CN108288075B - 一种改进ssd的轻量化小目标检测方法 - Google Patents
一种改进ssd的轻量化小目标检测方法 Download PDFInfo
- Publication number
- CN108288075B CN108288075B CN201810104880.5A CN201810104880A CN108288075B CN 108288075 B CN108288075 B CN 108288075B CN 201810104880 A CN201810104880 A CN 201810104880A CN 108288075 B CN108288075 B CN 108288075B
- Authority
- CN
- China
- Prior art keywords
- convolution
- point
- ssd
- characteristic pattern
- depth
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明为提高SSD目标检测算法的小目标检测能力,提出在SSD算法中引入逆卷积结构,采用逆卷积将低分辨率高语义信息特征图与高分辨率低语义信息特征图相融合,增加网络中低层的特征提取能力,提高SSD目标检测算法的平均精准度。同时针对SSD目标检测算法存在模型过大,运行内存占用量过高,无法在小显存容量GPU设备或嵌入式ARM设备上运行的问题,本发明以DenseNet为基础,结合深度可分离卷积,逐点分组卷积与通道重排提出轻量化特征提取最小单元。将SSD网络结构特征提取部分替换为轻量化特征提取最小单元的组合后,可在小显存容量GPU设备与嵌入式ARM设备上运行。经本发明改进后的网络结构在平均精准度上得到明显提升,模型参数数量得到有效降低。
Description
技术领域:本发明属于目标检测领域,涉及SSD目标检测方法,深度可分离卷积,逐点分组卷积与通道重排,特别是涉及一种改进SSD的轻量化小目标检测方法。
背景技术:目标检测是计算机视觉领域的重要研究方向之一,传统的目标检测方法是通过构建特征描述子提取特征后利用分类器对特征进行分类实现目标检测,如梯度方向直方图HOG(Histogram of Oriented Gradient)和支持向量机SVM(Support VectorMachine)。随着深度学习在图像分类领域的优异表现,卷积神经网络在计算机视觉的各领域开始得到了广泛使用。在目标检测领域中使用深度学习实现目标检测成为一个新的方向。
2015年Shaoqing Ren等提出Faster R-CNN深度学习目标检测算法,在平均精准度mAP(mean average precision)上高于特征描述子与分类器结合的传统方法。但Faster R-CNN存在检测速度慢的问题。
2016年,Joseph Redmon等在CVPR(IEEE Conference on Computer Vision andPattern Recognition)会议上提出了目标检测算法YOLO。同年Wei Liu等在ECCV会议上(European Conference on Computer Vision)提出了目标检测算法SSD(Single-ShotDetector)。YOLO与SSD通过回归的方式完成目标检测,使利用深度学习的方式进行目标检测达到实时的检测速度。
Faster R-CNN属于两步目标检测算法,通过分类与回归两步完成目标检测。YOLO和SSD属于one-stage目标检测算法,通过单步回归直接实现目标检测,在达到高速的同时存在小目标检测能力差的问题。而在实际工程应用中待检测目标占图像比例较小的情况更为普遍。
SSD虽然可以在Titan X等GPU服务器上达到实时的效果,但SSD模型参数过多,运行内存占用量过大,在显存容量较小的GPU设备或ARM等移动嵌入式设备上无法运行。
发明内容:
发明目的:本发明以SSD为基础,借鉴FPN的网络结构对SSD进行改进。利用低卷积层拥有小局部感知野的特点,通过逆卷积结构将低分辨率高语义信息特征图与高分辨率低语义信息特征图相融合,达到提升目标检测算法的平均精准度的目的。在特征提取部分,利用深度可分离卷积,逐点分组卷积与通道重排提出轻量化特征提取最小单元,更改特征提取模型达到减少网络模型参数数量、降低模型运行内存占用量、加速算法运行速度的目的。
技术方案:
一种改进SSD的轻量化小目标检测方法,该方法在SSD中引入逆卷积结构,在SSD特征提取部分使用轻量化特征提取最小单元,该方法的具体步骤为:
步骤一:在SSD中引入逆卷积结构,
具体步骤如下:
(1)SSD以回归的方式得到目标的类别和位置;选取网络结构中六种不同分辨率的特征图,对这六种特征图取不同尺寸的候选框;六种特征图通过回归得出目标的类别置信度和候选框与真实值之间的偏差;
在卷积神经网络中低卷积层输出高分辨率特征图,具有小局部感知野,适合小目标检测;将SSD中高分辨率特征图添加入检测层以提升SSD小目标检测能力;
(2)将SSD中低分辨率高语义信息特征图做逆卷积,将经逆卷积得到的特征图与原特征图进行特征融合,特征融合方式为对特征图拼接后做卷积运算;
逆卷积运算时将特征图展为一维向量,卷积核展为稀疏矩阵,将逆卷积运算转换为矩阵乘法;逆卷积计算如公式(1)所示,其中和表示特征图展开得到的一维向量,C表示卷积核展成的稀疏矩阵,T表示转置运算;
步骤二:在SSD特征提取部分使用轻量化特征提取最小单元,具体步骤如下:
①深度可分离卷积,逐点分组卷积与通道重排:使用深度可分离卷积与逐点分组卷积组合的方式代替特征提取模型中的传统卷积;深度可分离卷积计算如公式(2)所示,其中G代表输出特征图,K代表卷积核,F代表输入特征图,i,j为特征图像素位置,k,l表示输出特征图分辨率,m表示通道数;
Gk,l,m=∑i,jKi,j,m·Fk+i-1,l+j-1,m (2)
在使用深度可分离卷积后利用逐点分组卷积,对各个通道特征图进行特征融合,输出任意数量特征图;通过控制逐点分组卷积的分组数可进一步降低模型参数数量;
深度可分离卷积与逐点分组卷积组合的结构可以达到轻量化的目的,较传统卷积所降低的参数量比例可以定义为公式(3),其中A为深度可分离卷积的卷积核尺寸,N为逐点分组卷积的卷积核数量,M为输入特征图数量,G为逐点分组卷积的分组数;由公式(3)可得出结论,输出特征图数量越多,逐点分组卷积的分组数目越多,较传统卷积参数数量压缩率越大;
在进行深度可分离卷积计算前先进行通道重排,将不同组特征图进行交叉重排后再进行深度可分离卷积与逐点分组卷积;
②轻量化特征提取最小单元:以Densenet网络结构为基础设计特征提取的最小单元,在特征提取最小单元中使用深度可分离卷积,逐点分组卷积合与通道重排的组合代替Densenet网络结构中的传统卷积层;在特征提取的最小单元中首先使用逐点分组卷积对输入特征图进行降维,然后利用通道重排对逐点分组卷积不同分组内的特征图进行重组,最后利用深度可分离卷积与逐点分组卷积的组合完成特征提取,与该轻量化特征提取最小单元输入特征图进行特征图拼接,得到该轻量化特征提取最小单元的输出特征图。
优点及效果:本发明利用逆卷积将高分辨率低语义信息特征图与低分辨率高语义信息特征图相融合,提高SSD算法的小目标检测能力。同时以DenseNet为基础,结合深度可分离卷积与通道重排提出轻量化特征提取最小单元。对比Faster R-CNN,YOLO和原SSD算法等,经逆卷积改进的SSD算法达到提升平均精准度的目的。对比Tiny YOLO与经轻量化改进的SSD,改进后的SSD达到降低参数数量,减少内存占用和提升检测速度的目的,能够在ARM嵌入式设备或显存容量较小的GPU设备上运行。
附图说明:
图1是SSD网络结构图;
图2是逆卷积示意图;
图3是逆卷积与特征融合网络结构图;
图4是在SSD中使用逆卷积的网络结构图;
图5是通道重排;
图6是轻量化特征提取结构最小单元。
具体实施方式:
总体的技术思想是:在SSD算法中引入逆卷积结构,采用逆卷积将低分辨率高语义信息特征图与高分辨率低语义信息特征图相融合,增加低层特征提取能力,提高SSD目标检测算法的平均精准度。同时针对SSD目标检测算法存在模型过大,运行内存占用量过高,无法在小显存容量GPU设备或嵌入式ARM设备上运行的问题,以DenseNet为基础,结合深度可分离卷积,逐点分组卷积与通道重排提出轻量化特征提取最小单元,可在小显存容量GPU设备或嵌入式ARM设备上运行。
一种改进SSD的轻量化小目标检测方法,该方法在SSD中引入逆卷积结构,在SSD特征提取部分使用轻量化特征提取最小单元,该方法的具体步骤为:
步骤一:在SSD中引入逆卷积结构,
具体步骤如下:
(1)SSD以回归的方式得到目标的类别和位置;选取网络结构中六种不同分辨率的特征图,对这六种特征图取不同尺寸的候选框;六种特征图通过回归得出目标的类别置信度和候选框与真实值之间的偏差;
在卷积神经网络中低卷积层输出高分辨率特征图,具有小局部感知野,适合小目标检测;将SSD中高分辨率特征图添加入检测层以提升SSD小目标检测能力;
(2)将SSD中低分辨率高语义信息特征图做逆卷积,将经逆卷积得到的特征图与原特征图进行特征融合,特征融合方式为对特征图拼接后做卷积运算;
逆卷积运算时将特征图展为一维向量,卷积核展为稀疏矩阵,将逆卷积运算转换为矩阵乘法;逆卷积计算如公式(1)所示,其中和表示特征图展开得到的一维向量,C表示卷积核展成的稀疏矩阵,T表示矩阵转置;
步骤二:在SSD特征提取部分使用轻量化特征提取最小单元,具体步骤如下:
①深度可分离卷积,逐点分组卷积与通道重排:使用深度可分离卷积与逐点分组卷积组合的方式代替特征提取模型中的传统卷积;深度可分离卷积计算如公式(2)所示,其中G代表输出特征图,K代表卷积核,F代表输入特征图,i,j为特征图像素位置,k,l表示输出特征图分辨率,m表示通道数;
Gk,l,m=∑i,jKi,j,m·Fk+i-1,l+j-1,m (2)
在使用深度可分离卷积后利用逐点分组卷积,对各个通道特征图进行特征融合,输出任意数量特征图;通过控制逐点分组卷积的分组数可进一步降低模型参数数量;
深度可分离卷积与逐点分组卷积组合的结构可以达到轻量化的目的,较传统卷积所降低的参数量比例可以定义为公式(3),其中A为深度可分离卷积的卷积核尺寸,N为逐点分组卷积的卷积核数量,M为输入特征图数量,G为逐点分组卷积的分组数;由公式(3)可得出结论,输出特征图数量越多,逐点分组卷积的分组数目越多,较传统卷积参数数量压缩率越大;
在进行深度可分离卷积计算前先进行通道重排,将不同组特征图进行交叉重排后再进行深度可分离卷积与逐点分组卷积;
②轻量化特征提取最小单元:以Densenet网络结构为基础设计特征提取的最小单元,在特征提取最小单元中使用深度可分离卷积,逐点分组卷积合与通道重排的组合代替Densenet网络结构中的传统卷积层;在特征提取的最小单元中首先使用逐点分组卷积对输入特征图进行降维,然后利用通道重排对逐点分组卷积不同分组内的特征图进行重组,最后利用深度可分离卷积与逐点分组卷积的组合完成特征提取,与该轻量化特征提取最小单元输入特征图进行特征图拼接,得到该轻量化特征提取最小单元的输出特征图。
下面结合附图和具体的实施方式对本发明做进一步的说明:
SSD属于单步目标检测算法,在多尺度特征图上以回归的方式得到目标的类别和位置,但存在小目标检测能力弱的问题。分析导致SSD小目标检测能力弱的原因,并在SSD中引入逆卷积结构,提升SSD小目标检测能力。SSD采用多尺度特征图回归有利于多尺度目标检测,但SSD依旧存在小目标检测能力弱的问题。提升SSD小目标检测能力将进一步提升mAp。
SSD在各检测层生成不同尺寸的候选框,选取IOU(intersection over union)大于0.5的预测框作为正样本,IOU小于0.5的预测框作为负样本。因此大目标物体上覆盖IOU大于0.5的预测框多,正负样本均衡。而小目标上覆盖IOU大于0.5的预测框少,导致小目标物体对应正负样本不均衡,小目标物体不能得到充分训练。Lin T Y等在2017年ICCV(IEEEInternational Conference on Computer Vision)会议上提出的Focal Loss可以有效解决正负样本不均衡的问题。
本发明进一步分析得出小目标特征提取能力弱的原因。在SSD中,38×38的特征图由于其分辨率较高,主要用来检测图像中的小目标。但其特征表达能力仅取决于前10层卷积层,容易造成欠拟合的问题。而若选择在38×38特征图前加入大量卷积容易造成后续特征图过拟合的问题,出现增加高分辨率特征图特征提取能力时,低分辨率特征图容易过拟合的矛盾。
如图1和图2所示,一种改进SSD的轻量化小目标检测方法,该方法在SSD中引入逆卷积结构,在SSD特征提取部分使用轻量化特征提取最小单元,该方法的具体步骤为:
步骤一:在SSD中引入逆卷积结构,提升SSD目标检测算法的小目标检测能力,具体步骤如下:
(1)SSD以回归的方式得到目标的类别和位置;选取网络结构中六种不同分辨率的特征图,对这六种特征图取不同尺寸的候选框;六种特征图通过回归得出目标的类别置信度和候选框与真实值之间的偏差;
当输入图像分辨率为300×300时,六种特征图分辨率分别为38×38、19×19、10×10、5×5、3×3和1×1;在卷积神经网络中低卷积层输出高分辨率特征图,具有小局部感知野,适合小目标检测,将SSD中的75×75特征图添加入检测层以提升SSD小目标检测能力;实施例中选用输入图像分辨率为300×300,实际应用中还可以选用800×600,1600×1200等。
(2)分别将分辨率为19×19与38×38的特征图做逆卷积,将经逆卷积得到的特征图与原特征图进行特征融合,特征融合方式为对特征图拼接后做卷积运算;卷积运算的特征融合方式较特征图相加的特征融合方式更有利于不同通道特征图之间的信息交互;
如图3和图4所示,采用逆卷积对特征图进行上采样,提升高语义信息特征图分辨率,使其与低语义信息特征图分辨率相同。逆卷积即卷积的逆过程,将低维特征映射成高维输入,与卷积操作的作用相反。通过逆卷积使高语义信息特征图与低语义信息特征图分辨率相同,将两种特征图做特征融合后得到高语义信息高分辨率特征图。逆卷积运算时将特征图展为一维向量,卷积核展为稀疏矩阵,将逆卷积运算转换为矩阵乘法。逆卷积计算如公式(1)所示,其中和表示特征图展开得到的一维向量,C表示卷积核展成的稀疏矩阵;T表示矩阵转置。
在进行特征融合时将经过逆卷积得到的特征图与原分辨率特征图拼接后再利用卷积提取特征。利用卷积提取特有利于各通道间的特征融合,优于使用特征图相加实现特征融合的方式。改进后的网络结构中低层特征拟合能力增强,同时高层特征拟合能力不变,不会产生过拟合的问题,增强网络结构小目标检测能力。
将逆卷积与特征融合的结构引入SSD。因为在SSD中,中型尺寸与大型尺寸目标检测能力较好,而在小型尺寸目标上存在检测能力差,所以提升小目标检测能力将进一步提升SSD的平均精准度。只针对低层特征图进行改进,高层特征图保持不动。在高层特征图引入逆卷积对增强SSD小目标检测能力作用较弱,同时会增加计算量。
当输入图像为300×300时,将75×75高分辨率低语义信息特征图添加进检测层。分别将分辨率为19×19与38×38的特征图做逆卷积,19×19与38×38分辨率的特征图特征提取能力较原先的7层卷积和10层卷积层分别提升至16层卷积层和17层卷积层。
如图5和图6所示,以Densenet网络结构为基础,结合深度可分离卷积与通道重排设计出轻量化特征提取最小单元,通过更改前端特征提取模型,降低网络结构中参数数量,节省运行内存占用量,以达到在小显存容量GPU设备或嵌入式ARM设备上运行的目的。
SSD前端特征提取模型采用VGG-16结构,共有35层卷积层,其中23层卷积层用于特征提取。该目标检测方法使用深度可分离卷积与逐点分组卷积组合的方式代替SSD前端特征提取模型中的传统卷积。深度可分离卷积将卷积核与输入特征图一一对应做卷积计算,避免多通道卷积中卷积核参数数量过多的问题。
深度可分离卷积仅能提取对应特征图的特征,仅能输出与输入特征图数量相同的特征图。所以在深度可分离卷积后利用逐点分组卷积,对各个通道特征图进行特征融合,输出任意数量特征图。同时组卷积还可进一步降低模型参数数量。
但深度可分离卷积与逐点分组卷积均属于组卷积,容易造成通道间信息相互独立的情况,缺少通道间的特征融合。所以在进行深度可分离卷积计算前先进行通道重排,将不同组特征图进行重排后再进行深度可分离卷积与逐点分组卷积有利于特征提取能力的提升。
深度可分离卷积计算过程如公式(2)所示。其中G代表输出特征图,K代表卷积核,F代表输入特征图,i,j为特征图像素位置,k,l表示输出特征图分辨率,m表示通道数。
Gk,l,m=∑i,jKi,j,m·Fk+i-1,l+j-1,m (2)
深度可分离卷积与逐点分组卷积组合的结构可以达到轻量化的目的,较传统卷积所降低的参数量比例可以定义为公式(3),其中A为深度可分离卷积的卷积核尺寸,N为逐点分组卷积的卷积核数量,M为输入特征图数量,N为输出特征图数量,G为逐点分组卷积的分组数。由公式(3)可得出结论,输出特征图数量越多,逐点分组卷积的分组数目越多,较传统卷积参数数量压缩率越大。
以Densenet网络结构为基础设计特征提取的最小单元,在特征提取最小单元中使用深度可分离卷积,逐点分组卷积合与通道重排的组合代替传统卷积层。DenseNet是具有密集连接的卷积神经网络结构,说明卷积神经网络不是一个递进层级结构,网络中的某一层不仅依赖于相邻的上一层的特征,而可以依赖于更前面层学习的特征。
借鉴DenseNet的思想,每一个轻量化特征提取最小单元之间都有直接的跳跃连接,每一个轻量化特征提取最小单元的输入特征图都是前面所有轻量化特征提取最小单元输出特征图的并集。而该轻量化特征提取最小单元所学习的特征图也会被直接传给其后面所有轻量化特征提取最小单元作为输入特征图,实现特征的重复利用,降低卷积核数量,使网络轻量化。
在轻量化特征提取最小单中首先使用逐点分组卷积对输入特征图进行降维,以减少后续深度可分离卷积的卷积核数量,然后利用通道重排进行通道间特征进行重组,最后利用深度可分离卷积与逐点分组卷积的组合完成特征提取,与输入特征图进行特征图拼接。
在特征重复利用的前提下,轻量化特征提取最小单中的深度可分离卷积可设计较窄,即只学习较少的特征图,达到降低冗余性的目的。轻量化特征提取最小单元所学习的特征图数量应与网络深度成反比。同时在各卷积层前加入批量正则化,避免出现梯度消失或梯度爆炸的现象。
Claims (1)
1.一种改进SSD的轻量化小目标检测方法,其特征在于:该方法在SSD中引入逆卷积结构,在SSD特征提取部分使用轻量化特征提取最小单元,该方法的具体步骤为:
步骤一:在SSD中引入逆卷积结构,
具体步骤如下:
(1)SSD以回归的方式得到目标的类别和位置;选取网络结构中六种不同分辨率的特征图,对这六种特征图取不同尺寸的候选框;六种特征图通过回归得出目标的类别置信度和候选框与真实值之间的偏差;
在卷积神经网络中低卷积层输出高分辨率特征图,具有小局部感知野,适合小目标检测;将SSD中高分辨率特征图添加入检测层以提升SSD小目标检测能力;
(2)将SSD中低分辨率高语义信息特征图做逆卷积,将经逆卷积得到的特征图与原特征图进行特征融合,特征融合方式为对特征图拼接后做卷积运算;
逆卷积运算时将特征图展为一维向量,卷积核展为稀疏矩阵,将逆卷积运算转换为矩阵乘法;逆卷积计算如公式(1)所示,其中和表示特征图展开得到的一维向量,C表示卷积核展成的稀疏矩阵,T表示转置运算;
步骤二:在SSD特征提取部分使用轻量化特征提取最小单元,具体步骤如下:
①深度可分离卷积,逐点分组卷积与通道重排:使用深度可分离卷积与逐点分组卷积组合的方式代替特征提取模型中的传统卷积;深度可分离卷积计算如公式(2)所示,其中G代表输出特征图,K代表卷积核,F代表输入特征图,i,j为特征图像素位置,k,l表示输出特征图分辨率,m表示通道数;
Gk,l,m=∑i,jKi,j,m·Fk+i-1,l+j-1,m (2)
在使用深度可分离卷积后利用逐点分组卷积,对各个通道特征图进行特征融合,输出任意数量特征图;通过控制逐点分组卷积的分组数可进一步降低模型参数数量;
深度可分离卷积与逐点分组卷积组合的结构可以达到轻量化的目的,较传统卷积所降低的参数量比例可以定义为公式(3),其中A为深度可分离卷积的卷积核尺寸,N为逐点分组卷积的卷积核数量,M为输入特征图数量,G为逐点分组卷积的分组数;由公式(3)可得出结论,输出特征图数量越多,逐点分组卷积的分组数目越多,较传统卷积参数数量压缩率越大;
在进行深度可分离卷积计算前先进行通道重排,将不同组特征图进行交叉重排后再进行深度可分离卷积与逐点分组卷积;
②轻量化特征提取最小单元:以Densenet网络结构为基础设计特征提取的最小单元,在特征提取最小单元中使用深度可分离卷积,逐点分组卷积与通道重排的组合代替Densenet网络结构中的传统卷积层;在特征提取的最小单元中首先使用逐点分组卷积对输入特征图进行降维,然后利用通道重排对逐点分组卷积不同分组内的特征图进行重组,最后利用深度可分离卷积与逐点分组卷积的组合完成特征提取,与该轻量化特征提取最小单元输入特征图进行特征图拼接,得到该轻量化特征提取最小单元的输出特征图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810104880.5A CN108288075B (zh) | 2018-02-02 | 2018-02-02 | 一种改进ssd的轻量化小目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810104880.5A CN108288075B (zh) | 2018-02-02 | 2018-02-02 | 一种改进ssd的轻量化小目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108288075A CN108288075A (zh) | 2018-07-17 |
CN108288075B true CN108288075B (zh) | 2019-06-14 |
Family
ID=62836358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810104880.5A Active CN108288075B (zh) | 2018-02-02 | 2018-02-02 | 一种改进ssd的轻量化小目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108288075B (zh) |
Families Citing this family (64)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117742B (zh) * | 2018-07-20 | 2022-12-27 | 百度在线网络技术(北京)有限公司 | 手势检测模型处理方法、装置、设备及存储介质 |
CN109299722A (zh) * | 2018-08-16 | 2019-02-01 | 北京旷视科技有限公司 | 用于神经网络的特征图处理方法、装置和系统及存储介质 |
CN109376589B (zh) * | 2018-09-07 | 2022-01-14 | 中国海洋大学 | 基于卷积核筛选ssd网络的rov形变小目标识别方法 |
CN109409503B (zh) * | 2018-09-27 | 2020-07-24 | 深圳市铱硙医疗科技有限公司 | 神经网络的训练方法、图像转换方法、装置、设备及介质 |
CN109409252A (zh) * | 2018-10-09 | 2019-03-01 | 杭州电子科技大学 | 一种基于改进型ssd网络的车辆行人多目标检测方法 |
CN109447066B (zh) * | 2018-10-18 | 2021-08-20 | 中国人民武装警察部队海警学院 | 一种快速精确的单阶段目标检测方法及装置 |
TWI693578B (zh) * | 2018-10-24 | 2020-05-11 | 緯創資通股份有限公司 | 影像拼接處理方法以及其系統 |
CN109508675B (zh) * | 2018-11-14 | 2020-07-28 | 广州广电银通金融电子科技有限公司 | 一种针对复杂场景的行人检测方法 |
CN109558819B (zh) * | 2018-11-20 | 2020-12-15 | 北京市遥感信息研究所 | 一种用于遥感图像目标检测的深度网络轻量化方法 |
CN109726739A (zh) * | 2018-12-04 | 2019-05-07 | 深圳大学 | 一种目标检测方法和系统 |
CN109684967A (zh) * | 2018-12-17 | 2019-04-26 | 东北农业大学 | 一种基于ssd卷积网络的大豆植株茎荚识别方法 |
CN109740463A (zh) * | 2018-12-21 | 2019-05-10 | 沈阳建筑大学 | 一种车载环境下的目标检测方法 |
CN109657784A (zh) * | 2018-12-25 | 2019-04-19 | 北京迈格威科技有限公司 | 神经网络创建方法和装置、图像处理方法和电子设备 |
CN109815886B (zh) * | 2019-01-21 | 2020-12-18 | 南京邮电大学 | 一种基于改进YOLOv3的行人和车辆检测方法及系统 |
CN109872364B (zh) * | 2019-01-28 | 2022-02-01 | 腾讯科技(深圳)有限公司 | 图像区域定位方法、装置、存储介质和医学影像处理设备 |
CN109840502B (zh) * | 2019-01-31 | 2021-06-15 | 深兰科技(上海)有限公司 | 一种基于ssd模型进行目标检测的方法及设备 |
CN109871903B (zh) * | 2019-03-11 | 2022-08-26 | 南京邮电大学 | 一种基于端到端深度网络与对抗学习的目标检测方法 |
CN109886359B (zh) * | 2019-03-25 | 2021-03-16 | 西安电子科技大学 | 基于卷积神经网络的小目标检测方法及检测系统 |
CN110097554B (zh) * | 2019-04-16 | 2023-03-31 | 东南大学 | 基于密集卷积和深度可分离卷积的视网膜血管分割方法 |
CN110120036A (zh) * | 2019-04-17 | 2019-08-13 | 杭州数据点金科技有限公司 | 一种多尺度的轮胎x光病疵检测方法 |
CN110222559A (zh) * | 2019-04-24 | 2019-09-10 | 深圳市微纳集成电路与系统应用研究院 | 基于卷积神经网络的烟雾图像检测方法及装置 |
CN110084312A (zh) * | 2019-05-05 | 2019-08-02 | 厦门美图之家科技有限公司 | 一种生成物体检测模型的方法 |
CN110084313A (zh) * | 2019-05-05 | 2019-08-02 | 厦门美图之家科技有限公司 | 一种生成物体检测模型的方法 |
CN110084253A (zh) * | 2019-05-05 | 2019-08-02 | 厦门美图之家科技有限公司 | 一种生成物体检测模型的方法 |
CN110154757A (zh) * | 2019-05-30 | 2019-08-23 | 电子科技大学 | 公交车多方位安全驾驶保障方法 |
CN110245754B (zh) * | 2019-06-14 | 2021-04-06 | 西安邮电大学 | 一种基于位置敏感图的知识蒸馏指导方法 |
CN110287849B (zh) * | 2019-06-20 | 2022-01-07 | 北京工业大学 | 一种适用于树莓派的轻量化深度网络图像目标检测方法 |
CN112116032A (zh) * | 2019-06-21 | 2020-12-22 | 富士通株式会社 | 物体检测装置及方法、终端设备 |
CN110310317A (zh) * | 2019-06-28 | 2019-10-08 | 西北工业大学 | 一种基于深度学习的单目视觉场景深度估计的方法 |
CN110490188A (zh) * | 2019-07-02 | 2019-11-22 | 天津大学 | 一种基于ssd网络改进型的目标物体快速检测方法 |
CN110414574A (zh) * | 2019-07-10 | 2019-11-05 | 厦门美图之家科技有限公司 | 一种目标检测方法、计算设备及存储介质 |
CN110348384B (zh) * | 2019-07-12 | 2022-06-17 | 沈阳理工大学 | 一种基于特征融合的小目标车辆属性识别方法 |
KR20210009458A (ko) | 2019-07-16 | 2021-01-27 | 삼성전자주식회사 | 객체 검출 방법 및 객체 검출 장치 |
CN110489584B (zh) * | 2019-07-19 | 2021-10-01 | 长沙理工大学 | 基于密集连接的MobileNets模型的图像分类方法及系统 |
CN110738231B (zh) * | 2019-07-25 | 2022-12-27 | 太原理工大学 | 改进S-DNet神经网络模型的乳腺X射线图像的分类方法 |
CN110443357B (zh) * | 2019-08-07 | 2020-09-15 | 上海燧原智能科技有限公司 | 卷积神经网络计算优化方法、装置、计算机设备及介质 |
CN110516796A (zh) * | 2019-08-28 | 2019-11-29 | 西北工业大学 | 一种面向嵌入式平台的分组卷积过程优化方法 |
CN110705588B (zh) * | 2019-08-30 | 2023-10-17 | 中国电子科技集团公司第十五研究所 | 基于通道重排的轻量级目标检测模型及目标检测方法 |
CN110516761A (zh) * | 2019-09-03 | 2019-11-29 | 成都容豪电子信息科技有限公司 | 基于深度学习的目标检测系统、方法、存储介质及终端 |
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 |
CN111091533B (zh) * | 2019-11-13 | 2023-08-22 | 江苏大学 | 一种基于改进ssd算法的电池片el缺陷检测方法 |
CN111091122B (zh) * | 2019-11-22 | 2024-01-05 | 国网山西省电力公司大同供电公司 | 一种多尺度特征卷积神经网络的训练和检测方法、装置 |
CN111882053B (zh) * | 2019-11-25 | 2023-10-13 | 华南理工大学 | 一种基于拼接卷积的神经网络模型压缩方法 |
CN111062303A (zh) * | 2019-12-12 | 2020-04-24 | 深圳市捷顺科技实业股份有限公司 | 图像处理方法、系统及计算机存储介质 |
CN111027493B (zh) * | 2019-12-13 | 2022-05-20 | 电子科技大学 | 一种基于深度学习多网络软融合的行人检测方法 |
CN111291637A (zh) * | 2020-01-19 | 2020-06-16 | 中国科学院上海微系统与信息技术研究所 | 一种基于卷积神经网络的人脸检测方法、装置及设备 |
CN111232200B (zh) * | 2020-02-10 | 2021-07-16 | 北京建筑大学 | 基于微型飞行器的目标检测方法 |
CN111401210B (zh) * | 2020-03-11 | 2023-08-04 | 北京航天自动控制研究所 | 一种基于模板框增广的提高小目标检测稳定性的方法 |
CN111401290A (zh) * | 2020-03-24 | 2020-07-10 | 杭州博雅鸿图视频技术有限公司 | 一种人脸检测方法及系统、计算机可读存储介质 |
CN111461211B (zh) * | 2020-03-31 | 2023-07-21 | 中国科学院计算技术研究所 | 一种用于轻量级目标检测的特征提取方法及相应检测方法 |
CN111340141A (zh) * | 2020-04-20 | 2020-06-26 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种基于深度学习的作物幼苗与杂草检测方法及系统 |
CN111738070A (zh) * | 2020-05-14 | 2020-10-02 | 华南理工大学 | 一种多个小目标的自动准确检测方法 |
CN111914937B (zh) * | 2020-08-05 | 2024-05-10 | 湖北工业大学 | 一种轻量化改进目标检测方法及检测系统 |
CN111985463A (zh) * | 2020-08-07 | 2020-11-24 | 四川轻化工大学 | 一种基于卷积神经网络的白酒上甑探汽方法 |
CN112084985A (zh) * | 2020-09-15 | 2020-12-15 | 山东鲁能软件技术有限公司 | 一种基于cssd的电力检修行人多目标跟踪算法 |
CN112329766A (zh) * | 2020-10-14 | 2021-02-05 | 北京三快在线科技有限公司 | 文字识别方法、装置、电子设备及存储介质 |
CN112016639B (zh) * | 2020-11-02 | 2021-01-26 | 四川大学 | 灵活可分离卷积框架和特征提取方法及其在VGG和ResNet中应用 |
CN113052189B (zh) * | 2021-03-30 | 2022-04-29 | 电子科技大学 | 一种基于改进的MobileNetV3特征提取网络 |
CN113159063B (zh) * | 2021-03-30 | 2022-11-18 | 电子科技大学 | 一种基于改进的RetinaNet小目标检测方法 |
CN113286311B (zh) * | 2021-04-29 | 2024-04-12 | 沈阳工业大学 | 基于多传感器融合的分布式周界安防环境感知系统 |
CN113239845A (zh) * | 2021-05-26 | 2021-08-10 | 青岛以萨数据技术有限公司 | 一种面向嵌入式平台的红外目标检测方法及系统 |
CN113255650B (zh) * | 2021-06-24 | 2021-10-01 | 北京市水利自动化研究所 | 一种基于slimSSD模型的水表计量快速精准识别方法 |
CN114419306A (zh) * | 2021-11-23 | 2022-04-29 | 西南交通大学 | 基于改进型ssd的小目标物体高精度检测方法、系统及装置 |
CN115272648B (zh) * | 2022-09-30 | 2022-12-20 | 华东交通大学 | 用于小目标检测的多层级感受野扩展方法与系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107123131A (zh) * | 2017-04-10 | 2017-09-01 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的运动目标检测方法 |
CN107292297A (zh) * | 2017-08-09 | 2017-10-24 | 电子科技大学 | 一种基于深度学习和重叠率跟踪的视频车流量检测方法 |
CN107392251A (zh) * | 2017-07-26 | 2017-11-24 | 成都快眼科技有限公司 | 一种使用分类图片提升目标检测网络性能的方法 |
CN107563405A (zh) * | 2017-07-19 | 2018-01-09 | 同济大学 | 基于多分辨率神经网络的车库自动驾驶语义目标识别方法 |
CN107578091A (zh) * | 2017-08-30 | 2018-01-12 | 电子科技大学 | 一种基于轻量级深度网络的行人车辆实时检测方法 |
CN107578054A (zh) * | 2017-09-27 | 2018-01-12 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
-
2018
- 2018-02-02 CN CN201810104880.5A patent/CN108288075B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107123131A (zh) * | 2017-04-10 | 2017-09-01 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的运动目标检测方法 |
CN107563405A (zh) * | 2017-07-19 | 2018-01-09 | 同济大学 | 基于多分辨率神经网络的车库自动驾驶语义目标识别方法 |
CN107392251A (zh) * | 2017-07-26 | 2017-11-24 | 成都快眼科技有限公司 | 一种使用分类图片提升目标检测网络性能的方法 |
CN107292297A (zh) * | 2017-08-09 | 2017-10-24 | 电子科技大学 | 一种基于深度学习和重叠率跟踪的视频车流量检测方法 |
CN107578091A (zh) * | 2017-08-30 | 2018-01-12 | 电子科技大学 | 一种基于轻量级深度网络的行人车辆实时检测方法 |
CN107578054A (zh) * | 2017-09-27 | 2018-01-12 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于深度学习的目标检测算法综述;周晓彦等;《电子测量技术》;20171130;第40卷(第11期);全文 |
Also Published As
Publication number | Publication date |
---|---|
CN108288075A (zh) | 2018-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108288075B (zh) | 一种改进ssd的轻量化小目标检测方法 | |
TWI773189B (zh) | 基於人工智慧的物體檢測方法、裝置、設備及儲存媒體 | |
Chen et al. | DISC: Deep image saliency computing via progressive representation learning | |
Wang et al. | Background-driven salient object detection | |
CN106504233A (zh) | 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 | |
CN110188708A (zh) | 一种基于卷积神经网络的人脸表情识别方法 | |
CN110827312B (zh) | 一种基于协同视觉注意力神经网络的学习方法 | |
CN110059586A (zh) | 一种基于空洞残差注意力结构的虹膜定位分割系统 | |
CN106874879A (zh) | 基于多特征融合和深度学习网络提取的手写数字识别方法 | |
CN106203448B (zh) | 一种基于非线性尺度空间的场景分类方法 | |
CN115187456A (zh) | 基于图像强化处理的文本识别方法、装置、设备及介质 | |
CN107967481A (zh) | 一种基于局部性约束和显著性的图像分类方法 | |
AU2021240205B1 (en) | Object sequence recognition method, network training method, apparatuses, device, and medium | |
CN113505640A (zh) | 一种基于多尺度特征融合的小尺度行人检测方法 | |
CN113822134A (zh) | 一种基于视频的实例跟踪方法、装置、设备及存储介质 | |
Lu et al. | Context-constrained accurate contour extraction for occlusion edge detection | |
CN111242114B (zh) | 文字识别方法及装置 | |
CN109377498A (zh) | 基于循环神经网络的交互式抠图方法 | |
CN113705310A (zh) | 特征学习的方法、目标物体的识别方法和对应装置 | |
Gui et al. | A fast caption detection method for low quality video images | |
Dong et al. | Pedestrian detection in metro station based on improved ssd | |
CN112070041B (zh) | 一种基于cnn深度学习模型的活体人脸检测方法和装置 | |
CN114694133A (zh) | 一种基于图像处理与深度学习相结合的文本识别方法 | |
WO2023047164A1 (en) | Object sequence recognition method, network training method, apparatuses, device, and medium | |
CN113706636A (zh) | 一种用于篡改图像识别的方法与装置 |
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 |