CN114972798B - 一种基于特征纹理增强的目标检测方法 - Google Patents

一种基于特征纹理增强的目标检测方法 Download PDF

Info

Publication number
CN114972798B
CN114972798B CN202210914037.XA CN202210914037A CN114972798B CN 114972798 B CN114972798 B CN 114972798B CN 202210914037 A CN202210914037 A CN 202210914037A CN 114972798 B CN114972798 B CN 114972798B
Authority
CN
China
Prior art keywords
target
feature
texture
information
network
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
Application number
CN202210914037.XA
Other languages
English (en)
Other versions
CN114972798A (zh
Inventor
汪俊
涂启帆
李克明
潘新
李大伟
易程
张永亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202210914037.XA priority Critical patent/CN114972798B/zh
Publication of CN114972798A publication Critical patent/CN114972798A/zh
Application granted granted Critical
Publication of CN114972798B publication Critical patent/CN114972798B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于特征纹理增强的目标检测方法，包括：步骤1、采集目标图像数据，采用多尺度图像特征提取主干网络对目标图像进行特征提取，得到包含特征信息的特征信息图；步骤2、采用纹理增强特征提议网络TEFPN对所述特征信息图进行纹理增强，得到特征增强后的目标提议框；步骤3、将目标提议框输入基于全卷积操作的检测网络，所述检测网络包含分类网络和回归网络，分别输出对应的分类结果和定位结果，完成目标检测任务。本发明的目标检测方法准确率高，效率高，能显著降低人为主观性对检测结果的干扰，在多种复杂的目标检测任务中都具有较高的鲁棒性。

Description

一种基于特征纹理增强的目标检测方法
技术领域
本发明属于计算机视觉技术领域，具体涉及一种基于特征纹理增强的目标检测方法。
背景技术
在计算机视觉领域中，关于二维图像中目标的自动化检测任务是一个研究热点。目标检测技术在智能监控、自动驾驶、工业智能化检测等方面都具有广泛的应用价值。
目前主流的目标检测方法主要基于传统图像处理和深度学习两种技术实现。后者能够通过深层的卷积网络学习到图像数据的抽象特征，并根据这些特征实现目标的自动检测，相较于前者，后者具有更强的检测能力。
但目前一些通用的目标检测方法对于各类目标数据的泛用性和适应性还较低，检测精度上仍存在提升的空间。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于特征纹理增强的目标检测方法。
为实现上述技术目的，本发明采取的技术方案为：
一种基于特征纹理增强的目标检测方法，包括如下步骤：
步骤1、采集目标图像数据，采用多尺度图像特征提取主干网络对目标图像进行特征提取，得到包含特征信息的特征信息图；
步骤2、采用纹理增强特征提议网络TEFPN对所述特征信息图进行纹理增强，得到特征增强后的目标提议框；
步骤3、将目标提议框输入基于全卷积操作的检测网络，所述检测网络包含分类网络和回归网络，分别输出对应的分类结果和定位结果，完成目标检测任务。
为优化上述技术方案，采取的具体措施还包括：
上述的步骤1所述多尺度图像特征提取主干网络包含按先后顺序串式连接卷积层特征提取模块和特征双向融合模块；
卷积层特征提取模块由14个残差卷积操作块和4层池化操作块构成；
其中，残差卷积操作块按照{2,3,3,3,3}的分配数组成共五个卷积组{C1,C2,C3,C4,C5}，4层池化操作块分别嵌在前四个卷积组，即C1,C2,C3,C4的尾端；
经过池化操作块后，卷积层特征提取模块中的各卷积组输出尺度大小不同的特征信息图；
特征双向融合模块以卷积层特征提取模块中各卷积组输出的尺度大小不同的特征信息图为输入，采用自顶向下和自底向上的双向特征信息的融合方式，输出两个经过特征融合后的特征信息图output1，output2，其中，output1，output2分别自顶向下融合方式得到的特征信息图和自底向上融合方式得到的特征信息图；
所述双向特征信息的融合方式具体如下：
Figure 604732DEST_PATH_IMAGE001
；
Figure 812860DEST_PATH_IMAGE003
；
其中，
Figure 250794DEST_PATH_IMAGE004
和
Figure 874674DEST_PATH_IMAGE005
分别表示上采样和下采样函数；
Figure 612822DEST_PATH_IMAGE006
表示第i个卷积组的输出特征信息图；
H和W分别是输入的目标图像的长和宽；
Figure 929534DEST_PATH_IMAGE007
等均表示在特征信息图中的像素索引。
上述的步骤2所述纹理增强特征提议网络TEFPN使用边缘纹理以及显著纹理信息来增强目标特征，然后输出特征增强后的目标提议框。
上述的步骤2所述纹理增强特征提议网络包括区域提议网络RPN，边缘纹理提取模块BTEM以及显著纹理提取模块STEM；
所述区域提议网络步骤1得到的特征信息图，输出一系列目标提议框；
所述一系列目标提议框所表征的特征信息作为输入，输入到边缘纹理提取模块和显著纹理提取模块，以分别提取提议框中所含目标的边缘纹理信息和显著性纹理信息；
将提取到的目标的边缘纹理信息和显著性纹理信息作为辅助约束量进行融合，并将融合结果反向嵌入原始特征信息中实现目标的特征增强效果。
上述的步骤2中，使用边缘纹理提取模块BTEM提取目标提议框中关于目标的边缘纹理信息，并使用这些边缘纹理信息实现目标特征的增强效果，具体地：
所述边缘纹理信息使用特定的边缘算子在目标提议框对应的特征信息图上进行卷积运算，从而提取出目标提议框中关于目标的边缘纹理：
Figure 854765DEST_PATH_IMAGE008
；
其中，
Figure 344652DEST_PATH_IMAGE009
表示第i个目标提议框提取到的边缘纹理信息；
Figure 609411DEST_PATH_IMAGE010
表示二值化函数；
Figure 893762DEST_PATH_IMAGE011
表示基于边缘算子bo的卷积运算；
Figure 775131DEST_PATH_IMAGE012
表示第i个目标提议框；
N表示区域提议网络输出的目标提议框数量。
上述的边缘纹理提取模块BTEM针对特征提取主干网络的不同输出output1和output2上的目标提议框，分别使用如下边缘算子
Figure 803129DEST_PATH_IMAGE013
：
Figure 250291DEST_PATH_IMAGE014
；
Figure 643227DEST_PATH_IMAGE015
。
上述的步骤2中，使用显著纹理提取模块STEM提取目标提议框中关于目标的显著纹理信息，并使用这些显著纹理信息实现目标特征的增强效果，具体的：
所述显著纹理信息使用像素点显著值表示，即计算目标提议框中像素点显著值后，采用像素点显著值替换像素点所代表的值；
像素点显著值计算公式：
Figure 543049DEST_PATH_IMAGE016
；
其中，
Figure 374739DEST_PATH_IMAGE017
表示第i个目标提议框
Figure 879670DEST_PATH_IMAGE018
中包含的像素点p的显著值；
N表示区域提议网络输出的目标提议框数量；
Figure 240244DEST_PATH_IMAGE019
表示归一化函数；
q表示目标提议框
Figure 892942DEST_PATH_IMAGE018
中任意非p的像素点；
Figure 466006DEST_PATH_IMAGE020
是用于计算像素点p和q之间的像素值差值的平方。
显著值计算完毕后，当前像素点p代表的值被替换为显著值。
上述的步骤2中，使用纹理增强特征提议网络提取目标提议框中关于目标的边缘纹理信息和显著纹理信息，并使用关于目标的边缘纹理信息和显著纹理信息实现目标特征的增强效果，具体的：
对于提取到的边缘纹理信息和显著纹理信息，将两者进行矩阵相乘，使用边缘纹理约束显著纹理信息，然后将边缘纹理信息和受约束的显著纹理信息依次嵌入融合到目标提议框中的原始目标特征信息中，实现对于目标提议框中的特征增强效果，具体公式为：
Figure 356602DEST_PATH_IMAGE021
；
其中，
Figure 419236DEST_PATH_IMAGE022
表示将边缘纹理信息和受约束的显著纹理信息依次嵌入融合到目标提议框中的原始目标特征信息中，融合后的特征纹理信息；
*表示矩阵相乘操作；
Figure 231334DEST_PATH_IMAGE023
和
Figure 670405DEST_PATH_IMAGE024
分别表示边缘纹理信息和显著纹理信息。
本发明具有以下有益效果：
本发明的目标检测方法针对各类目标对象的准确率高，效率高，能显著降低人为主观性在各种检测任务中的干扰，提升检测结果的可靠性，在多种复杂的目标检测任务中都具有较高的鲁棒性。
附图说明
图1为本发明基于特征纹理增强的目标检测方法流程图；
图2为本发明多尺度图像特征提取主干网络结构图；
图3为本发明纹理增强特征提议网络TEFPN示意图。
具体实施方式
下面结合附图和具体的实施例对本发明的基于特征纹理增强的目标检测方法作进一步地详细说明。
本发明的基于特征纹理增强的目标检测方法中，对图片中目标的检测是基于深度学习网络算法进行的。通过对主干网络输出的特征信息图进行边缘和显著纹理提取，再将提取到的边缘和显著纹理特征作为辅助约束量嵌入原始特征信息图中实现关于目标的特征增强效果，从而准确检测出每一个目标实例。
如图1所示，本发明一种基于特征纹理增强的目标检测方法，包括如下步骤：
步骤1、采集目标图像数据，采用多尺度图像特征提取主干网络对目标图像进行特征提取，得到包含特征信息的特征信息图；
即所述特征提取主干网络以目标图像为输入，输出为提取到的包含特征信息的特征信息图；
具体地，所述多尺度图像特征提取主干网络相比于通用的特征提取主干网络，有效的利用了特征在不同尺度下的表征效果。
优选地，如图2所示，所述多尺度图像特征提取主干网络包含卷积层特征提取模块和特征双向融合模块，且两个模块按先后顺序串式连接。所述卷积层特征提取模块由14个残差卷积操作块和4层池化操作构成。其中，残差卷积操作块按照{2,3,3,3,3}的分配数组成共五个卷积组{C1,C2,C3,C4,C5}，四层池化操作分别嵌入前四个卷积组的尾端。经过池化操作后，卷积层特征提取模块中的每个卷积组会输出尺度大小不同的特征图，特征双向融合模块以这些尺度不同的特征图为输出，采用自顶向下和自底向上的双向融合手段，输出两个经过特征融合后的特征信息图。关于不同尺度的特征信息的融合方式如下：
Figure 884349DEST_PATH_IMAGE025
；
Figure 852305DEST_PATH_IMAGE003
；
其中，
Figure 214016DEST_PATH_IMAGE026
和
Figure 128883DEST_PATH_IMAGE005
分别表示上采样和下采样函数；
Figure 994070DEST_PATH_IMAGE006
表示第i个卷积组的输出特征信息图；H和W分别是输入的目标图像的长和宽；
Figure 398507DEST_PATH_IMAGE007
等均表示在特征信息图中的像素索引。优选地，该特征信息图亦为所述图像特征提取主干网络的输出。
步骤2、采用纹理增强特征提议网络TEFPN对所述特征信息图进行纹理增强，得到特征增强后的目标提议框；
本发明实施例中，所述纹理增强特征提议网络TEFPN使用边缘纹理以及显著纹理信息来增强目标特征，然后输出特征增强后的目标提议框。
如图3所示，所述纹理增强特征提议网络（TEFPN）由三个部分组成，即区域提议网络（RPN），边缘纹理提取模块（BTEM）以及显著纹理提取模块（STEM）。
所述区域提议网络基于主干网络提取到的特征信息图，输出一系列目标提议框；然后这些目标提议框所表征的特征信息被作为输入，送进边缘纹理提取模块和显著纹理提取模块分别提取目标的边缘纹理信息和显著性纹理信息；接下来这些信息将作为辅助约束值进行融合，并将融合结果反向嵌入进原始特征信息中实现目标的特征增强。
具体地，包括：
步骤201、将特征提取主干网络输出的特征信息图送入纹理增强特征提议网络（TEFPN），首先经过区域提议网络（RPN）输出目标提议框，数量为N。
步骤202、对于步骤201所述区域提议网络（RPN）输出的目标提议框，针对每一个目标提议框代表的特征信息，将其送入边缘纹理提取模块（BTEM）学习关于目标的边缘纹理特征。
优选地，所述边缘纹理信息使用特定的边缘算子在目标提议框对应的特征信息图上进行卷积运算，从而提取出目标提议框中关于目标的边缘纹理：
Figure 185197DEST_PATH_IMAGE008
；
其中，
Figure 434913DEST_PATH_IMAGE009
表示对应第i个目标提议框提取到的边缘纹理信息；
Figure 685766DEST_PATH_IMAGE010
表示二值化函数；
Figure 198787DEST_PATH_IMAGE011
表示基于边缘算子bo的卷积运算；
Figure 535090DEST_PATH_IMAGE012
表示第i个目标提议框；N表示区域提议网络输出的目标提议框数量。由步骤1中所述可得，特征提取主干网络存在两个输出，即output1和output2。针对不同输出上的目标提议框，使用不同的边缘算子：
Figure 588497DEST_PATH_IMAGE027
；
Figure 631539DEST_PATH_IMAGE028
对于提取到的边缘纹理特征，将其嵌入原始图像特征中，用于增强检测网络对目标边缘的感知。
步骤203、对于步骤201所述区域提议网络（RPN）输出的目标提议框，针对每一个目标提议框代表的特征信息，将其送入显著纹理提取模块（STEM）学习关于目标的显著纹理特征。具体地，所述显著纹理信息使用像素显著值计算公式：
Figure 377778DEST_PATH_IMAGE029
；
其中，
Figure 870552DEST_PATH_IMAGE017
表示对应第i个目标提议框中包含的像素点p的显著值；
Figure 727650DEST_PATH_IMAGE019
表示归一化函数；q表示当前目标提议框中
Figure 687515DEST_PATH_IMAGE018
中任意非p的像素点，
Figure 542339DEST_PATH_IMAGE020
是用于计算像素点p和q之间的像素值差值的平方。显著值计算完毕后，像素点p代表的值被替换为显著值。
步骤204、对于步骤202和步骤203所述分别由边缘纹理提取模块（BTEM）和显著纹理提取模块（STEM）输出的关于目标的边缘纹理信息和显著纹理信息，将两者进行矩阵相乘运算，旨在使用边缘纹理信息约束显著纹理信息，防止其超出目标边界，更进一步地，将融合后的纹理信息嵌入经边缘纹理增强后的目标特征信息中，从而实现对于目标提议框代表的特征增强效果。
Figure 853235DEST_PATH_IMAGE021
其中，
Figure 248444DEST_PATH_IMAGE022
表示将边缘纹理信息和受约束的显著纹理信息依次嵌入融合到目标提议框中的原始目标特征信息中，融合后的特征纹理信息；
*表示矩阵相乘操作；
Figure 499DEST_PATH_IMAGE023
和
Figure 354120DEST_PATH_IMAGE024
分别表示边缘纹理信息和显著纹理信息。
步骤3、将目标提议框输入基于全卷积操作的检测网络，所述检测网络包含分类网络和回归网络，分别输出对应的分类结果和定位结果，完成目标检测任务。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (6)

1.一种基于特征纹理增强的目标检测方法，其特征在于，包括如下步骤：
步骤1、采集目标图像数据，采用多尺度图像特征提取主干网络对目标图像进行特征提取，得到包含特征信息的特征信息图；
步骤2、采用纹理增强特征提议网络TEFPN对所述特征信息图进行纹理增强，得到特征增强后的目标提议框；
所述纹理增强特征提议网络TEFPN包括区域提议网络RPN，边缘纹理提取模块BTEM以及显著纹理提取模块STEM；
所述区域提议网络基于步骤1得到的特征信息图，输出一系列目标提议框；
所述一系列目标提议框所表征的特征信息作为输入，输入到边缘纹理提取模块和显著纹理提取模块，以分别提取提议框中所含目标的边缘纹理信息和显著性纹理信息；
将提取到的目标的边缘纹理信息和显著性纹理信息作为辅助约束量进行融合，并将融合结果反向嵌入原始特征信息中实现目标的特征增强效果，具体的：
对于提取到的边缘纹理信息和显著纹理信息，将两者进行矩阵相乘，使用边缘纹理约束显著纹理信息，然后将边缘纹理信息和受约束的显著纹理信息依次嵌入融合到目标提议框中的原始目标特征信息中，实现对于目标提议框中的特征增强效果，具体公式为：
Mi＝norm((1-Bi)*Si)；
其中，Mi表示将边缘纹理信息和受约束的显著纹理信息依次嵌入融合到目标提议框中的原始目标特征信息中，融合后的特征纹理信息；
norm(·)表示归一化函数；
*表示矩阵相乘操作；Bi和Si分别表示边缘纹理信息和显著纹理信息；
步骤3、将目标提议框输入基于全卷积操作的检测网络，所述检测网络包含分类网络和回归网络，分别输出对应的分类结果和定位结果，完成目标检测任务。
2.根据权利要求1所述的一种基于特征纹理增强的目标检测方法，其特征在于，步骤1所述多尺度图像特征提取主干网络包含按先后顺序串式连接卷积层特征提取模块和特征双向融合模块；
卷积层特征提取模块由14个残差卷积操作块和4层池化操作块构成；
其中，残差卷积操作块按照{2,3,3,3,3}的分配数组成共五个卷积组{C1,C2,C3,C4,C5}，4层池化操作块分别嵌在前四个卷积组，即C1,C2,C3,C4的尾端；
经过池化操作块后，卷积层特征提取模块中的各卷积组输出尺度大小不同的特征信息图；
特征双向融合模块以卷积层特征提取模块中各卷积组输出的尺度大小不同的特征信息图为输入，采用自顶向下和自底向上的双向特征信息的融合方式，输出两个经过特征融合后的特征信息图output1、output2，其中，output1、output2分别自顶向下融合方式得到的特征信息图和自底向上融合方式得到的特征信息图；
所述双向特征信息的融合方式具体如下：
Figure FDA0003881597610000021
Figure FDA0003881597610000022
其中，up(·)和down(·)分别表示上采样和下采样函数；
C_i表示卷积层特征提取模块中第i个卷积组的输出的特征信息图；
H和W分别是输入的目标图像的长和宽；
(v,j),(m,n),(l,k)均表示在特征信息图中的像素索引。
3.根据权利要求1所述的一种基于特征纹理增强的目标检测方法，其特征在于，步骤2所述纹理增强特征提议网络TEFPN使用边缘纹理以及显著纹理信息来增强目标特征，然后输出特征增强后的目标提议框。
4.根据权利要求1所述的一种基于特征纹理增强的目标检测方法，其特征在于，所述步骤2中，使用边缘纹理提取模块BTEM提取目标提议框中关于目标的边缘纹理信息，并使用这些边缘纹理信息实现目标特征的增强效果，具体地：
所述边缘纹理信息使用特定的边缘算子在目标提议框对应的特征信息图上进行卷积运算，从而提取出目标提议框中关于目标的边缘纹理：
Bi＝biny(convbo(Pi))，i∈[0,N]；
其中，Bi表示第i个目标提议框提取到的边缘纹理信息；
biny(·)表示二值化函数；
convbo(·)表示基于边缘算子bo的卷积运算；
Pi表示第i个目标提议框；
N表示区域提议网络输出的目标提议框数量。
5.根据权利要求4所述的一种基于特征纹理增强的目标检测方法，其特征在于，边缘纹理提取模块BTEM针对特征提取主干网络的不同输出output1和output2上的目标提议框，分别使用如下边缘算子booutput1、booutput2：
Figure FDA0003881597610000031
6.根据权利要求5所述的一种基于特征纹理增强的目标检测方法，其特征在于，所述步骤2中，使用显著纹理提取模块STEM提取目标提议框中关于目标的显著纹理信息，并使用这些显著纹理信息实现目标特征的增强效果，具体的：
所述显著纹理信息使用像素点显著值表示，即计算目标提议框中像素点显著值后，采用像素点显著值替换像素点所代表的值；
像素点显著值计算公式:
Figure FDA0003881597610000032
其中，
Figure FDA0003881597610000033
表示第i个目标提议框Pi中包含的像素点p的显著值；
N表示区域提议网络输出的目标提议框数量；
norm(·)表示归一化函数；
q表示目标提议框Pi中任意非p的像素点；
dif2(·)是用于计算像素点p和q之间的像素值差值的平方。
显著值计算完毕后，当前像素点p代表的值被替换为显著值。
CN202210914037.XA 2022-08-01 2022-08-01 一种基于特征纹理增强的目标检测方法 Active CN114972798B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210914037.XA CN114972798B (zh) 2022-08-01 2022-08-01 一种基于特征纹理增强的目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210914037.XA CN114972798B (zh) 2022-08-01 2022-08-01 一种基于特征纹理增强的目标检测方法

Publications (2)

Publication Number Publication Date
CN114972798A CN114972798A (zh) 2022-08-30
CN114972798B true CN114972798B (zh) 2022-11-15

Family

ID=82968789

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210914037.XA Active CN114972798B (zh) 2022-08-01 2022-08-01 一种基于特征纹理增强的目标检测方法

Country Status (1)

Country Link
CN (1) CN114972798B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170124409A1 (en) * 2015-11-04 2017-05-04 Nec Laboratories America, Inc. Cascaded neural network with scale dependent pooling for object detection
CN106897982B (zh) * 2017-02-23 2019-06-14 淮阴工学院 基于图像无标记识别的现实增强方法
CN110728173A (zh) * 2019-08-26 2020-01-24 华北石油通信有限公司 基于感兴趣目标显著性检测的视频传输方法和装置
CN113538313B (zh) * 2021-07-22 2022-03-25 深圳大学 一种息肉分割方法、装置、计算机设备及存储介质
CN114897842A (zh) * 2022-05-19 2022-08-12 南京邮电大学 基于纹理增强网络的红外小目标分割检测方法

Also Published As

Publication number Publication date
CN114972798A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN106845408B (zh) 一种复杂环境下的街道垃圾识别方法
CN106875381B (zh) 一种基于深度学习的手机外壳缺陷检测方法
WO2022236876A1 (zh) 一种玻璃纸缺陷识别方法、系统、装置及存储介质
CN107133943A (zh) 一种防震锤缺陷检测的视觉检测方法
CN114581782B (zh) 一种基于由粗到精检测策略的细微缺陷检测方法
CN113240623B (zh) 一种路面病害检测方法及装置
CN113393426B (zh) 一种轧钢板表面缺陷检测方法
CN112819748B (zh) 一种带钢表面缺陷识别模型的训练方法及装置
CN116757988B (zh) 基于语义丰富和分割任务的红外与可见光图像融合方法
CN115830004A (zh) 表面缺陷检测方法、装置、计算机设备和存储介质
CN108764287B (zh) 基于深度学习和分组卷积的目标检测方法及系统
CN114005081A (zh) 一种烟丝异物智能检测装置及方法
CN115147418B (zh) 缺陷检测模型的压缩训练方法和装置
CN115049640B (zh) 一种基于深度学习的道路裂缝检测方法
CN116205876A (zh) 基于多尺度标准化流的无监督笔记本外观缺陷检测方法
CN117727046A (zh) 新型山洪前端仪器仪表读数自动识别方法及系统
CN115937736A (zh) 基于注意力和上下文感知的小目标检测方法
CN114972798B (zh) 一种基于特征纹理增强的目标检测方法
CN117132540A (zh) 一种基于分割模型的pcb电路板缺陷后处理方法
CN110889418A (zh) 一种气体轮廓识别方法
CN115035354B (zh) 基于改进yolox的水库水面漂浮物目标检测方法
CN114596291B (zh) 基于深度学习和自注意力机制的道路缺陷检测方法
CN116030122A (zh) 一种结合深度卷积神经网络的圆形标记点中心定位方法、装置及存储介质
CN115953678A (zh) 一种基于局部灰度极值点和特征融合的路面破损检测方法
CN116228637A (zh) 基于多任务多尺寸网络的电子元器件缺陷识别方法及装置

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