CN109598742A - 一种基于ssd算法的目标跟踪方法及系统 - Google Patents
一种基于ssd算法的目标跟踪方法及系统 Download PDFInfo
- Publication number
- CN109598742A CN109598742A CN201811429135.4A CN201811429135A CN109598742A CN 109598742 A CN109598742 A CN 109598742A CN 201811429135 A CN201811429135 A CN 201811429135A CN 109598742 A CN109598742 A CN 109598742A
- Authority
- CN
- China
- Prior art keywords
- target
- ssd
- tracking
- shape library
- algorithm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 16
- 238000013100 final test Methods 0.000 claims description 13
- 230000001629 suppression Effects 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000003475 lamination Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于SSD算法的目标跟踪方法及系统，方法包括：S1、目标跟踪开始时，将被跟踪目标所在区域的图像块送入SSD算法模块所建立的当前在线模型中，检测出目标类型；S2、目标跟踪开始后，获得每一帧时，通过SSD算法模块检测出目标所在的位置，同时将该帧图片信息存储到跟踪实时存储图形库中；S3、根据跟踪实时存储图形库对当前在线模型进行训练，得到新的在线模型；S4、当跟踪实时存储图形库中的图像数量达到预先设定的阈值时，将新的在线模型替换当前在线模型，同时清空跟踪实时存储图形库；S5、重复步骤S2‑S4，直到跟踪过程结束为止。本发明所提供的方法及系统，充分利用SSD算法在目标外观建模方面的优良性能，获得了较为鲁棒的目标跟踪效果。
Description
技术领域
本发明涉及目标跟踪技术领域，具体涉及一种基于SSD算法的目标跟踪方法及系统。
背景技术
视觉跟踪算法在近几十年得到了比较好的研究和发展。尽管很多有效视觉跟踪策略被不断提出，但是鲁棒的视觉跟踪仍是一项巨大挑战。目标跟踪中需要解决的问题大致有以下几种：目标遮挡下的跟踪、摄像头运动时的跟踪、多目标跟踪、目标尺度变化、复杂场景下的跟踪、目标丢失等。目标检测作为目标跟踪的前提条件，其检测精度至关重要。但是，目前的方法在速度和准确率方面难以达到相应要求。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提供一种基于SSD算法的目标跟踪方法及系统，充分利用SSD算法在目标外观建模方面的优良性能，获得了较为鲁棒的目标跟踪效果，跟踪速度快、准确率高。
为实现上述目的，本发明采用的技术方案如下：
一种基于SSD算法的目标跟踪方法，包括：
S1、目标跟踪开始时，将被跟踪目标所在区域的图像块送入SSD算法模块所建立的当前在线模型中，检测出目标类型；
S2、目标跟踪开始后，获得每一帧时，通过所述SSD算法模块检测出目标所在的位置，同时将该帧图片信息存储到跟踪实时存储图形库中；
S3、通过所述SSD算法模块，根据所述跟踪实时存储图形库对所述当前在线模型进行训练，得到新的在线模型；
S4、当所述跟踪实时存储图形库中的图像数量达到预先设定的阈值时，将新的在线模型替换所述当前在线模型，用以在后续帧中进行目标检测，同时清空所述跟踪实时存储图形库；
S5、重复步骤S2-S4，直到跟踪过程结束为止。
进一步，如上所述的一种基于SSD算法的目标跟踪方法，步骤S1中，通过所述SSD算法模块进行目标检测，包括：
产生多个不同尺度、不同长宽比的目标框；
将多个不同的卷积滤波器应用于各个卷积层上，得出各个目标框的分值和位置偏移，确定一系列候选目标框；
通过非极大值抑制策略确定最终的检测结果。
进一步，如上所述的一种基于SSD算法的目标跟踪方法，所述SSD算法模块具体包括：
使用VGG16基础网络结构的前5层，利用astrous算法将fc6和fc7层转化成两个卷积层，增加3个卷积层和1个average pool层，不同层次的feature map分别用于预测default box的偏移以及不同目标类别的得分，最后通过nms得到最终的检测结果。
一种基于SSD算法的目标跟踪系统，包括：
第一检测模块，用于目标跟踪开始时，将被跟踪目标所在区域的图像块送入SSD算法模块所建立的当前在线模型中，检测出目标类型；
第二检测模块，用于目标跟踪开始后，获得每一帧时，通过所述SSD算法模块检测出目标所在的位置，同时将该帧图片信息存储到跟踪实时存储图形库中；
训练模块，用于通过所述SSD算法模块，根据所述跟踪实时存储图形库对所述当前在线模型进行训练，得到新的在线模型；
替换模块，用于当所述跟踪实时存储图形库中的图像数量达到预先设定的阈值时，将新的在线模型替换所述当前在线模型，用以在后续帧中进行目标检测，同时清空所述跟踪实时存储图形库。
进一步，如上所述的一种基于SSD算法的目标跟踪系统，所述SSD算法模块具体用于：
产生多个不同尺度、不同长宽比的目标框；
将多个不同的卷积滤波器应用于各个卷积层上，得出各个目标框的分值和位置偏移，确定一系列候选目标框；
通过非极大值抑制策略确定最终的检测结果。
进一步，如上所述的一种基于SSD算法的目标跟踪系统，所述SSD算法模块具体包括：
使用VGG16基础网络结构的前5层，利用astrous算法将fc6和fc7层转化成两个卷积层，增加3个卷积层和1个average pool层，不同层次的feature map分别用于预测default box的偏移以及不同目标类别的得分，最后通过nms得到最终的检测结果。
本发明的有益效果在于：本发明所提供的方法及系统，充分利用SSD算法在目标外观建模方面的优良性能，获得了较为鲁棒的目标跟踪效果。目标跟踪过程和在线训练过程采用并行技术实现，也即跟踪和训练同时进行。这样，能够进一步提高算法的执行效率，使得目标跟踪问题中的实时性要求能够得到满足。
附图说明
图1为本发明实施例中提供的一种基于SSD算法的目标跟踪方法的流程示意图；
图2为本发明实施例中提供的SSD和YOLO的对比网络结构图；
图3为本发明实施例中提供的SSD算法流程图；
图4为本发明实施例中提供的一种基于SSD算法的目标跟踪系统的结构示意图。
具体实施方式
下面结合说明书附图与具体实施方式对本发明做进一步的详细说明。
本文以SSD算法作为基础，提出一种基于视觉感知的目标跟踪方法。所提出的方法充分利用SSD算法在目标外观建模方面的优良性能，获得了较为鲁棒的目标跟踪效果。利用训练好的模型进行目标跟踪，在跟踪目标的同时将每帧图像加载入跟踪实时存储图形库中。跟踪的同时，并发地使用SSD算法进行新模型的训练。因为是在老模型的基础上开始训练，所以所需的样本很少，需要训练的特征点也少。当图像库中的数目达到阈值时，用新模型替换老模型并且清空图像库。这样可以达到对目标外观的实时更新。具体如下。
如图1所示，一种基于SSD算法的目标跟踪方法，包括：
S1、目标跟踪开始时，将被跟踪目标所在区域的图像块送入SSD算法模块所建立的当前在线模型中，检测出目标类型；
目标跟踪开始时，将被跟踪目标所在区域的图像块送入SSD算法所建立的各个离线模型中，检测出目标类型。SSD算法进行目标检测时，首先产生多个不同尺度、不同长宽比的目标框假设。然后，再将多个不同的卷积滤波器应用于各个卷积层上，从而得出各个目标框假设的分值和位置偏移，终确定一系列候选目标框。然后再通过非极大值抑制策略来确定终的检测结果。
通过SSD算法模块进行目标检测，包括：
产生多个不同尺度、不同长宽比的目标框；
将多个不同的卷积滤波器应用于各个卷积层上，得出各个目标框的分值和位置偏移，确定一系列候选目标框；
通过非极大值抑制策略确定最终的检测结果。
SSD算法模块具体包括：
使用VGG16基础网络结构的前5层，利用astrous算法将fc6和fc7层转化成两个卷积层，增加3个卷积层和1个average poo1层，不同层次的feature map分别用于预测default box的偏移以及不同目标类别的得分，最后通过nms得到最终的检测结果。
S2、目标跟踪开始后，获得每一帧时，通过SSD算法模块检测出目标所在的位置，同时将该帧图片信息存储到跟踪实时存储图形库中；
跟踪开始后，获得每一帧时，都使用SSD算法检测出目标所在的位置。同时将该帧图片信息存储在新的训练集中。
S3、通过SSD算法模块，根据跟踪实时存储图形库对当前在线模型进行训练，得到新的在线模型；
通过SSD算法，使用新的训练集对已有的模型进行继续训练，得到新的目标外观模型。这样一来，原有的模型得到了更新，而更新时所用的训练样本来自于在线获得的目标信息，从而使得更新后的模型中具有了专属于被跟踪目标的一些外观信息。因此，用更新后的模型进行后续帧中的目标检测时，精度能够得到进一步提高。另外，由于在线获得的图像样本数量较少，所以在线训练的计算量不大，不会对算法的速度产生明显影响。
S4、当跟踪实时存储图形库中的图像数量达到预先设定的阈值时，将新的在线模型替换当前在线模型，用以在后续帧中进行目标检测，同时清空跟踪实时存储图形库；
当新的训练集中图像数量达到预先设定的阈值时，说明对于原有模型的更新达到了一定的程度。此时用新的模型替代原有的模型，用于在后续帧中进行目标检测。同时清空新的训练集。
S5、重复步骤S2-S4，直到跟踪过程结束为止。
在具体实现中，上述的目标跟踪过程和在线训练过程采用并行技术实现，也即跟踪和训练同时进行。这样，能够进一步提高算法的执行效率，使得目标跟踪问题中的实时性要求能够得到满足。
SSD获取目标位置和类别的方式是使用回归，在预测某个目标位置时使用了这个位置周围的特征。假如某一层特征图大小是8*8，那么就使用3*3的滑窗提取每个位置的特征，然后这个特征回归得到目标的坐标信息和类别信息。
具体实现如下：
采用VGG16的基础网络结构，使用前面的前5层，然后利用astrous算法将fc6和fc7层转化成两个卷积层。再格外增加了3个卷积层，和一个average poo1层。不同层次的feature map分别用于default box的偏移以及不同类别得分的预测，最后通过nms(非极大值抑制策略)得到最终的检测结果。图2给出的是SSD和YOLO的对比网络结构。图3给出的是SSD算法流程图。
在ImageNet分类和定位问题上的已经训练好的VGG16模型中fine-tuning得到，使用SGD，初始学习率为10-3，冲量为0.9，权重衰减为0.0005，batchsize为32。不同数据集的学习率改变策略不同。新增加的卷积网络采用xavier的方式进行初始化。
目标函数：
训练的目标函数，和常见的Object Detection的方法目标函数相同，分为两部分：计算相应的default box与目标类别的score(置信度)，以及相应的回归结果(位置回归)。置信度是采用Softmax Loss，位置回归则是采用Smooth L1 loss。
Default Box的生成：
利用不同层的feature map来模仿学习不同尺度下物体的检测。假定使用m个不同层的feature map来做预测，最底层的feature map的scale值为smin＝0.2，最高层的为smax＝0.95，其他层通过下面公式计算得到，
使用不同的ratio值{1,2，1/2,3,1/3}计算default box的宽度和高度。另外对于ratio＝1的情况，额外再指定scale，也就是总共有6种不同的default box。
用于预测的feature map上的每个点都对应有6个不同的default box，绝大部分的default box都是负样本。在训练过程中，采用了Hard Negative Mining的策略来平衡正负样本的比率。策略很直观，根据default boxes的置信度排序，选取置信度较高的boxes，最后将正负样本的比率设置成1:3。
SSD算法结合了另外两个算法的优点，形成互补，既有候选区域搜索框的机制，也有回归的思想。所以它即拥有YOLO算法速度快的特点，而且拥有Faster R-CNN的准确率，将两个算法的优势结合在了一起。据相关资料显示，在VOC2007上mAP可以达到72.1％，而且SSD算法每秒能完成检测58张图片中的目标检测。我们可以说，YOLO算法给出了一个基于回归的算法，而SSD则让这个算法得到了很好的应用，让它在目标检测中发挥了价值。
如图4所示，一种基于SSD算法的目标跟踪系统，包括：
第一检测模块1，用于目标跟踪开始时，将被跟踪目标所在区域的图像块送入SSD算法模块所建立的当前在线模型中，检测出目标类型；
第二检测模块2，用于目标跟踪开始后，获得每一帧时，通过SSD算法模块检测出目标所在的位置，同时将该帧图片信息存储到跟踪实时存储图形库中；
训练模块3，用于通过SSD算法模块，根据跟踪实时存储图形库对当前在线模型进行训练，得到新的在线模型；
替换模块4，用于当跟踪实时存储图形库中的图像数量达到预先设定的阈值时，将新的在线模型替换当前在线模型，用以在后续帧中进行目标检测，同时清空跟踪实时存储图形库。
SSD算法模块具体用于：
产生多个不同尺度、不同长宽比的目标框；
将多个不同的卷积滤波器应用于各个卷积层上，得出各个目标框的分值和位置偏移，确定一系列候选目标框；
通过非极大值抑制策略确定最终的检测结果。
SSD算法模块具体包括：
使用VGG16基础网络结构的前5层，利用astrous算法将fc6和fc7层转化成两个卷积层，增加3个卷积层和1个average poo1层，不同层次的feature map分别用于预测default box的偏移以及不同目标类别的得分，最后通过nms得到最终的检测结果。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其同等技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种基于SSD算法的目标跟踪方法，其特征在于，包括：
S1、目标跟踪开始时，将被跟踪目标所在区域的图像块送入SSD算法模块所建立的当前在线模型中，检测出目标类型；
S2、目标跟踪开始后，获得每一帧时，通过所述SSD算法模块检测出目标所在的位置，同时将该帧图片信息存储到跟踪实时存储图形库中；
S3、通过所述SSD算法模块，根据所述跟踪实时存储图形库对所述当前在线模型进行训练，得到新的在线模型；
S4、当所述跟踪实时存储图形库中的图像数量达到预先设定的阈值时，将新的在线模型替换所述当前在线模型，用以在后续帧中进行目标检测，同时清空所述跟踪实时存储图形库；
S5、重复步骤S2-S4，直到跟踪过程结束为止。
2.根据权利要求1所述的一种基于SSD算法的目标跟踪方法，其特征在于，步骤S1中，通过所述SSD算法模块进行目标检测，包括：
产生多个不同尺度、不同长宽比的目标框；
将多个不同的卷积滤波器应用于各个卷积层上，得出各个目标框的分值和位置偏移，确定一系列候选目标框；
通过非极大值抑制策略确定最终的检测结果。
3.根据权利要求2所述的一种基于SSD算法的目标跟踪方法，其特征在于，所述SSD算法模块具体包括：
使用VGG16基础网络结构的前5层，利用astrous算法将fc6和fc7层转化成两个卷积层，增加3个卷积层和1个average pool层，不同层次的feature map分别用于预测default box的偏移以及不同目标类别的得分，最后通过nms得到最终的检测结果。
4.一种基于SSD算法的目标跟踪系统，其特征在于，包括：
第一检测模块，用于目标跟踪开始时，将被跟踪目标所在区域的图像块送入SSD算法模块所建立的当前在线模型中，检测出目标类型；
第二检测模块，用于目标跟踪开始后，获得每一帧时，通过所述SSD算法模块检测出目标所在的位置，同时将该帧图片信息存储到跟踪实时存储图形库中；
训练模块，用于通过所述SSD算法模块，根据所述跟踪实时存储图形库对所述当前在线模型进行训练，得到新的在线模型；
替换模块，用于当所述跟踪实时存储图形库中的图像数量达到预先设定的阈值时，将新的在线模型替换所述当前在线模型，用以在后续帧中进行目标检测，同时清空所述跟踪实时存储图形库。
5.根据权利要求4所述的一种基于SSD算法的目标跟踪系统，其特征在于，所述SSD算法模块具体用于：
产生多个不同尺度、不同长宽比的目标框；
将多个不同的卷积滤波器应用于各个卷积层上，得出各个目标框的分值和位置偏移，确定一系列候选目标框；
通过非极大值抑制策略确定最终的检测结果。
6.根据权利要求5所述的一种基于SSD算法的目标跟踪系统，其特征在于，所述SSD算法模块具体包括：
使用VGG16基础网络结构的前5层，利用astrous算法将fc6和fc7层转化成两个卷积层，增加3个卷积层和1个average pool层，不同层次的feature map分别用于预测default box的偏移以及不同目标类别的得分，最后通过nms得到最终的检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811429135.4A CN109598742A (zh) | 2018-11-27 | 2018-11-27 | 一种基于ssd算法的目标跟踪方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811429135.4A CN109598742A (zh) | 2018-11-27 | 2018-11-27 | 一种基于ssd算法的目标跟踪方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109598742A true CN109598742A (zh) | 2019-04-09 |
Family
ID=65958912
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811429135.4A Pending CN109598742A (zh) | 2018-11-27 | 2018-11-27 | 一种基于ssd算法的目标跟踪方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109598742A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110084831A (zh) * | 2019-04-23 | 2019-08-02 | 江南大学 | 基于YOLOv3多伯努利视频多目标检测跟踪方法 |
| CN110687922A (zh) * | 2019-11-08 | 2020-01-14 | 湖北经济学院 | 一种无人机的视觉跟踪方法及具有视觉跟踪功能的无人机 |
| CN110826577A (zh) * | 2019-11-06 | 2020-02-21 | 国网新疆电力有限公司电力科学研究院 | 一种基于目标跟踪的高压隔离开关状态跟踪识别方法 |
| CN110955259A (zh) * | 2019-11-28 | 2020-04-03 | 上海歌尔泰克机器人有限公司 | 无人机及其跟踪方法和计算机可读存储介质 |
| CN113449549A (zh) * | 2020-03-25 | 2021-09-28 | 中移(成都)信息通信科技有限公司 | 提示信息生成方法、装置、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292918A (zh) * | 2016-10-31 | 2017-10-24 | 清华大学深圳研究生院 | 基于视频在线学习的跟踪方法和装置 |
| CN107452023A (zh) * | 2017-07-21 | 2017-12-08 | 上海交通大学 | 一种基于卷积神经网络在线学习的单目标跟踪方法和系统 |
| CN108229442A (zh) * | 2018-02-07 | 2018-06-29 | 西南科技大学 | 基于ms-kcf的图像序列中人脸快速稳定检测方法 |
-
2018
- 2018-11-27 CN CN201811429135.4A patent/CN109598742A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292918A (zh) * | 2016-10-31 | 2017-10-24 | 清华大学深圳研究生院 | 基于视频在线学习的跟踪方法和装置 |
| CN107452023A (zh) * | 2017-07-21 | 2017-12-08 | 上海交通大学 | 一种基于卷积神经网络在线学习的单目标跟踪方法和系统 |
| CN108229442A (zh) * | 2018-02-07 | 2018-06-29 | 西南科技大学 | 基于ms-kcf的图像序列中人脸快速稳定检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| ISHAN MISRA 等: "Watch and Learn: Semi-Supervised Learning of Object Detectors from Videos", 《2015 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
| WEI LIU 等: "SSD: Single Shot MultiBox Detector", 《ARXIV:1512.02325V5 [CS.CV]》 * |
| YEQING LI 等: "Instrument Tracking via Online Learning in Retinal Microsurgery", 《MICCAI 2014》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110084831A (zh) * | 2019-04-23 | 2019-08-02 | 江南大学 | 基于YOLOv3多伯努利视频多目标检测跟踪方法 |
| CN110084831B (zh) * | 2019-04-23 | 2021-08-24 | 江南大学 | 基于YOLOv3多伯努利视频多目标检测跟踪方法 |
| CN110826577A (zh) * | 2019-11-06 | 2020-02-21 | 国网新疆电力有限公司电力科学研究院 | 一种基于目标跟踪的高压隔离开关状态跟踪识别方法 |
| CN110687922A (zh) * | 2019-11-08 | 2020-01-14 | 湖北经济学院 | 一种无人机的视觉跟踪方法及具有视觉跟踪功能的无人机 |
| CN110955259A (zh) * | 2019-11-28 | 2020-04-03 | 上海歌尔泰克机器人有限公司 | 无人机及其跟踪方法和计算机可读存储介质 |
| CN110955259B (zh) * | 2019-11-28 | 2023-08-29 | 上海歌尔泰克机器人有限公司 | 无人机及其跟踪方法和计算机可读存储介质 |
| CN113449549A (zh) * | 2020-03-25 | 2021-09-28 | 中移(成都)信息通信科技有限公司 | 提示信息生成方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109598742A (zh) | 一种基于ssd算法的目标跟踪方法及系统 | |
| KR102001798B1 (ko) | 비디오 이해를 위한 모션-기반 어텐션에 의한 순환 네트워크들 | |
| CN110473231B (zh) | 一种具有预判式学习更新策略的孪生全卷积网络的目标跟踪方法 | |
| CN109671102A (zh) | 一种基于深度特征融合卷积神经网络的综合式目标跟踪方法 | |
| CN110046572A (zh) | 一种基于深度学习的地标建筑物识别与检测方法 | |
| CN108470354A (zh) | 视频目标跟踪方法、装置和实现装置 | |
| CN109190635A (zh) | 基于分类cnn的目标追踪方法、装置及电子设备 | |
| CN107229904A (zh) | 一种基于深度学习的目标检测与识别方法 | |
| CN109886998A (zh) | 多目标跟踪方法、装置、计算机装置及计算机存储介质 | |
| CN110427807A (zh) | 一种时序事件动作检测方法 | |
| CN110047095A (zh) | 基于目标检测的跟踪方法、装置及终端设备 | |
| CN104156984B (zh) | 一种不均匀杂波环境下多目标跟踪的概率假设密度方法 | |
| CN109241982A (zh) | 基于深浅层卷积神经网络的目标检测方法 | |
| CN108764298B (zh) | 基于单分类器的电力图像环境影响识别方法 | |
| CN109492596B (zh) | 一种基于K-means聚类和区域推荐网络的行人检测方法及系统 | |
| CN113486764B (zh) | 一种基于改进的YOLOv3的坑洼检测方法 | |
| CN109558902A (zh) | 一种快速目标检测方法 | |
| CN109214245A (zh) | 一种目标跟踪方法、装置、设备及计算机可读存储介质 | |
| CN108537824A (zh) | 基于交替反卷积与卷积的特征图增强的网络结构优化方法 | |
| CN104408760A (zh) | 一种基于双目视觉的高精度虚拟装配系统算法 | |
| CN105701482A (zh) | 基于非平衡标签信息融合的人脸识别算法架构 | |
| CN113628244B (zh) | 基于无标注视频训练的目标跟踪方法、系统、终端及介质 | |
| CN110110689A (zh) | 一种行人重识别方法 | |
| CN110008953A (zh) | 基于卷积神经网络多层特征融合的潜在目标区域生成方法 | |
| CN110334656A (zh) | 基于信源概率加权的多源遥感图像水体提取方法及装置 |
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 |
Application publication date: 20190409 |
|
| RJ01 | Rejection of invention patent application after publication |