CN108647682A - 一种基于区域卷积神经网络模型的品牌Logo检测与识别方法 - Google Patents
一种基于区域卷积神经网络模型的品牌Logo检测与识别方法 Download PDFInfo
- Publication number
- CN108647682A CN108647682A CN201810479069.5A CN201810479069A CN108647682A CN 108647682 A CN108647682 A CN 108647682A CN 201810479069 A CN201810479069 A CN 201810479069A CN 108647682 A CN108647682 A CN 108647682A
- Authority
- CN
- China
- Prior art keywords
- logo
- region
- convolutional neural
- neural networks
- networks model
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于区域卷积神经网络模型的品牌Logo检测与识别方法,方法步骤如下:步骤1、进行原始数据集扩充,得到规模达到进行区域卷积神经网络模型训练要求的扩充的数据集;步骤2、利用扩充后的数据集对区域卷积神经网络模型进行训练;步骤3、基于区域卷积神经网络对输入图像进行Logo检测与识别。本发明进行原始数据集扩充、深度学习网络模型训练、基于区域卷积神经网络的Logo检测与识别,实现了复杂背景下多种Logo的检测与识别。
Description
技术领域
本发明属于目标检测与识别技术领域,具体涉及一种基于区域卷积神经网络模型的品牌Logo检测与识别方法。
背景技术
Logo检测与识别技术主要是通过对输入图像的一系列处理工作,然后在图像中找出Logo所在的区域并判定目标区域Logo的具体类别。在当今的日常生产生活中,Logo检测与识别技术在城市智能交通、文档检索分类、品牌溯源追踪、商业广告分析等领域都有着巨大的应用前景。虽然目前关于目标与检测技术的研究已经相对比较成熟,但是由于在不同的应用场景下,待检测目标的背景差异、形变差异等都会导致目标检测难度的提升,所以目前进行目标检测与识别技术在不同场景中的应用还存在一定的难度和研究空间。传统的Logo检测与识别技术的研究大多以文档中的单一Logo为研究基础,其设计的背景较为简单,Logo种类单一。
传统的Logo检测识别与识别算法大多采用“金字塔”式滑动窗口的机制和简单机器学习算法相结合的方式进行相关研究,其大体思想是通过可变大小的滑动窗口逐步遍历输入图像中的每个区域,然后对该区域的图像进行不变特征提取,最后用Adaboost、SVM(Support Vector Machine)等分类器对提取特征进行分类。现阶段随着R-CNN算法思想的提出,本文研究出了一种基于区域卷积神经网络的Logo检测与识别算法。
发明内容
本发明的目的在于:解决了传统Logo检测与识别技术以单一Logo和简单背景为研究基础,难以应用于复杂背景的Logo检测与识别的问题,提供了基于区域卷积神经网络模型中的区域卷积神经网络,实现复杂背景下多种Logo的检测与识别的一种基于区域卷积神经网络模型的品牌Logo检测与识别方法。
本发明采用的技术方案如下:
一种基于区域卷积神经网络模型的品牌Logo检测与识别方法,方法步骤如下:
步骤1、进行原始数据集扩充,得到规模达到进行区域卷积神经网络模型训练要求的扩充的数据集;
步骤2、利用扩充后的数据集对区域卷积神经网络模型进行训练;
步骤3、基于区域卷积神经网络对输入图像进行Logo检测与识别。
进一步,所述步骤1具体为:
步骤11、利用网络爬虫技术和手工标注相结合的方式进行品牌Logo原始数据集的构建;
步骤12、获取原始数据集中所包含的所有透明背景格式的Logo图像;
步骤13、获取不含原始数据集中的Logo的图像,并归一化处理图像至指定像素;
步骤14、将步骤12获取的原始数据集中的每种Logo进行仿射变换,然后和步骤13中得到的图像进行合成,合成得到的图像并入原始数据集,得到扩充的数据集。
进一步,所述步骤2具体为:
步骤21、利用选择性搜索算法对得到的扩充的数据集中的每张图像进行候选区域获取;
步骤22、计算步骤21获取的候选区域坐标与Logo区域真正的区域坐标的IoU值,进行候选区域样本分类,记IoU>0.5的区域为正样本,其余的区域为负样本;
步骤23、利用步骤22得到的正负样本对区域卷积神经网络模型进行训练,模型中Softmax分类器的输出维度为Logo种类数加1。
进一步,所述步骤23中区域卷积神经网络模型选取CaffeNet和VGGG16两种网络模型。
进一步,所述步骤3具体为:
步骤31、利用选择性搜索算法获取输入图像所有的候选区域,将输入图像和获取的候选区域坐标作为区域卷积神经网络模型的输入;
步骤32:根据目标Logo区域的特征,进行步骤31得到的候选区域的二次筛选,将长宽比或宽长比大于4的区域剔除;
步骤33:将整个图像输入到区域卷积神经网络进行整个图像的特征值的计算和提取;
步骤34:基于步骤32的图像候选区域和步骤33得到的图像的特征值,利用RoI池化层完成对图像候选区域到候选区域特征值的映射计算;
步骤35:利用softmax分类器对候选区域特征值进行分类,得到logo分类,并输出候选区域的概率向量;
步骤36:最后使用位置回归器进行目标Logo区域位置回归并进行目标Logo区域的提取。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明中,进行原始数据集扩充、区域卷积神经网络模型训练、基于区域卷积神经网络的Logo检测与识别,实现了复杂背景下多种Logo的检测与识别;
2、本发明中,提出的利用图像合成技术进行数据集的扩充方案,可以非常有效的进行Logo检测与识别数据集的扩充;
3、本发明中,采用的基于去与卷积神经网络的Logo检测与识别方法,与传统的Logo检测识别方法相比,其可以显著提升检测识别效果,同时与人工选取特征进行分类相比,基于区域卷积神经网络模型的检测识别算法具有更高的迁移性;
4、本发明中,区域卷积神经网络模型选取CaffeNet和VGGG16两种网络模型,CaffeNet模型的识别mAP值为69.6,VGG16模型的识别mAP值为70.6,识别精确度高;
5、本发明中,利用RoI池化层完成对图像候选区域到特征值候选区域的映射计算,与对每个候选区域进行卷积操作相比,RoI池化层可以极大程度减少卷积操作运算量;
6、本发明中,利用位置回归器进行目标Logo区域位置回归可以提升检测识别算法效果3个百分点。
附图说明
图1为本发明方法流程图;
图2为本发明步骤3方法流程图;
图3为本发明步骤3方法流程图;
图4为本发明实施例透明背景Logo效果图;
图5为本发明实施例步骤14中图像合成效果图;
图6为本发明实施例识别与检测效果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
一种基于区域卷积神经网络模型的品牌Logo检测与识别方法,方法步骤如下:
步骤1、进行原始数据集扩充,得到规模达到进行区域卷积神经网络模型训练要求的扩充的数据集,具体为:
步骤11、利用网络爬虫技术和手工标注相结合的方式进行品牌Logo原始数据集的构建;
步骤12、获取原始数据集中所包含的所有透明背景格式的Logo图像,采用透明背景的Logo进行图像合成,其可以保证合成图像中Logo区域背景的多样化,从而更接近真实情况:
步骤13、获取不含原始数据集中的Logo的图像,并归一化处理图像至指定像素,这里长宽不大于800像素;
步骤14、将步骤12获取的原始数据集中的每种Logo进行仿射变换,可进行几百至几万次缩放、旋转、平移操作的仿射变换,然后和步骤13中得到的图像进行合成,合成得到的图像并入原始数据集,得到扩充的数据集,进行Logo的仿射变换的目的是尽可能模拟自然拍摄图片中Logo的形变情况。
步骤2、利用扩充后的数据集对区域卷积神经网络模型进行训练,具体为:
步骤21、利用选择性搜索算法对得到的扩充的数据集中的每张图像进行候选区域获取;
步骤22、计算步骤21获取的候选区域坐标与Logo区域真正的区域坐标的IoU值,进行候选区域样本分类,记IoU>0.5的区域为正样本,其余的区域为负样本;
步骤23、利用步骤22得到的正负样本对区域卷积神经网络模型进行训练,模型中Softmax分类器的输出维度为Logo种类数加1,即把背景区域作为一种Logo进行分类处理,此处可以选取CaffeNet和VGGG16两种网络模型进行训练。
步骤3、基于区域卷积神经网络进行Logo检测与识别,流程图如图2和图3所示,具体为:
步骤31、利用选择性搜索算法获取输入图像所有的候选区域,将输入图像和获取的候选区域坐标作为区域卷积神经网络模型的输入;
步骤32:根据目标Logo区域的特征,进行步骤31得到的候选区域的二次筛选,将长宽比或宽长比大于4的区域剔除;
步骤33:将整个图像输入到卷积神经网络进行整个图像的特征值的计算和提取;
步骤34:基于步骤32的图像候选区域和步骤33得到的图像的特征值,利用RoI池化层完成对图像候选区域到候选区域特征值的映射计算,与对每个候选区域进行卷积操作相比,RoI池化层可以极大程度减少卷积操作运算量;
步骤35:利用softmax分类器对候选区域特征值进行分类,得到logo分类,并输出候选区域的概率向量,每个候选区域经过softmax分类器得到这个候选区域是哪类Logo,如果不是Logo则归为background,即把background当成一类特殊logo,softmax的最终输出结果是一个概率向量,我们最终选取概率值最大的一个维度作为结果;
步骤36:最后使用位置回归器进行目标Logo区域位置回归并进行目标Logo区域的提取,就是对每个候选区域进行一个坐标平移或缩放变换,使得包含Logo的区域更加准确,有可能某个logo区域中只包含3/4个logo,位置回归器回归后尽可能会包含整个logo。
方法的流程图如图1所示。
实施例1
一种基于区域卷积神经网络模型的品牌Logo检测与识别方法,对运动品牌Logo进行检测与识别,步骤如下:
步骤1、进行原始数据集扩充,得到规模达到进行区域卷积神经网络模型训练要求的扩充的数据集,具体为:
步骤11、利用网络爬虫技术和手工标注相结合的方式进行运动品牌Logo原始数据集的构建,构建的数据集为FlickrSprotLogos-10;
步骤12、获取原始数据集中所包含的所有透明背景格式的Logo图像,透明背景Logo效果如附图4所示;
步骤13、获取不含原始数据集中的Logo的图像,采用了SUN397数据集,并归一化处理图像至长宽不大于800像素;
步骤14、将步骤12获取的原始数据集中的每种Logo进行一万次缩放、旋转、平移操作的仿射变换,然后和步骤13中得到的图像进行合成,合成效果如附图5所示,合成得到的图像并入原始数据集,得到扩充的数据集。
步骤2、利用扩充后的数据集对区域卷积神经网络模型进行训练,具体为:
步骤21、利用选择性搜索算法对得到的扩充的数据集中的每张图像进行候选区域获取;
步骤22、计算步骤21获取的候选区域坐标与Logo区域真正的区域坐标的IoU值,进行候选区域样本分类,记IoU>0.5的区域为正样本,其余的区域为负样本;
步骤23、利用步骤22得到的正负样本对区域卷积神经网络模型进行训练,模型中Softmax分类器的输出维度为Logo种类数加1,即把背景区域作为一种Logo进行分类处理,此处选取CaffeNet和VGGG16两种网络模型进行训练。
步骤3、基于区域卷积神经网络进行Logo检测与识别,具体为:
步骤31、利用选择性搜索算法获取输入图像所有的候选区域,将输入图像和获取的候选区域坐标作为区域卷积神经网络模型的输入;
步骤32:根据目标Logo区域的特征,进行步骤31得到的候选区域的二次筛选,将长宽比或宽长比大于4的区域剔除;
步骤33:将整个图像输入到卷积神经网络进行整个图像的特征值的计算和提取;
步骤34:基于步骤32的图像候选区域和步骤33得到的图像的特征值,利用RoI池化层完成对图像候选区域到候选区域特征值的映射计算;
步骤35:利用softmax分类器对候选区域特征值进行分类,得到logo分类,并输出候选区域的概率向量,每个候选区域经过softmax分类器得到这个候选区域是哪类Logo,如果不是Logo则归为background,即把background当成一类特殊logo,softmax的最终输出结果是一个概率向量,最终选取概率值最大的一个维度作为结果;
步骤36:最后使用位置回归器进行目标Logo区域位置回归并进行目标Logo区域的提取,就是对每个候选区域进行一个坐标平移或缩放变换,使得包含Logo的区域更加准确,有可能某个logo区域中只包含3/4个logo,位置回归器回归后尽可能会包含整个logo。
实施例1的识别与检测效果如图6所示。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于区域卷积神经网络的品牌Logo检测与识别方法,其特征在于:方法步骤如下:
步骤1、进行原始数据集扩充,得到规模达到进行区域卷积神经网络模型训练要求的扩充的数据集;
步骤2、利用扩充后的数据集对区域卷积神经网络模型进行训练;
步骤3、基于区域卷积神经网络模型对输入图像进行Logo检测与识别。
2.根据权利要求1所述的一种基于区域卷积神经网络模型的品牌Logo检测与识别方法,其特征在于:所述步骤1具体为:
步骤11、利用网络爬虫技术和手工标注相结合的方式进行品牌Logo原始数据集的构建;
步骤12、获取原始数据集中所包含的所有透明背景格式的Logo图像;
步骤13、获取不含原始数据集中的Logo的图像,并归一化处理图像至指定像素;
步骤14、将步骤12获取的原始数据集中的每种Logo进行仿射变换,然后和步骤13中得到的图像进行合成,合成得到的图像并入原始数据集,得到扩充的数据集。
3.根据权利要求1所述的一种基于区域卷积神经网络模型的品牌Logo检测与识别方法,其特征在于:所述步骤2具体为:
步骤21、利用选择性搜索算法对得到的扩充的数据集中的每张图像进行候选区域获取;
步骤22、计算步骤21获取的候选区域坐标与Logo区域真正的区域坐标的IoU值,进行候选区域样本分类,记IoU>0.5的区域为正样本,其余的区域为负样本;
步骤23、利用步骤22得到的正负样本对区域卷积神经网络模型进行训练,模型中Softmax分类器的输出维度为Logo种类数加1。
4.根据权利要求3所述的一种基于区域卷积神经网络模型的品牌Logo检测与识别方法,其特征在于:所述步骤23中区域卷积神经网络模型选取CaffeNet和VGGG16两种网络模型。
5.根据权利要求1所述的一种基于区域卷积神经网络模型的品牌Logo检测与识别方法,其特征在于:所述步骤3具体为:
步骤31、利用选择性搜索算法获取输入图像所有的候选区域,将输入图像和获取的候选区域坐标作为区域卷积神经网络模型的输入;
步骤32:根据目标Logo区域的特征,进行步骤31得到的候选区域的二次筛选,将长宽比或宽长比大于4的区域剔除;
步骤33:将整个图像输入到区域卷积神经网络进行整个图像的特征值的计算和提取;
步骤34:基于步骤32的图像候选区域和步骤33得到的图像的特征值,利用RoI池化层完成对图像候选区域到候选区域特征值的映射计算;
步骤35:利用softmax分类器对候选区域特征值进行分类,得到logo分类,并输出候选区域的概率向量;
步骤36:最后使用位置回归器进行目标Logo区域位置回归并进行目标Logo区域的提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810479069.5A CN108647682A (zh) | 2018-05-17 | 2018-05-17 | 一种基于区域卷积神经网络模型的品牌Logo检测与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810479069.5A CN108647682A (zh) | 2018-05-17 | 2018-05-17 | 一种基于区域卷积神经网络模型的品牌Logo检测与识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108647682A true CN108647682A (zh) | 2018-10-12 |
Family
ID=63756833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810479069.5A Pending CN108647682A (zh) | 2018-05-17 | 2018-05-17 | 一种基于区域卷积神经网络模型的品牌Logo检测与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108647682A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359207A (zh) * | 2018-12-24 | 2019-02-19 | 焦点科技股份有限公司 | 一种易于快速迭代更新的Logo检测方法 |
CN109472757A (zh) * | 2018-11-15 | 2019-03-15 | 央视国际网络无锡有限公司 | 一种基于生成对抗神经网络的图像去台标方法 |
CN109800698A (zh) * | 2019-01-11 | 2019-05-24 | 北京邮电大学 | 基于深度网络的图标检测方法 |
CN110147753A (zh) * | 2019-05-17 | 2019-08-20 | 电子科技大学 | 一种检测图像中小物体的方法及装置 |
CN110222689A (zh) * | 2019-06-19 | 2019-09-10 | 山东浪潮人工智能研究院有限公司 | 一种基于深度学习的西洋银器戳记识别方法 |
CN110930360A (zh) * | 2019-10-21 | 2020-03-27 | 北京海益同展信息科技有限公司 | 禽蛋检测、图像处理方法、装置、电子设备及存储介质 |
CN111860499A (zh) * | 2020-07-01 | 2020-10-30 | 电子科技大学 | 一种基于特征分组的双线性卷积神经网络的汽车品牌识别方法 |
CN112036421A (zh) * | 2019-05-16 | 2020-12-04 | 搜狗(杭州)智能科技有限公司 | 一种图像处理方法、装置和电子设备 |
CN113780284A (zh) * | 2021-09-17 | 2021-12-10 | 焦点科技股份有限公司 | 一种基于目标检测和度量学习的logo检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077577A (zh) * | 2014-07-03 | 2014-10-01 | 浙江大学 | 一种基于卷积神经网络的商标检测方法 |
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*** |
CN107798335A (zh) * | 2017-08-28 | 2018-03-13 | 浙江工业大学 | 一种融合滑动窗口与Faster R‑CNN卷积神经网络的车标识别方法 |
-
2018
- 2018-05-17 CN CN201810479069.5A patent/CN108647682A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077577A (zh) * | 2014-07-03 | 2014-10-01 | 浙江大学 | 一种基于卷积神经网络的商标检测方法 |
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*** |
CN107798335A (zh) * | 2017-08-28 | 2018-03-13 | 浙江工业大学 | 一种融合滑动窗口与Faster R‑CNN卷积神经网络的车标识别方法 |
Non-Patent Citations (4)
Title |
---|
HANG SU 等: "Deep Learning Logo Detection with Data Expansion by Synthesising Context", 《HTTP://WWW.EECS.QMUL.AC.UK/~SGG/PAPERS/SUETAL_WACV2017.PDF》 * |
SHAOQING REN 等: "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
SHUO WEI 等: "Automatic image segmentation based on PCNN with adaptive threshold time constant", 《NEUROCOMPUTING》 * |
江玉朝 等: "面向 Logo 识别的合成数据生成方法研究", 《网络与信息安全学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472757B (zh) * | 2018-11-15 | 2020-06-09 | 央视国际网络无锡有限公司 | 一种基于生成对抗神经网络的图像去台标方法 |
CN109472757A (zh) * | 2018-11-15 | 2019-03-15 | 央视国际网络无锡有限公司 | 一种基于生成对抗神经网络的图像去台标方法 |
CN109359207B (zh) * | 2018-12-24 | 2021-01-22 | 焦点科技股份有限公司 | 一种易于快速迭代更新的Logo检测方法 |
CN109359207A (zh) * | 2018-12-24 | 2019-02-19 | 焦点科技股份有限公司 | 一种易于快速迭代更新的Logo检测方法 |
CN109800698A (zh) * | 2019-01-11 | 2019-05-24 | 北京邮电大学 | 基于深度网络的图标检测方法 |
CN109800698B (zh) * | 2019-01-11 | 2021-02-19 | 北京邮电大学 | 基于深度学习的图标检测方法、图标检测***和存储介质 |
CN112036421A (zh) * | 2019-05-16 | 2020-12-04 | 搜狗(杭州)智能科技有限公司 | 一种图像处理方法、装置和电子设备 |
CN110147753A (zh) * | 2019-05-17 | 2019-08-20 | 电子科技大学 | 一种检测图像中小物体的方法及装置 |
CN110222689A (zh) * | 2019-06-19 | 2019-09-10 | 山东浪潮人工智能研究院有限公司 | 一种基于深度学习的西洋银器戳记识别方法 |
CN110930360A (zh) * | 2019-10-21 | 2020-03-27 | 北京海益同展信息科技有限公司 | 禽蛋检测、图像处理方法、装置、电子设备及存储介质 |
CN111860499A (zh) * | 2020-07-01 | 2020-10-30 | 电子科技大学 | 一种基于特征分组的双线性卷积神经网络的汽车品牌识别方法 |
CN111860499B (zh) * | 2020-07-01 | 2022-07-12 | 电子科技大学 | 一种基于特征分组的双线性卷积神经网络的汽车品牌识别方法 |
CN113780284A (zh) * | 2021-09-17 | 2021-12-10 | 焦点科技股份有限公司 | 一种基于目标检测和度量学习的logo检测方法 |
CN113780284B (zh) * | 2021-09-17 | 2024-04-19 | 焦点科技股份有限公司 | 一种基于目标检测和度量学习的logo检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647682A (zh) | 一种基于区域卷积神经网络模型的品牌Logo检测与识别方法 | |
Shi et al. | Road detection from remote sensing images by generative adversarial networks | |
CN103955702B (zh) | 基于深度rbf网络的sar图像地物分类方法 | |
CN106447658B (zh) | 基于全局和局部卷积网络的显著性目标检测方法 | |
CN104866810B (zh) | 一种深度卷积神经网络的人脸识别方法 | |
CN105809198B (zh) | 基于深度置信网络的sar图像目标识别方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN110175613A (zh) | 基于多尺度特征和编解码器模型的街景图像语义分割方法 | |
CN108256424A (zh) | 一种基于深度学习的高分辨率遥感图像道路提取方法 | |
CN110135354B (zh) | 一种基于实景三维模型的变化检测方法 | |
CN110457982A (zh) | 一种基于特征迁移学习的作物病害图像识别方法 | |
CN108960404B (zh) | 一种基于图像的人群计数方法及设备 | |
CN112347970B (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
CN110633708A (zh) | 一种基于全局模型和局部优化的深度网络显著性检测方法 | |
CN105046197A (zh) | 基于聚类的多模板行人检测方法 | |
CN106611423B (zh) | 基于脊波滤波器和反卷积结构模型的sar图像分割方法 | |
CN114187450A (zh) | 一种基于深度学习的遥感图像语义分割方法 | |
CN107766890A (zh) | 一种细粒度识别中判别性图块学习的改进方法 | |
CN108122003A (zh) | 一种基于深度神经网络的弱小目标识别方法 | |
CN109993803A (zh) | 城市色调的智能分析与评价方法 | |
CN114694038A (zh) | 基于深度学习的高分辨率遥感影像分类方法及*** | |
CN110334656A (zh) | 基于信源概率加权的多源遥感图像水体提取方法及装置 | |
CN112633140A (zh) | 多光谱遥感图像城中村多类别建筑物语义分割方法及*** | |
CN109635726A (zh) | 一种基于对称式深度网络结合多尺度池化的滑坡识别方法 | |
CN105956610B (zh) | 一种基于多层编码结构的遥感图像地形分类方法 |
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 |