CN114299328A - 一种环境自适应感知的小样本濒危动物检测方法及系统 - Google Patents
一种环境自适应感知的小样本濒危动物检测方法及系统 Download PDFInfo
- Publication number
- CN114299328A CN114299328A CN202111491774.5A CN202111491774A CN114299328A CN 114299328 A CN114299328 A CN 114299328A CN 202111491774 A CN202111491774 A CN 202111491774A CN 114299328 A CN114299328 A CN 114299328A
- Authority
- CN
- China
- Prior art keywords
- image
- background
- endangered
- animal
- module
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于生态环境和计算机视觉的结合领域,具体涉及一种环境自适应感知的小样本濒危动物检测方法及系统,该方法包括;分别对普通动物数据集和濒危动物数据集进预处理,通过任务分解,将预处理后的普通动物数据集划分为若干个子任务,并用其进行基础阶段的训练,得到基础的目标检测模型,将预处理后的濒危动物数据集送入环境感知模块得到新样本,使用新样本与原有濒危动物数据集作为输入对已有的基础目标检测模型进行微调训练,得到训练完成的目标模型后,输入图像或视频得到濒危动物的相关检测结果,本发明解决了现有技术中在濒危动物目标检测这样的小样本场景下,不能训练出具有良好泛化能力的检测模型以及检测准确率较低的问题。
Description
技术领域
本发明属于生态环境和计算机视觉的结合领域,涉及一种在濒危动物这样的小样本场景下的目标检测方法,具体涉及一种环境自适应感知的小样本濒危动物检测方法及系统。
背景技术
濒危动物是种群研究和生态保护中的重要类群,其中活动监测是相关研究的重要手段之一,但传统的监测手段存在效率低下且人力成本高的问题。因此,基于定位追踪、目标检测等智能化手段成为迫切需要。目标检测是计算机视觉领域的重要研究方向之一,其主要任务是对图像中感兴趣的目标进行识别并定位。近年来,基于深度模型的目标检测算法的精度和速度相较于传统算法得到了大幅度的提升;但这些算法工作的关键在于海量数据的支持,在濒危动物目标检测这样的小样本场景下,仅有少量的图像样本可供训练。因此,基于小样本学习的目标检测方法成为新的研究课题。
2016年,有学者提出Faster R-CNN,相比Fast R-CNN其主要添加了候选区域网络(RPN),并在建议框生成阶段共享了图像特征,从而大幅降低所需的建议框数量,并且提高了建议框的质量,在模型精度和速度方面都得到了显著的提升。2018年,有学者提出YOLOv3模型,其采用Darknet-53作为主干特征提取网络,YOLOv3引用了特征金字塔FPN的思想,用于解决模型在处理多尺度问题方面的不足,有效地提高了小尺寸目标的检测效果。此外,模型还采用了二元交叉熵作为新的损失函数,实现了对同一个边界框进行多个类别的预测。2020年,有人提出CenterNet模型,其主要思想是将目标看作点,在构建模型时将边界框的中心点作为目标来看待。首先,CenterNet将待检测图像输入网络得到一个关键点heatmap,并分别提取heatmap上每个类别的峰值点,然后根据峰值点预测出中心点,目标的其他属性都根据此中心点的位置来回归得到。这种方法既不需要设定锚点,也不需要进行NMS非极大值抑制,在模型检测速度和检测精度之间取得了良好的折衷。
尽管基于深度学习的目标检测算法取得了很大的进展,但现有技术还存在以下问题:在图像样本极端匮乏的濒危动物目标检测这样的小样本场景下,算法无法训练出具有良好泛化能力的目标检测模型且场景的适应性不足,导致检测的准确率低下。
发明内容
为解决上述问题,本发明提供了一种环境自适应感知的小样本濒危动物检测方法,构建目标检测模型,目标检测模型包括环境感知模块、特征提取器、特征重加权模块和检测预测器,环境感知模块包括显著性网络和图像补全网络,目标检测模型的训练分为基础训练和微调训练两个阶段,该方法包括以下步骤:
S1、根据濒危动物活动场景的图像特征对普通动物类别的数据集进行数据预处理;
S2、通过任务分解,将预处理后的普通动物类别数据集划分为多个子任务;
S3、利用多个子任务对目标检测模型中的特征提取器、特征重加权模块和检测预测器共同进行基础阶段的训练;
S4、将濒危动物类别的数据集输入环境感知模块,得到包含额外语义信息的新的图像样本;
S5、对濒危动物类别数据集中已有的图像样本与新产生的图像样本进行数据预处理;
S6、将步骤S5中预处理后的所有的濒危动物图像样本作为输入,对经过基础训练后的目标检测模型进行微调阶段的训练;
S7、得到微调训练完成后的目标检测模型,输入实时数据对濒危动物进行目标检测,得到相应目标的边界框坐标、分类结果和置信度。
进一步的,根据濒危动物活动场景的图像特征对普通动物类别的数据集进行数据预处理,在过度曝光、暗光环境和图像模糊这3种设定中随机选择选取1种设定进行图像处理以模拟濒危动物的图像场景。
进一步的,通过任务分解,将预处理后的普通动物类别数据集划分为多个子任务,每个子任务进行训练时每个类别的训练数据不同,至少包括有1shot、2shot、3shot、5shot、10shot、20shot构成的子任务,其中1shot代表任务中每个类别采用1张图像进行训练。
进一步的,将濒危动物类别的数据集输入环境感知模块,得到包含额外语义信息的新的图像样本,包括:
将濒危动物图像I输入到预训练完成的显著性网络u(),得到part级别的显著图u(I);
根据得到的显著图与濒危动物图像I进行运算,分离出濒危动物图像的前景部分:FI=I-(1-u(I));
采用图像补全网络修复濒危动物图像在前景分离过程中所缺失的后景部分,得到完整的后景部分:BJ=f(I,u(I));
把完整的后景部分划分为若干个视觉特性,统计特性相异的子区域,得到更细粒度的后景单元;
得到所有濒危动物图像的前景和后景单元之后,将后景单元总数记为M,对于第k种类型濒危动物的前景图像,根据时空约束规则词典,计算所有的后景单元与第k种类型濒危动物的所有约束要素在地理区域上的匹配程度,并筛选出前x个最符合时空约束规则的后景单元,将筛选出的x个最符合时空约束规则的后景单元拼接成完整的后景图像,得到满足时空约束规则的后景图像集:
将前景图像和后景图像集中所有的后景图像进行融合,得到新的包含额外语义信息的图像样本:Ri=FI+Bt,Bt∈S;
对新的包含额外语义信息的图像样本进行数据增强处理;
其中,I为濒危动物图像,u()表示显著性网络,FI为濒危动物图像的前景,f()表示图像补全网络,BJ为濒危动物图像的后景,g表示后景单元筛选算法,p表示后景单元拼接算法,count为拼接时的后景单元数量,为第j个后景单元,Ri为第i个新的图像样本,Bt为后景图像集合S中的后景图像。
进一步的,训练显著性网络,得到part级别的显著图,包括:
获取野外环境中动物图像,并标注动物图像中动物的各个躯体部位;
利用标注后的动物图像对显著性网络进行预训练直到收敛;
将濒危动物图像输入到预训练完成的显著性网络,得到part级别的显著图,其中每个part代表濒危动物的各个躯体部位。
进一步的,训练图像补全网络,采用预训练完成的图像补全网络修复图像在前景分离过程中所缺失的后景部分,包括:
选取野外环境中的背景图像并擦除背景图像中的一块连续区域,该区域的大小在背景图像大小的30%~70%范围内随机选取;
将背景图像作为真实值、随机擦除后的图像作为训练样本输入到图像补全网络进行预训练直到收敛;
使用预训练完成之后的图像补全网络对濒危动物图像中缺失的后景部分进行修复。
进一步的,计算所有的后景单元与该类型约束要素在地理区域上的匹配程度,并筛选出选择前x个最符合时空约束规则的后景单元,包括:
对于第k种类型濒危动物前景图像,选取符合该类型约束要素的后景图像,使用特征提取器得到后景图像以及所有其他后景单元的包含时空信息的特征图;
使用感知哈希算法,得到后景图像与所有其他后景单元的特征图之间的差异度,并以升序排序;
选取升序序列中的前x个后景单元作为第k种濒危动物中最符合相应时空约束规则的后景单元。
进一步的,将前景图像和后景图像集合中的所有后景图像进行融合,得到新的包含额外语义信息的图像样本,包括:
模拟野外环境中的遮挡导致的不完整目标结合part级别的显著图,随机选取濒危动物图像前景中一定数量的躯体部位与后景图像集中的所有后景图像进行融合;
或者,模拟野外环境中的无遮挡的完整目标选取完整的前景图像与后景图像集中的所有后景图像进行融合。
进一步的,对新产生的图像样本进行数据增强处理,包括:在直方图均衡化、比例缩放、角度旋转、图像翻转、高斯噪声、灰度化这几种方法中形成随机组合进行图像处理,提高新图像样本与原有图像样本的区分度。
进一步的,对濒危动物类别数据集中已有的图像样本与新产生的图像样本进行数据预处理,包括:将所有的濒危动物图像都调整为固定的尺寸,并采用野外环境图像中的背景信息对濒危动物进行图像填充以解决图像失真问题。
一种环境自适应感知的小样本濒危动物检测系统,包括环境感知模块、特征提取模块、特征重加权模块和检测预测模块,环境感知模块包括前景获取模块、图像补全模块和前后景混和模块,其中:
前景获取模块,用于获取输入的濒危动物图像的前景区域;
图像补全模块,用于修复输入的濒危动物图像中缺失的区域,得到完整的后景;
前后景融合模块,用于将从前景获取模块得到的前景图像和后景图像集合中的后景图像进行融合,融合后产生新样本;
特征提取模块,用于提取输入的濒危动物图像和前后景融合模块输出的新样本的特征;
特征重加权模块,用于在系统训练过程中将训练系统的支持图像嵌入普通动物类别或濒危动物类别,并提取其类特定特征,以及提取特征提取模块输出结果的类定特征;
检测预测模块,用于根据特征加权模块的输出结果预测输入的濒危动物图像中目标的边界框坐标、分类结果和置信度。
本发明的有益效果:
本发明基于由多层卷积层构成的深度神经网络,以有监督的方式进行模型的训练和学习,解决了现有技术中在濒危动物目标检测这样的小样本场景下,不能训练出具有良好泛化能力的检测模型以及检测准确率较低的问题;此外,因为本发明采用的环境感知模块是易于嵌入的模块,不仅可以在濒危动物目标检测这样场景中提供自适应的环境感知能力,也可以轻松地将这种能力其嵌入到其他检测场景中,从而提升了模型在不同目标检测场景下的跨场景适应能力。
附图说明
图1为本发明提供的方法整体流程图;
图2为本发明提供的方法具体实施图。
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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,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做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。
一种环境自适应感知的小样本濒危动物检测方法的整体流程,如图1所示,包括:
预处理普通动物图像数据集,利用预处理后的普通动物数据集进行基础训练,得到基础训练后的目标检测模型;
预处理濒危动物数据中的图像样本,得到新样本,利用新样本和预处理后的濒危动物数据中的图像样本进行微调训练,完成目标检测模型的训练;
将濒危动物图像或视频输入训练好的目标检测模型,得到检测结果。
在另一实施例中,目标检测模型的完整训练过程包括基础训练和微调训练两个训练阶段,如图2所示。
基础训练阶段使用普通动物类别的图像样本对特征提取器、特征重加权模块和检测预测器进行充分训练:
S11、预处理包含正常数量样本的普通动物类别数据集;
在开始训练前,对包含正常数量样本的普通动物类别数据集进行图像预处理,在过度曝光、暗光环境和图像模糊这3种设定中随机选择选取1种设定进行图像处理以模拟濒危动物活动场景的图像特征。
S12、通过任务分解,将预处理后的普通动物类别数据集划分为若干个子任务,每个子任务仅包含少量的图像样本以模拟濒危动物场景下每个类别仅包含少量图像样本的情形,其中子任务的类别分别有1、2、3、5、10、20shot,1shot代表任务中每个类别仅采用1张图像进行训练,2shot代表任务中每个类别仅采用2张图像进行训练,以此类推。
S13、利用多个子任务训练模型,得到基础的特征提取器、重加权系数和检测预测器。
普通动物类别数据集和濒危动物数据集的所有图像按照比例分为支持图像和查询图像,支持图像用于训练模型,查询图像用于验证训练后的模型性能,本实施例中支持图像的比例是0.8,查询图像的比例是0.2。
具体地,特征提取器以一张查询图像q作为输入,得到查询图像的元特征F;特征重加权模块以一张支持图像和相应的掩码(Ii,Maski)作为输入,将支持图像嵌入到相应的类特定系数中,并获取该类特定的特征,表示为:
其中,表示参数为θD的特征提取器,表示参数为θM的特征重加权模块,表示参数为θP的检测预测器,表示第j个子任务,是来自于不同类别的支持集,即基础训练阶段的普通动物类别数据集和微调训练阶段的濒危动物类别数据集的总集合,表示查询图像,表示查询图像对应的目标掩码。
微调训练阶段使用仅有的少量濒危动物类别的图像样本,对经过基础训练后的目标检测模型进行微调阶段的训练:
S21、将濒危动物图像数据集输入到环境感知模块,生成包含额外语义信息的新图像样本;
S22、对濒危动物类别数据集中已有的图像样本与新产生的图像样本进行数据预处理;
在开始训练前,对濒危动物类别数据集进行图像预处理,将所有的濒危动物图像都调整为固定的416*416尺寸,并采用野外环境图像中的背景信息对濒危动物进行图像填充以解决图像失真问题。
S23、将所有的濒危动物图像样本作为输入,对经过基础训练后的目标检测模型进行微调阶段的训练。
具体地,将一张濒危动物图像I输入显著性网络u(),获取part级别的濒危动物图像的显著图u(I),并得到该图像的前景FI,表示为:
FI=I-(1-u(I));
使用图像补全网络f()修复背景图像中缺失的区域已获得完整的后景BJ,表示为:
BJ=f(I,u(I));
part级别的濒危动物图像的显著图u(I)表示使得图像中的濒危动物更明显,得到一张包含濒危动物所有躯体的图像。
得到所有濒危动物图像的前景和后景单元之后,将后景单元总数记为M,对于第k种类型的濒危动物前景图像,根据时空约束规则词典,计算所有的后景单元与该类型约束要素在地理区域上的匹配程度,并筛选出前x个最符合时空约束规则的后景单元,将筛选出的所有后景单元拼接成完整的后景图像,得到满足时空约束规则的后景图像集合:
将前景图像和相应后景图像集合中的后景图像进行融合,产生新的包含额外语义信息的图像样本,产生新样本的方式为:Ri=FI+Bt,Bt∈S;
其中,计算所有的后景单元与该类型约束要素在地理区域上的匹配程度,并筛选出选择前x个最符合时空约束规则相应的后景单元,包括:对于第k种类型濒危动物前景图像,选取符合该类型约束要素的后景图像,使用特征提取器得到后景图像以及所有其他后景单元的包含时空信息的特征图;使用感知哈希算法,得到后景图像与所有其他后景单元的特征图之间的差异度,并以升序排序;选取升序序列中的前x个后景单元作为第k种濒危动物中最符合相应时空约束规则的后景单元。
优选地,分别模拟野外环境中由遮挡导致的不完整目标和无遮挡的完整目标这两种情况,采用两种方式将前景图像和后景图像集合中的所有后景图像进行融合,第一种方式是模拟野外环境中由遮挡导致的不完整目标,结合part级别的显著图,随机选取濒危动物前景图像中一定数量的躯体部位与后景图像集中的所有后景图像进行融合;第二种方式是无遮挡的完整目标,选取完整的前景图像与后景图像集中的所有后景图像进行融合。
对新产生的图像样本进行数据增强处理,在直方图均衡化、比例缩放、角度旋转、图像翻转、高斯噪声、灰度化这几种方法中形成随机组合进行图像处理,提高新图像样本与原有图像样本的区分度,避免模型过拟合。
对濒危动物类别数据集中已有的图像样本与新产生的图像样本进行数据预处理,包括:将所有的濒危动物图像都调整为固定的尺寸,并采用野外环境图像中的背景信息对濒危动物进行图像填充以解决图像失真问题。
将原有的濒危动物图像与新样本一起加入微调训练,训练过程与基础训练一致,但在微调训练阶段,充分利用了模型在基础训练阶段学习到的知识,使目标检测模型在濒危动物类别的目标检测上获得更好的效果。
两个阶段的训练完成后,得到训练好的目标检测模型,输入濒危动物图像或视频就可以得到检测结果。
在另一实施例中,提出一种环境自适应感知的小样本濒危动物检测系统,包括环境感知模块、特征提取模块、特征重加权模块和检测预测模块,环境感知模块包括前景获取模块、图像补全模块和前后景混和模块,其中:
前景获取模块,用于获取输入的濒危动物图像的前景区域;
图像补全模块,用于修复输入的濒危动物图像中缺失的区域,得到完整的后景;
前后景融合模块,用于将从前景获取模块得到的前景图像和后景图像集合中的后景图像进行融合,融合后产生新样本;
特征提取模块,用于提取输入的濒危动物图像和前后景融合模块输出的新样本的特征;
特征重加权模块,用于在系统训练过程中将训练系统的支持图像嵌入普通动物类别或濒危动物类别,并提取其类特定特征,以及提取特征提取模块输出结果的类定特征;
检测预测模块,用于根据特征加权模块的输出结果预测输入的濒危动物图像中目标的边界框坐标、分类结果和置信度。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种环境自适应感知的小样本濒危动物检测方法,其特征在于,构建面向濒危动物场景下的目标检测模型,模型包括环境感知模块、特征提取器、特征重加权模块和检测预测器,环境感知模块包括显著性网络和图像补全网络,目标检测模型的训练分为基础训练和微调训练两个阶段,濒危动物检测方法包括以下步骤:
S1、根据濒危动物活动场景的图像特征对普通动物类别的数据集进行数据预处理;
S2、通过任务分解,将预处理后的普通动物类别数据集划分为多个子任务;
S3、利用多个子任务对目标检测模型中的特征提取器、特征重加权模块和检测预测器共同进行基础阶段的训练;
S4、将濒危动物类别的数据集输入到环境感知模块,得到包含额外语义信息的新的图像样本;
S5、对濒危动物类别数据集中已有的图像样本与新的图像样本进行数据预处理;
S6、将步骤S5中预处理后的所有的濒危动物图像样本作为输入,对经过基础训练后的目标检测模型进行微调阶段的训练;
S7、得到微调训练完成后的目标检测模型,输入实时数据对濒危动物进行目标检测,得到相应目标的边界框坐标、分类结果和置信度。
2.根据权利要求1所述的一种环境自适应感知的小样本濒危动物检测方法,其特征在于,根据濒危动物活动场景的图像特征对普通动物类别的数据集进行数据预处理,在过度曝光、暗光环境和图像模糊这3种设定中随机选择选取1种设定进行图像处理。
3.根据权利要求1所述的一种环境自适应感知的小样本濒危动物检测方法,其特征在于,通过任务分解,将预处理后的普通动物类别数据集划分为多个子任务,每个子任务进行训练时每个类别的训练数据不同,包括有1shot、2shot、3shot、5shot、10shot、20shot构成的子任务,其中1shot代表任务中每个类别采用1张图像进行训练。
4.根据权利要求1所述的一种环境自适应感知的小样本濒危动物检测方法,其特征在于,将濒危动物类别的数据集输入到环境感知模块,得到包含额外语义信息的新的图像样本,包括:
对于濒危动物图像I,将其输入到预训练完成的显著性网络u(),得到part级别的显著图u(I);
根据得到的显著图与濒危动物图像I进行运算,分离出濒危动物图像的前景部分:FI=I-(1-u(I));
采用图像补全网络修复濒危动物图像在前景分离过程中所缺失的后景部分,得到完整的后景部分:BJ=f(I,u(I));
把完整的后景部分划分为若干个视觉特性,统计特性相异的子区域,得到更细粒度的后景单元;
得到所有濒危动物图像的前景和后景单元之后,将后景单元总数记为M,对于第k种类型濒危动物的前景图像,根据时空约束规则词典,计算所有的后景单元与第k种类型濒危动物的所有约束要素在地理区域上的匹配程度,并筛选出前x个最符合时空约束规则的后景单元,将筛选出的x个最符合时空约束规则的后景单元拼接成完整的后景图像,得到满足时空约束规则的后景图像集合:
将前景图像和后景图像集合中的所有后景图像进行融合,得到新的包含额外语义信息的图像样本:Ri=FI+Bt,Bt∈S;
对新的包含额外语义信息的图像样本进行数据增强处理;
5.根据权利要求4所述的一种环境自适应感知的小样本濒危动物检测方法,其特征在于,训练显著性网络,得到part级别的显著图,包括:
获取野外环境中的动物图像,并标注动物图像中动物的各个躯体部位;
利用标注后的动物图像对显著性网络进行预训练直到收敛;
将濒危动物图像输入到预训练完成的显著性网络,得到part级别的显著图,其中每个part代表濒危动物的各个躯体部位。
6.根据权利要求4所述的一种环境自适应感知的小样本濒危动物检测方法,其特征在于,训练图像补全网络包括:
选取野外环境中的背景图像并擦除背景图像中的一块连续区域,该区域的大小在背景图像大小的30%~70%范围内随机选取;
将背景图像作为真实值、随机擦除后的图像作为训练样本输入到图像补全网络进行预训练直到收敛;
使用预训练完成之后的图像补全网络对濒危动物图像中缺失的后景部分进行修复。
7.根据权利要求4所述的一种环境自适应感知的小样本濒危动物检测方法,其特征在于,筛选出前x个最符合时空约束规则的后景单元的过程包括:
对于第k种类型濒危动物前景图像,使用特征提取器得到后景图像以及所有其他后景单元的包含时空信息的特征图;
使用感知哈希算法,得到后景图像与所有其他后景单元的特征图之间的差异度,并以升序排序;
选取升序序列中的前x个后景单元作为第k种濒危动物中最符合相应时空约束规则的后景单元。
8.根据权利要求4所述的一种环境自适应感知的小样本濒危动物检测方法,其特征在于,将前景图像和后景图像集合中的所有后景图像进行融合的过程包括:
模拟野外环境中由遮挡导致的不完整目标,结合part级别的显著图,随机选取濒危动物前景图像中一定数量的躯体部位与后景图像集中的所有后景图像进行融合;
或者模拟野外环境中无遮挡的完整目标,选取完整的前景图像与后景图像集中的所有后景图像进行融合。
9.根据权利要求1所述的一种环境自适应感知的小样本濒危动物检测方法,其特征在于,对濒危动物类别数据集中已有的图像样本与新产生的图像样本进行数据预处理,包括:将所有的濒危动物图像都调整为固定的尺寸,并采用野外环境图像中的背景信息对濒危动物进行图像填充以解决图像失真问题。
10.一种环境自适应感知的小样本濒危动物检测系统,其特征在于,包括环境感知模块、特征提取模块、特征重加权模块和检测预测模块,环境感知模块包括前景获取模块、图像补全模块和前后景融合模块,其中:
前景获取模块,用于获取输入的濒危动物图像的前景区域;
图像补全模块,用于修复输入的濒危动物图像中缺失的区域,得到完整的后景;
前后景融合模块,用于将从前景获取模块得到的前景图像和后景图像集合中的后景图像进行融合,融合后产生新样本;
特征提取模块,用于提取输入的濒危动物图像和前后景融合模块输出的新样本的特征;
特征重加权模块,用于在系统训练过程中将训练系统的支持图像嵌入普通动物类别或濒危动物类别,并提取其类特定特征,以及提取特征提取模块输出结果的类定特征;
检测预测模块,用于根据特征加权模块的输出结果预测输入的濒危动物图像中目标的边界框坐标、分类结果和置信度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111491774.5A CN114299328A (zh) | 2021-12-08 | 2021-12-08 | 一种环境自适应感知的小样本濒危动物检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111491774.5A CN114299328A (zh) | 2021-12-08 | 2021-12-08 | 一种环境自适应感知的小样本濒危动物检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114299328A true CN114299328A (zh) | 2022-04-08 |
Family
ID=80966540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111491774.5A Pending CN114299328A (zh) | 2021-12-08 | 2021-12-08 | 一种环境自适应感知的小样本濒危动物检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114299328A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117951648A (zh) * | 2024-03-26 | 2024-04-30 | 成都正扬博创电子技术有限公司 | 一种机载多源信息融合方法及系统 |
-
2021
- 2021-12-08 CN CN202111491774.5A patent/CN114299328A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117951648A (zh) * | 2024-03-26 | 2024-04-30 | 成都正扬博创电子技术有限公司 | 一种机载多源信息融合方法及系统 |
CN117951648B (zh) * | 2024-03-26 | 2024-06-07 | 成都正扬博创电子技术有限公司 | 一种机载多源信息融合方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109614985B (zh) | 一种基于密集连接特征金字塔网络的目标检测方法 | |
CN112052787B (zh) | 基于人工智能的目标检测方法、装置及电子设备 | |
US11263434B2 (en) | Fast side-face interference resistant face detection method | |
CN110929577A (zh) | 一种基于YOLOv3的轻量级框架改进的目标识别方法 | |
CN112734775B (zh) | 图像标注、图像语义分割、模型训练方法及装置 | |
CN111353413A (zh) | 一种输电设备低漏报率缺陷识别方法 | |
CN109614921B (zh) | 一种基于对抗生成网络的半监督学习的细胞分割方法 | |
CN107133943A (zh) | 一种防震锤缺陷检测的视觉检测方法 | |
CN111445488B (zh) | 一种弱监督学习自动识别和分割盐体的方法 | |
CN112560675B (zh) | Yolo与旋转-融合策略相结合的鸟类视觉目标检测方法 | |
CN110689093B (zh) | 一种复杂场景下的图像目标精细分类方法 | |
CN114663346A (zh) | 一种基于改进YOLOv5网络的带钢表面缺陷检测方法 | |
CN109284779A (zh) | 基于深度全卷积网络的物体检测方法 | |
CN111368660A (zh) | 一种单阶段半监督图像人体目标检测方法 | |
CN111833322B (zh) | 一种基于改进YOLOv3的垃圾多目标检测方法 | |
CN115019039A (zh) | 一种结合自监督和全局信息增强的实例分割方法及系统 | |
CN111126155B (zh) | 一种基于语义约束生成对抗网络的行人再识别方法 | |
CN117217368A (zh) | 预测模型的训练方法、装置、设备、介质及程序产品 | |
CN115063664A (zh) | 用于工业视觉检测的模型学习方法、训练方法及系统 | |
CN114299328A (zh) | 一种环境自适应感知的小样本濒危动物检测方法及系统 | |
CN116758539B (zh) | 一种基于数据增强的胚胎图像卵裂球识别方法 | |
KR102230559B1 (ko) | 데이터 프로그래밍에 기반한 레이블링 모델 생성 방법 및 장치 | |
CN117152094A (zh) | 基于计算机视觉的钢板表面缺陷分析方法、装置及系统 | |
CN110163081A (zh) | 基于ssd的实时区域入侵检测方法、系统及存储介质 | |
CN114694090A (zh) | 一种基于改进PBAS算法与YOLOv5的校园异常行为检测方法 |
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 |