CN116843988B - 一种基于深度学习的目标检测方法和系统 - Google Patents

一种基于深度学习的目标检测方法和系统 Download PDF

Info

Publication number
CN116843988B
CN116843988B CN202310761008.9A CN202310761008A CN116843988B CN 116843988 B CN116843988 B CN 116843988B CN 202310761008 A CN202310761008 A CN 202310761008A CN 116843988 B CN116843988 B CN 116843988B
Authority
CN
China
Prior art keywords
features
sample set
sampling
deep learning
biological
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
CN202310761008.9A
Other languages
English (en)
Other versions
CN116843988A (zh
Inventor
魏亮
谢玮
魏薇
彭志艺
张学阳
郑晓玲
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.)
China Academy of Information and Communications Technology CAICT
Original Assignee
China Academy of Information and Communications Technology CAICT
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 China Academy of Information and Communications Technology CAICT filed Critical China Academy of Information and Communications Technology CAICT
Priority to CN202310761008.9A priority Critical patent/CN116843988B/zh
Publication of CN116843988A publication Critical patent/CN116843988A/zh
Application granted granted Critical
Publication of CN116843988B publication Critical patent/CN116843988B/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
    • G06V10/77—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
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06V10/70—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
    • G06V10/82—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
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1347—Preprocessing; Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1365—Matching; Classification
    • 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)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于深度学习的目标检测方法和系统，通过先提取生物和时间维度特征，再在重点关注区域内提取深度学习特征。针对生物特征采用生物指纹匹配和滑动框二次采样；针对时间特征根据差异化结果重新定义采样窗，再次对深度学习和生物两种特征进行采样重组。计算两两特征样本集之间的差异值，不仅可以调整重点关注区域的范围，还可以判断是否分类成功，克服了现有技术需要引入注意力机制、抑制不相关背景的不足，实现检测的高效性和自动性。

Description

一种基于深度学习的目标检测方法和系统
技术领域
本申请涉及网络安全技术领域，尤其涉及一种基于深度学习的目标检测方法和系统。
背景技术
为了提高现有检测方法的检测能力，考虑引入注意力机制，从重点关注区域提取特征，抑制不相关的背景信息。目前还没有相关可实现的技术方案。
因此，急需一种针对性的基于深度学习的目标检测方法和系统。
发明内容
本发明的目的在于提供一种基于深度学习的目标检测方法和系统，解决现有需要引入注意力机制、抑制不相关背景的问题。
第一方面，本申请提供一种基于深度学习的目标检测方法，所述方法包括：
采集网络中不同类型的数据包，提取其中携带的生物特征和时间特征；
提取所述数据包的摘要和标识，输入机器学习模型，得出需要重点关注的数据包的指定区域；
在数据包的指定区域内提取特征，忽略非指定区域的特征，并优先提取数据包中包含的感知数据的特征，得到深度学习特征，所述感知数据来自于感知设备上报的数据；
对采集到的所述深度学习特征进行一次离散化处理，得到降维后的第一特征样本集；
对采集到的所述生物特征进行一次离散化采样，将采样值组成序列，与服务器中预先存储的若干生物指纹进行匹配，将符合匹配规则的若干生物指纹生成对应的若干滑动框，使用若干个所述滑动框对所述生物特征进行二次框内采样，重组二次框内采样的采样值，得到第二特征样本集；
对采集到的所述时间特征进行差异比较处理，根据差异度的大小划定不同的采样窗，使用所述采样窗再次对所述深度学习特征和生物特征进行采样，将采样后的采样值重组，得到第三特征样本集；
将所述第一特征样本集、第二特征样本集中的单个特征分别与所述第三特征样本集中的单个特征，依次计算两两之间的差异值；
当该差异值大于阈值时，判断为识别无效，将该差异值反馈给所述机器学习模型，调整需要重点关注的数据包的指定区域范围；
当该差异值小于等于阈值时，则认定为检测合格，选择所述第一特征样本集作为对象，输入识别模型，得到分类结果；
根据所述分类结果进行管控。
第二方面，本申请提供一种基于深度学习的目标检测系统，所述系统包括：
采集单元，用于采集网络中不同类型的数据包，提取其中携带的生物特征和时间特征；
关注度单元，用于提取所述数据包的摘要和标识，输入机器学习模型，得出需要重点关注的数据包的指定区域；
第一特征提取单元，用于在数据包的指定区域内提取特征，忽略非指定区域的特征，并优先提取数据包中包含的感知数据的特征，得到深度学习特征，所述感知数据来自于感知设备上报的数据；对采集到的所述深度学习特征进行一次离散化处理，得到降维后的第一特征样本集；
第二特征提取单元，用于对采集到的所述生物特征进行一次离散化采样，将采样值组成序列，与服务器中预先存储的若干生物指纹进行匹配，将符合匹配规则的若干生物指纹生成对应的若干滑动框，使用若干个所述滑动框对所述生物特征进行二次框内采样，重组二次框内采样的采样值，得到第二特征样本集；
第三特征提取单元，用于对采集到的所述时间特征进行差异比较处理，根据差异度的大小划定不同的采样窗，使用所述采样窗再次对所述深度学习特征和生物特征进行采样，将采样后的采样值重组，得到第三特征样本集；
计算单元，用于将所述第一特征样本集、第二特征样本集中的单个特征分别与所述第三特征样本集中的单个特征，依次计算两两之间的差异值；
分类单元，用于当该差异值大于阈值时，提示识别无效，将该差异值反馈给所述机器学习模型，调整需要重点关注的数据包的指定区域范围；
当该差异值小于等于阈值时，提示检测合格，选择所述第一特征样本集作为对象，输入识别模型，得到分类结果；
执行单元，用于根据所述分类结果进行管控。
第三方面，本申请提供一种基于深度学习的目标检测系统，所述系统包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行第一方面四种可能中任一项所述的方法。
第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面四种可能中任一项所述的方法。
有益效果
本发明提供一种基于深度学习的目标检测方法和系统，通过先提取生物和时间维度特征，再在重点关注区域内提取深度学习特征。针对生物特征采用生物指纹匹配和滑动框二次采样；针对时间特征根据差异化结果重新定义采样窗，再次对深度学习和生物两种特征进行采样重组。计算两两特征样本集之间的差异值，不仅可以调整重点关注区域的范围，还可以判断是否分类成功，克服了现有技术需要引入注意力机制、抑制不相关背景的不足，实现检测的高效性和自动性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于深度学习的目标检测方法的大致流程图；
图2为本发明基于深度学习的目标检测系统的架构图。
具体实施方式
下面结合附图对本发明的优选实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
图1为本申请提供的基于深度学习的目标检测方法的大致流程图，所述方法包括：
采集网络中不同类型的数据包，提取其中携带的生物特征和时间特征；
提取所述数据包的摘要和标识，输入机器学习模型，得出需要重点关注的数据包的指定区域；
在数据包的指定区域内提取特征，忽略非指定区域的特征，并优先提取数据包中包含的感知数据的特征，得到深度学习特征，所述感知数据来自于感知设备上报的数据；
对采集到的所述深度学习特征进行一次离散化处理，得到降维后的第一特征样本集；
对采集到的所述生物特征进行一次离散化采样，将采样值组成序列，与服务器中预先存储的若干生物指纹进行匹配，将符合匹配规则的若干生物指纹生成对应的若干滑动框，使用若干个所述滑动框对所述生物特征进行二次框内采样，重组二次框内采样的采样值，得到第二特征样本集；
对采集到的所述时间特征进行差异比较处理，根据差异度的大小划定不同的采样窗，使用所述采样窗再次对所述深度学习特征和生物特征进行采样，将采样后的采样值重组，得到第三特征样本集；
将所述第一特征样本集、第二特征样本集中的单个特征分别与所述第三特征样本集中的单个特征，依次计算两两之间的差异值；
当该差异值大于阈值时，判断为识别无效，将该差异值反馈给所述机器学习模型，调整需要重点关注的数据包的指定区域范围；
对于所述调整指定区域的范围，机器学习模型可以将接收到的差异值反馈作为模型的参数，也可以将该差异值对应查表，找到对应的范围区间或范围方位，以此修正指定区域的范围大小。
当该差异值小于等于阈值时，则认定为检测合格，选择所述第一特征样本集作为对象，输入识别模型，得到分类结果；
根据所述分类结果进行管控。
其中，当提取网络数据包的过程中，发现缺少某种特征(或称提取失败)时，例如：深度学习特征、生物特征和时间特征三种中缺少生物特征时，后续算法会自动使用深度学习特征按照生物特征的计算方法，得到对应的特征样本集。从而弥补低质量、混合数据的不足。
在一些优选实施例中，训练所述识别模型时，通过反向的传播方式来最小化熵损失函数，避免过饱和，当所述识别模型的精度满足阈值的要求，则表明该识别模型训练完成。然后可用于数据验证。
在一些优选实施例中，所述机器学习模型采用卷积神经网络架构。
在一些优选实施例中，所述生物特征包括数据包中涉及人物面部活动、生理特征的多媒体信息。
图2为本申请提供的基于深度学习的目标检测系统的架构图，所述系统包括：
采集单元，用于采集网络中不同类型的数据包，提取其中携带的生物特征和时间特征；
关注度单元，用于提取所述数据包的摘要和标识，输入机器学习模型，得出需要重点关注的数据包的指定区域；
第一特征提取单元，用于在数据包的指定区域内提取特征，忽略非指定区域的特征，并优先提取数据包中包含的感知数据的特征，得到深度学习特征，所述感知数据来自于感知设备上报的数据；对采集到的所述深度学习特征进行一次离散化处理，得到降维后的第一特征样本集；
第二特征提取单元，用于对采集到的所述生物特征进行一次离散化采样，将采样值组成序列，与服务器中预先存储的若干生物指纹进行匹配，将符合匹配规则的若干生物指纹生成对应的若干滑动框，使用若干个所述滑动框对所述生物特征进行二次框内采样，重组二次框内采样的采样值，得到第二特征样本集；
第三特征提取单元，用于对采集到的所述时间特征进行差异比较处理，根据差异度的大小划定不同的采样窗，使用所述采样窗再次对所述深度学习特征和生物特征进行采样，将采样后的采样值重组，得到第三特征样本集；
计算单元，用于将所述第一特征样本集、第二特征样本集中的单个特征分别与所述第三特征样本集中的单个特征，依次计算两两之间的差异值；
分类单元，用于当该差异值大于阈值时，提示识别无效，将该差异值反馈给所述机器学习模型，调整需要重点关注的数据包的指定区域范围；
当该差异值小于等于阈值时，提示检测合格，选择所述第一特征样本集作为对象，输入识别模型，得到分类结果；
执行单元，用于根据所述分类结果进行管控。
本申请提供一种基于深度学习的目标检测系统，所述系统包括：所述系统包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行第一方面所有实施例中任一项所述的方法。
本申请提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面所有实施例中任一项所述的方法。
具体实现中，本发明还提供一种计算机存储介质，其中，该计算机存储介质可以存储有程序，该程序执行时可包括本发明各个实施例中的部分或全部步骤。所述的存储介质可以为磁碟、光盘、只读存储记忆体(简称：ROM)或随机存储记忆体(简称：RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书各个实施例之间相同相似的部分互相参见即可。尤其，对于实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
以上所述的本发明实施方式并不构成对本发明保护范围的限定。

Claims (7)

1.一种基于深度学习的目标检测方法，其特征在于，所述方法包括：
采集网络中不同类型的数据包，提取其中携带的生物特征和时间特征；
提取所述数据包的摘要和标识，输入机器学习模型，得出需要重点关注的数据包的指定区域；
在数据包的指定区域内提取特征，忽略非指定区域的特征，并优先提取数据包中包含的感知数据的特征，得到深度学习特征，所述感知数据来自于感知设备上报的数据；
对采集到的所述深度学习特征进行一次离散化处理，得到降维后的第一特征样本集；
对采集到的所述生物特征进行一次离散化采样，将采样值组成序列，与服务器中预先存储的若干生物指纹进行匹配，将符合匹配规则的若干生物指纹生成对应的若干滑动框，使用若干个所述滑动框对所述生物特征进行二次框内采样，重组二次框内采样的采样值，得到第二特征样本集；
对采集到的所述时间特征进行差异比较处理，根据差异度的大小划定不同的采样窗，使用所述采样窗再次对所述深度学习特征和生物特征进行采样，将采样后的采样值重组，得到第三特征样本集；
将所述第一特征样本集、第二特征样本集中的单个特征分别与所述第三特征样本集中的单个特征，依次计算两两之间的差异值；
当该差异值大于阈值时，判断为识别无效，将该差异值反馈给所述机器学习模型，调整需要重点关注的数据包的指定区域范围；
当该差异值小于等于阈值时，则认定为检测合格，选择所述第一特征样本集作为对象，输入识别模型，得到分类结果；
根据所述分类结果进行管控。
2.根据权利要求1所述的方法，其特征在于：训练所述识别模型时，通过反向的传播方式来最小化熵损失函数，避免过饱和，当所述识别模型的精度满足阈值的要求，则表明该识别模型训练完成。
3.根据权利要求1所述的方法，其特征在于：所述机器学习模型采用卷积神经网络架构。
4.根据权利要求2或3任一项所述的方法，其特征在于：所述生物特征包括数据包中涉及人物面部活动、生理特征的多媒体信息。
5.一种基于深度学习的目标检测系统，其特征在于，所述系统包括：
采集单元，用于采集网络中不同类型的数据包，提取其中携带的生物特征和时间特征；
关注度单元，用于提取所述数据包的摘要和标识，输入机器学习模型，得出需要重点关注的数据包的指定区域；
第一特征提取单元，用于在数据包的指定区域内提取特征，忽略非指定区域的特征，并优先提取数据包中包含的感知数据的特征，得到深度学习特征，所述感知数据来自于感知设备上报的数据；对采集到的所述深度学习特征进行一次离散化处理，得到降维后的第一特征样本集；
第二特征提取单元，用于对采集到的所述生物特征进行一次离散化采样，将采样值组成序列，与服务器中预先存储的若干生物指纹进行匹配，将符合匹配规则的若干生物指纹生成对应的若干滑动框，使用若干个所述滑动框对所述生物特征进行二次框内采样，重组二次框内采样的采样值，得到第二特征样本集；
第三特征提取单元，用于对采集到的所述时间特征进行差异比较处理，根据差异度的大小划定不同的采样窗，使用所述采样窗再次对所述深度学习特征和生物特征进行采样，将采样后的采样值重组，得到第三特征样本集；
计算单元，用于将所述第一特征样本集、第二特征样本集中的单个特征分别与所述第三特征样本集中的单个特征，依次计算两两之间的差异值；
分类单元，用于当该差异值大于阈值时，提示识别无效，将该差异值反馈给所述机器学习模型，调整需要重点关注的数据包的指定区域范围；
当该差异值小于等于阈值时，提示检测合格，选择所述第一特征样本集作为对象，输入识别模型，得到分类结果；
执行单元，用于根据所述分类结果进行管控。
6.一种基于深度学习的目标检测系统，其特征在于，所述系统包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行实现权利要求1-4任一项所述的方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行实现权利要求1-4任一项所述的方法。
CN202310761008.9A 2023-06-26 2023-06-26 一种基于深度学习的目标检测方法和系统 Active CN116843988B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310761008.9A CN116843988B (zh) 2023-06-26 2023-06-26 一种基于深度学习的目标检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310761008.9A CN116843988B (zh) 2023-06-26 2023-06-26 一种基于深度学习的目标检测方法和系统

Publications (2)

Publication Number Publication Date
CN116843988A CN116843988A (zh) 2023-10-03
CN116843988B true CN116843988B (zh) 2024-01-30

Family

ID=88159217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310761008.9A Active CN116843988B (zh) 2023-06-26 2023-06-26 一种基于深度学习的目标检测方法和系统

Country Status (1)

Country Link
CN (1) CN116843988B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740665A (zh) * 2018-12-29 2019-05-10 珠海大横琴科技发展有限公司 基于专家知识约束的遮挡图像船只目标检测方法及系统
CN115240188A (zh) * 2022-07-21 2022-10-25 重庆邮电大学 一种基于深度学习的橙子采摘机器人目标实时检测方法
CN116051850A (zh) * 2022-12-20 2023-05-02 绍兴埃瓦科技有限公司 神经网络目标检测方法、装置、介质和嵌入式电子设备
CN116128919A (zh) * 2022-11-08 2023-05-16 中国科学院微小卫星创新研究院 基于极线约束的多时相图像异动目标检测方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108446617B (zh) * 2018-03-09 2022-04-22 华南理工大学 抗侧脸干扰的人脸快速检测方法
CN111226226A (zh) * 2018-06-29 2020-06-02 杭州眼云智家科技有限公司 基于运动的对象检测方法及其对象检测装置和电子设备
US20220207305A1 (en) * 2020-12-30 2022-06-30 Synaptics Incorporated Multi-object detection with single detection per object

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740665A (zh) * 2018-12-29 2019-05-10 珠海大横琴科技发展有限公司 基于专家知识约束的遮挡图像船只目标检测方法及系统
CN115240188A (zh) * 2022-07-21 2022-10-25 重庆邮电大学 一种基于深度学习的橙子采摘机器人目标实时检测方法
CN116128919A (zh) * 2022-11-08 2023-05-16 中国科学院微小卫星创新研究院 基于极线约束的多时相图像异动目标检测方法及系统
CN116051850A (zh) * 2022-12-20 2023-05-02 绍兴埃瓦科技有限公司 神经网络目标检测方法、装置、介质和嵌入式电子设备

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Deep residual learning for image recognition;HE K等;IEEE Conference on Computer Vision and Pattern Recognition;全文 *
基于深度学习的无人机目标识别算法研究;何志祥;胡俊伟;;滨州学院学报(02);全文 *
灰度二次校正改进空间变换网络的遥感图像配准;陈颖;李绩鹏;陈恒实;;中国科技论文(08);全文 *
自适应在线判别外观学习的分层关联多目标跟踪;方岚;于凤芹;;中国图象图形学报(04);全文 *

Also Published As

Publication number Publication date
CN116843988A (zh) 2023-10-03

Similar Documents

Publication Publication Date Title
CN110378235B (zh) 一种模糊人脸图像识别方法、装置及终端设备
EP3726426A1 (en) Classification training method, server and storage medium
CN103093215B (zh) 人眼定位方法及装置
CN109271958B (zh) 人脸年龄识别方法及装置
JP2022141931A (ja) 生体検出モデルのトレーニング方法及び装置、生体検出の方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム
CN109726195B (zh) 一种数据增强方法及装置
CN112633221B (zh) 一种人脸方向的检测方法及相关装置
CN111401105B (zh) 一种视频表情识别方法、装置及设备
US20240203097A1 (en) Method and apparatus for training image processing model, and image classifying method and apparatus
CN116863522A (zh) 痤疮分级方法、装置、设备及介质
CN112052816A (zh) 基于自适应图卷积对抗网络的人体行为预测方法及系统
CN111241930A (zh) 一种用于人脸识别的方法及系统
CN113947209A (zh) 基于云边协同的集成学习方法、系统及存储介质
CN113920575A (zh) 一种人脸表情识别方法、装置及存储介质
CN112200862B (zh) 目标检测模型的训练方法、目标检测方法及装置
CN116843988B (zh) 一种基于深度学习的目标检测方法和系统
CN111582440A (zh) 一种基于深度学习的数据处理方法
CN116866211B (zh) 一种改进的深度合成检测方法和系统
CN116633809B (zh) 基于人工智能的检测方法和系统
CN115424253A (zh) 车牌识别方法、装置、电子设备和存储介质
CN113822203A (zh) 基于强化学习和深度卷积神经网络的人脸识别装置及方法
CN111832815A (zh) 科研热点预测方法及系统
CN116883886B (zh) 一种基于双级对比学习与噪声鲁棒的弱监督时序语言定位方法和装置
CN115661919B (zh) 一种重复动作周期统计方法、装置、健身设备及存储介质
CN112070023B (zh) 一种邻域先验嵌入型协同表示模式识别方法

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
GR01 Patent grant
GR01 Patent grant