• <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
    精品国内亚洲2022精品成人| 免费看a级黄色片| 国产亚洲精品久久久久久毛片| 亚洲成av人片在线播放无| 欧美最黄视频在线播放免费| 亚洲图色成人| 亚洲欧美精品综合久久99| 97超级碰碰碰精品色视频在线观看| 简卡轻食公司| 99在线视频只有这里精品首页| 一区二区三区免费毛片| 久久韩国三级中文字幕| 69av精品久久久久久| 在线观看美女被高潮喷水网站| 中文字幕熟女人妻在线| 狂野欧美激情性xxxx在线观看| 久久人人爽人人爽人人片va| 亚洲18禁久久av| 久久中文看片网| 国产蜜桃级精品一区二区三区| 五月伊人婷婷丁香| 国产 一区精品| av天堂在线播放| 国产三级中文精品| 91午夜精品亚洲一区二区三区| 国产女主播在线喷水免费视频网站 | 99在线人妻在线中文字幕| 国产精品人妻久久久影院| 国产成人影院久久av| 午夜亚洲福利在线播放| 亚洲七黄色美女视频| 偷拍熟女少妇极品色| 18禁在线播放成人免费| 国产精品精品国产色婷婷| 狂野欧美激情性xxxx在线观看| 亚洲精品国产成人久久av| 国产一区二区激情短视频| 亚洲av成人av| 免费高清视频大片| 亚州av有码| 国产精品一及| 久久久成人免费电影| 久久这里只有精品中国| 亚洲欧美成人综合另类久久久 | 国产中年淑女户外野战色| 亚洲欧美中文字幕日韩二区| 国产亚洲精品久久久com| 禁无遮挡网站| 给我免费播放毛片高清在线观看| 97热精品久久久久久| 性色avwww在线观看| 国模一区二区三区四区视频| 久久天躁狠狠躁夜夜2o2o| 卡戴珊不雅视频在线播放| 一个人观看的视频www高清免费观看| 亚洲欧美日韩卡通动漫| а√天堂www在线а√下载| 日本a在线网址| 女人十人毛片免费观看3o分钟| 日本免费a在线| 精品免费久久久久久久清纯| 91在线精品国自产拍蜜月| 成人午夜高清在线视频| 夜夜爽天天搞| 99riav亚洲国产免费| 日韩亚洲欧美综合| 国产真实乱freesex| 少妇人妻精品综合一区二区 | 免费人成在线观看视频色| 色av中文字幕| 久久精品国产99精品国产亚洲性色| 在线看三级毛片| 中文字幕精品亚洲无线码一区| 99热6这里只有精品| 桃色一区二区三区在线观看| 欧美中文日本在线观看视频| 久久草成人影院| 校园春色视频在线观看| 国产av一区在线观看免费| 国产大屁股一区二区在线视频| 精品人妻一区二区三区麻豆 | 99久久九九国产精品国产免费| 亚洲av五月六月丁香网| 人人妻人人澡人人爽人人夜夜 | 中文在线观看免费www的网站| 国产大屁股一区二区在线视频| 国产色婷婷99| 日韩一区二区视频免费看| 午夜免费男女啪啪视频观看 | 国产精品三级大全| 成人漫画全彩无遮挡| 搡老妇女老女人老熟妇| 欧美成人一区二区免费高清观看| 男女视频在线观看网站免费| 18禁裸乳无遮挡免费网站照片| 99久国产av精品国产电影| 乱系列少妇在线播放| 欧美色欧美亚洲另类二区| 99久国产av精品| 亚洲图色成人| 淫妇啪啪啪对白视频| 久久久欧美国产精品| 国产成人freesex在线 | 18禁在线播放成人免费| av视频在线观看入口| 在线观看午夜福利视频| 亚洲av免费高清在线观看| 久久人人爽人人片av| 成人亚洲精品av一区二区| av在线老鸭窝| 国产av麻豆久久久久久久| 97超碰精品成人国产| 日韩精品中文字幕看吧| 国产熟女欧美一区二区| ponron亚洲| 久久国产乱子免费精品| 高清日韩中文字幕在线| 天堂√8在线中文| 久久久精品94久久精品| 一区二区三区四区激情视频 | 搡老妇女老女人老熟妇| 亚洲婷婷狠狠爱综合网| 国产片特级美女逼逼视频| 国产成人aa在线观看| 日本黄色片子视频| 九九爱精品视频在线观看| 久久人妻av系列| 免费人成在线观看视频色| 欧美日韩国产亚洲二区| 国产黄片美女视频| 日本-黄色视频高清免费观看| 男女啪啪激烈高潮av片| 精品久久久久久久久亚洲| 亚洲一级一片aⅴ在线观看| 成人特级av手机在线观看| 一个人免费在线观看电影| 久久久久九九精品影院| 少妇人妻精品综合一区二区 | 欧美日韩乱码在线| 日韩高清综合在线| 亚洲国产精品成人久久小说 | 美女 人体艺术 gogo| 干丝袜人妻中文字幕| 午夜精品国产一区二区电影 | 女同久久另类99精品国产91| 在线观看av片永久免费下载| 日本与韩国留学比较| 免费av毛片视频| 综合色av麻豆| 亚洲精品影视一区二区三区av| 精品欧美国产一区二区三| 国产日本99.免费观看| 中文字幕免费在线视频6| 国产精品电影一区二区三区| 精品少妇黑人巨大在线播放 | 麻豆成人午夜福利视频| 欧美丝袜亚洲另类| 内地一区二区视频在线| 亚洲欧美日韩高清在线视频| 国产精品99久久久久久久久| 高清午夜精品一区二区三区 | 欧美激情国产日韩精品一区| 你懂的网址亚洲精品在线观看 | 简卡轻食公司| 亚洲av电影不卡..在线观看| 啦啦啦韩国在线观看视频| 亚洲经典国产精华液单| 人妻夜夜爽99麻豆av| 国内揄拍国产精品人妻在线| 亚洲国产欧洲综合997久久,| 欧美性感艳星| 老司机影院成人| 女的被弄到高潮叫床怎么办| 精品一区二区三区av网在线观看| 亚洲性久久影院| 成人特级黄色片久久久久久久| 日韩欧美精品v在线| 国产私拍福利视频在线观看| 舔av片在线| 久久午夜福利片| 精品无人区乱码1区二区| 亚洲久久久久久中文字幕| 亚洲av成人精品一区久久| 内射极品少妇av片p| 我的老师免费观看完整版| 亚洲美女黄片视频| 色综合亚洲欧美另类图片| 乱人视频在线观看| 久久久久国内视频| 99热全是精品| 亚洲在线自拍视频| 日韩,欧美,国产一区二区三区 | 日韩高清综合在线| 韩国av在线不卡| 中文在线观看免费www的网站| 伦精品一区二区三区| 九九在线视频观看精品| 亚洲国产精品sss在线观看| 国产高清视频在线观看网站| 一个人观看的视频www高清免费观看| 麻豆成人午夜福利视频| 日本三级黄在线观看| 亚洲人成网站在线观看播放| 欧美区成人在线视频| 村上凉子中文字幕在线| 国产欧美日韩精品亚洲av| 夜夜爽天天搞| 97超级碰碰碰精品色视频在线观看| 亚洲三级黄色毛片| 日本熟妇午夜| 日本五十路高清| 亚洲自偷自拍三级| 免费人成视频x8x8入口观看| 一进一出抽搐动态| 中文字幕人妻熟人妻熟丝袜美| 欧美日韩国产亚洲二区| 国产女主播在线喷水免费视频网站 | 日韩大尺度精品在线看网址| 亚洲av五月六月丁香网| 国产三级中文精品| 天堂动漫精品| 少妇猛男粗大的猛烈进出视频 | 村上凉子中文字幕在线| 变态另类丝袜制服| 99riav亚洲国产免费| 免费看日本二区| 真人做人爱边吃奶动态| 寂寞人妻少妇视频99o| 最新中文字幕久久久久| 最近视频中文字幕2019在线8| 在现免费观看毛片| 久久久久久久久久久丰满| 特级一级黄色大片| 亚洲激情五月婷婷啪啪| 少妇的逼好多水| 午夜福利视频1000在线观看| 久久久国产成人精品二区| 亚洲av中文字字幕乱码综合| 国产熟女欧美一区二区| 免费在线观看影片大全网站| 国产一区二区在线观看日韩| 日韩欧美免费精品| 乱系列少妇在线播放| 真实男女啪啪啪动态图| 国内精品一区二区在线观看| 嫩草影视91久久| 日韩欧美三级三区| 18禁在线无遮挡免费观看视频 | 男人舔奶头视频| 国产成年人精品一区二区| 亚洲精品影视一区二区三区av| 人妻久久中文字幕网| 在线播放无遮挡| 日本免费一区二区三区高清不卡| 国产精品久久久久久精品电影| 日本a在线网址| 日本撒尿小便嘘嘘汇集6| 中文字幕久久专区| 精品一区二区三区视频在线观看免费| 久久精品夜夜夜夜夜久久蜜豆| 亚洲av熟女| 桃色一区二区三区在线观看| 国产av麻豆久久久久久久| 精品一区二区三区人妻视频| 国产成人91sexporn| 中国美女看黄片| 国产又黄又爽又无遮挡在线| 国产黄片美女视频| 精品久久久久久久久亚洲| 午夜a级毛片| 美女内射精品一级片tv| 亚洲av电影不卡..在线观看| 国产毛片a区久久久久| 美女大奶头视频| 综合色丁香网| 国产69精品久久久久777片| 国产精品野战在线观看| 免费在线观看影片大全网站| 深夜精品福利| 日本一二三区视频观看| av黄色大香蕉| av福利片在线观看| 色噜噜av男人的天堂激情| 岛国在线免费视频观看| 国产单亲对白刺激| 人人妻人人看人人澡| 亚洲精品亚洲一区二区| 天堂动漫精品| 午夜福利视频1000在线观看| 久久人妻av系列| 在线天堂最新版资源| 精品国产三级普通话版| av在线播放精品| 色av中文字幕| 国产精品乱码一区二三区的特点| 神马国产精品三级电影在线观看| 丰满乱子伦码专区| 狂野欧美白嫩少妇大欣赏| 成人精品一区二区免费| 大型黄色视频在线免费观看| 亚洲国产欧洲综合997久久,| 亚洲四区av| 天堂影院成人在线观看| 人人妻人人澡人人爽人人夜夜 | 熟女电影av网| 久久精品国产清高在天天线| 日韩欧美精品免费久久| 老师上课跳d突然被开到最大视频| 精品福利观看| 亚洲av.av天堂| 午夜免费激情av| 久久人妻av系列| 寂寞人妻少妇视频99o| 亚洲自偷自拍三级| 国产片特级美女逼逼视频| 中文字幕久久专区| 国内少妇人妻偷人精品xxx网站| 欧美性猛交黑人性爽| 在线看三级毛片| av在线亚洲专区| 国产爱豆传媒在线观看| 亚洲美女黄片视频| 黄色视频,在线免费观看| 一个人观看的视频www高清免费观看| 日本撒尿小便嘘嘘汇集6| 国产成人一区二区在线| 精品人妻视频免费看| 男女之事视频高清在线观看| 成熟少妇高潮喷水视频| 亚洲精品一卡2卡三卡4卡5卡| 丰满的人妻完整版| 18禁裸乳无遮挡免费网站照片| 国产大屁股一区二区在线视频| 精品一区二区三区视频在线观看免费| 99热只有精品国产| 能在线免费观看的黄片| 赤兔流量卡办理| 色在线成人网| 亚洲七黄色美女视频| 中文字幕免费在线视频6| 欧美不卡视频在线免费观看| 国产精品av视频在线免费观看| 亚洲精品久久国产高清桃花| 日本一本二区三区精品| 亚洲成人久久性| a级毛片免费高清观看在线播放| 国产亚洲欧美98| 成人高潮视频无遮挡免费网站| 日韩精品有码人妻一区| 午夜福利在线观看吧| 国产色爽女视频免费观看| 91久久精品电影网| 欧美性猛交╳xxx乱大交人| 久久草成人影院| 网址你懂的国产日韩在线| 国产成人91sexporn| 亚洲欧美日韩高清专用| 欧美最黄视频在线播放免费| 嫩草影视91久久| 一个人免费在线观看电影| 国产精品久久电影中文字幕| 小说图片视频综合网站| 丰满人妻一区二区三区视频av| 久99久视频精品免费| 中国美白少妇内射xxxbb| 97人妻精品一区二区三区麻豆| 狠狠狠狠99中文字幕| 欧美高清性xxxxhd video| 国产视频一区二区在线看| 精品午夜福利在线看| 国产麻豆成人av免费视频| 日日摸夜夜添夜夜添av毛片| 精华霜和精华液先用哪个| 一个人观看的视频www高清免费观看| 久久久久久久久久久丰满| 精品一区二区三区视频在线观看免费| 国产成人福利小说| a级毛色黄片| 日韩精品中文字幕看吧| 久久久久久久久大av| 国产精品嫩草影院av在线观看| 尾随美女入室| 国内揄拍国产精品人妻在线| 日本欧美国产在线视频| 久久久久久久久中文| 亚洲精品日韩av片在线观看| 18禁在线无遮挡免费观看视频 | 久久99热这里只有精品18| 亚洲欧美日韩高清专用| 搡老熟女国产l中国老女人| 欧美bdsm另类| 99riav亚洲国产免费| 日日摸夜夜添夜夜添小说| av在线观看视频网站免费| 亚洲婷婷狠狠爱综合网| 国产精品野战在线观看| 欧美日韩在线观看h| 18禁裸乳无遮挡免费网站照片| 美女被艹到高潮喷水动态| 一级a爱片免费观看的视频| 69av精品久久久久久| 亚洲欧美日韩高清在线视频| 人人妻人人澡欧美一区二区| 一区二区三区免费毛片| 99精品在免费线老司机午夜| 中文资源天堂在线| 少妇丰满av| 99在线视频只有这里精品首页| 亚洲无线观看免费| 国产成人91sexporn| 国产精品美女特级片免费视频播放器| 国产伦一二天堂av在线观看| 国产精品国产三级国产av玫瑰| 一级黄片播放器| 日本成人三级电影网站| 亚洲国产欧美人成| 特大巨黑吊av在线直播| 永久网站在线| 免费观看人在逋| 国产综合懂色| 亚洲美女黄片视频| 成人无遮挡网站| 国产欧美日韩精品一区二区| 看非洲黑人一级黄片| 国产淫片久久久久久久久| 欧美绝顶高潮抽搐喷水| 久久久久久久久久黄片| 欧美丝袜亚洲另类| 黄色日韩在线| 露出奶头的视频| 久久精品国产鲁丝片午夜精品| 97碰自拍视频| 一边摸一边抽搐一进一小说| 久久久欧美国产精品| 菩萨蛮人人尽说江南好唐韦庄 | 国产在线男女| 国产精品av视频在线免费观看| 国产淫片久久久久久久久| 婷婷精品国产亚洲av| 九九热线精品视视频播放| 色av中文字幕| 一进一出抽搐gif免费好疼| 亚洲欧美日韩卡通动漫| 一级毛片aaaaaa免费看小| 欧美日韩在线观看h| 日本欧美国产在线视频| 欧美激情国产日韩精品一区| 黑人高潮一二区| 亚洲专区国产一区二区| 国产一区二区激情短视频| 午夜福利成人在线免费观看| 亚洲av五月六月丁香网| 国产av不卡久久| 日本三级黄在线观看| 亚洲av中文av极速乱| 欧美xxxx黑人xx丫x性爽| 亚洲国产日韩欧美精品在线观看| 国产伦精品一区二区三区视频9| aaaaa片日本免费| 精品一区二区三区视频在线观看免费| 亚洲国产欧美人成| av女优亚洲男人天堂| 精品少妇黑人巨大在线播放 | 六月丁香七月| 国产精品不卡视频一区二区| 黑人高潮一二区| 成年av动漫网址| 亚洲精品日韩在线中文字幕 | 91久久精品国产一区二区成人| 日韩一区二区视频免费看| 国产蜜桃级精品一区二区三区| 秋霞在线观看毛片| 国产熟女欧美一区二区| 欧美日韩乱码在线| 麻豆一二三区av精品| 亚洲美女视频黄频| 久久精品国产亚洲网站| 亚洲人成网站在线播放欧美日韩| 日韩成人av中文字幕在线观看 | 久久精品国产清高在天天线| 美女高潮的动态| 12—13女人毛片做爰片一| 日韩av在线大香蕉| 日日摸夜夜添夜夜添av毛片| 精品午夜福利在线看| 午夜福利成人在线免费观看| 日日啪夜夜撸| 男插女下体视频免费在线播放| 国内精品久久久久精免费| 日本 av在线| 非洲黑人性xxxx精品又粗又长| 永久网站在线| 亚洲婷婷狠狠爱综合网| 久久久久免费精品人妻一区二区| 国产欧美日韩精品亚洲av| 成年av动漫网址| 无遮挡黄片免费观看| 麻豆国产av国片精品| 亚洲中文字幕日韩| 亚洲国产精品成人综合色| 日韩在线高清观看一区二区三区| 九色成人免费人妻av| 国产大屁股一区二区在线视频| 国产 一区精品| 日本撒尿小便嘘嘘汇集6| 成年女人看的毛片在线观看| 欧美在线一区亚洲| 91狼人影院| 露出奶头的视频| 淫妇啪啪啪对白视频| 亚洲综合色惰| 老司机福利观看| 2021天堂中文幕一二区在线观| 在线免费十八禁| 在线观看免费视频日本深夜| 欧美zozozo另类| 麻豆一二三区av精品| 欧美精品国产亚洲| 亚洲第一电影网av| 黄片wwwwww| 欧美中文日本在线观看视频| 亚洲精品在线观看二区| 日韩亚洲欧美综合| 久久精品91蜜桃| videossex国产| 欧美不卡视频在线免费观看| 日韩欧美免费精品| 看黄色毛片网站| 男女边吃奶边做爰视频| 成人美女网站在线观看视频| 亚洲美女视频黄频| 老司机福利观看| 无遮挡黄片免费观看| 国产精品一二三区在线看| 22中文网久久字幕| 别揉我奶头~嗯~啊~动态视频| 欧美日韩一区二区视频在线观看视频在线 | 99久久中文字幕三级久久日本| 亚洲人成网站在线播| 无遮挡黄片免费观看| 免费在线观看成人毛片| 又粗又爽又猛毛片免费看| 精品一区二区三区视频在线| 小说图片视频综合网站| 美女内射精品一级片tv| 老熟妇乱子伦视频在线观看| 综合色丁香网| 亚洲激情五月婷婷啪啪| 美女cb高潮喷水在线观看| 熟妇人妻久久中文字幕3abv| 免费大片18禁| 亚洲欧美成人精品一区二区| 久久久久久大精品| 成人欧美大片| 亚洲av成人av| 啦啦啦观看免费观看视频高清| 在线免费观看的www视频| 久久人妻av系列| 精品乱码久久久久久99久播| 国产大屁股一区二区在线视频| 久久久成人免费电影| 又爽又黄a免费视频| 亚洲av.av天堂| 日韩欧美国产在线观看| 我的女老师完整版在线观看| 十八禁国产超污无遮挡网站| 久久婷婷人人爽人人干人人爱| 精品日产1卡2卡| 黄片wwwwww| 老司机福利观看| 一a级毛片在线观看| 中文字幕av在线有码专区| 97超视频在线观看视频| 精品一区二区三区av网在线观看| 黑人高潮一二区| 淫妇啪啪啪对白视频| 黑人高潮一二区| 亚洲在线自拍视频| 免费不卡的大黄色大毛片视频在线观看 | 免费观看人在逋| 国产探花极品一区二区| 最近中文字幕高清免费大全6| 亚洲最大成人中文| 卡戴珊不雅视频在线播放| av天堂中文字幕网| 性色avwww在线观看| 久久精品91蜜桃| 欧美色视频一区免费| 老熟妇仑乱视频hdxx| 最近的中文字幕免费完整| 99国产极品粉嫩在线观看| 97超级碰碰碰精品色视频在线观看| 2021天堂中文幕一二区在线观| 久久草成人影院| 国产不卡一卡二| 九九爱精品视频在线观看| 免费电影在线观看免费观看| 国产在线精品亚洲第一网站| 毛片一级片免费看久久久久| 久久久久免费精品人妻一区二区| 男女之事视频高清在线观看| 日韩精品中文字幕看吧| 免费搜索国产男女视频| av天堂中文字幕网| 午夜福利视频1000在线观看| 身体一侧抽搐| 乱系列少妇在线播放| 日日啪夜夜撸| 亚洲一区高清亚洲精品| 一a级毛片在线观看| 午夜久久久久精精品| 亚洲av美国av| 欧美最黄视频在线播放免费| 97在线视频观看| 亚洲国产日韩欧美精品在线观看|