CN111582251B - 基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法 - Google Patents

基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法 Download PDF

Info

Publication number
CN111582251B
CN111582251B CN202010543828.7A CN202010543828A CN111582251B CN 111582251 B CN111582251 B CN 111582251B CN 202010543828 A CN202010543828 A CN 202010543828A CN 111582251 B CN111582251 B CN 111582251B
Authority
CN
China
Prior art keywords
degree
rail transit
urban rail
passenger
preset
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
Application number
CN202010543828.7A
Other languages
English (en)
Other versions
CN111582251A (zh
Inventor
钱智荣
潘蔚
李家洪
王佳毅
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.)
Jiangsu Aerospace Dawei Technology Co Ltd
Original Assignee
Jiangsu Aerospace Dawei 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 Jiangsu Aerospace Dawei Technology Co Ltd filed Critical Jiangsu Aerospace Dawei Technology Co Ltd
Priority to CN202010543828.7A priority Critical patent/CN111582251B/zh
Publication of CN111582251A publication Critical patent/CN111582251A/zh
Application granted granted Critical
Publication of CN111582251B publication Critical patent/CN111582251B/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
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法，所述方法包括将城市轨道交通的整个运行时间划分为N个运行时间段，对每个时间段进行M次采样，获得总采样的监控图像XIN；采用第一特征提取模块和第二特征提取模块对监控图像XIN进行特征提取，得到城市轨道交通运行时间内的相应特征向量，用于指示城市轨道交通乘客拥挤程度；设置乘客拥挤程度检测模块，将第二特征提取模块的输出输入到乘客拥挤程度检测模块，估算出乘客拥挤程度；定义损失函数，兼顾相邻两个拥挤程度等级差距的同时，优化输出的拥挤程度等级与实际拥挤程度等级的差距，提高检测准确度。

Description

基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法
技术领域
本发明涉及乘客拥挤程度检测方法，具体涉及一种基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法。
背景技术
随着生活水平的提高，城市轨道交通成为城市居民主要的出行手段。由于城市轨道交通通常位于封闭的地下或轨道高架，站厅面积较为有限，在客流高峰到来时，大量的客流涌入极易造成站厅拥挤和通道堵塞，容易引起大规模的群体安全事故，造成不良的社会影响。因此需要一种便捷、高效的方法实时获取客流分布、监测车站客流状态，为客流组织提供强有力的技术支持，保障乘客的安全和轨道交通的正常运营。
现阶段将图像识别技术与公共场合安装的视频监控系统结合起来，利用计算机对监控摄像头获取图像中包含的乘客目标进行处理，对客流状态进行自动的检测、研判，在发现异常目标和异常场景时及时发出警报，实现对城市轨道交通客流拥挤程度自动化、智能化的检测监控。
传统的研究方法主要获取单张监控图像或者连续帧的监控图像，采用卷积神经网络提取图像特征，识别城市轨道交通乘客拥挤程度，主要存在三种问题：一是针对单张监控图像或者连续帧的监控图像进行特征提取，不能从时间维度上精确反应城市轨道交通乘客全天的拥挤程度，准确度较低；二是传统卷积神经网络对监控图像中全部像素点进行特征提取，卷积神经网络的运算量大，城市轨道交通乘客拥挤程度检测结果差，无法从空间维度上提高检测准确度；三是传统卷积神经网络卷积、池化运、损失函数运算慢、特征提取效果差。
因此，设计一种效率高、准确度高的城市轨道交通乘客拥挤程度检测方法，成为目前亟需解决的问题。
发明内容
本发明针对目前的技术问题，提供了一种城市轨道交通乘客拥挤程度检测方法。该方法克服了现有技术中效率低、准确度低的缺点，进而实现对城市轨道交通乘客拥挤程度的准确估计。
基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法，其特征在于，包括以下步骤：
步骤S1，将城市轨道交通的整个运行时间划分为N个运行时间段，对每个时间段进行M次采样，获得总采样的监控图像XIN，N大于4的正整数，M大于3的正整数；
Figure BDA0002539856270000021
步骤S2，采用第一特征提取模块和第二特征提取模块对监控图像XIN进行特征提取，得到城市轨道交通运行时间内的相应特征向量，用于指示城市轨道交通乘客拥挤程度；
所述步骤S2包括步骤S21-S22：
步骤S21，采用第一特征提取模块对监控图像XIN进行特征提取，第一特征提取模块包括两个卷积层和两个池化层；
监控图像XIN输入第一卷积层，经公式(1)后，产生的特征向量为：
Figure BDA0002539856270000031
其中，conv(·)表示监控图像XIN与卷积核K1的卷积运算，a为预设第一非零常量，b1表示预设第一参数。
然后采用池化层，通过公式(2)对特征向量Y1进行池化操作：
Figure BDA0002539856270000032
其中，pool(·)表示池化函数，β2表示预设第二非零常量，b2表示预设第二参数；
再次卷积后，得到
Figure BDA0002539856270000033
其中，b3表示预设第三参数、K3表示卷积核；
再次采用池化层，对特征图Y3进行池化操作：
Figure BDA0002539856270000034
其中，β4表示预设第三非零常量，b4表示预设第四参数；
步骤S22，将特征向量Y4按区域平均划分为L个区域，L>5，通过公式(5)对每个区域进行特征提取；针对每个区域提取的特征，按照相似度排序，将相似度最小的作为第二特征提取模块的输出。
Figure BDA0002539856270000041
其中，K5表示卷积核，b5表示预设第五参数。
步骤S3，设置乘客拥挤程度检测模块，将第二特征提取模块的输出输入到乘客拥挤程度检测模块，估算出乘客拥挤程度，得到P个拥挤程度等级，P为正整数。
步骤S4，定义损失函数，兼顾相邻两个拥挤程度等级差距的同时，优化输出的拥挤程度等级与实际拥挤程度等级的差距，提高检测准确度。
所述N个运行时间段，至少包括早上、中午、下午、晚上四个时间段。
所述乘客拥挤程度检测模块主要包括全连接层和分类器，其中全连接层产生相应维度的特征向量，输入到分类器，得到P个拥挤程度等级。
所述损失函数定义为：
Figure BDA0002539856270000042
其中，K为拥挤程度等级个数，
Figure BDA0002539856270000043
表示实际拥挤程度等级，Yout(i)表示乘客拥挤程度检测模块输出的拥挤程度等级，ρ为预设权重，Mi表示对应于第i个拥挤程度等级的特征均值。
本发明的有益效果是：
(1)本发明的城市轨道交通乘客拥挤程度检测方法，克服了现有技术中效率低、准确度低的缺点，实现了对城市轨道交通乘客拥挤程度的准确估计。
(2)本申请将城市轨道交通的整个运行时间划分为N个运行时间段，对每个时间段进行M次采样，从时间维度上全面提取乘客拥挤程度特征，精确反应城市轨道交通乘客全天的拥挤程度，准确度高。
(3)本申请将特征向量Y4按区域平均划分为L个区域，对目标区域进行特征提取，从空间维度上提高检测准确度，降低卷积神经网络的运算量。
(4)本申请设计了一种新的卷积算法、池化算法、损失函数，运算快、特征提取效果较佳。
附图说明
图1是本发明基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
图1为本发明提供的一种基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法。
如图1所示，本发明提供了一种基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法，所述方法包括：
步骤S1，将城市轨道交通的整个运行时间划分为N个运行时间段，对每个时间段进行M次采样，获得总采样的监控图像XIN，相对于采集单个图像或者多帧图像，提高了后续拥挤程度的检测准确度。
按照城市轨道交通的运行时间，划分N个运行时间段，至少包括早上、中午、下午、晚上四个时间段，对每个时间段进行M次采样，获得每个时间段的多个监控图像，N、M的取值越大越能提高系统检测精确度，优选N大于4的正整数，M大于3的正整数。
Figure BDA0002539856270000061
步骤S2，采用第一特征提取模块和第二特征提取模块进行特征提取，得到城市轨道交通运行时间内的多个特征图，用于指示城市轨道交通乘客拥挤程度。
进一步地，所述步骤S2包括如下步骤S21-S23：
步骤S21，采用第一特征提取模块对监控图像Xin进行特征提取，第一特征提取模块包括三个卷积层和两个池化层。
监控图像Xin输入第一卷积层，经公式(1)后，产生的特征图为：
Figure BDA0002539856270000062
其中，conv(·)表示监控图像Xin与卷积核K1的卷积运算，a为预设第一非零常量，b1表示预设第一参数。
然后采用池化层，对特征值Y1进行池化操作：
Figure BDA0002539856270000063
其中，pool(·)表示池化函数，β2表示预设第二非零常量，b2表示预设第二参数。
再次卷积后，得到
Figure BDA0002539856270000071
其中，b3表示预设第三参数。
再次采用池化层，对特征图Y3进行池化操作：
Figure BDA0002539856270000072
其中，β4表示预设第三非零常量，b4表示预设第四参数。
步骤S22，将特征图Y4按区域平均划分为L个区域，L>5，每个区域，通过公式(5)进行特征提取。针对每个区域提取的特征，按照相似度排序，将相似度最小的作为第二特征提取模块的输出。
Figure BDA0002539856270000073
其中，Δp表示提取区域相对于特征图Y4的中心区域的调节量，b5表示预设第五参数。
由于城市轨道交通内部空间的乘客分布的多样性和复杂性，采样的监控图像上会存在大量的不希望区域，例如无人区域、乘客稀疏区域等，与期望的目标区域存在明显反差，而采用常规的卷积运算，会对不希望区域进行特征提取，其提取得到的大部分特征通常都是不需要，无法提高卷积神经网络的运算效率，并且也会影响后续检测准确度。通过设计第二特征提取模块，对每个区域提取的特征，同时由于乘客拥挤区域与不希望区域存在明显区别，因此可以对每个区域的特征进行相似度排序，将相似度最小的作为第二特征提取模块的输出，对能够精确指示乘客拥挤程度的区域进行精确特征提取，降低卷积神经网络的运算量，提高后续检测准确度。
步骤S3，设置乘客拥挤程度检测模块，将第二特征提取模块的输出输入到乘客拥挤程度检测模块，估算出乘客拥挤程度，得到P个拥挤程度等级。乘客拥挤程度检测模块主要包括全连接层和分类器，其中全连接层产生相应维度的特征值，输入到分类器，得到P个拥挤程度等级，P为正整数。
步骤S4，定义损失函数，如公式(6)所示，兼顾相邻两个拥挤程度等级差距的同时，优化输出的拥挤程度等级与实际拥挤程度等级的差距，提高检测准确度。
Figure BDA0002539856270000081
其中，K为拥挤程度等级个数，
Figure BDA0002539856270000082
表示实际拥挤程度等级，Yout(i)表示乘客拥挤程度检测模块输出的拥挤程度等级，ρ为预设权重，Mi表示对应于第i个拥挤程度等级的特征均值。
卷积神经网络训练的目的是使损失函数最优，当损失函数优化到给定的可接受误差ξ时，指示该卷积神经网络可用于实际的监控图像检测。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (1)

1.一种基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法，其特征在于，包括以下步骤：
步骤S1，将城市轨道交通的全天运行时间划分为N个运行时间段，对每个时间段进行M次采样，获得总采样的监控图像XIN，N大于4的正整数，M大于3的正整数；通过城市轨道交通的全天运行时间的划分，精确反应城市轨道交通乘客全天的拥挤程度；
Figure DEST_PATH_IMAGE002
步骤S2，采用第一特征提取模块和第二特征提取模块对监控图像XIN进行特征提取，得到城市轨道交通运行时间内的相应特征向量，用于指示城市轨道交通乘客拥挤程度；
所述步骤S2包括步骤S21-S22：
步骤S21，采用第一特征提取模块对监控图像XIN进行特征提取，第一特征提取模块包括两个卷积层和两个池化层；
监控图像XIN输入第一卷积层，经公式（1）后，产生的特征向量为：
Figure DEST_PATH_IMAGE004
（1）
其中，
Figure DEST_PATH_IMAGE006
表示监控图像XIN与卷积核K1的卷积运算，a为预设第一非零常量，b1表示预设第一参数；
然后采用池化层，通过公式（2）对特征向量Y1进行池化操作：
Figure DEST_PATH_IMAGE008
（2）
其中，
Figure DEST_PATH_IMAGE010
表示池化函数，
Figure DEST_PATH_IMAGE012
表示预设第二非零常量，b2表示预设第二参数；
再次卷积后，得到
Figure DEST_PATH_IMAGE014
（3）
其中，b3表示预设第三参数、K3表示卷积核；
再次采用池化层，对特征图Y3进行池化操作：
Figure DEST_PATH_IMAGE016
（4）
其中，
Figure DEST_PATH_IMAGE018
表示预设第三非零常量，b4表示预设第四参数；
步骤S22，将特征向量Y4按区域平均划分为L个区域，L>5，通过公式(5)对每个区域进行特征提取；针对每个区域提取的特征，按相似度排序，将相似度最小的作为第二特征提取模块的输出；
Figure DEST_PATH_IMAGE020
（5）
其中，K5表示卷积核，b5表示预设第五参数；
步骤S3，设置乘客拥挤程度检测模块，将第二特征提取模块的输出输入到乘客拥挤程度检测模块，估算出乘客拥挤程度，得到P个拥挤程度等级，P为正整数；
步骤S4，定义损失函数，兼顾相邻两个拥挤程度等级差距的同时，优化输出的拥挤程度等级与实际拥挤程度等级的差距，提高检测准确度；
所述损失函数定义为：
Figure DEST_PATH_IMAGE022
其中，K为拥挤程度等级个数，
Figure DEST_PATH_IMAGE024
表示实际拥挤程度等级，
Figure DEST_PATH_IMAGE026
表示乘客拥挤程度检测模块输出的拥挤程度等级，
Figure DEST_PATH_IMAGE028
为预设权重，Mi表示对应于第i个拥挤程度等级的特征均值；
所述城市轨道交通乘客拥挤程度检测方法从时间维度上全面提取乘客拥挤程度特征，并去除不希望区域，对精确指示乘客拥挤程度的区域进行精确特征提取，降低卷积神经网络的运算量，提高后续检测准确度；
所述N个运行时间段，至少包括早上、中午、下午、晚上四个时间段；所述乘客拥挤程度检测模块主要包括全连接层和分类器，其中全连接层产生相应维度的特征向量，输入到分类器，得到拥挤程度等级。
CN202010543828.7A 2020-06-15 2020-06-15 基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法 Active CN111582251B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010543828.7A CN111582251B (zh) 2020-06-15 2020-06-15 基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010543828.7A CN111582251B (zh) 2020-06-15 2020-06-15 基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法

Publications (2)

Publication Number Publication Date
CN111582251A CN111582251A (zh) 2020-08-25
CN111582251B true CN111582251B (zh) 2021-04-02

Family

ID=72127342

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010543828.7A Active CN111582251B (zh) 2020-06-15 2020-06-15 基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法

Country Status (1)

Country Link
CN (1) CN111582251B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112101290A (zh) * 2020-09-27 2020-12-18 成都睿畜电子科技有限公司 一种饲养环境的信息提示方法、装置、介质及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503829A (zh) * 2016-09-26 2017-03-15 同济大学 一种基于多源数据的城市公共开放空间的拥挤度预测方法
CN109033172A (zh) * 2018-06-21 2018-12-18 西安理工大学 一种深度学习与近似目标定位的图像检索方法
CN110287880A (zh) * 2019-06-26 2019-09-27 西安电子科技大学 一种基于深度学习的姿态鲁棒性人脸识别方法
CN110598630A (zh) * 2019-09-12 2019-12-20 江苏航天大为科技股份有限公司 基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105160866A (zh) * 2015-08-07 2015-12-16 浙江高速信息工程技术有限公司 一种基于深度学习神经网络结构的交通流预测方法
CN106586738B (zh) * 2017-01-24 2019-05-28 沈阳建筑大学 一种基于视觉检测的多轿厢电梯调度方法
CN108108428B (zh) * 2017-12-18 2020-05-12 苏州思必驰信息科技有限公司 一种构建语言模型的方法、输入法及系统
CN108833928B (zh) * 2018-07-03 2020-06-26 中国科学技术大学 交通监控视频编码方法
CN109190507A (zh) * 2018-08-13 2019-01-11 湖南信达通信息技术有限公司 一种基于轨道交通列车的客流拥挤度计算方法及装置
US11157931B2 (en) * 2018-08-21 2021-10-26 International Business Machines Corporation Predicting the crowdedness of a location
CN109241895B (zh) * 2018-08-28 2021-06-04 北京航空航天大学 密集人群计数方法及装置
CN109446920B (zh) * 2018-09-30 2019-08-06 南京地铁集团有限公司 基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法
CN110458337B (zh) * 2019-07-23 2020-12-22 内蒙古工业大学 一种基于c-gru的网约车供需预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503829A (zh) * 2016-09-26 2017-03-15 同济大学 一种基于多源数据的城市公共开放空间的拥挤度预测方法
CN109033172A (zh) * 2018-06-21 2018-12-18 西安理工大学 一种深度学习与近似目标定位的图像检索方法
CN110287880A (zh) * 2019-06-26 2019-09-27 西安电子科技大学 一种基于深度学习的姿态鲁棒性人脸识别方法
CN110598630A (zh) * 2019-09-12 2019-12-20 江苏航天大为科技股份有限公司 基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于机器视觉的道路拥堵状态检测的研究;黄磊磊等;《小型微型计算机系统》;20140131;第35卷(第1期);第148-153页 *

Also Published As

Publication number Publication date
CN111582251A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
CN109961019B (zh) 一种时空行为检测方法
CN110458839B (zh) 一种有效的电线电缆监测系统
CN108108772B (zh) 一种基于配电线路航拍图像的绝缘子污闪状态检测方法
CN103854292B (zh) 一种人数及人群运动方向的计算方法及装置
CN106934418B (zh) 一种基于卷积递归网络的绝缘子红外诊断方法
CN104835145B (zh) 基于自适应Codebook背景模型的前景检测方法
CN110969142B (zh) 一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法
CN110197231A (zh) 基于可见光和红外光图像融合的鸟情探测设备及识别方法
CN108804992B (zh) 一种基于深度学习的人群统计方法
CN102509291A (zh) 基于无线网络视频传感器的公路路面病害检测及识别方法
CN113255430A (zh) 基于深度学习的视频中人群分布检测与计数方法
CN108765453B (zh) 基于视频流数据的高速公路团雾识别方法
CN111353496B (zh) 一种红外弱小目标实时检测方法
CN111582251B (zh) 基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法
CN108898098A (zh) 基于监控平台的早期视频烟雾检测方法
CN103400120A (zh) 基于视频分析的银行自助服务区域推入行为检测方法
WO2022271963A1 (en) Automated computer system and method of road network extraction from remote sensing images using vehicle motion detection to seed spectral classification
CN113011338A (zh) 一种车道线检测方法及系统
CN111191610A (zh) 一种视频监控中人流量检测与处理方法
CN115482489A (zh) 基于改进YOLOv3的配电房行人检测和轨迹追踪方法及系统
CN115359411B (zh) 一种基于改进DeepLab V3+网络的变电站环境理解方法
CN108346313B (zh) 一种空车位检测方法及系统
Damodaran et al. Extraction of Overhead Transmission Towers from UAV Images
CN113486716B (zh) 机场场面目标分割方法及其系统
CN112396031A (zh) 基于异构运算平台的目标检测方法及系统

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