CN112233105A - 一种基于改进fcn的道路裂缝检测方法 - Google Patents
一种基于改进fcn的道路裂缝检测方法 Download PDFInfo
- Publication number
- CN112233105A CN112233105A CN202011161106.1A CN202011161106A CN112233105A CN 112233105 A CN112233105 A CN 112233105A CN 202011161106 A CN202011161106 A CN 202011161106A CN 112233105 A CN112233105 A CN 112233105A
- Authority
- CN
- China
- Prior art keywords
- training
- neural network
- fcn
- image
- road crack
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000003909 pattern recognition Methods 0.000 abstract description 2
- 238000005070 sampling Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T2207/20081—Training; Learning
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Abstract
本发明涉及计算机视觉和模式识别的技术领域，特别是涉及一种基于改进FCN的道路裂缝检测方法，可以在原有FCN的基础上提高模型的准确率，而且本发明采用预训练的方法，节省了计算资源，提升了速度；包括以下步骤：(1)道路裂缝数据的采集和预处理；(2)将图像数据，包括原始图像和标注图像，送入改进的FCN神经网络模型进行训练；(3)根据采集到的道路裂缝图像数据集训练改进的FCN神经网络模型；(4)为了更好的评估模型的性能，采用总体像素准确率和均交并比两个指标进行评价；(5)使用二分类交叉熵(BCE)作为训练过程中的损失函数。
Description
技术领域
本发明涉及计算机视觉和模式识别的技术领域，特别是涉及一种基于改进FCN的道路裂缝检测方法。
背景技术
路面病害的初期表现形式之一是道路裂缝，而道路裂缝一直是路面管理一项重要的工作，及时发现并修补道路裂缝是尤为重要的。道路裂缝对行车安全造成威胁，采用传统人工的方法不仅检测速度达不到发展的需求，而且往往存在主观性，准确率不够。随着深度学习技术的发展，用神经网络语义分割的方法可以很好的将道路裂缝提取出来。
FCN是全卷积的神经网络，可以作为语义分割的神经网络模型用于道路裂缝的检测中来，但由于FCN在面对裂缝这种细小狭长的目标时，往往没有取得很好的效果，其原因在于FCN神经网络模型在进行卷积的裂缝信息提取过程以及在反卷积过程中，采取了较大的步长，就会使得在最后的预测图中往往会丢失很多的裂缝信息，同时受计算机性能的制约，庞大的神经网络模型在训练过程中会耗费大量的时间，无法快速得到结果。
发明内容
为解决上述技术问题，本发明提供一种基于改进FCN的道路裂缝检测方法，可以在原有FCN的基础上提高模型的准确率，而且本发明采用预训练的方法，节省了计算资源，提升了速度。
本发明的一种基于改进FCN的道路裂缝检测方法，包括以下步骤：(1)道路裂缝数据的采集和预处理；
(2)将图像数据，包括原始图像和标注图像，送入改进的FCN神经网络模型进行训练；
(3)根据采集到的道路裂缝图像数据集训练改进的FCN神经网络模型：以Python语言，在tensorflow2.1框架进行训练，输入图像的大小为256×256，通道为3，该网络卷积层使用3×3的卷积核，步长为1；池化层使用2×2的卷积核，步长为2；反卷积层使用3×3的卷积核，步长为2；在最后的预测结果，采用sigmoid函数进行预测；
(4)为了更好的评估模型的性能，采用总体像素准确率(Acc)和均交并比(mIoU)两个指标进行评价；总体像素准确率计算公式为：
其中，Acc为总像素准确率，指所有预测正确像素占全部像素的比例；TP为真正例，指模型将正类别样本正确预测为正类别；TN为真负例，指模型将负类别样本正确预测为负类别；FP为假正例，指将负类别样本错误的预测为正类别；FN为真负例，将负类别样本错误的预测为负类别；
均交并比计算公式为：
其中，mIoU为均交并比，i表示真实值，j表示预测值，Pij表示将i预测为j，Pji表示将j预测为i，Pii表示将i预测为i，可以将上式进行转换，结果为：
(5)使用二分类交叉熵(BCE)作为训练过程中的损失函数，使用Adam优化器训练20轮，学习率为0.001，训练批次的大小设置为4，其中二分类交叉熵损失函数:
其中，LossBCE表示损失值，N表示一张图像总的像素数目，yi和pi分别为第i个像素点的标签值和预测概率。
本发明的一种基于改进FCN的道路裂缝检测方法，所述步骤(1)包括如下步骤：
(11)道路裂缝数据的采集是通过手持设备，对路面裂缝进行拍摄采集得到；
(12)道路裂缝数据的预处理是对拍摄图像进行剪切分割，将一张原始图像分割为适合神经网络模型输入的子图像；
(13)对分割后的子图像进行筛选并标注，标注的内容为每张子图像中裂缝的部分，并做出具体区分，其中裂缝部分显示为白色，非裂缝部分显示为黑色，再将所有的子图像中80％作为训练集，20％作为测试集。
本发明的一种基于改进FCN的道路裂缝检测方法，所述步骤(2)中改进的FCN神经网络模型包括以下部分：
(21)改进的FCN神经网络模型中将原有FCN8s步长为8的1个反卷积层增加为步长是2的3个反卷积层；
(22)改进的FCN神经网络模型中采用浅层网络的信息和反卷积的信息拼接在一起，同时为了减少模型的参数，网络结构仅在最后一个反卷积过程中采用了拼接的方法；
(23)改进的FCN神经网络模型中采用预训练的方法进行训练。
与现有技术相比本发明的有益效果为：(1)采用分步长的方法，将步长为8的FCN改为步长为2的改进FCN，提高了预测图的准确率；(2)在最后的反卷积中，采用拼接卷积层的方法，将神经网络模型变得更宽，可以提取到更多的裂缝信息；(3)采用预训练的方法，减少了模型训练的参数，节省了计算资源，提升了速度。
附图说明
图1是本发明的改进FCN的模型结构图；
图2是本发明的数据集中原始图像和标注图像图；
图3是本发明的改进FCN模型训练的结果图；
图4是不同方法的预测结果对比图，其中图(a)为原图；图(b)为标签；图(c)为FCN8s预测图；图(d)为FCN2s预测图；图(e)为改进FCN2s预测图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
如图1至图4所示，本发明的一种基于改进FCN的道路裂缝检测方法，包括以下步骤：
(1)道路裂缝数据的采集和预处理；
(11)道路裂缝数据的采集是通过手持设备，对路面裂缝进行拍摄采集得到；在本实施例中，数据采集是通过手机拍摄得到的原始数据，在自然光的条件下对路面裂缝进行拍摄，得到的原始图像的大小为3024×4042；
(12)道路裂缝数据集的预处理是对拍摄图像进行剪切分割，将一张图像划分为适合卷积神经网络输入的子图像；在python下调用skimage库来实现图像的切分，将原始图像切分为256×256的子图像，作为神经网络的输入；
(13)对分割后的子图像进行筛选并标注，筛选主要是保留图像中包含裂缝的图像，对于不包含任何裂缝的图像采取摒弃处理；标注的内容为每张子图像中裂缝的部分，并做出具体区分，其中裂缝部分显示为白色部分，非裂缝部分显示为黑色部分；再将所有的子图像中80％作为训练集，20％作为测试集；在本实施例中，利用labelme软件对上述子图像进行标注；如图2所示，为数据集中裂缝图像和其对应的标注图像；
(2)将图像数据，包括原始图像和标注图像，送入改进的FCN神经网络模型进行训练；改进的FCN神经网络模型包括以下部分：
(21)如图1所示的是本发明改进FCN的网络模型结构图，其主要包括下采样和上采样两个部分，其中下采样由2层64个卷积核，2层128个卷积核，3层256个卷积核，6层512个卷积核的卷积层以及池化层组成，上采样由反卷积层和卷积层组成；在原有FCN8s的基础上，增加了反卷积的层数，缩小了反卷积的步长，原有FCN8s的反卷积步长为8，而改进的FCN神经网络模型中将原有FCN8s步长为8的1个反卷积层增加为步长是2的3个反卷积层；
(22)为了更好的提取道路裂缝的更多细节，原有FCN是通过将浅层网络中，即下采样部分的卷积层信息与高层网络中，即反卷积部分的卷积层信息相加得到的道路裂缝信息，而改进的FCN神经网络模型中采用了浅层网络的信息和反卷积的信息拼接在一起，这样使得网络模型拥有了更多的裂缝信息；同时为了减少模型的参数，本发明仅在最后一个反卷积过程中采用了拼接的方法；如图1所示，“add”部分就是将浅层的网络模型参数和高层的网络模型参数相加得到的，“copy and crop”部分就是将卷积浅层和高层网络拼接组成的；更为直观的表达就是，原有FCN的神经网络模型通过浅层信息和高层信息相加得到更多的裂缝信息，并没有使得网络有任何变化，而采用拼接的方法，则可以将网络变得更宽，可以得到更多的裂缝信息；
(23)为了进一步减少模型的训练时间，节省计算资源，本发明采用预训练的方法进行训练；由于FCN浅层网络的主干采用的是VGG16的网络模型，而VGG16的模型可以直接采用预训练模型的权重，则在本发明提出的改进FCN模型训练中，可以极大的减少了模型的训练参数，节省了大量的时间；
(3)根据采集到的道路裂缝图像数据集训练改进的FCN神经网络模型：以Python语言，在tensorflow2.1框架进行训练，输入图像的大小为256×256，通道为3，该网络卷积层使用3×3的卷积核，步长为1；池化层使用2×2的卷积核，步长为2；反卷积层使用3×3的卷积核，步长为2；在最后的预测结果，采用sigmoid函数进行预测；
(4)为了更好的评估模型的性能，采用总体像素准确率(Acc)和均交并比(mIoU)两个指标进行评价；总体像素准确率计算公式为：
其中，Acc为总像素准确率，指所有预测正确像素占全部像素的比例；TP为真正例，指模型将正类别样本正确预测为正类别；TN为真负例，指模型将负类别样本正确预测为负类别；FP为假正例，指将负类别样本错误的预测为正类别；FN为真负例，将负类别样本错误的预测为负类别；
均交并比计算公式为：
其中，mIoU为均交并比，i表示真实值，j表示预测值，Pij表示将i预测为j，Pji表示将j预测为i，Pii表示将i预测为i；；可以将上式进行转换，结果为：
(5)使用二分类交叉熵(BCE)作为训练过程中的损失函数，使用Adam优化器训练20轮，学习率为0.001；训练批次的大小设置为4；其中二分类交叉熵损失函数:
其中，LossBCE为损失值，N表示一张图像总的像素数目，yi和pi分别为第i个像素点的标签值和预测概率。
如表1所示，是不同方法下实验结果的准确率和均交并比，从表中的数据可以看出，在采用了预训练的方法之后，三种对比实验的方法，整个模型的训练参数均减少一半以上，这极大的提升了训练的速度，节省了计算成本，从像素准确率上和均交并比上来看，改进的FCN2s在两项评价指标上均优于其他两种方法。
表1
如图4所示，为不用方法的结果预测图，图(c)为FCN8s的预测图，裂缝的信息有很多缺失；图(d)为FCN2s的预测图，相较于图c有了明显改善，但还存在部分裂缝信息丢失和预测错误的现象；图(e)为本发明的改进FCN的方法，从结果图中看，没有明显的裂缝丢失，也没有明显的错误分类的情况。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。
Claims (3)
1.一种基于改进FCN的道路裂缝检测方法，其特征在于，包括以下步骤：
(1)道路裂缝数据的采集和预处理；
(2)将图像数据，包括原始图像和标注图像，送入改进的FCN神经网络模型进行训练；
(3)根据采集到的道路裂缝图像数据集训练改进的FCN神经网络模型：以Python语言，在tensorflow2.1框架进行训练，输入图像的大小为256×256，通道为3，该网络卷积层使用3×3的卷积核，步长为1；池化层使用2×2的卷积核，步长为2；反卷积层使用3×3的卷积核，步长为2；在最后的预测结果，采用sigmoid函数进行预测；
(4)为了更好的评估模型的性能，采用总体像素准确率(Acc)和均交并比(mIoU)两个指标进行评价；总体像素准确率计算公式为：
其中，Acc为总像素准确率，指所有预测正确像素占全部像素的比例；TP为真正例，指模型将正类别样本正确预测为正类别；TN为真负例，指模型将负类别样本正确预测为负类别；FP为假正例，指将负类别样本错误的预测为正类别；FN为真负例，将负类别样本错误的预测为负类别；
均交并比计算公式为：
其中，mIoU为均交并比，i表示真实值，j表示预测值，Pij表示将i预测为j，Pji表示将j预测为i，Pii表示将i预测为i，可以将上式进行转换，结果为：
(5)使用二分类交叉熵(BCE)作为训练过程中的损失函数，使用Adam优化器训练20轮，学习率为0.001，训练批次的大小设置为4，其中二分类交叉熵损失函数:
其中，LossBCE表示损失值，N表示一张图像总的像素数目，yi和pi分别为第i个像素点的标签值和预测概率。
2.如权利要求1所述的一种基于改进FCN的道路裂缝检测方法，其特征在于，所述步骤(1)包括如下步骤：
(11)道路裂缝数据的采集是通过手持设备，对路面裂缝进行拍摄采集得到；
(12)道路裂缝数据的预处理是对拍摄图像进行剪切分割，将一张原始图像分割为适合神经网络模型输入的子图像；
(13)对分割后的子图像进行筛选并标注，标注的内容为每张子图像中裂缝的部分，并做出具体区分，其中裂缝部分显示为白色，非裂缝部分显示为黑色，再将所有的子图像中80％作为训练集，20％作为测试集。
3.如权利要求2所述的一种基于改进FCN的道路裂缝检测方法，其特征在于，所述步骤(2)中改进的FCN神经网络模型包括以下部分：
(21)改进的FCN神经网络模型中将原有FCN8s步长为8的1个反卷积层增加为步长是2的3个反卷积层；
(22)改进的FCN神经网络模型中采用浅层网络的信息和反卷积的信息拼接在一起，同时为了减少模型的参数，网络结构仅在最后一个反卷积过程中采用了拼接的方法；
(23)改进的FCN神经网络模型中采用预训练的方法进行训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011161106.1A CN112233105A (zh) | 2020-10-27 | 2020-10-27 | 一种基于改进fcn的道路裂缝检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011161106.1A CN112233105A (zh) | 2020-10-27 | 2020-10-27 | 一种基于改进fcn的道路裂缝检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112233105A true CN112233105A (zh) | 2021-01-15 |
Family
ID=74110143
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011161106.1A Pending CN112233105A (zh) | 2020-10-27 | 2020-10-27 | 一种基于改进fcn的道路裂缝检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112233105A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112634292A (zh) * | 2021-01-06 | 2021-04-09 | 烟台大学 | 一种基于深度卷积神经网络的沥青路面裂缝图像分割方法 |
| CN112949783A (zh) * | 2021-04-29 | 2021-06-11 | 南京信息工程大学滨江学院 | 一种基于改进U-Net神经网络的道路裂缝检测方法 |
| CN114565793A (zh) * | 2022-02-28 | 2022-05-31 | 湖南北斗微芯产业发展有限公司 | 一种道路交通裂缝监测方法以及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109408985A (zh) * | 2018-11-01 | 2019-03-01 | 哈尔滨工业大学 | 基于计算机视觉的桥梁钢结构裂缝精准识别方法 |
| CN110120041A (zh) * | 2019-05-14 | 2019-08-13 | 郑州大学 | 路面裂缝图像检测方法 |
| CN110532900A (zh) * | 2019-08-09 | 2019-12-03 | 西安电子科技大学 | 基于U-Net和LS-CNN的人脸表情识别方法 |
| CN111047569A (zh) * | 2019-12-09 | 2020-04-21 | 北京联合大学 | 图像处理方法及装置 |
| CN111242955A (zh) * | 2020-01-21 | 2020-06-05 | 河海大学 | 基于全卷积神经网络的道路表面裂缝图像分割方法 |
| CN111721770A (zh) * | 2020-06-12 | 2020-09-29 | 汕头大学 | 一种基于分频卷积的自动化裂缝检测方法 |
-
2020
- 2020-10-27 CN CN202011161106.1A patent/CN112233105A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109408985A (zh) * | 2018-11-01 | 2019-03-01 | 哈尔滨工业大学 | 基于计算机视觉的桥梁钢结构裂缝精准识别方法 |
| CN110120041A (zh) * | 2019-05-14 | 2019-08-13 | 郑州大学 | 路面裂缝图像检测方法 |
| CN110532900A (zh) * | 2019-08-09 | 2019-12-03 | 西安电子科技大学 | 基于U-Net和LS-CNN的人脸表情识别方法 |
| CN111047569A (zh) * | 2019-12-09 | 2020-04-21 | 北京联合大学 | 图像处理方法及装置 |
| CN111242955A (zh) * | 2020-01-21 | 2020-06-05 | 河海大学 | 基于全卷积神经网络的道路表面裂缝图像分割方法 |
| CN111721770A (zh) * | 2020-06-12 | 2020-09-29 | 汕头大学 | 一种基于分频卷积的自动化裂缝检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 孙梦园;刘义;范文慧;: "基于多尺度卷积网络的路面图像裂缝分割方法", 软件, no. 05, 15 May 2020 (2020-05-15) * |
| 金玥等: "基于Mobile U－Net 的多目标（行人）检测算法", 《工业控制计算机》, 25 March 2020 (2020-03-25), pages 81 - 83 * |
| 陈泽斌;罗文婷;李林;: "基于改进U-net模型的路面裂缝智能识别", 数据采集与处理, no. 02, 15 March 2020 (2020-03-15) * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112634292A (zh) * | 2021-01-06 | 2021-04-09 | 烟台大学 | 一种基于深度卷积神经网络的沥青路面裂缝图像分割方法 |
| CN112949783A (zh) * | 2021-04-29 | 2021-06-11 | 南京信息工程大学滨江学院 | 一种基于改进U-Net神经网络的道路裂缝检测方法 |
| CN112949783B (zh) * | 2021-04-29 | 2023-09-26 | 南京信息工程大学滨江学院 | 一种基于改进U-Net神经网络的道路裂缝检测方法 |
| CN114565793A (zh) * | 2022-02-28 | 2022-05-31 | 湖南北斗微芯产业发展有限公司 | 一种道路交通裂缝监测方法以及系统 |
| CN114565793B (zh) * | 2022-02-28 | 2023-05-23 | 湖南北斗微芯产业发展有限公司 | 一种道路交通裂缝监测方法以及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112233105A (zh) | 一种基于改进fcn的道路裂缝检测方法 | |
| CN111340123A (zh) | 一种基于深度卷积神经网络的图像分数标签预测方法 | |
| CN112949783B (zh) | 一种基于改进U-Net神经网络的道路裂缝检测方法 | |
| CN110569738A (zh) | 基于密集连接网络的自然场景文本检测方法、设备和介质 | |
| JP2022025008A (ja) | テキスト行識別に基づくナンバープレート識別方法 | |
| CN109165658B (zh) | 一种基于Faster-RCNN的强负样本水下目标检测方法 | |
| CN112766218B (zh) | 基于非对称联合教学网络的跨域行人重识别方法和装置 | |
| CN110008899B (zh) | 一种可见光遥感图像候选目标提取与分类方法 | |
| CN110705412A (zh) | 一种基于运动历史图像的视频目标检测方法 | |
| CN114202743A (zh) | 自动驾驶场景下基于改进faster-RCNN的小目标检测方法 | |
| CN114255403A (zh) | 基于深度学习的光学遥感图像数据处理方法及系统 | |
| CN110751076A (zh) | 车辆检测方法 | |
| CN112241693A (zh) | 基于YOLOv3实现的违规焊接动火图像识别方法 | |
| CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
| CN115546553A (zh) | 一种基于动态特征抽取和属性修正的零样本分类方法 | |
| CN113177528B (zh) | 基于多任务学习策略训练网络模型的车牌识别方法及系统 | |
| CN113989577A (zh) | 图像分类方法及装置 | |
| CN111832497B (zh) | 一种基于几何特征的文本检测后处理方法 | |
| CN117115565A (zh) | 一种基于自主感知的图像分类方法、装置及智能终端 | |
| CN114694133B (zh) | 一种基于图像处理与深度学习相结合的文本识别方法 | |
| CN112949630B (zh) | 基于边框分级筛选的弱监督目标检测方法 | |
| CN112487927B (zh) | 一种基于物体关联注意力的室内场景识别实现方法及系统 | |
| CN114581841A (zh) | 一种复杂交通环境下利用深度学习法检测弱小目标的方法 | |
| CN113409327A (zh) | 一种基于排序与语义一致性约束的实例分割改进方法 | |
| CN114092818A (zh) | 语义分割方法、装置、电子设备及存储介质 |
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 |