CN111310770A - 目标检测方法和装置 - Google Patents
目标检测方法和装置 Download PDFInfo
- Publication number
- CN111310770A CN111310770A CN202010108447.6A CN202010108447A CN111310770A CN 111310770 A CN111310770 A CN 111310770A CN 202010108447 A CN202010108447 A CN 202010108447A CN 111310770 A CN111310770 A CN 111310770A
- Authority
- CN
- China
- Prior art keywords
- corner
- determining
- representative
- point
- preset number
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 152
- 238000010586 diagram Methods 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000004044 response Effects 0.000 claims description 28
- 238000012217 deletion Methods 0.000 claims description 12
- 230000037430 deletion Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了目标检测方法和装置。该方法的一具体实施方式包括:获取待识别图像;确定待识别图像的角点特征图和角点热力图;基于角点热力图包括的特征值,从角点特征图的每个通道提取第一预设数量个代表点;确定第一预设数量个代表点中的每个代表点对应的关联关系特征;基于所得到的关联关系特征,重新确定待识别图像的角点特征图和角点热力图;基于重新确定的热力图,生成表征待识别图像中的目标物体的位置的检测框。该实施方式实现了利用角点之间的关联关系特征,体现目标物体之间的位置关系,更加准确地定位目标物体的角点,同时减小误检和漏检的概率,使输出的检测框更加精确。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及目标检测方法和装置。
背景技术
目标检测技术作为计算机视觉的重要方向,被广泛应用于自动驾驶汽车、智能摄像头、人脸识别及大量有价值的应用上。这些系统除了可以对图像中的每个目标进行识别、分类以外,它们还可以通过在该目标周围绘制适当大小的边界框来对其进行定位。
当前主流的目标检测方法通常为独立地检测目标。整个过程网络学习目标的特征是独立的,检测某个目标时其余目标并不能够对当前检测做出相应的权重贡献,因此网络没有目标间的关联学习。
在基于关键点检测的算法中,热力图的准确度是算法的瓶颈,热力图不够准确则不能准确定位目标的角点。该类算法热力图的每个通道代表一个类别,但算法并没有利用类别的关系更新热力图。
发明内容
本申请实施例的目的在于提出了一种改进的目标检测方法和装置,来解决以上背景技术部分提到的技术问题。
第一方面,本申请实施例提供了一种目标检测方法,该方法包括:获取待识别图像;确定待识别图像的角点特征图和角点热力图;基于角点热力图包括的特征值,从角点特征图的每个通道提取第一预设数量个代表点;确定第一预设数量个代表点中的每个代表点对应的关联关系特征;基于所得到的关联关系特征,重新确定待识别图像的角点特征图和角点热力图;基于重新确定的热力图,生成表征待识别图像中的目标物体的位置的检测框。
在一些实施例中,确定第一预设数量个代表点中的每个代表点对应的关联关系特征,包括:对于第一预设数量个代表点中的每个代表点,确定表征该代表点与其他代表点之间的几何关系的几何关系特征,以及确定该代表点对应的局部区域特征;基于所得到的几何关系特征和局部区域特征,确定几何关系特征权重和局部关系特征权重;基于几何关系特征权重和局部关系特征权重,确定第一预设数量个代表点中的每个代表点对应的关联关系特征。
在一些实施例中,对于第一预设数量个代表点中的每个代表点,确定表征该代表点与其他代表点之间的几何关系的几何关系特征,以及确定该代表点对应的局部区域特征,包括:确定第一预设数量个代表点中的每个代表点的几何特征,其中,几何特征包括代表点的坐标、表征代表点的周围区域的区域信息、表征代表点类别的类别信息;对于第一预设数量个代表点中的每个代表点,基于该代表点的几何特征和其他代表点的几何特征,确定该代表点与其他代表点之间的几何关系特征;基于该代表点的几何特征包括的区域信息,从角点特征图中提取该代表点对应的局部区域特征。
在一些实施例中,基于所得到的关联关系特征,重新确定待识别图像的角点特征图和角点热力图,包括:基于所得到的关联关系特征,重新确定每个代表点的局部区域特征;将重新确定的局部区域特征嵌入回角点特征图,得到重新确定的角点特征图;对重新确定的角点特征图进行卷积运算,得到重新确定的角点热力图。
在一些实施例中,基于重新确定的热力图,生成表征待识别图像中的目标物体的位置的检测框,包括:基于重新确定的热力图包括的特征值,确定第二预设数量个第一角点和第二预设数量个第二角点;对于第二预设数量个第一角点中的每个第一角点,确定该角点与第二预设数量个第二角点分别对应的检测框;从所得到的检测框中,将满足预设条件的检测框删除;从删除后剩余的检测框中提取最终的检测框。
在一些实施例中,预设条件包括以下至少一种:检测框对应的第一角点和第二角点之间的距离大于等于预设距离;检测框对应的第一角点和第二角点的类别不同。
在一些实施例中,从删除后剩余的检测框中提取最终的检测框,包括:对于所得到的检测框中的每个检测框,确定该检测框对应的第一角点和第二角点的响应值;基于所确定的响应值,确定该检测框的分数;按照所得到的分数的大小,从删除后剩余的检测框中提取最终的检测框。
在一些实施例中,基于角点热力图包括的特征值,从角点特征图的每个通道提取第一预设数量个代表点,包括:基于角点热力图包括的特征值,确定角点热力图中的每个通道中的每个元素对应的响应值,其中,响应值用于表征像素为角点的概率;基于响应值的大小,从角点特征图的每个通道提取第一预设数量个代表点。
第二方面,本申请实施例提供了一种目标检测装置,该装置包括:获取模块,用于获取待识别图像;第一确定模块,用于确定待识别图像的角点特征图和角点热力图;提取模块,用于基于角点热力图包括的特征值,从角点特征图的每个通道提取第一预设数量个代表点;第二确定模块,用于确定第一预设数量个代表点中的每个代表点对应的关联关系特征;第三确定模块,用于基于所得到的关联关系特征,重新确定待识别图像的角点特征图和角点热力图;生成模块,用于基于重新确定的热力图,生成表征待识别图像中的目标物体的位置的检测框。
第三方面,本申请实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的目标检测方法和装置,通过确定待识别图像的角点特征图和角点热力图,再基于角点热力图从角点特征图中提取代表点,然后确定每个代表点与其他代表点之间的关联关系特征,再然后基于关联关系特征重新确定角点特征图和角点热力图,最后基于重新确定的热力图,确定目标物体的检测框,从而实现了利用角点之间的关联关系特征,体现目标物体之间的位置关系,更加准确地定位目标物体的角点,同时减小误检和漏检的概率,使输出的检测框更加精确。
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,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的目标检测方法的一个实施例的流程图;
图3是根据本申请的目标检测方法的又一个实施例的流程图;
图4是根据本申请的目标检测装置的一个实施例的结构示意图;
图5是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请实施例的目标检测方法的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101,网络102和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101通过网络102与服务器103交互,以接收或发送消息等。终端设备101上可以安装有各种通讯客户端应用,例如监控类应用、图像识别应用、搜索类应用、网页浏览器应用等。
终端设备101可以是各种电子设备,包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。
服务器103可以是提供各种服务的服务器,例如对终端设备101上传的图像进行目标检测的图像识别服务器。图像识别服务器可以对接收的识别图像进行识别,并得到识别结果(例如目标物体的检测框)。
需要说明的是,本申请实施例所提供的目标检测方法可以由终端设备101或服务器103执行,相应地,目标检测装置可以设置于终端设备101或服务器103中。
应该理解,图1中的数据服务器、网络和主服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络、中间设备和服务器。在待识别图像不需要从远程获取的情况下,上述系统架构可以不包括网络,只包括终端设备或服务器。
继续参考图2,其示出了根据本申请的目标检测方法的一个实施例的流程200。该方法包括以下步骤:
步骤201,获取待识别图像。
在本实施例中,目标检测方法的执行主体(例如图1所示的终端设备或服务器)可以从本地或从远程获取待识别图像。其中,待识别图像可以是摄像头针对各种物体拍摄得到的图像,图像中可以包括各种目标物体的影像,目标物体可以为各种类型的物体,例如人体、人脸、车辆、动物等。
步骤202,确定待识别图像的角点特征图和角点热力图。
在本实施例中,电子设备可以确定待识别图像的角点特征图和角点热力图。其中,角点特征图(corner maps)用于表征待识别图像中的目标物体的检测框的角点。角点热力图包括多个通道,每个通道对应于一种目标物体的类别,通道中的每个元素对应于一个像素,用于表征像素为角点的概率。
通常,可以利用预先训练的卷积神经网络确定待识别图像的角点特征图和角点热力图。作为示例,卷积神经网络可以包括现有的ImageNet,用于提取待识别图像的特征图,还可以包括角点池化(Corner Pooling)网络,用于生成角点特征图,利用1×1的卷积将角点特征图降维至C通道(C为总的类别数量),分辨率不变。需要说明的是,上述卷积神经网络以及训练方法为目前广泛使用的技术,这里不再赘述。例如,输入上述ImageNet的数据可以是对待识别图像进行预处理得到的特征图(例如维度为64×64×256),经过ImageNet的处理,输出64×64×128的特征图。再经过角点池化网络的处理,得到64×64×256的角点特征图。
步骤203,基于角点热力图包括的特征值,从角点特征图的每个通道提取第一预设数量个代表点。
在本实施例中,上述执行主体可以基于角点热力图包括的特征值,从角点特征图的每个通道提取第一预设数量个代表点。其中,代表点为属于检测框的角点的概率较大的点。通常,代表点可以包括左上角点和右下角点,根据一个左上角点和一个右下角点可以得到一个检测框。上述执行主体可以对角点热力图中的特征值进行分析,确定出表征代表点的特征值对应的像素。
在在本实施例的一些可选的实现方式中,步骤203可以如下执行:
首先,基于角点热力图包括的特征值,确定角点热力图中的每个通道中的每个元素对应的响应值。其中,响应值用于表征像素为角点的概率。作为示例,电子设备可以利用sigmoid函数,对特征值进行计算,得到响应值。
然后,基于响应值的大小,从角点特征图的每个通道提取第一预设数量个代表点。其中,第一预设数量可以任意设置。例如,通常设置为20-50之间。
本实现方式通过确定响应值提取代表点,可以提高确定角点的准确性。
步骤204,确定第一预设数量个代表点中的每个代表点对应的关联关系特征。
在本实施例中,上述执行主体可以确定第一预设数量个代表点中的每个代表点对应的关联关系特征。其中,关联关系特征用于表征各个代表点之间的关系,即各个目标物体的检测框之间的关系。
作为示例,关联关系特征可以利用代表点的位置得到。例如,根据代表点的坐标之间的距离、代表点对应的各个类别信息等得到关联关系特征。
步骤205,基于所得到的关联关系特征,重新确定待识别图像的角点特征图和角点热力图。
在本实施例中,上述执行主体可以基于所得到的关联关系特征,重新确定待识别图像的角点特征图和角点热力图。
作为示例,上述执行主体可以根据每个代表点对应的关联关系特征,对角点特征图中的、每个代表点对应特征值进行更新(例如将关联关系特征替换掉对应的特征值),得到重新确定的角点特征图。
步骤206,基于重新确定的热力图,生成表征待识别图像中的目标物体的位置的检测框。
在本实施例中,上述执行主体可以基于重新确定的热力图,生成表征待识别图像中的目标物体的位置的检测框。具体地,作为示例,上述执行主体可以从重新确定的热力图中,根据热力图中的特征值,确定左上角点和右下角点的位置,根据左上角点和右下角点,即可确定出检测框。
可选的,上述执行主体可以先通过非极大值抑制(Non-Maximum Suppression,NMS)算法在热力图上去除一些冗余角点,再从剩余的角点中确定检测框的角点。
可选的,在步骤206之后,上述执行主体还可以在上述待识别图像中显示检测框,并显示检测框中的目标物体的类别。
在本实施例的一些可选的实现方式中,步骤206可以如下执行:
首先,基于重新确定的热力图包括的特征值,确定第二预设数量个第一角点和第二预设数量个第二角点。其中,第一角点和第二角点用于确定检测框,例如,第一角点和第二角点可以分别为检测框的左上角点和右下角点。第二预设数量可以任意设置,例如20。上述执行主体可以根据上述响应值由大到小的顺序,从各个第一角点和各个第二角点中确定第二预设数量个第一角点和第二预设数量个第二角点。
然后,对于第二预设数量个第一角点中的每个第一角点,确定该角点与第二预设数量个第二角点分别对应的检测框。作为示例,假设第二预设数量为K,则可以确定出K×K个检测框。
再然后,从所得到的检测框中,将满足预设条件的检测框删除。其中,预设条件用于确定表征包围的图像区域为目标物体的概率较低的检测框。
最后,从删除后剩余的检测框中提取最终的检测框。作为示例,可以根据角点对应的响应值的大小顺序,从各个检测框中提取最终的检测框(例如第三预设数量个检测框,或响应值大于等于预设数值的检测框)。
本实现方式通过从多个检测框中,将表征目标物体的概率较低的检测框删除,从而可以提高最终的检测框的准确性。
可选的,预设条件包括以下至少一种:
预设条件一,检测框对应的第一角点和第二角点之间的距离大于等于预设距离。其中,预设距离可以按照各种方法得到,例如,距离可以为L1距离,预设距离可以为0.5。
预设条件二,检测框对应的第一角点和第二角点的类别不同。例如,某个检测框的第一角点对应的类别为人体,第二角点对应的类别为车辆,则该检测框为应当删除的检测框。通过设置预设条件,可以增加生成表征目标物体的位置的检测框的准确性。
在本实施例的一些可选的实现方式中,上述执行主体可以按照如下步骤从删除后剩余的检测框中提取最终的检测框:
首先,对于所得到的检测框中的每个检测框,确定该检测框对应的第一角点和第二角点的响应值;基于所确定的响应值,确定该检测框的分数。其中,响应值用于表征像素为检测框的角点的概率。关于响应值的确定方法,可以参考上述可选的实现方式,这里不再赘述。检测框的分数用于表征检测框包围的区域为目标物体的概率。例如,检测框的分数可以为该检测框的第一角点和第二角点的响应值的平均值。
然后,按照所得到的分数的大小,从删除后剩余的检测框中提取最终的检测框。作为示例,可以按照分数由大到小的顺序,从删除后剩余的检测框中提取第三预设数量个最终的检测框。
本实现方式通过确定检测框的分数,可以更准确地得到最终的检测框,提高目标检测的准确性。
需要说明的是,上述步骤201-步骤206,可以通过预先训练的神经网络模型实现,神经网络模型可以包括卷积层、池化层等各种结构,训练时,可以使用大量的样本图像,以及对样本图像标注的角点位置和目标物体的类别,利用机器学习方法,对神经网络模型进行训练。实际应用中,将待识别图像输入神经网络模型,输出检测框。
本申请的上述实施例提供的方法,通过确定待识别图像的角点特征图和角点热力图,再基于角点热力图从角点特征图中提取代表点,然后确定每个代表点与其他代表点之间的关联关系特征,再然后基于关联关系特征重新确定角点特征图和角点热力图,最后基于重新确定的热力图,确定目标物体的检测框,从而实现了利用角点之间的关联关系特征,体现目标物体之间的位置关系,更加准确地定位目标物体的角点,同时减小误检和漏检的概率,使输出的检测框更加精确。
进一步参考图3,其示出了根据本申请的目标检测方法的又一个实施例的流程300。在上述图2的基础上,步骤204可以包括以下步骤:
步骤2041,对于第一预设数量个代表点中的每个代表点,确定表征该代表点与其他代表点之间的几何关系的几何关系特征,以及确定该代表点对应的局部区域特征。
在本实施例中,对于第一预设数量个代表点中的每个代表点,上述执行主体可以确定表征该代表点与其他代表点之间的几何关系的几何关系特征,以及确定该代表点对应的局部区域特征。其中,局部区域特征用于表征代表点的周围区域的特征。
具体地,作为示例,几何关系特征可以利用代表点的位置得到。例如,根据代表点的坐标之间的距离、代表点对应的各个类别信息等得到几何关系特征。
在本实施例中的一些可选的实现方式中,步骤2041可以如下执行:
首先,确定第一预设数量个代表点中的每个代表点的几何特征。其中,几何特征包括代表点的坐标、表征代表点的周围区域的区域信息、表征代表点类别的类别信息。
作为示例,几何特征可以用4维向量表示:(x,y,r,c),其中,x,y为代表点的坐标,r用于确定代表点的周围区域,例如以代表点为中心的边长为r的正方形区域,r的值可以任意设置,c用于表征目标物体的类别,例如类别的编号。
然后,对于第一预设数量个代表点中每个代表点,基于该代表点的几何特征和其他代表点的几何特征,确定该代表点与其他代表点之间的几何关系特征;基于该代表点的几何特征包括的区域信息,从角点特征图中提取该代表点对应的局部区域特征。
作为示例,几何关系特征FG用四维的向量表示代表点之间的关系:
其中,n表示第n个角点,m表示第m个代表点,因为每个角点都需要计算和其他所有角点的关系,式中的log操作,可增加尺度不变性,不至于因为数值变化范围过大引起训练的发散。式(1)表示两个代表点之间的几何关系特征。
作为另一示例,在角点特征图中以可以以(x,y)为中心,在该代表点周围截取邻域为r的r×r×256区域(r邻域的取值可以取3,5,7等),将每个r×r×256区域输入至全连接层,得到为dc维的向量(dc一般取1024维),因此每个代表点将用dc维向量代表,所以局部区域特征以二维矩阵FC表示为:
FC={top-K,dc} (2)
其中,top-K为代表点的数量。
步骤2042,基于所得到的几何关系特征和局部区域特征,确定几何关系特征权重和局部关系特征权重。
在本实施例中,上述执行主体可以基于所得到的几何关系特征和局部区域特征,确定几何关系特征权重和局部关系特征权重。其中,几何关系特征权重和局部关系特征权重用于对局部区域特征进行加权运算。
其中,WG、WK、WQ为利用机器学习方法学习到的参数,εG是将第m个角点和第n个角点之间的几何特征FG映射到高维空间,例如将4维的几何特征FG嵌入成64维。表示第m个角点的几何特征,表示第n个角点的几何特征,表示第m个角点的局部特征,示第n个角点的局部特征。
步骤2043,基于几何关系特征权重和局部关系特征权重,确定第一预设数量个代表点中的每个代表点对应的关联关系特征。
在本实施例中,上述执行主体可以基于几何关系特征权重和局部关系特征权重,确定第一预设数量个代表点中的每个代表点对应的关联关系特征。
具体地,作为示例,根据上述式(3)和式(4)可以得到归一化的总权重ωmn,其中,归一化操作可利用softmax函数实现:
其中,k为代表点的数量,∑k表示第n个代表点与其他k个代表点的权重求和。
然后,按照下式(6),利用总权重可以得到第n个代表点的关联关系特征:
其中,WV是一个线性变换操作,可以通过卷积运算实现。
在本实施例中的一些可选的实现方式中,基于步骤2041提出的局部区域特征和几何关系特征,上述执行主体可以按照如下步骤执行上述步骤205:
首先,基于所得到的关联关系特征,重新确定每个代表点的局部区域特征。作为示例,假设对于第n个代表点,可以按照如下公式(7)重新确定该代表点的局部区域特征。
其中,Nr表示关联关系特征模块的数量,Concat表示将各个关联关系特征模块的输出进行融合。融合后的关联关系特征与原始的关联关系特征的维度相同。因为每个fR(n)的通道维度是的1/r倍,Concat融合后的维度和相同。
然后,将关联关系特征模块融合后的关联关系特征和原始的区域特征融合,得到重新确定的区域特征。最后,将重新确定的局部区域特征嵌入回角点特征图,得到重新确定的角点特征图。
通常,由于重新确定的局部区域特征是经过全连接层得到的向量,因此,这里可以将局部区域特征再次通过全连接层,恢复为r×r×C的向量,其中,C为角点特征图的通道数,例如256。将重新得到的各个r×r×C的向量,替换掉角点特征图中的原始对应位置的数据,得到重新确定的角点特征图。
最后,对重新确定的角点特征图进行卷积运算,得到重新确定的角点热力图。这里,重新确定角点热力图的方法与步骤202描述的方法一致,这里不再赘述。
本实现方式通过重新确定各个代表点的局部区域特征,再将局部区域特征嵌入回角点特征图,可以使新的角点特征图充分反映各个检测框之间的关系,提高目标检测的准确性。
上述图3所示的实施例提供的方法,通过确定几何关系特征和局部区域特征得到的关系特征,可以准确地表征各个代表点之间的关系,从而有助于使确定的角点反映各个目标物体的关联,提高目标检测的准确性。
进一步参考图4,作为对上述各图所示方法的实现,本申请提供了一种目标检测装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的目标检测装置400包括:获取模块401,用于获取待识别图像;第一确定模块402,用于确定待识别图像的角点特征图和角点热力图;提取模块403,用于基于角点热力图包括的特征值,从角点特征图的每个通道提取第一预设数量个代表点;第二确定模块404,用于确定第一预设数量个代表点中的每个代表点对应的关联关系特征;第三确定模块405,用于基于所得到的关联关系特征,重新确定待识别图像的角点特征图和角点热力图;生成模块406,用于基于重新确定的热力图,生成表征待识别图像中的目标物体的位置的检测框。
在本实施例中,目标检测方法的获取模块401可以从本地或从远程获取待识别图像。其中,待识别图像可以是摄像头针对各种物体拍摄得到的图像,图像中可以包括各种目标物体的影像,目标物体可以为各种类型的物体,例如人体、人脸、车辆、动物等。
在本实施例中,第一确定模块402可以确定待识别图像的角点特征图和角点热力图。其中,角点特征图(corner maps)用于表征待识别图像中的目标物体的检测框的角点。角点热力图包括多个通道,每个通道对应于一种目标物体的类别,通道中的每个元素对应于一个像素,用于表征像素为角点的概率。
通常,可以利用预先训练的卷积神经网络确定待识别图像的角点特征图和角点热力图。作为示例,卷积神经网络可以包括现有的ImageNet,用于提取待识别图像的特征图,还可以包括角点池化(Corner Pooling)网络,用于生成角点特征图,利用1×1的卷积将角点特征图降维至C通道(C为总的类别数量),分辨率不变。需要说明的是,上述卷积神经网络以及训练方法为目前广泛使用的技术,这里不再赘述。例如,输入上述ImageNet的数据可以是对待识别图像进行预处理得到的特征图(例如维度为64×64×256),经过ImageNet的处理,输出64×64×128的特征图。再经过角点池化网络的处理,得到64×64×256的角点特征图。
在本实施例中,提取模块403可以基于角点热力图包括的特征值,从角点特征图的每个通道提取第一预设数量个代表点。其中,代表点为属于检测框的角点的概率较大的点。通常,代表点可以包括左上角点和右下角点,根据一个左上角点和一个右下角点可以得到一个检测框。上述执行主体可以对角点热力图中的特征值进行分析,确定出表征代表点的特征值对应的像素。
在本实施例中,确定模块404可以确定第一预设数量个代表点中的每个代表点对应的关联关系特征。其中,关联关系特征用于表征各个代表点之间的关系,即各个目标物体的检测框之间的关系。
作为示例,关联关系特征可以利用代表点的位置得到。例如,根据代表点的坐标之间的距离、代表点对应的各个类别信息得到关联关系特征。
在本实施例中,第三确定模块405可以基于所得到的关联关系特征,重新确定待识别图像的角点特征图和角点热力图。
作为示例,上述第三确定模块405可以根据每个代表点对应的关联关系特征,对角点特征图中的、每个代表点对应特征值进行更新(例如将关联关系特征替换掉对应的特征值),得到重新确定的角点特征图。
在本实施例中,生成模块406可以基于重新确定的热力图,生成表征待识别图像中的目标物体的位置的检测框。具体地,作为示例,上述生成模块406可以从重新确定的热力图中,根据热力图中的特征值,确定左上角点和右下角点的位置,根据左上角点和右下角点,即可确定出检测框。
在本实施例的一些可选的实现方式中,第二确定模块404可以包括:第一确定单元(图中未示出),用于对于第一预设数量个代表点中的每个代表点,确定表征该代表点与其他代表点之间的几何关系的几何关系特征,以及确定该代表点对应的局部区域特征;第二确定单元(图中未示出),用于基于所得到的几何关系特征和局部区域特征,确定几何关系特征权重和局部关系特征权重;第三确定单元(图中未示出),用于基于几何关系特征权重和局部关系特征权重,确定第一预设数量个代表点中的每个代表点对应的关联关系特征。
在本实施例的一些可选的实现方式中,第一确定单元可以包括:第一确定子单元(图中未示出),用于确定第一预设数量个代表点中的每个代表点的几何特征,其中,几何特征包括代表点的坐标、表征代表点的周围区域的区域信息、表征代表点类别的类别信息;第一提取子单元(图中未示出),用于对于第一预设数量个代表点中的每个代表点,基于该代表点的几何特征和其他代表点的几何特征,确定该代表点与其他代表点之间的几何关系特征;基于该代表点的几何特征包括的区域信息,从角点特征图中提取该代表点对应的局部区域特征。
在本实施例的一些可选的实现方式中,第三确定模块405可以包括:第四确定单元(图中未示出),用于基于所得到的关联关系特征,重新确定每个代表点的局部区域特征;嵌入单元(图中未示出),用于将重新确定的局部区域特征嵌入回角点特征图,得到重新确定的角点特征图;卷积单元(图中未示出),用于对重新确定的角点特征图进行卷积运算,得到重新确定的角点热力图。
在本实施例的一些可选的实现方式中,生成模块406可以包括:第五确定单元(图中未示出),用于基于重新确定的热力图包括的特征值,确定第二预设数量个第一角点和第二预设数量个第二角点;第六确定单元(图中未示出),用于对于第二预设数量个第一角点中的每个第一角点,确定该角点与第二预设数量个第二角点分别对应的检测框;删除单元(图中未示出),用于从所得到的检测框中,将满足预设条件的检测框删除;第一提取单元(图中未示出),用于从删除后剩余的检测框中提取最终的检测框。
在本实施例的一些可选的实现方式中,预设条件可以包括以下至少一种:检测框对应的第一角点和第二角点之间的距离大于等于预设距离;检测框对应的第一角点和第二角点的类别不同。
在本实施例的一些可选的实现方式中,第一提取单元可以包括:第二确定子单元(图中未示出),用于对于所得到的检测框中的每个检测框,确定该检测框对应的第一角点和第二角点的响应值;基于所确定的响应值,确定该检测框的分数;第二提取子单元(图中未示出),用于按照所得到的分数的大小,从删除后剩余的检测框中提取最终的检测框。
在本实施例的一些可选的实现方式中,提取模块403可以包括:第七确定单元(图中未示出),用于基于角点热力图包括的特征值,确定角点热力图中的每个通道中的每个元素对应的响应值,其中,响应值用于表征像素为角点的概率;第二提取单元(图中未示出),用于基于响应值的大小,从角点特征图的每个通道提取第一预设数量个代表点。
本申请的上述实施例提供的装置,通过确定待识别图像的角点特征图和角点热力图,再基于角点热力图从角点特征图中提取代表点,然后确定每个代表点与其他代表点之间的关联关系特征,再然后基于关联关系特征重新确定角点特征图和角点热力图,最后基于重新确定的热力图,确定目标物体的检测框,从而实现了利用角点之间的关联关系特征,体现目标物体之间的位置关系,更加准确地定位目标物体的角点,同时减小误检和漏检的概率,使输出的检测框更加精确。
下面参考图5,其示出了适于用来实现本申请实施例的电子设备的计算机系统500的结构示意图。图5示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请所述的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质,该计算机可读存储介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括获取模块、第一确定模块、提取模块、第二确定模块、第三确定模块和生成模块。其中,这些模块的名称在某种情况下并不构成对该单元本身的限定,例如,获取模块还可以被描述为“用于获取待识别图像的模块”。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取待识别图像;确定待识别图像的角点特征图和角点热力图;基于角点热力图包括的特征值,从角点特征图的每个通道提取第一预设数量个代表点;确定第一预设数量个代表点中的每个代表点对应的关联关系特征;基于所得到的关联关系特征,重新确定待识别图像的角点特征图和角点热力图;基于重新确定的热力图,生成表征待识别图像中的目标物体的位置的检测框。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (11)
1.一种目标检测方法,其特征在于,所述方法包括:
获取待识别图像;
确定所述待识别图像的角点特征图和角点热力图;
基于所述角点热力图包括的特征值,从所述角点特征图的每个通道提取第一预设数量个代表点;
确定所述第一预设数量个代表点中的每个代表点对应的关联关系特征;
基于所得到的关联关系特征,重新确定所述待识别图像的角点特征图和角点热力图;
基于重新确定的热力图,生成表征所述待识别图像中的目标物体的位置的检测框。
2.根据权利要求1所述的方法,其特征在于,所述确定所述第一预设数量个代表点中的每个代表点对应的关联关系特征,包括:
对于所述第一预设数量个代表点中的每个代表点,确定表征该代表点与其他代表点之间的几何关系的几何关系特征,以及确定该代表点对应的局部区域特征;
基于所得到的几何关系特征和局部区域特征,确定几何关系特征权重和局部关系特征权重;
基于所述几何关系特征权重和局部关系特征权重,确定所述第一预设数量个代表点中的每个代表点对应的关联关系特征。
3.根据权利要求2所述的方法,其特征在于,所述对于所述第一预设数量个代表点中的每个代表点,确定表征该代表点与其他代表点之间的几何关系的几何关系特征,以及确定该代表点对应的局部区域特征,包括:
确定所述第一预设数量个代表点中的每个代表点的几何特征,其中,几何特征包括代表点的坐标、表征代表点的周围区域的区域信息、表征代表点所述类别的类别信息;
对于所述第一预设数量个代表点中的每个代表点,基于该代表点的几何特征和其他代表点的几何特征,确定该代表点与其他代表点之间的几何关系特征;基于该代表点的几何特征包括的区域信息,从所述角点特征图中提取该代表点对应的局部区域特征。
4.根据权利要求2所述的方法,其特征在于,所述基于所得到的关联关系特征,重新确定所述待识别图像的角点特征图和角点热力图,包括:
基于所得到的关联关系特征,重新确定每个代表点的局部区域特征;
将重新确定的局部区域特征嵌入回所述角点特征图,得到重新确定的角点特征图;
对所述重新确定的角点特征图进行卷积运算,得到重新确定的角点热力图。
5.根据权利要求1所述的方法,其特征在于,所述基于重新确定的热力图,生成表征所述待识别图像中的目标物体的位置的检测框,包括:
基于所述重新确定的热力图包括的特征值,确定第二预设数量个第一角点和第二预设数量个第二角点;
对于所述第二预设数量个第一角点中的每个第一角点,确定该角点与所述第二预设数量个第二角点分别对应的检测框;
从所得到的检测框中,将满足预设条件的检测框删除;
从删除后剩余的检测框中提取最终的检测框。
6.根据权利要求5所述的方法,其特征在于,所述预设条件包括以下至少一种:
检测框对应的第一角点和第二角点之间的距离大于等于预设距离;
检测框对应的第一角点和第二角点的类别不同。
7.根据权利要求5所述的方法,其特征在于,所述从删除后剩余的检测框中提取最终的检测框,包括:
对于所得到的检测框中的每个检测框,确定该检测框对应的第一角点和第二角点的响应值;基于所确定的响应值,确定该检测框的分数;
按照所得到的分数的大小,从删除后剩余的检测框中提取最终的检测框。
8.根据权利要求1-7之一所述的方法,其特征在于,所述基于所述角点热力图包括的特征值,从所述角点特征图的每个通道提取第一预设数量个代表点,包括:
基于所述角点热力图包括的特征值,确定所述角点热力图中的每个通道中的每个元素对应的响应值,其中,响应值用于表征像素为角点的概率;
基于响应值的大小,从所述角点特征图的每个通道提取第一预设数量个代表点。
9.一种目标检测装置,其特征在于,所述装置包括:
获取模块,用于获取待识别图像;
第一确定模块,用于确定所述待识别图像的角点特征图和角点热力图;
提取模块,用于基于所述角点热力图包括的特征值,从所述角点特征图的每个通道提取第一预设数量个代表点;
第二确定模块,用于确定所述第一预设数量个代表点中的每个代表点对应的关联关系特征;
第三确定模块,用于基于所得到的关联关系特征,重新确定所述待识别图像的角点特征图和角点热力图;
生成模块,用于基于重新确定的热力图,生成表征所述待识别图像中的目标物体的位置的检测框。
10.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010108447.6A CN111310770B (zh) | 2020-02-21 | 2020-02-21 | 目标检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010108447.6A CN111310770B (zh) | 2020-02-21 | 2020-02-21 | 目标检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111310770A true CN111310770A (zh) | 2020-06-19 |
CN111310770B CN111310770B (zh) | 2024-05-14 |
Family
ID=71148047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010108447.6A Active CN111310770B (zh) | 2020-02-21 | 2020-02-21 | 目标检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310770B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931764A (zh) * | 2020-06-30 | 2020-11-13 | 华为技术有限公司 | 一种目标检测方法、目标检测框架及相关设备 |
CN112926515A (zh) * | 2021-03-26 | 2021-06-08 | 支付宝(杭州)信息技术有限公司 | 活体模型训练方法和装置 |
CN113033497A (zh) * | 2021-04-30 | 2021-06-25 | 平安科技(深圳)有限公司 | 车道线识别方法、装置、设备及计算机可读存储介质 |
CN113076845A (zh) * | 2021-03-26 | 2021-07-06 | 上海欧菲智能车联科技有限公司 | 一种车位获取方法、车位确定装置、车辆及可读存储介质 |
CN113365382A (zh) * | 2021-08-10 | 2021-09-07 | 深圳市信润富联数字科技有限公司 | 灯光控制方法、装置、电子设备和存储介质 |
CN113378857A (zh) * | 2021-06-28 | 2021-09-10 | 北京百度网讯科技有限公司 | 目标检测方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109509222A (zh) * | 2018-10-26 | 2019-03-22 | 北京陌上花科技有限公司 | 直线类物体的检测方法及装置 |
US20190279014A1 (en) * | 2016-12-27 | 2019-09-12 | Beijing Sensetime Technology Development Co., Ltd | Method and apparatus for detecting object keypoint, and electronic device |
CN110765906A (zh) * | 2019-10-12 | 2020-02-07 | 上海雪湖科技有限公司 | 一种基于关键点的行人检测算法 |
-
2020
- 2020-02-21 CN CN202010108447.6A patent/CN111310770B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190279014A1 (en) * | 2016-12-27 | 2019-09-12 | Beijing Sensetime Technology Development Co., Ltd | Method and apparatus for detecting object keypoint, and electronic device |
CN109509222A (zh) * | 2018-10-26 | 2019-03-22 | 北京陌上花科技有限公司 | 直线类物体的检测方法及装置 |
CN110765906A (zh) * | 2019-10-12 | 2020-02-07 | 上海雪湖科技有限公司 | 一种基于关键点的行人检测算法 |
Non-Patent Citations (3)
Title |
---|
HAN HU 等: "Relation networks for object detection", 《IN PROCEEDINGS OF THE IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》, 31 December 2018 (2018-12-31), pages 3588 * |
ZHIWEI DONG 等: "CentripetalNet: Pursuing High-quality Keypoint Pairs for Object Detection", 《PROCEEDINGS OF THE EUROPEAN CONFERENCE ON COMPUTER VISION (ECCV)》, 31 December 2018 (2018-12-31), pages 734 - 750 * |
刘玉杰 等: "结合关联特征和卷积神经网络的视频目标检测", 《华南理工大学学报 (自然科学版)》, vol. 46, no. 12, 31 December 2018 (2018-12-31), pages 26 - 33 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931764A (zh) * | 2020-06-30 | 2020-11-13 | 华为技术有限公司 | 一种目标检测方法、目标检测框架及相关设备 |
CN111931764B (zh) * | 2020-06-30 | 2024-04-16 | 华为云计算技术有限公司 | 一种目标检测方法、目标检测框架及相关设备 |
CN112926515A (zh) * | 2021-03-26 | 2021-06-08 | 支付宝(杭州)信息技术有限公司 | 活体模型训练方法和装置 |
CN113076845A (zh) * | 2021-03-26 | 2021-07-06 | 上海欧菲智能车联科技有限公司 | 一种车位获取方法、车位确定装置、车辆及可读存储介质 |
CN113033497A (zh) * | 2021-04-30 | 2021-06-25 | 平安科技(深圳)有限公司 | 车道线识别方法、装置、设备及计算机可读存储介质 |
CN113033497B (zh) * | 2021-04-30 | 2024-03-05 | 平安科技(深圳)有限公司 | 车道线识别方法、装置、设备及计算机可读存储介质 |
CN113378857A (zh) * | 2021-06-28 | 2021-09-10 | 北京百度网讯科技有限公司 | 目标检测方法、装置、电子设备及存储介质 |
CN113365382A (zh) * | 2021-08-10 | 2021-09-07 | 深圳市信润富联数字科技有限公司 | 灯光控制方法、装置、电子设备和存储介质 |
CN113365382B (zh) * | 2021-08-10 | 2021-11-09 | 深圳市信润富联数字科技有限公司 | 灯光控制方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111310770B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310770B (zh) | 目标检测方法和装置 | |
CN111626208B (zh) | 用于检测小目标的方法和装置 | |
CN108898086B (zh) | 视频图像处理方法及装置、计算机可读介质和电子设备 | |
US11392792B2 (en) | Method and apparatus for generating vehicle damage information | |
CN112016467B (zh) | 交通标志识别模型训练方法、识别方法、系统、设备及介质 | |
CN112668588B (zh) | 车位信息生成方法、装置、设备和计算机可读介质 | |
CN111950570B (zh) | 目标图像提取方法、神经网络训练方法及装置 | |
CN112766284B (zh) | 图像识别方法和装置、存储介质和电子设备 | |
CN112712036A (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
CN113449070A (zh) | 多模态数据检索方法、装置、介质及电子设备 | |
CN115578570A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN108170751A (zh) | 用于处理图像的方法和装置 | |
CN114385662A (zh) | 路网更新方法、装置、存储介质及电子设备 | |
CN111967332B (zh) | 用于自动驾驶的能见度信息生成方法和装置 | |
CN111652245B (zh) | 车辆轮廓检测方法、装置、计算机设备及存储介质 | |
CN116164770B (zh) | 路径规划方法、装置、电子设备和计算机可读介质 | |
CN115565158B (zh) | 车位检测方法、装置、电子设备和计算机可读介质 | |
CN115115836B (zh) | 图像识别方法、装置、存储介质以及电子设备 | |
CN115984868A (zh) | 文本处理方法、装置、介质及设备 | |
CN113255819B (zh) | 用于识别信息的方法和装置 | |
CN115375657A (zh) | 息肉检测模型的训练方法、检测方法、装置、介质及设备 | |
CN115393423A (zh) | 目标检测方法和装置 | |
CN115131291A (zh) | 对象计数模型的训练方法、装置、设备以及存储介质 | |
CN114463768A (zh) | 表格识别方法、装置、可读介质和电子设备 | |
CN112528970A (zh) | 路牌检测方法、装置、设备和计算机可读介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |