CN111091164A - 基于ohem的语义分割模型训练方法及其系统 - Google Patents

基于ohem的语义分割模型训练方法及其系统 Download PDF

Info

Publication number
CN111091164A
CN111091164A CN202010215590.5A CN202010215590A CN111091164A CN 111091164 A CN111091164 A CN 111091164A CN 202010215590 A CN202010215590 A CN 202010215590A CN 111091164 A CN111091164 A CN 111091164A
Authority
CN
China
Prior art keywords
pixel points
sample pixel
loss function
semantic segmentation
segmentation model
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
CN202010215590.5A
Other languages
English (en)
Inventor
袁施薇
李发成
张如高
虞正华
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.)
Motovis Technology Shanghai Co ltd
Original Assignee
Motovis Technology Shanghai 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 Motovis Technology Shanghai Co ltd filed Critical Motovis Technology Shanghai Co ltd
Priority to CN202010215590.5A priority Critical patent/CN111091164A/zh
Publication of CN111091164A publication Critical patent/CN111091164A/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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • 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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road

Landscapes

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

Abstract

本发明涉及一种基于ohem的语义分割模型训练方法，包括以下步骤：一、计算每个类别的损失函数：二、将每个类别的损失函数进行加权平均，得到最终的分割损失函数；三、使用梯度反传策略对所述语义分割模型进行迭代优化。本发明针对在分割任务中正负样本比例严重不均匀时模型效果较差的问题，提出一种新的分割模型训练方法，该方法平衡正负样本比例对模型进行训练，加大正样本在训练过程中的权重，优选选取难样本，提高了分割任务的效果和训练速度。

Description

基于ohem的语义分割模型训练方法及其系统
技术领域
本发明涉及语义分割技术领域，尤其涉及一种基于ohem的语义分割模型训练方法及其系统。
背景技术
随着计算机视觉的发展，更多基于视觉的感知技术在业界得到了应用，常用的目标识别技术包括目标检测、语义分割、实例分割等，帮助任务定位和识别目标信息，以完成后续工作，例如自动驾驶。如何得到更加精准地检测边界框、如何得到更加精准的分割图，也是学术界和业界的重要研究方向，现已提出很多提升技巧。其中，语义检测任务是指，输入一张图片，分类图片中每个像素点的类别，得到与原图对应的分割图，从而根据这些类别信息完成后续任务。例如我们得到车辆行驶途中前方图片，进而得到行人的分割图，根据相机内参得到与行人的距离，提前做出预警以防撞上。然而，行人相对于图片总体像素而言，所占比例较小，这种不平衡会使得分割模型训练结果比较差。
发明内容
基于此，针对上述技术问题，提供一种基于ohem的语义分割模型训练方法及其系统。
为解决上述技术问题，本发明采用如下技术方案：
一种基于ohem的语义分割模型训练方法，包括以下步骤：
一、计算每个类别的损失函数：
a、将样本图片输入语义分割模型，得到图片中各像素属于各类别的置信度p；
b、取对于当前类别的所有正样本像素点，通过公式（1）计算损失函数：
Figure 867608DEST_PATH_IMAGE001
（1），
其中，
Figure 538148DEST_PATH_IMAGE002
表示样本像素点标签,
Figure 830589DEST_PATH_IMAGE003
表示像素点的像素坐标；
c、从剩下的所有负样本像素点中按置信度由大到小的顺序，且按照正负样本数量1：m的比例取出负样本像素点，并通过公式（1）计算损失函数,m>1；
二、将每个类别的损失函数进行加权平均，得到最终的分割损失函数；
三、通过步骤二得到分割损失函数，使用梯度反传策略对所述语义分割模型进行迭代优化。
所述语义分割模型采用Deeplabv3+模型。
在步骤一中：
若正样本像素点数量过少，即n<
Figure 625370DEST_PATH_IMAGE004
/（1+m）时，则在步骤b中取对于当前类别的所有正 样本像素点，在步骤c中按置信度由大到小取出
Figure 319657DEST_PATH_IMAGE004
个负样本像素点，并按置信度由大到小 取部分负样本像素点作为正样本像素点，以满足正样本像素点最小选取数
Figure 158168DEST_PATH_IMAGE004
/(m+1)；
若正样本像素点数量过多，即（1+m）*n大于所有像素点的数量，则在步骤c中取出所有负样本像素点；
其中，n为步骤b中所取的正样本像素点的数量，
Figure 203485DEST_PATH_IMAGE004
为预设的负样本像素点最小选取 数量。
所述m为3。
本发明还涉及一种基于ohem的语义分割模型训练系统，包括存储模块，所述存储模块包括由处理器加载并执行的多条指令：
一、计算每个类别的损失函数：
a、将样本图片输入语义分割模型，得到图片中各像素属于各类别的置信度p；
b、取对于当前类别的所有正样本像素点，通过公式（1）计算损失函数：
Figure 598694DEST_PATH_IMAGE001
（1），
其中，
Figure 85170DEST_PATH_IMAGE002
表示样本像素点标签,
Figure 173212DEST_PATH_IMAGE003
表示像素点的像素坐标；
c、从剩下的所有负样本像素点中按置信度由大到小的顺序，且按照正负样本数量1：m的比例取出负样本像素点，并通过公式（1）计算损失函数,m>1；
二、将每个类别的损失函数进行加权平均，得到最终的分割损失函数；
三、通过步骤二得到分割损失函数，使用梯度反传策略对所述语义分割模型进行迭代优化。
所述语义分割模型采用Deeplabv3+模型。
在步骤一中：
若正样本像素点数量过少，即n<
Figure 627196DEST_PATH_IMAGE004
/（1+m）时，则在步骤b中取对于当前类别的所有正 样本像素点，在步骤c中按置信度由大到小取出
Figure 826096DEST_PATH_IMAGE004
个负样本像素点，并按置信度由大到小 取部分负样本像素点作为正样本像素点，以满足正样本像素点最小选取数
Figure 167079DEST_PATH_IMAGE004
/(m+1)；
若正样本像素点数量过多，即（1+m）*n大于所有像素点的数量，则在步骤c中取出所有负样本像素点；
其中，n为步骤b中所取的正样本像素点的数量，
Figure 426022DEST_PATH_IMAGE004
为预设的负样本像素点最小选取 数量。
所述m为3。
本发明针对在分割任务中正负样本比例严重不均匀时模型效果较差的问题，提出一种新的分割模型训练方法，该方法平衡正负样本比例对模型进行训练，加大正样本在训练过程中的权重，优选选取难样本，提高了分割任务的效果和训练速度。
附图说明
下面结合附图和具体实施方式对本发明进行详细说明：
图1为本发明的流程图；
图2为路沿分割图；
图3为车道线分割图。
具体实施方式
如图1所示，一种基于ohem的语义分割模型训练方法，包括以下步骤：
S101、计算每个类别的损失函数：
a、将样本图片输入语义分割模型，得到图片中各像素属于各类别的置信度p。
在本实施例中，语义分割模型采用Deeplabv3+模型。
将像素尺寸为3*H*W样本图片输入Deeplabv3+模型，会得到一个输出N*H*W，其中，H和W是图片的高和宽，N表示图片输出通道（channel）的数量，即模型将该图片分割的语义类别的数量，具体来说，每个输出通道分别表示每个像素点是否属于某个类别的置信度，置信度的值分布在0-1之间。
b、取对于当前类别的所有正样本像素点，通过公式（1）计算损失函数：
Figure 180351DEST_PATH_IMAGE001
（1），
其中，
Figure 104314DEST_PATH_IMAGE002
表示样本像素点标签,该标签在采集样本图片之后由人工标注，对于当前类别 来说，以路沿为例，路沿的像素点标注为1，非路沿的像素点标注为0，
Figure 627699DEST_PATH_IMAGE003
表示像素点的像 素坐标，E是均值函数。
c、对剩下的所有负样本像素点按置信度由大到小进行排序，按置信度由大到小的顺序，以正负样本数量1：m的比例取出负样本像素点，并通过公式（1）计算损失函数。
其中，m是大于1的数，一般取3左右。
以路沿以及车道线为例，在进行分割时，往往是负样本数量远远大于正样本数量的情况，如图2以及图3所示，路沿以及车道线的像素数量远远小于其他像素的数量，对于一个车道线的分割图来说，车道线的像素点是正样本，而其他像素点是负样本。故在本发明中，我们在步骤b中取所有的正样本像素点，正样本的数量为n时，步骤c中取出的负样本像素点数量为m*n，m*n的数量是远远小于负样本总数量的，因此，本发明按照正负样本数量1：m的比例取出负样本，相比传统的训练方法中取出所有正负样本的方式，减少了负样本的数量，达到均衡正负样本的目的，此外，按置信度由大到小的顺序取负样本是为了挑选难样本，这样对模型训练更加有帮助。
若正样本像素点数量过少，即n<
Figure 995226DEST_PATH_IMAGE004
/（1+m）时，则在步骤b中取对于当前类别的所 有正样本像素点，在步骤c中按置信度由大到小取出个负样本像素点，并按置信度由大到小 取部分负样本像素点作为正样本像素点，以满足正样本像素点最小选取数
Figure 971273DEST_PATH_IMAGE004
/(m+1)，即 取所有正样本像素点以及部分负样本像素点计算损失函数，这样可以使样本像素点较为均 衡，加速有效训练。n为步骤b中所取的正样本像素点的数量，
Figure 511975DEST_PATH_IMAGE004
为预设的负样本像素点最 小选取数量。
若正样本数量过多时，即（1+m）*n大于所有像素点的数量（H*W），则在步骤c中取出所有负样本像素点。
在本实施例中，m取3。若步骤b取的正样本的数量为n，则取出的负样本像素点数量为3*n。
S102、将每个类别的损失函数进行加权平均，得到最终的分割损失函数,该函数用于步骤S103的梯度反传。
其中，进行加权平均的权重为超参数，超参数在训练模型之前进行设定，一般设为1/n，n代表类别的数量，如果某个类的效果不好，则提高该类的权重，所有类的权重和为1。
S103、通过步骤S102得到分割损失函数，使用梯度反传策略对语义分割模型进行迭代优化。
具体来说，损失函数衡量模型的预测和目标差距的度量，更新模型使得该损失函数更小，而梯度反传是通用的模型优化方法，不断迭代优化模型，使得模型的损失函数较小，训练结束。
本发明还涉及一种基于ohem的语义分割模型训练系统，包括存储模块，所述存储模块包括由处理器加载并执行的多条指令：
S101、计算每个类别的损失函数：
a、将样本图片输入语义分割模型，得到图片中各像素属于各类别的置信度p。
在本实施例中，语义分割模型采用Deeplabv3+模型。
将像素尺寸为3*H*W样本图片输入Deeplabv3+模型，会得到一个输出N*H*W，其中，H和W是图片的高和宽，N表示图片输出通道（channel）的数量，即模型将该图片分割的语义类别的数量，具体来说，每个输出通道分别表示每个像素点是否属于某个类别的置信度，置信度的值分布在0-1之间。
b、取对于当前类别的所有正样本像素点，通过公式（1）计算损失函数：
Figure 345327DEST_PATH_IMAGE001
（1），
其中，
Figure 680493DEST_PATH_IMAGE002
表示样本像素点标签,该标签在采集样本图片之后由人工标注，对于当前类别 来说，以路沿为例，路沿的像素点标注为1，非路沿的像素点标注为0，
Figure 347098DEST_PATH_IMAGE003
表示像素点的像 素坐标，E是均值函数。
c、对剩下的所有负样本像素点按置信度由大到小进行排序，按置信度由大到小的顺序，以正负样本数量1：m的比例取出负样本像素点，并通过公式（1）计算损失函数。
其中，m是大于1的数，一般取3左右。
以路沿以及车道线为例，在进行分割时，往往是负样本数量远远大于正样本数量的情况，如图2以及图3所示，路沿以及车道线的像素数量远远小于其他像素的数量，对于一个车道线的分割图来说，车道线的像素点是正样本，而其他像素点是负样本。故在本发明中，我们在步骤b中取所有的正样本像素点，正样本的数量为n时，步骤c中取出的负样本像素点数量为m*n，m*n的数量是远远小于负样本总数量的，因此，本发明按照正负样本数量1：m的比例取出负样本，相比传统的训练方法中取出所有正负样本的方式，减少了负样本的数量，达到均衡正负样本的目的，此外，按置信度由大到小的顺序取负样本是为了挑选难样本，这样对模型训练更加有帮助。
若正样本像素点数量过少，即n<
Figure 425912DEST_PATH_IMAGE004
/（1+m）时，则在步骤b中取对于当前类别的所 有正样本像素点，在步骤c中按置信度由大到小取出
Figure 110840DEST_PATH_IMAGE004
个负样本像素点，并按置信度由大 到小取部分负样本像素点作为正样本像素点，以满足正样本像素点最小选取数
Figure 616908DEST_PATH_IMAGE004
/(m+ 1)，即取所有正样本像素点以及部分负样本像素点计算损失函数，这样可以使样本像素点 较为均衡，加速有效训练。n为步骤b中所取的正样本像素点的数量，为预设的负样本像素点 最小选取数量。
若正样本数量过多时，即（1+m）*n大于所有像素点的数量（H*W），则在步骤c中取出所有负样本像素点。
在本实施例中，m取3。若步骤b取的正样本的数量为n，则取出的负样本像素点数量为3*n。
S102、将每个类别的损失函数进行加权平均，得到最终的分割损失函数,该函数用于步骤S103的梯度反传。
其中，进行加权平均的权重为超参数，超参数在训练模型之前进行设定，一般设为1/n，n代表类别的数量，如果某个类的效果不好，则提高该类的权重，所有类的权重和为1。
S103、通过步骤S102得到分割损失函数，使用梯度反传策略对语义分割模型进行迭代优化。
具体来说，损失函数衡量模型的预测和目标差距的度量，更新模型使得该损失函数更小，而梯度反传是通用的模型优化方法，不断迭代优化模型，使得模型的损失函数较小，训练结束。
本发明基于在线难样本挖掘技术（OHEM，online hard example mining），针对在分割任务中正负样本比例严重不均衡时模型效果较差的问题，提出一种新的分割模型训练方法，该方法平衡正负样本比例对模型进行训练，优选选取难样本，加大正样本在训练过程中的权重，提高了分割任务的效果和训练速度。
但是，本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。

Claims (8)

1.一种基于ohem的语义分割模型训练方法，其特征在于，包括以下步骤：
一、计算每个类别的损失函数：
a、将样本图片输入语义分割模型，得到图片中各像素属于各类别的置信度p；
b、取对于当前类别的所有正样本像素点，通过公式（1）计算损失函数：
Figure 357432DEST_PATH_IMAGE001
（1），
其中，
Figure 530925DEST_PATH_IMAGE002
表示样本像素点标签,
Figure 728557DEST_PATH_IMAGE003
表示像素点的像素坐标；
c、从剩下的所有负样本像素点中按置信度由大到小的顺序，且按照正负样本数量1：m的比例取出负样本像素点，并通过公式（1）计算损失函数,m>1；
二、将每个类别的损失函数进行加权平均，得到最终的分割损失函数；
三、通过步骤二得到分割损失函数，使用梯度反传策略对所述语义分割模型进行迭代优化。
2.根据权利要求1所述的一种基于ohem的语义分割模型训练方法，其特征在于，所述语义分割模型采用Deeplabv3+模型。
3.根据权利要求2所述的一种基于ohem的语义分割模型训练方法，其特征在于，在步骤一中：
若正样本像素点数量过少，即n<
Figure 696513DEST_PATH_IMAGE004
/（1+m）时，则在步骤b中取对于当前类别的所有正 样本像素点，在步骤c中按置信度由大到小取出
Figure 730328DEST_PATH_IMAGE004
个负样本像素点，并按置信度由大到小 取部分负样本像素点作为正样本像素点，以满足正样本像素点最小选取数
Figure 441932DEST_PATH_IMAGE004
/(m+1)；
若正样本像素点数量过多，即（1+m）*n大于所有像素点的数量，则在步骤c中取出所有负样本像素点；
其中，n为步骤b中所取的正样本像素点的数量，
Figure 508719DEST_PATH_IMAGE004
为预设的负样本像素点最小选取数 量。
4.根据权利要求1或3所述的一种基于ohem的语义分割模型训练方法，其特征在于，所述m为3。
5.一种基于ohem的语义分割模型训练系统，其特征在于，包括存储模块，所述存储模块包括由处理器加载并执行的多条指令：
一、计算每个类别的损失函数：
a、将样本图片输入语义分割模型，得到图片中各像素属于各类别的置信度p；
b、取对于当前类别的所有正样本像素点，通过公式（1）计算损失函数：
Figure 585259DEST_PATH_IMAGE001
（1），
其中，
Figure 168687DEST_PATH_IMAGE002
表示样本像素点标签,
Figure 418403DEST_PATH_IMAGE003
表示像素点的像素坐标；
c、从剩下的所有负样本像素点中按置信度由大到小的顺序，且按照正负样本数量1：m的比例取出负样本像素点，并通过公式（1）计算损失函数,m>1；
二、将每个类别的损失函数进行加权平均，得到最终的分割损失函数；
三、通过步骤二得到分割损失函数，使用梯度反传策略对所述语义分割模型进行迭代优化。
6.根据权利要求5所述的一种基于ohem的语义分割模型训练系统，其特征在于，所述语义分割模型采用Deeplabv3+模型。
7.根据权利要求6所述的一种基于ohem的语义分割模型训练系统，其特征在于，在步骤一中：
若正样本像素点数量过少，即n<
Figure 590627DEST_PATH_IMAGE004
/（1+m）时，则在步骤b中取对于当前类别的所有正 样本像素点，在步骤c中按置信度由大到小取出
Figure 838069DEST_PATH_IMAGE004
个负样本像素点，并按置信度由大到小 取部分负样本像素点作为正样本像素点，以满足正样本像素点最小选取数
Figure 908793DEST_PATH_IMAGE004
/(m+1)；
若正样本像素点数量过多，即（1+m）*n大于所有像素点的数量，则在步骤c中取出所有负样本像素点；
其中，n为步骤b中所取的正样本像素点的数量，
Figure 962200DEST_PATH_IMAGE004
为预设的负样本像素点最小选取数 量。
8.根据权利要求5或7所述的一种基于ohem的语义分割模型训练系统，其特征在于，所述m为3。
CN202010215590.5A 2020-03-25 2020-03-25 基于ohem的语义分割模型训练方法及其系统 Pending CN111091164A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010215590.5A CN111091164A (zh) 2020-03-25 2020-03-25 基于ohem的语义分割模型训练方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010215590.5A CN111091164A (zh) 2020-03-25 2020-03-25 基于ohem的语义分割模型训练方法及其系统

Publications (1)

Publication Number Publication Date
CN111091164A true CN111091164A (zh) 2020-05-01

Family

ID=70400651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010215590.5A Pending CN111091164A (zh) 2020-03-25 2020-03-25 基于ohem的语义分割模型训练方法及其系统

Country Status (1)

Country Link
CN (1) CN111091164A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111666997A (zh) * 2020-06-01 2020-09-15 安徽紫薇帝星数字科技有限公司 一种样本平衡方法及目标器官分割模型构建方法
CN111860568A (zh) * 2020-05-13 2020-10-30 北京嘀嘀无限科技发展有限公司 数据样本的均衡分布方法、装置及存储介质
CN112464914A (zh) * 2020-12-30 2021-03-09 南京积图网络科技有限公司 一种基于卷积神经网络的护栏分割方法
CN114330573A (zh) * 2021-12-30 2022-04-12 济南博观智能科技有限公司 一种目标检测方法、装置、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107220618A (zh) * 2017-05-25 2017-09-29 中国科学院自动化研究所 人脸检测方法及装置、计算机可读存储介质、设备
CN107665351A (zh) * 2017-05-06 2018-02-06 北京航空航天大学 基于难样本挖掘的机场检测方法
CN108090456A (zh) * 2017-12-27 2018-05-29 北京初速度科技有限公司 一种车道线识别方法及装置
CN108492301A (zh) * 2018-03-21 2018-09-04 广东欧珀移动通信有限公司 一种场景分割方法、终端及存储介质
CN109800778A (zh) * 2018-12-03 2019-05-24 浙江工业大学 一种基于难分样本挖掘的Faster RCNN目标检测方法
CN110334705A (zh) * 2019-06-25 2019-10-15 华中科技大学 一种结合全局和局部信息的场景文本图像的语种识别方法
CN110853011A (zh) * 2019-11-11 2020-02-28 河北工业大学 用于肺结节检测的卷积神经网络模型的构建方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107665351A (zh) * 2017-05-06 2018-02-06 北京航空航天大学 基于难样本挖掘的机场检测方法
CN107220618A (zh) * 2017-05-25 2017-09-29 中国科学院自动化研究所 人脸检测方法及装置、计算机可读存储介质、设备
CN108090456A (zh) * 2017-12-27 2018-05-29 北京初速度科技有限公司 一种车道线识别方法及装置
CN108492301A (zh) * 2018-03-21 2018-09-04 广东欧珀移动通信有限公司 一种场景分割方法、终端及存储介质
CN109800778A (zh) * 2018-12-03 2019-05-24 浙江工业大学 一种基于难分样本挖掘的Faster RCNN目标检测方法
CN110334705A (zh) * 2019-06-25 2019-10-15 华中科技大学 一种结合全局和局部信息的场景文本图像的语种识别方法
CN110853011A (zh) * 2019-11-11 2020-02-28 河北工业大学 用于肺结节检测的卷积神经网络模型的构建方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860568A (zh) * 2020-05-13 2020-10-30 北京嘀嘀无限科技发展有限公司 数据样本的均衡分布方法、装置及存储介质
CN111666997A (zh) * 2020-06-01 2020-09-15 安徽紫薇帝星数字科技有限公司 一种样本平衡方法及目标器官分割模型构建方法
CN111666997B (zh) * 2020-06-01 2023-10-27 安徽紫薇帝星数字科技有限公司 一种样本平衡方法及目标器官分割模型构建方法
CN112464914A (zh) * 2020-12-30 2021-03-09 南京积图网络科技有限公司 一种基于卷积神经网络的护栏分割方法
CN114330573A (zh) * 2021-12-30 2022-04-12 济南博观智能科技有限公司 一种目标检测方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN111091164A (zh) 基于ohem的语义分割模型训练方法及其系统
CN108830188B (zh) 基于深度学习的车辆检测方法
WO2019228211A1 (zh) 基于车道线的智能驾驶控制方法和装置、电子设备
CN110458095B (zh) 一种有效手势的识别方法、控制方法、装置和电子设备
US20210326609A1 (en) Object classification using extra-regional context
CN111461212A (zh) 一种用于点云目标检测模型的压缩方法
CN111783844B (zh) 基于深度学习的目标检测模型训练方法、设备及存储介质
Zheng et al. Improvement of grayscale image 2D maximum entropy threshold segmentation method
CN108960074B (zh) 基于深度学习的小尺寸行人目标检测方法
CN112150804B (zh) 一种基于MaskRCNN算法的城市多类型交叉口识别方法
CN114596555B (zh) 障碍物点云数据筛选方法、装置、电子设备及存储介质
CN111259796A (zh) 一种基于图像几何特征的车道线检测方法
CN112037268B (zh) 一种动态场景下的基于概率传递模型的环境感知方法
CN116091892A (zh) 一种基于卷积神经网络的快速目标检测方法
CN109934096B (zh) 基于特征时序相关性的自动驾驶视觉感知优化方法
CN109977862B (zh) 一种车位限位器的识别方法
CN109241893B (zh) 基于人工智能技术的道路选择方法、装置及可读存储介质
CN114359493B (zh) 一种用于无人船生成三维语义地图的方法和系统
CN115761698A (zh) 一种目标检测方法、装置、设备及存储介质
CN115482277A (zh) 一种社交距离风险预警方法及装置
CN114092496A (zh) 一种基于空间加权的唇部分割方法及系统
CN112950655A (zh) 基于深度学习的土地利用信息自动提取方法
Wei et al. Research on specific long-term single object tracking algorithms in the context of traffic
US20230274526A1 (en) Automatic Labeling Method for Unlabeled Data of Point Clouds
CN116468205B (zh) 一种机动车环保检测质量监测方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200501