CN113033354A - 一种城市道路环境目标快速识别方法、存储介质及系统 - Google Patents
一种城市道路环境目标快速识别方法、存储介质及系统 Download PDFInfo
- Publication number
- CN113033354A CN113033354A CN202110264226.2A CN202110264226A CN113033354A CN 113033354 A CN113033354 A CN 113033354A CN 202110264226 A CN202110264226 A CN 202110264226A CN 113033354 A CN113033354 A CN 113033354A
- Authority
- CN
- China
- Prior art keywords
- urban road
- convolution
- target
- road environment
- channel
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000000605 extraction Methods 0.000 claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 238000001514 detection method Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 12
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004873 anchoring Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 102100031315 AP-2 complex subunit mu Human genes 0.000 description 2
- 101000796047 Homo sapiens AP-2 complex subunit mu Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002679 ablation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 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
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
- G06V40/25—Recognition of walking or running movements, e.g. gait recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种城市道路环境目标快速识别方法，其包括获取图像并设置图片输入尺寸；分离卷积特征提取网络；特征金字塔压缩；分类与回归；道路环境识别分割结果输出。本发明还提供一种存储介质及一种城市道路环境目标快速识别系统，本发明提供的城市道路环境目标快速识别方法、存储介质及系统增大了行人与车辆目标的区分度。
Description
技术领域
本发明涉及城市环境识别领域，尤其涉及一种城市道路环境目标快速识别方法、存储介质及系统。
背景技术
道路环境和行人的识别分割是无人驾驶及智能交通的重要研究内容，由于实际道路环境的复杂性和多样性，实现道路的准确检测仍面临诸多问题。传统的RPN网络设置锚定框的长宽比例设计为1：1、2：1和1：2，然而大部分城市道路环境中的行人目标长宽比例约在3：1至4：1，因此小尺度的包围框无法完全框住行人目标，导致行人的识别率较低，而大尺度的包围框则会框住多个行人目标，导致多个行人的密集型目标无法区分而识别为一个行人。与行人目标偏长的特点相反，大部分车辆的长宽比例在2：1以内。手工设计的锚定框难以兼顾两种不同检测目标，限制了检测精度提高。
与传统的R-CNN神经网络道路环境识别分割网络相比，无锚定框(anchor-free)检测网络FCOS可以摆脱识别和分割效果依赖于RPN网络的锚定框先验知识这一弊端。
FCOS为基础设计城市道路环境目标检测算法，摈弃了锚定框的先验知识需求和锚定框的长宽比例、数量等超参数设计，有效简化了算法模型结构同时极大地提高了算法实时性。同时得益于FCOS的逐像素预测中心点和包围框策略。
发明内容
有鉴于此，本发明提供一种城市道路环境目标快速识别方法、存储介质及系统解决道路环境识别的问题。
为了达到上述目的，本发明解决技术问题的技术方案是提供一种城市道路环境目标快速识别方法，其包括：获取图像并设置图片输入尺寸；分离卷积特征提取网络；特征金字塔压缩；分类与回归；道路环境识别分割结果输出。
进一步，所述图片输入尺寸为800X1600像素。
进一步，所述分离卷积特征提取网络使用MobileNet-v2作为特征提取网络，利用MobileNet-v2提出的深度可分离卷积，将标准卷积分为逐通道卷积和逐点卷积，以减少卷积层参数并提高特征提取速度。
进一步，所述深度可分离卷积的运算分为单通道特征提取及多通道特征聚合，其中，所述单通道特征提取为逐通道卷积，所述多通道特征聚合为逐点卷积。
进一步，所述特征金字塔压缩时，删除FPN的顶层P7层，压缩金字塔FPN从5层减少至4层。
进一步，在FPN的P3层分别检测对应原图像素面积为[0，962]的目标，在P4层检测面积为[962，1922]的目标，在P5层检测面积为[1922，4802]的目标，在P6层检测面积为[4802，∞]的目标，以生成P3、P4、P5及P6层，实现分层检测。
进一步，所述分类与回归为利用FCOS提出全新的目标识别包围框描述方案，通过包围框的中心点坐标，及中心点到包围框的上下左右四条边的距离表示包围框。
进一步，使用center-ness来抑制FCOS算法产生的中心点偏移的预测边界框，且不引入超参数。
本发明还提供一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行城市道路环境目标快速识别方法。
本发明还提供一种城市道路环境目标快速识别系统，所述城市道路环境目标快速识别系统包括处理器及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行，实现城市道路环境目标快速识别方法。
与现有技术相比，本发明所提供的城市道路环境目标快速识别方法、存储介质及系统具有以下有益效果：
通过在速度和精度上能取得更好的均衡，兼顾不同的检测目标，有效提高城市道路环境中目标识别精度，同时通过Center-ness和类别预测分支输出预测框得分以去除低质量的预测框，基于输入图像分辨率对算法精度和速度影响的分析，优化了输入图像的长宽比和分辨率，增大了行人与车辆目标的区分度。
附图说明
图1为本发明提供的一种城市道路环境目标快速识别方法的步骤流程图；
图2为城市道路环境目标快速识别检测算法的框架结构图；
图3为标准卷积示意图；
图4为深度可分离卷积示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参阅图1-4，本发明还提供一种城市道路环境目标快速识别方法，其包括步骤：
S1，获取图像并设置输入图片尺寸；
具体的，在权衡算法运行速度和识别精度后，选择将获取的图像以尺寸为800×1600像素的图片进行输入，既保持了Cityscapes数据集的训练样本图像长宽比，同时保证了城市道路的车辆与行人目标的分辨率足以让网络检测并识别。在该输入尺度下，仅有部分大型卡车目标和少量近景小汽车的分辨率高于4802，有效地保证了FPN的每一层得到充分利用。
S2，分离卷积特征提取网络；
具体的，使用MobileNet-v2作为特征提取网络，MobileNet-v2提出的深度可分离卷积，将标准卷积分为逐通道卷积和逐点卷积，极大地减少了卷积层参数并有效地提高了特征提取速度网络作为特征提取网络。对于一个输入维度为Cin、长为H、宽为W的输入特征图，标准卷积层需要对输入特征的每一个维度进行特征提取并通过逐元素相加融合特征以得到输出特征图的一个维度。因此，对每一个卷积层而言，其参数总数为
Parst＝DF·DF·Cin·Cout (1)
其中，Parst表示一个标准卷积层的参数量，DF表示卷积层内每一个滤波器的尺寸，对于3×3卷积层DF＝3；Cin表示输入特征图的维度，Cout表示输出特征图的维度。
而深度可分离卷积将标准卷积的运算过程分为单通道特征提取和多通道特征聚合两部分，将单通道特征提取过程称作逐通道卷积(Depthwise Convolution)，将多通道特征聚合过程提取称作逐点卷积(Pointwise Convolution)。标准卷积层输出的每一个通道对应输入特征所有通道的一次特征提取和一次多通道特征聚合，输出特征图的不同通道之间的特征提取和特征聚合均完全独立。而深度可分离卷积将特征提取过程单独分离出标准卷积作为逐通道卷积，也即仅对输入特征图的每个通道进行一次特征提取，而后的多通道特征聚合过程则共享逐通道卷积得到的逐通道特征，其参数量分别为
Pard＝DF·DF·Cin (2)
Parp＝Cin·Cout (3)
其中，Pard表示一个逐通道卷积层的参数量，Parp表示一个逐点卷积层的参数量。
每个输入图像通过MobileNet-v2特征提取网络生成三层的特征图，分别为C3,C4,C5层。
S3，特征金字塔压缩；
具体的，FPN主要由自下而上(bottom-up)、自上而下(top-down)和横向连接三部分构成。针对城市道路环境图像数据集Cityscapes中大目标相对少的特点，本发明选择删除FPN的顶层P7层，压缩特征金字塔FPN从5层减少至4层。并且进一步改进目标分层检测方案为：在FPN的P3层分别检测对应原图像素面积为[0,962]的目标，在P4层检测面积为[962,1922]的目标，在P5层检测面积为[1922,4802]的目标，在P6层检测面积为[4802,∞]的目标。最终生成P3,P4,P5,P6层，来实现分层检测的功能。
S4，分类与回归；
具体的，FCOS提出了全新的目标识别包围框描述方案，通过包围框的中心点坐标，及中心点到包围框的上下左右四条边的距离表示包围框。初步类别预测与RetinaNet一样采用C个二分类，共输出C个预测值；由于FCOS算法使用逐像素回归策略，在提升召回率的同时，会产生许多低质量的中心点偏移较多的预测边界框，使用center-ness来抑制这些低质量检测到的边界框，且不引入任何超参数；边框回归使预测的边界框更接近真实框。
传统的RPN网络设置锚定框的长宽比例设计为1：1、2：1和1：2，然而大部分城市道路环境中的行人目标长宽比例约在3：1至4：1，因此小尺度的包围框无法完全框住行人目标，导致行人的识别率较低，而大尺度的包围框则会框住多个行人目标，导致多个行人的密集型目标无法区分而识别为一个行人。与行人目标偏长的特点相反，大部分车辆的长宽比例在2：1以内。手工设计的锚定框难以兼顾两种不同检测目标，限制了检测精度提高。FCOS目标检测算法的目标识别包围框描述方案，通过包围框的中心点坐标，及中心点到包围框的上下左右四条边的距离表示包围框，避免了锚定框比例设计不当导致城市道路环境下行人漏检的问题。
设第i个包围框的左上角的角点坐标为
右下角的角点坐标为
则FCOS的边框回归子网络训练目标为：
其中，以l*表示当前中心点像素与包围框的左边框距离，r*表示右边框距离，t*表示顶部边框距离，b*表示底部边框距离。
初步类别预测与RetinaNet一样采用C个二分类，共输出C个预测值。由于FCOS算法使用逐像素回归策略，在提升召回率的同时，会产生许多低质量的中心点偏移较多的预测边界框，使用center-ness来抑制这些低质量检测到的边界框，且不引入任何超参数。
Center-ness层的主要目标就是找到目标的中心点，即离目标中心越近，输出值越大，反之越小，而中心的目标定义如(3)式，可见最中心的点的centerness为1，距离越远的点，centerness的值越小。后将该Center-ness的值与类别预测的输出值相乘，这样可以有效的过滤掉一批误检框，提高识别准确度。
实验选取Cityscapes数据集的train文件夹下的2975张带有精细标注的图像作为训练集，以val文件夹下的500个具有精细注释的图像作为验证集评估训练完毕的网络模型。设置batch_size为1，最大迭代次数为192000次，并且每2000次迭代保存一次网络权重模型，选择评估指标mAP最高的模型作为最终评估结果。此外，设置训练中使用随机梯度下降优化器，学习率设置为0.0025，权重更新动量设置为0.9，权重衰减系数设置为0.001。
由于Cityscapes数据集的评价mAP算法对预测框与真值框的交并比(IoU)要求低，mAP评价结果相对其他评价算法虚高约5％至15％。因此实验采用COCO数据集规定的最严格的mAP评价算法，计算IoU从0.5每隔0.05取至0.95的mAP再取平均得到Bbox mAP，作为本文评价城市道路环境识别目标算法的识别精度标准。其中，评价指标AP50、AP75、APm、APl分别表示预测框与真值框的IoU大于0.50的mAP、IoU大于0.75的mAP、面积大于322小于962目标的mAP、面积大于962目标的mAP。
S5，道路环境识别分割结果输出；
具体的，获取的图像经过上述基于FCOS的目标检测网络后，即可输出识别结果。
本发明基于控制变量法，在固定其余条件不变时分别分析输入图像分辨率优化和压缩FPN对算法精度的影响。输入图像分辨率优化精度对比如表1所示。
选取典型的城市道路景观数据集Cityscapes作为评估对象，设置网络训练参数，然后通过实验分析改进算法的性能。为了验证模型的鲁棒性和泛化能力，一并选取COCO2017数据集作为评估对象，然后将在COCO 2017数据集上训练好的模型通过迁移学习到Cityscapes数据集上继续训练，以进一步分析算法性能。经消融实验测试，网络结构改进算法精度如表1所示。
表1.输入图像分辨率优化精度比对表
如表1所示，使用ResNet-50与使用MobileNet-v2作为特征提取网络，在输入图像分辨率为较低的800×1312时对检测精度的影响较小。在Bbox mAP指标上MobileNet-v2仅比ResNet-50低了0.006，然而对于实际应用中更有意义的AP50指标，使用MobileNet-v2时可达0.459，比使用ResNet-50的0.454略高，表明在实际应用中，特别是对精度要求较低的场景，使用MobileNet-v2可以获得更高的粗定位精度和可达每帧0.049秒的处理速度。
由表1分析可得，对于数据集Cityscapes，精度的主要影响因素是输入图像分辨率而非骨干网络的选择，而算法运行速度的主要影响因素则为骨干网络的选择。选用MobileNet-v2可以极大的降低算法运行耗时并且对精度的减益较小，对于城市道路环境下的目标检测任务，选择MobileNet-v2作为特征提取骨干网络并采用高分辨率的800×1600输入图像，可以很好地达到精度和运算速度的均衡。
本发明提出的删减FPN最顶层和优化的FPN目标分层检测策略为压缩FPN，其压缩FPN精度对比表如表2所示。
表2.压缩FPN精度比对表
表2所示，使用本发明提出的压缩FPN可以较稳定地降低算法运行耗时，在采用MobileNet-v2和压缩FPN时运行速度可达0.093s/img同时Bbox mAP可达0.265。在所有五项检测精度评价指标上，使用压缩FPN与无压缩FPN的差别不大，特别是对于使用MobileNet-v2的情况，所有五项评价指标的数据差别均小于2％。然而对于使用ResNet-50的情况，使用压缩FPN对精度影响较大，导致Bbox mAP从0.283下降至0.272，APl从0.481大幅下降从至0.420，表明压缩FPN和优化FPN分层检测方案不适合与ResNet-50同时使用，然而结合MobileNet-v2使用时能很好地提高运行速度并对精度影响极小。
与现有的先进目标检测算法进行对比，如表3所示，本发明算法在速度和精度上能取得更好的均衡。对于本发明采用MobileNet-v2和压缩FPN改进的城市道路环境目标识别算法，若追求更高的运行速度可设置输入图像分辨率为800×1312，此时每帧图像检测耗时仅0.049秒；若在有限运行时间条件下，设置输入分辨率800×1600可获得达0.265的BboxmAP。
表3.目标检测算法性能比对表
相比精度较高的Mask R-CNN和CenterMask算法，改进算法具有明显的速度优势；对比运行速度较快的RetinaNet和作为改进基础的FCOS，算法明显具有更低的运行耗时，本发明算法更好地在速度和精度间取得了均衡。
本发明还提供一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述方法步骤。存储介质可以包括如软盘、光盘、DVD、硬盘、闪存、U盘、CF卡、SD卡、MMC卡、SM卡、记忆棒(Memory Stick)、XD卡等。
计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可以是个人计算机设备、服务器或其他网络设备等)用以执行本发明方法的全部或部分步骤。
本发明还提供一种城市道路环境目标快速识别系统，城市道路环境目标快速识别系统包括处理器和存储器,存储器上存储有计算机程序，计算机程序被处理器执行时，实现城市道路环境目标快速识别方法。
与现有技术相比，本发明所提供的城市道路环境目标快速识别方法、存储介质及系统具有以下有益效果：
通过在速度和精度上能取得更好的均衡，兼顾不同的检测目标，有效提高城市道路环境中目标识别精度，同时通过Center-ness和类别预测分支输出预测框得分以去除低质量的预测框，基于输入图像分辨率对算法精度和速度影响的分析，优化了输入图像的长宽比和分辨率，增大了行人与车辆目标的区分度。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明的保护范围内。
Claims (10)
1.一种城市道路环境目标快速识别方法，其特征在于，包括：
获取图像并设置图片输入尺寸；
分离卷积特征提取网络；
特征金字塔压缩；
分类与回归；
道路环境识别分割结果输出。
2.如权利要求1所述的一种城市道路目标快速识别方法，其特征在于：
所述图片输入尺寸为800X1600像素。
3.如权利要求1所述的一种城市道路目标快速识别方法，其特征在于：
所述分离卷积特征提取网络使用MobileNet-v2作为特征提取网络，利用MobileNet-v2提出的深度可分离卷积，将标准卷积分为逐通道卷积和逐点卷积，以减少卷积层参数并提高特征提取速度。
4.如权利要求3所述的一种城市道路目标快速识别方法，其特征在于：
所述深度可分离卷积的运算分为单通道特征提取及多通道特征聚合，其中，所述单通道特征提取为逐通道卷积，所述多通道特征聚合为逐点卷积。
5.如权利要求1所述的一种城市道路目标快速识别方法，其特征在于：
所述特征金字塔压缩时，删除FPN的顶层P7层，压缩金字塔FPN从5层减少至4层。
6.如权利要求5所述的一种城市道路目标快速识别方法，其特征在于：
在FPN的P3层分别检测对应原图像素面积为[0，962]的目标，在P4层检测面积为[962，1922]的目标，在P5层检测面积为[1922，4802]的目标，在P6层检测面积为[4802，∞]的目标，以生成P3、P4、P5及P6层，实现分层检测。
7.如权利要求1所述的一种城市道路目标快速识别方法，其特征在于：
所述分类与回归为利用FCOS提出全新的目标识别包围框描述方案，通过包围框的中心点坐标，及中心点到包围框的上下左右四条边的距离表示包围框。
8.如权利要求7所述的一种城市道路目标快速识别方法，其特征在于：
使用center-ness来抑制FCOS算法产生的中心点偏移的预测边界框，且不引入超参数。
9.一种存储介质，其特征在于：
所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1-8中任一项中所述的城市道路环境目标快速识别方法。
10.一种城市道路环境目标快速识别系统，其特征在于：
所述城市道路环境目标快速识别系统包括处理器及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行，实现如权利要求1-8任一项所述的城市道路环境目标快速识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110264226.2A CN113033354A (zh) | 2021-03-11 | 2021-03-11 | 一种城市道路环境目标快速识别方法、存储介质及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110264226.2A CN113033354A (zh) | 2021-03-11 | 2021-03-11 | 一种城市道路环境目标快速识别方法、存储介质及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113033354A true CN113033354A (zh) | 2021-06-25 |
Family
ID=76470327
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110264226.2A Pending CN113033354A (zh) | 2021-03-11 | 2021-03-11 | 一种城市道路环境目标快速识别方法、存储介质及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113033354A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112215128A (zh) * | 2020-10-09 | 2021-01-12 | 武汉理工大学 | 融合fcos的r-cnn城市道路环境识别方法及装置 |
| CN112257799A (zh) * | 2020-10-30 | 2021-01-22 | 电子科技大学中山学院 | 一种生活垃圾目标检测的方法、系统及装置 |
-
2021
- 2021-03-11 CN CN202110264226.2A patent/CN113033354A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112215128A (zh) * | 2020-10-09 | 2021-01-12 | 武汉理工大学 | 融合fcos的r-cnn城市道路环境识别方法及装置 |
| CN112257799A (zh) * | 2020-10-30 | 2021-01-22 | 电子科技大学中山学院 | 一种生活垃圾目标检测的方法、系统及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111709416B (zh) | 车牌定位方法、装置、系统及存储介质 | |
| CN112215128B (zh) | 融合fcos的r-cnn城市道路环境识别方法及装置 | |
| CN113033604B (zh) | 一种基于SF-YOLOv4网络模型的车辆检测方法、系统及存储介质 | |
| CN112613378B (zh) | 3d目标检测方法、系统、介质及终端 | |
| CN105160309A (zh) | 基于图像形态学分割及区域生长的三车道检测方法 | |
| CN111999741B (zh) | 路侧激光雷达目标检测方法及装置 | |
| CN114092917B (zh) | 一种基于mr-ssd的被遮挡交通标志检测方法及系统 | |
| CN111242015A (zh) | 一种基于运动轮廓语义图预测行车危险场景的方法 | |
| EP4120123A1 (en) | Scan line-based road point cloud extraction method | |
| CN115631344B (zh) | 一种基于特征自适应聚合的目标检测方法 | |
| CN111738114B (zh) | 基于无锚点精确采样遥感图像车辆目标检测方法 | |
| CN117496384B (zh) | 一种无人机图像物体检测方法 | |
| CN106407951A (zh) | 一种基于单目视觉的夜间前方车辆检测方法 | |
| CN114049572A (zh) | 识别小目标的检测方法 | |
| CN115019279A (zh) | 一种基于MobileNet轻量化网络的上下文特征融合方法 | |
| CN116824543A (zh) | 一种基于od-yolo的自动驾驶目标检测方法 | |
| CN114511832B (zh) | 车道线分析方法、装置、电子设备及存储介质 | |
| CN106845458A (zh) | 一种基于核超限学习机的快速交通标识检测方法 | |
| CN116092034A (zh) | 一种基于改进的DeeplabV3+模型的车道线检测方法 | |
| CN113269156B (zh) | 一种基于多尺度特征融合的信号灯检测识别方法及系统 | |
| CN116935249A (zh) | 一种无人机场景下三维特征增强的小目标检测方法 | |
| CN114140757B (zh) | 基于改进fcos的道路场景多类别检测方法及系统 | |
| CN113033354A (zh) | 一种城市道路环境目标快速识别方法、存储介质及系统 | |
| CN110175622A (zh) | 基于共生关系的卷积神经网络的车辆部件识别方法和系统 | |
| CN114882205A (zh) | 基于注意力机制的目标检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210625 |
|
| RJ01 | Rejection of invention patent application after publication |