CN113642382A - 一种基于多标签目标检测的重车识别方法 - Google Patents
一种基于多标签目标检测的重车识别方法 Download PDFInfo
- Publication number
- CN113642382A CN113642382A CN202110697071.1A CN202110697071A CN113642382A CN 113642382 A CN113642382 A CN 113642382A CN 202110697071 A CN202110697071 A CN 202110697071A CN 113642382 A CN113642382 A CN 113642382A
- Authority
- CN
- China
- Prior art keywords
- layer
- convolution
- convolution layer
- feature map
- label
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims abstract description 32
- 238000002372 labelling Methods 0.000 claims abstract description 15
- 238000010586 diagram Methods 0.000 claims description 32
- 238000011176 pooling Methods 0.000 claims description 31
- 238000005070 sampling Methods 0.000 claims description 14
- 238000012806 monitoring device Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
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
本发明公开了一种基于多标签目标检测的重车识别方法，包括如下步骤：获取交通监控视频；抽取交通监控视频数据中部分图像进行标注，得到车辆多标签目标检测数据集；构建基于yolov4的多标签目标检测网络，使用上一步中得到的车辆多标签目标检测数据集进行训练；使用训练好的多标签目标检测网络进行车辆多标签目标检测，得到交通监控视频中每帧图像中各个车辆的位置和类型，以及重型车辆的车轴、载货情况。本发明能够对道路中重型车辆的通行情况进行比较全面的监控。
Description
技术领域
本发明涉及交通管理与计算机视觉技术领域，特别是一种基于多标签目标检测的重车识别方法。
背景技术
现有的交通监控应用中，普遍采用卡口自动抓拍或监控摄像头人工抓拍的方式对车流量、交通通行状态进行监控。卡口自动抓拍技术较为成熟，抓拍准确率高，但是只能获取卡口处的通行状态，无法掌握道路、桥梁全局状态。监控摄像头视角较大，能够获取到较大范围的道路、桥梁情况，但是普遍需要人工抓拍和分析。
上述方法要么是采用专用设备来检测车辆，如测速雷达，成本比较高，且无法自动获得车辆类别和轴数、载货情况等信息；要么是使用人工抓拍的方法，不但速度慢，而且主观性强，识别精度有限。且上述两类方法均无法获得车辆的类别和详细信息。目前基于深度学习的自动化图像识别技术迅速发展，但是在交通监控应用中基本属于空白。现有方案存在成本过高或过度依赖人工的不足。
发明内容
本发明所要解决的技术问题是克服现有技术的不足而提供一种基于多标签目标检测的重车识别方法，能够从单个监控视频中实时监控当前道路运输情况，并对道路中重型车辆的通行情况进行比较全面的监控。
本发明为解决上述技术问题采用以下技术方案：
根据本发明提出的一种基于多标签目标检测的重车识别方法，包括以下步骤：
步骤S1、获取交通监控视频数据；
步骤S2、抽取交通监控视频数据中部分图像进行标注，先标注出这些图像中各个车辆的类别和所在位置，车辆的类别包括小型汽车、重型车辆、客车和非机动车；
再对车辆的类别为重型车辆的目标进行多标签标注，补充重型车辆的车轴信息和载货情况信息；
标注完成后得到车辆多标签目标检测数据集；
步骤S3、构建基于yolov4的多标签目标检测网络，多标签目标检测网络用于检测出交通监控视频数据中图像上的各个车辆的类别和所在位置，并用于识别这些图像上各个重型车辆的车轴、载货情况；
使用步骤S2得到的车辆多标签目标检测数据集，对多标签目标检测网络进行训练，得到多标签目标检测网络的模型文件；
步骤S4、将步骤S3训练好的模型文件加载到多标签目标检测网络中，使用多标签目标检测网络进行车辆目标检测，得到交通监控视频数据中每帧图像中各个车辆的位置和类型，以及重型车辆的车轴、载货情况。
作为本发明所述的一种基于多标签目标检测的重车识别方法进一步优化方案，步骤S1中，利用交通监控设备获取交通监控视频数据。
作为本发明所述的一种基于多标签目标检测的重车识别方法进一步优化方案，车轴类别包括两轴、三轴、四轴、五轴、六轴，载货情况有空载和满载这两个分类。
作为本发明所述的一种基于多标签目标检测的重车识别方法进一步优化方案，多标签目标检测网络的结构为：
包括第一卷积层、第二卷积层、第一残差卷积组、第一池化层、第二残差卷积组、第二池化层、第三残差积组、第三池化层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层、第一上采样单元、第一拼接层、第八卷积层、第九卷积层、第十卷积层、第二上采样单元、第二拼接层、第十一卷积层和第十二卷积层；其中，
第一卷积层、第二卷积层、第一残差卷积组、第一池化层、第二残差卷积组、第二池化层、第三残差积组、第三池化层、第三卷积层、第四卷积层、第五卷积层、第六卷积层依次顺序连接，第七卷积层与第四卷积层连接，第七卷积层、第一上采样单元、第一拼接层、第八卷积层、第九卷积层依次顺序连接，第一拼接层与第三残差卷积组连接，第八卷积层和第十卷积层连接，第二残差卷积组和第二拼接层连接，第十卷积层、第二上采样单元、第二拼接层、第十一卷积层、第十二卷积层依次顺序连接。
作为本发明所述的一种基于多标签目标检测的重车识别方法进一步优化方案，交通监控视频数据中的一帧三通道RGB图像经第一卷积层、第二卷积层后提取出图像的底层特征，第二卷积层输出包括底层特征的特征图，该特征图经第一残差卷积组增大1倍通道数后再经过第一池化层做池化操作，第一池化层输出的特征图经第二残差卷积组增大1倍通道数，第二残差卷积组输出的特征图A同时输入至第二池化层和第二拼接层；
特征图A经第二池化层、第三残差卷积组增大1倍通道数后，第三残差卷积组输出的特征图B同时输入至第三池化层和第一拼接层；
特征图B经第三池化层、第三卷积层、第四卷积层做卷积操作后，得到卷积后的特征图C同时输入至第七卷积层和第五卷积层；
特征图C经第五卷积层、第六卷积层后输出第一检测分支的第一特征图；
特征图C经第七卷积层、第一上采样单元后输出特征图C2至第一拼接层；
特征图B和特征图C2经第一拼接层拼接后，输出特征图BC，经过第八卷积层、第九卷积层的两层卷积操作后，输出第二检测分支的第二特征图；第八卷积层输出的特征图D同时输入至第九卷积层和第十卷积层；
特征图D经第十卷积层、第二上采样单元后输出上采样后的特征图D2；
特征图A和特征图D2经第二拼接层拼接后，输出特征图AD，经过第十一卷积层、第十二卷积层的两层卷积操作后，输出第三检测分支的第三特征图。
作为本发明所述的一种基于多标签目标检测的重车识别方法进一步优化方案，第一特征图、第二特征图、第三特征图中每个点均预测三个目标框，每个目标包括x轴坐标、y轴坐标、宽度、高度、置信度这5个基本特征、4个目标类别概率特征、以及8个多标签类别概率特征，每条特征占用一个通道，共计51个通道。
作为本发明所述的一种基于多标签目标检测的重车识别方法进一步优化方案，第一检测分支的第一特征图、第二检测分支的第二特征图、第三检测分支的第三特征图的大小不同，通道数相同。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
(1)基于yolov4的多标签目标检测网络。检测网络部分采用轻量化结构，且增加了一个检测分支，提高多标签目标检测的召回率，且对于较小样本具有更佳的检测效果；多标签目标检测网络不仅可以输出图像上的各个目标的类别和所在位置，也可以对目标的属性进行识别，输出各个目标的多种属性标签；
(2)本方法能够自动识别监控画面中的各种车辆，并对重车的轴数和载货情况进行进一步分类，能够实时进行识别，得到的信息量丰富，成本较低。
附图说明
图1为本发明基于多标签目标检测的重车识别方法流程图。
图2为多标签目标检测网络结构图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明进行详细描述。
如图1所示，一种基于多标签目标检测的重车识别方法包括如下步骤：
步骤S1、获取交通监控视频数据；
步骤S2、抽取交通监控视频数据中部分图像进行标注，先标注出这些图像中各个车辆的类别和所在位置，车辆类别有小型汽车、重型车辆、客车、非机动车；再对车辆类别为重型车辆的目标进行多标签标注，补充重型车辆的车轴信息和载货情况信息，车轴类别有两轴、三轴、四轴、五轴、六轴、未知这6个分类，载货情况有空载和满载这两个分类。标注完成后得到车辆多标签目标检测数据集；
步骤S3、构建基于yolov4的多标签目标检测网络，多标签目标检测网络用于检测出交通监控视频数据中图像上的各个车辆的类别和所在位置，并用于识别这些图像上各个重型车辆的车轴、载货情况；
使用步骤S2得到的车辆目标检测数据集，对多标签目标检测网络进行训练，得到多标签目标检测网络的模型文件；
步骤S4、将步骤S3训练好的模型文件加载到多标签目标检测网络中，使用多标签目标检测网络进行车辆目标检测，得到交通监控视频数据中每帧图像中各个车辆的位置和类型，以及重型车辆的车轴、载货情况；
步骤S1中，利用交通监控设备获取交通监控视频数据；
步骤S2中，抽取交通监控视频数据中部分图像进行标注，先标注出这些图像中各个车辆的类别和所在位置，车辆类别有小型汽车、重型车辆、客车、非机动车；再对车辆类别为重型车辆的目标进行多标签标注，补充重新车辆的车轴信息和载货情况信息，车轴类别有两轴、三轴、四轴、五轴、六轴、未知这6个分类，载货情况有空载和满载这两个分类。标注完成后得到车辆多标签目标检测数据集；
步骤S3中，构建基于yolov4的多标签目标检测网络。网络结构见图2。在本发明中增加了一个检测分支，详细步骤是，首先将高层的特征图进行卷积和上采样操作，然后与较低层的特征图拼接起来，再对拼接后的特征进行两次卷积操作，卷积后的结果作为新的目标检测分支。在本发明中增加了网络输出的特征图的信息维度，构建了多标签目标检测网络，使多标签目标检测网络能够输出目标的多个类别，详细步骤是，扩展每一个检测分支中最终特征图的通道数，增加了多标签的信息通道，增加的通道数等于车轴的类别数与载货情况的类别数之和与3的乘积。最后使用步骤S2得到的车辆多标签目标检测数据集，对多标签目标检测网络进行训练，得到多标签目标检测网络的模型文件；
步骤S4中，将步骤S3训练好的模型文件加载到多标签目标检测网络中，使用多标签目标检测网络进行车辆目标检测，得到交通监控视频数据中每帧图像中各个车辆的位置和类型，以及重型车辆的车轴、载货情况。
算法测试的实验室条件：1块8G显存的NVIDIA GeForce 2070 GPU，道路监控图像数据共500张。
图2为本发明基于yolov4的多标签目标检测网络的结构示意图。首先输入交通监控视频数据中的一帧图像，图像为RGB彩色图像，具有三个通道，需要缩放到长和宽均为608个像素的尺寸，输入网络的图像数据最终尺寸为3通道的608*608数据。然后经过两个步长为2，卷积核大小为3*3的卷积层(第一卷积层、第二卷积层)，提取图像的底层特征，经过两个卷积层后输出64通道的152*152的特征图。
接着将得到的特征图输入到三个残差卷积组中，每个残差卷积组将特征图的通道数增大1倍，每个残差卷积组之后进行一次最大值池化操作，将特征图的长宽降低到原来的二分之一。每一个残差卷积组池化之后输出的分别是128通道的76*76的特征图、256通道的38*38的特征图、512通道的19*19的特征图。特征图的尺寸越小表示提取到的特征越高层，感受野越大，也越适合检测较大尺寸的目标，反之，越底层的特征，感受野就越小，适合检测较小尺寸的目标。
残差卷积组之后，多标签目标检测网络分为三个检测分支。检测分支1为基础分支，从第三残差卷积组池化后的特征图开始，经过4层卷积操作，输出51通道的19*19的特征图。检测分支2是由检测分支1扩展得到，从第四卷积层中扩展出一个分支，先进行一次卷积操作提取特征，然后将19*19的特征图上采样到38*38，再与第三残差卷积组输出的38*38的特征图进行通道方向上的拼接，最后经过两层卷积操作，输出51通道的38*38的特征图。检测分支3与检测分支2类似，由检测分支2扩展而来，从第八卷积层8中扩展出一个分支，通过卷积、上采样操作得到76*76的特征图，与第二残差卷积组输出的特征图进行通道方向上的拼接，再经过2层卷积操作，输出51通道的76*76的特征图。
三个检测分支输出的特征图大小不同，通道数相同。特征图大小分别为19*19、38*38、76*76，不同的特征图大小使得多标签目标检测网络对不同尺度的目标都有较好的检测结果。每个检测分支的通道数均为51，特征图上每一点预测3个目标框，每个目标包括x轴坐标、y轴坐标、宽度、高度、置信度这5个基本特征，4个目标类别概率特征，以及8个多标签类别概率特征，每条特征占用一个通道，共计51个通道。
本发明中的多标签目标检测网络基于yolov4轻量级目标检测模型，增加了检测分支3，检测分支3输出大尺寸的特征图，特征图中每个像素的感受野较小，增加了目标检测网络对于小目标的识别能力。同时，扩展了每一个检测分支中最终特征图的通道数，增加了多标签的信息通道，增加的通道数等于车轴的类别数与载货情况的类别数之和与3的乘积。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围内。
Claims (7)
1.一种基于多标签目标检测的重车识别方法，其特征在于，包括以下步骤：
步骤S1、获取交通监控视频数据；
步骤S2、抽取交通监控视频数据中部分图像进行标注，先标注出这些图像中各个车辆的类别和所在位置，车辆的类别包括小型汽车、重型车辆、客车和非机动车；
再对车辆的类别为重型车辆的目标进行多标签标注，补充重型车辆的车轴信息和载货情况信息；
标注完成后得到车辆多标签目标检测数据集；
步骤S3、构建基于yolov4的多标签目标检测网络，多标签目标检测网络用于检测出交通监控视频数据中图像上的各个车辆的类别和所在位置，并用于识别这些图像上各个重型车辆的车轴、载货情况；
使用步骤S2得到的车辆多标签目标检测数据集，对多标签目标检测网络进行训练，得到多标签目标检测网络的模型文件；
步骤S4、将步骤S3训练好的模型文件加载到多标签目标检测网络中，使用多标签目标检测网络进行车辆目标检测，得到交通监控视频数据中每帧图像中各个车辆的位置和类型，以及重型车辆的车轴、载货情况。
2.根据权利要求1所述的一种基于多标签目标检测的重车识别方法，其特征在于，步骤S1中，利用交通监控设备获取交通监控视频数据。
3.根据权利要求1所述的一种基于多标签目标检测的重车识别方法，其特征在于，车轴类别包括两轴、三轴、四轴、五轴、六轴，载货情况有空载和满载这两个分类。
4.根据权利要求1所述的一种基于多标签目标检测的重车识别方法，其特征在于，多标签目标检测网络的结构为：
包括第一卷积层、第二卷积层、第一残差卷积组、第一池化层、第二残差卷积组、第二池化层、第三残差积组、第三池化层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层、第一上采样单元、第一拼接层、第八卷积层、第九卷积层、第十卷积层、第二上采样单元、第二拼接层、第十一卷积层和第十二卷积层；其中，
第一卷积层、第二卷积层、第一残差卷积组、第一池化层、第二残差卷积组、第二池化层、第三残差积组、第三池化层、第三卷积层、第四卷积层、第五卷积层、第六卷积层依次顺序连接，第七卷积层与第四卷积层连接，第七卷积层、第一上采样单元、第一拼接层、第八卷积层、第九卷积层依次顺序连接，第一拼接层与第三残差卷积组连接，第八卷积层和第十卷积层连接，第二残差卷积组和第二拼接层连接，第十卷积层、第二上采样单元、第二拼接层、第十一卷积层、第十二卷积层依次顺序连接。
5.根据权利要求4所述的一种基于多标签目标检测的重车识别方法，其特征在于，交通监控视频数据中的一帧三通道RGB图像经第一卷积层、第二卷积层后提取出图像的底层特征，第二卷积层输出包括底层特征的特征图，该特征图经第一残差卷积组增大1倍通道数后再经过第一池化层做池化操作，第一池化层输出的特征图经第二残差卷积组增大1倍通道数，第二残差卷积组输出的特征图A同时输入至第二池化层和第二拼接层；
特征图A经第二池化层、第三残差卷积组增大1倍通道数后，第三残差卷积组输出的特征图B同时输入至第三池化层和第一拼接层；
特征图B经第三池化层、第三卷积层、第四卷积层做卷积操作后，得到卷积后的特征图C同时输入至第七卷积层和第五卷积层；
特征图C经第五卷积层、第六卷积层后输出第一检测分支的第一特征图；
特征图C经第七卷积层、第一上采样单元后输出特征图C2至第一拼接层；
特征图B和特征图C2经第一拼接层拼接后，输出特征图BC，经过第八卷积层、第九卷积层的两层卷积操作后，输出第二检测分支的第二特征图；第八卷积层输出的特征图D同时输入至第九卷积层和第十卷积层；
特征图D经第十卷积层、第二上采样单元后输出上采样后的特征图D2；
特征图A和特征图D2经第二拼接层拼接后，输出特征图AD，经过第十一卷积层、第十二卷积层的两层卷积操作后，输出第三检测分支的第三特征图。
6.根据权利要求5所述的一种基于多标签目标检测的重车识别方法，其特征在于，第一特征图、第二特征图、第三特征图中每个点均预测三个目标框，每个目标包括x轴坐标、y轴坐标、宽度、高度、置信度这5个基本特征、4个目标类别概率特征、以及8个多标签类别概率特征，每条特征占用一个通道，共计51个通道。
7.根据权利要求4所述的一种基于多标签目标检测的重车识别方法，其特征在于，第一检测分支的第一特征图、第二检测分支的第二特征图、第三检测分支的第三特征图的大小不同，通道数相同。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110697071.1A CN113642382A (zh) | 2021-06-23 | 2021-06-23 | 一种基于多标签目标检测的重车识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110697071.1A CN113642382A (zh) | 2021-06-23 | 2021-06-23 | 一种基于多标签目标检测的重车识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113642382A true CN113642382A (zh) | 2021-11-12 |
Family
ID=78416122
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110697071.1A Pending CN113642382A (zh) | 2021-06-23 | 2021-06-23 | 一种基于多标签目标检测的重车识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113642382A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114332688A (zh) * | 2021-12-14 | 2022-04-12 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 公路监控视频场景下车辆检测方法 |
-
2021
- 2021-06-23 CN CN202110697071.1A patent/CN113642382A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114332688A (zh) * | 2021-12-14 | 2022-04-12 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 公路监控视频场景下车辆检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107576960B (zh) | 视觉雷达时空信息融合的目标检测方法及系统 | |
| CN109086668B (zh) | 基于多尺度生成对抗网络的无人机遥感影像道路信息提取方法 | |
| CN115082674B (zh) | 基于注意力机制的多模态数据融合三维目标检测方法 | |
| CN111461083A (zh) | 基于深度学习的快速车辆检测方法 | |
| CN113971660B (zh) | 桥梁健康诊断的计算机视觉方法和智能摄像系统 | |
| CN111985451A (zh) | 一种基于YOLOv4的无人机场景检测方法 | |
| CN109993138A (zh) | 一种车牌检测与识别方法及装置 | |
| CN111169468A (zh) | 一种自动泊车的系统及方法 | |
| CN111964763B (zh) | 一种动态平板秤称重区域汽车断续行驶行为检测方法 | |
| CN110751633A (zh) | 基于深度学习的多轴大车制动检测方法、装置、系统 | |
| CN111091551A (zh) | 一种铁路货车制动梁支柱开口销丢失故障检测方法 | |
| CN115294541A (zh) | 一种局部特征增强Transformer道路裂缝检测方法 | |
| CN113111875A (zh) | 一种基于深度学习的无缝钢轨焊缝缺陷识别装置及方法 | |
| CN113255555A (zh) | 中国交通标志牌识别方法、系统、处理设备及存储介质 | |
| CN113642382A (zh) | 一种基于多标签目标检测的重车识别方法 | |
| CN116597326A (zh) | 一种基于改进YOLOv7算法的无人机航拍小目标检测方法 | |
| CN115049640A (zh) | 一种基于深度学习的道路裂缝检测方法 | |
| CN108932471A (zh) | 一种车辆检测方法 | |
| CN114511780A (zh) | 基于遥感图像的多模态小目标检测方法及系统 | |
| CN113052071B (zh) | 危化品运输车驾驶员分心行为快速检测方法及系统 | |
| CN112085001B (zh) | 一种基于多尺度边缘特征检测的隧道识别模型及方法 | |
| CN112686125A (zh) | 车辆类型的确定方法及装置、存储介质、电子装置 | |
| CN114596291B (zh) | 基于深度学习和自注意力机制的道路缺陷检测方法 | |
| CN114419600B (zh) | 一种基于ssd算法的车型目标检测方法 | |
| CN116452977A (zh) | 一种无人艇平台海面船只检测方法、系统及设备 |
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 |