CN110689118A - 一种基于YOLO V3-tiny改进的目标检测方法 - Google Patents
一种基于YOLO V3-tiny改进的目标检测方法 Download PDFInfo
- Publication number
- CN110689118A CN110689118A CN201910933038.7A CN201910933038A CN110689118A CN 110689118 A CN110689118 A CN 110689118A CN 201910933038 A CN201910933038 A CN 201910933038A CN 110689118 A CN110689118 A CN 110689118A
- Authority
- CN
- China
- Prior art keywords
- layer
- output
- size
- convolution
- convolutional
- 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 85
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000011176 pooling Methods 0.000 claims description 42
- 238000005070 sampling Methods 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims 1
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000034 method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Abstract
本发明公开了一种基于YOLO V3‑tiny改进的目标检测方法,包括以下步骤:步骤一、确认识别目标数量C和目标密集程度系数B;步骤二、计算最后一层滤波器的数量N;步骤三、采集目标检测现场的目标检测图像,构建数据集;步骤四、数据预处理;步骤五、数据标注;步骤六、搭建新的目标检测网络;步骤七、获取目标检测模型。本发明采用精简的目标检测网络YOLO V3‑tiny,保持原有特征提取层不变,检测速度快,可满足实时性要求。本发明增加小尺寸目标预测分支,提高小尺寸目标的检测精度。
Description
技术领域
本发明属于目标检测技术领域,具体涉及一种基于YOLO V3-tiny改进的目标检测方法。
背景技术
近年来,随着人工智能、深度学习技术的发展,卷积神经网络广泛应用于目标检测领域。对于卷积神经网络模型,网络层数越深,模型容量越大,检测精度就越高,但是对计算推理硬件能力要求越高。在实际应用中,需要根据实时性要求、检测目标尺寸和硬件成本等因素进行折中考虑。
YOLO V3-tiny网络是基于YOLO V3算法的一个精简目标检测网络,可以在算推理能力较低的硬件上进行实时性的目标检测。YOLO V3-tiny的特征提取层由7个卷积层和6个最大池化层组成,其中卷积层依次包括二维卷积层、批量归一化层和非线性激活函数层。YOLO V3-tiny目标检测网络虽然它有很快的检测速度,但是它只采用13*13和26*26的网格特征图来进行目标预测,导致它对小尺寸目标检测精度较低。
发明内容
为解决现有技术存在的上述问题,本发明提出一种检测效果好的基于YOLO V3-tiny改进的小尺寸目标检测方法,特别适用于在计算推理能力较弱的硬件平台上进行相对小尺寸目标检测任务
本发明至少通过如下技术方案之一实现。
一种基于YOLO V3-tiny改进的目标检测方法,包括以下步骤:
步骤一、根据要识别目标的种类个数确认识别目标数量C和根据采集目标图像中要识别目标的密集程度确定目标密集程度系数;
步骤二、计算最后一层滤波器的数量N;
步骤三、采集目标检测现场的目标检测图像,构建数据集;
步骤四、数据预处理;
步骤五、数据标注;
步骤六、搭建新的目标检测网络;
步骤七、获取目标检测模型。
进一步的,最后一层滤波器的数量为N=B*(C+5),其中5代表检测框的中心点x坐标、中心点y坐标、相对宽度、相对高度以及目标的置信度这五个量,B为目标密集程度系数,目标图像中要识别目标越密集,B越大,反之,B越小,B在自然数集合{2,3,4,5}中根据目标密集程度选择一个数值。
进一步的,步骤四的数据预处理是对第三步采集的数据进行旋转、平移、添加噪声、裁剪,以扩充数据扩充和增大数据集的数据。
进一步的,步骤五的数据标注是对第四步预处理后的数据用Labellmg软件进行标注,得到训练集、验证集和测试集。
进一步的,步骤六所述新的搭建目标检测网络具体是在深度学习框架中搭建YOLOV3-tiny模型,特征提取网络不变,在原有目标检测网络中增加一个目标预测分支,该新的目标检测网络包括卷积层模块、最大池化层模块、第一层2倍采样层、第二层2倍采样层、第一连接层和第二连接层;
所述卷积层模块包括十六层卷积层,每层卷积层的结构如下:第一层卷积层为16个大小为3*3的卷积核,步长为1,输出为416*416*16的特征图;第二层卷积层使用32个大小为3*3的卷积核,步长为1,输出为208*208*32的特征图;第三层卷积层使用64个大小为3*3的卷积核,步长为1,输出为104*104*64的特征图;第四层卷积层使用128个大小为3*3的卷积核,步长为1,输出为52*52*128的特征图;第五层卷积层使用256个大小为3*3的卷积核,步长为1,输出为26*26*256的特征图;第六层卷积层使用512个大小为3*3的卷积核,步长为1,输出为13*13*512的特征图;第七层卷积层使用1024个大小为3*3的卷积核,步长为1,输出为13*13*1024的特征图;第八层卷积层使用256个大小为1*1的卷积核,步长为1,输出为13*13*256的特征图;第九层卷积层使用512个大小为3*3的卷积核,步长为1,输出为13*13*512的特征图;第十层卷积层使用N个大小为1*1的卷积核,步长为1,输出为13*13*N的特征图,用于预测不同尺寸(大尺寸)的目标;第十一层卷积层使用128个大小为1*1的卷积核,步长为1,输出为13*13*128的特征图;第十二层卷积层使用256个大小为3*3的卷积核,步长为1,输出为26*26*256的特征图;第十三层卷积层使用N个大小为1*1的卷积核,步长为1,输出为26*26*N的特征图,用于预测不同尺寸(中等尺寸)的目标;第十四层卷积层使用128个大小为3*3的卷积核,步长为1,输出为26*26*128的特征图;第十五层卷积层使用128个大小为3*3的卷积核,步长为1,输出为52*52*128的特征图;第十六层卷积层使用N个大小为1*1的卷积核,步长为1,输出为52*52*N的特征图,用于预测不同尺寸(小尺寸)的目标;
所述最大池化层模块共有五层最大池化层,第一层最大池化层至第五层最大池化层的输出分别为208*208*16、104*104*32、52*52*64、26*26*128、13*13*256;每层最大池化层的池化窗为2*2的池化窗,步长为2;
所述第一层2倍采样层输出26*26*128的特征图;所述第二层2倍采样层输出52*52*128的特征图;
所述第一连接层输出26*26*384的特征图;所述第二连接输出26*26*256的特征图。
进一步的,新的目标检测网络结构为:第一层至第五层的卷积层后面均连接一层最大池化层,第六层卷积层至第十层卷积层依次连接,第五层卷积层后连接的最大池化层与第六层卷积层连接;所述第八层卷积层、第十一层卷积层、第一层2倍采样层连接、第一连接层、第十二层卷积层、第十三层卷积层依次连接,第五层卷积层同时与第一连接层连接;所述第四层卷积层、第二连接层、第十五层卷积层、第十六层卷积层依次连接;同时第十二层卷积层、第十四层卷积层、第二层2倍采样层、第二连接层依次连接。
进一步的,步骤七是用第五步的数据集训练新的目标检测网络,直到训练误差连续H轮并保持在一个数值时停止训练,得到带有权重的目标检测模型。
基于YOLO V3-tiny网络,通过多层卷积进行目标图像的特征提取,依次得到52*52、26*26和13*13的网格特征图,对于每个网格通过W个预锚框预测出中心点落在该网格单元中的目标的检测框和类别种类。
进一步的,13*13的网格特征图用于预测大尺寸目标,13*13和26*26的网格特征图结合用来预测中等尺寸目标,13*13、26*26和52*52的网格特征图结合用于预测小尺寸目标。
进一步的,预锚框的数量W=B,是根据目标检测图像中目标的密集程度所确定的,目标密集程度系数B越大,预锚框的数量W越多,目标越稀疏,预锚框的数量W越少。
与现有的技术相比,本发明的有益效果如下:
1、本发明采用精简的目标检测网络YOLO V3-tiny,保持原有特征提取层不变,检测速度快,可满足实时性要求。
2、本发明增加13*13、26*26和52*52的网格特征图相结合的小尺寸目标预测分支,提高小尺寸目标的检测精度。
附图说明
图1是本实施例的一种基于YOLO V3-tiny改进的目标检测方法流程图;
图2是本实施例的YOLO V3-tiny目标检测网络原始结构图;
图3是本实施例的优化后用于小尺寸目标检测的网络结构图。
具体实施方式
下面结合附图对本发明的目的、技术方案及优点进一步说明。应当理解,此处所描述的具体实施方式不仅仅用以解释本发明,并不限定本发明的保护范围。
本实施例的一种基于YOLO V3-tiny改进的目标检测方法是基于YOLO V3-tiny网络,通过多层卷积进行目标图像的特征提取,依次得到52*52、26*26和13*13的网格特征图,对于每个网格通过W个预锚框预测出中心点落在该网格单元中的目标的检测框和类别种类。预锚框的数量W=B,是根据目标检测图像中目标的密集程度所确定的,目标密集程度系数B越大,预锚框的数量越多,目标越稀疏,预锚框的数量越少。
如图1所示,一种基于YOLO V3-tiny改进的目标检测方法,包括以下步骤:
步骤一、根据要识别目标的种类个数确认识别目标数量C和根据采集目标图像中要识别目标的密集程度确定目标密集程度系数B;
步骤二、计算最后一层滤波器的数量N;
最后一层滤波器的数量为N=B*(C+5),其中5代表检测框的中心点x坐标、中心点y坐标、相对宽度、相对高度以及目标的置信度这五个量,B为目标密集程度系数,目标图像中要识别目标越密集,B越大,反之,B越小,B在自然数集合{2,3,4,5}中选取。
步骤三、采集数据构建数据集;
利用工业相机到目标检测现场采集目标检测图像用于构建数据集。
步骤四、数据预处理;
数据预处理是对第三步采集的数据进行旋转、平移、添加噪声、裁剪,以扩充数据扩充和增大数据集的数据。
步骤五、数据标注,具体是对第四步预处理后的数据用Labellmg软件标注出每张目标图像中目标的位置和类别,将目标图像和对应的标签数据按照7:2:1的比例划分得到训练集、验证集和测试集。
步骤六、步骤六所述的搭建目标检测网络具体是在深度学习框架中搭建YOLO V3-tiny模型,特征提取网络不变,在如图2所示原有目标检测网络中增加一个目标预测分支,原有的YOLO V3-tiny网络是基于YOLO V3算法的一个精简目标检测网络,可以在算推理能力较低的硬件上进行实时性的目标检测。YOLO V3-tiny的特征提取层由7个卷积层和6个最大池化层组成,其中卷积层依次包括二维卷积层、批量归一化层和非线性激活函数层,参数如表1所示。
表1 YOLO V3-tiny特征提取层参数表
类型 | Filters数量 | 核尺寸/步长 | 输出尺寸 |
第一层卷积层 | 16 | 3*3/1 | 416*416 |
第一层最大池化层 | 2*2/2 | 208*208 | |
第二层卷积层2 | 32 | 3*3/1 | 208*208 |
第二层最大池化 | 2*2/2 | 104*104 | |
第三层卷积层 | 64 | 3*3/1 | 104*104 |
第三层最大池化层 | 2*2/2 | 52*52 | |
第四层卷积层 | 128 | 3*3/1 | 52*52 |
第四层最大池化层 | 2*2/2 | 26*26 | |
第五层卷积层 | 256 | 3*3/1 | 26*26 |
第五层最大池化层 | 2*2/2 | 13*13 | |
第六层卷积层 | 512 | 3*3/1 | 13*13 |
第七层卷积层 | 1024 | 3*3/4 | 13*13 |
新的目标检测网络包括卷积层模块、最大池化层模块、第一层2倍采样层、第二层2倍采样层、第一连接层和第二连接层;所述卷积层模块包括十六层卷积层,所述最大池化层模块共有五层最大池化层;
如图3所示,新的目标检测网络的结构为:第一层至第五层的卷积层后面均连接一层最大池化层,第六层卷积层至第十层卷积层依次连接,第五层卷积层后连接的最大池化层与第六层卷积层连接;所述第八层卷积层、第十一层卷积层、第一层2倍采样层连接、第一连接层、第十二层卷积层、第十三层卷积层依次连接,第五层卷积层同时与第一连接层连接;所述第四层卷积层、第二连接层、第十五层卷积层、第十六层卷积层依次连接;同时第十二层卷积层、第十四层卷积层、第二层2倍采样层、第二连接层依次连接。
所述新的目标检测网络的流程结构如下:
目标检测神经网络的输入为R、G和B三通道彩色图片,大小为416*416;
经过第一层卷积层,使用16个大小为3*3的卷积核,步长为1,输出为416*416*16的特征图;
经过第一层最大池化层,使用2*2的池化窗,步长为2,输出为208*208*16的特征图;
经过第二层卷积层,使用32个大小为3*3的卷积核,步长为1,输出为208*208*32的特征图;
经过第二层最大池化层,使用2*2的池化窗,步长为2,输出为104*104*32的特征图;
经过第三层卷积层,使用64个大小为3*3的卷积核,步长为1,输出为104*104*64的特征图;
经过第三层最大池化层,使用2*2的池化窗,步长为2,输出为52*52*64的特征图;
经过第四层卷积层,使用128个大小为3*3的卷积核,步长为1,输出为52*52*128的特征图;
经过第四层最大池化层,使用2*2的池化窗,步长为2,输出为26*26*128的特征图;
经过第五层卷积层,使用256个大小为3*3的卷积核,步长为1,输出为26*26*256的特征图;
经过第五层最大池化层,使用2*2的池化窗,步长为2,输出为13*13*256的特征图;
经过第六层卷积层,使用512个大小为3*3的卷积核,步长为1,输出为13*13*512的特征图;
经过第七层卷积层,使用1024个大小为3*3的卷积核,步长为1,输出为13*13*1024的特征图;
经过第八层卷积层,使用256个大小为1*1的卷积核,步长为1,输出为13*13*256的特征图;
经过第九层卷积层,使用512个大小为3*3的卷积核,步长为1,输出为13*13*512的特征图;
经过第十层卷积层,使用N个大小为1*1的卷积核,步长为1,输出为13*13*N的特征图,用于预测大尺寸目标;
第八层卷积层的输出,经过第十一层卷积层,使用128个大小为1*1的卷积核,步长为1,输出为13*13*128的特征图;
经过第一层2倍上采样层,输出为26*26*128的特征图;
与第五层卷积层的输出连接,得到26*26*384的特征图;
经过第十二层卷积层,使用256个大小为3*3的卷积核,步长为1,输出为26*26*256的特征图;
经过第十三层卷积层,使用N个大小为1*1的卷积核,步长为1,输出为26*26*N的特征图,用于预测中等尺寸目标;
第十二层卷积层的输出,经过卷积层14,使用128个大小为3*3的卷积核,步长为1,输出为26*26*128的特征图;
经过第二层2倍上采样层,输出为52*52*128的特征图;
与第四层卷积层的输出连接,得到26*26*256的特征图;
经过第十五层卷积层,使用128个大小为3*3的卷积核,步长为1,输出为52*52*128的特征图;
经过第十六层卷积层,使用N个大小为1*1的卷积核,步长为1,输出为52*52*N的特征图,用于预测小尺寸目标。
基于YOLO V3-tiny网络,通过多层卷积进行目标图像的特征提取,依次得到52*52、26*26和13*13的网格特征图,对于每个网格通过个预锚框预测出中心点落在该网格单元中的目标的检测框和类别种类。
13*13的网格特征图用于预测大尺寸目标,13*13和26*26的网格特征图结合用来预测中等尺寸目标,13*13、26*26和52*52的网格特征图结合用于预测小尺寸目标。
步骤七、获取目标检测模型,具体是用第五步的数据集训练新的目标检测网络,直到训练误差连续五轮保持在1.5左右时停止训练,得到带有权重的目标检测模型。
步骤八、输入需要检测的目标图像到目标检测模型,便可得到目标检测结果。
这种与神经网络相关的方法,一般都是得到目标检测模型,后面只要输入要检测图像到目标检测模型就可得到目标检测结果。
本发明不局限与本实施例,任何在本发明披露的技术范围内的等同构思或者改变,均列为本发明的保护范围。
Claims (7)
1.一种基于YOLO V3-tiny改进的目标检测方法,其特征在于,包括以下步骤:
步骤一、根据要识别目标的种类个数确认识别目标数量C和根据采集目标图像中要识别目标的密集程度确定目标密集程度系数;
步骤二、计算最后一层滤波器的数量N;
步骤三、采集目标检测现场的目标检测图像,构建数据集;
步骤四、数据预处理;
步骤五、数据标注;
步骤六、搭建新的目标检测网络;
步骤七、获取目标检测模型,用于对待检测图像进行目标检测。
2.根据权利要求1所述的一种基于YOLO V3-tiny改进的目标检测方法,其特征在于,最后一层滤波器的数量为N=B*(C+5),其中5代表检测框的中心点x坐标、中心点y坐标、相对宽度、相对高度以及目标的置信度这五个量,B为目标密集程度系数,目标图像中要识别目标越密集,B越大,反之,B越小;B在自然数集合{2,3,4,5}中根据目标密集程度选择一个数值。
3.根据权利要求1所述的一种基于YOLO V3-tiny改进的目标检测方法,其特征在于,步骤四的数据预处理是对第三步采集的数据进行旋转、平移、添加噪声、裁剪,以扩充数据扩充和增大数据集的数据。
4.根据权利要求1所述的一种基于YOLO V3-tiny改进的目标检测方法,其特征在于,步骤五的数据标注是对第四步预处理后的数据用Labellmg软件进行标注,得到训练集、验证集和测试集。
5.根据权利要求1所述的一种基于YOLO V3-tiny改进的目标检测方法,其特征在于,步骤六所述的搭建新的目标检测网络具体是在深度学习框架中搭建YOLO V3-tiny模型,特征提取网络不变,在原有目标检测网络中增加一个目标预测分支,该新的目标检测网络包括卷积层模块、最大池化层模块、第一层2倍采样层、第二层2倍采样层、第一连接层和第二连接层;
所述卷积层模块包括十六层卷积层,每层卷积层的结构如下:第一层卷积层为16个大小为3*3的卷积核,步长为1,输出为416*416*16的特征图;第二层卷积层使用32个大小为3*3的卷积核,步长为1,输出为208*208*32的特征图;第三层卷积层使用64个大小为3*3的卷积核,步长为1,输出为104*104*64的特征图;第四层卷积层使用128个大小为3*3的卷积核,步长为1,输出为52*52*128的特征图;第五层卷积层使用256个大小为3*3的卷积核,步长为1,输出为26*26*256的特征图;第六层卷积层使用512个大小为3*3的卷积核,步长为1,输出为13*13*512的特征图;第七层卷积层使用1024个大小为3*3的卷积核,步长为1,输出为13*13*1024的特征图;第八层卷积层使用256个大小为1*1的卷积核,步长为1,输出为13*13*256的特征图;第九层卷积层使用512个大小为3*3的卷积核,步长为1,输出为13*13*512的特征图;第十层卷积层使用N个大小为1*1的卷积核,步长为1,输出为13*13*N的特征图,用于预测不同尺寸的目标;第十一层卷积层使用128个大小为1*1的卷积核,步长为1,输出为13*13*128的特征图;第十二层卷积层使用256个大小为3*3的卷积核,步长为1,输出为26*26*256的特征图;第十三层卷积层使用N个大小为1*1的卷积核,步长为1,输出为26*26*N的特征图,用于预测不同尺寸的目标;第十四层卷积层使用128个大小为3*3的卷积核,步长为1,输出为26*26*128的特征图;第十五层卷积层使用128个大小为3*3的卷积核,步长为1,输出为52*52*128的特征图;第十六层卷积层使用N个大小为1*1的卷积核,步长为1,输出为52*52*N的特征图,用于预测不同尺寸的目标;
所述最大池化层模块共有五层最大池化层,第一层最大池化层至第五层最大池化层的输出分别为208*208*16、104*104*32、52*52*64、26*26*128、13*13*256;每层最大池化层的池化窗为2*2的池化窗,步长为2;
所述第一层2倍采样层输出26*26*128的特征图;所述第二层2倍采样层输出52*52*128的特征图;
所述第一连接层输出26*26*384的特征图;所述第二连接输出26*26*256的特征图。
6.根据权利要求1所述的一种基于YOLO V3-tiny改进的目标检测方法,其特征在于,新的目标检测网络结构为:第一层至第五层的卷积层后面均连接一层最大池化层,第六层卷积层至第十层卷积层依次连接,第五层的卷积层后连接的最大池化层与第六层卷积层连接;所述第八层卷积层、第十一层卷积层、第一层2倍采样层连接、第一连接层、第十二卷积层、第十三卷积层依次连接,第五层卷积层同与第一连接层连接;所述第四层卷积层、第二连接层、第十五层卷积层、第十六层卷积层依次连接;同时第十二卷积层、第十四层卷积层、第二层2倍采样层、第二连接层依次连接。
7.根据权利要求1所述的一种基于YOLO V3-tiny改进的目标检测方法,其特征在于,步骤七是用第五步的数据集训练新的目标检测网络,直到训练误差连续H轮并保持在一个数值时停止训练,得到带有权重的目标检测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910933038.7A CN110689118A (zh) | 2019-09-29 | 2019-09-29 | 一种基于YOLO V3-tiny改进的目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910933038.7A CN110689118A (zh) | 2019-09-29 | 2019-09-29 | 一种基于YOLO V3-tiny改进的目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110689118A true CN110689118A (zh) | 2020-01-14 |
Family
ID=69110954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910933038.7A Pending CN110689118A (zh) | 2019-09-29 | 2019-09-29 | 一种基于YOLO V3-tiny改进的目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110689118A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111567331A (zh) * | 2020-05-11 | 2020-08-25 | 西南科技大学 | 一种基于深度卷积神经网络的草地垃圾自动清理机及方法 |
CN112308154A (zh) * | 2020-11-03 | 2021-02-02 | 湖南师范大学 | 一种基于yolov3-tiny的航拍车辆检测方法 |
CN112651376A (zh) * | 2021-01-05 | 2021-04-13 | 珠海大横琴科技发展有限公司 | 一种船只检测方法和装置 |
CN112924037A (zh) * | 2021-02-26 | 2021-06-08 | 河北地质大学 | 基于图像配准的红外体温检测系统及检测方法 |
CN113343785A (zh) * | 2021-05-19 | 2021-09-03 | 山东大学 | 一种基于透视降采样的yolo地面标志检测方法、设备及存储介质 |
CN113450573A (zh) * | 2020-03-25 | 2021-09-28 | 重庆翼动科技有限公司 | 基于无人机图像识别的交通监测方法和交通监测系统 |
CN115661614A (zh) * | 2022-12-09 | 2023-01-31 | 江苏稻源科技集团有限公司 | 一种基于轻量化YOLO v1的目标检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876855A (zh) * | 2018-05-28 | 2018-11-23 | 哈尔滨工程大学 | 一种基于深度学习的海参检测和双目视觉定位方法 |
CN109614985A (zh) * | 2018-11-06 | 2019-04-12 | 华南理工大学 | 一种基于密集连接特征金字塔网络的目标检测方法 |
CN109934255A (zh) * | 2019-01-22 | 2019-06-25 | 小黄狗环保科技有限公司 | 一种适用于饮料瓶回收机投递物分类识别的模型融合方法 |
US10332245B1 (en) * | 2018-12-11 | 2019-06-25 | Capital One Services, Llc | Systems and methods for quality assurance of image recognition model |
CN110222769A (zh) * | 2019-06-06 | 2019-09-10 | 大连理工大学 | 一种基于YOLOV3-tiny的改进目标检测方法 |
-
2019
- 2019-09-29 CN CN201910933038.7A patent/CN110689118A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876855A (zh) * | 2018-05-28 | 2018-11-23 | 哈尔滨工程大学 | 一种基于深度学习的海参检测和双目视觉定位方法 |
CN109614985A (zh) * | 2018-11-06 | 2019-04-12 | 华南理工大学 | 一种基于密集连接特征金字塔网络的目标检测方法 |
US10332245B1 (en) * | 2018-12-11 | 2019-06-25 | Capital One Services, Llc | Systems and methods for quality assurance of image recognition model |
CN109934255A (zh) * | 2019-01-22 | 2019-06-25 | 小黄狗环保科技有限公司 | 一种适用于饮料瓶回收机投递物分类识别的模型融合方法 |
CN110222769A (zh) * | 2019-06-06 | 2019-09-10 | 大连理工大学 | 一种基于YOLOV3-tiny的改进目标检测方法 |
Non-Patent Citations (2)
Title |
---|
姜立标,等: ""基于实例分割方法的复杂场景下车道线检测"", 《机械设计与制造工程》 * |
马乐,等: ""二维Hilbert-Huang变换及其在图像增强中的应用"", 《哈尔滨工业大学学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113450573A (zh) * | 2020-03-25 | 2021-09-28 | 重庆翼动科技有限公司 | 基于无人机图像识别的交通监测方法和交通监测系统 |
CN111567331A (zh) * | 2020-05-11 | 2020-08-25 | 西南科技大学 | 一种基于深度卷积神经网络的草地垃圾自动清理机及方法 |
CN112308154A (zh) * | 2020-11-03 | 2021-02-02 | 湖南师范大学 | 一种基于yolov3-tiny的航拍车辆检测方法 |
CN112651376A (zh) * | 2021-01-05 | 2021-04-13 | 珠海大横琴科技发展有限公司 | 一种船只检测方法和装置 |
CN112924037A (zh) * | 2021-02-26 | 2021-06-08 | 河北地质大学 | 基于图像配准的红外体温检测系统及检测方法 |
CN113343785A (zh) * | 2021-05-19 | 2021-09-03 | 山东大学 | 一种基于透视降采样的yolo地面标志检测方法、设备及存储介质 |
CN115661614A (zh) * | 2022-12-09 | 2023-01-31 | 江苏稻源科技集团有限公司 | 一种基于轻量化YOLO v1的目标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689118A (zh) | 一种基于YOLO V3-tiny改进的目标检测方法 | |
CN112991354B (zh) | 一种基于深度学习的高分辨率遥感影像语义分割方法 | |
CN110111345B (zh) | 一种基于注意力网络的3d点云分割方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN105118090B (zh) | 一种自适应复杂地形结构的点云滤波方法 | |
CN107688856B (zh) | 基于深度强化学习的室内机器人场景主动识别方法 | |
CN108875906B (zh) | 一种多尺度逐步累加的卷积神经网络学习方法 | |
CN109559297A (zh) | 一种基于三维区域生成网络的肺结节检测的方法 | |
CN112766229B (zh) | 基于注意力机制的人脸点云图像智能识别系统及方法 | |
CN109584209A (zh) | 血管壁斑块识别设备、系统、方法及存储介质 | |
CN111753682B (zh) | 一种基于目标检测算法的吊装区域动态监控方法 | |
CN110717496B (zh) | 基于神经网络的复杂场景树木检测方法 | |
CN113822284A (zh) | 一种基于边界注意力的rgbd图像语义分割方法 | |
CN111798417A (zh) | 一种基于ssd遥感图像目标检测的方法及装置 | |
CN113627093A (zh) | 一种基于改进Unet网络的水下机构跨尺度流场特征预测方法 | |
CN115222754A (zh) | 一种基于知识蒸馏和对抗学习的镜面图像分割方法 | |
Yu et al. | Convolutional neural network with feature reconstruction for monitoring mismatched photovoltaic systems | |
CN110728186A (zh) | 一种基于多网融合的火灾检测方法 | |
CN113989296A (zh) | 基于改进U-net网络的无人机麦田遥感图像分割方法 | |
Meng et al. | A modified fully convolutional network for crack damage identification compared with conventional methods | |
CN116797910A (zh) | 一种基于分组快速空间金字塔池化的轻量化yolo模型方法 | |
CN115801152A (zh) | 基于层次化transformer模型的WiFi动作识别方法 | |
CN116433980A (zh) | 脉冲神经网络结构的图像分类方法、装置、设备及介质 | |
CN109993218A (zh) | 一种基于卷积神经网络的玉米病害的识别和分类模型 | |
CN115830707A (zh) | 一种基于超图学习的多视角人体行为识别方法 |
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 |
Application publication date: 20200114 |
|
RJ01 | Rejection of invention patent application after publication |