WO2020119619A1 - 一种基于3d目标分类和场景语义分割的网络优化结构 - Google Patents
一种基于3d目标分类和场景语义分割的网络优化结构 Download PDFInfo
- Publication number
- WO2020119619A1 WO2020119619A1 PCT/CN2019/123947 CN2019123947W WO2020119619A1 WO 2020119619 A1 WO2020119619 A1 WO 2020119619A1 CN 2019123947 W CN2019123947 W CN 2019123947W WO 2020119619 A1 WO2020119619 A1 WO 2020119619A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- point
- layer
- features
- points
- semantic segmentation
- 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.)
- Ceased
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
Definitions
- the invention relates to the field of robots and reinforcement learning, and in particular to a network optimization structure based on 3D target classification and scene semantic segmentation.
- PointNet++ is a recently proposed network structure for 3D target classification and scene semantic segmentation. Although it has achieved relatively satisfactory results, there are still two problems:
- PointNet++ uses the farthest point sampling (FPS) algorithm when selecting centroid points. Although this algorithm can cover the entire data set better than random point selection, it ignores the classification of the features of each point. The fact that the contribution of the segmentation task is different. Therefore, FPS cannot guarantee that the selected set of centroid points can correctly represent the main features of the object;
- FPS farthest point sampling
- Multi-scale grouping MSG
- Multi-resolution grouping MRG
- PointNet++ Multi-scale grouping
- MSG is the fusion of multi-scale features of the same point on the same layer
- MRG is the global of different layers Feature fusion. This feature fusion method ignores the characteristics of the same point between different levels.
- the present invention proposes a network optimization structure based on 3D target classification and scene semantic segmentation, which can not only improve the classification performance of PointNet++ for objects, but also improve the performance of scene segmentation.
- the technical solution of the present invention to solve the above problems is: a network optimization structure based on 3D target classification and scene semantic segmentation, which is special in that it includes the following steps:
- the collected point set is a subset of the previous point set. According to this characteristic, the same point has different characteristics in each layer, so the next layer is being processed.
- This fusion method is to fuse the fine-grained features of the specified point.
- the output of the module is Y:
- M is the number of categories that need to be predicted
- the PS module uses a 2-layer CNN layer and the convolution kernel size of each layer is 1x1.
- the present invention is a network optimization structure based on 3D target classification and scene semantic segmentation. It proposes a new method to select centroid points and score the contribution degree of points before feature extraction, so that the selected point set can reflect The main characteristics of the target;
- the Multi-level-point feature (MLPF) structure is proposed.
- the MLPF method can extract different levels of features for each center point of interest and fuse them. Although MLPF also uses different levels of features, the object of action is a point. Not the area. And this feature extraction method is more universal and can be used in other networks;
- FIG. 1 is a schematic structural diagram of a PS provided by an embodiment of the present invention (different numbers of points represent different importance);
- FIG. 2 is a schematic diagram of center point selection between levels and multi-level fusion of features at the same point provided by an embodiment of the present invention (where l i represents the characteristics of the i-th layer).
- a network optimization structure based on 3D target classification and scene semantic segmentation includes the following steps:
- the PS module selects feature points with a new point-selection method.
- the new point-selection method is a new method based on the attention mechanism to select those features that contribute more to the task Point, so that the selected point set can better represent the entire sampled space, the schematic diagram of the PS module structure is shown in Figure 1 (different numbers of points represent different importance);
- the collected point set is a subset of the previous point set. According to this characteristic, the same point has different characteristics in each layer, so the next layer is being processed.
- This fusion method is to fuse the fine-grained features of the specified point. The process is shown in Figure 2:
- Figure 2 is the selection of the center point between levels and the multi-level fusion of features at the same point, where l i represents the characteristics of the i-th layer.
- each layer of feature point sets is a subset of the previous layer, and the same point contains different feature information in different layers, so we can fuse these features to get more Powerful features.
- layer l i+1 contains 3 points: point 1, point 2 and point 3. These points are obtained through the first two layers of feature selection.
- the features of the points in the next layer are only related to the previous layer, and the previous features are not considered.
- the corresponding diagram is the dotted line 2 with only l i-1 to l i and l i to l i+1 , and the dotted line 1 without l i-1 to l i+ 1.
- the specific process is as follows:
- C i represents the set of centroid points output by the i-th layer
- N j represents the centroid of the points C i
- C i F i representative feature points corresponding to the set
- C i+1 the index to filter out the features of the middle point of C i+1 in the front i layer and perform feature stitching F fuse :
- the output of the module is Y:
- M is the number of categories that need to be predicted
- the PS module uses a 2-layer CNN layer and the convolution kernel size of each layer is 1x1.
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
一种基于3D目标分类和场景语义分割的网络结构优化方法，涉及机器人与强化学习领域，其在得到点的特征的时候，对每一个点进行打分，分数的高低代表该点对于任务的贡献程度；对分数进行排序，取前N个点。在进行中心点采样时，所采集得到的点集都是上一层点集的子集，根据这一特性，相同点在每一层中所拥有的特征都不一样，所以在进行下一层特征提取的时候，可以把之前层的位于同一个点的不同特征进行融合，这种融合方式是对指定点的细粒度的特征融合。该方法不仅可以提高PointNet++对物体的分类性能，还可以提高对场景分割的性能。
Description
本发明涉及机器人与强化学习领域，具体而言，涉及一种基于3D目标分类和场景语义分割的网络优化结构。
PointNet++是近期提出的用于3D目标分类和场景语义分割的网络结构。虽然它已经取得了比较理想的效果，但仍然存在以下两个问题：
1)PointNet++在选择质心点的时候采用的是最远点采样(FPS)算法，该算法虽然与随机选点相比能更好的覆盖整个数据集，但是它忽略了每个点的特征对分类和分割任务的贡献不同这样一个事实。因此，FPS不能保证所选择的质心点的点集能够正确地表示物体的主体特征；
2)PointNet++中用Multi-scalegrouping(MSG)和Multi-resolution grouping(MRG)解决了点云的密度不均匀难题，但是MSG是对同一层同一点的多尺度特征融合，MRG是对不同层的全局特征融合。这种征融合方式忽视了同一点在不同级别之间的特征。
发明内容
为解决上述背景技术中存在的问题，本发明提出一种基于3D目标分类和场景语义分割的网络优化结构，不仅可以提高PointNet++对物体的分类性能，还可以提高对场景分割的性能。
本发明解决上述问题的技术方案是：一种基于3D目标分类和场景语义分割的网络优化结构，其特殊之处在于，包括以下步骤：
1)构建PS模块
1.1)获取点的特征；
1.2)对每一个点进行打分，分数的高低代表该点对于任务的贡献程度；
1.3)对分数进行排序，取前N个点，其中，所述N为想要采样的点的个 数；
2)MLPF特征提取和融合
在进行中心点采样时，所采集得到的点集都是上一层点集的子集，根据这一特性，相同点在每一层中所拥有的特征都不一样，所以在进行下一层特征提取的时候，我们可以把之前层的位于同一个点的不同特征进行融合，这种融合方式是对指定点的细粒度的特征融合。
进一步地，步骤1.2)中，对每一个点进行打分时，是用打分函数α(f
n；θ)对每一个点进行打分，其中f
n∈R
d,n＝1,2,…,N代表d维特征,θ代表学习得到的参数；
在训练该PS模块时，模块的输出为Y:
其中
代表最后一层输出层的权重，M是需要预测的类别个数；
在训练的时候，使用crossentropyloss函数来收敛，loss函数公式如下：
L＝-[y
*ln
p+(1-y
*)ln
(1-p)] (2)，
其中y
*代表标签，
PS模块使用的是2层的CNN层且每层的卷积核大小都是1x1。
本发明的优点：
1)本发明一种基于3D目标分类和场景语义分割的网络优化结构，其提出一种新的方法选择质心点，对特征提取之前的点进行贡献度的打分，使得选出的点集能体现目标的主体特征；
2)提出了Multi-level-pointfeature(MLPF)结构，MLPF方法可以对每个感兴趣的中心点分别提取不同层级的特征进行融合，虽然MLPF也是利用的不同层级的特征，但是作用对象却是点而不是区域。而且这种特征提取的方法更具有普适性，可以用到其他网络中；
3)另外，提出一种新的特征融合的方式，从而可以提取更细粒度的特征。 此外，这两种结构不仅适用于PointNet++，而且可以应用于其他网络结构当中，从而提高网络的整体性能，并且可以有效地防止过拟合问题。所以我们的结构对于场景的目标分类和场景语义分割具有重要的使用和参考价值。
图1是本发明实施例提供的PS的结构示意图(点的不同编号代表不同的重要性)；
图2是本发明实施例提供的层级间的中心点的筛选和同一点的特征的多级融合示意图(其中l
i代表第i层的特征)。
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
一种基于3D目标分类和场景语义分割的网络优化结构，包括以下步骤：
1)构建PS模块，所述PS模块用新的选点方式Point-selection选择特征点，新的选点方式Point-selection是基于注意力机制的新方法来选择那些对任务有更多贡献的特征点，以便所选择的点集更能代表整个被采样空间，PS模块结构示意图如图1(点的不同编号代表不同的重要性)所示；
1.1)获取点的特征；
1.2)对每一个点进行打分，分数的高低代表该点对于任务的贡献程度；
1.3)对分数进行排序，取前N个点，其中，所述N为想要采样的点的个 数。这样一来，同样取相同个数的点，使用该方法得到的点比FPS算法选取的点集更具代表性，特征更加明显。
2)MLPF特征提取和融合
在进行中心点采样时，所采集得到的点集都是上一层点集的子集，根据这一特性，相同点在每一层中所拥有的特征都不一样，所以在进行下一层特征提取的时候，我们可以把之前层的位于同一个点的不同特征进行融合，这种融合方式是对指定点的细粒度的特征融合，该过程如图2所示：
图2是层级间的中心点的筛选和同一点的特征的多级融合，其中l
i代表第i层的特征。
从图2可以看出，每层特征点集，都是上一层的子集，且同一个点在不同层所包含的特征信息都不太一样，所以我们可以把这些特征进行融合，得到更强大的特征。例如，第l
i+1层包含了3个点：1号点，2号点和3号点。这些点是经过前面两层特征筛选得到的。原始的PointNet++中下一层的点的特征都只与上一层有关，并没有考虑到更前面的特征。相对应图示就是只有l
i-1到l
i和l
i到l
i+1的虚线2，而没有l
i-1到l
i+1的虚线1。我们经过这样多层级的同一点的特征融合达到一种细粒度特征的融合。这样的特征所包含的信息更加丰富。具体流程如下：
其中，C
i代表第i层输出的质心点的集合，
表示C
i中第n
j个质心点；而F
i代表C
i中相对应点的特征集合，
为点
的特征。
在进行第i+1层特征提取的时候，首先会进行第i+1质心点集C
i+1(
其中k＝1，2，…，i)的选取。在得到C
i+1后，我们以C
i+1为索引筛选出C
i+1中点在前i层的特征并进行特征拼接F
fuse：
其中
代表C
i+1中的点在第i层中的特征。故最终i+1层的输入为{C
i+1，F
fuse}，而原始网络中的输入为
进一步地，步骤1.2)中，对每一个点进行打分时，是用打分函数α(f
n；θ)对每一个点进行打分，其中f
n∈R
d,n＝1,2,…,N代表d维特征,θ代表学习得到的参数；
在训练该PS模块时，模块的输出为Y:
其中
代表最后一层输出层的权重，M是需要预测的类别个数；
在训练的时候，使用crossentropyloss函数来收敛，loss函数公式如下：
L＝-[y
*ln
p+(1-y
*)ln
(1-p)] (2)
其中y
*代表标签，
PS模块使用的是2层的CNN层且每层的卷积核大小都是1x1。
我们在ModelNet40和ScanNet数据集上进行了一些实验，并与其他先进的方法相比较，结果如表1和表2所示，可以验证本发明优于其他方法。
表1：在ModelNet40数据集上的物体分类结果
| 方式 | Mean loss | Accuracy(％) | Avg.Acc(％) |
| Subvolume | - | 89.2 | 86.0 |
| MVCNN | - | 90.1 | - |
| PointNet | 0.491 | 89.2 | 86.2 |
| PointNet++(SSG) | 0.445 | 90.2 | 87.9 |
| Ours(PS) | 0.386 | 90.6 | 88.1 |
| Ours(MLPF) | 0.342 | 91.1 | 87.8 |
表2：在ScanNet数据集上的场景语义分割结果
| 方式 | Accuracy(％) |
| 3DCNN | 73.0 |
| PointNet | 73.9 |
| PointNet++(SSG) | 83.3 |
| Ours(MLPF) | 85.1 |
以上所述仅为本发明的实施例，并非以此限制本发明的保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的系统领域，均同理包括在本发明的保护范围内。
Claims (2)
- 一种基于3D目标分类和场景语义分割的网络优化结构，其特殊之处在于，包括以下步骤：1)构建PS模块1.1)获取点的特征；1.2)对每一个点进行打分，分数的高低代表该点对于任务的贡献程度；1.3)对分数进行排序，取前N个点，其中，所述N为想要采样的点的个数；2)MLPF特征提取和融合在进行中心点采样时，所采集得到的点集都是上一层点集的子集，根据这一特性，相同点在每一层中所拥有的特征都不一样，所以在进行下一层特征提取的时候，可以把之前层的位于同一个点的不同特征进行融合，这种融合方式是对指定点的细粒度的特征融合。
- 根据权利要求1所述的一种基于3D目标分类和场景语义分割的网络优化结构，其特殊之处在于：步骤1.2)中，对每一个点进行打分时，是用打分函数α(f n；θ)对每一个点进行打分，其中f n∈R d,n＝1,2,…,N代表d维特征,θ代表学习得到的参数；在训练该PS模块时，模块的输出为Y:
其中代表最后一层输出层的权重，M是需要预测的 类别个数；
在训练的时候，使用crossentropyloss函数来收敛，loss函数公式如下：L＝-[y *ln p+(1-y *)ln (1-p)] (2)，其中y *代表标签，
PS模块使用的是2层的CNN层且每层的卷积核大小都是1x1。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811535562.0A CN109753995B (zh) | 2018-12-14 | 2018-12-14 | 一种基于PointNet++的3D点云目标分类和语义分割网络的优化方法 |
| CN201811535562.0 | 2018-12-14 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2020119619A1 true WO2020119619A1 (zh) | 2020-06-18 |
Family
ID=66403851
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2019/123947 Ceased WO2020119619A1 (zh) | 2018-12-14 | 2019-12-09 | 一种基于3d目标分类和场景语义分割的网络优化结构 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109753995B (zh) |
| WO (1) | WO2020119619A1 (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112257597A (zh) * | 2020-10-22 | 2021-01-22 | 中国人民解放军战略支援部队信息工程大学 | 一种点云数据的语义分割方法 |
| CN112488210A (zh) * | 2020-12-02 | 2021-03-12 | 北京工业大学 | 一种基于图卷积神经网络的三维点云自动分类方法 |
| CN113850816A (zh) * | 2020-06-28 | 2021-12-28 | 中国人民解放军空军军医大学 | 一种宫颈癌mri图像的分割装置及方法 |
| CN114241110A (zh) * | 2022-02-23 | 2022-03-25 | 北京邮电大学 | 基于邻域聚合蒙特卡罗失活的点云语义不确定度感知方法 |
| CN114359632A (zh) * | 2021-12-29 | 2022-04-15 | 江苏大学 | 一种基于改进PointNet++神经网络的点云目标分类方法 |
| CN114419372A (zh) * | 2022-01-13 | 2022-04-29 | 南京邮电大学 | 一种多尺度点云分类方法及系统 |
| CN117078923A (zh) * | 2023-07-19 | 2023-11-17 | 苏州大学 | 面向自动驾驶环境的语义分割自动化方法、系统及介质 |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109753995B (zh) * | 2018-12-14 | 2021-01-01 | 中国科学院深圳先进技术研究院 | 一种基于PointNet++的3D点云目标分类和语义分割网络的优化方法 |
| CN110210431B (zh) * | 2019-06-06 | 2021-05-11 | 上海黑塞智能科技有限公司 | 一种基于点云语义标注和优化的点云分类方法 |
| CN110245709B (zh) * | 2019-06-18 | 2021-09-03 | 西安电子科技大学 | 基于深度学习和自注意力的3d点云数据语义分割方法 |
| CN110837811B (zh) * | 2019-11-12 | 2021-01-05 | 腾讯科技（深圳）有限公司 | 语义分割网络结构的生成方法、装置、设备及存储介质 |
| CN112085123B (zh) * | 2020-09-25 | 2022-04-12 | 北方民族大学 | 基于显著点采样的点云数据分类和分割方法 |
| CN112818999B (zh) * | 2021-02-10 | 2022-10-28 | 桂林电子科技大学 | 一种基于卷积神经网络的复杂场景3d点云语义分割方法 |
| US11295170B1 (en) | 2021-08-17 | 2022-04-05 | FPT USA Corp. | Group-equivariant convolutional neural networks for 3D point clouds |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108345887A (zh) * | 2018-01-29 | 2018-07-31 | 清华大学深圳研究生院 | 图像语义分割模型的训练方法及图像语义分割方法 |
| CN108509949A (zh) * | 2018-02-05 | 2018-09-07 | 杭州电子科技大学 | 基于注意力地图的目标检测方法 |
| CN108564097A (zh) * | 2017-12-05 | 2018-09-21 | 华南理工大学 | 一种基于深度卷积神经网络的多尺度目标检测方法 |
| CN109753995A (zh) * | 2018-12-14 | 2019-05-14 | 中国科学院深圳先进技术研究院 | 一种基于3d目标分类和场景语义分割的网络优化结构 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106372111B (zh) * | 2016-08-22 | 2021-10-15 | 中国科学院计算技术研究所 | 局部特征点筛选方法及系统 |
| CN106815604B (zh) * | 2017-01-16 | 2019-09-27 | 大连理工大学 | 基于多层信息融合的注视点检测方法 |
| CN108596924A (zh) * | 2018-05-17 | 2018-09-28 | 南方医科大学 | 一种基于距离场融合和椭球先验的mr前列腺图像分割方法 |
-
2018
- 2018-12-14 CN CN201811535562.0A patent/CN109753995B/zh active Active
-
2019
- 2019-12-09 WO PCT/CN2019/123947 patent/WO2020119619A1/zh not_active Ceased
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108564097A (zh) * | 2017-12-05 | 2018-09-21 | 华南理工大学 | 一种基于深度卷积神经网络的多尺度目标检测方法 |
| CN108345887A (zh) * | 2018-01-29 | 2018-07-31 | 清华大学深圳研究生院 | 图像语义分割模型的训练方法及图像语义分割方法 |
| CN108509949A (zh) * | 2018-02-05 | 2018-09-07 | 杭州电子科技大学 | 基于注意力地图的目标检测方法 |
| CN109753995A (zh) * | 2018-12-14 | 2019-05-14 | 中国科学院深圳先进技术研究院 | 一种基于3d目标分类和场景语义分割的网络优化结构 |
Non-Patent Citations (1)
| Title |
|---|
| QI, CHARLES R. ET AL.: "PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space,", 31ST CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS,, 31 December 2017 (2017-12-31), XP055713540, DOI: 20200218090554A * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113850816A (zh) * | 2020-06-28 | 2021-12-28 | 中国人民解放军空军军医大学 | 一种宫颈癌mri图像的分割装置及方法 |
| CN112257597A (zh) * | 2020-10-22 | 2021-01-22 | 中国人民解放军战略支援部队信息工程大学 | 一种点云数据的语义分割方法 |
| CN112257597B (zh) * | 2020-10-22 | 2024-03-15 | 中国人民解放军战略支援部队信息工程大学 | 一种点云数据的语义分割方法 |
| CN112488210A (zh) * | 2020-12-02 | 2021-03-12 | 北京工业大学 | 一种基于图卷积神经网络的三维点云自动分类方法 |
| CN114359632A (zh) * | 2021-12-29 | 2022-04-15 | 江苏大学 | 一种基于改进PointNet++神经网络的点云目标分类方法 |
| CN114419372A (zh) * | 2022-01-13 | 2022-04-29 | 南京邮电大学 | 一种多尺度点云分类方法及系统 |
| CN114419372B (zh) * | 2022-01-13 | 2024-11-01 | 南京邮电大学 | 一种多尺度点云分类方法及系统 |
| CN114241110A (zh) * | 2022-02-23 | 2022-03-25 | 北京邮电大学 | 基于邻域聚合蒙特卡罗失活的点云语义不确定度感知方法 |
| CN114241110B (zh) * | 2022-02-23 | 2022-06-03 | 北京邮电大学 | 基于邻域聚合蒙特卡罗失活的点云语义不确定度感知方法 |
| CN117078923A (zh) * | 2023-07-19 | 2023-11-17 | 苏州大学 | 面向自动驾驶环境的语义分割自动化方法、系统及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109753995A (zh) | 2019-05-14 |
| CN109753995B (zh) | 2021-01-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020119619A1 (zh) | 一种基于3d目标分类和场景语义分割的网络优化结构 | |
| CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
| CN108596258B (zh) | 一种基于卷积神经网络随机池化的图像分类方法 | |
| CN109410204B (zh) | 一种基于cam的皮质白内障图像处理及增强方法 | |
| CN111860587B (zh) | 一种用于图片小目标的检测方法 | |
| CN113705596A (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
| CN103679132A (zh) | 一种敏感图像识别方法及系统 | |
| JP2016110232A (ja) | 対象認識装置、対象認識方法、およびプログラム | |
| Jboor et al. | Towards an inpainting framework for visual cultural heritage | |
| CN114998756A (zh) | 一种基于yolov5的遥感图像检测方法、装置及存储介质 | |
| CN110188225A (zh) | 一种基于排序学习和多元损失的图像检索方法 | |
| CN108664526A (zh) | 检索的方法和设备 | |
| CN108614997A (zh) | 一种基于改进AlexNet的遥感图像识别方法 | |
| CN113762249B (zh) | 图像攻击检测、图像攻击检测模型训练方法和装置 | |
| CN113642655B (zh) | 基于支持向量机和卷积神经网络的小样本图像分类方法 | |
| CN111984817A (zh) | 一种基于自注意力机制加权的细粒度图像检索方法 | |
| CN109800815B (zh) | 基于随机森林模型的训练方法、小麦识别方法和训练系统 | |
| CN108021869A (zh) | 一种结合高斯核函数的卷积神经网络跟踪方法 | |
| CN116452629B (zh) | 一种基于Siamese网络的牧场中无人机对牛目标跟踪方法及系统 | |
| CN112800982A (zh) | 一种基于遥感场景分类的目标检测方法 | |
| CN113052184B (zh) | 一种基于两阶段局部特征对齐的目标检测方法 | |
| CN109800790B (zh) | 一种面向高维数据的特征选择方法 | |
| CN115376159A (zh) | 一种基于多模态信息的跨外观行人重识别方法 | |
| CN114596592B (zh) | 一种行人重识别方法、系统、设备及计算机可读存储介质 | |
| CN104317908B (zh) | 基于三支决策和距离的离群点检测方法 |
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: 19896158 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 32PN | Ep: public notification in the ep bulletin as address of the adressee cannot be established |
Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 05/11/2021) |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 19896158 Country of ref document: EP Kind code of ref document: A1 |