CN109977878B - 基于重加权Anchor的车辆检测方法 - Google Patents
基于重加权Anchor的车辆检测方法 Download PDFInfo
- Publication number
- CN109977878B CN109977878B CN201910243460.XA CN201910243460A CN109977878B CN 109977878 B CN109977878 B CN 109977878B CN 201910243460 A CN201910243460 A CN 201910243460A CN 109977878 B CN109977878 B CN 109977878B
- Authority
- CN
- China
- Prior art keywords
- relu
- layer
- convolution layer
- conv
- center point
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于重加权Anchor的车辆检测方法,包括如下步骤:构造单次检测器SSD模型,基础网络使用预训练的VGG16分类网络;根据标签与先验信息计算车辆可见部分的中心点,并定义可见部分的高和宽;在损失函数中给每一正样本重新赋予权重;输入图像数据集,对构建的SSD模型进行训练;采用已训练的SSD模型进行车辆检测。本发明通过给定标签计算可见部分的中心并给每一个Anchor加权,给匹配的特征赋予高权重而不匹配的特征赋予低权重,从而提高了准确率。并且仅仅给损失函数添加权重,保持了SSD原有的速度,使得检测器能够以实时的速度运行并保持高速度。
Description
技术领域
本发明涉及车辆检测技术领域,具体涉及一种基于重加权Anchor的车辆检测方法。
背景技术
车辆检测是辅助驾驶系统(ADAS)和自动驾驶系统(ADS)的重要组成部分。速度和准确率高的车辆检测算法对于自动驾驶系统和辅助驾驶系统的安全性具有重要的意义。目前基于深度学习接近实时的车辆检测算法有YOLO、SSD等单次检测算法。在基于深度学习的单次检测算法如SSD中,单次检测算法首先产生一系列的Anchor,匹配算法选取Anchor与标签框IoU高的Anchor作为正样本去训练。
由于道路环境中可能存在的遮挡,在传统的单次检测算法中,匹配算法根据IoU选择的Anchor所对应的感受野并不在当前车辆上,这就造成预测框会向周围车辆偏移,从而检测准确率不高。因此本发明针对传统单次检测算法中车辆检测精度低的问题,提供一种基于重加权Anchor的车辆检测方法。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷,提供一种基于重加权Anchor的车辆检测方法。
本发明的目的可以通过采取如下技术方案达到:
一种基于重加权Anchor的车辆检测方法,所述的车辆检测方法包括如下步骤:
S1、构造单次检测器SSD模型,其中,SSD模型由相互连接的主干网络和检测子网络组成;
S2、根据标签与先验信息计算车辆可见部分的中心点,并定义可见部分的高和宽;
S3、在损失函数中给每一正样本加权重。
S4、输入图像数据集,对S1中构建的SSD模型进行训练;
S5、采用已训练的SSD模型进行车辆检测。
进一步地,所述的主干网络具体结构为:
从输入层至输出层依次连接为:卷积层conv1_1、Relu层conv1_1_relu、卷积层conv1_2、Relu层conv1_2_relu、池化层max_pooling1、卷积层conv2_1、Relu层conv2_1_relu、卷积层conv2_2、BN层conv2_2_bn、Relu层conv2_2_relu、池化层max_pooling2、卷积层conv3_1、Relu层conv3_1_relu、卷积层conv3_2、Relu层conv3_2_relu、卷积层conv3_3、Relu层conv3_3_relu、池化层max_pooling3、卷积层conv4_1、Relu层conv4_1_relu、卷积层conv4_2、Relu层conv4_2_relu、卷积层conv4_3、Relu层conv4_3_relu、池化层max_pooling4、卷积层conv5_1、Relu层conv5_1_relu、卷积层conv5_2、Relu层conv5_2_relu、卷积层conv5_3、Relu层conv5_3_relu、池化层max_pooling5、卷积层fc6、Relu层fc6_relu、卷积层fc7、Relu层fc7_relu、卷积层conv6_1、Relu层conv6_1_relu、卷积层conv6_2、Relu层conv6_2_relu、卷积层conv7_1、Relu层conv7_1_relu、卷积层conv7_2、Relu层conv7_2_relu、卷积层conv8_1、Relu层conv8_1_relu、卷积层conv8_2、Relu层conv8_2_relu、卷积层conv9_1、Relu层conv9_1_relu、卷积层conv9_2、Relu层conv9_2_relu、卷积层conv10_1、Relu层conv10_1_relu、卷积层conv10_2、Relu层conv10_2_relu、池化层global_pooling;
所述的检测子网络具体结构如下:
卷积层conv4_3后接卷积层conv4_3_pred,卷积层fc7后接卷积层fc7_pred,卷积层conv6_2后接卷积层conv6_2_pred,卷积层conv7_2后接卷积层conv7_2_pred,卷积层conv8_2后接卷积层conv8_2_pred、池化层global_pooling后接卷积层global_pooling_pred,将conv4_3_pred、fc7_pred、conv6_2_pred、conv7_2_pred、conv8_2_pred、global_pooling_pred连接到MultiBoxLoss层mbox_loss。
进一步地,所述的步骤S2具体如下:
S21、根据其他标签框计算当前标签框的可见部分,其中,可见部分定义为当前标签框与其他标签框不重叠的部分;
S22、将可见部分分割为多个矩形,分割出的矩形至少有三条边与可见部分的边在同一条直线上;
S23、根据分割出的矩形计算可见部分的中心点,首先计算两个矩形的之间的中心点,用分别表示两个矩形的中心,其中n∈{cx,cy},(cx,cy)表示中心点的坐标的横坐标和纵坐标,n表示cx,cy其中一个值,用a1,a2表示两个矩形的面积,使用下式计算两个矩形之间中心点的坐标:
其中q表示1,2中的一个值,q*表示中的较小值,n可取cx,cy,表示两个矩形之间中心点的坐标,表示坐标较小的矩形的面积,给定a1,a2,定义两个矩形面积和为得到中心点及其面积后,再根据中心点、面积和其他另一矩形更新中心点及其面积,最后得到计算完所有矩形后的中心点,定义可见部分的宽和高分别为所有矩形中面积最大的矩形的宽和高,使用(bcx,bcy,bw,bh)表示边框b,其中bcx,bcy,bw,bh分别表示边框b的中心的横坐标、中心的纵坐标、边框的宽度、边框的高,定义第j个标签框的可见部分边框为:vj=(vj cx,vj cy,vj w,vj h),其中vj为第j个标签框的可见部分边框,vj cx,vj cy,vj w,vj h分别表示第j个标签框的可见部分边框的中心点的横坐标、中心点的纵坐标、边框的宽度、边框的高度,分别表示可见部分的中心点的横坐标和纵坐标。
进一步地,所述的步骤S3具体如下:
S31、给定第j个标签框的可见部分边框vj,计算MultiBoxLoss层mbox_loss中第i个Anchor di的权重:
其中,在矩阵∑-1中的σ1,σ2控制高斯函数的半径,同时矩阵Aj根据每一标签框自适应地调整高斯函数的半径,α表示Anchor初始的权重,分别表示Anchordi的中心点和可见部分的中心点的坐标,Aj表示自适应的矩阵,σ1,σ2表示高斯函数初始的方差,分别表示Anchordi的中心点的横坐标和纵坐标,fij(di,vj)表示的是mbox_loss层中第i个Anchor di的权重;
S32、给定fij(di,vj),在损失函数中对每一正样本乘以第i个Anchor di的权重。
本发明相对于现有技术具有如下的优点及效果:
1.准确性:本发明通过给定标签计算可见部分的中心并给每一个Anchor加权,给匹配的特征赋予高权重而不匹配的特征赋予低权重,从而提高了准确率。
2.高效性:本发明仅仅给损失函数添加权重,保持了SSD原有的速度,使得检测器能够以实时的速度运行并保持高速度。
附图说明
图1是本发明中公开的一种基于重加权Anchor的车辆检测方法的总体流程图。
具体实施方式
为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。基于本发明中的实施例,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。
实施例
如图1所示,本实施例公开了一种基于重加权Anchor的车辆检测方法,具体包括下列步骤:
步骤S1、构造单次检测器SSD模型,其中,SSD模型由依次连接的主干网络和检测子网络组成。SSD模型的各个组成部分具体如下:
SSD模型的主干网络具体结构为:
从输入层至输出层依次连接为:卷积层conv1_1、Relu层conv1_1_relu、卷积层conv1_2、Relu层conv1_2_relu、池化层max_pooling1、卷积层conv2_1、Relu层conv2_1_relu、卷积层conv2_2、BN层conv2_2_bn、Relu层conv2_2_relu、池化层max_pooling2、卷积层conv3_1、Relu层conv3_1_relu、卷积层conv3_2、Relu层conv3_2_relu、卷积层conv3_3、Relu层conv3_3_relu、池化层max_pooling3、卷积层conv4_1、Relu层conv4_1_relu、卷积层conv4_2、Relu层conv4_2_relu、卷积层conv4_3、Relu层conv4_3_relu、池化层max_pooling4、卷积层conv5_1、Relu层conv5_1_relu、卷积层conv5_2、Relu层conv5_2_relu、卷积层conv5_3、Relu层conv5_3_relu、池化层max_pooling5、卷积层fc6、Relu层fc6_relu、卷积层fc7、Relu层fc7_relu、卷积层conv6_1、Relu层conv6_1_relu、卷积层conv6_2、Relu层conv6_2_relu、卷积层conv7_1、Relu层conv7_1_relu、卷积层conv7_2、Relu层conv7_2_relu、卷积层conv8_1、Relu层conv8_1_relu、卷积层conv8_2、Relu层conv8_2_relu、卷积层conv9_1、Relu层conv9_1_relu、卷积层conv9_2、Relu层conv9_2_relu、卷积层conv10_1、Relu层conv10_1_relu、卷积层conv10_2、Relu层conv10_2_relu、池化层global_pooling;
检测子网络具体结构如下:
卷积层conv4_3后接卷积层conv4_3_pred,卷积层fc7后接卷积层fc7_pred,卷积层conv6_2后接卷积层conv6_2_pred,卷积层conv7_2后接卷积层conv7_2_pred,卷积层conv8_2后接卷积层conv8_2_pred、池化层global_pooling后接卷积层global_pooling_pred,将conv4_3_pred、fc7_pred、conv6_2_pred、conv7_2_pred、conv8_2_pred、global_pooling_pred连接到MultiBoxLoss层mbox_loss。
步骤S2、根据标签与先验信息计算车辆可见部分的中心点,并定义可见部分的高和宽。其中,可见部分的中心点将作为下一步的高斯函数的均值中心。具体过程如下:
S21、根据其他标签框计算当前标签框的可见部分,可见部分定义为:当前标签框与其他标签框不重叠的部分为可见部分。
S22、将可见部分分割为多个矩形,分割出的矩形至少有三条边与可见部分的边在同一条直线上。
S23、根据分割出的矩形计算可见部分的中心点。首先计算两个矩形的之间的中心点。用分别表示两个矩形的中心,其中n∈{cx,cy},(cx,cy)表示中心点的坐标的横坐标和纵坐标,n表示cx,cy其中一个值。用a1,a2表示两个矩形的面积。使用下式计算两个矩形之间中心点的坐标:
其中q表示1,2中的一个值,q*表示中的较小值,n可取cx,cy,表示两个矩形之间中心点的坐标,表示坐标较小的矩形的面积,给定a1,a2,定义两个矩形面积和为得到中心点及其面积后,再根据中心点、面积和其他另一矩形更新中心点及其面积,最后得到计算完所有矩形后的中心点。定义可见部分的宽和高分别为所有矩形中面积最大的矩形的宽和高。使用(bcx,bcy,bw,bh)表示边框b,其中bcx,bcy,bw,bh分别表示边框b的中心的横坐标、中心的纵坐标、边框的宽度、边框的高,定义第j个标签框的可见部分边框为:vj=(vj cx,vj cy,vj w,vj h),其中vj为第j个标签框的可见部分边框,vj cx,vj cy,vj w,vj h分别表示第j个标签框的可见部分边框的中心点的横坐标、中心点的纵坐标、边框的宽度、边框的高度,分别表示可见部分的中心点的横坐标和纵坐标。
步骤S3、在损失函数中给每一正样本加权重。由于SSD计算正样本的时候是找出标签框与Anchor的交并比(Intersection over Union,IoU)最大的Anchor,接着对剩下的Anchor计算IoU大于0.5的样本作为正样本。当遮挡车辆存在的时候,比如左边的车辆遮挡了右边的车辆,那么匹配到当前标签框的Anchor可能会在左边,这就导致了Anchor的感受野在左边的车辆上面,这种情况会导致检测框的偏移。为了缓解遮挡带来的影响,本发明采用对Anchor进行高斯加权的方法,减少感受野不匹配的Anchor带来的检测框偏移。由于只在训练阶段改变了Anchor的权重,所以测试的时候是和原本的SSD模型是一样的,但是准确率有所提高。具体过程如下:
S31、给定vj,计算MultiBoxLoss层mbox_loss中第i个Anchor di的权重:
其中,在矩阵∑-1中的σ1,σ2控制高斯函数的半径,同时矩阵Aj根据每一标签框自适应地调整高斯函数的半径,设置矩阵Aj的目的是让不同大小的可见部分附近的Anchor有着相似的权重,α表示Anchor初始的权重,分别表示Anchordi的中心点和可见部分的中心点的坐标,Aj表示自适应的矩阵,σ1,σ2表示高斯函数初始的方差,分别表示Anchordi的中心点的横坐标和纵坐标,fij(di,vj)表示的是mbox_loss层中第i个Anchor di的权重。在本实施例中,取σ1=σ2=0.25,α=1。
S32、给定fij(di,vj),在损失函数中对每一正样本乘以第i个Anchor di的权重。
步骤S4、输入图像数据集,对S1中构建的SSD模型进行训练。
步骤S5、采用已训练的SSD模型进行车辆检测。
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 (3)
1.一种基于重加权Anchor的车辆检测方法,其特征在于,所述的车辆检测方法包括如下步骤:
S1、构造单次检测器SSD模型,所述的SSD模型包括依次连接的主干网络和检测子网络;
S2、根据标签与先验信息计算车辆可见部分的中心点,并定义可见部分的高和宽;过程如下:
S21、根据其他标签框计算当前标签框的可见部分,其中,可见部分定义为当前标签框与其他标签框不重叠的部分;
S22、将可见部分分割为多个矩形,分割出的矩形至少有三条边与可见部分的边在同一条直线上;
S23、根据分割出的矩形计算可见部分的中心点,首先计算两个矩形的之间的中心点,用r1 n,分别表示两个矩形的中心,其中n∈{cx,cy},(cx,cy)表示中心点的坐标的横坐标和纵坐标,n表示cx,cy其中一个值,用a1,a2表示两个矩形的面积,使用下式计算两个矩形之间中心点的坐标:
其中q表示1,2中的一个值,q*表示r1 n,中的较小值,n可取cx,cy,表示两个矩形之间中心点的坐标,表示坐标较小的矩形的面积,给定a1,a2,定义两个矩形面积和为得到中心点及其面积后,再根据中心点、面积和其他另一矩形更新中心点及其面积,最后得到计算完所有矩形后的中心点,定义可见部分的宽和高分别为所有矩形中面积最大的矩形的宽和高,使用(bcx,bcy,bw,bh)表示边框b,其中bcx,bcy,bw,bh分别表示边框b的中心的横坐标、中心的纵坐标、边框的宽度、边框的高,定义第j个标签框的可见部分边框为:vj=(vj cx,vj cy,vj w,vj h),其中vj为第j个标签框的可见部分边框,vj cx,vj cy,vj w,vj h分别表示第j个标签框的可见部分边框的中心点的横坐标、中心点的纵坐标、边框的宽度、边框的高度,分别表示可见部分的中心点的横坐标和纵坐标;
S3、在损失函数中给每一正样本加权重,过程如下:
S31、给定第j个标签框的可见部分边框vj,计算MultiBoxLoss层mbox_loss中第i个Anchor di的权重:
其中,在矩阵∑-1中的σ1,σ2控制高斯函数的半径,同时矩阵Aj根据每一标签框自适应地调整高斯函数的半径,α表示Anchor初始的权重,分别表示Anchordi的中心点和可见部分的中心点的坐标,Aj表示自适应的矩阵,σ1,σ2表示高斯函数初始的方差,分别表示Anchordi的中心点的横坐标和纵坐标,fij(di,vj)表示的是mbox_loss层中第i个Anchordi的权重;
S32、给定fij(di,vj),在损失函数中对每一正样本乘以第i个Anchor di的权重;
S4、输入图像数据集,对步骤S1中构建的SSD模型进行训练;
S5、采用已训练的SSD模型进行车辆检测。
2.根据权利要求1所述的基于重加权Anchor的车辆检测方法,其特征在于,所述的主干网络结构如下:
从输入层至输出层依次连接为:卷积层conv1_1、Relu层conv1_1_relu、卷积层conv1_2、Relu层conv1_2_relu、池化层max_pooling1、卷积层conv2_1、Relu层conv2_1_relu、卷积层conv2_2、BN层conv2_2_bn、Relu层conv2_2_relu、池化层max_pooling2、卷积层conv3_1、Relu层conv3_1_relu、卷积层conv3_2、Relu层conv3_2_relu、卷积层conv3_3、Relu层conv3_3_relu、池化层max_pooling3、卷积层conv4_1、Relu层conv4_1_relu、卷积层conv4_2、Relu层conv4_2_relu、卷积层conv4_3、Relu层conv4_3_relu、池化层max_pooling4、卷积层conv5_1、Relu层conv5_1_relu、卷积层conv5_2、Relu层conv5_2_relu、卷积层conv5_3、Relu层conv5_3_relu、池化层max_pooling5、卷积层fc6、Relu层fc6_relu、卷积层fc7、Relu层fc7_relu、卷积层conv6_1、Relu层conv6_1_relu、卷积层conv6_2、Relu层conv6_2_relu、卷积层conv7_1、Relu层conv7_1_relu、卷积层conv7_2、Relu层conv7_2_relu、卷积层conv8_1、Relu层conv8_1_relu、卷积层conv8_2、Relu层conv8_2_relu、卷积层conv9_1、Relu层conv9_1_relu、卷积层conv9_2、Relu层conv9_2_relu、卷积层conv10_1、Relu层conv10_1_relu、卷积层conv10_2、Relu层conv10_2_relu、池化层global_pooling。
3.根据权利要求1所述的基于重加权Anchor的车辆检测方法,其特征在于,所述的检测子网络结构如下:
卷积层conv4_3后接卷积层conv4_3_pred,卷积层fc7后接卷积层fc7_pred,卷积层conv6_2后接卷积层conv6_2_pred,卷积层conv7_2后接卷积层conv7_2_pred,卷积层conv8_2后接卷积层conv8_2_pred、池化层global_pooling后接卷积层global_pooling_pred,将conv4_3_pred、fc7_pred、conv6_2_pred、conv7_2_pred、conv8_2_pred、global_pooling_pred连接到MultiBoxLoss层mbox_loss。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910243460.XA CN109977878B (zh) | 2019-03-28 | 2019-03-28 | 基于重加权Anchor的车辆检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910243460.XA CN109977878B (zh) | 2019-03-28 | 2019-03-28 | 基于重加权Anchor的车辆检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109977878A CN109977878A (zh) | 2019-07-05 |
CN109977878B true CN109977878B (zh) | 2021-01-22 |
Family
ID=67081292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910243460.XA Active CN109977878B (zh) | 2019-03-28 | 2019-03-28 | 基于重加权Anchor的车辆检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109977878B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114842189B (zh) * | 2021-11-10 | 2022-11-04 | 北京中电兴发科技有限公司 | 一种用于目标检测的自适应Anchor生成方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301414A (zh) * | 2017-06-23 | 2017-10-27 | 厦门商集企业咨询有限责任公司 | 一种自然场景图像中的中文定位、分割和识别方法 |
CN107871119A (zh) * | 2017-11-01 | 2018-04-03 | 西安电子科技大学 | 一种基于目标空间知识和两阶段预测学习的目标检测方法 |
WO2018102748A1 (en) * | 2016-12-01 | 2018-06-07 | Berkeley Lights, Inc. | Automated detection and repositioning of micro-objects in microfluidic devices |
CN108288047A (zh) * | 2018-02-07 | 2018-07-17 | 成都新舟锐视科技有限公司 | 一种行人/车辆检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10713816B2 (en) * | 2017-07-14 | 2020-07-14 | Microsoft Technology Licensing, Llc | Fully convolutional color constancy with confidence weighted pooling |
CN108648130B (zh) * | 2018-04-04 | 2022-05-27 | 宁波大学 | 一种具有版权保护和篡改定位功能的全盲数字水印方法 |
CN109409252A (zh) * | 2018-10-09 | 2019-03-01 | 杭州电子科技大学 | 一种基于改进型ssd网络的车辆行人多目标检测方法 |
-
2019
- 2019-03-28 CN CN201910243460.XA patent/CN109977878B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018102748A1 (en) * | 2016-12-01 | 2018-06-07 | Berkeley Lights, Inc. | Automated detection and repositioning of micro-objects in microfluidic devices |
CN107301414A (zh) * | 2017-06-23 | 2017-10-27 | 厦门商集企业咨询有限责任公司 | 一种自然场景图像中的中文定位、分割和识别方法 |
CN107871119A (zh) * | 2017-11-01 | 2018-04-03 | 西安电子科技大学 | 一种基于目标空间知识和两阶段预测学习的目标检测方法 |
CN108288047A (zh) * | 2018-02-07 | 2018-07-17 | 成都新舟锐视科技有限公司 | 一种行人/车辆检测方法 |
Non-Patent Citations (4)
Title |
---|
Systematic evaluation of deep learning based detection framewroks for aerial imagery;Sommer Lars 等;《Conference on Automatic Target Recognition XXVIII》;20180417;1-10 * |
You only look once: Unified, real-time object detection;J.redom,S.Divvala 等;《Proc. CVPR》;20161231;779-788 * |
基于Faster RCNN的道路车辆检测算法研究;刘敦强;《中国优秀硕士学位论文全文数据库-工程科技II辑》;20190215(第2期);C034-487 * |
基于深度学习的图像识别算法研究;衣世东;《中国优秀硕士学位论文全文数据库-信息科技辑》;20190115(第1期);I138-2630 * |
Also Published As
Publication number | Publication date |
---|---|
CN109977878A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635685B (zh) | 目标对象3d检测方法、装置、介质及设备 | |
CN110879959B (zh) | 生成数据集的方法及装置、利用其的测试方法及测试装置 | |
CN111126359B (zh) | 基于自编码器与yolo算法的高清图像小目标检测方法 | |
CN113221905B (zh) | 基于均匀聚类的语义分割的无监督域适应方法、装置、系统和存储介质 | |
EP3690714A1 (en) | Method for acquiring sample images for inspecting label among auto-labeled images to be used for learning of neural network and sample image acquiring device using the same | |
US11983245B2 (en) | Unmanned driving behavior decision-making and model training | |
CN110246155B (zh) | 一种基于模型交替的抗遮挡目标跟踪方法及系统 | |
CN111353505B (zh) | 基于可联合实现语义分割和景深估计的网络模型的装置 | |
CN109977776A (zh) | 一种车道线检测方法、装置及车载设备 | |
CN111310746B (zh) | 文本行检测方法、模型训练方法、装置、服务器及介质 | |
EP4047554A1 (en) | Training method for multi-object tracking model and multi-object tracking method | |
CN111783844A (zh) | 基于深度学习的目标检测模型训练方法、设备及存储介质 | |
CN109255382B (zh) | 用于图片匹配定位的神经网络系统,方法及装置 | |
CN110633718B (zh) | 用于确定环境图像中的行驶区域的方法和装置 | |
CN111126327B (zh) | 车道线检测方法、系统、车载系统及车辆 | |
CN115147598A (zh) | 目标检测分割方法、装置、智能终端及存储介质 | |
CN112651274A (zh) | 路上障碍物检测装置、路上障碍物检测方法及记录介质 | |
CN109977878B (zh) | 基于重加权Anchor的车辆检测方法 | |
CN116343080A (zh) | 一种动态稀疏关键帧视频目标检测方法、装置及存储介质 | |
CN117152587A (zh) | 一种基于对抗学习的半监督船舶检测方法及系统 | |
CN111899283A (zh) | 一种视频目标跟踪方法 | |
CN112101113A (zh) | 一种轻量化的无人机图像小目标检测方法 | |
JP6800901B2 (ja) | 物体領域識別装置、物体領域識別方法およびプログラム | |
CN115641584A (zh) | 一种雾天图像识别方法及装置 | |
CN114170275A (zh) | 一种基于卡尔曼滤波的车道线处理方法及系统 |
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 |