CN112270278A - 一种基于关键点的蓝顶房检测方法 - Google Patents

一种基于关键点的蓝顶房检测方法 Download PDF

Info

Publication number
CN112270278A
CN112270278A CN202011204133.2A CN202011204133A CN112270278A CN 112270278 A CN112270278 A CN 112270278A CN 202011204133 A CN202011204133 A CN 202011204133A CN 112270278 A CN112270278 A CN 112270278A
Authority
CN
China
Prior art keywords
corner
offset
point
angular
centripetal
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
Application number
CN202011204133.2A
Other languages
English (en)
Inventor
李嫄源
罗柳
朱智勤
李鹏华
李朋龙
丁忆
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202011204133.2A priority Critical patent/CN112270278A/zh
Publication of CN112270278A publication Critical patent/CN112270278A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based 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
    • G06V10/32—Normalisation of the pattern dimensions
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

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

Abstract

本发明涉及一种基于关键点的蓝顶房检测方法，属于目标检测领域。基于不需要锚框的方式来产生候选角点，致力于改善关键点匹配，根据向心位移算法获得高质量的角点对，然后根据角点对生成目标边界框，左上和右下角点预测模块都使用交叉可变形卷积特征适配以丰富角点位置处的视觉特征，角点预测和交叉可变形卷积的结果输入到向心偏移模块中，进行角点匹配，在匹配过程中形成得分比较高的边界框，作为最终输出的预测框。本发明提出的蓝顶房检测模型将特征提取、角点预测、边界框形成、目标检测过程都融入到一个端到端的深度网络模型中，最终本发明能够在遥感图像上完成快速准确的蓝顶房检测。

Description

一种基于关键点的蓝顶房检测方法
技术领域
本发明属于目标检测领域，涉及一种基于关键点的蓝顶房检测方法。
背景技术
随着遥感图像及图像处理技术的发展和应用，面对遥感图像的目标检测技术成为研究的一个重要方向，准确快速地检测出蓝顶房在计算机视觉、城市违规建筑等领域具有很高的应用价值，在目前的目标检测中候选框多数是采用锚框的方式，需要人工地配置锚框，需要一定的经验，而且和数据的分布有关，此方式锚框数量巨大，会造成训练正负样本不平衡，并且参数量较大，会增加计算量。
为了解决上述问题，本发明发明了一种专门针对于遥感图像蓝顶房检测的方法，该模型设计了左上角点预测模块、右下角点预测模块来预测角点的坐标和中心点位置，使用了交叉点可变形卷积得到更好的向心偏移预测，向心偏移模块匹配角点，形成得分比较高的边界框，作为最终输出的预测框。本发明对遥感图像中蓝顶房的检测具有较好的效果。
发明内容
有鉴于此，本发明的目的在于提供一种基于关键点的蓝顶房检测方法。
为达到上述目的，本发明提供如下技术方案：
一种基于关键点的蓝顶房检测方法，该方法包括以下步骤：
1)收集蓝顶房的训练数据，将图像裁剪为特定大小；
2)将图像输入特征提取网络提取特征；
3)左上角点和右下角点同步预测出角点的位置和向心位移，并根据位移的对齐情况匹配角点；
4)使用交叉点可变形卷积模块改善向心位移的生成，从角到相应中心的偏移中学习，进行特征适应，丰富角点位置的视觉特征；
5)通过中心点的匹配确定同一边界框的<左上，右下>坐标；
6)端到端的联合训练的到蓝顶房的检测模型，将待测试的遥感图像输入模型，最终输出蓝顶房检测结果。
可选的，所述交叉点可变形卷积由指导偏移和偏移场两部分组成，指导偏移将角池化的输出嵌入到特征映射中，由指导偏移引导从角到中心的位置，引导非角点向边缘处偏移。
可选的，所述特征提取网络提取的特征图采用角池化的方式将水平方向上和垂直方向上的特征图进行融合，得到新的特征图。
可选的，所述3)具体为：a)骨干网络提取的特征图采用角池化，即分别做水平方向和垂直方向的最大池化得到两个方向的特征图，将两个方向上的特征图进行融合，得到新的特征图；
b)通过角点预测模块，预测出每一个关键点属于什么类别，高斯化角点的真实标签构建要回归的角点热力图，让网络输出回归该热力图从而学习预测角点位置，角点预测过程中的损失如下：
Figure BDA0002756460300000021
其中，pcij表示预测的角点在类别表示为c的(i,j)位置的值，ycij表示对应位置的真实标签，H和W表示特征图的高和宽，N表示角点的数量，λ和μ表示用来控制权重的参数；
c)特征调节模块：经过角池化后会产生交叉点，包含大量的目标上下文信息；为能够获得上下文信息，采用交叉点可变形卷积增强交叉点处的视觉特征，提取蓝顶房内部信息，从角点到中心点的偏移中来产生偏移场，进行特征调节；
交叉点可变形卷积由指导偏移和偏移场两部分组成，指导偏移将角池化的输出嵌入到特征映射中，由指导偏移引导从角到中心的位置，引导非角点向边缘处偏移，指导偏移损失计算为：
Figure BDA0002756460300000022
其中，L表示SmoothL1损失，δ表示指导偏移，公式为：
Figure BDA0002756460300000023
Figure BDA0002756460300000024
Figure BDA0002756460300000025
Figure BDA0002756460300000026
(x中，y中)、(x左上，y左上)、(x右下,y右下)表示真实边界框的中心坐标、左上角点坐标、右下角点坐标，
Figure BDA0002756460300000031
表示预测边界框的中心坐标、左上角点坐标、右下角点坐标，s表示缩放因子；
偏移场将角池化后得到的角点信息与引导偏移后的偏移信息融合，该偏移场包含边界框的形状与方向信息，可以引导角点和向心偏移生成相应其中方向信息的中心点。
可选的，所述4)具体为：向心偏移模块预测角点的向心偏移，并匹配角点对，使用经过交叉点可变形卷积调节之后的特征预测每个角点的向心偏移，接着结合角点位置，完成角点的匹配，得到检测目标的物体边界框，对于一个边界框：
b＝(x左上，y左上，x右下，y右下)
它的几何中心为：
Figure BDA0002756460300000032
左上角和右下角的向心偏移表示为：
Figure BDA0002756460300000033
Figure BDA0002756460300000034
在真实角点处的损失为：
Figure BDA0002756460300000035
其中，f左上、f右下表示左上角和右下角真实标注框的向心位移，
Figure BDA0002756460300000036
分别表示候选框的向心位移，L表示SmoothL1损失。
可选的，所述5)具体为：心偏移模块的预测边界框作为区域建议，结合各部分损失得到最终目标函数
L＝L1+L2+L3
进行联合训练优化，经过多次训练迭代后，用训练好的网络进行蓝顶房检测，得到蓝顶房检测结果。
本发明的有益效果在于：
第一，提出了一种用关键点检测蓝顶房的方法，并用向心位移以及其位置信息匹配角点，改善了目前使用较多基于锚框的方法导致正负样本不均衡的缺点。
第二，本发明提出了一种预测向心偏移的交叉点可变形卷积模块，获取角点的几何信息，提取了蓝顶房内部信息，从而优化了角点位置的物体特征，提高了模型性能。
第三，本发明是一种基于关键点的蓝顶房检测算法，将深度特征提取、左上角点预测模块与特征调节模块、右下角点预测模块与特征调节模块、向心偏移模块都融入到一个端到端的深度网络模型中，对于蓝顶房的检测，能够达到较好的检测效果。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为蓝顶房检测的整体流程；
图2为角池化；
图3为交叉点可变形卷积。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
请参阅图1～图3，本发明包括以下步骤：
(1)收集蓝顶房遥感图像，裁剪成分辨率为512x512大小的图片，并用数据增强的方法扩充数据。
(2)使用全卷积神经网络作为主干网络提取特征，输出蓝顶房关键点的精确像素位置，使用多尺度特征，捕捉蓝顶房的空间位置信息。
(3)将提取的特征图分别输入到左上角点预测与特征调节模块以及右下角点预测与特征调节模块，两个模块采用相同的网络结构，分别获得左上角点和右下角点的坐标和中心位置信息，得到更好的向心偏移预测。
a)骨干网络提取的特征图采用角池化，即分别做水平方向和垂直方向的最大池化得到两个方向的特征图，将两个方向上的特征图进行融合，得到新的特征图。
b)通过角点预测模块，预测出每一个关键点属于什么类别，高斯化角点的真实标签构建要回归的角点热力图，让网络输出回归该热力图从而学习预测角点位置，角点预测过程中的损失如下：
Figure BDA0002756460300000051
其中，pcij表示预测的角点在类别表示为c的(i,j)位置的值，ycij表示对应位置的真实标签，H和W表示特征图的高和宽，N表示角点的数量，λ和μ表示用来控制权重的参数。
c)特征调节模块：经过角池化后会产生交叉点，包含大量的目标上下文信息。为了能够获得上下文信息，需要较大的感受野，采用交叉点可变形卷积增强交叉点处的视觉特征，提取蓝顶房内部信息，从角点到中心点的偏移中来产生偏移场，进行特征调节。
交叉点可变形卷积由指导偏移和偏移场两部分组成，指导偏移将角池化的输出嵌入到特征映射中，由指导偏移引导从角到中心的位置，引导非角点向边缘处偏移，指导偏移损失计算为：
Figure BDA0002756460300000052
其中，L表示SmoothL1损失，δ表示指导偏移，公式为：
Figure BDA0002756460300000061
Figure BDA0002756460300000062
Figure BDA0002756460300000063
Figure BDA0002756460300000064
(x中，y中)、(x左上，y左上)、(x右下,y右下)表示真实边界框的中心坐标、左上角点坐标、右下角点坐标，
Figure BDA0002756460300000065
表示预测边界框的中心坐标、左上角点坐标、右下角点坐标，s表示缩放因子。
偏移场将角池化后得到的角点信息与引导偏移后的偏移信息融合，该偏移场包含边界框的形状与方向信息，可以引导角点和向心偏移生成相应其中方向信息的中心点。
(4)向心偏移模块预测角点的向心偏移，并匹配角点对，使用经过交叉点可变形卷积调节之后的特征预测每个角点的向心偏移，接着结合角点位置，完成角点的匹配，得到检测目标的物体边界框，对于一个边界框：
b＝(x左上，y左上，x右下，y右下)
它的几何中心为：
Figure BDA0002756460300000066
左上角和右下角的向心偏移表示为：
Figure BDA0002756460300000067
Figure BDA0002756460300000068
在真实角点处的损失为：
Figure BDA0002756460300000069
其中，f左上、f右下表示左上角和右下角真实标注框的向心位移，
Figure BDA00027564603000000610
分别表示候选框的向心位移，L表示SmoothL1损失。
(5)向心偏移模块的预测边界框作为区域建议，结合各部分损失得到最终目标函数L＝L1+L2+L3进行联合训练优化，经过多次训练迭代后，用训练好的网络进行蓝顶房检测，得到蓝顶房检测结果。
本发明各部分具体实施细节如下：
(1)收集蓝顶房训练数据集与标注，由于遥感图像的分辨率都比较高，直接输入网络会导致参数过多，所以先将遥感图像进行裁剪为特定大小。
(2)使用全卷积网络作为主干网络来提取输入图像特征。
(3)采用两个结构相同的左上角点预测与特征调节模块和右下角点预测与特征调节模块分别获得左上角点和右下角点的位置信息和中心信息。
(4)向心偏移模块预测角点的向心偏移匹配角点，得到候选框。
(5)用蓝顶房的数据集训练网络，通过不断调整参数，得到一个具有鲁棒性的检测模型用以检测蓝顶房。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种基于关键点的蓝顶房检测方法，其特征在于：该方法包括以下步骤：
1)收集蓝顶房的训练数据，将图像裁剪为特定大小；
2)将图像输入特征提取网络提取特征；
3)左上角点和右下角点同步预测出角点的位置和向心位移，并根据位移的对齐情况匹配角点；
4)使用交叉点可变形卷积模块改善向心位移的生成，从角到相应中心的偏移中学习，进行特征适应，丰富角点位置的视觉特征；
5)通过中心点的匹配确定同一边界框的<左上，右下>坐标；
6)端到端的联合训练的到蓝顶房的检测模型，将待测试的遥感图像输入模型，最终输出蓝顶房检测结果。
2.根据权利要求1所述的一种基于关键点的蓝顶房检测方法，其特征在于：所述交叉点可变形卷积由指导偏移和偏移场两部分组成，指导偏移将角池化的输出嵌入到特征映射中，由指导偏移引导从角到中心的位置，引导非角点向边缘处偏移。
3.根据权利要求1所述的一种基于关键点的蓝顶房检测方法，其特征在于：所述特征提取网络提取的特征图采用角池化的方式将水平方向上和垂直方向上的特征图进行融合，得到新的特征图。
4.根据权利要求1所述的一种基于关键点的蓝顶房检测方法，其特征在于：所述3)具体为：a)骨干网络提取的特征图采用角池化，即分别做水平方向和垂直方向的最大池化得到两个方向的特征图，将两个方向上的特征图进行融合，得到新的特征图；
b)通过角点预测模块，预测出每一个关键点属于什么类别，高斯化角点的真实标签构建要回归的角点热力图，让网络输出回归该热力图从而学习预测角点位置，角点预测过程中的损失如下：
Figure FDA0002756460290000011
其中，pcij表示预测的角点在类别表示为c的(i,j)位置的值，ycij表示对应位置的真实标签，H和W表示特征图的高和宽，N表示角点的数量，λ和μ表示用来控制权重的参数；
c)特征调节模块：经过角池化后会产生交叉点，包含大量的目标上下文信息；为能够获得上下文信息，采用交叉点可变形卷积增强交叉点处的视觉特征，提取蓝顶房内部信息，从角点到中心点的偏移中来产生偏移场，进行特征调节；
交叉点可变形卷积由指导偏移和偏移场两部分组成，指导偏移将角池化的输出嵌入到特征映射中，由指导偏移引导从角到中心的位置，引导非角点向边缘处偏移，指导偏移损失计算为：
Figure FDA0002756460290000021
其中，L表示SmoothL1损失，δ表示指导偏移，公式为：
Figure FDA0002756460290000022
Figure FDA0002756460290000023
Figure FDA0002756460290000024
Figure FDA0002756460290000025
(x中，y中)、(x左上，y左上)、(x右下,y右下)表示真实边界框的中心坐标、左上角点坐标、右下角点坐标，
Figure FDA0002756460290000026
表示预测边界框的中心坐标、左上角点坐标、右下角点坐标，s表示缩放因子；
偏移场将角池化后得到的角点信息与引导偏移后的偏移信息融合，该偏移场包含边界框的形状与方向信息，可以引导角点和向心偏移生成相应其中方向信息的中心点。
5.根据权利要求4所述的一种基于关键点的蓝顶房检测方法，其特征在于：所述4)具体为：向心偏移模块预测角点的向心偏移，并匹配角点对，使用经过交叉点可变形卷积调节之后的特征预测每个角点的向心偏移，接着结合角点位置，完成角点的匹配，得到检测目标的物体边界框，对于一个边界框：
b＝(x左上，y左上，x右下，y右下)
它的几何中心为：
Figure FDA0002756460290000027
左上角和右下角的向心偏移表示为：
Figure FDA0002756460290000031
Figure FDA0002756460290000032
在真实角点处的损失为：
Figure FDA0002756460290000033
其中，f左上、f右下表示左上角和右下角真实标注框的向心位移，
Figure FDA0002756460290000034
分别表示候选框的向心位移，L表示SmoothL1损失。
6.根据权利要求5所述的一种基于关键点的蓝顶房检测方法，其特征在于：所述5)具体为：心偏移模块的预测边界框作为区域建议，结合各部分损失得到最终目标函数
L＝L1+L2+L3
进行联合训练优化，经过多次训练迭代后，用训练好的网络进行蓝顶房检测，得到蓝顶房检测结果。
CN202011204133.2A 2020-11-02 2020-11-02 一种基于关键点的蓝顶房检测方法 Pending CN112270278A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011204133.2A CN112270278A (zh) 2020-11-02 2020-11-02 一种基于关键点的蓝顶房检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011204133.2A CN112270278A (zh) 2020-11-02 2020-11-02 一种基于关键点的蓝顶房检测方法

Publications (1)

Publication Number Publication Date
CN112270278A true CN112270278A (zh) 2021-01-26

Family

ID=74344739

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011204133.2A Pending CN112270278A (zh) 2020-11-02 2020-11-02 一种基于关键点的蓝顶房检测方法

Country Status (1)

Country Link
CN (1) CN112270278A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537158A (zh) * 2021-09-09 2021-10-22 科大讯飞(苏州)科技有限公司 一种图像目标检测方法、装置、设备及存储介质
CN113822277A (zh) * 2021-11-19 2021-12-21 万商云集(成都)科技股份有限公司 基于深度学习目标检测的违规广告图片检测方法及系统
CN114998347A (zh) * 2022-08-04 2022-09-02 创新奇智(成都)科技有限公司 一种半导体面板角点定位方法及装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934204A (zh) * 2019-03-22 2019-06-25 重庆邮电大学 一种基于卷积神经网络的人脸表情识别方法
CN110334752A (zh) * 2019-06-26 2019-10-15 电子科技大学 一种基于梯形卷积的不规则形状物体检测方法
EP3553700A2 (en) * 2018-04-12 2019-10-16 Orbital Insight, Inc. Remote determination of containers in geographical region
CN110532894A (zh) * 2019-08-05 2019-12-03 西安电子科技大学 基于边界约束CenterNet的遥感目标检测方法
CN110765906A (zh) * 2019-10-12 2020-02-07 上海雪湖科技有限公司 一种基于关键点的行人检测算法
CN111062384A (zh) * 2019-11-08 2020-04-24 博云视觉（北京）科技有限公司 一种基于深度学习的车窗精确定位方法
CN111242088A (zh) * 2020-01-22 2020-06-05 上海商汤临港智能科技有限公司 一种目标检测方法、装置、电子设备及存储介质
CN111476159A (zh) * 2020-04-07 2020-07-31 哈尔滨工业大学 一种基于双角回归的检测模型训练、检测方法及装置
CN111523553A (zh) * 2020-04-03 2020-08-11 中国计量大学 一种基于相似度矩阵的中心点网络多目标检测方法
CN111667030A (zh) * 2020-07-13 2020-09-15 华东理工大学 基于深度神经网络实现遥感图像目标检测的方法、系统及其存储介质
CN111860398A (zh) * 2020-07-28 2020-10-30 河北师范大学 遥感图像目标检测方法、系统及终端设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3553700A2 (en) * 2018-04-12 2019-10-16 Orbital Insight, Inc. Remote determination of containers in geographical region
CN109934204A (zh) * 2019-03-22 2019-06-25 重庆邮电大学 一种基于卷积神经网络的人脸表情识别方法
CN110334752A (zh) * 2019-06-26 2019-10-15 电子科技大学 一种基于梯形卷积的不规则形状物体检测方法
CN110532894A (zh) * 2019-08-05 2019-12-03 西安电子科技大学 基于边界约束CenterNet的遥感目标检测方法
CN110765906A (zh) * 2019-10-12 2020-02-07 上海雪湖科技有限公司 一种基于关键点的行人检测算法
CN111062384A (zh) * 2019-11-08 2020-04-24 博云视觉（北京）科技有限公司 一种基于深度学习的车窗精确定位方法
CN111242088A (zh) * 2020-01-22 2020-06-05 上海商汤临港智能科技有限公司 一种目标检测方法、装置、电子设备及存储介质
CN111523553A (zh) * 2020-04-03 2020-08-11 中国计量大学 一种基于相似度矩阵的中心点网络多目标检测方法
CN111476159A (zh) * 2020-04-07 2020-07-31 哈尔滨工业大学 一种基于双角回归的检测模型训练、检测方法及装置
CN111667030A (zh) * 2020-07-13 2020-09-15 华东理工大学 基于深度神经网络实现遥感图像目标检测的方法、系统及其存储介质
CN111860398A (zh) * 2020-07-28 2020-10-30 河北师范大学 遥感图像目标检测方法、系统及终端设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZHIWEI DONG: "CentripetalNet: Pursuing High-quality Keypoint Pairs for Object Detection", 《2020 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537158A (zh) * 2021-09-09 2021-10-22 科大讯飞(苏州)科技有限公司 一种图像目标检测方法、装置、设备及存储介质
CN113822277A (zh) * 2021-11-19 2021-12-21 万商云集(成都)科技股份有限公司 基于深度学习目标检测的违规广告图片检测方法及系统
CN113822277B (zh) * 2021-11-19 2022-02-18 万商云集(成都)科技股份有限公司 基于深度学习目标检测的违规广告图片检测方法及系统
CN114998347A (zh) * 2022-08-04 2022-09-02 创新奇智(成都)科技有限公司 一种半导体面板角点定位方法及装置
CN114998347B (zh) * 2022-08-04 2022-10-21 创新奇智(成都)科技有限公司 一种半导体面板角点定位方法及装置

Similar Documents

Publication Publication Date Title
CN111563442B (zh) 基于激光雷达的点云和相机图像数据融合的slam方法及系统
CN109657631B (zh) 人体姿态识别方法及装置
CN110175576B (zh) 一种结合激光点云数据的行驶车辆视觉检测方法
CN112270278A (zh) 一种基于关键点的蓝顶房检测方法
CN112785643A (zh) 一种基于机器人平台的室内墙角二维语义地图构建方法
CN111126304A (zh) 一种基于室内自然场景图像深度学习的增强现实导航方法
CN105389569B (zh) 一种人体姿态估计方法
CN111486855A (zh) 一种具有物体导航点的室内二维语义栅格地图构建方法
CN109685013B (zh) 人体姿态识别中头部关键点的检测方法及装置
CN101770581B (zh) 高分辨率城区遥感图像中道路中心线的半自动检测方法
CN107424161B (zh) 一种由粗至精的室内场景图像布局估计方法
CN104517095B (zh) 一种基于深度图像的人头分割方法
CN105869178A (zh) 一种基于多尺度组合特征凸优化的复杂目标动态场景无监督分割方法
CN113435282B (zh) 基于深度学习的无人机影像麦穗识别方法
CN110738132B (zh) 一种具备判别性感知能力的目标检测质量盲评价方法
CN115115672B (zh) 基于目标检测和特征点速度约束的动态视觉slam方法
CN106407978B (zh) 一种结合似物度的无约束视频中显著物体检测方法
KR20230132686A (ko) PointNet++ 신경망 기반 콘크리트배관 손상 인식 및 체적 디스플레이 방법
CN111400423B (zh) 基于多视图几何的智慧城市cim三维车辆位姿建模系统
CN115272353A (zh) 适用于裂纹检测的图像处理方法
CN105631849B (zh) 多边形目标的变化检测方法及装置
CN108287845A (zh) 一种道路信息自动提取方法和装置、及混合导航系统
CN116682006A (zh) 一种基于街景图片的城市建筑风格要素提取方法及系统
CN117036733A (zh) 一种城市道路场景特征线提取的方法
CN113920254B (zh) 一种基于单目rgb的室内三维重建方法及其系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210126