CN108304786A - 一种基于二值化卷积神经网络的行人检测方法 - Google Patents

一种基于二值化卷积神经网络的行人检测方法 Download PDF

Info

Publication number
CN108304786A
CN108304786A CN201810043902.1A CN201810043902A CN108304786A CN 108304786 A CN108304786 A CN 108304786A CN 201810043902 A CN201810043902 A CN 201810043902A CN 108304786 A CN108304786 A CN 108304786A
Authority
CN
China
Prior art keywords
binaryzation
prediction block
neural networks
convolutional
layer
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
Application number
CN201810043902.1A
Other languages
English (en)
Inventor
陆生礼
杨海平
庞伟
戎海龙
韩志
李硕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University - Wuxi Institute Of Technology Integrated Circuits
Southeast University
Original Assignee
Southeast University - Wuxi Institute Of Technology Integrated Circuits
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University - Wuxi Institute Of Technology Integrated Circuits, Southeast University filed Critical Southeast University - Wuxi Institute Of Technology Integrated Circuits
Priority to CN201810043902.1A priority Critical patent/CN108304786A/zh
Publication of CN108304786A publication Critical patent/CN108304786A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • 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
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于二值化卷积神经网络的行人检测方法，属于用于行人检测的电数字数据计算推算的技术领域。本发明将卷积层的输入数据以及卷积核组的权重参数二值化后转换为无符号的整型数组，通过整型数组的XNOR位操作和BITCOUNT操作来实现卷积计算，大幅降低计算量，具有占用内存少、访问内存时间短、卷积速度快的优点，既能够在PC上实现，又能适用于嵌入式系统，具有良好的应用前景。

Description

一种基于二值化卷积神经网络的行人检测方法
技术领域
本发明公开了一种基于二值化卷积神经网络的行人检测方法，属于用于行人检测的电数字数据计算推算的技术领域。
背景技术
深度学习在计算机视觉方面的应用可以说是计算机视觉发展的一个里程碑，各种新奇的方法层出不穷，改变了传统的先人工设计特征再提取人工特征然后再进行分类识别处理的繁琐流程，无论在速度上还是在精度上都超过了传统的方法。
行人检测作为计算机视觉的一个重要分支，目前已广泛应用在汽车辅助驾驶、野外搜救、高级人机交互，智能监控等诸多领域。传统的行人检测大多是基于特征提取加分类器来进行的，特征提取可以是计算Harr特征、LBP特征、HOG特征等，分类器可以是AdaBoost方法也可以是支持向量机(SVM,Support Vector Machine)等。这些分类算法速度较慢、灵活性较差，应用场景有局限性。
全精度的卷积神经网络具有众多的学习参数，能够拟合类似正确框出行人检测框这类复杂的非线性问题，但由于在PC上运算速度较慢，使用GPU成本又过高且功率过大，不太适合在PC上实现。而嵌入式系统计算能力有限且不能承载高功率的GPU，行人检测在其上的实现愈加困难。本发明旨在提出一种基于二值化神经网络的行人检测方法以解决全精度神经网络不适宜在PC机上运行且难以在嵌入式系统实现的问题。
发明内容
本发明的发明目的是针对上述背景技术的不足，提供了一种基于二值化卷积神经网络的行人检测方法，训练好的二值化卷积神经网络通过对表示二值化输入数据及各卷积层卷积核组的二值化权重参数进行同或位操作和BITCOUNT操作即可获得卷积结果，以较少的内存实现了行人的快速检测，解决了全精度卷积神经网络检测速度慢、不适宜在PC上实现且难以在嵌入式系统实现的技术问题。
本发明为实现上述发明目的采用如下技术方案：
一种基于二值化卷积神经网络的行人检测方法，先对摄像头采集的图片或视频帧进行插值采样至416*416大小；然后输入至训练好的二值化卷积神经网络中预测包含行人的检测框的中心点坐标(x，y)、预测框的宽和高(w，h)，预测框中含有目标的概率to及该目标是行人的概率tp；最后通过非极大拟制算法对预测框进行筛选并利用预测框的信息来显示检测结果。
二值化卷积神经网络结构由二值化卷积层、pooling层、route层、reorg层、detection层组成，各层根据实际应用场景进行设计。pooling层采用大小为2*2的核进行步长为2的局部最大值采样。route层对某几层卷积层输出进行叠加后作为改成的输出。reorg层将本层的输入重新组织成需要的张量形式，例如，将26*26*512的张量重新组织成13*13*2048的张量。二值化卷积层通过二值化卷积操作、批量归一化操作及激活操作对训练图像进行多深度多层卷积以提取图像特征。detection层对最后一层卷积层输出的所有预测框进行初步筛选。
在训练阶段，从各卷积层的二值化输入数据中提取图像特征后计算损失函数值，由BP算法更新全精度权重参数，将全精度权重参数转换为二值化权重参数。
在预测阶段，二值化卷积神经网络通过以下三个步骤实现卷积计算：
二值化各个卷积层的每个卷积核组的权重参数：先求出每个卷积核组的权重参数绝对值的平均数(即为每个卷积核组的L1范数)与权重参数个数的商作为该卷积核组的权重参数α，再根据卷积核组的权重参数的符号进行二值化，权重参数大于等于0则二值化为1后再二值化映射为1，权重参数小于0则二值化为-1后再二值化映射为0；
二值化卷积层输入数据：直接根据输入数据的符号进行二值化，数据大于0则二值化为1后再二值化映射为1，权重参数小于等于0则二值化为-1后再二值化映射为0；
卷积计算：按照相同的顺序将二值化映射后的权重参数和输入数据拼成两个无符号32位整型(uint32)数组，uint32数组的每个元素的每一比特位代表一个二值化后且二值化映射的权重参数或输入数据，通过对表征每层卷积网络输入数据和权重参数的两个无符号整型数组进行同或位操作和BITCOUNT操作实现各层的卷积计算。
route层对该层之前的某几层二值化卷积层的输出进行叠加处理后作为本层的输出，即可以结合该层之前的二值化卷积层学习到的特征进行下一步的预测。
detection层是利用最后一层的卷积层初步筛选的预测框作为预测包含行人的检测框的依据，最后一层卷积层的输出为13*13*(6*5)，其含义为最后一层卷积层的输出为13*13个单元(最后一层输出的单元数目由下采样层采用的核的尺寸和步进数决定)，深度为30，这30个深度每6个深度代表一个预测框的中心点坐标信息(tx，ty)、预测框的宽和高信息(tw，th)，预测框中含有目标的概率to及该目标是行人的概率tp，每个单元有5个预测框。根据预测框中含有目标的概率to及该目标是行人的概率tp的乘积与设定的阈值进行比较，大于设定阈值的预测框可以参与下一步的处理，否则直接排除该预测框。以最后一层卷积层输出的左上角预测框作为零点坐标，则最终预测框的中心点坐标x＝Cx+σ(tx),y＝Cy+σ(ty),其中，预测框的宽度和高度分别为pw,ph为预设的基本框宽高参数。
非极大拟制算法是根据所有的预测框的含有目标的概率to及该目标是行人的概率tp的乘积tc按从大到小进行排序，先删除与tc最大的预测框交叠率大于50％的预测框，接着删除与tc次大的预测框交叠率大于50％的预测框，以此类推，最后留下的框就是非极大拟制后的预测框，然后进行显示画框标注，完成行人检测。
本发明采用上述技术方案，具有以下有益效果：本发明将卷积层的输入数据以及卷积核组的权重参数二值化后转换为无符号的整型数组，以整型数组的XNOR位操作和BITCOUNT操作代替全精度卷积神经网络的乘加操作来实现卷积计算，大幅降低计算量，相较于全精度卷积网络提高约5倍检测速度且卷积层内存占用约减少30倍，具有占用内存少、访问内存时间短、卷积速度快的优点，既能够在PC上实现，又能适用于嵌入式系统，具有良好的应用前景。
附图说明
图1是一个卷积核组参数二值化及卷积层输入二值化的示意图。
图2是全精度卷积神经网络卷积的示意图。
图3是一个卷积层二值化卷积的示意图。
图4是二值化卷积实现的一个实例。
图5是二值化映射为1或者0后按一定顺序拼成uint32数组的示意图。
图6是detection层预测框形成的示意图。
图7是本发明检测行人的流程图。
具体实施方式
下面结合附图对发明的技术方案进行详细说明。
如图7所示，获取的彩色图片或视频帧通过双线性插值采样为416*416*3大小，输入训练好的二值化卷积神经网络中，得到一系列预测框，再进行非极大拟制操作，得到最终包含行人的检测框并显示出来。
二值化卷积神经网络卷积层及其输入的二值化方法如图1所示，先求出本层卷积层每个卷积核组的权重参数绝对值的平均数作为该层的权重参数α，再对每个权重参数进行二值化，即权重参数大于0则二值化为1，权重参数小于0则二值化为-1。卷积层输入数据二值化方法为直接根据输入数据的符号进行二值化，数据大于0则二值化为1；权重参数小于等于0则二值化为-1。
全精度卷积神经网络的卷积操作如图2所示，卷积层输出的每个通道对应一个卷积核组，且每个通道都是由对应的卷积核组与卷积层输入进行卷积得到。本申请二值化卷积操作可由图3表示，且每个卷积核组、每个通道都对应一个α系数，二值化卷积得到输出的每个通道的每个元素都需再乘以对应的α系数方可完成卷积操作。
本发明实例中卷积层卷积核组权重参数及输入二值化为1或-1后再二值映射为1或0，两者之间等价计算的一个实例如图4所示，假设卷积层输入和卷积核尺寸大小是3*3，深度为1，图4上部左侧为卷积层输入二值化后的结果，右侧为卷积核二值化后的结果，两者卷积得到-3，我们可以通过将其两者分别二值映射为1和0，然后分别组成两个9bit的无符号数100110001和111000111，求这两个符号的XNOR得到100001001，再求100001001的BITCOUNT结果为3，最后用BITCOUNT结果的2倍减去卷积核尺寸9即得到卷积结果-3，通过XNOR和BITCOUNT操作来等价计算卷积结果。
本发明实例中二值化卷积层中输入数据按照图5所示的顺序，即每个卷积核组卷积操作输入数据的顺序，每次取和卷积核组大小相同，深度一致的数据二值化后，再二值化映射为1或者0，先取第0个通道的第0行第0列数二值化后二值映射放入第0个uint32数组的第0个元素的第0位，接着先按行再按列后按通道的顺序依次二值化再二值化映射放入对应的uint32数组的某个元素的某一位上。二值化卷积层的权重参数也同样先按行再按列后按通道的顺序依次二值化再二值化映射放入对应的uint32数组中对应的元素和bit位上。二值卷积操作就是通过卷积层输入数据组成的uint32数组和卷积层权重参数组成的uint32数组之间的XNOR和BITCOUNT操作完成的。
本发明实例的detection层如图6所示，是利用最后一层的卷积层输出作为预测包含行人的检测框的依据，最后一层卷积层的输出为13*13*(6*5)，其含义为最后一层卷积层的输出为13*13个单元，深度为30，这30个深度每6个深度代表一个预测框的中心点坐标信息(tx，ty)、预测框的宽和高信息(tw，th)，预测框中含有目标的概率to及该目标是行人的概率tp，每个单元有5个预测框。根据预测框中含有目标的概率to及该目标是行人的概率tp的乘积与设定的阈值进行比较，大于设定阈值的预测框可以参与下一步的处理，否则直接排除该预测框。以最后一层卷积层输出的左上角作为零点坐标，则最终预测框的中心点坐标x＝Cx+σ(tx),y＝Cy+σ(ty),其中，预测框的宽度和高度分别为pw,ph为预设的基本框宽高参数，(x,y)为预测框中心坐标(tx,ty)在以最后一层卷积层输出的左上角预测框为零点的坐标系中的坐标，(Cx,Cy)为预测框中心所在的特征图单元的坐标。
非极大拟制算法是根据所有的预测框的含有目标的概率to及该目标是行人的概率tp的乘积tc按从大到小进行排序，先删除与tc最大的预测框交叠率大于50％的预测框，接着删除与tc次大的预测框交叠率大于50％的预测框，以此类推，最后留下的框就是非极大拟制后的预测框，然后进行显示画框标注，完成行人检测。

Claims (9)

1.一种基于二值化卷积神经网络的行人检测方法，其特征在于，
采用训练图像训练二值化卷积神经网络，所述二值化卷积神经网络从各卷积层的二值化输入数据中提取图像特征后计算损失函数值，由BP算法更新全精度权重参数，将全精度权重参数转换为二值化权重参数，对最后一层卷积层输出的所有预测框进行初步筛选；
采用训练好的二值化卷积神经网络初步筛选待检测图像中的预测框；
采用非极大拟制算法对二值化卷积神经网络初步筛选的预测框进行进一步的筛选以确定包含行人的预测框，显示包含行人的预测框。
2.根据权利要求1所述一种基于二值化卷积神经网络的行人检测方法，其特征在于，采用训练好的二值化卷积神经网络初步筛选待检测图像中的预测框的过程中：按照相同的顺序将每个卷积层每个卷积核组的二值化权重参数以及该卷积层的二值化输入数据拼接为两个无符号整型数组，每个卷积层对表示其每个卷积核组二值化权重参数的无符号整型数组以及表示其二值化输入数据的无符号整型数组先进行同或位操作后进行BITCOUNT操作得到该卷积层的卷积结果，对每个卷积层的卷积结果进行批量归一化操作和激活操作后输出各卷积层提取的图像特征。
3.根据权利要求1所述一种基于二值化卷积神经网络的行人检测方法，其特征在于，对最后一层卷积层输出的所有预测框进行初步筛选的方法为：从最后一层卷积层输出的所有预测框中选择检测到行人的概率大于设定阈值的预测框，所述检测到行人的概率为预测框中含有目标的概率与该目标是行人的概率之积。
4.根据权利要求1所述一种基于二值化卷积神经网络的行人检测方法，其特征在于，最后一层卷积层输出的预测框在以最后一层卷积层输出的左上角预测框为零点的坐标系中表示为：x＝Cx+σ(tx)，y＝Cy+σ(ty)， (x,y)为预测框中心坐标(tx,ty)在以最后一层卷积层输出的左上角预测框为零点的坐标系中的坐标，(Cx,Cy)为预测框中心所在的特征图单元的坐标，bw、bh分别为最后一层卷积层输出的左上角预测框为零点的坐标系中的宽度和高度，pw、ph分别为预设框宽和框高。
5.根据权利要求1所述一种基于二值化卷积神经网络的行人检测方法，其特征在于，采用非极大拟制算法对二值化卷积神经网络初步筛选的预测框进行进一步的筛选的方法为：对二值化卷积神经网络初步筛选的预测框检测到行人的概率按照从大到小的顺序排列，删除与检测到行人的概率最大的预测框的交叠率大于50％的预测框，删除与检测到行人的概率次大的预测框的交叠率大于50％的预测框，以此类推，最后留下的预测框即为非极大拟制算法进一步筛选的预测框。
6.根据权利要求1所述一种基于二值化卷积神经网络的行人检测方法，其特征在于，所述二值化卷积神经网络包括：
多个二值化卷积层，对训练图像进行多深度多层卷积以提取图像特征，
下采样层，采用设定尺寸的核按照设定的步长对各二值化卷积层的输出进行局部最大值采样，及，
检测层，对最后一层卷积层输出的所有预测框进行初步筛选。
7.根据权利要求1所述一种基于二值化卷积神经网络的行人检测方法，其特征在于，所述训练图像和待检测图像通过对采集的图片或视频帧进行插值采样获取。
8.根据权利要求2所述一种基于二值化卷积神经网络的行人检测方法，其特征在于，每个卷积层每个卷积核组的二值化权重参数通过如下方法获取：以每个卷积层每个卷积核组的全精度权重参数的L1范数与权重参数个数的商分别作为每个卷积层每个卷积核组的权重参数，在每个卷积层各卷积核组的权重参数大于或等于0时将其二值化为1，在每个卷积层各卷积核组的权重参数小于0时将其二值化为-1，将1和-1分别映射为1和0。
9.根据权利要求2所述一种基于二值化卷积神经网络的行人检测方法，其特征在于，二值化输入数据的获取方法为：在输入数据大于0时将其二值化为1，在输入数据小于或等于0时将其二值化为-1，将1和-1分别映射为1和0。
CN201810043902.1A 2018-01-17 2018-01-17 一种基于二值化卷积神经网络的行人检测方法 Pending CN108304786A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810043902.1A CN108304786A (zh) 2018-01-17 2018-01-17 一种基于二值化卷积神经网络的行人检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810043902.1A CN108304786A (zh) 2018-01-17 2018-01-17 一种基于二值化卷积神经网络的行人检测方法

Publications (1)

Publication Number Publication Date
CN108304786A true CN108304786A (zh) 2018-07-20

Family

ID=62865700

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810043902.1A Pending CN108304786A (zh) 2018-01-17 2018-01-17 一种基于二值化卷积神经网络的行人检测方法

Country Status (1)

Country Link
CN (1) CN108304786A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960340A (zh) * 2018-07-23 2018-12-07 电子科技大学 卷积神经网络压缩方法及人脸检测方法
CN109447014A (zh) * 2018-11-07 2019-03-08 东南大学-无锡集成电路技术研究所 一种基于双通道卷积神经网络的视频在线行为检测方法
CN110109090A (zh) * 2019-03-28 2019-08-09 北京邮电大学 基于微波雷达的未知环境多目标检测方法和装置
CN110135568A (zh) * 2019-05-28 2019-08-16 赵恒锐 一种应用有界线性整流单元的全整数神经网络系统
CN110232338A (zh) * 2019-05-29 2019-09-13 北京邮电大学 基于二值神经网络的轻量化Web AR识别方法及系统
CN110633668A (zh) * 2019-09-09 2019-12-31 合肥飞扬机电有限公司 基于二值化卷积神经网络的铁路调车信号灯检测方法及系统
CN110837775A (zh) * 2019-09-30 2020-02-25 合肥合工安驰智能科技有限公司 一种基于二值化网络的井下机车行人及距离检测方法
CN111160274A (zh) * 2019-12-31 2020-05-15 合肥湛达智能科技有限公司 一种基于二值化Faster RCNN网络的行人检测方法
WO2021248544A1 (en) * 2020-06-12 2021-12-16 Huawei Technologies Co., Ltd. Low resource computational block for trained neural network

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960340B (zh) * 2018-07-23 2021-08-31 电子科技大学 卷积神经网络压缩方法及人脸检测方法
CN108960340A (zh) * 2018-07-23 2018-12-07 电子科技大学 卷积神经网络压缩方法及人脸检测方法
CN109447014A (zh) * 2018-11-07 2019-03-08 东南大学-无锡集成电路技术研究所 一种基于双通道卷积神经网络的视频在线行为检测方法
CN110109090A (zh) * 2019-03-28 2019-08-09 北京邮电大学 基于微波雷达的未知环境多目标检测方法和装置
CN110135568A (zh) * 2019-05-28 2019-08-16 赵恒锐 一种应用有界线性整流单元的全整数神经网络系统
CN110232338B (zh) * 2019-05-29 2021-02-05 北京邮电大学 基于二值神经网络的轻量化Web AR识别方法及系统
CN110232338A (zh) * 2019-05-29 2019-09-13 北京邮电大学 基于二值神经网络的轻量化Web AR识别方法及系统
CN110633668A (zh) * 2019-09-09 2019-12-31 合肥飞扬机电有限公司 基于二值化卷积神经网络的铁路调车信号灯检测方法及系统
CN110837775A (zh) * 2019-09-30 2020-02-25 合肥合工安驰智能科技有限公司 一种基于二值化网络的井下机车行人及距离检测方法
CN111160274A (zh) * 2019-12-31 2020-05-15 合肥湛达智能科技有限公司 一种基于二值化Faster RCNN网络的行人检测方法
CN111160274B (zh) * 2019-12-31 2023-03-24 合肥湛达智能科技有限公司 一种基于二值化Faster RCNN网络的行人检测方法
WO2021248544A1 (en) * 2020-06-12 2021-12-16 Huawei Technologies Co., Ltd. Low resource computational block for trained neural network
US12033070B2 (en) 2020-06-12 2024-07-09 Huawei Technologies Co., Ltd. Low resource computational block for a trained neural network

Similar Documents

Publication Publication Date Title
CN108304786A (zh) 一种基于二值化卷积神经网络的行人检测方法
CN109543606B (zh) 一种加入注意力机制的人脸识别方法
CN104978580B (zh) 一种用于无人机巡检输电线路的绝缘子识别方法
CN112861690B (zh) 多方法融合的遥感影像变化检测方法及系统
CN107066916B (zh) 基于反卷积神经网络的场景语义分割方法
CN109191455A (zh) 一种基于ssd卷积网络的大田作物病虫害检测方法
CN111582029B (zh) 一种基于密集连接与注意力机制的交通标志识别方法
CN107679250A (zh) 一种基于深度自编码卷积神经网络的多任务分层图像检索方法
CN106529419B (zh) 视频显著性堆栈式聚合的对象自动检测方法
CN107464210A (zh) 一种基于生成式对抗网络的图像风格迁移方法
CN108710913A (zh) 一种基于深度学习的开关柜图像开关状态自动识别方法
CN109800629A (zh) 一种基于卷积神经网络的遥感图像目标检测方法
CN113240691A (zh) 一种基于u型网络的医学图像分割方法
CN104992223A (zh) 基于深度学习的密集人数估计方法
CN109741318A (zh) 基于有效感受野的单阶段多尺度特定目标的实时检测方法
CN110399840B (zh) 一种快速的草坪语义分割及边界检测方法
CN114943876A (zh) 一种多级语义融合的云和云影检测方法、设备及存储介质
CN109785344A (zh) 基于特征重标定的双通路残差网络的遥感图像分割方法
CN107220643A (zh) 基于紧凑型神经网络的深度学习模型的交通标志识别系统
CN110599502B (zh) 一种基于深度学习的皮肤病变分割方法
CN111414954B (zh) 一种岩石图像检索方法及其系统
CN110717921B (zh) 改进型编码解码结构的全卷积神经网络语义分割方法
CN111462140B (zh) 一种基于区块拼接的实时图像实例分割方法
CN106991666A (zh) 一种适用于多尺寸图片信息的病害图像识别方法
CN104361096B (zh) 一种基于特征富集区域集合的图像检索方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180720