CN113935386A - 一种目标检测方法及装置 - Google Patents
一种目标检测方法及装置 Download PDFInfo
- Publication number
- CN113935386A CN113935386A CN202010601392.2A CN202010601392A CN113935386A CN 113935386 A CN113935386 A CN 113935386A CN 202010601392 A CN202010601392 A CN 202010601392A CN 113935386 A CN113935386 A CN 113935386A
- Authority
- CN
- China
- Prior art keywords
- target
- sample
- image
- frame
- sample image
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- 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
-
- 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
Abstract
本发明实施例公开一种目标检测方法及装置,该方法包括:获得待检测图像;利用预先建立的目标检测模型及待检测图像,确定待检测图像对应的目标检测结果,目标检测结果包括:待检测图像中检测目标对应的目标检测框位置信息及其对应的目标框质量信息,预先建立的目标检测模型为:基于样本图像及其对应的标定信息以及所对应样本框质量信息训练所得的模型,样本图像对应的样本框质量信息为:基于该样本图像对应的标定信息中标定框位置信息以及基于预先建立的目标检测模型所对应初始目标检测模型检测出的该样本图像对应的预测框位置信息,确定的信息,以实现对图像中目标对应的检测框的准确性的确定,得到准确性更好的目标对应的检测框。
Description
技术领域
本发明涉及目标检测技术领域,具体而言,涉及一种目标检测方法及装置。
背景技术
目前的目标检测技术中,利用目标检测模型对待检测图像进行检测,所得到的检测结果一般包括检测目标对应的目标检测框位置信息及其对应的类别概率信息,并在利用目标检测模型于目标检测模型从待检测图像所预测的多个候选检测框位置信息中,筛选出最终输出的目标对应的目标检测框位置信息的过程中,利用各目标检测框位置信息对应的类别概率信息,进行筛选,得到最终输出的目标对应的目标检测框位置信息,其中,该类别概率信息为表示所对应目标为某一类别的置信度。
然而,目前大多数应用目标检测技术的场景,例如:车辆检测场景、行人检测场景等,需要基于目标检测模型从待检测图像中,检测得到位置更加准确的目标对应的目标检测框位置信息,即需要得到所对应框质量信息更加高的目标对应的目标检测框位置信息。而目前的目标检测技术无法实现对检测框位置信息对应的质量信息的确定。
那么,如何提供一种确定目标所对应检测框的质量信息的方法成为亟待解决的问题。
发明内容
本发明提供了一种目标检测方法及装置,以实现对图像中目标对应的检测框的准确性的确定,进而得到准确性更好的目标对应的检测框。具体的技术方案如下:
第一方面,本发明实施例提供了一种目标检测方法,所述方法包括:
获得待检测图像;
利用预先建立的目标检测模型以及所述待检测图像,确定所述待检测图像对应的目标检测结果,其中,所述目标检测结果包括:所述待检测图像中检测目标对应的目标检测框位置信息及目标检测框位置信息对应的目标框质量信息,所述预先建立的目标检测模型为:基于样本图像及其对应的标定信息以及所对应样本框质量信息训练所得的模型,所述样本图像对应的样本框质量信息为:基于该样本图像对应的标定信息中标定框位置信息以及基于预先建立的目标检测模型所对应初始目标检测模型检测出的该样本图像对应的预测框位置信息,确定的信息。
可选的,所述样本图像对应的样本框质量信息为:基于该样本图像对应的标定信息中的标定框位置信息以及基于预先建立的目标检测模型所对应初始目标检测模型检测出的该样本图像对应的预测框位置信息之间的交集面积与并集面积的比值信息。
可选的,所述目标检测结果还包括:所述待检测图像中检测目标对应的检测类别信息。
可选的,在所述利用预先建立的目标检测模型以及所述待检测图像,从所述待检测图像中,检测出其中的待检测目标对应的目标检测框位置信息及目标检测框位置信息对应的目标框质量信息的步骤之前,所述方法还包括:
训练得到所述预先建立的目标检测模型的过程,其中,所述过程包括:
获得所述初始目标检测模型,其中,所述初始目标检测模型包括特征提取层、特征分类层以及特征回归层;
获得多个样本图像以及样本图像对应的标定信息,其中,所述标定信息包括:所对应样本图像中包含的样本目标对应的标定框位置信息以及标定类别信息;
针对每一样本图像,将该样本图像输入所述特征提取层,提取得到该样本图像对应的样本图像特征;
针对每一样本图像,将该样本图像对应的样本图像特征输入所述特征回归层,得到该样本图像中样本目标对应的预测框位置信息;
针对每一样本图像中每一样本目标,计算该样本目标对应的标定框位置信息以及对应的预测框位置信息之间的交集面积与并集面积的比值信息,确定为该样本目标对应的真实框质量信息;
针对每一样本图像,将该样本图像对应的样本图像特征以及该样本图像中样本目标对应的预测框位置信息输入所述特征分类层,确定该样本图像中样本目标对应的预测类别信息以及预测框质量信息;
针对每一样本图像,基于预设定位质量聚焦损失函数、该样本图像中样本目标对应的预测框质量信息和真实框质量信息,以及预设类别损失函数、该样本图像中样本目标对应的预测类别信息和标定类别信息,确定当前的损失值;
判断当前的损失值是否超过预设损失值阈值;
若判断结果为是,则调整所述特征提取层、所述特征回归层以及所述特征分类层的模型参数,返回执行针对每一样本图像,将该样本图像输入所述特征提取层,提取得到该样本图像对应的样本图像特征的步骤;
若判断结果为否,则确定所述初始目标检测模型达到收敛状态,得到预先建立的目标检测模型。
可选的,所述预设定位质量聚焦损失函数的表达式为:
LFL(i)=-((1-pi)log(1-qi)+pilog(qi))|pi-qi|γ;
其中,所述LFL(i)表示该样本图像中第i个样本目标对应的预测框质量信息和真实框质量信息之间的第一损失值,pi表示该样本图像中第i个样本目标对应的真实框质量信息,qi表示该样本图像中第i个样本目标对应的预测框质量信息,γ表示预设参数。
可选的,所述样本图像对应的样本框质量信息以及样本类别信息以预设软独热编码的形式存在,所述样本图像对应的样本框质量信息在预设软独热编码中的位置表示样本图像对应的样本类别信息。
可选的,所述利用预先建立的目标检测模型以及所述待检测图像,确定所述待检测图像对应的目标检测结果的步骤,包括:
将所述待检测图像输入预先建立的目标检测模型的特征提取层,提取得到所述待检测图像对应的待检测图像特征;
将所述待检测图像特征输入所述预先建立的目标检测模型的特征回归层,确定所述待检测图像对应的候选框位置信息;
将所述待检测图像特征以及所述候选框位置信息输入所述预先建立的目标检测模型的特征分类层,确定出所述待检测图像中每一检测目标对应的每一候选框位置信息对应的检测类别信息以及目标框质量信息;
针对所述待检测图像中每一检测目标,基于预设抑制算法、该检测目标对应的每一候选框位置信息对应的目标框质量信息,从该检测目标对应的所有候选框位置信息中,确定出满足预设筛选条件的候选框位置信息,作为该检测目标对应的目标检测框位置信息,以得到所述待检测图像对应的目标检测结果,其中,所述预设筛选条件为:限定该检测目标对应的候选框位置信息中所对应目标框质量信息最大的条件。
第二方面,本发明实施例提供了一种目标检测装置,所述装置包括:
获得模块,被配置为获得待检测图像;
确定模块,被配置为利用预先建立的目标检测模型以及所述待检测图像,确定所述待检测图像对应的目标检测结果,其中,所述目标检测结果包括:所述待检测图像中检测目标对应的目标检测框位置信息及目标检测框位置信息对应的目标框质量信息,所述预先建立的目标检测模型为:基于样本图像及其对应的标定信息以及所对应样本框质量信息训练所得的模型,所述样本图像对应的样本框质量信息为:基于该样本图像对应的标定信息中标定框位置信息以及基于预先建立的目标检测模型所对应初始目标检测模型检测出的该样本图像对应的预测框位置信息,确定的信息。
可选的,所述样本图像对应的样本框质量信息为:基于该样本图像对应的标定信息中的标定框位置信息以及基于预先建立的目标检测模型所对应初始目标检测模型检测出的该样本图像对应的预测框位置信息之间的交集面积与并集面积的比值信息。
可选的,所述目标检测结果还包括:所述待检测图像中检测目标对应的检测类别信息。
可选的,所述装置还包括:
模型训练模块,被配置为在所述利用预先建立的目标检测模型以及所述待检测图像,从所述待检测图像中,检测出其中的待检测目标对应的目标检测框位置信息及目标检测框位置信息对应的目标框质量信息之前,训练得到所述预先建立的目标检测模型,其中,所述模型训练模块,被具体配置为获得所述初始目标检测模型,其中,所述初始目标检测模型包括特征提取层、特征分类层以及特征回归层;
获得多个样本图像以及样本图像对应的标定信息,其中,所述标定信息包括:所对应样本图像中包含的样本目标对应的标定框位置信息以及标定类别信息;
针对每一样本图像,将该样本图像输入所述特征提取层,提取得到该样本图像对应的样本图像特征;
针对每一样本图像,将该样本图像对应的样本图像特征输入所述特征回归层,得到该样本图像中样本目标对应的预测框位置信息;
针对每一样本图像中每一样本目标,计算该样本目标对应的标定框位置信息以及对应的预测框位置信息之间的交集面积与并集面积的比值信息,确定为该样本目标对应的真实框质量信息;
针对每一样本图像,将该样本图像对应的样本图像特征以及该样本图像中样本目标对应的预测框位置信息输入所述特征分类层,确定该样本图像中样本目标对应的预测类别信息以及预测框质量信息;
针对每一样本图像,基于预设定位质量聚焦损失函数、该样本图像中样本目标对应的预测框质量信息和真实框质量信息,以及预设类别损失函数、该样本图像中样本目标对应的预测类别信息和标定类别信息,确定当前的损失值;
判断当前的损失值是否超过预设损失值阈值;
若判断结果为是,则调整所述特征提取层、所述特征回归层以及所述特征分类层的模型参数,返回执行针对每一样本图像,将该样本图像输入所述特征提取层,提取得到该样本图像对应的样本图像特征的步骤;
若判断结果为否,则确定所述初始目标检测模型达到收敛状态,得到预先建立的目标检测模型。
可选的,所述预设定位质量聚焦损失函数的表达式为:
LFL(i)=-((1-pi)log(1-qi)+pilog(qi))|pi-qi|γ;
其中,所述LFL(i)表示该样本图像中第i个样本目标对应的预测框质量信息和真实框质量信息之间的第一损失值,pi表示该样本图像中第i个样本目标对应的真实框质量信息,qi表示该样本图像中第i个样本目标对应的预测框质量信息,γ表示预设参数。
可选的,所述样本图像对应的样本框质量信息以及样本类别信息以预设软独热编码的形式存在,所述样本图像对应的样本框质量信息在预设软独热编码中的位置表示样本图像对应的样本类别信息。
可选的,所述确定模块,被具体配置为将所述待检测图像输入预先建立的目标检测模型的特征提取层,提取得到所述待检测图像对应的待检测图像特征;
将所述待检测图像特征输入所述预先建立的目标检测模型的特征回归层,确定所述待检测图像对应的候选框位置信息;
将所述待检测图像特征以及所述候选框位置信息输入所述预先建立的目标检测模型的特征分类层,确定出所述待检测图像中每一检测目标对应的每一候选框位置信息对应的检测类别信息以及目标框质量信息;
针对所述待检测图像中每一检测目标,基于预设抑制算法、该检测目标对应的每一候选框位置信息对应的目标框质量信息,从该检测目标对应的所有候选框位置信息中,确定出满足预设筛选条件的候选框位置信息,作为该检测目标对应的目标检测框位置信息,以得到所述待检测图像对应的目标检测结果,其中,所述预设筛选条件为:限定该检测目标对应的候选框位置信息中所对应目标框质量信息最大的条件。
由上述内容可知,本发明实施例提供的一种目标检测方法及装置,获得待检测图像;利用预先建立的目标检测模型以及待检测图像,确定待检测图像对应的目标检测结果,其中,目标检测结果包括:待检测图像中检测目标对应的目标检测框位置信息及目标检测框位置信息对应的目标框质量信息,预先建立的目标检测模型为:基于样本图像及其对应的标定信息以及所对应样本框质量信息训练所得的模型,样本图像对应的样本框质量信息为:基于该样本图像对应的标定信息中标定框位置信息以及基于预先建立的目标检测模型所对应初始目标检测模型检测出的该样本图像对应的预测框位置信息,确定的信息。
应用本发明实施例,基于样本图像及其对应的标定信息以及所对应样本框质量信息训练所得的预先建立的目标检测模型,具有预测图像中检测目标对应的目标检测框对应的质量的功能,且该样本框质量信息为基于该样本图像对应的标定信息中标定框位置信息以及基于预先建立的目标检测模型所对应初始目标检测模型检测出的该样本图像对应的预测框位置信息,确定的信息,通过预先建立的目标检测模型的预测图像中目标对应的框位置信息对应的框质量信息,可以实现筛选出检测目标所对应框质量信息更好的框位置信息作为目标检测框位置信息,以实现对图像中目标对应的检测框的准确性的确定,进而得到准确性更好的目标对应的检测框。当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
本发明实施例的创新点包括:
1、基于样本图像及其对应的标定信息以及所对应样本框质量信息训练所得的预先建立的目标检测模型,具有预测图像中检测目标对应的目标检测框对应的质量的功能,且该样本框质量信息为基于该样本图像对应的标定信息中标定框位置信息以及基于预先建立的目标检测模型所对应初始目标检测模型检测出的该样本图像对应的预测框位置信息,确定的信息,通过预先建立的目标检测模型的预测图像中目标对应的框位置信息对应的框质量信息,可以实现筛选出检测目标所对应框质量信息更好的框位置信息作为目标检测框位置信息,以实现对图像中目标对应的检测框的准确性的确定,进而得到准确性更好的目标对应的检测框。
2、将基于该样本图像对应的标定信息中的标定框位置信息以及基于预先建立的目标检测模型所对应初始目标检测模型检测出的该样本图像对应的预测框位置信息之间的交集面积与并集面积的比值信息,作为样本图像对应的样本框质量信息,使得预先建立的目标检测模型学习到更符合实际的框质量的预测功能,为后续的框位置信息对应的框质量信息的预测,并基于框质量信息对框位置信息的筛选提供基础。
3、训练得到预先建立的目标检测模型的过程,通过初始目标检测模型的特征提取层、特征回归层以及样本图像,得到样本图像中样本目标对应的预测框位置信息,进而计算针对每一样本图像中每一样本目标,计算该样本目标对应的标定框位置信息以及对应的预测框位置信息之间的交集面积与并集面积的比值信息,确定为该样本目标对应的真实框质量信息,进而,通过初始目标检测模型的特征分类层、该样本图像对应的样本图像特征以及该样本图像中样本目标对应的预测框位置信息,确定该样本图像中样本目标对应的预测类别信息以及预测框质量信息;利用预设定位质量聚焦损失函数、该样本图像中样本目标对应的预测框质量信息和真实框质量信息,以及预设类别损失函数、该样本图像中样本目标对应的预测类别信息和标定类别信息,确定当前的损失值,若当前的损失值超过预设损失值阈值,调整特征提取层、特征回归层以及特征分类层的模型参数,并返回针对每一样本图像,将该样本图像输入所述特征提取层,提取得到该样本图像对应的样本图像特征;若当前的损失值未超过预设损失值阈值则,确定得到预先建立的目标检测模型,实现模型的训练,使得预先建立的目标检测模型具有预测图像中检测目标对应的目标检测框对应的质量的能力,为后续的检测框位置信息的确定提供基础。
4、设置可以支持框质量信息预测训练的预设定位质量聚焦损失函数,以支持预先建立的目标检测模型对图像中检测目标对应的目标检测框对应的质量的预测能力的训练。
5、样本图像对应的样本框质量信息以及样本类别信息以预设软独热编码的形式存在,并且样本图像对应的样本框质量信息在预设软独热编码中的位置表示样本图像对应的样本类别信息,实现类别信息与框质量信息的联合表示。
6、通过预先建立的目标检测模型对待检测图像进行检测过程中,通过预先建立的目标检测模型的特征提取层以及特征回归层,确定出待检测图像对应的候选框位置信息,进而,结合预先建立的目标检测模型的特征分类层,确定出待检测图像中每一检测目标对应的每一候选框位置信息对应的检测类别信息以及目标框质量信息;通过预设抑制算法、该检测目标对应的每一候选框位置信息对应的目标框质量信息,从该检测目标对应的所有候选框位置信息中,确定出满足预设筛选条件的候选框位置信息,作为该检测目标对应的目标检测框位置信息,以得到所述待检测图像对应的目标检测结果。实现通过比较框质量信息所表征的所对应候选框位置信息的准确性的高低,来完成对所对应候选框位置信息的筛选和确定,以得到检测位置准确性更好的框位置信息。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例。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的附图。
图1为本发明实施例提供的目标检测方法的一种流程示意图;
图2为训练得到预先建立的目标检测模型的过程一种流程示意图;
图3为联合表示的类别信息与框质量信息的一种示意图;
图4为本发明实施例提供的目标检测装置的一种结构示意图。
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清楚、完整的描述。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,本发明实施例及附图中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。例如包含的一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
本发明提供了一种目标检测方法及装置,以实现对图像中目标对应的检测框的准确性的确定,进而得到准确性更好的目标对应的检测框。下面对本发明实施例进行详细说明。
图1为本发明实施例提供的目标检测方法的一种流程示意图。该方法可以包括如下步骤:
S101:获得待检测图像。
本发明实施例所提供的目标检测方法,可以应用于任一具有计算能力的电子设备,该电子设备可以为终端或者服务器。在一种实现方式中,该电子设备可以为车载设备,设置于车辆上,该车辆还可以设置有图像采集设备,图像采集设备可以针对车辆所处环境采集图像,电子设备与图像采集设备连接,可以获得图像采集设备所采集的图像,作为待检测图像。另一种实现方式中,该电子设备可以为非车载设备,电子设备可以与针对目标场景进行拍摄的图像采集设备连接,获得图像采集设备针对目标场景采集的图像,作为待检测图像,一种情况中,该目标场景可以为公路场景或广场场景或室内场景,这都是可以的。
该待检测图像可以为RGB(Red Green Blue,红绿蓝)图像,也可以为红外图像,这都是可以的。本发明实施例并不对待检测图像的类型进行限定。
S102:利用预先建立的目标检测模型以及待检测图像,确定待检测图像对应的目标检测结果。
其中,目标检测结果包括:待检测图像中检测目标对应的目标检测框位置信息及目标检测框位置信息对应的目标框质量信息,预先建立的目标检测模型为:基于样本图像及其对应的标定信息以及所对应样本框质量信息训练所得的模型,样本图像对应的样本框质量信息为:基于该样本图像对应的标定信息中标定框位置信息以及基于预先建立的目标检测模型所对应初始目标检测模型检测出的该样本图像对应的预测框位置信息,确定的信息。
电子设备本地或所连接的存储设备本地存储有基于样本图像及其对应的标定信息以及所对应样本框质量信息训练所得的预先建立的目标检测模型,其中,该预先建立的目标检测模型在训练过程中利用预设定位质量聚焦损失函数来调整相应的模型参数。样本图像对应的样本框质量信息为:基于该样本图像对应的标定信息中标定框位置信息以及基于预先建立的目标检测模型所对应初始目标检测模型检测出的该样本图像对应的预测框位置信息,确定的信息。该基于样本图像及其对应的标定信息以及所对应样本框质量信息训练所得的预先建立的目标检测模型,具有预测各检测框对应的质量的能力,即各检测框位置信息对应的框质量信息的能力,该框质量信息可以表征所对应的检测所得的检测框位置信息的准确性。一种情况,检测框位置信息对应的框质量信息可以通过数值表征,该框质量信息的数值越大,表征其所对应的检测框位置信息的准确性越高,即表征该检测框位置信息所表征位置区域与目标所在位置区域越相符。其中,为了布局情况,预先建立的目标检测模型的训练过程后续进行说明。
电子设备将待检测图像输入该预先建立的目标检测模型,利用预先建立的目标检测模型对待检测图像进行图像特征提取,得到待检测图像特征;并利用预先建立的目标检测模型对待检测图像特征进行回归,从待检测图像中回归出多个作为候选的候选检测框,得到其位置信息;利用预先建立的目标检测模型、多个候选检测框位置信息以及待检测图像特征,预测各候选检测框位置信息对应的框质量信息,进而利用框质量信息对多个候选检测框位置信息进行筛选,筛选出各检测目标对应的框质量信息表征所对应候选检测框位置信息较准确的候选检测框位置信息,以得到包括待检测图像中检测目标对应的目标检测框位置信息及目标检测框位置信息对应的目标框质量信息。
应用本发明实施例,基于样本图像及其对应的标定信息以及所对应样本框质量信息训练所得的预先建立的目标检测模型,具有预测图像中检测目标对应的目标检测框对应的质量的功能,且该样本框质量信息为基于该样本图像对应的标定信息中标定框位置信息以及基于预先建立的目标检测模型所对应初始目标检测模型检测出的该样本图像对应的预测框位置信息,确定的信息,通过预先建立的目标检测模型的预测图像中目标对应的框位置信息对应的框质量信息,可以实现筛选出检测目标所对应框质量信息更好的框位置信息作为目标检测框位置信息,以实现对图像中目标对应的检测框的准确性的确定,进而得到准确性更好的目标对应的检测框。
在本发明的另一实施例中,该样本图像对应的样本框质量信息为:基于该样本图像对应的标定信息中的标定框位置信息以及基于预先建立的目标检测模型所对应初始目标检测模型检测出的该样本图像对应的预测框位置信息之间的交集面积与并集面积的比值信息。即将基于预先建立的目标检测模型所对应初始目标检测模型检测出的该样本图像对应的预测框位置信息与该样本图像对应的标定信息中的标定框位置信息的交集面积,与上述两者的并集面积的比值信息,确定为该样本图像对应的样本框质量信息。可以理解的是,预先建立的目标检测模型所对应初始目标检测模型检测出的该样本图像对应的预测框位置信息之间的交集面积越大,并集面积越小,相应的,样本图像对应的样本框质量信息表征:基于预先建立的目标检测模型所对应初始目标检测模型检测出的该样本图像对应的预测框位置信息与该样本图像对应的标定信息中的标定框位置信息之间越相近,即基于预先建立的目标检测模型所对应初始目标检测模型检测出的该样本图像对应的预测框位置信息的位置信息准确性越高。
在一种情况中,样本图像对应的样本框质量信息可以通过数值来表示,该数值的取值范围可以为[0,1]。
在本发明的另一实施例中,目标检测结果还可以包括:待检测图像中检测目标对应的检测类别信息。相应的,样本图像对应的标定信息中还可以包括标定类别信息,以使得训练所得的预先建立的目标检测模型具有预测图像中目标的类别的能力。
在本发明的另一实施例中,在所述S102之前,所述方法还可以包括:
训练得到预先建立的目标检测模型的过程,其中,如图2所示,该过程包括如下步骤:
S201:获得初始目标检测模型。
其中,初始目标检测模型包括特征提取层、特征分类层以及特征回归层;
S202:获得多个样本图像以及样本图像对应的标定信息。
其中,标定信息包括:所对应样本图像中包含的样本目标对应的标定框位置信息以及标定类别信息。
S203:针对每一样本图像,将该样本图像输入特征提取层,提取得到该样本图像对应的样本图像特征。
S204:针对每一样本图像,将该样本图像对应的样本图像特征输入特征回归层,得到该样本图像中样本目标对应的预测框位置信息。
S205:针对每一样本图像中每一样本目标,计算该样本目标对应的标定框位置信息以及对应的预测框位置信息之间的交集面积与并集面积的比值信息,确定为该样本目标对应的真实框质量信息。
S206:针对每一样本图像,将该样本图像对应的样本图像特征以及该样本图像中样本目标对应的预测框位置信息输入特征分类层,确定该样本图像中样本目标对应的预测类别信息以及预测框质量信息。
S207:针对每一样本图像,基于预设定位质量聚焦损失函数、该样本图像中样本目标对应的预测框质量信息和真实框质量信息,以及预设类别损失函数、该样本图像中样本目标对应的预测类别信息和标定类别信息,确定当前的损失值。
S208:判断当前的损失值是否超过预设损失值阈值。
S209:若判断结果为是,则调整特征提取层、特征回归层以及特征分类层的模型参数,返回执行S203。
S210:若判断结果为否,则确定初始目标检测模型达到收敛状态,得到预先建立的目标检测模型。
本实现方式中,电子设备在确定待检测图像对应的目标检测结果之前,还可以包括训练得到预先建立的目标检测模型的过程。相应的,电子设备获得多个样本图像及其对应的标定信息,该样本图像可以包括样本目标,样本图像对应的标定信息可以包括样本图像中样本目标对应的标定框位置信息。获得包括特征提取层、特征回归层以及特征分类层的初始目标检测模型;针对每一样本图像,将该样本图像输入特征提取层,提取得到该样本图像对应的样本图像特征;将该样本图像对应的样本图像特征输入特征回归层,得到该样本图像中样本目标对应的预测框位置信息;进而,针对每一样本图像中每一样本目标,计算该样本目标对应的标定框位置信息以及对应的预测框位置信息之间的交集面积与并集面积的比值信息,确定为该样本目标对应的真实框质量信息;并针对每一样本图像,将该样本图像对应的样本图像特征以及该样本图像中样本目标对应的预测框位置信息输入特征分类层,确定该样本图像中样本目标对应的预测类别信息以及预测框质量信息;将样本图像中样本目标对应的真实框质量信息作为一种标定信息,针对每一样本图像,基于预设定位质量聚焦损失函数、该样本图像中样本目标对应的预测框质量信息和真实框质量信息,确定当前的第一损失值;并基于预设类别损失函数、该样本图像中样本目标对应的预测类别信息和标定类别信息,确定当前的第二损失值;进而基于当前的第一损失值和当前的第二损失值,确定当前的损失值。
若判断当前的损失值超过预设损失值阈值,则确定初始目标检测模型未达到收敛状态,利用预设优化算法,调整特征提取层、特征回归层以及特征分类层的模型参数,并返回执行针对每一样本图像,将该样本图像输入特征提取层,提取得到该样本图像对应的样本图像特征的步骤。若判断当前的损失值未超过预设损失值阈值,确定初始目标检测模型达到收敛状态,得到可以检测图像中目标所在位置区域、所属类别信息以及表征所检测的目标所在位置区域的位置信息的准确性的框质量信息的预先建立的目标检测模型。
一种情况中,可以基于预设定位质量聚焦损失函数、样本图像中每一样本目标对应的预测框质量信息和真实框质量信息,确定每一样本目标对应的框质量损失值,进而将该样本图像中所有样本目标对应的框质量损失值的和或者平均值,确定为当前的第一损失值;并基于预设类别损失函数、样本图像中每一样本目标对应的预测类别信息和标定类别信息,确定每一样本目标对应的类别损失值;进而将该样本图像中所有样本目标对应的类别损失值的和或者平均值,确定当前的第二损失值;进而将当前的第一损失值及其对应的权重值的乘积,与当前的第二损失值及其对应的权重值的乘积的和,确定当前的损失值。
其中,预设优化算法可以包括但不限于梯度下降法。一种情况中,该样本目标可以为车辆、行人以及交通指示线等。该初始目标检测模型可以为基于深度学习的神经网络模型。该预设类别损失函数可以为相关技术中任一类型的可以计算类别信息之间的损失值的损失函数,本发明实施例并不做限定。
一种情况中,还可以结合预设位置损失函数、该样本图像中样本目标对应的预测框位置信息和标定框位置信息,确定上述当前的损失值。其中,该预设位置损失函数可以为相关技术中任一类型的可以计算框位置信息之间的损失值的损失函数,本发明实施例并不做限定。
在本发明的另一实施例中,该预设定位质量聚焦损失函数(LFL,LocalizationFocal Loss)的表达式可以为:
LFL(i)=-((1-pi)log(1-qi)+pilog(qi))|pi-qi|γ;
其中,该LFL(i)表示该样本图像中第i个样本目标对应的预测框质量信息和真实框质量信息之间的第一损失值,pi表示该样本图像中第i个样本目标对应的真实框质量信息,qi表示该样本图像中第i个样本目标对应的预测框质量信息,γ表示预设参数。
在一种实现方式中,电子设备还可以利用批量样本图像计算得到当前的损失值,即利用预设定位质量聚焦损失函数、多个样本图像中样本目标对应的预测框质量信息和真实框质量信息,以及预设类别损失函数、该多个样本图像中样本目标对应的预测类别信息和标定类别信息,确定当前的损失值,这也是可以的。
在本发明的另一实施例中,可以联合表示类别信息与框质量信息,相应的,样本图像对应的样本框质量信息以及样本类别信息以预设软独热编码的形式存在,样本图像对应的样本框质量信息在预设软独热编码中的位置表示样本图像对应的样本类别信息。如图3所示,为联合表示的类别信息与框质量信息一种示例图,其中,框质量信息通过数值表示,取值范围为[0,1],如图3所示,可以表示该预设建立的目标检测模型对应的可检测目标的类别信息数量为5个,0.9表示所对应检测框位置信息对应的框质量信息,而0.9在第二个框中,可以表示预设建立的目标检测模型预测检测框位置信息对应的目标属于第二种类别。
在本发明的另一实施例中,所述S102,可以包括如下步骤:
将待检测图像输入预先建立的目标检测模型的特征提取层,提取得到待检测图像对应的待检测图像特征;
将待检测图像特征输入预先建立的目标检测模型的特征回归层,确定待检测图像对应的候选框位置信息;
将待检测图像特征以及候选框位置信息输入所述预先建立的目标检测模型的特征分类层,确定出待检测图像中每一检测目标对应的每一候选框位置信息对应的检测类别信息以及目标框质量信息;
针对待检测图像中每一检测目标,基于预设抑制算法、该检测目标对应的每一候选框位置信息对应的目标框质量信息,从该检测目标对应的所有候选框位置信息中,确定出满足预设筛选条件的候选框位置信息,作为该检测目标对应的目标检测框位置信息,以得到待检测图像对应的目标检测结果,其中,预设筛选条件为:限定该检测目标对应的候选框位置信息中所对应目标框质量信息最大的条件。
其中,预设抑制算法可以为NMS(Non Maximum Suppression,非极大抑制算法)。
本实现方式中,电子设备通过预先建立的目标检测模型的特征提取层以及特征回归层,确定出待检测图像对应的候选框位置信息,进而,利用预先建立的目标检测模型的特征分类层、待检测图像特征以及候选框位置信息,确定出待检测图像中每一检测目标对应的每一候选框位置信息对应的检测类别信息以及目标框质量信息;通过预设抑制算法、该检测目标对应的每一候选框位置信息对应的目标框质量信息,从该检测目标对应的所有候选框位置信息中,确定出满足预设筛选条件的候选框位置信息,作为该检测目标对应的目标检测框位置信息,以得到待检测图像对应的目标检测结果。实现通过比较框质量信息所表征的所对应候选框位置信息的准确性的高低,来完成对所对应候选框位置信息的筛选和确定,以得到检测位置准确性更好的框位置信息。
相应于上述方法实施例,本发明实施例提供了一种目标检测装置,如图4所示,所述装置可以包括:
获得模块410,被配置为获得待检测图像;
确定模块420,被配置为利用预先建立的目标检测模型以及所述待检测图像,确定所述待检测图像对应的目标检测结果,其中,所述目标检测结果包括:所述待检测图像中检测目标对应的目标检测框位置信息及目标检测框位置信息对应的目标框质量信息,所述预先建立的目标检测模型为:基于样本图像及其对应的标定信息以及所对应样本框质量信息训练所得的模型,所述样本图像对应的样本框质量信息为:基于该样本图像对应的标定信息中标定框位置信息以及基于预先建立的目标检测模型所对应初始目标检测模型检测出的该样本图像对应的预测框位置信息,确定的信息。
应用本发明实施例,基于样本图像及其对应的标定信息以及所对应样本框质量信息训练所得的预先建立的目标检测模型,具有预测图像中检测目标对应的目标检测框对应的质量的功能,且该样本框质量信息为基于该样本图像对应的标定信息中标定框位置信息以及基于预先建立的目标检测模型所对应初始目标检测模型检测出的该样本图像对应的预测框位置信息,确定的信息,通过预先建立的目标检测模型的预测图像中目标对应的框位置信息对应的框质量信息,可以实现筛选出检测目标所对应框质量信息更好的框位置信息作为目标检测框位置信息,以实现对图像中目标对应的检测框的准确性的确定,进而得到准确性更好的目标对应的检测框。
在本发明的另一实施例中,所述样本图像对应的样本框质量信息为:基于该样本图像对应的标定信息中的标定框位置信息以及基于预先建立的目标检测模型所对应初始目标检测模型检测出的该样本图像对应的预测框位置信息之间的交集面积与并集面积的比值信息。
在本发明的另一实施例中,所述目标检测结果还包括:所述待检测图像中检测目标对应的检测类别信息。
在本发明的另一实施例中,所述装置还包括:
模型训练模块(图中未示出),被配置为在所述利用预先建立的目标检测模型以及所述待检测图像,从所述待检测图像中,检测出其中的待检测目标对应的目标检测框位置信息及目标检测框位置信息对应的目标框质量信息之前,训练得到所述预先建立的目标检测模型,其中,所述模型训练模块,被具体配置为获得所述初始目标检测模型,其中,所述初始目标检测模型包括特征提取层、特征分类层以及特征回归层;
获得多个样本图像以及样本图像对应的标定信息,其中,所述标定信息包括:所对应样本图像中包含的样本目标对应的标定框位置信息以及标定类别信息;
针对每一样本图像,将该样本图像输入所述特征提取层,提取得到该样本图像对应的样本图像特征;
针对每一样本图像,将该样本图像对应的样本图像特征输入所述特征回归层,得到该样本图像中样本目标对应的预测框位置信息;
针对每一样本图像中每一样本目标,计算该样本目标对应的标定框位置信息以及对应的预测框位置信息之间的交集面积与并集面积的比值信息,确定为该样本目标对应的真实框质量信息;
针对每一样本图像,将该样本图像对应的样本图像特征以及该样本图像中样本目标对应的预测框位置信息输入所述特征分类层,确定该样本图像中样本目标对应的预测类别信息以及预测框质量信息;
针对每一样本图像,基于预设定位质量聚焦损失函数、该样本图像中样本目标对应的预测框质量信息和真实框质量信息,以及预设类别损失函数、该样本图像中样本目标对应的预测类别信息和标定类别信息,确定当前的损失值;
判断当前的损失值是否超过预设损失值阈值;
若判断结果为是,则调整所述特征提取层、所述特征回归层以及所述特征分类层的模型参数,返回执行针对每一样本图像,将该样本图像输入所述特征提取层,提取得到该样本图像对应的样本图像特征的步骤;
若判断结果为否,则确定所述初始目标检测模型达到收敛状态,得到预先建立的目标检测模型。
在本发明的另一实施例中,所述预设定位质量聚焦损失函数的表达式为:
LFL(i)=-((1-pi)log(1-qi)+pilog(qi))|pi-qi|γ;
其中,所述LFL(i)表示该样本图像中第i个样本目标对应的预测框质量信息和真实框质量信息之间的第一损失值,pi表示该样本图像中第i个样本目标对应的真实框质量信息,qi表示该样本图像中第i个样本目标对应的预测框质量信息,γ表示预设参数。
在本发明的另一实施例中,所述样本图像对应的样本框质量信息以及样本类别信息以预设软独热编码的形式存在,所述样本图像对应的样本框质量信息在预设软独热编码中的位置表示样本图像对应的样本类别信息。
在本发明的另一实施例中,所述确定模块410,被具体配置为将所述待检测图像输入预先建立的目标检测模型的特征提取层,提取得到所述待检测图像对应的待检测图像特征;
将所述待检测图像特征输入所述预先建立的目标检测模型的特征回归层,确定所述待检测图像对应的候选框位置信息;
将所述待检测图像特征以及所述候选框位置信息输入所述预先建立的目标检测模型的特征分类层,确定出所述待检测图像中每一检测目标对应的每一候选框位置信息对应的检测类别信息以及目标框质量信息;
针对所述待检测图像中每一检测目标,基于预设抑制算法、该检测目标对应的每一候选框位置信息对应的目标框质量信息,从该检测目标对应的所有候选框位置信息中,确定出满足预设筛选条件的候选框位置信息,作为该检测目标对应的目标检测框位置信息,以得到所述待检测图像对应的目标检测结果,其中,所述预设筛选条件为:限定该检测目标对应的候选框位置信息中所对应目标框质量信息最大的条件。
上述系统、装置实施例与系统实施例相对应,与该方法实施例具有同样的技术效果,具体说明参见方法实施例。装置实施例是基于方法实施例得到的,具体的说明可以参见方法实施例部分,此处不再赘述。本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解:实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中,也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (10)
1.一种目标检测方法,其特征在于,所述方法包括:
获得待检测图像;
利用预先建立的目标检测模型以及所述待检测图像,确定所述待检测图像对应的目标检测结果,其中,所述目标检测结果包括:所述待检测图像中检测目标对应的目标检测框位置信息及目标检测框位置信息对应的目标框质量信息,所述预先建立的目标检测模型为:基于样本图像及其对应的标定信息以及所对应样本框质量信息训练所得的模型,所述样本图像对应的样本框质量信息为:基于该样本图像对应的标定信息中标定框位置信息以及基于预先建立的目标检测模型所对应初始目标检测模型检测出的该样本图像对应的预测框位置信息,确定的信息。
2.如权利要求1所述的方法,其特征在于,所述样本图像对应的样本框质量信息为:基于该样本图像对应的标定信息中的标定框位置信息以及基于预先建立的目标检测模型所对应初始目标检测模型检测出的该样本图像对应的预测框位置信息之间的交集面积与并集面积的比值信息。
3.如权利要求1或2所述的方法,其特征在于,所述目标检测结果还包括:所述待检测图像中检测目标对应的检测类别信息。
4.如权利要求1-3任一项所述的方法,其特征在于,在所述利用预先建立的目标检测模型以及所述待检测图像,从所述待检测图像中,检测出其中的待检测目标对应的目标检测框位置信息及目标检测框位置信息对应的目标框质量信息的步骤之前,所述方法还包括:
训练得到所述预先建立的目标检测模型的过程,其中,所述过程包括:
获得所述初始目标检测模型,其中,所述初始目标检测模型包括特征提取层、特征分类层以及特征回归层;
获得多个样本图像以及样本图像对应的标定信息,其中,所述标定信息包括:所对应样本图像中包含的样本目标对应的标定框位置信息以及标定类别信息;
针对每一样本图像,将该样本图像输入所述特征提取层,提取得到该样本图像对应的样本图像特征;
针对每一样本图像,将该样本图像对应的样本图像特征输入所述特征回归层,得到该样本图像中样本目标对应的预测框位置信息;
针对每一样本图像中每一样本目标,计算该样本目标对应的标定框位置信息以及对应的预测框位置信息之间的交集面积与并集面积的比值信息,确定为该样本目标对应的真实框质量信息;
针对每一样本图像,将该样本图像对应的样本图像特征以及该样本图像中样本目标对应的预测框位置信息输入所述特征分类层,确定该样本图像中样本目标对应的预测类别信息以及预测框质量信息;
针对每一样本图像,基于预设定位质量聚焦损失函数、该样本图像中样本目标对应的预测框质量信息和真实框质量信息,以及预设类别损失函数、该样本图像中样本目标对应的预测类别信息和标定类别信息,确定当前的损失值;
判断当前的损失值是否超过预设损失值阈值;
若判断结果为是,则调整所述特征提取层、所述特征回归层以及所述特征分类层的模型参数,返回执行针对每一样本图像,将该样本图像输入所述特征提取层,提取得到该样本图像对应的样本图像特征的步骤;
若判断结果为否,则确定所述初始目标检测模型达到收敛状态,得到预先建立的目标检测模型。
5.如权利要求4所述的方法,其特征在于,所述预设定位质量聚焦损失函数的表达式为:
LFL(i)=-((1-pi)log(1-qi)+pilog(qi))|pi-qi|γ;
其中,所述LFL(i)表示该样本图像中第i个样本目标对应的预测框质量信息和真实框质量信息之间的第一损失值,pi表示该样本图像中第i个样本目标对应的真实框质量信息,qi表示该样本图像中第i个样本目标对应的预测框质量信息,γ表示预设参数。
6.如权利要求4所述的方法,其特征在于,所述样本图像对应的样本框质量信息以及样本类别信息以预设软独热编码的形式存在,所述样本图像对应的样本框质量信息在预设软独热编码中的位置表示样本图像对应的样本类别信息。
7.如权利要求1-3任一项所述的方法,其特征在于,所述利用预先建立的目标检测模型以及所述待检测图像,确定所述待检测图像对应的目标检测结果的步骤,包括:
将所述待检测图像输入预先建立的目标检测模型的特征提取层,提取得到所述待检测图像对应的待检测图像特征;
将所述待检测图像特征输入所述预先建立的目标检测模型的特征回归层,确定所述待检测图像对应的候选框位置信息;
将所述待检测图像特征以及所述候选框位置信息输入所述预先建立的目标检测模型的特征分类层,确定出所述待检测图像中每一检测目标对应的每一候选框位置信息对应的检测类别信息以及目标框质量信息;
针对所述待检测图像中每一检测目标,基于预设抑制算法、该检测目标对应的每一候选框位置信息对应的目标框质量信息,从该检测目标对应的所有候选框位置信息中,确定出满足预设筛选条件的候选框位置信息,作为该检测目标对应的目标检测框位置信息,以得到所述待检测图像对应的目标检测结果,其中,所述预设筛选条件为:限定该检测目标对应的候选框位置信息中所对应目标框质量信息最大的条件。
8.一种目标检测装置,其特征在于,所述装置包括:
获得模块,被配置为获得待检测图像;
确定模块,被配置为利用预先建立的目标检测模型以及所述待检测图像,确定所述待检测图像对应的目标检测结果,其中,所述目标检测结果包括:所述待检测图像中检测目标对应的目标检测框位置信息及目标检测框位置信息对应的目标框质量信息,所述预先建立的目标检测模型为:基于样本图像及其对应的标定信息以及所对应样本框质量信息训练所得的模型,所述样本图像对应的样本框质量信息为:基于该样本图像对应的标定信息中标定框位置信息以及基于预先建立的目标检测模型所对应初始目标检测模型检测出的该样本图像对应的预测框位置信息,确定的信息。
9.如权利要求8所述的装置,其特征在于,所述样本图像对应的样本框质量信息为:基于该样本图像对应的标定信息中的标定框位置信息以及基于预先建立的目标检测模型所对应初始目标检测模型检测出的该样本图像对应的预测框位置信息之间的交集面积与并集面积的比值信息。
10.如权利要求8或9所述的装置,其特征在于,所述目标检测结果还包括:所述待检测图像中检测目标对应的检测类别信息。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010601392.2A CN113935386A (zh) | 2020-06-29 | 2020-06-29 | 一种目标检测方法及装置 |
PCT/CN2020/121337 WO2022000855A1 (zh) | 2020-06-29 | 2020-10-16 | 一种目标检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010601392.2A CN113935386A (zh) | 2020-06-29 | 2020-06-29 | 一种目标检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113935386A true CN113935386A (zh) | 2022-01-14 |
Family
ID=79272632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010601392.2A Pending CN113935386A (zh) | 2020-06-29 | 2020-06-29 | 一种目标检测方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113935386A (zh) |
WO (1) | WO2022000855A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173568A (zh) * | 2023-09-05 | 2023-12-05 | 北京观微科技有限公司 | 目标检测模型训练方法和目标检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295678B (zh) * | 2016-07-27 | 2020-03-06 | 北京旷视科技有限公司 | 神经网络训练与构建方法和装置以及目标检测方法和装置 |
US11188794B2 (en) * | 2017-08-10 | 2021-11-30 | Intel Corporation | Convolutional neural network framework using reverse connections and objectness priors for object detection |
CN108268869B (zh) * | 2018-02-13 | 2021-11-16 | 北京旷视科技有限公司 | 目标检测方法、装置及系统 |
CN109727275B (zh) * | 2018-12-29 | 2022-04-12 | 北京沃东天骏信息技术有限公司 | 目标检测方法、装置、系统和计算机可读存储介质 |
CN111062413B (zh) * | 2019-11-08 | 2024-05-07 | 熊猫汽车(上海)有限公司 | 一种道路目标检测方法、装置、电子设备及存储介质 |
CN111241947B (zh) * | 2019-12-31 | 2023-07-18 | 深圳奇迹智慧网络有限公司 | 目标检测模型的训练方法、装置、存储介质和计算机设备 |
-
2020
- 2020-06-29 CN CN202010601392.2A patent/CN113935386A/zh active Pending
- 2020-10-16 WO PCT/CN2020/121337 patent/WO2022000855A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2022000855A1 (zh) | 2022-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353413B (zh) | 一种输电设备低漏报率缺陷识别方法 | |
CN109977812B (zh) | 一种基于深度学习的车载视频目标检测方法 | |
CN109447169B (zh) | 图像处理方法及其模型的训练方法、装置和电子系统 | |
WO2020078229A1 (zh) | 目标对象的识别方法和装置、存储介质、电子装置 | |
CN109101888B (zh) | 一种游客人流量监控预警方法 | |
CN110781836A (zh) | 人体识别方法、装置、计算机设备及存储介质 | |
CN107316035A (zh) | 基于深度学习神经网络的对象识别方法及装置 | |
KR102346676B1 (ko) | 딥러닝 기반의 시설물 손상영상 분류를 활용한 손상도 생성방법 | |
CN111210399A (zh) | 一种成像质量评价方法、装置及设备 | |
CN110852164A (zh) | 一种基于YOLOv3的自动检测违章建筑方法及系统 | |
CN113435407B (zh) | 一种输电系统的小目标识别方法及装置 | |
CN110956104A (zh) | 一种检测垃圾桶溢出的方法、装置及系统 | |
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 | |
CN112949459A (zh) | 吸烟图像的识别方法及装置、存储介质、电子设备 | |
CN113935386A (zh) | 一种目标检测方法及装置 | |
CN114926791A (zh) | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 | |
CN114708426A (zh) | 目标检测方法、模型训练方法、装置、设备及存储介质 | |
CN112597995B (zh) | 车牌检测模型训练方法、装置、设备及介质 | |
CN111079744B (zh) | 适用于复杂光照环境的车辆车牌智能识别方法及装置 | |
CN113971666A (zh) | 基于深度目标检测的输电线路机巡影像自适应识别方法 | |
CN113610770A (zh) | 一种车牌识别方法和装置及设备 | |
CN116071711B (zh) | 一种交通拥堵状况检测方法及装置 | |
CN117152513A (zh) | 一种面向夜间场景的车辆边界定位方法 | |
CN112149698A (zh) | 一种困难样本数据的筛选方法及装置 | |
KR102457470B1 (ko) | 영상 분석을 이용한 인공지능 기반 강수 판단장치 및 방법 |
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 |