CN109614985B - 一种基于密集连接特征金字塔网络的目标检测方法 - Google Patents

一种基于密集连接特征金字塔网络的目标检测方法 Download PDF

Info

Publication number
CN109614985B
CN109614985B CN201811310528.3A CN201811310528A CN109614985B CN 109614985 B CN109614985 B CN 109614985B CN 201811310528 A CN201811310528 A CN 201811310528A CN 109614985 B CN109614985 B CN 109614985B
Authority
CN
China
Prior art keywords
training
subnetwork
rpn
network
feature
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.)
Active
Application number
CN201811310528.3A
Other languages
English (en)
Other versions
CN109614985A (zh
Inventor
秦华标
杨光俊
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201811310528.3A priority Critical patent/CN109614985B/zh
Publication of CN109614985A publication Critical patent/CN109614985A/zh
Application granted granted Critical
Publication of CN109614985B publication Critical patent/CN109614985B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]

Abstract

本发明公开了一种基于密集连接特征金字塔网络的目标检测方法，涉及图像处理和计算机视觉技术。该方法包括：收集标注目标边界框和类别信息的图像数据集；构造含有能学习特征通道间依赖关系的Squeeze‑Excitation结构的密集连接特征金字塔网络作为特征提取主干网络；交替训练RPN子网和R‑FCN子网得到目标检测模型；利用该模型检测图像中特定的目标。通过在特征提取主干网络中引入Squeeze‑Excitation结构和密集连接结构，增强模型的表征能力，特征金字塔结构增强模型对不同尺寸目标的适应性，采用R‑FCN检测头最大程度地实现整个网络模型计算的共享，节省计算资源，提高整个目标检测模型的性能。

Description

一种基于密集连接特征金字塔网络的目标检测方法
技术领域
本发明涉及图像处理和计算机视觉技术，具体是涉及一种基于密集连接特征金字塔网络的目标检测方法。
背景技术
视觉要解决的问题可归结为“What is Where”，即“什么东西在什么地方”。传统的图像分类解决的主要是“What”问题，即判断一幅图像包含的是哪类物体。但随着技术的发展和应用需求的增长，我们不仅关注对图像的简单分类，而且希望能够准确获得图像中存在的感兴趣目标及其位置(一般通过目标边界框给出)，这正是目标检测所要解决的问题。目标检测具有巨大的实用价值和应用前景，同时，目标检测也是整个计算机视觉的研究基石，是解决跟踪、分割、场景理解等其他高层视觉处理和分析任务的基础。因此，在计算机视觉领域中，目标检测是一个非常重要的研究领域并且受到了广泛地关注。
近十几年来，已有大量的学者对目标检测算法进行了深入地研究。目标检测技术在流程上大致分为三个步骤：区域建议(Region proposal)、特征表示(Featurerepresentation)和区域分类(Region classification)。首先对图像中可能的目标位置提出建议,也就是提出一些可能含有目标的候选区域。然后采用合适的特征模型对候选区域进行特征表示。最后借助分类器判断各个区域中是否含有特定类型的目标,并且通过一些后处理操作,得到最终的目标边界框。从历史发展的角度来看，目标检测算法的研究大致可以分为两个阶段：基于传统手工特征+分类器方式的研究和基于深度学习尤其是卷积神经网络的端到端方式的研究。
基于传统手工特征+分类器方式的目标检测算法通常先采取一定策略对输入图像中可能含有目标的位置进行区域建议。最常采用的策略就是利用不同尺寸和形状的滑动窗进行穷举搜索。滑动窗策略虽然简单但非常耗时，其它常用的策略有基于组合提名的策略和基于窗口打分的策略。这两种策略虽然相对滑动窗策略要更有效一些，但仍旧因为需要采样大量候选区域显得比较耗时。在通过区域建议策略得到大量候选区域后，需要对候选区域提取手工特征，例如SIFT特征，Haar特征，LBP特征，HOG特征等或是多种特征的组合，最后再利用SVM、Adaboost、随机森林等分类器对提取到的特征向量进行训练和分类从而得到最终的目标区域及类别。手工特征+分类器的方式因为在设计手工特征时需要丰富的专业知识并且花费大量的时间，而且由于加入了设计者的先验知识，通常只能针对特定任务或目标具有较好的效果，难以应用于更广泛的场景。
近年来,深度学习在图像分类和目标检测等领域取得了突破性进展,成为目前最有效的研究方法。深度学习模型具有强大的表征和建模能力,通过监督或非监督的方式,逐层自动地学习目标的特征表示,将原始数据经过一系列非线性变换,生成高层次的抽象表示,避免了手工设计特征的繁琐低效。主要的深度神经网络架构包括卷积神经网络(CNN)、深度置信网(DBN)、自动编码器(Auto-encoder)，其中在目标检测中运用最为成功的是卷积神经网络。基于深度学习的目标检测器按照是否显式地包含区域建议过程可分为两大类：显式包含区域建议的二阶检测器和无区域建议的一阶检测器。二阶检测器把目标检测任务分成两步：第一步首先生成众多候选区域，然后第二步在生成的候选区域上进行目标的识别，代表模型有R-CNN，Fast R-CNN,Faster R-CNN和R-FCN。这些模型通过不断将目标检测的各个过程纳入到深度神经网络架构中使得目标检测模型的检测精度不断提升，但由于二级检测器明显地将检测分为区域建议和区域分类两大阶段，且网络结构中存在头重设计，使得检测速度不够快。一阶检测器则把目标检测问题直接看成一个回归问题，基于整幅图像来预测可能的目标位置和类别。代表模型有YOLO，SSD和RetinaNet。由于没有了区域建议过程，一阶检测器的速度比较快，但检测精度相对二阶检测器要差一些。虽然基于深度学习的目标检测器相比传统目标检测方法在检测精度和速度上都有了较大提升，但面对实际应用场景中可能同时存在的目标外观差异不明显以及目标尺寸差异大等问题仍无法很好地解决。
发明内容
本发明的目的是解决进行目标检测时可能同时存在的目标外观差异不明显和尺寸差异大的问题。通过设计一个表达和适应能力更强的基于密集连接金字塔网络的R-FCN目标检测模型，然后利用收集并处理过的训练数据集训练该模型，最后利用训练好的模型来进行目标检测，实现对异类相似目标以及尺寸差异大的目标也能有较好检测效果的方法。本发明通过如下技术方案实现。
一种基于密集连接特征金字塔网络的目标检测方法，其特征在于：该方法包括以下步骤：(1)收集标注了目标边界框和类别信息的图像数据集，将图像数据集划分成训练集和验证集，并对图像数据进行一定的数据预处理；(2)构建一个基于密集连接结构和特征金字塔结构的可以增强特征表达能力和尺度适应能力的特征提取主干网络，所述特征提取主干网络为特征提取主干网络模型；(3)在特征提取主干网络模型基础上并接区域生成网络(Region Proposal Network,RPN)和基于区域的全卷积网络(Region-based FullyConvolutional Networks,R-FCN)检测头，利用RPN生成目标候选区域，然后利用R-FCN检测头对目标候选区域进行分类和边界框回归；(4)利用训练数据集按照四步交替训练法对RPN子网和R-FCN子网进行交替训练并利用验证集对特征提取主干网络的训练效果进行检验和超参数调整，最终训练得到一个统一的目标检测模型；(5)利用训练得到的目标检测模型，检测待测试图像中的指定目标。
进一步的，所述的步骤(1)包括：将图像数据集的目标边界框和类别等标注信息制作成Pascal VOC或MS COCO数据集格式，对图像数据集按照3:1的比例划分成训练数据集和验证数据集，并通过水平镜像翻转、裁剪、旋转操作对训练数据集进行数据扩增。
进一步的，所述的步骤(2)的特征提取主干网络以引入Squeeze-Excitation结构的密集连接卷积网络SE-DenseNet作为主干结构，同时利用卷积网络固有的因分辨率逐步降低而形成的特征金字塔结构来构建密集连接特征金字塔网络作为特征提取主干网络；所述主干结构包括密集连接结构，使不同卷积层之间均有连接通路，密集连接结构能充分利用网络提取到的特征并加强特征间的联系；主干结构由若干个dense block(密集块)组成，每个dense block又由若干个相同尺寸的卷积层堆叠而成，每个卷积层均包括批规范化、ReLU(线性整流单元)激活以及3*3卷积三个操作，且同一个dense block中每个卷积层都将当前卷积层前所有卷积层提取到的特征图相连的结果作为输入并输出固定通道数的输出特征图，两个相邻的dense block则通过过渡层相连接，所述过渡层为一个1*1卷积层和一个均值池化层，通过在dense block中的每个卷积层前添加包含1*1卷积的瓶颈层，减少每个卷积层的输入特征图数量。
进一步的，所述主干结构还包括能学习特征通道间依赖关系的Squeeze-Excitation结构；在每个过渡层前，通过Squeeze-Excitation结构对输入过渡层的所有卷积层提取到的特征图通过赋予不同的权重进行通道重标定，以进一步增强特征提取主干网络的表征能力；Squeeze-Excitation结构首先通过全局平均池化的Squeeze操作压缩输入通道的空间信息，只保留通道信息，然后利用由两层全连接层构成的Excitation操作学习通道间的依赖关系(即通道权值)，最后利用学到的依赖关系对各通道特征图进行重标定加权。
进一步的，所述特征提取主干网络包括密集连接特征金字塔网络，特征金字塔网络通过将主干结构富含语义信息的高层特征图和分辨率更高的低层特征图融合，能够增强特征提取主干网络对不同尺寸目标的适应性；构建过程为从密集连接卷积网络最后一个dense block的特征图开始，先对特征图进行1*1卷积得到特征金字塔网络的最高层，然后从最高层开始自顶向下地进行上采样，同时对相邻较低层dense block的特征图进行1*1卷积使卷积后的特征图与上采样后的特征图通道数一致，并将卷积后的特征图与上采样后的特征图进行相加融合作为密集连接特征金字塔网络的融合层，最后再对特征金字塔网络的各融合层运用3*3卷积得到不同的预测层。
进一步的，所述的步骤(3)中，在密集连接特征金字塔网络的各预测层上都并接一个区域生成网络(Region Proposal Network,RPN)和一个基于区域的全卷积网络(Region-based Fully Convolutional Networks,R-FCN)检测头。
进一步地，步骤(4)具体包括：并采用四步交替训练法训练模型：先在密集连接特征金字塔网络的各预测层上训练RPN子网，然后用训练好的RPN子网生成的目标候选区域去训练各预测层上的R-FCN检测头，再用训练好的R-FCN检测头的参数初始化RPN子网，固定共享卷积层参数只微调RPN子网独有层的参数，最后固定共享卷积层参数再微调R-FCN子网独有层的参数，最终训练得到一个统一的目标检测模型。
进一步的，步骤(5)具体包括：输入的测试图像先由密集连接特征金字塔网络对输入的测试图像进行多尺度的特征提取，然后由各预测层的RPN网络生成可能的目标候选区域，对目标候选区域依据置信度进行筛选并经过非极大值抑制后根据其尺寸大小将其分配到合适尺度的预测层，再经由该预测层的R-FCN检测头对目标候选区域进行位置敏感的感兴趣区域(ROI)池化操作并利用池化得到的综合得分图对目标候选区域进行分类和边框回归，最后对各预测层的结果按照置信度排序输出最终预测结果。
与现有技术相比，本发明具有如下优点和效果：本发明通过在特征提取主干网络中引入了Squeeze-Excitation结构和密集连接的结构，增强了模型的表征能力，同时特征金字塔结构的引入也增强了模型对不同尺寸目标的适应性，而采用R-FCN检测头最大程度地实现了整个网络模型计算的共享，节省了计算资源，从而提高了整个目标检测模型的性能。
附图说明
图1a、图1b分别为训练阶段和预测阶段的流程图；
图2为特征提取主干网络的主干结构SE-DenseNet的网络示意图；
图3为基于密集连接特征金字塔网络的目标检测模型的结构图。
具体实施方式
下面结合附图和实施例对本发明的方法作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了实施方式和具体操作过程，但本发明的保护范围不限于下述实施例。
本实施方式中，所提出的基于密集连接特征金字塔网络的目标检测方法能在一定程度上克服目标检测时目标外观差异不明显以及目标尺寸差异大带来的影响。
本实施方式中，在训练阶段，图1a所示，具体实施方式如下：
步骤1：收集标注了目标边界框和类别信息的图像数据集，将数据集划分成训练集和验证集，并进行一定的数据预处理。该步骤包括：将图像数据集的目标边界框和类别等标注信息制作成作成Pascal VOC或MS COCO数据集格式，再将数据集按照一定比例划分成训练集和验证集，并通过水平镜像翻转、裁剪、旋转操作对训练集进行数据扩增。本实施例将数据集按照3:1的比例划分成训练集和验证集，并通过水平镜像翻转、裁剪、旋转操作对训练集进行数据扩增。
步骤2：设计一个基于密集连接结构和特征金字塔结构的可以增强特征表达能力和尺度适应能力的特征提取主干网络。该步骤包括：特征提取主干网络的主干结构SE-DenseNet如图2所示，其采用含有四个dense blocks的DenseNet-169(169层的密集连接网络，不包含最后的全局平均池化层和全连接层)，并且在DenseNet-169前三个dense blocks的每个dense block和其后的过渡层之间引入Squeeze-Excitation结构即Squeeze-Excitationblock，组成三个SE-Dense Block模块，分为SE-Dense Block1，SE-DenseBlock2等。先通过Squeeze操作Fsq(.)对输入过渡层的所有特征图进行全局平均池化，压缩输入特征图的空间信息，只保留N维的通道信息，然后利用两层全连接层的Excitation操作Fex(.)学习通道间的依赖关系(权值)，最后利用学到的依赖关系对各通道特征图进行重标定Fscale(.)(加权)。为了限制模型的复杂度，全连接层采用瓶颈结构，第一层全连接层的输出尺寸为1*1*(N/r)，其中缩减因子r取16，同时后跟一个ReLU激活操作，第二层全连接层的输出尺寸为1*1*N，后跟一个Sigmoid(S型函数)激活操作。在引入Squeeze-Excitation结构后的DenseNet(密集卷积网络)的基础上，同时利用卷积网络固有的因分辨率逐步降低而形成的特征金字塔结构构建基于密集连接特征金字塔网络的特征提取主干网络。首先，对SE-DenseNet的dense block4的特征图进行1*1卷积，将1*1卷积后的特征图作为特征金字塔网络第四层(即最后一层)，接着从第四层开始，对其特征图进行2倍上采样，然后将SE-DenseNet的SE-Dense Block3的所有特征图通过1*1卷积产生与第四层特征图通道数一样的特征图，并将其和第四层上采样后的特征图进行相加融合，作为特征金字塔网络的第三层；然后自顶向下(从后往前)依次对SE-DenseNet的SE-Dense Block2和SE-Dense Block1重复以上类似的操作得到特征金字塔网络的其余各层，最后对特征金字塔网络各层运用3*3卷积得到最终的各预测层。
步骤3：在特征提取主干网络的基础上设计相适应的RPN区域生成网络和R-FCN检测头。该步骤包括：在基于密集连接的特征金字塔特征提取主干网络的各预测层上添加RPN区域生成子网并生成RPN子网的训练样本。RPN子网由1个3*3卷积层和两个并联的1*1卷积层构成，对3*3卷积后特征图上的每个位置，分配三种宽高比{1:2,1:1,2:1}的anchor box(锚点框)，特征金字塔网络各预测层(从下到上)RPN子网的anchor box尺寸依次从{322,642,1282,2562}中选取。在添加完RPN子网后，在特征金字塔网络各预测层上还要添加与RPN子网并行的R-FCN检测头并生成相应的训练样本。即在各预测层后再接两个1*1的卷积层分别得到输出通道数为k2*(C+1)维(C表示前景目标类别数)和k2*4维的位置敏感分数图分别用于边界框分类和边框回归，然后根据相同预测层RPN子网生成的RoI候选区域对两种位置敏感分数图进行位置敏感的RoI池化操作得到尺寸分别为k2*(C+1)和k2*4的综合得分图，对两种综合得分图分别各自求和后得到C+1维类别预测向量和4维的回归预测向量用于R-FCN子网的训练。
步骤4：利用训练数据集按照四步交替训练法对RPN子网和R-FCN子网进行交替训练并利用验证集对模型的训练效果进行检验和超参数调整，最终训练得到一个统一的目标检测模型。训练步骤如下：
a)生成RPN子网的训练样本，各RPN子网均由1个3*3卷积层和两个并联的1*1卷积层构成，对3*3卷积后特征图上的每个位置，分配三种宽高比{1:2,1:1,2:1}的anchor，特征金字塔主干对于RPN子网的每个anchor box，根据其所对应预测层的空间分辨率将其映射回原图与真实的各目标边界框求交并比(IoU)，若IoU超过0.7或对于某个真实目标边界框其有最高的IoU，则将anchor box标记为正样本，若IoU小于0.3，则将anchor box标记为负样本。为了平衡正负样本的训练比例，对每一幅输入的训练图像，随机采样256个anchor样本作为一个mini-batch(小批量)，且anchor样本中正负样本的比例保持1:1。生成RPN子网的训练样本后利用在ImageNet数据集上预训练的DenseNet模型参数初始化RPN子网(未包括在DenseNet模型参数中的权重参数进行高斯随机初始化，偏置参数进行零初始化)后对RPN子网进行单独训练。采用随机梯度下降法更新网络的参数，总共迭代训练25个epoch(轮，将训练集完整训练一遍为一轮)，初始学习率设置为0.0025，当训练到第16个epoch时，学习率衰减为0.00025，达到第22个epoch时，学习率设置为0.000025，直到训练完毕,权值衰减系数设为0.0001,momentum(动量项)设为0.9。
RPN子网的损失函数为：
Figure BDA0001854839700000061
其中N表示训练样本的个数，i表示anchor box的编号，pi表示第i个anchor box属于一个目标的预测概率，
Figure BDA0001854839700000062
表示anchor box的真值标签，若anchor box被标为正样本则为1，若anchor box被标为负样本则为0,λ为分类和回归损失的平衡参数，默认取1,ti是代表第i个预测边界框的参数化坐标向量，/>
Figure BDA0001854839700000071
是第i个anchor box对应的真实边界框的相应参数化坐标向量，Lcls为分类任务的损失，如公式(3)，Lreg为边界框回归任务的损失，如公式(4)。
Figure BDA0001854839700000072
Figure BDA0001854839700000073
预测边界框的参数化坐标向量t＝(tx,ty,tw,th)和真实边界框的参数化坐标向量
Figure BDA0001854839700000074
计算方法如公式(2)所示。
Figure BDA0001854839700000075
x,y,w,h依次表示预测框的中心坐标(x,y)和宽w、高h；xa,ya,wa,ha依次表示anchor框的中心坐标(xa,ya)和宽wa,、高ha；x*,y*,w*,h*依次表示真实框的中心坐标(x*,y*)和宽w*、高h*；tx,ty,tw,th分别为预测边界框的4个参数化坐标，
Figure BDA0001854839700000076
分别为真实边界框的4个参数化坐标。
b)训练完RPN子网后，生成R-FCN子网(包括特征提取主干网络)的训练样本并对R-FCN子网进行训练：对于a)中RPN子网生成的每个RoI候选区域，若其与真实目标边界框的IoU不低于0.5，则标记为正样本；反之，若低于0.5，则标记为负样本。生成R-FCN子网的训练样本后也用ImageNet预训练的DenseNet模型初始化网络然后对R-FCN子网进行训练。
R-FCN子网采用的损失函数与RPN子网的的损失函数一样，如式(5)所示，只不过下标i表示RoI的编号。
Figure BDA0001854839700000077
每个RoI的类别预测概率pi和边界框参数化坐标向量ti通过利用式(6)表示的位置敏感的RoI池化操作计算得到。
rc(i,j|Θ)＝∑(x,y)∈bin(i,j)zi,j,c(x+x0,y+y0|Θ)/n (6)
位置敏感的RoI池化操作将位置敏感分数图中每个RoI矩形框所覆盖区域均分成k*k个子区域(本方法中k取3)，上式中rc(i,j|Θ)表示对第c个类别的第(i,j)个子区域的池化响应，zi,j,c代表k2(C+1)张位置敏感分数图中的一张分数图，(x0,y0)表示RoI左上角坐标，x，y表示像素点在RoI矩形框中的位置坐标，n是一个子区域中的像素个数，Θ表示网络可学习的参数。计算得到rc(i,j|Θ)后，对于每个RoI,将各子区域的池化响应求和得到C+1维向量，再通过softmax函数(归一化指数函数)得到每个RoI的类别预测概率pi,边界框参数化坐标向量ti也通过类似的过程得到4维向量。同样采用随机梯度下降法更新网络的参数，训练的超参数设置与单独训练RPN子网的设置相同。另外，为了进一步提升模型性能，在训练R-FCN子网时，使用在线难例挖掘(OHEM)策略，即在网络前向计算时，评估所有RoI候选区域(正负都有)的损失，然后只排序选出损失最高的前若干个RoI进行反向传播。
c)用R-FCN子网训练好的网络参数去初始化RPN子网，训练RPN子网时固定RPN子网和R-FCN子网共享卷积层的参数，只微调RPN子网独有的卷积层参数。同样训练25个epoch，学习率等超参数的设置与前面一致。
d)最后保持共享卷积层的参数固定，微调R-FCN子网独有的卷积层参数，经25个epoch训练得到一个统一的目标检测模型，图3为实施例的基于密集连接特征金字塔网络的目标检测模型。
步骤五：利用训练得到的目标检测模型，检测待测试图像中的指定目标。检测步骤包括对输入的测试图像，先由密集连接特征金字塔网络对其进行多尺度的特征提取，然后由各预测层的RPN网络生成可能的目标候选区域，对候选区域依据置信度进行筛选并经过非极大值抑制后根据其尺寸大小将其分配到合适尺度的预测层，再经由该预测层的R-FCN检测头对候选区域进行位置敏感的感兴趣区域池化操作并利用池化得到的综合得分图对候选区域的类别分类和边框回归进行预测，最后对各预测层的结果按照置信度排序输出最终预测结果。
本实施方式中，预测阶段，图1b所示，输入一张新的图片，图片经过密集连接特征金字塔网络提取特征后由各预测层的RPN子网生成可能的目标候选区域，对候选区域依据置信度进行筛选，每个预测层取前300个RoI候选区域并经过阈值为0.3的非极大值抑制后根据其尺寸大小将其分配到合适尺度的预测层，再经由该预测层的R-FCN检测头对候选区域进行位置敏感的感兴趣区域池化操作并利用池化得到的综合得分图对候选区域的类别和边界框位置进行预测，最后对各预测层的结果按照置信度排序输出最终预测结果。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (1)

1.一种基于密集连接特征金字塔网络的目标检测方法，其特征在于，包括如下步骤：
步骤1：收集标注了目标边界框和类别信息的图像数据集，将数据集划分成训练集和验证集，并进行一定的数据预处理；该步骤包括：将图像数据集的目标边界框和类别等标注信息制作成作成PascalVOC或MS COCO数据集格式，再将数据集按照一定比例划分成训练集和验证集，并通过水平镜像翻转、裁剪、旋转操作对训练集进行数据扩增；
步骤2：设计一个基于密集连接结构和特征金字塔结构的可以增强特征表达能力和尺度适应能力的特征提取主干网络；该步骤包括：特征提取主干网络的主干结构SE-DenseNet，其采用含有四个dense blocks的DenseNet-169，169层的密集连接网络不包含最后的全局平均池化层和全连接层，并且在DenseNet-169前三个dense blocks的每个denseblock和其后的过渡层之间引入Squeeze-Excitation结构即Squeeze-Excitation block，组成三个SE-Dense Block模块，分为SE-Dense Block1，SE-Dense Block2等；先通过Squeeze操作Fsq(.)对输入过渡层的所有特征图进行全局平均池化，压缩输入特征图的空间信息，只保留N维的通道信息，然后利用两层全连接层的Excitation操作Fex(.)学习通道间的权值关系，最后利用学到的权值关系对各通道特征图进行加权；为了限制模型的复杂度，全连接层采用瓶颈结构，第一层全连接层的输出尺寸为1*1*(N/r)，其中缩减因子r取16，同时后跟一个ReLU激活操作，第二层全连接层的输出尺寸为1*1*N，后跟一个Sigmoid激活操作；在引入Squeeze-Excitation结构后的DenseNet的基础上，同时利用卷积网络固有的因分辨率逐步降低而形成的特征金字塔结构构建基于密集连接特征金字塔网络的特征提取主干网络；首先，对SE-DenseNet的dense block4的特征图进行1*1卷积，将1*1卷积后的特征图作为特征金字塔网络第四层，接着从第四层开始，对其特征图进行2倍上采样，然后将SE-DenseNet的SE-Dense Block3的所有特征图通过1*1卷积产生与第四层特征图通道数一样的特征图，并将其和第四层上采样后的特征图进行相加融合，作为特征金字塔网络的第三层；然后从后往前依次对SE-DenseNet的SE-Dense Block2和SE-Dense Block1重复以上类似的操作得到特征金字塔网络的其余各层，最后对特征金字塔网络各层运用3*3卷积得到最终的各预测层；
步骤3：在特征提取主干网络的基础上设计相适应的RPN区域生成网络和R-FCN检测头；该步骤包括：在基于密集连接的特征金字塔特征提取主干网络的各预测层上添加RPN区域生成子网并生成RPN子网的训练样本；RPN子网由1个3*3卷积层和两个并联的1*1卷积层构成，对3*3卷积后特征图上的每个位置，分配三种宽高比{1:2,1:1,2:1}的anchor box，特征金字塔网络各预测层RPN子网的anchor box尺寸依次从{322,642,1282,2562}中选取；在添加完RPN子网后，在特征金字塔网络各预测层上还要添加与RPN子网并行的R-FCN检测头并生成相应的训练样本；即在各预测层后再接两个1*1的卷积层分别得到输出通道数为k2*(C+1)维，C表示前景目标类别数，和k2*4维的位置敏感分数图分别用于边界框分类和边框回归，然后根据相同预测层RPN子网生成的RoI候选区域对两种位置敏感分数图进行位置敏感的RoI池化操作得到尺寸分别为k2*(C+1)和k2*4的综合得分图，对两种综合得分图分别各自求和后得到C+1维类别预测向量和4维的回归预测向量用于R-FCN子网的训练；
步骤4：利用训练数据集按照四步交替训练法对RPN子网和R-FCN子网进行交替训练并利用验证集对模型的训练效果进行检验和超参数调整，最终训练得到一个统一的目标检测模型；训练步骤如下：
a)生成RPN子网的训练样本，各RPN子网均由1个3*3卷积层和两个并联的1*1卷积层构成，对3*3卷积后特征图上的每个位置，分配三种宽高比{1:2,1:1,2:1}的anchor，特征金字塔主干对于RPN子网的每个anchor box，根据其所对应预测层的空间分辨率将其映射回原图与真实的各目标边界框求交并比，若IoU超过0.7或对于某个真实目标边界框其有最高的IoU，则将anchor box标记为正样本，若IoU小于0.3，则将anchor box标记为负样本；为了平衡正负样本的训练比例，对每一幅输入的训练图像，随机采样256个anchor样本作为一个mini-batch，且anchor样本中正负样本的比例保持1:1；生成RPN子网的训练样本后利用在ImageNet数据集上预训练的DenseNet模型参数初始化RPN子网，对未包括在DenseNet模型参数中的权重参数进行高斯随机初始化，偏置参数进行零初始化，后对RPN子网进行单独训练；采用随机梯度下降法更新网络的参数，总共迭代训练25个epoch，将训练集完整训练一遍为一轮，初始学习率设置为0.0025，当训练到第16个epoch时，学习率衰减为0.00025，达到第22个epoch时，学习率设置为0.000025，直到训练完毕,权值衰减系数设为0.0001,momentum设为0.9；
RPN子网的损失函数为：
Figure FDA0004132194200000021
其中M表示训练样本的个数，i表示anchor box的编号，pi表示第i个anchor box属于一个目标的预测概率，
Figure FDA0004132194200000031
表示anchor box的真值标签，若anchor box被标为正样本则为1，若anchor box被标为负样本则为0,λ为分类和回归损失的平衡参数，默认取1,ti是代表第i个预测边界框的参数化坐标向量，/>
Figure FDA0004132194200000032
是第i个anchor box对应的真实边界框的相应参数化坐标向量，Lcls为分类任务的损失，如公式(3)，Lreg为边界框回归任务的损失，如公式(4)；
Figure FDA0004132194200000033
Figure FDA0004132194200000034
预测边界框的参数化坐标向量t＝(tx,ty,tw,th)和真实边界框的参数化坐标向量
Figure FDA0004132194200000035
计算方法如公式(2)所示；
Figure FDA0004132194200000036
x,y,w,h依次表示预测框的中心坐标(x,y)和宽w、高h；xa,ya,wa,ha依次表示anchor框的中心坐标(xa,ya)和宽wa,、高ha；x*,y*,w*,h*依次表示真实框的中心坐标(x*,y*)和宽w*、高h*；tx,ty,tw,th分别为预测边界框的4个参数化坐标，
Figure FDA0004132194200000037
分别为真实边界框的4个参数化坐标；
b)训练完RPN子网后，生成包括特征提取主干网络的R-FCN子网的训练样本并对R-FCN子网进行训练：对于a)中RPN子网生成的每个RoI候选区域，若其与真实目标边界框的IoU不低于0.5，则标记为正样本；反之，若低于0.5，则标记为负样本；生成R-FCN子网的训练样本后也用ImageNet预训练的DenseNet模型初始化网络然后对R-FCN子网进行训练；
R-FCN子网采用的损失函数与RPN子网的的损失函数一样，如式(5)所示，只不过下标i表示RoI的编号；
Figure FDA0004132194200000038
每个RoI的类别预测概率pi和边界框参数化坐标向量ti通过利用式(6)表示的位置敏感的RoI池化操作计算得到；
rc(i,j|Θ)＝∑(x,y)∈bin(i,j)zi,j,c(x+x0,y+y0|Θ)/n (6)
位置敏感的RoI池化操作将位置敏感分数图中每个RoI矩形框所覆盖区域均分成q*q个子区域，q取3，上式中rc(i,j|Θ)表示对第c个类别的第(i,j)个子区域的池化响应，zi,j,c代表k2(C+1)张位置敏感分数图中的一张分数图，(x0,y0)表示RoI左上角坐标，x，y表示像素点在RoI矩形框中的位置坐标，n是一个子区域中的像素个数，Θ表示网络可学习的参数；计算得到rc(i,j|Θ)后，对于每个RoI,将各子区域的池化响应求和得到C+1维向量，再通过softmax函数得到每个RoI的类别预测概率pi,边界框参数化坐标向量ti也通过类似的过程得到4维向量；同样采用随机梯度下降法更新网络的参数，训练的超参数设置与单独训练RPN子网的设置相同；另外，为了进一步提升模型性能，在训练R-FCN子网时，使用在线难例挖掘策略，即在网络前向计算时，评估所有RoI候选区域的损失，然后只排序选出损失最高的前若干个RoI进行反向传播；
c)用R-FCN子网训练好的网络参数去初始化RPN子网，训练RPN子网时固定RPN子网和R-FCN子网共享卷积层的参数，只微调RPN子网独有的卷积层参数；同样训练25个epoch，学习率等超参数的设置与前面一致；
d)最后保持共享卷积层的参数固定，微调R-FCN子网独有的卷积层参数，经25个epoch训练得到一个统一的目标检测模型；
步骤五：利用训练得到的目标检测模型，检测待测试图像中的指定目标；检测步骤包括对输入的测试图像，先由密集连接特征金字塔网络对其进行多尺度的特征提取，然后由各预测层的RPN网络生成可能的目标候选区域，对候选区域依据置信度进行筛选并经过非极大值抑制后根据其尺寸大小将其分配到合适尺度的预测层，再经由该预测层的R-FCN检测头对候选区域进行位置敏感的感兴趣区域池化操作并利用池化得到的综合得分图对候选区域的类别分类和边框回归进行预测，最后对各预测层的结果按照置信度排序输出最终预测结果。
CN201811310528.3A 2018-11-06 2018-11-06 一种基于密集连接特征金字塔网络的目标检测方法 Active CN109614985B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811310528.3A CN109614985B (zh) 2018-11-06 2018-11-06 一种基于密集连接特征金字塔网络的目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811310528.3A CN109614985B (zh) 2018-11-06 2018-11-06 一种基于密集连接特征金字塔网络的目标检测方法

Publications (2)

Publication Number Publication Date
CN109614985A CN109614985A (zh) 2019-04-12
CN109614985B true CN109614985B (zh) 2023-06-20

Family

ID=66002897

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811310528.3A Active CN109614985B (zh) 2018-11-06 2018-11-06 一种基于密集连接特征金字塔网络的目标检测方法

Country Status (1)

Country Link
CN (1) CN109614985B (zh)

Families Citing this family (73)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10671878B1 (en) 2019-01-11 2020-06-02 Capital One Services, Llc Systems and methods for text localization and recognition in an image of a document
CN110046572A (zh) * 2019-04-15 2019-07-23 重庆邮电大学 一种基于深度学习的地标建筑物识别与检测方法
CN110070124A (zh) * 2019-04-15 2019-07-30 广州小鹏汽车科技有限公司 一种基于生成式对抗网络的图像扩增方法及系统
CN109961107B (zh) * 2019-04-18 2022-07-19 北京迈格威科技有限公司 目标检测模型的训练方法、装置、电子设备及存储介质
CN110096982A (zh) * 2019-04-22 2019-08-06 长沙千视通智能科技有限公司 一种基于深度学习的视频车辆大数据搜索方法
CN110176023B (zh) * 2019-04-29 2023-06-02 同济大学 一种基于金字塔结构的光流估计方法
CN110084210B (zh) * 2019-04-30 2022-03-29 电子科技大学 基于注意力金字塔网络的sar图像多尺度舰船检测方法
CN111898622B (zh) * 2019-05-05 2022-07-15 阿里巴巴集团控股有限公司 信息处理、信息显示与模型训练方法、系统及设备
CN111914861A (zh) * 2019-05-08 2020-11-10 北京字节跳动网络技术有限公司 目标检测方法和装置
CN110321923B (zh) * 2019-05-10 2021-05-04 上海大学 不同尺度感受野特征层融合的目标检测方法、系统及介质
CN110188802B (zh) * 2019-05-13 2022-08-30 南京邮电大学 基于多层特征图融合的ssd目标检测算法
CN110097028B (zh) * 2019-05-14 2021-03-30 河北工业大学 基于三维金字塔图像生成网络的人群异常事件检测方法
CN110189255B (zh) * 2019-05-29 2023-01-17 电子科技大学 基于两级检测的人脸检测方法
CN110223325B (zh) * 2019-06-18 2021-04-27 北京字节跳动网络技术有限公司 对象跟踪方法、装置及设备
CN112101373A (zh) * 2019-06-18 2020-12-18 富士通株式会社 基于深度学习网络的对象检测方法、装置和电子设备
CN110399816B (zh) * 2019-07-15 2023-04-07 广西大学 一种基于Faster R-CNN的高速列车车底异物检测方法
CN110569738B (zh) * 2019-08-15 2023-06-06 杨春立 基于密集连接网络的自然场景文本检测方法、设备和介质
CN110472732B (zh) * 2019-08-19 2023-02-21 杭州凝眸智能科技有限公司 基于优化特征提取装置的图像特征提取系统
CN110728186B (zh) * 2019-09-11 2023-04-07 中国科学院声学研究所南海研究站 一种基于多网融合的火灾检测方法
CN110705380B (zh) * 2019-09-12 2022-05-24 北京地平线机器人技术研发有限公司 用于实现目标对象属性识别的方法、装置、介质以及设备
CN110717532A (zh) * 2019-09-27 2020-01-21 广东工业大学 基于SE-RetinaGrasp模型的机器人目标抓取区域实时检测方法
CN110689118A (zh) * 2019-09-29 2020-01-14 华南理工大学 一种基于YOLO V3-tiny改进的目标检测方法
CN110781805A (zh) * 2019-10-23 2020-02-11 上海极链网络科技有限公司 一种目标物体检测方法、装置、计算设备和介质
CN110852255B (zh) * 2019-11-08 2022-05-13 福州大学 一种基于u型特征金字塔的交通目标检测方法
CN110956108B (zh) * 2019-11-22 2023-04-18 华南理工大学 一种基于特征金字塔的小频标检测方法
CN110929649B (zh) * 2019-11-24 2023-05-26 华南理工大学 一种面向小目标检测的网络和困难样本挖掘方法
CN111179217A (zh) * 2019-12-04 2020-05-19 天津大学 一种基于注意力机制的遥感图像多尺度目标检测方法
CN111047569B (zh) * 2019-12-09 2023-11-24 北京联合大学 图像处理方法及装置
CN111091553A (zh) * 2019-12-12 2020-05-01 哈尔滨市科佳通用机电股份有限公司 一种挡键丢失检测方法
CN111046964B (zh) * 2019-12-18 2021-01-26 电子科技大学 一种基于卷积神经网络的人和车辆红外热图像识别方法
CN111127416A (zh) * 2019-12-19 2020-05-08 武汉珈鹰智能科技有限公司 基于计算机视觉的混凝土结构表面缺陷自动检测方法
CN111160527A (zh) * 2019-12-27 2020-05-15 歌尔股份有限公司 一种基于mask rcnn网络模型的目标识别方法、装置
CN111222454B (zh) * 2020-01-03 2023-04-07 暗物智能科技(广州)有限公司 训练多任务目标检测模型、多任务目标检测的方法及系统
CN111242122B (zh) * 2020-01-07 2023-09-08 浙江大学 一种轻量级深度神经网络旋转目标检测方法和系统
CN111242026B (zh) * 2020-01-13 2022-07-12 中国矿业大学 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法
CN111274942A (zh) * 2020-01-19 2020-06-12 国汽(北京)智能网联汽车研究院有限公司 一种基于级联网络的交通锥识别方法及装置
CN111460919B (zh) * 2020-03-13 2023-05-26 华南理工大学 一种基于改进YOLOv3的单目视觉道路目标检测及距离估计方法
CN111461213B (zh) * 2020-03-31 2023-06-02 华中科技大学 一种目标检测模型的训练方法、目标快速检测方法
CN111444973B (zh) * 2020-03-31 2022-05-20 西安交通大学 一种无人零售购物台商品检测方法
CN111523530B (zh) * 2020-04-13 2021-04-02 南京行者易智能交通科技有限公司 一种目标检测中分数图的映射方法及目标检测方法
CN111523453A (zh) * 2020-04-22 2020-08-11 南京智行信息科技有限公司 一种基于机器视觉的路面清洁度智能评判方法
CN111553406B (zh) * 2020-04-24 2023-04-28 上海锘科智能科技有限公司 基于改进yolo-v3的目标检测系统、方法及终端
CN111783819B (zh) * 2020-05-08 2024-02-09 国家电网有限公司 小规模数据集上基于感兴趣区域训练改进的目标检测方法
CN111666988A (zh) * 2020-05-22 2020-09-15 哈尔滨理工大学 一种基于多层信息融合的目标检测算法
CN111783772A (zh) * 2020-06-12 2020-10-16 青岛理工大学 一种基于RP-ResNet网络的抓取检测方法
CN111860619A (zh) * 2020-07-02 2020-10-30 苏州富鑫林光电科技有限公司 一种工业检测用深度学习的ai智能模型
CN111832577A (zh) * 2020-07-19 2020-10-27 武汉悟空游人工智能应用软件有限公司 一种基于稠密连接的感数预测方法
CN111950515B (zh) * 2020-08-26 2022-10-18 重庆邮电大学 一种基于语义特征金字塔网络的小人脸检测方法
CN112132034B (zh) * 2020-09-23 2024-04-16 平安国际智慧城市科技股份有限公司 行人图像检测方法、装置、计算机设备及存储介质
CN111967538B (zh) * 2020-09-25 2024-03-15 北京康夫子健康技术有限公司 应用于小目标检测的特征融合方法、装置、设备以及存储介质
CN112307976A (zh) * 2020-10-30 2021-02-02 北京百度网讯科技有限公司 目标检测方法、装置、电子设备以及存储介质
CN112541532B (zh) * 2020-12-07 2024-03-01 长沙理工大学 基于密集连接结构的目标检测方法
CN112507896B (zh) * 2020-12-14 2023-11-07 大连大学 一种采用改进的yolo-v4模型对樱桃果实进行检测的方法
CN112800955A (zh) * 2021-01-27 2021-05-14 中国人民解放军战略支援部队信息工程大学 基于加权双向特征金字塔的遥感影像旋转目标检测方法及系统
CN113011556B (zh) * 2021-02-20 2022-10-11 安徽大学 基于INC-DenseUnet网络识别模型建立方法
CN113076972A (zh) * 2021-03-04 2021-07-06 山东师范大学 一种基于深度学习的两阶段Logo图像检测方法及系统
CN112906658A (zh) * 2021-03-30 2021-06-04 航天时代飞鸿技术有限公司 一种无人机侦查地面目标的轻量化自动检测方法
CN112966780A (zh) * 2021-03-31 2021-06-15 动联(山东)电子科技有限公司 一种动物行为识别方法及系统
CN113223027A (zh) * 2021-04-13 2021-08-06 山东师范大学 基于PolarMask的未成熟柿子分割方法及系统
CN113076909B (zh) * 2021-04-16 2022-10-25 重庆大学附属肿瘤医院 一种细胞自动检测方法
CN113158913A (zh) * 2021-04-25 2021-07-23 安徽科大擎天科技有限公司 一种人脸口罩佩戴识别方法、系统及终端
CN113076926B (zh) * 2021-04-25 2022-11-18 华南理工大学 一种带语义引导的多尺度目标检测方法及系统
CN112949614B (zh) * 2021-04-29 2021-09-10 成都市威虎科技有限公司 一种自动分配候选区域的人脸检测方法及装置和电子设备
CN113361437A (zh) * 2021-06-16 2021-09-07 吉林建筑大学 一种微创手术器械类别及位置检测方法与系统
CN113392775B (zh) * 2021-06-17 2022-04-29 广西大学 一种基于深度神经网络的甘蔗幼苗自动识别与计数方法
CN113537044B (zh) * 2021-07-14 2022-08-26 哈尔滨理工大学 基于STFT与改进DenseNet的航空发动机故障诊断方法
CN113537045B (zh) * 2021-07-14 2022-11-25 宁夏大学 基于改进FasterR-CNN的岩画检测方法
CN113469302A (zh) * 2021-09-06 2021-10-01 南昌工学院 一种视频图像的多圆形目标识别方法和系统
CN113947144B (zh) 2021-10-15 2022-05-17 北京百度网讯科技有限公司 用于对象检测的方法、装置、设备、介质和程序产品
CN114495042B (zh) * 2022-01-27 2023-08-29 北京百度网讯科技有限公司 目标检测方法和装置
CN114905116A (zh) * 2022-06-02 2022-08-16 南京理工大学 一种基于特征学习的坡口焊缝熔透监控方法
WO2024020774A1 (zh) * 2022-07-26 2024-02-01 江苏树实科技有限公司 模型生成方法、物体检测方法、控制器以及电子设备
CN116912630A (zh) * 2023-09-12 2023-10-20 深圳须弥云图空间科技有限公司 一种目标识别方法和装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020618B (zh) * 2011-12-19 2016-03-16 北京捷成世纪数码科技有限公司 视频图像文字的检测方法及系统
WO2018120013A1 (en) * 2016-12-30 2018-07-05 Nokia Technologies Oy Artificial neural network
US11157764B2 (en) * 2017-03-27 2021-10-26 Intel Corporation Semantic image segmentation using gated dense pyramid blocks
CN107437096B (zh) * 2017-07-28 2020-06-26 北京大学 基于参数高效的深度残差网络模型的图像分类方法
CN108038519B (zh) * 2018-01-30 2020-11-24 浙江大学 一种基于稠密的特征金字塔网络的宫颈图像处理方法及装置

Also Published As

Publication number Publication date
CN109614985A (zh) 2019-04-12

Similar Documents

Publication Publication Date Title
CN109614985B (zh) 一种基于密集连接特征金字塔网络的目标检测方法
CN110472627B (zh) 一种端到端的sar图像识别方法、装置及存储介质
CN108304873B (zh) 基于高分辨率光学卫星遥感影像的目标检测方法及其系统
US10984532B2 (en) Joint deep learning for land cover and land use classification
CN112396002B (zh) 一种基于SE-YOLOv3的轻量级遥感目标检测方法
Xie et al. Multilevel cloud detection in remote sensing images based on deep learning
Zhang et al. VPRS-based regional decision fusion of CNN and MRF classifications for very fine resolution remotely sensed images
EP3614308A1 (en) Joint deep learning for land cover and land use classification
CN112101430B (zh) 用于图像目标检测处理的锚框生成方法及轻量级目标检测方法
CN108830188A (zh) 基于深度学习的车辆检测方法
CN107633226B (zh) 一种人体动作跟踪特征处理方法
CN111783523B (zh) 一种遥感影像旋转目标检测方法
JP2020038660A (ja) ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を利用して車線を検出するための学習方法及び学習装置そしてこれを利用したテスト方法及びテスト装置｛ＬＥＡＲＮＩＮＧ ＭＥＴＨＯＤ， ＬＥＡＲＮＩＮＧ ＤＥＶＩＣＥ ＦＯＲ ＤＥＴＥＣＴＩＮＧ ＬＡＮＥ ＵＳＩＮＧ ＣＮＮ ＡＮＤ ＴＥＳＴ ＭＥＴＨＯＤ， ＴＥＳＴ ＤＥＶＩＣＥ ＵＳＩＮＧ ＴＨＥ ＳＡＭＥ｝
Sommer et al. Comprehensive analysis of deep learning-based vehicle detection in aerial images
CN112347970B (zh) 一种基于图卷积神经网络的遥感影像地物识别方法
JP6980289B2 (ja) 車線モデルを利用して車線を検出し得る学習方法及び学習装置そしてこれを利用したテスト方法及びテスト装置｛ｌｅａｒｎｉｎｇ ｍｅｔｈｏｄ， ｌｅａｒｎｉｎｇ ｄｅｖｉｃｅ ｆｏｒ ｄｅｔｅｃｔｉｎｇ ｌａｎｅ ｕｓｉｎｇ ｌａｎｅ ｍｏｄｅｌ ａｎｄ ｔｅｓｔ ｍｅｔｈｏｄ， ｔｅｓｔ ｄｅｖｉｃｅ ｕｓｉｎｇ ｔｈｅ ｓａｍｅ｝
CN112529015A (zh) 一种基于几何解缠的三维点云处理方法、装置及设备
CN106023257A (zh) 一种基于旋翼无人机平台的目标跟踪方法
CN112733614B (zh) 一种带有相似尺寸强化识别的害虫图像检测方法
CN110222767A (zh) 基于嵌套神经网络和栅格地图的三维点云分类方法
CN111368660A (zh) 一种单阶段半监督图像人体目标检测方法
CN113657414B (zh) 一种物体识别方法
CN113128564B (zh) 一种基于深度学习的复杂背景下典型目标检测方法及系统
Zhu et al. DiamondNet: Ship detection in remote sensing images by extracting and clustering keypoints in a diamond
CN116524255A (zh) 基于Yolov5-ECA-ASFF的小麦赤霉病孢子识别方法

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
GR01 Patent grant
GR01 Patent grant