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 |