CN111539343A - 一种基于卷积注意力网络的黑烟车检测方法 - Google Patents

一种基于卷积注意力网络的黑烟车检测方法 Download PDF

Info

Publication number
CN111539343A
CN111539343A CN202010341711.0A CN202010341711A CN111539343A CN 111539343 A CN111539343 A CN 111539343A CN 202010341711 A CN202010341711 A CN 202010341711A CN 111539343 A CN111539343 A CN 111539343A
Authority
CN
China
Prior art keywords
black smoke
attention
vehicle
convolutional
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
CN202010341711.0A
Other languages
English (en)
Other versions
CN111539343B (zh
Inventor
余红亮
张荣周
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.)
Anhui Wanyi Science and Technology Co Ltd
Original Assignee
Anhui Wanyi Science and Technology 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 Anhui Wanyi Science and Technology Co Ltd filed Critical Anhui Wanyi Science and Technology Co Ltd
Priority to CN202010341711.0A priority Critical patent/CN111539343B/zh
Publication of CN111539343A publication Critical patent/CN111539343A/zh
Application granted granted Critical
Publication of CN111539343B publication Critical patent/CN111539343B/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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/168—Segmentation; Edge detection involving transform domain methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于卷积注意力网络的黑烟车检测方法，包括以下步骤：通过监控视频提取运动目标；提取运动目标的前景目标，并去除其中的非车辆目标；提取运动车辆的候选黑烟区域，并将候选黑烟区域转换为设定规格；利用卷积注意力网络提取候选黑烟区域的单帧图片的静态特征；将静态特征输入全连接层识别黑烟车；在提取候选黑烟区域的静态特征时，特征图分别通过通道注意力模块以及空间注意力模块进行权重分配。本发明采用注意力机制在空间及通道两个维度上增强卷积神经网络的表征能力，关注黑烟区域的主要特征，抑制车辆、道路、阴影等干扰区域的不必要特征，能够有效地降低误判率。

Description

一种基于卷积注意力网络的黑烟车检测方法
技术领域
本发明涉及一种黑烟车检测技术，特别涉及一种基于卷积注意力网络的黑烟车检测方法。
背景技术
黑烟车在行驶过程中会排放大量的细颗粒物(PM2.5)及有毒气体(CO、NO等)，造成环境污染的同时还严重危害了人类健康。
传统的黑烟车检测方法存在成本昂贵、效率低下等问题。随着物联网、人工智能(特别 是计算机视觉)的快速发展，视频/图像识别算法日益成熟，基于监控视频自动识别黑烟车成 为可能。基于计算机视觉的黑烟车检测方法包括两类，一类基于传统的机器学习算法(支持 向量机、神经网络等)，一类基于深度学习中的卷积神经网络(CNN，Convolutional Neural Networks)。
基于机器学习的黑烟车检测方法需要手动提起黑烟图片的颜色、纹理、梯度等特征，难 以适应复杂的室外场景。卷积神经网络，通过不断堆叠卷积层及池化层自动提取图片不同尺 度下的特征信息，目前已广泛用于图片分类、图像分割、目标检测等领域。此外，随着计算 机算力(GPU)的不断提升，训练大型卷积神经网络成为可能。
基于卷积神经网络的黑烟车检测方法分为两步，第一步基于背景差分算法从监控视频中 提取目标车辆，第二步利用卷积神经网络提取目标车辆的特征信息进行黑烟识别。但在现有 技术中，在提取的目标车辆图片中，除了黑烟区域外还包括车辆、道路、阴影等干扰区域， 卷积网络提取干扰区域的特征信息可能导致出现误判。
发明内容
为了解决上述现有技术中的不足，本发明的目的在于提供一种基于卷积注意力网络的黑 烟车检测方法，该方法针对目标车辆图片中存在的干扰区域，采用注意力机制在空间及通道 两个维度上增强卷积神经网络的表征能力，关注黑烟区域的主要特征，抑制车辆、道路、阴 影等干扰区域的不必要特征，能够有效地降低误判率。
本发明解决其技术问题所采用的技术方案为：一种基于卷积注意力网络的黑烟车检测方 法，包括以下步骤：
前景目标检测模块提取所述运动目标，并去除其中的非车辆目标，得到运动车辆；
黑烟识别模块提取所述运动车辆的候选黑烟区域，并将所述候选黑烟区域转换为设定规 格；
黑烟识别模块利用卷积注意力网络提取所述候选黑烟区域的单帧图片的静态特征；
黑烟识别模块将提取的静态特征输入一层全连接层，通过全连接层输出的概率数值来识 别黑烟车；
其中，所述卷积注意力网络包括卷积神经网络以及注意力层，所述注意力层包括通道注 意力模块以及空间注意力模块；
在提取所述候选黑烟区域的单帧图片的静态特征时，所述卷积神经网络中的每层卷积层 的特征图分别通过所述通道注意力模块以及空间注意力模块进行权重分配。
可选的，所述前景目标检测模块在去除所述非车辆目标的步骤为：
去除外接矩形面积小于Smin的运动目标，Smin的取值范围是1500～2000个像素；
去除外接矩形的宽高比在0.4～1.3以外的运动目标；
通过上述步骤筛选出的目标为所述运动车辆。
可选的，所述黑烟识别模块提取所述运动车辆的候选黑烟区域的步骤为：
将所述运动车辆的外接矩形的高度拉伸10％；
提取所述运动车辆的下半部分区域作为所述候选黑烟区域。
可选的，在转换所述候选黑烟区域的规格时，将所述候选黑烟区域转换为299*299的图 片。
可选的，所述卷积神经网络采用Inception v3卷积网络进行模型迁移，。
可选的，在所述卷积神经网络进行模型迁移之前，所述Inception v3卷积网络在ImageNet 数据集上进行预训练，并去除预训练模型的1000分类输出层，得到一个2048维的特征向量。
可选的，所述全连接层由两个神经元组成。
采用上述技术方案，本发明与现有技术相比，具有以下有益效果：
1、本发明通过面积及宽高比过滤非车辆目标，避免了无效的计算及明显的误判；
2、本发明通过适当拉伸目标车辆的高度，避免了遗漏微弱的黑烟区域；
3、本发明基于注意力机制对卷积层的特征图在通道及空间两个维度上进行注意力分配， 能够增强黑烟区域的主要特征，抑制干扰区域的不必要特征，进一步提高了黑烟车识别的准 确率及降低误判率。
附图说明
图1是本发明提供的基于卷积注意力网络的黑烟车检测方法流程图；
图2是本发明的模型结构示意图；
图3是本发明的通道注意力模块的模型结构示意图；
图4是本发明的空间注意力模块的模型结构示意图。
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。
本发明提出了一种基于卷积注意力网络的黑烟车检测方法，该方法利用背景差分算法提 取监控视频中运动车辆的黑烟图片，可以快速、准确地识别黑烟车辆。本发明通过卷积神经 网络提取单帧黑烟图片的特征图，引入注意力机制在通道及空间维度上对特征图进行注意力 分配，增强了黑烟区域的主要特征，抑制了干扰区域的不必要特征，提高了黑烟识别的准确 率。
本发明提供的基于卷积注意力网络的黑烟车检测方法，该方法是基于黑烟车检测系统来 实现黑烟车的检测的，其中，黑烟车系统包括前景目标检测模块和黑烟识别模块，前景目标 检测模块用于检测、获取运动目标，并将非车辆目标去除，黑烟识别模块用于提取并识别黑 烟区域，并且输出最终的判断结果。
具体的，如图1所示，本发明涉及的基于卷积注意力网络的黑烟车检测方法，包括如下 步骤：
S1、前景目标检测模块通过ViBe算法从监控视频中检测并获取运动目标。
S101：背景模型的初始化。
基于第一帧图片，对各像素点的背景模型进行初始化。具体做法是，对于像素点x，从 其邻域空间中随机选择N个像素样本作为其背景模型M0(x)，
M0(x)＝{v0(y|y∈NG(x))}，
其中，v0(y)为背景模型中的样本点，NG(x)为像素点x邻域空间，像素点x邻域空间包括 邻近的8个像素点，N为背景模型样本点的个数，取值范围20～50，y∈NG(x)表示y出自NG(x)。
S102：前景目标检测。
根据像素点的背景模型可将像素点分为背景像素点、前景像素点。对于像素点x，计算 像素点x与其背景模型M(x)＝{v1，v2，…，vn)各样本点之间的欧氏距离，进一步得到像素点 与背景模型欧氏距离小于某一阈值的样本点个数n，
n＝count({dist(vx{v1，v2，…，vn))＜dthres})，
其中，vx为像素点x的灰度值，dthres为距离阈值，取值范围20～50，如果n大于阈值nmin (nmin取值范围为1～5)，则将该像素点分类为背景像素点，否则为前景像素点，被分类为前 景像素点的前景目标即为运动目标。
S103：背景模型更新。
该步骤仅在S102中，像素点被判定为背景像素点时进行。
在像素点被判定为背景像素点时，采取保守更新策略对背景模型进行更新，更新时采用 随机时间子采样及空间传播机制增强模型的泛化性能。
a、更新当前像素点的背景模型。
像素点被判定为背景像素点时，从1～16之间随机选择一个整数，当整数为1时，从背景 模型中随机选择一个样本点替换为当前像素点；
b、更新邻近像素点的背景模型。
像素点被判定为背景像素点时，从1～16之间随机选择一个整数，当整数为1时，从邻近 的8个像素点中随机选择一个像素点，从其背景模型中随机一个样本点替换为当前像素点。
S2、前景目标检测模块提取所有的运动目标并去除其中的非车辆目标，得到运动车辆。
S201：去除外接矩形面积小于Smin的运动目标，Smin为常见车辆的最小值，取值为1500～2000个像素；
S202：去除外接矩形宽高比不符合要求的运动目标，车辆的宽高比取值范围为0.4～1.3。
S3、经过筛选后得到的运动车辆，通过黑烟识别模块提取候选黑烟区域，并转换成设定 的规格尺寸。
S301：将运动车辆外接矩形的高度拉伸10％并提取下半部分区域作为候选黑烟区域；
S302：利用双线性插值算法将候选黑烟区域转换成299*299的图片。
S4、如图2所示，黑烟识别模块利用卷积注意力网络提取单帧候选黑烟区域图片的静态 特征。
卷积注意力网络至少是包括卷积神经网络以及注意力层。其中，卷积神经网络采用Inception v3卷积网络进行模型迁移，该Inception v3卷积网络已经在ImageNet数据集(1000 分类)上进行了预训练，在去除预训练模型的1000分类后输出卷积层，得到一个2048维的 特征向量。然后在每层卷积层之后引入一个注意力层，该注意力层由通道注意力模块及空间 注意力模块组成，对每个卷积层的特征图在通道及空间两个维度上进行注意力权重的分配。
卷积层的特征图的每个通道(Channel)与上一个卷积层中的卷积核(Filters)的数量是 一一对应的，可以视为特征检测器，通道注意力通过通道权重的分配可以聚焦在有用特征上， 抑制无用特征。
通道注意力模块的模型如图3所示。首先，通过最大池化及平均池化操作将特征图的空 间维度压缩为1，得到两个长度与通道数相等的特征向量，然后，将两个特征向量分别输入 一个多层感知机，得到两个输出向量，最后，将两个输出向量对应元素相加并利用sigmoid 函数将其范围转换为0～1之间得到特征图的通道注意力。其中，多层感知机神经元个数为特 征图通道数的十分之一。根据通道注意力对特征图进行重新分配：
Figure BDA0002467060410000051
Fc(x)＝(1+ac)*F(x)
其中，σ代表sigmoid函数(表达式为σ(x)＝1/(1+e-x))，w0及w1为多层感知机隐藏层的权 重，
Figure BDA0002467060410000052
及
Figure BDA0002467060410000053
分别为特征图经平均池化及最大池化得到的特征向量，ac为特征图的通道注意 力，F(x)为通道注意力分配前的特征图，Fc(x)为通道注意力分配后的特征图。
作为对通道注意力模块的补充，空间注意力机制更关注特征图中产生显著信息的区域。 空间注意力模块如图4所示，首先，对特征图沿通道维度分别进行最大池化及平均池化，在 通道维度上进行拼接，得到一个通道数为2的特征图，然后，对该特征图进行3*3卷积得到 一个通道数为1的空间注意力图，最后，通过sigmoid函数将空间注意力图取值范围转换为 0～1之间。根据空间注意力图对通道特征图进行重新分配：
Figure BDA0002467060410000054
Fc，s(x)＝(1+as)*Fc(x)
其中，
Figure BDA0002467060410000055
以及
Figure BDA0002467060410000056
分别为特征图沿通道维度经平均池化及最大池化得到的特征图，
Figure BDA0002467060410000057
代表卷积核尺寸为3×3，且个数为1的卷积操作，as为特征图的空间注意力，Fc，s(x)为空间注 意力分配后的特征图。
步骤5：将卷积注意力网络提取的多维特征输入一层全连接层进行分类，全连接层由两 个神经元组成，并使用softmax函数进行分类，softmax函数按次序输出两个数值K1、K2，其 表达式为：
Figure BDA0002467060410000061
其中，L为全连接层输出向量维度，e1为全连接层输出向量中的元素。
其中，K1排列在前，K2排列在后，并且K1+K2＝1。当K1＞0.5时，则判定候选黑烟区域的运动车辆为黑烟车，否则判定为非黑烟车。
本发明通过ViBe背景差分算法检测运动目标，通过面积及宽高比去除非车辆目标，避免 了无效的后续计算及明显的误判；针对黑烟区域图片中存在的车辆、道路、阴影等干扰区域， 引入注意力机制，对卷积层的特征图在通道及空间维度上进行注意力权重的分配，能有效地 增强黑烟区域的显著特征，抑制干扰黑烟区域的非必要特征，进一步提高黑烟车识别准确率 的同时降低了误判率。
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所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。
除说明书所述的技术特征外，其余技术特征为本领域技术人员的已知技术，为突出 本发明的创新特点，其余技术特征在此不再赘述。

Claims (7)

1.一种基于卷积注意力网络的黑烟车检测方法，其特征在于，包括以下步骤：
前景目标检测模块通过监控视频提取运动目标，并去除其中的非车辆目标，得到运动车辆；
黑烟识别模块提取所述运动车辆的候选黑烟区域，并将所述候选黑烟区域转换为设定规格；
黑烟识别模块利用卷积注意力网络提取所述候选黑烟区域的单帧图片的静态特征；
黑烟识别模块将提取的静态特征输入一层全连接层，通过全连接层输出的概率数值来识别黑烟车；
其中，所述卷积注意力网络包括卷积神经网络以及注意力层，所述注意力层包括通道注意力模块以及空间注意力模块；
在提取所述候选黑烟区域的单帧图片的静态特征时，所述卷积神经网络中的每层卷积层的特征图分别通过所述通道注意力模块以及空间注意力模块进行权重分配。
2.根据权利要求1所述的基于卷积注意力网络的黑烟车检测方法，其特征在于，所述前景目标检测模块在去除所述非车辆目标的步骤为：
去除外接矩形面积小于Smin的运动目标，Smin的取值范围是1500～2000个像素；
去除外接矩形的宽高比在0.4～1.3以外的运动目标；
通过上述步骤筛选出的目标为所述运动车辆。
3.根据权利要求2所述的基于卷积注意力网络的黑烟车检测方法，其特征在于，所述黑烟识别模块提取所述运动车辆的候选黑烟区域的步骤为：
将所述运动车辆的外接矩形的高度拉伸10％；
提取所述运动车辆的下半部分区域作为所述候选黑烟区域。
4.根据权利要求3基于卷积注意力网络的黑烟车检测方法，其特征在于，在黑烟识别模块转换所述候选黑烟区域的规格时，黑烟识别模块将所述候选黑烟区域转换为299*299的图片。
5.根据权利要求4所述的基于卷积注意力网络的黑烟车检测方法，其特征在于，所述卷积神经网络采用Inception v3卷积网络进行模型迁移。
6.根据权利要求5所述的基于卷积注意力网络的黑烟车检测方法，其特征在于，在所述卷积神经网络进行模型迁移之前，所述Inception v3卷积网络在ImageNet数据集上进行预训练，并去除预训练模型的1000分类输出层，得到一个2048维的特征向量。
7.根据权利要求6所述的基于卷积注意力网络的黑烟车检测方法，其特征在于，所述全连接层由两个神经元组成。
CN202010341711.0A 2020-04-26 2020-04-26 一种基于卷积注意力网络的黑烟车检测方法 Active CN111539343B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010341711.0A CN111539343B (zh) 2020-04-26 2020-04-26 一种基于卷积注意力网络的黑烟车检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010341711.0A CN111539343B (zh) 2020-04-26 2020-04-26 一种基于卷积注意力网络的黑烟车检测方法

Publications (2)

Publication Number Publication Date
CN111539343A true CN111539343A (zh) 2020-08-14
CN111539343B CN111539343B (zh) 2023-05-23

Family

ID=71975483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010341711.0A Active CN111539343B (zh) 2020-04-26 2020-04-26 一种基于卷积注意力网络的黑烟车检测方法

Country Status (1)

Country Link
CN (1) CN111539343B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112494063A (zh) * 2021-02-08 2021-03-16 四川大学 一种基于注意力机制神经网络的腹部淋巴结分区方法
CN112584108A (zh) * 2021-03-01 2021-03-30 杭州科技职业技术学院 用于无人机巡检的线路物理损伤监控方法
CN113221943A (zh) * 2021-04-01 2021-08-06 中国科学技术大学先进技术研究院 一种柴油车黑烟图像识别方法、系统及存储介质
CN113378629A (zh) * 2021-04-27 2021-09-10 阿里云计算有限公司 一种排烟异常车辆的检测方法、装置
CN113539297A (zh) * 2021-07-08 2021-10-22 中国海洋大学 一种用于声音分类的联合注意力机制模型、方法及应用
CN113657305A (zh) * 2021-08-20 2021-11-16 深圳技术大学 一种基于视频的黑烟车辆及林格曼黑度等级智能检测方法
CN114639156A (zh) * 2022-05-17 2022-06-17 武汉大学 基于轴向注意力权重分配网络的俯角人脸识别方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170347238A1 (en) * 2016-05-30 2017-11-30 Qatar University Qstp-B Methods and systems for identifying the user of a smartphone inside a moving vehicle and automatic detection and calculation of the time and location when and where a vehicle has been parked
CN109035298A (zh) * 2018-09-05 2018-12-18 中南大学 一种基于黑烟运动特性的黑烟检测与dg计算方法
CN109191492A (zh) * 2018-07-11 2019-01-11 东南大学 一种基于轮廓分析的智能视频黑烟车检测方法
CN109190455A (zh) * 2018-07-18 2019-01-11 东南大学 基于高斯混合和自回归滑动平均模型的黑烟车识别方法
CN109409242A (zh) * 2018-09-28 2019-03-01 东南大学 一种基于循环卷积神经网络的黑烟车检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170347238A1 (en) * 2016-05-30 2017-11-30 Qatar University Qstp-B Methods and systems for identifying the user of a smartphone inside a moving vehicle and automatic detection and calculation of the time and location when and where a vehicle has been parked
CN109191492A (zh) * 2018-07-11 2019-01-11 东南大学 一种基于轮廓分析的智能视频黑烟车检测方法
CN109190455A (zh) * 2018-07-18 2019-01-11 东南大学 基于高斯混合和自回归滑动平均模型的黑烟车识别方法
CN109035298A (zh) * 2018-09-05 2018-12-18 中南大学 一种基于黑烟运动特性的黑烟检测与dg计算方法
CN109409242A (zh) * 2018-09-28 2019-03-01 东南大学 一种基于循环卷积神经网络的黑烟车检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
史劲亭;袁非牛;夏雪;: "视频烟雾检测研究进展" *
谢宏;陈?婧;袁小芳;陈海滨;王立宸;: "时空双路3D残差卷积网络的视频烟雾检测" *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112494063A (zh) * 2021-02-08 2021-03-16 四川大学 一种基于注意力机制神经网络的腹部淋巴结分区方法
CN112494063B (zh) * 2021-02-08 2021-06-01 四川大学 一种基于注意力机制神经网络的腹部淋巴结分区方法
CN112584108A (zh) * 2021-03-01 2021-03-30 杭州科技职业技术学院 用于无人机巡检的线路物理损伤监控方法
CN112584108B (zh) * 2021-03-01 2021-06-04 杭州科技职业技术学院 用于无人机巡检的线路物理损伤监控方法
CN113221943A (zh) * 2021-04-01 2021-08-06 中国科学技术大学先进技术研究院 一种柴油车黑烟图像识别方法、系统及存储介质
CN113221943B (zh) * 2021-04-01 2022-09-23 中国科学技术大学先进技术研究院 一种柴油车黑烟图像识别方法、系统及存储介质
CN113378629A (zh) * 2021-04-27 2021-09-10 阿里云计算有限公司 一种排烟异常车辆的检测方法、装置
CN113539297A (zh) * 2021-07-08 2021-10-22 中国海洋大学 一种用于声音分类的联合注意力机制模型、方法及应用
CN113657305A (zh) * 2021-08-20 2021-11-16 深圳技术大学 一种基于视频的黑烟车辆及林格曼黑度等级智能检测方法
CN113657305B (zh) * 2021-08-20 2023-08-04 深圳技术大学 一种基于视频的黑烟车辆及林格曼黑度等级智能检测方法
CN114639156A (zh) * 2022-05-17 2022-06-17 武汉大学 基于轴向注意力权重分配网络的俯角人脸识别方法及系统
CN114639156B (zh) * 2022-05-17 2022-07-22 武汉大学 基于轴向注意力权重分配网络的俯角人脸识别方法及系统

Also Published As

Publication number Publication date
CN111539343B (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
CN111539343B (zh) 一种基于卷积注意力网络的黑烟车检测方法
Xu et al. Inter/intra-category discriminative features for aerial image classification: A quality-aware selection model
CN109584248B (zh) 基于特征融合和稠密连接网络的红外面目标实例分割方法
CN108961235B (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN109684922B (zh) 一种基于卷积神经网络的多模型对成品菜的识别方法
CN111160249A (zh) 基于跨尺度特征融合的光学遥感图像多类目标检测方法
CN111179217A (zh) 一种基于注意力机制的遥感图像多尺度目标检测方法
CN111428556B (zh) 一种基于胶囊神经网络的交通标志识别方法
CN113627228B (zh) 一种基于关键点回归与多尺度特征融合的车道线检测方法
CN109034184B (zh) 一种基于深度学习的均压环检测识别方法
CN107944354B (zh) 一种基于深度学习的车辆检测方法
CN111986125A (zh) 一种用于多目标任务实例分割的方法
CN114841972A (zh) 基于显著性图和语义嵌入特征金字塔的输电线路缺陷识别方法
CN110807384A (zh) 低能见度下的小目标检测方法和系统
CN111582074A (zh) 一种基于场景深度信息感知的监控视频树叶遮挡检测方法
CN111754507A (zh) 一种轻量化的基于强注意力机制的工业缺陷图像分类方法
CN115131325A (zh) 一种基于图像识别分析的断路器故障运维监测方法及系统
CN112766056A (zh) 一种基于深度神经网络的弱光环境车道线检测方法、装置
CN112580661A (zh) 一种深度监督下的多尺度边缘检测方法
CN114332921A (zh) 基于改进聚类算法的Faster R-CNN网络的行人检测方法
CN115661777A (zh) 一种联合语义的雾天道路目标检测算法
CN116152658A (zh) 一种基于域对抗特征融合网络的林火烟雾检测方法
CN113449811A (zh) 一种基于ms-wsda的低照度目标检测方法
CN111597875A (zh) 一种交通标志识别方法、装置、设备及存储介质
CN113538342A (zh) 一种基于卷积神经网络的铝质气雾罐涂层质量检测方法

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