CN110569887B - 基于预测层特征增强的目标检测方法、存储介质及设备 - Google Patents

基于预测层特征增强的目标检测方法、存储介质及设备 Download PDF

Info

Publication number
CN110569887B
CN110569887B CN201910770649.4A CN201910770649A CN110569887B CN 110569887 B CN110569887 B CN 110569887B CN 201910770649 A CN201910770649 A CN 201910770649A CN 110569887 B CN110569887 B CN 110569887B
Authority
CN
China
Prior art keywords
feature
prediction
layer
regression
layers
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
Application number
CN201910770649.4A
Other languages
English (en)
Other versions
CN110569887A (zh
Inventor
毛亮
薛艺璇
刘三阳
朱婷婷
王祥雪
谭焕新
侯玉清
刘双广
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.)
Xidian University
Gosuncn Technology Group Co Ltd
Original Assignee
Xidian University
Gosuncn Technology Group 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 Xidian University, Gosuncn Technology Group Co Ltd filed Critical Xidian University
Priority to CN201910770649.4A priority Critical patent/CN110569887B/zh
Publication of CN110569887A publication Critical patent/CN110569887A/zh
Application granted granted Critical
Publication of CN110569887B publication Critical patent/CN110569887B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于预测层特征增强的目标检测方法、存储介质及设备，所述方法包括以下步骤：S1、获取需要进行检测的目标图像；S2、通过主干网络提取所述目标图像的特征，得到多个不同尺度的第一预测特征层；S3、将多个不同尺度的所述第一预测特征层进行融合，得到第二预测特征层；S4、构建不同尺寸的锚点框，并将所述第二预测特征层进行第一步锚点框粗略筛选和回归；S5、将所述第二预测特征层进行第二步锚点框精细筛选和回归；S6、输出所述目标图像的检测结果。根据本发明实施例的方法，能够在不增加网络参数的条件下充分发挥网络各特征层的作用的效果，实现对已有网络特征的充分利用。

Description

基于预测层特征增强的目标检测方法、存储介质及设备
技术领域
本发明涉及计算机视觉及目标检测领域，更具体地，涉及一种基于预测层特征增强的目标检测方法、计算机存储介质及电子设备。
背景技术
目标检测是指从一张图像中找出预定检测类别的所有实例，并给出每个实例的空间位置，它是计算机视觉领域基础任务之一，广泛应用于人工智能和信息技术领域，包括机器人视觉，安防，自动驾驶，增强现实等。随着深度学习的发展，目标检测技术依靠卷积神经网络高速发展。目前，其主要技术方案分为两类，一类是两步检测法，采用先选择候选区域，然后对其进行分类的技术路线，例如RCNN、Fast RCNN、Faster RCNN、Mask RCNN等，该类技术方案有较好的检测精度，但检测速度较慢，难以达到实时检测的效果。第二类是一步检测法，它去除候选区域选择部分，将定位和分类任务作为回归问题处理，例如YOLO、SSD、DSSD、DSOD等，优点是检测速度快，可以实现端到端的训练和检测，但在检测精度上略有下降。
现有RefineDet算法由两步检测法获得灵感，在一步检测技术基础上增加了锚点框的两步筛选策略和多尺度特征融合模块，检测精度得到提升，但仍存在网络利用不充分和锚点框预测层特征提取不够的问题。
发明内容
有鉴于此，本发明提供一种基于预测层特征增强的目标检测方法、计算机存储介质及电子设备，在不大幅增加模型大小和检测速度的前提下能够有效提升模型检测性能。
为解决上述技术问题，一方面，本发明提供一种基于预测层特征增强的目标检测方法，所述方法包括以下步骤：S1、获取需要进行检测的目标图像；S2、通过主干网络提取所述目标图像的特征，得到多个不同尺度的第一预测特征层；S3、将多个不同尺度的所述第一预测特征层进行融合，得到第二预测特征层；S4、构建不同尺寸的锚点框，并将所述第二预测特征层进行第一步锚点框粗略筛选和回归；S5、将所述第二预测特征层进行第二步锚点框精细筛选和回归；S6、输出所述目标图像的检测结果。
根据本发明实施例的基于预测层特征增强的目标检测方法，利用模型中已有的融合后特征进行锚点框的第一步粗略筛选和回归，通过充分利用已有结构使锚点框第一步筛选和回归更加准确，为第二步回归提供更好的基础，达到在不增加网络参数的条件下充分发挥网络各特征层的作用的效果，实现对已有网络特征的充分利用。
根据本发明的一些实施例，在步骤S2中，以主干网络中不同尺度的特征层，得到多个不同尺度的所述第一预测特征层。
根据本发明的一些实施例，所述第一预测特征层为四个。
根据本发明的一些实施例，所述方法还包括：在每个所述第二预测特征层上分别增加SE-ResBlock进行特征增强。
根据本发明的一些实施例，在步骤S3得到所述第二预测特征层后，在每个所述第二预测特征层上增加所述SE-ResBlock进行特征增强。
根据本发明的一些实施例，在步骤S4将所述第二预测特征层进行第一步锚点框粗略筛选和回归后，在每个所述第二预测特征层上增加所述SE-ResBlock进行特征增强。
根据本发明的一些实施例，在步骤S5中，所述精细筛选为对目标类别的分类。
第二方面，本发明实施例提供一种计算机存储介质，包括一条或多条计算机指令，所述一条或多条计算机指令在执行时实现如上述实施例所述的方法。
根据本发明第三方面实施例的电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令；所述处理器用于调用并执行所述一条或多条计算机指令，从而实现如上述任一实施例所述的方法。
附图说明
图1为本发明实施例的基于预测层特征增强的目标检测方法中RefineDet算法的整体结构图；
图2为本发明实施例的基于预测层特征增强的目标检测方法的流程图；
图3为本发明实施例的基于预测层特征增强的目标检测方法中SE-ResBlock的结构图；
图4为本发明实施例的基于预测层特征增强的目标检测方法的技术路线图；
图5为本发明实施例的电子设备的示意图。
附图标记：
电子设备300；
存储器310；操作系统311；应用程序312；
处理器320；网络接口330；输入设备340；硬盘350；显示设备360。
具体实施方式
下面将结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
下面首先结合附图具体描述根据本发明实施例的基于预测层特征增强的目标检测方法。
如图1和图2所示，根据本发明实施例的基于预测层特征增强的目标检测方法包括以下步骤：
S1、获取需要进行检测的目标图像。
S2、通过主干网络提取所述目标图像的特征，得到多个不同尺度的第一预测特征层。
S3、将多个不同尺度的所述第一预测特征层进行融合，得到第二预测特征层。
S4、构建不同尺寸的锚点框，并将所述第二预测特征层进行第一步锚点框粗略筛选和回归。
S5、将所述第二预测特征层进行第二步锚点框精细筛选和回归。
S6、输出所述目标图像的检测结果。
需要说明的是，根据本发明实施例的基于预测层特征增强的目标检测方法，以RefineDet算法结构为基础，通过增加网络利用效率和增强锚点框预测层特征对其进行优化改进。其中，RefineDet算法的整体结构如图1所示，根据本发明实施例的基于预测层特征增强的目标检测方法如图2所示。
由此，根据本发明实施例的基于预测层特征增强的目标检测方法，利用模型中已有的融合后特征进行锚点框的第一步粗略筛选和回归，通过充分利用已有结构使锚点框第一步筛选和回归更加准确，为第二步回归提供更好的基础，达到在不增加网络参数的条件下充分发挥网络各特征层的作用的效果，实现对已有网络特征的充分利用。
根据本发明的一个实施例，在步骤S2中，以主干网络中不同尺度的特征层，得到多个不同尺度的所述第一预测特征层。优选地，所述第一预测特征层为四个。
具体地，根据本发明实施例的基于预测层特征增强的目标检测方法在运行时，RefineDet算法先获取需要检测的目标图像，然后通过主干网络提取图片特征，以主干网络中不同尺度的特征层作为由粗到细锚点框回归策略的第一步的第一预测特征层，即图1中的ARM(Anchor Refinement Moudle)；为使第二步第二预测特征层同时具有丰富的语义信息和位置信息，其对四个不同尺度的第一预测特征层进行融合，即图1中的TCB(TransferConnection Block)，使得RefineDet算法精度有一定提升。
由此，通过上述方法，使得根据本发明实施例的基于预测层特征增强的目标检测方法提出可直接用融合后的第二预测特征层参与第一步的锚点框粗略筛选和回归，达到在不增加网络参数的条件下充分发挥网络各特征层的作用的效果，加强对已有网络特征的充分利用。
在本发明的一些具体实施方式中，根据本发明实施例的基于预测层特征增强的目标检测方法还包括如下步骤：在每个所述第二预测特征层上分别增加SE-ResBlock进行特征增强。
其中，上述步骤可以是在步骤S3得到所述第二预测特征层后，在每个所述第二预测特征层上增加所述SE-ResBlock进行特征增强。也可以是在步骤S4将所述第二预测特征层进行第一步锚点框粗略筛选和回归后，在每个所述第二预测特征层上增加所述SE-ResBlock进行特征增强。
优选地，在步骤S5中，所述精细筛选为对目标类别的分类。
也就是说，根据本发明实施例的基于预测层特征增强的目标检测方法中，锚点框的第二步回归是一次精细回归，为使其有更精准更丰富的特征用于预测，该方法在融合后的四个特征层上都增加了SE-ResBlock(Squeeze and Excitation Resblock)。SE-ResBlock在原ResBlock结构的内部增加了通道维度上的注意力机制，其结构如图3所示，设计来源于SENet。该结构可以对融合后的特征进行更精确的加工，使其具有更好的可分性，更加有利于锚点框的第二步针对目标类别分类的精细筛选和回归。
其中，在每个所述第二预测特征层上分别增加SE-ResBlock进行特征增强的操作，可以是在步骤S3之后直接进行，也可以是在步骤S3经过步骤S4之后进行，只要满足在锚点框的第二步回归操作之间完成即可。
由此，通过在融合后的每个第二预测特征层后增加SE-ResBlock，使预测层特征表达更加精准，有更好的可分性。
其中需要说明的是，目前最常用的RefineDet算法也是基于训练神经网络来实现目标检测的。但该方法并未完全发挥网络已有特征的作用，网络结构利用不充分；第二步锚点框预测层特征表达能力不够。针对上述不足，根据本发明实施例的基于预测层特征增强的目标检测方法，改用特征融合后的四个特征层进行锚点框的第一步回归和筛选，这些特征层并非通过额外增加的结构生成，而是原模型自身就有的结构，本发明通过充分利用已有特征层，提升了锚点框第一步回归和筛选效果。此外本发明在参与第二步锚点框回归的每个预测特征层后增加SE-ResBlock，提升预测特征的可分辨性，加强特征表达能力，最后实现检测性能的提升。
另外，根据本发明实施例的基于预测层特征增强的目标检测方法的技术路线如图4所示，本发明用大量标注好的图片训练基于预测层特征增强的目标检测神经网络模型，用训练得到的最终模型检测目标类别和位置信息。
训练前先对训练数据进行预处理，这种预处理包括对图像的随机裁剪、翻转、缩放以及像素的扭曲，这样的处理除增加训练数据量外，可以增加数据的随机性，有利于得到更加稳定的模型。
训练时，主干网络参数初始化直接用ImageNet已经训练好的相应模型参数，除主干网络外其他参数均以Xavier的方式初始化。训练采用由锚点框两次筛选时的边界框回归和物体分类所组成的损失函数，以随机梯度下降算法计算损失梯度，并使用反向传播算法对整个网络的所有参数进行微调，实现对网络的训练。
最后将图片输入到训练好的模型中进行目标检测，即可获得检测结果。
总而言之，根据本发明实施例的基于预测层特征增强的目标检测方法，从增加网络利用效率和增强锚点框预测层特征的角度出发，利用模型中已有的融合后特征进行锚点框的第一步粗略筛选和回归，通过充分利用已有结构使锚点框第一步筛选和回归更加准确，为第二步回归提供更好的基础，达到在不增加网络参数的条件下充分发挥网络各特征层的作用的效果，实现对已有网络特征的充分利用。
此外，本发明还提供一种计算机存储介质，所述计算机存储介质包括一条或多条计算机指令，所述一条或多条计算机指令在执行时实现上述任一所述的基于预测层特征增强的目标检测方法。
也就是说，所述计算机存储介质存储有计算机程序，所述计算机程序被处理器运行时，使得所述处理器执行上述任一所述的基于预测层特征增强的目标检测方法。
如图5所示，本发明实施例提供了一种电子设备300，包括存储器310和处理器320，所述存储器310用于存储一条或多条计算机指令，所述处理器320用于调用并执行所述一条或多条计算机指令，从而实现上述任一所述的方法。
也就是说，电子设备300包括：处理器320和存储器310，在所述存储器310中存储有计算机程序指令，其中，在所述计算机程序指令被所述处理器运行时，使得所述处理器320执行上述任一所述的方法。
进一步地，如图5所示，电子设备300还包括网络接口330、输入设备340、硬盘350、和显示设备360。
上述各个接口和设备之间可以通过总线架构互连。总线架构可以是可以包括任意数量的互联的总线和桥。具体由处理器320代表的一个或者多个中央处理器(CPU)，以及由存储器310代表的一个或者多个存储器的各种电路连接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其它电路连接在一起。可以理解，总线架构用于实现这些组件之间的连接通信。总线架构除包括数据总线之外，还包括电源总线、控制总线和状态信号总线，这些都是本领域所公知的，因此本文不再对其进行详细描述。
所述网络接口330，可以连接至网络(如因特网、局域网等)，从网络中获取相关数据，并可以保存在硬盘350中。
所述输入设备340，可以接收操作人员输入的各种指令，并发送给处理器320以供执行。所述输入设备340可以包括键盘或者点击设备(例如，鼠标，轨迹球(trackball)、触感板或者触摸屏等。
所述显示设备360，可以将处理器320执行指令获得的结果进行显示。
所述存储器310，用于存储操作系统运行所必须的程序和数据，以及处理器320计算过程中的中间结果等数据。
可以理解，本发明实施例中的存储器310可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或闪存。易失性存储器可以是随机存取存储器(RAM)，其用作外部高速缓存。本文描述的装置和方法的存储器310旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中，存储器310存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集：操作系统311和应用程序312。
其中，操作系统311，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序312，包含各种应用程序，例如浏览器(Browser)等，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序312中。
本发明上述实施例揭示的方法可以应用于处理器320中，或者由处理器320实现。处理器320可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器320中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器320可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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，可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器310，处理器320读取存储器310中的信息，结合其硬件完成上述方法的步骤。
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(ASIC)、数字信号处理器DSP)、数字信号处理设备(DSPD)、可编程逻辑设备(PLD)、现场可编程门阵列(FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现，可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
具体地，处理器320还用于读取所述计算机程序，执行上述任一所述的方法。
在本申请所提供的几个实施例中，应该理解到，所揭露方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理包括，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述收发方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种基于预测层特征增强的目标检测方法，其特征在于，包括以下步骤：
S1、获取需要进行检测的目标图像；
S2、通过主干网络提取所述目标图像的特征，得到多个不同尺度的第一预测特征层；
S3、将多个不同尺度的所述第一预测特征层进行融合，得到第二预测特征层；
S4、构建不同尺寸的锚点框，并将所述第二预测特征层进行第一步锚点框粗略筛选和回归；
S5、将所述第二预测特征层进行第二步锚点框精细筛选和回归；
S6、输出所述目标图像的检测结果；
在步骤S2中，以主干网络中不同尺度的特征层，得到多个不同尺度的所述第一预测特征层。
2.根据权利要求1所述的方法，其特征在于，所述第一预测特征层为四个。
3.根据权利要求1所述的方法，其特征在于，还包括：
在每个所述第二预测特征层上分别增加SE-ResBlock进行特征增强。
4.根据权利要求3所述的方法，其特征在于，在步骤S3得到所述第二预测特征层后，在每个所述第二预测特征层上增加所述SE-ResBlock进行特征增强。
5.根据权利要求3所述的方法，其特征在于，在步骤S4将所述第二预测特征层进行第一步锚点框粗略筛选和回归后，在每个所述第二预测特征层上增加所述SE-ResBlock进行特征增强。
6.根据权利要求1所述的方法，其特征在于，在步骤S5中，所述精细筛选为对目标类别的分类。
7.一种计算机存储介质，其特征在于，包括一条或多条计算机指令，所述一条或多条计算机指令在执行时实现如权利要求1-6中任一项所述的方法。
8.一种电子设备，包括存储器和处理器，其特征在于，
所述存储器用于存储一条或多条计算机指令；
所述处理器用于调用并执行所述一条或多条计算机指令，从而实现如权利要求1-6中任一项所述的方法。
CN201910770649.4A 2019-08-20 2019-08-20 基于预测层特征增强的目标检测方法、存储介质及设备 Active CN110569887B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910770649.4A CN110569887B (zh) 2019-08-20 2019-08-20 基于预测层特征增强的目标检测方法、存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910770649.4A CN110569887B (zh) 2019-08-20 2019-08-20 基于预测层特征增强的目标检测方法、存储介质及设备

Publications (2)

Publication Number Publication Date
CN110569887A CN110569887A (zh) 2019-12-13
CN110569887B true CN110569887B (zh) 2022-07-29

Family

ID=68774122

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910770649.4A Active CN110569887B (zh) 2019-08-20 2019-08-20 基于预测层特征增强的目标检测方法、存储介质及设备

Country Status (1)

Country Link
CN (1) CN110569887B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111209903B (zh) * 2020-04-21 2020-07-31 亮风台（上海）信息科技有限公司 一种人脸检测的方法与设备
CN111860287A (zh) * 2020-07-16 2020-10-30 Oppo广东移动通信有限公司 一种目标检测方法及装置、存储介质
CN112070715A (zh) * 2020-07-30 2020-12-11 许继集团有限公司 一种基于改进ssd模型的输电线路小尺寸金具缺陷检测方法
CN112418271A (zh) * 2020-10-28 2021-02-26 北京迈格威科技有限公司 一种目标检测方法、装置、系统及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647665A (zh) * 2018-05-18 2018-10-12 西安电子科技大学 基于深度学习的航拍车辆实时检测方法
CN109117876A (zh) * 2018-07-26 2019-01-01 成都快眼科技有限公司 一种稠密小目标检测模型构建方法、模型及检测方法
CN109858424A (zh) * 2019-01-25 2019-06-07 佳都新太科技股份有限公司 人群密度统计方法、装置、电子设备和存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647665A (zh) * 2018-05-18 2018-10-12 西安电子科技大学 基于深度学习的航拍车辆实时检测方法
CN109117876A (zh) * 2018-07-26 2019-01-01 成都快眼科技有限公司 一种稠密小目标检测模型构建方法、模型及检测方法
CN109858424A (zh) * 2019-01-25 2019-06-07 佳都新太科技股份有限公司 人群密度统计方法、装置、电子设备和存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
M2Det：A Single-Shot Object Dtetector based on Multi-Level Feature Pyramid Network;Qijie Zhao 等;《ResearchGate》;20190731;全文 *
Single-Shot Refinement Neural Network for Object Detection;Shifeng Zhang 等;《arXiv》;20180103;摘要、第1-4节 *
Squeeze-and-Excitation Networks;Jie Hu等;《arXiv》;20190516;全文 *
复杂场景下基于R-FCN的小人脸检测研究;李静 等;《计算机工程与应用》;20190124;摘要、第1-4节 *

Also Published As

Publication number Publication date
CN110569887A (zh) 2019-12-13

Similar Documents

Publication Publication Date Title
CN110569887B (zh) 基于预测层特征增强的目标检测方法、存储介质及设备
US11341366B2 (en) Cross-modality processing method and apparatus, and computer storage medium
US11062123B2 (en) Method, terminal, and storage medium for tracking facial critical area
US20230196065A1 (en) Methods and devices for programming a state machine engine
US9934034B2 (en) Instruction insertion in state machine engines
US10929154B2 (en) Overflow detection and correction in state machine engines
CN116049397B (zh) 基于多模态融合的敏感信息发现并自动分类分级方法
CN111783514A (zh) 面部解析方法、装置及计算机可读存储介质
CN110543879A (zh) 基于se模块的ssd目标检测方法及计算机存储介质
Qi et al. A DNN-based object detection system on mobile cloud computing
WO2024159819A1 (zh) 训练方法、版面分析、质量评估方法、装置、设备和介质
Zhang et al. DSP-based traffic target detection for intelligent transportation
CN113191355A (zh) 文本图像合成方法、装置、设备及存储介质
CN110991421B (zh) 卡口抓拍图像车辆检测方法、计算机存储介质及电子设备
US20230027813A1 (en) Object detecting method, electronic device and storage medium
CN116383381A (zh) 一种虚假新闻检测方法、装置和电子设备
CN116189109A (zh) 模型训练方法、道路事件检测方法、装置及相关设备
CN115984302A (zh) 基于稀疏混合专家网络预训练的多模态遥感图像处理方法
Hui et al. Characterizing and accelerating end-to-end EdgeAI inference systems for object detection applications
CN114529965A (zh) 人物图像聚类方法、装置、计算机设备及存储介质
CN104025026A (zh) 访问用于配置空间的配置和状态寄存器
JP2022041800A (ja) 多言語文埋め込みのためのシステム及び方法
CN112329925B (zh) 模型生成方法、特征提取方法、装置及电子设备
KR102541600B1 (ko) 실물 객체 인식 기반 상담 서비스 제공 장치 및 방법
CN118643342A (zh) 样本对生成、大模型的训练、图像检索方法及装置、设备和介质

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