CN110414417A - 一种基于多层次融合多尺度预测的交通标志牌识别方法 - Google Patents

一种基于多层次融合多尺度预测的交通标志牌识别方法 Download PDF

Info

Publication number
CN110414417A
CN110414417A CN201910677341.5A CN201910677341A CN110414417A CN 110414417 A CN110414417 A CN 110414417A CN 201910677341 A CN201910677341 A CN 201910677341A CN 110414417 A CN110414417 A CN 110414417A
Authority
CN
China
Prior art keywords
bounding box
traffic mark
level
mark board
scale prediction
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
CN201910677341.5A
Other languages
English (en)
Other versions
CN110414417B (zh
Inventor
程洪
李航
许成凤
汪玲
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201910677341.5A priority Critical patent/CN110414417B/zh
Publication of CN110414417A publication Critical patent/CN110414417A/zh
Application granted granted Critical
Publication of CN110414417B publication Critical patent/CN110414417B/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
    • 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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs

Abstract

本发明公开了一种基于多层次融合多尺度预测的交通标志牌识别方法，所述识别方法包括以下内容：将待识别的图像调整到要求尺寸后送入到识别网络结构中；特识别网络结构对输入的图像提取多个不同层次的特征图，将多尺度预测结构预测的多个边界框聚集在一起；通过非极大值抑制算法去除其中重叠比例高和置信度低的边界框，将剩下的边界框作为最后的识别结果。针对交通标志牌的大小分布特点，修改了传统特征提取网络，网络在下采样到1/16时便停止下采样，同时为了防止全局特征的丢失，增加了感受野提升阶段，旨在提升网络层对于最终预测结果的贡献。

Description

一种基于多层次融合多尺度预测的交通标志牌识别方法
技术领域
本发明涉及一种交通标志牌识别方法，尤其涉及一种基于多层次融合多尺度预测的交通标志牌识别方法。
背景技术
交通标志牌是道路周边最常见的地标，将当前识别的交通标志牌与地图中存储的交通标志牌进行匹配，智能车就可以定位自身当前的位置，此外交通标志牌识别可以起到辅助感知和辅助决策的作用。
常见的目标识别算法对于大物体和小物体均要有较好的检测效果，大物体指的是在图像中占据较大像素的目标，一般宽高大于图像尺寸的10％甚至更多，小物体指的是在图像中占据较小像素的目标，宽高不到图像尺寸的10％，一般宽高只有几十个像素。交通标志牌与这些物体的尺寸分布不一致，交通标志牌在图像中一般占据像素比较小，属于小物体的范畴。此外交通标志牌识别与目标识别任务中对于行人、车辆、船只等的识别不同，交通标志牌类别之间相似度较高，偏向于细粒度识别的任务，这给识别任务带来了挑战。
公开号为CN109086687A的专利介绍了一种基于PCA降维的HOG-MBLBP融合特征的交通标志识别方法，首先分别提取图像中的HOG特征和MBLBP特征，然后串联两种特征得到融合特征，最后将经PCA降维后的融合特征送入训练好的分类器对交通标志牌进行识别。该方法先检测图像中交通标志牌区域后对该区域进行识别，两阶段的方法使得算法运行时间增加，此外该方法只能检测到圆形和矩形的交通标志牌，无法检测三角形的交通标志。
公开号为CN108985145A的专利介绍了一种小尺寸交通标志检测识别的反向连接深度神经网络模型方法，该方法借鉴Faster R-CNN的思想，该网络主要包含区域提取网络和分类网络两个部分，此外该方法还融合了来自不同的特征信息来提升网络的效果。该方法两步法的思想虽然有助于提高识别精度，但是也大大降低了网络的运行速度，另外在分类网络部分使用全连接层会使得网络非常臃肿，进一步降低了网络的运行速度，远远无法满足实时性的需求。
公开号为CN108960198A的专利介绍了一种基于残差SSD模型的交通标志检测和识别方法，该方法利用ResNet101作为基础网络对SSD网络进行改进，通过图像多尺度分块的方法提升检测的准确率。该方法虽然利用多尺度进行预测，但是没有进一步对网络多层次的特征图进行融合，使得预测层缺少来自全局或者局部信息，此外图像分块的方法会使得一幅图像的检测识别时间大大增加，忽略了实时性的需求。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于多层次融合多尺度预测的交通标志牌识别方法，解决了现有识别方法存在的缺陷。
本发明的目的是通过以下技术方案来实现的：一种基于多层次融合多尺度预测的交通标志牌识别方法，所述识别方法包括以下内容：
将待识别的图像调整到要求尺寸后送入到识别网络结构中；
特识别网络结构对输入的图像提取多个不同层次的特征图，将多尺度预测结构预测的多个边界框聚集在一起；
通过非极大值抑制算法去除其中重叠比例高和置信度低的边界框，将剩下的边界框作为最后的识别结果。
在进行将待识别的图像调整到要求尺寸后送入到特征提取网络中之前还需完成所述识别网络结构的构建。
所述识别网络结构的构建步骤如下：
去除特征提取基础网络基线ResNet101中的全连接卷积层，用步长为2的卷积层代替其中的最大池化层；
在1/16阶段后增加一个提升感受野阶段；
在提升感受野阶段输出端设置基于稠密连接的特征融合结构；
在基于稠密连接的特征融合结构的输出端设置多尺度预测结构。
所述提升感受野阶段由三个相同的提升感受野结构组成；每个提升感受野结构都是空洞率分别为2、3、5、7的空洞卷积分支，并将4个空洞卷积分支的输出按通道连接的结构。
在完成所述识别网络结构的构建后还需对该识别网络结构进行训练；对识别网络结构进行训练的步骤如下：
将图像调整到要求的尺寸大小；
对训练数据集进行数据增强；
选择随机梯度下降算法作为优化器，设置网络初始学习率和学习策略；
设计损失函数，并将采集的数据输入到损失函数中完成对识别网络结构的训练。
所述特识别网络结构对输入的图像提取多个不同层次的特征图，将多尺度预测结构预测的多个边界框聚集在一起的具体步骤如下：
输入图像通过基于提升感受野结构得到多个不同层次的特征图；
上层特征图通过空洞率分别为2、3、5、7的空洞卷积分支，然后将多个分支的输出按通道连接在一起得到多层次特征图；
将得到的多层次特征图输入到基于稠密连接的特征融合结构中进行不同方式的融合，给与低层特征图更多的关注，使得低层特征图能够收集到更多的信息；
将融合后的特征图输入到多尺度预测结构中对不同尺度的交通标志牌图像的边界框进行识别和聚集。
所述通过非极大值抑制算法去除其中重叠比例高和置信度低的边界框，将剩下的边界框作为最后的识别结果的步骤如下：
设定置信度阈值，将边界框集合中所有置信度低于置信度阈值的边界框剔除；
设定交并比阈值，在剩下的边界框中选取置信度最高的边界框为标准，剔除所有与该边界框交并比大于交并比阈值的边界框；
重复以上两个步骤，直到完成对所有类别的处理。
本发明的有益效果是：一种基于多层次融合多尺度预测的交通标志牌识别方法，针对交通标志牌的大小分布特点，修改了传统特征提取网络，网络在下采样到1/16时便停止下采样，同时为了防止全局特征的丢失，增加了感受野提升阶段，旨在提升网络层对于最终预测结果的贡献；提出了基于稠密连接的特征融合结构，增加网络对于低层特征图的关注，提高网络对于图像中较小的交通标志牌的识别效果。
附图说明
图1为本发明的流程图；
图2为本发明整体的识别网络结构图；
图3为本发明提升感受野结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，术语“上”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
如图1所示，一种基于多层次融合多尺度预测的交通标志牌识别方法，所述识别方法包括以下内容：
将待识别的图像调整到要求尺寸后送入到识别网络结构中；
特识别网络结构对输入的图像提取多个不同层次的特征图，将多尺度预测结构预测的多个边界框聚集在一起；
通过非极大值抑制算法去除其中重叠比例高和置信度低的边界框，将剩下的边界框作为最后的识别结果。
进一步地，待识别图像的要求尺寸为416×416像素；利用车载相机采集图像数据，将图片调整到416×416像素大小，对于宽高不相等的图片，先用设定好的像素填充后再resize到416×416像素大小，然后将图片送入识别网络中。
在进行将待识别的图像调整到要求尺寸后送入到特征提取网络中之前还需完成所述识别网络结构的构建。
如图2和3所示，所述识别网络结构的构建步骤如下：
去除特征提取基础网络基线ResNet101中的全连接卷积层，用步长为2的卷积层代替其中的最大池化层；
在1/16阶段后增加一个提升感受野阶段；
在提升感受野阶段输出端设置基于稠密连接的特征融合结构；
进一步地，该结构目的是防止全局信息的丢失，同时为了降低计算量，通过1×1的卷积层使得每个分支的通道数为输入的1/4。
在基于稠密连接的特征融合结构的输出端设置多尺度预测结构。
进一步地，该结构目的是解决低层特征图语义信息不足的问题，提升网络对于小物体的定位和分类能力。
所述提升感受野阶段由三个相同的提升感受野结构组成；每个提升感受野结构都是空洞率分别为2、3、5、7的空洞卷积分支，并将4个空洞卷积分支的输出按通道连接的结构。
在完成所述识别网络结构的构建后还需对该识别网络结构进行训练；对识别网络结构进行训练的步骤如下：
将图像调整到要求的尺寸大小；
对训练数据集进行数据增强；采取的数据增强方法包括随机裁剪和旋转；
选择随机梯度下降算法作为优化器，设置网络初始学习率和学习策略；学习策略为Multi Step；
设计损失函数，并将采集的数据输入到损失函数中完成对识别网络结构的训练。
进一步地，损失函数主要包括位置预测损失函数、类别预测损失函数和置信度预测损失函数，其具体计算公式如下：
L(w)＝λcoordLloc(w)+λclsLcls(w)+λconfLconf(w)
上式中λcoord、λcls、λconf代表的是边界框位置、类别以及存在物体置信度的权重，目的是平衡三种不同的loss。
所述特识别网络结构对输入的图像提取多个不同层次的特征图，将多尺度预测结构预测的多个边界框聚集在一起的具体步骤如下：
输入图像通过基于提升感受野结构得到多个不同层次的特征图；
上层特征图通过空洞率分别为2、3、5、7的空洞卷积分支，然后将多个分支的输出按通道连接在一起得到多层次特征图；
将得到的多层次特征图输入到基于稠密连接的特征融合结构中进行不同方式的融合，给与低层特征图更多的关注，使得低层特征图能够收集到更多的信息；
将融合后的特征图输入到多尺度预测结构中对不同尺度的交通标志牌图像的边界框进行识别和聚集。
所述通过非极大值抑制算法去除其中重叠比例高和置信度低的边界框，将剩下的边界框作为最后的识别结果的步骤如下：
设定置信度阈值，将边界框集合中所有置信度低于置信度阈值的边界框剔除；
设定交并比阈值，在剩下的边界框中选取置信度最高的边界框为标准，剔除所有与该边界框交并比大于交并比阈值的边界框；
重复以上两个步骤，直到完成对所有类别的处理。
进一步地，置信度阈值和交并比阈值均设置为0.5。
不同的交通标志牌在图像中呈现不同的大小，因此在预测时需要通过多种尺度的特征图来进行预测，尺寸大的特征图因其可以更清楚的看到小目标而负责预测图像中占像素比例小的交通标志牌，尺寸小的特征图因其可以提取到大目标的语义信息而负责预测图像中占像素比例大的交通标志牌，通过多尺度预测结构能够使得网络对于不同尺度的交通标志牌都有很好的识别能力；
多个predict层总共预测一万多个边界框，将多个边界框收集在一起，然后通过非极大值抑制(Non-Maximum Suppression，NMS)算法去除其中置信度低以及重叠比例高的边界框，最后一张图片会剩下几个边界框，剩余的边界框即为网络的最终预测结果，包含每个边界框的坐标信息(中心点x、y和宽高w、h)和类别信息。
本发明的实验环境为：中央处理器为Intel(R)Xeon(R)CPU E5-2620v3@2.40GHz，图形处理器为NVIDIA GTX Titan X，显存为11GB，操作系统为Ubuntu16.04LTS，深度学习框架使用的是PyTorch 1.0，Python环境是Python3.7。数据集上测试结果如下表所示，本发明方法相较Yolov3算法在mAP(即平均均值准确率，该指标适用于预测目标位置与类别的算法，为当前目标检测领域的主要评判指标之一)指标上提升了3.81％。
算法 mAP(％) FPS
Yolov3 66.25 31
Ours 70.06 22
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种基于多层次融合多尺度预测的交通标志牌识别方法，其特征在于：所述识别方法包括以下内容：
将待识别的图像调整到要求尺寸后送入到识别网络结构中；
特识别网络结构对输入的图像提取多个不同层次的特征图，将多尺度预测结构预测的多个边界框聚集在一起；
通过非极大值抑制算法去除其中重叠比例高和置信度低的边界框，将剩下的边界框作为最后的识别结果。
2.根据权利要求1所述的一种基于多层次融合多尺度预测的交通标志牌识别方法，其特征在于：在进行将待识别的图像调整到要求尺寸后送入到特征提取网络中之前还需完成所述识别网络结构的构建。
3.根据权利要求2所述的一种基于多层次融合多尺度预测的交通标志牌识别方法，其特征在于：所述识别网络结构的构建步骤如下：
去除特征提取基础网络基线ResNet101中的全连接卷积层，用步长为2的卷积层代替其中的最大池化层；
在1/16阶段后增加一个提升感受野阶段；
在提升感受野阶段输出端设置基于稠密连接的特征融合结构；
在基于稠密连接的特征融合结构的输出端设置多尺度预测结构。
4.根据权利要求3所述的一种基于多层次融合多尺度预测的交通标志牌识别方法，其特征在于：所述提升感受野阶段由三个相同的提升感受野结构组成；每个提升感受野结构都是空洞率分别为2、3、5、7的空洞卷积分支，并将4个空洞卷积分支的输出按通道连接的结构。
5.根据权利要求3所述的一种基于多层次融合多尺度预测的交通标志牌识别方法，其特征在于：在完成所述识别网络结构的构建后还需对该识别网络结构进行训练；对识别网络结构进行训练的步骤如下：
将图像调整到要求的尺寸大小；
对训练数据集进行数据增强；
选择随机梯度下降算法作为优化器，设置网络初始学习率和学习策略；
设计损失函数，并将采集的数据输入到损失函数中完成对识别网络结构的训练。
6.根据权利要求4所述的一种基于多层次融合多尺度预测的交通标志牌识别方法，其特征在于：所述特识别网络结构对输入的图像提取多个不同层次的特征图，将多尺度预测结构预测的多个边界框聚集在一起的具体步骤如下：
输入图像通过基于提升感受野结构得到多个不同层次的特征图；
上层特征图通过空洞率分别为2、3、5、7的空洞卷积分支，然后将多个分支的输出按通道连接在一起得到多层次特征图；
将得到的多层次特征图输入到基于稠密连接的特征融合结构中进行不同方式的融合，给与低层特征图更多的关注，使得低层特征图能够收集到更多的信息；
将融合后的特征图输入到多尺度预测结构中对不同尺度的交通标志牌图像的边界框进行识别和聚集。
7.根据权利要求1所述的一种基于多层次融合多尺度预测的交通标志牌识别方法，其特征在于：所述通过非极大值抑制算法去除其中重叠比例高和置信度低的边界框，将剩下的边界框作为最后的识别结果的步骤如下：
设定置信度阈值，将边界框集合中所有置信度低于置信度阈值的边界框剔除；
设定交并比阈值，在剩下的边界框中选取置信度最高的边界框为标准，剔除所有与该边界框交并比大于交并比阈值的边界框；
重复以上两个步骤，直到完成对所有类别的处理。
CN201910677341.5A 2019-07-25 2019-07-25 一种基于多层次融合多尺度预测的交通标志牌识别方法 Active CN110414417B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910677341.5A CN110414417B (zh) 2019-07-25 2019-07-25 一种基于多层次融合多尺度预测的交通标志牌识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910677341.5A CN110414417B (zh) 2019-07-25 2019-07-25 一种基于多层次融合多尺度预测的交通标志牌识别方法

Publications (2)

Publication Number Publication Date
CN110414417A true CN110414417A (zh) 2019-11-05
CN110414417B CN110414417B (zh) 2022-08-12

Family

ID=68363247

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910677341.5A Active CN110414417B (zh) 2019-07-25 2019-07-25 一种基于多层次融合多尺度预测的交通标志牌识别方法

Country Status (1)

Country Link
CN (1) CN110414417B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111239684A (zh) * 2020-01-17 2020-06-05 中航华东光电（上海）有限公司 一种基于YoloV3深度学习的双目快速距离测量方法
CN111461039A (zh) * 2020-04-07 2020-07-28 电子科技大学 基于多尺度特征融合的地标识别方法
CN111950583A (zh) * 2020-06-05 2020-11-17 杭州电子科技大学 一种基于gmm聚类的多尺度识别交通信号标志的方法
CN112149550A (zh) * 2020-09-21 2020-12-29 华南理工大学 一种基于多传感器融合的自动驾驶车辆3d目标检测方法
CN112419263A (zh) * 2020-11-20 2021-02-26 上海电力大学 一种基于类间覆盖比的多类别非极大抑制方法及系统
CN112613564A (zh) * 2020-12-25 2021-04-06 桂林汉璟智能仪器有限公司 一种剔除重叠框的目标检测后处理方法
CN112966631A (zh) * 2021-03-19 2021-06-15 浪潮云信息技术股份公司 一种无限制安防场景下的车牌检测识别系统及其方法
CN113255693A (zh) * 2021-05-19 2021-08-13 西华大学 基于成像元数据辅助的无人机多尺度检测识别方法
CN114495061A (zh) * 2022-01-25 2022-05-13 青岛海信网络科技股份有限公司 一种道路交通标志牌识别方法及装置
CN114550137A (zh) * 2022-02-22 2022-05-27 智道网联科技(北京)有限公司 识别交通标志牌的方法、装置和电子设备
CN114973207A (zh) * 2022-08-01 2022-08-30 成都航空职业技术学院 一种基于目标检测的路标识别方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017134519A1 (en) * 2016-02-01 2017-08-10 See-Out Pty Ltd. Image classification and labeling
CN108510012A (zh) * 2018-05-04 2018-09-07 四川大学 一种基于多尺度特征图的目标快速检测方法
CN108710826A (zh) * 2018-04-13 2018-10-26 燕山大学 一种交通标志深度学习模式识别方法
CN108764228A (zh) * 2018-05-28 2018-11-06 嘉兴善索智能科技有限公司 一种图像中文字目标检测方法
CN108960198A (zh) * 2018-07-28 2018-12-07 天津大学 一种基于残差ssd模型的交通标志检测与识别方法
CN109522966A (zh) * 2018-11-28 2019-03-26 中山大学 一种基于密集连接卷积神经网络的目标检测方法
GB201906027D0 (en) * 2019-04-30 2019-06-12 Facesoft Ltd Facial localisation in images
CN109902697A (zh) * 2017-12-07 2019-06-18 展讯通信(天津)有限公司 多目标检测方法、装置及移动终端
CN109934241A (zh) * 2019-03-28 2019-06-25 南开大学 可集成到神经网络架构中的图像多尺度信息提取方法及应用

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017134519A1 (en) * 2016-02-01 2017-08-10 See-Out Pty Ltd. Image classification and labeling
CN109902697A (zh) * 2017-12-07 2019-06-18 展讯通信(天津)有限公司 多目标检测方法、装置及移动终端
CN108710826A (zh) * 2018-04-13 2018-10-26 燕山大学 一种交通标志深度学习模式识别方法
CN108510012A (zh) * 2018-05-04 2018-09-07 四川大学 一种基于多尺度特征图的目标快速检测方法
CN108764228A (zh) * 2018-05-28 2018-11-06 嘉兴善索智能科技有限公司 一种图像中文字目标检测方法
CN108960198A (zh) * 2018-07-28 2018-12-07 天津大学 一种基于残差ssd模型的交通标志检测与识别方法
CN109522966A (zh) * 2018-11-28 2019-03-26 中山大学 一种基于密集连接卷积神经网络的目标检测方法
CN109934241A (zh) * 2019-03-28 2019-06-25 南开大学 可集成到神经网络架构中的图像多尺度信息提取方法及应用
GB201906027D0 (en) * 2019-04-30 2019-06-12 Facesoft Ltd Facial localisation in images

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HUAXIN XIAO等: "Deep Salient Object Detection With Dense Connections and Distraction Diagnosis", 《IEEE TRANSACTIONS ON MULTIMEDIA》, vol. 20, no. 12, 26 April 2018 (2018-04-26), pages 3239 - 3251, XP011704767, DOI: 10.1109/TMM.2018.2830098 *
TSUNG-YI LIN等: "Feature Pyramid Networks for Object Detection", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》, 9 November 2017 (2017-11-09), pages 936 - 944 *
XUE YANG等: "Automatic Ship Detection in Remote Sensing Images from Google Earth of Complex Scenes Based on Multiscale Rotation Dense Feature Pyramid Networks", 《REMOTE SENSING》, vol. 10, no. 01, 18 January 2018 (2018-01-18), pages 3 - 4 *
ZEMING LI等: "Detnet: Design backbone for object detection", 《PROCEEDINGS OF THE EUROPEAN CONFERENCE ON COMPUTER VISION (ECCV)》, 5 October 2018 (2018-10-05), pages 334 *
梁格颖等: "基于空洞卷积的语义图像分割算法研究", 《信息通信》, no. 06, 15 June 2019 (2019-06-15), pages 33 - 36 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111239684A (zh) * 2020-01-17 2020-06-05 中航华东光电（上海）有限公司 一种基于YoloV3深度学习的双目快速距离测量方法
CN111461039B (zh) * 2020-04-07 2022-03-25 电子科技大学 基于多尺度特征融合的地标识别方法
CN111461039A (zh) * 2020-04-07 2020-07-28 电子科技大学 基于多尺度特征融合的地标识别方法
CN111950583A (zh) * 2020-06-05 2020-11-17 杭州电子科技大学 一种基于gmm聚类的多尺度识别交通信号标志的方法
CN111950583B (zh) * 2020-06-05 2023-09-26 杭州电子科技大学 一种基于gmm聚类的多尺度识别交通信号标志的方法
CN112149550A (zh) * 2020-09-21 2020-12-29 华南理工大学 一种基于多传感器融合的自动驾驶车辆3d目标检测方法
CN112419263A (zh) * 2020-11-20 2021-02-26 上海电力大学 一种基于类间覆盖比的多类别非极大抑制方法及系统
CN112613564A (zh) * 2020-12-25 2021-04-06 桂林汉璟智能仪器有限公司 一种剔除重叠框的目标检测后处理方法
CN112966631A (zh) * 2021-03-19 2021-06-15 浪潮云信息技术股份公司 一种无限制安防场景下的车牌检测识别系统及其方法
CN113255693A (zh) * 2021-05-19 2021-08-13 西华大学 基于成像元数据辅助的无人机多尺度检测识别方法
CN114495061A (zh) * 2022-01-25 2022-05-13 青岛海信网络科技股份有限公司 一种道路交通标志牌识别方法及装置
CN114495061B (zh) * 2022-01-25 2024-04-05 青岛海信网络科技股份有限公司 一种道路交通标志牌识别方法及装置
CN114550137A (zh) * 2022-02-22 2022-05-27 智道网联科技(北京)有限公司 识别交通标志牌的方法、装置和电子设备
CN114550137B (zh) * 2022-02-22 2024-04-09 智道网联科技(北京)有限公司 识别交通标志牌的方法、装置和电子设备
CN114973207A (zh) * 2022-08-01 2022-08-30 成都航空职业技术学院 一种基于目标检测的路标识别方法
CN114973207B (zh) * 2022-08-01 2022-10-21 成都航空职业技术学院 一种基于目标检测的路标识别方法

Also Published As

Publication number Publication date
CN110414417B (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
CN110414417A (zh) 一种基于多层次融合多尺度预测的交通标志牌识别方法
WO2023077816A1 (zh) 边界优化的遥感图像语义分割方法、装置、设备及介质
WO2023056889A1 (zh) 模型训练和场景识别方法、装置、设备及介质
CN103049763B (zh) 一种基于上下文约束的目标识别方法
CN108009518A (zh) 一种基于快速二分卷积神经网络的层次化交通标识识别方法
CN109101914A (zh) 一种基于多尺度的行人检测方法和装置
CN108108761A (zh) 一种基于深度特征学习的快速交通信号灯检测方法
CN108256544A (zh) 图片分类方法和装置、机器人
CN107133622A (zh) 一种单词的分割方法和装置
CN108830196A (zh) 基于特征金字塔网络的行人检测方法
CN107392130A (zh) 基于阈值自适应和卷积神经网络的多光谱图像分类方法
CN109800629A (zh) 一种基于卷积神经网络的遥感图像目标检测方法
CN111008567A (zh) 一种驾驶员行为识别方法
CN107609485A (zh) 交通标志的识别方法、存储介质、处理设备
CN111079821A (zh) 一种脱轨自动制动拉环脱落故障图像识别方法
CN104966066A (zh) 一种面向交通卡口监控的车内人脸检测方法及系统
CN108875593A (zh) 基于卷积神经网络的可见光图像天气识别方法
CN110378243A (zh) 一种行人检测方法及装置
CN112287912A (zh) 基于深度学习的车道线检测方法以及装置
CN113255837A (zh) 工业环境下基于改进的CenterNet网络目标检测方法
CN112036455A (zh) 一种图像识别方法、智能终端和存储介质
CN114092917A (zh) 一种基于mr-ssd的被遮挡交通标志检测方法及系统
CN115546763A (zh) 基于视觉测距的交通信号灯识别网络训练方法及测试方法
CN111462090A (zh) 一种多尺度图像目标检测方法
CN114037886A (zh) 图像识别方法、装置、电子设备和可读存储介质

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