CN105354590A - 一种矿车车体载矿区域的检测方法 - Google Patents
一种矿车车体载矿区域的检测方法 Download PDFInfo
- Publication number
- CN105354590A CN105354590A CN201510685108.3A CN201510685108A CN105354590A CN 105354590 A CN105354590 A CN 105354590A CN 201510685108 A CN201510685108 A CN 201510685108A CN 105354590 A CN105354590 A CN 105354590A
- Authority
- CN
- China
- Prior art keywords
- image
- error
- mine car
- parameter
- unit area
- 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
Classifications
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种矿车车体载矿区域的检测方法,包括以下步骤:S1:对矿车作业图像进行灰度图变化和伸缩变换,得到固定尺寸的第一图像;S2:根据中间模板参数对第一图像多层卷积网格训练,形成多层多尺度的第二图像;S3:基于第二图像和背景训练图进行重构得到多个第三图像;S4:将多个第三图像与第一图像进行误差计算得到单位面积的误差;S5:将单位面积的误差和预设的阈值进行比较,如果大于预设的阈值,则进行迭代运算,如果不大于预设的阈值,则停止运算,得到最终模版参数。本发明具有如下优点:构建多尺度图像空间,构建基于多层卷积模板网络实现完整的显著性检测网络训练机制,以提高***的鲁棒性和泛化能力。
Description
技术领域
本发明涉及矿场中矿车智能化作业领域,具体涉及一种矿车车体载矿区域的检测方法。
背景技术
目前,实现矿场中矿车作业的智能化和自动化管理,可以极大提高采矿,运矿的效率,节约生产成本。而矿车车体载矿区域的显著性检测,是进行矿车空满状态的自动化检测和分析,进而为矿车调度提供准确信息,实现智能化矿车调度管理的前提。在实际的矿场作业中,矿车所处的矿山环境条件复杂多变。在露天作业中,由于天气变化带来的光照强度变化,矿尘飞扬带来的视线模糊和干扰,以及矿车停放的随意性,矿车地形的多样性,都会干扰矿车作业的图像监控和采集。同时,矿车车体载矿区域的显著性检测,作为矿车智能化分析的重要前提步骤,需要尽可能的实现低延时的计算,为复杂的矿车智能化分析计算提供支持。因此,如何准确且低延时地实现矿车车体载矿区域的显著性检测,是一个既具有挑战性而又非常有意义的问题。
关于图像显著性检测,指的是类比于人的主观认知,获取图像上最显著,最引人注目的图像区域。在矿车作业中监控图像中,最引人注目的就是,矿车车体的载矿区域。mengmengcheng等人在“GlobalContrastbasedSalientRegionDetection”,通过获取全局对比度的方式实现图像区域的显著性检测,在专用数据集上,获得了非常好的显著性检测精度。但是在实际的矿山作业中,天气变化不定,光照强度变化大,矿尘干扰严重,这种基于全局对比度实现图像区域显著性检测的方式,无法实现复杂条件下,准确的矿车车体载矿区域的显著性检测。同时采用全局对比度的方式实现图像显著性检测,涉及的计算量大,时间开销大,无法实现显著性检测的低延时。
采用机器学习的方法,来检测矿车车体载矿区域的显著性,是一种非常有效的检测办法。在机器学习器的设计和研究中,Hinton等人在“ImageNetClassificationwithDeepConvolutionalNeuralNetworks’(NeuralInformationProcessingSystems2012),专门设计了基于深层次网络学习结构的机器学习器,通过监督学习的方式,可以实现非常高的检测精度。自此,基于网络化的机器学习结构,在许多方面,包括显著性检测等,展示了其具有提高精度的能力。基于网络化机器学习器,能够对各种复杂条件进行样本学习,通过学习大量样本,来提升学习器的泛化能力和检测分类能力,进而可以高鲁棒性地对矿车车体载矿区域显著性进行检测。在应用于矿车车体载矿区域显著性检测的过程中,涉及到机器学习器的设计。设计出鲁棒性的,且具有很强泛化能力的学习器对矿车车体载矿区域显著性检测,具有非常大的意义。
同时,网络化的机器学习结构可以提高显著性检测精度,但是这种深层次的网络结构在时间开销上比较大。
发明内容
本发明旨在至少解决上述技术问题之一。
为此,本发明的一个目的在于提出一种矿车车体载矿区域的检测方法。
为了实现上述目的,本发明的第一方面的实施例公开了一种矿车车体载矿区域的检测方法,包括以下步骤:S1:对监控获取的矿车作业图像,进行灰度图变化和伸缩变换,得到固定尺寸的第一图像;S2:根据中间模板参数对所述第一图像进行多层卷积网格训练,形成多层多尺度的第二图像,其中,所述中间模版参数包括:层数L,每层模版为MixMi,其中,L、Mi和i均为自然数,且i∈[1,……,L];S3:基于所述第二图像和背景训练图进行重构得到多个第三图像,其中,背景训练图为监控残疾装置采集的没有矿车载矿作业时的场景图;S4:将多个所述第三图像与所述第一图像进行误差计算得到单位面积的误差;以及S5:将所述单位面积的误差和预设的阈值进行比较,如果所述生成的单位面积误差大于所述预设的阈值,则进行迭代运算得到新中间模版参数,并返回步骤S2,使用所述新中间模版参数替代所述中间模版参数进行多层卷积网格训练,如果所述生成的单位面积误差不大于所述预设的阈值,则停止运算,得到最终模版参数。
根据本发明实施例的矿车车体载矿区域的检测方法,构建多尺度图像空间,构建基于多层卷积模板网络实现完整的显著性检测网络训练机制,以提高***的鲁棒性和泛化能力。
另外,根据本发明上述实施例的矿车车体载矿区域的检测方法,还可以具有如下附加的技术特征:
进一步地,所述步骤S1进一步包括:S101:对监控获取的矿车作业图像进行伸缩变化和灰度处理,得到固定尺寸的中间矿车作业图像;S102:基于高斯金字塔对所述中间矿车作业图像进行多尺度变化得到所述第一图像,其中,多尺度变化包括图像升尺度和图像降尺度。
进一步地,所述步骤S3进一步包括:S301:对所述背景训练图进行伸缩变化和灰度处理,得到与所述中间矿车作业图像尺寸相同的中间背景训练图;S302:基于高斯金字塔对所述中间背景训练图进行多尺度变化,其中,多尺度变化包括图像升尺度和图像降尺度;以及S303:对所述第一图像和经过多尺度变化后的所述中间背景训练图进行迭代计算生成多个所述第三图像,其中,每次迭代过程中,生成的卷积图会分别与所述中间背景训练图做像素级的与操作运算。
进一步地,所述步骤S4进一步包括:多个所述第三图像分别所述第一图像进行像素级的减操作得到多个图像误差;对多个所述图像误差求和;对求和后的图像误差除以多个所述第三图像总的像素灰度值之和;以及对求和后的图像误差除以多个所述第三图像总的像素灰度值之和除以所述背景训练图像用于图像重构的数目得到所述单位面积的误差。
进一步地,在所述步骤S5中,所述则进行迭代运算得到新中间模版参数的过程包括以下步骤:采用当前的中间模版参数减去所述单位面积的误差与预设的学习率参数的乘积作为所述新中间模版参数,其中,所述学习率参数用于设定训练速率。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明一个实施例的用于矿车车体载矿区域显著性检测的网络训练机制的流程示意图;
图2是本发明一个实施例的基于训练出来的网络参数实现矿车车体载矿区域显著性检测机制的流程示意图;
图3是本发明一个实施例的矿车车体载矿区域显著性鲁棒性检测的具体实施过程的流程示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
参照下面的描述和附图,将清楚本发明的实施例的这些和其他方面。在这些描述和附图中,具体公开了本发明的实施例中的一些特定实施方式,来表示实施本发明的实施例的原理的一些方式,但是应当理解,本发明的实施例的范围不受此限制。相反,本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
以下结合附图描述根据本发明实施例的一种矿车车体载矿区域的检测方法。
请参考图1,本发明的实施例的一种矿车车体载矿区域的检测方法包括以下步骤:
实施例一
一、多尺度图生成
针对监控输入的矿车作业图像,进行灰度图变化和伸缩变换,得到固定尺寸的第一图像。在本专利中,主要选取的归一化图像尺寸为640x480。然后做基于高斯金字塔技术做多尺度变化,形成多尺度图像。在本设计中,高斯金子塔的数目为1,多尺度层数为4。层与层之间的缩放比例为0.5。在图像多尺度缩放过程中,采用了图像升尺度和图像降尺度相结合的方式。升尺度次数为1,降尺度次数为3。
对所述第一图像多层卷积网格训练,形成多层多尺度的第二图像。在本浅层网络中,多层卷积模板网络的层数为4层,每层模板大小分别为6x6,5x5,4x4,3x3,分别对应多尺度图像的4层图像进行卷积运算。在初始卷积计算的时候,对应的4层卷积模板权重系数是随机产生。随机数产生的范围为0到1。当卷积运算完成后,会生成相应的4层多尺度的卷积图。
二、基于卷积图和背景训练图进行重构
基于生成的多层卷积图,和采集的背景图像进行重构处理。背景训练图指的是监控摄像头采集的没有矿车载矿作业时的场景图。这些图也会经过灰度图处理并缩放到固定的图像尺寸。在本专利中,选取的归一化图像尺寸为640x480。并且类似与步骤1,生成多尺度图。在重构的过程中,每次迭代,生成的卷积图会分别与背景训练图做像素级的与操作运算,来重构实现矿车车体载矿时的监控图像场景。
三、误差计算
将生成的多个多尺度重构图像,与输入的矿车作业图像进行误差计算。误差计算主要是指两图像进行像素级的减操作,然后累加单位图像面积像素的误差。单位图像面积的误差指的是完成图像像素级的减操作后,累积图像偏差,除以图像总的像素灰度值之和,同时进一步除以针对当前输入的矿车载矿训练图像采用的背景训练图像用于图像重构的数目。
四、反馈迭代
基于生成的单位面积的误差,更新多层卷积模板网络的模板参数。更新的方法为,首先计算单位面积误差与学习率参数的乘积结果。学习率参数为一个用于设定训练速率的参数,可以人为设定。计算出乘积结果后,采用当前的模板参数权重去减该值,得出的减值结果,作为新的多层卷积模板网络的模板参数。如此过程,反复迭代,直到单位面积偏差趋向于合理的误差范围(误差在5%以内)。最终,多层卷积模板网络参数被训练出来。
请参考图2,通过上述显著性检测训练机制,能够获取得到训练出来的多层卷积网络模板参数。在具体的显著性检测过程中,针对监控输入的矿车作业图像,首先做灰度图变化和伸缩变换,统一到固定的图像尺寸,在本专利中,选取归一化图像尺寸为640x480。然后做基于高斯金字塔技术的多尺度变化,形成多尺度图像。在图像多尺度缩放过程中,采用了图像升尺度和图像降尺度相结合的方式。升尺度次数为1,降尺度次数为3。针对每个尺度的图像,将其输入到多层卷积网络中去。基于训练出来的多层卷积网络模板,分别对尺度图像进行卷积运算。通过卷积运算,能够获取到多尺度的显著图。在最后,通过多尺度显著图合并,完成最终对输入图像的矿车车体载矿区域的显著性检测。其中,多尺度显著图合并方法,主要是通过对多尺度图像上显著位置进行标记,在尺寸上缩放的输入图像的尺寸大小,然后对显著性位置区域进行合并操作。在合并操作过程中,如果有多个显著区域重叠,则取并集操作。如果有独立的,少数的,不重叠的显著性区域,则将该区域剔除。
实施例二
输入准备好的矿车载矿训练图像,对其进行基于高斯金字塔技术的多尺度计算,得出对应的多尺度图像。其中,高斯金子塔的数目为1,多尺度层数为4层。层与层之间的缩放比例为0.5。具体多尺度生成的图像生成尺寸为:1280x960,640x480,320x240,160x120。多尺度图分别于对应的多层卷积模板进行卷积运算,其中,多层卷积模板初始参数为随机产生的0到1的系数。卷积计算完成后,生成对应的4层卷积图。生成的卷积图会与当前输入的矿车载矿训练图像对应的背景训练图像,进行重构计算。对应的背景训练图像同样也是做类似的高斯多尺度图像生成,然后分别与生成的卷积图进行对应像素级的与操作,生成重构图。重构图像与矿车载矿训练图像进行像素级的减计算,并且进一步计算重构误差。
不断迭代训练,获取显著性检测网络参数
对误差进行反馈,采用梯度下降法,更新初始情况下随机产生的多层卷积网络模板参数。依据更新后多层卷积网络模板参数,针对不断依次输入的矿车载矿训练图像,重复步骤(2)的训练过程,对训练网络进行不断的迭代训练,直到训练误差小于5%以内,停止训练。此时更新好的多层卷积网络模板参数,作为出显著性检测多层卷积模板网络参数。
如图2所示机制,基于显著性检测网络参数进行显著性检测
监控摄像机采集图像,生成多尺度图
输入矿车载矿的监控图像,对其进行灰度化和归一化处理后,同样基于高斯金字塔的多尺度处理,得出对应的多尺度图。其中,高斯金子塔的数目为1,多尺度层数为4层。层与层之间的缩放比例为0.5。具体多尺度生成的图像生成的尺寸为:1280x960,640x480,320x240,160x120。
显著性检测
基于训练好的显著性检测多层卷积模板网络参数,分别对多尺度图进行卷积计算,获取得到多尺度卷积图,也称多尺度显著图。多尺度显著图是卷积模板6x6,5x5,4x4,3x3,与多尺度分别卷积计算的结果。
显著图合并
针对多尺度的显著图,采用上述发明内容中提及的多尺度显著图合并方法,将显著性标注区域统一到640x480的尺度上区,并将显著图的区域位置用矩形框标出。
另外,本发明实施例的一种矿车车体载矿区域的检测方法的其它构成以及作用对于本领域的技术人员而言都是已知的,为了减少冗余,不做赘述。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同限定。
Claims (5)
1.一种矿车车体载矿区域的检测方法,其特征在于,包括以下步骤:
S1:对监控获取的矿车作业图像,进行灰度图变化和伸缩变换,得到固定尺寸的第一图像;
S2:根据中间模板参数对所述第一图像进行多层卷积网格训练,形成多层多尺度的第二图像,其中,所述中间模版参数包括:层数L,每层模版为MixMi,其中,L、Mi和i均为自然数,且i∈[1,……,L];
S3:基于所述第二图像和背景训练图进行重构得到多个第三图像,其中,背景训练图为监控残疾装置采集的没有矿车载矿作业时的场景图;
S4:将多个所述第三图像与所述第一图像进行误差计算得到单位面积的误差;以及
S5:将所述单位面积的误差和预设的阈值进行比较,
如果所述生成的单位面积误差大于所述预设的阈值,则进行迭代运算得到新中间模版参数,并返回步骤S2,使用所述新中间模版参数替代所述中间模版参数进行多层卷积网格训练,
如果所述生成的单位面积误差不大于所述预设的阈值,则停止运算,得到最终模版参数。
2.根据权利要求1所述的矿车车体载矿区域的检测方法,其特征在于,所述步骤S1进一步包括:
S101:对监控获取的矿车作业图像进行伸缩变化和灰度处理,得到固定尺寸的中间矿车作业图像;以及
S102:基于高斯金字塔对所述中间矿车作业图像进行多尺度变化得到所述第一图像,其中,多尺度变化包括图像升尺度和图像降尺度。
3.根据权利要求2所述的矿车车体载矿区域的检测方法,其特征在于,所述步骤S3进一步包括:
S301:对所述背景训练图进行伸缩变化和灰度处理,得到与所述中间矿车作业图像尺寸相同的中间背景训练图;
S302:基于高斯金字塔对所述中间背景训练图进行多尺度变化,其中,多尺度变化包括图像升尺度和图像降尺度;以及
S303:对所述第一图像和经过多尺度变化后的所述中间背景训练图进行迭代计算生成多个所述第三图像,其中,每次迭代过程中,生成的卷积图会分别与所述中间背景训练图做像素级的与操作运算。
4.根据权利要求3所述的矿车车体载矿区域的检测方法,其特征在于,所述步骤S4进一步包括:
多个所述第三图像分别所述第一图像进行像素级的减操作得到多个图像误差;
对多个所述图像误差求和;
对求和后的图像误差除以多个所述第三图像总的像素灰度值之和;以及
对求和后的图像误差除以多个所述第三图像总的像素灰度值之和除以所述背景训练图像用于图像重构的数目得到所述单位面积的误差。
5.根据权利要求4所述的矿车车体载矿区域的检测方法,其特征在于,在所述步骤S5中,所述则进行迭代运算得到新中间模版参数的过程包括以下步骤:
采用当前的中间模版参数减去所述单位面积的误差与预设的学习率参数的乘积作为所述新中间模版参数,其中,所述学习率参数用于设定训练速率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510685108.3A CN105354590B (zh) | 2015-10-20 | 2015-10-20 | 一种矿车车体载矿区域的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510685108.3A CN105354590B (zh) | 2015-10-20 | 2015-10-20 | 一种矿车车体载矿区域的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105354590A true CN105354590A (zh) | 2016-02-24 |
CN105354590B CN105354590B (zh) | 2018-11-27 |
Family
ID=55330557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510685108.3A Active CN105354590B (zh) | 2015-10-20 | 2015-10-20 | 一种矿车车体载矿区域的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105354590B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918968A (zh) * | 2017-12-12 | 2019-06-21 | 北京机电工程研究所 | 一种舰船目标检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070071359A1 (en) * | 2005-09-28 | 2007-03-29 | Sharp Kabushiki Kaisha | Image collating apparatus, image collating method, image collating program product, and computer readable recording medium recording image collating program product |
CN104268594A (zh) * | 2014-09-24 | 2015-01-07 | 中安消技术有限公司 | 一种视频异常事件检测方法及装置 |
CN104463907A (zh) * | 2014-11-13 | 2015-03-25 | 南京航空航天大学 | 一种基于视觉显著性特征的自适应目标跟踪方法 |
-
2015
- 2015-10-20 CN CN201510685108.3A patent/CN105354590B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070071359A1 (en) * | 2005-09-28 | 2007-03-29 | Sharp Kabushiki Kaisha | Image collating apparatus, image collating method, image collating program product, and computer readable recording medium recording image collating program product |
CN104268594A (zh) * | 2014-09-24 | 2015-01-07 | 中安消技术有限公司 | 一种视频异常事件检测方法及装置 |
CN104463907A (zh) * | 2014-11-13 | 2015-03-25 | 南京航空航天大学 | 一种基于视觉显著性特征的自适应目标跟踪方法 |
Non-Patent Citations (1)
Title |
---|
ALEX KRIZHEVSKY: "ImageNet Classification with Deep Convolutional Neural Networks", 《NEURAL INFORMATION PROCESSING SYSTEMS》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918968A (zh) * | 2017-12-12 | 2019-06-21 | 北京机电工程研究所 | 一种舰船目标检测方法 |
CN109918968B (zh) * | 2017-12-12 | 2020-12-25 | 北京机电工程研究所 | 一种舰船目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105354590B (zh) | 2018-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | Classification of CT brain images based on deep learning networks | |
CN109829400B (zh) | 一种快速车辆检测方法 | |
CN111914698B (zh) | 图像中人体的分割方法、分割***、电子设备及存储介质 | |
CN106157310A (zh) | 基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法 | |
CN106875425A (zh) | 一种基于深度学习的多目标追踪***及实现方法 | |
CN109284670A (zh) | 一种基于多尺度注意力机制的行人检测方法及装置 | |
CN105844663A (zh) | 一种自适应orb目标跟踪方法 | |
CN107909081A (zh) | 一种深度学习中图像数据集的快速获取和快速标定方法 | |
CN101216942A (zh) | 一种自适应选取权重的增量式特征背景建模算法 | |
CN108446694A (zh) | 一种目标检测方法及装置 | |
CN112308797B (zh) | 角点检测方法、装置、电子设备及可读存储介质 | |
Zhai et al. | Optical flow estimation using channel attention mechanism and dilated convolutional neural networks | |
Wang et al. | Impolite pedestrian detection by using enhanced yolov3-tiny | |
An et al. | Transitive transfer learning-based anchor free rotatable detector for SAR target detection with few samples | |
CN104700405A (zh) | 一种前景检测方法和*** | |
CN110795975B (zh) | 人脸误检优化方法及装置 | |
CN101645135A (zh) | 一种人体检测方法和*** | |
Chen et al. | Real-time lane detection model based on non bottleneck skip residual connections and attention pyramids | |
CN113963333A (zh) | 一种基于改进yolof模型的交通标志牌检测方法 | |
CN112446353A (zh) | 基于深度卷积神经网络的视频图像道线检测方法 | |
CN105354590A (zh) | 一种矿车车体载矿区域的检测方法 | |
CN113096080A (zh) | 图像分析方法及*** | |
CN113112479A (zh) | 基于关键区块提取的渐进式目标检测方法和装置 | |
CN102081741A (zh) | 一种基于视觉注意原理的行人检测方法和*** | |
CN116884036A (zh) | 基于YOLOv5DA的生猪姿态检测方法、装置、设备及介质 |
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 |