CN109165542A - 基于精简卷积神经网络的行人检测方法 - Google Patents

基于精简卷积神经网络的行人检测方法 Download PDF

Info

Publication number
CN109165542A
CN109165542A CN201810673838.5A CN201810673838A CN109165542A CN 109165542 A CN109165542 A CN 109165542A CN 201810673838 A CN201810673838 A CN 201810673838A CN 109165542 A CN109165542 A CN 109165542A
Authority
CN
China
Prior art keywords
convolutional neural
neural networks
image
convolution
training
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
Application number
CN201810673838.5A
Other languages
English (en)
Inventor
芮挺
邹军华
杨成松
王东
解文彬
赵启林
殷勤
邵发明
田辉
陆鸣
张釜恺
艾勇保
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Army Engineering University of PLA
Original Assignee
Army Engineering University of PLA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Army Engineering University of PLA filed Critical Army Engineering University of PLA
Priority to CN201810673838.5A priority Critical patent/CN109165542A/zh
Publication of CN109165542A publication Critical patent/CN109165542A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • 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
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于精简卷积神经网络的行人检测方法，包括如下步骤：(10)数据集收集：将数据集图像分为训练集图像与测试集图像；(20)数据集图像预处理：对数据集图像进行尺寸变换、对比度归一化和白化处理，得到低冗余数据灰度图像；(30)精简卷积神经网络模型获取：对卷积神经网络进行训练，对训练好的卷积神经网络逐层进行剪枝，利用测试集灰度图像验证卷积神经网络的性能，得到精简深度卷积网络模型；(40)行人检测：利用精简卷积神经网络模型，对使用现场图像进行行人检测。本发明的基于精简卷积神经网络的行人检测方法，在保持网络训练精度的同时，对卷积神经网络进行精简，在减少网络规模的同时，加快行人检测的速度。

Description

基于精简卷积神经网络的行人检测方法
技术领域
本发明属于图像识别技术领域，特别是一种内存占用小、运行速度快的基于深度卷积神经网络的行人检测方法。
背景技术
在计算机视觉领域，行人检测是一项非常重要的研究内容，被广泛应用在汽车自主驾驶，公共场所人流监控等场景。
传统的行人检测技术是通过人工设计特征，如HOG-特征，训练分类器来进行行人检测。面对检测对象的场景变化和数量剧增，人工设计特征的代价太大，无法满足实时性要求和鲁棒性。
2006年以来，深度学习迅速发展，在图像分类、模式识别和视频监控等领域得到广泛应用。深度卷积神经网络，作为深度学习的一种，在行人检测中取得重大突破，识别率超过传统技术。深度卷积神经网络由于其结构的特殊性，能够自动提取特征并进行识别，免去传统技术中复杂的人工特征设计，因而传统行人检测技术被逐渐替代。
目前用于行人检测的深度卷积神经网络，主要有两个方面改进：深度和宽度。通过增加网络的深度，能够提取出更加抽象的特征，进而得到更好的行人特征表示，如中国发明专利申请(申请号：201610315688.1，公开日：2016.10.12)“一种端到端的卷积神经网络的行人检测方法”采用18层的网络来构建端到端的行人检测框架，通过迁移VGG-16预训练参数，使得网络得到较好的检测效果。增加网络的宽度，能够使得每一层的特征表示更加丰富，从而使得网络具有更好的非线性表示能力。中国发明专利申请(申请号：201610954990.1，公开日：2017.4.19)“基于深度网络的多尺度行人检测方法”采用三列并联网络结构，将多尺度网络进行合并，增加网络深度的同时，充分挖掘图像中不同尺寸行人的特征。
然而，随着卷积神经网络深度和宽度的增加，网络参数成指数倍增长，网络训练的复杂度急剧增加，网络规模和复杂度都在不断变大，进而使得网络参数越来越多并越来越大，这些最终导致运算所需要的硬件资源(内存、GPU)越来越高，网络运行占用的运算资源增大，所需的运算时间增加，这不利于卷积神经网络在运算条件受限的情况下进行应用。例如对于车载系统实现行人检测时，其储存能力和运算能力有限，降低卷积神经网络的复杂性，提高卷积神经网络的运算效能，成为需要研究的重要问题。
总之，现有技术存在的问题是：基于卷积神经网络行人检测时，从卷积神经网络中提取到的特征映射可能存在着冗余部分，这些冗余部分不但不能提高网络性能，还可能降低行人检测的正确率。基于卷积神经网络的行人检测运算速度慢，并消耗大量的存储与计算资源，影响行人检测系统的整体效率，使得行人检测难以达到实时监测的现实需求。
发明内容
本发明的目的在于提供一种基于精简卷积神经网络的行人检测方法，通过基于卷积核相关性分析的卷积神经网络精简方法，在保持网络可训练性的同时，获得更好的泛化能力，从而提高行人检测的正确率。
实现本发明目的的技术解决方案为：
(10)数据集收集：将数据集图像分为训练集图像与测试集图像；
(20)数据集图像预处理：对数据集图像进行尺寸变换、对比度归一化和白化处理，得到低冗余数据灰度图像；
(30)精简卷积神经网络模型获取：利用低冗余训练集灰度图像，对卷积神经网络进行训练，然后通过计算网络中卷积核的相关性，在保持网络性能的前提下，对训练好的卷积神经网络逐层进行剪枝，最后利用测试集灰度图像验证卷积神经网络的性能，得到精简深度卷积网络模型；
(40)行人检测：利用精简卷积神经网络模型，对使用现场图像进行行人检测。
本发明与现有技术相比，其显著优点为：
1、数据将卷积神经网络作为特征提取器，与方向梯度直方图特征表示相结合，使特征获得了更丰富的行人特征表示；
2、采用相关系数分析方法对卷积核进行筛选，使特征映射保持差异性的同时精简了网络结构，提高网络运行效率。
结合这两方面的优点，训练得到的深度卷积网络模型在进行行人检测时具有更快的速度和更高的正确率。
下面结合附图和具体实施方式对本发明作进一步的详细描述。
附图说明
图1为本发明基于精简卷积神经网络的行人检测方法的主流程图。
图2为图1中数据图像预处理步骤的流程图。
图3为图1中精简卷积网络模型获取步骤的流程图。
图4为图1中卷积神经网络模型训练步骤的流程图。
图5为卷积神经网络提取的特征映射。
图6为d′组HOG特征进行组合策略流程图。
图7为d组HOG特征进行组合策略流程图，其中，d′＝d时，图3、图4策略相同。
图8为d′组HOG特征投票组合策略流程图。
图9为图6、图7、图8所示策略在CVC数据集上的比较结果。
图10为单组HOG特征分类方法在CVC数据集上的准确率。
图11为图6、图7、图8所示策略在自制数据集的比较结果。
图12为单组HOG特征分类方法在自制数据集上的准确率。
具体实施方式
如图1所示，本发明基于精简卷积神经网络的行人检测方法，其特征在于，包括如下步骤：
(10)数据集收集：将数据集图像分为训练集图像与测试集图像两个不同的集合；
(20)数据图像预处理：对训练数据集图像和测试数据集图像进行尺寸变换、对比度归一化和白化处理，得到低冗余的训练集灰度图像和低冗余的测试集灰度图像；
如图2所示，所述(20)图像预处理步骤包括：
(21)尺寸变换：将训练数据集图像和测试数据集图像变换为像素大小相同的图像；
(22)对比度归一化：将尺寸变换后的训练数据集图像和测试数据集图像进行对比度归一化；
(23)白化处理：将对比度归一化后的训练数据集图像和测试数据集图像进行白化处理，得到低冗余训练集灰度图像和低冗余测试集灰度图像。
(30)精简卷积网络模型获取：利用低冗余训练集灰度图像，对卷积神经网络进行训练，然后通过计算网络中卷积核的相关性，在保持网络性能的前提下，对训练好的卷积神经网络逐层进行剪枝，最后利用测试集灰度图像验证卷积神经网络的性能，得到精简深度卷积网络模型；
如图3所示，所述(30)卷积神经网络经建模型获取步骤包括：
(31)卷积神经网络模型训练：利用已经预处理好的训练集，对卷积神经网络进行训练，并通过测试集对卷积神经网络的训练进行监督，得到一个鲁棒、高性能的卷积神经网络模型；
如图4所示，所述(31)卷积神经网络模型训练步骤包括：
(311)数据集预处理：针对某个分类任务，其k类数据集为X，数据集X中图像的数量为n，标签为Y，其中数据集X包含数量为ntrain的训练集Xtrain和数量为ntest的测试集Xtest,标签Y包含训练集标签Ytrain和测试集标签Ytest，对训练集Xtrain和测试集Xtest进行尺寸变换和对比度归一化，得到低冗余数据集；
(312)卷积神经网络训练：构建一个具有I层卷积层的卷积神经网络，对网络参数进行初始化后，利用训练集Xtrain及其对应的训练集标签Ytrain对网络进行训练，并通过测试集Xtest及其对应的测试集标签Ytest监督训练的迭代次数以防止网络训练过拟合，最终得到一个鲁棒的卷积神经网络模型
(32)卷积核筛选：提取卷积神经网络模型中的卷积核，以同一层的卷积核为一组，利用相关性分析对每一组的所有卷积核进行筛选，对于相关性低的两个卷积核，采用保留两个卷积核的方法，对于相关性高的两个卷积核，则采用随机保留一个卷积核的方法；
所述(32)卷积核筛选步骤包括：
(321)卷积核提取：对于训练好的卷积神经网络模型存在某一层卷积层卷积层的卷积核数量为d，以此为一组卷积核，则有I组卷积核；
(322)卷积核相关性分析：同一组的卷积核由于处于卷积神经网络的同一层卷积层，所以卷积核的大小相同，可以通过相关系数对同组卷积核之间的相关性进行计算，相关系数的绝对值越大，相关性越强，如下式所示：
式中，ρ表示卷积核之间的相关性，X和Y分别表示不同的卷积核；
(323)卷积核筛选：以某一个相关性系数值为临界值μ，以此来区分强相关和弱相关，若两个卷积核之间的相关性系数值小于μ，则保留两个卷积核，若两个卷积核之间的相关性系数值大于μ，则只随机选择保留两个卷积核之中的一个。
图5展示了第一层卷积层7个卷积核所对应的7个特征映射。
(33)卷积神经网络特征映射提取：将卷积神经网络作为特征提取器，提取卷积神经网络中筛选后卷积核所对应的特征映射；
(34)卷积神经网络和方向梯度直方图结合：对卷积神经网络的特征映射进行提取和处理后，利用方向梯度直方图对特征进行处理，最后进行分类，并根据分类器准确率，确定最优的卷积核保留数量，从而在保持网络性能的前提下，得到精简卷积神经网络模型。
如图6所示，所述(34)卷积神经网络特征映射提取步骤包括：
(341)特征映射的筛选：对于训练好的网络，存在某一层卷积层其输入数据为输出特征映射为其中H、W、H′、W′分别为U、V的高度和宽度，Πj为类别，c为前一层卷积层的卷积核数量，i＝1时，c＝3，d为卷积层的卷积核数量，对卷积层的卷积核筛选后，其数量变为d＇，其中d＇＜d，输出特征映射变为
(342)方向梯度直方图特征提取：将卷积神经网络作为初步的特征提取器，对筛选后的d＇组特征映射，提取出d＇组方向梯度直方图特征；
(343)方向梯度直方图特征处理：得到的d＇组方向梯度直方图特征进行组合，然后根据训练集标签Ytrain对支持向量机进行训练，得出准确率；
(344)最优卷积核保留数量确定：根据支持向量机的准确率，对特征映射的筛选数量d＇的最优值进行多次重复实验，确定最优卷积核保留数量；
(345)对比实验：设置另外两种不同的方向梯度直方图特征处理方法，根据准确率，确定(343)中提出的方法较优。
(40)行人检测：利用精简卷积神经网络模型，对使用现场图像进行行人检测。
图7展示了所述(345)对比实验一流程，其流程与图6所述(34)卷积神经网络特征映射提取流程大致相同，区别在于把(343)d＇组方向梯度直方图特征进行组合更换为d组方向梯度直方图特征进行组合，即不对卷积核进行筛选。
图8展示了所述(345)对比实验二流程，其流程与图6所述(34)卷积神经网络特征映射提取流程大致相同，区别在于把(343)d′组方向梯度直方图特征进行组合更换为d′组方向梯度直方图特征通过投票方式进行组合。
图9展示了图6、图7、图8所示流程在CVC数据集上的比较结果，当d′＝d＝7时，图6、图7方法相同。结果表明，三种方法中图6的方法明显较好，而卷积核的数量在3个时，准确率达到了96.34％，达到了最佳性能。与此同时，结果表明网络包含冗余信息，本发明可以消除冗余而不影响网络性能甚至是提高网络性能。
图10展示了单组HOG特征分类方法在CVC数据集上的准确率，结果表明单组HOG特征的准确率比起传统的HOG+SVM方法效果更差，但从图9可以发现，本发明结合多组HOG特征，其效果要优于传统的HOG+SVM方法。
图11展示了图6、图7、图8所示策略在自制数据集上的比较结果，当d′＝d＝7时，图6、图7策略相同。结果同样表明，三种方法中图6的方法明显较好，而卷积核的数量在4个时，准确率达到了97.97％，达到了最佳性能。与此同时，结果同样表明网络包含冗余信息，本发明可以消除冗余而不影响网络性能甚至是提高网络性能。
图12展示了单组HOG特征分类方法在自制数据集上的准确率，结果表明单组HOG特征的准确率比起传统的HOG+SVM方法效果更差，但从图11可以发现，本发明结合多组HOG特征，其效果要优于传统的HOG+SVM方法。

Claims (8)

1.一种基于精简卷积神经网络的行人检测方法，其特征在于，包括如下步骤：
(10)数据集收集：将数据集图像分为训练集图像与测试集图像两个不同的集合；
(20)数据图像预处理：对训练数据集图像和测试数据集图像进行尺寸变换、对比度归一化和白化处理，得到低冗余的训练集灰度图像和低冗余的测试集灰度图像；
(30)精简卷积网络模型获取：利用低冗余训练集灰度图像，对卷积神经网络进行训练，然后通过计算网络中卷积核的相关性，在保持网络性能的前提下，对训练好的卷积神经网络逐层进行剪枝，最后利用测试集灰度图像验证卷积神经网络的性能，得到精简深度卷积网络模型；
(40)行人检测：利用精简卷积神经网络模型，对使用现场图像进行行人检测。
2.根据权利要求1所述的行人检测方法，其特征在于，所述(20)数据图像预处理步骤包括：
(21)尺寸变换：将训练数据集图像和测试数据集图像变换为像素大小相同的图像；
(22)对比度归一化：将尺寸变换后的训练数据集图像和测试数据集图像进行对比度归一化；
(23)白化处理：将对比度归一化后的训练数据集图像和测试数据集图像进行白化处理，得到低冗余训练集灰度图像和低冗余测试集灰度图像。
3.根据权利要求2所述的行人检测方法，其特征在于，所述(22)对比度归一化步骤具体为，根据下式对尺寸变换后的训练数据集图像和测试数据集图像进行对比度归一化：
式中，I表示原图像，表示归一化后的图像，μ和σ分别为图像均值和标准差，C为常数。
4.根据权利要求2所述的行人检测方法，其特征在于，所述(23)白化处理步骤具体为，根据下式对比度归一化后的训练数据集图像和测试数据集图像进行白化处理：
式中，xrot,i为训练数据集xi经过主分量分析变换后的数据，λi为分析变换后的数据对应特征值。
5.根据权利要求1所述的行人检测方法，其特征在于，所述(30)精简卷积网络模型获取步骤包括：
(31)卷积神经网络模型训练：利用已经预处理好的训练集，对卷积神经网络进行训练，并通过测试集对卷积神经网络的训练进行监督，得到一个鲁棒、高性能的卷积神经网络模型；
(32)卷积核筛选：提取卷积神经网络模型中的卷积核，以同一层的卷积核为一组，利用相关性分析对每一组的所有卷积核进行筛选，对于相关性低的两个卷积核，采用保留两个卷积核的方法，对于相关性高的两个卷积核，则采用随机保留一个卷积核的方法；
(33)卷积神经网络特征映射提取：将卷积神经网络作为特征提取器，提取卷积神经网络中筛选后卷积核所对应的特征映射；
(34)卷积神经网络和方向梯度直方图结合：对卷积神经网络的特征映射进行提取和处理后，利用方向梯度直方图对特征进行处理，最后进行分类，并根据分类器准确率，确定最优的卷积核保留数量，从而在保持网络性能的前提下，得到精简卷积神经网络模型。
6.根据权利要求5所述的行人检测方法，其特征在于，所述(31)卷积神经网络模型训练步骤包括：
(311)数据集预处理：针对某个分类任务，其k类数据集为X，数据集X中图像的数量为n，标签为Y，其中数据集X包含数量为ntrain的训练集Xtrain和数量为ntest的测试集Xtest,标签Y包含训练集标签Ytrain和测试集标签Ytest，对训练集Xtrain和测试集Xtest进行尺寸变换和对比度归一化，得到低冗余数据集；
(312)卷积神经网络训练：构建一个具有I层卷积层的卷积神经网络，对网络参数进行初始化后，利用训练集Xtrain及其对应的训练集标签Ytrain对网络进行训练，并通过测试集Xtest及其对应的测试集标签Ytest监督训练的迭代次数以防止网络训练过拟合，最终得到一个鲁棒的卷积神经网络模型
7.根据权利要求6所述的行人检测方法，其特征在于，所述(32)卷积核筛选步骤包括：
(321)卷积核提取：对于训练好的卷积神经网络模型存在某一层卷积层卷积层的卷积核数量为d，以此为一组卷积核，则有I组卷积核；
(322)卷积核相关性分析：同一组的卷积核由于处于卷积神经网络的同一层卷积层，所以卷积核的大小相同，可以通过相关系数对同组卷积核之间的相关性进行计算，相关系数的绝对值越大，相关性越强，如下式所示：
式中，ρ表示卷积核之间的相关性，X和Y分别表示不同的卷积核；
(323)卷积核筛选：以某一个相关性系数值为临界值μ，以此来区分强相关和弱相关，若两个卷积核之间的相关性系数值小于μ，则保留两个卷积核，若两个卷积核之间的相关性系数值大于μ，则只随机选择保留两个卷积核之中的一个。
8.根据权利要求7所述的行人检测方法，其特征在于，所述(34)卷积神经网络特征映射提取步骤包括：
(341)特征映射的筛选：对于训练好的网络，存在某一层卷积层其输入数据为输出特征映射为其中H、W、H′、W′分别为U、V的高度和宽度，∏j为类别，c为前一层卷积层的卷积核数量，i＝1时，c＝3，d为卷积层的卷积核数量，对卷积层的卷积核筛选后，其数量变为d′，其中d′＜d，输出特征映射变为
(342)方向梯度直方图特征提取：将卷积神经网络作为初步的特征提取器，对筛选后的d′组特征映射，提取出d′组方向梯度直方图特征；
(343)方向梯度直方图特征处理：得到的d′组方向梯度直方图特征进行组合，然后根据训练集标签Ytrain对支持向量机进行训练，得出准确率；
(344)最优卷积核保留数量确定：根据支持向量机的准确率，对特征映射的筛选数量d′的最优值进行多次重复实验，确定最优卷积核保留数量；
(345)对比实验：设置另外两种不同的方向梯度直方图特征处理方法，根据准确率，确定(343)中提出的方法较优。
CN201810673838.5A 2018-06-27 2018-06-27 基于精简卷积神经网络的行人检测方法 Pending CN109165542A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810673838.5A CN109165542A (zh) 2018-06-27 2018-06-27 基于精简卷积神经网络的行人检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810673838.5A CN109165542A (zh) 2018-06-27 2018-06-27 基于精简卷积神经网络的行人检测方法

Publications (1)

Publication Number Publication Date
CN109165542A true CN109165542A (zh) 2019-01-08

Family

ID=64897326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810673838.5A Pending CN109165542A (zh) 2018-06-27 2018-06-27 基于精简卷积神经网络的行人检测方法

Country Status (1)

Country Link
CN (1) CN109165542A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796177A (zh) * 2019-10-10 2020-02-14 温州大学 一种有效减少图像分类任务中神经网络过拟合的方法
CN111582091A (zh) * 2020-04-27 2020-08-25 西安交通大学 基于多分支卷积神经网络的行人识别方法
CN111881828A (zh) * 2020-07-28 2020-11-03 浙江大学 一种面向移动端设备的障碍物检测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106250871A (zh) * 2016-08-16 2016-12-21 桂林电子科技大学 城市管理案件分类方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106250871A (zh) * 2016-08-16 2016-12-21 桂林电子科技大学 城市管理案件分类方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
何鹏程: "改进的卷积神经网络模型及其应用研究", 《中国优秀硕士学位论文全文数据库》 *
崔鸿雁 等: "机器学习中的特征选择方法研究及展望", 《北京邮电大学学报》 *
高琦煜 等: "多卷积特征融合的HOG行人检测算法", 《计算机科学》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796177A (zh) * 2019-10-10 2020-02-14 温州大学 一种有效减少图像分类任务中神经网络过拟合的方法
CN110796177B (zh) * 2019-10-10 2021-05-21 温州大学 一种有效减少图像分类任务中神经网络过拟合的方法
CN111582091A (zh) * 2020-04-27 2020-08-25 西安交通大学 基于多分支卷积神经网络的行人识别方法
CN111582091B (zh) * 2020-04-27 2023-05-02 西安交通大学 基于多分支卷积神经网络的行人识别方法
CN111881828A (zh) * 2020-07-28 2020-11-03 浙江大学 一种面向移动端设备的障碍物检测方法
CN111881828B (zh) * 2020-07-28 2022-05-06 浙江大学 一种面向移动端设备的障碍物检测方法

Similar Documents

Publication Publication Date Title
CN106650806B (zh) 一种用于行人检测的协同式深度网络模型方法
CN109522853B (zh) 面向监控视频的人脸检测与搜索方法
CN104679818B (zh) 一种视频关键帧提取方法及系统
CN111931684A (zh) 一种基于视频卫星数据鉴别特征的弱小目标检测方法
CN107092884B (zh) 一种快速粗精级联行人检测方法
CN102938054B (zh) 基于视觉注意模型的压缩域敏感图像识别方法
CN104504362A (zh) 基于卷积神经网络的人脸检测方法
Wang et al. Improving human action recognition by non-action classification
CN109902558A (zh) 一种基于cnn-lstm的人体健康深度学习预测方法
CN106055653A (zh) 基于图像语义注释的视频浓缩对象检索方法
CN105718866A (zh) 一种视觉目标检测与识别方法
CN109165542A (zh) 基于精简卷积神经网络的行人检测方法
CN106960176A (zh) 一种基于超限学习机和颜色特征融合的行人性别识别方法
CN102254183A (zh) 一种基于AdaBoost算法的人脸检测方法
Wang et al. S 3 D: Scalable pedestrian detection via score scale surface discrimination
CN104268507A (zh) 一种基于rgb-d图像的手语字母识别方法
Hu et al. Parallel spatial-temporal convolutional neural networks for anomaly detection and location in crowded scenes
CN102184384A (zh) 一种基于多尺度局部相位量化特征的人脸识别方法
CN106599834A (zh) 信息推送方法和系统
CN109086794A (zh) 一种基于t-lda主题模型的驾驶行为模式识方法
CN114842507A (zh) 一种基于组优化奖励的强化行人属性识别方法
CN114937298A (zh) 一种基于特征解耦的微表情识别方法
Zhou et al. A novel object detection method in city aerial image based on deformable convolutional networks
CN107357834A (zh) 一种基于视觉显著性融合的图像检索方法
CN102129557A (zh) 一种基于lda子空间学习的人脸识别方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190108

WD01 Invention patent application deemed withdrawn after publication