• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于卷積神經(jīng)網(wǎng)絡(luò)的中國(guó)繪畫圖像分類

    2019-06-07 15:08:13楊冰陳浩月王小華
    軟件導(dǎo)刊 2019年1期
    關(guān)鍵詞:圖像分類卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)

    楊冰 陳浩月 王小華

    摘 要:繪畫圖像分類為繪畫管理與使用提供了便利。傳統(tǒng)圖像分類大多依靠人工提取形狀、顏色等特征,由于繪畫圖像分類需要更專業(yè)的知識(shí)背景,從而使人工提取特征的過(guò)程繁瑣且復(fù)雜?;诖?,提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的中國(guó)繪畫分類方法,并在此基礎(chǔ)上結(jié)合SoftSign與ReLU兩種激活函數(shù)的優(yōu)點(diǎn),構(gòu)造一種新的激活函數(shù)。實(shí)驗(yàn)結(jié)果表明,基于改進(jìn)后激活函數(shù)構(gòu)造的卷積神經(jīng)網(wǎng)絡(luò),可以有效提高分類準(zhǔn)確率。

    關(guān)鍵詞:深度學(xué)習(xí);卷積神經(jīng)網(wǎng)絡(luò);中國(guó)繪畫;激活函數(shù);圖像分類

    DOI:10. 11907/rjdk. 181736

    中圖分類號(hào):TP301文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1672-7800(2019)001-0005-04

    Abstract:The classification of painting images facilitates the management and use of paintings. Different from traditional image classification, features such as artificial extraction of shapes and colors are required. Classification of painting images requires a more professional knowledge background, which also makes the process of manually extracting features increasingly complicated. Based on this, a Chinese painting classification method based on convolutional neural network is proposed. Based on this, it combines the advantages of two activation functions including SoftSign and ReLU to construct a new activation function. Experimental results show that the convolutional neural network constructed based on the improved activation function can effectively improve the classification accuracy.

    Key Words: deep learning; convolution neural network; Chinese painting; activation function; image classification

    0 引言

    隨著數(shù)字化圖像的發(fā)展,圖像分類成為圖像領(lǐng)域的研究熱點(diǎn)之一。作為中國(guó)傳統(tǒng)文化的重要組成部分,對(duì)中國(guó)繪畫分類[1-2]的研究有助于更好地繼承與發(fā)揚(yáng)傳統(tǒng)文化。中國(guó)繪畫歷史源遠(yuǎn)流長(zhǎng),流派與藝術(shù)風(fēng)格眾多,且中國(guó)畫以寫意為主,與自然狀態(tài)下的圖像相差較大,所涵蓋的內(nèi)容也更加抽象,所以在特征提取方面需要更多專業(yè)知識(shí)。傳統(tǒng)圖像分類方法大多是基于淺層結(jié)構(gòu)的學(xué)習(xí)算法,雖然可以提取一定圖像特征,但在某些特征提取過(guò)程中容易導(dǎo)致特征丟失,且特征提取方法的泛化性較差。因此,中國(guó)繪畫的圖像分類存在諸多障礙。

    受Hubel & Wiesel對(duì)于貓視覺(jué)皮層電生理研究的啟發(fā),卷積神經(jīng)網(wǎng)絡(luò)由此誕生。Yann Lecun首次將卷積神經(jīng)網(wǎng)絡(luò)用于手寫數(shù)字識(shí)別[3-4];Krizhevsky等[5]提出經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)AlexNet,并在圖像識(shí)別任務(wù)上獲得重大突破。近年來(lái)CNN在多個(gè)領(lǐng)域發(fā)展迅速,其在解決圖像分類[6]與目標(biāo)檢測(cè)[7-8]等多方面問(wèn)題上都表現(xiàn)出色。卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是對(duì)真實(shí)生物神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真,權(quán)值共享降低了網(wǎng)絡(luò)復(fù)雜性,而圖像能夠直接輸入神經(jīng)網(wǎng)絡(luò)的特點(diǎn)可避免特征提取與分類過(guò)程中數(shù)據(jù)重建的復(fù)雜性。與傳統(tǒng)復(fù)雜的特征提取方法諸如提取邊緣、紋理等特征[9]提取方法相比,卷積神經(jīng)網(wǎng)絡(luò)顯得尤為高效。在繪畫圖像領(lǐng)域,文獻(xiàn)[10]提出一種基于混合稀疏卷積神經(jīng)網(wǎng)絡(luò)的方法,對(duì)不同風(fēng)格作者的筆觸特征進(jìn)行分析;文獻(xiàn)[11]基于水墨的色彩與色調(diào),提出一種基于風(fēng)格的水墨自動(dòng)識(shí)別方法;文獻(xiàn)[12]應(yīng)用邊緣檢測(cè)定位局部區(qū)域并檢測(cè)繪畫筆劃,以實(shí)現(xiàn)基于直方圖的特征提取及重要線索捕獲,以反映不同藝術(shù)家風(fēng)格。

    深度學(xué)習(xí)為計(jì)算機(jī)視覺(jué)領(lǐng)域的發(fā)展作出了卓越貢獻(xiàn),其中一個(gè)重要因素是激活函數(shù)的不斷創(chuàng)新。神經(jīng)網(wǎng)絡(luò)中激活函數(shù)提供了網(wǎng)絡(luò)的非線性建模能力,使神經(jīng)網(wǎng)絡(luò)具有分層的非線性映射學(xué)習(xí)能力。因此,激活函數(shù)是神經(jīng)網(wǎng)絡(luò)的重要組成部分。2006年Hinton通過(guò)采用新型激活函數(shù)ReLU,使深度網(wǎng)絡(luò)的直接監(jiān)督式訓(xùn)練成為可能,但ReLU激活函數(shù)也同時(shí)存在神經(jīng)元死亡等問(wèn)題。

    卷積神經(jīng)網(wǎng)絡(luò)在多個(gè)領(lǐng)域應(yīng)用廣泛,表現(xiàn)出極強(qiáng)的泛化性,因此本文在卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上研究圖像分類,并進(jìn)一步研究激活函數(shù)對(duì)圖像分類準(zhǔn)確率的影響,提出一種線性與非線性結(jié)合的函數(shù)作為激活函數(shù),并在中國(guó)繪畫數(shù)據(jù)集與通用數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果證明,改進(jìn)后的激活函數(shù)提高了分類性能。

    1 卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

    1.1 卷積神經(jīng)網(wǎng)絡(luò)

    卷積神經(jīng)網(wǎng)絡(luò)是一種前饋神經(jīng)網(wǎng)絡(luò),與普通神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)不同,卷積神經(jīng)網(wǎng)絡(luò)主要由卷積層與下采樣層組成特征提取器。卷積層通常包含若干特征平面,每個(gè)特征平面由若干個(gè)神經(jīng)元排列成矩形,同一特征平面上的神經(jīng)元共享權(quán)值,共享權(quán)值稱為卷積核。權(quán)值共享的優(yōu)點(diǎn)是能夠減少神經(jīng)元之間的連接數(shù)量,同時(shí)降低過(guò)擬合風(fēng)險(xiǎn);下采樣可被認(rèn)為是一種特殊的卷積過(guò)程,能夠減少計(jì)算維度,提高模型泛化能力。卷積與下采樣大大簡(jiǎn)化了模型復(fù)雜性,并減少了模型參數(shù)。卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程主要包括前向傳播和后向傳播,訓(xùn)練過(guò)程中卷積層與下采樣層交替出現(xiàn)。

    前向傳播的目的是進(jìn)行特征提取,主要由卷積操作與下采樣操作實(shí)現(xiàn)。圖像由輸入層進(jìn)入卷積層,再通過(guò)激活函數(shù)得到輸出值。

    1.2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

    本文的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示,輸入層是227[×]227的圖像,由17層組成,卷積、下采樣交替4次,后接兩層全連接層。其中第一個(gè)與第二個(gè)池化層之后接局部響應(yīng)歸一化層(Local Response Normalization,LRN)[14],其模仿生物神經(jīng)系統(tǒng)的側(cè)抑制機(jī)制,對(duì)局部神經(jīng)元的活動(dòng)創(chuàng)建競(jìng)爭(zhēng)機(jī)制,使響應(yīng)較大的值相對(duì)更大。第一個(gè)全連接層后接dropout[15],利用dropout消除或減弱神經(jīng)元節(jié)點(diǎn)間的聯(lián)合適應(yīng)性,讓一個(gè)神經(jīng)元的出現(xiàn)不依賴于另一個(gè)神經(jīng)元。每次dropout后,網(wǎng)絡(luò)模型都可看成整個(gè)網(wǎng)絡(luò)的子網(wǎng)絡(luò),相當(dāng)于實(shí)現(xiàn)了模型的平均。LRN與dropout技術(shù)同時(shí)提高了模型泛化能力。

    2 激活函數(shù)

    2.1 激活函數(shù)發(fā)展

    近年來(lái)神經(jīng)網(wǎng)絡(luò)尤其是卷積神經(jīng)網(wǎng)絡(luò)技術(shù)取得了巨大進(jìn)展,主要是由于幾個(gè)關(guān)鍵因素如卷積神經(jīng)網(wǎng)絡(luò)寬度[16]與深度[17]增加、數(shù)據(jù)集的擴(kuò)增、顯卡等高性能硬件的支持、Batch Normalization[18]層設(shè)計(jì)等,都在一定程度上提高了模型精度。其中,激活函數(shù)是卷積神經(jīng)網(wǎng)絡(luò)發(fā)展的關(guān)鍵技術(shù)。

    傳統(tǒng)神經(jīng)元模型使用的激活函數(shù)是Sigmoid,其數(shù)學(xué)形式為:[f(x)=1/(1+exp(-x))]。Sigmoid是使用范圍較廣的一類激活函數(shù),具有指數(shù)函數(shù)形狀,其在物理意義上最接近生物神經(jīng)元。此外,(0,1)的輸出還可被表示為概率,或用于輸入的歸一化,代表性的有Sigmoid交叉熵?fù)p失函數(shù)。然而,它有一個(gè)嚴(yán)重問(wèn)題即容易產(chǎn)生飽和效應(yīng),也稱為梯度彌散效應(yīng)。一般而言,Sigmoid 網(wǎng)絡(luò)在5層之內(nèi)即會(huì)產(chǎn)生梯度消失現(xiàn)象。

    TanH函數(shù)是Sigmoid函數(shù)的變形,其數(shù)學(xué)形式為:[f(x)=(1-exp(-2x))/(1+exp(-2x))]。TanH函數(shù)克服了Sigmoid函數(shù)非零均值輸出的缺點(diǎn),容錯(cuò)性好,同時(shí)延遲了飽和期,但仍未解決梯度消失問(wèn)題。

    SoftSign[19]函數(shù)類似于雙曲正切函數(shù),其數(shù)學(xué)形式為:[f(x)=x/(1+abs(x))]。SoftSign激活函數(shù)相較于雙曲正切函數(shù)具有更為平滑的漸近線,并且相比于雙曲正切函數(shù),SoftSign激活函數(shù)的激活值在網(wǎng)絡(luò)層數(shù)1~4層之內(nèi)并未過(guò)飽和。實(shí)驗(yàn)證明,SoftSign激活函數(shù)與雙曲正切函數(shù)相比,在圖片分類準(zhǔn)確率上具有更好的效果。

    ReLU函數(shù)[20]的出現(xiàn)極大地推動(dòng)了神經(jīng)網(wǎng)絡(luò)發(fā)展。ReLU是一個(gè)分段線性函數(shù),其正半軸輸入與輸出保持一致,負(fù)半軸輸入恒為零,該形式可以緩解梯度消失現(xiàn)象。但隨著訓(xùn)練的逐漸推進(jìn),落入硬飽和區(qū)輸入值的對(duì)應(yīng)權(quán)重將無(wú)法更新,由此出現(xiàn)神經(jīng)元死亡現(xiàn)象。ReLU的另一個(gè)突出問(wèn)題是輸出會(huì)出現(xiàn)偏移,即輸出均值恒大于零。因此,本文考慮綜合幾個(gè)激活函數(shù)的優(yōu)點(diǎn)對(duì)其進(jìn)行改進(jìn)。

    2.2 改進(jìn)的激活函數(shù)

    神經(jīng)網(wǎng)絡(luò)選擇激活函數(shù)時(shí),需要注意兩點(diǎn):①避免激活函數(shù)過(guò)飽和;②避免激活函數(shù)過(guò)度線性化。相比于ReLU,SoftSign函數(shù)使神經(jīng)網(wǎng)絡(luò)具有非線性特點(diǎn),能夠更好地進(jìn)行學(xué)習(xí);相比于SoftSign,ReLU函數(shù)在網(wǎng)絡(luò)訓(xùn)練過(guò)程中發(fā)揮了更大優(yōu)勢(shì),可緩解梯度消失現(xiàn)象,且收斂速度更快。結(jié)合SoftSign與ReLU函數(shù)的優(yōu)點(diǎn),構(gòu)建一個(gè)新的激活函數(shù),命名為SReLU。該激活函數(shù)定義如下:

    式中,[yi]是第i個(gè)激活函數(shù)f的輸入,當(dāng)激活函數(shù)層的輸入大于0時(shí)取ReLU函數(shù)值,反之,小于0時(shí)取雙曲正切函數(shù)值。與PReLU[21]類似,下標(biāo)c表示圖片顏色的不同通道,[ac]則表示不同顏色通道的取值,控制負(fù)半軸輸入。如果[ac=0],SReLU則退化為ReLU。與ReLU相比,SReLU具有負(fù)值,使激活的平均值更接近于0。非零均值輸出能夠加快學(xué)習(xí)速度,因?yàn)槠涮荻雀咏匀惶荻萚22]。SReLU激活函數(shù)如圖2所示。

    SReLU激活函數(shù)的參數(shù)[ac]可以進(jìn)行反向傳播,從而得到優(yōu)化,參數(shù)更新遵循鏈?zhǔn)角髮?dǎo)法則,[ac]梯度優(yōu)化公式如下:

    其中[ε]代表目標(biāo)函數(shù),[?f(yi)?ac]代表當(dāng)前層梯度。SReLU當(dāng)前層的梯度計(jì)算方式如下:

    3 實(shí)驗(yàn)結(jié)果與分析

    由于中國(guó)繪畫缺乏通用數(shù)據(jù)集,所以本文實(shí)驗(yàn)的繪畫數(shù)據(jù)集來(lái)自“紅動(dòng)中國(guó)”等網(wǎng)站,按繪畫類別將其分為花鳥、山水、人物3個(gè)類別,每類樣本各800幅,訓(xùn)練數(shù)據(jù)700幅,測(cè)試數(shù)據(jù)100幅。

    3.1 激活函數(shù)實(shí)驗(yàn)對(duì)比

    將本文激活函數(shù)SReLU分別與TanH、SoftSign、ReLU、Leak ReLu 4種激活函數(shù)進(jìn)行對(duì)比。其中,本文實(shí)驗(yàn)中將激活函數(shù)負(fù)半軸參數(shù)[ac]的值初始化為1時(shí)可取得最佳效果,Leak ReLu的負(fù)半軸系數(shù)也根據(jù)經(jīng)驗(yàn)初始化為1。實(shí)驗(yàn)結(jié)果如表1所示。

    由表1可以看出,TanH激活函數(shù)的準(zhǔn)確率最低,SoftSign激活函數(shù)的實(shí)驗(yàn)結(jié)果優(yōu)于TanH,ReLU激活函數(shù)具有較高準(zhǔn)確率,Leak ReLu激活函數(shù)略高于ReLu,而本文激活函數(shù)SReLU取得了最高的準(zhǔn)確率95.67%,相比于ReLU函數(shù)提高了2%,從而證明了本文激活函數(shù)應(yīng)用于中國(guó)繪畫數(shù)據(jù)集的有效性。

    值得注意的是,在相同模型參數(shù)下,Sigmoid激活函數(shù)對(duì)中國(guó)繪畫數(shù)據(jù)集的分類效果很差,所以本實(shí)驗(yàn)未將Sigmoid函數(shù)的實(shí)驗(yàn)結(jié)果考慮在內(nèi)。

    3.2 通用數(shù)據(jù)集實(shí)驗(yàn)比較

    為驗(yàn)證本文激活函數(shù)不僅在中國(guó)繪畫數(shù)據(jù)集分類上具有一定優(yōu)勢(shì),在其它數(shù)據(jù)集上依然具有可行性,所以將本文提出的激活函數(shù)應(yīng)用于其它通用數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)的通用數(shù)據(jù)集來(lái)源于牛津大學(xué)的Visual Geometry Group,本文選擇其中5類圖像進(jìn)行實(shí)驗(yàn),分別為寵物、花、飛機(jī)、房子與吉他,每類訓(xùn)練數(shù)據(jù)800幅,測(cè)試數(shù)據(jù)200幅。實(shí)驗(yàn)結(jié)果如表2所示。

    由表2可以看出,本文激活函數(shù)在通用數(shù)據(jù)集上的效果明顯優(yōu)于TanH和SoftSign激活函數(shù),同時(shí)相比于ReLU激活函數(shù),準(zhǔn)確率也提高了1.4%,而在本次實(shí)驗(yàn)中,Leak ReLu并未顯示出相較于ReLU的優(yōu)勢(shì)。由此可進(jìn)一步證明本文提出激活函數(shù)的有效性,且該激活函數(shù)具有一定泛化性。

    4 結(jié)語(yǔ)

    深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域一個(gè)全新的發(fā)展方向,并廣泛應(yīng)用于多個(gè)領(lǐng)域。本文利用卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)提取中國(guó)繪畫特征并對(duì)其進(jìn)行分類,取得了較高準(zhǔn)確率。激活函數(shù)為卷積神經(jīng)網(wǎng)絡(luò)模型帶來(lái)了非線性因素,增強(qiáng)了模型表達(dá)能力。本文提出一種改進(jìn)的激活函數(shù),綜合考慮了激活函數(shù)非線性與梯度彌散改善問(wèn)題,以及激活函數(shù)參數(shù)在圖像不同顏色通道上的初始化及參數(shù)更新問(wèn)題,分別在中國(guó)繪畫數(shù)據(jù)集和通用數(shù)據(jù)集上與改進(jìn)前的激活函數(shù)進(jìn)行實(shí)驗(yàn)對(duì)比,結(jié)果表明卷積神經(jīng)網(wǎng)絡(luò)的圖像分類準(zhǔn)確率得到了相應(yīng)提高。

    參考文獻(xiàn):

    [1] 高峰, 聶婕, 黃磊,等. 基于表現(xiàn)手法的國(guó)畫分類方法研究[J]. 計(jì)算機(jī)學(xué)報(bào), 2017, 40(12): 2871-2882.

    [2] 鮑泓. 基于視覺(jué)感知的中國(guó)畫圖像語(yǔ)義自動(dòng)分類研究[D]. 北京:北京交通大學(xué),2012.

    [3] LECUN L,BOTTOU L,BENGIO Y,et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE,1998,86(11):2278-2324.

    [4] 趙志宏,楊紹普,馬增強(qiáng). 基于卷積神經(jīng)網(wǎng)絡(luò)LeNet-5的車牌字符識(shí)別研究[J]. 系統(tǒng)仿真學(xué)報(bào),2010,22(3):638-641.

    [5] KRIZHEVSKY A, SUTSKEVER I, HINTON G E. ImageNet classification with deep convolutional neural networks[C]. International Conference on Neural Information Processing Systems. Curran Associates Inc. 2012:1097-1105.

    [6] XIAO T, XU Y, YANG K, et al. The application of two-level attention models in deep convolutional neural network for finegrained image classification[C]. IEEE Conference on Computer Vision and Pattern Recognition. Columbus:IEEE CVPR, 2014:842-850.

    [7] HE K, ZHANG X, REN S, et al. Spatial pyramid pooling in deep convolutional networks for visual recognition[J]. IEEE Transactions on Pattern Analysis&Machine Intelligence,2014,37(9):1904-1916.

    [8] GIRSHICK R, DONAHUE J, DARRELL T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C].IEEE Conference on Computer Vision and Pattern Recognition,2014:580-587.

    [9] LIU C, JIANG H. Classification of traditional Chinese paintings based on supervised learning methods[C]. IEEE International Conference on Signal Processing,Communications and Computing,2014:641- 644.

    [10] SUN M J,ZHANG D,REN J C,et al. Brushstroke based sparse hybrid convolutional neural networks for author classification of Chinese ink-wash paintings[C]. IEEE International Conference on Image Processing,2015:626-630.

    [11] SHENG J C. An effective approach to identify digitized IWPs (ink and wash paintings)[C]. International Congress on Image and Signal Processing, 2013:407-410.

    [12] SHENG J, JIANG J. Style-based classification of Chinese ink and wash paintings[J]. Optical Engineering, 2013, 52(9): 093101.

    [13] 高學(xué),王有旺. 基于CNN和隨機(jī)彈性形變的相似手寫漢字識(shí)別[J]. 華南理工大學(xué)學(xué)報(bào):自然科學(xué)版, 2014 (1) :72-76.

    [14] KRIZHEVSKY A, SUTSKEVER I, HINTON G E. ImageNet classification with deep convolutional neural networks[C]. International Conference on Neural Information Processing Systems,2012:1097-1105.

    [15] KRIZHEVSKY A,SUTSKEVER I,HINTON G E. ImageNet classification with deep convolutional neural networks[J]. Advances in Neural Information Processing Systems,2012,25(2):1097-1105.

    [16] SZEGEDY C,LIU W,JIA Y Q, et al. Going deeper with convolutions[C]. IEEE Conference on Computer Vision and Pattern Recognition, 2015:1-9.

    [17] SIMONYAN K, ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[EB/OL]. http://papers.nips.cc/paper/8424-imagenet-classification-with-deep-convolutional-neural-netwonet.pdf,2014.

    [18] IOFFE S,SZEGEDY C. Batch normalization: accelerating deep network training by reducing internal covariate shift[C]. Proceedings of the 32 nd International Conference on Machine Learning,2015:448-456.

    [19] GLOROT X, BENGIO Y. Understanding the difficulty of training deep feedforward neural networks[C]. International conference on artificial intelligence and statistics,2010:249-256.

    [20] NAIR V, HINTON G E. Rectified linear units improve restricted boltzmann machines[C]. Proceedings of the 27th International Conference on Machine Learning (ICML-10),2010:807-814.

    [21] HE K, ZHANG X, REN S, et al. Delving deep into rectifiers: surpassing humanlevel performance on ImageNet classification[C]. The IEEE International Conference on Computer Vision (ICCV). 2015:1026-1034.

    [22] CLEVERT D A,UNTERTHINER T,HOCHREITER S. Fast and accurate deep network learning by exponential linear units (ELUs)[DB/OL]. arXiv:1511.07289, 2015.

    (責(zé)任編輯:黃 ?。?/p>

    猜你喜歡
    圖像分類卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)
    基于云計(jì)算的圖像分類算法
    基于深度卷積神經(jīng)網(wǎng)絡(luò)的物體識(shí)別算法
    基于錨點(diǎn)建圖的半監(jiān)督分類在遙感圖像中的應(yīng)用
    MOOC與翻轉(zhuǎn)課堂融合的深度學(xué)習(xí)場(chǎng)域建構(gòu)
    大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    一種基于引導(dǎo)濾波和MNF的高光譜遙感圖像分類方法
    基于深度卷積網(wǎng)絡(luò)的人臉年齡分析算法與實(shí)現(xiàn)
    軟件工程(2016年8期)2016-10-25 15:47:34
    基于最大似然法的南京市土地利用類型分類研究
    商(2016年22期)2016-07-08 14:32:30
    基于卷積神經(jīng)網(wǎng)絡(luò)的樹(shù)葉識(shí)別的算法的研究
    一级作爱视频免费观看| 日本黄色视频三级网站网址| 日韩欧美国产一区二区入口| 他把我摸到了高潮在线观看| 嫩草影院精品99| 国产成人影院久久av| 女人被狂操c到高潮| 亚洲av中文字字幕乱码综合 | 亚洲av熟女| 无人区码免费观看不卡| 色综合婷婷激情| 999精品在线视频| 免费av毛片视频| 国产高清有码在线观看视频 | 十分钟在线观看高清视频www| 黄色毛片三级朝国网站| 每晚都被弄得嗷嗷叫到高潮| 一二三四社区在线视频社区8| 夜夜爽天天搞| 可以免费在线观看a视频的电影网站| 中文字幕高清在线视频| 老汉色∧v一级毛片| 国产私拍福利视频在线观看| 又大又爽又粗| 亚洲在线自拍视频| 黄色 视频免费看| 久久天堂一区二区三区四区| 亚洲国产欧美一区二区综合| 国产激情久久老熟女| 欧美 亚洲 国产 日韩一| 午夜福利在线在线| 国产精品av久久久久免费| 国产极品粉嫩免费观看在线| 脱女人内裤的视频| 国产成人欧美| 免费高清视频大片| 1024手机看黄色片| 精品久久久久久久久久久久久 | 他把我摸到了高潮在线观看| 18美女黄网站色大片免费观看| 熟女少妇亚洲综合色aaa.| 搞女人的毛片| 中文字幕人成人乱码亚洲影| cao死你这个sao货| 久久午夜综合久久蜜桃| 亚洲五月色婷婷综合| 国产主播在线观看一区二区| 久久亚洲真实| 91大片在线观看| 国产精品免费视频内射| 亚洲久久久国产精品| 嫁个100分男人电影在线观看| 黄色丝袜av网址大全| av免费在线观看网站| 美女免费视频网站| av视频在线观看入口| 桃色一区二区三区在线观看| 国产免费男女视频| 国产主播在线观看一区二区| 免费看十八禁软件| 精品久久久久久久久久免费视频| 亚洲精品中文字幕在线视频| 久久久水蜜桃国产精品网| 亚洲色图 男人天堂 中文字幕| 日本在线视频免费播放| 黄片播放在线免费| 91九色精品人成在线观看| 亚洲成人免费电影在线观看| 精品人妻1区二区| 色综合亚洲欧美另类图片| 国产一区二区在线av高清观看| 叶爱在线成人免费视频播放| 欧美在线一区亚洲| 国内精品久久久久久久电影| 黄色丝袜av网址大全| 中文资源天堂在线| 亚洲一区二区三区色噜噜| 午夜福利一区二区在线看| 亚洲中文av在线| 亚洲精品中文字幕一二三四区| 成人手机av| 特大巨黑吊av在线直播 | av欧美777| www.999成人在线观看| 18禁国产床啪视频网站| 国产伦一二天堂av在线观看| 91在线观看av| 日韩国内少妇激情av| 在线观看免费视频日本深夜| 一区二区三区高清视频在线| 国产不卡一卡二| 美女高潮喷水抽搐中文字幕| 99国产综合亚洲精品| 免费搜索国产男女视频| 亚洲色图 男人天堂 中文字幕| 狂野欧美激情性xxxx| 国产成人av激情在线播放| 亚洲国产日韩欧美精品在线观看 | 人妻丰满熟妇av一区二区三区| 国产1区2区3区精品| 中文资源天堂在线| 国产精品亚洲av一区麻豆| 精品久久久久久成人av| 脱女人内裤的视频| 国产乱人伦免费视频| 亚洲全国av大片| 精华霜和精华液先用哪个| 亚洲男人天堂网一区| а√天堂www在线а√下载| 久久午夜亚洲精品久久| 欧美成人免费av一区二区三区| 美国免费a级毛片| 伊人久久大香线蕉亚洲五| 日韩欧美一区二区三区在线观看| 国产一区二区三区在线臀色熟女| 两性夫妻黄色片| 桃色一区二区三区在线观看| 精品一区二区三区四区五区乱码| 久9热在线精品视频| 中文在线观看免费www的网站 | 色av中文字幕| 国产片内射在线| 免费观看精品视频网站| 99国产精品99久久久久| 亚洲色图av天堂| 日韩中文字幕欧美一区二区| 国产精品香港三级国产av潘金莲| 国产亚洲欧美在线一区二区| 少妇裸体淫交视频免费看高清 | 亚洲精品美女久久久久99蜜臀| 精品久久久久久久毛片微露脸| 高清毛片免费观看视频网站| 亚洲成国产人片在线观看| 九色国产91popny在线| 女人爽到高潮嗷嗷叫在线视频| 侵犯人妻中文字幕一二三四区| 婷婷六月久久综合丁香| 真人一进一出gif抽搐免费| 国产精品野战在线观看| 精品久久久久久,| 男女视频在线观看网站免费 | 成人国产综合亚洲| 99在线人妻在线中文字幕| 久久久精品国产亚洲av高清涩受| 亚洲国产精品合色在线| 男女床上黄色一级片免费看| 国产麻豆成人av免费视频| 一本综合久久免费| avwww免费| 久久久精品欧美日韩精品| 日本撒尿小便嘘嘘汇集6| 国产精品 欧美亚洲| 一进一出抽搐动态| 黄色视频不卡| 天堂√8在线中文| 久久中文字幕一级| 午夜亚洲福利在线播放| 在线观看午夜福利视频| 老司机午夜福利在线观看视频| 亚洲自偷自拍图片 自拍| 天天躁夜夜躁狠狠躁躁| 日本 av在线| 极品教师在线免费播放| 亚洲一卡2卡3卡4卡5卡精品中文| 99热这里只有精品一区 | 最好的美女福利视频网| 深夜精品福利| 麻豆av在线久日| 人妻丰满熟妇av一区二区三区| 男女午夜视频在线观看| 香蕉国产在线看| 亚洲一区二区三区不卡视频| 桃红色精品国产亚洲av| 国产亚洲欧美精品永久| 在线av久久热| 亚洲精品中文字幕一二三四区| 中亚洲国语对白在线视频| 亚洲成a人片在线一区二区| 欧美久久黑人一区二区| 国产精品国产高清国产av| 伊人久久大香线蕉亚洲五| 欧美黑人欧美精品刺激| 久久天躁狠狠躁夜夜2o2o| 成人国语在线视频| 看黄色毛片网站| 欧美成人午夜精品| 日韩 欧美 亚洲 中文字幕| 亚洲性夜色夜夜综合| 一本一本综合久久| 精品第一国产精品| 亚洲美女黄片视频| 亚洲成人久久爱视频| 在线十欧美十亚洲十日本专区| 午夜免费观看网址| 亚洲欧美精品综合久久99| 国产99白浆流出| 国内毛片毛片毛片毛片毛片| 男人舔女人下体高潮全视频| 好男人在线观看高清免费视频 | 亚洲精品国产精品久久久不卡| 中出人妻视频一区二区| 欧美一区二区精品小视频在线| 成人午夜高清在线视频 | 亚洲国产欧洲综合997久久, | 自线自在国产av| 欧美zozozo另类| 两个人看的免费小视频| 波多野结衣av一区二区av| 亚洲av日韩精品久久久久久密| 亚洲一区高清亚洲精品| 国产精品一区二区精品视频观看| 久久婷婷人人爽人人干人人爱| 操出白浆在线播放| 国产亚洲精品久久久久久毛片| 国产av不卡久久| 老司机福利观看| 亚洲精品国产区一区二| 欧美黑人巨大hd| 中文字幕av电影在线播放| 国产精品香港三级国产av潘金莲| 无人区码免费观看不卡| 亚洲中文字幕日韩| 最近最新中文字幕大全免费视频| 中文字幕高清在线视频| 亚洲,欧美精品.| 亚洲一区高清亚洲精品| 亚洲精品国产区一区二| 满18在线观看网站| 在线观看舔阴道视频| 午夜免费观看网址| 国产精品亚洲av一区麻豆| 妹子高潮喷水视频| 免费人成视频x8x8入口观看| 亚洲av成人一区二区三| 亚洲精品美女久久av网站| 精品日产1卡2卡| 99久久久亚洲精品蜜臀av| 最近最新中文字幕大全免费视频| 亚洲国产欧美网| 精品国产美女av久久久久小说| 日韩欧美在线二视频| 白带黄色成豆腐渣| 免费看美女性在线毛片视频| 久久青草综合色| av欧美777| 人人妻人人澡人人看| 一级黄色大片毛片| 丝袜美腿诱惑在线| 校园春色视频在线观看| 欧美精品亚洲一区二区| 婷婷六月久久综合丁香| www.www免费av| 亚洲在线自拍视频| 麻豆一二三区av精品| 欧美日韩瑟瑟在线播放| 国产亚洲精品第一综合不卡| 俄罗斯特黄特色一大片| 国产97色在线日韩免费| 亚洲中文日韩欧美视频| 国产午夜福利久久久久久| 在线永久观看黄色视频| 久久中文字幕一级| xxxwww97欧美| 黄色毛片三级朝国网站| 伊人久久大香线蕉亚洲五| 国产精品日韩av在线免费观看| 在线观看免费午夜福利视频| 丁香六月欧美| www.自偷自拍.com| 久久久精品欧美日韩精品| 国内精品久久久久久久电影| 久久久久免费精品人妻一区二区 | 18禁裸乳无遮挡免费网站照片 | 久久久久久久午夜电影| 国内精品久久久久精免费| 一区福利在线观看| 欧美成人免费av一区二区三区| 嫩草影视91久久| 嫁个100分男人电影在线观看| netflix在线观看网站| 亚洲国产精品sss在线观看| 亚洲国产看品久久| 精品国产亚洲在线| 男女做爰动态图高潮gif福利片| 亚洲精品中文字幕一二三四区| 午夜福利成人在线免费观看| 又黄又爽又免费观看的视频| 久久精品国产亚洲av香蕉五月| 18美女黄网站色大片免费观看| 亚洲第一欧美日韩一区二区三区| 亚洲一区中文字幕在线| 男人舔女人下体高潮全视频| 丝袜人妻中文字幕| 亚洲在线自拍视频| 日韩精品青青久久久久久| 日韩视频一区二区在线观看| 在线av久久热| 欧美日韩精品网址| 免费在线观看完整版高清| 久久午夜亚洲精品久久| 久久精品国产综合久久久| 午夜福利欧美成人| 桃色一区二区三区在线观看| 久久久久亚洲av毛片大全| 后天国语完整版免费观看| 777久久人妻少妇嫩草av网站| 香蕉丝袜av| 热re99久久国产66热| 88av欧美| 高清在线国产一区| 99久久久亚洲精品蜜臀av| 国产精品久久久久久亚洲av鲁大| 欧美亚洲日本最大视频资源| 99在线人妻在线中文字幕| 非洲黑人性xxxx精品又粗又长| 亚洲专区国产一区二区| 中国美女看黄片| 亚洲午夜精品一区,二区,三区| 中文字幕另类日韩欧美亚洲嫩草| 国产亚洲精品一区二区www| 琪琪午夜伦伦电影理论片6080| 国产在线精品亚洲第一网站| 国产私拍福利视频在线观看| 最新美女视频免费是黄的| 久热这里只有精品99| www国产在线视频色| 人人妻,人人澡人人爽秒播| 一级作爱视频免费观看| 国内少妇人妻偷人精品xxx网站 | 深夜精品福利| 法律面前人人平等表现在哪些方面| 村上凉子中文字幕在线| 热99re8久久精品国产| 国产精品国产高清国产av| 亚洲精品国产精品久久久不卡| 午夜免费鲁丝| 亚洲男人天堂网一区| 日韩欧美国产在线观看| 免费在线观看完整版高清| 亚洲天堂国产精品一区在线| 国产精品免费一区二区三区在线| 在线天堂中文资源库| 中文字幕最新亚洲高清| 久久中文看片网| 丰满人妻熟妇乱又伦精品不卡| 一a级毛片在线观看| 久久草成人影院| 亚洲美女黄片视频| 国产v大片淫在线免费观看| 国产亚洲精品第一综合不卡| 久久精品国产99精品国产亚洲性色| 男女午夜视频在线观看| 久久精品国产99精品国产亚洲性色| 国产亚洲精品第一综合不卡| 国产成人欧美在线观看| 午夜福利欧美成人| 色综合欧美亚洲国产小说| 搡老岳熟女国产| 亚洲成国产人片在线观看| 亚洲美女黄片视频| 99久久综合精品五月天人人| 一区福利在线观看| 国产高清videossex| 久久99热这里只有精品18| 欧美中文综合在线视频| 久久精品夜夜夜夜夜久久蜜豆 | 50天的宝宝边吃奶边哭怎么回事| АⅤ资源中文在线天堂| 一级毛片精品| 亚洲av电影在线进入| 精品卡一卡二卡四卡免费| 淫秽高清视频在线观看| 亚洲专区字幕在线| 精品久久久久久久毛片微露脸| 色播在线永久视频| 99国产综合亚洲精品| 中文资源天堂在线| 狠狠狠狠99中文字幕| 亚洲国产精品合色在线| 中亚洲国语对白在线视频| 一级黄色大片毛片| 午夜精品在线福利| 18禁观看日本| aaaaa片日本免费| 人人妻人人澡欧美一区二区| 亚洲成国产人片在线观看| 国产在线观看jvid| 久久伊人香网站| 免费av毛片视频| 黄色丝袜av网址大全| 国产私拍福利视频在线观看| 国内精品久久久久精免费| 十八禁网站免费在线| 99精品在免费线老司机午夜| 免费高清在线观看日韩| 欧美国产精品va在线观看不卡| 大型av网站在线播放| 国产精品99久久99久久久不卡| 最近最新免费中文字幕在线| 亚洲精品在线美女| 亚洲成人久久爱视频| 日韩欧美国产一区二区入口| 精品久久蜜臀av无| 国产av一区二区精品久久| 级片在线观看| 啦啦啦 在线观看视频| 男男h啪啪无遮挡| 亚洲性夜色夜夜综合| 99国产精品一区二区三区| 久久久久久久精品吃奶| 一边摸一边做爽爽视频免费| 国产真实乱freesex| 精品电影一区二区在线| 两人在一起打扑克的视频| 日韩成人在线观看一区二区三区| 午夜久久久在线观看| 国产精品久久久人人做人人爽| 最近最新中文字幕大全电影3 | √禁漫天堂资源中文www| 欧美午夜高清在线| 国产精品电影一区二区三区| 俄罗斯特黄特色一大片| 亚洲av五月六月丁香网| 久久久久九九精品影院| 亚洲专区中文字幕在线| 久久久久久亚洲精品国产蜜桃av| 午夜a级毛片| 中文在线观看免费www的网站 | 日韩有码中文字幕| 男女午夜视频在线观看| www.精华液| 国产精品免费一区二区三区在线| 国产激情偷乱视频一区二区| 欧美日韩亚洲综合一区二区三区_| 欧美 亚洲 国产 日韩一| 一级毛片女人18水好多| 国产一区二区激情短视频| 欧美中文综合在线视频| 天天躁夜夜躁狠狠躁躁| 久久精品91无色码中文字幕| 韩国av一区二区三区四区| 免费在线观看完整版高清| 国产精品久久电影中文字幕| 亚洲成人精品中文字幕电影| 免费在线观看黄色视频的| 亚洲电影在线观看av| 国产精品久久久久久人妻精品电影| 亚洲午夜理论影院| 哪里可以看免费的av片| 最近最新中文字幕大全电影3 | 亚洲精品国产精品久久久不卡| 九色国产91popny在线| 久久精品aⅴ一区二区三区四区| 久久草成人影院| 亚洲精品一区av在线观看| 国产精品美女特级片免费视频播放器 | 国产亚洲av高清不卡| 制服诱惑二区| 99国产极品粉嫩在线观看| 成人三级做爰电影| 深夜精品福利| 搡老熟女国产l中国老女人| 国产成人精品久久二区二区91| 精品少妇一区二区三区视频日本电影| 久久久久久久精品吃奶| 久久香蕉精品热| 久99久视频精品免费| 2021天堂中文幕一二区在线观 | 中文字幕人妻丝袜一区二区| 在线国产一区二区在线| 午夜亚洲福利在线播放| 久久香蕉精品热| 久99久视频精品免费| 在线视频色国产色| 最新美女视频免费是黄的| 色综合站精品国产| 岛国在线观看网站| 黄片大片在线免费观看| 国产精品影院久久| 日本在线视频免费播放| 久久香蕉国产精品| 色婷婷久久久亚洲欧美| 午夜福利视频1000在线观看| 日韩欧美国产一区二区入口| 久久久久国产一级毛片高清牌| 丰满的人妻完整版| 国产精品野战在线观看| 国产成人精品久久二区二区91| 精品国产亚洲在线| 国产亚洲欧美98| 两个人免费观看高清视频| 精品国产乱子伦一区二区三区| 国产精品自产拍在线观看55亚洲| 久热爱精品视频在线9| 欧美日韩福利视频一区二区| 国产一区在线观看成人免费| 人人澡人人妻人| 欧美性猛交╳xxx乱大交人| 国产精品99久久99久久久不卡| 一本久久中文字幕| 此物有八面人人有两片| svipshipincom国产片| 99在线人妻在线中文字幕| 老司机深夜福利视频在线观看| 国产成人影院久久av| 伊人久久大香线蕉亚洲五| 欧美另类亚洲清纯唯美| 19禁男女啪啪无遮挡网站| 天天一区二区日本电影三级| 制服诱惑二区| 18禁黄网站禁片免费观看直播| 两个人看的免费小视频| 精品国产乱码久久久久久男人| 在线观看免费视频日本深夜| aaaaa片日本免费| 两个人免费观看高清视频| 中文字幕av电影在线播放| 满18在线观看网站| 一区二区三区高清视频在线| 国产亚洲欧美精品永久| 老汉色av国产亚洲站长工具| 天天一区二区日本电影三级| 1024手机看黄色片| 美女大奶头视频| 最近最新中文字幕大全电影3 | 午夜免费鲁丝| 国产高清有码在线观看视频 | 无遮挡黄片免费观看| 天堂影院成人在线观看| 成在线人永久免费视频| 亚洲五月色婷婷综合| 亚洲欧美激情综合另类| 宅男免费午夜| 国产成+人综合+亚洲专区| 久久久久九九精品影院| 久久人人精品亚洲av| 一本精品99久久精品77| 国产精品精品国产色婷婷| 又紧又爽又黄一区二区| 国产视频内射| 88av欧美| 757午夜福利合集在线观看| 久9热在线精品视频| 日韩 欧美 亚洲 中文字幕| 国产精品电影一区二区三区| 人成视频在线观看免费观看| 久久久久久人人人人人| 首页视频小说图片口味搜索| 巨乳人妻的诱惑在线观看| 亚洲avbb在线观看| 亚洲第一av免费看| 成人三级做爰电影| 久久久国产欧美日韩av| 亚洲国产中文字幕在线视频| 他把我摸到了高潮在线观看| 亚洲第一电影网av| 亚洲第一青青草原| 国产aⅴ精品一区二区三区波| 1024香蕉在线观看| 久久热在线av| 老汉色av国产亚洲站长工具| 日日爽夜夜爽网站| 成在线人永久免费视频| 免费在线观看视频国产中文字幕亚洲| 亚洲aⅴ乱码一区二区在线播放 | 日韩中文字幕欧美一区二区| 麻豆成人午夜福利视频| www.自偷自拍.com| 久久草成人影院| 黄色女人牲交| 九色国产91popny在线| 国产黄a三级三级三级人| 色综合婷婷激情| 性色av乱码一区二区三区2| 亚洲精品一卡2卡三卡4卡5卡| 久久性视频一级片| 大型黄色视频在线免费观看| 国产视频内射| 午夜a级毛片| 欧美久久黑人一区二区| av有码第一页| 国产精品亚洲美女久久久| cao死你这个sao货| 欧美又色又爽又黄视频| 九色国产91popny在线| 狠狠狠狠99中文字幕| 久久精品人妻少妇| 正在播放国产对白刺激| 制服丝袜大香蕉在线| 999精品在线视频| 法律面前人人平等表现在哪些方面| 淫秽高清视频在线观看| 在线观看www视频免费| 校园春色视频在线观看| 亚洲狠狠婷婷综合久久图片| 亚洲 欧美 日韩 在线 免费| 午夜福利成人在线免费观看| 亚洲av电影在线进入| 精品一区二区三区视频在线观看免费| 91麻豆av在线| 欧美性猛交黑人性爽| 欧美三级亚洲精品| 亚洲av电影不卡..在线观看| 亚洲狠狠婷婷综合久久图片| 色哟哟哟哟哟哟| 国产精品 欧美亚洲| 日韩欧美免费精品| 999久久久国产精品视频| 黄色丝袜av网址大全| 18禁美女被吸乳视频| 18禁观看日本| xxx96com| 欧美黑人巨大hd| 亚洲美女黄片视频| 日日摸夜夜添夜夜添小说|