CN114648685A - 一种anchor-free算法转换为anchor-based算法的方法及系统 - Google Patents
一种anchor-free算法转换为anchor-based算法的方法及系统 Download PDFInfo
- Publication number
- CN114648685A CN114648685A CN202210288293.2A CN202210288293A CN114648685A CN 114648685 A CN114648685 A CN 114648685A CN 202210288293 A CN202210288293 A CN 202210288293A CN 114648685 A CN114648685 A CN 114648685A
- Authority
- CN
- China
- Prior art keywords
- anchor
- algorithm
- free
- grid
- predicted value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000006243 chemical reaction Methods 0.000 claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000012805 post-processing Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 5
- 238000001994 activation Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 210000001525 retina Anatomy 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- QLMNCUHSDAGQGT-UHFFFAOYSA-N sintofen Chemical compound N1=C(C(O)=O)C(=O)C=2C(OCCOC)=CC=CC=2N1C1=CC=C(Cl)C=C1 QLMNCUHSDAGQGT-UHFFFAOYSA-N 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 101100400452 Caenorhabditis elegans map-2 gene Proteins 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种anchor‑free算法转换为anchor‑based算法的方法及系统，该方法包括：步骤1：计算anchor‑free算法中所有grid信息，以及获取anchor‑free算法的预测值；步骤2：根据anchor‑based算法生成anchor的具体规则，生成与anchor‑free算法中grid的形状及数量相同的anchor；步骤3：根据anchor‑free算法的grid预测值和anchor‑based算法的anchor预测值，建立anchor‑free算法转换为anchor‑based算法的转换关系；步骤4：根据所述转换关系，在神经网络中设置相应的层，实现将anchor‑free预测值转换为anchor‑based预测值。本发明能够更快捷地部署anchor‑free算法，将anchor‑free算法与anchor‑based算法统一成一套操作，便于后续应用使用。
Description
技术领域
本发明涉及图像处理技术领域，特别是一种anchor-free算法转换为anchor-based算法的方法及系统。
背景技术
在图像处理领域，目标检测一直是研究最多和应用最广的分支方向。在传统图像算法中，利用滑窗技术、支持向量机等手段去找到目标的位置。以RCNN为起点，深度学习技术在目标检测方向也产生了巨大的影响。
目标检测领域中的深度学习技术，从不同的角度可以分为不同类型：从模型结构的角度，分为一阶段算法和二阶段算法；从是否基于锚框的角度，分为anchor-based的算法和anchor-free的算法等。anchor-based算法是指先在图像上设定一系列形状各异、固定大小的先验框(anchor或说priorbox，以下统称anchor)，由这些框去预测目标的位置和类别，例如RCNN系列、SSD、Retina、YOLOv3等；anchor-free算法是指不设定先验框，直接在特征图上预测目标的位置和类别，例如FCOS、CenterNet等。
anchor-based算法和anchor-free算法各有优劣，往往针对不同场景特点可以选择不同的算法。但是，在模型部署阶段，不同设备端框架对两种算法的支持性不同、两种算法的后处理截然不同。鉴于anchor-based算法应用较早，大多设备端框架支持anchor-based算法的直接部署，而不支持anchor-free算法的部署。因此，把anchor-free算法转换为anchor-based算法，可以打通两者之间的差异，方便在各种情况下统一处理。
发明内容
鉴于此，本发明提供一种anchor-free算法转换为anchor-based算法的方法及系统，能够更快捷地部署anchor-free算法，将anchor-free算法与anchor-based算法统一成一套操作，便于后续应用使用。
本发明公开了一种anchor-free算法转换为anchor-based算法的方法，其包括：
步骤1：计算anchor-free算法中所有grid信息，以及获取anchor-free算法的预测值；
步骤2：根据anchor-based算法生成anchor的具体规则，生成与anchor-free算法中grid的形状及数量相同的anchor；
步骤3：根据anchor-free算法的grid预测值和anchor-based算法的anchor预测值，建立anchor-free算法转换为anchor-based算法的转换关系；
步骤4：根据所述转换关系，在神经网络中设置相应的层，实现将anchor-free预测值转换为anchor-based预测值。
可选的，所述计算anchor-free算法中所有grid信息，包括：
用于预测物体的特征图，其下采样倍数在其对应的原图中平铺即为grid。
可选的，所述获取anchor-free算法的预测值，包括：
将所述原图输入已经训练好的anchor-free模型，其输出值即预测值。
可选的，所述步骤2的具体步骤为：
设置anchor-based算法中对原图的下采样倍数、anchor尺寸和长宽，生成与anchor-free算法中grid的形状和数量均相同的anchor。
可选的，所述anchor预测值是对目标物体的中心点坐标、长和宽的编码值。
可选的，所述grid预测值为grid的中心点分别到目标物体的真实位置框的四条边的距离。
可选的，所述grid预测值和anchor预测值是对同一个目标物体的不同表示。
可选的，所述步骤4包括：
将由anchor-free主体结构和anchor-free后处理构成的anchor-free模型转为由anchor-free主体结构、转换结构和anchor-based后处理构成的anchor-based结构；所述主体结构包括卷积、批归一化、激活、池化、反卷积、相加、变形。
可选的，所述anchor-free主体结构的输出值为anchor-free算法中grid的输出值；所述转换结构用于将anchor-free主体结构的输出值转换得到的anchor-based算法中对应的anchor预测值作为其输出的值，并将该输出的值作为anchor-based后处理所需要的输入值。
本发明还公开了一种anchor-free算法转换为anchor-based算法的系统，包括：
计算获取模块，用于计算anchor-free算法中所有grid信息，以及获取anchor-free算法的预测值；
生成模块，用于根据anchor-based算法生成anchor的具体规则，生成与anchor-free算法中grid的形状及数量相同的anchor；
转换模块，用于根据anchor-free算法的grid预测值和anchor-based算法的anchor预测值，建立anchor-free算法转换为anchor-based算法的转换关系；
实现模块，用于根据所述转换关系，在神经网络中设置相应的层，实现将anchor-free预测值转换为anchor-based预测值。
由于采用了上述技术方案，本发明具有如下的优点：本发明能够更快捷地部署anchor-free算法，将anchor-free算法与anchor-based算法统一成一套操作，便于后续应用使用。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种anchor-free算法转换为anchor-based算法的方法的流程示意图；
图2为本发明实施例的一种anchor-free算法转换为anchor-based算法的系统结构示意图；
图3为本发明实施例的一种一阶目标检测算法原理示意图；
图4本发明实施例的一种FCOS算法利用grid预测物体的原理示意图。
具体实施方式
结合附图和实施例对本发明作进一步说明，显然，所描述的实施例仅是本发明实施例一部分实施例，而不是全部的实施例。本领域普通技术人员所获得的所有其他实施例，都应当属于本发明实施例保护的范围。
参见图1，本发明提供了一种anchor-free算法转换为anchor-based算法的方法的实施例，其包括：
S101：计算anchor-free算法中所有grid信息，以及获取anchor-free算法的预测值；
S102：根据anchor-based算法生成anchor的具体规则，生成与anchor-free算法中grid的形状及数量相同的anchor；
S103：根据anchor-free算法的grid预测值和anchor-based算法的anchor预测值，建立anchor-free算法转换为anchor-based算法的转换关系；
S104：根据转换关系，在神经网络中设置相应的层，实现将anchor-free预测值转换为anchor-based预测值。
本实施例中，计算anchor-free算法中所有grid信息，包括：
用于预测物体的特征图，其下采样倍数在其对应的原图中平铺即为grid。例如某特征图是经过16倍下采样得到的，那么它在原图上的grid就是铺满原图的16*16大小的方格。
本实施例中，获取anchor-free算法的预测值，包括：
将原图输入已经训练好的anchor-free模型，其输出值即预测值。
本实施例中，步骤2的具体步骤为：
设置anchor-based算法中对原图的下采样倍数、anchor尺寸和长宽，生成与anchor-free算法中grid的形状和数量均相同的anchor。
本实施例中，anchor预测值是对目标物体的中心点坐标、长和宽的编码值。
本实施例中，grid预测值为grid的中心点分别到目标物体的真实位置框的四条边的距离。
本实施例中，grid预测值和anchor预测值是对同一个目标物体的不同表示。
本实施例中，步骤4包括：
将由anchor-free主体结构和anchor-free后处理构成的anchor-free模型转为由anchor-free主体结构、转换结构和anchor-based后处理构成的anchor-based结构。其中，主体结构包括卷积、批归一化、激活、池化、反卷积、相加、变形。
本实施例中，anchor-free主体结构的输出值为anchor-free算法中grid的输出值；转换结构用于将anchor-free主体结构的输出值转换得到的anchor-based算法中对应的anchor预测值作为其输出的值，并将该输出的值作为anchor-based后处理所需要的输入值。
参见图2，本发明还提供了一种anchor-free算法转换为anchor-based算法的系统的实施例，包括：
计算获取模块201，用于计算anchor-free算法中所有grid信息，以及获取anchor-free算法的预测值；
生成模块202，用于根据anchor-based算法生成anchor的具体规则，生成与anchor-free算法中grid的形状及数量相同的anchor；
转换模块203，用于根据anchor-free算法的grid预测值和anchor-based算法的anchor预测值，建立anchor-free算法转换为anchor-based算法的转换关系；
实现模块204，用于根据转换关系，在神经网络中设置相应的层，实现将anchor-free预测值转换为anchor-based预测值。
本发明还提供了一个更为具体的实施例：
(1)一阶检测算法的通用做法
给定一张原图，输入模型中，模型经过卷积、批归一化、激活、池化、反卷积、相加、变形这一系列操作后，得到多张不同分辨率的特征图。特征图上的每一个像素点，对应到原图上的感受野，称为grid。Anchor-free算法根据grid与目标物体之间的关系进行建模，由grid直接预测物体信息(位置、类别等)；anchor-based算法在grid处设置一定数量和形状的anchor，由anchor预测物体信息。
具体的，如图3所示。原图中有一个目标物体。原图经过模型的卷积、批归一化、激活、池化、反卷积、相加、变形这一系列操作后，得到特征图1、特征图2和特征图3，共三张特征图。以特征图2为例，它相对于原图下采样了16倍，它的每一个像素点映射到原图上，都是一个16*16大小的区域，称为grid。其中一个标灰色的grid，它落在了目标物体的框内。
(2)anchor-free
anchor-free算法，没有设置anchor这一操作，而是，每一个grid直接预测物体的信息，以经典的FCOS算法为例，图4中，灰色grid的中心点落在了目标物体的gt框内，那么，它就负责预测该目标。该grid需要学习和预测的值设定为l*、r*、t*、b*，即grid中心点到gt框四条边的距离。
(3)anchor-based
anchor-based算法在每一个grid区域的中心点处，设置一定数量、形状的anchor(设置规则因不同算法而异)。例如图3中的灰色grid产生的三个形状不同的黑色框。任一anchor的中心点坐标和长宽分别用xa、ya、wa、ha表示，目标物体的中心点坐标和长宽分别x、y、w、h表示。anchor预测的不是x、y、w、h这几个值，而是编码值。具体来说，在训练阶段，用xa、ya、wa、ha对x、y、w、h进行编码，作为anchor学习的目标。测试阶段，对anchor输出值进行相应的逆向解码，解码出来的值就是物体的真实坐标。具体的编码规则，以经典的faster-rcnn为例：
tx＝(x-xa)/wa，ty＝(y-ya)/ha，
tw＝log(w/wa)，th＝log(h/ha)，
在训练阶段，x、y分别减去xa、ya并除以wa、ha，得到tx、ty；w、h分别除以wa、ha再取log函数，得到tw、th。tx、ty、tw、th是模型学习的真正目标。训练完后，使用模型时，模型输出值是
用输出值去逆向解码，得到x*、y*、w*、h*，即模型预测物体所在的中心点位置和长宽。
以上是anchor-based算法的过程：1.特征图每一个像素点在原图对应的grid处，按一定规则生成一些anchor；2.anchor和其匹配上的目标gt之间，做编码，让模型去学习；3.解码模型预测值，得到物体位置。
(4)anchor-free转anchor-based
如果把grid看待成：数量为1、形状恰好为grid大小的anchor。这就把anchor-free和anchor-based联系了起来。在图3中，即anchor-based产生的三个黑色anchor，设置成一个和灰色框恰好重叠的anchor。
一个anchor-free模型，训练好之后，每个grid的输出值，是l*、r*、t*、b*；l*+r*就等价于是那个虚拟anchor预测的w*；b*+t*就等价于是h*，中心点位置也可以同理对应起来。
综上，一个anchor-free模型，对输出值做一些操作，就可以转换为一个anchor-based模型。
(5)具体转换过程
记anchor-free算法中某个grid在原图中的左上角坐标是(x_min,y_min)、右下角坐标是(x_max,y_max)；该grid输出的预测值是l*、r*、t*、b*，分别代表了预测物体的四条边到grid中心点的距离，如图4所示。那么，转换过程中有两个转换：grid转成对应的anchor，grid预测值转成对应的anchor预测值。
1)grid转成对应的anchor的过程，就是按照anchor-based算法中生成anchor的规则，来生成一个恰好和左上角坐标为(x_min,y_min)、右下角坐标为(x_max,y_max)这个形状一模一样的anchor。以RetinaNet为例，设其下采样倍数是stride，anchor尺寸设置为scale，anchor长宽比设置为ar，那么Retina生成的anchor形状是：
长
宽
该anchor要和(x_min,y_min)(x_max,y_max)重合，也就是令：
在这两个等式中，x_min、x_max、y_min、y_max、stride都是已知数，那么可以解出scale和ar的值。也就是，在Retina的配置文件里，可以填入解出来的scale和ar的值，这样它生成的anchor，就完全和anchor-free算法里的每个grid重合。
2)grid预测值转anchor预测值。anchor的预测值是
即对目标物体的中心点、长宽的编码值。按照规则解码，得到预测物体的中心点(x*、y*)、长宽(w*、h*)。解码过程由下述公式
tx＝(x-xa)/wa，ty＝(y-ya)/ha，
tw＝log(w/wa)，th＝log(h/ha)，
可以推算：
其中，anchor-based算法的x*、y*、w*、h*和anchor-free算法的l*、r*、t*、b*只是对同一个物体的不同表示方法而已，显然的：
x*＝xa-l*+(l*+r*)÷2 (5)
y*＝ya-t*+(t*+b*)÷2 (6)
w*＝l*+r* (7)
h*＝t*+b* (8)
上述公式(1)至公式(8)的等式的右边是相等的：
将公式(9)至(12)的等式分别做变形，依次得到公式(13)至公式(16)：
也就是说，anchor-free模型的输出值l*、r*、t*、b*，结合相应grid的长宽(即anchor-based中anchor的长wa、宽ha)，根据上面四个公式做转换，可以得到anchor-based算法中模型的输出值
基于上述转换公式，就可以设置相应的层，来实现anchor-free转anchor-based。具体的，anchor-free模型由anchorfree主体结构+anchorfree后处理构成，把一个训练好的anchor-free模型转anchor-based，那么，主体结构不会有改动，anchor-based算法的后处理也是固定的，那么，anchor-based模型可以由anchorfree主体结构+转换结构+anchorbased后处理构成。anchorfree主体结构输出的是l*、r*、t*、b*，转换结构做的工作是最后那四个公式。以
为例，anchorfree某两个卷积层conv1,conv2，分别输出r*、l*，那么在转换结构中，第一层就是一个减法层，输入是conv1conv2的输出；第二层是一个除法层，输入是减法层的输出，以及设置好固定的除数2a。其余三个公式同理。那么，转换结构输出的值，就是anchor-based后处理所需要的输入值。
以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，所述计算机可读记录介质包括用于以计算机(例如计算机)可读的形式存储或传送信息的任何机制。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种anchor-free算法转换为anchor-based算法的方法，其特征在于，包括：
步骤1：计算anchor-free算法中所有grid信息，以及获取anchor-free算法的预测值；
步骤2：根据anchor-based算法生成anchor的具体规则，生成与anchor-free算法中grid的形状及数量相同的anchor；
步骤3：根据anchor-free算法的grid预测值和anchor-based算法的anchor预测值，建立anchor-free算法转换为anchor-based算法的转换关系；
步骤4：根据所述转换关系，在神经网络中设置相应的层，实现将anchor-free预测值转换为anchor-based预测值。
2.根据权利要求1所述的方法，其特征在于，所述计算anchor-free算法中所有grid信息，包括：
用于预测物体的特征图，其下采样倍数在其对应的原图中平铺即为grid。
3.根据权利要求2所述的方法，其特征在于，所述获取anchor-free算法的预测值，包括：
将所述原图输入已经训练好的anchor-free模型，其输出值即预测值。
4.根据权利要求1所述的方法，其特征在于，所述步骤2的具体步骤为：
设置anchor-based算法中对原图的下采样倍数、anchor尺寸和长宽，生成与anchor-free算法中grid的形状和数量均相同的anchor。
5.根据权利要求1所述的方法，其特征在于，所述anchor预测值是对目标物体的中心点坐标、长和宽的编码值。
6.根据权利要求5所述的方法，其特征在于，所述grid预测值为grid的中心点分别到目标物体的真实位置框的四条边的距离。
7.根据权利要求6所述的方法，其特征在于，所述grid预测值和anchor预测值是对同一个目标物体的不同表示。
8.根据权利要求1所述的方法，其特征在于，所述步骤4包括：
将由anchor-free主体结构和anchor-free后处理构成的anchor-free模型转为由anchor-free主体结构、转换结构和anchor-based后处理构成的anchor-based结构；所述主体结构包括卷积、批归一化、激活、池化、反卷积、相加、变形。
9.根据权利要求8所述的方法，其特征在于，所述anchor-free主体结构的输出值为anchor-free算法中grid的输出值；所述转换结构用于将anchor-free主体结构的输出值转换得到的anchor-based算法中对应的anchor预测值作为其输出的值，并将该输出的值作为anchor-based后处理所需要的输入值。
10.一种anchor-free算法转换为anchor-based算法的系统，其特征在于，包括：
计算获取模块，用于计算anchor-free算法中所有grid信息，以及获取anchor-free算法的预测值；
生成模块，用于根据anchor-based算法生成anchor的具体规则，生成与anchor-free算法中grid的形状及数量相同的anchor；
转换模块，用于根据anchor-free算法的grid预测值和anchor-based算法的anchor预测值，建立anchor-free算法转换为anchor-based算法的转换关系；
实现模块，用于根据所述转换关系，在神经网络中设置相应的层，实现将anchor-free预测值转换为anchor-based预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210288293.2A CN114648685A (zh) | 2022-03-23 | 2022-03-23 | 一种anchor-free算法转换为anchor-based算法的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210288293.2A CN114648685A (zh) | 2022-03-23 | 2022-03-23 | 一种anchor-free算法转换为anchor-based算法的方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114648685A true CN114648685A (zh) | 2022-06-21 |
Family
ID=81995806
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210288293.2A Pending CN114648685A (zh) | 2022-03-23 | 2022-03-23 | 一种anchor-free算法转换为anchor-based算法的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114648685A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109740662A (zh) * | 2018-12-28 | 2019-05-10 | 成都思晗科技股份有限公司 | 基于yolo框架的图像目标检测方法 |
| US20200134471A1 (en) * | 2018-10-29 | 2020-04-30 | Beijing Horizon Robotics Technology Research And Development Co., Ltd. | Method for Generating Neural Network and Electronic Device |
| CN111126399A (zh) * | 2019-12-28 | 2020-05-08 | 苏州科达科技股份有限公司 | 一种图像检测方法、装置、设备及可读存储介质 |
| CN111612002A (zh) * | 2020-06-04 | 2020-09-01 | 广州市锲致智能技术有限公司 | 一种基于神经网络的多目标物体运动追踪方法 |
| WO2020206861A1 (zh) * | 2019-04-08 | 2020-10-15 | 江西理工大学 | 基于YOLO v3的针对交通枢纽关键物体的检测方法 |
| CN112102317A (zh) * | 2020-11-13 | 2020-12-18 | 之江实验室 | 一种基于无锚框的多期相肝脏病灶检测方法及系统 |
| WO2021046951A1 (zh) * | 2019-09-09 | 2021-03-18 | 安徽继远软件有限公司 | 图像识别方法、系统及存储介质 |
| CN112528907A (zh) * | 2020-12-18 | 2021-03-19 | 四川云从天府人工智能科技有限公司 | 锚框生成及其标注框适配方法、装置及计算机存储介质 |
| CN113902966A (zh) * | 2021-10-09 | 2022-01-07 | 江苏大学 | 一种针对电子元器件的无锚框目标检测网络及应用该网络的检测方法 |
| CN114170581A (zh) * | 2021-12-07 | 2022-03-11 | 天津大学 | 基于深度监督的Anchor-Free交通标志检测方法 |
-
2022
- 2022-03-23 CN CN202210288293.2A patent/CN114648685A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200134471A1 (en) * | 2018-10-29 | 2020-04-30 | Beijing Horizon Robotics Technology Research And Development Co., Ltd. | Method for Generating Neural Network and Electronic Device |
| CN109740662A (zh) * | 2018-12-28 | 2019-05-10 | 成都思晗科技股份有限公司 | 基于yolo框架的图像目标检测方法 |
| WO2020206861A1 (zh) * | 2019-04-08 | 2020-10-15 | 江西理工大学 | 基于YOLO v3的针对交通枢纽关键物体的检测方法 |
| WO2021046951A1 (zh) * | 2019-09-09 | 2021-03-18 | 安徽继远软件有限公司 | 图像识别方法、系统及存储介质 |
| CN111126399A (zh) * | 2019-12-28 | 2020-05-08 | 苏州科达科技股份有限公司 | 一种图像检测方法、装置、设备及可读存储介质 |
| CN111612002A (zh) * | 2020-06-04 | 2020-09-01 | 广州市锲致智能技术有限公司 | 一种基于神经网络的多目标物体运动追踪方法 |
| CN112102317A (zh) * | 2020-11-13 | 2020-12-18 | 之江实验室 | 一种基于无锚框的多期相肝脏病灶检测方法及系统 |
| CN112528907A (zh) * | 2020-12-18 | 2021-03-19 | 四川云从天府人工智能科技有限公司 | 锚框生成及其标注框适配方法、装置及计算机存储介质 |
| CN113902966A (zh) * | 2021-10-09 | 2022-01-07 | 江苏大学 | 一种针对电子元器件的无锚框目标检测网络及应用该网络的检测方法 |
| CN114170581A (zh) * | 2021-12-07 | 2022-03-11 | 天津大学 | 基于深度监督的Anchor-Free交通标志检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 郑婷婷;杨雪;戴阳;: "基于关键点的Anchor Free目标检测模型综述", 计算机系统应用, no. 08, 15 August 2020 (2020-08-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11870947B2 (en) | Generating images using neural networks | |
| CN109905624B (zh) | 一种视频帧插值方法、装置及设备 | |
| CN111798400B (zh) | 基于生成对抗网络的无参考低光照图像增强方法及系统 | |
| CN108345890B (zh) | 图像处理方法、装置和相关设备 | |
| CN110188768B (zh) | 实时图像语义分割方法及系统 | |
| CN110163801B (zh) | 一种图像超分辨和着色方法、系统及电子设备 | |
| CN108491763B (zh) | 三维场景识别网络的无监督训练方法、装置及存储介质 | |
| CN113870335A (zh) | 一种基于多尺度特征融合的单目深度估计方法 | |
| CN113240683B (zh) | 基于注意力机制的轻量化语义分割模型构建方法 | |
| CN114677412B (zh) | 一种光流估计的方法、装置以及设备 | |
| CN113516133B (zh) | 一种多模态图像分类方法及系统 | |
| CN116703980B (zh) | 基于金字塔池化Transformer主干网络的目标跟踪方法与系统 | |
| CN112819876A (zh) | 一种基于深度学习的单目视觉深度估计方法 | |
| CN114463511A (zh) | 一种基于Transformer解码器的3D人体模型重建方法 | |
| KR20210064109A (ko) | 복합 바이너리 분해 네트워크 | |
| CN109447897B (zh) | 一种真实场景图像合成方法及系统 | |
| CN111598087A (zh) | 不规则文字的识别方法、装置、计算机设备及存储介质 | |
| CN112288690A (zh) | 一种融合多尺度多层级特征的卫星影像密集匹配方法 | |
| CN115661635A (zh) | 基于Transformer融合卷积神经网络的高光谱图像重建方法 | |
| CN108520532B (zh) | 识别视频中物体运动方向的方法及装置 | |
| CN116030537B (zh) | 基于多分支注意力图卷积的三维人体姿态估计方法 | |
| CN114978189A (zh) | 一种数据编码方法以及相关设备 | |
| CN114648685A (zh) | 一种anchor-free算法转换为anchor-based算法的方法及系统 | |
| CN112561050A (zh) | 一种神经网络模型训练方法及装置 | |
| KR20210109327A (ko) | 인공신경망의 학습 방법 및 장치 |
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 |