CN112949730B - 少样本的目标检测方法、装置、存储介质及设备 - Google Patents

少样本的目标检测方法、装置、存储介质及设备 Download PDF

Info

Publication number
CN112949730B
CN112949730B CN202110266601.7A CN202110266601A CN112949730B CN 112949730 B CN112949730 B CN 112949730B CN 202110266601 A CN202110266601 A CN 202110266601A CN 112949730 B CN112949730 B CN 112949730B
Authority
CN
China
Prior art keywords
training
feature
obtaining
weights
average weight
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
Application number
CN202110266601.7A
Other languages
English (en)
Other versions
CN112949730A (zh
Inventor
王堃
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.)
Wuxi Yuspace Intelligent Technology Co ltd
Original Assignee
Wuxi Yuspace Intelligent Technology 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 Wuxi Yuspace Intelligent Technology Co ltd filed Critical Wuxi Yuspace Intelligent Technology Co ltd
Priority to CN202110266601.7A priority Critical patent/CN112949730B/zh
Publication of CN112949730A publication Critical patent/CN112949730A/zh
Application granted granted Critical
Publication of CN112949730B publication Critical patent/CN112949730B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种少样本的目标检测方法、装置、存储介质及设备，属于图像处理技术领域。所述方法用于包含两个特征编码器的CenterNet中，包括：获取待检测的图像，所述图像中包括至少一个目标对象；对所述图像进行特征提取，得到特征图；获取平均权重，所述平均权重是对第一个特征编码器进行普通训练，对第二个特征编码器进行元训练后得到的；根据所述平均权重和所述特征图得到检测结果。本申请可以根据普通训练和元训练得到平均权重，从提高目标检测算法的泛化能力，且对于未见类别的设定，元训练可以从少样本的相似任务概率分布中进行学习，从而可以实现仅用很少样本就能对新的目标检测快速适配，检测效果较好。

Description

少样本的目标检测方法、装置、存储介质及设备
技术领域
本申请实施例涉及图像处理技术领域，特别涉及一种少样本的目标检测方法、装置、存储介质及设备。
背景技术
近年来，目标检测模型已成为计算机视觉研究领域的重要研究热点。目标检测模型可以分为两类，一类是二阶段检测模型，这类目标检测模型先生成一系列候选目标区域，再提取目标候选区域的特征，最后用这些特征进行分类和目标边界的回归。另一类是一阶段检测模型，这类目标检测模型直接将目标边框定位的问题转化为回归问题处理，在给定输入图像后，可以直接在图像的多个位置对该位置的目标边界和目标类别进行回归。
由于二阶段检测模型的推理速度缓慢，且模型结构较为复杂，所以，可以采用一阶段检测模型来进行少样本的目标检测。现有的少样本的目标检测通常是将少样本学习算法与传统的目标检测算法进行简单的融合。
现有的少样本目标检测方法的泛化性能有待提高，且对于未见类别的设定，其对相近类别的检测效果明显更好，但随着少样本的类别的增加，其检测效果会明显下降。
发明内容
本申请实施例提供了一种少样本的目标检测方法、装置、存储介质及设备，用于解决将少样本学习算法与传统的目标检测算法进行简单的融合时，其泛化性能有待提高，且随着少样本的类别的增加，其检测效果会明显下降的问题。所述技术方案如下：
一方面，提供了一种少样本的目标检测方法，用于包含两个特征编码器的CenterNet中，所述方法包括：
获取待检测的图像，所述图像中包括至少一个目标对象；
对所述图像进行特征提取，得到特征图；
获取平均权重，所述平均权重是对第一个特征编码器进行普通训练，对第二个特征编码器进行元训练后得到的；
根据所述平均权重和所述特征图得到检测结果。
在一种可能的实现方式中，所述获取平均权重，包括：
获取对所述第一个特征编码器进行普通训练后得到的预测权重；
获取对所述第二个特征编码器进行元训练后得到的类代码权重；
将所述预测权重和所述类代码权重的平均值确定为所述平均权重。
在一种可能的实现方式中，所述获取对所述第一个特征编码器进行普通训练后得到的预测权重，包括：
获取第一支持集，所述第一支持集中包含多个类别的对象的训练样本；
根据所述第一支持集对所述第一个特征编码器进行普通训练，得到特征提取器；
将所述特征提取器的权重确定为所述预测权重。
在一种可能的实现方式中，所述获取对所述第二个特征编码器进行元训练后得到的类代码权重，包括：
获取第二支持集，所述第二支持集中包含的对象的类别与所述第一支持集中包含的对象的类别相同；
根据所述第二支持集对所述第二个特征编码器进行元训练，得到每个类别的类代码生成器；
将所有类代码生成器的权重确定为所述类代码权重。
在一种可能的实现方式中，所述根据所述平均权重和所述特征图得到检测结果，包括：
对所述平均权重和所述特征图进行卷积运算，得到热力图；
根据所述热力图计算各个目标对象的关键点，所述关键点是所述目标对象的边框的中心点；
根据所述热力图计算所述关键点的偏移量；
根据所述热力图计算所述边框的尺寸；
将所述关键点、所述偏移量和所述尺寸确定为所述检测结果。
一方面，提供了一种少样本的目标检测装置，用于包含两个特征编码器的CenterNet中，所述装置包括：
获取模块，用于获取待检测的图像，所述图像中包括至少一个目标对象；
提取模块，用于对所述图像进行特征提取，得到特征图；
所述获取模块，还用于获取平均权重，所述平均权重是对第一个特征编码器进行普通训练，对第二个特征编码器进行元训练后得到的；
检测模块，用于根据所述平均权重和所述特征图得到检测结果。
在一种可能的实现方式中，所述获取模块，还用于：
获取对所述第一个特征编码器进行普通训练后得到的预测权重；
获取对所述第二个特征编码器进行元训练后得到的类代码权重；
将所述预测权重和所述类代码权重的平均值确定为所述平均权重。
在一种可能的实现方式中，所述检测模块，还用于：
对所述平均权重和所述特征图进行卷积核运算，得到热力图；
根据所述热力图计算各个目标对象的关键点，所述关键点是所述目标对象的边框的中心点；
根据所述热力图计算所述关键点的偏移量；
根据所述热力图计算所述边框的尺寸；
将所述关键点、所述偏移量和所述尺寸确定为所述检测结果。
一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如上所述的少样本的目标检测方法。
一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如上所述的少样本的目标检测方法。
本申请实施例提供的技术方案的有益效果至少包括：
由于CenterNet中包含两个特征编码器，在对第一个特征编码器进行普通训练，对第二个特征编码器进行元训练后可以得到平均权重，再根据平均权重和特征图得到检测结果。这样，可以根据普通训练和元训练得到平均权重，从提高目标检测算法的泛化能力，且对于未见类别的设定，元训练可以从少样本的相似任务概率分布中进行学习，从而可以实现仅用很少样本就能对新的目标检测快速适配，检测效果较好。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的少样本的目标检测方法的方法流程图；
图2是本申请一个实施例提供的少样本的目标检测方法的流程示意图；
图3是本申请再一实施例提供的少样本的目标检测装置的结构框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
请参考图1，其示出了本申请一个实施例提供的少样本的目标检测方法的方法流程图，该少样本的目标检测方法可以应用于计算机设备中，该计算机设备中设置有包含两个特征编码器的CenterNet。该少样本的目标检测方法，可以包括：
步骤101，获取待检测的图像，该图像中包括至少一个目标对象。
其中，待识别的图像可以是计算机设备拍摄的，也可以是从别的计算机设备中获取的，本实施例不对图像的来源作限定。
目标对象是需要从图像中识别出的对象。
计算机设备在获取到图像后，可以将该图像输入到训练好的CenterNet。其中，CenterNet是一种高效的一阶段目标检测模型。本实施例中对CenterNet的结构进行了改进，使得创建的CenterNet中包含两个特征编码器，下面对这两个特征编码器的训练过程进行介绍。
1、对第一个特征编码器进行普通训练。
在训练第一个特征编码器时，计算机设备可以获取第一支持集，该第一支持集中包含多个类别的对象的训练样本；根据第一支持集对该第一个特征编码器进行普通训练，得到特征提取器。
训练特征提取器的目的是得到特征提取器的权重，本实施例中将该权重称为预测权重，可以表示为其中，x表示样本，Sk表示第一支持集，f表示特征提取器。
2、对第二个特征编码器进行元训练。
元训练可以从少样本的相似任务概率分布中进行学习，从而可以实现仅用很少样本就能对新的目标检测快速适配，检测效果较好。
在训练第二个特征编码器时，计算机设备可以获取第二支持集，该第二支持集中包括多个类别的对象的少样本，且第二支持集中包含的对象的类别与第一支持集中包含的对象的类别相同；根据第二支持集对第二个特征编码器进行元训练，得到每个类别的类代码生成器。
训练类代码生成器的目的是得到所有类代码生成器的权重，本实施例中将所有类代码生成器的权重称为类代码权重。其中，类别k的类代码生成器的权重为Ck＝g(Sk)，Sk表示第二支持集。
在得到训练好的CenterNet后，计算机设备可以将图像输入CenterNet中，继续执行步骤102。
步骤102，对图像进行特征提取，得到特征图。
CenterNet中的特征提取器可以对图像进行特征提取，得到特征图。
步骤103，获取平均权重，该平均权重是对第一个特征编码器进行普通训练，对第二个特征编码器进行元训练后得到的。
本实施例中，可以在训练时得到预测权重和类代码权重，那么，获取平均权重，可以包括：获取对第一个特征编码器进行普通训练后得到的预测权重；获取对第二个特征编码器进行元训练后得到的类代码权重；将预测权重和类代码权重的平均值确定为平均权重。
以预测权重为Wk，类代码权重为Ck为例，则平均权重
步骤104，根据平均权重和特征图得到检测结果。
其中，根据平均权重和特征图得到检测结果，可以包括：对平均权重和特征图进行卷积运算，得到热力图；根据热力图计算各个目标对象的关键点，该关键点是目标对象的边框的中心点；根据热力图计算关键点的偏移量；根据热力图计算边框的尺寸；将关键点、偏移量和尺寸确定为检测结果。
具体的，可以对图像进行特征提取得到特征图m＝f(I)，通过目标定位器h根据公式/>生成热力图。之后，可以将热力图中的各个响应点与其连接的8个临近点进行比较，如果某个响应点的值高于与其相邻的8个临近点的值，将这个响应点就称为局部峰值点/>根据公式生成边框(bbox)的坐标进行输出。本实施例中，还可以将局部峰值点称为关键点(/>C为类别，R为4)。最后，可以结合热力图，通过两个通道预测关键点的偏移量，得到预测结果/>通过另外两个通道预测边框的尺寸，得到预测结果/>
请参考图2所示的流程图，可以将图像I输入特征提取器f(I)，特征提取器f(I)输出特征图m，将特征图m和平均权重Nk输入目标定位器Yk，目标定位器Yk输出包括关键点、关键点的偏移和尺寸的检测结果。
综上所述，本申请实施例提供的少样本的目标检测方法，由于CenterNet中包含两个特征编码器，在对第一个特征编码器进行普通训练，对第二个特征编码器进行元训练后可以得到平均权重，再根据平均权重和特征图得到检测结果。这样，可以根据普通训练和元训练得到平均权重，从提高目标检测算法的泛化能力，且对于未见类别的设定，元训练可以从少样本的相似任务概率分布中进行学习，从而可以实现仅用很少样本就能对新的目标检测快速适配，检测效果较好。
请参考图3，其示出了本申请一个实施例提供的少样本的目标检测装置的结构框图，该少样本的目标检测装置可以应用于计算机设备中，该计算机设备中设置有包含两个特征编码器的CenterNet。该少样本的目标检测装置，可以包括：
获取模块310，用于获取待检测的图像，该图像中包括至少一个目标对象；
提取模块320，用于对图像进行特征提取，得到特征图；
获取模块310，还用于获取平均权重，该平均权重是对第一个特征编码器进行普通训练，对第二个特征编码器进行元训练后得到的；
检测模块330，用于根据平均权重和特征图得到检测结果。
在一种可能的实现方式中，获取模块310，还用于：
获取对第一个特征编码器进行普通训练后得到的预测权重；
获取对第二个特征编码器进行元训练后得到的类代码权重；
将预测权重和类代码权重的平均值确定为平均权重。
在一种可能的实现方式中，获取模块310，还用于：
获取第一支持集，该第一支持集中包含多个类别的对象的训练样本；
根据第一支持集对第一个特征编码器进行普通训练，得到特征提取器；
将特征提取器的权重确定为预测权重。
在一种可能的实现方式中，获取模块310，还用于：
获取第二支持集，该第二支持集中包含的对象的类别与第一支持集中包含的对象的类别相同；
根据第二支持集对第二个特征编码器进行元训练，得到每个类别的类代码生成器；
将所有类代码生成器的权重确定为类代码权重。
在一种可能的实现方式中，检测模块330，还用于：
对平均权重和特征图进行卷积核运算，得到热力图；
根据热力图计算各个目标对象的关键点，该关键点是目标对象的边框的中心点；
根据热力图计算关键点的偏移量；
根据热力图计算边框的尺寸；
将关键点、偏移量和尺寸确定为检测结果。
综上所述，本申请实施例提供的少样本的目标检测装置，由于CenterNet中包含两个特征编码器，在对第一个特征编码器进行普通训练，对第二个特征编码器进行元训练后可以得到平均权重，再根据平均权重和特征图得到检测结果。这样，可以根据普通训练和元训练得到平均权重，从提高目标检测算法的泛化能力，且对于未见类别的设定，元训练可以从少样本的相似任务概率分布中进行学习，从而可以实现仅用很少样本就能对新的目标检测快速适配，检测效果较好。
本申请一个实施例提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如上所述的少样本的目标检测方法。
本申请一个实施例提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如上所述的少样本的目标检测方法。
需要说明的是：上述实施例提供的少样本的目标检测装置在进行少样本的目标检测时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将少样本的目标检测装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的少样本的目标检测装置与少样本的目标检测方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述并不用以限制本申请实施例，凡在本申请实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请实施例的保护范围之内。

Claims (6)

1.一种少样本的目标检测方法，其特征在于，用于包含两个特征编码器的CenterNet中，所述方法包括：
获取待检测的图像，所述图像中包括至少一个目标对象；
对所述图像进行特征提取，得到特征图；
获取平均权重，所述平均权重是对第一个特征编码器进行普通训练，对第二个特征编码器进行元训练后得到的；
根据所述平均权重和所述特征图得到检测结果；
所述获取平均权重，包括：获取对所述第一个特征编码器进行普通训练后得到的预测权重；获取对所述第二个特征编码器进行元训练后得到的类代码权重；将所述预测权重和所述类代码权重的平均值确定为所述平均权重；
所述根据所述平均权重和所述特征图得到检测结果，包括：对所述平均权重和所述特征图进行卷积运算，得到热力图；根据所述热力图计算各个目标对象的关键点，所述关键点是所述目标对象的边框的中心点；根据所述热力图计算所述关键点的偏移量；根据所述热力图计算所述边框的尺寸；将所述关键点、所述偏移量和所述尺寸确定为所述检测结果。
2.根据权利要求1所述的方法，其特征在于，所述获取对所述第一个特征编码器进行普通训练后得到的预测权重，包括：
获取第一支持集，所述第一支持集中包含多个类别的对象的训练样本；
根据所述第一支持集对所述第一个特征编码器进行普通训练，得到特征提取器；
将所述特征提取器的权重确定为所述预测权重。
3.根据权利要求2所述的方法，其特征在于，所述获取对所述第二个特征编码器进行元训练后得到的类代码权重，包括：
获取第二支持集，所述第二支持集中包含的对象的类别与所述第一支持集中包含的对象的类别相同；
根据所述第二支持集对所述第二个特征编码器进行元训练，得到每个类别的类代码生成器；
将所有类代码生成器的权重确定为所述类代码权重。
4.一种少样本的目标检测装置，其特征在于，用于包含两个特征编码器的CenterNet中，所述装置包括：
获取模块，用于获取待检测的图像，所述图像中包括至少一个目标对象；
提取模块，用于对所述图像进行特征提取，得到特征图；
所述获取模块，还用于获取平均权重，所述平均权重是对第一个特征编码器进行普通训练，对第二个特征编码器进行元训练后得到的；
检测模块，用于根据所述平均权重和所述特征图得到检测结果；
所述获取模块，还用于：获取对所述第一个特征编码器进行普通训练后得到的预测权重；获取对所述第二个特征编码器进行元训练后得到的类代码权重；将所述预测权重和所述类代码权重的平均值确定为所述平均权重；
所述检测模块，还用于：对所述平均权重和所述特征图进行卷积核运算，得到热力图；根据所述热力图计算各个目标对象的关键点，所述关键点是所述目标对象的边框的中心点；根据所述热力图计算所述关键点的偏移量；根据所述热力图计算所述边框的尺寸；将所述关键点、所述偏移量和所述尺寸确定为所述检测结果。
5.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如权利要求1至3任一所述的少样本的目标检测方法。
6.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如权利要求1至3任一所述的少样本的目标检测方法。
CN202110266601.7A 2021-03-11 2021-03-11 少样本的目标检测方法、装置、存储介质及设备 Active CN112949730B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110266601.7A CN112949730B (zh) 2021-03-11 2021-03-11 少样本的目标检测方法、装置、存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110266601.7A CN112949730B (zh) 2021-03-11 2021-03-11 少样本的目标检测方法、装置、存储介质及设备

Publications (2)

Publication Number Publication Date
CN112949730A CN112949730A (zh) 2021-06-11
CN112949730B true CN112949730B (zh) 2024-04-09

Family

ID=76229439

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110266601.7A Active CN112949730B (zh) 2021-03-11 2021-03-11 少样本的目标检测方法、装置、存储介质及设备

Country Status (1)

Country Link
CN (1) CN112949730B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110580500A (zh) * 2019-08-20 2019-12-17 天津大学 一种面向人物交互的网络权重生成少样本图像分类方法
US10762629B1 (en) * 2019-11-14 2020-09-01 SegAI LLC Segmenting medical images
CN111797697A (zh) * 2020-06-10 2020-10-20 河海大学 基于改进CenterNet的有角度高分遥感图像目标检测方法
CN112070043A (zh) * 2020-09-15 2020-12-11 常熟理工学院 基于特征融合的安全帽佩戴卷积网络、训练及检测方法
CN112215280A (zh) * 2020-10-12 2021-01-12 西安交通大学 一种基于元骨干网络的小样本图像分类方法
CN112329827A (zh) * 2020-10-26 2021-02-05 同济大学 一种基于元学习的增量小样本目标检测方法
CN112446302A (zh) * 2020-11-05 2021-03-05 杭州易现先进科技有限公司 一种人体姿态检测方法、系统、电子设备和存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11375176B2 (en) * 2019-02-05 2022-06-28 Nvidia Corporation Few-shot viewpoint estimation

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110580500A (zh) * 2019-08-20 2019-12-17 天津大学 一种面向人物交互的网络权重生成少样本图像分类方法
US10762629B1 (en) * 2019-11-14 2020-09-01 SegAI LLC Segmenting medical images
CN111797697A (zh) * 2020-06-10 2020-10-20 河海大学 基于改进CenterNet的有角度高分遥感图像目标检测方法
CN112070043A (zh) * 2020-09-15 2020-12-11 常熟理工学院 基于特征融合的安全帽佩戴卷积网络、训练及检测方法
CN112215280A (zh) * 2020-10-12 2021-01-12 西安交通大学 一种基于元骨干网络的小样本图像分类方法
CN112329827A (zh) * 2020-10-26 2021-02-05 同济大学 一种基于元学习的增量小样本目标检测方法
CN112446302A (zh) * 2020-11-05 2021-03-05 杭州易现先进科技有限公司 一种人体姿态检测方法、系统、电子设备和存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CenterNet:Keypoint Triplets for Object Detection;Kaiwen Duan等;《2019 IEEE/CVF International Coference on Computer Vison(ICCV)》;6568-6577 *
Incremental Few-Shot Object Detection;Juan-Manuel P´erez-R´ua等;《2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)》;13843-13852 *
基于深度学习的食品自动识别算法研究;叶灵枫;《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》(第2021（01）期);B024-548 *

Also Published As

Publication number Publication date
CN112949730A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
CN110610166B (zh) 文本区域检测模型训练方法、装置、电子设备和存储介质
CN110569738B (zh) 基于密集连接网络的自然场景文本检测方法、设备和介质
Li et al. Automatic bridge crack identification from concrete surface using ResNeXt with postprocessing
CN110135505B (zh) 图像分类方法、装置、计算机设备及计算机可读存储介质
CN110889421A (zh) 目标物检测方法及装置
CN111259823A (zh) 一种基于卷积神经网络的色情图像识别方法
CN111539456B (zh) 一种目标识别方法及设备
CN116342894A (zh) 基于改进YOLOv5的GIS红外特征识别系统及方法
CN113963333B (zh) 一种基于改进yolof模型的交通标志牌检测方法
CN113487610B (zh) 疱疹图像识别方法、装置、计算机设备和存储介质
CN112991281B (zh) 视觉检测方法、系统、电子设备及介质
CN112215301B (zh) 基于卷积神经网络的影像直线探测方法
CN114445356A (zh) 基于多分辨率的全视野病理切片图像肿瘤快速定位方法
CN112733750A (zh) 基于动态水流图像的污水处理检测的神经网络的训练方法
CN112949730B (zh) 少样本的目标检测方法、装置、存储介质及设备
CN115439700B (zh) 一种图像处理方法、装置和机器可读存储介质
Li et al. Small Target Detection Algorithm Based on Two-Stage Feature Extraction
CN109409226B (zh) 一种基于级联优化cnn的手指静脉图质量评估方法及其装置
CN112991280A (zh) 视觉检测方法、系统及电子设备
CN108021918B (zh) 文字识别方法及装置
Li et al. YOLOv3 target detection algorithm based on channel attention mechanism
CN115272665B (zh) 一种基于改进ssd算法的交通障碍检测方法和系统
Leng et al. Firefly Detection Based on Improved YOLOv4 under a Small Number of Samples
CN117994852A (zh) 基于查询的人体行为感知方法、装置及程序产品
Yuan et al. A novel method for aerial detection of densely occluded small targets

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220107

Address after: 2209-c1, No. 19, Erquan East Road, Huizhi enterprise center, Xishan District, Wuxi City, Jiangsu Province, 214000

Applicant after: Wuxi yuspace Intelligent Technology Co.,Ltd.

Address before: Room 1101, block C, Kangyuan smart port, No. 50, Jiangdong Street, Jialing, Jianye District, Nanjing City, Jiangsu Province, 210000

Applicant before: Jiangsu Yu Space Technology Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220914

Address after: Room 1101, block C, Kangyuan smart port, No. 50, Jiangdong Street, Jialing, Jianye District, Nanjing City, Jiangsu Province, 210000

Applicant after: Jiangsu Yu Space Technology Co.,Ltd.

Address before: 2209-c1, No. 19, Erquan East Road, Huizhi enterprise center, Xishan District, Wuxi City, Jiangsu Province, 214000

Applicant before: Wuxi yuspace Intelligent Technology Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230905

Address after: 2209-c1, No. 19, Erquan East Road, Huizhi enterprise center, Xishan District, Wuxi City, Jiangsu Province, 214000

Applicant after: Wuxi yuspace Intelligent Technology Co.,Ltd.

Address before: Room 1101, block C, Kangyuan smart port, No. 50, Jiangdong Street, Jialing, Jianye District, Nanjing City, Jiangsu Province, 210000

Applicant before: Jiangsu Yu Space Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant