CN115331109A - 基于旋转等变卷积通道注意力增强和多尺度特征融合的遥感图像目标检测方法 - Google Patents
基于旋转等变卷积通道注意力增强和多尺度特征融合的遥感图像目标检测方法 Download PDFInfo
- Publication number
- CN115331109A CN115331109A CN202211036223.4A CN202211036223A CN115331109A CN 115331109 A CN115331109 A CN 115331109A CN 202211036223 A CN202211036223 A CN 202211036223A CN 115331109 A CN115331109 A CN 115331109A
- Authority
- CN
- China
- Prior art keywords
- feature map
- channel
- attention
- feature
- equal
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/80—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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于旋转等变卷积通道注意力增强和多尺度特征融合的遥感图像目标检测方法,包括:选取遥感图像输入旋转等变特征提取网络,得到输入图像的多层旋转等变特征图;将多层特征图输入旋转等变通道注意力增强模块并进行特征融合,得到特征增强的旋转等变多尺度特征图;对多尺度特征图进行特征目标检测和分类,得到特征目标的中心点坐标、特征目标的长、宽及角度,以及特征目标的类别。本发明中设计了旋转等变通道注意力增强的特征融合模块来克服遥感图像特征提取的困难点,得到经通旋转等变道注意力增强和多尺度语义信息融合后的多尺度特征图,最后在特征图上进行目标检测,得到最终的检测结果,适用于遥感图像目标检测场景。
Description
技术领域
本发明涉及遥感图像处理技术领域,特别是涉及一种基于旋转等变卷积通道注意力增强和多尺度特征融合的遥感图像目标检测方法。
背景技术
遥感目标检测是遥感影像处理中一项非常重要的任务,在军事和民用领域有着广泛的应用。遥感目标检测的目的是从遥感图像中计算出待检测目标的位置以及识别出该目标的类别。
遥感目标检测本身具有许多难点,例如目标尺度多样,目标方向多样。由于缺乏旋转等变性,基于传统卷积神经网络的目标检测方法无法精确地提取目标的方向信息,不能很好的适应遥感图像目标检测。为了能够更准确地预测目标的方向,旋转等变卷积被提出且被应用到了遥感目标检测,相比于传统卷积核,该卷积能够提取额外的方向信息,使遥感目标的定位精度得到提升,但相对的在通道数相同的情况下旋转等变卷积核提取的语义信息减少,导致对目标的分类能力下降。现有的基于旋转等变卷积的检测方法无法在保持在不增加卷积核数量的情况下提升对目标的分类精度。
发明内容
本发明的目的在于提供一种基于旋转等变卷积通道注意力增强和多尺度特征融合的遥感图像目标检测方法。
实现本发明目的的技术方案为:第一方面,本发明提供一种基于旋转等变卷积通道注意力增强和多尺度特征融合的遥感图像目标检测方法,包括:
步骤S1,从数据中选取遥感图片作为旋转等变网络的输入,并得到输入网络的图像的旋转等变特征图;
步骤S2,将特征图输入旋转等变通道注意力增强的特征融合模块,从高层特征图开始依次与上层增强后的特征图融合,获取当前层旋转等变通道注意力,对融合后带有相同方向信息的特征通道进行相关性建模,将特征通道注意力按原始特征通道进行重排列,作用于融合后的特征图,得到经过旋转等变通道注意力增强后的特征图;
步骤S3,针对步骤S2所得到的特征图进行特征目标检测,得到特征目标的中心点坐标、特征目标的长、宽和角度,以及特征目标所属类别。
第二方面,本发明提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现第一方面所述方法的步骤。
第三方面,本发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第一方面所述方法的步骤。
本发明充分利用旋转等变卷积网络提取的方向信息、特征通道间的相关性和多尺度信息,设计了旋转等变通道注意力增强的特征融合模块来克服旋转等变网络语义信息提取不足和遥感目标尺度变化大的困难点,得到经过旋转等变注意力增强和多尺度特征融合后的特征图,最后在经过特征增强后的特征图上进行检测,得到最终的检测结果,适用于遥感图像目标检测场景,与现有技术相比,本发明具有以下优点:
(1)针对旋转等变网络语义信息提取不足,不能有效利用现有语义信息进行分类的情况,通过旋转等变通道注意力,在保持旋转等变特征所包含的方向信息不变的情况下对特征通道进行注意力增强。
(2)针对遥感图像目标尺度多变,单一特征图无法适应多尺度目标检测的情况,通过先进行通道注意力增强后进行特征融合的方式,将增强后的高层语义信息融合到低层特征图,更好地进行多尺度目标检测。
附图说明
图1为本发明的基于旋转等变卷积通道注意力增强和多尺度特征融合的遥感图像目标检测方法的流程图。
图2为本发明的旋转等变通道注意力模块。
图3为本发明的遥感图像目标检测结果图一。
图4为本发明的遥感图像目标检测结果图二。
具体实施方式
为使本领域技术人员更加清楚和明确本发明的技术方案,下面结合实施例及附图对本发明作近一步详细的描述,但本发明的实施方式不限于此。
如图1-图4所示,本实施例选提供的基于旋转等变卷积通道注意力增强和多尺度特征融合的遥感图像目标检测方法,包括:
步骤S1,从数据中选取遥感图片作为旋转等变网络的输入,并得到输入网络的图像的旋转等变特征图;
步骤S2,将特征图输入旋转等变通道注意力增强的特征融合模块,从高层特征图开始依次与上层增强后的特征图融合,获取当前层旋转等变通道注意力,对融合后带有相同方向信息的特征通道进行相关性建模,将特征通道注意力按原始特征通道进行重排列,作用于融合后的特征图,得到经过旋转等变通道注意力增强后的特征图;
步骤S3,针对步骤S2所得到得到特征图进行特征目标检测,得到特征目标的中心点坐标(x,y)、特征目标的长、宽和角度(w,h,θ),以及特征目标所属类别ci。
在本实施例中,如图1所示,步骤S1具体包括如下
步骤s1.1.从数据中选取遥感图片进行预处理,将预处理后的图片作为旋转等变网络的输入图像;
步骤s1.2.将网络输入的图片进行多次旋转等变卷积提取旋转等变特征,选取网络输出的第二、三、四、五层特征图作为后续输入,设它们尺度由大到小分别为F1、F2、F3、F4。
在本实施例中,如图1所示,步骤S2具体包括如下
步骤s2.1.将F4输入旋转等变通道注意力模块中,利用模块生成该特征图对应的旋转等变通道注意力记为a4,将得到的通道注意力a4与当前层特征图F4进行Hadamard积,得到特征增强后的特征图F′4。
步骤s2.2.从特征图F3到特征图F1,对当前层特征图Fn的上层增强特征图F′n+1进行上采样操作,使其尺度与当前层特征图相同,上采样后的上层特征图记为F″n+1,将当前层特征图Fn与上采样后的上层特征图进行对应像素相加得到融合后的特征图An;
步骤s2.3.将融合后的特征图An输入旋转等变通道注意力模块中,利用模块生成该特征图对应的旋转等变通道注意力记为an,将得到的通道注意力an与当前层特征图Fn进行Hadamard积,得到特征增强后的特征图F′n,重复步骤s2.2与s2.3多次,直到得到所有输入特征图对应加强后的特征图F′1、F′2和F′3。
在本实施例中,如图1所示,步骤s2.1与步骤s2.3中的旋转等变通道注意力生成公式具体为:
其中,MC(F)表示旋转等变特征图F生成的旋转等变通道注意力,σ表示Sigmoid函数,表示F的Oi方向特征图生成的通道注意力,表示带有i方向信息的特征,i∈(0,1,...,O-1),O是旋转等变网络设置的方向超参数,MLP表示多层感知机,其层与层之间是全连接的,AvgPool表示全局平均池化层,该层以特征图的一层为输入,以输入区域内的平均值作为输出,MaxPool表示全局最大池化层,该层以特征图的一层为输入,以输入区域的最大值作为输出,ChannelArr表示通道重排列操作,该操作将每个方向的通道注意力按照原始特征通道结构进行重排列,形成与原始特征通道一一对应的通道注意力,为卷积计算所涉及的区域,W0表示旋转等变通道注意力操作中的第一层权重,其作用是进行通道维降维,W1表示旋转等变通道注意力操作中的第二层权重,其作用是进行通道维复原,C表示旋转等变特征图总的通道维数,r是通道降维的超参数;表示对F的Oi方向特征图做全局平均池化操作的结果,表示对F的Oi方向特征图做全局最大池化操作的结果。
旋转等变通道注意力模块将旋转等变特征提取网络输出的多层特征图作为本模块的输入,首先按旋转等变卷积网络的方向超参数O提取含有相同方向信息的特征,具体做法是基于通道维,从旋转等变卷积特征图的第0通道开始,间隔O提取通道特征,形成第0方向的特征图,该过程进行O次,则形成O个带有不同方向信息的特征图,每个特征图进行全局平均池化和全局最大值池化,之后分别经过两个卷积操作再相加,得到每个方向特征图的通道注意力,这其中用到的卷积核参数共享,将每个方向特征图的通道注意力按照原始旋转等变特征图的通道进行重新排列,并经过Sigmoid函数,生成最终的旋转等变通道注意力。
在本实施例中,如图1所示,步骤s2.2中的特征融合过程具体公式为:
An=Fn+F″n+1
F′n+1=Interpolate(F′n+1,2)
其中Interpolate为线性插值上采样操作,该操作通过对相邻像素进行线性插值将特征图的尺度扩大一倍。
在本实施例中,如图1所示,步骤s2.1和步骤s2.3中的旋转等变通道注意力与特征图Hadamard积过程具体公式为:
F′ni=(an1,...,anC)⊙(fi1,...,fiC)
F′n=(F′n1,...,F′nn)
其中,(an1,...,anC)为通道注意力an的所有元素,(fi1,...,fiC)为特征图Fn的第i个像素位置的向量元素,F′ni为特征图Fn的第i个像素位置的向量与通道注意力Hadamard积结果。
在本实施例中,如图1所示,步骤s2.1中的最高层特征图生成过程具体公式为:
在本实施例中,如图1所示,步骤s2.3中的特征图生成过程具体公式为:
本发明充分利用旋转等变卷积网络提取的方向信息、特征通道间的相关性和多尺度信息,设计了旋转等变通道注意力增强的特征融合模块来克服旋转等变网络语义信息提取不足和遥感目标尺度多变的困难点,得到经通旋转等变道注意力增强和多尺度语义信息融合后的多尺度特征图,最后在特征图上进行目标检测,得到最终的检测结果,具有良好的应用前景。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于旋转等变卷积通道注意力增强和多尺度特征融合的遥感图像目标检测方法,其特征在于,包括:
步骤S1,从数据中选取遥感图片作为旋转等变网络的输入,并得到输入网络的图像的旋转等变特征图;
步骤S2,将特征图输入旋转等变通道注意力增强的特征融合模块,从高层特征图开始依次与上层增强后的特征图融合,获取当前层旋转等变通道注意力,对融合后带有相同方向信息的特征通道进行相关性建模,将特征通道注意力按原始特征通道进行重排列,作用于融合后的特征图,得到经过旋转等变通道注意力增强后的特征图;
步骤S3,针对步骤S2所得到的特征图进行特征目标检测,得到特征目标的中心点坐标、特征目标的长、宽和角度,以及特征目标所属类别。
2.根据权利要求1所述的旋转等变卷积通道注意力增强和多尺度特征融合的遥感目标检测方法,其特征在于,步骤S1具体包括如下步骤:
步骤S11,从数据中选取遥感图片进行预处理,将预处理后的图片作为旋转等变网络的输入图像;
步骤S12,将网络输入的图片进行多次旋转等变卷积提取旋转等变特征,选取网络输出的第二、三、四、五层特征图作为后续输入,设它们尺度由大到小分别为F1、F2、F3、F4。
3.根据权利要求2所述的旋转等变卷积通道注意力增强和多尺度特征融合的遥感目标检测方法,其特征在于,步骤S2具体包括如下步骤:
步骤S21,将F4输入旋转等变通道注意力模块中,利用模块生成该特征图对应的旋转等变通道注意力记为a4,将得到的通道注意力a4与当前层特征图F4进行Hadamard积,得到特征增强后的特征图F′4;
步骤S22,从特征图F3到特征图F1,对当前层特征图Fn的上层增强特征图F′n+1进行上采样操作,使其尺度与当前层特征图相同,上采样后的上层特征图记为F″n+1,将当前层特征图Fn与上采样后的上层特征图进行对应像素相加得到融合后的特征图An;
步骤S23,将融合后的特征图An输入旋转等变通道注意力模块中,利用模块生成该特征图对应的旋转等变通道注意力记为an,将得到的通道注意力an与当前层特征图Fn进行Hadamard积,得到特征增强后的特征图F′n,重复步骤S22与S23多次,直到得到所有输入特征图对应加强后的特征图F′1、F′2和F′3。
4.根据权利要求3所述的旋转等变卷积通道注意力增强和多尺度特征融合的遥感目标检测方法,其特征在于,步骤S21与步骤S23中的旋转等变通道注意力生成公式具体为:
其中,Mc(F)表示旋转等变特征图F生成的旋转等变通道注意力,σ表示Sigmoid函数,表示F的Oi方向特征图生成的通道注意力,表示带有i方向信息的特征,i∈(0,1,...,O-1),O是旋转等变网络设置的方向超参数,MLP表示多层感知机,其层与层之间是全连接的,AvgPool表示全局平均池化层,该层以特征图的一层为输入,以输入区域内的平均值作为输出,MaxPool表示全局最大池化层,该层以特征图的一层为输入,以输入区域的最大值作为输出,ChannelArr表示通道重排列操作,该操作将每个方向的通道注意力按照原始特征通道结构进行重排列,形成与原始特征通道一一对应的通道注意力,为卷积计算所涉及的区域,W0表示旋转等变通道注意力操作中的第一层权重,W1表示旋转等变通道注意力操作中的第二层权重,C表示旋转等变特征图总的通道维数,r是通道降维的超参数;表示对F的Oi方向特征图做全局平均池化操作的结果,表示对F的Oi方向特征图做全局最大池化操作的结果。
5.根据权利要求3所述的旋转等变卷积通道注意力增强和多尺度特征融合的遥感目标检测方法,其特征在于,步骤S22中的特征融合过程具体公式为:
An=Fn+F″n+1
F″n+1=Interpolate(F′n+1,2)
其中Interpolate为线性插值上采样操作,该操作通过对相邻像素进行线性插值将特征图的尺度扩大一倍。
6.根据权利要求3所述的旋转等变卷积通道注意力增强和多尺度特征融合的遥感目标检测方法,其特征在于,步骤S21与步骤S23中的旋转等变通道注意力与特征图Hadamard积过程具体公式为:
F′ni=(an1,...,anC)⊙(fi1,...,fiC)
F′n=(F′n1,...,F′nn)
其中,(an1,...,anC)为通道注意力an的所有元素,(fi1,...,fiC)为特征图Fn的第i个像素位置的向量元素,F′ni为特征图Fn的第i个像素位置的向量与通道注意力Hadamard积结果。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1~8中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1~8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211036223.4A CN115331109A (zh) | 2022-08-27 | 2022-08-27 | 基于旋转等变卷积通道注意力增强和多尺度特征融合的遥感图像目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211036223.4A CN115331109A (zh) | 2022-08-27 | 2022-08-27 | 基于旋转等变卷积通道注意力增强和多尺度特征融合的遥感图像目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115331109A true CN115331109A (zh) | 2022-11-11 |
Family
ID=83927780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211036223.4A Pending CN115331109A (zh) | 2022-08-27 | 2022-08-27 | 基于旋转等变卷积通道注意力增强和多尺度特征融合的遥感图像目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115331109A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115879004A (zh) * | 2022-12-21 | 2023-03-31 | 北京百度网讯科技有限公司 | 目标模型的训练方法、装置、电子设备、介质和程序产品 |
CN116563615A (zh) * | 2023-04-21 | 2023-08-08 | 南京讯思雅信息科技有限公司 | 基于改进多尺度注意力机制的不良图片分类方法 |
-
2022
- 2022-08-27 CN CN202211036223.4A patent/CN115331109A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115879004A (zh) * | 2022-12-21 | 2023-03-31 | 北京百度网讯科技有限公司 | 目标模型的训练方法、装置、电子设备、介质和程序产品 |
CN116563615A (zh) * | 2023-04-21 | 2023-08-08 | 南京讯思雅信息科技有限公司 | 基于改进多尺度注意力机制的不良图片分类方法 |
CN116563615B (zh) * | 2023-04-21 | 2023-11-07 | 南京讯思雅信息科技有限公司 | 基于改进多尺度注意力机制的不良图片分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232394B (zh) | 一种多尺度图像语义分割方法 | |
CN109389556B (zh) | 一种多尺度空洞卷积神经网络超分辨率重构方法及装置 | |
Bai et al. | Deep learning for change detection in remote sensing: a review | |
CN110135267B (zh) | 一种大场景sar图像细微目标检测方法 | |
CN110378381B (zh) | 物体检测方法、装置和计算机存储介质 | |
CN108537192B (zh) | 一种基于全卷积网络的遥感影像地表覆盖分类方法 | |
CN108596330B (zh) | 一种并行特征全卷积神经网络装置及其构建方法 | |
CN113674403B (zh) | 一种三维点云上采样方法、系统、设备及介质 | |
CN115331109A (zh) | 基于旋转等变卷积通道注意力增强和多尺度特征融合的遥感图像目标检测方法 | |
CN112800964B (zh) | 基于多模块融合的遥感影像目标检测方法及系统 | |
CN112419155B (zh) | 一种全极化合成孔径雷达影像超分辨率重建方法 | |
CN111667030B (zh) | 基于深度神经网络实现遥感图像目标检测的方法、系统及其存储介质 | |
CN112990010B (zh) | 点云数据处理方法、装置、计算机设备和存储介质 | |
CN110991513A (zh) | 一种具有类人连续学习能力的图像目标识别系统及方法 | |
CN113449612B (zh) | 一种基于子流型稀疏卷积的三维目标点云识别的方法 | |
CN114299303A (zh) | 一种船舶目标检测方法、终端设备及存储介质 | |
CN112883971A (zh) | 一种基于深度学习的sar图像舰船目标检测方法 | |
Zeng et al. | A novel tensor decomposition-based efficient detector for low-altitude aerial objects with knowledge distillation scheme | |
Eerapu et al. | Dense refinement residual network for road extraction from aerial imagery data | |
CN112465909A (zh) | 基于卷积神经网络的类激活映射目标定位方法及系统 | |
CN111860411A (zh) | 一种基于注意力残差学习的道路场景语义分割方法 | |
Zhang et al. | Pqa-cnn: Towards perceptual quality assured single-image super-resolution in remote sensing | |
CN116563682A (zh) | 一种基于深度霍夫网络的注意力方案和条带卷积语义线检测的方法 | |
CN115170859A (zh) | 一种基于空间几何感知卷积神经网络的点云形状分析方法 | |
Nowruzi et al. | Polarnet: Accelerated deep open space segmentation using automotive radar in polar domain |
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 |