CN113486711A - 交通标志识别模型训练方法及系统 - Google Patents
交通标志识别模型训练方法及系统 Download PDFInfo
- Publication number
- CN113486711A CN113486711A CN202110581522.5A CN202110581522A CN113486711A CN 113486711 A CN113486711 A CN 113486711A CN 202110581522 A CN202110581522 A CN 202110581522A CN 113486711 A CN113486711 A CN 113486711A
- Authority
- CN
- China
- Prior art keywords
- training
- network model
- traffic sign
- model
- learning rate
- 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
- 238000012549 training Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 34
- 230000003321 amplification Effects 0.000 claims abstract description 7
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 7
- 238000000137 annealing Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- HTIQEAQVCYTUBX-UHFFFAOYSA-N amlodipine Chemical compound CCOC(=O)C1=C(COCCN)NC(C)=C(C(=O)OC)C1C1=CC=CC=C1Cl HTIQEAQVCYTUBX-UHFFFAOYSA-N 0.000 claims description 3
- 230000002238 attenuated effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000008014 freezing Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
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
本发明提供了一种交通标志识别模型训练方法及系统，包括如下步骤：获取交通标志图像以及每一交通标志图像对应的标签，将所述交通标志图像分为训练集和测试集；获取基于YOLOV5的网络模型，对所述网络模型进行加载和设置；根据所述训练集和测试集的类别设置所述网络模型的分类损失的系数和超参数；采用混合精度训练对所述网络模型先进行热身训练，计算三种损失之和并反向传播进行梯度放大；对热身训练后的网络模型进行学习率衰减，然后通过对测试集网络模型进行测试后保存所述网络模型及权重生成交通标志图像模型。本发明能够有效的对交通标志进行实时检测及分类。
Description
技术领域
本发明涉及交通标志识别，具体地，涉及一种交通标志识别模型训练方法及系统。
背景技术
据统计，在我国机动车驾驶人违法驾驶导致交通事故的比例达到90％以上，部分原因是由于驾驶人无法及时处理视觉信息中道路交通标志牌的指示，由此可以看出交通标志识别的实时性对于改善辅助驾驶系统非常重要，然而传统的交通标志识别速度慢，检测效果不理想，很难用于实际场景。
随着卷积神经网络、目标检测算法被广泛用于处理图像识别和分类问题以及汽车产业对于安全性能的愈发重视，深度学习被广泛应用于该方面的研究。陈名松等人采用基于改进CapsNet的交通标志分类模型，充分保留了图像的空间特征；龙曼仪等人提出了基于轻量型卷积神经网络来加快网络速度和降低对硬件的需求；总体来说，主流的交通标志识别方法分为单阶段和两阶段两种。
道路交通安全是指在交通活动过程中，能将人身伤亡或财产损失控制在可接受水平的状态。传统的交通标志识别方法易受光线、遮挡、以及目标过小等影响，难以快速且精确的检测交通标志，存在安全隐患，需要一种有效的方法来进行实时检测及分类。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种交通标志识别模型训练方法及系统。
根据本发明提供的交通标志识别模型训练方法，包括如下步骤：
步骤S1：获取交通标志图像以及每一交通标志图像对应的标签，将所述交通标志图像分为训练集和测试集；
步骤S2：获取基于YOLOV5的网络模型，对所述网络模型的参数进行加载和设置；所述网络模型的主干网络采用CSPDarkNet53模块，设置空间金字塔池化模块，将PANet网络作为路径聚合网络；
步骤S3：根据所述训练集和测试集的类别设置所述网络模型的分类损失的系数和超参数；
步骤S4：采用混合精度训练对所述网络模型先进行热身训练，计算分类损失、回归损失以及置信度损失之和并反向传播进行梯度放大；
步骤S5：对热身训练后的网络模型进行学习率衰减，然后通过测试集对网络模型进行测试后保存所述网络模型及训练产生的权重生成交通标志图像模型。
优选地，步骤S1中先将获取的TT100K数据集的格式转化为VOC数据集格式，再将VOC数据集格式的标签转化为YOLO格式的标签集，以获取所述交通标志图像以及每一交通标志图像对应的标签划。
优选地，初次训练时，在步骤S2中检查所述网络模型的配置信息，获取所述网络模型的参数，确定所述训练集和测试集的图片路径，对所述网络模型设置冻结模型层、SGD优化器和学习率衰减方式。
优选地，所述网络模型的参数包括保存权重的路径，轮次，批次，总批次，权重和结果的保存权重。
优选地，在步骤S3包括如下步骤：
步骤S301：获取网络模型的总步长和交通标志图像的分辨率，判断所述总步长和分辨率之间能否整除，当不能整除时调整所述总步长，能够整除时触发步骤S302；
步骤S302：根据所述训练集和测试集的类别设置所述网络模型的分类损失的系数和超参数；
步骤S303：根据所述交通标志图像对应的标签确定对应的权重，其中，该标签下的交通标志图像数越多，则该标签对应的权重越低；
步骤S304：初始化所述网络模型的mAP和result，并设置学习率衰减的轮次和混合精度训练。mAP为每个类别的平均精度，result包括精度，召回率，平均精度。
优选地，在步骤S4中，通过设置Lciou增加检测框的尺度以及长和宽的损失，以使预测框更符合真实框，Lciou的计算公式如下所示：
其中，IoU为交并比，b、bgt分别代表了预测框和真实框的中心点，ρ为预测框和真实框的中心点的欧式距离，c为能够同时包含预测框和真实框的最小闭包区域的对角线距离；在惩罚项中加入了αv，其中α为权重函数，表达式为：
而v用来比较两个框宽高比的吻合度，定义为
优选地，在步骤S5中，采用余弦退火的策略进行学习率的衰减，表达式为：
其中，ηt为学习率，
为最大学习率，
为最小学习率，Tcur为重启后的迭代次数，Ti代表的是第i轮的迭代次数。
优选地，在步骤S4中在热身训练时，将bias的学习率从0.1下降到基准学习率lr×lf，网络模型的参数学习率从0增加到lr×lf，其中，lr为学习率，lf为余弦退火的衰减函数。
优选地，在步骤S5中进行学习率衰减时，通过更新EMA(指数平均移动)给予时间序列靠后的训练图像更高的权重，以增加模型鲁棒性。
根据本发明提供的交通标志识别模型训练系统，包括如下模块：
图像获取模块，用于获取交通标志图像以及每一交通标志图像对应的标签，将所述交通标志图像分为训练集和测试集；
模型加载模块，用于获取基于YOLOV5的网络模型，对所述网络模型进行加载和设置；
模型设置模块，用于根据所述训练集和测试集的类别设置所述网络模型的分类损失的系数和超参数；
模型热身模块，用于采用混合精度训练对所述网络模型先进行热身训练，计算三种损失之和并反向传播进行梯度放大；
模型生成模块，用于对热身训练后的网络模型进行学习率衰减，然后通过测试集对网络模型进行测试后保存所述网络模型及训练产生的权重生成交通标志图像模型。
与现有技术相比，本发明具有如下的有益效果：
1、本发明使用CSPResNeXt50作为主干网络在回归方面略差，而本发明使用的CSPDarkNet53包含更大的感受野和参数量，更适合作为检测模型的主干网络。
2、本发明引入空间金字塔池化模块，能够显著的增加感受野，提取出最重要上下文特征，几乎不会损失速度。
3、本发明使用路径聚合网络，缩短了信息路径，从而丢失较少的底层信息。
4、本发明将CIoU作为损失函数，增加了检测框尺度以及长和宽的损失，使得预测框更加符合真实框。
5、本发明采用余弦退火的策略与学习率进行配合，来产生很好的衰减效果。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明实施例中交通标志识别模型训练方法的步骤流程图；
图2为本发明实施例中空间金字塔池化的示意图；
图3为本发明实施例中路径聚合网络的示意图；
图4为本发明实施例中的余弦退火的示意图；
图5为本发明实施例中交通标志识别模型训练系统的模块图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
图1为本发明实施例中交通标志识别模型训练方法的步骤流程图，如图1所示，本发明提供的交通标志识别模型训练方法，包括如下步骤：
步骤S1：获取交通标志图像以及每一交通标志图像对应的标签，将所述交通标志图像分为训练集和测试集；
在本发明实施例中，步骤S1中先将获取的TT100K数据集的格式转化为VOC数据集格式，再将VOC数据集格式的标签转化为YOLO格式的标签集，以获取所述交通标志图像以及每一交通标志图像对应的标签划。
步骤S2：获取基于YOLOV5的网络模型，将CSPDarkNet53作为主干网络，其感受野为725×725，包含27.6M参数，大量研究表明，在回归方面CSPDarkNet53的表现非常突出，所以其更适合作为检测模型的主干网络。引入空间金字塔池化模块，使得网络不需要将输入图片限制为固定的大小，在增强鲁棒性的同时精度也会有所提高，增加感受野的同时不会对网络的速度造成损失。将PANet作为路径聚合网络，在FPN的基础上增加了一条自上而下的路径，通过缩短信息路径加快了网络的速度，最后对所述网络模型的参数进行加载和设置；
在本发明实施例中，初次训练时，在步骤S2中检查所述网络模型的配置信息，获取所述网络模型的参数，确定所述训练集和测试集的图片路径，对所述网络模型设置冻结模型层、SGD优化器和学习率衰减方式。
在本发明实施例中，所述网络模型的参数包括保存权重的路径，轮次，批次，总批次，权重和结果的保存权重。
步骤S3：根据所述训练集和测试集的类别设置所述网络模型的分类损失的系数和超参数；
在本发明实施例中，在步骤S3包括如下步骤：
步骤S301：获取网络模型的总步长和交通标志图像的分辨率，判断所述总步长和分辨率之间能否整除，当不能整除时调整所述总步长，能够整除时触发步骤S302；
步骤S302：根据所述训练集和测试集的类别设置所述网络模型的分类损失的系数和超参数；
步骤S303：根据所述交通标志图像对应的标签确定对应的权重，其中，该标签下的交通标志图像数越多，则该标签对应的权重越低；
步骤S304：初始化所述网络模型的mAP和result，并设置学习率衰减的轮次和混合精度训练。mAP为每个类别的平均精度，result包括精度、召回率以及平均精度。
步骤S4：采用混合精度训练对所述网络模型先进行热身训练，计算分类损失、回归损失以及置信度损失之和并反向传播进行梯度放大；
在本发明实施例中，在步骤S4中，通过设置Lciou增加检测框的尺度以及长和宽的损失，以使预测框更符合真实框，Lciou的计算公式如下所示：
其中，IoU为交并比，b、bgt分别代表了预测框和真实框的中心点，ρ为预测框和真实框的中心点的欧式距离，c为能够同时包含预测框和真实框的最小闭包区域的对角线距离；在惩罚项中加入了αv，其中α为权重函数，表达式为：
而v用来比较两个框宽高比的吻合度，定义为
在步骤S4中在热身训练时，将bias的学习率从0.1下降到基准学习率lr×lf，网络模型的参数学习率从0增加到lr×lf，其中，lr为学习率，lf为余弦退火的衰减函数。
步骤S5：对热身训练后的网络模型进行学习率衰减，然后通过测试集对网络模型进行测试后保存所述网络模型及训练产生的权重生成交通标志图像模型。
在本发明实施例中，在步骤S5中，采用余弦退火的策略进行学习率的衰减，表达式为：
其中，ηt为学习率，
为最大学习率，
为最小学习率，Tcur为重启后的迭代次数，Ti代表的是第i轮的迭代次数。
在步骤S5中进行学习率衰减时，通过更新EMA给予时间序列靠后的训练图像更高的权重，以增加模型鲁棒性。EMA为指数平均移动。
图5为本发明实施例中交通标志识别模型训练系统的模块图，如图5所示，本发明提供的交通标志识别模型训练系统，包括如下模块：
图像获取模块，用于获取交通标志图像以及每一交通标志图像对应的标签，将所述交通标志图像分为训练集和测试集；
模型加载模块，用于获取基于YOLOV5的网络模型，对所述网络模型进行加载和设置；
模型设置模块，用于根据所述训练集和测试集的类别设置所述网络模型的分类损失的系数和超参数；
模型热身模块，用于采用混合精度训练对所述网络模型先进行热身训练，计算三种损失之和并反向传播进行梯度放大；
模型生成模块，用于对热身训练后的网络模型进行学习率衰减，然后通过测试集对网络模型进行测试后保存所述网络模型及训练产生的权重生成交通标志图像模型。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。
Claims (10)
1.一种交通标志识别模型训练方法，其特征在于，包括如下步骤：
步骤S1：获取交通标志图像以及每一交通标志图像对应的标签，将所述交通标志图像分为训练集和测试集；
步骤S2：获取基于YOLOV5的网络模型，对所述网络模型的参数进行加载和设置；所述网络模型的主干网络采用CSPDarkNet53模块，设置空间金字塔池化模块，将PANet网络作为路径聚合网络；
步骤S3：根据所述训练集和测试集的类别设置所述网络模型的分类损失的系数和超参数；
步骤S4：采用混合精度训练对所述网络模型先进行热身训练，计算分类损失、回归损失以及置信度损失之和并反向传播进行梯度放大；
步骤S5：对热身训练后的网络模型进行学习率衰减，然后通过测试集对网络模型进行测试后保存所述网络模型及训练产生的权重生成交通标志图像模型。
2.根据权利要求1所述的交通标志识别模型训练方法，其特征在于，步骤S1中先将获取的TT100K数据集的格式转化为VOC数据集格式，再将VOC数据集格式的标签转化为YOLO格式的标签集，以获取所述交通标志图像以及每一交通标志图像对应的标签划。
3.根据权利要求1所述的交通标志识别模型训练方法，其特征在于，初次训练时，在步骤S2中检查所述网络模型的配置信息，获取所述网络模型的参数，确定所述训练集和测试集的图片路径，对所述网络模型设置冻结模型层、SGD优化器和学习率衰减方式。
4.根据权利要求2所述的交通标志识别模型训练方法，其特征在于，所述网络模型的参数包括保存权重的路径，轮次，批次，总批次，权重和结果的保存权重。
5.根据权利要求1所述的交通标志识别模型训练方法，其特征在于，在步骤S3包括如下步骤：
步骤S301：获取网络模型的总步长和交通标志图像的分辨率，判断所述总步长和分辨率之间能否整除，当不能整除时调整所述总步长，能够整除时触发步骤S302；
步骤S302：根据所述训练集和测试集的类别设置所述网络模型的分类损失的系数和超参数；
步骤S303：根据所述交通标志图像对应的标签确定对应的权重，其中，该标签下的交通标志图像数越多，则该标签对应的权重越低；
步骤S304：初始化所述网络模型的mAP和result，并设置学习率衰减的轮次和混合精度训练。mAP为每个类别的平均精度，resUlt包括精度、召回率以及平均精度。
6.根据权利要求1所述的交通标志识别模型训练方法，其特征在于，在步骤S4中，通过设置Lciou增加检测框的尺度以及长和宽的损失，以使预测框更符合真实框，Lciou的计算公式如下所示：
其中，IoU为交并比，b、bgt分别代表了预测框和真实框的中心点，ρ为预测框和真实框的中心点的欧式距离，c为能够同时包含预测框和真实框的最小闭包区域的对角线距离；在惩罚项中加入了αv，其中α为权重函数，表达式为：
而v用来比较两个框宽高比的吻合度，定义为
7.根据权利要求1所述的交通标志识别模型训练方法，其特征在于，在步骤S5中，采用余弦退火的策略进行学习率的衰减，表达式为：
其中，ηt为学习率，
为最大学习率，
为最小学习率，Tcur为重启后的迭代次数，Ti代表的是第i轮的迭代次数。
8.根据权利要求1所述的交通标志识别模型训练方法，其特征在于，在步骤S4中在热身训练时，将bias的学习率从0.1下降到基准学习率lr×lf，网络模型的参数学习率从0增加到lr×lf，其中，lr为学习率，lf为余弦退火的衰减函数。
9.根据权利要求1所述的交通标志识别模型训练方法，其特征在于，在步骤S5中进行学习率衰减时，通过更新EMA(指数平均移动)给予时间序列靠后的训练图像更高的权重，以增加模型鲁棒性。
10.一种交通标志识别模型训练系统，其特征在于，包括如下模块：
图像获取模块，用于获取交通标志图像以及每一交通标志图像对应的标签，将所述交通标志图像分为训练集和测试集；
模型加载模块，用于获取基于YOLOV5的网络模型，对所述网络模型进行加载和设置；
模型设置模块，用于根据所述训练集和测试集的类别设置所述网络模型的分类损失的系数和超参数；
模型热身模块，用于采用混合精度训练对所述网络模型先进行热身训练，计算三种损失之和并反向传播进行梯度放大；
模型生成模块，用于对热身训练后的网络模型进行学习率衰减，然后通过测试集对网络模型进行测试后保存所述网络模型及训练产生的权重生成交通标志图像模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110581522.5A CN113486711A (zh) | 2021-05-26 | 2021-05-26 | 交通标志识别模型训练方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110581522.5A CN113486711A (zh) | 2021-05-26 | 2021-05-26 | 交通标志识别模型训练方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113486711A true CN113486711A (zh) | 2021-10-08 |
Family
ID=77933552
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110581522.5A Pending CN113486711A (zh) | 2021-05-26 | 2021-05-26 | 交通标志识别模型训练方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113486711A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113947027A (zh) * | 2021-10-26 | 2022-01-18 | 中科海拓(无锡)科技有限公司 | 一种基于深度学习的高铁受电弓运行监测方法 |
| CN114821519A (zh) * | 2022-03-21 | 2022-07-29 | 上海应用技术大学 | 一种基于坐标注意力的交通标志识别方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200285896A1 (en) * | 2019-03-09 | 2020-09-10 | Tongji University | Method for person re-identification based on deep model with multi-loss fusion training strategy |
| CN112257793A (zh) * | 2020-10-26 | 2021-01-22 | 大连理工大学 | 一种基于改进YOLO v3算法的远距离交通标志检测方法 |
| CN112489047A (zh) * | 2021-02-05 | 2021-03-12 | 四川大学 | 一种基于深度学习的盆骨及其动脉血管的多层级分割方法 |
| CN112835037A (zh) * | 2020-12-29 | 2021-05-25 | 清华大学 | 一种基于视觉和毫米波融合的全天候目标检测方法 |
-
2021
- 2021-05-26 CN CN202110581522.5A patent/CN113486711A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200285896A1 (en) * | 2019-03-09 | 2020-09-10 | Tongji University | Method for person re-identification based on deep model with multi-loss fusion training strategy |
| CN112257793A (zh) * | 2020-10-26 | 2021-01-22 | 大连理工大学 | 一种基于改进YOLO v3算法的远距离交通标志检测方法 |
| CN112835037A (zh) * | 2020-12-29 | 2021-05-25 | 清华大学 | 一种基于视觉和毫米波融合的全天候目标检测方法 |
| CN112489047A (zh) * | 2021-02-05 | 2021-03-12 | 四川大学 | 一种基于深度学习的盆骨及其动脉血管的多层级分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈志军: "《智能网联网环境下车辆运动行为理解方法》", 31 December 2020, 成都：西南交通大学出版社, pages: 55 - 57 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113947027A (zh) * | 2021-10-26 | 2022-01-18 | 中科海拓(无锡)科技有限公司 | 一种基于深度学习的高铁受电弓运行监测方法 |
| CN114821519A (zh) * | 2022-03-21 | 2022-07-29 | 上海应用技术大学 | 一种基于坐标注意力的交通标志识别方法及系统 |
| CN114821519B (zh) * | 2022-03-21 | 2024-05-21 | 上海应用技术大学 | 一种基于坐标注意力的交通标志识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111444821B (zh) | 一种城市道路标志自动识别方法 | |
| CN107886073B (zh) | 一种基于卷积神经网络的细粒度车辆多属性识别方法 | |
| CN111898523A (zh) | 一种基于迁移学习的遥感图像特种车辆目标检测方法 | |
| CN111079640B (zh) | 一种基于自动扩增样本的车型识别方法及系统 | |
| CN113486711A (zh) | 交通标志识别模型训练方法及系统 | |
| CN111222396A (zh) | 一种全天候多光谱行人检测方法 | |
| CN111582339B (zh) | 一种基于深度学习的车辆检测与识别的方法 | |
| CN111274942A (zh) | 一种基于级联网络的交通锥识别方法及装置 | |
| CN112215119B (zh) | 一种基于超分辨率重建的小目标识别方法、装置及介质 | |
| CN109376580B (zh) | 一种基于深度学习的电力塔架部件识别方法 | |
| CN114841244B (zh) | 一种基于鲁棒采样和混合注意力金字塔的目标检测方法 | |
| CN113762209A (zh) | 一种基于yolo的多尺度并行特征融合路标检测方法 | |
| CN112633149A (zh) | 一种域自适应雾天图像目标检测方法和装置 | |
| WO2024051296A1 (zh) | 一种复杂天气下障碍物检测方法及装置 | |
| CN114267025A (zh) | 基于高分辨率网络与轻量注意力机制的交通标志检测方法 | |
| CN112990065A (zh) | 一种基于优化的YOLOv5模型的车辆分类检测方法 | |
| CN112949510A (zh) | 基于Faster R-CNN热红外影像人物探测方法 | |
| CN116630932A (zh) | 一种基于改进yolov5的道路遮挡目标检测方法 | |
| CN116935361A (zh) | 一种基于深度学习的驾驶员分心行为检测方法 | |
| CN116824335A (zh) | 一种基于YOLOv5改进算法的火灾预警方法及系统 | |
| CN113177528B (zh) | 基于多任务学习策略训练网络模型的车牌识别方法及系统 | |
| CN112329886A (zh) | 双车牌识别方法、模型训练方法、装置、设备及存储介质 | |
| CN111899283A (zh) | 一种视频目标跟踪方法 | |
| CN116977710A (zh) | 一种遥感图像长尾分布目标半监督检测方法 | |
| CN116363532A (zh) | 基于注意力机制和重参数化的无人机图像交通目标检测方法 |
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 |