CN107169421A - 一种基于深度卷积神经网络的汽车驾驶场景目标检测方法 - Google Patents
一种基于深度卷积神经网络的汽车驾驶场景目标检测方法 Download PDFInfo
- Publication number
- CN107169421A CN107169421A CN201710259285.4A CN201710259285A CN107169421A CN 107169421 A CN107169421 A CN 107169421A CN 201710259285 A CN201710259285 A CN 201710259285A CN 107169421 A CN107169421 A CN 107169421A
- Authority
- CN
- China
- Prior art keywords
- network
- mrow
- msub
- detection method
- car steering
- 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.)
- Granted
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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度卷积神经网络的汽车驾驶场景目标检测方法,该检测方法包含如下优化技术:首先采用聚类算法对训练数据的目标宽高进行聚类,采用聚类中心优化锚点设置;其次采用分类性能更强的残差网络作为特征提取网络,在此基础上设计一个融合特征网络,利于小目标的检测;其次采用在线困难样本挖掘算法以及均衡正负样本候选区域来优化网络的训练;最后采用训练得到的模型处理图像,并对输出进行后处理优化,实现汽车驾驶场景下的目标检测功能。本发明基于CAFFE深度学习框架以及Faster RCNN算法,通过优化锚点设置、设计融合特征网络、优化训练过程以及对结果后处理,得到了一种高性能的基于深度卷积网络的汽车驾驶场景目标检测方法。
Description
技术领域
本发明涉及图像处理和计算机视觉技术领域,具体涉及一种基于深度卷积神经网络的汽车驾驶场景目标检测方法。
背景技术
近年来,交通问题日益突出,各类智能车概念被提出,车辆驾驶辅助系统乃至无人车均获得了空前的发展。汽车驾驶场景中的目标检测系统是其中关键的组成部分。因此,汽车驾驶场景中的目标检测成为当前研究热点。在目标检测任务中,潜在目标往往受到姿态多变、光照变化、尺度不一甚至部分遮挡等不利因素的影响,导致目标检测本身就是很有挑战性的任务。而在汽车驾驶场景中,交通状况复杂多变,各类目标物存在相互遮挡,光照变化影响更加复杂,这些不利因素都进一步制约着汽车驾驶场景目标检测系统的性能。
在目标检测中,如何提取高效的特征是提高系统性能的关键。传统的特征提取技术,如Haar特征以及梯度方向直方图特征HOG,这些人工设计的特征描述子缺乏高层语义信息,制约着目标检测精度的提高。经典的目标检测框架主要是基于滑动窗口的模板匹配,如可变形部件模型DPM(Deformable Part based Model),该算法采用梯度方向直方图特征,利用隐支持向量机训练多个模型,通过复杂的模型训练与匹配达到检测的目的。由于采用滑动窗口匹配技术,以及为了使模型能够匹配不同尺度的目标而构建图像特征金字塔,导致模型匹配计算量很大。另外,由于HOG难以提取高效的特征,制约着精度的提升。因此,基于人工设计的特征描述子以及传统模板匹配的目标检测算法在精度以及效率方面均有较大瓶颈。
深度卷积神经网络在上世纪九十年代被提出,近几年得益于高性能运算单元的出现,在图像处理领域获得了成功。通过构建高性能的卷积神经网络,可以提取表述性更强、语义信息更丰富的深度卷积特征。基于深度卷积神经网络的目标检测算法是目前发展的方向。目前,基于深度卷积网络的目标检测通常利用分类以及回归达到检测的目的,如RCNN算法将检测分为候选区域提取以及进一步分类回归两个阶段,YOLO算法直接利用回归完成目标检测。RCNN算法及其后续算法Fast RCNN、Faster RCNN在通用目标检测领域取得了较好的结果,常用的特征提取网络包括ZF网络或VGG16网络等。YOLO算法时间效率较高但检测小目标能力较弱。由于在汽车驾驶场景下的目标检测存在如上所述的种种挑战,基于深度卷积神经网络的目标检测算法在汽车驾驶场景下的性能还有很大的提升空间。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷,提供一种基于深度卷积神经网络的汽车驾驶场景目标检测方法,以便进一步提升在汽车驾驶场景下的目标检测性能。通过设计性能更佳的网络、优化训练过程、挖掘先验信息以及对结果进行后处理,本发明能够对汽车驾驶场景下的各类目标进行有效检测。
本发明的目的可以通过采取如下技术方案达到:
一种基于深度卷积神经网络的汽车驾驶场景目标检测方法,所述检测方法包括下列步骤:
S1、通过安装在汽车上的摄像机采集训练图像数据,并对所述训练图像数据进行预处理;
S2、利用聚类算法对训练集样本的目标宽高进行聚类,利用聚类中心优化锚点设置;
S3、以CAFFE框架为基础,基于分类性能更好的残差网络,采用多层融合特征构建深度卷积神经网络模型;
S4、网络初始化,利用在ImageNet上预训练过的模型参数对相应网络层进行初始化,其他新添加的层采用零均值,标准差为σ的高斯分布随机初始化;
S5、网络训练,将图像以及真值信息输入上述构造的网络,利用聚类得到的锚点,在网络中进行前向计算得到预测值,计算边界框的预测值与真值之间的Smooth L1损失以及目标类别的预测值与真值之间的SoftMax损失,再进行反向传播利用随机梯度下降法更新网络权重;
S6、通过汽车上的摄像机采集车辆前方的图像,输入网络进行检测,即可输出目标的类别及坐标,实现目标检测功能。
进一步地,利用K-Means算法对训练图像数据集中目标的宽高进行聚类,根据聚类结果定义锚点的宽高,为了使聚类中心框更好地匹配真值框,使聚类中心与真值框的交并比IOU最大化,聚类距离度量定义为:
D(gt,centroid)=1-IOU(gt,centroid),
其中,IOU定义为两个坐标框的交并比:
其中gt代表真值框,centroid代表聚类中心框,gt∩centroid代表真值框与聚类中心重叠的区域,gt∪centroid表示真值与聚类中心的区域合集,由此得到的聚类中心定义锚点的宽高。
进一步地,所述锚点用于候选区域生成网络RPN产生候选区域,在网络训练阶段时,利用锚点与真值计算候选区域坐标的参考值作为网络回归的真值,计算如下:
其中x*、xa分别代表真值以及锚点的中心坐标,代表计算得到的网络回归真值的中心坐标,x、y指边界框的中心坐标,w、h指边界框的宽和高;
在进行目标检测时,利用锚点与网络回归层的预测值计算候选区域的预测值,计算如下:
x=xp*wa+xa,y=yp*ha+ya,w=wa*exp(wp),h=ha*exp(hp)
其中,xp代表网络回归层的预测值,x代表由网络预测值与锚点计算得到的候选区域的预测值。
进一步地,所述步骤S3过程如下:
以残差网络为特征提取网络,将残差网络分为五个单元:Res1、Res2、Res3、Res4、Res5,将前四个单元作为共享的特征提取网络,通过在第三个残差单元Res3设置侧连接,将输出调整为与Res4输出相同的通道,并对Res4进行上采样使输出的宽高加倍,然后将两个单元的输出相加,实现多层特征融合。
进一步地,所述侧连接采用卷积层Conv_1x1,该卷积层的卷积核大小为1x1,步长为1,填充为0,输出通道为1024;
所述上采样采用反卷积层Deconv,该上采样使Res4输出宽高加倍;
采用Crop层将Res4输出维度调整为与Res3输出相同的维度;
采用Eltwise_Sum将两个单元的输出相加,实现融合。
进一步地,候选区域生成网络RPN由全卷积网络组成,分类回归网络采用Res5单元作为网络的一部分。
进一步地,在网络训练阶段中,利用在线困难样本挖掘算法以及正负样本均衡优化训练过程,其中,所述在线困难样本挖掘算法利用分类回归网络Cls_Reg的拷贝Cls_RegReadonly先对所有候选区域进行前向传播,选取损失最大的候选区域作为困难样本,再将困难样本输入Cls_Reg进行反向传播更新权重,所述正负样本候选区域均衡指控制负正样本候选区域数量比例小于μ,防止负样本区域过多而正样本区域过少导致分类器性能下降。
进一步地,所述检测方法还包括下列步骤:
对网络输出的检测边界框预测值进行后处理优化,所述后处理优化是对输出基于边界框置信度投票优化,具体过程包括:
首先对检测结果进行非极大值抑制,得到局部区域置信度最高的检测框(scorei,bboxi);
然后利用邻域中与其交并比IOU大于0.5的检测框(scorej,bboxj),对输出的bboxi进行加权优化,计算如下:
其中,score代表网络预测的置信度,bbox代表网络输出的目标边界框位置坐标。
进一步地,所述训练图像数据的预处理包括对输入图像进行镜像翻转、减去均值、尺度调整。
进一步地,所述训练图像数据需要标注目标,包括:车、行人、骑自行车的人,其中,需要标注的信息包括:目标的类别以及包围该目标的边界框坐标。
本发明相对于现有技术具有如下的优点及效果:
1、对于特定的汽车驾驶场景,利用K-Means算法优化锚点设置,达到了匹配场景中多种尺度及比例的目标的目的,同时有效减少网络参数,提升检测效率的同时又提高检测精度;
2、对于图像特征的提取,设计了融合多层特征的深度神经网络,有利于汽车驾驶场景众多小目标的检测;
3、优化训练过程,利用在线困难样本挖掘算法以及正负样本均衡来优化训练过程,提高模型的特征提取能力以及分类检测能力;
4、对结果进行后处理,使输出更加准确。
附图说明
图1是本发明所提出的网络结构;
图2是本发明所提出的结合在线困难样本挖掘算法的网络结构;
图3(a)是本发明实施例中检测结果示例一;
图3(b)是本发明实施例中检测结果示例二;
图3(c)是本发明实施例中检测结果示例三。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中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作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。
实施例
本实施例公开了一种基于深度卷积神经网络的汽车驾驶场景目标检测方法,具体步骤如下:
S1、训练数据采集,通过安装在汽车上的摄像机采集训练图像数据,并对所述训练图像数据进行预处理。
训练图像数据由安装在汽车上的摄像机采集得到,训练图像预处理包括对输入图像进行镜像翻转、减去均值、尺度调整等操作,训练集中的图片需要标注车、行人、骑自行车的人三类目标。其中需要标注的信息包括目标的类别以及包围该目标的边界框坐标。
S2、利用聚类算法对训练集样本的目标宽高进行聚类,利用聚类中心优化锚点设置;
利用K-Means算法对训练图像数据集中目标的宽高进行聚类,根据聚类结果定义锚点的宽高。为了使聚类中心框更好地匹配真值框,使聚类中心与真值框的交并比IOU最大化,聚类距离度量定义为:
D(gt,centroid)=1-IOU(gt,centroid),
其中,IOU定义为两个坐标框的交并比:
其中gt代表真值框,centroid代表聚类中心框,gt∩centroid代表真值框与聚类中心重叠的区域,gt∪centroid表示真值与聚类中心的区域合集。由此得到的聚类中心定义锚点的宽高。锚点是指目标的参考边界框。
表1.利用聚类算法得到的锚点
针对涉及到的训练数据,设置15个聚类中心,得到锚点的尺度比例如表1所示。其中,尺度指区域面积w*h,比例指w:h。由表1中数据可以看出,锚点呈现多种尺度以及多种比例。由于相同比例的目标可能因与摄像机距离的不同而在成像时呈现不同的尺度,因此存在比例相同但尺度不同的锚点。
所述锚点用于候选区域生成网络RPN产生候选区域。在网络训练阶段,需要利用锚点与真值计算候选区域坐标的参考值作为网络回归的真值,计算如下:
其中x*、xa分别代表真值以及锚点的中心坐标,代表计算得到的网络回归真值的中心坐标,x、y指边界框的中心坐标,w、h指边界框的宽和高。
系统进行目标检测时,利用锚点与网络回归层的预测值计算候选区域的预测值,计算如下:
x=xp*wa+xa,y=yp*ha+ya,w=wa*exp(wp),h=ha*exp(hp)
其中,xp代表网络回归层的预测值,x代表由网络预测值与锚点计算得到的候选区域的预测值。
S3、以CAFFE框架为基础,基于分类性能更好的残差网络,采用多层融合特征构建深度卷积神经网络模型;
以CAFFE框架为基础,基于分类性能更好的残差网络,设计一个融合多层特征的深度卷积神经网络,按图1所示网络结构构建上述技术方案中所述的深度卷积神经网络模型,利用该网络处理输入图像,预测目标的类别以及坐标。
具体的,以残差网络ResNet101、ResNet50或者ResNet152为特征提取网络,将残差网络分为五个单元:Res1、Res2、Res3、Res4、Res5,将前四个单元作为共享的特征提取网络。通过在第三个残差单元Res3设置侧连接,将输出调整为与Res4输出相同的通道,并对Res4进行上采样使输出的宽高加倍,然后将两个单元的输出相加,实现多层特征融合。融合后特征有利于小目标的检测。
其中,侧连接指卷积层Conv_1x1,该卷积层的卷积核大小为1x1,步长为1,填充为0,输出通道为1024;Deconv为反卷积层,作用是对Res4进行上采样,使Res4输出宽高加倍;Crop层将Res4输出维度调整为与Res3相同的维度;Eltwise_Sum对两个输入进行相加操作,实现融合;Conv_3x3为卷积层,其卷积核大小为3x3,填充1,步长1,输出通道1024,作用是对融合后的特征进行调整。候选区域生成网络RPN由全卷积网络组成,分类回归网络采用Res5单元作为网络的一部分。
S4、网络初始化,利用在ImageNet上预训练过的残差网络模型参数对相应网络层进行初始化,其他新添加的层采用零均值,标准差为σ的高斯分布随机初始化。本实施例中,标准差σ取值为0.01,但该取值并不构成对本技术方案的限制。
S5、网络训练,将图像以及真值信息输入上述构造的网络,利用聚类得到的锚点,在网络中进行前向计算得到预测值,计算边界框的预测值与真值之间的Smooth L1损失以及目标类别的预测值与真值之间的SoftMax损失,再进行反向传播,利用随机梯度下降法SGD更新网络权重。
在训练过程中,利用在线困难样本挖掘算法(OHEM-Online Hard ExampleMining)以及正负样本均衡优化训练过程。在线困难样本挖掘算法是指在训练过程中,利用分类回归网络Cls_Reg的拷贝Cls_Reg Readonly先对所有候选区域进行前向传播,选取损失最大的候选区域作为困难样本,再将困难样本输入Cls_Reg进行反向传播更新权重。正负样本候选区域均衡指控制负正样本候选区域数量比例小于μ,防止负样本区域过多而正样本区域过少导致分类器性能下降。本实施例中,μ取值为3,但该取值并不构成对本技术方案的限制。
结合在线困难样本挖掘算法的网络结构如图2所示,其中虚线表示只有前向传播,实线代表既进行前向传播又进行反向传播;Cls_Reg Readonly代表分类回归网络的拷贝,对所有候选区域进行前向传播并在线困难样本挖掘,产生的困难样本输入分类回归网络Cl_Reg进行反向传播,更新网络权重。
训练过程中迭代次数为40000次,初始学习率0.001,每一万次减小为上一个值的十分之一,momentum设置为0.9。
网络的回归损失定义为:
其中,
其中,xp指网络回归层的预测值,指网络回归真值。
S6、网络模型训练好以后,通过汽车上的摄像机采集车辆前方的图像,输入网络进行检测,即可输出目标的类别及坐标,实现目标检测功能。检测结果示例如图3(a)-图3(c)所示,具体实施时,检测结果为彩色图片。
在进一步优选的实施方式中,对网络输出的检测边界框预测值进行后处理优化。
后处理是指对输出基于边界框置信度投票优化。
首先对检测结果进行非极大值抑制,得到局部区域置信度最高的检测框(scorei,bboxi);
然后利用邻域中与其交并比IOU大于0.5的检测框(scorej,bboxj),对输出的bboxi进行加权优化,计算如下:
其中,score代表网络预测的置信度,bbox代表网络输出的目标边界框位置坐标。
综上所述,该检测方法包含如下优化技术:首先采用聚类算法对训练数据的目标宽高进行聚类,采用聚类中心优化锚点设置;其次采用分类性能更强的残差网络作为特征提取网络,在此基础上设计一个融合特征网络,利于小目标的检测;其次采用在线困难样本挖掘算法以及均衡正负样本候选区域来优化网络的训练;最后采用训练得到的模型处理图像,并对输出进行后处理优化,实现汽车驾驶场景下的目标检测功能。本发明基于CAFFE深度学习框架以及Faster RCNN算法,通过优化锚点设置、设计融合特征网络、优化训练过程以及对结果后处理,得到了一种高性能的基于深度卷积网络的汽车驾驶场景目标检测方法。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度卷积神经网络的汽车驾驶场景目标检测方法,其特征在于,所述检测方法包括下列步骤:
S1、通过安装在汽车上的摄像机采集训练图像数据,并对所述训练图像数据进行预处理;
S2、利用聚类算法对训练集样本的目标宽高进行聚类,利用聚类中心优化锚点设置;
S3、以CAFFE框架为基础,基于分类性能更好的残差网络,采用多层融合特征构建深度卷积神经网络模型;
S4、网络初始化,利用在ImageNet上预训练过的模型参数对相应网络层进行初始化,其他新添加的层采用零均值,标准差为σ的高斯分布随机初始化;
S5、网络训练,将图像以及真值信息输入上述构造的网络,利用聚类得到的锚点设置,在网络中进行前向计算得到预测值,计算边界框的预测值与真值之间的Smooth L1损失以及目标类别的预测值与真值之间的SoftMax损失,再进行反向传播利用随机梯度下降法更新网络权重;
S6、通过汽车上的摄像机采集车辆前方的图像,输入网络进行检测,即可输出目标的类别及坐标,实现目标检测功能。
2.根据权利要求1所述的一种基于深度卷积神经网络的汽车驾驶场景目标检测方法,其特征在于,
利用K-Means算法对训练图像数据集中目标的宽高进行聚类,根据聚类结果定义锚点的宽高,为了使聚类中心框更好地匹配真值框,使聚类中心与真值框的交并比IOU最大化,聚类距离度量定义为:
D(gt,centroid)=1-IOU(gt,centroid),
其中,IOU定义为两个坐标框的交并比:
<mrow>
<mi>I</mi>
<mi>O</mi>
<mi>U</mi>
<mrow>
<mo>(</mo>
<mi>g</mi>
<mi>t</mi>
<mo>,</mo>
<mi>c</mi>
<mi>e</mi>
<mi>n</mi>
<mi>t</mi>
<mi>r</mi>
<mi>o</mi>
<mi>i</mi>
<mi>d</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>g</mi>
<mi>t</mi>
<mo>&cap;</mo>
<mi>c</mi>
<mi>e</mi>
<mi>n</mi>
<mi>t</mi>
<mi>r</mi>
<mi>o</mi>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mrow>
<mi>g</mi>
<mi>t</mi>
<mo>&cup;</mo>
<mi>c</mi>
<mi>e</mi>
<mi>n</mi>
<mi>t</mi>
<mi>r</mi>
<mi>o</mi>
<mi>i</mi>
<mi>d</mi>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中gt代表真值框,centroid代表聚类中心框,gt∩centroid代表真值框与聚类中心重叠的区域,gt∪centroid表示真值与聚类中心的区域合集,由此得到的聚类中心定义锚点的宽高。
3.根据权利要求1所述的一种基于深度卷积神经网络的汽车驾驶场景目标检测方法,其特征在于,
所述锚点用于候选区域生成网络RPN产生候选区域,在网络训练阶段,利用锚点与真值计算候选区域坐标的参考值作为网络回归的真值,计算如下:
<mrow>
<msubsup>
<mi>x</mi>
<mi>p</mi>
<mo>*</mo>
</msubsup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mo>*</mo>
</msup>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>a</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>/</mo>
<msub>
<mi>w</mi>
<mi>a</mi>
</msub>
<mo>,</mo>
<msubsup>
<mi>y</mi>
<mi>p</mi>
<mo>*</mo>
</msubsup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msup>
<mi>y</mi>
<mo>*</mo>
</msup>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>a</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>/</mo>
<msub>
<mi>h</mi>
<mi>a</mi>
</msub>
<mo>,</mo>
<msubsup>
<mi>w</mi>
<mi>p</mi>
<mo>*</mo>
</msubsup>
<mo>=</mo>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>w</mi>
<mo>*</mo>
</msup>
<mo>/</mo>
<msub>
<mi>w</mi>
<mi>a</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msubsup>
<mi>h</mi>
<mi>p</mi>
<mo>*</mo>
</msubsup>
<mo>=</mo>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>h</mi>
<mo>*</mo>
</msup>
<mo>/</mo>
<msub>
<mi>h</mi>
<mi>a</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中x*、xa分别代表真值以及锚点的中心坐标,代表计算得到的网络回归真值的中心坐标,x、y指边界框的中心坐标,w、h指边界框的宽和高;
在进行目标检测时,利用锚点与网络回归层的预测值计算候选区域的预测值,计算如下:
x=xp*wa+xa,y=yp*ha+ya,w=wa*exp(wp),h=ha*exp(hp)
其中,xp代表网络回归层的预测值,x代表由网络预测值与锚点计算得到的候选区域的预测值。
4.根据权利要求1所述的一种基于深度卷积神经网络的汽车驾驶场景目标检测方法,其特征在于,所述步骤S3过程如下:
以残差网络为特征提取网络,将残差网络分为五个单元:Res1、Res2、Res3、Res4、Res5,将前四个单元作为共享的特征提取网络,通过在第三个残差单元Res3设置侧连接,将输出调整为与Res4输出相同的通道,并对Res4进行上采样使输出的宽高加倍,然后将两个单元的输出相加,实现多层特征融合。
5.根据权利要求4所述的一种基于深度卷积神经网络的汽车驾驶场景目标检测方法,其特征在于,
所述侧连接采用卷积层Conv_1x1,该卷积层的卷积核大小为1x1,步长为1,填充为0,输出通道为1024;
所述上采样采用反卷积层Deconv,该上采样使Res4输出宽高加倍;
采用Crop层将Res4输出维度调整为与Res3输出相同的维度;
采用Eltwise_Sum将两个单元的输出相加,实现融合。
6.根据权利要求4所述的一种基于深度卷积神经网络的汽车驾驶场景目标检测方法,其特征在于,
候选区域生成网络RPN由全卷积网络组成,分类回归网络采用Res5单元作为网络的一部分。
7.根据权利要求1所述的一种基于深度卷积神经网络的汽车驾驶场景目标检测方法,其特征在于,
在网络训练阶段中,利用在线困难样本挖掘算法以及正负样本均衡优化训练过程,其中,所述在线困难样本挖掘算法利用分类回归网络Cls_Reg的拷贝Cls_Reg Readonly先对所有候选区域进行前向传播,选取损失最大的候选区域作为困难样本,再将困难样本输入Cls_Reg进行反向传播更新权重,所述正负样本候选区域均衡指控制负正样本候选区域数量比例小于μ,防止负样本区域过多而正样本区域过少导致分类器性能下降。
8.根据权利要求1所述的一种基于深度卷积神经网络的汽车驾驶场景目标检测方法,其特征在于,所述检测方法还包括下列步骤:
对网络输出的检测边界框预测值进行后处理优化,所述后处理优化是对输出基于边界框置信度投票优化,具体过程包括:
首先对检测结果进行非极大值抑制,得到局部区域置信度最高的检测框(scorei,bboxi);
然后利用邻域中与其交并比IOU大于0.5的检测框(scorej,bboxj),对输出的bboxi进行加权优化,计算如下:
<mrow>
<msub>
<mi>bbox</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mi>j</mi>
</munder>
<msub>
<mi>score</mi>
<mi>j</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>bbox</mi>
<mi>j</mi>
</msub>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mi>j</mi>
</munder>
<msub>
<mi>score</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
</mrow>
其中,score代表网络预测的置信度,bbox代表网络输出的目标边界框位置坐标。
9.根据权利要求1所述的一种基于深度卷积神经网络的汽车驾驶场景目标检测方法,其特征在于,
所述训练图像数据的预处理包括对输入图像进行镜像翻转、减去均值、尺度调整。
10.根据权利要求1所述的一种基于深度卷积神经网络的汽车驾驶场景目标检测方法,其特征在于,
所述训练图像数据需要标注目标,包括:车、行人、骑自行车的人,其中,需要标注的信息包括:目标的类别以及包围该目标的边界框坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710259285.4A CN107169421B (zh) | 2017-04-20 | 2017-04-20 | 一种基于深度卷积神经网络的汽车驾驶场景目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710259285.4A CN107169421B (zh) | 2017-04-20 | 2017-04-20 | 一种基于深度卷积神经网络的汽车驾驶场景目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107169421A true CN107169421A (zh) | 2017-09-15 |
CN107169421B CN107169421B (zh) | 2020-04-28 |
Family
ID=59813349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710259285.4A Active CN107169421B (zh) | 2017-04-20 | 2017-04-20 | 一种基于深度卷积神经网络的汽车驾驶场景目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107169421B (zh) |
Cited By (119)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107564009A (zh) * | 2017-08-30 | 2018-01-09 | 电子科技大学 | 基于深度卷积神经网络的室外场景多目标分割方法 |
CN107644224A (zh) * | 2017-09-30 | 2018-01-30 | 旗瀚科技有限公司 | 一种基于darknet框架的物体检测系统 |
CN107679469A (zh) * | 2017-09-22 | 2018-02-09 | 东南大学—无锡集成电路技术研究所 | 一种基于深度学习的非极大值抑制方法 |
CN107730553A (zh) * | 2017-11-02 | 2018-02-23 | 哈尔滨工业大学 | 一种基于伪真值搜寻法的弱监督物体检测方法 |
CN107808116A (zh) * | 2017-09-28 | 2018-03-16 | 中国科学院合肥物质科学研究院 | 一种基于深度多层特征融合学习的小麦麦蜘蛛检测方法 |
CN107833213A (zh) * | 2017-11-02 | 2018-03-23 | 哈尔滨工业大学 | 一种基于伪真值自适应法的弱监督物体检测方法 |
CN107945173A (zh) * | 2017-12-11 | 2018-04-20 | 深圳市宜远智能科技有限公司 | 一种基于深度学习的皮肤疾病检测方法以及系统 |
CN107972662A (zh) * | 2017-10-16 | 2018-05-01 | 华南理工大学 | 一种基于深度学习的车辆前向碰撞预警方法 |
CN108052946A (zh) * | 2017-12-11 | 2018-05-18 | 国网上海市电力公司 | 一种基于卷积神经网络的高压机柜开关自动识别方法 |
CN108133235A (zh) * | 2017-12-21 | 2018-06-08 | 中通服公众信息产业股份有限公司 | 一种基于神经网络多尺度特征图的行人检测方法 |
CN108305248A (zh) * | 2018-01-17 | 2018-07-20 | 慧影医疗科技(北京)有限公司 | 一种骨折识别模型的构建方法及应用 |
CN108399398A (zh) * | 2018-03-22 | 2018-08-14 | 武汉云衡智能科技有限公司 | 一种基于深度学习的无人驾驶汽车障碍物识别检测方法 |
CN108460403A (zh) * | 2018-01-23 | 2018-08-28 | 上海交通大学 | 一种图像中多尺度特征融合的目标检测方法与系统 |
CN108491880A (zh) * | 2018-03-23 | 2018-09-04 | 西安电子科技大学 | 基于神经网络的物体分类和位姿估计方法 |
CN108509978A (zh) * | 2018-02-28 | 2018-09-07 | 中南大学 | 基于cnn的多级特征融合的多类目标检测方法及模型 |
CN108537286A (zh) * | 2018-04-18 | 2018-09-14 | 北京航空航天大学 | 一种基于关键区域检测的复杂目标精准识别方法 |
CN108549901A (zh) * | 2018-03-12 | 2018-09-18 | 佛山市顺德区中山大学研究院 | 一种基于深度学习的快速迭代目标检测方法 |
CN108596101A (zh) * | 2018-04-25 | 2018-09-28 | 上海交通大学 | 一种基于卷积神经网络的遥感图像多目标检测方法 |
CN108734694A (zh) * | 2018-04-09 | 2018-11-02 | 华南农业大学 | 基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法 |
CN108764034A (zh) * | 2018-04-18 | 2018-11-06 | 浙江零跑科技有限公司 | 一种基于驾驶室近红外相机的分神驾驶行为预警方法 |
CN108830327A (zh) * | 2018-06-21 | 2018-11-16 | 中国科学技术大学 | 一种人群密度估计方法 |
CN108830196A (zh) * | 2018-05-31 | 2018-11-16 | 上海贵和软件技术有限公司 | 基于特征金字塔网络的行人检测方法 |
CN108875595A (zh) * | 2018-05-29 | 2018-11-23 | 重庆大学 | 一种基于深度学习和多层特征融合的驾驶场景目标检测方法 |
CN108985515A (zh) * | 2018-07-24 | 2018-12-11 | 国网河南省电力公司电力科学研究院 | 一种基于独立循环神经网络的新能源出力预测方法及系统 |
CN108985314A (zh) * | 2018-05-24 | 2018-12-11 | 北京飞搜科技有限公司 | 目标检测方法及设备 |
CN109032744A (zh) * | 2018-07-27 | 2018-12-18 | 百度在线网络技术(北京)有限公司 | 图标展示方法、装置、服务器及存储介质 |
CN109064514A (zh) * | 2018-07-03 | 2018-12-21 | 北京航空航天大学 | 一种基于投影点坐标回归的六自由度位姿估计算法 |
CN109086662A (zh) * | 2018-06-19 | 2018-12-25 | 浙江大华技术股份有限公司 | 一种异常行为检测方法及装置 |
CN109117876A (zh) * | 2018-07-26 | 2019-01-01 | 成都快眼科技有限公司 | 一种稠密小目标检测模型构建方法、模型及检测方法 |
CN109145798A (zh) * | 2018-08-13 | 2019-01-04 | 浙江零跑科技有限公司 | 一种驾驶场景目标识别与可行驶区域分割集成方法 |
CN109214389A (zh) * | 2018-09-21 | 2019-01-15 | 上海小萌科技有限公司 | 一种目标识别方法、计算机装置及可读存储介质 |
CN109241856A (zh) * | 2018-08-13 | 2019-01-18 | 浙江零跑科技有限公司 | 一种单目车载视觉系统立体目标检测方法 |
CN109241967A (zh) * | 2018-09-04 | 2019-01-18 | 青岛大学附属医院 | 基于深度神经网络的甲状腺超声图像自动识别系统、计算机设备、存储介质 |
CN109284733A (zh) * | 2018-10-15 | 2019-01-29 | 浙江工业大学 | 一种基于yolo和多任务卷积神经网络的导购消极行为监控方法 |
CN109325502A (zh) * | 2018-08-20 | 2019-02-12 | 杨学霖 | 基于视频渐进区域提取的共享单车停放检测方法和系统 |
CN109344843A (zh) * | 2018-09-07 | 2019-02-15 | 华南农业大学 | 水稻秧苗行线提取方法、装置、计算机设备和存储介质 |
CN109447034A (zh) * | 2018-11-14 | 2019-03-08 | 北京信息科技大学 | 基于YOLOv3网络的自动驾驶中交通标识检测方法 |
CN109447018A (zh) * | 2018-11-08 | 2019-03-08 | 天津理工大学 | 一种基于改进Faster R-CNN的道路环境视觉感知方法 |
CN109472308A (zh) * | 2018-11-08 | 2019-03-15 | 华南理工大学 | 一种基于人工智能的免标记仪器设备特征锚点检测方法 |
CN109522969A (zh) * | 2018-11-29 | 2019-03-26 | 南京云思创智信息科技有限公司 | 基于深度学习的特定物品发现方法 |
CN109583321A (zh) * | 2018-11-09 | 2019-04-05 | 同济大学 | 一种基于深度学习的结构化道路中小物体的检测方法 |
CN109583517A (zh) * | 2018-12-26 | 2019-04-05 | 华东交通大学 | 一种适用于小目标检测的增强的全卷积实例语义分割算法 |
CN109635875A (zh) * | 2018-12-19 | 2019-04-16 | 浙江大学滨海产业技术研究院 | 一种基于深度学习的端到端网口检测方法 |
CN109697449A (zh) * | 2017-10-20 | 2019-04-30 | 杭州海康威视数字技术股份有限公司 | 一种目标检测方法、装置及电子设备 |
CN109800712A (zh) * | 2019-01-21 | 2019-05-24 | 成都快眼科技有限公司 | 一种基于深度卷积神经网络的车辆检测计数方法及设备 |
CN109800778A (zh) * | 2018-12-03 | 2019-05-24 | 浙江工业大学 | 一种基于难分样本挖掘的Faster RCNN目标检测方法 |
CN109829501A (zh) * | 2019-02-01 | 2019-05-31 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN109858349A (zh) * | 2018-12-25 | 2019-06-07 | 五邑大学 | 一种基于改进yolo模型的交通标志识别方法及其装置 |
CN109886155A (zh) * | 2019-01-30 | 2019-06-14 | 华南理工大学 | 基于深度学习的单株水稻检测定位方法、系统、设备及介质 |
CN109886992A (zh) * | 2017-12-06 | 2019-06-14 | 深圳博脑医疗科技有限公司 | 用于分割mri图像中异常信号区的全卷积网络模型训练方法 |
CN109886286A (zh) * | 2019-01-03 | 2019-06-14 | 武汉精测电子集团股份有限公司 | 基于级联检测器的目标检测方法、目标检测模型及系统 |
CN109919025A (zh) * | 2019-01-30 | 2019-06-21 | 华南理工大学 | 基于深度学习的视频场景文本检测方法、系统、设备及介质 |
US10345822B1 (en) | 2018-01-26 | 2019-07-09 | Ford Global Technologies, Llc | Cognitive mapping for vehicles |
CN110059547A (zh) * | 2019-03-08 | 2019-07-26 | 北京旷视科技有限公司 | 目标检测方法及装置 |
CN110084173A (zh) * | 2019-04-23 | 2019-08-02 | 精伦电子股份有限公司 | 人头检测方法及装置 |
CN110084257A (zh) * | 2018-01-26 | 2019-08-02 | 北京京东尚科信息技术有限公司 | 用于检测目标的方法和装置 |
CN110110722A (zh) * | 2019-04-30 | 2019-08-09 | 广州华工邦元信息技术有限公司 | 一种基于深度学习模型识别结果的区域检测修正方法 |
CN110110719A (zh) * | 2019-03-27 | 2019-08-09 | 浙江工业大学 | 一种基于注意层区域卷积神经网络的目标检测方法 |
CN110135267A (zh) * | 2019-04-17 | 2019-08-16 | 电子科技大学 | 一种大场景sar图像细微目标检测方法 |
CN110135456A (zh) * | 2019-04-08 | 2019-08-16 | 图麟信息科技(上海)有限公司 | 一种目标检测模型的训练方法及装置 |
CN110210482A (zh) * | 2019-06-05 | 2019-09-06 | 中国科学技术大学 | 改进类别不平衡的目标检测方法 |
CN110232335A (zh) * | 2019-05-24 | 2019-09-13 | 国汽(北京)智能网联汽车研究院有限公司 | 驾驶场景分类方法及电子设备 |
CN110288033A (zh) * | 2019-06-28 | 2019-09-27 | 广西民族大学 | 一种基于卷积神经网络的甘蔗蔗节特征识别与定位方法 |
CN110298227A (zh) * | 2019-04-17 | 2019-10-01 | 南京航空航天大学 | 一种基于深度学习的无人机航拍图像中的车辆检测方法 |
CN110399884A (zh) * | 2019-07-10 | 2019-11-01 | 浙江理工大学 | 一种特征融合自适应锚框模型车辆检测方法 |
CN110414380A (zh) * | 2019-07-10 | 2019-11-05 | 上海交通大学 | 一种基于目标检测的学生行为检测方法 |
CN110494863A (zh) * | 2018-03-15 | 2019-11-22 | 辉达公司 | 确定自主车辆的可驾驶自由空间 |
CN110490135A (zh) * | 2019-08-20 | 2019-11-22 | 上海眼控科技股份有限公司 | 车辆年检方法、装置、计算机设备和存储介质 |
CN110569792A (zh) * | 2019-09-09 | 2019-12-13 | 吉林大学 | 一种基于卷积神经网络的自动驾驶汽车前方物体检测方法 |
CN110598751A (zh) * | 2019-08-14 | 2019-12-20 | 安徽师范大学 | 一种基于几何属性的锚点生成方法 |
CN110717404A (zh) * | 2019-09-17 | 2020-01-21 | 禾多科技(北京)有限公司 | 单目相机障碍物感知方法 |
CN110765886A (zh) * | 2019-09-29 | 2020-02-07 | 深圳大学 | 一种基于卷积神经网络的道路目标检测方法及装置 |
CN110796048A (zh) * | 2019-10-18 | 2020-02-14 | 武汉大学 | 一种基于深度神经网络的船舰目标实时检测方法 |
CN110826379A (zh) * | 2018-08-13 | 2020-02-21 | 中国科学院长春光学精密机械与物理研究所 | 一种基于特征复用与YOLOv3的目标检测方法 |
CN110852177A (zh) * | 2019-10-17 | 2020-02-28 | 北京全路通信信号研究设计院集团有限公司 | 基于单目相机的障碍物检测方法及系统 |
CN110889421A (zh) * | 2018-09-07 | 2020-03-17 | 杭州海康威视数字技术股份有限公司 | 目标物检测方法及装置 |
CN111104838A (zh) * | 2018-10-26 | 2020-05-05 | 斯特拉德视觉公司 | 基于障碍物的下端线检测roi的方法和装置 |
CN111144304A (zh) * | 2019-12-26 | 2020-05-12 | 上海眼控科技股份有限公司 | 车辆目标检测模型的生成方法、车辆目标检测方法及装置 |
CN111144484A (zh) * | 2019-12-26 | 2020-05-12 | 深圳集智数字科技有限公司 | 一种图像识别方法及装置 |
CN111242234A (zh) * | 2020-01-17 | 2020-06-05 | 深圳力维智联技术有限公司 | 图像目标的检测方法、装置、终端设备及存储介质 |
WO2020114116A1 (zh) * | 2018-12-06 | 2020-06-11 | 深圳光启空间技术有限公司 | 一种基于密集人群的行人检测方法、存储介质及处理器 |
CN111368769A (zh) * | 2020-03-10 | 2020-07-03 | 大连东软信息学院 | 基于改进锚点框生成模型的船舶多目标检测方法 |
CN111626400A (zh) * | 2019-02-28 | 2020-09-04 | 佳能株式会社 | 多层神经网络模型的训练和应用方法、装置及存储介质 |
CN111753666A (zh) * | 2020-05-21 | 2020-10-09 | 西安科技大学 | 输电线路中小目标故障检测方法、检测系统及存储介质 |
CN111858342A (zh) * | 2020-07-23 | 2020-10-30 | 深圳慕智科技有限公司 | 一种基于智能交通图像输入特征识别的模糊测试数据生成方法 |
CN111860265A (zh) * | 2020-07-10 | 2020-10-30 | 武汉理工大学 | 一种基于样本损失的多检测框损失均衡道路场景理解算法 |
CN112070048A (zh) * | 2020-09-16 | 2020-12-11 | 福州大学 | 基于RDSNet的车辆属性识别方法 |
CN112069943A (zh) * | 2020-08-25 | 2020-12-11 | 西安工业大学 | 基于自顶向下框架的在线多人姿态估计与跟踪方法 |
CN112149487A (zh) * | 2019-06-28 | 2020-12-29 | 百度(美国)有限责任公司 | 一种用于自动驾驶的用于训练神经网络对象检测模型的用于确定锚框的方法 |
CN112149713A (zh) * | 2020-08-21 | 2020-12-29 | 中移雄安信息通信科技有限公司 | 基于绝缘子图像检测模型检测绝缘子图像的方法及装置 |
CN111931703B (zh) * | 2020-09-14 | 2021-01-05 | 中国科学院自动化研究所 | 基于人-物体交互弱监督标签的物体检测方法 |
CN112232450A (zh) * | 2020-12-15 | 2021-01-15 | 浙江啄云智能科技有限公司 | 一种综合多阶段的难例样本挖掘方法、目标检测方法 |
CN112633323A (zh) * | 2020-11-26 | 2021-04-09 | 成都佳发安泰教育科技股份有限公司 | 一种用于教室的姿态检测方法和系统 |
CN112686340A (zh) * | 2021-03-12 | 2021-04-20 | 成都点泽智能科技有限公司 | 一种基于深度神经网络的密集小目标检测方法 |
CN112800971A (zh) * | 2021-01-29 | 2021-05-14 | 深圳市商汤科技有限公司 | 神经网络训练及点云数据处理方法、装置、设备和介质 |
CN113326858A (zh) * | 2020-02-28 | 2021-08-31 | 上海电力大学 | 一种多特征提取网络的目标检测方法 |
CN113377888A (zh) * | 2021-06-25 | 2021-09-10 | 北京百度网讯科技有限公司 | 训练目标检测模型和检测目标的方法 |
CN113420840A (zh) * | 2021-08-23 | 2021-09-21 | 常州微亿智造科技有限公司 | 基于低分辨率图像的目标检测方法和系统 |
CN113963265A (zh) * | 2021-09-13 | 2022-01-21 | 北京理工雷科电子信息技术有限公司 | 一种复杂遥感陆地环境小样本小目标快速检测识别方法 |
US11403069B2 (en) | 2017-07-24 | 2022-08-02 | Tesla, Inc. | Accelerated mathematical engine |
US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
US11487288B2 (en) | 2017-03-23 | 2022-11-01 | Tesla, Inc. | Data synthesis for autonomous control systems |
US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
CN116092059A (zh) * | 2022-11-30 | 2023-05-09 | 南京通力峰达软件科技有限公司 | 一种基于神经网络的车联网用户驾驶行为识别方法及系统 |
US11665108B2 (en) | 2018-10-25 | 2023-05-30 | Tesla, Inc. | QoS manager for system on a chip communications |
US11681649B2 (en) | 2017-07-24 | 2023-06-20 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
US11734562B2 (en) | 2018-06-20 | 2023-08-22 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
US11748620B2 (en) | 2019-02-01 | 2023-09-05 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
US11790664B2 (en) | 2019-02-19 | 2023-10-17 | Tesla, Inc. | Estimating object properties using visual image data |
US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
US11841434B2 (en) | 2018-07-20 | 2023-12-12 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
US11893774B2 (en) | 2018-10-11 | 2024-02-06 | Tesla, Inc. | Systems and methods for training machine models with augmented data |
US12014553B2 (en) | 2021-10-14 | 2024-06-18 | Tesla, Inc. | Predicting three-dimensional features for autonomous driving |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160180195A1 (en) * | 2013-09-06 | 2016-06-23 | Toyota Jidosha Kabushiki Kaisha | Augmenting Layer-Based Object Detection With Deep Convolutional Neural Networks |
CN106250812A (zh) * | 2016-07-15 | 2016-12-21 | 汤平 | 一种基于快速r‑cnn深度神经网络的车型识别方法 |
CN106446895A (zh) * | 2016-10-28 | 2017-02-22 | 安徽四创电子股份有限公司 | 一种基于深度卷积神经网络的车牌识别方法 |
-
2017
- 2017-04-20 CN CN201710259285.4A patent/CN107169421B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160180195A1 (en) * | 2013-09-06 | 2016-06-23 | Toyota Jidosha Kabushiki Kaisha | Augmenting Layer-Based Object Detection With Deep Convolutional Neural Networks |
CN106250812A (zh) * | 2016-07-15 | 2016-12-21 | 汤平 | 一种基于快速r‑cnn深度神经网络的车型识别方法 |
CN106446895A (zh) * | 2016-10-28 | 2017-02-22 | 安徽四创电子股份有限公司 | 一种基于深度卷积神经网络的车牌识别方法 |
Non-Patent Citations (3)
Title |
---|
SHAOQING REN等: "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", 《ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEM》 * |
SPYROS GIDARIS等: "Object detection via a multi-region & semantic segmentation-aware CNN model", 《IN PROCEEDINGS OF THE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 * |
黄斌 等: "基于深度卷积神经网络的物体识别算法", 《计算机应用》 * |
Cited By (174)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11487288B2 (en) | 2017-03-23 | 2022-11-01 | Tesla, Inc. | Data synthesis for autonomous control systems |
US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
US11681649B2 (en) | 2017-07-24 | 2023-06-20 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
US11403069B2 (en) | 2017-07-24 | 2022-08-02 | Tesla, Inc. | Accelerated mathematical engine |
US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
CN107564009A (zh) * | 2017-08-30 | 2018-01-09 | 电子科技大学 | 基于深度卷积神经网络的室外场景多目标分割方法 |
CN107679469B (zh) * | 2017-09-22 | 2021-03-30 | 东南大学—无锡集成电路技术研究所 | 一种基于深度学习的非极大值抑制方法 |
CN107679469A (zh) * | 2017-09-22 | 2018-02-09 | 东南大学—无锡集成电路技术研究所 | 一种基于深度学习的非极大值抑制方法 |
CN107808116A (zh) * | 2017-09-28 | 2018-03-16 | 中国科学院合肥物质科学研究院 | 一种基于深度多层特征融合学习的小麦麦蜘蛛检测方法 |
CN107808116B (zh) * | 2017-09-28 | 2020-05-05 | 中国科学院合肥物质科学研究院 | 一种基于深度多层特征融合学习的小麦麦蜘蛛检测方法 |
CN107644224A (zh) * | 2017-09-30 | 2018-01-30 | 旗瀚科技有限公司 | 一种基于darknet框架的物体检测系统 |
CN107972662A (zh) * | 2017-10-16 | 2018-05-01 | 华南理工大学 | 一种基于深度学习的车辆前向碰撞预警方法 |
CN107972662B (zh) * | 2017-10-16 | 2019-12-10 | 华南理工大学 | 一种基于深度学习的车辆前向碰撞预警方法 |
CN109697449A (zh) * | 2017-10-20 | 2019-04-30 | 杭州海康威视数字技术股份有限公司 | 一种目标检测方法、装置及电子设备 |
CN107833213A (zh) * | 2017-11-02 | 2018-03-23 | 哈尔滨工业大学 | 一种基于伪真值自适应法的弱监督物体检测方法 |
CN107730553A (zh) * | 2017-11-02 | 2018-02-23 | 哈尔滨工业大学 | 一种基于伪真值搜寻法的弱监督物体检测方法 |
CN107730553B (zh) * | 2017-11-02 | 2020-09-15 | 哈尔滨工业大学 | 一种基于伪真值搜寻法的弱监督物体检测方法 |
CN107833213B (zh) * | 2017-11-02 | 2020-09-22 | 哈尔滨工业大学 | 一种基于伪真值自适应法的弱监督物体检测方法 |
CN109886992A (zh) * | 2017-12-06 | 2019-06-14 | 深圳博脑医疗科技有限公司 | 用于分割mri图像中异常信号区的全卷积网络模型训练方法 |
CN107945173B (zh) * | 2017-12-11 | 2022-05-24 | 深圳市宜远智能科技有限公司 | 一种基于深度学习的皮肤疾病检测方法以及系统 |
CN108052946A (zh) * | 2017-12-11 | 2018-05-18 | 国网上海市电力公司 | 一种基于卷积神经网络的高压机柜开关自动识别方法 |
CN107945173A (zh) * | 2017-12-11 | 2018-04-20 | 深圳市宜远智能科技有限公司 | 一种基于深度学习的皮肤疾病检测方法以及系统 |
CN108133235A (zh) * | 2017-12-21 | 2018-06-08 | 中通服公众信息产业股份有限公司 | 一种基于神经网络多尺度特征图的行人检测方法 |
WO2019140957A1 (zh) * | 2018-01-17 | 2019-07-25 | 慧影医疗科技(北京)有限公司 | 一种骨折识别模型的构建方法及应用 |
CN108305248B (zh) * | 2018-01-17 | 2020-05-29 | 慧影医疗科技(北京)有限公司 | 一种骨折识别模型的构建方法及应用 |
CN108305248A (zh) * | 2018-01-17 | 2018-07-20 | 慧影医疗科技(北京)有限公司 | 一种骨折识别模型的构建方法及应用 |
CN108460403A (zh) * | 2018-01-23 | 2018-08-28 | 上海交通大学 | 一种图像中多尺度特征融合的目标检测方法与系统 |
CN110084257A (zh) * | 2018-01-26 | 2019-08-02 | 北京京东尚科信息技术有限公司 | 用于检测目标的方法和装置 |
US10345822B1 (en) | 2018-01-26 | 2019-07-09 | Ford Global Technologies, Llc | Cognitive mapping for vehicles |
US11797304B2 (en) | 2018-02-01 | 2023-10-24 | Tesla, Inc. | Instruction set architecture for a vector computational unit |
US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
CN108509978B (zh) * | 2018-02-28 | 2022-06-07 | 中南大学 | 基于cnn的多级特征融合的多类目标检测方法及模型 |
CN108509978A (zh) * | 2018-02-28 | 2018-09-07 | 中南大学 | 基于cnn的多级特征融合的多类目标检测方法及模型 |
CN108549901A (zh) * | 2018-03-12 | 2018-09-18 | 佛山市顺德区中山大学研究院 | 一种基于深度学习的快速迭代目标检测方法 |
CN110494863B (zh) * | 2018-03-15 | 2024-02-09 | 辉达公司 | 确定自主车辆的可驾驶自由空间 |
CN110494863A (zh) * | 2018-03-15 | 2019-11-22 | 辉达公司 | 确定自主车辆的可驾驶自由空间 |
CN108399398A (zh) * | 2018-03-22 | 2018-08-14 | 武汉云衡智能科技有限公司 | 一种基于深度学习的无人驾驶汽车障碍物识别检测方法 |
CN108491880A (zh) * | 2018-03-23 | 2018-09-04 | 西安电子科技大学 | 基于神经网络的物体分类和位姿估计方法 |
CN108734694A (zh) * | 2018-04-09 | 2018-11-02 | 华南农业大学 | 基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法 |
CN108764034A (zh) * | 2018-04-18 | 2018-11-06 | 浙江零跑科技有限公司 | 一种基于驾驶室近红外相机的分神驾驶行为预警方法 |
CN108537286A (zh) * | 2018-04-18 | 2018-09-14 | 北京航空航天大学 | 一种基于关键区域检测的复杂目标精准识别方法 |
CN108596101B (zh) * | 2018-04-25 | 2021-07-27 | 上海交通大学 | 一种基于卷积神经网络的遥感图像多目标检测方法 |
CN108596101A (zh) * | 2018-04-25 | 2018-09-28 | 上海交通大学 | 一种基于卷积神经网络的遥感图像多目标检测方法 |
CN108985314A (zh) * | 2018-05-24 | 2018-12-11 | 北京飞搜科技有限公司 | 目标检测方法及设备 |
CN108875595A (zh) * | 2018-05-29 | 2018-11-23 | 重庆大学 | 一种基于深度学习和多层特征融合的驾驶场景目标检测方法 |
CN108830196A (zh) * | 2018-05-31 | 2018-11-16 | 上海贵和软件技术有限公司 | 基于特征金字塔网络的行人检测方法 |
CN109086662A (zh) * | 2018-06-19 | 2018-12-25 | 浙江大华技术股份有限公司 | 一种异常行为检测方法及装置 |
US11734562B2 (en) | 2018-06-20 | 2023-08-22 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
CN108830327A (zh) * | 2018-06-21 | 2018-11-16 | 中国科学技术大学 | 一种人群密度估计方法 |
CN108830327B (zh) * | 2018-06-21 | 2022-03-01 | 中国科学技术大学 | 一种人群密度估计方法 |
CN109064514A (zh) * | 2018-07-03 | 2018-12-21 | 北京航空航天大学 | 一种基于投影点坐标回归的六自由度位姿估计算法 |
US11841434B2 (en) | 2018-07-20 | 2023-12-12 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
CN108985515B (zh) * | 2018-07-24 | 2021-11-26 | 国网河南省电力公司电力科学研究院 | 一种基于独立循环神经网络的新能源出力预测方法及系统 |
CN108985515A (zh) * | 2018-07-24 | 2018-12-11 | 国网河南省电力公司电力科学研究院 | 一种基于独立循环神经网络的新能源出力预测方法及系统 |
CN109117876A (zh) * | 2018-07-26 | 2019-01-01 | 成都快眼科技有限公司 | 一种稠密小目标检测模型构建方法、模型及检测方法 |
US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
CN109032744B (zh) * | 2018-07-27 | 2021-10-08 | 百度在线网络技术(北京)有限公司 | 图标展示方法、装置、服务器及存储介质 |
CN109032744A (zh) * | 2018-07-27 | 2018-12-18 | 百度在线网络技术(北京)有限公司 | 图标展示方法、装置、服务器及存储介质 |
CN109145798B (zh) * | 2018-08-13 | 2021-10-22 | 浙江零跑科技股份有限公司 | 一种驾驶场景目标识别与可行驶区域分割集成方法 |
CN110826379A (zh) * | 2018-08-13 | 2020-02-21 | 中国科学院长春光学精密机械与物理研究所 | 一种基于特征复用与YOLOv3的目标检测方法 |
CN110826379B (zh) * | 2018-08-13 | 2022-03-22 | 中国科学院长春光学精密机械与物理研究所 | 一种基于特征复用与YOLOv3的目标检测方法 |
CN109241856A (zh) * | 2018-08-13 | 2019-01-18 | 浙江零跑科技有限公司 | 一种单目车载视觉系统立体目标检测方法 |
CN109145798A (zh) * | 2018-08-13 | 2019-01-04 | 浙江零跑科技有限公司 | 一种驾驶场景目标识别与可行驶区域分割集成方法 |
CN109325502A (zh) * | 2018-08-20 | 2019-02-12 | 杨学霖 | 基于视频渐进区域提取的共享单车停放检测方法和系统 |
US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
US11983630B2 (en) | 2018-09-03 | 2024-05-14 | Tesla, Inc. | Neural networks for embedded devices |
CN109241967B (zh) * | 2018-09-04 | 2021-01-05 | 青岛大学附属医院 | 基于深度神经网络的甲状腺超声图像自动识别系统、计算机设备、存储介质 |
CN109241967A (zh) * | 2018-09-04 | 2019-01-18 | 青岛大学附属医院 | 基于深度神经网络的甲状腺超声图像自动识别系统、计算机设备、存储介质 |
CN109344843A (zh) * | 2018-09-07 | 2019-02-15 | 华南农业大学 | 水稻秧苗行线提取方法、装置、计算机设备和存储介质 |
CN110889421A (zh) * | 2018-09-07 | 2020-03-17 | 杭州海康威视数字技术股份有限公司 | 目标物检测方法及装置 |
CN109344843B (zh) * | 2018-09-07 | 2020-09-25 | 华南农业大学 | 水稻秧苗行线提取方法、装置、计算机设备和存储介质 |
CN109214389A (zh) * | 2018-09-21 | 2019-01-15 | 上海小萌科技有限公司 | 一种目标识别方法、计算机装置及可读存储介质 |
CN109214389B (zh) * | 2018-09-21 | 2021-09-28 | 上海小萌科技有限公司 | 一种目标识别方法、计算机装置及可读存储介质 |
US11893774B2 (en) | 2018-10-11 | 2024-02-06 | Tesla, Inc. | Systems and methods for training machine models with augmented data |
CN109284733A (zh) * | 2018-10-15 | 2019-01-29 | 浙江工业大学 | 一种基于yolo和多任务卷积神经网络的导购消极行为监控方法 |
CN109284733B (zh) * | 2018-10-15 | 2021-02-02 | 浙江工业大学 | 一种基于yolo和多任务卷积神经网络的导购消极行为监控方法 |
US11665108B2 (en) | 2018-10-25 | 2023-05-30 | Tesla, Inc. | QoS manager for system on a chip communications |
CN111104838B (zh) * | 2018-10-26 | 2023-08-11 | 斯特拉德视觉公司 | 基于障碍物的下端线检测roi的方法和装置 |
CN111104838A (zh) * | 2018-10-26 | 2020-05-05 | 斯特拉德视觉公司 | 基于障碍物的下端线检测roi的方法和装置 |
CN109447018A (zh) * | 2018-11-08 | 2019-03-08 | 天津理工大学 | 一种基于改进Faster R-CNN的道路环境视觉感知方法 |
CN109447018B (zh) * | 2018-11-08 | 2021-08-03 | 天津理工大学 | 一种基于改进Faster R-CNN的道路环境视觉感知方法 |
CN109472308A (zh) * | 2018-11-08 | 2019-03-15 | 华南理工大学 | 一种基于人工智能的免标记仪器设备特征锚点检测方法 |
CN109583321A (zh) * | 2018-11-09 | 2019-04-05 | 同济大学 | 一种基于深度学习的结构化道路中小物体的检测方法 |
CN109447034A (zh) * | 2018-11-14 | 2019-03-08 | 北京信息科技大学 | 基于YOLOv3网络的自动驾驶中交通标识检测方法 |
CN109522969A (zh) * | 2018-11-29 | 2019-03-26 | 南京云思创智信息科技有限公司 | 基于深度学习的特定物品发现方法 |
CN109800778A (zh) * | 2018-12-03 | 2019-05-24 | 浙江工业大学 | 一种基于难分样本挖掘的Faster RCNN目标检测方法 |
US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
US11908171B2 (en) | 2018-12-04 | 2024-02-20 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
WO2020114116A1 (zh) * | 2018-12-06 | 2020-06-11 | 深圳光启空间技术有限公司 | 一种基于密集人群的行人检测方法、存储介质及处理器 |
CN111291587A (zh) * | 2018-12-06 | 2020-06-16 | 深圳光启空间技术有限公司 | 一种基于密集人群的行人检测方法、存储介质及处理器 |
CN109635875A (zh) * | 2018-12-19 | 2019-04-16 | 浙江大学滨海产业技术研究院 | 一种基于深度学习的端到端网口检测方法 |
CN109858349B (zh) * | 2018-12-25 | 2022-11-15 | 五邑大学 | 一种基于改进yolo模型的交通标志识别方法及其装置 |
CN109858349A (zh) * | 2018-12-25 | 2019-06-07 | 五邑大学 | 一种基于改进yolo模型的交通标志识别方法及其装置 |
CN109583517A (zh) * | 2018-12-26 | 2019-04-05 | 华东交通大学 | 一种适用于小目标检测的增强的全卷积实例语义分割算法 |
US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
CN109886286A (zh) * | 2019-01-03 | 2019-06-14 | 武汉精测电子集团股份有限公司 | 基于级联检测器的目标检测方法、目标检测模型及系统 |
CN109800712B (zh) * | 2019-01-21 | 2023-04-21 | 成都快眼科技有限公司 | 一种基于深度卷积神经网络的车辆检测计数方法及设备 |
CN109800712A (zh) * | 2019-01-21 | 2019-05-24 | 成都快眼科技有限公司 | 一种基于深度卷积神经网络的车辆检测计数方法及设备 |
CN109886155B (zh) * | 2019-01-30 | 2021-08-10 | 华南理工大学 | 基于深度学习的单株水稻检测定位方法、系统、设备及介质 |
CN109886155A (zh) * | 2019-01-30 | 2019-06-14 | 华南理工大学 | 基于深度学习的单株水稻检测定位方法、系统、设备及介质 |
CN109919025A (zh) * | 2019-01-30 | 2019-06-21 | 华南理工大学 | 基于深度学习的视频场景文本检测方法、系统、设备及介质 |
TWI728621B (zh) * | 2019-02-01 | 2021-05-21 | 大陸商北京市商湯科技開發有限公司 | 圖像處理方法及其裝置、電子設備、電腦可讀儲存媒體和電腦程式 |
CN109829501B (zh) * | 2019-02-01 | 2021-02-19 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN109829501A (zh) * | 2019-02-01 | 2019-05-31 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
US11748620B2 (en) | 2019-02-01 | 2023-09-05 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
WO2020155828A1 (zh) * | 2019-02-01 | 2020-08-06 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
US11790664B2 (en) | 2019-02-19 | 2023-10-17 | Tesla, Inc. | Estimating object properties using visual image data |
CN111626400B (zh) * | 2019-02-28 | 2024-03-15 | 佳能株式会社 | 多层神经网络模型的训练和应用方法、装置及存储介质 |
CN111626400A (zh) * | 2019-02-28 | 2020-09-04 | 佳能株式会社 | 多层神经网络模型的训练和应用方法、装置及存储介质 |
CN110059547B (zh) * | 2019-03-08 | 2021-06-25 | 北京旷视科技有限公司 | 目标检测方法及装置 |
CN110059547A (zh) * | 2019-03-08 | 2019-07-26 | 北京旷视科技有限公司 | 目标检测方法及装置 |
CN110110719A (zh) * | 2019-03-27 | 2019-08-09 | 浙江工业大学 | 一种基于注意层区域卷积神经网络的目标检测方法 |
CN110135456A (zh) * | 2019-04-08 | 2019-08-16 | 图麟信息科技(上海)有限公司 | 一种目标检测模型的训练方法及装置 |
CN110298227A (zh) * | 2019-04-17 | 2019-10-01 | 南京航空航天大学 | 一种基于深度学习的无人机航拍图像中的车辆检测方法 |
CN110135267A (zh) * | 2019-04-17 | 2019-08-16 | 电子科技大学 | 一种大场景sar图像细微目标检测方法 |
CN110298227B (zh) * | 2019-04-17 | 2021-03-30 | 南京航空航天大学 | 一种基于深度学习的无人机航拍图像中的车辆检测方法 |
CN110084173A (zh) * | 2019-04-23 | 2019-08-02 | 精伦电子股份有限公司 | 人头检测方法及装置 |
CN110084173B (zh) * | 2019-04-23 | 2021-06-15 | 精伦电子股份有限公司 | 人头检测方法及装置 |
CN110110722A (zh) * | 2019-04-30 | 2019-08-09 | 广州华工邦元信息技术有限公司 | 一种基于深度学习模型识别结果的区域检测修正方法 |
CN110232335A (zh) * | 2019-05-24 | 2019-09-13 | 国汽(北京)智能网联汽车研究院有限公司 | 驾驶场景分类方法及电子设备 |
CN110210482B (zh) * | 2019-06-05 | 2022-09-06 | 中国科学技术大学 | 改进类别不平衡的目标检测方法 |
CN110210482A (zh) * | 2019-06-05 | 2019-09-06 | 中国科学技术大学 | 改进类别不平衡的目标检测方法 |
CN110288033A (zh) * | 2019-06-28 | 2019-09-27 | 广西民族大学 | 一种基于卷积神经网络的甘蔗蔗节特征识别与定位方法 |
CN112149487A (zh) * | 2019-06-28 | 2020-12-29 | 百度(美国)有限责任公司 | 一种用于自动驾驶的用于训练神经网络对象检测模型的用于确定锚框的方法 |
CN110288033B (zh) * | 2019-06-28 | 2023-04-07 | 广西民族大学 | 一种基于卷积神经网络的甘蔗蔗节特征识别与定位方法 |
CN110399884A (zh) * | 2019-07-10 | 2019-11-01 | 浙江理工大学 | 一种特征融合自适应锚框模型车辆检测方法 |
CN110399884B (zh) * | 2019-07-10 | 2021-08-20 | 浙江理工大学 | 一种特征融合自适应锚框模型车辆检测方法 |
CN110414380A (zh) * | 2019-07-10 | 2019-11-05 | 上海交通大学 | 一种基于目标检测的学生行为检测方法 |
CN110598751B (zh) * | 2019-08-14 | 2022-06-07 | 安徽师范大学 | 一种基于几何属性的锚点生成方法 |
CN110598751A (zh) * | 2019-08-14 | 2019-12-20 | 安徽师范大学 | 一种基于几何属性的锚点生成方法 |
CN110490135A (zh) * | 2019-08-20 | 2019-11-22 | 上海眼控科技股份有限公司 | 车辆年检方法、装置、计算机设备和存储介质 |
CN110569792A (zh) * | 2019-09-09 | 2019-12-13 | 吉林大学 | 一种基于卷积神经网络的自动驾驶汽车前方物体检测方法 |
CN110717404A (zh) * | 2019-09-17 | 2020-01-21 | 禾多科技(北京)有限公司 | 单目相机障碍物感知方法 |
CN110717404B (zh) * | 2019-09-17 | 2021-07-23 | 禾多科技(北京)有限公司 | 单目相机障碍物感知方法 |
CN110765886A (zh) * | 2019-09-29 | 2020-02-07 | 深圳大学 | 一种基于卷积神经网络的道路目标检测方法及装置 |
CN110765886B (zh) * | 2019-09-29 | 2022-05-03 | 深圳大学 | 一种基于卷积神经网络的道路目标检测方法及装置 |
CN110852177B (zh) * | 2019-10-17 | 2022-09-09 | 北京全路通信信号研究设计院集团有限公司 | 基于单目相机的障碍物检测方法及系统 |
CN110852177A (zh) * | 2019-10-17 | 2020-02-28 | 北京全路通信信号研究设计院集团有限公司 | 基于单目相机的障碍物检测方法及系统 |
CN110796048B (zh) * | 2019-10-18 | 2022-11-04 | 武汉大学 | 一种基于深度神经网络的船舰目标实时检测方法 |
CN110796048A (zh) * | 2019-10-18 | 2020-02-14 | 武汉大学 | 一种基于深度神经网络的船舰目标实时检测方法 |
CN111144484A (zh) * | 2019-12-26 | 2020-05-12 | 深圳集智数字科技有限公司 | 一种图像识别方法及装置 |
CN111144304A (zh) * | 2019-12-26 | 2020-05-12 | 上海眼控科技股份有限公司 | 车辆目标检测模型的生成方法、车辆目标检测方法及装置 |
CN111242234A (zh) * | 2020-01-17 | 2020-06-05 | 深圳力维智联技术有限公司 | 图像目标的检测方法、装置、终端设备及存储介质 |
CN113326858A (zh) * | 2020-02-28 | 2021-08-31 | 上海电力大学 | 一种多特征提取网络的目标检测方法 |
CN113326858B (zh) * | 2020-02-28 | 2023-08-22 | 上海电力大学 | 一种多特征提取网络的目标检测方法 |
CN111368769A (zh) * | 2020-03-10 | 2020-07-03 | 大连东软信息学院 | 基于改进锚点框生成模型的船舶多目标检测方法 |
CN111368769B (zh) * | 2020-03-10 | 2024-03-12 | 大连东软信息学院 | 基于改进锚点框生成模型的船舶多目标检测方法 |
CN111753666B (zh) * | 2020-05-21 | 2024-01-23 | 西安科技大学 | 输电线路中小目标故障检测方法、检测系统及存储介质 |
CN111753666A (zh) * | 2020-05-21 | 2020-10-09 | 西安科技大学 | 输电线路中小目标故障检测方法、检测系统及存储介质 |
CN111860265A (zh) * | 2020-07-10 | 2020-10-30 | 武汉理工大学 | 一种基于样本损失的多检测框损失均衡道路场景理解算法 |
CN111860265B (zh) * | 2020-07-10 | 2024-01-05 | 武汉理工大学 | 一种基于样本损失的多检测框损失均衡道路场景理解算法 |
CN111858342A (zh) * | 2020-07-23 | 2020-10-30 | 深圳慕智科技有限公司 | 一种基于智能交通图像输入特征识别的模糊测试数据生成方法 |
CN112149713A (zh) * | 2020-08-21 | 2020-12-29 | 中移雄安信息通信科技有限公司 | 基于绝缘子图像检测模型检测绝缘子图像的方法及装置 |
CN112149713B (zh) * | 2020-08-21 | 2022-12-16 | 中移雄安信息通信科技有限公司 | 基于绝缘子图像检测模型检测绝缘子图像的方法及装置 |
CN112069943A (zh) * | 2020-08-25 | 2020-12-11 | 西安工业大学 | 基于自顶向下框架的在线多人姿态估计与跟踪方法 |
CN111931703B (zh) * | 2020-09-14 | 2021-01-05 | 中国科学院自动化研究所 | 基于人-物体交互弱监督标签的物体检测方法 |
CN112070048A (zh) * | 2020-09-16 | 2020-12-11 | 福州大学 | 基于RDSNet的车辆属性识别方法 |
CN112633323A (zh) * | 2020-11-26 | 2021-04-09 | 成都佳发安泰教育科技股份有限公司 | 一种用于教室的姿态检测方法和系统 |
CN112633323B (zh) * | 2020-11-26 | 2024-04-30 | 成都佳发安泰教育科技股份有限公司 | 一种用于教室的姿态检测方法和系统 |
CN112232450A (zh) * | 2020-12-15 | 2021-01-15 | 浙江啄云智能科技有限公司 | 一种综合多阶段的难例样本挖掘方法、目标检测方法 |
CN112232450B (zh) * | 2020-12-15 | 2021-03-16 | 浙江啄云智能科技有限公司 | 一种综合多阶段的难例样本挖掘方法、目标检测方法 |
CN112800971A (zh) * | 2021-01-29 | 2021-05-14 | 深圳市商汤科技有限公司 | 神经网络训练及点云数据处理方法、装置、设备和介质 |
CN112686340A (zh) * | 2021-03-12 | 2021-04-20 | 成都点泽智能科技有限公司 | 一种基于深度神经网络的密集小目标检测方法 |
CN113377888B (zh) * | 2021-06-25 | 2024-04-02 | 北京百度网讯科技有限公司 | 训练目标检测模型和检测目标的方法 |
CN113377888A (zh) * | 2021-06-25 | 2021-09-10 | 北京百度网讯科技有限公司 | 训练目标检测模型和检测目标的方法 |
CN113420840A (zh) * | 2021-08-23 | 2021-09-21 | 常州微亿智造科技有限公司 | 基于低分辨率图像的目标检测方法和系统 |
CN113420840B (zh) * | 2021-08-23 | 2021-12-21 | 常州微亿智造科技有限公司 | 基于低分辨率图像的目标检测方法和系统 |
CN113963265A (zh) * | 2021-09-13 | 2022-01-21 | 北京理工雷科电子信息技术有限公司 | 一种复杂遥感陆地环境小样本小目标快速检测识别方法 |
US12014553B2 (en) | 2021-10-14 | 2024-06-18 | Tesla, Inc. | Predicting three-dimensional features for autonomous driving |
US12020476B2 (en) | 2022-10-28 | 2024-06-25 | Tesla, Inc. | Data synthesis for autonomous control systems |
CN116092059B (zh) * | 2022-11-30 | 2023-10-20 | 南京通力峰达软件科技有限公司 | 一种基于神经网络的车联网用户驾驶行为识别方法及系统 |
CN116092059A (zh) * | 2022-11-30 | 2023-05-09 | 南京通力峰达软件科技有限公司 | 一种基于神经网络的车联网用户驾驶行为识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107169421B (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169421A (zh) | 一种基于深度卷积神经网络的汽车驾驶场景目标检测方法 | |
CN106156748B (zh) | 基于车载双目相机的交通场景参与者识别方法 | |
CN109800628B (zh) | 一种加强ssd小目标行人检测性能的网络结构及检测方法 | |
CN110163187B (zh) | 基于f-rcnn的远距离交通标志检测识别方法 | |
WO2020181685A1 (zh) | 一种基于深度学习的车载视频目标检测方法 | |
CN110033002B (zh) | 基于多任务级联卷积神经网络的车牌检测方法 | |
CN106228162B (zh) | 一种基于深度学习的移动机器人快速物体识别方法 | |
CN109815886A (zh) | 一种基于改进YOLOv3的行人和车辆检测方法及系统 | |
CN109977793A (zh) | 基于变尺度多特征融合卷积网络的路侧图像行人分割方法 | |
CN106709568A (zh) | 基于深层卷积网络的rgb‑d图像的物体检测和语义分割方法 | |
CN109816012A (zh) | 一种融合上下文信息的多尺度目标检测方法 | |
CN111695448B (zh) | 一种基于视觉传感器的路侧车辆识别方法 | |
CN111091105A (zh) | 基于新的边框回归损失函数的遥感图像目标检测方法 | |
CN106778835A (zh) | 融合场景信息和深度特征的遥感图像机场目标识别方法 | |
CN111553201B (zh) | 一种基于YOLOv3优化算法的交通灯检测方法 | |
CN107862261A (zh) | 基于多尺度卷积神经网络的图像人群计数方法 | |
CN109508710A (zh) | 基于改进YOLOv3网络的无人车夜间环境感知方法 | |
CN106683091A (zh) | 一种基于深度卷积神经网络的目标分类及姿态检测方法 | |
CN106407903A (zh) | 基于多尺度卷积神经网络的实时人体异常行为识别方法 | |
CN105844295A (zh) | 一种基于颜色模型与运动特征的视频烟雾精细分类方法 | |
Zhu et al. | ED-Net: Automatic building extraction from high-resolution aerial images with boundary information | |
CN111460980B (zh) | 基于多语义特征融合的小目标行人的多尺度检测方法 | |
CN110197152A (zh) | 一种用于自动驾驶系统的道路目标识别方法 | |
CN103679205B (zh) | 基于阴影假设和分层hog对称特征验证的前车检测方法 | |
CN108416292A (zh) | 一种基于深度学习的无人机航拍图像道路提取方法 |
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 |