CN112580786A - 一种用于ReID的神经网络构造方法及其训练方法 - Google Patents

一种用于ReID的神经网络构造方法及其训练方法 Download PDF

Info

Publication number
CN112580786A
CN112580786A CN202011529184.2A CN202011529184A CN112580786A CN 112580786 A CN112580786 A CN 112580786A CN 202011529184 A CN202011529184 A CN 202011529184A CN 112580786 A CN112580786 A CN 112580786A
Authority
CN
China
Prior art keywords
neural network
dnn1
dnn
output
fcl
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
Application number
CN202011529184.2A
Other languages
English (en)
Other versions
CN112580786B (zh
Inventor
华炜
马也驰
李融
谢天
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202011529184.2A priority Critical patent/CN112580786B/zh
Publication of CN112580786A publication Critical patent/CN112580786A/zh
Application granted granted Critical
Publication of CN112580786B publication Critical patent/CN112580786B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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

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

本发明公开了一种用于ReID的神经网络构造和训练方法，构造方法包括：S1，构造神经网络DNN1；S2，从DNN1中选取全卷积层FCLi；S3，构造神经网络DNN2；S4，将选取的FCLi的输出特征向量图Fi和DNN1的输出连接到DNN2的输入，形成神经网络DNNfinal；训练方法包括：S1，构造DNNfinal；S2，训练DNN1；S3，构造神经网络DNN3；S4，将DNNfinal的输出连接到DNN3形成神经网络DNNaux；S5，选取多目标跟踪数据集训练DNNaux，训练过程中不更新DNN1的神经网络参数；S6，训练结束后输出的DNNfinal为用于ReID的神经网络。

Description

一种用于ReID的神经网络构造方法及其训练方法
技术领域
本发明涉及计算机视觉技术领域，尤其是涉及一种用于ReID的神经网络构造和训练方法。
背景技术
随着计算机视觉在人工智能领域的快速发展，在监控以及无人驾驶领域中，尤其是应用在多目标跟踪算法框架的车辆或者行人等目标的ReID算法中变得越来越重要。
现阶段的多目标跟踪算法主要难点在于目标的部分遮挡以及目标的短时间消失，为解决这一问题，ReID算法在多目标跟踪中显得尤为重要。目前较为通用的多目标跟踪算法是将每一次目标检测结果进行位置记录，并重新在原始视频的当前帧进行目标抠取，再送入ReID算法中进行特征提取。其中在原始图像中的多目标抠取、送入ReID算法前的图像预处理以及模型对特征的提取将消耗大量时间，也严重影响了整体多目标跟踪算法的效率。
发明内容
为解决现有技术的不足，实现提高多目标跟踪的效率及灵活性的目的，本发明采用如下的技术方案：
一种用于ReID的神经网络构造方法，包括如下步骤：
S1，构造图像目标检测的神经网络DNN1，满足以下条件：
（a）从输入端开始具备N层全卷积层，记为FCL1,FCL2,...,FCLN；
（b）通过DNN1中的网络层Detection head输出K个将图像目标包含在内的目标矩形框，目标矩形框记为R1,R2,...,RK；
S2，从神经网络DNN1中选取一个全卷积层FCLi；
S3，构造神经网络DNN2，满足以下条件：
（a）神经网络DNN2的输入为神经网络DNN1的FCLi层所输出的特征向量图Fi和神经网络DNN1最终输出的目标矩形框R1,R2,...,RK；
（b）神经网络DNN2中设有变换层LT，将特征向量图Fi中位于目标矩形框Rj内的张量变换到同一维度大小，形成张量FRj，其中j=1,...,K，并输出张量为FR1，FR2，...,FRK；
（c）变换层LT后连接一组神经网络层，记为Block，Block的输入为FR1,FR2,...,FRK，Block的输出为K个维度大小相同的向量，记为FV1,FV2,...,FVK，这些向量的维度记为C；
S4，将从神经网络DNN1中选取的全卷积层FCLi的输出特征向量图Fi和神经网络DNN1的输出目标矩形框R1,R2,...,RK连接到神经网络DNN2的输入，形成用于ReID的神经网络DNNfinal。
所述步骤S2选取的全卷积层是全卷积层FCLN。
所述步骤S3的Block包括卷积、BatchNorm、全连接和平均池化神经网络层。
一种用于ReID的神经网络训练方法，包括如下步骤：
S1，构造神经网络DNN1和神经网络DNN2，并形成神经网络DNNfinal，包括如下步骤：
S11，构造图像目标检测的神经网络DNN1，满足以下条件：
（a）从输入端开始具备N层全卷积层，记为FCL1,FCL2,...,FCLN；
（b）能够输出K个将图像目标包含在内的目标矩形框，目标矩形框记为R1,R2,...,RK；
S12，从神经网络DNN1中选取一个全卷积层FCLi；
S13，构造神经网络DNN2，满足以下条件：
（a）神经网络DNN2的输入为神经网络DNN1的FCLi层所输出的特征向量图Fi和神经网络DNN1最终输出的目标矩形框R1,R2,...,RK；
（b）神经网络DNN2中设有变换层LT，将特征向量图Fi中位于目标矩形框Rj内的张量变换到同一维度大小，形成张量FRj，其中j=1,...,K，并输出张量为FR1，FR2，...,FRK；
（c）变换层LT后连接一组神经网络层，记为Block，Block的输入为FR1,FR2,...,FRK，Block的输出为K个维度大小相同的向量，记为FV1,FV2,...,FVK，这些向量的维度记为C；
S14，将从神经网络DNN1中选取的全卷积层FCLi的输出特征向量图Fi和神经网络DNN1的输出目标矩形框R1,R2,...,RK连接到神经网络DNN2的输入，形成用于ReID的神经网络DNNfinal。
S2，训练神经网络DNNfinal中的神经网络DNN1，当神经网络DNN1的总体损失函数小于设定阈值并且在验证集上的检测mAP大于设定阈值即训练结束；
S3，构造神经网络DNN3，满足以下条件：
（a）神经网络DNN3的输入为C维向量；
（b）神经网络DNN3的输出为M维向量，该向量在每个维度上的取值范围为[0,1]，且所有维度上的数值之和等于1；
S4，将神经网络DNNfinal的输出，即K个维度大小相同的向量，合并成1个批次，其中批次大小为K，并将该批次连接到神经网络DNN3，由此，神经网络DNNfinal和神经网络DNN3形成神经网络DNNaux；
S5，选取多目标跟踪数据集训练神经网络DNNaux，在训练过程中对神经网络DNNaux中的神经网络DNN1的神经网络参数不进行更新；
S6，训练结束后，将神经网络DNNaux中的神经网络DNNfinal被输出，神经网络DNNfinal为用于ReID的神经网络。
所述步骤S3中，该M维向量使用softmax算子进行归一化。
所述步骤S4中，神经网络DNNfinal输出的K个维度大小相同的向量，通过Concat算子合并成1个批次，其中批次大小为K，并将该批次作为神经网络DNN3的输入。
通过计算处理将不同尺寸的张量缩放到同一尺寸下，在对神经网络进行训练时，只训练后接入的轻量网络，损失函数拟合较快，有效解决效率及灵活性较低的问题，简单清晰、灵活多变、易于理解、训练方法简洁、拟合速度很快、精度较高、节省资源。同时，ReID部分的模型拟合不影响目标检测模型精度，相对于一些直接端到端的神经网络优势明显。特别针对于多目标跟踪框架中，不但可以保证整体框架的检测精度，还可以大幅度提升帧率。
本发明的优势和有益效果在于：
本发明所构造的神经网络结构简单清晰、灵活多变、易于理解、训练方法简洁、拟合速度很快、精度较高。同时，ReID部分的模型拟合不影响目标检测模型精度，相对于一些直接端到端的神经网络优势明显。特别针对于多目标跟踪框架中，不但可以保证整体框架的检测精度，还可以大幅度提升帧率。
附图说明
图1为本发明中神经网络构造方法的流程图。
图2为本发明中神经网络训练方法的流程图。
图3为本发明中用于ReID的神经网络结构图。
图4为本发明应用于监控场景的多目标跟踪效果图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
一种用于ReID的灵活轻量的神经网络构造和高效率的训练方法，适用于多目标跟踪等算法框架，针对现有多目标跟踪等算法框架中需要用到ReID的算法，解决效率及灵活性较低的问题。
如图1、3所示，构造方法包括如下步骤：
1、构造神经网络CenterNet作为一个用于在图像中进行目标检测的神经网络，其中骨干网络Backbone为DLA-34，即34层的DLA，用于特征提取，将DLA-34与后续连接的用于定位的网络层Detection head一起记作DNN1，该网络满足两个条件：
（1）从输入端开始具备34层全卷积层,记为FCL1,FCL2,...,FCL34；
（2）通过DNN1中的网络层Detection head输出K个将图像上目标包含在内的目标矩形框，这些目标矩形框记为R1,R2,...,RK，其中K个目标矩形框是50个目标矩形框通过非极大值抑制以及阈值过滤方法筛选而来，非极大值抑制的IOU阈值设为0.5，阈值过滤方法的分数阈值设为0.3。
2、选取DNN1的Backbone部分中的全卷积层FCL34。
3、构造一个轻量的神经网络DNN2，其满足以下条件：
（1）DNN2的输入为DNN1中的FCL34层所输出的特征向量图F34和DNN1最终所输出目标矩形框R1,R2,...,RK，F34的维度大小为152×152×64；
（2）DNN2中第1层为RoiAlign层，即变换层LT，该变换层LT可将特征向量图F34中位于目标矩形框Rj内的张量通过计算处理变换到14×14×64的维度大小，形成张量FRj，其中j=1,...,K，该变换层LT输出张量为FR1,FR2,...,FRK；DNN2中RoiAlign层的后面连接包含4个kernel_size为3*3，stride和padding都为1的卷积层，即不会对特征张量FRj进行下采样，3个BatchNorm、2个全连接层以及1个kernel_size为3*3平均池化层，其中卷积层以及全连接层的激活函数为Relu。
这些层的连接顺序为：
conv1-relu-conv2-batchnorm1-relu-conv3-batchnorm2-relu-conv4-batchnorm3-avepooling1-fc1-fc2
其中conv1、conv2、conv3、conv4为4个卷积层；batchnorm1、batchnorm2、batchnorm3为3个BatchNorm层；avepooling1为平均池化层；fc1、fc2为2个全连接层。
这些层被记为Block，Block的输入为FR1,FR2,...,FRK，由于Block的最后输出层为全连接层，因此Block的输出为K个维度大小相同的向量，记为FV1,FV2,...,FVK，该向量维度大小为256，Block的输出就是DNN2的输出；
4、将从神经网络DNN1中选取出的全卷积层FCL34的输出特征向量图F34和神经网络DNN1的输出目标矩形框R1,R2,...,RK连接到神经网络DNN2的输入，这样形成的神经网络为用于ReID的神经网络DNNfinal。
神经网络DNNfinal和传统用于ReID的神经网络相比，并不需要重新对图像进行特征提取，可直接利用了之前目标检测网络对图像的特征提取部分，因此DNNfinal结构更加简单清晰；
神经网络DNNfinal的DNN2部分的Block层可以设计的很轻量就能达到不错的效果，并且灵活选择不一样的神经网络层进行搭配，针对不同场景达到最好的效果。
如图2所示，训练方法包括如下步骤：
1、按上述方法构造神经网络DNN1和神经网络DNN2，并形成神经网络DNNfinal；
2、利用传统训练目标检测网络CenterNet的训练方式训练神经网络DNNfinal中的神经网络DNN1；当DNN1的总体损失函数小于设定阈值并且模型在验证集上的检测mAP大于设定阈值即为训练结束；
3、选取多目标跟踪数据集MOT17，即为数据集D，其中该数据集包含的总目标数量为19216个；
4、构造一个神经网络DNN3，其中，DNN3的输入为1个256维向量，DNN3的输出为1个19216维向量，并在19216维向量后连接softmax算子进行归一化，因此满足每个维度上的取值范围为[0,1]，且所有维度上的数值之和等于1，即每个当前层向量的每个神经元的输出为预测为当前类别的分数；
5、将神经网络DNNfinal的输出，即K个256维向量，通过Concat算子合并成1个批次，其中批次大小为K，并把该批次连接到神经网络DNN3的输入，通过这种方式，神经网络DNNfinal和神经网络DNN3形成一个神经网络DNNaux，通过这种连接方式可达到训练神经网络DNNfinal的目的，即输入每张样本首先检测该样本中所有目标的位置，并对所有目标进行ID分类；
6、使用数据集D训练神经网络DNNaux，在训练过程中对神经网络DNNaux中的DNNfinal中的DNN1中的神经网络参数不进行更新，这种方式不但可以保证在训练整体ReID网络并不影响原目标检测模型的精度，而且由于DNNfinal中其余神经网络部分的轻量，导致模型拟合速度很快；
7、训练结束后，神经网络DNNaux中的神经网络DNNfinal被输出，即砍掉用于训练的某些神经网络层，因此DNNfinal为被训练完成的可用于ReID的神经网络。
本实施例的方法充分利用目标检测算法对目标特征的提取，并在目标检测神经网络后通过计算处理将不同尺寸的张量缩放到同一尺寸下，并接入轻量的卷积神经网络即可完成对不同目标的ReID。在对神经网络进行训练时，可只训练后接入的轻量网络，损失函数拟合较快。与此同时，由于该方法的高精度、高效率以及高灵活性特别适用于多目标跟踪等算法框架。验表明，在多目标跟踪算法框架中，本实施例方法和传统方法相比，整体精度上升了0.3%，每一帧多目标跟踪的处理时间从原有52ms提升至38ms，效率整体提升了28%。最终效果如图4所示，方框为检测框，左上角的数字为目标ID号。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。

Claims (6)

1.一种用于ReID的神经网络构造方法，其特征在于包括如下步骤：
S1，构造图像目标检测的神经网络DNN1，满足以下条件：
（a）从输入端开始具备N层全卷积层，记为FCL1,FCL2,...,FCLN；
（b）通过DNN1中的网络层Detection head输出K个将图像目标包含在内的目标矩形框，目标矩形框记为R1,R2,...,RK；
S2，从神经网络DNN1中选取一个全卷积层FCLi；
S3，构造神经网络DNN2，满足以下条件：
（a）神经网络DNN2的输入为神经网络DNN1的FCLi层所输出的特征向量图Fi和神经网络DNN1最终输出的目标矩形框R1,R2,...,RK；
（b）神经网络DNN2中设有变换层LT，将特征向量图Fi中位于目标矩形框Rj内的张量变换到同一维度大小，形成张量FRj，其中j=1,...,K，并输出张量为FR1，FR2，...,FRK；
（c）变换层LT后连接一组神经网络层，记为Block，Block的输入为FR1,FR2,...,FRK，Block的输出为K个维度大小相同的向量，记为FV1,FV2,...,FVK，这些向量的维度记为C；
S4，将从神经网络DNN1中选取的全卷积层FCLi的输出特征向量图Fi和神经网络DNN1的输出目标矩形框R1,R2,...,RK连接到神经网络DNN2的输入，形成用于ReID的神经网络DNNfinal。
2.如权利要求1所述的一种用于ReID的神经网络构造方法，其特征在于所述步骤S2选取的全卷积层是全卷积层FCLN。
3.如权利要求1所述的一种用于ReID的神经网络构造方法，其特征在于所述步骤S3的Block包括卷积、BatchNorm、全连接和平均池化神经网络层。
4.一种用于ReID的神经网络训练方法，其特征在于包括如下步骤：
S1，构造神经网络DNN1和神经网络DNN2，并形成神经网络DNNfinal，包括如下步骤：
S11，构造图像目标检测的神经网络DNN1，满足以下条件：
（a）从输入端开始具备N层全卷积层，记为FCL1,FCL2,...,FCLN；
（b）能够输出K个将图像目标包含在内的目标矩形框，目标矩形框记为R1,R2,...,RK；
S12，从神经网络DNN1中选取一个全卷积层FCLi；
S13，构造神经网络DNN2，满足以下条件：
（a）神经网络DNN2的输入为神经网络DNN1的FCLi层所输出的特征向量图Fi和神经网络DNN1最终输出的目标矩形框R1,R2,...,RK；
（b）神经网络DNN2中设有变换层LT，将特征向量图Fi中位于目标矩形框Rj内的张量变换到同一维度大小，形成张量FRj，其中j=1,...,K，并输出张量为FR1，FR2，...,FRK；
（c）变换层LT后连接一组神经网络层，记为Block，Block的输入为FR1,FR2,...,FRK，Block的输出为K个维度大小相同的向量，记为FV1,FV2,...,FVK，这些向量的维度记为C；
S14，将从神经网络DNN1中选取的全卷积层FCLi的输出特征向量图Fi和神经网络DNN1的输出目标矩形框R1,R2,...,RK连接到神经网络DNN2的输入，形成用于ReID的神经网络DNNfinal；
S2，训练神经网络DNNfinal中的神经网络DNN1，当神经网络DNN1的总体损失函数小于设定阈值并且在验证集上的检测mAP大于设定阈值即训练结束；
S3，构造神经网络DNN3，满足以下条件：
（a）神经网络DNN3的输入为C维向量；
（b）神经网络DNN3的输出为M维向量，该向量在每个维度上的取值范围为[0,1]，且所有维度上的数值之和等于1；
S4，将神经网络DNNfinal的输出，即K个维度大小相同的向量，合并成1个批次，其中批次大小为K，并将该批次连接到神经网络DNN3，由此，神经网络DNNfinal和神经网络DNN3形成神经网络DNNaux；
S5，选取多目标跟踪数据集训练神经网络DNNaux，在训练过程中对神经网络DNNaux中的神经网络DNN1的神经网络参数不进行更新；
S6，训练结束后，将神经网络DNNaux中的神经网络DNNfinal被输出，神经网络DNNfinal为用于ReID的神经网络。
5.如权利要求4所述的一种用于ReID的神经网络训练方法，其特征在于所述步骤S3中，该M维向量使用softmax算子进行归一化。
6.如权利要求4所述的一种用于ReID的神经网络训练方法，其特征在于所述步骤S4中，神经网络DNNfinal输出的K个维度大小相同的向量，通过Concat算子合并成1个批次，其中批次大小为K，并将该批次作为神经网络DNN3的输入。
CN202011529184.2A 2020-12-22 2020-12-22 一种用于ReID的神经网络构造方法及其训练方法 Active CN112580786B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011529184.2A CN112580786B (zh) 2020-12-22 2020-12-22 一种用于ReID的神经网络构造方法及其训练方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011529184.2A CN112580786B (zh) 2020-12-22 2020-12-22 一种用于ReID的神经网络构造方法及其训练方法

Publications (2)

Publication Number Publication Date
CN112580786A true CN112580786A (zh) 2021-03-30
CN112580786B CN112580786B (zh) 2021-09-28

Family

ID=75138897

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011529184.2A Active CN112580786B (zh) 2020-12-22 2020-12-22 一种用于ReID的神经网络构造方法及其训练方法

Country Status (1)

Country Link
CN (1) CN112580786B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113111978A (zh) * 2021-06-11 2021-07-13 之江实验室 一种基于点云和图像数据的三维目标检测系统和方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086672A (zh) * 2018-07-05 2018-12-25 襄阳矩子智能科技有限公司 一种基于强化学习自适应分块的行人再识别方法
CN109670555A (zh) * 2018-12-27 2019-04-23 吉林大学 基于深度学习的实例级行人检测和行人重识别系统
CN109670429A (zh) * 2018-12-10 2019-04-23 广东技术师范学院 一种基于实例分割的监控视频多目标人脸检测方法及系统
CN110084195A (zh) * 2019-04-26 2019-08-02 西安电子科技大学 基于卷积神经网络的遥感图像目标检测方法
CN111783576A (zh) * 2020-06-18 2020-10-16 西安电子科技大学 基于改进型YOLOv3网络和特征融合的行人重识别方法
CN112069874A (zh) * 2020-07-17 2020-12-11 中山大学 胚胎光镜图像中细胞的识别方法及系统、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086672A (zh) * 2018-07-05 2018-12-25 襄阳矩子智能科技有限公司 一种基于强化学习自适应分块的行人再识别方法
CN109670429A (zh) * 2018-12-10 2019-04-23 广东技术师范学院 一种基于实例分割的监控视频多目标人脸检测方法及系统
CN109670555A (zh) * 2018-12-27 2019-04-23 吉林大学 基于深度学习的实例级行人检测和行人重识别系统
CN110084195A (zh) * 2019-04-26 2019-08-02 西安电子科技大学 基于卷积神经网络的遥感图像目标检测方法
CN111783576A (zh) * 2020-06-18 2020-10-16 西安电子科技大学 基于改进型YOLOv3网络和特征融合的行人重识别方法
CN112069874A (zh) * 2020-07-17 2020-12-11 中山大学 胚胎光镜图像中细胞的识别方法及系统、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
BING SHUAI ET AL: "Application of Multi-Object Tracking with Siamese Track-RCNN to the Human in Events Dataset", 《PROCEEDINGS OF THE 28TH ACM INTERNATIONAL CONFERENCE ON MULTIMEDIA (MM"20)》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113111978A (zh) * 2021-06-11 2021-07-13 之江实验室 一种基于点云和图像数据的三维目标检测系统和方法

Also Published As

Publication number Publication date
CN112580786B (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
JP2022515895A (ja) 物体認識方法及び装置
CN113657560B (zh) 基于节点分类的弱监督图像语义分割方法及系统
CN111696110B (zh) 场景分割方法及系统
CN111046821B (zh) 一种视频行为识别方法、系统及电子设备
CN113421269A (zh) 一种基于双分支深度卷积神经网络的实时语义分割方法
CN109919032B (zh) 一种基于动作预测的视频异常行为检测方法
CN112561027A (zh) 神经网络架构搜索方法、图像处理方法、装置和存储介质
TWI837388B (zh) 用於深度神經網路中的深度優先迴旋的方法、設備及媒體
CN112966747A (zh) 一种基于无锚框检测网络改进的车辆检测方法
CN113128360A (zh) 基于深度学习的司机驾驶行为检测与识别方法
CN111931572B (zh) 一种遥感影像的目标检测方法
CN112446292B (zh) 一种2d图像显著目标检测方法及系统
CN114821374A (zh) 一种知识与数据协同驱动的无人机航拍目标检测方法
CN115410030A (zh) 目标检测方法、装置、计算机设备及存储介质
Yang Research on lane recognition algorithm based on deep learning
CN112580786B (zh) 一种用于ReID的神经网络构造方法及其训练方法
CN114612847A (zh) 一种Deepfake视频篡改检测方法以及系统
CN114821383A (zh) 基于轻量化网络的视频运动目标检测方法及系统
CN116432736A (zh) 神经网络模型优化方法、装置及计算设备
CN114333062A (zh) 基于异构双网络和特征一致性的行人重识别模型训练方法
CN111598841B (zh) 基于正则化稠密连接特征金字塔的实例显著性检测方法
CN113627481A (zh) 一种面向智慧园林的多模型组合的无人机垃圾分类方法
WO2023029559A1 (zh) 一种数据处理方法以及装置
CN113095335B (zh) 一种基于类别一致性深度学习的图像识别方法
CN114821061A (zh) 上下文聚合网络以及基于该网络的图像实时语义分割方法

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