CN111191608A - 基于YOLOv3改进的交通标志检测与识别方法 - Google Patents

基于YOLOv3改进的交通标志检测与识别方法 Download PDF

Info

Publication number
CN111191608A
CN111191608A CN201911422311.6A CN201911422311A CN111191608A CN 111191608 A CN111191608 A CN 111191608A CN 201911422311 A CN201911422311 A CN 201911422311A CN 111191608 A CN111191608 A CN 111191608A
Authority
CN
China
Prior art keywords
yolov3
traffic sign
improved
method based
network
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.)
Granted
Application number
CN201911422311.6A
Other languages
English (en)
Other versions
CN111191608B (zh
Inventor
金燕
姚宇
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201911422311.6A priority Critical patent/CN111191608B/zh
Publication of CN111191608A publication Critical patent/CN111191608A/zh
Application granted granted Critical
Publication of CN111191608B publication Critical patent/CN111191608B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
    • 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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明公开了一种基于YOLOv3改进的交通标志检测与识别方法，包括以下步骤：(1)获取和标注交通标志图像数据集，作为训练集；(2)构建YOLOv3改进网络模型；(3)通过训练集对所述的YOLOv3改进网络模型进行训练；(4)通过训练好的YOLOv3改进网络模型对待测交通标志图像进行检查与识别。通过上述方法，本发明实现了相较于YOLOv3原有算法相近的检测性能，同时模型得到了精简。

Description

基于YOLOv3改进的交通标志检测与识别方法
技术领域
本发明涉及人工智能机计算机视觉技术领域，尤其涉及一种基于YOLOv3改进的交通标志检测与识别方法。
背景技术
近年来自动驾驶技术蓬勃发展，而交通标志作为重要的安全指示标志，事关人民生命安全，其检测与识别更是尤为重要，其中不可避免的需要应用目标检测技术。目标检测技术分为传统目标检测技术与深度学习目标检测技术。
传统目标检测技术采用特征提取加上分类器的方法进行检测识别。该方法通过滑动窗口遍历图像，在对特征进行提取之后，用分类器进行分类。这种方法取得了一定的成果，但不可忽略的是，该方法复杂度高，并且强烈依赖于人工特征的选取、泛化能力差，无法应对复杂的应用场景。此外，分类器的性能也存在着缺陷。而随着深度学习的发展，以卷积神经网络为代表的深度学习目标检测技术逐渐崛起。
深度学习目标检测技术使用卷积神经网络进行特征提取，通过训练学习，实现了更加强大的适应能力和泛化能力。当前，深度学习目标检测主要分为两大类：以RCNN系列为代表的two-stage方法和以YOLO、SSD为代表的one-stage方法。
two-stage方法分为两个阶段，首先在图片中产生候选区域，然后对候选区域进行进一步的检测和分类，在准确率上获得了较强的性能。而one-stage方法直接对预测的目标进行回归，拥有速度上的优势。
在交通标志的检测识别应用场景中，对检测算法的速度和性能都提出了较高的需求。
YOLOv3网络模型是YOLO(You Only Look Once)系列目标检测算法中的第三版，采用多个尺度融合的方式进行预测，在保持速度优势的前提下，提升了预测精度，代表了目前目标检测领域的顶尖水平。YOLOv3是典型的基于回归方法的一阶段深度学习目标检测网络，利用了回归的思想，对于给定的输入图像，直接在图像的多个位置上回归出这个位置的目标边框以及目标类别。传统的YOLOv3网络在YOLOv2的基础上进行了一些应用性的改进，不仅借鉴ResNet(残差网络)提出了更为强大的Darknet53网络来进行特征提取，而且采用多个尺度相融合的方式进行目标检测，具有优异的检测性能，传统的YOLOv3网络模型在各大目标检测公共数据集上均具有优异的检测性能。
但是，对于交通标志识别任务而言，YOLOv3网络主体仍较为庞大，因此需要进一步改进。
发明内容
本发明提供了一种基于YOLOv3改进的交通标志检测与识别方法，对YOLOv3进行了改进，在保持YOLOv3算法在交通标志检测识别上的性能，同时对检测算法进行精简。
具体技术方案如下：
一种基于YOLOv3改进的交通标志检测与识别方法，包括以下步骤：
(1)获取和标注交通标志图像数据集，作为训练集；
(2)构建YOLOv3改进网络模型；
(3)通过训练集对所述的YOLOv3改进网络模型进行训练；
(4)通过训练好的YOLOv3改进网络模型对待测交通标志图像进行检查与识别。
本发明采用CTSD数据集(中国交通标志数据集)作为训练集，将CTSD数据集的格式修改为符合YOLO网络的输入格式。
步骤(2)中包括：
将YOLO网络模型原有的Darknet53网络替换为Mobilenetv2网络；从Mobilenetv2网络中提取三层特征图，通过Inv res2net block对三层特征图进一步提取特征，然后进行上采样与原有特征进行融合，作为新的候选特征；再使用NAS-FPN结构对新的候选特征进行进一步的特征融合；
采用GIoU改进损失函数。
进一步地，步骤(2)中包括：
(2-1)对YOLO网络模型原有的Darknet53网络进行修改，使用Mobilenetv2结构进行替换；
(2-2)增强多尺度特征融合能力；
依次从MobilenetV2结构中提取下采样分别为8、16、32的特征图：Route_1、Route_2和Route_3；使用Inv_res2net_block从Route_1、Route_2和Route_3中进一步特征提取，再进行上采样操作，获得融合后的特征C3、C4和C5。
(2-3)对特征C5进行卷积操作后，获得特征C6和C7；
(2-4)将获取的融合特征C3、C4、C5、C6和C7作为输入，通过NAS-FPN结构进行更深层次的融合，选取p3、p4和p5作为预测的输出；
NAS-FPN是谷歌大脑提出的一种通过自动架构搜索出的金字塔网络结构，其特征融合能力更加优秀，并且可以方便的进行多次融合。
(2-5)采用GIoU改进YOLO网络模型原有的定位损失函数。
IoU表达式为：
Figure BDA0002345031320000031
GIoU表达式为：
Figure BDA0002345031320000032
其中：A、B为任意凸形，C为可以包含A、B在内的最小的封闭形状。
GIoU损失表达式为：
LGIoU＝1-GIoU。
步骤(2-4)中，通过NAS-FPN结构进行更深层次的融合，选择13×13、26×26、52×52作为三个输出特征图；网络重复次数设置为7。
进一步优选的，步骤(2)还包括：采用k-means++算法对训练集数据的标注信息进行聚类，获得所需的anchor值。采用该技术方案可以实现更好的检测效果，并加快收敛速度。
优选的，步骤(3)中，采用momentum动量算法进行训练，同时采用warm up策略防止梯度爆炸；进一步地，图片输入尺寸设置为416，初始学习率设置为1e-3。
优选的，步骤(3)中，采用多尺度训练策略以及mix up和/或randomcrop数据增强方法进行训练。
与现有技术相比，本发明的有益效果为：
本发明中的YOLOv3改进网络模型采用Mobilenetv2网络结构极大的减少了参数量；同时，通过Inv_res2net_block卷积与NAS-FPN结构优化了特征融合效果；采用GIoU改进损失函数；以及在训练中使用多尺度训练和数据增强方法，使得模型检测效果得到了提高。通过上述方法，本发明实现了相较于YOLOv3原有算法相近的检测性能，同时模型得到了精简。
附图说明
图1为本发明基于YOLOv3改进的交通标志检测与识别方法的流程图；
图2为本发明改进的模型结构示意图；
图3为Inv_res2net_block的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
如图1所示，本发明基于YOLOv3改进的交通标志检测与识别方法包括以下步骤：
(1)准备数据集
本发明采用CTSD数据集(中国交通标志数据集)进行实验，实验需求数据集格式为YOLO网络的输入格式(VOC格式)，因此需要对原有图片集标注的txt文件进行转化。通过读取标注文件，生成xml文件，存入Annotation文件夹中。并将数据分为训练(train)和测试(test)两部分，依次生成两份txt文件，存入Main文件夹。生成VOC数据集后，运行代码进行相关转化。
(2)对原有YOLOv3网络进行改进，具体改进措施如下：
对原有的Darknet53网络进行修改，使用Mobilenetv2结构进行替换。Mobilenetv2采用Inverted_res_block结构，改变原有Mobilenetv1结构先进行扩张，提高通道数，获取更多特征，最后进行压缩。同时采用Linear bottlenecks避免了Relu对特征的破坏。Mobilenetv2网络在缩减计算量的同时，拥有着良好的特征提取能力。
增强多尺度特征融合能力。仿照原有YOLOv3结构，如图2所示，依次从MobilenetV2结构中提取下采样倍数分别为8、16、32的特征图(feature map)：Route_1、Route_2和Route_3。使用图3所示的Inv_res2net_block进行进一步特征提取，然后进行上采样操作，获得简单融合后的特征C3、C4和C5。
Inv_res2net_block是在原有的Inverted_res_block结构基础上，参考Res2net结构进行构建。通过增加小的残差块，增加了每一层的感受野。此外，在其中加入了SE block对通道关系进行建模，并在最后使用通道随机混合(Channel shuffle)实现通道间的信息交流。对C5进行卷积操作后，获得特征图输出C6和C7。其后，将获取的融合特征作为输入，通过NAS-FPN结构获得更深层次的融合，因交通标志的小目标特性，选取对应着下采样倍数为8、16、32的特征图p3、p4和p5作为预测的输出。图2中的NAS-FPN结构是谷歌大脑提出的一种通过自动架构搜索出的金字塔网络结构，其特征融合能力更加优秀，并且可以方便的进行多次融合。
采用GIoU改进损失函数。IoU是目标检测任务中最常用的指标，但是，当两个物体不相交时，两个物体无法回转梯度。同时，其对于目标检测中的尺度是不敏感的。检测任务中采用的回归损失与IoU优化并非完全等价的。GIoU对上述缺点进行了改进，本发明通过引入GIoU算法对原有损失函数进行修改。使用GIoU损失替代原有的定位损失函数部分，获得了更加优异的性能。
YOLOv3原有定位损失为：
Lloc＝Lxy+Lwh
Figure BDA0002345031320000051
Figure BDA0002345031320000052
式中，K表示网格划分数目；M表示的是每个网格所预测的边框数量；
Figure BDA0002345031320000053
表示第i个网格的第j个Bounding box是否负责检测目标；xi，yi，wi，hi分别为模型预测出的目标中心点的横坐标、纵坐标，宽度和高度；
Figure BDA0002345031320000054
Figure BDA0002345031320000055
为目标实际中心点的横坐标、纵坐标，宽度和高度。
IoU表达式为：
Figure BDA0002345031320000061
GIoU表达式为：
Figure BDA0002345031320000062
上述公式中：A、B为任意凸形，C为可以包含A、B在内的最小的封闭形状。
GIoU损失表达式为：
LGIoU＝1-GIoU
(3)使用k-means++对训练集数据中标注的真实目标边框进行聚类
YOLOv3的原文中使用k-means算法来进行anchor的聚类，而k-means算法在初始时随机选取k个点作为聚类中心，所以结果会受到初始点选取的影响。而k-means++算法通过随机选取第一个聚类中心，其后通过选取远离已有的聚类中心的点作为新的聚类中心。通过上述方法，K-means++能够有效的改善最终的误差。
(4)使用改进后的模型进行模型训练
图片输入尺寸设置为416，初始学习率设置为1e-3，采用momentum动量算法进行训练，同时采用warm up策略防止梯度爆炸。为了进一步提高检测效果，使用多尺度训练方法及数据增强方法。通过这些训练方法，极大的提高了训练得到的模型的性能及泛化能力。
(5)使用训练好的模型进行最终的检测测验
设置网络状态为测试，可以通过参数设定获取相应下的实验结果，并在测试原图中进行可视化显示。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于YOLOv3改进的交通标志检测与识别方法，其特征在于，包括以下步骤：
(1)获取和标注交通标志图像数据集，作为训练集；
(2)构建YOLOv3改进网络模型；
(3)通过训练集对所述的YOLOv3改进网络模型进行训练；
(4)通过训练好的YOLOv3改进网络模型对待测交通标志图像进行检查与识别。
2.根据权利要求1所述的基于YOLOv3改进的交通标志检测与识别方法，其特征在于，采用CTSD数据集作为训练集，将CTSD数据集的格式修改为符合YOLO网络的输入格式。
3.根据权利要求1所述的基于YOLOv3改进的交通标志检测与识别方法，其特征在于，步骤(2)中包括：
将YOLO网络模型原有的Darknet53网络替换为Mobilenetv2网络；从Mobilenetv2网络中提取三层特征图，通过Inv_res2net_block对三层特征图进一步提取特征，然后进行上采样与原有特征进行融合，作为新的候选特征；再使用NAS-FPN结构对新的候选特征进行进一步的特征融合；
采用GIoU改进损失函数。
4.根据权利要求3所述的基于YOLOv3改进的交通标志检测与识别方法，其特征在于，步骤(2)中包括：
步骤(2)中包括：
(2-1)将YOLO网络模型原有的Darknet53网络替换为Mobilenetv2网络；
(2-2)依次从MobilenetV2结构中提取下采样倍数分别为8、16、32的特征图：Route_1、Route_2和Route_3；使用Inv_res2net_block从Route_1、Route_2和Route_3中进一步特征提取，再进行上采样操作，获得融合后的特征C3、C4和C5；
(2-3)对特征C5进行卷积操作后，获得特征C6和C7；
(2-4)将特征C3、C4、C5、C6和C7作为输入，通过NAS-FPN结构进行更深层次的融合，选取对应着下采样倍数为8、16、32的特征图p3、p4和p5作为预测的输出；
(2-5)采用GIoU损失替换YOLO网络模型原有的定位损失函数；
IoU表达式为：
Figure FDA0002345031310000021
GIoU表达式为：
Figure FDA0002345031310000022
其中：A、B为任意凸形，C为可以包含A、B在内的最小的封闭形状；
GIoU损失表达式为：
LGIoU＝1-GIoU。
5.根据权利要求4所述的基于YOLOv3改进的交通标志检测与识别方法，其特征在于，步骤(2-4)中，通过NAS-FPN结构进行更深层次的融合，选择13×13、26×26、52×52作为三个输出特征图；网络重复次数设置为7。
6.根据权利要求1～5任一项所述的基于YOLOv3改进的交通标志检测与识别方法，其特征在于，步骤(2)还包括：采用k-means++算法对训练集数据的标注信息进行聚类，获得所需的anchor值。
7.根据权利要求1所述的基于YOLOv3改进的交通标志检测与识别方法，其特征在于，步骤(3)中，采用momentum动量算法进行训练，同时采用warm up策略防止梯度爆炸。
8.根据权利要求1或7所述的基于YOLOv3改进的交通标志检测与识别方法，其特征在于，步骤(3)中，采用多尺度训练策略以及mix up和/或randomcrop数据增强方法进行训练。
CN201911422311.6A 2019-12-30 2019-12-30 基于YOLOv3改进的交通标志检测与识别方法 Active CN111191608B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911422311.6A CN111191608B (zh) 2019-12-30 2019-12-30 基于YOLOv3改进的交通标志检测与识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911422311.6A CN111191608B (zh) 2019-12-30 2019-12-30 基于YOLOv3改进的交通标志检测与识别方法

Publications (2)

Publication Number Publication Date
CN111191608A true CN111191608A (zh) 2020-05-22
CN111191608B CN111191608B (zh) 2023-04-18

Family

ID=70705996

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911422311.6A Active CN111191608B (zh) 2019-12-30 2019-12-30 基于YOLOv3改进的交通标志检测与识别方法

Country Status (1)

Country Link
CN (1) CN111191608B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111753787A (zh) * 2020-07-01 2020-10-09 江苏金海星导航科技有限公司 一种分离式的交通标志检测与识别方法
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
CN112257799A (zh) * 2020-10-30 2021-01-22 电子科技大学中山学院 一种生活垃圾目标检测的方法、系统及装置
CN112508464A (zh) * 2021-02-08 2021-03-16 常州微亿智造科技有限公司 基于注塑成型的产品检测方法和装置
CN112668445A (zh) * 2020-12-24 2021-04-16 南京泓图人工智能技术研究院有限公司 一种基于yolov5的蔬菜种类检测与识别方法
CN112699900A (zh) * 2021-01-05 2021-04-23 东北林业大学 一种改进YOLOv4的交通标志识别方法
CN113269161A (zh) * 2021-07-16 2021-08-17 四川九通智路科技有限公司 一种基于深度学习的交通标识牌检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9760806B1 (en) * 2016-05-11 2017-09-12 TCL Research America Inc. Method and system for vision-centric deep-learning-based road situation analysis
US20170323452A1 (en) * 2014-11-18 2017-11-09 Agency For Science, Technology And Research Method and device for traffic sign recognition
CN107368787A (zh) * 2017-06-16 2017-11-21 长安大学 一种面向深度智驾应用的交通标志识别算法
CN109858349A (zh) * 2018-12-25 2019-06-07 五邑大学 一种基于改进yolo模型的交通标志识别方法及其装置
CN109902609A (zh) * 2019-02-22 2019-06-18 淮阴工学院 一种基于YOLOv3的交通标志检测与识别方法
CN110378239A (zh) * 2019-06-25 2019-10-25 江苏大学 一种基于深度学习的实时交通标志检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170323452A1 (en) * 2014-11-18 2017-11-09 Agency For Science, Technology And Research Method and device for traffic sign recognition
US9760806B1 (en) * 2016-05-11 2017-09-12 TCL Research America Inc. Method and system for vision-centric deep-learning-based road situation analysis
CN107368787A (zh) * 2017-06-16 2017-11-21 长安大学 一种面向深度智驾应用的交通标志识别算法
CN109858349A (zh) * 2018-12-25 2019-06-07 五邑大学 一种基于改进yolo模型的交通标志识别方法及其装置
CN109902609A (zh) * 2019-02-22 2019-06-18 淮阴工学院 一种基于YOLOv3的交通标志检测与识别方法
CN110378239A (zh) * 2019-06-25 2019-10-25 江苏大学 一种基于深度学习的实时交通标志检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
BING XU ET AL.: "Hybrid Composition with IdleBlock:More Efficient Networks for Image Recognition" *
MARK SANDLER ET AL.: "MobileNetV2:Inverted Residuals and Linear Bottlenecks" *
晏世武;罗金良;严庆;: "基于改进Yolov3的目标检测的研究" *
杨晋生等: "基于深度可分离卷积的交通标志识别算法" *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111753787A (zh) * 2020-07-01 2020-10-09 江苏金海星导航科技有限公司 一种分离式的交通标志检测与识别方法
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
CN112257799A (zh) * 2020-10-30 2021-01-22 电子科技大学中山学院 一种生活垃圾目标检测的方法、系统及装置
CN112668445A (zh) * 2020-12-24 2021-04-16 南京泓图人工智能技术研究院有限公司 一种基于yolov5的蔬菜种类检测与识别方法
CN112699900A (zh) * 2021-01-05 2021-04-23 东北林业大学 一种改进YOLOv4的交通标志识别方法
CN112508464A (zh) * 2021-02-08 2021-03-16 常州微亿智造科技有限公司 基于注塑成型的产品检测方法和装置
CN112508464B (zh) * 2021-02-08 2021-06-01 常州微亿智造科技有限公司 基于注塑成型的产品检测方法和装置
CN113269161A (zh) * 2021-07-16 2021-08-17 四川九通智路科技有限公司 一种基于深度学习的交通标识牌检测方法

Also Published As

Publication number Publication date
CN111191608B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN111191608B (zh) 基于YOLOv3改进的交通标志检测与识别方法
CN110175613A (zh) 基于多尺度特征和编解码器模型的街景图像语义分割方法
CN107368787A (zh) 一种面向深度智驾应用的交通标志识别算法
CN104361313B (zh) 一种基于多核学习异构特征融合的手势识别方法
CN108549895A (zh) 一种基于对抗网络的半监督语义分割方法
CN105868700A (zh) 一种基于监控视频的车型识别与跟踪方法及系统
CN110599502B (zh) 一种基于深度学习的皮肤病变分割方法
CN114495029B (zh) 一种基于改进YOLOv4的交通目标检测方法及系统
CN108090499A (zh) 基于最大信息三元组筛选网络的数据主动标注方法和系统
CN110502655B (zh) 一种嵌入场景文字信息的图像自然描述语句生成方法
CN109948707A (zh) 模型训练方法、装置、终端及存储介质
CN112528934A (zh) 一种基于多尺度特征层的改进型YOLOv3的交通标志检测方法
CN111353544A (zh) 一种基于改进的Mixed Pooling-YOLOV3目标检测方法
CN114998220A (zh) 一种基于改进的Tiny-YOLO v4自然环境下舌像检测定位方法
CN108509833A (zh) 一种基于结构化分析字典的人脸识别方法、装置及设备
CN113255837A (zh) 工业环境下基于改进的CenterNet网络目标检测方法
CN113378815B (zh) 一种场景文本定位识别的系统及其训练和识别的方法
CN113239753A (zh) 基于YOLOv4改进的交通标志检测与识别方法
CN110458132A (zh) 一种基于端到端的不定长文本识别方法
CN104978569A (zh) 一种基于稀疏表示的增量人脸识别方法
CN113673506A (zh) 一种基于多尺度特征金字塔的场景文本检测方法及系统
CN111797704B (zh) 一种基于相关物体感知的动作识别方法
CN109523570A (zh) 运动参数计算方法及装置
CN111753714A (zh) 基于字符分割的多方向自然场景文本检测方法
US20230186436A1 (en) Method for fine-grained detection of driver distraction based on unsupervised learning

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
GR01 Patent grant
GR01 Patent grant