CN113592915A - 端到端旋转框目标搜索方法、系统及计算机可读存储介质 - Google Patents

端到端旋转框目标搜索方法、系统及计算机可读存储介质 Download PDF

Info

Publication number
CN113592915A
CN113592915A CN202111169171.3A CN202111169171A CN113592915A CN 113592915 A CN113592915 A CN 113592915A CN 202111169171 A CN202111169171 A CN 202111169171A CN 113592915 A CN113592915 A CN 113592915A
Authority
CN
China
Prior art keywords
target
loss
rotating frame
searching method
module
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
CN202111169171.3A
Other languages
English (en)
Other versions
CN113592915B (zh
Inventor
李庆鹏
康予涵
方乐缘
李智勇
付浩龙
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.)
Hunan University
Original Assignee
Hunan 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 Hunan University filed Critical Hunan University
Priority to CN202111169171.3A priority Critical patent/CN113592915B/zh
Publication of CN113592915A publication Critical patent/CN113592915A/zh
Application granted granted Critical
Publication of CN113592915B publication Critical patent/CN113592915B/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
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/292—Multi-camera tracking

Abstract

本发明提供一种端到端旋转框目标搜索方法、系统及计算机可读存储介质，通过RPN区域生成网络模块实现特征的高效的提取，通过ROI‑Align候选区域对齐模块获得正矩形车辆边界特征，并设计任意四边形紧约束模块实现车辆边界特征的精准提取，以克服正矩形回归框特征带来的背景杂波干扰问题，此外还利用深度关系网络优化了车辆匹配的Re‑id过程，对涉事车辆与待检车辆进行对比检索，实现涉事车辆的高效搜索与实时跟踪。

Description

端到端旋转框目标搜索方法、系统及计算机可读存储介质
技术领域
本发明涉及数据识别技术领域，具体涉及一种端到端旋转框目标搜索方法及系统。
背景技术
在刑事侦查、社会治安与交通安全的现代警务领域中，在目标搜查技术应用中，仍然是以车辆重识别为主要的车辆识别方法，但这往往无法应对基数大、跨视角、跨监控的实际应用场景，且需要耗费大量人工进一步筛查匹配。因此，需要准确、高效的目标识别方法成为很好的解决方案，然而当前识别方法大多采用了图像分类网络进行目标检测，这种方法在实际应用中存在如下局限：（1）车辆类别无法灵活更改；（2）车辆类别数量受限；（3）缺乏类别泛化能力。因此，实有必要提供一种端到端旋转框目标搜索方法以解决上述问题。
发明内容
本发明提供了一种端到端旋转框目标搜索方法，采用端到端旋转目标搜索模型，在保证精度的前提下，大幅提升模型搜索的速度，并且有效降低了工作成本；仅需增添涉事目标样本即可提升模型泛化性，避免了目标检测方法改变能力差、新增目标更新困难的缺陷，并且极大减轻了前期标注人工成本，可实现跨监控摄像机的车辆搜索识别过程。
为了解决上述技术问题，本发明采用的技术方案为：
一种端到端旋转框目标搜索方法，包括以下步骤：
S1：获取城市道路不同监控视角的多段监控视频的图像，进行人工标注后做成数据集，将所述数据集分为两类，其中一类为包含涉事目标的涉事目标图库，另一类为含有任意数量目标且包含所述涉事目标的待搜索监控图库；
S2：将所述数据集中的图像及其标签送入端到端旋转框目标搜索框架进行特征提取，并使用损失函数监督训练过；
S3：在步骤S2进行的同时，将涉事目标图像送入孪生的ResNet50基础网络进行特征提取，并结合搜索目标框的标签信息送入ROI-Align模块与任意四边形紧约束模块提取涉事目标的特征信息；
S4：对步骤S2中特征提取后的图像特征张量进行Re-id，将涉事目标与潜在目标进行匹配；使用深度关系网络模块连接二者特征信息，经过ResNet50基础网络的卷积层与全连接层后进行相似度匹配；
S5：依据任意四边形紧约束模块后得到的检测结果及深度关系网络得到的Re-id结果，将任意四边形边界框及搜索目标标注于待搜索监控图像中，完成涉事目标的搜索过程。
优选的，所述步骤S1中“人工标注”具体为：采用图片标注工具对获取的图像进行标注以获得图像标签，其中图像标签为车辆坐标位置以及车辆编号。
优选的，所述步骤S2具体为：
S21：通过孪生的ResNet50基础网络对所述数据集中的图像进行多层次的特征提取，生成特征图；
S22：经过RPN模块进行特征聚合得到特征图中的潜在目标候选框和目标类别信息；经过ROI-Align模块得到潜在目标正矩形目标框和目标类别信息；利用任意四边形紧约束模块获取潜在目标的紧约束区域、类别信息与潜在目标特征信息，得到包含任意四边形目标边界的精细化特征图；
优选的，所述ResNet_50基础网络包括最初的卷积层、最后的全连接层及四组block，四组block分别包含3、4、6、3个模块，每个模块包含三个卷积层；
优选的，在步骤S4中，在Re-id训练过程中，通过损失函数监督训练过程，全局损失函数表示为：
Figure DEST_PATH_IMAGE001
式中，
Figure DEST_PATH_IMAGE002
表示候选框损失，
Figure DEST_PATH_IMAGE003
表示正矩形回归框损失，
Figure DEST_PATH_IMAGE004
表示四边形框损失；
Figure DEST_PATH_IMAGE005
，
Figure DEST_PATH_IMAGE006
代表候选框回归损失，
Figure DEST_PATH_IMAGE007
代表候选框目标分类损失；
Figure DEST_PATH_IMAGE008
，
Figure DEST_PATH_IMAGE009
代表正矩形框回归损失，
Figure DEST_PATH_IMAGE010
代表正矩形框目标分类损失；
Figure DEST_PATH_IMAGE011
，
Figure DEST_PATH_IMAGE012
代表四边形框回归损失，
Figure DEST_PATH_IMAGE013
代表四边形框目标分类损失
Figure DEST_PATH_IMAGE014
代表深度关系网络重识别损失。
本发明还提供一种基于深度学习的端到端旋转框目标搜索系统，包括计算机设备，该计算机设备至少包括相互连接的微处理器和存储器，该微处理器被编程或配置以执行上述的端到端旋转框目标搜索方法的步骤，或者该存储器中存储有被编程或配置以执行上述的端到端旋转框目标搜索方法的计算机程序。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质中存储有被编程或配置以执行上述的端到端旋转框目标搜索方法的计算机程序。
与相关技术相比，本发明具有以下有益技术效果：
1）本发明采用端到端旋转目标搜索模型，在保证精度的前提下，大幅提升模型搜索的速度，并且有效降低了工作成本；
2）本发明相较于目标检测方法而言，仅需增添涉事目标样本即可提升模型泛化性，避免了目标检测方法改变能力差、新增目标更新困难的缺陷，延展性更好，应用场景更广泛；
3）本发明相较于车辆识别的方法而言，极大减轻了前期标注人工成本，可实现跨监控摄像机的车辆搜索识别过程，且可靠性更强，安装流程更简单。
附图说明
图1为本发明提供的一种端到端旋转框目标搜索方法的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明实施例中的技术方案，并使本发明的上述目的、特征和优点能够更加明显易懂，下面对本发明的具体实施方式作进一步的说明。
参照图1，本发明提供一种端到端旋转框目标搜索方法，包括以下步骤：
S1：获取城市道路不同监控视角的多段监控视频的图像，进行人工标注后做成数据集，将所述数据集分为两类，其中一类为包含涉事目标的涉事目标图库，另一类为含有任意数量目标且包含所述涉事目标的待搜索监控图库。
采用图片标注工具对获取的图像进行标注，并做成COCO数据集格式，标注是为了得到图像标签，其中图像标签为车辆坐标位置以及车辆编号。利用XML文件记录已标注图像的文件名、尺寸、坐标和类别等信息；然后创建annotations、frames、query三个文件目录，其中目录annotations用于存放每张图像对应的XML描述文件，目录frames用于存放图像，目录query用于存放涉事目标图像，标注结束后将数据集转换为COCO数据集格式的json文件，包含以下内容：
Figure DEST_PATH_IMAGE015
其中，info包含数据集描述，licenses包含类别信息，images包含图像信息，annotations包含标注信息，id包含训练集、验证集划分信息。
S2：将所述数据集中的图像及其标签送入端到端旋转框目标搜索框架进行特征提取，并使用损失函数监督训练过程。
训练的过程为：
S21：通过孪生的ResNet50基础网络对所述数据集中的图像进行多层次的特征提取，生成特征图。
ResNet50基础网络除最初的卷积层、最后的全连接层外还包括分别包含3、4、6、3个模块的四组block，每个模块又包含了三个卷积层。在本实施方式中，选取ResNet50基础网络中的C3、C4、C5作为ResNet50基础网络特征提取的输出。
S22：经过RPN（区域生成网络）模块进行特征聚合得到特征图中的潜在目标候选框和目标类别信息；经过ROI-Align（候选区域对齐）模块得到潜在目标正矩形目标框和目标类别信息；利用任意四边形紧约束模块获取潜在目标的紧约束区域、类别信息与潜在目标特征信息，得到包含任意四边形目标边界的精细化特征图。
RPN模块为所述ROI-Align模块提供高质量的候选框。首先， RPN模块预先生成多种锚框，然后在特征图中的每个坐标点处，计算锚框中心与该坐标点的偏移，以该锚框为相对点，计算得到所述特征图中所有锚框的坐标；然后对所有的锚框进行区分，通过分类任务确定哪些为正样本（包含真实目标），哪些为负样本（只包含背景）；对于正样本，通过边框回归任务获得真正的目标。在分类任务中，通过Focal Loss进行监督，在边框回归任务中，通过Focal Loss进行监督。最后对分类任务和边框回归任务的结果进行汇总得到特征图中的潜在目标候选框和目标类别信息。
S3：在步骤S2进行的同时，将涉事目标图像送入孪生的ResNet50基础网络进行特征提取，并结合搜索目标框的标签信息送入ROI-Align模块与任意四边形紧约束模块提取涉事目标的特征信息。
S4：对步骤S2中特征提取后的图像特征张量进行Re-id（重识别），将涉事目标与潜在目标进行匹配；使用深度关系网络模块连接二者特征信息，经过ResNet50基础网络的卷积层与全连接层后进行相似度匹配。
在Re-id训练过程中，通过损失函数监督训练过程，全局损失函数表示为：
Figure 647671DEST_PATH_IMAGE001
式中，
Figure 95970DEST_PATH_IMAGE002
表示候选框损失，
Figure 610128DEST_PATH_IMAGE003
表示正矩形回归框损失，
Figure 536495DEST_PATH_IMAGE004
表示四边形框损失；
Figure 649070DEST_PATH_IMAGE005
，
Figure 2691DEST_PATH_IMAGE006
代表候选框回归损失，
Figure 4145DEST_PATH_IMAGE007
代表候选框目标分类损失；
Figure 734204DEST_PATH_IMAGE008
，
Figure 934241DEST_PATH_IMAGE009
代表正矩形框回归损失，
Figure 458763DEST_PATH_IMAGE010
代表正矩形框目标分类损失；
Figure 9830DEST_PATH_IMAGE011
，
Figure 278001DEST_PATH_IMAGE012
代表四边形框回归损失，
Figure 535807DEST_PATH_IMAGE013
代表四边形框目标分类损失
Figure 496809DEST_PATH_IMAGE014
代表深度关系网络重识别损失。回归分支通过一个卷积层后接入全连接层，使用IoULoss监督边界框的坐标回归，此外使用CrossEntropyLoss，即交叉熵损失监督中心点分数回归。分类分支通过一个卷积层后接入全连接层，使用FocalLoss监督目标进行前景/背景的分类。重识别分支通过两个卷积层后接入全连接层，使用MSE损失衡量目标相似程度。
S5：依据任意四边形紧约束模块后得到的检测结果及深度关系网络得到的Re-id结果，将任意四边形边界框及搜索目标标注于待搜索监控图像中，完成涉事目标的搜索过程。
经过步骤S1-S4后，输出的特征图上每个位置都将与具有分类和中心得分的任意四边形边界框以及Re-id特征张量相关联，为检测框匹配涉事目标的标签名称，完成目标搜索过程。
最后将对是否采用任意四边形紧约束模块、
Figure DEST_PATH_IMAGE016
进行消融实验，并对模型进行微调，根据准确率和召回率选择其中最优的一个模型作为最终模型用于跨监控涉事车辆的准确识别与精准跟踪。
本发明还提供一种基于深度学习的端到端旋转框目标搜索系统，包括计算机设备，该计算机设备至少包括相互连接的微处理器和存储器，该微处理器被编程或配置以执行上述的端到端旋转框目标搜索方法的步骤，或者该存储器中存储有被编程或配置以执行上述的端到端旋转框目标搜索方法的计算机程序。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质中存储有被编程或配置以执行上述的端到端旋转框目标搜索方法的计算机程序。上述方法实施例中的内容均适用于本存储介质实施例中，实现的功能和有益效果与方法实施例相同。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
实施例中的步骤表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
与相关技术相比，本发明具有以下有益技术效果：
1）本发明采用端到端旋转目标搜索模型，在保证精度的前提下，大幅提升模型搜索的速度，并且有效降低了工作成本；
2）本发明相较于目标检测方法而言，仅需增添涉事目标样本即可提升模型泛化性，避免了目标检测方法改变能力差、新增目标更新困难的缺陷，延展性更好，应用场景更广泛；
3）本发明相较于车辆识别的方法而言，极大减轻了前期标注人工成本，可实现跨监控摄像机的车辆搜索识别过程，且可靠性更强，安装流程更简单。

Claims (7)

1.一种端到端旋转框目标搜索方法，其特征在于，包括以下步骤：
S1：获取城市道路不同监控视角的多段监控视频的图像，进行人工标注后做成数据集，将所述数据集分为两类，其中一类为包含涉事目标的涉事目标图库，另一类为含有任意数量目标且包含所述涉事目标的待搜索监控图库；
S2：将所述数据集中的图像及其标签送入端到端旋转框目标搜索框架进行特征提取，并使用损失函数监督训练过；
S3：在步骤S2进行的同时，将涉事目标图像送入孪生的ResNet50基础网络进行特征提取，并结合搜索目标框的标签信息送入ROI-Align模块与任意四边形紧约束模块提取涉事目标的特征信息；
S4：对步骤S2中特征提取后的图像特征张量进行Re-id，将涉事目标与潜在目标进行匹配；使用深度关系网络模块连接二者特征信息，经过ResNet50基础网络的卷积层与全连接层后进行相似度匹配；
S5：依据任意四边形紧约束模块后得到的检测结果及深度关系网络得到的Re-id结果，将任意四边形边界框及搜索目标标注于待搜索监控图像中，完成涉事目标的搜索过程。
2.根据权利要求1所述的端到端旋转框目标搜索方法，其特征在于，所述步骤S1中“人工标注”具体为：采用图片标注工具对获取的图像进行标注以获得图像标签，其中图像标签为车辆坐标位置以及车辆编号。
3.根据权利要求1所述的端到端旋转框目标搜索方法，其特征在于，所述步骤S2具体为：
S21：通过孪生的ResNet50基础网络对所述数据集中的图像进行多层次的特征提取，生成特征图；
S22：经过RPN模块进行特征聚合得到特征图中的潜在目标候选框和目标类别信息；经过ROI-Align模块得到潜在目标正矩形目标框和目标类别信息；利用任意四边形紧约束模块获取潜在目标的紧约束区域、类别信息与潜在目标特征信息，得到包含任意四边形目标边界的精细化特征图。
4.根据权利要求3所述的端到端旋转框目标搜索方法，其特征在于，所述ResNet50基础网络包括最初的卷积层、最后的全连接层及四组block，四组block分别包含3、4、6、3个模块，每个模块包含三个卷积层。
5.根据权利要求1所述的端到端旋转框目标搜索方法，其特征在于，在步骤S4中，在Re-id训练过程中，通过损失函数监督训练过程，全局损失函数表示为：
Figure 238184DEST_PATH_IMAGE001
式中，
Figure 563992DEST_PATH_IMAGE002
表示候选框损失，
Figure 85104DEST_PATH_IMAGE003
表示正矩形回归框损失，
Figure 23235DEST_PATH_IMAGE004
表示四边形框损失；
Figure 946191DEST_PATH_IMAGE005
，
Figure 442901DEST_PATH_IMAGE006
代表候选框回归损失，
Figure 451308DEST_PATH_IMAGE007
代表候选框目标分类损失；
Figure 190201DEST_PATH_IMAGE008
，
Figure 967664DEST_PATH_IMAGE009
代表正矩形框回归损失，
Figure 713903DEST_PATH_IMAGE010
代表正矩形框目标分类损失；
Figure 193295DEST_PATH_IMAGE011
，
Figure 988075DEST_PATH_IMAGE012
代表四边形框回归损失，
Figure 370777DEST_PATH_IMAGE013
代表四边形框目标分类损失
Figure 960022DEST_PATH_IMAGE014
代表深度关系网络重识别损失。
6.一种基于深度学习的端到端旋转框目标搜索系统，其特征在于，包括计算机设备，该计算机设备至少包括相互连接的微处理器和存储器，该微处理器被编程或配置以执行权利要求1-5中任意一项所述的端到端旋转框目标搜索方法的步骤，或者该存储器中存储有被编程或配置以执行权利要求1-5中任意一项所述端到端旋转框目标搜索方法的计算机程序。
7.一种计算机可读存储介质，其特征在于，该计算机可读存储介质中存储有被编程或配置以执行权利要求1-5中任意一项所述的端到端旋转框目标搜索方法的计算机程序。
CN202111169171.3A 2021-10-08 2021-10-08 端到端旋转框目标搜索方法、系统及计算机可读存储介质 Active CN113592915B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111169171.3A CN113592915B (zh) 2021-10-08 2021-10-08 端到端旋转框目标搜索方法、系统及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111169171.3A CN113592915B (zh) 2021-10-08 2021-10-08 端到端旋转框目标搜索方法、系统及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN113592915A true CN113592915A (zh) 2021-11-02
CN113592915B CN113592915B (zh) 2021-12-14

Family

ID=78242875

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111169171.3A Active CN113592915B (zh) 2021-10-08 2021-10-08 端到端旋转框目标搜索方法、系统及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113592915B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109118519A (zh) * 2018-07-26 2019-01-01 北京纵目安驰智能科技有限公司 基于实例分割的目标Re-ID方法、系统、终端和存储介质
CN109800735A (zh) * 2019-01-31 2019-05-24 中国人民解放军国防科技大学 一种船目标精确检测与分割方法
CN109993774A (zh) * 2019-03-29 2019-07-09 大连理工大学 基于深度交叉相似匹配的在线视频目标跟踪方法
KR102217319B1 (ko) * 2019-11-28 2021-02-18 한국과학기술연구원 회전축 정보 기반의 도자기 파편의 형상 특징 추출 장치 및 이를 이용한 도자기 파편의 가상 정합 시스템
CN112464900A (zh) * 2020-12-16 2021-03-09 湖南大学 基于孪生网络的多模板视觉目标跟踪方法
CN112560656A (zh) * 2020-12-11 2021-03-26 成都东方天呈智能科技有限公司 一种联合注意力机制端到端训练的行人多目标跟踪方法
CN112750148A (zh) * 2021-01-13 2021-05-04 浙江工业大学 一种基于孪生网络的多尺度目标感知跟踪方法
US20210232817A1 (en) * 2018-10-12 2021-07-29 Huawei Technologies Co., Ltd. Image recognition method, apparatus, and system, and computing device

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109118519A (zh) * 2018-07-26 2019-01-01 北京纵目安驰智能科技有限公司 基于实例分割的目标Re-ID方法、系统、终端和存储介质
US20210232817A1 (en) * 2018-10-12 2021-07-29 Huawei Technologies Co., Ltd. Image recognition method, apparatus, and system, and computing device
CN109800735A (zh) * 2019-01-31 2019-05-24 中国人民解放军国防科技大学 一种船目标精确检测与分割方法
CN109993774A (zh) * 2019-03-29 2019-07-09 大连理工大学 基于深度交叉相似匹配的在线视频目标跟踪方法
KR102217319B1 (ko) * 2019-11-28 2021-02-18 한국과학기술연구원 회전축 정보 기반의 도자기 파편의 형상 특징 추출 장치 및 이를 이용한 도자기 파편의 가상 정합 시스템
CN112560656A (zh) * 2020-12-11 2021-03-26 成都东方天呈智能科技有限公司 一种联合注意力机制端到端训练的行人多目标跟踪方法
CN112464900A (zh) * 2020-12-16 2021-03-09 湖南大学 基于孪生网络的多模板视觉目标跟踪方法
CN112750148A (zh) * 2021-01-13 2021-05-04 浙江工业大学 一种基于孪生网络的多尺度目标感知跟踪方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MINGHUI WANG ET AL.: "SCAF-Net: Scene Context Attention-Based Fusion Network for Vehicle Detection in Aerial Imagery", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 *
QINGPENG LI ET AL.: "R3-Net: A Deep Network for Multi-oriented Vehicle Detection in Aerial Images and Videos", 《ARXIV》 *
YUHAO QING ET AL.: "Improved YOLO Network for Free-Angle Remote Sensing Target Detection", 《REMOTE SENSING》 *
朱煜 等: "基于旋转框精细定位的遥感目标检测方法研究", 《自动化学报》 *

Also Published As

Publication number Publication date
CN113592915B (zh) 2021-12-14

Similar Documents

Publication Publication Date Title
CN109815859B (zh) 一种低等级道路自动提取及变化分析方法
CN111931627A (zh) 一种基于多模态信息融合的车辆再识别方法及装置
CN105160309A (zh) 基于图像形态学分割及区域生长的三车道检测方法
CN110689724B (zh) 一种基于深度学习的机动车斑马线礼让行人自动审核方法
CN104361359A (zh) 基于图像检测的车辆识别方法
CN111078946A (zh) 一种基于多目标区域特征聚合的卡口车辆检索方法及系统
CN111383286B (zh) 定位方法、装置、电子设备及可读存储介质
CN115830399B (zh) 分类模型训练方法、装置、设备、存储介质和程序产品
CN111325265B (zh) 一种针对篡改图像的检测方法及装置
Almutairy et al. Arts: Automotive repository of traffic signs for the united states
CN106777350B (zh) 一种基于卡口数据的以图搜图方法和装置
CN111258974A (zh) 一种车辆离线场景数据处理方法及系统
Zaman et al. A robust deep networks based multi-object multi-camera tracking system for city scale traffic
CN113592915B (zh) 端到端旋转框目标搜索方法、系统及计算机可读存储介质
CN113505638A (zh) 车流量的监测方法、监测装置及计算机可读存储介质
CN112364687A (zh) 一种基于改进的Faster R-CNN加油站静电标志识别方法及系统
Bichkar et al. Traffic sign classification and detection of Indian traffic signs using deep learning
CN103559492A (zh) 一种车标识别装置及方法
CN110852353A (zh) 路口分类方法及设备
CN114485684B (zh) 一种基于地面要素拓扑关系的地图道路匹配方法和系统
CN111427977A (zh) 电子眼数据的处理方法及装置
Song et al. An accurate vehicle counting approach based on block background modeling and updating
CN105320704B (zh) 跨区域相似车辆检索方法及装置
CN112132115B (zh) 一种图像筛选方法及装置
CN113536860B (zh) 关键帧提取方法、道路交通设备和设施的矢量化方法

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