CN113822277B - 基于深度学习目标检测的违规广告图片检测方法及系统 - Google Patents
基于深度学习目标检测的违规广告图片检测方法及系统 Download PDFInfo
- Publication number
- CN113822277B CN113822277B CN202111375457.7A CN202111375457A CN113822277B CN 113822277 B CN113822277 B CN 113822277B CN 202111375457 A CN202111375457 A CN 202111375457A CN 113822277 B CN113822277 B CN 113822277B
- Authority
- CN
- China
- Prior art keywords
- frame
- prediction
- corner point
- prediction frame
- point
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 230000006870 function Effects 0.000 claims abstract description 64
- 238000010586 diagram Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于深度学习目标检测的违规广告图片检测方法及系统,根据广告图片预测出待检目标标定框的左上角点与右下角点的热力图后;先根据左上角点和右下角点组成的预测框分析预测框的中心点是否在真实目标框的中心点附近的预设范围内;若预测框的中心点在真实目标框的中心点附近的预设范围内,则将该预测框划分为有效预测框,否则将该预测框换分为无效预测框;然后,通过一个RoIAlign层分别分析组成有效预测和无效预测框的左上角点与右下角点之间的匹配值,并根据匹配值构建损失函数,以对识别结果进行优化;最后,将优化后匹配值大于设定阈值的有效预测框作为输出结果输出。
Description
技术领域
本发明涉及违规图片检测技术领域,具体而言,涉及一种基于深度学习目标检测的违规广告图片检测方法及系统。
背景技术
目前的违规内容审核,往往采用人工审核的形式,审核人员对内容信息逐条进行分析判断,不管是效率还是准确性都难以得到保证。在技术不断成熟的今天,自然语言处理、图像识别、声纹识别等人工智能技术已在一些领域得到了运用。人工智能技术的引入,可以彻底改变传统的内容审核形式,实现对互联网内容信息的实时审核。无论是审核效率还是审核精度,都将得到极大提升。目前基于深度学习的违规图片检测方法主要是通过图片中每一个左上角和右下角的角点预测一个偏移值,如果一个左上角的偏移值与一个右下角的偏移值相近,将这两个点匹配为一个box,这样的做法会导致角点匹配的出现混乱,特别是两个相似物体离得比较近的时候,经常会将不属于同一个目标的左上角和右下角角点匹配在一起,因此,需要提供一种方案以便于在提高检测效率的同时提高违规图片检测结果的准确性。
发明内容
本发明的目的在于提供一种基于深度学习目标检测的违规广告图片检测方法及系统,用以实现提高检测效率的同时提高违规图片检测结果的准确性的技术效果。
第一方面,本发明提供了一种基于深度学习目标检测的违规广告图片检测方法,包括:
S1.获取广告图片并根据所述广告图片预测出待检目标标定框的左上角点与右下角点的热力图;
S2.根据所述左上角点和所述右下角点组成预测框并分析所述预测框的中心点是否在真实目标框的中心点附近的预设范围内;若所述预测框的中心点在真实目标框的中心点附近的预设范围内,则将所述预测框划分为有效预测框,否则将所述预测框换分为无效预测框;
S3.通过一个RoIAlign层分析组成有效预测框的左上角点与右下角点之间的第一匹配值,同时分析组成无效预测框的左上角点与右下角点之间的第二匹配值;
S4.根据所述第一匹配值构建第一损失函数,并根据所述第二匹配值构建第二损失函数;
第一损失函数为L act :
式中,N表示有效预测框的数量,p 1 表示各个有效预测框的左上角点与右下角点之间的第一匹配值,b 1表示有效预测框,b gt 表示真实目标框,c表示将有效预测框和真实目标框包围起来的最小方框的对角线长度,Dist表示欧式距离加权函数,CE表示交叉熵函数,bbox cls 表示所有预测框所包含的目标的类别,bbox gt cls 表示真实目标框所包含目标的类别;
第二损失函数为L deact :
上式中,M表示无效预测框的数量,p 2 表示各个无效预测框的左上角点与右下角点之间的第二匹配值;Dist表示欧式距离加权函数,LIA表示无效预测框的中心点与真实目标框的中心点的连线落在之所述预设范围内的长度,b 2表示无效预测框,b gt 表示真实目标框;
S5.根据所述第一损失函数对有效预测框的识别结果进行优化,同时根据第二损失函数对无效预测框的识别结果进行优化;
S6.将优化后第一匹配值大于设定阈值的有效预测框作为输出结果输出。
第二方面,本发明提供了一种基于深度学习目标检测的违规广告图片检测系统,包括:
获取模块,用于获取广告图片并根据所述广告图片预测出待检目标标定框的左上角点与右下角点的热力图;
第一分析模块,用于根据所述左上角点和所述右下角点组成预测框并分析所述预测框的中心点是否在真实目标框的中心点附近的预设范围内;若所述预测框的中心点在真实目标框的中心点附近的预设范围内,则将所述预测框划分为有效预测框,否则将所述预测框换分为无效预测框;
第二分析模块,用于通过一个RoIAlign层分析组成有效预测框的左上角点与右下角点之间的第一匹配值,同时分析组成无效预测框的左上角点与右下角点之间的第二匹配值;根据所述第一匹配值构建第一损失函数,并根据所述第二匹配值构建第二损失函数;
第一损失函数为L act :
式中,N表示有效预测框的数量,p 1 表示各个有效预测框的左上角点与右下角点之间的第一匹配值,b 1表示有效预测框,b gt 表示真实目标框,c表示将有效预测框和真实目标框包围起来的最小方框的对角线长度,Dist表示欧式距离加权函数,CE表示交叉熵函数,bbox cls 表示所有预测框所包含的目标的类别,bbox gt cls 表示真实目标框所包含目标的类别;
第二损失函数为L deact :
上式中,M表示无效预测框的数量,p 2 表示各个无效预测框的左上角点与右下角点之间的第二匹配值;Dist表示欧式距离加权函数,LIA表示无效预测框的中心点与真实目标框的中心点的连线落在之所述预设范围内的长度,b 2表示无效预测框,b gt 表示真实目标框;
优化模块,用于根据所述第一损失函数对有效预测框的识别结果进行优化,同时根据第二损失函数对无效预测框的识别结果进行优化;
输出模块,用于将优化后第一匹配值大于设定阈值的有效预测框作为输出结果输出。
本发明能够实现的有益效果是:本发明提供的违规广告图片检测方法在一般的Anchor-Free目标检测基础上进行了改进和优化。在获取待检目标的预测框后,先分析预测框的中心点是否在真实目标框的中心点附近的预设范围内,若所述预测框的中心点在真实目标框的中心点附近的预设范围内,则将所述预测框划分为有效预测框,否则将所述预测框换分为无效预测框;然后通过一个RoIAlign层分析有效预测框和无线预测框的左上角点与右下角点之间的匹配值,并根据该匹配值构建损失函数以对有效预测框和无线预测框的识别结果进行优化;最后将优化后第一匹配值大于设定阈值的有效预测框作为输出结果输出,在提高检测效率的同时提高违规图片检测结果的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的一种基于深度学习目标检测的违规广告图片检测方法的流程示意图;
图2为本发明实施例提供的一种基于深度学习目标检测的违规广告图片检测系统的拓扑结构示意图。
图标:10-违规广告图片检测系统;100-获取模块;200-第一分析模块;300-第二分析模块;400-优化模块;600-输出模块。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参看图1,图1为本发明实施例提供的一种基于深度学习目标检测的违规广告图片检测方法的流程示意图。
经申请人研究发现,目前基于深度学习的违规图片检测方法主要是通过图片中每一个左上角和右下角的角点预测一个偏移值,如果一个左上角的偏移值与一个右下角的偏移值相近,将这两个点匹配为一个box。但是,通过这种方式会导致角点匹配的出现混乱,特别是两个相似物体离得比较近的时候,经常会将不属于同一个目标的左上角和右下角角点匹配在一起。因此,本发明实施例提供了一种基于深度学习目标检测的违规广告图片检测方法,其具体内容如下所述。
S1.获取广告图片并根据所述广告图片预测出待检目标标定框的左上角点与右下角点的热力图。
在一种实施方式中,上述过程S1可以按照以下过程实施:
S11. 从视频帧中提取广告图片。
示例性地,可以通过使用OpenCV等图形图像处理框架,将广告视频进行读取,并采用OpenCV框架中的视频处理接口API,将视频进行逐帧的拆分,将广告视频流逐一拆分并保存为一张张数字图片,为之后的网络训练和测试提供图片数据集。
S12. 通过Hourglass网络对提取的广告图片进行特征提取。
示例性地,Hourglass网络可以选择采用104层的网络结构。Hourglass网络首先将通过一系列卷积和最大池化层对输入特征进行下采样,然后通过一系列上采样层和卷积层将下采样特征恢复到原始尺寸。由于细节可能在最大池化层中丢失,因此网络中添加了跳层来为网络优化细节特征,Hourglass网络同时在一个统一的结构中捕获全局以及局部特征,为之后的角点预测提供了充足的特征信息和细节。
S13. 使用CornerNet网络中的Corner Pooling层对S12中提取到的特征进行处理,预测出待检目标标定框的左上角点与右下角点的热力图。
示例性地,Corner Pooling层被嵌入到一个残差网络中作为所述残差网络的第一层,然后通过一个卷积层进行分析得到所述热力图,同时通过一个卷积层进行分析得到热力图的偏移值,并根据所述偏移值对所述热力图进行修正微调。
需要说明的是,上述Corner Pooling层也可以嵌入其他类型的网络中,例如VGG19,ResNeXt,EfficientNet等比较经典的特征提取网络,都可以在提取特征后,利用CornerPooling层的特性,将提取的特征进行进一步处理,得到想要的目标标定框的左上角点与右下角点的热力图。
S2.根据所述左上角点和所述右下角点组成预测框并分析所述预测框的中心点是否在真实目标框的中心点附近的预设范围内;若所述预测框的中心点在真实目标框的中心点附近的预设范围内,则将所述预测框划分为有效预测框,否则将所述预测框换分为无效预测框。
在一种实施方式中,上述的预设范围可以为一个长方形区域;该长方形区域以真实目标框的中心点为中心,同时该长方形区域的长和宽为真实目标框对应长和宽的μ倍,且0<μ<1。
假设在S1当中,生成的左上角点为(tlx,tly),右下角点为(brx,bry)。则预测框可以表示为bbox=(tlx,tly,brx,bry),其中心点坐标为:
同时,定义真实目标框的坐标为:
中心点坐标为:
围绕每一个真实目标框的中心点,设置的预设范围为:
其中,tlx act ,tly act ,brx act ,bry act 的定义如下:
上式中,μ为预测框的长度(宽度)与真实目标框对应的长度(宽度)的比值。
S3.通过一个RoIAlign层分析组成有效预测框的左上角点与右下角点之间的第一匹配值,同时分析组成无效预测框的左上角点与右下角点之间的第二匹配值。
S4.根据所述第一匹配值构建第一损失函数,并根据所述第二匹配值构建第二损失函数。
在一种实施方式中,S4中的第一损失函数为L act :
式中,N表示有效预测框的数量,p 1 表示各个有效预测框的左上角点与右下角点之间的第一匹配值,b 1表示有效预测框,b gt 表示真实目标框,c表示将有效预测框和真实目标框包围起来的最小方框的对角线长度,Dist表示欧式距离加权函数,CE表示交叉熵函数,bbox cls 表示所有预测框所包含的目标的类别,bbox gt cls 表示真实目标框所包含目标的类别。
通过上述方式,可以进一步根据所有预测框所包含的类别和真实目标框所包含目标的类别对有效预测框识别的准确性进行优化,使得有效预测框的准确性更高。
S4中的第二损失函数为L deact :
上式中,M表示无效预测框的数量,p 2 表示各个无效预测框的左上角点与右下角点之间的第二匹配值;Dist表示欧式距离加权函数,LIA表示无效预测框的中心点与真实目标框的中心点的连线落在之所述预设范围内的长度,b 2表示无效预测框,b gt 表示真实目标框。
S5.根据所述第一损失函数对有效预测框的识别结果进行优化,同时根据第二损失函数对无效预测框的识别结果进行优化。
在获取到上述的第一损失函数和第二损失函数以后,就可以根据第一损失函数对有效预测框的识别结果进行优化,同时根据第二损失函数对无效预测框的识别结果进行优化,从而提高预测框分类的准确性。
S6.将优化后第一匹配值大于设定阈值的有效预测框作为输出结果输出。
在一种实施方式中,可以设置一个阈值α(0<α<1),当组成有效预测框的左上角点和右下角点之间的匹配度P>α时,保留这个有效预测框,反之舍弃,最终将剩下的所有有效预测框作为最终的结果进行输出。
请参看图2,图2为本发明实施例提供的一种基于深度学习目标检测的违规广告图片检测系统的拓扑结构示意图。
在一种实施方式中,本发明实施例还提供了一种基于深度学习目标检测的违规广告图片检测系统10,该违规广告图片检测系统10应用了上述的违规广告图片检测方法,具体包括:
获取模块100,用于获取广告图片并根据所述广告图片预测出待检目标标定框的左上角点与右下角点的热力图;
第一分析模块200,用于根据所述左上角点和所述右下角点组成预测框并分析所述预测框的中心点是否在真实目标框的中心点附近的预设范围内;若所述预测框的中心点在真实目标框的中心点附近的预设范围内,则将所述预测框划分为有效预测框,否则将所述预测框换分为无效预测框;
第二分析模块300,用于通过一个RoIAlign层分析组成有效预测框的左上角点与右下角点之间的第一匹配值,同时分析组成无效预测框的左上角点与右下角点之间的第二匹配值;所述第二分析模块还用于根据所述第一匹配值构建第一损失函数,并根据所述第二匹配值构建第二损失函数;第一损失函数为L act :
式中,N表示有效预测框的数量,p 1 表示各个有效预测框的左上角点与右下角点之间的第一匹配值,b 1表示有效预测框,b gt 表示真实目标框,c表示将有效预测框和真实目标框包围起来的最小方框的对角线长度,Dist表示欧式距离加权函数,CE表示交叉熵函数,bbox cls 表示所有预测框所包含的目标的类别,bbox gt cls 表示真实目标框所包含目标的类别;
第二损失函数为L deact :
上式中,M表示无效预测框的数量,p 2 表示各个无效预测框的左上角点与右下角点之间的第二匹配值;Dist表示欧式距离加权函数,LIA表示无效预测框的中心点与真实目标框的中心点的连线落在之所述预设范围内的长度,b 2表示无效预测框,b gt 表示真实目标框;
优化模块400,用于根据所述第一损失函数对有效预测框的识别结果进行优化,同时根据第二损失函数对无效预测框的识别结果进行优化;
输出模块500,用于将优化后第一匹配值大于设定阈值的有效预测框作为输出结果输出。
综上所述,本发明实施例提供一种基于深度学习目标检测的违规广告图片检测方法及系统,包括:获取广告图片并根据所述广告图片预测出待检目标标定框的左上角点与右下角点的热力图;根据所述左上角点和所述右下角点组成预测框并分析所述预测框的中心点是否在真实目标框的中心点附近的预设范围内;若所述预测框的中心点在真实目标框的中心点附近的预设范围内,则将所述预测框划分为有效预测框,否则将所述预测框换分为无效预测框;通过一个RoIAlign层分析组成有效预测框的左上角点与右下角点之间的第一匹配值,同时分析组成无效预测框的左上角点与右下角点之间的第二匹配值;根据所述第一匹配值构建第一损失函数,并根据所述第二匹配值构建第二损失函数;根据所述第一损失函数对有效预测框的识别结果进行优化,同时根据第二损失函数对无效预测框的识别结果进行优化;将优化后第一匹配值大于设定阈值的有效预测框作为输出结果输出。通过上述方式,在提高检测效率的同时提高违规图片检测结果的准确性。
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,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种基于深度学习目标检测的违规广告图片检测方法,其特征在于,包括:
S1.获取广告图片并根据所述广告图片预测出待检目标标定框的左上角点与右下角点的热力图;
S2.根据所述左上角点和所述右下角点组成预测框并分析所述预测框的中心点是否在真实目标框的中心点附近的预设范围内;若所述预测框的中心点在真实目标框的中心点附近的预设范围内,则将所述预测框划分为有效预测框,否则将所述预测框换分为无效预测框;
S3.通过一个RoIAlign层分析组成有效预测框的左上角点与右下角点之间的第一匹配值,同时分析组成无效预测框的左上角点与右下角点之间的第二匹配值;
S4.根据所述第一匹配值构建第一损失函数,并根据所述第二匹配值构建第二损失函数;第一损失函数为L act :
式中,N表示有效预测框的数量,p 1 表示各个有效预测框的左上角点与右下角点之间的第一匹配值,b 1表示有效预测框,b gt 表示真实目标框,c表示将有效预测框和真实目标框包围起来的最小方框的对角线长度,Dist表示欧式距离加权函数,CE表示交叉熵函数,bbox cls 表示所有预测框所包含的目标的类别,bbox gt cls 表示真实目标框所包含目标的类别;
第二损失函数为L deact :
上式中,M表示无效预测框的数量,p 2 表示各个无效预测框的左上角点与右下角点之间的第二匹配值;Dist表示欧式距离加权函数,LIA表示无效预测框的中心点与真实目标框的中心点的连线落在之所述预设范围内的长度,b 2表示无效预测框,b gt 表示真实目标框;
S5.根据所述第一损失函数对有效预测框的识别结果进行优化,同时根据第二损失函数对无效预测框的识别结果进行优化;
S6.将优化后第一匹配值大于设定阈值的有效预测框作为输出结果输出。
2.根据权利要求1所述的基于深度学习目标检测的违规广告图片检测方法,其特征在于,所述S1的实现过程包括:
S11. 从视频帧中提取广告图片;
S12. 通过Hourglass网络对提取的广告图片进行特征提取;
S13. 使用CornerNet网络中的Corner Pooling层对S12中提取到的特征进行处理,预测出待检目标标定框的左上角点与右下角点的热力图。
3.根据权利要求2所述的基于深度学习目标检测的违规广告图片检测方法,其特征在于,所述S13中的Corner Pooling层被嵌入到一个残差网络中作为所述残差网络的第一层,然后通过一个卷积层进行分析得到所述热力图,同时通过一个卷积层进行分析得到热力图的偏移值,并根据所述偏移值对所述热力图进行修正微调。
4.根据权利要求1所述的基于深度学习目标检测的违规广告图片检测方法,其特征在于,所述预设范围为一个长方形区域;所述长方形区域以真实目标框的中心点为中心,所述长方形区域的长和宽为所述真实目标框对应长和宽的u倍,且0<μ<1。
5.一种基于深度学习目标检测的违规广告图片检测系统,其特征在于,包括:
获取模块,用于获取广告图片并根据所述广告图片预测出待检目标标定框的左上角点与右下角点的热力图;
第一分析模块,用于根据所述左上角点和所述右下角点组成预测框并分析所述预测框的中心点是否在真实目标框的中心点附近的预设范围内;若所述预测框的中心点在真实目标框的中心点附近的预设范围内,则将所述预测框划分为有效预测框,否则将所述预测框换分为无效预测框;
第二分析模块,用于通过一个RoIAlign层分析组成有效预测框的左上角点与右下角点之间的第一匹配值,同时分析组成无效预测框的左上角点与右下角点之间的第二匹配值;所述第二分析模块还用于根据所述第一匹配值构建第一损失函数,并根据所述第二匹配值构建第二损失函数;第一损失函数为L act :
式中,N表示有效预测框的数量,p 1 表示各个有效预测框的左上角点与右下角点之间的第一匹配值,b 1表示有效预测框,b gt 表示真实目标框,c表示将有效预测框和真实目标框包围起来的最小方框的对角线长度,Dist表示欧式距离加权函数,CE表示交叉熵函数,bbox cls 表示所有预测框所包含的目标的类别,bbox gt cls 表示真实目标框所包含目标的类别;
第二损失函数为L deact :
上式中,M表示无效预测框的数量,p 2 表示各个无效预测框的左上角点与右下角点之间的第二匹配值;Dist表示欧式距离加权函数,LIA表示无效预测框的中心点与真实目标框的中心点的连线落在之所述预设范围内的长度,b 2表示无效预测框,b gt 表示真实目标框;
优化模块,用于根据所述第一损失函数对有效预测框的识别结果进行优化,同时根据第二损失函数对无效预测框的识别结果进行优化;
输出模块,用于将优化后第一匹配值大于设定阈值的有效预测框作为输出结果输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111375457.7A CN113822277B (zh) | 2021-11-19 | 2021-11-19 | 基于深度学习目标检测的违规广告图片检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111375457.7A CN113822277B (zh) | 2021-11-19 | 2021-11-19 | 基于深度学习目标检测的违规广告图片检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113822277A CN113822277A (zh) | 2021-12-21 |
CN113822277B true CN113822277B (zh) | 2022-02-18 |
Family
ID=78919342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111375457.7A Active CN113822277B (zh) | 2021-11-19 | 2021-11-19 | 基于深度学习目标检测的违规广告图片检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822277B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114358819A (zh) * | 2021-12-22 | 2022-04-15 | 广州趣丸网络科技有限公司 | 一种覆盖多平台的广告发布的方法及装置 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376571A (zh) * | 2018-08-03 | 2019-02-22 | 西安电子科技大学 | 基于变形卷积的人体姿态估计方法 |
CN110135375A (zh) * | 2019-05-20 | 2019-08-16 | 中国科学院宁波材料技术与工程研究所 | 基于全局信息整合的多人姿态估计方法 |
CN110503112A (zh) * | 2019-08-27 | 2019-11-26 | 电子科技大学 | 一种增强特征学习的小目标检测及识别方法 |
CN111401282A (zh) * | 2020-03-23 | 2020-07-10 | 上海眼控科技股份有限公司 | 目标检测方法、装置、计算机设备和存储介质 |
CN111523553A (zh) * | 2020-04-03 | 2020-08-11 | 中国计量大学 | 一种基于相似度矩阵的中心点网络多目标检测方法 |
CN111582073A (zh) * | 2020-04-23 | 2020-08-25 | 浙江大学 | 一种基于ResNet101特征金字塔的变电站违规行为识别方法 |
CN111814704A (zh) * | 2020-07-14 | 2020-10-23 | 陕西师范大学 | 基于级联注意力与点监督机制的全卷积考场目标检测方法 |
CN111913435A (zh) * | 2020-07-30 | 2020-11-10 | 浙江科技学院 | 一种基于堆积沙漏网络的单/多目标关键点定位方法 |
US10853970B1 (en) * | 2019-03-22 | 2020-12-01 | Bartec Corporation | System for estimating a three dimensional pose of one or more persons in a scene |
CN112131951A (zh) * | 2020-08-26 | 2020-12-25 | 中通服咨询设计研究院有限公司 | 一种自动化识别施工中违规使用梯子行为的系统 |
CN112233096A (zh) * | 2020-10-19 | 2021-01-15 | 哈尔滨市科佳通用机电股份有限公司 | 一种车辆裙板故障检测方法 |
CN112270278A (zh) * | 2020-11-02 | 2021-01-26 | 重庆邮电大学 | 一种基于关键点的蓝顶房检测方法 |
CN113011384A (zh) * | 2021-04-12 | 2021-06-22 | 重庆邮电大学 | 一种基于轻量化卷积的无锚框目标检测方法 |
US11074711B1 (en) * | 2018-06-15 | 2021-07-27 | Bertec Corporation | System for estimating a pose of one or more persons in a scene |
CN113392747A (zh) * | 2021-06-07 | 2021-09-14 | 北京优创新港科技股份有限公司 | 一种用于立体仓库的货物包装箱识别方法及系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1026610A (ja) * | 1996-07-11 | 1998-01-27 | Ishikawajima Harima Heavy Ind Co Ltd | 管内溶接位置計測装置 |
EP2192564A1 (en) * | 2008-11-28 | 2010-06-02 | Isbak Istanbul Ulasim Haberlesme ve Guvenlik Teknolojileri San . ve TIC . A . S . | Mobile electronic control system |
CN107818326B (zh) * | 2017-12-11 | 2018-07-20 | 珠海大横琴科技发展有限公司 | 一种基于场景多维特征的船只检测方法及系统 |
US11087130B2 (en) * | 2017-12-29 | 2021-08-10 | RetailNext, Inc. | Simultaneous object localization and attribute classification using multitask deep neural networks |
CN109635685B (zh) * | 2018-11-29 | 2021-02-12 | 北京市商汤科技开发有限公司 | 目标对象3d检测方法、装置、介质及设备 |
US11288818B2 (en) * | 2019-02-19 | 2022-03-29 | The Trustees Of The University Of Pennsylvania | Methods, systems, and computer readable media for estimation of optical flow, depth, and egomotion using neural network trained using event-based learning |
US11126835B2 (en) * | 2019-02-21 | 2021-09-21 | Tata Consultancy Services Limited | Hand detection in first person view |
US11132780B2 (en) * | 2020-02-14 | 2021-09-28 | Huawei Technologies Co., Ltd. | Target detection method, training method, electronic device, and computer-readable medium |
CN111626349A (zh) * | 2020-05-22 | 2020-09-04 | 中国科学院空天信息创新研究院 | 一种基于深度学习的目标检测方法和系统 |
-
2021
- 2021-11-19 CN CN202111375457.7A patent/CN113822277B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11074711B1 (en) * | 2018-06-15 | 2021-07-27 | Bertec Corporation | System for estimating a pose of one or more persons in a scene |
CN109376571A (zh) * | 2018-08-03 | 2019-02-22 | 西安电子科技大学 | 基于变形卷积的人体姿态估计方法 |
US10853970B1 (en) * | 2019-03-22 | 2020-12-01 | Bartec Corporation | System for estimating a three dimensional pose of one or more persons in a scene |
CN110135375A (zh) * | 2019-05-20 | 2019-08-16 | 中国科学院宁波材料技术与工程研究所 | 基于全局信息整合的多人姿态估计方法 |
CN110503112A (zh) * | 2019-08-27 | 2019-11-26 | 电子科技大学 | 一种增强特征学习的小目标检测及识别方法 |
CN111401282A (zh) * | 2020-03-23 | 2020-07-10 | 上海眼控科技股份有限公司 | 目标检测方法、装置、计算机设备和存储介质 |
CN111523553A (zh) * | 2020-04-03 | 2020-08-11 | 中国计量大学 | 一种基于相似度矩阵的中心点网络多目标检测方法 |
CN111582073A (zh) * | 2020-04-23 | 2020-08-25 | 浙江大学 | 一种基于ResNet101特征金字塔的变电站违规行为识别方法 |
CN111814704A (zh) * | 2020-07-14 | 2020-10-23 | 陕西师范大学 | 基于级联注意力与点监督机制的全卷积考场目标检测方法 |
CN111913435A (zh) * | 2020-07-30 | 2020-11-10 | 浙江科技学院 | 一种基于堆积沙漏网络的单/多目标关键点定位方法 |
CN112131951A (zh) * | 2020-08-26 | 2020-12-25 | 中通服咨询设计研究院有限公司 | 一种自动化识别施工中违规使用梯子行为的系统 |
CN112233096A (zh) * | 2020-10-19 | 2021-01-15 | 哈尔滨市科佳通用机电股份有限公司 | 一种车辆裙板故障检测方法 |
CN112270278A (zh) * | 2020-11-02 | 2021-01-26 | 重庆邮电大学 | 一种基于关键点的蓝顶房检测方法 |
CN113011384A (zh) * | 2021-04-12 | 2021-06-22 | 重庆邮电大学 | 一种基于轻量化卷积的无锚框目标检测方法 |
CN113392747A (zh) * | 2021-06-07 | 2021-09-14 | 北京优创新港科技股份有限公司 | 一种用于立体仓库的货物包装箱识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113822277A (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
CN111460931B (zh) | 基于颜色通道差值图特征的人脸欺骗检测方法及系统 | |
CN109726657B (zh) | 一种深度学习场景文本序列识别方法 | |
CN110688524B (zh) | 视频检索方法、装置、电子设备及存储介质 | |
CN109886330B (zh) | 文本检测方法、装置、计算机可读存储介质和计算机设备 | |
CN111311475A (zh) | 检测模型训练方法、装置、存储介质和计算机设备 | |
CN112734775A (zh) | 图像标注、图像语义分割、模型训练方法及装置 | |
CN111783819B (zh) | 小规模数据集上基于感兴趣区域训练改进的目标检测方法 | |
CN109885796B (zh) | 一种基于深度学习的网络新闻配图匹配性检测方法 | |
CN109977832B (zh) | 一种图像处理方法、装置及存储介质 | |
CN105184308B (zh) | 一种基于全局优化决策的遥感图像建筑物检测分类方法 | |
CN113255590A (zh) | 一种缺陷检测模型训练方法、缺陷检测方法、装置及系统 | |
CN113822277B (zh) | 基于深度学习目标检测的违规广告图片检测方法及系统 | |
CN113901924A (zh) | 一种文档表格的检测方法及装置 | |
CN113570540A (zh) | 一种基于检测-分割架构的图像篡改盲取证方法 | |
CN115546586A (zh) | 红外弱小目标的检测方法、装置、计算设备及存储介质 | |
CN116665092A (zh) | 基于ia-yolov7的污水悬浮物识别方法及系统 | |
CN107633527B (zh) | 基于全卷积神经网络的目标追踪方法及装置 | |
CN114638304A (zh) | 图像识别模型的训练方法、图像识别方法及装置 | |
CN110399868B (zh) | 一种滨海湿地鸟类检测方法 | |
CN118097268A (zh) | 一种基于监控场景的长尾目标检测方法 | |
CN110046595A (zh) | 一种基于级联式多尺度的密集人脸检测方法 | |
CN114266952A (zh) | 基于深监督的实时语义分割方法 | |
CN117765363A (zh) | 一种基于轻量型记忆库的图像异常检测方法及系统 | |
CN108369559B (zh) | 应用了图像处理的文档结构分析装置 |
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 |