CN112560979A - 基于全卷积一阶目标检测的特征融合方法、设备及介质 - Google Patents
基于全卷积一阶目标检测的特征融合方法、设备及介质 Download PDFInfo
- Publication number
- CN112560979A CN112560979A CN202011543604.2A CN202011543604A CN112560979A CN 112560979 A CN112560979 A CN 112560979A CN 202011543604 A CN202011543604 A CN 202011543604A CN 112560979 A CN112560979 A CN 112560979A
- Authority
- CN
- China
- Prior art keywords
- feature
- stepwise regression
- combining
- output
- sampling
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 8
- 238000007499 fusion processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于全卷积一阶目标检测的特征融合方法、设备及介质，涉及计算机视觉技术领域，解决了特征融合的方向单一而带来的信息遗漏的技术问题，其技术方案要点是在全卷积一阶目标检测算法的基础上，横向上对特征进行逐步回归，纵向上对特征进行上采样或下采样，结合横向处理得到的信息和纵向处理得到的信息对特征进行融合，补充了来自底部的特征信息，使得整个采样过程的信息更加充足，避免了细节信息的遗漏。
Description
技术领域
本公开涉及计算机视觉技术领域，尤其涉及一种基于全卷积一阶目标检测(FCOS，Fully Convolutional One-Stage Object Detection)的特征融合方法、设备及介质。
背景技术
全卷积一阶目标检测算法的特征融合网络采用五个特征图来对特征进行预测，如图1所示，P0、P1、P2、P3、P4这五个特征图中，P2特征图是由骨干网络中的C2层的卷积得到，P1特征图是由骨干网络中的C1层和上采样后的P2特征图结合得来的，P0特征图是通过骨干网络中的C0层和上采样后的P1特征结合得到，P3特征图是由P2特征图下采样后得来的，P4特征图是由P3特征图下采样后得来的。P0、P1、P2、P3、P4这五个特征图的尺寸分别是输入图像原图尺寸的1/128、1/64、1/32、1/16、1/8。
但是上述特征图的获取都是通过特征的纵向融合得到，并没有特征的横向融合，这会导致目标检测过程中可能会存在信息遗漏的可能性。同时，在整合特征融合的过程中，大多是从顶部向下的融合过程，缺失从底部向上的融合过程，单向的融合过程也会存在细节信息遗漏的可能。
发明内容
本公开提供了一种基于全卷积一阶目标检测的特征融合方法、设备及介质，其技术目的是从多个方位对特征进行融合，最大程度的减小特征信息遗漏的可能性。
本公开的上述技术目的是通过以下技术方案得以实现的：
一种基于全卷积一阶目标检测算法的特征融合方法，包括：
步骤S1：对第三特征P31进行逐步回归得到第三特征P32；
步骤S2：对所述第三特征P32进行下采样得到第三特征P32＇，对第二特征P21进行逐步回归得到第二特征P21＇，结合所述第三特征P32＇和所述第二特征P21＇输出第二特征P22；
步骤S3：对第一特征P11进行逐步回归得到第一特征P11＇，对所述第二特征P22进行下采样得到第二特征P22＇，结合所述第一特征P11＇和所述第二特征P22＇输出第一特征P12；
步骤S4：对所述第一特征P12进行逐步回归得到第一特征P12＇，所述第一特征P12＇即为第一特征P13；
步骤S5：对所述第一特征P13进行上采样得到第一特征P13＇，对所述第二特征P22进行逐步回归得到第二特征P22＇＇，结合所述第一特征P13＇和所述第二特征P22＇＇输出第二特征P23；
步骤S6：对所述第二特征P23进行上采样得到第二特征P23＇，对所述第三特征P32进行逐步回归得到第三特征P32＇＇，结合所述第二特征P23＇和所述第三特征P32＇＇输出第三特征P33；
其中，所述第二特征P21通过将数据输入到第二卷积层卷积得到；所述第一特征P11包括经过第一卷积层卷积的输入数据和上采样后的所述第二特征P21；所述第三特征P31是通过对所述第二特征P21进行下采样后得到。
进一步地，所述第三特征P31顶部还包括至少一个第四特征P41，所述第一特征P11底部还包括至少一个第五特征P01，包括：
步骤S7：对第四特征P41进行逐步回归得到第四特征P42；
步骤S8：对所述第四特征P42进行下采样得到第四特征P42＇，对所述第三特征P31进行逐步回归得到第三特征P31＇，结合所述第四特征P42＇和所述第三特征P31＇输出第三特征P32；
步骤S9：实施所述步骤S2至步骤S3；
步骤S10：对所述第一特征P12进行下采样得到第一特征P12＇，对所述第五特征P01进行逐步回归得到第五特征P01＇，结合所述第一特征P12＇和所述第五特征P01＇输出第五特征P02；
步骤S11:对所述第五特征P02进行逐步回归得到第五特征P02＇，所述第五特征P02＇即为第五特征P03；
步骤S12:对所述第五特征P03进行上采样得到第五特征P03＇，对所述第一特征P12进行逐步回归得到第一特征P12＇＇，结合所述第五特征P03＇和所述第一特征P12＇＇输出第一特征P13；
步骤S13：实施所述步骤S5至步骤S6；
步骤S14：对所述第三特征P33进行上采样得到第三特征P33＇，对所述第四特征P42进行逐步回归得到第四特征P42＇＇，结合所述第三特征P33＇和所述第四特征P42＇＇输出第四特征P43；
其中，所述第四特征P41通过对所述第三特征P31进行下采样后得到；所述第五特征P01包括经过第零卷积层卷积的输入数据和上采样后的所述第一特征P11。
进一步地，包括：
对所述第三特征P31进行逐步回归得到第三特征P32，则结合所述第二特征P23＇、所述第三特征P32和所述第三特征P32＇＇输出所述第三特征P33；
对所述第二特征P21进行逐步回归得到第二特征P21＇，则结合所述第一特征P13＇、所述第二特征P21＇和所述第二特征P22＇＇输出所述第二特征P23；
对所述第一特征P11进行逐步回归得到第一特征P11＇，则结合所述第一特征P12＇和所述第一特征P11＇输出所述第一特征P13。
进一步地，将所述第一特征P13作为所述第一特征P11、所述第二特征P23作为所述第二特征P21、所述第三特征P33作为所述第三特征P31至少一次重复步骤S1至步骤S6进行特征融合输出最终的第一特征P13、第二特征P23和第三特征P33。
进一步地，包括：
对所述第四特征P41进行逐步回归得到第四特征P42，则结合所述第三特征P33＇、所述第四特征P42和所述第四特征P42＇＇输出第四特征P43；
对所述第三特征P31进行逐步回归得到第三特征P31＇，则结合所述第二特征P23＇、所述第三特征P31＇和所述第三特征P32＇＇输出所述第三特征P33；
对所述第二特征P21进行逐步回归得到第二特征P21＇，则结合所述第一特征P13＇、所述第二特征P21＇和所述第二特征P22＇＇输出所述第二特征P23；
对所述第一特征P11进行逐步回归得到第一特征P11＇，则结合所述第一特征P12＇＇、所述第五特征P03＇和所述第一特征P11＇输出所述第一特征P13；
对所述第五特征P01进行逐步回归得到第五特征P01＇，则结合所述第五特征P01＇和所述第五特征P02＇输出第五特征P03。
进一步地，将所述第一特征P13作为所述第一特征P11、所述第二特征P23作为所述第二特征P21、所述第三特征P33作为所述第三特征P31、所述第四特征P43作为所述第四特征P41、所述第五特征P03作为所述第五特征P01至少一次重复步骤S7至步骤S14进行特征融合输出最终的第一特征P13、第二特征P23、第三特征P33、第四特征P43和第五特征P03。
一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序实现如上述任一项所述的方法。
一种计算机介质，所述计算机介质上存储有计算机程序，所述计算机程度被处理器执行时实现如上述任一项所述的方法。
本公开的有益效果在于：本公开所述的基于全卷积一阶目标检测的特征融合方法、设备及介质，在全卷积一阶目标检测算法的基础上，横向上对特征进行逐步回归，纵向上对特征进行上采样或下采样，结合横向处理得到的信息和纵向处理得到的信息对特征进行融合，补充了来自底部的特征信息，使得整个采样过程的信息更加充足，避免了细节信息的遗漏。
附图说明
图1为现有技术中特征融合的示意图；
图2为本申请所述的特征融合方法的流程图；
图3为本申请所述的特征融合的链接示意图；
图4为本申请实施例一的链接示意图；
图5为本申请所述的特征融合方法实施例二的流程图；
图6为本申请所述的特征融合方法实施例二的链接示意图；
图7为本申请实施例三的链接示意图；
图8为本申请所述的特征融合方法实施例四的链接示意图。
具体实施方式
下面将结合附图对本公开技术方案进行详细说明。在本公开的描述中，需要理解地是，术语“第一”、“第二”、“第三”、“第四”、“第五”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量，仅用来区分不同的组成部分。
另外，术语“顶部”、“底部”等指示的方位或位置关于为基于服务所示的方位或位置关系，在本申请中表示逻辑上的位置关系，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特征具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
图2为本申请所述的特征融合方法的流程图，如图2所示，步骤S1：对第三特征P31进行逐步回归得到第三特征P32。
步骤S2：对所述第三特征P32进行下采样得到第三特征P32＇，对第二特征P21进行逐步回归得到第二特征P21＇，结合所述第三特征P32＇和所述第二特征P21＇输出第二特征P22。
步骤S3：对第一特征P11进行逐步回归得到第一特征P11＇，对所述第二特征P22进行下采样得到第二特征P22＇，结合所述第一特征P11＇和所述第二特征P22＇输出第一特征P12。
步骤S4：对所述第一特征P12进行逐步回归得到第一特征P12＇，所述第一特征P12＇即为第一特征P13。
步骤S5：对所述第一特征P13进行上采样得到第一特征P13＇，对所述第二特征P22进行逐步回归得到第二特征P22＇＇，结合所述第一特征P13＇和所述第二特征P22＇＇输出第二特征P23。
步骤S6：对所述第二特征P23进行上采样得到第二特征P23＇，对所述第三特征P32进行逐步回归得到第三特征P32＇＇，结合所述第二特征P23＇和所述第三特征P32＇＇输出第三特征P33。
第二特征P21通过将数据输入到第二卷积层卷积得到；第一特征P11包括经过第一卷积层卷积的输入数据和上采样后的第二特征P21；第三特征P31是通过对第二特征P21进行下采样后得到。
图3为本申请所述的特征融合的链接示意图，添加了从底部向上的连接，补充了来自底部的信息，使得整个采样过程的信息更加充足，避免了细节信息的遗漏。
作为具体实施例地，在图3的基础上，相隔的两个特征图之间还可以增加连接，如图4所示，对第三特征P31进行逐步回归得到第三特征P32，则结合第二特征P23＇、第三特征P32和第三特征P32＇＇输出第三特征P33。对第二特征P21进行逐步回归得到第二特征P21＇，则结合第一特征P13＇、第二特征P21＇和第二特征P22＇＇输出第二特征P23。对第一特征P11进行逐步回归得到第一特征P11＇，则结合第一特征P12＇和第一特征P11＇输出第一特征P13。也就是说，由图4得到的第一特征P13、第二特征P23和第三特征P33分别增加了来自第一特征P11、第二特征P21和第三特征P31的回归信息，使得最后输出的特征更为完整。
作为具体实施例地，第三特征P31顶部还包括至少一个第四特征P41，第一特征P11底部还包括至少一个第五特征P01。当只有一个第四特征P41和一个第五特征P01时，第四特征P41即为顶部特征，第五特征P01为底部特征，第四特征P41通过对第三特征P31进行下采样后得到，第五特征P01包括经过第零卷积层卷积的输入数据和上采样后的第一特征P11，该种情形下特征融合的流程如图5、图6所示。
步骤S7：对第四特征P41进行逐步回归得到第四特征P42。
步骤S8：对所述第四特征P42进行下采样得到第四特征P42＇，对所述第三特征P31进行逐步回归得到第三特征P31＇，结合所述第四特征P42＇和所述第三特征P31＇输出第三特征P32。
步骤S9：实施所述步骤S2至步骤S3。
步骤S10：对所述第一特征P12进行下采样得到第一特征P12＇，对所述第五特征P01进行逐步回归得到第五特征P01＇，结合所述第一特征P12＇和所述第五特征P01＇输出第五特征P02。
步骤S11:对所述第五特征P02进行逐步回归得到第五特征P02＇，所述第五特征P02＇即为第五特征P03。
步骤S12:对所述第五特征P03进行上采样得到第五特征P03＇，对所述第一特征P12进行逐步回归得到第一特征P12＇＇，结合所述第五特征P03＇和所述第一特征P12＇＇输出第一特征P13。
步骤S13：实施所述步骤S5至步骤S6。
步骤S14：对所述第三特征P33进行上采样得到第三特征P33＇，对所述第四特征P42进行逐步回归得到第四特征P42＇＇，结合所述第三特征P33＇和所述第四特征P42＇＇输出第四特征P43。
作为具体实施例地，当存在至少两个第四特征P41和/或至少两个第五特征P01时，除了顶部的第四特征P41，剩余的第四特征P41在顶部第四特征P41和第三特征P31之间；同样，除了底部的第五特征P01，剩余的第五特征P01在底部第五特征P01和第一特征P11之间。在中间的特征的融合可参考上述步骤S2至步骤S3、步骤S5至步骤S6，步骤S9、步骤S13，这里不再赘述。
在图6的基础上，相隔的两个特征图之间还可以增加连接，如图7所示，对第四特征P41进行逐步回归得到第四特征P42，则结合第三特征P33＇、第四特征P42和第四特征P42＇＇输出第四特征P43。对第三特征P31进行逐步回归得到第三特征P31＇，则结合所述第二特征P23＇、所述第三特征P31＇和所述第三特征P32＇＇输出所述第三特征P33。对第二特征P21进行逐步回归得到第二特征P21＇，则结合第一特征P13＇、第二特征P21＇和第二特征P22＇＇输出第二特征P23。对第一特征P11进行逐步回归得到第一特征P11＇，则结合第一特征P12＇＇、第五特征P03＇和第一特征P11＇输出所述第一特征P13。对第五特征P01进行逐步回归得到第五特征P01＇，则结合第五特征P01＇和第五特征P02＇输出第五特征P03。也就是说，由图6得到的第一特征P13、第二特征P23、第三特征P33、第四特征P43和第五特征P03分别增加了来自第一特征P11、第二特征P21、第三特征P31、第四特征P41和第五特征P01的回归信息，使得最后输出的特征更为完整。
图8为本申请所述的特征融合方法实施例四的链接示意图，图8中将前一个特征融合网络的输出直接作为后一个融合网络的输入再次进行特征融合。例如，输出包括第一特征P13、第二特征P23和第三特征P33，继续进行特征融合的步骤包括：
(1)对第三特征P33进行逐步回归得到第三特征P34。
(2)对所述第三特征P34进行下采样得到第三特征P34＇，对第二特征P23进行逐步回归得到第二特征P23＇，结合所述第三特征P34＇和所述第二特征P23＇输出第二特征P24。
(3)对第一特征P13进行逐步回归得到第一特征P13＇，对所述第二特征P24进行下采样得到第二特征P24＇，结合所述第一特征P13＇和所述第二特征P24＇输出第一特征P14。
(4)对所述第一特征P14进行逐步回归得到第一特征P14＇，所述第一特征P14＇即为第一特征P15。
(5)对所述第一特征P15进行上采样得到第一特征P15＇，对所述第二特征P24进行逐步回归得到第二特征P24＇＇，结合所述第一特征P15＇和所述第二特征P24＇＇输出第二特征P25。
(6)对所述第二特征P25进行上采样得到第二特征P25＇，对所述第三特征P34进行逐步回归得到第三特征P34＇＇，结合所述第二特征P25＇和所述第三特征P34＇＇输出第三特征P35。
更进一步地，对第三特征P33进行逐步回归得到第三特征P34，则结合上述第二特征P25＇、所述第三特征P34和上述第三特征P34＇＇输出第三特征P35。对第二特征P23进行逐步回归得到第二特征P23＇，则结合上述第一特征P15＇、所述第二特征P23＇和上述第二特征P24＇＇输出第二特征P25。对第一特征P13进行逐步回归得到第一特征P13＇，则结合上述第一特征P14＇和所述第一特征P13＇输出第一特征P15。
输出的第一特征P15、第二特征P25和第三特征P35可以继续作为输入特征再次特征融合，与上述步骤(1)至(6)一样，不再赘述。
以上为本公开示范性实施例，本公开的保护范围由权利要求书及其等效物限定。
Claims (8)
1.一种基于全卷积一阶目标检测算法的特征融合方法，其特征在于，包括：
步骤S1：对第三特征P31进行逐步回归得到第三特征P32；
步骤S2：对所述第三特征P32进行下采样得到第三特征P32＇，对第二特征P21进行逐步回归得到第二特征P21＇，结合所述第三特征P32＇和所述第二特征P21＇输出第二特征P22；
步骤S3：对第一特征P11进行逐步回归得到第一特征P11＇，对所述第二特征P22进行下采样得到第二特征P22＇，结合所述第一特征P11＇和所述第二特征P22＇输出第一特征P12；
步骤S4：对所述第一特征P12进行逐步回归得到第一特征P12＇，所述第一特征P12＇即为第一特征P13；
步骤S5：对所述第一特征P13进行上采样得到第一特征P13＇，对所述第二特征P22进行逐步回归得到第二特征P22″，结合所述第一特征P13＇和所述第二特征P22″输出第二特征P23；
步骤S6：对所述第二特征P23进行上采样得到第二特征P23＇，对所述第三特征P32进行逐步回归得到第三特征P32″，结合所述第二特征P23＇和所述第三特征P32″输出第三特征P33；
其中，所述第二特征P21通过将数据输入到第二卷积层卷积得到；所述第一特征P11包括经过第一卷积层卷积的输入数据和上采样后的所述第二特征P21；所述第三特征P31是通过对所述第二特征P21进行下采样后得到。
2.如权利要求1所述的基于全卷积一阶目标检测算法的特征融合方法，其特征在于，所述第三特征P31顶部还包括至少一个第四特征P41，所述第一特征P11底部还包括至少一个第五特征P01，包括：
步骤S7：对第四特征P41进行逐步回归得到第四特征P42；
步骤S8：对所述第四特征P42进行下采样得到第四特征P42＇，对所述第三特征P31进行逐步回归得到第三特征P31＇，结合所述第四特征P42＇和所述第三特征P31＇输出第三特征P32；
步骤S9：实施所述步骤S2至步骤S3；
步骤S10：对所述第一特征P12进行下采样得到第一特征P12＇，对所述第五特征P01进行逐步回归得到第五特征P01＇，结合所述第一特征P12＇和所述第五特征P01＇输出第五特征P02；
步骤S11:对所述第五特征P02进行逐步回归得到第五特征P02＇，所述第五特征P02＇即为第五特征P03；
步骤S12:对所述第五特征P03进行上采样得到第五特征P03＇，对所述第一特征P12进行逐步回归得到第一特征P12″，结合所述第五特征P03＇和所述第一特征P12″输出第一特征P13；
步骤S13：实施所述步骤S5至步骤S6；
步骤S14：对所述第三特征P33进行上采样得到第三特征P33＇，对所述第四特征P42进行逐步回归得到第四特征P42″，结合所述第三特征P33＇和所述第四特征P42″输出第四特征P43；
其中，所述第四特征P41通过对所述第三特征P31进行下采样后得到；所述第五特征P01包括经过第零卷积层卷积的输入数据和上采样后的所述第一特征P11。
3.如权利要求1所述的基于全卷积一阶目标检测算法的特征融合方法，其特征在于，包括：
对所述第三特征P31进行逐步回归得到第三特征P32，则结合所述第二特征P23＇、所述第三特征P32和所述第三特征P32″输出所述第三特征P33；
对所述第二特征P21进行逐步回归得到第二特征P21＇，则结合所述第一特征P13＇、所述第二特征P21＇和所述第二特征P22″输出所述第二特征P23；
对所述第一特征P11进行逐步回归得到第一特征P11＇，则结合所述第一特征P12＇和所述第一特征P11＇输出所述第一特征P13。
4.如权利要求1或3所述的基于全卷积一阶目标检测算法的特征融合方法，其特征在于，将所述第一特征P13作为所述第一特征P11、所述第二特征P23作为所述第二特征P21、所述第三特征P33作为所述第三特征P31至少一次重复步骤S1至步骤S6进行特征融合输出最终的第一特征P13、第二特征P23和第三特征P33。
5.如权利要求2所述的基于全卷积一阶目标检测算法的特征融合方法，其特征在于，包括：
对所述第四特征P41进行逐步回归得到第四特征P42，则结合所述第三特征P33＇、所述第四特征P42和所述第四特征P42″输出第四特征P43；
对所述第三特征P31进行逐步回归得到第三特征P31＇，则结合所述第二特征P23＇、所述第三特征P31＇和所述第三特征P32″输出所述第三特征P33；
对所述第二特征P21进行逐步回归得到第二特征P21＇，则结合所述第一特征P13＇、所述第二特征P21＇和所述第二特征P22″输出所述第二特征P23；
对所述第一特征P11进行逐步回归得到第一特征P11＇，则结合所述第一特征P12″、所述第五特征P03＇和所述第一特征P11＇输出所述第一特征P13；
对所述第五特征P01进行逐步回归得到第五特征P01＇，则结合所述第五特征P01＇和所述第五特征P02＇输出第五特征P03。
6.如权利要求2或5所述的基于全卷积一阶目标检测算法的特征融合方法，其特征在于，将所述第一特征P13作为所述第一特征P11、所述第二特征P23作为所述第二特征P21、所述第三特征P33作为所述第三特征P31、所述第四特征P43作为所述第四特征P41、所述第五特征P03作为所述第五特征P01至少一次重复步骤S7至步骤S14进行特征融合输出最终的第一特征P13、第二特征P23、第三特征P33、第四特征P43和第五特征P03。
7.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序实现如权利要求1-6中任一项所述的方法。
8.一种计算机介质，其特征在于，所述计算机介质上存储有计算机程序，所述计算机程度被处理器执行时实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011543604.2A CN112560979A (zh) | 2020-12-24 | 2020-12-24 | 基于全卷积一阶目标检测的特征融合方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011543604.2A CN112560979A (zh) | 2020-12-24 | 2020-12-24 | 基于全卷积一阶目标检测的特征融合方法、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112560979A true CN112560979A (zh) | 2021-03-26 |
Family
ID=75030397
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011543604.2A Pending CN112560979A (zh) | 2020-12-24 | 2020-12-24 | 基于全卷积一阶目标检测的特征融合方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112560979A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107392854A (zh) * | 2017-07-18 | 2017-11-24 | 西安交通大学 | 一种基于局部自适应增益因子的联合上采样方法 |
| US10304009B1 (en) * | 2018-10-08 | 2019-05-28 | StradVision, Inc. | Learning method and testing method for object detector based on R-CNN, and learning device and testing device using the same |
| CN109816671A (zh) * | 2019-01-31 | 2019-05-28 | 深兰科技（上海）有限公司 | 一种目标检测方法、装置及存储介质 |
| CN111666998A (zh) * | 2020-06-03 | 2020-09-15 | 电子科技大学 | 一种基于目标点检测的内窥镜智能插管决策方法 |
| CN112053308A (zh) * | 2020-10-22 | 2020-12-08 | 润联软件系统(深圳)有限公司 | 一种图像去模糊方法、装置、计算机设备及存储介质 |
-
2020
- 2020-12-24 CN CN202011543604.2A patent/CN112560979A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107392854A (zh) * | 2017-07-18 | 2017-11-24 | 西安交通大学 | 一种基于局部自适应增益因子的联合上采样方法 |
| US10304009B1 (en) * | 2018-10-08 | 2019-05-28 | StradVision, Inc. | Learning method and testing method for object detector based on R-CNN, and learning device and testing device using the same |
| CN109816671A (zh) * | 2019-01-31 | 2019-05-28 | 深兰科技（上海）有限公司 | 一种目标检测方法、装置及存储介质 |
| CN111666998A (zh) * | 2020-06-03 | 2020-09-15 | 电子科技大学 | 一种基于目标点检测的内窥镜智能插管决策方法 |
| CN112053308A (zh) * | 2020-10-22 | 2020-12-08 | 润联软件系统(深圳)有限公司 | 一种图像去模糊方法、装置、计算机设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| XIANGLONG WANG等: ""Grid-based pavement crack analysis using deep learning"", 《2017 4TH INTERNATIONAL CONFERENCE ON TRANSPORTATION INFORMATION AND SAFETY》, 21 September 2017 (2017-09-21) * |
| 李奇: ""基于深度学习的一阶目标检测算法应用研究"", 《中国优秀硕士学位论文全文数据库》, 15 December 2019 (2019-12-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109241895B (zh) | 密集人群计数方法及装置 | |
| CN110322400B (zh) | 图像处理方法及装置、图像处理系统及其训练方法 | |
| TWI675349B (zh) | 影像切割方法及裝置 | |
| CN111476719B (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
| CN111652330B (zh) | 图像处理方法、装置、系统、电子设备及可读存储介质 | |
| CN109816659B (zh) | 图像分割方法、装置及系统 | |
| US20220261653A1 (en) | Method of Processing Image Data in a Connectionist Network | |
| CN112183395A (zh) | 基于多任务学习神经网络的道路场景识别方法和系统 | |
| CN111796945A (zh) | 工作流的构建方法、装置、电子设备及可读存储介质 | |
| US8724923B2 (en) | Image processing apparatus and image processing method for correcting distorted image data | |
| CN111709879B (zh) | 图像处理方法、图像处理装置及终端设备 | |
| CN112560979A (zh) | 基于全卷积一阶目标检测的特征融合方法、设备及介质 | |
| CN113962861A (zh) | 图像重建方法、装置、电子设备和计算机可读介质 | |
| CN116704206A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN111524072B (zh) | 超分辨重构网络训练方法和装置、电子设备及存储介质 | |
| EP3680827B1 (en) | Information processing apparatus and memory control method | |
| US20080107336A1 (en) | Method and device for extracting a subset of data from a set of data | |
| US7145578B2 (en) | Scalable object recognition architecture | |
| CA3136499A1 (en) | System and method of processing of a captured image to facilitate post-processing modification | |
| CN110544256A (zh) | 基于稀疏特征的深度学习图像分割方法及装置 | |
| CN110610459A (zh) | 图像处理方法及装置 | |
| CN116805423B (zh) | 一种基于结构重参数化的轻量级人体姿态估计算法 | |
| JP2795047B2 (ja) | 解析入力データ作成処理装置 | |
| US20220044370A1 (en) | Image processing methods | |
| CN113365015B (zh) | 一种视频数据处理装置及方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210408 Address after: Room 317-1, 3 / F, building B, 116 Shiyang Road, Qinhuai District, Nanjing, Jiangsu 210000 Applicant after: Jiangsu Yu Space Technology Co.,Ltd. Address before: 210000 Room 301, building B4, Nanjing Zidong International Creative Park, No.2, Zidong Road, Maqun street, Qixia District, Nanjing City, Jiangsu Province Applicant before: Jiangsu Yusheng Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220111 Address after: 2209-c1, No. 19, Erquan East Road, Huizhi enterprise center, Xishan District, Wuxi City, Jiangsu Province, 214000 Applicant after: Wuxi yuspace Intelligent Technology Co.,Ltd. Address before: Room 317-1, 3 / F, building B, 116 Shiyang Road, Qinhuai District, Nanjing, Jiangsu 210000 Applicant before: Jiangsu Yu Space Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220919 Address after: Room 1101, block C, Kangyuan smart port, No. 50, Jiangdong Street, Jialing, Jianye District, Nanjing City, Jiangsu Province, 210000 Applicant after: Jiangsu Yu Space Technology Co.,Ltd. Address before: 2209-c1, No. 19, Erquan East Road, Huizhi enterprise center, Xishan District, Wuxi City, Jiangsu Province, 214000 Applicant before: Wuxi yuspace Intelligent Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230904 Address after: 2209-c1, No. 19, Erquan East Road, Huizhi enterprise center, Xishan District, Wuxi City, Jiangsu Province, 214000 Applicant after: Wuxi yuspace Intelligent Technology Co.,Ltd. Address before: Room 1101, block C, Kangyuan smart port, No. 50, Jiangdong Street, Jialing, Jianye District, Nanjing City, Jiangsu Province, 210000 Applicant before: Jiangsu Yu Space Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right |