CN110991337B - 一种基于自适应双路检测网络的车辆检测方法 - Google Patents
一种基于自适应双路检测网络的车辆检测方法 Download PDFInfo
- Publication number
- CN110991337B CN110991337B CN201911211042.9A CN201911211042A CN110991337B CN 110991337 B CN110991337 B CN 110991337B CN 201911211042 A CN201911211042 A CN 201911211042A CN 110991337 B CN110991337 B CN 110991337B
- Authority
- CN
- China
- Prior art keywords
- network
- vehicle
- detection
- image
- vehicle detection
- 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.)
- Active
Links
Classifications
-
- 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明特别涉及一种基于自适应双路检测网络的车辆检测方法。该基于自适应双路检测网络的车辆检测方法,利用复杂级别识别任务网络,对车辆检测任务的复杂性进行分级;针对难以检测的复杂级别的车辆重建网络,从而使复杂级别的车辆容易被检测;利用车辆检测网络对获得的车辆图像进行检测。该基于自适应双路检测网络的车辆检测方法,能够自动估测图像中车辆识别的难易程度,并根据难易程度选择不同的方法进行检测;对于难以检测的复杂级别的任务,可以通过重建网络降低其检测难度,从而极大地提高了复杂图像的检测精度,进而提高了车辆检测精度,进一步保障了无人驾驶车辆的安全性。
Description
技术领域
本发明涉及计算机视觉技术领域,特别涉及一种基于自适应双路检测网络的车辆检测方法。
背景技术
无人驾驶车辆是通过车载传感系统感知道路环境,自动规划行车路线并控制车辆到达预定目标的智能汽车。它是利用车载传感器来感知车辆周围环境,并根据感知所获得的道路、车辆位置和障碍物信息,控制车辆的转向和速度,从而使车辆能够安全、可靠地在道路上行驶。
无人驾驶车辆集自动控制、体系结构、人工智能、视觉计算等众多技术于一体,是计算机科学、模式识别和智能控制技术高度发展的产物,也是衡量一个国家科研实力和工业水平的一个重要标志,在国防和国民经济领域具有广阔的应用前景。
近年来,无人驾驶受到各大企业和高校的广泛重视。在无人驾驶的整个技术框架中,车辆检测是无人驾驶的重要一环。无人驾驶车辆往往配备有数个摄像头,常见的情况是有一个摄像头固定在车的前方,用来获取前方道路情况,生成视频。计算机对获取到的视频进行分析,综合其他传感器的信息,对车辆行为进行指导。
虽然现有车辆检测算法在实验环境下可以取得较好的效果,然而在真实应用场景中存在诸多挑战。例如,远景中的车辆目标较小、车辆之间的遮挡、恶劣天气对车辆检测的影响。如何针对这些问题设计有效的车辆算法,达到较高的检测精度,对于提高企业产品竞争力,具有重要的意义。
现有车辆检测算法在实验环境下可以取得较好的效果,然而在真实应用场景中存在诸多挑战。例如,远景中的车辆目标较小、车辆之间的遮挡、恶劣天气等,都会对车辆检测产生明显影响。
针对以上情况,本发明提出了一种基于自适应双路检测网络的车辆检测方法。
发明内容
本发明为了弥补现有技术的缺陷,提供了一种简单高效的基于自适应双路检测网络的车辆检测方法。
本发明是通过如下技术方案实现的:
一种基于自适应双路检测网络的车辆检测方法,其特征在于:包括以下步骤:
第一步,利用复杂级别识别任务网络,对车辆检测任务的复杂性进行分级;
第二步,针对难以检测的复杂级别的车辆重建网络,从而使复杂级别的车辆容易被检测;
第三步,利用车辆检测网络对获得的车辆图像进行检测。
所述第一步中,首先要选取一部分图像作为训练集,对复杂级别识别任务网络进行训练,根据训练集车辆检测的难度进行标记。
所述第一步中,采用DenseNet(Dense Convolutional Network,稠密卷积神经网络)网络结构作为复杂级别识别任务网络,进行训练。
所述第一步中,根据训练集车辆检测的难度将样本标记为正样本或负样本;当出现远景中的车辆目标较小、车辆之间的遮挡和/或恶劣天气时,则将样本标记为正样本,其余样本标记为负样本。
所述重建网络和车辆检测网络都要先进行训练,然后才能用于图像识别检测。
所述第二步中,利用TP-GAN网络的架构,以难以检测的复杂级别的车辆为目标,进行网络重建。
所述第二步中,在重建网络中嵌入TP-GAN,将难以检测的复杂级别的车辆图像转转换为容易检测的图像。
所述第三步中,采用Faster RCNN网络结构作为车辆检测网络,对所有图像中的车辆进行检测。
所述第三步中,对获得的车辆图像进行检测时,包括以下步骤:
第一步,先将图像输入到复杂级别识别任务网络中,根据图像中车辆检测任务的复杂性对输入图像进行分类;
第二步,若分类结果为复杂级别,则将图像输入到重建网络,生成更容易检测的图像,然后再将生成的图像输入到车辆检测网络,输出检测结果;
第三步,若分类结果为容易级别,则将图像直接输入到车辆检测网络,输出最终检测结果即可。
本发明的有益效果是:该基于自适应双路检测网络的车辆检测方法,能够自动估测图像中车辆识别的难易程度,并根据难易程度选择不同的方法进行检测;对于难以检测的复杂级别的任务,可以通过重建网络降低其检测难度,从而极大地提高了复杂图像的检测精度,进而提高了车辆检测精度,进一步保障了无人驾驶车辆的安全性。
具体实施方式
为了使本技术领域的人员更好的理解本发明中的技术方案,下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚,完整的描述。显然,所描述的实施例仅仅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,都应当属于本发明保护的范围。
该基于自适应双路检测网络的车辆检测方法,包括以下步骤:
第一步,利用复杂级别识别任务网络,对车辆检测任务的复杂性进行分级;
第二步,针对难以检测的复杂级别的车辆重建网络,从而使复杂级别的车辆容易被检测;
第三步,利用车辆检测网络对获得的车辆图像进行检测。
所述第一步中,首先要选取一部分图像作为训练集,对复杂级别识别任务网络进行训练,根据训练集车辆检测的难度进行标记。
所述第一步中,采用DenseNet(Dense Convolutional Network,稠密卷积神经网络)网络结构作为复杂级别识别任务网络,进行训练。
对于传统卷积结构,L层一共有L个connections;但DenseNet网络结构,L层一共有L(L-1)/2个connection。而且,DenseNet网络结构能够让每一层都接受它前面所有层的输出。
DenseNet网络结构每个层从前面的所有层获得额外的输入,并将自己的特征映射传递到后续的所有层,使用级联方式,每一层都在接受来自前几层的“集体知识(collective knowledge)”。由于每个层从前面的所有层接收特征映射,所以DenseNet网络结构可以更薄、更紧凑,即信道数可以更少。因此,DenseNet网络结构具有较高的计算效率和存储效率。
相对于传统卷积结构,DenseNet网络结构不仅能缓解梯度消失问题,还能加强特征传播,鼓励特征复用,减少计算量。
所述第一步中,根据训练集车辆检测的难度将样本标记为正样本或负样本;当出现远景中的车辆目标较小、车辆之间的遮挡和/或恶劣天气时,则将样本标记为正样本,其余样本标记为负样本。
所述重建网络和车辆检测网络都要先进行训练,然后才能用于图像识别检测。
所述第二步中,利用TP-GAN网络的架构,以难以检测的复杂级别的车辆为目标,进行网络重建。
所述第二步中,在重建网络中嵌入TP-GAN,将难以检测的复杂级别的车辆图像转转换为容易检测的图像。
例如,将小目标车辆转换为大目标,去除恶劣天气等。
所述第三步中,采用Faster RCNN网络结构作为车辆检测网络,对所有图像中的车辆进行检测。
所述第三步中,对获得的车辆图像进行检测时,包括以下步骤:
第一步,先将图像输入到复杂级别识别任务网络中,根据图像中车辆检测任务的复杂性对输入图像进行分类;
第二步,若分类结果为复杂级别,则将图像输入到重建网络,生成更容易检测的图像,然后再将生成的图像输入到车辆检测网络,输出检测结果;
第三步,若分类结果为容易级别,则将图像直接输入到车辆检测网络,输出最终检测结果即可。
与现有技术相比,该基于自适应双路检测网络的车辆检测方法,具有以下特点:
第一,能够自动估测图像中车辆识别的难易程度,并根据难易程度选择不同的方法进行检测;
第二,对于难以检测的复杂级别的任务,可以通过重建网络降低其检测难度,从而极大地提高了复杂图像的检测精度,进而提高了车辆检测精度,进一步保障了无人驾驶车辆的安全性。
以上对本发明实例中的一种基于自适应双路检测网络的车辆检测方法进行了详细的介绍。本部分采用具体实例对发明的原理及实施方式进行了阐述,以上实例仅用于帮助理解本发明的核心思想,在不脱离本发明原理的情况下,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,都应当属于本发明保护的范围。
Claims (6)
1.一种基于自适应双路检测网络的车辆检测方法,其特征在于,包括以下步骤:
第一步,利用复杂级别识别任务网络,对车辆检测任务的复杂性进行分级;
根据训练集车辆检测的难度将样本标记为正样本或负样本;当出现远景中的车辆目标较小、车辆之间的遮挡和/或恶劣天气时,则将样本标记为正样本,其余样本标记为负样本;
第二步,针对难以检测的复杂级别的车辆重建网络,从而使复杂级别的车辆容易被检测;
利用TP-GAN网络的架构,以难以检测的复杂级别的车辆为目标,进行网络重建;在重建网络中嵌入TP-GAN,将难以检测的复杂级别的车辆图像转转换为容易检测的图像;
第三步,利用车辆检测网络对获得的车辆图像进行检测。
2.根据权利要求1所述的基于自适应双路检测网络的车辆检测方法,其特征在于:所述第一步中,首先要选取一部分图像作为训练集,对复杂级别识别任务网络进行训练,根据训练集车辆检测的难度进行标记。
3.根据权利要求2所述的基于自适应双路检测网络的车辆检测方法,其特征在于:所述第一步中,采用DenseNet网络结构作为复杂级别识别任务网络,进行训练。
4.根据权利要求1所述的基于自适应双路检测网络的车辆检测方法,其特征在于:所述重建网络和车辆检测网络都要先进行训练,然后才能用于图像识别检测。
5.根据权利要求4所述的基于自适应双路检测网络的车辆检测方法,其特征在于:所述第三步中,采用Faster RCNN网络结构作为车辆检测网络,对所有图像中的车辆进行检测。
6.根据权利要求5所述的基于自适应双路检测网络的车辆检测方法,其特征在于:所述第三步中,对获得的车辆图像进行检测时,包括以下步骤:
第一步,先将图像输入到复杂级别识别任务网络中,根据图像中车辆检测任务的复杂性对输入图像进行分类;
第二步,若分类结果为复杂级别,则将图像输入到重建网络,生成更容易检测的图像,然后再将生成的图像输入到车辆检测网络,输出检测结果;
第三步,若分类结果为容易级别,则将图像直接输入到车辆检测网络,输出最终检测结果即可。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911211042.9A CN110991337B (zh) | 2019-12-02 | 2019-12-02 | 一种基于自适应双路检测网络的车辆检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911211042.9A CN110991337B (zh) | 2019-12-02 | 2019-12-02 | 一种基于自适应双路检测网络的车辆检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110991337A CN110991337A (zh) | 2020-04-10 |
CN110991337B true CN110991337B (zh) | 2023-08-25 |
Family
ID=70089087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911211042.9A Active CN110991337B (zh) | 2019-12-02 | 2019-12-02 | 一种基于自适应双路检测网络的车辆检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991337B (zh) |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06274626A (ja) * | 1993-03-19 | 1994-09-30 | Toyota Motor Corp | 走行車両検出装置 |
JPH09133506A (ja) * | 1995-11-10 | 1997-05-20 | Mitsubishi Motors Corp | 車両検出方法 |
CN102651075A (zh) * | 2011-02-28 | 2012-08-29 | 中兴智能交通系统(北京)有限公司 | 车辆识别模型训练方法、车辆识别方法及装置 |
CN103593655A (zh) * | 2013-11-20 | 2014-02-19 | 深圳先进技术研究院 | 无线胶囊内窥镜图像识别方法及系统 |
CN104392212A (zh) * | 2014-11-14 | 2015-03-04 | 北京工业大学 | 一种基于视觉的道路信息检测及前方车辆识别方法 |
CN104794435A (zh) * | 2015-04-03 | 2015-07-22 | 中国科学院自动化研究所 | 一种基于视觉的无人机对地运动目标检测方法 |
CN105069472A (zh) * | 2015-08-03 | 2015-11-18 | 电子科技大学 | 一种基于卷积神经网络自适应的车辆检测方法 |
CN105740906A (zh) * | 2016-01-29 | 2016-07-06 | 中国科学院重庆绿色智能技术研究院 | 一种基于深度学习的车辆多属性联合分析方法 |
CN106407947A (zh) * | 2016-09-29 | 2017-02-15 | 百度在线网络技术(北京)有限公司 | 用于无人驾驶车辆的目标物体识别方法和装置 |
CN107563274A (zh) * | 2017-07-10 | 2018-01-09 | 安徽四创电子股份有限公司 | 一种基于对抗网络学习的视频的车辆检测方法和计数方法 |
WO2018036277A1 (zh) * | 2016-08-22 | 2018-03-01 | 平安科技(深圳)有限公司 | 车辆检测的方法、装置、服务器及存储介质 |
CN107967468A (zh) * | 2018-01-19 | 2018-04-27 | 刘至键 | 一种基于无人驾驶汽车的辅助控制系统 |
DE102017011762A1 (de) * | 2017-12-20 | 2018-07-12 | Daimler Ag | Verfahren zum Identifizieren eines Fahrzeuges |
CN108509976A (zh) * | 2018-02-12 | 2018-09-07 | 北京佳格天地科技有限公司 | 动物的识别装置和方法 |
CN108573244A (zh) * | 2018-04-28 | 2018-09-25 | 济南浪潮高新科技投资发展有限公司 | 一种车辆检测方法、装置及系统 |
CN108596958A (zh) * | 2018-05-10 | 2018-09-28 | 安徽大学 | 一种基于困难正样本生成的目标跟踪方法 |
CN108629279A (zh) * | 2018-03-27 | 2018-10-09 | 哈尔滨理工大学 | 一种基于卷积神经网络的车辆目标检测的方法 |
CN108985186A (zh) * | 2018-06-27 | 2018-12-11 | 武汉理工大学 | 一种基于改进YOLOv2的无人驾驶中行人检测方法 |
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 |
CN109829400A (zh) * | 2019-01-18 | 2019-05-31 | 青岛大学 | 一种快速车辆检测方法 |
CN110223234A (zh) * | 2019-06-12 | 2019-09-10 | 杨勇 | 基于级联收缩扩张的深度残差网络图像超分辨率重建方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114565896A (zh) * | 2022-01-05 | 2022-05-31 | 西安电子科技大学 | 一种跨层融合改进的YOLOv4道路目标识别算法 |
CN114626477A (zh) * | 2022-03-22 | 2022-06-14 | 中国农业银行股份有限公司 | 一种目标检测方法、装置及设备 |
CN114821492A (zh) * | 2022-04-10 | 2022-07-29 | 华东交通大学 | 一种基于YOLOv4的道路车辆检测系统及方法 |
-
2019
- 2019-12-02 CN CN201911211042.9A patent/CN110991337B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06274626A (ja) * | 1993-03-19 | 1994-09-30 | Toyota Motor Corp | 走行車両検出装置 |
JPH09133506A (ja) * | 1995-11-10 | 1997-05-20 | Mitsubishi Motors Corp | 車両検出方法 |
CN102651075A (zh) * | 2011-02-28 | 2012-08-29 | 中兴智能交通系统(北京)有限公司 | 车辆识别模型训练方法、车辆识别方法及装置 |
CN103593655A (zh) * | 2013-11-20 | 2014-02-19 | 深圳先进技术研究院 | 无线胶囊内窥镜图像识别方法及系统 |
CN104392212A (zh) * | 2014-11-14 | 2015-03-04 | 北京工业大学 | 一种基于视觉的道路信息检测及前方车辆识别方法 |
CN104794435A (zh) * | 2015-04-03 | 2015-07-22 | 中国科学院自动化研究所 | 一种基于视觉的无人机对地运动目标检测方法 |
CN105069472A (zh) * | 2015-08-03 | 2015-11-18 | 电子科技大学 | 一种基于卷积神经网络自适应的车辆检测方法 |
CN105740906A (zh) * | 2016-01-29 | 2016-07-06 | 中国科学院重庆绿色智能技术研究院 | 一种基于深度学习的车辆多属性联合分析方法 |
WO2018036277A1 (zh) * | 2016-08-22 | 2018-03-01 | 平安科技(深圳)有限公司 | 车辆检测的方法、装置、服务器及存储介质 |
CN106407947A (zh) * | 2016-09-29 | 2017-02-15 | 百度在线网络技术(北京)有限公司 | 用于无人驾驶车辆的目标物体识别方法和装置 |
CN107563274A (zh) * | 2017-07-10 | 2018-01-09 | 安徽四创电子股份有限公司 | 一种基于对抗网络学习的视频的车辆检测方法和计数方法 |
DE102017011762A1 (de) * | 2017-12-20 | 2018-07-12 | Daimler Ag | Verfahren zum Identifizieren eines Fahrzeuges |
CN107967468A (zh) * | 2018-01-19 | 2018-04-27 | 刘至键 | 一种基于无人驾驶汽车的辅助控制系统 |
CN108509976A (zh) * | 2018-02-12 | 2018-09-07 | 北京佳格天地科技有限公司 | 动物的识别装置和方法 |
CN108629279A (zh) * | 2018-03-27 | 2018-10-09 | 哈尔滨理工大学 | 一种基于卷积神经网络的车辆目标检测的方法 |
CN108573244A (zh) * | 2018-04-28 | 2018-09-25 | 济南浪潮高新科技投资发展有限公司 | 一种车辆检测方法、装置及系统 |
CN108596958A (zh) * | 2018-05-10 | 2018-09-28 | 安徽大学 | 一种基于困难正样本生成的目标跟踪方法 |
CN108985186A (zh) * | 2018-06-27 | 2018-12-11 | 武汉理工大学 | 一种基于改进YOLOv2的无人驾驶中行人检测方法 |
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 |
CN109829400A (zh) * | 2019-01-18 | 2019-05-31 | 青岛大学 | 一种快速车辆检测方法 |
CN110223234A (zh) * | 2019-06-12 | 2019-09-10 | 杨勇 | 基于级联收缩扩张的深度残差网络图像超分辨率重建方法 |
Non-Patent Citations (1)
Title |
---|
Li B.3D Fully Convolutional Network for Vehicle Detection in Point Cloud.《017 IEEERSJ International Conference on Intelligent Robots and Systems (IROS)》.2017,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110991337A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107576960B (zh) | 视觉雷达时空信息融合的目标检测方法及系统 | |
CN111310583B (zh) | 一种基于改进的长短期记忆网络的车辆异常行为识别方法 | |
CN107274445B (zh) | 一种图像深度估计方法和系统 | |
CN111738037B (zh) | 一种自动驾驶方法及其系统、车辆 | |
CN108520238B (zh) | 一种基于深度预测编码网络的夜视图像的场景预测方法 | |
CN114418895A (zh) | 驾驶辅助方法及装置、车载设备及存储介质 | |
CN107745710A (zh) | 一种基于机器视觉与机器学习的自动泊车方法及系统 | |
CN107985189A (zh) | 面向高速驾驶环境下的驾驶员变道深度预警方法 | |
CN113095152B (zh) | 一种基于回归的车道线检测方法及系统 | |
CN111814667B (zh) | 一种智能路况识别方法 | |
CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
Nose et al. | A study on a lane keeping system using CNN for online learning of steering control from real time images | |
CN112009491B (zh) | 一种基于交通元素视觉增强的深度学习的自动驾驶方法及系统 | |
CN116258940A (zh) | 一种多尺度特征及自适应权重的小目标检测方法 | |
CN113129336A (zh) | 一种端到端多车辆跟踪方法、系统及计算机可读介质 | |
CN110991337B (zh) | 一种基于自适应双路检测网络的车辆检测方法 | |
CN115147450B (zh) | 基于运动帧差图像的移动目标检测方法及检测装置 | |
Nakamura et al. | Few-shot adaptive object detection with cross-domain cutmix | |
Schenkel et al. | Domain adaptation for semantic segmentation using convolutional neural networks | |
CN115294548B (zh) | 一种基于行方向上位置选择和分类方法的车道线检测方法 | |
Forczmański et al. | Deep learning approach to detection of preceding vehicle in advanced driver assistance | |
CN115630361A (zh) | 一种基于注意力蒸馏的联邦学习后门防御方法 | |
Meftah et al. | Deep residual network for autonomous vehicles obstacle avoidance | |
CN113221643B (zh) | 一种采用级联网络的车道线分类方法及系统 | |
EP4131174A1 (en) | Systems and methods for image based perception |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230801 Address after: 250100 building S02, No. 1036, Langchao Road, high tech Zone, Jinan City, Shandong Province Applicant after: Shandong Inspur Scientific Research Institute Co.,Ltd. Address before: North 6th floor, S05 building, Langchao Science Park, 1036 Langchao Road, hi tech Zone, Jinan City, Shandong Province, 250100 Applicant before: SHANDONG INSPUR ARTIFICIAL INTELLIGENCE RESEARCH INSTITUTE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |