CN113392728B - 一种基于ssa锐化注意机制的目标检测方法 - Google Patents
一种基于ssa锐化注意机制的目标检测方法 Download PDFInfo
- Publication number
- CN113392728B CN113392728B CN202110591589.7A CN202110591589A CN113392728B CN 113392728 B CN113392728 B CN 113392728B CN 202110591589 A CN202110591589 A CN 202110591589A CN 113392728 B CN113392728 B CN 113392728B
- Authority
- CN
- China
- Prior art keywords
- sharpening
- ssa
- module
- feature map
- dimension
- 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 25
- 230000007246 mechanism Effects 0.000 title claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 9
- 238000011176 pooling Methods 0.000 claims description 17
- 238000003708 edge detection Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims 2
- PLYRYAHDNXANEG-QMWPFBOUSA-N (2s,3s,4r,5r)-5-(6-aminopurin-9-yl)-3,4-dihydroxy-n-methyloxolane-2-carboxamide Chemical compound O[C@@H]1[C@H](O)[C@@H](C(=O)NC)O[C@H]1N1C2=NC=NC(N)=C2N=C1 PLYRYAHDNXANEG-QMWPFBOUSA-N 0.000 claims 1
- 238000012300 Sequence Analysis Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 8
- 238000001914 filtration Methods 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于SSA锐化注意机制的目标检测方法，首次在空间注意力模块中引入了自定义锐化滤波，并和通道注意模块结合使用，减少干扰因素对SSA锐化效果的影响，服务其锐化效果；本发明从空间上加强神经网络中被检测物体的边缘信息，加强物体定位。对于大型物体可以完善其边缘信息，对于中小型物体可以提升其在输出层的存在感，提升检测效果；本发明完善了SSA空间锐化模块和通道注意力模块的结合方式和嵌入位置。对比CBAM中的空间注意力模块，在轻量级目标检测模型上的效果更好。本次发明的SSA空间锐化模块所需的计算量和参数量极少，几乎不影响检测速度，轻量化模块的实用性高，即插即用，易于实现。
Description
技术领域
本发明属于计算机视觉技术领域，特别涉及一种基于神经网络和锐化注意机制的轻量化空间注意力模块和其在一阶段轻量级神经网络上与通道注意力模块结合的目标检测方法。
背景技术
文献1(Hu J,Shen L,Sun G.Squeeze-and-excitation networks.In:Proceedings of the IEEE Conference on Computer Vision and PatternRecognition,Salt Lake City, 2018.7132-7141)在网络中间特征图后引入通道注意力支路，通过平均池化操作提取特征图通道信息，得到通道级的全局特征，然后经过含一个隐藏层的FC多层感知器来学习各通道之间的联系，也得到不同通道的权重，再通过Sigmoid函数限制输出的界限后乘以 原来的特征图并得到最终特征。SE模块是一种经典的通道注意力模块，对后续各通道注意力的发展奠定了基石。
文献2(Woo S H,Park J,Lee J Y,et al.CBAM:Convolutional block attentionmodule.In:Proceedings of the 15th European Conference on Computer Vision,Munich, 2018)通过在SE通道注意模块中添加最大池化操作，并串联一种新的空间注意模块来获取并调整目标的空间信息，Woo等人在测试后也在空间模块中使用了最大池化和平均池化合并提取特征图空间信息的方式，并给予一个可训练可调整卷积核大小的卷积层，最后通过 Sigmoid激活函数乘以 原特征图，以达到强调或削弱空间信息的目的。
文献3(Wang Q L,Wu B G,Zhu P F,et al.ECA-Net:Efficient ChannelAttention for Deep Convolutional Neural Networks.In:Proceedings of the IEEEConference on Computer Vision and Pattern Recognition,Seattle,2020)Wang等人认为在SE注意力模块中降维提取通道信息的方法会丢失通道中部分信息，在经过相关实验后证明了这一点，并给出了创新的方案。即通过一维卷积来捕获局部的跨通道交互，并通过k决定了交互的覆盖范围，也是一维卷积的卷积核大小。其结构大致与SE模块一致。在网络中间特征图后引入通道注意力支路，通过平均池化操作提取特征图通道信息，得到通道级的全局特征，然后通过一个一维卷积层来学习各通道之间的联系，为不同的通道分配不同的权重，再通过Sigmoid函数限制输出界限，然后乘以 原特征图得到最终特征。对比SE模块，ECA模块在大幅度降低参数数量同时，保持了通道注意力的高性能。
发明内容
本发明为解决轻量级目标检测模型对中小目标的定位困难问题和对大型目标的边缘丢失问题，提出一种基于SSA锐化注意机制的目标检测方法。
本发明一种基于SSA锐化注意机制的目标检测方法，具体包括以下步骤：
步骤(1)：使用目标检测领域常用的VOC2012或COCO2017数据集作为输入图片；使用一阶段轻量级神经网络作为基础检测网络；
步骤(2)：将SSA空间锐化模块和SE、ECA通道注意力模块相结合，并分成两种注意力模块：通道注意模块和混合注意模块；通道注意力模块嵌入到一阶段轻量级神经网络的骨架网络的所有大型残差块后和类FPN结构中；通道注意力模块串联SSA空间锐化模块并嵌入到一阶段轻量级神经网络输出部分的节点，若神经网络包括下采样结构，则嵌入到下采样节点前；
其中IC表示原C×W×H维度的特征图通过SE或ECA模块后与原特征图在通道维度上逐一相乘输出的特征图；IS表示原C×W×H维度的特征图通过SSA模块与原特征图在空间维度上逐一相乘输出的特征图；IS作用是从空间维度加强被检测物体的边缘信息；ISC是串联使用IC和IS后输出特征图；IC、IS、ISC与原特征图I的维度一致；
MSE、MECA、MSSA分别表示原特征图经过SE、ECA和SSA模块后的信息特征图，其中MSSA的计算过程具体如下：
步骤(2-1)假定卷积神经网络中某中间特征图I的维度为C×W×H，表示通道数×特征图宽度×特征图高度，以此特征图作为输入。使用最大池化和平均池化操作分别得到1×W×H维度的特征图，然后把两张特征图拼接在一起，形成2×W×H维度的空间信息特征图。
M1(I)＝[Maxpool(I)；Avgpool(I)] (2)
其中M1(I)表示经过特征提取后的空间信息特征图，Maxpool和Avgpool分别表示最大池化操作和平均池化操作，I是输入的某中间特征图。
步骤(2-2)使2×W×H维度的空间信息特征图通过一个自定义卷积核的锐化卷积层，其自定义卷积核使用一种锐化滤波模板或是边缘检测滤波模板，但边缘检测模板需将边缘检测层输出的特征图添加到原2×W×H维度的空间信息特征图上，锐化滤波模板则是直接输出锐化后的空间信息特征图。两种方式的输出维度都是2×W×H，都需选择一种边缘检测算子。
其中M2(I)表示经过锐化卷积层后的空间信息特征图，fsh和fed分别表示锐化卷积和边缘检测卷积，n表示自定义卷积核的尺寸。
步骤(2-3)使锐化处理后的2×W×H维度的空间信息特征图通过一个维度为 1×2×1×1的自适应卷积层，表示通过一个通道数为2的尺寸为1×1的自适应卷积核，将维度限制到1×W×H。
其中M3(I)表示经过自适应卷积层后的空间信息特征图，W1×1表示自适应卷积层。
步骤(2-4)使维度1×W×H的空间信息特征图通过Sigmoid激活函数限制输出的界限。
其中M4(I)表示模块最终的输出特征图MSSA，σ即表示Sigmoid激活函数；
步骤(3)：在嵌入SSA空间锐化模块和SE、ECA通道注意力模块后的神经网络中进行目标的分类和回归，利用损失函数对神经网络中的参数进行更新，训练出最终的权重，在检测时调用权重，输出目标预测框，目标类别和目标置信度。
作为优选，所述的一阶段轻量级神经网络为YOLOv5s或YOLOv3-tiny。
与现有技术相比，本发明的有益效果是：
(1)首次在空间注意力模块中引入了自定义锐化滤波，并和通道注意模块结合使用，减少干扰因素(不相关物体、噪声、背景结构等)对SSA锐化效果的影响，服务其锐化效果；
(2)可以从空间上加强神经网络中被检测物体的边缘信息，加强物体定位。对于大型物体可以完善其边缘信息，对于中小型物体可以提升其在输出层的存在感，提升检测效果。
(3)通过在VOC2012和COCO2017数据集上的实验完善了SSA空间锐化模块和通道注意力模块的结合方式和嵌入位置。对比CBAM中的空间注意力模块，在轻量级目标检测模型上的效果更好。
(4)本次发明的SSA空间锐化模块所需的计算量和参数量极少，几乎不影响检测速度，轻量化模块的实用性高，即插即用，易于实现。
附图说明
图1为本发明一种基于SSA锐化注意机制的目标检测方法中的SSA锐化注意模块原理图。
图2为本发明中通道注意力模块和混合注意力模块的示意图；
图3为本发明中通道注意力模块和混合注意力模块在一阶轻量级目标检测模型YOLOv5s上的嵌入位置。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。
步骤(1)：输入图片尺寸为640×640；使用一阶轻量级目标检测网络YOLOv5s；
步骤(2)：将SSA空间锐化模块和SE、ECA通道注意力模块相结合，并分成两种注意力模块：通道注意模块和混合注意模块，如图2所示；通道注意力模块嵌入到一阶段轻量级神经网络的骨架网络的所有大型残差块后和类FPN结构中；通道注意力模块串联SSA 空间锐化模块并嵌入到一阶段轻量级神经网络输出部分的节点，若神经网络包括下采样结构，则嵌入到下采样节点前，这里以浅层特征图I1为例，设I1为混合注意力模块的输入特征图，其维度为128×80×80，如图3所示；
其中IC表示原128×80×80维度的特征图通过SE或ECA模块后与原特征图在通道维度上逐一相乘输出的特征图；IS表示原128×80×80维度的特征图通过SSA模块与原特征图在空间维度上逐一相乘输出的特征图；IS作用是从空间维度加强被检测物体的边缘信息； ISC是串联使用IC和IS后输出特征图；IC、IS、ISC与原特征图I1的维度一致；
MSE、MECA、MSSA分别表示原特征图经过SE、ECA和SSA模块后的信息特征图，如图1所示，其中MSSA的计算过程具体如下：
步骤(2-1)浅层特征图I1的维度为128×80×80，表示通道数×特征图宽度×特征图高度，以此特征图作为输入。使用最大池化和平均池化操作分别得到1×80×80维度的特征图，然后把两张特征图拼接在一起，形成2×80×80维度的空间信息特征图。
M1(I1)＝[Maxpool(I1)；Avgpool(I1)] (2)
其中M1(I1)表示经过特征提取后的空间信息特征图，Maxpool和Avgpool分别表示最大池化操作和平均池化操作，I1是输入的浅层特征图。
步骤(2-2)使2×80×80维度的空间信息特征图通过一个自定义卷积核的锐化卷积层，其自定义卷积核使用一种锐化滤波模板或是边缘检测滤波模板，但边缘检测模板需将边缘检测层输出的特征图添加到原2×80×80维度的空间信息特征图上，锐化滤波模板则是直接输出锐化后的空间信息特征图。两种方式的输出维度都是2×80×80，都需选择一种边缘检测算子。
其中M2(I1)表示经过锐化卷积层后的空间信息特征图，fsh和fed分别表示锐化卷积和边缘检测卷积，n表示自定义卷积核的尺寸。
步骤(2-3)使锐化处理后的2×80×80维度的空间信息特征图通过一个维度为 1×2×1×1的自适应卷积层，表示通过一个通道数为2的尺寸为1×1的自适应卷积核，将维度限制到1×80×80。
其中M3(I1)表示经过自适应卷积层后的空间信息特征图，W1×1表示自适应卷积层。
步骤(2-4)使维度1×80×80的空间信息特征图通过Sigmoid激活函数限制输出的界限。
其中M4(I1)表示模块最终的输出特征图MSSA，σ即表示Sigmoid激活函数；
步骤(3)：在嵌入SSA空间锐化模块和SE、ECA通道注意力模块后的神经网络中进行目标的分类和回归，利用损失函数对神经网络中的参数进行更新，训练出最终的权重，在检测时调用权重，输出目标预测框，目标类别和目标置信度。
上述实例并非是对于本发明的限制，本发明并非仅限于上述实施例，只要符合本发明要求，均属于本发明的保护范围。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (3)
1.一种基于SSA锐化注意机制的目标检测方法，其特征在于，该方法具体包括以下步骤：
步骤(1)：输入图片，使用一阶段轻量级神经网络作为基础检测网络；
步骤(2)：将SSA空间锐化模块和SE、ECA通道注意力模块相结合，并分成两种注意力模块：通道注意模块和混合注意模块；通道注意力模块嵌入到一阶段轻量级神经网络的骨架网络的所有大型残差块后和类FPN结构中；通道注意力模块串联SSA空间锐化模块并嵌入到一阶段轻量级神经网络输出部分的节点，若神经网络包括下采样结构，则嵌入到下采样节点前；
其中IC表示原C×W×H维度的特征图通过SE或ECA模块后与原特征图在通道维度上逐一相乘输出的特征图；IS表示原C×W×H维度的特征图通过SSA模块与原特征图在空间维度上逐一相乘输出的特征图；IS作用是从空间维度加强被检测物体的边缘信息；ISC是串联使用IC和IS后输出特征图；IC、IS、ISC与原特征图I的维度一致；
MSE、MECA、MSSA分别表示原特征图经过SE、ECA和SSA模块后的信息特征图，其中MSSA的计算过程具体如下：
步骤(2-1)假定卷积神经网络中某中间特征图I的维度为C×W×H，表示通道数×特征图宽度×特征图高度，以此特征图作为输入；使用最大池化和平均池化操作分别得到1×W×H维度的特征图，然后把两张特征图拼接在一起，形成2×W×H维度的空间信息特征图；
M1(I)＝[Maxpool(I)；Avgpool(I)] (2)
其中M1(I)表示经过特征提取后的空间信息特征图，Maxpool和Avgpool分别表示最大池化操作和平均池化操作，I是输入的某中间特征图；
步骤(2-2)使2×W×H维度的空间信息特征图通过一个自定义卷积核的锐化卷积层，其自定义卷积核使用一种锐化滤波模板或是边缘检测滤波模板，但边缘检测模板需将边缘检测层输出的特征图添加到原2×W×H维度的空间信息特征图上，锐化滤波模板则是直接输出锐化后的空间信息特征图；两种方式的输出维度都是2×W×H，都需选择一种边缘检测算子；
其中M2(I)表示经过锐化卷积层后的空间信息特征图，fsh和fed分别表示锐化卷积和边缘检测卷积，n表示自定义卷积核的尺寸；
步骤(2-3)使锐化处理后的2×W×H维度的空间信息特征图通过一个维度为1×2×1×1的自适应卷积层，表示通过一个通道数为2的尺寸为1×1的自适应卷积核，将维度限制到1×W×H；
其中M3(I)表示经过自适应卷积层后的空间信息特征图，W1×1表示自适应卷积层；
步骤(2-4)使维度1×W×H的空间信息特征图通过Sigmoid激活函数限制输出的界限；
其中M4(I)表示模块最终的输出特征图MSSA，σ即表示Sigmoid激活函数；
步骤(3)：在嵌入SSA空间锐化模块和SE、ECA通道注意力模块后的神经网络中进行目标的分类和回归，利用损失函数对神经网络中的参数进行更新，训练出最终的权重，在检测时调用权重，输出目标预测框，目标类别和目标置信度。
2.根据权利要求1所述的一种基于SSA锐化注意机制的目标检测方法，其特征在于：所述的一阶段轻量级神经网络为YOLOv5s或YOLOv3-tiny。
3.根据权利要求1所述的一种基于SSA锐化注意机制的目标检测方法，其特征在于：所述的图片来自目标检测领域常用的VOC2012或COCO2017数据集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110591589.7A CN113392728B (zh) | 2021-05-28 | 2021-05-28 | 一种基于ssa锐化注意机制的目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110591589.7A CN113392728B (zh) | 2021-05-28 | 2021-05-28 | 一种基于ssa锐化注意机制的目标检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113392728A CN113392728A (zh) | 2021-09-14 |
| CN113392728B true CN113392728B (zh) | 2022-06-10 |
Family
ID=77619422
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110591589.7A Active CN113392728B (zh) | 2021-05-28 | 2021-05-28 | 一种基于ssa锐化注意机制的目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113392728B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114627447A (zh) * | 2022-03-10 | 2022-06-14 | 山东大学 | 基于注意力机制和多目标跟踪的公路车辆跟踪方法及系统 |
| CN116030078B (zh) * | 2023-03-29 | 2023-06-30 | 之江实验室 | 多任务学习框架下结合注意力的肺叶分割方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019028725A1 (en) * | 2017-08-10 | 2019-02-14 | Intel Corporation | CONVOLUTIVE NEURAL NETWORK STRUCTURE USING INVERTED CONNECTIONS AND OBJECTIVITY ANTERIORITIES TO DETECT AN OBJECT |
| CN111339858A (zh) * | 2020-02-17 | 2020-06-26 | 电子科技大学 | 一种基于神经网络的油气管道标志物识别方法 |
| CN111462126A (zh) * | 2020-04-08 | 2020-07-28 | 武汉大学 | 一种基于边缘增强的语义图像分割方法及系统 |
| CN111709902A (zh) * | 2020-05-21 | 2020-09-25 | 江南大学 | 基于自注意力机制的红外和可见光图像融合方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11538143B2 (en) * | 2018-10-26 | 2022-12-27 | Nec Corporation | Fully convolutional transformer based generative adversarial networks |
| US11477060B2 (en) * | 2019-04-16 | 2022-10-18 | Motorola Solutions, Inc. | Systems and methods for modulation classification of baseband signals using attention-based learned filters |
| US11600067B2 (en) * | 2019-09-12 | 2023-03-07 | Nec Corporation | Action recognition with high-order interaction through spatial-temporal object tracking |
-
2021
- 2021-05-28 CN CN202110591589.7A patent/CN113392728B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019028725A1 (en) * | 2017-08-10 | 2019-02-14 | Intel Corporation | CONVOLUTIVE NEURAL NETWORK STRUCTURE USING INVERTED CONNECTIONS AND OBJECTIVITY ANTERIORITIES TO DETECT AN OBJECT |
| CN111339858A (zh) * | 2020-02-17 | 2020-06-26 | 电子科技大学 | 一种基于神经网络的油气管道标志物识别方法 |
| CN111462126A (zh) * | 2020-04-08 | 2020-07-28 | 武汉大学 | 一种基于边缘增强的语义图像分割方法及系统 |
| CN111709902A (zh) * | 2020-05-21 | 2020-09-25 | 江南大学 | 基于自注意力机制的红外和可见光图像融合方法 |
Non-Patent Citations (2)
| Title |
|---|
| ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks;Qilong Wang;《IEEE》;20200805;全文 * |
| 基于Mask R-CNN模型的目标检测研究;王维维;《中国优秀硕士学位论文全文数据库 (基础科学辑)》;20210228;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113392728A (zh) | 2021-09-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113065558B (zh) | 一种结合注意力机制的轻量级小目标检测方法 | |
| CN110532859B (zh) | 基于深度进化剪枝卷积网的遥感图像目标检测方法 | |
| CN110210551B (zh) | 一种基于自适应主体敏感的视觉目标跟踪方法 | |
| Duan et al. | SAR image segmentation based on convolutional-wavelet neural network and Markov random field | |
| CN108509978A (zh) | 基于cnn的多级特征融合的多类目标检测方法及模型 | |
| CN109766858A (zh) | 结合双边滤波的三维卷积神经网络高光谱影像分类方法 | |
| CN116206185A (zh) | 一种基于改进YOLOv7的轻量级小目标检测方法 | |
| CN110533683A (zh) | 一种融合传统特征与深度特征的影像组学分析方法 | |
| CN111738114B (zh) | 基于无锚点精确采样遥感图像车辆目标检测方法 | |
| CN110569851A (zh) | 门控多层融合的实时语义分割方法 | |
| CN113392728B (zh) | 一种基于ssa锐化注意机制的目标检测方法 | |
| CN114140672A (zh) | 一种应用于雨雪天气场景下多传感器数据融合的目标检测网络系统及方法 | |
| CN111476247A (zh) | 利用了1xK或Kx1卷积运算的CNN方法及装置 | |
| CN111488901A (zh) | 在cnn中从多个模块内的输入图像提取特征的方法及装置 | |
| CN113627481A (zh) | 一种面向智慧园林的多模型组合的无人机垃圾分类方法 | |
| CN109508639B (zh) | 基于多尺度带孔卷积神经网络的道路场景语义分割方法 | |
| CN116071676A (zh) | 一种基于注意力导向金字塔融合的红外小目标检测方法 | |
| CN114821580B (zh) | 一种分阶段融入去噪模块的含噪图像分割方法 | |
| CN116543433A (zh) | 一种基于改进YOLOv7模型的口罩佩戴检测方法和装置 | |
| CN116229217A (zh) | 一种应用于复杂环境下的红外目标检测方法 | |
| CN111783862A (zh) | 多注意力导向神经网络的立体显著性物体检测技术 | |
| CN115578722A (zh) | 基于车牌间协同学习机制的车牌检测方法 | |
| CN113688783B (zh) | 人脸特征提取方法、低分辨率人脸识别方法及设备 | |
| CN111461135B (zh) | 利用卷积神经网络集成的数字图像局部滤波取证方法 | |
| CN113688715A (zh) | 面部表情识别方法及系统 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221213 Address after: 230000 Anhui Hefei high tech Zone Innovation Industrial Park two phase J2 District C block 18 floor. Patentee after: HEFEI LONGTUTEM INFORMATION TECHNOLOGY Co.,Ltd. Address before: 310018 No. 2 street, Xiasha Higher Education Zone, Hangzhou, Zhejiang Patentee before: HANGZHOU DIANZI University |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230719 Address after: Room 301, Floor 3, No. 368 Changjiang Road, Nangang Concentration District, Harbin Economic Development Zone, Heilongjiang Province, 150000 Patentee after: Heilongjiang Northeast Digital Publishing and Media Co.,Ltd. Address before: 230000 Anhui Hefei high tech Zone Innovation Industrial Park two phase J2 District C block 18 floor. Patentee before: HEFEI LONGTUTEM INFORMATION TECHNOLOGY Co.,Ltd. |