CN114511771A - 基于BiFPN加强特征提取的SSD网络构建方法及目标检测方法 - Google Patents
基于BiFPN加强特征提取的SSD网络构建方法及目标检测方法 Download PDFInfo
- Publication number
- CN114511771A CN114511771A CN202210029939.5A CN202210029939A CN114511771A CN 114511771 A CN114511771 A CN 114511771A CN 202210029939 A CN202210029939 A CN 202210029939A CN 114511771 A CN114511771 A CN 114511771A
- Authority
- CN
- China
- Prior art keywords
- feature
- network
- ssd
- conv8
- conv10
- 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于BiFPN加强特征提取的SSD网络构建方法,包括如下步骤:步骤1,将SSD网络得到的6个有效特征层Conv4_3、fc7、Conv8_2、Conv9_2、Conv10_2、Conv11_2,输送到加强特征提取网络中;步骤2,所述加强特征提取网络对输入的6个有效特征层进行上采样的特征融合,然后进行下采样的特征融合,获得6个新的特征层;步骤3,将加强特征提取网络得到的6个新的特征层加入通道注意力机制,得到改进后的SSD网络。步骤4,对步骤3得到的改进后的SSD网络进行网络模型训练,得到训练好的SSD网络模型。本发明有效解决了传统的SSD网络对小目标等困难目标识别精度差的问题,经试验,在VOC2007+2012数据集上的平均检测精度为79.4%,相比于传统的SSD提升了2.2%。
Description
技术领域
本发明属于基于深度学习的目标检测技术领域,涉及一种基于BiFPN加强特征提取的SSD网络构建方法及目标检测方法。
背景技术
目标检测技术是计算机视觉领域的重要研究内容和应用领域。在行人检测、车辆识别、无人驾驶和遥感图像检测等诸多场景中,具有非常重要的研究价值与意义,人们也越来越愿意将目标检测技术投入到工程实践中去,目标检测技术逐渐地与我们日常生活息息相关。
如何进一步改进与提升目标检测技术,成为了当前国内外研究的重点和难点。早期的目标检测主要是结合特征提取与分类的模式,目标特征提取部分主要是梯度直方图HOG(Histogram of Oriented Gradient)、尺度不变特征变换SIFT(Scale-InvariantFeature Transform)、局部二值模式LBP(Local binary patter)等,特征分类部分主要有支持向量机SVM(Support vector machine)、随机森林、AdaBoost等。传统的机器学习模型鲁棒性差,随着深度学习的问世,学者们将目光转向这种学习能力和检测能力更为优秀的技术,利用它进行目标检测。基于深度学习的目标检测,不但有更高的识别精度,更快的检测速度,而且具有更高的鲁棒性。
目标检测算法中,根据是否产生候选框主要分为两大类:双阶段目标检测算法和单阶段目标检测算法。双目标检测算法先由算法产生一系列候选框,再通过卷积神经网络进行样本的分类,包括R-CNN、SPP-Net、Fast-RCNN和Faster-RCNN等算法。由RossB.Girshick提出的R-CNN算法,利用选择性搜索算法评估相邻子图像块的相似度,得到感兴趣区域,输送到卷积神经网络中提取特征,再通过支持向量机SVM进行特征分类;针对R-CNN算法存在大量的重复计算,何恺明等提出SPP-Net算法,通过加入空间金字塔池化结构(Spatial Pyramid Pooling),解决神经网络对特征重复提取的问题,大大提高了候选框产生的速度;针对SPP-Net算法存在的问题,Ross B.Girshick提出一种改进型的Fast-RCNN,借鉴SPP-Net算法结构,设计一种ROI pooling的池化层结构,引入多任务损失函数,实现统一训练学习;针对Fast-RCNN算法存在的问题,任少庆、何恺明以及Ross B Girshick等又提出了Faster-RCNN,设计辅助生成样本的RPN(Region Proposal Networks)网络,整个网络可以共享特征信息,解决了Fast-RCNN生成正负样本候选框速度慢的问题,同时避免了候选框过多导致准确率下降的问题。双目标检测算法以检测精度著称,但难以满足实际场景中对实时性的要求。
单目标检测算法将提取的特征直接进行分类与回归,保证检测精度的同时,提升了检测速度,如YOLO系列算法、SSD等算法。由Joseph Redmon等提出的YOLO算法,是基于图像的全局信息进行预测的,以其速度优势迅速成为端到端方法的领先者,但是存在定位不准的问题,且对重叠物体和小目标物体检测效果不好,且泛化能力相对较弱。针对YOLO系列算法存在的问题,Wei Liu等提出SSD算法,结合YOLO的回归思想和Faster R-CNN的anchorbox机制结合,保持YOLO算法检测速度优的同时,改善了定位效果。但也存在其局限性,SSD网络中只有浅层特征层用于检测小目标,因此网络的特征表达能力不足,对小目标存在较多的错检和漏检的现象,从而导致识别精度低。
发明内容
为了改善原始SSD网络对小目标等困难目标识别精度差的问题,本发明的目的在于,提出一种基于BiFPN加强特征提取的SSD目标检测方法。
为了达到上述目的,本发明所采用的技术方案如下:
一方面,本发明给出了一种基于BiFPN加强特征提取的SSD网络构建方法,具体包括如下步骤:
步骤1,将SSD网络得到的6个有效特征层Conv4_3、fc7、Conv8_2、Conv9_2、Conv10_2、Conv11_2,输送到加强特征提取网络中;
步骤2,所述加强特征提取网络对输入的6个有效特征层进行上采样的特征融合,然后进行下采样的特征融合,获得6个新的特征层;
步骤3,将加强特征提取网络得到的6个新的特征层加入通道注意力机制,得到改进后的SSD网络。
步骤4,对步骤3得到的改进后的SSD网络进行网络模型训练,得到训练好的SSD网络模型。
进一步的,所述步骤2包括如下子步骤:
步骤21,对6个有效特征层进行输入的上采样的特征融合:
步骤211,对Conv11_2进行上采样得到Conv11_2_U,将得到的特征层Conv11_2_U与Conv10_2进行特征融合,获得Conv10_2_td;
步骤212,对Conv10_2_td进行上采样得到Conv10_2_U,将Conv10_2_U与Conv9_2进行特征融合,获得Conv9_2_td;
步骤213,对Conv9_2_td进行上采样得到Conv9_2_U,将Conv9_2_U与Conv8_2进行特征融合,获得Conv8_2_td;
步骤214,对Conv8_2_td进行上采样得到Conv8_2_U,将Conv8_2_U与fc7进行特征融合,获得fc7_td;
步骤215,对fc7_td进行上采样得到fc7_U,将fc7_U与Conv4_3进行特征融合,获得Conv4_3_out;
步骤22,进行下采样的特征融合:
步骤221,对Conv4_3_out进行下采样得到特征层Conv4_3_D,将Conv4_3_D与fc7_td进行特征融合得到fc7_out;
步骤222,对fc7_out进行下采样,得到特征层fc7_D,将fc7_D与Conv8_2_td进行特征融合得到Conv8_2_out;
步骤223,对Conv8_2_out进行下采样得到特征层Conv8_2_D,将Conv8_2_D与Conv9_2_td进行特征融合得到Conv9_2_out;
步骤224,对Conv9_2_out进行下采样得到特征层Conv9_2_D,将Conv9_2_D与Conv10_2_td进行特征融合得到Conv10_2_out;
步骤225,对Conv10_2_out进行下采样得到特征层Conv10_2_D,将Conv10_2_D与Conv11_2进行特征融合得到Conv11_2_out。
进一步的,所述特征融合中分别加入了一个权重选择机制。
进一步的,所述步骤4的所述网络模型训练中,采用PASCAL VOC2007trainval数据集和PASCAL VOC2012 trainval数据集作为训练集和验证集,使用PASCAL VOC2007 test数据集作为测试数据集。
进一步的,所述步骤4的所述网络模型训练中,迭代100次,前50次先冻结骨干网络进行训练,初始学习率为0.001,bitch_size设置为32,每迭代一次,学习率下降5%;然后将冻结的骨干网络解冻,从头开始训练,bitch_size设置为16,初始学习率为0.0001,每迭代一次,学习率下降5%。
另一方面,本发明还给出了一种SSD目标检测方法,具体包括如下步骤:
步骤1,对待测图片进行预处理;
步骤2,将预处理后的待测图片输入权利要求1~5任一项所述的基于BiFPN加强特征提取的SSD网络构建方法得到的训练好的SSD网络模型中,得到目标检测结果。
进一步的,所述预处理包括翻转和统一尺寸处理。
相较于现有技术,本发明的有益效果如下:
1、在传统SSD网络的基础上引入了加强特征提取网络,采用上采样和下采样的特征融合处理,不断地进行上采样和下采样,实现了浅层细节层和中高语义层的特征融合,最终获得6个具有高语义信息和细节信息的新的特征层,用新的特征层代替原来的特征层用于目标识别。
2、加强特征提取网络通过在上采用和下采用的特征融合处理中加入关键特征选择机制,以判断哪个特征层的信息更重要,进一步增强关键信息,提高检测精度。
3、通过在加强特征提取网络输出的新的特征层中引入通道注意力机制,利用注意力机制挖掘类标签和局部特征关键区域之间的相关性,通过调整通道的权重配比,进一步增强关键信息,提高检测精度,达到更好的识别效果。
综上,实验结果表明,改进算法在VOC2007+2012数据集上的mAP(平均检测精度)为79.4%,相比于传统的SSD提升了2.2%。
附图说明
图1是传统的SSD网络的结构原理图;
图2是本发明的SSD网络的结构原理图;
图3是加强特征提取网络的结构原理图;
图4是传统的SSD网络和改进后的SSD网络的检测对比图;
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图1所示的传统的SSD网络,构建思路如下:
SSD网络是一种经典的单目标检测算法,其优势是目标检测和分类同时完成,在保证准确率的同时,也拥有快速检测的性能。SSD网络的结构原理如图1所示,将输入进来的图像尺寸统一为300×300,通过特征提取网络,得到6个有效特征层:Conv4_3、fc7、Conv8_2、Conv9_2、Conv10_2、Conv11_2。SSD网络可以分为两部分:VGG网络(Conv1到fc7)和四个额外的卷积层(Conv8到Conv11)。VGG网络是基础骨干网络,用于进行浅层特征提取,最终只有Conv4_3和fc7作为有效特征层输送到检测头,特征层大小分别是38×38和19×19,用于提供丰富的位置信息和几何信息,但是语义信息较弱。额外的4个卷积层具有高语义信息和大感受野,但是分辨率低,细节特征表征能力差。
综上,传统的SSD网络得到的6个有效特征层用于提取目标信息,有效特征层中的浅层特征层包含的语义信息较少,深层特征层包含的细节信息不足。
如图2所示,是本发明的基于BiFPN加强特征提取的SSD网络,其构建思路如下:
基于以上对传统的SSD网络的分析,SSD网络得到的6个有效特征层对小目标的特征提取能力不足,导致对于小目标等困难目标识别精度不佳,本发明从以下两方面对传统的SSD网络进行改进:
首先,设计加强特征提取网络,该网络通过对传统的SSD网络得到的6个有效特征层进行上采样特征融合和下采样特征融合处理,获得表达能力更强的6个新的特征层,构成加强特征提取网络,加强特征提取网络实现了多次循环融合浅层和深层的特征,增强浅层特征的语义信息和深层网络的细节信息,使细节信息和高语义信息都得到充分表达。
其次,将得到的6个新的特征层输入通道注意力机制中,以再次增强关键信息,提高检测精度,从而得到改进后的SSD网络。
依照该思路,本发明给出一种基于BiFPN加强特征提取的SSD网络构建方法,具体包括如下步骤:
步骤1,将SSD网络得到的6个有效特征层Conv4_3、fc7、Conv8_2、Conv9_2、Conv10_2、Conv11_2,输送到加强特征提取网络中;
步骤2,加强特征提取网络对输入的6个有效特征层进行上采样的特征融合,然后进行下采样的特征融合,获得6个新的特征层。
具体的,加强特征提取网络的构建思路如图3所示:将传统SSD网络得到的6个有效特征层Conv4_3、fc7、Conv8_2、Conv9_2、Conv10_2、Conv11_2,输送到加强特征提取网络中,加强特征提取网络对获取的6个有效特征层进行上采样和下采样的特征融合,不断地进行特征堆叠和融合,最终获得6个具有高语义信息和细节信息的新的特征层。具体包括如下子步骤:
步骤21,对6个有效特征层进行输入的上采样的特征融合,包括如下子步骤:
步骤211,对Conv11_2进行上采样得到Conv11_2_U(图中用y1表示),将得到的特征层Conv11_2_U与Conv10_2进行特征融合,获得Conv10_2_td(图中用y2表示);
步骤212,对Conv10_2_td进行上采样得到Conv10_2_U(图中用y3表示),将Conv10_2_U与Conv9_2进行特征融合,获得Conv9_2_td(图中用y4表示);
步骤213,对Conv9_2_td进行上采样得到Conv9_2_U(图中用y5表示),将Conv9_2_U与Conv8_2进行特征融合,获得Conv8_2_td(图中用y6表示);
步骤214,对Conv8_2_td进行上采样得到Conv8_2_U(图中用y7表示),将Conv8_2_U与fc7进行特征融合,获得fc7_td(图中用y8表示);
步骤215,对fc7_td进行上采样得到fc7_U(图中用y9表示),将fc7_U与Conv4_3进行特征融合,获得Conv4_3_out(图中用y10表示)。
优选的,步骤212~步骤215中所述的特征融合是在普通的特征融合中加一个权重选择机制,用于判断关键特征层并增加权重。
步骤22,下采样的特征融合包括如下子步骤:
步骤221,对Conv4_3_out(即图中y10)进行下采样得到特征层Conv4_3_D(图中用y11表示),将Conv4_3_D与fc7_td(即图中y8)进行特征融合得到fc7_out(图中用y12表示)。
步骤222,对fc7_out进行下采样,得到特征层fc7_D(图中用y13表示),将fc7_D与Conv8_2_td(即图中y6)进行特征融合得到Conv8_2_out(图中用y14表示)。
步骤223,对Conv8_2_out进行下采样得到特征层Conv8_2_D(图中用y15表示),将Conv8_2_D与Conv9_2_td(即图中y4)进行特征融合得到Conv9_2_out(图中用y16表示)。
步骤224,对Conv9_2_out进行下采样得到特征层Conv9_2_D(图中用y17表示),将Conv9_2_D与Conv10_2_td(即图中y2)进行特征融合得到Conv10_2_out(图中用y18表示)。
步骤225,对Conv10_2_out进行下采样得到特征层Conv10_2_D(图中用y19表示),将Conv10_2_D与Conv11_2进行特征融合得到Conv11_2_out(图中用y20表示)。
同理,优选的,步骤222~步骤225中所述的上述过程中的特征融合也是在普通的特征融合中加一个权重选择机制,判断关键特征层并增加权重。
至此,6个有效特征层经过加强特征提取网络得到Conv4_3_out、fc7_out、Conv8_2_out、Conv9_2_out、Conv10_2_out、Conv11_2_out这6个新的特征层,也即图中的y10、y12、y14、y16、y18、y20,它们具有丰富的语义信息和细节信息。
步骤3,将加强特征提取网络得到的6个新的特征层加入通道注意力机制,得到改进后的SSD网络。
该步骤中的通道注意力机制是一种对关键区域定位的策略,具备较强的识别能力和目标学习能力,即使在只提供类标签的情况下也能自主的学习,较准确的找到关键位置信息。本发明在将加强特征提取网络得到的6个新的特征层加入通道注意力机制,为通道上的信息增添权重,权重越大就代表与感兴趣区域的关联度越高,使得网络对关键特征的把握能力更强,同时减少无关信息的干扰,提升了网络对关键信息的提取能力,从而优化了网络对小目标等困难目标识别较差的问题,能够有效提高检测精度。
步骤4,对步骤3得到的改进后的SSD网络进行网络模型训练,得到训练好的网络模型。
另一方面,本发明给出一种SSD目标检测方法,该方法采用进行目标检测,包括如下步骤:
步骤1,对待测图片进行预处理。优选的,预处理包括翻转、统一尺寸等处理。
步骤2,将预处理后的待测图片输入上述本发明的基于BiFPN加强特征提取的SSD网络构建方法得到的训练好的SSD网络模型中,得到目标检测结果。
为了更好的评估本发明的改进后的SSD网络的检测效果,本发明采用公开数据集PASCAL VOC对改进后的模型进行训练和测试。该数据集总共有20个类别,包括人、鸟、猫、牛、狗、马、羊、飞机、自行车、船、巴士、汽车、摩托车、火车、瓶子、椅子、餐桌、盆栽植物、沙发、电视。训练时,采用PASCAL VOC2007 trainval数据集和PASCAL VOC2012 trainval数据集作为训练集和验证集,一共包含16551张图片。测试时,使用PASCAL VOC2007 test数据集作为改进网络的测试数据集,一共包含4952张图片。
对改进后的SSD网络进行模型训练时,采用的训练策略是两步骤训练法,总共迭代100次,前50次先冻结骨干网络进行训练,初始学习率为0.001,bitch_size为32,且每迭代一次,学习率下降5%。然后将冻结的骨干网络解冻,网络从头开始训练,bitch_size设置为16,初始学习率为0.0001,且每迭代一次,学习率下降5%。这种训练方式可防止通过预训练模型初始化得到的权重被破坏。训练完成后,得到最优的SSD网络模型权重,用于待测图片的目标检测。
实验过程中使用GPU加速,显卡为NVIDIA GeForce RTX 3090,显存为24G,采用PyTorch网络框架,框架版本为1.7.1。
为了能够更直观地展示本发明构建的SSD网络在目标检测方面良好的性能,图4展示了从PASCAL VOC2007 test数据集上选取具有代表性的三组对比图。其中,图(a)、(c)、(e)为SSD算法的检测结果,图(b)、(d)、(f)为本文算法的检测结果。通过图(a)、(b)的对比,可以看到本文算法对鸟的检测性能更好,在提升检测精度的同时,可以检测到小目标鸟;通过图(c)、(d)的对比,可以看到本发明构建的SSD网络对小目标的检测性能更优秀,识别到了原SSD算法检测不到的人和马;通过图(e)、(f)的对比,可以看到本发明对小目标牛的检测性能更优秀。
Claims (7)
1.一种基于BiFPN加强特征提取的SSD网络构建方法,其特征在于,具体包括如下步骤:
步骤1,将SSD网络得到的6个有效特征层Conv4_3、fc7、Conv8_2、Conv9_2、Conv10_2、Conv11_2,输送到加强特征提取网络中;
步骤2,所述加强特征提取网络对输入的6个有效特征层进行上采样的特征融合,然后进行下采样的特征融合,获得6个新的特征层;
步骤3,将加强特征提取网络得到的6个新的特征层加入通道注意力机制,得到改进后的SSD网络;
步骤4,对步骤3得到的改进后的SSD网络进行网络模型训练,得到训练好的SSD网络模型。
2.如权利要求1所述的基于BiFPN加强特征提取的SSD网络构建方法,其特征在于,所述步骤2包括如下子步骤:
步骤21,对6个有效特征层进行输入的上采样的特征融合:
步骤211,对Conv11_2进行上采样得到Conv11_2_U,将得到的特征层Conv11_2_U与Conv10_2进行特征融合,获得Conv10_2_td;
步骤212,对Conv10_2_td进行上采样得到Conv10_2_U,将Conv10_2_U与Conv9_2进行特征融合,获得Conv9_2_td;
步骤213,对Conv9_2_td进行上采样得到Conv9_2_U,将Conv9_2_U与Conv8_2进行特征融合,获得Conv8_2_td;
步骤214,对Conv8_2_td进行上采样得到Conv8_2_U,将Conv8_2_U与fc7进行特征融合,获得fc7_td;
步骤215,对fc7_td进行上采样得到fc7_U,将fc7_U与Conv4_3进行特征融合,获得Conv4_3_out;
步骤22,进行下采样的特征融合:
步骤221,对Conv4_3_out进行下采样得到特征层Conv4_3_D,将Conv4_3_D与fc7_td进行特征融合得到fc7_out;
步骤222,对fc7_out进行下采样,得到特征层fc7_D,将fc7_D与Conv8_2_td进行特征融合得到Conv8_2_out;
步骤223,对Conv8_2_out进行下采样得到特征层Conv8_2_D,将Conv8_2_D与Conv9_2_td进行特征融合得到Conv9_2_out;
步骤224,对Conv9_2_out进行下采样得到特征层Conv9_2_D,将Conv9_2_D与Conv10_2_td进行特征融合得到Conv10_2_out;
步骤225,对Conv10_2_out进行下采样得到特征层Conv10_2_D,将Conv10_2_D与Conv11_2进行特征融合得到Conv11_2_out。
3.如权利要求2所述的基于BiFPN加强特征提取的SSD网络构建方法,其特征在于,所述特征融合中分别加入有权重选择机制。
4.如权利要求1所述的基于BiFPN加强特征提取的SSD网络构建方法,其特征在于,所述步骤4的所述网络模型训练中,采用PASCAL VOC2007 trainval数据集和PASCAL VOC2012trainval数据集作为训练集和验证集,使用PASCAL VOC2007 test数据集作为测试数据集。
5.如权利要求1所述的基于BiFPN加强特征提取的SSD网络构建方法,其特征在于,所述步骤4的所述网络模型训练中,迭代100次,前50次先冻结骨干网络进行训练,初始学习率为0.001,bitch_size设置为32,每迭代一次,学习率下降5%;然后将冻结的骨干网络解冻,从头开始训练,bitch_size设置为16,初始学习率为0.0001,每迭代一次,学习率下降5%。
6.一种SSD目标检测方法,其特征在于,具体包括如下步骤:
步骤1,对待测图片进行预处理;
步骤2,将预处理后的待测图片输入权利要求1~5任一项所述的基于BiFPN加强特征提取的SSD网络构建方法得到的训练好的SSD网络模型中,得到目标检测结果。
7.如权利要求5所述的SSD目标检测方法,其特征在于,所述预处理包括翻转和统一尺寸处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210029939.5A CN114511771A (zh) | 2022-01-12 | 2022-01-12 | 基于BiFPN加强特征提取的SSD网络构建方法及目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210029939.5A CN114511771A (zh) | 2022-01-12 | 2022-01-12 | 基于BiFPN加强特征提取的SSD网络构建方法及目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114511771A true CN114511771A (zh) | 2022-05-17 |
Family
ID=81550349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210029939.5A Pending CN114511771A (zh) | 2022-01-12 | 2022-01-12 | 基于BiFPN加强特征提取的SSD网络构建方法及目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114511771A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115909225A (zh) * | 2022-10-21 | 2023-04-04 | 武汉科技大学 | 一种基于在线学习的OL-YoloV5船舶检测方法 |
-
2022
- 2022-01-12 CN CN202210029939.5A patent/CN114511771A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115909225A (zh) * | 2022-10-21 | 2023-04-04 | 武汉科技大学 | 一种基于在线学习的OL-YoloV5船舶检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xie et al. | Multi-level domain adaptive learning for cross-domain detection | |
Zhang et al. | CrackGAN: Pavement crack detection using partially accurate ground truths based on generative adversarial learning | |
Jeong et al. | Image preprocessing for efficient training of YOLO deep learning networks | |
Wang et al. | Deep learning algorithms with applications to video analytics for a smart city: A survey | |
Kong et al. | Hypernet: Towards accurate region proposal generation and joint object detection | |
CN107563372B (zh) | 一种基于深度学习ssd框架的车牌定位方法 | |
Gan et al. | You lead, we exceed: Labor-free video concept learning by jointly exploiting web videos and images | |
CN107851191B (zh) | 用于图像中的对象检测的基于上下文的先验 | |
Özyer et al. | Human action recognition approaches with video datasets—A survey | |
Endres et al. | Learning collections of part models for object recognition | |
CN108509978A (zh) | 基于cnn的多级特征融合的多类目标检测方法及模型 | |
Xu et al. | Transfer learning and deep domain adaptation | |
CN109165658B (zh) | 一种基于Faster-RCNN的强负样本水下目标检测方法 | |
CN113255837A (zh) | 工业环境下基于改进的CenterNet网络目标检测方法 | |
Zhang et al. | Learning efficient and accurate detectors with dynamic knowledge distillation in remote sensing imagery | |
Hammam et al. | DeepPet: A pet animal tracking system in internet of things using deep neural networks | |
Guo et al. | Traffic-sign spotting in the wild via deep features | |
Wang et al. | Cross-agent action recognition | |
CN112613428A (zh) | 基于平衡损失的Resnet-3D卷积牛视频目标检测方法 | |
CN111738074A (zh) | 基于弱监督学习的行人属性识别方法、系统及装置 | |
Yu et al. | Pedestrian detection based on improved Faster RCNN algorithm | |
Chen et al. | Research on fast recognition method of complex sorting images based on deep learning | |
CN115019133A (zh) | 基于自训练和标签抗噪的图像中弱目标的检测方法及系统 | |
CN111310820A (zh) | 基于交叉验证深度cnn特征集成的地基气象云图分类方法 | |
CN114511771A (zh) | 基于BiFPN加强特征提取的SSD网络构建方法及目标检测方法 |
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 |