CN113807291A - 基于特征融合注意力网络的机场跑道异物检测识别方法 - Google Patents
基于特征融合注意力网络的机场跑道异物检测识别方法 Download PDFInfo
- Publication number
- CN113807291A CN113807291A CN202111121668.8A CN202111121668A CN113807291A CN 113807291 A CN113807291 A CN 113807291A CN 202111121668 A CN202111121668 A CN 202111121668A CN 113807291 A CN113807291 A CN 113807291A
- Authority
- CN
- China
- Prior art keywords
- layer
- network model
- feature
- neural network
- scale
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 230000004927 fusion Effects 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 30
- 238000010606 normalization Methods 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 5
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000004880 explosion Methods 0.000 claims description 2
- 239000013598 vector Substances 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims 2
- 206010037180 Psychiatric symptoms Diseases 0.000 claims 1
- 230000004807 localization Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 17
- 238000011160 research Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 231100000897 loss of orientation Toxicity 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于特征融合注意力网络的机场跑道异物检测识别方法,首先构建多尺度主干卷积网络,通过构建特征融合组件和注意力机制组件,进一步提升对非显著目标的特征表达及训练,显著提升目标检测识别正确率。本发明中提出了多尺度卷积神经网络模型,提升对小目标特征与非显著目标表达,实现特征信息的有机融合,显著增强了对复杂机场跑道异物目标检测识别能力。
Description
技术领域
本发明涉及计算视觉与图像处理技术,特别是机场跑道异物检测识别方法。
背景技术
随着军民航机场领域的快速发展,对机场跑道的安全管理与防范变得越来越重要,跑道作为飞机起降的重要设施,是影响飞行安全的关键。目前跑道异物入侵事故频发,飞机、车辆等运动设施的散落零件,外来物品给机场跑道异物探测带来诸多挑战,因此研究基于光电图像的机场跑道异物检测识别具有重要研究意义。
目前机场跑道异物检测识别方法主要有基于纹理特征检测方法、基于机器学习的检测识别方法、基于深度学习网络的检测识别方法,但是由于异物存在样本量小、特征不显著、复杂天气变化等技术瓶颈,导致对异物检测识别存在大量漏检、误检,因此亟需研究新的算法能有效实现对机场环境下的跑道异物检测识别,重点解决以下关键问题:1)小尺度不显著目标特征提取问题;2)网络模型的泛化应用能力;3)目标定位置信度与精度问题。
发明内容
发明目的:针对当前神经网络算法对机场跑道异物目标的检测准确率不高,存在误检、漏检的问题,本发明提供一种基于特征融合注意力网络的机场跑道异物检测识别方法,可提升对跑道异物目标的检出率,降低漏检率。
技术方案:
本发明设计了一种基于特征融合注意力网络的机场跑道异物检测识别方法。本发明技术方案的实施步骤包括:
步骤1,构建多尺度卷积神经网络模型,主要包括特征融合组件和注意力组件;
步骤2,构建多尺度卷积神经网络模型的特征融合组件;
步骤3,构建多尺度卷积神经网络模型的注意力组件;
步骤4,利用损失函数训练得到多尺度目标检测网络模型,并实现对机场跑道待测试图像集进行目标检测识别,提取得到机场跑道异物目标信息。
步骤1所述多尺度卷积神经网络模型,主干网络通过增加卷积层来获取不同分辨率的目标特征图,主要为核38×38(Conv4_3)卷积层、核19×19(Conv7)卷积层、核10×10(Conv8_2)卷积层、核5×5(Conv9_2)卷积层、核3×3(Conv10_2)卷积层、核1×1(Conv11_2)卷积层,最后通过一个附加的卷积层来匹配输出通道。为精准提取跑道异物目标的纹理特征、形状特征、语义特征等浅层特征图,多尺度卷积神经网络模型在Conv4_3、Conv7层分别构建了注意力组件,并且将构建后的Conv4_3、Conv7、Conv8_2与Conv7、Conv8_2、Conv9_2层分别进行特征融合。
步骤2所述多尺度卷积神经网络模型的特征融合组件由反卷积层、归一化层和激活函数组成。反卷积层采用核为3、步长为1、填充为1的反卷积;归一化层对每一层进行批量归一化;激活函数采用线性激活函数ReLU函数。
对含有上下文信息的目标特征图进行反卷积操作,并将上下文特征通道数设置为目标特征的一半,对每一层进行批量归一化和ReLU操作,最后通过对目标特征图和上下文特征图进行连接操作,实现了目标特征和上下文特征的融合。所述目标特征图为多尺度卷积神经网络模型中conv4_3层,上下文特征为多尺度卷积神经网络模型中conv7_2、conv8_2两层。步骤3所述多尺度卷积神经网络模型的注意力组件具有两个分支,第一路包含核为1的卷积层和一个残差模块;第二路利用残差连接执行下采样和上采样来输出注意力图,然后利用sigmod函数激活。将来自第一路分支的注意图与第二路分支的输出相乘,产生注意力特征图,将特征图经过残差模块、归一化和ReLU函数激活。
所述残差模块由批归一化层、ReLU激活函数、核为1的卷积层组成。分别在多尺度卷积神经网络模型中conv4_3层和conv7层之后放置了注意力组件。步骤4所述损失函数Loss(x,c,l,g)具体为:
其中:Lloc(x,l,g)为定位损失(location loss),Lconf(x,c)为置信度损失(confidence loss);x为总样本数量;c为类别置信度预测值;l为先验框的所对应边界框的位置预测值;g为ground truth的位置参数;N是先验框的正样本数量;α用于调整confidence loss和location loss之间的比例,默认α=1。
置信度损失是在多类别置信度上的softmax loss。其中i指代搜索框序号;j指代真实框序号;p指代类别序号;p=0表示背景;中取1表示此时第i个搜索框和第j个类别框IOU大于阈值,此时真实框中对象类别为p;表示第i个搜索框对应类别p的预测概率。
其中,l为先验框的所对应边界框的位置预测值;g为ground truth的位置参数;(cx,xy)为补偿(regress to offsets)后的默认框d的中心;(w,h)为默认框的宽和高;使用smoothL1loss是为了防止在训练早期出现梯度爆炸。
有益效果:本发明中提出了基于特征融合注意力多尺度卷积神经网络,在相关层构建了特征融合和注意力组件,通过特征融合获得不同层次上下文信息,通过注意力组件获取目标层的上下文信息,与传统的卷积神经网络相比,实现特征信息与上下文信息的有机融合,提升对小目标深层语义信息特征与非显著目标浅层特征表达,特别是对小目标的检测检测精度有了显著提高,增强了对复杂机场跑道异物目标检测识别能力。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述和/或其他方面的优点将会变得更加清楚。
图1a是本发明多尺度卷积神经网络模型示意图。
图1b是本发明多尺度卷积神经网络特征融合组件模型示意图。
图1c是本发明多尺度卷积神经网络模型注意力组件示意图。
图2a是本发明识别机场跑道异物效果图。
图2b是图2a的局部放大图。
具体实施方式
本发明提供了一种基于卷积神经网络模型的目标检测识别方法,包括:
(1)如图1a所示,构建多尺度主干卷积网络,主干网络通过增加卷积层来获取不同分辨率的目标特征图,主要为核38×38(Conv4_3)卷积层、核19×19(Conv7)卷积层、核10×10(Conv8_2)卷积层、核5×5(Conv9_2)卷积层、核3×3(Conv10_2)卷积层、核1×1(Conv11_2)卷积层,最后通过一个附加的卷积层来匹配输出通道。多尺度卷积神经网络模型在Conv4_3、Conv7层分别构建了注意力组件,并且将构建后的Conv4_3、Conv7、Conv8_2与Conv7、Conv8_2、Conv9_2层分别进行特征融合。
(2)如图1b所示,多尺度卷积神经网络模型的特征融合组件由反卷积层、归一化层和激活函数组成。反卷积层采用核为3、步长为1、填充为1的反卷积;归一化层对每一层进行批量归一化;激活函数采用线性激活函数ReLU函数。对含有上下文信息的目标特征图进行反卷积操作,并将上下文特征通道数设置为目标特征的一半,对每一层进行批量归一化和ReLU操作,最后通过对目标特征图和上下文特征图进行连接操作,实现了目标特征和上下文特征的融合。所述目标特征图为多尺度卷积神经网络模型中conv4_3层,上下文特征为多尺度卷积神经网络模型中conv7_2、conv8_2两层。
(3)如图1c所示,多尺度卷积神经网络模型的注意力组件具有两个分支,第一路包含核为1的卷积层和一个残差模块;第二路利用残差连接执行下采样和上采样来输出注意力图,然后利用sigmod函数激活。将来自第一路分支的注意图与第二路分支的输出相乘,产生注意力特征图,将特征图经过残差模块、归一化和ReLU函数激活。所述残差模块由批归一化层、ReLU激活函数、核为1的卷积层组成。分别在多尺度卷积神经网络模型中conv4_3层和conv7层之后放置了注意力组件。
(4)利用损失函数训练得到多尺度目标检测网络模型,对机场跑道异物样本集16500张,采用80%作为训练集,20%用于测试,输入图像大小为416*416,权值衰减为0.0005作为优化,批尺度参数为128,学习率设置为0.00001,在初始学习率低于0.001条件下,先训练迭代3000次,生成初始模型;然后在学习率0.00001条件下,继续训练迭代3000次,生成最终模型。根据最终测模型实现对待测试图像集进行目标检测识别,提取得到机场跑道异物目标信息,采用本发明方法测试验证跑道异物检测识别正确率达到95.4%,大幅超过同类传统算法(YOLOV4识别正确率达到87.6%,SSD识别正确率达到86.2%)识别正确率。如图2a和图2b所示。
本发明提供了一种卷积神经网络模型的目标检测识别方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (5)
1.一种基于特征融合注意力网络的机场跑道异物检测识别方法,其特征在于,包括如下步骤:
步骤1,构建多尺度卷积神经网络模型;
步骤2,构建多尺度卷积神经网络模型的特征融合组件;
步骤3,构建多尺度卷积神经网络模型的注意力组件;
步骤4,利用损失函数训练得到多尺度目标检测网络模型,并实现对机场跑道待测试图像集进行目标检测识别,提取得到机场跑道异物目标信息。
2.根据权利要求1所述的方法,其特征在于,步骤1中,所述多尺度卷积神经网络模型,主干网络通过增加卷积层来获取不同分辨率的目标特征图,包括核38×38的Conv4_3卷积层、核19×19的Conv7卷积层、核10×10的Conv8_2卷积层、核5×5的Conv9_2卷积层、核3×3的Conv10_2卷积层、核1×1的Conv11_2卷积层,最后通过一个附加的卷积层来匹配输出通道;多尺度卷积神经网络模型在Conv4_3层、Conv7层分别构建注意力组件,并且将构建后的Conv4_3层、Conv7层以及Conv8_2层,与Conv7层、Conv8_2层以及Conv9_2层分别进行特征融合。
3.根据权利要求2所述的方法,其特征在于,步骤2包括:
步骤2-1,所述多尺度卷积神经网络模型的特征融合组件由反卷积层、归一化层和激活函数组成;反卷积层采用核为3、步长为1、填充为1的反卷积;归一化层对每一层进行批量归一化;激活函数采用线性激活函数ReLU函数;
步骤2-2,对含有上下文信息的目标特征图进行反卷积操作,并将上下文特征通道数设置为目标特征的一半,对每一层进行批量归一化和ReLU操作,最后通过对目标特征图和上下文特征图进行连接操作,实现了目标特征和上下文特征的融合;
步骤2-3,所述目标特征图为多尺度卷积神经网络模型中conv4_3层,上下文特征为多尺度卷积神经网络模型中conv7_2和conv8_2两层。
4.根据权利要求3所述的方法,其特征在于,步骤3包括:
步骤3-1,所述多尺度卷积神经网络模型的注意力组件具有两路分支,第一路包含核为1的卷积层和一个残差模块;第二路利用残差连接执行下采样和上采样来输出注意力图,然后利用sigmod函数激活;
步骤3-2,将来自第一路分支的注意图与第二路分支的输出相乘,产生注意力特征图,将注意力特征图经过残差模块、归一化和ReLU函数激活;
步骤3-3,所述残差模块由批归一化层、ReLU激活函数和核为1的卷积层组成;
步骤3-4,分别在多尺度卷积神经网络模型中conv4_3层和conv7层之后放置了注意力组件。
5.根据权利要求4所述的方法,其特征在于,步骤4中,损失函数Loss(x,c,l,g)为:
其中,Lloc(x,l,g)为定位损失,Lconf(x,c)为置信度损失,LC(x,c)为中心点回归损失,x为总样本数量,c为类别置信度预测值,l为先验框的所对应边界框的位置预测值,g为位置参数,N是先验框的正样本数量,α用于调整定位损失和置信度损失之间的比例;
置信度损失是在多类别置信度上的,其中i指搜索框即搜索框指网络生成的网格序号,j指真实框即真实框指目标实际存在网格序号,p指类别框即类别框指网络检测出目标类别序号,p=0表示背景,中取1表示此时第i个搜索框和第j个类别框交并比大于阈值,此时真实框中对象类别为p,表示第i个搜索框对应类别p的预测概率,表示第i个搜索框对应类别0的预测概率,Pos为正样本量,Neg为负样本量;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111121668.8A CN113807291B (zh) | 2021-09-24 | 2021-09-24 | 基于特征融合注意力网络的机场跑道异物检测识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111121668.8A CN113807291B (zh) | 2021-09-24 | 2021-09-24 | 基于特征融合注意力网络的机场跑道异物检测识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113807291A true CN113807291A (zh) | 2021-12-17 |
CN113807291B CN113807291B (zh) | 2024-04-26 |
Family
ID=78896745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111121668.8A Active CN113807291B (zh) | 2021-09-24 | 2021-09-24 | 基于特征融合注意力网络的机场跑道异物检测识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807291B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647585A (zh) * | 2018-04-20 | 2018-10-12 | 浙江工商大学 | 一种基于多尺度循环注意力网络的交通标识符检测方法 |
CN110533084A (zh) * | 2019-08-12 | 2019-12-03 | 长安大学 | 一种基于自注意力机制的多尺度目标检测方法 |
CN111914917A (zh) * | 2020-07-22 | 2020-11-10 | 西安建筑科技大学 | 一种基于特征金字塔网络和注意力机制的目标检测改进算法 |
CN112270347A (zh) * | 2020-10-20 | 2021-01-26 | 西安工程大学 | 一种基于改进ssd的医疗废弃物分类检测方法 |
CN113095265A (zh) * | 2021-04-21 | 2021-07-09 | 西安电子科技大学 | 基于特征融合和注意力的真菌目标检测方法 |
-
2021
- 2021-09-24 CN CN202111121668.8A patent/CN113807291B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647585A (zh) * | 2018-04-20 | 2018-10-12 | 浙江工商大学 | 一种基于多尺度循环注意力网络的交通标识符检测方法 |
CN110533084A (zh) * | 2019-08-12 | 2019-12-03 | 长安大学 | 一种基于自注意力机制的多尺度目标检测方法 |
CN111914917A (zh) * | 2020-07-22 | 2020-11-10 | 西安建筑科技大学 | 一种基于特征金字塔网络和注意力机制的目标检测改进算法 |
CN112270347A (zh) * | 2020-10-20 | 2021-01-26 | 西安工程大学 | 一种基于改进ssd的医疗废弃物分类检测方法 |
CN113095265A (zh) * | 2021-04-21 | 2021-07-09 | 西安电子科技大学 | 基于特征融合和注意力的真菌目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113807291B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117876B (zh) | 一种稠密小目标检测模型构建方法、模型及检测方法 | |
Liu et al. | YOLO-extract: Improved YOLOv5 for aircraft object detection in remote sensing images | |
CN111507271A (zh) | 一种机载光电视频目标智能化检测与识别方法 | |
CN111126308B (zh) | 结合灾前和灾后遥感影像信息的损毁建筑物自动识别方法 | |
CN112101221A (zh) | 一种用于交通信号灯实时检测与识别的方法 | |
CN109255286A (zh) | 一种基于yolo深度学习网络框架的无人机光学快速检测识别方法 | |
CN109359661B (zh) | 一种基于卷积神经网络的Sentinel-1雷达图像分类方法 | |
Shi et al. | Objects detection of UAV for anti-UAV based on YOLOv4 | |
CN113569672A (zh) | 轻量级目标检测与故障识别方法、装置及系统 | |
CN116630798A (zh) | 一种基于改进YOLOv5的SAR图像飞机目标检测方法 | |
CN117197676A (zh) | 一种基于特征融合的目标检测识别方法 | |
CN116229272B (zh) | 一种基于代表点表示的高精度遥感图像检测方法及系统 | |
CN113807291B (zh) | 基于特征融合注意力网络的机场跑道异物检测识别方法 | |
CN111832463A (zh) | 一种基于深度学习的交通标志检测方法 | |
CN115272412B (zh) | 一种基于边缘计算的低小慢目标检测方法及跟踪系统 | |
Li et al. | Runway crack detection based on YOLOV5 | |
CN116597326A (zh) | 一种基于改进YOLOv7算法的无人机航拍小目标检测方法 | |
Wu et al. | Research on asphalt pavement disease detection based on improved YOLOv5s | |
CN113657287A (zh) | 一种基于深度学习改进YOLOv3的目标检测方法 | |
Chen et al. | Bridge damage detection and recognition based on deep learning | |
Xu et al. | Compressed YOLOv5 for Oriented Object Detection with Integrated Network Slimming and Knowledge Distillation | |
Al Khafaji et al. | Traffic Signs Detection and Recognition Using A combination of YOLO and CNN | |
Han et al. | Object detection of remote sensing airport image based on improved Faster R-CNN | |
Wu et al. | Traffic Sign Detection Algorithm Based On Improved YOLOv4 | |
Wang et al. | Information Extraction of the Vehicle from High-Resolution Remote Sensing Image Based on Convolution Neural Network |
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 |