CN110390261A - 目标检测方法、装置、计算机可读存储介质及电子设备 - Google Patents

目标检测方法、装置、计算机可读存储介质及电子设备 Download PDF

Info

Publication number
CN110390261A
CN110390261A CN201910511875.0A CN201910511875A CN110390261A CN 110390261 A CN110390261 A CN 110390261A CN 201910511875 A CN201910511875 A CN 201910511875A CN 110390261 A CN110390261 A CN 110390261A
Authority
CN
China
Prior art keywords
target object
image block
target
frame
pixel
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
CN201910511875.0A
Other languages
English (en)
Other versions
CN110390261B (zh
Inventor
孔凡忠
孟祥雨
苏冲
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.)
BAIC Motor Co Ltd
Beijing Automotive Research Institute Co Ltd
Original Assignee
BAIC Motor Co Ltd
Beijing Automotive Research Institute Co Ltd
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 BAIC Motor Co Ltd, Beijing Automotive Research Institute Co Ltd filed Critical BAIC Motor Co Ltd
Priority to CN201910511875.0A priority Critical patent/CN110390261B/zh
Publication of CN110390261A publication Critical patent/CN110390261A/zh
Application granted granted Critical
Publication of CN110390261B publication Critical patent/CN110390261B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种目标检测方法、装置、计算机可读存储介质及电子设备。该方法包括：在接收到待识别图像和第一目标框后，根据待识别图像和第一目标框，确定包含有目标对象的图像块，并将该图像块对应的图像数据输入至目标对象检测模型，以得到该图像块对应的概率图，进而根据该概率图对目标对象进行检测。这样，无需用户利用多边形工具精确地标出目标对象的轮廓边界，即可实现对目标对象进行检测的目的，减少人工标注的工作量，节省了大量时间，提升了对目标对象检测的智能化以及用户的使用体验。

Description

目标检测方法、装置、计算机可读存储介质及电子设备
技术领域
本公开涉及图像处理技术领域，具体地，涉及一种目标检测方法、装置、计算机可读存储介质及电子设备。
背景技术
ADAS(Advanced Driving Assistant System，高级驾驶辅助系统)主要通过获取图像、雷达数据并处理，得到目标物体的距离、位置、形状等信息。目前的图像等数据处理方式主要是有监督学习方式，该方式需要耗费大量的人力物体进行手动标注，导致标注速度较慢，使得用户的使用体验就差。
发明内容
本公开的目的是提供一种目标检测方法、装置、计算机可读存储介质及电子设备，以实现对目标对象进行快速检测。
为了实现上述目的，本公开提供一种目标检测方法，包括：
在接收到待检测图像和第一目标框后，根据所述待检测图像和所述第一目标框，确定包含有目标对象的图像块；
将所述图像块对应的图像数据作为目标对象检测模型的输入，得到所述图像块对应的概率图，所述概率图表征所述图像块中包括的每个像素为所述目标对象对应的目标像素的概率，所述目标对象检测模型为与所述目标对象所属类别对应的目标对象检测模型；
根据所述概率图检测所述目标对象。
可选地，所述根据所述待检测图像和所述第一目标框，确定包含有目标对象的图像块，包括：
按照预设规则增大所述第一目标框，以得到第二目标框；
根据所述待检测图像和所述第二目标框，确定包含有目标对象的图像块。
可选地，所述根据所述概率图检测所述目标对象，包括：
将所述概率图中概率大于或等于预设阈值的像素确定为所述目标像素；
根据所述目标像素检测所述目标对象。
可选地，所述目标对象检测模型通过以下方式训练得到：
根据样本图像块以及所述样本图像块中预先标出的目标对象，对卷积神经网络进行训练，得到所述目标对象检测模型。
本公开还提供一种目标检测装置，包括：
确定模块，用于在接收到待检测图像和第一目标框后，根据所述待检测图像和所述第一目标框，确定包含有目标对象的图像块；
获得模块，用于将所述图像块对应的图像数据作为目标对象检测模型的输入，得到所述图像块对应的概率图，所述概率图表征所述图像块中包括的每个像素为所述目标对象对应的目标像素的概率，所述目标对象检测模型为与所述目标对象所属类别对应的目标对象检测模型；
检测模块，用于根据所述概率图检测所述目标对象。
可选地，所述确定模块包括：
调整子模块，用于按照预设规则增大所述第一目标框，以得到第二目标框；
第一确定子模块，用于根据所述待检测图像和所述第二目标框，确定包含有目标对象的图像块。
可选地，所述检测模块包括：
第二确定子模块，用于将所述概率图中概率大于或等于预设阈值的像素确定为所述目标像素；
检测子模块，用于根据所述目标像素检测所述目标对象。
可选地，所述装置还包括：
训练模块，用于根据样本图像块以及所述样本图像块中预先标出的目标对象，对卷积神经网络进行训练，得到所述目标对象检测模型。
本公开还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开提供的上述目标检测方法的步骤。
公开还提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现本公开提供的上述目标检测方法的步骤。
采用上述技术方案，电子设备在接收到待识别图像和第一目标框后，根据待识别图像和第一目标框，确定包含有目标对象的图像块，并将该图像块对应的图像数据输入至目标对象检测模型，以得到该图像块对应的概率图，进而根据该概率图对目标对象进行检测。这样，无需用户利用多边形工具精确地标出目标对象的轮廓边界，即可实现对目标对象进行检测的目的，减少人工标注的工作量，节省了大量时间，提升了对目标对象检测的智能化以及用户的使用体验。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据本公开一示例性实施例的一种目标检测方法的流程图。
图2是根据本公开另一示例性实施例的一种目标检测方法的流程图。
图3是根据本公开一示例性实施例的一种目标检测装置的框图。
图4是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
目前常用的实例分割标注方式为人工通过Lableme等标注工具，利用多边形工具沿着该目标对象的轮廓边界将目标对象标注出来，再给予其一个实例属性，这种方法需要耗时大量的人力物力进行标注，标注速度很慢且成本很高。为了解决上述技术问题，本公开提供一种目标检测方法、装置、计算机可读存储介质及电子设备。
图1是根据本公开一示例性实施例的一种目标检测方法的流程图，该方法可以应用于具有处理能力的电子设备中，例如处理器、整车控制器等。如图1所示，该方法可以包括以下步骤。
在步骤11中，在接收到待检测图像和第一目标框后，根据待检测图像和第一目标框，确定包含有目标对象的图像块。
待检测图像可以为RGB图像。第一目标框为用户在待识别图像中标注的矩形框，且用户需要检测的目标对象位于该矩形框对应的图像块中，该第一目标框的中心与目标对象的中心一致。值得说明是，通常情况下，目标对象的轮廓为不规则形状，在相关技术中需要人工利用多边形工具沿着该目标对象的轮廓边界将目标对象标注出来。而在本公开中，用户只需要根据标注工具中的矩形工具将目标对象标注出来即可，无需将目标对象的轮廓边界精准标出。
执行本方法的电子设备在接收到待识别图像和用户输入的第一目标框之后，根据该待识别图像和第一目标框，确定包含有目标对象的图像块。之后，执行步骤12。
在步骤12中，将图像块对应的图像数据作为目标对象检测模型的输入，得到图像块对应的概率图，该概率图表征图像块中包括的每个像素为目标对象对应的目标像素的概率，目标对象检测模型为与目标对象所属类别对应的目标对象检测模型。
在步骤13中，根据概率图检测目标对象。
由于概率图表征图像块中包括的每个像素为目标对象对应的目标像素的概率，所以，在目标对象检测模型输出概率图之后，电子设备可以根据该概率图检测目标对象。
采用上述技术方案，电子设备在接收到待识别图像和第一目标框后，根据待识别图像和第一目标框，确定包含有目标对象的图像块，并将该图像块对应的图像数据输入至目标对象检测模型，以得到该图像块对应的概率图，进而根据该概率图对目标对象进行检测。这样，无需用户利用多边形工具精确地标出目标对象的轮廓边界，即可实现对目标对象进行检测的目的，减少人工标注的工作量，节省了大量时间，提升了对目标对象检测的智能化以及用户的使用体验。
上述所使用的目标对象检测模型是经过预先训练后得到的。在一种实施方式中，目标对象检测模型通过以下方式训练得到：根据样本图像块以及样本图像块中预先标出的目标对象，对卷积神经网络进行训练，得到目标对象检测模型。
通常情况下，卷积神经网络中的系数是随机生成的，利用该随机生成的系数，对图像块中的目标对象检测的准确度无法保证，因此，在使用该卷积神经网络进行目标对象检测之前，可根据用户对目标对象检测的准确度需求，对该卷积网络进行训练，以调整卷积神经网络中的系数，使经过该卷积神经网络可以准确地检测出目标对象。
具体地，可将样本图像块输入卷积神经网络中，经过卷积神经网络的处理可以输出结果样本图像块，该结果样本图像块为样本图像块对应的概率图，并根据该概率图对目标对象进行标注。由于概率图是根据随机生成的系数进行检测得到的，电子设备根据该概率图可能不能准确地标注出样本图像块中的目标对象，所以，还需将根据概率图标注出的目标对象与目标样本图像块中的预先标出的目标对象(可以是用户利用多边形工具沿着该目标对象的轮廓边界进行标注的)对比，利用标准交叉熵损失函数确定之间的误差，并根据该误差调整卷积神经网络中的系数，以缩小根据卷积神经网络输出的概率图标注出的目标对象与目标样本图像块中预先标注出的目标对象之间的误差。多次重复上述方法，直到根据卷积神经网络输出的概率图标注出的目标对象与目标样本图像块中预先标注出的目标对象的误差满足预设要求为止，系数调整完毕之后的卷积神经网络即为目标对象检测模型，其中预设要求是根据用户对目标对象检测准确度的需求而预先设置的。
此外，本公开所使用的卷积神经网络是以Resnet-101作为基础段网络，同时使用了空洞卷积，以增大感受视野，以及利用金字塔对不同层次的特征进行尺度变化后，再进行信息融合，从而可以提取到比较低层的信息，也就是相对顶层特征来说更加详细的信息，如此，可以对卷积神经网络进行充分训练，使得卷积神经网络可以准确地输出图像块对应的概率图。
需要说明的是，为了提高对卷积神经网络训练的准确度，在本公开中，可以采用ImageNet中的图像作为样本图像。具体地，首先，根据目标对象的类型对ImageNet中的图像进行分类，示例地，可以将图像类别分为目标对象为成年人的类别，目标对象为儿童的类别、目标对象为车辆的类别等等。然后，对不同类别的目标对象分别训练不同的目标对象检测模型，以得到与每一目标对象类别对应的目标对象检测模型。这样，在检测不同类别的目标对象时，可以选择不同的目标对象检测模型，以提高对目标对象检测的准确度。
下面以一个完整的实施例对本公开提供的目标检测方法的实现过程进行说明。
在步骤11中，在接收到待检测图像和第一目标框之后，根据该第一目标框在待检测图像中进行裁剪，以得到包含有目标对象的图像块。具体地，在一种可能的实施方式中，如图2所示，图1中的步骤11可以具体包括以下步骤。
在步骤111中，按照预设规则增大第一目标框，以得到第二目标框。
电子设备在接收到用户输入的第一目标框之后，可以根据预设规则对第一目标框进行扩大，以得到第二目标框，第二目标框的尺寸大于第一目标框的尺寸。需要说明的是，对第一目标框扩大得到的第二目标框的中心仍与目标对象的中心一致。该预设规则为用户预先设置的并存储在电子设备中的，其可以例如为：将第一目标框增大至二倍、三倍等等。
在步骤112中，根据待检测图像和第二目标框，确定包含有目标对象的图像块。
在确定出第二目标框之后，按照该第二目标框在待检测图像中分割出包含有目标对象的图像块。
其中，由于第二目标框的尺寸大于第一目标框的尺寸，所以，第二目标框对应的图像块包括的像素数量就会多于第一目标框对应的图像块包括的像素数量。这样，根据第二目标框确定的图像块中包含有更多的目标对象周围的场景信息。
需要说明的是，在训练得到目标对象检测模型的过程中，也需要对样本图像做上述处理以得到训练样本，这样，使得训练样本中除了可以包括目标对象对应的正例样本之外，还可以包括较多的目标对象周围的场景图像对应的负例样本，平衡了正负例样本的数量。
在确定出包含有目标对象的图像块之后，执行步骤12，将该图像块对应的图像数据作为目标对象检测模型的输入，相应的，目标对象检测模型即可输出该图像块对应的概率图，其中，该目标对象检测模型为与目标对象所属类别对应的目标对象检测模型。与目标对象所属类别对应的目标对象检测模型可以是用户根据其想要检测的目标对象，确定该目标对象所属的类别，进而根据该类别选择的目标对象检测模型，也可以是根据其他方式确定出与目标对象所属类别对应的目标对象检测模型，本公开对此不作具体限定。
在步骤13中，电子设备根据目标对象检测模型输出的概率图对目标对象进行检测。一种可能的实施方式为：将概率图中概率大于或等于预设阈值的像素确定为目标像素；根据该目标像素检测目标对象。
其中，该预设阈值可以是在训练得到目标对象检测模型的过程中根据目标对象检测模型输出结果人为设置的数值。由于概率图表征图像块中包括的每个像素为目标对象对应的目标像素的概率，所以，在概率大于或等于预设阈值时，表征该像素为目标对象对应的目标像素的概率较大，此时，即可将该像素确定为目标像素。在概率图中统计出所有概率大于或等于预设阈值的像素，这些像素即构成目标对象，进而实现对目标对象的检测。
此外，在检测出目标对象之后，还可以对目标对象添加标签。示例地，可以根据目标对象的属性，为该目标对象添加标签。需要说明的是，添加标签的具体实施方式为现有技术，在此不再赘述。
基于同一发明构思，公开还提供一种目标检测装置。图3是根据本公开一示例性实施例的一种目标检测装置的框图。如图3所示，该目标检测装置300可以包括：
确定模块301，用于在接收到待检测图像和第一目标框后，根据所述待检测图像和所述第一目标框，确定包含有目标对象的图像块；
获得模块302，用于将所述图像块对应的图像数据作为目标对象检测模型的输入，得到所述图像块对应的概率图，所述概率图表征所述图像块中包括的每个像素为所述目标对象对应的目标像素的概率，所述目标对象检测模型为与所述目标对象所属类别对应的目标对象检测模型；
检测模块303，用于根据所述概率图检测所述目标对象。
可选地，所述确定模块301包括：
调整子模块，用于按照预设规则增大所述第一目标框，以得到第二目标框；
第一确定子模块，用于根据所述待检测图像和所述第二目标框，确定包含有目标对象的图像块。
可选地，所述检测模块303包括：
第二确定子模块，用于将所述概率图中概率大于或等于预设阈值的像素确定为所述目标像素；
检测子模块，用于根据所述目标像素检测所述目标对象。
可选地，所述装置还包括：
训练模块，用于根据样本图像块以及所述样本图像块中预先标出的目标对象，对卷积神经网络进行训练，得到所述目标对象检测模型。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图4是根据一示例性实施例示出的一种电子设备400的框图。例如，电子设备400可以被提供为一服务器。参照图4，电子设备400包括处理器422，其数量可以为一个或多个，以及存储器432，用于存储可由处理器422执行的计算机程序。存储器432中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器422可以被配置为执行该计算机程序，以执行上述的目标检测方法。
另外，电子设备400还可以包括电源组件426和通信组件450，该电源组件426可以被配置为执行电子设备400的电源管理，该通信组件450可以被配置为实现电子设备400的通信，例如，有线或无线通信。此外，该电子设备400还可以包括输入/输出(I/O)接口458。电子设备400可以操作基于存储在存储器432的操作系统，例如Windows ServerTM，Mac OSXTM，UnixTM，LinuxTM等等。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的目标检测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器432，上述程序指令可由电子设备400的处理器422执行以完成上述的目标检测方法。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的目标检测方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (10)

1.一种目标检测方法，其特征在于，包括：
在接收到待检测图像和第一目标框后，根据所述待检测图像和所述第一目标框，确定包含有目标对象的图像块；
将所述图像块对应的图像数据作为目标对象检测模型的输入，得到所述图像块对应的概率图，所述概率图表征所述图像块中包括的每个像素为所述目标对象对应的目标像素的概率，所述目标对象检测模型为与所述目标对象所属类别对应的目标对象检测模型；
根据所述概率图检测所述目标对象。
2.根据权利要求1所述的方法，其特征在于，所述根据所述待检测图像和所述第一目标框，确定包含有目标对象的图像块，包括：
按照预设规则增大所述第一目标框，以得到第二目标框；
根据所述待检测图像和所述第二目标框，确定包含有目标对象的图像块。
3.根据权利要求1所述的方法，其特征在于，所述根据所述概率图检测所述目标对象，包括：
将所述概率图中概率大于或等于预设阈值的像素确定为所述目标像素；
根据所述目标像素检测所述目标对象。
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述目标对象检测模型通过以下方式训练得到：
根据样本图像块以及所述样本图像块中预先标出的目标对象，对卷积神经网络进行训练，得到所述目标对象检测模型。
5.一种目标检测装置，其特征在于，包括：
确定模块，用于在接收到待检测图像和第一目标框后，根据所述待检测图像和所述第一目标框，确定包含有目标对象的图像块；
获得模块，用于将所述图像块对应的图像数据作为目标对象检测模型的输入，得到所述图像块对应的概率图，所述概率图表征所述图像块中包括的每个像素为所述目标对象对应的目标像素的概率，所述目标对象检测模型为与所述目标对象所属类别对应的目标对象检测模型；
检测模块，用于根据所述概率图检测所述目标对象。
6.根据权利要求5所述的装置，其特征在于，所述确定模块包括：
调整子模块，用于按照预设规则增大所述第一目标框，以得到第二目标框；
第一确定子模块，用于根据所述待检测图像和所述第二目标框，确定包含有目标对象的图像块。
7.根据权利要求5所述的装置，其特征在于，所述检测模块包括：
第二确定子模块，用于将所述概率图中概率大于或等于预设阈值的像素确定为所述目标像素；
检测子模块，用于根据所述目标像素检测所述目标对象。
8.根据权利要求5-7中任一项所述的装置，其特征在于，所述装置还包括：
训练模块，用于根据样本图像块以及所述样本图像块中预先标出的目标对象，对卷积神经网络进行训练，得到所述目标对象检测模型。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-4中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-4中任一项所述方法的步骤。
CN201910511875.0A 2019-06-13 2019-06-13 目标检测方法、装置、计算机可读存储介质及电子设备 Active CN110390261B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910511875.0A CN110390261B (zh) 2019-06-13 2019-06-13 目标检测方法、装置、计算机可读存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910511875.0A CN110390261B (zh) 2019-06-13 2019-06-13 目标检测方法、装置、计算机可读存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN110390261A true CN110390261A (zh) 2019-10-29
CN110390261B CN110390261B (zh) 2022-06-17

Family

ID=68285313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910511875.0A Active CN110390261B (zh) 2019-06-13 2019-06-13 目标检测方法、装置、计算机可读存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN110390261B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111191606A (zh) * 2019-12-31 2020-05-22 Oppo广东移动通信有限公司 图像处理方法及相关产品
CN111414948A (zh) * 2020-03-13 2020-07-14 腾讯科技（深圳）有限公司 目标对象检测方法和相关装置
CN111797932A (zh) * 2020-07-10 2020-10-20 北京字节跳动网络技术有限公司 图像分类方法、装置、设备和计算机可读介质
CN112507983A (zh) * 2021-02-03 2021-03-16 北京世纪好未来教育科技有限公司 目标检测方法、装置、电子设备及存储介质
CN113506293A (zh) * 2021-09-08 2021-10-15 成都数联云算科技有限公司 一种图像处理方法、装置、设备及存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7430303B2 (en) * 2002-03-29 2008-09-30 Lockheed Martin Corporation Target detection method and system
CN104954664A (zh) * 2014-03-24 2015-09-30 东芝阿尔派·汽车技术有限公司 图像处理装置和图像处理方法
CN108664929A (zh) * 2018-05-10 2018-10-16 维沃移动通信有限公司 一种指纹采集方法及终端
CN108876791A (zh) * 2017-10-23 2018-11-23 北京旷视科技有限公司 图像处理方法、装置和系统及存储介质
CN109409354A (zh) * 2017-08-18 2019-03-01 深圳市道通智能航空技术有限公司 无人机智能跟随目标确定方法、无人机和遥控器
CN109636808A (zh) * 2018-11-27 2019-04-16 杭州健培科技有限公司 一种基于全卷积神经网络的肺叶分割方法
CN109636828A (zh) * 2018-11-20 2019-04-16 北京京东尚科信息技术有限公司 基于视频图像的物体跟踪方法及装置
CN109697449A (zh) * 2017-10-20 2019-04-30 杭州海康威视数字技术股份有限公司 一种目标检测方法、装置及电子设备
CN109697460A (zh) * 2018-12-05 2019-04-30 华中科技大学 对象检测模型训练方法、目标对象检测方法
CN109815868A (zh) * 2019-01-15 2019-05-28 腾讯科技（深圳）有限公司 一种图像目标检测方法、装置及存储介质
CN109829456A (zh) * 2017-11-23 2019-05-31 腾讯科技（深圳）有限公司 图像识别方法、装置及终端

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7430303B2 (en) * 2002-03-29 2008-09-30 Lockheed Martin Corporation Target detection method and system
CN104954664A (zh) * 2014-03-24 2015-09-30 东芝阿尔派·汽车技术有限公司 图像处理装置和图像处理方法
CN109409354A (zh) * 2017-08-18 2019-03-01 深圳市道通智能航空技术有限公司 无人机智能跟随目标确定方法、无人机和遥控器
CN109697449A (zh) * 2017-10-20 2019-04-30 杭州海康威视数字技术股份有限公司 一种目标检测方法、装置及电子设备
CN108876791A (zh) * 2017-10-23 2018-11-23 北京旷视科技有限公司 图像处理方法、装置和系统及存储介质
CN109829456A (zh) * 2017-11-23 2019-05-31 腾讯科技（深圳）有限公司 图像识别方法、装置及终端
CN108664929A (zh) * 2018-05-10 2018-10-16 维沃移动通信有限公司 一种指纹采集方法及终端
CN109636828A (zh) * 2018-11-20 2019-04-16 北京京东尚科信息技术有限公司 基于视频图像的物体跟踪方法及装置
CN109636808A (zh) * 2018-11-27 2019-04-16 杭州健培科技有限公司 一种基于全卷积神经网络的肺叶分割方法
CN109697460A (zh) * 2018-12-05 2019-04-30 华中科技大学 对象检测模型训练方法、目标对象检测方法
CN109815868A (zh) * 2019-01-15 2019-05-28 腾讯科技（深圳）有限公司 一种图像目标检测方法、装置及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
QIAO MENG 等: "A Block Object Detection Method Based on Feature Fusion Networks for Autonomous Vehicles", 《WILEY》 *
唐聪 等: "基于深度学习的多视窗SSD目标检测方法", 《红外与激光工程 》 *
裴伟 等: "改进的 SSD 航拍目标检测方法", 《软件学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111191606A (zh) * 2019-12-31 2020-05-22 Oppo广东移动通信有限公司 图像处理方法及相关产品
CN111414948A (zh) * 2020-03-13 2020-07-14 腾讯科技（深圳）有限公司 目标对象检测方法和相关装置
CN111414948B (zh) * 2020-03-13 2023-10-13 腾讯科技（深圳）有限公司 目标对象检测方法和相关装置
CN111797932A (zh) * 2020-07-10 2020-10-20 北京字节跳动网络技术有限公司 图像分类方法、装置、设备和计算机可读介质
CN111797932B (zh) * 2020-07-10 2023-11-14 抖音视界有限公司 图像分类方法、装置、设备和计算机可读介质
CN112507983A (zh) * 2021-02-03 2021-03-16 北京世纪好未来教育科技有限公司 目标检测方法、装置、电子设备及存储介质
CN112507983B (zh) * 2021-02-03 2021-11-16 北京世纪好未来教育科技有限公司 目标检测方法、装置、电子设备及存储介质
CN113506293A (zh) * 2021-09-08 2021-10-15 成都数联云算科技有限公司 一种图像处理方法、装置、设备及存储介质
CN113506293B (zh) * 2021-09-08 2021-12-07 成都数联云算科技有限公司 一种图像处理方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN110390261B (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
CN110390261A (zh) 目标检测方法、装置、计算机可读存储介质及电子设备
CN112380952B (zh) 基于人工智能的电力设备红外图像实时检测及识别方法
US11581130B2 (en) Internal thermal fault diagnosis method of oil-immersed transformer based on deep convolutional neural network and image segmentation
CN106780612B (zh) 一种图像中的物体检测方法及装置
CN107742093B (zh) 一种红外图像电力设备部件实时检测方法、服务器及系统
CN104700099B (zh) 识别交通标志的方法和装置
US9805293B2 (en) Method and apparatus for object recognition in image processing
CN108805016B (zh) 一种头肩区域检测方法及装置
EP3719708A1 (en) Model test method and device
CN104217404A (zh) 雾霾天视频图像清晰化处理方法及其装置
CN109284779A (zh) 基于深度全卷积网络的物体检测方法
CN109635661B (zh) 一种基于卷积神经网络的远场无线充电接收目标检测方法
CN114332578A (zh) 图像异常检测模型训练方法、图像异常检测方法和装置
CN113724259B (zh) 井盖异常检测方法、装置及其应用
CN110674925B (zh) 基于3d卷积神经网络的无参考vr视频质量评价方法
CN113537070B (zh) 一种检测方法、装置、电子设备及存储介质
CN112287896A (zh) 一种基于深度学习的无人机航拍图像目标检测方法及系统
CN109740585A (zh) 一种文本定位方法及装置
US11068714B2 (en) Method and apparatus for determining hot zones of human flow based on cartography
CN111738036A (zh) 图像处理方法、装置、设备及存储介质
CN113642474A (zh) 一种基于yolov5的危险区域人员监控方法
CN112381092B (zh) 跟踪方法、装置及计算机可读存储介质
CN111091023A (zh) 一种车辆检测方法、装置及电子设备
CN115661615A (zh) 一种图像识别模型的训练方法、装置及电子设备
CN109919149A (zh) 基于物体检测模型的物体标注方法及相关设备

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