WO2020156028A1 - 一种基于深度学习的室外非固定场景天气识别方法 - Google Patents

一种基于深度学习的室外非固定场景天气识别方法 Download PDF

Info

Publication number
WO2020156028A1
WO2020156028A1 PCT/CN2020/070261 CN2020070261W WO2020156028A1 WO 2020156028 A1 WO2020156028 A1 WO 2020156028A1 CN 2020070261 W CN2020070261 W CN 2020070261W WO 2020156028 A1 WO2020156028 A1 WO 2020156028A1
Authority
WO
WIPO (PCT)
Prior art keywords
weather
convolution
convolutional neural
neural network
pictures
Prior art date
Application number
PCT/CN2020/070261
Other languages
English (en)
French (fr)
Inventor
王亚朝
赵伟
杨盛伟
Original Assignee
南京航空航天大学
南京航空航天大学秦淮创新研究院
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 南京航空航天大学, 南京航空航天大学秦淮创新研究院 filed Critical 南京航空航天大学
Publication of WO2020156028A1 publication Critical patent/WO2020156028A1/zh

Links

Images

Classifications

    • 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

Definitions

  • the invention belongs to the technical field of navigation, and particularly relates to a method for identifying outdoor weather in an unfixed scene.
  • All-source navigation is the application of multiple types of sensors to achieve rapid integration and reconfiguration of multiple combinations according to different environment and task requirements, thereby forming a navigation that can accurately locate, navigate and time in a variety of complex environments GPS.
  • the optical sensors are limited by the weather environment. Weather such as heavy rain, blizzards, sandstorms, haze and other weather will have a greater impact on lidar, laser altimeter, infrared rangefinder, etc. Night vision equipment will fail on sunny days, and the camera Photos taken in the absence of light at night cannot provide effective navigation information. If these sensors are applied in a non-adaptive environment, the accuracy of navigation and positioning will be greatly reduced. In addition, in some scenarios, weather pictures are also needed to identify the current weather environment, and then make some decisions or judgments. Therefore, accurately identifying the current weather conditions is an urgent need for further research in this field.
  • the present invention proposes a method for identifying outdoor weather in an unfixed scene based on deep learning.
  • the technical solution of the present invention is:
  • a deep learning-based outdoor weather recognition method for non-fixed scenes includes the following steps:
  • step (3) Use the data set obtained in step (2) to train the lightweight convolutional neural network
  • step (1) the structural characteristics of the lightweight convolutional neural network are as follows:
  • the two-dimensional size of the feature map is gradually reduced, and the ratio of the input size to the output size is as close to 2 as possible each time the feature map is reduced; the number of channels of the feature map gradually increases, and it obeys the distribution of the pyramid form.
  • the ratio of the number of output channels to the number of input channels should be as close as possible to 1.
  • step (1) the structural characteristics of the lightweight convolutional neural network are as follows:
  • the convolution kernel has a receptive field of 5 ⁇ 5, 7 ⁇ 7 or 9 ⁇ 9, and the convolutional layer is realized by expanding convolution or deep separation convolution; for the pooling layer, adopts the maximum pooling layer and the average The pooling layer down-samples the feature map.
  • step (1) the structural characteristics of the lightweight convolutional neural network are as follows:
  • a multi-branch strategy is adopted; one branch is used as a residual structure to reduce the phenomenon of gradient disappearance; the remaining branches use expanded convolution or deep separation convolution for feature extraction : First, use 1 ⁇ 1 convolution to perform nonlinear transformation on the input to expand the number of channels; then use dilated convolution or depth separation convolution to perform feature extraction, where the expansion factor is introduced in the deep convolution operation without increasing the parameters In the case of calculation amount, increase the receptive field; finally use 1 ⁇ 1 convolution to linearly transform the feature map after expansion convolution or combine the feature map after deep convolution to make the number of output channels of each branch the same.
  • step (2) is as follows:
  • step (201) the number of pictures of the six weather should be as close as possible; in step (202), the ratio of training set, validation set and test set is 8:1:1 or 6:2:2 , And all three sub-data sets should contain six types of weather pictures.
  • the parameters that need to be initialized and adjusted in the network include but are not limited to: learning rate, training sample batch size, activation function, weight initialization method, loss function, optimizer, and training times.
  • step (3) L2 regularization and Dropout are adopted, and a Batch Normalization layer is introduced, where the parameters of L2 regularization and Dropout need to be initialized and adjusted.
  • step (3) with the goal of minimizing the loss of the training set and the verification set, the network parameters and network structure are adjusted, training is carried out continuously, and finally the test set is used to test the performance of the network.
  • step (4) is as follows:
  • (401) Encapsulate the trained lightweight convolutional neural network into an executable program and transplant it to an embedded platform or removable device;
  • the present invention overcomes the shortcomings of traditional methods that can only identify fixed scenes, and can be applied to embedded platforms and mobile devices;
  • the present invention does not require any assistance, and can recognize the weather conditions in outdoor non-fixed scenes only through a single RGB image; and the present invention has no specific requirements on the angle of the camera to take pictures, and the practicability is very high;
  • the method realized by the present invention has a very small amount of calculation and relatively high accuracy, so real-time monitoring can be realized.
  • Figure 1 is a basic flow chart of the present invention
  • Figure 2 is a diagram of a multi-branch structure in the present invention.
  • Figure 3 is a structural diagram of a convolutional network in the present invention.
  • Figure 4 is a network pre-training method in the present invention.
  • the present invention designs an outdoor unfixed scene weather recognition method based on deep learning, as shown in Figure 1, and the steps are as follows:
  • Step 1 Build the basic structure of a lightweight convolutional neural network
  • Step 2 Collect various weather pictures and make them into a data set in a specific format
  • Step 3 Use the data set obtained in step 2 to train the lightweight convolutional neural network
  • Step 4 Transplant the trained lightweight convolutional neural network to an embedded platform or a mobile device, use the captured weather pictures as the input of the lightweight convolutional neural network, and output the probabilities corresponding to various weather conditions.
  • step 1 can be implemented using the following preferred solutions:
  • the convolutional network is designed for some scenes that need to recognize the current weather conditions through weather pictures. It needs to be applied on an embedded platform. Therefore, a relatively small amount of calculation is required on the basis of ensuring accuracy.
  • the input image of the network should be a three-channel RGB image.
  • the two-dimensional size (width and height) of the feature map should be gradually reduced, and the ratio of input and output sizes should be as close as possible to each reduction. 2.
  • the number of channels in the feature map should gradually increase and obey the pyramid distribution.
  • the ratio of the number of output channels to the number of input channels should be as close to 1 as possible each time it increases, so as to speed up the network operation.
  • the receptive field of the convolution kernel should be 5 ⁇ 5, 7 ⁇ 7 or 9 ⁇ 9 in order to better extract global features. Expanded convolution can be used to expand the receptive field without increasing calculations At the same time, in order to speed up the operation of the network, deep separation convolution can be used, which can greatly reduce the amount of calculation.
  • the maximum pooling layer and the average pooling layer are used to down-sample the feature map, and the convolution kernel can be of regular size here. The calculation amount required for deep separation convolution and conventional convolution is shown in the following formula:
  • D K represents the size of the convolution kernel
  • M represents the number of input channels
  • DF represents the size of the output feature map
  • N represents the number of output channels
  • the calculation amount of the deep separation convolution is D K ⁇ D K ⁇ M ⁇ D F +M ⁇ N ⁇ D F ⁇ D F
  • the calculation amount of deep convolution is D K ⁇ D K ⁇ M ⁇ D F ⁇ D F
  • the calculation amount of 1 ⁇ 1 is M ⁇ N ⁇ D F ⁇ D F
  • the calculation amount of conventional convolution is D K ⁇ D K ⁇ M ⁇ N ⁇ D F ⁇ D F
  • the ratio of the two is If the size of the convolution kernel is 3 ⁇ 3, the calculation amount of depth separation convolution is about the amount of calculation of conventional convolution
  • W is the size of the input image, generally the width and height are equal
  • F is the size of the convolution kernel
  • S is the step length, that is, stride, Indicates rounding up.
  • rate represents the expansion factor
  • height and weight represent the actual receptive field of the convolution kernel.
  • a preferred convolutional neural network structure is given below, and the present invention is not limited to this structure:
  • the input image size can be selected between 224-448, the receptive field of the convolution kernel is 5 ⁇ 5, which is realized by expanding convolution; when the convolution layer is used to extract the feature map, the number of output channels and input of the feature map The ratio of the number of channels can be between 1-2; when the maximum pooling layer is used for downsampling, the ratio of the two-dimensional size of the input feature map and the output feature map can be between 1-3.
  • a multi-branch strategy is adopted.
  • One of the branches is used as the residual structure to reduce the phenomenon of gradient disappearance; the other branches can first use 1 ⁇ 1 convolution to perform nonlinear transformation on the input, expand the number of channels, and then use expanded convolution or deep separation convolution to It performs feature extraction, where the deep convolution operation introduces an expansion factor, which can increase the receptive field without increasing the amount of parameter calculation, and then uses 1 ⁇ 1 convolution to linearly transform or correct the feature map after the expansion convolution
  • the feature maps after deep convolution are combined to make the number of output channels of each branch consistent.
  • Figure 2 shows a multi-branch structure of the present invention.
  • the number of branches can be selected from 2 to 5, and one of them is used as the residual structure. If the number of input and output channels is equal , Then no transformation is performed on this branch. If the number of input and output channels is not equal, a 1 ⁇ 1 convolution is used to make a linear change to make the number of input and output channels equal; the remaining branches can first use 1
  • the ⁇ 1 convolution kernel performs a nonlinear transformation on the input feature map, expands the number of channels to increase the feature information, and then uses deep separation convolution or expansion convolution for feature extraction, where deep convolution uses convolution with larger receptive fields
  • the core is used for feature extraction.
  • the receptive field of the convolution kernel can be between 5 ⁇ 5-9 ⁇ 9.
  • an expansion factor can be introduced to increase the receptive field.
  • the expansion factor can be between 2-4, and finally 1 ⁇ 1 Convolution performs linear transformation on the feature map after expansion convolution or combines the feature map after deep convolution, and makes the number of output channels of each branch consistent.
  • the resulting convolutional neural network structure is shown in Figure 3. Show.
  • step 2 can be implemented using the following preferred solutions:
  • step 3 can be implemented using the following preferred solutions:
  • the parameters that need to be initialized and adjusted in the network include learning rate, training sample batch size, activation function, weight initialization method, loss function, optimizer, training times, etc.
  • the following are the initialization parameters designed based on this method. This method includes but is not limited to this parameter:
  • the initial parameter settings are as follows: use a dynamic learning rate, which decreases proportionally with the number of training iterations, and the range is 0.00001-0.01.
  • the batch_size value is a multiple of 16, which is a multiple of 16-256.
  • Activate The function is a function of the ReLU family, the weight initialization can be Xavier initialization or truncated Gaussian initialization method, the loss function is cross-entropy loss function, the optimizer is Adam or RMSprop, and the number of training is between 10-50 ephos.
  • L2 regularization and dropout are used in the network, and the Batch Normalization layer is introduced to strengthen regularization, prevent overfitting, and speed up the convergence of the network.
  • the parameters of L2 regularization and Dropout also need to be initialized and adjusted. The following are the initialization parameters designed based on this method. This method includes but is not limited to this parameter: L2 regularization coefficient can be between 0.00001-0.001 and dropout coefficient can be between 0.5-1.0.
  • the network pre-training method of the present invention aims at minimizing the loss of the training set and the verification set, and adjusts the network parameters and the network structure. If the training set loss continues to decrease and the validation set loss continues to decrease, it means that the network is still learning; if the training set loss continues to decrease, the validation set loss tends to remain unchanged, indicating that the network is overfitting, and the L2 regularization and Dropout coefficients need to be increased; If the loss of the training set tends to be the same and the loss of the verification set continues to decrease, it indicates that there is a problem with the data set and the data set constructed in step 2 should be checked; if the loss of the training set tends to be the same, the verification set loss tends to be unchanged, indicating When learning encounters a bottleneck, you need to increase the depth of the network or reduce the learning rate, and adjust the parameters in (1); if the training set loss continues to rise, the verification set loss continues to rise, indicating that the network structure is not properly designed or the training hyper
  • step 4 can be implemented using the following preferred solutions:
  • This method includes but is not limited to this platform: encapsulating the trained network into an executable program in .py format, and then porting it to the Linux platform, using multithreading technology, Using the mutual exclusion lock, first start the camera to collect a picture of the current weather, and then transmit it to the packaged convolutional network, and finally output the corresponding probability of each weather, and the corresponding probability is the current weather condition.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的室外非固定场景天气识别方法。步骤为：构建轻量型卷积神经网络的基本结构；收集各种天气的图片并将其制作为特定格式的数据集；利用数据集对轻量型卷积神经网络进行训练；将训练好的轻量型卷积神经网络移植到嵌入式平台或可移动设备中，将拍摄的天气图片作为轻量型卷积神经网络的输入，输出各种天气情况对应的概率。本发明一方面克服了传统方法只能识别固定场景天气的缺点，另一方面由于计算量非常少，可以应用于嵌入式平台或移动设备中，实用性非常高。

Description

一种基于深度学习的室外非固定场景天气识别方法 技术领域
本发明属于导航技术领域，特别涉及了一种室外非固定场景天气识别方法。
背景技术
全源导航是应用多种类型的传感器，根据环境和任务需求的不同，实现多种组合方案的快速集成和重新配置，从而形成一种可在多种复杂环境下精确定位、导航和授时的导航定位系统。而其中的光学传感器会受限于天气环境，如暴雨、暴雪、沙尘暴、雾霾等天气对激光雷达、激光测高仪、红外测距仪等影响比较大，夜视设备在晴天会失效，相机在夜间无光的情况下拍摄的照片无法提供有效的导航信息。如果在非适应环境下应用这些传感器，将会大大降低导航定位的精度。除此之外，在一些场景下也需要通过天气图片来识别出当前的天气环境，进而做出一些决策或判断。因此，精确识别出当前的天气情况是本领域亟需深入研究的内容。
发明内容
为了解决上述背景技术提出的技术问题，本发明提出了一种基于深度学习的室外非固定场景天气识别方法。
为了实现上述技术目的，本发明的技术方案为：
一种基于深度学习的室外非固定场景天气识别方法，包括以下步骤：
(1)构建轻量型卷积神经网络的基本结构；
(2)收集各种天气的图片并将其制作为特定格式的数据集；
(3)利用步骤(2)得到的数据集对轻量型卷积神经网络进行训练；
(4)将训练好的轻量型卷积神经网络移植到嵌入式平台或可移动设备中，将拍摄的天气图片作为轻量型卷积神经网络的输入，输出各种天气情况对应的概率。
进一步地，在步骤(1)中，轻量型卷积神经网络的结构特征如下：
在特征变换过程中，特征图的二维尺寸逐渐减小，每次特征图减小时输入尺寸与输出尺寸的比例尽量接近2；特征图的通道数逐渐增多，服从金字塔形式的分布，特征图的输出通道数与输入通道数的比例尽量接近1。
进一步地，在步骤(1)中，轻量型卷积神经网络的结构特征如下：
对于卷积层，卷积核具有5×5、7×7或9×9的感受野，卷积层采用扩张卷积或深度分离卷积实现；对于池化层，采取最大池化层和平均池化层对特征图做下采样。
进一步地，在步骤(1)中，轻量型卷积神经网络的结构特征如下：
在网络的中间层对特征图进行特征提取时，采用多支路策略；其中一条支路作为残差结构，减小梯度消失的现象；其余支路采用扩张卷积或深度分离卷积进行特征提取：首先采用1×1的卷积对输入进行非线性变换，扩充通道数；然后采用扩张卷积或深度分离卷积对其进行特征提取，其中深度卷积操作中引入扩张因子，在不增加参数计算量的情况下增大感受野；最后采用1×1卷积对经过扩张卷积后的特征图做线性变换或将经过深度卷积后的特征图结合起来，使得各支路的输出通道数相同。
进一步地，步骤(2)的具体过程如下：
(201)收集晴天、黑夜、暴雨、暴雪、沙尘暴、雾霾六种天气的RGB图片，且这些图片为不同场景、不同角度拍摄的图片；
(202)将收集到的所有图片按比例分为三个子数据集，分别为训练集、验证集和测试集，训练集和验证集用于对网络进行训练，测试集用于测试网络的性 能；
(203)将所有图片进行归一化，然后制作成Tensorflow框架下特定的数据格式。
进一步地，在步骤(201)中，六种天气的图片数量应尽量接近相等；在步骤(202)中，训练集、验证集与测试集的比例为8:1:1或者6:2:2，且三个子数据集中均应包含六种天气图片。
进一步地，在步骤(3)中，网络中需要初始化和调整的参数包括但不限于：学习率、训练样本批大小、激活函数、权重初始化方法、损失函数、优化器和训练次数。
进一步地，在步骤(3)中，采用L2正则化和Dropout，并且引入Batch Normalization层，其中L2正则化和Dropout的参数需要初始化和调整。
进一步地，在步骤(3)中，以训练集和验证集的损失最小化为目标，对网络参数和网络结构进行调整，不断进行训练，最后采用测试集来测试网络的性能。
进一步地，步骤(4)的具体过程如下：
(401)将训练好的轻量型卷积神经网络封装成可执行程序，移植到嵌入式平台或可移动设备上；
(402)采用多线程技术，利用互斥锁，先启动相机拍摄当前的天气图片，然后调用封装好的卷积神经网络来识别图片，输出每种天气对应的概率，其中概率最大的即为当前的天气情况。
采用上述技术方案带来的有益效果：
(1)本发明克服了传统方法只能识别固定场景的缺点，并且可以应用于嵌入式平台和移动设备中；
(2)本发明无需任何辅助，仅通过单张RGB图像就可以识别室外非固定场景下的天气情况；且本发明对相机拍摄图片的角度没有具体要求，实用性非常高；
(3)本发明实现的方法计算量非常少，且精度比较高，因此可以实现实时监测。
附图说明
图1是本发明的基本流程图；
图2是本发明中的一种多支路结构图；
图3是本发明中的一种卷积网络结构图；
图4是本发明中的一种网络预训练方法。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
本发明设计了一种基于深度学习的室外非固定场景天气识别方法，如图1所示，步骤如下：
步骤1：构建轻量型卷积神经网络的基本结构；
步骤2：收集各种天气的图片并将其制作为特定格式的数据集；
步骤3：利用步骤2得到的数据集对轻量型卷积神经网络进行训练；
步骤4：将训练好的轻量型卷积神经网络移植到嵌入式平台或可移动设备中，将拍摄的天气图片作为轻量型卷积神经网络的输入，输出各种天气情况对应的概率。
在本实施例中，步骤1可以采用如下优选方案实现：
(1)该卷积网络是为一些需要通过天气图片识别出当前天气情况的场景所设计，要在嵌入式平台上应用，因此在保证准确率的基础上要有比较小的计算量。
(2)网络的输入图片应为三通道的RGB图片，在特征变换过程中，特征图二维尺寸(宽和高)应该逐渐减小，每次减少时输入和输出尺寸的比例应尽可能接 近2，有利于网络性能的提升。特征图的通道数应该逐渐增多，服从金字塔分布，每次增多时输出通道数和输入通道数之比尽可能接近1，这样可以加快网络运行的速度。
(3)对于卷积层，卷积核的感受野应为5×5、7×7或9×9，以便于更好地提取全局特征，可采用扩张卷积来扩大感受野而不增加计算量；同时为了加快网络运行的速度，可以采用深度分离卷积，可以大大减小计算量。对于池化层，采用最大池化层和平均池化层对特征图做下采样，此处卷积核取常规尺寸即可。深度分离卷积和常规卷积所需计算量之比如下式所示：
Figure PCTCN2020070261-appb-000001
上式中，D K表示卷积核尺寸，M表示输入通道数，D F表示输出特征图的尺寸，N表示输出通道数；在相同条件下，采用深度分离卷积的计算量为D K·D K·M·D F+M·N·D F·D F，其中深度卷积的计算量为D K·D K·M·D F·D F，1×1的计算量为M·N·D F·D F，采用常规卷积的计算量为D K·D K·M·N·D F·D F，两者之比为
Figure PCTCN2020070261-appb-000002
若卷积核大小为3×3，则深度分离卷积的计算量大约是常规卷积计算量的
Figure PCTCN2020070261-appb-000003
特征图经过卷积层或池化层后尺寸变化如下式所示：
对于padding＝VAILD，
Figure PCTCN2020070261-appb-000004
对于padding＝SAME,
Figure PCTCN2020070261-appb-000005
其中，W是输入图片的尺寸，一般宽和高相等，F为卷积核的尺寸，S表示步长，即stride，
Figure PCTCN2020070261-appb-000006
表示向上取整。
对于扩张卷积，其卷积核的感受野：
height＝width＝F+(F-1)×(rate-1)
其中，rate表示扩张因子，height和weight表示卷积核的实际感受野。
以下给出一个优选的卷积神经网络结构，本发明并不限于该结构：
输入图片尺寸可选为224-448之间，卷积核的感受野为5×5，采用扩张卷积实现；当采用卷积层对特征图做特征提取时，特征图的输出通道数和输入通道数之比可在1-2之间；采用最大池化层进行下采样时，输入特征图和输出特征图的二维尺寸之比可在1-3之间。
(4)对网络的中间层进行特征提取时，采用多支路策略。其中一条支路作为残差结构，减小梯度消失的现象；其余支路可先采用1×1的卷积对输入进行非线性变换，扩充通道数，然后采用扩张卷积或深度分离卷积对其进行特征提取，其中深度卷积操作引入扩张因子，可以在不增加参数计算量的情况下增大感受野，再采用1×1卷积对经过扩张卷积后的特征图做线性变换或对经过深度卷积后的特征图结合起来，且使得各支路的输出通道数一致。
如图2所示本发明的一种多支路结构，当采用多支路结构进行特征提取时，支路数量可选择2-5条，其中一条作为残差结构，若输入输出的通道数相等，则对该条支路不做任何变换，若输入输出的通道数不相等，则采用1×1的卷积对其做线性变化，使得输入和输出通道数相等；其余支路可先采用1×1的卷积核对输入特征图做非线性变换，扩充通道数以增加特征信息，然后采用深度分离卷积或扩张卷积进行特征提取，其中深度卷积中用具有较大感受野的卷积核来进行特征提取，卷积核的感受野可在5×5-9×9之间，此处可以引入扩张因子来增大感受野，扩张因子可取2-4之间，最后采用1×1卷积对经过扩张卷积后的特征图做线性变换或对经过深度卷积后的特征图结合起来，且使得各支路的输出通道数一致，得到的卷积神经网络结构如图3所示。
在本实施例中，步骤2可以采用如下优选方案实现：
(1)通过实地拍摄、监控视频或网站等方法收集晴天、黑夜、暴雨、暴雪、沙尘暴、雾霾六种天气的RGB图片，且为不同场景、不同角度拍摄的图片，图片数量越多越好。
(2)将所有的图片分为三个子数据集，分别为训练集、验证集和测试集，训练集和验证集用来对网络进行训练，测试集用来测试网络的性能。以下是基于本方法的划分数据集的比例，本方法包括但不限于按该比例划分数据集：训练集、验证集和测试集的比例大小为8:1:1或者6:2:2，且每个子数据集中的应具有均等数量的六种天气图片。
(3)将所有图片进行归一化，然后制作成Tensorflow框架下特定的数据格式。
在本实施例中，步骤3可以采用如下优选方案实现：
(1)网络中需要初始化和调整的参数有学习率、训练样本批大小、激活函数、权重初始化方法、损失函数、优化器、训练次数等。以下是基于本方法设计出的初始化参数，本方法包括但不限于此参数：
初始参数设置如下：采用动态的学习率，其随着训练迭代次数按比例减小，范围为0.00001-0.01之间即可，batch_size取值为16的倍数，在16-256之间即可，激活函数取ReLU族的函数，权重初始化可采用Xavier初始化或者截断高斯分布初始化方法，损失函数采用交叉熵损失函数，优化器采用Adam或者RMSprop，训练次数在10-50ephos之间即可。
(2)网络中采用L2正则化和Dropout，并且引入Batch Normalization层，加强正则化，防止过拟合，且加快网络的收敛速度。其中L2正则化和Dropout的参数也需要初始化和调整。以下是基于本方法设计出的初始化参数，本方法包括但不限于此参数：L2正则化系数可在0.00001-0.001之间，dropout系数可在 0.5-1.0之间。
(3)如图4所示本发明的一种网络预训练方法，以训练集和验证集的损失最小化为目标，对网络参数和网络结构进行调整。若训练集损失不断下降，验证集损失不断下降，说明网络仍在学习；若训练集损失不断下降，验证集损失趋于不变，说明网络过拟合，需要增大L2正则化和Dropout系数；若训练集损失趋于不变，验证集损失不断下降，说明数据集有问题，应该对步骤二构建的数据集进行检查；若训练集损失趋于不变，验证集损失趋于不变，说明学习遇到瓶颈，需要增加网络的深度或者减小学习率，并且调整(1)中的参数；若训练集损失不断上升，验证集损失不断上升，说明网络结构设计不当或训练超参数设置不当或数据集未经过清洗等问题，需要一一进行检查并且调整。
在本实施例中，步骤4可以采用如下优选方案实现：
(1)将训练好的网络封装成可执行程序，其输入为一张RGB图片，输出是对应六种天气的概率，然后将其移植到嵌入式平台上。
(2)调用相机采集一张实际的天气图片，然后采用多线程技术调用封装好的卷积网络程序来识别图片，输出每种天气对用的概率，再将结果发送给调度中心来进行决策。
以下是基于本方法设计出的嵌入式平台应用部分，本方法包括但不限于此平台：将训练好的网络封装成.py格式的可执行程序，然后移植到Linux平台上，采用多线程技术，利用互斥锁，先启动相机采集一张当前天气的图片，然后传输给封装好的卷积网络，最后输出每种天气对应的概率，对应概率最大的则为当前的天气情况。
实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (10)

  1. 一种基于深度学习的室外非固定场景天气识别方法，其特征在于，包括以下步骤：
    (1)构建轻量型卷积神经网络的基本结构；
    (2)收集各种天气的图片并将其制作为特定格式的数据集；
    (3)利用步骤(2)得到的数据集对轻量型卷积神经网络进行训练；
    (4)将训练好的轻量型卷积神经网络移植到嵌入式平台或可移动设备中，将拍摄的天气图片作为轻量型卷积神经网络的输入，输出各种天气情况对应的概率。
  2. 根据权利要求1所述基于深度学习的室外非固定场景天气识别方法，其特征在于，在步骤(1)中，轻量型卷积神经网络的结构特征如下：
    在特征变换过程中，特征图的二维尺寸逐渐减小，每次特征图减小时输入尺寸与输出尺寸的比例尽量接近2；特征图的通道数逐渐增多，服从金字塔形式的分布，特征图的输出通道数与输入通道数的比例尽量接近1。
  3. 根据权利要求1所述基于深度学习的室外非固定场景天气识别方法，其特征在于，在步骤(1)中，轻量型卷积神经网络的结构特征如下：
    对于卷积层，卷积核具有5×5、7×7或9×9的感受野，卷积层采用扩张卷积或深度分离卷积实现；对于池化层，采取最大池化层和平均池化层对特征图做下采样。
  4. 根据权利要求1所述基于深度学习的室外非固定场景天气识别方法，其特征在于，在步骤(1)中，轻量型卷积神经网络的结构特征如下：
    在网络的中间层对特征图进行特征提取时，采用多支路策略；其中一条支路作为残差结构，减小梯度消失的现象；其余支路采用扩张卷积或深度分离卷积进行特征提取：首先采用1×1的卷积对输入进行非线性变换，扩充通道数；然后采 用扩张卷积或深度分离卷积对其进行特征提取，其中深度卷积操作中引入扩张因子，在不增加参数计算量的情况下增大感受野；最后采用1×1卷积对经过扩张卷积后的特征图做线性变换或将经过深度卷积后的特征图结合起来，使得各支路的输出通道数相同。
  5. 根据权利要求1所述基于深度学习的室外非固定场景天气识别方法，其特征在于，步骤(2)的具体过程如下：
    (201)收集晴天、黑夜、暴雨、暴雪、沙尘暴、雾霾六种天气的RGB图片，且这些图片为不同场景、不同角度拍摄的图片；
    (202)将收集到的所有图片按比例分为三个子数据集，分别为训练集、验证集和测试集，训练集和验证集用于对网络进行训练，测试集用于测试网络的性能；
    (203)将所有图片进行归一化，然后制作成Tensorflow框架下特定的数据格式。
  6. 根据权利要求5所述基于深度学习的室外非固定场景天气识别方法，其特征在于，在步骤(201)中，六种天气的图片数量应尽量接近相等；在步骤(202)中，训练集、验证集与测试集的比例为8:1:1或者6:2:2，且三个子数据集中均应包含六种天气图片。
  7. 根据权利要求1所述基于深度学习的室外非固定场景天气识别方法，其特征在于，在步骤(3)中，网络中需要初始化和调整的参数包括但不限于：学习率、训练样本批大小、激活函数、权重初始化方法、损失函数、优化器和训练次数。
  8. 根据权利要求1所述基于深度学习的室外非固定场景天气识别方法，其特征在于，在步骤(3)中，采用L2正则化和Dropout，并且引入Batch Normalization层，其中L2正则化和Dropout的参数需要初始化和调整。
  9. 根据权利要求1所述基于深度学习的室外非固定场景天气识别方法，其特征在于，在步骤(3)中，以训练集和验证集的损失最小化为目标，对网络参数和网络结构进行调整，不断进行训练，最后采用测试集来测试网络的性能。
  10. 根据权利要求1所述基于深度学习的室外非固定场景天气识别方法，其特征在于，步骤(4)的具体过程如下：
    (401)将训练好的轻量型卷积神经网络封装成可执行程序，移植到嵌入式平台或可移动设备上；
    (402)采用多线程技术，利用互斥锁，先启动相机拍摄当前的天气图片，然后调用封装好的卷积神经网络来识别图片，输出每种天气对应的概率，其中概率最大的即为当前的天气情况。
PCT/CN2020/070261 2019-01-28 2020-01-03 一种基于深度学习的室外非固定场景天气识别方法 WO2020156028A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910078620.XA CN109784298A (zh) 2019-01-28 2019-01-28 一种基于深度学习的室外非固定场景天气识别方法
CN201910078620.X 2019-01-28

Publications (1)

Publication Number Publication Date
WO2020156028A1 true WO2020156028A1 (zh) 2020-08-06

Family

ID=66502629

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/070261 WO2020156028A1 (zh) 2019-01-28 2020-01-03 一种基于深度学习的室外非固定场景天气识别方法

Country Status (2)

Country Link
CN (1) CN109784298A (zh)
WO (1) WO2020156028A1 (zh)

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112084890A (zh) * 2020-08-21 2020-12-15 杭州电子科技大学 基于gmm和cqfl的多尺度识别交通信号标志的方法
CN112233073A (zh) * 2020-09-30 2021-01-15 国网山西省电力公司大同供电公司 一种变电设备红外热成像异常实时检测方法
CN112396020A (zh) * 2020-11-30 2021-02-23 中铁建新疆京新高速公路有限公司 基于人工智能算法的雪深监测系统
CN112434786A (zh) * 2020-10-22 2021-03-02 西安交通大学 一种基于winograd动态卷积块的图像处理方法
CN112651468A (zh) * 2021-01-18 2021-04-13 佛山职业技术学院 一种多尺度轻量化图像分类方法及其存储介质
CN112818893A (zh) * 2021-02-10 2021-05-18 北京工业大学 一种面向移动终端的轻量化开集地标识别方法
CN112836669A (zh) * 2021-02-22 2021-05-25 宁波大学 一种司机分心驾驶检测方法
CN112836673A (zh) * 2021-02-27 2021-05-25 西北工业大学 一种基于实例感知和匹配感知的重识别方法
CN113050042A (zh) * 2021-04-15 2021-06-29 中国人民解放军空军航空大学 基于改进UNet3+网络的雷达信号调制类型识别方法
CN113092531A (zh) * 2021-03-18 2021-07-09 西北工业大学 一种基于卷积神经网络的机电阻抗连接结构损伤检测方法
CN113109782A (zh) * 2021-04-15 2021-07-13 中国人民解放军空军航空大学 一种直接应用于雷达辐射源幅度序列的新型分类方法
CN113284042A (zh) * 2021-05-31 2021-08-20 大连民族大学 一种多路并行图像内容特征优化风格迁移方法及系统
CN113392701A (zh) * 2021-05-10 2021-09-14 南京师范大学 一种基于YN-Net卷积神经网络的输电线路障碍物检测方法
CN113837004A (zh) * 2021-08-20 2021-12-24 北京工业大学 一种基于深度学习的游梁式抽油机运动学分析方法
CN113887425A (zh) * 2021-09-30 2022-01-04 北京工业大学 一种面向低算力运算装置的轻量化物体检测方法与系统
CN114154620A (zh) * 2021-11-29 2022-03-08 上海应用技术大学 人群计数网络的训练方法
CN114241344A (zh) * 2021-12-20 2022-03-25 电子科技大学 一种基于深度学习的植物叶片病虫害严重程度评估方法
CN114420151A (zh) * 2022-01-21 2022-04-29 陕西师范大学 基于并联张量分解卷积神经网络的语音情感识别方法
CN114781708A (zh) * 2022-04-11 2022-07-22 东南大学 一种基于轻量级自编码网络的短期风功率预测方法
CN114781472A (zh) * 2022-03-02 2022-07-22 多点(深圳)数字科技有限公司 一种基于自适应卷积核的跨门店生鲜识别方法
CN114881879A (zh) * 2022-05-17 2022-08-09 燕山大学 一种基于亮度补偿残差网络的水下图像增强方法
CN114926821A (zh) * 2022-06-24 2022-08-19 长城汽车股份有限公司 车辆故障警示方法及系统
CN114998820A (zh) * 2022-04-25 2022-09-02 中国海洋大学 一种基于多任务学习的天气识别方法及系统
CN115115890A (zh) * 2022-07-17 2022-09-27 西北工业大学 一种基于自动化机器学习的轻量化高速公路团雾分类方法
CN115222142A (zh) * 2022-07-29 2022-10-21 贵州电网有限责任公司 一种极端气象条件下输变电变压器设备故障预测分析方法
CN115900712A (zh) * 2022-11-03 2023-04-04 深圳大学 一种信源可信度评价组合定位方法
CN116958717A (zh) * 2023-09-20 2023-10-27 山东省地质测绘院 基于机器学习的地质大数据智能清洗方法
CN112884747B (zh) * 2021-02-28 2024-04-16 长安大学 一种融合循环残差卷积与上下文提取器网络的自动桥梁裂缝检测系统

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109784298A (zh) * 2019-01-28 2019-05-21 南京航空航天大学 一种基于深度学习的室外非固定场景天气识别方法
CN110287849B (zh) * 2019-06-20 2022-01-07 北京工业大学 一种适用于树莓派的轻量化深度网络图像目标检测方法
CN110532878B (zh) * 2019-07-26 2022-11-29 中山大学 一种基于轻量化卷积神经网络的驾驶员行为识别方法
CN110555465B (zh) * 2019-08-13 2022-03-11 成都信息工程大学 一种基于cnn与多特征融合的天气图像识别方法
CN110415544B (zh) * 2019-08-20 2021-05-11 深圳疆程技术有限公司 一种灾害天气预警方法及汽车ar-hud系统
CN110908399B (zh) * 2019-12-02 2023-05-12 广东工业大学 一种基于轻量型神经网络的无人机自主避障方法及系统
CN111476713B (zh) * 2020-03-26 2022-07-22 中南大学 基于多深度卷积神经网络融合的天气图像智能识别方法及系统
CN111832407B (zh) * 2020-06-08 2022-03-15 中南民族大学 一种激光雷达开机自动判别方法、设备及存储设备
CN112214925A (zh) * 2020-09-17 2021-01-12 上海微亿智造科技有限公司 适用于深度模型训练的烧结工艺产品质量特征处理方法及系统
CN112801148A (zh) * 2021-01-14 2021-05-14 西安电子科技大学 基于深度学习的火情识别定位系统及方法
CN112990333A (zh) * 2021-03-27 2021-06-18 上海工程技术大学 一种基于深度学习的天气多分类识别方法
CN114220024B (zh) * 2021-12-22 2023-07-18 内蒙古自治区气象信息中心(内蒙古自治区农牧业经济信息中心)(内蒙古自治区气象档案馆) 基于深度学习的静止卫星沙尘暴识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921013A (zh) * 2018-05-16 2018-11-30 浙江零跑科技有限公司 一种基于深度神经网络的视觉场景识别系统及方法
KR101933856B1 (ko) * 2017-07-03 2018-12-31 (주)시정 콘벌루션 신경망을 이용한 영상 처리 시스템 및 이를 이용한 영상 처리 방법
CN109784298A (zh) * 2019-01-28 2019-05-21 南京航空航天大学 一种基于深度学习的室外非固定场景天气识别方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834912B (zh) * 2015-05-14 2017-12-22 北京邮电大学 一种基于图像信息检测的天气识别方法及装置
CN105242330B (zh) * 2015-10-15 2017-10-20 广东欧珀移动通信有限公司 一种天气状况的检测方法、装置及移动终端
CN109214406B (zh) * 2018-05-16 2021-07-09 长沙理工大学 基于D-MobileNet神经网络的图像分类方法
CN108875593A (zh) * 2018-05-28 2018-11-23 上海交通大学 基于卷积神经网络的可见光图像天气识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101933856B1 (ko) * 2017-07-03 2018-12-31 (주)시정 콘벌루션 신경망을 이용한 영상 처리 시스템 및 이를 이용한 영상 처리 방법
CN108921013A (zh) * 2018-05-16 2018-11-30 浙江零跑科技有限公司 一种基于深度神经网络的视觉场景识别系统及方法
CN109784298A (zh) * 2019-01-28 2019-05-21 南京航空航天大学 一种基于深度学习的室外非固定场景天气识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YANG YUANFEI; ZENG SHANGYOU; ZHOU YUE; FENG YANYAN; PAN BING: "Image Recognition Based on Light Weight Convolution Neural Network", VIDEO ENGINEERING, no. 03, 31 March 2018 (2018-03-31), CN, pages 40 - 44, XP009522477, ISSN: 1002-8692, DOI: 10.16280/j.videoe.2018.03.006 *

Cited By (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112084890A (zh) * 2020-08-21 2020-12-15 杭州电子科技大学 基于gmm和cqfl的多尺度识别交通信号标志的方法
CN112084890B (zh) * 2020-08-21 2024-03-22 杭州电子科技大学 基于gmm和cqfl的多尺度识别交通信号标志的方法
CN112233073A (zh) * 2020-09-30 2021-01-15 国网山西省电力公司大同供电公司 一种变电设备红外热成像异常实时检测方法
CN112434786A (zh) * 2020-10-22 2021-03-02 西安交通大学 一种基于winograd动态卷积块的图像处理方法
CN112434786B (zh) * 2020-10-22 2023-09-19 西安交通大学 一种基于winograd动态卷积块的图像处理方法
CN112396020A (zh) * 2020-11-30 2021-02-23 中铁建新疆京新高速公路有限公司 基于人工智能算法的雪深监测系统
CN112651468A (zh) * 2021-01-18 2021-04-13 佛山职业技术学院 一种多尺度轻量化图像分类方法及其存储介质
CN112651468B (zh) * 2021-01-18 2024-06-04 佛山职业技术学院 一种多尺度轻量化图像分类方法及其存储介质
CN112818893A (zh) * 2021-02-10 2021-05-18 北京工业大学 一种面向移动终端的轻量化开集地标识别方法
CN112836669A (zh) * 2021-02-22 2021-05-25 宁波大学 一种司机分心驾驶检测方法
CN112836669B (zh) * 2021-02-22 2023-12-12 宁波大学 一种司机分心驾驶检测方法
CN112836673A (zh) * 2021-02-27 2021-05-25 西北工业大学 一种基于实例感知和匹配感知的重识别方法
CN112836673B (zh) * 2021-02-27 2024-06-04 西北工业大学 一种基于实例感知和匹配感知的重识别方法
CN112884747B (zh) * 2021-02-28 2024-04-16 长安大学 一种融合循环残差卷积与上下文提取器网络的自动桥梁裂缝检测系统
CN113092531B (zh) * 2021-03-18 2023-06-23 西北工业大学 一种基于卷积神经网络的机电阻抗连接结构损伤检测方法
CN113092531A (zh) * 2021-03-18 2021-07-09 西北工业大学 一种基于卷积神经网络的机电阻抗连接结构损伤检测方法
CN113109782A (zh) * 2021-04-15 2021-07-13 中国人民解放军空军航空大学 一种直接应用于雷达辐射源幅度序列的新型分类方法
CN113050042A (zh) * 2021-04-15 2021-06-29 中国人民解放军空军航空大学 基于改进UNet3+网络的雷达信号调制类型识别方法
CN113050042B (zh) * 2021-04-15 2023-08-15 中国人民解放军空军航空大学 基于改进UNet3+网络的雷达信号调制类型识别方法
CN113109782B (zh) * 2021-04-15 2023-08-15 中国人民解放军空军航空大学 一种直接应用于雷达辐射源幅度序列的分类方法
CN113392701B (zh) * 2021-05-10 2024-04-26 南京师范大学 一种基于YN-Net卷积神经网络的输电线路障碍物检测方法
CN113392701A (zh) * 2021-05-10 2021-09-14 南京师范大学 一种基于YN-Net卷积神经网络的输电线路障碍物检测方法
CN113284042B (zh) * 2021-05-31 2023-11-07 大连民族大学 一种多路并行图像内容特征优化风格迁移方法及系统
CN113284042A (zh) * 2021-05-31 2021-08-20 大连民族大学 一种多路并行图像内容特征优化风格迁移方法及系统
CN113837004A (zh) * 2021-08-20 2021-12-24 北京工业大学 一种基于深度学习的游梁式抽油机运动学分析方法
CN113837004B (zh) * 2021-08-20 2024-05-31 北京工业大学 一种基于深度学习的游梁式抽油机运动学分析方法
CN113887425B (zh) * 2021-09-30 2024-04-12 北京工业大学 一种面向低算力运算装置的轻量化物体检测方法与系统
CN113887425A (zh) * 2021-09-30 2022-01-04 北京工业大学 一种面向低算力运算装置的轻量化物体检测方法与系统
CN114154620B (zh) * 2021-11-29 2024-05-21 上海应用技术大学 人群计数网络的训练方法
CN114154620A (zh) * 2021-11-29 2022-03-08 上海应用技术大学 人群计数网络的训练方法
CN114241344B (zh) * 2021-12-20 2023-05-02 电子科技大学 一种基于深度学习的植物叶片病虫害严重程度评估方法
CN114241344A (zh) * 2021-12-20 2022-03-25 电子科技大学 一种基于深度学习的植物叶片病虫害严重程度评估方法
CN114420151A (zh) * 2022-01-21 2022-04-29 陕西师范大学 基于并联张量分解卷积神经网络的语音情感识别方法
CN114420151B (zh) * 2022-01-21 2024-05-31 陕西师范大学 基于并联张量分解卷积神经网络的语音情感识别方法
CN114781472A (zh) * 2022-03-02 2022-07-22 多点(深圳)数字科技有限公司 一种基于自适应卷积核的跨门店生鲜识别方法
CN114781472B (zh) * 2022-03-02 2024-05-24 多点(深圳)数字科技有限公司 一种基于自适应卷积核的跨门店生鲜识别方法
CN114781708A (zh) * 2022-04-11 2022-07-22 东南大学 一种基于轻量级自编码网络的短期风功率预测方法
CN114998820A (zh) * 2022-04-25 2022-09-02 中国海洋大学 一种基于多任务学习的天气识别方法及系统
CN114881879A (zh) * 2022-05-17 2022-08-09 燕山大学 一种基于亮度补偿残差网络的水下图像增强方法
CN114926821A (zh) * 2022-06-24 2022-08-19 长城汽车股份有限公司 车辆故障警示方法及系统
CN115115890B (zh) * 2022-07-17 2024-03-19 西北工业大学 一种基于自动化机器学习的轻量化高速公路团雾分类方法
CN115115890A (zh) * 2022-07-17 2022-09-27 西北工业大学 一种基于自动化机器学习的轻量化高速公路团雾分类方法
CN115222142A (zh) * 2022-07-29 2022-10-21 贵州电网有限责任公司 一种极端气象条件下输变电变压器设备故障预测分析方法
CN115900712B (zh) * 2022-11-03 2023-08-29 深圳大学 一种信源可信度评价组合定位方法
CN115900712A (zh) * 2022-11-03 2023-04-04 深圳大学 一种信源可信度评价组合定位方法
CN116958717B (zh) * 2023-09-20 2023-12-12 山东省地质测绘院 基于机器学习的地质大数据智能清洗方法
CN116958717A (zh) * 2023-09-20 2023-10-27 山东省地质测绘院 基于机器学习的地质大数据智能清洗方法

Also Published As

Publication number Publication date
CN109784298A (zh) 2019-05-21

Similar Documents

Publication Publication Date Title
WO2020156028A1 (zh) 一种基于深度学习的室外非固定场景天气识别方法
CN110163187B (zh) 基于f-rcnn的远距离交通标志检测识别方法
Dong et al. UAV-based real-time survivor detection system in post-disaster search and rescue operations
CN108647655B (zh) 基于轻型卷积神经网络的低空航拍影像电力线异物检测方法
CN103679674B (zh) 一种无人飞行器实时图像拼接方法及系统
CN113076871B (zh) 一种基于目标遮挡补偿的鱼群自动检测方法
CN111986240A (zh) 基于可见光和热成像数据融合的落水人员检测方法及系统
CN113569672A (zh) 轻量级目标检测与故障识别方法、装置及系统
CN113111740A (zh) 一种遥感图像目标检测的特征编织方法
CN113495575A (zh) 一种基于注意力机制的无人机自主着陆视觉引导方法
CN114782298A (zh) 一种具有区域注意力的红外与可见光图像融合方法
CN117671502A (zh) 一种森林火灾检测方法及系统
CN115115973A (zh) 一种基于多感受野与深度特征的弱小目标检测方法
CN114170528B (zh) 一种基于卫星云图的强对流区域识别方法
CN114998801A (zh) 基于对比自监督学习网络的森林火灾烟雾视频检测方法
CN110751271A (zh) 一种基于深度神经网络的图像溯源特征表征方法
CN114463340A (zh) 一种边缘信息引导的敏捷型遥感图像语义分割方法
CN117557780A (zh) 一种机载多模态学习的目标检测算法
CN110991305B (zh) 一种遥感图像下的飞机检测方法及存储介质
CN114494893B (zh) 基于语义重用上下文特征金字塔的遥感图像特征提取方法
Yin et al. M2F2-RCNN: Multi-functional faster RCNN based on multi-scale feature fusion for region search in remote sensing images
CN114359258B (zh) 红外移动对象目标部位的检测方法、装置及系统
CN113869151B (zh) 一种基于特征融合的跨视角步态识别方法及系统
CN116189012A (zh) 一种基于改进yolox的无人机地面小目标检测方法
CN113034598B (zh) 一种基于深度学习的无人机电力巡线方法

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: 20748594

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: 20748594

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS (EPO FORM 1205A DATED 21.09.2021)

122 Ep: pct application non-entry in european phase

Ref document number: 20748594

Country of ref document: EP

Kind code of ref document: A1