中国绘画画在数字化的米纸或丝绸有利于长期保存这些珍贵的材料。这就是为什么中国画的数字管理尤为重要(4]。因此,重要的是巨大的数据库中检索所需的特定图像的中国画,这已成为一个热点话题的研究人员的研究(5- - - - - -7]。颜色和纹理特征可以代表图像中包含的信息,和他们也最常用的功能在当前的中国画图像分类和识别。

本文研究的主要问题是基于深度学习的自动图像标注算法。基于深度图像注释的主要过程模型学习如下:使用带注释的数据集作为训练样本,构建语义概念模型使用一个深入学习网络,然后利用训练样本训练图像multilabel模型得到模型能够进行分类,最后使用已经训练模型来确定图像的语义标签样本进行注释和输出图像的标签类型。首先,提出了一种并行分类策略,结合了两种特性和发送他们将Softmax分类器来实现分类。数据集上的实验结果本文构造的,里面装有1015枚中国绘画作品表明,该方法是基于五个类型的图像。达到良好的分类效果,分类精度为96%。最关键的问题是建立一个有效的语义概念模型。近年来,许多学者提出了许多图像auto-labeling算法和分类器模型基于现有条件;例如,提出支持向量机基于模型的二进制分类方法,图模型的分类方法和高斯混合模型。这些方法可直接应用于auto-labeling形象。许多这些方法忽略特征图像的注释问题,标签之间的相关性,而注释结果不是很令人满意。 Therefore, this paper presents some research work on how to make full use of the characteristics of the automatic image annotation problem, make full use of the inter-label association relationship, and realize automatic image annotation based on deep learning techniques. Chinese painting image classification is an important part of the digital art work management system. To obtain the overall style and local brushstroke characteristics of Chinese painting, a Chinese painting image classification algorithm that combines global and local features is proposed.

2。相关的工作

他等人研究了中国画建模,设计了一个框架,并使用它来测试各种现有算法,可以应用于中国画的分类和识别8]。她等人结合局部和全局特征分类的西方绘画,取得了令人满意的结果(9]。程等人提出了异构特性群体选择方法和改进的回归模型。程等人提取异构特性的一个子集水墨画的艺术风格特征,以及最终实现了水墨画的分类识别,平均精度为87% (10]。聂等人复杂网络理论应用于纹理图像特征提取和基于图像熵提出了分块过滤方法提取纹理特征的中国画结合复杂网络理论,和平均检测率达到84.5%11]。赵等人提取中国画由不同作者的风格特征,然后选择最具代表性的特征子集,实现作者预测的中国画平均发现率为87%,和用卷积神经网络实现情绪的中国画图像分类(12]。

图像注释是早些时候以一种歧视的方式,和图像注释结果主要通过确定标签的正确性。高等人开采协会在图片和标签与标签之间的关系提出了一个多层次组稀疏编码的图像自动标注模型,同时单标牌图片(13]。江等人利用稀疏表示的特性来添加一个组间约束项原始稀疏表示模型实现图像注释和提出了一个自动注释框架基于距离约束/组稀疏编码(14]。模型首先学习相应的功能权重训练样本,然后再用于计算重量(资讯)的图像测试样品,,最后,一个标签转移策略是用于实现自动贴标未知的图像(15]。随后,支持向量机(SVM)的图像标注算法和贝叶斯分类图像标注方法出现(16]。小规模样本分类的算法更有效的学习,因为基于小规模样本的支持向量机算法避免等问题的大数定律和概率指标的措施。一般来说,图像被分割为多个区域,每个区域对应于图像的标签的话,那么二元分类器训练对于每个单词,最后,训练分类器是用于对图像进行分类。由于该算法不能解决multilabel分类问题,一些学者提出了基于该方法的一种改进的算法(17]。该算法使用了一个多元分类器分类学习,多元分类器考虑协会标签文字和图像区域之间的联系,并在一定程度上其分类结果更完美和更可信。上面的方法都是歧视基于模型的图像标注方法。有识别力的基于模型的图像标注方法是构造简单,易于实现。然而,“语义鸿沟”问题的注释过程中很容易发生。

3所示。多任务的联合稀疏表示的中国画图像分类算法设计

3.1。多任务的联合稀疏表示算法

稀疏表示(SR)是由一些非零元素组成的信号在一个较小的向量空间。由于其能力来表示高维数据,老已经成为一个不可避免的特征提取的概念,这是一个信号抽样技术用于压缩图像。稀疏表示的过程可以被认为是预测目标信号的空间组成的一组非正交的基地,每个基地和系数投射在稀疏编码。“稀疏”一词表达的想法,只有个别数字是零个或明显的区别于零的系数通过使用一个字典来表示信息。因此,它可以简要指出信号的重要信息可以表达一些非零元素和,这样更容易解决18]。从数学的角度来看,稀疏表示是一个多维的数据表示。代表图1这是小数量的原子矩阵D可以用来表示信号y由一个线性组合。

模型是线性表示为

由于图像通常是嘈杂的,(1)可以写成 在哪里z是噪音。方程(1)是一个欠定的线性方程,是不可能获得输入信号的一个独特的表示y在字典里D。因此,在获得稀疏表示,有必要进行约束,限制其他系数系数x。的稀疏的系数x,就越容易准确地预测类标签的输入信号吗y。这促使我们找到稀疏的解决方案。下面的优化问题可以解决系数。在(3),我们通常采用控制变量的方法来确定

它指的是一个向量的非零元素的数量,也用于控制稀疏的强度模型。x没有一个确切的稀疏表示,但它可以在这样一种方式以确保结果尽可能接近原始信号y。有不同形式的稀疏表示模型,利用拉格朗日乘数法将两个约束条件组合为一个不等式:

然而,在实践中,发现的稀疏解L0参数化是一个np难问题。在这种情况下,测试样品大概不能稀疏表示为训练样本的线性组合。多项研究表明,当解决方案是字典稀疏信号和满足一定条件下,可以限制L1参数化而不是L0参数化,然后近似稀疏的解决方案通过求解稳定解的L1参数化最小化稀疏的解决方案;然后,基于L1的稀疏表示模型参数化有以下公式:

delta_i梯度在位置我。在稀疏表示,建设字典稀疏表示的一个关键方面,它直接影响稀疏表示是否能够有效地执行。字典原子必须满足两个条件:首先,他们需要整个m维空间形式,因此可以表示原始信号线性;第二,个人字典原子是线性无关的(19]。因此,如何构建字典是一个关键的研究问题的稀疏表示理论,无论如何构建字典,目的是让字典本身含有更多的和更丰富的信息,可以自适应地和不同的信号。

目前,字典的建设分为三类:直接使用原始训练样本作为字典,字典分析,和学习词典。使用原始训练样本形式字典的方法比较简单,但是字典容量增加训练样本的数量和类别,这使得计算负担的增加和效率的降低,而冗余信息不能有效地表示原始信号,从而导致检测精度的降低。分析字典参考字典获得通过使用一定的数学模型。常用的分析小波字典词典,词典,傅里叶变换和离散余弦变换字典(DCT字典)。这本词典的优点是原理简单,容易实现,但它也有缺点,它表示的信号太均匀,不具有自适应性。当面对复杂的遥感图像,字典不是足够灵活,能够适应样本变化,不能准确地代表图像的稀疏特性,然后分析字典不是一个合适的选择。学习字典,即。,dictionaries obtained by training and learning a large amount of data similar to the target data, in contrast, are more practical than analytic dictionaries. The dictionaries obtained by learning are morphologically rich, with the structured, discriminative ability and better flexibility to better adapt to different image data and obtain sparser representations. We are discussing Chinese paintings, but the drawings are all similar, so our algorithm can be used for other types of paintings as well.

多任务学习(MTL)是一种归纳的方法转移,可以确保相关任务互相学习利用信息包含在培训相关任务,使感应的信号传输方法有效。它通过学习任务并行使用共享表示,允许每个任务学会更好的帮助学习其他任务。一种类型的建设是建设共性的多个任务。多个任务可以以不同的方式构造,这可能取决于特定的应用程序。另一个关键技术是多个任务的相关分析。任务可以以不同的方式相关。通常有两种方法:任务可以通过假设所有学到的相关函数接近彼此在某些规范,和任务也可以彼此相关,因为他们都共享一个基地表示。第一类型的任务相关,典型的方法是一个线性回归函数。第二种类型的任务相关性,有一些广泛使用的表征,如稀疏。

在多任务学习,与相似可以解决多个任务,和一个线性表示模型可以构造稀疏表示的每个任务,同时与相似性信息可以在不同的任务间共享,从而有效地利用不同任务之间的潜在信息,提高识别的准确性,从而构建一个多任务稀疏表示模型:

传统的多任务稀疏模型只考虑每个像素本身的特性,而忽略了空间相邻像素之间的相关性。在遥感图像中,相邻像素通常属于同一材料。因此,图像像素在一个小空间社区是高度相似的,有许多相似之处。出于同样的原因,这些近邻像素可以表示同时也有类似的结构。空间信息也可以以同样的方式结合在一个多任务稀疏表示模型的框架。

根据联合稀疏表示的原理,当相邻的像素是稀疏表示同时,稀疏系数可以很容易地解决如下的优化问题:

需要考虑两个约束条件:第一个约束是假设相似像素大约分布在相同的低维子空间也由同一个类的训练样本;第二个约束条件是假设最近邻像素有相同的低维子空间域。这里,联合稀疏约束在不同的任务可以提供其他有用信息的分类问题,因为不同的任务可能支持不同的稀疏表示系数,和联合稀疏可能增强系数估计的鲁棒性。联合正交match-tracking方法是一种泛化的正交match-tracking算法在L2参数模型下,和它的基本思想是将选择同时产生的原子最佳逼近所有残余向量在每个迭代中,然后估计残差信号和更新。特别是,在kth迭代,计算相关矩阵和矩阵之间的残差的数据X和它的近似。

稀疏表示理论的概念,数学模型,并介绍了稀疏表示方法的突破,并在此基础上提出的协作表示和过程提出了详细的解决方案。协作表示的优点是得到了比较算法和不同的解决方法,有一个统一的理论基础。多任务学习理论和多任务联合稀疏表示模型结合稀疏表示理论介绍。最后,联合的解决方案过程正交匹配算法详细描述。

3.2。设计和分析的中国画图像分类系统

受阴阳五行影响,佛教、道教、儒教,和其他文化,中国画不仅是黑色和白色和灰色;它还包括某些颜色组件,如沉重的颜色绘画和壁画的唐代,是杰出的代表(20.- - - - - -23]。据统计,中国传统绘画使用多达60或70类型的色素,主要来自植物,许多现代画家更丰富的使用颜色。因此,中国画的分类和识别不能忽视的颜色特性,但目前大多数研究者关注纹理特征的研究对中国画的分类和识别,和一些研究人员已经开展了相关的研究中国画的色彩特征。加权的图像分割方法是一种简单而有效的方法,它首先块图像,然后提取颜色特征对于每一个小块,最后融合每个块的颜色特征不同的权重分配。它可以弥补缺乏空间信息的图像的颜色特征,可以更有效地利用颜色特征进行分类和识别图像。摘要图像分块,然后提取图像的颜色特征;就是,它的颜色矩计算的价值,可以弥补缺点的颜色时刻缺乏空间信息描述的图像。提取图像的颜色特征的结果更准确。

每个画家绘画之前已经有一个原色,这原色与绘画的内容;例如,山水画将由石灰绿,花和鸟画将由绿色和红色,和人物画主要是粉红色和白色,玉。因此,中国画的色彩特征也是一个必不可少的功能在中国画的分类和识别。基于混合颜色空间和图像分块的思想解释说在前面的小节中,提出了一种基于混合颜色空间分块颜色特征提取算法,并使用该算法来提取颜色特征的中国画图像。本节将详细地址算法。

融合的混合颜色空间的特性,采用加权融合,比重的任务是决定根据不同颜色空间的贡献率对中国画图像的分类和识别。中国画图像识别的准确率是通过提取图像的分块颜色矩特征在不同的颜色空间,分别根据第一,并使用这种颜色的颜色空间进行分类和识别的中国画图像,如表所示1。

最后,三个颜色空间的平均值检查率归一化来确定对应的三个颜色空间的权重为0.314,0.342,和0.344,分别。使用获得的重量值,相应的秩序的时刻对应的组件的三个颜色空间加权和融合获得颜色混合颜色空间的时刻。特定的特性融合流程图如图2。

图像的特征提取模块输入是一对,使用改进的ResNeXt101网络学习的图像特征,然后,一层最大池后,2048维图像特征可以通过一个完全连接层;其次,第二步字嵌入向量输入到第一层图的卷积网络,和标签输出图的层层叠加后的卷积网络特性分类器,这是一个收集的标签对与多个标签关联关系;集合的每个元素是一个标签,标签可能会有很多的组合关系。最后,点积过程指的是过程的快速图像之间的匹配特性和分类器中的元素。基于图像特征和分类器,每个元素的相关性最高的输出,即multilabel分类的结果图像,然后判断是完成的原始标签数据集来实现图像分类的准确性和错误率。如图3,点积的过程表示:左边的图显示了一个实例不断匹配的图像特征分类器和匹配的一组标签具有高相关性作为最终标签分类结果的图像特征。它的主要思想是利用时刻代表不同颜色的分布图像,然后使用不同颜色组件的统计参数作为参数。低阶的时刻集中的主要信息的颜色分布,二、三阶的颜色和高阶时刻几乎包含颜色信息。其中,一阶矩可以表示图像的总体概述,即意味着信息;二阶矩可以表示图像细节的变化,也就是说,方差信息;三阶矩可以表示斜率图像的信息。

来验证算法的有效性和可行性的中国画的分类和识别,600幅油画不同的朝代和类别被随机选择从中国画网站形式中国画的另一个数据库,包括126只鸟画,123年的山水画,114数字油画,118竹画,119马和鞍绘画。剩下的包括96只鸟画油画,93年的山水画,84数字油画,88竹画,89马和鞍绘画。中国画图像的颜色特征提取在HSV, YUV,和混合颜色空间,分别混合颜色空间分为两个方向,阻塞和疏通,当提取图像的颜色特征。然后,中国画图像的灰度热电联产矩阵特征参数作为纹理特征计算,和他们缝9颜色特征来获取最后的13个混合特征向量描述中国画图像。最后,向量用于分类识别的中国画。

特征融合后的低频特征提取结果与全球提取特征,由于低频特性提取两次,这相当于增加了训练重量低频词的权重。本文中的算法使用SGD算法作为优化算法,权重设置为0.005的衰变,最初的学习速率(LR)也设置为0.1。在培训过程中,动态学习速率也根据验证集的损失,减少数据集的学习速率是动态减少10倍每5时代。本节中的算法和两种模型提取使用在第四节ResNeXt101网络训练100次,那么频率、平均最高及最低的词,和一些低频标签进行比较选择。当前解决方案的准确性非常高,但效率不是很好。

4所示。分析的结果

4.1。多任务的联合稀疏表示的结果分析

图4显示的比较ML-GCN算法的准确性和帕斯卡VOC2012数据集上的双通道改进ML-GCN算法改进前后。从这两个数据,可以看出,基于两个渠道改进的ML-GCN算法有效改善图像注释的准确性和完整性,准确性OP的改进ML-GCN算法基于两个渠道达到91.79%,和完整性或达到94.05%。与改进ML-GCN算法相比,精度提高了1.61%,完整性是提高了2.44%。

的平均精度ML-GCN算法基于双通道改进如图4,水平坐标表示训练的数量和垂直坐标指示映射值。改进ML-GCN算法获得最好的地图价值11日培训结束后,培训稳定后。

图5显示了在培训过程中损失的变化曲线的三个算法,相比之下,这两个算法ML-GCN和改进ML-GCN;可以看出特征融合后的改进算法能有效地减少损失,有效提高图像标注的性能。可以看出drapery-coronal中国画图像的准确度从93.2%提高到96.3%,热点中国画图像的准确度从90.8%提高到95.1%,而且radiation-coronal中国画图像的准确度从91.5%降至95.9%。所有三种类型的中国画图像提高了约3到4个基点,而弧形中国画图像从97.6%下降到97.2%,0.4的差异,可能是由于错误的实验。其平均测试精度提高从网络改进之前的94.20% 96.54%,此前网络改善,这表明紧密连接网络结构的改进版本确实可以大大提高中国画图像的分类精度。网络的训练精度提高,直到它最终高原,而培训损失也降低,最后趋于稳定。

接下来,实验在8001年中国画图像数据库和38044年的中国画图像数据库与不同比例的8:2,2:1,4:6日2:8和1:9,分别。实验结果如图所示6。从图6可以看出,训练网络模型的结果是最好的,当训练集测试集的比例是8:2,和中国画的分类精度是最高8001中国画图像数据库和38044年中国画图像数据库,这是图中红线所示。当训练比测试数据的网络模型是8:2,平均8001中国画图像数据库的测试精度是96.54%,而38044年绘画的平均精度为98.99%。

因为独特的弧形带结构的中国画图像,这是比其他形状清晰,数据量相对较大,两到五倍比其他类别,弧形中国画图像的分类精度是最高的在这两个数字6(一)和6在不同的尺度上(b)。相比之下,热点中国画图像的分类精度较低,大概由于其复杂的形态结构和它有最少的数据在四个类别的中国画由于其出现的时间最短,如图6。

比较图表显示,38044年的平均准确率中国画数据库和每个类别的准确率高而同样比例的8001年中国画数据库。这是因为38044年中国画数据库的数据量更大;它可以提供丰富的数据信息和它的中国画图像特性更富有表现力。

4.2。中国画图像分类结果

中国画的分类和识别实验分为两部分,根据主题分类实验的中国画、分类实验的基础上,作者的中国画,和描述的数据库从两个数据库中选择部分3和4。选择支持向量机进行训练和分类的中国画数据库。选择支持向量机核函数和参数是一样的前两部分。判断标准是相同的两个部分,和实验效果仍然是评估根据平均完成率,平均准确率,平均分类精度。

融合方法用于融合分块与多尺度混合颜色空间颜色特征灰度同时代的生成综合特征向量矩阵的纹理特性,选择部分中描述的中国画数据库3根据作者,中国画数据库进行分类。本文的算法是应用灰度共生矩阵建立与颜色相结合的时刻,CGLCM颜色相结合的时刻,应用灰度共生矩阵建立多尺度组合颜色时刻中国画的分类和识别。继续评估标准的一致性,平均准确率和平均完整性率仍选择评估标准,和实验结果如图7。

从图中的数据7,可以看出本文的两个特性是最有效的对中国画的分类,平均检测率提高了11%,平均检测率提高了13.3%,应用灰度共生矩阵建立的颜色相结合的时刻。与CGLCM结合颜色时刻相比,平均检测率提高了8.9%,平均检测率提高了10.4%。与应用灰度共生矩阵建立多尺度组合颜色时刻相比,平均准确率提高了5.1%,平均完整性提高了5.1%。验证改进的向量的分类和识别不同作者的作品,上面的表转换成一个条形图,结果如图所示8。

从图8,可以看出,平均分类精度的综合特征向量组合后的两种算法在本文中也有相应的改善周Qingbo和刘海粟的画作。这表明综合矢量特性可以弥补缺乏单一纹理特征在分类识别的现代画家的色彩斑斓的油画和中国画数据库的有效提高分类识别的作者。从线路图,我们可以看到,减少算法的边坡结合本文的两个特性是缓慢与其他方法相结合;特别是,如果噪声的均方值是20到30,应用灰度共生矩阵建立的识别效果结合颜色时刻,CGLCM结合颜色的时刻,和应用灰度共生矩阵建立多尺度结合颜色时刻迅速减少。本文的算法可以保持缓慢下降斜率,这表明两者的结合应用灰度共生矩阵建立算法抗噪声比组合颜色,CGLCM结合颜色时刻,应用灰度共生矩阵建立多尺度组合颜色矩算法。

花费的时间将中国画与混合颜色的提出综合特征向量空间分块颜色特征结合多尺度纹理特征灰度热电联产矩阵比其他算法平均高11.2 s,但平均分类识别精度明显高于其他复合特征向量。因此,提出综合特征向量和融合两个特性大大提高了识别精度的中国画题材以牺牲一些时间。现有的解决方案具有更高的准确率,但相比以前的解决方案和预防措施,处理时间会相对较长。

描述纹理特征和颜色特征引入部分4融合形成混合功能,为中国画的分类和识别,和大量的实验来验证的有效性进行混合特性本文用于识别的中国画。最终的分类结果表明,该混合应用灰度共生矩阵建立特征表现结合传统颜色的时刻,CGLCM加上颜色的时刻,和应用灰度共生矩阵建立多尺度结合颜色时刻在中国画的分类和识别算法的平均精度,平均完整性,平均正确分类率。最后,所消耗的时间提出了本文计算的混合特性。虽然算法的运行时间与综合特征向量融合两个特性提出了明显高于其他算法,为中国画的分类识别精度显著提高主题的一些时间。

5。结论

本文给出了相关的描述研究的意义和研究特征提取算法的目的和分类识别的中国画。相关理论知识阐述了特征提取的图像,包括一些常用的纹理特征提取算法和几种常用的颜色特征提取算法;简要概述了图像分类和识别过程;和图像分类和识别的方法是解释说。重要目标在复杂背景和无重点的目标分布阻塞问题,我们只使用本地相关的注意机制之间的图像区域图像单标牌分类。在本文中,我们提出一种改进的ML-GCN-based图像auto-labeling算法基于ML-GCN网络模型,使用多个标签之间的依赖关系。基于上述提出的两种特征提取算法,执行功能融合和民族绘画的分类识别实验验证使用集成的特征向量。证明了混合特征向量具有良好影响中国画的分类识别。最后,消耗的时间根据主题分类识别的中国画是统计,虽然该算法提出了两部剧情融合的综合特征向量在报纸上消耗更多的时间比其他算法,其识别精度显著提高。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这个研究项目是由北京语言文化大学的科学基金会(基础研究基金支持的中央大学)(批准号:21 yj070001)。

引用

1. j . Cai h·汉美国山et al .,“FCSR-GAN:接合面完成并通过多任务学习,超分辨率”IEEE生物识别技术、行为科学和身份,卷2,不。2、109 - 121年,2019页。视图:谷歌学术搜索
2. j·杨,z, y,“学习”将图像修复结构的知识,人工智能学报AAAI会议,34卷,不。7,12605 - 12612年,2020页。视图:出版商的网站|谷歌学术搜索
3. l . m . Liu聂,x,田,和b·陈,“在线数据组织者:micro-video分类structure-guided multimodal字典学习,”IEEE图像处理,28卷,不。3、1235 - 1247年,2019页。视图:出版商的网站|谷歌学术搜索
4. y邓,w .董,f, f . Tang o . Deussen和c,“选择性聚类代表画作的选择,”多媒体工具和应用程序,卷78,不。14日,第19323 - 19305页,2019年。视图:出版商的网站|谷歌学术搜索
5. 赵,g .叮,y高et al .,“离散型概率分布预测图像与共享稀疏学习情绪,”IEEE情感计算,11卷,不。4、574 - 587年,2020页。视图:出版商的网站|谷歌学术搜索
6. 朱问:曹,w·张,y,基于“深度学习分类极地的情绪“moe”风格的卡通图片,清华科技,26卷,不。3、275 - 286年,2020页。视图:出版商的网站|谷歌学术搜索
7. h·张,p .她j .甘,曹x, y . Liu和h . Foroosh“学习结构表征通过动态对象地标草图识别和检索发现,“IEEE图像处理,28卷,不。9日,第4499 - 4486页,2019年。视图:出版商的网站|谷歌学术搜索
8. z。他,l·张,F.-Y。刘,“DiscoStyle:多层次物流排名为个性化的形象风格偏好推论,“国际期刊的自动化和计算,17卷,不。5,637 - 651年,2020页。视图:出版商的网站|谷歌学术搜索
9. d .她,j·杨,m . m . Cheng Y.-K。赖,p . l .松香和l .王”WSCNet:弱监督耦合网络视觉情绪分类和检测,”IEEE多媒体,22卷,不。5,1358 - 1371年,2020页。视图:出版商的网站|谷歌学术搜索
10. p . Wang x Cheng和r·杨,“学习深度与回旋的空间传播网络,”IEEE模式分析与机器智能,42卷,不。10日,2361 - 2379年,2019页。视图:谷歌学术搜索
11. l .聂m . Liu和x的歌,“多通道向micro-video理解学习,”合成图像专题、视频和多媒体处理,9卷,不。4、1 - 186、2019页。视图:出版商的网站|谷歌学术搜索
12. 赵,h .姚明,y高,g .叮,t·s·艾。蔡”,预测个性化形象情感感知在社交网络,”IEEE情感计算,9卷,不。4、526 - 540年,2018页。视图:出版商的网站|谷歌学术搜索
13. 黄f·高,x, y, y罗,李x, L.-Y。段,“数据驱动的轻量级的利益点选择大规模的视觉搜索,“IEEE多媒体,20卷,不。10日,2774 - 2787年,2018页。视图:出版商的网站|谷歌学术搜索
14. 江,z, a . Hertzmann h·金和傅y,“视觉字体配对,”IEEE多媒体,22卷,不。8,2086 - 2097年,2019页。视图:谷歌学术搜索
15. x y侯,h .姚明,太阳,和h·李,“灵魂舞者,”ACM交易多媒体计算、通信和应用程序,15卷,不。3 s - 2020页。视图:出版商的网站|谷歌学术搜索
16. j .歌曲、郭y l .高,x, a . Hanjalic h·t·沈,“从确定性生成:多通道随机RNNs视频字幕,“IEEE神经网络和学习系统,30卷,不。10日,3047 - 3058年,2019页。视图:出版商的网站|谷歌学术搜索
17. h·范·高,j .朱l .戴和j . Yu”通过生成对抗网络异构的脸合成:进展和挑战,”南京新禧Gongcheng大学学报,11卷,不。6,660 - 681年,2019页。视图:出版商的网站|谷歌学术搜索
18. h . j . Kim Jung, m .康和k .钟”3 d动作战斗游戏界面使用运动识别传感器,”无线个人通信,卷89,不。3、927 - 940年,2016页。视图:出版商的网站|谷歌学术搜索
19. z, y, b, d .汉j . Liu和t . Kurfess“手姿势估计多尺度网络,”应用智能,48卷,不。8,2501 - 2515年,2018页。视图:出版商的网站|谷歌学术搜索
20. r·戴维斯。威尔逊,a .器皿,“人类在自然环境中检测立体,”新兴技术在计算的史册,卷2,不。2、全面降价,2018页。视图:出版商的网站|谷歌学术搜索
21. w·c·g . Chen Li Wei et al .,“完全与增强深黑色的空间金字塔池和卷积神经网络完全连接融合路径对高分辨率遥感图像分割,“应用科学,9卷,不。9,1816年,页2019。视图:出版商的网站|谷歌学术搜索
22. b .周x段,d . et al .,“多层次特征提取不连续对遥感图像目标跟踪监测,“传感器,19卷,不。22日,第4855页,2019年。视图:出版商的网站|谷歌学术搜索
23. l .张问:徐,朱g . et al .,“改善colour-to-grey方法使用图像分割和色彩差异模型色彩视觉缺陷,”专业图像处理,12卷,不。3、314 - 319年,2018页。视图:出版商的网站|谷歌学术搜索

版权

版权©2021东屿杨等。这是一个开放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。