CN110781850A - 道路识别的语义分割系统和方法、计算机存储介质 - Google Patents
道路识别的语义分割系统和方法、计算机存储介质 Download PDFInfo
- Publication number
- CN110781850A CN110781850A CN201911049052.7A CN201911049052A CN110781850A CN 110781850 A CN110781850 A CN 110781850A CN 201911049052 A CN201911049052 A CN 201911049052A CN 110781850 A CN110781850 A CN 110781850A
- Authority
- CN
- China
- Prior art keywords
- road image
- path
- module
- feature map
- spatial
- 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
Images
Classifications
-
- 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
一种道路识别的语义分割系统和方法。其中,所述系统包括:获取模块、训练模块、分割网络和语义分割模块;其中,所述获取模块,用于获取道路图像训练集和待测道路图像;所述分割网络包含空间路径和环境路径,所述空间路径用于提取道路图像的空间信息,所述环境路径用于提取道路图像的上下文语义信息;所述训练模块,用于利用道路图像训练集训练所述分割网络;所述语义分割模块,用于利用训练好的分割网络,预测待测道路图像,得到待测道路图像中每个像素所属的类别。本发明方案通过设计了空间路径来保留空间信息生成高分辨率的特征,同时又设计了环境路径实现快速的降采样来获得充分的感受野,最后提出了特征融合模块有效地结合这两种特征。
Description
技术领域
本发明属于图像识别领域,具体涉及一种道路识别的语义分割系统和方法、计算机存储介质。
背景技术
道路区域的识别与分割即对视频采集设备实时获取到的真实场景图片进行可行区域的实时预测,目前主要采用计算机视觉领域的语义分割的实现思路进行解决。目前实时语义分割的方法主要有如图6所示。
但是上述两种架构会存在以下问题:
(1)通过裁剪和尺寸变化严格规定输入图像的尺寸会导致视觉效果上可见的精度减少。
(2)改变网络的通道数来加速推理过程会导致预测位置的能力明显地衰弱,从而使得语义分割效果不佳。
(3)丢弃最后阶段的几层来获得一个较小的框架使得模型的感受野减小导致模型分类能力不足。
发明内容
针对于上述现有技术的不足,本发明的目的之一在于提高道路识别与分割任务精度和实时性,增加空间信息和扩大感受野的道路图像识别的方法和系统。
本发明实施例公开了一种道路识别的语义分割系统,所述系统包括:获取模块、训练模块、分割网络和语义分割模块;其中,所述获取模块,用于获取道路图像训练集和待测道路图像;所述分割网络包含空间路径和环境路径,所述空间路径用于提取道路图像的空间信息,所述环境路径用于提取道路图像的上下文语义信息;所述训练模块,用于利用道路图像训练集训练所述分割网络;所述语义分割模块,用于利用训练好的分割网络,预测待测道路图像,得到待测道路图像中每个像素所属的类别。
在一个可能的实施例中,所述空间路径包括3层,每层包含依次连接的卷积层、BN层、ReLU激活层。
在一个可能的实施例中,所述环境路径包括轻量化网络模型Xception 和注意力优化模块。
在一个可能的实施例中,所述轻量化网络模型Xception包括至少两个下采样阶段,第一下采样阶段对道路图像进行快速下采样,之后的下采样阶段均对上一个下采样阶段输出的特征图进行下采样。
在一个可能的实施例中,所述注意力优化模块用于利用全局均值池化获取全局的上下文信息,并通过注意力向量指导特征的学习,去除下采样特征图包含的冗余信息。
在一个可能的实施例中,所述注意力优化模块还用于,使下采样获得的特征图依次经过全局均值池化层、卷积层、批量标准化层、Sigmoid函数,得到维度与输入的通道数相等的向量,该向量与注意力优化模块的输入特征图相乘,获得优化后的特征图。
在一个可能的实施例中,所述分割网络还包括特征融合模块,用于将空间路径与环境路径得到的特征图融合,依次经过卷积层、全局池化层、 ReLu激活层,得到一个融合后的特征图,通过Sigmoid函数来计算特征图中每个通道的权重,利用全局均值池化操作将其转变成一个权重向量,用于特征选择与联合。
一种道路识别的语义分割方法,包括:构造分割网络,其中,所述分割网络包含空间路径和环境路径,所述空间路径用于提取道路图像的空间信息,所述环境路径用于提取道路图像的上下文语义信息;利用获取的道路图像训练集训练分割网络;利用训练好的分割网络,预测获取的待测道路图像,得到待测道路图像中每个像素所属的类别。
在一个可能的实施例中,所述预测获取的待测道路图像包括:利用空间路径提取待测道路图像的空间信息,利用环境路径提取道路图像的上下文语义信息。
在一个可能的实施例中,所述利用环境路径提取道路图像的上下文语义信息包括:利用全局均值池化获取全局的上下文信息,并通过注意力向量指导特征的学习,去除下采样特征图包含的冗余信息。
在一个可能的实施例中,还包括将空间路径与环境路径得到的特征图进行融合,依次经过卷积层、全局池化层、ReLu激活层,得到一个融合后的特征图,通过Sigmoid函数来计算特征图中每个通道的权重,利用全局均值池化操作将其转变成一个权重向量,用于特征选择与联合。
本发明实施例还公开一种计算机存储介质,其存储计算机程序,在所述计算机程序被执行时,实施根据前述任一项所述的方法。
本发明的有益效果:
本发明方案通过设计了空间路径来保留空间信息生成高分辨率的特征,同时又设计了环境路径实现快速的降采样来获得充分的感受野,最后提出了特征融合模块有效地结合这两种特征。
附图说明
图1为本发明实施例的系统结构示意图;
图2为本发明实施例的一种网络结构示意图;
图3为本发明实施例的一种注意力优化模块示意图;
图4为本发明实施例的一种特征融合模块示意图;
图5为本发明实施例的一种方法流程图;
图6为现有技术的实时语义分割的方法示意图。
具体实施方式
为了便于本领域技术人员的理解,下面结合实施例与附图对本发明作进一步的说明,实施方式提及的内容并非对本发明的限定。
参照图1,一种道路识别的语义分割系统10,所述系统10包括:获取模块101、分割网络102、训练模块103和语义分割模块104。
其中,所述获取模块101,用于获取道路图像训练集和待测道路图像。
在一个实施例中,道路图像训练集可以采用目前公开的精确的道路分割数据集Cityscapes进行算法的训练。
Cityscapes数据集,即城市景观数据集,这是一个新的大规模数据集。该大型数据集包含来自50个不同城市的街道场景中记录的多种立体视频序列,除了20000个弱注释帧以外,还包含5000帧高质量像素级注释。其中训练集通常用于训练,包含2975张带有粗糙或精细标注的图像,验证集用于验证hyper-parameters,包含500个具有精细和粗糙注释的图像。
由于Cityscapes数据集提供了多种公路常见物体分割类别,而最终的任务是实现道路区域的分割,因此需要对数据集进行二值化的处理,即对原始数据集中所有非道路的其他类别统一看做一种类别进行预处理。
参照图2,所述分割网络102包含空间路径1021和环境路径1022,所述空间路径1021用于提取道路图像的空间信息,所述环境路径1022用于提取道路图像的上下文语义信息。
在一个实施例中,所述空间路径1021包括3层卷积操作,每层包含依次连接的卷积层、BN层、ReLU激活层,输入的道路图像经过空间路径之后,获得尺寸为原始道路图像尺寸的1/8。该空间路径1021保留空间尺寸并且编码了丰富的位置信息。空间路径每一个卷积层的步长都为2,输出 output_stride=8,之中尺寸的特征图包含了丰富的位置信息。
所述环境路径1022包括轻量化网络模型Xception和注意力优化模块 AttentionRefinement Module(ARM)。
在一个实施例中,所述轻量化网络模型Xception包括多个下采样阶段,第一下采样阶段对道路图像进行快速下采样,之后的下采样阶段均对上一个下。
所述注意力优化模块用于利用全局均值池化获取全局的上下文信息,并通过注意力向量指导特征的学习,去除下采样特征图包含的冗余信息。采样阶段输出的特征图进行下采样。
选择使用轻量级的模型比如Xception来编码高层语义信息,之后加一层全局平均池化来获取最大的感受野,最后将全局池化的结果上采样并于轻量级模型的输出特征相融合。在轻量级模型中,应用U-shape结构来融合这两个阶段的特征,进一步提高道路检测的处理效率。
在一个实施例中,如图3,所述注意力优化模块还用于,使下采样获得的特征图依次经过全局均值池化层、卷积层、批量标准化层、Sigmoid函数,得到维度与输入的通道数相等的向量,该向量与注意力优化模块的输入特征图相乘,获得优化后的特征图。
这个结构能够精细画Context Path中各个阶段的结果。它可以不用上采样就集成全局语义信息,计算代价较小。
在一个实施例中,所述分割网络102还包括特征融合模块1023,用于将空间路径1021与环境路径1022得到的特征图融合,如图4,依次经过卷积层、全局池化层、ReLu激活层,得到一个融合后的特征图,通过Sigmoid 函数来计算特征图中每个通道的权重,利用全局均值池化操作将其转变成一个权重向量,用于特征选择与联合。
所述训练模块103,用于利用道路图像训练集训练所述分割网络102。在一个实施例中,利用Cityscapes中二值化处理过的2975张精细标注的训练图和500精细标注的验证图对所采用的道路区域的识别与分割模型进行训练,并最终在视频采集设备获取到的道路场景进行测试。
在一个实施例中,可以对收集的真实场景的图片进行进一步的标注来对前述分割网络模型进行微调。可以采用开源标注工具labelme进行实际图像中道路区域的分割。
所述语义分割模块104,用于利用训练好的分割网102,预测待测道路图像,得到待测道路图像中每个像素所属的类别。
如图5,一种道路识别的语义分割方法,包括:
S100,构造分割网络,其中,所述分割网络包含空间路径和环境路径,所述空间路径用于提取道路图像的空间信息,所述环境路径用于提取道路图像的上下文语义信息;
S102,利用获取的道路图像训练集训练分割网络;
S104,利用训练好的分割网络,预测获取的待测道路图像,得到待测道路图像中每个像素所属的类别。
在一个实施例中,所述预测获取的待测道路图像包括:利用空间路径提取待测道路图像的空间信息,利用环境路径提取道路图像的上下文语义信息。
在一个实施例中,所述利用环境路径提取道路图像的上下文语义信息包括:利用全局均值池化获取全局的上下文信息,并通过注意力向量指导特征的学习,去除下采样特征图包含的冗余信息。
在一个实施例中,还包括将空间路径与环境路径得到的特征图进行融合,依次经过卷积层、全局池化层、ReLu激活层,得到一个融合后的特征图,通过Sigmoid函数来计算特征图中每个通道的权重,利用全局均值池化操作将其转变成一个权重向量,用于特征选择与联合。
该方法对应于前述的系统实施例,具体可参考系统实施例的描述,不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。例如,以上所描述的实施例仅仅是示意性的,例如,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。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
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存在,也可以是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,也可以采用软件功能单元的形式实现。
本发明具体应用途径很多,以上所述仅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,还可以作出若干改进,这些改进也应视为本发明的保护范围。
Claims (10)
1.一种道路识别的语义分割系统,其特征在于,所述系统包括:获取模块、训练模块、分割网络和语义分割模块;其中,所述获取模块,用于获取道路图像训练集和待测道路图像;所述分割网络包含空间路径和环境路径,所述空间路径用于提取道路图像的空间信息,所述环境路径用于提取道路图像的上下文语义信息;所述训练模块,用于利用道路图像训练集训练所述分割网络;所述语义分割模块,用于利用训练好的分割网络,预测待测道路图像,得到待测道路图像中每个像素所属的类别。
2.如权利要求1所述的系统,其特征在于,所述空间路径包括3层,每层包含依次连接的卷积层、BN层、ReLU激活层。
3.如权利要求1所述的系统,其特征在于,所述环境路径包括轻量化网络模型Xception和注意力优化模块。
4.如权利要求3所述的系统,其特征在于,所述轻量化网络模型Xception包括至少两个下采样阶段,第一下采样阶段对道路图像进行快速下采样,之后的下采样阶段均对上一个下采样阶段输出的特征图进行下采样;所述注意力优化模块用于利用全局均值池化获取全局的上下文信息,并通过注意力向量指导特征的学习,去除下采样特征图包含的冗余信息。
5.如权利要求4所述的系统,其特征在于,所述注意力优化模块还用于,使下采样获得的特征图依次经过全局均值池化层、卷积层、批量标准化层、Sigmoid函数,得到维度与输入的通道数相等的向量,该向量与注意力优化模块的输入特征图相乘,获得优化后的特征图。
6.如权利要求1所述的系统,其特征在于,所述分割网络还包括特征融合模块,用于将空间路径与环境路径得到的特征图融合,依次经过卷积层、全局池化层、ReLu激活层,得到一个融合后的特征图,通过Sigmoid函数来计算特征图中每个通道的权重,利用全局均值池化操作将其转变成一个权重向量,用于特征选择与联合。
7.一种道路识别的语义分割方法,其特征在于,包括:
构造分割网络,其中,所述分割网络包含空间路径和环境路径,所述空间路径用于提取道路图像的空间信息,所述环境路径用于提取道路图像的上下文语义信息;
利用获取的道路图像训练集训练分割网络;
利用训练好的分割网络,预测获取的待测道路图像,得到待测道路图像中每个像素所属的类别。
8.如权利要求7所述的方法,其特征在于,所述预测获取的待测道路图像包括:利用空间路径提取待测道路图像的空间信息,利用环境路径提取道路图像的上下文语义信息,利用全局均值池化获取全局的上下文信息,并通过注意力向量指导特征的学习,去除下采样特征图包含的冗余信息。
9.如权利要求7或8所述的方法,其特征在于,还包括将空间路径与环境路径得到的特征图进行融合,依次经过卷积层、全局池化层、ReLu激活层,得到一个融合后的特征图,通过Sigmoid函数来计算特征图中每个通道的权重,利用全局均值池化操作将其转变成一个权重向量,用于特征选择与联合。
10.一种计算机存储介质,其存储计算机程序,其特征在于,在所述计算机程序被执行时,实施根据权利要求7-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911049052.7A CN110781850A (zh) | 2019-10-31 | 2019-10-31 | 道路识别的语义分割系统和方法、计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911049052.7A CN110781850A (zh) | 2019-10-31 | 2019-10-31 | 道路识别的语义分割系统和方法、计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110781850A true CN110781850A (zh) | 2020-02-11 |
Family
ID=69388103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911049052.7A Pending CN110781850A (zh) | 2019-10-31 | 2019-10-31 | 道路识别的语义分割系统和方法、计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110781850A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539325A (zh) * | 2020-04-23 | 2020-08-14 | 四川旅游学院 | 基于深度学习的森林火灾探测方法 |
CN111598174A (zh) * | 2020-05-19 | 2020-08-28 | 中国科学院空天信息创新研究院 | 图像地物要素分类模型的训练方法、图像分析方法及系统 |
CN112528900A (zh) * | 2020-12-17 | 2021-03-19 | 南开大学 | 基于极致下采样的图像显著性物体检测方法及系统 |
CN113076811A (zh) * | 2021-03-12 | 2021-07-06 | 中山大学 | 一种航空图像道路提取方法及设备 |
CN113255678A (zh) * | 2021-06-17 | 2021-08-13 | 云南航天工程物探检测股份有限公司 | 一种基于语义分割的道路裂缝自动识别方法 |
CN113269197A (zh) * | 2021-04-25 | 2021-08-17 | 南京三百云信息科技有限公司 | 基于语义分割的证件图像顶点坐标回归系统和识别方法 |
CN113689873A (zh) * | 2021-09-07 | 2021-11-23 | 联想(北京)有限公司 | 噪声抑制方法、装置及电子设备和存储介质 |
CN116309601A (zh) * | 2023-05-24 | 2023-06-23 | 泉州装备制造研究所 | 基于Lite-EDNet的皮革缺陷实时检测算法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018036293A1 (zh) * | 2016-08-26 | 2018-03-01 | 杭州海康威视数字技术股份有限公司 | 图像分割方法、装置及全卷积网络系统 |
CN109101907A (zh) * | 2018-07-28 | 2018-12-28 | 华中科技大学 | 一种基于双边分割网络的车载图像语义分割系统 |
CN110197182A (zh) * | 2019-06-11 | 2019-09-03 | 中国电子科技集团公司第五十四研究所 | 基于上下文信息和注意力机制的遥感影像语义分割方法 |
-
2019
- 2019-10-31 CN CN201911049052.7A patent/CN110781850A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018036293A1 (zh) * | 2016-08-26 | 2018-03-01 | 杭州海康威视数字技术股份有限公司 | 图像分割方法、装置及全卷积网络系统 |
CN109101907A (zh) * | 2018-07-28 | 2018-12-28 | 华中科技大学 | 一种基于双边分割网络的车载图像语义分割系统 |
CN110197182A (zh) * | 2019-06-11 | 2019-09-03 | 中国电子科技集团公司第五十四研究所 | 基于上下文信息和注意力机制的遥感影像语义分割方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539325A (zh) * | 2020-04-23 | 2020-08-14 | 四川旅游学院 | 基于深度学习的森林火灾探测方法 |
CN111598174A (zh) * | 2020-05-19 | 2020-08-28 | 中国科学院空天信息创新研究院 | 图像地物要素分类模型的训练方法、图像分析方法及系统 |
CN112528900A (zh) * | 2020-12-17 | 2021-03-19 | 南开大学 | 基于极致下采样的图像显著性物体检测方法及系统 |
CN112528900B (zh) * | 2020-12-17 | 2022-09-16 | 南开大学 | 基于极致下采样的图像显著性物体检测方法及系统 |
CN113076811A (zh) * | 2021-03-12 | 2021-07-06 | 中山大学 | 一种航空图像道路提取方法及设备 |
CN113076811B (zh) * | 2021-03-12 | 2023-08-15 | 中山大学 | 一种航空图像道路提取方法及设备 |
CN113269197A (zh) * | 2021-04-25 | 2021-08-17 | 南京三百云信息科技有限公司 | 基于语义分割的证件图像顶点坐标回归系统和识别方法 |
CN113269197B (zh) * | 2021-04-25 | 2024-03-08 | 南京三百云信息科技有限公司 | 基于语义分割的证件图像顶点坐标回归系统和识别方法 |
CN113255678A (zh) * | 2021-06-17 | 2021-08-13 | 云南航天工程物探检测股份有限公司 | 一种基于语义分割的道路裂缝自动识别方法 |
CN113689873A (zh) * | 2021-09-07 | 2021-11-23 | 联想(北京)有限公司 | 噪声抑制方法、装置及电子设备和存储介质 |
CN116309601A (zh) * | 2023-05-24 | 2023-06-23 | 泉州装备制造研究所 | 基于Lite-EDNet的皮革缺陷实时检测算法 |
CN116309601B (zh) * | 2023-05-24 | 2023-08-22 | 泉州装备制造研究所 | 基于Lite-EDNet的皮革缺陷实时检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110781850A (zh) | 道路识别的语义分割系统和方法、计算机存储介质 | |
CN110111366B (zh) | 一种基于多级损失量的端到端光流估计方法 | |
CN111598030B (zh) | 一种航拍图像中车辆检测和分割的方法及系统 | |
CN111563909B (zh) | 一种复杂街景图像语义分割方法 | |
CN111104903B (zh) | 一种深度感知交通场景多目标检测方法和系统 | |
CN113688836A (zh) | 一种基于深度学习的实时性道路图像语义分割方法及系统 | |
CN114842085B (zh) | 一种全场景车辆姿态估计方法 | |
CN112990065B (zh) | 一种基于优化的YOLOv5模型的车辆分类检测方法 | |
CN115223130B (zh) | 基于改进YOLOv5的多任务全景驾驶感知方法与系统 | |
CN111353544A (zh) | 一种基于改进的Mixed Pooling-YOLOV3目标检测方法 | |
CN114495029A (zh) | 一种基于改进YOLOv4的交通目标检测方法及系统 | |
CN116797787B (zh) | 基于跨模态融合与图神经网络的遥感影像语义分割方法 | |
CN112183649A (zh) | 一种用于对金字塔特征图进行预测的算法 | |
Lu et al. | Mfnet: Multi-feature fusion network for real-time semantic segmentation in road scenes | |
CN112508099A (zh) | 一种实时目标检测的方法和装置 | |
CN117079163A (zh) | 一种基于改进yolox-s的航拍图像小目标检测方法 | |
CN116596966A (zh) | 一种基于注意力和特征融合的分割与跟踪方法 | |
CN114639067A (zh) | 一种基于注意力机制的多尺度全场景监控目标检测方法 | |
CN112785610B (zh) | 一种融合低层特征的车道线语义分割方法 | |
CN113850135A (zh) | 一种基于时间移位框架的动态手势识别方法及系统 | |
CN116563553B (zh) | 一种基于深度学习的无人机图像分割方法和系统 | |
CN111612803B (zh) | 一种基于图像清晰度的车辆图像语义分割方法 | |
CN113096133A (zh) | 一种基于注意力机制的语义分割网络的构建方法 | |
CN113505640A (zh) | 一种基于多尺度特征融合的小尺度行人检测方法 | |
CN117409412A (zh) | 一种基于细节增强的双分辨率实时语义分割方法 |
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 |