CN111797782B - 基于图像特征的车辆检测方法和系统 - Google Patents
基于图像特征的车辆检测方法和系统 Download PDFInfo
- Publication number
- CN111797782B CN111797782B CN202010654233.9A CN202010654233A CN111797782B CN 111797782 B CN111797782 B CN 111797782B CN 202010654233 A CN202010654233 A CN 202010654233A CN 111797782 B CN111797782 B CN 111797782B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- feature
- representing
- vehicle detection
- conv4
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000010586 diagram Methods 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 238000007499 fusion processing Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 20
- 230000004927 fusion Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于图像特征的车辆检测方法和系统,该方法包括:采集车辆图片,并对所述车辆图片进行预处理,得到处理后的图片;对所述处理后的图片进行特征提取,得到初始特征图;在所述初始特征图上进行卷积操作,得到不同尺度的特征图;分别在不同的特征图上进行特征缩放、特征映射和深度特征融合处理,得到金字塔特征图;将所述金字塔特征图输入经过训练的车辆检测模型,得到车辆的类别和位置。本发明中的车辆检测模型有效降低了车辆在图片中的定位误差,并提升了检测精度,在图片质量不高的情况下也能达到较好的检测效果。
Description
技术领域
本发明涉及图像处理技术领域,具体地,涉及基于图像特征的车辆检测方法和系统。
背景技术
在智能交通系统和无人驾驶领域中,准确实时检测目标车辆能够有效避免交通事故的发生。
传统目标检测方法对稍微复杂的场景或者光照变化的情况下检测效果就差,近年来,卷积神经网络在目标检测领域取得了巨大的成就,利用卷积神经网络已经成为一种新型和被广泛使用的检测方式,例如R_CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD、YOLOV2、YOLOV3、YOLOV4等模型。
上述这些模型在通用物体检测领域取得了非常好的检测效果,但是针对车辆检测领域,特别是在交通环境复杂多样的情况下,现有车辆检测技术很难准确识别车辆的类别和位置。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于图像特征的车辆检测方法和系统。
第一方面,本发明提供一种基于图像特征的车辆检测方法,包括:
步骤S1:采集车辆图片,并对所述车辆图片进行预处理,得到处理后的图片;
步骤S2:对所述处理后的图片进行特征提取,得到初始特征图;
步骤S3:在所述初始特征图上进行卷积操作,得到不同尺度的特征图;
步骤S4:分别在不同的特征图上进行特征缩放、特征映射和深度特征融合处理,得到金字塔特征图;
步骤S5:将所述金字塔特征图输入经过训练的车辆检测模型,得到车辆的类别和位置。
可选地,所述步骤S2包括:
通过改进的VGG16模型对所述处理后的图片进行特征提取,得到初始特征图;其中,所述改进的VGG16模型以SSD模型为基础模型,并采用VGG16作为主干网络;在主干网络中包括13个卷积层、5个池化层。
可选地,所述步骤S3包括:
将所述初始特征图依次输入不同的卷积核进行卷积操作,所述卷积核包括:Conv4、Conv6、Conv8、Conv9、Conv10、Conv11;其中:Conv4输出38*38*512尺寸的图片,Conv6输出19*19*1024尺寸的图片,Conv8输出10*10*512尺寸的图片,Conv9输出5*5*256尺寸的图片,Conv10输出3*3*256尺寸的图片,Conv11输出1*1*256尺寸的图片。
可选地,所述步骤S4包括:
步骤S401:将Conv4进行1*1和3*3的卷积操作之后,再与Conv4输出的特征进行融合,得到Conv4_1;
步骤S402:将Conv4和Conv6输出的特征进行融合后再进行1*1和3*3的卷积操作,并与Conv6输出的特征进行融合后得到Conv6_1;
步骤S403:将Conv6和Conv8输出的特征进行融合后再进行1*1和3*3的卷积操作,并与Conv8输出的特征进行融合后得到Conv8_1;
步骤S404:将Conv8和Conv9输出的特征进行融合后再进行1*1和3*3的卷积操作,并与Conv9输出的特征进行融合后得到Conv9_1;
步骤S405:将Conv9和Conv10输出的特征进行融合后再进行1*1和3*3的卷积操作,并与Conv10输出的特征进行融合后得到Conv10_1;
其中,Conv4_1、Conv6_1、Conv8_1、Conv9_1、Conv10_1组成所述金字塔特征图。
可选地,在执行步骤S5之前,还包括:
构建车辆检测模型;
通过训练数据集迭代训练所述车辆检测模型,得到经过训练的的车辆检测模型。
可选地,所述车辆检测模型中的损失函数如下:
L=αLcls+βLreg
L1(Y,Y^)=[Y^logY+(1-Y^)log(1-Y)]
其中,L表示总损失函数,α,β为两个平衡系数,Lcls表示车辆分类损失函数,Lreg表示车辆边界框回归的损失函数,n表示一幅图像中待检测车辆个数,Yi表示网络预测的第i个待检测车辆的类别,Yi^表示第i个待检测车辆的类别标签,Zi表示第i个待检测车辆的四元组(x,y,w,h),x、y分别表示了网络输出的第i个待检测车辆区域左上角像素点的横坐标和纵坐标,w、h分别表示车辆建议框的宽和高,Zi^表示第i个待检测区域车辆建议框的标签,L1表示交叉熵损失函数,L2表smooth_L1损失函数,L1(Y,Y^)表示车辆分类损失函数,Y表示预测样本类别,Y^表示真实样本类别,L2(x)表示车辆边界框回归的损失函数,x表示预测框与真实框之间像素点的坐标,以及车辆建议框的宽和高的差异。
第二方面,本发明提供一种基于图像特征的车辆检测系统,包括存储器和处理器,所述存储器中存储有计算机指令,当所述处理器调用所述存储器中存储的计算机指令时,执行如第一方面中任一项所述的基于图像特征的车辆检测方法。
与现有技术相比,本发明具有如下的有益效果:
本发明提供的基于图像特征的车辆检测方法和系统,通过采集车辆图片,并对车辆图片进行预处理,得到处理后的图片;对处理后的图片进行特征提取,得到初始特征图;在初始特征图上进行卷积操作,得到不同尺度的特征图;分别在不同的特征图上进行特征缩放、特征映射和深度特征融合处理,得到金字塔特征图;将金字塔特征图输入经过训练的车辆检测模型,得到车辆的类别和位置。由于金字塔特征图中结合了丰富的位置,细节和语义信息,使得车辆检测模型有效降低了车辆在图片中的定位误差,并提升了检测精度,在图片质量不高的情况下也能达到较好的检测效果。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明一实施例提供的车辆检测模型的结构示意图;
图2为本发明一实施例提供的基于图像特征的车辆检测方法的流程示意图;
图3为本发明一实施例的实验环境配置结果示意图;
图4为本发明一实施例中白天的车辆检测结果示意图;
图5为本发明一实施例中夜间的车辆检测结果示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明提供了基于图像特征的车辆检测方法,该方法有效降低了车辆在图片中的定位误差并提升了检测精度,在图片质量不高的情况下也能达到较好的检测效果。如图1,2所示,该方法包括以下步骤:
步骤1:收集车辆数据集图片,对照片进行标准化处理。
步骤2:将处理后的图片输入VGG16模型对车辆图片进行初始特征提取,得到初始特征图。
步骤3:在初始特征图上进行卷积操作,得到不同尺度的特征层。
步骤4:在不同尺度的特征图上进行特征缩放,特征映射和深度特征融合操作,将低层的位置信息和高层的语义信息进行有效结合,得到金字塔特征图。
步骤5:在金字塔特征图上进行目标的分类和定位操作,得到车辆检测模型。
步骤6:将采集到的车辆图片进行步骤1~步骤4的处理,得到对应的金字塔特征图,然后将该金字塔特征图输出步骤5的车辆检测模型,输出车辆图片中的车辆位置和类别。
示例性的,步骤2包括:以SSD模型作为基础模型,采用VGG16作为主干网络,该主干网络包含13个卷积层,5个池化层,3个全连接层,在本实施例中将最后的三个全连接层舍去,得到改进的VGG16模型。
示例性的,步骤3包括:将38*38*512尺寸的Conv4通过3*3*1024的卷积核进行卷积操作得到Conv6,将19*19*1024尺寸的Conv6通过1*1*256和3*3*512的卷积核进行卷积操作得到Conv8,将10*10*512尺寸的Conv8通过1*1*128和3*3*256的卷积核进行卷积操作得到Conv9,将5*5*256尺寸的Conv9通过1*1*128和3*3*256的卷积核进行卷积操作得到Conv10,将3*3*256尺寸的Conv10通过1*1*128和3*3*256的卷积核进行卷积操作得到Conv11,最终Conv11特征图的尺寸为1*1*256。
示例性的,步骤4包括:将Conv4进行1*1和3*3的卷积操作之后,再与本身进行特征融合操作得到Conv4_1,将Conv4和Conv6进行特征融合后再进行1*1和3*3的卷积操作,最后再与自身作特征融合得到Conv6_1。将Conv6和Conv8进行特征融合后再进行1*1和3*3的卷积操作,最后再与自身作特征融合得到Conv8_1,同理得到Conv9_1,Conv10_1。其中,得到的Conv6_1,Conv8_1,Conv9_1和Conv10_1是每一步融合后的金字塔特征图,具有丰富的位置,细节和语义信息。
示例性的,步骤5包括:构建损失函数L=αLcls+βLreg,其中α,β是平衡系数,Lcls和Lreg分别是车辆分类和车辆边界框回归的损失函数。其中,车辆分类损失函数的表达式为:
其中:n为一幅图像中待检测车辆个数,Yi为网络预测第i个待检测车辆类别结果,Yi^为第i个待检测车辆类别标签。
车辆边界框回归的损失函数表达式为:
其中,n的意义同上,Zi为一个四元组(x,y,w,h),分别表示了网络输出的第i个待检测车辆区域左上角像素点的坐标,以及车辆建议框的宽和高,Zi^为第i个待检测区域车辆建议框的标签。
上述表达式中L1和L2的具体表达形式为:
L1(Y,Y^)=[Y^logY+(1-Y^)log(1-Y)]
具体地,图3中展示了本发明实施例的实验环境配置结果。其中,具体检测结果参见图4、图5所示。
本发明实施例提供的基于图像特征的车辆检测方法优化了车辆检测模型的部分网络结构,在不同尺度的特征图上进行特征缩放,特征映射和深度特征融合操作,将低层的位置信息和高层的语义信息进行有效结合,得到金字塔特征图,在金字塔特征图上进行目标的分类和定位操作,使得车辆检测模型的检测效果更好。在于图片质量不高的情况下,也能具有较好的检测效果。
需要说明的是,本发明提供的所述基于图像特征的车辆检测方法中的步骤,可以利用所述车辆检测系统中对应的模块、装置、单元等予以实现,本领域技术人员可以参照所述系统的技术方案实现所述方法的步骤流程,即,所述系统中的实施例可理解为实现所述方法的优选例,在此不予赘述。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (4)
1.一种基于图像特征的车辆检测方法,其特征在于,包括:
步骤S1:采集车辆图片,并对所述车辆图片进行预处理,得到处理后的图片;
步骤S2:对所述处理后的图片进行特征提取,得到初始特征图;
步骤S3:在所述初始特征图上进行卷积操作,得到不同尺度的特征图;所述步骤S3包括:
将所述初始特征图依次输入不同的卷积核进行卷积操作,所述卷积核包括:Conv4、Conv6、Conv8、Conv9、Conv10、Conv11;其中:Conv4输出38*38*512尺寸的图片,Conv6输出19*19*1024尺寸的图片,Conv8输出10*10*512尺寸的图片,Conv9输出5*5*256尺寸的图片,Conv10输出3*3*256尺寸的图片,Conv11输出1*1*256尺寸的图片;
步骤S4:分别在不同的特征图上进行特征缩放、特征映射和深度特征融合处理,得到金字塔特征图;所述步骤S4包括:
步骤S401:将Conv4进行1*1和3*3的卷积操作之后,再与Conv4输出的特征进行融合,得到Conv4_1;
步骤S402:将Conv4和Conv6输出的特征进行融合后再进行1*1和3*3的卷积操作,并与Conv6输出的特征进行融合后得到Conv6_1;
步骤S403:将Conv6和Conv8输出的特征进行融合后再进行1*1和3*3的卷积操作,并与Conv8输出的特征进行融合后得到Conv8_1;
步骤S404:将Conv8和Conv9输出的特征进行融合后再进行1*1和3*3的卷积操作,并与Conv9输出的特征进行融合后得到Conv9_1;
步骤S405:将Conv9和Conv10输出的特征进行融合后再进行1*1和3*3的卷积操作,并与Conv10输出的特征进行融合后得到Conv10_1;
其中,Conv4_1、Conv6_1、Conv8_1、Conv9_1、Conv10_1组成所述金字塔特征图;
步骤S5:将所述金字塔特征图输入经过训练的车辆检测模型,得到车辆的类别和位置;所述车辆检测模型中的损失函数如下:
L=αLcls+βLreg
L1(Y,Y^)=[Y^logY+(1-Y^)log(1-Y)]
其中,L表示总损失函数,α,β为两个平衡系数,Lcls表示车辆分类损失函数,Lreg表示车辆边界框回归的损失函数,n表示一幅图像中待检测车辆个数,Yi表示网络预测的第i个待检测车辆的类别,Yi^表示第i个待检测车辆的类别标签,Zi表示第i个待检测车辆的四元组(x,y,w,h),x、y分别表示了网络输出的第i个待检测车辆区域左上角像素点的横坐标和纵坐标,w、h分别表示车辆建议框的宽和高,Zi^表示第i个待检测区域车辆建议框的标签,L1表示交叉熵损失函数,L2表smooth_L1损失函数,L1(Y,Y^)表示车辆分类损失函数,Y表示预测样本类别,Y^表示真实样本类别,L2(x)表示车辆边界框回归的损失函数,x表示预测框与真实框之间像素点的坐标,以及车辆建议框的宽和高的差异。
2.根据权利要求1所述的基于图像特征的车辆检测方法,其特征在于,所述步骤S2包括:
通过改进的VGG16模型对所述处理后的图片进行特征提取,得到初始特征图;其中,所述改进的VGG16模型以SSD模型为基础模型,并采用VGG16作为主干网络;在主干网络中包括13个卷积层、5个池化层。
3.根据权利要求1或2所述的基于图像特征的车辆检测方法,其特征在于,在执行步骤S5之前,还包括:
构建车辆检测模型;
通过训练数据集迭代训练所述车辆检测模型,得到经过训练的的车辆检测模型。
4.一种基于图像特征的车辆检测系统,其特征在于,包括存储器和处理器,所述存储器中存储有计算机指令,当所述处理器调用所述存储器中存储的计算机指令时,执行如权利要求1-3中任一项所述的基于图像特征的车辆检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010654233.9A CN111797782B (zh) | 2020-07-08 | 2020-07-08 | 基于图像特征的车辆检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010654233.9A CN111797782B (zh) | 2020-07-08 | 2020-07-08 | 基于图像特征的车辆检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111797782A CN111797782A (zh) | 2020-10-20 |
CN111797782B true CN111797782B (zh) | 2024-04-16 |
Family
ID=72810500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010654233.9A Active CN111797782B (zh) | 2020-07-08 | 2020-07-08 | 基于图像特征的车辆检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111797782B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114495571B (zh) * | 2022-04-18 | 2022-07-26 | 科大天工智能装备技术(天津)有限公司 | 基于跨层耦合网络的车位状态检测方法、装置及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508731A (zh) * | 2018-10-09 | 2019-03-22 | 中山大学 | 一种基于融合特征的车辆重识别方法、系统及装置 |
CN109886312A (zh) * | 2019-01-28 | 2019-06-14 | 同济大学 | 一种基于多层特征融合神经网络模型的桥梁车辆车轮检测方法 |
CN110490156A (zh) * | 2019-08-23 | 2019-11-22 | 哈尔滨理工大学 | 一种基于卷积神经网络的快速车辆检测方法 |
WO2020102988A1 (zh) * | 2018-11-20 | 2020-05-28 | 西安电子科技大学 | 基于特征融合和稠密连接的红外面目标检测方法 |
CN111325146A (zh) * | 2020-02-20 | 2020-06-23 | 吉林省吉通信息技术有限公司 | 一种货车车型和轴型识别方法和系统 |
-
2020
- 2020-07-08 CN CN202010654233.9A patent/CN111797782B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508731A (zh) * | 2018-10-09 | 2019-03-22 | 中山大学 | 一种基于融合特征的车辆重识别方法、系统及装置 |
WO2020102988A1 (zh) * | 2018-11-20 | 2020-05-28 | 西安电子科技大学 | 基于特征融合和稠密连接的红外面目标检测方法 |
CN109886312A (zh) * | 2019-01-28 | 2019-06-14 | 同济大学 | 一种基于多层特征融合神经网络模型的桥梁车辆车轮检测方法 |
CN110490156A (zh) * | 2019-08-23 | 2019-11-22 | 哈尔滨理工大学 | 一种基于卷积神经网络的快速车辆检测方法 |
CN111325146A (zh) * | 2020-02-20 | 2020-06-23 | 吉林省吉通信息技术有限公司 | 一种货车车型和轴型识别方法和系统 |
Non-Patent Citations (1)
Title |
---|
刘鸣瑄 ; 刘惠义 ; .基于特征融合SSD的远距离车辆检测方法.国外电子测量技术.2020,(第02期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111797782A (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109859190B (zh) | 一种基于深度学习的目标区域检测方法 | |
CN109886066B (zh) | 基于多尺度和多层特征融合的快速目标检测方法 | |
CN111259758B (zh) | 一种针对密集区域的两阶段遥感图像目标检测方法 | |
CN111126359B (zh) | 基于自编码器与yolo算法的高清图像小目标检测方法 | |
CN110781262B (zh) | 基于视觉slam的语义地图的构建方法 | |
CN114202672A (zh) | 一种基于注意力机制的小目标检测方法 | |
CN108734210B (zh) | 一种基于跨模态多尺度特征融合的对象检测方法 | |
CN110163271B (zh) | 一种基于球面投影网格和球面卷积的全景影像目标检测方法 | |
CN111080693A (zh) | 一种基于YOLOv3的机器人自主分类抓取方法 | |
CN110659664B (zh) | 一种基于ssd的高精度识别小物体的方法 | |
CN110782420A (zh) | 一种基于深度学习的小目标特征表示增强方法 | |
Geng et al. | Using deep learning in infrared images to enable human gesture recognition for autonomous vehicles | |
CN111914698B (zh) | 图像中人体的分割方法、分割系统、电子设备及存储介质 | |
CN113343778B (zh) | 一种基于LaneSegNet的车道线检测方法及系统 | |
CN112862774B (zh) | 一种遥感影像建筑物精确分割方法 | |
Cao et al. | A survey on image semantic segmentation methods with convolutional neural network | |
CN116188999B (zh) | 一种基于可见光和红外图像数据融合的小目标检测方法 | |
CN113011288A (zh) | 一种基于Mask RCNN算法的遥感建筑物检测方法 | |
CN112766136A (zh) | 一种基于深度学习的空间车位检测方法 | |
CN113239818B (zh) | 基于分割和图卷积神经网络的表格跨模态信息提取方法 | |
CN113723377A (zh) | 一种基于ld-ssd网络的交通标志检测方法 | |
CN111461145A (zh) | 一种基于卷积神经网络进行目标检测的方法 | |
CN111353544A (zh) | 一种基于改进的Mixed Pooling-YOLOV3目标检测方法 | |
CN112001225A (zh) | 一种在线多目标跟踪方法、系统及应用 | |
CN112348885A (zh) | 视觉特征库的构建方法、视觉定位方法、装置和存储介质 |
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 |