CN109002807A - 一种基于ssd神经网络的驾驶场景车辆检测方法 - Google Patents
一种基于ssd神经网络的驾驶场景车辆检测方法 Download PDFInfo
- Publication number
- CN109002807A CN109002807A CN201810846201.1A CN201810846201A CN109002807A CN 109002807 A CN109002807 A CN 109002807A CN 201810846201 A CN201810846201 A CN 201810846201A CN 109002807 A CN109002807 A CN 109002807A
- Authority
- CN
- China
- Prior art keywords
- training
- network
- model
- squeezenet
- data set
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Abstract
本发明公开了一种基于SSD神经网络的驾驶场景车辆检测方法,包括以下步骤:构造数据集并将数据集分为训练集和测试集;在Caffe深度学习框架的基础上,将SqueezeNet作为特征提取网络;选取并合并SqueezeNet网络的6个待检测卷积层,在合并SqueezeNet网络的6个待检测卷积层后添加位置回归层和类别置信度判别层,完成训练网络模型的搭建;对训练网络模型进行初始化得到网络预训练模型;利用网络预训练模型,在制作好的数据集上,使用DSD方法进行多轮训练,得到最终的训练模型;采集前方图像并输入最终的训练模型中,然后使用非极大值抑制算法去掉多余检测框,得到检测结果。本发明可对前方车辆目标进行快速而准确的检测,是提升智能驾驶汽车的环境感知能力的有力措施。
Description
技术领域
本发明涉及车辆检测领域,具体涉及一种基于SSD神经网络的驾驶场景车辆检测方法。
背景技术
人工智能技术的快速发展为汽车行业的发展提供了更多助力,汽车行业内,智能驾驶车得到了人们的重视。智能驾驶汽车的环境感知中,摄像头感知占据重要地位,目标检测技术也成为了其中的了关键技术。车辆在快速行驶下,对目标检测算法的速度提出了更多的要求。
在目标检测领域,如何在保持较好精度的同时,尽可能提升检测速度,一直是一个研究热点。传统机器学习方法主要在HOG(Histogram of Oriented Gradient,方向梯度直方图)或者Haar等人工特征的计算过程中进行加速运算,比如电子科技大学申请的“一种基于聚合通道特征和运动估计的车辆检测方法”(CN105138987A),其利用积分图对特征进行加速运算,使得HOG特征的运算更加简便,配合支持向量机(Support Vector Machine,SVM)分类器,可以实现整体检测速度的加快。但是人工特征适应性差的缺点使得检测准确率无法满足要求。深度学习技术发展很快,在图形处理领域取得了很大的成功,其特征表示能力很强,更重要的是,它可以使用GPU进行加速运算。这些特性使得深度学习方法更有可能获得准确而快速的检测效果。Faster R-CNN网络使用区域生成网络(Region ProposalNetworks,RPN)来提取大量候选区域,然后对候选区域进行分类和回归,得出最终检测结果。该方法能取得较高的检测精度,但是运行速度过慢且内存消耗较为庞大,限制了其应用场景。YOLO(You Look Only Once)网络依据端到端的思想,使用7×7的网格进行回归计算,其检测速度很快但检测精度很难得到提升。SSD(Single Shot MultiBox Detector)网络在检测速度和精度的综合性能上表现优异,其检测速度还有进一步的提升空间。
发明内容
有鉴于此,为了解决上述问题,本发明提供一种基于SSD神经网络的驾驶场景车辆检测方法。
为实现上述目的及其他目的,本发明提供一种基于SSD神经网络的驾驶场景车辆检测方法,包括以下步骤:
构造数据集并将数据集分为训练集和测试集;
在Caffe深度学习框架的基础上,将SqueezeNet作为特征提取网络;选取并合并SqueezeNet网络的6个待检测卷积层,在合并SqueezeNet网络的6个待检测卷积层后添加位置回归层和类别置信度判别层,完成训练网络模型的搭建;
对训练网络模型进行初始化得到预训练模型;
利用预训练模型,在制作好的数据集上,使用DSD方法进行多轮训练,得到最终的训练模型;
采集前方图像并输入最终的训练模型中,然后使用非极大值抑制算法去掉多余检测框,得到检测结果。
优选地,所述的构造数据集并将数据集分为训练集和测试集的具体方法为:
获取大量不同道路场景下的行车视频,然后以一定帧率抽取图片,将所有图片按一定比例分为训练集和测试集;
对所有图像中的汽车目标进行标注,具体的标注信息包括图像中目标的类别和包围该目标边界框的坐标值;
对训练集的图像进行预处理。
优选地,所述的在Caffe深度学习框架的基础上,将SqueezeNet作为特征提取网络;选取并合并SqueezeNet网络的6个待检测卷积层,在合并SqueezeNet网络的6个待检测卷积层后添加位置回归层和类别置信度判别层,完成训练网络模型的搭建具体方法为:
将SqueezeNet作为特征提取的基础网络;
抽取SqueezeNet网络中的6个特征层作为输入,构成多尺度检测结构。
将所述6个特征层构造统一的检测层,并在检测层后添加位置回归层和置信度判别层,完成网络搭建。
优选地,所述的对训练网络模型进行初始化得到网络预训练模型具体方法为:
使用ImageNet大规模分类数据集对SqueezeNet网络进行预训练得到网络预训练模型;对网络预训练模型进行初始化。
优选地,所述利用网络预训练模型,在制作好的数据集上,使用DSD方法进行多轮训练,得到最终的训练模型的具体方法为:
在预训练模型的基础上,使用随机梯度下降法,对本发明所设计的最终网络模型进行第一轮训练,由于该网络结构完整,参数较多,因此也称之为稠密网络模型;
对第一轮训练后的模型的权值进行剪枝,减少其中较不重要的参数,将其转换成稀疏网络模型,然后进行第二轮训练,得到稀疏网络模型的权值;
将稀疏网络模型替换为原来的稠密网络模型,然后以第二轮训练的稀疏网络权值为基础,对所设计的稠密网络模型进行第三轮训练,得到最终的训练模型。
优选地,所述的采集前方图像并输入最终的训练模型中,然后使用非极大值抑制算法去掉多余检测框,得到检测结果的具体方法为:
对于最终的训练模型,将BN层的运算合并到卷积层中;
将采集到的汽车前方图像作为最终的训练模型输入,得到若干目标的类别置信度和边框坐标;
使用非极大值抑制算法去除多余的检测框,得到更准确的检测结果。
由于采用了上述技术方案,本发明具有如下的优点:
本发明以SSD检测网络为基础,在网络结构和训练过程上进行改进,以加快检测速度,获取更好的检测效果。该方法首先采集行车视频,对抽帧保存的图片进行标注,制作出数据集。然后使用SqueezeNet作为特征提取网络,再将多个检测层合并一起提升效率。接着使用ImageNet数据集进行预训练,然后使用DSD方法对网络进行训练,最后使用训练好的模型用于实际检测任务中。本发明可对前方车辆目标进行快速而准确的检测,是提升智能驾驶汽车的环境感知能力的有力措施。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述:
图1为本发明的流程示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
本发明提供一种基于SSD神经网络驾驶场景车辆检测方法,包括以下步骤:
步骤一:构造数据集并将数据集分为训练集和测试集;对数据集进行预处理。具体地,该步骤包括以下子步骤:
1、从安装在汽车上的摄像头获取大量不同场景的视频图像,然后每隔一定帧率(于具体的实施例中,一定帧率可以为15帧)抽取一幅图像,排除这些图片中质量较差和目标较少的图像,将这些图像分为训练集和测试集。于本实施例中,总共采集大约6000张图像,其中训练集和测试集的比例为3:1。
2、对上述所有图像进行人工标注,标注的对象是汽车目标,具体的标注的信息为图像中目标的类别和包围该目标边界框的坐标值。
3、对训练集的图像进行预处理,包括调整尺寸、镜像翻转和减去均值等操作,如此有利于网络训练。
步骤二:在Caffe深度学习框架的基础上,将运行速度更快的SqueezeNet作为特征提取网络,然后将多个检测层合为一个,提升检测效率。主要包括以下步骤:
1、在Caffe深度学习框架中构建检测算法,使用SqueezeNet作为特征提取的基础网络。SqueezeNet是近年来一种典型的轻量级卷积神经网络模型,其最大特点是运行速度很快,且对图像特征的提取能力较强。
2、在SqueezeNet网络的fire11/concate层之后添加4个卷积层,命名分别为conv12_1,conv12_2,conv13_1,conv13_2。然后选取fire5,fire9,fire10,fire11,conv12_2,conv13_2这6个待检测卷积层,形成多尺度检测结构。当输入大小为300×300时,所用6个待检测卷积层分辨率如表1所示。
表1主干网络用于检测的特征层
特征层 | Fire5 | Fire9 | Fire10 | Fire11 | Conv12_2 | Conv13_2 |
分辨率 | 38×38 | 19×19 | 10×10 | 5×5 | 3×3 | 1×1 |
在上述6个待检测卷积层后分别添加一个1×1×128大小的点卷积层,将这6个点卷积层的通道数都改变为128,然后对6个改变通道的点卷积层采用concat级联,这个级联的层命名为conv_concat。接着在conv_concat层后添加位置回归层和类别置信度判别层,完成训练网络模型的搭建。
步骤三:对训练网络模型进行初始化得到网络预训练模型;主要包括以下步骤:
1、使用ImageNet大规模分类数据集对SqueezeNet特征提取网络进行预训练。预训练使用随机梯度下降法(SGD),初始学习率设为0.1,总迭代次数为100k,得到SqueezeNet网络的预训练模型,使该网络具有一定的分类能力。
2、对整个训练网络模型进行初始化。首先使用上述预训练模型对参数对相应的网络层进行初始化,其他新增的点卷积层则使用Xavier方法进行初始化。
步骤四:利用预训练模型,在制作好的数据集上,使用DSD方法进行多轮训练,精简网络参数的同时提升网络的检测精度,主要包括以下步骤:
1、加载预训练模型,训练集对原始稠密网络进行第一轮训练。使用随机梯度下降法更新模型参数,训练过程中设置总迭代次数为120k,初始学习率为0.001。
2、将第一轮训练模型的权值进行剪枝,将权值小于0.01的部分全部修剪,然后调整网络结构,转换成稀疏网络。以再对这个稀疏网络进行第二轮微调训练,迭代次数设置为100K。
3、释放稀疏约束,将网络结构转换为原来的稠密网络,然后以第二轮训练的网络权值为基础,对稠密网络进行第三轮训练。迭代次数设置为120k,得到最终的训练模型。
步骤五:合并网络中的BN层,然后使用车载摄像头采集前方图像,输入网络模型中,通过非极大值抑制算法去除多余检测框,得到最终检测结果,主要包括以下三个部分:
1、对于最终的训练模型,将BN层的运算合并到卷积层中,以减少运算时间;
2、将训练好的模型部署到汽车电脑平台中,使用车载摄像头采集汽车前方图像,然后将采集到的图像输入到最终的训练模型中进行检测,在给定置信度阈值(通常取0.5)下得到初步检测结果,包括目标类别及其检测框坐标。
3、使用非极大值抑制算法去除多余的检测框,得到更准确的检测结果。
将最终的检测结果包括目标类别及其置信度和检测框坐标,打印到原始图像中,输出最终的可视化检测结果。
本发明主要适用于驾驶场景,通过研究深度学习目标检测算法基本原理,提出一种基于SSD神经网络的快速车辆检测方法,以SSD检测网络为基础,在网络结构和训练过程上进行改进,以加快检测速度,获取更好的检测效果。该方法首先采集行车视频,对抽帧保存的图片进行标注,制作出数据集。然后使用SqueezeNet作为特征提取网络,再将多个检测层合并一起提升效率。接着使用ImageNet数据集进行预训练,然后使用DSD方法对网络进行训练,最后使用训练好的模型用于实际检测任务中。本发明可对前方车辆目标进行快速而准确的检测,是提升智能驾驶汽车的环境感知能力的有力措施。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的保护范围当中。
Claims (6)
1.一种基于SSD神经网络的驾驶场景车辆检测方法,其特征在于,包括以下步骤:
构造数据集并将数据集分为训练集和测试集;
在Caffe深度学习框架的基础上,将SqueezeNet作为特征提取网络;选取并合并SqueezeNet网络的6个待检测卷积层,在合并SqueezeNet网络的6个待检测卷积层后添加位置回归层和类别置信度判别层,完成训练网络模型的搭建;
对训练网络模型进行初始化得到预训练模型;
利用预训练模型,在制作好的数据集上,使用DSD方法进行多轮训练,得到最终的训练模型;采集前方图像并输入最终的训练模型中,然后使用非极大值抑制算法去掉多余检测框,得到检测结果。
2.根据权利要求1所述的一种基于SSD神经网络的驾驶场景车辆检测方法,其特征在于,所述的构造数据集并将数据集分为训练集和测试集的具体方法为:
获取大量不同道路场景下的行车视频,然后以一定帧率抽取图片,将所有图片按一定比例分为训练集和测试集;
对所有图像中的汽车目标进行标注,具体的标注信息包括图像中目标的类别和包围该目标边界框的坐标值;
对训练集的图像进行预处理。
3.根据权利要求1所述的一种基于SSD神经网络的驾驶场景车辆检测方法,其特征在于,所述的在Caffe深度学习框架的基础上,将SqueezeNet作为特征提取网络;选取并合并SqueezeNet网络的6个待检测卷积层,在合并SqueezeNet网络的6个待检测卷积层后添加位置回归层和类别置信度判别层,完成训练网络模型的搭建具体方法为:
将SqueezeNet作为特征提取的基础网络;
抽取SqueezeNet网络中的6个特征层作为输入,构成多尺度检测结构。
将所述6个特征层构造统一的检测层,并在检测层后添加位置回归层和置信度判别层,完成网络搭建。
4.根据权利要求1所述的一种基于SSD神经网络的驾驶场景车辆检测方法,其特征在于,所述的对训练网络模型进行初始化得到网络预训练模型具体方法为:
使用ImageNet大规模分类数据集对SqueezeNet网络进行预训练得到网络预训练模型;
对网络预训练模型进行初始化。
5.根据权利要求1所述的一种基于SSD神经网络的驾驶场景车辆检测方法,其特征在于,所述利用网络预训练模型,在制作好的数据集上,使用DSD方法进行多轮训练,得到最终的训练模型的具体方法为:
在预训练模型的基础上,使用随机梯度下降法,对本发明所设计的最终网络模型进行第一轮训练,由于该网络结构完整,参数较多,因此也称之为稠密网络模型;
对第一轮训练后的模型的权值进行剪枝,减少其中较不重要的参数,将其转换成稀疏网络模型,然后进行第二轮训练,得到稀疏网络模型的权值;
将稀疏网络模型替换为原来的稠密网络模型,然后以第二轮训练的稀疏网络权值为基础,对所设计的稠密网络模型进行第三轮训练,得到最终的训练模型。
6.根据权利要求1所述的一种基于SSD神经网络的驾驶场景车辆检测方法,其特征在于,所述的采集前方图像并输入最终的训练模型中,然后使用非极大值抑制算法去掉多余检测框,得到检测结果的具体方法为:
对于最终的训练模型,将BN层的运算合并到卷积层中;
将采集到的汽车前方图像作为最终的训练模型输入,得到若干目标的类别置信度和边框坐标;使用非极大值抑制算法去除多余的检测框,得到更准确的检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810846201.1A CN109002807A (zh) | 2018-07-27 | 2018-07-27 | 一种基于ssd神经网络的驾驶场景车辆检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810846201.1A CN109002807A (zh) | 2018-07-27 | 2018-07-27 | 一种基于ssd神经网络的驾驶场景车辆检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109002807A true CN109002807A (zh) | 2018-12-14 |
Family
ID=64598192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810846201.1A Pending CN109002807A (zh) | 2018-07-27 | 2018-07-27 | 一种基于ssd神经网络的驾驶场景车辆检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109002807A (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583428A (zh) * | 2018-12-20 | 2019-04-05 | 天津天地伟业信息系统集成有限公司 | 一种基于视频的法庭标牌识别方法 |
CN109815884A (zh) * | 2019-01-21 | 2019-05-28 | 深圳市能信安科技股份有限公司 | 基于深度学习的不安全驾驶行为检测方法及装置 |
CN109871778A (zh) * | 2019-01-23 | 2019-06-11 | 长安大学 | 基于迁移学习的车道保持控制方法 |
CN109871789A (zh) * | 2019-01-30 | 2019-06-11 | 电子科技大学 | 一种基于轻量化神经网络的复杂环境下车辆检测方法 |
CN109902018A (zh) * | 2019-03-08 | 2019-06-18 | 同济大学 | 一种智能驾驶系统测试案例的获取方法 |
CN109902577A (zh) * | 2019-01-25 | 2019-06-18 | 华中科技大学 | 一种轻量级手势检测卷积神经网络模型的构建方法及应用 |
CN109948690A (zh) * | 2019-03-14 | 2019-06-28 | 西南交通大学 | 一种基于深度学习和结构信息的高铁场景感知方法 |
CN110097055A (zh) * | 2019-04-29 | 2019-08-06 | 上海工程技术大学 | 一种基于栅格卷积神经网络的车辆姿态检测方法及系统 |
CN110222593A (zh) * | 2019-05-18 | 2019-09-10 | 四川弘和通讯有限公司 | 一种基于小规模神经网络的车辆实时检测方法 |
CN110309843A (zh) * | 2019-02-02 | 2019-10-08 | 国网浙江省电力有限公司湖州供电公司 | 一种电力设备图像中多类部件的自动识别方法 |
CN110348357A (zh) * | 2019-07-03 | 2019-10-18 | 昆明理工大学 | 一种基于深度卷积神经网络的快速目标检测方法 |
CN110348290A (zh) * | 2019-05-27 | 2019-10-18 | 天津中科智能识别产业技术研究院有限公司 | 焦罐车安全预警视觉检测方法 |
CN110516529A (zh) * | 2019-07-09 | 2019-11-29 | 杭州电子科技大学 | 一种基于深度学习图像处理的投喂检测方法和系统 |
CN110543827A (zh) * | 2019-08-07 | 2019-12-06 | 上海师范大学 | 一种基于高斯混合模型与深度学习的多类别车辆检测方法 |
CN110556024A (zh) * | 2019-07-18 | 2019-12-10 | 华瑞新智科技(北京)有限公司 | 一种防碰撞辅助驾驶方法、系统及计算机可读存储介质 |
CN110852273A (zh) * | 2019-11-12 | 2020-02-28 | 重庆大学 | 一种基于强化学习注意力机制的行为识别方法 |
CN111126161A (zh) * | 2019-11-28 | 2020-05-08 | 北京联合大学 | 一种基于关键点回归的3d车辆检测方法 |
CN111310831A (zh) * | 2020-02-19 | 2020-06-19 | 中国科学院光电技术研究所 | 一种基于深度学习的小目标检测网络逐层训练方法 |
CN111428655A (zh) * | 2020-03-27 | 2020-07-17 | 厦门大学 | 一种基于深度学习的头皮检测方法 |
CN111444972A (zh) * | 2020-03-31 | 2020-07-24 | 高新兴科技集团股份有限公司 | 一种基于深度学习的分级车辆目标检测方法 |
CN111611918A (zh) * | 2020-05-20 | 2020-09-01 | 重庆大学 | 基于航拍数据和深度学习的交通流数据集采集及构建方法 |
CN111783891A (zh) * | 2020-07-06 | 2020-10-16 | 中国人民武装警察部队工程大学 | 一种定制化物体检测方法 |
CN111950709A (zh) * | 2020-08-12 | 2020-11-17 | 上海交通大学 | 面向无人机图像目标检测的SqueezeNet网络折叠构造方法及系统 |
CN112257809A (zh) * | 2020-11-02 | 2021-01-22 | 浙江大华技术股份有限公司 | 目标检测网络优化方法和装置、存储介质及电子设备 |
CN112464822A (zh) * | 2020-11-30 | 2021-03-09 | 深圳市捷顺科技实业股份有限公司 | 一种基于特征增强的头盔佩戴检测方法及装置 |
CN113128335A (zh) * | 2021-03-09 | 2021-07-16 | 西北大学 | 微体古生物化石图像检测、分类及发现方法、系统及应用 |
CN113221668A (zh) * | 2021-04-20 | 2021-08-06 | 西安翔迅科技有限责任公司 | 一种风力发电机组叶片视频监测中的抽帧方法 |
CN113808405A (zh) * | 2020-06-11 | 2021-12-17 | 济南市公安局交通警察支队 | 一种渣土车的实时预警方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106611162A (zh) * | 2016-12-20 | 2017-05-03 | 西安电子科技大学 | 基于深度学习ssd框架的道路车辆实时检测方法 |
CN108288047A (zh) * | 2018-02-07 | 2018-07-17 | 成都新舟锐视科技有限公司 | 一种行人/车辆检测方法 |
-
2018
- 2018-07-27 CN CN201810846201.1A patent/CN109002807A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106611162A (zh) * | 2016-12-20 | 2017-05-03 | 西安电子科技大学 | 基于深度学习ssd框架的道路车辆实时检测方法 |
CN108288047A (zh) * | 2018-02-07 | 2018-07-17 | 成都新舟锐视科技有限公司 | 一种行人/车辆检测方法 |
Non-Patent Citations (8)
Title |
---|
FORREST N. IANDOLA 等: ""SQUEEZENET: ALEXNET-LEVEL ACCURACY WITH 50X FEWER PARAMETERS AND <0.5MB MODEL SIZE"", 《HTTPS://ARXIV.ORG/PDF/1602.07360.PDF》 * |
FORREST N. IANDOLA 等: ""SQUEEZENET: ALEXNET-LEVEL ACCURACY WITH"", 《HTTPS://ARXIV.ORG/PDF/1602.07360.PDF》 * |
SONG HAN 等: ""DSD: Regularizing Deep Neural Networks with Dense-Sparse-Dense Training Flow"", 《HTTPS://ARXIV.ORG/PDF/1607.04381V1.PDF》 * |
WEI LIU 等: ""SSD: Single Shot MultiBox Detector"", 《ECCV 2016:COMPUTER VISION – ECCV 2016》 * |
乐毅 等: "《深度学习—Caffe之经典模型详解与实战》", 31 December 2016 * |
姜开永 等: "基于深度学习的人脸美丽预测模型及其应用", 《五邑大学学报(自然科学版)》 * |
杨洁 等: "基于SSD卷积网络的视频目标检测研究", 《南华大学学报(自然科学版)》 * |
郝叶林 等: "复杂场景图像中人员目标检测算法的改进", 《五邑大学学报(自然科学版)》 * |
Cited By (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583428A (zh) * | 2018-12-20 | 2019-04-05 | 天津天地伟业信息系统集成有限公司 | 一种基于视频的法庭标牌识别方法 |
CN109583428B (zh) * | 2018-12-20 | 2023-06-27 | 天津天地伟业信息系统集成有限公司 | 一种基于视频的法庭标牌识别方法 |
CN109815884A (zh) * | 2019-01-21 | 2019-05-28 | 深圳市能信安科技股份有限公司 | 基于深度学习的不安全驾驶行为检测方法及装置 |
CN109871778A (zh) * | 2019-01-23 | 2019-06-11 | 长安大学 | 基于迁移学习的车道保持控制方法 |
CN109871778B (zh) * | 2019-01-23 | 2022-11-15 | 长安大学 | 基于迁移学习的车道保持控制方法 |
CN109902577A (zh) * | 2019-01-25 | 2019-06-18 | 华中科技大学 | 一种轻量级手势检测卷积神经网络模型的构建方法及应用 |
CN109871789A (zh) * | 2019-01-30 | 2019-06-11 | 电子科技大学 | 一种基于轻量化神经网络的复杂环境下车辆检测方法 |
CN110309843B (zh) * | 2019-02-02 | 2022-12-02 | 国网浙江省电力有限公司湖州供电公司 | 一种电力设备图像中多类部件的自动识别方法 |
CN110309843A (zh) * | 2019-02-02 | 2019-10-08 | 国网浙江省电力有限公司湖州供电公司 | 一种电力设备图像中多类部件的自动识别方法 |
CN109902018A (zh) * | 2019-03-08 | 2019-06-18 | 同济大学 | 一种智能驾驶系统测试案例的获取方法 |
CN109902018B (zh) * | 2019-03-08 | 2021-12-31 | 同济大学 | 一种智能驾驶系统测试案例的获取方法 |
CN109948690A (zh) * | 2019-03-14 | 2019-06-28 | 西南交通大学 | 一种基于深度学习和结构信息的高铁场景感知方法 |
CN110097055A (zh) * | 2019-04-29 | 2019-08-06 | 上海工程技术大学 | 一种基于栅格卷积神经网络的车辆姿态检测方法及系统 |
CN110222593A (zh) * | 2019-05-18 | 2019-09-10 | 四川弘和通讯有限公司 | 一种基于小规模神经网络的车辆实时检测方法 |
CN110348290A (zh) * | 2019-05-27 | 2019-10-18 | 天津中科智能识别产业技术研究院有限公司 | 焦罐车安全预警视觉检测方法 |
CN110348357B (zh) * | 2019-07-03 | 2022-10-11 | 昆明理工大学 | 一种基于深度卷积神经网络的快速目标检测方法 |
CN110348357A (zh) * | 2019-07-03 | 2019-10-18 | 昆明理工大学 | 一种基于深度卷积神经网络的快速目标检测方法 |
CN110516529A (zh) * | 2019-07-09 | 2019-11-29 | 杭州电子科技大学 | 一种基于深度学习图像处理的投喂检测方法和系统 |
CN110556024A (zh) * | 2019-07-18 | 2019-12-10 | 华瑞新智科技(北京)有限公司 | 一种防碰撞辅助驾驶方法、系统及计算机可读存储介质 |
CN110543827A (zh) * | 2019-08-07 | 2019-12-06 | 上海师范大学 | 一种基于高斯混合模型与深度学习的多类别车辆检测方法 |
CN110543827B (zh) * | 2019-08-07 | 2023-06-02 | 上海师范大学 | 一种基于高斯混合模型与深度学习的多类别车辆检测方法 |
CN110852273A (zh) * | 2019-11-12 | 2020-02-28 | 重庆大学 | 一种基于强化学习注意力机制的行为识别方法 |
CN110852273B (zh) * | 2019-11-12 | 2023-05-16 | 重庆大学 | 一种基于强化学习注意力机制的行为识别方法 |
CN111126161A (zh) * | 2019-11-28 | 2020-05-08 | 北京联合大学 | 一种基于关键点回归的3d车辆检测方法 |
CN111310831A (zh) * | 2020-02-19 | 2020-06-19 | 中国科学院光电技术研究所 | 一种基于深度学习的小目标检测网络逐层训练方法 |
CN111428655A (zh) * | 2020-03-27 | 2020-07-17 | 厦门大学 | 一种基于深度学习的头皮检测方法 |
CN111444972A (zh) * | 2020-03-31 | 2020-07-24 | 高新兴科技集团股份有限公司 | 一种基于深度学习的分级车辆目标检测方法 |
CN111611918B (zh) * | 2020-05-20 | 2023-07-21 | 重庆大学 | 基于航拍数据和深度学习的交通流数据集采集及构建方法 |
CN111611918A (zh) * | 2020-05-20 | 2020-09-01 | 重庆大学 | 基于航拍数据和深度学习的交通流数据集采集及构建方法 |
CN113808405A (zh) * | 2020-06-11 | 2021-12-17 | 济南市公安局交通警察支队 | 一种渣土车的实时预警方法 |
CN111783891B (zh) * | 2020-07-06 | 2023-10-31 | 中国人民武装警察部队工程大学 | 一种定制化物体检测方法 |
CN111783891A (zh) * | 2020-07-06 | 2020-10-16 | 中国人民武装警察部队工程大学 | 一种定制化物体检测方法 |
CN111950709B (zh) * | 2020-08-12 | 2023-11-03 | 上海交通大学 | 面向无人机图像目标检测的SqueezeNet网络折叠构造方法及系统 |
CN111950709A (zh) * | 2020-08-12 | 2020-11-17 | 上海交通大学 | 面向无人机图像目标检测的SqueezeNet网络折叠构造方法及系统 |
CN112257809A (zh) * | 2020-11-02 | 2021-01-22 | 浙江大华技术股份有限公司 | 目标检测网络优化方法和装置、存储介质及电子设备 |
CN112464822A (zh) * | 2020-11-30 | 2021-03-09 | 深圳市捷顺科技实业股份有限公司 | 一种基于特征增强的头盔佩戴检测方法及装置 |
CN113128335A (zh) * | 2021-03-09 | 2021-07-16 | 西北大学 | 微体古生物化石图像检测、分类及发现方法、系统及应用 |
CN113221668B (zh) * | 2021-04-20 | 2023-04-07 | 西安翔迅科技有限责任公司 | 一种风力发电机组叶片视频监测中的抽帧方法 |
CN113221668A (zh) * | 2021-04-20 | 2021-08-06 | 西安翔迅科技有限责任公司 | 一种风力发电机组叶片视频监测中的抽帧方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109002807A (zh) | 一种基于ssd神经网络的驾驶场景车辆检测方法 | |
CN111126472B (zh) | 一种基于ssd改进的目标检测方法 | |
CN108875595A (zh) | 一种基于深度学习和多层特征融合的驾驶场景目标检测方法 | |
CN105825502B (zh) | 一种基于显著性指导的词典学习的弱监督图像解析方法 | |
CN110084195B (zh) | 基于卷积神经网络的遥感图像目标检测方法 | |
CN105574550B (zh) | 一种车辆识别方法及装置 | |
CN108898047B (zh) | 基于分块遮挡感知的行人检测方法及系统 | |
CN107657226B (zh) | 一种基于深度学习的人数估计方法 | |
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 | |
CN107316058A (zh) | 通过提高目标分类和定位准确度改善目标检测性能的方法 | |
CN109034210A (zh) | 基于超特征融合与多尺度金字塔网络的目标检测方法 | |
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 | |
CN106469299A (zh) | 一种车辆搜索方法及装置 | |
CN108961675A (zh) | 基于卷积神经网络的跌倒检测方法 | |
CN110232379A (zh) | 一种车辆姿态检测方法及系统 | |
CN113240691A (zh) | 一种基于u型网络的医学图像分割方法 | |
Zeng et al. | An improved object detection method based on deep convolution neural network for smoke detection | |
CN109508675A (zh) | 一种针对复杂场景的行人检测方法 | |
CN111915583B (zh) | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 | |
CN104217217A (zh) | 一种基于两层分类的车辆标志物检测方法与系统 | |
CN110047081A (zh) | 胸部x光图像的实例分割方法、装置、设备及介质 | |
CN110991444A (zh) | 面向复杂场景的车牌识别方法及装置 | |
CN110175524A (zh) | 一种基于轻量级深度卷积网络的快速精确航拍车辆检测方法 | |
CN110298227A (zh) | 一种基于深度学习的无人机航拍图像中的车辆检测方法 | |
CN106529432A (zh) | 一种深度融合显著性检测与先验知识的手部区域分割方法 |
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: 20181214 |