CN109146843A - 基于深度神经网络的目标检测方法及装置 - Google Patents
基于深度神经网络的目标检测方法及装置 Download PDFInfo
- Publication number
- CN109146843A CN109146843A CN201810759173.XA CN201810759173A CN109146843A CN 109146843 A CN109146843 A CN 109146843A CN 201810759173 A CN201810759173 A CN 201810759173A CN 109146843 A CN109146843 A CN 109146843A
- Authority
- CN
- China
- Prior art keywords
- neural network
- deep neural
- layer
- regressive
- recurrent networks
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于深度神经网络的目标检测方法及装置,所述方法包括:获取待检测图像;将所述待检测图像输入至训练好的深度神经网络模型,输出所述待检测图像中的目标物体的边界框,其中,所述深度神经网络模型包含一个多层级联的回归网络。本发明提供的基于深度神经网络的目标检测方法及装置,通过对现有的SSD网络改进,在网络结构中设置一个多层级联的回归网络,提高了目标检测的检测速度,并提高了目标检测的检测精度。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于深度神经网络的目标检测方法及装置。
背景技术
目标检测,也叫目标提取,是一种基于目标几何和统计特征的图像分割,它将目标的分割和识别合二为一,其准确性和实时性是整个系统的一项重要能力。尤其是在复杂场景中,需要对多个目标进行实时处理时,目标自动提取和识别就显得特别重要。
现有技术中,基于深度学习的目标检测方法包括基于Region Proposal的深度学习目标检测算法的两步检测法,以及以Single Shot MultiBox Detector(SSD)为主的单步检测法。其中两步检测法的第一步为选取候选边界框的过程,也就是在图片中选取可能包含物体的边界框。第二步为对所选择的候选边界框进行分类和边界框位置的调整。这种方法精度比较高,但是速度比较慢,使用GPU也只能达到每秒几张的速度。基于SSD的单步检测方法则是直接设置一些默认的候选边界框然后直接对这些边界框进行分类和边界框位置调整。这种方法精度比两步检测法稍低一点,但是速度非常快,使用GPU每秒可以处理几十张,显然对于快速目标检测这种方法比较合适,但是这类方法对于目标位置的精确性常常不能达到要求。
发明内容
本发明的目的是提供一种基于深度神经网络的目标检测方法及装置,解决了现有技术中目标检测方法检测速度慢、以及检测精度低的技术问题。
为了解决上述技术问题,一方面,本发明提供一种基于深度神经网络的目标检测方法,包括:
获取待检测图像;
将所述待检测图像输入至训练好的深度神经网络模型,输出所述待检测图像中的目标物体的边界框,其中,所述深度神经网络模型包含一个多层级联的回归网络。
另一方面,本发明提供一种基于深度神经网络的目标检测装置,包括:
获取模块,用于获取待检测图像;
检测模块,用于将所述待检测图像输入至训练好的深度神经网络模型,输出所述待检测图像中的目标物体的边界框,其中,所述深度神经网络模型包含一个多层级联的回归网络。
再一方面,本发明提供一种用于基于深度神经网络的目标检测的电子设备,包括:
存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述的方法。
又一方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法。
本发明提供的基于深度神经网络的目标检测方法及装置,通过对现有的SSD网络改进,在网络结构中设置一个多层级联的回归网络,提高了目标检测的检测速度,并提高了目标检测的检测精度。
附图说明
图1为依照本发明实施例的基于深度神经网络的目标检测方法示意图;
图2为依照本发明实施例的深度神经网络模型的结构示意图;
图3为依照本发明实施例的多层级联的回归网络的结构示意图;
图4为依照本发明实施例的基于深度神经网络的目标检测装置示意图;
图5为本发明实施例提供的用于基于深度神经网络的目标检测的电子设备的结构示意图。
具体实施方式
为了使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为依照本发明实施例的基于深度神经网络的目标检测方法示意图,如图1所示,本发明实施例提供一种基于深度神经网络的目标检测方法,该方法包括:
步骤S101、获取待检测图像;
步骤S102、将所述待检测图像输入至训练好的深度神经网络模型,输出所述待检测图像中的目标物体的边界框,其中,所述深度神经网络模型包含一个多层级联的回归网络。
具体的,首先,需要获取待检测图像,待检测图像通常由照相机或者摄像机采集,待检测图像中包含目标物体,目标物体包括行人,轿车,自行车,摩托车,卡车,公交车、动物等生活中常见的静止的或者运动的物体。
优选的,为了获取更高的检测精度,还可以对获取到的待检测图像进行预处理,预处理步骤包括一些基本的减均值操作等。
然后,将待检测图像输入至训练好的深度神经网络模型,输出待检测图像中的目标物体的边界框,其中,深度神经网络模型包含一个多层级联的回归网络。
图2为依照本发明实施例的深度神经网络模型的结构示意图,如图2所示,该训练好的深度神经网络模型包括输入端,多层级联的回归网络和输出端。待检测图像从输入端输入深度神经网络模型,经过深度神经网络模型的池化层进行降维处理后,获得多个不同尺度的特征图,多层级联的回归网络对输入的每一特征图进行多次分类和回归,输出端输出待检测图像中的目标物体的边界框,完成对目标的检测,提高了检测精度。回归就是指对目标物体边界框大小和位置的预测。
本发明实施例提供的基于深度神经网络的目标检测方法,通过对现有的SSD网络改进,在网络结构中设置一个多层级联的回归网络,提高了目标检测的检测速度,并提高了目标检测的检测精度。
在上述实施例的基础上,进一步地,所述回归网络包含多层回归结构,上一层回归结构的输出为下一层回归结构的输入。
具体的,图3为依照本发明实施例的多层级联的回归网络的结构示意图,如图3所示,回归网络包含多层回归结构,上一层回归结构的输出为下一层回归结构的输入,每一层回归结构均对特征图进行一次分类和回归。
图3中,多层级联的回归网络包含第一层回归结构、第二层回归结构和第三层回归结构,第一层回归结构的输出为第二层回归结构的输入,第二层回归结构的输出为第三层回归结构的输入,第一层回归结构、第二层回归结构和第三层回归结构各分别对特征图进行了一次分类和回归。
需要说明的是,图3示例性地给出了一个包含三层回归结构的多层级联的回归网络,而在实际应用中不限于此,回归网络中回归结构的层数可以视情况而定。
本发明实施例提供的基于深度神经网络的目标检测方法,通过对现有的SSD网络改进,在网络结构中设置一个多层级联的回归网络,提高了目标检测的检测速度,并提高了目标检测的检测精度。
在以上各实施例的基础上,进一步地,所述回归网络包含多层回归结构,上一层回归结构的输出为下一层回归结构的输入;
所述回归网络中上一层回归结构的IOU值小于下一层回归结构的IOU值。
具体的,在构建深度神经网络模型时,回归网络中上一层回归结构的IOU值小于下一层回归结构的IOU值。例如,上一层回归结构的IOU值为0.7,下一层回归结构的IOU值可以设置成0.9。IOU(Intersection over Union)用于测量真实和预测之间的相关度,相关度越高,该值越高。IOU值表示目标物体的真实边界框与预测边界框,两个边界框的交集与并集的比值,交集指两者的重叠区域的面积,并集指两者重叠后所占区域面积。
通过设置上一层回归结构的IOU值小于下一层回归结构的IOU值,使经过多层级联的回归网络对输入的每一特征图进行多次分类和回归,且每次进行分类和回归输出的结果的精确度,逐层递增,最终输出精确的检测结果。
本发明实施例提供的基于深度神经网络的目标检测方法,通过对现有的SSD网络改进,在网络结构中设置一个多层级联的回归网络,提高了目标检测的检测速度,并提高了目标检测的检测精度。
在以上各实施例的基础上,进一步地,所述回归网络包含多层回归结构,上一层回归结构的输出为下一层回归结构的输入;
所述回归网络中上一层回归结构的IOU值小于下一层回归结构的IOU值;
所述回归网络中每一层回归结构的IOU值是可手动设置的。
具体的,在构建深度神经网络模型时,回归网络中每一层回归结构的IOU值都可以手动设置,IOU的具体值根据应用场景视情况而定。
本发明实施例提供的基于深度神经网络的目标检测方法,通过对现有的SSD网络改进,在网络结构中设置一个多层级联的回归网络,提高了目标检测的检测速度,并提高了目标检测的检测精度。
在以上各实施例的基础上,进一步地,所述回归网络包含三层回归结构,上一层回归结构的输出为下一层回归结构的输入;
所述回归网络中上一层回归结构的IOU值小于下一层回归结构的IOU值;
所述回归网络中每一层回归结构的IOU值是可手动设置的。
具体的,经过多次试验可知,在构建深度神经网络模型时,回归网络中包含三层回归结构,是较为合适的深度神经网络模型,利用此种深度神经网络模型对图像中的目标物体进行检测,即保证了较高的检测速度,又保证了较高的检测精度。
本发明实施例提供的基于深度神经网络的目标检测方法,通过对现有的SSD网络改进,在网络结构中设置一个多层级联的回归网络,提高了目标检测的检测速度,并提高了目标检测的检测精度。
在以上各实施例的基础上,进一步地,所述回归网络包含三层回归结构,上一层回归结构的输出为下一层回归结构的输入;
所述回归网络中上一层回归结构的IOU值小于下一层回归结构的IOU值,所述三层回归结构由上到下的IOU值依次为0.5、0.6和0.7。
具体的,经过多次试验可知,在构建深度神经网络模型时,回归网络中包含三层回归结构,且三层回归结构由上到下的IOU值依次为0.5、0.6和0.7,是较为合适的深度神经网络模型,利用此种深度神经网络模型对图像中的目标物体进行检测,即保证了较高的检测速度,又保证了较高的检测精度。
本发明实施例提供的基于深度神经网络的目标检测方法,通过对现有的SSD网络改进,在网络结构中设置一个多层级联的回归网络,提高了目标检测的检测速度,并提高了目标检测的检测精度。
在以上各实施例的基础上,进一步地,获取所述训练好的深度神经网络模型的具体步骤如下:
获取训练数据集;
将所述训练数据集输入至所述深度神经网络模型,输出所述深度神经网络模型的预设参数值;
将所述预设参数值带入所述深度神经网络模型,获取所述训练好的深度神经网络模型。
具体的,在利用训练好的深度神经网络模型对图像中的目标进行检测之前,需要对构建好的深度神经网络模型进行训练,对深度神经网络模型进行训练的具体步骤如下:
首先,获取训练数据集,训练数据集可以选择现有的第三方训练数据集,例如,PASCAL VOC数据集,或者COCO数据集等。若选择的数据集的格式不一致,需要进行预处理操作,将数据格式统一转化成相同的格式。
然后,将训练数据集输入至构建好的深度神经网络模型,输出深度神经网络模型的预设参数值。
最后,将获取到的预设参数值带入构建好的深度神经网络模型,完成深度神经网络模型的训练,获取训练好的深度神经网络模型。
本发明实施例提供的基于深度神经网络的目标检测方法,通过对现有的SSD网络改进,在网络结构中设置一个多层级联的回归网络,提高了目标检测的检测速度,并提高了目标检测的检测精度。
图4为依照本发明实施例的基于深度神经网络的目标检测装置示意图,如图4所示,本发明实施例提供一种基于深度神经网络的目标检测装置,用于完成上述实施例中所述的方法,具体包括获取模块401和检测模块402,其中,
获取模块401用于获取待检测图像;
检测模块402用于将所述待检测图像输入至训练好的深度神经网络模型,输出所述待检测图像中的目标物体的边界框,其中,所述深度神经网络模型包含一个多层级联的回归网络。
本发明实施例提供一种基于深度神经网络的目标检测装置,用于完成上述实施例中所述的方法,通过本实施例提供的装置完成上述实施例中所述的方法的具体步骤与上述实施例相同,此处不再赘述。
本发明实施例提供的基于深度神经网络的目标检测装置,通过对现有的SSD网络改进,在网络结构中设置一个多层级联的回归网络,提高了目标检测的检测速度,并提高了目标检测的检测精度。
图5为本发明实施例提供的用于基于深度神经网络的目标检测的电子设备的结构示意图,如图5所示,所述设备包括:处理器501、存储器502和总线503;
其中,处理器501和存储器502通过所述总线503完成相互间的通信;
处理器501用于调用存储器502中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:
获取待检测图像;
将所述待检测图像输入至训练好的深度神经网络模型,输出所述待检测图像中的目标物体的边界框,其中,所述深度神经网络模型包含一个多层级联的回归网络。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:
获取待检测图像;
将所述待检测图像输入至训练好的深度神经网络模型,输出所述待检测图像中的目标物体的边界框,其中,所述深度神经网络模型包含一个多层级联的回归网络。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:
获取待检测图像;
将所述待检测图像输入至训练好的深度神经网络模型,输出所述待检测图像中的目标物体的边界框,其中,所述深度神经网络模型包含一个多层级联的回归网络。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置及设备等实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然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;而这些修改或者替换,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 (10)
1.一种基于深度神经网络的目标检测方法,其特征在于,包括:
获取待检测图像;
将所述待检测图像输入至训练好的深度神经网络模型,输出所述待检测图像中的目标物体的边界框,其中,所述深度神经网络模型包含一个多层级联的回归网络。
2.根据权利要求1所述的方法,其特征在于,所述回归网络包含多层回归结构,上一层回归结构的输出为下一层回归结构的输入。
3.根据权利要求1所述的方法,其特征在于,所述回归网络包含多层回归结构,上一层回归结构的输出为下一层回归结构的输入;
所述回归网络中上一层回归结构的IOU值小于下一层回归结构的IOU值。
4.根据权利要求1所述的方法,其特征在于,所述回归网络包含多层回归结构,上一层回归结构的输出为下一层回归结构的输入;
所述回归网络中上一层回归结构的IOU值小于下一层回归结构的IOU值;
所述回归网络中每一层回归结构的IOU值是可手动设置的。
5.根据权利要求1所述的方法,其特征在于,所述回归网络包含三层回归结构,上一层回归结构的输出为下一层回归结构的输入;
所述回归网络中上一层回归结构的IOU值小于下一层回归结构的IOU值;
所述回归网络中每一层回归结构的IOU值是可手动设置的。
6.根据权利要求1所述的方法,其特征在于,所述回归网络包含三层回归结构,上一层回归结构的输出为下一层回归结构的输入;
所述回归网络中上一层回归结构的IOU值小于下一层回归结构的IOU值,所述三层回归结构由上到下的IOU值依次为0.5、0.6和0.7。
7.根据权利要求1-6任一项所述的方法,其特征在于,获取所述训练好的深度神经网络模型的具体步骤如下:
获取训练数据集;
将所述训练数据集输入至所述深度神经网络模型,输出所述深度神经网络模型的预设参数值;
将所述预设参数值带入所述深度神经网络模型,获取所述训练好的深度神经网络模型。
8.一种基于深度神经网络的目标检测装置,其特征在于,包括:
获取模块,用于获取待检测图像;
检测模块,用于将所述待检测图像输入至训练好的深度神经网络模型,输出所述待检测图像中的目标物体的边界框,其中,所述深度神经网络模型包含一个多层级联的回归网络。
9.一种用于基于深度神经网络的目标检测的电子设备,其特征在于,包括:
存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810759173.XA CN109146843A (zh) | 2018-07-11 | 2018-07-11 | 基于深度神经网络的目标检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810759173.XA CN109146843A (zh) | 2018-07-11 | 2018-07-11 | 基于深度神经网络的目标检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109146843A true CN109146843A (zh) | 2019-01-04 |
Family
ID=64800192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810759173.XA Pending CN109146843A (zh) | 2018-07-11 | 2018-07-11 | 基于深度神经网络的目标检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109146843A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287950A (zh) * | 2019-06-05 | 2019-09-27 | 北京字节跳动网络技术有限公司 | 目标检测及目标检测模型的训练方法、装置和电子设备 |
CN111259764A (zh) * | 2020-01-10 | 2020-06-09 | 中国科学技术大学 | 文本检测方法、装置、电子设备及存储装置 |
CN111461145A (zh) * | 2020-03-31 | 2020-07-28 | 中国科学院计算技术研究所 | 一种基于卷积神经网络进行目标检测的方法 |
CN112348121A (zh) * | 2020-12-01 | 2021-02-09 | 吉林大学 | 一种目标检测方法、设备及计算机存储介质 |
CN112418271A (zh) * | 2020-10-28 | 2021-02-26 | 北京迈格威科技有限公司 | 一种目标检测方法、装置、系统及存储介质 |
CN112683923A (zh) * | 2019-10-17 | 2021-04-20 | 神讯电脑(昆山)有限公司 | 基于人工神经网络的物件表面型态的筛选方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107748858A (zh) * | 2017-06-15 | 2018-03-02 | 华南理工大学 | 一种基于级联卷积神经网络的多姿态眼睛定位方法 |
CN108399649A (zh) * | 2018-03-05 | 2018-08-14 | 中科视拓(北京)科技有限公司 | 一种基于级联回归网络的单张图片三维人脸重建方法 |
-
2018
- 2018-07-11 CN CN201810759173.XA patent/CN109146843A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107748858A (zh) * | 2017-06-15 | 2018-03-02 | 华南理工大学 | 一种基于级联卷积神经网络的多姿态眼睛定位方法 |
CN108399649A (zh) * | 2018-03-05 | 2018-08-14 | 中科视拓(北京)科技有限公司 | 一种基于级联回归网络的单张图片三维人脸重建方法 |
Non-Patent Citations (1)
Title |
---|
ZHAOWEI CAI等: "Cascade R-CNN: Delving into High Quality Object Detection", 《ARXIV》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287950A (zh) * | 2019-06-05 | 2019-09-27 | 北京字节跳动网络技术有限公司 | 目标检测及目标检测模型的训练方法、装置和电子设备 |
CN112683923A (zh) * | 2019-10-17 | 2021-04-20 | 神讯电脑(昆山)有限公司 | 基于人工神经网络的物件表面型态的筛选方法 |
CN111259764A (zh) * | 2020-01-10 | 2020-06-09 | 中国科学技术大学 | 文本检测方法、装置、电子设备及存储装置 |
CN111461145A (zh) * | 2020-03-31 | 2020-07-28 | 中国科学院计算技术研究所 | 一种基于卷积神经网络进行目标检测的方法 |
CN112418271A (zh) * | 2020-10-28 | 2021-02-26 | 北京迈格威科技有限公司 | 一种目标检测方法、装置、系统及存储介质 |
CN112348121A (zh) * | 2020-12-01 | 2021-02-09 | 吉林大学 | 一种目标检测方法、设备及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109146843A (zh) | 基于深度神经网络的目标检测方法及装置 | |
CN109685152B (zh) | 一种基于dc-spp-yolo的图像目标检测方法 | |
CN109447169B (zh) | 图像处理方法及其模型的训练方法、装置和电子系统 | |
CN110059558B (zh) | 一种基于改进ssd网络的果园障碍物实时检测方法 | |
CN111161349B (zh) | 物体姿态估计方法、装置与设备 | |
CN107392218B (zh) | 一种基于图像的车辆定损方法、装置及电子设备 | |
CN107220618B (zh) | 人脸检测方法及装置、计算机可读存储介质、设备 | |
EP3289529B1 (en) | Reducing image resolution in deep convolutional networks | |
JP7080266B2 (ja) | 輸送におけるaiベースの検査 | |
CN112052787A (zh) | 基于人工智能的目标检测方法、装置及电子设备 | |
CN107403424A (zh) | 一种基于图像的车辆定损方法、装置及电子设备 | |
CN109670503A (zh) | 标识检测方法、装置和电子系统 | |
CN110991444B (zh) | 面向复杂场景的车牌识别方法及装置 | |
CN111931643A (zh) | 一种目标检测方法、装置、电子设备及存储介质 | |
Jeeva et al. | Survey on background modeling and foreground detection for real time video surveillance | |
JP7411758B2 (ja) | 残基固有の分子構造特徴を用いた分子変異体の分子特性の予測 | |
CN109978870A (zh) | 用于输出信息的方法和装置 | |
CN109657077A (zh) | 模型训练方法、车道线生成方法、设备及存储介质 | |
CN108229300A (zh) | 视频分类方法、装置、计算机可读存储介质和电子设备 | |
CN109308516A (zh) | 一种图像处理的方法及设备 | |
CN114331985A (zh) | 电子元器件划痕缺陷检测方法、装置和计算机设备 | |
CN109165654B (zh) | 一种目标定位模型的训练方法和目标定位方法及装置 | |
CN111767947A (zh) | 目标检测模型、应用方法及相关装置 | |
CN112036381A (zh) | 视觉跟踪方法、视频监控方法及终端设备 | |
CN109685805A (zh) | 一种图像分割方法及装置 |
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: 20190104 |