CN108664953A - 一种基于卷积自编码器模型的图像特征提取方法 - Google Patents
一种基于卷积自编码器模型的图像特征提取方法 Download PDFInfo
- Publication number
- CN108664953A CN108664953A CN201810498211.0A CN201810498211A CN108664953A CN 108664953 A CN108664953 A CN 108664953A CN 201810498211 A CN201810498211 A CN 201810498211A CN 108664953 A CN108664953 A CN 108664953A
- Authority
- CN
- China
- Prior art keywords
- data set
- image
- encoding encoder
- model
- convolution self
- 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.)
- Granted
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
-
- 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
-
- 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
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)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (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)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种基于卷积自编码器模型的图像特征提取方法,该方法包括:步骤1,收集包含希望提取的特征的图片构成数据集I;步骤2,收集不包含希望提取的特征的图片构成数据集II;步骤3,利用数据集I和数据集II同时对构建的自编码器模型进行训练;步骤4,输入待提取特征的图像,自编码器模型的编码器部分的输出即为提取到的特征。相比于目前主流的图像特征提取方法,本方法无需进行人工标定,能够在保证特征提取可靠性的同时,降低人工标定的工作量,同时使得输出的特征包含更高级的语义特征。
Description
技术领域
本发明涉及自动驾驶车辆的图像处理技术领域,特别是涉及一种基于卷积自编码器的图像特征提取方法。
背景技术
目前,在自动驾驶车辆的图像处理技术中,基于深度学习的图像特征提取技术主要使用卷积神经网络,与分类器结合,用于车辆、行人、自行车人、道路标识的图像识别,其训练前需要准备大量训练样本,包括输入图像和最终输出的真值,通过监督式学习的方法进行训练。该方法需要大量的训练样本,并且需要花费较多人力进行标定,同时由于是人为地筛选提取了其中相对重要的信息,因此一些可能对后续决策有用的信息没有充分利用,并且其输出的信息仅包括距离、位置等物理量,但是更高级的不为人直观理解的语义信息等并没有体现,比如周围道路参与者之间是否存在相互影响、是否存在其他道路参与者的行为等,这对后续的决策、控制过程提出了更高的要求。另外,降噪自编码器也可用于图像特征的提取,图7是传统降噪自编码器模型训练过程示意图,其训练集以含有无关特征的图像为输入,以没有噪声的图像为标签对降噪自编码器模型进行训练,其中没有噪声的图像难以获得,且其被提取特征部分需要与原图完全一致,这也给训练集的获取带来了极大的难度。因此,希望有一种图像特征提取方法能够克服或至少减轻现有技术的上述缺陷中的至少一个。
发明内容
为克服上述现有技术之不足,本发明着力于提供一种基于卷积自编码器模型的图像特征提取方法,其目的在于解决或至少减轻现有技术的上述缺陷中的至少一个。该方法能够在获得较为可靠的图像特征的同时,还能无需人工对需要提取的特征进行描边或画框,减轻了人工标定的压力。
本发明解决上述技术问题所采取的技术方案如下:一种基于卷积自编码器模型的图像特征提取方法,包含如下步骤:
步骤1,收集包含有被提取特征的图像构成数据集I;
步骤2,收集不包含有被提取特征的图像构成数据集II;
步骤3,利用数据集I对卷积自编码器模型进行训练,保证被提取特征无丢失;
步骤4,利用数据集II对卷积自编码器模型进行调整,使得模型能够剔除被提取特征以外的特征;
步骤5,使用训练好的模型进行特征提取。
进一步地,步骤1中收集的图像,除去被提取特征之外的图像特征与步骤2中收集的图像特征相同或相近似,且数据集I和数据集II的图像大小无需相同。
进一步地,对于所述编码器输出的图像,其纵横比与原始输入图像的纵横比相同,且纵向、横向像素数量对应与原始输入图像的纵向、横向像素数量的比值为0.5~1。
进一步地,步骤3中,采用数据集I的部分图像对卷积自编码器模型的编码器和解码器都进行训练;步骤4中,采用数据集II的部分图像仅对卷积自编码器模型的编码器进行训练。
进一步地,利用数据集I和数据集II对卷积自编码器模型进行训练的具体过程为:
1)从数据集I中随机选取部分图像输入至卷积自编码器模型中,通过编码器、解码器的运算获得输出以输出与原始输入x的差异建立损失函数:
其中,θ1为编码器所有参数的集合,θ2为解码器所有参数;Jpos为计算的这些图像的损失函数值;N为每一次训练使用的图像样本数;为第n个样本对应的解码输出;为第n个样本对应的编码输入;||·||2表示二范数运算;
利用该损失函数对卷积自编码器模型的编码器和解码器同时进行训练;
2)从数据集II中随机选取部分图像输入至卷积自编码器模型中,通过编码器的运算获得输出X,以输出X与0的差异建立损失函数:
其中,为选取的数据集Jneg为计算的这些图像的损失函数值;为第n个样本对应的编码器输出;
利用该损失函数对卷积自编码器模型的编码器部分进行训练;
循环上述两步,直到损失函数值降到预期范围内或循环次数达到预期值。
进一步地,步骤5中,向训练好的模型中输入包含预提取特征的图像,卷积自编码器模型进行计算后,编码器的输出即为提取到的特征。
本发明提出的一种基于卷积自编码器模型的图像特征提取方法,通过使用包含需要提取特征的图像和不含有需要提取特征的图像训练自编码器模型,相比于现在主流的图像识别方法,本方法能够减少人工标定的工作量,并且能够减少信息因人工标定带来的损失,包含了更深层次的信息,便于之后采用基于深度学习的方法进行车辆自动驾驶的决策与控制。另外,对于如降噪自编码器提取图像特征的方法,本方法在选用包含被提取特征的图像与不包含被提取特征的图像时,不必须要求被提取特征以外的特征必须严格一致,这给图像采集和处理带来很大便利。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制。
图1为本发明基于自编码器模型的图像特征提取方法架构图。
图2为自编码器模型结构示意图。
图3为本发明自编码器模型中编码器的结构示意图。
图4为本发明自编码器模型中解码器的结构示意图。
图5为本发明自编码器模型训练过程示意图。
图6-1为采用本发明自编码器模型训练出来的含有车辆的特征图。
图6-2为采用本发明自编码器模型训练出来的不含有车辆的特征图。
图7为传统降噪自编码器模型训练过程示意图。
具体实施方式
在下面,结合附图和实施例,通过提取自动驾驶车辆这一实施例细述关于自编码器模型的图像特征提取方法。
该方法是一种基于自编码器模型的方法,方法架构如图1所示,在实施例中,采用卷积神经网络模型和自编码器模型相结合而成的卷积自编码器模型实现道路图像中车辆特征的提取。
这项研究将基于深度学习的方法进行开展,该方法实施步骤概括如下:
1.含有车辆的周边图像的采集;
2.与车辆无关的周边图像的采集;
3.编写卷积自编码器模型代码;
4.训练卷积自编码器模型;
5.使用训练好的模型进行特征提取。
以上1、2步不分先后,可并列进行。
下面一一叙述各步骤的实现:
1.含有车辆的道路图像的采集
为了训练深度卷积自编码器模型,需要大量的训练集,因此需要采集实际前方道路图像。为了配合之后模型训练的需要,采集过程中需要将单目摄像头安装于车前挡风玻璃正中央,并在自车周围有其他车辆的情况下采集其拍摄的前方道路图像。拍摄数张构成数据集I,每帧图像定义为一个样本。
2.与车辆无关的周围图像的采集
拍摄道路以及道路两旁的建筑、树木等与车辆无关的物体图像,图像中不含车辆。同样,拍摄数张构成数据集II,每帧图像定义为一个样本。
3.编写卷积自编码器模型代码
在开源软件库(Tensorflow,一种已知的软件库)的支持下,编写卷积自编码器模型代码。自编码器模型通用结构见图2,包括编码器和解码器,设编码器的输入为x,输出为X,则解码器的输入为X,输出为解码器以编码器的输出为输入。
图3为本申请中使用的一种编码器结构示意图,为全卷积神经网络模型,其输入x为3通道320x320像素的图像,经过归一化处理后,采用2x2大小的卷积核进行卷积,输出为8通道320x320像素的特征图;再采用2x2大小的卷积核进行卷积,并进行池化处理,输出为16通道240x240像素的特征图;最后再采用2x2大小的卷积核进行卷积,并进行池化处理,输出为32通道160x160像素的特征图,即为编码器输出X。
图4为其中一种解码器结构示意图,为反卷积神经网络模型,与编码器结构相反,输入为编码器的输出X,即32通道160x160像素的特征图,采用2x2大小的反卷积核进行反卷积,并进行上采样,输出为16通道240x240像素的特征图;再采用2x2大小的反卷积核进行反卷积,并进行上采样,输出为8通道320x320像素的特征图;最后采用2x2大小的反卷积核进行反卷积,输出为3通道320x320像素的图像,记为
编码器输出为X,解码器输出为且进一步地要求,对于自编码器模型的编码器部分的输出,其纵横比与输入图像的纵横比相同,且纵向、横向像素数量对应与输入图像的纵向、横向像素数量的比值建议为0.5~1。纵横向的像素数量与输入图像纵横向的像素数量的比为05~1的主要目的为避免信息丢失过多。
4.训练卷积自编码器模型
本发明中,对数据集I进行了编码加解码的处理;对数据集II仅进行编码处理,因为最终是希望获得编码器的输出X。
1)如图5所示,假设设定循环训练次数是1000次,从上述数据集I中随机选取部分图像作为输入,至卷积自编码器模型中,通过编码器、解码器计算获得输出以输出与原始输入x的差异建立损失函数,其中一种损失函数如下式所示:
其中,θ1为编码器所有参数的集合,θ2为解码器所有参数的集合;Jpos为计算的这些图像的损失函数值,min表示取最小值;N为每一次训练使用的图像样本数;为从数据集I中随机选取的第n个图像;为从数据集I中随机选取的第n个图像对应的解码器的输出;||·||2表示二范数运算。
利用该损失函数对卷积自编码器模型的编码器和解码器进行训练,通过调整网络参数θ1,θ2使得上式的Jpos取值最小。
2)再从上述数据集II中随机选取部分图像输入至卷积自编码器模型中,通过编码器计算获得输出X,由于实际在进行下一步的分类或决策时需要使用编码器的输出结果,因此期望在以负样本做输入时,编码器输出结果为0,所以此处以输出X与0的差异建立损失函数,如下式所示:
其中,θ1为编码器所有参数的集合(这里只调整编码器的参数);Jneg为计算的这些图像的损失函数值;N为每一次训练使用的图像数量;为从数据集II中随机选取的第n个图像对应的编码器输出;||·||2表示二范数运算。
利用该损失函数对卷积自编码器模型的编码器部分进行训练,通过调整编码器参数θ1使得上式的Jneg取值最小。
以上两步循环进行,直到损失函数值Jpos,Jneg降到预期范围以内或循环次数达到预期值。
5.使用训练好的模型进行特征提取
向模型中输入需要提取车辆特征的图像(提取哪个图像就输入哪个图像,这个图像不一定是训练集的图像),卷积自编码器模型进行计算后,编码器的输出X即为提取到的特征,若输入图像中含有车辆,则输出图像中含有车辆,如图6-1所示;若输入图像不含有车辆,则X近乎为0,如图6-2所示。
最后需要指出的是:以上实施例仅用以说明本发明的技术方案,而非对其限制。本领域的普通技术人员应当理解:可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种基于卷积自编码器模型的图像特征提取方法,其特征在于:
步骤1,收集包含有被提取特征的图像构成数据集I;
步骤2,收集不包含有被提取特征的图像构成数据集II;
步骤3,利用数据集I对卷积自编码器模型进行训练,保证被提取特征无丢失;
步骤4,利用数据集II对卷积自编码器模型进行调整,使得模型能够剔除被提取特征以外的特征;
步骤5,使用训练好的模型进行特征提取。
2.如权利要求1所述的基于卷积自编码器模型的图像特征提取方法,其特征在于:
步骤1中收集的图像,除去被提取特征之外的图像特征与步骤2中收集的图像特征相同或相近似,且数据集I和数据集II的图像大小无需相同。
3.如权利要求1所述的基于卷积自编码器模型的图像特征提取方法,其特征在于:对于所述编码器输出的图像,其纵横比与原始输入图像的纵横比相同,且纵向、横向像素数量对应与原始输入图像的纵向、横向像素数量的比值为0.5~1。
4.如权利要求1或3所述的基于卷积自编码器模型的图像特征提取方法,其特征在于:步骤3中,采用数据集I的部分图像对卷积自编码器模型的编码器和解码器都进行训练;步骤4中,采用数据集II的部分图像仅对卷积自编码器模型的编码器进行训练。
5.如权利要求4所述的基于卷积自编码器模型的图像特征提取方法,其特征在于:利用数据集I和数据集II对卷积自编码器模型进行训练的具体过程为:
1)从数据集I中随机选取部分图像输入至卷积自编码器模型中,通过编码器、解码器的运算获得输出以输出与原始输入x的差异建立损失函数:
其中,θ1为编码器所有参数的集合,θ2为解码器所有参数;Jpos为计算的这些图像的损失函数值;N为每一次训练使用的图像样本数;为第n个样本对应的解码输出;为第n个样本对应的编码输入;||·||2表示二范数运算;
利用该损失函数对卷积自编码器模型的编码器和解码器同时进行训练;
2)从数据集II中随机选取部分图像输入至卷积自编码器模型中,通过编码器的运算获得输出X,以输出X与0的差异建立损失函数:
其中,为选取的数据集Jneg为计算的这些图像的损失函数值;为第n个样本对应的编码器输出;
利用该损失函数对卷积自编码器模型的编码器部分进行训练;
循环上述两步,直到损失函数值降到预期范围内或循环次数达到预期值。
6.如权利要求1所述的基于卷积自编码器模型的图像特征提取方法,其特征在于:步骤5中,向训练好的模型中输入包含预提取特征的图像,卷积自编码器模型进行计算后,编码器的输出即为提取到的特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810498211.0A CN108664953B (zh) | 2018-05-23 | 2018-05-23 | 一种基于卷积自编码器模型的图像特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810498211.0A CN108664953B (zh) | 2018-05-23 | 2018-05-23 | 一种基于卷积自编码器模型的图像特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108664953A true CN108664953A (zh) | 2018-10-16 |
CN108664953B CN108664953B (zh) | 2021-06-08 |
Family
ID=63776516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810498211.0A Active CN108664953B (zh) | 2018-05-23 | 2018-05-23 | 一种基于卷积自编码器模型的图像特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108664953B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009001A (zh) * | 2019-03-11 | 2019-07-12 | 深兰科技(上海)有限公司 | 一种图像分类方法及装置 |
CN110163156A (zh) * | 2019-05-24 | 2019-08-23 | 南京邮电大学 | 一种基于卷积自编码模型的唇部特征提取方法 |
CN110517239A (zh) * | 2019-08-20 | 2019-11-29 | 东软医疗系统股份有限公司 | 一种医学影像检测方法及装置 |
CN110717841A (zh) * | 2019-10-10 | 2020-01-21 | 广东博智林机器人有限公司 | 一种基于AutoEncoder的日照分析方法、装置、设备和存储介质 |
CN110728333A (zh) * | 2019-12-19 | 2020-01-24 | 广东博智林机器人有限公司 | 日照时长分析方法、装置、电子设备以及存储介质 |
CN111027392A (zh) * | 2019-11-12 | 2020-04-17 | 华北电力大学 | 一种锅炉燃烧器火焰图像量化特征的半监督提取方法 |
CN111400754A (zh) * | 2020-03-11 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 保护用户隐私的用户分类系统的构建方法及装置 |
CN115190217A (zh) * | 2022-07-07 | 2022-10-14 | 国家计算机网络与信息安全管理中心 | 一种融合自编码网络的数据安全加密方法和装置 |
TWI796837B (zh) * | 2021-11-17 | 2023-03-21 | 宏碁股份有限公司 | 降噪卷積自編碼裝置及降噪卷積自編碼方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069472A (zh) * | 2015-08-03 | 2015-11-18 | 电子科技大学 | 一种基于卷积神经网络自适应的车辆检测方法 |
CN105335716A (zh) * | 2015-10-29 | 2016-02-17 | 北京工业大学 | 一种基于改进udn提取联合特征的行人检测方法 |
CN105631440A (zh) * | 2016-02-22 | 2016-06-01 | 清华大学 | 一种易受伤害道路使用者的联合检测方法 |
CN107103590A (zh) * | 2017-03-22 | 2017-08-29 | 华南理工大学 | 一种基于深度卷积对抗生成网络的图像反射去除方法 |
-
2018
- 2018-05-23 CN CN201810498211.0A patent/CN108664953B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069472A (zh) * | 2015-08-03 | 2015-11-18 | 电子科技大学 | 一种基于卷积神经网络自适应的车辆检测方法 |
CN105335716A (zh) * | 2015-10-29 | 2016-02-17 | 北京工业大学 | 一种基于改进udn提取联合特征的行人检测方法 |
CN105631440A (zh) * | 2016-02-22 | 2016-06-01 | 清华大学 | 一种易受伤害道路使用者的联合检测方法 |
CN107103590A (zh) * | 2017-03-22 | 2017-08-29 | 华南理工大学 | 一种基于深度卷积对抗生成网络的图像反射去除方法 |
Non-Patent Citations (3)
Title |
---|
XIANXU HOU 等: "《Deep Feature Consistent Variational Autoencoder》", 《2017 IEEE WINTER CONFERENCE ON APPLICATIONS OF COMPUTER VISION (WACV)》 * |
YUGONG LUO 等: "《Coordinated path-following and》", 《VEHICLE SYSTEM DYNAMICS》 * |
刘兴旺 等: "《一种融合 AutoEncoder 与 CNN 的混合算法用于图像特征提取》", 《计算机应用研究》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009001A (zh) * | 2019-03-11 | 2019-07-12 | 深兰科技(上海)有限公司 | 一种图像分类方法及装置 |
CN110163156A (zh) * | 2019-05-24 | 2019-08-23 | 南京邮电大学 | 一种基于卷积自编码模型的唇部特征提取方法 |
CN110517239A (zh) * | 2019-08-20 | 2019-11-29 | 东软医疗系统股份有限公司 | 一种医学影像检测方法及装置 |
CN110717841A (zh) * | 2019-10-10 | 2020-01-21 | 广东博智林机器人有限公司 | 一种基于AutoEncoder的日照分析方法、装置、设备和存储介质 |
CN111027392A (zh) * | 2019-11-12 | 2020-04-17 | 华北电力大学 | 一种锅炉燃烧器火焰图像量化特征的半监督提取方法 |
CN110728333A (zh) * | 2019-12-19 | 2020-01-24 | 广东博智林机器人有限公司 | 日照时长分析方法、装置、电子设备以及存储介质 |
CN110728333B (zh) * | 2019-12-19 | 2020-06-12 | 广东博智林机器人有限公司 | 日照时长分析方法、装置、电子设备以及存储介质 |
CN111400754A (zh) * | 2020-03-11 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 保护用户隐私的用户分类系统的构建方法及装置 |
TWI796837B (zh) * | 2021-11-17 | 2023-03-21 | 宏碁股份有限公司 | 降噪卷積自編碼裝置及降噪卷積自編碼方法 |
CN115190217A (zh) * | 2022-07-07 | 2022-10-14 | 国家计算机网络与信息安全管理中心 | 一种融合自编码网络的数据安全加密方法和装置 |
CN115190217B (zh) * | 2022-07-07 | 2024-03-26 | 国家计算机网络与信息安全管理中心 | 一种融合自编码网络的数据安全加密方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108664953B (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108664953A (zh) | 一种基于卷积自编码器模型的图像特征提取方法 | |
Chang et al. | All about structure: Adapting structural information across domains for boosting semantic segmentation | |
CN107967695B (zh) | 一种基于深度光流和形态学方法的运动目标检测方法 | |
CN108830252A (zh) | 一种融合全局时空特征的卷积神经网络人体动作识别方法 | |
CN108509880A (zh) | 一种视频人物行为语义识别方法 | |
CN105956626A (zh) | 基于深度学习的对车牌位置不敏感的车牌识别方法 | |
CN109360155A (zh) | 基于多尺度特征融合的单帧图像去雨方法 | |
CN113505772B (zh) | 基于生成对抗网络的车牌图像生成方法及系统 | |
CN112365414B (zh) | 一种基于双路残差卷积神经网络的图像去雾方法 | |
CN106971378A (zh) | 一种基于深度去噪自编码器的单幅图像去雨方法 | |
CN110276354A (zh) | 一种高分辨率街景图片语义分割训练与实时分割方法 | |
CN109543691A (zh) | 积水识别方法、装置以及存储介质 | |
CN109670392A (zh) | 基于混合自动编码器道路图像语义分割方法 | |
CN106339984A (zh) | 基于k均值驱动卷积神经网络的分布式图像超分辨方法 | |
CN114693924A (zh) | 一种基于多模型融合的道路场景语义分割方法 | |
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 | |
CN112766056B (zh) | 一种基于深度神经网络的弱光环境车道线检测方法、装置 | |
CN110310238A (zh) | 一种基于重用原始信息的压缩奖惩神经网络的单幅图像去雨方法 | |
CN115393396B (zh) | 一种基于掩码预训练的无人机目标跟踪方法 | |
CN112528917A (zh) | 斑马线区域识别方法、装置、电子设备和存储介质 | |
CN111652231B (zh) | 一种基于特征自适应选择的铸件缺陷语义分割方法 | |
CN114299286A (zh) | 一种异常天气下基于类别分组的道路场景语义分割方法 | |
CN110991374B (zh) | 一种基于rcnn的指纹奇异点检测方法 | |
CN114387610A (zh) | 一种基于增强特征金字塔网络的任意形状场景文本检测方法 | |
CN110956090B (zh) | 一种基于正负光照不变单元融合的人脸特征提取方法 |
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 |