CN113160188B - 基于圆形特征的鲁棒血细胞检测方法 - Google Patents

基于圆形特征的鲁棒血细胞检测方法 Download PDF

Info

Publication number
CN113160188B
CN113160188B CN202110458896.8A CN202110458896A CN113160188B CN 113160188 B CN113160188 B CN 113160188B CN 202110458896 A CN202110458896 A CN 202110458896A CN 113160188 B CN113160188 B CN 113160188B
Authority
CN
China
Prior art keywords
layer
model
loss
input
output
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
CN202110458896.8A
Other languages
English (en)
Other versions
CN113160188A (zh
Inventor
陈飞
蔡钟晟
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.)
Fuzhou University
Original Assignee
Fuzhou University
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 Fuzhou University filed Critical Fuzhou University
Priority to CN202110458896.8A priority Critical patent/CN113160188B/zh
Publication of CN113160188A publication Critical patent/CN113160188A/zh
Application granted granted Critical
Publication of CN113160188B publication Critical patent/CN113160188B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于圆形特征的鲁棒血细胞检测方法。该方法，首先设置模型的相关配置，模型采用YOLO，骨干网络采用抗噪特征提取模块结合Darknet53；通过抗噪特征提取模块实现噪声鲁棒；模型共有三个输出，每个输出的尺度不同，并且分别负责检测不同大小的目标；锚框形状采用圆形；锚框直径通过数据集聚类获得，每个检测头分配3个相应大小的锚框；训练阶段开始后，每张输入图像通过分配器分配正负样本，进行预处理后输入模型，三个检测头得到不同的输出；预先分配好的正负样本根据损失函数分别进行损失计算；最后通过反向传播训练模型；直到模型损失趋于平缓，训练结束，保存参数文件。模型在YOLO的基础上增加了圆形锚框与IOU损失函数，以及抗噪特征提取模块，显著提高了模型对于圆形目标的检测精度和抗噪能力。

Description

基于圆形特征的鲁棒血细胞检测方法
技术领域
本发明涉及计算机视觉技术领域，特别一种基于圆形特征的鲁棒血细胞检测方法。
背景技术
目标检测是指从图像信息中定位出人们感兴趣的目标，属于是计算机视觉里面一个基础的难题。目标检测广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域，通过计算机视觉减少对人力资本的消耗，具有重要的现实意义。早期的目标检测算法主要是通过传统的数学方法来进行检测，如Viola Jones检测器和HOG检测器等。后来出现了基于深度学习的目标检测算法，取得了较好的效果。目前主流的效果较好的目标检测算法都是基于深度学习。如YOLO系列，FasterRCNN等。针对各种不同类型的目标检测模型已经在公共数据集上达到了较高的精度，但是当落实到具体环境时精度往往不尽如人意。因为实际环境中图像质量会受到许多因素的影响，如噪声等。会在很大程度上影响模型的精度。
本发明主要针对血细胞目标。血细胞数据集包括三种类型的目标。大部分目标为血细胞，还有少量的白细胞和血小板。因为血细胞较为密集，且常出现重叠情况，所以每张图片都存在几个较难检测的血细胞目标。血小板目标相对较小，没有明显的边缘和颜色特征，因此检测难度较大。白细胞目标显著，检测相对容易。同时三种类型的细胞都存在明显的圆形的轮廓特征，可作为先验信息加入模型。
发明内容
本发明的目的在于提供一种基于圆形特征的鲁棒血细胞检测方法，显著提高了模型对于圆形目标的检测精度和抗噪能力。
为实现上述目的，本发明的技术方案是：一种基于圆形特征的鲁棒血细胞检测方法，按以下步骤实现：
步骤S1、对输入图像进行预处理；
步骤S2、设置YOLO模型信息：骨干网络Backbone采用Darknet53，Darknet53由卷积层，批量归一化层和激活函数层构成；YOLO模型整体由采用残差结构的残差单元构成，每个残差单元由一层卷积层，一层批量归一化层，一层激活函数层依次构成；当有数据输入时，将输入依次通过残差单元的三层网络得到输出，将相同尺度的输入和输出相加得到下一个残差单元的输入；每隔预定的残差单元设置一层步长为s的卷积层作为池化层，骨干网络共计有5层步长为s的池化层，每两层池化层之间的残差单元个数分别为m1、m2、m3、m4、m5，Backbone输出特征图尺寸为(w/s5)×(h/s5)；
步骤S3、预训练抗噪特征提取模块：抗噪特征提取模块整体为残差结构，共有21层；第一层为3×3的卷积层，第二层为Relu激活函数层；后续的18层为相同的结构，每层都是卷积层、批量归一化层和Relu激活函数层；最后一层为3×3的卷积层；抗噪特征提取模块的输出为输入与上述21层的差；
步骤S4、设置模型的Neck部分：Neck部分有三层输入，分别是骨干网络第三个池化层的输出，第四个池化层的输出和第五个池化层的输出，尺度分别为(w/s3×h/s3)，(w/s4×h/s4)，(w/s5×h/s5)；第五层池化层输出不与其他特征图融合，直接输入检测头进行检测；第五层池化层在输出之前进行一次反卷积，特征图大小从(w/s5×h/s5)到(w/s4×h/s4)；反卷积后的特征图与骨干网络第四个池化层的输出相加后的特征图作为第二个检测头的输入，尺度为(w/s4×h/s4)；反卷积之后的特征图再次进行反卷积，得到的特征图和骨干网络第三个池化层的输出作为第三个检测头的输入，尺度为(w/s3×h/s3)；
步骤S5、设置圆形锚框的直径，直径采用K-means算法计算；将数据集中目标的直径作为K-means算法的输入，聚类得到最常见的9个目标直径；根据锚框的面积大小，分为3组，分别分配给三个尺度的检测头；将最大的三个锚框分配给w/s5×h/s5的检测头，最小的三个锚框分配给w/s3×h/s3的检测头；剩余的锚框分配给w/s4×h/s4的检测头；
步骤S6、设置模型Head部分：Head部分只有一层卷积层，根据每个检测头被分配到的锚框数量A和类别数量C可以确定检测头的卷积层数；检测头的层数为A(C+5)；每个锚框有C+5个卷积层，其中C层卷积用于检测类别，5层卷积用于对目标进行微调；
步骤S7、开始训练阶段：将输入图像的目标框与锚框进行IOU计算，即计算锚框和目标框的交集面积Si，计算锚框和目标框的并集面积Su，Si/Su即IOU的数值；IOU超过阈值0.5则判定为正样本，低于0.5则判定为负样本；
步骤S8、将图像输入模型，三个检测头得到不同的输出；正负样本分别根据损失函数计算损失；正样本损失函数由三部分构成，分别是前后景判别损失，分类损失和边界框回归损失，前后景判别损失和分类损失均为平方差损失；边界框回归损失采用DIOU损失函数
Figure BDA0003041040130000021
其中d为最小闭包圆形区域的直径、ρ2为标签框与检测框之间的距离的平方；
步骤S9、通过反向传播训练网络，使得网络损失不断下降，直到网络损失趋于稳定，训练阶段结束，保存网络模型的参数；
步骤S10、开始测试阶段，将保存的模型参数导入模型，将输入图像经过预处理后输入模型，根据得到的模型输出绘制检测出的目标，首先根据前后景分类分数判定前后景，前景为目标，然后根据边界框调整参数对锚框进行微调，最后根据分类分数得到目标类别。
在本发明一实施例中，所述步骤S1，具体包括如下步骤：
步骤S11、将输入图像按照比例，将长边缩放到固定的尺度，剩下部分用黑色填充；
步骤S12、进行随机翻转，设置概率为p的图像进行翻转；
步骤S13、进行批量归一化，将均值设置为a，方差设置为s。
在本发明一实施例中，步骤S2中，抗噪特征提取模块的预训练采用CBSD68数据集，共训练20轮。
相较于现有技术，本发明具有以下有益效果：
1)通过引入抗噪特征提取模块，可以较好地提取具有抗噪能力的特征。抗噪特征提取模块本身参数量不大，不会影响模型的检测速度。当目标不存在噪声或噪声较小的时候，不会影响模型精度。当目标存在噪声时，可以较好地保持精度，不会大幅下降。
2)通过引入圆形锚框与IOU损失函数，可以更好地提取圆形目标的特征。血细胞就是一种圆形特征较为明显的目标，采用针对性的圆形锚框可以获得比传统矩形锚框更好的效果。IOU损失函数中的iou项也采用了圆形的iou计算方式，可以更好地适应圆形锚框。
附图说明
图1为本发明中基于圆形特征的噪声鲁棒血细胞检测方法流程图。
图2为本发明实施例中血细胞数据库。
图3为本发明实施例中血细胞的检测效果图。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
如图1-3所示，本发明的一种基于圆形特征的噪声鲁棒血细胞检测方法，按以下步骤实现：
步骤S1：对输入图像进行预处理操作。包括随机反转，缩放到固定的尺度608×608以及归一化等。
步骤S2：设置模型信息。采用YOLO模型。骨干网络Backbone采用Darknet53和抗噪特征提取模型的结合。Darknet53由卷积层，批量归一化层和激活函数层构成。整体由采用残差结构的残差单元构成。每个残差单元由一层卷积层，一层批量归一化层，一层激活函数层依次构成。当有数据输入时，将输入依次通过三层网络得到输出，将相同尺度的输入和输出相加得到下一个残差单元的输入。每隔一定的残差单元设置一层步长为2的卷积层作为池化层，骨干网络共计有5层步长为2的池化层。每两层池化层之间的残差模块个数分别为1,2,8,8,4。Backbone输出特征图尺寸为(608/25)×(608/25)。；
步骤S3：预训练抗噪特征提取模块。抗噪特征提取模块整体为残差结构，共有21层。第一层为3×3的卷积层，第二层为Relu激活函数层。后续的18层都为相同的结构，每层都是卷积层，批量归一化层和Relu激活函数层。最后一层为3×3的卷积层。抗噪特征提取模块的输出为输入与上述21层的差。采用CBSD68数据集，共训练20轮。
步骤S4：设置模型的Neck部分。Neck部分有三层输入，分别是骨干网络第三个池化层的输出，第四个池化层的输出和第五个池化层的输出，尺度分别为(76×76)，(38×38)，(19×19)。第五层池化层输出不与其他特征图融合，直接输入检测头进行检测。第五层池化层在输出之前进行一次反卷积，特征图大小从(19×19)到(38×38)。反卷积后的特征图与骨干网络第四个池化层的输出相加后的特征图作为第二个检测头的输入，尺度为(76×76)。反卷积之后的特征图再次进行反卷积，得到的特征图和骨干网络第三个池化层的输出作为第三个检测头的输入，尺度为(76×76)；
步骤S5：设置圆形锚框的直径，直径采用K-means算法计算。将数据集中目标的直径作为K-means算法的输入，聚类得到最常见的9个目标直径。根据锚框的面积大小，大概分为3组，分别分配给三个尺度的检测头。将最大的三个锚框分配给19×19的检测头，最小的三个锚框分配给76×76的检测头。剩余的锚框分配给38×38的检测头。
步骤S6：设置模型Head部分。Head部分只有一层卷积层，根据每个检测头被分配到的锚框数量A和类别数量C可以确定检测头的卷积层数。检测头的层数为A(C+5)。每个锚框有C+5个卷积层，其中C层卷积用于检测类别，5层卷积用于对目标进行微调。
步骤S7：开始训练阶段。将输入图像的目标框与锚框进行IOU计算。即计算锚框和目标框的交集面积Si，计算锚框和目标框的并集面积Su。Si/Su即IOU的数值。IOU超过阈值0.5则判定为正样本，低于0.5则判定为负样本。
步骤S8：将图像输入模型，三个检测头得到不同的输出。正负样本分别根据损失函数计算损失。正样本损失函数由三部分构成，分别是前后景判别损失，分类损失和边界框回归损失。前后景损失函数和分类损失均为平方差损失。边界框损失采用DIOU损失函数
Figure BDA0003041040130000041
其中d为最小闭包圆形区域的直径。ρ2为标签框与检测框之间的距离的平方。
步骤S9：通过反向传播训练网络，使得网络损失不断下降。直到网络损失趋于稳定，训练阶段结束，保存网络模型的参数。
步骤S10：开始测试阶段，将保存的模型参数导入模型。将输入图像经过预处理后输入模型。根据得到的模型输出绘制检测出的目标，首先根据前后景分类分数判定前后景，前景为目标。然后根据边界框调整参数对锚框进行微调，最后根据分类分数得到目标类别。
在本发明一实施例中，在所述S1中，还包括如下步骤：
步骤S11：将输入图像按照比例，将长边缩放到608。剩下部分用黑色填充。
步骤S12：进行随机翻转，设置为0.5的概率。大致将一半的图像进行翻转。
步骤S13：进行批量归一化，均值设置为0，方差设置为255。
以下为本发明的具体实施过程。
本发明提出的算法对血细胞目标的应用具体步骤如下：
1、设置模型配置信息，包括输入图像尺寸等；
2、根据数据集先验信息用K-means进行聚类得到锚框，并将锚框分配到不同的检测头，并设置分配策略；
3、对输入图像进行预处理；
4、开始训练，将图像输入模型得到输出的检测信息；
5、预先分配的正负样本根据不同的损失函数进行损失计算，并通过反向传播训练网络。
6、直到模型损失趋于平缓，训练结束。
图3是上述图像目标检测的效果图，血细胞图像的分辨率为640×480。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (3)

1.一种基于圆形特征的鲁棒血细胞检测方法，其特征在于，按以下步骤实现：
步骤S1、对输入图像进行预处理；
步骤S2、设置YOLO模型信息：骨干网络Backbone采用Darknet53，Darknet53由卷积层，批量归一化层和激活函数层构成；YOLO模型整体由采用残差结构的残差单元构成，每个残差单元由一层卷积层，一层批量归一化层，一层激活函数层依次构成；当有数据输入时，将输入依次通过残差单元的三层网络得到输出，将相同尺度的输入和输出相加得到下一个残差单元的输入；每隔预定的残差单元设置一层步长为s的卷积层作为池化层，骨干网络共计有5层步长为s的池化层，每两层池化层之间的残差单元个数分别为m1、m2、m3、m4、m5，Backbone输出特征图尺寸为(w/s5×h/s5)；
步骤S3、预训练抗噪特征提取模块：抗噪特征提取模块整体为残差结构，共有21层；第一层为3×3的卷积层，第二层为Relu激活函数层；后续的18层为相同的结构，每层都是卷积层、批量归一化层和Relu激活函数层；最后一层为3×3的卷积层；抗噪特征提取模块的输出为输入与上述21层的差；
步骤S4、设置模型的Neck部分：Neck部分有三层输入，分别是骨干网络第三个池化层的输出，第四个池化层的输出和第五个池化层的输出，尺度分别为(w/s3×h/s3)，(w/s4×h/s4)，(w/s5×h/s5)；第五层池化层输出不与其他特征图融合，直接输入检测头进行检测；第五层池化层在输出之前进行一次反卷积，特征图大小从(w/s5×h/s5)到(w/s4×h/s4)；反卷积后的特征图与骨干网络第四个池化层的输出相加后的特征图作为第二个检测头的输入，尺度为(w/s4×h/s4)；反卷积之后的特征图再次进行反卷积，得到的特征图和骨干网络第三个池化层的输出作为第三个检测头的输入，尺度为(w/s3×h/s3)；
步骤S5、设置圆形锚框的直径，直径采用K-means算法计算；将数据集中目标的直径作为K-means算法的输入，聚类得到最常见的9个目标直径；根据锚框的面积大小，分为3组，分别分配给三个尺度的检测头；将最大的三个锚框分配给(w/s5×h/s5)的检测头，最小的三个锚框分配给(w/s3×h/s3)的检测头；剩余的锚框分配给(w/s4×h/s4)的检测头；
步骤S6、设置模型Head部分：Head部分只有一层卷积层，根据每个检测头被分配到的锚框数量A和类别数量C可以确定检测头的卷积层数；检测头的层数为A(C+5)；每个锚框有C+5个卷积层，其中C层卷积用于检测类别，5层卷积用于对目标进行微调；
步骤S7、开始训练阶段：将输入图像的目标框与锚框进行iou计算，即计算锚框和目标框的交集面积Si，计算锚框和目标框的并集面积Su，Si/Su即iou的数值；iou超过阈值0.5则判定为正样本，低于0.5则判定为负样本；
步骤S8、将图像输入模型，三个检测头得到不同的输出；正负样本分别根据损失函数计算损失；正样本损失函数由三部分构成，分别是前后景判别损失，分类损失和边界框回归损失，前后景判别损失和分类损失均为平方差损失；边界框回归损失采用DIOU损失函数
Figure FDA0003636140310000021
其中d为最小闭包圆形区域的直径、ρ 2为标签框与检测框之间的距离的平方；
步骤S9、通过反向传播训练网络，使得网络损失不断下降，直到网络损失趋于稳定，训练阶段结束，保存网络模型的参数；
步骤S10、开始测试阶段，将保存的模型参数导入模型，将输入图像经过预处理后输入模型，根据得到的模型输出绘制检测出的目标，首先根据前后景分类分数判定前后景，前景为目标，然后根据边界框调整参数对锚框进行微调，最后根据分类分数得到目标类别。
2.根据权利要求1所述的基于圆形特征的鲁棒血细胞检测方法，其特征在于：所述步骤S1，具体包括如下步骤：
步骤S11、将输入图像按照比例，将长边缩放到固定的尺度，剩下部分用黑色填充；
步骤S12、进行随机翻转，设置概率为p的图像进行翻转；
步骤S13、进行批量归一化，将均值设置为a，方差设置为s。
3.根据权利要求1所述的基于圆形特征的鲁棒血细胞检测方法，其特征在于：步骤S3中，抗噪特征提取模块的预训练采用CBSD68数据集，共训练20轮。
CN202110458896.8A 2021-04-27 2021-04-27 基于圆形特征的鲁棒血细胞检测方法 Active CN113160188B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110458896.8A CN113160188B (zh) 2021-04-27 2021-04-27 基于圆形特征的鲁棒血细胞检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110458896.8A CN113160188B (zh) 2021-04-27 2021-04-27 基于圆形特征的鲁棒血细胞检测方法

Publications (2)

Publication Number Publication Date
CN113160188A CN113160188A (zh) 2021-07-23
CN113160188B true CN113160188B (zh) 2022-07-05

Family

ID=76871328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110458896.8A Active CN113160188B (zh) 2021-04-27 2021-04-27 基于圆形特征的鲁棒血细胞检测方法

Country Status (1)

Country Link
CN (1) CN113160188B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469302A (zh) * 2021-09-06 2021-10-01 南昌工学院 一种视频图像的多圆形目标识别方法和系统
CN114445482A (zh) * 2022-01-29 2022-05-06 福州大学 基于Libra-RCNN和椭圆形状特征的图像中目标检测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10304193B1 (en) * 2018-08-17 2019-05-28 12 Sigma Technologies Image segmentation and object detection using fully convolutional neural network
CN110210621A (zh) * 2019-06-06 2019-09-06 大连理工大学 一种基于残差网络改进的目标检测方法
CN111666850A (zh) * 2020-05-28 2020-09-15 浙江工业大学 一种基于聚类生成候选锚框的细胞图像检测与分割方法
CN112016614A (zh) * 2020-08-27 2020-12-01 北京理工大学 光学图像目标检测模型的构建方法、目标检测方法及装置
CN112597920A (zh) * 2020-12-28 2021-04-02 浙江工业大学 基于YOLOv3剪枝网络的实时物体检测系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10304193B1 (en) * 2018-08-17 2019-05-28 12 Sigma Technologies Image segmentation and object detection using fully convolutional neural network
CN110210621A (zh) * 2019-06-06 2019-09-06 大连理工大学 一种基于残差网络改进的目标检测方法
CN111666850A (zh) * 2020-05-28 2020-09-15 浙江工业大学 一种基于聚类生成候选锚框的细胞图像检测与分割方法
CN112016614A (zh) * 2020-08-27 2020-12-01 北京理工大学 光学图像目标检测模型的构建方法、目标检测方法及装置
CN112597920A (zh) * 2020-12-28 2021-04-02 浙江工业大学 基于YOLOv3剪枝网络的实时物体检测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
P.Gräbel et al..Circular Anchors for the Detection of Hematopoietic Cells Using Retinanet.《2020 IEEE 17th International Symposium on Biomedical Imaging (ISBI)》.2020,全文. *
基于YOLO框架的血细胞自动计数研究;徐晓涛等;《计算机工程与应用》;20200715;第56卷(第14期);全文 *

Also Published As

Publication number Publication date
CN113160188A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
US11417148B2 (en) Human face image classification method and apparatus, and server
WO2021134871A1 (zh) 基于局部二值模式和深度学习的合成人脸图像取证方法
CN111091105B (zh) 基于新的边框回归损失函数的遥感图像目标检测方法
US11055574B2 (en) Feature fusion and dense connection-based method for infrared plane object detection
CN112232241B (zh) 一种行人重识别方法、装置、电子设备和可读存储介质
CN113160188B (zh) 基于圆形特征的鲁棒血细胞检测方法
CN107169954B (zh) 一种基于并行卷积神经网络的图像显著性检测方法
CN107784288B (zh) 一种基于深度神经网络的迭代定位式人脸检测方法
CN110543906B (zh) 基于Mask R-CNN模型的肤质自动识别方法
CN110796048A (zh) 一种基于深度神经网络的船舰目标实时检测方法
CN108446689A (zh) 一种人脸识别方法
CN108021908B (zh) 人脸年龄段识别方法及装置、计算机装置及可读存储介质
CN112699900A (zh) 一种改进YOLOv4的交通标志识别方法
CN113569968B (zh) 模型训练方法、目标检测方法、装置、设备及存储介质
CN109754006A (zh) 一种视图及点云融合的立体视觉内容分类方法与系统
CN113361645A (zh) 基于元学习及知识记忆的目标检测模型构建方法及系统
CN114898327A (zh) 一种基于轻量化深度学习网络的车辆检测方法
CN114463843A (zh) 一种基于深度学习的多特征融合鱼类异常行为检测方法
CN110727817B (zh) 基于t-CNN的三维模型检索方法、终端设备及存储介质
CN117037006B (zh) 一种高续航能力的无人机跟踪方法
CN112784494B (zh) 假阳性识别模型的训练方法、目标识别方法及装置
CN114417095A (zh) 一种数据集划分方法及装置
CN111179278B (zh) 一种图像检测的方法、装置、设备和存储介质
CN104123538B (zh) 一种基于视觉词袋的网络不良图像检测方法
CN115331021A (zh) 基于多层特征自身差异融合的动态特征提取与描述方法

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
GR01 Patent grant
GR01 Patent grant