CN114581744A - 一种图像目标检测方法、系统、设备及存储介质 - Google Patents
一种图像目标检测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN114581744A CN114581744A CN202210195049.1A CN202210195049A CN114581744A CN 114581744 A CN114581744 A CN 114581744A CN 202210195049 A CN202210195049 A CN 202210195049A CN 114581744 A CN114581744 A CN 114581744A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- network
- fusion
- detected
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
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)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像目标检测方法、系统、设备及存储介质,其中方法包括:获取待检测图像,并利用骨干网络提取待检测图像的初始多尺度特征图;对初始多尺度特征图进行特征融合操作,生成融合特征图;利用BiFPN网络对融合特征图进行特征处理,得到特征金字塔;通过预设检测网络获取特征金字塔中每一层特征图的预测框信息和分类信息,基于预测框信息和分类信息确定待检测图像的检测目标。上述方法通过对待检测图像的初始多尺度特征图进行加权特征融合,能够减少网络层数,降低参数计算量,提高计算效率,同时得到包含更加丰富的场景语义信息的特征金字塔,利用该特征金字塔进行目标检测可有效提高检测准确率,优化小目标漏检误检情况。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种图像目标检测方法、系统、设备及存储介质。
背景技术
在电力领域,智能化配电房已成为主流发展方向之一,其中,配电房场景的目标检测技术能够为智能化配电房系统识别并定位工作人员及设备等目标,是保障智能化电网可靠、安全、经济和高效的重要前提。
然而,配电房场景的构成要素往往较丰富,目标多元且实时变化,因此,如何精准快速完成目标检测是当前配电房场景目标检测技术的核心问题。传统的配电房场景目标检测方法所使用的网络结构较复杂,需计算的超参数数量较多,导致检测过程往往耗时长,且定位预测结果的准确性有限,易出现场景中小目标漏检现象。
发明内容
为了解决上述技术问题,本发明提供一种图像目标检测方法、系统、设备及存储介质,能够有效提高配电房目标的定位预测质量和检全率。
第一方面,本发明提供一种图像目标检测方法,包括:
获取待检测图像,并利用骨干网络提取待检测图像的初始多尺度特征图;
对初始多尺度特征图进行特征融合操作,生成融合特征图;
利用BiFPN网络对所述融合特征图进行特征处理,得到特征金字塔;
通过预设检测网络获取所述特征金字塔中每一层特征图的预测框信息和分类信息,基于所述预测框信息和分类信息确定待检测图像的检测目标。
可选的,所述特征融合操作包括全连接操作和采样操作。
可选的,所述预设检测网络包括分类器和回归器,其中,所述分类器基于中心定位置信度对所述预测框信息和所述分类信息进行调整,所述中心定位置信度通过DIoU和centerness确定。
可选的,所述利用骨干网络提取待检测图像的初始多尺度特征图,具体为:对所述骨干网络的深度、宽度和分辨率进行缩放调整,通过调整后的骨干网络提取待检测图像的初始多尺度特征图。
可选的,所述骨干网络具体为:多层卷积神经网络;所述多层卷积神经网络中的卷积操作包括对空间卷积和对通道卷积。
第二方面,本发明还提供一种图像目标检测系统,包括:
特征提取单元,用于获取待检测图像,并利用骨干网络提取待检测图像的初始多尺度特征图;
特征融合单元,用于对初始多尺度特征图进行特征融合操作,生成融合特征图;利用BiFPN网络对所述融合特征图进行特征处理,得到特征金字塔;
目标检测单元,用于通过预设检测网络获取所述特征金字塔中每一层特征图的预测框信息和分类信息,基于所述预测框信息和分类信息确定待检测图像的检测目标。
可选的,所述特征融合操作包括全连接操作和采样操作。
可选的,所述预设检测网络包括分类器和回归器,其中,所述分类器基于中心定位置信度对所述预测框信息和所述分类信息进行调整,所述中心定位置信度通过DIoU和centerness确定。
第三方面,本发明提供一种数据处理设备,包括处理器,所述处理器和存储器耦合,所述存储器存储有程序,所述程序由所述处理器执行,使得所述数据处理设备执行第一方面所述的图像目标检测方法。
第四方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如上述第一方面所述的图像目标检测方法。
相比现有技术,本发明的有益效果在于:
本发明提供的图像目标检测方法通过对待检测图像底层的初始多尺度特征图进行加权特征融合,能够减少网络层数,降低参数计算量,提高计算效率,同时得到包含更加丰富的场景语义信息的特征金字塔,利用该特征金字塔进行目标检测可有效提高检测准确率,优化小目标漏检误检情况。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,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是本发明实施例提供的图像目标检测方法的流程示意图;
图2是本发明实施例提供的图像检测模型的网络结构示意图;
图3是本发明实施例提供的特征融合过程示意图;
图4是本发明实施例提供的图像目标检测系统的结构示意图。
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。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如图1所示,本发明一个实施例提供一种图像目标检测方法,包括下述步骤。
S1:获取待检测图像,并利用骨干网络提取待检测图像的初始多尺度特征图。
在本实施例中,为了实现对配电房场景的实时目标检测,需实时获取配电房的待检测图像,并对应进行目标检测。
S2:对初始多尺度特征图进行特征融合操作,生成融合特征图;利用BiFPN网络对所述融合特征图进行特征处理,得到特征金字塔。
BiFPN(Bidirectional Feature Network)网络具体为加权双向特征网络,利用该网络可快速进行多尺度特征图融合,同时降低计算量。
S3:通过预设检测网络获取所述特征金字塔中每一层特征图的预测框信息和分类信息,基于所述预测框信息和分类信息确定待检测图像的检测目标。
配电房场景图像中设备样式丰富且类型复杂,目标的尺度差别巨大,在不区分尺度的情况下直接进行目标检测容易出现漏检、误检问题,本发明上述实施例通过对配电房场景实时的待检测图像底层的初始多尺度特征图进行加权特征融合,能够减少网络层数,降低参数计算量,提高计算效率,同时得到包含更加丰富的场景语义信息的特征金字塔,利用该特征金字塔进行目标检测可有效提高检测准确率,优化小目标漏检误检情况。
以下将通过一个具体实施例介绍图像目标检测方法的执行流程。
在本实施例中,获取当前的配电房场景待检测图像后,利用预设的图像检测模型对其进行特征提取、特征融合和目标检测。所述图像检测模型的网络结构如图2所示。
需要说明的是,为了平衡算法运行速度和识别精度,可设置待检测图像的尺寸为384*768。在特征提取阶段,可选用多层卷积神经网络作为骨干网络,提取待检测图像的底层特征图C3-C5,具体地,所述骨干网络设置为残差神经网络(ResNet)。
具体地,可对骨干网络的深度、宽度和分辨率进行缩放调整,通过调整后的骨干网络提取待检测图像的初始多尺度特征图C3-C5。
在特征提取时,加深网络的深度能够获取更加复杂的特征,但网络深度太深会面临梯度消失问题;而加宽网络和增加分辨率虽有利于捕获更细微的特征,但同时也会增加计算量,影响算法运行速度,因此,传统的方法主要是对网络深度、宽度和分辨率三个方面进行单一缩放,本申请实施例则是利用复合系数实现对网络的深度、宽度以及分辨率进行统一缩放调整,并利用调整后的网络提取待检测图像的初始多尺度特征图C3、C4和C5。其中,特征图C3-C5分别为原始待检测图像尺度的1/8、1/16和1/32,用于增加配电房场景中目标多尺度检测性能。
在本实施例中,通过网格搜索法可确定网络深度扩大1.22倍,宽度扩大1.12倍,图像尺寸扩大1.152倍。
可以理解的是,标准卷积层通常对输入图像特征的每一个维度进行特征提取,并通过逐元素相加以得到输出特征图的一个维度,本实施例为了降低参数量,提高计算效率,使用深度可分离卷积来加快特征提取。
具体地,深度可分离卷积将卷积操作分解为两步,第一步为对空间卷积:对输入的特征图的每个通道做一次特征提取;第二步为对通道卷积:基于1×1逐点卷积通过计算输入通道的线性组合以构建新特征。
通过上述深度可分离卷积可极大降低网络的参数量,实现图像场景下的快速特征提取。
进一步地,对初始多尺度特征图进行特征融合操作,生成融合特征图,所述特征融合操作包括全连接操作和采样操作。
具体地,通过横向连接的1×1全连接层,并采用最近邻插值法进行上采样,将高层的特征图尺度放大为2倍,再逐元素将高层特征图与低一层的特征图相加,经下采样后得到尺度为1/64和1/128的特征图,最终得到P3、P4、P5、P6和P7共五级尺度特征图,并分别对应输出原始特征图尺度的1/8、1/16和1/32、1/64和1/128大小的融合特征图。
进一步地,通过双向交叉尺度连接的加权特征融合网络BiFPN对P3-P7五级尺度的融合特征图进行融合处理,得到特征金字塔,从而丰富多尺度目标特征信息。特征融合过程的示意图请参阅图3。
具体地,以P6级尺度的特征为例,可利用下一层的特征和第六层的输入特征计算第六层中间的结点,再利用第六层的输入、中间结点的输出以及上一层的输出计算第六层融合特征,即:
式中,分别为图3中P6、P7级的输入层特征;为P6级的中间层特征;为P5、P6级的输出层特征;Resize表示上采样或下采样,用于将不同层的特征尺度调整为一致;Conv表示卷积操作;wi、w’i表示可学习权重,i的取值范围为1-3,可对应不同层级特征的权重;ε则设置为一个趋近于0的值。
本实施例通过上述加权特征融合网络可在低层特征图识别图像中的工作人员等小目标,在高层特征图识别设备等大目标,实现利用准确的低层定位信号增强整个特征层次,从而缩短底层与顶层特征图之间的信息路径,以获得更加丰富的配电房场景语义信息。
进一步地,在目标检测过程中,本实施例通过预设的检测网络获取特征金字塔中每一层特征图的预测框信息和分类信息,并基于所得到的预测框信息和分类信息确定当前的待检测图像中的检测目标。
本实施例基于FCOS全卷积目标检测模型中的目标检测方法进行改进,利用改进后的检测网络对特征融合后的特征金字塔进行处理。
具体地,本实施例改进后的检测网络包括分类器和回归器,可输出目标识别预测框以及分类预测结果。
其中,l*表示当前的中心点像素与候选框左边框的距离,r*表示与右边框的距离,t*表示与顶部边框的距离,b*则表示与底部边框的距离。
在本实施例中,分类器具体由多个二分类器组成,可对特征金字塔中的每一层特征图进行预测,并输出对应的分类预测结果。
为了尽可能减少在预测过程中所产生的中心点偏移较多的低质量预测框,本实施例利用中心定位置信度对低质量预测框进行过滤,以提高配电房场景目标检测定位预测质量和检全率。
具体地,所述中心定位置信度通过DIoU和centerness确定,表示为:
Center Localization Confidence=α×centerness+(1-α)×DIoU
式中,centerness用于衡量预测点是否接近预测框的中心点,DIoU用于判断预测点是否接近真实点,体现预测框与预测框的重合程度;α为平衡因子,用于平衡中心度与交并比,其数值范围取值为0到1。
具体地,centerness表示为:
Centerness层主要寻找目标的中心点,且离目标中心点越近,其输出值越大,反之越小。
具体地,DIoU可同时考虑预测框边界的重叠区域以及两个中心点之间的距离,具有更好的鲁棒性,其定义可表示为:
式中,b表示预测框的中心点坐标,bgt表示真值框的中心点坐标,ρ表示计算预测框和真值框对应中心点的欧氏距离,c表示预测框和真值框的最小外接矩形的对角线距离。而在IoU中,A表示预测框面积,B则表示真实框面积。
本实施例通过将中心定位置信度的值与分类器的分类类别预测的输出值进行相乘,实现低质量预测框(如误检框)的有效过滤,从而提高目标识别的准确度。
本发明上述实施例通过提出特征提取和复合交叉的加权特征融合策略,得到了更加丰富的配电房场景语义信息,且有效降低参数计算量,优化小目标漏检误检现象,提高了算法的检测精度和速度;同时还提出了中心定位置信度,通过将DIoU与centerness相融合,使预测点接近预测框中心点的同时,接近配电房目标的中心,有效增强了预测得分与真实定位质量间的相关性,提高了目标定位预测质量,避免了小目标漏检情况。
请参阅图4,第二方面,本发明另一实施例还提供一种图像目标检测系统,包括特征提取单元、特征融合单元和目标检测单元。
特征提取单元101用于获取待检测图像,并利用骨干网络提取待检测图像的初始多尺度特征图。
特征融合单元102用于对初始多尺度特征图进行特征融合操作,生成融合特征图;利用BiFPN网络对所述融合特征图进行特征处理,得到特征金字塔。
目标检测单元103用于通过预设检测网络获取所述特征金字塔中每一层特征图的预测框信息和分类信息,基于所述预测框信息和分类信息确定待检测图像的检测目标。
上述系统内的各单元之间信息交互、执行过程等内容,由于与本发明的图像目标检测方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
第三方面,本发明提供一种数据处理设备,包括处理器,所述处理器和存储器耦合,所述存储器存储有程序,所述程序由所述处理器执行,使得所述数据处理设备执行第一方面所述的图像目标检测方法。
第四方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如上述第一方面所述的图像目标检测方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可监听存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种图像目标检测方法,其特征在于,包括:
获取待检测图像,并利用骨干网络提取待检测图像的初始多尺度特征图;
对初始多尺度特征图进行特征融合操作,生成融合特征图;
利用BiFPN网络对所述融合特征图进行特征处理,得到特征金字塔;
通过预设检测网络获取所述特征金字塔中每一层特征图的预测框信息和分类信息,基于所述预测框信息和分类信息确定待检测图像的检测目标。
2.根据权利要求1所述的图像目标检测方法,其特征在于,所述特征融合操作包括全连接操作和采样操作。
3.根据权利要求1所述的图像目标检测方法,其特征在于,
所述预设检测网络包括分类器和回归器,其中,
所述分类器基于中心定位置信度对所述预测框信息和所述分类信息进行调整,所述中心定位置信度通过DIoU和centerness确定。
4.根据权利要求1所述的图像目标检测方法,其特征在于,所述利用骨干网络提取待检测图像的初始多尺度特征图,具体为:
对所述骨干网络的深度、宽度和分辨率进行缩放调整,通过调整后的骨干网络提取待检测图像的初始多尺度特征图。
5.根据权利要求1至4任一所述的图像目标检测方法,其特征在于,所述骨干网络具体为:
多层卷积神经网络;所述多层卷积神经网络中的卷积操作包括对空间卷积和对通道卷积。
6.一种图像目标检测系统,其特征在于,包括:
特征提取单元,用于获取待检测图像,并利用骨干网络提取待检测图像的初始多尺度特征图;
特征融合单元,用于对初始多尺度特征图进行特征融合操作,生成融合特征图;利用BiFPN网络对所述融合特征图进行特征处理,得到特征金字塔;
目标检测单元,用于通过预设检测网络获取所述特征金字塔中每一层特征图的预测框信息和分类信息,基于所述预测框信息和分类信息确定待检测图像的检测目标。
7.根据权利要求6所述的图像目标检测系统,其特征在于,所述特征融合操作包括全连接操作和采样操作。
8.根据权利要求6所述的图像目标检测系统,其特征在于,
所述预设检测网络包括分类器和回归器,其中,
所述分类器基于中心定位置信度对所述预测框信息和所述分类信息进行调整,所述中心定位置信度通过DIoU和centerness确定。
9.一种数据处理设备,其特征在于,包括:
处理器,所述处理器和存储器耦合,所述存储器存储有程序,所述程序由所述处理器执行,使得所述数据处理设备执行如权利要求1~5中任一项所述的图像目标检测方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令用于执行上述权利要求1~5中任一项所述的图像目标检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210195049.1A CN114581744A (zh) | 2022-02-28 | 2022-02-28 | 一种图像目标检测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210195049.1A CN114581744A (zh) | 2022-02-28 | 2022-02-28 | 一种图像目标检测方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114581744A true CN114581744A (zh) | 2022-06-03 |
Family
ID=81772117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210195049.1A Pending CN114581744A (zh) | 2022-02-28 | 2022-02-28 | 一种图像目标检测方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114581744A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115908831A (zh) * | 2022-11-18 | 2023-04-04 | 中国人民解放军军事科学院系统工程研究院 | 一种图像检测方法及装置 |
CN116704206A (zh) * | 2023-06-12 | 2023-09-05 | 中电金信软件有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN117315458A (zh) * | 2023-08-18 | 2023-12-29 | 北京观微科技有限公司 | 遥感图像的目标检测方法、装置、电子设备及存储介质 |
-
2022
- 2022-02-28 CN CN202210195049.1A patent/CN114581744A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115908831A (zh) * | 2022-11-18 | 2023-04-04 | 中国人民解放军军事科学院系统工程研究院 | 一种图像检测方法及装置 |
CN116704206A (zh) * | 2023-06-12 | 2023-09-05 | 中电金信软件有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN117315458A (zh) * | 2023-08-18 | 2023-12-29 | 北京观微科技有限公司 | 遥感图像的目标检测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114581744A (zh) | 一种图像目标检测方法、系统、设备及存储介质 | |
CN110458095B (zh) | 一种有效手势的识别方法、控制方法、装置和电子设备 | |
CN111126472A (zh) | 一种基于ssd改进的目标检测方法 | |
CN113076871B (zh) | 一种基于目标遮挡补偿的鱼群自动检测方法 | |
CN109858547A (zh) | 一种基于bssd的目标检测方法与装置 | |
CN109284670A (zh) | 一种基于多尺度注意力机制的行人检测方法及装置 | |
CN111079739B (zh) | 一种多尺度注意力特征检测方法 | |
CN114240821A (zh) | 一种基于改进型yolox的焊缝缺陷检测方法 | |
CN110046616A (zh) | 图像处理模型生成、图像处理方法、装置、终端设备及存储介质 | |
CN111353544B (zh) | 一种基于改进的Mixed Pooling-YOLOV3目标检测方法 | |
CN112101277A (zh) | 一种图像语义特征约束的遥感目标检测方法 | |
CN115272330B (zh) | 基于电池表面图像的缺陷检测方法、系统及相关设备 | |
CN110852330A (zh) | 一种基于单阶段的行为识别方法 | |
CN115272652A (zh) | 基于多元回归和自适应焦点损失的密集物体图像检测方法 | |
CN111062383A (zh) | 一种基于图像的船舶检测深度神经网络算法 | |
CN110008900A (zh) | 一种由区域到目标的可见光遥感图像候选目标提取方法 | |
CN115457415A (zh) | 基于yolo-x模型的目标检测方法、装置、电子设备和存储介质 | |
CN113487610B (zh) | 疱疹图像识别方法、装置、计算机设备和存储介质 | |
CN110188607A (zh) | 一种多线程并行计算的交通视频目标检测方法及装置 | |
CN113610178A (zh) | 一种基于视频监控图像的内河船舶目标检测方法和装置 | |
CN111767919B (zh) | 一种多层双向特征提取与融合的目标检测方法 | |
CN116805360A (zh) | 一种基于双流门控渐进优化网络的显著目标检测方法 | |
CN116229217A (zh) | 一种应用于复杂环境下的红外目标检测方法 | |
CN116363064A (zh) | 融合目标检测模型和图像分割模型的缺陷识别方法及装置 | |
CN114332112A (zh) | 一种细胞图像分割方法、装置、电子设备及存储介质 |
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 |