CN104537393A - 一种基于多分辨率卷积神经网络的交通标志识别方法 - Google Patents
一种基于多分辨率卷积神经网络的交通标志识别方法 Download PDFInfo
- Publication number
- CN104537393A CN104537393A CN201510002850.XA CN201510002850A CN104537393A CN 104537393 A CN104537393 A CN 104537393A CN 201510002850 A CN201510002850 A CN 201510002850A CN 104537393 A CN104537393 A CN 104537393A
- Authority
- CN
- China
- Prior art keywords
- training
- neural networks
- resolution
- input
- traffic sign
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 title abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 35
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 230000000644 propagated effect Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000010801 machine learning Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明属于计算机应用技术领域机器学习理论及应用子领域,关注于智能交通技术中的交通标志识别问题。其特征是使用一种多分辨率卷积神经网络交通标志识别方法,用于解决使用卷积神经网络进行交通标志识别时速度较慢的问题,使用不同分辨率的二维图像作为输入,并行运算两个相同结构的卷积神经网络进行特征映射和提取,而后基于网络训练的权值阈值进行精确分类和识别。本发明通过使用两个具有不同分辨率分支的CNN代替了基本的CNN结构,高分辨图像输入可映射出全局和轮廓的特征,低分辨率的图像可映射出局部和细节特征,保证了识别的分辨率,提高了模型训练速度。
Description
技术领域
本发明属于计算机应用技术领域机器学习理论及应用子领域,本发明专利关注于智能交通技术中的交通标志识别问题。提出一种多分辨率卷积神经网络交通标志识别方法,用于解决使用卷积神经网络进行交通标志识别时速度较慢的问题,使用不同分辨率的二维图像作为输入,并行运算两个相同结构的卷积神经网络进行特征映射和提取,而后基于网络训练的权值阈值进行精确分类和识别。既保证了提取的图像特征的多样性,又提升了网络的运算速度,有效兼顾了识别精度和识别速度。
背景技术
交通标志是道路交通***的一个重要组成部分,其作用主要包括显示当前路段的交通状况,提示驾驶环境中的危险和困难、警告驾驶员、为驾驶员指路等,为安全舒适的驾驶提供有用信息。如果完全靠驾驶员自己注意和发现交通标识并做出正确的反应,难免会增加驾驶负担,加速疲劳,严重地可能会导致交通事故。因此,安全可靠快速的交通标识识别***显得越来越重要,大量研究研人员也都致力于这一领域的研究。
最早的交通标志识别始于上世纪70年代初,但直到80年代中期以后,才进入高速发展时期。
1987年,日本展开了对道路交通标志的检测、识别的研究。2000年,日本高校研发了每秒可检测60帧的交通标志识别***(Miura J,Kanda T,Shirai Y.An active vision system for real-time traffic sign recognition[C].//IntelligentTransportation Systems,2000.Proceedings.2000 IEEE.IEEE,2000:52-57.),该***采用了两台摄像机,分别固定在汽车内,以便采集到具有高质量的图像,一台用于粗定位,一台用于采集,通过阈值分割和模板匹配达到了很高的识别准确率。
20世纪90年代初,德国梅赛德斯奔驰公司的Lutz Priese等人研究出了当时技术最为领先的交通标志自动识别***(Priese L,Klieber J,Lakmann R,et al.New results on traffic sign recognition[C]//Intelligent Vehicles'94 Symposium,Proceedings of the.IEEE,1994:249-254),该***包括CSC(Color Structure Code)和TSR(Traffic Sign Recognition),在颜色编码以及形状特征和模板识别等方面取得了一定的研究成果。
2008年,Mobileye公司与Continental公司合作开发的交通标志识别***应用于宝马7系列汽车,2009年又用于奔驰S级汽车,该***对限速标志实现了高准确性的实时监测,主要采用了前置摄像头和专用处理器相结合的方法。
交通标志识别一般包括两个主要步骤:检测与识别。在检测阶段,根据标志的特征(如颜色与形状)对图像进行预处理和分割,去除无效信息对识别的干扰,只对目标可能存在的区域进行处理,减少计算量。在识别阶段,对目标所在区域,用不同的方法提取特征,并用合适的分类算法对这些区域进行分类,得到交通标识的类型信息。
当前,常用的交通标志检测的算法主要有三类:基于颜色的方法,基于形状的方法和基于颜色与形状相结合的方法。
基于颜色的方法是应用最广泛的,其主要算法按照颜色空间的不同主要有四种:RGB彩色空间的阈值分割算法;HIS彩色空间的阈值分割算法;HSV彩色空间的阈值分割算法;除了上述三种常用的彩色空间之外,还有YCBCr彩色空间和LAB彩色空间等不常用彩色空间。
由于交通标志一般具有固定且简单的形状,基于形状特征的检测算法也被研究人员广泛应用,常用的方法有:模板匹配法;HOUGH变换法;拐角检测法;神经网络;数学形态学的方法等。
基于颜色的检测和基于形状的检测各有优缺点,基于颜色的检测简单,计算量小,但易受光照、阴雨天气、图像噪声等环境因素影响。基于形状的方法对光照等外部环境的鲁棒性更好,且各个国家交通标志的形状基本相似,这种方法的通用性较强,基于形状的方法缺点是容易受形状相似的物体影响,比如方形的窗户、广告牌等且当距离交通标志较远时,不容易提取形状。因此,很多研究人员都采用颜色和形状特征相结合的方法(Torresen J,Bakke J W,Sekanina L.Efficient recognition of speed limit signs[C]//Intelligent TransportationSystems.2004:652-656.)来确定最终结果。
交通标识识别常用的方法大致有两类:一类是特征提取算法,另一类是机器学习的算法。特征提取算法中典型的有:主成分分析方法PCA;Gabor特征提取算法;Haar小波特征提取算法;类Haar特征提取算法等。机器学习目前存在的主要算法有:KNN算法;决策树;神经元网络;支持向量机SVM;Adaboost算法等。
随着神经网络的发展,近年来,基于深度学习的卷积神经网络(LeCun Y,Bengio Y.Convolutional networks for images,speech,and time series[J].Thehandbook of brain theory and neural networks,1995,3361.)被广泛的应用于语音、图像和自然语言的识别,并取得了很好的成绩。而在交通标志识别领域,D等人提出了的多纵卷积神经网络(基于多纵深度神经网络的交通标志识别,D,Meier U,Masci J,et al.Multi-column deep neural network for traffic signclassification[J].Neural Networks,2012,32:333-338.)以及Sermanet P和LeCun Y等人提出的多尺度卷积神经网络(基于多尺度卷积神经网络的交通标志识别Sermanet P,LeCun Y.Traffic sign recognition with multi-scale convolutionalnetworks[C]//Neural Networks(IJCNN),The 2011 International Joint Conference on.IEEE,2011:2809-2813.),充分的提取图像特征,取得了较高的识别率,在GTSRB(德国交通标志识别基准)竞赛中取得了很好的成绩,甚至超过了人类的识别率。
虽然卷积神经网络在识别准确率上取得了良好的效果,但是其运算速度成为了制约该网络发展的重要因素,尽管近年来计算机硬件在不断更新,运算速度在不断提升,但训练一个准确度高的网络模型仍需数十个小时的时间。
发明内容
本发明要解决的技术问题是使用卷积神经网络在进行交通标志识别时无法兼顾速度和准确率的问题,提出了一种基于多分辨率卷积神经网络的交通标志识别方法。
本发明的技术方案如下:
提出多分辨率卷积神经网络,这是一种加速网络的方法,以往采取的方法一般是减少隐含层和神经元的数量;这样可能降低网络性能。取而代之的,我们没有使用减小网络尺寸的方法,而是使用低分辨率的图片,但是,这样提高了运行速度的同时损失了图片中的高频细节而降低了网络的准确性。因此,如图2,本发明对原始CNN进行了结构上的改进,使用两个分支的CNN代替了原始的CNN结构,高分辨图像输入映射出全局和轮廓的特征,而低分辨率的图像映射出局部和细节特征,保证了识别的分辨率,训练时,使用两个分支进行并行运算,低分辨率的输入使得网络的运算量减少,提高了运算的速度。
本发明的有益效果是在保证了识别准确率的前提下,提高了模型训练速度,通过实验,本发明的识别错误率在训练迭代100次的情况下,可以达到6.08%,比原始CNN结构的6.19%略有提高。在训练速度上,上文提到的多尺度卷积神经网络时间为37小时,本发明的训练时间只用5.8小时。
整个模型分为图像预处理、MRCNN网络训练、准确率验证和图像识别四个阶段。1、图像预处理阶段
对所有训练集中的图像进行预先的处理,根据网络训练要求,将训练图片首先进行归一化,处理为灰度图像,统一为A*A的分辨率作为一个输入,并截取此图像分辨率为B*B的中心部分作为另一个输入,如图1。本发明使用的多分辨率卷积神经网络执行的是有监督的训练,所以其样本集一个个向量对组成的,一个输入对应一个理想输出。在开始训练前,所有的权值都用一些不同的小随机数进行初始化。
2、MRCNN网络训练阶段
(1)前向传播阶段
①从样本集中取两个样本对(xh,yh)、(xl,yl),将xh、xl分别作为两个卷积神经网络的输入。
②两个卷积神经网络分别进行第一次卷积。卷积过程包括:用一个可训练的滤波器fx去卷积输入的图像,第一阶段是输入的图像,后面的阶段就是卷积特征map了,然后加一个偏置bx,得到卷积层C1。
③将卷积层C1得到的特征图作为输入进行采样。采样过程包括:每邻域四个像素求和变为一个像素,然后通过标量Wx+1加权,再增加偏置bx,然后通过一个sigmoid激活函数,产生一个大概缩小四倍的特征映射图Sx+1,得到抽样层S2。
④重复第2、3步分别得到各卷积神经网络的C3层和S4层。
⑤计算相应的实际输出Oh、Ol。在前向传播阶段,信息经过输入层、隐含层
的卷积和抽样,最终传送到输出层。其输出用公式(1)表示:
O=Fn(......(F2(F1(x*w1)w2)......)wn) (1)
(2)向后传播阶段
①计算实际输出Oh、Ol与相应的理想输出Yh、Yl的差;
②按极小化误差的方法反向逐层分别调整两个卷积网络的权矩阵。这里将Ep定义为第p个样本的误差,则整个样本集的误差可以用公式(2)表示:
至此1次迭代完成,保存调整后的权值,重复第一阶段,直至达到设定的迭代次数后,训练结束,保存并把此权值输出给验证集以验证。
3、准确率验证阶段
使用训练集的五分之一的数据进行验证输入的权值,将输入和映射的结果进行对比,输出错误率,如果错误率达到满意的要求,则可以进行测试识别,否则,调整输入图像的分辨率或者增加迭代次数重新进行训练。
4、图像识别阶段
将检测到的交通标志图像经过预处理之后,使用训练好权值的网络模型进行识别并输出其对应的类别。
本发明的一种多分辨率卷积神经网络交通标志识别方法,用于解决使用卷积神经网络进行交通标志识别时速度较慢的问题,使用不同分辨率的二维图像作为输入,并行运算两个相同结构的卷积神经网络进行特征映射和提取,而后基于网络训练的权值阈值进行精确分类和识别。本发明通过使用两个具有不同分辨率分支的CNN代替了基本的CNN结构,高分辨图像输入可映射出全局和轮廓的特征,低分辨率的图像可映射出局部和细节特征,保证了识别的分辨率,提高了模型训练速度。
附图说明
图1是预处理后的图片示例。
图2是多分辨率卷积神经网络示意图。
图3是基于多分辨率卷积神经网络的交通标志识别示意图。
图4应用于交通标志识别的卷积网络示意图。
图5a是训练样本数量对误差的影响示意图。
附图5b是训练迭代次数对误差的影响示意图。
具体实施方式
1、确定训练集,本发明选用的是GTSRB(德国交通标志识别基准,Germantraffic sign recognition benchmark)中的训练集,包含训练图片39,209张,测试图片12630张。
2、对训练集中的图片进行预处理,步骤是首先处理成为灰度图,而后归一化处理为统一的分辨率为48*48大小的图片,再将这些图片备份一份裁切中心区域,裁切的分辨率为36*36的图片,附图1为示例的两种不同分辨率输入样本,将这两部分图片作为两个输入开始训练。
3、选定训练组;从样本集中每次分别随机地选取50个样本作为训练组。
4、将各权值vij,wjk和阈值θk,设置成小的接近于0的随机值,并初始化精度控制参数ε和学习率α以及卷积核大小。
5、从训练组中取一个输入(xh,yh)、(xl,yl),加到网络,并给定它们的目标输出矢量Og、Ol。
6、网络进行第一次卷积操作,使用5×5的卷积核对两个输入图像进行卷积,并同时生成6幅卷积特征图,如图4所示,两个网络的每幅特征图的大小变为44*44和32*32。
7、网络执行抽样大小,采用平均抽样的方法,使用2×2的抽样尺寸,生成18幅抽样特征图,如图4所示,两个网络的每幅特征图的大小变为22*22和18*18。
8、按照第6步和第7步的方法继续执行,直至到达规定的网络层数,本发明实验用的层数为6层,包括一个输入层和一个输出层及四个隐含层。
6、将输出矢量中的元素(yh、yl)与目标矢量中的元素(oh、ol)进行比较,并计算M个输出项的误差,使用公式(3)和(4):
δh=(oh-yh)yh(1-yh) (3)
δl=(ol-yl)yl(1-yl) (4)
7、依次计算出各权值的调整量和阈值的调整量使用公式(5)和公式(6)
ΔWjk(n)=(α/(1+L))*(ΔWjk(n-1)+1)*δk*hj
ΔVij(n)=(α/(1+N))*(ΔVij(n-1)+1)*δi*hj (5)
Δθk(n)=(α/(1+L))*(Δθk(n-1)+1)*δk
8、根据计算数值调整权值和阈值。
9、当k每经历1至M后,使用验证集判断指标是否满足精度要求:E≤ε,其中E是总误差函数,ε是设定的精度控制参数。
10、训练结束,将权值和阈值保存在文件中。这时可以认为各个权值已经达到稳定,分类器形成。
11、训练中,训练样本的数量和迭代次数往往会对最终的准确率产生很大影响,如图5a和图5b所示,因此应当尽量选取大样本数据作为训练集并达到一定迭代训练次数。
Claims (1)
1.一种基于多分辨率卷积神经网络的交通标志识别方法,其特征在于步骤:
(1)图像预处理阶段
对所有训练集中的图像进行预先的处理,根据网络训练要求,将训练图片首先进行归一化,处理为灰度图像,统一为A*A的分辨率作为一个输入,并截取此图像分辨率为B*B的中心部分作为另一个输入;使用的多分辨率卷积神经网络执行的是有监督的训练,其样本集一个个向量对组成的,一个输入对应一个理想输出;在开始训练前,所有的权值都用一些不同的小随机数进行初始化;(2)MRCNN网络训练阶段
1)前向传播阶段
①从样本集中取两个样本对(xh,yh)、(xl,yl),将xh、xl分别作为两个卷积神经网络的输入;
②两个卷积神经网络分别进行第一次卷积;卷积过程包括:用一个可训练的滤波器fx去卷积输入的图像,第一阶段是输入的图像,后面的阶段就是卷积特征map了,然后加一个偏置bx,得到卷积层C1;
③将卷积层C1得到的特征图作为输入进行采样;采样过程包括:每邻域四个像素求和变为一个像素,然后通过标量Wx+1加权,再增加偏置bx,然后通过一个sigmoid激活函数,产生一个大概缩小四倍的特征映射图Sx+1,得到抽样层S2;
④重复第2、3步分别得到各卷积神经网络的C3层和S4层;
⑤计算相应的实际输出Oh、Ol;在前向传播阶段,信息经过输入层、隐含层的卷积和抽样,最终传送到输出层;其输出用公式(1)表示:
O=Fn(……(F2(F1(x*w1)w2)……wn) (1)
2)向后传播阶段
①计算实际输出Oh、Ol与相应的理想输出Yh、Yl的差;
②按极小化误差的方法反向逐层分别调整两个卷积网络的权矩阵;这里将Ep定义为第p个样本的误差,则整个样本集的误差可以用公式(2)表示:
至此1次迭代完成,保存调整后的权值,重复第一阶段,直至达到设定的迭代次数后,训练结束,保存并把此权值输出给验证集以验证;
(3)准确率验证阶段
使用训练集的五分之一的数据进行验证输入的权值,将输入和映射的结果进行对比,输出错误率,如果错误率达到满意的要求,则进行测试识别,否则,调整输入图像的分辨率或者增加迭代次数重新进行训练;
(4)图像识别阶段
将检测到的交通标志图像经过预处理之后,使用训练好权值的网络模型进行识别并输出其对应的类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510002850.XA CN104537393B (zh) | 2015-01-04 | 2015-01-04 | 一种基于多分辨率卷积神经网络的交通标志识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510002850.XA CN104537393B (zh) | 2015-01-04 | 2015-01-04 | 一种基于多分辨率卷积神经网络的交通标志识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104537393A true CN104537393A (zh) | 2015-04-22 |
CN104537393B CN104537393B (zh) | 2018-01-16 |
Family
ID=52852913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510002850.XA Expired - Fee Related CN104537393B (zh) | 2015-01-04 | 2015-01-04 | 一种基于多分辨率卷积神经网络的交通标志识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104537393B (zh) |
Cited By (43)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850845A (zh) * | 2015-05-30 | 2015-08-19 | 大连理工大学 | 一种基于非对称卷积神经网络的交通标志识别方法 |
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 |
CN104992165A (zh) * | 2015-07-24 | 2015-10-21 | 天津大学 | 基于极限学习机的交通标志识别方法 |
CN105512646A (zh) * | 2016-01-19 | 2016-04-20 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置及终端 |
CN105930830A (zh) * | 2016-05-18 | 2016-09-07 | 大连理工大学 | 一种基于卷积神经网络的路面交通标志识别方法 |
CN106339719A (zh) * | 2016-08-22 | 2017-01-18 | 微梦创科网络科技(中国)有限公司 | 一种图像识别方法及装置 |
CN106897682A (zh) * | 2017-02-15 | 2017-06-27 | 电子科技大学 | 一种基于卷积神经网络的白带中白细胞自动识别方法 |
CN107066586A (zh) * | 2017-04-17 | 2017-08-18 | 清华大学深圳研究生院 | 鞋模型检索管理方法和*** |
WO2017185391A1 (zh) * | 2016-04-29 | 2017-11-02 | 北京中科寒武纪科技有限公司 | 一种用于执行卷积神经网络训练的装置和方法 |
CN107316066A (zh) * | 2017-07-28 | 2017-11-03 | 北京工商大学 | 基于多通路卷积神经网络的图像分类方法及*** |
CN107463927A (zh) * | 2017-09-21 | 2017-12-12 | 广东工业大学 | 一种基于卷积神经网络的道路减速带检测方法及装置 |
CN107644221A (zh) * | 2017-10-31 | 2018-01-30 | 南京航空航天大学 | 基于参数压缩的卷积神经网络交通标志识别方法 |
CN107679577A (zh) * | 2017-10-12 | 2018-02-09 | 理光图像技术(上海)有限公司 | 基于深度学习的图像检测方法 |
CN107704859A (zh) * | 2017-11-01 | 2018-02-16 | 哈尔滨工业大学深圳研究生院 | 一种基于深度学习训练框架的文字识别方法 |
CN107766932A (zh) * | 2017-10-19 | 2018-03-06 | 珠海格力电器股份有限公司 | 基于神经网络的图像处理方法及装置 |
CN108154102A (zh) * | 2017-12-21 | 2018-06-12 | 安徽师范大学 | 一种道路交通标志识别方法 |
CN108416348A (zh) * | 2018-01-29 | 2018-08-17 | 重庆邮电大学 | 基于支持向量机和卷积神经网络的车牌定位识别方法 |
WO2018152741A1 (en) * | 2017-02-23 | 2018-08-30 | Nokia Technologies Oy | Collaborative activation for deep learning field |
CN108520212A (zh) * | 2018-03-27 | 2018-09-11 | 东华大学 | 基于改进的卷积神经网络的交通标志检测方法 |
WO2018233708A1 (zh) * | 2017-06-23 | 2018-12-27 | 华为技术有限公司 | 图像显著性物体检测方法和装置 |
CN109460974A (zh) * | 2018-10-29 | 2019-03-12 | 广州皓云原智信息科技有限公司 | 一种基于姿态识别的考勤*** |
CN109635141A (zh) * | 2019-01-29 | 2019-04-16 | 京东方科技集团股份有限公司 | 用于检索图像的方法、电子设备和计算机可读存储介质 |
CN110018804A (zh) * | 2019-04-12 | 2019-07-16 | 京东方科技集团股份有限公司 | 一种显示装置、图像显示方法和电子设备 |
CN105930830B (zh) * | 2016-05-18 | 2019-07-16 | 大连理工大学 | 一种基于卷积神经网络的路面交通标志识别方法 |
CN110084203A (zh) * | 2019-04-29 | 2019-08-02 | 北京航空航天大学 | 基于上下文关联的全卷积网络飞机层级检测方法 |
US10373019B2 (en) | 2016-01-13 | 2019-08-06 | Ford Global Technologies, Llc | Low- and high-fidelity classifiers applied to road-scene images |
CN110188705A (zh) * | 2019-06-02 | 2019-08-30 | 东北石油大学 | 一种适用于车载***的远距离交通标志检测识别方法 |
CN110287756A (zh) * | 2018-03-19 | 2019-09-27 | 株式会社东芝 | 识别装置以及车辆*** |
CN110321803A (zh) * | 2019-06-10 | 2019-10-11 | 南京邮电大学 | 一种基于srcnn的交通标志识别方法 |
US10474925B2 (en) | 2017-07-31 | 2019-11-12 | Industrial Technology Research Institute | Deep neural network with side branches for recognizing and classifying media data and method for using the same |
CN110909578A (zh) * | 2018-09-18 | 2020-03-24 | ***通信有限公司研究院 | 一种低分辨率图像识别方法、装置和存储介质 |
CN111222646A (zh) * | 2019-12-11 | 2020-06-02 | 深圳逻辑汇科技有限公司 | 联邦学习机制的设计方法、装置和存储介质 |
CN111325414A (zh) * | 2020-03-23 | 2020-06-23 | 哈尔滨理工大学 | 一种基于数据驱动的平行交通预测方法 |
CN111368909A (zh) * | 2020-03-03 | 2020-07-03 | 温州大学 | 一种基于卷积神经网络深度特征的车标识别方法 |
CN111521989A (zh) * | 2019-02-01 | 2020-08-11 | 通用汽车环球科技运作有限责任公司 | 用于雷达***中的超分辨率的深度学习 |
CN111914797A (zh) * | 2020-08-17 | 2020-11-10 | 四川大学 | 基于多尺度轻量级卷积神经网络的交通标志识别方法 |
CN112116060A (zh) * | 2019-06-21 | 2020-12-22 | 杭州海康威视数字技术股份有限公司 | 一种网络配置实现方法及装置 |
CN112259218A (zh) * | 2020-09-29 | 2021-01-22 | 垒途智能教科技术研究院江苏有限公司 | 一种基于vr交互技术的听觉刺激儿童自闭症的训练方法 |
US10922556B2 (en) * | 2017-04-28 | 2021-02-16 | Intel Corporation | Storage system of DNN outputs for black box |
CN113436708A (zh) * | 2021-07-22 | 2021-09-24 | 杭州电子科技大学 | 一种基于深度学习算法的延迟ct图像生成方法 |
CN113536942A (zh) * | 2021-06-21 | 2021-10-22 | 上海赫千电子科技有限公司 | 一种基于神经网络的道路交通标志识别方法 |
WO2021253148A1 (en) * | 2020-06-15 | 2021-12-23 | Intel Corporation | Input image size switchable network for adaptive runtime efficient image classification |
CN116404760A (zh) * | 2023-06-09 | 2023-07-07 | 西安新视空间信息科技有限公司 | 基于数字孪生地图的分布式电网暂稳态运行方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102262728A (zh) * | 2011-07-28 | 2011-11-30 | 电子科技大学 | 一种道路交通标志的识别方法 |
US8582807B2 (en) * | 2010-03-15 | 2013-11-12 | Nec Laboratories America, Inc. | Systems and methods for determining personal characteristics |
-
2015
- 2015-01-04 CN CN201510002850.XA patent/CN104537393B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8582807B2 (en) * | 2010-03-15 | 2013-11-12 | Nec Laboratories America, Inc. | Systems and methods for determining personal characteristics |
CN102262728A (zh) * | 2011-07-28 | 2011-11-30 | 电子科技大学 | 一种道路交通标志的识别方法 |
Non-Patent Citations (2)
Title |
---|
ANDREJ KARPATHY ETC: "Large-scale Video Classification with Convolutional Neural Networks", 《IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
王强: "基于CNN的字符识别方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (61)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850845B (zh) * | 2015-05-30 | 2017-12-26 | 大连理工大学 | 一种基于非对称卷积神经网络的交通标志识别方法 |
CN104850845A (zh) * | 2015-05-30 | 2015-08-19 | 大连理工大学 | 一种基于非对称卷积神经网络的交通标志识别方法 |
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 |
CN104992165A (zh) * | 2015-07-24 | 2015-10-21 | 天津大学 | 基于极限学习机的交通标志识别方法 |
US10373019B2 (en) | 2016-01-13 | 2019-08-06 | Ford Global Technologies, Llc | Low- and high-fidelity classifiers applied to road-scene images |
US11200447B2 (en) | 2016-01-13 | 2021-12-14 | Ford Global Technologies, Llc | Low- and high-fidelity classifiers applied to road-scene images |
CN105512646A (zh) * | 2016-01-19 | 2016-04-20 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置及终端 |
CN105512646B (zh) * | 2016-01-19 | 2019-03-01 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置及终端 |
US10643129B2 (en) | 2016-04-29 | 2020-05-05 | Cambricon Technologies Corporation Limited | Apparatus and methods for training in convolutional neural networks |
WO2017185391A1 (zh) * | 2016-04-29 | 2017-11-02 | 北京中科寒武纪科技有限公司 | 一种用于执行卷积神经网络训练的装置和方法 |
CN105930830B (zh) * | 2016-05-18 | 2019-07-16 | 大连理工大学 | 一种基于卷积神经网络的路面交通标志识别方法 |
CN105930830A (zh) * | 2016-05-18 | 2016-09-07 | 大连理工大学 | 一种基于卷积神经网络的路面交通标志识别方法 |
CN106339719A (zh) * | 2016-08-22 | 2017-01-18 | 微梦创科网络科技(中国)有限公司 | 一种图像识别方法及装置 |
CN106897682A (zh) * | 2017-02-15 | 2017-06-27 | 电子科技大学 | 一种基于卷积神经网络的白带中白细胞自动识别方法 |
US11620482B2 (en) | 2017-02-23 | 2023-04-04 | Nokia Technologies Oy | Collaborative activation for deep learning field |
WO2018152741A1 (en) * | 2017-02-23 | 2018-08-30 | Nokia Technologies Oy | Collaborative activation for deep learning field |
CN107066586A (zh) * | 2017-04-17 | 2017-08-18 | 清华大学深圳研究生院 | 鞋模型检索管理方法和*** |
CN107066586B (zh) * | 2017-04-17 | 2019-07-05 | 清华大学深圳研究生院 | 鞋模型检索管理方法和*** |
US10922556B2 (en) * | 2017-04-28 | 2021-02-16 | Intel Corporation | Storage system of DNN outputs for black box |
US11669719B2 (en) | 2017-04-28 | 2023-06-06 | Intel Corporation | Storage system of DNN outputs for black box |
US11430205B2 (en) | 2017-06-23 | 2022-08-30 | Huawei Technologies Co., Ltd. | Method and apparatus for detecting salient object in image |
WO2018233708A1 (zh) * | 2017-06-23 | 2018-12-27 | 华为技术有限公司 | 图像显著性物体检测方法和装置 |
CN107316066A (zh) * | 2017-07-28 | 2017-11-03 | 北京工商大学 | 基于多通路卷积神经网络的图像分类方法及*** |
US10474925B2 (en) | 2017-07-31 | 2019-11-12 | Industrial Technology Research Institute | Deep neural network with side branches for recognizing and classifying media data and method for using the same |
CN107463927A (zh) * | 2017-09-21 | 2017-12-12 | 广东工业大学 | 一种基于卷积神经网络的道路减速带检测方法及装置 |
CN107679577A (zh) * | 2017-10-12 | 2018-02-09 | 理光图像技术(上海)有限公司 | 基于深度学习的图像检测方法 |
CN107766932A (zh) * | 2017-10-19 | 2018-03-06 | 珠海格力电器股份有限公司 | 基于神经网络的图像处理方法及装置 |
CN107644221A (zh) * | 2017-10-31 | 2018-01-30 | 南京航空航天大学 | 基于参数压缩的卷积神经网络交通标志识别方法 |
CN107704859A (zh) * | 2017-11-01 | 2018-02-16 | 哈尔滨工业大学深圳研究生院 | 一种基于深度学习训练框架的文字识别方法 |
CN108154102A (zh) * | 2017-12-21 | 2018-06-12 | 安徽师范大学 | 一种道路交通标志识别方法 |
CN108154102B (zh) * | 2017-12-21 | 2021-12-10 | 安徽师范大学 | 一种道路交通标志识别方法 |
CN108416348A (zh) * | 2018-01-29 | 2018-08-17 | 重庆邮电大学 | 基于支持向量机和卷积神经网络的车牌定位识别方法 |
CN110287756A (zh) * | 2018-03-19 | 2019-09-27 | 株式会社东芝 | 识别装置以及车辆*** |
CN108520212A (zh) * | 2018-03-27 | 2018-09-11 | 东华大学 | 基于改进的卷积神经网络的交通标志检测方法 |
CN110909578A (zh) * | 2018-09-18 | 2020-03-24 | ***通信有限公司研究院 | 一种低分辨率图像识别方法、装置和存储介质 |
CN109460974B (zh) * | 2018-10-29 | 2021-09-07 | 广州皓云原智信息科技有限公司 | 一种基于姿态识别的考勤*** |
CN109460974A (zh) * | 2018-10-29 | 2019-03-12 | 广州皓云原智信息科技有限公司 | 一种基于姿态识别的考勤*** |
US11113586B2 (en) | 2019-01-29 | 2021-09-07 | Boe Technology Group Co., Ltd. | Method and electronic device for retrieving an image and computer readable storage medium |
CN109635141A (zh) * | 2019-01-29 | 2019-04-16 | 京东方科技集团股份有限公司 | 用于检索图像的方法、电子设备和计算机可读存储介质 |
CN109635141B (zh) * | 2019-01-29 | 2021-04-27 | 京东方科技集团股份有限公司 | 用于检索图像的方法、电子设备和计算机可读存储介质 |
CN111521989A (zh) * | 2019-02-01 | 2020-08-11 | 通用汽车环球科技运作有限责任公司 | 用于雷达***中的超分辨率的深度学习 |
CN111521989B (zh) * | 2019-02-01 | 2023-12-29 | 通用汽车环球科技运作有限责任公司 | 用于雷达***中的超分辨率的深度学习 |
CN110018804A (zh) * | 2019-04-12 | 2019-07-16 | 京东方科技集团股份有限公司 | 一种显示装置、图像显示方法和电子设备 |
CN110084203A (zh) * | 2019-04-29 | 2019-08-02 | 北京航空航天大学 | 基于上下文关联的全卷积网络飞机层级检测方法 |
CN110188705B (zh) * | 2019-06-02 | 2022-05-06 | 东北石油大学 | 一种适用于车载***的远距离交通标志检测识别方法 |
CN110188705A (zh) * | 2019-06-02 | 2019-08-30 | 东北石油大学 | 一种适用于车载***的远距离交通标志检测识别方法 |
CN110321803A (zh) * | 2019-06-10 | 2019-10-11 | 南京邮电大学 | 一种基于srcnn的交通标志识别方法 |
CN112116060B (zh) * | 2019-06-21 | 2023-07-25 | 杭州海康威视数字技术股份有限公司 | 一种网络配置实现方法及装置 |
CN112116060A (zh) * | 2019-06-21 | 2020-12-22 | 杭州海康威视数字技术股份有限公司 | 一种网络配置实现方法及装置 |
CN111222646A (zh) * | 2019-12-11 | 2020-06-02 | 深圳逻辑汇科技有限公司 | 联邦学习机制的设计方法、装置和存储介质 |
CN111368909A (zh) * | 2020-03-03 | 2020-07-03 | 温州大学 | 一种基于卷积神经网络深度特征的车标识别方法 |
CN111325414A (zh) * | 2020-03-23 | 2020-06-23 | 哈尔滨理工大学 | 一种基于数据驱动的平行交通预测方法 |
WO2021253148A1 (en) * | 2020-06-15 | 2021-12-23 | Intel Corporation | Input image size switchable network for adaptive runtime efficient image classification |
CN111914797A (zh) * | 2020-08-17 | 2020-11-10 | 四川大学 | 基于多尺度轻量级卷积神经网络的交通标志识别方法 |
CN112259218A (zh) * | 2020-09-29 | 2021-01-22 | 垒途智能教科技术研究院江苏有限公司 | 一种基于vr交互技术的听觉刺激儿童自闭症的训练方法 |
CN113536942B (zh) * | 2021-06-21 | 2024-04-12 | 上海赫千电子科技有限公司 | 一种基于神经网络的道路交通标志识别方法 |
CN113536942A (zh) * | 2021-06-21 | 2021-10-22 | 上海赫千电子科技有限公司 | 一种基于神经网络的道路交通标志识别方法 |
CN113436708B (zh) * | 2021-07-22 | 2022-10-25 | 杭州电子科技大学 | 一种基于深度学习算法的延迟ct图像生成方法 |
CN113436708A (zh) * | 2021-07-22 | 2021-09-24 | 杭州电子科技大学 | 一种基于深度学习算法的延迟ct图像生成方法 |
CN116404760B (zh) * | 2023-06-09 | 2023-10-20 | 西安新视空间信息科技有限公司 | 基于数字孪生地图的分布式电网暂稳态运行方法及装置 |
CN116404760A (zh) * | 2023-06-09 | 2023-07-07 | 西安新视空间信息科技有限公司 | 基于数字孪生地图的分布式电网暂稳态运行方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104537393B (zh) | 2018-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104537393A (zh) | 一种基于多分辨率卷积神经网络的交通标志识别方法 | |
Sun et al. | Traffic sign detection and recognition based on convolutional neural network | |
CN102663413B (zh) | 一种面向多姿态和跨年龄的人脸图像认证方法 | |
Sermanet et al. | Convolutional neural networks applied to house numbers digit classification | |
CN102509091B (zh) | 一种飞机尾号识别方法 | |
CN110321967B (zh) | 基于卷积神经网络的图像分类改进方法 | |
CN113011357B (zh) | 基于时空融合的深度伪造人脸视频定位方法 | |
CN106096602A (zh) | 一种基于卷积神经网络的中文车牌识别方法 | |
CN105335716A (zh) | 一种基于改进udn提取联合特征的行人检测方法 | |
CN104766046A (zh) | 一种利用交通标识颜色及形状特征进行检测与识别算法 | |
CN103020614B (zh) | 基于时空兴趣点检测的人体运动识别方法 | |
CN110097029A (zh) | 基于Highway网络多视角步态识别的身份认证方法 | |
Dorbe et al. | FCN and LSTM based computer vision system for recognition of vehicle type, license plate number, and registration country | |
CN109800762A (zh) | 一种基于动态匹配因子的模糊车牌识别算法 | |
Zhou et al. | Fast minutiae extractor using neural network | |
CN114241458B (zh) | 一种基于姿态估计特征融合的驾驶员行为识别方法 | |
CN115410258A (zh) | 基于注意力图像的人脸表情识别方法 | |
Das et al. | Bangla handwritten character recognition using extended convolutional neural network | |
Pham et al. | CNN-based character recognition for license plate recognition system | |
Cheng et al. | License plate recognition via deep convolutional neural network | |
CN103942572A (zh) | 一种基于双向压缩数据空间维度缩减的面部表情特征提取方法和装置 | |
CN103942545A (zh) | 一种基于双向压缩数据空间维度缩减的人脸识别方法和装置 | |
Darji et al. | Licence plate identification and recognition for non-helmeted motorcyclists using light-weight convolution neural network | |
Notonogoro et al. | Indonesian license plate recognition using convolutional neural network | |
Kim et al. | Domain-specific data augmentation for on-road object detection based on a deep neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180116 |