CN115909036A - 局部-全局自适应引导增强的车辆重识别方法及系统 - Google Patents
局部-全局自适应引导增强的车辆重识别方法及系统 Download PDFInfo
- Publication number
- CN115909036A CN115909036A CN202211554656.9A CN202211554656A CN115909036A CN 115909036 A CN115909036 A CN 115909036A CN 202211554656 A CN202211554656 A CN 202211554656A CN 115909036 A CN115909036 A CN 115909036A
- Authority
- CN
- China
- Prior art keywords
- local
- global
- training
- adaptive
- features
- 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
-
- 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
- Image Analysis (AREA)
Abstract
本发明公开了一种局部‑全局自适应引导增强的车辆重识别方法及系统,该方法包括:对训练图像进行图像预处理并构建训练集;基于训练集对局部‑全局自适应引导增强的车辆重识别协同表示网络进行训练;所述局部‑全局自适应引导增强的车辆重识别协同表示网络包括基于VisionTransformer的骨干网络模块和基于局部注意力引导的自适应优化特征编码模块;获取待查询图像和图库集,对待查询图像在图库集进行检索匹配,得到匹配结果。该系统包括:预处理单元、网络训练单元和检索匹配单元。通过使用本发明,能够提高车辆重识别的精确度。本发明可广泛应用于车辆重识别领域。
Description
技术领域
本发明涉及车辆重识别领域,尤其涉及一种局部-全局自适应引导增强的车辆重识别方法及系统。
背景技术
早期车辆重识别方法主要集中研究从整张车辆图片中提取鲁棒的全局特征信息,但近年来越来越多的车辆在外观上具有极大的类间相似度;以及由于相机捕获车辆图像的角度不同,同一车辆会产生极大的类内差异性。目前,挖掘局部细粒度特征进行车辆重识别的研究得到了研究者们广泛关注。考虑结合局部特征进行车辆重识别的深度学习方法可总结为两类:一类多借助额外的信息监督训练过程,包括车辆关键点定位、车辆重点局部区域检测、车辆部分解析、基于车辆朝向的方法等,但上述方法高度依赖人工对信息进行标注或其他预训练网络(例如目标检测网络、语义分割网络等)进行先验知识的提取,导致整体算法的时间消耗和复杂度较高;另一类则是仅依靠车辆ID标签以弱监督学习的方式设计网络结构,以提取鲁棒性的特征表示,包括划分输入图片或划分特征图进行局部特征的提取、利用图卷积神经网络增强空间特征结构等,但目前上述方法会受到图片中背景信息的干扰,没有突出显著区域特征或具有可区分性的区域特征,且网络结构复杂度较高。
发明内容
为了解决上述技术问题,本发明的目的是提供一种局部-全局自适应引导增强的车辆重识别方协同表示法及系统,充分考虑局部细粒度特征,重点针对不同车辆类间相似度高和同一车辆类内差异性大的问题,提高车辆重识别的精确度。
本发明所采用的第一技术方案是:一种局部-全局自适应引导增强的车辆重识别方法,包括以下步骤:
对训练图像进行图像预处理并构建训练集;
基于训练集对局部-全局自适应引导增强的车辆重识别协同表示网络进行训练,得到训练完备的局部-全局自适应引导增强的车辆重识别协同表示网络;
所述局部-全局自适应引导增强的车辆重识别协同表示网络包括基于VisionTransformer的骨干网络模块和基于局部注意力引导的自适应优化特征编码模块;
获取待查询图像和图库集,并基于训练完备的局部-全局自适应引导增强的车辆重识别协同表示网络对待查询图像在图库集进行检索匹配,得到匹配结果。
进一步,所述对训练图像进行图像预处理并构建训练集这一步骤,其具体包括:
获取训练用的车辆图像,得到训练图像;
对训练图像进行尺寸调整,得到调整后的训练图像;
对调整后的训练图像进行数据增强,得到增强后的训练图像;
结合增强后的训练图像及其对应的真实标签构建训练集。
进一步,所述基于训练集对局部-全局自适应引导增强的车辆重识别协同表示网络进行训练,得到训练完备的局部-全局自适应引导增强的车辆重识别协同表示网络这一步骤,其具体包括:
将训练集输入至局部-全局自适应引导增强的车辆重识别协同表示网络;
基于Vision Transformer的骨干网络模块,对输入图像进行网格化局部小区域块划分,并提取全局特征和局部特征;
基于局部注意力引导的自适应优化特征编码模块,根据局部小区域块对应的注意力权重选择候选局部特征并进行优化,得到优化后的局部区域特征;
将全局特征与重点局部区域特征经过批归一化操作后进行拼接融合,得到完整特征表示;
根据完整特征表示进行检索匹配,得到匹配结果;
根据匹配结果和真实标签调整网络参数,得到训练完备的局部-全局自适应引导增强的车辆重识别协同表示网络。
进一步,所述基于Vision Transformer的骨干网络模块包括输入编码子模块和特征提取子模块,所述对输入图像进行网格化局部小区域块划分,并提取全局特征和局部特征这一步骤,其具体包括:
通过输入编码子模块对输入图像进行网格化的各局部小区域块划分,形成一维向量序列输入;
特征提取子模块利用多个Transformer编码层对一维向量序列输入进行全局特征提取和局部小区域块的局部特征提取。
进一步,所述基于局部注意力引导的自适应优化特征编码模块,根据局部小区域块对应的注意力权重选择候选局部特征并进行优化,得到优化后的局部区域特征这一步骤,其具体包括:
区域选择子模块根据编码层的权重筛选重点区域,获取对应小区域块的索引及局部特征,得到候选局部特征;
局部引导特征学习子模块将候选局部特征与全局特征进行单独结合后进行候选局部特征的内部编码优化;
根据候选局部特征的注意力权重,利用softmax归一化函数自适应生成候选局部区域对应的外部权重,进行候选局部区域外部特征权重优化,得到优化后的局部区域特征。
进一步,根据匹配结果和真实标签调整网络参数的损失函数计算公式如下:
上式中,w1和w2表示全局特征和局部特征的权重,h表示所选择的局部特征块的数量,fg表示全局特征,fp表示被增强后的局部特征,LID表示ID损失函数,LTri表示三元组损失函数;在三元组损失函数中,给定一组样本实例(a,p,n),其中a表示锚样本,p表示与锚样本具有相同真实标签的样本,n表示与锚样本具有不同真实标签的样本,α表示超参数,用于控制网络反向传播过程。
本发明所采用的第二技术方案是:一种局部-全局自适应引导增强的车辆重识别协同表示系统,包括:
预处理单元,对训练图像进行图像预处理并构建训练集;
网络训练单元,基于训练集对局部-全局自适应引导增强的车辆重识别协同表示网络进行训练,得到训练完备的局部-全局自适应引导增强的车辆重识别协同表示网络,所述局部-全局自适应引导增强的车辆重识别协同表示网络包括基于Vision Transformer的骨干网络模块和基于局部注意力引导的自适应优化特征编码模块;
检索匹配单元,获取待查询图像和图库集,并基于训练完备的局部-全局自适应引导增强的车辆重识别协同表示网络对待查询图像在图库集进行检索匹配,得到匹配结果。
本发明方法及系统的有益效果是:本发明提出的局部-全局自适应引导增强的车辆重识别方法及系统是一种端到端的车辆重识别方法。以高效的Vision Transformer作为骨干网络提取全局特征和局部特征,根据网络对图像各区域计算的注意力权重,筛选获取候选的局部重点关注区域特征;通过各局部区域与全局特征的独立结合与单独优化特征编码,局部细粒度特征被增强;并根据所选区域的注意力权重进行自适应权重计算,对各局部区域特征再次进行特征编码的优化,最终完整的特征表示被增强。进一步结合局部显著特征合作探索关键性可区分特征的方式,提高了车辆重识别的精确度。
附图说明
图1是本发明一种局部-全局自适应引导增强的车辆重识别方法的步骤流程图;
图2是本发明具体实施例局部-全局自适应引导增强的车辆重识别协同表示网络的结构框图;
图3是本发明具体实施例Transformer网络编码层内部的结构框图;
图4是本发明局部-全局自适应引导增强的车辆重识别协同表示系统的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
如图1所示,本发明提供了一种局部-全局自适应引导增强的车辆重识别方法,本发明提出的局部-全局自适应引导增强的车辆重识别协同表示网络是一种快速高效的车辆重识别方法,能够较好的适用于不同场景的应用或开发过程中,该方法包括以下步骤:
S1、对训练图像进行图像预处理并构建训练集;
具体地,H和W分别表示车辆图像的宽度和高度,C代表车辆图像通道数。
S1.2、对训练图像进行尺寸调整,得到调整后的训练图像;
具体地,数据增强方式包括随机水平翻转、填充、随机裁剪和随机擦除。
S1.4、结合增强后的训练图像及其对应的真实标签构建训练集。
S2、基于训练集对局部-全局自适应引导增强的车辆重识别协同表示网络进行训练,得到训练完备的局部-全局自适应引导增强的车辆重识别协同表示网络;所述局部-全局自适应引导增强的车辆重识别协同表示网络包括基于Vision Transformer的骨干网络模块和基于局部注意力引导的自适应优化特征编码模块,网络结构框图参照图2;
S2.1、将训练集输入至局部-全局自适应引导增强的车辆重识别协同表示网络;
S2.2、基于Vision Transformer的骨干网络模块,对输入图像进行网格化局部小区域块划分,并提取全局特征和局部特征;
S2.2.1、通过输入编码子模块对输入图像进行网格化的各局部小区域块划分,形成一维向量序列输入;
具体地,输入编码子模块包括一个对输入训练图像进行网格化区域划分的二维卷积层,其卷积核大小为16×16,步长为16,并将图像特征维度映射到768维,得到一个大小为768×16×16的训练块,然后该训练块被展平为768×256,并添加一个可学习的全局块去学习全局特征,再对应加上一个一维可学习的位置编码信息特征作为最终的一维向量序列输入形式的训练块。最终输入的形式为:
S2.2.2、特征提取子模块利用多个Transformer编码层对一维向量序列输入进行全局特征提取和局部小区域块的局部特征提取。
具体地,特征提取子模块包括11个Transformer网络的编码层,提取全局特征和所有局部小区域块相应的局部特征。
Transformer网络最早在自然语言处理任务中提出应用。最近迁移到计算机视觉领域中应用获得较好的效果。Transformer网络基于自注意力机制,网络整体结构中没有下采样的操作,内部全连接的方式可保留更多特征信息;另外,其可以构建长距离输入之间的关系,因此具备较强的特征提取能力。本发明采用11个Transformer网络的编码层,具体地,Transformer网络编码层内部的结构框图参照图3。一个编码层由一个多头自注意力模块和和一个全连接模块组成,并通过残差方式连接。具体地,给定上述完成输入编码模块处理的一维向量形式输入首先经过一个层归一化(LN)的操作归纳统一样本的统计分布性,随后利用多头自注意力模块对网络特征进行提取。具体地,单头自注意力机制通过一组权值矩阵[WQ,WK,WV]将输入X转变成为计算注意力值所需的Query(Q)、Keys(K)、Values(V)向量为:
Q=X×WQ,K=X×WK,V=X×WV
经自注意力机制公式的计算得到注意力值,
上式中,softmax函数将注意力权重值进行标准归一化。
而多头自注意力机制通过采用多组权值矩阵[WQ,WK,WV]得到多组不同的Q、K、V向量,扩展了模型并行关注不同输入位置信息的能力,则可在训练过程中得到更完备的特征信息。获取得到注意力值后通过一个权重WO将所有头中计算的注意力值在对应维度上按权重计算融合,
MHSAttention(Q,K,V)=concat(head1,head2,…,headh)WO
headi=Attention(QWi Q,KWi K,VWi V),i∈1,2,…,h
上式中,h代表头的数量,本发明中采用12个头的自注意力机制模块。
得到上述计算的注意力值后,会再次进行层归一化操作。随后送入一个多层感知机(MLP)网络得到与输入相同维度的特征输出。具体地,该网络包括两个全连接(FullyConnected)层,采用GELU激活函数避免训练计算过程中梯度消失的问题。
经过11个Transformer编码层的计算,可以得到全局特征和对应一维向量序列输入划分的各小区域块的局部特征为:
上式中,Fclass表示全局特征,[F0,F1,…,F256]表示所有的局部特征。
S2.3、基于局部注意力引导的自适应优化特征编码模块,根据局部小区域块对应的注意力权重选择候选局部特征并进行优化,得到优化后的局部区域特征;
S2.3.1、区域选择子模块根据编码层的权重筛选重点区域,获取对应小区域块的索引及局部特征,得到候选局部特征;
具体地,对输入车辆图像进行网格化小区域块划分处理,不是所有的小区域块都包含目标车辆图像,也不是所有的小区域块都具备独立的可区分特征。为了避免图像中背景信息的干扰以及获得最可区分的特征,本发明利用重点关注区域选择模块进行候选局部区域的选择。在ViT提取特征的过程中,会得到各编码层的各个注意力头产生的注意力权重图,且对应输入的网格化局部小区域块,
上式中,L表示使用的Transformer编码层数,h表示每层编码层所使用的注意力头数,N表示网格化局部小区域块的数量。
综合考虑特征信息权重在所有编码层中的传递变化,低层的网络层对图像纹理特征关注更多,而层数的增加逐渐关注到高级的语义信息特征,为使网络学习选择到更完备且合理的局部关注区域,对每个注意力头的所有层的权重进行矩阵乘积操作,
对于afinal中每一个头的注意力权重最终计算结果进行排序,选取每一个头中注意力最大的局部小区域块作为候选的局部关注区域,并得到对应的索引为:
index=[A1,A2,…,Ah]
根据得到的局部小区域块索引矩阵则可得到对应的候选局部特征。
S2.3.2、局部引导特征学习子模块将候选局部特征与全局特征进行单独结合后进行候选局部特征的内部编码优化。
具体地,所筛选的局部小区域块在不同注意力头中关注的特征信息有所差异,为最大化突出各局部显著区域的独特性的特征并增强与全局特征之间的关系,对所筛选的局部小区域块特征和全局特征进行单独结合,分别使用一个Transformer编码层构建全局特征和各局部特征的关系及进行的特征编码优化,以内部特征优化的方式增强各个局部特征在全局特征中的表示,最终得到突出重点局部区域的特征。
S2.3.3、根据候选局部特征的注意力权重,利用softmax归一化函数自适应生成候选局部区域对应的外部权重,进行候选局部区域外部特征权重优化,得到优化后的局部区域特征。
具体地,重点关注区域选择模块依据ViT所有编码层的注意力权重筛选得到局部重点关注区域,为进一步平衡最终特征表示中的局部区域特征,根据所选区域的所有层及所有头累乘的权重,利用softmax归一化函数进行权重归一化操作,以自适应学习所选各局部区域所占权重矩阵W,以外层特征编码优化的方式自适应调整增强不同局部区域在最终特征表示中的权重,以最大化突出局部重点可区分特征;
W=[w1,w2,…,wh]
=softmax([aA1,aA2,…,aAh])
S2.4、将全局特征与重点局部区域特征经过批归一化操作后进行拼接融合,得到完整特征表示;
S2.5、根据完整特征表示进行检索匹配,得到匹配结果;
具体地,得到所有局部增强后的特征,全局特征与局部增强后的特征分别经过一个批归一化(BN)层,在维度层面进行拼接融合,得到最终完整的特征表示进行检索匹配,获得匹配结果。
S2.6、根据匹配结果和真实标签调整网络参数,得到训练完备的局部-全局自适应引导增强的车辆重识别协同表示网络。
上式中,w1和w2表示全局特征和局部特征的权重,本发明中设置为1和1。H表示所选择的局部特征块的数量fg表示全局特征,fp表示全局特征,LID表示ID损失函数,LTri表示三元组损失函数,在减小类内差异性和增大类间差异性方面表现出较好的性能。在三元组损失函数中,给定一组样本实例(a,p,n),其中a表示锚样本,p表示与锚样本具有相同真实标签的样本,n表示与锚样本具有不同真实标签的样本,α是超参数,用于控制网络反向传播过程,本发明中设置为0.3。
S3、获取待查询图像和图库集,并基于训练完备的局部-全局自适应引导增强的车辆重识别协同表示网络对待查询图像在图库集进行检索匹配,得到匹配结果。
如图4所示,一种局部-全局自适应引导增强的车辆重识别系统,包括:
预处理单元,对训练图像进行图像预处理并构建训练集;
网络训练单元,基于训练集对局部-全局自适应引导增强的车辆重识别协同表示网络进行训练,得到训练完备的局部-全局自适应引导增强的车辆重识别协同表示网络,所述局部-全局自适应引导增强的车辆重识别协同表示网络包括基于Vision Transformer的骨干网络模块和基于局部注意力引导的自适应优化特征编码模块;
检索匹配单元,获取待查询图像和图库集,并基于训练完备的局部-全局自适应引导增强的车辆重识别协同表示网络对待查询图像在图库集进行检索匹配,得到匹配结果。
上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
一种局部-全局自适应引导增强的车辆重识别装置:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如上所述一种局部-全局自适应引导增强的车辆重识别方法。
上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
一种存储介质,其中存储有处理器可执行的指令,其特征在于:所述处理器可执行的指令在由处理器执行时用于实现如上所述一种局部-全局自适应引导增强的车辆重识别方法。
上述方法实施例中的内容均适用于本存储介质实施例中,本存储介质实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (7)
1.局部-全局自适应引导增强的车辆重识别方法,其特征在于,包括以下步骤:
对训练图像进行图像预处理并构建训练集;
基于训练集对局部-全局自适应引导增强的车辆重识别协同表示网络进行训练,得到训练完备的局部-全局自适应引导增强的车辆重识别协同表示网络;
所述局部-全局自适应引导增强的车辆重识别协同表示网络包括基于VisionTransformer的骨干网络模块和基于局部注意力引导的自适应优化特征编码模块;
获取待查询图像和图库集,并基于训练完备的局部-全局自适应引导增强的车辆重识别协同表示网络对待查询图像在图库集进行检索匹配,得到匹配结果。
2.根据权利要求1所述一种局部-全局自适应引导增强的车辆重识别方法,其特征在于,所述对训练图像进行图像预处理并构建训练集这一步骤,其具体包括:
获取训练用的车辆图像,得到训练图像;
对训练图像进行尺寸调整,得到调整后的训练图像;
对调整后的训练图像进行数据增强,得到增强后的训练图像;
结合增强后的训练图像及其对应的真实标签构建训练集。
3.根据权利要求2所述一种局部-全局自适应引导增强的车辆重识别方法,其特征在于,所述基于训练集对局部-全局自适应引导增强的车辆重识别协同表示网络进行训练,得到训练完备的局部-全局自适应引导增强的车辆重识别协同表示网络这一步骤,其具体包括:
将训练集输入至局部-全局自适应引导增强的车辆重识别协同表示网络;
基于VisionTransformer的骨干网络模块,对输入图像进行网格化局部小区域块划分,并提取全局特征和局部特征;
基于局部注意力引导的自适应优化特征编码模块,根据局部小区域块对应的注意力权重选择候选局部特征并进行优化,得到优化后的局部区域特征;
将全局特征与重点局部区域特征经过批归一化操作后进行拼接融合,得到完整特征表示;
根据完整特征表示进行检索匹配,得到匹配结果;
根据匹配结果和真实标签调整网络参数,得到训练完备的局部-全局自适应引导增强的车辆重识别协同表示网络。
4.根据权利要求3所述一种局部-全局自适应引导增强的车辆重识别方法,其特征在于,所述基于VisionTransformer的骨干网络模块包括输入编码子模块和特征提取子模块,所述对输入图像进行网格化局部小区域块划分,并提取全局特征和局部特征这一步骤,其具体包括:
通过输入编码子模块对输入图像进行网格化的各局部小区域块划分,形成一维向量序列输入;
特征提取子模块利用多个Transformer编码层对一维向量序列输入进行全局特征提取和局部小区域块的局部特征提取。
5.根据权利要求4所述一种局部-全局自适应引导增强的车辆重识别方法,其特征在于,所述基于局部注意力引导的自适应优化特征编码模块,根据局部小区域块对应的注意力权重选择候选局部特征并进行优化,得到优化后的局部区域特征这一步骤,其具体包括:
区域选择子模块根据编码层的权重筛选重点区域,获取对应小区域块的索引及局部特征,得到候选局部特征;
局部引导特征学习子模块将候选局部特征与全局特征进行单独结合后进行候选局部特征的内部编码优化;
根据候选局部特征的注意力权重,利用softmax归一化函数自适应生成候选局部区域对应的外部权重,进行候选局部区域外部特征权重优化,得到优化后的局部区域特征。
7.局部-全局自适应引导增强的车辆重识别系统,其特征在于,包括:
预处理单元,对训练图像进行图像预处理并构建训练集;
网络训练单元,基于训练集对局部-全局自适应引导增强的车辆重识别协同表示网络进行训练,得到训练完备的局部-全局自适应引导增强的车辆重识别协同表示网络,所述局部-全局自适应引导增强的车辆重识别协同表示网络包括基于VisionTransformer的骨干网络模块和基于局部注意力引导的自适应优化特征编码模块;
检索匹配单元,获取待查询图像和图库集,并基于训练完备的局部-全局自适应引导增强的车辆重识别协同表示网络对待查询图像在图库集进行检索匹配,得到匹配结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211554656.9A CN115909036A (zh) | 2022-12-06 | 2022-12-06 | 局部-全局自适应引导增强的车辆重识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211554656.9A CN115909036A (zh) | 2022-12-06 | 2022-12-06 | 局部-全局自适应引导增强的车辆重识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115909036A true CN115909036A (zh) | 2023-04-04 |
Family
ID=86470873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211554656.9A Pending CN115909036A (zh) | 2022-12-06 | 2022-12-06 | 局部-全局自适应引导增强的车辆重识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115909036A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116311106A (zh) * | 2023-05-24 | 2023-06-23 | 合肥市正茂科技有限公司 | 一种遮挡图像识别模型的训练方法、装置、设备及介质 |
CN117952869A (zh) * | 2024-03-27 | 2024-04-30 | 西南石油大学 | 一种基于弱光图像增强的钻井液岩屑计数方法 |
-
2022
- 2022-12-06 CN CN202211554656.9A patent/CN115909036A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116311106A (zh) * | 2023-05-24 | 2023-06-23 | 合肥市正茂科技有限公司 | 一种遮挡图像识别模型的训练方法、装置、设备及介质 |
CN116311106B (zh) * | 2023-05-24 | 2023-08-22 | 合肥市正茂科技有限公司 | 一种遮挡图像识别模型的训练方法、装置、设备及介质 |
CN117952869A (zh) * | 2024-03-27 | 2024-04-30 | 西南石油大学 | 一种基于弱光图像增强的钻井液岩屑计数方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hou et al. | Cross attention network for few-shot classification | |
CN111783705B (zh) | 一种基于注意力机制的文字识别方法及系统 | |
CN110866140A (zh) | 图像特征提取模型训练方法、图像搜索方法及计算机设备 | |
CN115909036A (zh) | 局部-全局自适应引导增强的车辆重识别方法及系统 | |
CN111680176A (zh) | 基于注意力与双向特征融合的遥感图像检索方法及系统 | |
CN112329760A (zh) | 基于空间变换网络端到端印刷体蒙古文识别翻译的方法 | |
CN113780149A (zh) | 一种基于注意力机制的遥感图像建筑物目标高效提取方法 | |
CN115171165A (zh) | 全局特征与阶梯型局部特征融合的行人重识别方法及装置 | |
CN113159023A (zh) | 基于显式监督注意力机制的场景文本识别方法 | |
CN111310766A (zh) | 基于编解码和二维注意力机制的车牌识别方法 | |
CN113723366B (zh) | 一种行人重识别方法、装置及计算机设备 | |
CN115222998B (zh) | 一种图像分类方法 | |
CN114973222A (zh) | 基于显式监督注意力机制的场景文本识别方法 | |
CN117152416A (zh) | 一种基于detr改进模型的稀疏注意力目标检测方法 | |
CN115858847A (zh) | 基于跨模态注意力保留的组合式查询图像检索方法 | |
Fan et al. | A novel sonar target detection and classification algorithm | |
CN116129174A (zh) | 基于特征细化自监督学习的广义零样本图像分类方法 | |
Khan et al. | Convolutional neural network | |
CN116597267B (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN117011943A (zh) | 基于多尺度自注意力机制的解耦的3d网络的动作识别方法 | |
CN108960005A (zh) | 一种智能视觉物联网中对象视觉标签的建立及显示方法、系统 | |
CN116503753A (zh) | 一种基于多模态空域变换网络的遥感图像场景分类方法 | |
Liu et al. | Deep convolutional neural networks for regular texture recognition | |
CN114821631A (zh) | 基于注意力机制与多尺度特征融合的行人特征提取方法 | |
CN107909091A (zh) | 一种基于稀疏低秩回归模型的图像记忆度预测方法 |
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 |