CN106934392B - 基于多任务学习卷积神经网络的车标识别及属性预测方法 - Google Patents

基于多任务学习卷积神经网络的车标识别及属性预测方法 Download PDF

Info

Publication number
CN106934392B
CN106934392B CN201710112249.5A CN201710112249A CN106934392B CN 106934392 B CN106934392 B CN 106934392B CN 201710112249 A CN201710112249 A CN 201710112249A CN 106934392 B CN106934392 B CN 106934392B
Authority
CN
China
Prior art keywords
task
neural network
convolutional neural
learning
tasks
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
Application number
CN201710112249.5A
Other languages
English (en)
Other versions
CN106934392A (zh
Inventor
张百灵
夏翌彰
颜诗洋
钱荣强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong Liverpool University
Original Assignee
Xian Jiaotong Liverpool University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong Liverpool University filed Critical Xian Jiaotong Liverpool University
Priority to CN201710112249.5A priority Critical patent/CN106934392B/zh
Publication of CN106934392A publication Critical patent/CN106934392A/zh
Application granted granted Critical
Publication of CN106934392B publication Critical patent/CN106934392B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/22Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods

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)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于多任务学习卷积神经网络的车标识别及属性预测方法,包括以下步骤:创建基于多任务学习卷积神经网络;采用自适应任务权重学习策略和任务自动开闭学习策略训练卷积神经网络;使用训练好的卷积神经网络对获取的车辆标识图像进行分层提取特征,根据车标数据库进行车标识别及属性预测。该方法基于卷积神经网络结构,采用多任务学习机制,提出自适应任务权重学习策略和任务自动开闭学习策略,能同时判断车标类别和预测车标属性,并且准确率高。

Description

基于多任务学习卷积神经网络的车标识别及属性预测方法
技术领域
本发明涉及一种车标识别方法,具体地涉及一种基于多任务学习卷积神经网络的车标识别及属性预测方法。
背景技术
车辆制造商识别在智能交通系统中起着重要作用。自动获取汽车统计数据和车辆属性信息有助于交通管理和汽车行业。其中,车辆标志在涉及一系列潜在的应用,例如车辆的识别、验证或分类,这对于调查车辆相关犯罪至关重要。
与许多其他计算机视觉课题相比,如人脸或行人,车辆标志仍然是一个较少研究的主题。车标涉及一系列特殊困难,包括小尺寸,低分辨率和多角度。虽然,已经出版了许多关于车辆标识识别的论文,这些方法中的大多数遵循常规图像处理流水线,即,提取一些人工定义的特征,例如梯度直方图(HOG),随后是利用例如支持向量机(SVM)的可训练分类器。这些方法具有许多限制。首先,人工定义的特征不可能同时解决各种因素,例如,视点变化和成像条件。其次,车标识别系统的性能通常取决于车标检测的准确性。
近年来,由于强大的特征表达学习能力,深度学习已经引起了广泛的关注。它为人工设计的特征提取器造成的瓶颈问题带来了有希望的解决方案。一种特殊类型的深度学习模型,即卷积神经网络,已经在许多计算机视觉任务中展示了最先进的性能。已经反复验证卷积神经网络可以从原始像素通过非线性映射的几个卷积层提取通用的,鲁棒的和分层的特征。由于优越性,卷积神经网络也已被应用于车辆标识的识别。然而,这些工作对于原始卷积神经网络架构都是非常初步的。并且许多重要的实际问题没有被讨论,例如,与车辆标志相关的属性预测。
在计算机视觉领域,针对许多语义任务的属性学习的概念已提出多年,对于视觉目标识别,语义属性可以命名描述目标的属性,从而提供一种方便链接低级特征和高级语义任务书叙述性属性有效工具。已经针对许多多媒体应用(例如,多媒体搜索和检索以及多媒体内容分析和推荐)研究了来自属性的益处。
本质上,车标分类和车标属性预测是两个不同的任务。虽然存在不同的可能性来完成它们,但是,由于两个任务之间的共同点,多任务学习方法应当是选项中的最高优先级。多任务学习方法已被研究作为一个重要的机器学习主题,并且,最近被利用到许多计算机视觉问题。多任务学习方法强调不同任务之间的知识共享,同时解决多个相关任务。很多研究成果已经证明知识共享可以提高一些任务或有时所有任务的性能。
最近,学术界已经提出了好几种基于卷积神经网络的多任务学习方法,其可以粗略地划分为以下两种类型:任务交替优化方式和任务同时优化方式。在第一类中,训练在任务之间交替,即,对一个任务进行优化,而其他任务不变,并且对于所有任务迭代该过程。在第二类中,对所有任务同时进行学习。在任务交替优化方式中,迭代次数将随着任务量增加而快速增加。在任务同时优化方式中,可以提高系统的性能。本发明因此而来。
发明内容
针对上述存在的技术问题,本发明的目的是提出了一种基于多任务学习卷积神经网络的车标识别及属性预测方法。该方法基于卷积神经网络结构,采用多任务学习机制,提出自适应任务权重学习策略和任务自动开闭学习策略,能同时判断车标类别和预测车标属性,并且准确率高。
本发明的技术方案是:
一种基于多任务学习卷积神经网络的车标识别及属性预测方法,包括以下步骤:
S01:创建基于多任务学习卷积神经网络;
S02:采用自适应任务权重学习策略和任务自动开闭学习策略训练卷积神经网络,所述自适应任务权重学习策略为:
Figure BDA0001234609290000021
其中,αi是第i个任务的权重,
Figure BDA0001234609290000022
是第j次所有数据迭代中第i个任务的加权,
Figure BDA0001234609290000023
是第i个任务在第j次迭代后验证误差,
Figure BDA0001234609290000024
β是控制任务权重当前迭代和前一次迭代的权重之间平衡的实验参数,N是任务总数;
S03:使用训练好的卷积神经网络对获取的车辆标识图像进行分层提取特征,根据车标数据库进行车标识别及属性预测。
优选的,所述任务自动开闭学习策略包括暂停执行不佳的任务机制和重新激活暂停的任务机制,所述暂停执行不佳的任务机制为当在验证集上计算每个任务的误差连续H次误差都未减小,暂停该任务;所述重新激活暂停的任务机制为当Eavj-minj=1,…,JEav>δ,挂起的任务将被重新激活,其中,
Figure BDA0001234609290000031
Etr为训练误差,Eva为验证误差,Eav是平均误差,δ为设定阈值。
优选的,所述基于多任务学习卷积神经网络包括依次连接的卷积层、最大池化层、全连层;
所述卷积层表达式:C1=fact(b+∑kwk*xk)
式中,xk和C1分别是第k个原始图像和经过第1层卷基层得到的特征图,wk是卷积滤波器的权重,*表示点积运算,b和fact(·)是偏差和非线性映射;
所述最大池化层的公式为:
Figure BDA0001234609290000032
式中,第k个输出图yk中的每个神经元生成用于第k个输入图xk的s×s非重叠局部区域;
在最后的最大池层之后连接的是被分裂成N个分支的全连层,损失函数的定义如下:
Figure BDA0001234609290000033
式中,L是总损失,N是任务总数,Li是第i个任务的损失函数,αi是第i个任务的权重。
与现有技术相比,本发明的优点是:
该方法基于卷积神经网络结构,采用多任务学习机制,提出自适应任务权重学习策略和任务自动开闭学习策略,采用上述策略训练卷积神经模型,识别车辆标志并同时预测其属性。在基于卷积神经网络的多任务学习的自适应加权方案的基础上,可切换任务学习方案进一步提高系统性能;可以建立更全面的车辆标志数据库,用于标识识别和属性预测,准确率高。既能识别车标还可以对车标属性预测,比如车标是否含有英文字母,是否对称等等属性预测,其对基于内容的图片检索是意义重大的。
附图说明
下面结合附图及实施例对本发明作进一步描述:
图1为本发明基于多任务学习卷积神经网络的车标识别及属性预测方法的流程图;
图2为卷积神经网络模型的结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
如图1所示,一种基于多任务学习卷积神经网络的车标识别及属性预测方法,包括以下步骤:
S01:创建基于多任务学习卷积神经网络;
S02:采用自适应任务权重学习策略和任务自动开闭学习策略训练卷积神经网络。
S03:使用训练好的卷积神经网络对获取的车辆标识图像进行分层提取特征,根据车标数据库进行车标识别及属性预测。
车标属性预测可以是,比如车标是否含有英文字母,是否对称等等属性预测,其对基于内容的图片检索是意义重大的。
1、创建的卷积神经网络结构可以如图2所示,使用卷积神经网络从输入图像中分层提取特征。
在卷积神经网络架构中,邻近接收场(内核或滤波器)从左上角到右下角反复滑过整个视野,形成一个特征图,这是卷积运算的本质。卷积运算在每个层中共享相同的参数(权重向量和偏置)。权重的共享减少了大量的变量,同时增加了模型的泛化性能。权重(内核或过滤器)被初始化为随机的,并且将被学习为边缘,颜色或车辆标志的特定模式检测器。卷积运算公式化如下:
Figure BDA0001234609290000041
式(1)中xk和C1分别是第k个原始图像和经过第1层卷基层得到的特征图。wk是卷积滤波器的权重。*表示点积运算。b和fact(·)是偏差和非线性映射。滤波器的权重被随机初始化,然后使用反向传播算法进行训练。
卷积层本质上执行的是线性滤波。为了形成全局的非线性复杂模型,非线性激活函数必须应用于神经元。本发明中使用整流线性单位(ReLU),公式化如下:
ReLU(C1)=max(C1,0) (2)
由于在卷积层中权重的复制,数据驱动特征仍然可能对输入模式的适当位置敏感,如果其后面是分类,则这对于性能是不利的。该问题可以通过池化特征来解决,本发明使用最大池化方法,其表现形式为最大池化层,公式化如下:
Figure BDA0001234609290000051
式(3)中,第k个输出图yk中的每个神经元生成用于第k个输入图xk的s×s非重叠局部区域。换句话说,最大池化运算从输入中选择局部最大值。
2、基于多任务学习卷积神经网络结构的自适应任务权重学习策略
如图2所示,在最后的最大池层之后连接的是可以被分裂成N个分支的全连层。损失函数的定义如下:
Figure BDA0001234609290000052
Figure BDA0001234609290000053
式(4),(5)中L是总损失,N是任务总数,Li是第i个任务的损失函数,αi是第i个任务的权重。
此发明提出采用任务自适应加权多任务学习策略,公式如下:
Figure BDA0001234609290000054
Figure BDA0001234609290000055
式(6),(7)中,
Figure BDA0001234609290000056
表示第j次所有数据迭代中第i个任务的加权。
Figure BDA0001234609290000057
是第i个任务在第j次迭代后验证误差。β是控制任务权重当前迭代和前一次迭代的权重之间平衡的实验参数。
3、基于多任务学习卷积神经网络结构的任务自动开闭学习策略
自动开闭学习策略涉及两种机制:
1)暂停执行不佳的任务机制;
2)重新激活暂停了的任务机制。
3.1)暂停执行不佳的任务机制描述如下:
I)将数据拆分成训练集,验证集和测试集;
II)用训练数据训练图一所示模型;
III)然后在验证集上计算每个任务的误差;
IV)重复步骤II)和III)直到连续H次误差都未减小。
3.2)重新激活暂停了的任务机制公式化如下:
Figure BDA0001234609290000062
Figure BDA0001234609290000063
在式(8)和式(9)中,Eavj是在第j次迭代中训练误差Etrj和验证误差Evaj的平均值。式(9)表明如果超过阈值δ,则挂起的任务将被重新激活。
步骤S02中的详细过程如下伪代码所示:
输入:训练集Xtr和验证集Xva
输出:卷积神经网络模型参数θ;
Figure BDA0001234609290000061
Figure BDA0001234609290000071
训练完模型之后,进行模型测试。详细过程如下伪代码所示:
输入:测试集Xte和卷积神经网络模型参数θ;
输出:测试集预测结果Y和测试集误差Ete
1:载入训练模型及其参数θ
2:输入Xte到模型中,计算得到测试集预测结果Y和测试集误差Ete
具体实例
本车标数据库标定了十个任务,第一个任务是15种车标类别,剩下9种是两类属性预测任务。
首先车标图片需要预处理,从而使其规格统一,具体操作如下:
1)调整大小至64×64大小的彩色图片;
2)彩色图片被转换至灰度图片。
随后,将以上预处理完的图片输入如图2所示的网络中,训练出所需的网络模型,详细网络结构参数如下:
Figure BDA0001234609290000081
训练的同时引入自适应任务权重学习策略,公式(6)中β=0.1。
为了进一步优化模型,任务自动开闭学习策略也被运用到训练模型中,机制3.1中H=10和机制3.2中δ=0.01。
为了证明算法有效性,做了两类试验,第一,只有车标分类任务不同算法对比试验结果。第二,车标分类任务和9个两类属性预测任务同时进行不同算法对比试验结果。
1)只有车标分类任务不同算法对比试验结果
下表中列举出了本发明中提出的方法与现在流行的方法之间的比较结果。1表示多任务学习卷积神经网络方法,2代表自适应任务权重学习策略,3表示任务自动开闭学习策略,+表示联合运用前后两种方法。表2证明了此方法有效性,在以下列举的算法中,其取得了最好的性能。
Figure BDA0001234609290000082
2)车标分类任务和9个两类属性预测任务同时进行不同算法对比试验结果。
下表中列举出了此发明中提出的方法与现有的多任务学习卷积神经网络方法之间的比较结果。证明了此方法有效性,在以下列举的算法中,其取得了最好的性能。
准确率% 十个任务平均准确率
1+2+3 96.13
1+2 95.98
1 94.27
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (2)

1.一种基于多任务学习卷积神经网络的车标识别及属性预测方法,其特征在于,包括以下步骤:
S01:创建基于多任务学习卷积神经网络;
S02:采用自适应任务权重学习策略和任务自动开闭学习策略训练卷积神经网络,所述自适应任务权重学习策略为:
Figure FDA0002258683880000011
其中,αi是第i个任务的权重,
Figure FDA0002258683880000012
是第j次所有数据迭代中第i个任务的加权,
Figure FDA0002258683880000013
是第i个任务在第j次迭代后验证误差,
Figure FDA0002258683880000014
β是控制任务权重当前迭代和前一次迭代的权重之间平衡的实验参数,N是任务总数;所述任务自动开闭学习策略包括暂停执行不佳的任务机制和重新激活暂停的任务机制,所述暂停执行不佳的任务机制为当在验证集上计算每个任务的误差连续H次误差都未减小,暂停该任务;所述重新激活暂停的任务机制为当Evaj-minj=1,…,JEav>δ,挂起的任务将被重新激活,其中,
Figure FDA0002258683880000015
Etr为训练误差,Eva为验证误差,Eav是平均误差,δ为设定阈值;
S03:使用训练好的卷积神经网络对获取的车辆标识图像进行分层提取特征,根据车标数据库进行车标识别及属性预测。
2.根据权利要求1所述的基于多任务学习卷积神经网络的车标识别及属性预测方法,其特征在于,所述基于多任务学习卷积神经网络包括依次连接的卷积层、最大池化层、全连层;
所述卷积层表达式:C1=fact(b+∑kwk*xk
式中,xk和C1分别是第k个原始图像和经过第1层卷基层得到的特征图,wk是卷积滤波器的权重,*表示点积运算,b和fact(·)是偏差和非线性映射;
所述最大池化层的公式为:
Figure FDA0002258683880000016
式中,第k个输出图yk中的每个神经元生成用于第k个输入图xk的s×s非重叠局部区域;
在最后的最大池层之后连接的是被分裂成N个分支的全连层,损失函数的定义如下:
Figure FDA0002258683880000021
式中,L是总损失,N是任务总数,Li是第i个任务的损失函数,αi是第i个任务的权重。
CN201710112249.5A 2017-02-28 2017-02-28 基于多任务学习卷积神经网络的车标识别及属性预测方法 Active CN106934392B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710112249.5A CN106934392B (zh) 2017-02-28 2017-02-28 基于多任务学习卷积神经网络的车标识别及属性预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710112249.5A CN106934392B (zh) 2017-02-28 2017-02-28 基于多任务学习卷积神经网络的车标识别及属性预测方法

Publications (2)

Publication Number Publication Date
CN106934392A CN106934392A (zh) 2017-07-07
CN106934392B true CN106934392B (zh) 2020-05-26

Family

ID=59423428

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710112249.5A Active CN106934392B (zh) 2017-02-28 2017-02-28 基于多任务学习卷积神经网络的车标识别及属性预测方法

Country Status (1)

Country Link
CN (1) CN106934392B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563279B (zh) * 2017-07-22 2020-12-22 复旦大学 针对人体属性分类的自适应权重调整的模型训练方法
CN107909016B (zh) * 2017-11-03 2020-09-01 车智互联(北京)科技有限公司 一种卷积神经网络生成方法及车系识别方法
CN107886073B (zh) * 2017-11-10 2021-07-27 重庆邮电大学 一种基于卷积神经网络的细粒度车辆多属性识别方法
CN108446724B (zh) * 2018-03-12 2020-06-16 江苏中天科技软件技术有限公司 一种融合特征分类方法
CN108647684A (zh) * 2018-05-02 2018-10-12 深圳市唯特视科技有限公司 一种基于引导注意力推理网络的弱监督语义分割方法
CN109063759A (zh) * 2018-07-20 2018-12-21 浙江大学 一种应用于图片多属性预测的神经网络结构搜索方法
CN109241880B (zh) * 2018-08-22 2021-02-05 北京旷视科技有限公司 图像处理方法、图像处理装置、计算机可读存储介质
JP7231464B2 (ja) 2019-04-09 2023-03-01 株式会社日立製作所 物体認識システム及び物体認識方法
CN112633269B (zh) * 2020-12-28 2024-03-15 上海明略人工智能(集团)有限公司 一种Logo识别方法及系统
CN114611634B (zh) * 2022-05-11 2023-07-28 上海闪马智能科技有限公司 一种行为类型的确定方法、装置、存储介质及电子装置
CN115188413A (zh) * 2022-06-17 2022-10-14 广州智睿医疗科技有限公司 一种染色体核型分析模块

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105354568A (zh) * 2015-08-24 2016-02-24 西安电子科技大学 基于卷积神经网络的车标识别方法
CN105975915A (zh) * 2016-04-28 2016-09-28 大连理工大学 一种基于多任务卷积神经网络的前方车辆参数识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105354568A (zh) * 2015-08-24 2016-02-24 西安电子科技大学 基于卷积神经网络的车标识别方法
CN105975915A (zh) * 2016-04-28 2016-09-28 大连理工大学 一种基于多任务卷积神经网络的前方车辆参数识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Vehicle Logo Recognition and attributes prediction by multi-task learning with CNN;Yizhang Xia et al.;《2016 12th International Conference on Natural Computation, Fuzzy Systems and Knowledge Discovery (ICNC-FSKD)》;20161024;摘要,第668-670页,图1 *
多任务学习及卷积神经网络在人脸识别中的应用;邵蔚元 等;《计算机工程与应用》;20160701;第2016年卷(第13期);第32-37页 *

Also Published As

Publication number Publication date
CN106934392A (zh) 2017-07-07

Similar Documents

Publication Publication Date Title
CN106934392B (zh) 基于多任务学习卷积神经网络的车标识别及属性预测方法
CN109754015B (zh) 用于画作多标签识别的神经网络及相关方法、介质和设备
KR102641116B1 (ko) 데이터 증강에 기초한 인식 모델 트레이닝 방법 및 장치, 이미지 인식 방법 및 장치
US10719780B2 (en) Efficient machine learning method
CN109558942B (zh) 一种基于浅度学习的神经网络迁移方法
Hoffman et al. Continuous manifold based adaptation for evolving visual domains
CN113221905B (zh) 基于均匀聚类的语义分割的无监督域适应方法、装置、系统和存储介质
US8379994B2 (en) Digital image analysis utilizing multiple human labels
CN110263786B (zh) 一种基于特征维度融合的道路多目标识别系统及方法
CN109002755B (zh) 基于人脸图像的年龄估计模型构建方法及估计方法
WO2019101720A1 (en) Methods for scene classification of an image in a driving support system
KR20170083419A (ko) 레이블링되지 않은 다수의 학습 데이터를 이용하여 딥 러닝의 모델을 트레이닝하는 방법 및 이를 수행하는 딥 러닝 시스템
KR102306658B1 (ko) 이종 도메인 데이터 간의 변환을 수행하는 gan의 학습 방법 및 장치
EP3596655B1 (en) Method and apparatus for analysing an image
KR20200121206A (ko) 심층 네트워크와 랜덤 포레스트가 결합된 앙상블 분류기의 경량화를 위한 교사-학생 프레임워크 및 이를 기반으로 하는 분류 방법
Wang et al. Night-time vehicle sensing in far infrared image with deep learning
CN109658442A (zh) 多目标跟踪方法、装置、设备及计算机可读存储介质
CN114742224A (zh) 行人重识别方法、装置、计算机设备及存储介质
CN108280481A (zh) 一种基于残差网络的联合目标分类和三维姿态估计方法
CN112199505B (zh) 一种基于特征表示学习的跨领域情感分类方法及系统
CN115280373A (zh) 使用结构化丢弃来管理孪生网络跟踪中的遮挡
CN116844032A (zh) 一种海洋环境下目标检测识别方法、装置、设备及介质
Schenkel et al. Domain adaptation for semantic segmentation using convolutional neural networks
CN111553202B (zh) 进行活体检测的神经网络的训练方法、检测方法及装置
He et al. Aggregated sparse attention for steering angle prediction

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
GR01 Patent grant
GR01 Patent grant