CN110399803B - 一种车辆检测方法及装置 - Google Patents
一种车辆检测方法及装置 Download PDFInfo
- Publication number
- CN110399803B CN110399803B CN201910585563.4A CN201910585563A CN110399803B CN 110399803 B CN110399803 B CN 110399803B CN 201910585563 A CN201910585563 A CN 201910585563A CN 110399803 B CN110399803 B CN 110399803B
- Authority
- CN
- China
- Prior art keywords
- area
- vehicle
- sample
- sample image
- 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
Images
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G06V2201/08—Detecting or categorising vehicles
Abstract
本发明实施例提供了一种车辆检测方法及装置,该方法在对待检测图像进行车辆检测时,将待检测图像中包含车辆区域的图像区域划分成多个网格区域,并从每一网格区域中选取属于前景区域的网格区域作为检测区域;将选取的检测区域输入至车辆检测模型进行车辆检测,获得图像区域的车辆区域检测结果。本发明实施例不再直接将图像区域作为车辆检测模型的输入信息,而是先识别图像区域划分后的网格区域中的前景区域,再将前景区域的网格区域作为车辆检测模型的输入信息,使得车辆检测模型能够较好的收敛,从而能够提高车辆检测的精确度。
Description
技术领域
本发明涉及交通运输管理技术领域,特别是涉及一种车辆检测方法及装置。
背景技术
智能交通系统是指对交通环境中涉及的人、车、道路及环境等因素进行综合考虑的系统。上述智能交通系统可以协助驾驶员实时了解道路交通状况,进而可以以安全和经济的方式到达目的地。另外,交通管理人员可以借助上述智能交通系统获得车辆信息、驾驶员信息和道路实时交通状况等信息,进而高效的进行交通管理。
目前,基于上述智能交通系统进行车辆检测时,一般将包含车辆的图像输入至预先训练的神经网络模型进行车辆区域检测,获得图像数据的车辆检测结果。
但是在对交通视频中的目标检测和分类进行深度学习时,需要设计到深层次的神经网络,因此在对该神经网络模型进行深层次的网络训练时,往往存在梯度弥散和爆炸的问题,从而导致神经网络无法收敛,进而导致利用训练后的神经网络模型进行图像检测时,精确度较低。
发明内容
本发明实施例的目的在于提供一种车辆检测方法,能够提高车辆检测的精确度。
一种车辆检测方法,所述方法包括:
确定待检测图像中包含车辆区域的图像区域;
将所述图像区域划分成多个网格区域,并从每一网格区域中选取属于前景区域的网格区域作为检测区域;
将选取的检测区域输入至车辆检测模型进行车辆检测,获得图像区域的车辆区域检测结果,其中,所述车辆检测模型为:预先采用样本检测区域对深度卷积神经网络模型进行训练得到的、用于检测图像区域中所包含车辆区域的模型,所述样本检测区域为从多个样本网格区域中选取的属于前景区域的样本网格区域,所述样本网格区域为对待检测样本图像包含车辆区域的样本图像区域进行网格划分得到的网格区域。
进一步地,通过以下方式获得所述车辆检测模型:
获取第一待检测样本图像中包含车辆区域的第一样本图像区域;
将所述第一样本图像区域划分成多个第一样本网格区域,并从每一所述第一样本网格区域中选取属于前景区域的第一样本网格区域作为第一样本检测区域;
获得所述第一待检测样本图像的第一车辆标记;
采用所述第一样本检测区域和所述第一车辆标记,对预设的深度卷积神经网络模型进行训练,得到用于检测图像区域中所包含车辆区域的车辆检测模型。
进一步地,将得到用于检测图像区域中所包含车辆区域的车辆检测模型记为第一车辆检测模型,在所述得到用于检测图像区域中所包含车辆区域的车辆检测模型之后,还包括:
获取第二待检测样本图像中包含车辆区域的第二样本图像区域;其中,所述第二待检测样本图像为与所述第一待检测样本图像不同的样本图像;
将所述第二样本图像区域划分成多个第二样本网格区域,并从每一所述第二样本网格区域中选取属于前景区域的第二样本网格区域作为第二样本检测区域;
获得所述第二样本图像区域的第二车辆标记;
将第二样本检测区域输入至所述第一车辆检测模型进行车辆检测,获得第二样本图像区域的车辆区域检测结果;
对比所述第二样本图像区域的车辆区域检测结果和所述第二车辆标记,判断所述第二样本图像区域的车辆区域检测结果的正确率是否大于或等于阈值;
若大于或等于,将所述第一车辆检测模型确定为车辆检测模型。
进一步地,在所述判断所述第二样本图像区域的车辆区域检测结果的正确率是否大于阈值之后,还包括:
若小于,获取第三待检测样本图像包含车辆区域的第三样本图像区域,并将所述第三样本图像区域作为新的第一样本图像区域,所述第一车辆检测模型作为新的深度卷积神经网络模型,返回执行所述将所述第一样本图像区域划分成多个第一样本网格区域的步骤;其中,所述第三待检测样本图像为由第一预设比例的第一待检测样本图像和第二预设比例第二检测样本图像构成的样本图像区域。
进一步地,所述将所述第一样本图像区域划分成多个第一样本网格区域,包括:
将所述第一样本图像区域划分成多个固定大小的第一样本网格区域;
所述将所述第二样本图像区域划分成多个第二样本网格区域,包括:
将所述第二样本图像区域划分成多个固定大小的第一样本网格区域;
所述将所述图像区域划分成多个网格区域之后,还包括:
将所述图像区域划分成多个所述固定大小的网格区域。
一种车辆检测装置,所述装置包括:
图像区域确定模块,用于确定待检测图像中包含车辆区域的图像区域;
检测区域选取模块,用于将所述图像区域划分成多个网格区域,并从每一网格区域中选取属于前景区域的网格区域作为检测区域;
检测模块,用于将选取的检测区域输入至车辆检测模型进行车辆检测,获得图像区域的车辆区域检测结果,其中,所述车辆检测模型为:预先采用样本检测区域对深度卷积神经网络模型进行训练得到的、用于检测图像区域中所包含车辆区域的模型,所述样本检测区域为从多个样本网格区域中选取的属于前景区域的样本网格区域,所述样本网格区域为对待检测样本图像包含车辆区域的样本图像区域进行网格划分得到的网格区域。
进一步地,所述装置还包括:模型训练模块,用于训练得到车辆检测模型通;
其中,所述模型训练模块,具体用于:
获取第一待检测样本图像包含车辆区域的第一样本图像区域;
将所述第一样本图像区域划分成多个第一样本网格区域,并从每一所述第一样本网格区域中选取属于前景区域的第一样本网格区域作为第一样本检测区域;
获得所述第一待检测样本图像的第一车辆标记;
采用所述第一样本检测区域和所述第一车辆标记,对预设的深度卷积神经网络模型进行训练,得到用于检测图像区域中所包含车辆区域的车辆检测模型。
进一步地,将得到用于检测图像区域中所包含车辆区域的车辆检测模型记为第一车辆检测模型,所述装置还包括:模型测试模块,用于测试第一车辆测试模型获得车辆检测模型;
其中,所述模型测试模块,具体用于:
获取第二待检测样本图像包含车辆区域的第二样本图像区域;其中,所述第二待检测样本图像为与所述第一待检测样本图像不同的样本图像;
将所述第二样本图像区域划分成多个第二样本网格区域,并从每一所述第二样本网格区域中选取属于前景区域的第二样本网格区域作为第二样本检测区域;
获得所述第二样本图像区域的第二车辆标记;
将第二样本检测区域输入至所述第一车辆检测模型进行车辆检测,获得第二样本图像区域的车辆区域检测结果;
对比所述第二样本图像区域的车辆区域检测结果和所述第二车辆标记,判断所述第二样本图像区域的车辆区域检测结果的正确率是否大于或等于阈值;
若大于或等于,将所述第一车辆检测模型确定为车辆检测模型。
进一步地,所述模型测试模块还具体用于:
若小于,获取第三待检测样本图像包含车辆区域的第三样本图像区域,并将所述第三样本图像区域作为新的第一样本图像区域,所述第一车辆检测模型作为新的深度卷积神经网络模型,返回执行所述将所述第一样本图像区域划分成多个第一样本网格区域的步骤;其中,所述第三待检测样本图像为由第一预设比例的第一待检测样本图像和第二预设比例第二检测样本图像构成的样本图像区域。
本发明实施例又提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述任一所述的一种车辆检测。
本发明实施例再提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的一种车辆检测。
应用本发明实施例提供的方案在对待检测图像进行车辆检测时,将待检测图像中包含车辆区域的图像区域划分成多个网格区域,并从每一网格区域中选取属于前景区域的网格区域作为检测区域;将选取的检测区域输入至车辆检测模型进行车辆检测,获得图像区域的车辆区域检测结果。相对现有技术而言,本发明实施例不再直接将图像区域作为车辆检测模型的输入信息,而是先识别图像区域划分后的网格区域中的前景区域,再将前景区域的网格区域作为车辆检测模型的输入信息,使得车辆检测模型能够较好的收敛,从而能够提高车辆检测的精确度。当然,实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种车辆检测方法的流程示意图;
图2为本发明实施例提供的一种车辆检测模型获得过程的流程示意图;
图3为本发明实施例提供的一种车辆检测装置的结构示意图;
图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,图1为本发明实施例提供的一种车辆检测方法的流程示意图,该方法包括:
S101,确定待检测图像中包含车辆区域的图像区域。
其中,待检测图像可以是灰度图像,也可以是彩色图像。为了使得待检测图像简单、干扰性小,一般待检测图像采用灰度图像,如果待检测图像为彩色图像时,则可以先对待检测图像进行灰度化处理,得到灰度图像。
图像区域为待检测图像中包含车辆区域的图像区域,当待检测图像为彩色图像时,可以首先从待检测图像中确定出包含车辆区域的图像区域,然后再对该图像区域进行灰度化处理,得到灰度化处理后的图像区域;也可以首先对待检测图像进行灰度化处理,然后,从灰度化处理后的待检测图像中确定出包含车辆区域的图像区域。
S102,将所述图像区域划分成多个网格区域,并从每一网格区域中选取属于前景区域的网格区域作为检测区域。
图像区域既包含车辆区域的前景区域,又包含背景区域,可见需要对图像区域进行网格划分,从网格区域中去除背景区域的网格区域便可,也就是,本步骤剔除了背景区域的网格区域的干扰。
现有技术中的深度神经卷积的网络层之间的梯度(值大于1.0)由于梯度的初始化权值往往过大,上一层会比下一层变化的更快,就会导致梯度的权值越来越大,这样梯度重复相乘导致梯度指数级的增长,这样便产生了梯度爆炸现象,这种现象体现在:在深度神经卷积的网络层或循环神经卷积的网络层中,误差梯度可在更新中累积,以致积累的梯度子变得非常大,进而导致网络权重的大幅更新,并使得上述网络层变得不稳定。在权重值大到一定值时,深度神经卷积模型便难以收敛。
基于上述原因,本步骤可以采用深度残差网络的ResNet-101识别上述每一网格区域是前景区域的网格区域还是背景区域的网格区域,鉴于车辆区域均位于前景区域的网格区域中,可见选取前景区域的网格区域即可,剔除背景区域的网格区域可以减小背景区域对车辆区域检测的干扰。
每一检测区域中可以包含一辆车的车辆区域,也可以包含多辆车的车辆区域,还可以是不包含车的车辆区域
S103,将选取的检测区域输入至车辆检测模型进行车辆检测,获得图像区域的车辆区域检测结果。
其中,所述车辆检测模型为:预先采用第一样本检测区域对深度卷积神经网络模型进行训练得到的、用于检测图像区域中所包含车辆区域的模型,所述第一样本检测区域为:从多个第一样本网格区域中选取的属于前景区域的第一样本网格区域,所述第一样本网格区域为:对第一待检测样本图像包含车辆区域的第一样本图像区域进行网格划分得到的网格区域。
其中,上述车辆区域检测结果为检测每一检测区域中的车辆区域,每一检测区域包含的车辆区域可以是一个车辆区域,也可以多个车辆区域,还可以是无车辆区域。
该图像区域的车辆区域检测结果可以是圈住图像区域中每一车辆区域的结果。
第一待检测样本图像可以是灰度图像,也可以是彩色图像。
第一样本网格区域可以是前景区域的网格区域,也可以是背景区域的网格区域。
第一样本检测区域是前景区域的第一样本网格区域,第一样本检测区域可以是包含一个车辆区域的区域,也可以是包括多个车辆区域的区域。
车辆检测模型的具体获得方式将在后面实施例中详细描述,这里暂不详述。
由此可见,本发明实施例提供的方法在对待检测图像进行车辆检测时,将待检测图像中包含车辆区域的图像区域划分成多个网格区域,并从每一网格区域中选取属于前景区域的网格区域作为检测区域;将选取的检测区域输入至车辆检测模型进行车辆检测,获得图像区域的车辆区域检测结果。相对现有技术而言,本发明实施例不再直接将图像区域作为车辆检测模型的输入信息,而是先识别图像区域划分后的网格区域中的前景区域,再将前景区域的网格区域作为车辆检测模型的输入信息,使得车辆检测模型能够较好的收敛,从而能够提高车辆检测的精确度。
在本发明的一个实施例中,通过以下方式获得所述车辆检测模型,具体包括如下步骤步骤A~步骤D:
步骤A,获取第一待检测样本图像中包含车辆区域的第一样本图像区域。
其中,第一待检测样本图像是多张预设数量的检测样本图像,该预设数量可以为300。
第一样本图像区域中包含的车辆区域可以是一个车辆区域,也可以是多个车辆区域,本发明实施例对此并不限定。
步骤B,将所述第一样本图像区域划分成多个第一样本网格区域,并从每一所述第一样本网格区域中选取属于前景区域的第一样本网格区域作为第一样本检测区域。
第一样本网格区域可以是前景区域的网格区域,也可以是背景区域的网格区域,背景区域的第一样本网格区域的存在会造成对车辆区域特征提取的干扰,基于此,需要识别每一第一样本网格区域是前景区域还是背景区域,剔除背景区域的第一样本网格区域,选取前景区域的第一样本网格区域作为第一样本检测区域。
每一第一样本检测区域中可以包含一辆车的车辆区域,也可以包含多辆车的车辆区域,还可以是不包含车的车辆区域。
步骤C,获得所述第一待检测样本图像的第一车辆标记。
每一第一待检测样本图像中车辆区域均是已知的。也就是说,第一待检测样本图像的第一车辆标记是事先被标记的。
步骤D,采用所述第一样本检测区域和所述第一车辆标记,对预设的深度卷积神经网络模型进行训练,得到用于检测图像区域中所包含车辆区域的车辆检测模型。
以第一样本检测区域作为深度卷积神经网络的输入信息,以第一车辆标记作为深度卷积神经网络模型的训练基准,对深度卷积神经网络模型进行训练。
具体训练过程为:将第一样本检测区域输入至深度卷积神经网络进行训练,输出第一样本图像区域所包含的车辆区域检测结果,该车辆区域检测结果可以是用线框圈住车辆区域的标记,利用第一车辆标记,检测输出的车辆区域检测结果的正确率,若正确率低于预设值,则对深度卷积神经网络模型中的权值进行修正,直到输出的车辆区域检测结果的正确率接近预设值为止。
可见,本发明实施例在训练深度卷积神经网络模型时,将第一待检测样本图像中包含车辆区域的第一样本图像区域划分成多个第一样本网格区域,并从每一第一样本网格区域中选取属于前景区域的第一样本网格区域作为第一样本检测区域;利用选取的第一样本检测区域对深度卷积神经网络模型进行训练,以获得车辆检测模型。本发明实施例先识别第一样本图像区域划分后的第一样本网格区域中的前景区域,再将前景区域的第一样本网格区域作为车辆检测模型的输入信息,使得深度卷积神经网络模型能够较好的收敛,从而也能够提高车辆检测的精确度。
在本发明的一个实施例中,将得到用于检测图像区域中所包含车辆区域的车辆检测模型记为第一车辆检测模型,在步骤D之后,还包括步骤E~步骤J:
步骤E,获取第二待检测样本图像中包含车辆区域的第二样本图像区域;其中,所述第二待检测样本图像为:与所述第一待检测样本图像不同的样本图像。
第二待检测样本图像可以是灰度图像,也可以是彩色图像。
第一待检测样本图像是训练样本,第二待检测样本图像是测试样本,采用与训练样本不同的测试样本,有利于测试出第一车辆检测模型真实的准确率。
步骤F,将所述第二样本图像区域划分成多个第二样本网格区域,并从每一所述第二样本网格区域中选取属于前景区域的第二样本网格区域作为第二样本检测区域。
第二样本网格区域可以是前景区域的网格区域,也可以是背景区域的网格区域,背景区域的第二样本网格区域的存在会造成对车辆区域特征提取的干扰,基于此,需要识别每一第二样本网格区域是前景区域还是背景区域,剔除背景区域的第二样本网格区域,选取前景区域的第二样本网格区域作为第二样本检测区域。
每一第二样本检测区域中可以包含一辆车的车辆区域,也可以包含多辆车的车辆区域,还可以是不包含车的车辆区域。
步骤G,获得所述第二样本图像区域的第二车辆标记。
每一第二待检测样本图像中车辆区域均是已知的。也就是说,第二待检测样本图像的第二车辆标记是事先被标记的。
步骤H,将第二样本检测区域输入至所述第一车辆检测模型进行车辆检测,获得第二样本图像区域的车辆区域检测结果。
以第二样本检测区域作为第一车辆检测模型的输入信息,输出第二样本图像区域的车辆区域检测结果。
第二样本图像区域的车辆区域检测结果为检测每一第二样本检测区域中的车辆区域,每一第二样本检测区域包含的车辆区域可以是一个车辆区域,也可以多个车辆区域,还可以是无车辆区域。
该图像区域的车辆区域检测结果可以是圈住图像区域中每一车辆区域的结果。
步骤I,对比所述第二样本图像区域的车辆区域检测结果和所述第二车辆标记,判断所述第二样本图像区域的车辆区域检测结果的正确率是否大于或等于阈值;若大于或等于,步骤J。
将第二样本图像区域的车辆区域检测结果和第二车辆标记进行匹配,以检验第一车辆检测模型是否符合要求,也就是,检验第一车辆检测模型的准确率是否达到预设值。
步骤J,将所述第一车辆检测模型确定为车辆检测模型。
如果符合要求,则表明第一车辆检测模型已经训练完成,可以用于检测图像区域所包含的车辆区域。
可见,本发明实施例在测试第一车辆检测模型时,将第二待检测样本图像中包含车辆区域的第二样本图像区域划分成多个第二样本网格区域,并从每一第二样本网格区域中选取属于前景区域的第二样本网格区域作为第二样本检测区域;利用选取的第二样本检测区域对第一车辆检测模型进行检测,以确定是否还需要对第一车辆检测模型进行训练。本发明实施例先识别第二样本图像区域划分后的第二样本网格区域中的前景区域,再将前景区域的第二样本网格区域作为车辆检测模型的输入信息,使得第一车辆检测模型能够较好的收敛,从而也能够提高车辆检测模型检测图像区域所包含车辆区域的精确度。
在本发明的一个实施例中,在所述步骤J之后,还包括步骤K:
若小于,获取第三待检测样本图像包含车辆区域的第三样本图像区域,并将所述第三样本图像区域作为新的第一样本图像区域,所述第一车辆检测模型作为新的深度卷积神经网络模型,返回执行所述将所述第一样本图像区域划分成多个第一样本网格区域的步骤;其中,所述第三待检测样本图像为由第一预设比例的第一待检测样本图像和第二预设比例第二检测样本图像构成的样本图像区域。
其中,第三待检测样本图像可以是灰度图像,也可以是彩色图像。
为了提高车辆检测模型检测车辆区域的精确度,作为训练样本的第三待检测样本图像一部分来源于第一待检测图像,另一部分来源于第二待检测图像。
第一预设比例和第二预设比例可以相同,也可以不同。本发明实施例对此并不限定。
可见,本发明实施例在训练第一车辆检测模型时,采用第三待检测样本图像包含车辆区域的第三样本图像区域,并将第三样本图像区域作为新的第一样本图像区域,第一车辆检测模型作为新的深度卷积神经网络模型,重新对第一车辆检测模型进行训练,直到训练后的第一车辆检测模型符合要求为止。应用本发明实施例提供的方案能够提高车辆检测模型检测图像区域所包含车辆区域的精确度。
在本发明的一种实施例中,步骤B的具体实现方式可以包括步骤B1:
步骤B1,将所述第一样本图像区域划分成多个固定大小的第一样本网格区域。
基于步骤B1,步骤F的具体实现方式可以包括步骤B2:
步骤B2,将所述第二样本图像区域划分成多个固定大小的第一样本网格区域。
基于上述步骤B1-B2,S102的实现方式可以包括步骤B3:
步骤B3,将所述图像区域划分成多个所述固定大小的网格区域。
采用与训练深度卷积神经网络模型时第一样本网格区域一致的大小,可以提高的车辆检测模型的检测速度。
可见,本发明实施例在在对深度卷积神经网络模型进行训练时,采用固定大小的第一样本网格区域和第二样本网格区域,可以提高深度卷积神经网络模型的训练速度。在检测图像区域所包含的车辆区域时,采用与训练深度卷积神经网络模型时第一样本网格区域和第二样本网格区域一致的大小的网格区域,可以提高的车辆检测模型的检测速度。
参加图2,图2为本发明实施例提供一种车辆检测模型获得过程的流程示意图,具体可以包括:
S201,获取第一待检测样本图像中包含车辆区域的第一样本图像区域。
S202,将所述第一样本图像区域划分成多个第一样本网格区域,并从每一所述第一样本网格区域中选取属于前景区域的第一样本网格区域作为第一样本检测区域。
S203,获得所述第一待检测样本图像的第一车辆标记。
S204,采用所述第一样本检测区域和所述第一车辆标记,对预设的深度卷积神经网络模型进行训练,得到用于检测图像区域中所包含车辆区域的第一车辆检测模型。
S205,获取第二待检测样本图像包含车辆区域的第二样本图像区域;其中,所述第二待检测样本图像为与所述第一待检测样本图像不同的样本图像。
S206,将所述第二样本图像区域划分成多个第二样本网格区域,并从每一所述第二样本网格区域中选取属于前景区域的第二样本网格区域作为第二样本检测区域。
S207,获得所述第二样本图像区域的第二车辆标记。
S208,将第二样本检测区域输入至所述第一车辆检测模型进行车辆检测,获得第二样本图像区域的车辆区域检测结果。
S209,对比所述第二样本图像区域的车辆区域检测结果和所述第二车辆标记,判断所述第二样本图像区域的车辆区域检测结果的正确率是否大于或等于阈值;若大于或等于,执行S210,若小于,执行S211。
S210,将所述第一车辆检测模型确定为车辆检测模型。
S211,获取第三待检测样本图像包含车辆区域的第三样本图像区域,并将所述第三样本图像区域作为新的第一样本图像区域,所述第一车辆检测模型作为新的深度卷积神经网络模型,返回执行S202的步骤;其中,所述第三待检测样本图像为由第一预设比例的第一待检测样本图像和第二预设比例第二检测样本图像构成的样本图像区域。
由此可见,本发明实施例提供的方法在通过训练深度卷积神经网络模型获得车辆检测模型时,将从第一待检测图像中选取的第一样本检测区域输入至深度卷积神经网络进行训练,获得第一车辆检测模型,将从第二待检测图像中选取的第二样本检测区域输入至第一车辆检测模型中,获得第二样本图像区域的车辆区域检测结果,并与第二车辆标记匹配,针对第二样本图像区域的车辆区域检测结果的正确率小于阈值的情况,采用第三待检测样本图像继续对第一车辆检测模型进行训练,直到第二样本图像区域的车辆区域检测结果的正确率大于阈值为止。按照本发明实施例的方案训练深度卷积神经网络时,均是先识别各个样本测试图像的前景区域,再将前景区域作为深度卷积神经网络或第一车辆检测模型的输入信息,使得深度卷积神经网络或第一车辆检测模型能够较好的收敛,且使得训练后车辆检测模型的准确率达到了阈值,使得训练后的车辆检测模型能够进一步提高车辆检测的精确度。
与上述车辆检测方法相对应,本申请实施例还提供了一种车辆检测装置。
参加图3,图3为本发明实施例提供一种车辆检测装置的结构示意图,具体可以包括:
图像区域确定模块301,用于确定待检测图像中包含车辆区域的图像区域;
检测区域选取模块302,用于将所述图像区域划分成多个网格区域,并从每一网格区域中选取属于前景区域的网格区域作为检测区域;
检测模块303,用于将选取的检测区域输入至车辆检测模型进行车辆检测,获得图像区域的车辆区域检测结果,其中,所述车辆检测模型为:预先采用样本检测区域对深度卷积神经网络模型进行训练得到的、用于检测图像区域中所包含车辆区域的模型,所述样本检测区域为从多个样本网格区域中选取的属于前景区域的样本网格区域,所述样本网格区域为对待检测样本图像包含车辆区域的样本图像区域进行网格划分得到的网格区域。
优选的,所述装置还可以包括:模型训练模块,用于训练得到车辆检测模型通;
其中,所述模型训练模块,具体用于:
获取第一待检测样本图像中包含车辆区域的第一样本图像区域;
将所述第一样本图像区域划分成多个第一样本网格区域,并从每一所述第一样本网格区域中选取属于前景区域的第一样本网格区域作为第一样本检测区域;
获得所述第一待检测样本图像的第一车辆标记;
采用所述第一样本检测区域和所述第一车辆标记,对预设的深度卷积神经网络模型进行训练,得到用于检测图像区域中所包含车辆区域的车辆检测模型。
优选的,将得到用于检测图像区域中所包含车辆区域的车辆检测模型记为第一车辆检测模型,所述装置还可以包括:模型测试模块,用于测试第一车辆测试模型获得车辆检测模型;
其中,所述模型测试模块,具体用于:
获取第二待检测样本图像中包含车辆区域的第二样本图像区域;其中,,所述第二待检测样本图像为与所述第一待检测样本图像不同的样本图像;
将所述第二样本图像区域划分成多个第二样本网格区域,并从每一所述第二样本网格区域中选取属于前景区域的第二样本网格区域作为第二样本检测区域;
获得所述第二样本图像区域的第二车辆标记;
将第二样本检测区域输入至所述第一车辆检测模型进行车辆检测,获得第二样本图像区域的车辆区域检测结果;
对比所述第二样本图像区域的车辆区域检测结果和所述第二车辆标记,判断所述第二样本图像区域的车辆区域检测结果的正确率是否大于或等于阈值;
若大于或等于,将所述第一车辆检测模型确定为车辆检测模型。
优选的,所述模型测试模块还具体用于:
若小于,获取第三待检测样本图像包含车辆区域的第三样本图像区域,并将所述第三样本图像区域作为新的第一样本图像区域,所述第一车辆检测模型作为新的深度卷积神经网络模型,返回执行所述将所述第一样本图像区域划分成多个第一样本网格区域的步骤;其中,所述第三待检测样本图像为由第一预设比例的第一待检测样本图像和第二预设比例第二检测样本图像构成的样本图像区域;
优选的,该模型训练模块,具体用于:所述将所述第一样本图像区域划分成多个第一样本网格区域,包括:
将所述第一样本图像区域划分成多个固定大小的第一样本网格区域;
该模型测试模块,具体用于:所述将所述第二样本图像区域划分成多个第二样本网格区域,包括:
将所述第二样本图像区域划分成多个固定大小的第一样本网格区域;
所述检测区域选取模块302,还可以包括:
检测区域选取子模块,用于将所述图像区域划分成多个所述固定大小的网格区域。
由此可见,本发明实施例提供的装置在对待检测图像进行车辆检测时,将待检测图像中包含车辆区域的图像区域划分成多个网格区域,并从每一网格区域中选取属于前景区域的网格区域作为检测区域;将选取的检测区域输入至车辆检测模型进行车辆检测,获得图像区域的车辆区域检测结果。相对现有技术而言,本发明实施例不再直接将图像区域作为车辆检测模型的输入信息,而是先识别图像区域划分后的网格区域中的前景区域,再将前景区域的网格区域作为车辆检测模型的输入信息,使得车辆检测模型能够较好的收敛,从而能够提高车辆检测的精确度。
本发明实施例还提供了一种电子设备,如图4所示,包括处理器401、通信接口402、存储器403和通信总线404,其中,处理器401,通信接口402,存储器403通过通信总线404完成相互间的通信,
存储器403,用于存放计算机程序;
处理器401,用于执行存储器403上所存放的程序时,实现本发明实施例提供的一种车辆检测方法。
具体的,上述一种车辆检测方法,包括:
确定待检测图像中包含车辆区域的图像区域;
将所述图像区域划分成多个网格区域,并从每一网格区域中选取属于前景区域的网格区域作为检测区域;
将选取的检测区域输入至车辆检测模型进行车辆检测,获得图像区域的车辆区域检测结果,其中,所述车辆检测模型为:预先采用样本检测区域对深度卷积神经网络模型进行训练得到的、用于检测图像区域中所包含车辆区域的模型,所述样本检测区域为从多个样本网格区域中选取的属于前景区域的样本网格区域,所述样本网格区域为对待检测样本图像包含车辆区域的样本图像区域进行网格划分得到的网格区域。
由此可见,执行本实施例提供的电子设备,通过在对待检测图像进行车辆检测时,将待检测图像中包含车辆区域的图像区域划分成多个网格区域,并从每一网格区域中选取属于前景区域的网格区域作为检测区域;将选取的检测区域输入至车辆检测模型进行车辆检测,获得图像区域的车辆区域检测结果。相对现有技术而言,本发明实施例不再直接将图像区域作为车辆检测模型的输入信息,而是先识别图像区域划分后的网格区域中的前景区域,再将前景区域的网格区域作为车辆检测模型的输入信息,使得车辆检测模型能够较好的收敛,从而能够提高车辆检测的精确度。
上述的相关内容车辆检测方法的实施方式与前述方法实施例部分提供的车辆检测方式相同,这里不再赘述。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的车辆检测方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于电子设备、存储介质和程序产品实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (4)
1.一种车辆检测方法,其特征在于,所述方法包括:
确定待检测图像中包含车辆区域的图像区域;
将所述图像区域划分成多个网格区域,并从每一网格区域中选取属于前景区域的网格区域作为检测区域;所述检测区域中包括至少两个车辆区域;
将选取的检测区域输入至车辆检测模型进行车辆检测,获得图像区域的车辆区域检测结果,其中,所述车辆检测模型为:预先采用样本检测区域对深度卷积神经网络模型进行训练得到的、用于检测图像区域中所包含车辆区域的模型,所述样本检测区域为从多个样本网格区域中选取的属于前景区域的样本网格区域,所述样本网格区域为对待检测样本图像包含车辆区域的样本图像区域进行网格划分得到的网格区域;
所述车辆检测模型具体通过以下方式获得:
获取第一待检测样本图像中包含车辆区域的第一样本图像区域;
将所述第一样本图像区域划分成多个第一样本网格区域,并从每一所述第一样本网格区域中选取属于前景区域的第一样本网格区域作为第一样本检测区域;
获得所述第一待检测样本图像的第一车辆标记;
采用所述第一样本检测区域和所述第一车辆标记,对预设的深度卷积神经网络模型进行训练,得到用于检测图像区域中所包含车辆区域的车辆检测模型;
将得到用于检测图像区域中所包含车辆区域的车辆检测模型记为第一车辆检测模型,获取第二待检测样本图像中包含车辆区域的第二样本图像区域;其中,所述第二待检测样本图像为与所述第一待检测样本图像不同的样本图像;
将所述第二样本图像区域划分成多个第二样本网格区域,并从每一所述第二样本网格区域中选取属于前景区域的第二样本网格区域作为第二样本检测区域;
获得所述第二样本图像区域的第二车辆标记;
将第二样本检测区域输入至所述第一车辆检测模型进行车辆检测,获得第二样本图像区域的车辆区域检测结果;
对比所述第二样本图像区域的车辆区域检测结果和所述第二车辆标记,判断所述第二样本图像区域的车辆区域检测结果的正确率是否大于或等于阈值;
若大于或等于,将所述第一车辆检测模型确定为车辆检测模型;
若小于,获取第三待检测样本图像包含车辆区域的第三样本图像区域,并将所述第三样本图像区域作为新的第一样本图像区域,所述第一车辆检测模型作为新的深度卷积神经网络模型,返回执行所述将所述第一样本图像区域划分成多个第一样本网格区域的步骤;其中,所述第三待检测样本图像为由第一预设比例的第一待检测样本图像和第二预设比例第二检测样本图像构成的样本图像区域。
2.如权利要求1所述的方法,其特征在于,所述将所述第一样本图像区域划分成多个第一样本网格区域,包括:
将所述第一样本图像区域划分成多个固定大小的第一样本网格区域;
所述将所述第二样本图像区域划分成多个第二样本网格区域,包括:
将所述第二样本图像区域划分成多个固定大小的第一样本网格区域;
所述将所述图像区域划分成多个网格区域之后,还包括:
将所述图像区域划分成多个所述固定大小的网格区域。
3.一种车辆检测装置,其特征在于,所述装置包括:
图像区域确定模块,用于确定待检测图像中包含车辆区域的图像区域;
检测区域选取模块,用于将所述图像区域划分成多个网格区域,并从每一网格区域中选取属于前景区域的网格区域作为检测区域;所述检测区域中包括至少两个车辆区域;
检测模块,用于将选取的检测区域输入至车辆检测模型进行车辆检测,获得图像区域的车辆区域检测结果,其中,所述车辆检测模型为:预先采用样本检测区域对深度卷积神经网络模型进行训练得到的、用于检测图像区域中所包含车辆区域的模型,所述样本检测区域为从多个样本网格区域中选取的属于前景区域的样本网格区域,所述样本网格区域为对待检测样本图像包含车辆区域的样本图像区域进行网格划分得到的网格区域;
所述装置还包括:
模型训练模块,用于训练得到车辆检测模型通;
其中,所述模型训练模块,具体用于:
获取第一待检测样本图像包含车辆区域的第一样本图像区域;
将所述第一样本图像区域划分成多个第一样本网格区域,并从每一所述第一样本网格区域中选取属于前景区域的第一样本网格区域作为第一样本检测区域;
获得所述第一待检测样本图像的第一车辆标记;
采用所述第一样本检测区域和所述第一车辆标记,对预设的深度卷积神经网络模型进行训练,得到用于检测图像区域中所包含车辆区域的车辆检测模型;
模型测试模块,用于测试第一车辆测试模型获得车辆检测模型;
其中,所述模型测试模块,具体用于:
获取第二待检测样本图像包含车辆区域的第二样本图像区域;其中,所述第二待检测样本图像为与所述第一待检测样本图像不同的样本图像;
将所述第二样本图像区域划分成多个第二样本网格区域,并从每一所述第二样本网格区域中选取属于前景区域的第二样本网格区域作为第二样本检测区域;
获得所述第二样本图像区域的第二车辆标记;
将第二样本检测区域输入至所述第一车辆检测模型进行车辆检测,获得第二样本图像区域的车辆区域检测结果;
对比所述第二样本图像区域的车辆区域检测结果和所述第二车辆标记,判断所述第二样本图像区域的车辆区域检测结果的正确率是否大于或等于阈值;
若大于或等于,将所述第一车辆检测模型确定为车辆检测模型;
若小于,获取第三待检测样本图像包含车辆区域的第三样本图像区域,并将所述第三样本图像区域作为新的第一样本图像区域,所述第一车辆检测模型作为新的深度卷积神经网络模型,返回执行所述将所述第一样本图像区域划分成多个第一样本网格区域的步骤;其中,所述第三待检测样本图像为由第一预设比例的第一待检测样本图像和第二预设比例第二检测样本图像构成的样本图像区域。
4.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1~2任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910585563.4A CN110399803B (zh) | 2019-07-01 | 2019-07-01 | 一种车辆检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910585563.4A CN110399803B (zh) | 2019-07-01 | 2019-07-01 | 一种车辆检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110399803A CN110399803A (zh) | 2019-11-01 |
CN110399803B true CN110399803B (zh) | 2022-04-22 |
Family
ID=68323566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910585563.4A Active CN110399803B (zh) | 2019-07-01 | 2019-07-01 | 一种车辆检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110399803B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111611807B (zh) * | 2020-05-18 | 2022-12-09 | 北京邮电大学 | 一种基于神经网络的关键词提取方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138963A (zh) * | 2015-07-31 | 2015-12-09 | 小米科技有限责任公司 | 图片场景判定方法、装置以及服务器 |
CN106682697A (zh) * | 2016-12-29 | 2017-05-17 | 华中科技大学 | 一种基于卷积神经网络的端到端物体检测方法 |
CN106845424A (zh) * | 2017-01-24 | 2017-06-13 | 南京大学 | 基于深度卷积网络的路面遗留物检测方法 |
CN109635825A (zh) * | 2018-12-19 | 2019-04-16 | 苏州市科远软件技术开发有限公司 | 车辆属性检测方法、装置及存储介质 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2953316B1 (fr) * | 2009-11-30 | 2012-08-24 | Eurocopter France | Procede d'obtention d'une base locale d'elevation de terrain a partir d'un moyen de detection embarque a bord d'un vehicule et dispositif pour la mise en oeuvre de ce procede |
US8917934B2 (en) * | 2012-06-14 | 2014-12-23 | International Business Machines Corporation | Multi-cue object detection and analysis |
CN104537359B (zh) * | 2015-01-15 | 2019-02-15 | 浙江宇视科技有限公司 | 一种车辆目标检测方法及装置 |
CN106874863B (zh) * | 2017-01-24 | 2020-02-07 | 南京大学 | 基于深度卷积神经网络的车辆违停逆行检测方法 |
CN107220603A (zh) * | 2017-05-18 | 2017-09-29 | 惠龙易通国际物流股份有限公司 | 基于深度学习的车辆检测方法及装置 |
CN108681693B (zh) * | 2018-04-12 | 2022-04-12 | 南昌大学 | 基于可信区域的车牌识别方法 |
CN108550107A (zh) * | 2018-04-27 | 2018-09-18 | Oppo广东移动通信有限公司 | 一种图片处理方法、图片处理装置及移动终端 |
CN108960232A (zh) * | 2018-06-08 | 2018-12-07 | Oppo广东移动通信有限公司 | 模型训练方法、装置、电子设备和计算机可读存储介质 |
CN108960185A (zh) * | 2018-07-20 | 2018-12-07 | 泰华智慧产业集团股份有限公司 | 基于YOLOv2的车辆目标检测方法及系统 |
CN109271904B (zh) * | 2018-09-03 | 2022-02-15 | 东南大学 | 一种基于像素自适应分割和贝叶斯模型的黑烟车检测方法 |
CN109927675B (zh) * | 2019-04-09 | 2022-02-08 | 深圳创维汽车智能有限公司 | 一种雨刷控制方法、装置、设备及存储介质 |
-
2019
- 2019-07-01 CN CN201910585563.4A patent/CN110399803B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138963A (zh) * | 2015-07-31 | 2015-12-09 | 小米科技有限责任公司 | 图片场景判定方法、装置以及服务器 |
CN106682697A (zh) * | 2016-12-29 | 2017-05-17 | 华中科技大学 | 一种基于卷积神经网络的端到端物体检测方法 |
CN106845424A (zh) * | 2017-01-24 | 2017-06-13 | 南京大学 | 基于深度卷积网络的路面遗留物检测方法 |
CN109635825A (zh) * | 2018-12-19 | 2019-04-16 | 苏州市科远软件技术开发有限公司 | 车辆属性检测方法、装置及存储介质 |
Non-Patent Citations (2)
Title |
---|
Vehicle model recognition from frontal view image measurements;A. Psyllos 等;《Computer Standards & Interfaces》;20111231(第33期);C035-18 * |
基于深度学习的车道线和车辆检测;罗森;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20180915(第(2018)09期);第142-151页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110399803A (zh) | 2019-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11392792B2 (en) | Method and apparatus for generating vehicle damage information | |
CN108197652B (zh) | 用于生成信息的方法和装置 | |
CN113469088B (zh) | 一种无源干扰场景下的sar图像舰船目标检测方法及系统 | |
CN111931929A (zh) | 一种多任务模型的训练方法、装置及存储介质 | |
CN111324764B (zh) | 一种图像检测方法、装置、电子设备及存储介质 | |
CN112001406B (zh) | 一种文本区域检测方法及装置 | |
CN111460155B (zh) | 一种基于知识图谱的信息可信度评估方法及装置 | |
CN112329837B (zh) | 一种对抗样本检测方法、装置、电子设备及介质 | |
CN110688536A (zh) | 一种标签预测方法、装置、设备和存储介质 | |
CN111338692A (zh) | 基于漏洞代码的漏洞分类方法、装置及电子设备 | |
WO2023011470A1 (zh) | 一种机器学习系统及模型训练方法 | |
CN110490058B (zh) | 行人检测模型的训练方法、装置、系统和计算机可读介质 | |
CN110399803B (zh) | 一种车辆检测方法及装置 | |
CN114912702A (zh) | 基于大数据的道路性能预测方法、装置、设备及存储介质 | |
CN112329810B (zh) | 一种基于显著性检测的图像识别模型训练方法及装置 | |
CN113723467A (zh) | 用于缺陷检测的样本收集方法、装置和设备 | |
CN112418345A (zh) | 细粒度小目标快速识别的方法和装置 | |
CN112686298A (zh) | 一种目标检测方法、装置及电子设备 | |
CN111860623A (zh) | 基于改进ssd神经网络的统计树木数量的方法及系统 | |
CN112149698A (zh) | 一种困难样本数据的筛选方法及装置 | |
CN111640076B (zh) | 一种图像补全方法、装置及电子设备 | |
CN115205619A (zh) | 检测模型的训练方法、检测方法、装置和存储介质 | |
CN113989632A (zh) | 一种遥感图像桥梁检测方法、装置、电子设备及存储介质 | |
CN112926608A (zh) | 一种图像分类方法、装置、电子设备及存储介质 | |
CN112434717A (zh) | 一种模型训练方法及装置 |
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 |