CN112215266B - 一种基于小样本学习的x光图像违禁物品检测方法 - Google Patents
一种基于小样本学习的x光图像违禁物品检测方法 Download PDFInfo
- Publication number
- CN112215266B CN112215266B CN202011021849.9A CN202011021849A CN112215266B CN 112215266 B CN112215266 B CN 112215266B CN 202011021849 A CN202011021849 A CN 202011021849A CN 112215266 B CN112215266 B CN 112215266B
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- reference image
- contraband
- features
- 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 23
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 230000003213 activating effect Effects 0.000 claims abstract description 5
- 238000007689 inspection Methods 0.000 claims description 8
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 2
- 238000005192 partition Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 208000019914 Mental Fatigue Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于小样本学习的X光图像违禁物品检测方法,可以检测任意违禁物品类别而不需要重新训练模型。所述的方法包括以下步骤:接收待测图像和参考图像;提取所述待测图像和参考图像的特征;计算待测图像和参考图像的特征相似度,并激活待测图像特征;生成待测图像的违禁品分割图;计算待测图像的违禁品目标检测框。利用本发明公开的方法,可以有效的实现对X光图像中违禁物品的识别和定位,有较强的实用性。
Description
技术领域
本发明涉及计算机视觉和模式识别领域,更具体地说,涉及一种基于小样本学习的X光图像违禁物品检测方法。
背景技术
X光安检是维护公共安全的重要手段,现已广泛应用于交通出行、物流运输等行业。目前,X光图像违禁物品筛查主要由人工完成。安检员在工作时必须长时间集中注意力,避免精神疲倦、情绪变化造成漏检、误检。由于图像中的物体常有透视重叠、不同形态等问题,即使是有经验的安检员也无法保证高准确率、低误检率。随着安检效率要求的提高,自动化X光图像分析技术是必不可少的。
近年来,随着模式识别技术的发展,越来越多的基于深度学习的X光违禁物品检测方法被提出,并取得了不错的检测效果。但这些基于深度学习的违禁物品检测方法在数据集上完成训练后无法用于检测新的类别。违禁品的定义常随不同场景变化,当需要检测新的类别时,现有方法必须重新训练。其次,不同类别的违禁品出现概率不同,数据集将产生类别数量不平衡的问题。使用不平衡的数据集训练深度学习模型会影响方法的准确性。因此,还需对现有方法进行改进,从而使其更好地适应不同安检场景和违禁品类别。
发明内容
针对上述关键技术问题,本发明的目的是提供一种基于小样本学习的X光图像违禁物品检测方法,可以有效的实现对X光图像中违禁物品的识别和检测,降低对训练数据数量的需求,训练完成后可以检测任意的新增违禁品类别而不需要重新训练。
实现本发明目的的具体技术方案是:
一种基于小样本学习的X光图像违禁物品检测方法,特点是该方法包括以下步骤:
接收待测图像和参考图像;
提取所述待测图像和参考图像的特征,使用底层特征增强中层特征的颜色及边缘信息;
对待测图像特征和参考图像特征进行双路比较,即同时度量待测图像与参考图像的像素级相似度与区域级相似度;
度量像素级相似度时,依据参考图像的标注信息,分离出参考图像的前景特征S′,计算待测图像特征Q的转置QT与参考图像的前景特征S′的逐像素对的显式相似度PS,计算方式如下:
度量区域级相似度时,依据参考图像的标注信息,分离参考图像的前景特征及背景特征,采用通道拼接与特征卷积的方式计算待测图像特征与参考图像的前景特征及背景特征的隐式区域级相似度;
依据相似度信息激活待测图像特征;
使用特征解码器计算待测图像的违禁品分割图;
根据分割图计算待测图像的违禁品目标检测框。
提取所述待测图像和参考图像的特征,使用底层特征增强中层特征的颜色及边缘信息,具体包括以下步骤:
提取所述待测图像和参考图像的特征均使用基于DRN网络的特征提取模型;
使用DRN网络的初始两个卷积块提取图像的底层特征Flower;
使用DRN网络的第三到第五个卷积块提取图像的中层特征Fmiddle;
通过最大池化MaxPool与特征相加的方式融合图像的底层特征与中层特征并得到输出图像特征Foutput,实现增强X光安检图像特征的颜色及边缘信息:
Foutput=Fmiddle+MaxPool(Flower)。
所述使用特征解码器生成待测图像的违禁品分割图,具体包括以下步骤:
对双路比较后输出的待测图像特征双线性插值,将特征尺度放大一倍;
将插值后的特征与待测图像的底层特征融合,增强底层信息并降低特征提取时的信息损失;
对融合后的待测图像特征双线性插值,将特征的尺度放大两倍;
对插值后的特征使用1x1的卷积操作与sigmoid激活函数,生成待测图像的违禁物品分割图。
所述根据分割图计算待测图像的违禁品目标检测框,具体包括以下步骤:
计算待测图像的分割图的连通元;
计算每个连通元的外接矩形,得到待测图像的违禁品目标检测框。
本发明提出的X光图像违禁物品检测方法采用小样本学习方式,以至少一张参考图像所包含的违禁物品的特征为模板,检测待测图像。该方法可以避免当目标违禁物品集合变化时需要重新训练模型的问题,降低方法对大量标注数据的依赖,提升方法的可扩展性与实用性。
附图说明
图1为本发明方法流程示意图;
图2为本发明提取X光图像特征流程示意图;
图3为本发明特征双路比较流程示意图;
图4为本发明双路比较中像素级相似度度量流程示意图;
图5为本发明双路比较中区域级相似度度量流程示意图;
图6为本发明采用的特征解码器流程示意图;
图7为本发明生成违禁品的目标检测框流程示意图。
具体实施方式
为了对本发明有更清楚全面的了解,下面结合附图,对本发明的具体实施方式进行详细描述。
参阅图1,图1示出了一种基于小样本学习的X光图像违禁物品检测方法的流程示意图,具体包括以下步骤:
S10,开始该处理流程。
S11,接收待测图像和参考图像;
待测图像即为待检测违禁品的X光安检图像,参考图像为只含有一类违禁品目标的X光安检图像。
S12,计算所述待测图像的特征Q和参考图像的特征S;
在X光图像特征提取过程中,如果直接用通用的深度学习特征提取模型,会造成噪声过多的问题。而且相比于自然场景图像,X光图像常包含透视重叠、多视角等问题。因此本发明实现中对标准的DRN-C-42特征提取器改进,添加底层特征与中层特征的融合通路,提升模块在X光图像上特征提取的质量。
具体请参阅图2所示的流程。
S13,对所述待测特征Q和参考特征S进行双路比较,获得激活的待测图像特征Q′。
具体请参阅图3所示的流程。
S14,依据待测图像与参考图像的相似度信息,获得待测图像关于参考图像提供的违禁品类别的二值分割图。
具体请参阅图6所示的流程。
S15,依据待测图像的二值分割图,生成待测图像中违禁品的目标检测框的坐标。
具体请参阅图7所示的流程。
S16,结束此流程。
请参阅图2,图2示出了提取X光安检图像特征的流程示意图,具体包括以下步骤:
S20,开始该处理流程。
S21,对待测图像使用DRN网络的前两个卷积模块提取图像底层特征Qlower。
S22,使用DRN网络的第三个、第四个、第五个卷积模块提取图像中层特征Qmiddle。
S23,将底层特征经过最大池化MaxPool调整分辨率后与中层特征相加,增强中层特征的颜色及边缘信息,得到待测图像特征Q,计算方法如下:
Q=Qlower+MaxPool(Qmiddle)#(2-1)
使用相同的网络结构与参数,重复以上操作以提取参考图像特征S。
S24,结束此流程。
请参阅图3,图3示出了特征双路比较的流程示意图,具体包括以下步骤:
S30,开始该处理流程。
S31,接收来自前一步提取的待测图像特征Q和参考图像特征S。
S32,执行像素比较子模块,度量待测图像特征Q与参考图像特征S的像素级相似度,并得到激活的待测图像特征Q′p。
具体请参阅图4所示的流程。
S33,执行区域比较子模块,度量待测图像特征Q与参考图像特征S的区域级相似度,并得到激活的待测图像特征Q′r。
具体请参阅图5所示的流程。
S34,将像素比较子模块输出的待测图像特征Q′p与区域比较子模块输出的待测图像特征Q′r按通道拼接,对其进行卷积核为3x3像素,步长为1像素,边界填充为1像素,总共有256个卷积核的卷积操作,得到双路比较的输出特征Q′。
S35,结束此流程。
请参阅图4,图4示出了双路比较中像素级相似度度量的示意图,具体包括以下步骤:
S40,开始该处理流程。
S41,接收待测图像特征Q与参考图像特征S。
S42,使用参考图像的二值标注图M去除参考图像特征S的背景区域;
对于任意的参考图像,其标注信息可表示为具有与该图像相同尺度的二值图M,其中值为0代表背景,值为1代表前景。
去除参考图像特征S的背景区域,仅保留参考图像的前景特征S′:
S′=S·M#(4-1)
S43,计算待测图像与参考图像前景特征的逐像素对的相似度矩阵PS;
对待测图像特征Q的任意一点的特征Qi与参考图像前景点的特征S′j,相似度值PSi计算方法如下:
Softmax函数将归一化待测图像的特征点Qi与参考图像特征S′的相似度向量
S44,使用相似度矩阵PS激活待测图像特征,增强待测图像特征Q中与参考图像前景特征S′相似的特征;
激活待测图像特征Q的计算方法如下:
Q′p=Q×PS#(4-4)
使用待测图像特征Q与像素级相似度矩阵PS做矩阵乘法,得到激活的待测图像特征Q′p,其中与参考图像前景特征相似的待测图像特征被增强,相似度较低的特征被抑制。
S45,结束此流程。
如图5所示,图5示出双路比较中区域级相似度度量的示意图,具体包括以下步骤:
S50,开始该处理流程。
S51,接收待测图像特征Q与参考图像特征S。
S52,使用参考图像的二值标注图M分离参考图像特征的前景区域Sf与背景区域Sb;
对于任意的参考图像,其标注信息可表示为具有与该图像相同尺度的二值图M,其中值为0代表背景,值为1代表前景。
去除参考图像特征的背景区域Sb,仅保留参考图像的前景特征Sf:
Sf=S·M#(5-1)
去除参考图像特征的前景区域Sf,仅保留参考图像的背景特征Sb:
Sb=S·(1-M)#(5-2)
S53,分别计算待测图像特征Q与参考图像前景特征Sf、参考图像背景特征Sb的隐式区域相似度及激活的待测图像特征;
激活的前景待测图像特征的计算过程如下:
使用掩膜平均池化MAP将参考图像前景特征Sf压缩,得到1x1的参考图像前景向量Vf,其中MAP操作如下所示,函数1{}是狄利克雷函数;
将参考图像前景向量Vf,堆叠至待测图像特征Q的尺度,得到S′f;
将待测图像特征Q与堆叠的参考图像特征S′f按通道拼接,对其进行卷积核为3x3像素,步长为1像素,边界填充为1像素,总共有256个卷积核的卷积操作,隐式得度量待测图像特征Q与参考图像前景特征Sf的相似度RSf,并得到激活的前景待测图像特征Q′rf;
重复以上步骤,使用参考图像背景特征Sb,与其标注1-M,度量待测图像特征Q与参考图像背景区域特征Sb的隐式相似度RSb,并得到激活的背景待测图像特征Q′rb;
S54,计算激活的待测图像特征Q′r=Q′rf-Q′rb;
S55,结束此流程。
请参阅图6,图6示出采用的特征解码器的结构示意图,具体包括以下步骤:
S60,开始该处理流程。
S61,使用双线性插值上采样激活的待测图像特征Q′,将其特征尺寸放大一倍。
S62,将上采样后的待测图像特征Q′与特征编码器第二个卷积块输出的底层待测图像特征Qlower融合,具体包括以下步骤:
将待测图像特征Q′与底层待测图像特征Qlower按通道拼接,并对其进行卷积核为1x1像素,步长为1像素,边界填充为0像素,总共有128个卷积核的卷积操作,得到融合底层信息的待测图像特征。
S63,使用两次双线性插值将融合的待测图像特征上采样至原始待测图像大小。
S64,生成待测图像的二值分割图,具体包括以下步骤:
对其进行卷积核为1x1像素,步长为1像素,边界填充为0像素,总共有1个卷积核的卷积操作,得到单通道的分割特征图;
对单通道的特征分割图使用sigmoid激活函数,将特征值映射至(0,1)区间。sigmoid激活函数的形式为:
将特征图以0.5为阈值二值化,得到违禁品的二值分割图。
S65,结束此流程。
请参阅图7,图7示出生成违禁品的目标检测框示意图,具体包括以下步骤:
S70,开始该处理流程。
S71,使用深度优先搜索计算二值图像的连通元,具体包括以下步骤:
初始化辅助数组visietd为空,用于记录已访问的像素坐标;
初始化连通元字典CE为空,用于记录连通元坐标;
初始化连通元计数标志C为0,用于记录连通元数量;
从二值图的左上角开始按行遍历;
如果像素值为0,则跳过;
如果像素值为1,且该坐标不在visited数组时,计数标志C自增1,将像素坐标加入visited,连通元字典CE新建以C为键值的记录,将像素坐标加入字典CE键值为C的记录中;保持C不变,对其8邻域内的点递归判断,如果符合条件,则将像素坐标加入visited,字典CE键值为C的记录中;
重复以上操作,直至所有像素坐标都已访问或已遍历至二值图像的右下角。
S72,计算连通区域的目标检测框坐标(x1,y1,x2,y2)
遍历连通元字典CE,对于每一组键值为c的连通元坐标记录,计算坐标:
S73,结束此流程。
需要说明的是,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过计算机程序来指令相关的硬件来完成,所述计算机程序可以存储于计算机可读存储介质中,所述存储介质可以包括但不限于:只读存储器(ROM,ReadOnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁盘或光盘等。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一种基于小样本学习的X光图像违禁物品检测方法,其特征在于,包括以下步骤:
接收待测图像和参考图像;
提取所述待测图像和参考图像的特征,使用底层特征增强中层特征的颜色及边缘信息;
对待测图像特征和参考图像特征进行双路比较,即同时度量待测图像与参考图像的像素级相似度与区域级相似度;
度量像素级相似度时,依据参考图像的标注信息,分离出参考图像的前景特征S′,计算待测图像特征Q的转置QT与参考图像的前景特征S′的逐像素对的显式相似度PS,计算方式如下:
度量区域级相似度时,依据参考图像的标注信息,分离参考图像的前景特征及背景特征,采用通道拼接与特征卷积的方式计算待测图像特征与参考图像的前景特征及背景特征的隐式区域级相似度;
分别依据像素级相似度及区域级相似度激活待测图像特征;
使用特征解码器计算待测图像的违禁品分割图;
根据分割图计算待测图像的违禁品目标检测框。
2.根据权利要求1所述的X光图像违禁物品检测方法,其特征在于,提取所述待测图像和参考图像的特征,使用底层特征增强中层特征的颜色及边缘信息,具体包括以下步骤:
提取所述待测图像和参考图像的特征均使用基于DRN网络的特征提取模型;
使用DRN网络的初始两个卷积块提取图像的底层特征Flower;
使用DRN网络的第三到第五个卷积块提取图像的中层特征Fmiddle;
通过最大池化MaxPool与特征相加的方式融合图像的底层特征与中层特征并得到输出图像特征Foutput,实现增强X光安检图像特征的颜色及边缘信息:
Foutput=Fmiddle+MaxPool(Flower)。
3.根据权利要求1所述的X光图像违禁物品检测方法,其特征在于,所述使用特征解码器生成待测图像的违禁品分割图,具体包括以下步骤:
对双路比较后输出的待测图像特征双线性插值,将特征尺度放大一倍;
将插值后的特征与待测图像的底层特征融合,增强底层信息并降低特征提取时的信息损失;
对融合后的待测图像特征双线性插值,将特征的尺度放大两倍;
对插值后的特征使用1x1的卷积操作与sigmoid激活函数,生成待测图像的违禁物品分割图。
4.根据权利要求1所述的X光图像违禁物品检测方法,其特征在于,所述根据分割图计算待测图像的违禁品目标检测框,具体包括以下步骤:
计算待测图像的分割图的连通元;
计算每个连通元的外接矩形,得到待测图像的违禁品目标检测框。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011021849.9A CN112215266B (zh) | 2020-09-25 | 2020-09-25 | 一种基于小样本学习的x光图像违禁物品检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011021849.9A CN112215266B (zh) | 2020-09-25 | 2020-09-25 | 一种基于小样本学习的x光图像违禁物品检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112215266A CN112215266A (zh) | 2021-01-12 |
CN112215266B true CN112215266B (zh) | 2022-07-19 |
Family
ID=74052323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011021849.9A Active CN112215266B (zh) | 2020-09-25 | 2020-09-25 | 一种基于小样本学习的x光图像违禁物品检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112215266B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437624B (zh) * | 2023-12-21 | 2024-03-08 | 浙江啄云智能科技有限公司 | 违禁品检测方法、装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110286415A (zh) * | 2019-07-12 | 2019-09-27 | 广东工业大学 | 安检违禁品检测方法、装置、设备及计算机可读存储介质 |
CN110533051A (zh) * | 2019-08-02 | 2019-12-03 | 中国民航大学 | 基于卷积神经网络的x光安检图像中违禁品自动检测方法 |
CN111652216A (zh) * | 2020-06-03 | 2020-09-11 | 北京工商大学 | 基于度量学习的多尺度目标检测模型方法 |
-
2020
- 2020-09-25 CN CN202011021849.9A patent/CN112215266B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110286415A (zh) * | 2019-07-12 | 2019-09-27 | 广东工业大学 | 安检违禁品检测方法、装置、设备及计算机可读存储介质 |
CN110533051A (zh) * | 2019-08-02 | 2019-12-03 | 中国民航大学 | 基于卷积神经网络的x光安检图像中违禁品自动检测方法 |
CN111652216A (zh) * | 2020-06-03 | 2020-09-11 | 北京工商大学 | 基于度量学习的多尺度目标检测模型方法 |
Non-Patent Citations (2)
Title |
---|
One-Shot Object Detection without Fine-Tuning;Xiang Li,et al.;《arXiv》;20200508;全文 * |
SG-One: Similarity Guidance Network for One-Shot Semantic Segmentation;Xiaolin Zhang,et al.;《arXiv》;20200512;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112215266A (zh) | 2021-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117848B (zh) | 一种文本行字符识别方法、装置、介质和电子设备 | |
CN111681273B (zh) | 图像分割方法、装置、电子设备及可读存储介质 | |
CN111091123A (zh) | 文本区域检测方法及设备 | |
CN111291661B (zh) | 一种屏幕中图标的文本内容的识别方法及设备 | |
CN114627052A (zh) | 一种基于深度学习的红外图像漏气漏液检测方法及系统 | |
US20090103814A1 (en) | Information Processing Apparatus, Information Processing Method, and Program | |
CN104537376A (zh) | 一种识别台标的方法及相关设备、系统 | |
CN115375917B (zh) | 一种目标边缘特征提取方法、装置、终端及存储介质 | |
CN115861400B (zh) | 目标对象检测方法、训练方法、装置以及电子设备 | |
CN115273115A (zh) | 一种文档元素标注方法、装置、电子设备和存储介质 | |
CN111368632A (zh) | 一种签名识别方法及设备 | |
CN111626145A (zh) | 一种简捷有效的残缺表格识别及跨页拼接方法 | |
CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
CN113033558A (zh) | 一种用于自然场景的文本检测方法及装置、存储介质 | |
CN110796145B (zh) | 基于智能决策的多证件分割关联方法及相关设备 | |
CN112215266B (zh) | 一种基于小样本学习的x光图像违禁物品检测方法 | |
CN114445410A (zh) | 基于图像识别的电路板检测方法、计算机及可读存储介质 | |
CN113129298B (zh) | 文本图像的清晰度识别方法 | |
CN113496115B (zh) | 文件内容比对方法和装置 | |
CN112365451A (zh) | 图像质量等级的确定方法、装置、设备及计算机可读介质 | |
CN111914706A (zh) | 一种文字检测输出结果质量检测和控制的方法与装置 | |
CN113537158B (zh) | 一种图像目标检测方法、装置、设备及存储介质 | |
CN115223173A (zh) | 对象识别方法、装置、电子设备及存储介质 | |
CN111325194B (zh) | 一种文字识别方法、装置及设备、存储介质 | |
CN114550062A (zh) | 图像中运动对象的确定方法、装置、电子设备和存储介质 |
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 |