CN112464732A - 基于双路径稀疏分层网络的光学遥感图像地物分类方法 - Google Patents
基于双路径稀疏分层网络的光学遥感图像地物分类方法 Download PDFInfo
- Publication number
- CN112464732A CN112464732A CN202011213306.7A CN202011213306A CN112464732A CN 112464732 A CN112464732 A CN 112464732A CN 202011213306 A CN202011213306 A CN 202011213306A CN 112464732 A CN112464732 A CN 112464732A
- Authority
- CN
- China
- Prior art keywords
- feature
- path
- fusion
- feature map
- map
- 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
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
Abstract
本发明提供一种基于双路径稀疏分层网络的光学遥感图像地物分类方法,本方法通过将多尺度特征利用预先设置的间隔进行稀疏分组,并利用对应间隔的两条特征融合路径分别对不同层次的特征图进行融合,得到各自对应的特征性图,并进行进一步的融合,同时引入了压缩激励模块来对融合后的特征图进行校准,突出重要的特征,从而提高了光学遥感图像的地物分类任务的准确度。
Description
技术领域
本发明涉及光学遥感图像地物分类技术领域,尤其涉及一种基于双路径稀疏分层网络的光学遥感图像地物分类方法。
背景技术
随着遥感成像技术的不断发展,遥感影像的分辨率逐渐提高,同时获得的遥感影像数量不断增加。高分辨率的遥感影像所包含的地物信息与细节信息更加丰富,同时,也为更加精细的地理信息分析带来帮助。光学遥感图像的地物分类结果在军用和民用领域起着越来越重要的作用。光学遥感图像的地物分割是遥感图像信息提取的基础。影像分割是面向对象的影像分析方法的关键步骤,其分割结果质量直接影响着后续影像信息的提取质量。准确及时地从得到的遥感影像中获取地物信息有着实际需求。
深度学习技术兴起后,基于深度卷积网络的方法在光学遥感图像地物分类任务上取得了巨大的进步。遥感图像在成像机理上与自然图像存在不同,其包含有丰富的光谱特征,又因为遥感图像的成像高度较高,其包含物体的结构更为复杂和多样。
基于深度卷积神经网络的核心挑战在于难以有效沿主干层次聚合高级特征图的语义信息和浅层特征图的细节信息。当前大都数方法仅仅利用短距离的连接,融合相邻层的特征,这样的融合方式缺乏特征交互的多样性。多级特征间的巨大语义信息和分辨率之间的差距也为特征融合带来困难。
面临问题:
(1)现有的不同层次的特征融合方式,只利用了短距离连接来实现相邻层特征的融合,缺乏特征交互的多样性。
(2)多层级间的特征存在巨大的语义差距和分辨率差距,现有的特征融合方式难以很好地实现特征的融合。
发明内容
基于此,有必要针对上述技术问题,提供一种基于双路径稀疏分层网络的光学遥感图像地物分类方法。
一种基于双路径稀疏分层网络的光学遥感图像地物分类方法,所述方法包括:利用特征提取网络提取不同尺度的特征图,所述不同尺度的特征图构成特征图集;设置两种特征融合路径,所述两种特征融合路径的特征融合间隔分别设置为2和3;根据所述两种特征融合路径,分别对所述特征图集进行特征融合,得到第一路径特征图和第二路径特征图,其中所述第一路径特征图对应特征融合间隔为2的特征融合路径,所述第二路径特征图对应特征融合间隔为3的特征融合路径;利用空间压缩激励模块和通道压缩激励模块,分别对所述第一路径特征图和第二路径特征图进行校准,得到第一后续特征图和第二后续特征图;将所述第一后续特征图和第二后续特征图通过像素点相加进行融合,得到进阶特征图;利用空间压缩激励模块和通道压缩激励模块对所述进阶特征图进行校准,得到目标特征图;根据所述目标特征图生成最终的预测结果,从而训练得到目标网络,根据所述目标网络对遥感图像进行地物分割。
在其中一个实施例中,所述根据所述两种特征融合路径,分别对所述特征图集进行特征融合,得到第一路径特征图和第二路径特征图,其中所述第一路径特征图对应特征融合间隔为2的特征融合路径,所述第二路径特征图对应特征融合间隔为3的特征融合路径,具体为:对于所述特征融合间隔设置为2的所述特征融合路径,对间隔为2的特征图进行融合,得到第一初始特征图,并将所述第一初始特征图进行融合,得到第一路径特征图;对于所述特征融合间隔设置为3的所述特征融合路径,将特征图分为两组分别进行融合,得到第二初始特征图,并将所述第二初始特征图进行融合,得到第二路径特征图。
在其中一个实施例中,每一次将特征图进行融合后,都需利用空间压缩激励模块和通道压缩激励模块对融合后的特征图进行校准。
在其中一个实施例中,所述校准具体为选择信息丰富的特征同时抑制信息较弱的特征。
上述基于双路径稀疏分层网络的光学遥感图像地物分类方法,通过两条特征融合路径分别对不同层次的特征图进行融合,得到各自对应的特征性图,并进行进一步的融合,同时引入了压缩激励模块来对融合后的特征图进行校准,突出重要的特征,从而提高了光学遥感图像的地物分类任务的准确度。
附图说明
图1为一个实施例中基于双路径稀疏分层网络的光学遥感图像地物分类方法的流程示意图;
图2为一个实施例中特征融合间隔为2的融合路径;
图3为一个实施例中特征融合间隔为3的融合路径;
图4为另一个实施例中特征融合间隔为3的融合路径。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面通过具体实施方式结合附图对本发明做进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请提供的基于双路径稀疏分层网络的光学遥感图像地物分类方法是基于深度卷积神经网络的。
在一个实施例中,如图1所示,提供了一种基于双路径稀疏分层网络的光学遥感图像地物分类方法,包括以下步骤:
S110利用特征提取网络提取不同尺度的特征图,不同尺度的特征图构成特征图集。
具体地,首先利用特征提取网络提取不同尺度的特征图(f1、f2、f3、f4、f5),并将不同尺度的特征图构成特征图集,图集中包括特征图f1、f2、f3、f4和f5。
S120设置两种特征融合路径,两种特征融合路径的特征融合间隔分别设置为2和3。
具体地,设置两组并行的特征融合网络(即特征融合路径),特征融合的间隔分别设置为2和3,现有的特征融合路径的间隔设置均为1,本方案采用2和3的稀疏式的间隔设置,能够节约融合的时间。
S130根据两种特征融合路径,分别对特征图集进行特征融合,得到第一路径特征图和第二路径特征图,其中第一路径特征图对应特征融合间隔为2的特征融合路径,第二路径特征图对应特征融合间隔为3的特征融合路径。
具体地,根据步骤S120中的两种特征融合路径,分别对步骤S110中的特征图集进行特征融合,最终得到特征融合间隔为2的第一路径特征图,和特征融合间隔为3的第二路径特征图。
在一个实施例中,步骤S130具体为:对于特征融合间隔设置为2的特征融合路径,对间隔为2的特征图进行融合,得到第一初始特征图,并将第一初始特征图进行融合,得到第一路径特征图;对于特征融合间隔设置为3的特征融合路径,将特征图分为两组分别进行融合,得到第二初始特征图,并将第二初始特征图进行融合,得到第二路径特征图。
具体地,如图2所示,对于特征融合间隔设置为2的特征融合路径,对间隔为2的特征图进行融合,即(f5,f3)、(f4,f2)、(f3,f1),之后对于生成的三个第一初始特征图进行融合生成两个进一步的特征图,然后再将两个进一步的特征图再次融合,最终生成第一路径特征图fs。如图3和图4所示,对于特征融合间隔设置为3的特征融合路径,特征融合间隔为3,将特征图分为两组分别进行融合,即(f5,f2),(f4,f1),然后对生成的两个第二初始特征图,而f3与两个第二初始特征图中的任意一个融合,两个第二初始特征图进一步融合,得到两个进一步的特征图,将两个进一步的特征图进行融合,最终生成第二路径特征图fd。
S140利用空间压缩激励模块和通道压缩激励模块,分别对第一路径特征图和第二路径特征图进行校准,得到第一后续特征图和第二后续特征图。
具体地,通道的压缩激励通过卷积实现,对卷积后生成的特征图利用sigmoid函数做归一化处理。对于空间信息的压缩激励通过全局平均池化实现,对于池化后的结果利用sigmoid函数做归一化处理。对于生成的特征图利用并行的空间和通道激励压缩模块做进一步处理,并取其中最大的激励特征图最为输出,利用残差结构生成最终校准后的特征图。而对第一路径特征图和第二路径特征图进行校准后,得到的是第一后续特征图和第二后续特征图。
S150将第一后续特征图和第二后续特征图通过像素点相加进行融合,得到进阶特征图。
具体地,将第一后续特征图和第二后续特征图通过像素点相加的方式进行融合,得到进阶特征图。
S160利用空间压缩激励模块和通道压缩激励模块对进阶特征图进行校准,得到目标特征图。
具体地,进阶特征图同样需要利用空间压缩激励模块和通道压缩激励模块进行校准,从而得到最终的目标特征图。
S170根据目标特征图生成最终的预测结果,从而训练得到目标网络,根据目标网络对遥感图像进行地物分割。
具体地,根据目标特征图生成最终的预测结果,从而训练得到目标网络,根据目标网络对遥感图像进行地物分割,都是基本的训练转化和学习,这里的目标网络是训练和优化好的。
在一个实施例中,每一次将特征图进行融合后,都需利用空间压缩激励模块和通道压缩激励模块对融合后的特征图进行校准。具体地,这里的特征图包括前文中步骤S110中特征图集中的特征图,步骤S130中的第一路径特征图和第二路径特征图,第一初始特征图和第二初始特征图,步骤S140中的第一后续特征图和第二后续特征图,以及步骤S150中的进阶特征图。但凡文中以“特征图”结尾的名称,都可是这里提交的特征图,除了目标特征图,因为目标特征图是已经校准后的图。对每次融合后的特征图进行校准,能够及时对融合的特征图进行修正,让融合后的特征图更加准确。
在一个实施例中,校准具体为选择信息丰富的特征同时抑制信息较弱的特征。具体地,校准本质在于选择信息丰富的特征同时抑制信息较弱的特征。
上述实施例中,通过将多尺度特征利用预先设置的间隔进行稀疏分组,之后利用长距离和短距离的跨尺度连接进行分组聚合。同时本方法还引入了一条并行的融合路径,利用不同的稀疏度进行分组,形成了一种双路径网络。同时本方法采用基于压缩和激励的特征重校准模块来突出重要的特征。最终结果上,该网络在遥感图像的地物分割效果上获得了提升,分割的准确度获得了提高。
显然,本领域的技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以,本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明所做的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (4)
1.一种基于双路径稀疏分层网络的光学遥感图像地物分类方法,其特征在于,包括:
利用特征提取网络提取不同尺度的特征图,所述不同尺度的特征图构成特征图集;
设置两种特征融合路径,所述两种特征融合路径的特征融合间隔分别设置为2和3;
根据所述两种特征融合路径,分别对所述特征图集进行特征融合,得到第一路径特征图和第二路径特征图,其中所述第一路径特征图对应特征融合间隔为2的特征融合路径,所述第二路径特征图对应特征融合间隔为3的特征融合路径;
利用空间压缩激励模块和通道压缩激励模块,分别对所述第一路径特征图和第二路径特征图进行校准,得到第一后续特征图和第二后续特征图;
将所述第一后续特征图和第二后续特征图通过像素点相加进行融合,得到进阶特征图;
利用空间压缩激励模块和通道压缩激励模块对所述进阶特征图进行校准,得到目标特征图;
根据所述目标特征图生成最终的预测结果,从而训练得到目标网络,根据所述目标网络对遥感图像进行地物分割。
2.根据权利要求1所述的方法,其特征在于,所述根据所述两种特征融合路径,分别对所述特征图集进行特征融合,得到第一路径特征图和第二路径特征图,其中所述第一路径特征图对应特征融合间隔为2的特征融合路径,所述第二路径特征图对应特征融合间隔为3的特征融合路径,具体为:
对于所述特征融合间隔设置为2的所述特征融合路径,对间隔为2的特征图进行融合,得到第一初始特征图,并将所述第一初始特征图进行融合,得到第一路径特征图;
对于所述特征融合间隔设置为3的所述特征融合路径,将特征图分为两组分别进行融合,得到第二初始特征图,并将所述第二初始特征图进行融合,得到第二路径特征图。
3.根据权利要求1-2所述的方法,其特征在于,每一次将特征图进行融合后,都需利用空间压缩激励模块和通道压缩激励模块对融合后的特征图进行校准。
4.根据权利要求1-3所述的方法,其特征在于,所述校准具体为选择信息丰富的特征同时抑制信息较弱的特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011213306.7A CN112464732B (zh) | 2020-11-04 | 2020-11-04 | 基于双路径稀疏分层网络的光学遥感图像地物分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011213306.7A CN112464732B (zh) | 2020-11-04 | 2020-11-04 | 基于双路径稀疏分层网络的光学遥感图像地物分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112464732A true CN112464732A (zh) | 2021-03-09 |
CN112464732B CN112464732B (zh) | 2022-05-03 |
Family
ID=74835040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011213306.7A Active CN112464732B (zh) | 2020-11-04 | 2020-11-04 | 基于双路径稀疏分层网络的光学遥感图像地物分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112464732B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113297942A (zh) * | 2021-05-18 | 2021-08-24 | 合肥工业大学 | 基于分层压缩激励网络的户外多种场景快速分类识别方法 |
CN116206331A (zh) * | 2023-01-29 | 2023-06-02 | 阿里巴巴(中国)有限公司 | 图像处理方法、计算机可读存储介质以及计算机设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845381A (zh) * | 2017-01-16 | 2017-06-13 | 西北工业大学 | 基于双通道卷积神经网络的空谱联合的高光谱图像分类方法 |
CN107273909A (zh) * | 2016-04-08 | 2017-10-20 | 上海市玻森数据科技有限公司 | 高维数据的分类算法 |
CN108764016A (zh) * | 2018-03-31 | 2018-11-06 | 中国人民解放军国防科技大学 | 基于旋转域特征与cnn的极化sar图像舰船检测方法 |
CN109255334A (zh) * | 2018-09-27 | 2019-01-22 | 中国电子科技集团公司第五十四研究所 | 基于深度学习语义分割网络的遥感影像地物分类方法 |
CN110210498A (zh) * | 2019-05-31 | 2019-09-06 | 北京交通大学 | 基于残差学习卷积融合网络的数字图像设备取证系统 |
US20200034709A1 (en) * | 2018-07-25 | 2020-01-30 | WaveOne Inc. | Dynamic control for a machine learning autoencoder |
CN110766063A (zh) * | 2019-10-17 | 2020-02-07 | 南京信息工程大学 | 基于压缩激励和紧密连接卷积神经网络的图像分类方法 |
-
2020
- 2020-11-04 CN CN202011213306.7A patent/CN112464732B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273909A (zh) * | 2016-04-08 | 2017-10-20 | 上海市玻森数据科技有限公司 | 高维数据的分类算法 |
CN106845381A (zh) * | 2017-01-16 | 2017-06-13 | 西北工业大学 | 基于双通道卷积神经网络的空谱联合的高光谱图像分类方法 |
CN108764016A (zh) * | 2018-03-31 | 2018-11-06 | 中国人民解放军国防科技大学 | 基于旋转域特征与cnn的极化sar图像舰船检测方法 |
US20200034709A1 (en) * | 2018-07-25 | 2020-01-30 | WaveOne Inc. | Dynamic control for a machine learning autoencoder |
CN109255334A (zh) * | 2018-09-27 | 2019-01-22 | 中国电子科技集团公司第五十四研究所 | 基于深度学习语义分割网络的遥感影像地物分类方法 |
CN110210498A (zh) * | 2019-05-31 | 2019-09-06 | 北京交通大学 | 基于残差学习卷积融合网络的数字图像设备取证系统 |
CN110766063A (zh) * | 2019-10-17 | 2020-02-07 | 南京信息工程大学 | 基于压缩激励和紧密连接卷积神经网络的图像分类方法 |
Non-Patent Citations (2)
Title |
---|
WEI FENG: ""Improved remote sensing detection of wheat powdery mildew using dual-grenn vegetation indices"", 《PRECISION AGRICULTURE》 * |
赵丽萍: ""面向图像分类的残差网络进展研究"", 《计算机工程与应用》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113297942A (zh) * | 2021-05-18 | 2021-08-24 | 合肥工业大学 | 基于分层压缩激励网络的户外多种场景快速分类识别方法 |
CN113297942B (zh) * | 2021-05-18 | 2022-09-27 | 合肥工业大学 | 基于分层压缩激励网络的户外多种场景快速分类识别方法 |
CN116206331A (zh) * | 2023-01-29 | 2023-06-02 | 阿里巴巴(中国)有限公司 | 图像处理方法、计算机可读存储介质以及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112464732B (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106909924B (zh) | 一种基于深度显著性的遥感影像快速检索方法 | |
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
CN108052911B (zh) | 基于深度学习的多模态遥感影像高层特征融合分类方法 | |
Hacar et al. | Cores, filaments, and bundles: hierarchical core formation in the L1495/B213 Taurus region | |
CN110929577A (zh) | 一种基于YOLOv3的轻量级框架改进的目标识别方法 | |
Krachmalnicoff et al. | Convolutional neural networks on the HEALPix sphere: a pixel-based algorithm and its application to CMB data analysis | |
CN112464732B (zh) | 基于双路径稀疏分层网络的光学遥感图像地物分类方法 | |
CN109919252B (zh) | 利用少数标注图像生成分类器的方法 | |
CN111695467A (zh) | 基于超像素样本扩充的空谱全卷积高光谱图像分类方法 | |
CN113449594B (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
CN114332578A (zh) | 图像异常检测模型训练方法、图像异常检测方法和装置 | |
CN114092815B (zh) | 一种大范围光伏发电设施遥感智能提取方法 | |
CN115690549A (zh) | 一种基于并联交互架构模型实现多维度特征融合的目标检测方法 | |
CN114359902B (zh) | 基于多尺度特征融合的三维点云语义分割方法 | |
CN114547365A (zh) | 一种图像检索方法和设备 | |
CN113284093A (zh) | 一种基于改进D-LinkNet的卫星影像云检测方法 | |
CN117152435A (zh) | 一种基于U-Net3+的遥感语义分割方法 | |
CN116012709B (zh) | 一种高分辨率遥感影像建筑物提取方法及系统 | |
CN116740422A (zh) | 基于多模态注意力融合技术的遥感图像分类方法及装置 | |
Ko et al. | Deep-learning-based precipitation nowcasting with ground weather station data and radar data | |
CN113221964B (zh) | 单样本图像分类方法、系统、计算机设备及存储介质 | |
CN115270002A (zh) | 一种基于知识蒸馏的物品推荐方法、电子设备及存储介质 | |
CN115115938A (zh) | 一种遥感影像显著目标检测方法 | |
CN114782983A (zh) | 基于改进特征金字塔和边界损失的道路场景行人检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |