CN114092783A - 一种基于注意力机制连续视角的危险品检测方法 - Google Patents
一种基于注意力机制连续视角的危险品检测方法 Download PDFInfo
- Publication number
- CN114092783A CN114092783A CN202110904444.8A CN202110904444A CN114092783A CN 114092783 A CN114092783 A CN 114092783A CN 202110904444 A CN202110904444 A CN 202110904444A CN 114092783 A CN114092783 A CN 114092783A
- Authority
- CN
- China
- Prior art keywords
- dangerous goods
- attention
- detection method
- training
- images
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/69—Control of means for changing angle of the field of view, e.g. optical zoom objectives or electronic zooming
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)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于注意力机制连续视角的危险品检测方法，所述方法利用多视角拍摄危险品得到的一系列旋转图像，然后基于注意力机制，训练网络得到不同视角图像的不同权重。本发明公开的基于注意力机制连续视角的危险品检测方法，使得网络在物品识别与分类时更加有侧重点，既不会被不必要的多余角度所干扰到结果，也不会忽略有效信息而无法识别出危险品，显著提升了检测准确率。
Description
技术领域
本发明涉及计算机视觉和图像处理技术领域，具体涉及一种基于注意力机制连续视角的危险品检测方法。
背景技术
危险物品检测是公共安全领域的一个关键问题，在危险品检测时，拍摄图像的机器大多是从单一的角度进行拍摄的，而危险品的放置角度不同，会产生不同的检测效果。例如：一把刀从不同角度拍摄，会产生不同的视觉效果，在很多角度会被错认成其他的生活用品。因此，单一角度的危险品识别会降低识别的准确率。
现有技术中，为解决上述问题，采取的方法为：对于连续的图像进行整体分析，利用关键点的匹配和跟踪，进一步对感兴趣的物体进行分类；或者针对单张图像，通过卷积神经网络提取特征信息，并对危险品进行识别。
例如：专利CN110458166A提出了一种基于可变形卷积的危险品检测方法、装置及设备，其是利用可变形卷积对危险品图像进行特征提取，但该方法没有考虑图像中危险品的旋转角度问题，对于某些角度，危险品的特征可能很不明显，只对于单一视角的图像进行特征提取再进行识别，可能会忽略掉一部分的危险物品。
专利CN110133741A提出了一种多视角匹配和跟踪的自动安检方法，其是对于连续视角组成的一系列图像进行整体分析，而忽略了不同图像间的差异。例如同意危险品，在正面与侧面观察具有截然不同的区别，包含的特征信息也会有很大的差别。如果简单地对所有视角进行关键点匹配和跟踪，可能不会获得理想的结果。
专利CN110018524A提出了一种基于视觉-属性的X射线安检违禁品识别方法，其仅采用yolo层在多个尺度对特征图进行边界框预测，也没有考虑方向变化对于预测结果的影响。如果只是对于单一视角的图像进行特征提取，然后再进行边界框预测和物品识别，可能会忽略掉一部分的目标物品，对最终结果产生影响。
综上，现有技术中的方法或没有考虑多角度下的危险品图像所带来的特征差异，或忽略了连续视角的多张图像在权重上的不同，均无法在考虑危险品的不同角度时得到较好的效果。
因此，有必要提供一种能够解决上述问题的危险品检测方法。
发明内容
为了克服上述问题，本发明人进行了锐意研究，设计出一种基于注意力机制连续视角的危险品检测方法，该方法利用多视角拍摄危险品得到的一系列旋转图像，然后基于注意力机制，训练网络得到不同视角图像的不同权重，从而使得网络在物品识别与分类时更加有侧重点，既不会被不必要的多余角度所干扰到结果，也不会忽略有效信息而无法识别出危险品，显著提升了检测准确率，从而完成了本发明。
具体来说，本发明的目的在于提供以下方面：
第一方面，提供一种基于注意力机制连续视角的危险品检测方法，其中，所述方法包括以下步骤：
步骤1，训练获得危险品分类模型。
步骤2，获取待检测危险品图像，利用训练获得的危险品分类模型，获得检测结果。
其中，步骤1包括以下子步骤：
步骤1-1，建立训练集；
步骤1-2，构建分类模型；
步骤1-3，训练分类模型。
其中，步骤1-1包括以下子步骤：
步骤1-1-1，获得危险品连续角度下的图像；
步骤1-1-2，对危险品每一角度下的图像赋予权值，获得训练数据集。
其中，步骤1-1-1中，采用X射线从不同角度拍摄危险品旋转180°的图像，每隔一定角度拍摄一张；
优选地，危险品每旋转10°，拍摄一张图像。
其中，步骤1-2中，所述构建分类模型包括构建注意力模块的步骤，
所述注意力模块包括通道注意力模块和空间注意力模块。
其中，所述通道注意力模块采用包括以下步骤的方法判断特征图各通道的权重：
(i)将特征图进行空间信息聚合；
(ii)获得特征的权重系数；
(iii)判断特征图中各个通道的重要程度；
所述空间注意力模块对特征图的位置生成对应的权重，优选按照包括以下步骤的方法进行：
(1)对特征图进行空间信息聚合；
(2)获得特征的权重系数；
(3)获得特征图中位置的权重。
其中，步骤2包括以下子步骤：
步骤2-1，获得待检测危险品连续视角的图像；
步骤2-2，利用训练得到的危险品分类模型，得到危险品不同角度的注意力权重；
步骤2-3，将不同角度的图像进行加权求和，获得检测结果。
第二方面，提供一种计算机可读存储介质，其中，所述介质中存储有基于注意力机制连续视角的危险品检测程序，所述程序被处理器执行时，使得处理器执行权利要求1至7之一所述基于注意力机制连续视角的危险品检测方法的步骤。
第三方面，提供一种计算机设备，其中，所述设备包括存储器和处理器，所述存储器存储有基于注意力机制连续视角的危险品检测程序，所述程序被处理器执行时，使得处理器执行权利要求1至7之一所述基于注意力机制连续视角的危险品检测方法的步骤。
本发明所具有的有益效果包括：
(1)本发明提供的基于注意力机制连续视角的危险品检测方法，获取待检测物品连续视角的图像作为训练集训练网络模型，有利于获得待检测品不同角度图像的不同权重，降低误检率；
(2)本发明提供的基于注意力机制连续视角的危险品检测方法，在神经网络中依次引入通道注意力模块和空间注意力模块，能够快速确定目标区域，显著提升了网络性能；
(3)本发明提供的基于注意力机制连续视角的危险品检测方法，对于不同旋转角度下的图像，通过注意力机制，可以在不损失有效信息的前提下避免干扰信息，提高检测准确率。
附图说明
图1示出根据本发明一种优选实施方式的注意力模块的结构示意图。
具体实施方式
下面通过优选实施方式和实施例对本发明进一步详细说明。通过这些说明，本发明的特点和优点将变得更为清楚明确。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
注意力机制是人类认识世界的一种信号处理机制，人类在通过各种感官观察周围事物时，可以通过对全局的认识，快速确定需要关注的目标区域，然后重点获取该区域内的目标信息，对于其他区域的信息则进行抑制。在计算机视觉领域中，注意力机制也发挥着很大的作用，其不仅能使得运算聚焦于特定区域，同时也可以使得该部分区域的特征得到增强，有利于提高信息处理速度和准确率。
因此，为了提高危险品的检测准确率，本发明提供了一种基于注意力机制连续视角的危险品检测方法，所述方法包括以下步骤：
步骤1，训练获得危险品分类模型。
步骤2，获取待检测危险品图像，利用训练获得的危险品分类模型，获得检测结果。
以下进一步描述本发明所述检测方法：
步骤1，训练获得危险品分类模型。
其中，步骤1包括以下子步骤：
步骤1-1，建立训练集。
其中，步骤1-1包括以下子步骤：
步骤1-1-1，获得危险品连续角度下的图像。
在本发明中，为了提高危险品识别的准确率，优选对连续角度下的危险品进行检测和分类。
根据本发明一种优选的实施方式，采用X射线从不同角度拍摄危险品旋转180°的图像，每隔一定角度拍摄一张；
优选地，危险品每旋转10°，拍摄一张图像，共拍摄18张图像，然后将这些图像组成连续视角的序列。
其中，为了提升模型的训练效果和普适性，训练集的样本容量越大越好，但考虑到算法的耗时问题，样本容量也不能太大，优选包括10类危险品，每类的样本容量为10000。
步骤1-1-2，对危险品每一角度下的图像赋予权值，获得训练数据集。
根据本发明一种优选的实施方式，通过人工标记的方法，对上述连续视角所包含的图像进行筛选。
在本发明中，对于一个危险品，优选从18个不同的角度拍摄了图像。本发明人考虑到大多数危险品在某些角度下，包含的特征信息较少，不易识别种类(例如斧头、刀具、枪支等危险品在竖立时难以识别)，而在实际的识别过程中，能迅速判断出危险品种类的角度范围大约为30°，因此，本发明中优选对连续视角包含的图像进行筛序，以从18个角度中选择出最容易辨识的3个角度。
其中，具体筛选标准以人眼可以区分危险品种类为准。
使用人工标记的方法，选出其中3个方便辨认出危险品种类的角度作为代表角度后，将这些角度的权值赋值为1/3，其他角度的权值赋值为0，即得到了一个样本(即一个危险品)的训练标签。
将所有样本与它们对应的不同角度的权值和在一起，就形成最终的训练数据集。
步骤1-2，构建分类模型。
根据本发明一种优选的实施方式，所述构建分类模型包括构建注意力模块的步骤。
本发明人研究发现，在危险品不同的旋转角度下，图像特征的变化不尽相同，通过注意力机制，可以在不损失有效信息的前提下避免干扰信息，从而减少误判，提高检测的准确率。
在进一步优选的实施方式中，如图1所示，所述注意力模块包括通道注意力模块和空间注意力模块。
其中，所述通道注意力模块和空间注意力模块均可以作为即插即用的模块插入到其他现有的卷积神经网络模型中。
通道注意力相当于关注什么样的特征是有意义的，不同通道代表着不同的特征检测器，其对特征图的通道生成对应的权重，即通道注意力；空间注意力相当于关注哪些位置的特征是有意义的，其对特征图的位置生成对应的权重，即生成空间注意力。
在更进一步优选的实施方式中，所述通道注意力模块和空间注意力模块依次串行连接在卷积神经网络模型中，以得到分类模型。
根据本发明一种优选的实施方式，在网络模型中，
训练至分类模型收敛，获得模型的最佳参数。
根据本发明一种优选的实施方式，所述通道注意力模块采用包括以下步骤的方法判断特征图各通道的权重：
(i)将特征图进行空间信息聚合；
(ii)获得特征的权重系数；
(iii)判断特征图中各个通道的重要程度。
其中，输入通道注意力模块的是一个H*W*C的特征图，输出是与输入相同大小的特征图，H表示图像高；W表示图像宽；C表示图像通道数。
优选地，在步骤(i)中，对于输入的特征图分别进行一个空间的全局平均池化和最大池化，得到两个1*1*C的中间特征；
步骤(ii)中，将这两个中间特征分别送入一个两层的神经网络，这两层的神经网络参数是共享的，第一层神经元个数为C/r(其中，r为压缩率)，激活函数为Relu，第二层神经元个数为C，此两层的神经网络是共享的；
将上述两层神经网络的输出结果相加后，经过激活函数Sigmoid的映射，得到特征的权重系数；
步骤(iii)中，将权重系数与输入相乘得到最终输出结果，以判断特征图中各个通道的重要程度。
在本发明中，在通道注意力模块之后，引入空间注意力模块，以对特征图的位置生成对应的权重，优选按照包括以下步骤的方法进行：
(1)对特征图进行空间信息聚合；
(2)获得特征的权重系数；
(3)获得特征图中位置的权重。
优选地，空间注意力模块中，输入的是一个H*W*C的特征图，输出是与输入相同大小的特征图。
步骤(1)中，对于输入的特征图分别进行一个空间的全局平均池化和最大池化，以对特征图的通道进行压缩操作，使得特征在通道维度上分别做平均和最大池化操作，得到两个H*W*1的中间特征。
步骤(2)中，将两个中间特征拼接起来，通过卷积层对其融合，使得特征图在空间维度与特征图大小一致，优选通过一个7*7的卷积层；
然后将卷积层后的结果经过激活函数Sigmoid的映射，得到特征的权重系数。
步骤(3)中，将权重系数与原来输入的H*W*C特征相乘即可得到最终的输出，以判断位置特征的权重。
进一步地，将权重系数与原来输入的H*W*C特征相乘，获得缩放后的新特征。
在本发明中，在卷积神经网络中构建通道注意力模块和空间注意力模块，形成分类模型，首先通过通道注意力模块使得特征图中与危险品种类有关的语义信息更加突出，再通过注意力模块使特征图中与危险品位置有关的语义信息更加突出。
通过上述注意力机制的模块，对于不同视角的图像，得到不同的权重，即选择出较感兴趣点的区域。
步骤1-3，训练分类模型。
根据本发明一种优选的实施方式，将注意力模块插入残差注意力网络模型中，进行训练，
优选地，所述残差注意力网络模型包括GoogLeNet、ResNet-34和ResNet-50。
其中，深层的网络结构结合残差连接，在图像分类任务中表现出很好的性能，残差注意力网络(Residual Attention Network)可以通过增加更多的注意力模块从而线性提升网络的分类性能，并基于不同深度的特征图可以提取额外的注意力模型。此外，残差注意力模型可以结合到目前的大部分深层网络中，做到“端到端”的训练结果，而且，因为残差结构的存在，可以很容易地将网络结构扩展到上百层。
在本发明中，优选将通道注意力模块和空间注意力模块依次插入上述GoogLeNet、ResNet-34和ResNet-50神经网络模型中，再对网络进行训练。
其中，选用三种神经网络模型进行平行训练，以对比不同网络模型的训练结果，获得最佳效果的网络模型。
在进一步优选的实施方式中，网络初始化时，采用平均的权重作为初始化参数，即所有角度图像的权重初始时均相同。
其中，网络初始化的参数为平均参数，即18个角度的图像权重初始时均等于1/18。
在更进一步优选的实施方式中，采用反向传播算法对网络参数进行优化，采用如下式所示的损失函数进行优化：L(y,f(x))＝(y-f(x))2，
其中，所述损失函数为平方损失函数，y为实际值、f(x)为预测值。
在本发明中，选择误差的平方形式作为损失函数，是为了避免正误差和负误差的相互抵消；同时平方形式对于大偏差的惩罚大于小偏差，也可以使得收敛效果更好。
训练至分类模型收敛，获得模型的最佳参数。
步骤2，获取待检测危险品图像，利用训练获得的危险品分类模型，获得检测结果。
在本发明中，利用训练好的分类模型，检测未知危险品(未在训练集中出现过的危险品图像)的类别，包括以下子步骤：
步骤2-1，获得待检测危险品连续视角的图像。
根据本发明一种优选的实施方式，采用X射线从不同角度拍摄待检测危险品旋转180°的图像，每隔一定角度拍摄一张；
优选地，待检测危险品每旋转15°，拍摄一张图像，共拍摄12张图像，然后将这些图像组成连续视角的序列。
步骤2-2，利用训练得到的危险品分类模型，得到危险品不同角度的注意力权重。
其中，将上述获得的待检测危险品连续视角的序列，利用训练得到的分类模型，获得危险品不同角度的注意力权重。
步骤2-3，将不同角度的图像进行加权求和，获得检测结果。
在本发明中，优选地，在获得检测结果后，还包括对注意力加权结果进行危险品分类的步骤。
本发明所述的基于注意力机制连续视角的危险品检测方法，对连续角度下的危险品进行检测和分类，通过注意力机制，可以在不损失有效信息的前提下避免干扰信息，从而减少误判，提高检测准确度。
本发明还提供了一种计算机可读存储介质，该介质中存储有基于注意力机制连续视角的危险品检测程序，所述程序被处理器执行时，使得处理器执行所述基于注意力机制连续视角的危险品检测方法的步骤。
本发明所述的基于注意力机制连续视角的危险品检测方法可借助软件加必需的通用硬件平台的方式来实现，所述软件存储在计算机可读存储介质(包括ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机、计算机、服务器、网络设备等)执行本发明所述方法。
本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有基于注意力机制连续视角的危险品检测程序，所述程序被处理器执行时，使得处理器执行所述基于注意力机制连续视角的危险品检测方法的步骤。
实施例
以下通过具体实例进一步描述本发明，不过这些实例仅仅是范例性的，并不对本发明的保护范围构成任何限制。
实施例1
1、建立数据集
数据集包含刀具、剪刀、钢锉、斧子、锤子、手枪、步枪、冲锋枪、警棍、手雷共十类危险品，每一类危险品由1000个样本的18个角度的图像组成，共10*18*1000＝180000张图像，不涉及反例样本。
2、构建分类模型
选择ResNet-50网络模型，在其中依次插入通道注意力模块和空间注意力模块；
输入通道注意力模块的是一个H*W*C的特征图，对于输入的特征图分别进行一个空间的全局平均池化和最大池化，得到两个1*1*C的中间特征；
将这两个中间特征分别送入一个两层的神经网络，这两层的神经网络参数是共享的，第一层神经元个数为C/r(其中，r为压缩率)，激活函数为Relu，第二层神经元个数为C，此两层的神经网络是共享的；
上述两层神经网络的输出结果相加后，经过激活函数Sigmoid的映射，得到特征的权重系数；
将权重系数与输入相乘得到最终输出结果。
上述输出结果(一个H*W*C的特征图)输入空间注意力模块，对于输入的特征图分别进行一个空间的全局平均池化和最大池化，以对特征图的通道进行压缩操作，使得特征在通道维度上分别做平均和最大池化操作，得到两个H*W*1的中间特征；
将两个中间特征拼接起来，通过卷积层对其融合，使得特征图在空间维度与特征图大小一致，优选通过一个7*7的卷积层，然后将卷积层后的结果经过激活函数Sigmoid的映射，得到特征的权重系数；
将权重系数与原来输入的H*W*C特征相乘即可得到最终的输出，以判断位置特征的权重；将权重系数与原来输入的H*W*C特征相乘，获得缩放后的新特征。
3、训练分类模型
网络初始化的参数为平均参数，即18个角度的图像权重初始时均等于1/18；
采用反向传播算法对网络参数进行优化，损失函数为平方损失函数L(y,f(x))＝(y-f(x))2，其中y为实际值、f(x)为预测值。
以上结合具体实施方式和范例性实例对本发明进行了详细说明，不过这些说明并不能理解为对本发明的限制。本领域技术人员理解，在不偏离本发明精神和范围的情况下，可以对本发明技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本发明的范围内。
Claims (9)
1.一种基于注意力机制连续视角的危险品检测方法，其特征在于，所述方法包括以下步骤：
步骤1，训练获得危险品分类模型。
步骤2，获取待检测危险品图像，利用训练获得的危险品分类模型，获得检测结果。
2.根据权利要求1所述的检测方法，其特征在于，步骤1包括以下子步骤：
步骤1-1，建立训练集；
步骤1-2，构建分类模型；
步骤1-3，训练分类模型。
3.根据权利要求2所述的检测方法，其特征在于，步骤1-1包括以下子步骤：
步骤1-1-1，获得危险品连续角度下的图像；
步骤1-1-2，对危险品每一角度下的图像赋予权值，获得训练数据集。
4.根据权利要求2所述的检测方法，其特征在于，步骤1-1-1中，采用X射线从不同角度拍摄危险品旋转180°的图像，每隔一定角度拍摄一张；
优选地，危险品每旋转10°，拍摄一张图像。
5.根据权利要求2所述的检测方法，其特征在于，步骤1-2中，所述构建分类模型包括构建注意力模块的步骤，
所述注意力模块包括通道注意力模块和空间注意力模块。
6.根据权利要求5所述的检测方法，其特征在于，所述通道注意力模块采用包括以下步骤的方法判断特征图各通道的权重：
(i)将特征图进行空间信息聚合；
(ii)获得特征的权重系数；
(iii)判断特征图中各个通道的重要程度；
所述空间注意力模块对特征图的位置生成对应的权重，优选按照包括以下步骤的方法进行：
(1)对特征图进行空间信息聚合；
(2)获得特征的权重系数；
(3)获得特征图中位置的权重。
7.根据权利要求1所述的检测方法，其特征在于，步骤2包括以下子步骤：
步骤2-1，获得待检测危险品连续视角的图像；
步骤2-2，利用训练得到的危险品分类模型，得到危险品不同角度的注意力权重；
步骤2-3，将不同角度的图像进行加权求和，获得检测结果。
8.一种计算机可读存储介质，其特征在于，所述介质中存储有基于注意力机制连续视角的危险品检测程序，所述程序被处理器执行时，使得处理器执行权利要求1至7之一所述基于注意力机制连续视角的危险品检测方法的步骤。
9.一种计算机设备，其特征在于，所述设备包括存储器和处理器，所述存储器存储有基于注意力机制连续视角的危险品检测程序，所述程序被处理器执行时，使得处理器执行权利要求1至7之一所述基于注意力机制连续视角的危险品检测方法的步骤。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010784672 | 2020-08-06 | ||
| CN2020107846721 | 2020-08-06 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114092783A true CN114092783A (zh) | 2022-02-25 |
Family
ID=80296085
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110904444.8A Pending CN114092783A (zh) | 2020-08-06 | 2021-08-06 | 一种基于注意力机制连续视角的危险品检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114092783A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114580535A (zh) * | 2022-03-04 | 2022-06-03 | 中国人民解放军空军军医大学 | 基于注意力多视角学习网络的多基雷达人体行为融合识别方法、装置及介质 |
-
2021
- 2021-08-06 CN CN202110904444.8A patent/CN114092783A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114580535A (zh) * | 2022-03-04 | 2022-06-03 | 中国人民解放军空军军医大学 | 基于注意力多视角学习网络的多基雷达人体行为融合识别方法、装置及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111339858B (zh) | 一种基于神经网络的油气管道标志物识别方法 | |
| Hassan et al. | Trainable structure tensors for autonomous baggage threat detection under extreme occlusion | |
| CN111368690B (zh) | 基于深度学习的海浪影响下视频图像船只检测方法及系统 | |
| CN111507370A (zh) | 获得自动标注图像中检查标签的样本图像的方法和装置 | |
| Jiang et al. | A machine vision-based realtime anomaly detection method for industrial products using deep learning | |
| CN114821282B (zh) | 一种基于域对抗神经网络的图像检测装置及方法 | |
| EP1908013B1 (en) | Image analysis | |
| CN115457428A (zh) | 融入可调节坐标残差注意力的改进YOLOv5火灾检测方法及装置 | |
| CN110633711B (zh) | 训练特征点检测器的计算机装置、方法及特征点检测方法 | |
| US8275172B2 (en) | Multipass data integration for automatic detection and classification of objects | |
| CN114092783A (zh) | 一种基于注意力机制连续视角的危险品检测方法 | |
| CN109934147B (zh) | 基于深度神经网络的目标检测方法、系统及装置 | |
| CN114610924A (zh) | 基于多层分类识别模型的商品图片相似度匹配搜索方法和系统 | |
| Velayudhan et al. | Transformers for imbalanced baggage threat recognition | |
| Shafay et al. | Programmable broad learning system to detect concealed and imbalanced baggage threats | |
| CN107784285B (zh) | 一种光学遥感影像舰船目标的军民属性自动判别方法 | |
| CN115311601A (zh) | 一种基于视频分析技术的火灾探测分析方法 | |
| CN115272882A (zh) | 一种基于遥感影像的离散建筑物检测方法及系统 | |
| CN114255385A (zh) | 基于感知向量的光学遥感图像舰船检测方法及系统 | |
| Bai et al. | Semantic segmentation of sparse irregular point clouds for leaf/wood discrimination | |
| US20140067748A1 (en) | System and method for ocean object detection | |
| Burghouts et al. | ZERO-Detect objects without training examples by knowing their parts. | |
| CN114842001B (zh) | 一种遥感图像检测系统及方法 | |
| Zukal et al. | Corner detectors: Evaluation of information content | |
| Singh et al. | ThreatNet: advanced threat detection, region-based convolutional neural network framework |
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 |