CN111079584A - 基于改进YOLOv3的快速车辆检测方法 - Google Patents
基于改进YOLOv3的快速车辆检测方法 Download PDFInfo
- Publication number
- CN111079584A CN111079584A CN201911220341.9A CN201911220341A CN111079584A CN 111079584 A CN111079584 A CN 111079584A CN 201911220341 A CN201911220341 A CN 201911220341A CN 111079584 A CN111079584 A CN 111079584A
- Authority
- CN
- China
- Prior art keywords
- output
- model
- channel
- training
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 230000007246 mechanism Effects 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012216 screening Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 34
- 238000011176 pooling Methods 0.000 claims description 31
- 238000012795 verification Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 2
- 238000009432 framing Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于改进YOLOv3的快速车辆检测方法。实时目标检测算法YOLOv3的检测速度较快且精度良好,但存在边界框定位不够精确、难以区分重叠物体等不足。本发明提出了Attention‑YOLOv3算法,该算法借鉴了基于项的注意力机制,将通道注意力及空间注意力机制加入特征提取网络之中,使用经过筛选加权的特征向量来替换原有的特征向量进行残差融合,该算法有效降低了边界框的定位误差并提升了检测精度。同时本发明对于YOLO v3的anchor选取进行优化,对视频车辆图像数据集的目标候选框进行维度聚类分析,选择最优anchor个数。本发明在保证车辆检测实时性的前提下提高了车辆检测的准确性。
Description
技术领域
本发明适用于车辆检测领域,提供了一种基于改进YOLOv3的快速车辆检测方法。
背景技术
在视频流中最基础的内容就是把我们需要提取的目标检测和识别出来。这个领域综合了很多学科的知识,包括计算机视觉,图像处理,人工智能,数学建模等等一系列的知识。从计算机存储的角度来看,视频数据由一系列的帧图像组成,而每一帧的图像都由固定数量的像素点组成。大致的处理流程如下,首先从这些像素构成的矩阵信息中利用一些特殊方法提取出所需的目标,然后对提取出的目标进行一定的跟踪,最后利用跟踪产生的数据可以对目标的行为进行一定的分析并产生初步的结论。虽然这个领域己经发展了五十多年,但是这并不意味着这己经成为一个过时的话题。相反,这个领域涌现出越来越多新的技术,具有了更高的准确性和可靠性,从而衍生出很多新一代的产品。例如谷歌的无人驾驶汽车,拥塞路段的智能提示等等都是以此作为基础,产生了很高的经济价值和社会价值。
通过采集交通场景的空间以及时间信息,利用计算机视觉的优势对所获得的信息进行进一步的提取,就能获得更为具有价值的信息。比如高速公路上某个路段实时的车流速度,通过的车流量,每日的主要车流类别都可以迅速的获取出来。通过对特别拥堵的路段,系统可以做出报警提示,交通部门就可以迅速的采取有效手段进行调制,做到精确而有效。这样的管理系统不仅很方便的就可以在所需的路段上安装,而且便于维护管理。随着未来电子科技的迅猛发展,遵循摩尔定律,计算机硬件的价格越来越便宜,性能越来越强,能够更快的对所获取的交通信息进行更加复杂的计算和推导。不仅仅车流监控系统的实时性可以得到很好的满足,而且功能性会进一步提升。可见,利用计算机视觉的技术对道路交通视频进行分析处理,具有很重要的现实意义,吸引着众多的国内外学者投入其中。
发明内容
本发明的目的是:在不影响车辆检测实时性的前提下提高了车辆检测的准确性。
为了达到上述目的,本发明的技术方案是提供了一种基于改进YOLOv3的快速车辆检测方法,其特征在于,包括以下步骤:
步骤一)通过视频流获取若干包含车辆的图片,并对每张图片进行人工标注,标注每张图片所包含的车辆类型以及将图片中的车辆用目标包围框框出,按所有已完成标准的图片按照比例划分为检测模型的训练集和验证集,并对训练集进行数据扩增;
步骤二)构建基于改进的YOLOv3目标检测网络,在改进的YOLOv3目标检测网络中,对车辆候选框进行聚类分析选取目标候选框个数和宽高比维度,重新确定YOLOv3目标检测网络的anchor个数和宽高维度;同时,改进的YOLOv3目标检测网络为引入注意力机制的Attention-YOLOv3算法,在YOLOv3目标检测网络的Darknet-53特征提取网络加入通道注意力机制及空间注意力机制,并在通道注意力机制及空间注意力机制中分别加入全局最大池化操作,两种全局最大池化操作完成后进行合并送入MLP进行通道信息筛选,接着,沿着通道维度进行平均池化和最大池化,将平均池化和最大池化的输出合并后得到特征描述子,最后,使用卷积操作来进行编码,得到空间注意力图;
步骤三)在目标检测网络上使用训练集进行模型训练,并选出验证集表现最优的模型;
步骤四)基于最优的模型,在GPU服务器上进行预测,实现对视频流进行目标车辆检测。
优选地,步骤一)中,拍摄以道路为背景的车辆视频,并对车辆视频进行逐帧提取获得所述视频流;
进行人工标注所使用的标注工具为LabelImg,标注完成生成xml格式的标记信息文件,在标记信息文件中,记录图片中每个目标车辆的坐标,包含左上角坐标x,左上角坐标y,宽度w和高度h,同时删掉模糊图片或者难以标注的图片,同时利用CCPD、KITTI及UA-DETRAC公开数据集作为补充数据集,将补充数据集及标记信息文件中的述数据按照等比例混合,按照9:1的比例划分为检测模型的所述训练集和所述验证集,训练集用于模型训练,验证集不参与模型训练,用于验证模型的训练效果。
优选地,步骤二)中,使用K-means聚类方法对车辆训练集以预测框和真实框的交并比作为相似度标准进行聚类,选取先验框数量和规格,然后对BBox的坐标、高和宽使用平方误差的总和做损失计算进行回归,并采用交叉熵损失计算的优化方法训练,进行多标签分类,通过随机梯度下降法优化求解模型,其中,BBox的坐标、高和宽的平方误差总和损失Lreg为:
优选地,步骤二)中,设输入注意力机制的卷积集为X,保留作为残差分支的输入之一,且其中H、W、C表示的是特征图的长度、宽度和通道数,随后将卷积集X分别送入两个独立的分支进行全局平均池化及全局最大池化操作,设全局平均池化过程为Favg,全局最大池化过程为Fmax,令Favg和Fmax的输出分别为Attavg及Attmax,且则一维的权重序列Attavg可以很好地筛选出目标物体的全局背景信息,同时Attmax可以很好地突出目标物体的显著特征;
令X=[x1,x2,…,xc],其中xc表示的是第c个卷积核的参数,则:
式中,xc(i,j)表示的是在大小为H×W的特征图上横纵坐标分别为i和j的点的第c个卷积核的参数。
outputch=outputavg+outputmax
其中两条分支的输出outputavg、outputmax分别是:
outputavg=Sigmoid(FC4×ReLU(FC3×Attavg))
outputmax=Sigmoid(FC4×ReLU(FC3×Attmax))
接着通过矩阵乘法完成特征加权操作:
W=(xc,outputch)=xc×outputch,式中,xc表示第c个卷积核的参数,得到筛选过的通道特征W=[w1,w2,...,wc];
通道特征筛选完成后,将W输入至新的空间注意力机制模块中,包括以下步骤:首先,输入的特征向量将分别经过Attavg以及Attmax,再沿着通道维度进行特征叠加,得到为了能得到二维的特征权重信息,进行卷积操作来降维,令F3×3表示的是输入通道数为2,输出通道数为1,卷积核大小为3×3的卷积操作,则最后特征加权后的输出向量为outputchsp=F3×3(Ccon)×W,最终,整个通道和空间注意力机制模块的输出为outputchsp+X。
优选地,步骤三)中,选出验证集表现最优的模型包括以下步骤:
在训练过程,每经过1轮存储一次模型,并将该模型在验证集上测试,根据车辆检测的精度mAP选择最优的模型。
优选地,步骤四)具体包括以下步骤:
按适当帧率从摄像头得到照片,用传统图像处理方法降噪、锐化后上传到GPU显存;逐级在其上计算改进的YOLO模型的每一层,获得输出;筛选合适的边界框,最终输出置信值足够高的目标的位置、大小、种类。
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:实时目标检测算法YOLOv3的检测速度较快且精度良好,但存在边界框定位不够精确、难以区分重叠物体等不足。本发明提出了Attention-YOLOv3算法,该算法借鉴了基于项的注意力机制,将通道注意力及空间注意力机制加入特征提取网络之中,使用经过筛选加权的特征向量来替换原有的特征向量进行残差融合,该算法有效降低了边界框的定位误差并提升了检测精度。同时本发明对于YOLO v3的anchor选取进行优化,对视频车辆图像数据集的目标候选框进行维度聚类分析,选择最优anchor个数。本发明在保证车辆检测实时性的前提下提高了车辆检测的准确性。
附图说明
图1是本发明的流程图;
图2是注意力机制结构图;
图3是YOLOv3多尺度预测结构图;
图4是用于残差连接的通道及空间注意力机制结构图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种基于改进YOLOv3的快速车辆检测方法,如图1所示,包括以下步骤:
步骤1:数据集的制作与验证集的扩增:通过视频流获取若干包含车辆的图片,并在图片上做好人工标注,按比例划分为检测模型的训练集和验证集,并对验证集进行数据扩增,包括将车辆照片进行多尺度变化、旋转、亮暗,以达到数据增强的效果,提升模型训练的泛化能力,为车辆检测部分做好准备。
步骤2:构建基于改进的YOLOv3目标检测网络:改进的YOLOv3其一是指根据车辆呈现宽高比相对固定的特点,利用K-Means聚类方法选取目标候选框个数和宽高比维度。使用K-means聚类方法对车辆训练集以预测框和真实框的交并比作为相似度标准进行聚类,选取先验框数量和规格,然后对BBox的坐标、高和宽使用平方误差的总和做损失计算进行回归,并采用交叉熵损失计算的优化方法训练,进行多标签分类,通过随机梯度下降法优化求解模型。BBox的坐标、高和宽的平方误差总和损失为:
改进的YOLOv3其二是引入注意力机制的Attention-YOLOv3算法,在特征提取网络中加入通道注意力及空间注意力机制。注意力机制结构图如图2所示。YOLOv3算法的网络结构主要由Darknet-53特征提取网络以及特征金字塔网络两部分组成。整个特征提取网络完全由卷积层组成,没有用到池化操作。如图3所示,YOLOv3中所采用的特征金字塔结构(FPN)则是直接在原来的单一网络上做修改,在每个分辨率的特征图上引入后一分辨率缩放两倍的特征图并做相加(element-wise)操作。本发明首先改进原有的注意力机制,加入全局最大池化操作,两种池化操作完成后进行合并送入MLP进行通道信息筛选。接着,沿着通道维度进行平均池化和最大池化,将两者的输出合并后得到特征描述子。最后,使用卷积操作来进行编码,得到空间注意力图。以上改进不但能帮助网络进行更准确的分类,又能更精准地定位物体所在的位置。通道及空间注意力机制的结构如图4所示。
设全局平均池化过程为Favg,全局最大池化过程为Fmax,令Favg和Fmax的输出分别为Attavg及Attmax,且一维的权重序列Attavg可以很好地筛选出目标物体的全局背景信息,同时Attmax可以很好地突出目标物体的显著特征。令X=[x1,x2,…,xc],其中xc表示的是第c个卷积核的参数。则:
outputch=outputavg+outputmax
其中两条分支的输出分别是:
outputavg=Sigmoid(FC4×ReLU(FC3×Attavg))
outputmax=Sigmoid(FC4×ReLU(FC3×Attmax))
接着通过矩阵乘法完成特征加权操作:
W=(xc,outputch)=xc×outputch
得到筛选过的通道特征W=[w1,w2,…,wc]。
第一部分的通道特征筛选完成后,需要将W输入至新的空间注意力机制模块中。首先,输入的特征向量将分别经过Attavg以及Attmax,再沿着通道维度进行特征叠加,得到为了能得到二维的特征权重信息,进行卷积操作来降维,令F3×3表示的是输入通道数为2,输出通道数为1,卷积核大小为3×3的卷积操作,则最后特征加权后的输出向量为outputchsp=F3×3(Ccon)×W,最终,整个通道和空间注意力机制模块的输出为outputchsp+X。
步骤3:在目标检测网络上使用训练集进行模型训练,并选出验证集表现最优的模型:最优的模型为在训练过程,每经过1轮存储一次模型,并将该模型在验证集上测试,根据车辆检测的精度mAP选择最优的模型。
步骤4:基于最优的模型,在GPU服务器上进行预测,实现对视频流进行目标车辆检测:按适当帧率从摄像头得到照片,用传统图像处理方法降噪、锐化后上传到GPU显存;逐级在其上计算改进的YOLO模型的每一层,获得输出;筛选合适的边界框,最终输出置信值足够高的目标的位置、大小、种类。
不难发现,本发明提出了Attention-YOLOv3算法,该算法借鉴了基于项的注意力机制,将通道注意力及空间注意力机制加入特征提取网络之中,使用经过筛选加权的特征向量来替换原有的特征向量进行残差融合,该算法有效降低了边界框的定位误差并提升了检测精度,弥补了YOLOv3边界框定位不够精确、难以区分重叠物体等不足,本发明在保证车辆检测实时性的前提下提高了车辆检测的准确性,具有较高的实用性。
Claims (6)
1.一种基于改进YOLOv3的快速车辆检测方法,其特征在于,包括以下步骤:
步骤一)通过视频流获取若干包含车辆的图片,并对每张图片进行人工标注,标注每张图片所包含的车辆类型以及将图片中的车辆用目标包围框框出,按所有已完成标准的图片按照比例划分为检测模型的训练集和验证集,并对训练集进行数据扩增;
步骤二)构建基于改进的YOLOv3目标检测网络,在改进的YOLOv3目标检测网络中,对车辆候选框进行聚类分析选取目标候选框个数和宽高比维度,重新确定YOLOv3目标检测网络的anchor个数和宽高维度;同时,改进的YOLOv3目标检测网络为引入注意力机制的Attention-YOLOv3算法,在YOLOv3目标检测网络的Darknet-53特征提取网络加入通道注意力机制及空间注意力机制,并在通道注意力机制及空间注意力机制中分别加入全局最大池化操作,两种全局最大池化操作完成后进行合并送入MLP进行通道信息筛选,接着,沿着通道维度进行平均池化和最大池化,将平均池化和最大池化的输出合并后得到特征描述子,最后,使用卷积操作来进行编码,得到空间注意力图;
步骤三)在目标检测网络上使用训练集进行模型训练,并选出验证集表现最优的模型;
步骤四)基于最优的模型,在GPU服务器上进行预测,实现对视频流进行目标车辆检测。
2.如权利要求1所述的一种基于改进YOLOv3的快速车辆检测方法,其特征在于,步骤一)中,拍摄以道路为背景的车辆视频,并对车辆视频进行逐帧提取获得所述视频流;
进行人工标注所使用的标注工具为LabelImg,标注完成生成xml格式的标记信息文件,在标记信息文件中,记录图片中每个目标车辆的坐标,包含左上角坐标x,左上角坐标y,宽度w和高度h,同时删掉模糊图片或者难以标注的图片,同时利用CCPD、KITTI及UA-DETRAC公开数据集作为补充数据集,将补充数据集及标记信息文件中的述数据按照等比例混合,按照9:1的比例划分为检测模型的所述训练集和所述验证集,训练集用于模型训练,验证集不参与模型训练,用于验证模型的训练效果。
4.如权利要求1所述的一种基于改进YOLOv3的快速车辆检测方法,其特征在于,步骤二)中,设输入注意力机制的卷积集为X,保留作为残差分支的输入之一,且其中H、W、C表示的是特征图的长度、宽度和通道数,随后将卷积集X分别送入两个独立的分支进行全局平均池化及全局最大池化操作,设全局平均池化过程为Favg,全局最大池化过程为Fmax,令Favg和Fmax的输出分别为Attavg及Attmax,且则一维的权重序列Attavg可以很好地筛选出目标物体的全局背景信息,同时Attmax可以很好地突出目标物体的显著特征;
令X=[x1,x2,…,xc],其中xc表示的是第c个卷积核的参数,则:
式中,xc(i,j)表示的是在大小为H×W的特征图上横纵坐标分别为i和j的点的第c个卷积核的参数。
outputch=outputavg+outputmax
其中两条分支的输出outputavg、outputmax分别是:
outputavg=Sigmoid(FC4×ReLU(FC3×Attavg))
outputmax=Sigmoid(FC4×ReLU(FC3×Attmax))
接着通过矩阵乘法完成特征加权操作:
W=(xc,outputch)=xc×outputch,式中,xc表示表示的是第c个卷积核的参数,得到筛选过的通道特征W=[w1,w2,…,wc];
5.如权利要求1所述的一种基于改进YOLOv3的快速车辆检测方法,其特征在于,步骤三)中,选出验证集表现最优的模型包括以下步骤:
在训练过程,每经过1轮存储一次模型,并将该模型在验证集上测试,根据车辆检测的精度mAP选择最优的模型。
6.如权利要求1所述的一种基于改进YOLOv3的快速车辆检测方法,其特征在于,步骤四)具体包括以下步骤:
按适当帧率从摄像头得到照片,用传统图像处理方法降噪、锐化后上传到GPU显存;逐级在其上计算改进的YOLO模型的每一层,获得输出;筛选合适的边界框,最终输出置信值足够高的目标的位置、大小、种类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911220341.9A CN111079584A (zh) | 2019-12-03 | 2019-12-03 | 基于改进YOLOv3的快速车辆检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911220341.9A CN111079584A (zh) | 2019-12-03 | 2019-12-03 | 基于改进YOLOv3的快速车辆检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111079584A true CN111079584A (zh) | 2020-04-28 |
Family
ID=70312572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911220341.9A Pending CN111079584A (zh) | 2019-12-03 | 2019-12-03 | 基于改进YOLOv3的快速车辆检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111079584A (zh) |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563513A (zh) * | 2020-05-15 | 2020-08-21 | 电子科技大学 | 基于注意力机制的散焦模糊检测方法 |
CN111598158A (zh) * | 2020-05-14 | 2020-08-28 | 汇鼎数据科技(上海)有限公司 | 一种基于ai分析技术的仓储库存状态感知方法 |
CN111612751A (zh) * | 2020-05-13 | 2020-09-01 | 河北工业大学 | 基于嵌入分组注意力模块的Tiny-yolov3网络的锂电池缺陷检测方法 |
CN111695448A (zh) * | 2020-05-27 | 2020-09-22 | 东南大学 | 一种基于视觉传感器的路侧车辆识别方法 |
CN111814863A (zh) * | 2020-07-03 | 2020-10-23 | 南京信息工程大学 | 一种轻量级车辆与行人的检测方法 |
CN112069868A (zh) * | 2020-06-28 | 2020-12-11 | 南京信息工程大学 | 一种基于卷积神经网络的无人机实时车辆检测方法 |
CN112132032A (zh) * | 2020-09-23 | 2020-12-25 | 平安国际智慧城市科技股份有限公司 | 交通标志牌检测方法、装置、电子设备及存储介质 |
CN112132031A (zh) * | 2020-09-23 | 2020-12-25 | 平安国际智慧城市科技股份有限公司 | 车款识别方法、装置、电子设备及存储介质 |
CN112149661A (zh) * | 2020-08-07 | 2020-12-29 | 珠海欧比特宇航科技股份有限公司 | 车牌识别方法、装置及介质 |
CN112150821A (zh) * | 2020-10-14 | 2020-12-29 | 清华大学 | 轻量化车辆检测模型构建方法、系统及装置 |
CN112200089A (zh) * | 2020-10-12 | 2021-01-08 | 西南交通大学 | 一种基于车辆计数感知注意力的稠密车辆检测方法 |
CN112200226A (zh) * | 2020-09-27 | 2021-01-08 | 北京达佳互联信息技术有限公司 | 基于强化学习的图像处理方法、图像处理方法及相关装置 |
CN112270827A (zh) * | 2020-06-23 | 2021-01-26 | 北京航空航天大学 | 一种车路协同系统以及道路行人检测方法 |
CN112329697A (zh) * | 2020-11-18 | 2021-02-05 | 广西师范大学 | 一种基于改进YOLOv3的树上果实识别方法 |
CN112329893A (zh) * | 2021-01-04 | 2021-02-05 | 中国工程物理研究院流体物理研究所 | 基于数据驱动的异源多目标智能检测方法及系统 |
CN112380986A (zh) * | 2020-11-13 | 2021-02-19 | 华南理工大学 | 抗复杂街道背景干扰的车型检测方法、系统及存储介质 |
CN112418345A (zh) * | 2020-12-07 | 2021-02-26 | 苏州小阳软件科技有限公司 | 细粒度小目标快速识别的方法和装置 |
CN112434672A (zh) * | 2020-12-18 | 2021-03-02 | 天津大学 | 一种基于改进YOLOv3的海上人体目标检测方法 |
CN112508014A (zh) * | 2020-12-04 | 2021-03-16 | 东南大学 | 一种基于注意力机制的改进YOLOv3目标检测方法 |
CN112529090A (zh) * | 2020-12-18 | 2021-03-19 | 天津大学 | 一种基于改进YOLOv3的小目标检测方法 |
CN112712012A (zh) * | 2020-12-29 | 2021-04-27 | 中通服公众信息产业股份有限公司 | 一种道路卡口车辆位置检测方法 |
CN112733821A (zh) * | 2021-03-31 | 2021-04-30 | 成都西交智汇大数据科技有限公司 | 一种融合轻量级注意力模型的目标检测方法 |
CN112733749A (zh) * | 2021-01-14 | 2021-04-30 | 青岛科技大学 | 融合注意力机制的实时行人检测方法 |
CN112818834A (zh) * | 2021-01-29 | 2021-05-18 | 山东大学 | 一种交叉口针对应急车辆的避让判定方法、设备及介质 |
CN112884064A (zh) * | 2021-03-12 | 2021-06-01 | 迪比(重庆)智能科技研究院有限公司 | 一种基于神经网络的目标检测与识别方法 |
CN113077657A (zh) * | 2021-03-30 | 2021-07-06 | 上海华兴数字科技有限公司 | 车辆间安全距离报警方法及装置 |
CN113111828A (zh) * | 2021-04-23 | 2021-07-13 | 中国科学院宁波材料技术与工程研究所 | 一种轴承三维缺陷检测方法及系统 |
CN113134683A (zh) * | 2021-05-13 | 2021-07-20 | 兰州理工大学 | 基于机器学习的激光标刻方法及装置 |
CN113158738A (zh) * | 2021-01-28 | 2021-07-23 | 中南大学 | 一种基于注意力机制的港口环境下目标检测方法、系统、终端及可读存储介质 |
CN113344138A (zh) * | 2021-07-06 | 2021-09-03 | 南京信息工程大学 | 一种基于注意力机制的图像检测方法 |
CN113537226A (zh) * | 2021-05-18 | 2021-10-22 | 哈尔滨理工大学 | 一种基于深度学习的烟雾检测方法 |
CN113570003A (zh) * | 2021-09-23 | 2021-10-29 | 深圳新视智科技术有限公司 | 基于注意力机制的特征融合缺陷检测方法及装置 |
CN113837087A (zh) * | 2021-09-24 | 2021-12-24 | 上海交通大学宁波人工智能研究院 | 一种基于YOLOv3的动物目标检测系统和方法 |
CN113903180A (zh) * | 2021-11-17 | 2022-01-07 | 四川九通智路科技有限公司 | 一种高速公路检测车辆超速的方法及系统 |
CN114170548A (zh) * | 2021-12-07 | 2022-03-11 | 中国石油大学(华东) | 一种基于深度学习的油田现场微目标检测方法及系统 |
CN116563800A (zh) * | 2023-04-26 | 2023-08-08 | 北京交通大学 | 基于轻量化YOLOv3的隧道内车辆检测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018028255A1 (zh) * | 2016-08-11 | 2018-02-15 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
CN109815886A (zh) * | 2019-01-21 | 2019-05-28 | 南京邮电大学 | 一种基于改进YOLOv3的行人和车辆检测方法及系统 |
WO2019169816A1 (zh) * | 2018-03-09 | 2019-09-12 | 中山大学 | 一种用于精细化识别车辆属性的深度神经网络及训练方法 |
-
2019
- 2019-12-03 CN CN201911220341.9A patent/CN111079584A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018028255A1 (zh) * | 2016-08-11 | 2018-02-15 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
WO2019169816A1 (zh) * | 2018-03-09 | 2019-09-12 | 中山大学 | 一种用于精细化识别车辆属性的深度神经网络及训练方法 |
CN109815886A (zh) * | 2019-01-21 | 2019-05-28 | 南京邮电大学 | 一种基于改进YOLOv3的行人和车辆检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
徐诚极;王晓峰;杨亚东: ""Attention-YOLO:引入注意力机制的 YOLO检测算法"" * |
Cited By (53)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612751A (zh) * | 2020-05-13 | 2020-09-01 | 河北工业大学 | 基于嵌入分组注意力模块的Tiny-yolov3网络的锂电池缺陷检测方法 |
CN111612751B (zh) * | 2020-05-13 | 2022-11-15 | 河北工业大学 | 基于嵌入分组注意力模块的Tiny-yolov3网络的锂电池缺陷检测方法 |
CN111598158A (zh) * | 2020-05-14 | 2020-08-28 | 汇鼎数据科技(上海)有限公司 | 一种基于ai分析技术的仓储库存状态感知方法 |
CN111598158B (zh) * | 2020-05-14 | 2023-05-12 | 汇鼎数据科技(上海)有限公司 | 一种基于ai分析技术的仓储库存状态感知方法 |
CN111563513B (zh) * | 2020-05-15 | 2022-06-24 | 电子科技大学 | 基于注意力机制的散焦模糊检测方法 |
CN111563513A (zh) * | 2020-05-15 | 2020-08-21 | 电子科技大学 | 基于注意力机制的散焦模糊检测方法 |
CN111695448B (zh) * | 2020-05-27 | 2022-06-17 | 东南大学 | 一种基于视觉传感器的路侧车辆识别方法 |
CN111695448A (zh) * | 2020-05-27 | 2020-09-22 | 东南大学 | 一种基于视觉传感器的路侧车辆识别方法 |
CN112270827A (zh) * | 2020-06-23 | 2021-01-26 | 北京航空航天大学 | 一种车路协同系统以及道路行人检测方法 |
CN112069868A (zh) * | 2020-06-28 | 2020-12-11 | 南京信息工程大学 | 一种基于卷积神经网络的无人机实时车辆检测方法 |
CN111814863A (zh) * | 2020-07-03 | 2020-10-23 | 南京信息工程大学 | 一种轻量级车辆与行人的检测方法 |
CN112149661A (zh) * | 2020-08-07 | 2020-12-29 | 珠海欧比特宇航科技股份有限公司 | 车牌识别方法、装置及介质 |
CN112132031B (zh) * | 2020-09-23 | 2024-04-16 | 平安国际智慧城市科技股份有限公司 | 车款识别方法、装置、电子设备及存储介质 |
CN112132031A (zh) * | 2020-09-23 | 2020-12-25 | 平安国际智慧城市科技股份有限公司 | 车款识别方法、装置、电子设备及存储介质 |
CN112132032A (zh) * | 2020-09-23 | 2020-12-25 | 平安国际智慧城市科技股份有限公司 | 交通标志牌检测方法、装置、电子设备及存储介质 |
CN112200226A (zh) * | 2020-09-27 | 2021-01-08 | 北京达佳互联信息技术有限公司 | 基于强化学习的图像处理方法、图像处理方法及相关装置 |
CN112200089A (zh) * | 2020-10-12 | 2021-01-08 | 西南交通大学 | 一种基于车辆计数感知注意力的稠密车辆检测方法 |
CN112200089B (zh) * | 2020-10-12 | 2021-09-14 | 西南交通大学 | 一种基于车辆计数感知注意力的稠密车辆检测方法 |
CN112150821A (zh) * | 2020-10-14 | 2020-12-29 | 清华大学 | 轻量化车辆检测模型构建方法、系统及装置 |
CN112380986A (zh) * | 2020-11-13 | 2021-02-19 | 华南理工大学 | 抗复杂街道背景干扰的车型检测方法、系统及存储介质 |
CN112380986B (zh) * | 2020-11-13 | 2024-02-27 | 华南理工大学 | 抗复杂街道背景干扰的车型检测方法、系统及存储介质 |
CN112329697B (zh) * | 2020-11-18 | 2022-04-12 | 广西师范大学 | 一种基于改进YOLOv3的树上果实识别方法 |
CN112329697A (zh) * | 2020-11-18 | 2021-02-05 | 广西师范大学 | 一种基于改进YOLOv3的树上果实识别方法 |
CN112508014A (zh) * | 2020-12-04 | 2021-03-16 | 东南大学 | 一种基于注意力机制的改进YOLOv3目标检测方法 |
CN112418345B (zh) * | 2020-12-07 | 2024-02-23 | 深圳小阳软件有限公司 | 细粒度小目标快速识别的方法和装置 |
CN112418345A (zh) * | 2020-12-07 | 2021-02-26 | 苏州小阳软件科技有限公司 | 细粒度小目标快速识别的方法和装置 |
CN112434672B (zh) * | 2020-12-18 | 2023-06-27 | 天津大学 | 一种基于改进YOLOv3的海上人体目标检测方法 |
CN112529090B (zh) * | 2020-12-18 | 2023-01-17 | 天津大学 | 一种基于改进YOLOv3的小目标检测方法 |
CN112434672A (zh) * | 2020-12-18 | 2021-03-02 | 天津大学 | 一种基于改进YOLOv3的海上人体目标检测方法 |
CN112529090A (zh) * | 2020-12-18 | 2021-03-19 | 天津大学 | 一种基于改进YOLOv3的小目标检测方法 |
CN112712012A (zh) * | 2020-12-29 | 2021-04-27 | 中通服公众信息产业股份有限公司 | 一种道路卡口车辆位置检测方法 |
CN112329893A (zh) * | 2021-01-04 | 2021-02-05 | 中国工程物理研究院流体物理研究所 | 基于数据驱动的异源多目标智能检测方法及系统 |
CN112733749A (zh) * | 2021-01-14 | 2021-04-30 | 青岛科技大学 | 融合注意力机制的实时行人检测方法 |
CN112733749B (zh) * | 2021-01-14 | 2022-04-12 | 青岛科技大学 | 融合注意力机制的实时行人检测方法 |
CN113158738A (zh) * | 2021-01-28 | 2021-07-23 | 中南大学 | 一种基于注意力机制的港口环境下目标检测方法、系统、终端及可读存储介质 |
CN112818834A (zh) * | 2021-01-29 | 2021-05-18 | 山东大学 | 一种交叉口针对应急车辆的避让判定方法、设备及介质 |
CN112884064A (zh) * | 2021-03-12 | 2021-06-01 | 迪比(重庆)智能科技研究院有限公司 | 一种基于神经网络的目标检测与识别方法 |
CN112884064B (zh) * | 2021-03-12 | 2022-07-29 | 迪比(重庆)智能科技研究院有限公司 | 一种基于神经网络的目标检测与识别方法 |
CN113077657A (zh) * | 2021-03-30 | 2021-07-06 | 上海华兴数字科技有限公司 | 车辆间安全距离报警方法及装置 |
CN112733821B (zh) * | 2021-03-31 | 2021-07-02 | 成都西交智汇大数据科技有限公司 | 一种融合轻量级注意力模型的目标检测方法 |
CN112733821A (zh) * | 2021-03-31 | 2021-04-30 | 成都西交智汇大数据科技有限公司 | 一种融合轻量级注意力模型的目标检测方法 |
CN113111828A (zh) * | 2021-04-23 | 2021-07-13 | 中国科学院宁波材料技术与工程研究所 | 一种轴承三维缺陷检测方法及系统 |
CN113134683A (zh) * | 2021-05-13 | 2021-07-20 | 兰州理工大学 | 基于机器学习的激光标刻方法及装置 |
CN113537226A (zh) * | 2021-05-18 | 2021-10-22 | 哈尔滨理工大学 | 一种基于深度学习的烟雾检测方法 |
CN113344138A (zh) * | 2021-07-06 | 2021-09-03 | 南京信息工程大学 | 一种基于注意力机制的图像检测方法 |
CN113570003A (zh) * | 2021-09-23 | 2021-10-29 | 深圳新视智科技术有限公司 | 基于注意力机制的特征融合缺陷检测方法及装置 |
CN113570003B (zh) * | 2021-09-23 | 2022-01-07 | 深圳新视智科技术有限公司 | 基于注意力机制的特征融合缺陷检测方法及装置 |
CN113837087B (zh) * | 2021-09-24 | 2023-08-29 | 上海交通大学宁波人工智能研究院 | 一种基于YOLOv3的动物目标检测系统和方法 |
CN113837087A (zh) * | 2021-09-24 | 2021-12-24 | 上海交通大学宁波人工智能研究院 | 一种基于YOLOv3的动物目标检测系统和方法 |
CN113903180A (zh) * | 2021-11-17 | 2022-01-07 | 四川九通智路科技有限公司 | 一种高速公路检测车辆超速的方法及系统 |
CN114170548A (zh) * | 2021-12-07 | 2022-03-11 | 中国石油大学(华东) | 一种基于深度学习的油田现场微目标检测方法及系统 |
CN114170548B (zh) * | 2021-12-07 | 2024-08-06 | 中国石油大学(华东) | 一种基于深度学习的油田现场微目标检测方法及系统 |
CN116563800A (zh) * | 2023-04-26 | 2023-08-08 | 北京交通大学 | 基于轻量化YOLOv3的隧道内车辆检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111079584A (zh) | 基于改进YOLOv3的快速车辆检测方法 | |
CN111368815B (zh) | 一种基于多部件自注意力机制的行人重识别方法 | |
Luo et al. | Traffic sign recognition using a multi-task convolutional neural network | |
CN114202672A (zh) | 一种基于注意力机制的小目标检测方法 | |
US20200090516A1 (en) | Vehicle parking availability map systems and methods | |
CN107481279A (zh) | 一种单目视频深度图计算方法 | |
CN111539370A (zh) | 一种基于多注意力联合学习的图像行人重识别方法和系统 | |
CN113609896B (zh) | 基于对偶相关注意力的对象级遥感变化检测方法及系统 | |
CN111914917A (zh) | 一种基于特征金字塔网络和注意力机制的目标检测改进算法 | |
CN107085696A (zh) | 一种基于卡口图像的车辆定位及型号识别方法 | |
CN113255589B (zh) | 一种基于多卷积融合网络的目标检测方法及系统 | |
CN102034267A (zh) | 基于关注度的目标物三维重建方法 | |
CN109344818B (zh) | 一种基于深度卷积网络的光场显著目标检测方法 | |
CN116229452B (zh) | 一种基于改进的多尺度特征融合的点云三维目标检测方法 | |
CN110827320B (zh) | 基于时序预测的目标跟踪方法和装置 | |
CN114120361B (zh) | 一种基于编解码结构的人群计数定位方法 | |
CN112634368A (zh) | 场景目标的空间与或图模型生成方法、装置及电子设备 | |
CN109584203A (zh) | 基于深度学习与语义信息的重定位图像质量评价方法 | |
CN116385707A (zh) | 基于多尺度特征与特征增强的深度学习场景识别方法 | |
CN114782798A (zh) | 一种基于注意力融合的水下目标检测方法 | |
CN114332473A (zh) | 目标检测方法、装置、计算机设备、存储介质及程序产品 | |
CN117830788A (zh) | 一种多源信息融合的图像目标检测方法 | |
CN113920254B (zh) | 一种基于单目rgb的室内三维重建方法及其系统 | |
CN115661611A (zh) | 一种基于改进Yolov5网络的红外小目标检测方法 | |
Tan et al. | Automobile Component Recognition Based on Deep Learning Network with Coarse‐Fine‐Grained Feature Fusion |
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: 20200428 |
|
RJ01 | Rejection of invention patent application after publication |