CN114925746B - 一种基于Air-Net的目标检测方法 - Google Patents
一种基于Air-Net的目标检测方法 Download PDFInfo
- Publication number
- CN114925746B CN114925746B CN202210407781.0A CN202210407781A CN114925746B CN 114925746 B CN114925746 B CN 114925746B CN 202210407781 A CN202210407781 A CN 202210407781A CN 114925746 B CN114925746 B CN 114925746B
- Authority
- CN
- China
- Prior art keywords
- module
- block
- input
- output
- feature extraction
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (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)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于Air‑Net的目标检测方法,采用全新模型结构设计,通过特征提取网络模块、特征统一融合与分配模块、目标检测模块的依次构建与串联,获得待训练模型,并结合各道路捕获样本图像,训练获得以道路捕获样本图像为输入,道路捕获样本图像中属于各指定移动目标类型的各目标对象为输出的目标检测模型;进而应用目标检测模型,实现对道路捕获图像中各目标对象的检测;整个设计方案克服了现有技术鲁棒性差、过程复杂、检测时间较长的问题,具有利用Air‑Net模型架构、结构简单、参数量较少的优点,并且通过统一特征融合与分配模块融合多尺度车辆特征信息,并分配到目标检测模块中,能够充分利用现有特征。
Description
技术领域
本发明涉及一种基于Air-Net的目标检测方法,属于图像识别分类技术领域。
背景技术
随着人们生活水平的提高,汽车在人们的生活中扮演着越来越重要的角色,然而汽车保有量的增加导致发生的交通事故越来越多,为了保障行车安全,自动驾驶功能受到越来越多的重视,车辆检测是自动驾驶功能中重要的组成部分。
车辆检测算法分为基于传统机器学习的方法和基于深度学习的方法两大类,其中,传统机器学习方法使用滑动窗口对图像进行遍历,同时提取当前窗口中使用手工设计的特征,然后使用分类器进行分类;使用传统方式检测鲁棒性较差,难以适应复杂环境。
基于深度学习的检测方法相对于传统方法适应性更强一些,例如RCNN, FastRCNN算法能够适应较为复杂的环境,但是这种算法参数量较大,导致运算时间较长,网络运行过程较为复杂,耗时较长,难以满足实际场景中的要求。
发明内容
本发明所要解决的技术问题是提供一种基于Air-Net的目标检测方法,基于全新模型结构设计,实现对道路捕获图像中各目标对象的检测,克服现有技术鲁棒性差、过程复杂、检测时间较长的问题。
本发明为了解决上述技术问题采用以下技术方案:本发明设计了一种基于Air-Net的目标检测方法,按如下步骤A至步骤E,获得目标检测模型;然后应用目标检测模型,实现对道路捕获图像中属于预设各指定移动目标类型的各目标对象的检测;
步骤A. 基于依次串联连接的各个子特征提取模块DS Block,构建特征提取网络模块,并由第一个子特征提取模块DS Block的输入端构成特征提取网络模块的输入端,用于接收道路捕获图像,由至少两个子特征提取模块DS Block的输出端构成特征提取网络模块的各个输出端,输出道路捕获图像所对应的各特征图,然后进入步骤B;
步骤B. 基于特征提取网络模块输出端的数量,构建同数量输入端、同数量输出端的特征统一融合与分配模块,用于针对其各输入端分别所接收的特征图进行融合、并进一步针对融合结果进行二次特征提取,获得各二次特征提取图,由各输出端分别输出,然后进入步骤C;
步骤C. 基于特征统一融合与分配模块输出端的数量,构建同数量输入端的目标检测模块,目标检测模块以各二次特征提取图分别一一对应各输入端进行输入,各二次特征提取图中属于各指定移动目标类型的各目标对象为输出,然后进入步骤D;
步骤D. 以特征提取网络模块的各输出端分别一一对应对接特征统一融合与分配模块的各输入端,特征统一融合与分配模块的各输出端分别一一对应对接目标检测模块的各输入端,构成以道路捕获图像为输入,道路捕获图像中属于各指定移动目标类型的各目标对象为输出的待训练模型,然后进入步骤E;
步骤E. 基于预设数量道路捕获样本图像,且已知各幅道路捕获样本图中属于各指定移动目标类型的各目标对象,以道路捕获样本图像为输入,道路捕获样本图像中属于各指定移动目标类型的各目标对象为输出,针对待训练模型进行训练,获得目标检测模型。
作为本发明的一种优选技术方案:所述步骤A中,各个子特征提取模块DS Block的结构彼此相同,各子特征提取模块DS Block分别均包括轻量级特征提取模块EG Block、深度可分离卷积模块Dwise Block、通道注意力模块SeNet Attention、卷积模块、残差层、以及下采样特征提取模块DS DownSampling;各子特征提取模块DS Block结构中:轻量级特征提取模块EG Block的输入端构成子特征提取模块DS Block的输入端,轻量级特征提取模块EG Block的输出端连接深度可分离卷积模块Dwise Block的输入端,深度可分离卷积模块Dwise Block的输出端连接通道注意力模块SeNet Attention的输入端,通道注意力模块SeNet Attention的输出端连接卷积模块的输入端,残差层的输入端对接卷积模块的输出端、轻量级特征提取模块EG Block的输入端,残差层的输出端对接下采样特征提取模块DSDownSampling的输入端,下采样特征提取模块DS DownSampling的输出端构成子特征提取模块DS Block的输出端。
作为本发明的一种优选技术方案:所述各子特征提取模块DS Block中下采样特征提取模块DS DownSampling的结构彼此相同,各下采样特征提取模块DS DownSampling分别均包括轻量级特征提取模块EG Block、预设步长的深度可分离卷积模块Dwise Block、卷积模块、残差层、以及最大池化层Max Polling;各下采样特征提取模块DS DownSampling结构中:轻量级特征提取模块EG Block的输入端与最大池化层Max Polling的输入端相连,构成下采样特征提取模块DS DownSampling的输入端,轻量级特征提取模块EG Block的输出端对接深度可分离卷积模块Dwise Block的输入端,预设步长的深度可分离卷积模块DwiseBlock的输出端对接卷积模块的输入端,
残差层的输入端对接卷积模块的输出端、最大池化层Max Polling的输出端,残差层的输出端构成下采样特征提取模块DS DownSampling的输出端。
作为本发明的一种优选技术方案:所述各子特征提取模块DS Block中下采样特征提取模块DS DownSampling所包括的深度可分离卷积模块Dwise Block的步长为2。
作为本发明的一种优选技术方案:所述各子特征提取模块DS Block中各轻量级特征提取模块EG Block的结构彼此相同,各轻量级特征提取模块EG Block分别均包括彼此串联连接、且通道数彼此不同的两个卷积层,且第一个卷积层的输入端构成轻量级特征提取模块EG Block的输入端,第二个卷积层的输出端构成轻量级特征提取模块EG Block的输出端。
作为本发明的一种优选技术方案:所述第一个卷积层的通道数小于第二个卷积层的通道数。
作为本发明的一种优选技术方案:所述步骤A中,由所述特征提取网络模块中倒数预设数量个子特征提取模块DS Block的输出端构成特征提取网络模块的各个输出端。
作为本发明的一种优选技术方案:所述步骤B中,基于特征提取网络模块输出端的数量,所述特征统一融合与分配模块包括同数量的输入支路、同数量的输出支路、以及融合层,其中,各输入支路与各输出支路彼此一一对应;各输入支路的结构彼此相同,各输入支路分别均包括彼此串联连接的卷积层与注意力层,卷积层的输入端构成输入支路的输入端,注意力层的输出端构成输入支路的输出端;各输入支路的输入端构成特征统一融合与分配模块的各输入端,各输入支路的输出端分别对接融合层的输入端;各输出支路分别均由卷积层构成,由该各卷积层的输入端、输出端分别构成对应输出支路的输入端、输出端,融合层的输出端分别对接各输出支路的输入端,同时,各输出支路的输入端分别对接对应输入支路中卷积层的输出端;各输出支路的输出端构成特征统一融合与分配模块的各输出端。
作为本发明的一种优选技术方案:所述步骤C中,基于特征统一融合与分配模块输出端的数量,所述目标检测模块包括同数量的分类检测模块,各分类检测模块的输入端构成目标检测模块的各个输入端,各分类检测模块的输出端构成目标检测模块的输出端。
作为本发明的一种优选技术方案:所述各指定移动目标类型包括机动车、自行车。
本发明所述一种基于Air-Net的目标检测方法,采用以上技术方案与现有技术相比,具有以下技术效果:
本发明所设计基于Air-Net的目标检测方法,采用全新模型结构设计,通过特征提取网络模块、特征统一融合与分配模块、目标检测模块的依次构建与串联,获得待训练模型,并结合各道路捕获样本图像,训练获得以道路捕获样本图像为输入,道路捕获样本图像中属于各指定移动目标类型的各目标对象为输出的目标检测模型;进而应用目标检测模型,实现对道路捕获图像中各目标对象的检测;整个设计方案克服了现有技术鲁棒性差、过程复杂、检测时间较长的问题,具有利用Air-Net模型架构、结构简单、参数量较少的优点,并且通过统一特征融合与分配模块融合多尺度车辆特征信息,并分配到目标检测模块中,能够充分利用现有特征。
附图说明
图1为本发明设计中Air-Net模型网络结构图;
图2为本发明设计中的DS Block网络结构图;
图3为本发明设计中的EG Block网络结构图;
图4为本发明设计实施例中使用的部分数据集示意图;
图5为本发明设计实施例中使用的部分数据集标签示意图;
图6为本发明设计实施例中数据集图片标注过程;
图7为本发明设计实施例中车辆检测效果图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明所设计一种基于Air-Net的目标检测方法,实际应用当中,如图1所示,按如下步骤A至步骤E,获得目标检测模型。
步骤A. 基于依次串联连接的各个子特征提取模块DS Block,构建特征提取网络模块,并由第一个子特征提取模块DS Block的输入端构成特征提取网络模块的输入端,用于接收道路捕获图像,由至少两个子特征提取模块DS Block的输出端构成特征提取网络模块的各个输出端,输出道路捕获图像所对应的各特征图,即由特征提取网络模块用于提取道路捕获图像中的车辆特征信息,同时逐步减少道路捕获图像尺寸,并将提取出的各特征图向后续模块输出,然后进入步骤B。
实际应用中,具体选择特征提取网络模块中倒数预设数量个子特征提取模块DSBlock的输出端构成特征提取网络模块的各个输出端,如图1所示,诸如特征提取网络模块中包括5个子特征提取模块DS Block,选择其中第三、四、五个子特征提取模块DS Block的输出端构成特征提取网络模块的各个输出端。
上述步骤A实际应用中,各个子特征提取模块DS Block的结构彼此相同,如图2所示,各子特征提取模块DS Block分别均包括轻量级特征提取模块EG Block、深度可分离卷积模块Dwise Block、通道注意力模块SeNet Attention、卷积核大小为1*1的卷积模块、残差层、以及下采样特征提取模块DS DownSampling;各子特征提取模块DS Block结构中:轻量级特征提取模块EG Block的输入端构成子特征提取模块DS Block的输入端,轻量级特征提取模块EG Block的输出端连接深度可分离卷积模块Dwise Block的输入端,深度可分离卷积模块Dwise Block的输出端连接通道注意力模块SeNet Attention的输入端,通道注意力模块SeNet Attention的输出端连接卷积模块的输入端,残差层的输入端对接卷积模块的输出端、轻量级特征提取模块EG Block的输入端,残差层的输出端对接下采样特征提取模块DS DownSampling的输入端,下采样特征提取模块DS DownSampling的输出端构成子特征提取模块DS Block的输出端。
各子特征提取模块DS Block中下采样特征提取模块DS DownSampling的结构彼此相同,如图2所示,各下采样特征提取模块DS DownSampling分别均包括轻量级特征提取模块EG Block、预设步长的深度可分离卷积模块Dwise Block、卷积模块、残差层、以及最大池化层Max Polling;各下采样特征提取模块DS DownSampling结构中:轻量级特征提取模块EG Block的输入端与最大池化层Max Polling的输入端相连,构成下采样特征提取模块DSDownSampling的输入端,轻量级特征提取模块EG Block的输出端对接深度可分离卷积模块Dwise Block的输入端,预设步长的深度可分离卷积模块Dwise Block的输出端对接卷积模块的输入端,残差层的输入端对接卷积模块的输出端、最大池化层Max Polling的输出端,残差层的输出端构成下采样特征提取模块DS DownSampling的输出端;实际应用中,设计各子特征提取模块DS Block中下采样特征提取模块DS DownSampling所包括的深度可分离卷积模块Dwise Block的步长为2,实际应用中,Dwise Block包括一个深度可分离卷积层、一个batch normal层、一个Leak Relu层。
各子特征提取模块DS Block中各轻量级特征提取模块EG Block的结构彼此相同,如图3所示,各轻量级特征提取模块EG Block分别均包括彼此串联连接、且通道数彼此不同的两个卷积层,且第一个卷积层的输入端构成轻量级特征提取模块EG Block的输入端,第二个卷积层的输出端构成轻量级特征提取模块EG Block的输出端,具体实施应用中,第一个卷积层的通道数小于第二个卷积层的通道数,各卷积层的卷积核大小为k×k,应用中,k选择3或5。
步骤B. 基于特征提取网络模块输出端的数量,构建同数量输入端、同数量输出端的特征统一融合与分配模块,用于针对其各输入端分别所接收的特征图进行融合、并进一步针对融合结果进行二次特征提取,获得各二次特征提取图,由各输出端分别输出,然后进入步骤C。
上述步骤B在实际应用中,如图1所示,基于特征提取网络模块输出端的数量,所述特征统一融合与分配模块包括同数量的输入支路、同数量的输出支路、以及融合层,其中,各输入支路与各输出支路彼此一一对应;各输入支路的结构彼此相同,各输入支路分别均包括彼此串联连接的卷积层与注意力层,卷积层的输入端构成输入支路的输入端,注意力层的输出端构成输入支路的输出端;各输入支路的输入端构成特征统一融合与分配模块的各输入端,各输入支路的输出端分别对接融合层的输入端;各输出支路分别均由卷积层构成,由该各卷积层的输入端、输出端分别构成对应输出支路的输入端、输出端,融合层的输出端分别对接各输出支路的输入端,同时,各输出支路的输入端分别对接对应输入支路中卷积层的输出端;各输出支路的输出端构成特征统一融合与分配模块的各输出端。
步骤C. 基于特征统一融合与分配模块输出端的数量,构建同数量输入端的目标检测模块,目标检测模块以各二次特征提取图分别一一对应各输入端进行输入,各二次特征提取图中属于各指定移动目标类型的各目标对象为输出,然后进入步骤D。
实际应用中,基于特征统一融合与分配模块输出端的数量,设计所述目标检测模块包括同数量的分类检测模块,各分类检测模块的输入端构成目标检测模块的各个输入端,各分类检测模块的输出端构成目标检测模块的输出端。
步骤D. 以特征提取网络模块的各输出端分别一一对应对接特征统一融合与分配模块的各输入端,特征统一融合与分配模块的各输出端分别一一对应对接目标检测模块的各输入端,构成以道路捕获图像为输入,道路捕获图像中属于各指定移动目标类型的各目标对象为输出的待训练模型,然后进入步骤E。
步骤E. 基于预设数量道路捕获样本图像,且已知各幅道路捕获样本图中属于各指定移动目标类型的各目标对象,实际应用中,针对各道路捕获样本图像进行预处理操作,包括对图像进行归一化,裁剪图像大小,对图像进行增强,获得对道路捕获样本图像的更新,之后以道路捕获样本图像为输入,道路捕获样本图像中属于各指定移动目标类型的各目标对象为输出,针对待训练模型进行训练,获得目标检测模型。
实际应用中,关于各道路捕获样本图像所构建的数据集为车辆行驶在高速公路中所拍摄的视频数据,由于原视频数据会存在与训练任务无关的信息,所以需要对原视频进行裁剪、去噪。处理之后再对视频进行抽帧,以获取足够多的训练数据,获取的数据如图4所示。
使用Labelimg工具对获取到的道路捕获样本图像中的车辆进行标注,标注完一张图片后会在原文件夹下生成一个.xml文件,其中.xml文件中包括车辆的类别,在途中的坐标数据,标注过程如图6所示。
基于上述按如下步骤A至步骤E所获得的目标检测模型,继续应用目标检测模型,由目标检测模型接收道路捕获图像,即可识别获得道路捕获图像中属于预设各指定移动目标类型的各目标对象,实现对道路捕获图像中各目标对象的检测;整个技术方案在实际应用当中,关于各指定移动目标类型具体设计包括机动车、自行车,诸如结果如图7所示。
上述技术方案所设计基于Air-Net的目标检测方法,采用全新模型结构设计,通过特征提取网络模块、特征统一融合与分配模块、目标检测模块的依次构建与串联,获得待训练模型,并结合各道路捕获样本图像,训练获得以道路捕获样本图像为输入,道路捕获样本图像中属于各指定移动目标类型的各目标对象为输出的目标检测模型;进而应用目标检测模型,实现对道路捕获图像中各目标对象的检测;整个设计方案克服了现有技术鲁棒性差、过程复杂、检测时间较长的问题,具有利用Air-Net模型架构、结构简单、参数量较少的优点,并且通过统一特征融合与分配模块融合多尺度车辆特征信息,并分配到目标检测模块中,能够充分利用现有特征。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (10)
1.一种基于Air-Net的目标检测方法,其特征在于:按如下步骤A至步骤E,获得目标检测模型;然后应用目标检测模型,实现对道路捕获图像中属于预设各指定移动目标类型的各目标对象的检测;
步骤A. 基于依次串联连接的各个子特征提取模块DS Block,构建特征提取网络模块,并由第一个子特征提取模块DS Block的输入端构成特征提取网络模块的输入端,用于接收道路捕获图像,由至少两个子特征提取模块DS Block的输出端构成特征提取网络模块的各个输出端,输出道路捕获图像所对应的各特征图,然后进入步骤B;
步骤B. 基于特征提取网络模块输出端的数量,构建同数量输入端、同数量输出端的特征统一融合与分配模块,用于针对其各输入端分别所接收的特征图进行融合、并进一步针对融合结果进行二次特征提取,获得各二次特征提取图,由各输出端分别输出,然后进入步骤C;
步骤C. 基于特征统一融合与分配模块输出端的数量,构建同数量输入端的目标检测模块,目标检测模块以各二次特征提取图分别一一对应各输入端进行输入,各二次特征提取图中属于各指定移动目标类型的各目标对象为输出,然后进入步骤D;
步骤D. 以特征提取网络模块的各输出端分别一一对应对接特征统一融合与分配模块的各输入端,特征统一融合与分配模块的各输出端分别一一对应对接目标检测模块的各输入端,构成以道路捕获图像为输入,道路捕获图像中属于各指定移动目标类型的各目标对象为输出的待训练模型,然后进入步骤E;
步骤E. 基于预设数量道路捕获样本图像,且已知各幅道路捕获样本图中属于各指定移动目标类型的各目标对象,以道路捕获样本图像为输入,道路捕获样本图像中属于各指定移动目标类型的各目标对象为输出,针对待训练模型进行训练,获得目标检测模型。
2.根据权利要求1所述一种基于Air-Net的目标检测方法,其特征在于:所述步骤A中,各个子特征提取模块DS Block的结构彼此相同,各子特征提取模块DS Block分别均包括轻量级特征提取模块EG Block、深度可分离卷积模块Dwise Block、通道注意力模块SeNetAttention、卷积模块、残差层、以及下采样特征提取模块DS DownSampling;各子特征提取模块DS Block结构中:轻量级特征提取模块EG Block的输入端构成子特征提取模块DSBlock的输入端,轻量级特征提取模块EG Block的输出端连接深度可分离卷积模块DwiseBlock的输入端,深度可分离卷积模块Dwise Block的输出端连接通道注意力模块SeNetAttention的输入端,通道注意力模块SeNet Attention的输出端连接卷积模块的输入端,残差层的输入端对接卷积模块的输出端、轻量级特征提取模块EG Block的输入端,残差层的输出端对接下采样特征提取模块DS DownSampling的输入端,下采样特征提取模块DSDownSampling的输出端构成子特征提取模块DS Block的输出端。
3.根据权利要求2所述一种基于Air-Net的目标检测方法,其特征在于:所述各子特征提取模块DS Block中下采样特征提取模块DS DownSampling的结构彼此相同,各下采样特征提取模块DS DownSampling分别均包括轻量级特征提取模块EG Block、预设步长的深度可分离卷积模块Dwise Block、卷积模块、残差层、以及最大池化层Max Polling;各下采样特征提取模块DS DownSampling结构中:轻量级特征提取模块EG Block的输入端与最大池化层Max Polling的输入端相连,构成下采样特征提取模块DS DownSampling的输入端,轻量级特征提取模块EG Block的输出端对接深度可分离卷积模块Dwise Block的输入端,预设步长的深度可分离卷积模块Dwise Block的输出端对接卷积模块的输入端,
残差层的输入端对接卷积模块的输出端、最大池化层Max Polling的输出端,残差层的输出端构成下采样特征提取模块DS DownSampling的输出端。
4.根据权利要求3所述一种基于Air-Net的目标检测方法,其特征在于:所述各子特征提取模块DS Block中下采样特征提取模块DS DownSampling所包括的深度可分离卷积模块Dwise Block的步长为2。
5.根据权利要求3所述一种基于Air-Net的目标检测方法,其特征在于:所述各子特征提取模块DS Block中各轻量级特征提取模块EG Block的结构彼此相同,各轻量级特征提取模块EG Block分别均包括彼此串联连接、且通道数彼此不同的两个卷积层,且第一个卷积层的输入端构成轻量级特征提取模块EG Block的输入端,第二个卷积层的输出端构成轻量级特征提取模块EG Block的输出端。
6.根据权利要求5所述一种基于Air-Net的目标检测方法,其特征在于:所述第一个卷积层的通道数小于第二个卷积层的通道数。
7.根据权利要求1至6中任意一项所述一种基于Air-Net的目标检测方法,其特征在于:所述步骤A中,由所述特征提取网络模块中倒数预设数量个子特征提取模块DS Block的输出端构成特征提取网络模块的各个输出端。
8.根据权利要求1所述一种基于Air-Net的目标检测方法,其特征在于:所述步骤B中,基于特征提取网络模块输出端的数量,所述特征统一融合与分配模块包括同数量的输入支路、同数量的输出支路、以及融合层,其中,各输入支路与各输出支路彼此一一对应;各输入支路的结构彼此相同,各输入支路分别均包括彼此串联连接的卷积层与注意力层,卷积层的输入端构成输入支路的输入端,注意力层的输出端构成输入支路的输出端;各输入支路的输入端构成特征统一融合与分配模块的各输入端,各输入支路的输出端分别对接融合层的输入端;各输出支路分别均由卷积层构成,由该各卷积层的输入端、输出端分别构成对应输出支路的输入端、输出端,融合层的输出端分别对接各输出支路的输入端,同时,各输出支路的输入端分别对接对应输入支路中卷积层的输出端;各输出支路的输出端构成特征统一融合与分配模块的各输出端。
9.根据权利要求1所述一种基于Air-Net的目标检测方法,其特征在于:所述步骤C中,基于特征统一融合与分配模块输出端的数量,所述目标检测模块包括同数量的分类检测模块,各分类检测模块的输入端构成目标检测模块的各个输入端,各分类检测模块的输出端构成目标检测模块的输出端。
10.根据权利要求1所述一种基于Air-Net的目标检测方法,其特征在于:所述各指定移动目标类型包括机动车、自行车。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210407781.0A CN114925746B (zh) | 2022-04-19 | 2022-04-19 | 一种基于Air-Net的目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210407781.0A CN114925746B (zh) | 2022-04-19 | 2022-04-19 | 一种基于Air-Net的目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114925746A CN114925746A (zh) | 2022-08-19 |
CN114925746B true CN114925746B (zh) | 2023-08-01 |
Family
ID=82806288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210407781.0A Active CN114925746B (zh) | 2022-04-19 | 2022-04-19 | 一种基于Air-Net的目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114925746B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2660459A1 (fr) * | 1990-03-27 | 1991-10-04 | Thomson Csf | Procede de segmentation d'images par analyse de textures. |
WO2020051776A1 (en) * | 2018-09-11 | 2020-03-19 | Intel Corporation | Method and system of deep supervision object detection for reducing resource usage |
CN111242299A (zh) * | 2020-01-19 | 2020-06-05 | 平安科技(深圳)有限公司 | 基于ds结构的cnn模型压缩方法、装置及存储介质 |
AU2020103905A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Unsupervised cross-domain self-adaptive medical image segmentation method based on deep adversarial learning |
WO2021073493A1 (zh) * | 2019-10-18 | 2021-04-22 | 京东方科技集团股份有限公司 | 图像处理方法及装置、神经网络的训练方法、合并神经网络模型的图像处理方法、合并神经网络模型的构建方法、神经网络处理器及存储介质 |
CN113158757A (zh) * | 2021-02-08 | 2021-07-23 | 海信视像科技股份有限公司 | 显示设备及手势控制方法 |
CN113298032A (zh) * | 2021-06-16 | 2021-08-24 | 武汉卓目科技有限公司 | 基于深度学习的无人机视角图像的车辆目标检测方法 |
CN113449735A (zh) * | 2021-07-15 | 2021-09-28 | 北京科技大学 | 一种超像素分割的语义分割方法及装置 |
CN114078204A (zh) * | 2020-08-20 | 2022-02-22 | 深圳绿米联创科技有限公司 | 目标检测方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8655803B2 (en) * | 2008-12-17 | 2014-02-18 | Xerox Corporation | Method of feature extraction from noisy documents |
-
2022
- 2022-04-19 CN CN202210407781.0A patent/CN114925746B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2660459A1 (fr) * | 1990-03-27 | 1991-10-04 | Thomson Csf | Procede de segmentation d'images par analyse de textures. |
WO2020051776A1 (en) * | 2018-09-11 | 2020-03-19 | Intel Corporation | Method and system of deep supervision object detection for reducing resource usage |
WO2021073493A1 (zh) * | 2019-10-18 | 2021-04-22 | 京东方科技集团股份有限公司 | 图像处理方法及装置、神经网络的训练方法、合并神经网络模型的图像处理方法、合并神经网络模型的构建方法、神经网络处理器及存储介质 |
CN111242299A (zh) * | 2020-01-19 | 2020-06-05 | 平安科技(深圳)有限公司 | 基于ds结构的cnn模型压缩方法、装置及存储介质 |
CN114078204A (zh) * | 2020-08-20 | 2022-02-22 | 深圳绿米联创科技有限公司 | 目标检测方法、装置、电子设备及存储介质 |
AU2020103905A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Unsupervised cross-domain self-adaptive medical image segmentation method based on deep adversarial learning |
CN113158757A (zh) * | 2021-02-08 | 2021-07-23 | 海信视像科技股份有限公司 | 显示设备及手势控制方法 |
CN113298032A (zh) * | 2021-06-16 | 2021-08-24 | 武汉卓目科技有限公司 | 基于深度学习的无人机视角图像的车辆目标检测方法 |
CN113449735A (zh) * | 2021-07-15 | 2021-09-28 | 北京科技大学 | 一种超像素分割的语义分割方法及装置 |
Non-Patent Citations (2)
Title |
---|
Adversarial image reconstruction learning framework for medical image retrieval;Rohini Pinapatruni1 · Chigarapalle Shoba Bindu;《Signal, Image and Video Processing》;第1197–1204页 * |
视觉协同的违规驾驶行为分析方法;高尚兵等;《智能系统学报》;第第16卷卷(第第6期期);第1158-1165页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114925746A (zh) | 2022-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109190752B (zh) | 基于深度学习的全局特征和局部特征的图像语义分割方法 | |
CN108875608B (zh) | 一种基于深度学习的机动车交通信号识别方法 | |
CN106599773B (zh) | 用于智能驾驶的深度学习图像识别方法、系统及终端设备 | |
Dehghan et al. | View independent vehicle make, model and color recognition using convolutional neural network | |
CN104463241A (zh) | 一种智能交通监控系统中的车辆类型识别方法 | |
CN106599832A (zh) | 一种基于卷积神经网络的多类障碍物检测与识别方法 | |
CN108491836B (zh) | 一种自然场景图像中中文文本整体识别方法 | |
CN105956626A (zh) | 基于深度学习的对车牌位置不敏感的车牌识别方法 | |
CN104809443A (zh) | 基于卷积神经网络的车牌检测方法及系统 | |
CN110516633B (zh) | 一种基于深度学习的车道线检测方法及系统 | |
CN112750129B (zh) | 一种基于特征增强位置注意力机制的图像语义分割模型 | |
CN108830254B (zh) | 一种基于数据均衡策略和密集注意网络的细粒度车型检测与识别方法 | |
CN111382677A (zh) | 基于3d注意力残差模型的人体行为识别方法及系统 | |
CN113077491A (zh) | 基于跨模态共享和特定表示形式的rgbt目标跟踪方法 | |
CN109948643A (zh) | 一种基于深层网络融合模型的车辆类型分类方法 | |
CN109815802A (zh) | 一种基于卷积神经网络的监控视频车辆检测与识别方法 | |
CN112990065A (zh) | 一种基于优化的YOLOv5模型的车辆分类检测方法 | |
CN111079543B (zh) | 一种基于深度学习的高效车辆颜色识别方法 | |
CN114926456A (zh) | 一种半自动标注和改进深度学习的铁轨异物检测方法 | |
CN116071747A (zh) | 一种基于3d点云数据和2d图像数据融合匹配语义分割方法 | |
CN116597270A (zh) | 基于注意力机制集成学习网络的道路损毁目标检测方法 | |
CN112785610B (zh) | 一种融合低层特征的车道线语义分割方法 | |
CN114925746B (zh) | 一种基于Air-Net的目标检测方法 | |
CN116580232A (zh) | 一种图像自动标注方法、系统及电子设备 | |
CN116363072A (zh) | 一种轻型航拍图像检测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |