CN108573238A - 一种基于双网络结构的车辆检测方法 - Google Patents
一种基于双网络结构的车辆检测方法 Download PDFInfo
- Publication number
- CN108573238A CN108573238A CN201810366905.9A CN201810366905A CN108573238A CN 108573238 A CN108573238 A CN 108573238A CN 201810366905 A CN201810366905 A CN 201810366905A CN 108573238 A CN108573238 A CN 108573238A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- branching networks
- testing result
- small object
- networks structure
- 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
- G06V20/50—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于双网络结构的车辆检测方法,涉及数据处理应用技术领域;利用第一分支网络结构和第二分支网络结构进行车辆检测,第一分支网络结构获得初步的检测结果,判断检测出的车辆目标是否符合小目标车辆,是则发送给第二分支网络结构,否则作为第一分支网络结构的检测结果,第二分支网络结构对第一分支网络结构输入的检测出的车辆目标进行图像预处理,将处理后的图像输入到全卷积神经网络层,利用全卷积神经网络进行像素点分类,根据分类结果,调整检测结果,与第一分支网络结构的检测结果进行合并,获得最后的检测结果,利用本发明方法不仅能近距离进行车辆检测,更能够提高远距离车辆的检测精度,从而推动无人驾驶行业的发展。
Description
技术领域
本发明公开一种车辆检测方法,涉及数据处理应用技术领域,具体地说是一种基于双网络结构的车辆检测方法。
背景技术
车辆检测是无人驾驶的重要组成部分。近年来,深度学习由于其强大的拟合能力,在目标检测、语义分割、图像分类等领域已经取得了突破性进展。现有的基于深度学习的经典目标检测技术主要有faster RCNN、SSD、YOLO等。这些技术在近距离的车辆检测中已经能够取得较高的精度。然而,远距离的车辆检测对于自动驾驶的安全性也具有重要的意义。在远距离的车辆检测中,车辆在图像中的尺寸较小,使得现有的深度学习框架不能取得令人满意的性能,提高了自动驾驶的风险。
本发明针对远距离的车辆检测精度低问题,提出了一种基于双网络结构的车辆检测方法,利用第一分支网络结构和第二分支网络结构进行车辆检测,第一分支网络结构获得初步的检测结果,判断检测出的车辆目标是否符合小目标车辆,是则发送给第二分支网络结构,否则作为第一分支网络结构的检测结果,第二分支网络结构对第一分支网络结构输入的检测出的车辆目标进行图像预处理,将处理后的图像输入到全卷积神经网络层,利用全卷积神经网络进行像素点分类,根据分类结果,调整检测结果,与第一分支网络结构的检测结果进行合并,获得最后的检测结果,利用本发明方法不仅能近距离进行车辆检测,更能够提高远距离车辆的检测精度,从而推动无人驾驶行业的发展。
发明内容
本发明针对现有技术的问题,提供一种基于双网络结构的车辆检测方法。
本发明提出的具体方案是:
一种基于双网络结构的车辆检测方法,利用第一分支网络结构和第二分支网络结构进行车辆检测,
第一分支网络结构检测车辆目标图像,获得初步的检测结果,判断检测出的车辆目标是否符合小目标车辆,是则发送给第二分支网络结构,否则作为第一分支网络结构的检测结果,
第二分支网络结构对第一分支网络结构输入的检测出的车辆目标进行图像预处理,将处理后的图像输入到全卷积神经网络层,利用全卷积神经网络进行像素点分类,根据分类结果,调整检测结果,与第一分支网络结构的检测结果进行合并,获得最后的检测结果。
所述的方法中第一分支网络结构包括fasterRCNN和小目标候选区域学习层,利用fasterRCNN获得初步的检测结果,将检测结果送入小目标候选区域学习层,判断判断检测出的车辆目标是否符合小目标车辆,是则小目标候选区域学习层将检测出的车辆目标输入到第二分支网络结构。
所述的方法中第一分支网络结构利用fasterRCNN先进行车辆目标图像特征提取,生成feature map,再利用fasterRCNN中的region proposal network生成候选的目标框,对候选目标框的坐标和类别进行进一步修正,获得初步的检测结果。
所述的方法中小目标候选区域学习层根据fasterRCNN的初步检测结果生成一个二值mask,根据二值mask获得车辆目标的置信度,利用预设的阈值和置信度进行比较,置信度小于阈值则车辆目标符合小目标车辆,置信度大于阈值则车辆目标符合大目标车辆。
所述的方法中第二分支网络结构包括小目标区域pooling层和全卷积神经网络层,小目标候选区域学习层将检测出的车辆目标输入到小目标区域pooling层,对输入的检测出的车辆目标进行图像预处理,将小目标车辆区域的像素点选择出来,再将处理后的图像输入到全卷积神经网络层,利用全卷积神经网络对小目标车辆区域进行像素点分类,根据分类结果,调整检测结果,与第一分支网络结构的检测结果进行合并,获得最后的检测结果。
一种基于双网络结构的车辆检测系统,包括第一分支网络结构和第二分支网络结构,
第一分支网络结构检测车辆目标图像,获得初步的检测结果,判断检测出的车辆目标是否符合小目标车辆,是则发送给第二分支网络结构,否则作为第一分支网络结构的检测结果,
第二分支网络结构对第一分支网络结构输入的检测出的车辆目标进行图像预处理,将处理后的图像输入到全卷积神经网络层,利用全卷积神经网络进行像素点分类,根据分类结果,调整检测结果,与第一分支网络结构的检测结果进行合并,获得最后的检测结果。
所述的系统中第一分支网络结构包括fasterRCNN和小目标候选区域学习层,利用fasterRCNN获得初步的检测结果,将检测结果送入小目标候选区域学习层,判断判断检测出的车辆目标是否符合小目标车辆,是则小目标候选区域学习层将检测出的车辆目标输入到第二分支网络结构。
所述的系统中第一分支网络结构利用fasterRCNN先进行车辆目标图像特征提取,生成feature map,再利用fasterRCNN中的region proposal network生成候选的目标框,对候选目标框的坐标和类别进行进一步修正,获得初步的检测结果。
所述的系统中小目标候选区域学习层根据fasterRCNN的初步检测结果生成一个二值mask,根据二值mask获得车辆目标的置信度,利用预设的阈值和置信度进行比较,置信度小于阈值则车辆目标符合小目标车辆,置信度大于阈值则车辆目标符合大目标车辆。
所述的系统中第二分支网络结构包括小目标区域pooling层和全卷积神经网络层,小目标候选区域学习层将检测出的车辆目标输入到小目标区域pooling层,对输入的检测出的车辆目标进行图像预处理,将小目标车辆区域的像素点选择出来,再将处理后的图像输入到全卷积神经网络层,利用全卷积神经网络对小目标车辆区域进行像素点分类,根据分类结果,调整检测结果,与第一分支网络结构的检测结果进行合并,获得最后的检测结果。
本发明的有益之处是:
本发明针对远距离的车辆检测精度低问题,提出了一种基于双网络结构的车辆检测方法,利用第一分支网络结构和第二分支网络结构进行车辆检测,第一分支网络结构获得初步的检测结果,判断检测出的车辆目标是否符合小目标车辆,是则发送给第二分支网络结构,否则作为第一分支网络结构的检测结果,第二分支网络结构对第一分支网络结构输入的检测出的车辆目标进行图像预处理,将处理后的图像输入到全卷积神经网络层,利用全卷积神经网络进行像素点分类,根据分类结果,调整检测结果,与第一分支网络结构的检测结果进行合并,获得最后的检测结果,利用本发明方法不仅能近距离进行车辆检测,更能够提高远距离车辆的检测精度,从而推动无人驾驶行业的发展。
附图说明
图1是本发明方法流程示意图。
具体实施方式
本发明提供一种基于双网络结构的车辆检测方法,利用第一分支网络结构和第二分支网络结构进行车辆检测,
第一分支网络结构检测车辆目标图像,获得初步的检测结果,判断检测出的车辆目标是否符合小目标车辆,是则发送给第二分支网络结构,否则作为第一分支网络结构的检测结果,
第二分支网络结构对第一分支网络结构输入的检测出的车辆目标进行图像预处理,将处理后的图像输入到全卷积神经网络层,利用全卷积神经网络进行像素点分类,根据分类结果,调整检测结果,与第一分支网络结构的检测结果进行合并,获得最后的检测结果。
同时提供上述方法相对应的一种基于双网络结构的车辆检测系统,包括第一分支网络结构和第二分支网络结构,
第一分支网络结构检测车辆目标图像,获得初步的检测结果,判断检测出的车辆目标是否符合小目标车辆,是则发送给第二分支网络结构,否则作为第一分支网络结构的检测结果,
第二分支网络结构对第一分支网络结构输入的检测出的车辆目标进行图像预处理,将处理后的图像输入到全卷积神经网络层,利用全卷积神经网络进行像素点分类,根据分类结果,调整检测结果,与第一分支网络结构的检测结果进行合并,获得最后的检测结果。
结合附图及具体实施对本发明做进一步说明。
利用本发明方法及系统,其中第一分支网络结构前端以fasterRCNN为主要架构,小目标候选区域学习层在fasterRCNN 后,
第一分支网络结构里fasterRCNN先进行车辆目标图像特征提取,生成feature map,再利用fasterRCNN中的region proposal network生成候选的目标框,再进行利用fasterRCNN中的目标框修正对候选目标框的坐标和类别进行进一步修正,获得初步的检测结果;
小目标候选区域学习层根据fasterRCNN的初步检测结果生成一个二值mask,在生成的二值mask中,车辆目标框区域内的mask全为1,剩余的为0,对每个车辆目标框区域内的二值mask求和,得到该车辆目标的置信度,利用预设的阈值T和置信度进行比较,置信度小于阈值T则车辆目标符合小目标车辆,置信度大于阈值T则车辆目标符合大目标车辆,预设的阈值T可根据实际情况进行确定;
第二分支网络结构包括小目标区域pooling层和全卷积神经网络层,
小目标候选区域学习层将检测出的车辆目标输入到小目标区域pooling层,对输入的检测出的车辆目标进行图像预处理,其中小目标候选区域学习层可小目标车辆区域预处理部件和非0选择部件,小目标车辆区域预处理部件根据检测出的车辆目标输入信息,将非小目标车辆区域的值置为0,非0选择部件将非0元素的像素点选出来,即去掉无用的背景信息,将小目标车辆区域的像素点选择出来,提高分类精度和速度;
再将处理后的图像输入到全卷积神经网络层,利用1*1的卷积对小目标车辆区域进行像素点分类,通过全连接网络后,可获得小目标车辆的像素分类结果,根据分类结果,进一步找到小目标车辆的目标框,作为检测结果,与第一分支网络结构的检测结果进行合并,获得最后的检测结果。
Claims (10)
1.一种基于双网络结构的车辆检测方法,其特征是利用第一分支网络结构和第二分支网络结构进行车辆检测,
第一分支网络结构检测车辆目标图像,获得初步的检测结果,判断检测出的车辆目标是否符合小目标车辆,是则发送给第二分支网络结构,否则作为第一分支网络结构的检测结果,
第二分支网络结构对第一分支网络结构输入的检测出的车辆目标进行图像预处理,将处理后的图像输入到全卷积神经网络层,利用全卷积神经网络进行像素点分类,根据分类结果,调整检测结果,与第一分支网络结构的检测结果进行合并,获得最后的检测结果。
2.根据权利要求1所述的方法,其特征是第一分支网络结构包括fasterRCNN和小目标候选区域学习层,利用fasterRCNN获得初步的检测结果,将检测结果送入小目标候选区域学习层,判断判断检测出的车辆目标是否符合小目标车辆,是则小目标候选区域学习层将检测出的车辆目标输入到第二分支网络结构。
3.根据权利要求2所述的方法,其特征是第一分支网络结构利用fasterRCNN先进行车辆目标图像特征提取,生成feature map,再利用fasterRCNN中的region proposalnetwork生成候选的目标框,对候选目标框的坐标和类别进行进一步修正,获得初步的检测结果。
4.根据权利要求2或3所述的方法,其特征是小目标候选区域学习层根据fasterRCNN的初步检测结果生成一个二值mask,根据二值mask获得车辆目标的置信度,利用预设的阈值和置信度进行比较,置信度小于阈值则车辆目标符合小目标车辆,置信度大于阈值则车辆目标符合大目标车辆。
5.根据权利要求4任一所述的方法,其特征是第二分支网络结构包括小目标区域pooling层和全卷积神经网络层,小目标候选区域学习层将检测出的车辆目标输入到小目标区域pooling层,对输入的检测出的车辆目标进行图像预处理,将小目标车辆区域的像素点选择出来,再将处理后的图像输入到全卷积神经网络层,利用全卷积神经网络对小目标车辆区域进行像素点分类,根据分类结果,调整检测结果,与第一分支网络结构的检测结果进行合并,获得最后的检测结果。
6.一种基于双网络结构的车辆检测系统,其特征是包括第一分支网络结构和第二分支网络结构,
第一分支网络结构检测车辆目标图像,获得初步的检测结果,判断检测出的车辆目标是否符合小目标车辆,是则发送给第二分支网络结构,否则作为第一分支网络结构的检测结果,
第二分支网络结构对第一分支网络结构输入的检测出的车辆目标进行图像预处理,将处理后的图像输入到全卷积神经网络层,利用全卷积神经网络进行像素点分类,根据分类结果,调整检测结果,与第一分支网络结构的检测结果进行合并,获得最后的检测结果。
7.根据权利要求6所述的系统,其特征是第一分支网络结构包括fasterRCNN和小目标候选区域学习层,利用fasterRCNN获得初步的检测结果,将检测结果送入小目标候选区域学习层,判断判断检测出的车辆目标是否符合小目标车辆,是则小目标候选区域学习层将检测出的车辆目标输入到第二分支网络结构。
8.根据权利要求7所述的系统,其特征是第一分支网络结构利用fasterRCNN先进行车辆目标图像特征提取,生成feature map,再利用fasterRCNN中的region proposalnetwork生成候选的目标框,对候选目标框的坐标和类别进行进一步修正,获得初步的检测结果。
9.根据权利要求7或8所述的系统,其特征是小目标候选区域学习层根据fasterRCNN的初步检测结果生成一个二值mask,根据二值mask获得车辆目标的置信度,利用预设的阈值和置信度进行比较,置信度小于阈值则车辆目标符合小目标车辆,置信度大于阈值则车辆目标符合大目标车辆。
10.根据权利要求9所述的系统,其特征是第二分支网络结构包括小目标区域pooling层和全卷积神经网络层,小目标候选区域学习层将检测出的车辆目标输入到小目标区域pooling层,对输入的检测出的车辆目标进行图像预处理,将小目标车辆区域的像素点选择出来,再将处理后的图像输入到全卷积神经网络层,利用全卷积神经网络对小目标车辆区域进行像素点分类,根据分类结果,调整检测结果,与第一分支网络结构的检测结果进行合并,获得最后的检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810366905.9A CN108573238A (zh) | 2018-04-23 | 2018-04-23 | 一种基于双网络结构的车辆检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810366905.9A CN108573238A (zh) | 2018-04-23 | 2018-04-23 | 一种基于双网络结构的车辆检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108573238A true CN108573238A (zh) | 2018-09-25 |
Family
ID=63574136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810366905.9A Pending CN108573238A (zh) | 2018-04-23 | 2018-04-23 | 一种基于双网络结构的车辆检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108573238A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909794A (zh) * | 2019-11-22 | 2020-03-24 | 乐鑫信息科技(上海)股份有限公司 | 一种适用于嵌入式设备的目标检测系统 |
CN111898622A (zh) * | 2019-05-05 | 2020-11-06 | 阿里巴巴集团控股有限公司 | 信息处理、信息显示与模型训练方法、系统及设备 |
CN112634201A (zh) * | 2020-12-02 | 2021-04-09 | 歌尔股份有限公司 | 目标检测方法、装置和电子设备 |
CN113111852A (zh) * | 2021-04-30 | 2021-07-13 | 苏州科达科技股份有限公司 | 目标检测方法、训练方法、电子设备及枪球联动系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160140424A1 (en) * | 2014-11-13 | 2016-05-19 | Nec Laboratories America, Inc. | Object-centric Fine-grained Image Classification |
CN106599827A (zh) * | 2016-12-09 | 2017-04-26 | 浙江工商大学 | 一种基于深度卷积神经网络的小目标快速检测方法 |
CN107392214A (zh) * | 2017-07-26 | 2017-11-24 | 成都快眼科技有限公司 | 一种基于全卷积分裂网络的目标检测方法 |
CN107423760A (zh) * | 2017-07-21 | 2017-12-01 | 西安电子科技大学 | 基于预分割和回归的深度学习目标检测方法 |
CN107944390A (zh) * | 2017-11-24 | 2018-04-20 | 西安科技大学 | 机动车行驶前方物体视频测距及方向定位方法 |
-
2018
- 2018-04-23 CN CN201810366905.9A patent/CN108573238A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160140424A1 (en) * | 2014-11-13 | 2016-05-19 | Nec Laboratories America, Inc. | Object-centric Fine-grained Image Classification |
CN106599827A (zh) * | 2016-12-09 | 2017-04-26 | 浙江工商大学 | 一种基于深度卷积神经网络的小目标快速检测方法 |
CN107423760A (zh) * | 2017-07-21 | 2017-12-01 | 西安电子科技大学 | 基于预分割和回归的深度学习目标检测方法 |
CN107392214A (zh) * | 2017-07-26 | 2017-11-24 | 成都快眼科技有限公司 | 一种基于全卷积分裂网络的目标检测方法 |
CN107944390A (zh) * | 2017-11-24 | 2018-04-20 | 西安科技大学 | 机动车行驶前方物体视频测距及方向定位方法 |
Non-Patent Citations (1)
Title |
---|
彭玮航, 王柯, 刘少鹏, 丁祝顺: "基于区域的卷积神经网络在空对地车辆检测中的应用", 《导航与控制》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898622A (zh) * | 2019-05-05 | 2020-11-06 | 阿里巴巴集团控股有限公司 | 信息处理、信息显示与模型训练方法、系统及设备 |
CN111898622B (zh) * | 2019-05-05 | 2022-07-15 | 阿里巴巴集团控股有限公司 | 信息处理、信息显示与模型训练方法、系统及设备 |
CN110909794A (zh) * | 2019-11-22 | 2020-03-24 | 乐鑫信息科技(上海)股份有限公司 | 一种适用于嵌入式设备的目标检测系统 |
CN112634201A (zh) * | 2020-12-02 | 2021-04-09 | 歌尔股份有限公司 | 目标检测方法、装置和电子设备 |
CN112634201B (zh) * | 2020-12-02 | 2023-12-05 | 歌尔股份有限公司 | 目标检测方法、装置和电子设备 |
CN113111852A (zh) * | 2021-04-30 | 2021-07-13 | 苏州科达科技股份有限公司 | 目标检测方法、训练方法、电子设备及枪球联动系统 |
CN113111852B (zh) * | 2021-04-30 | 2022-07-01 | 苏州科达科技股份有限公司 | 目标检测方法、训练方法、电子设备及枪球联动系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108427912B (zh) | 基于稠密目标特征学习的光学遥感图像目标检测方法 | |
CN109145713B (zh) | 一种结合目标检测的小目标语义分割方法 | |
CN107871124B (zh) | 一种基于深度神经网络的遥感图像目标检测方法 | |
CN111709420B (zh) | 文本检测方法、电子设备及计算机可读介质 | |
CN108573238A (zh) | 一种基于双网络结构的车辆检测方法 | |
Chen et al. | A double-threshold image binarization method based on edge detector | |
CN105261017B (zh) | 基于路面约束的图像分割法提取行人感兴趣区域的方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN109447033A (zh) | 基于yolo的车辆前方障碍物检测方法 | |
CN111091105A (zh) | 基于新的边框回归损失函数的遥感图像目标检测方法 | |
CN113569667B (zh) | 基于轻量级神经网络模型的内河船舶目标识别方法及系统 | |
CN108830171B (zh) | 一种基于深度学习的智能物流仓库引导线视觉检测方法 | |
CN110119728A (zh) | 基于多尺度融合语义分割网络的遥感图像云检测方法 | |
CN110276264B (zh) | 一种基于前景分割图的人群密度估计方法 | |
CN108898610A (zh) | 一种基于mask-RCNN的物体轮廓提取方法 | |
CN111445488B (zh) | 一种弱监督学习自动识别和分割盐体的方法 | |
CN111160407B (zh) | 一种深度学习目标检测方法及系统 | |
CN105989334B (zh) | 基于单目视觉的道路检测方法 | |
CN112200143A (zh) | 一种基于候选区域网络和机器视觉的道路病害检测方法 | |
CN109284779A (zh) | 基于深度全卷积网络的物体检测方法 | |
CN106910202B (zh) | 一种遥感图像地物的图像分割方法及系统 | |
CN111091095A (zh) | 一种遥感图像中船只目标的检测方法 | |
CN103729625A (zh) | 一种人脸识别的方法 | |
CN112001411A (zh) | 一种基于fpn结构的大坝裂缝检测算法 | |
CN113591617B (zh) | 基于深度学习的水面小目标检测与分类方法 |
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: 20180925 |