CN110210608A - 基于注意力机制和多层次特征融合的低照度图像增强方法 - Google Patents

基于注意力机制和多层次特征融合的低照度图像增强方法 Download PDF

Info

Publication number
CN110210608A
CN110210608A CN201910483957.9A CN201910483957A CN110210608A CN 110210608 A CN110210608 A CN 110210608A CN 201910483957 A CN201910483957 A CN 201910483957A CN 110210608 A CN110210608 A CN 110210608A
Authority
CN
China
Prior art keywords
level
low
characteristic pattern
attention mechanism
characteristic
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
CN201910483957.9A
Other languages
English (en)
Other versions
CN110210608B (zh
Inventor
王蕾
解伟
王强
王东飞
王琳
姜竹青
门爱东
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.)
Research Institute Of Radio And Television Science State Administration Of Radio And Television
Beijing University of Posts and Telecommunications
Original Assignee
Research Institute Of Radio And Television Science State Administration Of Radio And Television
Beijing University of Posts and Telecommunications
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 Research Institute Of Radio And Television Science State Administration Of Radio And Television, Beijing University of Posts and Telecommunications filed Critical Research Institute Of Radio And Television Science State Administration Of Radio And Television
Priority to CN201910483957.9A priority Critical patent/CN110210608B/zh
Publication of CN110210608A publication Critical patent/CN110210608A/zh
Application granted granted Critical
Publication of CN110210608B publication Critical patent/CN110210608B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06V10/40—Extraction of image or video features
    • G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model

Landscapes

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

Abstract

本发明涉及一种基于注意力机制和多层次特征融合的低照度图像增强方法，包括以下步骤：在输入端对低照度图像进行处理，输出四通道特征图；使用基于注意力机制的卷积层作为特征提取模块，用于提取基础特征作为低层特征；将低层特征与相应的高层特征和卷积层最深层次的特征融合，经过反卷积层后，获得最终特征图；输出映射将最终的特征图还原成RGB图片。本发明充分利用了深度卷积神经网络模型的多层次特征，将不同层次特征融合，并通过通道注意力机制，给予特征通道不同的权重，获得了更优的特征表示，提高了图像处理的准确率，获取了高质量图像，可广泛用于计算机低层次视觉任务技术领域。

Description

基于注意力机制和多层次特征融合的低照度图像增强方法
技术领域
本发明属于计算机图像处理技术领域，尤其是一种基于注意力机制和多层次特征融合的低照度图像增强方法。
背景技术
在计算机图像处理领域中，低照度图像增强技术是指通过一定的方法处理低对比度和光照的图像，最终获得高亮度的清晰图像。经过处理后的输出图像可以被广泛应用于高层次视觉任务中去，例如目标检测、行人再识别和自动驾驶等。
传统的低照度图像增强方法主要使用的是直方图均衡和基于Retinex的方法。近几年随着机器学习和大数据发展，基于深度神经网络的图像增强算法得到了很大的进展。低照度图像增强逐步成为计算机视觉任务中的研究热点之一。
虽然低照度图像增强方法得到了很大的发展，但是，由于低照度图像自身困难性，仍然有很多问题亟待解决。低照度图像增强的难点主要体现在：(1)低照度图像自身的不确定性，由于拍摄环境的光照强度较低，以及一些非主观因素如拍摄抖动等，导致拍摄的低照度图像包含更多的噪声；(2)数据集数量较少，现实生活中拍摄低照度图像及其对应的对比图像较为困难，因此基于深度卷积神经网络的处理方法的数据量较少，很难获得一个较好的训练效果；(3)网络结构的选择问题。
综上所述，目前基于深度卷积神经网络的方法还在探索中，未找到一个合适的方法来处理低照度图片。
发明内容
本发明的目的在于克服现有技术的不足，提出一种设计合理且准确可靠的基于注意力机制和多层次特征融合的低照度图像增强方法。
本发明解决其技术问题是采取以下技术方案实现的：
一种基于注意力机制和多层次特征融合的低照度图像增强方法，包括以下步骤：
步骤1、在输入端对低照度图像进行处理，输出四通道特征图；
步骤2、使用基于注意力机制的卷积层作为特征提取模块，用于提取基础特征作为低层特征；
步骤3、将低层特征与相应的高层特征和卷积层最深层次的特征融合，经过反卷积层后，获得最终特征图；
步骤4、输出映射将最终的特征图还原成RGB图片。
所述步骤1的具体实现方法包括以下步骤：
⑴将一通道的低照度图像进行提取重新排列，形成按照RGBG顺序排列的四通道输入图像；
⑵对四通道输入图像减掉黑电平，随后放大相应的倍数，获得四通道特征图并作为卷积模块输入。
所述低照度图像为512×512大小的拜耳RAW格式图像。
所述步骤2的具体实现方法包括以下步骤：
⑴将步骤1中得到的四通道特征图经过通道注意力模块处理，获得含有通道权重的特征图；
⑵将含有通道权重的特征图输入到卷积神经网络架构中，图像经过一系列卷积层、ReLU和池化操作后，由每一个特征提取模块输出一种尺寸的特征。
所述通道注意力模块是连续两个1×1全连接卷积层，该通道注意力模块的处理过程为：对特征图进行全局池化、全连接卷积、ReLU、全连接卷积、Sigmoid处理后并与特征图对应相乘，得到含有通道权重的特征图。
所述步骤3的具体实现方法包括以下步骤：
⑴对步骤2输出的特征图进行反卷积，得到与特征提取中前一层相同尺寸和通道数的高层次特征图；
⑵将特征提取模块获得的低层特征与反卷积得到的高层次特征图连接，经过通道注意力模块处理后，获得含有通道权重的高层次特征图；
⑶将高层次特征图进行两个带有LReLU的3×3卷积，获取该卷积层的特征图；
⑷对于上一层获取的特征图，重复执行⑴至⑶，直到获取最终特征图。
所述步骤3获得的最终特征图为12通道特征图。
所述步骤4后还包括进行PSNR评价网络性能进而不断训练网络并提高网络性能的步骤。
本发明的优点和积极效果是：
本发明设计合理，充分利用了深度卷积神经网络模型的多层次特征，将不同层次特征融合，并通过通道注意力机制，给予特征通道不同的权重，获得了更优的特征表示，从而获得更好的输出结果。另外，本发明充分利用了深度卷积神经网络，经过一系列卷积层、池化层和反卷积层来增强图像，提高了图像处理的准确率，获取了高质量图像，可广泛用于计算机低层次视觉任务技术领域。
附图说明
图1是本发明的低照度图像增强方法的原理框图；
图2是特征提取模块的处理原理图；
图3是特征融合模块的处理图；
图4是通道注意力模块的处理图。
具体实施方式
以下结合附图对本发明实施例做进一步详述。
一种基于注意力机制和多层次特征融合的低照度图像增强方法，如图1所示，包括以下步骤：
步骤S1、在输入端，对低照度RAW格式图像进行黑电平和倍数放大处理，输出一个按照RGBG排列的四通道特征图。
本步骤的具体实现方法如下：
步骤S1.1、将一通道的512×512大小的拜耳RAW格式图像进行提取排列，形成按照RGBG顺序排练的四通道输入图像；
步骤S1.2、对输入图像减掉黑电平，随后放大相应的倍数，获得卷积模块输入。
步骤S2、使用基于注意力机制的卷积层作为特征提取模块，用于提取基础特征作为低层特征。
如图2所示，本步骤的具体实现方法：
步骤S2.1、将步骤1中得到的四通道特征图经过通道注意力模块，获得含有通道权重的特征。在本步骤中，通道注意力模块是连续两个1×1全连接卷积层。
如图4所示，通道注意力模块的具体处理过程包括：对特征图进行全局池化、全连接卷积、ReLU、全连接卷积、Sigmoid处理后并与特征图对应相乘，得到含有通道权重的特征图。
步骤S2.2、将有通道权重的特征图输入到卷积神经网络架构中，图像经过一系列卷积层、ReLU和池化操作后，每一个特征提取模块输出一种尺寸的特征。
步骤S3、将低层特征与相应的高层特征和卷积层最深层次的特征融合，经过反卷积层后，获得最终的特征图。
如图3所示，本步骤的具体实现方法如下：
步骤S3.1、首先对于步骤2中最后获得的32×32特征图进行反卷积，得到与特征提取中前一层相同尺寸和通道数的高层次特征图；
步骤S3.2、将特征提取模块获得的低层特征与反卷积得到的高层次特征图连接，经过通道注意力模块后，获得含有通道权重的高层次特征图；
通道注意力模块的处理过程与步骤2说明相同。
步骤S3.3、将获取的高层次特征图进行两个带有LReLU的3×3卷积，获取该卷积层的特征图；
步骤S3.4、对于上一层获取的特征图，重复步骤1至步骤3的方法，直到获取最终的特征输出。
特征融合模块进行的特征融合，包含了特征提取模块的低层次特征，反卷积获取的高层次特征以及特征提取模块最终特征图的相应尺寸反卷积特征图。
步骤4、输出映射将12层特征图还原成RGB图片，同时使用PSNR评价网络性能进而训练网络。
本步骤的具体实现方法如下：
步骤S4.1、将步骤S3中得到的12通道特征图，恢复至RGB图像；
步骤S4.2、网络将得到的输出与真实图像进行PSNR，从而不断训练网络，提高网络性能。
下面按照本发明的方法进行实验，说明本发明的技术效果。
测试环境：python 2.7；Ubuntu6.04系统；NVIDIA GTX 1080ti GPU.
测试序列：所选数据集分为两部分，一部分是合成图像，另一部分是真实世界图像。其中合成图像是基于Pascal VOC数据集，真实世界图像采用SID和S7ISP两个数据集。SID数据集包含5094张RAW格式的低照度图像，S7ISP包含110张低照度图像
测试指标：本发明使用PSNR为评价指标。PSNR是峰值信噪比，一种全参考的图像质量评价指标，基于对应像素点间的误差。当PSNR值越大时，网络输出的图像更接近于真实图像，网络性能越好。对当今流行的不同算法计算PSNR后进行结果对比，证明本发明在低照度图像增强领域有着较好的结果。
测试结果如下：
表1.本发明与其他算法的PSNR结果比较
通过以上对比数据可以看出，本发明的PSNR与现有方法相比有明显的提高。
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (8)

1.一种基于注意力机制和多层次特征融合的低照度图像增强方法，其特征在于包括以下步骤：
步骤1、在输入端对低照度图像进行处理，输出四通道特征图；
步骤2、使用基于注意力机制的卷积层作为特征提取模块，用于提取基础特征作为低层特征；
步骤3、将低层特征与相应的高层特征和卷积层最深层次的特征融合，经过反卷积层后，获得最终特征图；
步骤4、输出映射将最终的特征图还原成RGB图片。
2.根据权利要求1所述的基于注意力机制和多层次特征融合的低照度图像增强方法，其特征在于：所述步骤1的具体实现方法包括以下步骤：
⑴将一通道的低照度图像进行提取重新排列，形成按照RGBG顺序排列的四通道输入图像；
⑵对四通道输入图像减掉黑电平，随后放大相应的倍数，获得四通道特征图并作为卷积模块输入。
3.根据权利要求1或2所述的基于注意力机制和多层次特征融合的低照度图像增强方法，其特征在于：所述低照度图像为512×512大小的拜耳RAW格式图像。
4.根据权利要求1所述的基于注意力机制和多层次特征融合的低照度图像增强方法，其特征在于：所述步骤2的具体实现方法包括以下步骤：
⑴将步骤1中得到的四通道特征图经过通道注意力模块处理，获得含有通道权重的特征图；
⑵将含有通道权重的特征图输入到卷积神经网络架构中，图像经过一系列卷积层、ReLU和池化操作后，由每一个特征提取模块输出一种尺寸的特征。
5.根据权利要求4所述的基于注意力机制和多层次特征融合的低照度图像增强方法，其特征在于：所述通道注意力模块是连续两个1×1全连接卷积层，该通道注意力模块的处理过程为：对特征图进行全局池化、全连接卷积、ReLU、全连接卷积、Sigmoid处理后并与特征图对应相乘，得到含有通道权重的特征图。
6.根据权利要求1所述的基于注意力机制和多层次特征融合的低照度图像增强方法，其特征在于：所述步骤3的具体实现方法包括以下步骤：
⑴对步骤2输出的特征图进行反卷积，得到与特征提取中前一层相同尺寸和通道数的高层次特征图；
⑵将特征提取模块获得的低层特征与反卷积得到的高层次特征图连接，经过通道注意力模块处理后，获得含有通道权重的高层次特征图；
⑶将高层次特征图进行两个带有LReLU的3×3卷积，获取该卷积层的特征图；
⑷对于上一层获取的特征图，重复执行⑴至⑶，直到获取最终特征图。
7.根据权利要求1所述的基于注意力机制和多层次特征融合的低照度图像增强方法，其特征在于：所述步骤3获得的最终特征图为12通道特征图。
8.根据权利要求1至7任一项所述的基于注意力机制和多层次特征融合的低照度图像增强方法，其特征在于：所述步骤4后还包括进行PSNR评价网络性能进而不断训练网络并提高网络性能的步骤。
CN201910483957.9A 2019-06-05 2019-06-05 基于注意力机制和多层次特征融合的低照度图像增强方法 Expired - Fee Related CN110210608B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910483957.9A CN110210608B (zh) 2019-06-05 2019-06-05 基于注意力机制和多层次特征融合的低照度图像增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910483957.9A CN110210608B (zh) 2019-06-05 2019-06-05 基于注意力机制和多层次特征融合的低照度图像增强方法

Publications (2)

Publication Number Publication Date
CN110210608A true CN110210608A (zh) 2019-09-06
CN110210608B CN110210608B (zh) 2021-03-26

Family

ID=67790722

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910483957.9A Expired - Fee Related CN110210608B (zh) 2019-06-05 2019-06-05 基于注意力机制和多层次特征融合的低照度图像增强方法

Country Status (1)

Country Link
CN (1) CN110210608B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110781932A (zh) * 2019-10-14 2020-02-11 国家广播电视总局广播电视科学研究院 一种多类别图像转换与对比的超高清片源色域检测方法
CN111047532A (zh) * 2019-12-06 2020-04-21 广东启迪图卫科技股份有限公司 一种基于3d卷积神经网络的低照度视频增强方法
CN111582104A (zh) * 2020-04-28 2020-08-25 中国科学院空天信息创新研究院 一种遥感图像语义分割方法及装置
CN111932471A (zh) * 2020-07-24 2020-11-13 山西大学 用于低照度图像增强的双路曝光度融合网络模型及方法
CN112381897A (zh) * 2020-11-16 2021-02-19 西安电子科技大学 基于自编码网络结构的低照度图像增强方法
CN112669270A (zh) * 2020-12-21 2021-04-16 北京金山云网络技术有限公司 视频质量的预测方法、装置及服务器
CN113269701A (zh) * 2021-05-08 2021-08-17 大连海事大学 一种基于注意力引导和核选择机制的低照度图像增强方法
CN113284064A (zh) * 2021-05-24 2021-08-20 西安理工大学 一种基于注意力机制跨尺度上下文低照度图像增强方法
CN113920099A (zh) * 2021-10-15 2022-01-11 深圳大学 一种息肉分割方法、装置、计算机设备及存储介质
CN114998133A (zh) * 2022-05-30 2022-09-02 浙江工商大学 基于半监督学习的低照度图像增强方法
US11468543B1 (en) 2021-08-27 2022-10-11 Hong Kong Applied Science and Technology Research Institute Company Limited Neural-network for raw low-light image enhancement
CN116559778A (zh) * 2023-07-11 2023-08-08 海纳科德（湖北）科技有限公司 一种基于深度学习的车辆鸣笛定位方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106101490A (zh) * 2016-07-18 2016-11-09 北京邮电大学 基于时空显著性的视频跨尺度自适应增强方法及装置
CN106093066A (zh) * 2016-06-24 2016-11-09 安徽工业大学 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法
US20170055842A1 (en) * 2015-08-26 2017-03-02 Canon Kabushiki Kaisha Apparatus and method
CN107066583A (zh) * 2017-04-14 2017-08-18 华侨大学 一种基于紧凑双线性融合的图文跨模态情感分类方法
CN107092876A (zh) * 2017-04-12 2017-08-25 湖南源信光电科技股份有限公司 基于Retinex与S‑SIFT特征结合的低照度车型识别方法
US20180300556A1 (en) * 2017-04-17 2018-10-18 Intel Corporation Person tracking and privacy and acceleration of data using autonomous machines
CN108960261A (zh) * 2018-07-25 2018-12-07 扬州万方电子技术有限责任公司 一种基于注意力机制的显著物体检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170055842A1 (en) * 2015-08-26 2017-03-02 Canon Kabushiki Kaisha Apparatus and method
CN106093066A (zh) * 2016-06-24 2016-11-09 安徽工业大学 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法
CN106101490A (zh) * 2016-07-18 2016-11-09 北京邮电大学 基于时空显著性的视频跨尺度自适应增强方法及装置
CN107092876A (zh) * 2017-04-12 2017-08-25 湖南源信光电科技股份有限公司 基于Retinex与S‑SIFT特征结合的低照度车型识别方法
CN107066583A (zh) * 2017-04-14 2017-08-18 华侨大学 一种基于紧凑双线性融合的图文跨模态情感分类方法
US20180300556A1 (en) * 2017-04-17 2018-10-18 Intel Corporation Person tracking and privacy and acceleration of data using autonomous machines
CN108960261A (zh) * 2018-07-25 2018-12-07 扬州万方电子技术有限责任公司 一种基于注意力机制的显著物体检测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
JIN LEI等: ""Multi-LCNN: A Hybrid Neural Network Based on Integrated Time-Frequency Characteristics for Acoustic Scene Classification"", 《2018 IEEE 30TH INTERNATIONAL CONFERENCE ON TOOLS WITH ARTIFICIAL INTELLIGENCE (ICTAI)》 *
LIANG SHEN等: ""MSR-net:Low-light Image Enhancement Using Deep Convolutional Network"", 《ARXIV PREPRINT ARXIV: 1711.02488,2017》 *
LIHUA YE等: ""Parallel multi-stage features fusion of deep convolutional neural networks for aerial scene classification"", 《REMOTE SENSING LETTERS》 *
王培森等: ""基于多通道视觉注意力的细粒度图像分类"", 《数据采集与处理》 *
谢金宝等: ""基于语义理解注意力神经网络的多元特征融合中文文本分类"", 《电子与信息学报》 *
陈龙杰等: ""基于多注意力多尺度特征融合的图像描述生成算法"", 《计算机应用》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110781932A (zh) * 2019-10-14 2020-02-11 国家广播电视总局广播电视科学研究院 一种多类别图像转换与对比的超高清片源色域检测方法
CN110781932B (zh) * 2019-10-14 2022-03-11 国家广播电视总局广播电视科学研究院 一种多类别图像转换与对比的超高清片源色域检测方法
CN111047532A (zh) * 2019-12-06 2020-04-21 广东启迪图卫科技股份有限公司 一种基于3d卷积神经网络的低照度视频增强方法
CN111582104A (zh) * 2020-04-28 2020-08-25 中国科学院空天信息创新研究院 一种遥感图像语义分割方法及装置
CN111582104B (zh) * 2020-04-28 2021-08-06 中国科学院空天信息创新研究院 基于自注意特征聚合网络的遥感图像语义分割方法及装置
CN111932471A (zh) * 2020-07-24 2020-11-13 山西大学 用于低照度图像增强的双路曝光度融合网络模型及方法
CN111932471B (zh) * 2020-07-24 2022-07-19 山西大学 用于低照度图像增强的双路曝光度融合网络模型及方法
CN112381897B (zh) * 2020-11-16 2023-04-07 西安电子科技大学 基于自编码网络结构的低照度图像增强方法
CN112381897A (zh) * 2020-11-16 2021-02-19 西安电子科技大学 基于自编码网络结构的低照度图像增强方法
CN112669270A (zh) * 2020-12-21 2021-04-16 北京金山云网络技术有限公司 视频质量的预测方法、装置及服务器
CN113269701A (zh) * 2021-05-08 2021-08-17 大连海事大学 一种基于注意力引导和核选择机制的低照度图像增强方法
CN113269701B (zh) * 2021-05-08 2024-04-26 大连海事大学 一种基于注意力引导和核选择机制的低照度图像增强方法
CN113284064A (zh) * 2021-05-24 2021-08-20 西安理工大学 一种基于注意力机制跨尺度上下文低照度图像增强方法
US11468543B1 (en) 2021-08-27 2022-10-11 Hong Kong Applied Science and Technology Research Institute Company Limited Neural-network for raw low-light image enhancement
CN113920099A (zh) * 2021-10-15 2022-01-11 深圳大学 一种息肉分割方法、装置、计算机设备及存储介质
CN114998133A (zh) * 2022-05-30 2022-09-02 浙江工商大学 基于半监督学习的低照度图像增强方法
CN116559778A (zh) * 2023-07-11 2023-08-08 海纳科德（湖北）科技有限公司 一种基于深度学习的车辆鸣笛定位方法及系统
CN116559778B (zh) * 2023-07-11 2023-09-29 海纳科德（湖北）科技有限公司 一种基于深度学习的车辆鸣笛定位方法及系统

Also Published As

Publication number Publication date
CN110210608B (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
CN110210608A (zh) 基于注意力机制和多层次特征融合的低照度图像增强方法
CN108121991B (zh) 一种基于边缘候选区域提取的深度学习舰船目标检测方法
CN113065558A (zh) 一种结合注意力机制的轻量级小目标检测方法
CN107844795A (zh) 基于主成分分析的卷积神经网络特征提取方法
CN110675328A (zh) 基于条件生成对抗网络的低照度图像增强方法及装置
CN111862143B (zh) 一种河堤坍塌自动监测方法
CN111310718A (zh) 一种遮挡人脸图像高准确率检测对比方法
CN106778659B (zh) 一种车牌识别方法及装置
CN115497005A (zh) 一种融合特征转移与注意力机制的yolov4遥感目标检测方法
CN114067444A (zh) 基于元伪标签和光照不变特征的人脸欺骗检测方法和系统
CN112819096B (zh) 一种基于复合卷积神经网络的化石图像分类模型的构建方法
CN109740656A (zh) 一种基于卷积神经网络的矿石分选方法
CN113610024B (zh) 一种多策略的深度学习遥感影像小目标检测方法
CN104766319A (zh) 提升夜间拍照图像配准精度的方法
CN114677722A (zh) 一种融合多尺度特征的多监督人脸活体检测方法
CN112347805A (zh) 一种多目标二维码检测识别方法、系统、装置及存储介质
CN117437201A (zh) 一种基于改进YOLOv7的道路裂缝检测方法
CN114029943A (zh) 一种基于图像数据处理的目标抓取定位方法及系统
CN109472790A (zh) 一种机械零件缺陷检测方法及系统
CN116486246A (zh) 一种基于卷积神经网络的桥梁水下图像病害智能识别方法
CN110321869A (zh) 基于多尺度融合网络的人员检测和提取方法
CN106952236B (zh) 基于bp神经网络的鱼眼镜头拍摄图像畸变矫正方法
CN111178229B (zh) 一种基于深度学习的静脉显像方法和装置
CN111539434B (zh) 基于相似度的红外弱小目标检测方法
CN113378672A (zh) 基于改进YOLOv3的输电线缺陷多目标检测方法

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

Granted publication date: 20210326

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