CN110349148A - 一种基于弱监督学习的图像目标检测方法 - Google Patents
一种基于弱监督学习的图像目标检测方法 Download PDFInfo
- Publication number
- CN110349148A CN110349148A CN201910624287.8A CN201910624287A CN110349148A CN 110349148 A CN110349148 A CN 110349148A CN 201910624287 A CN201910624287 A CN 201910624287A CN 110349148 A CN110349148 A CN 110349148A
- Authority
- CN
- China
- Prior art keywords
- classification
- image
- convolutional neural
- neural networks
- thermodynamic chart
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 24
- 230000004044 response Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 abstract description 4
- 238000002372 labelling Methods 0.000 abstract 1
- 238000013461 design Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004382 potting Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于弱监督学习的图像目标检测方法,属于机器视觉技术领域。首先收集图像数据集,采用多示例学习方法训练构建的基于多尺度特征图的深度卷积神经网络模型;然后输入实际图像,通过深度卷积神经网络模型提取实际图像的类别热力图;最后采用二值化图像连通区域分析方法输出类别热力图中目标的包围框,得到目标检测结果。本发明使用基于弱监督学习方法实现了图像目标检测任务,在卷积神经网络模型训练中的标注仅使用图像级分类标注信息即可完成目标检测任务,有别于现有技术所需的目标包围框标注信息,大大减少了人工标注图像中目标的工作,使得完成图像目标检测任务更具经济效益。
Description
技术领域
本发明属于神经网络技术领域,具体涉及一种基于弱监督学习的图像目标检测方法。
背景技术
随着深度学习在计算机视觉任务的应用越来越广泛,当下深度神经网络模型在图像分类、目标检测、语义分割等任务中表现优异,但是监督学习式地训练模型需要大量人工标注信息,这些标注信息,尤其是位置相关的标注,往往会耗费大量的人力物力,因此对标注信息依赖更低的弱监督学习方法成为了研究热点。弱监督学习是机器学习的一种方式,区别于监督学习模型要求标注与模型输出一一对应,弱监督学习依赖的标注信息仅需要部分层级标注,故弱监督学习在实际计算机视觉任务中具有良好的应用前景与经济效益。
(1)图像特征提取
传统特征提取主要运用图像处理的手段,手工设计特征模式以及相应的提取方法,设计和提取的过程中融入了大量的人工痕迹,在耗费人力的同时,也不利于从数据本身的角度进行信息挖掘。卷积神经网络的方法则利用网络能够自学习的特性,从设计实现过程中尽量地避免人工过度干预,在简化过程的同时,还能达到比传统方法更好的识别效果,而深度神经网络的多层结构使其能够学习到更高层、更抽象的表达,采用多尺度特征融合的方式能够提取到图像更为确切的特征。
(2)目标检测
目标检测任务是在生产生活中常见的一种计算机视觉任务,其要求模型输出目标的包围框和该框对应的目标类别,以用于后续的任务中。常见的基于深度卷积网络的目标检测模型在训练时都采用了人工标注的包围框作为监督信息,通常使用神经网络回归目标框坐标的思路完成。基于弱监督学习的目标检测方法不依赖人工标注的包围框信息,极大减小了在标注工作中的人力物力代价。
发明内容
本发明的目的在于:为解决现有基于深度学习的图像目标检测方法对于人工标注的过度依赖的技术问题,设计基于多尺度特征图的深度卷积神经网络模型提取生成图像的类别热力图,基于模型输出的类别热力图实现图像目标检测任务,提出一种基于弱监督学习的图像目标检测方法。
本发明采用的技术方案如下:
一种基于弱监督学习的图像目标检测方法,该方法包括如下步骤:
步骤1:收集图像数据集,采用多示例学习方法训练构建的基于多尺度特征图的深度卷积神经网络模型;
步骤2:输入实际图像,通过深度卷积神经网络模型提取实际图像的类别热力图;
步骤3:采用二值化图像连通区域分析方法输出类别热力图中目标的包围框,得到目标检测结果。
优选地,所述步骤1包括如下步骤:
步骤1.1:收集整理图像数据,对图像尺寸做归一化处理,并对图像作多热编码标注;
步骤1.2:构建基于多尺度特征图的深度卷积神经网络模型,深度卷积神经网络模型的主干网络模型采用经公开数据集预训练的模型;
步骤1.3:采用多示例学习方法训练构建的深度卷积神经网络模型,其中标注数据使用步骤1.1中的多热编码标注。
优选地,步骤2.2包括如下步骤:
步骤2.2.1:选取深度卷积神经网络模型的主干网络模型中的不同下采样阶段,对输入的实际图像通过特征提取网络提取多尺度特征;
步骤2.2.2:多尺度特征经卷积层转换后,进行全局多尺度池化,输出多类别的分类概率值。
优选地,所述步骤1.3包括如下步骤:
步骤1.3.1:通过多热编码标注和深度卷积神经网络模型输出预测值作为多类别概率,以计算交叉熵损失函数;使用高光损失函数对深度卷积神经网络模型中的输出特征图进行约束,迫使卷积网络模型中的输出特征图上的响应值往确定性高处靠拢,并将这交叉熵损失函数和高光损失函数之和作为模型的总体损失函数;
步骤1.3.2:在训练时对总损失函数使用优化器进行梯度下降优化,训练深度卷积神经网络模型直至收敛,即在5轮训练中总体损失函数波动幅度保持在0.1之内。
优选地,所述步骤2包括如下步骤:
步骤2.1:对于输入的实际图像进行尺度归一化处理;
步骤2.2:将经归一化处理的实际图像经过深度卷积神经网络模型处理得到各特征尺度的类别热力图;
步骤2.3:将各特征尺度的类别热力图融合为一幅特征融合后的类别热力图。
优选地,所述步骤2.2包括如下步骤:
步骤2.2.1:选取深度卷积神经网络模型的主干网络模型中的不同下采样阶段,对输入的实际图像通过特征提取网络提取多尺度特征;
步骤2.2.2:多尺度特征经卷积层转换后,进行全局多尺度池化,输出多类别的分类概率值。
优选地,所述步骤2.3包括如下步骤:
步骤2.3.1:将所有特征尺度对应的类别热力图采样至经归一化处理后的实际图像的尺寸;
步骤2.3.2:在每个位置对多个特征尺度对应的类别热力图的响应值求均值,得到特征融合后的类别热力图。
优选地,所述步骤3中的具体步骤如下:
步骤3.1:以深度卷积神经网络模型输出的分类结果作为目标的分类依据,选择类别热力图中存在类对应的特征图;其中,输出分类概率值大于等于0.5的认为有该类存在,否则认为该类不存在;
步骤3.2:计算每个类对应的特征图中的响应值均值,将响应值均值作为二值化阈值,并将每个类对应的特征图二值化;
步骤3.3:使用连通区域分析方法,采取8-领域模式,对二值化后的特征图进行连通区域分析,标注每个区域作为对应类的目标区域;
步骤3.4:将每个类的目标区域的最小外接矩形作为对应类目标的包围框;
步骤3.5:将类别热力图中所有存在类别对应的包围框输出,完成图像目标检测。
综上所述,由于采用了上述技术方案,本发明区别于现有技术的有益效果是:
1、本发明采用的是一种基于弱监督学习方法,其方法主要是通过采用多示例学习方法训练深度卷积神经网络模型,再将实际图像输入到已训练的深度卷积神经网络模型中,提取实际图像的类别热力图,最后采用二值化图像连通区域分析方法输出类别热力图中目标的包围框,即可得到目标检测结果。本发明使用基于弱监督学习方法实现了图像目标检测任务,在卷积神经网络模型训练中的标注仅使用图像级分类标注信息即可完成目标检测任务,有别于现有技术所需的目标包围框标注信息,大大减少了人工标注图像中目标的工作,使得完成图像目标检测任务更具经济效益。
2、本发明中,通过构建基于多尺度特征的深度卷积神经网络模型,能够从不同尺度范畴提取特征,生成的类别热力图更能够反应目标的响应区域,有别于现有的卷积网络模型结构所导致的特征提取尺度单一的缺点,本发明中的深度卷积神经网络模型结构保障了目标检测的准确性。
3、本发明中,提出在训练卷积网络模型中引入一种新的损失函数称之为高光损失函数,其作用为约束卷积网络模型中的输出特征图,进而使模型最终产生的类别热力图更加贴合目标范围,相较于不使用该损失函数的模型,进一步提高目标检测的准确性与有效性。
附图说明
图1为本发明基于弱监督学习的图像目标检测方法的流程示意图;
图2为本发明中基于弱监督学习的图像目标检测方法的框架示意图;
图3为本发明中深度卷积神经网络模型示意图。
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。
本实施方式针对一副真实场景图像进行检测,模型的训练采用公开数据集VOCPascal进行,预训练主干网络模块采用在公开数据集ImageNet上训练的分类网络Inception-ResNet-v2进行,目标类别(分类结果)为飞机、自行车、鸟类、船舶、瓶子、公交车、小汽车、猫类、椅子、牛类、餐桌、狗类、马类、摩托车、人类、盆栽、羊类、沙发、火车和显示器等。
一种基于弱监督学习的图像目标检测方法,该方法包括如下步骤:
步骤1:使用VOC Pascal数据集,以图像数据集及对应图像级多分类标注作为输入,对基于多尺度特征图的深度卷积神经网络模型进行多示例训练。具体步骤如下:
步骤1.1:对数据集中的图像尺寸做归一化处理,一致通过尺寸归一化操作将图像采样至513×513,使用数据集中的分类信息得到图像对应分类的多热编码标注;
步骤1.2:构建基于多尺度特征图的深度卷积神经网络模型,主干网络采用Inception-ResNet-v2模型去掉分类层的部分;
步骤1.3:采用多示例学习的方法训练构建的深度卷积神经网络模型。包括以下步骤:
步骤1.3.1:通过多热编码标注和深度卷积神经网络模型输出预测值作为多类别概率,以计算交叉熵损失函数,公式如:L=-ylog(y’)-(1-y)log(1-y’),其中y为模型输出的多类别概率、y’为图像级类别标注;使用高光损失函数对深度卷积神经网络模型中的输出特征图进行约束,迫使卷积网络模型中的输出特征图上的响应值往确定性高处靠拢,即往1或0趋近,具体在某尺度特征图(i,j)位置的高光损失函数计算公式为:H(i,j)=-p(i,j)logp(i,j)-(1-p(i,j))log(1-p(i,j)),其中p表示该特征图上的响应值,i表示横坐标,j表示纵坐标,并将这交叉熵损失函数和高光损失函数之和作为模型的总体损失函数;
步骤1.3.2:在训练时对总损失函数使用优化器(不限于Adam优化器)进行梯度下降优化,训练模型进行梯度下降优化,分为两个阶段训练,第一阶段对模型进行微调,第二阶段训练整体模型,训练深度卷积神经网络模型直至收敛,即在5轮训练中总体损失函数波动幅度保持在0.1之内。
步骤2:输入实际图像,通过已训练的模型提取并融合其类别热力图。具体步骤如下:
步骤2.1:对于输入的实际图像进行尺度采样至513×513(归一化处理);
步骤2.2:将经处理的实际图像经过模型得到各特征尺度的类别热力图;深度卷积神经网络模型中舍弃主干网络的分类层部分,通过三次下采样阶段得到不同特征尺度的输出并设计转换层;包括以下步骤:
步骤2.2.1:选取预训练的主干网络模型中的不同下采样阶段,对输入的实际图像通过特征提取网络提取到多尺度特征(即多个语义尺度的特征);
步骤2.2.2:多尺度特征经卷积层转换后,进行全局多尺度池化,具体地,将各尺度下对应的特征图经过一层卷积层转换至通道数为M×C的特征图,其中C为目标分类类别数,在本例中取20,M为每一类中不同特征参数,在实施中M常取10,此后对每个M层在通道维度进行平均池化,得到通道数为C的类别热力图,再使用全局top-k池化,即取类别热力图上取最大的k个值作为这一层的输出,再实施中k取20,最后将每个尺度下对应的输出求和并概率化最终输出多类别的分类概率值。
步骤2.3:将各特征尺度的类别热力图融合为一幅特征融合后的类别热力图。包括以下步骤:
步骤2.3.1:将所有特征尺度对应的类别热力图使用重采样至输入图像尺寸513×513;
步骤2.3.2:在通道数为C的特征图每个位置对多个特征尺度对应的类别热力图的值求均值,得到特征融合后的类别热力图。
步骤3:基于深度卷积神经网络模型输出的类别热力图和分类概率,采用二值化图像连通区域分析方法输出类别热力图中目标的包围框,得到目标检测结果。具体步骤如下:
步骤3.1:以深度卷积神经网络模型输出的分类结果作为目标的分类依据,选择类别热力图中存在类对应的特征图;其中,输出分类概率值大于等于0.5的认为有该类存在,否则认为该类不存在;
步骤3.2:计算每个类对应的特征图中的响应值均值,将响应值均值作为二值化阈值,将每个类对应的特征图二值化,具体地,特征图响应值大于等于二值化阈值的位置设为1,否则设为0;
步骤3.3:使用图像处理中的连通区域分析方法,采取8-领域模式(即视一个点周围8方向点都为领域,),对二值化后的特征图进行连通区域分析,标注每个区域作为对应类的目标区域;
步骤3.4:将每个类对应的特征图中经标注的各个目标区域的最小外接矩形作为对应类目标的包围框;
步骤3.5:将类别热力图中所有存在类别对应的目标包围框连同类别输出,完成图像目标检测任务。
Claims (7)
1.一种基于弱监督学习的图像目标检测方法,其特征在于,包括如下步骤:
步骤1:收集图像数据集,采用多示例学习方法训练构建的基于多尺度特征图的深度卷积神经网络模型;
步骤2:输入实际图像,通过深度卷积神经网络模型提取实际图像的类别热力图;
步骤3:采用二值化图像连通区域分析方法输出类别热力图中目标的包围框,得到目标检测结果。
2.根据权利要求1所述的一种基于弱监督学习的图像目标检测方法,其特征在于,所述步骤1包括如下步骤:
步骤1.1:收集整理图像数据,对图像尺寸做归一化处理,并对图像作多热编码标注;
步骤1.2:构建基于多尺度特征图的深度卷积神经网络模型,深度卷积神经网络模型的主干网络模型采用经公开数据集预训练的模型;
步骤1.3:采用多示例学习方法训练构建的深度卷积神经网络模型,其中标注数据使用步骤1.1中的多热编码标注。
3.根据权利要求2所述的一种基于弱监督学习的图像目标检测方法,其特征在于,所述步骤1.3包括如下步骤:
步骤1.3.1:通过多热编码标注和深度卷积神经网络模型输出预测值作为多类别概率,以计算交叉熵损失函数;使用高光损失函数对深度卷积神经网络模型中的输出特征图进行约束,迫使卷积网络模型中的输出特征图上的响应值往确定性高处靠拢,并将这交叉熵损失函数和高光损失函数之和作为模型的总体损失函数;
步骤1.3.2:在训练时对总损失函数使用优化器进行梯度下降优化,训练深度卷积神经网络模型直至收敛。
4.根据权利要求2所述的一种基于弱监督学习的图像目标检测方法,其特征在于:所述步骤2包括如下步骤:
步骤2.1:对于输入的实际图像进行尺度归一化处理;
步骤2.2:将经归一化处理的实际图像经过深度卷积神经网络模型处理得到各特征尺度的类别热力图;
步骤2.3:将各特征尺度的类别热力图融合为一幅特征融合后的类别热力图。
5.根据权利要求4所述的一种基于弱监督学习的图像目标检测方法,其特征在于,所述步骤2.2包括如下步骤:
步骤2.2.1:选取深度卷积神经网络模型的主干网络模型中的不同下采样阶段,对输入的实际图像通过特征提取网络提取多尺度特征;
步骤2.2.2:多尺度特征经卷积层转换后,进行全局多尺度池化,输出多类别的分类概率值。
6.根据权利要求4所述的一种基于弱监督学习的图像目标检测方法,其特征在于:所述步骤2.3包括如下步骤:
步骤2.3.1:将所有特征尺度对应的类别热力图采样至经归一化处理后的实际图像的尺寸;
步骤2.3.2:在每个位置对多个特征尺度对应的类别热力图的响应值求均值,得到特征融合后的类别热力图。
7.根据权利要求5所述的一种基于弱监督学习的图像目标检测方法,其特征在于:所述步骤3包括如下步骤:
步骤3.1:以深度卷积神经网络模型输出的分类结果作为目标的分类依据,选择类别热力图中存在类对应的特征图;其中,输出分类概率值大于等于0.5的认为有该类存在,否则认为该类不存在;
步骤3.2:计算每个类对应的特征图中的响应值均值,将响应值均值作为二值化阈值,并将每个类对应的特征图二值化;
步骤3.3:使用连通区域分析方法,采取8-领域模式,对二值化后的特征图进行连通区域分析,标注每个区域作为对应类的目标区域;
步骤3.4:将每个类的目标区域的最小外接矩形作为对应类目标的包围框;
步骤3.5:将类别热力图中所有存在类别对应的包围框输出,完成图像目标检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910624287.8A CN110349148A (zh) | 2019-07-11 | 2019-07-11 | 一种基于弱监督学习的图像目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910624287.8A CN110349148A (zh) | 2019-07-11 | 2019-07-11 | 一种基于弱监督学习的图像目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110349148A true CN110349148A (zh) | 2019-10-18 |
Family
ID=68175727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910624287.8A Pending CN110349148A (zh) | 2019-07-11 | 2019-07-11 | 一种基于弱监督学习的图像目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110349148A (zh) |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110968695A (zh) * | 2019-11-18 | 2020-04-07 | 罗彤 | 基于弱监督技术主动学***台 |
CN111046920A (zh) * | 2019-11-22 | 2020-04-21 | 中国科学院计算技术研究所 | 一种训练食品图像分类模型的方法及图像分类方法 |
CN111091147A (zh) * | 2019-12-10 | 2020-05-01 | 东软集团股份有限公司 | 一种图像分类方法、装置及设备 |
CN111275688A (zh) * | 2020-01-19 | 2020-06-12 | 合肥工业大学 | 基于注意力机制的上下文特征融合筛选的小目标检测方法 |
CN111340126A (zh) * | 2020-03-03 | 2020-06-26 | 腾讯云计算(北京)有限责任公司 | 物品识别方法、装置、计算机设备和存储介质 |
CN111461182A (zh) * | 2020-03-18 | 2020-07-28 | 北京小米松果电子有限公司 | 图像处理方法、图像处理装置及存储介质 |
CN111523585A (zh) * | 2020-04-16 | 2020-08-11 | 厦门大学 | 一种基于改进深度残差网络的弱监督目标检测方法 |
CN111523586A (zh) * | 2020-04-16 | 2020-08-11 | 厦门大学 | 一种基于噪声可知的全网络监督目标检测方法 |
CN111738074A (zh) * | 2020-05-18 | 2020-10-02 | 上海交通大学 | 基于弱监督学习的行人属性识别方法、***及装置 |
CN111738275A (zh) * | 2020-06-13 | 2020-10-02 | 玖壹叁陆零医学科技南京有限公司 | 一种采样框的生成方法、训练方法以及神经网络 |
CN111832625A (zh) * | 2020-06-18 | 2020-10-27 | 中国医学科学院肿瘤医院 | 一种基于弱监督学习的全扫描图像分析方法和*** |
CN111882546A (zh) * | 2020-07-30 | 2020-11-03 | 中原工学院 | 基于弱监督学习的三分支卷积网络织物疵点检测方法 |
CN111915746A (zh) * | 2020-07-16 | 2020-11-10 | 北京理工大学 | 一种基于弱标注的三维点云目标检测方法及标注工具 |
CN111967464A (zh) * | 2020-06-30 | 2020-11-20 | 西安电子科技大学 | 一种基于深度学习的弱监督目标定位方法 |
CN112215303A (zh) * | 2020-11-05 | 2021-01-12 | 北京理工大学 | 一种基于自学属性的图像理解方法及*** |
CN112465057A (zh) * | 2020-12-08 | 2021-03-09 | 中国人民解放军空军工程大学 | 一种基于深度卷积神经网络的目标检测识别方法 |
CN112508816A (zh) * | 2020-12-09 | 2021-03-16 | 中国电子科技集团公司第三研究所 | 一种红外图像锐化方法、锐化处理***及终端设备 |
CN112560999A (zh) * | 2021-02-18 | 2021-03-26 | 成都睿沿科技有限公司 | 一种目标检测模型训练方法、装置、电子设备及存储介质 |
CN112613548A (zh) * | 2020-12-17 | 2021-04-06 | 中山大学 | 基于弱监督学习的用户定制化目标检测方法、***和存储介质 |
CN112669282A (zh) * | 2020-12-29 | 2021-04-16 | 燕山大学 | 一种基于深度神经网络的脊柱定位方法 |
CN112686304A (zh) * | 2020-12-29 | 2021-04-20 | 山东大学 | 一种基于注意力机制以及多尺度特征融合的目标检测方法、设备及存储介质 |
CN112784632A (zh) * | 2019-11-06 | 2021-05-11 | 济南信通达电气科技有限公司 | 一种输电线路安全隐患检测方法及装置 |
WO2021098261A1 (zh) * | 2019-11-22 | 2021-05-27 | 苏州浪潮智能科技有限公司 | 一种目标检测方法与装置 |
CN113139587A (zh) * | 2021-03-31 | 2021-07-20 | 杭州电子科技大学 | 一种自适应交互结构学习的双二次池化模型 |
CN113255791A (zh) * | 2021-05-31 | 2021-08-13 | 西安电子科技大学 | 基于k-组合均值特征增强的小样本目标检测方法及*** |
CN113420827A (zh) * | 2021-07-08 | 2021-09-21 | 上海浦东发展银行股份有限公司 | 语义分割网络训练和图像语义分割方法、装置及设备 |
CN114998840A (zh) * | 2022-07-18 | 2022-09-02 | 成都东方天呈智能科技有限公司 | 一种基于深度级联有监督学习的老鼠目标检测方法 |
WO2023060637A1 (zh) * | 2021-10-11 | 2023-04-20 | 深圳硅基智能科技有限公司 | 基于紧框标的深度学习的测量方法及测量装置 |
CN116310293A (zh) * | 2023-02-13 | 2023-06-23 | 中国矿业大学(北京) | 一种基于弱监督学习的生成高质量候选框目标检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316007A (zh) * | 2017-06-07 | 2017-11-03 | 浙江捷尚视觉科技股份有限公司 | 一种基于深度学习的监控图像多类物体检测与识别方法 |
CN108090423A (zh) * | 2017-12-01 | 2018-05-29 | 上海工程技术大学 | 一种基于热力图和关键点回归的深度车牌检测方法 |
CN108564097A (zh) * | 2017-12-05 | 2018-09-21 | 华南理工大学 | 一种基于深度卷积神经网络的多尺度目标检测方法 |
CN108764292A (zh) * | 2018-04-27 | 2018-11-06 | 北京大学 | 基于弱监督信息的深度学习图像目标映射及定位方法 |
CN109325385A (zh) * | 2017-07-31 | 2019-02-12 | 株式会社理光 | 目标检测和区域分割方法、装置和计算机可读存储介质 |
US20190180882A1 (en) * | 2017-12-12 | 2019-06-13 | Electronics And Telecommunications Research Institute | Device and method of processing multi-dimensional time series medical data |
CN109948526A (zh) * | 2019-03-18 | 2019-06-28 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、检测设备及存储介质 |
-
2019
- 2019-07-11 CN CN201910624287.8A patent/CN110349148A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316007A (zh) * | 2017-06-07 | 2017-11-03 | 浙江捷尚视觉科技股份有限公司 | 一种基于深度学习的监控图像多类物体检测与识别方法 |
CN109325385A (zh) * | 2017-07-31 | 2019-02-12 | 株式会社理光 | 目标检测和区域分割方法、装置和计算机可读存储介质 |
CN108090423A (zh) * | 2017-12-01 | 2018-05-29 | 上海工程技术大学 | 一种基于热力图和关键点回归的深度车牌检测方法 |
CN108564097A (zh) * | 2017-12-05 | 2018-09-21 | 华南理工大学 | 一种基于深度卷积神经网络的多尺度目标检测方法 |
US20190180882A1 (en) * | 2017-12-12 | 2019-06-13 | Electronics And Telecommunications Research Institute | Device and method of processing multi-dimensional time series medical data |
CN108764292A (zh) * | 2018-04-27 | 2018-11-06 | 北京大学 | 基于弱监督信息的深度学习图像目标映射及定位方法 |
CN109948526A (zh) * | 2019-03-18 | 2019-06-28 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、检测设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
王美华: ""基于神经网络的特定目标检测与识别"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
邓凝旖等: "基于类别先验与深度神经网络特征的显著性检测", 《计算机工程》 * |
颜荔: ""基于卷积神经网络的遥感图像飞机目标识别研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
高健杰: ""基于深度神经网络的图像显著性预测方法研究与实现"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (47)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784632A (zh) * | 2019-11-06 | 2021-05-11 | 济南信通达电气科技有限公司 | 一种输电线路安全隐患检测方法及装置 |
CN112784632B (zh) * | 2019-11-06 | 2023-05-30 | 济南信通达电气科技有限公司 | 一种输电线路安全隐患检测方法及装置 |
CN110968695A (zh) * | 2019-11-18 | 2020-04-07 | 罗彤 | 基于弱监督技术主动学***台 |
CN111046920A (zh) * | 2019-11-22 | 2020-04-21 | 中国科学院计算技术研究所 | 一种训练食品图像分类模型的方法及图像分类方法 |
WO2021098261A1 (zh) * | 2019-11-22 | 2021-05-27 | 苏州浪潮智能科技有限公司 | 一种目标检测方法与装置 |
CN111091147A (zh) * | 2019-12-10 | 2020-05-01 | 东软集团股份有限公司 | 一种图像分类方法、装置及设备 |
CN111275688A (zh) * | 2020-01-19 | 2020-06-12 | 合肥工业大学 | 基于注意力机制的上下文特征融合筛选的小目标检测方法 |
CN111275688B (zh) * | 2020-01-19 | 2023-12-12 | 合肥工业大学 | 基于注意力机制的上下文特征融合筛选的小目标检测方法 |
CN111340126A (zh) * | 2020-03-03 | 2020-06-26 | 腾讯云计算(北京)有限责任公司 | 物品识别方法、装置、计算机设备和存储介质 |
CN111461182A (zh) * | 2020-03-18 | 2020-07-28 | 北京小米松果电子有限公司 | 图像处理方法、图像处理装置及存储介质 |
CN111461182B (zh) * | 2020-03-18 | 2023-04-18 | 北京小米松果电子有限公司 | 图像处理方法、图像处理装置及存储介质 |
CN111523586A (zh) * | 2020-04-16 | 2020-08-11 | 厦门大学 | 一种基于噪声可知的全网络监督目标检测方法 |
CN111523586B (zh) * | 2020-04-16 | 2022-09-06 | 厦门大学 | 一种基于噪声可知的全网络监督目标检测方法 |
CN111523585B (zh) * | 2020-04-16 | 2022-05-31 | 厦门大学 | 一种基于改进深度残差网络的弱监督目标检测方法 |
CN111523585A (zh) * | 2020-04-16 | 2020-08-11 | 厦门大学 | 一种基于改进深度残差网络的弱监督目标检测方法 |
CN111738074A (zh) * | 2020-05-18 | 2020-10-02 | 上海交通大学 | 基于弱监督学习的行人属性识别方法、***及装置 |
CN111738275A (zh) * | 2020-06-13 | 2020-10-02 | 玖壹叁陆零医学科技南京有限公司 | 一种采样框的生成方法、训练方法以及神经网络 |
CN111832625A (zh) * | 2020-06-18 | 2020-10-27 | 中国医学科学院肿瘤医院 | 一种基于弱监督学习的全扫描图像分析方法和*** |
CN111967464A (zh) * | 2020-06-30 | 2020-11-20 | 西安电子科技大学 | 一种基于深度学习的弱监督目标定位方法 |
CN111967464B (zh) * | 2020-06-30 | 2024-02-20 | 西安电子科技大学 | 一种基于深度学习的弱监督目标定位方法 |
CN111915746A (zh) * | 2020-07-16 | 2020-11-10 | 北京理工大学 | 一种基于弱标注的三维点云目标检测方法及标注工具 |
CN111915746B (zh) * | 2020-07-16 | 2022-09-13 | 北京理工大学 | 一种基于弱标注的三维点云目标检测方法及标注工具 |
CN111882546A (zh) * | 2020-07-30 | 2020-11-03 | 中原工学院 | 基于弱监督学习的三分支卷积网络织物疵点检测方法 |
CN111882546B (zh) * | 2020-07-30 | 2023-08-01 | 中原工学院 | 基于弱监督学习的三分支卷积网络织物疵点检测方法 |
CN112215303A (zh) * | 2020-11-05 | 2021-01-12 | 北京理工大学 | 一种基于自学属性的图像理解方法及*** |
CN112215303B (zh) * | 2020-11-05 | 2022-02-11 | 北京理工大学 | 一种基于自学属性的图像理解方法及*** |
CN112465057A (zh) * | 2020-12-08 | 2021-03-09 | 中国人民解放军空军工程大学 | 一种基于深度卷积神经网络的目标检测识别方法 |
CN112465057B (zh) * | 2020-12-08 | 2023-05-12 | 中国人民解放军空军工程大学 | 一种基于深度卷积神经网络的目标检测识别方法 |
CN112508816B (zh) * | 2020-12-09 | 2023-09-08 | 中国电子科技集团公司第三研究所 | 一种红外图像锐化方法、锐化处理***及终端设备 |
CN112508816A (zh) * | 2020-12-09 | 2021-03-16 | 中国电子科技集团公司第三研究所 | 一种红外图像锐化方法、锐化处理***及终端设备 |
CN112613548A (zh) * | 2020-12-17 | 2021-04-06 | 中山大学 | 基于弱监督学习的用户定制化目标检测方法、***和存储介质 |
CN112613548B (zh) * | 2020-12-17 | 2023-06-13 | 中山大学 | 基于弱监督学习的用户定制化目标检测方法、***和存储介质 |
CN112686304A (zh) * | 2020-12-29 | 2021-04-20 | 山东大学 | 一种基于注意力机制以及多尺度特征融合的目标检测方法、设备及存储介质 |
CN112669282A (zh) * | 2020-12-29 | 2021-04-16 | 燕山大学 | 一种基于深度神经网络的脊柱定位方法 |
CN112669282B (zh) * | 2020-12-29 | 2023-02-14 | 燕山大学 | 一种基于深度神经网络的脊柱定位方法 |
CN112686304B (zh) * | 2020-12-29 | 2023-03-24 | 山东大学 | 一种基于注意力机制以及多尺度特征融合的目标检测方法、设备及存储介质 |
CN112560999A (zh) * | 2021-02-18 | 2021-03-26 | 成都睿沿科技有限公司 | 一种目标检测模型训练方法、装置、电子设备及存储介质 |
CN112560999B (zh) * | 2021-02-18 | 2021-06-04 | 成都睿沿科技有限公司 | 一种目标检测模型训练方法、装置、电子设备及存储介质 |
CN113139587B (zh) * | 2021-03-31 | 2024-02-06 | 杭州电子科技大学 | 一种自适应交互结构学习的双二次池化模型 |
CN113139587A (zh) * | 2021-03-31 | 2021-07-20 | 杭州电子科技大学 | 一种自适应交互结构学习的双二次池化模型 |
CN113255791B (zh) * | 2021-05-31 | 2022-11-25 | 西安电子科技大学 | 基于k-组合均值特征增强的小样本目标检测方法及*** |
CN113255791A (zh) * | 2021-05-31 | 2021-08-13 | 西安电子科技大学 | 基于k-组合均值特征增强的小样本目标检测方法及*** |
CN113420827A (zh) * | 2021-07-08 | 2021-09-21 | 上海浦东发展银行股份有限公司 | 语义分割网络训练和图像语义分割方法、装置及设备 |
WO2023060637A1 (zh) * | 2021-10-11 | 2023-04-20 | 深圳硅基智能科技有限公司 | 基于紧框标的深度学习的测量方法及测量装置 |
CN114998840A (zh) * | 2022-07-18 | 2022-09-02 | 成都东方天呈智能科技有限公司 | 一种基于深度级联有监督学习的老鼠目标检测方法 |
CN116310293A (zh) * | 2023-02-13 | 2023-06-23 | 中国矿业大学(北京) | 一种基于弱监督学习的生成高质量候选框目标检测方法 |
CN116310293B (zh) * | 2023-02-13 | 2023-09-12 | 中国矿业大学(北京) | 一种基于弱监督学习的生成高质量候选框目标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110349148A (zh) | 一种基于弱监督学习的图像目标检测方法 | |
CN107563381B (zh) | 基于全卷积网络的多特征融合的目标检测方法 | |
CN104992223B (zh) | 基于深度学习的密集人数估计方法 | |
CN109949316A (zh) | 一种基于rgb-t融合的电网设备图像弱监督实例分割方法 | |
CN107346420A (zh) | 一种基于深度学习的自然场景下文字检测定位方法 | |
CN112966684A (zh) | 一种注意力机制下的协同学习文字识别方法 | |
CN108629367A (zh) | 一种基于深度网络增强服装属性识别精度的方法 | |
CN115424282A (zh) | 一种非结构化文本表格识别方法和*** | |
CN112613428B (zh) | 基于平衡损失的Resnet-3D卷积牛视频目标检测方法 | |
CN104123545A (zh) | 一种实时表情特征提取及表情识别方法 | |
CN105608454A (zh) | 基于文字结构部件检测神经网络的文字检测方法及*** | |
CN105117707A (zh) | 一种基于区域图像的人脸表情识别方法 | |
Lu et al. | Multi-object detection method based on YOLO and ResNet hybrid networks | |
CN109753853A (zh) | 一种同时完成行人检测与行人重识别的方法 | |
CN109766823A (zh) | 一种基于深层卷积神经网络的高分辨率遥感船舶检测方法 | |
CN112818951A (zh) | 一种票证识别的方法 | |
CN113888754B (zh) | 一种基于雷达视觉融合的车辆多属性识别方法 | |
CN104268588A (zh) | 铁路货车闸瓦钎丢失故障的自动检测方法 | |
CN109472226A (zh) | 一种基于深度学习的睡觉行为检测方法 | |
CN111507353B (zh) | 一种基于文字识别的中文字段检测方法及*** | |
CN104537392B (zh) | 一种基于判别性语义部件学习的对象检测方法 | |
CN117437647B (zh) | 基于深度学习和计算机视觉的甲骨文字检测方法 | |
CN111753653B (zh) | 基于注意力机制的高铁接触网紧固件识别与定位方法 | |
CN117829243A (zh) | 模型训练方法、目标检测方法、装置、电子设备及介质 | |
CN110287970B (zh) | 一种基于cam与掩盖的弱监督物体定位方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191018 |