CN106570851B - 一种基于加权分配d-s证据理论的显著图融合方法 - Google Patents
一种基于加权分配d-s证据理论的显著图融合方法 Download PDFInfo
- Publication number
- CN106570851B CN106570851B CN201610956360.8A CN201610956360A CN106570851B CN 106570851 B CN106570851 B CN 106570851B CN 201610956360 A CN201610956360 A CN 201610956360A CN 106570851 B CN106570851 B CN 106570851B
- Authority
- CN
- China
- Prior art keywords
- notable
- formula
- evidence
- sal
- width
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 7
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 7
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 14
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000012360 testing method Methods 0.000 abstract description 5
- 230000010354 integration Effects 0.000 abstract 1
- 238000010189 synthetic method Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 230000007812 deficiency Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 101001013832 Homo sapiens Mitochondrial peptide methionine sulfoxide reductase Proteins 0.000 description 1
- 102100031767 Mitochondrial peptide methionine sulfoxide reductase Human genes 0.000 description 1
- 238000005267 amalgamation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
一种基于加权分配D‑S证据理论的显著图融合方法，解决多种显著性检测方法得到的显著图的有效融合问题。首先，使用要融合的显著性检测方法生成各自的显著图。其次，将得到的各显著图视为证据，根据得到的显著图定义各显著性检测方法所对应的识别框架与mass函数。然后，计算各证据间的相似系数与相似矩阵，进而得到各证据的支持度与可信度。接着以可信度为权重对mass函数值进行加权平均得到一幅显著图。然后使用D‑S合成规则将加权平均证据合成得到另一幅显著图。最后，将得到的两幅显著图再次加权求和得到最后的显著图。该方法能够识别出图像中的最显著部分，融合现有优秀显著性检测方法各自的优势，得到的检测效果优于各合成方法独自进行显著性检验时的效果。
Description
技术领域
本发明属于图像处理领域，涉及一种基于加权分配D-S证据理论的显著图融合方法。
背景技术
图像显著性检测旨在找出图像中最重要的部分，是计算机视觉领域用来降低计算复杂度的重要的预处理步骤，在图像压缩、目标识别、图像分割等领域有着广泛的应用，同时它又是计算机视觉中具有挑战性的问题，吸引着大量学者的研究兴趣。目前已出现了大量优秀的图像显著性检测的方法，这些方法各自都有自己的优势与不足，即使是一种显著性检测方法，对于不同的图片检测效果也是差异巨大的。为此能够融合多种显著性检测方法的结果，以得到更优显著图的方法就显得尤为重要了。有一些传统的显著图融合的方法，它们多是对于多幅显著图进行简单的加和平均或是简单相乘取平均，这种显著图融合方式将各种显著图同等对待，把各种显著性检测方法的权值设为同一数值，这在实际中是不合理的，因为对于一幅图片甚至是每一个像素点，各种显著性检测方法的检测效果都是不同的，为此各显著性检测方法的权值也理应设置不同。当前也存在一些研究融合多幅显著图的方法，如Mai等人利用条件随机场(CRF)来融合多幅显著图，但计算速度太慢；Qin等人利用多层元胞自动机(MCA)来融合多幅显著图，得到了非常好的效果，但是其召回率方面效果并不能令人满意。
我们发现了D-S(Dempster-Shafer)证据理论在融合不确定事件中表现出的优异性，而且它是以一个概率区间而不是一个单一的概率值去建模不确定性，对于显著性检测，这种特质更加适用。D-S证据理论最初以Dempster的工作为基础的，是一种不精确推理理论，属于人工智能范畴，最早应用于专家系统中，具有处理不确定信息的能力，在医学诊断、目标识别、军事指挥等方面有着广泛的应用，但目前在显著性检测领域还没有应用。Murphy看到传统D-S证据理论中将各证据同等看待存在的不足，对D-S证据理论进行了改进，得到了加权分配D-S证据理论。看到加权分配D-S证据理论在融合多种决策上的有效性，本发明将加权分配D-S证据理论应用范围扩展到图像显著性检测领域，使用加权分配D-S证据理论来融合多幅显著图，充分利用多个显著图的优点，提高了显著性检测的效果，融合后的效果明显高于各单独的显著性检测方法的效果，在准确率与召回率上均得到了很好的效果。
发明内容
本发明提出了一种基于加权分配D-S证据理论的显著图融合方法，目的在于克服上述现有技术的不足，得到一种更优的多幅显著图的融合方法。
为了实现上述目的，本发明的技术方案为：
一种基于加权分配D-S证据理论的显著图融合方法，包括以下步骤：
第一步，使用要融合的n种(n>1)方法生成n幅初始显著图。
第二步，对于每个像素，定义n幅显著图对应的mass函数。定义环境Θ＝{FG,BG}，其中FG表示像素为前景，BG表示像素为背景。该识别框架包含22个子集，这些子集定义了幂集，可以表示像素为前景，为背景，不确定像素是前景还是背景，既不是前景也不是背景四种情况，记为2Θ。我们知道mass函数满足所以在本发明中，我们由得到的n幅显著图定义mass函数(基本信任分配函数)形式如公式(1)，公式(2)所示：
mi(FG)＝pi (1)
mi(BG)＝1-pi (2)
其中mi(FG)表示第i种显著性检测方法所对应的mass函数，FG表示判定所要融合的像素为前景，pi表示第i幅显著图在所对应像素处的显著值，BG表示判定所对应像素为背景。
第三步，计算各显著图对应的mass函数(即各证据)间的相似系数，列出相似矩阵。相似系数dij的计算如公式(3)所示：
其中相似系数dij用来描述证据间的相似程度，dij∈[0,1]，其值越大表示证据Ei与Ej间越相似，dij＝1时表示两证据完全相同，dij＝0时表示两证据完全不同。Ax，By为焦元，此处可取值BG或是FG。
由相关系数，我们可以得到n个证据所对应的相似矩阵如公式(4)所示：
第四步，求出各证据间的支持度与可信度。证据Ei的被支持度表示被其他证据的支持程度，如果一个证据和其他证据都比较相似，则认为他们的相互支持度也较高，证据Ei的被支持度Sup(mi)计算公式如公式(5)所示：
证据的可信度反映了证据的可信程度，一般一个证据被其他证据所支持的程度越高，该证据可信度就越大，即证据越可信，可信度的计算如公式(6)所示：
第五步，以可信度为权重对mass函数加权平均得到加权后的mass函数mave(FG)，表示像素点为前景的基本概率赋值，如公式(7)所示：
另外，在此处我们将加权后的mass函数值作为显著图的显著值，得到一幅初步合成的显著图Sal1，该显著图可以有效检测所有可能的前景区域，但背景噪声较大，将在后面的步骤中进行优化。如公式(8)所示：
Sal1＝mave(FG) (8)
第六步，使用D-S合成规则将加权平均证据合成n-1次，得到另一幅融合显著图Sal2。我们知道D-S证据中mass函数的合成法则为：其中为此我们可以得到在本发明中的合成mass函数如公式(9)，公式(10)所示：
k＝(mave(FG))n+(1-mave(FG))n (10)
由D-S证据理论相关知识可知本发明中的信任函数Bel(FG)与似然函数Pls(FG)计算公式如公式(11)所示：
Bel(FG)＝Pls(FG)＝m(FG) (11)
此处我们可以得到另一幅显著图Sal2如公式(12)所示：
Sal2＝Bel(FG) (12)
第七步，加权融合得到D-S证据理论融合的显著图Sal。将第五步、第六步得到的两幅显著图进行加权融合得到最终的加权分配D-S证据理论融合的显著图。其中第五步的显著图的作用是查前景区域更加全面，而显著图Sal2的作用是使查出的显著区域更加准确，计算公式如公式(13)所示：
Sal＝μ1×Sal1+μ2×Sal2 (13)
其中μ1，μ2为合成权重，在本发明中设置μ1＝0.35，μ2＝0.65。
本发明的有益效果为：该方法区别于已有方法的特色在于综合利用各种显著性检测方法的优点，得到的效果优于每个单独显著性检测方法的结果。同时与传统的融合多显著图的方法相比，本发明区别对待各种要融合的显著性检测方法，分别赋予不同的权值，效果更优。另外本发明还首次将D-S证据理论引入到了显著性检测领域，并得到了无论是准确率还是召回率都较优的效果。
附图说明
图1是本发明方法的流程示意图；
图2是不同算法的显著性检测结果对比图；(a)待检测图片，(b)真值，(c)BSCA算法得到的显著性结果，(d)DSR算法得到的显著性结果，(e)HS算法得到的显著性结果，(f)RBD算法得到的显著性结果，(g)MR算法得到的显著性结果，(h)MCA融合上述5种算法得到的显著性结果，(i)本发明得到的显著性检测结果；
图3为本发明与其他显著性检测方法在ECSSD标准数据库上的PR(准确率、召回率)曲线；
图4为本发明与其他显著性检测方法在DUT-OMRON标准数据库上的PR(准确率、召回率)曲线；
图5为本发明与其他显著性检测方法在MSRA10K标准数据库上的PR(准确率、召回率)曲线；
具体实施方式
下面结合附图对本发明的实施方式进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本发明在三个标准的数据库上对提出的算法进行测试：ECSSD数据库，该数据库包含了1000张图片，图片大小不同且有多种目标，其中一些图片取自非常难的伯克利300数据库。MSRA10K数据库，它是MSRA数据库的扩展，包含10000张图片，覆盖了ASD数据集中的所有1000张图片，包含了很多复杂背景的图片。DUT-OMRON数据库，该数据库中包含5168张图片，含有像素级别的真值标注，图片背景复杂，目标大小不同，具有很大的挑战性。这三个数据库都有相应的人工标定的显著性区域图。
图1是本发明方法的流程示意图；图2是本发明与其他不同算法的显著性检测结果对比图；图3、图4、图5是不同显著性检测方法在三个标准数据库上PR(准确率，召回率)曲线。实现本发明的具体步骤为：
第一步，使用BSCA，DSR，HS，RBD，MR等5种显著性检测方法生成5幅初始显著图。
第二步，对于每个像素，定义环境Θ＝{FG,BG}，其中FG表示像素为前景，BG表示像素为背景。分别定义BSCA，DSR，HS，RBD，MR等5种显著性检测方法所对应的mass函数，形式如公式(1)，公式(2)所示：
mi(FG)＝pi (1)
mi(BG)＝1-pi (2)
其中mi(FG)表示上面第i种显著性检测方法所对应的mass函数，FG表示判定所要融合的像素为前景，BG表示判定所对应像素为背景，如m1(FG)表示BSCA方法得到的显著图所对应的mass函数，m2(FG)表示DSR方法得到的显著图所对应的mass函数。pi表示上面第i幅显著图在所对应像素处的显著值，如p1表示BSCA方法得到的像素的显著值。
第三步，计算BSCA，DSR，HS，RBD，MR等5种显著性检测方法所对应的mass函数间的相似系数，列出相似矩阵。相似系数dij的计算如公式(3)所示：
其中相似系数dij用来描述证据间的相似程度，dij∈[0,1]，其值越大表示证据Ei与Ej间越相似，dij＝1时表示两证据完全相同，dij＝0时表示两证据完全不同，如d12表示了BSCA与DSR两种方法所对应证据的相似程度。Ax，By为焦元，此处可取值BG或是FG。
由上面计算出的各显著性检测方法对应mass函数间的相关系数，我们可以得到5个证据所对应的相似矩阵如公式(4)所示：
第四步，求出5个证据间的支持度与可信度。证据Ei的被支持度表示被其他证据的支持程度，如果一个证据和其他证据都比较相似，则认为他们的相互支持度也较高，证据Ei的被支持度Sup(mi)计算公式如公式(5)所示，如Sup(m1)就表示了BSCA方法所对应证据被DSR，HS，RBD，MR等其他四种证据的支持程度。
证据的可信度反映了证据的可信程度，一般一个证据被其他证据所支持的程度越高，该证据可信度就越大，即证据越可信，可信度的计算如公式(6)所示：
第五步，以5种证据各自的可信度为权重对mass函数加权平均得到加权后的mass函数mave(FG)，表示像素点为前景的基本概率赋值，如公式(7)所示：
另外，在此处我们将加权后的mass函数值作为显著图的显著值，得到一幅初步合成的显著图Sal1，该显著图可以有效检测所有可能的前景区域，但背景噪声较大，将在后面的步骤中通过减小所对应权值减小背景噪声的影响。此处显著图的计算如公式(8)所示：
Sal1＝mave(FG) (8)
第六步，使用D-S合成规则将加权平均证据合成4次，得到另一幅融合显著图Sal2。本发明中的合成mass函数的计算如公式(9)，公式(10)所示：
k＝(mave(FG))5+(1-mave(FG))5 (10)
由D-S证据理论相关知识可知本发明中的信任函数Bel(FG)与似然函数Pls(FG)计算公式如公式(11)所示：
Bel(FG)＝Pls(FG)＝m(FG) (11)
此处我们可以得到另一幅显著图Sal2如公式(12)所示：
Sal2＝Bel(FG) (12)
第七步，加权融合D-S证据理论在上面得到的两幅显著图Sal1，Sal2，得到最终的显著图Sal。计算公式如公式(13)所示：
Sal＝μ1×Sal1+μ2×Sal2 (13)
其中μ1，μ2为合成权重，在本发明中设置μ1＝0.35，μ2＝0.65。
至此本发明就得到了融合BSCA，DSR，HS，RBD，MR 5种方法最终的显著图。
Claims (1)
1.一种基于加权分配D-S证据理论的显著图融合方法，其特征在于，包括如下步骤：
第一步，使用要融合的n种方法生成n幅初始显著图，n>1；
第二步，对于每个像素，定义n幅显著图对应的mass函数：定义环境Θ＝{FG,BG}，其中FG表示像素为前景，BG表示像素为背景；由得到的n幅显著图定义mass函数形式如公式(1)，公式(2)所示：
mi(FG)＝pi (1)
mi(BG)＝1-pi (2)
其中mi(FG)表示第i种显著性检测方法所对应的mass函数，FG表示判定所要融合的像素为前景，pi表示第i幅显著图在所对应像素处的显著值，BG表示判定所对应像素为背景；
第三步，计算各显著图对应的mass函数间的相似系数，列出相似矩阵：相似系数dij的计算如公式(3)所示：
其中相似系数dij∈[0,1]，Ax，By为焦元，此处取值BG或是FG；
由相似系数dij，得到n个证据所对应的相似矩阵如公式(4)所示：
第四步，求出各证据间的支持度与可信度：证据Ei的被支持度Sup(mi)计算公式如公式(5)所示：
由公式(5)计算出的证据间的支持度，可以得到证据间可信度的计算如公式(6)所示：
第五步，以可信度为权重对mass函数加权平均得到加权后的mass函数mave(FG)，表示像素点为前景的基本概率赋值，如公式(7)所示：
另外，在此处将加权后的mass函数值作为显著图的显著值，得到一幅初步合成的显著图Sal1，该显著图可以有效检测所有可能的前景区域，但背景噪声较大，将在后面的步骤中进行优化：如公式(8)所示：
Sal1＝mave(FG) (8)
第六步，使用D-S合成规则将加权平均证据合成n-1次，得到另一幅融合显著图Sal2：合成mass函数如公式(9)，公式(10)所示：
k＝(mave(FG))n+(1-mave(FG))n (10)
由D-S证据理论可知信任函数Bel(FG)与似然函数Pls(FG)计算公式如公式(11)所示：Bel(FG)＝Pls(FG)＝m(FG) (11)
此处得到另一幅显著图Sal2如公式(12)所示：Sal2＝Bel(FG) (12)
第七步，加权融合得到D-S证据理论融合的显著图Sal：将第五步、第六步得到的两幅显著图进行加权融合得到最终的加权分配D-S证据理论融合的显著图，计算公式如公式(13)所示：Sal＝μ1×Sal1+μ2×Sal2 (13)
其中μ1，μ2为合成权重，设置μ1＝0.35，μ2＝0.65。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610956360.8A CN106570851B (zh) | 2016-10-27 | 2016-10-27 | 一种基于加权分配d-s证据理论的显著图融合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610956360.8A CN106570851B (zh) | 2016-10-27 | 2016-10-27 | 一种基于加权分配d-s证据理论的显著图融合方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106570851A CN106570851A (zh) | 2017-04-19 |
| CN106570851B true CN106570851B (zh) | 2019-06-28 |
Family
ID=58535391
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610956360.8A Active CN106570851B (zh) | 2016-10-27 | 2016-10-27 | 一种基于加权分配d-s证据理论的显著图融合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106570851B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107977948B (zh) * | 2017-07-25 | 2019-12-24 | 北京联合大学 | 一种面向社群图像的显著图融合方法 |
| CN108647567B (zh) * | 2018-03-29 | 2021-10-29 | 中国人民解放军61540部队 | 基于条件证据理论的场景可识别性分析方法 |
| CN108694710A (zh) * | 2018-04-18 | 2018-10-23 | 大连理工大学 | 一种基于(n)模糊积分的显著图融合方法 |
| CN109035267B (zh) * | 2018-06-22 | 2021-07-27 | 华东师范大学 | 一种基于深度学习的图像目标抠取方法 |
| CN112101161B (zh) * | 2020-09-04 | 2022-06-07 | 西安交通大学 | 基于相关系数距离与迭代改进的证据理论故障状态识别方法 |
| CN112733915B (zh) * | 2020-12-31 | 2023-11-07 | 大连大学 | 基于改进d-s证据理论的态势估算方法 |
| CN114034338B (zh) * | 2021-10-29 | 2023-08-11 | 国网安徽省电力有限公司电力科学研究院 | 一种基于改进d-s证据理论的开关柜多源参量监测方法 |
| CN117077987B (zh) * | 2023-10-16 | 2024-01-02 | 湖南省通晓信息科技有限公司 | 一种基于元胞自动机的环卫管理方法及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101996157A (zh) * | 2010-10-23 | 2011-03-30 | 山东科技大学 | 证据高冲突环境下多源信息融合方法 |
| CN102968786A (zh) * | 2012-10-23 | 2013-03-13 | 西北工业大学 | 一种非监督的遥感图像潜在目标区域检测方法 |
| CN103810526A (zh) * | 2014-01-28 | 2014-05-21 | 北京仿真中心 | 一种基于d-s证据理论的知识融合方法 |
| CN106056165A (zh) * | 2016-06-28 | 2016-10-26 | 大连理工大学 | 一种基于超像素关联性增强Adaboost分类学习的显著性检测方法 |
-
2016
- 2016-10-27 CN CN201610956360.8A patent/CN106570851B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101996157A (zh) * | 2010-10-23 | 2011-03-30 | 山东科技大学 | 证据高冲突环境下多源信息融合方法 |
| CN102968786A (zh) * | 2012-10-23 | 2013-03-13 | 西北工业大学 | 一种非监督的遥感图像潜在目标区域检测方法 |
| CN103810526A (zh) * | 2014-01-28 | 2014-05-21 | 北京仿真中心 | 一种基于d-s证据理论的知识融合方法 |
| CN106056165A (zh) * | 2016-06-28 | 2016-10-26 | 大连理工大学 | 一种基于超像素关联性增强Adaboost分类学习的显著性检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106570851A (zh) | 2017-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106570851B (zh) | 一种基于加权分配d-s证据理论的显著图融合方法 | |
| CN109583342B (zh) | 基于迁移学习的人脸活体检测方法 | |
| CN108764085B (zh) | 基于生成对抗网络的人群计数方法 | |
| CN112598643B (zh) | 深度伪造图像检测及模型训练方法、装置、设备、介质 | |
| Shahbaz et al. | Evaluation of background subtraction algorithms for video surveillance | |
| CN112101278A (zh) | 基于k近邻特征提取和深度学习的宅基地点云分类方法 | |
| CN105957054B (zh) | 一种图像变化检测方法 | |
| CN112149591B (zh) | 用于sar图像的ssd-aeff自动桥梁检测方法及系统 | |
| CN108573499A (zh) | 一种基于尺度自适应和遮挡检测的视觉目标跟踪方法 | |
| CN108492298A (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
| Shuai et al. | Object detection system based on SSD algorithm | |
| CN113762009B (zh) | 一种基于多尺度特征融合及双注意力机制的人群计数方法 | |
| CN113408566A (zh) | 目标检测方法及相关设备 | |
| Fang et al. | Infrared small UAV target detection based on depthwise separable residual dense network and multiscale feature fusion | |
| CN114463603B (zh) | 图像检测模型的训练方法、装置、电子设备及存储介质 | |
| Zhou et al. | Deep learning-based instance segmentation for indoor fire load recognition | |
| CN113496260B (zh) | 基于改进YOLOv3算法的粮库人员不规范作业检测法 | |
| Lu et al. | Multimode Gesture Recognition Algorithm Based on Convolutional Long Short‐Term Memory Network | |
| CN116912670A (zh) | 基于改进yolo模型的深海鱼类识别方法 | |
| CN112069913B (zh) | 用户的识别方法、装置、存储介质和电子设备 | |
| Sun et al. | YOLOv7-FIRE: A tiny-fire identification and detection method applied on UAV | |
| CN108694710A (zh) | 一种基于(n)模糊积分的显著图融合方法 | |
| Hu et al. | Aircraft Targets Detection in Remote Sensing Images with Feature Optimization | |
| Saini et al. | Deep Learning Approaches for Crowd Density Estimation: A Review | |
| Li et al. | Data-specific activation function learning for hyperspectral image classification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| CB03 | Change of inventor or designer information |
Inventor after: Chen Bingcai Inventor after: Tao Xin Inventor after: Yu Chao Inventor after: Gao Zhenguo Inventor after: Yao Nianmin Inventor after: Wang Jian Inventor after: Lu Zhimao Inventor after: Tan Guozhen Inventor before: Chen Bingcai Inventor before: Tao Xin Inventor before: Gao Zhenguo Inventor before: Yao Nianmin Inventor before: Wang Jian Inventor before: Yu Chao Inventor before: Lu Zhimao Inventor before: Tan Guozhen |
|
| CB03 | Change of inventor or designer information | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |