CN111931792A - 一种基于目标检测的瑶族纹样符号识别方法 - Google Patents
一种基于目标检测的瑶族纹样符号识别方法 Download PDFInfo
- Publication number
- CN111931792A CN111931792A CN202010806587.0A CN202010806587A CN111931792A CN 111931792 A CN111931792 A CN 111931792A CN 202010806587 A CN202010806587 A CN 202010806587A CN 111931792 A CN111931792 A CN 111931792A
- Authority
- CN
- China
- Prior art keywords
- channel
- yao
- yao nationality
- algorithm
- feature
- 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
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于目标检测的瑶族纹样符号定位识别方法,其特征在于,包括如下步骤:1)输入瑶族纹样符号图片;2)数据增强;3)模型训练;4)实现对瑶族纹样符号进行定位和预测。这种方法采用特征融合能减少卷积过程中特征丢失问题,能增强瑶族纹样符号小目标检测,能提升检测精度、提升检测速度。
Description
技术领域
本发明涉及图像分类技术,具体是一种基于目标检测的瑶族纹样符号识别方法。
背景技术
现代化作为世界性历史进程,民族符号作为一个民族的表征,它传承着一个民族的精神,是民族延存的重要元素。少数民族将自己的宗教文化、图腾文化体现在服饰的纹样和建筑的装饰上,这样不仅起到了美化自身的作用,还能够传达特殊的意义。但是由于瑶族纹样符号形状、结构、颜色等特征的复杂多变也会导致检测率不高的问题。
现有技术在检测中,常规的算法如SIFT、HOG和Haar-like等,计算量巨大,还会产生冗余窗口,而且还会因为光照和背景的多样性导致无法很好地对特征进行提取。随着近几年的基于深度学习的目标检测在机器视觉领域中的飞速发展,它被广泛应用于人脸检测、自动驾驶、行人检测等任务中。其中一类以R-cnn、Faster-cnn为代表的Two-stage目标检测算法,能很好的将有待检测物体的区域大致确定下来,为之后的分类和回归阶段节省了处理时间,但是检测速度较慢。而以YOLO和SSD算法为代表的One-stage目标检测算法,在工业领域以及实际应用场景中发挥了很大的作用,它们不仅速度快,它们还可以多尺度计算,提升了准确率。
发明内容
本发明的目的是针对现有技术的不足,而提供一种基于目标检测的瑶族纹样符号识别方法。这种方法采用特征融合能减少卷积过程中特征丢失问题,能增强瑶族纹样符号小目标检测,能提升检测精度、提升检测速度。
实现本发明目的的技术方案是:
一种基于目标检测的瑶族纹样符号定位识别方法,包括如下步骤:
1)输入瑶族纹样符号图片:用手机拍摄瑶族纹样符号多张图片,将图片进行瑶族纹样符号种类的标注,把标注的图片划分为训练集和测试集,训练集进行模型的训练,测试集进行模型的预测;
2)数据增强:数据增强能提高数据的多样性,增强模拟的鲁棒性,降低模型对参数的敏感度,提升模型的泛化能力,对标注好的的训练集上的图片进行出翻转、缩放、旋转、亮度、移位变化相同的变换。在算法中使用数据增强,让有限的数据产生等价于更多数据;
3)模型训练:将经过数据增强后的训练集图片输入进改进后的yolov3算法中进行训练。在改进后的yolov3算法中,利用了基于Resnet50的特征提取网络、Relu6激活函数和通道注意力机制改进网络,采用Swish激活函数代替Relu,增加权重的非线性可以更好地找到通道复杂度的相关性,采取RFB结构加强特征提取,RFB结合Inception、空洞卷积的思想来提高感受野,从而加强网络的特征提取能力;
4)实现对瑶族纹样符号进行定位和预测:最终经过多次训练,选取loss值最小的权重,对loss值最小的权重,进行模型的加载,对测试集上图片的瑶族纹样符号进行定位和预测,发现在AP50上,MAP达到了80%,能够实时检测出更多的瑶族纹样符号。
步骤3)中所述的yolov3算法为:算法预测类别由以前目标识别算法中单标签预测,改为多标签预测,改善了在复杂数据集上的预测能力,借鉴了SSD目标识别算法多尺度预测思想,大大增加了特征图中保留的信息量,其算法的网络主要由Darknet53和特征金字塔组成,去除了RPN这样的区域生成算法来完成对感兴趣区域的初步提取,它直接对原始输入图像及标注进行训练,节省了大量的时间。
步骤3)中所述的基于Resnet50的特征提取网络、Relu6激活函数和通道注意力机制改进网络为:用Resnet50代替Darknet53提取尺寸为13*13、26*26和52*52的特征图,这三个阶段特征图分别用y1,y2和y3,将y1,y2和y3采用通道注意力机制进行处理,实现过程首先利用了全局平均池化,把每一个通道的特征变为一个实数,这个实数可以看做对提取到的不同特征部分的权重,关注最感兴趣的特征,然后利用了一个全连接层首先将通道维度降到原来的1/4,利用了Relu6激活函数再次通过全连接恢复到原来的维度,最后通过h-Swish激活函数进行计算,得到与瑶族纹样符号相关的重要特征图,这些操作具有如下优势:通道经过激活函数增加了权重的非线性,可以更好地找到通道复杂度的相关性;先升维再降维,很大程度上减少了计算量和参数量,在激活函数的选择上,虽然Swish激活函数具有无上界有下界、平滑、非线性的特点,优于Relu6,但是Swish中的Sigmoid比Relu6函数代价要大得多,Swish只有在更深的网络才能发挥出它的优势。
步骤3)中所述的RFB结构加强特征提取步骤为:首先将经过通道注意力后的y3传入RFB机制中得到的输出结果x和C3,x经过卷积将通道数缩放到原来的2倍大小,然后经过上采样后与y2累加得到新的x,在特征金字塔中,累加是将深层的语义信息传递到浅层,实现特征的融合,得到新的x输入RFB机制中得到的输出结果C2和x,将再次计算出的x经过卷积将通道数缩放到原来的2倍大小,经过上采样后与y1累加得到新的x,最后将新的x传入到RFB机制中得到输出结果C3和x,最后利用融合的多层特征对输入的图像进行分类和回归。
本技术方案针对瑶族纹样符号形状、结构、颜色等特征的复杂多变导致了传统方法检测率不高的问题,提出了以Resnet50为主干网络的YOLOv3目标检测框架构引入注意力和RFB机制,带来的有益效果是:
1.利用Resnet50、Relu6激活函数和通道注意力机制,获得了更好的特征提取网络,能够更好的定位和识别出小目标的瑶族纹样符号。
2.利用RFB机制,加深了网络结构,减少了参数量,增强了感受野,更好的提取特征,降低了训练数据过少所带来的问题。
3.灵活方便的扩展与更新,这种方法能提高瑶族纹样符号效率,不仅减少瑶族纹样符号识别和定位速度,减小了GPU和CPU的使用率,能够移植到更小的设备上,而且能够达到更好的识别和定位瑶族纹样符号。
这种方法采用特征融合能减少卷积过程中特征丢失问题,能增强瑶族纹样符号小目标检测,能提升检测精度、提升检测速度。
附图说明
图1为实施例的方法流程示意图;
图2为实施例中YOLOv3整体框架结构原理示意图;
图3为实施例中改进YOLOv3整体框架结构原理示意图;
图4为实施例中RFB机制原理示意图。
具体实施方式
下面结合附图和实施例对本发明的内容作进一步的阐述,但不是对本发明的限定。
实施例:
参照图1,一种基于目标检测的瑶族纹样符号定位识别方法,包括如下步骤:
1)输入瑶族纹样符号图片:用手机拍摄瑶族纹样符号多张图片,将图片进行瑶族纹样符号种类的标注,把标注的图片划分为训练集和测试集,训练集进行模型的训练,测试集进行模型的预测;
2)数据增强:数据增强能提高数据的多样性,增强模拟的鲁棒性,降低模型对参数的敏感度,提升模型的泛化能力,对标注好的训练集上的图片进行出翻转、缩放、旋转、亮度、移位变化相同的变换,使用数据增强,让有限的数据产生等价于更多数据;
3)模型训练:将经过数据增强后的训练集图片输入改进后的yolov3算法中进行训练,在改进后的yolov3算法中,利用了基于Resnet50的特征提取网络、Relu6激活函数和通道注意力机制改进网络,采用Swish激活函数代替Relu,增加权重的非线性,可以更好地找到通道复杂度的相关性,采取RFB结构加强特征提取,RFB结合Inception、空洞卷积的思想来提高感受野,从而加强网络的特征提取能力;
4)实现对瑶族纹样符号进行定位和预测:最终经过多次训练,选取loss值最小的权重,对loss值最小的权重,进行模型的加载,对测试集上图片的瑶族纹样符号进行定位和预测,发现在AP50上,MAP达到了80%,能够实时检测出更多的瑶族纹样符号。
步骤3)中所述的yolov3算法:如图2所示,其算法预测类别由以前目标识别算法中单标签预测,改为多标签预测,改善了在复杂数据集上的预测能力。借鉴了SSD目标识别算法多尺度预测思想,大大增加了特征图中保留的信息量。其算法的网络主要由Darknet53和特征金字塔组成。去除了RPN这样的区域生成算法来完成对感兴趣区域的初步提取,它直接对原始输入图像及标注进行训练,节省了大量的时间。
步骤3)中所述基于Resnet50的特征提取网络、Relu6激活函数和通道注意力机制改进网络为:用Resnet50代替Darknet53提取尺寸为13*13、26*26和52*52的特征图,这三个阶段特征图分别用y1,y2和y3,将y1,y2和y3采用通道注意力机制进行处理,实现过程首先利用了全局平均池化,把每一个通道的特征变为一个实数,这个实数可以看做对提取到的不同特征部分的权重,关注最感兴趣的特征,然后利用了一个全连接层首先将通道维度降到原来的1/4,利用了Relu6激活函数再次通过全连接恢复到原来的维度,最后通过h-Swish激活函数进行计算,得到与瑶族纹样符号相关的重要特征图,这些操作具有如下优势:通道经过激活函数增加了权重的非线性,可以更好地找到通道复杂度的相关性;先升维再降维,很大程度上减少了计算量和参数量,在激活函数的选择上,虽然Swish激活函数具有无上界有下界、平滑、非线性的特点,优于Relu6,但是Swish中的Sigmoid比Relu6函数代价要大得多,Swish只有在更深的网络才能发挥出它的优势,本方案中将经过数据增强后的图片传入改进后的yolov3中进行训练,准备瑶族纹样符号数据集进行训练,将图片等比例缩放或填充为416*416,优化器设置为Adam,学习率衰减策略选择为余弦退火衰减调整学习率,训练前400次,先冻结前170层,设置余弦退火的初始学习率为0.001,最高学习率为0.01,最低学习率为0.0001,最后100次开启所有层数进行训练初始学习率为0.0001,最高学习率为0.001,最低学习率为0.00001,在改进后的yolov3中,整体改进的网络结构,如图3所示,本例采用Relu6版本的激活函数h-swish[x],h-swish[x]表达式为最后是对特征进行操作,将之前的生成的权重,看做每一个通道特征进行的重要性,将权重乘到原来的y1,y2和y3。
步骤3)中所述的RFB结构加强特征提取步骤为:首先将经过通道注意力后的y3传入RFB机制中得到的输出结果x和C3,x经过卷积将通道数缩放到原来的2倍大小,然后经过上采样后与y2累加得到新的x,在特征金字塔中,累加是将深层的语义信息传递到浅层,实现特征的融合,得到新的x输入RFB机制中得到的输出结果C2和x,将再次计算出的x经过卷积将通道数缩放到原来的2倍大小,经过上采样后与y1累加得到新的x,最后将新的x传入到RFB机制中得到输出结果C3和x,最后利用融合的多层特征对输入的图像进行分类和回归,本例方案中全局池化与全连接均有着较少的计算量,并不会增加原网络的计算量,因此在消耗较少的情况下,得到了较优的结果,充分证明了此方法的优越性,RFB主要结合了Inception、空洞卷积的思想来提高感受野,从而加强网络的特征提取能力。如图4所示,RFB机制原理,它采用1x1的卷积减少了通道特征,替换以前5x5卷积为两个3x3卷积去减少参数,在每一个正常3x3卷积后面加入了在3x3的不同的空洞卷积,空洞卷积数不同,可以在不同的感受野的情况下,用来获取更高分辨率的特征,最后采用瓶颈结构,引入内部的残差块,使用了跳跃连接,缓解了在深度神经网络中增加深度带来的梯度消失问题。
Claims (4)
1.一种基于目标检测的瑶族纹样符号定位识别方法,其特征在于,包括如下步骤:
1)输入瑶族纹样符号图片:用手机拍摄瑶族纹样符号多张图片,将图片进行瑶族纹样符号种类的标注,把标注的图片划分为训练集和测试集,训练集进行模型的训练,测试集进行模型的预测;
2)数据增强:对标注好的训练集上的图片进行出翻转、缩放、旋转、亮度、移位变化相同的变换;
3)模型训练:将经过数据增强后的训练集图片输入进改进后的yolov3算法中进行训练,在改进后的yolov3算法中, 利用基于Resnet50的特征提取网络、Relu6激活函数和通道注意力机制改进网络,采用Swish激活函数代替Relu,增加权重的非线性,找到通道复杂度的相关性,采取RFB结构加强特征提取;
4)实现对瑶族纹样符号进行定位和预测:最终经过训练,选取loss值最小的权重,对loss值最小的权重,进行模型的加载,对测试集上图片的瑶族纹样符号进行定位和预测。
2. 权利要求1所述的基于目标检测的瑶族纹样符号定位识别方法,其特征在于,步骤3)中所述的yolov3算法为:算法预测类别由以前目标识别算法中单标签预测,改为多标签预测,借鉴 SSD目标识别算法多尺度预测思想,算法的网络由 Darknet53 和特征金字塔组成,去除 RPN 这样的区域生成算法来完成对感兴趣区域的初步提取,直接对原始输入图像及标注进行训练。
3. 根据权利要求1所述的基于目标检测的瑶族纹样符号定位识别方法,其特征在于,步骤3)中所述的基于Resnet50的特征提取网络、Relu6激活函数和通道注意力机制改进网络为:用 Resnet50代替 Darknet53 提取尺寸为 13*13、26*26 和 52*52 的特征图,这三个阶段特征图分别用y1,y2和y3, 将y1,y2和y3,采用通道注意力机制进行处理,实现过程首先利用全局平均池化,把每一个通道的特征变为一个实数,这个实数可以看做对提取到的不同特征部分的权重,关注最感兴趣的特征,然后利用一个全连接层首先将通道维度降到原来的 1/4,利用Relu6 激活函数再次通过全连接恢复到原来的维度,最后通过h-Swish激活函数进行计算,得到与瑶族纹样符号相关的重要特征图。
4. 根据权利要求1所述的基于目标检测的瑶族纹样符号定位识别方法,其特征在于,步骤3)中所述的RFB结构加强特征提取步骤为:首先将经过通道注意力后的y3传入 RFB 机制中得到的输出结果 x 和C3,x 经过卷积将通道数缩放到原来的 2 倍大小,然后再经过上采样后与y2累加得到新的x,在特征金字塔中,累加是将深层的语义信息传递到浅层,实现特征的融合,得到新的 x 输入 RFB 机制中得到的输出结果C2和 x,将再次计算出的 x经过卷积将通道数缩放到原来的 2 倍大小,经过上采样后与 y1 累加得到新的 x,最后将新的 x 传入到 RFB 机制中得到输出结果𝐶3 和 x,最后利用融合的多层特征对输入的图像进行分类和回归。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010806587.0A CN111931792B (zh) | 2020-08-12 | 2020-08-12 | 一种基于目标检测的瑶族纹样符号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010806587.0A CN111931792B (zh) | 2020-08-12 | 2020-08-12 | 一种基于目标检测的瑶族纹样符号识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111931792A true CN111931792A (zh) | 2020-11-13 |
CN111931792B CN111931792B (zh) | 2022-04-26 |
Family
ID=73312174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010806587.0A Active CN111931792B (zh) | 2020-08-12 | 2020-08-12 | 一种基于目标检测的瑶族纹样符号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111931792B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418345A (zh) * | 2020-12-07 | 2021-02-26 | 苏州小阳软件科技有限公司 | 细粒度小目标快速识别的方法和装置 |
CN114587416A (zh) * | 2022-03-10 | 2022-06-07 | 山东大学齐鲁医院 | 基于深度学习多目标检测的胃肠道粘膜下肿瘤诊断系统 |
CN114677517A (zh) * | 2022-05-30 | 2022-06-28 | 山东巍然智能科技有限公司 | 一种无人机用语义分割网络模型及图像分割识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858451A (zh) * | 2019-02-14 | 2019-06-07 | 清华大学深圳研究生院 | 一种非配合手部检测方法 |
CN110659664A (zh) * | 2019-08-02 | 2020-01-07 | 杭州电子科技大学 | 一种基于ssd的高精度识别小物体的方法 |
CN111339858A (zh) * | 2020-02-17 | 2020-06-26 | 电子科技大学 | 一种基于神经网络的油气管道标志物识别方法 |
-
2020
- 2020-08-12 CN CN202010806587.0A patent/CN111931792B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858451A (zh) * | 2019-02-14 | 2019-06-07 | 清华大学深圳研究生院 | 一种非配合手部检测方法 |
CN110659664A (zh) * | 2019-08-02 | 2020-01-07 | 杭州电子科技大学 | 一种基于ssd的高精度识别小物体的方法 |
CN111339858A (zh) * | 2020-02-17 | 2020-06-26 | 电子科技大学 | 一种基于神经网络的油气管道标志物识别方法 |
Non-Patent Citations (5)
Title |
---|
何勇: "基于注意力机制的眼周性别属性识别", 《企业科技与发展》 * |
徐融等: "一种改进的YOLO V3目标检测方法", 《计算机技术与发展》 * |
徐镪等: "改进的YOLOv3网络在钢板表面缺陷检测研究", 《计算机工程与应用》 * |
胡贵桂: "改进的YOLOv3算法在道路环境目标检测中的应用", 《汽车实用技术》 * |
袁铭阳: "一种基于改进YOLOv3的遥感影像飞机目标检测算法", 《测绘科学技术学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418345A (zh) * | 2020-12-07 | 2021-02-26 | 苏州小阳软件科技有限公司 | 细粒度小目标快速识别的方法和装置 |
CN112418345B (zh) * | 2020-12-07 | 2024-02-23 | 深圳小阳软件有限公司 | 细粒度小目标快速识别的方法和装置 |
CN114587416A (zh) * | 2022-03-10 | 2022-06-07 | 山东大学齐鲁医院 | 基于深度学习多目标检测的胃肠道粘膜下肿瘤诊断系统 |
CN114677517A (zh) * | 2022-05-30 | 2022-06-28 | 山东巍然智能科技有限公司 | 一种无人机用语义分割网络模型及图像分割识别方法 |
CN114677517B (zh) * | 2022-05-30 | 2022-08-26 | 山东巍然智能科技有限公司 | 一种无人机用语义分割网络模型及图像分割识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111931792B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111931792B (zh) | 一种基于目标检测的瑶族纹样符号识别方法 | |
CN111553929B (zh) | 基于融合网络的手机屏幕缺陷分割方法、装置及设备 | |
CN107038448B (zh) | 目标检测模型构建方法 | |
CN111028217A (zh) | 一种基于全卷积神经网络的图像裂缝分割方法 | |
CN111967470A (zh) | 一种基于解耦注意力机制的文本识别方法及系统 | |
CN107506765B (zh) | 一种基于神经网络的车牌倾斜校正的方法 | |
CN112241679B (zh) | 一种垃圾自动分类的方法 | |
CN111209858B (zh) | 一种基于深度卷积神经网络的实时车牌检测方法 | |
CN114037833B (zh) | 一种苗族服饰图像语义分割方法 | |
Ye et al. | A two-stage real-time YOLOv2-based road marking detector with lightweight spatial transformation-invariant classification | |
CN110135430A (zh) | 一种基于深度神经网络的铝材模具id自动识别系统 | |
CN111368830A (zh) | 基于多视频帧信息和核相光滤波算法的车牌检测识别方法 | |
CN111008633A (zh) | 一种基于注意力机制的车牌字符分割方法 | |
CN113255837A (zh) | 工业环境下基于改进的CenterNet网络目标检测方法 | |
CN111310766A (zh) | 基于编解码和二维注意力机制的车牌识别方法 | |
CN114022408A (zh) | 基于多尺度卷积神经网络的遥感图像云检测方法 | |
Hu et al. | LE–MSFE–DDNet: a defect detection network based on low-light enhancement and multi-scale feature extraction | |
CN114581782A (zh) | 一种基于由粗到精检测策略的细微缺陷检测方法 | |
CN112085017A (zh) | 基于显著性检测和Grabcut算法的茶叶嫩芽图像分割方法 | |
CN115410081A (zh) | 一种多尺度聚合的云和云阴影辨识方法、系统、设备及存储介质 | |
CN112347805A (zh) | 一种多目标二维码检测识别方法、系统、装置及存储介质 | |
CN113963333B (zh) | 一种基于改进yolof模型的交通标志牌检测方法 | |
Bai et al. | Global–local–global context-aware network for salient object detection in optical remote sensing images | |
CN116778346B (zh) | 一种基于改进自注意力机制的管线识别方法及系统 | |
CN112785568A (zh) | 一种基于深度学习的磁瓦缺陷分割方法 |
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 |