CN110766098A - 基于改进YOLOv3的交通场景小目标检测方法 - Google Patents
基于改进YOLOv3的交通场景小目标检测方法 Download PDFInfo
- Publication number
- CN110766098A CN110766098A CN201911079565.2A CN201911079565A CN110766098A CN 110766098 A CN110766098 A CN 110766098A CN 201911079565 A CN201911079565 A CN 201911079565A CN 110766098 A CN110766098 A CN 110766098A
- Authority
- CN
- China
- Prior art keywords
- network
- feature
- scale
- detection
- yolov3
- 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
Images
Classifications
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
-
- 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
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提出基于改进YOLOv3的交通场景小目标检测方法,解决YOLOv3网络过深问题,提高对小目标检测的精确度和速度,一定程度上避免训练神经网络出现的过拟合现象。属于智能交通领域。其包括以下步骤:1)构建特征提取网络Darknet‑50提取输入图像特征,充分提取图像浅层特征信息;2)将YOLOv3的3尺度检测增加为4尺度,融合提取的浅层特征信息,构建多尺度特征金字塔网络;3)利用K‑means算法生成12个anchor box,根据损失函数做bounding box回归和多标签分类,利用随机梯度下降法优化求解模型;4)用预训练后的网络模型对输入图片提取特征,送入到简化后的YOLO网络中的多尺度检测模块进行预测,采用极大值抑制法(NMS)去除冗余框,预测最优的目标对象。
Description
技术领域
本发明提出一种基于改进YOLOv3的交通场景小目标检测方法,解决YOLOv3网络过深问题,提高对小目标检测的精确度和速度,一定程度上避免训练神经网络出现的过拟合现象。属于智能交通领域。
背景技术
在交通目标识别应用中,小目标的识别与跟踪是研究的关键问题之一。在智能化领域中,检测与识别交通标志是自动驾驶汽车***中非常重要的一个部分,因此准确的检测与识别交通标志的研究意义也更加突出。
对于常规的目标,采用经典的检测方法可以获得较好的检测结果。但是对于小目标的检测问题都不太理想。这些方法在Pascal VOC、COCO等数据集上的检测结果来看,他们对于诸如小鸟、船只等小目标检测效果较差,而对于虽然复杂但更大一些的目标检测效果却很好。由此可以说明一方面特征网络缺少学习特定特征和表达特征的能力,另一方面网络提取出来的小目标特征能提供给模型的信息过于匮乏。小目标成为制约通用目标检测方法提升性能的关键问题,越来越多的学者对此展开了研究,通过研究卷积神经网络低层特征和高层特征的信息特点,使用不同层的特征反演目标图像,得出了低层特征富含细节的信息,更适合用于小目标检测任务的结论。本文发明主要针对神经网络YOLOv3网络过深,在目标检测任务中容易忽略低层位置信息的问题,提出增强浅层特征的表征能力,并引入多尺度检测融合低层特征信息增强对于检测小目标效果的方法,在保证检测速度满足实时性要求的同时提高检测精度。
发明内容
针对上述问题,本发明的是一种基于改进YOLOv3的交通场景小目标检测方法,通过使用ResNet网络改进YOLOv3较深的特征提取结构Darknet-53,增强低层特征的表征能力;利用FPN网络获取目标的4个尺度特征,充分融合浅层特征和深层特征信息,增强小目标物体、相互遮挡物体的检测效果。发明基本流程如图1所示。
本发明采取如下技术方案:一种基于改进YOLOv3的交通场景小目标检测方法包括如下步骤:
1)构建特征提取网络Darknet-50提取输入图像特征,充分提取图像浅层特征信息;
2)将YOLOv3的3尺度检测增加为4尺度,融合提取的浅层特征信息,构建多尺度特征金字塔网络;
3)利用K-means算法生成12个anchor box,根据损失函数做bounding box回归和多标签分类,利用随机梯度下降法优化求解模型;
4)用预训练后的网络模型对输入图片提取特征,送入到简化后的YOLO网络中的多尺度检测模块进行预测,采用极大值抑制法(NMS)去除冗余框,预测最优的目标对象。
本发明由于采取以上方法,其具有以下优点:
1、通过使用ResNet网络改进YOLOv3较深的特征提取结构Darknet-53,增强低层特征的表征能力;
2、利用FPN网络获取目标的4个尺度特征,充分融合浅层特征和深层特征信息,有效增强小目标物体、相互遮挡物体的检测效果。
3、在保证检测速度满足实时性的同时有效提高检测精度,尤其是对小目标的检测能力。
附图说明
图1本发明基本流程图;
图2特征提取网络Darket-50结构;
图3本发明网络检测过程;
图4本发明改进尺度后效果;
图5本发明网络整体改进后检测效果;
图6不同网络在小目标中检测效果P-R图。
具体实施方式
下面结合说明书附图通过一个实例对本发明做进一步说明,本实例仅为本发明其中的一种应用实例。
步骤1)获取KITTI数据集的7481张图像,其中分为训练集4000张和测试集3481张,将实验数据集按照Pascal VOC数据集格式进行整理,按比例将数据分为训练集和测试集。
本发明的特征提取网络Darknet-50是在原始YOLOv3的Darknet-53结构的基础上改进,如图2所示,具体步骤为:
S11)将输入输出大小都为208×208的特征图之间的2次卷积操作和1次直连接改为4次卷积操作和2次直连接;将输入输出大小都为104×104的特征图之间的4次卷积操作和2次直连接改为12次卷积操作和6次直连接;将输入输出大小都为52×52的特征图之间的16次卷积操作和8次直连接改为12次卷积操作和6次直连接;将输入输出大小都为26×26的特征图之间的16次卷积操作和8次直连接改为8次卷积操作和4次直连接;将输入输出大小都为13×13的特征图之间的8次卷积操作和4次直连接改为4次卷积操作和2次直连接;
S12)过渡层为交替使用的1×1和3×3卷积层,使用1×1的卷积层有助于平滑提取的特征,避免下采样过程中丢失更多的特征信息。
步骤2)将YOLOv3的3尺度检测增加为4尺度,构成四个分支结构,如图3所示,输入尺寸为416×416,每个分支共享从ResNet网络中提取的特征,并对13×13,26×26,52×52分辨率的分支进行两倍上采样操作,将上采样后的特征层与浅特征层进行级联,在4个尺度的融合特征图上分别作独立的检测。改进后的多尺度融合可以从浅层特征层中学习较强的位置特征,融合上采样后的深层特征进行更确切的细粒度检测。
相比YOLOv3网络原来的3尺度检测,本发明通过融合更多尺度的浅层特征信息,增强特征金字塔的表征能力,提升小目标的检测精度,降低漏检率,通过mAP与迭代次数指标评估改进尺度前后的网络性能,实验结果如图4所示。
步骤3)利用K-means算法生成12个anchor box,根据损失函数做bounding box回归和多标签分类;采用极大值抑制法(NMS)去除冗余框,预测最优的目标对象,具体步骤为:
S31)通过K-means聚类方法在待训练的数据集里面统计目标框的长和宽,通过观察选择k个初始聚类中心点,逐一计算所有数据对象到各个聚类中心点的距离,之后将数据对象分配给距离最短的集合。本发明采用的是选取合适的IOU分数,根据IOU和anchor box的关系,采用4个尺度的12个anchor box分别为(12,26),(15,45)(24,23)(29,51),(33,81),(35,54)(46,100)(54,67),(87,105)(105,170)(150,245),(165,321);
S32)采用极大值抑制法(NMS)根据分类器的类别分类概率做排序,通过迭代形式,不断以最大得分的框去与其他框做IOU操作,过滤那些IOU较大的框,一直重复进行,标记完所有要保留下来的矩形框,去除冗余候选,预测最优的目标对象。
步骤4)具体实施步骤如图3所示,用于提取卷积特征的Darknet-50部分先在ImageNet上进行预训练,缩短训练时间;
去掉YOLO检测层前的两组卷积层,简化网络结构;将提取的4个尺度特征图送入到YOLO网络中检测;
本发明设置的最大迭代次数为50000次,初始化学习率为0.001,batch_size设置为64,decay为0.0005,momentum为0.9,根据损失下降的趋势,可以适当调节学习率和batch_size的值,直至训练数据集输出的损失函数值小于等于阈值或达到设置的最大迭代次数时停止训练,得到训练好的改进网络。
通过整合以上所有改进,形成了本文的Superior-YOLOv3(S-YOLOv3)网络,本发明的实验对比了Fast R-CNN、Faster R-CNN、YOLO、YOLOv2、YOLOv3,SSD等网络在KITTI数据集上的检测效果,通过传输速率和mAP评价指标评估本发明提出的改进网络的性能,如图5所示。
本发明在上述实验结果的基础之上,将选用的四类标签数据按照尺寸大小分为小目标和中等目标以及大目标,分类原则为:(0,32],(32,96],(96,416)。按照这种策略来评估本文提出的检测方法对于小目标的检测效果,实验以查全率(R)和查准率(P)为评估指标。通过比较P-R曲线下方区域(AUC)的面积,验证本文提出的模型的性能,如图6所示。
从附图6中可以看出,本文改进的S-YOLOv3算法在小目标的检测当中获得了最佳的性能,AUC值均高于其他模型,说明本文改进的算法有效,且在小目标的车辆检测中效果提升显著。
本发明的保护范围也并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (5)
1.一种基于改进YOLOv3的交通场景小目标检测方法,其特征在于,包含如下步骤:
1)构建特征提取网络Darknet-50提取输入图像特征,充分提取图像浅层特征信息;
2)将YOLOv3的3尺度检测增加为4尺度,融合提取的浅层特征信息,构建多尺度特征金字塔网络;
3)利用K-means算法生成12个anchor box,根据损失函数做bounding box回归和多标签分类,利用随机梯度下降法优化求解模型;
4)用预训练后的网络模型对输入图片提取特征,送入到简化后的YOLO网络中的多尺度检测模块进行预测,采用极大值抑制法(NMS)去除冗余框,预测最优的目标对象。
2.如权利要求1所述的一种基于改进YOLOv3的交通场景小目标检测方法及***,其特征在于:所述步骤1)构建特征提取网络Darknet-50提取输入图像特征,具体步骤为:
S11)将输入输出大小都为208×208的特征图之间的2次卷积操作和1次直连接改为4次卷积操作和2次直连接;将输入输出大小都为104×104的特征图之间的4次卷积操作和2次直连接改为12次卷积操作和6次直连接;将输入输出大小都为52×52的特征图之间的16次卷积操作和8次直连接改为12次卷积操作和6次直连接;将输入输出大小都为26×26的特征图之间的16次卷积操作和8次直连接改为8次卷积操作和4次直连接;将输入输出大小都为13×13的特征图之间的8次卷积操作和4次直连接改为4次卷积操作和2次直连接;
S12)过渡层为交替使用的1×1和3×3卷积层,使用1×1的卷积层有助于平滑提取的特征,避免下采样过程中丢失更多的特征信息。
3.如权利要求1的一种基于改进YOLOv3的交通场景小目标检测方法及***,其特征在于:所述步骤2),具体步骤为:将YOLOv3的3尺度检测增加为4尺度,构成四个分支结构,输入尺寸为416×416,每个分支共享从ResNet网络中提取的特征,并对13×13,26×26,52×52分辨率的分支进行两倍上采样操作,将上采样后的特征层与浅特征层进行级联,在4个尺度的融合特征图上分别作独立的检测。改进后的多尺度融合可以从浅层特征层中学习较强的位置特征,融合上采样后的深层特征进行更确切的细粒度检测。通过融合更多尺度的浅层特征信息,增强特征金字塔的表征能力,提升小目标的检测精度,降低漏检率。
4.如权利要求1所述的一种基于改进YOLOv3的交通场景小目标检测方法及***,其特征在于:所述步骤3)通过K-means聚类选取合适的IOU分数,根据IOU和anchor box的关系,本发明采用4个尺度的12个anchor box分别为(12,26),(15,45)(24,23)(29,51),(33,81),(35,54)(46,100)(54,67),(87,105)(105,170)(150,245),(165,321)。
5.如权利要求1所述的一种基于改进YOLOv3的交通场景小目标检测方法及***,其特征在于:所述步骤4)具体步骤为:
S41)用于提取卷积特征的Darknet-50部分先在ImageNet上进行预训练,缩短训练时间;去掉YOLO检测层前的两组卷积层,简化网络结构;将提取的4个尺度特征图送入到YOLO网络中检测。本发明设置的最大迭代次数为50000次,初始化学习率为0.001,batch_size设置为64,decay为0.0005,momentum为0.9,根据损失下降的趋势,可以适当调节学习率和batch_size的值,直至训练数据集输出的损失函数值小于等于阈值或达到设置的最大迭代次数时停止训练,得到训练好的改进去网络。
S42)采用极大值抑制法(NMS)根据分类器的类别分类概率做排序,通过迭代形式,不断以最大得分的框去与其他框做IOU操作,过滤那些IOU较大的框,一直重复进行,标记完所有要保留下来的矩形框,去除冗余候选,预测最优的目标对象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911079565.2A CN110766098A (zh) | 2019-11-07 | 2019-11-07 | 基于改进YOLOv3的交通场景小目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911079565.2A CN110766098A (zh) | 2019-11-07 | 2019-11-07 | 基于改进YOLOv3的交通场景小目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110766098A true CN110766098A (zh) | 2020-02-07 |
Family
ID=69336633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911079565.2A Pending CN110766098A (zh) | 2019-11-07 | 2019-11-07 | 基于改进YOLOv3的交通场景小目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766098A (zh) |
Cited By (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340843A (zh) * | 2020-02-19 | 2020-06-26 | 山东大学 | 基于环境自适应和小样本学习的电力场景视频检测方法 |
CN111339977A (zh) * | 2020-03-03 | 2020-06-26 | 河南中光学集团有限公司 | 一种基于远程视频监控的小目标智能识别***及其识别方法 |
CN111353393A (zh) * | 2020-02-19 | 2020-06-30 | 桂林电子科技大学 | 一种基于神经网络的犬只检测与预警*** |
CN111415338A (zh) * | 2020-03-16 | 2020-07-14 | 城云科技(中国)有限公司 | 目标检测模型的构建方法及*** |
CN111460894A (zh) * | 2020-03-03 | 2020-07-28 | 温州大学 | 一种基于卷积神经网络的车标智能检测方法 |
CN111462050A (zh) * | 2020-03-12 | 2020-07-28 | 上海理工大学 | 改进YOLOv3的极小遥感图像目标检测方法、装置及存储介质 |
CN111476817A (zh) * | 2020-02-27 | 2020-07-31 | 浙江工业大学 | 一种基于yolov3的多目标行人检测跟踪方法 |
CN111539390A (zh) * | 2020-06-22 | 2020-08-14 | 深圳市铁越电气有限公司 | 一种基于Yolov3的小目标图像识别方法、设备和*** |
CN111553348A (zh) * | 2020-04-26 | 2020-08-18 | 中南大学 | 一种基于centernet的anchor-based目标检测方法 |
CN111553406A (zh) * | 2020-04-24 | 2020-08-18 | 上海锘科智能科技有限公司 | 基于改进yolo-v3的目标检测***、方法及终端 |
CN111563525A (zh) * | 2020-03-25 | 2020-08-21 | 北京航空航天大学 | 一种基于YOLOv3-Tiny的运动目标检测方法 |
CN111709489A (zh) * | 2020-06-24 | 2020-09-25 | 广西师范大学 | 一种基于改进YOLOv4的柑橘识别方法 |
CN111738056A (zh) * | 2020-04-27 | 2020-10-02 | 浙江万里学院 | 一种基于改进YOLO v3的重卡盲区目标检测方法 |
CN111783819A (zh) * | 2020-05-08 | 2020-10-16 | 国家电网有限公司 | 小规模数据集上基于感兴趣区域训练改进的目标检测方法 |
CN111860160A (zh) * | 2020-06-16 | 2020-10-30 | 北京华电天仁电力控制技术有限公司 | 一种室内检测口罩佩戴的方法 |
CN111968076A (zh) * | 2020-07-24 | 2020-11-20 | 西安工程大学 | 一种基于s-yolov3的织物实时缺陷检测方法 |
CN112101221A (zh) * | 2020-09-15 | 2020-12-18 | 哈尔滨理工大学 | 一种用于交通信号灯实时检测与识别的方法 |
CN112163572A (zh) * | 2020-10-30 | 2021-01-01 | 国网北京市电力公司 | 识别对象的方法和装置 |
CN112200189A (zh) * | 2020-10-19 | 2021-01-08 | 平安国际智慧城市科技股份有限公司 | 基于SPP-YOLOv3的车型识别方法、装置及计算机可读存储介质 |
CN112211793A (zh) * | 2020-08-25 | 2021-01-12 | 华北电力大学(保定) | 一种基于视频图像分析的风电机组故障自动识别方法 |
CN112215208A (zh) * | 2020-11-10 | 2021-01-12 | 中国人民解放军战略支援部队信息工程大学 | 基于改进YOLOv4的遥感影像桥梁目标检测算法 |
CN112288031A (zh) * | 2020-11-18 | 2021-01-29 | 北京航空航天大学杭州创新研究院 | 交通信号灯检测方法、装置、电子设备和存储介质 |
CN112307976A (zh) * | 2020-10-30 | 2021-02-02 | 北京百度网讯科技有限公司 | 目标检测方法、装置、电子设备以及存储介质 |
CN112308040A (zh) * | 2020-11-26 | 2021-02-02 | 山东捷讯通信技术有限公司 | 一种基于高清图像的河流排污口检测方法及*** |
CN112446350A (zh) * | 2020-12-09 | 2021-03-05 | 武汉工程大学 | 一种改进YOLOv3复杂棉田背景下棉花检测方法 |
CN112487864A (zh) * | 2020-11-02 | 2021-03-12 | 江阴市智行工控科技有限公司 | 一种面向施工现场的对于小目标安全帽和防护服检测方法 |
CN112528934A (zh) * | 2020-12-22 | 2021-03-19 | 燕山大学 | 一种基于多尺度特征层的改进型YOLOv3的交通标志检测方法 |
CN112529090A (zh) * | 2020-12-18 | 2021-03-19 | 天津大学 | 一种基于改进YOLOv3的小目标检测方法 |
CN112560586A (zh) * | 2020-11-27 | 2021-03-26 | 国家电网有限公司大数据中心 | 一种杆塔标识牌结构化数据获得方法、装置及电子设备 |
CN112598056A (zh) * | 2020-12-21 | 2021-04-02 | 北京工业大学 | 一种基于屏幕监控的软件识别方法 |
CN112784748A (zh) * | 2021-01-22 | 2021-05-11 | 大连海事大学 | 一种基于改进的YOLOv3的微藻识别方法 |
CN112950837A (zh) * | 2021-03-03 | 2021-06-11 | 中国工商银行股份有限公司 | 基于深度学习的纸币破损情况识别方法及装置 |
CN113034478A (zh) * | 2021-03-31 | 2021-06-25 | 太原科技大学 | 一种基于深度学习网络的焊缝缺陷识别定位方法、*** |
CN113052834A (zh) * | 2021-04-20 | 2021-06-29 | 河南大学 | 一种基于卷积神经网络多尺度特征的管道缺陷检测方法 |
CN113076898A (zh) * | 2021-04-09 | 2021-07-06 | 长安大学 | 一种交通车辆目标检测方法、装置、设备及可读存储介质 |
CN113191237A (zh) * | 2021-04-21 | 2021-07-30 | 深圳职业技术学院 | 一种基于改进YOLOv3的果树图像小目标检测方法及装置 |
CN113221838A (zh) * | 2021-06-02 | 2021-08-06 | 郑州大学 | 一种基于深度学习的不文明乘梯检测***及方法 |
CN113269156A (zh) * | 2021-07-02 | 2021-08-17 | 昆明理工大学 | 一种基于多尺度特征融合的信号灯检测识别方法及*** |
CN113313708A (zh) * | 2021-06-30 | 2021-08-27 | 安徽工程大学 | 基于深度神经网络的水果检测方法及*** |
CN113486764A (zh) * | 2021-06-30 | 2021-10-08 | 中南大学 | 一种基于改进的YOLOv3的坑洼检测方法 |
CN113592784A (zh) * | 2021-07-08 | 2021-11-02 | 浙江科技学院 | 一种基于轻量级卷积神经网络检测路面病害的方法及装置 |
CN114332583A (zh) * | 2021-12-10 | 2022-04-12 | 北京航空航天大学 | 基于改进yolov3的室内目标检测方法 |
CN114548223A (zh) * | 2022-01-18 | 2022-05-27 | 南京工程学院 | 一种适用小目标检测的改进型YOLOv4网络结构及其应用 |
CN115082688A (zh) * | 2022-06-02 | 2022-09-20 | 艾迪恩(山东)科技有限公司 | 一种基于目标检测的多尺度特征融合方法 |
-
2019
- 2019-11-07 CN CN201911079565.2A patent/CN110766098A/zh active Pending
Cited By (61)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340843A (zh) * | 2020-02-19 | 2020-06-26 | 山东大学 | 基于环境自适应和小样本学习的电力场景视频检测方法 |
CN111353393A (zh) * | 2020-02-19 | 2020-06-30 | 桂林电子科技大学 | 一种基于神经网络的犬只检测与预警*** |
CN111476817A (zh) * | 2020-02-27 | 2020-07-31 | 浙江工业大学 | 一种基于yolov3的多目标行人检测跟踪方法 |
CN111339977A (zh) * | 2020-03-03 | 2020-06-26 | 河南中光学集团有限公司 | 一种基于远程视频监控的小目标智能识别***及其识别方法 |
CN111460894A (zh) * | 2020-03-03 | 2020-07-28 | 温州大学 | 一种基于卷积神经网络的车标智能检测方法 |
CN111460894B (zh) * | 2020-03-03 | 2021-09-03 | 温州大学 | 一种基于卷积神经网络的车标智能检测方法 |
CN111462050A (zh) * | 2020-03-12 | 2020-07-28 | 上海理工大学 | 改进YOLOv3的极小遥感图像目标检测方法、装置及存储介质 |
CN111462050B (zh) * | 2020-03-12 | 2022-10-11 | 上海理工大学 | 改进YOLOv3的极小遥感图像目标检测方法、装置及存储介质 |
CN111415338A (zh) * | 2020-03-16 | 2020-07-14 | 城云科技(中国)有限公司 | 目标检测模型的构建方法及*** |
CN111563525A (zh) * | 2020-03-25 | 2020-08-21 | 北京航空航天大学 | 一种基于YOLOv3-Tiny的运动目标检测方法 |
CN111553406A (zh) * | 2020-04-24 | 2020-08-18 | 上海锘科智能科技有限公司 | 基于改进yolo-v3的目标检测***、方法及终端 |
CN111553406B (zh) * | 2020-04-24 | 2023-04-28 | 上海锘科智能科技有限公司 | 基于改进yolo-v3的目标检测***、方法及终端 |
CN111553348A (zh) * | 2020-04-26 | 2020-08-18 | 中南大学 | 一种基于centernet的anchor-based目标检测方法 |
CN111738056A (zh) * | 2020-04-27 | 2020-10-02 | 浙江万里学院 | 一种基于改进YOLO v3的重卡盲区目标检测方法 |
CN111738056B (zh) * | 2020-04-27 | 2023-11-03 | 浙江万里学院 | 一种基于改进YOLO v3的重卡盲区目标检测方法 |
CN111783819B (zh) * | 2020-05-08 | 2024-02-09 | 国家电网有限公司 | 小规模数据集上基于感兴趣区域训练改进的目标检测方法 |
CN111783819A (zh) * | 2020-05-08 | 2020-10-16 | 国家电网有限公司 | 小规模数据集上基于感兴趣区域训练改进的目标检测方法 |
CN111860160A (zh) * | 2020-06-16 | 2020-10-30 | 北京华电天仁电力控制技术有限公司 | 一种室内检测口罩佩戴的方法 |
CN111860160B (zh) * | 2020-06-16 | 2023-12-12 | 国能信控互联技术有限公司 | 一种室内检测口罩佩戴的方法 |
CN111539390A (zh) * | 2020-06-22 | 2020-08-14 | 深圳市铁越电气有限公司 | 一种基于Yolov3的小目标图像识别方法、设备和*** |
CN111709489B (zh) * | 2020-06-24 | 2022-04-08 | 广西师范大学 | 一种基于改进YOLOv4的柑橘识别方法 |
CN111709489A (zh) * | 2020-06-24 | 2020-09-25 | 广西师范大学 | 一种基于改进YOLOv4的柑橘识别方法 |
CN111968076A (zh) * | 2020-07-24 | 2020-11-20 | 西安工程大学 | 一种基于s-yolov3的织物实时缺陷检测方法 |
CN112211793A (zh) * | 2020-08-25 | 2021-01-12 | 华北电力大学(保定) | 一种基于视频图像分析的风电机组故障自动识别方法 |
CN112101221B (zh) * | 2020-09-15 | 2022-06-21 | 哈尔滨理工大学 | 一种用于交通信号灯实时检测与识别的方法 |
CN112101221A (zh) * | 2020-09-15 | 2020-12-18 | 哈尔滨理工大学 | 一种用于交通信号灯实时检测与识别的方法 |
CN112200189A (zh) * | 2020-10-19 | 2021-01-08 | 平安国际智慧城市科技股份有限公司 | 基于SPP-YOLOv3的车型识别方法、装置及计算机可读存储介质 |
CN112200189B (zh) * | 2020-10-19 | 2024-04-19 | 平安国际智慧城市科技股份有限公司 | 基于SPP-YOLOv3的车型识别方法、装置及计算机可读存储介质 |
CN112163572A (zh) * | 2020-10-30 | 2021-01-01 | 国网北京市电力公司 | 识别对象的方法和装置 |
CN112307976B (zh) * | 2020-10-30 | 2024-05-10 | 北京百度网讯科技有限公司 | 目标检测方法、装置、电子设备以及存储介质 |
CN112307976A (zh) * | 2020-10-30 | 2021-02-02 | 北京百度网讯科技有限公司 | 目标检测方法、装置、电子设备以及存储介质 |
CN112487864A (zh) * | 2020-11-02 | 2021-03-12 | 江阴市智行工控科技有限公司 | 一种面向施工现场的对于小目标安全帽和防护服检测方法 |
CN112215208A (zh) * | 2020-11-10 | 2021-01-12 | 中国人民解放军战略支援部队信息工程大学 | 基于改进YOLOv4的遥感影像桥梁目标检测算法 |
CN112288031A (zh) * | 2020-11-18 | 2021-01-29 | 北京航空航天大学杭州创新研究院 | 交通信号灯检测方法、装置、电子设备和存储介质 |
CN112308040A (zh) * | 2020-11-26 | 2021-02-02 | 山东捷讯通信技术有限公司 | 一种基于高清图像的河流排污口检测方法及*** |
CN112560586B (zh) * | 2020-11-27 | 2024-05-10 | 国家电网有限公司大数据中心 | 一种杆塔标识牌结构化数据获得方法、装置及电子设备 |
CN112560586A (zh) * | 2020-11-27 | 2021-03-26 | 国家电网有限公司大数据中心 | 一种杆塔标识牌结构化数据获得方法、装置及电子设备 |
CN112446350A (zh) * | 2020-12-09 | 2021-03-05 | 武汉工程大学 | 一种改进YOLOv3复杂棉田背景下棉花检测方法 |
CN112446350B (zh) * | 2020-12-09 | 2022-07-19 | 武汉工程大学 | 一种改进YOLOv3复杂棉田背景下棉花检测方法 |
CN112529090A (zh) * | 2020-12-18 | 2021-03-19 | 天津大学 | 一种基于改进YOLOv3的小目标检测方法 |
CN112598056A (zh) * | 2020-12-21 | 2021-04-02 | 北京工业大学 | 一种基于屏幕监控的软件识别方法 |
CN112528934A (zh) * | 2020-12-22 | 2021-03-19 | 燕山大学 | 一种基于多尺度特征层的改进型YOLOv3的交通标志检测方法 |
CN112784748A (zh) * | 2021-01-22 | 2021-05-11 | 大连海事大学 | 一种基于改进的YOLOv3的微藻识别方法 |
CN112950837B (zh) * | 2021-03-03 | 2023-06-16 | 中国工商银行股份有限公司 | 基于深度学习的纸币破损情况识别方法及装置 |
CN112950837A (zh) * | 2021-03-03 | 2021-06-11 | 中国工商银行股份有限公司 | 基于深度学习的纸币破损情况识别方法及装置 |
CN113034478A (zh) * | 2021-03-31 | 2021-06-25 | 太原科技大学 | 一种基于深度学习网络的焊缝缺陷识别定位方法、*** |
CN113076898A (zh) * | 2021-04-09 | 2021-07-06 | 长安大学 | 一种交通车辆目标检测方法、装置、设备及可读存储介质 |
CN113076898B (zh) * | 2021-04-09 | 2023-09-15 | 长安大学 | 一种交通车辆目标检测方法、装置、设备及可读存储介质 |
CN113052834A (zh) * | 2021-04-20 | 2021-06-29 | 河南大学 | 一种基于卷积神经网络多尺度特征的管道缺陷检测方法 |
CN113052834B (zh) * | 2021-04-20 | 2023-04-18 | 河南大学 | 一种基于卷积神经网络多尺度特征的管道缺陷检测方法 |
CN113191237A (zh) * | 2021-04-21 | 2021-07-30 | 深圳职业技术学院 | 一种基于改进YOLOv3的果树图像小目标检测方法及装置 |
CN113221838A (zh) * | 2021-06-02 | 2021-08-06 | 郑州大学 | 一种基于深度学习的不文明乘梯检测***及方法 |
CN113486764A (zh) * | 2021-06-30 | 2021-10-08 | 中南大学 | 一种基于改进的YOLOv3的坑洼检测方法 |
CN113313708A (zh) * | 2021-06-30 | 2021-08-27 | 安徽工程大学 | 基于深度神经网络的水果检测方法及*** |
CN113486764B (zh) * | 2021-06-30 | 2022-05-03 | 中南大学 | 一种基于改进的YOLOv3的坑洼检测方法 |
CN113269156A (zh) * | 2021-07-02 | 2021-08-17 | 昆明理工大学 | 一种基于多尺度特征融合的信号灯检测识别方法及*** |
CN113269156B (zh) * | 2021-07-02 | 2023-04-18 | 昆明理工大学 | 一种基于多尺度特征融合的信号灯检测识别方法及*** |
CN113592784A (zh) * | 2021-07-08 | 2021-11-02 | 浙江科技学院 | 一种基于轻量级卷积神经网络检测路面病害的方法及装置 |
CN114332583A (zh) * | 2021-12-10 | 2022-04-12 | 北京航空航天大学 | 基于改进yolov3的室内目标检测方法 |
CN114548223A (zh) * | 2022-01-18 | 2022-05-27 | 南京工程学院 | 一种适用小目标检测的改进型YOLOv4网络结构及其应用 |
CN115082688A (zh) * | 2022-06-02 | 2022-09-20 | 艾迪恩(山东)科技有限公司 | 一种基于目标检测的多尺度特征融合方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766098A (zh) | 基于改进YOLOv3的交通场景小目标检测方法 | |
WO2022083784A1 (zh) | 一种基于车联网的道路检测方法 | |
CN110163187B (zh) | 基于f-rcnn的远距离交通标志检测识别方法 | |
JP7120689B2 (ja) | 深層学習に基づく車載ビデオターゲット検出方法 | |
CN111178213B (zh) | 一种基于深度学习的航拍车辆检测方法 | |
CN107368787B (zh) | 一种面向深度智驾应用的交通标志识别方法 | |
Ohgushi et al. | Road obstacle detection method based on an autoencoder with semantic segmentation | |
CN112633149B (zh) | 一种域自适应雾天图像目标检测方法和装置 | |
CN112347987A (zh) | 一种多模数据融合的三维目标检测方法 | |
CN113920499A (zh) | 一种面向复杂交通场景的激光点云三维目标检测模型及方法 | |
CN110599497A (zh) | 一种基于深度神经网络的可行驶区域分割方法 | |
CN112287983B (zh) | 一种基于深度学习的遥感图像目标提取***和方法 | |
CN114693924A (zh) | 一种基于多模型融合的道路场景语义分割方法 | |
CN112528934A (zh) | 一种基于多尺度特征层的改进型YOLOv3的交通标志检测方法 | |
CN112990065A (zh) | 一种基于优化的YOLOv5模型的车辆分类检测方法 | |
CN108491828B (zh) | 一种基于层次的成对相似性PVAnet的停车位检测***及方法 | |
Meng et al. | A block object detection method based on feature fusion networks for autonomous vehicles | |
CN112395953A (zh) | 一种道面异物检测*** | |
CN114973199A (zh) | 一种基于卷积神经网络的轨道交通列车障碍物检测方法 | |
WO2022199225A1 (zh) | 解码方法、装置和计算机可读存储介质 | |
CN106529391B (zh) | 一种鲁棒的限速交通标志检测与识别方法 | |
CN115115915A (zh) | 基于智能路口的斑马线检测方法以及*** | |
CN112634289B (zh) | 一种基于非对称空洞卷积的快速可行域分割方法 | |
CN111160282B (zh) | 一种基于二值化Yolov3网络的红绿灯检测方法 | |
CN112597996A (zh) | 基于任务驱动的自然场景中交通标志显著性检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200207 |