CN108197637A - 一种基于深度学习的高压机柜开关检测方法 - Google Patents
一种基于深度学习的高压机柜开关检测方法 Download PDFInfo
- Publication number
- CN108197637A CN108197637A CN201711308583.4A CN201711308583A CN108197637A CN 108197637 A CN108197637 A CN 108197637A CN 201711308583 A CN201711308583 A CN 201711308583A CN 108197637 A CN108197637 A CN 108197637A
- Authority
- CN
- China
- Prior art keywords
- target
- preextraction
- network
- frame
- detection
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于深度学习的高压机柜开关检测方法,用于电厂高压机柜开关目标的检测,包括以下步骤:1)读入一幅任意大小的待检测电厂开关机柜图像,并采用卷积神经网络生成该图像的共享特征图;2)以共享特征图作为目标区域预提取网络的特征图,并获取目标位置预提取框;3)将目标位置预提取框在待检测电厂开关机柜图像上的对应范围作为目标预提取区域;4)在目标预提取区域内,以共享特征图作为检测网络的特征图进行检测,最终完成高压机柜开关的目标检测。与现有技术相比,本发明具有检测准确、速度快、抗噪性能好等优点。
Description
技术领域
本发明涉及电气电力自动化图像识别领域,尤其是涉及一种基于深度学习的高压机柜开关检测方法。
背景技术
当今社会对电力的需求日益增强,对电能质量的要求也越来越高。我国电力行业长期存在自动化水平低下情况,难以满足社会对高质量电能的要求,为了提高电能质量和发电效率,需对老式水电站中以常规控制、人工操作为主的控制模式进行以计算机监控系统为基础的综合自动化改造,对新旧水电站应按综合自动化要求进行设计并实施,使水电站逐步实现少人值班,提高工人的工作效率的目标。在水电站厂中,有很多如图1所示的开关面板,这些面板上的开关之间相互配合来实现相应的控制功能。根据人们需求的不同,开关的状态也需要不断改变。传统的方法需要工人们实地检查并根据系统需求去手动操作改变开关状态,但面板上开关分布比较密集,只靠人眼很容易出现差错,对人力消耗和时间需求都很高。结合目标检测算法,用深度学习的自动化网络去实现对目标的检查和比对,不仅准确度会提高,工人的工作效率也会大大提升。
传统的目标检测中,多尺度形变部件模型(Deformable Part Model,DPM)是出类拔萃的。DPM把物体看成了多个组成的部件(比如人脸的鼻子、嘴巴等),用部件间的关系来描述物体,这个特性非常符合自然界很多物体的非刚体特征。DPM可以看作是HOG特征+SVM分类器的扩展,它很好地继承了两者的优点,在人脸检测、行人检测等任务上取得了不错的效果,但是DPM相对复杂,检测速度也较慢,从而也出现了很多改进的方法。其中,基于深度学习的方法逐渐发展了起来。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度学习的高压机柜开关检测方法。
本发明的目的可以通过以下技术方案来实现:
一种基于深度学习的高压机柜开关检测方法,用于电厂高压机柜开关目标的检测,其特征在于,包括以下步骤:
1)读入一幅任意大小的待检测电厂开关机柜图像,并采用卷积神经网络生成该图像的共享特征图;
2)以共享特征图作为目标区域预提取网络的特征图,并获取目标位置预提取框;
3)将目标位置预提取框在待检测电厂开关机柜图像上的对应范围作为目标预提取区域;
4)在目标预提取区域内,以共享特征图作为检测网络的特征图进行检测,最终完成高压机柜开关目标的检测。
所述的目标区域预提取网络和检测网络采用同一个卷积神经网络提取图像特征,共享特征图通过该卷积神经网络的共享卷积层获取。
所述的步骤2)具体包括以下步骤:
21)在目标区域预提取网络中,采用划窗在共享特征图上划取区域;
22)将划取后的区域经过两层的卷积层后转化为向量;
23)将转化后的向量送入Softmax分类器和Bbox位置回归层,得到目标位置预提取框的位置及对应的分类得分,并根据得分对所有目标位置预提取框进行由高到低排序,并选择其中前k个目标位置预提取框。
所述的步骤4)具体包括以下步骤:
41)根据目标位置预提取框在共享特征图上选取特征区域;
42)检测网络的池化层对特征区域进行采样,并将其放缩至固定大小;
43)固定大小的特征经过两层的全卷积网络后得到目标预提取区域的更高维特征,并将其转化为一维的特征向量;
44)将该一维的特征向量送入Softmax分类器进行分类以及Bbox层进行目标位置矫正,从而得到目标的位置和相应类别的得分;
45)将目标的位置和相应类别映射到待检测电厂开关机柜图像中,在待检测电厂开关机柜图像中画出预测框并且标出目标所属类别标签。
所述的卷积神经网络、目标区域预提取网络和检测网络均按照损失函数L({pi},{ti})训练目标,所述的损失函数表达式为:
其中,i为目标区域预提取框的索引,pi为预提取框i为目标的预测概率,若此预测框为正样本,则GT标签为1,若预测框为负样本,则GT标签为0,ti为一向量,表示预测的矩形框的4个参数化坐标,为与正样本预测框对应的GT矩形框的坐标向量,Lcls为分类损失,Lreg为回归损失,Ncls为mini-batch的大小,Nreg为为总的目标区域预提取框数目。
所述的分类损失为目标与非目标的对数损失,则有:
回归损失Lreg的表达式为:
所述的步骤43)中,全卷积检测网络采用1×1的卷积核。
与现有技术相比,本发明具有以下优点:
一、提高训练速度:本发明通过目标区域预提取网络与检测网络交叉训练方式,并共享卷积特征,从而大幅缩减了训练参数,提高了网络训练和目标检测的速度。
二、减少训练时间:在目标预提取网络中使用全卷积网络而非广泛使用的全链接网络,即,在检测网络中,通过划窗得到的特征区域,经过Roi Pooling层之后,放缩(reshape)到固定大小,这时,固定大小的特征通过两层的全卷积网络得到更高为特征。这两层的全卷积网络为1×1的卷积核,从而减小了网络从固定大小的特征到高维特征向量过程的参数和网络训练及检测的时间,并使检测的性能得以保证。
附图说明
图1为水电站机箱开关面板图像,也为用于目标检测的图像。
图2为相关工作中Fast RCNN的网络结构示意图。
图3为相关工作中本发明的网络结构示意图。
图4为整体检测网络的详细网络层级结构。
图5为本发明中检测网络的网络结构细节。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
本发明提供一种在开关面板上的对开关目标的检测方法,该方法能够在开关面板图像上快速地生成目标预提取框,并实现对最终开关目标的检测。
如图2所示,与传统CNN不同的是,Fast RCNN在将图片送入网络的同时,将多种ROI(region of interest)感兴趣区域,也送入网络,每一个ROI被映射到一个固定大小的特征图上,然后通过全连接层将其映射到一个特征向量。每个ROI最终得到两个输出向量:Softmax分类器的得分和每一个边框回归的偏移量。FastRCNN的网络结构。
如图3所示,本发明是对Fast RCNN的进一步加速,解决的主要问题是如何快速获得目标预提取框。如之前所说,一般的做法都是利用候选区域生成算法(如选择性搜索、Edge Boxes等)在图片上滑动扫描提取出建议框。因为这个步骤都是在CPU上实现的,这就大大地拖慢了整个系统的速度。在本发明中,卷积后的特征图同样也是可以用来生成目标预提取框的,从而减少目标预提取所需时间。这一过程是通过在用来提取特征的卷积网络(如ZF、VGG16等)上增加两个卷积层来实现的,这两个卷积层一个用来将每个特征图的位置编码成一个向量,另一个是对每一个位置输出一个目标得分和目标预提取的回归框,这样就形成了目标预提取网络。目标预提取网络从任意尺寸的图片中得到一系列的带有得分的建议框。具体流程是:使用一个小的网络在最后卷积得到的特征图上进行滑动扫描,把建议框映射到CNN的最后一层卷积图上,这个滑动的网络每次与特征图上n×n的滑动窗口全连接,然后映射到一个低维向量,例如256D或512D,最后将这个低维向量送入到两个全连接层,即Bbox回归层和Softmax分类器。
目标预提取网络是一种全卷积网络(FCN,Fully Convolutional Network),为了与检测网络相结合,作者给出了一种简单的交替训练方法,分为四个步骤:
第一步:用ImageNet模型初始化,独立训练一个目标预提取网络;
第二步:仍然用ImageNet模型初始化,但是使用上一步目标预提取网络产生的建议框作为输入,训练检测网络,这时,两个网络中每一层的参数是完全不共享的;
第三步:使用第二步的检测网络参数初始化一个新的目标预提取网络,但是把共享卷积层的学习率设置为0,也就是不更新,仅仅更新目标预提取网络特有的那些网络层,重新训练,此时,两个网络已经共享了所有公共的卷积层;
第四步:仍然固定共享的那些网络层,把检测网络特有的网络层也加入进来,形成一个统一网络,继续训练,微调检测网络特有的网络层。到这步之后,网络已经可以实现设想的目标,即网络内部预测建议框并实现检测的功能。
实施例:
由于在深度CNN网络中,FC(Fully Connected)层的输入是需要定的尺寸的,为了满足这个要求,一般对图像做预处理,将它们缩放到统一的大小。与全连接层不同的是,卷积层的神经元对输入是局部连接的,并且同一个通道内不同神经元共享权值参数。这样会大大减少网络层与层之间需要计算的参数量。卷积层和全连接层都是进行了一个点乘操作,它们的函数形式相同,实际上计算方式没有发生任何变化,而且这种做法能在一定程度上降低运算量,并且在实现降维和升维的同时,并能在一定程度上实现跨通道的交互和信息整合。
本发明将检测网络中的全连接层替换为卷积层,能够使得网络能接收任意输入尺寸的图片,毕竟在测试阶段接收的图片是没有尺寸限制的。同时,还可以使网络的计算速度有所提升,这也增加了网络的普适性。
如图4所示的整体检测网络结构和图5中对图4虚线框内检测网络的具体实现。
如图4,5所示,本发明采用的特征提取网络是VGG16网络。前五阶段是基础的conv+relu+pooling形式,VGG16模型中的Conv layers包含了13个conv层,13个relu层和4个pooling层。在Conv layers中:所有的conv层都是:kernel_size=3,pad=1,所有的pooling层都是:kernel_size=2,stride=2。这样每个经过pooling层的M×N(M=800,N=600)矩阵,都会变为(M/2)×(N/2)大小。综上所述,在整个Conv layers中,conv和relu层不改变输入输出大小,只有pooling层使输出长宽都变为输入的1/2。CNN特征提取网络提取出的这些特征图被共享用于后续目标预提取网络层层和全卷积层。
目标预提取网络层网络用于生成目标预提取框。该层通过Softmax分类器判断anchors(目标预提取框)属于前景或者背景,再利用Bounding box回归修正anchors获得精确的目标预提取框。
Roi Pooling层收集输入的特征图和目标预提取框,综合这些信息后提取这些建议框的特征图,送入后续全卷积层判定目标类别。再一次利用这些区域建议框的特征图通过Softmax确定分类,同时再次通过bounding box回归获得检测框最终的精确位置之前,又分别经过了一次全卷积网络。第一个全卷积层fc6的输入是7×7×512,后一层也是含4096个神经元的fc7。这样用一个卷积核大小7×7,步长(stride)为1,padding为0,输出通道数4096的卷积层表示fc6,其输出为1×1×4096。后续的全卷积层fc7用卷积核为1×1,步长为1,padding为0,输出也为4096的卷积层,同时为了与cls_score层的参数匹配,还多加了一层卷积层。这样对输入的特征向量大小没有限制,因此可以高效地对测试图像做滑动窗式的检测。经过实验验证,检测同一幅图片的速度确实有所提升。
在本发明中,选择100幅开关图像作为训练集。在生成建议框时,为了减少建议框大量重叠产生的冗余,本发明采用非极大值抑制(non-maximum suppression,NMS)来减少每张图像上的目标预提取建议框。对目标预提取网络,用于检测网络训练时的建议框的数量是2000。NMS之后,采用建议框中得分最高的300个框来做检测。
本发明中,在包含10000张开关图像的数据集上评价本方法。该数据集中包含最常见的3种开关类别,包括不同拍摄距离下各种机柜面板的图片,每幅图的大小在500×500左右,不统一大小。本文主要评估平均检测一幅图的时间和检测的精度,其中,精度包含各类别精度(Average Precision,AP)和平均精度(mean Average Precision,mAP),这些评价方法是对目标检测的真实度量标准。
表1显示了将特征网络最后的全连接层改为卷积层之后的检测速度结果。
表1网络的检测速度(s)
由图1可以看出,无论是在何种拍摄距离下,第二类开关目标的尺寸都比较小,在整幅图中所占的比例也较小,属于较难检测的小目标。而另外两类开关在近距离拍摄时会比较大,所以实验了多种anchors尺寸和缩放比例,来确定最合适的一组参数。
对于anchor尺寸及数目的选择,实验了4种尺度,包围盒面积分别为8×8,16×16,32×32,64×64,和5种长宽比,分别为1:1,1:2,1:3,2:1,3:1。
表2分别展示了在两种卷积网络VGG16下,使用不同尺寸和比例的anchors时网络的测试结果。从两个表格中都可以看出,对于开关数据集,使用三种比例和更多的尺寸能达到更好的效果。相同的缩放比例系数下,在第二类开关中,四种尺寸{8,16,32,64}的表现不如{8,16,32}三种尺寸,这可能是因为第二类开关目标较小,所以增加稍大些的anchor尺寸对提升该类的检测效果无益。对于第一类和第三类开关,在近距离拍摄的图片当中,目标尺寸较大,显然增加anchor的尺寸会提升一些检测效果。另外,使用更深的特征网络可以学习到样本更高层次的特征,从而使检测结果更加精准,使用更深的VGG16网络的检测效果普遍比使用ZF网络要好。
表2不同Anchors下网络检测效果的定量指标(AP、mAP)
Claims (7)
1.一种基于深度学习的高压机柜开关检测方法,用于电厂高压机柜开关目标的检测,其特征在于,包括以下步骤:
1)读入一幅任意大小的待检测电厂开关机柜图像,并采用卷积神经网络生成该图像的共享特征图;
2)以共享特征图作为目标区域预提取网络的特征图,并获取目标位置预提取框;
3)将目标位置预提取框在待检测电厂开关机柜图像上的对应范围作为目标预提取区域;
4)在目标预提取区域内,以共享特征图作为检测网络的特征图进行检测,最终完成高压机柜开关目标的检测。
2.根据权利要求1所述的一种基于深度学习的高压机柜开关检测方法,其特征在于,所述的目标区域预提取网络和检测网络采用同一个卷积神经网络提取图像特征,共享特征图通过该卷积神经网络的共享卷积层获取。
3.根据权利要求1所述的一种基于深度学习的高压机柜开关检测方法,其特征在于,所述的步骤2)具体包括以下步骤:
21)在目标区域预提取网络中,采用划窗在共享特征图上划取区域;
22)将划取后的区域经过两层的卷积层后转化为向量;
23)将转化后的向量送入Softmax分类器和Bbox位置回归层,得到目标位置预提取框的位置及对应的分类得分,并根据得分对所有目标位置预提取框进行由高到低排序,并选择其中前k个目标位置预提取框。
4.根据权利要求1所述的一种基于深度学习的高压机柜开关检测方法,其特征在于,所述的步骤4)具体包括以下步骤:
41)根据目标位置预提取框在共享特征图上选取特征区域;
42)检测网络的池化层对特征区域进行采样,并将其放缩至固定大小;
43)固定大小的特征经过两层的全卷积网络后得到目标预提取区域的更高维特征,并将其转化为一维的特征向量;
44)将该一维的特征向量送入Softmax分类器进行分类以及Bbox层进行目标位置矫正,从而得到目标的位置和相应类别的得分;
45)将目标的位置和相应类别映射到待检测电厂开关机柜图像中,在待检测电厂开关机柜图像中画出预测框并且标出目标所属类别标签。
5.根据权利要求1所述的一种基于深度学习的高压机柜开关检测方法,其特征在于,所述的卷积神经网络、目标区域预提取网络和检测网络均按照损失函数L({pi},{ti})训练目标,所述的损失函数表达式为:
其中,i为目标区域预提取框的索引,pi为预提取框i为目标的预测概率,若此预测框为正样本,则GT标签为1,若预测框为负样本,则GT标签为0,ti为一向量,表示预测的矩形框的4个参数化坐标,为与正样本预测框对应的GT矩形框的坐标向量,Lcls为分类损失,Lreg为回归损失,Ncls为mini-batch的大小,Nreg为为总的目标区域预提取框数目。
6.根据权利要求5所述的一种基于深度学习的高压机柜开关检测方法,其特征在于,所述的分类损失为目标与非目标的对数损失,则有:
回归损失Lreg的表达式为:
7.根据权利要求2所述的一种基于深度学习的高压机柜开关检测方法,其特征在于,所述的步骤43)中,全卷积检测网络采用1×1的卷积核。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711308583.4A CN108197637A (zh) | 2017-12-11 | 2017-12-11 | 一种基于深度学习的高压机柜开关检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711308583.4A CN108197637A (zh) | 2017-12-11 | 2017-12-11 | 一种基于深度学习的高压机柜开关检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108197637A true CN108197637A (zh) | 2018-06-22 |
Family
ID=62573929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711308583.4A Pending CN108197637A (zh) | 2017-12-11 | 2017-12-11 | 一种基于深度学习的高压机柜开关检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108197637A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084240A (zh) * | 2019-04-24 | 2019-08-02 | 网易(杭州)网络有限公司 | 一种文字提取系统、方法、介质和计算设备 |
CN111382766A (zh) * | 2018-12-29 | 2020-07-07 | 中国科学院沈阳计算技术研究所有限公司 | 一种基于Faster R-CNN的设备故障检测方法 |
CN112598040A (zh) * | 2020-12-16 | 2021-04-02 | 浙江方圆检测集团股份有限公司 | 一种基于深度学习的开关一致性实时检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103759834A (zh) * | 2014-01-24 | 2014-04-30 | 安徽工程大学 | 一种高压开关柜触头温度检测装置及方法 |
CN105426908A (zh) * | 2015-11-09 | 2016-03-23 | 国网冀北电力有限公司信息通信分公司 | 一种基于卷积神经网络的变电站属性分类方法 |
CN106504233A (zh) * | 2016-10-18 | 2017-03-15 | 国网山东省电力公司电力科学研究院 | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统 |
CN107274451A (zh) * | 2017-05-17 | 2017-10-20 | 北京工业大学 | 基于共享卷积神经网络的绝缘子检测方法及装置 |
CN107292883A (zh) * | 2017-08-02 | 2017-10-24 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于局部特征的pcnn电力故障区域检测方法 |
CN107451602A (zh) * | 2017-07-06 | 2017-12-08 | 浙江工业大学 | 一种基于深度学习的果蔬检测方法 |
-
2017
- 2017-12-11 CN CN201711308583.4A patent/CN108197637A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103759834A (zh) * | 2014-01-24 | 2014-04-30 | 安徽工程大学 | 一种高压开关柜触头温度检测装置及方法 |
CN105426908A (zh) * | 2015-11-09 | 2016-03-23 | 国网冀北电力有限公司信息通信分公司 | 一种基于卷积神经网络的变电站属性分类方法 |
CN106504233A (zh) * | 2016-10-18 | 2017-03-15 | 国网山东省电力公司电力科学研究院 | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统 |
CN107274451A (zh) * | 2017-05-17 | 2017-10-20 | 北京工业大学 | 基于共享卷积神经网络的绝缘子检测方法及装置 |
CN107451602A (zh) * | 2017-07-06 | 2017-12-08 | 浙江工业大学 | 一种基于深度学习的果蔬检测方法 |
CN107292883A (zh) * | 2017-08-02 | 2017-10-24 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于局部特征的pcnn电力故障区域检测方法 |
Non-Patent Citations (3)
Title |
---|
张义莲等: "基于视频去抖的室内开关柜状态识别", 《电视技术》 * |
朱红岷等: "基于图像处理的变电站视频智能分析研究", 《计算机工程与应用》 * |
赵继生: "基于卷积神经网络的变电站监控图像识别方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111382766A (zh) * | 2018-12-29 | 2020-07-07 | 中国科学院沈阳计算技术研究所有限公司 | 一种基于Faster R-CNN的设备故障检测方法 |
CN110084240A (zh) * | 2019-04-24 | 2019-08-02 | 网易(杭州)网络有限公司 | 一种文字提取系统、方法、介质和计算设备 |
CN112598040A (zh) * | 2020-12-16 | 2021-04-02 | 浙江方圆检测集团股份有限公司 | 一种基于深度学习的开关一致性实时检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840521B (zh) | 一种基于深度学习的一体化车牌识别方法 | |
Yang et al. | Layered object models for image segmentation | |
CN106447658B (zh) | 基于全局和局部卷积网络的显著性目标检测方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN108280397B (zh) | 基于深度卷积神经网络的人体图像头发检测方法 | |
CN107423760A (zh) | 基于预分割和回归的深度学习目标检测方法 | |
CN110569738B (zh) | 基于密集连接网络的自然场景文本检测方法、设备和介质 | |
CN108764228A (zh) | 一种图像中文字目标检测方法 | |
CN103310466B (zh) | 一种单目标跟踪方法及其实现装置 | |
CN110738207A (zh) | 一种融合文字图像中文字区域边缘信息的文字检测方法 | |
CN108509839A (zh) | 一种基于区域卷积神经网络高效的手势检测识别方法 | |
CN107480730A (zh) | 电力设备识别模型构建方法和系统、电力设备的识别方法 | |
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 | |
CN106682569A (zh) | 一种基于卷积神经网络的快速交通标识牌识别方法 | |
CN110569782A (zh) | 一种基于深度学习目标检测方法 | |
CN110633708A (zh) | 一种基于全局模型和局部优化的深度网络显著性检测方法 | |
CN107808129A (zh) | 一种基于单个卷积神经网络的面部多特征点定位方法 | |
CN105184298A (zh) | 一种快速局部约束低秩编码的图像分类方法 | |
CN103996018A (zh) | 基于4dlbp的人脸识别方法 | |
CN110008899B (zh) | 一种可见光遥感图像候选目标提取与分类方法 | |
CN103745233B (zh) | 基于空间信息迁移的高光谱图像分类方法 | |
CN108197637A (zh) | 一种基于深度学习的高压机柜开关检测方法 | |
CN107067410A (zh) | 一种基于增广样本的流形正则化相关滤波目标跟踪方法 | |
Zhu et al. | A modified deep neural network enables identification of foliage under complex background | |
Li et al. | Small object detection algorithm based on feature pyramid-enhanced fusion SSD |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180622 |