CN115171079A - 一种基于夜间场景的车辆检测方法 - Google Patents
一种基于夜间场景的车辆检测方法 Download PDFInfo
- Publication number
- CN115171079A CN115171079A CN202211092215.1A CN202211092215A CN115171079A CN 115171079 A CN115171079 A CN 115171079A CN 202211092215 A CN202211092215 A CN 202211092215A CN 115171079 A CN115171079 A CN 115171079A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- network
- night
- training
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V2201/08—Detecting or categorising vehicles
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于车辆检测技术领域,尤其涉及一种基于夜间场景的车辆检测方法,先将夜间图像增强和车辆检测任务统一在一个端到端的联合优化框架中,夜间图像增强使用动态滤波网络来生成特定于样本的卷积核,该卷积核针对不同夜间图像样本,增强时使用不同增强方法来约束每个增强子网络,以便动态增强网络可以根据输入图像样本自适应地选择更有效的增强方法,检测阶段基于增强图像使用简洁的单阶段检测方法,提升检测效率,可用于实现在夜间场景下的车辆检测任务,通过将动态夜间图像增强网络和车辆检测任务有机结合在一起,提升网络对应对不同类型夜间图像退化问题的能力,进而提升检测器的整体性能。
Description
技术领域
本发明属于车辆检测技术领域,尤其涉及一种基于夜间场景的车辆检测方法。
背景技术
随着经济飞速发展,交通系统空前发达,城市中车辆保有量逐年上升,与之伴随的则是道路交通安全问题所造成的生命财产损失,其中夜间重大交通事故率远高于白天,而导致夜间事故率更高且更严重的原因主要有光线不足、灯光干扰、疲劳驾驶等,导致驾驶员辨识能力和判断能力下降,对突发事件不能快速反应并采取措施。
随着人工智能技术的发展,利用智能辅助系统感知车辆周围的环境,通过检测周边的车辆给驾驶员做出预警,提高了驾驶的安全性。目前车辆检测算法在白天可以取得不错的效果,但是在夜间光线不足、图像的对比度低、细节信息被隐藏在背景,此外还有灯光干扰的情况,直接导致车辆的检测效果仍然不佳,虽然可以通过辅助系统或夜视监控等有关的昂贵硬件来改善低光照条件下图像的拍摄效果,但应用于日常生活中不是很现实,增加了不必要的成本。在夜晚低光照场景下,大多数方法还是采用先增强后检测的方式,但增强方法并不针对提高检测性能设计,无法针对目标检测算法的需求改善图像质量,检测器也不能为夜晚低光照场景做专门的适配,并且单一的增强方式也难以解决多种复杂的夜间场景问题,所以整体性能提升有限。因此,在夜晚低光照场的车辆检测受到了高底层任务出发点的影响,底层视觉任务主要针对提升可视化效果,缺乏对场景视觉中高层特性知识的有效利用,并不能有效促进车辆检测识别等任务。
发明内容
本发明的目的在于克服现有技术存在的缺点,设计提供一种基于夜间场景的车辆检测方法,用于夜间低光照场景下的车辆检测任务,也可用于夜间低光照场景的其他检测任务,能够有效促进高底层任务的结合,提升检测器的检测精度和模型泛化性。
为实现上述目的,本发明将夜间图像增强和车辆检测任务统一在一个端到端的联合优化框架中,图像增强模块使用动态滤波网络来生成特定于样本的卷积核,该卷积核针对不同夜间图像样本,增强时使用不同增强方法来约束每个增强子网络,以便动态增强网络可以根据输入图像样本自适应地选择更有效的增强方法,检测阶段基于增强图像使用简洁的单阶段检测方法,提升检测效率,通过将动态夜间图像增强网络和车辆检测任务有机结合在一起,提升网络对应对不同类型夜间图像退化问题的能力,进而提升检测器的整体性能,具体包括如下步骤:
(1)车辆数据集构建:收集多种夜间场景的车辆图像,并对车辆图像进标注位置信息后构建车辆数据集,将数据集按照6:2:2的比例划分为训练集、验证集和测试集;
(2)增强特征提取:将车辆数据集中的RGB夜间图像输入增强特征提取网络,依次通过四个卷积块,每个卷积块之间通过最大池化层进行下采样,使宽高减半,得到用于图像增强的图像特征;
(3)夜间图像增强:将步骤(2)得到的图像特征分别输入夜间图像增强模块的多个结构相同但相互独立的子网络中,得到不同的增强图像;
(4)车辆位置定位:将步骤(3)得到的增强图像输入车辆检测模块,使用主干网络
对增强图像进行特征提取,在提取的特征后连接两层卷积核为33的卷积层以及一层平均
池化层,在特征图的每一个特征点设置一个锚框,然后分别使用两个结构相同的但是不共
享参数的全连接层子网络学习分类和位置偏差信息,其中位置偏差信息是车辆检测框与特
征锚框的偏差,完成目标框类别分类和位置回归任务,其中分类任务为是否为车辆,位置信
息为车辆的水平外接矩;
(5)训练网络获得模型参数:使用车辆数据集中训练集用于训练,图片尺寸为512
5123,按照每次训练所需的图像数量B,依次输入到网络中,夜间图像增强模块的损失为所
有子网络的损失之和,使用增强图像与目标图像的均方误差作为损失函数,车辆检测模块
使用Focal损失算预测判断类别误差,采用Smooth L1损失来计算预测车辆位置与真实车辆
位置的误差;并且使用IOU阈值作为样本分配策略的衡量标准,输出车辆的分类置信度和回归坐标位置,其中Class为2,即是否是车辆,N是输出预测车
辆目标的数量,4为车辆的水平框的中心点坐标和框的长宽,通过反向传播更新参数,经过
500轮完整训练集训练迭代后,保存验证集上结果最好的模型参数,作为最终模型训练好的
参数,得到训练好的车辆检测网络参数;
(6)测试网络输出车辆位置和类别:在测试过程中,保持图片长短边比例不变的情
况下将图像长边缩放到512,然后对图片的短边进行填充,使得图像尺寸为512512,作为网
络的输入,即可输出车辆的分类置信度和车辆的坐标位置,并设置阈值过滤低置信度的车
辆,并使用非极大抑制(NMS)删除网络输出的冗余的框,获得夜间场景的车辆位置。
作为本发明的进一步技术方案,步骤(1)标注的车辆位置信息包括车辆的中心点坐标、长和宽。
作为本发明的进一步技术方案,步骤(2)所述卷积块由三个重复堆叠的3×3卷积层和ReLU层组成。
作为本发明的进一步技术方案,步骤(3)所述子网络均由动态滤波器和图像重建网络组成,使用动态滤波网络模拟不同的增强方法,在动态滤波网络后通过全连接层生成卷积核K,图像重建网络包含四个卷积块,卷积块与步骤(2)中所述卷积块相同,每个卷积块之间通过上采样层对特征进行上采样,最终得到重建图像R,重建图像R与动态网络生成的卷积核K进行卷积操作生成最终增强图像。
作为本发明的进一步技术方案,步骤(4)所述主干网络采用CSPDarknet。
本发明与现有技术相比,针对夜间图像增强和车辆检测的高底层任务目标不一致的问题,提出了低光照图像目标检测算法,端到端地结合了夜间场景图像增强和车辆检测两个任务,针对具体的车辆检测任务提供更有效的夜间图像增强,先将夜间图像增强和车辆检测任务统一在一个端到端的联合优化框架中,夜间图像增强使用动态滤波网络来生成特定于样本的卷积核,该卷积核针对不同夜间图像样本,增强时使用不同增强方法来约束每个增强子网络,以便动态增强网络可以根据输入图像样本自适应地选择更有效的增强方法,检测阶段基于增强图像使用简洁的单阶段检测方法,提升检测效率,可用于实现在夜间场景下的车辆检测任务,通过将动态夜间图像增强网络和车辆检测任务有机结合在一起,提升网络对应对不同类型夜间图像退化问题的能力,进而提升检测器的整体性能,除此之外,还可以用于场景文本检测、人脸检测等多种退化场景的目标检测任务,该方法在Exclusively Dark数据集车辆检测中,相比Yolov3目标检测方法,精度从84.2%提高到90.5%,极大的提升了检测和分类效果。
附图说明
图1为本发明所述车辆检测的网络结构框架示意图。
图2为本发明所述车辆检测的工作流程框图。
具体实施方式
下面结合附图,通过实施例进一步描述本发明,但不以任何方式限制本发明的范围。
实施例:
本实施例采用如图1所示的网络结构和图2所示的流程图,针对夜间图像增强和车辆检测的高底层任务目标不一致的问题,提出了一种低光照图像目标检测算法,端到端地结合了夜间场景图像增强和车辆检测两个任务,针对具体的车辆检测任务提供更有效的夜间图像增强。通过将动态夜间图像增强网络和车辆检测任务有机结合在一起,提升网络对应对不同类型夜间图像退化问题的能力,进而提升检测器的整体性能,具体实施包括如下步骤:
(1)车辆数据集构建:
收集多种夜间场景的车辆图像,对车辆图像进行标注,包含车辆的位置信息(中心点坐标、长和宽),并将数据集按照6:2:2的比例划分为训练集、验证集和测试集;
(2)增强特征提取网络:
在增强特征提取网络中输入RGB夜间图像,RGB夜间图像通过四个卷积块,每个卷积块由三个重复堆叠的3×3卷积层+ReLU层形成,每个卷积块之间通过最大池化层进行下采样,使宽高减半,得到用于图像增强的图像特征;
(3)夜间图像增强:
采用夜间图像增强模块对步骤(2)得到的图像特征进行增强处理,夜间图像增强模块由多个结构相同但相互独立的子网络构成,用于学习不同因素带来的图像退化,每个子网络的输入为步骤(2)获取的图像特征,输出为不同增强图像,具体为:每个子网络由动态滤波器和图像重建网络组成,使用动态滤波网络旨在模拟不同的增强方法,在动态滤波网络后通过全连接层生成卷积核K,图像重建网络包含四个卷积块(与步骤(2)中卷积块相同),每个卷积之间通过上采样层对特征进行上采样,最终得到重建图像R。重建图像R与动态网络生成的卷积核K进行卷积操作生成最终增强图像;
(4)车辆位置定位:
将增强图像输入车辆检测模块,使用CSPDarknet作为主干网络对增强图像进行特
征提取,在提取的特征后连接两层卷积核为33的卷积层以及一层平均池化层,在特征图的
每一个特征点设置一个锚框,然后分别使用两个结构相同的但是不共享参数的全连接层子
网络学习分类和位置偏差信息,其中位置偏差信息是车辆检测框与特征锚框的偏差,从而
完成目标框类别分类和位置回归任务,其中分类任务为是否为车辆,位置信息为车辆的水
平外接矩;
(5)训练网络获得模型参数;
使用车辆数据集中训练集用于训练,图片尺寸为5125123,按照每次训练需要
的图像数量B,依次输入到网络中,所以整个网络的输入,夜间图像增强模
块的损失是所有子网络的损失之和,使用增强图像与目标图像的均方误差作为损失函数,
车辆检测模块使用Focal损失算预测判断类别误差,采用Smooth L1损失来计算预测车辆位
置与真实车辆位置的误差,并且使用IOU阈值作为样本分配策略的衡量标准,高质量水平候
选框模块输出车辆的分类置信度和回归坐标位置,其中Class为
2,即是否是车辆,N是输出预测车辆目标的数量,4为车辆的水平框的中心点坐标和框的长
宽,通过反向传播更新参数,经过500轮完整训练集训练迭代后,保存验证集上结果最好的
模型参数,作为最终模型训练好的参数,即得到训练好的车辆检测网络参数。
(6)测试网络输出车辆位置和类别:
在测试过程中,保持图片长短边比例不变的情况下将图像长边缩放(resize)到
512,然后对图片的短边进行填充,使得图像尺寸为512512,作为网络的输入。即可输出车
辆的分类置信度和车辆的坐标位置,设置阈值过滤低置信度的车辆,并使用非极大抑制
(NMS)删除网络输出的冗余的框,即可获得夜间场景的车辆位置。
本文中未详细说明的网络结构和算法均采用本领域通用技术。
需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明的精神和范围内,各种替换和修改都是可能的。因此,本发明不应局限于实施例所公开的内容。
Claims (5)
1.一种基于夜间场景的车辆检测方法,其特征在于,具体包括如下步骤:
(1)车辆数据集构建:收集多种夜间场景的车辆图像,并对车辆图像进标注位置信息后构建车辆数据集,将数据集按照6:2:2的比例划分为训练集、验证集和测试集;
(2)增强特征提取:将车辆数据集中的RGB夜间图像输入增强特征提取网络,依次通过四个卷积块,每个卷积块之间通过最大池化层进行下采样,使宽高减半,得到用于图像增强的图像特征;
(3)夜间图像增强:将步骤(2)得到的图像特征分别输入夜间图像增强模块的多个结构相同但相互独立的子网络中,得到不同的增强图像;
(4)车辆位置定位:将步骤(3)得到的增强图像输入车辆检测模块,使用主干网络对增强图像进行特征提取,在提取的特征后连接两层卷积核为33的卷积层以及一层平均池化层,在特征图的每一个特征点设置一个锚框,然后分别使用两个结构相同的但是不共享参数的全连接层子网络学习分类和位置偏差信息,其中位置偏差信息是车辆检测框与特征锚框的偏差,完成目标框类别分类和位置回归任务,其中分类任务为是否为车辆,位置信息为车辆的水平外接矩;
(5)训练网络获得模型参数:使用车辆数据集中训练集用于训练,图片尺寸为5125123,按照每次训练所需的图像数量B,依次输入到网络中,夜间图像增强模块的损失为所有子网络的损失之和,使用增强图像与目标图像的均方误差作为损失函数,车辆检测模块使用Focal损失算预测判断类别误差,采用Smooth L1损失来计算预测车辆位置与真实车辆位置的误差;并且使用IOU阈值作为样本分配策略的衡量标准,输出车辆的分类置信度和回归坐标位置,其中Class为2,即是否是车辆,N是输出预测车辆目标的数量,4为车辆的水平框的中心点坐标和框的长宽,通过反向传播更新参数,经过500轮完整训练集训练迭代后,保存验证集上结果最好的模型参数,作为最终模型训练好的参数,得到训练好的车辆检测网络参数;
2.根据权利要求1所述基于夜间场景的车辆检测方法,其特征在于,步骤(1)标注的车辆位置信息包括车辆的中心点坐标、长和宽。
3.根据权利要求2所述基于夜间场景的车辆检测方法,其特征在于,步骤(2)所述卷积块由三个重复堆叠的3×3卷积层和ReLU层组成。
4.根据权利要求3所述基于夜间场景的车辆检测方法,其特征在于,步骤(3)所述子网络均由动态滤波器和图像重建网络组成,使用动态滤波网络模拟不同的增强方法,在动态滤波网络后通过全连接层生成卷积核K,图像重建网络包含四个卷积块,卷积块与步骤(2)中所述卷积块相同,每个卷积块之间通过上采样层对特征进行上采样,最终得到重建图像R,重建图像R与动态网络生成的卷积核K进行卷积操作生成最终增强图像。
5.根据权利要求4所述基于夜间场景的车辆检测方法,其特征在于,步骤(4)所述主干网络采用CSPDarknet。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211092215.1A CN115171079B (zh) | 2022-09-08 | 2022-09-08 | 一种基于夜间场景的车辆检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211092215.1A CN115171079B (zh) | 2022-09-08 | 2022-09-08 | 一种基于夜间场景的车辆检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115171079A true CN115171079A (zh) | 2022-10-11 |
CN115171079B CN115171079B (zh) | 2023-04-07 |
Family
ID=83481729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211092215.1A Active CN115171079B (zh) | 2022-09-08 | 2022-09-08 | 一种基于夜间场景的车辆检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115171079B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115457420A (zh) * | 2022-11-10 | 2022-12-09 | 松立控股集团股份有限公司 | 一种基于无人机拍摄夜间低对比度的车辆重检测方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299205A (zh) * | 2013-07-19 | 2015-01-21 | 南京普爱射线影像设备有限公司 | 一种x射线影像增强器牙科机全景图生成方法 |
US20170084006A1 (en) * | 2015-09-17 | 2017-03-23 | Michael Edwin Stewart | Methods and Apparatus for Enhancing Optical Images and Parametric Databases |
US20180330233A1 (en) * | 2017-05-11 | 2018-11-15 | General Electric Company | Machine learning based scatter correction |
KR20190059157A (ko) * | 2017-11-22 | 2019-05-30 | 에스케이텔레콤 주식회사 | 영상 화질 개선방법 및 그 장치 |
US20200120324A1 (en) * | 2018-10-15 | 2020-04-16 | City University Of Hong Kong | Convolutional neural network based synthesized view quality enhancement for video coding |
US20200294288A1 (en) * | 2019-03-13 | 2020-09-17 | The Uab Research Foundation | Systems and methods of computed tomography image reconstruction |
US20210035338A1 (en) * | 2019-07-31 | 2021-02-04 | Z2Sky Technologies Inc. | Unified Dual-Domain Network for Medical Image Formation, Recovery, and Analysis |
CN112991227A (zh) * | 2021-04-15 | 2021-06-18 | 中国人民解放军国防科技大学 | 基于U-net++网络的弱光图像增强方法和装置 |
CN113269119A (zh) * | 2021-06-07 | 2021-08-17 | 重庆大学 | 一种夜间车辆检测方法及装置 |
WO2021238548A1 (zh) * | 2020-05-25 | 2021-12-02 | 腾讯科技(深圳)有限公司 | 区域识别方法、装置、设备及可读存储介质 |
CN114283078A (zh) * | 2021-12-09 | 2022-04-05 | 北京理工大学 | 一种基于双路卷积神经网络的自适应融合图像去雾方法 |
CN114529462A (zh) * | 2022-01-11 | 2022-05-24 | 重庆邮电大学 | 一种基于改进YOLO V3-Tiny的毫米波图像目标检测方法及系统 |
CN114677501A (zh) * | 2022-05-30 | 2022-06-28 | 松立控股集团股份有限公司 | 一种基于二维高斯边界框重叠度度量的车牌检测方法 |
CN114757862A (zh) * | 2022-04-14 | 2022-07-15 | 武汉大学 | 用于红外光场设备的图像增强渐进式融合方法 |
CN114882486A (zh) * | 2022-05-06 | 2022-08-09 | 福州大学 | 一种基于深度学习的夜视场景下车牌检测与识别方法 |
CN114898352A (zh) * | 2022-06-29 | 2022-08-12 | 松立控股集团股份有限公司 | 一种同时实现图像去雾与车牌检测的方法 |
CN114973156A (zh) * | 2022-08-02 | 2022-08-30 | 松立控股集团股份有限公司 | 一种基于知识蒸馏的夜间渣土车检测方法 |
-
2022
- 2022-09-08 CN CN202211092215.1A patent/CN115171079B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299205A (zh) * | 2013-07-19 | 2015-01-21 | 南京普爱射线影像设备有限公司 | 一种x射线影像增强器牙科机全景图生成方法 |
US20170084006A1 (en) * | 2015-09-17 | 2017-03-23 | Michael Edwin Stewart | Methods and Apparatus for Enhancing Optical Images and Parametric Databases |
US20180330233A1 (en) * | 2017-05-11 | 2018-11-15 | General Electric Company | Machine learning based scatter correction |
KR20190059157A (ko) * | 2017-11-22 | 2019-05-30 | 에스케이텔레콤 주식회사 | 영상 화질 개선방법 및 그 장치 |
US20200120324A1 (en) * | 2018-10-15 | 2020-04-16 | City University Of Hong Kong | Convolutional neural network based synthesized view quality enhancement for video coding |
US20200294288A1 (en) * | 2019-03-13 | 2020-09-17 | The Uab Research Foundation | Systems and methods of computed tomography image reconstruction |
US20210035338A1 (en) * | 2019-07-31 | 2021-02-04 | Z2Sky Technologies Inc. | Unified Dual-Domain Network for Medical Image Formation, Recovery, and Analysis |
WO2021238548A1 (zh) * | 2020-05-25 | 2021-12-02 | 腾讯科技(深圳)有限公司 | 区域识别方法、装置、设备及可读存储介质 |
CN112991227A (zh) * | 2021-04-15 | 2021-06-18 | 中国人民解放军国防科技大学 | 基于U-net++网络的弱光图像增强方法和装置 |
CN113269119A (zh) * | 2021-06-07 | 2021-08-17 | 重庆大学 | 一种夜间车辆检测方法及装置 |
CN114283078A (zh) * | 2021-12-09 | 2022-04-05 | 北京理工大学 | 一种基于双路卷积神经网络的自适应融合图像去雾方法 |
CN114529462A (zh) * | 2022-01-11 | 2022-05-24 | 重庆邮电大学 | 一种基于改进YOLO V3-Tiny的毫米波图像目标检测方法及系统 |
CN114757862A (zh) * | 2022-04-14 | 2022-07-15 | 武汉大学 | 用于红外光场设备的图像增强渐进式融合方法 |
CN114882486A (zh) * | 2022-05-06 | 2022-08-09 | 福州大学 | 一种基于深度学习的夜视场景下车牌检测与识别方法 |
CN114677501A (zh) * | 2022-05-30 | 2022-06-28 | 松立控股集团股份有限公司 | 一种基于二维高斯边界框重叠度度量的车牌检测方法 |
CN114898352A (zh) * | 2022-06-29 | 2022-08-12 | 松立控股集团股份有限公司 | 一种同时实现图像去雾与车牌检测的方法 |
CN114973156A (zh) * | 2022-08-02 | 2022-08-30 | 松立控股集团股份有限公司 | 一种基于知识蒸馏的夜间渣土车检测方法 |
Non-Patent Citations (2)
Title |
---|
LING GAN 等: "Image Super-Resolution Reconstruction Based on Deep Residual Network", 《2020 IEEE INTERNATIONAL CONFERENCE ON ARTIFICIAL INTELLIGENCE AND COMPUTER APPLICATIONS (ICAICA)》 * |
依玉峰 等: "直方图重建图像细节增强算法", 《计算机工程与应用》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115457420A (zh) * | 2022-11-10 | 2022-12-09 | 松立控股集团股份有限公司 | 一种基于无人机拍摄夜间低对比度的车辆重检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115171079B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110909666B (zh) | 一种基于改进型YOLOv3卷积神经网络的夜间车辆检测方法 | |
CN110188705B (zh) | 一种适用于车载系统的远距离交通标志检测识别方法 | |
CN111222396B (zh) | 一种全天候多光谱行人检测方法 | |
CN112069868A (zh) | 一种基于卷积神经网络的无人机实时车辆检测方法 | |
CN113468967A (zh) | 基于注意力机制的车道线检测方法、装置、设备及介质 | |
CN113255589B (zh) | 一种基于多卷积融合网络的目标检测方法及系统 | |
CN111611861B (zh) | 一种基于多尺度特征关联的图像变化检测方法 | |
CN115063648A (zh) | 一种绝缘子缺陷检测模型构建方法及系统 | |
CN115171079B (zh) | 一种基于夜间场景的车辆检测方法 | |
Park et al. | Advanced wildfire detection using generative adversarial network-based augmented datasets and weakly supervised object localization | |
CN117496384A (zh) | 一种无人机图像物体检测方法 | |
CN112597996A (zh) | 基于任务驱动的自然场景中交通标志显著性检测方法 | |
CN116363610A (zh) | 一种基于改进YOLOv5的航拍车辆旋转目标检测方法 | |
CN114494893B (zh) | 基于语义重用上下文特征金字塔的遥感图像特征提取方法 | |
CN116129327A (zh) | 一种基于改进YOLOv7算法的红外车辆检测方法 | |
CN116092034A (zh) | 一种基于改进的DeeplabV3+模型的车道线检测方法 | |
Fang et al. | A ViTDet based dual-source fusion object detection method of UAV | |
CN112446292B (zh) | 一种2d图像显著目标检测方法及系统 | |
CN115170803A (zh) | 一种基于e-solo的城市街景实例分割方法 | |
CN115205568A (zh) | 一种多尺度特征融合的道路交通多要素检测方法 | |
CN114943903A (zh) | 一种针对无人机航空图像的自适应分簇目标检测方法 | |
CN117011722A (zh) | 基于无人机实时监控视频的车牌识别方法及装置 | |
CN114882478B (zh) | 权重优化下的局部多尺度特征融合的驾驶员行为识别方法 | |
CN114429524B (zh) | 单目视觉下的三维目标检测模型的构建方法及检测方法 | |
CN113837080B (zh) | 一种基于信息增强与感受野增强的小目标检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |