CN110991362A - 一种基于注意力机制的行人检测模型 - Google Patents
一种基于注意力机制的行人检测模型 Download PDFInfo
- Publication number
- CN110991362A CN110991362A CN201911245314.7A CN201911245314A CN110991362A CN 110991362 A CN110991362 A CN 110991362A CN 201911245314 A CN201911245314 A CN 201911245314A CN 110991362 A CN110991362 A CN 110991362A
- Authority
- CN
- China
- Prior art keywords
- channel
- attention mechanism
- module
- network
- residual
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于注意力机制的行人检测模型，包括YOLOv3的多尺度预测结构、用于残差连接的通道注意力机构结构和用于残差连接的通道积空间注意力机制机构，YOLOv3的多尺度预测结构用能够提取到更丰富特征的基础神经网络、融合多个尺度的特征来进行检测的方法。本发明通过YOLOv3算法的实时检测性减少端到端行人目标检测算法中漏检和误检的情况，通过对于所提取出的特征向量进行充分的利用和修正，同时修改残差连接结构中的单一连接方式，使整个网络能更好地筛选出有利于后续检测的特征向量，其次，高效、低耗的检测算法能够更好地应用于智能设备或无人机之类的使用场景中，因此对回归型算法的改进研究也具有一定的现实意义。
Description
技术领域
本发明涉及检测模型领域，特别涉及一种基于注意力机制的行人检测模型。
背景技术
在机器翻译或者自然语言处理领域，使用数理统计的方法来进行分析和处理。近些年来，随着AlphaGo的兴起，除了在游戏AI领域，深度学习在计算机视觉领域，机器翻译和自然语言处理领域也有着巨大的用武之地。在2016年，随着深度学习的进一步发展，seq2seq的训练模式和翻译模式已经开始进入人们的视野。除此之外，在端到端的训练方法中，除了需要海量的业务数据之外，在网络结构中加入一些重要的模块也是非常必要的。在此情形下，基于循环神经网络的注意力机制进入了人们的视野。
近几年来，随着深度卷积神经网络在计算机视觉领域的深入应用，以YOLO算法以及SSD算法为代表的实时目标检测模型在工业领域以及实际应用场景中发挥了很好的检测效果。但是，由于这两种算法将目标检测过程视作回归问题来处理，不能很好地将前景区域与背景区域区分开，容易产生误检和漏检。而以Faster-RCNN(RPN)的检测算法能在感兴趣区域的生成阶段就将可能含有待检测物体的区域大致确定下来，在大大提升准确率的同时也能为之后的分类阶段节省处理时间。目前对目标检测算法的改进主要包括：采用能够提取到更丰富特征的基础神经网络、融合多个尺度的特征来进行检测或是其他对于检测环节改进的方法。
在YOLOv3检测算法中，所提取的卷积特征并未对卷积核中不同的位置进行加权处理，即同等对待整个特征图中的每个区域，认为每个区域对于检测的贡献是相同的。然而在实际的生活场景中，图中待检测物体的周围往往具有复杂且丰富的语境信息，对目标区域的特征加以权重，可以使之能更好地定位在待检测的特征之上，也能在不引入过多参数量的基础上提升网络的泛化性能。
发明内容
本发明的目的在于提供一种基于注意力机制的行人检测模型，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于注意力机制的行人检测模型，包括YOLOv3的多尺度预测结构、用于残差连接的通道注意力机构结构和用于残差连接的通道积空间注意力机制机构；
YOLOv3的多尺度预测结构：用能够提取到更丰富特征的基础神经网络、融合多个尺度的特征来进行检测的方法；
用于残差连接的通道注意力机构结构，其***的执行步骤为：
S1：Attention-YOLO算法对网络中所有的残差连接进行替换；
S2：首先通过特征图上的全局平均池化获得残差模块上的信息；
S3：然后使用两个全连接层及ReLU非线性激活函数和Sigmoid激活函数来自适应地对全局平均池化模块上的信息进行建模；
S4：再将残差模块上的信息与自适应学习建模后的权重进行加权处理,实现特征响应及特征重校准的效果；
用于残差连接的通道积空间注意力机制机构，其***的执行步骤为：
S1：Attention-YOLO算法对网络中所有的残差连接进行替换；
S2：接着网络中残差模块上的信息传递分别传递到特征图上的全局平均池化和全局最大池化；
S3：然后使用两个全连接层及ReLU非线性激活函数和Sigmoid激活函数来自适应地对各全局平均池化和全局最大池化模块上的信息进行建模；
S4：神经网络中处理后的特征加权模块降维到通道中所有的残差模块；
S5：然后通道中残差模块上的信息传递分别传递到特征图上的通道平均池化和通道最大池化模块上；
S6：接着分别使用叠加层和卷积层及Sigmoid激活函数来自适应地对各通道平均池化和通道最大池化模块上的信息进行建模；
S7：再将通道残差模块上的信息与自适应学习建模后的权重进行加权处理,实现特征响应及特征重校准的效果。
优选的，全局平均池化是对整个特征图进行平均池化，--张特征图得出一个值。
优选的，通道注意力模块的作用是通过对特征图的各个通道之间的依赖性进行建模以提高对于重要特征的表征能力，网络可以有选择性地加强包含重要信息的特征并抑制作用无关或较弱关联的特征。
优选的，神经网络中传递的特征通道加以不同的权重，网络可以更加重视权重较大的通道进行参数更新，在前向传播的过程中,重要的特征通道将会占有更大的比重,在所呈现的输出图像中也能更加明显地展现出检测网络所重点关注的部分,更好地分辨出待检测物体
优选的，YOLOv3算法的实时检测性为了在不加深网络深度的前提下提升检测精度，Attention-YOLO算法仅仅对网络中所有的残差连接进行替换,通过对于传递特征的筛选,使得残差融合时保留的信息更加有利于训练损失的降低,有利于定位及分类的准确，网络在这部分增加的计算量集中在全连接层部分,通过一定比例的降维可以权衡性能和检测速度的取舍。
本发明的技术效果和优点：
1、本发明通过Attention-YOLO算法以较低的额外传播时间代价换取了检测精准度的提升，其主要思想是在保持回归型检测算法的能快速预测结果的前提下，通过对于所提取出的特征向量进行充分的利用和修正，同时修改残差连接结构中的单一连接方式，使整个网络能更好地筛选出有利于后续检测的特征向量；
2、本发明通过Attention-YOLO中涉及的注意力机制和改进的特征融合方法可以迁移至其他具有残差连接的特征提取网络中，对于其他若干种注意力机制迁移至检测算法中的研究具有一定指导意义；
3、本发明通过高效、低耗的检测算法能够更好地应用于智能设备或无人机之类的使用场景中，因此对回归型算法的改进研究也具有一定的现实意义。
附图说明
图1为本发明的YOLOv3的多尺度预测结构结构示意图。
图2为本发明的用于残差连接的通道注意力机构结构结构示意图。
图3为本发明的用于残差连接的通道积空间注意力机制机构结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了如图1-3所示的一种基于注意力机制的行人检测模型：
实施案例一：
本包括YOLOv3的多尺度预测结构、用于残差连接的通道注意力机构结构和用于残差连接的通道积空间注意力机制机构，其中YOLOv3的多尺度预测结构用能够提取到更丰富特征的基础神经网络、融合多个尺度的特征来进行检测的方法，YOLOv3算法的实时检测性为了在不加深网络深度的前提下提升检测精度，Attention-YOLO算法仅仅对网络中所有的残差连接进行替换,通过对于传递特征的筛选,使得残差融合时保留的信息更加有利于训练损失的降低,有利于定位及分类的准确，网络在这部分增加的计算量集中在全连接层部分,通过一定比例的降维可以权衡性能和检测速度的取舍；
通过Attention-YOLO算法以较低的额外传播时间代价换取了检测精准度的提升，其主要思想是在保持回归型检测算法的能快速预测结果的前提下，通过对于所提取出的特征向量进行充分的利用和修正，同时修改残差连接结构中的单一连接方式，使整个网络能更好地筛选出有利于后续检测的特征向量，Attention-YOLO中涉及的注意力机制和改进的特征融合方法可以迁移至其他具有残差连接的特征提取网络中，对于其他若干种注意力机制迁移至检测算法中的研究具有一定指导意义，通过高效、低耗的检测算法能够更好地应用于智能设备或无人机之类的使用场景中，因此对回归型算法的改进研究也具有一定的现实意义。
实施案例二：
用于残差连接的通道注意力机构结构，其***的执行步骤为：
S1：Attention-YOLO算法对网络中所有的残差连接进行替换；
S2：首先通过特征图上的全局平均池化获得残差模块上的信息；
S3：然后使用两个全连接层及ReLU非线性激活函数和Sigmoid激活函数来自适应地对全局平均池化模块上的信息进行建模；
S4：再将残差模块上的信息与自适应学习建模后的权重进行加权处理,实现特征响应及特征重校准的效果；
通过对于神经网络中传递的特征通道加以不同的权重，网络可以更加重视权重较大的通道进行参数更新，直观来说,在前向传播的过程中,重要的特征通道将会占有更大的比重,在所呈现的输出图像中也能更加明显地展现出检测网络所重点关注的部分,更好地分辨出待检测物体“是什么”。
实施案例三：
用于残差连接的通道积空间注意力机制机构，其***的执行步骤为：
S1：Attention-YOLO算法对网络中所有的残差连接进行替换；
S2：接着网络中残差模块上的信息传递分别传递到特征图上的全局平均池化和全局最大池化；
S3：然后使用两个全连接层及ReLU非线性激活函数和Sigmoid激活函数来自适应地对各全局平均池化和全局最大池化模块上的信息进行建模；
S4：神经网络中处理后的特征加权模块降维到通道中所有的残差模块；
S5：然后通道中残差模块上的信息传递分别传递到特征图上的通道平均池化和通道最大池化模块上；
S6：接着分别使用叠加层和卷积层及Sigmoid激活函数来自适应地对各通道平均池化和通道最大池化模块上的信息进行建模；
S7：再将通道残差模块上的信息与自适应学习建模后的权重进行加权处理,实现特征响应及特征重校准的效果；
全局平均池化是一种特殊的池化，全局平均池化是对整个特征图进行平均池化，--张特征图得出一个值，通道注意力模块的作用是通过对特征图的各个通道之间的依赖性进行建模以提高对于重要特征的表征能力，首先通过在各层特征图上的全局平均池化获得各个通道的全局信息，然后使用两个全连接层及ReLU非线性激活函数和Sigmoid激活函数来自适应地对各通道间的相关程度进行建模,再将原特征通道的信息与自适应学习建模后的权重进行加权处理,实现特征响应及特征重校准的效果，通过这样的结构,网络可以有选择性地加强包含重要信息的特征并抑制作用无关或较弱关联的特征。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于注意力机制的行人检测模型，其特征在于，包括YOLOv3的多尺度预测结构、用于残差连接的通道注意力机构结构和用于残差连接的通道积空间注意力机制机构；
YOLOv3的多尺度预测结构：用能够提取到更丰富特征的基础神经网络、融合多个尺度的特征来进行检测的方法；
用于残差连接的通道注意力机构结构，其***的执行步骤为：
S1：Attention-YOLO算法对网络中所有的残差连接进行替换；
S2：首先通过特征图上的全局平均池化获得残差模块上的信息；
S3：然后使用两个全连接层及ReLU非线性激活函数和Sigmoid激活函数来自适应地对全局平均池化模块上的信息进行建模；
S4：再将残差模块上的信息与自适应学习建模后的权重进行加权处理,实现特征响应及特征重校准的效果；
用于残差连接的通道积空间注意力机制机构，其***的执行步骤为：
S1：Attention-YOLO算法对网络中所有的残差连接进行替换；
S2：接着网络中残差模块上的信息传递分别传递到特征图上的全局平均池化和全局最大池化；
S3：然后使用两个全连接层及ReLU非线性激活函数和Sigmoid激活函数来自适应地对各全局平均池化和全局最大池化模块上的信息进行建模；
S4：神经网络中处理后的特征加权模块降维到通道中所有的残差模块；
S5：然后通道中残差模块上的信息传递分别传递到特征图上的通道平均池化和通道最大池化模块上；
S6：接着分别使用叠加层和卷积层及Sigmoid激活函数来自适应地对各通道平均池化和通道最大池化模块上的信息进行建模；
S7：再将通道残差模块上的信息与自适应学习建模后的权重进行加权处理,实现特征响应及特征重校准的效果。
2.根据权利要求1所述的一种基于注意力机制的行人检测模型，其特征在于：全局平均池化是对整个特征图进行平均池化，--张特征图得出一个值。
3.根据权利要求1所述的一种基于注意力机制的行人检测模型，其特征在于：通道注意力模块的作用是通过对特征图的各个通道之间的依赖性进行建模以提高对于重要特征的表征能力，网络可以有选择性地加强包含重要信息的特征并抑制作用无关或较弱关联的特征。
4.根据权利要求1所述的一种基于注意力机制的行人检测模型，其特征在于：神经网络中传递的特征通道加以不同的权重，网络可以更加重视权重较大的通道进行参数更新，在前向传播的过程中,重要的特征通道将会占有更大的比重,在所呈现的输出图像中也能更加明显地展现出检测网络所重点关注的部分,更好地分辨出待检测物体。
5.根据权利要求1所述的一种基于注意力机制的行人检测模型，其特征在于：YOLOv3算法的实时检测性为了在不加深网络深度的前提下提升检测精度，Attention-YOLO算法仅仅对网络中所有的残差连接进行替换,通过对于传递特征的筛选,使得残差融合时保留的信息更加有利于训练损失的降低,有利于定位及分类的准确，网络在这部分增加的计算量集中在全连接层部分,通过一定比例的降维可以权衡性能和检测速度的取舍。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911245314.7A CN110991362A (zh) | 2019-12-06 | 2019-12-06 | 一种基于注意力机制的行人检测模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911245314.7A CN110991362A (zh) | 2019-12-06 | 2019-12-06 | 一种基于注意力机制的行人检测模型 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110991362A true CN110991362A (zh) | 2020-04-10 |
Family
ID=70091116
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911245314.7A Pending CN110991362A (zh) | 2019-12-06 | 2019-12-06 | 一种基于注意力机制的行人检测模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110991362A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111680619A (zh) * | 2020-06-05 | 2020-09-18 | 大连大学 | 基于卷积神经网络和双注意力机制的行人检测方法 |
| CN112149661A (zh) * | 2020-08-07 | 2020-12-29 | 珠海欧比特宇航科技股份有限公司 | 车牌识别方法、装置及介质 |
| CN112163447A (zh) * | 2020-08-18 | 2021-01-01 | 桂林电子科技大学 | 基于Attention和SqueezeNet的多任务实时手势检测和识别方法 |
| CN112200226A (zh) * | 2020-09-27 | 2021-01-08 | 北京达佳互联信息技术有限公司 | 基于强化学习的图像处理方法、图像处理方法及相关装置 |
| CN112215241A (zh) * | 2020-10-20 | 2021-01-12 | 西安交通大学 | 一种基于小样本学习的图像特征提取装置 |
| CN112348057A (zh) * | 2020-10-20 | 2021-02-09 | 歌尔股份有限公司 | 一种基于yolo网络的目标识别方法与装置 |
| CN112418345A (zh) * | 2020-12-07 | 2021-02-26 | 苏州小阳软件科技有限公司 | 细粒度小目标快速识别的方法和装置 |
| CN112434672A (zh) * | 2020-12-18 | 2021-03-02 | 天津大学 | 一种基于改进YOLOv3的海上人体目标检测方法 |
| 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 |
| CN112651326A (zh) * | 2020-12-22 | 2021-04-13 | 济南大学 | 一种基于深度学习的驾驶员手部检测方法及*** |
| CN112949841A (zh) * | 2021-05-13 | 2021-06-11 | 德鲁动力科技(成都)有限公司 | 一种基于Attention的CNN神经网络的训练方法 |
| CN112966810A (zh) * | 2021-02-02 | 2021-06-15 | 西北大学 | 基于改进YOLOv5s的头盔检测方法、装置、电子设备和存储介质 |
| CN113223044A (zh) * | 2021-04-21 | 2021-08-06 | 西北工业大学 | 一种结合特征聚合和注意力机制的红外视频目标检测方法 |
| CN113837087A (zh) * | 2021-09-24 | 2021-12-24 | 上海交通大学宁波人工智能研究院 | 一种基于YOLOv3的动物目标检测***和方法 |
-
2019
- 2019-12-06 CN CN201911245314.7A patent/CN110991362A/zh active Pending
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111680619A (zh) * | 2020-06-05 | 2020-09-18 | 大连大学 | 基于卷积神经网络和双注意力机制的行人检测方法 |
| CN112149661A (zh) * | 2020-08-07 | 2020-12-29 | 珠海欧比特宇航科技股份有限公司 | 车牌识别方法、装置及介质 |
| CN112163447B (zh) * | 2020-08-18 | 2022-04-08 | 桂林电子科技大学 | 基于Attention和SqueezeNet的多任务实时手势检测和识别方法 |
| CN112163447A (zh) * | 2020-08-18 | 2021-01-01 | 桂林电子科技大学 | 基于Attention和SqueezeNet的多任务实时手势检测和识别方法 |
| CN112200226A (zh) * | 2020-09-27 | 2021-01-08 | 北京达佳互联信息技术有限公司 | 基于强化学习的图像处理方法、图像处理方法及相关装置 |
| CN112215241A (zh) * | 2020-10-20 | 2021-01-12 | 西安交通大学 | 一种基于小样本学习的图像特征提取装置 |
| CN112348057A (zh) * | 2020-10-20 | 2021-02-09 | 歌尔股份有限公司 | 一种基于yolo网络的目标识别方法与装置 |
| CN112418345A (zh) * | 2020-12-07 | 2021-02-26 | 苏州小阳软件科技有限公司 | 细粒度小目标快速识别的方法和装置 |
| CN112418345B (zh) * | 2020-12-07 | 2024-02-23 | 深圳小阳软件有限公司 | 细粒度小目标快速识别的方法和装置 |
| CN112529090B (zh) * | 2020-12-18 | 2023-01-17 | 天津大学 | 一种基于改进YOLOv3的小目标检测方法 |
| 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 |
| CN112434672B (zh) * | 2020-12-18 | 2023-06-27 | 天津大学 | 一种基于改进YOLOv3的海上人体目标检测方法 |
| CN112434672A (zh) * | 2020-12-18 | 2021-03-02 | 天津大学 | 一种基于改进YOLOv3的海上人体目标检测方法 |
| CN112651326A (zh) * | 2020-12-22 | 2021-04-13 | 济南大学 | 一种基于深度学习的驾驶员手部检测方法及*** |
| CN112966810A (zh) * | 2021-02-02 | 2021-06-15 | 西北大学 | 基于改进YOLOv5s的头盔检测方法、装置、电子设备和存储介质 |
| CN112966810B (zh) * | 2021-02-02 | 2023-07-11 | 西北大学 | 基于改进YOLOv5s的头盔检测方法、装置、电子设备和存储介质 |
| CN113223044A (zh) * | 2021-04-21 | 2021-08-06 | 西北工业大学 | 一种结合特征聚合和注意力机制的红外视频目标检测方法 |
| CN112949841A (zh) * | 2021-05-13 | 2021-06-11 | 德鲁动力科技(成都)有限公司 | 一种基于Attention的CNN神经网络的训练方法 |
| CN113837087A (zh) * | 2021-09-24 | 2021-12-24 | 上海交通大学宁波人工智能研究院 | 一种基于YOLOv3的动物目标检测***和方法 |
| CN113837087B (zh) * | 2021-09-24 | 2023-08-29 | 上海交通大学宁波人工智能研究院 | 一种基于YOLOv3的动物目标检测***和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110991362A (zh) | 一种基于注意力机制的行人检测模型 | |
| CN106897714B (zh) | 一种基于卷积神经网络的视频动作检测方法 | |
| CN111126472B (zh) | 一种基于ssd改进的目标检测方法 | |
| CN110929578B (zh) | 一种基于注意力机制的抗遮挡行人检测方法 | |
| CN108416440A (zh) | 一种神经网络的训练方法、物体识别方法及装置 | |
| CN111291809B (zh) | 一种处理装置、方法及存储介质 | |
| US20220351019A1 (en) | Adaptive Search Method and Apparatus for Neural Network | |
| CN113569667B (zh) | 基于轻量级神经网络模型的内河船舶目标识别方法及*** | |
| CN111797983A (zh) | 一种神经网络构建方法以及装置 | |
| CN112445823A (zh) | 神经网络结构的搜索方法、图像处理方法和装置 | |
| CN107133943A (zh) | 一种防震锤缺陷检测的视觉检测方法 | |
| CN112163628A (zh) | 一种适用于嵌入式设备的改进目标实时识别网络结构的方法 | |
| CN112150821A (zh) | 轻量化车辆检测模型构建方法、***及装置 | |
| CN110222718B (zh) | 图像处理的方法及装置 | |
| CN111582092B (zh) | 一种基于人体骨架的行人异常行为检测方法 | |
| CN109903339B (zh) | 一种基于多维融合特征的视频群体人物定位检测方法 | |
| CN110022422B (zh) | 一种基于密集连接网络的视频帧序列生成方法 | |
| CN112465709B (zh) | 一种图像增强方法、装置、存储介质及设备 | |
| CN111462192A (zh) | 一种人行道扫地机器人时空双流融合卷积神经网络动态避障方法 | |
| CN110852199A (zh) | 一种基于双帧编码解码模型的前景提取方法 | |
| CN111881802A (zh) | 基于双分支时空图卷积网络的交警手势识别方法 | |
| CN116030498A (zh) | 面向虚拟服装走秀的三维人体姿态估计方法 | |
| CN117557534A (zh) | 基于模型自优化的x射线焊缝缺陷智能评测方法 | |
| CN111831354A (zh) | 数据精度配置方法、装置、芯片、芯片阵列、设备及介质 | |
| CN114743273A (zh) | 基于多尺度残差图卷积网络的人体骨骼行为识别方法及*** |
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: 20200410 |