WO2018137357A1 - 一种目标检测性能优化的方法 - Google Patents

一种目标检测性能优化的方法 Download PDF

Info

Publication number
WO2018137357A1
WO2018137357A1 PCT/CN2017/104396 CN2017104396W WO2018137357A1 WO 2018137357 A1 WO2018137357 A1 WO 2018137357A1 CN 2017104396 W CN2017104396 W CN 2017104396W WO 2018137357 A1 WO2018137357 A1 WO 2018137357A1
Authority
WO
WIPO (PCT)
Prior art keywords
candidate box
candidate
pooling
training
neural network
Prior art date
Application number
PCT/CN2017/104396
Other languages
English (en)
French (fr)
Inventor
段凌宇
楼燚航
白燕
高峰
Original Assignee
北京大学
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 北京大学 filed Critical 北京大学
Publication of WO2018137357A1 publication Critical patent/WO2018137357A1/zh

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Definitions

  • the invention relates to a target detection technology, in particular to a method for optimizing target detection performance.
  • Target detection has always been an important research topic in the field of computer vision.
  • target detection is also the basis of object recognition, tracking and motion recognition.
  • people have invested more research in the field of target detection, such as face detection, pedestrian detection, vehicle detection and so on.
  • the existing mainstream detection framework adopts the strategy of Object Proposal; firstly, a series of potential candidate frames are generated in the picture, and the area marked by the candidate frame is a potential object unrelated to the category; secondly, The detection algorithm is used to extract corresponding visual features for the candidate frame; then, the classifier is used to judge the features of the extraction candidate frame to determine the target object category or background.
  • the R-CNN Registered-Convolutional Neural Network
  • the R-CNN Registered-Convolutional Neural Network
  • SS Selective Search
  • Applying a local candidate box strategy can greatly reduce unnecessary predictions while mitigating the interference of the deceptive background to the classifier.
  • the generated candidate frame can not cover the object in the image well.
  • Many candidate frames only cover the part of the object or cover the background with very similar appearance and lead to classification.
  • the misjudgment of the device may also be that the candidate frame includes a part of the background and a part of the target, which leads to misclassification of the classifier.
  • the present invention proposes a method of target detection performance optimization that overcomes the above problems or at least partially solves the above problems.
  • the present invention provides a method for optimizing target detection performance, comprising:
  • metric learning is used to adjust the distribution of samples in the feature space to generate more distinguishing features; the depth neural network corresponding to the metric learning is used in iterative training, and the candidate box used in each iteration is passed.
  • a candidate frame determined by the joint overlapping IoU information and having the same target object distance satisfying certain constraint conditions, different target distances satisfying a certain constraint condition, and;
  • the detection model does not generate losses in this iteration, and the output error corresponding to each layer in the back propagation network is not required;
  • the candidate frame set of the picture and the picture to be detected is input into the trained detection model, and the target object coordinates and category information output by the detection model are obtained.
  • the method further includes:
  • the pooling layer of the deep neural network of the training process is replaced by the Top-K pooling layer;
  • the Top-K pooling layer is obtained by averaging obtaining the highest K response values in the pooling window
  • the back propagation algorithm is used in the iterative training of deep neural network, and the partial derivative of the corresponding output needs to be input according to the calculation. Therefore, in the back propagation process, the partial derivative corresponding to the Top-K pooling method is:
  • the Top-K pooling method takes the first K values of the sorted pooled window, K is a natural number greater than 1, x i, j is the jth element in the i-th pooling window, and y i represents the first The output of i pooled windows.
  • the method further includes:
  • the pooling layer of the deep neural network corresponding to the metric learning of the training process is replaced by a Top-K pooling layer capable of coping with noise interference;
  • the pooling layer of the deep neural network in the detection model of the test process is replaced by a Top-K pooling layer capable of coping with noise interference;
  • the Top-K pooling layer is obtained by averaging the highest K response values obtained in the pooling window.
  • the candidate frame used in each iteration is a candidate frame that is determined by the joint overlapping IoU information and has the same target object distance satisfying a certain constraint condition, and different target distances satisfy a certain constraint condition, including:
  • Each local candidate box for the training picture is assigned a category label l class to indicate that it is a target category or background;
  • the candidate box When the IoU overlaps between a local candidate box and the correct label by more than 50%, the candidate box is a positive sample; when a local candidate box and any one of the correctly labeled IoU coverage areas are When in between, the candidate box is a negative sample; Is a threshold;
  • an additional candidate box label l proposal is specified as the category with the largest coverage area of the local candidate box
  • composition rule is a feature of correct labeling, and the characteristics of the positive sample farthest from the correctly labeled feature and the negative sample closest to the correctly labeled sign are respectively Obtained by argmax and argmin operations:
  • ⁇ indicates preset with The minimum distance between the distances.
  • checking whether the feature of the candidate frame target generated by each round of iterative training satisfies the similarity constraint including:
  • the deep neural network loss in the iterative training process is L triplet , so the overall optimization loss function of the deep neural network is:
  • L total ⁇ 1 L cls + ⁇ 2 L loc + ⁇ 3 L triplet ;
  • ⁇ 1 , ⁇ 2 , ⁇ 3 are preset ratio values respectively;
  • L cls is the classification loss,
  • L loc is the positioning loss, and the L triplet local candidate box is similar to the triplet loss.
  • ⁇ indicates preset with The minimum distance between the distances.
  • the method further includes:
  • the deep neural network will generate similarity loss; the loss will be propagated back to each layer by the back propagation algorithm, and the model parameters will be updated by the gradient descent algorithm; thus the iterative training is repeated.
  • the method for optimizing the target detection performance proposed by the present invention by introducing the constraint of the triplet, can use the similarity distance learning to constrain the relative distance between the positive and negative samples, and maintain a certain minimum distance interval, thereby generating It is easier to classify the feature distribution and improve detector detection performance. Further, the original maximum value pooling is replaced by the Top-K pooling, and the influence of background noise on the small-sized feature map pooling is reduced, and the performance is further improved.
  • 1 is a schematic diagram of relative distances of different candidate frames in a feature space in an image according to an embodiment of the present invention
  • FIG. 2 is a schematic diagram of dividing positive and negative samples in network model training according to an embodiment of the present invention
  • FIG. 3 is a schematic diagram of a FastRCNN network structure for increasing a local similarity optimization target according to an embodiment of the present invention.
  • target detection is to identify and locate objects of a particular category in a picture or video.
  • the process of detection can be seen as a process of classification that distinguishes between goals and context.
  • the test model training it is usually necessary to construct a positive and negative sample set for the classifier to learn, and the division criterion is determined according to the ratio of the IoU (Intersection of Union) with the correctly labeled.
  • the invention proposes a method for optimizing target detection performance in pictures and videos by using a deep neural network (deep convolutional neural network), which adds a similarity constraint in the training phase of the network model.
  • a deep neural network deep convolutional neural network
  • the detection model trained by the present invention can produce more distinguishing and more robust features.
  • the method of the present invention is mainly applied to the training phase of the detection model, and the loss function of the similarity constraint is additionally added in addition to the Softmax and SoomthL1 loss function optimization targets used in the training phase with FastRCNN.
  • the target detection phase the picture to be detected and the candidate frame set of the picture are input into the trained detection model, and the output of the detection model is the detected object type and corresponding coordinate information.
  • the method for optimizing target detection performance includes:
  • metric learning is used to adjust the distribution of samples in the feature space to generate more distinguishing features; the depth neural network corresponding to the metric learning is used in iterative training, and the candidate box used in each iteration is passed.
  • a candidate frame determined by the joint overlapping IoU information and having the same target object distance satisfying certain constraint conditions, different target distances satisfying a certain constraint condition, and;
  • the detection model does not generate losses in this iteration, and the output error corresponding to each layer in the back propagation network is not required;
  • the deep neural network will produce similarity loss;
  • the loss is propagated back to each layer by the back propagation algorithm, and the model parameters are updated by the gradient descent algorithm; thus the iterative training is repeated.
  • the candidate frame set of the picture and the picture to be detected is input into the trained detection model, and the target object coordinates and category information output by the detection model are obtained.
  • the training process and the testing process are two separate processes, and the detection model is also detected during the training process, and then the training model can check whether the model meets the similarity constraint condition according to the output of the detection model.
  • the aforementioned similarity constraint is to satisfy a part of the overall optimization loss function.
  • the overall optimization loss function of the deep neural network is:
  • L total ⁇ 1 L cls + ⁇ 2 L loc + ⁇ 3 L triplet ;
  • ⁇ 1 , ⁇ 2 , ⁇ 3 are preset ratio values respectively;
  • L cls is the classification loss, L loc is the positioning loss, and
  • L triplet is the similarity triplet loss of the candidate box, that is, the total of the iterative training process Deep neural network loss.
  • ⁇ indicates preset with The minimum distance between the distances.
  • the present embodiment increases the triplet loss of the feature similarity between the partial candidate frames. Therefore, during model training, the total optimization goal can be expressed as the sum of multiple loss functions:
  • L cls and L loc are classification loss and positioning loss, and L triplet local candidate box similarity triplet loss.
  • the output of the network during the training phase includes prediction categories and coordinate prediction regression values for the local candidate boxes.
  • the pooling layer of the deep neural network of the training process may be replaced by the Top-K pooling layer before the testing, that is, during the training process;
  • the pooling layer of the deep neural network corresponding to the metric learning of the training process may be replaced by the Top-K pooling layer before the testing, that is, during the training process; and In the test model after training, the pooling layer of the deep neural network in the detection model of the test process is replaced by the Top-K pooling layer.
  • the Top-K pooling method is more robust to background noise in the feature map.
  • Top-K pooling layer of the embodiment is obtained by averaging obtaining the highest K response values in the pooling window
  • the back propagation algorithm is used in the iterative training of deep neural network, and the partial derivative of the corresponding output needs to be input according to the calculation. Therefore, in the back propagation process, the partial derivative corresponding to the Top-K pooling method is:
  • the Top-K pooling method takes the first K values of the sorted pooled window, K is a natural number greater than 1, x i, j is the jth element in the i-th pooling window, and y i represents the first The output of i pooled windows.
  • Top-K pooling takes the top K values of the sorted pooled window and calculates their mean values:
  • x i,j is the jth element in the i-th pooling window
  • y i represents the output of the i-th pooling window
  • x' i, j is the jth element after the ith window is sorted.
  • the traditional maximum value pooling method is more sensitive to noise, and the Top-K pooling method is more effective than the average pooling method in capturing the intrinsic characteristics of the response value.
  • the candidate frame used in each of the foregoing iterations is a candidate frame determined by the joint overlapping IoU information and having the same target object distance satisfying certain constraint conditions and different target distances satisfying certain constraint conditions, which can be specifically described as follows:
  • Each local candidate box for the training picture is assigned a category label l class to indicate that it is a target category or background;
  • the candidate box When the IoU overlaps between a local candidate box and the correct label by more than 50%, the candidate box is a positive sample; when a local candidate box and any one of the correctly labeled IoU coverage areas are When in between, the candidate box is a negative sample; Is a threshold;
  • an additional candidate box label l proposal is specified as the category with the largest coverage area of the local candidate box
  • composition rule is a feature of correct labeling, and the characteristics of the positive sample farthest from the correctly labeled feature and the negative sample closest to the correctly labeled feature are respectively Obtained by argmax and argmin operations:
  • ⁇ indicates preset with The minimum distance between the distances.
  • the ternary loss is added to the training stage of the target detection model, and the relative distance between the different candidate objects in the different object categories is enhanced by optimizing the relative distance of different candidate frames in the feature space.
  • the loss function and the Softmax and SmoothL1 loss functions in the mainstream detector optimization process can further effectively improve the performance of the detection model.
  • the triple similarity constraint of this embodiment acts on the relative distances of the features of the positive and negative samples in the feature space.
  • the specific learning objective is to make the feature distance of the positive samples of the same object class smaller than the feature distance of the negative samples of different object categories including the background, and maintain a predetermined minimum interval.
  • the above method only works in the training phase of the model.
  • the above method can be flexibly added to other training strategies based on candidate frame strategy for target detection algorithms such as FastRCNN and FasterRCNN.
  • the candidate frames generated for the objectivity detection are subject to similarity constraints according to the IoU between the tags and each other.
  • Object Proposal generates a series of candidate boxes.
  • the mainstream detection algorithm calculates only two loss functions for each candidate box, Softmax loss and SmoothL1 loss, respectively.
  • This embodiment additionally increases the Triplet triplet loss.
  • the input to the deep neural network includes a training picture, and a set of candidate frames (R 1 , R 2 , . . . , R N ) generated by the physical property detection.
  • the feature f(R) of all candidate frames is generated at the last layer of the fully connected layer of the deep neural network. After the features are normalized by L2, the Euclidean distance between them can represent the similarity between the candidate frames:
  • the similarity constraint of the local candidate box makes the feature distance between the correct (GroundTruth) and (Positive) positive samples Less than the characteristic distance of the correct negative (Negative) negative sample And keep a minimum distance interval:
  • the optimization objectives are:
  • N the number of triples.
  • each local candidate box is assigned a category label l class to indicate that it is a certain target category or background.
  • the candidate box When the IoU overlaps between a candidate box and the correct label by more than 50%, the candidate box is designated as a positive sample; when a local candidate box and any one of the correctly labeled IoU coverage areas are When it is between, it is designated as a negative sample.
  • an additional candidate box label l proposal is specified as the category with the largest coverage area of the candidate frame.
  • the embodiment of the present invention mainly adds an additional loss function in the training phase of the detector based on the local candidate frame, and the loss function mainly adopts a triplet loss function, and the composition of the triplet is mainly based on the generated candidate frame and the correctly labeled
  • the IoU coincidence rate is correctly labeled as shown in the upper left corner of Figure 2.
  • the positive sample in Figure 2 is in the lower left corner and the correctly labeled IoU coincidence rate exceeds 50%.
  • the negative sample in Figure 2 is in the lower right corner and the correctly labeled IoU coincidence rate is less than 50%.
  • the upper right corner is the distance constraint of distance similarity.
  • FIG. 3 is a schematic diagram of the VGG_M network structure of the FastRCNN detector added to the method of the present invention.
  • a ternary loss function is added, and after the feature of the last layer of the fully connected layer FC7 is normalized by L2, the ternary loss function is sent.
  • the original pooling layer in the network is replaced by TopK pooling.
  • the Softmax classifier In the actual use test phase, only the category of the candidate frame is obtained by the Softmax classifier, and the coordinates of the candidate frame are obtained by regression.
  • the triplet loss function only exists in the training phase, which constrains the learning of the network. This network layer will be removed during the testing phase. From the perspective of classification, the candidate frames that are more difficult to distinguish are very close to the classification hyperplane of the feature space, so they are easily misclassified.
  • the similarity distance learning can constrain the relative distance between the positive and negative samples, maintain a certain minimum distance interval, and then generate a more easily classified feature distribution to improve the detector detection performance. Further, the original maximum value pooling is replaced by the Top-K pooling, and the influence of the background noise on the small-sized feature map pooling operation is reduced, and the performance is further improved.
  • DSP digital signal processor
  • the invention can also be implemented as a device or device program (e.g., a computer program and a computer program product) for performing some or all of the methods described herein.

Abstract

一种目标检测性能优化的方法，所述方法包括：在检测模型训练过程中，使用度量学习来调整样本在特征空间的分布，用以产生更有区分度的特征；度量学习对应的深度神经网络在迭代训练中，每一次迭代使用的候选框为通过联合交叠IoU信息确定的具有相同目标对象距离满足一定约束条件，不同目标距离满足一定约束条件的位置关系的候选框，以及；查看每一轮迭代训练产生的候选框目标的特征是否满足相似度约束条件；若满足，则检测模型在本次迭代不产生损失，不需要反向传播网络中各个层对应的输出误差；在测试时，将待检测图片和图片的候选框集合输入到训练后的检测模型中，获得该检测模型输出的目标对象坐标和类别信息。该方法可以提高检测能力，优化检测性能。

Description

一种目标检测性能优化的方法 技术领域
本发明涉及目标检测技术，具体涉及一种目标检测性能优化的方法。
背景技术
目标检测一直是计算机视觉领域中的一个重要的研究课题，同时目标检测也是对象识别、追踪、动作识别的基础。如今，随着深度神经网络在计算机视觉领域的成功应用，人们在目标检测领域投入了更多的研究，比如人脸检测、行人检测、车辆检测等等。
针对目标检测，现有主流的检测框架都采用似物性检测(Object Proposal)的策略；首先，在图片中产生一系列潜在的候选框，候选框标定的区域为与类别无关的潜在物体；其次，采用检测算法对候选框提取相应的视觉特征；然后，采用分类器对提取候选框的特征进行判断，以确定为目标对象类别或是背景。比如R-CNN(Region-Convolutional Neural Network)局部卷积神经网络采取了SS(Selective Search)选择性搜索的方法产生图像内可能存在物体的候选框，对这些候选框内的图像内容提取深度学习特征并进行分类。应用局部候选框策略可以大幅度减少不必要的预测，同时能缓和带有迷惑性的背景对分类器的干扰。
然而，实际中由于候选框生成算法的精度有限，往往生成的候选框不能较好的覆盖图片中的物体，有不少候选框只覆盖了物体的部分或者覆盖了外表非常相似的背景进而导致分类器的误判，还可能是候选框包括一部分背景和一部分目标进而导致分类器的误判。
发明内容
鉴于上述问题，本发明提出了克服上述问题或者至少部分地解决上述问题的一种目标检测性能优化的方法。
为此目的，第一方面，本发明提出一种目标检测性能优化的方法，包括：
在检测模型训练过程中，使用度量学习来调整样本在特征空间的分布，用以产生更有区分度的特征；度量学习对应的深度神经网络在迭代训练中，每一次迭代使用的候选框为通过联合交叠IoU信息确定的具有相同目标对象距离满足一定约束条件，不同目标距离满足一定约束条件的位置关系的候选框，以及；
查看每一轮迭代训练产生的候选框目标的特征是否满足相似度约束条件；
若满足，则检测模型在本次迭代不产生损失，不需要反向传播网络中各个层对应的输出误差；
在测试时，将待检测图片和图片的候选框集合输入到训练后的检测模型中，获得该检测模型输出的目标对象坐标和类别信息。
可选地，所述方法还包括：
在测试之前，将训练过程的深度神经网络的池化层采用Top-K池化层替换；
其中，所述Top-K池化层是通过对池化窗口中获取最高的K个响应值进行平均获取的；
深度神经网络的迭代训练中采用反向传播算法，需要根据计算输入对应输出的偏导数，因此在反向传播过程中，所述Top-K池化方法对应的偏导数为：
Figure PCTCN2017104396-appb-000001
其中，Top-K池化方法取排序过的池化窗口的前K个值，K为大于1的自然数，xi，j为在第i个池化窗口的第j个元素，yi表示第i个池化窗 口的输出。
可选地，所述方法还包括：
将训练过程的度量学习对应的深度神经网络的池化层采用能够应对噪声干扰的Top-K池化层替换；以及
将测试过程的检测模型中深度神经网络的池化层采用能够应对噪声干扰的Top-K池化层替换；
其中，所述Top-K池化层是通过对池化窗口中获取最高的K个响响应值进行平均获取的。
可选地，每一次迭代使用的候选框为通过联合交叠IoU信息确定的具有相同目标对象距离满足一定约束条件，不同目标距离满足一定约束条件的位置关系的候选框，包括：
针对训练图片的每个局部候选框都被指定一个类别标签lclass来表示它是某一目标类别或是背景；
当一个局部候选框与正确标注之间的IoU重叠超过50％，该候选框为正样本；当一个局部候选框与任意一个正确标注的IoU覆盖面积都在
Figure PCTCN2017104396-appb-000002
之间时，该候选框为负样本；
Figure PCTCN2017104396-appb-000003
是一个阈值；
对每一个负样本除了lclass外，额外指定一个候选框标签lproposal为与该局部候选框覆盖面积最大的类别；
针对不符合相似性约束的三元组，根据lclass和lproposal将所有局部候选框分为不同的组，得到集合(G1，G2，...，GM)；
每一组Gc包括lclass＝c的正样本和lproposal＝c的负样本；对每个组Gc，
Figure PCTCN2017104396-appb-000004
为目标对象的正确标注
Figure PCTCN2017104396-appb-000005
为lclass＝c的正样本，Rn为lclass＝background并且lproposal＝c的负样本；
根据公式一选取每组Gc中的部分样本来构成三元组，组成规则是正确标注的特征，与正确标注特征距离最远的正样本和与正确标注征距离最近的负样本的特征，分别通过argmax和argmin操作来获得：
Figure PCTCN2017104396-appb-000006
Figure PCTCN2017104396-appb-000007
Figure PCTCN2017104396-appb-000008
分别是正确标注，正样本和负样本；
约束条件为：
Figure PCTCN2017104396-appb-000009
Figure PCTCN2017104396-appb-000010
为正确标注与正样本之间的特征相似度距离
Figure PCTCN2017104396-appb-000011
为正确标注与负样本的特征相似度距离；
α表示预设的
Figure PCTCN2017104396-appb-000012
和
Figure PCTCN2017104396-appb-000013
之间的最小距离间隔。
可选地，查看每一轮迭代训练产生的候选框目标的特征是否满足相似度约束条件，包括：
迭代训练过程中的深度神经网络损失为Ltriplet，所以深度神经网络的整体优化损失函数为：
Ltotal＝ω1Lcls+ω2Lloc+ω3Ltriplet；
其中，ω1，ω2，ω3分别为预设的比例值；Lcls为分类损失，Lloc为定位损失，Ltriplet局部候选框的相似度三元组损失。
可选地，
所述
Figure PCTCN2017104396-appb-000014
其中，
Figure PCTCN2017104396-appb-000015
分别是正确标注，正样本和负样本，α表示预设的
Figure PCTCN2017104396-appb-000016
和
Figure PCTCN2017104396-appb-000017
之间的最小距离间隔。
可选地，查看每一轮迭代训练产生的候选框目标的特征是否满足 相似度约束条件之后，所述方法还包括：
若不满足相似度约束条件，深度神经网络会产生相似度损失；损失通过反向传播算法反向传播到每一层，并通过梯度下降算法更新模型参数；如此重复迭代训练。
。
由上述技术方案可知，本发明提出的目标检测性能优化的方法，通过三元组约束的引入，利用相似度距离学习可以约束正负样本之间的相对距离，保持一定的最小距离间隔，进而产生更容易被分类的特征分布，提高检测器检测性能。进一步地，通过Top-K池化替换原有的极大值池化，降低背景噪声对小尺寸特征图池化的影响，进一步提升性能。
附图说明
图1为本发明一实施例提供的图像中不同候选框在特征空间中的相对距离示意图；
图2为本发明一实施例提供在网络模型训练中划分正负样本的示意图；
图3为本发明一实施例提供的增加局部相似性优化目标的FastRCNN网络结构在训练阶段的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
需要说明的是，在本文中，“第一”、“第二”、“第三”、“第四” 字样仅仅用来将相同的名称区分开来，而不是暗示这些名称之间的关系或者顺序。
目标检测的目的是在图片或视频中识别并定位特定类别的对象。检测的过程可以看作是一个分类的过程，区分目标与背景。
目前，通常在检测模型训练中，需要构建正负样本集供分类器学习，划分的标准是根据与正确标注的联合交叠IoU(Intersection of Union)的比例来决定。
本发明提出了一种利用深度神经网络(深度卷积神经网络)在图片和视频中进行目标检测性能优化的方法，该方法在网络模型的训练阶段加入了相似性约束。相比目前主流的检测方法如FastRCNN，本发明训练的检测模型能产生更有区分度、更鲁棒的特征。
本发明的方法主要应用在检测模型的训练阶段，相比与FastRCNN，在训练阶段使用的Softmax与SoomthL1损失函数优化目标之外，额外增加了相似性约束的损失函数。特别地，在目标检测阶段，将待检测的图片与该图片的候选框集合输入到训练后的检测模型中，检测模型的输出即为检测到的对象的类别与相应的坐标信息。
具体地，本发明实施例提供的目标检测性能优化的方法，包括：
在检测模型训练过程中，使用度量学习来调整样本在特征空间的分布，用以产生更有区分度的特征；度量学习对应的深度神经网络在迭代训练中，每一次迭代使用的候选框为通过联合交叠IoU信息确定的具有相同目标对象距离满足一定约束条件，不同目标距离满足一定约束条件的位置关系的候选框，以及；
查看每一轮迭代训练产生的候选框目标的特征是否满足相似度约束条件；
若满足，则检测模型在本次迭代不产生损失，不需要反向传播网络中各个层对应的输出误差；
若不满足相似度约束条件，深度神经网络会产生相似度损失；损 失通过反向传播算法反向传播到每一层，并通过梯度下降算法更新模型参数；如此重复迭代训练。
另外，在测试时，将待检测图片和图片的候选框集合输入到训练后的检测模型中，获得该检测模型输出的目标对象坐标和类别信息。
在本发明实施例中，训练过程和测试过程是单独的两个过程，训练过程中检测模型也会进行检测，进而在训练过程中可根据检测模型的输出查看模型是否符合相似度约束条件。
在具体实现过程中，前述的相似度约束条件为满足整体优化损失函数中的一部分。
深度神经网络的整体优化损失函数为：
Ltotal＝ω1Lcls+ω2Lloc+ω3Ltriplet；
其中，ω1，ω2，ω3分别为预设的比例值；Lcls为分类损失，Lloc为定位损失，Ltriplet为候选框的相似度三元组损失，即迭代训练过程中总的深度神经网络损失。
Figure PCTCN2017104396-appb-000018
其中，
Figure PCTCN2017104396-appb-000019
分别是正确标注，正样本和负样本，α表示预设的
Figure PCTCN2017104396-appb-000020
和
Figure PCTCN2017104396-appb-000021
之间的最小距离间隔。
也就是说，除了检测模型在训练中的分类损失和定位损失优化目标，本实施例增加局部候选框之间的特征相似度的三元组损失。因此，在模型训练过程中，总的优化目标可表示为多个损失函数的累加和：
Ltotal＝ω1Lcls+ω2Lloc+ω3Ltriplet
通常ω1设为1，ω2设为1，ω3设为0.5。Lcls和Lloc为分类损失和定位损失，Ltriplet局部候选框的相似度三元组损失。网络在训练阶段的输出包括对局部候选框的预测类别和坐标预测回归值。
进一步地，为更好的实现目标检测的性能优化，本发明实施例中还进行下述调整。
例如，在可选的一种实施方式中，可在测试之前，即在训练过程中进行检测时，将训练过程的深度神经网络的池化层采用Top-K池化层替换；
在可选的另一种实施方式中，可在测试之前，即在训练过程中进行检测时，将训练过程的度量学习对应的深度神经网络的池化层采用Top-K池化层替换；且在训练后的检测模型在测试时，将测试过程的检测模型中深度神经网络的池化层采用Top-K池化层替换。Top-K池化方法对特征图中的背景噪声更为鲁棒。
需要说明的是，本实施例的Top-K池化层是通过对池化窗口中获取最高的K个响应值进行平均获取的；
深度神经网络的迭代训练中采用反向传播算法，需要根据计算输入对应输出的偏导数，因此在反向传播过程中，所述Top-K池化方法对应的偏导数为：
Figure PCTCN2017104396-appb-000022
其中，Top-K池化方法取排序过的池化窗口的前K个值，K为大于1的自然数，xi，j为在第i个池化窗口的第j个元素，yi表示第i个池化窗口的输出。
也就是说，在网络前向传播阶段，随着网络层数的加深，特征图尺寸变小，背景噪声的对池化操作的影响会更明显。
本发明中提出Top-K池化的方法。Top-K池化方法取排序过的池化窗口的前K个值，计算它们的均值：
Figure PCTCN2017104396-appb-000023
其中，xi，j为在第i个池化窗口的第j个元素，yi表示第i个池化窗口的输出。x′i，j为第i个窗口经过排序后的第j个元素。
为了在反向传播过程中计算梯度，对每一个输出yi，维护一个长度为K的向量R(yi)＝{xi，j|j＝1，2，...，K}，代表着窗口前K个值。在网络训练过程中，权重系数的调整是通过梯度下降算法来实现，梯度下降在更新权重时，需要获取相应的输入对输出的偏导数。将Top-K池化的方法加入深度神经网络训练中，在反向传播过程中，输入关于输出的偏导数为：
Figure PCTCN2017104396-appb-000024
传统的极大值池化方法对噪声较为敏感，而Top-K池化的方法在捕捉响应值的内在特性方面相比平均值池化方法更为有效。当K＝1，Top-K池化退化成极大值池化方法，当K＝池化窗口大小时，Top-K池化退化成平均值池化方法。
前述的每一次迭代使用的候选框为通过联合交叠IoU信息确定的具有相同目标对象距离满足一定约束条件，不同目标距离满足一定约束条件的位置关系的候选框，可具体说明如下：
针对训练图片的每个局部候选框都被指定一个类别标签lclass来表示它是某一目标类别或是背景；
当一个局部候选框与正确标注之间的IoU重叠超过50％，该候选 框为正样本；当一个局部候选框与任意一个正确标注的IoU覆盖面积都在
Figure PCTCN2017104396-appb-000025
之间时，该候选框为负样本；
Figure PCTCN2017104396-appb-000026
是一个阈值；
对每一个负样本除了lclass外，额外指定一个候选框标签lproposal为与该局部候选框覆盖面积最大的类别；
针对不符合相似性约束的三元组，根据lclass和lproposal将所有局部候选框分为不同的组，得到集合(G1，G2，...，GM)；
每一组Gc包括lclass＝c的正样本和lproposal＝c的负样本；对每个组Gc，
Figure PCTCN2017104396-appb-000027
为目标对象的正确标注
Figure PCTCN2017104396-appb-000028
为lclass＝c的正样本，Rn为lclass＝background(背景)并且lproposal＝c的负样本；
根据公式一选取每组Gc中的部分样本来构成三元组，组成规则是正确标注的特征，与正确标注特征距离最远的正样本和与正确标注特征距离最近的负样本的特征，分别通过argmax和argmin操作来获得：
Figure PCTCN2017104396-appb-000029
Figure PCTCN2017104396-appb-000030
Figure PCTCN2017104396-appb-000031
分别是正确标注，正样本和负样本；
约束条件为：
Figure PCTCN2017104396-appb-000032
Figure PCTCN2017104396-appb-000033
为正确标注与正样本之间的特征相似度距离
Figure PCTCN2017104396-appb-000034
为正确标注与负样本的特征相似度距离；
α表示预设的
Figure PCTCN2017104396-appb-000035
和
Figure PCTCN2017104396-appb-000036
之间的最小距离间隔。
如图1所示的图片中不同局部候选框的特征分布。
本实施例中将三元组损失加入到目标检测模型的训练阶段中，通过优化不同候选框在特征空间中的相对距离，强化了分类器对不同物体类别的正负样本的区分能力。通过同时优化局部候选框的三元组损 失函数和主流检测器优化过程中的Softmax和SmoothL1损失函数，本发明能进一步有效提升检测模型的性能。
本实施例的三元组相似度约束作用在正样本和负样本的特征在特征空间中的相对距离。具体学习目标是令相同物体类别的正样本的特征距离小于包括背景在内的不同物体类别的负样本的特征距离，并保持一个预定的最小间隔。
上述方法只作用在模型的训练阶段，作为一个额外的优化目标，上述方法可灵活地加入到其他基于候选框策略的目标检测算法如FastRCNN和FasterRCNN的训练阶段。
下面具体对上述用于目标检测的度量学习使用的深度神经网络进行描述：
在训练针对目标检测的深度网络模型时，对似物性检测生成的候选框之间根据标签与相互之间的IoU加入相似性约束。
在此，似物性检测(Object Proposal)会生成一系列候选框。主流的检测算法只对每个候选框计算两个损失函数分别是Softmax损失和SmoothL1损失，本实施例额外的增加了Triplet三元组损失。
例如，深度神经网络的输入包括训练图片，以及似物性检测生成的候选框集合(R1，R2，...，RN)。
在深度神经网络的最后一层全连接层产生了所有候选框的特征f(R)。特征经过L2归一化之后，它们之间的欧式距离可以代表候选框之间的相似度：
Figure PCTCN2017104396-appb-000037
局部候选框的相似度约束使得正确标注(GroundTruth)与(Positive)正样本之间的特征距离
Figure PCTCN2017104396-appb-000038
小于正确标注与(Negative)负样本的特征距离
Figure PCTCN2017104396-appb-000039
并保持一个最小距离间隔：
Figure PCTCN2017104396-appb-000040
这里α表示
Figure PCTCN2017104396-appb-000041
和
Figure PCTCN2017104396-appb-000042
之间的最小距离间隔，因此关于局部候选框的三元组损失
Figure PCTCN2017104396-appb-000043
可表示为：
Figure PCTCN2017104396-appb-000044
当采样的候选框三元组不符合相似度距离约束时，相应的损失会反向传播。因此在深度神经网络迭代训练时，优化目标为：
Figure PCTCN2017104396-appb-000045
其中N代表三元组的个数。
以下对局部候选框的三元组采样进行说明：
在检测模型训练中，每个局部候选框都被指定一个类别标签lclass来表示它是某一目标类别或是背景。
当一个候选框与正确标注之间的IoU重叠超过50％，该候选框被指定为正样本；当一个局部候选框与任意一个正确标注的IoU覆盖面积都在
Figure PCTCN2017104396-appb-000046
之间时，它被指定为负样本。
Figure PCTCN2017104396-appb-000047
是一个阈值，在FastRCNN中
Figure PCTCN2017104396-appb-000048
为0.1，对于IoU重叠小于0.1的候选框，其兴趣候选框的标签是不确定的。
另外，对每一个负样本除了lclass外都额外指定一个候选框标签lproposal为与该候选框覆盖面积最大的类别。
这样所有的候选框都可根据lclass和lproposal被区分为不同的组(G1，G2，...，GM)，每一组Gc包括lclass＝c的正样本和lproposal＝c的负样本。
在对三元组进行采样的时候，对每个组Gc，
Figure PCTCN2017104396-appb-000049
取决于对象的正确 标注，
Figure PCTCN2017104396-appb-000050
在lclass＝c的正样本中选取，Rn在lclass＝background并且lproposal＝c的负样本中选取。
由于一张图片中实际生成的候选框数量较多，而其中大量的三元组不会违反相似约束。为了快速高效的训练网络，可选取每组中较难辨别的样本来构成三元组，在组Gc选取三元组时，选取与对象正确标注特征距离最远的正样本和与正确标注特征距离最近的负样本，形式化表述如下：
Figure PCTCN2017104396-appb-000051
Figure PCTCN2017104396-appb-000052
这里
Figure PCTCN2017104396-appb-000053
分别是正确标注，正样本和负样本。
本发明实施例主要是在基于局部候选框的检测器的训练阶段加上额外的损失函数，损失函数主要采用了三元组损失函数，三元组的构成主要是根据生成候选框与正确标注的IoU重合率，正确标注如图2左上角，正样本如图2左下角和正确标注的IoU重合率超过50％，负样本如图2右下角和正确标注的IoU重合率小于50％，图2右上角是距离相似度的距离约束。
本发明实施例的方法可灵活地应用到基于局部候选框的检测算法的训练中，图3是加入本发明方法的FastRCNN检测器的VGG_M网络结构简图。在检测框架中，除了原始的Softmax损失和SmoothL1损失，还加入了三元组损失函数，在对最后一层全连接层FC7的特征经过L2归一化后，送入三元组损失函数。网络中原有的池化层均替换为TopK池化。
在实际使用测试阶段，只需要通过Softmax分类器获得候选框的类别，再通过回归获得候选框的坐标。三元组损失函数仅存在训练阶段，约束网络的学习，在测试阶段此网络层将会被去除。从分类角度来看，较难分辨的候选框非常接近特征空间的分类超平面，因此容易被错分类。三元组约束的引入，利用相似度距离学习可以约束正负样本之间的相对距离，保持一定的最小距离间隔，进而产生更容易被分类的特征分布，提高检测器检测性能。进一步地，通过Top-K池化替换原有的极大值池化，降低背景噪声对小尺寸特征图池化操作的影响，进一步提升性能。
本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。
本领域技术人员可以理解，实施例中的各步骤可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。
虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (7)

  1. 一种目标检测性能优化的方法，其特征在于，包括：
    在检测模型训练过程中，使用度量学习来调整样本在特征空间的分布，用以产生更有区分度的特征；度量学习对应的深度神经网络在迭代训练中，每一次迭代使用的候选框为通过联合交叠IoU信息确定的具有相同目标对象距离满足一定约束条件，不同目标距离满足一定约束条件的位置关系的候选框，以及；
    查看每一轮迭代训练产生的候选框目标的特征是否满足相似度约束条件；
    若满足，则检测模型在本次迭代不产生损失，不需要反向传播网络中各个层对应的输出误差；
    在测试时，将待检测图片和图片的候选框集合输入到训练后的检测模型中，获得该检测模型输出的目标对象坐标和类别信息。
  2. 根据权利要求1所述的方法，其特征在于，所述方法还包括：
    在测试之前，将训练过程的深度神经网络的池化层采用Top-K池化层替换；
    其中，所述Top-K池化层是通过对池化窗口中获取最高的K个响应值进行平均获取的；
    深度神经网络的迭代训练中采用反向传播算法，需要根据计算输入对应输出的偏导数，因此在反向传播过程中，所述Top-K池化方法对应的偏导数为：
    Figure PCTCN2017104396-appb-100001
    其中，Top-K池化方法取排序过的池化窗口的前K个值，K为大于1的自然数，xi，j为在第i个池化窗口的第j个元素，yi表示第i个池化窗口的输出。
  3. 根据权利要求1所述的方法，其特征在于，所述方法还包括：
    将训练过程的度量学习对应的深度神经网络的池化层采用能够应对噪声干扰的Top-K池化层替换；以及
    将测试过程的检测模型中深度神经网络的池化层采用能够应对噪声干扰的Top-K池化层替换；
    其中，所述Top-K池化层是通过对池化窗口中获取最高的K个响响应值进行平均获取的。
  4. 根据权利要求1至3任一所述的方法，其特征在于，每一次迭代使用的候选框为通过联合交叠IoU信息确定的具有相同目标对象距离满足一定约束条件，不同目标距离满足一定约束条件的位置关系的候选框，包括：
    针对训练图片的每个局部候选框都被指定一个类别标签lclass来表示它是某一目标类别或是背景；
    当一个局部候选框与正确标注之间的IoU重叠超过50％，该候选框为正样本；当一个局部候选框与任意一个正确标注的IoU覆盖面积都在[bglow，0.5)之间时，该候选框为负样本；bglow是一个阈值；
    对每一个负样本除了lclass外，额外指定一个候选框标签lproposal为与该局部候选框覆盖面积最大的类别；
    针对不符合相似性约束的三元组，根据lclass和lproposal将所有局部候选框分为不同的组，得到集合(G1，G2，...，GM)；
    每一组Gc包括lclass＝c的正样本和lproposal＝c的负样本；对每个组Gc，
    Figure PCTCN2017104396-appb-100002
    为目标对象的正确标注
    Figure PCTCN2017104396-appb-100003
    为lclass＝c的正样本，Rn为lclass＝background并且lproposal＝c的负样本；
    根据公式一选取每组Gc中的部分样本来构成三元组，组成规则是正确标注的特征，与正确标注特征距离最远的正样本和与正确标注征距离最近的负样本的特征，分别通过argmax和argmin操作来获得：
    公式一：
    Figure PCTCN2017104396-appb-100004
    Figure PCTCN2017104396-appb-100005
    分别是正确标注，正样本和负样本；
    约束条件为：
    Figure PCTCN2017104396-appb-100006
    Figure PCTCN2017104396-appb-100007
    为正确标注与正样本之间的特征相似度距离
    Figure PCTCN2017104396-appb-100008
    为正确标注与负样本的特征相似度距离；
    α表示预设的
    Figure PCTCN2017104396-appb-100009
    和
    Figure PCTCN2017104396-appb-100010
    之间的最小距离间隔。
  5. 根据权利要求1所述的方法，其特征在于，查看每一轮迭代训练产生的候选框目标的特征是否满足相似度约束条件，包括：
    迭代训练过程中的深度神经网络损失为Ltriplet，所以深度神经网络的整体优化损失函数为：
    Ltotal＝ω1Lcls+ω2Lloc+ω3Ltriplet；
    其中，ω1，ω2，ω3分别为预设的比例值；Lcls为分类损失，Lloc为定位损失，Ltriplet局部候选框的相似度三元组损失。
  6. 根据权利要求5所述的方法，其特征在于，
    所述
    Figure PCTCN2017104396-appb-100011
    其中，
    Figure PCTCN2017104396-appb-100012
    分别是正确标注，正样本和负样本，α表示预设的
    Figure PCTCN2017104396-appb-100013
    和
    Figure PCTCN2017104396-appb-100014
    之间的最小距离间隔。
  7. 根据权利要求1所述的方法，其特征在于，查看每一轮迭代训 练产生的候选框目标的特征是否满足相似度约束条件之后，所述方法还包括：
    若不满足相似度约束条件，深度神经网络会产生相似度损失；损失通过反向传播算法反向传播到每一层，并通过梯度下降算法更新模型参数；如此重复迭代训练。
PCT/CN2017/104396 2017-01-24 2017-09-29 一种目标检测性能优化的方法 WO2018137357A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201710060366.1A CN106934346B (zh) 2017-01-24 2017-01-24 一种目标检测性能优化的方法
CN201710060366.1 2017-01-24

Publications (1)

Publication Number Publication Date
WO2018137357A1 true WO2018137357A1 (zh) 2018-08-02

Family

ID=59423868

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2017/104396 WO2018137357A1 (zh) 2017-01-24 2017-09-29 一种目标检测性能优化的方法

Country Status (2)

Country Link
CN (1) CN106934346B (zh)
WO (1) WO2018137357A1 (zh)

Cited By (52)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543727A (zh) * 2018-11-07 2019-03-29 复旦大学 一种基于竞争重构学习的半监督异常检测方法
CN109635695A (zh) * 2018-11-28 2019-04-16 西安理工大学 基于三元组卷积神经网络的行人再识别方法
CN109711529A (zh) * 2018-11-13 2019-05-03 中山大学 一种基于值迭代网络的跨领域联邦学习模型及方法
CN109784345A (zh) * 2018-12-25 2019-05-21 中国科学院合肥物质科学研究院 一种基于无尺度深度网络的农业害虫检测方法
CN109784197A (zh) * 2018-12-21 2019-05-21 西北工业大学 基于孔洞卷积与注意力学习机制的行人再识别方法
CN109977813A (zh) * 2019-03-13 2019-07-05 山东沐点智能科技有限公司 一种基于深度学习框架的巡检机器人目标定位方法
CN109978021A (zh) * 2019-03-07 2019-07-05 北京大学深圳研究生院 一种基于文本不同特征空间的双流式视频生成方法
CN110008828A (zh) * 2019-02-21 2019-07-12 上海工程技术大学 基于差异正则化的成对约束成分分析度量优化方法
CN110084319A (zh) * 2019-05-07 2019-08-02 上海宝尊电子商务有限公司 基于深度神经网络的时尚图像服装领型识别方法与系统
CN110084222A (zh) * 2019-05-08 2019-08-02 大连海事大学 一种基于多目标角点池化神经网络的车辆检测方法
CN110176027A (zh) * 2019-05-27 2019-08-27 腾讯科技（深圳）有限公司 视频目标跟踪方法、装置、设备及存储介质
CN110728263A (zh) * 2019-10-24 2020-01-24 中国石油大学(华东) 一种基于距离选择的强判别特征学习的行人重识别方法
CN110837865A (zh) * 2019-11-08 2020-02-25 北京计算机技术及应用研究所 一种基于表示学习和迁移学习的领域适配方法
CN110889487A (zh) * 2018-09-10 2020-03-17 富士通株式会社 神经网络架构搜索装置和方法及计算机可读记录介质
CN111008994A (zh) * 2019-11-14 2020-04-14 山东万腾电子科技有限公司 基于MPSoC的运动目标实时检测跟踪系统及方法
CN111199175A (zh) * 2018-11-20 2020-05-26 株式会社日立制作所 一种目标检测网络模型的训练方法及装置
CN111242951A (zh) * 2020-01-08 2020-06-05 上海眼控科技股份有限公司 车辆检测方法、装置、计算机设备和存储介质
CN111310759A (zh) * 2020-02-13 2020-06-19 中科智云科技有限公司 双模式协作的目标检测抑制优化方法及设备
CN111340092A (zh) * 2020-02-21 2020-06-26 浙江大华技术股份有限公司 一种目标关联处理方法及装置
CN111368878A (zh) * 2020-02-14 2020-07-03 北京电子工程总体研究所 一种基于ssd目标检测的优化方法、计算机设备和介质
CN111368769A (zh) * 2020-03-10 2020-07-03 大连东软信息学院 基于改进锚点框生成模型的船舶多目标检测方法
CN111476827A (zh) * 2019-01-24 2020-07-31 曜科智能科技（上海）有限公司 目标跟踪方法、系统、电子装置及存储介质
CN111523421A (zh) * 2020-04-14 2020-08-11 上海交通大学 基于深度学习融合各种交互信息的多人行为检测方法及系统
CN111652214A (zh) * 2020-05-26 2020-09-11 佛山市南海区广工大数控装备协同创新研究院 一种基于深度学习的垃圾瓶分选方法
CN111652254A (zh) * 2019-03-08 2020-09-11 上海铼锶信息技术有限公司 一种基于相似度的模型优化方法及系统
CN111723657A (zh) * 2020-05-12 2020-09-29 中国电子系统技术有限公司 一种基于YOLOv3与自优化的河道异物检测方法及装置
CN111860265A (zh) * 2020-07-10 2020-10-30 武汉理工大学 一种基于样本损失的多检测框损失均衡道路场景理解算法
CN111914944A (zh) * 2020-08-18 2020-11-10 中国科学院自动化研究所 基于动态样本选择和损失一致性的物体检测方法和系统
CN111915746A (zh) * 2020-07-16 2020-11-10 北京理工大学 一种基于弱标注的三维点云目标检测方法及标注工具
CN111950586A (zh) * 2020-07-01 2020-11-17 银江股份有限公司 一种引入双向注意力的目标检测方法
CN112101434A (zh) * 2020-09-04 2020-12-18 河南大学 基于改进YOLO v3的红外图像弱小目标检测方法
CN112166441A (zh) * 2019-07-31 2021-01-01 深圳市大疆创新科技有限公司 数据处理方法、装置及计算机可读存储介质
CN112287977A (zh) * 2020-10-06 2021-01-29 武汉大学 一种基于边界框关键点距离的目标检测方法
CN112348040A (zh) * 2019-08-07 2021-02-09 杭州海康威视数字技术股份有限公司 模型训练方法、装置及设备
CN112464989A (zh) * 2020-11-02 2021-03-09 北京科技大学 一种基于目标检测网络的闭环检测方法
CN112597994A (zh) * 2020-11-30 2021-04-02 北京迈格威科技有限公司 候选框处理方法、装置、设备及介质
CN112598163A (zh) * 2020-12-08 2021-04-02 国网河北省电力有限公司电力科学研究院 一种基于对比学习和度量学习的接地网不开挖腐蚀预测模型
CN112699776A (zh) * 2020-12-28 2021-04-23 南京星环智能科技有限公司 训练样本优化方法、目标检测模型生成方法、设备及介质
CN112912887A (zh) * 2018-11-08 2021-06-04 北京比特大陆科技有限公司 基于人脸识别的处理方法、装置、设备及可读存储介质
CN112906685A (zh) * 2021-03-04 2021-06-04 重庆赛迪奇智人工智能科技有限公司 一种目标检测方法、装置、电子设备及存储介质
CN112913274A (zh) * 2018-09-06 2021-06-04 诺基亚技术有限公司 用于自组织网络的优化的过程
CN112950620A (zh) * 2021-03-26 2021-06-11 国网湖北省电力公司检修公司 基于级联r-cnn算法的输电线路防振锤变形缺陷检测方法
CN113033481A (zh) * 2021-04-20 2021-06-25 湖北工业大学 结合长宽比优先的一阶全卷积目标检测（fcos）算法的手持棍棒的检测方法
CN113032612A (zh) * 2021-03-12 2021-06-25 西北大学 一种多目标图像检索模型的构建方法及检索方法和装置
CN113361645A (zh) * 2021-07-03 2021-09-07 上海理想信息产业（集团）有限公司 基于元学习及知识记忆的目标检测模型构建方法及系统
CN113379718A (zh) * 2021-06-28 2021-09-10 北京百度网讯科技有限公司 一种目标检测方法、装置、电子设备以及可读存储介质
CN113569878A (zh) * 2020-04-28 2021-10-29 南京行者易智能交通科技有限公司 一种基于分数图的目标检测模型训练方法及目标检测方法
CN114548230A (zh) * 2022-01-25 2022-05-27 西安电子科技大学广州研究院 基于rgb色彩分离双路特征融合的x射线违禁物品检测方法
CN114764899A (zh) * 2022-04-12 2022-07-19 华南理工大学 基于transformer第一视角下的下一个交互物体预测方法
CN115294505A (zh) * 2022-10-09 2022-11-04 平安银行股份有限公司 风险物体检测及其模型的训练方法、装置及电子设备
CN115713731A (zh) * 2023-01-10 2023-02-24 武汉图科智能科技有限公司 拥挤场景行人检测模型构建方法及拥挤场景行人检测方法
CN116228734A (zh) * 2023-03-16 2023-06-06 江苏省家禽科学研究所 一种家禽毛孔特征识别方法、装置及设备

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106934346B (zh) * 2017-01-24 2019-03-15 北京大学 一种目标检测性能优化的方法
CN107392158A (zh) * 2017-07-27 2017-11-24 济南浪潮高新科技投资发展有限公司 一种图像识别的方法及装置
CN107292886B (zh) * 2017-08-11 2019-12-31 厦门市美亚柏科信息股份有限公司 基于网格划分及神经网络的目标物入侵检测方法及装置
CN107725453B (zh) * 2017-10-09 2024-02-27 珠海格力电器股份有限公司 风扇及其控制方法和系统
CN110163224B (zh) * 2018-01-23 2023-06-20 天津大学 一种可在线学习的辅助数据标注方法
CN108399362B (zh) * 2018-01-24 2022-01-07 中山大学 一种快速行人检测方法及装置
CN108596170B (zh) * 2018-03-22 2021-08-24 杭州电子科技大学 一种自适应非极大抑制的目标检测方法
CN108491827B (zh) * 2018-04-13 2020-04-10 腾讯科技（深圳）有限公司 一种车辆检测方法、装置及存储介质
CN108665429A (zh) * 2018-04-28 2018-10-16 济南浪潮高新科技投资发展有限公司 一种深度学习训练样本优化方法
CN108776834B (zh) 2018-05-07 2021-08-06 上海商汤智能科技有限公司 系统增强学习方法和装置、电子设备、计算机存储介质
CN109101932B (zh) * 2018-08-17 2020-07-24 佛山市顺德区中山大学研究院 基于目标检测的多任务及临近信息融合的深度学习方法
CN109376584A (zh) * 2018-09-04 2019-02-22 湖南大学 一种用于畜牧业的禽畜数量统计系统和方法
CN109886307A (zh) * 2019-01-24 2019-06-14 西安交通大学 一种基于卷积神经网络的图像检测方法及系统
CN109977797B (zh) * 2019-03-06 2023-06-20 上海交通大学 基于排序损失函数的一阶目标检测器的优化方法
CN109978017B (zh) * 2019-03-06 2021-06-01 开易（北京）科技有限公司 难样本采样方法和系统
CN110082821B (zh) * 2019-03-26 2020-10-02 长江大学 一种无标签框微地震信号检测方法及装置
CN110059591B (zh) * 2019-04-01 2021-04-16 北京中科晶上超媒体信息技术有限公司 运动目标区域的识别方法
CN110321923B (zh) * 2019-05-10 2021-05-04 上海大学 不同尺度感受野特征层融合的目标检测方法、系统及介质
CN110443366B (zh) * 2019-07-30 2022-08-30 上海商汤智能科技有限公司 神经网络的优化方法及装置、目标检测方法及装置
CN111275011B (zh) * 2020-02-25 2023-12-19 阿波罗智能技术(北京)有限公司 移动红绿灯检测方法、装置、电子设备和存储介质
CN112749726B (zh) * 2020-02-26 2023-09-29 腾讯科技（深圳）有限公司 目标检测模型的训练方法、装置、计算机设备和存储介质
CN111126515B (zh) * 2020-03-30 2020-07-24 腾讯科技（深圳）有限公司 基于人工智能的模型训练方法和相关装置
CN111652285A (zh) * 2020-05-09 2020-09-11 济南浪潮高新科技投资发展有限公司 一种茶饼类别识别方法、设备及介质
CN111738072A (zh) * 2020-05-15 2020-10-02 北京百度网讯科技有限公司 目标检测模型的训练方法、装置及电子设备
CN111968030B (zh) * 2020-08-19 2024-02-20 抖音视界有限公司 信息生成方法、装置、电子设备和计算机可读介质
CN112396067B (zh) * 2021-01-19 2021-05-18 苏州挚途科技有限公司 点云数据采样方法、装置及电子设备
CN113822224B (zh) * 2021-10-12 2023-12-26 中国人民解放军国防科技大学 融合多模态学习与多粒度结构学习的谣言检测方法及装置
CN114119989B (zh) * 2021-11-29 2023-08-11 北京百度网讯科技有限公司 图像特征提取模型的训练方法、装置及电子设备
CN114463603B (zh) * 2022-04-14 2022-08-23 浙江啄云智能科技有限公司 图像检测模型的训练方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103605972A (zh) * 2013-12-10 2014-02-26 康江科技(北京)有限责任公司 一种基于分块深度神经网络的非限制环境人脸验证方法
CN104217225A (zh) * 2014-09-02 2014-12-17 中国科学院自动化研究所 一种视觉目标检测与标注方法
CN104978580A (zh) * 2015-06-15 2015-10-14 国网山东省电力公司电力科学研究院 一种用于无人机巡检输电线路的绝缘子识别方法
CN106227851A (zh) * 2016-07-29 2016-12-14 汤平 基于深度卷积神经网络端对端的通过分层深度搜索的图像检索方法
CN106934346A (zh) * 2017-01-24 2017-07-07 北京大学 一种目标检测性能优化的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103605972A (zh) * 2013-12-10 2014-02-26 康江科技(北京)有限责任公司 一种基于分块深度神经网络的非限制环境人脸验证方法
CN104217225A (zh) * 2014-09-02 2014-12-17 中国科学院自动化研究所 一种视觉目标检测与标注方法
CN104978580A (zh) * 2015-06-15 2015-10-14 国网山东省电力公司电力科学研究院 一种用于无人机巡检输电线路的绝缘子识别方法
CN106227851A (zh) * 2016-07-29 2016-12-14 汤平 基于深度卷积神经网络端对端的通过分层深度搜索的图像检索方法
CN106934346A (zh) * 2017-01-24 2017-07-07 北京大学 一种目标检测性能优化的方法

Cited By (91)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112913274A (zh) * 2018-09-06 2021-06-04 诺基亚技术有限公司 用于自组织网络的优化的过程
CN112913274B (zh) * 2018-09-06 2024-04-23 诺基亚技术有限公司 用于自组织网络的优化的过程
CN110889487A (zh) * 2018-09-10 2020-03-17 富士通株式会社 神经网络架构搜索装置和方法及计算机可读记录介质
CN109543727A (zh) * 2018-11-07 2019-03-29 复旦大学 一种基于竞争重构学习的半监督异常检测方法
CN109543727B (zh) * 2018-11-07 2022-12-20 复旦大学 一种基于竞争重构学习的半监督异常检测方法
CN112912887A (zh) * 2018-11-08 2021-06-04 北京比特大陆科技有限公司 基于人脸识别的处理方法、装置、设备及可读存储介质
CN109711529A (zh) * 2018-11-13 2019-05-03 中山大学 一种基于值迭代网络的跨领域联邦学习模型及方法
CN109711529B (zh) * 2018-11-13 2022-11-08 中山大学 一种基于值迭代网络的跨领域联邦学习模型及方法
CN111199175A (zh) * 2018-11-20 2020-05-26 株式会社日立制作所 一种目标检测网络模型的训练方法及装置
CN109635695B (zh) * 2018-11-28 2022-11-08 西安理工大学 基于三元组卷积神经网络的行人再识别方法
CN109635695A (zh) * 2018-11-28 2019-04-16 西安理工大学 基于三元组卷积神经网络的行人再识别方法
CN109784197A (zh) * 2018-12-21 2019-05-21 西北工业大学 基于孔洞卷积与注意力学习机制的行人再识别方法
CN109784345B (zh) * 2018-12-25 2022-10-28 中国科学院合肥物质科学研究院 一种基于无尺度深度网络的农业害虫检测方法
CN109784345A (zh) * 2018-12-25 2019-05-21 中国科学院合肥物质科学研究院 一种基于无尺度深度网络的农业害虫检测方法
CN111476827A (zh) * 2019-01-24 2020-07-31 曜科智能科技（上海）有限公司 目标跟踪方法、系统、电子装置及存储介质
CN111476827B (zh) * 2019-01-24 2024-02-02 曜科智能科技（上海）有限公司 目标跟踪方法、系统、电子装置及存储介质
CN110008828A (zh) * 2019-02-21 2019-07-12 上海工程技术大学 基于差异正则化的成对约束成分分析度量优化方法
CN109978021B (zh) * 2019-03-07 2022-09-16 北京大学深圳研究生院 一种基于文本不同特征空间的双流式视频生成方法
CN109978021A (zh) * 2019-03-07 2019-07-05 北京大学深圳研究生院 一种基于文本不同特征空间的双流式视频生成方法
CN111652254A (zh) * 2019-03-08 2020-09-11 上海铼锶信息技术有限公司 一种基于相似度的模型优化方法及系统
CN111652254B (zh) * 2019-03-08 2023-05-23 上海铼锶信息技术有限公司 一种基于相似度的模型优化方法及系统
CN109977813B (zh) * 2019-03-13 2022-09-13 山东沐点智能科技有限公司 一种基于深度学习框架的巡检机器人目标定位方法
CN109977813A (zh) * 2019-03-13 2019-07-05 山东沐点智能科技有限公司 一种基于深度学习框架的巡检机器人目标定位方法
CN110084319B (zh) * 2019-05-07 2023-06-30 上海宝尊电子商务有限公司 基于深度神经网络的时尚图像服装领型识别方法与系统
CN110084319A (zh) * 2019-05-07 2019-08-02 上海宝尊电子商务有限公司 基于深度神经网络的时尚图像服装领型识别方法与系统
CN110084222B (zh) * 2019-05-08 2022-10-21 大连海事大学 一种基于多目标角点池化神经网络的车辆检测方法
CN110084222A (zh) * 2019-05-08 2019-08-02 大连海事大学 一种基于多目标角点池化神经网络的车辆检测方法
CN110176027B (zh) * 2019-05-27 2023-03-14 腾讯科技（深圳）有限公司 视频目标跟踪方法、装置、设备及存储介质
CN110176027A (zh) * 2019-05-27 2019-08-27 腾讯科技（深圳）有限公司 视频目标跟踪方法、装置、设备及存储介质
WO2021016932A1 (zh) * 2019-07-31 2021-02-04 深圳市大疆创新科技有限公司 数据处理方法、装置及计算机可读存储介质
CN112166441A (zh) * 2019-07-31 2021-01-01 深圳市大疆创新科技有限公司 数据处理方法、装置及计算机可读存储介质
CN112348040B (zh) * 2019-08-07 2023-08-29 杭州海康威视数字技术股份有限公司 模型训练方法、装置及设备
CN112348040A (zh) * 2019-08-07 2021-02-09 杭州海康威视数字技术股份有限公司 模型训练方法、装置及设备
CN110728263A (zh) * 2019-10-24 2020-01-24 中国石油大学(华东) 一种基于距离选择的强判别特征学习的行人重识别方法
CN110728263B (zh) * 2019-10-24 2023-10-24 中国石油大学(华东) 一种基于距离选择的强判别特征学习的行人重识别方法
CN110837865A (zh) * 2019-11-08 2020-02-25 北京计算机技术及应用研究所 一种基于表示学习和迁移学习的领域适配方法
CN111008994A (zh) * 2019-11-14 2020-04-14 山东万腾电子科技有限公司 基于MPSoC的运动目标实时检测跟踪系统及方法
CN111242951A (zh) * 2020-01-08 2020-06-05 上海眼控科技股份有限公司 车辆检测方法、装置、计算机设备和存储介质
CN111310759A (zh) * 2020-02-13 2020-06-19 中科智云科技有限公司 双模式协作的目标检测抑制优化方法及设备
CN111310759B (zh) * 2020-02-13 2024-03-01 中科智云科技有限公司 双模式协作的目标检测抑制优化方法及设备
CN111368878A (zh) * 2020-02-14 2020-07-03 北京电子工程总体研究所 一种基于ssd目标检测的优化方法、计算机设备和介质
CN111368878B (zh) * 2020-02-14 2023-02-28 北京电子工程总体研究所 一种基于ssd目标检测的优化方法、计算机设备和介质
CN111340092A (zh) * 2020-02-21 2020-06-26 浙江大华技术股份有限公司 一种目标关联处理方法及装置
CN111340092B (zh) * 2020-02-21 2023-09-22 浙江大华技术股份有限公司 一种目标关联处理方法及装置
CN111368769A (zh) * 2020-03-10 2020-07-03 大连东软信息学院 基于改进锚点框生成模型的船舶多目标检测方法
CN111368769B (zh) * 2020-03-10 2024-03-12 大连东软信息学院 基于改进锚点框生成模型的船舶多目标检测方法
CN111523421B (zh) * 2020-04-14 2023-05-19 上海交通大学 基于深度学习融合各种交互信息的多人行为检测方法及系统
CN111523421A (zh) * 2020-04-14 2020-08-11 上海交通大学 基于深度学习融合各种交互信息的多人行为检测方法及系统
CN113569878B (zh) * 2020-04-28 2024-03-01 南京行者易智能交通科技有限公司 一种基于分数图的目标检测模型训练方法及目标检测方法
CN113569878A (zh) * 2020-04-28 2021-10-29 南京行者易智能交通科技有限公司 一种基于分数图的目标检测模型训练方法及目标检测方法
CN111723657B (zh) * 2020-05-12 2023-04-07 中国电子系统技术有限公司 一种基于YOLOv3与自优化的河道异物检测方法及装置
CN111723657A (zh) * 2020-05-12 2020-09-29 中国电子系统技术有限公司 一种基于YOLOv3与自优化的河道异物检测方法及装置
CN111652214A (zh) * 2020-05-26 2020-09-11 佛山市南海区广工大数控装备协同创新研究院 一种基于深度学习的垃圾瓶分选方法
CN111950586B (zh) * 2020-07-01 2024-01-19 银江技术股份有限公司 一种引入双向注意力的目标检测方法
CN111950586A (zh) * 2020-07-01 2020-11-17 银江股份有限公司 一种引入双向注意力的目标检测方法
CN111860265A (zh) * 2020-07-10 2020-10-30 武汉理工大学 一种基于样本损失的多检测框损失均衡道路场景理解算法
CN111860265B (zh) * 2020-07-10 2024-01-05 武汉理工大学 一种基于样本损失的多检测框损失均衡道路场景理解算法
CN111915746A (zh) * 2020-07-16 2020-11-10 北京理工大学 一种基于弱标注的三维点云目标检测方法及标注工具
CN111915746B (zh) * 2020-07-16 2022-09-13 北京理工大学 一种基于弱标注的三维点云目标检测方法及标注工具
CN111914944A (zh) * 2020-08-18 2020-11-10 中国科学院自动化研究所 基于动态样本选择和损失一致性的物体检测方法和系统
CN111914944B (zh) * 2020-08-18 2022-11-08 中国科学院自动化研究所 基于动态样本选择和损失一致性的物体检测方法和系统
CN112101434B (zh) * 2020-09-04 2022-09-09 河南大学 基于改进YOLO v3的红外图像弱小目标检测方法
CN112101434A (zh) * 2020-09-04 2020-12-18 河南大学 基于改进YOLO v3的红外图像弱小目标检测方法
CN112287977A (zh) * 2020-10-06 2021-01-29 武汉大学 一种基于边界框关键点距离的目标检测方法
CN112287977B (zh) * 2020-10-06 2024-02-09 武汉大学 一种基于边界框关键点距离的目标检测方法
CN112464989B (zh) * 2020-11-02 2024-02-20 北京科技大学 一种基于目标检测网络的闭环检测方法
CN112464989A (zh) * 2020-11-02 2021-03-09 北京科技大学 一种基于目标检测网络的闭环检测方法
CN112597994A (zh) * 2020-11-30 2021-04-02 北京迈格威科技有限公司 候选框处理方法、装置、设备及介质
CN112597994B (zh) * 2020-11-30 2024-04-30 北京迈格威科技有限公司 候选框处理方法、装置、设备及介质
CN112598163A (zh) * 2020-12-08 2021-04-02 国网河北省电力有限公司电力科学研究院 一种基于对比学习和度量学习的接地网不开挖腐蚀预测模型
CN112598163B (zh) * 2020-12-08 2022-11-22 国网河北省电力有限公司电力科学研究院 一种基于对比学习和度量学习的接地网不开挖腐蚀预测模型
CN112699776A (zh) * 2020-12-28 2021-04-23 南京星环智能科技有限公司 训练样本优化方法、目标检测模型生成方法、设备及介质
CN112699776B (zh) * 2020-12-28 2022-06-21 南京星环智能科技有限公司 训练样本优化方法、目标检测模型生成方法、设备及介质
CN112906685A (zh) * 2021-03-04 2021-06-04 重庆赛迪奇智人工智能科技有限公司 一种目标检测方法、装置、电子设备及存储介质
CN112906685B (zh) * 2021-03-04 2024-03-26 重庆赛迪奇智人工智能科技有限公司 一种目标检测方法、装置、电子设备及存储介质
CN113032612A (zh) * 2021-03-12 2021-06-25 西北大学 一种多目标图像检索模型的构建方法及检索方法和装置
CN112950620A (zh) * 2021-03-26 2021-06-11 国网湖北省电力公司检修公司 基于级联r-cnn算法的输电线路防振锤变形缺陷检测方法
CN113033481B (zh) * 2021-04-20 2023-06-02 湖北工业大学 基于一阶全卷积目标检测算法的手持棍棒的检测方法
CN113033481A (zh) * 2021-04-20 2021-06-25 湖北工业大学 结合长宽比优先的一阶全卷积目标检测（fcos）算法的手持棍棒的检测方法
CN113379718B (zh) * 2021-06-28 2024-02-02 北京百度网讯科技有限公司 一种目标检测方法、装置、电子设备以及可读存储介质
CN113379718A (zh) * 2021-06-28 2021-09-10 北京百度网讯科技有限公司 一种目标检测方法、装置、电子设备以及可读存储介质
CN113361645B (zh) * 2021-07-03 2024-01-23 上海理想信息产业（集团）有限公司 基于元学习及知识记忆的目标检测模型构建方法及系统
CN113361645A (zh) * 2021-07-03 2021-09-07 上海理想信息产业（集团）有限公司 基于元学习及知识记忆的目标检测模型构建方法及系统
CN114548230B (zh) * 2022-01-25 2024-03-26 西安电子科技大学广州研究院 基于rgb色彩分离双路特征融合的x射线违禁物品检测方法
CN114548230A (zh) * 2022-01-25 2022-05-27 西安电子科技大学广州研究院 基于rgb色彩分离双路特征融合的x射线违禁物品检测方法
CN114764899A (zh) * 2022-04-12 2022-07-19 华南理工大学 基于transformer第一视角下的下一个交互物体预测方法
CN114764899B (zh) * 2022-04-12 2024-03-22 华南理工大学 基于transformer第一视角下的下一个交互物体预测方法
CN115294505A (zh) * 2022-10-09 2022-11-04 平安银行股份有限公司 风险物体检测及其模型的训练方法、装置及电子设备
CN115713731A (zh) * 2023-01-10 2023-02-24 武汉图科智能科技有限公司 拥挤场景行人检测模型构建方法及拥挤场景行人检测方法
CN116228734B (zh) * 2023-03-16 2023-09-22 江苏省家禽科学研究所 一种家禽毛孔特征识别方法、装置及设备
CN116228734A (zh) * 2023-03-16 2023-06-06 江苏省家禽科学研究所 一种家禽毛孔特征识别方法、装置及设备

Also Published As

Publication number Publication date
CN106934346B (zh) 2019-03-15
CN106934346A (zh) 2017-07-07

Similar Documents

Publication Publication Date Title
WO2018137357A1 (zh) 一种目标检测性能优化的方法
US11816888B2 (en) Accurate tag relevance prediction for image search
US9965719B2 (en) Subcategory-aware convolutional neural networks for object detection
WO2019120115A1 (zh) 人脸识别的方法、装置及计算机装置
CN108416250B (zh) 人数统计方法及装置
Zhang et al. Joint face detection and alignment using multitask cascaded convolutional networks
Li et al. Localizing and quantifying damage in social media images
US9940577B2 (en) Finding semantic parts in images
WO2020155518A1 (zh) 物体检测方法、装置、计算机设备及存储介质
Yang et al. Multi-object tracking with discriminant correlation filter based deep learning tracker
WO2018107760A1 (zh) 一种用于行人检测的协同式深度网络模型方法
JP5604256B2 (ja) 人物動作検出装置およびそのプログラム
CN105205501B (zh) 一种多分类器联合的弱标注图像对象检测方法
US10576974B2 (en) Multiple-parts based vehicle detection integrated with lane detection for improved computational efficiency and robustness
US8948522B2 (en) Adaptive threshold for object detection
US11599983B2 (en) System and method for automated electronic catalogue management and electronic image quality assessment
CN105701514A (zh) 一种用于零样本分类的多模态典型相关分析的方法
Zheng et al. Improvement of grayscale image 2D maximum entropy threshold segmentation method
CN112085055A (zh) 一种基于迁移模型雅克比阵特征向量扰动的黑盒攻击方法
CN115797736B (zh) 目标检测模型的训练和目标检测方法、装置、设备和介质
Tsintotas et al. DOSeqSLAM: Dynamic on-line sequence based loop closure detection algorithm for SLAM
Du High-precision portrait classification based on mtcnn and its application on similarity judgement
CN112381047A (zh) 一种人脸表情图像的增强识别方法
CN107330363B (zh) 一种快速的互联网广告牌检测方法
CN102314598A (zh) 基于Retinex理论的复杂光照下的人眼检测方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17894136

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 17894136

Country of ref document: EP

Kind code of ref document: A1