CN108564025A - 一种基于可变形卷积神经网络的红外图像物体识别方法 - Google Patents
一种基于可变形卷积神经网络的红外图像物体识别方法 Download PDFInfo
- Publication number
- CN108564025A CN108564025A CN201810316553.6A CN201810316553A CN108564025A CN 108564025 A CN108564025 A CN 108564025A CN 201810316553 A CN201810316553 A CN 201810316553A CN 108564025 A CN108564025 A CN 108564025A
- Authority
- CN
- China
- Prior art keywords
- neural networks
- convolutional neural
- deformable
- infrared image
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
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
本发明公开了一种基于可变形卷积神经网络的红外图像物体识别方法,包括构建训练集与测试集,搭建卷积神经网络架构,在最后一层加上softmax分类器,设置目标函数,采用线性或非线性变形的卷积核进行采样并在池化层采用目前业界最好的基于规则块采样的兴趣区域(region of interests,ROI)池化方法进行池化操作;按经验设置学习率参数,能很容易进行标准反向传播端到端的训练,从而得到可变形卷积网络。经实验证明,本发明在卷积神经网络中引入了学习空间几何形变的能力,更好地解决了具有空间形变的图像识别任务。提高了卷积神经网络的几何变换建模的能力,在目标检测和识别这些视觉任务上的有效性,成功学习到空间上密集的几何形变。
Description
技术领域
本发明涉及人机交互、计算机视觉领域及物体识别领域,更具体地,涉及一种基于可变形卷积神经网络的红外图像物体识别方法。
背景技术
体识别是计算机视觉中一个十分重要的研究领域,包含人脸识别、手写体数字识别、手势识别以及物体识别等,可以广泛地应用于人机交互、图像分类以及图像检索等领域。衡量一个物体识别系统好坏的两个主要指标为:识别率核识别速度。一般情况而言,识别率越高意味着识别速度相对较慢,而识别速度越快意味着识别率相对较低。因此,如何权衡而这的利弊一直是物体识别领域一个不可回避的问题。
物体识别系统主要包含特征提取、分类器判别等两个方面。近年来,卷积神经网络算法的发展极大地提高了物体识别技术的正确率,大部分已存在的卷积神经网络的深度结构改进方法大都趋向于调优网络的宽度与深度、改进激励函数、设计多样的卷积操作等等。2015年Simonyan和Zisserman提出VGG卷积神经网络,他们通过研究卷积神经网络的深度与大尺度图片识别精度的关系,提出了一个更深的卷积神经网络架构。通过调优网络的宽度与深度,达到了最当时最好的性能。2014年Min等人提出了一种深度网络结构叫做NIN卷积神经网络。在该网络结构中,作者引入了1*1的卷积操作,通过级联两层这样的卷积层,实现了多层感知器的功能,在拉深网络深度,调优网络宽度的同时,实现了当时最优的分类性能。
基于卷积神经网络的物体识别算法中,特征提取占据了物体识别的大部时间,特征提取的精确度也决定着算法的性能。然而上述方法的特征提取的精确度依然存在不可忽视的局限性。这些局限来自于卷积网络的基本构成单元,即卷积操作。该操作在输入图像的每个位置进行基于规则格点位置的采样,然后对于采样到的图像值做卷积并作为该位置的输出。为了削弱这个限制,本专利对卷积核中每个采样点的位置都增加了一个偏移的变量。通过这些变量,卷积核就可以在当前位置附近随意的采样,而不再局限于之前的规则格点。本发明扩展后的卷积操作称为可变形卷积。
发明内容
本发明的目的是解决上述一个或多个缺陷,提出一种基于可变形卷积神经网络的红外图像物体识别方法。
为实现以上发明目的,采用的技术方案是:
一种基于可变形卷积神经网络的红外图像物体识别方法,包括以下步骤:
S1:收集数据库样本并设定训练集与测试集,其中数据库样本采用COCO、PASCALVOC并设定类别和每一个类别在分类器中的编码,构建训练集;
S2:搭建卷积神经网络架构,通过交迭若干个卷积层和池化层设置卷积神经网络的深度与宽度架构;
S3:在卷积层采用可变形卷积核进行采样,通过加入一个额外的卷积层来学习offset偏移量,共享输入特征图,然后把输入特征图和训练得到的offset偏移量共同作为可变形卷积层的输入层,此时可变形卷积层采样点发生偏移,再进行卷积;
S4:在池化层采用可变形兴趣区域进行池化操作,其中ROI被分为n*n个bin,被输入到一个额外的全连接层学习offset,然后通过一个可变形兴趣区域池化层使每个bin发生偏移;
S5:在卷积神经网络的最后一层加上softmax分类器并设置目标函数;
S6:设置学习率参数,采用后向传播算法,使用训练集训练卷积神经网络模型一次,使用的得到的训练后的模型去识别测试集数据,统计整体识别率;
S7:重复步骤S6,直到目标函数值完全收敛,识别率不再提高为止,此时网络参数训练完毕,得到可变形卷积神经网络模板,即红外图像物体识别系统;
S8:应用该系统进行红外图像识别。
其中步骤S1所述测试集为南方电网xx设备拍摄的变电站设备红外图像。
其中步骤S3所述训练得到的offset偏移量包括通过外加offset field来训练卷积窗口的形状,卷积窗口在offset field上滑动就呈现了卷积像素偏移的效果,达到采样点优化的效果,其中采样公式为
其中p0指特征图上的任意像素值,pn指在卷积核中位置相应的值,Δpn指卷积核发生的位移量。接着,网络按照不规则的偏移量(pn+Δpn)采样;又因为Δpn通常是不连续的,此处采用双线性插值,插出每个点的像素值。
其中所述offset field的大小与输入层图片大小一致。
其中步骤S4所述ROI被分为3*3个bin。
其中步骤S4所述池化操作中池化公式为
p0是ROI左上角的点,nij(i行,j列)是固定大小bin里的总像素数,同样采用双线性插值,插出每个点的像素值。
其中步骤S5所述目标函数为计算所得值与目标标签值的差的平方。
与现有技术相比,本发明的有益效果是:
本发明提出了可变形卷积神经网络,通过端到端的自学习自适应过程,得到最优的池化模板值,有效地提取了更感兴趣的特征,进而提升了物体识别的性能。同时,该方法在池化层模板扫描特征图个数保持不变,只增加少量关于偏移量的参数和计算,能保证在计算速度略有下降的情况下,提升识别性能。
附图说明
图1为本发明的流程图;
图2为本发明所提可变形卷积核示意原理图;
图3为本发明可变形卷积采样示意原理图;
图4为本发明可变形兴趣区域池化示意原理图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
一种基于可变形卷积神经网络的红外图像物体识别方法,如图1所示,包括以下步骤:
S1:收集数据库样本并设定训练集与测试集,训练集采用COCO,该数据集图像包括91类目标,328,000影像和2,500,000个label。并设定每一类别在分类器中的编码,例如三类物体汽车、猴子、盆栽分别编码为100、010和001。测试集采用变电站设备的红外图像。
S2:搭建卷积神经网络架构,通过交迭若干个卷积层和池化层设置卷积神经网络的深度与宽度架构;
S3:在卷积层采用可变形卷积核进行采样,通过加入一个额外的卷积层来学习offset偏移量,共享输入特征图,然后把输入特征图和训练得到的offset偏移量共同作为可变形卷积层的输入层,此时可变形卷积层采样点发生偏移,再进行卷积;
在此我们有两组参数需要训练:滤波器权重和offset位移偏移量。首先根据原始卷积核的大小初始化一个常规卷积核,在本实例中应用一个3×3的卷积核。对于传统的卷积窗口偏移向量是这样的:
R={(-1,-1),(-1,0),...,(0,1),(1,1)}
典型的9点方格,中间向8个方向偏移8个点。在本发明中引入位移偏移量后,卷积输出的公式为:
其中p0指特征图上的任意像素值,pn指在卷积窗口中的每个像素点,Δpn指卷积窗口中的每个像素点发生的位移量,x是输入层像素点集合。接着,网络按照不规则的偏移量(pn+Δpn)采样;又因为Δpn不是整数像素,而是一个不连续的高精度的小数,不能直接获取像素坐标,此处采用双线性插值,插出每个点的像素值。
本实例中的双线性插值本质上就是找到小数的pn所在的图像周围4像素的格点,进行双向的线性差值。
其中p=p0+pn+Δpn,指二维空间中的任意位置,q指输入图像中的任意像素点,G指双线性插值的核函数,它可由两个一维的线性差值矢量相乘得到:
G(q,p)=g(qx,px)·g(qy,py)
其中g(a,b)为一维线性差值函数:
g(a,b)=max(0,1-|a-b|)
如图2所示,可变形卷积单元中增加的偏移量是网络结构的一部分,把原来的卷积过程分成两路,一路学习偏移量Δpn,输出H×W×2N的Δpn,和输入特征图的空间维度是一致的,N表示卷积核中像素个数,2N的意思是有x,y两个方向的offset,从而可以根据公式(3)通过梯度反向传播进行端到端的学习。获得偏移量后,对于原始卷积的每一个卷积窗口,不再按照传统方法规整地滑动窗口,而是通过叠加平移量后的窗口进行采样,采样过程和传统方法一样。
加上该偏移量的学习之后,可变形卷积核的大小和位置可以根据当前需要识别的图像内容进行动态调整,其直观效果就是不同位置的卷积核采样点位置会根据图像内容发生自适应的变化,从而适应不同物体的形状、大小等几何形变。
S4:在池化层采用可变形兴趣区域进行池化操作,其中ROI被分为n*n个bin,被输入到一个额外的全连接层学习offset,然后通过一个可变形兴趣区域池化层使每个bin发生偏移;其中池化的公式如下:
其中p0是ROI左上角的点,nij(i行,j列)是固定大小bin里的总像素数。如对ROI进行可变形操作:依然是对每个输出像素加一个偏移量Δpij,Δpij也不是整数像素,同样采用双线性插值,插出每个点的像素值。图3中多加入的全连接层主要用于基于候选区域的目标检测算法中,offset通过一个全链接层学习。
传统的卷积神经网络的池化位置是人工设计的模板,在提取特征值时,往往表现出一定的局限性。例如最大池化相当于提取了高频特征,而均值池化则提取了低频特征。而ROI能把任意大小的区域转化成固定大小bin的特征图。如图3所示,本实例中通过ROI把上层的输出特征图转化成3×3大小的池化特征图,然后连接一层全连接层,即可输出初始化的3×3大小的offset偏移量矩阵。并在端到端的池化模板学习中使用后向梯度传播算法,每个滤波器内的滤波权值在每次循环中都在自学习更新,不断更新该offset模板参数,直到达到最优值。
S5:在卷积神经网络的最后一层加上softmax分类器并设置目标函数;其中所述目标函数为计算所得值与目标标签值的差的平方。
S6:设置学习率参数,采用后向传播算法,使用训练集训练卷积神经网络模型一次,使用的得到的训练后的模型去识别测试集数据,统计整体识别率
S7:重复步骤S6,直到目标函数值完全收敛,识别率不再提高为止,此时网络参数训练完毕,得到可变形卷积神经网络模板,即红外图像物体识别系统;
S8:应用该系统进行红外图像识别。
图4展示了两层的3×3卷积层的映射。对于标准的卷积,后面层的特征图上的一个点,映射到前面层所对应的感受野是规则的,无法考虑到不同目标的外形、大小不同;而可变形的卷积则考虑到了目标的形变,映射到前面层的采样点大多会覆盖在目标上面,采到更多我们感兴趣的信息。
本发明优选实例的红外图像物体识别方法,通过引入了两个模块:可变形卷积核和可变形ROI来增强网络模型变换的能力,可变形卷积核通过改变采样点的位置并学习采样点的偏置,使得采样点位置能够随着图像内容变化而变化。它不需要任何额外的监督信号,可以直接通过目标任务学习得到。它适用于所有待识别目标具有一定几何形变的任务(几乎所有重要的视觉识别任务都有此特点,人脸、行人、车辆、文字、动物等),它可以直接由已有网络结构扩充而来,无需重新预训练;它可以方便地取代任何已有视觉识别任务的卷积神经网络中的若干个标准卷积单元,并通过标准的反向传播进行端到端的训练。它仅增加了很少的模型复杂度和计算量,且显著提高了识别精度。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (7)
1.一种基于可变形卷积神经网络的红外图像物体识别方法,其特征在于,包括以下步骤:
S1:收集数据库样本并设定训练集与测试集,其中数据库样本采用COCO、PASCAL VOC并设定类别和每一个类别在分类器中的编码,构建训练集;
S2:搭建卷积神经网络架构,通过交迭若干个卷积层和池化层设置卷积神经网络的深度与宽度架构;
S3:在卷积层采用可变形卷积核进行采样,通过加入一个额外的卷积层来学习offset偏移量,共享输入特征图,然后把输入特征图和训练得到的offset偏移量共同作为可变形卷积层的输入层,此时可变形卷积层采样点发生偏移,再进行卷积;
S4:在池化层采用可变形兴趣区域进行池化操作,其中ROI被分为n*n个bin,被输入到一个额外的全连接层学习offset,然后通过一个可变形兴趣区域池化层使每个bin发生偏移;
S5:在卷积神经网络的最后一层加上softmax分类器并设置目标函数;
S6:设置学习率参数,采用后向传播算法,使用训练集训练卷积神经网络模型一次,使用的得到的训练后的模型去识别测试集数据,统计整体识别率;
S7:重复步骤S6,直到目标函数值完全收敛,识别率不再提高为止,此时网络参数训练完毕,得到可变形卷积神经网络模板,即红外图像物体识别系统;
S8:应用该系统进行红外图像识别。
2.根据权利要求1所述的一种基于可变形卷积神经网络的红外图像物体识别方法,其特征在于,步骤S1所述测试集为南方电网xx设备拍摄的变电站设备红外图像。
3.根据权利要求1所述的一种基于可变形卷积神经网络的红外图像物体识别方法,其特征在于,步骤S3所述训练得到的offset偏移量包括通过外加offset field来训练卷积窗口的形状,卷积窗口在offset field上滑动就呈现了卷积像素偏移的效果,达到采样点优化的效果,其中采样公式为
其中p0指特征图上的任意像素值,pn指在卷积核中位置相应的值,Δpn指卷积核发生的位移量。接着,网络按照不规则的偏移量(pn+Δpn)采样;又因为Δpn通常是不连续的,此处采用双线性插值,插出每个点的像素值。
4.根据权利要求3所述的一种基于可变形卷积神经网络的红外图像物体识别方法,其特征在于,所述offset field的大小与输入层图片大小一致。
5.根据权利要求1所述的一种基于可变形卷积神经网络的红外图像物体识别方法,其特征在于,步骤S4所述ROI被分为3*3个bin。
6.根据权利要求1所述的一种基于可变形卷积神经网络的红外图像物体识别方法,其特征在于,步骤S4所述池化操作中池化公式为
p0是ROI左上角的点,nij(i行,j列)是固定大小bin里的总像素数,同样采用双线性插值,插出每个点的像素值。
7.根据权利要求1所述的一种基于可变形卷积神经网络的红外图像物体识别方法,其特征在于,步骤S5所述目标函数为计算所得值与目标标签值的差的平方。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810316553.6A CN108564025A (zh) | 2018-04-10 | 2018-04-10 | 一种基于可变形卷积神经网络的红外图像物体识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810316553.6A CN108564025A (zh) | 2018-04-10 | 2018-04-10 | 一种基于可变形卷积神经网络的红外图像物体识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108564025A true CN108564025A (zh) | 2018-09-21 |
Family
ID=63534578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810316553.6A Pending CN108564025A (zh) | 2018-04-10 | 2018-04-10 | 一种基于可变形卷积神经网络的红外图像物体识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108564025A (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359574A (zh) * | 2018-09-30 | 2019-02-19 | 宁波工程学院 | 基于信道级联的广域视场行人检测方法 |
CN109685813A (zh) * | 2018-12-27 | 2019-04-26 | 江西理工大学 | 一种自适应尺度信息的u型视网膜血管分割方法 |
CN109829421A (zh) * | 2019-01-29 | 2019-05-31 | 西安邮电大学 | 车辆检测的方法、装置及计算机可读存储介质 |
CN109858612A (zh) * | 2019-01-18 | 2019-06-07 | 清华大学 | 一种自适应形变空洞卷积方法 |
CN110321893A (zh) * | 2019-06-27 | 2019-10-11 | 电子科技大学 | 一种聚焦增强的场景文本识别网络 |
CN110348543A (zh) * | 2019-06-10 | 2019-10-18 | 腾讯医疗健康(深圳)有限公司 | 眼底图像识别方法、装置、计算机设备及存储介质 |
CN110378424A (zh) * | 2019-07-23 | 2019-10-25 | 国网河北省电力有限公司电力科学研究院 | 基于卷积神经网络的变压器套管故障红外图像识别方法 |
CN110458049A (zh) * | 2019-07-24 | 2019-11-15 | 东北师范大学 | 一种基于多视觉的行为测量与分析方法 |
CN110619352A (zh) * | 2019-08-22 | 2019-12-27 | 杭州电子科技大学 | 基于深度卷积神经网络的典型红外目标分类方法 |
CN110751214A (zh) * | 2019-10-21 | 2020-02-04 | 山东大学 | 一种基于轻量级可变形卷积的目标检测方法及系统 |
CN110852316A (zh) * | 2019-11-07 | 2020-02-28 | 中山大学 | 一种采用密集结构卷积网络的图像篡改检测和定位方法 |
CN111046861A (zh) * | 2019-11-29 | 2020-04-21 | 国家电网有限公司 | 识别红外影像是否存在样本设备的方法、构建电力设备识别模型的方法及应用 |
CN111476342A (zh) * | 2019-01-23 | 2020-07-31 | 斯特拉德视觉公司 | 利用了1xH卷积的CNN方法及装置 |
CN111476249A (zh) * | 2020-03-20 | 2020-07-31 | 华东师范大学 | 多尺度大感受野卷积神经网络的构建方法 |
CN111815510A (zh) * | 2020-09-11 | 2020-10-23 | 平安国际智慧城市科技股份有限公司 | 基于改进的卷积神经网络模型的图像处理方法及相关设备 |
CN111833305A (zh) * | 2020-06-11 | 2020-10-27 | 杭州电子科技大学 | 基于机器视觉的板翅式换热器翅片加工质量在线检验方法 |
CN112101251A (zh) * | 2020-09-18 | 2020-12-18 | 电子科技大学 | 基于可变卷积神经网络的sar自动目标识别方法 |
CN112116626A (zh) * | 2020-08-04 | 2020-12-22 | 北京交通大学 | 一种基于柔性卷积的单目标跟踪方法 |
CN112132258A (zh) * | 2020-08-26 | 2020-12-25 | 中国海洋大学 | 一种基于可变形卷积的多任务学习模型构建及优化方法 |
CN112257727A (zh) * | 2020-11-03 | 2021-01-22 | 西南石油大学 | 一种基于深度学习自适应可变形卷积的特征图像提取方法 |
CN112614493A (zh) * | 2020-12-04 | 2021-04-06 | 珠海格力电器股份有限公司 | 声纹识别方法、系统、存储介质及电子设备 |
CN112651346A (zh) * | 2020-12-29 | 2021-04-13 | 青海三新农电有限责任公司 | 一种基于深度学习的流媒体视频识别与检测方法 |
CN113256525A (zh) * | 2021-05-25 | 2021-08-13 | 烟台艾睿光电科技有限公司 | 红外热成像图像增强方法、装置、设备及可读存储介质 |
CN113435245A (zh) * | 2021-05-18 | 2021-09-24 | 西安电子科技大学 | 一种空中辐射源个体识别方法、系统及应用 |
CN113538331A (zh) * | 2021-05-13 | 2021-10-22 | 中国地质大学(武汉) | 金属表面损伤目标检测识别方法、装置、设备及存储介质 |
WO2021218140A1 (zh) * | 2020-04-27 | 2021-11-04 | 平安科技(深圳)有限公司 | 基于可变形卷积的图像识别方法、装置、计算机设备 |
CN113657587A (zh) * | 2021-08-17 | 2021-11-16 | 上海大学 | 基于fpga的可变形卷积加速方法及装置 |
WO2022131399A1 (ko) * | 2020-12-15 | 2022-06-23 | 주식회사 써로마인드 | 변형가능 컨벌루션 네트워크를 정적 계산 기법을 사용하여 최적화한 bsdcn의 학습 방법 및 학습 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913087A (zh) * | 2016-04-11 | 2016-08-31 | 天津大学 | 基于最优池化卷积神经网络的物体识别方法 |
CN107609541A (zh) * | 2017-10-17 | 2018-01-19 | 哈尔滨理工大学 | 一种基于可变形卷积神经网络的人体姿态估计方法 |
-
2018
- 2018-04-10 CN CN201810316553.6A patent/CN108564025A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913087A (zh) * | 2016-04-11 | 2016-08-31 | 天津大学 | 基于最优池化卷积神经网络的物体识别方法 |
CN107609541A (zh) * | 2017-10-17 | 2018-01-19 | 哈尔滨理工大学 | 一种基于可变形卷积神经网络的人体姿态估计方法 |
Non-Patent Citations (1)
Title |
---|
JIFENG DAI ET AL: "Deformable Convolutional Networks", 《ARXIV:1703.06211V3》 * |
Cited By (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359574B (zh) * | 2018-09-30 | 2021-05-14 | 宁波工程学院 | 基于信道级联的广域视场行人检测方法 |
CN109359574A (zh) * | 2018-09-30 | 2019-02-19 | 宁波工程学院 | 基于信道级联的广域视场行人检测方法 |
CN109685813A (zh) * | 2018-12-27 | 2019-04-26 | 江西理工大学 | 一种自适应尺度信息的u型视网膜血管分割方法 |
CN109685813B (zh) * | 2018-12-27 | 2020-10-13 | 江西理工大学 | 一种自适应尺度信息的u型视网膜血管分割方法 |
CN109858612A (zh) * | 2019-01-18 | 2019-06-07 | 清华大学 | 一种自适应形变空洞卷积方法 |
CN111476342A (zh) * | 2019-01-23 | 2020-07-31 | 斯特拉德视觉公司 | 利用了1xH卷积的CNN方法及装置 |
CN111476342B (zh) * | 2019-01-23 | 2023-04-21 | 斯特拉德视觉公司 | 利用了1xH卷积的CNN方法及装置 |
CN109829421A (zh) * | 2019-01-29 | 2019-05-31 | 西安邮电大学 | 车辆检测的方法、装置及计算机可读存储介质 |
CN110348543A (zh) * | 2019-06-10 | 2019-10-18 | 腾讯医疗健康(深圳)有限公司 | 眼底图像识别方法、装置、计算机设备及存储介质 |
CN110348543B (zh) * | 2019-06-10 | 2023-01-06 | 腾讯医疗健康(深圳)有限公司 | 眼底图像识别方法、装置、计算机设备及存储介质 |
CN110321893A (zh) * | 2019-06-27 | 2019-10-11 | 电子科技大学 | 一种聚焦增强的场景文本识别网络 |
CN110378424A (zh) * | 2019-07-23 | 2019-10-25 | 国网河北省电力有限公司电力科学研究院 | 基于卷积神经网络的变压器套管故障红外图像识别方法 |
CN110458049A (zh) * | 2019-07-24 | 2019-11-15 | 东北师范大学 | 一种基于多视觉的行为测量与分析方法 |
CN110619352A (zh) * | 2019-08-22 | 2019-12-27 | 杭州电子科技大学 | 基于深度卷积神经网络的典型红外目标分类方法 |
CN110751214A (zh) * | 2019-10-21 | 2020-02-04 | 山东大学 | 一种基于轻量级可变形卷积的目标检测方法及系统 |
CN110852316A (zh) * | 2019-11-07 | 2020-02-28 | 中山大学 | 一种采用密集结构卷积网络的图像篡改检测和定位方法 |
CN110852316B (zh) * | 2019-11-07 | 2023-04-18 | 中山大学 | 一种采用密集结构卷积网络的图像篡改检测和定位方法 |
CN111046861A (zh) * | 2019-11-29 | 2020-04-21 | 国家电网有限公司 | 识别红外影像是否存在样本设备的方法、构建电力设备识别模型的方法及应用 |
CN111046861B (zh) * | 2019-11-29 | 2023-10-27 | 国家电网有限公司 | 识别红外影像的方法、构建识别模型的方法及应用 |
CN111476249A (zh) * | 2020-03-20 | 2020-07-31 | 华东师范大学 | 多尺度大感受野卷积神经网络的构建方法 |
WO2021218140A1 (zh) * | 2020-04-27 | 2021-11-04 | 平安科技(深圳)有限公司 | 基于可变形卷积的图像识别方法、装置、计算机设备 |
CN111833305A (zh) * | 2020-06-11 | 2020-10-27 | 杭州电子科技大学 | 基于机器视觉的板翅式换热器翅片加工质量在线检验方法 |
CN111833305B (zh) * | 2020-06-11 | 2023-09-29 | 杭州电子科技大学 | 基于机器视觉的板翅式换热器翅片加工质量在线检验方法 |
CN112116626B (zh) * | 2020-08-04 | 2024-04-26 | 北京交通大学 | 一种基于柔性卷积的单目标跟踪方法 |
CN112116626A (zh) * | 2020-08-04 | 2020-12-22 | 北京交通大学 | 一种基于柔性卷积的单目标跟踪方法 |
CN112132258A (zh) * | 2020-08-26 | 2020-12-25 | 中国海洋大学 | 一种基于可变形卷积的多任务学习模型构建及优化方法 |
CN112132258B (zh) * | 2020-08-26 | 2022-06-24 | 中国海洋大学 | 一种基于可变形卷积的多任务图像处理方法 |
CN111815510B (zh) * | 2020-09-11 | 2020-12-22 | 平安国际智慧城市科技股份有限公司 | 基于改进的卷积神经网络模型的图像处理方法及相关设备 |
CN111815510A (zh) * | 2020-09-11 | 2020-10-23 | 平安国际智慧城市科技股份有限公司 | 基于改进的卷积神经网络模型的图像处理方法及相关设备 |
CN112101251A (zh) * | 2020-09-18 | 2020-12-18 | 电子科技大学 | 基于可变卷积神经网络的sar自动目标识别方法 |
CN112257727A (zh) * | 2020-11-03 | 2021-01-22 | 西南石油大学 | 一种基于深度学习自适应可变形卷积的特征图像提取方法 |
CN112257727B (zh) * | 2020-11-03 | 2023-10-27 | 西南石油大学 | 一种基于深度学习自适应可变形卷积的特征图像提取方法 |
CN112614493A (zh) * | 2020-12-04 | 2021-04-06 | 珠海格力电器股份有限公司 | 声纹识别方法、系统、存储介质及电子设备 |
WO2022131399A1 (ko) * | 2020-12-15 | 2022-06-23 | 주식회사 써로마인드 | 변형가능 컨벌루션 네트워크를 정적 계산 기법을 사용하여 최적화한 bsdcn의 학습 방법 및 학습 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치 |
CN112651346A (zh) * | 2020-12-29 | 2021-04-13 | 青海三新农电有限责任公司 | 一种基于深度学习的流媒体视频识别与检测方法 |
CN113538331A (zh) * | 2021-05-13 | 2021-10-22 | 中国地质大学(武汉) | 金属表面损伤目标检测识别方法、装置、设备及存储介质 |
CN113435245B (zh) * | 2021-05-18 | 2023-06-30 | 西安电子科技大学 | 一种空中辐射源个体识别方法、系统及应用 |
CN113435245A (zh) * | 2021-05-18 | 2021-09-24 | 西安电子科技大学 | 一种空中辐射源个体识别方法、系统及应用 |
CN113256525A (zh) * | 2021-05-25 | 2021-08-13 | 烟台艾睿光电科技有限公司 | 红外热成像图像增强方法、装置、设备及可读存储介质 |
CN113657587B (zh) * | 2021-08-17 | 2023-09-26 | 上海大学 | 基于fpga的可变形卷积加速方法及装置 |
CN113657587A (zh) * | 2021-08-17 | 2021-11-16 | 上海大学 | 基于fpga的可变形卷积加速方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564025A (zh) | 一种基于可变形卷积神经网络的红外图像物体识别方法 | |
CN105913087B (zh) | 基于最优池化卷积神经网络的物体识别方法 | |
CN108109162B (zh) | 一种利用自适应特征融合的多尺度目标跟踪方法 | |
CN107609638B (zh) | 一种基于线性编码器和插值采样优化卷积神经网络的方法 | |
CN109903331B (zh) | 一种基于rgb-d相机的卷积神经网络目标检测方法 | |
CN107451565B (zh) | 一种半监督小样本深度学习图像模式分类识别方法 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN107680116A (zh) | 一种监测视频图像中运动目标的方法 | |
CN106570893A (zh) | 一种基于相关滤波的快速稳健视觉跟踪方法 | |
CN105894045A (zh) | 一种基于空间金字塔池化的深度网络模型的车型识别方法 | |
CN110826428A (zh) | 一种高速的sar图像中船只检测方法 | |
CN107767416B (zh) | 一种低分辨率图像中行人朝向的识别方法 | |
CN115496928B (zh) | 基于多重特征匹配的多模态图像特征匹配方法 | |
CN112285712A (zh) | 一种提高sar图像中靠岸船只检测精度的方法 | |
CN103679187B (zh) | 图像识别方法和系统 | |
CN109523013A (zh) | 一种基于浅层卷积神经网络的空气颗粒物污染程度估计方法 | |
CN102663436A (zh) | 用于光学纹理图像和sar图像的自适应特征提取方法 | |
CN113111758B (zh) | 一种基于脉冲神经网络的sar图像舰船目标识别方法 | |
CN105405138A (zh) | 基于显著性检测的水面目标跟踪方法 | |
CN108121972A (zh) | 一种局部遮挡条件下的目标识别方法 | |
CN108182694A (zh) | 一种基于插值的运动估计与自适应视频重建方法 | |
CN113610024B (zh) | 一种多策略的深度学习遥感影像小目标检测方法 | |
CN113989612A (zh) | 基于注意力及生成对抗网络的遥感影像目标检测方法 | |
CN113762009A (zh) | 一种基于多尺度特征融合及双注意力机制的人群计数方法 | |
CN115082533B (zh) | 一种基于自监督的临近空间遥感图像配准方法 |
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: 20180921 |