CN113869181A - 一种选择池化核结构的无人机目标检测方法 - Google Patents
一种选择池化核结构的无人机目标检测方法 Download PDFInfo
- Publication number
- CN113869181A CN113869181A CN202111120211.5A CN202111120211A CN113869181A CN 113869181 A CN113869181 A CN 113869181A CN 202111120211 A CN202111120211 A CN 202111120211A CN 113869181 A CN113869181 A CN 113869181A
- Authority
- CN
- China
- Prior art keywords
- pooling
- target detection
- unmanned aerial
- aerial vehicle
- output
- 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
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
- G06N3/04—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
- G06N3/08—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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种选择池化核结构的无人机目标检测方法,提出一种新的池化方法——选择池化核的最大池化方法,通过多个不同大小的池化核分别对输入特征进行池化操作,并将不同的池化输出进行按通道维度求和,随后在通道维度上求均值,经过多个全连接层、Softmax层获得不同池化输出对应不同通道的选择权值。将选择权值与对应的池化输出进行相乘,随后将乘以选择权值得到的不同特征以及所提结构的原始输入特征进行按通道残差相加,最终获得选择池化核的池化输出,因此能够有效提高池化运算的特征提取能力。本发明将新的池化方法融入到无人机目标检测中,能够极大提高无人机多目标检测模型的训练速度核识别的精度。
Description
技术领域
本发明涉及无人机多目标检测技术,特别涉及基于选择池化核SPK的最大池化技术。
背景技术
深度多目标检测神经网络结构种类繁多,其由多种不同的基础网络层结构构成,如全连接层、卷积层、激活层、。在实际目标检测工程应用中,通过简单的全连接层或卷积层结构获得的特征表征能力较弱,容易受到来自其他因素的影响,导致目标检测模型的准确性和稳定性较差,目标检测任务中目标的特征提取成为一项艰巨的任务。
特征的池化运算操作是通过给定大小的池化核,并且按照给定的步长大小移动池化核对原特征矩阵进行池化运算操作,最终获得池化输出新特征。相比较于神经网络的其他结构,如:全连接网络层FC、卷积网络层、批归一化Batch Normalizer网络层等,池化网络层具有多项优点:(1)能够有效降低特征维度、去除特征冗余信息。通过给定池化核移动步长对特征矩阵进行最大或平均池化运算,能够缩小特征维度。(2)对特征进行压缩。在缩小特征维度的同时,特征得到进一步的压缩,经过池化后的特征具有更强的特征表征能力。(3)简化网络复杂度、减小计算量、减小内存消耗等具有重要的意义。通过池化运算后,特征矩阵得到压缩,模型参数数进一步缩小。因为这些优点,神经网络的池化结构的设计近年来成为图像分类、目标检测等计算机视觉领域的一项研究热点,研究主要集中在:如何设计出具有更强的特征提取能力的池化层结构,提高模型的特征捕捉能力、计算效率和精度。
目前基于最大池化和平均池化等方法的特征池化,所完成的特征提取重构效果较差,导致在无人机目标检测神经网络中采用这类池化结构的目标检测准确度较低,模型训练收敛速度较慢,越来越难以满足现今的生产要求。
发明内容
本发明要解决的技术问题是,为提高无人机多目标检测的精度和模型训练的速度,提供一种基于选择池化核SPK的最大池化方法来进行无人机目标检测。
本发明为解决上述技术问题采用的技术方案是,一种选择池化核结构的无人机目标检测方法,包括以下步骤:
1)通过无人机航拍采集图像数据集,并将采集的数据集划分为训练数据集和测试数据集;
2)构建目标检测模型,并利用训练数据集训练目标检测模型;其中,目标检测模型中的池化处理通过选择池化核SPK实现:
(1)选择池化核SPK接收到输入特征Fin,Fin∈RC×W×H,R表示实数域,C表示输入特征的通道数;W表示输入特征的宽;H表示输入特征的高;
(2)利用三个不同尺寸的最大池化层分别对输入特征Fin进行最大池化运算,分别获得U1、U2、U3三个池化输出特征;其中Ui∈RC×W×H,i=1,2,3;
(5)特征Z分别输入至利用3个权重相互独立且隐层节点数均为C的全连接网络层,再对这3个全连接层的输出使用激活函数Softmax进行处理得到3个输出结果V1、 V2和V3,其中Vi∈RC×1×1,i=1,2,3。
(6)将输出结果Vi作为第i个池化通道的权重,将Vi与对应Ui按通道维度进行相乘得到第i个池化通道的加权输出Gi,其中Gi∈RC×W×H,i=1,2,3;
(7)将三个输出加权输出G1、G2、G3和输入特征Fin按通道维度进行累加最终获得SPK输出特征Fout,Fout∈RC×W×H;
3)将测试数据集输入训练好的目标检测模型进行评估,通过评估的目标检测模型部署到无人机上用于实时的无人机目标检测。
本发明提出一种新的池化方法——选择池化核的最大池化方法,通过多个不同大小的池化核分别对输入特征进行池化操作,并将不同的池化输出进行按通道维度求和,随后在通道维度上求均值,经过多个全连接层、Softmax层获得不同池化输出对应不同通道的选择权值。将选择权值与对应的池化输出进行相乘,随后将乘以选择权值得到的不同特征以及所提结构的原始输入特征进行按通道残差相加,最终获得选择池化核的池化输出,因此能够有效提高池化运算的特征提取能力。
本发明的有益效果是:将新的池化方法融入到无人机目标检测中,能够极大提高无人机多目标检测模型的训练速度核识别的精度。
附图说明
图1为实施例的流程图;
图2为实施例中采用选择池化核的最大池化方法的结构示意图;
图3为实施例中采用的无人机图像帧示意图;
图4为实施例所得的无人机目标检测结果图;
图5为实施例模型训练损失值图;
图6为实施例模型在训练过程中损失函数的收敛情况。
具体实施方式
本发明提出的选择池化核SPK的池化结构作为一种新的池化层结构,能够通过不同尺寸的池化层分别提取图像的不同特征,极大程度上提高特征的提取能力,并且通过选择池化结构,能够有效加速模型的训练速度和提高模型的检测精度。因此本发明可通过融入到现有的目标检测基础模型,从而有效提高目标检测模型的特征提取能力和检测精度。除了YOLO4-tiny目标检测模型外,本发明还可以选用YOLO3、YOLO3-tiny、 Faster R-CNN等基本目标检测模型算法。YOLO4-tiny是YOLO4算法模型的简化版,在网络的层数、深度、结构都作出极大的简化,在参数的数量上,YOLO4-tiny需要训练的参数比YOLO4少很多,因此,YOLO4-tiny模型的精度比YOLO4模型相对较低,但YOLO4-tiny的检测速度比YOLO4快很多。
选择池化核SPK的池化处理过程如图2所示:
步骤1:当前选择池化核SPK池化层的输入特征为Fin,大小为C×W×H。其中 C表示输入特征的通道数;W表示特征的宽;H表示特征的高。
步骤2:利用大小为3×3、5×5、7×7的最大池化层分别对输入特征Fin进行最大池化运算,分别获得U1、U2、U3三个池化输出特征。其中Ui∈RC×W×H,i=1,2,3。
步骤5:利用3个权重相互独立,且隐层节点数均为C的全连接网络层分别对特征Z进行运算操作,并对全连接层输出利用Softmax函数进行激活运算,最终获得V1、 V2和V3的3个输出结果,其中Vi∈RC×1×1,i=1,2,3。
步骤6:将Vi与Ui按通道维度进行相乘得到输出Gi,即将Ui对应通道c的不同特征点Ui(c,j,k)与Vi对应通道c的权重Vi(c,1,1)相乘。
步骤7:将步骤6获得的输出Gi∈RC×W×H(i=1,2,3)按通道维度进行累加,并将当前选择池化核(SPK)池化层的输入特征Fin∈RC×W×H按通道维度进行累加,最终获得输出Fout∈RC×W×H。
具体的,步骤1的当前选择池化核(SPK)池化层的输入特征Fin可以是YOLO4-tiny模型中的某一层卷积输出特征。
具体的,步骤3的特征累加表达式如下:
具体的,步骤6的池化输出与选择权值按通道相乘的表达式为:
基于上述思想,实施例提供了一种无人机多目标检测方法,工作流程如图1所示,具体步骤如下:
步骤1:通过无人机进行航拍采集大量图像数据集,并通过人工手动标记相应图像内每个目标的区域标签框(Bounding Box)。
步骤2:将数据集划分为训练数据集和测试数据集。
步骤3:构造实现选择池化核SPK的池化结构层,选择池化核的池化结构如图2所示。
步骤4:将构造好的选择池化核的池化层融入到YOLO4-tiny模型中,替换 YOLO4-tiny模型中的部分最大池化层结构,获得改进的YOLO4-spk-tiny目标检测模型。
步骤5:利用训练数据集训练YOLO4-spk-tiny模型,最终获得训练好的YOLO4-spk-tiny无人机多目标检测模型。
步骤6:通过测试数据集对训练好的YOLO4-spk-tiny模型进行测试,获得测试结果。
步骤7:将YOLO4-spk-tiny模型部署在无人机应用上。
以下结合具体实例——无人机航拍对地面多目标检测,对实施例进一步说明。试验数据如下表1所示:
表1试验采集的无人机航拍图像
其中,10个类别分别包括:行人、人、自行车、车、货车、卡车、三轮车、遮阳棚车、公共汽车和摩托车
实验时,采用的训练环境Windows环境下NVDIA 1050Ti显卡,迭代的次数为10 次迭代。
第一步:通过无人机航拍采集图像数据集,并将采集的数据集划分为训练数据集和测试数据集。图3为无人航拍采集的原图像。由图可知,视野中包含各类目标,如:人、行人、车等,并且图像中的目标相对较小,背景较为复杂,部分目标被严重遮挡,因此难以准确识别出图像视野中包含的目标。
第二步:构建YOLO4-spk-tiny目标检测模型,并利用训练数据集训练 YOLO4-spk-tiny目标检测模型。
第三步:通过测试数据集对模型进行评估验证。图4和图5分别是测试采用的图像以及通过YOLO4-spk-tiny目标检测模型获得的检测结果图。
第四步:部署到无人机上进行应用。
通过上述步骤,最终获得的无人机目标检测结果如图5所示。由图5可知,视野中部分目标被样子遮挡,然而YOLO4-spk-tiny模型能够有效识别出其中被遮挡的目标。同时,与未改进的YOLO4-tiny目标检测模型相比较,其比较结果如表2所示:
表2 YOLO4-spk-tiny与YOLO4-tiny比较结果(IoU=0.5)
其中,IoU表示预测框与真实框的交集占比,表达式如下:
因此,可判断引入选择池化核的池化层结果的YOLO4-spk-tiny比未进行改进的YOLO4-tiny模型在无人机目标检测任务中具有更优的效果,并且结果与实验方案一致,证明了实施例的有效性。
为了进一步说明本发明方法的优越性,图6给出了YOLO4-tiny模型核 YOLO4-spk-tiny模型在训练过程中损失函数的收敛情况,如图所示,YOLO4-spk-tiny 模型在训练过程中具有更快的收敛速度。
Claims (4)
1.一种选择池化核结构的无人机目标检测方法,其特征在于,包括以下步骤:
1)通过无人机航拍采集图像数据集,并将采集的数据集划分为训练数据集和测试数据集;
2)构建目标检测模型,并利用训练数据集训练目标检测模型;其中,目标检测模型中的池化处理通过选择池化核SPK实现:
(1)选择池化核SPK接收到输入特征Fin,Fin∈RC×W×H,R表示实数域,C表示输入特征的通道数;W表示输入特征的宽;H表示输入特征的高;
(2)利用三个不同尺寸的最大池化层分别对输入特征Fin进行最大池化运算,分别获得U1、U2、U3三个池化输出特征;其中Ui∈RC×W×H,i=1,2,3;
(5)特征Z分别输入至利用3个权重相互独立且隐层节点数均为C的全连接网络层,再对这3个全连接层的输出使用激活函数Softmax进行处理得到3个输出结果V1、V2和V3,其中Vi∈RC×1×1,i=1,2,3。
(6)将输出结果Vi作为第i个池化通道的权重,将Vi与对应Ui按通道维度进行相乘得到第i个池化通道的加权输出Gi,其中Gi∈RC×W×H,i=1,2,3;
(7)将三个输出加权输出G1、G2、G3和输入特征Fin按通道维度进行累加最终获得SPK输出特征Fout,Fout∈RC×W×H;
3)将测试数据集输入训练好的目标检测模型进行评估,通过评估的目标检测模型部署到无人机上用于实时的无人机目标检测。
2.如权利要求1所述方法,其特征在于,所述目标检测模型采用简化版YOLO4算法YOLO4-tiny。
3.如权利要求1或2所述方法,其特征在于,步骤(2)中三个不同尺寸的最大池化层的大小为3×3、5×5、7×7。
4.如权利要求2所述方法,其特征在于,选择池化核SPK接收到输入特征Fin为YOLO4-tiny模型中一卷积层输出的特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111120211.5A CN113869181B (zh) | 2021-09-24 | 2021-09-24 | 一种选择池化核结构的无人机目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111120211.5A CN113869181B (zh) | 2021-09-24 | 2021-09-24 | 一种选择池化核结构的无人机目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113869181A true CN113869181A (zh) | 2021-12-31 |
CN113869181B CN113869181B (zh) | 2023-05-02 |
Family
ID=78993688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111120211.5A Active CN113869181B (zh) | 2021-09-24 | 2021-09-24 | 一种选择池化核结构的无人机目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113869181B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705562A (zh) * | 2019-08-22 | 2020-01-17 | 清华大学 | 一种采用注意力机制的金字塔池化多尺度特征学习方法 |
CN110766632A (zh) * | 2019-10-22 | 2020-02-07 | 广东启迪图卫科技股份有限公司 | 基于通道注意力机制和特征金字塔的图像去噪方法 |
US20200057935A1 (en) * | 2017-03-23 | 2020-02-20 | Peking University Shenzhen Graduate School | Video action detection method based on convolutional neural network |
WO2020113355A1 (en) * | 2018-12-03 | 2020-06-11 | Intel Corporation | A content adaptive attention model for neural network-based image and video encoders |
CN111369563A (zh) * | 2020-02-21 | 2020-07-03 | 华南理工大学 | 一种基于金字塔空洞卷积网络的语义分割方法 |
US20200226421A1 (en) * | 2019-01-15 | 2020-07-16 | Naver Corporation | Training and using a convolutional neural network for person re-identification |
WO2020164270A1 (zh) * | 2019-02-15 | 2020-08-20 | 平安科技(深圳)有限公司 | 基于深度学习的行人检测方法、系统、装置及存储介质 |
CN112017198A (zh) * | 2020-10-16 | 2020-12-01 | 湖南师范大学 | 基于自注意力机制多尺度特征的右心室分割方法及装置 |
WO2021031066A1 (zh) * | 2019-08-19 | 2021-02-25 | 中国科学院深圳先进技术研究院 | 一种软骨图像分割方法、装置、可读存储介质及终端设备 |
CN112418176A (zh) * | 2020-12-09 | 2021-02-26 | 江西师范大学 | 一种基于金字塔池化多级特征融合网络的遥感图像语义分割方法 |
CN112766279A (zh) * | 2020-12-31 | 2021-05-07 | 中国船舶重工集团公司第七0九研究所 | 一种基于联合注意力机制的图像特征提取方法 |
CN112862875A (zh) * | 2021-01-18 | 2021-05-28 | 中国科学院自动化研究所 | 基于选择性机制注意力机制的雨图去雨方法、系统及设备 |
US20210166347A1 (en) * | 2019-11-29 | 2021-06-03 | NavInfo Europe B.V. | Semantic Segmentation Architecture |
CN113140023A (zh) * | 2021-04-29 | 2021-07-20 | 南京邮电大学 | 一种基于空间注意力的文本到图像生成方法及系统 |
US20210232813A1 (en) * | 2020-01-23 | 2021-07-29 | Tongji University | Person re-identification method combining reverse attention and multi-scale deep supervision |
CN113239904A (zh) * | 2021-07-09 | 2021-08-10 | 南京理工大学 | 基于卷积神经网络的高分辨率密集目标计数方法 |
CN113269701A (zh) * | 2021-05-08 | 2021-08-17 | 大连海事大学 | 一种基于注意力引导和核选择机制的低照度图像增强方法 |
CN113298850A (zh) * | 2021-06-11 | 2021-08-24 | 安徽大学 | 一种基于注意力机制与特征融合的目标跟踪方法及系统 |
CN113420869A (zh) * | 2021-06-30 | 2021-09-21 | 平安科技(深圳)有限公司 | 基于全方向注意力的翻译方法及其相关设备 |
-
2021
- 2021-09-24 CN CN202111120211.5A patent/CN113869181B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200057935A1 (en) * | 2017-03-23 | 2020-02-20 | Peking University Shenzhen Graduate School | Video action detection method based on convolutional neural network |
WO2020113355A1 (en) * | 2018-12-03 | 2020-06-11 | Intel Corporation | A content adaptive attention model for neural network-based image and video encoders |
US20200226421A1 (en) * | 2019-01-15 | 2020-07-16 | Naver Corporation | Training and using a convolutional neural network for person re-identification |
WO2020164270A1 (zh) * | 2019-02-15 | 2020-08-20 | 平安科技(深圳)有限公司 | 基于深度学习的行人检测方法、系统、装置及存储介质 |
WO2021031066A1 (zh) * | 2019-08-19 | 2021-02-25 | 中国科学院深圳先进技术研究院 | 一种软骨图像分割方法、装置、可读存储介质及终端设备 |
CN110705562A (zh) * | 2019-08-22 | 2020-01-17 | 清华大学 | 一种采用注意力机制的金字塔池化多尺度特征学习方法 |
CN110766632A (zh) * | 2019-10-22 | 2020-02-07 | 广东启迪图卫科技股份有限公司 | 基于通道注意力机制和特征金字塔的图像去噪方法 |
US20210166347A1 (en) * | 2019-11-29 | 2021-06-03 | NavInfo Europe B.V. | Semantic Segmentation Architecture |
US20210232813A1 (en) * | 2020-01-23 | 2021-07-29 | Tongji University | Person re-identification method combining reverse attention and multi-scale deep supervision |
CN111369563A (zh) * | 2020-02-21 | 2020-07-03 | 华南理工大学 | 一种基于金字塔空洞卷积网络的语义分割方法 |
CN112017198A (zh) * | 2020-10-16 | 2020-12-01 | 湖南师范大学 | 基于自注意力机制多尺度特征的右心室分割方法及装置 |
CN112418176A (zh) * | 2020-12-09 | 2021-02-26 | 江西师范大学 | 一种基于金字塔池化多级特征融合网络的遥感图像语义分割方法 |
CN112766279A (zh) * | 2020-12-31 | 2021-05-07 | 中国船舶重工集团公司第七0九研究所 | 一种基于联合注意力机制的图像特征提取方法 |
CN112862875A (zh) * | 2021-01-18 | 2021-05-28 | 中国科学院自动化研究所 | 基于选择性机制注意力机制的雨图去雨方法、系统及设备 |
CN113140023A (zh) * | 2021-04-29 | 2021-07-20 | 南京邮电大学 | 一种基于空间注意力的文本到图像生成方法及系统 |
CN113269701A (zh) * | 2021-05-08 | 2021-08-17 | 大连海事大学 | 一种基于注意力引导和核选择机制的低照度图像增强方法 |
CN113298850A (zh) * | 2021-06-11 | 2021-08-24 | 安徽大学 | 一种基于注意力机制与特征融合的目标跟踪方法及系统 |
CN113420869A (zh) * | 2021-06-30 | 2021-09-21 | 平安科技(深圳)有限公司 | 基于全方向注意力的翻译方法及其相关设备 |
CN113239904A (zh) * | 2021-07-09 | 2021-08-10 | 南京理工大学 | 基于卷积神经网络的高分辨率密集目标计数方法 |
Non-Patent Citations (4)
Title |
---|
CHEN Y等: ""Appearance guidance attention for multi-object tracking"" * |
TONGLE FAN等: ""MA0Net:A Multi-scale Attention Network for Liver and Tumor Segmentation"" * |
许克应等: ""结合注意力与特征融合网络调制的视觉跟踪算法"" * |
赵斐: ""基于金字塔注意力机制的遥感图像语义分割"" * |
Also Published As
Publication number | Publication date |
---|---|
CN113869181B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612008B (zh) | 基于卷积网络的图像分割方法 | |
CN109886066B (zh) | 基于多尺度和多层特征融合的快速目标检测方法 | |
CN109063724B (zh) | 一种增强型生成式对抗网络以及目标样本识别方法 | |
CN111461083A (zh) | 基于深度学习的快速车辆检测方法 | |
CN107679465A (zh) | 一种基于生成网络的行人重识别数据生成和扩充方法 | |
CN112949673A (zh) | 一种基于全局注意力的特征融合目标检测与识别方法 | |
CN110930387A (zh) | 基于深度可分离卷积神经网络的织物疵点检测方法 | |
CN111160249A (zh) | 基于跨尺度特征融合的光学遥感图像多类目标检测方法 | |
CN112396587B (zh) | 一种基于协同训练和密度图的公交车厢内拥挤度检测方法 | |
CN103699874B (zh) | 基于surf流和lle稀疏表示的人群异常行为识别方法 | |
CN112070713A (zh) | 一种引入attention机制的多尺度目标检测方法 | |
CN113920107A (zh) | 一种基于改进yolov5算法的绝缘子破损检测方法 | |
CN113487576B (zh) | 一种基于通道注意力机制的虫害图像检测方法 | |
CN114898327B (zh) | 一种基于轻量化深度学习网络的车辆检测方法 | |
CN112766283B (zh) | 一种基于多尺度卷积网络的两相流流型识别方法 | |
CN115063786A (zh) | 一种高位远景模糊车牌检测方法 | |
CN111639697B (zh) | 基于非重复采样与原型网络的高光谱图像分类方法 | |
CN113077444A (zh) | 一种基于cnn的超声无损检测图像缺陷分类方法 | |
CN112785610B (zh) | 一种融合低层特征的车道线语义分割方法 | |
CN112967296B (zh) | 一种点云动态区域图卷积方法、分类方法及分割方法 | |
CN110852255B (zh) | 一种基于u型特征金字塔的交通目标检测方法 | |
CN111612803B (zh) | 一种基于图像清晰度的车辆图像语义分割方法 | |
CN117710841A (zh) | 一种无人机航拍图像的小目标检测方法、装置 | |
CN112560668A (zh) | 一种基于场景先验知识的人体行为识别方法 | |
CN112132207A (zh) | 基于多分支特征映射目标检测神经网络构建方法 |
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 |