CN112417990A - 一种考试学生违规行为识别方法及系统 - Google Patents
一种考试学生违规行为识别方法及系统 Download PDFInfo
- Publication number
- CN112417990A CN112417990A CN202011199990.8A CN202011199990A CN112417990A CN 112417990 A CN112417990 A CN 112417990A CN 202011199990 A CN202011199990 A CN 202011199990A CN 112417990 A CN112417990 A CN 112417990A
- Authority
- CN
- China
- Prior art keywords
- video frame
- violation
- examination
- prediction model
- iou
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Abstract
本发明公开了一种考试学生违规行为识别方法及系统,所述考试学生违规行为识别方法包括以下步骤:S1.将考试监控视频进行视频抽帧处理;S2.构建基于深度学习的考试学生违规行为识别预测模型;S3.将步骤S1中抽取的视频帧输入预测模型;S4.依时间顺序对输入视频帧进行考试学生违规行为识别预测,若预测模型检测到当前视频帧存在考生违规行为则将该考生在该视频帧中进行标记,并将图像保存到本地,然后对下一视频帧重复步骤S3;若预测模型没有检测到当前视频帧存在考生违规行为,则直接对下一视频帧重复步骤S3;本发明将传统非极大值抑制算法与线性函数相结合,缓解了原生非极大值抑制算法所造成的对遮挡物体检测效果不好的问题。
Description
技术领域
本发明涉及深度学习算法领域,尤其涉及一种考试学生违规行为识别方法及系统。
背景技术
深度学习算法是基于人工神经网络的更广泛的机器学习方法的一个重要分支,被广泛应用于语音识别、机器翻译、计算机视觉等多个领域,目前与图像识别取得的进展密切相关的深度学习技术在学生自主学习监督领域得到广泛认可。
目前在考生考试违规行为识别系统中常用非极大值抑制(NMS)算法查找目标区域,虽然虽然筛选预测框的效果很好,但受监控视频拍摄角度和人数密度较大的影响,图像中会存在很多遮挡现象,前排的考生可能会部分遮挡住后排的考生,非极大值抑制算法必然会删除这些被部分遮挡的考生的预测框,这样会造成严重的漏选,影响对相互遮挡考生的检测。
目标检测有两大经典结构:一步检测和两步检测,前者速度较快,但识别精度不足;后者精度较高,但识别速度较为缓慢,其中,一步检测精度不足主要是由样本类别不均衡导致的,而Focal Loss可以通过改变损失函数来降低易分样本的权重,提高难分样本的权重。
发明内容
基于此,本发明的目的是为了解决现有考试学生违规行为识别系统中存在的目标人物漏选情况严重,检测速度快但精度不高的问题。
为实现上述目的,本发明提出一种考试学生违规行为识别方法与系统,所述考试学生违规行为识别方法包括以下步骤:
S1.将考试监控视频进行视频抽帧处理;
S2.构建基于深度学习的考试学生违规行为识别预测模型,所述深度学习算法采用改进后的线性衰减非极大值抑制算法;
S3.将步骤S1中抽取的视频帧输入预测模型;
S4.依时间顺序对输入视频帧进行考试学生违规行为识别预测,若预测模型检测到当前视频帧存在考生违规行为则将该考生在该视频帧中进行标记,并将图像保存到本地,然后对下一视频帧重复步骤S3;若预测模型没有检测到当前视频帧存在考生违规行为,则直接对下一视频帧重复步骤S3。
所述S1中的视频抽帧频率为两秒一帧。
所述S2中的深度学习算法采具体流程为:
S21.按照置信分数大小对所有框进行排序,其中,所述框为人像采集框;;
S22.计算置信得分最大的框与相邻框的IOU,即重叠率,其中IOU的计算公式如下:
其中:a、b分别代表两个相邻的框,IOU代表这两个框重叠的比率,S()为面积函数;
S23.将计算得到的IOU与阈值相比较,若IOU小于阈值,则将置信分数进行一次线性运算,并作为新的置信分数参加下一轮竞争,直到找到所有目标区域,所述线性衰减非极大值抑制算法可以用公式表示为:
其中,Fconf为置信得分,为加入线性函数进行平滑后的置信分数,t为类别标号,Bt为需要用来被比较的候选框,A为挑选出来的当前置信得分最大的候选框,IOU(A,Bt)即为A与Bt的交并比,而M则表示选取的阈值。
目标检测任务中,设定IOU阈值为0.5。
步骤S3和S4之间还包括以下步骤:
S341.通过特征提取网络提取特征,得到特征图;
S342.将特征图像分割成对应个数的网格;
S343.通过网格预测中心坐标落在该网格的目标。
所述模型训练引用多尺度训练模式。
具体表现为,所述多尺度训练模式采用动态尺寸输入的方式输入图像。
所述目标检测通过一步检测和Focal Loss相结合的结构实现,Focal Loss可以用公式表示:
FL(pt)=-αt(1-pt)γlog(pt) (3)
所述考试学生违规行为识别系统包括:
视频抽帧模块:将考试监控视频进行视频抽帧处理;
模型构建模块:构建基于深度学习的考试学生违规行为识别预测模型,所述深度学习算法采用改进后的线性衰减非极大值抑制算法;
视频帧处理模块:将抽取的视频帧输入预测模型;
模型检测模块:依时间顺序对输入视频帧进行考试学生违规行为识别预测,若预测模型检测到当前视频帧存在考生违规行为则将该考生在该视频帧中进行标记,并将图像保存到本地。
所述考试学生违规行为识别系统的网络结构采用一种结合了残差单元和空洞卷积的卷积结构。
本申请的有益效果:
1.将传统非极大值抑制算法与线性函数相结合,缓解了原生非极大值抑制算法所造成的对遮挡物体检测效果不好的问题;
2.利用Focal Loss函数通过改变损失函数来降低易分样本的权重,提高难分样品的权重,使模型更加注重于难分样本的训练,解决传统一步检测由样本类别不均衡导致的精度不足的问题;
3.引入了多尺度训练模式,能够使模型更加健壮;
4.提出了一种结合残差单元和空洞卷积的卷积结构,将网络结构最后三个高层替换成卷积结构,可以很大程度减少小目标的语义信息的损失。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据附图的结构获得其他的附图。
图1为算法基本框架显示图;
图2为两名相互遮挡的考生;
图3为网络结构表示图;
图4为算法检测流程图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图说明本发明的具体实施方式。
如图1所示,在本实施例中,一种考试学生违规行为识别方法与系统,所述考试学生违规行为识别方法包括以下步骤:
S1.将考试监控视频进行视频抽帧处理;
S2.构建基于深度学习的考试学生违规行为识别预测模型,所述深度学习算法采用改进后的线性衰减非极大值抑制算法;
S3.将步骤S1中抽取的视频帧输入预测模型;
S4.依时间顺序对输入视频帧进行考试学生违规行为识别预测,若预测模型检测到当前视频帧存在考生违规行为则将该考生在该视频帧中进行标记,并将图像保存到本地,然后对下一视频帧重复步骤S3;若预测模型没有检测到当前视频帧存在考生违规行为,则直接对下一视频帧重复步骤S3。
在本实施例中,所述S1中的视频抽帧频率为两秒一帧。
在本实施例中,所述S2中的深度学习算法具体流程为:
S21.按照置信分数大小对所有框进行排序,其中,所述框为人像采集框;;
S22.计算置信得分最大的框与相邻框的IOU(重叠率),其中IOU的计算公式如下:
其中:a、b分别代表两个相邻的框,IOU代表这两个框重叠的比率,S()为面积函数;
S23.将计算得到的IOU与阈值相比较,若IOU小于阈值,则将置信分数进行一次线性运算,并作为新的置信分数参加下一轮竞争,直到找到所有目标区域,所述线性衰减非极大值抑制算法可以用公式表示为:
其中,Fconf为置信得分,为加入线性函数进行平滑后的置信分数,t为类别标号,Bt为需要用来被比较的候选框,A为挑选出来的当前置信得分最大的候选框,IOU(A,Bt)即为A与Bt的交并比,而M则表示选取的阈值。
需要补充的是,传统非极大值抑制实际上就是寻找局部最优值,它是一个迭代的过程,具体流程为:(1)按照置信分数大小对所有的框进行排序;(2)计算置信得分最大的框与相邻的框的IOU,IOU值高于阈值则将置信分数置为0;(3)然后从剩下框中选取置信得分最高者,回到步骤(2),直到找到所有目标区域。
非极大值抑制在目标检测中的作用就是筛选出置信得分Fconf较大的候选框,用公式(4)表示非极大值抑制(NMS):
非极大值抑制算法删除多余预测框的方式是通过判断两者的IOU值是否大于设定的阈值,虽然筛选预测框的效果很好,但是对于本课题不太适用;原因在于受监控视频拍摄角度和人数密度较大的影响,图像中会存在很多遮挡现象,前排的考生可能会部分遮挡住后排的考生;非极大值抑制算法必然会删除这些被部分遮挡的考生的预测框,这样会造成严重的漏选,影响对相互遮挡考生的检测;针对此问题,将非极大值抑制算法与线性函数结合起来,尝试缓解原生非极大值抑制算法所造成的对遮挡物体检测效果不好的问题;
如图2所示,A、B为两名正在考试的考生,可以看到两名考生存在严重的遮挡现象,A考生预测的置信分数为0.8,而B考生预测的置信得分为0.6,并且A、B两名考生的IOU值(交并比)大于设定的阈值0.5,所以如果是原生的非极大值抑制算法,势必会保留置信分数较大的A考生,而被遮挡的B考生的置信分数将会被置为0,从而被删除掉,这样就会造成B考生无法被准确检测出来;
采用线性衰减非极大值抑制算法可以很好地缓解考生相互遮挡而无法准确检测的问题,与原生非极大值抑制算法的区别就在与,原生算法对于IOU值大于设定的阈值0.5时,直接将置信分数置为0,这样出现遮挡的框将无法再进行竞争。而加入线性函数进行平滑之后,不再是直接置为0,而是将置信分数进行一次线性运算,作为新的置信分数参加下一轮竞争。IOU值越大,则新的置信分数越小,相应的,其竞争预测框的能力就越小,这样做可以很好地缓解相互遮挡考生无法准确检测的情况。
在本实施例中,目标检测任务中,一般设定IOU阈值为0.5。
如图3所示,在本实施例中,步骤S3和S4之间还包括以下步骤:
S341.通过特征提取网络提取特征,得到一定尺寸的特征图;
S342.将特征图像分割成对应个数的网格,假如特征图尺寸为13*13,则将输入图像分成13*13个网格;
S343.如果真实值中某个目标的中心坐标坐落在某个网格中,该网格就负责预测该目标;
S344.每个网格都会预测一定数量的边界框,最终由和真实值的IOU(重叠率)最大的边界框来预测该目标。
在本实施例中,所述模型训练主要引用多尺度训练模式。
具体表现为,在训练时输入图像的尺寸是动态变化的;
具体地说,就是在训练时,每训练10个batches,网络就会随机选择另一种尺寸的输入,网络的下采样因子32,因此采用32的倍数作为输入的尺寸,即采用320,352,…,608的输入尺寸,这样做的目的是为了使模型更加健壮。
在本实施例中,所述目标检测通过一步检测和Focal Loss相结合的结构实现,Focal Loss可以用公式表示:
FL(pt)=-αt(1-pt)γlog(pt) (3)
具体地说,目标检测有两大经典结构:一步检测和两步检测,前者速度较快,但识别精度不足;后者精度较高,但识别速度较为缓慢;一步检测精度不足主要是由样本类别不均衡(负样本数量过大且为易分样本)导致的,而Focal Loss则可以通过改变损失函数来降低易分样本的权重,提高难分样本的权重,使模型更加注重于难分样本的训练。
在本实施例中,所述考试学生违规行为识别系统包括:
视频抽帧模块:将考试监控视频进行视频抽帧处理;
模型构建模块:构建基于深度学习的考试学生违规行为识别预测模型,所述深度学习算法采用改进后的线性衰减非极大值抑制算法;
视频帧处理模块:将抽取的视频帧输入预测模型;
模型检测模块:依时间顺序对输入视频帧进行考试学生违规行为识别预测,若预测模型检测到当前视频帧存在考生违规行为则将该考生在该视频帧中进行标记,并将图像保存到本地。
在本实施例中,所述考试学生违规行为识别系统的网络结构采用一种结合了残差单元和空洞卷积的卷积结构。
具体地说,如图4所示,图中F1、F2结构为参考RFB Net的卷积结构提出的一种结合了残差单元和空洞卷积的卷积结构,卷积核尺寸为3*3,空洞因子为2;将最后的三个高层替换为F1、F2结构,最终保持输出层的特征图尺寸为26*26,仍然拥有较大的分辨率,可以很大程度上减少小目标语义信息的损失;13*13的分辨率会导致小目标语义损失严重,52*52的分辨率会带来巨大的计算开销,所以选择了相对适中的26*26,足够满足对本研究中小目标的特征提取;并且F1、F2结构能够继承残差单元网络参数少,计算简单的优点;所以,本网络能够使输出的特征图拥有较高的分辨率以及较大的感受野,提高对后排小目标考生的检测能力。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (10)
1.一种考试学生违规行为识别方法,其特征在于,包括以下步骤:
S1.将考试监控视频进行视频抽帧处理;
S2.构建基于深度学习的考试学生违规行为识别预测模型,所述深度学习算法采用改进后的线性衰减非极大值抑制算法;
S3.将步骤S1中抽取的视频帧输入预测模型;
S4.依时间顺序对输入视频帧进行考试学生违规行为识别预测,若预测模型检测到当前视频帧存在考生违规行为则将该考生在该视频帧中进行标记,并将图像保存到本地,然后对下一视频帧重复步骤S3;若预测模型没有检测到当前视频帧存在考生违规行为,则直接对下一视频帧重复步骤S3。
2.如权利要求1所述的一种考试学生违规行为识别方法,其特征在于,所述S1中的视频抽帧频率为两秒一帧。
3.如权利要求1所述的一种考试学生违规行为识别方法,其特征在于,所述S2中的深度学习算法的具体流程为:
S21.按照置信分数大小对所有框进行排序,其中,所述框为人像采集框;
S22.计算置信得分最大的框与相邻框的IOU,其中IOU的计算公式如下:
其中:a、b分别代表两个相邻的框,IOU代表这两个框重叠的比率,S()为面积函数;
S23.将计算得到的IOU与阈值相比较,若IOU小于阈值,则将置信分数进行一次线性运算,并作为新的置信分数参加下一轮竞争,直到找到所有目标区域,所述线性衰减非极大值抑制算法可以用公式表示为:
4.如权利要求3所述的一种考试学生违规行为识别方法,其特征在于,目标检测任务中,设定IOU阈值为0.5。
5.如权利要求1所述的一种考试学生违规行为识别方法,其特征在于,步骤S3和S4之间还包括以下步骤:
S341.通过特征提取网络提取特征,得到特征图;
S342.将特征图像分割成对应个数的网格;
S343.通过网格预测中心坐标落在该网格的目标。
6.如权利要求1所述的一种考试学生违规行为识别方法,其特征在于,所述模型训练引用多尺度训练模式。
7.如权利要求6所述的一种考试学生违规行为识别方法,其特征在于,具体表现为,所述多尺度训练模式采用动态尺寸输入的方式输入图像。
8.如权利要求4所述的一种考试学生违规行为识别方法,其特征在于,所述目标检测通过一步检测和Focal Loss相结合的结构实现,Focal Loss可以用公式表示:
FL(pt)=-αt(1-pt)γlog(pt) (3)
9.一种考试学生违规行为识别系统,其特征在于,所述考试学生违规行为识别系统包括:
视频抽帧模块:将考试监控视频进行视频抽帧处理;
模型构建模块:构建基于深度学习的考试学生违规行为识别预测模型,所述深度学习算法采用改进后的线性衰减非极大值抑制算法;
视频帧处理模块:将抽取的视频帧输入预测模型;
模型检测模块:依时间顺序对输入视频帧进行考试学生违规行为识别预测,若预测模型检测到当前视频帧存在考生违规行为则将该考生在该视频帧中进行标记,并将图像保存到本地。
10.如权利要求9所述的一种考试学生违规行为识别系统,其特征在于,所述考试学生违规行为识别系统的网络结构采用一种结合了残差单元和空洞卷积的卷积结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011199990.8A CN112417990B (zh) | 2020-10-30 | 2020-10-30 | 一种考试学生违规行为识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011199990.8A CN112417990B (zh) | 2020-10-30 | 2020-10-30 | 一种考试学生违规行为识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112417990A true CN112417990A (zh) | 2021-02-26 |
CN112417990B CN112417990B (zh) | 2023-05-09 |
Family
ID=74828336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011199990.8A Active CN112417990B (zh) | 2020-10-30 | 2020-10-30 | 一种考试学生违规行为识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112417990B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269062A (zh) * | 2021-05-14 | 2021-08-17 | 彭皓 | 应用于智慧教育的人工智能异常识别方法 |
CN113569656A (zh) * | 2021-07-02 | 2021-10-29 | 广州大学 | 一种基于深度学习的考场监控方法 |
CN113792600A (zh) * | 2021-08-10 | 2021-12-14 | 武汉光庭信息技术股份有限公司 | 一种基于深度学习的视频抽帧方法和系统 |
CN114333070A (zh) * | 2022-03-10 | 2022-04-12 | 山东山大鸥玛软件股份有限公司 | 一种基于深度学习的考生异常行为检测方法 |
CN114463828A (zh) * | 2022-04-13 | 2022-05-10 | 武汉博晟安全技术股份有限公司 | 基于人证统一的监考方法及系统、电子设备和存储介质 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180253622A1 (en) * | 2017-03-06 | 2018-09-06 | Honda Motor Co., Ltd. | Systems for performing semantic segmentation and methods thereof |
CN109271886A (zh) * | 2018-08-29 | 2019-01-25 | 武汉大学 | 一种教育考试监控视频的人体行为分析方法及系统 |
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 |
CN109685743A (zh) * | 2018-12-30 | 2019-04-26 | 陕西师范大学 | 基于噪声学习神经网络模型的图像混合噪声消除方法 |
CN109711262A (zh) * | 2018-11-28 | 2019-05-03 | 大连理工大学 | 一种基于深度卷积神经网络的智能挖掘机行人检测方法 |
CN109741318A (zh) * | 2018-12-30 | 2019-05-10 | 北京工业大学 | 基于有效感受野的单阶段多尺度特定目标的实时检测方法 |
US10452959B1 (en) * | 2018-07-20 | 2019-10-22 | Synapse Tehnology Corporation | Multi-perspective detection of objects |
CN110633731A (zh) * | 2019-08-13 | 2019-12-31 | 杭州电子科技大学 | 一种基于交错感知卷积的单阶段无锚框目标检测方法 |
CN110689054A (zh) * | 2019-09-10 | 2020-01-14 | 华中科技大学 | 一种工人违规行为监测方法 |
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 |
CN110909591A (zh) * | 2019-09-29 | 2020-03-24 | 浙江大学 | 用编码向量的行人图像检测自适应非极大值抑制处理方法 |
CN111047553A (zh) * | 2019-11-07 | 2020-04-21 | 电子科技大学 | 一种面向非接触式人体参数测量的特征点定位方法 |
CN111062429A (zh) * | 2019-12-12 | 2020-04-24 | 上海点泽智能科技有限公司 | 基于深度学习的厨师帽和口罩佩戴的检测方法 |
CN111507271A (zh) * | 2020-04-20 | 2020-08-07 | 北京理工大学 | 一种机载光电视频目标智能化检测与识别方法 |
CN111553387A (zh) * | 2020-04-03 | 2020-08-18 | 上海物联网有限公司 | 一种基于Yolov3的人员目标检测方法 |
CN111598875A (zh) * | 2020-05-18 | 2020-08-28 | 北京小白世纪网络科技有限公司 | 甲状腺结节自动检测模型构建方法、系统及装置 |
CN111767944A (zh) * | 2020-05-27 | 2020-10-13 | 重庆大学 | 一种基于深度学习的适用于多尺度目标检测的单阶段检测器设计方法 |
CN111814704A (zh) * | 2020-07-14 | 2020-10-23 | 陕西师范大学 | 基于级联注意力与点监督机制的全卷积考场目标检测方法 |
-
2020
- 2020-10-30 CN CN202011199990.8A patent/CN112417990B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180253622A1 (en) * | 2017-03-06 | 2018-09-06 | Honda Motor Co., Ltd. | Systems for performing semantic segmentation and methods thereof |
US10452959B1 (en) * | 2018-07-20 | 2019-10-22 | Synapse Tehnology Corporation | Multi-perspective detection of objects |
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 |
CN109271886A (zh) * | 2018-08-29 | 2019-01-25 | 武汉大学 | 一种教育考试监控视频的人体行为分析方法及系统 |
CN109711262A (zh) * | 2018-11-28 | 2019-05-03 | 大连理工大学 | 一种基于深度卷积神经网络的智能挖掘机行人检测方法 |
CN109685743A (zh) * | 2018-12-30 | 2019-04-26 | 陕西师范大学 | 基于噪声学习神经网络模型的图像混合噪声消除方法 |
CN109741318A (zh) * | 2018-12-30 | 2019-05-10 | 北京工业大学 | 基于有效感受野的单阶段多尺度特定目标的实时检测方法 |
CN110633731A (zh) * | 2019-08-13 | 2019-12-31 | 杭州电子科技大学 | 一种基于交错感知卷积的单阶段无锚框目标检测方法 |
CN110689054A (zh) * | 2019-09-10 | 2020-01-14 | 华中科技大学 | 一种工人违规行为监测方法 |
CN110909591A (zh) * | 2019-09-29 | 2020-03-24 | 浙江大学 | 用编码向量的行人图像检测自适应非极大值抑制处理方法 |
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 |
CN111047553A (zh) * | 2019-11-07 | 2020-04-21 | 电子科技大学 | 一种面向非接触式人体参数测量的特征点定位方法 |
CN111062429A (zh) * | 2019-12-12 | 2020-04-24 | 上海点泽智能科技有限公司 | 基于深度学习的厨师帽和口罩佩戴的检测方法 |
CN111553387A (zh) * | 2020-04-03 | 2020-08-18 | 上海物联网有限公司 | 一种基于Yolov3的人员目标检测方法 |
CN111507271A (zh) * | 2020-04-20 | 2020-08-07 | 北京理工大学 | 一种机载光电视频目标智能化检测与识别方法 |
CN111598875A (zh) * | 2020-05-18 | 2020-08-28 | 北京小白世纪网络科技有限公司 | 甲状腺结节自动检测模型构建方法、系统及装置 |
CN111767944A (zh) * | 2020-05-27 | 2020-10-13 | 重庆大学 | 一种基于深度学习的适用于多尺度目标检测的单阶段检测器设计方法 |
CN111814704A (zh) * | 2020-07-14 | 2020-10-23 | 陕西师范大学 | 基于级联注意力与点监督机制的全卷积考场目标检测方法 |
Non-Patent Citations (2)
Title |
---|
J. REDMON: "YOLO9000: Better, Faster, Stronger", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
N. BODLA 等: "Soft-NMS—Improving Object Detection with One Line of Code", 《2017 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269062A (zh) * | 2021-05-14 | 2021-08-17 | 彭皓 | 应用于智慧教育的人工智能异常识别方法 |
CN113569656A (zh) * | 2021-07-02 | 2021-10-29 | 广州大学 | 一种基于深度学习的考场监控方法 |
CN113569656B (zh) * | 2021-07-02 | 2023-08-29 | 广州大学 | 一种基于深度学习的考场监控方法 |
CN113792600A (zh) * | 2021-08-10 | 2021-12-14 | 武汉光庭信息技术股份有限公司 | 一种基于深度学习的视频抽帧方法和系统 |
CN113792600B (zh) * | 2021-08-10 | 2023-07-18 | 武汉光庭信息技术股份有限公司 | 一种基于深度学习的视频抽帧方法和系统 |
CN114333070A (zh) * | 2022-03-10 | 2022-04-12 | 山东山大鸥玛软件股份有限公司 | 一种基于深度学习的考生异常行为检测方法 |
CN114463828A (zh) * | 2022-04-13 | 2022-05-10 | 武汉博晟安全技术股份有限公司 | 基于人证统一的监考方法及系统、电子设备和存储介质 |
CN114463828B (zh) * | 2022-04-13 | 2022-07-19 | 武汉博晟安全技术股份有限公司 | 基于人证统一的监考方法及系统、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112417990B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112417990A (zh) | 一种考试学生违规行为识别方法及系统 | |
Jeong et al. | Image preprocessing for efficient training of YOLO deep learning networks | |
Ale et al. | Deep learning based plant disease detection for smart agriculture | |
CN111161311A (zh) | 一种基于深度学习的视觉多目标跟踪方法及装置 | |
CN106776842B (zh) | 多媒体数据检测方法及装置 | |
CN112734775B (zh) | 图像标注、图像语义分割、模型训练方法及装置 | |
CN106778595B (zh) | 基于高斯混合模型的人群中异常行为的检测方法 | |
CN108073933A (zh) | 一种目标检测方法及装置 | |
CN104679818B (zh) | 一种视频关键帧提取方法及系统 | |
CN106204646A (zh) | 基于bp神经网络的多运动目标跟踪方法 | |
CN110210482B (zh) | 改进类别不平衡的目标检测方法 | |
CN109934216B (zh) | 图像处理的方法、装置、计算机可读存储介质 | |
CN111400536B (zh) | 一种基于轻量化深度神经网络的低成本番茄叶片病害识别方法 | |
Burie et al. | ICFHR2016 competition on the analysis of handwritten text in images of balinese palm leaf manuscripts | |
CN109472193A (zh) | 人脸检测方法及装置 | |
CN107633226A (zh) | 一种人体动作跟踪识别方法及系统 | |
CN104680193B (zh) | 基于快速相似性网络融合算法的在线目标分类方法与系统 | |
CN110929687B (zh) | 一种基于关键点检测的多人行为识别系统及工作方法 | |
KR20190114384A (ko) | 신경망을 기반으로 하는 피부 병변 진단 장치 및 방법 | |
CN106228528A (zh) | 一种基于决策图与稀疏表示的多聚焦图像融合方法 | |
CN112818849B (zh) | 基于对抗学习的上下文注意力卷积神经网络的人群密度检测算法 | |
CN111914665A (zh) | 一种人脸遮挡检测方法、装置、设备及存储介质 | |
CN110009628A (zh) | 一种针对连续二维图像中多形态目标的自动检测方法 | |
CN109034218B (zh) | 模型训练方法、装置、设备及存储介质 | |
CN107992937A (zh) | 基于深度学习的非结构化数据判决方法和装置 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Third floor, No.10, Jiuxing Avenue, high tech Zone, Chengdu, Sichuan 610041 Applicant after: Sichuan Tianyi Network Co.,Ltd. Address before: Third floor, No.10, Jiuxing Avenue, high tech Zone, Chengdu, Sichuan 610041 Applicant before: SICHUAN TIANYI NETWORK SERVICE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |