CN111739062A - 一种基于反馈机制的目标检测方法及系统 - Google Patents
一种基于反馈机制的目标检测方法及系统 Download PDFInfo
- Publication number
- CN111739062A CN111739062A CN202010507657.2A CN202010507657A CN111739062A CN 111739062 A CN111739062 A CN 111739062A CN 202010507657 A CN202010507657 A CN 202010507657A CN 111739062 A CN111739062 A CN 111739062A
- Authority
- CN
- China
- Prior art keywords
- iff
- target
- module
- detector
- feedback mechanism
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种基于反馈机制的目标检测方法及系统。该方法包括:获取待检测目标;将所述待检测目标输入至改进的IFF目标检测器,得到目标检测结果;其中所述改进的IFF目标检测器是基于目标检测器,增加IFF模块所获得的。本发明实施例通过在现有的目标检测器中增加IFF反馈模块,将上一次的预测结果作为参考信息反馈给特征图,可以起到滤波的作用,特征图的激活区域将会更加集中于目标区域,还通过将类别信息和位置信息融合,有利于网络捕捉到两者之间的耦合关系。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种基于反馈机制的目标检测方法及系统。
背景技术
目标检测是计算机视觉中一个重要的分支,它由两部分任务组成,即定位和分类。因此,目标检测需要用矩形框定位出输入图像或视频的目标位置以及目标类别。而随着计算机技术的发展和计算机视觉原理的广泛应用,利用计算机图像处理技术对目标进行实时跟踪研究越来越热门,对目标进行动态实时跟踪定位在智能化交通系统、智能监控系统、军事目标检测及医学导航手术中手术器械定位等方面具有广泛的应用价值。
正由于目标检测可以被分解为定位和分类两个任务,因此很自然想到可以分别解决这两个问题,按照这种思路实现的检测器属于多阶段方法。多阶段分类器的代表工作包括R-CNN,Fast-RCNN,Faster-RCNN以及Cascade-rcnn等。R-CNN采用selective search算法提取出有可能含有目标的候选区域,然后将候选区域输入卷积神经网络(CNN),提取特征,再用支持向量机(SVM)进行分类,最后加入一个回归器对候选区域进行边框修正,得到最终的结果。但是,由于selective search算法运行时间长,且三个模块(CNN特征提取、SVM分类和边框修正)是分别训练的,并且在训练的时候,对于存储空间的消耗很大,使得R-CNN消耗的内存和计算时间都非常巨大。为此,Fast-RCNN将整幅图作为CNN的输入,而不再是输入候选区域,这样充分利用了CNN权重共享的特点,大大减少了计算时间和内存消耗。此外,Fast-RCNN使用一个RoI Pooling Layer在全图特征上摘取每一个RoI对应的特征。对于每个RoI而言,需要从共享卷积层获取的特征图上提取对应的特征,并且送入全连接层进行分类。因此,RoI Pooling主要做了两件事,第一件是为每个RoI选取对应的特征,第二件事是为了满足全连接层的输入需求,将每个RoI对应的特征的维度转化成某个定值。但是,Fast-RCNN仍然保留了selective search的候选区域生成算法,因此检测速度仍然不理想。因此,Faster-RCNN舍弃了selective search方法,而是直接通过一个Region Proposal Network(RPN)生成待检测区域,这么做,在生成RoI区域的时候,消耗的时间减少了200倍。之后,在Faster-RCNN的基础上,有许多新的工作出现,比如FPN将CNN不同层的特征图进行融合,以此来适应多种尺度的目标,取得了显著的成果;Cascade r-cnn探究了训练过程中生成的检测框和标签的重合度(IOU)的阈值设定和检测结果的关系,提出了一种级联的结构,进一步提升了检测的精度。
虽然多阶段方法取得了许多重要的进展,但实时性较差一直是其一个弊端,因为是多阶段的模型,在运行时耗时较长,因此很难用在对实时性要求较高的场景中,比如自动驾驶。所以,单阶段的目标检测算法应运而生,其中比较重要的工作包括SSD,YOLO和Retinanet等,这些方法都是端到端的方法,只用一个CNN,输入是原始图像,输出直接为目标类别和位置。其中,在定位方面,它们都采用了anchor的概念,即预先设置一些边框形状,在此基础上进行修正,得到精确的目标位置。其中,YOLO的实时性最好,因为它只用物体所在像素点的anchor与之进行匹配,但精度稍低于SSD和Retinanet。Retinanet的亮点在于提出了Focal Loss这一重要概念,比较好地解决了正负样本不平衡的问题。此外,也有一些不使用anchor的单阶段的检测器,比如CornerNet和CenterNet,其精度也与基于anchor的检测器基本持平。
发明内容
本发明实施例提供一种基于反馈机制的目标检测方法及系统,用以解决现有技术中针对单阶段的目标检测算法在保证实时性情况下无法有效确保检测精度的问题。
第一方面,本发明实施例提供一种基于反馈机制的目标检测方法,包括:
获取待检测目标;
将所述待检测目标输入至改进的IFF目标检测器,得到目标检测结果;其中所述改进的IFF目标检测器是基于目标检测器,增加IFF模块所获得的。
进一步地,所述改进的IFF目标检测器,通过以下步骤获得:
获取所述目标检测器的基本结构,所述基本结构包括Backbone部分、Head部分和NMS部分;
在所述Head部分增加至少一个IFF模块,使所述目标检测器转换成所述改进的IFF目标检测器。
进一步地,所述在所述Head部分增加至少一个IFF模块,具体包括:
根据预设检测精度需求,在所述Head部分增加对应预设数量的IFF模块。
进一步地,所述IFF模块具体包括:
若干个前向传播的特征图、若干前向传播的输出、所述目标检测器包含的卷积核和针对所述IFF模块新增的卷积核。
进一步地,所述若干个前向传播的特征图、若干前向传播的输出、所述目标检测器包含的卷积核和针对所述IFF模块新增的卷积核,进一步包括:
其中,x[0]表示前向传播的初始特征图,x[k]表示表示第k次前向传播的特征图,y[k]表示第k次前向传播的输出,x[k+1]表示第k+1次前向传播的输出,w1是所述目标检测器原有的卷积核,w2是IFF模块新增的卷积核,代表卷积运算,ReLU()表示线性整流激活函数,其中ReLU()函数可替换为其他预设激活函数。
第二方面,本发明实施例提供一种基于反馈机制的目标检测系统,包括:
获取模块,用于获取待检测目标;
处理模块,用于将所述待检测目标输入至改进的IFF目标检测器,得到目标检测结果;其中所述改进的IFF目标检测器是基于目标检测器,增加IFF模块所获得的。
进一步地,所述处理模块中的改进的IFF目标检测器,包括:
获取子模块,用于获取所述目标检测器的基本结构,所述基本结构包括Backbone部分、Head部分和NMS部分;
改进子模块,用于在所述Head部分增加至少一个IFF模块,使所述目标检测器转换成所述改进的IFF目标检测器。
进一步地,所述改进子模块中的所述Head部分增加至少一个IFF模块,具体包括:
根据预设检测精度需求,在所述Head部分增加对应预设数量的IFF模块。
第三方面,本发明实施例提供一种电子设备,包括:
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现任一项所述基于反馈机制的目标检测方法的步骤。
第四方面,本发明实施例提供一种非暂态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任一项所述基于反馈机制的目标检测方法的步骤。
本发明实施例提供的基于反馈机制的目标检测方法及系统,通过在现有的目标检测器中增加IFF反馈模块,将上一次的预测结果作为参考信息反馈给特征图,可以起到滤波的作用,特征图的激活区域将会更加集中于目标区域,还通过将类别信息和位置信息融合,有利于网络捕捉到两者之间的耦合关系。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的增加IFF模块的目标检测器整体结构图;
图2为本发明实施例提供的一种基于反馈机制的目标检测方法流程图;
图3为本发明实施例提供的基于IFF模块的目标检测器的检测过程示意图:
图4为本发明实施例提供的IFF模块详细结构图;
图5为本发明实施例提供的特征图在IFF模块处理前后的能量分布对比图:
图6为本发明实施例提供的IFF模块在PASCAL VOC数据集上测试的结果图;
图7为本发明实施例提供的IFF模块在COCO数据集上测试的结果图;
图8为本发明实施例提供的一种基于反馈机制的目标检测系统结构图;
图9为本发明实施例提供的电子设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前,一般的CNN网络中在预测是都是前向传播,在残差网络中会出现分叉,而很少存在反馈结构。本发明实施例将在目标检测器的head部分前引入IFF模块,即一种反馈结构,如图1所示,图中上面的虚线框即为现有的目标检测器,在前向传播时无反馈结构,下面的虚线框即为新增加的IFF模块,旨在引入反馈结构,改善算法性能,该模块具体为图中斜纹框部分。
图2为本发明实施例提供的一种基于反馈机制的目标检测方法流程图,如图2所示,包括:
S1,获取待检测目标;
S2,将所述待检测目标输入至改进的IFF目标检测器,得到目标检测结果;其中所述改进的IFF目标检测器是基于目标检测器,增加IFF模块所获得的。
具体地,将待检测目标作为改进的IFF目标检测器的输入,经过该检测器的一系列处理,得到改进的目标检测结果,此处,改进的IFF目标检测器是在现有的目标检测器基础上,在Head部分增加IFF反馈模块所得到的。
本发明实施例通过在现有的目标检测器中增加IFF反馈模块,将上一次的预测结果作为参考信息反馈给特征图,可以起到滤波的作用,特征图的激活区域将会更加集中于目标区域,还通过将类别信息和位置信息融合,有利于网络捕捉到两者之间的耦合关系。
基于上述实施例,所述改进的IFF目标检测器,通过以下步骤获得:
获取所述目标检测器的基本结构,所述基本结构包括Backbone部分、Head部分和NMS部分;
在所述Head部分增加至少一个IFF模块,使所述目标检测器转换成所述改进的IFF目标检测器。
其中,所述在所述Head部分增加至少一个IFF模块,具体包括:
根据预设检测精度需求,在所述Head部分增加对应预设数量的IFF模块。
具体地,通过在现有的普通检测器中加入IFF模块,便可以方便地将该检测器转换成IFF目标检测器,现有的普通检测器包括Backbone部分、Head部分和NMS部分。针对实际中不同的精度需求,可以在Head部分加入不同个数的IFF模块,如图3所示,其中虚线箭头指向是普通检测器的检测过程,其中并无反馈结构,而IFF目标检测器将第一次前向传播的输出不作为最终输出,而是作为启发式信息反馈回来,对特征图进行优化,以提高检测器的性能,经过几轮优化后,再将最后一次前向传播的输出作为最终预测结果。此处,考虑兼顾检测精度和时间成本,发现IFF模块的个数取1或2时的性能是较优的。
基于上述任一实施例,所述IFF模块具体包括:
若干个前向传播的特征图、若干前向传播的输出、所述目标检测器包含的卷积核和针对所述IFF模块新增的卷积核。
具体地,IFF模块的详细结构如图4所示:
其中虚线箭头是普通检测器的传播路径,x[0]表示前向传播的初始特征图,x[k]表示表示第k次前向传播的特征图,y[k]表示第k次前向传播的输出,x[k+1]表示第k+1次前向传播的输出,w1是所述目标检测器原有的卷积核,w2是IFF模块新增的卷积核,代表卷积运算,ReLU()表示线性整流激活函数,其中ReLU()函数可根据需要替换为其他函数。
下面以具体的实验结果来说明本发明实施例增加了IFF模块之后性能提升的具体情况。
可以理解的是,IFF模块的作用在于使特征图的激活区域更加集中于目标本身,消除了目标周边的噪声,因此有利于做出更加准确的检测结果。为了说明这一点,绘制了特征图在IFF模块处理前后的能量分布图,如图5所示。可见,背景的能量明显降低了,这说明那些原本被错误激活的背景部分在加入IFF模块后被有效抑制。
上述分析定性地分析了IFF反馈结构的作用,下面以多个检测器为baseline,分别给它们加入IFF模块,并在PASCAL VOC和COCO数据集上进行测试,来验证其性能,结果如图6和图7所示。可见,IFF模块的加入使得各单阶段的检测器性能都有了不同程度的提高,充分说明了其有效性。
虽然IFF模块在单阶段目标检测器中是有效的,但实验表明,IFF在多阶段检测器中几乎没有效果,这主要是因为多阶段检测器在特征图后输出的并不是详细的类别信息,而是只分为前景和背景,因此无法实现滤波的效果。后续还应设法将多阶段检测器最终详细类别的输出反馈给特征图进行联合训练,来提高多阶段检测器的性能。
图8为本发明实施例提供的一种基于反馈机制的目标检测系统结构图,如图8所示,包括:获取模块81和处理模块82;其中:获取模块81和处理模块82;其中:
获取模块81用于获取待检测目标;处理模块82用于将所述待检测目标输入至改进的IFF目标检测器,得到目标检测结果;其中所述改进的IFF目标检测器是基于目标检测器,增加IFF模块所获得的。
本发明实施例提供的系统用于执行上述对应的方法,其具体的实施方式与方法的实施方式一致,涉及的算法流程与对应的方法算法流程相同,此处不再赘述。
本发明实施例通过在现有的目标检测器中增加IFF反馈模块,将上一次的预测结果作为参考信息反馈给特征图,可以起到滤波的作用,特征图的激活区域将会更加集中于目标区域,还通过将类别信息和位置信息融合,有利于网络捕捉到两者之间的耦合关系。
基于上述实施例,所述处理模块82中的改进的IFF目标检测器,包括:获取子模块821和改进子模块822;其中:
获取子模块821用于获取所述目标检测器的基本结构,所述基本结构包括Backbone部分、Head部分和NMS部分;改进子模块822用于在所述Head部分增加至少一个IFF模块,使所述目标检测器转换成所述改进的IFF目标检测器。
基于上述任一实施例,所述改进子模块821中的所述Head部分增加至少一个IFF模块,具体包括:
根据预设检测精度需求,在所述Head部分增加对应预设数量的IFF模块。
图9示例了一种电子设备的实体结构示意图,如图9所示,该电子设备可以包括:处理器(processor)910、通信接口(Communications Interface)920、存储器(memory)930和通信总线940,其中,处理器910,通信接口920,存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令,以执行如下方法:获取待检测目标;将所述待检测目标输入至改进的IFF目标检测器,得到目标检测结果;其中所述改进的IFF目标检测器是基于目标检测器,增加IFF模块所获得的。
此外,上述的存储器930中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态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以执行上述各实施例提供的传输方法,例如包括:获取待检测目标;将所述待检测目标输入至改进的IFF目标检测器,得到目标检测结果;其中所述改进的IFF目标检测器是基于目标检测器,增加IFF模块所获得的。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上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精神和范围。
Claims (10)
1.一种基于反馈机制的目标检测方法,其特征在于,包括:
获取待检测目标;
将所述待检测目标输入至改进的IFF目标检测器,得到目标检测结果;其中所述改进的IFF目标检测器是基于目标检测器,增加IFF模块所获得的。
2.根据权利要求1所述的基于反馈机制的目标检测方法,其特征在于,所述改进的IFF目标检测器,通过以下步骤获得:
获取所述目标检测器的基本结构,所述基本结构包括Backbone部分、Head部分和NMS部分;
在所述Head部分增加至少一个IFF模块,使所述目标检测器转换成所述改进的IFF目标检测器。
3.根据权利要求2所述的基于反馈机制的目标检测方法,其特征在于,所述在所述Head部分增加至少一个IFF模块,具体包括:
根据预设检测精度需求,在所述Head部分增加对应预设数量的IFF模块。
4.根据权利要求1至3中任一权利要求所述的基于反馈机制的目标检测方法,其特征在于,所述IFF模块具体包括:
若干个前向传播的特征图、若干前向传播的输出、所述目标检测器包含的卷积核和针对所述IFF模块新增的卷积核。
6.一种基于反馈机制的目标检测系统,其特征在于,包括:
获取模块,用于获取待检测目标;
处理模块,用于将所述待检测目标输入至改进的IFF目标检测器,得到目标检测结果;其中所述改进的IFF目标检测器是基于目标检测器,增加IFF模块所获得的。
7.根据权利要求6所述的基于反馈机制的目标检测系统,其特征在于,所述处理模块中的改进的IFF目标检测器,包括:
获取子模块,用于获取所述目标检测器的基本结构,所述基本结构包括Backbone部分、Head部分和NMS部分;
改进子模块,用于在所述Head部分增加至少一个IFF模块,使所述目标检测器转换成所述改进的IFF目标检测器。
8.根据权利要求7所述的基于反馈机制的目标检测系统,其特征在于,所述改进子模块中的所述Head部分增加至少一个IFF模块,具体包括:
根据预设检测精度需求,在所述Head部分增加对应预设数量的IFF模块。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述基于反馈机制的目标检测方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任一项所述基于反馈机制的目标检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010507657.2A CN111739062B (zh) | 2020-06-05 | 2020-06-05 | 一种基于反馈机制的目标检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010507657.2A CN111739062B (zh) | 2020-06-05 | 2020-06-05 | 一种基于反馈机制的目标检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111739062A true CN111739062A (zh) | 2020-10-02 |
CN111739062B CN111739062B (zh) | 2021-05-25 |
Family
ID=72648409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010507657.2A Active CN111739062B (zh) | 2020-06-05 | 2020-06-05 | 一种基于反馈机制的目标检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111739062B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902800A (zh) * | 2019-01-22 | 2019-06-18 | 北京大学 | 基于拟反馈神经网络的多级骨干网络检测通用物体的方法 |
US10330633B2 (en) * | 2011-01-24 | 2019-06-25 | Genia Technologies, Inc. | System for communicating information from an array of sensors |
WO2019143536A1 (en) * | 2018-01-22 | 2019-07-25 | Qualcomm Incorporated | Failure detection for a neural network object tracker |
CN110633717A (zh) * | 2018-06-21 | 2019-12-31 | 北京京东尚科信息技术有限公司 | 一种目标检测模型的训练方法和装置 |
-
2020
- 2020-06-05 CN CN202010507657.2A patent/CN111739062B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10330633B2 (en) * | 2011-01-24 | 2019-06-25 | Genia Technologies, Inc. | System for communicating information from an array of sensors |
WO2019143536A1 (en) * | 2018-01-22 | 2019-07-25 | Qualcomm Incorporated | Failure detection for a neural network object tracker |
CN110633717A (zh) * | 2018-06-21 | 2019-12-31 | 北京京东尚科信息技术有限公司 | 一种目标检测模型的训练方法和装置 |
CN109902800A (zh) * | 2019-01-22 | 2019-06-18 | 北京大学 | 基于拟反馈神经网络的多级骨干网络检测通用物体的方法 |
Non-Patent Citations (2)
Title |
---|
JUEFEI-XU: ""Perturbative Neural Networks"", 《CVPR 2018》 * |
张泽斌: ""一种改进反馈机制的PBAS运动目标检测算法"", 《电子设计工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111739062B (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210023720A1 (en) | Method for detecting grasping position of robot in grasping object | |
CN109740534B (zh) | 图像处理方法、装置及处理设备 | |
WO2017059576A1 (en) | Apparatus and method for pedestrian detection | |
CN110991658A (zh) | 模型训练方法、装置、电子设备和计算机可读存储介质 | |
US20210201068A1 (en) | Image processing method and apparatus, and electronic device | |
CN114782970B (zh) | 一种表格提取方法、系统及可读介质 | |
CN116052094B (zh) | 一种船舶检测方法、系统及计算机存储介质 | |
WO2023130915A1 (zh) | 一种表格识别方法及装置 | |
CN110633785A (zh) | 一种卷积神经网络的计算方法及系统 | |
CN111738233B (zh) | 文本检测方法、电子设备及计算机可读介质 | |
CN112183547A (zh) | 基于多模态数据的多任务学习方法及系统 | |
CN111177135B (zh) | 一种基于界标的数据填补方法及装置 | |
CN111814820A (zh) | 图像处理方法及装置 | |
CN113762049B (zh) | 内容识别方法、装置、存储介质和终端设备 | |
CN111739062B (zh) | 一种基于反馈机制的目标检测方法及系统 | |
CN112434581A (zh) | 一种室外目标颜色识别方法、系统、电子设备及存储介质 | |
CN110163256B (zh) | 基于联合概率矩阵的试卷图像自动核分方法 | |
CN110807286A (zh) | 一种结构网格识别方法 | |
CN116259064A (zh) | 表格结构识别方法、表格结构识别模型的训练方法及装置 | |
CN110992371B (zh) | 一种基于先验信息的人像分割方法、装置及电子设备 | |
CN113840169B (zh) | 一种视频处理方法、装置、计算设备和存储介质 | |
CN113313720A (zh) | 对象分割方法和装置 | |
CN110705695A (zh) | 搜索模型结构的方法、装置、设备和存储介质 | |
CN111260757A (zh) | 一种图像处理方法、装置及终端设备 | |
CN116402090B (zh) | 神经网络计算图的处理方法、装置和设备 |
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 |