CN108564008A - 一种基于zynq的实时行人与人脸检测方法 - Google Patents

一种基于zynq的实时行人与人脸检测方法 Download PDF

Info

Publication number
CN108564008A
CN108564008A CN201810264288.1A CN201810264288A CN108564008A CN 108564008 A CN108564008 A CN 108564008A CN 201810264288 A CN201810264288 A CN 201810264288A CN 108564008 A CN108564008 A CN 108564008A
Authority
CN
China
Prior art keywords
pedestrian
convolution
point
image
detection
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
Application number
CN201810264288.1A
Other languages
English (en)
Inventor
王经纬
于淼
黄春辉
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.)
Xiamen Reconova Information Technology Co Ltd
Original Assignee
Xiamen Reconova Information Technology Co Ltd
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 Xiamen Reconova Information Technology Co Ltd filed Critical Xiamen Reconova Information Technology Co Ltd
Priority to CN201810264288.1A priority Critical patent/CN108564008A/zh
Publication of CN108564008A publication Critical patent/CN108564008A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Image Analysis (AREA)

Abstract

本发明一种基于ZYNQ的实时行人与人脸检测方法，其通过ZYNQ中的FPGA实现特征提取，通过ZYNQ中的ARM实现***调度控制，结果分析过滤，从而实现软件与硬件协同的检测功能，提高检测速度和检测的实时性。

Description

一种基于ZYNQ的实时行人与人脸检测方法
技术领域
本发明涉及计算机视觉领域，具体涉及一种基于ZYNQ的实时行人与人脸检测方法。
背景技术
行人跟踪和人脸抓拍是人工智能行业非常典型的应用，在安防，线下零售客流分析等诸多领域都有广泛的应用。
传统的行人跟踪和人脸抓拍算法大多使用GPU，CPU和ARM嵌入式软件平台实现，明显的缺陷就是计算速度不足以满足高清视频环境下的实时性要求。随着应用不断的深入，需要在高清甚至全高清视频环境下能够实时实现行人跟踪，轨迹分析，流量统计，人脸抓拍等功能。
FPGA作为现场实时可编程器件，凭借强大的并行性和对算法针对FPGA高度优化的***架构和流水线结构，可以满足在高清和全高清视频环境下的实时行人检测等功能。
发明内容
本发明的目的在于提供一种基于ZYNQ的实时行人与人脸检测方法，其通过ZYNQ中的FPGA实现特征提取，通过ZYNQ中的ARM实现***调度控制，结果分析过滤，从而实现软件与硬件协同的检测功能，提高检测速度和检测的实时性。
为实现上述目的，本发明采用的技术方案是：
一种基于ZYNQ的实时行人与人脸检测方法，其包括以下步骤：
步骤1、特征提取
在FPGA中，图像传感器通过UVC接口读入视频流，经过简单的图像预处理后对其进行色域空间转换，转换到RGB图像空间，然后使用HOG算法提取图像特征，提取完成后将结果传送给检测模块，以及通过AXI总线写回内存；
步骤2、加载模型
提取到特征后，将行人模型和人脸模型经过ARM端软件通过AXI GP口加载到FPGA，模型控制器根据不同的模型写入不同的RAM地址中，以供行人和人脸检测使用；
所述行人模型和人脸模型使用SVM机器学习算法对大量经标定后的行人，人脸图片分多个方向模板训练，训练训练后得到各个方向的模板，训练后的模型不同方向有不同的模板大小，但是数据维度保持特征图维度一致；
步骤3、结合加载的行人模型和人脸模型，对检测模块中的特征图进行行人检测和人脸检测；
其中，行人检测分为两部分，首先使用行人模型对特征图进行卷积粗筛选，筛选后通过阈值的特征点再取出来对其邻域做进一步的局部细筛选，以确认当前点是否为目标点，如果是，将其坐标和得分及其对应的模型方向进行存储到内存中，如果不是则将其丢弃，处理下一个点；
人脸检测为：使用加载到FPGA端的人脸模型对特征图的各个尺度做卷积滑窗，卷积求和得到的结果，将该结果和模型的阈值做比较，超出阈值的即为目标点，将目标点的坐标和得分及其对应的模型方向存储到内存中；
当完成一帧图像的检测后，将行人检测和人脸检测得到的目标点信息上传到ARM端；
步骤4、ARM端接收目标点信息并进行行人脸框合并，然后提取兴趣坐标点，返回传输给FPGA端，FPGA端对兴趣坐标点周边区域再次做图像特征分析，提取目标区域的颜色与梯度信息属性，返回给ARM端，ARM端根据目标区域的颜色与梯度信息属性判断前一帧和后一帧是否属于同一人。
所述步骤3中，人脸检测的卷积粗筛选使用SVM训练得到的四组模板对特征图的各个尺度做滑窗卷积计算，每个特征有16个维度信息，卷积对应相乘求和得到当前特征点的得分，超过相应阈值的点则写入FIFO中；
进行卷积细筛选时，从FIFO中取出相应位置的数据，取到的特征点在其21*21的领域，SVM分类器通过训练挑选16个点，使用6*6的卷积核在9*9的范围内做搜索，搜索得到的最大卷积值和阈值做比较，超过设定的阈值则为目标点，将其将该坐标输出给软件层，否则丢弃。
所述步骤1中，进行特征提取时，对输入的图像进行15级缩放，每次缩小1.14倍，并对每次缩小后的图像进行提取图像梯度特征。
本发明核心在于使用低密度的ZYNQ器件实现了一整套行人检测跟踪，人脸抓拍等功能，通过深度优化灵活的FPGA设计架构，算法深度压缩检测模型，减少FPGA动态功耗，深度层级的流水线与满负荷运行计算的BRAM和DSP资源，我们实现了不低于25帧的实时检测。
附图说明
图1为ZYNQ***通信框图；
图2为本发明***框图；
图3为本发明视频输入与特征点提取流程图；
图4为本发明卷积加速架构。
具体实施方式
如图1所示，本发明揭示了一种基于ZYNQ的实时行人与人脸检测方法，其包括以下步骤：
步骤1、特征提取
如图2和图3所示，图像传感器通过UVC接口读入视频流，经过彩色图转灰度图处理，再使用中值滤波对原始图像做实时滤波处理，之后使用HOG算法提取图像特征，提取完成后将结果通过AXI总线写回内存。因为特征图数据量非常大，FPGA芯片上无法存储这么大容量的数据，但是DDR具有很大的存储空间，和高带宽，可以满足。
在使用HOG算法提图像特征时，全局使用流水线设计，进行了图像缩放，梯度计算，直方图统计，归一化，维度计算，PCA降维减少冗余数据处理等操作，从而完成图像特征的提取。
为了检测不同大小的目标物，我们做了15级缩放，每次缩小1.14倍，每次缩放后要将图片存到内存中以供下一级缩放使用；每次缩小后的图像对其进行提取图像梯度特征。每一级处理都实现实时流水线处理，所有计算过程满负荷运行，高度优化FPGA内部DSP，BRAM的计算和存储带宽。
对于HOG产生的向量维度，我们做了进一步的压缩，提取每个维度的主成分，方法为PCA降维，使用真双口RAM对其计算加速，同时输出两组PCA系数，为了在节省资源和调节流水线周期上取平衡，分两个时钟完成一个维度矩阵相乘累加计算能够最大化的提升效率和资源平衡。
步骤2、加载模型
如图2所示，提取到特征后，将行人模型和人脸模型经过ARM端软件通过AXI GP口加载到FPGA端，模型控制器根据不同的模型将其写入不同的RAM地址中，以供行人和人脸检测使用。模型控制器通过不同的配置方式，动态加载不同模型，以适配不同目标和不同尺寸。
上述模型使用SVM机器学习算法对大量经标定后的行人，人脸图片分多个方向模板训练，训练训练后得到各个方向的模板，训练后的模型不同方向有不同的模板大小，但是数据维度保持和特征图维度一致。
步骤3、结合加载的行人模型和人脸模型，对检测模块中的特征图进行行人检测和人脸检测。
如图2所示，行人检测分为两部分，首先需要使用行人模型对特征图进行卷积粗筛选，即root filter convolution模块，筛选后通过阈值的特征点再取出来对其邻域做进一步的局部细筛选，以确认当前点是否为目标点，即part filter convlotion模块。如果是，将其坐标和得分及其对应的模型方向存储到内存中，如果不是（得分不通过阈值）则将其丢弃，处理下一个点。
具体地，卷积粗筛选使用SVM训练得到的四组模板（正面，反面，左面，右面）对特征图的各个尺度做滑窗卷积计算，每个特征有16个维度信息，卷积对应相乘求和得到当前特征点的得分，超过相应阈值的点则写入FIFO中。
局部细筛选从FIFO中取出相应位置的数据，这样保证卷积粗筛选和局部细筛选两个模块能够并行工作。卷积粗筛选取到的特征点在其21*21的领域，SVM分类器通过训练挑选16个点，使用6*6的卷积核在9*9的范围内做搜索，搜索得到的最大卷积值和阈值做比较，超过设定的阈值将该坐标存储到内存中，否则丢弃。通过优化使用BRAM和DSP的使用，最大化利用其带宽和性能，BRAM接口设置为64bit，刚好利用xilinx 36k bram。一行同时做4个维度的卷积，根据模型的行数动态调整卷积并行的通道数，这样可以灵活支持不同的模型加载，同时将数据带宽和处理速度最大化提升。
人脸检测为：使用加载到FPGA端的人脸模型对特征图的各个尺度下做卷积滑窗，即face filter convolution模块，卷积求和得到的结果和模型的阈值做比较，超出阈值的即为目标点，然后将目标点的坐标和得分及其对应的模型方向存储到内存中。模型支持动态加载，RAM乒乓读写，最大化利用DSP带宽，使用DSP48内部加法器和进位链，模型使用分布式RAM存储，节省BRAM资源。卷积使用流水线滑窗实现，在完成一帧检测后，在RAM和DSP空闲时期将其输入输出口disable，节省不必要的bit翻转，节省功耗。
在行人检测和人脸检测过程，不限制图像中行人和人脸个数，支持多个目标同时检测。
行人检测过程中的卷积粗筛选和人脸检测过程中的卷积滑窗均采用如图4所示的卷积加速框架进行处理。具体的处理过程为：读取内存中，特征提取算法模块得到的各个尺度下特征图，将其读入到ram中做行缓存，并形成对应模型大小的窗口，做滑窗计算。模型是使用SVM算法训练得到的人脸或者头肩的各个方向的模型，并且模型大小不固定，支持动态配置，计算前，ARM将模型文件加载到存储模型的RAM中。模型数据和特征图数据从RAM中并行读出，做滑窗卷积计算。这里包含两种并行，一个是行并行（一次计算多个特征点），另一个是列并行，一个时钟并行处理多行特征数据。卷积求和得到的结果和模型的阈值做比较，超出阈值的即为目标点。
步骤4、在人脸和行人检测完成一帧后，将检测结果上传到ARM端进行人脸框合并，ARM端提取到兴趣坐标点，返回传输给FPGA端，FPGA端对其周边区域再次做图像特征分析，根据目标物特点，我们主要分析行人穿衣颜色与梯度信息。对邻域做直方图统计，和归一化，分析主要特征组成。该计算过程用于实现行人跟踪算法，FPGA端用于加速跟踪算法，提取目标区域的颜色与梯度信息属性，返回给ARM，用于计算前一帧和后一帧是否属于同一人，从而使得跟踪稳定。这一过程加速了***计算，提高检测速度。
行人有多种姿态，有正面，反面，左侧，右侧等多种方向姿态，其中只有正面有能够抓拍到人脸；人脸框合并指的是FPGA端检测出的多个目标，ARM根据坐标和框的重叠度判断，这个FPGA端检测出的临近的多个框是否是同一个人；当人脸框和头肩框当是同一人时，检测出的头肩框是包含人脸框的。这样可以根据框的包含关系知道当前这个头肩框和人脸框是否是同一个人，从而方便跟踪。这个合并后的框就是兴趣坐标点。
ARM端软件层根据计算得到的兴趣坐标点，生成命令，组成约定好的命令协议格式，发送给FPGA处理，FPGA接受命令后解析，提取需要计算的坐标点，进行FPGA端的颜色提取，加速***。
以上所述，仅是本发明实施例而已，并非对本发明的技术范围作任何限制，故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (3)

1.一种基于ZYNQ的实时行人与人脸检测方法，其特征在于：包括以下步骤：
步骤1、特征提取
在FPGA端，图像传感器通过UVC接口读入视频流，经过简单的图像预处理后对其进行色域空间转换，转换到RGB图像空间，然后使用HOG算法提取图像特征，提取完成后将结果传送给检测模块，以及通过AXI总线写回内存；
步骤2、加载模型
提取到特征后，将行人模型和人脸模型经过ARM端软件通过AXI GP口加载到FPGA端，模型控制器根据不同的模型写入不同的RAM地址中，以供行人和人脸检测使用；
所述行人模型和人脸模型使用SVM机器学习算法对大量经标定后的行人，人脸图片分多个方向模板训练，训练训练后得到各个方向的模板，训练后的模型不同方向有不同的模板大小，但是数据维度保持特征图维度一致；
步骤3、结合加载的行人模型和人脸模型，对检测模块中的特征图进行行人检测和人脸检测；
其中，行人检测分为两部分，首先使用行人模型对特征图进行卷积粗筛选，筛选后通过阈值的特征点再取出来对其邻域做进一步的局部细筛选，以确认当前点是否为目标点，如果是，将其坐标和得分及其对应的模型方向进行存储到内存中，如果不是则将其丢弃，处理下一个点；
人脸检测为：使用加载到FPGA端的人脸模型对特征图的各个尺度做卷积滑窗，卷积求和得到的结果，将该结果和模型的阈值做比较，超出阈值的即为目标点，将目标点的坐标和得分及其对应的模型方向存储到内存中；
当完成一帧图像的检测后，将行人检测和人脸检测得到的目标点信息上传到ARM端；
步骤4、ARM端接收目标点信息并进行行人脸框合并，然后提取兴趣坐标点，返回传输给FPGA端，FPGA端对兴趣坐标点周边区域再次做图像特征分析，提取目标区域的颜色与梯度信息属性，返回给ARM端，ARM端根据目标区域的颜色与梯度信息属性判断前一帧和后一帧是否属于同一人。
2.根据权利要求1所述的一种基于ZYNQ的实时行人与人脸检测方法，其特征在于：所述步骤3中，人脸检测的卷积粗筛选使用SVM训练得到的四组模板对特征图的各个尺度做滑窗卷积计算，每个特征有16个维度信息，卷积对应相乘求和得到当前特征点的得分，超过相应阈值的点则写入FIFO中；
进行卷积细筛选时，从FIFO中取出相应位置的数据，取到的特征点在其21*21的领域，SVM分类器通过训练挑选16个点，使用6*6的卷积核在9*9的范围内做搜索，搜索得到的最大卷积值和阈值做比较，超过设定的阈值则为目标点，将其将该坐标存储到内存中，否则丢弃。
3.根据权利要求1所述的一种基于ZYNQ的实时行人与人脸检测方法，其特征在于：所述步骤1中，进行特征提取时，对输入的图像进行15级缩放，每次缩小1.14倍，并对每次缩小后的图像进行提取图像梯度特征。
CN201810264288.1A 2018-03-28 2018-03-28 一种基于zynq的实时行人与人脸检测方法 Pending CN108564008A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810264288.1A CN108564008A (zh) 2018-03-28 2018-03-28 一种基于zynq的实时行人与人脸检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810264288.1A CN108564008A (zh) 2018-03-28 2018-03-28 一种基于zynq的实时行人与人脸检测方法

Publications (1)

Publication Number Publication Date
CN108564008A true CN108564008A (zh) 2018-09-21

Family

ID=63533103

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810264288.1A Pending CN108564008A (zh) 2018-03-28 2018-03-28 一种基于zynq的实时行人与人脸检测方法

Country Status (1)

Country Link
CN (1) CN108564008A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109376843A (zh) * 2018-10-12 2019-02-22 山东师范大学 基于fpga的脑电信号快速分类方法、实现方法及装置
CN109448026A (zh) * 2018-11-16 2019-03-08 南京甄视智能科技有限公司 基于头肩检测的客流统计方法和***
CN109492537A (zh) * 2018-10-17 2019-03-19 桂林飞宇科技股份有限公司 一种物体识别方法及装置
CN111223225A (zh) * 2020-02-11 2020-06-02 厦门瑞为信息技术有限公司 一套集成测温和人脸识别闸机伴侣的检测通行***
WO2020151156A1 (zh) * 2019-01-25 2020-07-30 平安科技（深圳）有限公司 视频流播放方法、***、计算机装置及可读存储介质
CN113111777A (zh) * 2021-04-12 2021-07-13 国网吉林省电力有限公司四平供电公司 基于arm平台的室内人员密度检测***及检测方法
CN114612956A (zh) * 2021-12-22 2022-06-10 中北大学南通智能光机电研究院 一种基于zynq的人脸检测识别加速装置和方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103177262A (zh) * 2013-02-19 2013-06-26 山东大学 基于hog和svm的行人检测***的fpga架构及其实现方法
US8548231B2 (en) * 2009-04-02 2013-10-01 Siemens Corporation Predicate logic based image grammars for complex visual pattern recognition
CN104361327A (zh) * 2014-11-20 2015-02-18 苏州科达科技股份有限公司 一种行人检测方法和***
CN105678767A (zh) * 2016-01-07 2016-06-15 无锡信捷电气股份有限公司 一种基于SoC软硬件协同设计的布匹表面瑕疵检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8548231B2 (en) * 2009-04-02 2013-10-01 Siemens Corporation Predicate logic based image grammars for complex visual pattern recognition
CN103177262A (zh) * 2013-02-19 2013-06-26 山东大学 基于hog和svm的行人检测***的fpga架构及其实现方法
CN104361327A (zh) * 2014-11-20 2015-02-18 苏州科达科技股份有限公司 一种行人检测方法和***
CN105678767A (zh) * 2016-01-07 2016-06-15 无锡信捷电气股份有限公司 一种基于SoC软硬件协同设计的布匹表面瑕疵检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王刚毅: ""交通标志检测与分类算法研究"", 《中国博士学位论文全文数据库》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109376843A (zh) * 2018-10-12 2019-02-22 山东师范大学 基于fpga的脑电信号快速分类方法、实现方法及装置
CN109492537A (zh) * 2018-10-17 2019-03-19 桂林飞宇科技股份有限公司 一种物体识别方法及装置
CN109492537B (zh) * 2018-10-17 2023-03-14 桂林飞宇科技股份有限公司 一种物体识别方法及装置
CN109448026A (zh) * 2018-11-16 2019-03-08 南京甄视智能科技有限公司 基于头肩检测的客流统计方法和***
WO2020151156A1 (zh) * 2019-01-25 2020-07-30 平安科技（深圳）有限公司 视频流播放方法、***、计算机装置及可读存储介质
CN111223225A (zh) * 2020-02-11 2020-06-02 厦门瑞为信息技术有限公司 一套集成测温和人脸识别闸机伴侣的检测通行***
CN113111777A (zh) * 2021-04-12 2021-07-13 国网吉林省电力有限公司四平供电公司 基于arm平台的室内人员密度检测***及检测方法
CN114612956A (zh) * 2021-12-22 2022-06-10 中北大学南通智能光机电研究院 一种基于zynq的人脸检测识别加速装置和方法

Similar Documents

Publication Publication Date Title
CN108564008A (zh) 一种基于zynq的实时行人与人脸检测方法
CN111160269A (zh) 一种人脸关键点检测方法及装置
JP7417555B2 (ja) 人体ポーズ分析システム及び方法
WO2021248733A1 (zh) 应用双分支三维卷积模型的人脸活体检测***、终端及存储介质
Stekas et al. Face recognition using local binary patterns histograms (LBPH) on an FPGA-based system on chip (SoC)
CN109859181A (zh) 一种pcb焊点缺陷检测方法
CN107688784A (zh) 一种基于深层特征和浅层特征融合的字符识别方法及存储介质
CN104268539A (zh) 一种高性能的人脸识别方法及***
CN104166841A (zh) 一种视频监控网络中指定行人或车辆的快速检测识别方法
CN103177262A (zh) 基于hog和svm的行人检测***的fpga架构及其实现方法
CN108182397B (zh) 一种多姿态多尺度的人脸验证方法
CN104573731A (zh) 基于卷积神经网络的快速目标检测方法
CN111738344A (zh) 一种基于多尺度融合的快速目标检测方法
CN109446922B (zh) 一种实时鲁棒的人脸检测方法
CN107798313A (zh) 一种人体姿态识别方法、装置、终端和存储介质
CN103310194A (zh) 视频中基于头顶像素点梯度方向的行人头肩部检测方法
WO2023151237A1 (zh) 人脸位姿估计方法、装置、电子设备及存储介质
CN107767416A (zh) 一种低分辨率图像中行人朝向的识别方法
CN108664839A (zh) 一种图像处理方法和设备
Le et al. An efficient hand detection method based on convolutional neural network
CN111539396A (zh) 一种基于yolov3的行人检测及步态识别的方法
CN109299702B (zh) 一种基于深度时空图的人体行为识别方法及***
Yu et al. Automatic segmentation of golden pomfret based on fusion of multi-head self-attention and channel-attention mechanism
CN114782979A (zh) 一种行人重识别模型的训练方法、装置、存储介质及终端
Zhang et al. Fully automatic system for fish biomass estimation based on deep neural network

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180921