CN105975941B - 一种基于深度学习的多方向车型检测识别*** - Google Patents

一种基于深度学习的多方向车型检测识别*** Download PDF

Info

Publication number
CN105975941B
CN105975941B CN201610316159.3A CN201610316159A CN105975941B CN 105975941 B CN105975941 B CN 105975941B CN 201610316159 A CN201610316159 A CN 201610316159A CN 105975941 B CN105975941 B CN 105975941B
Authority
CN
China
Prior art keywords
vehicle
network
loss
picture
training
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.)
Expired - Fee Related
Application number
CN201610316159.3A
Other languages
English (en)
Other versions
CN105975941A (zh
Inventor
李鸿升
范峻铭
周辉
胡欢
曹滨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201610316159.3A priority Critical patent/CN105975941B/zh
Publication of CN105975941A publication Critical patent/CN105975941A/zh
Application granted granted Critical
Publication of CN105975941B publication Critical patent/CN105975941B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

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

Abstract

本发明公开了一种基于深度学习的多方向车型检测识别***，对于非固定视角下拍摄的汽车图像，该***首先采用基于卷积神经网络的车辆检测定位算法检测出图像中的汽车位置，然后将汽车所在位置部分的图像送入同样基于卷积神经网络的车型识别网络进行品牌车型的判别。该***对汽车图像拍摄方向、光照条件、尺度形变等具有良好的鲁棒性，对于汽车的检测和识别具有极高的准确率。

Description

一种基于深度学习的多方向车型检测识别***
技术领域
本发明涉及计算机视觉和深度学习技术领域，尤其涉及一种基于深度学习的多方向车型检测识别***。
背景技术
智能交通监控***是当今交通监控行业的一个重点发展方向，主要是依靠计算机视觉和深度学习等技术对监控摄像头拍摄下的画面进行自动地分析，从而判断出超速、闯红灯等违章行为，并且可以自动地识别出违章车辆的品牌型号，从而极大地方便交通监管。
深度学习于2006 年正式提出，是近年来机器学习里面的一个热门领域，起源于多层人工神经网络，目前已成功应用于计算机视觉、自然语言处理和智能搜索等领域。其中卷积神经网络在图像识别领域已经取得了令人瞩目的成就，在很多应用上都有所建树，相比传统方法有了很大的提升。而由于细粒度下车辆具体型号的分类问题要求机器学习模型具有极强的特征抽取能力和泛化能力，传统机器学习模型很难做到较好的效果，于是自然地考虑到了使用深度学习模型来解决这个问题。
在车型识别领域，传统方法通常要求汽车图像拍摄角度固定，通常采用特征较为明显的车头正面视角拍摄，并且要求图像的分辨率较高，虽然也能取得不错的识别准确率，但是对于监控环境下的车型识别问题就显得无力了，因为监控环境下的图像较为复杂，车辆的拍摄角度不固定、环境光照、图像分辨率等问题不易解决。
经过对现有技术的检索，也发现了一些开始使用卷积神经网络做车型识别的方法，然而在识别前的车辆定位问题，通常还是使用传统的目标检测算法，检测出车辆位置之后，再将车辆位置部分的图像送入神经网络进行车型识别。其传统定位算法的准确率相比于卷积神经网络往往要差上不少，而在此基础之上进行的车型识别，其准确率也相应地受到影响。
发明内容
本发明的目的就在于为了解决上述问题而提供一种基于深度学习的多方向车型检测识别***，重点解决了车型图像拍摄视角不固定的问题，在各个方向下的车型识别都具有极高的准确率。
为实现上述目的，本发明采用以下技术方案：
一种基于深度学习的多方向车型检测识别方法，包括下述步骤：
1.收集车型图片，手工将车辆位置标注出来，构建带有车型品牌标注的数据集；
2.将已标记出汽车位置的图片作为训练集，训练车辆检测定位网络；
3.将图片中汽车位置部分图片和其对应的车型品牌标注作为训练集，训练车型识别网络；
4.训练完毕之后，将两个网络级联起来，输入一张汽车图片，进行一次前向传播，即可获得汽车品牌型号。
上述技术方案中，所述构建的数据集方式为，收集从各个方向拍摄的车型图片300,000张，超过1,000种车型，并获取其对应的车型品牌标注；手工将车辆位置标注出来。
上述技术方案中，手工将车辆位置标注的方法为取包含整个车身的最小矩形框，以矩形框左上角和右下角点坐标作为位置标注。
上述技术方案中，所述的车辆检测定位网络训练过程如下：
（4.1）对网络进行初始化，用标准差为0.01的高斯分布随机初始化网络中待训练参数；
（4.2）将图片样本输入网络，同时将车辆位置坐标标注送给区域推荐网络的loss计算部分和最后的分类、回归器的loss计算部分；进行一次前向传播，根据网络输出目标框坐标与实际标注框坐标的差值计算得到区域推荐网络的loss和最后分类回归的loss的总和loss；
（4.3）使用反向传播算法，根据梯度下降算法沿着总和loss下降的方向微调整个网络的参数值；
（4.4）更换图像样本迭代重复上述步骤，直到总和loss下降到合适程度后，停止训练。
上述技术方案中，所述的车型识别网络包括以下步骤：
（5.1）对网络进行初始化，用标准差为0.1的xavier算法根据神经元数量随机初始化网络中待训练参数；
（5.2）将图片作为样本归一化为224×224大小，并输入网络，同时将车型标注送给三个softmax分类器；进行一次前向传播，根据softmax输出车型判别概率与实际车型的差值计算得到loss；
（5.3）使用反向传播算法，根据梯度下降算法沿着loss下降的方向微调整个网络的参数值；
（5.4）更换图片，图片作为样本迭代重复上述步骤，直到loss下降到合适程度后，停止训练。
上述技术方案中，分别训练两个网络完毕之后，将两个网络级联起来，其中第一个网络输出之后，需将图像归一化为224×224的大小，再输入第二个网络，将各个方向拍摄的包含有车辆的图像输入***，最终即可输出其具体品牌车型。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
本发明所述基于深度学习的多方向车型检测识别***，车辆检测定位部分采用卷积神经网络来进行特征提取，对汽车位置坐标进行回归，同时对是否为汽车进行分类。经过训练之后，最终对多方向的汽车图像均可有效地进行车辆定位，达到了很好的效果；车型识别部分通过多层的深度卷积神经网络，对特征进行抽象表达，采用softmax分类器进行分类，最终在不同方向、光照条件、形变等复杂环境条件下，车型识别准确率达到97%以上。
附图说明
图1为本发明所述的车型检测识别***框图；
图2 为本发明所述的车辆检测定位网络结构；
图3 为本发明所述的车型识别网络结构。
具体实施方式
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
下面结合图1、图2对本发明作详细说明。
如图1所示，本发明提出一套基于深度学习的多方向车型识别***，整个***框架包含如下步骤：
1、构建车型数据集
构建数据集的方式为，从网络上收集从各个方向拍摄的车型图片约300,000张，超过1,000种车型，并获取其对应的车型品牌标注；手工将车辆位置标注出来，用以训练车辆检测定位网络。具体标注方式是，取包含整个车身的最小矩形框，以矩形框左上角和右下角点坐标作为位置标注。本实施例将数据集按照6：1的比例分割成训练集和测试集两部分。
2、车辆检测定位网络
这一步骤涉及到车辆检测定位网络的结构设计和训练方法。本实施例所采用的车辆检测定位网络结构如图2，主要由卷积阶段、RPN区域推荐网络、感兴趣区域池化层、全连接层和一个softmax分类器组成，卷积阶段由5个卷积层构成，其参数为：
该网络主要通过RPN区域推荐网络粗选出目标候选框，然后将目标框对应的最后一层卷积层特征部分送入后续的池化、全连接网络，再经过softmax分类器判断是否为车辆目标，同时通过一个回归器微调目标框的位置。
对该网络的训练过程如下：
（1）对网络进行初始化，用标准差为0.01的高斯分布随机初始化网络中待训练参数；
（2）将图像样本输入网络，同时将车辆位置坐标标注送给区域推荐网络的loss计算部分和最后的分类、回归器的loss计算部分；进行一次前向传播，根据网络输出目标框坐标与实际标注框坐标的差值计算得到区域推荐网络的loss和最后分类回归的loss；
（3）使用反向传播算法，根据梯度下降算法沿着loss下降的方向微调整个网络的参数值；
（4）更换图像样本迭代重复上述步骤，直到loss下降到合适程度后，停止训练。
3、车型识别网络
这一步骤涉及到车型识别网络的结构设计和训练方法。本实施例所采用的车型识别网络结构如图3，其主要结构包括：两个卷积阶段、九个inception模块、3个softmax分类子网络，其参数为：
该网络除了最后的softmax分类部分之外，在较浅层的部分也加入了两个softmax分类部分，用于解决网络层数过深的训练问题，以保证较浅的网络部分也能得到充分的训练。最后一个softmax层作为最终的输出，前两个仅在训练时使用。
对该网络的训练过程如下：
（1）对网络进行初始化，用标准差为0.1的xavier算法根据神经元数量随机初始化网络中待训练参数；
（2）将图像样本归一化为224×224大小，并输入网络，同时将车型标注送给三个softmax分类器；进行一次前向传播，根据softmax输出车型判别概率与实际车型的差值计算得到loss；
（3）使用反向传播算法，根据梯度下降算法沿着loss下降的方向微调整个网络的参数值；
（4）更换图像样本迭代重复上述步骤，直到loss下降到合适程度后，停止训练。
4、训练完毕，网络级联构成车型检测识别***
分别训练两个网络完毕之后，将两个网络级联起来，其中第一个网络输出之后，需将图像归一化为224×224的大小，再输入第二个网络。将各个方向拍摄的包含有车辆的图像输入***，最终即可输出其具体品牌车型。测试样本集包含了各种环境光照及变形的车辆图像，对约10,000个测试样本进行测试后，得到车型识别准确率达97%以上。
本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。

Claims (4)

1.一种基于深度学习的多方向车型检测识别方法，其特征在于：包括下述步骤：
（ 1） .收集车型图片，手工将车辆位置标注出来，构建带有车型品牌标注的数据集；
（ 2） .将已标记出汽车位置的图片作为训练集，训练车辆检测定位网络；
（ 3） .将图片中汽车位置部分图片和其对应的车型品牌标注作为训练集，训练车型识别网络；
（ 4） .训练完毕之后，将两个网络级联起来，输入一张汽车图片，进行一次前向传播，即可获得汽车品牌型号；
所述的车辆检测定位网络训练过程如下：
（4.1）对网络进行初始化，用标准差为0.01的高斯分布随机初始化网络中待训练参数；
（4.2）将图片样本输入网络，同时将车辆位置坐标标注送给区域推荐网络的loss计算部分和最后的分类、回归器的loss计算部分；进行一次前向传播，根据网络输出目标框坐标与实际标注框坐标的差值计算得到区域推荐网络的loss和最后分类回归的loss的总和loss；
（4.3）使用反向传播算法，根据梯度下降算法沿着总和loss下降的方向微调整个网络的参数值；
（4.4）更换图像样本迭代重复上述步骤，直到总和loss下降到合适程度后，停止训练；
所述的车型识别网络包括以下步骤：
（5.1）对网络进行初始化，用标准差为0.1的xavier算法根据神经元数量随机初始化网络中待训练参数；
（5.2）将图片作为样本归一化为224×224大小，并输入网络，同时将车型标注送给三个softmax分类器；进行一次前向传播，根据softmax输出车型判别概率与实际车型的差值计算得到loss；
（5.3）使用反向传播算法，根据梯度下降算法沿着loss下降的方向微调整个网络的参数值；
（5.4）更换图片，图片作为样本迭代重复上述步骤，直到loss下降到合适程度后，停止训练。
2.根据权利要求1所述的一种基于深度学习的多方向车型检测识别方法，其特征在于：所述构建的数据集方式为，收集从各个方向拍摄的车型图片300,000张，超过1,000种车型，并获取其对应的车型品牌标注；手工将车辆位置标注出来。
3.根据权利要求2所述的一种基于深度学习的多方向车型检测识别方法，其特征在于：手工将车辆位置标注的方法为取包含整个车身的最小矩形框，以矩形框左上角和右下角点坐标作为位置标注。
4.根据权利要求1所述的一种基于深度学习的多方向车型检测识别方法，其特征在于：分别训练两个网络完毕之后，将两个网络级联起来，其中第一个网络输出之后，需将图像归一化为224×224的大小，再输入第二个网络，将各个方向拍摄的包含有车辆的图像输入***，最终即可输出其具体品牌车型。
CN201610316159.3A 2016-05-31 2016-05-31 一种基于深度学习的多方向车型检测识别*** Expired - Fee Related CN105975941B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610316159.3A CN105975941B (zh) 2016-05-31 2016-05-31 一种基于深度学习的多方向车型检测识别***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610316159.3A CN105975941B (zh) 2016-05-31 2016-05-31 一种基于深度学习的多方向车型检测识别***

Publications (2)

Publication Number Publication Date
CN105975941A CN105975941A (zh) 2016-09-28
CN105975941B true CN105975941B (zh) 2019-04-12

Family

ID=56992471

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610316159.3A Expired - Fee Related CN105975941B (zh) 2016-05-31 2016-05-31 一种基于深度学习的多方向车型检测识别***

Country Status (1)

Country Link
CN (1) CN105975941B (zh)

Families Citing this family (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106528662A (zh) * 2016-10-20 2017-03-22 中山大学 一种基于特征几何约束的车辆图像快速检索方法与***
CN106570477B (zh) * 2016-10-28 2019-07-16 中科视语(北京)科技有限公司 基于深度学习的车型识别模型构建方法及车型识别方法
CN106529511B (zh) * 2016-12-13 2019-12-10 北京旷视科技有限公司 图像结构化方法及装置
CN106600969A (zh) * 2016-12-19 2017-04-26 安徽百诚慧通科技有限公司 一种智慧化道路综合防控方法及***
CN106874418A (zh) * 2017-01-24 2017-06-20 成都容豪电子信息科技有限公司 一种服务于深度学习的汽车型号数据集建立方法
CN106909901B (zh) * 2017-02-28 2020-06-05 北京京东尚科信息技术有限公司 从图像中检测物体的方法及装置
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
CN107316007B (zh) * 2017-06-07 2020-04-03 浙江捷尚视觉科技股份有限公司 一种基于深度学习的监控图像多类物体检测与识别方法
CN107437062B (zh) * 2017-06-27 2019-11-12 浙江工业大学 一种静态图像的多方向车辆粗定位方法
CN109284749A (zh) * 2017-07-19 2019-01-29 微软技术许可有限责任公司 精细化图像识别
CN107545263B (zh) * 2017-08-02 2020-12-15 清华大学 一种物体检测方法及装置
US9947228B1 (en) * 2017-10-05 2018-04-17 StradVision, Inc. Method for monitoring blind spot of vehicle and blind spot monitor using the same
CN108171246B (zh) * 2017-12-21 2022-02-08 北京科技大学 一种服装显著区域检测方法
CN109993031B (zh) * 2017-12-29 2021-07-20 杭州海康威视数字技术股份有限公司 一种畜力车目标违章行驶行为检测方法、装置及相机
CN108427920B (zh) * 2018-02-26 2021-10-15 杭州电子科技大学 一种基于深度学习的边海防目标检测方法
CN108875911B (zh) * 2018-05-25 2021-06-18 同济大学 一种泊车位检测方法
CN110556000A (zh) * 2018-06-04 2019-12-10 义硕智能股份有限公司 人工智慧交通检测***
CN108615401B (zh) * 2018-06-11 2021-01-05 西安电子科技大学 基于深度学习的室内非均匀光线车位状况识别方法
CN109086708A (zh) * 2018-07-25 2018-12-25 深圳大学 一种基于深度学习的停车位检测方法及***
CN109101934A (zh) * 2018-08-20 2018-12-28 广东数相智能科技有限公司 车型识别方法、装置与计算机可读存储介质
CN109447171A (zh) * 2018-11-05 2019-03-08 电子科技大学 一种基于深度学习的车辆姿态分类方法
CN109829469A (zh) * 2018-11-08 2019-05-31 电子科技大学 一种基于深度学习的车辆检测方法
CN109583392A (zh) * 2018-12-05 2019-04-05 北京纵目安驰智能科技有限公司 一种车位检测方法、装置和存储介质
CN109670501B (zh) * 2018-12-10 2020-08-25 中国科学院自动化研究所 基于深度卷积神经网络的物体识别与抓取位置检测方法
CN109753999B (zh) * 2018-12-21 2022-06-07 西北工业大学 针对任意视角汽车图片的细粒度车型识别方法
CN109726717B (zh) * 2019-01-02 2022-03-01 西南石油大学 一种车辆综合信息检测***
CN109829398B (zh) * 2019-01-16 2020-03-31 北京航空航天大学 一种基于三维卷积网络的视频中的目标检测方法
CN110084285A (zh) * 2019-04-08 2019-08-02 安徽艾睿思智能科技有限公司 基于深度学习的鱼类细粒度分类方法
CN110119726B (zh) * 2019-05-20 2023-04-25 四川九洲视讯科技有限责任公司 一种基于YOLOv3模型的车辆品牌多角度识别方法
CN110197589B (zh) * 2019-05-29 2020-09-01 杭州诚道科技股份有限公司 一种基于深度学习的闯红灯违法检测方法
CN110400464B (zh) * 2019-07-15 2021-06-01 杭州亿圣信息技术有限公司 一种小区违停车辆的监控方法
CN110598749A (zh) * 2019-08-13 2019-12-20 广东数鼎科技有限公司 一种基于卷积神经网络ai算法的图像识车实现***
CN110826411B (zh) * 2019-10-10 2022-05-03 电子科技大学 一种基于无人机图像的车辆目标快速识别方法
CN110969655B (zh) * 2019-10-24 2023-08-18 百度在线网络技术（北京）有限公司 用于检测车位的方法、装置、设备、存储介质以及车辆
CN111093123B (zh) * 2019-12-09 2020-12-18 华中科技大学 一种基于复合神经网络的灵活光网络时域均衡方法及***
CN111079640B (zh) * 2019-12-09 2022-03-29 合肥工业大学 一种基于自动扩增样本的车型识别方法及***
CN111083362A (zh) * 2019-12-13 2020-04-28 山东浪潮通软信息科技有限公司 一种车辆出入库自动聚焦的实现方法
CN111401128A (zh) * 2020-01-16 2020-07-10 杭州电子科技大学 一种提高车辆识别率的方法
US11386680B2 (en) 2020-03-28 2022-07-12 Wipro Limited System and method of identifying vehicle brand and model
US11961335B1 (en) 2020-06-26 2024-04-16 Harris County Toll Road Authority Dual mode electronic toll road system
CN112258472B (zh) * 2020-10-20 2022-09-20 大连理工大学 一种汽车外造型自动评分方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9466000B2 (en) * 2011-05-19 2016-10-11 The Regents Of The University Of California Dynamic Bayesian Networks for vehicle classification in video
CN104657748A (zh) * 2015-02-06 2015-05-27 中国石油大学(华东) 一种基于卷积神经网络的车型识别方法
CN104809443B (zh) * 2015-05-05 2018-12-28 上海交通大学 基于卷积神经网络的车牌检测方法及***
CN105354568A (zh) * 2015-08-24 2016-02-24 西安电子科技大学 基于卷积神经网络的车标识别方法
CN105488517B (zh) * 2015-11-30 2019-03-26 杭州全实鹰科技有限公司 一种基于深度学习的车辆品牌型号识别方法

Also Published As

Publication number Publication date
CN105975941A (zh) 2016-09-28

Similar Documents

Publication Publication Date Title
CN105975941B (zh) 一种基于深度学习的多方向车型检测识别***
Li et al. Automatic pavement crack detection by multi-scale image fusion
CN110348445B (zh) 一种融合空洞卷积和边缘信息的实例分割方法
CN109882019B (zh) 一种基于目标检测和动作识别的汽车电动尾门开启方法
CN105550701B (zh) 实时图像提取识别方法及装置
CN106295601B (zh) 一种改进的安全带检测方法
CN108830188A (zh) 基于深度学习的车辆检测方法
CN104156734B (zh) 一种基于随机蕨分类器的全自主在线学习方法
CN110751099B (zh) 一种基于深度学习的无人机航拍视频轨迹高精度提取方法
CN106874894A (zh) 一种基于区域全卷积神经网络的人体目标检测方法
CN110135296A (zh) 基于卷积神经网络的机场跑道fod检测方法
CN111160249A (zh) 基于跨尺度特征融合的光学遥感图像多类目标检测方法
CN108171184A (zh) 基于Siamese网络的用于行人重识别的方法
CN106980858A (zh) 一种语言文本检测与定位***及应用该***的语言文本检测与定位方法
CN109766873B (zh) 一种混合可变形卷积的行人再识别方法
CN103971106B (zh) 多视角人脸图像性别识别方法及装置
CN113111727B (zh) 一种基于特征对齐的遥感场景下旋转目标检测方法
CN109711322A (zh) 一种基于rfcn的人车分离方法
Cepni et al. Vehicle detection using different deep learning algorithms from image sequence
CN112381075A (zh) 一种机房特定场景下进行人脸识别的方法及***
CN104021381B (zh) 一种基于多层级特征的人体动作识别方法
CN105069451B (zh) 一种基于双目摄像头的车牌识别与定位方法
CN107563274A (zh) 一种基于对抗网络学习的视频的车辆检测方法和计数方法
CN108520203A (zh) 基于融合自适应多***框与十字池化特征的多目标特征提取方法
CN109325546A (zh) 一种结合步法特征的成趟足迹识别方法

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

Granted publication date: 20190412

Termination date: 20200531

CF01 Termination of patent right due to non-payment of annual fee