CN115984213A - 基于深度聚类的工业产品外观缺陷检测方法 - Google Patents
基于深度聚类的工业产品外观缺陷检测方法 Download PDFInfo
- Publication number
- CN115984213A CN115984213A CN202211709910.8A CN202211709910A CN115984213A CN 115984213 A CN115984213 A CN 115984213A CN 202211709910 A CN202211709910 A CN 202211709910A CN 115984213 A CN115984213 A CN 115984213A
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- clustering
- convolution
- normal
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及计算机视觉技术领域,具体的说是基于深度聚类的工业产品外观缺陷检测方法,通过在工业中易于收集的正常图像数据集中训练,将正常图像利用卷积神经网络提取的高级特征在特征空间中自适应聚类,克服了现有的一类分类器没有考虑不同正常区域之间的差异,提升了模型对于正常区域特征的建模能力,进而提升产品外观缺陷检测的效果和检测精度,同时融入了伪缺陷机制,充分学习与正常区域分布有明显差异的区域,降低方法的误检率,使得该方法有更低的误报率和更高的泛化能力,本发明对于不同场景的泛化能力很强,同时保持很低的计算开销,可以实现实时且高精度的工业产品外观缺陷检测。
Description
技术领域
本发明涉及一种基于深度聚类的工业产品外观缺陷检测方法,属于计算机视觉技术领域。
背景技术
在工业流水线生产中对于产品质量的把关是很重要的,为了应对未来对检测精度和效率的更高要求,越来越多的工厂采用自动化检测机器对产品外观进行缺陷检测,因此设计出高检测精度且低计算开销的外观缺陷检测方法对于提高生产效率和降低能耗是非常必要的;然而,目前对于工业产品外观缺陷检测的方法主要有三种:(1)基于图像重构的外观缺陷检测方法,在这种方法中,首先在正常图像数据集上训练一个卷积自动编码器,然后利用对缺陷区域的重构误差进行缺陷检测,但是由于神经网络强大的泛化能力,模型可能会较好的重构出缺陷区域,因此检测精度下降;(2)基于深度一类分类器的外观缺陷检测方法,在这种方法中,利用卷积神经网络提取正常图像的高级特征,在特征空间中找到一个紧凑的超球体将全部正常样本包含在内,然后利用超球面作为异常与正常区域的决策边界,这种方法强行将所有正常区域划分为一类,没有考虑正常区域之间的差异,导致学习难度相当大,较难收敛到一个较好的状态;(3)基于知识蒸馏的外观缺陷检测方法,在这种方法中,首先利用一个规模较大的教师模型在大量自然图像中进行预训练,然后将待检测数据领域中的正常图像对应的知识蒸馏到一个小规模的学生模型中,利用图像在教师模型和学生模型之间的预测差异进行缺陷检测,这种方法对于预训练数据集和待检测数据集之间域的差异很敏感,因此在不同场景的检测精度方差较大,有鉴于此特提出本发明。
发明内容
本发明的目的就在于为了解决上述问题而提供基于深度聚类的工业产品外观缺陷检测方法,具有用于解决现有的基于深度一类分类器的算法中,强行将所有正常图像区域归为一类导致的对正常区域的建模能力不充分,以及没有考虑异常样本与正常样本之间的差异,导致误检率较高,检测精度不足的问题。
本发明通过以下技术方案来实现上述目的,基于深度聚类的工业产品外观缺陷检测方法,包括以下步骤:(1)构建一个图像特征提取器:构建一个10层的卷积神经网络,其结构依次为:图像输入层→第一卷积层→第一归一化层→第一激活函数层→第二卷积层→第二归一化层→第二激活函数层→第一下采样层组合→第二下采样层组合→第三下采样层组合→第四下采样层组合→图像特征输出层;设置卷积神经网络中每层的参数为:卷积层中的卷积核大小均设置为3×3,卷积步长均设置为1,卷积核的个数均为64;第一、二激活函数层均采用ReLU函数实现;每个下采样层组合的结构依次为:第一最大池化层→第一卷积层→第一归一化层→第一激活函数层→第二卷积层→第二归一化层→第二激活函数层;所述每个下采样层组合中的最大池化层的池化卷积核大小均设置为2×2,池化步长均设置2;卷积层的卷积核大小均设置为3×3,卷积步长均设置为1,卷积核的个数分别为128,256,512,512;激活函数层均采用ReLU函数实现。
(2)初始化图像特征提取器:将图像特征提取网络中所有的卷积层和归一化层的权重初始化为满足正态分布的随机值;其中,所述正态分布的均值为0,标准差为0.02。
(3)自适应初始化聚类中心:利用步骤(2)中初始化完成的图像特征提取器提取所有正常图像块的高级特征,并利用KMeans算法对特征进行聚类,得到最佳的聚类中心及其数量。
(4)生成伪缺陷图像:
(4a)随机选择一张自然图像,然后利用随机旋转,随机饱和度变换,随机亮度变化,随机高斯噪声,随机锐化进行图像数据增强。
(4b)利用柏林噪声分布生成一张随机噪声图像,然后对其进行二值化得到一个mask,并对(4a)中的图像进行过滤得到最终的伪缺陷图像,将训练集图像和伪缺陷图像线性加权综合得到最终的训练数据。
(5)对深度聚类网络进行训练:
(5a)将带有伪缺陷的图像送入图像特征提取网络中,得到对应的块级别的高级特征;
(5b)根据图像块对应的标签,计算正常块对应的特征与其最近聚类中心的欧式距离,并将其作为负样本损失;计算伪缺陷块对应特征跟所有聚类中心的欧式距离平均值,将其取相反数并添加一个距离参数,计算铰链损失作为正样本损失;
(5c)将正样本损失和负样本损失利用两个系数加权相加作为最终的损失,然后利用梯度下降法对损失进行反向传播,计算所有卷积层,归一化层,聚类中心的梯度,使用Adam优化器对网络的所有参数和聚类中心进行迭代更新,所述Adam优化器的初始化学习率伪0.0002。
(6)判断深度聚类网络损失函数是否收敛,若是,则执行步骤(7),否则,执行步骤(5);
(7)完成深度聚类网络的训练,得到训练好的网络权重,保存训练好的深度聚类网络中所有参数和聚类中心;
(8)对工业产品外观缺陷进行检测:
进一步的,利用训练好的图像特征提取器提取待检测图像所有块的高级特征,然后计算每一个图像块高级特征与其最近聚类中心的欧式距离,并取当前图像中所有块距离中的最大值作为异常得分,若该异常得分超过设定阈值,则判断该产品中存在缺陷,否则,判断该产品没有缺陷。
本发明的技术效果和优点:
1、本发明构建了一个深度聚类网络,提取正常产品外观图像的高级特征,并将其进行自适应聚类,多聚类中心的相似性学习保证了正常特征非常紧凑,克服了现有的一类分类器没有考虑不同正常区域之间的差异,将所有正常区域归为一类导致的正常特征建模不充分问题,本发明将不同区域的特征聚集到多个中心,可以自适应的对不同区域的多种正常特征进行有效建模,进而提升产品外观缺陷检测的效果。
2、本发明引入了一个伪缺陷机制,在学习正常区域类内紧凑性的同时,可以保证与正常区域差异较大的区域更够远离所有的聚类中心,在特征空间拉远正常与异常区域的距离,使得该方法有更低的误报率和更高的泛化能力。
附图说明
图1为本发明的图像特征提取网络结构示意图;
图2为本发明的中的下采样层组合结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-2所示,基于深度聚类的工业产品外观缺陷检测方法,包括以下步骤:步骤1.构建一个图像特征提取网络,参照附图1,对图像特征提取网络的具体结构作进一步的描述:构建一个10层卷积神经网络结构依次为:图像输入层→第一卷积层→第一归一化层→第一激活函数层→第二卷积层→第二归一化层→第二激活函数层→第一下采样层组合→第二下采样层组合→第三下采样层组合→第四下采样层组合→图像特征输出层;设置卷积神经网络中每层的参数为:卷积层中的卷积核大小均设置为3×3,卷积步长均设置为1,卷积核的个数均为64;第一、二激活函数层均采用ReLU函数实现。
参照附图2对图像特征提取网络中下采样层组合的具体结构作进一步的描述:每个下采样层组合的结构依次为:第一最大池化层→第一卷积层→第一归一化层→第一激活函数层→第二卷积层→第二归一化层→第二激活函数层;每个下采样层组合中的最大池化层的池化卷积核大小均设置为2×2,池化步长均设置2;卷积层的卷积核大小均设置为3×3,卷积步长均设置为1,卷积核的个数分别为128,256,512,512;激活函数层均采用ReLU函数实现。
步骤2.初始化图像特征提取网络:将特征提取网络中所有的卷积层和归一化层的权重初始化为满足正态分布的随机值;其中,正态分布的均值为0,标准差为0.02。
步骤3.初始化聚类中心:利用步骤(2)中的图像特征提取器提取所有正常图像块的高级特征,并利用KMeans算法对特征进行聚类,得到最佳的聚类中心及其数量,并初始化待训练的聚类中心C={C1,C2,......CK}
步骤4.生成伪缺陷图像:随机选择一张自然图像,利用随机旋转,随机饱和度变换,随机亮度变化,随机高斯噪声,随机锐化进行图像数据增强。然后,利用柏林噪声分布生成一张随机噪声图像,然后对其进行二值化得到一个mask,并利用该mask对增强的自然图像进行过滤得到伪缺陷图像,最终,伪缺陷图像随机与训练数据集图像进行线性加权融合得到最终训练数据。
步骤5.对深度聚类网络进行训练:
第2步,利用图像特征提取网络提取训练数据的高级特征P={P1,P2,......Pn}
,rs是特征高度,cs是特征宽度,d是特征通道数,其中rs=h/16,cs=w/16。Pi相比于Ii已经降采样,所以Pi的像素特征对应Ii的一个图像块,此处将Pi,j记作上述的任意图像块对应的高级特征,
第3步,计算深度聚类网络的损失值,训练损失对于正常图像块与伪缺陷图像块分为以下两部分:Ln是Pi,j为正常区域时的损失,需要注意的是参与反向传播的Ck为所有C中距离Pi,j最近的,目的是拉近Pi,j与其距离最近聚类中心的距离
La是Pi,j为伪缺陷区域时的损失,这是一个hinge loss,目的让Pi,j远离所有聚类中心,学习与正常区域之间的差异,λ是一个距离超参数,且λ=1。
L=α×y×La+β×(1-y)×Ln
L对于任意Pi,j的最终损失,其中y是Pi,j真实的标签,y=1表示Pi,j是伪缺陷区域,y=0表示Pi,j是正常区域,a和β是平衡正负样本之间的超参数,且α=5,β=1。
利用梯度下降法将网络的损失值反向传播,计算网络每个卷积层和归一化层的梯度,聚类中心的梯度,最后使用Adam优化器对网络的每个卷积层和归一化层的参数,以及聚类中心进行迭代更新;Adam优化器的初始学习率为0.0002。
步骤6.判断深度聚类网络损失函数是否收敛,若是,则执行步骤7,否则,执行步骤5。
步骤7.完成深度聚类网络的训练,得到训练好的网络权重和聚类中心。
步骤8.对工业产品外观缺陷进行检测。
当遇到待检测图片的时候,只需要利用图像特征提取网络提取原始图像的高级特征Pi,j,然后计算Pi,j跟所有聚类中心Ck之间距离的最小值,并对全部Pi,j取最大值即可,具体公式如下:
下面结合仿真实验对本发明的效果做进一步的说明:
1.仿真实验条件:
本发明的仿真实验的硬件平台为:处理器为I nte l(R)Core i 7-10700k CPU,主频为3.8GHz,内存为32GB、显卡为NVI D IA GeForce RTX 3090。
本发明的仿真实验的软件平台为:Ubuntu 18.04操作系统,python3.6,PyTorch1.7.0。
2.仿真内容及仿真结果分析:
本发明仿真实验中生成训练集和测试集时,使用了公开的标准数据集MVTec-AD,共15种工业产品,包括物体和纹理的外观缺陷检测,其中3629张图片用于训练与验证,1725张用于测试。
本发明仿真实验是采用本发明和三个现有技术(基于多尺度记忆单元的外观缺陷检测检测方法DAAD、基于一类分类器的外观缺陷检测方法DSVDD、基于多分辨率知识蒸馏的外观缺陷检测方法MKDAD)分别对测试集中的1725张工业产品外观图片进行缺陷检测。
在仿真实验中,采用的三个现有技术是指:
现有技术基于多尺度记忆单元的外观缺陷检测检测方法是指,J i n l e i Hou等人在其发表的论文“Di v i de-and-Assemb l e:Learn i ng B l ock-wi se Memoryfor Unsupervi sed Anoma l y Detect i on”(Proceed i ngs of the I EEEConference on Computer Vi s i on and Pattern Recogn i t i on,2021)中提出的外观缺陷检测方法。
现有技术基于一类分类器的外观缺陷检测方法是指,Lukas Ruff等人在其发表的论文“Deep One-C l ass C l ass i f i cat i on”(Proceed i ngs of Mach i neLearn i ng Research)中提出外观缺陷检测方法。
现有技术基于多分辨率知识蒸馏的外观缺陷检测方法是指,Mohammadreza Sa leh i等人在其发表的论文“Mu l t i reso l ut i on Knowl edge Di st i l l at i onfor Anoma l y Detect i on”(Proceed i ngs of the I EEE Conference on ComputerVi s i on and Pattern Recogn it i on,2021)中提出的外观缺陷检测方法。
为了对本发明仿真结果的效果进行评估,本发明采用AUROC作为性能评价指标与现有的三种技术进行对比,对比结果如表1所示。
从表1中可以看出本发明方法在MVTec-AD数据集上AUROC均值为98.0%,高于3种现有技术方法,证明本方法可以更有效地检测工业产品外观中的缺陷。
基于一个正常产品外观中不同区域的特征差异较大的特点,提出将不同区域自适应的聚类到多个中心,加强每一类特征的紧凑性,提高了模型对于不同正常区域的建模能力和泛化能力。
表1本发明和三个现有技术AUC值的对比表
以上仿真实验表明:本发明构建的深度聚类网络,可以通过自适应多中心聚类的形式,增强了模型对于工业产品外观正常区域特征的建模能力,降低了学习的难度,伪缺陷机制也增大了异常区域与正常区域的差异性,降低了误报率,缓解了现有一类分类器方法强行将全部正常区域归为一类,而不考虑正常区域之间差异的问题,从而提高了工业产品外观缺陷检测的精度,同时轻量化的网络也保证了该方法检测的实时性。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (8)
1.基于深度聚类的工业产品外观缺陷检测方法,包括,其特征在于:所述基于深度聚类的工业产品外观缺陷检测方法的具体步骤包括如下:
(1)构建一个图像特征提取器;
(2)初始化图像特征提取器:将图像特征提取网络中所有的卷积层和归一化层的权重初始化为满足正态分布的随机值,其中,所述正态分布的均值为0,标准差为0.02;
(3)自适应初始化聚类中:利用步骤(2)中初始化完成的图像特征提取器提取所有正常图像块的高级特征,并利用KMeans算法对特征进行聚类,得到最佳的聚类中心及其数量;
(4)生成伪缺陷图像;
(5)对深度聚类网络进行训练;
(6)判断深度聚类网络损失函数是否收敛,若是,则执行步骤(7),否则,执行步骤(5);
(7)完成深度聚类网络的训练,得到训练好的网络权重,保存训练好的深度聚类网络中所有参数和聚类中心;
(8)对工业产品外观缺陷进行检测:首先,利用训练好的图像特征提取器提取待检测图像所有块的高级特征,然后计算每一个图像块高级特征与其最近聚类中心的欧式距离,并取当前图像中所有块距离中的最大值作为异常得分,若该异常得分超过设定阈值,则判断该产品中存在缺陷,否则,判断该产品没有缺陷。
2.根据权利要求1所述的基于深度聚类的工业产品外观缺陷检测方法,其特征在于:所述构建一个图像特征提取器包括构建一个10层的卷积神经网络,其结构依次为:图像输入层→第一卷积层→第一归一化层→第一激活函数层→第二卷积层→第二归一化层→第二激活函数层→第一下采样层组合→第二下采样层组合→第三下采样层组合→第四下采样层组合→图像特征输出层;设置卷积神经网络中每层的参数为:卷积层中的卷积核大小均设置为3×3,卷积步长均设置为1,卷积核的个数均为64;第一、二激活函数层均采用ReLU函数实现;每个下采样层组合的结构依次为:第一最大池化层→第一卷积层→第一归一化层→第一激活函数层→第二卷积层→第二归一化层→第二激活函数层;所述每个下采样层组合中的最大池化层的池化卷积核大小均设置为2×2,池化步长均设置2;卷积层的卷积核大小均设置为3×3,卷积步长均设置为1,卷积核的个数分别为128,256,512,512;激活函数层均采用ReLU函数实现。
3.根据权利要求1所述的基于深度聚类的工业产品外观缺陷检测方法,其特征在于:所述生成伪缺陷图像步骤为:(4a)随机选择一张自然图像,然后利用随机旋转,随机饱和度变换,随机亮度变化,随机高斯噪声,随机锐化进行图像数据增强;(4b)利用柏林噪声分布生成一张随机噪声图像,然后对其进行二值化得到一个mask,并利用该mask对(4a)中的图像进行过滤得到最终的伪缺陷图像,将训练集图像和伪缺陷图像线性加权综合得到最终的训练数据。
4.根据权利要求1所述的基于深度聚类的工业产品外观缺陷检测方法,其特征在于:所述对深度聚类网络进行训练的步骤为:(5a)将带有伪缺陷的图像送入图像特征提取网络中,得到对应的块级别的高级特征;(5b)根据图像块对应的标签,计算正常块对应的特征与其最近聚类中心的欧式距离,并将其作为负样本损失;计算伪缺陷块对应特征跟所有聚类中心的欧式距离平均值,将其取相反数并添加一个距离参数,计算铰链损失作为正样本损失;(5c)将正样本损失和负样本损失利用两个系数加权相加作为最终的损失,然后利用梯度下降法对损失进行反向传播,计算所有卷积层,归一化层,聚类中心的梯度,使用Adam优化器对网络的所有参数和聚类中心进行迭代更新,所述Adam优化器的初始化学习率为0.0002。
5.根据权利要求4所述的基于深度聚类的工业产品外观缺陷检测方法,其特征在于:所述(5b)中正样本损失函数如下
7.根据权利要求4所述的基于深度聚类的工业产品外观缺陷检测方法,其特征在于:所述(5c)中完整损失函数如下L=α×y×La+β×(1-y)×Ln,L对于任意Pi,j的完整损失,其中y是Pi,j真实的标签,y=1表示Pi,j是伪缺陷区域,y=0表示Pi,j是正常区域,a和β是平衡正负样本之间的超参数,其中α=5,β=1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211709910.8A CN115984213A (zh) | 2022-12-29 | 2022-12-29 | 基于深度聚类的工业产品外观缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211709910.8A CN115984213A (zh) | 2022-12-29 | 2022-12-29 | 基于深度聚类的工业产品外观缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115984213A true CN115984213A (zh) | 2023-04-18 |
Family
ID=85959235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211709910.8A Pending CN115984213A (zh) | 2022-12-29 | 2022-12-29 | 基于深度聚类的工业产品外观缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115984213A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116432088A (zh) * | 2023-05-04 | 2023-07-14 | 常宝新材料(苏州)有限公司 | 一种复合光学薄膜层厚智能监测方法及系统 |
CN116664576A (zh) * | 2023-07-31 | 2023-08-29 | 厦门微图软件科技有限公司 | 一种电池外壳焊道的异常检测方法、装置以及设备 |
-
2022
- 2022-12-29 CN CN202211709910.8A patent/CN115984213A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116432088A (zh) * | 2023-05-04 | 2023-07-14 | 常宝新材料(苏州)有限公司 | 一种复合光学薄膜层厚智能监测方法及系统 |
CN116432088B (zh) * | 2023-05-04 | 2023-11-07 | 常宝新材料(苏州)有限公司 | 一种复合光学薄膜层厚智能监测方法及系统 |
CN116664576A (zh) * | 2023-07-31 | 2023-08-29 | 厦门微图软件科技有限公司 | 一种电池外壳焊道的异常检测方法、装置以及设备 |
CN116664576B (zh) * | 2023-07-31 | 2023-11-03 | 厦门微图软件科技有限公司 | 一种电池外壳焊道的异常检测方法、装置以及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084151B (zh) | 基于非局部网络深度学习的视频异常行为判别方法 | |
CN112733749B (zh) | 融合注意力机制的实时行人检测方法 | |
CN109657584B (zh) | 辅助驾驶的改进LeNet-5融合网络交通标志识别方法 | |
CN109063565B (zh) | 一种低分辨率人脸识别方法及装置 | |
CN115984213A (zh) | 基于深度聚类的工业产品外观缺陷检测方法 | |
CN111126202A (zh) | 基于空洞特征金字塔网络的光学遥感图像目标检测方法 | |
CN112734696B (zh) | 基于多域特征融合的换脸视频篡改检测方法及系统 | |
CN112766087A (zh) | 一种基于知识蒸馏的光学遥感图像舰船检测方法 | |
CN113723295B (zh) | 一种基于图像域频域双流网络的人脸伪造检测方法 | |
CN114821246A (zh) | 基于多层次残差网络感知和注意力机制的小目标检测方法 | |
CN110826609B (zh) | 一种基于强化学习的双流特征融合图像识别方法 | |
CN111325237B (zh) | 一种基于注意力交互机制的图像识别方法 | |
CN112800876A (zh) | 一种用于重识别的超球面特征嵌入方法及系统 | |
CN110826702A (zh) | 一种多任务深度网络的异常事件检测方法 | |
CN112232395B (zh) | 一种基于联合训练生成对抗网络的半监督图像分类方法 | |
CN115830531A (zh) | 一种基于残差多通道注意力多特征融合的行人重识别方法 | |
CN114693607A (zh) | 基于多域块特征标志点配准的篡改视频检测方法及系统 | |
CN112883931A (zh) | 基于长短期记忆网络的实时真假运动判断方法 | |
CN115240259A (zh) | 一种基于yolo深度网络的课堂环境下人脸检测方法及其检测系统 | |
CN110287981B (zh) | 基于生物启发性表征学习的显著性检测方法及系统 | |
CN115063664A (zh) | 用于工业视觉检测的模型学习方法、训练方法及系统 | |
CN110111365B (zh) | 基于深度学习的训练方法和装置以及目标跟踪方法和装置 | |
CN111242114B (zh) | 文字识别方法及装置 | |
CN116935292A (zh) | 一种基于自注意力模型的短视频场景分类方法及系统 | |
CN116311387A (zh) | 一种基于特征交集的跨模态行人重识别方法 |
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 |