CN112861982A - 一种基于梯度平均的长尾目标检测方法 - Google Patents

一种基于梯度平均的长尾目标检测方法 Download PDF

Info

Publication number
CN112861982A
CN112861982A CN202110206632.3A CN202110206632A CN112861982A CN 112861982 A CN112861982 A CN 112861982A CN 202110206632 A CN202110206632 A CN 202110206632A CN 112861982 A CN112861982 A CN 112861982A
Authority
CN
China
Prior art keywords
training
gradient
target detection
long
model
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
CN202110206632.3A
Other languages
English (en)
Inventor
杨航
杨海东
黄坤山
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.)
Foshan Nanhai Guangdong Technology University CNC Equipment Cooperative Innovation Institute
Foshan Guangdong University CNC Equipment Technology Development Co. Ltd
Original Assignee
Foshan Nanhai Guangdong Technology University CNC Equipment Cooperative Innovation Institute
Foshan Guangdong University CNC Equipment Technology Development Co. Ltd
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 Foshan Nanhai Guangdong Technology University CNC Equipment Cooperative Innovation Institute, Foshan Guangdong University CNC Equipment Technology Development Co. Ltd filed Critical Foshan Nanhai Guangdong Technology University CNC Equipment Cooperative Innovation Institute
Priority to CN202110206632.3A priority Critical patent/CN112861982A/zh
Publication of CN112861982A publication Critical patent/CN112861982A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于梯度平均的长尾目标检测方法，包括以下步骤：S1、获取图像数据集，并对图像数据集进行图像增强处理；S2、采用预训练模型在所述训练集上训练，得到初始目标检测模型；S3、对初始模型进行训练，得到最终目标检测模型；S4、将待目标检测的图片输入至所述最终目标检测模型，得到所述图片的正常类别以及长尾类别的识别结果，完成长尾目标检测。本发明能显著提升各种框架的尾部类别识别准确率。

Description

一种基于梯度平均的长尾目标检测方法
技术领域
本发明涉及机器学习技术领域，具体涉及一种基于梯度平均的长尾目标检测方法。
背景技术
近年来，由于深度学习和卷积神经网络(CNN)的出现，计算机视觉界见证了物体识别的巨大成功。目标识别是计算机视觉中的一项基本任务，在重新识别、人体姿态估计和目标跟踪等相关任务中起着核心作用。
如今，大多数用于通用对象识别的数据集，如Pascal VOC和COCO，主要收集常见的类别，每个类都有大量的注释。然而，当涉及到更实际的场景时，不可避免地会出现类别频率长尾分布的大型词汇表数据集(例如LVIS)。类别的长尾分布问题对目标检测模型的学习是一个很大的挑战，特别是对于样本很少的类别。对于一个类别，其他类别包括背景的所有样本都被视为负样本。因此，在训练过程中，少数类别容易被大多数类别(样本数量大的类别)所压倒，并倾向于被预测为否定的类别。因此，在这样一个极不平衡的数据集上训练的传统的物体探测器会大大下降。
发明内容
针对现有技术的不足，本发明的目的旨在提供一种基于梯度平均的长尾目标检测方法。
为实现上述目的，本发明采用如下技术方案：
一种基于梯度平均的长尾目标检测方法，包括以下步骤：
S1：获取符合长尾分布的图像数据集，并对所述图像数据集进行图像增强处理，得到图像增强数据集，将所述图像增强数据集划分为训练集和测试集；
S2：采用预训练模型在所述训练集上训练，得到初始目标检测模型；
S3：用所述初始目标检测模型在训练集上进行初步检测得到初步检测结果，根据初步检测结果的表征在初始目标检测模型中定义出类别分类器，根据类别分类器的正梯度和负梯度的累计梯度比对类别分类器进行加权，同时在类别分类器上增加一个检测客观性的分支，得到新初始目标检测模型，将所述新初始目标检测模型在训练集上进行训练，得到最终目标检测模型；
S4：将待目标检测的图片输入至所述最终目标检测模型，得到所述图片的正常类别以及长尾类别的识别结果，完成长尾目标检测。
进一步地，所述数据集为LVIS数据集。
进一步地，所述步骤S1还包括：对所述训练集的图片进行旋转，产生四张不同角度的子图片，再用尺寸变换和二值分割的方法对所述子图片进行图像增强处理。
进一步地，所述步骤S2还包括：采用Faster R-CNN作为原始目标检测模型，原始目标检测模型中的主干卷积网络在ImageNet上进行预训练，得到所述预训练模型，所述预训练模型为Inception-Resnet-V2。
进一步地，所述Inception-Resnet-V2模型包括stem结构、Inception-resnet-A结构、Inception-resnet-B结构和Inception-resnet-C结构。
进一步地，所述步骤S2还包括：对所述预训练模型进行微调，将所述预训练模型的权重衰减设为0.0001，批处理大小为16，使用动量为0.9的SGD优化器训练30轮，前20轮学习率设为1e-4,后面10轮由1e-5递减为1e-6，采用微调后的预训练模型在训练集上进行训练，得到所述初始目标检测模型。
进一步地，所述步骤3还包括：所述类别分类器的输出zj相对于损失梯度L的正梯度的计算公式为：
Figure BDA0002951057870000031
其中，
Figure BDA0002951057870000032
是第i个实例的one-hot编码，
Figure BDA0002951057870000033
是第i个情况下第j类的估计概率。
进一步地，所述步骤3还包括：所述类别分类器的输出zj相对于损失梯度L的负梯度的计算公式为：
Figure BDA0002951057870000034
其中，
Figure BDA0002951057870000035
是第i个实例的one-hot编码，
Figure BDA0002951057870000036
是第i个情况下第j类的估计概率。
进一步地，所述步骤3还包括：定义为所述类别分类器正梯度和负梯度的比值，迭代t次，迭代过程中正负梯度权重计算如下：
Figure BDA0002951057870000037
其中，f()是映射函数：
Figure BDA0002951057870000038
本发明的有益效果在于：
本发明创造的梯度平均缓解长尾目标检测数据分布的方法与传统方法的区别：传统方法一般采用解耦训练，但是它们需要一个额外的微调阶段，并且表示和分类器的脱节优化可能导致次优结果。本发明采用端到端的训练方法，在训练阶段动态平衡正负样本的梯度比例，能够显著提升各种框架的尾部类别识别准确率。
附图说明
附图1为本发明流程图；
附图2为本发明预训练模型网络结构图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述：
本发明提供了一种基于梯度平均的长尾目标检测方法，引入一种均衡损失策略，通过梯度引导Re-weighing机制，目标检测模型可以独立且均等地重新平衡每个类别的训练过程，大大提高长尾目标检测的准确性。
一种基于梯度平均的长尾目标检测方法，包括以下步骤：
S1：获取符合长尾分布的图像数据集，并对图像数据集进行图像增强处理，得到图像增强数据集，将图像增强数据集划分为训练集和测试集；
S2：采用预训练模型在训练集上训练，得到初始目标检测模型；
S3：用初始目标检测模型在训练集上进行初步检测得到初步检测结果，根据初步检测结果的表征在初始目标检测模型中定义出类别分类器，根据类别分类器的正梯度和负梯度的累计梯度比对类别分类器进行加权，同时在类别分类器上增加一个检测客观性的分支，得到新初始目标检测模型，将新初始目标检测模型在训练集上进行训练，得到最终目标检测模型；
S4：将待目标检测的图片输入至最终模型，得到图片的正常类别以及长尾类别的识别结果，完成长尾目标检测。
进一步地，数据集为LVIS数据集。
步骤S1还包括：对训练集的图片进行旋转，产生四张不同角度的子图片，再用尺寸变换和二值分割的方法对子图片进行图像增强处理。
训练数据采用LVIS数据集，提供精确地边框标注和类别标签，且其数据特征符合长尾分布。为了防止过拟合，再对训练集通过采取角度不同的旋转产生四张子图片，还进行尺寸变换和分割等方法进行加倍。原来一张训练图记为分成的四张旋转后的子图片记为
Figure BDA0002951057870000051
尺寸变换后的子图片记为
Figure BDA0002951057870000052
采取逐像素的二值分割后的图片记为
Figure BDA0002951057870000053
字符计数值为C。
进一步地，步骤S2还包括：
采用Faster R-CNN作为原始目标检测模型，原始目标检测模型中的主干卷积网络在ImageNet上进行预训练，得到预训练模型，该预训练模型为Inception-Resnet-V2。
预训练模型Inception-Resnet-V2模型如图2所示，包括四个重要的部分：stem、Inception-resnet-A、Inception-resnet-B和Inception-resnet-C。
Stem部分输入后进行三次3x3的32维卷积，最大池化后再经过一个1x1的80维卷积、一个3x3的192维卷积和最大池化，再通过四个分支进行堆叠；
Inception-resnet-A结构分为四个分支，第一个分支未经处理直接输出；第二个分支经过一次1x1的32通道卷积，第三个分支经过一次1x1的32通道的卷积处理和一次3x3的32通道的卷积处理；第四个分支经过一次1x1的32通道的卷积处理、一次3x3的48通道和一次3x3的64通道卷积处理，二三四分支的结果堆叠后进行一次卷积后最后与第一个分支的结果相加；
Inception-resnet-B分为3个分支：第一个分支未经处理直接输出；第二个分支经过一次1x1的192通道的卷积处理；第三个分支经过一次1x1的128通道的卷积处理、一次1x7的160通道的卷积处理和一次7x1的192通道的卷积处理，二三分支的结果堆叠后进行一次卷积后最后与第一个分支的结果相加；
Inception-resnet-C的结构分为三个分支：第一个分支未经处理直接输出；第二个分支经过一次1x1的192通道的卷积处理；第三个分支经过一次1x1的192通道的卷积处理、一次1x3的224通道的卷积处理和一次3x1的256通道的卷积处理，二三分支的结果堆叠后进行一次卷积后最后于第一个分支的结果相加；
对预训练模型进行微调，将其权重衰减设为0.0001，批处理大小为16，使用动量为0.9的SGD优化器训练30轮，前20轮学习率设为1e-4，后面10轮由1e-5递减为1e-6，采用微调后的预训练模型在训练集上进行训练，得到初始目标检测模型。
该预训练模型取消全连接层来减少参数防止过拟合，使用辅助分类结点加速网络收敛。残差网络的结构既可以加速训练，又可以防止梯度弥散，使用BN层，将每一层的输出都规范化到一个N(0，1)的正态分布，可以使下一层不必学习输入数据中的偏移，专注于更好地组合特征。
进一步地，步骤S3引入了梯度引导Re-weighing机制。引入梯度引导Re-weighing机制可以独立且均等地重新平衡每个类别的训练过程。
在入梯度引导Re-weighing机制之前，需要计算每个类别分类器的输出相对于损失梯度L的正梯度和负梯度，具体方法为：
采用步骤2中初始目标检测模型在训练集上进行初步检测得到初步检测结果，并获得初步检测结果的表征，定义初步检测结果为一批实例I，为了输出C类的logitsZ，定义权重矩阵W作为表征的线性变换。W中的每个权重向量称之为类别分类器，它负责一个特定的类别。然后利用sigmoid函数将类别分类器的输出转换为估计的概率分布P。对于每个检测结果只有相应的类别分类器给出高分，而其他类别分类器给出低分。类别分类器j的实际正样本个数
Figure BDA0002951057870000061
和负样本的个数
Figure BDA0002951057870000062
其中
Figure BDA0002951057870000063
是第i个实例的one-hot编码，在数据集上正样本和负样本的期望之比为：
Figure BDA0002951057870000071
其中，nj是类别j的实例数，N是数据集上的总实例数。
当
Figure BDA0002951057870000072
时，j类便是一个罕见的类，此时期望比例并不能很好地指示训练的平衡程度。我们选择梯度统计量作为衡量一个任务是否处于均衡训练的指标，每个类别分类器的输出zj相对于损失梯度L的正梯度和负梯度表达式为：
Figure BDA0002951057870000073
Figure BDA0002951057870000074
其中，
Figure BDA0002951057870000075
是第i个情况下第j类的估计概率。
引入梯度引导Reweighing机制的方法如下：
根据类别分类器正梯度和负梯度的累计梯度比，分别对每个类别分类器的正梯度和负梯度进行加权，定义
Figure BDA0002951057870000076
为类别分类器正梯度和负梯度的比值，迭代t次，迭代过程中正梯度
Figure BDA0002951057870000077
和负梯度
Figure BDA0002951057870000078
的权重计算如下：：
Figure BDA0002951057870000079
其中，f()是映射函数：
Figure BDA00029510578700000710
最终t+1次迭代更新累积的正梯度和负梯度的比例为：
Figure BDA0002951057870000081
最后在类别分类器上增加一个检测客观性的分支来减少假阳性数量，在训练阶段，将类划分为几个不相交的组，并单独执行softmax操作，在每个组中添加一个类别’other’，以校准组间的预测并抑制误报，此类别’others’包含当前组中不包含的类别，这些类别可以是其他组中的背景或前景类别。在每个组中真实标签应该被重新映射，类别’other’被定义为ground truth类。当前任务将其他任务的正样本视为自己的正样本，在推理阶段，其他子任务的估计概率为p′j＝pj*pobj，在训练集上联合训练后得到最终目标检测模型。
对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。

Claims (9)

1.一种基于梯度平均的长尾目标检测方法，其特征在于，包括以下步骤：
S1：获取符合长尾分布的图像数据集，并对所述图像数据集进行图像增强处理，得到图像增强数据集，将所述图像增强数据集划分为训练集和测试集；
S2：采用预训练模型在所述训练集上训练，得到初始目标检测模型；
S3：用所述初始目标检测模型在训练集上进行初步检测得到初步检测结果，根据初步检测结果的表征在初始目标检测模型中定义出类别分类器，根据类别分类器的正梯度和负梯度的累计梯度比对类别分类器进行加权，同时在类别分类器上增加一个检测客观性的分支，得到新初始目标检测模型，将所述新初始目标检测模型在训练集上进行训练，得到最终目标检测模型；
S4：将待目标检测的图片输入至所述最终目标检测模型，得到所述图片的正常类别以及长尾类别的识别结果，完成长尾目标检测。
2.根据权利要求1所述一种基于梯度平均的长尾目标检测方法，其特征在于，所述数据集为LVIS数据集。
3.根据权利要求1所述一种基于梯度平均的长尾目标检测方法，其特征在于，所述步骤S1还包括：对所述训练集的图片进行旋转，产生四张不同角度的子图片，再用尺寸变换和二值分割的方法对所述子图片进行图像增强处理。
4.根据权利要求1所述一种基于梯度平均的长尾目标检测方法，其特征在于，所述步骤S2还包括：采用Faster R-CNN作为原始目标检测模型，原始目标检测模型中的主干卷积网络在ImageNet上进行预训练，得到所述预训练模型，所述预训练模型为Inception-Resnet-V2模型。
5.根据权利要求4所述一种基于梯度平均的长尾目标检测方法，其特征在于，所述Inception-Resnet-V2模型包括stem结构、Inception-resnet-A结构、Inception-resnet-B结构和Inception-resnet-C结构。
6.根据权利要求1所述一种基于梯度平均的长尾目标检测方法，其特征在于，所述步骤S2还包括：对所述预训练模型进行微调，将所述预训练模型的权重衰减设为0.0001，批处理大小为16，使用动量为0.9的SGD优化器训练30轮，前20轮学习率设为1e-4,后面10轮由1e-5递减为1e-6，采用微调后的预训练模型在所述训练集上进行训练，得到所述初始目标检测模型。
7.根据权利要求1所述一种基于梯度平均的长尾目标检测方法，其特征在于，所述步骤3还包括：定义初步检测结果为一批实例I，所述类别分类器的输出zj相对于损失梯度L的正梯度的计算公式为：
Figure FDA0002951057860000021
其中，
Figure FDA0002951057860000022
是第i个实例的one-hot编码，
Figure FDA0002951057860000023
是第i个情况下第j类的估计概率。
8.根据权利要求1所述一种基于梯度平均的长尾目标检测方法，其特征在于，所述步骤3还包括：定义初步检测结果为一批实例I，所述类别分类器的输出zj相对于损失梯度L的负梯度的计算公式为：
Figure FDA0002951057860000024
其中，
Figure FDA0002951057860000025
是第i个实例的one-hot编码，
Figure FDA0002951057860000026
是第i个情况下第j类的估计概率。
9.根据权利要求1所述一种基于梯度平均的长尾目标检测方法，其特征在于，所述步骤3还包括：定义
Figure FDA0002951057860000027
为所述类别分类器正梯度和负梯度的比值，迭代t次，迭代过程中正梯度
Figure FDA0002951057860000028
和负梯度rt j的权重计算如下：
Figure FDA0002951057860000029
其中，f()是映射函数：
Figure FDA0002951057860000031
CN202110206632.3A 2021-02-24 2021-02-24 一种基于梯度平均的长尾目标检测方法 Pending CN112861982A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110206632.3A CN112861982A (zh) 2021-02-24 2021-02-24 一种基于梯度平均的长尾目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110206632.3A CN112861982A (zh) 2021-02-24 2021-02-24 一种基于梯度平均的长尾目标检测方法

Publications (1)

Publication Number Publication Date
CN112861982A true CN112861982A (zh) 2021-05-28

Family

ID=75990997

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110206632.3A Pending CN112861982A (zh) 2021-02-24 2021-02-24 一种基于梯度平均的长尾目标检测方法

Country Status (1)

Country Link
CN (1) CN112861982A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113610035A (zh) * 2021-08-16 2021-11-05 华南农业大学 一种基于改进编解码网络的水稻分蘖期杂草分割识别方法
CN114332456A (zh) * 2022-03-16 2022-04-12 山东力聚机器人科技股份有限公司 大分辨率图像的目标检测和识别方法及装置
CN114330573A (zh) * 2021-12-30 2022-04-12 济南博观智能科技有限公司 一种目标检测方法、装置、电子设备及存储介质
CN115456962A (zh) * 2022-08-24 2022-12-09 中山大学中山眼科中心 一种基于卷积神经网络的脉络膜血管指数预测方法和装置
CN116128882A (zh) * 2023-04-19 2023-05-16 中汽数据(天津)有限公司 基于不平衡数据集的电机轴承故障诊断方法、设备及介质
CN118094345A (zh) * 2024-04-25 2024-05-28 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 分类模型训练方法、装置、终端设备以及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241377A (zh) * 2018-08-30 2019-01-18 山西大学 一种基于深度学习话题信息增强的文本文档表示方法和装置
CN110689368A (zh) * 2019-08-22 2020-01-14 北京大学（天津滨海）新一代信息技术研究院 一种移动应用内广告点击率预测系统设计方法
CN111582402A (zh) * 2020-05-15 2020-08-25 北京市商汤科技开发有限公司 目标检测方法及装置、电子设备和存储介质
CN111832406A (zh) * 2020-06-05 2020-10-27 中国科学院计算技术研究所 一种长尾目标检测方法与系统
CN111898685A (zh) * 2020-08-03 2020-11-06 华南理工大学 一种基于长尾分布数据集的目标检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241377A (zh) * 2018-08-30 2019-01-18 山西大学 一种基于深度学习话题信息增强的文本文档表示方法和装置
CN110689368A (zh) * 2019-08-22 2020-01-14 北京大学（天津滨海）新一代信息技术研究院 一种移动应用内广告点击率预测系统设计方法
CN111582402A (zh) * 2020-05-15 2020-08-25 北京市商汤科技开发有限公司 目标检测方法及装置、电子设备和存储介质
CN111832406A (zh) * 2020-06-05 2020-10-27 中国科学院计算技术研究所 一种长尾目标检测方法与系统
CN111898685A (zh) * 2020-08-03 2020-11-06 华南理工大学 一种基于长尾分布数据集的目标检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIE PANG等: "research on crack segmentation method of hydro-junction project based on target detection network", KSCE JOURNAL OF CIVIL ENGINEERING, 14 July 2020 (2020-07-14), pages 2731 - 2741, XP037219149, DOI: 10.1007/s12205-020-1896-y *
JINGTU TAN等: "equalization loss v2：a new gradient balance approach for long-tailed object detection", ARXIV, pages 1 - 10 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113610035A (zh) * 2021-08-16 2021-11-05 华南农业大学 一种基于改进编解码网络的水稻分蘖期杂草分割识别方法
CN113610035B (zh) * 2021-08-16 2023-10-10 华南农业大学 一种基于改进编解码网络的水稻分蘖期杂草分割识别方法
CN114330573A (zh) * 2021-12-30 2022-04-12 济南博观智能科技有限公司 一种目标检测方法、装置、电子设备及存储介质
CN114332456A (zh) * 2022-03-16 2022-04-12 山东力聚机器人科技股份有限公司 大分辨率图像的目标检测和识别方法及装置
CN115456962A (zh) * 2022-08-24 2022-12-09 中山大学中山眼科中心 一种基于卷积神经网络的脉络膜血管指数预测方法和装置
CN115456962B (zh) * 2022-08-24 2023-09-29 中山大学中山眼科中心 一种基于卷积神经网络的脉络膜血管指数预测方法和装置
CN116128882A (zh) * 2023-04-19 2023-05-16 中汽数据(天津)有限公司 基于不平衡数据集的电机轴承故障诊断方法、设备及介质
CN118094345A (zh) * 2024-04-25 2024-05-28 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 分类模型训练方法、装置、终端设备以及存储介质

Similar Documents

Publication Publication Date Title
CN112861982A (zh) 一种基于梯度平均的长尾目标检测方法
CN111461110B (zh) 一种基于多尺度图像和加权融合损失的小目标检测方法
CN106845401B (zh) 一种基于多空间卷积神经网络的害虫图像识别方法
CN110059586B (zh) 一种基于空洞残差注意力结构的虹膜定位分割系统
CN114758288B (zh) 一种配电网工程安全管控检测方法及装置
CN109086799A (zh) 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法
CN112329760B (zh) 基于空间变换网络端到端印刷体蒙古文识别翻译的方法
CN114841257B (zh) 一种基于自监督对比约束下的小样本目标检测方法
CN110197514A (zh) 一种基于生成式对抗网络的蘑菇表型图像生成方法
CN112364931A (zh) 基于元特征和权重调整的少样本目标检测方法及网络模型
CN105550649A (zh) 基于全耦合局部约束表示的极低分辨率人脸识别方法及系统
WO2024032010A1 (zh) 一种基于迁移学习策略的少样本目标实时检测方法
CN111191685A (zh) 一种损失函数动态加权的方法
CN114677535A (zh) 域适应图像分类网络的训练方法、图像分类方法及装置
CN115546187A (zh) 基于YOLO v5的农业病虫害检测方法及装置
CN116992779A (zh) 基于数字孪生模型的光伏储能系统仿真方法及系统
CN117611599B (zh) 融合中心线图和增强对比度网络的血管分割方法及其系统
CN111144462A (zh) 一种雷达信号的未知个体识别方法及装置
CN117611963A (zh) 基于多尺度扩展残差网络的小目标检测方法及系统
CN117151998A (zh) 一种基于支持向量回归的图像光照校正方法
CN110826614A (zh) 一种构造逆标签及其损失函数的方法
CN116152644A (zh) 一种基于人工合成数据和多源迁移学习的长尾物体识别方法
CN115909332A (zh) 一种基于通道特征加强的农业遥感图像语义分割方法
CN115861239A (zh) 一种基于元学习的小样本工业零件表面缺陷检测方法
CN113470035A (zh) 一种基于序列图像误差网络校正的图像分割方法

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