CN108875805A - 基于深度学习的利用检测识别一体化提高检测精度的方法 - Google Patents
基于深度学习的利用检测识别一体化提高检测精度的方法 Download PDFInfo
- Publication number
- CN108875805A CN108875805A CN201810549264.0A CN201810549264A CN108875805A CN 108875805 A CN108875805 A CN 108875805A CN 201810549264 A CN201810549264 A CN 201810549264A CN 108875805 A CN108875805 A CN 108875805A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- image
- learning model
- classification
- 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
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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/05—Recognition of patterns representing particular kinds of hidden objects, e.g. weapons, explosives, drugs
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深度学习的利用检测识别一体化提高检测精度的方法,其中包括:将待检测物体的图像输入预设的用于物体检测的第一深度学习模型,以得到图像中多个物体的位置信息和对应的置信度;将得到的置信度与预设的置信度阈值的范围进行比较,并将置信度落在置信度阈值的范围内的物体信息根据对应的位置信息由图像中提取,将置信度落在置信度阈值的范围外的图像信息直接输出;将提取出的图像信息输入预设的用于物体识别的第二深度学习模型,并根据第二深度学习模型的识别结果对得到的物体信息进行修正,并在修正后作为检测结果输出。其串行使用物体检测和识别两个深度学习模型来对待检测物体的图像进行检测,显著提高了物体的检测精度。
Description
技术领域
本发明涉及物体检测技术领域,特别涉及一种基于深度学习的利用检测识别一体化提高检测精度的方法。
背景技术
目前,为了保证社会的安定团结,也为了保证了旅客游客以及各种公共场所的人身安全,在很多公共区域均设置了安全检查,安全检查的内容主要是检查旅客或游客及其行李物品中是否携带***、弹药、易燃、易爆、腐蚀、有毒放射性等危险物品,以确保公共场所内的人身、财产安全。例如在机场、火车站以及大型广场等公共场所均设置有安检设施。
但是,目前的安检设施大都采用物体检测器对行李物品等进行检测,物体检测器的检测网络常见的几种方式如下:单个网络训练和预测;并行多个检测网络执行检测后选取最优的结果进行显示;以及串行多个检测网络逐级优化后显示最终结果。上述几种方式均是依赖于物体检测技术,然而物体检测技术目前的成熟度并不高,因而在检测中检测精度较低,容易造成漏检或错检。
发明内容
本发明的一个目的是解决至少上述问题,并提供至少后面将说明的优点。
本发明还有一个目的是提供一种基于深度学习的利用检测识别一体化提高检测精度的方法,通过物体检测和物体识别一体化显著提高了物体的检测精度。
为了实现根据本发明的这些目的和其它优点,提供了一种基于深度学习的利用检测识别一体化提高检测精度的方法,主要包括以下步骤:
步骤1、将待检测物体的图像输入预设的用于物体检测的第一深度学习模型,以得到所述图像中多个物体的位置信息和对应的置信度;
步骤2、将步骤1得到的置信度与预设的置信度阈值的范围进行比较,并将置信度落在所述置信度阈值的范围内的物体信息根据对应的位置信息由所述图像中提取,将置信度落在所述置信度阈值的范围外的图像信息直接输出;
步骤3、将步骤2提取出的图像信息输入预设的用于物体识别的第二深度学习模型,并根据所述第二深度学习模型的识别结果对步骤2得到的物体信息进行修正,并在修正后作为检测结果输出。
优选的是,所述的基于深度学习的利用检测识别一体化提高检测精度的方法中,步骤1中得到的物体的置信度为物体的类别置信度。
优选的是,所述的基于深度学习的利用检测识别一体化提高检测精度的方法中,所述第一深度学习模型为基于物体检测卷积神经网络的深度学习模型;所述第二深度学习模型为基于物体识别卷积神经网络的深度学习模型,且所述第一深度学习模型和第二深度学习模型均通过各种物体的样本数据训练得到。
优选的是,所述的基于深度学习的利用检测识别一体化提高检测精度的方法中,通过各种物体的样本数据联合训练得到所述第一深度学习模型和第二深度学习模型的具体方法为:
步骤1-1、收集用于物体检测训练的图像,并在图像上标注需要检测的物体的位置信息和类别信息,以生成训练所需的数据库;
步骤1-2、由所述数据库内随机选取M个图像,并将选取的图像及对应的标注的位置信息和类别信息输入卷积神经网络,处理得到N个物体的位置信息及其类别置信度;
步骤1-3、从所述N个物体中选取X个物体作为正样本,并计算所述正样本的位置信息和类别置信度与所述正样本对应的图像上标注的相应物体的位置信息和类别信息的误差;
步骤1-4、从选取正样本后剩余的物体中选取Y个物体作为负样本,并计算所述负样本的类别置信度与所述负样本对应的图像上标注的相应物体的类别信息的误差;
步骤1-5、根据步骤1-3和步骤1-4得到的误差对步骤1-2中的卷积神经网络进行训练;
步骤1-6、将所述正样本和负样本对应的图像上的相应物体由图像上截取出来,并归一化至同一尺度后,输入至初级第二深度学习模型中,得到各个物体的类别信息;
步骤1-7、计算步骤1-6得到的各个物体的类别信息与图像上标注的物体的类别信息之间的误差,并根据得到的误差对所述初级第二深度学习模型进行训练;
步骤1-8、多次重复步骤1-2-1-7,对所述卷积神经网络进行多次训练即得所述第一深度学习模型;对所述初级第二深度学习模型进行多次训练即得所述第二深度学习模型。
优选的是,所述的基于深度学习的利用检测识别一体化提高检测精度的方法中,所述正样本的选择依据为:所述正样本为N个物体中位置信息与图像上标注的物体的位置信息具有重叠区域,且所述重叠区域大于1个阈值的物体;
所述负样本的选择依据为:所述负样本为N个物体中选取正样本后剩余的物体,按照置信度由高至低排列选取的物体,且使所述负样本的个数为正样本的3倍。
优选的是,所述的基于深度学习的利用检测识别一体化提高检测精度的方法中,根据步骤1-3和步骤1-4得到的类别置信度与对应的图像上标注的相应物体的类别信息的误差更新所述置信度阈值的范围。
优选的是,所述的基于深度学习的利用检测识别一体化提高检测精度的方法中,获得所述初级第二深度学习模型的方法为:
步骤2-1、收集用于物体识别训练的图像,并在图像上标注需要识别的物体的类别信息,以生成训练所需的识别数据库;
步骤2-2、由所述识别数据库内随机选取K个图像,并将选取的图像及对应的标注的类别信息输入卷积神经网络,处理得到各个物体的类别置信度;
步骤2-3、计算步骤2得到的各个物体的类别置信度与物体对应的图像上标注的类别信息间的误差;
步骤2-4、根据步骤2-3得到的误差对步骤2-2中的卷积神经网络进行训练;
步骤2-5、多次重复步骤2-2-2-4,对所述卷积神经网络进行多次训练,即得所述初级第二深度学习模型。
优选的是,所述的基于深度学习的利用检测识别一体化提高检测精度的方法中,根据误差采用反向传播算法和随机梯度下降法对卷积神经网络进行训练。
优选的是,所述的基于深度学习的利用检测识别一体化提高检测精度的方法中,所述步骤3中输出的检测结果为待检测物体的图像中物体所属的类别。
本发明至少包括以下有益效果:
本发明通过设置用于物体检测的第一深度学习模型和用于物体识别的第二深度学习模型,使得对于待检测物体的图像采用检测加识别一体化的检测方法,较之现有的采用单纯的检测器的检测方法,对于物体的检测精度显著提高,便于保证在安检等领域时物体识别的精确度,提高了安检的安全性。
通过预设置信度阈值,用户可以根据需要灵活设置或者通过模型训练该置信度阈值,以满足不同场合的应用需要,例如对于要求严格的场景,可以将置信度阈值范围设置的较大,而在广场等要求相对宽松的场景,可将置信度阈值范围设置的较小。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明所述的基于深度学习的利用检测识别一体化提高检测精度的方法的构架图;
图2为本发明联合训练得到所述的第一深度学习模型和第二深度学习模型的流程图;
图3为本发明所述方法的一个部署过程的流程图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
应当理解,本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
如图1所示,本发明提供一种基于深度学习的利用检测识别一体化提高检测精度的方法,主要包括以下步骤:
步骤1、将待检测物体的图像输入预设的用于物体检测的第一深度学习模型,以得到所述图像中多个物体的位置信息和对应的置信度;
步骤2、将步骤1得到的置信度与预设的置信度阈值的范围进行比较,并将置信度落在所述置信度阈值的范围内的物体信息根据对应的位置信息由所述图像中提取,将置信度落在所述置信度阈值的范围外的图像信息直接输出;
步骤3、将步骤2提取出的图像信息输入预设的用于物体识别的第二深度学习模型,并根据所述第二深度学习模型的识别结果对步骤2得到的物体信息进行修正,并在修正后作为检测结果输出。
在上述方案中,将待检测物体的图像输入第一深度学习模型后,第一深度学习模型获取图像中的多个物体的位置信息和对应的置信度,并将置信度与预设的置信度阈值范围进行比较,对于落在置信度阈值的范围内的物体信息即属于需检出的物体信息根据对应的位置信息由所述图像中提取,并将提取出的物体信息输入第二深度学习模型中,以利用物体识别技术对物体进行识别,从而利用识别结果对提取出的物体信息进行修正,即进一步提高了检测结果的精确度。且物体识别技术较之物体检测技术更为成熟,因而使得采用检测加识别一体化的检测方法对于物体的检测的精确度显著提高。
通过设置用于物体检测的第一深度学习模型和用于物体识别的第二深度学习模型,使得对于待检测物体的图像采用检测加识别一体化的检测方法,较之现有的采用单纯的检测器的检测方法,对于物体的检测精度显著提高,便于保证在安检等领域时物体识别的精确度,提高了安检的安全性;通过预设置信度阈值,用户可以根据需要灵活设置或者通过模型训练该置信度阈值,以满足不同场合的应用需要,例如对于要求严格的场景,可以将置信度阈值范围设置的较大,而在广场等要求相对宽松的场景,可将置信度阈值范围设置的较小。
一个优选方案中,步骤1中得到的物体的置信度为物体的类别置信度。
在上述方案中,物体检测主要应用于公共场所的安检中,因而需要检测出物品中是否含有刀具、***品、***等危险物品,因而在检测中需要主要检测出物体的类别。
一个优选方案中,所述第一深度学习模型为基于物体检测卷积神经网络的深度学习模型;所述第二深度学习模型为基于物体识别卷积神经网络的深度学习模型,且所述第一深度学习模型和第二深度学习模型均通过各种物体的样本数据训练得到。
在上述方案中,卷积神经网络是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现,因而基于卷积神经网络的深度学习模型对于图像的处理更加精确;深度学习模型通过各种物体的样本数据训练得到,例如在安检中所述各种物体为如***、弹药等各种违禁品,且其中针对同一物体的样本数据选择多份,从而使得深度学习模型涵盖的物体图像全面且准确,便于提高检测的准确度。
如图2所示,一个优选方案中,通过各种物体的样本数据联合训练得到所述第一深度学习模型和第二深度学习模型的具体方法为:
步骤1-1、收集用于物体检测训练的图像,并在图像上标注需要检测的物体的位置信息和类别信息,以生成训练所需的数据库。
步骤1-2、由所述数据库内随机选取M个图像,并将选取的图像及对应的标注的位置信息和类别信息输入卷积神经网络,处理得到N个物体的位置信息及其类别置信度。
步骤1-3、从所述N个物体中选取X个物体作为正样本,并计算所述正样本的位置信息和类别置信度与所述正样本对应的图像上标注的相应物体的位置信息和类别信息的误差。
步骤1-4、从选取正样本后剩余的物体中选取Y个物体作为负样本,并计算所述负样本的类别置信度与所述负样本对应的图像上标注的相应物体的类别信息的误差。
步骤1-5、根据步骤1-3和步骤1-4得到的误差对步骤1-2中的卷积神经网络进行训练。
步骤1-6、将所述正样本和负样本对应的图像上的相应物体由图像上截取出来,并归一化至同一尺度后,输入至初级第二深度学习模型中,得到各个物体的类别信息。
步骤1-7、计算步骤1-6得到的各个物体的类别信息与图像上标注的物体的类别信息之间的误差,并根据得到的误差对所述初级第二深度学习模型进行训练。
步骤1-8、多次重复步骤1-2-1-7,对所述卷积神经网络进行多次训练即得所述第一深度学习模型;对所述初级第二深度学习模型进行多次训练即得所述第二深度学习模型。
在上述方案中,通过在图像上对需检测物体进行标注,然后将选取的图像放入卷积神经网络中进行处理,处理得到的信息与标记信息进行误差计算,可以通过误差的校正使得最终训练得到的第一深度学习模型与实际图像更加贴合,从而提高了检测的精确度。同时,通过对2个网络进行联合训练和联合预测,串行一体化,能够使得物体检测模型和物体识别模型配合的更好,有利于提高物体检测的精确度。其中,正样本的意义在于表示需要检测出的物体,而负样本表示不需要检测出的物体。
另外,其中参数M和K均为大于1的整数,其数量主要根据训练时所用机器的显卡内存决定,一般是越大越好。N的值和网络的参数设置和输入图像分辨率相关。X为大于1的整数,其取值和所选图像中标注物体的个数有关。
一个优选方案中,所述正样本的选择依据为:所述正样本为N个物体中位置信息与图像上标注的物体的位置信息具有重叠区域,且所述重叠区域大于1个阈值的物体。
所述负样本的选择依据为:所述负样本为N个物体中选取正样本后剩余的物体,按照置信度由高至低排列选取的物体,且使所述负样本的个数为正样本的3倍。
在上述方案中,选取负样本的个数为正样本的3倍表示需要检测出的物体的出现概率为1,而不出现的概率为3,这是本领域现阶段的常用比例,但是针对不同的现实场景负样本的选取个数也可以根据场景需要进行修改。
一个优选方案中,根据步骤1-3和步骤1-4得到的类别置信度与对应的图像上标注的相应物体的类别信息的误差更新所述置信度阈值的范围。
在上述方案中,根据类别置信度与对应的图像上标注的相应物体的类别信息的误差信息更新置信度阈值的范围可以优化置信度阈值的范围值,使得最终获得最优的置信度阈值的范围值。
一个优选方案中,获得所述初级第二深度学习模型的方法为:
步骤2-1、收集用于物体识别训练的图像,并在图像上标注需要识别的物体的类别信息,以生成训练所需的识别数据库。
步骤2-2、由所述识别数据库内随机选取K个图像,并将选取的图像及对应的标注的类别信息输入卷积神经网络,处理得到各个物体的类别置信度。
步骤2-3、计算步骤2得到的各个物体的类别置信度与物体对应的图像上标注的类别信息间的误差。
步骤2-4、根据步骤2-3得到的误差对步骤2-2中的卷积神经网络进行训练。
步骤2-5、多次重复步骤2-2-2-4,对所述卷积神经网络进行多次训练,即得所述初级第二深度学习模型。
在上述方案中,通过在图像上对需检测物体进行标注,然后将选取的图像放入卷积神经网络中进行处理,处理得到的信息与标记信息进行误差计算,可以通过误差的校正使得最终训练得到的第二深度学习模型与实际图像更加贴合,从而提高了检测的精确度。
一个优选方案中,根据误差采用反向传播算法和随机梯度下降法对卷积神经网络进行训练或再训练。
在上述方案中,通过反向传播算法和随机梯度下降法对卷积神经网络进行训练或再训练是本领域常用的技术手段,能够显著提高生成的深度学习模型的精度。
一个优选方案中,所述步骤3中输出的检测结果为待检测物体的图像中物体所属的类别。
在上述方案中,通过输入物体的所属类别,能够使得用户对于检测结果一目了然,方便对于检测结果的了解和把握。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (9)
1.一种基于深度学习的利用检测识别一体化提高检测精度的方法,其中,主要包括以下步骤:
步骤1、将待检测物体的图像输入预设的用于物体检测的第一深度学习模型,以得到所述图像中多个物体的位置信息和对应的置信度;
步骤2、将步骤1得到的置信度与预设的置信度阈值的范围进行比较,并将置信度落在所述置信度阈值的范围内的物体信息根据对应的位置信息由所述图像中提取,将置信度落在所述置信度阈值的范围外的图像信息直接输出;
步骤3、将步骤2提取出的图像信息输入预设的用于物体识别的第二深度学习模型,并根据所述第二深度学习模型的识别结果对步骤2得到的物体信息进行修正,并在修正后作为检测结果输出。
2.如权利要求1所述的基于深度学习的利用检测识别一体化提高检测精度的方法,其中,步骤1中得到的物体的置信度为物体的类别置信度。
3.如权利要求2所述的基于深度学习的利用检测识别一体化提高检测精度的方法,其中,所述第一深度学习模型为基于物体检测卷积神经网络的深度学习模型;所述第二深度学习模型为基于物体识别卷积神经网络的深度学习模型,且所述第一深度学习模型和第二深度学习模型通过各种物体的样本数据联合训练得到。
4.如权利要求3所述的基于深度学习的利用检测识别一体化提高检测精度的方法,其中,通过各种物体的样本数据联合训练得到所述第一深度学习模型和第二深度学习模型的具体方法为:
步骤1-1、收集用于物体检测训练的图像,并在图像上标注需要检测的物体的位置信息和类别信息,以生成训练所需的数据库;
步骤1-2、由所述数据库内随机选取M个图像,并将选取的图像及对应的标注的位置信息和类别信息输入卷积神经网络,处理得到N个物体的位置信息及其类别置信度;
步骤1-3、从所述N个物体中选取X个物体作为正样本,并计算所述正样本的位置信息和类别置信度与所述正样本对应的图像上标注的相应物体的位置信息和类别信息的误差;
步骤1-4、从选取正样本后剩余的物体中选取Y个物体作为负样本,并计算所述负样本的类别置信度与所述负样本对应的图像上标注的相应物体的类别信息的误差;
步骤1-5、根据步骤1-3和步骤1-4得到的误差对步骤1-2中的卷积神经网络进行训练;
步骤1-6、将所述正样本和负样本对应的图像上的相应物体由图像上截取出来,并归一化至同一尺度后,输入至初级第二深度学习模型中,得到各个物体的类别信息;
步骤1-7、计算步骤1-6得到的各个物体的类别信息与图像上标注的物体的类别信息之间的误差,并根据得到的误差对所述初级第二深度学习模型进行训练;
步骤1-8、多次重复步骤1-2-1-7,对所述卷积神经网络进行多次训练即得所述第一深度学习模型;对所述初级第二深度学习模型进行多次训练即得所述第二深度学习模型。
5.如权利要求4所述的基于深度学习的利用检测识别一体化提高检测精度的方法,其中,所述正样本的选择依据为:所述正样本为N个物体中位置信息与图像上标注的物体的位置信息具有重叠区域,且所述重叠区域大于1个阈值的物体;
所述负样本的选择依据为:所述负样本为N个物体中选取正样本后剩余的物体,按照置信度由高至低排列选取的物体,且使所述负样本的个数为正样本的3倍。
6.如权利要求4所述的基于深度学习的利用检测识别一体化提高检测精度的方法,其中,根据步骤1-3和步骤1-4得到的类别置信度与对应的图像上标注的相应物体的类别信息的误差更新所述置信度阈值的范围。
7.如权利要求4所述的基于深度学习的利用检测识别一体化提高检测精度的方法,其中,获得所述初级第二深度学习模型的方法为:
步骤2-1、收集用于物体识别训练的图像,并在图像上标注需要识别的物体的类别信息,以生成训练所需的识别数据库;
步骤2-2、由所述识别数据库内随机选取K个图像,并将选取的图像及对应的标注的类别信息输入卷积神经网络,处理得到各个物体的类别置信度;
步骤2-3、计算步骤2得到的各个物体的类别置信度与物体对应的图像上标注的类别信息间的误差;
步骤2-4、根据步骤2-3得到的误差对步骤2-2中的卷积神经网络进行训练;
步骤2-5、多次重复步骤2-2-2-4,对所述卷积神经网络进行多次训练,即得所述初级第二深度学习模型。
8.如权利要求4或7所述的基于深度学习的利用检测识别一体化提高检测精度的方法,其中,根据误差采用反向传播算法和随机梯度下降法对卷积神经网络进行训练。
9.如权利要求1所述的基于深度学习的利用检测识别一体化提高检测精度的方法,其中,所述步骤3中输出的检测结果为待检测物体的图像中物体所属的类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810549264.0A CN108875805A (zh) | 2018-05-31 | 2018-05-31 | 基于深度学习的利用检测识别一体化提高检测精度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810549264.0A CN108875805A (zh) | 2018-05-31 | 2018-05-31 | 基于深度学习的利用检测识别一体化提高检测精度的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108875805A true CN108875805A (zh) | 2018-11-23 |
Family
ID=64336428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810549264.0A Pending CN108875805A (zh) | 2018-05-31 | 2018-05-31 | 基于深度学习的利用检测识别一体化提高检测精度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108875805A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109613183A (zh) * | 2019-01-03 | 2019-04-12 | 北京英视睿达科技有限公司 | 低精度监测设备数据的修定方法及*** |
CN109862394A (zh) * | 2019-03-27 | 2019-06-07 | 北京周同科技有限公司 | 视频内容的审核方法、装置、设备和存储介质 |
CN110838118A (zh) * | 2019-09-24 | 2020-02-25 | 上海联影智能医疗科技有限公司 | 用于医疗过程中异常检测的***和方法 |
CN111640103A (zh) * | 2020-05-29 | 2020-09-08 | 北京百度网讯科技有限公司 | 图像检测方法、装置、设备以及存储介质 |
CN111861986A (zh) * | 2020-06-09 | 2020-10-30 | 中国船舶重工集团公司第七一三研究所 | 一种基于x光机图像的正负数据集双向联合智能判图方法 |
CN111860510A (zh) * | 2020-07-29 | 2020-10-30 | 浙江大华技术股份有限公司 | 一种x光图像目标检测方法及装置 |
CN112016387A (zh) * | 2019-07-08 | 2020-12-01 | 杭州芯影科技有限公司 | 适用于毫米波安检仪的违禁品识别方法和装置 |
CN112509334A (zh) * | 2020-12-03 | 2021-03-16 | 深圳杰睿联科技有限公司 | 一种车辆违章管理***、方法及存储介质 |
CN113610820A (zh) * | 2021-08-12 | 2021-11-05 | 上海数依数据科技有限公司 | 一种基于深度学习算法的工位目标检测*** |
CN113960687A (zh) * | 2020-07-03 | 2022-01-21 | 株式会社日立解决方案 | X射线图像处理装置及x射线图像处理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295678A (zh) * | 2016-07-27 | 2017-01-04 | 北京旷视科技有限公司 | 神经网络训练与构建方法和装置以及目标检测方法和装置 |
CN106355188A (zh) * | 2015-07-13 | 2017-01-25 | 阿里巴巴集团控股有限公司 | 图像检测方法及装置 |
WO2017213932A1 (en) * | 2016-06-06 | 2017-12-14 | Mutualink, Inc. | System and method for distributed intelligent pattern recognition |
CN107871119A (zh) * | 2017-11-01 | 2018-04-03 | 西安电子科技大学 | 一种基于目标空间知识和两阶段预测学习的目标检测方法 |
-
2018
- 2018-05-31 CN CN201810549264.0A patent/CN108875805A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355188A (zh) * | 2015-07-13 | 2017-01-25 | 阿里巴巴集团控股有限公司 | 图像检测方法及装置 |
WO2017213932A1 (en) * | 2016-06-06 | 2017-12-14 | Mutualink, Inc. | System and method for distributed intelligent pattern recognition |
CN106295678A (zh) * | 2016-07-27 | 2017-01-04 | 北京旷视科技有限公司 | 神经网络训练与构建方法和装置以及目标检测方法和装置 |
US20180032840A1 (en) * | 2016-07-27 | 2018-02-01 | Beijing Kuangshi Technology Co., Ltd. | Method and apparatus for neural network training and construction and method and apparatus for object detection |
CN107871119A (zh) * | 2017-11-01 | 2018-04-03 | 西安电子科技大学 | 一种基于目标空间知识和两阶段预测学习的目标检测方法 |
Non-Patent Citations (2)
Title |
---|
SHAOQING REN 等: "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", 《PROCEEDINGS OF THE 2015 INTERNATIONAL CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS》 * |
俞汝劼 等: "基于深度卷积神经网络的航空器检测与识别", 《计算机应用》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109613183A (zh) * | 2019-01-03 | 2019-04-12 | 北京英视睿达科技有限公司 | 低精度监测设备数据的修定方法及*** |
CN109862394A (zh) * | 2019-03-27 | 2019-06-07 | 北京周同科技有限公司 | 视频内容的审核方法、装置、设备和存储介质 |
CN112016387A (zh) * | 2019-07-08 | 2020-12-01 | 杭州芯影科技有限公司 | 适用于毫米波安检仪的违禁品识别方法和装置 |
CN110838118A (zh) * | 2019-09-24 | 2020-02-25 | 上海联影智能医疗科技有限公司 | 用于医疗过程中异常检测的***和方法 |
CN111640103A (zh) * | 2020-05-29 | 2020-09-08 | 北京百度网讯科技有限公司 | 图像检测方法、装置、设备以及存储介质 |
CN111861986A (zh) * | 2020-06-09 | 2020-10-30 | 中国船舶重工集团公司第七一三研究所 | 一种基于x光机图像的正负数据集双向联合智能判图方法 |
CN113960687A (zh) * | 2020-07-03 | 2022-01-21 | 株式会社日立解决方案 | X射线图像处理装置及x射线图像处理方法 |
CN111860510A (zh) * | 2020-07-29 | 2020-10-30 | 浙江大华技术股份有限公司 | 一种x光图像目标检测方法及装置 |
CN112509334A (zh) * | 2020-12-03 | 2021-03-16 | 深圳杰睿联科技有限公司 | 一种车辆违章管理***、方法及存储介质 |
CN113610820A (zh) * | 2021-08-12 | 2021-11-05 | 上海数依数据科技有限公司 | 一种基于深度学习算法的工位目标检测*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875805A (zh) | 基于深度学习的利用检测识别一体化提高检测精度的方法 | |
Li et al. | Automatic detection and classification system of domestic waste via multimodel cascaded convolutional neural network | |
CN111553236B (zh) | 基于道路前景图像的路面病害目标检测与实例分割方法 | |
CN109784203B (zh) | 基于分层传播和激活的弱监督x光图像违禁品检查方法 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN109815997A (zh) | 基于深度学习的识别车辆损伤的方法和相关装置 | |
CN109446925A (zh) | 一种基于卷积神经网络的电力设备检测算法 | |
CN108710913A (zh) | 一种基于深度学习的开关柜图像开关状态自动识别方法 | |
CN104615986B (zh) | 利用多检测器对场景变化的视频图像进行行人检测的方法 | |
CN113269073A (zh) | 一种基于yolo v5算法的船舶多目标追踪方法 | |
CN110533051B (zh) | 基于卷积神经网络的x光安检图像中违禁品自动检测方法 | |
CN105574063A (zh) | 基于视觉显著性的图像检索方法 | |
CN109740676A (zh) | 基于相似目标的物体检测迁移方法 | |
CN112712093B (zh) | 安检图像识别方法、装置、电子设备及存储介质 | |
CN106127733B (zh) | 人体目标识别的方法和装置 | |
CN110309843B (zh) | 一种电力设备图像中多类部件的自动识别方法 | |
CN109344740A (zh) | 人脸识别***、方法及计算机可读存储介质 | |
CN111242144B (zh) | 电网设备异常的检测方法和装置 | |
CN103886030B (zh) | 基于代价敏感决策树的信息物理融合***数据分类方法 | |
CN101504781A (zh) | 有价文件识别方法及装置 | |
CN110210433A (zh) | 一种基于深度学习的集装箱箱号检测与识别方法 | |
CN106991363A (zh) | 一种人脸检测的方法和装置 | |
CN114140665A (zh) | 一种基于改进YOLOv5的密集小目标检测方法 | |
CN108536749A (zh) | 基于碰撞检测法构建人员轨迹视图的方法 | |
CN117274774A (zh) | 一种基于YOLOv7的X射线安检图像危险品检测算法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181123 |
|
RJ01 | Rejection of invention patent application after publication |