CN111160368A - 图像中目标检测方法、装置、设备及存储介质 - Google Patents

图像中目标检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111160368A
CN111160368A CN201911351124.3A CN201911351124A CN111160368A CN 111160368 A CN111160368 A CN 111160368A CN 201911351124 A CN201911351124 A CN 201911351124A CN 111160368 A CN111160368 A CN 111160368A
Authority
CN
China
Prior art keywords
image
detected
target
neural network
convolutional neural
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
CN201911351124.3A
Other languages
English (en)
Inventor
熊博颖
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.)
China Construction Bank Corp
Original Assignee
China Construction Bank Corp
CCB Finetech 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 China Construction Bank Corp, CCB Finetech Co Ltd filed Critical China Construction Bank Corp
Priority to CN201911351124.3A priority Critical patent/CN111160368A/zh
Publication of CN111160368A publication Critical patent/CN111160368A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Abstract

本发明提供一种图像中目标检测方法、装置、设备及存储介质，涉及图像处理技术领域。本发明可以获取待检测图像，通过预设卷积神经网络提取所述待检测图像的图像特征，得到所述待检测图像的特征图，并采用YOLO算法对所述待检测图像的特征图进行预测，得到所述待检测图像中各目标的预测结果。其中，所述预设卷积神经网络仅包含尺寸为52*52*255的特征图分支，所以，采用YOLO算法对所述待检测图像的特征图进行预测时，只在尺寸为52*52*255的大特征图上进行预测，相对现有技术而言，可以有效降低其他尺寸更小的小特征图生成的预测框干扰，从而提升图像中文字、符号等小目标检测的准确率。

Description

图像中目标检测方法、装置、设备及存储介质
技术领域
本发明涉及图像处理技术领域，具体而言，涉及一种图像中目标检测方法、装置、设备及存储介质。
背景技术
目标检测也成为目标提取，是一种基于目标几何和统计特征的图像分割和识别技术，可以将目标的分割和识别合二为一，通过图像处理和算法定位出物体，给出边界框，并给出物体分类。例如，光学字符识别(Optical Character Recognition，OCR)中，需要快速判断图片的版式和旋转方向时，则可以通过目标检测技术中的单阶段检测算法检测图像中固定文字并判断文字内容和坐标内容而实现。
现有技术中，目标检测技术中的单阶段检测算法，如单发多盒探测器(SingleShot MultiBox Detector，SSD)检测算法、你只看一次(You Only Look Once，YOLO)算法等，通常是将图片分成了更小的方格，每一个格子都有固定预设的锚框尺寸(anchor)，通过将图片中的物体分配到不同的格子然后再分类，从而实现目标检测。
虽然，上述现有的单阶段检测算法可以直接产生物体的类别概率和位置坐标，算法运行速度快，但是，现有的单阶段检测算法对图像中的符号、文字等小物体的检测效果较差、检测准确率不高。
发明内容
本发明提供一种图像中目标检测方法、装置、设备及存储介质，可以提高图像中小目标检测的准确率。
第一方面，本发明实施例提供一种图像中目标检测方法，所述方法包括：获取待检测图像；通过预设卷积神经网络提取所述待检测图像的图像特征，得到所述待检测图像的特征图；其中，所述预设卷积神经网络仅包含尺寸为52*52*255的特征图分支；采用YOLO算法对所述待检测图像的特征图进行预测，得到所述待检测图像中各目标的预测结果。
可选地，所述通过预设卷积神经网络提取所述待检测图像的图像特征，得到所述待检测图像的特征图，包括：通过预设卷积神经网络提取所述待检测图像的图像特征；采用52*52*255尺寸的特征图分支，对所述图像特征进行上采样和特征抽取，生成尺寸为52*52*255的特征图。
可选地，所述通过预设卷积神经网络提取所述待检测图像的图像特征，包括：通过黑暗网络Darknet53提取所述待检测图像的图像特征。
可选地，所述采用YOLO算法对所述待检测图像的特征图进行预测，得到所述待检测图像中各目标的预测结果，包括：采用YOLO算法对所述待检测图像的特征图进行预测，获取所述待检测图像中各目标的类别概率和位置坐标；输出所述待检测图像中各目标的类别概率和位置坐标，得到所述待检测图像中各目标的预测结果。
第二方面，本发明实施例提供一种图像中目标检测装置，所述装置包括：获取模块，用于获取待检测图像；提取模块，用于通过预设卷积神经网络提取所述待检测图像的图像特征，得到所述待检测图像的特征图；其中，所述预设卷积神经网络仅包含尺寸为52*52*255的特征图分支；预测模块，用于采用YOLO算法对所述待检测图像的特征图进行预测，得到所述待检测图像中各目标的预测结果。
可选地，所述提取模块包括：提取子模块，用于通过预设卷积神经网络提取所述待检测图像的图像特征；生成子模块，用于采用52*52*255尺寸的特征图分支，对所述图像特征进行上采样和特征抽取，生成尺寸为52*52*255的特征图。
可选地，所述提取子模块，具体用于通过黑暗网络Darknet53提取所述待检测图像的图像特征。
可选地，所述预测模块，包括：预测子模块，用于采用YOLO算法对所述待检测图像的特征图进行预测，获取所述待检测图像中各目标的类别概率和位置坐标；输出子模块，用于输出所述待检测图像中各目标的类别概率和位置坐标，得到所述待检测图像中各目标的预测结果。
第三方面，本发明实施例提供一种图像中目标检测设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当所述图像中目标检测设备运行时，所述处理器与所述存储介质之间通过所述总线通信，所述处理器执行所述机器可读指令，以执行如第一方面所述的图像中目标检测方法。
第四方面，本发明实施例还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如第一方面所述的图像中目标检测方法。
本发明的有益效果是：
本发明实施例可以获取待检测图像，通过预设卷积神经网络提取所述待检测图像的图像特征，得到所述待检测图像的特征图，并采用YOLO算法对所述待检测图像的特征图进行预测，得到所述待检测图像中各目标的预测结果。其中，所述预设卷积神经网络仅包含尺寸为52*52*255的特征图分支，所以，采用YOLO算法对所述待检测图像的特征图进行预测时，只在尺寸为52*52*255的大特征图上进行预测，相对现有技术而言，可以有效降低其他尺寸更小的小特征图生成的预测框干扰，从而提升图像中文字、符号等小目标检测的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例提供的图像中目标检测方法的流程示意图；
图2示出了本发明实施例提供的图像中目标检测方法的另一流程示意图；
图3示出了本发明实施例提供的图像中目标检测方法的又一流程示意图；
图4示出了现有技术中YOLOV3的检测流程示意图；
图5示出了本发明实施例提供的改进后的YOLOV3的检测流程示意图；
图6示出了本发明实施例提供的图像中目标检测装置的结构示意图；
图7示出了本发明实施例提供的提取模块的结构示意图；
图8示出了本发明实施例提供的预测模块的结构示意图；
图9示出了本发明实施例提供的图像中目标检测设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。还需要说明，“第一”、“第二”、“第三”等描述在本发明中仅仅用于区分功能，而不能表示相对重要性。
本发明实施例提供一种图像中目标检测方法，可以在对图像中的文字、符号等小目标进行检测识别时，提高图像中小目标检测的准确率。该图像中目标检测方法的执行主体可以是服务器或计算机，或者，也可以是服务器或计算机中的某一个或多个处理器等，本发明对此不作限制。
图1示出了本发明实施例提供的图像中目标检测方法的流程示意图。
如图1所示，该图像中目标检测方法，可以包括：
S101、获取待检测图像。
例如，待检测图像可以是一些测试题的扫描图像、书本或文档的扫描图像、文字截图、或者拍摄的包含有文字或符号的照片等，本发明对待检测图像的具体图像类型不作限制。
S102、通过预设卷积神经网络提取所述待检测图像的图像特征，得到所述待检测图像的特征图。
其中，所述预设卷积神经网络仅包含尺寸为52*52*255的特征图分支。
图2示出了本发明实施例提供的图像中目标检测方法的另一流程示意图。
可选地，如图2所示，上述通过预设卷积神经网络提取所述待检测图像的图像特征，得到所述待检测图像的特征图的步骤，具体可以包括：
S201、通过预设卷积神经网络提取所述待检测图像的图像特征。
其中，卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类。
部分实施方式中，预设卷积神经网络可以是黑暗网络(Darknet)53。也即，上述通过预设卷积神经网络提取所述待检测图像的图像特征的步骤，具体可以是指通过Darknet53提取所述待检测图像的图像特征。但需要说明，本发明其他实施方式中，并不限于Darknet53。
S202、采用52*52*255尺寸的特征图分支，对所述图像特征进行上采样和特征抽取，生成尺寸为52*52*255的特征图。
本发明实施例中，由于预设卷积神经网络仅包含尺寸为52*52*255的特征图分支，所以通过预设卷积神经网络提取所述待检测图像的图像特征后，根据图像特征所生成的特征图仅仅包含尺寸为52*52*255的一种特征图。从而，网络模型的预测速度更快。
通过前述步骤S102提取到待检测图像的图像特征，即尺寸为52*52*255的特征图后，可以采用下述步骤S103对提取到的特征图进行预测，获取图像中各目标的预测结果。其中，目标可以是指待检测图像中的文字、符号等。
S103、采用YOLO算法对所述待检测图像的特征图进行预测，得到所述待检测图像中各目标的预测结果。
其中，YOLO算法可以根据待检测图像的特征图，输出待检测图像中各目标的类别概率和位置坐标，例如，可以输出目标A为某种类别的文字的概率大小、以及目标A在待检测图像中的位置坐标。
图3示出了本发明实施例提供的图像中目标检测方法的又一流程示意图。
可选地，如图3所示，上述采用YOLO算法对所述待检测图像的特征图进行预测，得到所述待检测图像中各目标的预测结果的步骤，具体可以包括：
S301、采用YOLO算法对所述待检测图像的特征图进行预测，获取所述待检测图像中各目标的类别概率和位置坐标。
S302、输出所述待检测图像中各目标的类别概率和位置坐标，得到所述待检测图像中各目标的预测结果。
也即，前述步骤S103中提到的待检测图像中各目标的预测结果，可以是指待检测图像中各目标的类别概率和位置坐标。
由于步骤S103中对采用YOLO算法对所述待检测图像的特征图进行预测时，只在步骤S102中生成的尺寸为52*52*255的大特征图上进行预测，所以，可以有效降低其他尺寸更小的小特征图生成的预测框干扰，从而提升了图像中文字、符号等小目标检测的准确率。
下面以一种具体实施方式，并通过对比现有技术，对本发明实施例提供的图像中目标检测方法的具体技术方案作以说明：
图4示出了现有技术中YOLOV3的检测流程示意图。
如图4所示，现有技术中YOLOV3的检测流程一般为：通过Darknet53卷积神经网络提取输入图像特征并产生三个分支。第一个分支通过上采样和特征抽取后生成13*13*255大小的特征图；第二个分支对第一个分支的上采样后的结果进行融合，上采样后进行特征抽取，生成26*26*255大小的特征图；第三个分支对第二个分支的上采样后的结果进行融合，上采样后进行特征抽取，生成52*52*255大小的特征图。然后，可以对三个特征图使用YOLO算法进行预测，获取预测结果。
图5示出了本发明实施例提供的改进后的YOLOV3的检测流程示意图。
如图5所示，本发明实施例提供的图像中目标检测方法中，去掉了13*13*255尺寸和26*26*255尺寸的特征图生成分支，仅保留了52*52*255尺寸特征图的分支，也即，本发明实施例针对小目标特征对yolov3网络结构进行了优化，裁剪掉了两个小尺寸的特征图分支，卷积网络结构进行裁剪后模型参数可以减少90％左右，网络模型运行效率会大幅提升，并能有效提高小目标检测准确率。
由上所述，本发明实施例可以获取待检测图像，通过预设卷积神经网络提取所述待检测图像的图像特征，得到所述待检测图像的特征图，并采用YOLO算法对所述待检测图像的特征图进行预测，得到所述待检测图像中各目标的预测结果。其中，所述预设卷积神经网络仅包含尺寸为52*52*255的特征图分支，所以，采用YOLO算法对所述待检测图像的特征图进行预测时，只在尺寸为52*52*255的大特征图上进行预测，相对现有技术而言，可以有效降低其他尺寸更小的小特征图生成的预测框干扰，从而提升图像中文字、符号等小目标检测的准确率。
另外，本发明实施例中，预设卷积网络的结构中，模型参数更少，网络模型运行效率相对现有技术而言也可以大幅提升。
基于前述方法实施例中所述的图像中目标检测方法，本发明实施例还对应提供一种图像中目标检测装置，图6示出了本发明实施例提供的图像中目标检测装置的结构示意图。
如图6所示，该图像中目标检测装置，可以包括：获取模块10，用于获取待检测图像；提取模块20，用于通过预设卷积神经网络提取所述待检测图像的图像特征，得到所述待检测图像的特征图；其中，所述预设卷积神经网络仅包含尺寸为52*52*255的特征图分支；预测模块30，用于采用YOLO算法对所述待检测图像的特征图进行预测，得到所述待检测图像中各目标的预测结果。
图7示出了本发明实施例提供的提取模块的结构示意图。
可选地，如图7所示，所述提取模块20可以包括：提取子模块21，用于通过预设卷积神经网络提取所述待检测图像的图像特征；生成子模块22，用于采用52*52*255尺寸的特征图分支，对所述图像特征进行上采样和特征抽取，生成尺寸为52*52*255的特征图。
可选地，所述提取子模块21，具体可以用于通过黑暗网络Darknet53提取所述待检测图像的图像特征。
图8示出了本发明实施例提供的预测模块的结构示意图。
可选地，如图8所示，所述预测模块30可以包括：预测子模块31，用于采用YOLO算法对所述待检测图像的特征图进行预测，获取所述待检测图像中各目标的类别概率和位置坐标；输出子模块32，用于输出所述待检测图像中各目标的类别概率和位置坐标，得到所述待检测图像中各目标的预测结果。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中方法的对应过程，本发明中不再赘述。
本发明实施例提供的图像中目标检测装置对应于前述方法实施例中所述的图像中目标检测方法，因此，装置实施例中所述的图像中目标检测装置，具有前述方法实施例中所述的图像中目标检测方法所具备的全部有益效果，在此亦不再赘述。
本发明实施例还提供一种图像中目标检测设备，该图像中目标检测设备可以是服务器或计算机，图9示出了本发明实施例提供的图像中目标检测设备的结构示意图。
如图9所示，该图像中目标检测设备可以包括：处理器100、存储介质200和总线(图中未标出)，存储介质200存储有处理器100可执行的机器可读指令，当图像中目标检测设备运行时，处理器100与存储介质200之间通过总线通信，处理器100执行机器可读指令，以执行如前述任一方法实施例中所述的图像中目标检测方法。具体实现方式和技术效果类似，在此不再赘述。
为了便于说明，在上述图像中目标检测设备中仅描述了一个处理器。然而，应当注意，本发明中的图像中目标检测设备还可以包括多个处理器，因此本发明中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如，图像中目标检测设备的处理器执行步骤A和步骤B，则应该理解，步骤A和步骤B也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如，第一处理器执行步骤A，第二处理器执行步骤B，或者第一处理器和第二处理器共同执行步骤A和B等。
在一些实施例中，处理器可以包括一个或多个处理核(例如，单核处理器(S)或多核处理器(S))。仅作为举例，处理器可以包括中央处理单元(Central Processing Unit，CPU)、专用集成电路(Application Specific Integrated Circuit，ASIC)、专用指令集处理器(Application Specific Instruction-set Processor，ASIP)、图形处理单元(Graphics Processing Unit，GPU)、物理处理单元(Physics Processing Unit，PPU)、数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field ProgrammableGate Array，FPGA)、可编程逻辑器件(Programmable Logic Device，PLD)、控制器、微控制器单元、简化指令集计算机(Reduced Instruction Set Computing，RISC)、或微处理器等，或其任意组合。
本发明实施例还提供一种存储介质，存储介质上存储有计算机程序，计算机程序被处理器运行时执行如前述任一方法实施例中所述的图像中目标检测方法。具体实现方式和技术效果类似，在此同样不再赘述。
可选地，该存储介质可以是U盘、移动硬盘、ROM、RAM、磁碟或者光盘等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种图像中目标检测方法，其特征在于，所述方法包括：
获取待检测图像；
通过预设卷积神经网络提取所述待检测图像的图像特征，得到所述待检测图像的特征图；其中，所述预设卷积神经网络仅包含尺寸为52*52*255的特征图分支；
采用YOLO算法对所述待检测图像的特征图进行预测，得到所述待检测图像中各目标的预测结果。
2.根据权利要求1所述的方法，其特征在于，所述通过预设卷积神经网络提取所述待检测图像的图像特征，得到所述待检测图像的特征图，包括：
通过预设卷积神经网络提取所述待检测图像的图像特征；
采用52*52*255尺寸的特征图分支，对所述图像特征进行上采样和特征抽取，生成尺寸为52*52*255的特征图。
3.根据权利要求2所述的方法，其特征在于，所述通过预设卷积神经网络提取所述待检测图像的图像特征，包括：
通过黑暗网络Darknet53提取所述待检测图像的图像特征。
4.根据权利要求3所述的方法，其特征在于，所述采用YOLO算法对所述待检测图像的特征图进行预测，得到所述待检测图像中各目标的预测结果，包括：
采用YOLO算法对所述待检测图像的特征图进行预测，获取所述待检测图像中各目标的类别概率和位置坐标；
输出所述待检测图像中各目标的类别概率和位置坐标，得到所述待检测图像中各目标的预测结果。
5.一种图像中目标检测装置，其特征在于，所述装置包括：
获取模块，用于获取待检测图像；
提取模块，用于通过预设卷积神经网络提取所述待检测图像的图像特征，得到所述待检测图像的特征图；其中，所述预设卷积神经网络仅包含尺寸为52*52*255的特征图分支；
预测模块，用于采用YOLO算法对所述待检测图像的特征图进行预测，得到所述待检测图像中各目标的预测结果。
6.根据权利要求5所述的装置，其特征在于，所述提取模块包括：
提取子模块，用于通过预设卷积神经网络提取所述待检测图像的图像特征；
生成子模块，用于采用52*52*255尺寸的特征图分支，对所述图像特征进行上采样和特征抽取，生成尺寸为52*52*255的特征图。
7.根据权利要求6所述的装置，其特征在于，所述提取子模块，具体用于通过黑暗网络Darknet53提取所述待检测图像的图像特征。
8.根据权利要求7所述的装置，其特征在于，所述预测模块，包括：
预测子模块，用于采用YOLO算法对所述待检测图像的特征图进行预测，获取所述待检测图像中各目标的类别概率和位置坐标；
输出子模块，用于输出所述待检测图像中各目标的类别概率和位置坐标，得到所述待检测图像中各目标的预测结果。
9.一种图像中目标检测设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当所述图像中目标检测设备运行时，所述处理器与所述存储介质之间通过所述总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1-4任一项所述的图像中目标检测方法。
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1-4任一项所述的图像中目标检测方法。
CN201911351124.3A 2019-12-24 2019-12-24 图像中目标检测方法、装置、设备及存储介质 Pending CN111160368A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911351124.3A CN111160368A (zh) 2019-12-24 2019-12-24 图像中目标检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911351124.3A CN111160368A (zh) 2019-12-24 2019-12-24 图像中目标检测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN111160368A true CN111160368A (zh) 2020-05-15

Family

ID=70557870

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911351124.3A Pending CN111160368A (zh) 2019-12-24 2019-12-24 图像中目标检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111160368A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111768397A (zh) * 2020-07-01 2020-10-13 创新奇智(重庆)科技有限公司 冻存管分布情况检测方法、装置、电子设备及存储介质
CN112215179A (zh) * 2020-10-19 2021-01-12 平安国际智慧城市科技股份有限公司 车内人脸识别方法、设备、装置及存储介质
CN112818980A (zh) * 2021-01-15 2021-05-18 湖南千盟物联信息技术有限公司 一种基于Yolov3算法的钢包号检测识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108846826A (zh) * 2018-04-24 2018-11-20 深圳大学 物体检测方法、装置、图像处理设备及存储介质
CN109508710A (zh) * 2018-10-23 2019-03-22 东华大学 基于改进YOLOv3网络的无人车夜间环境感知方法
CN109782364A (zh) * 2018-12-26 2019-05-21 中设设计集团股份有限公司 基于机器视觉的交通标志牌缺失检测方法
WO2019128646A1 (zh) * 2017-12-28 2019-07-04 深圳励飞科技有限公司 人脸检测方法、卷积神经网络参数的训练方法、装置及介质
CN110135398A (zh) * 2019-05-28 2019-08-16 厦门瑞为信息技术有限公司 基于计算机视觉的双手脱离方向盘检测方法
CN110443172A (zh) * 2019-07-25 2019-11-12 北京科技大学 一种基于超分辨率和模型压缩的目标检测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019128646A1 (zh) * 2017-12-28 2019-07-04 深圳励飞科技有限公司 人脸检测方法、卷积神经网络参数的训练方法、装置及介质
CN108846826A (zh) * 2018-04-24 2018-11-20 深圳大学 物体检测方法、装置、图像处理设备及存储介质
CN109508710A (zh) * 2018-10-23 2019-03-22 东华大学 基于改进YOLOv3网络的无人车夜间环境感知方法
CN109782364A (zh) * 2018-12-26 2019-05-21 中设设计集团股份有限公司 基于机器视觉的交通标志牌缺失检测方法
CN110135398A (zh) * 2019-05-28 2019-08-16 厦门瑞为信息技术有限公司 基于计算机视觉的双手脱离方向盘检测方法
CN110443172A (zh) * 2019-07-25 2019-11-12 北京科技大学 一种基于超分辨率和模型压缩的目标检测方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111768397A (zh) * 2020-07-01 2020-10-13 创新奇智(重庆)科技有限公司 冻存管分布情况检测方法、装置、电子设备及存储介质
CN111768397B (zh) * 2020-07-01 2023-01-20 创新奇智(重庆)科技有限公司 冻存管分布情况检测方法、装置、电子设备及存储介质
CN112215179A (zh) * 2020-10-19 2021-01-12 平安国际智慧城市科技股份有限公司 车内人脸识别方法、设备、装置及存储介质
CN112215179B (zh) * 2020-10-19 2024-04-19 平安国际智慧城市科技股份有限公司 车内人脸识别方法、设备、装置及存储介质
CN112818980A (zh) * 2021-01-15 2021-05-18 湖南千盟物联信息技术有限公司 一种基于Yolov3算法的钢包号检测识别方法

Similar Documents

Publication Publication Date Title
JP7474587B2 (ja) 対話型インタフェース及びデータベースクエリを用いた文書画像からの情報抽出の方法及びシステム
CN110738207B (zh) 一种融合文字图像中文字区域边缘信息的文字检测方法
US20230177821A1 (en) Document image understanding
CN111615702B (zh) 一种从图像中提取结构化数据的方法、装置和设备
CN108108731B (zh) 基于合成数据的文本检测方法及装置
CN111160368A (zh) 图像中目标检测方法、装置、设备及存储介质
CN113822209B (zh) 高光谱图像识别方法、装置、电子设备及可读存储介质
CN111814794A (zh) 文本检测方法、装置、电子设备及存储介质
CN110895695B (zh) 用于文本图片字符切分的深度学习网络、切分方法
CN110738203B (zh) 字段结构化输出方法、装置及计算机可读存储介质
CN110245621B (zh) 人脸识别装置及图像处理方法、特征提取模型、存储介质
US11600088B2 (en) Utilizing machine learning and image filtering techniques to detect and analyze handwritten text
CN111860309A (zh) 一种人脸识别方法及系统
WO2024041032A1 (zh) 基于不可编辑的图文类图像生成可编辑文档的方法及装置
EP4200741A1 (en) System and method to extract information from unstructured image documents
CN111563505A (zh) 一种基于像素分割合并的文字检测方法及装置
CN114330503A (zh) 一种烟雾火焰识别方法和装置
CN113591719A (zh) 一种自然场景任意形状文本检测方法、装置和训练方法
EP3942459A1 (en) Object detection and segmentation for inking applications
CN113792623B (zh) 安检ct目标物识别方法和装置
CN110879972A (zh) 一种人脸检测方法及装置
Jindal et al. Aircraft detection from remote sensing images using YOLOV5 architecture
CN116597466A (zh) 一种基于改进YOLOv5s的工程图纸文字检测识别方法及系统
CN115565186B (zh) 文字识别模型的训练方法、装置、电子设备和存储介质
JP7364639B2 (ja) デジタル化された筆記の処理

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220926

Address after: 25 Financial Street, Xicheng District, Beijing 100033

Applicant after: CHINA CONSTRUCTION BANK Corp.

Address before: 25 Financial Street, Xicheng District, Beijing 100033

Applicant before: CHINA CONSTRUCTION BANK Corp.

Applicant before: Jianxin Financial Science and Technology Co.,Ltd.