CN107368845A - 一种基于优化候选区域的Faster R‑CNN目标检测方法 - Google Patents
一种基于优化候选区域的Faster R‑CNN目标检测方法 Download PDFInfo
- Publication number
- CN107368845A CN107368845A CN201710450440.0A CN201710450440A CN107368845A CN 107368845 A CN107368845 A CN 107368845A CN 201710450440 A CN201710450440 A CN 201710450440A CN 107368845 A CN107368845 A CN 107368845A
- Authority
- CN
- China
- Prior art keywords
- candidate region
- network
- faster
- candidate
- optimization
- 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
- G06F18/24—Classification techniques
-
- 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
- G06V2201/07—Target detection
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
本发明公开了一种基于优化候选区域的Faster R‑CNN目标检测方法,该检测方法包含如下优化技术:在Faster R‑CNN网络中增加一个候选区域优化网络,对候选区域生成网络输出的目标候选区域进行目标或背景的二分类判别,排除判别为背景的无效候选区域,可以减少后续目标分类回归网络的计算量。本发明提出的目标检测方法,利用一个候选区域优化网络对Faster R‑CNN算法中的候选区域进行优化,减少候选区域生成网络输出的无效候选区域,在检测准确率基本保持不变的前提下,有效地提高了目标检测的效率。
Description
技术领域
本发明涉及目标检测技术领域,具体涉及一种基于优化候选区域的Faster R-CNN目标检测方法。
背景技术
目标检测,就是从视频或者图像中检测出特定目标。目标检测技术属于计算机视觉领域,该技术特指分析处理目标视觉特征信息,然后对目标进行检测的计算机视觉技术,该技术在军事、视频监控、人机交互等领域有着广泛的应用。
由于目标检测技术具有广泛的应用,当前目标检测在计算机视觉领域占据重要地位。Faster R-CNN目标检测算法中,候选区域生成网络(RPN)输出的候选区域质量不高,存在大量无效的候选区域,这将增加后续目标分类回归网络的计算量和计算时间。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷,提供一种基于优化候选区域的Faster R-CNN目标检测方法。
本发明的目的可以通过采取如下技术方案达到:
一种基于优化候选区域的Faster R-CNN目标检测方法,所述检测方法包括下列步骤:
S1、以深度学***台,在原始的Faster R-CNN网络中增加一个候选区域优化网络,通过候选区域优化网络构成一个区域二分类器,候选区域优化网络的输入为候选区域生成网络的第一个卷积层输出的特征图和候选区域生成网络输出的目标候选区域,输出为优化的目标候选区域,其中第一个卷积层即特征映射层;
S2、利用卷积特征提取网络对输入图像进行特征提取,生成共享特征图;
S3、利用候选区域生成网络对生成的共享特征图进行处理,生成多种尺度和长宽比的目标候选区域;
S4、候选区域优化网络根据目标候选区域所包含的特征对目标候选区域进行目标/背景的二分类判别,然后排除被判别为背景的无效候选区域,得到优化后的目标候选区域;
S5、目标分类回归网络根据优化后的目标候选区域,从生成的共享特征图中提取区域特征,进行最终的目标类别判别以及目标边界框回归修正。
进一步地,所述候选区域优化网络的输入层为一个区域池化RoIpooling层,输出层为一个Softmax层,中间为若干隐层,所有层级联连接。
进一步地,所述步骤S4过程如下:
候选区域优化网络的区域池化RoIpooling层根据候选区域生成网络输出的目标候选区域,对候选区域生成网络的特征映射层输出的特征图进行区域池化,生成固定大小的区域特征,Softmax层输出每个目标候选区域是否包含目标或背景的2分类概率,最后只输出概率大于预设阈值的目标候选区域,即可排除大部分无效候选区域,得到优化后的目标候选区域。
进一步地,所述检测方法在步骤S2之前,还包括Faster R-CNN网络的训练步骤,过程如下:
使用原始Faster R-CNN算法的训练方法训练一个Faster R-CNN网络,首先利用ImageNet预训练模型参数初始化Faster R-CNN网络的卷积特征提取网络和目标分类回归网络的第1层和第2层网络,对其他层采用零均值,标准差为σ的高斯分布随机初始化,然后对Faster R-CNN网络进行端到端的近似联合训练。
进一步地,所述检测方法在步骤S2之前,还包括候选区域优化网络的训练步骤,过程如下:
候选区域优化网络采用零均值,标准差为σ的高斯分布随机初始化,利用训练好的Faster R-CNN网络生成训练数据,单独训练候选区域优化网络,将训练集中的训练图片输入Faster R-CNN网络,候选区域生成网络输出的目标候选区域作为候选区域优化网络的训练数据,与任一标注框的交并比IoU大于THP的目标候选区域,作为正样本,与任一标注框的交并比IoU小于THN的目标候选区域,作为负样本。
本发明相对于现有技术具有如下的优点及效果:
本发明利用一个候选区域优化网络对Faster R-CNN算法中的候选区域生成网络(RPN)输出的候选区域进行优化,减少候选区域生成网络(RPN)输出的无效候选区域,在检测准确率基本保持不变的前提下,有效地提高了目标检测的效率。
附图说明
图1是原始的Faster R-CNN算法的网络结构图;
图2是本发明提出的基于优化候选区域的Faster R-CNN目标检测方法的网络结构图;
图3是本发明实施例的特征提取网络的网络结构图;
图4为本发明实施例的候选区域生成网络的网络结构图;
图5为本发明实施例的候选区域优化网络的网络结构图;
图6为本发明实施例的目标分类回归网络的网络结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
如图2所示为本实施例的网络结构图,具体实施步骤如下:
S1、以深度学***台,以图1所示的Faster R-CNN网络为基础,构建本实施例的网络,如图2所示。本实施例的网络实现20类目标的检测。在原始的Faster R-CNN网络中增加一个候选区域优化网络。候选区域优化网络构成一个区域二分类器。候选区域优化网络的输入为候选区域生成网络(RPN)第一个卷积层(特征映射层)输出的特征图和候选区域生成网络(RPN)输出的目标候选区域,输出为优化的目标候选区域。
具体地,以ZF-Net网络作为卷积特征提取网络,如图3所示为ZF-Net的网络结构图,其中各层的具体参数如表1所示。
表1.本实施例的ZF-Net网络参数
如图4所示为本实施例的候选区域生成网络(RPN)的网络结构图,其中各层的具体参数如表2所示。候选区域生成网络(RPN)的第一个卷积层conv6为特征映射层,负责对特征提取网络输出的特征图进行特征映射。
表2.本实施例的RPN网络参数
如图5所示为本实施例的候选区域优化网络结构图,其中各层的具体参数如表3所示。候选区域优化网络包含一个区域池化RoIpooling层、三个全连接层(隐层)和一个Softmax层,所有层级联连接。
表3.本实施例的候选区域优化网络参数
如图6所示为本实施例的目标分类回归网络结构图,其中各层的具体参数如表4所示。
表4.本实施例的目标分类回归网络参数
S2、利用卷积特征提取网络ZF-Net对输入图像进行特征提取,生成共享特征图;
S3、利用候选区域生成网络(RPN)对步骤S2生成的共享特征图进行处理,生成多种尺度和长宽比的目标候选区域;
候选区域生成网络(RPN)输出300个目标候选区域,以及对应每个目标候选区域包含目标的置信度。
S4、候选区域优化网络根据目标候选区域所包含的特征对目标候选区域进行目标/背景的二分类判别,然后排除被判别为背景的无效候选区域;
候选区域优化网络的区域池化RoIpooling层根据候选区域生成网络(RPN)输出的目标候选区域,对候选区域生成网络(RPN)的特征映射层输出的特征图进行区域池化,生成固定大小的区域特征,Softmax层输出每个目标候选区域是否包含目标或背景的2分类概率。最后只输出概率大于预设阈值的目标候选区域,即可排除大部分无效候选区域,得到优化后的目标候选区域。本实施例中预设阈值取0.5。
S5、目标分类回归网络根据步骤S4输出的优化的目标候选区域,从步骤S2生成的共享特征图中提取区域特征,进行最终的目标类别判别以及目标边界框回归修正。
具体应用中,本发明公开的基于优化候选区域的Faster R-CNN目标检测方法,在所述步骤S2之前,还包括Faster R-CNN网络的训练步骤和候选区域优化网络的训练步骤。
如下所示为本实施例中的Faster R-CNN网络的训练步骤:
使用原始Faster R-CNN算法的训练方法训练一个Faster R-CNN网络,首先利用ImageNet预训练的ZF-Net模型参数初始化Faster R-CNN网络的卷积特征提取网络和目标分类回归网络的第1层和第2层网络,对其他层采用零均值,标准差为σ的高斯分布随机初始化,然后对Faster R-CNN网络进行端到端的近似联合训练;
本实施例中的Faster R-CNN算法设置9个锚点,分别对应面积为1282,2562,5122像素的尺度,以及1∶1,1∶2,2∶1的长宽比。本实施例中,标准差σ取值为0.01,但该取值并不构成对本技术方案的限制。采用PASCAL VOC 2007数据集作为本实施例的训练集,PASCAL VOC2007数据集包含20种带标签的待测目标,共有5371张训练图片。训练过程中迭代次数为80000次,初始学习率0.001,每五万次减小为上一个值的十分之一,momentum设置为0.9。
如下所示为本实施例中的候选区域优化网络的训练步骤:候选区域优化网络采用零均值,标准差为σ的高斯分布随机初始化。利用训练好的Faster R-CNN网络生成训练数据,单独训练候选区域优化网络。将训练集中的训练图片输入Faster R-CNN网络,候选区域生成网络(RPN)输出的目标候选区域作为候选区域优化网络的训练数据。与任一标注框的交并比IoU大于THP的目标候选区域,作为正样本;与任一标注框的交并比IoU小于THN的目标候选区域,作为负样本。本实施例中,标准差σ取值为0.01,阈值THN和THN均取值0.5,但该取值并不构成对本技术方案的限制。训练过程中迭代次数为20000次,初始学习率0.001,每五万次减小为上一个值的十分之一,momentum设置为0.9。
综上所述,本发明通过引入一个候选区域优化网络对Faster R-CNN算法中的候选区域生成网络(RPN)输出的候选区域进行优化,减少候选区域生成网络(RPN)输出的无效候选区域,在检测准确率基本保持不变的前提下,有效地提高了目标检测的效率。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应视为等效的置换方式,都包含在本发明的保护范围之内。
Claims (5)
1.一种基于优化候选区域的Faster R-CNN目标检测方法,其特征在于,所述检测方法包括下列步骤:
S1、以深度学***台,在原始的Faster R-CNN网络中增加一个候选区域优化网络,通过候选区域优化网络构成一个区域二分类器,候选区域优化网络的输入为候选区域生成网络的第一个卷积层输出的特征图和候选区域生成网络输出的目标候选区域,输出为优化的目标候选区域,其中第一个卷积层即特征映射层;
S2、利用卷积特征提取网络对输入图像进行特征提取,生成共享特征图;
S3、利用候选区域生成网络对生成的共享特征图进行处理,生成多种尺度和长宽比的目标候选区域;
S4、候选区域优化网络根据目标候选区域所包含的特征对目标候选区域进行目标/背景的二分类判别,然后排除被判别为背景的无效候选区域,得到优化后的目标候选区域;
S5、目标分类回归网络根据优化后的目标候选区域,从生成的共享特征图中提取区域特征,进行最终的目标类别判别以及目标边界框回归修正。
2.根据权利要求1所述的一种基于优化候选区域的Faster R-CNN目标检测方法,其特征在于,所述候选区域优化网络的输入层为一个区域池化RoIpooling层,输出层为一个Softmax层,中间为若干隐层,所有层级联连接。
3.根据权利要求2所述的一种基于优化候选区域的Faster R-CNN目标检测方法,其特征在于,所述步骤S4过程如下:
候选区域优化网络的区域池化RoIpooling层根据候选区域生成网络输出的目标候选区域,对候选区域生成网络的特征映射层输出的特征图进行区域池化,生成固定大小的区域特征,Softmax层输出每个目标候选区域是否包含目标或背景的2分类概率,最后只输出概率大于预设阈值的目标候选区域,即可排除大部分无效候选区域,得到优化后的目标候选区域。
4.根据权利要求2所述的一种基于优化候选区域的Faster R-CNN目标检测方法,其特征在于,所述检测方法在步骤S2之前,还包括Faster R-CNN网络的训练步骤,过程如下:
使用原始Faster R-CNN算法的训练方法训练一个Faster R-CNN网络,首先利用ImageNet预训练模型参数初始化Faster R-CNN网络的卷积特征提取网络和目标分类回归网络的第1层和第2层网络,对其他层采用零均值,标准差为σ的高斯分布随机初始化,然后对Faster R-CNN网络进行端到端的近似联合训练。
5.根据权利要求4所述的一种基于优化候选区域的Faster R-CNN目标检测方法,其特征在于,所述检测方法在步骤S2之前,还包括候选区域优化网络的训练步骤,过程如下:
候选区域优化网络采用零均值,标准差为σ的高斯分布随机初始化,利用训练好的Faster R-CNN网络生成训练数据,单独训练候选区域优化网络,将训练集中的训练图片输入Faster R-CNN网络,候选区域生成网络输出的目标候选区域作为候选区域优化网络的训练数据,与任一标注框的交并比IoU大于THP的目标候选区域,作为正样本,与任一标注框的交并比IoU小于THN的目标候选区域,作为负样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710450440.0A CN107368845B (zh) | 2017-06-15 | 2017-06-15 | 一种基于优化候选区域的Faster R-CNN目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710450440.0A CN107368845B (zh) | 2017-06-15 | 2017-06-15 | 一种基于优化候选区域的Faster R-CNN目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107368845A true CN107368845A (zh) | 2017-11-21 |
CN107368845B CN107368845B (zh) | 2020-09-22 |
Family
ID=60306144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710450440.0A Active CN107368845B (zh) | 2017-06-15 | 2017-06-15 | 一种基于优化候选区域的Faster R-CNN目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107368845B (zh) |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038424A (zh) * | 2017-11-27 | 2018-05-15 | 华中科技大学 | 一种适用于高空作业的视觉自动化检测方法 |
CN108062531A (zh) * | 2017-12-25 | 2018-05-22 | 南京信息工程大学 | 一种基于级联回归卷积神经网络的视频目标检测方法 |
CN108121951A (zh) * | 2017-12-11 | 2018-06-05 | 北京小米移动软件有限公司 | 特征点定位方法及装置 |
CN108229307A (zh) * | 2017-11-22 | 2018-06-29 | 北京市商汤科技开发有限公司 | 用于物体检测的方法、装置和设备 |
CN108229658A (zh) * | 2017-12-27 | 2018-06-29 | 深圳先进技术研究院 | 基于有限样本的物体检测器的实现方法及装置 |
CN108490381A (zh) * | 2018-02-06 | 2018-09-04 | 国网浙江杭州市富阳区供电有限公司 | 一种电表检测装置及其检测方法 |
CN108509876A (zh) * | 2018-03-16 | 2018-09-07 | 深圳市商汤科技有限公司 | 针对视频的物体检测方法、装置、设备、存储介质及程序 |
CN108520286A (zh) * | 2018-04-24 | 2018-09-11 | 青岛科技大学 | 基于卷积神经和候选区域的红外暗弱光小目标检测*** |
CN108537286A (zh) * | 2018-04-18 | 2018-09-14 | 北京航空航天大学 | 一种基于关键区域检测的复杂目标精准识别方法 |
CN108536287A (zh) * | 2018-03-26 | 2018-09-14 | 深圳市深晓科技有限公司 | 一种根据用户指示读书的方法及装置 |
CN108682003A (zh) * | 2018-04-04 | 2018-10-19 | 睿视智觉(厦门)科技有限公司 | 一种产品质量检测方法 |
CN109063586A (zh) * | 2018-07-11 | 2018-12-21 | 东南大学 | 一种基于候选优化的Faster R-CNN驾驶员检测方法 |
CN109101897A (zh) * | 2018-07-20 | 2018-12-28 | 中国科学院自动化研究所 | 水下机器人的目标检测方法、***及相关设备 |
CN109145898A (zh) * | 2018-07-26 | 2019-01-04 | 清华大学深圳研究生院 | 一种基于卷积神经网络和迭代机制的物体检测方法 |
CN109344774A (zh) * | 2018-10-08 | 2019-02-15 | 国网经济技术研究院有限公司 | 遥感影像中的火力发电站目标识别方法 |
CN109492761A (zh) * | 2018-10-30 | 2019-03-19 | 深圳灵图慧视科技有限公司 | 实现神经网络的fpga加速装置、方法和*** |
CN109522938A (zh) * | 2018-10-26 | 2019-03-26 | 华南理工大学 | 一种基于深度学习的图像中目标的识别方法 |
CN109597129A (zh) * | 2019-01-07 | 2019-04-09 | 中国地质大学(武汉) | 基于目标检测的缝洞型油藏串珠状反射特征识别方法 |
CN109711245A (zh) * | 2018-11-05 | 2019-05-03 | 广东工业大学 | 一种基于图像候选区域的闭环检测方法 |
CN110084240A (zh) * | 2019-04-24 | 2019-08-02 | 网易(杭州)网络有限公司 | 一种文字提取***、方法、介质和计算设备 |
CN110110722A (zh) * | 2019-04-30 | 2019-08-09 | 广州华工邦元信息技术有限公司 | 一种基于深度学习模型识别结果的区域检测修正方法 |
CN110135456A (zh) * | 2019-04-08 | 2019-08-16 | 图麟信息科技(上海)有限公司 | 一种目标检测模型的训练方法及装置 |
CN110274919A (zh) * | 2019-07-10 | 2019-09-24 | 天津工业大学 | 基于Faster R-CNN的裁片花纹参数测量方法 |
CN110335244A (zh) * | 2019-05-17 | 2019-10-15 | 杭州数据点金科技有限公司 | 一种基于多迭代分类器的轮胎x光病疵检测方法 |
CN110472628A (zh) * | 2019-08-10 | 2019-11-19 | 四创科技有限公司 | 一种基于视频特征的改进Faster R-CNN网络检测漂浮物方法 |
CN110619350A (zh) * | 2019-08-12 | 2019-12-27 | 北京达佳互联信息技术有限公司 | 图像检测方法、装置及存储介质 |
CN110706246A (zh) * | 2019-10-15 | 2020-01-17 | 上海微创医疗器械(集团)有限公司 | 一种血管图像分割方法、装置、电子设备和存储介质 |
CN110705544A (zh) * | 2019-09-05 | 2020-01-17 | 中国民航大学 | 基于Faster-RCNN的自适应快速目标检测方法 |
CN110766058A (zh) * | 2019-10-11 | 2020-02-07 | 西安工业大学 | 一种基于优化rpn网络的战场目标检测方法 |
CN111222387A (zh) * | 2018-11-27 | 2020-06-02 | 北京嘀嘀无限科技发展有限公司 | 对象检测的***和方法 |
CN111242066A (zh) * | 2020-01-17 | 2020-06-05 | 中国人民解放军国防科技大学 | 大尺寸图像目标检测方法、装置及计算机可读存储介质 |
CN111382834A (zh) * | 2018-12-29 | 2020-07-07 | 杭州海康威视数字技术股份有限公司 | 一种置信度比较方法及装置 |
CN112016569A (zh) * | 2020-07-24 | 2020-12-01 | 驭势科技(南京)有限公司 | 基于注意力机制的目标检测方法、网络、设备和存储介质 |
CN113326858A (zh) * | 2020-02-28 | 2021-08-31 | 上海电力大学 | 一种多特征提取网络的目标检测方法 |
CN113705321A (zh) * | 2021-06-04 | 2021-11-26 | 北京市燃气集团有限责任公司 | 基于Faster-Rcnn的双向多尺度特征融合目标检测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022232A (zh) * | 2016-05-12 | 2016-10-12 | 成都新舟锐视科技有限公司 | 基于深度学习的车牌检测方法 |
CN106250812A (zh) * | 2016-07-15 | 2016-12-21 | 汤平 | 一种基于快速r‑cnn深度神经网络的车型识别方法 |
CN106326858A (zh) * | 2016-08-23 | 2017-01-11 | 北京航空航天大学 | 一种基于深度学习的公路交通标志自动识别与管理*** |
CN106372571A (zh) * | 2016-08-18 | 2017-02-01 | 宁波傲视智绘光电科技有限公司 | 路面交通标志检测与识别方法 |
CN106469304A (zh) * | 2016-09-22 | 2017-03-01 | 西安理工大学 | 基于深度卷积神经网络的票据中手写签名位置定位方法 |
CN106504233A (zh) * | 2016-10-18 | 2017-03-15 | 国网山东省电力公司电力科学研究院 | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及*** |
WO2017079522A1 (en) * | 2015-11-04 | 2017-05-11 | Nec Laboratories America, Inc. | Subcategory-aware convolutional neural networks for object detection |
-
2017
- 2017-06-15 CN CN201710450440.0A patent/CN107368845B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017079522A1 (en) * | 2015-11-04 | 2017-05-11 | Nec Laboratories America, Inc. | Subcategory-aware convolutional neural networks for object detection |
CN106022232A (zh) * | 2016-05-12 | 2016-10-12 | 成都新舟锐视科技有限公司 | 基于深度学习的车牌检测方法 |
CN106250812A (zh) * | 2016-07-15 | 2016-12-21 | 汤平 | 一种基于快速r‑cnn深度神经网络的车型识别方法 |
CN106372571A (zh) * | 2016-08-18 | 2017-02-01 | 宁波傲视智绘光电科技有限公司 | 路面交通标志检测与识别方法 |
CN106326858A (zh) * | 2016-08-23 | 2017-01-11 | 北京航空航天大学 | 一种基于深度学习的公路交通标志自动识别与管理*** |
CN106469304A (zh) * | 2016-09-22 | 2017-03-01 | 西安理工大学 | 基于深度卷积神经网络的票据中手写签名位置定位方法 |
CN106504233A (zh) * | 2016-10-18 | 2017-03-15 | 国网山东省电力公司电力科学研究院 | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及*** |
Non-Patent Citations (2)
Title |
---|
BIN YANG 等: ""CRAFT Objects from Images"", 《 2016 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
YOU LEI 等: "A Skin Segmentation Algorithm Based on Stacked Autoencoders", 《IEEE TRANSACTIONS ON MULTIMEDIA 》 * |
Cited By (51)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229307A (zh) * | 2017-11-22 | 2018-06-29 | 北京市商汤科技开发有限公司 | 用于物体检测的方法、装置和设备 |
CN108229307B (zh) * | 2017-11-22 | 2022-01-04 | 北京市商汤科技开发有限公司 | 用于物体检测的方法、装置和设备 |
US11222441B2 (en) | 2017-11-22 | 2022-01-11 | Beijing Sensetime Technology Development Co., Ltd. | Methods and apparatuses for object detection, and devices |
CN108038424A (zh) * | 2017-11-27 | 2018-05-15 | 华中科技大学 | 一种适用于高空作业的视觉自动化检测方法 |
CN108038424B (zh) * | 2017-11-27 | 2020-12-18 | 华中科技大学 | 一种适用于高空作业的视觉自动化检测方法 |
CN108121951A (zh) * | 2017-12-11 | 2018-06-05 | 北京小米移动软件有限公司 | 特征点定位方法及装置 |
CN108062531A (zh) * | 2017-12-25 | 2018-05-22 | 南京信息工程大学 | 一种基于级联回归卷积神经网络的视频目标检测方法 |
CN108062531B (zh) * | 2017-12-25 | 2021-10-19 | 南京信息工程大学 | 一种基于级联回归卷积神经网络的视频目标检测方法 |
CN108229658A (zh) * | 2017-12-27 | 2018-06-29 | 深圳先进技术研究院 | 基于有限样本的物体检测器的实现方法及装置 |
CN108229658B (zh) * | 2017-12-27 | 2020-06-12 | 深圳先进技术研究院 | 基于有限样本的物体检测器的实现方法及装置 |
CN108490381A (zh) * | 2018-02-06 | 2018-09-04 | 国网浙江杭州市富阳区供电有限公司 | 一种电表检测装置及其检测方法 |
CN108490381B (zh) * | 2018-02-06 | 2023-09-29 | 国网浙江杭州市富阳区供电有限公司 | 一种电表检测装置及其检测方法 |
CN108509876A (zh) * | 2018-03-16 | 2018-09-07 | 深圳市商汤科技有限公司 | 针对视频的物体检测方法、装置、设备、存储介质及程序 |
CN108509876B (zh) * | 2018-03-16 | 2020-11-27 | 深圳市商汤科技有限公司 | 针对视频的物体检测方法、装置、设备、存储介质及程序 |
CN108536287A (zh) * | 2018-03-26 | 2018-09-14 | 深圳市深晓科技有限公司 | 一种根据用户指示读书的方法及装置 |
CN108536287B (zh) * | 2018-03-26 | 2021-03-02 | 深圳市同维通信技术有限公司 | 一种根据用户指示读书的方法及装置 |
CN108682003A (zh) * | 2018-04-04 | 2018-10-19 | 睿视智觉(厦门)科技有限公司 | 一种产品质量检测方法 |
CN108682003B (zh) * | 2018-04-04 | 2021-10-08 | 睿视智觉(厦门)科技有限公司 | 一种产品质量检测方法 |
CN108537286A (zh) * | 2018-04-18 | 2018-09-14 | 北京航空航天大学 | 一种基于关键区域检测的复杂目标精准识别方法 |
CN108520286A (zh) * | 2018-04-24 | 2018-09-11 | 青岛科技大学 | 基于卷积神经和候选区域的红外暗弱光小目标检测*** |
CN109063586A (zh) * | 2018-07-11 | 2018-12-21 | 东南大学 | 一种基于候选优化的Faster R-CNN驾驶员检测方法 |
CN109101897A (zh) * | 2018-07-20 | 2018-12-28 | 中国科学院自动化研究所 | 水下机器人的目标检测方法、***及相关设备 |
CN109145898A (zh) * | 2018-07-26 | 2019-01-04 | 清华大学深圳研究生院 | 一种基于卷积神经网络和迭代机制的物体检测方法 |
CN109344774A (zh) * | 2018-10-08 | 2019-02-15 | 国网经济技术研究院有限公司 | 遥感影像中的火力发电站目标识别方法 |
CN109522938A (zh) * | 2018-10-26 | 2019-03-26 | 华南理工大学 | 一种基于深度学习的图像中目标的识别方法 |
CN109492761A (zh) * | 2018-10-30 | 2019-03-19 | 深圳灵图慧视科技有限公司 | 实现神经网络的fpga加速装置、方法和*** |
CN109711245A (zh) * | 2018-11-05 | 2019-05-03 | 广东工业大学 | 一种基于图像候选区域的闭环检测方法 |
CN111222387A (zh) * | 2018-11-27 | 2020-06-02 | 北京嘀嘀无限科技发展有限公司 | 对象检测的***和方法 |
CN111222387B (zh) * | 2018-11-27 | 2023-03-03 | 北京嘀嘀无限科技发展有限公司 | 对象检测的***和方法 |
WO2020107510A1 (en) * | 2018-11-27 | 2020-06-04 | Beijing Didi Infinity Technology And Development Co., Ltd. | Ai systems and methods for objection detection |
CN111382834B (zh) * | 2018-12-29 | 2023-09-29 | 杭州海康威视数字技术股份有限公司 | 一种置信度比较方法及装置 |
CN111382834A (zh) * | 2018-12-29 | 2020-07-07 | 杭州海康威视数字技术股份有限公司 | 一种置信度比较方法及装置 |
CN109597129B (zh) * | 2019-01-07 | 2019-12-17 | 中国地质大学(武汉) | 基于目标检测的缝洞型油藏串珠状反射特征识别方法 |
CN109597129A (zh) * | 2019-01-07 | 2019-04-09 | 中国地质大学(武汉) | 基于目标检测的缝洞型油藏串珠状反射特征识别方法 |
CN110135456A (zh) * | 2019-04-08 | 2019-08-16 | 图麟信息科技(上海)有限公司 | 一种目标检测模型的训练方法及装置 |
CN110084240A (zh) * | 2019-04-24 | 2019-08-02 | 网易(杭州)网络有限公司 | 一种文字提取***、方法、介质和计算设备 |
CN110110722A (zh) * | 2019-04-30 | 2019-08-09 | 广州华工邦元信息技术有限公司 | 一种基于深度学习模型识别结果的区域检测修正方法 |
CN110335244A (zh) * | 2019-05-17 | 2019-10-15 | 杭州数据点金科技有限公司 | 一种基于多迭代分类器的轮胎x光病疵检测方法 |
CN110274919A (zh) * | 2019-07-10 | 2019-09-24 | 天津工业大学 | 基于Faster R-CNN的裁片花纹参数测量方法 |
CN110472628A (zh) * | 2019-08-10 | 2019-11-19 | 四创科技有限公司 | 一种基于视频特征的改进Faster R-CNN网络检测漂浮物方法 |
CN110619350A (zh) * | 2019-08-12 | 2019-12-27 | 北京达佳互联信息技术有限公司 | 图像检测方法、装置及存储介质 |
CN110705544A (zh) * | 2019-09-05 | 2020-01-17 | 中国民航大学 | 基于Faster-RCNN的自适应快速目标检测方法 |
CN110705544B (zh) * | 2019-09-05 | 2023-04-07 | 中国民航大学 | 基于Faster-RCNN的自适应快速目标检测方法 |
CN110766058A (zh) * | 2019-10-11 | 2020-02-07 | 西安工业大学 | 一种基于优化rpn网络的战场目标检测方法 |
CN110706246A (zh) * | 2019-10-15 | 2020-01-17 | 上海微创医疗器械(集团)有限公司 | 一种血管图像分割方法、装置、电子设备和存储介质 |
CN111242066B (zh) * | 2020-01-17 | 2023-09-05 | 中国人民解放军国防科技大学 | 大尺寸图像目标检测方法、装置及计算机可读存储介质 |
CN111242066A (zh) * | 2020-01-17 | 2020-06-05 | 中国人民解放军国防科技大学 | 大尺寸图像目标检测方法、装置及计算机可读存储介质 |
CN113326858A (zh) * | 2020-02-28 | 2021-08-31 | 上海电力大学 | 一种多特征提取网络的目标检测方法 |
CN113326858B (zh) * | 2020-02-28 | 2023-08-22 | 上海电力大学 | 一种多特征提取网络的目标检测方法 |
CN112016569A (zh) * | 2020-07-24 | 2020-12-01 | 驭势科技(南京)有限公司 | 基于注意力机制的目标检测方法、网络、设备和存储介质 |
CN113705321A (zh) * | 2021-06-04 | 2021-11-26 | 北京市燃气集团有限责任公司 | 基于Faster-Rcnn的双向多尺度特征融合目标检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107368845B (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107368845A (zh) | 一种基于优化候选区域的Faster R‑CNN目标检测方法 | |
CN110163110B (zh) | 一种基于迁移学习和深度特征融合的行人重识别方法 | |
CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
CN108427912B (zh) | 基于稠密目标特征学习的光学遥感图像目标检测方法 | |
CN106157319B (zh) | 基于卷积神经网络的区域和像素级融合的显著性检测方法 | |
CN105608456B (zh) | 一种基于全卷积网络的多方向文本检测方法 | |
CN107862261A (zh) | 基于多尺度卷积神经网络的图像人群计数方法 | |
CN108399406A (zh) | 基于深度学习的弱监督显著性物体检测的方法及*** | |
CN106778835A (zh) | 融合场景信息和深度特征的遥感图像机场目标识别方法 | |
CN107506722A (zh) | 一种基于深度稀疏卷积神经网络人脸情感识别方法 | |
CN107423760A (zh) | 基于预分割和回归的深度学习目标检测方法 | |
CN113033520B (zh) | 一种基于深度学习的树木线虫病害木识别方法及*** | |
CN105160310A (zh) | 基于3d卷积神经网络的人体行为识别方法 | |
CN113378770B (zh) | 手势识别方法、装置、设备、存储介质 | |
CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
CN109377511B (zh) | 基于样本组合和深度检测网络的运动目标跟踪方法 | |
CN107463881A (zh) | 一种基于深度增强学习的人物图像搜索方法 | |
CN108664994A (zh) | 一种遥感图像处理模型构建***和方法 | |
CN103955950B (zh) | 一种利用关键点特征匹配的图像跟踪方法 | |
CN111709397A (zh) | 一种基于多头自注意力机制的无人机变尺寸目标检测方法 | |
CN112528845B (zh) | 一种基于深度学习的物理电路图识别方法及其应用 | |
CN107301376A (zh) | 一种基于深度学习多层刺激的行人检测方法 | |
CN104036550A (zh) | 基于形状语义的建筑立面激光雷达点云解译与重建的方法 | |
CN107609509A (zh) | 一种基于运动显著性区域检测的动作识别方法 | |
CN106447662A (zh) | 一种基于组合距离的fcm图像分割算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |