CN110853069A - 一种用于车辆外观分割的神经网络模型构建方法与系统 - Google Patents

一种用于车辆外观分割的神经网络模型构建方法与系统 Download PDF

Info

Publication number
CN110853069A
CN110853069A CN201910970974.5A CN201910970974A CN110853069A CN 110853069 A CN110853069 A CN 110853069A CN 201910970974 A CN201910970974 A CN 201910970974A CN 110853069 A CN110853069 A CN 110853069A
Authority
CN
China
Prior art keywords
neural network
vehicle appearance
network model
segmentation
vehicle
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
CN201910970974.5A
Other languages
English (en)
Inventor
周康明
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.)
Shanghai Eye Control Technology Co Ltd
Original Assignee
Shanghai Eye Control Technology 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 Shanghai Eye Control Technology Co Ltd filed Critical Shanghai Eye Control Technology Co Ltd
Priority to CN201910970974.5A priority Critical patent/CN110853069A/zh
Publication of CN110853069A publication Critical patent/CN110853069A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请的目的是提供一种用于车辆外观分割的神经网络模型构建方法与系统。与现有技术相比，本申请通过一种用于车辆外观分割的神经网络模型构建方法，首先获取已对车辆外观标注过的样本图像集，接着将所述样本图像输入改造后的神经网络进行训练获得自适应边距损失函数输出的损失值，其中，所述改造后的神经网络结合了自适应边距损失函数，最后判断所述损失值是否满足预设的阈值，如满足则完成用于车辆外观分割的神经网络模型构建。通过该方法使得车辆外观图像中类别样本较少或更难区分的类别可得到更高权重，很好解决了类别样本不均衡问题，能更准确完成车辆外观的图像分割，该方法在低显存占用情况下对车辆外观分割获得更高的准确度。

Description

一种用于车辆外观分割的神经网络模型构建方法与系统
技术领域
本申请涉及计算机图像处理技术领域，尤其涉及一种用于车辆外观分割的神经网络模型构建的技术。
背景技术
车辆作为道路交通场景的主体之一，其状态、位置、外观等信息对相关道路交通问题处理是十分重要的。虽然不同品牌、类型的车辆其外观多种多样，但其基本结构和组成部分是共通的。在某些道路交通应用场景中，我们需要对图像中车辆的结构进行精确分割，比如在违章检测中，需要对车轮进行定位；在事故分析中，需要对涉及事故的车辆受损部分进行定损；在车辆年检中，需要对各部分的完整度进行评估。
图像分割的难点在于需要给图像的每个像素分配一个语义标签，既需要抽象出高层语义信息，同时需要兼顾低层图像分割的准确性。对于车辆外观图像分割，由于车辆外观不同类别所占的表面积差距十分大，样本不均衡，使得准确获得车辆外观图像分割更困难。
发明内容
为解决上述问题，本申请的目的是提供一种用于车辆外观分割的神经网络模型构建方法与系统。
根据本申请的一个方面，提供了一种用于车辆外观分割的神经网络模型构建方法，其特征在于，所述方法包括：
获取已对车辆外观标注过的样本图像集；
将所述样本图像输入改造后的神经网络进行训练获得自适应边距损失函数输出的损失值，其中，所述改造后的神经网络结合了自适应边距损失函数；
当所述损失值满足预设的阈值，完成用于车辆外观分割的神经网络模型构建。
优选地，所述自适应边距损失函数公式为：
Figure BDA0002226035620000021
其中，s为尺度系数，p代表特征被正确分类的概率，α为sigmoid激活函数，γ为为预设参数，可以平滑地控制简单和困难样本之间的边距效应的参数。
优选地，所述神经网络包括RefineNet网络。
优选地，所述改造后的RefineNet网络由1个残差模块、7个残差卷积单元、1个链式残差池化单元和5个特征卷积层组成，其中，残差模块包含5个卷积层，每个残差卷积单元包含2个卷积层，每个链式残差池化单元包含3个卷积层，共27个卷积层。
优选地，所述一种用于车辆外观分割的神经网络模型构建方法还包括：
对所述样本图像集做扩充处理，其中，扩充处理方式包括但不限于：添加随机噪声、数据归一化处理、去均值、随机镜像，以目标区域为中心，对输入图像做多尺度处理。
可选地，所述一种用于车辆外观分割的神经网络模型构建方法还包括：
将获取的待检测图像输入所述神经网络模型，获得所述待检测图像的车辆外观分割结果。
根据本申请的另一方面，还提供了一种用于车辆外观分割的神经网络模型构建系统，其特征在于，包括以下模块：
获取模块，用于获取已对车辆外观标注过的样本图像集；
神经网络模块，用于将所述样本图输入改造后的RefineNet网络进行训练获得自适应边距损失函数输出的损失值，其中，所述改造后的RefineNet网络结合了自适应边距损失函数，当所述损失值满足预设的阈值，完成用于车辆外观分割的神经网络模型构建。
可选地，所述一种用于车辆外观分割的神经网络模型构建系统还包括：
检测模块：用于将获取的待检测图像输入所述神经网络模型，获得所述待检测图像的车辆外观分割结果。
与现有技术相比，本申请通过一种用于车辆外观分割的神经网络模型构建方法，首先获取已对车辆外观标注过的样本图像集，接着将所述样本图像输入改造后的神经网络进行训练获得自适应边距损失函数输出的损失值，其中，所述改造后的神经网络结合了自适应边距损失函数，最后判断所述损失值是否满足预设的阈值，如满足则完成用于车辆外观分割的神经网络模型构建。通过该方法使得车辆外观图像中类别样本较少或更难区分的类别可得到更高权重，很好解决了类别样本不均衡问题，能更准确完成车辆外观的图像分割，该方法在低显存占用情况下对车辆外观分割获得更高的准确度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1示出根据本申请一个方面的一种用于车辆外观分割的神经网络模型构建方法流程图；
图2示出本申请另一个方面的一种用于车辆外观分割的神经网络模型构建系统框图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本发明作进一步详细描述。
在本申请一个典型的配置中，系统各模块和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
为更进一步阐述本申请所采取的技术手段及取得的效果，下面结合附图及优选实施例，对本申请的技术方案，进行清楚和完整的描述。
图1示出根据本申请一个方面的一种用于车辆外观分割的神经网络模型构建方法流程图，其中，一个实施例的方法包括：
S11获取已对车辆外观标注过的样本图像集；
S12将所述样本图像输入改造后的神经网络进行训练获得自适应边距损失函数输出的损失值，其中，所述改造后的神经网络结合了自适应边距损失函数；
S13当所述损失值满足预设的阈值，完成用于车辆外观分割的神经网络模型构建。
在本申请中，所述方法通过设备1执行，所述设备1为计算机设备和/或云，所述计算机设备包括但不限于个人计算机、笔记本电脑、工业计算机、网络主机、单个网络服务器、多个网络服务器集；所述云由基于云计算(Cloud Computing)的大量计算机或网络服务器构成，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个虚拟超级计算机。在此，所述计算机设备和/或云仅为举例，其他现有的或者今后可能出现的设备和/或资源共享平台如适用于本申请也应包含在本申请的保护范围内，在此，以引用的方式包含于此。
在该实施例中，在所述步骤S11中，获取已对车辆外观标注过的样本图像集，其中，所述样本图像集是车辆年检时所采集的包含车辆完整外观的图像集合，预定义车辆外观各部分标签类别，例如车身、前灯、引擎盖、车轮等多种标签，所述预定义的标签类别仅是举例，其他标签类别预定义方式如适用于本申请也应包含在本申请的保护范围内。基于预定义的标签类别对每个样本图像中的车辆外观各部分参照预定义的标签类别作标注，获取到已对车辆外观标注过的样本图像集。
其中，获取的方式包括但不限于将人工标注图像中的车辆外观各部分，拍照或扫描后上传到设备1，或者通过设备1自带的摄像/扫描装置来对已完成车辆外观各部分人工标注的图像进行处理来获取，也可以是在设备1获取到车辆外观图像后再利用软件工具对车辆外观各部分做标注，在此，所述获取方式仅为举例，其他方式如适用于本申请也应包含在本申请的保护范围内。
继续在该实施例中，在所述步骤S12中，将所述样本图像输入改造后的神经网络进行训练获得自适应边距损失函数输出的损失值，其中，所述改造后的神经网络结合了自适应边距损失函数。
优选地，所述自适应边距损失函数公式为：
Figure BDA0002226035620000051
其中，s为尺度系数，p代表特征被正确分类的概率，α为sigmoid激活函数，γ为预设参数，可以平滑地控制简单和困难样本之间的边距效应。
在深度学习分类任务中使用最广泛的损失函数是Softmax(归一化指数)函数，Softmax损失函数实际上是由Softmax函数和Cross-entropy(交叉熵)损失组合而成，原因是两者放在一起数值计算更加稳定，且求导简单。Softmax损失函数可以将输入映射到(0,1)区间中，从而得到属于某个分类类别的概率。
在深度学习分类任务中，Softmax损失函数的作用是对分类进行约束，为了提高分类能力，使分类正确的条件变得更加严苛，通常会附加一个边距，使得网络模型训练的特征更加紧凑和中心化，网络模型训练收敛后的分类能力得到加强。
很多应用于分类任务的网络模型，通常都会嵌入一个固定的边距，但是，对于存在简单和困难样本，以及类别样本不均衡的分类任务中，例如但不局限于车辆外观分割，即使附加一个固定边距，样本数较少的类别还是会很难分辨，类别样本少或一些相似类别样本的分类难度会比较大，而且，很多分类任务重，困难类别样本占的比例一般较小，大部分类别样本数据简单类别样本，这样往往困难类别样本的特征损失会淹没在简单类别样本中，使得最终的特征损失完全被简单类别样本的统治，影响到网络模型的分类准确率。
所述自适应边距损失函数中，其中，自适应边距定义为：
mA＝α(1-p)γ,γ>0
α为边距上限，p为使用Softmax函数输出的归一化指数概率，衡量类别样本的分类难度。基于所述自适应边距损失函数，若一个困难类别样本距离类别中心较远并被错分类，那么p会较小，使得边距mA趋近于边距上限α，导致被分类正确的条件更加严苛，并对错分类产生一个更大的惩罚；若是简单类别样本，则p趋近于1，使得边距mA趋近于0，自适应边距损失函数的损失等价于Softmax损失函数的损失。预设参数γ可以平滑地控制简单和困难类别样本之间的边距效应，当γ为0时，mA变成了固定边距，γ若增大则边距效应随之增大。
在网络模型训练中α不是一个固定的值，有一个预设的初始值，但是随着迭代次数增加而递增的sigmoid函数。在网络模型训练的开始阶段，所述自适应边距损失函数近似等于softmax损失函数，而随着训练的进行，迭代次数增加，边距效应影响逐渐增大，这样可以在提高类别样本不均衡的分类准确率的情况下也能保证训练的稳定性，加速收敛。
s为尺度系数，与网络模型中的FC(Fully Connected，全连接)层的系数矩阵有关。
优选地，所述神经网络包括RefineNet网络。
优选地，所述改造后的神经网络可以是改造后的RefineNet网络，所述改造后的RefineNet网络由1个残差模块、7个残差卷积单元、1个链式残差池化单元和5个特征卷积层组成，其中，残差模块包含5个卷积层，每个残差卷积单元包含2个卷积层，每个链式残差池化单元包含3个卷积层，共27个卷积层。
其中，所述改造后的RefineNet网络采用多分辨率特征融合结构，采用5个特征卷积层，1个ResBlock(ResidualBlock，残差模块)，使得网络能够同时提取到整体结构和局部细节的特征，两条侧边通过RCU(Residual Convolutional Unit，残差卷积单元)链接跨越了网络的前段和后段，将低层和高层的特征进行融合，在特征融合之前，高层特征首先通过上采样来统一分辨率，接着通过点乘操作，获得融合之后的特征，最后输入到CRP(ChainedResidual Pooling，链式残差池化单元)与RCU。
其中，所述CRP由3层池化卷积层级联，可以整合不同尺度特征，并通过点乘操作整合到一起，从而获取背景上下文信息。抽取的特征输入到CRP中，使网络能够抽取高层语义特征，抓取全局信息，区别前景和背景。
其中，所述CRU是ResNet网络中卷积单元的简化，由2个卷积层和激活层级联，保留了恒等快捷连接，去掉了批量标准化层，从不同尺度的图像中抽取底层特征，CRU保留了较好的特征提取能力。
所述改造后的RefineNet网络的末尾使用一个1x 1的卷积层来代替全连接层。
继续在该实施例中，在所述步骤S13中，所述当所述损失值满足预设的阈值，完成用于车辆外观分割的神经网络模型构建。若自适应边距损失函数的输出满足预设的阈值，完成用于车辆外观分割的神经网络模型的构建。
优选地，所述一种用于车辆外观分割的神经网络模型构建方法还包括：
对所述样本图像集做扩充处理，其中，扩充处理方式包括但不限于：添加随机噪声、数据归一化处理、去均值、随机镜像，以目标区域为中心，对输入图像做多尺度处理。
其中，所述添加随机噪声的扩充处理方式为了使得样本图像集的车辆外观已标注样本图像能尽可能覆盖各类车辆外观，增强所构建网络模型的鲁棒性，所述数据归一化处理、去均值等扩充处理方式为了简化训练数据集，使得训练过程易于收敛，所述随机镜像的扩充处理方式是使得训练数据增强。在此，所述扩充处理方式仅为举例，其他扩充处理方式如适用于本申请也应包含在本申请的保护范围内。
可选地，所述一种用于车辆外观分割的神经网络模型构建方法还可以包括：
将获取的待检测图像输入所述神经网络模型，获得所述待检测图像的车辆外观分割结果。例如，将获取到的待检测图像输入已构建的神经网络模型，获得所述待检测图像中的车辆外观分割结果。还可以进一步地，对车辆外观结果作检验，以验证所述神经网络模型的车辆外观分割结果的准确程度。另外，将获取的待检测图像中的车辆外观各部分做标注后纳入样本图像集，可用于继续训练所述神经网络模型。
图2示出本申请另一个方面的一种用于车辆外观分割的神经网络模型构建系统框图，其中，所述系统包括：
获取模块21，用于获取已对车辆外观标注过的样本图像集；
神经网络模块22，用于将所述样本图输入改造后的RefineNet网络进行训练获得自适应边距损失函数输出的损失值，其中，所述改造后的RefineNet网络结合了自适应边距损失函数，当所述损失值满足预设的阈值，完成用于车辆外观分割的神经网络模型构建。
可选地，所述一种用于车辆外观分割的神经网络模型构建系统还可以包括：
检测模块23(未示出)，用于将获取的待检测图像输入所述神经网络模型，获得所述待检测图像的车辆外观分割结果。例如，将获取到的待检测图像输入已构建的神经网络模型，获得所述待检测图像中的车辆外观分割结果。还可以进一步地，对车辆外观结果作检验，以验证所述神经网络模型的车辆外观分割结果的准确程度。另外，将获取的待检测图像中的车辆外观各部分做标注后纳入样本图像集，可用于继续训练所述神经网络模型。
根据本申请的又一方面，还提供了一种计算机可读介质，所述计算机可读介质存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现前述方法。
根据本申请的又一方面，还提供了一种用于车辆外观分割的神经网络模型构建设备，其中，该设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如前述方法的操作。
例如，计算机可读指令在被执行时使所述一个或多个处理器：获取已对车辆外观标注过的样本图像集；将所述样本图像输入改造后的神经网络进行训练获得自适应边距损失函数输出的损失值，其中，所述改造后的神经网络结合了自适应边距损失函数；当所述损失值满足预设的阈值，完成用于车辆外观分割的神经网络模型构建。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (10)

1.一种用于车辆外观分割的神经网络模型构建方法，其特征在于，所述方法包括：
获取已对车辆外观标注过的样本图像集；
将所述样本图像输入改造后的神经网络进行训练获得自适应边距损失函数输出的损失值，其中，所述改造后的神经网络结合了自适应边距损失函数；
当所述损失值满足预设的阈值，完成用于车辆外观分割的神经网络模型构建。
2.根据权利要求1所述的方法，其特征在于，所述自适应边距损失函数公式为：
其中，s为尺度系数，p代表特征被正确分类的概率，α为sigmoid激活函数，γ为预设参数，可以平滑地控制简单和困难样本之间的边距效应。
3.根据权利要求1所述的方法，其特征在于，所述神经网络包括RefineNet网络。
4.根据权利要求3所述的方法，其特征在于，所述改造后的RefineNet网络由1个残差模块、7个残差卷积单元、1个链式残差池化单元和5个特征卷积层组成，其中，残差模块包含5个卷积层，每个残差卷积单元包含2个卷积层，每个链式残差池化单元包含3个卷积层，共27个卷积层。
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述方法还包括：
对所述样本图像集做扩充处理，其中，扩充处理方式包括但不限于：添加随机噪声、数据归一化处理、去均值、随机镜像，以目标区域为中心，对输入图像做多尺度处理。
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述方法还包括：
将获取的待检测图像输入所述神经网络模型，获得所述待检测图像的车辆外观分割结果。
7.一种用于车辆外观分割的神经网络模型构建系统，其特征在于，包括以下模块：
获取模块，用于获取已对车辆外观标注过的样本图像集；
神经网络模块，用于将所述样本图输入改造后的RefineNet网络进行训练获得自适应边距损失函数输出的损失值，其中，所述改造后的RefineNet网络结合了自适应边距损失函数，当所述损失值满足预设的阈值，完成用于车辆外观分割的神经网络模型构建。
8.根据权利要求7所述的系统，其特征在于，所述系统还包括：
检测模块，用于将获取的待检测图像输入所述神经网络模型，获得所述待检测图像的车辆外观分割结果。
9.一种计算机可读介质，其中，
其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1至6任一项所述的方法。
10.一种用于车辆外观分割的神经网络模型构建设备，其中，该设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如权利要求1至6任一项所述方法的操作。
CN201910970974.5A 2019-10-09 2019-10-09 一种用于车辆外观分割的神经网络模型构建方法与系统 Pending CN110853069A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910970974.5A CN110853069A (zh) 2019-10-09 2019-10-09 一种用于车辆外观分割的神经网络模型构建方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910970974.5A CN110853069A (zh) 2019-10-09 2019-10-09 一种用于车辆外观分割的神经网络模型构建方法与系统

Publications (1)

Publication Number Publication Date
CN110853069A true CN110853069A (zh) 2020-02-28

Family

ID=69596286

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910970974.5A Pending CN110853069A (zh) 2019-10-09 2019-10-09 一种用于车辆外观分割的神经网络模型构建方法与系统

Country Status (1)

Country Link
CN (1) CN110853069A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112541463A (zh) * 2020-12-21 2021-03-23 上海眼控科技股份有限公司 模型训练方法、外观分割方法、设备及存储介质
CN112669274A (zh) * 2020-12-23 2021-04-16 山东大学 一种用于表面异常区域像素级分割的多任务检测方法
CN113900119A (zh) * 2021-09-29 2022-01-07 苏州浪潮智能科技有限公司 一种激光雷达车辆检测的方法、系统、存储介质及设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740451A (zh) * 2018-12-17 2019-05-10 南京理工大学 基于重要性加权的道路场景图像语义分割方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740451A (zh) * 2018-12-17 2019-05-10 南京理工大学 基于重要性加权的道路场景图像语义分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CV_FAMILY_Z: "图像分割RefineNet-Multi-Path Refinement Networks for High-Resolution Semantic Segmentation", 《HTTPS://BLOG.CSDN.NET/CV_FAMILY_Z/ARTICLE/DETAILS/76023973》 *
HAO LIU等: "AdaptiveFace：Adaptive Margin and Sampling for Face Recognition", 《2019 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 *
YAO XIAO等: "Template-Instance Loss for Offline Handwritten Chinese Character Recognition", 《2019 INTERNATIONAL CONFERENCE ON DOCUMENT ANALYSIS AND RECOGNITION (ICDAR)》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112541463A (zh) * 2020-12-21 2021-03-23 上海眼控科技股份有限公司 模型训练方法、外观分割方法、设备及存储介质
CN112669274A (zh) * 2020-12-23 2021-04-16 山东大学 一种用于表面异常区域像素级分割的多任务检测方法
CN112669274B (zh) * 2020-12-23 2022-06-17 山东大学 一种用于表面异常区域像素级分割的多任务检测方法
CN113900119A (zh) * 2021-09-29 2022-01-07 苏州浪潮智能科技有限公司 一种激光雷达车辆检测的方法、系统、存储介质及设备
CN113900119B (zh) * 2021-09-29 2024-01-30 苏州浪潮智能科技有限公司 一种激光雷达车辆检测的方法、系统、存储介质及设备

Similar Documents

Publication Publication Date Title
EP3620979B1 (en) Learning method, learning device for detecting object using edge image and testing method, testing device using the same
US10373027B1 (en) Method for acquiring sample images for inspecting label among auto-labeled images to be used for learning of neural network and sample image acquiring device using the same
CN108875600A (zh) 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质
US20140270489A1 (en) Learned mid-level representation for contour and object detection
US10579907B1 (en) Method for automatically evaluating labeling reliability of training images for use in deep learning network to analyze images, and reliability-evaluating device using the same
CN111461212A (zh) 一种用于点云目标检测模型的压缩方法
CN110853069A (zh) 一种用于车辆外观分割的神经网络模型构建方法与系统
US10275667B1 (en) Learning method, learning device for detecting lane through lane model and testing method, testing device using the same
CN111542841A (zh) 一种内容识别的系统和方法
CN110348392B (zh) 车辆匹配方法及设备
CN106845347A (zh) 海上油膜识别提取方法及系统
CN112861915A (zh) 一种基于高级语义特征无锚框非合作目标检测方法
CN110689134A (zh) 执行机器学习过程的方法、装置、设备以及存储介质
CN111507332A (zh) 车辆vin码检测方法与设备
CN114419583A (zh) 一种大尺度特征的YOLOv4-tiny目标检测算法
CN111626295A (zh) 车牌检测模型的训练方法和装置
CN114330588A (zh) 一种图片分类方法、图片分类模型训练方法及相关装置
CN110555352A (zh) 一种兴趣点识别方法、装置、服务器和存储介质
CN115035347A (zh) 图片识别方法、装置及电子设备
CN114255381A (zh) 图像识别模型的训练方法、图像识别方法、装置及介质
CN114387496A (zh) 一种目标检测方法和电子设备
CN116861262B (zh) 一种感知模型训练方法、装置及电子设备和存储介质
CN113902041A (zh) 目标检测模型的训练及身份验证方法和装置
CN109598712A (zh) 塑料泡沫餐盒的质量检测方法、装置、服务器及存储介质
CN111488927B (zh) 分类阈值确定方法、装置、电子设备及存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200228

RJ01 Rejection of invention patent application after publication