CN112308154A - 一种基于yolov3-tiny的航拍车辆检测方法 - Google Patents

一种基于yolov3-tiny的航拍车辆检测方法 Download PDF

Info

Publication number
CN112308154A
CN112308154A CN202011209941.8A CN202011209941A CN112308154A CN 112308154 A CN112308154 A CN 112308154A CN 202011209941 A CN202011209941 A CN 202011209941A CN 112308154 A CN112308154 A CN 112308154A
Authority
CN
China
Prior art keywords
tiny
yolov3
aerial
vehicle detection
target
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
CN202011209941.8A
Other languages
English (en)
Inventor
瞿绍军
鲁博
贺禧
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.)
Hunan Normal University
Original Assignee
Hunan Normal 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 Hunan Normal University filed Critical Hunan Normal University
Priority to CN202011209941.8A priority Critical patent/CN112308154A/zh
Publication of CN112308154A publication Critical patent/CN112308154A/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
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/11—File system administration, e.g. details of archiving or snapshots
    • G06F16/116—Details of conversion of file system types or formats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Abstract

本发明公开了一种基于yolov3‑tiny的航拍车辆检测方法，包括获取原始的航拍图像数据；将获取的原始的航拍图像数据转换为xml文件数据；构建改进型yolov3‑tiny航拍车辆检测网络；采用得到的xml文件数据训练构建的改进型yolov3‑tiny航拍车辆检测网络并得到航拍车辆检测模型；采用航拍车辆检测模型对实际获取的航拍图像进行车辆检测并完成航拍车辆检测。本发明提供的这种基于yolov3‑tiny的航拍车辆检测方法，通过对现有的yolov3‑tiny检测网络进行改进和优化，实现了航拍车辆的精准检测，而且可靠性高、实用性好。

Description

一种基于yolov3-tiny的航拍车辆检测方法
技术领域
本发明属于图像处理领域，具体涉及一种基于yolov3-tiny的航拍车辆检测方法。
背景技术
随着经济技术的发展，基于高空图像的目标检测技术已经越来越受到人们的关注。
目前，目标检测主要分为基于传统机器学习的算法和基于深度学习的算法，而基于深度学习的目标检测在近些年突飞猛进，并取得了不错的效果。基于深度学习的目标检测算法主要分为两类：One-stage算法和Two-stage算法。Two-stage目标检测算法先进行区域生成(region proposal，RP)(一个有可能包含待检物体的预选框)，再通过卷积神经网络进行样本分类。常见的Two-stage目标检测算法有：R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN和R-FCN等。One-stage算法支持端到端的训练，不用RP，直接在网络中提取特征来预测物体分类和位置。常见的One-stage目标检测算法有：OverFeat、YOLO、SSD等。
One-stage算法中，YOLO系列的目标检测算法性能较好，而yolov3和yolov3-tiny分别在精度和速度上有着极佳的表现。yolov3的主干网使用了darknet53，其具有53层卷积层且引入了残差块，同时还引入了FPN架构实现多尺度检测。而yolov3-tiny为了提高速度，在yolov3算法的基础上去掉了一些特征层，并且只保留了13x13和26x26两个尺度的预测分支，在精度上有一定的损失但是速度提升很大。
经典的yolov3-tiny算法的结构如图1所示。Yolov3-tiny采用轻量级主干网：8个卷积层以及5个下采样层组合而成。通过主干网对输入图像进行特征提取，再通过两个不同的预测分支再不同尺度(分辨率)上对提取到的特征进行再卷积，最后得到预测用的特征图，在图上预测出目标的位置与类别。其中，26x26分辨率的特征图融合了来自13x13分辨率的深层次特征，加强了其高维抽象语义。
yolov3算法虽然比two-stage算法快很多，但是其backbone darknet-53仍然较为庞大，包含53层网络且需要在3个尺度上进行结果预测，检测速度仍然难以达到实际运用的需求；而yolov3-tiny算法的backbone只包含了较少的conv层和pool层，且只在2个尺度上进行结果预测,因此检测速度极快，在实际运用领域具有较高的优先权。但是，航拍图像中的车辆往往是小目标，在图像中占据很小的面积，无论是yolov3还是yolov3-tiny针对小目标的检测都存在精度较低的问题，尤其是yolov3-tiny为了速度牺牲了较多的精度。因此，目前尚没有一种可靠性高、实用性好且精度较高的算法，能够实现较好的航拍车辆检测。
发明内容
本发明的目的在于提供一种可靠性高、实用性好且精度较高的基于yolov3-tiny的航拍车辆检测方法。
本发明提供的这种基于yolov3-tiny的航拍车辆检测方法，包括如下步骤：
S1.获取原始的航拍图像数据；
S2.将步骤S1获取的原始的航拍图像数据转换为xml文件数据；
S3.构建改进型yolov3-tiny航拍车辆检测网络；
S4.采用步骤S2得到的xml文件数据，对步骤S3构建的改进型yolov3-tiny航拍车辆检测网络进行训练，从而得到航拍车辆检测模型；
S5.采用步骤S4训练得到的航拍车辆检测模型，对实际获取的航拍图像进行车辆检测，从而完成航拍车辆检测。
步骤S1所述的原始的航拍图像数据，具体为采用Tesla100数据集。
步骤S2所述的将步骤S1获取的原始的航拍图像数据转换为xml文件数据，具体为选择原始航拍图像的vedai数据集的彩色图像部分，把图片对应的标签从txt文本中浮点比例格式转换为voc2007数据集格式要求的xml文件。
步骤S2所述的将步骤S1获取的原始的航拍图像数据转换为xml文件数据，具体为采用如下步骤进行转换：
A.创建xml文件，并创建根标签<annotation>，并在根标签下创建<size>，<object>子标签；
B.在<size>标签下创建<width>，<height>标签，并写入512作为图片尺寸表述；
C.在<object>标签下创建<name>子标签并写入car表示目标类别；
D.在<object>标签下创建<bndbox>子标签用来表述目标框信息；
E.根据检测需要，将代号x1～x4中取最大值写入<xmax>，将代号x1～x4中取最小值写入<xmin>，y1～y4中取最大值写入<ymax>，将代号y1～y4中取最小值写入<ymin>，表示目标框的坐标信息；
其中原始txt文件格式为：
(x y o c e oc x1 x2 x3 x4 y1 y2 y3 y4)；
xml文件格式为：
(width height depth name xmin ymin xmax ymax)；
其中x为目标中心横坐标；y为目标中心纵坐标；o为目标方向；c为目标类别；e为目标完整标志；oc为目标遮挡标志；x1～x4为目标4个角的横坐标；y1～y4中为目标4个角的纵坐标。
步骤S3所述的构建改进型yolov3-tiny航拍车辆检测网络，具体为采用如下步骤构建改进型yolov3-tiny航拍车辆检测网络：
针对原始的yolov3-tiny检测网络：
将第4个、第5个和第8个卷积层输出的通道数压缩至128；
将网络的初始分辨率从416*416提升至512*512；
在yolov3-tiny检测网络的主干网上加入Bifpn特征金字塔；
在64*64分辨率的特征图上增加新的预测分支；
采用upsample-block上采样结构作为新的上采样层；
采用如下算式作为置信度模型：
Figure BDA0002758488100000041
式中λobj为正样本权重系数；λnobj为非目标框的权重；S2为网格个数；B为boundingbox预测框的个数；若第i个网络的第j个anchor box负责这个object，则
Figure BDA0002758488100000042
为1，否则
Figure BDA0002758488100000043
为0；若第i个grid cell的第j个bounding box负责预测某个对象，则
Figure BDA0002758488100000044
为1，否则
Figure BDA0002758488100000045
为0；
Figure BDA0002758488100000046
表示第i个网络的第j个anchor box不负责该目标。
所述的在64*64分辨率的特征图上增加新的预测分支，具体为在BiFPN结构最顶部的最后一层网络添加一个卷积核尺度为1、步长为1、卷积核数量为18的卷积层进行通道压缩，使得输出变为64*64*18后再进行输出。
本发明提供的这种基于yolov3-tiny的航拍车辆检测方法，通过对现有的yolov3-tiny检测网络进行改进和优化，实现了航拍车辆的精准检测，而且可靠性高、实用性好。
附图说明
图1为现有的yolov3-tiny算法的结构示意图。
图2为本发明方法的方法流程示意图。
图3为本发明方法的改进型yolov3-tiny航拍车辆检测网络的网络示意图。
图4为本发明方法的改进型yolov3-tiny航拍车辆检测网络的Bifpn特征金字塔的结构示意图。
图5为本发明方法的改进型yolov3-tiny航拍车辆检测网络中的上采样结构的结果示意图。
图6为本发明方法的检测效果示意图。
具体实施方式
如图2所示为本发明方法的方法流程示意图：本发明提供的这种基于yolov3-tiny的航拍车辆检测方法，包括如下步骤：
S1.获取原始的航拍图像数据；具体为采用Tesla100数据集；
S2.将步骤S1获取的原始的航拍图像数据转换为xml文件数据；具体为选择原始航拍图像的vedai数据集的彩色图像部分，把图片对应的标签从txt文本中浮点比例格式转换为voc2007数据集格式要求的xml文件；
在具体实施时，可以采用如下步骤进行转换：
A.创建xml文件，并创建根标签<annotation>，并在根标签下创建<size>，<object>子标签；
B.在<size>标签下创建<width>，<height>标签，并写入512作为图片尺寸表述；
C.在<object>标签下创建<name>子标签并写入car表示目标类别；
D.在<object>标签下创建<bndbox>子标签用来表述目标框信息；
E.根据检测需要，将代号x1～x4中取最大值写入<xmax>，将代号x1～x4中取最小值写入<xmin>，y1～y4中取最大值写入<ymax>，将代号y1～y4中取最小值写入<ymin>，表示目标框的坐标信息；
其中原始txt文件格式为：
(x y o c e oc x1 x2 x3 x4 y1 y2 y3 y4)；
xml文件格式为：
(width height depth name xmin ymin xmax ymax)；
其中x为目标中心横坐标；y为目标中心纵坐标；o为目标方向；c为目标类别；e为目标完整标志；oc为目标遮挡标志；x1～x4为目标4个角的横坐标；y1～y4中为目标4个角的纵坐标；
S3.构建改进型yolov3-tiny航拍车辆检测网络(如图3所示)；具体为采用如下步骤构建改进型yolov3-tiny航拍车辆检测网络：
针对原始的yolov3-tiny检测网络：
将第4个、第5个和第8个卷积层输出的通道数压缩至128，从而减少计算量；
将网络的初始分辨率从416*416提升至512*512；
在yolov3-tiny检测网络的主干网上加入Bifpn特征金字塔；Bifpn特征金字塔的原理为：通过从主干网的不同特征层提取特征，并对其进行从上到下(分辨率从大到小)再从下到上(分辨率从小到大)的融合与特征提取；Bifpn特征金字塔如图4所示：图中Pn标示主干网不同特征层的特征输出，每一个原点代表一个卷积层，箭头表示两个层间之间有输入通道连接；
基于小目标检测的需求与Bifpn的结构特征，在64*64分辨率的特征图上增加新的预测分支；具体为在BiFPN结构最顶部的最后一层网络添加一个卷积核尺度为1、步长为1、卷积核数量为18的卷积层进行通道压缩，使得输出变为64*64*18后再进行输出；采用upsample-block上采样结构作为新的上采样层；upsample-block上采样结构如图5所示(图3中的ub模块)：其中conv为卷积层，upsample为nearest上采样层；deconv为反卷积层；
采用如下算式作为置信度模型：
Figure BDA0002758488100000071
式中λobj为正样本权重系数(优选为5.5)；λnobj为非目标框的权重；S2为网格个数；B为boundingbox预测框的个数；若第i个网络的第j个anchor box负责这个object，则
Figure BDA0002758488100000072
为1，否则
Figure BDA0002758488100000073
为0；若第i个grid cell的第j个bounding box负责预测某个对象，则
Figure BDA0002758488100000074
为1，否则
Figure BDA0002758488100000075
为0；
Figure BDA0002758488100000076
表示第i个网络的第j个anchor box不负责该目标；该置信度模型增加了正样本权重系数，从而增加了正样本(数量少)的影响，削弱负样本影响；
S4.采用步骤S2得到的xml文件数据，对步骤S3构建的改进型yolov3-tiny航拍车辆检测网络进行训练，从而得到航拍车辆检测模型；
S5.采用步骤S4训练得到的航拍车辆检测模型，对实际获取的航拍图像进行车辆检测，从而完成航拍车辆检测。
通过图6可以看到，本发明方法能够较好的、精确的对航拍图像中的车辆进行检测，而且效果较好。
本发明方法在Tesla100上进行训练和测试，其效果如下表1所示：
表1测试对比效果示意表
网络 Map 帧/s 参数体量
yolov3-tiny 0.780 43 33.69
yolov3 0.816 24 235.55
本发明 0.877 43 29.94
通过表1可以看到，本发明网络无论是在map(平均精准度)、速度(帧/s)还是参数体量大小上都明显优于yolov3，同时在速度近乎相同的情况下比yolov3-tiny的map高出9.7％，参数体量约减小11％。

Claims (6)

1.一种基于yolov3-tiny的航拍车辆检测方法，包括如下步骤：
S1.获取原始的航拍图像数据；
S2.将步骤S1获取的原始的航拍图像数据转换为xml文件数据；
S3.构建改进型yolov3-tiny航拍车辆检测网络；
S4.采用步骤S2得到的xml文件数据，对步骤S3构建的改进型yolov3-tiny航拍车辆检测网络进行训练，从而得到航拍车辆检测模型；
S5.采用步骤S4训练得到的航拍车辆检测模型，对实际获取的航拍图像进行车辆检测，从而完成航拍车辆检测。
2.根据权利要求1所述的一种基于yolov3-tiny的航拍车辆检测方法，其特征在于步骤S1所述的原始的航拍图像数据，具体为采用Tesla100数据集。
3.根据权利要求1所述的一种基于yolov3-tiny的航拍车辆检测方法，其特征在于步骤S2所述的将步骤S1获取的原始的航拍图像数据转换为xml文件数据，具体为选择原始航拍图像的vedai数据集的彩色图像部分，把图片对应的标签从txt文本中浮点比例格式转换为voc2007数据集格式要求的xml文件。
4.根据权利要求3所述的一种基于yolov3-tiny的航拍车辆检测方法，其特征在于步骤S2所述的将步骤S1获取的原始的航拍图像数据转换为xml文件数据，具体为采用如下步骤进行转换：
A.创建xml文件，并创建根标签<annotation>，并在根标签下创建<size>，<object>子标签；
B.在<size>标签下创建<width>，<height>标签，并写入512作为图片尺寸表述；
C.在<object>标签下创建<name>子标签并写入car表示目标类别；
D.在<object>标签下创建<bndbox>子标签用来表述目标框信息；
E.根据检测需要，将代号x1～x4中取最大值写入<xmax>，将代号x1～x4中取最小值写入<xmin>，y1～y4中取最大值写入<ymax>，将代号y1～y4中取最小值写入<ymin>，表示目标框的坐标信息；
其中原始txt文件格式为：
(x y o c e oc x1 x2 x3 x4 y1 y2 y3 y4)；
xml文件格式为：
(width height depth name xmin ymin xmax ymax)；
其中x为目标中心横坐标；y为目标中心纵坐标；o为目标方向；c为目标类别；e为目标完整标志；oc为目标遮挡标志；x1～x4为目标4个角的横坐标；y1～y4中为目标4个角的纵坐标。
5.根据权利要求1～4之一所述的一种基于yolov3-tiny的航拍车辆检测方法，其特征在于步骤S3所述的构建改进型yolov3-tiny航拍车辆检测网络，具体为采用如下步骤构建改进型yolov3-tiny航拍车辆检测网络：
针对原始的yolov3-tiny检测网络：
将第4个、第5个和第8个卷积层输出的通道数压缩至128；
将网络的初始分辨率从416*416提升至512*512；
在yolov3-tiny检测网络的主干网上加入Bifpn特征金字塔；
在64*64分辨率的特征图上增加新的预测分支：
采用upsample-block上采样结构作为新的上采样层；
采用如下算式作为置信度模型：
Figure FDA0002758488090000031
Figure FDA0002758488090000032
式中λobj为正样本权重系数；λnobj为非目标框的权重；S2为网格个数；B为boundingbox预测框的个数；若第i个网络的第j个anchor box负责这个object，则
Figure FDA0002758488090000033
为1，否则
Figure FDA0002758488090000034
为0；若第i个grid cell的第j个bounding box负责预测某个对象，则
Figure FDA0002758488090000035
为1，否则
Figure FDA0002758488090000036
为0；
Figure FDA0002758488090000037
表示第i个网络的第j个anchor box不负责该目标。
6.根据权利要求5所述的一种基于yolov3-tiny的航拍车辆检测方法，其特征在于所述的在64*64分辨率的特征图上增加新的预测分支，具体为在BiFPN结构最顶部的最后一层网络添加一个卷积核尺度为1、步长为1、卷积核数量为18的卷积层进行通道压缩，使得输出变为64*64*18后再进行输出。
CN202011209941.8A 2020-11-03 2020-11-03 一种基于yolov3-tiny的航拍车辆检测方法 Pending CN112308154A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011209941.8A CN112308154A (zh) 2020-11-03 2020-11-03 一种基于yolov3-tiny的航拍车辆检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011209941.8A CN112308154A (zh) 2020-11-03 2020-11-03 一种基于yolov3-tiny的航拍车辆检测方法

Publications (1)

Publication Number Publication Date
CN112308154A true CN112308154A (zh) 2021-02-02

Family

ID=74333947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011209941.8A Pending CN112308154A (zh) 2020-11-03 2020-11-03 一种基于yolov3-tiny的航拍车辆检测方法

Country Status (1)

Country Link
CN (1) CN112308154A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113902744A (zh) * 2021-12-10 2022-01-07 湖南师范大学 基于轻量级网络的图像检测方法、系统、设备和存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180253613A1 (en) * 2017-03-06 2018-09-06 Honda Motor Co., Ltd. System and method for vehicle control based on red color and green color detection
CN109447247A (zh) * 2018-10-23 2019-03-08 北京旷视科技有限公司 获得卷积神经网络的方法及装置
CN109508710A (zh) * 2018-10-23 2019-03-22 东华大学 基于改进YOLOv3网络的无人车夜间环境感知方法
CN110175524A (zh) * 2019-04-26 2019-08-27 南京航空航天大学 一种基于轻量级深度卷积网络的快速精确航拍车辆检测方法
CN110210452A (zh) * 2019-06-14 2019-09-06 东北大学 一种基于改进tiny-yolov3的矿用卡车环境下目标检测方法
CN110689118A (zh) * 2019-09-29 2020-01-14 华南理工大学 一种基于YOLO V3-tiny改进的目标检测方法
CN110852330A (zh) * 2019-10-23 2020-02-28 天津大学 一种基于单阶段的行为识别方法
US20200090004A1 (en) * 2018-09-14 2020-03-19 Toyota Jidosha Kabushiki Kaisha Object detection device, vehicle control system, object detection method, and non-transitory computer readable medium
CN111160212A (zh) * 2019-12-24 2020-05-15 浙江大学 一种基于YOLOv3-Tiny改进的跟踪学习检测系统及方法
CN111462050A (zh) * 2020-03-12 2020-07-28 上海理工大学 改进YOLOv3的极小遥感图像目标检测方法、装置及存储介质
CN111814863A (zh) * 2020-07-03 2020-10-23 南京信息工程大学 一种轻量级车辆与行人的检测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180253613A1 (en) * 2017-03-06 2018-09-06 Honda Motor Co., Ltd. System and method for vehicle control based on red color and green color detection
US20200090004A1 (en) * 2018-09-14 2020-03-19 Toyota Jidosha Kabushiki Kaisha Object detection device, vehicle control system, object detection method, and non-transitory computer readable medium
CN109447247A (zh) * 2018-10-23 2019-03-08 北京旷视科技有限公司 获得卷积神经网络的方法及装置
CN109508710A (zh) * 2018-10-23 2019-03-22 东华大学 基于改进YOLOv3网络的无人车夜间环境感知方法
CN110175524A (zh) * 2019-04-26 2019-08-27 南京航空航天大学 一种基于轻量级深度卷积网络的快速精确航拍车辆检测方法
CN110210452A (zh) * 2019-06-14 2019-09-06 东北大学 一种基于改进tiny-yolov3的矿用卡车环境下目标检测方法
CN110689118A (zh) * 2019-09-29 2020-01-14 华南理工大学 一种基于YOLO V3-tiny改进的目标检测方法
CN110852330A (zh) * 2019-10-23 2020-02-28 天津大学 一种基于单阶段的行为识别方法
CN111160212A (zh) * 2019-12-24 2020-05-15 浙江大学 一种基于YOLOv3-Tiny改进的跟踪学习检测系统及方法
CN111462050A (zh) * 2020-03-12 2020-07-28 上海理工大学 改进YOLOv3的极小遥感图像目标检测方法、装置及存储介质
CN111814863A (zh) * 2020-07-03 2020-10-23 南京信息工程大学 一种轻量级车辆与行人的检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
M. TAN ET AL.: "EfficientDet: Scalable and Efficient Object Detection", 《2020 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 *
P. ADARSH ET AL.: "YOLO v3-Tiny: Object Detection and Recognition using one stage improved model", 《2020 6TH INTERNATIONAL CONFERENCE ON ADVANCED COMPUTING AND COMMUNICATION SYSTEMS 》 *
XIAOLAN WANG ET AL.: "Data-Driven Based Tiny-YOLOv3 Method for Front Vehicle Detection Inducing SPP-Net", 《IEEE ACCESS》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113902744A (zh) * 2021-12-10 2022-01-07 湖南师范大学 基于轻量级网络的图像检测方法、系统、设备和存储介质
CN113902744B (zh) * 2021-12-10 2022-03-08 湖南师范大学 基于轻量级网络的图像检测方法、系统、设备和存储介质

Similar Documents

Publication Publication Date Title
CN110188705B (zh) 一种适用于车载系统的远距离交通标志检测识别方法
CN108961235B (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN110135267A (zh) 一种大场景sar图像细微目标检测方法
CN110287960A (zh) 自然场景图像中曲线文字的检测识别方法
CN113887459B (zh) 一种基于改进Unet++的露天矿区采场变化区域检测方法
CN110782420A (zh) 一种基于深度学习的小目标特征表示增强方法
CN112966684A (zh) 一种注意力机制下的协同学习文字识别方法
CN112232371B (zh) 一种基于YOLOv3与文本识别的美式车牌识别方法
CN111753828A (zh) 一种基于深度卷积神经网络的自然场景水平文字检测方法
CN113780211A (zh) 一种基于改进型Yolov4-tiny的轻量级飞机检测方法
CN111178451A (zh) 一种基于YOLOv3网络的车牌检测方法
CN116645592B (zh) 一种基于图像处理的裂缝检测方法和存储介质
CN115131797B (zh) 一种基于特征增强金字塔网络的场景文本检测方法
CN114841972A (zh) 基于显著性图和语义嵌入特征金字塔的输电线路缺陷识别方法
CN112801183A (zh) 一种基于YOLO v3的多尺度目标检测方法
CN111353544A (zh) 一种基于改进的Mixed Pooling-YOLOV3目标检测方法
CN111507353B (zh) 一种基于文字识别的中文字段检测方法及系统
CN113903022A (zh) 基于特征金字塔与注意力融合的文本检测方法及系统
CN113920468A (zh) 一种基于跨尺度特征增强的多分支行人检测方法
CN116385911A (zh) 一种用于无人机巡检绝缘子的轻量型目标检测方法
CN112308154A (zh) 一种基于yolov3-tiny的航拍车辆检测方法
CN112926582B (zh) 一种基于自适应特征选择和尺度损失函数的文本检测方法
CN114299383A (zh) 基于密度图与注意力机制融合的遥感图像目标检测方法
CN110046595A (zh) 一种基于级联式多尺度的密集人脸检测方法
CN111598140A (zh) 一种基于胶囊网络的遥感图像分类方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210202

RJ01 Rejection of invention patent application after publication