CN110472699A - 一种基于gan的电力场所有害生物运动模糊图像检测方法 - Google Patents
一种基于gan的电力场所有害生物运动模糊图像检测方法 Download PDFInfo
- Publication number
- CN110472699A CN110472699A CN201910786873.2A CN201910786873A CN110472699A CN 110472699 A CN110472699 A CN 110472699A CN 201910786873 A CN201910786873 A CN 201910786873A CN 110472699 A CN110472699 A CN 110472699A
- Authority
- CN
- China
- Prior art keywords
- picture
- electric force
- field
- detection method
- data set
- 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 34
- 230000033001 locomotion Effects 0.000 title claims abstract description 25
- 241001465754 Metazoa Species 0.000 claims abstract description 4
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 30
- 238000000034 method Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 5
- 239000008199 coating composition Substances 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000009545 invasion Effects 0.000 abstract description 7
- 241000607479 Yersinia pestis Species 0.000 abstract description 6
- 238000012360 testing method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 241000270295 Serpentes Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007634 remodeling 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于GAN的电力场所有害生物运动模糊图像检测方法，引入生成对抗网络M1，将输入图片中的运动模糊图片还原成清晰图片，利用已经标注的有害动物的样本进行训练，得到训练好的神经网络模型M2；将输入的图片先后经过M1与M2，得到检测结果。本发明能够更加精准地检测到有害生物入侵信息。
Description
技术领域
本发明涉及电力场所有害生物检测技术领域，特别是一种基于GAN的电力场所有害生物运动模糊图像检测方法。
背景技术
现有的基于机器学习的电力场所有害生物检测系统，一般都是采用“对图像进行复杂的预处理-人为设计特征-计算人工特征-机器学习”的传统的人工提取特征的方法，然而无人值守的电力场所中，由于其出现的有害生物(如：老鼠、蛇等)具有行动速度快的特点，因此，在监控录像中，其图像经常会出现运动模糊、视频散焦的问题，运用传统的图像检测方法就没办法有效的识别出有害生物的入侵，从而造成电力场所设备损坏的损失。
发明内容
有鉴于此，本发明的目的是提出一种基于GAN的电力场所有害生物运动模糊图像检测方法，能够更加精准地检测到有害生物入侵信息。
本发明采用以下方案实现：一种基于GAN的电力场所有害生物运动模糊图像检测方法，引入生成对抗网络M1，将输入图片中的运动模糊图片还原成清晰图片，利用已经标注的有害动物的样本进行训练，得到训练好的神经网络模型M2；将输入的图片先后经过M1与M2，得到检测结果。
进一步地，具体包括以下步骤：
步骤S1：收集电力场所有害生物的数据集(可以利用利用监控摄像头和imgenet数据集里的图像)，对数据集进行分类和画框标签，将数据集划分为用于训练生成对抗网络的数据集以及用于训练目标检测模型的数据集；同时分别将其划分为训练集、验证集和测试集；
步骤S2：将用于训练生成对抗网络的数据集图片输入生成器生成伪造图片；
步骤S3：将生成器生成的图片和真实的图片送入判别器判断真假，训练网络权重，得到生成对抗网络模型M1；
步骤S4：用残差网络提取图像特征；
步骤S5：RPN阶段判断是正负样本，并预测物体边框位置；
步骤S6：经过ROI Pooling将不同大小的输入转换成相同大小的输出；
步骤S7：输出候选区所属的位置和所属的类别来训练模型参数，并得到训练好的目标检测模型M2；
步骤S8：将待测图片输入训练好的生成对抗网络M1,生成清晰的图像，再将生成的图像输入训练好的目标检测模型M2，输出预测的物体类别和预测的物体位置。
进一步地，步骤S1具体为：
步骤S11：将电力场所有害生物的数据集分成用于deblurgan训练的数据集 D1和用于faster rcnn训练的数据集D2；
步骤S12：将D1数据集的图像模糊化之后加上原有D1数据集组成新的数据集 D3；
步骤S13：将数据集D3里的图片按短边等比例缩放至固定大小S，对缩小后的图片进行随机裁剪，裁剪成256*256的子图；其中S的范围为256-512之间；将D3最终用于deblurgan训练；
步骤S14：将数据集D2里面的图片标记出有害生物的位置，制作出和图片对应的label。
进一步地，步骤S2中，所述生成器由两个步长为0.5的跨步卷积块、九个残余块和两个转置卷积块构成；每个残余块由卷积层，实例标准化层和ReLU激活层组成。
进一步地，步骤S3中，所述判别器的架构采用Patchgan结构，在训练过程中，采用WGAN-GP，其中判别器的损失函数公式为：
式中，Loss是损失函数值，为生成图像的分布，x～pr为真实图像的分布；D(*)表示判别器，表示梯度；是从Pg和Pr的联合空间里采样，即：
其中，ε～Uniform[0，1]。
进一步地，步骤S4具体为，用resnet50提取数据集D2(用以训练目标检测模型的数据集)里图像的特征，得到feature maps。
进一步地，步骤S5具体包括以下步骤：
步骤S51：将步骤S3提取的图像特征经过3X3的卷积，提升特征信息；然后将特征图的每一个点生成9个anchor；
步骤S52：对每个像素的9个anchor进行二分类，判断其是正负样本；
步骤S53：通过对ground truth box与预测的anchor box之间的差异来进行学习，从而使RPN网络中的权重能够学习到预测box的能力。
进一步地，步骤S52具体包括以下步骤：
步骤S521：去除掉超过原图边界的anchor box；
步骤S522：如果anchor box与ground truth的IOU值最大，标记为正样本，并令label＝1；
步骤S523：如果anchor box与ground truth的IOU大于0.7，标记为正样本，则令label＝1；
步骤S524：如果anchor box与ground truth的IOU小于0.3，标记为负样本，label＝0；
步骤S525：不满足步骤S522至步骤S524中条件的既不是正样本，也不是负样本，不用于最终训练，令其label＝-1。
进一步地，步骤S6具体包括以下步骤：
步骤S61：根据输入的图像，将ROI映射到feature map对应的位置；
步骤S62：将映射后的区域划分为相同大小的分块；
步骤S63：对每个分块进行max pooling操作，得到相同大小的输出。
进一步地，步骤S7中，通过全连接和softmax对候选区域进行具体类别的分类，接着再次对候选区域进行边框回归，获取更高精度的预测框。
本发明将生成对抗网络(Generative Adversarial Networks，GAN)引入到电力场所有害生物入侵检测的系统之中，将运动模糊的图像进行有效的还原，再采用当前精度较高的目标检测算法faster rcnn进行识别，从而使得在无人值守的电力场所监控中，能更加精确的检测到有害生物入侵信息，从而避免严重的的损失。
与现有技术相比，本发明有以下有益效果：本发明能更好的针对电力场所有害生物运动速度快造成运动模糊的特点，能更精确的检测出电力场所的生物，减少电力场所的损失。
附图说明
图1为本发明实施例的方法流程示意图。
图2为本发明实施例的生成器结构示意图。
图3为本发明实施例的步骤S51的示意图。
图4为本发明实施例的IOU示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和 /或它们的组合。
如图1所示，本实施例提供了一种基于GAN的电力场所有害生物运动模糊图像检测方法，引入生成对抗网络M1，将输入图片中的运动模糊图片还原成清晰图片，利用已经标注的有害动物的样本进行训练，得到训练好的神经网络模型M2；将输入的图片先后经过M1与M2，得到检测结果。
在本实施例中，具体包括以下步骤：
步骤S1：收集电力场所有害生物的数据集(可以利用利用监控摄像头和 imgenet数据集里的图像)，对数据集进行分类和画框标签，将数据集划分为用于训练生成对抗网络的数据集以及用于训练目标检测模型的数据集；同时分别将其划分为训练集、验证集和测试集；
步骤S2：将用于训练生成对抗网络的数据集图片输入生成器生成伪造图片；
步骤S3：将生成器生成的图片和真实的图片送入判别器判断真假，训练网络权重，得到生成对抗网络模型M1；
步骤S4：用残差网络提取图像特征；
步骤S5：RPN阶段判断是正负样本，并预测物体边框位置；
步骤S6：经过ROI Pooling将不同大小的输入转换成相同大小的输出；
步骤S7：输出候选区所属的位置和所属的类别来训练模型参数，并得到训练好的目标检测模型M2；
步骤S8：将待测图片输入训练好的生成对抗网络M1,生成清晰的图像，再将生成的图像输入训练好的目标检测模型M2，输出预测的物体类别和预测的物体位置。
在本实施例中，步骤S1具体为：
步骤S11：将电力场所有害生物的数据集分成用于deblurgan训练的数据集 D1和用于faster rcnn训练的数据集D2；
步骤S12：将D1数据集的图像模糊化之后加上原有D1数据集组成新的数据集 D3；
步骤S13：将数据集D3里的图片按短边等比例缩放至固定大小S，对缩小后的图片进行随机裁剪，裁剪成256*256的子图；其中S的范围为256-512之间；
步骤S14：将数据集D2里面的图片标记出有害生物的位置，制作出和图片对应的label。
在本实施例中，步骤S2中，所述生成器由两个步长为0.5的跨步卷积块、九个残余块和两个转置卷积块构成；每个残余块由卷积层，实例标准化层和ReLU激活层组成。如图2所示。
在本实施例中，步骤S3中，所述判别器的架构采用Patchgan结构，，就是将图像等分成一个个Patch，分别对每个Patch判断真假，最后再取所有的Patch 的平均值；在训练过程中，采用WGAN-GP，其中判别器的损失函数公式为：
式中，Loss是损失函数值，为生成图像的分布，x～pr为真实图像的分布；D(*)表示判别器，表示梯度；是从Pg和Pr的联合空间里采样，即：
其中，ε～Uniform[0，1]。
在本实施例中，步骤S4具体为，用resnet50提取数据集D2(用以训练目标检测模型的数据集)里图像的特征，得到feature maps。
其中，resnet50的结构如下：
在本实施例中，步骤S5具体包括以下步骤：
步骤S51：将步骤S3提取的图像特征经过3X3的卷积，提升特征信息；然后将特征图的每一个点生成9个anchor；长比为分别为1:2，1:1，2:1。大小为128x128、256x256和512x512。如图3所示。
步骤S52：对每个像素的9个anchor进行二分类，判断其是正负样本；
步骤S53：通过对ground truth box与预测的anchor box之间的差异来进行学习，从而使RPN网络中的权重能够学习到预测box的能力。
其中，这之间的差异就是偏移量，偏移量的计算公式如下：
Δx＝(x*-x_a)/w_a Δy＝(y*-y_a)/h_a；
Δw＝log(w*/w_a) Δh＝log(h*/h_a)；
式中，x*，y*为ground truth的中心位置坐标，w*，h*为ground truth的宽高；x_a，y_a为anchor box的中心位置坐标，w_a，h_a为anchor box的宽高。
在本实施例中，步骤S52具体包括以下步骤：
步骤S521：去除掉超过原图边界的anchor box；
步骤S522：如果anchor box与ground truth的IOU值最大，标记为正样本，并令label＝1；
步骤S523：如果anchor box与ground truth的IOU大于0.7，标记为正样本，则令label＝1；
步骤S524：如果anchor box与ground truth的IOU小于0.3，标记为负样本，label＝0；
步骤S525：不满足步骤S522至步骤S524中条件的既不是正样本，也不是负样本，不用于最终训练，令其label＝-1。
其中，IOU为两个框的重叠度，如图4所示。矩形框A、B的一个重合度IOU 的计算方式为：
IOU＝(A∩B)/(A∪B)
就是矩形框A、B重合的面积占A、B并集的比例
IOU＝s/(sA+sB-s)。
在本实施例中，步骤S6具体包括以下步骤：
步骤S61：根据输入的图像，将ROI映射到feature map对应的位置；
步骤S62：将映射后的区域划分为相同大小的分块(分块数量与输出的维度相同)；
步骤S63：对每个分块进行max pooling操作，得到相同大小的输出。
在本实施例中，步骤S7中，通过全连接和softmax对候选区域进行具体类别的分类，接着再次对候选区域进行边框回归，获取更高精度的预测框。
其中，softmax用于多分类过程中，它将多个神经元的输出，映射到(0，1)区间内，softmax计算公式：
算是函数为交叉熵损失函数：
Loss＝-∑yilnai；
其中yi为真实值，ai为softmax求出的值。
本实施例将生成对抗网络(Generative Adversarial Networks，GAN)引入到电力场所有害生物入侵检测的系统之中，将运动模糊的图像进行有效的还原，再采用当前精度较高的目标检测算法faster rcnn进行识别，从而使得在无人值守的电力场所监控中，能更加精确的检测到有害生物入侵信息，从而避免严重的的损失。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/ 或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (9)
1.一种基于GAN的电力场所有害生物运动模糊图像检测方法，其特征在于，引入生成对抗网络M1，将输入图片中的运动模糊图片还原成清晰图片，利用已经标注的有害动物的样本进行训练，得到训练好的神经网络模型M2；将输入的图片先后经过M1与M2，得到检测结果。
2.根据权利要求1所述的一种基于GAN的电力场所有害生物运动模糊图像检测方法，其特征在于，具体包括以下步骤：
步骤S1：收集电力场所有害生物的数据集，对数据集进行分类和画框标签，将数据集划分为用于训练生成对抗网络的数据集以及用于训练目标检测模型的数据集；
步骤S2：将用于训练生成对抗网络的数据集图片输入生成器生成伪造图片；
步骤S3：将生成器生成的图片和真实的图片送入判别器判断真假，训练网络权重，得到生成对抗网络模型M1；
步骤S4：用残差网络提取图像特征；
步骤S5：RPN阶段判断是正负样本，并预测物体边框位置；
步骤S6：经过ROI Pooling将不同大小的输入转换成相同大小的输出；
步骤S7：输出候选区所属的位置和所属的类别来训练模型参数，并得到训练好的目标检测模型M2；
步骤S8：将待测图片输入训练好的生成对抗网络M1,生成清晰的图像，再将生成的图像输入训练好的目标检测模型M2，输出预测的物体类别和预测的物体位置。
3.根据权利要求2所述的一种基于GAN的电力场所有害生物运动模糊图像检测方法，其特征在于，步骤S2中，所述生成器由两个步长为0.5的跨步卷积块、九个残余块和两个转置卷积块构成；每个残余块由卷积层，实例标准化层和ReLU激活层组成。
4.根据权利要求2所述的一种基于GAN的电力场所有害生物运动模糊图像检测方法，其特征在于，步骤S3中，所述判别器的架构采用Patchgan结构，在训练过程中，采用WGAN-GP，其中判别器的损失函数公式为：
式中，Loss是损失函数值，为生成图像的分布，x～pr为真实图像的分布；D(*)表示判别器，▽表示梯度；是从Pg和Pr的联合空间里采样，即：
其中，ε～Uniform[0，1]。
5.根据权利要求2所述的一种基于GAN的电力场所有害生物运动模糊图像检测方法，其特征在于，步骤S4具体为，用resnet50提取用于训练目标检测模型的数据集里图像的特征，得到feature maps。
6.根据权利要求2所述的一种基于GAN的电力场所有害生物运动模糊图像检测方法，其特征在于，步骤S5具体包括以下步骤：
步骤S51：将步骤S3提取的图像特征经过3X3的卷积，提升特征信息；然后将特征图的每一个点生成9个anchor；
步骤S52：对每个像素的9个anchor进行二分类，判断其是正负样本；
步骤S53：通过对ground truth box与预测的anchor box之间的差异来进行学习，从而使RPN网络中的权重能够学习到预测box的能力。
7.根据权利要求7所述的一种基于GAN的电力场所有害生物运动模糊图像检测方法，其特征在于，步骤S52具体包括以下步骤：
步骤S521：去除掉超过原图边界的anchor box；
步骤S522：如果anchor box与ground truth的IOU值最大，标记为正样本，并令label＝1；
步骤S523：如果anchor box与ground truth的IOU大于0.7，标记为正样本，则令label＝1；
步骤S524：如果anchor box与ground truth的IOU小于0.3，标记为负样本，label＝0；
步骤S525：不满足步骤S522至步骤S524中条件的既不是正样本，也不是负样本，不用于最终训练，令其label＝-1。
8.根据权利要求2所述的一种基于GAN的电力场所有害生物运动模糊图像检测方法，其特征在于，步骤S6具体包括以下步骤：
步骤S61：根据输入的图像，将ROI映射到feature map对应的位置；
步骤S62：将映射后的区域划分为相同大小的分块；
步骤S63：对每个分块进行max pooling操作，得到相同大小的输出。
9.根据权利要求2所述的一种基于GAN的电力场所有害生物运动模糊图像检测方法，其特征在于，步骤S7中，通过全连接和softmax对候选区域进行具体类别的分类，接着再次对候选区域进行边框回归，获取更高精度的预测框。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910786873.2A CN110472699A (zh) | 2019-08-24 | 2019-08-24 | 一种基于gan的电力场所有害生物运动模糊图像检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910786873.2A CN110472699A (zh) | 2019-08-24 | 2019-08-24 | 一种基于gan的电力场所有害生物运动模糊图像检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110472699A true CN110472699A (zh) | 2019-11-19 |
Family
ID=68512754
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910786873.2A Pending CN110472699A (zh) | 2019-08-24 | 2019-08-24 | 一种基于gan的电力场所有害生物运动模糊图像检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110472699A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183560A (zh) * | 2020-10-27 | 2021-01-05 | 维沃移动通信有限公司 | 图像识别方法及装置 |
| CN112329579A (zh) * | 2020-10-28 | 2021-02-05 | 厦门大学 | 基于acgan-gp的小样本无线设备rf指纹识别方法及装置 |
| CN112419171A (zh) * | 2020-10-28 | 2021-02-26 | 云南电网有限责任公司昆明供电局 | 一种多残差块条件生成对抗网络的图像复原方法 |
| CN116485796A (zh) * | 2023-06-19 | 2023-07-25 | 闽都创新实验室 | 害虫检测方法、装置、电子设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108334848A (zh) * | 2018-02-06 | 2018-07-27 | 哈尔滨工业大学 | 一种基于生成对抗网络的微小人脸识别方法 |
| CN108564109A (zh) * | 2018-03-21 | 2018-09-21 | 天津大学 | 一种基于深度学习的遥感图像目标检测方法 |
| CN108734694A (zh) * | 2018-04-09 | 2018-11-02 | 华南农业大学 | 基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法 |
| CN109523476A (zh) * | 2018-11-02 | 2019-03-26 | 武汉烽火众智数字技术有限责任公司 | 用于视频侦查的车牌去运动模糊方法 |
| CN109543753A (zh) * | 2018-11-23 | 2019-03-29 | 中山大学 | 基于自适应模糊修复机制的车牌识别方法 |
| CN109857879A (zh) * | 2018-12-20 | 2019-06-07 | 杭州英歌智达科技有限公司 | 一种基于gan的人脸检索方法 |
-
2019
- 2019-08-24 CN CN201910786873.2A patent/CN110472699A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108334848A (zh) * | 2018-02-06 | 2018-07-27 | 哈尔滨工业大学 | 一种基于生成对抗网络的微小人脸识别方法 |
| CN108564109A (zh) * | 2018-03-21 | 2018-09-21 | 天津大学 | 一种基于深度学习的遥感图像目标检测方法 |
| CN108734694A (zh) * | 2018-04-09 | 2018-11-02 | 华南农业大学 | 基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法 |
| CN109523476A (zh) * | 2018-11-02 | 2019-03-26 | 武汉烽火众智数字技术有限责任公司 | 用于视频侦查的车牌去运动模糊方法 |
| CN109543753A (zh) * | 2018-11-23 | 2019-03-29 | 中山大学 | 基于自适应模糊修复机制的车牌识别方法 |
| CN109857879A (zh) * | 2018-12-20 | 2019-06-07 | 杭州英歌智达科技有限公司 | 一种基于gan的人脸检索方法 |
Non-Patent Citations (2)
| Title |
|---|
| SHAOQING REN; KAIMING HE; ROSS GIRSHICK; JIAN SUN: "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
| 翟俊伟: "基于图像处理的可可西里藏羚羊检测方法", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183560A (zh) * | 2020-10-27 | 2021-01-05 | 维沃移动通信有限公司 | 图像识别方法及装置 |
| CN112329579A (zh) * | 2020-10-28 | 2021-02-05 | 厦门大学 | 基于acgan-gp的小样本无线设备rf指纹识别方法及装置 |
| CN112419171A (zh) * | 2020-10-28 | 2021-02-26 | 云南电网有限责任公司昆明供电局 | 一种多残差块条件生成对抗网络的图像复原方法 |
| CN116485796A (zh) * | 2023-06-19 | 2023-07-25 | 闽都创新实验室 | 害虫检测方法、装置、电子设备及存储介质 |
| CN116485796B (zh) * | 2023-06-19 | 2023-09-08 | 闽都创新实验室 | 害虫检测方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109543606B (zh) | 一种加入注意力机制的人脸识别方法 | |
| CN110472699A (zh) | 一种基于gan的电力场所有害生物运动模糊图像检测方法 | |
| CN109800631B (zh) | 基于掩膜区域卷积神经网络的荧光编码微球图像检测方法 | |
| CN109615611A (zh) | 一种基于巡检影像的绝缘子自爆缺陷检测方法 | |
| CN108710913A (zh) | 一种基于深度学习的开关柜图像开关状态自动识别方法 | |
| CN110287805A (zh) | 基于三流卷积神经网络的微表情识别方法及系统 | |
| CN108334847A (zh) | 一种真实场景下的基于深度学习的人脸识别方法 | |
| CN110084165A (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
| CN113435282B (zh) | 基于深度学习的无人机影像麦穗识别方法 | |
| CN114241422A (zh) | 一种基于ESRGAN和改进YOLOv5s的学生课堂行为检测方法 | |
| CN109902576B (zh) | 一种头肩图像分类器的训练方法及应用 | |
| CN109145841A (zh) | 一种基于视频监控的异常事件的检测方法及装置 | |
| CN111242144A (zh) | 电网设备异常的检测方法和装置 | |
| EP3859304B1 (en) | Method for generating data for particle analysis, program for generating data for particle analysis, and device for generating data for particle analysis | |
| CN110458940A (zh) | 动作捕捉的处理方法和处理装置 | |
| CN111985488B (zh) | 一种基于离线高斯模型的目标检测分割方法及系统 | |
| Guan et al. | Multi-scale object detection with feature fusion and region objectness network | |
| CN109635755A (zh) | 人脸提取方法、装置及存储介质 | |
| CN111339934A (zh) | 一种融合图像预处理与深度学习目标检测的人头检测方法 | |
| CN108229281A (zh) | 神经网络的生成方法和人脸检测方法、装置及电子设备 | |
| Guan et al. | EARL: an elliptical distribution aided adaptive rotation label assignment for oriented object detection in remote sensing images | |
| Zhang et al. | PKU-GoodsAD: A supermarket goods dataset for unsupervised anomaly detection and segmentation | |
| CN117437691A (zh) | 一种基于轻量化网络的实时多人异常行为识别方法及系统 | |
| CN110399868A (zh) | 一种滨海湿地鸟类检测方法 | |
| Xu et al. | A deep neural network-based intelligent detection model for manufacturing defects of automobile parts |
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: 20191119 |