CN112597920A - 基于YOLOv3剪枝网络的实时物体检测系统 - Google Patents

基于YOLOv3剪枝网络的实时物体检测系统 Download PDF

Info

Publication number
CN112597920A
CN112597920A CN202011577036.8A CN202011577036A CN112597920A CN 112597920 A CN112597920 A CN 112597920A CN 202011577036 A CN202011577036 A CN 202011577036A CN 112597920 A CN112597920 A CN 112597920A
Authority
CN
China
Prior art keywords
real
network
module
yolov3
detection
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
Application number
CN202011577036.8A
Other languages
English (en)
Inventor
禹鑫燚
曹铭洲
张铭扬
欧林林
戎锦涛
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 University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202011577036.8A priority Critical patent/CN112597920A/zh
Publication of CN112597920A publication Critical patent/CN112597920A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于YOLOv3剪枝模型和嵌入式开发板的实时检测系统，包括实时视频采集及预处理模块，物体识别与检测模块和显示及保存模块。实时视频采集及预处理模块，将实时视频数据转化为单帧图像后进行预处理。物体识别与检测模块，对模型进行训练并剪枝，得到压缩后的模型。将预先训练好的权重数据载入到卷积神经网络中，用卷积网络对图像数据中的物体进行检测。显示及保存单元，将识别到的物体进行实时显示并将结果进行保存。通过实时视频采集及预处理模块，对实时视频数据进行预处理，可实现复杂环境下的物体实时检测。通过物体识别与检测模块使用YOLOv3剪枝网络进行物体识别与检测，可以达到实时，高精度的检测效果。

Description

基于YOLOv3剪枝网络的实时物体检测系统
技术领域
本发明属于一种基于深度学习的实时物体检测系统，具体涉及YOLOv3剪枝网络和嵌入式开发板。
背景技术
实时目标检测技术是近年来计算机视觉领域中的研究热门，这种技术包括对轻量级目标检测网络的设计、目标数据集的制作，模型部署载体的研究等。目前，基于图像序列的实时目标检测技术可实现计算机观察和检测图像序列中的目标，该技术在未来智能驾驶和计算机智能分拣中都有着代表性。其中，最潜在的应用之一在于实时，快速的智能分拣领域中，如无人流水线上的机器人智能分拣。
在无人的机器人智能分拣环境中，检测的准确性是首先要考虑的因素。在早期基于卷积神经网络的目标检测任务中，Ross Girshick等人提出预先提取一系列候选区域，在候选区域上进行特征的提取的目标检测方法，该方法奠定了R-CNN系列方法的基础，并衍生出更加完美的Fast R-CNN，Faster R-CNN和Mask R-CNN目标检测模型(R.Girshick,J.Donahue,T.Darrell,and J.Malik.Rich feature hierarchies for accurate objectdetection and semantic segmentation.In CVPR,2014.)。R-CNN系列包括最先进的Faster R-CNN模型在目标检测与识别上有着最高的图像识别精确度，但卷积网络模型都具有大量的层级和节点，所用到的参数达到几百万甚至几十亿，网络的这种计算密集性和存储密集性，会带来巨大的计算和内存消耗，不能满足快速、实时应用的需求；难以应用到计算量小、存储空间小的移动设备上。
机器人智能分拣的第二个重点就是实时性，之前的目标检测模型无法胜任实时性的要求。为了解决之前模型参数量过大，检测速度慢的缺点，Joseph Redmon等人提出了YOLO网络,并由此衍生出了YOLOv2，YOLOv3网络(J.Redmon,S.Divvala,R.Girshick,A.Farhadi.You Only Look Once:Unified,Real-Time Object Detection.https://arxiv.org/abs/1506.02640,2015)。此系列的网络将物体检测任务直接当作回归问题来处理，将选择候选区和检测两个阶段合二为一。YOLO将识别与定位合二为一，结构简便，检测速度快。
虽然YOLO系列模型已经大大提高了检测速度，减少了模型大小，但因为卷积神经网络本身的参数量庞大，依然无法顺利部署到低配置的嵌入式设备和移动设备上。因此在嵌入式设备上部署卷积神经网络模型成为时下亟待解决的问题。
发明内容
本发明克服现有技术的缺点，提出一种易实现、适用性高的，基于YOLOv3剪枝网络和NVIDIA Jetson NANO嵌入式开发板的实时物体检测系统，此系统在保证高精度的同时，可以实现快速的实时检测。
首先，该系统克服了深度目标检测模型参数量大，计算损耗高的缺点，解决了深度目标检测模型无法成功部署在小型嵌入式开发板上的问题。其次克服了现有的目标检测模型推理速度过慢的缺点，解决了深度目标检测模型无法有效做到实时检测的问题。
本发明为解决现有技术问题所采用的技术方案为：
一种实时物体检测系统，包括：实时视频采集及预处理模块，物体识别与检测模块和显示及保存模块。
所述实时视频采集及预处理模块和物体识别与检测模块相连，用于采集实时视频数据，将视频数据转化为单帧图片后进行预处理，预处理后的数据发送给所述物体识别与检测模块。
所述物体识别与检测模块，与实时视频采集及预处理模块和显示及保存模块相连，接收实时视频采集及预处理模块发送的数据，将预先训练好的权重数据载入到YOLOv3剪枝网络中，用卷积神经网络对数据中的物体进行检测，检测结果发送至显示及保存模块；
所述显示及保存模块，与物体识别与检测模块相连，将识别到的物体进行实时显示并将结果保存。
具体的，所述实时视频采集及预处理模块包括：
摄像子模块：通过CSI摄像头实时采集视频数据，并对摄像头参数进行初始化，将规范化的影像数据转化为流式数据输出到IO口；
预处理子模块：采用opencv工具包来读取IO口的流式数据，对流式数据的单帧图片进行提取并缩放到物体识别与检测模块所需的大小，作为物体识别与检测模块的输入数据。进一步对摄像头参数进行初始化，包括用户预先设置的码流、帧率、分辨率和IP地址。
具体的，所述物体识别与检测模块包括：
特征提取子模块：利用k-meas聚类算法对图片数据进行维度聚类分析，获取适合检测物体的锚框比例，同时采用YOLOv3剪枝网络中的Darknet53网络作为特征提取网络，将浅层特征和深层特征进行融合，实现多尺度融合。
模型剪枝子模块：利用YOLOv3目标检测模型中卷积神经网络的Batch Normal层(BN层)，通过BN层中的γ参数的大小作为衡量每个通道重要性的指标，对卷积层中的各个通道进行重要性排序，设置一个剪枝的百分比阈值，裁剪重要程度低于阈值的通道，得到剪枝网络；
识别与检测子模块：对特征提取子模块使用TensorRT进行推理加速，用剪枝后的卷积网络对数据中的物体进行检测，获取实时数据中物体的位置和类别，并使用矩形框进行标注。
综上所述，本发明的优点在于：
1.本发明中，通过实时视频采集及预处理模块，对实时视频数据进行预处理，可实现复杂实时环境下的实时检测，通过物体识别与检测模块使用YOLOv3剪枝网络提取单帧图片中的特征，并进行多尺度融合，提高了物体实时检测的检测准确率；
2.本发明中，通过物体识别与检测模块中的模型剪枝子模块，减少了卷积神经网络的计算量和存储量，且在剪枝过程中，每次剪枝只修剪缩放因子小的通道，既大大减少了模型的大小，又避免了对模型性能造成太大的影响；此子模块使物体识别与检测能顺利在NVIDIA Jetson NANO嵌入式开发板上进行；
3.本发明中，通过物体识别与检测模块中的识别与检测子模块，使用TensorRT对YOLOv3剪枝模型进行了推理加速，加快了YOLOv3剪枝模型的目标检测速度，解决了深度目标检测模型无法有效做到实时检测的问题。
附图说明
图1是本发明中基于YOLOv3剪枝模型的实时物体检测系统框图；
图2是本发明中基于YOLOv3剪枝模型的实时物体检测系统流程图；
图3是本发明中YOLOv3模型的结构图；
图4是本发明中主干网络BN层γ因子通道剪枝原理图；
图5是本发明中实时视频采集及预处理模块流程图；
图6是本发明中物体识别与检测模块流程图；
图7是本发明中显示及保存模块流程图；
具体实施方式
下面结合附图进一步说明本发明。
参照图1，一种基于YOLOv3剪枝网络的实时物体检测系统，包括实时视频采集及预处理模块，物体识别与检测模块，显示及保存模块；实时视频采集及预处理模块包括摄像子模块，预处理子模块。物体识别与检测模块包括特征提取子模块，模型剪枝子模块，识别与检测子模块；
如图2所示，实时视频采集及预处理模块和物体识别与检测模块相连，用于采集实时视频数据，将视频数据转化为单帧图片后进行预处理，预处理后的数据发送给所述物体识别与检测模块。物体识别与检测模块，与实时视频采集及预处理模块和显示及保存模块相连，接收实时视频采集及预处理模块发送的数据，将预先训练好的权重数据载入到YOLOv3剪枝网络中，用卷积神经网络对数据中的物体进行检测，检测结果发送至显示及保存模块；显示及保存模块，与物体识别与检测模块相连，将识别到的物体进行实时显示并将结果保存。
如图3所示YOLOv3主干网络设计借鉴了深度残差网络跳层连接结构。为了减少池化层带来的对梯度计算的影响，网络中的下采样操作都通过卷积层实现，卷积层的步长都设为2。大量实验表明，神经网络会出现每层之间数据分布不一致的问题，这会导致网络难以收敛和训练，为了解决这个问题，YOLOv3网络在除了最后三层用于预测的卷积层之外，对其余卷积层的输出都做了Batch Normalization操作，作为解决梯度消失及梯度爆炸，加速网络收敛，以及避免过拟合的方法。在每个BN层后，网络又引入了LeakyRelu函数作为激活函数，这层的作用是在网络中引入非线性组成。卷积层，BN层，LeakyRelu层共同构成网络的最小组件。为了对大小不同的物体做到精确检测，YOLOv3借鉴了特征金字塔网络FPN(feature pyramid network)，通过上采样操作对特征进行融合，根据Nano上的CSI摄像头采集到的图像对检测目标进行三个尺度的预测，本发明中尺寸为13*13的输出特征图感受野最大，专门用来检测大目标，尺寸为52*52的输出特征图感受野最小，专门用来检测小目标；
如图4所示，本发明采用基于BN层γ缩放因子的通道等级的剪枝对模型进行压缩。将BN层缩放因子γ引入损失函数，构造剪枝目标函数如下所示：
Figure BDA0002864584730000061
上式x和y是网络输入和标签值，W是网络中的训练权重，公式中的第一项是YOLOv3网络模型的训练损失函数，λ为惩罚项的平衡系数，g(γ)是缩放因子γ的L1正则化惩罚系数。通过上述目标损失函数对稀疏化的YOLOv3模型中对应γ参数较小的通道进行剪枝。通过上述损失函数训练好的YOLOv3网络模型进行稀疏化训练，设定的稀疏率为0.01，即λ参数设为0.01，训练之后得到稀疏化的YOLOv3模型；对稀疏化后的模型进行通道剪枝，被裁减的通道为稀疏化之后较小的缩放因子γ对应的通道，剪枝率设为0.85；通道剪枝在剪掉某一通道的同时也减去了与此通道的对应的输入输出权重，多次迭代剪枝后可以获得较窄的剪枝网络；
如图5所示，实时视频采集及预处理模块，与物体识别与检测模块相连，用于采集实时视频数据，将视频数据转化为单帧图像后进行预处理，预处理后的数据发送给物体识别与检测模块；其中，实时视频采集及预处理模块包括摄像子模块和预处理子模块。摄像子模块，通过摄像头采集实时视频数据，并对摄像头参数进行初始化，参数包括用户预先设置的码流、帧率、分辨率和IP地址，将已规范化的视频数据转换为流式数据输出到IO口，准备交互，为物体识别与检测模块做前期的数据准备；预处理子模块，采用opencv工具包来读取IO口的流式数据，将流式数据的单帧图像进行提取并缩放到物体识别与检测模块所需的大小，作为物体识别与检测模块输入数据。
如图6所示，物体识别与检测模块，与实时视频采集及预处理模块和显示及保存模块相连，接收实时视频采集及预处理模块发送的数据，将预先训练好的权重数据载入到卷积神经网络中，用卷积网络对数据中的飞机进行检测，检测结果发送至显示及保存单元；
特征提取子模块：利用k-means聚类算法对图片数据进行维度聚类分析，获取适合检测物体的锚框比例，同时采用YOLOv3剪枝网络中的Darknet53网络作为特征提取网络，将浅层特征和深层特征进行融合，实现多尺度融合。该子模块中YOLOv3中网络的前向推断公式如下：
bx＝σ(tx)+cx (1)
by＝σ(ty)+cy (2)
Figure BDA0002864584730000071
Figure BDA0002864584730000072
bx,by是预测框在对应尺寸的特征图上的相对中心坐标值。bw,bh是预测框的宽和高。cx,cy是输出特征图grid cell的左上角坐标，pw,ph为锚框的宽和高。tx,ty为预测的坐标偏移值，tw,th为预测的尺度缩放倍数；
YOLOv3目标置信度损失函数如下所示：
Figure BDA0002864584730000073
其中
Figure BDA0002864584730000074
网络输出ci通过Sigmoid函数得到
Figure BDA0002864584730000075
YOLOv3目标类别损失函数如下所示：
Figure BDA0002864584730000076
其中，
Figure BDA0002864584730000081
网络输出ci通过Sigmoid函数得到
Figure BDA0002864584730000082
表示目标检测框i中存在第j类目标的Sigmoid概率；
YOLOv3目标定位损失函数如下：
Figure BDA0002864584730000083
其中：
Figure BDA0002864584730000084
Figure BDA0002864584730000085
Figure BDA0002864584730000086
Figure BDA0002864584730000087
其中
Figure BDA0002864584730000088
表示预测框的坐标偏移量(YOLOv3预测的是坐标偏移值)，
Figure BDA0002864584730000089
表示真实框的坐标偏移量，(bx,by,bw,bh)为预测框的参数，(cx,cy,pw,ph)为锚框的参数，(gx,gy,gw,gh)为真实框的参数；；
通过权重系数得到最终的损失函数：
L(O,o,C,c,l,g)＝λconfLconf(o,c)+λclaLcla(O,C)+λlocLloc(l,g) (8)
模型剪枝子模块：利用YOLOv3目标检测模型中卷积神经网络的Batch Normal层(BN层)，通过BN层中的γ参数的大小作为衡量每个通道重要性的指标，将BN层的缩放因子γ与损失函数相结合，得到新的剪枝目标损失函数：
Figure BDA00028645847300000810
上式x和y是网络输入和标签值，W是网络中的训练权重，公式中的第一项是YOLOv3网络模型的训练损失函数，λ为惩罚项的平衡系数，g(γ)是缩放因子γ的L1正则化惩罚系数，通过上述目标损失函数对稀疏化的YOLOv3模型中对应γ参数较小的通道进行剪枝，得到剪枝网络；
识别与检测子模块：对特征提取子模块使用TensorRT进行推理加速，用剪枝后的卷积网络对数据中的物体进行检测，获取实时数据中物体的位置和类别，并使用矩形框进行标注。
如图7所示，显示及保存模块，与物体识别与检测模块相连，将识别到的物体进行实时显示并将结果保存进行保存，具体为：创建窗口，对物体检测结果进行实时显示，并将检测结果在NVIDIA Jetson NANO上进行保存，销毁窗口，等待下次检测创建。
本说明书实施例所述的内容仅仅是对发明构思实现形式的例举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (4)

1.一种实时物体检测系统，包括：实时视频采集及预处理模块，物体识别与检测模块和显示及保存模块。
所述实时视频采集及预处理模块和物体识别与检测模块相连，用于采集实时视频数据，将视频数据转化为单帧图片后进行预处理，预处理后的数据发送给所述物体识别与检测模块。
所述物体识别与检测模块，与实时视频采集及预处理模块和显示及保存模块相连，接收实时视频采集及预处理模块发送的数据，将预先训练好的权重数据载入到YOLOv3剪枝网络中，用卷积神经网络对数据中的物体进行检测，检测结果发送至显示及保存模块；
所述显示及保存模块，与物体识别与检测模块相连，将识别到的物体进行实时显示并将结果保存。
2.根据专利要求1所述的一种基于YOLOv3剪枝模型的实时物体检测系统，其特征在于：所述实时视频采集及预处理模块包括摄像子模块和预处理模块；
摄像子模块：通过CSI摄像头实时采集视频数据，并对摄像头参数进行初始化，将规范化的影像数据转化为流式数据输出到IO口；
预处理子模块：采用opencv工具包来读取IO口的流式数据，对流式数据的单帧图片进行提取并缩放到物体识别与检测模块所需的大小，作为物体识别与检测模块的输入数据。
3.根据专利要求2所述的一种基于YOLOv3剪枝模型的实时物体检测系统，其特征在于：对摄像头参数进行初始化，包括用户预先设置的码流、帧率、分辨率和IP地址。
4.根据专利要求1所述的一种基于YOLOv3剪枝模型的实时物体检测系统，其特征在于：所述物体识别与检测模块包括特征提取子模块，模型剪枝子模块和识别与检测子模块；
特征提取子模块：利用k-meas聚类算法对图片数据进行维度聚类分析，获取适合检测物体的锚框比例，同时采用YOLOv3剪枝网络中的Darknet53网络作为特征提取网络，将浅层特征和深层特征进行融合，实现多尺度融合。该子模块中YOLOv3中网络的前向推断公式如下：
bx＝σ(tx)+cx (1)
by＝σ(ty)+cy (2)
Figure FDA0002864584720000021
Figure FDA0002864584720000022
bx,by是预测框在对应尺寸的特征图上的相对中心坐标值。bw,bh是预测框的宽和高。cx,cy是输出特征图grid cell的左上角坐标，pw,ph为锚框的宽和高。tx,ty为预测的坐标偏移值，tw,th为预测的尺度缩放倍数；
YOLOv3目标置信度损失函数如下所示：
Figure FDA0002864584720000023
其中
Figure FDA0002864584720000024
网络输出ci通过Sigmoid函数得到
Figure FDA0002864584720000025
YOLOv3目标类别损失函数如下所示：
Figure FDA0002864584720000026
其中，
Figure FDA0002864584720000027
网络输出ci通过Sigmoid函数得到
Figure FDA0002864584720000028
表示目标检测框i中存在第j类目标的Sigmoid概率；
YOLOv3目标定位损失函数如下：
Figure FDA0002864584720000029
其中：
Figure FDA0002864584720000031
Figure FDA0002864584720000032
Figure FDA0002864584720000033
Figure FDA0002864584720000034
其中
Figure FDA0002864584720000035
表示预测框的坐标偏移量(YOLOv3预测的是坐标偏移值)，
Figure FDA0002864584720000036
表示真实框的坐标偏移量，(bx,by,bw,bh)为预测框的参数，(cx,cy,pw,ph)为锚框的参数，(gx,gy,gw,gh)为真实框的参数；；
通过权重系数得到最终的损失函数：
L(O,o,C,c,l,g)＝λconfLconf(o,c)+λclaLcla(O,C)+λlocLloc(l,g) (8)
模型剪枝子模块：利用YOLOv3目标检测模型中卷积神经网络的Batch Normal层(BN层)，通过BN层中的γ参数的大小作为衡量每个通道重要性的指标，将BN层的缩放因子γ与损失函数相结合，得到新的剪枝目标损失函数：
Figure FDA0002864584720000037
上式x和y是网络输入和标签值，W是网络中的训练权重，公式中的第一项是YOLOv3网络模型的训练损失函数，λ为惩罚项的平衡系数，g(γ)是缩放因子γ的L1正则化惩罚系数，通过上述目标损失函数对稀疏化的YOLOv3模型中对应γ参数较小的通道进行剪枝，得到剪枝网络；
识别与检测子模块：对特征提取子模块使用TensorRT进行推理加速，用剪枝后的卷积网络对数据中的物体进行检测，获取实时数据中物体的位置和类别，并使用矩形框进行标注。
CN202011577036.8A 2020-12-28 2020-12-28 基于YOLOv3剪枝网络的实时物体检测系统 Pending CN112597920A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011577036.8A CN112597920A (zh) 2020-12-28 2020-12-28 基于YOLOv3剪枝网络的实时物体检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011577036.8A CN112597920A (zh) 2020-12-28 2020-12-28 基于YOLOv3剪枝网络的实时物体检测系统

Publications (1)

Publication Number Publication Date
CN112597920A true CN112597920A (zh) 2021-04-02

Family

ID=75202647

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011577036.8A Pending CN112597920A (zh) 2020-12-28 2020-12-28 基于YOLOv3剪枝网络的实时物体检测系统

Country Status (1)

Country Link
CN (1) CN112597920A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113160188A (zh) * 2021-04-27 2021-07-23 福州大学 基于圆形特征的鲁棒血细胞检测方法
CN113743230A (zh) * 2021-08-09 2021-12-03 东北大学 一种基于边缘计算的飞机检测跟踪识别系统
CN113920427A (zh) * 2021-09-18 2022-01-11 浙江工业大学 基于YOLOv5CA注意力模型的实时番茄检测系统
CN114049346A (zh) * 2021-11-26 2022-02-15 赣南师范大学 一种基于剪裁YOLOv3-SPP3的柑橘木虱检测与识别方法
CN114113773A (zh) * 2021-11-11 2022-03-01 国网辽宁省电力有限公司经济技术研究院 一种基于零样本学习的非侵入式负荷监测方法
CN114612330A (zh) * 2022-03-15 2022-06-10 中国人民解放军国防科技大学 一种多相机的图像增强方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461291A (zh) * 2020-03-13 2020-07-28 西安科技大学 基于YOLOv3剪枝网络和深度学习去雾模型的长输管线巡检方法
CN111881831A (zh) * 2020-07-28 2020-11-03 南京拟态智能技术研究院有限公司 一种基于深度学习的多尺度特征融合目标检测系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461291A (zh) * 2020-03-13 2020-07-28 西安科技大学 基于YOLOv3剪枝网络和深度学习去雾模型的长输管线巡检方法
CN111881831A (zh) * 2020-07-28 2020-11-03 南京拟态智能技术研究院有限公司 一种基于深度学习的多尺度特征融合目标检测系统

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113160188A (zh) * 2021-04-27 2021-07-23 福州大学 基于圆形特征的鲁棒血细胞检测方法
CN113160188B (zh) * 2021-04-27 2022-07-05 福州大学 基于圆形特征的鲁棒血细胞检测方法
CN113743230A (zh) * 2021-08-09 2021-12-03 东北大学 一种基于边缘计算的飞机检测跟踪识别系统
CN113920427A (zh) * 2021-09-18 2022-01-11 浙江工业大学 基于YOLOv5CA注意力模型的实时番茄检测系统
CN114113773A (zh) * 2021-11-11 2022-03-01 国网辽宁省电力有限公司经济技术研究院 一种基于零样本学习的非侵入式负荷监测方法
CN114113773B (zh) * 2021-11-11 2024-03-19 国网辽宁省电力有限公司经济技术研究院 一种基于零样本学习的非侵入式负荷监测方法
CN114049346A (zh) * 2021-11-26 2022-02-15 赣南师范大学 一种基于剪裁YOLOv3-SPP3的柑橘木虱检测与识别方法
CN114049346B (zh) * 2021-11-26 2024-03-26 赣南师范大学 一种基于剪裁YOLOv3-SPP3的柑橘木虱检测与识别方法
CN114612330A (zh) * 2022-03-15 2022-06-10 中国人民解放军国防科技大学 一种多相机的图像增强方法
CN114612330B (zh) * 2022-03-15 2024-02-02 中国人民解放军国防科技大学 一种多相机的图像增强方法

Similar Documents

Publication Publication Date Title
CN109584248B (zh) 基于特征融合和稠密连接网络的红外面目标实例分割方法
CN112597920A (zh) 基于YOLOv3剪枝网络的实时物体检测系统
CN114202672A (zh) 一种基于注意力机制的小目标检测方法
CN111080693A (zh) 一种基于YOLOv3的机器人自主分类抓取方法
CN109816695A (zh) 一种复杂背景下的红外小型无人机目标检测与跟踪方法
CN110555420B (zh) 一种基于行人区域特征提取和重识别融合模型网络及方法
Cepni et al. Vehicle detection using different deep learning algorithms from image sequence
CN108133235B (zh) 一种基于神经网络多尺度特征图的行人检测方法
CN109919223B (zh) 基于深度神经网络的目标检测方法及装置
CN111753682A (zh) 一种基于目标检测算法的吊装区域动态监控方法
US20240161461A1 (en) Object detection method, object detection apparatus, and object detection system
CN112507904B (zh) 一种基于多尺度特征的教室人体姿态实时检测方法
CN114821014A (zh) 基于多模态与对抗学习的多任务目标检测识别方法及装置
CN112329861B (zh) 一种面向移动机器人多目标检测的分层特征融合方法
CN112597919A (zh) 基于YOLOv3剪枝网络和嵌入式开发板的实时药盒检测方法
CN115861619A (zh) 一种递归残差双注意力核点卷积网络的机载LiDAR城市点云语义分割方法与系统
CN106407978B (zh) 一种结合似物度的无约束视频中显著物体检测方法
CN113537085A (zh) 基于两次迁移学习和数据增广的船舶目标检测方法
CN114220126A (zh) 一种目标检测系统及获取方法
CN115713546A (zh) 移动终端设备用的轻量化目标跟踪算法
CN113327253A (zh) 一种基于星载红外遥感影像的弱小目标检测方法
CN113269038A (zh) 一种基于多尺度的行人检测方法
CN116310669B (zh) 基于多模态特征提取网络的目标检测方法、系统及设备
CN115861595B (zh) 一种基于深度学习的多尺度域自适应异源图像匹配方法
CN114743045B (zh) 一种基于双分支区域建议网络的小样本目标检测方法

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