CN108520273A - 一种基于目标检测的稠密小商品快速检测识别方法 - Google Patents
一种基于目标检测的稠密小商品快速检测识别方法 Download PDFInfo
- Publication number
- CN108520273A CN108520273A CN201810253095.6A CN201810253095A CN108520273A CN 108520273 A CN108520273 A CN 108520273A CN 201810253095 A CN201810253095 A CN 201810253095A CN 108520273 A CN108520273 A CN 108520273A
- Authority
- CN
- China
- Prior art keywords
- convolutional neural
- model
- target
- neural networks
- sample
- 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
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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
一种基于目标检测的稠密小商品快速检测识别方法:通过python或者matlab编程语言对采集的商品图片进行处理;建立卷积神经网络模型,包括卷积层、池化层以及全连接层,模型中包括卷积和RoIpooling;通过训练样本对卷积神经网络模型、区域建议网络模型的分类和边界框回归进行多任务联合训练,通过反向传播对卷积神经网络模型中的卷积核参数进行学习更新,通过验证集确定卷积神经网络模型的超参数,直到损失函数达到目标设定值;通过测试集对训练好的卷积神经模型的识别精度进行测试。本发明能够对商品数目及分布高效准确地统计,大大提高商品供应商以及商场管理人员的工作效率,节约人工成本,具有较大的商用价值。
Description
技术领域
本发明涉及一种稠密小商品快速检测识别方法。特别是涉及一种基于目标检测的稠密小商品快速检测识别方法。
背景技术
随着计算机视觉原理的广泛应用,通过计算机图像处理技术对目标进行检测的研究深受国内外学者的重视。目标检测可以分为两个关键的子任务:目标分类和目标定位,即能够在一幅含有一个或多个目标物体的图像中准确地判断出每个目标物体所属类别,并给出相应的边界框。
传统的目标检测算法有以下弊端:1)通过滑动窗口方法选取候选框,数目冗余,计算复杂;2)通过手工设计的模板来提取区域的特征,这种方式提取到的特征往往是低层次的,并且过分受到人的思想概念影响,因此不足以完全表达目标物体。
为了克服手工设计特征提取器的局限性,让机器自动学习获得图像的更高层次的特征,Hinton等人在2006年提出深度学习的观点,并指出图像的高层特征可以由低层的特征组成。由于强大的建模能力和自动的端到端的学习方式,深度卷积神经网络可以从大量数据中学习到有效特征,避免了传统方法人工设计特征的弊端。近几年,采用深度神经网络来提取特征在目标识别领域取得了巨大的成功,如VGGNet、GoogleNet、ResNet等,但现有的网络模型对于物体几何形变的适应能力几乎完全来自于数据本身所具有的多样性,其模型内部并不具有适应几何形变的机制。因此,对于不同几何形变下的稠密分布的小商品检测与识别效果较差,究其根本,是因为现有的卷积神经网络模型中采用的卷积操作本身具有固定的几何结构,而由其层叠搭建而成的卷积网络的几何结构也是固定的,所以不具有对于几何形变建模的能力。如何增强模型自身对物体在不同尺寸、姿态等几何形变下的适应能力,是目前目标识别领域中面临的关键挑战,也是提高稠密分布小商品的检测效率与识别精度的关键。
发明内容
本发明所要解决的技术问题是,提供一种能够提升小商品这类分布稠密的小目标物体的识别精度的基于目标检测的稠密小商品快速检测识别方法。
本发明所采用的技术方案是:一种基于目标检测的稠密小商品快速检测识别方法,包括如下步骤:
1)通过python或者matlab编程语言对采集的商品图片进行处理:对每幅图片采用统一格式进行命名,将图片中的80%作为训练集,20%作为测试集,其中训练集中的60%作为训练样本,20%作为验证样本,对训练集和测试集中每个图片的目标物体进行人工标注,并将标注信息保存在图片对应的xml文件中;
2)建立卷积神经网络模型,所述卷积神经网络模型包括卷积层、池化层以及全连接层,模型中包括卷积和RoIpooling;
3)通过训练样本对卷积神经网络模型、区域建议网络模型的分类和边界框回归进行多任务联合训练,通过反向传播对卷积神经网络模型中的卷积核参数w进行学习更新,通过验证集确定卷积神经网络模型的超参数,直到损失函数达到目标设定值;
4)通过测试集对训练好的卷积神经模型的识别精度进行测试。
步骤1)中所述的人工标注,是采用矩形框将图片中的目标物体框住,并标注出矩形框左上角和右下角的坐标,指明该物体的类别。
步骤2)中:
所述的卷积为:
所述的RoI pooling为:
式中,w是卷积核参数,m0是卷积核的感受野M的左上角坐标,mn是卷积核感受野M中的点坐标,Δmn是卷积核内各点坐标的偏移量,p和q代表感受野内各位置的像素值,m'0是池化核感受野的左上角坐标,m是池化核感受野中的点的坐标,bin表示池化核区域,(x,y)表示池化核区域内的点坐标,Δmxy表示池化核区域内点的偏移量。
步骤3)中所述的超参数包括:学习率、正则化参数、神经网络的层数、每一个隐层中神经元的个数、迭代次数、小批量数据的大小、输出神经元的编码方式、代价函数的选择、权重初始化的方法、神经元激活函数的种类和参加训练模型数据的规模。
步骤3)中所述的损失函数如下:
其中,L'cls表示分类的损失函数,Lreg表示边界框回归的损失函数,Ncls是分类的样本数目,Nreg是回归的边界框数目,p是预测为目标的概率,pn是第n个样本预测为目标的概率,是第n个样本标签信息,β∈(0,1)是用来平衡正样本和负样本的因子,(1-pn)α是限制模型更加专注于难分类的样本,α是一个自然数,可根据具体识别任务进行设定,tn是一个向量,表示预测边界框的坐标,是一个向量,表示人工标注的边界框的坐标,smoothL1是L1正则化损失函数,t表示边界框的向量。
本发明的一种基于目标检测的稠密小商品快速检测识别方法,通过在卷积神经网络模型中采用可形变的卷积和RoIpooling操作,在目标检测算法中采用创新的损失函数来训练出能够实现对小商品检测识别的模型。本发明通过使用输入真实场景下的商品图片作为训练样本和测试样本,并进行去均值,归一化等预处理操作;采用本发明的卷积神经网络模型,可以较好地适应不同几何形变下的商品目标,增加了模型对不同尺寸、形态下的目标地自适应能力,此外,分类的损失函数,通过对原有的交叉熵损失函数进行改进,减少易分类样本的对损失函数的影响,使得模型对稠密的小目标物体更加有效地学习。本发明以商品为目标,通过深度学习的方法对商品的品牌、类别等多种信息检测,对其数目及分布高效准确地统计,大大提高商品供应商以及商场管理人员的工作效率,节约人工成本,具有较大的商用价值。
附图说明
图1是本发明一种基于目标检测的稠密小商品快速检测识别方法的流程图。
具体实施方式
下面结合实施例和附图对本发明的一种基于目标检测的稠密小商品快速检测识别方法做出详细说明。
本发明的一种基于目标检测的稠密小商品快速检测识别方法,是针对小商品这类目标物体在图片中分布稠密,以及现有的卷积神经网络模型对目标物体几何形变的适应能力差的特点,本发明的方法,通过采用卷积和RoI Pooling操作,使其对不同几何形变的商品照片具备自适应能力。
如图1所示,本发明的一种基于目标检测的稠密小商品快速检测识别方法,包括如下步骤:
1)通过python或者matlab编程语言对采集的商品图片进行处理:对每幅图片采用统一格式进行命名,将图片中的80%作为训练集,20%作为测试集,其中训练集中的60%作为训练样本,20%作为验证样本,对训练集和测试集中每个图片的目标物体进行人工标注,并将标注信息保存在图片对应的xml文件中;所述的人工标注,是采用矩形框将图片中的目标物体框住,并标注出矩形框左上角和右下角的坐标,指明该物体的类别。
2)建立卷积神经网络模型,所述卷积神经网络模型包括卷积层、池化层以及全连接层,模型中包括卷积和RoI pooling;其中:
所述的卷积为:
所述的RoI pooling为:
式中,w是卷积核参数,m0是卷积核的感受野M的左上角坐标,mn是卷积核感受野M中的点坐标,Δmn是卷积核内各点的偏移量,p和q代表感受野内各位置的像素值,m'0池化核的感受野的左上角坐标,bin(x,y)表示池化核区域内的点坐标,Δmxy表示池化核区域内点的偏移量。
3)通过训练样本对卷积神经网络模型、区域建议网络模型的分类和边界框回归进行多任务联合训练,通过反向传播对卷积神经网络模型中的卷积核参数w进行学习更新,通过验证集确定卷积神经网络模型的超参数,直到损失函数达到目标设定值;其中,
所述的超参数包括:学习率、正则化参数、神经网络的层数、每一个隐层中神经元的个数、学习的回合数、小批量数据的大小、输出神经元的编码方式、代价函数的选择、权重初始化的方法、神经元激活函数的种类和参加训练模型数据的规模。
所述的损失函数如下:
其中,Ncls是分类的样本数目,Nreg是回归的边界框数目,p是预测为目标的概率,pn是第n个样本预测为目标的概率,是第n个样本标签信息,β∈(0,1)是用来平衡正样本和负样本的因子,(1-pn)α是限制模型更加专注于难分类的样本,α是一个自然数,可根据具体识别任务进行设定,tn是一个向量,表示预测边界框的坐标,是一个向量,表示人工标注的边界框的坐标,smoothL1是L1正则化损失函数,t表示边界框的向量。
4)通过测试集对训练好的卷积神经模型的识别精度进行测试。
Claims (5)
1.一种基于目标检测的稠密小商品快速检测识别方法,其特征在于,包括如下步骤:
1)通过python或者matlab编程语言对采集的商品图片进行处理:对每幅图片采用统一格式进行命名,将图片中的80%作为训练集,20%作为测试集,其中训练集中的60%作为训练样本,20%作为验证样本,对训练集和测试集中每个图片的目标物体进行人工标注,并将标注信息保存在图片对应的xml文件中;
2)建立卷积神经网络模型,所述卷积神经网络模型包括卷积层、池化层以及全连接层,模型中包括卷积和RoIpooling;
3)通过训练样本对卷积神经网络模型、区域建议网络模型的分类和边界框回归进行多任务联合训练,通过反向传播对卷积神经网络模型中的卷积核参数w进行学习更新,通过验证集确定卷积神经网络模型的超参数,直到损失函数达到目标设定值;
4)通过测试集对训练好的卷积神经模型的识别精度进行测试。
2.根据权利要求1所述的一种基于目标检测的稠密小商品快速检测识别方法,其特征在于,步骤1)中所述的人工标注,是采用矩形框将图片中的目标物体框住,并标注出矩形框左上角和右下角的坐标,指明该物体的类别。
3.根据权利要求1所述的一种基于目标检测的稠密小商品快速检测识别方法,其特征在于,步骤2)中:
所述的卷积为:
所述的RoI pooling为:
式中,w是卷积核参数,m0是卷积核的感受野M的左上角坐标,mn是卷积核感受野M中的点坐标,Δmn是卷积核内各点坐标的偏移量,p和q代表感受野内各位置的像素值,m'0是池化核感受野的左上角坐标,m是池化核感受野中的点的坐标,bin表示池化核区域,(x,y)表示池化核区域内的点坐标,Δmxy表示池化核区域内点的偏移量。
4.根据权利要求1所述的一种基于目标检测的稠密小商品快速检测识别方法,其特征在于,步骤3)中所述的超参数包括:学习率、正则化参数、神经网络的层数、每一个隐层中神经元的个数、迭代次数、小批量数据的大小、输出神经元的编码方式、代价函数的选择、权重初始化的方法、神经元激活函数的种类和参加训练模型数据的规模。
5.根据权利要求1所述的一种基于目标检测的稠密小商品快速检测识别方法,其特征在于,步骤3)中所述的损失函数如下:
其中,L'cls表示分类的损失函数,Lreg表示边界框回归的损失函数,Ncls是分类的样本数目,Nreg是回归的边界框数目,p是预测为目标的概率,pn是第n个样本预测为目标的概率,是第n个样本标签信息,β∈(0,1)是用来平衡正样本和负样本的因子,(1-pn)α是限制模型更加专注于难分类的样本,α是一个自然数,可根据具体识别任务进行设定,tn是一个向量,表示预测边界框的坐标,是一个向量,表示人工标注的边界框的坐标,smoothL1是L1正则化损失函数,t表示边界框的向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810253095.6A CN108520273A (zh) | 2018-03-26 | 2018-03-26 | 一种基于目标检测的稠密小商品快速检测识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810253095.6A CN108520273A (zh) | 2018-03-26 | 2018-03-26 | 一种基于目标检测的稠密小商品快速检测识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108520273A true CN108520273A (zh) | 2018-09-11 |
Family
ID=63434197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810253095.6A Pending CN108520273A (zh) | 2018-03-26 | 2018-03-26 | 一种基于目标检测的稠密小商品快速检测识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108520273A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376605A (zh) * | 2018-09-26 | 2019-02-22 | 福州大学 | 一种电力巡检图像防鸟刺故障检测方法 |
CN109492636A (zh) * | 2018-09-30 | 2019-03-19 | 浙江工业大学 | 基于自适应感受野深度学习的目标检测方法 |
CN109558792A (zh) * | 2018-10-11 | 2019-04-02 | 成都三零凯天通信实业有限公司 | 一种基于样本和特征检测互联网徽标内容的方法和*** |
CN109949359A (zh) * | 2019-02-14 | 2019-06-28 | 深兰科技(上海)有限公司 | 一种基于ssd模型进行目标检测的方法及设备 |
CN110378361A (zh) * | 2018-11-23 | 2019-10-25 | 北京京东尚科信息技术有限公司 | 一种用于密集拿取物品检测的方法和装置 |
CN110647906A (zh) * | 2019-08-02 | 2020-01-03 | 杭州电子科技大学 | 基于Faster R-CNN方法的服饰目标检测方法 |
CN110674850A (zh) * | 2019-09-03 | 2020-01-10 | 武汉大学 | 一种基于注意力机制的图像描述生成方法 |
CN110826647A (zh) * | 2019-12-09 | 2020-02-21 | 国网智能科技股份有限公司 | 一种电力设备异物外观自动检测方法及*** |
CN110929668A (zh) * | 2019-11-29 | 2020-03-27 | 珠海大横琴科技发展有限公司 | 一种基于无人货架的商品检测方法和装置 |
CN111222382A (zh) * | 2018-11-27 | 2020-06-02 | 北京京东尚科信息技术有限公司 | 一种基于图像的商品结算方法、装置、介质及电子设备 |
CN111241893A (zh) * | 2018-11-29 | 2020-06-05 | 阿里巴巴集团控股有限公司 | 一种标识识别方法、装置及*** |
CN111259710A (zh) * | 2018-12-03 | 2020-06-09 | 初速度(苏州)科技有限公司 | 采用停车位框线、端点的停车位结构检测模型训练方法 |
CN111768553A (zh) * | 2019-04-02 | 2020-10-13 | 珠海格力电器股份有限公司 | 一种自动售货柜的售货方法及自动售货柜 |
CN111931877A (zh) * | 2020-10-12 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 目标检测方法、装置、设备及存储介质 |
CN112365324A (zh) * | 2020-12-02 | 2021-02-12 | 杭州微洱网络科技有限公司 | 适用于电商平台的商品图片检测方法 |
CN112508132A (zh) * | 2021-01-29 | 2021-03-16 | 广州市玄武无线科技股份有限公司 | 一种识别sku的训练方法及装置 |
CN114266887A (zh) * | 2021-12-27 | 2022-04-01 | 浙江工业大学 | 一种基于深度学习的大规模商标检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599827A (zh) * | 2016-12-09 | 2017-04-26 | 浙江工商大学 | 一种基于深度卷积神经网络的小目标快速检测方法 |
CN106845430A (zh) * | 2017-02-06 | 2017-06-13 | 东华大学 | 基于加速区域卷积神经网络的行人检测与跟踪方法 |
US20170169315A1 (en) * | 2015-12-15 | 2017-06-15 | Sighthound, Inc. | Deeply learned convolutional neural networks (cnns) for object localization and classification |
CN107451602A (zh) * | 2017-07-06 | 2017-12-08 | 浙江工业大学 | 一种基于深度学习的果蔬检测方法 |
CN107808167A (zh) * | 2017-10-27 | 2018-03-16 | 深圳市唯特视科技有限公司 | 一种基于可变形部分的完全卷积网络进行目标检测的方法 |
-
2018
- 2018-03-26 CN CN201810253095.6A patent/CN108520273A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170169315A1 (en) * | 2015-12-15 | 2017-06-15 | Sighthound, Inc. | Deeply learned convolutional neural networks (cnns) for object localization and classification |
CN106599827A (zh) * | 2016-12-09 | 2017-04-26 | 浙江工商大学 | 一种基于深度卷积神经网络的小目标快速检测方法 |
CN106845430A (zh) * | 2017-02-06 | 2017-06-13 | 东华大学 | 基于加速区域卷积神经网络的行人检测与跟踪方法 |
CN107451602A (zh) * | 2017-07-06 | 2017-12-08 | 浙江工业大学 | 一种基于深度学习的果蔬检测方法 |
CN107808167A (zh) * | 2017-10-27 | 2018-03-16 | 深圳市唯特视科技有限公司 | 一种基于可变形部分的完全卷积网络进行目标检测的方法 |
Non-Patent Citations (2)
Title |
---|
JIFENG DAI ET AL.: "Deformable Convolutional Networks", 《2017 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 * |
TSUNG-YI LIN ET AL.: "Focal Loss for Dense Object Detection", 《2017 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376605A (zh) * | 2018-09-26 | 2019-02-22 | 福州大学 | 一种电力巡检图像防鸟刺故障检测方法 |
CN109492636A (zh) * | 2018-09-30 | 2019-03-19 | 浙江工业大学 | 基于自适应感受野深度学习的目标检测方法 |
CN109492636B (zh) * | 2018-09-30 | 2021-08-03 | 浙江工业大学 | 基于自适应感受野深度学习的目标检测方法 |
CN109558792B (zh) * | 2018-10-11 | 2023-10-13 | 深圳市网联安瑞网络科技有限公司 | 一种基于样本和特征检测互联网徽标内容的方法和*** |
CN109558792A (zh) * | 2018-10-11 | 2019-04-02 | 成都三零凯天通信实业有限公司 | 一种基于样本和特征检测互联网徽标内容的方法和*** |
CN110378361A (zh) * | 2018-11-23 | 2019-10-25 | 北京京东尚科信息技术有限公司 | 一种用于密集拿取物品检测的方法和装置 |
CN111222382A (zh) * | 2018-11-27 | 2020-06-02 | 北京京东尚科信息技术有限公司 | 一种基于图像的商品结算方法、装置、介质及电子设备 |
CN111241893B (zh) * | 2018-11-29 | 2023-06-16 | 阿里巴巴集团控股有限公司 | 一种标识识别方法、装置及*** |
CN111241893A (zh) * | 2018-11-29 | 2020-06-05 | 阿里巴巴集团控股有限公司 | 一种标识识别方法、装置及*** |
CN111259710B (zh) * | 2018-12-03 | 2022-06-10 | 魔门塔(苏州)科技有限公司 | 采用停车位框线、端点的停车位结构检测模型训练方法 |
CN111259710A (zh) * | 2018-12-03 | 2020-06-09 | 初速度(苏州)科技有限公司 | 采用停车位框线、端点的停车位结构检测模型训练方法 |
CN109949359A (zh) * | 2019-02-14 | 2019-06-28 | 深兰科技(上海)有限公司 | 一种基于ssd模型进行目标检测的方法及设备 |
CN111768553A (zh) * | 2019-04-02 | 2020-10-13 | 珠海格力电器股份有限公司 | 一种自动售货柜的售货方法及自动售货柜 |
CN110647906A (zh) * | 2019-08-02 | 2020-01-03 | 杭州电子科技大学 | 基于Faster R-CNN方法的服饰目标检测方法 |
CN110674850A (zh) * | 2019-09-03 | 2020-01-10 | 武汉大学 | 一种基于注意力机制的图像描述生成方法 |
CN110929668A (zh) * | 2019-11-29 | 2020-03-27 | 珠海大横琴科技发展有限公司 | 一种基于无人货架的商品检测方法和装置 |
CN110826647A (zh) * | 2019-12-09 | 2020-02-21 | 国网智能科技股份有限公司 | 一种电力设备异物外观自动检测方法及*** |
CN111931877A (zh) * | 2020-10-12 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 目标检测方法、装置、设备及存储介质 |
CN112365324A (zh) * | 2020-12-02 | 2021-02-12 | 杭州微洱网络科技有限公司 | 适用于电商平台的商品图片检测方法 |
CN112508132A (zh) * | 2021-01-29 | 2021-03-16 | 广州市玄武无线科技股份有限公司 | 一种识别sku的训练方法及装置 |
CN112508132B (zh) * | 2021-01-29 | 2021-08-03 | 广州市玄武无线科技股份有限公司 | 一种识别sku的训练方法及装置 |
CN114266887A (zh) * | 2021-12-27 | 2022-04-01 | 浙江工业大学 | 一种基于深度学习的大规模商标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108520273A (zh) | 一种基于目标检测的稠密小商品快速检测识别方法 | |
Yuliang et al. | Detecting curve text in the wild: New dataset and new solution | |
CN109948425B (zh) | 一种结构感知自注意和在线实例聚合匹配的行人搜索方法及装置 | |
CN109523520A (zh) | 一种基于深度学习的染色体自动计数方法 | |
CN108830188A (zh) | 基于深度学习的车辆检测方法 | |
CN110276269A (zh) | 一种基于注意力机制的遥感图像目标检测方法 | |
CN106599941A (zh) | 基于卷积神经网络与支持向量机的手写数字识别方法 | |
CN107895160A (zh) | 人脸检测与识别装置及方法 | |
CN106529499A (zh) | 基于傅里叶描述子和步态能量图融合特征的步态识别方法 | |
CN110427793A (zh) | 一种基于深度学习的条码检测方法及其*** | |
CN110991435A (zh) | 一种基于深度学习的快递运单关键信息定位方法和装置 | |
CN109815770A (zh) | 二维码检测方法、装置及*** | |
CN109919230A (zh) | 基于循环特征金字塔的医学图像肺结节检测方法 | |
CN105335725A (zh) | 一种基于特征融合的步态识别身份认证方法 | |
CN110287873A (zh) | 基于深度神经网络的非合作目标位姿测量方法、***及终端设备 | |
CN109343920A (zh) | 一种图像处理方法及其装置、设备和存储介质 | |
CN105205449A (zh) | 基于深度学习的手语识别方法 | |
CN108681735A (zh) | 基于卷积神经网络深度学习模型的光学字符识别方法 | |
CN109583498A (zh) | 一种基于低秩正则化特征增强表征的时尚兼容度预测方法 | |
CN108898269A (zh) | 基于度量的电力图像环境影响评估方法 | |
CN113762269A (zh) | 基于神经网络的中文字符ocr识别方法、***、介质及应用 | |
CN110223310A (zh) | 一种基于深度学习的线结构光中心线和箱体边缘检测方法 | |
CN109903339A (zh) | 一种基于多维融合特征的视频群体人物定位检测方法 | |
CN109816634A (zh) | 检测方法、模型训练方法、装置及设备 | |
CN106886754B (zh) | 一种基于三角面片的三维场景下的物体识别方法及*** |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180911 |
|
WD01 | Invention patent application deemed withdrawn after publication |