CN110070059B - 一种基于域迁移的非结构化道路检测方法 - Google Patents

一种基于域迁移的非结构化道路检测方法 Download PDF

Info

Publication number
CN110070059B
CN110070059B CN201910341103.7A CN201910341103A CN110070059B CN 110070059 B CN110070059 B CN 110070059B CN 201910341103 A CN201910341103 A CN 201910341103A CN 110070059 B CN110070059 B CN 110070059B
Authority
CN
China
Prior art keywords
network
unstructured road
domain
training
data
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.)
Expired - Fee Related
Application number
CN201910341103.7A
Other languages
English (en)
Other versions
CN110070059A (zh
Inventor
李文辉
张博翔
惠禹铭
刘东会
刘彤彤
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.)
Jilin University
Original Assignee
Jilin University
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 Jilin University filed Critical Jilin University
Priority to CN201910341103.7A priority Critical patent/CN110070059B/zh
Publication of CN110070059A publication Critical patent/CN110070059A/zh
Application granted granted Critical
Publication of CN110070059B publication Critical patent/CN110070059B/zh
Expired - Fee Related 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
    • G06F18/21—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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于域迁移的非结构化道路检测方法，包括A网络、B网络、C网络、D网络四部分，步骤如下利用AirSim开源自动驾驶仿真平台结合自建模型，生成人工合成数据集；利用人工合成数据，训练网络的分割部分，并结合采集的无标签非结构化道路检测数据，生成伪标签；利用域迁移技术，结合伪标签组成的真实数据集和人工合成数据集训练整个网络；取出完成域迁移训练网络的分割部分完成非结构化道路检测。本发明通过域迁移的技术，将数量多的人工合成数据作为源域，数量少的真实数据作为目标域，实现了非结构化道路检测数据集的扩充，解决了因数据集不足而导致的非结构化道路检测精度低、鲁棒性差的问题。

Description

一种基于域迁移的非结构化道路检测方法
技术领域
本发明涉及自动驾驶技术领域，特别涉及一种基于域迁移的非结构化道路检测方法。
背景技术
在自动驾驶领域(或上述领域)中，由于结构化道路的检测数据集较多，且不同结构化道路的图像特征较为相似，识别难度低，因此已经取得了相对较好的进展。但非结构化道路的检测却遭遇以下问题，限制了检测的精度：
①非结构化道路没有交通标志线，因此难以确定明确的边界线，因此很难拍出完整清晰的图像，这对数据的采集获得是一个难题；
②非结构化道路检测从根本上来说也属于语义分割的范畴，而据研究表明，语义分割的共同问题是手工标注数据所需的时间较长，远远超过其他图像处理任务，这是也是限制非结构化道路检测数据集数量的一个重要原因；
③相比结构化数据而言，非结构化道路数据集需要的拍摄装置的成本更高；而相对结构化道路的使用场景而言，其鲁棒性受到数据集的制约更大，不同地区的非结构化数据通常不能通用。
基于以上原因，非结构化道路检测的数据集十分稀少，因而非结构化道路检测的精度也远远不如结构化道路。仅使用传统图像算法虽然在速度上存在一定优势，但泛化能力远远达不到实用水准，如申请号201710327868.6的专利；而使用机器学习算法虽然有一定的鲁棒性改进，但其能否达到实用标准仍然令人怀疑，如申请号为201710328110.4的专利。随着深度学习的出现，非结构化道路的检测精度和鲁棒性本可以出现提升，但其受数据集的制约，稀少的数据集无法解决该问题。
鉴于此，非结构化道路检测方法仍有改进空间，而改进的一个主要方向就是解决非结构道路数据集不足的问题，结合深度学习算法提升整体性能。
发明内容
本发明的目的在于提供一种基于域迁移的非结构化道路检测方法，本发明通过域迁移的技术，将数量多的人工合成数据作为源域，数量少的真实数据作为目标域，实现了非结构化道路检测数据集的扩充，解决了因数据集不足而导致的非结构化道路检测精度低、鲁棒性差的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于域迁移的非结构化道路检测方法，包括A网络、B网络、C网络、D网络四部分，步骤如下：
S1：利用AirSim开源自动驾驶仿真平台结合自建模型，生成人工合成数据集；
S2：利用人工合成数据，训练网络的分割部分，并结合采集的无标签非结构化道路检测数据，生成伪标签；
S3：利用域迁移技术，结合伪标签组成的真实数据集和人工合成数据集训练整个网络；
S4：取出完成域迁移训练网络的分割部分完成非结构化道路检测。
进一步地，S1的AirSim为一个由微软开源，建立在Unreal引擎上的开源无人车仿真平台。
进一步地，A网络和B网络合称为语义分割部分。
进一步地，S1包括如下步骤：
S101：利用Visual studio 2017编译生成基于Unreal的AirSim开源自动驾驶仿真平台；
S102：在AirSim平台中导入自建模型，搭建非结构化道路场景，并根据场景情况选择拍照及标注脚本；
S103：点击“播放”，根据场景进行自动拍照和标注，生成人工合成非结构化道路检测数据集。
进一步地，S2的语义分割部分网络的训练包括如下步骤：
S201：利用步骤S1中生成的人工合成数据集，将A网络与B网络训练至拟合；
S202：利用训练完成的语义分割网络，针对真实的非结构化道路数据进行测试，生成测试结果；
S203：将测试结果作为真实非结构化道路数据的标签，即生成的伪标签，进行下一步的训练。
进一步地，S4包括如下步骤：
S401：将新的真实的非结构化道路检测数据输入语义分割网络；
S402：网络的预测结果即可作为最终的预测结果。
与现有技术相比，本发明的有益效果是：
1.本发明提出的基于域迁移的非结构化道路检测方法，本发明通过使用基于生成对抗式网络(GAN)的域迁移技术，利用自动标注的人工合成数据和无标注的非结构化道路数据相结合的办法，解决非结构化道路检测数据集不足的问题。
2.本发明提出的基于域迁移的非结构化道路检测方法，将数量多的人工合成数据作为源域，数量少的真实数据作为目标域，实现了非结构化道路检测数据集的扩充。与此同时结合了深度学习中的生成对抗网络和语义分割网络，解决了因数据集不足而导致的非结构化道路检测精度低、鲁棒性差的问题。
附图说明
图1为本发明的网络框架图；
图2为本发明网络的语义分割部分的详细图；
图3为本发明AC-GAN生成器和Patch辨别器的图；
图4为本发明网络的训练示意图；
图5为本发明语义分割网络预测结果图。
具体实施方式
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，所描述的实施例仅仅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。
一种基于域迁移的非结构化道路检测方法，总体网络框架如图1所示，包括A网络、B网络、C网络、D网络四部分，其中A为骨干分类网络，B为像素级分类网络，C为生成器网络，D为辨别器网络，A和B合称为语义分割部分，本发明的步骤如下：
步骤1：利用AirSim开源自动驾驶仿真平台结合自建模型，生成人工合成数据集；AirSim是一个由微软开源，建立在Unreal引擎上的开源无人车仿真平台，可以根据需要，自行构建场景和导入模型。基于AirSim生成自建的人工合成非结构化道路检测数据集，具体如下：
1)利用Visual studio 2017编译生成基于Unreal的AirSim开源自动驾驶仿真平台；
2)在AirSim平台中导入自建模型，搭建非结构化道路场景，并根据场景情况选择拍照及标注脚本；
3)点击“播放”，根据场景进行自动拍照和标注，生成人工合成非结构化道路检测数据集。
步骤2：利用人工合成数据，训练网络的分割部分(即上述的A和B网络)，并结合采集的无标签非结构化道路检测数据，生成伪标签；
生成人工合成数据集后，将开始网络语义分割部分的第一次训练，A网络和B网络的详细结构如图2所示。其中A网络主要基于Xception的骨干部分，作用是生成图像的特征图；而B网络则改进了Mask R-CNN结构的语义分割器，在分支上加入空洞空间金字塔池化(ASPP)，使输出不受实例分割任务的限制，能够完成像素级的分类任务。
这是因为传统Mask R-CNN网络针对前景物体的分类效果较好，而ASPP在其他语义分割任务中的背景分类取得了非常好的效果，二者结合可以综合提升道路像素级分类效果。
与此同时，为增强边缘检测效果，提升网络的训练速度，在B网络的输出部分加入Sobel算子，在两个维度上提取边缘特征，具体如下：
Figure BDA0002040728000000051
此时，整个网络的输出由B网络进行，其损失函数为：
Figure BDA0002040728000000052
其中，LMask是前景物体的交叉熵损失函数，LASPP是空洞空间金字塔池化的交叉熵损失函数，而新增的LEdge则是预测边界信息和真实边界信息的L2损失函数：
Figure BDA0002040728000000053
其中Mp表示平方和函数，y表示真实的边界值，
Figure BDA0002040728000000054
表示对边界的预测值。
至此，可以语义分割部分网络的训练，具体过程如下：
1)利用步骤1中生成的人工合成数据集，将A与B网络训练至拟合；
2)利用训练完成的语义分割网络，针对真实的非结构化道路数据进行测试，生成测试结果；
3)将测试结果作为真实非结构化道路数据的标签，即生成的伪标签，进行下一步的训练。
步骤3：利用域迁移技术，结合伪标签组成的真实数据集和人工合成数据集训练整个网络，如图3；
在完成网络语义分割部分的训练之后，将开始整个网络的训练。网络的生成器部分(即C网络)和辨别器部分(即D网络)都是基于GAN结构。选择GAN网络可以增强源域(人工合成数据)到目标域(真实数据)的迁移效果，从而提升语义分割网络部分对于真实数据的鲁棒性。其中C网络选取AC-GAN的生成器结构进行图像的生成；D网络则利用Patch结构进行图像真假的分辨。C网络主要输出伪造的源域数据和目标域数据；D网络有两种输出，一种是辨别输入是否为伪造数据的输出，另一种类似B网络的输出，即像素级分类输出。
如网络的整体结构图1所示，整体网络共有四种损失函数：其中LB已在步骤2中介绍；LD2是语义分割网络的交叉熵损失函数，类似步骤2中的LASPP；而LC主要记录生成器网络输出的重建图像与真实图像之间的损失，是一个L1损失函数；LD1表示辨别器针对图像类别的损失函数，与其关联的有四种结果，即源域真图，源域假图，目标域真图，目标域假图，根据输入的不同，可细分为下：
Figure BDA0002040728000000061
整个网络的参数更新过程如图4所示，其中实线箭头表示数据在前向传播时的传递，虚线箭头表示梯度在反向传播时的传递；实线框表示反向传播时参数不更新，虚线框表示反向传播时参数更新。每一个步骤都以源域图像及标签，目标域图像及标签为输入，表示为(Xs,Xt,Ys,Yt)，具体过程主要分为三步：
1)更新D网络的参数
此时D网络的输入主要为两部分，一部分为真图像，另一部分为真图像先后通过A和C网络生成的假图像，此时仅更新D网络的参数，因此损失函数为：
Figure BDA0002040728000000071
2)更新C网络的参数
此时D网络的输入是真图像先后通过A和C网络生成的假图像，此时仅更新C网络的参数，故损失函数为：
Figure BDA0002040728000000072
3)更新语义分割部分的参数
此时整个网络都在工作，所有的网络的输入都仅和A网络的输出相关。此时更新A网络和B网络的参数，其损失函数为：
Figure BDA0002040728000000073
其中α和β为控制网络侧重训练的超参数，本方法设定α＝2，β＝1。重复上述过程直至总体网络拟合，即可完成网络的训练。
步骤4：取出完成域迁移训练网络的分割部分(即A和B网络)完成非结构化道路检测。完成整体网络的训练后，实际进行非结构化道路检测时，只需取步骤3中的语义分割部分(即A和B网络)使用即可，如图5所示，主要流程如下：
1)将新的真实的非结构化道路检测数据输入语义分割网络；
2)网络的预测结果即可作为最终的预测结果。
综上所述，本发明提出的基于域迁移的非结构化道路检测方法，本发明通过使用基于生成对抗式网络(GAN)的域迁移技术，利用自动标注的人工合成数据和无标注的非结构化道路数据相结合的办法，解决非结构化道路检测数据集不足的问题；将数量多的人工合成数据作为源域，数量少的真实数据作为目标域，实现了非结构化道路检测数据集的扩充。与此同时结合了深度学习中的生成对抗网络和语义分割网络，解决了因数据集不足而导致的非结构化道路检测精度低、鲁棒性差的问题。
以上所述，仅为本发明较佳的具体实施方式，但本发明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发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (4)

1.一种基于域迁移的非结构化道路检测方法，其特征在于，包括A网络、B网络、C网络、D网络四部分，其中，A网络主要基于Xception的骨干部分；B网络改进了Mask R-CNN结构的语义分割器，在分支上加入ASPP；
C网络选取AC-GAN的生成器结构进行图像的生成，D网络则利用Patch结构进行图像真假的分辨；步骤如下：
S1：利用AirSim开源自动驾驶仿真平台结合自建模型，生成人工合成数据集；
S2：利用人工合成数据，训练网络的分割部分，并结合采集的无标签非结构化道路检测数据，生成伪标签；
S3：利用域迁移技术，结合伪标签组成的真实数据集和人工合成数据集训练整个网络；
S4：取出完成域迁移训练网络的分割部分完成非结构化道路检测；
S1的AirSim为一个由微软开源，建立在Unreal引擎上的开源无人车仿真平台；
A网络和B网络合称为语义分割部分；在训练过程中，整个网络的输出由B网络进行，其损失函数为：
Figure FDA0003530419590000011
LMask是前景物体的交叉熵损失函数，LASPP是空洞空间金字塔池化的交叉熵损失函数，而新增的LEdge则是预测边界信息和真实边界信息的L2损失函数：
Figure FDA0003530419590000012
其中Mp表示平方和函数，y表示真实的边界值，
Figure FDA0003530419590000013
表示对边界的预测值；在完成网络语义分割部分的训练之后，将开始整个网络的训练，网络的生成器部分和辨别器部分都是基于GAN结构，C网络主要输出伪造的源域数据和目标域数据，D网络有两种输出，一种是辨别输入是否为伪造数据的输出，另一种像素级分类输出，整体网络共有四种损失函数：LB损失与上相同；
LD2是语义分割网络的交叉熵损失函数；而LC主要记录生成器网络输出的重建图像与真实图像之间的损失，是一个L1损失函数；LD1表示辨别器针对图像类别的损失函数，与其关联的有四种结果，即源域真图，源域假图，目标域真图，目标域假图，网络参数更新过程中的每一个步骤都以源域图像及标签，目标域图像及标签为输入，表示为(Xs,Xt,Ys,Yt)，具体过程主要分为三步：
1)更新D网络的参数
此时D网络的输入主要为两部分，一部分为真图像，另一部分为真图像先后通过A和C网络生成的假图像，此时仅更新D网络的参数，因此损失函数为：
Figure FDA0003530419590000021
2)更新C网络的参数
此时D网络的输入是真图像先后通过A和C网络生成的假图像，此时仅更新C网络的参数，故损失函数为：
Figure FDA0003530419590000022
3)更新语义分割部分的参数
此时整个网络都在工作，所有的网络的输入都仅和A网络的输出相关，此时更新A网络和B网络的参数，其损失函数为：
Figure FDA0003530419590000023
其中α和β为控制网络侧重训练的超参数，本方法设定α＝2，β＝1，重复上述过程直至总体网络拟合，即可完成网络的训练。
2.根据权利要求1所述的一种基于域迁移的非结构化道路检测方法，其特征在于，S1包括如下步骤：
S101：利用Visual studio 2017编译生成基于Unreal的AirSim开源自动驾驶仿真平台；
S102：在AirSim平台中导入自建模型，搭建非结构化道路场景，并根据场景情况选择拍照及标注脚本；
S103：点击“播放”，根据场景进行自动拍照和标注，生成人工合成非结构化道路检测数据集。
3.根据权利要求1所述的一种基于域迁移的非结构化道路检测方法，其特征在于，S2的语义分割部分网络的训练包括如下步骤：
S201：利用步骤S1中生成的人工合成数据集，将A网络与B网络训练至拟合；
S202：利用训练完成的语义分割网络，针对真实的非结构化道路数据进行测试，生成测试结果；
S203：将测试结果作为真实非结构化道路数据的标签，即生成的伪标签，进行下一步的训练。
4.根据权利要求1所述的一种基于域迁移的非结构化道路检测方法，其特征在于，S4包括如下步骤：
S401：将新的真实的非结构化道路检测数据输入语义分割网络；
S402：网络的预测结果即可作为最终的预测结果。
CN201910341103.7A 2019-04-25 2019-04-25 一种基于域迁移的非结构化道路检测方法 Expired - Fee Related CN110070059B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910341103.7A CN110070059B (zh) 2019-04-25 2019-04-25 一种基于域迁移的非结构化道路检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910341103.7A CN110070059B (zh) 2019-04-25 2019-04-25 一种基于域迁移的非结构化道路检测方法

Publications (2)

Publication Number Publication Date
CN110070059A CN110070059A (zh) 2019-07-30
CN110070059B true CN110070059B (zh) 2022-07-29

Family

ID=67368855

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910341103.7A Expired - Fee Related CN110070059B (zh) 2019-04-25 2019-04-25 一种基于域迁移的非结构化道路检测方法

Country Status (1)

Country Link
CN (1) CN110070059B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110399856B (zh) * 2019-07-31 2021-09-14 上海商汤临港智能科技有限公司 特征提取网络训练方法、图像处理方法、装置及其设备
CN110619279B (zh) * 2019-08-22 2023-03-17 天津大学 一种基于跟踪的路面交通标志实例分割方法
CN111209935B (zh) * 2019-12-26 2022-03-25 武汉安视感知科技有限公司 基于自适应域转移的无监督目标检测方法及系统
CN111783651B (zh) * 2020-06-30 2024-01-12 北京百度网讯科技有限公司 路面元素识别方法、装置、电子设备和存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106485715A (zh) * 2016-09-09 2017-03-08 电子科技大学成都研究院 一种非结构化道路识别方法
CN106599922A (zh) * 2016-12-16 2017-04-26 中国科学院计算技术研究所 用于大规模数据标定的迁移学习方法及系统
CN107122757A (zh) * 2017-05-11 2017-09-01 南宁市正祥科技有限公司 一种实时鲁棒的非结构化道路检测方法
CN107122756A (zh) * 2017-05-11 2017-09-01 南宁市正祥科技有限公司 一种完全非结构道路边缘检测方法
CN107479368A (zh) * 2017-06-30 2017-12-15 北京百度网讯科技有限公司 一种基于人工智能的训练无人机控制模型的方法及系统
CN107895177A (zh) * 2017-11-17 2018-04-10 南京邮电大学 一种保持图像分类稀疏结构的迁移分类学习方法
CN108345869A (zh) * 2018-03-09 2018-07-31 南京理工大学 基于深度图像和虚拟数据的驾驶人姿态识别方法
CN108985194A (zh) * 2018-06-29 2018-12-11 华南理工大学 一种基于图像语义分割的智能车辆可行驶区域的识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106485715A (zh) * 2016-09-09 2017-03-08 电子科技大学成都研究院 一种非结构化道路识别方法
CN106599922A (zh) * 2016-12-16 2017-04-26 中国科学院计算技术研究所 用于大规模数据标定的迁移学习方法及系统
CN107122757A (zh) * 2017-05-11 2017-09-01 南宁市正祥科技有限公司 一种实时鲁棒的非结构化道路检测方法
CN107122756A (zh) * 2017-05-11 2017-09-01 南宁市正祥科技有限公司 一种完全非结构道路边缘检测方法
CN107479368A (zh) * 2017-06-30 2017-12-15 北京百度网讯科技有限公司 一种基于人工智能的训练无人机控制模型的方法及系统
CN107895177A (zh) * 2017-11-17 2018-04-10 南京邮电大学 一种保持图像分类稀疏结构的迁移分类学习方法
CN108345869A (zh) * 2018-03-09 2018-07-31 南京理工大学 基于深度图像和虚拟数据的驾驶人姿态识别方法
CN108985194A (zh) * 2018-06-29 2018-12-11 华南理工大学 一种基于图像语义分割的智能车辆可行驶区域的识别方法

Also Published As

Publication number Publication date
CN110070059A (zh) 2019-07-30

Similar Documents

Publication Publication Date Title
CN110070059B (zh) 一种基于域迁移的非结构化道路检测方法
CN109447994B (zh) 结合完全残差与特征融合的遥感图像分割方法
CN108537824B (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
CN110084304A (zh) 一种基于合成数据集的目标检测方法
CN111259906A (zh) 含多级通道注意力的条件生成对抗遥感图像目标分割方法
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
CN110879960B (zh) 生成卷积神经网络学习用图像数据集的方法及计算装置
CN107833224A (zh) 一种基于多层次区域合成的图像分割方法
Poterek et al. Deep learning for automatic colorization of legacy grayscale aerial photographs
Hosseinpoor et al. Convolutional neural network for building extraction from high-resolution remote sensing images
CN111797920A (zh) 门控特征融合的深度网络不透水面遥感提取方法及系统
CN110458047A (zh) 一种基于深度学习的越野环境场景识别方法及系统
CN114418021B (zh) 模型优化方法、装置及计算机程序产品
CN112819837A (zh) 一种基于多源异构遥感影像的语义分割方法
CN113988147A (zh) 基于图网络的遥感图像场景多标签分类方法及装置、多标签检索方法及装置
Kampffmeyer et al. Dense dilated convolutions merging network for semantic mapping of remote sensing images
CN114462486A (zh) 图像处理模型的训练方法、图像处理方法及相关装置
CN116861262B (zh) 一种感知模型训练方法、装置及电子设备和存储介质
CN111311601B (zh) 一种拼接图像的分割方法及装置
Zhao et al. Building outline delineation: From very high resolution remote sensing imagery to polygons with an improved end-to-end learning framework
CN116824330A (zh) 一种基于深度学习的小样本跨域目标检测方法
CN114494893B (zh) 基于语义重用上下文特征金字塔的遥感图像特征提取方法
Li et al. Learning to holistically detect bridges from large-size vhr remote sensing imagery
Xia et al. A shadow detection method for remote sensing images using affinity propagation algorithm
Zhang Traffic Sign Detection Based on YOLO v3

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220729

CF01 Termination of patent right due to non-payment of annual fee