CN104077577A - 一种基于卷积神经网络的商标检测方法 - Google Patents
一种基于卷积神经网络的商标检测方法 Download PDFInfo
- Publication number
- CN104077577A CN104077577A CN201410314802.XA CN201410314802A CN104077577A CN 104077577 A CN104077577 A CN 104077577A CN 201410314802 A CN201410314802 A CN 201410314802A CN 104077577 A CN104077577 A CN 104077577A
- Authority
- CN
- China
- Prior art keywords
- trade mark
- convolutional neural
- neural networks
- layer
- picture
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了了一种基于卷积神经网络的商标检测方法。本发明首先收集多种类别的商标图片以及不包含商标的图片,并对包含商标的图片进行标注。然后初始化卷积神经网络,使用商标样本与非商标样本训练卷积神经网络。在测试图片过程中,首先使用目标区域选择方法选取测试图片中可能包含商标的候选窗口,并对候选窗口进行颜色空间转换和尺度缩放处理。然后将候选窗口输入到卷积神经网络中进行识别,并将识别为商标的候选窗口在测试图片中标示出来。本发明通过卷积神经网络将目标区域特征提取与识别相结合,避免特征设计带来的不确定性,并且对于旋转、平移、尺度变化有很好的不变性,基于分割的目标区域选择在提高检测速度的同时降低了误检率。
Description
技术领域
本发明属于目标检测与识别领域,涉及从图像中检测特定目标尤其是商标的方法。
背景技术
目前,随着电视、网络等大量信息媒体的迅猛发展,海量的广告信息充斥在人们的生活中,如何通过广告中包含的商标分析广告来源,对信息进行有效的筛选过滤,以保证广告的有效性以及消费者接受信息的数量,成为了一个值得关注的问题。
受尺度变换、视角变换、光照条件、遮挡、背景干扰等情况的影响,准确的检测和识别复杂场景中的商标是一项具有挑战性的任务。已有的多数目标检测与识别方法基于传统特征,在商标受角度变化、光照条件、轻微形变影响时,识别率有所下降,无法应用于日常生活。另外一方面,传统方法采用多尺度滑动窗口的方式遍历图片寻找目标,这种方式导致需要识别的窗口数量急剧增加,实时性比较差。
卷积神经网络(Convolutional Neural Networks,CNNs)作为深度神经网络的一种,是为识别二维形状而特别设计的一个多层感知器。这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性,在目标分类、识别等领域取得了非常好的效果。
发明内容
本发明的目的在于提供一种基于卷积神经网络的商标检测方法。
为实现上述目的,本发明所述的基于卷积神经网络的商标检测方法包括如下步骤:
1)建立包含多种商标图片和非商标图片的样本集,标注样本中商标所在的局部区域,并进行样本预处理。
2)使用商标所在区域以及不含商标的区域训练卷积神经网络,用于识别多种商标及非商标。
3)输入待检测的图片,对其进行目标区域选择,获取图片中可能包含商标的局部区域。
4)对步骤3)得到的可能包含商标的图片局部区域进行预处理,预处理后的结果作为卷积神经网络的输入,判定待检测图片中是否包含目标以及目标的位置。
所述的样本集共包含10类商标样本以及1类不包含任何商标的样本。其中包含商标的图片中商标部分均大于60*60像素。
所述样本图片标注的方法为,对于图片中包含商标的局部区域,标记可以包围该区域的矩形框,并记录该矩形框在样本图片中的相对位置。
所述样本预处理的方法为,将样本图片中包含商标的矩形区域作为正样本,从不包含任何商标的图片中随机选取局部区域作为负样本,不考虑样本的长宽比,统一缩放为大小为28*28的灰度图,由于各个商标类别所包含的初始样本个数不同,需要对其中样本较少的类别进行扩充。扩充样本的方法是将样本中包含商标的矩形区域进行多角度的旋转,为了避免旋转不规则角度后需要进行图片填充,从而引入噪声,使用的旋转角度为90°、180°和270°。
所述的卷积神经网络设置为7层,其中第1层为输入层,接受大小为28*28的灰度图像作为输入,第7层为输出层,共11个节点,分别代表10个商标类别和1个非商标类别;卷积神经网络的第2层与第4层为卷积层,分别通过多个大小为5*5的卷积核提取图片的不同特征,其中,第2层包含6个大小为24*24特征映射图,第4层包含12个大小为8*8的特征映射图;卷积神经网络的第3层与第5层为下采样层,将所连接前一层的2*2的邻域下采样为1个像素,采样的间隔为2,其中第3层包含6个12*12的特征映射图,第5层包含12个4*4的特征映射图;卷积神经网络的第6层为全连接层,与第5层公196个节点全连接。
所述的对于待检测的图片进行目标区域选择为,基于图像分割的方法,选择其中可能包含目标的少数区域输入卷积神经网络进行识别,从而避免基于滑动窗口的检测方法带来的时间开销以及对检测准确率的影响。
步骤4)中预处理的方法为,将区域转化为灰度图,不考虑区域的长宽比,将区域缩放至28*28。
本发明的有益效果如下:
本发明方法是一种快速的基于卷积神经网络的商标检测方法,它基于卷积神经网络,直接使用二维图像作为输入,避免人为设计特征带来的不确定性,同时对于商标的旋转、平移、尺度变化有很好的不变性。本发明采用一种基于分割的目标区域选择,筛选出测试图片中可能包含商标的目标区域,大量减少了需要识别的区域,不仅极大的提高了检测速度,同时降低了基于卷积神经网络的商标检测的误检率。
与传统方法相比,本发明通过卷积神经网络将目标区域特征提取与识别相结合,这一方法能够避免人为设计特征带来的不确定性,同时对于旋转、平移、尺度变化有很好的不变性。在目标检测的过程中,采用了一种基于分割的目标区域选择方法,在提高检测速度的同时降低了误检率。
附图说明
图1是本发明基于卷积神经网络的商标检测方法的流程示意图;
图2是本发明所述卷积神经网络结构示意图;
图3是本发明在测试图片上的检测结果示意图。
具体实施方式
本发明提出了一种基于卷积神经网络的商标检测方法,该方法在已经标注的商标样本集上训练卷积神经网络。在测试的过程中,首先通过目标区域选择筛选测试图片的局部区域作为候选窗口,用已训练好的卷积神经网络进行识别。图1 是本发明基于卷积神经网络的商标检测方法的流程图。如图1所示,本发明基于卷积神经网络的商标检测方法包括以下步骤:
步骤1,建立包含多种商标图片和非商标图片的样本集,标注样本中商标所在的局部区域,并进行样本预处理。
本发明使用卷积神经网络进行商标识别,根据卷积神经网络的特征,需要收集大量的商标图片以保证网络的充分训练。因此,所构造的样本集应包含多种商标类别,每一类商标应包含不少于1000张的样本图片。
所收集的商标图片应保证分辨率高于100*100,图片中包含的对应商标应不小于60*60,同时图片中包含的商标应边界清晰,没有明显的遮挡。
对样本集中的图片进行标注,记录包围商标的矩形框的左上顶点坐标以及矩形框的长、宽等信息。本发明将样本集中标注的商标区域进行轻微的平移及多角度旋转,平移的步长不超过3个像素,旋转角度为90度的整数倍。通过上述方法将每一类商标的样本集扩充到8000个,并划分为训练集和测试集两部分,其中训练集包括7000个样本,测试集包括1000个样本。
本发明所述的方法用于检测图片中是否包含商标及商标的位置,因此所述卷积网络需要识别图片中的背景区域。本发明从不包含商标的图片中随机的选取8000个局部图片作为训练卷积神经网络的非商标样本,所述的随机选取包含随机选取背景图片的位置及尺寸。本发明共使用非商标样本8000个,其中7000个样本用于训练卷积神经网络,1000个样本用于测试。
将上述步骤得到的商标与非商标样本的图像由RGB三通道转变为单通道灰度图像。本发明所述的卷积神经网络输入为固定尺度的二维图像,因此,将提取的全部样本缩放至28*28像素。
步骤2,使用商标所在区域以及不含商标的区域训练卷积神经网络,用于识别多种商标及非商标。
本发明所述卷积神经网络的结构如图2所示,包括输入输出层在内共7层。卷积神经网络的输入为上述步骤所得的28*28的二维图像。图中第2层至第5层为交替出现的卷积层与下采样层。所述卷积层包括多个特征映射图,每个特征映射图通过一个大小为5*5的卷积滤波器提取输入的一种特征,每个特征映射图有多个神经元,通过卷积运算,可以增强原信号特征,并且降低噪音。所述下采样层利用图像局部相关的特性进行抽样,将所连接的上一卷积层大小为2*2的邻域中最大像素值作为下采样层对应像素的值,减少了数据处理量,同时保留了有用信息。所述第6层为全连接层,第7层为输出层。
卷积神经网络的训练与传统的反馈神经网络算法相近。将训练样本分为多个批次,每次使用一批样本对网络进行更新。首先将样本及类别标签(X,Yp)输入卷积神经网络,经过卷积、下采样等计算过程输出实际类别标签Op。然后计算实际输出Op与样本正确类别Yp的差,按极小化误差的方法反向传播,调整卷积神经网络的参数。
步骤3,输入测试图片,使用目标区域选择的方法筛选图片中可能包含商标的区域。
本发明所述目标区域选择方法参考文献“Selective search for object recognition(Uijlings J R R, van de Sande K E A, Gevers T, International journal of computer vision, 2013, 104(2): 154-171)”中的方法,对图片进行分割产生初始区域,并计算相邻区域的相似度,将最相似的区域进行合并,逐层向上合并直至产生的区域包含整个图片。
本发明所述目标区域选择方法使用HSV颜色空间,该颜色空间对光线强度、阴影及高光有很好的不变性。所述方法使用多种相似度度量方法进行区域合并,包括颜色、纹理等,以保证所述方法产生的区域足够完备。
将采用多种相似度度量方法生成的区域合并,并移除其中重复的区域。由于测试图片的大小有所差别,每张测试图片产生的候选区域数量不同,均不超过2000个候选区域,与多尺度滑动窗口的方法相比,需要卷积网络识别的区域数量大大减少。
步骤4,将步骤3选取的多个局部区域根据步骤2所述的样本处理方法归一化至28*28,输入到步骤2所训练的卷积神经网络中,卷积神经网络输出各局部区域的类别。
步骤5,将步骤4中卷积神经网络识别为商标的区域在测试图片中进行标示,生成最终检测结果,检测结果如图3所示。
最后,应当指出,以上实施例仅是本发明较有代表性的例子。本领域的普通技术人员可在不脱离本发明的发明思想情况下,对于上述实施例做出种种修改或变化,因而本发明的保护范围并不被上述实施例所限,而应该是符合权利要求书提到的创新性特征的最大范围。
Claims (9)
1. 一种基于卷积神经网络的商标检测方法,其特征在于该方法包括如下步骤:
1)建立包含多种商标图片和非商标图片的样本集,标注样本中商标所在的局部区域,并进行样本预处理;
2)使用商标所在区域以及不含商标的区域训练卷积神经网络,用于识别多种商标及非商标;
3)输入待检测的图片,对其进行目标区域选择,获取图片中可能包含商标的局部区域;
4)对步骤3)得到的可能包含商标的图片局部区域进行预处理,预处理后的结果作为卷积神经网络的输入,判定待检测图片中是否包含目标以及目标的位置。
2.根据权利要求1所述的一种基于卷积神经网络的商标检测方法,其特征在于:所述的样本集共包含10类商标样本以及1类不包含任何商标的样本;其中包含商标的图片中商标部分均大于60*60像素。
3.根据权利要求1所述的一种基于卷积神经网络的商标检测方法,其特征在于:样本图片标注的方法为,对于图片中包含商标的局部区域,标记可以包围该区域的矩形框,并记录该矩形框在样本图片中的横坐标、纵坐标以及长和宽。
4.根据权利要求1所述的一种基于卷积神经网络的商标检测方法,其特征在于:样本预处理的方法是将样本图片中包含商标的矩形区域作为正样本,从不包含任何商标的图片中随机选取局部区域作为负样本,不考虑样本的长宽比,统一缩放为大小为28*28的灰度图,由于各个商标类别所包含的初始样本个数不同,需要对其中样本较少的类别进行扩充。
5.根据权利要求4所述的扩充样本较少的类别的方法,其特征在于:将样本中包含商标的矩形区域进行多角度的旋转,为了避免旋转不规则角度后需要进行图片填充,从而引入噪声,所述的通过旋转扩充样本的方法使用的旋转角度为90°、180°和270°。
6.根据权利要求1所述的一种基于卷积神经网络的商标检测方法,其特征在于:所述的卷积神经网络设置为7层,其中第1层为输入层,接受大小为28*28的灰度图像作为输入,第7层为输出层,共11个节点,分别代表10个商标类别和1个非商标类别。
7.根据权利要求6所述的一种基于卷积神经网络的商标检测方法,其特征在于:卷积神经网络的第2层与第4层为卷积层,分别通过多个5*5的卷积核提取图片的不同特征,其中,第2层包含6个大小为24*24特征映射图,第4层包含12个大小为8*8的特征映射图;卷积神经网络的第3层与第5层为下采样层,将所连接前一层的2*2的邻域下采样为一个像素,采样的间隔为2,其中第3层包含6个12*12的特征映射图,第5层包含12个4*4的特征映射图;卷积神经网络的第6层为全连接层,共196个节点。
8.根据权利要求1所述的一种基于卷积神经网络的商标检测方法,其特征在于:对于待检测的图片,首先对其进行目标区域选择,基于图像分割的方法,选择其中可能包含目标的少量区域输入卷积神经网络进行识别,从而避免基于滑动窗口的检测方法带来的时间开销以及对检测准确率的影响。
9.根据权利要求1所述的一种基于卷积神经网络的商标检测方法,其特征在于:步骤4)中的预处理具体是:将区域转化为灰度图,不考虑区域的长宽比,将区域缩放至28*28。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410314802.XA CN104077577A (zh) | 2014-07-03 | 2014-07-03 | 一种基于卷积神经网络的商标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410314802.XA CN104077577A (zh) | 2014-07-03 | 2014-07-03 | 一种基于卷积神经网络的商标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104077577A true CN104077577A (zh) | 2014-10-01 |
Family
ID=51598825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410314802.XA Pending CN104077577A (zh) | 2014-07-03 | 2014-07-03 | 一种基于卷积神经网络的商标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104077577A (zh) |
Cited By (50)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463865A (zh) * | 2014-12-05 | 2015-03-25 | 浙江大学 | 一种人像分割方法 |
CN104572965A (zh) * | 2014-12-31 | 2015-04-29 | 南京理工大学 | 基于卷积神经网络的以图搜图*** |
CN104657706A (zh) * | 2015-01-27 | 2015-05-27 | 北京大学 | 基于图像的高铁线路线杆断裂与联接结构体异常检测方法 |
CN104978586A (zh) * | 2015-06-29 | 2015-10-14 | 百度在线网络技术(北京)有限公司 | 商标识别方法和装置 |
CN104992179A (zh) * | 2015-06-23 | 2015-10-21 | 浙江大学 | 一种基于精粒度卷积神经网络的衣物推荐方法 |
CN105069779A (zh) * | 2015-07-20 | 2015-11-18 | 童垸林 | 一种建筑陶瓷表面花纹图案质量检测方法 |
CN105160361A (zh) * | 2015-09-30 | 2015-12-16 | 东软集团股份有限公司 | 一种图像识别方法及装置 |
CN105488468A (zh) * | 2015-11-26 | 2016-04-13 | 浙江宇视科技有限公司 | 一种目标区域的定位方法和装置 |
CN105590102A (zh) * | 2015-12-30 | 2016-05-18 | 中通服公众信息产业股份有限公司 | 一种基于深度学习的前车车脸识别方法 |
CN105631482A (zh) * | 2016-03-03 | 2016-06-01 | 中国民航大学 | 一种基于卷积神经网络模型的危险物品图像分类方法 |
CN105657446A (zh) * | 2015-12-30 | 2016-06-08 | 北京奇艺世纪科技有限公司 | 一种视频中贴片广告的检测方法和装置 |
CN105678344A (zh) * | 2016-02-29 | 2016-06-15 | 浙江群力电气有限公司 | 一种电力仪表设备的智能分类方法 |
CN105787510A (zh) * | 2016-02-26 | 2016-07-20 | 华东理工大学 | 基于深度学习实现地铁场景分类的***及方法 |
WO2016112797A1 (zh) * | 2015-01-15 | 2016-07-21 | 阿里巴巴集团控股有限公司 | 一种用于确定图片陈列信息的方法及设备 |
CN105930822A (zh) * | 2016-05-11 | 2016-09-07 | 北京格灵深瞳信息技术有限公司 | 一种人脸抓拍方法及*** |
WO2016155345A1 (zh) * | 2015-03-27 | 2016-10-06 | 哈尔滨工业大学深圳研究生院 | 一种基于视频内容感知的广告推荐方法及*** |
CN106097353A (zh) * | 2016-06-15 | 2016-11-09 | 北京市商汤科技开发有限公司 | 基于多层次局部区域融合的物体分割方法及装置、计算设备 |
CN106203237A (zh) * | 2015-05-04 | 2016-12-07 | 杭州海康威视数字技术股份有限公司 | 集装箱拖车编号的识别方法和装置 |
CN106548127A (zh) * | 2015-09-18 | 2017-03-29 | 松下电器(美国)知识产权公司 | 图像识别方法 |
CN106557747A (zh) * | 2016-11-15 | 2017-04-05 | 平安科技(深圳)有限公司 | 识别保险单号码的方法及装置 |
CN106778835A (zh) * | 2016-11-29 | 2017-05-31 | 武汉大学 | 融合场景信息和深度特征的遥感图像机场目标识别方法 |
CN106803090A (zh) * | 2016-12-05 | 2017-06-06 | ***股份有限公司 | 一种图像识别方法和装置 |
CN106815596A (zh) * | 2016-12-08 | 2017-06-09 | ***股份有限公司 | 一种图像分类器建立方法及装置 |
CN107025429A (zh) * | 2016-12-02 | 2017-08-08 | 财团法人车辆研究测试中心 | 具平行架构的阶层式标的物侦测***及其方法 |
CN107038448A (zh) * | 2017-03-01 | 2017-08-11 | 中国科学院自动化研究所 | 目标检测模型构建方法 |
CN107330420A (zh) * | 2017-07-14 | 2017-11-07 | 河北工业大学 | 基于深度学习带有旋转信息的人脸表情识别方法 |
CN107657445A (zh) * | 2017-07-04 | 2018-02-02 | 深圳市谷熊网络科技有限公司 | 一种在线支付方法及在线支付*** |
CN107871105A (zh) * | 2016-09-26 | 2018-04-03 | 北京眼神科技有限公司 | 一种人脸认证方法和装置 |
CN108109124A (zh) * | 2017-12-27 | 2018-06-01 | 北京诸葛找房信息技术有限公司 | 基于深度学习的不定位置图片水印修复方法 |
CN108269371A (zh) * | 2017-09-27 | 2018-07-10 | 缤果可为(北京)科技有限公司 | 商品自动结算方法、装置、自助收银台 |
CN108320404A (zh) * | 2017-09-27 | 2018-07-24 | 缤果可为(北京)科技有限公司 | 基于神经网络的商品识别方法、装置、自助收银台 |
CN108548453A (zh) * | 2018-06-14 | 2018-09-18 | 深圳深知未来智能有限公司 | 一种实时自动报靶*** |
CN108647682A (zh) * | 2018-05-17 | 2018-10-12 | 电子科技大学 | 一种基于区域卷积神经网络模型的品牌Logo检测与识别方法 |
CN108694401A (zh) * | 2018-05-09 | 2018-10-23 | 北京旷视科技有限公司 | 目标检测方法、装置及*** |
CN109154976A (zh) * | 2016-03-17 | 2019-01-04 | 阿维尼翁公司 | 通过机器学习训练对象分类器的***和方法 |
CN109190663A (zh) * | 2018-07-26 | 2019-01-11 | 湖南省烟草公司株洲市公司 | 一种基于深度学习技术的识别烟盒品规的方法 |
CN109427061A (zh) * | 2017-08-31 | 2019-03-05 | 宏达国际电子股份有限公司 | 影像切割方法及装置 |
CN109558781A (zh) * | 2018-08-02 | 2019-04-02 | 北京市商汤科技开发有限公司 | 一种多视角视频识别方法及装置、设备和存储介质 |
WO2019062388A1 (zh) * | 2017-09-30 | 2019-04-04 | 北京国双科技有限公司 | 广告效果分析方法及装置 |
CN109685528A (zh) * | 2017-12-18 | 2019-04-26 | 北京京东尚科信息技术有限公司 | 基于深度学习检测仿冒产品的***和方法 |
CN109759339A (zh) * | 2019-03-01 | 2019-05-17 | 邯郸学院 | 物流包裹的分拣方法、分拣装置及分拣终端 |
CN109784384A (zh) * | 2018-12-28 | 2019-05-21 | 佛山科学技术学院 | 一种自动辨别商标真伪的方法及装置 |
CN109815358A (zh) * | 2018-12-26 | 2019-05-28 | 北京博鳌纵横网络科技有限公司 | 一种商标图案近似查询***和方法 |
CN109902196A (zh) * | 2019-02-14 | 2019-06-18 | 厦门一品微客知识产权服务有限公司 | 一种商标类别推荐方法、装置、计算机设备及存储介质 |
CN110213605A (zh) * | 2019-05-28 | 2019-09-06 | 广州华多网络科技有限公司 | 图像纠正方法、装置及设备 |
CN110543884A (zh) * | 2018-05-29 | 2019-12-06 | 国际关系学院 | 一种基于图像的网络攻击组织溯源方法 |
CN110569699A (zh) * | 2018-09-07 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 对图片进行目标采样的方法及装置 |
CN111160279A (zh) * | 2019-12-31 | 2020-05-15 | 武汉星巡智能科技有限公司 | 利用小样本生成目标识别模型的方法、装置、设备及介质 |
CN112329497A (zh) * | 2019-07-18 | 2021-02-05 | 杭州海康威视数字技术股份有限公司 | 一种目标识别方法、装置及设备 |
CN113610832A (zh) * | 2021-08-19 | 2021-11-05 | 创优数字科技(广东)有限公司 | 一种徽标缺陷检测方法、装置、设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110182469A1 (en) * | 2010-01-28 | 2011-07-28 | Nec Laboratories America, Inc. | 3d convolutional neural networks for automatic human action recognition |
US20110222724A1 (en) * | 2010-03-15 | 2011-09-15 | Nec Laboratories America, Inc. | Systems and methods for determining personal characteristics |
CN103279759A (zh) * | 2013-06-09 | 2013-09-04 | 大连理工大学 | 一种基于卷积神经网络的车辆前方可通行性分析方法 |
CN103345656A (zh) * | 2013-07-17 | 2013-10-09 | 中国科学院自动化研究所 | 一种基于多任务深度神经网络的数据识别方法及装置 |
CN103366180A (zh) * | 2013-06-14 | 2013-10-23 | 山东大学 | 一种基于自动特征学习的细胞图像分割方法 |
CN103902987A (zh) * | 2014-04-17 | 2014-07-02 | 福州大学 | 一种基于卷积网络的台标识别方法 |
-
2014
- 2014-07-03 CN CN201410314802.XA patent/CN104077577A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110182469A1 (en) * | 2010-01-28 | 2011-07-28 | Nec Laboratories America, Inc. | 3d convolutional neural networks for automatic human action recognition |
US20110222724A1 (en) * | 2010-03-15 | 2011-09-15 | Nec Laboratories America, Inc. | Systems and methods for determining personal characteristics |
CN103279759A (zh) * | 2013-06-09 | 2013-09-04 | 大连理工大学 | 一种基于卷积神经网络的车辆前方可通行性分析方法 |
CN103366180A (zh) * | 2013-06-14 | 2013-10-23 | 山东大学 | 一种基于自动特征学习的细胞图像分割方法 |
CN103345656A (zh) * | 2013-07-17 | 2013-10-09 | 中国科学院自动化研究所 | 一种基于多任务深度神经网络的数据识别方法及装置 |
CN103902987A (zh) * | 2014-04-17 | 2014-07-02 | 福州大学 | 一种基于卷积网络的台标识别方法 |
Non-Patent Citations (4)
Title |
---|
J.R.R UIJLINGS 等: "Selective Search for Object Recognition", 《INTERNATIONAL JOURNAL OF COMPUTER VISION》 * |
PIERRE SERMANET等: "OverFeat: Integrated Recognition, Location and Detection using Convolutional Networks", 《CORNELL UNIVERSITY LIBRARY》 * |
许可: "卷积神经网络在图像识别上的应用的研究", 《中国优秀硕士学位论文全文数据库·信息科技辑》 * |
顾佳玲 等: "增长卷积神经网络及其在人脸检测中的应用", 《***仿真学报》 * |
Cited By (66)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463865A (zh) * | 2014-12-05 | 2015-03-25 | 浙江大学 | 一种人像分割方法 |
CN104572965A (zh) * | 2014-12-31 | 2015-04-29 | 南京理工大学 | 基于卷积神经网络的以图搜图*** |
WO2016112797A1 (zh) * | 2015-01-15 | 2016-07-21 | 阿里巴巴集团控股有限公司 | 一种用于确定图片陈列信息的方法及设备 |
CN104657706A (zh) * | 2015-01-27 | 2015-05-27 | 北京大学 | 基于图像的高铁线路线杆断裂与联接结构体异常检测方法 |
CN104657706B (zh) * | 2015-01-27 | 2017-12-29 | 北京大学 | 基于图像的高铁线路线杆断裂与联接结构体异常检测方法 |
WO2016155345A1 (zh) * | 2015-03-27 | 2016-10-06 | 哈尔滨工业大学深圳研究生院 | 一种基于视频内容感知的广告推荐方法及*** |
CN106203237A (zh) * | 2015-05-04 | 2016-12-07 | 杭州海康威视数字技术股份有限公司 | 集装箱拖车编号的识别方法和装置 |
CN104992179A (zh) * | 2015-06-23 | 2015-10-21 | 浙江大学 | 一种基于精粒度卷积神经网络的衣物推荐方法 |
CN104978586A (zh) * | 2015-06-29 | 2015-10-14 | 百度在线网络技术(北京)有限公司 | 商标识别方法和装置 |
CN105069779B (zh) * | 2015-07-20 | 2017-12-26 | 童垸林 | 一种建筑陶瓷表面花纹图案质量检测方法 |
CN105069779A (zh) * | 2015-07-20 | 2015-11-18 | 童垸林 | 一种建筑陶瓷表面花纹图案质量检测方法 |
CN106548127A (zh) * | 2015-09-18 | 2017-03-29 | 松下电器(美国)知识产权公司 | 图像识别方法 |
CN106548127B (zh) * | 2015-09-18 | 2022-11-04 | 松下电器(美国)知识产权公司 | 图像识别方法 |
CN105160361A (zh) * | 2015-09-30 | 2015-12-16 | 东软集团股份有限公司 | 一种图像识别方法及装置 |
CN105488468B (zh) * | 2015-11-26 | 2019-10-18 | 浙江宇视科技有限公司 | 一种目标区域的定位方法和装置 |
CN105488468A (zh) * | 2015-11-26 | 2016-04-13 | 浙江宇视科技有限公司 | 一种目标区域的定位方法和装置 |
CN105657446A (zh) * | 2015-12-30 | 2016-06-08 | 北京奇艺世纪科技有限公司 | 一种视频中贴片广告的检测方法和装置 |
CN105657446B (zh) * | 2015-12-30 | 2018-06-22 | 北京奇艺世纪科技有限公司 | 一种视频中贴片广告的检测方法和装置 |
CN105590102A (zh) * | 2015-12-30 | 2016-05-18 | 中通服公众信息产业股份有限公司 | 一种基于深度学习的前车车脸识别方法 |
CN105787510A (zh) * | 2016-02-26 | 2016-07-20 | 华东理工大学 | 基于深度学习实现地铁场景分类的***及方法 |
CN105678344A (zh) * | 2016-02-29 | 2016-06-15 | 浙江群力电气有限公司 | 一种电力仪表设备的智能分类方法 |
CN105631482A (zh) * | 2016-03-03 | 2016-06-01 | 中国民航大学 | 一种基于卷积神经网络模型的危险物品图像分类方法 |
CN109154976A (zh) * | 2016-03-17 | 2019-01-04 | 阿维尼翁公司 | 通过机器学习训练对象分类器的***和方法 |
CN105930822A (zh) * | 2016-05-11 | 2016-09-07 | 北京格灵深瞳信息技术有限公司 | 一种人脸抓拍方法及*** |
CN106097353B (zh) * | 2016-06-15 | 2018-06-22 | 北京市商汤科技开发有限公司 | 基于多层次局部区域融合的物体分割方法及装置、计算设备 |
CN106097353A (zh) * | 2016-06-15 | 2016-11-09 | 北京市商汤科技开发有限公司 | 基于多层次局部区域融合的物体分割方法及装置、计算设备 |
US10489913B2 (en) | 2016-06-15 | 2019-11-26 | Beijing Sensetime Technology Development Co., Ltd. | Methods and apparatuses, and computing devices for segmenting object |
CN107871105A (zh) * | 2016-09-26 | 2018-04-03 | 北京眼神科技有限公司 | 一种人脸认证方法和装置 |
CN106557747A (zh) * | 2016-11-15 | 2017-04-05 | 平安科技(深圳)有限公司 | 识别保险单号码的方法及装置 |
CN106557747B (zh) * | 2016-11-15 | 2018-06-22 | 平安科技(深圳)有限公司 | 识别保险单号码的方法及装置 |
CN106778835B (zh) * | 2016-11-29 | 2020-03-24 | 武汉大学 | 融合场景信息和深度特征的遥感图像机场目标识别方法 |
CN106778835A (zh) * | 2016-11-29 | 2017-05-31 | 武汉大学 | 融合场景信息和深度特征的遥感图像机场目标识别方法 |
CN107025429A (zh) * | 2016-12-02 | 2017-08-08 | 财团法人车辆研究测试中心 | 具平行架构的阶层式标的物侦测***及其方法 |
CN106803090A (zh) * | 2016-12-05 | 2017-06-06 | ***股份有限公司 | 一种图像识别方法和装置 |
CN106815596A (zh) * | 2016-12-08 | 2017-06-09 | ***股份有限公司 | 一种图像分类器建立方法及装置 |
CN107038448B (zh) * | 2017-03-01 | 2020-02-28 | 中科视语(北京)科技有限公司 | 目标检测模型构建方法 |
CN107038448A (zh) * | 2017-03-01 | 2017-08-11 | 中国科学院自动化研究所 | 目标检测模型构建方法 |
CN107657445A (zh) * | 2017-07-04 | 2018-02-02 | 深圳市谷熊网络科技有限公司 | 一种在线支付方法及在线支付*** |
CN107657445B (zh) * | 2017-07-04 | 2021-12-14 | 深圳市谷熊网络科技有限公司 | 一种在线支付方法及在线支付*** |
CN107330420A (zh) * | 2017-07-14 | 2017-11-07 | 河北工业大学 | 基于深度学习带有旋转信息的人脸表情识别方法 |
CN107330420B (zh) * | 2017-07-14 | 2019-09-06 | 河北工业大学 | 基于深度学习带有旋转信息的人脸表情识别方法 |
CN109427061B (zh) * | 2017-08-31 | 2020-11-17 | 宏达国际电子股份有限公司 | 影像切割方法及装置 |
CN109427061A (zh) * | 2017-08-31 | 2019-03-05 | 宏达国际电子股份有限公司 | 影像切割方法及装置 |
CN108320404A (zh) * | 2017-09-27 | 2018-07-24 | 缤果可为(北京)科技有限公司 | 基于神经网络的商品识别方法、装置、自助收银台 |
CN108269371A (zh) * | 2017-09-27 | 2018-07-10 | 缤果可为(北京)科技有限公司 | 商品自动结算方法、装置、自助收银台 |
WO2019062388A1 (zh) * | 2017-09-30 | 2019-04-04 | 北京国双科技有限公司 | 广告效果分析方法及装置 |
CN109685528A (zh) * | 2017-12-18 | 2019-04-26 | 北京京东尚科信息技术有限公司 | 基于深度学习检测仿冒产品的***和方法 |
CN108109124A (zh) * | 2017-12-27 | 2018-06-01 | 北京诸葛找房信息技术有限公司 | 基于深度学习的不定位置图片水印修复方法 |
CN108694401A (zh) * | 2018-05-09 | 2018-10-23 | 北京旷视科技有限公司 | 目标检测方法、装置及*** |
US11250591B2 (en) | 2018-05-09 | 2022-02-15 | Beijing Kuangshi Technology Co., Ltd. | Target detection method, system, and non-volatile storage medium |
CN108647682A (zh) * | 2018-05-17 | 2018-10-12 | 电子科技大学 | 一种基于区域卷积神经网络模型的品牌Logo检测与识别方法 |
CN110543884A (zh) * | 2018-05-29 | 2019-12-06 | 国际关系学院 | 一种基于图像的网络攻击组织溯源方法 |
CN108548453A (zh) * | 2018-06-14 | 2018-09-18 | 深圳深知未来智能有限公司 | 一种实时自动报靶*** |
CN109190663A (zh) * | 2018-07-26 | 2019-01-11 | 湖南省烟草公司株洲市公司 | 一种基于深度学习技术的识别烟盒品规的方法 |
CN109558781A (zh) * | 2018-08-02 | 2019-04-02 | 北京市商汤科技开发有限公司 | 一种多视角视频识别方法及装置、设备和存储介质 |
CN110569699A (zh) * | 2018-09-07 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 对图片进行目标采样的方法及装置 |
CN109815358A (zh) * | 2018-12-26 | 2019-05-28 | 北京博鳌纵横网络科技有限公司 | 一种商标图案近似查询***和方法 |
CN109784384A (zh) * | 2018-12-28 | 2019-05-21 | 佛山科学技术学院 | 一种自动辨别商标真伪的方法及装置 |
CN109902196A (zh) * | 2019-02-14 | 2019-06-18 | 厦门一品微客知识产权服务有限公司 | 一种商标类别推荐方法、装置、计算机设备及存储介质 |
CN109759339A (zh) * | 2019-03-01 | 2019-05-17 | 邯郸学院 | 物流包裹的分拣方法、分拣装置及分拣终端 |
CN110213605A (zh) * | 2019-05-28 | 2019-09-06 | 广州华多网络科技有限公司 | 图像纠正方法、装置及设备 |
CN110213605B (zh) * | 2019-05-28 | 2022-09-13 | 广州方硅信息技术有限公司 | 图像纠正方法、装置及设备 |
CN112329497A (zh) * | 2019-07-18 | 2021-02-05 | 杭州海康威视数字技术股份有限公司 | 一种目标识别方法、装置及设备 |
CN111160279A (zh) * | 2019-12-31 | 2020-05-15 | 武汉星巡智能科技有限公司 | 利用小样本生成目标识别模型的方法、装置、设备及介质 |
CN113610832A (zh) * | 2021-08-19 | 2021-11-05 | 创优数字科技(广东)有限公司 | 一种徽标缺陷检测方法、装置、设备和存储介质 |
CN113610832B (zh) * | 2021-08-19 | 2023-02-10 | 创优数字科技(广东)有限公司 | 一种徽标缺陷检测方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104077577A (zh) | 一种基于卷积神经网络的商标检测方法 | |
CN108334848B (zh) | 一种基于生成对抗网络的微小人脸识别方法 | |
CN106910186B (zh) | 一种基于cnn深度学习的桥梁裂缝检测定位方法 | |
CN108460764B (zh) | 基于自动上下文和数据增强的超声图像智能分割方法 | |
CN108596055B (zh) | 一种复杂背景下高分辨遥感图像的机场目标检测方法 | |
KR101403876B1 (ko) | 차량 번호판 인식 방법과 그 장치 | |
CN104050471B (zh) | 一种自然场景文字检测方法及*** | |
CN110210475B (zh) | 一种非二值化和边缘检测的车牌字符图像分割方法 | |
CN109255350B (zh) | 一种基于视频监控的新能源车牌检测方法 | |
CN103927741B (zh) | 增强目标特征的sar图像合成方法 | |
CN105701483B (zh) | 一种融合多光谱遥感数据和夜间灯光遥感数据的城市边界提取方法 | |
CN111985316B (zh) | 一种用于道路智能清扫的路面垃圾感知方法 | |
CN105160310A (zh) | 基于3d卷积神经网络的人体行为识别方法 | |
CN112733950A (zh) | 一种基于图像融合与目标检测结合的电力设备故障诊断方法 | |
CN104881662A (zh) | 一种单幅图像行人检测方法 | |
CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
CN110765833A (zh) | 一种基于深度学习的人群密度估计方法 | |
CN105608454A (zh) | 基于文字结构部件检测神经网络的文字检测方法及*** | |
CN104408449A (zh) | 智能移动终端场景文字处理方法 | |
CN110335233B (zh) | 基于图像处理技术的高速公路护栏板缺陷检测***和方法 | |
CN112465752A (zh) | 一种基于改进的Faster R-CNN小目标检测方法 | |
CN104915642B (zh) | 前方车辆测距方法及装置 | |
CN111539980B (zh) | 一种基于可见光的多目标追踪方法 | |
CN111898627B (zh) | 一种基于pca的svm云微粒子优化分类识别方法 | |
CN108734200A (zh) | 基于bing特征的人体目标视觉检测方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20141001 |