CN112329737A - 一种基于改进Faster RCNN的车辆检测方法 - Google Patents
一种基于改进Faster RCNN的车辆检测方法 Download PDFInfo
- Publication number
- CN112329737A CN112329737A CN202011382344.5A CN202011382344A CN112329737A CN 112329737 A CN112329737 A CN 112329737A CN 202011382344 A CN202011382344 A CN 202011382344A CN 112329737 A CN112329737 A CN 112329737A
- Authority
- CN
- China
- Prior art keywords
- network
- convolution
- vehicle
- rcnn
- frame
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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改进Faster RCNN的车辆检测方法。所述方法包括:将车辆图像进行扩充,并分为训练集、验证集和测试集;对Faster RCNN网络进行搭建,将残差网络(ResNet50)作为主干网络,连接RPN层提取细节特征,再连接ROI Pooling层提取建议特征图,然后计算检测框的类别,再通过边界框回归获得检测框的最终精确位置;将残差块中的3×3卷积替换为3×3空洞卷积,对Faster RCNN进行改进;将训练集和验证集的车辆数据加载到改进后的Faster RCNN网络进行训练,然后保存训练好的网络;用保存好的网络对测试集图像进行测试,得到测试结果,完成车辆的检测;与传统Faster RCNN算法相比,本方法能以较高的准确率将图像中的小目标车辆检测出来。
Description
技术领域
本发明涉及深度学习相关领域,尤其涉及一种基于改进Faster RCNN的车辆检测方法。
背景技术
汽车是人们出行的最重要交通工具之一,各种型号的车辆层出不穷,随着汽车数量的逐渐增多,带来的是交通事故的持续增长,同时也给相关部门的监管带来了重重考验。现如今监控摄像头已遍布于大街小巷,其采集到的车辆信息可以在必要时为监管部门提供重要信息。为了能够在车辆较小且难以被检测出来的情况下,更加高效的获取监控图像中的车辆信息,提出一种基于改进Faster RCNN的车辆检测方法显得尤为重要。
传统的Faster RCNN是一种经典的目标检测算法,将VGG16网络作为主干,提出了区域建议网络(RPN),使得在特征图上生成候选框,再通过一系列全连接层进而得到预测结果,该方法对于一般尺寸的目标具有较高检测精度,但是对于图像中存在小目标的情况,检测效果仍然不佳。因此本发明通过采用以ResNet50为主干,并结合空洞卷积的方式对传统Faster RCNN算法进行改进,提出了一种基于改进Faster RCNN的车辆检测方法。
发明内容
本发明的目的在于公开一种基于改进Faster RCNN的车辆检测方法,在主干网络上应用空洞卷积的方式,使得该方法针对图像中的小尺寸车辆能够进行有效检测,并且达到较高的准确率。
一种基于改进Faster RCNN的车辆检测方法,包括:
步骤一、将收集到的车辆图像进行翻折和旋转的图像扩充,并进行标签,然后将其分为训练集、验证集和测试集;
步骤二、对Faster RCNN网络进行搭建,将残差网络作为主干网络,连接RPN层提取细节特征,再连接ROI Pooling层提取建议特征图,然后计算检测框的类别,再通过边界框回归获得检测框的最终精确位置;
步骤三、针对小目标车辆,对Faster RCNN进行改进,将ResNet50残差块中的3×3卷积替换为3×3空洞卷积,空洞率为2;
步骤四、将训练集和验证集的车辆数据加载到改进后的Faster RCNN网络进行训练,然后保存训练好的网络;
步骤五、用保存好的网络对测试集图像进行测试,得到测试结果,完成车辆目标的检测。
步骤一中的训练集、验证集、测试集图像分别占车辆图像总数的80%、10%和10%。
步骤二中的对Faster RCNN网络进行搭建,采用残差网络(ResNet50)作为主干的Faster RCNN结构,将车辆图像缩放至固定的800×600大小,然后将图像输入主干结构,生成特征图;然后连接RPN层,通过分类和回归操作生成精确的检测框,进而完成目标的定位功能;之后连接ROI Pooling层,收集输入的特征图和候选框,综合信息后提取建议特征图;最后利用建议特征图计算检测框的类别,再通过边界框回归获得最终精确位置。
步骤三中的空洞卷积是在标准的卷积核中注入空洞,相比于正常的卷积,空洞卷积多了一个参数——空洞率,指的是卷积核的间隔数量,当空洞率为1时,则为正常卷积;残差块是ResNet50网络的主要结构,残差块是一个1×1卷积连接一个3×3空洞卷积,空洞率为2,然后3×3空洞卷积再连接一个1×1卷积,最后再叠加一个1×1卷积,并经过ReLU激活函数激活的结构,ResNet50网络由一个7×7卷积连接一个3×3最大池化、然后连接16个残差块、再连一个平均池化、最后连接一个全连接层构成。
步骤四中的网络训练采用RPN网络加Fast RCNN网络的联合训练方式,前者是候选框推荐算法,后者是对候选框的位置和框内物体的类别进行细致计算,训练过程包含以下步骤:
(1)首先在ResNet50模型上,单独训练RPN网络参数;
(2)固定RPN网络独有的卷积层以及全连接参数,利用RPN网络生成的候选框去训练Fast RCNN网络参数;
(3)固定利用Fast RCNN训练好的前置卷积网络参数,去微调RPN网络独有的卷积层和全连接层;
(4)同样固定前置卷积网络层参数,去微调Fast RCNN网络的全连接层参数;
(5)RPN网络与Fast RCNN网络共享前置卷积网络层参数,构成一个统一网络;
(6)保存训练好的网络。
步骤五中对测试集图像进行测试,是将测试集图像输入训练好的网络里,输出的图像能够对车辆部分用矩形框圈出,并显示该车辆检测结果的准确率,完成车辆目标的检测。
本发明的有益效果为:
本发明提出了一种基于改进Faster RCNN的车辆检测方法,在主干网络ResNet50中的残差块部分将3×3卷积替换为3×3空洞卷积,空洞率为2,对传统Faster RCNN网络进行了改进,使得特征图的感受野进一步扩大,可以对小尺寸车辆进行检测,并达到较高的准确率。
附图说明
图1为本发明涉及的一种基于改进Faster RCNN的车辆检测方法的实施流程图。
图2为本发明涉及的一种基于改进Faster RCNN的车辆检测方法的RPN层结构图。
图3为本发明涉及的一种基于改进Faster RCNN的车辆检测方法的ROI Pooling层结构图。
图4为本发明涉及的一种基于改进Faster RCNN的车辆检测方法的空洞卷积示意图。
图5为本发明涉及的一种基于改进Faster RCNN的车辆检测方法的残差块结构图。
图6为本发明涉及的一种基于改进Faster RCNN的车辆检测方法的网络训练流程图。
具体实施方式
本发明提出了一种基于改进Faster RCNN的车辆检测方法。为了使本技术领域的人员更好地理解本发明实施例中的技术方案,并使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明中技术方案作进一步详细的说明:
具体实施方式一
本发明首先提供了一种基于改进Faster RCNN的车辆检测方法,其实施流程图如图1所示,具体方法如下:
步骤一、将收集到的车辆图像进行翻折和旋转的图像扩充,并进行标签,然后将其分为训练集、验证集和测试集;
步骤二、对Faster RCNN网络进行搭建,将残差网络作为主干网络,连接RPN层提取细节特征,再连接ROI Pooling层提取建议特征图,然后计算检测框的类别,再通过边界框回归获得检测框的最终精确位置;
步骤三、针对小目标车辆,对Faster RCNN进行改进,将ResNet50残差块中的3×3卷积替换为3×3空洞卷积,空洞率为2;
步骤四、将训练集和验证集的车辆数据加载到改进后的Faster RCNN网络进行训练,然后保存训练好的网络;
步骤五、用保存好的网络对测试集图像进行测试,得到测试结果,完成车辆目标的检测。
具体实施方式二
在具体实施方式一的基础上,一种基于改进Faster RCNN的车辆检测方法所述的步骤一中将收集到的车辆图像进行翻折和旋转的图像扩充,并进行标签,再将所有车辆图像分为训练集、验证集、测试集,分别占车辆图像总数的80%、10%和10%。
具体实施方式三
在具体实施方式一的基础上,一种基于改进Faster RCNN的车辆检测方法的步骤二中搭建Faster RCNN网络,总共包含以下步骤:
(1)对Faster RCNN网络进行搭建,采用残差网络(ResNet50)作为主干的FasterRCNN结构,将车辆图像缩放至固定的800×600大小,然后将图像输入主干结构,生成特征图;
(2)然后连接RPN层,RPN层结构图如图2所示,生成的特征图在RPN层首先经过3×3卷积,再做1×1卷积,然后经过Reshape以及Softmax分类层生成正样本候选框和负样本候选框;通过最后的Proposal层,综合正样本候选框和边界框回归偏移量获取候选框,同时剔除太小和超出边界的候选框,以获得精确的检测框,通过分类和回归操作生成精确的检测框,进而完成目标的定位功能;
(3)之后连接ROI Pooling层,收集输入的特征图和候选框,综合信息后提取建议特征图,ROI Pooling层结构图如图3所示。使用spatial_scale参数将候选框映射回对应的特征图尺度,将每个候选框的特征图区域水平分为pooled_w×pooled_h的网格,对每一份网格都进行最大池化处理,使得大小不同的检测框输出结果都是固定的pooled_w×pooled_h的大小,将建议特征图输入至全连接层,被ReLU激活函数激活后,经过全连接层和Softmax层,计算每个检测框具体属于哪一个类别,输出cls_prob概率向量;利用边界框回归获得每个检测框的位置偏移量bbox_pred,使得目标检测框更加精确。
具体实施方式四
在具体实施方式一的基础上,一种基于改进Faster RCNN的车辆检测方法的步骤三中的空洞卷积示意图如图4所示。针对小目标车辆,对Faster RCNN进行改进,将ResNet50残差块中的3×3卷积替换为3×3空洞卷积。空洞卷积是在标准的卷积核中注入空洞,相比于正常的卷积,空洞卷积多了一个参数——空洞率,指的是卷积核的间隔数量,当空洞率为1时,则为正常卷积,添加空洞卷积使得在不损失信息的情况下,加大了感受野,从而有助于对小尺寸目标的检测;残差块是ResNet50网络的主要结构,残差块结构图如图5所示,残差块是一个1×1卷积连接一个3×3空洞卷积,空洞率为2,然后3×3空洞卷积再连接一个1×1卷积,最后再叠加一个1×1卷积,并经过ReLU激活函数激活的结构;ResNet50网络由一个7×7卷积连接一个3×3最大池化、然后连接16个残差块、再连一个平均池化、最后连接一个全连接层构成。
具体实施方式五
在具体实施方式一的基础上,一种基于改进Faster RCNN的车辆检测方法的步骤四中网络训练流程图如图6所示。采用RPN网络加Fast RCNN网络的联合训练方式,前者是候选框推荐算法,后者是对候选框的位置和框内物体的类别进行细致计算,训练过程包含以下步骤:
(1)首先在ResNet50模型上,单独训练RPN网络参数;
(2)固定RPN网络独有的卷积层以及全连接参数,利用RPN网络生成的候选框去训练Fast RCNN网络参数;
(3)固定利用Fast RCNN训练好的前置卷积网络参数,去微调RPN网络独有的卷积层和全连接层;
(4)同样固定前置卷积网络层参数,去微调Fast RCNN网络的全连接层参数;
(5)最后RPN网络与Fast RCNN网络共享前置卷积网络层参数,构成一个统一网络;
(6)保存训练好的网络。
具体实施方式六
在具体实施方式一的基础上,一种基于改进Faster RCNN的车辆检测方法的步骤五中对测试集图像进行测试,是将测试集图像输入训练好的网络里,输出的图像能够对车辆部分用矩形框圈出,并显示该车辆检测结果的准确率,从而完成车辆的检测。
Claims (6)
1.一种基于改进Faster RCNN的车辆检测方法,其特征在于:通过以下步骤实现:
步骤一、将收集到的车辆图像进行翻折和旋转的图像扩充,并进行标签,然后将其分为训练集、验证集和测试集;
步骤二、对Faster RCNN网络进行搭建,将残差网络作为主干网络,连接RPN层提取细节特征,再连接ROI Pooling层提取建议特征图,然后计算检测框的类别,再通过边界框回归获得检测框的最终精确位置;
步骤三、针对小目标车辆,对Faster RCNN进行改进,将ResNet50残差块中的3×3卷积替换为3×3空洞卷积,空洞率为2;
步骤四、将训练集和验证集的车辆数据加载到改进后的Faster RCNN网络进行训练,然后保存训练好的网络;
步骤五、用保存好的网络对测试集图像进行测试,得到测试结果,完成车辆目标的检测。
2.根据权利要求1所述的基于改进Faster RCNN的车辆检测方法,其特征在于:所述步骤一中训练集、验证集、测试集图像数量分别占车辆图像总数的80%、10%和10%。
3.根据权利要求1所述的基于改进Faster RCNN的车辆检测方法,其特征在于:所述步骤二中对Faster RCNN网络进行搭建,采用残差网络(ResNet50)作为主干的Faster RCNN结构,将车辆图像缩放至固定的800×600大小,然后将图像输入主干结构,生成特征图;然后连接RPN层,通过分类和回归操作生成精确的检测框,进而完成目标的定位功能;之后连接ROI Pooling层,收集输入的特征图和候选框,综合信息后提取建议特征图;最后利用建议特征图计算检测框的类别,再通过边界框回归获得最终精确位置。
4.根据权利要求1所述的基于改进Faster RCNN的车辆检测方法,其特征在于:所述步骤三中空洞卷积是在标准的卷积核中注入空洞,相比于正常的卷积,空洞卷积多了一个参数——空洞率,指的是卷积核的间隔数量,当空洞率为1时,则为正常卷积;残差块是ResNet50网络的主要结构,残差块是一个1×1卷积连接一个3×3空洞卷积,空洞率为2,然后3×3空洞卷积再连接一个1×1卷积,最后再叠加一个1×1卷积,并经过ReLU激活函数激活的结构,ResNet50网络由一个7×7卷积连接一个3×3最大池化、然后连接16个残差块、再连一个平均池化、最后连接一个全连接层构成。
5.根据权利要求1所述的基于改进Faster RCNN的车辆检测方法,其特征在于:所述步骤四中网络训练采用RPN网络加Fast RCNN网络的联合训练方式,前者是候选框推荐算法,后者是对候选框的位置和框内物体的类别进行细致计算,训练过程包含以下步骤:
首先在已经训练好的ResNet50模型上,单独训练RPN网络参数;
固定RPN网络独有的卷积层以及全连接参数,利用RPN网络生成的候选框去训练FastRCNN网络参数;
固定利用Fast RCNN训练好的前置卷积网络参数,去微调RPN网络独有的卷积层和全连接层;
同样固定前置卷积网络层参数,去微调Fast RCNN网络的全连接层参数;
RPN网络与Fast RCNN网络共享前置卷积网络层参数,构成一个统一网络;
保存训练好的网络。
6.根据权利要求1所述的基于改进Faster RCNN的车辆检测方法,其特征在于:所述步骤五中对测试集图像进行测试,是将测试集图像输入训练好的网络里,输出的图像能够对车辆部分用矩形框圈出,并显示该车辆检测结果的准确率,完成车辆目标的检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011382344.5A CN112329737A (zh) | 2020-12-01 | 2020-12-01 | 一种基于改进Faster RCNN的车辆检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011382344.5A CN112329737A (zh) | 2020-12-01 | 2020-12-01 | 一种基于改进Faster RCNN的车辆检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112329737A true CN112329737A (zh) | 2021-02-05 |
Family
ID=74308192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011382344.5A Pending CN112329737A (zh) | 2020-12-01 | 2020-12-01 | 一种基于改进Faster RCNN的车辆检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329737A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907532A (zh) * | 2021-02-10 | 2021-06-04 | 哈尔滨市科佳通用机电股份有限公司 | 基于Faster RCNN改进的货车车门脱落检测方法 |
CN113205026A (zh) * | 2021-04-26 | 2021-08-03 | 武汉大学 | 一种基于Faster RCNN深度学习网络改进的车型识别方法 |
CN113569734A (zh) * | 2021-07-28 | 2021-10-29 | 山东力聚机器人科技股份有限公司 | 一种基于特征重校准的图像识别与分类方法及装置 |
CN113920327A (zh) * | 2021-11-17 | 2022-01-11 | 国网四川省电力公司电力科学研究院 | 一种基于改进的Faster Rcnn的绝缘子目标识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344825A (zh) * | 2018-09-14 | 2019-02-15 | 广州麦仑信息科技有限公司 | 一种基于卷积神经网络的车牌识别方法 |
CN109376572A (zh) * | 2018-08-09 | 2019-02-22 | 同济大学 | 基于深度学习的交通视频中实时车辆检测与轨迹跟踪方法 |
CN109448365A (zh) * | 2018-10-16 | 2019-03-08 | 北京航空航天大学 | 一种跨尺度空基平台区域道路交通系统综合监视方法 |
CN109635667A (zh) * | 2018-11-16 | 2019-04-16 | 中国计量大学 | 一种基于Guided Faster-RCNN的车辆检测系统 |
CN110322495A (zh) * | 2019-06-27 | 2019-10-11 | 电子科技大学 | 一种基于弱监督深度学习的场景文本分割方法 |
US20200175313A1 (en) * | 2018-12-03 | 2020-06-04 | Samsung Electronics Co., Ltd. | Method and apparatus with dilated convolution |
CN111310615A (zh) * | 2020-01-23 | 2020-06-19 | 天津大学 | 基于多尺度信息和残差网络的小目标交通标志检测方法 |
-
2020
- 2020-12-01 CN CN202011382344.5A patent/CN112329737A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376572A (zh) * | 2018-08-09 | 2019-02-22 | 同济大学 | 基于深度学习的交通视频中实时车辆检测与轨迹跟踪方法 |
CN109344825A (zh) * | 2018-09-14 | 2019-02-15 | 广州麦仑信息科技有限公司 | 一种基于卷积神经网络的车牌识别方法 |
CN109448365A (zh) * | 2018-10-16 | 2019-03-08 | 北京航空航天大学 | 一种跨尺度空基平台区域道路交通系统综合监视方法 |
CN109635667A (zh) * | 2018-11-16 | 2019-04-16 | 中国计量大学 | 一种基于Guided Faster-RCNN的车辆检测系统 |
US20200175313A1 (en) * | 2018-12-03 | 2020-06-04 | Samsung Electronics Co., Ltd. | Method and apparatus with dilated convolution |
CN110322495A (zh) * | 2019-06-27 | 2019-10-11 | 电子科技大学 | 一种基于弱监督深度学习的场景文本分割方法 |
CN111310615A (zh) * | 2020-01-23 | 2020-06-19 | 天津大学 | 基于多尺度信息和残差网络的小目标交通标志检测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907532A (zh) * | 2021-02-10 | 2021-06-04 | 哈尔滨市科佳通用机电股份有限公司 | 基于Faster RCNN改进的货车车门脱落检测方法 |
CN112907532B (zh) * | 2021-02-10 | 2022-03-08 | 哈尔滨市科佳通用机电股份有限公司 | 基于Faster RCNN改进的货车车门脱落检测方法 |
CN113205026A (zh) * | 2021-04-26 | 2021-08-03 | 武汉大学 | 一种基于Faster RCNN深度学习网络改进的车型识别方法 |
CN113569734A (zh) * | 2021-07-28 | 2021-10-29 | 山东力聚机器人科技股份有限公司 | 一种基于特征重校准的图像识别与分类方法及装置 |
CN113920327A (zh) * | 2021-11-17 | 2022-01-11 | 国网四川省电力公司电力科学研究院 | 一种基于改进的Faster Rcnn的绝缘子目标识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112329737A (zh) | 一种基于改进Faster RCNN的车辆检测方法 | |
CN109902732A (zh) | 车辆自动分类方法及相关装置 | |
CN110533086B (zh) | 图像数据半自动标注方法 | |
CN110414421B (zh) | 一种基于连续帧图像的行为识别方法 | |
CN111091545A (zh) | 铁路货车滚动轴承轴端螺栓丢失故障的检测方法 | |
CN112489023A (zh) | 一种基于多尺度和多层次的路面裂缝检测方法 | |
CN113313094B (zh) | 一种基于卷积神经网络的车载图像目标检测方法和系统 | |
CN106251362A (zh) | 一种基于快速相关邻域特征点的滑窗目标跟踪方法及系统 | |
CN110297041A (zh) | 一种基于fcn与gru的3d编织复合材料缺陷检测方法 | |
CN111680611A (zh) | 一种道路通过性检测方法、系统及设备 | |
CN110660049A (zh) | 一种基于深度学习的轮胎缺陷检测方法 | |
CN114627106A (zh) | 一种基于Cascade Mask R-CNN模型的焊缝缺陷检测方法 | |
CN113111875A (zh) | 一种基于深度学习的无缝钢轨焊缝缺陷识别装置及方法 | |
CN114565594A (zh) | 基于软掩膜对比损失的图像异常检测方法 | |
CN111611918A (zh) | 基于航拍数据和深度学习的交通流数据集采集及构建方法 | |
CN112597996B (zh) | 基于任务驱动的自然场景中交通标志显著性检测方法 | |
CN114022586A (zh) | 一种基于对抗生成网络的缺陷图像生成方法 | |
CN111325724B (zh) | 隧道裂纹区域检测方法和装置 | |
CN110335244A (zh) | 一种基于多迭代分类器的轮胎x光病疵检测方法 | |
CN116363075A (zh) | 一种光伏组件热斑检测方法、系统和电子设备 | |
CN113642662B (zh) | 一种基于轻量化分类模型的分类检测方法及装置 | |
CN113034432B (zh) | 一种产品缺陷检测方法、系统、装置及存储介质 | |
CN114419600A (zh) | 一种基于ssd算法的车型目标检测网络及检测方法 | |
CN114529519A (zh) | 基于多尺度深度空洞残差网络的图像压缩感知重建方法及系统 | |
CN114463300A (zh) | 钢材表面缺陷检测方法、电子设备、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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210205 |
|
WD01 | Invention patent application deemed withdrawn after publication |