CN110210279B - 目标检测方法、装置及计算机可读存储介质 - Google Patents
目标检测方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110210279B CN110210279B CN201811427403.9A CN201811427403A CN110210279B CN 110210279 B CN110210279 B CN 110210279B CN 201811427403 A CN201811427403 A CN 201811427403A CN 110210279 B CN110210279 B CN 110210279B
- Authority
- CN
- China
- Prior art keywords
- feature
- preset
- neural network
- convolutional neural
- detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 308
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 194
- 238000000605 extraction Methods 0.000 claims abstract description 170
- 238000001228 spectrum Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 108
- 238000013507 mapping Methods 0.000 claims description 32
- 230000009467 reduction Effects 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 25
- 238000010606 normalization Methods 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000011084 recovery Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 description 61
- 230000008569 process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 7
- 230000003068 static effect Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种目标检测方法,其包括:获取检测图片,并使用预设特征提取卷积神经网络对检测图片进行特征提取;基于检测图片在至少一层预设特征提取卷积神经网络上的特征点的相似度,对相应层的预设特征提取卷积神经网络上的特征点进行增强操作;使用增强操作后的预设特征提取卷积神经网络输出检测图片的特征图谱;使用预设检测分类卷积神经网络对检测图片的特征图谱进行分类检测,以获取检测图片中的检测目标。本发明还提供一种目标检测装置,本发明的目标检测方法及目标检测装置基于检测图片的特征点的相似度对特征点进行特征增强操作,提高了目标检测精度以及目标检测速度。
Description
技术领域
本发明涉及互联网领域,特别是涉及一种目标检测方法、装置及计算机可读存储介质。
背景技术
图像目标检测是指对图像中的目标进行位置检测并分类。如检测出图像中飞机的位置并且给出所属的类别等。目前业界基于CNN(Convolutional Neural Network,卷积神经网络)网络的图像目标检测主要有以faster rcnn(faster Regions with CNNfeatures)为首的图像目标检测框架和以yolo为首的图像目标检测框架。前者侧重于目标检测精度,后者侧重于目标检测速度,在所有的算法中目标检测精度和目标检测速度是难以得到同时满足的。
实时且保持高精度一直目标检测所要解决的重要问题,但是往往提升精度需要带来更多的计算量,从而就会影响目标检测的速度。因此现有的目标检测方法具有目标检测精度较低或目标检测速度较低的技术问题。
发明内容
本发明实施例提供一种检测精度较高且检测速度较快的目标检测方法且目标检测装置;以解决现有的目标检测方法且目标检测装置的目标检测精度较低或目标检测速度较低的技术问题。
本发明实施例提供一种目标检测方法,其包括:
获取检测图片,并使用预设特征提取卷积神经网络对所述检测图片进行特征提取;
基于所述检测图片在至少一层所述预设特征提取卷积神经网络上的特征点的相似度,对相应层的所述预设特征提取卷积神经网络上的特征点进行增强操作;
使用增强操作后的预设特征提取卷积神经网络输出所述检测图片的特征图谱;以及
使用预设检测分类卷积神经网络对所述检测图片的特征图谱进行分类检测,以获取所述检测图片中的检测目标。
本发明实施例还提供一种目标检测装置,其包括:
特征提取模块,用于获取检测图片,并使用预设特征提取卷积神经网络对所述检测图片进行特征提取;
特征增强模块,用于基于所述检测图片在至少一层所述预设特征提取卷积神经网络上的特征点的相似度,对相应层的所述预设特征提取卷积神经网络上的特征点进行增强操作;
特征输出模块,用于使用增强操作后的预设特征提取卷积神经网络输出所述检测图片的特征图谱;以及
分类检测模块,用于使用预设检测分类卷积神经网络对所述检测图片的特征图谱进行分类检测,以获取所述检测图片中的检测目标。
本发明实施例还提供一种计算机可读存储介质,其内存储有处理器可执行指令,所述指令由一个或一个以上处理器加载,以执行上述的目标检测方法。
相较于现有技术,本发明的目标检测方法以及目标检测装置基于检测图片的特征点的相似度对特征点进行特征增强操作,提高了目标检测精度以及目标检测速度;有效的解决了现有的目标检测方法且目标检测装置的目标检测精度较低或目标检测速度较低的技术问题。
附图说明
图1为本发明的目标检测方法的第一实施例的流程图;
图2为本发明的目标检测方法的第二实施例的流程图;
图3为本发明的目标检测方法的第二实施例的步骤S202的流程图;
图4为本发明的目标检测装置的第一实施例的结构示意图;
图5为本发明的目标检测装置的第二实施例的结构示意图;
图6为本发明的目标检测装置的第二实施例的特征增强模块的结构示意图;
图7为本发明的目标检测装置的第二实施例的特征增强模块的相似度计算单元的结构示意图;
图8为本发明的目标检测装置的第二实施例的特征增强模块的特征增强单元的结构示意图;
图9为本发明的目标检测方法及目标检测装置的具体实施例的结构示意图;
图10为本发明的目标检测方法及目标检测装置的具体实施例的检测流程示意图;
图11为本发明的目标检测方法及目标检测装置的具体实施例的特征增强模块的算法示意图;
图12为本发明的目标检测装置所在的电子设备的工作环境结构示意图。
具体实施方式
请参照图式,其中相同的组件符号代表相同的组件,本发明的原理是以实施在一适当的运算环境中来举例说明。以下的说明是基于所例示的本发明具体实施例,其不应被视为限制本发明未在此详述的其它具体实施例。
在以下的说明中,本发明的具体实施例将参考由一部或多部计算机所执行之作业的步骤及符号来说明,除非另有述明。因此,其将可了解到这些步骤及操作,其中有数次提到为由计算机执行,包括了由代表了以一结构化型式中的数据之电子信号的计算机处理单元所操纵。此操纵转换该数据或将其维持在该计算机之内存系统中的位置处,其可重新配置或另外以本领域技术人员所熟知的方式来改变该计算机之运作。该数据所维持的数据结构为该内存之实体位置,其具有由该数据格式所定义的特定特性。但是,本发明原理以上述文字来说明,其并不代表为一种限制,本领域技术人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。
本发明的目标检测方法及装置可设置在任何的电子设备中,用于对检测图片中的动静态目标进行目标检测。该电子设备包括但不限于可穿戴设备、头戴设备、医疗健康平台、个人计算机、服务器计算机、手持式或膝上型设备、移动设备(比如移动电话、个人数字助理(PDA)、媒体播放器等等)、多处理器系统、消费型电子设备、小型计算机、大型计算机、包括上述任意系统或设备的分布式计算环境,等等。该电子设备优选为进行图像中目标检测的固定终端或移动终端,以便用户可快速准确的进行图像目标检测操作。
请参照图1,图1为本发明的目标检测方法的第一实施例的流程图。本实施例的目标检测方法可使用上述的电子设备进行实施,本实施例的目标检测方法包括:
步骤S101,获取检测图片,并使用预设特征提取卷积神经网络对检测图片进行特征提取;
步骤S102,基于检测图片在至少一层预设特征提取卷积神经网络上的特征点的相似度,对相应层的预设特征提取卷积神经网络上的特征点进行增强操作;
步骤S103,使用增强操作后的预设特征提取卷积神经网络输出检测图片的特征图谱;
步骤S104,使用预设检测分类卷积神经网络对检测图片的特征图谱进行分类检测,以获取检测图片中的检测目标。
下面详细说明本实施例的目标检测方法的各步骤的具体流程。
在步骤S101中,目标检测装置获取检测图片,这里的检测图片是指用于检测图片中的动静态物体的检测图片,如检测图片中的天空上的飞机等。
随后目标检测装置使用预设特征提取卷积神经网络对获取的检测图片进行特征提取。该预设特征提取卷积神经网络可由输入层、卷积层、激活函数、池化层以及全连接层组成。
其中输入层用于输入检测图片的每个区域的像素特征,如每个区域的像素灰阶值等;卷积层用于对检测图片的每个区域的像素特征进行特征提取;激活函数用于对提取的特征数据加入非线性因素,以提高特征数据的特征表示效果;池化层用于对特征进行压缩,简化预设特征提取卷积神经网络的计算复杂度;全连接层用于输出预设特征提取卷积神经网络提取的特征。
其中卷积层的计算过程为最为重要的特征提取过程,每个预设特征提取卷积神经网络可设计多个卷积层,每个卷积层可包括输入层的特征图谱的尺寸,进行特征遍历的卷积核以及卷积核在输入层的特征图谱上的遍历步长。如输入层的特征图谱的尺寸为32*32*3,卷积核的尺寸为5*5,遍历步长为1,则卷积层的输出的特征图谱的尺寸为28*28*3。
在步骤S102中,目标检测装置在使用预设特征提取卷积神经网络进行特征提取的过程中,目标检测装置会基于检测图片在至少一层预设特征提取卷积神经网络上的特征点的相似度,对预设特征提取卷积神经网络上的特征点进行增强操作。
为了避免预设特征提取卷积神经网络的多级特征提取中的某些特征权重的降低,在本步骤中,目标检测装置会先获取至少一层预设特征提取卷积神经网络上的特征点的相似度,并使用上述相似度对相应层的预设特征提取卷积神经网络上的特征点进行增强,从而使得多级特征提取过程中的特征权重可以得到较好的保持,解决了现有的预设特征提取卷积神经网络的长距离依赖不足的技术问题。
这里目标检测装置可对每层的预设特征提取卷积神经网络的特征点进行增强,也可选择对部分层的预设特征提取卷积神经网络的特征点进行增强。
具体的特征点增强的过程请参照下面实施例中的具体描述。
在步骤S103中,目标检测装置使用步骤S102中增强操作后的预设特征提取卷积神经网络输出检测图片的特征图谱,以便进行目标分类检测。
在步骤S104中,目标检测装置使用预设检测分类卷积神经网络对步骤S103获取的特征图谱进行分类检测,以获取检测图片中的检测目标。
这里的预设检测分类卷积神经网络的结构与预设特征提取卷积神经网络的结构相同或相似,预设检测分类卷积神经网络的全连接层不仅仅输出预设检测分类卷积神经网络提取的特征,并且还会对提取的特征进行分类,从而确认检测图片中的检测目标。
这样即完成了本实施例的目标检测方法的图片目标检测过程。
本实施例的目标检测方法基于检测图片的特征点的相似度对特征点进行特征增强操作,提高了目标检测精度以及目标检测速度。
请参照图2,图2为本发明的目标检测方法的第二实施例的流程图。本实施例的目标检测方法可使用上述的电子设备进行实施,本实施例的目标检测方法包括:
步骤S201,获取检测图片,并使用预设特征提取卷积神经网络对检测图片进行特征提取;
步骤S202,基于检测图片在至少一层预设特征提取卷积神经网络上的特征点的相似度,对相应层的预设特征提取卷积神经网络上的特征点进行增强操作;
步骤S203,使用批标准化层,对增强修正后的预设特征提取卷积神经网络上的特征点的特征向量进行归一化处理;
步骤S204,使用增强操作后的预设特征提取卷积神经网络输出检测图片的特征图谱;
步骤S205,使用预设检测分类卷积神经网络对检测图片的特征图谱进行分类检测,以获取检测图片中的检测目标。
下面详细说明本实施例的目标检测方法的各步骤的具体流程。
在步骤S201中,目标检测装置获取检测图片,这里的检测图片是指用于检测图片中的动静态物体的检测图片,如检测图片中的天空上的飞机等。
随后目标检测装置使用预设特征提取卷积神经网络对获取的检测图片进行特征提取。
在步骤S202中,目标检测装置在使用预设特征提取卷积神经网络进行特征提取的过程中,目标检测装置会基于检测图片在至少一层预设特征提取卷积神经网络上的特征点的相似度,对相应层的预设特征提取卷积神经网络上的特征点进行增强操作。
具体请参照图3,图3为本发明的目标检测方法的第二实施例的步骤S202的流程图。该步骤S202包括:
步骤S301,目标检测装置获取检测图片在每层预设特征提取卷积神经网络上的不同位置的特征点的特征向量,以便后续计算不同位置的特征点的特征向量之间的相似度。
步骤S302,目标检测装置使用预设的相似性函数计算至少一层预设特征提取卷积神经网络上的不同位置的特征点的特征向量,与相应层的预设特征提取卷积神经网络上其他位置的特征点的特征向量的相似度;
这里预设的相似性函数可为高斯函数(Gaussian)、嵌入式高斯函数(embeddedGaussian)以及点积函数(dot_product)等。
具体的,这里可使用第一预设线性映射函数对预设特征提取卷积神经网络上的特征点的特征向量进行第一降维操作,并使用第二预设线性映射函数对预设特征提取卷积神经网络上的特征点的特征向量进行第二降维操作。这样可有效的降低相似性函数的计算量,且使用第一预设线性映射函数以及第二预设线性映射函数对特征点的特征向量进行表示可进一步提高特征向量的表达力,避免了预设特征提取卷积神经网络上的特征向量缺失。
这里的第一预设线性映射函数可与第二预设线性映射函数不同或相同。随后目标检测装置使用预设的相似性函数计算至少一层预设特征提取卷积神经网络上的第一降维操作后的特征点的特征向量,与相应层的预设特征提取卷积神经网络上其他位置的第二降维操作后的特征点的特征向量的相似度。
进一步的,目标检测装置还可使用第三预设线性映射函数对预设特征提取卷积神经网络上的特征点的特征向量进行第三降维操作,并使用第三降维操作后的特征点的特征向量对获取的相似度进行修正。这里目标检测装置可使用相应层的预设特征提取卷积神经网络上其他位置的第三降维操作后的特征点的特征向量对相似度进行缩放修正,以使得修正后的相似度更加准确。
这里第三预设线性映射函数可与第一预设线性映射函数不同或相同。
步骤S303,目标检测装置使用预设权重矩阵以及特征点的特征向量的相似度,对预设特征提取卷积神经网络上的特征点的特征向量进行增强修正。
具体的,这里目标检测装置首先使用预设权重矩阵对特征点的特征向量的相似度进行维度恢复,以便使得特征点的特征向量的相似度与特征点的维度尺寸相匹配。
随后目标检测装置使用维度恢复后的相似度,对预设特征提取卷积神经网络上的特征点的特征向量进行修正,如将预设特征提取卷积神经网络上的特征点的原特征向量直接加上维度恢复后的相似度,使得增强修正后的特征向量即有相似度信息,同时还不会丢失原有的特征向量信息。
这里的预设权重矩阵可通过训练预设特征提取卷积神经网络时的反向传播来获取和优化。
在步骤S203中,目标检测装置使用批标准化层(BN,Batch Normalization),对增强修正后的预设特征提取卷积神经网络上的特征点的特征向量进行归一化处理,以保证输出的检测图片的特征图谱的准确性,避免了预设特征提取卷积神经网络的收敛过慢或变化梯度爆炸。
在步骤S204中,目标检测装置使用步骤S203中增强操作后的预设特征提取卷积神经网络输出检测图片的特征图谱,以便进行目标分类检测。
在步骤S205中,目标检测装置使用预设检测分类卷积神经网络对步骤S204获取的特征图谱进行分类检测,以获取检测图片中的检测目标。
这里的预设检测分类卷积神经网络的结构与预设特征提取卷积神经网络的结构相同或相似,预设检测分类卷积神经网络的全连接层不仅仅输出预设检测分类卷积神经网络提取的特征,并且还会对提取的特征进行分类,从而确认检测图片中的检测目标。
这样即完成了本实施例的目标检测方法的图片目标检测过程。
在第一实施例的基础上,本实施例的目标检测方法通过相似性函数的设置,进一步提高了目标检测精度。
本发明还提供一种目标检测装置,请参照图4,图4为本发明的目标检测装置的第一实施例的结构示意图。本实施例的目标检测装置可使用上述的目标检测方法的第一实施例进行实施,本实施例的目标检测装置40包括特征提取模块41、特征增强模块42、特征输出模块43以及分类检测模块44。
特征提取模块41用于获取检测图片,并使用预设特征提取卷积神经网络对检测图片进行特征提取;特征增强模块42用于基于检测图片在至少一层预设特征提取卷积神经网络上的特征点的相似度,对相应层的预设特征提取卷积神经网络上的特征点进行增强操作;特征输出模块43用于使用增强操作后的预设特征提取卷积神经网络输出检测图片的特征图谱;分类检测模块44用于使用预设检测分类卷积神经网络对检测图片的特征图谱进行分类检测,以获取检测图片中的检测目标。
本实施例的目标检测装置40使用时,首先特征提取模块41获取检测图片,这里的检测图片是指用于检测图片中的动静态物体的检测图片,如检测图片中的天空上的飞机等。
随后特征提取模块41使用预设特征提取卷积神经网络对获取的检测图片进行特征提取。该预设特征提取卷积神经网络可由输入层、卷积层、激活函数、池化层以及全连接层组成。
其中输入层用于输入检测图片的每个区域的像素特征,如每个区域的像素灰阶值等;卷积层用于对检测图片的每个区域的像素特征进行特征提取;激活函数用于对提取的特征数据加入非线性因素,以提高特征数据的特征表示效果;池化层用于对特征进行压缩,简化预设特征提取卷积神经网络的计算复杂度;全连接层用于输出预设特征提取卷积神经网络提取的特征。
随后特征提取模块41在使用预设特征提取卷积神经网络进行特征提取的过程中,特征增强模块42会基于检测图片在至少一层预设特征提取卷积神经网络上的特征点的相似度,对预设特征提取卷积神经网络上的特征点进行增强操作。
为了避免预设特征提取卷积神经网络的多级特征提取中的某些特征权重的降低,在本步骤中,特征增强模块42会先获取至少一层预设特征提取卷积神经网络上的特征点的相似度,并使用上述相似度对相应层的预设特征提取卷积神经网络上的特征点进行增强,从而使得多级特征提取过程中的特征权重可以得到较好的保持,解决了现有的预设特征提取卷积神经网络的长距离依赖不足的技术问题。
这里特征增强模块42可对每层的预设特征提取卷积神经网络的特征点进行增强,也可选择对部分层的预设特征提取卷积神经网络的特征点进行增强。
具体的特征点增强的过程请参照下面实施例中的具体描述。
然后特征输出模块43使用增强操作后的预设特征提取卷积神经网络输出检测图片的特征图谱,以便进行目标分类检测。
最后分类检测模块44使用预设检测分类卷积神经网络对特征输出模块43获取的特征图谱进行分类检测,以获取检测图片中的检测目标。
这里的预设检测分类卷积神经网络的结构与预设特征提取卷积神经网络的结构相同或相似,预设检测分类卷积神经网络的全连接层不仅仅输出预设检测分类卷积神经网络提取的特征,并且还会对提取的特征进行分类,从而确认检测图片中的检测目标。
这样即完成了本实施例的目标检测装置40的图片目标检测过程。
本实施例的目标检测装置基于检测图片的特征点的相似度对特征点进行特征增强操作,提高了目标检测精度以及目标检测速度。
请参照图5,图5为本发明的目标检测装置的第二实施例的结构示意图。本实施例的目标检测装置可使用上述的目标检测方法的第二实施例进行实施,本实施例的目标检测装置50包括特征提取模块51、特征增强模块52、特征输出模块54、分类检测模块55以及归一化处理模块53。
特征提取模块51用于获取检测图片,并使用预设特征提取卷积神经网络对检测图片进行特征提取;特征增强模块52用于基于检测图片在至少一层预设特征提取卷积神经网络上的特征点的相似度,对相应层的预设特征提取卷积神经网络上的特征点进行增强操作;特征输出模块54用于使用增强操作后的预设特征提取卷积神经网络输出检测图片的特征图谱;分类检测模块55用于使用预设检测分类卷积神经网络对检测图片的特征图谱进行分类检测,以获取检测图片中的检测目标;归一化处理模块53用于使用批标准化层,对增强修正后的预设特征提取卷积神经网络上的特征点的特征向量进行归一化处理。
请参照图6,图6为本发明的目标检测装置的第二实施例的特征增强模块的结构示意图。该特征增强模块52包括特征向量获取单元61、相似度计算单元62以及特征增强单元63。
特征向量获取单元61用于获取检测图片在预设特征提取卷积神经网络上的不同位置的特征点的特征向量;相似度计算单元62用于使用预设的相似性函数计算至少一层预设特征提取卷积神经网络上的不同位置的特征点的特征向量,与相应层的预设特征提取卷积神经网络上其他位置的特征点的特征向量的相似度;特征增强单元63用于使用预设权重矩阵以及特征点的特征向量的相似度,对相应层的预设特征提取卷积神经网络上的特征点的特征向量进行增强修正。
请参照图7,图7为本发明的目标检测装置的第二实施例的特征增强模块的相似度计算单元的结构示意图。该相似度计算单元62包括第一降维子单元71、第二降维子单元72、相似度计算子单元73、第三降维子单元74以及相似度修正子单元75。
第一降维子单元71用于使用第一预设线性映射函数对预设特征提取卷积神经网络上的特征点的特征向量进行第一降维操作;第二降维子单元72用于使用第二预设线性映射函数对预设特征提取卷积神经网络上的特征点的特征向量进行第二降维操作;相似度计算子单元73用于使用预设的相似性函数计算至少一层预设特征提取卷积神经网络上的第一降维操作后的特征点的特征向量,与相应层的预设特征提取卷积神经网络上其他位置的第二降维操作后的特征点的特征向量的相似度;第三降维子单元74用于使用第三预设线性映射函数对预设特征提取卷积神经网络上的特征点的特征向量进行第三降维操作;相似度修正子单元75用于使用第三降维操作后的特征点的特征向量对相似度进行修正。
请参照图8,图8为本发明的目标检测装置的第二实施例的特征增强模块的特征增强单元的结构示意图。该特征增强单元63包括维度恢复子单元81以及特征修正子单元82。
维度恢复子单元81用于使用预设权重矩阵对特征点的特征向量的相似度进行维度恢复;特征修正子单元82用于使用维度恢复后的相似度,对相应层的预设特征提取卷积神经网络上的特征点的特征向量进行修正。
本实施例的目标检测装置50使用时,首先特征提取模块51获取检测图片,这里的检测图片是指用于检测图片中的动静态物体的检测图片,如检测图片中的天空上的飞机等。
随后特征提取模块51使用预设特征提取卷积神经网络对获取的检测图片进行特征提取。
然后特征提取模块51在使用预设特征提取卷积神经网络进行特征提取的过程中,特征增强模块52会基于检测图片在至少一层预设特征提取卷积神经网络上的特征点的相似度,对相应层的预设特征提取卷积神经网络上的特征点进行增强操作。具体包括:
特征增强模块52的特征向量获取单元61获取检测图片在每层预设特征提取卷积神经网络上的不同位置的特征点的特征向量,以便后续计算不同位置的特征点的特征向量之间的相似度。
特征增强模块52的相似度计算单元62使用预设的相似性函数计算至少一层预设特征提取卷积神经网络上的不同位置的特征点的特征向量,与相应层的预设特征提取卷积神经网络上其他位置的特征点的特征向量的相似度;
这里预设的相似性函数可为高斯函数(Gaussian)、嵌入式高斯函数(embeddedGaussian)以及点积函数(dot_product)等。
具体的,相似度计算单元62的第一降维子单元71可使用第一预设线性映射函数对预设特征提取卷积神经网络上的特征点的特征向量进行第一降维操作;相似度计算单元62的第二降维子单元72使用第二预设线性映射函数对预设特征提取卷积神经网络上的特征点的特征向量进行第二降维操作。这样可有效的降低相似性函数的计算量,且使用第一预设线性映射函数以及第二预设线性映射函数对特征点的特征向量进行表示可进一步提高特征向量的表达力,避免了预设特征提取卷积神经网络上的特征向量缺失。
这里的第一预设线性映射函数可与第二预设线性映射函数不同或相同。随后相似度计算单元62的相似度计算子单元73使用预设的相似性函数计算至少一层预设特征提取卷积神经网络上的第一降维操作后的特征点的特征向量,与相应层的预设特征提取卷积神经网络上其他位置的第二降维操作后的特征点的特征向量的相似度。
进一步的,相似度计算单元62的第三降维子单元74还可使用第三预设线性映射函数对预设特征提取卷积神经网络上的特征点的特征向量进行第三降维操作,相似度计算单元62的相似度修正子单元75使用第三降维操作后的特征点的特征向量对获取的相似度进行修正。这里相似度修正子单元75可使用相应层的预设特征提取卷积神经网络上其他位置的第三降维操作后的特征点的特征向量对相似度进行缩放修正,以使得修正后的相似度更加准确。
这里第三预设线性映射函数可与第一预设线性映射函数不同或相同。
随后特征增强单元63使用预设权重矩阵以及特征点的特征向量的相似度,对预设特征提取卷积神经网络上的特征点的特征向量进行增强修正。
具体的,特征增强单元63的维度恢复子单元81使用预设权重矩阵对特征点的特征向量的相似度进行维度恢复,以便使得特征点的特征向量的相似度与特征点的维度尺寸相匹配。
随后特征增强单元63的特征修正子单元82使用维度恢复后的相似度,对预设特征提取卷积神经网络上的特征点的特征向量进行修正,如将预设特征提取卷积神经网络上的特征点的原特征向量直接加上维度恢复后的相似度,使得增强修正后的特征向量即有相似度信息,同时还不会丢失原有的特征向量信息。
这里的预设权重矩阵可通过训练预设特征提取卷积神经网络时的反向传播来获取和优化。
然后归一化处理模块53使用批标准化层(BN,Batch Normalization),对增强修正后的预设特征提取卷积神经网络上的特征点的特征向量进行归一化处理,以保证输出的检测图片的特征图谱的准确性,避免了预设特征提取卷积神经网络的收敛过慢或变化梯度爆炸。
随后特征输出模块54使用增强操作后的预设特征提取卷积神经网络输出检测图片的特征图谱,以便进行目标分类检测。
最后分类检测模块55使用预设检测分类卷积神经网络对特征输出模块获取的特征图谱进行分类检测,以获取检测图片中的检测目标。
这里的预设检测分类卷积神经网络的结构与预设特征提取卷积神经网络的结构相同或相似,预设检测分类卷积神经网络的全连接层不仅仅输出预设检测分类卷积神经网络提取的特征,并且还会对提取的特征进行分类,从而确认检测图片中的检测目标。
这样即完成了本实施例的目标检测装置50的图片目标检测过程。
在第一实施例的基础上,本实施例的目标检测装置通过相似性函数的设置,进一步提高了目标检测精度。
下面通过一具体实施例说明本发明的目标检测方法以及目标检测装置的工作原理。请参照图9至图11,图9为本发明的目标检测方法及目标检测装置的具体实施例的结构示意图,图10为本发明的目标检测方法及目标检测装置的具体实施例的检测流程示意图,图11为本发明的目标检测方法及目标检测装置的具体实施例的特征增强模块的算法示意图。
本具体实施例的目标检测装置设置在进行图像中目标检测的固定终端中。请参照图9,该目标检测装置90包括特征提取模块91、特征增强模块92以及特征分类检测模块93。
本具体实施例的目标检测装置90进行目标检测的过程包括:
步骤S1001,目标检测装置90将待进行目标检测的检测图片94输入到特征提取模块91,特征提取模块91通过预设特征提取卷积神经网络对检测图片进行目标特征提取操作;
步骤S1002,目标检测装置90将特征提取模块91提取的目标特征输入到特征增强模块92进行特征增强操作。
特征增强模块92可计算至少一层预设特征提取卷积神经网络上的特征点的相似度,随后根据上述相似度对相应层的预设特征提取卷积神经网络上的特征点进行增强操作。这里可选择对每层的预设特征提取卷积神经网络的特征点进行增强操作,也可以选择对部分层的预设特征提取卷积神经网络的特征点进行增强操作。
具体的,特征增强模块92可对每层预设特征提取卷积神经网络输出的特征点的特征向量进行降维操作,然后计算每层预设特征提取卷积神经网络输出的每个特征点的特征向量与相应层的预设特征提取卷积神经网络输出的其他特征点的特征向量的相似性,从而得到一个相似性权重(相似度)。
然后循环这个过程,可得到每层预设特征提取卷积神经网络输出的每个特征点的特征向量对应的相似性权重。
如图11所示,x为某一层的预设特征提取卷积神经网络输出的特征点的特征向量集合,特征向量集合x的尺寸为N*H*W*B,其中N为对应层的预设特征提取卷积神经网络输出的输出批尺寸,B为对应层的预设特征提取卷积神经网络的输出通道数,W为对应层的预设特征提取卷积神经网络的输出特征宽度,H为对应层的预设特征提取卷积神经网络的输出特征高度。
则相似性权重y为:
f(xi,xj)=θ(xi)Tφ(xj),C(x)=N;
其中i为特征点在预设特征提取卷积神经网络输出的所有特征点的排序,j为其他特征点在预设特征提取卷积神经网络输出的所有特征点的排序,θ、φ、g为三种任意的线性映射函数,使用线性映射函数θ和线性映射函数φ来提高特征向量xi、xj的表达力,同时通过降低特征向量xi、xj的维度来减少相似性函数的计算量,使用线性映射函数g对相似度进行缩放修正,以使得修正后的相似度更加准确。这里线性映射函数θ、线性映射函数φ以及线性映射函数g的输出维度均为输入维度的一半。
这里的相似性函数f选用的是点积函数,当然这里相似性函数f也可选用高斯函数或嵌入式高斯函数。函数C(x)为归一化因子。
这样即获取了每层预设特征提取卷积神经网络输出的每个特征点的特征向量对应的相似性权重yi。
随后通过预设权重矩阵以及特征点的特征向量的相似度相似性权重yi,对相应层的预设特征提取卷积神经网络上的特征点的特征向量进行增强修正,即与原来的特征向量xi进行加权。
则加权后的特征向量为:
zi=Wzyi+xi;
其中Wz为预设权重矩阵,该预设权重矩阵可使得加权后的特征向量恢复到之前的维度,这样才可与输出的特征向量xi进行加权操作,使得加权后的特征向量zi更加准确。这里的预设权重矩阵Wz可通过训练预设特征提取卷积神经网络时的反向传播来获取和优化。
最后特征增强模块92使用批标准化层(BN,Batch Normalization)对加权后的特征向量进行归一化处理,从而得到最终输出的特征向量ZBN。
ZBN=BN(z)。
这样即完成了对预设特征提取卷积神经网络提取的目标特征的特征增强操作。
步骤S1003,特征分类检测模块93使用预设检测分类卷积神经网络对特征增强操作后的目标特征形成的特征图谱进行分类检测,以获取检测图片中的检测目标。由于特征增强操作后的目标特征可通过特征相似度来避免特征长距离依赖不足的问题,从而提高了目标检测的精度以及目标检测的速度。
这里的预设特征提取卷积神经网络以及预设检测分类卷积神经网络可通过多种方式来实现,如mobilenet框架、darknet框架等。
这样即完成了本具体实施例的目标检测方法及目标检测装置的图片目标检测过程。
本发明的目标检测方法以及目标检测装置基于检测图片的特征点的相似度对特征点进行特征增强操作,提高了目标检测精度以及目标检测速度;有效的解决了现有的目标检测方法且目标检测装置的目标检测精度较低或目标检测速度较低的技术问题。
如本申请所使用的术语“组件”、“模块”、“系统”、“接口”、“进程”等等一般地旨在指计算机相关实体:硬件、硬件和软件的组合、软件或执行中的软件。例如,组件可以是但不限于是运行在处理器上的进程、处理器、对象、可执行应用、执行的线程、程序和/或计算机。通过图示,运行在控制器上的应用和该控制器二者都可以是组件。一个或多个组件可以有在于执行的进程和/或线程内,并且组件可以位于一个计算机上和/或分布在两个或更多计算机之间。
图12和随后的讨论提供了对实现本发明所述的目标检测装置所在的电子设备的工作环境的简短、概括的描述。图12的工作环境仅仅是适当的工作环境的一个实例并且不旨在建议关于工作环境的用途或功能的范围的任何限制。实例电子设备1212包括但不限于可穿戴设备、头戴设备、医疗健康平台、个人计算机、服务器计算机、手持式或膝上型设备、移动设备(比如移动电话、个人数字助理(PDA)、媒体播放器等等)、多处理器系统、消费型电子设备、小型计算机、大型计算机、包括上述任意系统或设备的分布式计算环境,等等。
尽管没有要求,但是在“计算机可读指令”被一个或多个电子设备执行的通用背景下描述实施例。计算机可读指令可以经由计算机可读介质来分布(下文讨论)。计算机可读指令可以实现为程序模块,比如执行特定任务或实现特定抽象数据类型的功能、对象、应用编程接口(API)、数据结构等等。典型地,该计算机可读指令的功能可以在各种环境中随意组合或分布。
图12图示了包括本发明的目标检测装置中的一个或多个实施例的电子设备1212的实例。在一种配置中,电子设备1212包括至少一个处理单元1216和存储器1218。根据电子设备的确切配置和类型,存储器1218可以是易失性的(比如RAM)、非易失性的(比如ROM、闪存等)或二者的某种组合。该配置在图12中由虚线1214图示。
在其他实施例中,电子设备1212可以包括附加特征和/或功能。例如,设备1212还可以包括附加的存储装置(例如可移除和/或不可移除的),其包括但不限于磁存储装置、光存储装置等等。这种附加存储装置在图12中由存储装置1220图示。在一个实施例中,用于实现本文所提供的一个或多个实施例的计算机可读指令可以在存储装置1220中。存储装置1220还可以存储用于实现操作系统、应用程序等的其他计算机可读指令。计算机可读指令可以载入存储器1218中由例如处理单元1216执行。
本文所使用的术语“计算机可读介质”包括计算机存储介质。计算机存储介质包括以用于存储诸如计算机可读指令或其他数据之类的信息的任何方法或技术实现的易失性和非易失性、可移除和不可移除介质。存储器1218和存储装置1220是计算机存储介质的实例。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字通用盘(DVD)或其他光存储装置、盒式磁带、磁带、磁盘存储装置或其他磁存储设备、或可以用于存储期望信息并可以被电子设备1212访问的任何其他介质。任意这样的计算机存储介质可以是电子设备1212的一部分。
电子设备1212还可以包括允许电子设备1212与其他设备通信的通信连接1226。通信连接1226可以包括但不限于调制解调器、网络接口卡(NIC)、集成网络接口、射频发射器/接收器、红外端口、USB连接或用于将电子设备1212连接到其他电子设备的其他接口。通信连接1226可以包括有线连接或无线连接。通信连接1226可以发射和/或接收通信媒体。
术语“计算机可读介质”可以包括通信介质。通信介质典型地包含计算机可读指令或诸如载波或其他传输机构之类的“己调制数据信号”中的其他数据,并且包括任何信息递送介质。术语“己调制数据信号”可以包括这样的信号:该信号特性中的一个或多个按照将信息编码到信号中的方式来设置或改变。
电子设备1212可以包括输入设备1224,比如键盘、鼠标、笔、语音输入设备、触摸输入设备、红外相机、视频输入设备和/或任何其他输入设备。设备1212中也可以包括输出设备1222,比如一个或多个显示器、扬声器、打印机和/或任意其他输出设备。输入设备1224和输出设备1222可以经由有线连接、无线连接或其任意组合连接到电子设备1212。在一个实施例中,来自另一个电子设备的输入设备或输出设备可以被用作电子设备1212的输入设备1224或输出设备1222。
电子设备1212的组件可以通过各种互连(比如总线)连接。这样的互连可以包括外围组件互连(PCI)(比如快速PCI)、通用串行总线(USB)、火线(IEEE1394)、光学总线结构等等。在另一个实施例中,电子设备1212的组件可以通过网络互连。例如,存储器1218可以由位于不同物理位置中的、通过网络互连的多个物理存储器单元构成。
本领域技术人员将认识到,用于存储计算机可读指令的存储设备可以跨越网络分布。例如,可经由网络1228访问的电子设备1230可以存储用于实现本发明所提供的一个或多个实施例的计算机可读指令。电子设备1212可以访问电子设备1230并且下载计算机可读指令的一部分或所有以供执行。可替代地,电子设备1212可以按需要下载多条计算机可读指令,或者一些指令可以在电子设备1212处执行并且一些指令可以在电子设备1230处执行。
本文提供了实施例的各种操作。在一个实施例中,所述的一个或多个操作可以构成一个或多个计算机可读介质上存储的计算机可读指令,其在被电子设备执行时将使得计算设备执行所述操作。描述一些或所有操作的顺序不应当被解释为暗示这些操作必需是顺序相关的。本领域技术人员将理解具有本说明书的益处的可替代的排序。而且,应当理解,不是所有操作必需在本文所提供的每个实施例中存在。
而且,尽管已经相对于一个或多个实现方式示出并描述了本公开,但是本领域技术人员基于对本说明书和附图的阅读和理解将会想到等价变型和修改。本公开包括所有这样的修改和变型,并且仅由所附权利要求的范围限制。特别地关于由上述组件(例如元件、资源等)执行的各种功能,用于描述这样的组件的术语旨在对应于执行所述组件的指定功能(例如其在功能上是等价的)的任意组件(除非另外指示),即使在结构上与执行本文所示的本公开的示范性实现方式中的功能的公开结构不等同。此外,尽管本公开的特定特征已经相对于若干实现方式中的仅一个被公开,但是这种特征可以与如可以对给定或特定应用而言是期望和有利的其他实现方式的一个或多个其他特征组合。而且,就术语“包括”、“具有”、“含有”或其变形被用在具体实施方式或权利要求中而言,这样的术语旨在以与术语“包含”相似的方式包括。
本发明实施例中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。上述提到的存储介质可以是只读存储器,磁盘或光盘等。上述的各装置或系统,可以执行相应方法实施例中的方法。
综上所述,虽然本发明已以实施例揭露如上,实施例前的序号仅为描述方便而使用,对本发明各实施例的顺序不造成限制。并且,上述实施例并非用以限制本发明,本领域的普通技术人员,在不脱离本发明的精神和范围内,均可作各种更动与润饰,因此本发明的保护范围以权利要求界定的范围为准。
Claims (9)
1.一种目标检测方法,其特征在于,包括:
获取检测图片,并使用预设特征提取卷积神经网络对所述检测图片进行特征提取;
基于所述检测图片在至少一层所述预设特征提取卷积神经网络上的特征点的相似度,对相应层的所述预设特征提取卷积神经网络上的特征点进行增强操作;
使用增强操作后的预设特征提取卷积神经网络输出所述检测图片的特征图谱;以及
使用预设检测分类卷积神经网络对所述检测图片的特征图谱进行分类检测,以获取所述检测图片中的检测目标;
所述基于所述检测图片在至少一层所述预设特征提取卷积神经网络上的特征点的相似度,对相应层的所述预设特征提取卷积神经网络上的特征点进行增强操作,包括:获取检测图片在所述预设特征提取卷积神经网络上的不同位置的特征点的特征向量;使用第一预设线性映射函数对所述预设特征提取卷积神经网络上的特征点的特征向量进行第一降维操作;使用第二预设线性映射函数对所述预设特征提取卷积神经网络上的特征点的特征向量进行第二降维操作;使用预设的相似性函数计算至少一层所述预设特征提取卷积神经网络上的第一降维操作后的特征点的特征向量,与相应层的所述预设特征提取卷积神经网络上其他位置的第二降维操作后的特征点的特征向量的相似度;以及使用预设权重矩阵以及所述特征点的特征向量的相似度,对相应层的所述预设特征提取卷积神经网络上的特征点的特征向量进行增强修正。
2.根据权利要求1所述的目标检测方法,其特征在于,所述目标检测方法还包括:
使用第三预设线性映射函数对所述预设特征提取卷积神经网络上的特征点的特征向量进行第三降维操作;
使用所述第三降维操作后的特征点的特征向量对所述相似度进行修正。
3.根据权利要求1所述的目标检测方法,其特征在于,所述使用预设权重矩阵以及所述特征点的特征向量的相似度,对相应层的所述预设特征提取卷积神经网络上的特征点的特征向量进行增强修正的步骤包括:
使用预设权重矩阵对所述特征点的特征向量的相似度进行维度恢复;
使用维度恢复后的相似度,对相应层的所述预设特征提取卷积神经网络上的特征点的特征向量进行修正。
4.根据权利要求1所述的目标检测方法,其特征在于,所述基于所述检测图片在至少一层所述预设特征提取卷积神经网络上的特征点的相似度,对相应层的所述预设特征提取卷积神经网络上的特征点进行增强操作的步骤还包括:
使用批标准化层,对增强修正后的预设特征提取卷积神经网络上的特征点的特征向量进行归一化处理。
5.一种目标检测装置,其特征在于,包括:
特征提取模块,用于获取检测图片,并使用预设特征提取卷积神经网络对所述检测图片进行特征提取;
特征增强模块,用于基于所述检测图片在至少一层所述预设特征提取卷积神经网络上的特征点的相似度,对相应层的所述预设特征提取卷积神经网络上的特征点进行增强操作;
特征输出模块,用于使用增强操作后的预设特征提取卷积神经网络输出所述检测图片的特征图谱;以及
分类检测模块,用于使用预设检测分类卷积神经网络对所述检测图片的特征图谱进行分类检测,以获取所述检测图片中的检测目标;
所述特征增强模块包括:特征向量获取单元,用于获取检测图片在所述预设特征提取卷积神经网络上的不同位置的特征点的特征向量;相似度计算单元,用于使用预设的相似性函数计算至少一层所述预设特征提取卷积神经网络上的不同位置的特征点的特征向量,与相应层的所述预设特征提取卷积神经网络上其他位置的特征点的特征向量的相似度;以及特征增强单元,用于使用预设权重矩阵以及所述特征点的特征向量的相似度,对相应层的所述预设特征提取卷积神经网络上的特征点的特征向量进行增强修正。
6.根据权利要求5所述的目标检测装置,其特征在于,所述相似度计算单元包括:
第三降维子单元,用于使用第三预设线性映射函数对所述预设特征提取卷积神经网络上的特征点的特征向量进行第三降维操作;
相似度修正子单元,用于使用所述第三降维操作后的特征点的特征向量对所述相似度进行修正。
7.根据权利要求5所述的目标检测装置,其特征在于,所述特征增强单元包括:
维度恢复子单元,用于使用预设权重矩阵对所述特征点的特征向量的相似度进行维度恢复;
特征修正子单元,用于使用维度恢复后的相似度,对相应层的所述预设特征提取卷积神经网络上的特征点的特征向量进行修正。
8.根据权利要求5所述的目标检测装置,其特征在于,所述目标检测装置还包括:
归一化处理模块,用于使用批标准化层,对增强修正后的预设特征提取卷积神经网络上的特征点的特征向量进行归一化处理。
9.一种计算机可读存储介质,其内存储有处理器可执行指令,所述指令由一个或一个以上处理器加载,以执行如权利要求1-4中任一的目标检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811427403.9A CN110210279B (zh) | 2018-11-27 | 2018-11-27 | 目标检测方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811427403.9A CN110210279B (zh) | 2018-11-27 | 2018-11-27 | 目标检测方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110210279A CN110210279A (zh) | 2019-09-06 |
CN110210279B true CN110210279B (zh) | 2024-08-23 |
Family
ID=67779941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811427403.9A Active CN110210279B (zh) | 2018-11-27 | 2018-11-27 | 目标检测方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110210279B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008555B (zh) * | 2019-10-21 | 2021-08-17 | 武汉大学 | 一种无人机图像弱小目标增强提取方法 |
CN111680563B (zh) * | 2020-05-09 | 2023-09-19 | 苏州中科先进技术研究院有限公司 | 一种活体检测方法、装置、电子设备及存储介质 |
CN113822357B (zh) * | 2021-09-18 | 2024-01-05 | 广东工业大学 | 一种分类模型的训练方法、分类方法及相关装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491765A (zh) * | 2018-03-05 | 2018-09-04 | 中国农业大学 | 一种蔬菜图像的分类识别方法及系统 |
CN108520212A (zh) * | 2018-03-27 | 2018-09-11 | 东华大学 | 基于改进的卷积神经网络的交通标志检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876855A (zh) * | 2018-05-28 | 2018-11-23 | 哈尔滨工程大学 | 一种基于深度学习的海参检测和双目视觉定位方法 |
CN108875645B (zh) * | 2018-06-22 | 2021-11-19 | 中国矿业大学(北京) | 一种煤矿井下复杂光照条件下的人脸识别方法 |
-
2018
- 2018-11-27 CN CN201811427403.9A patent/CN110210279B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491765A (zh) * | 2018-03-05 | 2018-09-04 | 中国农业大学 | 一种蔬菜图像的分类识别方法及系统 |
CN108520212A (zh) * | 2018-03-27 | 2018-09-11 | 东华大学 | 基于改进的卷积神经网络的交通标志检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110210279A (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10650495B2 (en) | High resolution style transfer | |
WO2020228522A1 (zh) | 目标跟踪方法、装置、存储介质及电子设备 | |
CN106780512B (zh) | 分割图像的方法、应用及计算设备 | |
CN107610146B (zh) | 图像场景分割方法、装置、电子设备及计算机存储介质 | |
WO2021136027A1 (zh) | 相似图像检测方法、装置、设备及存储介质 | |
CN110210279B (zh) | 目标检测方法、装置及计算机可读存储介质 | |
CN110008997B (zh) | 图像纹理相似度识别方法、装置及计算机可读存储介质 | |
CN112308866B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN110598717B (zh) | 图像特征的提取方法、装置及电子设备 | |
CN111160288A (zh) | 手势关键点检测方法、装置、计算机设备和存储介质 | |
CN112183296B (zh) | 模拟票据图像生成、票据图像识别方法和装置 | |
CN110431563B (zh) | 图像校正的方法和装置 | |
CN107730514A (zh) | 场景分割网络训练方法、装置、计算设备及存储介质 | |
US11822900B2 (en) | Filter processing device and method of performing convolution operation at filter processing device | |
CN110956131A (zh) | 单目标追踪方法、装置及系统 | |
CN112580668B (zh) | 一种背景欺诈检测方法、装置及电子设备 | |
CN111274999A (zh) | 数据处理、图像处理方法、装置及电子设备 | |
WO2021043023A1 (zh) | 图像处理方法及装置、分类器训练方法以及可读存储介质 | |
CN112528318A (zh) | 一种图像脱敏的方法、装置及电子设备 | |
CN110210480A (zh) | 文字识别方法、装置、电子设备和计算机可读存储介质 | |
CN109615620B (zh) | 图像压缩度识别方法、装置、设备及计算机可读存储介质 | |
CN110503600A (zh) | 特征点检测方法、装置、电子设备和可读存储介质 | |
WO2022257433A1 (zh) | 图像的特征图的处理方法及装置、存储介质、终端 | |
CN115147296A (zh) | 高光谱图像矫正方法、装置、计算机设备和存储介质 | |
CN112348069B (zh) | 数据增强方法、装置、计算机可读存储介质及终端设备 |
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 |