CN115457367B - 一种基于Light-Net的轻量级目标检测方法及系统 - Google Patents

一种基于Light-Net的轻量级目标检测方法及系统 Download PDF

Info

Publication number
CN115457367B
CN115457367B CN202211156147.0A CN202211156147A CN115457367B CN 115457367 B CN115457367 B CN 115457367B CN 202211156147 A CN202211156147 A CN 202211156147A CN 115457367 B CN115457367 B CN 115457367B
Authority
CN
China
Prior art keywords
network
light
module
net
modules
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
CN202211156147.0A
Other languages
English (en)
Other versions
CN115457367A (zh
Inventor
高尚兵
胡序洋
李�杰
李少凡
张骏强
张秦涛
张莹莹
张海艳
于永涛
张正伟
张�浩
陈晓兵
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.)
Huaiyin Institute of Technology
Original Assignee
Huaiyin Institute of Technology
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 Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN202211156147.0A priority Critical patent/CN115457367B/zh
Publication of CN115457367A publication Critical patent/CN115457367A/zh
Application granted granted Critical
Publication of CN115457367B publication Critical patent/CN115457367B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/70—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • G06V10/52—Scale-space analysis, e.g. wavelet analysis
    • 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
    • G06V10/77—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
    • G06V10/776—Validation; Performance evaluation
    • 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
    • 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)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (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)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于Light‑Net的轻量级目标检测方法及系统，首先对预先获取的待检测图像，进行预处理，并划分为训练集和测试集；构建Light‑Net网络模型，包括由六个DW特征提取模块构成的主干网络、一个循环特征融合网络模块以及三个目标检测模块；将预处理之后的训练集输入到Light‑Net网络模型中进行训练；将预处理之后的测试集输入到训练好的模型中，评估模型的性能。本发明构建的Light‑Net模型架构结构简单，形成的环状结构能够尽可能的将有效的特征保存在网络中，额外的反馈连接能够将循环特征融合网络模块中的有效信息以及错误信息回传到主干网络中，指导主干网络的参数调整；且能采用较少参数实现图像中目标的准确识别。

Description

一种基于Light-Net的轻量级目标检测方法及系统
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Light-Net的轻量级目标检测方法及系统。
背景技术
基于卷积神经网络的目标检测方法主要分为单阶段(one-stage)的目标检测方法和两阶段(two-stage)的目标检测方法：Zhou等人提出了一种基于概率的两阶段目标检测网络CenterNet2，在第一阶段推断出目标与背景的似然性，在第二阶段对具体类别进行回归。Qin等人提出一种轻量级两阶段实时目标检测算法，该算法中提出轻量级主干网络SNet，同时压缩RPN以及R-CNN子网络减少网络参数量，使用CEM(Context EnhancementModule)及SAM(Spatial Attention Module)模块整合上下文信息同时优化特征分布。上述网络模型较为复杂，参数量以及运算量较大，虽然能达到较高的准确率，但要求部署平台具备较高的计算性能，难以满足实际场景中的要求。
发明内容
发明目的：针对目前目标检测参数量大，模型复杂，检测时间较长的问题，本发明提出一种基于Light-Net的轻量级目标检测方法及系统。
技术方案：本发明提出一种基于Light-Net的轻量级目标检测方法，具体包括以下步骤：
(1)对预先获取的待检测图像，进行预处理，并划分为训练集和测试集；
(2)构建Light-Net网络模型，包括由三个DW特征提取模块和三个DWD模块构成的主干网络、一个循环特征融合网络模块以及三个目标检测模块；所述主干网络第1、3、5层采用DW特征提取模块；主干网络第2、4、6层采用DWD模块；所述循环特征融合网络模块用于融合来自主干网络的特征信息并将有效特征反馈到主干网络中；所述目标检测模块利用融合后的特征提取图像中的目标对象；
(3)将预处理之后的训练集输入到Light-Net网络模型中进行训练；
(4)将预处理之后的测试集输入到训练好的模型中，评估模型的性能。
进一步地，步骤(2)所述DW特征提取模块用于提取图像中的目标特征信息；所述DWD模块用于降低图像的分辨率。
进一步地，所述DW特征提取模块包括主分支和侧分支，主分支中包括一个1*1的point wise卷积层，两个3*3的depth wise卷积层，一个1*1的point wise卷积层；侧分支包括一个1*1的point wise卷积层和3*3的depth wise卷积层；主分支与侧分支并行连接。
进一步地，所述DWD模块包括主分支和侧分支，主分支中包括一个1*1的pointwise卷积层，一个3*3的步长为2的depth wise卷积层，一个SE Block模块，一个1*1的pointwise卷积层；侧分支包括一个步长为2的平均池化层和1*1的point wise卷积层；主分支与侧分支并行连接。
进一步地，所述循环特征融合网络模块包括三个1*1卷积，五个DPB模块，一个Concat，其中五个DPB模块和Concat形成特征融合环，将有效特征留在网络中，两个1*1卷积层将来自主干网络的特征进行融合，一个1*1卷积层将循环特征融合网络模块中的特征融合之后反馈到主干网络中。
进一步地，所述步骤(3)实现过程如下：将训练图像作为训练样本数据输入到Light-Net网络模型中；计算Light-Net网络的损失，以损失最小作为目标对网络中的参数持续优化；当损失值稳定在一定范围内时，保存网络参数，得到最终的Light-Net检测模型。
基于相同的发明构思，本发明提出一种基于Light-Net的轻量级目标检测系统，包括由三个DW特征提取模块和三个DWD模块构成的主干网络、一个循环特征融合网络模块以及三个目标检测模块；所述主干网络第1、3、5层采用DW特征提取模块；主干网络第2、4、6层采用DWD模块；所述DW特征提取模块用于提取图像中的目标特征信息，DWD模块用于降低图像的分辨率；所述循环特征融合网络，用于融合主干网络中的两种尺度的特征，同时将有效信息和错误信息回传至主干网络，可以调整主干网络的参数；所述目标检测网络用于检测输入的特征是否含有预设的目标信息；所述主干网络第4、5、6层与循环特征融合网络相连接；所述循环特征融合网络模块由DPB模块、Concat模块、1*1卷积模块组成，循环特征融合网络模块共有三种尺度的输出，每个输出端连接一个检测器。
有益效果：与现有技术相比，本发明的有益效果：1、利用Light-Net模型架构，结构简单，参数量较少的优点实现了图像中目标的准确识别；2、循环特征融合网络模块融合来自主干网络的两种尺度的特征信息，形成的环状结构能够尽可能的将有效的特征保存在网络中，额外的反馈连接能够将循环特征融合网络模块中的有效信息以及错误信息回传到主干网络中，指导主干网络的参数调整。
附图说明
图1为本发明构建的Light-Net模型网络结构示意图；
图2为本发明实施例中的DW(Stride＝1)Block网络结构示意图；
图3为本发明实施例中的DW(Stride＝2)Block网络结构示意图；
图4本发明实施例中目标检测效果图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提供一种基于Light-Net的轻量级目标检测方法，首先对训练图像进行预处理，包括归一化，缩放；构建Light-Net网络模型，主要包括由三个DW特征提取模块和三个DWD模块构成的主干网络、一个循环特征融合网络模块以及三个目标检测模块；将预处理之后的训练图像输入到Light-Net网络模型中进行训练；将预处理之后的测试图像输入到训练好的模型中，评估模型的性能。
本实例例使用PASCAL VOC 2007数据集，数据集中包含20种生活中常见的目标类别，其中有飞机、自行车、鸟、船、瓶子、巴士、汽车、猫、椅子、牛、餐桌、狗、马、摩托车、人、盆栽、绵羊、沙发、火车、电视监视器。
如图1所示，本发明构建的Light-Net网络模型主要包括主干网络，用于提取图像中的目标特征信息，同时逐步减少图像尺寸，并将提取出的特征向后续模块输出；循环特征融合网络，用于融合主干网络中的两种尺度的特征，同时将有效信息和错误信息回传至主干网络，用于调整主干网络的参数。检测网络主要用来检测图像中是否含有目标信息以及目标的类别。DW模块用于提取图像中的目标特征信息；DWD模块用于降低图像的分辨率；其中主干网络第1、3、5层采用DW模块；主干网络第2、4、6层采用DWD模块。主干网络第4、5、6层与循环特征融合网络模块相连接，循环特征融合网络模块主要由DPB模块、Concat模块、1*1卷积模块组成，循环特征融合网络模块共有三种尺度的输出，每个输出端连接一个检测器。
如图2，DW特征提取模块，即DW Block(stride＝1)模块包括主分支和侧分支，主分支中包括一个1*1的point wise卷积层，两个3*3的depth wise卷积层，一个1*1的pointwise卷积层；侧分支包括一个1*1的point wise卷积层和3*3的depth wise卷积层；主分支与侧分支并行连接。
如图3所示，DWD模块，即DW Block(stride＝2)模块包括主分支和侧分支，主分支中包括一个1*1的point wise卷积层，一个3*3的步长为2的depth wise卷积层，一个SEBlock模块，一个1*1的point wise卷积层；侧分支包括一个步长为2的平均池化层和1*1的point wise卷积层；主分支与侧分支并行连接。
循环特征融合网络模块包括三个1*1卷积，五个DPB模块，一个Concat，其中五个DPB模块和Concat形成特征融合环，能够尽可能的将有效特征留在网络中，两个1*1卷积层将来自主干网络的特征进行融合，一个1*1卷积层将循环特征融合网络模块中的特征融合之后反馈到主干网络中，能够将循环特征融合网络模块中的有效信息以及错误信息回传到主干网络中，指导主干网络的参数调整。
Light-Net网络模型的训练步骤为：首先对训练数据集进行预处理操作，包括对图像进行归一化，裁剪图像大小，对图像进行增强，得到可以输入到网络中的训练集，然后将训练集图像与标签数据输入到构建好的Light-Net网络模型中，然后计算Light-Net网络的损失，以损失最小作为目标对网络中的参数持续优化。当损失值稳定在一定范围内时，保存网络参数，得到最终的Light-Net检测模型。
在本实施例中，存放数据文件夹为Datasets，包括两个子文件夹，分别为Images，Labels，其中Images保存训练图像，Labels保存与训练图像对应的xml文件，其中训练集与验证集的比例为7：3，训练集图像路径保存在train.txt,验证集图像路径保存在val.txt,其中存放的是训练图像和标签的相对路径。
Light-Net网络模型的训练：将划分完毕的数据集输入Light-Net网络进行训练，设置相应的参数后，进行模型训练，得到训练好的Light-Net网络模型，其具体步骤如下：
1)设置参数，包括学习率、Epochs大小、批大小等。其中初始学习率为1e-4，其中batch-size为4，Epochs为200。
2)对数据进行训练，使用1)设置的参数，对图像进行训练及预测，预测效果如图4所示。从图中可以看出，Light-Net网络模型对于VOC数据集中大部分目标均能准确的检测，因为VOC数据集中目标数量的分布不均，因此有少量目标没有检测出来。
基于相同的发明构思，本发明还提供一种基于Light-Net的轻量级目标检测系统，包括由三个DW特征提取模块和三个DWD模块构成的主干网络、一个循环特征融合网络模块以及三个目标检测模块；主干网络第1、3、5层采用DW特征提取模块；主干网络第2、4、6层采用DWD模块；DW特征提取模块用于提取图像中的目标特征信息，DWD模块用于降低图像的分辨率。循环特征融合网络，用于融合主干网络中的两种尺度的特征，同时将有效信息和错误信息回传至主干网络，可以调整主干网络的参数。目标检测网络用于检测输入的特征是否含有预设的目标信息。其中主干网络第4、5、6层与循环特征融合网络相连接，循环特征融合网络模块主要由DPB模块、Concat模块、1*1卷积模块组成，循环特征融合网络模块共有三种尺度的输出，每个输出端连接一个检测器。

Claims (4)

1.一种基于Light-Net的轻量级目标检测方法，其特征在于，包括以下步骤：
(1)对预先获取的待检测图像，进行预处理，并划分为训练集和测试集；
(2)构建Light-Net网络模型，包括由三个DW特征提取模块和三个DWD模块构成的主干网络、一个循环特征融合网络模块以及三个目标检测模块；所述主干网络第1、3、5层采用DW特征提取模块；主干网络第2、4、6层采用DWD模块；所述循环特征融合网络模块用于融合来自主干网络的特征信息并将有效特征反馈到主干网络中；所述目标检测模块利用融合后的特征提取图像中的目标对象；
所述DW特征提取模块包括主分支和侧分支，主分支中包括一个1*1的point wise卷积层，两个3*3的depth wise卷积层，一个1*1的point wise卷积层；侧分支包括一个1*1的point wise卷积层和3*3的depth wise卷积层；主分支与侧分支并行连接；
所述DWD模块包括主分支和侧分支，主分支中包括一个1*1的point wise卷积层，一个3*3的步长为2的depth wise卷积层，一个SE Block模块，一个1*1的point wise卷积层；侧分支包括一个步长为2的平均池化层和1*1的point wise卷积层；主分支与侧分支并行连接；
所述循环特征融合网络模块包括三个1*1卷积，五个DPB模块，一个Concat，其中五个DPB模块和Concat形成特征融合环，将有效特征留在网络中，两个1*1卷积层将来自主干网络的特征进行融合，一个1*1卷积层将循环特征融合网络模块中的特征融合之后反馈到主干网络中；
(3)将预处理之后的训练集输入到Light-Net网络模型中进行训练；
(4)将预处理之后的测试集输入到训练好的模型中，评估模型的性能。
2.根据权利要求1所述的一种基于Light-Net的轻量级目标检测方法，其特征在于，步骤(2)所述DW特征提取模块用于提取图像中的目标特征信息；所述DWD模块用于降低图像的分辨率。
3.根据权利要求1所述的一种基于Light-Net的轻量级目标检测方法，其特征在于，所述步骤(3)实现过程如下：将训练图像作为训练样本数据输入到Light-Net网络模型中；计算Light-Net网络的损失，以损失最小作为目标对网络中的参数持续优化；当损失值稳定在一定范围内时，保存网络参数，得到最终的Light-Net检测模型。
4.一种采用如权利要求1-3任一所述方法的基于Light-Net的轻量级目标检测系统，其特征在于，包括由三个DW特征提取模块和三个DWD模块构成的主干网络、一个循环特征融合网络模块以及三个目标检测模块；所述主干网络第1、3、5层采用DW特征提取模块；主干网络第2、4、6层采用DWD模块；所述DW特征提取模块用于提取图像中的目标特征信息，DWD模块用于降低图像的分辨率；所述循环特征融合网络，用于融合主干网络中的两种尺度的特征，同时将有效信息和错误信息回传至主干网络，可以调整主干网络的参数；所述目标检测网络用于检测输入的特征是否含有预设的目标信息；所述主干网络第4、5、6层与循环特征融合网络相连接；所述循环特征融合网络模块由DPB模块、Concat模块、1*1卷积模块组成，循环特征融合网络模块共有三种尺度的输出，每个输出端连接一个检测器。
CN202211156147.0A 2022-09-22 2022-09-22 一种基于Light-Net的轻量级目标检测方法及系统 Active CN115457367B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211156147.0A CN115457367B (zh) 2022-09-22 2022-09-22 一种基于Light-Net的轻量级目标检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211156147.0A CN115457367B (zh) 2022-09-22 2022-09-22 一种基于Light-Net的轻量级目标检测方法及系统

Publications (2)

Publication Number Publication Date
CN115457367A CN115457367A (zh) 2022-12-09
CN115457367B true CN115457367B (zh) 2023-09-26

Family

ID=84306753

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211156147.0A Active CN115457367B (zh) 2022-09-22 2022-09-22 一种基于Light-Net的轻量级目标检测方法及系统

Country Status (1)

Country Link
CN (1) CN115457367B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647668A (zh) * 2018-05-21 2018-10-12 北京亮亮视野科技有限公司 多尺度轻量级人脸检测模型的构建方法及基于该模型的人脸检测方法
CN111967344A (zh) * 2020-07-28 2020-11-20 南京信息工程大学 一种面向人脸伪造视频检测的精细化特征融合方法
CN112001527A (zh) * 2020-07-29 2020-11-27 中国计量大学 多特征融合深度神经网络的工业生产过程目标数据预测方法
CN113569667A (zh) * 2021-07-09 2021-10-29 武汉理工大学 基于轻量级神经网络模型的内河船舶目标识别方法及系统
CN114049325A (zh) * 2021-11-15 2022-02-15 刘有淇 轻量化人脸口罩佩戴检测模型的构建方法及应用
CN114463759A (zh) * 2022-04-14 2022-05-10 浙江霖研精密科技有限公司 一种基于无锚框算法的轻量化文字检测方法及装置
CN114529793A (zh) * 2022-02-23 2022-05-24 西华大学 一种基于门控循环特征融合的深度图像修复系统及方法
CN115019279A (zh) * 2022-01-25 2022-09-06 昆明理工大学 一种基于MobileNet轻量化网络的上下文特征融合方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647668A (zh) * 2018-05-21 2018-10-12 北京亮亮视野科技有限公司 多尺度轻量级人脸检测模型的构建方法及基于该模型的人脸检测方法
CN111967344A (zh) * 2020-07-28 2020-11-20 南京信息工程大学 一种面向人脸伪造视频检测的精细化特征融合方法
CN112001527A (zh) * 2020-07-29 2020-11-27 中国计量大学 多特征融合深度神经网络的工业生产过程目标数据预测方法
CN113569667A (zh) * 2021-07-09 2021-10-29 武汉理工大学 基于轻量级神经网络模型的内河船舶目标识别方法及系统
CN114049325A (zh) * 2021-11-15 2022-02-15 刘有淇 轻量化人脸口罩佩戴检测模型的构建方法及应用
CN115019279A (zh) * 2022-01-25 2022-09-06 昆明理工大学 一种基于MobileNet轻量化网络的上下文特征融合方法
CN114529793A (zh) * 2022-02-23 2022-05-24 西华大学 一种基于门控循环特征融合的深度图像修复系统及方法
CN114463759A (zh) * 2022-04-14 2022-05-10 浙江霖研精密科技有限公司 一种基于无锚框算法的轻量化文字检测方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
一种采用SmoteTomek 和LightGBM 算法的Web 异常检测模型;魏志强;《小型微型计算机系统》(第第3期期);全文 *
融合卷积神经网络和循环神经网络的车轮目标检测;马超;;测绘通报(第08期);全文 *
融合深度扩张网络和轻量化网络的目标检测模型;权宇;李志欣;张灿龙;马慧芳;;电子学报(第02期);全文 *

Also Published As

Publication number Publication date
CN115457367A (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
CN110516536A (zh) 一种基于时序类别激活图互补的弱监督视频行为检测方法
CN113221687B (zh) 一种压板状态识别模型的训练方法及压板状态识别方法
US20230351618A1 (en) System and method for detecting moving target based on multi-frame point cloud
CN112101487B (zh) 一种细粒度识别模型的压缩方法和设备
WO2021063476A1 (en) Method for training a generative adversarial network, modified image generation module and system for detecting features in an image
US20240257356A1 (en) Three-dimensional medical image segmentation method and system based on short-term and long-term memory self-attention model
CN111815056A (zh) 基于飞参数据的机务外场飞机燃油系统故障预测方法
CN112364719A (zh) 一种遥感图像目标快速检测方法
CN113535667B (zh) 一种系统日志自动分析方法、装置和系统
CN108986091A (zh) 基于深度哈希网络的铸件缺陷图像检测方法
CN112035662B (zh) 文本处理方法、装置、计算机设备以及存储介质
CN112052894B (zh) 一种动力舱状态实时监控评价方法
CN115457367B (zh) 一种基于Light-Net的轻量级目标检测方法及系统
Zeng et al. Bearing fault diagnosis with denoising autoencoders in few labeled sample case
Wu et al. Semantic transfer between different tasks in the semantic communication system
CN113705695A (zh) 一种基于卷积神经网络的配电网故障数据辨识方法
CN117543571A (zh) 一种基于TVFEMD-BiLSTM的风电功率预测方法
CN112395952A (zh) 一种用于铁轨缺陷检测的无人机
CN115690658A (zh) 一种融合先验知识的半监督视频异常行为检测方法
CN114299535A (zh) 基于Transformer的特征聚合人体姿态估计方法
CN111553371B (zh) 一种基于多特征提取的图像语义描述方法及系统
CN113780644A (zh) 一种基于在线学习的光伏出力预测方法
Min et al. Vehicle detection method based on deep learning and multi-layer feature fusion
Guo et al. An improved object detection algorithm based on YOLO
CN112036472A (zh) 一种电力系统视觉图像分类方法及系统

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20221209

Assignee: Jiangsu Kesheng Xuanyi Technology Co.,Ltd.

Assignor: HUAIYIN INSTITUTE OF TECHNOLOGY

Contract record no.: X2023980048436

Denomination of invention: A Lightweight Object Detection Method and System Based on Light Net

Granted publication date: 20230926

License type: Common License

Record date: 20231129

EE01 Entry into force of recordation of patent licensing contract