CN111553397B - 基于区域全卷积网络和自适应的跨域目标检测方法 - Google Patents
基于区域全卷积网络和自适应的跨域目标检测方法 Download PDFInfo
- Publication number
- CN111553397B CN111553397B CN202010316648.5A CN202010316648A CN111553397B CN 111553397 B CN111553397 B CN 111553397B CN 202010316648 A CN202010316648 A CN 202010316648A CN 111553397 B CN111553397 B CN 111553397B
- Authority
- CN
- China
- Prior art keywords
- domain
- network
- target
- target detection
- self
- 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.)
- Active
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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于区域全卷积网络和自适应的跨域目标检测方法,属于计算机视觉技术领域。本发明使用深度学习目标检测技术,针对目标检测中训练域和测试域的数据不同分布的问题,利用自适应方法来改善目标检测的跨域鲁棒性。首先基于深度学习构建了区域全卷积网络模型;接着在图像级别和目标级别上设计了两个相应的域分类器作为自适应成分来减少域变换的差异,并在域分类器加上一致性正则化;然后以端到端的方式训练网络;最后去掉自适应成分,将网络用于目标检测任务。采用我们设计的跨域目标检测方法可以有效提高在各种域变换场景中进行目标检测的平均精度。
Description
技术领域
本发明涉及属于计算机视觉技术领域,特别涉及基于区域全卷积网络和自适应的跨域目标检测方法。
背景技术
目标检测是计算机视觉中的基本问题,它旨在检测和识别图像中对应于某种类别的所有目标对象。目标检测可追溯到很长一段时间,已经有了许多经典有效的方法。经典工作通常将目标检测定义为滑动窗口分类问题。在计算机视觉中,深度卷积网络的兴起就起源于目标检测。在深度卷积网络急速发展的推动下,研究者已经提出了许多基于卷积神经网络的目标检测算法,大大提高了目标检测性能。在已经提出的大量方法中,区域全卷积网络由于其有效性而受到了极大的关注。它从图像中提取区域建议网络,并且训练网络以独立地对每个感兴趣区域进行分类。
然而虽然这些算法在一些基准数据集上获得了优异的性能,但现实世界中的目标检测仍然面临着挑战,如检测角度,物体外观,背景,明暗,图像质量等方面的巨大差异,这些差异会导致训练数据与测试数据之间显著的域变换问题。以现在热门的自动驾驶为例,专业的自动驾驶汽车中使用的摄像机类型和设置可能与用于收集训练数据的摄像机类型和设置不同,并且汽车可能位于不同的城市,目标的各种外观也会不同,同时自动驾驶系统需要在不同的天气条件下都能可靠地工作,而训练数据通常是在干燥天气中收集并具有更好的可见度。研究表明这种域变换会导致目标检测性能显著下降,虽然收集更多的训练数据可能会减轻这种影响,但这种方案标注边界框代价很高且耗时。
类似的跨域目标检测问题,专利“一种基于多层特征对齐的跨域目标检测方法”提供了一个解决方案,主要通过在基本卷积网络中加入两个判别器来减少域变换差异。然而这种方法仅考虑了整体图像层面上的部分域变换差异,作为目标检测任务,目标层面上的域变换差异也需要考虑。同时,该专利使用的VGG16基本卷积网络性能一般,在目标检测上使用ResNet101是更好的方案。
因此,我们非常希望开发算法以使目标检测模型来更好地适应现实中的跨域目标检测的问题。研究发现可以基于目前较先进的区域全卷积网络(R-FCN)模型构建端到端的深度学习模型,我们可将其作为基础检测器,并提高其在跨域目标检测的泛化能力。
自适应方法目前经常应用于计算机视觉图像分类问题,常规方法包括区域转移多核学习,非对称度量学习,子空间插值,测地流核,子空间对齐,协方差矩阵对齐等。与这些工作不同,我们旨在提高深度神经网络的域自适应性,对于目标检测问题,需要预测物体位置和类别,因此更具挑战性。
发明内容
为了解决跨域目标检测的问题,本发明提供基于区域全卷积网络和自适应的跨域目标检测方法,使用深度学习目标检测技术,针对目标检测中训练域和测试域的数据不同分布的问题,利用自适应方法来改善目标检测的跨域鲁棒性。为达此目的:
本发明提供基于区域全卷积网络和自适应的跨域目标检测方法,具体步骤如下:
(1)构建区域全卷积网络模型,引入图像级别和目标级别的域分类器作为自适应成分,同时加上一致性正则化器,具体步骤为:
步骤1.1:构建区域全卷积网络模型R-FCN,该网络是一个两级检测器,主要由三个部分组成:
共享底部卷积层,区域建议网络RPN和基于位置敏感的兴趣区域池化分类器,网络先将输入图像表示为由共享的底部卷积层产生的卷积特征图,基于该特征图,区域建议网络生成候选目标区域的建议,之后位置敏感的兴趣区域池化分类器根据使用兴趣区域池化获得的特征向量来预测类别标签和目标位置坐标,网络的损失函数包括区域建议网络的损失和兴趣区域池化分类器的损失:
其中c*是兴趣区域的标签,c*=0表示背景,c*>表示类别是背景时为0,否则为1,是分类的交叉熵损失函数,Lreg的部分为边界回归损失函数,使用smoothL1损失,t*代表了标注的框体相对位置,λ用于平衡两部分的权重;
步骤1.2:在区域全卷积网络模型基本卷积层的特征映射输出后加入图像级别的域分类器作为自适应成分,为消除图像级别上的域分布不匹配,采用基于补丁的域分类器,在特征映射的每次激活时训练域分类器,由于每个激活的感受域对应于输入图像的图像块,因此该域分类器实际上预测每个图像块的域标签,使用交叉熵损失函数,图像级别自适应损失函数可以写成如下形式:
其中Di=0表示源域,Di=1表示目标域;pi表示分类器的输出;
步骤1.3:在区域全卷积网络模型的最终类别分类器之前,基于位置敏感的兴趣区域池化特征向量后加入目标级别的域分类器作为自适应成分,与图像级别自适应类似,为特征向量训练域分类器来,由于每个激活的感受域对应于输入图像的目标块,因此该域分类器实际上预测每个目标块的域标签,使用交叉熵损失函数,目标级别自适应损失函数可以写成如下形式:
步骤1.4:在图像级别和目标级别的域分类器上加入一致性正则化,在不同层面上强制域分类器之间的一致性,有助于学习边框的预测器即区域建议网络的跨域鲁棒性,因此,进一步加入一致性正则化器;
(2)使用对抗性训练策略以及随机梯度下降算法以端到端的方式来训练网络,最后移除自适应成分并使用区域全卷积网络架构来进行目标检测,具体步骤为:
步骤2.1:在图像级别和目标级别的域分类器之前加入梯度反向层GRL,使用普通梯度下降来训练域分类器,当通过梯度反向层来优化基础网络时,梯度的符号被反转;
步骤2.2:网络进入训练阶段,对网络模型输入训练数据,使用标准的随机梯度下降算法以端到端的方式来训练,同时自适应成分通过使用梯度反向层来实现对抗训练,梯度反向层在传播期间自动反转梯度,最终训练损失函数是每个部分的总和,可以写成:
L=L(s,t)+λ2(Limg+Lins+Lcst)
步骤2.3:用训练好的网络进行目标检测,移除网络模型的所有自适应成分,并使用具有自适应权重的区域全卷积网络架构完成目标检测任务。
作为本发明进一步改进,所述一致性正则化器的一致性正则化函数可以写成:
其中|I|表示卷积网络的输出特征图的激活输出个数。
有益效果:本发明提供基于区域全卷积网络和自适应的跨域目标检测方法,该方法使用深度学习目标检测技术,针对目标检测中训练域和测试域的数据不同分布的问题,利用自适应方法来改善目标检测的跨域鲁棒性。首先基于深度学习构建了区域全卷积网络模型;接着在图像级别和目标级别上设计了两个相应的域分类器作为自适应成分来减少域变换的差异,并在域分类器加上一致性正则化;然后以端到端的方式训练网络;最后去掉自适应成分,将网络用于目标检测任务。采用我们设计的跨域目标检测方法可以有效提高在各种域变换场景中进行目标检测的平均精度。
附图说明
图1为本发明基于区域全卷积网络和自适应的跨域目标检测方法流程图。
图2为训练阶段有自适应成分的网络模型结构图。
图3为预测阶段无自适应成分的网络模型结构图。
图4为水库模型门螺栓定位检测效果图。
图5为实地水库门螺栓定位检测效果图。
图6为实地水库门螺栓定位检测效果图。
图7为实地水库门螺栓定位检测效果图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提供基于区域全卷积网络和自适应的跨域目标检测方法,使用深度学习目标检测技术,针对目标检测中训练域和测试域的数据不同分布的问题,利用自适应方法来改善目标检测的跨域鲁棒性。
下面结合附图,以地下水库库门螺栓目标检测任务为例,对本发明基于区域全卷积网络和自适应的跨域目标检测方法的具体实施方式作进一步详细说明,其中图1为本发明基于区域全卷积网络和自适应的跨域目标检测方法流程图,图2为训练阶段有自适应成分的网络模型结构图,图3为预测阶段无自适应成分的网络模型结构图,图4为水库模型门螺栓定位检测效果图,图5为实地水库门螺栓定位检测效果图,图6为实地水库门螺栓定位检测效果图,图7为实地水库门螺栓定位检测效果图。
步骤1:将目标检测问题具体化,考虑一个跨域目标检测项目。葛洲坝等地下水库存在大量的水库库门,库门背后是大量的水。由于水压巨大,一旦出现库门螺栓松动损坏会安全隐患,需要智能监控水库库门上螺栓情况。地下水库难以进入进行采集数据等操作,需要通过模拟的水库门模型来采集足够的训练数据。这是一个典型的跨域目标检测任务,使用无监督区域自适应的方案,训练数据由两部分组成:提供图像及有标注(边界框和目标类别)的源域的训练数据,以及图像上未标注的目标域的训练数据。其中,使用仿真的水库门模型采集的图片数据集进行训练,使用实地的地下水库门视频图像数据集进行测试,源域是模型水库门数据集,目标域是实际水库门数据集。水库门模型数据集的图片中有多个带有螺栓目标标签的标注信息。为了实施所提出的方法,对于这一实际跨域场景,验证设计的基于区域全卷积网络和自适应的跨域目标检测方法,对螺栓目标检测是否有很好的检测性能。
步骤2:构建区域全卷积网络模型R-FCN,使用TensorFlow1.4.0编写R-FCN算法并训练R-FCN神经网络,主干网络使用ResNet101,去掉原始ResNet101的最后一层全连接层,保留前100层,再接一个1*1*1024的全卷积层,ResNet101的输出是W*H*1024。
步骤3:在R-FCN模型经过ResNet101的特征映射输出W*H*1024后,加入图像级别的域分类器作为自适应成分。为消除图像级别上的域分布不匹配,采用基于补丁的域分类器。在特征映射的每次激活时训练域分类器,由于每个激活的感受域对应于输入图像的图像块,因此该域分类器实际上预测每个图像块的域标签。
步骤4:根据在R-FCN模型经过ResNet101输出的特征映射利用区域推荐网络计算出2000个左右的候选框,同时用3*3*(C+1)个1024*1*1的卷积核去卷积ResNet101的特征映射输出,得到3*3*(C+1)个大小为W*H的位置敏感得分图。每块(W*H*(C+1))表示的是不同位置存在目标的概率值。共有3*3*(C+1)个特征图。对候选框中图片进行兴趣区域池化操作。在R-FCN的最终类别分类器之前,基于位置敏感的兴趣区域池化特征向量后加入目标级别的域分类器作为自适应成分。与图像级别自适应类似,为特征向量训练域分类器来,由于每个激活的感受域对应于输入图像的目标块,因此该域分类器实际上预测每个目标块的域标签。
步骤5:在图像级别和目标级别的域分类器上加入一致性正则化。在不同层面上强制域分类器之间的一致性,有助于学习边框的预测器(即区域建议网络)的跨域鲁棒性。
步骤6:在图像级别和目标级别的域分类器之前加入梯度反向层(GRL),使用普通梯度下降来训练域分类器,当通过梯度反向层来优化基础网络时,梯度的符号被反转。
步骤7:至此,如图2的训练网络已经搭建完成,网络进入训练阶段。在配置有2颗Intel Xeon Gold 6132处理器,2块NVIDIA Tesla P100显卡,128G内存的服务器上使用1000张的源域(从水库门模型采集得到)做好标注的图片对模型进行5小时的训练。对网络模型输入训练数据,使用标准的随机梯度下降算法以端到端的方式来训练,同时自适应成分通过使用梯度反向层来实现对抗训练,梯度反向层在传播期间自动反转梯度。
步骤8:将训练好的网络用于目标检测,此时移除网络模型的所有自适应成分,并使用如图3所示的具有自适应权重的区域全卷积网络架构来进行目标检测任务。将源域的图像输入训练好的模型中进行目标检测,可以得到如图4所示的水库门模型的螺栓分类检测效果。将目标域(从实际地下水库门采集得到)需要进行测试和目标检测的图像输入训练好的模型中,可以得到如图5,6,7所示的地下水库库门的螺栓分类检测效果。从图中可以清楚地看到库门上的每一个螺栓都被检测了出来,检测定位十分准确。
为了实现结果可视化,使用C++语言,Qt5.6.3框架编写UI界面;使用Python语言,TensorFlow1.4.0框架编写检测算法定位螺栓位置;使用OpenCV3.3.1完成视频数据的采集和保存;使用OpenCV3.3.1结合OpenGL完成图像处理及显示。系统稳定运行,对100张图片进行水库门上螺栓目标检测,能将螺栓位置全部检测出来。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (1)
1.基于区域全卷积网络和自适应的跨域目标检测方法,具体步骤如下,其特征在于:
(1)构建区域全卷积网络模型,引入图像级别和目标级别的域分类器作为自适应成分,同时加上一致性正则化器,具体步骤为:
步骤1.1:构建区域全卷积网络模型R-FCN,该网络是一个两级检测器,主要由三个部分组成:
共享底部卷积层,区域建议网络RPN和基于位置敏感的兴趣区域池化分类器,网络先将输入图像表示为由共享的底部卷积层产生的卷积特征图,基于该特征图,区域建议网络生成候选目标区域的建议,之后位置敏感的兴趣区域池化分类器根据使用兴趣区域池化获得的特征向量来预测类别标签和目标位置坐标,网络的损失函数包括区域建议网络的损失和兴趣区域池化分类器的损失:
其中c*是兴趣区域的标签,c*=0表示背景,c*>0表示类别是背景时为0,否则为1,是分类的交叉熵损失函数,Lreg的部分为边界回归损失函数,使用smoothL1损失,t*代表了标注的框体相对位置,λ用于平衡两部分的权重;
步骤1.2:在区域全卷积网络模型基本卷积层的特征映射输出后加入图像级别的域分类器作为自适应成分,为消除图像级别上的域分布不匹配,采用基于补丁的域分类器,在特征映射的每次激活时训练域分类器,由于每个激活的感受域对应于输入图像的图像块,因此该域分类器实际上预测每个图像块的域标签,使用交叉熵损失函数,图像级别自适应损失函数写成如下形式:
其中Di=0表示源域,Di=1表示目标域;pi表示分类器的输出;
步骤1.3:在区域全卷积网络模型的最终类别分类器之前,基于位置敏感的兴趣区域池化特征向量后加入目标级别的域分类器作为自适应成分,与图像级别自适应类似,为特征向量训练域分类器来,由于每个激活的感受域对应于输入图像的目标块,因此该域分类器实际上预测每个目标块的域标签,使用交叉熵损失函数,目标级别自适应损失函数写成如下形式:
步骤1.4:在图像级别和目标级别的域分类器上加入一致性正则化,在不同层面上强制域分类器之间的一致性,有助于学习边框的预测器即区域建议网络的跨域鲁棒性,因此加入一致性正则化器;
所述一致性正则化器的一致性正则化函数写成:
其中|I|表示卷积网络的输出特征图的激活输出个数;
(2)使用对抗性训练策略以及随机梯度下降算法以端到端的方式来训练网络,最后移除自适应成分并使用区域全卷积网络架构来进行目标检测,具体步骤为:
步骤2.1:在图像级别和目标级别的域分类器之前加入梯度反向层GRL,使用普通梯度下降来训练域分类器,当通过梯度反向层来优化基础网络时,梯度的符号被反转;
步骤2.2:网络进入训练阶段,对网络模型输入训练数据,使用标准的随机梯度下降算法以端到端的方式来训练,同时自适应成分通过使用梯度反向层来实现对抗训练,梯度反向层在传播期间自动反转梯度,最终训练损失函数是每个部分的总和,写成:
L=L(s,t)+λ2(Limg+Lins+Lcst)
步骤2.3:用训练好的网络进行目标检测,移除网络模型的所有自适应成分,并使用具有自适应权重的区域全卷积网络架构完成目标检测任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010316648.5A CN111553397B (zh) | 2020-04-21 | 2020-04-21 | 基于区域全卷积网络和自适应的跨域目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010316648.5A CN111553397B (zh) | 2020-04-21 | 2020-04-21 | 基于区域全卷积网络和自适应的跨域目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111553397A CN111553397A (zh) | 2020-08-18 |
CN111553397B true CN111553397B (zh) | 2022-04-29 |
Family
ID=72002945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010316648.5A Active CN111553397B (zh) | 2020-04-21 | 2020-04-21 | 基于区域全卷积网络和自适应的跨域目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553397B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11602132B2 (en) | 2020-10-06 | 2023-03-14 | Sixgill, LLC | System and method of counting livestock |
CN112291807B (zh) * | 2020-10-15 | 2022-09-23 | 山东科技大学 | 一种基于深度迁移学习和跨域数据融合的无线蜂窝网络流量预测方法 |
CN112395951B (zh) * | 2020-10-23 | 2022-06-24 | 中国地质大学(武汉) | 一种面向复杂场景的域适应交通目标检测与识别方法 |
CN112257726B (zh) * | 2020-10-29 | 2023-12-15 | 上海明略人工智能(集团)有限公司 | 目标检测训练方法、系统、电子设备及计算机可读存储介质 |
CN112434586B (zh) * | 2020-11-16 | 2023-11-14 | 中山大学 | 一种基于域自适应学习的多复杂场景目标检测方法 |
US11715276B2 (en) | 2020-12-22 | 2023-08-01 | Sixgill, LLC | System and method of generating bounding polygons |
CN112633149B (zh) * | 2020-12-22 | 2022-08-16 | 南京邮电大学 | 一种域自适应雾天图像目标检测方法和装置 |
CN113065581B (zh) * | 2021-03-18 | 2022-09-16 | 重庆大学 | 基于参数共享对抗域自适应网络的振动故障迁移诊断方法 |
CN113128411B (zh) * | 2021-04-22 | 2024-06-28 | 深圳市格灵精睿视觉有限公司 | 跨域抓取识别方法、装置、电子设备及存储介质 |
CN113838110B (zh) * | 2021-09-08 | 2023-09-05 | 重庆紫光华山智安科技有限公司 | 目标检测结果的校验方法、装置、存储介质和电子设备 |
CN113837300B (zh) * | 2021-09-29 | 2024-03-12 | 上海海事大学 | 基于区块链的自动驾驶跨域目标检测方法 |
KR20230057646A (ko) * | 2021-10-22 | 2023-05-02 | 연세대학교 산학협력단 | 멀티-레벨 전이 영역 기반의 도메인 적응형 객체 검출 장치 및 방법 |
CN114973168A (zh) * | 2022-08-01 | 2022-08-30 | 北京科技大学 | 一种跨场景交通目标检测方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145908A (zh) * | 2017-05-08 | 2017-09-08 | 江南大学 | 一种基于r‑fcn的小目标检测方法 |
CN107808167A (zh) * | 2017-10-27 | 2018-03-16 | 深圳市唯特视科技有限公司 | 一种基于可变形部分的完全卷积网络进行目标检测的方法 |
CN108564097A (zh) * | 2017-12-05 | 2018-09-21 | 华南理工大学 | 一种基于深度卷积神经网络的多尺度目标检测方法 |
-
2020
- 2020-04-21 CN CN202010316648.5A patent/CN111553397B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145908A (zh) * | 2017-05-08 | 2017-09-08 | 江南大学 | 一种基于r‑fcn的小目标检测方法 |
CN107808167A (zh) * | 2017-10-27 | 2018-03-16 | 深圳市唯特视科技有限公司 | 一种基于可变形部分的完全卷积网络进行目标检测的方法 |
CN108564097A (zh) * | 2017-12-05 | 2018-09-21 | 华南理工大学 | 一种基于深度卷积神经网络的多尺度目标检测方法 |
Non-Patent Citations (1)
Title |
---|
基于R-FCN的行人检测方法研究;蒋胜等;《计算机工程与应用》;20171117;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111553397A (zh) | 2020-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553397B (zh) | 基于区域全卷积网络和自适应的跨域目标检测方法 | |
US11144889B2 (en) | Automatic assessment of damage and repair costs in vehicles | |
CN107563372B (zh) | 一种基于深度学习ssd框架的车牌定位方法 | |
US10198689B2 (en) | Method for object detection in digital image and video using spiking neural networks | |
CN108776772B (zh) | 一种跨时间建筑物变化检测建模方法以及检测装置、方法及存储介质 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
Gao et al. | Faster multi-defect detection system in shield tunnel using combination of FCN and faster RCNN | |
CN106228125B (zh) | 基于集成学习级联分类器的车道线检测方法 | |
Li et al. | A method of cross-layer fusion multi-object detection and recognition based on improved faster R-CNN model in complex traffic environment | |
CN113378686B (zh) | 一种基于目标中心点估计的两阶段遥感目标检测方法 | |
US11308714B1 (en) | Artificial intelligence system for identifying and assessing attributes of a property shown in aerial imagery | |
CN108875600A (zh) | 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质 | |
CN113159120A (zh) | 一种基于多尺度跨图像弱监督学习的违禁物检测方法 | |
CN112488229B (zh) | 一种基于特征分离和对齐的域自适应无监督目标检测方法 | |
Cao et al. | Robust vehicle detection by combining deep features with exemplar classification | |
Li et al. | A review of deep learning methods for pixel-level crack detection | |
CN111274964B (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
CN114821152B (zh) | 基于前景-类别感知对齐的域自适应目标检测方法及系统 | |
US20230281974A1 (en) | Method and system for adaptation of a trained object detection model to account for domain shift | |
CN112418149A (zh) | 一种基于深卷积神经网络的异常行为检测方法 | |
US20220335572A1 (en) | Semantically accurate super-resolution generative adversarial networks | |
Li et al. | A grid‐based classification and box‐based detection fusion model for asphalt pavement crack | |
Xing et al. | The Improved Framework for Traffic Sign Recognition Using Guided Image Filtering | |
Gu et al. | Thermal image colorization using Markov decision processes | |
Larsen et al. | Automatic system for operational traffic monitoring using very-high-resolution satellite imagery |
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 |