CN108647585B - 一种基于多尺度循环注意力网络的交通标识符检测方法 - Google Patents
一种基于多尺度循环注意力网络的交通标识符检测方法 Download PDFInfo
- Publication number
- CN108647585B CN108647585B CN201810360701.4A CN201810360701A CN108647585B CN 108647585 B CN108647585 B CN 108647585B CN 201810360701 A CN201810360701 A CN 201810360701A CN 108647585 B CN108647585 B CN 108647585B
- Authority
- CN
- China
- Prior art keywords
- attention
- scale
- network
- traffic identifier
- identifier 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000013329 compounding Methods 0.000 claims abstract description 3
- 238000010586 diagram Methods 0.000 claims description 27
- 238000005070 sampling Methods 0.000 claims description 23
- 125000004122 cyclic group Chemical group 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 230000008034 disappearance Effects 0.000 abstract 1
- 238000004880 explosion Methods 0.000 abstract 1
- 230000004913 activation Effects 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
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
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多尺度循环注意力网络的交通标识符检测方法，该方法首先构建交通标识符检测模型，所述交通标识符检测模型由用于图像特征提取的卷积神经网络特征提取模型和用于提高小目标检测精度的多尺度循环注意力网络模型复合而成；然后利用合格的训练样本对所述的交通标识符检测模型进行训练，得到训练好的交通标识符检测模型；测试时将待检测的图像输入训练好的交通标识符检测模型中，得到检测结果。本发明方法应用编解码器结构加强了取得的特征，用多尺度注意力结构检测小目标，并引用残差结构解决了梯度消失和梯度爆炸问题，本发明方法与其他先进的交通标识符检测方法相比更具有竞争力。
Description
技术领域
本发明涉及交通标识符检测技术，具体涉及一种基于多尺度循环注意力网络的交通标识符检测方法。
背景技术
交通标志的检测是学术界和工业界的一个至关重要和具有挑战性的课题，过去十年来一直是研究的热点领域。实时和强大的交通标志检测技术可以减轻驾驶员压力，从而显著提高驾驶安全性和舒适性。例如，它可以提醒驾驶员当前的速度限制，防止他超速驾驶。此外，它还可以集成到自动驾驶系统(ADS)和高级驾驶员辅助系统(ADAS)中，以减轻驾驶压力。
传统交通标志检测有各种各样的算法，包括adaboost、支持向量机、Hough变换等，它们使用颜色，纹理，线条和其他低级特征来检测图像中交通标志的中心或边缘。由于以下原因，基于低级特征的方法不能很好地检测交通标志：1)不同形状或颜色的交通标志(例如，三角形，正方形，圆形以及它们的颜色，黄色，红色或蓝色)；2)树木，车辆等物体可能遮挡交通标志；3)一天内的不同时刻，例如，白天和晚上交通标志的图片是不同的。
近年来，深度学习，特别是卷积神经网络(CNN)在检测任务中得到了成功应用。根据深度学习的理念，提供的训练数据越多，精度将会越高，如果我们有足够的数据进行训练，就能得到近似完美的结果。然而，虽然构建了庞大的交通标志数据集，如Tsinghua-Tencent100K数据集，但深度学习在交通标志检测中并没有表现出明显的优势，部分原因是交通标志尺寸过小和有效的上下文信息没有得到充分利用。
发明内容
本发明的目的在于针对现有技术的不足，提供一种基于多尺度循环注意力网络的新型交通标识符检测方法，该方法能够有效提高小目标检测的准确率。
本发明的目的是通过以下技术方案来实现的：一种基于多尺度循环注意力网络的交通标识符检测方法，该方法包括以下步骤：
(1)构建交通标识符检测模型：所述交通标识符检测模型由用于图像特征提取的卷积神经网络特征提取模型和用于提高小目标检测精度的多尺度循环注意力网络模型复合而成；
所述卷积神经网络特征提取模型的构建方法如下：
使用深层残差网络提取原始图像的初始特征并输入编解码器；
编解码器的编码器部分实现下采样、解码器部分实现上采样，通过上、下采样得到不同尺度的特征图Xk，通过残差学习得到每个尺度下的特征；
所述多尺度循环注意力网络模型构建方法如下：
使用通道数为1、卷积核为1×1的卷积层，对该尺度下的特征进行卷积操作，得到每个尺度的初始注意力图；
通过卷积操作分别获得当前尺度初始注意力图
的上采样注意力图
和下采样注意力图
将下采样注意力图
初始注意力图
和上采样注意力图
进行级联，使用通道数为1、卷积核为1×1的卷积层对级联结果进行卷积操作，获得新的当前尺度的非标准化注意力图
将非标准化注意力图
归一化到0-1之间，得到标准化注意力图
循环上述操作，在每次循环开始时，将上一轮循环得到的标准化注意力图
作为该轮循环的初始注意力图
直到获得的注意力图目标区域与原始图像目标区域的误差小于设定门限(比如可取1％)，再将每个尺度的最终注意力图的通道数扩张到该尺度下的卷积特征大小，再与该卷积特征进行Hadamard乘积得到该尺度的环境上下文特征，将所有尺度的环境上下文特征加和，从而得到该原始图像的环境上下文特征c；
建立原始图像的环境上下文特征与感兴趣目标外接框的映射关系；
(2)得到检测结果：利用合格的训练样本对所述的交通标识符检测模型进行训练，得到训练好的交通标识符检测模型；测试时将待检测的图像输入训练好的交通标识符检测模型中，得到检测结果。
在卷积神经网络特征提取模型中，通过深层残差网络和编解码器结构，获得更深层的特征。该部分的网络设置如下：卷积神经网络特征提取模型的基础网络采用经改进的Resnet-101网络，我们将其称为Residual-101；为了得到分辨率更大的特征图，做以下修改：将Resnet-101中conv5_x阶段删除，并且将conv4_x阶段的步长由2修改为1；在基础网络之后，使用步长为2的池化层或卷积层将特征图下采样到低分辨率；在每个下采样步骤中，采用残差学习单元进行信息处理；这个过程将一直进行，直到获得最低的分辨率，之后开始网络的扩展过程，即对满足低分辨率的特征图进行上采样；该网络的结构是对称的，因此，对于在下采样步骤中呈现的每个层，存在相应的上采样层；编解码器结构增加了小目标检测的容量，但是会忽略上下文信息，并且复杂的背景也可能使目标检测任务变得困难。
作为优选，本发明在此基础上引入了第二部分多尺度循环注意力网络模型：
注意力是从图像或视频提取信息的一种机制，它能自适应地选择一系列区域或位置并仅处理所选区域来获取信息。本发明提出了一个多尺度注意力新模型，在多尺度分析中不同尺度的注意力图是相互关联的，它们之间并非相互独立。
用Wk×Hk×Dk定义第k尺度下的特征图，并把它写为Xk，其中Wk，Hk，Dk分别为特征图中的宽、高、通道数目。用编码器来获得第k尺度下的注意力图
以此来衡量第k尺度的重要性。
在注意力图部分，基础结构由3×3×Dk的卷积层在每个尺度下获取激活响应。对于信息向前传播，卷积层的顺序是归一化层-激活层-卷积层。另一个1×1×1的卷积层在每个尺度下被增加，以取得激活图
接下来，在相邻的尺度下使用激活图获得非标准化的注意力图
其中，
分别为前一个尺度激活图、当前尺度激活图、下一个尺度激活图。
作为优选，将softmax函数应用于
以确保所有的注意力权重之和为1。
其中，
表示标准化注意力图。
作为优选，将分支中标准化注意力图
扩展到3维张量
并结合对应的特征图Xk，通过Hadamard乘积生成得到环境上下文特征c∈RW×H×D：
其中，Xk表示第k个尺度特征图。
本发明通过提出注意力机制，特征图模块可以选择性地关注每个尺度下的局部区域，从而一起训练。输入的注意力机制是一个前馈神经网络，可以和其他组件一起训练。
作为优选，对所述交通标识符检测模型进行训练的过程为：
利用ILSVRCCLS-LOC数据集进行预训练，卷积神经网络的权重和偏置服从标准差为0.01的高斯分布，初始化网络；
之后采用Tsinghua-Tencent 100K和German Traffic Sign DetectionBenchmark数据集对多尺度循环注意力网络模型进行微调。
作为优选，所述的卷积神经网络特征提取模型采用编解码器模型以及跳跃连接的想法，以加强特征；同时添加额外的解卷积层，以连续增加特征图的分辨率。
作为优选，在所述的多尺度循环注意力网络模型中，我们希望找到能够判别含有不同对象情景信息的注意力图，其中所有上下文信息可以从较低感知域获得的注意力图或较高感知域获得的注意力图获得，并且该方法应该是高效且易于训练的。
这种上下文信息获取方法可用一个简单的网络结构实现，即可以通过使用一个新型的循环卷积网络来深入获取。也就是说，在相邻的尺度上，上下文信息可以被选择性地引入到当前的注意力图中。
可采用最新的融合方式，
能被表示为如下和的形式
或者可以表示为级联形式
其中
和
分别为实现注意力图上采样和下采样的网络参数，上采样通过半像素卷积或反卷积实现，下采样通过步长为2的卷积实现，Concate为级联操作，Wk将级联结果返回成通道数为1的注意力图。在实验中，我们发现采取级联方式的效果更好。
与特征组合方法相比，本发明方法应用在二维注意力图而不是三维特征图。因此，局部的上下文信息可以被高效地组合在一起。整个过程完全由数据驱动，可以进行端到端的训练。
作为优选，所述的交通标识符检测模型训练阶段采用GPU进行计算。
相比于现有技术，本发明具有的有益效果为：
(1)在交通标识符检测任务中引入注意力机制，重点关注局部情境信息，提高检测结果。
(2)提出循环注意力模型，相邻尺度中的注意力图是相关联的，可以使用融合的方式来整合这些局部信息。
(3)通过在德国交通标志检测基准(GTSDB)和清华-腾讯100K数据集上的实验结果表明，本发明提出的方法与其他最先进的交通标志检测方法相比更具有竞争力。
附图说明
图1是本发明实施例提供的交通标识符检测模型的框架示意图；
图2是本发明实施例提供的基础网络与编解码器模型结构示意图；
图3是本发明实施例提供的多尺度循环注意力模型结构示意图；
图4是多尺度注意力实例图；
图5是本发明实施在GTSDB数据集的结果实例图。
具体实施方式
为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
本实施例提供的交通标识符检测方法可以获得一幅图像中非固定数量的交通标识符位置和类别信息，且可以应用到自动驾驶，辅助驾驶等智能交通的方面。
采用本实施方式基于Resnet-101基础网络与编解码器的新型检测方法，对图像中的目标进行检测的过程包括训练和测试两个部分。下面在阐述这两个部分之前会介绍本实施例所采用的检测模型。
图1是本发明实施例提供的交通标识符检测模型结构示意图，该模型框架包括用于图像特征提取的卷积神经网络特征提取模型和用于提高小目标检测精度的多尺度循环注意力网络模型。
在图1中，conv代表卷积操作，conv下方的数字代表卷积核的大小以及通道数，Block表示本实施例提出的残差块结构，Deconv表示半像素卷积，Attention Maps表示注意力图，Attention Features表示注意力特征。我们用预先训练的Residual-101初始化网络。将图像的尺寸调整为1600像素和960像素作为输入。用步长为2的卷积层进行下采样，并且通过半像素卷积来实现上采样。整个网络采用随机梯度下降算法(SGD)进行训练，设置动量为0.9，重量衰减系数为0.0005。每个批次中，从四个训练图中选择32个正样本，从背景中选择96个负样本。当评估结果时，在预测的边界框和真值之间使用0.5作为阈值。
图2所示的是基础网络与编解码器结合网络模型，处理过程如下：基础网络为Resnet-101，我们对它进行了改进，将改进后的网络称为Residual-101，改进过程如下：在基础网络的第一个卷积层中，将conv5_x阶段删除，并将conv4_x阶段的步长由2修改为1，以此增加特征图的分辨率。在基础网络之后，使用步长为2的池化层或卷积层将特征图下采样到低分辨率。在每个下采样步骤中，采用残差块进行信息处理。这个过程将一直进行，直到获得最低的分辨率，之后网络开始扩展过程，即对满足低分辨率的特征图进行上采样。该网络的结构是对称的，因此，对于在下采样步骤中呈现的每个层，存在相应的上采样层。编解码器结构增加了小目标检测的容量，但是会忽略上下文信息，并且复杂的背景也可能使目标检测任务变得困难。
图3所示的是多尺度循环注意力网络模型，在该部分，基础结构由3×3×Dk的卷积层在每个尺度下获取激活响应。对于信息向前传播，卷积层的顺序是归一化层-激活层-卷积层。另一个1×1×1的卷积层在每个尺度下被增加，以取得激活图
接下来，在相邻的尺度下使用激活图获得非标准化的注意力图
其中，
分别为前一个尺度激活图，当前尺度激活图，下一个尺度激活图。
作为优选，将softmax函数应用于
以确保所有的注意力权重之和为1。
其中，
表示标准化注意力图。
作为优选，将分支中标准化注意力图
扩展到3维张量
并结合对应的特征图Xk，通过Hadamard乘积生成得到环境上下文特征c∈RW×H×D：
其中，Xk表示第k个尺度特征图。
对交通标识符检测模型进行训练，训练的过程为：
预训练(Pre-train)阶段：对于卷积神经网络特征提取模型，用ILSVRCCLS-LOC数据集上训练的权值初始化，初始化的权值服从标准差为0.01的高斯分布。
也可以选用一些其他数据集对卷积神经网络检测模型进行训练，确定每一层的权值。
微调(Fine-tuning)阶段：采用Tsinghua-Tencent 100K和German Traffic SignDetection Benchmark数据集对整个多尺度循环注意力网络交通标识符检测模型进行微调。
此处模型训练阶段采用GPU进行计算。
交通标识符检测模型训练好后，对该模型进行测试，获取测试结果。本实施例中测试方法具体为：
给定测试图像，将训练得到的交通标识符检测模型执行一次前向传播得到若干个置信度高的区域候选框，在特定阈值下采用非极大抑制，得到基于本实施例提出的交通标识符检测模型的测试结果。
图4为多尺度注意力实例图。
利用本实施例对图像进行交通标识符检测，在德国交通标志检测基准(GTSDB)上的实验结果如图5所示，白色框为检测结果。结果表明，本实施例提出的方法与其他先进的检测方法相比更具有竞争力。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于多尺度循环注意力网络的交通标识符检测方法，其特征在于，该方法包括以下步骤：
(1)构建交通标识符检测模型：所述交通标识符检测模型由用于图像特征提取的卷积神经网络特征提取模型和用于提高小目标检测精度的多尺度循环注意力网络模型复合而成；
所述卷积神经网络特征提取模型的构建方法如下：
使用深层残差网络提取原始图像的初始特征并输入编解码器；
编解码器的编码器部分实现下采样、解码器部分实现上采样，通过上、下采样得到不同尺度的特征图Xk，通过残差学习得到每个尺度下的特征；
所述多尺度循环注意力网络模型构建方法如下：
使用通道数为1、卷积核为1×1的卷积层，对该尺度下的特征进行卷积操作，得到每个尺度的初始注意力图；
通过卷积操作分别获得当前尺度初始注意力图
的上采样注意力图
和下采样注意力图
下标k为尺度标号；将下采样注意力图
初始注意力图
和上采样注意力图
进行级联，使用通道数为1、卷积核为1×1的卷积层对级联结果进行卷积操作，获得新的当前尺度的非标准化注意力图
将非标准化注意力图
归一化到0-1之间，得到标准化注意力图
循环上述操作，在每次循环开始时，将上一轮循环得到的标准化注意力图
作为该轮循环的初始注意力图
直到获得的注意力图目标区域与原始图像目标区域的误差小于设定门限，再将每个尺度的最终注意力图的通道数扩张到该尺度下的卷积特征大小，再与该卷积特征进行Hadamard乘积得到该尺度的环境上下文特征，将所有尺度的环境上下文特征加和，从而得到该原始图像的环境上下文特征c；
建立原始图像的环境上下文特征与感兴趣目标外接框的映射关系；
(2)得到检测结果：利用训练样本对所述的交通标识符检测模型进行训练，得到训练好的交通标识符检测模型；测试时将待检测的图像输入训练好的交通标识符检测模型中，得到检测结果。
2.如权利要求1所述的基于多尺度循环注意力网络的交通标识符检测方法，其特征在于，所述卷积神经网络特征提取模型的基础网络采用经改进的Resnet-101网络：将conv5_x阶段删除，并将conv4_x阶段的步长由2修改为1。
3.如权利要求1所述的基于多尺度循环注意力网络的交通标识符检测方法，其特征在于，所述卷积神经网络特征提取模型的编解码器采用端到端End-to-End学习模式。
4.如权利要求1所述的基于多尺度循环注意力网络的交通标识符检测方法，其特征在于，所述非标准化注意力图
标准化注意力图
环境上下文特征c的公式分别为：
其中，f为基于后融合(late-fusion)的特征融合函数，Xk表示第k个特征图；将
的通道数扩张到Xk的通道数，得到张量
⊙为Hadamard乘积。
5.如权利要求4所述的基于多尺度循环注意力网络的交通标识符检测方法，其特征在于，采用最新的融合方式，
可以表示为如下和的形式：
或者可以表示为级联形式：
其中
和
分别为实现注意力图上采样和下采样的网络参数，上采样通过半像素卷积或反卷积实现，下采样通过步长为2的卷积实现，Concate为级联操作，Wk将级联结果返回成通道数为1的注意力图。
6.如权利要求1所述的基于多尺度循环注意力网络的交通标识符检测方法，其特征在于，所述卷积神经网络特征提取模型采用编解码器模型以及残差网络的跳跃连接的想法，以加强特征；同时添加额外的反卷积层，以连续增加特征图的分辨率。
7.如权利要求1所述的基于多尺度循环注意力网络的交通标识符检测方法，其特征在于，对交通标识符检测模型进行训练的过程为：
先在ILSVRCCLS-LOC数据集上进行预训练，卷积神经网络的权重和偏置服从标准差为0.01的高斯分布，初始化网络；
之后采用Tsinghua-Tencent 100K和German Traffic Sign Detection Benchmark数据集对多尺度循环注意力网络模型进行微调。
8.如权利要求1所述的基于多尺度循环注意力网络的交通标识符检测方法，其特征在于，所述交通标识符检测模型训练阶段采用GPU进行计算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810360701.4A CN108647585B (zh) | 2018-04-20 | 2018-04-20 | 一种基于多尺度循环注意力网络的交通标识符检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810360701.4A CN108647585B (zh) | 2018-04-20 | 2018-04-20 | 一种基于多尺度循环注意力网络的交通标识符检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108647585A CN108647585A (zh) | 2018-10-12 |
| CN108647585B true CN108647585B (zh) | 2020-08-14 |
Family
ID=63746826
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810360701.4A Active CN108647585B (zh) | 2018-04-20 | 2018-04-20 | 一种基于多尺度循环注意力网络的交通标识符检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108647585B (zh) |
Families Citing this family (34)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109523013B (zh) * | 2018-10-15 | 2021-08-06 | 西北大学 | 基于浅层卷积神经网络的空气颗粒物污染程度估计方法 |
| CN109583483B (zh) * | 2018-11-13 | 2020-12-11 | 中国科学院计算技术研究所 | 一种基于卷积神经网络的目标检测方法和系统 |
| CN109598298B (zh) * | 2018-11-29 | 2021-06-04 | 上海皓桦科技股份有限公司 | 图像物体识别方法和系统 |
| WO2020113412A1 (zh) * | 2018-12-04 | 2020-06-11 | 深圳大学 | 一种目标检测方法和系统 |
| CN109815345A (zh) * | 2019-02-25 | 2019-05-28 | 南京大学 | 一种基于路径的知识图谱嵌入方法 |
| CN110111299A (zh) * | 2019-03-18 | 2019-08-09 | 国网浙江省电力有限公司信息通信分公司 | 锈斑识别方法及装置 |
| US11210547B2 (en) * | 2019-03-20 | 2021-12-28 | NavInfo Europe B.V. | Real-time scene understanding system |
| CN109993101B (zh) * | 2019-03-28 | 2021-01-19 | 华南理工大学 | 基于多分支循环自注意力网络与循环边框回归的车辆检测方法 |
| CN110135307B (zh) * | 2019-04-30 | 2022-07-01 | 北京邮电大学 | 基于注意力机制的交通标志检测方法和装置 |
| CN110276715B (zh) * | 2019-05-14 | 2020-07-17 | 北京邮电大学 | 一种图像去夜方法和装置 |
| CN110633610B (zh) * | 2019-05-17 | 2022-03-25 | 西南交通大学 | 一种基于yolo的学员状态检测方法 |
| CN110136135B (zh) * | 2019-05-17 | 2021-07-06 | 深圳大学 | 分割方法、装置、设备以及存储介质 |
| CN110163878A (zh) * | 2019-05-28 | 2019-08-23 | 四川智盈科技有限公司 | 一种基于双重多尺度注意力机制的图像语义分割方法 |
| CN110322509B (zh) * | 2019-06-26 | 2021-11-12 | 重庆邮电大学 | 基于层级类激活图的目标定位方法、系统及计算机设备 |
| CN110348531B (zh) * | 2019-07-17 | 2022-12-30 | 沈阳亚视深蓝智能科技有限公司 | 具有分辨率适应性的深度卷积神经网络构建方法及应用 |
| CN110458077B (zh) * | 2019-08-05 | 2022-05-03 | 高新兴科技集团股份有限公司 | 一种车辆颜色识别方法及系统 |
| CN112348042B (zh) * | 2019-08-08 | 2022-09-30 | 中国人民解放军火箭军工程大学 | 一种基于改进YOLOv3的红外目标检测方法 |
| CN112446247B (zh) * | 2019-08-30 | 2022-11-15 | 北京大学 | 一种基于多特征融合的低光照人脸检测方法及低光照人脸检测网络 |
| CN110766643A (zh) * | 2019-10-28 | 2020-02-07 | 电子科技大学 | 一种面向眼底图像的微动脉瘤检测方法 |
| CN113469172B (zh) * | 2020-03-30 | 2022-07-01 | 阿里巴巴集团控股有限公司 | 目标定位、模型训练、界面交互方法及设备 |
| CN111461039B (zh) * | 2020-04-07 | 2022-03-25 | 电子科技大学 | 基于多尺度特征融合的地标识别方法 |
| CN111626121B (zh) * | 2020-04-24 | 2022-12-20 | 上海交通大学 | 基于视频中多层次交互推理的复杂事件识别方法及系统 |
| CN111598112B (zh) * | 2020-05-18 | 2023-02-24 | 中科视语(北京)科技有限公司 | 多任务的目标检测方法、装置、电子设备及存储介质 |
| CN111626200A (zh) * | 2020-05-26 | 2020-09-04 | 北京联合大学 | 一种基于Libra R-CNN的多尺度目标检测网络和交通标识检测方法 |
| CN111627038B (zh) * | 2020-05-27 | 2021-05-11 | 杭州王道控股有限公司 | 一种背景去除方法、装置、设备及可读存储介质 |
| CN111950586B (zh) * | 2020-07-01 | 2024-01-19 | 银江技术股份有限公司 | 一种引入双向注意力的目标检测方法 |
| CN112036467B (zh) * | 2020-08-27 | 2024-01-12 | 北京鹰瞳科技发展股份有限公司 | 基于多尺度注意力神经网络的异常心音识别方法及装置 |
| CN113095404B (zh) * | 2021-04-13 | 2023-07-04 | 西安电子科技大学 | 基于前后背景分卷积神经网络的x光违禁物品检测方法 |
| CN113657124B (zh) * | 2021-07-14 | 2023-06-30 | 内蒙古工业大学 | 基于循环共同注意力Transformer的多模态蒙汉翻译方法 |
| CN113837275B (zh) * | 2021-09-24 | 2023-10-17 | 南京邮电大学 | 基于扩张坐标注意力的改进YOLOv3目标检测方法 |
| CN113807291B (zh) * | 2021-09-24 | 2024-04-26 | 南京莱斯电子设备有限公司 | 基于特征融合注意力网络的机场跑道异物检测识别方法 |
| CN114463772B (zh) * | 2022-01-13 | 2022-11-25 | 苏州大学 | 基于深度学习的交通标志检测与识别方法及系统 |
| CN114529825B (zh) * | 2022-04-24 | 2022-07-22 | 城云科技（中国）有限公司 | 用于消防通道占用目标检测的目标检测模型、方法及应用 |
| CN115376094B (zh) * | 2022-10-27 | 2023-02-03 | 山东聚祥机械股份有限公司 | 基于尺度感知神经网络的无人清扫车路面识别方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2545661A (en) * | 2015-12-21 | 2017-06-28 | Nokia Technologies Oy | A method for analysing media content |
| CN106934397B (zh) * | 2017-03-13 | 2020-09-01 | 北京市商汤科技开发有限公司 | 图像处理方法、装置及电子设备 |
| CN107909059A (zh) * | 2017-11-30 | 2018-04-13 | 中南大学 | 一种面向复杂城市场景中协同仿生视觉的交通标志牌检测与识别方法 |
-
2018
- 2018-04-20 CN CN201810360701.4A patent/CN108647585B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN108647585A (zh) | 2018-10-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108647585B (zh) | 一种基于多尺度循环注意力网络的交通标识符检测方法 | |
| CN112132156B (zh) | 多深度特征融合的图像显著性目标检测方法及系统 | |
| CN112183203B (zh) | 一种基于多尺度像素特征融合的实时交通标志检测方法 | |
| CN112070729B (zh) | 一种基于场景增强的anchor-free遥感图像目标检测方法及系统 | |
| CN111461212B (zh) | 一种用于点云目标检测模型的压缩方法 | |
| CN113780296A (zh) | 基于多尺度信息融合的遥感图像语义分割方法及系统 | |
| CN111696110B (zh) | 场景分割方法及系统 | |
| CN113139543B (zh) | 目标对象检测模型的训练方法、目标对象检测方法和设备 | |
| CN114495029B (zh) | 一种基于改进YOLOv4的交通目标检测方法及系统 | |
| CN109657538B (zh) | 基于上下文信息指导的场景分割方法和系统 | |
| CN112488229A (zh) | 一种基于特征分离和对齐的域自适应无监督目标检测方法 | |
| CN112446292B (zh) | 一种2d图像显著目标检测方法及系统 | |
| CN114332133A (zh) | 基于改进CE-Net的新冠肺炎CT图像感染区分割方法及系统 | |
| CN116579992A (zh) | 一种用于无人机巡检的小目标螺栓缺陷检测方法 | |
| CN113963333B (zh) | 一种基于改进yolof模型的交通标志牌检测方法 | |
| CN113223037B (zh) | 一种面向大规模数据的无监督语义分割方法及系统 | |
| CN114581789A (zh) | 一种高光谱图像分类方法及系统 | |
| CN114494893B (zh) | 基于语义重用上下文特征金字塔的遥感图像特征提取方法 | |
| CN114419078B (zh) | 基于卷积神经网络的表面缺陷区域分割方法及装置 | |
| CN113255646B (zh) | 一种实时场景文本检测方法 | |
| CN113869239A (zh) | 一种交通信号灯倒计时识别系统及其构建方法、应用方法 | |
| KR20220146750A (ko) | 그룹 확장 컨벌루션 모듈 기반 시멘틱 분할 네트워크 시스템 및 방법 | |
| CN116895029B (zh) | 基于改进yolo v7的航拍图像目标检测方法及系统 | |
| CN117475262B (zh) | 图像生成方法、装置、存储介质及电子设备 | |
| CN112529095B (zh) | 一种基于卷积区域重配准的单阶段目标检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |