CN110135261A - 一种训练道路异常识别模型、道路异常识别的方法及系统 - Google Patents
一种训练道路异常识别模型、道路异常识别的方法及系统 Download PDFInfo
- Publication number
- CN110135261A CN110135261A CN201910300918.0A CN201910300918A CN110135261A CN 110135261 A CN110135261 A CN 110135261A CN 201910300918 A CN201910300918 A CN 201910300918A CN 110135261 A CN110135261 A CN 110135261A
- Authority
- CN
- China
- Prior art keywords
- road
- image
- anomalous identification
- abnormal conditions
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种训练道路异常识别模型、道路异常识别的方法及系统,训练道路异常识别模型方法包括:获取道路异常情况及道路正常情况的图像;将道路异常情况及道路正常情况的图像输入到神经网络模型中;根据道路异常情况及道路正常情况的图像对所述神经网络模型中预设可训练的层数进行迁移学习,得到道路异常识别的神经网络模型。该识别模型对输入的全帧道路原图无需经过定位等步骤,只需对图像进行一次运算,具有较高的实时性,运用迁移学习技术,加速了模型训练收敛速度,可识别包括道路积水、道路火灾及交通事故多种道路异常情况。
Description
技术领域
本发明涉及模式识别技术领域,具体涉及一种训练道路异常识别模型、道路异常识别的方法及系统。
背景技术
目前基于传统非深度学习的机器学习算法,提取道路图像特征并进行分类识别,其优点是所需训练数据量小,易实现,但是缺点是在训练数据量充足的情况下,准确率不如深度学习算法,而且需要对于道路出现的异常的位置进行定位,需对图像进行多次运算,不能满足实时处理视频图像处理的需求。
发明内容
因此,本发明提供的一种训练道路异常识别模型、道路异常识别的方法及系统,克服了现有技术中对道路异常识别效率低的不足。
第一方面,本发明实施例提供一种训练道路异常识别模型的方法,包括如下步骤:获取道路异常情况及道路正常情况的图像;将所述道路异常情况及道路正常情况的图像输入到神经网络模型中;根据所述道路异常情况及道路正常情况的图像对所述神经网络模型中预设可训练的层数进行迁移学习,得到道路异常识别的神经网络模型。
在一实施例中,所述根据所述道路异常情况及道路正常情况的图像对所述神经网络模型中预设可训练的层数进行迁移学习的步骤,包括:根据所述道路异常情况及道路正常情况的图像对所述神经网络模型中预设的Dense层、Flatten层、AveragePooling2D层以及identity_block网络参数进行迁移学习训练。
在一实施例中,所述道路异常情况包括:道路积水、道路火灾及交通事故。
在一实施例中,所述获取道路异常情况及道路正常情况的图像的步骤,包括:利用爬虫程序爬取网页上和/或从视频中抽帧,获取道路积水、道路火灾、交通事故的图像;利用爬虫程序爬取网页上和/或从视频中抽帧,获取普通道路的图像。
在一实施例中,在所述将所述道路异常情况及道路正常情况的图像输入到神经网络模型中的步骤之前,所述方法还包括:对所述道路异常情况及道路正常情况的图像进行预处理,获取数据增强后的数据集。
第二方面,本发明实施例提供一种道路异常识别方法,包括如下步骤:获取待识别的道路图像;将待识别的道路图像输入到根据本发明实施例第一方面所述的训练道路异常识别模型的方法得到的道路异常识别的神经网络模型中,得到识别结果,所述识别结果用于指示道路是否异常。
在一实施例中,所述识别结果为道路异常的情况包括:道路积水、道路火灾及交通事故。
第三方面,本发明实施例提供一种训练道路异常识别模型的系统,包括:道路图像获取模块,用于获取道路异常情况及道路正常情况的图像;图像输入模块,用于将所述道路异常情况及道路正常情况的图像输入到神经网络模型中;识别模型获取模块,用于根据所述道路异常情况及道路正常情况的图像对所述神经网络模型中预设可训练的层数进行迁移学习,得到道路异常识别的神经网络模型。
第四方面,本发明实施例提供一种道路异常识别系统,包括:待识别图像获取模块,用于获取待识别的道路图像;识别模块,用于将待识别的道路图像输入到根据本发明实施例第一方面所述的训练道路异常识别模型的方法得到的道路异常识别的神经网络模型中,得到识别结果,所述识别结果用于指示道路是否异常。
第五方面,本发明实施例提供一种计算机设备,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行本发明实施例第一方面所述的训练道路异常识别模型的方法,或执行本发明实施例第二方面所述道路异常识别方法。
第六方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行执行本发明实施例第一方面所述的训练道路异常识别模型的方法,或执行本发明实施例第二方面所述道路异常识别方法。
本发明技术方案,具有如下优点:
本发明提供的训练道路异常识别模型、道路异常识别的方法及系统,训练道路异常识别模型方法包括:获取道路异常情况及道路正常情况的图像;将道路异常情况及道路正常情况的图像输入到神经网络模型中;
根据道路异常情况及道路正常情况的图像对所述神经网络模型中预设可训练的层数进行迁移学习,得到道路异常识别的神经网络模型。该识别模型对输入的全帧道路原图无需经过定位等步骤,只需对图像进行一次运算,具有较高的实时性,运用迁移学习技术,加速了模型训练收敛速度,可识别包括道路积水、道路火灾及交通事故多种道路异常情况。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的训练道路异常识别模型的方法一个具体示例的流程图;
图2为本发明实施例提供的卷积神经网络一个具体示例的结构图;
图3为本发明实施例提供的卷积模块的一个具体示例的组成图;
图4为本发明实施例提供的卷积模块的一个具体示例的组成图;
图5为本发明实施例提供的训练道路异常识别模型的方法的一个具体示例的组成图;
图6为本发明实施例提供的道路异常识别方法的一个具体示例的流程图;
图7为本发明实施例提供的训练道路异常识别模型的系统的一个具体示例的组成图;
图8为本发明实施例提供的道路异常识别系统的一个具体示例的组成图;
图9为本发明实施例提供的计算机设备一个具体示例的组成图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本发明实施例提供一种训练道路异常识别模型的方法,如图1所示,该训练道路异常识别模型的方法,包括如下步骤:
步骤S11:获取道路异常情况及道路正常情况的图像。
本发明实施例中,道路异常情况包括:道路积水、道路火灾及交通事故,可以利用爬虫程序爬取互联网网页上和/或从视频中抽帧,获取道路积水、道路火灾、交通事故及普通道路的图像,仅以此举例,不以此为限。
步骤S12:将道路异常情况及道路正常情况的图像输入到神经网络模型中。
在本发明实施例中,采用的神经网络结构是卷积神经网络,可选用ResNet或MobileNet,本发明实施例以残差网络ResNet50为举例说明,如图2所示,其中,ZeroPadding2D代表补零层,参数(3,3)代表高、宽各补零3行/列;Conv2D代表卷积层,参数(7,7)代表卷积核尺寸是7x7,参数64代表卷积核个数是64个,参数strides=(2,2)代表卷积核扫描时的行步幅和列步幅都是2;BatchNormalization代表批归一化层,作用是减轻过拟合,增强模型的泛化能力;Activation(‘relu’)代表激活函数层,采用relu函数,目的是增加模型的非线性;MaxPooling2D代表最大池化层,参数(3,3)代表池化核尺寸为3x3,strides=(2,2)代表池化核扫描时的行步幅和列步幅都是2,其作用是减少模型计算复杂度,AveragePooling2D代表平均池化层,参数(3,3)代表池化核尺寸为3x3,strides=(2,2)代表池化核扫描时的行步幅和列步幅都是2,其作用是减少模型计算复杂度;convolutional_block代表卷积模块(具体结构如图3所示),identity_block代表另一种卷积模块(具体结构如图4所示),Flatten代表延展层,作用是将输入的多维数据延展成一维向量,Dense代表全连接层,作用是进行最终的分类,以上参数的选择仅以此举例,不以此为限。
步骤S13:根据道路异常情况及道路正常情况的图像对神经网络模型中预设可训练的层数进行迁移学习,得到道路异常识别的神经网络模型。
在本发明实施例中,根据道路异常情况及道路正常情况的图像对神经网络模型中预设的Dense层、Flatten层、AveragePooling2D层以及identity_block网络参数进行迁移学习训练。
具体地,在迁移学习训练时,将最后的Dense、Flatten、AveragePooling2D层以及最后一个identity_block网络的参数设定为trainable(可训练),而前面的所有层设定为not trainable(不可训练),即最后这几层的参数会随训练过程被更新,之前层的参数不会被更新。最后几层可训练层的选定是经过实验确定的,本发明实施例中,采用的对比试验分别是:允许最后的Dense层可训练时,准确率为67%;允许最后的Dense层和Flatten层可训练时,准确率为70%;允许最后的Dense层、Flatten层和AveragePooling2D层可训练时,准确率为74%;允许最后的Dense、Flatten、AveragePooling2D层以及最后一个identity_block网络的参数设定可训练时,准确率为97%。因此,最后确定准确度最优的方案是将最后的Dense、Flatten、AveragePooling2D层以及最后一个identity_block网络的参数设定为可训练。本方案采用了迁移学习技术,经过比对,在10万图像数据集上进行训练,如果不用迁移学习,准确率只能达到50%左右,而使用迁移学习技术之后,使得准确率可以达到97%以上。
在一实施例中,在执行步骤S11之后,如图5所示,本发明实施例的训练道路异常识别模型的方法还包括:
步骤S111:道路异常情况及道路正常情况的图像进行预处理,获取数据增强后的数据集。
本发明实施例通过对图像进行预处理对数据扩增,包括图像旋转、左右镜像、随机裁剪、添加高斯噪声等,经过数据增强的数据集,体量可以扩大几十倍,可以起到减轻过拟合的作用。
在本发明实施例提供的训练道路异常识别模型的方法,运用深度学习技术对道路图像进行端到端的训练,对输入的全帧道路原图无需经过定位等步骤,只需对图像进行一次运算,具有较高的实时性,运用迁移学习技术,加速了模型训练收敛速度,训练好的道路异常识别模型可识别多种道路异常情况。
实施例2
本发明实施例提供一种道路异常识别方法,可应用对道路的实时监控,如图6所示,包括:
步骤S21:获取待识别的道路图像。
本发明实施例中,可对道路的监控视频进行抽帧,获取实时的道路图像。
步骤S22:将待识别的道路图像输入到道路异常识别的神经网络模型中,得到识别结果,所述识别结果用于指示道路是否异常。
本发明实施例中,通过道路图像监控装置获取的待识别的道路图像输入到根据本发明实施例1中所述的训练道路异常识别模型的方法得到的道路异常识别的神经网络模型中,得到识别结果,监控道路是否存在异常情况。
本发明实施例提供的道路异常识别方法,可以同时识别多种道路异常情况,包括实现道路积水、火灾、交通事故等功能,在识别过程中只需要输入视频抽帧的原图,无需经过定位等步骤,只需对图像进行一次运算,满足实时视频处理的速度要求,具有较高的实时性和准确率。
实施例3
本发明实施例提供一种训练道路异常识别模型的系统,如图7所示,该训练道路异常识别模型的系统,包括:
道路图像获取模块1,用于获取道路异常情况及道路正常情况的图像;此模块执行实施例1中的步骤S11所描述的方法,在此不再赘述。
图像输入模块2,用于将所述道路异常情况及道路正常情况的图像输入到神经网络模型中;此模块执行实施例1中的步骤S12所描述的方法,在此不再赘述。
识别模型获取模块3,用于根据所述道路异常情况及道路正常情况的图像对所述神经网络模型中预设可训练的层数进行迁移学习,得到道路异常识别的神经网络模型。此模块执行实施例1中的步骤S13所描述的方法,在此不再赘述。
本发明实施例提供的训练道路异常识别模型的系统,运用深度学习技术对道路图像进行端到端的训练,对输入的全帧道路原图无需经过定位等步骤,只需对图像进行一次运算,具有较高的实时性,运用迁移学习技术,加速了模型训练收敛速度,训练好的道路异常识别模型可识别多种道路异常情况。
实施例4
本发明实施例提供一种道路异常识别系统,如图8所示,包括:
待识别图像获取模块21,用于获取待识别的道路图像;此模块执行实施例2中的步骤S21所描述的方法,在此不再赘述。
识别模块22,用于将待识别的道路图像输入到道路异常识别的神经网络模型中,得到识别结果,所述识别结果用于指示道路是否异常。此模块执行实施例2中的步骤S22所描述的方法,在此不再赘述。
本发明实施例提供一种道路异常识别系统,运用深度学习技术对道路图像进行端到端的训练,对输入的全帧道路原图无需经过定位等步骤,只需对图像进行一次运算,具有较高的实时性,运用迁移学习技术,加速了模型训练收敛速度,训练好的道路异常识别模型可识别多种道路异常情况。
实施例5
本发明实施例提供一种计算机设备,如图9所示,包括:至少一个处理器401,例如CPU(Central Processing Unit,中央处理器),至少一个通信接口403,存储器404,至少一个通信总线402。其中,通信总线402用于实现这些组件之间的连接通信。其中,通信接口403可以包括显示屏(Display)、键盘(Keyboard),可选通信接口403还可以包括标准的有线接口、无线接口。存储器404可以是高速RAM存储器(Ramdom Access Memory,易挥发性随机存取存储器),也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器404可选的还可以是至少一个位于远离前述处理器401的存储装置。其中处理器401可以执行本发明实施例第一方面所述的训练道路异常识别模型的方法,或执行本发明实施例第二方面所述道路异常识别方法。存储器404中存储一组程序代码,且处理器401调用存储器404中存储的程序代码,以用于执行本发明实施例第一方面所述的训练道路异常识别模型的方法,或执行本发明实施例第二方面所述道路异常识别方法。
其中,通信总线402可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。通信总线402可以分为地址总线、数据总线、控制总线等。为便于表示,图9中仅用一条线表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器404可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory),硬盘(英文:hard diskdrive,缩写:HDD)或固态硬盘(英文:solid-state drive,缩写:SSD);存储器404还可以包括上述种类的存储器的组合。
其中,处理器401可以是中央处理器(英文:central processing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。
其中,处理器401还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文:application-specific integrated circuit,缩写:ASIC),可编程逻辑器件(英文:programmable logic device,缩写:PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文:complex programmable logic device,缩写:CPLD),现场可编程逻辑门阵列(英文:field-programmable gate array,缩写:FPGA),通用阵列逻辑(英文:generic arraylogic,缩写:GAL)或其任意组合。
可选地,存储器404还用于存储程序指令。处理器401可以调用程序指令,实现如本申请执行本发明实施例第一方面所述的训练道路异常识别模型的方法,或执行本发明实施例第二方面所述道路异常识别方法。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机可执行指令,该计算机可执行指令可执行本发明实施例第一方面所述的训练道路异常识别模型的方法,或执行本发明实施例第二方面所述道路异常识别方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccess Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (11)
1.一种训练道路异常识别模型的方法,其特征在于,包括如下步骤:
获取道路异常情况及道路正常情况的图像;
将所述道路异常情况及道路正常情况的图像输入到神经网络模型中;
根据所述道路异常情况及道路正常情况的图像对所述神经网络模型中预设可训练的层数进行迁移学习,得到道路异常识别的神经网络模型。
2.根据权利要求1所述的训练道路异常识别模型的方法,其特征在于,所述根据所述道路异常情况及道路正常情况的图像对所述神经网络模型中预设可训练的层数进行迁移学习的步骤,包括:
根据所述道路异常情况及道路正常情况的图像对所述神经网络模型中预设的Dense层、Flatten层、AveragePooling2D层以及identity_block网络参数进行迁移学习训练。
3.根据权利要求1所述的训练道路异常识别模型的方法,其特征在于,所述道路异常情况包括:道路积水、道路火灾及交通事故。
4.根据权利要求3所述的训练道路异常识别模型的方法,其特征在于,所述获取道路异常情况及道路正常情况的图像的步骤,包括:
利用爬虫程序爬取网页上和/或从视频中抽帧,获取道路积水、道路火灾、交通事故的图像;
利用爬虫程序爬取网页上和/或从视频中抽帧,获取普通道路的图像。
5.根据权利要求1所述的训练道路异常识别模型的方法,其特征在于,在所述将所述道路异常情况及道路正常情况的图像输入到神经网络模型中的步骤之前,所述方法还包括:
对所述道路异常情况及道路正常情况的图像进行预处理,获取数据增强后的数据集。
6.一种道路异常识别方法,其特征在于,包括:
获取待识别的道路图像;
将待识别的道路图像输入到根据权利要求1-5任一所述的训练道路异常识别模型的方法得到的道路异常识别的神经网络模型中,得到识别结果,所述识别结果用于指示道路是否异常。
7.根据权利要求6所述的道路异常识别方法,其特征在于,所述识别结果为道路异常的情况包括:道路积水、道路火灾及交通事故。
8.一种训练道路异常识别模型的系统,其特征在于,包括:
道路图像获取模块,用于获取道路异常情况及道路正常情况的图像;
图像输入模块,用于将所述道路异常情况及道路正常情况的图像输入到神经网络模型中;
识别模型获取模块,用于根据所述道路异常情况及道路正常情况的图像对所述神经网络模型中预设可训练的层数进行迁移学习,得到道路异常识别的神经网络模型。
9.一种道路异常识别系统,其特征在于,包括:
待识别图像获取模块,用于获取待识别的道路图像;
识别模块,用于将待识别的道路图像输入到根据权利要求1-5任一所述的训练道路异常识别模型的方法得到的道路异常识别的神经网络模型中,得到识别结果,所述识别结果用于指示道路是否异常。
10.一种计算机设备,其特征在于,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行权利要求1-5中任一所述的训练道路异常识别模型的方法,或执行权利要求6或7中所述道路异常识别方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求1-5中任一所述的训练道路异常识别模型的方法,或执行权利要求6或7中所述道路异常识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910300918.0A CN110135261A (zh) | 2019-04-15 | 2019-04-15 | 一种训练道路异常识别模型、道路异常识别的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910300918.0A CN110135261A (zh) | 2019-04-15 | 2019-04-15 | 一种训练道路异常识别模型、道路异常识别的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110135261A true CN110135261A (zh) | 2019-08-16 |
Family
ID=67569988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910300918.0A Pending CN110135261A (zh) | 2019-04-15 | 2019-04-15 | 一种训练道路异常识别模型、道路异常识别的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135261A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516125A (zh) * | 2019-08-28 | 2019-11-29 | 拉扎斯网络科技(上海)有限公司 | 识别异常字符串的方法、装置、设备及可读存储介质 |
CN110674742A (zh) * | 2019-09-24 | 2020-01-10 | 电子科技大学 | 基于DLinkNet的遥感图像道路提取方法 |
CN111160155A (zh) * | 2019-12-17 | 2020-05-15 | 北京文安智能技术股份有限公司 | 一种积水检测方法及装置 |
CN112270298A (zh) * | 2020-11-16 | 2021-01-26 | 北京深睿博联科技有限责任公司 | 道路异常识别的方法及装置、设备及计算机可读存储介质 |
CN113343905A (zh) * | 2021-06-28 | 2021-09-03 | 山东理工大学 | 道路异常智能识别模型训练、道路异常识别的方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034862A (zh) * | 2012-12-14 | 2013-04-10 | 北京诚达交通科技有限公司 | 基于特征信息分类的道路雨雪状态自动识别方法 |
CN107730030A (zh) * | 2017-09-25 | 2018-02-23 | 维沃移动通信有限公司 | 一种路径规划方法及移动终端 |
CN107958257A (zh) * | 2017-10-11 | 2018-04-24 | 华南理工大学 | 一种基于深度神经网络的中药材识别方法 |
CN108921013A (zh) * | 2018-05-16 | 2018-11-30 | 浙江零跑科技有限公司 | 一种基于深度神经网络的视觉场景识别系统及方法 |
CN109145759A (zh) * | 2018-07-25 | 2019-01-04 | 腾讯科技(深圳)有限公司 | 车辆属性识别方法、装置、服务器及存储介质 |
-
2019
- 2019-04-15 CN CN201910300918.0A patent/CN110135261A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034862A (zh) * | 2012-12-14 | 2013-04-10 | 北京诚达交通科技有限公司 | 基于特征信息分类的道路雨雪状态自动识别方法 |
CN107730030A (zh) * | 2017-09-25 | 2018-02-23 | 维沃移动通信有限公司 | 一种路径规划方法及移动终端 |
CN107958257A (zh) * | 2017-10-11 | 2018-04-24 | 华南理工大学 | 一种基于深度神经网络的中药材识别方法 |
CN108921013A (zh) * | 2018-05-16 | 2018-11-30 | 浙江零跑科技有限公司 | 一种基于深度神经网络的视觉场景识别系统及方法 |
CN109145759A (zh) * | 2018-07-25 | 2019-01-04 | 腾讯科技(深圳)有限公司 | 车辆属性识别方法、装置、服务器及存储介质 |
Non-Patent Citations (2)
Title |
---|
WENQI SUN: "使用keras进行迁移学习(Transfer Learning)", 《GITHUB》 * |
Z小白: "Keras"冻结"层", 《CSDN》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516125A (zh) * | 2019-08-28 | 2019-11-29 | 拉扎斯网络科技(上海)有限公司 | 识别异常字符串的方法、装置、设备及可读存储介质 |
CN110516125B (zh) * | 2019-08-28 | 2020-05-08 | 拉扎斯网络科技(上海)有限公司 | 识别异常字符串的方法、装置、设备及可读存储介质 |
CN110674742A (zh) * | 2019-09-24 | 2020-01-10 | 电子科技大学 | 基于DLinkNet的遥感图像道路提取方法 |
CN110674742B (zh) * | 2019-09-24 | 2023-04-07 | 电子科技大学 | 基于DLinkNet的遥感图像道路提取方法 |
CN111160155A (zh) * | 2019-12-17 | 2020-05-15 | 北京文安智能技术股份有限公司 | 一种积水检测方法及装置 |
CN112270298A (zh) * | 2020-11-16 | 2021-01-26 | 北京深睿博联科技有限责任公司 | 道路异常识别的方法及装置、设备及计算机可读存储介质 |
CN113343905A (zh) * | 2021-06-28 | 2021-09-03 | 山东理工大学 | 道路异常智能识别模型训练、道路异常识别的方法及系统 |
CN113343905B (zh) * | 2021-06-28 | 2022-06-14 | 山东理工大学 | 道路异常智能识别模型训练、道路异常识别的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135261A (zh) | 一种训练道路异常识别模型、道路异常识别的方法及系统 | |
US20230252327A1 (en) | Neural architecture search for convolutional neural networks | |
CN107220618B (zh) | 人脸检测方法及装置、计算机可读存储介质、设备 | |
US20210034980A1 (en) | Real-time visualization of machine learning models | |
CN106529565A (zh) | 目标识别模型训练和目标识别方法及装置、计算设备 | |
CN111860398B (zh) | 遥感图像目标检测方法、系统及终端设备 | |
CN109859113B (zh) | 模型生成方法、图像增强方法、装置及计算机可读存储介质 | |
EP2564049A1 (de) | STEUERGERÄT UND VERFAHREN ZUR BERECHNUNG EINER AUSGANGSGRÖßE FÜR EINE STEUERUNG | |
CN109740689B (zh) | 一种图像语义分割的错误标注数据筛选方法及系统 | |
CN110263628B (zh) | 障碍物检测方法、装置、电子设备以及存储介质 | |
CN111598087B (zh) | 不规则文字的识别方法、装置、计算机设备及存储介质 | |
KR102641502B1 (ko) | 디지털 트윈용 다중 모델 병렬 실행 자동화 및 검증을 위한 방법 및 장치 | |
CN109685805B (zh) | 一种图像分割方法及装置 | |
CN114997393A (zh) | 利用空间表示学习和对抗生成的对可移动对象的功能测试 | |
US20230092453A1 (en) | Parameter updating method and apparatus and storage medium | |
WO2022194069A1 (zh) | 一种生成显著图的方法、异常对象检测的方法以及装置 | |
CN112580807A (zh) | 一种基于效能评估的神经网络改进需求自动生成方法及装置 | |
CN110009644B (zh) | 一种特征图行像素分段的方法和装置 | |
US10643092B2 (en) | Segmenting irregular shapes in images using deep region growing with an image pyramid | |
CN115346125B (zh) | 一种基于深度学习的目标检测方法 | |
US10776923B2 (en) | Segmenting irregular shapes in images using deep region growing | |
CN116646002A (zh) | 多非编码rna和疾病关联性预测方法、装置、设备及介质 | |
CN116012684A (zh) | 特征提取方法、装置、电子设备及存储介质 | |
CN112242959B (zh) | 微服务限流控制方法、装置、设备及计算机存储介质 | |
CN110533158B (zh) | 模型建构方法、系统及非易失性电脑可读取记录介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190816 |