CN110287849A - 一种适用于树莓派的轻量化深度网络图像目标检测方法 - Google Patents

一种适用于树莓派的轻量化深度网络图像目标检测方法 Download PDF

Info

Publication number
CN110287849A
CN110287849A CN201910534572.0A CN201910534572A CN110287849A CN 110287849 A CN110287849 A CN 110287849A CN 201910534572 A CN201910534572 A CN 201910534572A CN 110287849 A CN110287849 A CN 110287849A
Authority
CN
China
Prior art keywords
network
depth
image
convolution
characteristic pattern
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
Application number
CN201910534572.0A
Other languages
English (en)
Other versions
CN110287849B (zh
Inventor
任坤
黄泷
范春奇
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.)
China Industrial Internet (Beijing) Technology Group Co.,Ltd.
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201910534572.0A priority Critical patent/CN110287849B/zh
Publication of CN110287849A publication Critical patent/CN110287849A/zh
Application granted granted Critical
Publication of CN110287849B publication Critical patent/CN110287849B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • 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
    • 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
    • G06N3/08—Learning methods
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

一种适用于树莓派的轻量化深度网络图像目标检测方法，属于深度学***台上难以实现以及基于轻量化网络的图像目标检测方法在树莓派平台上检测准确率低的困难。

Description

一种适用于树莓派的轻量化深度网络图像目标检测方法
技术领域
本发明属于深度学习和目标检测领域，具体涉及一种适用于树莓派的轻量化深度网络图像目标检测方法。
背景技术
目标检测是计算机视觉中的一项基本任务。目标检测的主要目的是从输入图像或视频中定位感兴趣的对象，准确地对每个对象的类别进行分类，并为每个对象提供边界框。早期的目标检测技术采用手工提取特征的方法，将手工提取的特征与分类器相结合，实现目标检测任务。手工提取特征的方法不仅复杂，且提取到的特征不具有良好的表达能力和鲁棒性，因此研究者提出基于卷积神经网络的目标检测方法。卷积神经网络可以自主地学习到图像的有用特征，不仅节省了人工设计特征的局限性，还提高了目标检测的准确性。这些优点使得基于卷积神经网络的方法迅速取代传统方法成为目标检测领域的主流研究方向。
目前，基于卷积神经网络的图像目标检测模型通过加深网络层级来优化网络模型，以提升检测准确性。随着网络层级的加深，训练模型所需的硬件资源从普通硬件平台变为大规模高性能服务器，大规模的密集计算使得在资源有限的微型计算平台(如树莓派)中实现深度检测模型变得困难。针对上述问题，目前的技术方案主要是对深度卷积神经网络进行压缩与加速，减少网络参数和计算量，使深度神经网络模型的内存占用和计算力满足低配置的要求，但代价是检测准确性能大幅下降。
发明内容
为了解决上述技术问题，本发明旨在提供一种适用于树莓派的轻量化深度网络图像目标检测方法，克服了基于深度神经网络的图像目标检测方法在树莓派平台上难以实现以及基于轻量化网络的图像目标检测方法在树莓派平台上检测准确率低的困难。
为了实现上述技术目的，本发明的技术方案为：
一种适用于树莓派的轻量化深度网络图像目标检测方法，包括以下步骤：
(1)收集含有待检测目标的图像，将收集到的图像进行预处理，用于网络训练；
(2)将步骤(1)预处理后得到的图像输入深度可分离扩张卷积神经网络进行特征提取，得到不同分辨率特征图；
(3)选取步骤(2)得到的不同分辨率特征图输入特征金字塔网络进行特征融合，生成携带更加丰富信息的融合特征图；
(4)将步骤(3)生成的融合特征图输入检测网络进行待检测目标的分类与定位，最后进行非极大值抑制，得到最优的目标检测结果。
进一步地，步骤(1)的具体过程如下：
(a)选择待检测的目标类别，采集包含这些类别目标的图像，对目标进行标记，即对每张图像中出现的每一个待检测目标标注出其边界框和类别信息；
(b)采集的图像数量较少时，利用已有的图像进行数据增强操作。采用翻转、平移、旋转或加噪声等方法创造出更多的图像，使得训练的神经网络具有更好的效果；
(c)将图像分辨率统一转化为224*224以适应输入尺寸；
(d)将图像进行基于正负样本数目的优化，划分得到训练图像集和测试图像集。
进一步地，步骤(2)的具体过程如下：
(A)输入图像首先通过7*7的标准卷积块进行初步特征提取，得到112*112*64特征图，其中，64表示特征图的通道数；
(B)步骤(A)中得到的112*112*64特征图依次经过3个深度可分离卷积块的深度特征提取，分别得到56*56*256、28*28*512、14*14*1024的特征图；
(C)步骤(B)中得到的14*14*1024特征图经过深度可分离扩展卷积块的最终特征提取，得到14*14*1024分辨率的特征图。
其中，步骤(B)中的深度可分离卷积块能够大幅压缩网络参数，具体解释如下：
3*3标准卷积采用Hi*Wi*M的输入张量Li，并采用3*3*M*N的卷积核Ks得到Hi*Wi*N的输出张量Lj，其中Hi，Wi分别表示输入图像的长度和宽度，M表示输入特征图的通道数，N表示输出特征图的通道数，3*3表示卷积核的空间维度。3*3标准卷积需要计算成本为：
Hi*Wi*M*N*3*3。
深度可分离卷积将标准卷积分解为两个步骤：3*3深度卷积和1*1逐点卷积。3*3深度卷积对每个输入特征图仅使用单个卷积核进行卷积。然后，逐点卷积将深度卷积层的输出与1*1卷积核进行线性组合。
深度可分离卷积采用Hi*Wi*M的输入张量Li，并采用3*3*1*M的深度卷积核Kd得到Hi*Wi*1的输出张量Lj，之后采用1*1*M*N的逐点卷积核Kp得到Hi*Wi*N的输出张量Lk。深度可分离卷积需要计算成本为：
Hi*Wi*M*3*3+M*N*3*3
深度可分离卷积通过将卷积表示为过滤和组合的过程，与传统卷积相比，深度可分卷积的计算成本仅为传统卷积的
其中，逐点卷积(1*1)后采用ReLU层进行非线性化，避免梯度消失，并增加网络稀疏性以避免过拟合。而深度卷积(3*3)后不加ReLU层以保证特征图间的信息流通并减少计算。
此外，步骤(C)中的深度可分离扩张卷积块能够在不增加网络参数量的情况下，有效地扩大卷积核的感受野，提高目标的回归率与定位精度。
进一步地，步骤(3)的具体过程如下：
(Ⅰ)将步骤(2)特征提取得到的28*28*512、14*14*1024特征图分别经过1*1卷积操作，将通道数统一为256，得到28*28*256、14*14*256特征图；
(Ⅱ)将步骤(Ⅰ)中得到的多个不同空间分辨率的特征图通过上采样调整至相同分辨率后进行拼接处理，生成携带更加丰富信息的56*56*256、28*28*256、14*14*256融合特征图。
进一步地，步骤(4)的具体过程如下：
(i)将步骤(Ⅱ)中得到的融合特征图作为输入，对输入特征图的每一个像素生成多个默认框，之后分别由定位子网络和分类子网络进行检测。检测值包含两个部分：边界框位置和类别置信度；
(ii)定位子网络对每一个默认框预测一个边界框；分类子网络对每一个默认框预测其所有类别的置信度；
(iii)使用非极大值抑制对多个预测框内的目标类别置信度及预测框相对默认框的位置偏移量进行抑制，将目标损失函数为最小值的预测框选为最优预测框，得到最优的预测框内的目标类别及预测框位置。
其中，步骤(iii)中的检测网络的目标损失函数L(x,l,c,g)由分类损失函数Lconf(x,c)和定位损失函数Lloc(x,l,g)组成：
其中，x为特征图上的默认框，l为预测框，c为特征图上的默认框在每个类别上的置信度预测值，g为真实框，Lconf(x,c)表示特征图上的默认框在类别得分集合c上的softmax分类损失函数，Lloc(x,l,g)表示位置损失函数，N表示与真实框所匹配的默认框数量，权重系数α通过交叉验证设置为1。
检测网络通过优化损失函数来实现更为准确的目标定位与分类。
采用上述技术方案带来的有益效果：
本发明提出采用深度可分离卷积的方法，减少了特征图中冗余信息，在极小的精度损失下实现了网络参数的大幅压缩，对硬件内存和计算力要求降低；引入深度可分离扩张卷积增加特征图的感受野，在不增加网络参数的前提下，增强小目标检测效果与目标定位精度；利用特征金字塔进行多尺度特征融合，使得所有尺度下的特征都有丰富的图像信息，进一步提高了小目标的检测与目标定位精度。本发明的方法具有低内存占用和低计算力需求的优点，可以实现树莓派平台上的目标检测任务。
附图说明
图1本发明的流程示意图；
图2本发明的模型结构图；
具体实施方式
为了使本发明方法的目的，技术方案以及优点更加清楚明白，以下结合附图及实例解释本发明，并不用于限定本发明：
步骤1、收集含有待检测目标的图像，将收集到的图像进行预处理，用于网络训练。
选择待检测的目标类别，然后采集大量包含这些类别目标的图像，对目标进行标记，即对每张图像中出现的每一个待检测目标标注出其边界框和类别信息；
采集的图像数量较少时，利用已有的图像进行数据增强操作。采用翻转、平移、旋转或加噪声等方法创造出更多的图像，使得训练的神经网络具有更好的效果；
将图像分辨率统一转化为224*224以适应输入尺寸；
将图像进行基于正负样本数目的优化，划分得到训练图像集和测试图像集。
步骤2、将步骤1预处理后得到的图像输入深度可分离扩张卷积神经网络进行特征提取，得到不同分辨率特征图。
在阶段1中，224*224的输入图像通过步幅为2的7*7标准卷积下采样，输出112*112*64的特征图。
在阶段2中，对112*112*64的输入特征图使用3*3最大池化层进行下采样，再经过3个深度可分离卷积层进行特征提取，输出56*56*256的特征图。
在阶段3中，对56*56*256的输入特征图用步幅2的3*3深度可分离卷积层进行下采样，再经过3个深度可分离卷积层进行特征提取，输出28*28*512的特征图。
在阶段4中，对28*28*512的输入特征图用步幅2的3*3深度可分离卷积层进行下采样，再经过5个深度可分离卷积层进行特征提取，输出14*14*1024的特征图。
在阶段5中，对14*14的输入特征图使用扩张率2的深度可分离卷积层，在扩展感受野的同时保持特征图的空间分辨率不变，输出14*14 1024的特征图。
步骤3、选取步骤2中得到的不同分辨率特征图输入特征金字塔网络进行特征融合，生成携带更加丰富信息的融合特征图。
阶段2～5最终输出的特征图分别经过1*1卷积将通道数统一为256。
特征图A经过1*1卷积，与阶段4输出的14*14特征图B进行融合，得到14*14特征图AB。
特征图AB进行上采样，得到28*28特征图，之后与阶段3输出的28*28特征图C融合得到特征图ABC。
特征图ABC进行上采样，得到56*56特征图，之后与阶段2输出的56*56特征图D融合得到特征图ABCD。
步骤4、将步骤3中生成的融合特征图输入检测网络进行待检测目标的分类与定位，最后进行非极大值抑制，得到最优的目标检测结果。
将步骤3中得到的融合特征图作为输入，对输入特征图的每一个像素生成4个默认框，之后分别由定位子网络和分类子网络进行检测。检测值包含两个部分：边界框位置和类别置信度；
定位子网络对每一个默认框产生一个预测框；分类子网络对每一个默认框预测其所有类别的置信度；
使用非极大值抑制对多个预测框内的目标类别置信度及预测框相对默认框的位置偏移量进行抑制，将目标损失函数为最小值的预测框选为最优预测框，得到最优的预测框内的目标类别及预测框位置。
其中，目标损失函数L(x,l,c,g)由分类损失函数Lconf(x,c)和定位损失函数Lloc(x,l,g)组成：
其中，x为特征图上的默认框，l为预测框，c为特征图上的默认框在每个类别上的置信度预测值，g为真实框，Lconf(x,c)表示特征图上的默认框在类别得分集合c上的softmax分类损失函数，Lloc(x,l,g)表示位置损失函数，N表示与真实框所匹配的默认框数量，权重系数α通过交叉验证设置为1。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所作的任何改动，均落入本发明保护范围之内。

Claims (7)

1.一种适用于树莓派的轻量化深度网络图像目标检测方法，其特征在于，包括以下步骤：
(1)收集含有待检测目标的图像，将收集到的图像进行预处理，用于网络训练；
(2)将步骤(1)预处理后得到的图像输入深度可分离扩张卷积神经网络进行特征提取，得到不同分辨率特征图；
(3)选取步骤(2)得到的不同分辨率特征图输入特征金字塔网络进行特征融合，生成携带更加丰富信息的融合特征图；
(4)将步骤(3)生成的融合特征图输入检测网络进行待检测目标的分类与定位，最后进行非极大值抑制，得到最优的目标检测结果。
2.如权利要求1所述的适用于树莓派的轻量化深度网络图像目标检测方法，其特征在于，步骤(1)的具体过程如下：
(a)选择待检测的目标类别，采集包含这些类别目标的图像，对目标进行标记，即对每张图像中出现的每一个待检测目标标注出其边界框和类别信息；
(b)采集的图像数量较少时，利用已有的图像进行数据增强操作；
(c)将图像分辨率统一转化为224*224以适应输入尺寸；
(d)将图像进行基于正负样本数目的优化，划分得到训练图像集和测试图像集。
3.如权利要求1所述的适用于树莓派的轻量化深度网络图像目标检测方法，其特征在于，步骤(2)的具体过程如下：
(A)输入图像首先通过7*7的标准卷积块进行初步特征提取，得到112*112*64特征图，其中，64表示特征图的通道数；
(B)步骤(A)中得到的112*112*64特征图依次经过3个深度可分离卷积块的深度特征提取，分别得到56*56*256、28*28*512、14*14*1024的特征图；
(C)步骤(B)中得到的14*14*1024特征图经过深度可分离扩展卷积块的最终特征提取，得到14*14*1024分辨率的特征图。
4.如权利要求3所述的适用于树莓派的轻量化深度网络图像目标检测方法，其特征在于，步骤(B)中的深度可分离卷积块能够大幅压缩网络参数，具体解释如下：
3*3标准卷积采用Hi*Wi*M的输入张量Li，并采用3*3*M*N的卷积核Ks得到Hi*Wi*N的输出张量Lj，其中Hi，Wi分别表示输入图像的长度和宽度，M表示输入特征图的通道数，N表示输出特征图的通道数，3*3表示卷积核的空间维度；3*3标准卷积需要计算成本为：
Hi*Wi*M*N*3*3；
深度可分离卷积将标准卷积分解为两个步骤：3*3深度卷积和1*1逐点卷积；3*3深度卷积对每个输入特征图仅使用单个卷积核进行卷积；然后，逐点卷积将深度卷积层的输出与1*1卷积核进行线性组合；
深度可分离卷积采用Hi*Wi*M的输入张量Li，并采用3*3*1*M的深度卷积核Kd得到Hi*Wi*1的输出张量Lj，之后采用1*1*M*N的逐点卷积核Kp得到Hi*Wi*N的输出张量Lk；深度可分离卷积需要计算成本为：
Hi*Wii*M*3*3+M*N*3*3。
5.如权利要求1所述的适用于树莓派的轻量化深度网络图像目标检测方法，其特征在于，步骤(3)的具体过程如下：
(Ⅰ)将步骤(2)特征提取得到的28*28*512、14*14*1024特征图分别经过1*1卷积操作，将通道数统一为256，得到28*28*256、14*14*256特征图；
(Ⅱ)将步骤(Ⅰ)中得到的多个不同空间分辨率的特征图通过上采样调整至相同分辨率后进行拼接处理，生成携带更加丰富信息的56*56*256、28*28*256、14*14*256融合特征图。
6.如权利要求1所述的适用于树莓派的轻量化深度网络图像目标检测方法，其特征在于，步骤(4)的具体过程如下：
(i)将步骤(3)中得到的融合特征图作为输入，对输入特征图的每一个像素生成多个默认框，之后分别由定位子网络和分类子网络进行检测；检测值包含两个部分：边界框位置和类别置信度；
(ii)定位子网络对每一个默认框预测一个边界框；分类子网络对每一个默认框预测其所有类别的置信度；
(iii)使用非极大值抑制对多个预测框内的目标类别置信度及预测框相对默认框的位置偏移量进行抑制，将目标损失函数为最小值的预测框选为最优预测框，得到最优的预测框内的目标类别及预测框位置。
7.如权利要求6所述的适用于树莓派的轻量化深度网络图像目标检测方法，其特征在于，步骤(iii)中，检测网络的目标损失函数L(x,l,c,g)由分类损失函数Lconf(x,c)和定位损失函数Lloc(x,l,g)组成：
其中，x为特征图上的默认框，l为预测框，c为特征图上的默认框在每个类别上的置信度预测值，g为真实框，Lconf(x,c)表示特征图上的默认框在类别得分集合c上的softmax分类损失函数，Lloc(x,l,g)表示位置损失函数，N表示与真实框所匹配的默认框数量，权重系数α通过交叉验证设置为1。
CN201910534572.0A 2019-06-20 2019-06-20 一种适用于树莓派的轻量化深度网络图像目标检测方法 Active CN110287849B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910534572.0A CN110287849B (zh) 2019-06-20 2019-06-20 一种适用于树莓派的轻量化深度网络图像目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910534572.0A CN110287849B (zh) 2019-06-20 2019-06-20 一种适用于树莓派的轻量化深度网络图像目标检测方法

Publications (2)

Publication Number Publication Date
CN110287849A true CN110287849A (zh) 2019-09-27
CN110287849B CN110287849B (zh) 2022-01-07

Family

ID=68004845

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910534572.0A Active CN110287849B (zh) 2019-06-20 2019-06-20 一种适用于树莓派的轻量化深度网络图像目标检测方法

Country Status (1)

Country Link
CN (1) CN110287849B (zh)

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991305A (zh) * 2019-11-27 2020-04-10 厦门大学 一种遥感图像下的飞机检测方法及存储介质
CN111008562A (zh) * 2019-10-31 2020-04-14 北京城建设计发展集团股份有限公司 一种特征图深度融合的人车目标检测方法
CN111047630A (zh) * 2019-11-13 2020-04-21 芯启源(上海)半导体科技有限公司 神经网络和基于神经网络的目标检测及深度预测方法
CN111191508A (zh) * 2019-11-28 2020-05-22 浙江省北大信息技术高等研究院 人脸识别方法及装置
CN111199227A (zh) * 2019-12-20 2020-05-26 广西柳州联耕科技有限公司 一种高精度图像识别方法
CN111199220A (zh) * 2020-01-21 2020-05-26 北方民族大学 电梯内人员检测与人数统计的轻量化深度神经网络方法
CN111204452A (zh) * 2020-02-10 2020-05-29 北京建筑大学 基于微型飞行器的目标检测***
CN111242122A (zh) * 2020-01-07 2020-06-05 浙江大学 一种轻量级深度神经网络旋转目标检测方法和***
CN111325784A (zh) * 2019-11-29 2020-06-23 浙江省北大信息技术高等研究院 一种无监督位姿与深度计算方法及***
CN111340141A (zh) * 2020-04-20 2020-06-26 天津职业技术师范大学(中国职业培训指导教师进修中心) 一种基于深度学习的作物幼苗与杂草检测方法及***
CN111666836A (zh) * 2020-05-22 2020-09-15 北京工业大学 M-f-y型轻量化卷积神经网络的高分辨率遥感影像目标检测方法
CN112115970A (zh) * 2020-08-12 2020-12-22 南京理工大学 一种基于层次回归的轻量级图像探测农业驱鸟方法及***
CN112115914A (zh) * 2020-09-28 2020-12-22 北京市商汤科技开发有限公司 目标检测方法及装置、电子设备和存储介质
CN112132001A (zh) * 2020-09-18 2020-12-25 深圳大学 一种用于iPSC的自动追踪和质量控制方法及终端设备
CN112183203A (zh) * 2020-08-26 2021-01-05 北京工业大学 一种基于多尺度像素特征融合的实时交通标志检测方法
CN112183291A (zh) * 2020-09-22 2021-01-05 上海蜜度信息技术有限公司 一种图像中极小物体检测方法及***、存储介质及终端
CN112347936A (zh) * 2020-11-07 2021-02-09 南京天通新创科技有限公司 一种基于深度可分离卷积的快速目标检测方法
CN112435236A (zh) * 2020-11-23 2021-03-02 河北工业大学 一种多阶段草莓果实检测方法
CN112507872A (zh) * 2020-12-09 2021-03-16 中科视语(北京)科技有限公司 人体头肩区域的定位方法、定位装置和电子设备
CN113270156A (zh) * 2021-04-29 2021-08-17 甘肃路桥建设集团有限公司 基于图像处理的机制砂石粉的检测建模、检测方法及***
CN113420651A (zh) * 2021-06-22 2021-09-21 四川九洲电器集团有限责任公司 深度卷积神经网络的轻量化方法、***及目标检测方法
CN113468992A (zh) * 2021-06-21 2021-10-01 四川轻化工大学 基于轻量化卷积神经网络的施工现场安全帽佩戴检测方法
CN113487551A (zh) * 2021-06-30 2021-10-08 佛山市南海区广工大数控装备协同创新研究院 基于深度学习提升密集目标性能的垫片检测方法及装置
CN113642662A (zh) * 2021-08-24 2021-11-12 凌云光技术股份有限公司 一种基于轻量化分类模型的分类检测方法及装置
US20210365724A1 (en) * 2020-05-20 2021-11-25 Electronics And Telecommunications Research Institute Object detection system and an object detection method
CN113971731A (zh) * 2021-10-28 2022-01-25 燕山大学 一种目标检测方法、装置及电子设备
CN114462555A (zh) * 2022-04-13 2022-05-10 国网江西省电力有限公司电力科学研究院 基于树莓派的多尺度特征融合配电网设备识别方法
CN115719445A (zh) * 2022-12-20 2023-02-28 齐鲁工业大学 一种基于深度学习和树莓派4b模块的海产品识别方法
WO2023165024A1 (zh) * 2022-03-01 2023-09-07 北京交通大学 一种二值化目标检测神经网络结构和模型的训练方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180068463A1 (en) * 2016-09-02 2018-03-08 Artomatix Ltd. Systems and Methods for Providing Convolutional Neural Network Based Image Synthesis Using Stable and Controllable Parametric Models, a Multiscale Synthesis Framework and Novel Network Architectures
CN108229442A (zh) * 2018-02-07 2018-06-29 西南科技大学 基于ms-kcf的图像序列中人脸快速稳定检测方法
CN108288075A (zh) * 2018-02-02 2018-07-17 沈阳工业大学 一种改进ssd的轻量化小目标检测方法
CN109214406A (zh) * 2018-05-16 2019-01-15 长沙理工大学 基于D-MobileNet神经网络图像分类方法
CN109344821A (zh) * 2018-08-30 2019-02-15 西安电子科技大学 基于特征融合和深度学习的小目标检测方法
CN109784298A (zh) * 2019-01-28 2019-05-21 南京航空航天大学 一种基于深度学习的室外非固定场景天气识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180068463A1 (en) * 2016-09-02 2018-03-08 Artomatix Ltd. Systems and Methods for Providing Convolutional Neural Network Based Image Synthesis Using Stable and Controllable Parametric Models, a Multiscale Synthesis Framework and Novel Network Architectures
CN108288075A (zh) * 2018-02-02 2018-07-17 沈阳工业大学 一种改进ssd的轻量化小目标检测方法
CN108229442A (zh) * 2018-02-07 2018-06-29 西南科技大学 基于ms-kcf的图像序列中人脸快速稳定检测方法
CN109214406A (zh) * 2018-05-16 2019-01-15 长沙理工大学 基于D-MobileNet神经网络图像分类方法
CN109344821A (zh) * 2018-08-30 2019-02-15 西安电子科技大学 基于特征融合和深度学习的小目标检测方法
CN109784298A (zh) * 2019-01-28 2019-05-21 南京航空航天大学 一种基于深度学习的室外非固定场景天气识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨俊: "基于卷积神经网络的目标检测研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111008562B (zh) * 2019-10-31 2023-04-18 北京城建设计发展集团股份有限公司 一种特征图深度融合的人车目标检测方法
CN111008562A (zh) * 2019-10-31 2020-04-14 北京城建设计发展集团股份有限公司 一种特征图深度融合的人车目标检测方法
CN111047630A (zh) * 2019-11-13 2020-04-21 芯启源(上海)半导体科技有限公司 神经网络和基于神经网络的目标检测及深度预测方法
CN111047630B (zh) * 2019-11-13 2023-06-13 芯启源(上海)半导体科技有限公司 神经网络和基于神经网络的目标检测及深度预测方法
CN110991305B (zh) * 2019-11-27 2023-04-07 厦门大学 一种遥感图像下的飞机检测方法及存储介质
CN110991305A (zh) * 2019-11-27 2020-04-10 厦门大学 一种遥感图像下的飞机检测方法及存储介质
CN111191508A (zh) * 2019-11-28 2020-05-22 浙江省北大信息技术高等研究院 人脸识别方法及装置
CN111325784A (zh) * 2019-11-29 2020-06-23 浙江省北大信息技术高等研究院 一种无监督位姿与深度计算方法及***
CN111199227A (zh) * 2019-12-20 2020-05-26 广西柳州联耕科技有限公司 一种高精度图像识别方法
CN111242122A (zh) * 2020-01-07 2020-06-05 浙江大学 一种轻量级深度神经网络旋转目标检测方法和***
CN111242122B (zh) * 2020-01-07 2023-09-08 浙江大学 一种轻量级深度神经网络旋转目标检测方法和***
CN111199220A (zh) * 2020-01-21 2020-05-26 北方民族大学 电梯内人员检测与人数统计的轻量化深度神经网络方法
CN111199220B (zh) * 2020-01-21 2023-04-28 北方民族大学 电梯内人员检测与人数统计的轻量化深度神经网络方法
CN111204452A (zh) * 2020-02-10 2020-05-29 北京建筑大学 基于微型飞行器的目标检测***
CN111204452B (zh) * 2020-02-10 2021-07-16 北京建筑大学 基于微型飞行器的目标检测***
CN111340141A (zh) * 2020-04-20 2020-06-26 天津职业技术师范大学(中国职业培训指导教师进修中心) 一种基于深度学习的作物幼苗与杂草检测方法及***
US11593587B2 (en) * 2020-05-20 2023-02-28 Electronics And Telecommunications Research Institute Object detection system and an object detection method
US20210365724A1 (en) * 2020-05-20 2021-11-25 Electronics And Telecommunications Research Institute Object detection system and an object detection method
CN111666836B (zh) * 2020-05-22 2023-05-02 北京工业大学 M-f-y型轻量化卷积神经网络的高分辨率遥感影像目标检测方法
CN111666836A (zh) * 2020-05-22 2020-09-15 北京工业大学 M-f-y型轻量化卷积神经网络的高分辨率遥感影像目标检测方法
CN112115970A (zh) * 2020-08-12 2020-12-22 南京理工大学 一种基于层次回归的轻量级图像探测农业驱鸟方法及***
CN112183203A (zh) * 2020-08-26 2021-01-05 北京工业大学 一种基于多尺度像素特征融合的实时交通标志检测方法
CN112183203B (zh) * 2020-08-26 2024-05-28 北京工业大学 一种基于多尺度像素特征融合的实时交通标志检测方法
CN112132001A (zh) * 2020-09-18 2020-12-25 深圳大学 一种用于iPSC的自动追踪和质量控制方法及终端设备
CN112132001B (zh) * 2020-09-18 2023-09-08 深圳大学 一种用于iPSC的自动追踪和质量控制方法及终端设备
CN112183291A (zh) * 2020-09-22 2021-01-05 上海蜜度信息技术有限公司 一种图像中极小物体检测方法及***、存储介质及终端
CN112115914B (zh) * 2020-09-28 2023-04-07 北京市商汤科技开发有限公司 目标检测方法及装置、电子设备和存储介质
CN112115914A (zh) * 2020-09-28 2020-12-22 北京市商汤科技开发有限公司 目标检测方法及装置、电子设备和存储介质
CN112347936A (zh) * 2020-11-07 2021-02-09 南京天通新创科技有限公司 一种基于深度可分离卷积的快速目标检测方法
CN112435236B (zh) * 2020-11-23 2022-08-16 河北工业大学 一种多阶段草莓果实检测方法
CN112435236A (zh) * 2020-11-23 2021-03-02 河北工业大学 一种多阶段草莓果实检测方法
WO2022121075A1 (zh) * 2020-12-09 2022-06-16 中科视语(北京)科技有限公司 人体头肩区域的定位方法、定位装置和电子设备
CN112507872A (zh) * 2020-12-09 2021-03-16 中科视语(北京)科技有限公司 人体头肩区域的定位方法、定位装置和电子设备
CN113270156A (zh) * 2021-04-29 2021-08-17 甘肃路桥建设集团有限公司 基于图像处理的机制砂石粉的检测建模、检测方法及***
CN113468992A (zh) * 2021-06-21 2021-10-01 四川轻化工大学 基于轻量化卷积神经网络的施工现场安全帽佩戴检测方法
CN113420651A (zh) * 2021-06-22 2021-09-21 四川九洲电器集团有限责任公司 深度卷积神经网络的轻量化方法、***及目标检测方法
CN113487551A (zh) * 2021-06-30 2021-10-08 佛山市南海区广工大数控装备协同创新研究院 基于深度学习提升密集目标性能的垫片检测方法及装置
CN113487551B (zh) * 2021-06-30 2024-01-16 佛山市南海区广工大数控装备协同创新研究院 基于深度学习提升密集目标性能的垫片检测方法及装置
CN113642662A (zh) * 2021-08-24 2021-11-12 凌云光技术股份有限公司 一种基于轻量化分类模型的分类检测方法及装置
CN113642662B (zh) * 2021-08-24 2024-02-20 凌云光技术股份有限公司 一种基于轻量化分类模型的分类检测方法及装置
CN113971731A (zh) * 2021-10-28 2022-01-25 燕山大学 一种目标检测方法、装置及电子设备
WO2023165024A1 (zh) * 2022-03-01 2023-09-07 北京交通大学 一种二值化目标检测神经网络结构和模型的训练方法
CN114462555A (zh) * 2022-04-13 2022-05-10 国网江西省电力有限公司电力科学研究院 基于树莓派的多尺度特征融合配电网设备识别方法
US11631238B1 (en) 2022-04-13 2023-04-18 Iangxi Electric Power Research Institute Of State Grid Method for recognizing distribution network equipment based on raspberry pi multi-scale feature fusion
CN114462555B (zh) * 2022-04-13 2022-08-16 国网江西省电力有限公司电力科学研究院 基于树莓派的多尺度特征融合配电网设备识别方法
CN115719445A (zh) * 2022-12-20 2023-02-28 齐鲁工业大学 一种基于深度学习和树莓派4b模块的海产品识别方法

Also Published As

Publication number Publication date
CN110287849B (zh) 2022-01-07

Similar Documents

Publication Publication Date Title
CN110287849A (zh) 一种适用于树莓派的轻量化深度网络图像目标检测方法
CN105069746B (zh) 基于局部仿射和颜色迁移技术的视频实时人脸替换方法及其***
CN111047551B (zh) 一种基于U-net改进算法的遥感影像变化检测方法及***
CN108009518A (zh) 一种基于快速二分卷积神经网络的层次化交通标识识别方法
CN110119703A (zh) 一种安防场景下融合注意力机制和时空图卷积神经网络的人体动作识别方法
CN105160310A (zh) 基于3d卷积神经网络的人体行为识别方法
CN108334847A (zh) 一种真实场景下的基于深度学习的人脸识别方法
CN113313082B (zh) 一种基于多任务损失函数的目标检测方法及***
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
CN106295613A (zh) 一种无人机目标定位方法及***
CN108549866B (zh) 基于密集卷积神经网络的遥感飞机识别方法
CN111476133B (zh) 面向无人驾驶的前背景编解码器网络目标提取方法
CN110490252A (zh) 一种基于深度学习的室内人数检测方法及***
CN113255837A (zh) 工业环境下基于改进的CenterNet网络目标检测方法
CN115512103A (zh) 多尺度融合遥感图像语义分割方法及***
CN112633257A (zh) 基于改良卷积神经网络的马铃薯病害识别方法
CN114332473A (zh) 目标检测方法、装置、计算机设备、存储介质及程序产品
CN114155371A (zh) 基于通道注意力与金字塔卷积融合的语义分割方法
CN113298817A (zh) 一种准确率高的遥感图像语义分割方法
CN113724286A (zh) 显著性目标的检测方法、检测设备及计算机可读存储介质
CN112308087A (zh) 基于动态视觉传感器的一体化成像识别***和方法
CN113486712B (zh) 一种基于深度学习的多人脸识别方法、***和介质
CN113610024B (zh) 一种多策略的深度学习遥感影像小目标检测方法
CN114821434A (zh) 一种基于光流约束的时空增强视频异常检测方法
CN109241932A (zh) 一种基于运动方差图相位特征的热红外人体动作识别方法

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231009

Address after: No. 202-126, 2nd Floor, Building 18, Zone 17, No. 188 South Fourth Ring West Road, Fengtai District, Beijing, 100070

Patentee after: China Industrial Internet (Beijing) Technology Group Co.,Ltd.

Address before: 100124 No. 100 Chaoyang District Ping Tian Park, Beijing

Patentee before: Beijing University of Technology