CN113569878A - 一种基于分数图的目标检测模型训练方法及目标检测方法 - Google Patents

一种基于分数图的目标检测模型训练方法及目标检测方法 Download PDF

Info

Publication number
CN113569878A
CN113569878A CN202010348425.7A CN202010348425A CN113569878A CN 113569878 A CN113569878 A CN 113569878A CN 202010348425 A CN202010348425 A CN 202010348425A CN 113569878 A CN113569878 A CN 113569878A
Authority
CN
China
Prior art keywords
score
target detection
score map
target
map
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.)
Granted
Application number
CN202010348425.7A
Other languages
English (en)
Other versions
CN113569878B (zh
Inventor
吴天鹏
周金明
李军
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.)
Nanjing Xingzheyi Intelligent Transportation Technology Co ltd
Original Assignee
Nanjing Xingzheyi Intelligent Transportation 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 Nanjing Xingzheyi Intelligent Transportation Technology Co ltd filed Critical Nanjing Xingzheyi Intelligent Transportation Technology Co ltd
Priority to CN202010348425.7A priority Critical patent/CN113569878B/zh
Publication of CN113569878A publication Critical patent/CN113569878A/zh
Application granted granted Critical
Publication of CN113569878B publication Critical patent/CN113569878B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

Landscapes

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

Abstract

本发明公开了一种基于分数图的目标检测模型训练方法及目标检测方法，目标检测模型训练方法包括：获取目标检测的数据集图片，设定目标检测模型分数图的感受野尺寸，构建输入图片与分数图的映射关系，采用目标检测的数据集对目标检测模型训练，通过合理和细化的构建输入图片到分数图的映射关系，在分数图上采用邻域极大值算法得到中心点，然后根据中心点的上下左右四个方向的临近分数值换算出预测框的位置和尺寸信息，大大减少了模型结构的参数量，有利于模型的拟合，减少计算量，加快检测速度，有利于算法的落地应用。

Description

一种基于分数图的目标检测模型训练方法及目标检测方法
技术领域
本发明涉及目标检测领域和深度学习领域，具体涉及一种基于分数图的目标检测模型训练方法及目标检测方法。
背景技术
目前，基于深度学习目标检测算法是很多人工智能算法的基础部分，极大的促进了人工智能算法在生物特征识别，公共安全，交通规划，智慧城市的应用。在当前的深度学习目标检测算法中，检测算法的核心在于两个部分，第一个部分就是目标类别的划分，第二个部分是目标检测包围框的位置定位和尺寸确定。在实现本发明过程中，发明人发现现有技术中至少存在如下问题：当目标类别确定后，最重要的部分就是如何精确的确定目标的位置和尺寸，在当前的检测算法一般选取目标检测包围框这种长方形的框的形式来表达图片中目标的位置信息和尺寸信息；但是当前的用来确定目标检测包围框的办法，结构相对复杂，在网络结构中需求的参数量极大，从而影响了模型的速度，而检测速度的降低及大量的参数对算法的实际应用造成了很大的障碍。
发明内容
为了克服现有技术的不足，本公开实施例提供了一种基于分数图的目标检测模型训练方法及目标检测方法，采用新的确定目标位置和尺寸的算法，减少模型参数量，加快检测速度，能够推动目标检测算法的学术发展和进一步的落地应用。技术方案如下：
第一方面，提供了一种基于分数图的目标检测模型训练方法，所述方法包括：
获取目标检测的数据集图片，对数据集图片进行尺寸变换，使得数据集中目标尺寸的平均值可以表示为2n+1，n为整数；
设定目标检测模型分数图的感受野尺寸为2n
构建输入图片与分数图的映射关系；分数图上的分数标签值，等于目标物体在其感受野中的占比，即分数标签值的计算公式如下：Score(i，j)＝(A∩RF(i，j))/RF(i，j)，其中i，j表示分数图上某点的横坐标和纵坐标，起点的坐标为i＝1，j＝1，Score(i，j)表示该点的分数，RF(i，j)代表该点在原图上对应的感受野区域，A代表原图中的目标区域；
采用目标检测的数据集对目标检测模型训练，使得最终模型的预测结果接近或者达到上述输入图片与分数图的映射关系。
在本公开实施例中，通过合理和细化的构建输入图片到分数图的映射关系，在目标检测模型训练过程中，完全无需在模型中专门设计用于确定检测包围框的网络结构，在训练时利于检测模型的拟合；减少模型参数量，加快检测速度，能够推动目标检测算法的学术发展和进一步的落地应用，另外训练时可以根据具体情况选用合适的样本平衡策略，损失函数，优化算法和学习率，模型的泛化能力要得到保证，以适用于未知的情形。
在一个可能的实现方式中，在设定检测模型分数图的感受野尺寸之前，通过目标尺寸的极大值和极小值判断目标尺寸是否相对稳定，数据集中目标尺寸的极大值，记为a，其极小值记为b，即若a<3*2n且b>2n，则进入下一步，否则采用其他训练方法。
在本公开实施例中，可以更好的适用于数据集中目标尺寸相对稳定的情形，在这种情形下，可以得到更加准确的目标检测结果，因为目标介于一个感受野和九个感受野之间，那么在分数图上，一个目标一定可以被3×3的区域表达。
在一个可能的实现方式中，所述构建输入图片与分数图的映射关系中，若目标存在多个类别，则对多个类别的目标分别进行分数图的计算，得到多个分数图。
在本公开实施例中，完成了目标存在多个类别时，输入图片与分数图的映射的构建。
在一个可能的实现方式中，所述构建输入图片与分数图的映射关系中，若目标检测模型存在不同深度的网络层都需要做预测和输出，则对不同深度的网络层计算感受野尺寸，再分别计算该网络层上的分数图，得到多个分数图。
在本公开实施例中，完成了目标检测模型存在不同深度的网络层都需要做预测和输出时，输入图片与分数图的映射的构建。
第二方面，提供了一种基于分数图的目标检测方法，该方法包括：
将待检测图片做预处理，输入通过所有可能的实现方法中任一项所述一种基于分数图的目标检测模型训练方法训练的目标检测模型中，目标检测模型输出得到预测分数图。
在预测分数图上使用领域极大值算法，首先对预测分数图做3×3的最大值池化，得到池化后的预测分数图，然后将其与原预测分数图做比较，值相同的点保留，值不同的点置零，得到仅剩邻域极大值的预测分数图，由仅剩邻域极大值的预测分数图中，按分值从大到小得到k个极大值点及其位置信息，分别作为预测目标的中心。
获得检测包围框：选取一个极大值点，以极大值点为中心对应的感受野向前后左右扩大就可以得到具体的目标检测包围框，所述向前后左右扩大，其扩大的范围分别对应原预测分数图的分数值。
进而循环遍历预测分数图上的所有极大值点，得到每个极大值点对应的目标检测包围框。
根据目标检测包围框的位置和尺寸信息，可在原图片中可视化的展现目标检测结果。
在本公开实施例中，不同于之前的检测模型需要在后处理部分使用非极大值抑制算法去除冗余检测框，在分数图上采用邻域极大值算法得到中心点，然后根据中心点的上下左右四个方向的临近分数值换算出预测框的位置和尺寸信息，大大减少了模型结构的参数量，有利于模型的拟合，减少计算量，加快检测速度，有利于算法的落地应用；在分数图中使用领域极大值算法，基本不会出现冗余检测框，无需再使用非极大值抑制算法，大大加快了检测速度，减少了计算的空间和时间损耗。
在一个可能的实现方式中，所述待检测图片中，若目标存在多个类别，则目标检测模型输出得到多个类别预测分数图。
在本公开实施例中，可以实现目标存在多个类别时的目标检测。
在一个可能的实现方式中，所述待检测图片中，若目标检测模型存在不同深度的网络层都需要做预测和输出，则目标检测模型输出得到多个不同深度的网络层的预测分数图。
在本公开实施例中，可以实现不同深度的网络层都需要做预测和输出时的目标检测。
在一个可能的实现方式中，所述由仅剩邻域极大值的预测分数图中，按分值从大到小得到k个极大值点及其位置信息，替换为：设定分数阈值β，将分数阈值β之上的所有分数标签值作为极大值点，分别作为预测目标的中心。
在本公开实施例中，该替换方案可以在图片上得到大于或小于k个同一类别的检测目标，而之前使用分数最大的k个极值点的做法最多得到k个同一类别的检测目标。
与现有技术相比，上述技术方案中的一个技术方案具有如下有益效果：通过合理和细化的构建输入图片到分数图的映射关系，在分数图上采用邻域极大值算法得到中心点，然后根据中心点的上下左右四个方向的临近分数值换算出预测框的位置和尺寸信息，大大减少了模型结构的参数量，有利于模型的拟合，减少计算量，加快检测速度，有利于算法的落地应用；当单独聚焦尺寸相对固定的情形时，提高了目标检测精度。同时还具有如下优点：
1、考虑一些实际场景中的检测算法能力的要求，舍弃了大范围多尺度的检测能力，仅从用于区分类别的分数图就可以直接得到目标的位置和尺寸信息；
2、无需在后处理阶段使用非极大值抑制算法去除冗余框；
3、模型的通用性强，可适用于不同的网络结构；
4、模型的可解释性得到增强，映射关系更加合理。
附图说明
图1为本公开实施例提供的基于分数图的目标检测模型训练方法的流程图。
图2为本公开实施例提供的输入图片与分数图的映射关系图。
图3为本公开实施例提供的基于分数图的目标检测方法的流程图。
图4为本公开实施例提供的分数图邻域极大值算法示意图。
图5为本公开实施例提供的获得检测包围框示意图。
具体实施方式
为了阐明本发明的技术方案和工作原理，下面将结合附图对本公开实施方式做进一步的详细描述。
上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再一一赘述。
第一方面：本公开实施例提供了一种基于分数图的目标检测模型训练方法：
附图1为本公开实施例提供的基于分数图的目标检测模型训练方法的流程图，结合该图，主要包括以下步骤：
获取目标检测的数据集图片，对数据集图片进行尺寸变换，使得数据集中目标尺寸的平均值可以表示为2n+1，n为整数，数据集中目标尺寸的极大值，记为a，其极小值记为b；取目标的尺寸的近似值为2n+1的目的在于，目前检测模型感受野的尺寸一般为2的次幂，后续会根据目标和感受野的关系设计算法。
优选的，在设定检测模型分数图的感受野尺寸之前，通过目标尺寸的极大值和极小值判断目标尺寸是否相对稳定，即若a<3*2n且b>2n，则进入下一步，否则采用其他训练方法。可以更好的适用于数据集中目标尺寸相对稳定的情形，在这种情形下，可以得到更加准确的目标检测结果，因为目标介于一个感受野和九个感受野之间，那么在分数图上，一个目标一定可以被3×3的区域表达。
设定目标检测模型分数图的感受野尺寸为2n，在这样的设定下，目标介于一个感受野和九个感受野(3×3的区域)之间。
附图2为本公开实施例提供的输入图片与分数图的映射关系图，结合该图，构建输入图片与分数图的映射关系，具体如下：分数图上的分数标签值，等于目标物体在其感受野中的占比，即分数标签值的计算公式如下：Score(i，j)＝(A∩RF(i，j))/RF(i，j)，其中i，j表示分数图上某点的横坐标和纵坐标，起点的坐标为i＝1，j＝1，Score(i，j)表示该点的分数，RF(i，j)代表该点在原图上对应的感受野区域，A代表原图中的目标区域。
优选的，所述构建输入图片与分数图的映射关系中，若目标存在多个类别，则对多个类别的目标分别进行分数图的计算，得到多个分数图，完成输入图片与分数图的映射的构建。
进一步的，所述构建输入图片与分数图的映射关系中，若目标检测模型存在不同深度的网络层都需要做预测和输出，则对不同深度的网络层计算感受野尺寸，再分别计算该网络层上的分数图，得到多个分数图。
通过目标检测的数据集对目标检测模型训练，使得最终模型的预测结果符合上述输入图片与分数图的映射关系；训练部分结束，可以得到用于检测的模型，训练时可以根据具体情况选用合适的样本平衡策略，损失函数，优化算法和学习率，模型的泛化能力要得到保证，以适用于未知的情形。
第二方面，本公开实施例提供了一种基于分数图的目标检测方法，附图3为本公开实施例提供的基于分数图的目标检测方法的流程图，结合该图，目标检测方法具体如下：
将待检测图片做预处理，输入通过所述一种基于分数图的目标检测模型训练方法训练的目标检测模型中，目标检测模型输出得到预测分数图；这样就完成了检测模型两个核心步骤之一，目标类别的划分，即不同的目标类别对应不同的分数图，输入几个目标类别就得到几个分数图。
优选的，所述待检测图片中，若目标存在多个类别，则目标检测模型输出得到多个类别预测分数图。
进一步的，所述待检测图片中，若目标检测模型存在不同深度的网络层都需要做预测和输出，则目标检测模型输出得到多个不同深度的网络层的预测分数图。
获取目标具体的位置和尺寸信息：
在预测分数图上使用领域极大值算法，附图4为本公开实施例提供的分数图邻域极大值算法示意图，首先对预测分数图做3×3的最大值池化，得到池化后的预测分数图，然后将其与原预测分数图做比较，值相同的点保留，值不同的点置零，得到仅剩邻域极大值的预测分数图，由仅剩邻域极大值的预测分数图中，按分值从大到小得到k个极大值点及其位置信息，分别作为预测目标的中心；k值的设定取决于具体的任务和场景，如图4所示，有1个极大值。不同于之前的检测模型需要在后处理部分使用非极大值抑制算法去除冗余检测框，本技术方案中，在分数图中使用领域极大值算法，基本不会出现冗余检测框，无需再使用非极大值抑制算法，大大加快了检测速度，减少了计算的空间和时间损耗。
优选的，所述由仅剩邻域极大值的预测分数图中，按分值从大到小得到k个极大值点及其位置信息，替换为：设定分数阈值β，将分数阈值β之上的所有分数标签值作为极大值点，分别作为预测目标的中心；该替代方案可以在图片上得到大于或小于k个同一类别的检测目标，而之前使用分数最大的k个极值点的做法最多得到k个同一类别的检测目标。
获得检测包围框：选取一个极大值点，以极大值点为中心对应的感受野向前后左右扩大就可以得到具体的目标检测包围框，所述向前后左右扩大，其扩大的数值分别对应其预测的分数值。
进而循环遍历预测分数图上的所有极大值点，得到每个极大值点对应的目标检测包围框。
因为预测分数图上的点代表了目标在该感受野中的占比，只需知道该点上下左右四个方向上相邻点的分数预测值，就可以知道上下左右四个方向上需要扩大的比例，由上述五个点换算得目标检测包围框，从而得到了目标的具体位置信息和检测包围框框型信息，如附图5所示。
根据目标检测包围框的位置和尺寸信息，可在原图片中可视化的展现检测结果。
以上结合附图对本发明进行了示例性描述，显然，本发明具体实现并不受上述方式的限制，凡是采用了本发明的方法构思和技术方案进行的各种非实质性的改进；或者未经改进、等同替换，将本发明的上述构思和技术方案直接应用于其他场合的，均在本发明的保护范围之内。

Claims (9)

1.一种基于分数图的目标检测模型训练方法，其特征在于，所述方法包括：
获取目标检测的数据集图片，对数据集图片进行尺寸变换，使得数据集中目标尺寸的平均值可以表示为2n+1，n为整数；
设定目标检测模型分数图的感受野尺寸为2n；
构建输入图片与分数图的映射关系：分数图上的分数标签值，等于目标物体在其感受野中的占比，即分数标签值的计算公式如下：Score(i，j)＝(A∩RF(i，j))/RF(i，j)，其中i，j表示分数图上某点的横坐标和纵坐标，起点的坐标为i＝1，j＝1，Score(i，j)表示该点的分数，RF(i，j)代表该点在原图上对应的感受野区域，A代表原图中的目标区域；
采用目标检测的数据集对目标检测模型训练，使得最终模型的预测结果接近或者达到上述输入图片与分数图的映射关系。
2.根据权利要求1所述的一种基于分数图的目标检测模型训练方法，其特征在于，在设定检测模型分数图的感受野尺寸之前，通过目标尺寸的极大值和极小值判断目标尺寸是否相对稳定，数据集中目标尺寸的极大值，记为a，其极小值记为b，即若a<3*2n且b>2n，则进入下一步，否则采用其他训练方法。
3.根据权利要求2所述的一种基于分数图的目标检测模型训练方法，其特征在于，所述构建输入图片与分数图的映射关系中，若目标存在多个类别，则对多个类别的目标分别进行分数图的计算，得到多个分数图。
4.根据权利要求1-3任一项所述的一种基于分数图的目标检测模型训练方法，其特征在于，所述构建输入图片与分数图的映射关系中，若目标检测模型存在不同深度的网络层都需要做预测和输出，则对不同深度的网络层计算感受野尺寸，再分别计算该网络层上的分数图，得到多个分数图。
5.一种基于分数图的目标检测方法，其特征在于，该方法包括：
将待检测图片做预处理，输入通过权利要求1-4任一项所述一种基于分数图的目标检测模型训练方法训练的目标检测模型中，目标检测模型输出得到预测分数图；
在预测分数图上使用领域极大值算法，首先对预测分数图做3×3的最大值池化，得到池化后的预测分数图，然后将其与原预测分数图做比较，值相同的点保留，值不同的点置零，得到仅剩邻域极大值的预测分数图，由仅剩邻域极大值的预测分数图中，按分值从大到小得到k个极大值点及其位置信息，分别作为预测目标的中心；
获得检测包围框：选取一个极大值点，以极大值点为中心对应的感受野向前后左右扩大就可以得到具体的目标检测包围框，所述向前后左右扩大，其扩大的范围分别对应原预测分数图的分数值；
进而循环遍历预测分数图上的所有极大值点，得到每个极大值点对应的目标检测包围框；
根据目标检测包围框的位置和尺寸信息，可在原图片中可视化的展现目标检测结果。
6.根据权利要求5所述的一种基于分数图的目标检测方法，其特征在于，所述待检测图片中，若目标存在多个类别，则目标检测模型输出得到多个类别预测分数图。
7.根据权利要求5所述的一种基于分数图的目标检测方法，其特征在于，所述待检测图片中，若目标检测模型存在不同深度的网络层都需要做预测和输出，则目标检测模型输出得到多个不同深度的网络层的预测分数图。
8.根据权利要求6所述的一种基于分数图的目标检测方法，其特征在于，所述待检测图片中，若目标检测模型存在不同深度的网络层都需要做预测和输出，则目标检测模型输出得到多个不同深度的网络层的预测分数图。
9.根据权利要求5-8任一项所述的一种基于分数图的目标检测方法，其特征在于，所述由仅剩邻域极大值的预测分数图中，按分值从大到小得到k个极大值点及其位置信息，替换为：设定分数阈值β，将分数阈值β之上的所有分数标签值作为极大值点，分别作为预测目标的中心。
CN202010348425.7A 2020-04-28 2020-04-28 一种基于分数图的目标检测模型训练方法及目标检测方法 Active CN113569878B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010348425.7A CN113569878B (zh) 2020-04-28 2020-04-28 一种基于分数图的目标检测模型训练方法及目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010348425.7A CN113569878B (zh) 2020-04-28 2020-04-28 一种基于分数图的目标检测模型训练方法及目标检测方法

Publications (2)

Publication Number Publication Date
CN113569878A true CN113569878A (zh) 2021-10-29
CN113569878B CN113569878B (zh) 2024-03-01

Family

ID=78157912

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010348425.7A Active CN113569878B (zh) 2020-04-28 2020-04-28 一种基于分数图的目标检测模型训练方法及目标检测方法

Country Status (1)

Country Link
CN (1) CN113569878B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102346910A (zh) * 2010-07-30 2012-02-08 中国科学院空间科学与应用研究中心 一种基于单帧红外图像的点目标的实时检测方法
CN106934346A (zh) * 2017-01-24 2017-07-07 北京大学 一种目标检测性能优化的方法
US20190050681A1 (en) * 2017-08-09 2019-02-14 Canon Kabushiki Kaisha Image processing apparatus, image processing method, and non-transitory computer-readable storage medium
CN109344899A (zh) * 2018-09-30 2019-02-15 百度在线网络技术（北京）有限公司 多目标检测方法、装置和电子设备
CN109492636A (zh) * 2018-09-30 2019-03-19 浙江工业大学 基于自适应感受野深度学习的目标检测方法
CN109840905A (zh) * 2019-01-28 2019-06-04 山东鲁能软件技术有限公司 电力设备锈迹检测方法及系统
CN110020676A (zh) * 2019-03-18 2019-07-16 华南理工大学 基于多感受野深度特征的文本检测方法、系统、设备及介质
JP2019152543A (ja) * 2018-03-02 2019-09-12 株式会社東芝 目標認識装置、目標認識方法及びプログラム
WO2020024585A1 (zh) * 2018-08-03 2020-02-06 华为技术有限公司 一种训练物体检测模型的方法、装置以及设备
US20200089990A1 (en) * 2018-09-18 2020-03-19 Alibaba Group Holding Limited Method and apparatus for vehicle damage identification

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102346910A (zh) * 2010-07-30 2012-02-08 中国科学院空间科学与应用研究中心 一种基于单帧红外图像的点目标的实时检测方法
CN106934346A (zh) * 2017-01-24 2017-07-07 北京大学 一种目标检测性能优化的方法
WO2018137357A1 (zh) * 2017-01-24 2018-08-02 北京大学 一种目标检测性能优化的方法
US20190050681A1 (en) * 2017-08-09 2019-02-14 Canon Kabushiki Kaisha Image processing apparatus, image processing method, and non-transitory computer-readable storage medium
JP2019152543A (ja) * 2018-03-02 2019-09-12 株式会社東芝 目標認識装置、目標認識方法及びプログラム
WO2020024585A1 (zh) * 2018-08-03 2020-02-06 华为技术有限公司 一种训练物体检测模型的方法、装置以及设备
US20200089990A1 (en) * 2018-09-18 2020-03-19 Alibaba Group Holding Limited Method and apparatus for vehicle damage identification
CN109344899A (zh) * 2018-09-30 2019-02-15 百度在线网络技术（北京）有限公司 多目标检测方法、装置和电子设备
CN109492636A (zh) * 2018-09-30 2019-03-19 浙江工业大学 基于自适应感受野深度学习的目标检测方法
CN109840905A (zh) * 2019-01-28 2019-06-04 山东鲁能软件技术有限公司 电力设备锈迹检测方法及系统
CN110020676A (zh) * 2019-03-18 2019-07-16 华南理工大学 基于多感受野深度特征的文本检测方法、系统、设备及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
段志伟;: "基于特征融合和中心预测的目标检测算法", 现代计算机, no. 09, pages 61 - 64 *
邓志鹏;孙浩;雷琳;周石琳;邹焕新;: "基于多尺度形变特征卷积网络的高分辨率遥感影像目标检测", 测绘学报, no. 09, pages 60 - 71 *

Also Published As

Publication number Publication date
CN113569878B (zh) 2024-03-01

Similar Documents

Publication Publication Date Title
CN108550259B (zh) 道路拥堵判断方法、终端设备及计算机可读存储介质
CN111738110A (zh) 基于多尺度注意力机制的遥感图像车辆目标检测方法
CN108710913A (zh) 一种基于深度学习的开关柜图像开关状态自动识别方法
CN111626128A (zh) 一种基于改进YOLOv3的果园环境下行人检测方法
CN107247938A (zh) 一种高分辨率遥感影像城市建筑物功能分类的方法
CN110163213B (zh) 基于视差图和多尺度深度网络模型的遥感图像分割方法
CN111461106A (zh) 基于可重配置网络的对象检测方法及装置
KR20200091331A (ko) 다중 카메라 혹은 서라운드 뷰 모니터링에 이용되기 위해, 타겟 객체 통합 네트워크 및 타겟 영역 예측 네트워크를 이용하여 핵심성과지표와 같은 사용자 요구 사항에 적응 가능한 cnn 기반 객체 검출기를 학습하는 방법 및 학습 장치, 그리고 이를 이용한 테스팅 방법 및 테스팅 장치
CN110334719B (zh) 一种提取遥感影像中建筑物图像的方法及系统
CN112949519B (zh) 目标检测方法、装置、设备及存储介质
CN113970734B (zh) 路侧多线激光雷达降雪噪点去除方法、装置及设备
CN113344852A (zh) 一种电力场景通用物品的目标检测方法、装置及存储介质
CN116245949A (zh) 一种基于改进四叉树特征点提取的高精度视觉slam方法
CN111881915A (zh) 一种基于多种先验信息约束的卫星视频目标智能检测方法
CN105913451B (zh) 一种基于图模型的自然图像超像素分割方法
CN111222534A (zh) 一种基于双向特征融合和更平衡l1损失的单发多框检测器优化方法
CN113034511A (zh) 基于高分辨率遥感影像与深度学习的乡村建筑识别算法
CN111369688B (zh) 一种结构化场景表达的认知导航方法及系统
DE112020007423T5 (de) Zentralvorrichtung, karten-erzeugungssystem und karten-erzeugungsverfahren
CN113569878A (zh) 一种基于分数图的目标检测模型训练方法及目标检测方法
CN116935226A (zh) 一种基于HRNet的改进型遥感图像道路提取方法、系统、设备及介质
CN113538351B (zh) 一种融合多参数电信号的外绝缘设备缺陷程度评估方法
CN117056722A (zh) 一种规划地块人口数量预测方法及系统
CN115937492A (zh) 一种基于特征识别的变电设备红外图像识别方法
CN116166642A (zh) 基于引导信息的时空数据填补方法、系统、设备及介质

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