CN111914797B - 基于多尺度轻量级卷积神经网络的交通标志识别方法 - Google Patents

基于多尺度轻量级卷积神经网络的交通标志识别方法 Download PDF

Info

Publication number
CN111914797B
CN111914797B CN202010823997.6A CN202010823997A CN111914797B CN 111914797 B CN111914797 B CN 111914797B CN 202010823997 A CN202010823997 A CN 202010823997A CN 111914797 B CN111914797 B CN 111914797B
Authority
CN
China
Prior art keywords
traffic sign
image
data set
scale
input
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
CN202010823997.6A
Other languages
English (en)
Other versions
CN111914797A (zh
Inventor
冯子亮
董朋林
王洋
杨斌
贺思睿
朱鑫
单强达
郭照康
李东璐
司马铭骏
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN202010823997.6A priority Critical patent/CN111914797B/zh
Publication of CN111914797A publication Critical patent/CN111914797A/zh
Application granted granted Critical
Publication of CN111914797B publication Critical patent/CN111914797B/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
    • G06V20/56—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
    • G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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

Landscapes

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

Abstract

本发明提供了一种基于多尺度轻量级卷积神经网络的交通标志识别方法，构建了一个具有多尺度输入和轻量级计算的卷积神经网络，该网络采用三种尺度交通标志图像作为输入，中间模块采用深度可分离卷积进行计算，在交通标志识别问题中可训练出较为合适的分类特征；通过构建交通标志数据集，使用上述轻量级网络，使用K折交叉验证对样本数据集进行划分和训练，可实现对输入交通标志图像的分类识别；实验结果也表明该网络减少了可训练参数数量，降低了识别的计算量，同时具有较高的识别率。

Description

基于多尺度轻量级卷积神经网络的交通标志识别方法
技术领域
本发明涉及计算机视觉技术领域，尤其涉及到一种基于多尺度轻量级卷积神经网络的交通标志识别方法。
背景技术
交通标志是道路设施的重要组成部分，发挥着引导、限制、警示和指示等作用，是保障道路交通安全、顺畅的重要措施；按照作用交通标志可分为主标志和辅助标志两大类，其中主标志还可细分为七个大类别。
使用计算机视觉技术实现对交通标志的自动识别，可以提高驾驶安全；但由于交通标志种类繁多，图像质量易受到褪色、遮挡、光照、尺度等诸多因素的影响，使得交通标志的自动识别较为困难。
基于计算机视觉的交通标志识别方法，通常采用基于颜色或形状特征，以及基于模板匹配等方法；常用特征包括HOG、Haar、SIFT/SURF、LBP和Gabor等；然而这些特征多为浅层特征，其表达和提取较为繁琐，使用范围也有局限，使其在复杂环境下的鲁棒性较差。
卷积神经网络是含有卷积计算的前馈型神经网络，广泛应用于计算机视觉等领域。卷积神经网络由卷积、池化、激活等功能不同的“层”组合而来；原始图像被输入网络后，按照设计的顺序被各层处理，从颜色、纹理等低级特征逐步抽象出高级的语义特征，从而使得网络能更深刻地“理解”图像内容。
卷积神经网络在交通标志识别中具有较大的优势，但是目前常规的方法需要训练的参数较多，在识别过程中的计算量偏大，不适合在车载等环境和条件下的运行。
本发明提供了一种基于多尺度轻量级卷积神经网络的交通标志识别方法，构建了一个具有多尺度输入和轻量级计算的卷积神经网络，该网络采用三种尺度交通标志图像作为输入，有效地结合了全局和局部特征；中间模块采用深度可分离卷积进行计算，减少可训练参数数量，降低了识别的计算量。该网络在交通标志识别问题中可训练出较为合适的分类特征；实验结果也表明该网络具有较高的识别率，同时计算量较小。
发明内容
基于多尺度轻量级卷积神经网络的交通标志识别方法，包括以下步骤。
步骤1，构建交通标志样本数据集；对样本数量较少的交通标志图像进行增广。
为了使训练出的卷积神经网络模型有较好的分类效果，要求训练样本集中样本数量要达到一定的规模，各类别样本数量分布基本均匀；若样本数量较少，则无法得到适应性较强的模型；若各类别样本数量分布不均匀，也会影响对小样本类别的识别。
所述对样本数量较少的交通标志图像进行增广，包括：
对现有样本图像的增广，通过旋转、平移、缩放、亮度变换、添加噪声等方式处理，得到新的样本图像，加入到样本数据集中；
对标准的交通标志图像进行样本合成，通过放射变换、计算图像掩膜、添加背景图像、调节亮度、添加噪声等方式，得到新的样本图像，加入到样本数据集中；
数据增强后的交通标志样本数据集，需保证各类别的样本达到一定的数量。
步骤2，构建多尺度轻量级卷积神经网络，包含三个输入层，五个中间模块，一个输出层。
所述输入层包括：
参考现有方法，统计现有样本数据集的图像尺度范围，选择三个具有代表性的尺度作为输入图像的尺度；输入到网络中实现分级融合；
不同长宽比图像之间的转换，使用常规的图像裁剪方法；
不同尺度图像之间的转换，使用常规的图像缩放方法。
所述中间模块包括：
借鉴MobileNet V3网络构建一种Bottleneck（瓶颈）结构；该结构包括：普通卷积、批量正则化、激活函数、深度可分离卷积，特征强化（全局池化、ReLU全连接、Hard-σ全连接、权重重分配），普通卷积，批量正则化，其中特征强化是可选的，同时还具备输入到输出的短路功能。
所述中间模块还包括：
五个中间模块均由该Bootleneck结构以及加入批量正则化的普通卷积构成，设计选取适当的激活函数和模型超参数，如可以使用H-Swish、ReLU、Hard-σ作为激活函数。
所述输出层是由Softmax函数构建的全连接层。
步骤3，使用交通标志训练样本集对网络模型参数进行训练。
所述步骤3，包括：
将交通标志样本数据集以均匀分布的方式打乱次序；并划分测试集和训练集；
计算多次K折交叉训练后的模型在测试集上的准确率；
选取训练次数、准确率、损失等指标合适的模型作为交通标志的分类模型。
步骤4，针对某个具体的交通标志图像进行分类。
所述步骤4，包括：
将待检测的交通标志图像缩放和裁剪到所需的三种尺度后，送入到训练好的模型中，进行一次正向计算；模型将输出当前图像的交通标志属于每个交通标志类别的概率值；选择概率值最大的类别为本次交通标志图像的分类结果。
本方法构建了一种多尺度轻量级的卷积神经网络实现对交通标志图像的分类识别，首先构建交通标志数据集；然后构建用于分类的网络模型，再使用K折交叉验证对数据集进行划分和训练；针对具体的测量，将图像输入到分类模型中得到分类结果。该方法提供了两种对交通标志图像进行增广的方法，为后续分类准备了质量良好的数据集；使用三种尺度的输入图像实现了分级融合，提高了对多类别交通标志图像的识别准确率；使用深度可分离卷积代替标准卷积，降低可训练参数数量和计算量，使网络成为轻量级的网络，识别的速度更快，计算开销更小。
附图说明
图1为本发明方法的流程示意图。
图2为对标准交通标志图像进行样本合成的流程示意图。
图3为本发明的网络结构的示意图。
图4为本发明的Bottleneck层构成的示意图。
具体实施方式
为了更加清楚地展示本发明的目的和技术方案，下面将结合具体的实施过程和附图，对本发明的具体实施方式和参数进行更加详细的描述。
一种基于多尺度轻量级卷积神经网络的交通标志识别方法，如图1所示，包含以下步骤。
步骤1，构建交通标志样本数据集。
尽管不同的样本数据集包含的交通标志图像种类、数量不同，但是通常情况下，并没有涵盖所有实际场景中遇到的交通标志图像，且样本的分布不均匀，常见交通标志数量远大于罕见交通标志数量。
可以选择TT100K，GTSRB，GTSDB等交通标志样本数据库作为基础的样本数据集，然后对类别较少的交通标志图像进行增广。
对于原始样本数量超过500的交通标志类别不再进行增广。
对于数量不足500的交通标志类别，需要进行样本增广操作；可以使用对现有样本图像的增广处理，也可以使用对标准交通标志图像进行样本合成的增广处理。
所述对现有样本图像的增广处理，包括：
（1）将现有样本图像在[-α°，α°]范围内随机旋转一个角度；其中α可设为5；
（2）将现有样本图像在[-β，β]个像素范围内随机水平或竖直平移一段距离，其中β可以设为图像最大边长的1/6；
（3）将现有样本图像转到HSV颜色空间，随机改变V通道的值调整图像亮度；
（4）在现有样本图像上添加椒盐或者高斯噪声。
所述对标准交通标志图像进行样本合成的增广处理，如图2所示，包括：
（1）仿射变换。将标准交通标志图像进行仿射变换，如可以采用旋转、平移和缩放等方式进行处理；
（2）计算掩膜图像。计算交通标志的掩模图像（Mask），该图像是一个二值图像，图像中含交通标志的区域的像素值为1，不含交通标志的区域的像素值为0；
Iout= Mask⊙Isign
其中，Iout表示输出图像； Isign表示前面仿射变换的输出图像；
（3）背景叠加。选取交通标志常出现的场景图像作为背景图像，以覆盖方式叠加在前面的输出图像上：
Iout= Iout + (1-Mask) ⊙Ibackground
其中，等号左右的Iout分别表示之前的图像和本次输出图像；Ibackground表示背景图像；
（4）亮度叠加。考虑到室外环境中多变的光照条件，选取了多种典型纯色图像作为亮度模板，通过设置一个权重值weight来控制光照的影响，按照以下方式叠加在前面的输出图像上：
Iout= (1-weight) ×Iout + weight×Ilight
其中，等号左右的Iout表示之前的图像和本次输出图像； Ilight表示不同亮度模板图像；亮度权重值weight范围可选为[0,0.6]，由随机函数生成；
（5）高斯模糊。对上述步骤得到的图像进行高斯模糊操作。
步骤2，构建多尺度轻量级卷积神经网络。包含三个输入层，五个中间模块，一个输出层，网络结构如图3所示。
统计现有样本数据集的图像尺度范围，选择三个具有代表性的尺度作为输入图像的尺度。
输入层采用三种尺度作为输入，能有效地结合全局特征和局部特征，从而提高分类精度；三种尺度的选取由统计得到，可以兼顾尺度的多样性。
参考现有算法，可以将三个输入尺度设为：64×64，32×32，16×16。
不同长宽比图像之间的转换，使用常规的图像裁剪方法。
不同尺寸图像之间的转换，使用常规的图像缩放方法。
借鉴MobileNet V3网络构建一种Bottleneck（瓶颈）结构，其构成如图4所示，包括：
（1）前端的输入图像（feature map），经过普通卷积操作（Conv2D），再经过批量正则化（Batch Normalization, BN）和激活函数（Activation）、深度可分离卷积（Dwise）、批量正则化和激活函数；
（2）特征强化模块（SE）为可选项，由中间层参数决定；包括过全局池化（GlobalPooling）、ReLU全连接（FC/ReLU）、hard-σ全链接（FC/hard-σ）、权重重新分配（scale）；
（3）普通卷积（Conv2D）、批量正则化（BN），最后输出（output）；
（4）如果出现网络层数过深的问题，直接短接输入和输出（Shortcut结构）。
该结构使用深度可分离卷积(Dwise)，将标准卷积步骤分为深度卷积和逐点卷积，能达到和标准卷积几乎一样的效果，且有更少的可训练参数和计算量。
该结构还使用可选的特征强化模块(Squeeze-and-Excitation, SE)，减少了网络中的冗余信息，提高了分类的精度。
上述Bottleneck结构，使构成的神经网络成为轻量级网络。
五个中间层分别使用Bottleneck（下表简称Bneck）、Conv2d-BN（加入批量正则化的普通卷积）等构成，如后续各表所示，其中Operator代表处理方式， SE表示该层是否使用SE；激活函数表示Bottleneck中Activation使用的激活函数（HS表示使用H-Swish作为激活函数，RE表示使用ReLU或ReLU6作为激活函数）；stride表示该部分运行的步数；exp size表示膨胀参数。
中间模块1由Conv2d-BN和Bneck构成：
Figure 795529DEST_PATH_IMAGE001
激活函数分别为H-Swish和ReLU，两次Bneck层操作中，一次使用SE，一次不使用SE；Conv2d-BN操作2次。
中间模块2也由Conv2d-BN和Bneck构成：
Figure 712669DEST_PATH_IMAGE002
激活函数分别为H-Swish和ReLU，两次Bneck层操作中，一次使用SE，一次不使用SE；所有层操作1次。
中间模块3仅由Bneck构成：
Figure 492406DEST_PATH_IMAGE003
均使用SE，激活函数均为H-Swish。
中间模块4由Conv2d-BN和Bneck构成：
Figure 825299DEST_PATH_IMAGE004
其中，Conv2d-BN层使用1次，不同参数的Bneck使用3次。
中间模块5和输出层的组成如下：
Figure 639671DEST_PATH_IMAGE005
其中，最后一层Softmax为最终的输出层，输出属于每个交通标志类别的概率值。
步骤3，选择K折交叉验证法划分数据集并进行模型训练。
将交通标志样本数据集以均匀分布的方式打乱次序；并划分测试集和训练集；
计算多次K折交叉训练后的模型在测试集上的准确率。
最后，选取训练次数、准确率、损失等指标合适的模型作为交通标志的分类模型。
步骤4，对输入交通标志图像进行识别。
将输入图像缩放至三个指定尺寸，然后送入模型中，进行一次正向计算；模型将输出当前测量数据的分类预测结果，即每个类别的概率值；其中概率值最大的类别为该图像的类别。
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，而非对其进行限制；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；或者修改各个步骤的使用顺序，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；本发明各种阈值及范围的取值，也会因为具体参数不同而有所改变。

Claims (4)

1.基于多尺度轻量级卷积神经网络的交通标志识别方法，其特征在于，包括：
（1）构建交通标志样本数据集；对样本数量较少的交通标志图像进行增广；
（2）构建多尺度轻量级卷积神经网络，包含三个输入层，五个中间模块，一个输出层；其中；五个中间模块均由Bottleneck 结构以及加入批量正则化的普通卷积构成，设计选取适当的激活函数和模型超参数，使用H-Swish、ReLU或Hard-σ作为激活函数；
（3）使用K折交叉验证法划分样本数据集并进行模型参数训练；
（4）针对某个具体的交通标志图像进行分类识别；
所述输入层，包括：
参考现有方法，统计现有样本数据集的图像尺度范围，选择三个具有代表性的尺度作为输入图像的尺度；输入到网络中实现分级融合；
所述中间模块，包括：
借鉴MobileNet V3网络构建一种Bottleneck结构；该结构依次包括：普通卷积、批量正则化、激活函数、深度可分离卷积、特征强化、普通卷积、批量正则化和输出，同时还具备输入到输出的短路功能；其中特征强化是可选的，包括：全局池化、ReLU全连接、Hard-σ全连接和权重重分配；
所述实现分级融合，包括：
第一尺度的输入层经中间模块1处理后，与第二尺度的输入层经中间模块2处理的结果，连接到中间模块3实现融合；第三尺度的输入层经中间模块4处理后，与中间模块3的融合结果一起，连接到中间模块5实现融合；
所述输出层，包括：
输出层是由Softmax函数构建的全连接层。
2.基于权利要求1所述的方法，所述对样本数量较少的交通标志图像进行增广，包括：
对现有样本图像的增广处理，通过旋转、平移、缩放、亮度变换或添加噪声的方式处理，得到新的样本图像，加入到样本数据集中；
对标准的交通标志图像进行样本合成，通过仿射变换、计算图像掩膜、添加背景图像、调节亮度或添加噪声的方式，得到新的样本图像，加入到样本数据集中；
数据增强后的交通标志样本数据集，需保证各类别的样本数量达到500。
3.基于权利要求1所述的方法，所述使用K折交叉验证法划分样本数据集并进行模型参数训，包括：
将交通标志样本数据集以均匀分布的方式打乱次序；并划分测试集和训练集；
计算多次K折交叉训练后的模型在测试集上的准确率；
根据训练次数、准确率或损失指标选取模型作为交通标志的分类模型。
4.基于权利要求1所述的方法，所述针对某个具体的交通标志图像进行分类识别，包括：
将待检测的交通标志图像缩放和裁剪到所需的三种尺度后，送入到训练好的模型中，进行一次正向计算；
模型将输出当前图像的交通标志属于每个交通标志类别的概率值；选择概率值最大的类别为本次交通标志图像的分类结果。
CN202010823997.6A 2020-08-17 2020-08-17 基于多尺度轻量级卷积神经网络的交通标志识别方法 Active CN111914797B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010823997.6A CN111914797B (zh) 2020-08-17 2020-08-17 基于多尺度轻量级卷积神经网络的交通标志识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010823997.6A CN111914797B (zh) 2020-08-17 2020-08-17 基于多尺度轻量级卷积神经网络的交通标志识别方法

Publications (2)

Publication Number Publication Date
CN111914797A CN111914797A (zh) 2020-11-10
CN111914797B true CN111914797B (zh) 2022-08-12

Family

ID=73279314

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010823997.6A Active CN111914797B (zh) 2020-08-17 2020-08-17 基于多尺度轻量级卷积神经网络的交通标志识别方法

Country Status (1)

Country Link
CN (1) CN111914797B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112287881A (zh) * 2020-11-19 2021-01-29 国网湖南省电力有限公司 卫星遥感影像烟雾场景检测方法、系统及计算机存储介质
CN112651468B (zh) * 2021-01-18 2024-06-04 佛山职业技术学院 一种多尺度轻量化图像分类方法及其存储介质
CN113221620A (zh) * 2021-01-29 2021-08-06 太原理工大学 一种基于多尺度卷积神经网络的交通标志快速识别方法
CN112926501A (zh) * 2021-03-23 2021-06-08 哈尔滨理工大学 一种基于YOLOv5网络结构的交通标志检测算法
WO2022205685A1 (zh) 2021-03-29 2022-10-06 泉州装备制造研究所 一种基于轻量化网络的交通标志识别方法
CN113777917A (zh) * 2021-07-12 2021-12-10 山东建筑大学 基于Mobilenet网络仿生机器鱼场景感知系统
CN113469344B (zh) * 2021-07-23 2024-04-16 成都数联云算科技有限公司 深度卷积神经网络模型改进方法及系统及装置及介质
CN114626468B (zh) * 2022-03-17 2024-02-09 小米汽车科技有限公司 在图像中生成阴影的方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110276267A (zh) * 2019-05-28 2019-09-24 江苏金海星导航科技有限公司 基于Spatial-LargeFOV深度学习网络的车道线检测方法
CN110414371A (zh) * 2019-07-08 2019-11-05 西南科技大学 一种基于多尺度核卷积神经网络的实时人脸表情识别方法
CN111274971A (zh) * 2020-01-21 2020-06-12 南京航空航天大学 一种基于颜色空间融合网络及空间变换网络的交通识别方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104537393B (zh) * 2015-01-04 2018-01-16 大连理工大学 一种基于多分辨率卷积神经网络的交通标志识别方法
CN108710826A (zh) * 2018-04-13 2018-10-26 燕山大学 一种交通标志深度学习模式识别方法
CN109753959B (zh) * 2018-12-21 2022-05-13 西北工业大学 基于自适应多尺度特征融合的路面交通标志检测方法
CN110909630B (zh) * 2019-11-06 2023-04-18 腾讯科技（深圳）有限公司 一种异常游戏视频检测方法和装置
CN111311538B (zh) * 2019-12-28 2023-06-06 北京工业大学 一种基于卷积神经网络的多尺度轻量化道路路面检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110276267A (zh) * 2019-05-28 2019-09-24 江苏金海星导航科技有限公司 基于Spatial-LargeFOV深度学习网络的车道线检测方法
CN110414371A (zh) * 2019-07-08 2019-11-05 西南科技大学 一种基于多尺度核卷积神经网络的实时人脸表情识别方法
CN111274971A (zh) * 2020-01-21 2020-06-12 南京航空航天大学 一种基于颜色空间融合网络及空间变换网络的交通识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Version specific test case prioritization approach based on artificial neural network：Journal;Hosney Jahan等;《Journal of Intelligent & Fuzzy Systems》;20190611;第36卷(第6期);第6181-6194页 *

Also Published As

Publication number Publication date
CN111914797A (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
CN111914797B (zh) 基于多尺度轻量级卷积神经网络的交通标志识别方法
CN109299274B (zh) 一种基于全卷积神经网络的自然场景文本检测方法
CN113052210B (zh) 一种基于卷积神经网络的快速低光照目标检测方法
CN111612807B (zh) 一种基于尺度和边缘信息的小目标图像分割方法
CN108509978A (zh) 基于cnn的多级特征融合的多类目标检测方法及模型
CN110032925B (zh) 一种基于改进胶囊网络与算法的手势图像分割与识别方法
CN108491836B (zh) 一种自然场景图像中中文文本整体识别方法
CN111191583A (zh) 基于卷积神经网络的空间目标识别系统及方法
CN112036231B (zh) 一种基于车载视频的车道线和路面指示标志检测与识别方法
CN113096096B (zh) 一种融合形态特征的显微图像骨髓细胞计数方法与系统
CN110163286A (zh) 一种基于混合池化的领域自适应图像分类方法
CN111652273B (zh) 一种基于深度学习的rgb-d图像分类方法
CN113781377A (zh) 基于对抗性语义引导与感知的红外和可见光图像融合方法
CN109948696A (zh) 一种多语言场景字符识别方法及系统
CN114048822A (zh) 一种图像的注意力机制特征融合分割方法
CN112906699A (zh) 一种车牌放大号的检测识别方法
CN110443155A (zh) 一种基于卷积神经网络的视觉航标识别与分类方法
CN111160481A (zh) 基于深度学习的adas目标检测方法及系统
Dorbe et al. FCN and LSTM based computer vision system for recognition of vehicle type, license plate number, and registration country
CN113378949A (zh) 一种基于胶囊网络和混合注意力的双重生成对抗学习方法
CN115995040A (zh) 一种基于多尺度网络的sar图像小样本目标识别方法
CN114445665A (zh) 基于Transformer增强的非局部U形网络的高光谱影像分类方法
CN114743126A (zh) 一种基于图注意力机制网络的车道线标志分割方法
CN112785568A (zh) 一种基于深度学习的磁瓦缺陷分割方法
CN112132207A (zh) 基于多分支特征映射目标检测神经网络构建方法

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
GR01 Patent grant
GR01 Patent grant