CN110717575A - 无帧缓冲器的卷积神经网络***与方法 - Google Patents

无帧缓冲器的卷积神经网络***与方法 Download PDF

Info

Publication number
CN110717575A
CN110717575A CN201810767312.3A CN201810767312A CN110717575A CN 110717575 A CN110717575 A CN 110717575A CN 201810767312 A CN201810767312 A CN 201810767312A CN 110717575 A CN110717575 A CN 110717575A
Authority
CN
China
Prior art keywords
neural network
convolutional neural
region
interest
input image
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
CN201810767312.3A
Other languages
English (en)
Other versions
CN110717575B (zh
Inventor
杨得炜
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.)
Himax Technologies Ltd
Original Assignee
Himax Technologies 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 Himax Technologies Ltd filed Critical Himax Technologies Ltd
Priority to CN201810767312.3A priority Critical patent/CN110717575B/zh
Publication of CN110717575A publication Critical patent/CN110717575A/zh
Application granted granted Critical
Publication of CN110717575B publication Critical patent/CN110717575B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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]

Landscapes

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

Abstract

本发明涉及一种无帧缓冲器的卷积神经网络***与方法。该无帧缓冲器的卷积神经网络***包括：感兴趣区域单元，用以提取特征，据以产生输入影像帧的感兴趣区域；卷积神经网络单元，处理输入影像帧的感兴趣区域以检测对象；及追踪单元，比较不同时间提取的特征，使得卷积神经网络单元据以选择地处理输入影像帧。

Description

无帧缓冲器的卷积神经网络***与方法
技术领域
本发明涉及一种卷积神经网络(CNN)，特别是关于一种无帧缓冲器的卷积神经网络***。
背景技术
卷积神经网络(convolutional neural network,CNN)为人工神经网络(artificial neural network)的一种，可用于机器学习(machine learning)。卷积神经网络可应用于信号处理，例如图像处理及计算机视觉。
图1显示传统卷积神经网络900的方块图，揭示于Li Du等人所提出的“用于物联网的可重置串流之深卷积神经网络加速器(A Reconfigurable Streaming DeepConvolutional Neural Network Accelerator for Internet of Things)”，2017年8月，电机电子工程师学会(IEEE)电路与***会刊(IEEE Transactions on Circuits andSystems)I：定期论文，其内容视为本说明书的一部份。卷积神经网络900包含缓冲组(buffer bank)91，其包含单端口的静态随机存取存储器(SRAM)，用以储存中间数据(intermediate data)且与帧缓冲器(frame buffer)92交换数据，该帧缓冲器92包含动态随机存取存储器(DRAM)，例如双倍数据率同步动态随机存取存储器(DDR DRAM)，用以储存整个影像帧，供卷积神经网络操作之用。缓冲组91被分为二部分：输入层与输出层。卷积神经网络900包含列(column)缓冲器93，用以将缓冲组91的输出重映射(remap)至卷积单元(convolution unit,CU)引擎阵列94。卷积单元引擎阵列94包含多个卷积单元以执行高度平行的卷积运算。卷积单元引擎阵列94包含预取(pre-fetch)控制器941，用以周期的从直接存储器访问(direct memory access,DMA)控制器(未显示)取得参数且更新卷积单元引擎阵列94的权重与偏压值。卷积神经网络900还包含累积(accumulation)缓冲器95，具草稿(scratchpad)存储器，用以储存卷积单元引擎阵列94的部分卷积结果。累积缓冲器95包含最大池化(max pool)951以池化输出层数据。卷积神经网络900包含指令解码器96，用以储存预存于帧缓冲器92的命令。
如图1所示的传统卷积神经网络***，帧缓冲器包含动态随机存取存储器(DRAM)，例如双倍数据率同步动态随机存取存储器(DDR DRAM)，用以储存整个影像帧，供卷积神经网络操作之用。举例而言，分辨率为320x240的影像帧需占用空间为320x240x8位的帧缓冲器。然而，双倍数据率同步动态随机存取存储器(DDR DRAM)并不适用于低功率应用，例如穿戴式或物联网(IoT)装置。因此亟需提出一种新颖的卷积神经网络***，以适用于低功率应用。
发明内容
鉴于上述，本发明实施例的目的之一在于提出一种无帧缓冲器的卷积神经网络***。本实施例可使用简易***架构以执行卷积神经网络操作于高分辨率影像帧。
根据本发明实施例，一种无帧缓冲器的卷积神经网络***包括感兴趣区域单元、卷积神经网络单元及追踪单元。感兴趣区域单元提取特征，据以产生输入影像帧的感兴趣区域。卷积神经网络单元处理输入影像帧的感兴趣区域以检测对象。追踪单元比较不同时间提取的特征，使得卷积神经网络单元据以选择地处理输入影像帧。
附图简述
图1显示传统卷积神经网络的方块图。
图2A显示本发明实施例的无帧缓冲器的卷积神经网络***的方块图。
图2B显示本发明实施例的用于无帧缓冲器的卷积神经网络的方法的流程图。
图3显示图2A的感兴趣区域单元的具体结构方块图。
图4A例示决定图，其包含4x6区块。
图4B例示另一决定图，其更新于图4A之后。
图5显示图2A的缓存器的具体结构方块图。
图6显示图2A的卷积神经网络单元的具体结构方块图。
具体实施方式
图2A显示本发明实施例的无帧缓冲器(framebuffer-less)的卷积神经网络(CNN)***100的方块图，图2B显示本发明实施例的无帧缓冲器的卷积神经网络(CNN)方法200的流程图。
在本实施例中，无帧缓冲器的卷积神经网络***(以下简称***)100可包括感兴趣区域(region of interest,ROI)单元11，用以于输入影像帧中产生感兴趣区域(步骤21)。由于本实施例的***100不含帧缓冲器，感兴趣区域单元11可采用基于扫描线的技术与基于区块的机制，用以在输入影像帧中找出感兴趣区域。其中，输入影像帧分割为多个影像区块，排列为矩阵形式，例如4x6影像区块。
在本实施例中，感兴趣区域单元11产生基于区块的特征，据以决定每一影像区块是否执行卷积神经网络(CNN)操作。图3显示图2A的感兴趣区域单元11的具体结构方块图。在本实施例中，感兴趣区域单元11可包含特征提取器111，例如用以从输入影像帧中提取浅特征(shallow feature)。在一例子中，特征提取器111根据基于区块的直方图(histogram)以产生区块的(浅)特征。在另一例子中，特征提取器111根据频率分析以产生区块的(浅)特征。
感兴趣区域单元11还可包含分类器112，例如支持向量机(support vectormachine,SVM)，用以决定输入影像帧的每一区块是否执行卷积神经网络操作。藉此，可产生决定图(decision map)12，其包含代表输入影像帧的多个区块(其可排列为矩阵形式)。图4A例示决定图12，其包含4x6区块，其中X表示相关区块不需执行卷积神经网络操作，C表示相关区块需执行卷积神经网络操作，且D表示相关区块检测到对象(例如一只狗)。藉此，可决定感兴趣区域并执行卷积神经网络操作。
参阅图2B，***100可包含缓存器13，例如静态随机存取存储器(SRAM)，用以储存(感兴趣区域单元11的)特征提取器111所产生的(浅)特征(步骤22)。图5显示图2A的缓存器13的具体结构方块图。在本实施例中，缓存器13可包含二个特征图(feature map)，亦即，第一特征图131A，用以储存前一影像帧(于前一时间t-1)的特征；及第二特征图131B，用以储存目前影像帧(于目前时间t)的特征。缓存器13还可包含滑动视窗(sliding window)132，其大小可为40x40x8位，用以储存输入影像帧的区块。
参阅图2A，本实施例的***100可包含卷积神经网络(CNN)单元14，其接收并处理(感兴趣区域单元11)所产生的输入影像帧的感兴趣区域，以检测对象(步骤23)。其中，本实施例的卷积神经网络单元14仅于感兴趣区域执行，而非如具有帧缓冲器的传统***是执行于整个输入影像帧。
图6显示图2A的卷积神经网络单元14的具体结构方块图。其中，卷积神经网络单元14可包含卷积单元141，其包含多个卷积引擎(convolution engine)，用以执行卷积操作。卷积神经网络单元14可包含激励(activation)单元142，当检测到默认特征时，可执行激励功能。卷积神经网络单元14还可包含池化(pooling)单元143，用以对输入影像帧执行降低取样率(down-sampling)或池化(pooling)。
本实施例的***100可包含追踪单元15，用以比较(前一影像帧的)第一特征图131A与(目前影像帧的)第二特征图131B，接着更新决定图12(步骤24)。追踪单元15分析第一特征图131A与第二特征图131B之间的内容变化。图4B例示另一决定图12，其更新于图4A之后。在这个例子中，在前一时间，位于第5～6列与第3行的区块有检测到对象(如图4A所标示的D)，但在目前时间，该对象消失(如第四B图所标示的X)。据此，卷积神经网络单元14不需针对无特征变化的区块执行卷积神经网络操作。换句话说，卷积神经网络单元14选择地针对具特征变化的区块执行卷积神经网络操作。因此，***100可大量地加速操作。
相较于传统卷积神经网络***，上述实施例的卷积神经网络操作可大量降低(且加速)。此外，由于本发明实施例不需要帧缓冲器，本实施例可较佳适用于低功率应用，例如穿戴式或物联网(IoT)装置。对于分辨率为320x240且(非重迭)滑动视窗大小为40x40的影像帧，具有帧缓冲器的传统***需要8x6滑动视窗以执行卷积神经网络操作。相反的，本实施例的***100仅需很少(小于10)的滑动视窗以执行卷积神经网络操作。
以上所述仅为本发明之较佳实施例而已，并非用以限定本发明之专利保护范围；凡其它未脱离发明所揭示之精神下所完成的等效改变或修饰，均应包含在下述的权利要求范围内。
【附图标记说明】
100 无帧缓冲器的卷积神经网络***
11 感兴趣区域单元
111 特征提取器
112 分类器
12 决定图
13 缓存器
131A 第一特征图
131B 第二特征图
132 滑动视窗
14 卷积神经网络单元
141 卷积单元
142 激励单元
143 池化单元
15 追踪单元
200 用于无帧缓冲器的卷积神经网络的方法
21 在输入影像帧中产生感兴趣区域
22 储存特征于特征图
23 处理感兴趣区域以检测对象
24 比较特征并于具特征变化的区块执行卷积神经网络操作
900 卷积神经网络
91 缓冲组
92 帧缓冲器
93 列缓冲器
94 卷积单元引擎阵列
941 预取控制器
95 累积缓冲器
951 最大池化
96 指令解码器

Claims (20)

1.一种无帧缓冲器的卷积神经网络***，包括：
感兴趣区域单元，用以提取特征，据以产生输入影像帧的感兴趣区域；
卷积神经网络单元，处理该输入影像帧的感兴趣区域以检测对象；及
追踪单元，比较不同时间提取的特征，使得该卷积神经网络单元据以选择地处理该输入影像帧。
2.根据权利要求1所述的无帧缓冲器的卷积神经网络***，其中该感兴趣区域单元采用基于扫描线的技术与基于区块的机制，用以于该输入影像帧中找出该感兴趣区域，其中，该输入影像帧分割为多个影像区块。
3.根据权利要求2所述的无帧缓冲器的卷积神经网络***，其中该感兴趣区域单元产生基于区块的特征，据以决定每一影像区块是否执行卷积神经网络操作。
4.根据权利要求2所述的无帧缓冲器的卷积神经网络***，其中该感兴趣区域单元包含：
特征提取器，自该输入影像帧提取该特征；及
分类器，决定每一影像区块是否执行卷积神经网络操作，因此产生决定图，据以决定该感兴趣区域。
5.根据权利要求4所述的无帧缓冲器的卷积神经网络***，其中，该特征提取器根据基于区块的直方图或频率分析以产生该影像区块的浅特征。
6.根据权利要求4所述的无帧缓冲器的卷积神经网络***，还包含缓存器，用以储存该特征。
7.根据权利要求6所述的无帧缓冲器的卷积神经网络***，其中该缓存器包含：第一特征图，用以储存前一影像帧的特征；及第二特征图，用以储存目前影像帧的特征。
8.根据权利要求6所述的无帧缓冲器的卷积神经网络***，其中该缓存器包含滑动视窗，用以储存该输入影像帧的区块。
9.根据权利要求7所述的无帧缓冲器的卷积神经网络***，其中该追踪单元比较该第一特征图与该第二特征图，据以更新该决定图。
10.根据权利要求1所述的无帧缓冲器的卷积神经网络***，其中该卷积神经网络单元包含：
卷积单元，包含多个卷积引擎，用以执行卷积操作于该感兴趣区域；
激励单元，当检测到默认特征时，该激励单元执行激励功能；及
池化单元，用以对该输入影像帧执行降低取样率。
11.一种用于无帧缓冲器的卷积神经网络的方法，包括：
提取特征，据以产生输入影像帧的感兴趣区域；
执行卷积神经网络操作于该输入影像帧的感兴趣区域，以检测对象；及
比较不同时间提取的特征，据以选择地处理该输入影像帧。
12.根据权利要求11所述的用于无帧缓冲器的卷积神经网络的方法，其中该感兴趣区域的产生是采用基于扫描线的技术与基于区块的机制，其中，该输入影像帧分割为多个影像区块。
13.根据权利要求12所述的用于无帧缓冲器的卷积神经网络的方法，其中产生该感兴趣区域的步骤包含：
产生基于区块的特征，据以决定每一影像区块是否执行卷积神经网络操作。
14.根据权利要求12所述的用于无帧缓冲器的卷积神经网络的方法，其中产生该感兴趣区域的步骤包含：
自该输入影像帧提取该特征；及
以分类方法决定每一影像区块是否执行卷积神经网络操作，因此产生决定图，据以决定该感兴趣区域。
15.根据权利要求14所述的用于无帧缓冲器的卷积神经网络的方法，其中提取该特征的步骤包含：
根据基于区块的直方图或频率分析以产生该影像区块的浅特征。
16.根据权利要求14所述的用于无帧缓冲器的卷积神经网络的方法，还包含暂存该特征的步骤。
17.根据权利要求16所述的用于无帧缓冲器的卷积神经网络的方法，其中，所述暂存该特征的步骤包含：
产生第一特征图，用以储存前一影像帧的特征；及产生第二特征图，用以储存目前影像帧的特征。
18.根据权利要求16所述的用于无帧缓冲器的卷积神经网络的方法，其中，所述暂存该特征的步骤包含：
产生滑动视窗，用以储存该输入影像帧的区块。
19.根据权利要求17所述的用于无帧缓冲器的卷积神经网络的方法，其中比较该特征的步骤包含：
比较该第一特征图与该第二特征图，据以更新该决定图。
20.根据权利要求11所述的用于无帧缓冲器的卷积神经网络的方法，其中执行该卷积神经网络操作的步骤包含：
使用多个卷积引擎，用以执行卷积操作于该感兴趣区域；
当检测到默认特征时，执行激励功能；及
对该输入影像帧执行降低取样率。
CN201810767312.3A 2018-07-13 2018-07-13 无帧缓冲器的卷积神经网络***与方法 Active CN110717575B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810767312.3A CN110717575B (zh) 2018-07-13 2018-07-13 无帧缓冲器的卷积神经网络***与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810767312.3A CN110717575B (zh) 2018-07-13 2018-07-13 无帧缓冲器的卷积神经网络***与方法

Publications (2)

Publication Number Publication Date
CN110717575A true CN110717575A (zh) 2020-01-21
CN110717575B CN110717575B (zh) 2022-07-26

Family

ID=69208451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810767312.3A Active CN110717575B (zh) 2018-07-13 2018-07-13 无帧缓冲器的卷积神经网络***与方法

Country Status (1)

Country Link
CN (1) CN110717575B (zh)

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101271514A (zh) * 2007-03-21 2008-09-24 株式会社理光 一种快速目标检测和目标输出的图像检测方法及装置
US20090222388A1 (en) * 2007-11-16 2009-09-03 Wei Hua Method of and system for hierarchical human/crowd behavior detection
CN103914702A (zh) * 2013-01-02 2014-07-09 国际商业机器公司 用于提高视频中的对象检测性能的***和方法
CN104268900A (zh) * 2014-09-26 2015-01-07 中安消技术有限公司 一种运动目标检测方法及装置
CN104298976A (zh) * 2014-10-16 2015-01-21 电子科技大学 基于卷积神经网络的车牌检测方法
CN104504362A (zh) * 2014-11-19 2015-04-08 南京艾柯勒斯网络科技有限公司 基于卷积神经网络的人脸检测方法
WO2015095733A1 (en) * 2013-12-19 2015-06-25 Objectvideo, Inc. System and method for identifying faces in unconstrained media
CN105512640A (zh) * 2015-12-30 2016-04-20 重庆邮电大学 一种基于视频序列的人流量统计方法
CN105718868A (zh) * 2016-01-18 2016-06-29 中国科学院计算技术研究所 一种针对多姿态人脸的人脸检测***及方法
CN106096561A (zh) * 2016-06-16 2016-11-09 重庆邮电大学 基于图像块深度学习特征的红外行人检测方法
US20160371546A1 (en) * 2015-06-16 2016-12-22 Adobe Systems Incorporated Generating a shoppable video
US20170011281A1 (en) * 2015-07-09 2017-01-12 Qualcomm Incorporated Context-based priors for object detection in images
CN106878674A (zh) * 2017-01-10 2017-06-20 哈尔滨工业大学深圳研究生院 一种基于监控视频的停车检测方法及装置
CN107016409A (zh) * 2017-03-20 2017-08-04 华中科技大学 一种基于图像显著区域的图像分类方法和***
CN107492115A (zh) * 2017-08-30 2017-12-19 北京小米移动软件有限公司 目标对象的检测方法及装置
CN107704797A (zh) * 2017-08-08 2018-02-16 深圳市安软慧视科技有限公司 基于安防视频中行人和车辆的实时检测方法和***及设备
CN107832683A (zh) * 2017-10-24 2018-03-23 亮风台（上海）信息科技有限公司 一种目标跟踪方法及***
CN108229319A (zh) * 2017-11-29 2018-06-29 南京大学 基于帧间差异与卷积神经网络融合的船舶视频检测方法
CN108229523A (zh) * 2017-04-13 2018-06-29 深圳市商汤科技有限公司 图像检测、神经网络训练方法、装置和电子设备

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101271514A (zh) * 2007-03-21 2008-09-24 株式会社理光 一种快速目标检测和目标输出的图像检测方法及装置
US20090222388A1 (en) * 2007-11-16 2009-09-03 Wei Hua Method of and system for hierarchical human/crowd behavior detection
CN103914702A (zh) * 2013-01-02 2014-07-09 国际商业机器公司 用于提高视频中的对象检测性能的***和方法
WO2015095733A1 (en) * 2013-12-19 2015-06-25 Objectvideo, Inc. System and method for identifying faces in unconstrained media
CN104268900A (zh) * 2014-09-26 2015-01-07 中安消技术有限公司 一种运动目标检测方法及装置
CN104298976A (zh) * 2014-10-16 2015-01-21 电子科技大学 基于卷积神经网络的车牌检测方法
CN104504362A (zh) * 2014-11-19 2015-04-08 南京艾柯勒斯网络科技有限公司 基于卷积神经网络的人脸检测方法
US20160371546A1 (en) * 2015-06-16 2016-12-22 Adobe Systems Incorporated Generating a shoppable video
US20170011281A1 (en) * 2015-07-09 2017-01-12 Qualcomm Incorporated Context-based priors for object detection in images
CN105512640A (zh) * 2015-12-30 2016-04-20 重庆邮电大学 一种基于视频序列的人流量统计方法
CN105718868A (zh) * 2016-01-18 2016-06-29 中国科学院计算技术研究所 一种针对多姿态人脸的人脸检测***及方法
CN106096561A (zh) * 2016-06-16 2016-11-09 重庆邮电大学 基于图像块深度学习特征的红外行人检测方法
CN106878674A (zh) * 2017-01-10 2017-06-20 哈尔滨工业大学深圳研究生院 一种基于监控视频的停车检测方法及装置
CN107016409A (zh) * 2017-03-20 2017-08-04 华中科技大学 一种基于图像显著区域的图像分类方法和***
CN108229523A (zh) * 2017-04-13 2018-06-29 深圳市商汤科技有限公司 图像检测、神经网络训练方法、装置和电子设备
CN107704797A (zh) * 2017-08-08 2018-02-16 深圳市安软慧视科技有限公司 基于安防视频中行人和车辆的实时检测方法和***及设备
CN107492115A (zh) * 2017-08-30 2017-12-19 北京小米移动软件有限公司 目标对象的检测方法及装置
CN107832683A (zh) * 2017-10-24 2018-03-23 亮风台（上海）信息科技有限公司 一种目标跟踪方法及***
CN108229319A (zh) * 2017-11-29 2018-06-29 南京大学 基于帧间差异与卷积神经网络融合的船舶视频检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
XIAOWEN WU 等: "The Detection of Typical Targets under the Background of Land War", 《2017 29TH CHINESE CONTROL AND DECISION CONFERENCE（CCDC）》 *
张菊莉 等: "视觉感知启发的面向出舱活动的物体识别技术研究", 《载人航天》 *
张雅俊 等: "基于卷积神经网络的人流量统计", 《重庆邮电大学学报( 自然科学版)》 *
王思雨 等: "基于卷积神经网络的高分辨率SAR图像飞机目标检测方法", 《雷达学报》 *

Also Published As

Publication number Publication date
CN110717575B (zh) 2022-07-26

Similar Documents

Publication Publication Date Title
US10769485B2 (en) Framebuffer-less system and method of convolutional neural network
US11074445B2 (en) Remote sensing image recognition method and apparatus, storage medium and electronic device
US9971959B2 (en) Performing object detection operations via a graphics processing unit
US20060222243A1 (en) Extraction and scaled display of objects in an image
WO2018176186A1 (en) Semantic image segmentation using gated dense pyramid blocks
CN108230354B (zh) 目标跟踪、网络训练方法、装置、电子设备和存储介质
CN109784372B (zh) 一种基于卷积神经网络的目标分类方法
CN108229673B (zh) 卷积神经网络的处理方法、装置和电子设备
US9025889B2 (en) Method, apparatus and computer program product for providing pattern detection with unknown noise levels
US10892012B2 (en) Apparatus, video processing unit and method for clustering events in a content addressable memory
WO2023116632A1 (zh) 基于时空记忆信息的视频实例分割方法和分割装置
CN109671042B (zh) 基于fpga形态学算子的灰度图像处理***及方法
US10475187B2 (en) Apparatus and method for dividing image into regions
CN111340025A (zh) 字符识别方法、装置、计算机设备和计算机可读存储介质
CN111179212A (zh) 集成蒸馏策略和反卷积的微小目标检测片上实现方法
JP7014005B2 (ja) 画像処理装置及び方法、電子機器
US20150242988A1 (en) Methods of eliminating redundant rendering of frames
CN110717575B (zh) 无帧缓冲器的卷积神经网络***与方法
US7479996B2 (en) Noise eliminating device and method therefor
TWI696127B (zh) 無訊框緩衝器的卷積神經網路系統與方法
CN114943729A (zh) 一种高分辨率细胞图像的细胞计数方法及***
JP2003178310A (ja) 物体画像追跡方法及びプログラム
CN114120423A (zh) 人脸图像检测方法、装置、电子设备和计算机可读介质
CN111583292B (zh) 一种面向双光子钙成像视频数据的自适应图像分割方法
KR101620928B1 (ko) 우선순위 주소 배분과 이동창 기법을 이용한 얼굴검출 시스템

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