CN110334594A - 一种基于批再规范化处理的yolo算法的目标检测方法 - Google Patents
一种基于批再规范化处理的yolo算法的目标检测方法 Download PDFInfo
- Publication number
- CN110334594A CN110334594A CN201910451236.XA CN201910451236A CN110334594A CN 110334594 A CN110334594 A CN 110334594A CN 201910451236 A CN201910451236 A CN 201910451236A CN 110334594 A CN110334594 A CN 110334594A
- Authority
- CN
- China
- Prior art keywords
- target
- grid
- yolo algorithm
- algorithm
- network structure
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 56
- 238000012545 processing Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—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
- 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
- G06V20/00—Scenes; Scene-specific elements
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于批再规范化处理的YOLO算法的目标检测方法，属于目标检测和计算机视觉技术领域。本发明在基于YOLO算法的网络结构检测模型中输入448×448大小的图像；再把图像分割成S×S个网格；判断若物体中心落在某个网格上，则该网格负责检测该物体；预测网格负责的被检测物体属于C个类别中具体某一类的后验概率；对每一个人网格预测B个目标边框及置信度评分；计算目标边框类相关置信度。本发明对区域建议式目标检测框架进行了改革，避免了因为建议框重叠带来的重复工作，提高了目标检测的速度。
Description
技术领域
本发明涉及一种基于批再规范化处理的YOLO算法的目标检测方法，属于目标 检测和计算机视觉技术领域。
背景技术
目标检测即找出目标所在的正确位置并决定这些目标的所属类别，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观，形状，姿态，加上成像时光 照，遮挡等因素的干扰，目标检测也一直是计算机视觉领域最具有挑战性的问题之 一。目标检测除了需要做图像分类之外，还需要解决的核心问题有a)目标可能出现 在图像的任何位置；b)目标有各种不同的大小；c)目标可能有各种不同的形状。虽然 近几年目标检测火热发展，并取得了一定成果，但对于目标检测的研究仍然有很多 难题需要克服。目标检测的应用非常广泛，在智能控制、行为识别等诸多领域扮演 很重要的角色。
目标检测的难点在于待检测区域的提取与识别，为了克服这些难点，对于目标 检测的探索和研究从未停止。如今目标检测研究的方法主要分为两大类：a)基于传统 图像处理和机器学习算法的目标检测方法；b)基于深度学习的目标检测方法。传统的 目标检测方法一般分为三个阶段：a)在给定的图像上选定一些候选区域；b)对这些候 选区域提取特征；c)使用训练的分类器进行分类。在第二个阶段，常需要人工来获取 原始输入中与目标有关的表达信息，并在进一步提取的与目标有关的特征上进行分 类器学习。例如SIFT(Scale Invariant Feature Transform),HOG(Histogram of Oriented Gradient),SURF(Speeded Up Robust Features)等经典方法。例如HOG(Histogram of OrientedGradient)，它的核心思想是所检测的局部物体外形能够被梯度或边缘方向的 分布所描述，HOG能较好地捕捉局部形状信息，对几何和光学变化都有很好的不变 性。但HOG具有很明显的缺陷，它很难处理遮挡问题，人体姿势动作幅度过大或物 体方向改变也不易检测；HOG没有选取主方向，也没有旋转梯度方向直方图，因而 本身不具有旋转不变性；HOG本身不具有尺度不变性，其尺度不变性是通过缩放检 测窗口图像的大小来实现的；此外，由于梯度的性质，HOG对噪点相当敏感，在实 际应用中，在Block和Cell划分之后，对于得到各个像区域中，有时候还会做一次 高斯平滑去除噪点。为了弥补这些缺陷，我们需要在传统的目标检测方法上做进一 步改善和优化。
深度学习方法中的卷积神经网络(convolution neural network,CNN)将人工神经 网络和卷积运算相结合，它可以识别各种各样的目标模式并对一定程度的扭曲和变 形有良好的鲁棒性；同时它采用稀疏连接和权值共享，极大减少了传统神经网络的 参数个数。基于深度学习的目标检测方法大致分为两类：a)基于区域建议的目标检测 算法，例如R-CNN,Fast-R-CNN等；b)基于回归的目标检测算法，例如YOLO,SSD。 虽然R-CNN算法相较于传统目标检测算法取得了50％的性能提升，但其也有缺陷存 在：对于基于区域建议的目标检测方法，R-CNN系列均需要产生建议框，在建议框 上进行分类与回归，但是建议框之间有重叠，这会带来很多重复的工作；训练测试 不简洁，候选区域提取、特征提取、分类、回归都是分开操作，中间数据还需要单 独保存；速度慢；输入的图片Patch必须强制缩放成固定大小，会造成物体形变，导 致检测性能下降。
YOLO算法将图像分割成S×S个网格，每个网格负责中心在该网格的物体的目 标检测，采用一次性预测所有网格所含目标的B个边界回归框、定位置信度以及所 有类别概率向量来将问题一次性解决。YOLO算法将目标检测重建为一个单一的回 归问题，从图像像素直接到边界框坐标和分类概率，可以很快完成目标检测任务。 虽然YOLO算法在目标检测方面有了重大的突破，但经过分析后发现YOLO算法的 框架还有许多可以改进的方面。我们在YOLO的网络结构中加入批再规范化处理， 使得YOLO算法在目标检测方面的性能有了进一步的提高。
发明内容
本发明提供了一种基于批再规范化处理的YOLO算法的目标检测方法，在目标 检测方面具有更快的训练和检测速度，以及更高的检测精度。
本发明的技术方案是：一种基于批再规范化处理的YOLO算法的目标检测方法， 所述方法的具体步骤如下：
Step1、对基于YOLO算法的网络结构检测模型进行训练；
YOLO算法的网络结构是一个卷积神经网络结构，它由输入层、卷积层、池化 层、全连接层和输出层组成；对YOLO算法的的网络结构和相关参数进行了调整：
Step2、对图像进行预处理，即将输入图像的尺寸调整为448×448；
Step3、把经过Step2处理之后的图像输入到基于YOLO算法的网络结构检测模 型，分成S×S个网格，若被检测物体中心落在某个网格，则被检测物体由该网格负 责；
Step4、预测Step3中网格负责的被检测物体属于C个类别中具体某一类的后验 概率，即pr(classi|object)，在原YOLO算法中S值为7，C为20；
Step5、对Step3中每个网格都预测B个目标边框，设B的值为2；一是预测这 个目标边框含有目标的可能性大小，记为Pr(object)，当该目标边框是背景时，即不 包含目标，此时Pr(object)＝0，而当该目标边框包含目标时，Pr(object)＝1；二是预测 这个目标边框的准确度，目标边框的准确度用预测框与实际框的IOU，intersection over union，交并比来表征；
Step6、预测置信度评分，根据Step5的预测结果，置信度评分定义为Pr(object)IOU；
Step7、计算目标边框类相关置信度，根据Step4，Step5，Step6的预测结果，目 标边框类相关置信度计算公式是：
进一步地，所述步骤Step1中，对YOLO算法的的网络结构和相关参数进行了 调整具体包括：
a)、对经过卷积层之后的特征图进行批再规范化处理；
b)、调整了网络结构中的学习率，将学习率由原先的0.0005调整到0.001；
c)、移除了网络结构中的dropout结构；
d)、本算法中设置小的批大小。
YOLO算法采用一次性预测所有网格所含目标的B个边界回归框、定位置信度 以及所有类别概率向量来将问题一次性解决，是对区域建议式检测框架的改革。
该方法对YOLO算法框架进行了优化，在神经网络经过卷积层产生的特征图上 应用批再规范化算法。批规范化算法能够非常有效地提高深度模型的训练速度，但 是当训练时样本数量很少或者样本是由非独立样本组成时，这种有效性就大大降低 了。针对这个问题，批再规范化提出了一种简单高效的优化方法。批再规范化算法 是对每个神经元作规范化处理，甚至只需要对某一个神经元进行规范化，而不需要 对一整层网络的神经元进行规范化。而在卷积神经网络(convolution neural network, CNN)卷积层上使用了权值共享的策略，我们把卷积层通过卷积运算后得到的每一 张特征图当做一个神经元进行处理。
由于批再规范化算法具有较强的提高泛化能力的特性，这在很大程度上可以替代dropout结构，所以本方法中的网络结构移除了dropout结构。YOLO算法中使用 了dropout结构，并将概率设为0.5，这是神经网络训练过程中一项有效的技巧。本 算法考虑到YOLO算法中dropout结构会产生过大的计算量，并且批再规范化算法 能够防止过拟合，综合考虑之后移除dropout结构。
本方法增大了学习率。神经网络模型训练过程中需要调整学习率的大小，以及 选择学习率在训练过程中调整的比例。批再规范化算法可以选择比较大的初始学习 率，也可以使学习率的衰减速度很快，从而使网络训练迅速收敛。所以我们将初始 学习率由0.0005调整到0.001。
本算法适当设置比较小的批大小，使算法在一定程度上减少训练时间的同时， 仍能在较低端的设备上运行良好，保持了较好的检测精度。深度神经网络的训练以 及预训练模型的运行，都需要比较昂贵的硬件设备支持。本方法使用了批再规范化 处理，可以适当设置比较小的批大小，降低了对硬件设备的要求。
YOLO是一个可以一次性预测多个边界回归框位置和类别的卷积神经网络，能 够实现端到端的目标检测和识别，其最大的优势就是速度快。YOLO没有选择滑动 窗口(silding window)或提取建议框的方式训练网络，而是直接选用整图训练模型。 这样做的好处在于可以更好的区分目标和背景区域，相比之下，采用建议框方式的 Fast-R-CNN常常把背景区域误检为特定目标。
基于YOLO算法的目标检测方法在准确率和速度方面都有了进一步的提高，但 经过研究，发现YOLO算法的框架还可以做更进一步的优化，在此基础上，我们对 于YOLO算法的框架做了改进。YOLO算法使用了回归思想，把目标检测当作一个 回归问题来处理，因此YOLO网络结构也是具有回归功能的卷积神经网络结构。本 方法在经过卷积层得到的特征图上使用了批再规范化处理。批规范化算法能够非常 有效地提高深度模型的训练速度，但是当训练时的样本的样本数量很少或者样本是 由非独立样本组成时，这种有效性就大大降低了。
本发明的有益效果是：YOLO算法提供了另外一种思路，将目标检测的问题转 化成一个回归问题。给定输入图像，直接在图像的多个位置上回归出目标的边界回 归框以及其分类类别。YOLO是一个可以一次性预测多个边界回归框位置和类别的 卷积神经网络，能够实现端到端的目标检测和识别，其最大的优势就是速度快。批 再规范化处理的YOLO算法在目标检测方面具有更快的训练和检测速度，以及更高 的检测精度。
具体实施方式
实施例1：一种基于批再规范化处理的YOLO算法的目标检测方法，所述方法 的具体步骤如下：
Step1、对基于YOLO算法的网络结构检测模型进行训练；
YOLO算法的网络结构是一个卷积神经网络结构，它由输入层、卷积层、池化 层、全连接层和输出层组成；对YOLO算法的的网络结构和相关参数进行了调整：
Step2、对图像进行预处理，即将输入图像的尺寸调整为448×448；
Step3、把经过Step2处理之后的图像输入到基于YOLO算法的网络结构检测模 型，分成S×S个网格，若被检测物体中心落在某个网格，则被检测物体由该网格负 责；
Step4、预测Step3中网格负责的被检测物体属于C个类别中具体某一类的后验 概率，即pr(classi|object)，在原YOLO算法中S值为7，C为20；
Step5、对Step3中每个网格都预测B个目标边框，设B的值为2；一是预测这 个目标边框含有目标的可能性大小，记为Pr(object)，当该目标边框是背景时，即不 包含目标，此时Pr(object)＝0，而当该目标边框包含目标时，Pr(object)＝1；二是预测 这个目标边框的准确度，目标边框的准确度用预测框与实际框的IOU，intersection over union，交并比来表征；
Step6、预测置信度评分，根据Step5的预测结果，置信度评分定义为Pr(object)IOU；
Step7、计算目标边框类相关置信度，根据Step4，Step5，Step6的预测结果，目 标边框类相关置信度计算公式是：
进一步地，所述步骤Step1中，对YOLO算法的的网络结构和相关参数进行了 调整具体包括：
a)、对经过卷积层之后的特征图进行批再规范化处理；
b)、调整了网络结构中的学习率，将学习率由原先的0.0005调整到0.001；
c)、移除了网络结构中的dropout结构；
d)、本算法中设置小的批大小。
上面对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前 提下作出各种变化。
Claims (2)
1.一种基于批再规范化处理的YOLO算法的目标检测方法，其特征在于：
所述方法的具体步骤如下：
Step1、对基于YOLO算法的网络结构检测模型进行训练；
YOLO算法的网络结构是一个卷积神经网络结构，它由输入层、卷积层、池化层、全连接层和输出层组成；对YOLO算法的的网络结构和相关参数进行了调整：
Step2、对图像进行预处理，即将输入图像的尺寸调整为448×448；
Step3、把经过Step2处理之后的图像输入到基于YOLO算法的网络结构检测模型，分成S×S个网格，若被检测物体中心落在某个网格，则被检测物体由该网格负责；
Step4、预测Step3中网格负责的被检测物体属于C个类别中具体某一类的后验概率，即pr(classi|object)，在原YOLO算法中S值为7，C为20；
Step5、对Step3中每个网格都预测B个目标边框，设B的值为2；一是预测这个目标边框含有目标的可能性大小，记为Pr(object)，当该目标边框是背景时，即不包含目标，此时Pr(object)＝0，而当该目标边框包含目标时，Pr(object)＝1；二是预测这个目标边框的准确度，目标边框的准确度用预测框与实际框的IOU，intersection over union，交并比来表征；
Step6、预测置信度评分，根据Step5的预测结果，置信度评分定义为Pr(object)IOU；
Step7、计算目标边框类相关置信度，根据Step4，Step5，Step6的预测结果，目标边框类相关置信度计算公式是：
2.根据权利要求1所述的基于批再规范化处理的YOLO算法的目标检测方法，其特征在于：所述步骤Step1中，对YOLO算法的的网络结构和相关参数进行了调整具体包括：
a)、对经过卷积层之后的特征图进行批再规范化处理；
b)、调整了网络结构中的学习率，将学习率由原先的0.0005调整到0.001；
c)、移除了网络结构中的dropout结构；
d)、本算法中设置小的批大小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910451236.XA CN110334594A (zh) | 2019-05-28 | 2019-05-28 | 一种基于批再规范化处理的yolo算法的目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910451236.XA CN110334594A (zh) | 2019-05-28 | 2019-05-28 | 一种基于批再规范化处理的yolo算法的目标检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110334594A true CN110334594A (zh) | 2019-10-15 |
Family
ID=68140232
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910451236.XA Pending CN110334594A (zh) | 2019-05-28 | 2019-05-28 | 一种基于批再规范化处理的yolo算法的目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110334594A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111666871A (zh) * | 2020-06-03 | 2020-09-15 | 南京航空航天大学 | 一种面向无人机的改进yolo与sift相结合的多小目标检测跟踪方法 |
| CN112131933A (zh) * | 2020-08-11 | 2020-12-25 | 安徽大学 | 一种基于改进yolo网络的快速行人检测方法与系统 |
| CN112163520A (zh) * | 2020-09-29 | 2021-01-01 | 广西科技大学 | 一种基于改进损失函数的mdssd人脸检测方法 |
| CN112884064A (zh) * | 2021-03-12 | 2021-06-01 | 迪比（重庆）智能科技研究院有限公司 | 一种基于神经网络的目标检测与识别方法 |
| CN113030990A (zh) * | 2021-03-01 | 2021-06-25 | 爱驰汽车有限公司 | 车辆的融合测距方法、装置、测距设备及介质 |
| CN113297900A (zh) * | 2021-04-02 | 2021-08-24 | 中国地质大学（武汉） | 基于yolo的视频流安全帽识别方法、装置、设备及存储介质 |
| CN116863342A (zh) * | 2023-09-04 | 2023-10-10 | 江西啄木蜂科技有限公司 | 一种基于大尺度遥感影像的松材线虫病死木提取方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109447033A (zh) * | 2018-11-14 | 2019-03-08 | 北京信息科技大学 | 基于yolo的车辆前方障碍物检测方法 |
| CN109685152A (zh) * | 2018-12-29 | 2019-04-26 | 北京化工大学 | 一种基于dc-spp-yolo的图像目标检测方法 |
-
2019
- 2019-05-28 CN CN201910451236.XA patent/CN110334594A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109447033A (zh) * | 2018-11-14 | 2019-03-08 | 北京信息科技大学 | 基于yolo的车辆前方障碍物检测方法 |
| CN109685152A (zh) * | 2018-12-29 | 2019-04-26 | 北京化工大学 | 一种基于dc-spp-yolo的图像目标检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 温捷文等: "实时目标检测算法YOLO的批再规范化处理", 《计算机应用研究》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111666871A (zh) * | 2020-06-03 | 2020-09-15 | 南京航空航天大学 | 一种面向无人机的改进yolo与sift相结合的多小目标检测跟踪方法 |
| CN111666871B (zh) * | 2020-06-03 | 2024-02-09 | 南京航空航天大学 | 一种面向无人机的改进yolo与sift相结合的多小目标检测跟踪方法 |
| CN112131933A (zh) * | 2020-08-11 | 2020-12-25 | 安徽大学 | 一种基于改进yolo网络的快速行人检测方法与系统 |
| CN112163520A (zh) * | 2020-09-29 | 2021-01-01 | 广西科技大学 | 一种基于改进损失函数的mdssd人脸检测方法 |
| CN113030990A (zh) * | 2021-03-01 | 2021-06-25 | 爱驰汽车有限公司 | 车辆的融合测距方法、装置、测距设备及介质 |
| CN113030990B (zh) * | 2021-03-01 | 2024-04-05 | 爱驰汽车有限公司 | 车辆的融合测距方法、装置、测距设备及介质 |
| CN112884064A (zh) * | 2021-03-12 | 2021-06-01 | 迪比（重庆）智能科技研究院有限公司 | 一种基于神经网络的目标检测与识别方法 |
| CN112884064B (zh) * | 2021-03-12 | 2022-07-29 | 迪比（重庆）智能科技研究院有限公司 | 一种基于神经网络的目标检测与识别方法 |
| CN113297900A (zh) * | 2021-04-02 | 2021-08-24 | 中国地质大学（武汉） | 基于yolo的视频流安全帽识别方法、装置、设备及存储介质 |
| CN116863342A (zh) * | 2023-09-04 | 2023-10-10 | 江西啄木蜂科技有限公司 | 一种基于大尺度遥感影像的松材线虫病死木提取方法 |
| CN116863342B (zh) * | 2023-09-04 | 2023-11-21 | 江西啄木蜂科技有限公司 | 一种基于大尺度遥感影像的松材线虫病死木提取方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110334594A (zh) | 一种基于批再规范化处理的yolo算法的目标检测方法 | |
| WO2021139069A1 (zh) | 自适应注意力指导机制的一般性目标检测方法 | |
| CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
| CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
| US11055571B2 (en) | Information processing device, recording medium recording information processing program, and information processing method | |
| CN103871053B (zh) | 一种基于视觉显著性的布匹瑕疵检测方法 | |
| CN107451602A (zh) | 一种基于深度学习的果蔬检测方法 | |
| CN109636772A (zh) | 基于深度学习的不规则形状金属加工表面的缺陷检测方法 | |
| CN109711474A (zh) | 一种基于深度学习的铝材表面缺陷检测算法 | |
| CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
| CN108830188A (zh) | 基于深度学习的车辆检测方法 | |
| CN112767357A (zh) | 一种基于Yolov4的混凝土结构病害检测方法 | |
| Al-Huda et al. | A hybrid deep learning pavement crack semantic segmentation | |
| CN105740910A (zh) | 一种车辆物件检测方法及装置 | |
| CN110543906B (zh) | 基于Mask R-CNN模型的肤质自动识别方法 | |
| CN104680144A (zh) | 基于投影极速学习机的唇语识别方法和装置 | |
| CN111242899B (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
| CN113920400A (zh) | 一种基于改进YOLOv3的金属表面缺陷检测方法 | |
| CN110175614A (zh) | 一种印刷电路板过孔内壁质量的检测方法 | |
| CN110263867A (zh) | 一种钢轨伤损分类方法 | |
| CN113609895A (zh) | 基于改进Yolov3的获取道路交通信息方法 | |
| CN109697727A (zh) | 基于相关滤波和度量学习的目标跟踪方法、系统及存储介质 | |
| CN114897802A (zh) | 一种基于改进Faster RCNN算法的金属表面缺陷检测方法 | |
| CN106056146B (zh) | 基于逻辑回归的视觉跟踪方法 | |
| CN103455826A (zh) | 基于快速鲁棒性特征的高效匹配核人体检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191015 |