CN111582377A - 一种基于模型压缩的边缘端目标检测方法及系统 - Google Patents

一种基于模型压缩的边缘端目标检测方法及系统 Download PDF

Info

Publication number
CN111582377A
CN111582377A CN202010386287.1A CN202010386287A CN111582377A CN 111582377 A CN111582377 A CN 111582377A CN 202010386287 A CN202010386287 A CN 202010386287A CN 111582377 A CN111582377 A CN 111582377A
Authority
CN
China
Prior art keywords
model
image
edge
image data
data
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.)
Pending
Application number
CN202010386287.1A
Other languages
English (en)
Inventor
汝佩哲
李锐
金长新
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.)
Jinan Inspur Hi Tech Investment and Development Co Ltd
Original Assignee
Jinan Inspur Hi Tech Investment and Development 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 Jinan Inspur Hi Tech Investment and Development Co Ltd filed Critical Jinan Inspur Hi Tech Investment and Development Co Ltd
Priority to CN202010386287.1A priority Critical patent/CN111582377A/zh
Publication of CN111582377A publication Critical patent/CN111582377A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07Target detection

Landscapes

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

Abstract

本发明公开了一种基于模型压缩的边缘端目标检测方法及系统,属于深度学习领域,本发明要解决的技术问题为如何在损失较小精度的情况下,减少模型体积并加快模型运行速度,确保模型能够顺利部署在边缘端设备,采用的技术方案为:该方法是以SSD网络为框架建立模型,使用MobileNet作为骨干网络提取图像特征,再使用Depth‑wiseClassification Layer作为分类层对图像类别进行分类,最后将压缩后的模型部署在边缘端设备上;具体如下:建立模型:从目标检测图像数据中获取图像信息并建立模型;训练模型并对模型中的图像进行分类:使用SSD网络训练模型,并使用Depth‑wise Classification Layer作为分类层对图像类别进行分类;压缩模型:将训练好的模型进行压缩;部署边缘端设备:将压缩后的模型部署到边缘端设备。

Description

一种基于模型压缩的边缘端目标检测方法及系统
技术领域
本发明涉及深度学习技术领域,具体地说是一种基于模型压缩的边缘端目标检测方法及系统。
背景技术
目标检测(Object Detection)任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉和数字图像处理方向的热门问题之一。由于各类物体有不同的外观、形状、姿态,再加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。
近年来,随着深度学习的发展,卷积神经网络(CNN)在图像目标检测方面已经取得了巨大进展。卷积神经网络可以更加精确的提取图像特征信息,从而更加准确确定目标类别以及位置。
随着物联网时代的到来以及无线网络的普及,网络边缘的设备数量和其产生的数据量都急剧增长,边缘设备作为更快更好的提供智能服务的一种设备,已经逐渐渗入各行各业。传统深度学习方法训练出的目标检测模型通常包含大量参数,模型体积大,计算复杂并且大多需要GPU支持,模型难以在边缘端设备上进行部署。
综上所述,如何在损失较小精度的情况下,减少模型体积并加快模型运行速度,确保模型能够顺利部署在边缘端设备是目前亟待解决的技术问题。
专利号为CN110148148A专利文献公开了一种基于目标检测的下边缘检测模型的训练方法、模型和存储介质,获取样本图像,将所述样本图像输入预先建立的初始神经网络模型;利用所述样本图像训练所述初始神经网络模型,先将样本图像输入基础神经网络模型得到目标检测的实例分割结果,再将目标检测的实例分割结果输入高度图神经网络模型,再由高度图转换得到目标下边缘检测结果;将执行过程中目标下边缘检测模型输出的结果与各个所述目标下边缘检测标注线比较;获得比较结果;根据所述比较结果调整所述目标下边缘检测模型中的损失函数,使得所述目标下边缘检测模型的损失函数最小。但是该技术方案无法减少模型体积并加快模型运行速度,造成模型难以顺利部署在边缘端设备。
发明内容
本发明的技术任务是提供一种基于模型压缩的边缘端目标检测方法及系统,来解决如何在损失较小精度的情况下,减少模型体积并加快模型运行速度,确保模型能够顺利部署在边缘端设备的问题。
本发明的技术任务是按以下方式实现的,一种基于模型压缩的边缘端目标检测方法,该方法是以SSD网络为框架建立模型,使用MobileNet作为骨干网络提取图像特征,再使用Depth-wiseClassification Layer作为分类层对图像类别进行分类,最后将压缩后的模型部署在边缘端设备上;具体如下:
建立模型:从目标检测图像数据中获取图像信息并建立模型;
训练模型并对模型中的图像进行分类:使用SSD网络训练模型,并使用Depth-wiseClassification Layer作为分类层对图像类别进行分类;
压缩模型:将训练好的模型进行压缩;
部署边缘端设备:将压缩后的模型部署到边缘端设备。
作为优选,所述建立模型具体如下:
准备目标检测图像数据;
对图像数据中目标物体位置以及目标物体类别进行人工标注;
对人工标注后图像数据进行增广处理;
将增广后图像数据转为Pascal VOC数据集格式作为增广数据集;
使用MobileNet作为骨干网络提取图像特征图。
更优地,所述人工标注是使用labelImg工具对图像数据进行标注,标注的内容包括目标物体类别(obj1,obj2,…)以及标注目标位置坐标P=(x1,y1,x2,y2);其中,(x1,y1)、(x2,y2)分别代表目标物体左上角与右下角坐标。
更优地,所述增广处理是利用python中opencv包;增广处理的内容包括水平与垂直翻转、模糊处理及亮度变换;扩充图像训练数据,同时注意增广目标物体坐标转换。
更优地,所述增广数据集拆分为训练集和验证集;其中增广数据集中80%数据作为训练集,增广数据集中剩下20%数据作为验证集。
作为优选,所述压缩模型具体如下:
将训练好模型转换为ONNX格式;
通过x2paddle工具将ONNX模型转换为paddle模型;
通过opt工具将量化后的paddle模型转换为PaddleLite模型。
作为优选,所述部署边缘端设备的模型为PaddleLite模型。
一种基于模型压缩的边缘端目标检测系统该系统包括,
模型建立单元,用于从目标检测图像数据中获取图像信息并建立模型;
模型训练及分类单元,用于使用SSD网络训练模型,并使用Depth-wiseClassification Layer作为分类层对图像类别进行分类;
模型压缩单元,用于将训练好的模型进行压缩;
部署单元,用于将压缩后的PaddleLite模型部署到边缘端设备。
作为优选,所述模型建立单元包括,
获取模块,用于准备目标检测图像数据;
标注模块,用于对图像数据中目标物体位置以及目标物体类别进行人工标注;人工标注是使用labelImg工具对图像数据进行标注,标注的内容包括目标物体类别(obj1,obj2,…)以及标注目标位置坐标P=(x1,y1,x2,y2);其中,(x1,y1)、(x2,y2)分别代表目标物体左上角与右下角坐标;
增广处理模块,用于利用python中opencv包对人工标注后图像数据进行增广处理;增广处理的内容包括水平与垂直翻转、模糊处理及亮度变换;扩充图像训练数据,同时注意增广目标物体坐标转换;
增广数据集建立模块,用于将增广后图像数据转为Pascal VOC数据集格式作为增广数据集;增广数据集拆分为训练集和验证集;其中增广数据集中80%数据作为训练集,增广数据集中剩下20%数据作为验证集;
提取模块,用于使用MobileNet作为骨干网络提取图像特征图。
更优地,所述模型压缩单元包括,
格式转换模块,用于将训练好模型转换为ONNX格式;
模型转换模块一,用于通过x2paddle工具将ONNX模型转换为paddle模型;
模型转换模块二,用于通过opt工具将量化后的paddle模型转换为PaddleLite模型。
本发明的基于模型压缩的边缘端目标检测方法及系统具有以下优点:
(一)本发明与现有目标检测方法相比,在损失较小模型精度的情况下,大大减小了分类层的参数量,减小模型体积,加快模型运算速度,可以在边缘端设备上进行部署;
(二)本发明利用python语言实现模型轻量化、模型体积小且运算快,方便在边缘端设备上部署;
(三)本发明使用Depth-wise Classification Layer作为分类层对图像类别进行分类,将总参数量节省百万倍;以ImageNet为例,图像共分为1000类,具体对比如下:
其中,MobileNet会产生1024×7×7大小的特征数据,通过传统分类层,如附图3所示,特征数据会通过池化操作后变为1024×1×1大小的特征数据,再通过一个全连接操作分为1000类;总参数量为1024×1000≈1百万;
而通过Depth-wise分类层,如附图4所示,使用7×7×25大小的卷积核在通道间对1024×7×7大小的特征数据做卷积操作,最后得到1000类,总参数量为7×7×25≈1千,节省了1百万参数量,实现对模型压缩并加快计算速度。
附图说明
下面结合附图对本发明进一步说明。
附图1为基于模型压缩的边缘端目标检测方法的流程框图;
附图2为基于模型压缩的边缘端目标检测系统的结构框图;
附图3为传统分类层的示意图;
附图4为Depth-wise Classification Layer分类层的示意图;
附图5为戴口罩(mask)的图像;
附图6为未戴口罩(noMask)的图像;
附图7为对戴口罩(mask)的图像人工标注的示意图;
附图8为对未戴口罩(noMask)的图像人工标注的示意图;
附图9为对戴口罩(mask)的图像增广处理后的示意图;
附图10为对未戴口罩(noMask)的图像增广处理后的示意图。
具体实施方式
参照说明书附图和具体实施例对本发明的一种基于模型压缩的边缘端目标检测方法及系统作以下详细地说明。
实施例1:
如附图1所示,本发明的基于模型压缩的边缘端目标检测方法,该方法是以SSD网络为框架建立模型,使用MobileNet作为骨干网络提取图像特征,再使用Depth-wiseClassification Layer作为分类层对图像类别进行分类,最后将压缩后的模型部署在边缘端设备上;具体如下:
S1、准备目标检测图像数据;
S2、使用labelImg工具对图像数据中目标物体位置以及目标物体类别进行人工标注;标注的内容包括目标物体类别(obj1,obj2,…)以及标注目标位置坐标P=(x1,y1,x2,y2);其中,(x1,y1)、(x2,y2)分别代表目标物体左上角与右下角坐标;
S3、利用python中opencv包对人工标注后图像数据进行增广处理;增广处理的内容包括水平与垂直翻转、模糊处理及亮度变换;扩充图像训练数据,同时注意增广目标物体坐标转换;
S4、将增广后图像数据转为Pascal VOC数据集格式作为增广数据集;增广数据集拆分为训练集和验证集;其中增广数据集中80%数据作为训练集,增广数据集中剩下20%数据作为验证集;
S5、使用MobileNet作为骨干网络提取图像特征图。
S6、使用SSD框架进行目标检测训练;
S7、使用python中的Depth-wise Classification Layer作为分类层对图像类别进行分类;
S8、将训练好模型转换为ONNX格式;
S9、通过x2paddle工具将ONNX模型转换为paddle模型;
S10、通过opt工具将量化后的paddle模型转换为PaddleLite模型;
S11、将压缩后的PaddleLite模型部署到边缘端设备。
实施例2:
如附图2所示,本发明的基于模型压缩的边缘端目标检测系统,该系统包括,
模型建立单元,用于从目标检测图像数据中获取图像信息并建立模型;模型建立单元包括,
获取模块,用于准备目标检测图像数据;
标注模块,用于对图像数据中目标物体位置以及目标物体类别进行人工标注;人工标注是使用labelImg工具对图像数据进行标注,标注的内容包括目标物体类别(obj1,obj2,…)以及标注目标位置坐标P=(x1,y1,x2,y2);其中,(x1,y1)、(x2,y2)分别代表目标物体左上角与右下角坐标;
增广处理模块,用于利用python中opencv包对人工标注后图像数据进行增广处理;增广处理的内容包括水平与垂直翻转、模糊处理及亮度变换;扩充图像训练数据,同时注意增广目标物体坐标转换;
增广数据集建立模块,用于将增广后图像数据转为Pascal VOC数据集格式作为增广数据集;增广数据集拆分为训练集和验证集;其中增广数据集中80%数据作为训练集,增广数据集中剩下20%数据作为验证集;
提取模块,用于使用MobileNet作为骨干网络提取图像特征图。
模型训练及分类单元,用于使用SSD网络训练模型,并使用Depth-wiseClassification Layer作为分类层对图像类别进行分类;
模型压缩单元,用于将训练好的模型进行压缩;模型压缩单元包括,
格式转换模块,用于将训练好模型转换为ONNX格式;
模型转换模块一,用于通过x2paddle工具将ONNX模型转换为paddle模型;
模型转换模块二,用于通过opt工具将量化后的paddle模型转换为PaddleLite模型。
部署单元,用于将压缩后的PaddleLite模型部署到边缘端设备。
实施例3:
以检测人员是否带口罩为例,具体如下:
(1)、准备口罩检测图像数据:可以是监控视频图像数据或者网上爬取图片数据,图像中人物分类两类:如附图5和6所示,戴口罩(mask)和未戴口罩(noMask);建议一千张左右图片;
(2)、使用labelImg工具对戴口罩(mask)和未戴口罩(noMask)的图像数据进行人工标注,如附图7和8所示;
(3)、对戴口罩(mask)和未戴口罩(noMask)的图像进行增广处理(翻转,平移等),注意转换后标注坐标,如附图9和10所示;
(4)、将数据集转换为VOC格式;其中,VOC格式数据集包含三个文件夹:
①、Annotation文件夹存放的是xml文件,该文件包含图像的标注信息,每张图片都对于一个同名的xml文件;
②、ImageSets文件夹存放的是txt文件,这些txt将数据集的图片分成了各种集合,如Main下的train.txt中记录的是用于训练的图片集合;
③、JPEGImages文件夹存放的是数据集的原图;
(5)、通过MobileNet+SSD网络对数据集进行训练,使用Depth-wiseClassification Layer进行分类;
(6)、将训练模型转换后在边缘端进行部署。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种基于模型压缩的边缘端目标检测方法,其特征在于,该方法是以SSD网络为框架建立模型,使用MobileNet作为骨干网络提取图像特征,再使用Depth-wiseClassificationLayer作为分类层对图像类别进行分类,最后将压缩后的模型部署在边缘端设备上;具体如下:
建立模型:从目标检测图像数据中获取图像信息并建立模型;
训练模型并对模型中的图像进行分类:使用SSD网络训练模型,并使用Depth-wiseClassification Layer作为分类层对图像类别进行分类;
压缩模型:将训练好的模型进行压缩;
部署边缘端设备:将压缩后的模型部署到边缘端设备。
2.根据权利要求1所述的基于模型压缩的边缘端目标检测方法,其特征在于,所述建立模型具体如下:
准备目标检测图像数据;
对图像数据中目标物体位置以及目标物体类别进行人工标注;
对人工标注后图像数据进行增广处理;
将增广后图像数据转为Pascal VOC数据集格式作为增广数据集;
使用MobileNet作为骨干网络提取图像特征图。
3.根据权利要求2所述的基于模型压缩的边缘端目标检测方法,其特征在于,所述人工标注是使用labelImg工具对图像数据进行标注,标注的内容包括目标物体类别(obj1,obj2,…)以及标注目标位置坐标P=(x1,y1,x2,y2);其中,(x1,y1)、(x2,y2)分别代表目标物体左上角与右下角坐标。
4.根据权利要求2所述的基于模型压缩的边缘端目标检测方法,其特征在于,所述增广处理是利用python中opencv包;增广处理的内容包括水平与垂直翻转、模糊处理及亮度变换。
5.根据权利要求2或3或4所述的基于模型压缩的边缘端目标检测方法,其特征在于,所述增广数据集拆分为训练集和验证集;其中增广数据集中80%数据作为训练集,增广数据集中剩下20%数据作为验证集。
6.根据权利要求1所述的基于模型压缩的边缘端目标检测方法,其特征在于,所述压缩模型具体如下:
将训练好模型转换为ONNX格式;
通过x2paddle工具将ONNX模型转换为paddle模型;
通过opt工具将量化后的paddle模型转换为PaddleLite模型。
7.根据权利要求1所述的基于模型压缩的边缘端目标检测方法,其特征在于,所述部署边缘端设备的模型为PaddleLite模型。
8.一种基于模型压缩的边缘端目标检测系统,其特征在于,该系统包括,
模型建立单元,用于从目标检测图像数据中获取图像信息并建立模型;
模型训练及分类单元,用于使用SSD网络训练模型,并使用Depth-wiseClassification Layer作为分类层对图像类别进行分类;
模型压缩单元,用于将训练好的模型进行压缩;
部署单元,用于将压缩后的PaddleLite模型部署到边缘端设备。
9.根据权利要求8所述的基于模型压缩的边缘端目标检测系统,其特征在于,所述模型建立单元包括,
获取模块,用于准备目标检测图像数据;
标注模块,用于对图像数据中目标物体位置以及目标物体类别进行人工标注;人工标注是使用labelImg工具对图像数据进行标注,标注的内容包括目标物体类别(obj1,obj2,…)以及标注目标位置坐标P=(x1,y1,x2,y2);其中,(x1,y1)、(x2,y2)分别代表目标物体左上角与右下角坐标;
增广处理模块,用于利用python中opencv包对人工标注后图像数据进行增广处理;增广处理的内容包括水平与垂直翻转、模糊处理及亮度变换;
增广数据集建立模块,用于将增广后图像数据转为Pascal VOC数据集格式作为增广数据集;增广数据集拆分为训练集和验证集;其中增广数据集中80%数据作为训练集,增广数据集中剩下20%数据作为验证集;
提取模块,用于使用MobileNet作为骨干网络提取图像特征图。
10.根据权利要求8或9所述的基于模型压缩的边缘端目标检测系统,其特征在于,所述模型压缩单元包括,
格式转换模块,用于将训练好模型转换为ONNX格式;
模型转换模块一,用于通过x2paddle工具将ONNX模型转换为paddle模型;
模型转换模块二,用于通过opt工具将量化后的paddle模型转换为PaddleLite模型。
CN202010386287.1A 2020-05-09 2020-05-09 一种基于模型压缩的边缘端目标检测方法及系统 Pending CN111582377A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010386287.1A CN111582377A (zh) 2020-05-09 2020-05-09 一种基于模型压缩的边缘端目标检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010386287.1A CN111582377A (zh) 2020-05-09 2020-05-09 一种基于模型压缩的边缘端目标检测方法及系统

Publications (1)

Publication Number Publication Date
CN111582377A true CN111582377A (zh) 2020-08-25

Family

ID=72117254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010386287.1A Pending CN111582377A (zh) 2020-05-09 2020-05-09 一种基于模型压缩的边缘端目标检测方法及系统

Country Status (1)

Country Link
CN (1) CN111582377A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112183321A (zh) * 2020-09-27 2021-01-05 深圳奇迹智慧网络有限公司 机器学习模型优化的方法、装置、计算机设备和存储介质
CN112734040A (zh) * 2021-01-22 2021-04-30 中国人民解放军军事科学院国防科技创新研究院 一种嵌入式人工智能计算框架及应用方法
CN113640297A (zh) * 2021-06-30 2021-11-12 华北电力大学 基于深度学习的双叶轮风力发电机叶片损伤在线检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109344731A (zh) * 2018-09-10 2019-02-15 电子科技大学 基于神经网络的轻量级的人脸识别方法
CN109344893A (zh) * 2018-09-25 2019-02-15 华中师范大学 一种基于移动终端的图像分类方法及系统
CN109919008A (zh) * 2019-01-23 2019-06-21 平安科技(深圳)有限公司 运动目标检测方法、装置、计算机设备及存储介质
CN110443172A (zh) * 2019-07-25 2019-11-12 北京科技大学 一种基于超分辨率和模型压缩的目标检测方法及系统
US20190377944A1 (en) * 2018-06-08 2019-12-12 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Method and device for image processing, computer readable storage medium, and electronic device
CN111126185A (zh) * 2019-12-09 2020-05-08 南京莱斯电子设备有限公司 一种针对道路卡口场景的深度学习车辆目标识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190377944A1 (en) * 2018-06-08 2019-12-12 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Method and device for image processing, computer readable storage medium, and electronic device
CN109344731A (zh) * 2018-09-10 2019-02-15 电子科技大学 基于神经网络的轻量级的人脸识别方法
CN109344893A (zh) * 2018-09-25 2019-02-15 华中师范大学 一种基于移动终端的图像分类方法及系统
CN109919008A (zh) * 2019-01-23 2019-06-21 平安科技(深圳)有限公司 运动目标检测方法、装置、计算机设备及存储介质
CN110443172A (zh) * 2019-07-25 2019-11-12 北京科技大学 一种基于超分辨率和模型压缩的目标检测方法及系统
CN111126185A (zh) * 2019-12-09 2020-05-08 南京莱斯电子设备有限公司 一种针对道路卡口场景的深度学习车辆目标识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YUNDI GUO等: "Distributed and Efficient Object Detection via Interactions Among Devices, Edge, and Cloud", 《IEEE TRANSACTIONS ON MULTIMEDIA》 *
李小伟: "轻量级深度学习目标检测算法研究及系统设计", 《中国优秀硕博士学位论文全文数据库(硕士) 信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112183321A (zh) * 2020-09-27 2021-01-05 深圳奇迹智慧网络有限公司 机器学习模型优化的方法、装置、计算机设备和存储介质
CN112734040A (zh) * 2021-01-22 2021-04-30 中国人民解放军军事科学院国防科技创新研究院 一种嵌入式人工智能计算框架及应用方法
CN113640297A (zh) * 2021-06-30 2021-11-12 华北电力大学 基于深度学习的双叶轮风力发电机叶片损伤在线检测方法

Similar Documents

Publication Publication Date Title
WO2022036953A1 (zh) 缺陷检测方法和相关装置、设备、存储介质、计算机程序产品
CN109117836B (zh) 一种基于焦点损失函数的自然场景下文字检测定位方法和装置
CN110348294B (zh) Pdf文档中图表的定位方法、装置及计算机设备
CN111582377A (zh) 一种基于模型压缩的边缘端目标检测方法及系统
CN111401384B (zh) 一种变电设备缺陷图像匹配方法
CN109583483B (zh) 一种基于卷积神经网络的目标检测方法和系统
CN111832513A (zh) 基于神经网络的实时足球目标检测方法
CN110163211B (zh) 一种图像识别方法、装置和存储介质
CN109711407B (zh) 一种车牌识别的方法及相关装置
CN106156777B (zh) 文本图片检测方法及装置
CN111488989B (zh) 一种在手机端实现轻量级目标检测的方法及模型
CN114155546B (zh) 一种图像矫正方法、装置、电子设备和存储介质
CN112861760A (zh) 一种用于表情识别的方法和装置
CN113505799B (zh) 显著性检测方法及其模型的训练方法和装置、设备、介质
CN113901952A (zh) 一种基于深度学习的印刷体与手写体分开文字识别方法
CN104346630A (zh) 一种异构特征融合的云花卉识别方法
CN111178121A (zh) 基于空间特征和深度特征强化技术的害虫图像定位识别方法
CN114283156A (zh) 一种用于去除文档图像颜色及手写笔迹的方法及装置
CN114155556B (zh) 一种基于加入通道混洗模块的堆叠沙漏网络的人体姿态估计方法及系统
CN113191235B (zh) 杂物检测方法、装置、设备及存储介质
WO2021179822A1 (zh) 人体特征点的检测方法、装置、电子设备以及存储介质
CN110674802A (zh) 一种改进的平行四边形候选框的文本检测方法
CN111597939B (zh) 一种基于深度学习的高铁线路鸟窝缺陷检测方法
CN114239667A (zh) 一种基于深度学习的垃圾检测分类与推断方法
CN111339985A (zh) 基于混合卷积的手势检测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200825

RJ01 Rejection of invention patent application after publication