CN107844769B - 一种复杂场景下的车辆检测方法及系统 - Google Patents
一种复杂场景下的车辆检测方法及系统 Download PDFInfo
- Publication number
- CN107844769B CN107844769B CN201711059068.7A CN201711059068A CN107844769B CN 107844769 B CN107844769 B CN 107844769B CN 201711059068 A CN201711059068 A CN 201711059068A CN 107844769 B CN107844769 B CN 107844769B
- Authority
- CN
- China
- Prior art keywords
- layer
- region
- complex
- neural network
- vehicle
- 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
Images
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
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
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
本发明公开了一种复杂场景下的车辆检测方法及系统,基于快速区域卷积神经网络,该快速区域卷积神经网络中配置有输入层、卷积层、池化层、region proposal候选区域层、ROI pooling层、全连接层和输出层,该系统中还配置有复杂区域拆分层,所述复杂区域拆分层用于将复杂场景划分成若干简单场景并连接在输入层后,所述复杂区域拆分层的输出连接到region proposal层和卷积层,卷积层的输出连接到池化层,池化层、region proposal的输出均连接到ROI pooling层,所述ROI pooling层顺序连接全连接层、输出层后输出检测结果。本发明的一种复杂场景下的车辆检测方法及系统与现有技术相比,通过设计基于深度学习的车辆检测方法,完成智慧停车,能够极大的节省成本,实用性强,适用范围广泛,易于推广。
Description
技术领域
本发明涉及计算机视觉技术领域,具体地说是一种复杂场景下的车辆检测方法及系统。
背景技术
作为交通科技领域“十三五”规划布局的重点专项之一,智慧交通被认为是保障交通安全、缓解拥堵难题、减少交通事故的有效办法。随着人们生活水平的提高,家用车辆越来越多,使得停车难问题日渐凸显。而智慧停车是解决停车难,实现智慧交通的重要环节。在实现智慧停车过程中,最重要的环节就是车辆检测。现有的智慧停车大部分都是安装大量的地磁感应装置或者大量的摄像头来实现的。虽然现有方案已经日趋成熟,然而这些方案的成本较高。
近年来,深度学习技术在目标检测领域取得了极大的成功。相比较传统的目标检测方法,基于深度学习的目标检测框架能够从大数据中更好的学习目标的特点,取得了更高的检测精度。现有的主要框架有RCNN,faster-RCNN,YOLO,SSD等经典算法。虽然这些算法能够取得较好的效果,然而在复杂场景下效果较差。比如某摄像头拍摄的一幅停车场的图像,经典的算法SSD只检测出了图像中极少量的车辆。原因是图像中存在大量的小目标(车辆),且图中存在其他复杂的背景因素,例如有些车辆被树叶遮挡,有些车辆的摆放形态多变等。因此,如何针对复杂场景下的特点,基于深度学习框架设计精确的车辆检测方法,对于极大地降低企业成本,具有重要的意义。
发明内容
本发明的技术任务是针对以上不足之处,提供一种复杂场景下的车辆检测方法及系统。
一种复杂场景下的车辆检测方法,基于快速区域卷积神经网络,该快速区域卷积神经网络中配置有输入层、卷积层、池化层、region proposal候选区域层、ROI pooling层、全连接层和输出层,其实现过程为:
首先设计复杂区域拆分单元,将复杂场景划分成若干简单场景;
将复杂区域拆分单元加入到快速区域卷积神经网络中的输入层后,接收来自输入层输入的图像;
将复杂区域拆分单元的输出分别连接到快速区域卷积神经网络的regionproposal层、卷积层,来分别学习候选的proposal、局部特征,且卷积层输出特征到池化层进行采样;
将池化层的特征与region proposal层的候选特征进行融合,输入到ROI pooling层,将特征归一化到相同的长度;
最后再输入到全连接层,全连接层的输出作为最后的特征,通过优化目标函数,获得复杂性区域拆分卷积神经网络的参数,从而进行车辆检测。
所述复杂区域拆分单元将复杂场景划分为简单场景的过程为:在复杂区域拆分单元中配置两个层,第一个层为复杂区域选择层,该复杂区域选择层通过人工设置由1和0构成的卷积,将复杂的区域进行划分,划分为若干简单的区域;第二个层为简单区域提取层,根据上一层卷积的结果,将非0的元素提取出来。
所述优化目标函数通过配置权重实现,其实现过程为:
1)在输入图像进行训练时,设置图像中每个车辆的权重,在训练过程中,被遮挡的车辆的权重大于未被遮挡的车辆的权重;
2)进行迭代优化,不断更新权重,根据训练精度,被分错的样本的权重大于分对样本的权重;
3)最后,通过随机梯度下降优化公式,求解复杂性区域拆分卷积神经网络的参数,使得复杂性区域拆分卷积神经网络可用,当来一幅图像时,将图像直接输入到复杂性区域拆分卷积神经网络,即可得到检测结果。
所述步骤1)中设置图像中每个车辆的权重通过以下公式实现:
在上式中,变量x表示图像中的一个车,变量q表示未被遮挡的车辆的个数,变量p表示被遮挡的车辆的个数,ΩC表示被遮挡的车辆集合,ΩB表示未被遮挡的车辆集合。
所述步骤2)进行迭代优化时权重更新通过以下公式实现:
在上式中,变量un-1表示上一次迭代是样本x的权重,acc表示被上次迭代中目标检测的正确率,Ωerr表示上次迭代中被错误检测的车辆集合,Ωacc表示上次迭代中被正确检测的车辆集合。
所述步骤3)中通过以下随机梯度下降优化公式来求解复杂性区域拆分卷积神经网络的参数w:
Min ui(yi-wTxi)2+||w||2;
其中,yi是第i个样本的标记,xi是第i个样本的全连接层输出的特征。
一种复杂场景下的车辆检测系统,基于快速区域卷积神经网络,该快速区域卷积神经网络中配置有输入层、卷积层、池化层、region proposal候选区域层、ROI pooling层、全连接层和输出层,该系统中还配置有复杂区域拆分层,所述复杂区域拆分层用于将复杂场景划分成若干简单场景并连接在输入层后,所述复杂区域拆分层的输出连接到regionproposal层和卷积层,卷积层的输出连接到池化层,池化层、region proposal的输出均连接到ROI pooling层,所述ROI pooling层顺序连接全连接层、输出层后输出检测结果。
所述复杂区域拆分层中配置两个分层,第一个分层为复杂区域选择层,该复杂区域选择层通过人工设置由1和0构成的卷积,将复杂的区域进行划分,划分为若干简单的区域;第二个分层为简单区域提取层,根据上一分层卷积的结果,将非0的元素提取出来。
本发明的一种复杂场景下的车辆检测方法及系统和现有技术相比,具有以下有益效果:
本发明的一种复杂场景下的车辆检测方法及系统,不同于现有的智慧停车解决方案,拟在高点按照极少量的摄像头,通过设计基于深度学习的车辆检测方法,完成智慧停车,能够极大的节省成本,实用性强,适用范围广泛,易于推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
附图1是本发明复杂区域拆分单元实现示意图。
附图2为本发明实现架构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明的方案,下面结合具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
随着智慧交通、智慧停车等产业的兴起,车辆检测技术扮演着越来越重要的角色。针对在复杂场景下的遮挡、大量的小目标造成车辆检测结果不精确问题,本发明提出了一种基于复杂区域拆分卷积神经网络(Complex Region Separate Convolutional NeuralNetwork,CRSCNN)的复杂场景下的车辆检测方法。
首先设计了新的复杂性区域拆分单元,并在快速区域卷积神经网络(faster-RCNN)框架中加入复杂性区域拆分单元。基于提出的CRSCNN设计新的目标函数,并在目标函数中引入样本加权学习。提出的新的复杂性拆分单元具有两个优点:(1)能够进行粒度转换。将小粒度转换成大粒度。从而将小目标转为大目标,使得学到的网络能够对小目标进行充分学习。(2)能够将复杂的场景拆分为若干简单的场景。从而降低模型对车辆学习的难度。另外,本发明提出的基于样本加权的学习方法,通过对被遮挡车辆的样本进行加权,增加其在训练过程中的重要程度,从而提高被遮挡车辆被检测出的准确性。
如附图1、图2所示,本发明基于快速区域卷积神经网络,该快速区域卷积神经网络中配置有输入层、卷积层、池化层、region proposal候选区域层、ROI pooling层、全连接层和输出层,其实现过程为:
首先设计复杂区域拆分单元,将复杂场景划分成若干简单场景;
将复杂区域拆分单元加入到快速区域卷积神经网络中的输入层后,接收来自输入层输入的图像;
将复杂区域拆分单元的输出分别连接到快速区域卷积神经网络的regionproposal层、卷积层,来分别学习候选的proposal、局部特征,且卷积层输出特征到池化层进行采样,降低特征的复杂度;
将池化层的特征与region proposal层的候选特征进行融合,输入到ROI pooling层,将不同维度的特征(由于输入图像的大小是任意的,所以产生的特征维数可能是不同的)归一化到相同的长度;
最后再输入到全连接层,全连接层的输出作为最后的特征,通过优化目标函数,获得复杂性区域拆分卷积神经网络的参数,从而进行车辆检测。
所述复杂区域拆分单元将复杂场景划分为简单场景的过程为:在复杂区域拆分单元中配置两个层,第一个层为复杂区域选择层,该复杂区域选择层通过通过人工设置一个卷积mask,主要由1和0构成,将复杂的区域进行划分,划分为若干简单的区域;第二个层为简单区域提取层,根据上一层卷积的结果,将非0的元素提取出来。
所述优化目标函数通过配置权重实现,其实现过程为:
1)在输入图像进行训练时,设置图像中每个车辆的权重,在训练过程中,被遮挡的车辆的权重大于未被遮挡的车辆的权重;
2)进行迭代优化,不断更新权重,根据训练精度,被分错的样本的权重大于分对样本的权重;
3)最后,通过随机梯度下降优化公式,求解复杂性区域拆分卷积神经网络的参数,使得复杂性区域拆分卷积神经网络可用,当来一幅图像时,将图像直接输入到复杂性区域拆分卷积神经网络,即可得到检测结果。
所述步骤1)中设置图像中每个车辆的权重通过以下公式实现:
在上式中,变量x表示图像中的一个车,变量q表示未被遮挡的车辆的个数,变量p表示被遮挡的车辆的个数,ΩC表示被遮挡的车辆集合,ΩB表示未被遮挡的车辆集合。
所述步骤2)进行迭代优化时权重更新通过以下公式实现:
在上式中,变量un-1表示上一次迭代是样本x的权重,acc表示被上次迭代中目标检测的正确率,Ωerr表示上次迭代中被错误检测的车辆集合,Ωacc表示上次迭代中被正确检测的车辆集合。
所述步骤3)中通过以下随机梯度下降优化公式来求解复杂性区域拆分卷积神经网络的参数w:
Min ui(yi-wTxi)2+||w||2;
其中,yi是第i个样本的标记,xi是第i个样本的全连接层输出的特征。
一种复杂场景下的车辆检测系统,基于快速区域卷积神经网络,该快速区域卷积神经网络中配置有输入层、卷积层、池化层、region proposal候选区域层、ROI pooling层、全连接层和输出层,该系统中还配置有复杂区域拆分层,所述复杂区域拆分层用于将复杂场景划分成若干简单场景并连接在输入层后,所述复杂区域拆分层的输出连接到regionproposal层和卷积层,卷积层的输出连接到池化层,池化层、region proposal的输出均连接到ROI pooling层,所述ROI pooling层顺序连接全连接层、输出层后输出检测结果。
所述复杂区域拆分层中配置两个分层,第一个分层为复杂区域选择层,该复杂区域选择层通过人工设置由1和0构成的卷积,将复杂的区域进行划分,划分为若干简单的区域;第二个分层为简单区域提取层,根据上一分层卷积的结果,将非0的元素提取出来。
本发明中,首先设计了新的复杂性区域拆分单元,并在快速区域卷积神经网络(faster-RCNN)框架中加入复杂性区域拆分单元。基于提出的CRSCNN设计新的目标函数,并在目标函数中引入样本加权学习。提出的新的复杂性拆分单元能够将小粒度转换成大粒度。从而将小目标转为大目标,使得学到的网络能够对小目标进行充分学习。另外,提出的新单元能够将复杂的场景拆分为若干简单的场景,从而降低模型对车辆学习的难度。本发明提出的基于样本加权的学习方法,通过对被遮挡车辆的样本进行加权,增加其在训练过程中的重要程度,从而提高被遮挡车辆被检测出的准确性。
本发明提出的技术能够用于智慧停车中停车场内的车辆检测,尤其是露天停车场的检测。基于该发明技术,只需要在高点设置1-3个摄像头,即可实现精确的车辆检测。相比较传统的智慧停车解决方案,将极大地降低企业成本,有望进一步推动智慧停车领域的发展。
通过上面具体实施方式,所述技术领域的技术人员可容易的实现本发明。但是应当理解,本发明并不限于上述的具体实施方式。在公开的实施方式的基础上,所述技术领域的技术人员可任意组合不同的技术特征,从而实现不同的技术方案。
除说明书所述的技术特征外,均为本专业技术人员的已知技术。
Claims (6)
1.一种复杂场景下的车辆检测方法,其特征在于,基于快速区域卷积神经网络,该快速区域卷积神经网络中配置有输入层、卷积层、池化层、region proposal候选区域层、ROIpooling层、全连接层和输出层,其实现过程为:
首先设计复杂区域拆分单元,将复杂场景划分成若干简单场景,所述复杂区域拆分单元将复杂场景划分为简单场景的过程为:在复杂区域拆分单元中配置两个层,第一个层为复杂区域选择层,该复杂区域选择层通过人工设置由1和0构成的卷积,将复杂的区域进行划分,划分为若干简单的区域;第二个层为简单区域提取层,根据上一层卷积的结果,将非0的元素提取出来;
将复杂区域拆分单元加入到快速区域卷积神经网络中的输入层后,接收来自输入层输入的图像;
将复杂区域拆分单元的输出分别连接到快速区域卷积神经网络的region proposal层、卷积层,来分别学习候选的proposal、局部特征,且卷积层输出特征到池化层进行采样;
将池化层的特征与region proposal层的候选特征进行融合,输入到ROIpooling层,将特征归一化到相同的长度;
最后再输入到全连接层,全连接层的输出作为最后的特征,通过优化目标函数,获得复杂性区域拆分卷积神经网络的参数,从而进行车辆检测。
2.根据权利要求1所述的一种复杂场景下的车辆检测方法,其特征在于,所述优化目标函数通过配置权重实现,其实现过程为:
1)在输入图像进行训练时,设置图像中每个车辆的权重,在训练过程中,被遮挡的车辆的权重大于未被遮挡的车辆的权重;
2)进行迭代优化,不断更新权重,根据训练精度,被分错的样本的权重大于分对样本的权重;
3)最后,通过随机梯度下降优化公式,求解复杂性区域拆分卷积神经网络的参数,使得复杂性区域拆分卷积神经网络可用,当来一幅图像时,将图像直接输入到复杂性区域拆分卷积神经网络,即可得到检测结果。
5.根据权利要求2所述的一种复杂场景下的车辆检测方法,其特征在于,所述步骤3)中通过以下随机梯度下降优化公式来求解复杂性区域拆分卷积神经网络的参数w:
Min ui(yi-wTxi)2+||w||2;
其中,yi是第i个样本的标记,xi是第i个样本的全连接层输出的特征。
6.一种复杂场景下的车辆检测系统,其特征在于,基于快速区域卷积神经网络,该快速区域卷积神经网络中配置有输入层、卷积层、池化层、region proposal候选区域层、ROIpooling层、全连接层和输出层,该系统中还配置有复杂区域拆分层,所述复杂区域拆分层用于将复杂场景划分成若干简单场景并连接在输入层后,所述复杂区域拆分层的输出连接到region proposal层和卷积层,卷积层的输出连接到池化层,池化层、region proposal的输出均连接到ROI pooling层,所述ROI pooling层顺序连接全连接层、输出层后输出检测结果,所述复杂区域拆分层中配置两个分层,第一个分层为复杂区域选择层,该复杂区域选择层通过人工设置由1和0构成的卷积,将复杂的区域进行划分,划分为若干简单的区域;第二个分层为简单区域提取层,根据上一分层卷积的结果,将非0的元素提取出来。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711059068.7A CN107844769B (zh) | 2017-11-01 | 2017-11-01 | 一种复杂场景下的车辆检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711059068.7A CN107844769B (zh) | 2017-11-01 | 2017-11-01 | 一种复杂场景下的车辆检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107844769A CN107844769A (zh) | 2018-03-27 |
CN107844769B true CN107844769B (zh) | 2021-06-01 |
Family
ID=61681215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711059068.7A Active CN107844769B (zh) | 2017-11-01 | 2017-11-01 | 一种复杂场景下的车辆检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107844769B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108573244B (zh) * | 2018-04-28 | 2020-07-14 | 浪潮集团有限公司 | 一种车辆检测方法、装置及系统 |
CN108960185A (zh) * | 2018-07-20 | 2018-12-07 | 泰华智慧产业集团股份有限公司 | 基于YOLOv2的车辆目标检测方法及系统 |
CN111098850A (zh) * | 2018-10-25 | 2020-05-05 | 北京初速度科技有限公司 | 一种自动停车辅助系统及自动泊车方法 |
CN109614929A (zh) * | 2018-12-11 | 2019-04-12 | 济南浪潮高新科技投资发展有限公司 | 基于多粒度代价敏感卷积神经网络的人脸检测方法及系统 |
CN109766944B (zh) * | 2019-01-10 | 2021-05-25 | 四川中新华搜信息技术有限公司 | 一种基于cnn的图像识别的商品外观防伪方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978567A (zh) * | 2015-06-11 | 2015-10-14 | 武汉大千信息技术有限公司 | 基于场景分类的车辆检测方法 |
CN105373794A (zh) * | 2015-12-14 | 2016-03-02 | 河北工业大学 | 一种车牌识别方法 |
CN106203354A (zh) * | 2016-07-14 | 2016-12-07 | 南京信息工程大学 | 基于混合深度结构的场景识别方法 |
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 |
CN107134144A (zh) * | 2017-04-27 | 2017-09-05 | 武汉理工大学 | 一种用于交通监控的车辆检测方法 |
CN107239778A (zh) * | 2017-06-09 | 2017-10-10 | 中国科学技术大学 | 高效准确的车牌识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9760806B1 (en) * | 2016-05-11 | 2017-09-12 | TCL Research America Inc. | Method and system for vision-centric deep-learning-based road situation analysis |
-
2017
- 2017-11-01 CN CN201711059068.7A patent/CN107844769B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978567A (zh) * | 2015-06-11 | 2015-10-14 | 武汉大千信息技术有限公司 | 基于场景分类的车辆检测方法 |
CN105373794A (zh) * | 2015-12-14 | 2016-03-02 | 河北工业大学 | 一种车牌识别方法 |
CN106203354A (zh) * | 2016-07-14 | 2016-12-07 | 南京信息工程大学 | 基于混合深度结构的场景识别方法 |
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 |
CN107134144A (zh) * | 2017-04-27 | 2017-09-05 | 武汉理工大学 | 一种用于交通监控的车辆检测方法 |
CN107239778A (zh) * | 2017-06-09 | 2017-10-10 | 中国科学技术大学 | 高效准确的车牌识别方法 |
Non-Patent Citations (2)
Title |
---|
基于卷积神经网络的车辆检测算法研究;何振军;《中国优秀硕士学位论文全文数据库信息科技辑》;20170103;全文 * |
基于深度学习的车辆检测及其细粒度分类关键技术研究;余少勇;《中国优秀博士学位论文全文数据库信息科技辑》;20170930;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107844769A (zh) | 2018-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107844769B (zh) | 一种复杂场景下的车辆检测方法及系统 | |
CN107169421B (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 | |
CN107784654B (zh) | 图像分割方法、装置及全卷积网络系统 | |
WO2020248957A1 (zh) | 遮挡的目标物体的检测方法、系统、设备及存储介质 | |
CN112380921A (zh) | 一种基于车联网的道路检测方法 | |
CN108537824B (zh) | 基于交替反卷积与卷积的特征图增强的网络结构优化方法 | |
CN109993101B (zh) | 基于多分支循环自注意力网络与循环边框回归的车辆检测方法 | |
CN109359666A (zh) | 一种基于多特征融合神经网络的车型识别方法及处理终端 | |
CN107239759B (zh) | 一种基于深度特征的高空间分辨率遥感图像迁移学习方法 | |
CN107680113A (zh) | 基于贝叶斯框架边缘先验的多层分割网络的图像分割方法 | |
CN112215255A (zh) | 一种目标检测模型的训练方法、目标检测方法及终端设备 | |
CN108197669B (zh) | 卷积神经网络的特征训练方法及装置 | |
CN114022432A (zh) | 基于改进的yolov5的绝缘子缺陷检测方法 | |
CN111291826A (zh) | 基于相关性融合网络的多源遥感图像的逐像素分类方法 | |
CN113591617B (zh) | 基于深度学习的水面小目标检测与分类方法 | |
CN114783021A (zh) | 一种口罩佩戴智能检测方法、装置、设备及介质 | |
CN114155200A (zh) | 基于卷积神经网络的遥感影像变化检测方法 | |
CN113901897A (zh) | 基于DARFNet模型的停车场车辆检测方法 | |
CN113076891A (zh) | 基于改进高分辨率网络的人体姿态预测方法及系统 | |
CN111027542A (zh) | 一种基于Faster RCNN算法改进的目标检测方法 | |
CN111931572B (zh) | 一种遥感影像的目标检测方法 | |
CN114067126A (zh) | 一种红外图像目标检测方法 | |
CN110674845B (zh) | 一种结合多感受野注意与特征再校准的菜品识别方法 | |
CN113627481A (zh) | 一种面向智慧园林的多模型组合的无人机垃圾分类方法 | |
CN112926552A (zh) | 基于深度神经网络的遥感影像车辆目标识别模型及方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210512 Address after: No. 1036, Shandong high tech Zone wave road, Ji'nan, Shandong Applicant after: INSPUR GROUP Co.,Ltd. Address before: 250100 First Floor of R&D Building 2877 Kehang Road, Sun Village Town, Jinan High-tech Zone, Shandong Province Applicant before: JINAN INSPUR HI-TECH INVESTMENT AND DEVELOPMENT Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |