CN109871829A - 一种基于深度学习的检测模型训练方法和装置 - Google Patents

一种基于深度学习的检测模型训练方法和装置 Download PDF

Info

Publication number
CN109871829A
CN109871829A CN201910199187.5A CN201910199187A CN109871829A CN 109871829 A CN109871829 A CN 109871829A CN 201910199187 A CN201910199187 A CN 201910199187A CN 109871829 A CN109871829 A CN 109871829A
Authority
CN
China
Prior art keywords
image
detection model
training
target
sar image
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.)
Granted
Application number
CN201910199187.5A
Other languages
English (en)
Other versions
CN109871829B (zh
Inventor
唐侃
梁小伟
郭鑫
于彬彬
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.)
Beijing Autoroad Tech Co Ltd
Original Assignee
Beijing Autoroad Tech Co Ltd
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 Beijing Autoroad Tech Co Ltd filed Critical Beijing Autoroad Tech Co Ltd
Priority to CN201910199187.5A priority Critical patent/CN109871829B/zh
Publication of CN109871829A publication Critical patent/CN109871829A/zh
Application granted granted Critical
Publication of CN109871829B publication Critical patent/CN109871829B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Analysis (AREA)

Abstract

本申请提供了一种基于深度学习的检测模型训练方法和装置,其中,该方法包括:利用目标车载SAR图像的灰度分割阈值T确定目标车载SAR图像对应的第一二值图像,以通过卷积神经网络对目标车载SAR图像进行特征提取得到的M维特征图像的尺寸为标准,对第一二值图像的尺寸进行调整,以得到第二二值图像,然后根据M维特征图像和第二二值图像,完成对检测模型的训练。通过上述方法对训练模型进行训练后,使用完成训练的检测模型在对车载SAR图像进行检测时,有利于提高检测效果,从而有利于使得检测结果更加准确。

Description

一种基于深度学习的检测模型训练方法和装置
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种基于深度学习的检测模型训练方法和装置。
背景技术
随着科学技术的发展,车载SAR(Synthetic Aperture Radar,合成孔径雷达)图像的检测模型训练被广泛应用,以便通过训练后对车载SAR图像进行目标检测。
但是在现有技术中,通常使用现有的检测模型来对车载SAR图像进行检测,但是由于车载SAR图像具有其自身的特点,例如:从拍摄角度来说,车载SAR图像的入射角低,作用距离近,视角是从左到右进行近距观测成像等,因此使用现有的检测模型来对车载SAR图像进行检测时,检测效果较差。
发明内容
有鉴于此,本申请实施例的目的在于提供一种基于深度学习的检测模型训练方法和装置,以提高检测模型的检测效果。
主要包括以下几个方面:
第一方面,本申请实施例提供了一种基于深度学习的检测模型训练方法,包括:
获取携带有标记框的目标车载合成孔径雷达SAR图像和通过卷积神经网络对所述目标车载SAR图像进行特征提取得到的M维特征图像,其中,M等于所述特征图像的维度的个数;
根据所述目标车载SAR图像中位于所述标记框内的第一灰度分布和所述目标车载SAR图像中位于所述标记框外的第二灰度分布,获得所述目标车载SAR图像的灰度分割阈值T;
根据所述T,对所述目标车载SAR图像中的各像素点进行标记,以确定出所述目标车载SAR图像对应的第一二值图像;
以所述M维特征图像的尺寸为标准,对所述第一二值图像的尺寸进行调整,以得到第二二值图像;
根据所述M维特征图像和所述第二二值图像,完成对检测模型的训练。
可选地,所述根据所述M维特征图像和所述第二二值图像,完成对检测模型的训练,包括:
确定所述第二二值图像中像素点的灰度值大于所述T的第一区域;
根据所述第一区域在所述第二二值图像中的位置,确定所述M维特征图像对应的位置,以将所述M维特征图像对应的位置所在区域作为目标区域;
根据所述目标区域,完成对所述检测模型的训练。
可选地,所述根据所述目标区域,完成对所述检测模型的训练,包括:
将所述标记框的最大尺寸,确定为候选框的尺寸上限,将所述标记框的最小尺寸,确定为所述候选框的尺寸下限;
根据所述尺寸上限和所述尺寸下限,确定所述候选框的面积取值范围;
将所述标记框的最大长宽比,确定为所述候选框的长宽比上限,将所述标记框的最小长宽比,确定为所述候选框的长宽比下限;
根据所述长宽比上限和所述长宽比下限,确定所述候选框的长宽比范围;
根据所述面积取值范围和所述长宽比范围,确定八个所述候选框;
以所述目标区域中的各像素点作为八个所述候选框的中心,以确定出所述目标区域的切片图像;
使用所述切片图像完成对所述检测模型的训练。
可选地,所述使用所述切片图像完成对所述检测模型的训练,包括:
对所述切片图像进行分类处理和位置归回处理;
根据分类处理的结果和位置归回的结果计算损失函数;
根据所述损失函数调整所述检测模型中的参数,以使下次对所述检测模型进行训练时得到的损失函数降低。
可选地,所述根据所述T,对所述目标车载SAR图像中的各像素点进行标记,以确定出所述目标车载SAR图像对应的第一二值图像,包括:
将所述目标车载SAR图像中灰度值大于或者等于所述T的像素点标记为1,将所述目标车载SAR图像中灰度值小于所述T的像素点标记为0,将标记有1和0的图像作为所述第一二值图像。
第二方面,本申请实施例提供了一种基于深度学习的检测模型训练装置,包括:
获取单元,用于获取携带有标记框的目标车载合成孔径雷达SAR图像和通过卷积神经网络对所述目标车载SAR图像进行特征提取得到的M维特征图像,其中,M等于所述特征图像的维度的个数;
灰度单元,用于根据所述目标车载SAR图像中位于所述标记框内的第一灰度分布和所述目标车载SAR图像中位于所述标记框外的第二灰度分布,获得所述目标车载SAR图像的灰度分割阈值T;
比较单元,用于根据所述T,对所述目标车载SAR图像中的各像素点进行标记,以确定出所述目标车载SAR图像对应的第一二值图像;
调整单元,用于以所述M维特征图像的尺寸为标准,对所述第一二值图像的尺寸进行调整,以得到第二二值图像;
训练单元,用于根据所述M维特征图像和所述第二二值图像,完成对检测模型的训练。
可选地,所述训练单元用于根据所述M维特征图像和所述第二二值图像,完成对检测模型的训练时,包括:
确定所述第二二值图像中像素点的灰度值大于所述T的第一区域;
根据所述第一区域在所述第二二值图像中的位置,确定所述M维特征图像对应的位置,以将所述M维特征图像对应的位置所在区域作为目标区域;
根据所述目标区域,完成对所述检测模型的训练。
可选地,在所述训练单元用于根据所述目标区域,完成对所述检测模型的训练时,包括:
将所述标记框的最大尺寸,确定为候选框的尺寸上限,将所述标记框的最小尺寸,确定为所述候选框的尺寸下限;
根据所述尺寸上限和所述尺寸下限,确定所述候选框的面积取值范围;
将所述标记框的最大长宽比,确定为所述候选框的长宽比上限,将所述标记框的最小长宽比,确定为所述候选框的长宽比下限;
根据所述长宽比上限和所述长宽比下限,确定所述候选框的长宽比范围;
根据所述面积取值范围和所述长宽比范围,确定八个所述候选框;
以所述目标区域中的各像素点作为八个所述候选框的中心,以确定出所述目标区域的切片图像;
使用所述切片图像完成对所述检测模型的训练。
可选地,在所述训练单元用于使用所述切片图像完成对所述检测模型的训练时,包括:
对所述切片图像进行分类处理和位置归回处理;
根据分类处理的结果和位置归回的结果计算损失函数;
根据所述损失函数调整所述检测模型中的参数,以使下次对所述检测模型进行训练时得到的损失函数降低
可选地,在所述比较单元用于根据所述T,对所述目标车载SAR图像中的各像素点进行标记,以确定出所述目标车载SAR图像对应的第一二值图像时,包括:
将所述目标车载SAR图像中灰度值大于或者等于所述T的像素点标记为1,将所述目标车载SAR图像中灰度值小于所述T的像素点标记为0,将标记有1和0的图像作为所述第一二值图像。
第三方面,本申请实施例还提供了一种电子设备,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如第一方面中任一项所述的检测模型训练方法的步骤。
第四方面,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如第一方面中任一项所述的检测模型训练方法的步骤。
本申请的实施例提供的技术方案可以包括以下有益效果:
在本申请实施例中,在获取到携带有标记框的目标车载合成孔径雷达SAR图像和通过卷积神经网络对所述目标车载SAR图像进行特征提取得到的M维特征图像后,确定出目标车载SAR图像的灰度分割阈值T,然后利用灰度分割阈值T和目标车载SAR图像中的各像素点的灰度值,确定出目标车载SAR图像对应的第一二值图像,该第一二值图像能够表示出目标车载SAR图像中哪些区域为目标区域,哪些区域为背景区域,然后以M维特征图像的尺寸为标准,对第一二值图像的尺寸进行调整,以得到第二二值图像,此时第二二值图像与M维特征图像的尺寸是相同的,此时可以将第二二值图像与M维特征图像作为彼此的参考依据,例如:M维特征图像可以根据第二二值图像确定自身哪部分是目标区域,哪部分是背景部分,然后再根据M维特征图像和第二二值图像,完成对检测模型的训练,由于进行模型训练后可以对检测模型中参数的修改,并且检测模型的参数是利用车载SAR图像进行的修改,因此修改后的检测模型更加适用于车载SAR图像的检测,从而相对于现有技术,在本申请中,使用完成训练的检测模型在对车载SAR图像进行检测时,有利于提高检测效果,从而有利于使得检测结果更加准确。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例一提供的一种基于深度学习的检测模型训练方法的流程示意图;
图2为本申请实施例一提供的另一种基于深度学习的检测模型训练方法的流程示意图;
图3为本申请实施例一提供的另一种基于深度学习的检测模型训练方法的流程示意图;
图4为本申请实施例一提供的另一种基于深度学习的检测模型训练方法的流程示意图;
图5为本申请实施例二提供的一种基于深度学习的检测模型训练装置的结构示意图;
图6为本申请实施例三提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
实施例一
图1为本申请实施例一提供的一种基于深度学习的检测模型训练方法的流程示意图,如图1所示,该方法包括以下步骤:
步骤101、获取携带有标记框的目标车载SAR图像和通过卷积神经网络对所述目标车载SAR图像进行特征提取得到的M维特征图像。
其中,M等于所述特征图像的维度的个数。
具体的,在获取携带有标记框的目标车载SAR图像后,可以通过该标记框对目标车载SAR图像中的目标物和背景部分进行区分,并且为了获取到目标车载SAR图像对应的特征图像,需要将目标车载SAR图像输入卷积神经网络中,以对目标车载SAR图像进行特征提取,然后得到M维的特征图像,通过上述处理可以完成对目标车载SAR图像的初步处理,为后续训练指定的检测模型做好前期准备。
需要说明的是,可以通过人工的方式使用标记框对目标车载SAR图像中目标物进行标记,或者可以通过标记软件对目标车载SAR图像中目标物进行标记,关于使用标记框对目标车载SAR图像中目标物进行标记的具体方式可以根据实际需要进行设置,在此不做具体限定。
需要再次说明的是,标记框的形状可以为矩形的,标记框能够将目标车载SAR图像中的目标物标识出来,当目标车载SAR图像中包含有多个目标物时,可以通过多个标记框分别对不同的目标物进行标记,例如,当目标车载SAR图像中包括的目标物有一个车子、一个人和一只猫时,可以通过三个标记框对上述三个目标物进行标记,并且各目标物对应的标记框的大小可以根据其对应的目标物的大小进行设置,关于某一目标物对应的标记框的具体大小,在此不做具体限定。
步骤102、根据所述目标车载SAR图像中位于所述标记框内的第一灰度分布和所述目标车载SAR图像中位于所述标记框外的第二灰度分布,获得所述目标车载SAR图像的灰度分割阈值T。
具体的,由于目标车载SAR图像中的目标物所在的区域(目标车载SAR图像中位于标记框内的区域)和背景部分所在的区域(目标车载SAR图像中位于标记框外的区域)的像素点的灰度值是不同的,为了对目标物所在的区域和背景部分所在的区域进行区分,需要获取目标车载SAR图像中位于标记框内的第一灰度分布和目标车载SAR图像中位于标记框外的第二灰度分布,然后可以利用第一灰度分布和第二灰度分布各自对应的灰度极值,来确定目标车载SAR图像的灰度分割阈值T,通过灰度分割阈值T可以对目标物所在区域和背景部分所在的区域在目标车载SAR图像中区分开来。
需要说明的是,在确定目标车载SAR图像的灰度分割阈值T时,也可以通过第一灰度分布和第二灰度分布各自对应的均值或者方差来确定,具体使用何种方式来确定目标车载SAR图像的灰度分割阈值T可以根据实际需要进行设置,在此不做具体限定。
步骤103、根据所述T,对所述目标车载SAR图像中的各像素点进行标记,以确定出所述目标车载SAR图像对应的第一二值图像。
具体的,由于通过灰度分割阈值T能够对目标车载SAR图像中的目标物所在区域和背景区域所在区域进行区分,进一步的,目标物所在区域和背景区域所在区域的像素点的灰度值是不同的,因此利用灰度分割阈值T,对标车载SAR图像中的各像素点进行标记后,可以通过生成的第一二值图像直接确定出哪些区域是目标物所在的区域,哪些区域是背景区域所在的区域。
步骤104、以所述M维特征图像的尺寸为标准,对所述第一二值图像的尺寸进行调整,以得到第二二值图像。
具体的,为了使M维特征图像中的各个区域能够和第一二值图像中的各个区域一一对应上,需要将第一二值图像的尺寸调整为M维特征图像的尺寸,此时可以通过第二二值图像确定出M维特征图像中哪部分是目标物所在的区域,哪些部分是目标物所在的区域。
步骤105、根据所述M维特征图像和所述第二二值图像,完成对检测模型的训练。
具体的,通过第二二值图像可以确定出M维特征图像哪些位置为目标物所在的位置,因此可以通过第二二值图像,使用M维特征图像中的目标物完成对检测模型的训练,由于进行模型训练后可以对检测模型中参数的修改,并且检测模型的参数是利用车载SAR图像进行的修改,因此修改后的检测模型更加适用于车载SAR图像的检测,从而相对于现有技术,在本申请中,使用完成训练的检测模型在对车载SAR图像进行检测时,有利于提高检测效果,从而有利于使得检测结果更加准确。
在一个可行的实施方案中,图2为本申请实施例一提供的另一种基于深度学习的检测模型训练方法的流程示意图,如图2所示,在执行步骤105时,可以通过以下步骤实现:
步骤201、确定所述第二二值图像中像素点的灰度值大于所述T的第一区域。
步骤202、根据所述第一区域在所述第二二值图像中的位置,确定所述M维特征图像对应的位置,以将所述M维特征图像对应的位置所在区域作为目标区域。
步骤203、根据所述目标区域,完成对所述检测模型的训练。
具体的,由于第二二值图像中像素点的灰度值大于T的第一区域是目标车载SAR图像中的目标物所在的区域,并且由于第二二值图像和M维特征图像的各个区域是一一对应的,因此可以通过第一区域在第二二值图像中的位置,确定出目标车载SAR图像中的目标物在M维特征图像中所在的区域,在确定出目标物所在的区域后,可以通过该区域中的目标物对检测模型进行训练,由于进行模型训练后可以对检测模型中参数的修改,并且检测模型的参数是利用车载SAR图像进行的修改,因此修改后的检测模型更加适用于车载SAR图像的检测,从而相对于现有技术,在本申请中,使用完成训练的检测模型在对车载SAR图像进行检测时,有利于提高检测效果,从而有利于使得检测结果更加准确。
在一个可行的实施方案中,图3为本申请实施例一提供的另一种基于深度学习的检测模型训练方法的流程示意图,如图3所示,在执行步骤203时,可以通过以下步骤实现:
步骤301、将所述标记框的最大尺寸,确定为候选框的尺寸上限,将所述标记框的最小尺寸,确定为所述候选框的尺寸下限。
步骤302、根据所述尺寸上限和所述尺寸下限,确定所述候选框的面积取值范围。
具体的,目标车载SAR图像包括的目标物的大小可能是不同的,因此标记框的大小也可能不同,为了确定出候选框尺寸的范围,可以将标记框的最大尺寸作为候选框的尺寸上限,将标记框的最小尺寸作为候选框的尺寸下限,通过设定候选框尺寸的上限和下限,在选择候选框的尺寸时,可以在候选框的尺寸范围内进行选择。
其中,候选框用于对M维特征图像中的目标区域进行标识,通过在候选框的尺寸范围内选择候选框的尺寸后,可以将该目标区域切分为不同尺寸的图像,从而可以利用M维特征图像中目标物的局部对检测模型进行训练,从而有利于提高检测模型在对标车载SAR图像进行检测时的检测效果。
步骤303、将所述标记框的最大长宽比,确定为所述候选框的长宽比上限,将所述标记框的最小长宽比,确定为所述候选框的长宽比下限。
步骤304、根据所述长宽比上限和所述长宽比下限,确定所述候选框的长宽比范围。
具体的,目标车载SAR图像包括的目标物的大小可能是不同的,因此标记框的大小也可能不同,为了确定出候选框的形状的长宽比范围,可以将标记框的最大长宽比作为候选框的长宽比上限,将标记框的最小长宽比作为候选框的长宽比下限,通过设定候选框长宽比的上限和下限,在选择候选框的长宽比时,可以在候选框的长宽比范围内进行选择,通过选择不同的长宽比,可以得到不同形状的候选框。
其中,候选框用于对M维特征图像中的目标区域进行标识,通过在候选框的长宽比范围内选择候选框的长宽比后,可以将该目标区域切分为不同形状的图像,即:目标的局部可以产生多种形状的图像,通过该多种形状的图像对检测模型进行训练后,有利于提高检测模型在对标车载SAR图像进行检测时的检测效果。
步骤305、根据所述面积取值范围和所述长宽比范围,确定八个所述候选框。
举例说明,在选择八个候选框是,可以在面积取值范围内选择两个数值,在长宽比范围内选择四个数值,其中,每个面积对应四种长宽比,从而可以确定出八个候选框,在现有技术中,通常选择九个或九个以上的候选框,因此本申请相对于现有技术,选择的候选框的个数减少了,因此有利于降低数据处理量,从而有利于提高检测模型的训练速度。
步骤306、以所述目标区域中的各像素点作为八个所述候选框的中心,以确定出所述目标区域的切片图像。
以某一像素点为例,将该像素点作为某个候选框的中心点,然后以该候选框标记出目标区域中的一部分区域,从而确定出切片图像,由于是使用八个候选框对M维特征图像中的目标区域进行切片,因此每个像素点都可以产生M*8个切片图像。
并且,由于只对目标区域进行切片,相对现有技术(不仅对目标区域进行切片,还对背景区域进行切片),本申请有利于降低切片图像的数量,从而有利于降低数据处理量,进而有利于提高检测模型的训练速度
步骤307、使用所述切片图像完成对所述检测模型的训练。
具体的,当像素点有N个时,M维特征图像中的目标区域可以生成M*8*N个切片图像,然后通过M*8*N个切片图像对完成对检测模型的训练。由于进行模型训练后可以对检测模型中参数的修改,并且检测模型的参数是利用车载SAR图像进行的修改,因此修改后的检测模型更加适用于车载SAR图像的检测,从而相对于现有技术,在本申请中,使用完成训练的检测模型在对车载SAR图像进行检测时,有利于提高检测效果,从而有利于使得检测结果更加准确。
在一个可行的实施方案中,图4为本申请实施例一提供的另一种基于深度学习的检测模型训练方法的流程示意图,如图4所示,在执行步骤307时,可以通过以下步骤实现:
步骤401、对所述切片图像进行分类处理和位置归回处理。
步骤402、根据分类处理的结果和位置归回的结果计算损失函数。
步骤403、根据所述损失函数调整所述检测模型中的参数,以使下次对所述检测模型进行训练时得到的损失函数降低。
具体的,在对切片图像进行处理时,同时使用分类处理和位置归回处理,然后使用分类处理的结果和位置回归的结果计算损失函数,从而可以将分类处理的结果和位置回归的结果集成在一起,从而只生成一个损失函数,相对于现有技术(通过分类处理的结果得到一个损失函数,通过位置回归的结果得到另一个损失函数),本申请实施例生成的损失函数兼顾了分类处理和位置回归处理,即:对权衡了候选框的损失和类别判断的损失,进而在根据损失函数调整检测模型中的参数时,使得调整后的参数更加符合实际需要。由于在对检测模型中的参数进行调整时,是采用迭代的策略进行的,随着迭代的进行,逐步训练后的检测模型会越来越符合车载SAR图像的检测需求,并且每次迭代都是利用车载SAR图像对检测模型中的参数进行修改的,因此迭代后的检测模型更加适用于车载SAR图像的检测,从而相对于现有技术,在本申请中,使用完成训练的检测模型在对车载SAR图像进行检测时,有利于提高检测效果,从而有利于使得检测结果更加准确。
在一个可行的实施方案中,在执行步骤103时,将所述目标车载SAR图像中灰度值大于或者等于所述T的像素点标记为1,将所述目标车载SAR图像中灰度值小于所述T的像素点标记为0,将标记有1和0的图像作为所述第一二值图像。
具体的,在目标车载SAR图像中,灰度值大于T的像素点属于目标物,接近目标物的像素点的像素值一般不小于T,因此可以将灰度值大于或者等于T的像素点所在的区域确定为目标物所在的区域,并使用1对目标物所在的区域进行标记,灰度值小于T的像素点属于背景部分,因此可以将灰度值大小于T的像素点所在的区域确定为背景区域,并使用0对背景区域进行标记,此时可以将目标车载SAR图像转换成有0和1表示背景区域和目标物区域的第一二值图像。
需要说明的是,本申请实施例中的检测模型可以为Faster-RCNN(这是一个组合模型,该组合模型为综合了RPN(Region Proposal Network,候选区域网络)和CNN(Convolutional Neural Networks,卷积神经网络)的一个可以达到更快检测效率的检测模型)检测模型,当然还可以为其他类型的检测模型,关于检测模型的具体类型可以根据实际需要进行设定,在此不做具体限定。
实施例二
图5为本申请实施例二提供的一种基于深度学习的检测模型训练装置的结构示意图,如图5所示,该装置包括:
获取单元51,用于获取携带有标记框的目标车载合成孔径雷达SAR图像和通过卷积神经网络对所述目标车载SAR图像进行特征提取得到的M维特征图像,其中,M等于所述特征图像的维度的个数;
灰度单元52,用于根据所述目标车载SAR图像中位于所述标记框内的第一灰度分布和所述目标车载SAR图像中位于所述标记框外的第二灰度分布,获得所述目标车载SAR图像的灰度分割阈值T;
比较单元53,用于根据所述T,对所述目标车载SAR图像中的各像素点进行标记,以确定出所述目标车载SAR图像对应的第一二值图像;
调整单元54,用于以所述M维特征图像的尺寸为标准,对所述第一二值图像的尺寸进行调整,以得到第二二值图像;
训练单元55,用于根据所述M维特征图像和所述第二二值图像,完成对检测模型的训练。
在一个可行的实施方案中,所述训练单元55用于根据所述M维特征图像和所述第二二值图像,完成对检测模型的训练时,包括:
确定所述第二二值图像中像素点的灰度值大于所述T的第一区域;
根据所述第一区域在所述第二二值图像中的位置,确定所述M维特征图像对应的位置,以将所述M维特征图像对应的位置所在区域作为目标区域;
根据所述目标区域,完成对所述检测模型的训练。
在一个可行的实施方案中,在所述训练单元55用于根据所述目标区域,完成对所述检测模型的训练时,包括:
将所述标记框的最大尺寸,确定为候选框的尺寸上限,将所述标记框的最小尺寸,确定为所述候选框的尺寸下限;
根据所述尺寸上限和所述尺寸下限,确定所述候选框的面积取值范围;
将所述标记框的最大长宽比,确定为所述候选框的长宽比上限,将所述标记框的最小长宽比,确定为所述候选框的长宽比下限;
根据所述长宽比上限和所述长宽比下限,确定所述候选框的长宽比范围;
根据所述面积取值范围和所述长宽比范围,确定八个所述候选框;
以所述目标区域中的各像素点作为八个所述候选框的中心,以确定出所述目标区域的切片图像;
使用所述切片图像完成对所述检测模型的训练。
在一个可行的实施方案中,在所述训练单元55用于使用所述切片图像完成对所述检测模型的训练时,包括:
对所述切片图像进行分类处理和位置归回处理;
根据分类处理的结果和位置归回的结果计算损失函数;
根据所述损失函数调整所述检测模型中的参数,以使下次对所述检测模型进行训练时得到的损失函数降低
在一个可行的实施方案中,在所述比较单元53用于根据所述T,对所述目标车载SAR图像中的各像素点进行标记,以确定出所述目标车载SAR图像对应的第一二值图像时,包括:
将所述目标车载SAR图像中灰度值大于或者等于所述T的像素点标记为1,将所述目标车载SAR图像中灰度值小于所述T的像素点标记为0,将标记有1和0的图像作为所述第一二值图像。
关于上述单元的详细介绍可参考实施例一的相关说明,在此不再详细赘述。
在本申请实施例中,在获取到携带有标记框的目标车载合成孔径雷达SAR图像和通过卷积神经网络对所述目标车载SAR图像进行特征提取得到的M维特征图像后,确定出目标车载SAR图像的灰度分割阈值T,然后利用灰度分割阈值T和目标车载SAR图像中的各像素点的灰度值,确定出目标车载SAR图像对应的第一二值图像,该第一二值图像能够表示出目标车载SAR图像中哪些区域为目标区域,哪些区域为背景区域,然后以M维特征图像的尺寸为标准,对第一二值图像的尺寸进行调整,以得到第二二值图像,此时第二二值图像与M维特征图像的尺寸是相同的,此时可以将第二二值图像与M维特征图像作为彼此的参考依据,例如:M维特征图像可以根据第二二值图像确定自身哪部分是目标区域,哪部分是背景部分,然后再根据M维特征图像和第二二值图像,完成对检测模型的训练,由于进行模型训练后可以对检测模型中参数的修改,并且检测模型的参数是利用车载SAR图像进行的修改,因此修改后的检测模型更加适用于车载SAR图像的检测,从而相对于现有技术,在本申请中,使用完成训练的检测模型在对车载SAR图像进行检测时,有利于提高检测效果,从而有利于使得检测结果更加准确。
实施例三
图6为本申请实施例三提供的一种电子设备的结构示意图,包括:处理器601、存储介质602和总线603,所述存储介质602存储有所述处理器601可执行的机器可读指令,当电子设备运行上述的基于深度学习的检测模型训练方法时,所述处理器601与所述存储介质602之间通过总线603通信,所述处理器601执行所述机器可读指令,以执行上述任意实施例所述的基于深度学习的检测模型训练方法的步骤。
实施例四
本申请实施例四还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述任意实施例所述的基于深度学习的检测模型训练方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述基于深度学习的检测模型训练方法,通过上述方法,由于进行检测模型训练后可以对检测模型中参数的修改,并且检测模型的参数是利用车载SAR图像进行的修改,因此修改后的检测模型更加适用于车载SAR图像的检测,从而相对于现有技术,在本申请中,使用完成训练的检测模型在对车载SAR图像进行检测时,有利于提高检测效果,从而有利于使得检测结果更加准确。
本申请实施例所提供的基于深度学习的检测模型训练方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,程序代码包括的指令可用于执行前面方法实施例中的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考方法实施例中的对应过程,本申请中不再赘述。在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于深度学习的检测模型训练方法,其特征在于,包括:
获取携带有标记框的目标车载合成孔径雷达SAR图像和通过卷积神经网络对所述目标车载SAR图像进行特征提取得到的M维特征图像,其中,M等于所述特征图像的维度的个数;
根据所述目标车载SAR图像中位于所述标记框内的第一灰度分布和所述目标车载SAR图像中位于所述标记框外的第二灰度分布,获得所述目标车载SAR图像的灰度分割阈值T;
根据所述T,对所述目标车载SAR图像中的各像素点进行标记,以确定出所述目标车载SAR图像对应的第一二值图像;
以所述M维特征图像的尺寸为标准,对所述第一二值图像的尺寸进行调整,以得到第二二值图像;
根据所述M维特征图像和所述第二二值图像,完成对检测模型的训练。
2.如权利要求1所述的检测模型训练方法,其特征在于,所述根据所述M维特征图像和所述第二二值图像,完成对检测模型的训练,包括:
确定所述第二二值图像中像素点的灰度值大于所述T的第一区域;
根据所述第一区域在所述第二二值图像中的位置,确定所述M维特征图像对应的位置,以将所述M维特征图像对应的位置所在区域作为目标区域;
根据所述目标区域,完成对所述检测模型的训练。
3.如权利要求2所述的检测模型训练方法,其特征在于,所述根据所述目标区域,完成对所述检测模型的训练,包括:
将所述标记框的最大尺寸,确定为候选框的尺寸上限,将所述标记框的最小尺寸,确定为所述候选框的尺寸下限;
根据所述尺寸上限和所述尺寸下限,确定所述候选框的面积取值范围;
将所述标记框的最大长宽比,确定为所述候选框的长宽比上限,将所述标记框的最小长宽比,确定为所述候选框的长宽比下限;
根据所述长宽比上限和所述长宽比下限,确定所述候选框的长宽比范围;
根据所述面积取值范围和所述长宽比范围,确定八个所述候选框;
以所述目标区域中的各像素点作为八个所述候选框的中心,以确定出所述目标区域的切片图像;
使用所述切片图像完成对所述检测模型的训练。
4.如权利要求3所述的检测模型训练方法,其特征在于,所述使用所述切片图像完成对所述检测模型的训练,包括:
对所述切片图像进行分类处理和位置归回处理;
根据分类处理的结果和位置归回的结果计算损失函数;
根据所述损失函数调整所述检测模型中的参数,以使下次对所述检测模型进行训练时得到的损失函数降低。
5.如权利要求1所述的检测模型训练方法,其特征在于,所述根据所述T,对所述目标车载SAR图像中的各像素点进行标记,以确定出所述目标车载SAR图像对应的第一二值图像,包括:
将所述目标车载SAR图像中灰度值大于或者等于所述T的像素点标记为1,将所述目标车载SAR图像中灰度值小于所述T的像素点标记为0,将标记有1和0的图像作为所述第一二值图像。
6.一种基于深度学习的检测模型训练装置,其特征在于,包括:
获取单元,用于获取携带有标记框的目标车载合成孔径雷达SAR图像和通过卷积神经网络对所述目标车载SAR图像进行特征提取得到的M维特征图像,其中,M等于所述特征图像的维度的个数;
灰度单元,用于根据所述目标车载SAR图像中位于所述标记框内的第一灰度分布和所述目标车载SAR图像中位于所述标记框外的第二灰度分布,获得所述目标车载SAR图像的灰度分割阈值T;
比较单元,用于根据所述T,对所述目标车载SAR图像中的各像素点进行标记,以确定出所述目标车载SAR图像对应的第一二值图像;
调整单元,用于以所述M维特征图像的尺寸为标准,对所述第一二值图像的尺寸进行调整,以得到第二二值图像;
训练单元,用于根据所述M维特征图像和所述第二二值图像,完成对检测模型的训练。
7.如权利要求6所述的检测模型训练装置,其特征在于,所述训练单元用于根据所述M维特征图像和所述第二二值图像,完成对检测模型的训练时,包括:
确定所述第二二值图像中像素点的灰度值大于所述T的第一区域;
根据所述第一区域在所述第二二值图像中的位置,确定所述M维特征图像对应的位置,以将所述M维特征图像对应的位置所在区域作为目标区域;
根据所述目标区域,完成对所述检测模型的训练。
8.如权利要求7所述的检测模型训练装置,其特征在于,在所述训练单元用于根据所述目标区域,完成对所述检测模型的训练时,包括:
将所述标记框的最大尺寸,确定为候选框的尺寸上限,将所述标记框的最小尺寸,确定为所述候选框的尺寸下限;
根据所述尺寸上限和所述尺寸下限,确定所述候选框的面积取值范围;
将所述标记框的最大长宽比,确定为所述候选框的长宽比上限,将所述标记框的最小长宽比,确定为所述候选框的长宽比下限;
根据所述长宽比上限和所述长宽比下限,确定所述候选框的长宽比范围;
根据所述面积取值范围和所述长宽比范围,确定八个所述候选框;
以所述目标区域中的各像素点作为八个所述候选框的中心,以确定出所述目标区域的切片图像;
使用所述切片图像完成对所述检测模型的训练。
9.如权利要求8所述的检测模型训练装置,其特征在于,在所述训练单元用于使用所述切片图像完成对所述检测模型的训练时,包括:
对所述切片图像进行分类处理和位置归回处理;
根据分类处理的结果和位置归回的结果计算损失函数;
根据所述损失函数调整所述检测模型中的参数,以使下次对所述检测模型进行训练时得到的损失函数降低。
10.如权利要求6所述的检测模型训练装置,其特征在于,在所述比较单元用于根据所述T,对所述目标车载SAR图像中的各像素点进行标记,以确定出所述目标车载SAR图像对应的第一二值图像时,包括:
将所述目标车载SAR图像中灰度值大于或者等于所述T的像素点标记为1,将所述目标车载SAR图像中灰度值小于所述T的像素点标记为0,将标记有1和0的图像作为所述第一二值图像。
CN201910199187.5A 2019-03-15 2019-03-15 一种基于深度学习的检测模型训练方法和装置 Active CN109871829B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910199187.5A CN109871829B (zh) 2019-03-15 2019-03-15 一种基于深度学习的检测模型训练方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910199187.5A CN109871829B (zh) 2019-03-15 2019-03-15 一种基于深度学习的检测模型训练方法和装置

Publications (2)

Publication Number Publication Date
CN109871829A true CN109871829A (zh) 2019-06-11
CN109871829B CN109871829B (zh) 2021-06-04

Family

ID=66920655

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910199187.5A Active CN109871829B (zh) 2019-03-15 2019-03-15 一种基于深度学习的检测模型训练方法和装置

Country Status (1)

Country Link
CN (1) CN109871829B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110390691A (zh) * 2019-06-12 2019-10-29 合肥合工安驰智能科技有限公司 一种基于深度学习的矿石尺度测量方法及应用系统
CN110826566A (zh) * 2019-11-01 2020-02-21 北京环境特性研究所 一种基于深度学习的目标切片提取方法
CN111080602A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 铁路货车漏水孔异物检测方法
CN111681229A (zh) * 2020-06-10 2020-09-18 创新奇智(上海)科技有限公司 深度学习模型训练方法、可穿戴衣服瑕疵识别方法及装置
CN112200004A (zh) * 2020-09-15 2021-01-08 深圳市优必选科技股份有限公司 图像检测模型的训练方法、装置及终端设备
TWI826723B (zh) * 2019-10-03 2023-12-21 瑞典商安訊士有限公司 用於產生物件之物件分類的方法和裝置

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650615A (zh) * 2016-11-07 2017-05-10 深圳云天励飞技术有限公司 一种图像处理方法及终端
CN106886023A (zh) * 2017-02-27 2017-06-23 中国人民解放军理工大学 一种基于动态卷积神经网络的雷达回波外推方法
CN107423705A (zh) * 2017-07-21 2017-12-01 西安电子科技大学 基于多层概率统计模型的sar图像目标识别方法
CN108009554A (zh) * 2017-12-01 2018-05-08 国信优易数据有限公司 一种图像处理方法以及装置
CN108280460A (zh) * 2017-12-04 2018-07-13 西安电子科技大学 基于改进卷积神经网络的sar车辆目标识别方法
CN108333563A (zh) * 2017-01-20 2018-07-27 北京行易道科技有限公司 雷达及交通工具
CN108537102A (zh) * 2018-01-25 2018-09-14 西安电子科技大学 基于稀疏特征与条件随机场的高分辨sar图像分类方法
US20180268535A1 (en) * 2016-04-12 2018-09-20 Adobe Systems Incorporated Utilizing deep learning to rate attributes of digital images
CN108629246A (zh) * 2017-03-23 2018-10-09 北京行易道科技有限公司 车载图像处理方法、装置以及车辆
CN108776786A (zh) * 2018-06-04 2018-11-09 北京京东金融科技控股有限公司 用于生成用户真伪识别模型的方法和装置
US20180330818A1 (en) * 2017-05-12 2018-11-15 Samsung Electronics Co., Ltd. Method of providing scan protocol information to medical device and electronic device therefor
CN108875595A (zh) * 2018-05-29 2018-11-23 重庆大学 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
CN108931771A (zh) * 2018-06-06 2018-12-04 电子科技大学 一种基于合成孔径雷达成像技术的目标跟踪方法
CN108960190A (zh) * 2018-07-23 2018-12-07 西安电子科技大学 基于fcn图像序列模型的sar视频目标检测方法
CN109086802A (zh) * 2018-07-10 2018-12-25 东南大学 一种基于八元数卷积神经网络的图像分类方法
CN109117794A (zh) * 2018-08-16 2019-01-01 广东工业大学 一种运动目标行为跟踪方法、装置、设备及可读存储介质
CN109145872A (zh) * 2018-09-20 2019-01-04 北京遥感设备研究所 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法
CN109214353A (zh) * 2018-09-27 2019-01-15 云南大学 一种基于剪枝模型的人脸图像快速检测训练方法和装置
CN109214241A (zh) * 2017-07-03 2019-01-15 中国科学院文献情报中心 基于深度学习算法的行人检测方法

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180268535A1 (en) * 2016-04-12 2018-09-20 Adobe Systems Incorporated Utilizing deep learning to rate attributes of digital images
CN106650615A (zh) * 2016-11-07 2017-05-10 深圳云天励飞技术有限公司 一种图像处理方法及终端
CN108333563A (zh) * 2017-01-20 2018-07-27 北京行易道科技有限公司 雷达及交通工具
CN106886023A (zh) * 2017-02-27 2017-06-23 中国人民解放军理工大学 一种基于动态卷积神经网络的雷达回波外推方法
CN108629246A (zh) * 2017-03-23 2018-10-09 北京行易道科技有限公司 车载图像处理方法、装置以及车辆
US20180330818A1 (en) * 2017-05-12 2018-11-15 Samsung Electronics Co., Ltd. Method of providing scan protocol information to medical device and electronic device therefor
CN109214241A (zh) * 2017-07-03 2019-01-15 中国科学院文献情报中心 基于深度学习算法的行人检测方法
CN107423705A (zh) * 2017-07-21 2017-12-01 西安电子科技大学 基于多层概率统计模型的sar图像目标识别方法
CN108009554A (zh) * 2017-12-01 2018-05-08 国信优易数据有限公司 一种图像处理方法以及装置
CN108280460A (zh) * 2017-12-04 2018-07-13 西安电子科技大学 基于改进卷积神经网络的sar车辆目标识别方法
CN108537102A (zh) * 2018-01-25 2018-09-14 西安电子科技大学 基于稀疏特征与条件随机场的高分辨sar图像分类方法
CN108875595A (zh) * 2018-05-29 2018-11-23 重庆大学 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
CN108776786A (zh) * 2018-06-04 2018-11-09 北京京东金融科技控股有限公司 用于生成用户真伪识别模型的方法和装置
CN108931771A (zh) * 2018-06-06 2018-12-04 电子科技大学 一种基于合成孔径雷达成像技术的目标跟踪方法
CN109086802A (zh) * 2018-07-10 2018-12-25 东南大学 一种基于八元数卷积神经网络的图像分类方法
CN108960190A (zh) * 2018-07-23 2018-12-07 西安电子科技大学 基于fcn图像序列模型的sar视频目标检测方法
CN109117794A (zh) * 2018-08-16 2019-01-01 广东工业大学 一种运动目标行为跟踪方法、装置、设备及可读存储介质
CN109145872A (zh) * 2018-09-20 2019-01-04 北京遥感设备研究所 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法
CN109214353A (zh) * 2018-09-27 2019-01-15 云南大学 一种基于剪枝模型的人脸图像快速检测训练方法和装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ZHU WEIGANG ET AL: "Research on target detection of SAR images based on deep learning", 《IMAGE AND SIGNAL PROCESSING FOR REMOTE SENSING》 *
曲景影等: "基于CNN模型的高分辨率遥感图像目标识别", 《国外电子测量技术》 *
朱彬: "基于主动学习的车载单目视觉车辆检测与跟踪研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
樊旭云: "基于深度学习的SAR目标识别方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
龙贺兆: "基于稀疏深层网络的SAR图像分类方法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110390691A (zh) * 2019-06-12 2019-10-29 合肥合工安驰智能科技有限公司 一种基于深度学习的矿石尺度测量方法及应用系统
TWI826723B (zh) * 2019-10-03 2023-12-21 瑞典商安訊士有限公司 用於產生物件之物件分類的方法和裝置
CN110826566A (zh) * 2019-11-01 2020-02-21 北京环境特性研究所 一种基于深度学习的目标切片提取方法
CN110826566B (zh) * 2019-11-01 2022-03-01 北京环境特性研究所 一种基于深度学习的目标切片提取方法
CN111080602A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 铁路货车漏水孔异物检测方法
CN111080602B (zh) * 2019-12-12 2020-10-09 哈尔滨市科佳通用机电股份有限公司 铁路货车漏水孔异物检测方法
CN111681229A (zh) * 2020-06-10 2020-09-18 创新奇智(上海)科技有限公司 深度学习模型训练方法、可穿戴衣服瑕疵识别方法及装置
CN112200004A (zh) * 2020-09-15 2021-01-08 深圳市优必选科技股份有限公司 图像检测模型的训练方法、装置及终端设备
CN112200004B (zh) * 2020-09-15 2024-01-16 深圳市优必选科技股份有限公司 图像检测模型的训练方法、装置及终端设备

Also Published As

Publication number Publication date
CN109871829B (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN109871829A (zh) 一种基于深度学习的检测模型训练方法和装置
JP7190842B2 (ja) 情報処理装置、情報処理装置の制御方法及びプログラム
CN111340797A (zh) 一种激光雷达与双目相机数据融合检测方法及系统
CN104766058B (zh) 一种获取车道线的方法和装置
WO2018049998A1 (zh) 交通标志牌信息获取方法及装置
CN109583483B (zh) 一种基于卷积神经网络的目标检测方法和系统
CN110084304B (zh) 一种基于合成数据集的目标检测方法
CN104598915B (zh) 一种手势识别方法与装置
CN110245678B (zh) 一种基于异构孪生区域选取网络的图像匹配方法
CN112257605B (zh) 基于自标注训练样本的三维目标检测方法、系统及装置
CN110379020B (zh) 一种基于生成对抗网络的激光点云上色方法和装置
CN108764187A (zh) 提取车道线的方法、装置、设备、存储介质以及采集实体
CN106971185B (zh) 一种基于全卷积网络的车牌定位方法及装置
CN109934230A (zh) 一种基于视觉辅助的雷达点云分割方法
US20230085384A1 (en) Characterizing and improving of image processing
CN106127145A (zh) 瞳孔定位及跟踪方法
CN110349186B (zh) 基于深度匹配的大位移运动光流计算方法
CN110490936A (zh) 车辆摄像头的标定方法、装置、设备及可读存储介质
CN110991506A (zh) 一种车辆品牌识别方法、装置、设备及存储介质
CN109117746A (zh) 手部检测方法及机器可读存储介质
CN112348737A (zh) 模拟图像生成的方法、电子设备及存储介质
CN110443245A (zh) 一种非限制场景下的车牌区域的定位方法、装置及设备
CN115810133B (zh) 基于图像处理和点云处理的焊接控制方法及相关设备
CN109840463A (zh) 一种车道线识别方法和装置
CN118366162B (zh) 基于深度学习的图像分割方法及系统

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