CN111178213B - 一种基于深度学习的航拍车辆检测方法 - Google Patents
一种基于深度学习的航拍车辆检测方法 Download PDFInfo
- Publication number
- CN111178213B CN111178213B CN201911337526.8A CN201911337526A CN111178213B CN 111178213 B CN111178213 B CN 111178213B CN 201911337526 A CN201911337526 A CN 201911337526A CN 111178213 B CN111178213 B CN 111178213B
- Authority
- CN
- China
- Prior art keywords
- network
- target detection
- layer
- frame
- aerial
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
一种基于深度学习的航拍车辆检测方法,步骤如下:构建训练数据集并对数据集中图像的标签信息进行预处理;搭建用于航拍车辆检测的基于深度学习的目标检测网络;基于最大迭代次数,用训练样本对搭建的目标检测网络进行训练,得到训练好的航拍车辆目标检测网络;对航拍图像进行车辆目标检测。在特征提取网络中加入注意力模块。由于卷积运算通过混合跨信道和空间信息来提取图像特征,采用本发明中的注意力模块强调了这两个主要维度上有意义的特征,有效地抑制航拍图像中的复杂噪声背景,提高车辆目标检测的准确率。第二,在基础锚框的选择中加入旋转角度,使得目标检测网络可以检测出航拍车辆目标的旋转角度,得到更加丰富的车辆目标位置信息。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于深度学习的图像目标检测方法。设计了一种以深层卷积神经网络Resnet为基础搭建的FasterR-CNN目标检测网络。本发明可应用于航拍图像中的车辆目标检测。相较于现有方法,本发明能得到更加丰富的车辆目标位置信息,并且检测准确率较高。
背景技术
私人交通工具的普及导致了交通情况的复杂化,完善交通管理***对城市现代化有着重要影响。车辆检测是交通管理***中不可或缺的组成部分,有利于解决交通堵塞、车流控制、道路规划及停车场预估等问题。
近年来,随着深度学***。然而,航拍图像与自然图像相比,目标车辆在图像中占比较小,背景也较为复杂。这导致FasterR-CNN在航拍车辆检测方面的检测效果很不理想。
浅层的特征语义信息较少,但目标位置准确;深层的特征语义信息丰富,但目标位置较为粗略。FPN(Feature Pyramid Networks)利用图像金字塔的思想,将浅层特征与深层特征进行融合,有效地解决了目标检测场景中小尺度目标检测困难的问题。将FPN与FasterR-CNN结合可以有效提高航拍车辆目标的检测精度。Mask R-CNN中又提出一种新的区域特征聚集方式ROIAligh代替了FasterR-CNN中的ROIPooling,提高了小目标检测的准确性。
然而,航拍图像中的车辆目标通常以任意方向出现,现有技术无法检测出车辆的旋转方向。且由于航拍图像具有较多的噪声背景,现有技术也难以达到较高的检测准确率。
发明内容
本发明提出了一种基于深度学习的航拍车辆检测方法,目的在于解决上述现有技术中的不足。本方法综合利用了现有的目标检测网络的优点,并在此基础上解决旋转角度问题,减少噪声影响,提高了航拍车辆检测的准确率。
本发明的技术方案:
一种基于深度学习的航拍车辆检测方法,步骤如下:
步骤1:构建训练数据集并对数据集中图像的标签信息进行预处理
构建训练数据集的具体方法如下:
(1)用窗口大小为800×800×3像素,且步长为256×256×3像素的划窗,对多幅航拍图像进行逐一切割,得到多个切割图像块及相应的标签文件;
(2)对得到的切割图像块进行数据增强处理,得到训练数据集
对数据集中图像的标签信息进行预处理的具体方法如下:
(1)将标签信息中的位置信息表示为(x,y,h,w,θ),其中(x,y)表示框的几何中心,h表示框的短边,w表示框的长边,θ∈(-45°,135°)表示框的旋转方向,然后将框的长宽扩大gtmargin倍;
(2)将标签信息中的类型信息标记为1;
步骤2:搭建用于航拍车辆检测的基于深度学习的目标检测网络
2.1:构建加入注意力模块的融合多尺度特征提取网络
具体方法如下:
(1)多尺度特征提取网络选用去除最后全连接层的Resnet网络模型,并在Resnet网络的各瓶颈模块中加入注意力模块;
注意力模块分为通道注意力模块和空间注意力模块;通道注意力模块结构为:输入层→全局平均池→线性全连接层→Relu激活函数→线性全连接层→Sigmoid激活函数→输出层,输入层与输出层点乘→最终输出层;空间注意力模块结构:输入层→卷积核为1的卷积层→Sigmoid激活函数→输出层,输出层与输出层点乘→最终输出层;注意力模块整体输出由通道注意力模块的输出层与空间注意力模块的输出层进行级联得到;
(2)整合FPN与上述多尺度特征提取网络得到加入注意力模块的融合多尺度特征提取网络;
2.2:构建多旋转角度的RRPN候选框提取网络
具体方法如下:
在RPN网络的基础上中加入角度变换生成RRPN候选框提取网络,即在RPN网络生成锚框时,将基础锚框再进行角度旋转,生成比例、尺度、角度三种变换的锚框;
2.3:使用上述融合多尺度特征提取网络及RRPN候选框提取网络搭建目标检测网络,具体结构依次为:输入层→融合多尺度特征网络→RRPN候选框提取网络→ROIAligh层→第一个全连接层→第二个全连接层→分类回归层;
步骤3:基于最大迭代次数,用训练样本对搭建的目标检测网络进行训练,得到训练好的航拍车辆目标检测网络
具体方法如下:
(1)采用迁移学习的方法,利用公开训练好的Resnet网络模型参数作为步骤2的目标检测网络中Resnet网络的初始权值,并冻结前两个层,不进行后续的权重调整;
(2)确定训练批次大小和最大迭代次数,每一次训练迭代从训练数据集中选取数量为批次大小的图像输入待训练模型,经过前向传播计算误差和反向传播调整权值,完成一次训练迭代;训练迭代次数达到最大迭代次数时,训练终止,得到训练好的基于深度学习的目标检测网络;
步骤4:对航拍图像进行车辆目标检测
具体方法如下:
(1)用窗口大小为800×800×3像素,且步长为256×256×3像素的划窗,对航拍图像进行逐一切割,得到多个切割图像块;
(2)将图像块一次输入训练好的基于深度学习的目标检测网络中,得到每个图像块的预测框、预测框对应的得分以及预测框对应的目标类别;
(3)保留所有得分高于0.5的预测框,丢弃其余候选框;
(4)将所有保留的预测框位置映射到完整的航拍图像上,并将所有预测框的宽和长缩减gtmargin倍,然后按照得分从高到低进行排序,保留预测框之间重叠度低和得分高的预测框,丢弃重叠度高和得分低的预测框,得到最终的航拍车辆目标检测结果。
本发明的有益效果:
第一,在特征提取网络中加入注意力模块。由于卷积运算通过混合跨信道和空间信息来提取图像特征,采用本发明中的注意力模块强调了这两个主要维度上有意义的特征,可以有效地抑制航拍图像中的复杂噪声背景,提高车辆目标检测的准确率;
第二,在基础锚框的选择中加入旋转角度,使得目标检测网络可以检测出航拍车辆目标的旋转角度,得到更加丰富的车辆目标位置信息。
附图说明
图1是本发明的流程图。
图2是本发明中基于深度学习的车辆目标检测网络的具体架构。
图3是本发明中注意力模块的流程图。
图4是本发明实施例提供的一种航拍车辆检测结果示例图。
具体实施方式
以下结合附图通过具体实施例对本发明进一步详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本实施例中的图像样来自UCAS-AOD数据集,该数据集包括汽车图像510张,共包含7114个车辆样本。对该数据集按2:8的比例随机划分训练集和测试集。
步骤1:构建训练数据集并对数据集中图像的标签信息进行预处理
构建训练数据集的具体方法如下:
(1)用窗口大小为800×800×3像素,且步长为256×256×3像素的划窗,对训练集中的多幅航拍图像进行逐一切割,得到多个切割图像块及相应的标签文件;
(2)对得到的切割图像块旋转90°,180°及水平,垂直翻转的方式进行数据增强,共得到7200张训练图像。
对数据集中图像的标签信息进行预处理的具体方法如下:
(1)将标签信息中的位置信息表示为(x,y,h,w,θ),其中(x,y)表示框的几何中心,h表示框的短边,w表示框的长边,θ∈(-45°,135°)表示框的旋转方向,然后将框的长宽扩大1.4倍;
(2)将标签信息中的类型信息标记为1。
步骤2:利用pytorch库搭建用于航拍车辆检测的基于深度学习的目标检测网络,如图2所示。
2.1:构建加入注意力模块的融合多尺度特征提取网络
(1)多尺度特征提取网络选用去除最后全连接层的Resnet-101网络模型,并在Resnet-101网络的各瓶颈模块中加入注意力模块。
注意力模块分为通道注意力模块和空间注意力模块。通道注意力模块结构为:输入层→全局平均池→线性全连接层→Relu激活函数→线性全连接层→Sigmoid激活函数→输出层,输入层与输出层点乘→最终输出层。空间注意力模块结构:输入层→卷积核为1的卷积层→Sigmoid激活函数→输出层,输出层与输出层点乘→最终输出层。注意力模块整体输出由通道注意力模块的输出层与空间注意力模块的输出层进行级联得到。
(2)整合FPN与上述多尺度特征提取网络得到加入注意力模块的融合多尺度特征提取网络。
2.2:构建多旋转角度的RRPN候选框提取网络
在RPN网络的基础上中加入角度变换(-30.0°,0.0°,30.0°,60.0°,90.0°,120.0°)生成RRPN候选框提取网络,即在RPN网络生成锚框时,将基础锚框再进行六个不同角度旋转,生成比例、尺度、角度三种变换的锚框;
2.3:使用上述融合多尺度特征提取网络及RRPN候选框提取网络搭建目标检测网络,具体结构依次为:输入层→融合多尺度特征网络→RRPN候选框提取网络→ROIAligh层→第一个全连接层→第二个全连接层→分类回归层;
步骤3:基于最大迭代次数,用训练样本对搭建的目标检测网络进行训练,得到训练好的航拍车辆目标检测网络。
(1)采用迁移学习的方法,利用在ImageNet训练过的Resnet-101网络模型参数作为步骤2的目标检测网络中Resnet-101网络的初始权值,并冻结前两个层,不进行后续的权重调整。
(2)确定训练批次大小为1,最大迭代次数为100000。每一次训练迭代从训练数据集中选取数量为批次大小的图像输入待训练模型,经过前向传播计算误差和反向传播调整权值,完成一次训练迭代。训练迭代次数达到最大迭代次数时,训练终止,得到训练好的基于深度学习的目标检测网络。
步骤4:对航拍图像进行车辆目标检测。
(1)用窗口大小为800×800×3像素,且步长为256×256×3像素的划窗,对测试集中的图像进行逐一切割,得到多个切割图像块;
(2)将图像块一次输入训练好的基于深度学习的目标检测网络中,得到每个图像块的预测框、预测框对应的得分以及预测框对应的目标类别;
(3)保留所有得分高于0.5的预测框,丢弃其余候选框;
(4)将所有保留的预测框位置映射到完整的航拍图像上,并将所有预测框的宽和长缩减1.4倍,然后按照得分从高到低进行排序,保留预测框之间重叠度低和得分高的预测框,丢弃重叠度高和得分低的预测框,得到最终的航拍车辆目标检测结果。
通过对测试集中的所有航拍图像进行目标检测,最终得到的平均精度AP值为0.92。
Claims (1)
1.一种基于深度学习的航拍车辆检测方法,其特征在于,步骤如下:
步骤1:构建训练数据集并对数据集中图像的标签信息进行预处理
构建训练数据集的具体方法如下:
(1)用窗口大小为800×800×3像素,且步长为256×256×3像素的划窗,对多幅航拍图像进行逐一切割,得到多个切割图像块及相应的标签文件;
(2)对得到的切割图像块进行数据增强处理,得到训练数据集
对数据集中图像的标签信息进行预处理的具体方法如下:
(1)将标签信息中的位置信息表示为(x,y,h,w,θ),其中(x,y)表示框的几何中心,h表示框的短边,w表示框的长边,θ∈(-45°,135°)表示框的旋转方向,然后将框的长宽扩大gtmargin倍;
(2)将标签信息中的类型信息标记为1;
步骤2:搭建用于航拍车辆检测的基于深度学习的目标检测网络
2.1:构建加入注意力模块的融合多尺度特征提取网络
具体方法如下:
(1)多尺度特征提取网络选用去除最后全连接层的Resnet网络模型,并在Resnet网络的各瓶颈模块中加入注意力模块;
注意力模块分为通道注意力模块和空间注意力模块;通道注意力模块结构为:输入层→全局平均池→线性全连接层→Relu激活函数→线性全连接层→Sigmoid激活函数→输出层,输入层与输出层点乘→最终输出层;空间注意力模块结构:输入层→卷积核为1的卷积层→Sigmoid激活函数→输出层,输出层与输出层点乘→最终输出层;注意力模块整体输出由通道注意力模块的输出层与空间注意力模块的输出层进行级联得到;
(2)整合FPN与上述多尺度特征提取网络得到加入注意力模块的融合多尺度特征提取网络;
2.2:构建多旋转角度的RRPN候选框提取网络
具体方法如下:
在RPN网络的基础上中加入角度变换生成RRPN候选框提取网络,即在RPN网络生成锚框时,将基础锚框再进行角度旋转,生成比例、尺度、角度三种变换的锚框;
2.3:使用上述融合多尺度特征提取网络及RRPN候选框提取网络搭建目标检测网络,具体结构依次为:输入层→融合多尺度特征网络→RRPN候选框提取网络→ROIAligh层→第一个全连接层→第二个全连接层→分类回归层;
步骤3:基于最大迭代次数,用训练样本对搭建的目标检测网络进行训练,得到训练好的航拍车辆目标检测网络
具体方法如下:
(1)采用迁移学习的方法,利用公开训练好的Resnet网络模型参数作为步骤2的目标检测网络中Resnet网络的初始权值,并冻结前两个层,不进行后续的权重调整;
(2)确定训练批次大小和最大迭代次数,每一次训练迭代从训练数据集中选取数量为批次大小的图像输入待训练模型,经过前向传播计算误差和反向传播调整权值,完成一次训练迭代;训练迭代次数达到最大迭代次数时,训练终止,得到训练好的基于深度学习的目标检测网络;
步骤4:对航拍图像进行车辆目标检测
具体方法如下:
(1)用窗口大小为800×800×3像素,且步长为256×256×3像素的划窗,对航拍图像进行逐一切割,得到多个切割图像块;
(2)将图像块一次输入训练好的基于深度学习的目标检测网络中,得到每个图像块的预测框、预测框对应的得分以及预测框对应的目标类别;
(3)保留所有得分高于0.5的预测框,丢弃其余候选框;
(4)将所有保留的预测框位置映射到完整的航拍图像上,并将所有预测框的宽和长缩减gtmargin倍,然后按照得分从高到低进行排序,保留预测框之间重叠度低和得分高的预测框,丢弃重叠度高和得分低的预测框,得到最终的航拍车辆目标检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911337526.8A CN111178213B (zh) | 2019-12-23 | 2019-12-23 | 一种基于深度学习的航拍车辆检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911337526.8A CN111178213B (zh) | 2019-12-23 | 2019-12-23 | 一种基于深度学习的航拍车辆检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111178213A CN111178213A (zh) | 2020-05-19 |
CN111178213B true CN111178213B (zh) | 2022-11-18 |
Family
ID=70655607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911337526.8A Active CN111178213B (zh) | 2019-12-23 | 2019-12-23 | 一种基于深度学习的航拍车辆检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178213B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111640125B (zh) * | 2020-05-29 | 2022-11-18 | 广西大学 | 基于Mask R-CNN的航拍图建筑物检测和分割方法及装置 |
CN111832399B (zh) * | 2020-06-03 | 2022-11-01 | 东南大学 | 一种融合注意力机制的跨域道路航标配准算法 |
CN111862013B (zh) * | 2020-07-08 | 2024-02-02 | 湘潭大学 | 基于深度卷积神经网络的绝缘子检测方法、装置及设备 |
CN111709397B (zh) * | 2020-07-08 | 2022-07-05 | 哈尔滨工业大学 | 一种基于多头自注意力机制的无人机变尺寸目标检测方法 |
CN114140683A (zh) * | 2020-08-12 | 2022-03-04 | 天津大学 | 一种航拍图像目标检测的方法、设备与介质 |
CN111914795B (zh) * | 2020-08-17 | 2022-05-27 | 四川大学 | 一种航拍图像中旋转目标检测方法 |
CN112200089B (zh) * | 2020-10-12 | 2021-09-14 | 西南交通大学 | 一种基于车辆计数感知注意力的稠密车辆检测方法 |
CN112926480B (zh) * | 2021-03-05 | 2023-01-31 | 山东大学 | 一种面向多尺度、多朝向的航拍物体检测方法及*** |
CN112949520B (zh) * | 2021-03-10 | 2022-07-26 | 华东师范大学 | 一种基于多尺度小样本的航拍车辆检测方法及检测*** |
CN113095277B (zh) * | 2021-04-27 | 2022-04-05 | 东南大学 | 一种基于目标空间分布特征的无人机航拍车辆检测方法 |
CN113255759B (zh) * | 2021-05-20 | 2023-08-22 | 广州广电运通金融电子股份有限公司 | 基于注意力机制的目标内特征检测***、方法和存储介质 |
CN113379773B (zh) * | 2021-05-28 | 2023-04-28 | 陕西大智慧医疗科技股份有限公司 | 基于双重注意力机制的分割模型建立、分割方法及装置 |
CN113393371B (zh) * | 2021-06-28 | 2024-02-27 | 北京百度网讯科技有限公司 | 一种图像处理方法、装置及电子设备 |
CN113591748A (zh) * | 2021-08-06 | 2021-11-02 | 广东电网有限责任公司 | 一种航拍绝缘子目标检测方法及装置 |
CN114529825B (zh) * | 2022-04-24 | 2022-07-22 | 城云科技(中国)有限公司 | 用于消防通道占用目标检测的目标检测模型、方法及应用 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596108A (zh) * | 2018-04-26 | 2018-09-28 | 中国科学院电子学研究所 | 基于三元组语义关系学习的航拍遥感图像变化检测方法 |
CN108647665A (zh) * | 2018-05-18 | 2018-10-12 | 西安电子科技大学 | 基于深度学习的航拍车辆实时检测方法 |
CN108710875A (zh) * | 2018-09-11 | 2018-10-26 | 湖南鲲鹏智汇无人机技术有限公司 | 一种基于深度学习的航拍公路车辆计数方法及装置 |
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 |
CN110069993A (zh) * | 2019-03-19 | 2019-07-30 | 同济大学 | 一种基于深度学习的目标车辆检测方法 |
-
2019
- 2019-12-23 CN CN201911337526.8A patent/CN111178213B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596108A (zh) * | 2018-04-26 | 2018-09-28 | 中国科学院电子学研究所 | 基于三元组语义关系学习的航拍遥感图像变化检测方法 |
CN108647665A (zh) * | 2018-05-18 | 2018-10-12 | 西安电子科技大学 | 基于深度学习的航拍车辆实时检测方法 |
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 |
CN108710875A (zh) * | 2018-09-11 | 2018-10-26 | 湖南鲲鹏智汇无人机技术有限公司 | 一种基于深度学习的航拍公路车辆计数方法及装置 |
CN110069993A (zh) * | 2019-03-19 | 2019-07-30 | 同济大学 | 一种基于深度学习的目标车辆检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111178213A (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178213B (zh) | 一种基于深度学习的航拍车辆检测方法 | |
CN111091105B (zh) | 基于新的边框回归损失函数的遥感图像目标检测方法 | |
CN109977812B (zh) | 一种基于深度学习的车载视频目标检测方法 | |
CN110796168B (zh) | 一种基于改进YOLOv3的车辆检测方法 | |
CN109815886B (zh) | 一种基于改进YOLOv3的行人和车辆检测方法及*** | |
CN109145939B (zh) | 一种小目标敏感的双通道卷积神经网络语义分割方法 | |
EP4152204A1 (en) | Lane line detection method, and related apparatus | |
CN111126359B (zh) | 基于自编码器与yolo算法的高清图像小目标检测方法 | |
CN110766098A (zh) | 基于改进YOLOv3的交通场景小目标检测方法 | |
EP3690714A1 (en) | Method for acquiring sample images for inspecting label among auto-labeled images to be used for learning of neural network and sample image acquiring device using the same | |
CN107644426A (zh) | 基于金字塔池化编解码结构的图像语义分割方法 | |
CN113822278A (zh) | 一种无受限场景车牌识别方法 | |
CN112633149A (zh) | 一种域自适应雾天图像目标检测方法和装置 | |
CN110032952A (zh) | 一种基于深度学习的道路边界点检测方法 | |
CN111738114A (zh) | 基于无锚点精确采样遥感图像车辆目标检测方法 | |
CN115063786A (zh) | 一种高位远景模糊车牌检测方法 | |
CN112990065A (zh) | 一种基于优化的YOLOv5模型的车辆分类检测方法 | |
CN110276378A (zh) | 基于无人驾驶技术对实例分割的改进方法 | |
CN114972759A (zh) | 基于分级轮廓代价函数的遥感图像语义分割方法 | |
Friji et al. | A dqn-based autonomous car-following framework using rgb-d frames | |
CN106529391B (zh) | 一种鲁棒的限速交通标志检测与识别方法 | |
CN112785610B (zh) | 一种融合低层特征的车道线语义分割方法 | |
CN115565148B (zh) | 道路图像的检测方法、装置、存储介质和电子装置 | |
CN111160274A (zh) | 一种基于二值化Faster RCNN网络的行人检测方法 | |
CN116363610A (zh) | 一种基于改进YOLOv5的航拍车辆旋转目标检测方法 |
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 |