CN112784788B - 一种低分辨率目标检测方法 - Google Patents
一种低分辨率目标检测方法 Download PDFInfo
- Publication number
- CN112784788B CN112784788B CN202110127578.3A CN202110127578A CN112784788B CN 112784788 B CN112784788 B CN 112784788B CN 202110127578 A CN202110127578 A CN 202110127578A CN 112784788 B CN112784788 B CN 112784788B
- Authority
- CN
- China
- Prior art keywords
- low
- target
- resolution
- network
- resolution target
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 55
- 238000009826 distribution Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 17
- 239000013589 supplement Substances 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims 1
- 239000002994 raw material Substances 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 abstract description 12
- 230000006870 function Effects 0.000 description 20
- 238000004590 computer program Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
-
- 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]
-
- 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)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种低分辨率目标检测方法,采用低分辨率目标检测模型进行识别,在识别过程中为低分辨率目标补充特征,使其抽象特征分布与非低分辨率目标的特征分布一致,有效实现了变电站、输电线路场景中的低分辨率目标物体检测。
Description
技术领域
本发明涉及一种低分辨率目标检测方法,具体为变电站、输电线路场景中的低分辨率目标物体检测方法,属于深度学习和人工智能领域。
背景技术
变电站内的人员、动物、相关设备工具等物体的移动,输电线路上的树木生长、线路周边的车辆和风筝等物体移动都会对电网安全造成危害。变电站、输电线路的异常监控、入侵监测、预防报警技术对电网安全稳定运行极为重要,也是智能电网智能运维的重要建设内容之一,而实现智能预警的关键之处便是对变电站内、输电线路上的图像进行实时、准确的目标检测。
变电站或输电线路的实际场景非常复杂,各种目标彼此交织、遮盖,无法保证感兴趣目标总是能够在图像中完整的呈现出来,同时部分感兴趣目标例如贴地动物等目标自身物理尺寸较小,另外由于摄像头往往放置在视野较为宽阔的地方,部分目标距离摄像头位置较远,这些原因均可能导致检测图像中的感兴趣目标分辨率较低。现有目标检测算法在处理高、中分辨率目标时具有很好的效果,但均无法对低分辨率目标进行检测,使得变电站或输电线路出现误检、漏检等情况,尤其是在无人值守的情况下,容易造成安全隐患。
发明内容
本发明提供了一种低分辨率目标检测方法,解决了现有检测方法无法进行低分辨率目标检测的问题。
为了解决上述技术问题,本发明所采用的技术方案是:
一种低分辨率目标检测方法,包括,
获取待检测的场景图像;
将待检测的场景图像输入预先训练的低分辨率目标检测模型,识别出低分辨率目标类别;其中,低分辨率目标检测模型在识别过程中为低分辨率目标补充特征,使其抽象特征分布与非低分辨率目标的特征分布一致。
训练低分辨率目标检测模型的过程为,
获取不同条件下的场景图像;
对场景图像中感兴趣的低分辨率目标,进行目标框和目标类别标注;
用标注后的场景图像训练低分辨率目标检测模型。
低分辨率目标检测模型包括主干特征提取网络、区域建议网络、检测器、生成器和判别器;
其中,
主干特征提取网络:对场景图像进行若干次卷积和恒等处理,获得特征图;
区域建议网络:预测抽象特征图中是否存在感兴趣的低分辨率目标,对感兴趣的低分辨率目标进行目标框标注;
生成器:将目标框区域的特征图和第一次卷积处理获得的特征图按像素叠加,进行低分辨率目标特征补充,获得补充特征图;
检测器:基于补充特征图,识别出低分辨率目标类别;
判别器:ROI池化后的目标框区域的特征图或补充特征图作为输入,输出相应的标量值。
主干特征提取网络直接使用预先训练好的ResNet网络,训练低分辨率目标检测模型为迭代训练区域建议网络、检测器、生成器和判别器。
在每个迭代轮次中,先固定生成器和判别器的权值,训练区域建议网络和检测器;然后固定区域建议网络的权值,训练判别器、生成器和检测器。
区域建议网络的损失函数包括分类损失和回归损失;
分类损失为建议框包含目标的概率与真实标签的二分类交叉熵损失;其中,真实标签用以标注建议框是否包含感兴趣目标;
回归损失为区域建议网络输出的每个建议框的偏移量与实际偏移量的差异。
判别器的损失函数:
生成器的损失函数包括,
第一部分:
第二部分与检测器的损失函数一致;
检测器的损失函数同样包括分类损失和回归损失;
分类损失为检测器输出目标类别的概率分布与标签向量的多分类交叉熵损失函数;其中,标签向量用以标注目标的类别信息;
回归损失为最终建议框的偏移量与实际偏移量的差异。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行低分辨率目标检测方法。
本发明所达到的有益效果:本发明采用低分辨率目标检测模型进行识别,在识别过程中为低分辨率目标补充特征,使其抽象特征分布与非低分辨率目标的特征分布一致,有效实现了变电站、输电线路场景中的低分辨率目标物体检测。
附图说明
图1为本发明方法的流程图;
图2为低分辨率目标检测模型的结构示意图;
图3为主干特征提取网络的结构示意图;
图4为卷积模块的结构示意图;
图5为恒等模块的结构示意图;
图6为生成器的结构示意图;
图7为检测器的结构示意图;
图8为判别器的结构示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,一种低分辨率目标检测方法,包括以下步骤:
步骤1,获取待检测的场景图像,具体为变电站、输电线路场景图像。
步骤2,将待检测的场景图像输入预先训练的低分辨率目标检测模型,识别出低分辨率目标类别;其中,低分辨率目标检测模型在识别过程中为低分辨率目标补充特征,使其抽象特征分布与非低分辨率目标的特征分布一致。
训练低分辨率目标检测模型的具体过程为:
21)获取不同条件下的场景图像。
在变电站、输电线路场景中采集不同时间段、不同照度条件、不同天气状况等多种条件下的图像。
22)对场景图像中感兴趣的低分辨率目标,进行目标框和目标类别标注。
使用标注工具对图像中感兴趣的低分辨率目标(人员、车辆、梯子等)进行目标框和目标类别的标注。
23)用标注后的场景图像训练低分辨率目标检测模型。
如图2所示,低分辨率目标检测模型将对抗生成网络与目标检测网络进行融合,具体包括主干特征提取网络、区域建议网络、检测器、生成器和判别器。
如图3所示,主干特征提取网络用以对场景图像进行若干次卷积和恒等处理,获得特征图。主干特征提取网络为卷积模块和恒等模块的堆叠,如图4和5所示,两个模块均由二维卷积、批正则化以及ReLu激活函数构成;其中,卷积模块用于改变特征图的维度,并且短路连接也包含卷积和批正则化操作;恒等模块用于保持特征图维度不变。
区域建议网络使用18个1×1的卷积核和36个1×1的卷积核,预测抽象特征图中是否存在感兴趣的低分辨率目标,对感兴趣的低分辨率目标进行目标框标注。
如图6所示,生成器将目标框区域的特征图和第一次卷积处理获得的特征图作为输入,生成器的网络结构首先为5个堆叠的残差块,其中每个残差模块均由卷积-ReLU激活函数-卷积的操作组成,然后使用3×3卷积层和1×1卷积层使得此时的特征图与主干特征提取网络的输出特征图的维度保持一致,最后经过ROI池化将目标框区域特征图压缩至14×14的特征图,并将目标框区域的特征图和第一次卷积处理获得的特征图按像素叠加,进行低分辨率目标特征补充,获得补充特征图。
如图7所示,检测器网络结构依次为1个卷积模块、2个恒等模块、平均池化层以及全连接网络;检测器基于补充特征图,识别出低分辨率目标类别。
如图8所示,判别器网络结构依次为2个残差块和两个全连接网络;判别器以ROI池化后的目标框区域的特征图或补充特征图作为输入,输出相应的标量值,即一个数字。
上述低分辨率目标检测模型中,主干特征提取网络直接使用预先训练好的ResNet网络,无需训练,其余网络(即区域建议网络、检测器、生成器和判别器)需要进行迭代训练,直到所有相关的损失函数收敛
在每个迭代轮次中,先固定生成器和判别器的权值,训练区域建议网络和检测器;然后固定区域建议网络的权值,训练判别器、生成器和检测器;
其中,
区域建议网络的损失函数包括分类损失和回归损失。分类损失为建议框包含目标(这里的目标包括感兴趣低分辨率目标和非分辨率目标,即所有感兴趣目标)的概率与真实标签的二分类交叉熵损失;其中,真实标签用以标注建议框是否包含感兴趣目标,建议框为初始设定的、固定尺寸的框,然后神经网络在建议框的基本上进行调整,从而得到目标框。回归损失为区域建议网络输出的每个建议框的偏移量(包括中心坐标以及长和宽的伸缩尺度)与实际偏移量的差异
检测器的损失函数同样包括分类损失和回归损失两部分。分类损失为检测器输出目标类别的概率分布与标签向量的多分类交叉熵损失函数;其中,标签向量用以标注目标的类别信息。回归损失为最终建议框的偏移量与实际偏移量的差异。
判别器的损失函数:
生成器的损失函数包括,
第一部分:
第二部分与检测器的损失函数一致;
分别采用上述模型、faset RCNN,faster RCNN、SSD进行低分辨率目标检测,上述模型的平均准确率相比于faset RCNN、faster RCNN、SSD提升了大约5%,loU相比于fasetRCNN、faster RCNN、SSD提升了大约6%,并且检测速度与faset RCNN系列模型基本一致,表明引入的生成网络基本不影响推断速度,准确率-召回率曲线表明,模型在检测小目标时具有显著的优势。
上述方法采用低分辨率目标检测模型进行识别,在识别过程中为低分辨率目标补充特征,使其抽象特征分布与非低分辨率目标的特征分布一致,有效实现了变电站、输电线路场景中的低分辨率目标物体检测。
一种低分辨率目标检测系统,包括,
采集模块:获取待检测的场景图像;
低分辨率目标检测模块:将待检测的场景图像输入预先训练的低分辨率目标检测模型,识别出低分辨率目标类别;其中,低分辨率目标检测模型在识别过程中为低分辨率目标补充特征,使其抽象特征分布与非低分辨率目标的特征分布一致。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行低分辨率目标检测方法。
一种计算设备,包括一个或多个处理器、一个或多个存储器以及一个或多个程序,其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行低分辨率目标检测方法的指令。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (9)
1.一种低分辨率目标检测方法,其特征在于:包括,
获取待检测的场景图像;
将待检测的场景图像输入预先训练的低分辨率目标检测模型,识别出低分辨率目标类别;其中,低分辨率目标检测模型在识别过程中为低分辨率目标补充特征,使其抽象特征分布与非低分辨率目标的特征分布一致,低分辨率目标检测模型包括主干特征提取网络、区域建议网络、检测器、生成器和判别器;
其中,
主干特征提取网络:对场景图像进行若干次卷积和恒等处理,获得特征图;
区域建议网络:预测抽象特征图中是否存在感兴趣的低分辨率目标,对感兴趣的低分辨率目标进行目标框标注;
生成器:将目标框区域的特征图和第一次卷积处理获得的特征图按像素叠加,进行低分辨率目标特征补充,获得补充特征图;
检测器:基于补充特征图,识别出低分辨率目标类别;
判别器:ROI池化后的目标框区域的特征图或补充特征图作为输入,输出相应的标量值。
2.根据权利要求1所述的一种低分辨率目标检测方法,其特征在于:训练低分辨率目标检测模型的过程为,
获取不同条件下的场景图像;
对场景图像中感兴趣的低分辨率目标,进行目标框和目标类别标注;
用标注后的场景图像训练低分辨率目标检测模型。
3.根据权利要求1所述的一种低分辨率目标检测方法,其特征在于:主干特征提取网络直接使用预先训练好的ResNet网络,训练低分辨率目标检测模型为迭代训练区域建议网络、检测器、生成器和判别器。
4.根据权利要求3所述的一种低分辨率目标检测方法,其特征在于:在每个迭代轮次中,先固定生成器和判别器的权值,训练区域建议网络和检测器;然后固定区域建议网络的权值,训练判别器、生成器和检测器。
5.根据权利要求1所述的一种低分辨率目标检测方法,其特征在于:区域建议网络的损失函数包括分类损失和回归损失;
分类损失为建议框包含目标的概率与真实标签的二分类交叉熵损失;其中,真实标签用以标注建议框是否包含感兴趣目标;
回归损失为区域建议网络输出的每个建议框的偏移量与实际偏移量的差异。
8.根据权利要求1或7所述的一种低分辨率目标检测方法,其特征在于:检测器的损失函数同样包括分类损失和回归损失;
分类损失为检测器输出目标类别的概率分布与标签向量的多分类交叉熵损失函数;其中,标签向量用以标注目标的类别信息;
回归损失为最终建议框的偏移量与实际偏移量的差异。
9.一种存储一个或多个程序的计算机可读存储介质,其特征在于:所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1至8所述的方法中的任一方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110127578.3A CN112784788B (zh) | 2021-01-29 | 2021-01-29 | 一种低分辨率目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110127578.3A CN112784788B (zh) | 2021-01-29 | 2021-01-29 | 一种低分辨率目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112784788A CN112784788A (zh) | 2021-05-11 |
CN112784788B true CN112784788B (zh) | 2022-08-19 |
Family
ID=75759925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110127578.3A Active CN112784788B (zh) | 2021-01-29 | 2021-01-29 | 一种低分辨率目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112784788B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610087B (zh) * | 2021-06-30 | 2023-06-09 | 国网福建省电力有限公司信息通信分公司 | 一种基于先验超分辨率的图像小目标检测方法及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102103984B1 (ko) * | 2013-07-15 | 2020-04-23 | 삼성전자주식회사 | 깊이 영상 처리 방법 및 장치 |
CN111899172A (zh) * | 2020-07-16 | 2020-11-06 | 武汉大学 | 一种面向遥感应用场景的车辆目标检测方法 |
-
2021
- 2021-01-29 CN CN202110127578.3A patent/CN112784788B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112784788A (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109344753A (zh) | 一种基于深度学习的航拍图像输电线路细小金具识别方法 | |
Wang et al. | YOLOv3‐Litchi Detection Method of Densely Distributed Litchi in Large Vision Scenes | |
CN110084165A (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
Qu et al. | Moving vehicle detection with convolutional networks in UAV videos | |
CN114821014B (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 | |
Wang et al. | Fire detection in infrared video surveillance based on convolutional neural network and SVM | |
Yandouzi et al. | Investigation of combining deep learning object recognition with drones for forest fire detection and monitoring | |
Lu et al. | Multi-object detection method based on YOLO and ResNet hybrid networks | |
Cengil et al. | A case study: Cat-dog face detector based on YOLOv5 | |
CN115761537A (zh) | 一种面向动态特征补充机制的输电线路异物入侵识别方法 | |
CN116052082A (zh) | 一种基于深度学习算法的配电站房异常检测方法及装置 | |
CN113128476A (zh) | 一种基于计算机视觉目标检测的低功耗实时头盔检测方法 | |
CN113822155A (zh) | 一种聚类辅助的弱监督视频异常检测方法和装置 | |
CN112784788B (zh) | 一种低分辨率目标检测方法 | |
Manninen et al. | Multi-stage deep learning networks for automated assessment of electricity transmission infrastructure using fly-by images | |
Qi et al. | Intelligent recognition of transmission line inspection image based on deep learning | |
Qing et al. | Multi-Class on-Tree Peach Detection Using Improved YOLOv5s and Multi-Modal Images. | |
CN117765348A (zh) | 目标检测模型的部署方法和目标检测方法及电子设备 | |
CN116205905B (zh) | 基于移动端的配电网施工安全及质量图像检测方法及系统 | |
Zhao et al. | A Real‐Time Semantic Segmentation Method of Sheep Carcass Images Based on ICNet | |
Wu et al. | Research on asphalt pavement disease detection based on improved YOLOv5s | |
Park et al. | Slash or burn: Power line and vegetation classification for wildfire prevention | |
Shetty et al. | Animal Detection and Classification in Image & Video Frames Using YOLOv5 and YOLOv8 | |
Yang et al. | Abnormal Object Detection with an Improved YOLOv8 in the Transmission Lines | |
Moniruzzaman et al. | Spatial attention mechanism for weakly supervised fire and traffic accident scene classification |
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 |