CN112801971B - 一种基于把目标视为点改进的目标检测方法 - Google Patents
一种基于把目标视为点改进的目标检测方法 Download PDFInfo
- Publication number
- CN112801971B CN112801971B CN202110092920.0A CN202110092920A CN112801971B CN 112801971 B CN112801971 B CN 112801971B CN 202110092920 A CN202110092920 A CN 202110092920A CN 112801971 B CN112801971 B CN 112801971B
- Authority
- CN
- China
- Prior art keywords
- bounding box
- network
- target
- point
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 230000006872 improvement Effects 0.000 title claims abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000010586 diagram Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 12
- 238000013135 deep learning Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 239000012855 volatile organic compound Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 241000271566 Aves Species 0.000 description 1
- 241000283690 Bos taurus Species 0.000 description 1
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 241000283086 Equidae Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 125000003580 L-valyl group Chemical group [H]N([H])[C@]([H])(C(=O)[*])C(C([H])([H])[H])(C([H])([H])[H])[H] 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- 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
- 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
-
- 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)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于把目标视为点改进的目标检测方法,该方法直接将任意尺度多目标的图像作为网络的输入,使用损失函数计算训练的损失值,通过优化损失值,反向传播更新模型参数,训练网络模型直至该模型收敛。在训练过程中选取预测的中心点热度图中的前N个点,计算对应包围框与真值包围框之间的相似度,来完成权重计算,赋予网络特征图对应的权重,告诉网络应该注意哪些点。通过在公开的数据集PascalVOC2007和2012上进行测试,体现了该网络模型具有较强的目标检测能力,证明了本发明能在保证在提高网络精度的同时,缓解中心点发散,减少冗余检测框,不影响网络的推理速度,不花费额外的计算量的情况下完成检测任务。
Description
技术领域
本发明涉及深度学习、计算机视觉和医学图像领域,特别涉及一种基于把目标视为点改进的目标检测方法。
背景技术
目在计算机视觉领域内,有图像分类、目标检测、实例分割以及语义分割四大基本任务。其中,目标检测驱动着实例分割、姿态估计和行为识别等任务。目前基于深度学习的目标检测方法很受欢迎,它们有着简洁、高效和端到端等优点。这些方法大体上可分为二阶段检测器和一阶段检测器。其中一阶段检测器又可以分为anchor-based和anchor-free两类,前者在检测中使用了anchor,而后者则没有使用。
大多数的二阶段检测器都使用轴对齐的紧紧包围物体的包围框来表示物体。因此,目标检测任务转化成了一个对潜在包含物体的包围框进行分类的问题,同时计算每个包围框对应的偏移量。除此以外,二阶段检测器也会使用非极大值抑制算法来消除冗余的边界框,这进一步增加了检测时间。
二阶段检测器把检测过程分为了两个阶段:第一个阶段用来产生建议区域;第二个阶段用来对建议区域进行预测。在第一个阶段,检测器会尝试寻找可能包含物体的区域作为建议区域;第二个阶段深度学习网络会对这些区域进行分类并且进行适当的调整。
一阶段检测器直接对特征图上每个位置进行类别预测,而不用产生包围框和分类这种级联的步骤。一阶段检测器通常是在图像上滑动一系列复杂的且可能包围物体的框,这些框就称作anchor,然后做一次框的回归和分类任务。
总体来说,二阶段检测器有着更好的效果,但是一阶段检测器有更快的检测速度。
近来,研究者开始使用一个或多个关键点来表示物体,这种方法使用关键点来预测物体位置和物体的尺寸,其中最有代表性的就是把目标视为点方法,它是一种端到端的一阶段的检测器,在计算量比二阶段减少很多的情况下,可以取得State-of-the-art效果。
本发明的创新点与现有技术的区别
目标检测是计算机视觉中的基础任务之一。基于深度学习技术的目标检测技术从两阶段发展到一阶段,大大提升了检测速度,再从anchor-based发展到anchor-free,使得检测过程更加简洁高效。目前最具代表性的一阶段检测方法是把目标视为点,其使用中心点去预测物体位置和大小,有着不输于二阶段检测器的准确率且速度却远高于二阶段检测器。但是这种方法中一个目标往往有多个预测出的中心点,造成预测中心点的发散,进而导致一个目标存在多个冗余的包围框;并且在训练阶段,该方法对于中心点和包围框的尺寸分别训练,而在预测时需要将二者联合,这就造成了训练与预测不一致的情况。为了解决这些问题,本文提出一种基于把目标视为点方法的一阶段检测器的包围框注意力单元。本方法在网络训练的过程中通过加入对中心点以及对应的包围框的比较,对对应的中心点施加包围框注意力权重,让网络更关注于预测过程中的中心点以及对应包围框都更准确的部分,以此来提高中心点预测的准确程度。本方法缓解了中心点预测发散的问题,减少了冗余的包围框。同时本方法保持了原有方法的简洁高效的特点,在提升网络效果的同时,没有增加额外的计算量。在PascalVOC数据集上进行了对比实验,本发明的mAP在原方法上提升了1.2%。
发明内容
为了解决当前把目标视为点方法中训练与测试两个阶段不一致,以及最终预测结果中心点发散,并且有很多冗余框的情况。
本发明采用的技术方案为一种基于把目标视为点的改进的端到端的图像目标检测方法,该方法将原始图像作为把目标视为点网络的输入,经过网络的计算,输出为图像中目标的包围框的坐标。这是一种端到端的图像目标检测方法,方法包括计算相似度,训练模型,目标检测三个过程,具体如下:
步骤S1,计算相似度过程:
步骤S1.1,选取训练过程中,生成的中心点热度图中的前N个点
步骤S1.2,选取热度图中前N个点对应的,包围框尺寸图中的点,作为中心点热度图中前N个点的包围框尺寸
步骤S1.3,计算选好的包围框与真值包围框之间的相似度
步骤S1.4,将相似度作为权重加在特征图上
步骤S2,模型训练过程:
步骤S2.1,将原始图像样本输入把目标视为点卷积神经网络,经过网络映射,输出为与中心点热度图,每个位置对应的包围框尺寸图,偏移量图;
步骤S2.2,通过步骤1计算对应的相似度,并且赋予中心点热度图注意力权重;
步骤S2.3,计算中心点热度图和真值热度图,包围框尺寸图和真值包围框尺寸图,偏移量图和真值偏移量图之间的损失,将其作为网络模型的优化目标,优化上述目标视为点模型;
步骤S2.3重复步骤S1.1至步骤S1.2,直至上述把目标视为点模型收敛;
步骤S3,目标检测过程:
步骤S3.1,加载把目标视为点网络训练好的参数,并将原始图像样本作为该网络的输入,通过该网络的计算,获取其对应的中心点热度图,包围框尺寸图以及偏移量图,选取前100个中心点以及对应的包围框尺寸,作为最后的检测结果。尽量保证网络能够分割不同尺寸的病灶区域。
所述步骤S2.2中,利用Adam优化算法训练输入真实图像的卷积神经网络,实现图像目标的精确快速检测。
在计算预测的包围框和真值框之间的相似度时,考虑中心点的坐标,包围框的面积作为相似度的计算维度,公式为: 公式中Agi代表真值框的面积,(xgi,ygi)代表真值框的中心点坐标,cgi代表真值框的类别;Apn代表预测的第n个包围框的面积,(xpn,ypn)代表预测包围框对应的中心点坐标,cpn表示对应预测框的类别。
本发明构建了一种基于把目标视为点的端到端的图像目标检测模型,使用自然图像训练该模型,使得该模型具有很好的扩展性以及适用性。该网络使用原图像作为输入,并且在训练过程中使用自定义包围框注意力机制,告诉网络应该关注的地方。通过这种方法,解决了训练过程与测试过程不一致的问题,并且有效的解决了预测的中心点发散和会预测许多冗余的包围框的情况。本方法在PascalVOC2007和PascalVOC2012训练集上进行训练,并且在多个网络结构上进行了验证。
附图说明
图1为本发明所涉及的包围框注意力单元结构图;
图2为本发明所涉及的网络整体结构图;
图3为本发明所涉及的原方法与本方法结果对比图;
图4为本发明所涉及的原方法与本方法结果对比图;
具体实施方式
为使本发明的目的,技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明做近一步的详细说明。
相似度计算过程以及如何将权重赋予在中心点热度图上,如图1所示;
步骤S1,计算相似度过程:
步骤S1.1,选取训练过程中,当每一次迭代生成了目前的中心点预测图时,选择中心点预测图中的前N个点,N的大小由具体的检测任务来决定;
步骤S1.2,选取热度图中前N个点对应的包围框尺寸图中的点,作为中心点热度图中前N个点的包围框尺寸
步骤S1.3,计算每一个选择的预测出的包围框与真实包围框之间的相似度,每一个预测的包围框分别与所有同类别的真实包围框计算相似度,并在得到的所有结果中,选取最大的结果作为该中心点的对应权重。
步骤S1.4,将计算好的相似度,按照类别的对应中心点的位置存储在张量中,该张量与中心点预测图的形状一致,然后将相似度张量与预测中心点张量相加,完成对中心点张量的赋值。
步骤S2,模型训练过程:
步骤S2.1,将原始图像样本输入到把目标视为点卷积神经网络中,该网络整体结构如图2所示,经过网络计算,输出中心点热度图,与中心点热度图每个位置对应的包围框尺寸图,偏移量图;
步骤S2.2,通过步骤1计算对应的相似度,并且赋予中心点热度图注意力权重;
步骤S2.3,计算中心点热度图和真值热度图,包围框尺寸图和真值包围框尺寸图,偏移量图和真值偏移量图之间的损失,将其作为网络模型的优化目标,优化上述目标视为点模型;
步骤S2.3重复步骤S1.1至步骤S1.2,直至上述把目标视为点模型收敛;
步骤S3,目标检测过程:
步骤S3.1,加载把目标视为点网络训练好的参数,并将原始图像样本作为该网络的输入,通过该网络的计算,获取其对应的中心点热度图,包围框尺寸图以及偏移量图,选取前100个中心点以及对应的包围框尺寸,作为最后的检测结果。尽量保证网络能够分割不同尺寸的病灶区域。
所述步骤S2.2中,利用Adam优化算法训练输入真实图像的卷积神经网络,实现图像目标的精确快速检测。
实验数据集采用目标检测方向的公开数据集,PASCAL VOC数据集。PASCALVOC挑战赛(The PASCALVisual Objects Classes)是一个世界级的计算机视觉挑战赛,PASCA全称:Pattern Analysis,Statical Modeling and Computational Learning,是一个由欧盟资助的网络组织。该数据集由自然图像组成,总共有20个类别,分别是:人,鸟,猫,牛,狗,马,绵羊,飞机,自行车,船,巴士,汽车,摩托车,火车,瓶子,椅子,餐桌,盆栽,沙发,电视/显示器。数据集由train/val/test三部分组成。
对于检测任务,VOC2007中包含9963张标注过的图片,由train,val,test三部分组成,分别对应于训练集、验证集和测试集,共标注出24640个物体。其中test数据集的label已经公布。VOC2012的trainval/test包含08-11年的所有对应图片,trainval有11540张图片共27450个物体。通常在实际使用中,会把VOC2007和VOC2012合起来一起使用。
本文使用VOC2007和VOC2012中的训练集和验证集,并在VOC2007的测试集上进行测试。共计16551张训练图片,4962张测试图片,20个类别。测试计算平均精度(mAP)时取IOU阈值为0.5。
模型检测效率最高时训练使用的超参数如下表X所示:
参数 | 含义 | 数值 |
batch_size | 每次送入的图片 | 20 |
epoch_size | 总共训练次数 | 70 |
Optimizer | 选用的优化器 | Adam |
learning_rate | 学习率 | 0.000781 |
gpu_memory_fraction | GPU分配效率 | 0.9 |
实验结果如下:
原方法(mAP) | 本方法(mAP) | |
Resnet-18 | 70.19 | 70.62 |
Resnet-101 | 75.95 | 76.04 |
DLA-34 | 77.95 | 78.81 |
本发明方法构建了基于把目标视为点的神经网络的目标检测模型,通过在训练过程中添加包围框注意力机制,告诉网络应当注意哪些地方来进行训练。在测试过程中,本发明可以保持原有的检测速度,在此基础上,提升检测结果,减少中心点发散,检测出过多冗余框的情况。由于这一特性,该方法可被广泛应用到日常检测实时任务中。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的包含范围应该以权力书的保护范围为准。
Claims (3)
1.一种基于把目标视为点改进的目标检测方法,其特征在于:该方法包括计算相似度,训练模型,目标检测三个过程,具体如下;
步骤S1,计算相似度过程:
步骤S1.1,选取训练过程中,生成的中心点热度图中的前N个点
步骤S1.2,选取热度图中前N个点对应的,包围框尺寸图中的点,作为中心点热度图中前N个点的包围框尺寸
步骤S1.3,计算选好的包围框与真值包围框之间的相似度
步骤S1.4,将相似度作为权重加在特征图上
步骤S2,模型训练过程:
步骤S2.1,将原始图像样本输入把目标视为点卷积神经网络,经过网络映射,输出为与中心点热度图,每个位置对应的包围框尺寸图,偏移量图;
步骤S2.2,通过步骤1计算对应的相似度,并且赋予中心点热度图注意力权重;
步骤S2.3,计算中心点热度图和真值热度图,包围框尺寸图和真值包围框尺寸图,偏移量图和真值偏移量图之间的损失,将其作为网络模型的优化目标,优化上述目标视为点模型;
步骤S2.3重复步骤S1.1至步骤S1.2,直至上述把目标视为点模型收敛;
步骤S3,目标检测过程:
加载把目标视为点网络训练好的参数,并将原始图像样本作为该网络的输入,通过该网络的计算,获取其对应的中心点热度图,包围框尺寸图以及偏移量图,选取前100个中心点以及对应的包围框尺寸,作为最后的检测结果;
在计算预测的包围框和真值框之间的相似度时,考虑中心点的坐标,包围框的面积作为相似度的计算维度,公式为:公式中Agi代表真值框的面积,(xgi,ygi)代表真值框的中心点坐标,cgi代表真值框的类别;Apn代表预测的第n个包围框的面积,(xpn,ypn)代表预测包围框对应的中心点坐标,cpn表示对应预测框的类别。
2.根据权利要求1所述的一种基于把目标视为点改进的目标检测方法,其特征在于,可以保证在提高网络精度的同时,不影响网络的推理速度,不花费额外的计算量。
3.根据权利要求1所述的一种基于把目标视为点改进的目标检测方法,其特征在于,所述步骤S2.2中,利用Adam优化算法训练输入图像的卷积神经网络,实现多目标图像的精确快速检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110092920.0A CN112801971B (zh) | 2021-01-25 | 2021-01-25 | 一种基于把目标视为点改进的目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110092920.0A CN112801971B (zh) | 2021-01-25 | 2021-01-25 | 一种基于把目标视为点改进的目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112801971A CN112801971A (zh) | 2021-05-14 |
CN112801971B true CN112801971B (zh) | 2024-04-16 |
Family
ID=75811498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110092920.0A Active CN112801971B (zh) | 2021-01-25 | 2021-01-25 | 一种基于把目标视为点改进的目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801971B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115496911B (zh) * | 2022-11-14 | 2023-03-24 | 腾讯科技(深圳)有限公司 | 一种目标点检测方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829893A (zh) * | 2019-01-03 | 2019-05-31 | 武汉精测电子集团股份有限公司 | 一种基于注意力机制的缺陷目标检测方法 |
WO2020173036A1 (zh) * | 2019-02-26 | 2020-09-03 | 博众精工科技股份有限公司 | 基于深度学习的定位方法和系统 |
CN111950586A (zh) * | 2020-07-01 | 2020-11-17 | 银江股份有限公司 | 一种引入双向注意力的目标检测方法 |
-
2021
- 2021-01-25 CN CN202110092920.0A patent/CN112801971B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829893A (zh) * | 2019-01-03 | 2019-05-31 | 武汉精测电子集团股份有限公司 | 一种基于注意力机制的缺陷目标检测方法 |
WO2020173036A1 (zh) * | 2019-02-26 | 2020-09-03 | 博众精工科技股份有限公司 | 基于深度学习的定位方法和系统 |
CN111950586A (zh) * | 2020-07-01 | 2020-11-17 | 银江股份有限公司 | 一种引入双向注意力的目标检测方法 |
Non-Patent Citations (1)
Title |
---|
基于双注意力机制的遥感图像目标检测;周幸;陈立福;;计算机与现代化;20200815(08);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112801971A (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180342077A1 (en) | Teacher data generation apparatus and method, and object detection system | |
US20230048405A1 (en) | Neural network optimization method and apparatus | |
CN112149664B (zh) | 一种优化分类与定位任务的目标检测方法 | |
CN107784288A (zh) | 一种基于深度神经网络的迭代定位式人脸检测方法 | |
CN110516950A (zh) | 一种面向实体解析任务的风险分析方法 | |
US20160125299A1 (en) | Apparatus for data analysis and prediction and method thereof | |
CN113239168B (zh) | 一种基于知识图谱嵌入预测模型的可解释性方法和系统 | |
CN112801971B (zh) | 一种基于把目标视为点改进的目标检测方法 | |
WO2022036520A1 (en) | Method and apparatus for enhancing performance of machine learning classification task | |
CN115393634A (zh) | 一种基于迁移学习策略的少样本目标实时检测方法 | |
CN113407820B (zh) | 利用模型进行数据处理的方法及相关系统、存储介质 | |
Alkhairi et al. | Classification Analysis of Back propagation-Optimized CNN Performance in Image Processing | |
JP7287490B2 (ja) | 学習装置、学習方法、及び、プログラム | |
CN115081580A (zh) | 一种对预训练的神经网络模型进行剪枝的方法 | |
CN113408546B (zh) | 基于相互全局上下文注意力机制的单样本目标检测方法 | |
Березький et al. | Comparison of generative adversarial networks architectures for biomedical images synthesis | |
CN115346063A (zh) | 一种类注意力机制构建方法及目标检测方法 | |
CN115516466A (zh) | 超参数神经网络集成 | |
Kakumani et al. | Inception Inspired U-Net for Effective Segmentation of Microscopy Images | |
CN111950451A (zh) | 基于多尺度预测cnn及龙芯芯片的多类别目标识别方法 | |
Udayananda et al. | An ensemble methods based machine learning approach for rice plant disease diagnosing | |
US11928562B2 (en) | Framework for providing improved predictive model | |
Wada et al. | Performance Study of Image Data Augmentation by Generative Adversarial Networks | |
Sun et al. | Pet Companion System Based on Image Recognition | |
US20240320054A1 (en) | Training a machine learning model using an acceleration pipeline with popular and non-popular micro-batches |
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 |