CN110751185A - 目标检测模型的训练方法和装置 - Google Patents

目标检测模型的训练方法和装置 Download PDF

Info

Publication number
CN110751185A
CN110751185A CN201910915868.7A CN201910915868A CN110751185A CN 110751185 A CN110751185 A CN 110751185A CN 201910915868 A CN201910915868 A CN 201910915868A CN 110751185 A CN110751185 A CN 110751185A
Authority
CN
China
Prior art keywords
target detection
network
characteristic
module
training
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
Application number
CN201910915868.7A
Other languages
English (en)
Inventor
朱婷婷
毛亮
林焕凯
王祥雪
黄仝宇
汪刚
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.)
Gosuncn Technology Group Co Ltd
Original Assignee
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 Gosuncn Technology Group Co Ltd filed Critical Gosuncn Technology Group Co Ltd
Priority to CN201910915868.7A priority Critical patent/CN110751185A/zh
Publication of CN110751185A publication Critical patent/CN110751185A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • 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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种目标检测模型的训练方法，包括：获取若干张不同尺寸的原始图像；将原始图像输入到目标检测网络中；利用损失函数训练目标检测网络，直至满足预设训练完成条件时，输出训练完成的目标检测模型；目标检测网络包括：特征金字塔网络模块，用于提取原始图像的多尺度特征图；锚框修订模块，用于过滤掉负锚框，并调整锚框的位置和大小；特征注意模块，用于将特征金字塔中的多尺度特征图和与其对应的主干网络的特征图进行融合，生成融合特征图；目标检测模块，对融合特征图进行目标检测，以提取融合特征图中的目标信息。本发明还公开一种目标检测模型的训练装置。采用本发明实施例训练完成的目标检测模型能有效提高目标检测的精度和速度。

Description

目标检测模型的训练方法和装置
技术领域
本发明涉及图像检测技术，尤其涉及一种目标检测模型的训练方法和装置。
背景技术
目标检测是一种基于图像的识别技术，目的是找出图像中所有感兴趣的目标(物体)，确定它们的位置和大小，是机器视觉领域的核心问题之一。广泛应用于人工智能和信息技术领域，包括机器人视觉、智能安防、自动驾驶、增强现实等。目标检测算法分为两步目标检测算法和单步目标检测算法。两步目标检测算法采用先选择候选区域，然后对其进行分类，例如RCNN、FastRCNN、FasterRCNN等，该类技术方法有较好的检测精度，但检测速度较慢，难以达到实时检测的效果。单步检测算法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、FSSD、tiny-DSOD等，优点是检测速度快，可以实现端到端的训练和检测，但检测精度略有下降。
发明内容
本发明实施例的目的是提供一种目标检测模型的训练方法和装置，训练完成的目标检测模型能有效提高目标检测的精度和速度。
为实现上述目的，本发明实施例提供了一种目标检测模型的训练方法，包括：
获取若干张不同尺寸的原始图像；
将所述原始图像输入到目标检测网络中；
利用预设的损失函数训练所述目标检测网络，直至满足预设训练完成条件时，输出训练完成的目标检测模型；
其中，所述目标检测网络包括：
特征金字塔网络模块，用于提取所述原始图像的多尺度特征图；
锚框修订模块，用于过滤负锚框，并调整锚框的位置和大小；
特征注意模块，用于将特征金字塔中的多尺度特征图和与其对应的所述主干网络的特征图进行融合，生成融合特征图；
目标检测模块，用于对所述融合特征图进行目标检测，以提取所述融合特征图中的目标信息。
作为上述方案的改进，所述目标检测网络在初始化时预设有网络参数；则，所述利用预设的损失函数训练所述目标检测网络，具体包括：
以随机梯度下降算法计算所述损失函数的损失梯度；
使用反向传播算法对所述网络参数进行调整。
作为上述方案的改进，所述将原始图像输入到目标检测网络中前，还包括：
对所述原始图像进行预处理。
作为上述方案的改进，所述特征金字塔网络模块具体用于：
对所述原始图像通过插值进行迭代下采样，构造图像金字塔结构；
将所述图像金字塔结构输入到浅层卷积块中，生成特征金字塔；其中，所述特征金字塔中包括若干个与所述原始图像对应的多尺度特征图。
作为上述方案的改进，所述目标检测网络还包括向前融合模块，所述向前融合模块用于将当前融合特征图与前一融合特征图进行融合，生成目标融合图；
则，所述目标检测模块用于对所述目标融合图进行目标检测，以提取所述目标融合图中的目标信息。
作为上述方案的改进，所述目标检测模块还用于对所述目标融合图中检测到的目标框信息进行非极大值抑制。
为实现上述目的，本发明实施例还提供了一种目标检测模型的训练装置，包括：
图像获取单元，用于获取若干张不同尺寸的原始图像；
图像输入单元，用于将所述原始图像输入到目标检测网络中；
模型训练单元，用于利用预设的损失函数训练所述目标检测网络，直至满足预设训练完成条件时，输出训练完成的目标检测模型；
其中，所述目标检测网络包括：
特征金字塔网络模块，用于提取所述原始图像的多尺度特征图；
锚框修订模块，用于过滤负锚框，并调整锚框的位置和大小；
特征注意模块，用于将特征金字塔中的多尺度特征图和与其对应的所述主干网络的特征图进行融合，生成融合特征图；
目标检测模块，用于对所述融合特征图进行目标检测，以提取所述融合特征图中的目标信息。
作为上述方案的改进，所述目标检测网络在初始化时预设有网络参数；则，所述模型训练单元具体用于：
以随机梯度下降算法计算所述损失函数的损失梯度；
使用反向传播算法对所述网络参数进行调整。
作为上述方案的改进，所述装置还包括预处理单元，所述预处理单元用于对所述原始图像进行预处理。
作为上述方案的改进，所述特征金字塔网络模块具体用于：
对所述原始图像通过插值进行迭代下采样，构造图像金字塔结构；
将所述图像金字塔结构输入到浅层卷积块中，生成特征金字塔；其中，所述特征金字塔中包括若干个与所述原始图像对应的多尺度特征图。
本发明实施例公开的目标检测模型的训练方法和装置，通过在目标检测网络增加轻量级图像特征金字塔网络模块和锚框修订模块，提升检测精度，且特征金字塔网络模块能够提升预测特征的可分辨性，加强特征表达能力，提高检测速度。另外，通过轻量级图像金字塔网络结构获取图像金字塔，并生成对应的特征金字塔，通过特征注意模块，将特征金字塔中的多尺度特征和主干网络的特征相结合，并通过向前融合模块，融合当前层和前一层的特征，以提高模型特征识别能力。
附图说明
图1是本发明实施例提供的一种目标检测模型的训练方法的流程图；
图2是本发明实施例提供的目标检测网络的结构示意图；
图3是本发明实施例提供的特征金字塔网络模块的结构示意图；
图4是本发明实施例提供的特征注意模块的结构示意图；
图5是本发明实施例提供的向前融合模块的结构示意图；
图6是本发明实施例提供的目标检测模型的训练装置的结构示意图。
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。
参见图1，图1是本发明实施例提供的一种目标检测模型的训练方法的流程图。本发明实施例将大量标注好的原始图像训练基于轻量级图像金字塔网络结构模型，用训练得到的目标检测模型检测目标的类别和位置信息。所述目标检测模型的训练方法包括：
S1、获取若干张不同尺寸的原始图像。
训练前先对原始图像进行预处理，这种预处理包括对图像的随机裁剪、翻转、缩放等，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。
S2、将所述原始图像输入到目标检测网络中。
S3、利用预设的损失函数训练所述目标检测网络，直至满足预设训练完成条件时，输出训练完成的目标检测模型。
优选的，所述目标检测网络在初始化时预设有网络参数，主干网络的网络参数初始化直接用VGG16网络在ImageNet数据集上已经训练好的相应网络参数，除主干网络外其他网络参数均以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，实现对目标检测模型的训练。
示例性的，本申请实施例提供的损失函数包括两部分：锚框修定模块的损失和目标检测模块的损失。锚框修订模块的损失用于判断锚点框是否包含目标，初步调整锚点框的大小和位置，该模块包括二分类损失(Lb)和回归损失(Lr)；目标检测模块的损失用于将锚框修订模块剩下的锚点框进行精准分类并进行进一步回归，包括多分类损失(Lm)和回归损失(Lr)。损失函数公式如下：
其中，i是最小批处理中锚点的索引；
Figure BDA0002216092710000052
是锚点i的真实类别标签；
Figure BDA0002216092710000053
是锚点i的真实坐标和大小；pi和xi是锚框修订模块中预测锚点i是目标的置信度以及锚点i的坐标；ci和ti分别是目标检测模块中预测的目标类别和边框坐标。Narm和Nodm分别是两个模块正样本锚点的数目。二分类损失Lb是两个类别的Cross Entropy/Log损失；多分类损失Lm使用SoftmaxLoss；回归损失Lr使用Smooth L1 Loss。
值得说明的是，所述预设训练完成条件可以包括：所述损失函数的LOSS值收敛，或者所述目标检测模型的迭代次数达到某预设迭代次数。在训练完所述目标检测模型后，即可将图片输入到训练好的模型中进行目标检测，从而检测出图片中的目标的类别和位置信息。
本发明实施例以RefineDet(Single-Shot Refinement Neural Network forObject Detection)算法结构为基础，通过改进多尺度特征融合模块对其进行优化。本发明实施例改进算法的网络结构是基于前馈卷积神经网络，对目标生成一系列固定大小的锚框，然后通过非极大值抑制，输出最终的检测结果。
RefineDet算法由两个相互连接的模块组成，即锚框修订模块和目标检测模块。具体来说，锚框修订模块一方面过滤掉负锚框，以减少分类器的搜索空间，另一方面可粗略调整锚框的位置和大小，为后续的回归提供更好的初始化。目标检测模块将修订的锚框作为输入，进一步改善回归和预测多级标签。同时，在本发明实施例中设计传输连接块来传输锚框修订模块的特征，用于目标检测模块中预测目标的位置、大小和类别标签。其中，损失函数能够以端到端的方式训练整个网络。相比单步SSD检测算法，该方案提升了检测精度，但因为引入多尺度特征融合，导致检测速度变慢。
为同时保障提升检测精度以及增加检测速度，本发明实施例中利用一种轻量级图像金字塔网络结构，在保证检测精度不变的情况下，提升检测速度。本发明实施例中的目标检测网络和现有技术中的RefineDet相比，主要有两个改进点，一是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，在不增加额外计算量的情况下，提升了锚点框第一步回归和筛选效果；二是改进了标准的特征金字塔结构，采用轻量级图像金字塔网络结构，提升预测特征的可分辨性，加强特征表达能力，最后在检测精度不变的情况下，提高检测速度。
参见图2，图2是本发明实施例提供的目标检测网络的结构示意图；所述目标检测网络包括：特征金字塔网络模块10、锚框修订模块20、特征注意模块30、目标检测模块40和向前融合模块50。
所述特征金字塔网络模块10，用于提取所述原始图像的多尺度特征图；所述特征金字塔网络模块10的结构可参考图3，所述特征金字塔网络模块10具体用于：
对所述原始图像通过插值进行迭代下采样，构造图像金字塔结构；
将所述图像金字塔结构输入到浅层卷积块中，生成特征金字塔(即图像金字塔的每一层都被特征化)；其中，所述特征金字塔中包括若干个与所述原始图像对应的多尺度特征图。
所述锚框修订模块20，一方面用于过滤掉负锚框，减少分类器的搜索空间，另一方面可用于粗略调整锚框的位置和大小，为后续的回归提供更好的初始化。
所述锚框修订模块20中首先使用主干网络中的conv4_3，conv5_3，fc7以及新添加的特征提取层conv6_2四个特征层对原始图像进行二分类(判断原始图像中是否含有目标)，过滤掉不包含任何目标的负锚点框，并对剩下的锚点框进行初步回归，生成粗略的锚点框。
所述特征注意模块30，用于将所述特征金字塔中的多尺度特征图和与其对应的所述主干网络的特征图进行融合，生成融合特征图。具体的所述特征注意模块30的结构示意图可参考图4，图4中左右两端分别表示所述多尺度特征图和与其对应的所述主特征图。分别归一化后经过融合，然后输入到ReLU激活函数中，最后通过3x3卷积输出。
所述目标检测模块40，用于对所述融合特征图进行目标检测，以提取所述融合特征图中的目标信息。图2中的长方体P3、P4、P5、P6是Conv4_3、Conv5_3、fc7、Conv6_2在通过轻量级图像金字塔网络融合主特征图之后形成的四个融合特征图。然后，通过这四个融合特征图有两个分支，一路(图中处于上方的分路)进行判断是否包含目标和初步回归，这一路进行二分类，判断是否是目标还是背景，去除一部分负锚框，获得粗粒度的锚点框信息；另一路(图中处于右方的分路)则直接进行目标检测，以及进行非极大值抑制。
进一步的，所述目标检测网络还包括向前融合模块50，所述向前融合模块50用于将当前融合特征图与前一融合特征图进行融合，生成目标融合图。因处于首尾的融合特征图无法与前一融合特征图进行融合(比如图2中Conv4_3输出的主特征图融合所述特征金字塔网络模块10输出的多尺度特征图后生成的融合特征图)，因此可直接将该融合特征图输入到所述目标检测模块40中。
具体的所述向前融合模块50的结构示意图参考图5。图5中左方输入表示为前一融合特征图并进行归一化处理，右方为当前融合特征图经过3x3卷积后并进行归一化处理，将两者融合后，生成目标融合图，然后经过ReLU激活函数输出到所述目标检测模块40进行目标检测。则，此时所述目标检测模块40用于对所述目标融合图进行目标检测，以提取所述目标融合图中的目标信息，同时所述目标检测模块40还用于对所述目标融合图中检测到的目标框信息进行非极大值抑制。
进一步的，图2中的Refined Anchors用于过滤负锚点框以及粗略调整锚点框的位置和大小。
本发明实施例公开的目标检测模型的训练方法，通过在目标检测网络增加轻量级图像特征金字塔网络模块和锚框修订模块，提升检测精度，且特征金字塔网络模块能够提升预测特征的可分辨性，加强特征表达能力，提高检测速度。另外，通过轻量级图像金字塔网络结构获取图像金字塔，并生成对应的特征金字塔，通过特征注意模块，将特征金字塔中的多尺度特征和主干网络的特征相结合，并通过向前融合模块，融合当前层和前一层的特征，以提高模型特征识别能力。
参见图6，图6是本发明实施例提供的目标检测模型的训练装置的结构示意图。所述目标检测模型的训练装置包括：
图像获取单元11，用于获取若干张不同尺寸的原始图像；
图像输入单元12，用于将所述原始图像输入到目标检测网络中；
模型训练单元13，用于利用预设的损失函数训练所述目标检测网络，直至满足预设训练完成条件时，输出训练完成的目标检测模型；
预处理单元14，用于对所述原始图像进行预处理；
其中，所述目标检测网络包括：
特征金字塔网络模块，用于提取所述原始图像的多尺度特征图；
锚框修订模块，用于过滤负锚框，并调整锚框的位置和大小；
特征注意模块，用于将特征金字塔中的多尺度特征图和与其对应的所述主干网络特征图进行融合，生成融合特征图；
目标检测模块，用于对所述融合特征图进行目标检测，以提取所述融合特征图中的目标信息。
优选的，所述目标检测网络在初始化时预设有网络参数；则，所述模型训练单元具体用于：以随机梯度下降算法计算所述损失函数的损失梯度；使用反向传播算法对所述网络参数进行调整。
优选的，所述特征金字塔网络模块具体用于：对所述原始图像通过插值进行迭代下采样，构造图像金字塔结构；将所述图像金字塔结构输入到浅层卷积块中，生成特征金字塔；其中，所述特征金字塔中包括若干个与所述原始图像对应的多尺度特征图。
优选的，所述目标检测网络还包括向前融合模块，所述向前融合模块用于将当前融合特征图与前一融合特征图进行融合，生成目标融合图；
则，所述目标检测模块用于对所述目标融合图进行目标检测，以提取所述目标融合图中的目标信息。所述目标检测模块还用于对所述目标融合图中检测到的目标框信息进行非极大值抑制。
具体的所述目标检测模型的训练装置的工作过程请参考上述实施例所述的目标检测模型的训练方法的工作过程。
本发明实施例公开的目标检测模型的训练装置，通过在目标检测网络增加轻量级图像特征金字塔网络模块和锚框修订模块，提升检测精度，且特征金字塔网络模块能够提升预测特征的可分辨性，加强特征表达能力，提高检测速度。另外，通过轻量级图像金字塔网络结构获取图像金字塔，并生成对应的特征金字塔，通过特征注意模块，将特征金字塔中的多尺度特征和主干网络的特征相结合，并通过向前融合模块，融合当前层和前一层的特征，以提高模型特征识别能力。
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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种目标检测模型的训练方法，其特征在于，包括：
获取若干张不同尺寸的原始图像；
将所述原始图像输入到目标检测网络中；
利用预设的损失函数训练所述目标检测网络，直至满足预设训练完成条件时，输出训练完成的目标检测模型；
其中，所述目标检测网络包括：
特征金字塔网络模块，用于提取所述原始图像的多尺度特征图；
锚框修订模块，用于过滤负锚框，并调整锚框的位置和大小；
特征注意模块，用于将特征金字塔中的多尺度特征图和与其对应的主干网络的特征图进行融合，生成融合特征图；
目标检测模块，用于对所述融合特征图进行目标检测，以提取所述融合特征图中的目标信息。
2.如权利要求1所述的目标检测模型的训练方法，其特征在于，所述目标检测网络在初始化时预设有网络参数；则，所述利用预设的损失函数训练所述目标检测网络，具体包括：
以随机梯度下降算法计算所述损失函数的损失梯度；
使用反向传播算法对所述网络参数进行调整。
3.如权利要求1所述的目标检测模型的训练方法，其特征在于，所述将所述原始图像输入到目标检测网络中前，还包括：
对所述原始图像进行预处理。
4.如权利要求1所述的目标检测模型的训练方法，其特征在于，所述特征金字塔网络模块具体用于：
对所述原始图像通过插值进行迭代下采样，构造图像金字塔结构；
将所述图像金字塔结构输入到浅层卷积块中，生成特征金字塔；其中，所述特征金字塔中包括若干个与所述原始图像对应的多尺度特征图。
5.如权利要求1所述的目标检测模型的训练方法，其特征在于，所述目标检测网络还包括向前融合模块，所述向前融合模块用于将当前融合特征图与前一融合特征图进行融合，生成目标融合图；
则，所述目标检测模块用于对所述目标融合图进行目标检测，以提取所述目标融合图中的目标信息。
6.如权利要求5所述的目标检测模型的训练方法，其特征在于，所述目标检测模块还用于对所述目标融合图中检测到的目标框信息进行非极大值抑制。
7.一种目标检测模型的训练装置，其特征在于，包括：
图像获取单元，用于获取若干张不同尺寸的原始图像；
图像输入单元，用于将所述原始图像输入到目标检测网络中；
模型训练单元，用于利用预设的损失函数训练所述目标检测网络，直至满足预设训练完成条件时，输出训练完成的目标检测模型；
其中，所述目标检测网络包括：
特征金字塔网络模块，用于提取所述原始图像的多尺度特征图；
锚框修订模块，用于过滤负锚框，并调整锚框的位置和大小；
特征注意模块，用于将特征金字塔中的多尺度特征图和与其对应的所述主干网络的特征图进行融合，生成融合特征图；
目标检测模块，用于对所述融合特征图进行目标检测，以提取所述融合特征图中的目标信息。
8.如权利要求7所述的目标检测模型的训练方法装置，其特征在于，所述目标检测网络在初始化时预设有网络参数；则，所述模型训练单元具体用于：
以随机梯度下降算法计算所述损失函数的损失梯度；
使用反向传播算法对所述网络参数进行调整。
9.如权利要求7所述的目标检测模型的训练方法装置，其特征在于，所述装置还包括预处理单元，所述预处理单元用于对所述原始图像进行预处理。
10.如权利要求7所述的目标检测模型的训练方法装置，其特征在于，所述特征金字塔网络模块具体用于：
对所述原始图像通过插值进行迭代下采样，构造图像金字塔结构；
将所述图像金字塔结构输入到浅层卷积块中，生成特征金字塔；其中，所述特征金字塔中包括若干个与所述原始图像对应的多尺度特征图。
CN201910915868.7A 2019-09-26 2019-09-26 目标检测模型的训练方法和装置 Pending CN110751185A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910915868.7A CN110751185A (zh) 2019-09-26 2019-09-26 目标检测模型的训练方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910915868.7A CN110751185A (zh) 2019-09-26 2019-09-26 目标检测模型的训练方法和装置

Publications (1)

Publication Number Publication Date
CN110751185A true CN110751185A (zh) 2020-02-04

Family

ID=69277083

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910915868.7A Pending CN110751185A (zh) 2019-09-26 2019-09-26 目标检测模型的训练方法和装置

Country Status (1)

Country Link
CN (1) CN110751185A (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111340126A (zh) * 2020-03-03 2020-06-26 腾讯云计算（北京）有限责任公司 物品识别方法、装置、计算机设备和存储介质
CN111444972A (zh) * 2020-03-31 2020-07-24 高新兴科技集团股份有限公司 一种基于深度学习的分级车辆目标检测方法
CN111476225A (zh) * 2020-06-28 2020-07-31 平安国际智慧城市科技股份有限公司 基于人工智能的车内人脸识别方法、装置、设备及介质
CN111753648A (zh) * 2020-05-12 2020-10-09 高新兴科技集团股份有限公司 人体姿态监控方法、装置、设备及存储介质
CN111797800A (zh) * 2020-07-14 2020-10-20 中国传媒大学 一种基于内容挖掘的视频分类方法
CN111815576A (zh) * 2020-06-23 2020-10-23 深圳供电局有限公司 金属部件腐蚀状况检测方法、装置、设备和存储介质
CN111860693A (zh) * 2020-07-31 2020-10-30 元神科技(杭州)有限公司 一种轻量级视觉目标检测方法及系统
CN111914937A (zh) * 2020-08-05 2020-11-10 湖北工业大学 一种轻量化改进目标检测方法及检测系统
CN112200163A (zh) * 2020-12-03 2021-01-08 中国科学院自动化研究所 水下底栖生物检测方法及系统
CN112232411A (zh) * 2020-10-15 2021-01-15 浙江凌图科技有限公司 HarDNet-Lite在嵌入式平台的优化方法
CN112287962A (zh) * 2020-08-10 2021-01-29 南京行者易智能交通科技有限公司 一种多尺度的目标检测模型的训练方法、检测方法、装置，及终端设备
CN112562255A (zh) * 2020-12-03 2021-03-26 国家电网有限公司 微光环境下电缆沟道烟雾火情的智能图像检测方法
CN113052848A (zh) * 2021-04-15 2021-06-29 山东大学 一种基于多尺度注意力网络的小鸡图像分割方法及系统
CN114581652A (zh) * 2020-12-01 2022-06-03 北京四维图新科技股份有限公司 目标对象的检测方法、装置、电子设备以及存储介质
WO2022227770A1 (zh) * 2021-04-28 2022-11-03 北京百度网讯科技有限公司 目标对象检测模型的训练方法、目标对象检测方法和设备
CN115409818A (zh) * 2022-09-05 2022-11-29 江苏济远医疗科技有限公司 一种应用于内窥镜图像目标检测模型的增强训练方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110245655A (zh) * 2019-05-10 2019-09-17 天津大学 一种基于轻量级图像金字塔网络的单阶段物体检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110245655A (zh) * 2019-05-10 2019-09-17 天津大学 一种基于轻量级图像金字塔网络的单阶段物体检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SHIFENG ZHANG等: ""Single-Shot Refinement Neural Network for Object Detection"", 《ARXIV》 *
YANWEI PANG等: ""Efficient Featurized Image Pyramid Network for Single Shot Detector"", 《2019 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 *
董潇潇等: ""基于注意力掩模融合的目标检测算法"", 《液晶与显示》 *

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111340126A (zh) * 2020-03-03 2020-06-26 腾讯云计算（北京）有限责任公司 物品识别方法、装置、计算机设备和存储介质
CN111340126B (zh) * 2020-03-03 2023-06-09 腾讯云计算（北京）有限责任公司 物品识别方法、装置、计算机设备和存储介质
CN111444972A (zh) * 2020-03-31 2020-07-24 高新兴科技集团股份有限公司 一种基于深度学习的分级车辆目标检测方法
CN111753648A (zh) * 2020-05-12 2020-10-09 高新兴科技集团股份有限公司 人体姿态监控方法、装置、设备及存储介质
CN111815576A (zh) * 2020-06-23 2020-10-23 深圳供电局有限公司 金属部件腐蚀状况检测方法、装置、设备和存储介质
CN111815576B (zh) * 2020-06-23 2024-01-19 深圳供电局有限公司 金属部件腐蚀状况检测方法、装置、设备和存储介质
CN111476225A (zh) * 2020-06-28 2020-07-31 平安国际智慧城市科技股份有限公司 基于人工智能的车内人脸识别方法、装置、设备及介质
CN111797800A (zh) * 2020-07-14 2020-10-20 中国传媒大学 一种基于内容挖掘的视频分类方法
CN111797800B (zh) * 2020-07-14 2024-03-05 中国传媒大学 一种基于内容挖掘的视频分类方法
CN111860693A (zh) * 2020-07-31 2020-10-30 元神科技(杭州)有限公司 一种轻量级视觉目标检测方法及系统
CN111914937B (zh) * 2020-08-05 2024-05-10 湖北工业大学 一种轻量化改进目标检测方法及检测系统
CN111914937A (zh) * 2020-08-05 2020-11-10 湖北工业大学 一种轻量化改进目标检测方法及检测系统
CN112287962A (zh) * 2020-08-10 2021-01-29 南京行者易智能交通科技有限公司 一种多尺度的目标检测模型的训练方法、检测方法、装置，及终端设备
CN112287962B (zh) * 2020-08-10 2023-06-09 南京行者易智能交通科技有限公司 一种多尺度的目标检测模型的训练方法、检测方法、装置，及终端设备
CN112232411B (zh) * 2020-10-15 2024-05-14 苏州凌图科技有限公司 HarDNet-Lite在嵌入式平台的优化方法
CN112232411A (zh) * 2020-10-15 2021-01-15 浙江凌图科技有限公司 HarDNet-Lite在嵌入式平台的优化方法
CN114581652A (zh) * 2020-12-01 2022-06-03 北京四维图新科技股份有限公司 目标对象的检测方法、装置、电子设备以及存储介质
CN112200163B (zh) * 2020-12-03 2021-06-25 中国科学院自动化研究所 水下底栖生物检测方法及系统
CN112562255B (zh) * 2020-12-03 2022-06-28 国家电网有限公司 微光环境下电缆沟道烟雾火情的智能图像检测方法
CN112562255A (zh) * 2020-12-03 2021-03-26 国家电网有限公司 微光环境下电缆沟道烟雾火情的智能图像检测方法
CN112200163A (zh) * 2020-12-03 2021-01-08 中国科学院自动化研究所 水下底栖生物检测方法及系统
CN113052848B (zh) * 2021-04-15 2023-02-17 山东大学 一种基于多尺度注意力网络的小鸡图像分割方法及系统
CN113052848A (zh) * 2021-04-15 2021-06-29 山东大学 一种基于多尺度注意力网络的小鸡图像分割方法及系统
WO2022227770A1 (zh) * 2021-04-28 2022-11-03 北京百度网讯科技有限公司 目标对象检测模型的训练方法、目标对象检测方法和设备
CN115409818A (zh) * 2022-09-05 2022-11-29 江苏济远医疗科技有限公司 一种应用于内窥镜图像目标检测模型的增强训练方法
CN115409818B (zh) * 2022-09-05 2023-10-27 江苏济远医疗科技有限公司 一种应用于内窥镜图像目标检测模型的增强训练方法

Similar Documents

Publication Publication Date Title
CN110751185A (zh) 目标检测模型的训练方法和装置
CN107145889B (zh) 基于具有RoI池化的双CNN网络的目标识别方法
CN110929578A (zh) 一种基于注意力机制的抗遮挡行人检测方法
CN111046821B (zh) 一种视频行为识别方法、系统及电子设备
CN109002755B (zh) 基于人脸图像的年龄估计模型构建方法及估计方法
CN109766873B (zh) 一种混合可变形卷积的行人再识别方法
CN111738336B (zh) 基于多尺度特征融合的图像检测方法
CN112381764A (zh) 一种农作物病虫害检测方法
CN113160062A (zh) 一种红外图像目标检测方法、装置、设备及存储介质
CN112364721A (zh) 一种道面异物检测方法
CN116129289A (zh) 一种注意力边缘交互的光学遥感图像显著性目标检测方法
CN109886159A (zh) 一种非限定条件下的人脸检测方法
Yu et al. Pedestrian detection based on improved Faster RCNN algorithm
CN116434012A (zh) 一种基于边缘感知的轻量型棉铃检测方法及系统
CN111199255A (zh) 基于darknet53网络的小目标检测网络模型及检测方法
CN114155165A (zh) 一种基于半监督的图像去雾方法
CN113177956A (zh) 一种面向无人机遥感影像的语义分割方法
Wang et al. A transformer-based mask R-CNN for tomato detection and segmentation
CN110059742A (zh) 基于深度学习的安全护具穿戴识别方法及设备
CN113128308A (zh) 一种港口场景下的行人检测方法、装置、设备及介质
CN115620238A (zh) 一种基于多元信息融合的园区行人属性识别方法
CN115330759A (zh) 一种基于豪斯多夫距离计算距离损失的方法及装置
CN113869151A (zh) 一种基于特征融合的跨视角步态识别方法及系统
CN113837039A (zh) 一种基于卷积神经网络的果实生长形态视觉辨识方法
Gai et al. Yolov5s-cherry: Cherry target detection in dense scenes based on improved yolov5s algorithm

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: 20200204

RJ01 Rejection of invention patent application after publication