CN111860260A - 基于fpga的高精度低算量目标检测网络系统 - Google Patents
基于fpga的高精度低算量目标检测网络系统 Download PDFInfo
- Publication number
- CN111860260A CN111860260A CN202010664418.8A CN202010664418A CN111860260A CN 111860260 A CN111860260 A CN 111860260A CN 202010664418 A CN202010664418 A CN 202010664418A CN 111860260 A CN111860260 A CN 111860260A
- Authority
- CN
- China
- Prior art keywords
- fpga
- network
- module
- target detection
- computation
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 76
- 230000001960 triggered effect Effects 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/955—Hardware or software architectures specially adapted for image or video understanding using specific electronic processors
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明涉及到网络检测技术领域,尤其涉及到一种基于FPGA的高精度低算量目标检测网络系统,系统主要包括有CPU模块、FPGA模块、Camera模块和DDR存储模块;本发明针对不同场景选取不同网络的方式来降低运算量,特别的这些不同的网络之间结构相同,参数值不同。网络选取方式可以手动,也可通过传感器自动触发,例如在卫星上针对不同的焦距,目标在视野中的平均尺寸是一定的,可以选取针对当前尺寸训练的网络进行推断,由于是针对性训练,模型不需要兼容其他尺寸的目标预测,因此可以选择比较小的分类网络,相应的算力需求及功耗就会降低,另外为提高特定类别的检测精度,可以单独训练单类别检测网络,以在不改变网络结构的情况下提高检测精度。
Description
技术领域
本发明涉及到网络检测技术领域,尤其涉及到一种基于FPGA的高精度低算量目标检测网络系统。
背景技术
为了提高目标检测网络的精度,现有技术基本上都对网络结构进行修改,如增加网络深度或者宽度以增加特征的提取,此种方式在一定程度上确实会增加网络的检测精度,但是同时也会增加网络的复杂度,降低网络的推断速度(如yolo_v3网络比yolo_v3_tiny的精度检测对比);另外,为了提高网络对小尺寸目标的检测精度,在网络中选取不同的层数作为特征层输出层,以达到对不同尺寸的兼容,此种网络结构本质上并不会降低网络的复杂度(yolo_v3网络中有3层输出层分别对应不同的尺寸目标,yolo v3 tiny有两层输出层);还有一些改进方式是堆叠一些不同功能的子检测网络,在这些子检测网络前增加一个前置网络,根据前置网络的结果选择合适的子检测网络,此种网络本质上还是增加网络的深度,原因在于前置网络和子检测网络的线性关系,整个网络在推断过程中会增加一部分前置网络预测时间,这在固定场景中会浪费算力,增加设备功耗,另外由于这种网络的复杂性,对训练的要求较高,模型收敛困难。
在现实场景中,目标检测的任务有很多都是场景固定或者类别有限,例如商品缺陷检测,固定区域人的检测等等。这种应用场景下由于场景单一或者网络求解数(类别数量)单一,需要的网络复杂度并不高,较为简单的网络也能达到很高的精度。
鉴于此,本发明主要是解决在硬件功率要求较高的情况下实现目标检测的高精度与高帧率问题。
发明内容
鉴于上述技术问题,本发明提供了一种基于FPGA的高精度低算量目标检测网络系统,该系统在实际预测中,根据实际场景,系统自动选择合适的检测网络进行推断,以达到即保证检测精度又保证检测速度的目的。
一种基于FPGA的高精度低算量目标检测网络系统,其特征在于,所述系统包括有CPU模块、FPGA模块、Camera模块和DDR存储模块;
所述DDR存储模块包括有四个区域,分别为检测结果区域、FPGA控制参数区域、网络参数区域和图片数据区域,四个区域分别与所述FPGA模块连接;所述FPGA模块分别与所述CPU模块和所述Camera模块连接,所述CPU模块分别连接所述Camera模块、检测结果区域。
作为优选,上述的基于FPGA的高精度低算量目标检测网络系统,其特征在于,所述CPU模块外接有外部控制信号。
作为优选,上述的基于FPGA的高精度低算量目标检测网络系统,其特征在于,所述外部控制信号由人为手动产生或通过外设的传感器像高度、速度、温度产生。
作为优选,上述的基于FPGA的高精度低算量目标检测网络系统,其特征在于,所述CPU模块作为主控制单元控制FPGA模块、Camera模块的状态,同时接受外部控制信号控制。
作为优选,上述的基于FPGA的高精度低算量目标检测网络系统,其特征在于,FPGA控制参数区域为FPGA运算控制数据,里面存有网络中每层的计算规则,包括当前层输入、输出及网络参数在DDR中的存放地址;网络参数区域为网络推断时需要的网络权重。
作为优选,上述的基于FPGA的高精度低算量目标检测网络系统,其特征在于,所述CPU模块根据所述检测结果区域的目标检测结果判断得出检测结果区域的选择信号以及Camera模块的姿态控制信号。
作为优选,上述的基于FPGA的高精度低算量目标检测网络系统,其特征在于,所述Camera模块连接所述DDR存储模块中的图片数据区域;所述Camera模块根据所述姿态控制信号调整焦距和方向,向所述图片数据区域写入图像数据流,写入完成后,图片数据区域传递信号传给CPU模块。
上述技术方案具有如下优点或有益效果:
本发明提出了针对不同场景选取不同网络的方式来降低运算量,特别的这些不同的网络之间结构相同,参数值不同。网络选取的方式可以手动,也可通过传感器自动触发,例如在卫星上针对不同的焦距,目标在视野中的平均尺寸是一定的,可以选取针对当前尺寸训练的网络进行推断,由于是针对性训练,模型不需要兼容其他尺寸的目标预测,因此可以选择比较小的分类网络,相应的算力需求及功耗就会降低,另外为了提高特定类别的检测精度,可以单独训练单类别检测网络,以在不改变网络结构的情况下提高检测精度。
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,本发明及其特征、外形和优点将会变得更加明显。在全部附图中相同的标记指示相同的部分。并未可以按照比例绘制附图,重点在于示出本发明的主旨。
图1是本发明硬件系统实现架构图。
具体实施方式
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,所描述的实施例仅仅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。
如图1所示为本发明基于FPGA的高精度低算量目标检测网络系统,主要包括有CPU模块、FPGA模块、Camera模块和DDR存储模块。
在本发明技术方案中,DDR存储模块包括有四个区域,分别为检测结果区域、FPGA控制参数区域、网络参数区域和图片数据区域,四个区域分别与所述FPGA模块连接;FPGA模块分别与CPU模块和所述Camera模块连接,CPU模块分别连接所述Camera模块、检测结果区域;Camera模块连接DDR存储模块中的图片数据区域。
在本发明技术方案中,CPU模块外接有外部控制信号,外部控制信号由人为手动产生或通过外设的传感器像高度、速度、温度等产生。
CPU模块作为主控制单元控制FPGA模块、Camera模块的状态,同时接受外部控制信号控制。其中,FPGA控制参数区域为FPGA运算控制数据,里面存有网络中每层的计算规则,包括当前层输入、输出及网络参数在DDR中的存放地址;网络参数区域为网络推断时需要的网络权重。CPU模块受到外部控制信号后再综合所述检测结果区域的目标检测结果判断得出检测结果区域的选择信号以及Camera模块的姿态控制信号。Camera模块根据所述姿态控制信号调整焦距和方向,向所述图片数据区域写入图像数据流,写入完成后,图片数据区域传递信号传给CPU模块。具体的,CPU接受到外部控制信号后再综合目标检测结果(初始化可不依赖检测结果)进行状态判别得出网络参数的选择信号和Camera姿态控制信号。Camera接受姿态控制信号调整焦距和方向等,向DDR写入图像数据流,写入完成后传递信号传给CPU。CPU接收到Camera写完成信号后,产生FPGA的启动信号,FPGA接收到启动后从DDR中读取控制参数,控制参数中存有FPGA做计算的参数以及输入、输出和网络参数的基地址,FPGA解析出输入、输出及网络参数的基地址后再根据ARM传过来的网络参数选择信号计算网络参数的偏移地址,读取网络参数(权重等)并开始计算,计算完成后将输出写入相应的输出地址,写入完成后产生中断信号,CPU读取到FPGA产生的中断信号后从指定输出地址中读取输出,进行处理,整个流程结束。
整个硬件系统需要有CPU模块(X86/ARM)、FPGA模块、Camera模块和DDR存储模块四种硬件资源。整个系统分为CPU,FPGA和Camera为三个逻辑模块和DDR存储模块共四个模块,逻辑模块之间为流水运行,各模块流水速率的匹配由相应的控制信号进行控制。
在本发明详细技术方案中,本发明中目标检测网络可根据需求自定义设计也可使用成熟的检测框架像Mobile Net SSD(轻量化单次多目标检测,Mobile Net SingleShotMultiBox Detector)目标检测算法、SSD(单次多目标检测,Single ShotMultiBoxDetector)目标检测算法、Y0L0(单次实时目标检测,You Only Look 0nce)目标检测算法、RCNN(高准确度的目标检测与语义分割的多特征层级,Rich feature hierarchies foraccurate object detection and semantic segmentation)目标检测算法和Faster-RCNN(基于区域提议网络的实时目标检测,Faster R-CNN:Towards Real-Time ObjectDetectionwith RegionProposalNetworks)目标检测。
再具体实施方式中:
本发明中,网络训练个数根据场景需求做调整,可专门针对单类别进行训练,也可根据目标大小等其他特性做选择,本案例选择训练三个网络,分别针对大尺寸目标,中等尺寸目标和小尺寸目标。训练时三种网络分别用对应的大尺寸目标,中等尺寸和小尺寸目标训练集进行训练。例如:
在卫星上检测地面目标飞机,舰船,导弹等目标,根据卫星上CAMERA焦距、卫星高度的不同,训练3种网络,本案例选择YOLOv3tiny作为目标检测的网络框架,三个网络分别对应小尺寸,中等尺寸,大尺寸目标,分别命名为模型1,模型2,模型3,。由于目标在图像中的尺寸越大,则检测范围越小,相应的检测精度也越高,反之,目标在图像中的尺寸越大,则检测范围越大,检测精度越低。选择Xilinx Ultra96-v2做为目标检测系统的硬件部分,Xilinx Ultra96-v2自带ARM处理器,FPGA芯片采用的是Xilinx Zynq UltraScale+MPSoCZU3EG SBVA484,选择的CAMERA为可变焦CAMERA。单个网络的模型大小为50M,模型在DDR中的起始地址为0X10000000,三个网络顺序存放,也就是模型1存放地址0x1000000,模型2存放地址0x1000C800,模型3存放在地址0x10019000,。当系统运行在低精度模型下,CAMERA扫描的图像范围较大,目标在图像中的尺寸较小,CPU产生模型选择信号0,FPGA解析出控制参数中模型的基地址0x1000000后,偏移0字节,将模型权重加载到片内缓存,进行运算,同时解析出输入地址和输出地址0X20000000,从输入地址读取输入数据,进行运算,输出最终结果存放到输出地址0X30000000,ARM从0X30000000地址读取输出数据,当CAMERA的焦距改变,切换到中等尺寸模式,相应的ARM产生的网络选择信号1,FPGA在解析出网络模型基地址后加上偏移量0xC800,从0X1000C800读取模型参数。类似的CAMERA焦距改变到大尺寸模式,ARM产生的网络选择信号2,FPGA在解析出网络模型基地址后加上偏移量0x19000,从0X10019000读取模型参数。
本发明相比于增加网络深度或额外增加网络,本专利可以在较小的网络里实现高精度的目标检测系统,并且对FPGA硬件的要求(如资源数量和功耗需求)也很低,主要技术是针对不同的场景,训练出结构相同但是权重等网络计算参数值不同的并行子网络,这些子网络的鲁棒性不做要求,但在特定场景下,网络的识别精度高,在FPGA运行阶段,根据实际场景选择特定的子网络进行推断。这样有四点好处:1由于子网络的鲁棒性不做要求,对网络的复杂度要求较低,因而结构较简单,需要FPGA的逻辑资源数也较少;2由于子网络的结构较简单,FPGA推断速度较复杂网络的速度快,帧率高;3,网络简单带来的计算量少,对FPGA运行频率的要求相对就低,因而功率相对低。4,由于这些网络的结构相同,在FPGA缓存网络参数的时候可直接通过地址偏移的方式实现不同网络之间的切换,不用重新进行烧板或者系统重启,切换速度快。
本领域技术人员应该理解,本领域技术人员在结合现有技术以及上述实施例可以实现所述变化例,在此不做赘述。这样的变化例并不影响本发明的实质内容,在此不予赘述。
以上对本发明的较佳实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,其中未尽详细描述的设备和结构应该理解为用本领域中的普通方式予以实施;任何熟悉本领域的技术人员,在不脱离本发明技术方案范围情况下,都可利用上述揭示的方法和技术内容对本发明技术方案作出许多可能的变动和修饰,或修改为等同变化的等效实施例,这并不影响本发明的实质内容。因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均仍属于本发明技术方案保护的范围内。
Claims (7)
1.一种基于FPGA的高精度低算量目标检测网络系统,其特征在于,所述系统包括有CPU模块、FPGA模块、Camera模块和DDR存储模块;
所述DDR存储模块包括有四个区域,分别为检测结果区域、FPGA控制参数区域、网络参数区域和图片数据区域,四个区域分别与所述FPGA模块连接;所述FPGA模块分别与所述CPU模块和所述Camera模块连接,所述CPU模块分别连接所述Camera模块、检测结果区域。
2.根据权利要求1所述的基于FPGA的高精度低算量目标检测网络系统,其特征在于,所述CPU模块外接有外部控制信号。
3.根据权利要求2所述的基于FPGA的高精度低算量目标检测网络系统,其特征在于,所述外部控制信号由人为手动产生或通过外设的传感器像高度、速度、温度产生。
4.根据权利要求2所述的基于FPGA的高精度低算量目标检测网络系统,其特征在于,所述CPU模块作为主控制单元控制FPGA模块、Camera模块的状态,同时接受外部控制信号控制。
5.根据权利要求1所述的基于FPGA的高精度低算量目标检测网络系统,其特征在于,FPGA控制参数区域为FPGA运算控制数据,里面存有网络中每层的计算规则,包括当前层输入、输出及网络参数在DDR中的存放地址;网络参数区域为网络推断时需要的网络权重。
6.根据权利要求1所述的基于FPGA的高精度低算量目标检测网络系统,其特征在于,所述CPU模块根据所述检测结果区域的目标检测结果判断得出检测结果区域的选择信号以及Camera模块的姿态控制信号。
7.根据权利要求6所述的基于FPGA的高精度低算量目标检测网络系统,其特征在于,所述Camera模块连接所述DDR存储模块中的图片数据区域;所述Camera模块根据所述姿态控制信号调整焦距和方向,向所述图片数据区域写入图像数据流,写入完成后,图片数据区域传递信号传给CPU模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010664418.8A CN111860260B (zh) | 2020-07-10 | 2020-07-10 | 基于fpga的高精度低算量目标检测网络系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010664418.8A CN111860260B (zh) | 2020-07-10 | 2020-07-10 | 基于fpga的高精度低算量目标检测网络系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111860260A true CN111860260A (zh) | 2020-10-30 |
CN111860260B CN111860260B (zh) | 2024-01-26 |
Family
ID=72983025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010664418.8A Active CN111860260B (zh) | 2020-07-10 | 2020-07-10 | 基于fpga的高精度低算量目标检测网络系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860260B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112911234A (zh) * | 2021-01-26 | 2021-06-04 | 上海商米科技集团股份有限公司 | 一种适用于智能ipc的功耗控制方法 |
CN115457363A (zh) * | 2022-08-10 | 2022-12-09 | 暨南大学 | 一种图像目标检测方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090116688A1 (en) * | 2007-11-05 | 2009-05-07 | California Institute Of Technology | Synthetic foveal imaging technology |
JP2016206455A (ja) * | 2015-04-23 | 2016-12-08 | キヤノン株式会社 | 焦点検出装置、撮像装置、焦点検出方法、プログラム、及び記憶媒体 |
CN106951926A (zh) * | 2017-03-29 | 2017-07-14 | 山东英特力数据技术有限公司 | 一种混合架构的深度学习系统方法及装置 |
CN109543754A (zh) * | 2018-11-23 | 2019-03-29 | 中山大学 | 基于端对端深度学习的目标检测与语义分割的并行方法 |
CN109977774A (zh) * | 2019-02-25 | 2019-07-05 | 中国科学技术大学 | 一种基于自适应卷积的快速目标检测方法 |
CN110086745A (zh) * | 2018-01-25 | 2019-08-02 | 上海北玻自动化技术有限公司 | 一种自动化连线数据采集控制系统 |
CN110263660A (zh) * | 2019-05-27 | 2019-09-20 | 魏运 | 一种自适应场景变化的交通目标检测识别方法 |
CN110443279A (zh) * | 2019-07-04 | 2019-11-12 | 南京邮电大学 | 一种基于轻量级神经网络的无人机图像车辆检测方法 |
CN110689093A (zh) * | 2019-12-10 | 2020-01-14 | 北京同方软件有限公司 | 一种复杂场景下的图像目标精细分类方法 |
CN111160379A (zh) * | 2018-11-07 | 2020-05-15 | 北京嘀嘀无限科技发展有限公司 | 图像检测模型的训练方法及装置、目标检测方法及装置 |
-
2020
- 2020-07-10 CN CN202010664418.8A patent/CN111860260B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090116688A1 (en) * | 2007-11-05 | 2009-05-07 | California Institute Of Technology | Synthetic foveal imaging technology |
JP2016206455A (ja) * | 2015-04-23 | 2016-12-08 | キヤノン株式会社 | 焦点検出装置、撮像装置、焦点検出方法、プログラム、及び記憶媒体 |
CN106951926A (zh) * | 2017-03-29 | 2017-07-14 | 山东英特力数据技术有限公司 | 一种混合架构的深度学习系统方法及装置 |
CN110086745A (zh) * | 2018-01-25 | 2019-08-02 | 上海北玻自动化技术有限公司 | 一种自动化连线数据采集控制系统 |
CN111160379A (zh) * | 2018-11-07 | 2020-05-15 | 北京嘀嘀无限科技发展有限公司 | 图像检测模型的训练方法及装置、目标检测方法及装置 |
CN109543754A (zh) * | 2018-11-23 | 2019-03-29 | 中山大学 | 基于端对端深度学习的目标检测与语义分割的并行方法 |
CN109977774A (zh) * | 2019-02-25 | 2019-07-05 | 中国科学技术大学 | 一种基于自适应卷积的快速目标检测方法 |
CN110263660A (zh) * | 2019-05-27 | 2019-09-20 | 魏运 | 一种自适应场景变化的交通目标检测识别方法 |
CN110443279A (zh) * | 2019-07-04 | 2019-11-12 | 南京邮电大学 | 一种基于轻量级神经网络的无人机图像车辆检测方法 |
CN110689093A (zh) * | 2019-12-10 | 2020-01-14 | 北京同方软件有限公司 | 一种复杂场景下的图像目标精细分类方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112911234A (zh) * | 2021-01-26 | 2021-06-04 | 上海商米科技集团股份有限公司 | 一种适用于智能ipc的功耗控制方法 |
CN115457363A (zh) * | 2022-08-10 | 2022-12-09 | 暨南大学 | 一种图像目标检测方法及系统 |
CN115457363B (zh) * | 2022-08-10 | 2023-08-04 | 暨南大学 | 一种图像目标检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111860260B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111179311B (zh) | 多目标跟踪方法、装置及电子设备 | |
CN109241982B (zh) | 基于深浅层卷积神经网络的目标检测方法 | |
CN111291637A (zh) | 一种基于卷积神经网络的人脸检测方法、装置及设备 | |
WO2017185503A1 (zh) | 目标跟踪方法和装置 | |
Zhuang et al. | Dense relation network: Learning consistent and context-aware representation for semantic image segmentation | |
CN111860260A (zh) | 基于fpga的高精度低算量目标检测网络系统 | |
CN111797983A (zh) | 一种神经网络构建方法以及装置 | |
CN113936256A (zh) | 一种图像目标检测方法、装置、设备以及存储介质 | |
CN110991362A (zh) | 一种基于注意力机制的行人检测模型 | |
CN110008953B (zh) | 基于卷积神经网络多层特征融合的潜在目标区域生成方法 | |
CN110472529A (zh) | 目标识别导航方法及系统 | |
WO2022179581A1 (zh) | 一种图像处理方法及相关设备 | |
CN109101899A (zh) | 一种基于卷积神经网络的人脸检测方法及系统 | |
CN107959798B (zh) | 视频数据实时处理方法及装置、计算设备 | |
CN111161347A (zh) | 一种进行slam初始化的方法与设备 | |
CN113537561A (zh) | 一种基于地基云图的超短期太阳辐射预测方法和系统 | |
JP2022173321A (ja) | オブジェクトの検出方法、装置、デバイス、媒体及びプログラム | |
CN112464930A (zh) | 目标检测网络构建方法、目标检测方法、装置和存储介质 | |
Xu et al. | Int: Towards infinite-frames 3d detection with an efficient framework | |
Savvidis et al. | Remote crop sensing with ioT and AI on the edge | |
CN115170815A (zh) | 视觉任务处理及模型训练的方法、装置、介质 | |
WO2022260745A1 (en) | Volumetric sampling with correlative characterization for dense estimation | |
CN112465709B (zh) | 一种图像增强方法、装置、存储介质及设备 | |
CN115620081B (zh) | 一种目标检测模型的训练方法及目标检测方法、装置 | |
CN112884803A (zh) | 基于dsp的实时智能监控目标检测方法及装置 |
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 |