CN106372577A - 一种基于深度学习的交通标志自动识别与标注方法 - Google Patents
一种基于深度学习的交通标志自动识别与标注方法 Download PDFInfo
- Publication number
- CN106372577A CN106372577A CN201610709275.1A CN201610709275A CN106372577A CN 106372577 A CN106372577 A CN 106372577A CN 201610709275 A CN201610709275 A CN 201610709275A CN 106372577 A CN106372577 A CN 106372577A
- Authority
- CN
- China
- Prior art keywords
- traffic
- network
- information
- signss
- convolutional neural
- 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
- 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于深度学习的交通标志自动识别与标注方法,用于智能汽车的环境感知技术领域。本发明采用语义分割结构对交通标志定位检测,获取含有交通标志的候选区域,语义分割结构包含两部分:编码网络;解码网络和基于像素的分类层。然后通过快速区域卷积神经网络对候选区域中的交通标志进行分类识别并定位。基于该交通标志自动识别与标注方法,还相应提供了一种有效的更新地图导航信息的方法。本发明用语义分割的方法对交通标志候选区域进行定位,提供了新思路,并减少了训练的参数数量,节省了存储空间,缩短了计算时间。本发明识别准确率高,可以对地图导航信息进行较准确的交通标志信息更新,以方便更好地服务驾驶员。
Description
技术领域
本发明涉及智能汽车的环境感知技术领域,适用于无人驾驶以及辅助驾驶系统,具体涉及一种基于深度学习的交通标志自动识别与标注方法。
技术背景
随着社会的发展,汽车已经成为人类日常生活不可替代的交通工具。然而,随之而来的是日益突出的安全问题。当今,地图导航是人们日常出行常用的工具。但地图导航存在着明显的缺点,它提供的路况信息往往会因为道路维修、扩建、改造等原因而发生变化,其中交通标志的信息也时常发生变化。因此,能使用自动识别交通标志的模块定期对地图导航中的信息进行更新是非常必要的,这关乎人们的出行安全。道路交通标志识别模块是无人驾驶汽车环境感知的重要部分,可以通过与GPS共同使用以获取交通标志的精确地理信息和标志含义,同时无人驾驶汽车也可根据所处环境的交通标志指示信息做出正确决策,进而减少交通事故的发生。
交通标志包含了道路状况的改变、行驶速度以及驾驶行为限制等重要信息,因此,交通标志自动识别技术有很强的必要性:1)能够为驾驶员提供视力延伸:驾驶员因为身体疲劳、视力不佳、注意力不集中等原因,以及受到光照、恶劣天气等因素干扰,有时不能准确快速获取行驶过程中的交通标志信息;2)能够及时获取真实、准确的交通信息:地图导航仪能自动提示行驶路线以及部分现行规则信息,但是由于地图导航仪不能及时跟上道路中标志牌变化,从而经常发生错误的指引;3)采集和更新地理信息时,可以节省大量的人力和物力。
在交通标志的定位检测方面,滑动窗口的方法,如级联分类器或基于梯度方向直方图特征的支持向量机分类器,由于需要在测试图片中要获得大量窗口,使得计算的复杂性和误检率增大。部分学者使用颜色信息对交通标志进行检测,根据图像在一个亮度信号Y和两个色差信号U、V的颜色模型中红色像素所占的比例检测可能的交通标志区域。但是,基于颜色的交通标志检测在强光照、昏暗和不利天气的情况下表现不佳。
在交通标志识别方面,现有的交通标志分类识别方法大多是本身的特征和分类器相结合。有学者提出的基于Zernike不变矩与支持向量机的交通标志识别方法,该方法对于交通标志出现旋转、尺度缩放等情况效果不错,但是在改变光照条件下的识别率效果不佳。
在自然场景下,光照变化、颜色褪色、运动造成的模糊、复杂的背景、部分遮挡等因素,给交通标志的实时自动检测与识别带来了巨大挑战。现有的方法大多基于人工提取的交通标志特征进行分类识别,泛化能力差。
因此,高效准确的交通标志识别系统在智能交通系统中发挥举足轻重的作用,而交通标志的检测与识别算法则是识别系统的核心,决定了识别系统的性能,对于汽车安全驾驶以及无人驾驶汽车正确决策都有着很高的应用价值。
发明内容
针对目前交通标志识别差的问题,本发明提供了一种基于深度学习的交通标志自动识别与标注方法,获取含有交通标志的图片候选区域,对提取的交通标志候选区域使用快速区域卷积神经网络进行分类识别,实现交通标志识别和标注,本发明用于更新地图导航信息,同时为交通标志识别的研究提供新的角度和思路。
本发明的一种基于深度学习的交通标志自动识别与标注方法,通过以下步骤实现:
步骤一:采用语义分割结构对交通标志定位检测,获取含有交通标志的候选区域;
所述的语义分割结构包含两部分:一部分是编码网络;另一部分是相应的解码网络和基于像素的分类层。
所述的编码网络包含VGG16网络的卷积层和最大值池化层,去掉VGG16网络的全连接层;一个卷积层对应一个编码器,每个编码器卷积生成特征图,存储最深的编码器输出的特征图,存储各最大值池化的指数;
所述的解码网络中,对应编码网络中的每个编码器有一个解码器,解码器利用相应编码器在最大值池化时的池化指数对输入的特征图进行非线性上采样,生成稀疏的特征图,再对稀疏的特征图经过卷积操作,生成密集特征图;
基于像素的分类层是指将解码网络输出的密集特征图送入softmax分类器,对图中的每个像素分别进行分类,输出一个p通道的概率图,p为类别数量。
步骤二:将步骤一得到的候选区域输入训练好的快速区域卷积神经网络,对交通标志进行分类识别并定位。所述的快速区域卷积神经网络与解码网络共享卷积层。
基于上述的交通标志自动识别与标注方法,本发明进一步提供了一种有效的更新地图导航信息的方法,通过以下步骤实现:
步骤1:获取精确的地理位置信息和交通标志信息;
采用GPS模块获取精确的地理位置信息,并用交通标志识别模块识别出交通标志信息,将两者结合后得到准确的交通标志本身含有的信息以及其所在的地理位置。所述的交通标识识别模块采用所述的交通标志自动识别与标注方法实现。
步骤2:对地图导航进行更新;
将步骤1识别的交通标识及其所在的地理位置信息,与地图导航仪中的地理信息及交通标志信息进行匹配,如果信息不能匹配则将地图导航信息进行更新,如果完全匹配则地图导航信息保持不变。
本发明的优点和积极效果在于:
1、本发明方法具有识别交通标志的种类多、节省存储空间和计算所需的时间、实时性好等优势,可以将由于路况发生变化或者由于更新不及时或不准确的地图导航信息进行较准确的交通标志信息更新,以方便更好地服务驾驶员。
2、与现有对交通标志的定位检测的研究角度不同,本发明用语义分割的方法对交通标志候选区域进行定位,为交通标志的定位检测提供新的研究思路。本发明主要应用于道路场景的理解,解码器利用了相应编码器在最大值池化时的池化指数来进行非线性上采样,避免了学习上采样的过程,同时改善边界的非线性,减少了端到端训练的参数数量,更节省存储空间,同时缩短计算所需的时间。
3、交通标志识别阶段中,本发明对上述候选区域采用一种与解码网络共享卷积层的快速区域卷积神经网络,能够快速识别高分辨率图片中的交通标志。
4、本发明充分利用图像卷积的优势,降低了光照变化、颜色褪色、运动造成的模糊、复杂的背景、部分遮挡等因素对图像识别的影响,提高了抗干扰能力,识别准确率高,误识别率低。
附图说明
图1是本发明更新地图导航信息的方法流程示意图;
图2是本发明的交通标志自动识别和标注的流程示意图;
图3是本发明方法中交通标志定位检测阶段的示意图;
图4是VGG16的网络配置表示意图;
图5是ReLU激活函数示意图;
图6是解码工作流程示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细陈述。
如图1所示,本发明采用GPS模块获取地理位置信息,并用交通标志识别模块识别出交通标志信息,将两者结合后与地图导航仪中的地理信息与交通标志信息进行匹配,如果信息不能匹配则将地图导航信息进行更新,如果完全匹配则地图导航信息保持不变。通过此方法,本发明可以将由于路况发生变化或者由于更新不及时或不准确的地图导航信息进行较准确的交通标志信息更更新,以方便更好地服务驾驶员。
本发明的交通标志识别模块中使用本发明提出的基于深度学习的交通标志自动识别与标注方法,流程如图2所示,包括以下几个步骤:
步骤一:交通标志定位检测阶段,获取含有交通标志的候选区域。
交通标志的定位检测阶段是整个交通标志识别的基础,本发明采用的语义分割结构包含两部分,一部分是编码网络,另一部分是相应的解码结构和最后的基于像素的分类层,如图3,输出图像中的矩形框选区域为交通标志的候选区域。
(1)VGG16网络。
在介绍本发明的语义分割结构之前,简要介绍一下VGG16结构,如图4所示:每组卷积层由多个卷积层组成,后面紧跟着最大值池化层。在卷积和池化之后,经过3层的全连接,最后一个全连接层的输出作为softmax分类层的输入,生成交通标志分类的结果。softmax函数将多个标量映射为一个概率分布。对于k个标量x1,x2,…,xk,softmax函数定义为:
其中,exp(xk)为zk为标量xk对应的softmax函数值。
该网络使用了增加非线性ReLU(Rectified Linear Unit)激活,如图5所示,卷积层和全连接层的输出都经过ReLU的处理,这可以大大缩短了网络训练的时间。ReLu激活函数f(x)的公式为:
f(x)=max(0,x) (2)
公式(2)中,x表示的是激活函数的输入值,利用该公式,若输入值比0小则输出为0,若输入值比0大则输出值就等于输入值。
此外,该网络还使用一种正则化方法Dropout,避免在全连接层上出现过拟合的现象。
(2)编码网络部分,基于VGG16网络改进实现。
编码网络包含对应于VGG16网络的13个卷积层和5个最大值池化层。本发明保留下最深的编码器输出的特征图,去掉全连接层,这样能极大地减少网络结构中的参数数量。在编码网络中的每一个编码器用一组滤波器卷积后生成一系列特征图。然后把这些特征图进行归一化,之后用ReLU激活函数。
本发明实施例中,最大值池化使用的是2*2的窗口,步长为2,最大值池化是为了获得对于输入图片中空间转移的平移不变性。但是最大值池化会损失边界信息,但是边界信息是至关重要的,因此有必要获取和存储在下采样之前的编码器特征图中的边界信息。但是在实际应用中,存储所有的编码器特征图是不可行的,本发明仅仅存储最大值池化的指数。最大值池化的指数是指最大值池化操作后保留下来的数值在原特征图中的相对位置。
(3)解码网络和基于像素的分类层。
每一个编码层都有一个对应的解码层,因此解码层也有13层。解码器利用了相应编码器在最大值池化时的池化指数来进行非线性上采样,这避免了学习上采样,同时改善边界的非线性,减少了端到端训练的参数数量。本发明主要应用于道路场景的理解,推测时节省存储空间和计算所需的时间。解码网络中的解码器用存储的从相应的编码器中获得的最大值池化指数上采样到输入特征图,这一步可以产生稀疏的特征图,如图6所示,图中的大矩形表示的为稀疏的特征图。这些稀疏的特征图用可训练的解码器卷积后生成密集的特征图。
然后对生成的密集特征图批归一化(batch normalization)。解码器输出的高维特征图送入softmax分类器。softmax对于每个像素分别进行分类,输出的是一个p通道的概率图,其中p是类别的数量。
(4)编码、解码网络的训练。
本发明的语义分割结构在可训练的参数上较为精简,并且不需要复杂的训练协议就能够用随机梯度下降算法进行端到端的训练。编码和解码的权重都采用正态分布上的采样数乘以的方式进行初始化,n是编码或解码的权重的输入值个数。本发明用随机梯度下降算法进行训练,使用固定的学习率0.1和动量0.9来训练。
(5)编码、解码网络的损失函数。
本发明用cross-entropy损失函数作为训练网络的目标函数。cross-entropy损失函数Li为:
步骤二:交通标志分类识别阶段,对于已经提取出来的交通标志候选区域进行特征提取和分类识别。
(1)快速区域卷积神经网络。
针对步骤一中得到的含有交通标志的候选区域,在交通标志的分类识别阶段,本发明采用一种与解码网络共享卷积层的快速区域卷积神经网络算法(fast-Region basedConvolutional Neural Network)进行交通标志的识别。训练快速区域卷积神经网络时,首先将带有标注的数据集输入卷积神经网络中,生成卷积特征图。带有标注的数据集是指标记有交通类别的交通标志图像的集合。随后将步骤一得到的含有交通标志的候选区域映射到卷积特征图中,获取相应的特征信息。随后,对该特征信息进行池化操作,得到一个大小为7*7的区域特征池化图。紧接着,进一步通过全连接获取一个4096维的特征向量,该特征向量就是卷积神经网络对候选区域所提取出的最终特征。最后,将此特征向量分别输入到softmax分类器与包围盒中,利用非极大值抑制法判断出候选区域的目标类别与在图中的位置。之后,利用判断值与实际标注值之间的差别得到损失函数,然后利用反向传播算法与随机梯度下降法对网络参数结构进行优化,最终得到输出网络。在实验时,将待测图像输入到网络中,直接输出交通标志的类别并进行定位。
(2)解码网络与快速区域卷积网络的联合训练。
本发明采用一种联合训练方法,通过交替优化的方式使得解码网络与快速区域卷积网络可以编码网络中共享卷积层参数。训练步骤分为四步:1)首先对解码网络利用在ImageNet数据集上预训练的模型进行初始化,之后进行微调训练;2)对快速区域卷积网络进行训练,其中利用第一步的解码网络生成的建议框作为训练输入样本,同样由ImageNet预训练的模型进行初始化;3)用检测网络初始化候解码网络,但固定共享的卷积层,并且只微调解码网络独有的层;4)保持共享的卷积层固定,微调快速区域卷积神经网络的全连接层。这样,两个网络共享相同的卷积层,构成一个统一的网络。
(3)快速区域卷积神经网络的损失函数。
快速区域卷积神经网络中,通过softmax分类器对输入的候选区域输出k+1类目标(包含背景)的概率,实现交通标志类别判断,通过包围盒对候选区域输出回归后的包围盒坐标,实现交通标志的定位,k为交通标志的类别数。对于每一个训练候选区域定义损失函数为:
L(p,u,tu,t*)=Lcls(p,u)+[u≥1]Lloc(tu,t*) (4)
其中,Lcls(p,u)=-logpu是候选区域对应的真实目标类别u的对数损失。对于k+1类目标有p=(p0,p1…pk),pu表示类别为u的真实目标。[u≥1]为示性函数,当候选区域为背景时,u=0。Lloc(tu,t*)为包围盒坐标的回归损失,其中S(x)为:
对于回归,对于k类目标中的每一个都有tk表示类别是k的预测目标对应的包围盒的坐标向量。某个预测区域的包围盒的坐标向量表示为t=[tx,ty,tw,th]T,候选区域对应的真实目标包围盒的参数坐标向量表示为本发明采用4个坐标的参数:
其中,x,y指的是预测的包围盒中心坐标,w,h分别是预测的包围盒的宽、高。
xa,ya是候选区域中心坐标,wa,ha分别是候选区域的宽、高。
x*,y*分别为真实区域包围盒中心坐标。w*,h*分别是真实区域包围盒的宽、高。
Claims (4)
1.一种基于深度学习的交通标志自动识别与标注方法,其特征在于,实现步骤如下:
步骤一:采用语义分割结构对交通标志定位检测,获取含有交通标志的候选区域;
所述的语义分割结构包含两部分:一部分是编码网络,另一部分是相应的解码网络和基于像素的分类层;
所述的编码网络包含VGG16网络的卷积层和最大值池化层,去掉VGG16网络的全连接层;一个卷积层对应一个编码器,每个编码器卷积生成特征图,存储最深的编码器输出的特征图,存储各最大值池化的指数;
所述的解码网络中,对应编码网络中的每个编码器有一个解码器,解码器利用相应编码器在最大值池化时的池化指数对输入的特征图进行非线性上采样,生成稀疏的特征图,再对稀疏的特征图经过卷积操作,生成密集特征图;
基于像素的分类层是指将解码网络输出的密集特征图送入softmax分类器,对图中的每个像素分别进行分类,输出一个p通道的概率图,p为类别数量;
步骤二:将步骤一得到的候选区域输入训练好的快速区域卷积神经网络,对交通标志进行分类识别并定位;所述的快速区域卷积神经网络与解码网络共享卷积层。
2.根据权利要求1所述的一种基于深度学习的交通标志自动识别与标注方法,其特征在于,步骤一中所述的编码网络和解码网络,在训练时,
(1)对每个编码器或解码器,权重采用正态分布上的采样数乘以的方式进行初始化,n为编码器或解码器的权重的输入值个数;
(2)采用随机梯度下降算法进行训练,训练时使用固定的学习率0.1和动量0.9。
(3)使用cross-entropy损失函数Li作为训练网络的目标函数,如下:
其中,x1,…,xk表示k个标量,exp(xk)为
3.根据权利要求1所述的一种基于深度学习的交通标志自动识别与标注方法,其特征在于,步骤二中所述的快速区域卷积神经网络,在训练时,首先将带有交通类别标注的数据集输入卷积神经网络中,生成卷积特征图,再将含有交通标志的候选区域映射到所生成的卷积特征图中,获取相应的特征信息;然后,对获取的特征信息进行池化操作,得到一个大小为7*7的区域特征池化图,再进一步通过全连接获取一个4096维的特征向量,该特征向量就是卷积神经网络对含有交通标志的候选区域所提取出的最终特征;将得到的特征向量分别输入到softmax分类器与包围盒中,利用非极大值抑制法判断出含有交通标志的候选区域的交通标志类别与图中位置;之后,利用判断值与实际标注值之间的差别得到损失函数,对卷积神经网络参数结构进行优化,最终得到输出网络。
4.一种基于权利要求1至3任一所述的交通标志自动识别与标注方法的更新地图导航信息的方法,其特征在于,实现步骤如下:
步骤1:采用GPS模块获取地理位置信息,采用交通标志识别模块识别出交通标志信息,所述的交通标识识别模块采用所述的交通标志自动识别与标注方法实现;
步骤2:对地图导航进行更新;
将步骤1识别的交通标识及其所在的地理位置信息,与地图导航仪中相应的地理位置信息及交通标志信息进行匹配,如果信息不能匹配则将地图导航信息进行更新,如果完全匹配则地图导航信息保持不变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610709275.1A CN106372577A (zh) | 2016-08-23 | 2016-08-23 | 一种基于深度学习的交通标志自动识别与标注方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610709275.1A CN106372577A (zh) | 2016-08-23 | 2016-08-23 | 一种基于深度学习的交通标志自动识别与标注方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106372577A true CN106372577A (zh) | 2017-02-01 |
Family
ID=57878008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610709275.1A Pending CN106372577A (zh) | 2016-08-23 | 2016-08-23 | 一种基于深度学习的交通标志自动识别与标注方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106372577A (zh) |
Cited By (48)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951473A (zh) * | 2017-03-06 | 2017-07-14 | 浙江大学 | 面向视觉障碍人士的深度视觉问答系统的构建方法 |
CN106980855A (zh) * | 2017-04-01 | 2017-07-25 | 公安部交通管理科学研究所 | 交通标志快速识别定位系统及方法 |
CN106997466A (zh) * | 2017-04-12 | 2017-08-01 | 百度在线网络技术(北京)有限公司 | 用于检测道路的方法和装置 |
CN107066965A (zh) * | 2017-04-11 | 2017-08-18 | 北京汽车集团有限公司 | 检测交通标识的方法及装置 |
CN107301383A (zh) * | 2017-06-07 | 2017-10-27 | 华南理工大学 | 一种基于Fast R‑CNN的路面交通标志识别方法 |
CN107463927A (zh) * | 2017-09-21 | 2017-12-12 | 广东工业大学 | 一种基于卷积神经网络的道路减速带检测方法及装置 |
CN107578300A (zh) * | 2017-10-24 | 2018-01-12 | 济南浪潮高新科技投资发展有限公司 | 一种电梯广告投放工作自动审核的方法及装置 |
CN107644426A (zh) * | 2017-10-12 | 2018-01-30 | 中国科学技术大学 | 基于金字塔池化编解码结构的图像语义分割方法 |
CN108009518A (zh) * | 2017-12-19 | 2018-05-08 | 大连理工大学 | 一种基于快速二分卷积神经网络的层次化交通标识识别方法 |
CN108090464A (zh) * | 2017-12-29 | 2018-05-29 | 浙江大华技术股份有限公司 | 一种人脸检测方法及装置 |
CN108304765A (zh) * | 2017-12-11 | 2018-07-20 | 中国科学院自动化研究所 | 用于人脸关键点定位与语义分割的多任务检测装置 |
CN108319972A (zh) * | 2018-01-18 | 2018-07-24 | 南京师范大学 | 一种针对图像语义分割的端到端差异网络学习方法 |
CN108319909A (zh) * | 2018-01-29 | 2018-07-24 | 清华大学 | 一种驾驶行为分析方法及系统 |
CN108334955A (zh) * | 2018-03-01 | 2018-07-27 | 福州大学 | 基于Faster-RCNN的身份证复印件检测方法 |
CN108734713A (zh) * | 2018-05-18 | 2018-11-02 | 大连理工大学 | 一种基于多特征图的交通图像语义分割方法 |
CN108846475A (zh) * | 2018-05-30 | 2018-11-20 | 华侨大学 | 一种分段密集连接型深度网络构建方法 |
CN109145747A (zh) * | 2018-07-20 | 2019-01-04 | 华中科技大学 | 一种水面全景图像语义分割方法 |
CN109242516A (zh) * | 2018-09-06 | 2019-01-18 | 北京京东尚科信息技术有限公司 | 处理服务单的方法和装置 |
CN109325385A (zh) * | 2017-07-31 | 2019-02-12 | 株式会社理光 | 目标检测和区域分割方法、装置和计算机可读存储介质 |
CN109409392A (zh) * | 2017-08-18 | 2019-03-01 | 广州极飞科技有限公司 | 图片识别的方法及装置 |
CN109446369A (zh) * | 2018-09-28 | 2019-03-08 | 武汉中海庭数据技术有限公司 | 图像半自动标注的交互方法及系统 |
CN109446970A (zh) * | 2018-10-24 | 2019-03-08 | 西南交通大学 | 一种基于深度学习的变电站巡检机器人道路场景识别方法 |
CN109635744A (zh) * | 2018-12-13 | 2019-04-16 | 合肥工业大学 | 一种基于深度分割网络的车道线检测方法 |
CN109635719A (zh) * | 2018-12-10 | 2019-04-16 | 宽凳(北京)科技有限公司 | 一种图像识别方法、装置和计算机可读存储介质 |
CN109784131A (zh) * | 2017-11-15 | 2019-05-21 | 深圳光启合众科技有限公司 | 对象检测方法、装置、存储介质及处理器 |
CN109903351A (zh) * | 2019-03-02 | 2019-06-18 | 复旦大学 | 基于卷积神经网络和传统编码相结合的图像压缩方法 |
CN109919080A (zh) * | 2019-03-05 | 2019-06-21 | 南京航空航天大学 | 多解码器全卷积神经网络及其相应的细观结构识别方法 |
CN109948607A (zh) * | 2019-02-21 | 2019-06-28 | 电子科技大学 | 基于深度学习反卷积网络的候选边框生成和目标检测方法 |
US10345822B1 (en) | 2018-01-26 | 2019-07-09 | Ford Global Technologies, Llc | Cognitive mapping for vehicles |
CN110047056A (zh) * | 2018-01-16 | 2019-07-23 | 西门子保健有限责任公司 | 用深度图像到图像网络和对抗网络的跨域图像分析和合成 |
CN110059772A (zh) * | 2019-05-14 | 2019-07-26 | 温州大学 | 基于迁移vgg网络的遥感图像语义分割方法 |
CN110097018A (zh) * | 2019-05-08 | 2019-08-06 | 深圳供电局有限公司 | 变电站仪表检测方法、装置、计算机设备和存储介质 |
CN110148170A (zh) * | 2018-08-31 | 2019-08-20 | 北京初速度科技有限公司 | 一种应用于车辆定位的定位初始化方法及车载终端 |
CN110163187A (zh) * | 2019-06-02 | 2019-08-23 | 东北石油大学 | 基于f-rcnn的远距离交通标志检测识别方法 |
CN110192206A (zh) * | 2017-05-23 | 2019-08-30 | 谷歌有限责任公司 | 基于注意力的序列转换神经网络 |
CN110263868A (zh) * | 2019-06-24 | 2019-09-20 | 北京航空航天大学 | 基于SuperPoint特征的图像分类网络 |
CN110390224A (zh) * | 2018-04-16 | 2019-10-29 | 高德软件有限公司 | 一种交通指示牌的识别方法及装置 |
CN110471406A (zh) * | 2018-05-09 | 2019-11-19 | 丰田自动车株式会社 | 自动驾驶系统 |
CN110490239A (zh) * | 2019-08-06 | 2019-11-22 | 腾讯医疗健康(深圳)有限公司 | 图像质控网络的训练方法、质量分类方法、装置及设备 |
CN110501018A (zh) * | 2019-08-13 | 2019-11-26 | 广东星舆科技有限公司 | 一种服务于高精度地图生产的交通标志牌信息采集方法 |
CN110647839A (zh) * | 2019-09-18 | 2020-01-03 | 深圳信息职业技术学院 | 自动驾驶策略的生成方法、装置及计算机可读存储介质 |
CN111104839A (zh) * | 2018-10-26 | 2020-05-05 | 斯特拉德视觉公司 | 用于检测客体存在性的方法及装置 |
US10679351B2 (en) | 2017-08-18 | 2020-06-09 | Samsung Electronics Co., Ltd. | System and method for semantic segmentation of images |
CN111723635A (zh) * | 2019-03-20 | 2020-09-29 | 北京四维图新科技股份有限公司 | 实时场景理解系统 |
US20210056363A1 (en) * | 2019-08-23 | 2021-02-25 | Nantcell, Inc. | Systems And Methods For Performing Segmentation Based On Tensor Inputs |
CN113222070A (zh) * | 2021-06-03 | 2021-08-06 | 中国科学院软件研究所 | 一种仿真图像数据自动标注方法及系统 |
CN115422695A (zh) * | 2022-11-03 | 2022-12-02 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种交叉口转向控制标注方法、电子设备及存储介质 |
CN116523914A (zh) * | 2023-07-03 | 2023-08-01 | 智慧眼科技股份有限公司 | 一种动脉瘤分类识别装置、方法、设备、存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1790319A (zh) * | 2004-12-14 | 2006-06-21 | 韩国电子通信研究院 | 使用图像识别的导航信息更新装置及其方法 |
-
2016
- 2016-08-23 CN CN201610709275.1A patent/CN106372577A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1790319A (zh) * | 2004-12-14 | 2006-06-21 | 韩国电子通信研究院 | 使用图像识别的导航信息更新装置及其方法 |
Non-Patent Citations (5)
Title |
---|
GONCALO OLIVEIRA等: "Automatic Graphic Logo Detection via Fast Region-based Convolutional Networks", 《2016 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN)》 * |
ROSS GIRSHICK: "Fast R-CNN", 《2015 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 * |
SHAOQING REN等: "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", 《ARXIV》 * |
VIJAY BADRINARAYANAN等: "SegNet: A Deep Convolutional Encode-Decode Architecture for Image Segmentation", 《ARXIV》 * |
VIJAY BADRINARAYANAN等: "SegNet: A Deep Convolutional Encoder-Decoder Architecture for Robust Semantic Pixel-Wise Labelling", 《ARXIV》 * |
Cited By (73)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951473A (zh) * | 2017-03-06 | 2017-07-14 | 浙江大学 | 面向视觉障碍人士的深度视觉问答系统的构建方法 |
CN106951473B (zh) * | 2017-03-06 | 2019-11-26 | 浙江大学 | 面向视觉障碍人士的深度视觉问答系统的构建方法 |
CN106980855A (zh) * | 2017-04-01 | 2017-07-25 | 公安部交通管理科学研究所 | 交通标志快速识别定位系统及方法 |
CN107066965A (zh) * | 2017-04-11 | 2017-08-18 | 北京汽车集团有限公司 | 检测交通标识的方法及装置 |
CN106997466B (zh) * | 2017-04-12 | 2021-05-04 | 百度在线网络技术(北京)有限公司 | 用于检测道路的方法和装置 |
CN106997466A (zh) * | 2017-04-12 | 2017-08-01 | 百度在线网络技术(北京)有限公司 | 用于检测道路的方法和装置 |
US11893483B2 (en) | 2017-05-23 | 2024-02-06 | Google Llc | Attention-based sequence transduction neural networks |
CN110192206A (zh) * | 2017-05-23 | 2019-08-30 | 谷歌有限责任公司 | 基于注意力的序列转换神经网络 |
CN107301383A (zh) * | 2017-06-07 | 2017-10-27 | 华南理工大学 | 一种基于Fast R‑CNN的路面交通标志识别方法 |
CN109325385A (zh) * | 2017-07-31 | 2019-02-12 | 株式会社理光 | 目标检测和区域分割方法、装置和计算机可读存储介质 |
US10679351B2 (en) | 2017-08-18 | 2020-06-09 | Samsung Electronics Co., Ltd. | System and method for semantic segmentation of images |
CN109409392A (zh) * | 2017-08-18 | 2019-03-01 | 广州极飞科技有限公司 | 图片识别的方法及装置 |
CN107463927A (zh) * | 2017-09-21 | 2017-12-12 | 广东工业大学 | 一种基于卷积神经网络的道路减速带检测方法及装置 |
CN107644426A (zh) * | 2017-10-12 | 2018-01-30 | 中国科学技术大学 | 基于金字塔池化编解码结构的图像语义分割方法 |
CN107578300A (zh) * | 2017-10-24 | 2018-01-12 | 济南浪潮高新科技投资发展有限公司 | 一种电梯广告投放工作自动审核的方法及装置 |
WO2019095596A1 (zh) * | 2017-11-15 | 2019-05-23 | 深圳光启合众科技有限公司 | 对象检测方法、装置、存储介质及处理器 |
CN109784131A (zh) * | 2017-11-15 | 2019-05-21 | 深圳光启合众科技有限公司 | 对象检测方法、装置、存储介质及处理器 |
CN109784131B (zh) * | 2017-11-15 | 2023-08-22 | 深圳光启合众科技有限公司 | 对象检测方法、装置、存储介质及处理器 |
CN108304765A (zh) * | 2017-12-11 | 2018-07-20 | 中国科学院自动化研究所 | 用于人脸关键点定位与语义分割的多任务检测装置 |
CN108009518A (zh) * | 2017-12-19 | 2018-05-08 | 大连理工大学 | 一种基于快速二分卷积神经网络的层次化交通标识识别方法 |
CN108090464A (zh) * | 2017-12-29 | 2018-05-29 | 浙江大华技术股份有限公司 | 一种人脸检测方法及装置 |
CN110047056B (zh) * | 2018-01-16 | 2023-10-13 | 西门子保健有限责任公司 | 用深度图像到图像网络和对抗网络的跨域图像分析和合成 |
CN110047056A (zh) * | 2018-01-16 | 2019-07-23 | 西门子保健有限责任公司 | 用深度图像到图像网络和对抗网络的跨域图像分析和合成 |
CN108319972A (zh) * | 2018-01-18 | 2018-07-24 | 南京师范大学 | 一种针对图像语义分割的端到端差异网络学习方法 |
CN108319972B (zh) * | 2018-01-18 | 2021-11-02 | 南京师范大学 | 一种针对图像语义分割的端到端差异网络学习方法 |
US10345822B1 (en) | 2018-01-26 | 2019-07-09 | Ford Global Technologies, Llc | Cognitive mapping for vehicles |
CN108319909A (zh) * | 2018-01-29 | 2018-07-24 | 清华大学 | 一种驾驶行为分析方法及系统 |
CN108319909B (zh) * | 2018-01-29 | 2021-11-30 | 清华大学 | 一种驾驶行为分析方法及系统 |
CN108334955A (zh) * | 2018-03-01 | 2018-07-27 | 福州大学 | 基于Faster-RCNN的身份证复印件检测方法 |
CN110390224B (zh) * | 2018-04-16 | 2021-06-25 | 阿里巴巴(中国)有限公司 | 一种交通指示牌的识别方法及装置 |
CN110390224A (zh) * | 2018-04-16 | 2019-10-29 | 高德软件有限公司 | 一种交通指示牌的识别方法及装置 |
CN110471406B (zh) * | 2018-05-09 | 2022-06-10 | 丰田自动车株式会社 | 自动驾驶系统 |
CN110471406A (zh) * | 2018-05-09 | 2019-11-19 | 丰田自动车株式会社 | 自动驾驶系统 |
CN108734713A (zh) * | 2018-05-18 | 2018-11-02 | 大连理工大学 | 一种基于多特征图的交通图像语义分割方法 |
CN108846475B (zh) * | 2018-05-30 | 2021-10-26 | 华侨大学 | 一种分段密集连接型深度网络构建方法 |
CN108846475A (zh) * | 2018-05-30 | 2018-11-20 | 华侨大学 | 一种分段密集连接型深度网络构建方法 |
CN109145747B (zh) * | 2018-07-20 | 2021-10-08 | 华中科技大学 | 一种水面全景图像语义分割方法 |
CN109145747A (zh) * | 2018-07-20 | 2019-01-04 | 华中科技大学 | 一种水面全景图像语义分割方法 |
CN110148170A (zh) * | 2018-08-31 | 2019-08-20 | 北京初速度科技有限公司 | 一种应用于车辆定位的定位初始化方法及车载终端 |
CN109242516A (zh) * | 2018-09-06 | 2019-01-18 | 北京京东尚科信息技术有限公司 | 处理服务单的方法和装置 |
CN109446369B (zh) * | 2018-09-28 | 2021-10-08 | 武汉中海庭数据技术有限公司 | 图像半自动标注的交互方法及系统 |
CN109446369A (zh) * | 2018-09-28 | 2019-03-08 | 武汉中海庭数据技术有限公司 | 图像半自动标注的交互方法及系统 |
CN109446970B (zh) * | 2018-10-24 | 2021-04-27 | 西南交通大学 | 一种基于深度学习的变电站巡检机器人道路场景识别方法 |
CN109446970A (zh) * | 2018-10-24 | 2019-03-08 | 西南交通大学 | 一种基于深度学习的变电站巡检机器人道路场景识别方法 |
CN111104839B (zh) * | 2018-10-26 | 2023-12-19 | 斯特拉德视觉公司 | 用于检测客体存在性的方法及装置 |
CN111104839A (zh) * | 2018-10-26 | 2020-05-05 | 斯特拉德视觉公司 | 用于检测客体存在性的方法及装置 |
CN109635719B (zh) * | 2018-12-10 | 2023-11-17 | 宽凳(北京)科技有限公司 | 一种图像识别方法、装置和计算机可读存储介质 |
CN109635719A (zh) * | 2018-12-10 | 2019-04-16 | 宽凳(北京)科技有限公司 | 一种图像识别方法、装置和计算机可读存储介质 |
CN109635744A (zh) * | 2018-12-13 | 2019-04-16 | 合肥工业大学 | 一种基于深度分割网络的车道线检测方法 |
CN109635744B (zh) * | 2018-12-13 | 2020-04-14 | 合肥工业大学 | 一种基于深度分割网络的车道线检测方法 |
CN109948607A (zh) * | 2019-02-21 | 2019-06-28 | 电子科技大学 | 基于深度学习反卷积网络的候选边框生成和目标检测方法 |
CN109903351A (zh) * | 2019-03-02 | 2019-06-18 | 复旦大学 | 基于卷积神经网络和传统编码相结合的图像压缩方法 |
CN109919080A (zh) * | 2019-03-05 | 2019-06-21 | 南京航空航天大学 | 多解码器全卷积神经网络及其相应的细观结构识别方法 |
CN109919080B (zh) * | 2019-03-05 | 2019-10-11 | 南京航空航天大学 | 多解码器全卷积神经网络及其相应的细观结构识别方法 |
CN111723635B (zh) * | 2019-03-20 | 2023-08-18 | 北京四维图新科技股份有限公司 | 实时场景理解系统 |
CN111723635A (zh) * | 2019-03-20 | 2020-09-29 | 北京四维图新科技股份有限公司 | 实时场景理解系统 |
CN110097018A (zh) * | 2019-05-08 | 2019-08-06 | 深圳供电局有限公司 | 变电站仪表检测方法、装置、计算机设备和存储介质 |
CN110059772A (zh) * | 2019-05-14 | 2019-07-26 | 温州大学 | 基于迁移vgg网络的遥感图像语义分割方法 |
CN110059772B (zh) * | 2019-05-14 | 2021-04-30 | 温州大学 | 基于多尺度解码网络的遥感图像语义分割方法 |
CN110163187A (zh) * | 2019-06-02 | 2019-08-23 | 东北石油大学 | 基于f-rcnn的远距离交通标志检测识别方法 |
CN110163187B (zh) * | 2019-06-02 | 2022-09-02 | 东北石油大学 | 基于f-rcnn的远距离交通标志检测识别方法 |
CN110263868A (zh) * | 2019-06-24 | 2019-09-20 | 北京航空航天大学 | 基于SuperPoint特征的图像分类网络 |
CN110490239B (zh) * | 2019-08-06 | 2024-02-27 | 腾讯医疗健康(深圳)有限公司 | 图像质控网络的训练方法、质量分类方法、装置及设备 |
CN110490239A (zh) * | 2019-08-06 | 2019-11-22 | 腾讯医疗健康(深圳)有限公司 | 图像质控网络的训练方法、质量分类方法、装置及设备 |
CN110501018B (zh) * | 2019-08-13 | 2021-11-02 | 广东星舆科技有限公司 | 一种服务于高精度地图生产的交通标志牌信息采集方法 |
CN110501018A (zh) * | 2019-08-13 | 2019-11-26 | 广东星舆科技有限公司 | 一种服务于高精度地图生产的交通标志牌信息采集方法 |
US11941813B2 (en) * | 2019-08-23 | 2024-03-26 | Nantcell, Inc. | Systems and methods for performing segmentation based on tensor inputs |
US20210056363A1 (en) * | 2019-08-23 | 2021-02-25 | Nantcell, Inc. | Systems And Methods For Performing Segmentation Based On Tensor Inputs |
CN110647839A (zh) * | 2019-09-18 | 2020-01-03 | 深圳信息职业技术学院 | 自动驾驶策略的生成方法、装置及计算机可读存储介质 |
CN113222070A (zh) * | 2021-06-03 | 2021-08-06 | 中国科学院软件研究所 | 一种仿真图像数据自动标注方法及系统 |
CN115422695A (zh) * | 2022-11-03 | 2022-12-02 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种交叉口转向控制标注方法、电子设备及存储介质 |
CN116523914A (zh) * | 2023-07-03 | 2023-08-01 | 智慧眼科技股份有限公司 | 一种动脉瘤分类识别装置、方法、设备、存储介质 |
CN116523914B (zh) * | 2023-07-03 | 2023-09-19 | 智慧眼科技股份有限公司 | 一种动脉瘤分类识别装置、方法、设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106372577A (zh) | 一种基于深度学习的交通标志自动识别与标注方法 | |
CN110163187B (zh) | 基于f-rcnn的远距离交通标志检测识别方法 | |
CN110909666B (zh) | 一种基于改进型YOLOv3卷积神经网络的夜间车辆检测方法 | |
CN106326858A (zh) | 一种基于深度学习的公路交通标志自动识别与管理系统 | |
CN112418236B (zh) | 一种基于多任务神经网络的汽车可行驶区域规划方法 | |
CN105844257A (zh) | 基于机器视觉雾天行车错失道路标志牌的预警系统及方法 | |
CN109993082A (zh) | 卷积神经网络道路场景分类与道路分割方法 | |
CN111814623A (zh) | 一种基于深度神经网络的车辆车道偏离视觉检测方法 | |
CN107730904A (zh) | 基于深度卷积神经网络的多任务车辆逆向行驶视觉检测系统 | |
Zhang et al. | CDNet: A real-time and robust crosswalk detection network on Jetson nano based on YOLOv5 | |
CN111191608B (zh) | 基于YOLOv3改进的交通标志检测与识别方法 | |
CN112949633B (zh) | 一种基于改进YOLOv3的红外目标检测方法 | |
US11710239B2 (en) | Method, apparatus, and system using a machine learning model to segment planar regions | |
CN107239730A (zh) | 智能汽车交通标志识别的四元数深度神经网络模型方法 | |
CN111046781A (zh) | 一种基于三元注意力机制的鲁棒三维目标检测方法 | |
CN110599497A (zh) | 一种基于深度神经网络的可行驶区域分割方法 | |
CN109871789A (zh) | 一种基于轻量化神经网络的复杂环境下车辆检测方法 | |
CN110069982A (zh) | 一种交通车辆与行人的自动识别方法 | |
CN112801270A (zh) | 融合深度卷积与注意力机制的u形网络槽自动识别方法 | |
CN110321897A (zh) | 基于图像语义分割识别非机动车异常行为的方法 | |
CN112329533A (zh) | 一种基于图像分割的局部路面附着系数估计方法 | |
CN112560693A (zh) | 基于深度学习目标检测的高速公路异物识别方法和系统 | |
CN111964763B (zh) | 一种动态平板秤称重区域汽车断续行驶行为检测方法 | |
CN109993058A (zh) | 基于多标签分类的道路交通标志的识别方法 | |
CN111931683A (zh) | 图像识别方法、装置及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | 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: 20170201 |