CN111832629A - 一种基于FPGA的faster-RCNN目标检测方法 - Google Patents

一种基于FPGA的faster-RCNN目标检测方法 Download PDF

Info

Publication number
CN111832629A
CN111832629A CN202010579892.0A CN202010579892A CN111832629A CN 111832629 A CN111832629 A CN 111832629A CN 202010579892 A CN202010579892 A CN 202010579892A CN 111832629 A CN111832629 A CN 111832629A
Authority
CN
China
Prior art keywords
fpga
rcnn
fast
rcnn model
master
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
Application number
CN202010579892.0A
Other languages
English (en)
Inventor
王堃
王铭宇
吴晨
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.)
Chengdu Star Innovation Technology Co ltd
Original Assignee
Chengdu Star Innovation Technology Co 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 Chengdu Star Innovation Technology Co ltd filed Critical Chengdu Star Innovation Technology Co ltd
Priority to CN202010579892.0A priority Critical patent/CN111832629A/zh
Publication of CN111832629A publication Critical patent/CN111832629A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于FPGA的faster‑RCNN目标检测方法，涉及智能识别领域，包括对数据集进行预处理；构建faster‑RCNN模型；将数据集载入faster‑RCNN模型，并根据faster‑RCNN模型定制FPGA；利用定制的FPGA训练faster‑RCNN模型；根据faster‑RCNN模型的训练结果进行测试，若训练结果低于平均精确率AP阈值，则修改参数，再次进行训练后对训练结果进行测试，直至训练结果达到阈值；输入需要检测的图片，利用训练后的faster‑RCNN模型进行目标识别。本发明根据faster‑RCNN模型定制FPGA各个处理模块，既能实现faster‑RCNN模型精确识别物体，并且还能解决faster‑RCNN模型识别速度慢的问题，从而实现更快的检测速度、更高的检测精度、更优的性能和更低的功耗。

Description

一种基于FPGA的faster-RCNN目标检测方法
技术领域
本发明涉及智能识别领域，具体涉及一种基于FPGA的faster-RCNN目标检测方法。
背景技术
随着智能识别技术的发展，终端***需要对周围物体进行检测，尤其是在自动驾驶领域，出于人身安全的考虑，目标识别必须做到快速且准确。因此，构建一种快速、准确的目标检测方法具有很重要的现实意义。
现有的自动驾驶的目标检测同时要求高精度和高速度，现有的基于深度学习的目标检测算法，如SSD,YOLO等算法，速度快但精度不够。另外faster-RCNN算法在目标检测方面，精度够但速度不够快。每一类检测具体的都或多或少的存在一些问题。比如，在实际行车过程中，一旦目标检测出现延迟或不准确，就会对人身安全产生极大的危害。
此外，目前计算机视觉领域多采用GPU作为处理器，处理速度慢，功耗高，发热量大，并需要风扇为主要芯片散热，这些因素导致了GPU无法作为实时目标检测的主力处理器，需要另外一种解决方法。
发明内容
本发明的目的在于：提供了一种基于FPGA的faster-RCNN目标检测方法，基于现有的深度学习网路和计算机视觉技术，并且使用FPGA根据faster-RCNN模型进行深度定制，FPGA既能实现精确识别物体，并且还能解决识别速度慢的问题，实现faster-RCNN模型的并行计算，达到加速faster-RCNN目标检测的目的。
本发明采用的技术方案如下：
本发明是一种基于FPGA的faster-RCNN目标检测方法，该方法具体包括以下步骤：
步骤1：获取一个现有的用于目标检测的数据集，对数据集进行预处理；
步骤2：构建faster-RCNN模型；
步骤3：将步骤1的数据集载入faster-RCNN模型，并根据faster-RCNN模型定制FPGA；
步骤4：利用定制的FPGA训练步骤3中的faster-RCNN模型；
步骤5：设置一个平均精确率AP阈值，根据faster-RCNN模型的训练结果进行测试，若测试结果低于平均精确率AP阈值，则修改参数，再次进行步骤4后对训练结果进行测试，直至测试结果达到阈值；
步骤6：输入需要检测的图片，利用训练后的faster-RCNN模型进行目标识别。
进一步的，所述步骤1中faster-RCNN模型搭建的步骤为：
步骤21：搭建Conv layers，用于提取图片的特征图，包括conv，pooling，relu三种层；
步骤22：搭建区域生成网络层，并且使用区域生成网络层生成检测框，即初步提取图片中目标候选区域；
步骤23：搭建感兴趣区域池化层，获取步骤21的特征图和步骤22的目标候选区域，并综合信息后提取候选特征图；
步骤24：搭建分类层，使用边框回归获得检测框最终的精确位置，以及通过候选特征图判定目标类别。
进一步的，所述FPGA根据faster-RCNN模型的特点进行定制，包括控制器、Conv模块、区域生成网络模块、分类模块、片内存储和片外存储，Conv模块、区域生成网络模块、分类模块均通过控制器进行控制。
进一步的，所述Conv模块，包括有16个卷积处理单元，并且使用卷积并行算法和流水线技术实现卷积并行优化。
进一步的，所述区域生成网络模块接收来自Conv模块处理后的数据，并通过权值缓存区与片内存储、片外存储进行数据交互。
进一步的，所述分类模块接收区域生成网络模块处理后的数据并进行奇异值分解，通过权值缓存区与片内存储、片外存储进行数据交互。
进一步的，所述片内存储使用块随机存储器，所述片外存储使用动态随机存储器。
综上所述，由于采用了本技术方案，本发明的有益效果是：
1.本发明是一种基于FPGA的faster-RCNN目标检测方法，根据faster-RCNN模型定制FPGA各个处理模块，通过使用卷积并行算法和流水线技术，实现faster-RCNN模型的并行计算，并且采用奇异值分解对faster-RCNN模型计算中产生的较大矩阵进行分解再计算，实现faster-RCNN模型目标检测速度快的目的。
2.本发明是一种基于FPGA的faster-RCNN目标检测方法，通过利用现有的深度学习网络和计算机视觉技术，识别并不断学习目标物体的形状、颜色等特征，能够在多个场景下对目标进行识别，并且使用FPGA对faster-RCNN模型进行深度定制，从而实现更快的检测速度、更高的检测精度、更优的性能和更低的功耗。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图，本说明书附图中的各个部件的比例关系不代表实际选材设计时的比例关系，其仅仅为结构或者位置的示意图，其中：
图1是本发明目标检测方法流程图；
图2是根据faster-RCNN模型定制的FPGA结构图。
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，即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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
下面结合附图对本发明作详细说明。
实施例一
如图1所示，本发明是一种基于FPGA的faster-RCNN目标检测方法，该方法具体包括以下步骤：
步骤1：获取一个现有的用于目标检测的数据集，对数据集进行预处理；
步骤2：构建faster-RCNN模型；
步骤3：将步骤1的数据集载入faster-RCNN模型，并根据faster-RCNN模型定制FPGA；
步骤4：利用定制的FPGA训练步骤3中的faster-RCNN模型；
步骤5：设置一个平均精确率AP阈值，根据faster-RCNN模型的训练结果进行测试，若测试结果低于平均精确率AP阈值，则修改参数，再次进行步骤4后对训练结果进行测试，直至测试结果达到阈值；
步骤6：输入需要检测的图片，利用训练后的faster-RCNN模型进行目标识别。
在本发明中，用于目标检测的数据集，用户可以选择现有的数据集，下载PASCALVOC数据集，这是一个常用的目标检测数据集，数据集包含约10000张已经标注好的并且带有边界框的图片，含有20个类别，图片的预处理将所有图片调整为一致尺寸，并且人工对数据进行标注，将数据集按照比例划分成训练集和测试集，本实施例可以按照8:2的比例分训练集和测试集。
步骤5中AP是一个小于1的百分数，其数值越接近1，效果越好，但是目前的目标检测模型的AP值大概在40％到50％，本实施例中，平均精确率AP阈值设置为42％，利用定制的FPGA训练faster-RCNN模型并用数据集中测试集进行测试，若平均精确率AP低于42％，则修改参数，再次进行训练后对训练结果进行测试，若平均精确率AP高于或等于42％，则输入需要检测的图片，利用训练后的faster-RCNN模型进行目标识别。
实施例二
本实施例是对本发明的进一步说明。
所述步骤1中faster-RCNN模型搭建的步骤为：
步骤21：搭建Conv layers，用于提取图片的特征图，包括conv，pooling，relu三种层；
步骤22：搭建区域生成网络层，并且使用区域生成网络层生成检测框，即初步提取图片中目标候选区域；
步骤23：搭建感兴趣区域池化层，获取步骤21的特征图和步骤22的目标候选区域，并综合信息后提取候选特征图；
步骤24：搭建分类层，使用边框回归获得检测框最终的精确位置，以及通过候选特征图判定目标类别。
在本实施例中，faster-RCNN模型包括Conv layers，区域生成网络层、感兴趣区域池化层和分类层，Conv layers用于提取图片的特征图，特征图后续的区域生成网络层、感兴趣区域池化层和分类层，conv层的参数设置为：卷积核的大小为3*3，步长为1，pad填充为1，将图片转换成矩阵，在Conv layers经过计算后，得到的矩阵则为特征图。在步骤24中，分类层对候选特征图进行全连接操作，利用Softmax函数来判断目标类别，同时使用边框回归获得检测框最终的精确位置。
实施例三
本实施例是对本发明的进一步说明。
如图2所示，本实施例在上述实施例的基础上，在本发明一种优选实施例中，所述FPGA根据faster-RCNN模型的特点进行定制，包括控制器、Conv模块、区域生成网络模块、分类模块、片内存储和片外存储，Conv模块、区域生成网络模块、分类模块均通过控制器进行控制。
FPGA，即FPGA芯片，一种专用集成电路中的半定制电路，是可编程的逻辑列阵。
在本发明一种优选实施例中，所述Conv模块，包括有16个卷积处理单元，并且使用卷积并行算法和流水线技术实现卷积并行优化。
在本发明中，Conv模块根据faster-RCNN模型中Conv layers的特点进行定制，包括有16个卷积处理单元，每一个卷积处理单元的不同卷积核是独立计算的，使用16个卷积处理单元同时计算，然后通过流水线技术，可以在一个时钟周期内产生16个卷积输出。
卷积并行算法是指将卷积处理单元的参数分为多个部分进行训练的。本发明在利用FPGA对faster-RCNN模型进行训练时，faster-RCNN模型参数分成四个部分同时进行训练，并且，本专利采用的是数据并行，在不同的运算单元上，将训练数据进行切分，分别训练得到不同的模型，然后再将模型进行融合。
在本发明一种优选实施例中，所述区域生成网络模块接收来自Conv模块处理后的数据，并通过权值缓存区与片内存储、片外存储进行数据交互。
在本发明中，利用FPGA对faster-RCNN模型进行训练时，区域生成网络模块接收的数据是Conv模块计算提取的特征图，区域生成网络模块对数据进行处理后传输给分类模块，并将数据通过权值缓存区与片内存储、片外存储进行交互，即通过控制器读取数据，接着存入权值缓存区，同时建立权值索引，当需要读取权值缓存区的权值时，先从权值索引中进行查询，然后再读取权值。
在本发明一种优选实施例中，所述分类模块接收区域生成网络模块处理后的数据并进行奇异值分解，通过权值缓存区与片内存储、片外存储进行数据交互。
在本发明中，利用FPGA对faster-RCNN模型进行训练时，分类模块接收区域生成网络模块的数据，并且计算过程中，利用候选特征图进行全连接操作时，会计算得出大型矩阵，通过对大型矩阵进行奇异值分解，将原来较大的矩阵分解为较小的矩阵，并通过权值缓存区与片内存储、片外存储进行数据交互。
奇异值分解即将原来较大的矩阵分解为较小的矩阵，公式如下：
Am×n≈Um×r∑r×rVT r×n
其中，A是m×n阶矩阵，r是一个远小于m、n的数。通过奇异值分解技术，将较大的A矩阵，分解为较小的三个矩阵：U、∑和V矩阵。
在本发明一种优选实施例中，所述片内存储使用块随机存储器，所述片外存储使用动态随机存储器。常用的权值缓存在片内存储，不常用的权值缓存在片外存储。
综上，FPGA芯片是一种专用集成电路中的半定制电路，是可编程的逻辑列阵。本发明的FPGA芯片，可以根据faster-RCNN模型进行定制，从而实现更快的检测速度、更高的检测精度、更优的性能和更低的功耗。本发明基于自动驾驶的背景下开发的，用于解决目前自动驾驶的目标识别中存在的问题，但是由于本发明的***及方法的泛用性，因此不限于自动驾驶中的目标识别，用于识别运动物体同样纳入本发明的保护范围。
以上所述，仅为本发明的优选实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域的技术人员在本发明所揭露的技术范围内，可不经过创造性劳动想到的变化或替换，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所限定的保护范围为准。

Claims (7)

1.一种基于FPGA的faster-RCNN目标检测方法，其特征在于，包括依次进行的以下步骤：
步骤1：获取一个现有的用于目标检测的数据集，对数据集进行预处理；
步骤2：构建faster-RCNN模型；
步骤3：将步骤1的数据集载入faster-RCNN模型，并根据faster-RCNN模型定制FPGA；
步骤4：利用定制的FPGA训练步骤3中的faster-RCNN模型；
步骤5：设置一个平均精确率AP阈值，根据faster-RCNN模型的训练结果进行测试，若测试结果低于平均精确率AP阈值，则修改参数，再次进行步骤4后对训练结果进行测试，直至测试结果达到阈值；
步骤6：输入需要检测的图片，利用训练后的faster-RCNN模型进行目标识别。
2.根据权利要求1所述的一种基于FPGA的faster-RCNN目标检测方法，其特征在于：所述步骤2中faster-RCNN模型搭建的步骤为：
步骤21：搭建Conv layers，用于提取图片的特征图，包括conv，pooling，relu三种层；
步骤22：搭建区域生成网络层，并且使用区域生成网络层生成检测框，即初步提取图片中目标候选区域；
步骤23：搭建感兴趣区域池化层，获取步骤21的特征图和步骤22的目标候选区域，并综合信息后提取候选特征图；
步骤24：搭建分类层，使用边框回归获得检测框最终的精确位置，以及通过候选特征图判定目标类别。
3.根据权利要求2所述的一种基于FPGA的faster-RCNN目标检测方法，其特征在于：所述FPGA根据faster-RCNN模型的特点进行定制，包括控制器、Conv模块、区域生成网络模块、分类模块、片内存储和片外存储，以及输入缓存区和权值缓存区，Conv模块、区域生成网络模块、分类模块均通过控制器进行控制。
4.根据权利要求3所述的一种基于FPGA的faster-RCNN目标检测方法，其特征在于：所述Conv模块，包括有16个卷积处理单元，并且使用卷积并行算法和流水线技术实现卷积并行优化。
5.根据权利要求3所述的一种基于FPGA的faster-RCNN目标检测方法，其特征在于：所述区域生成网络模块接收来自Conv模块处理后的数据，并通过权值缓存区与片内存储、片外存储进行数据交互。
6.根据权利要求3所述的一种基于FPGA的faster-RCNN目标检测方法，其特征在于：所述分类模块接收区域生成网络模块处理后的数据并进行奇异值分解，通过权值缓存区与片内存储、片外存储进行数据交互。
7.根据权利要求3所述的一种基于FPGA的faster-RCNN目标检测方法，其特征在于：所述片内存储使用块随机存储器，所述片外存储使用动态随机存储器。
CN202010579892.0A 2020-06-23 2020-06-23 一种基于FPGA的faster-RCNN目标检测方法 Pending CN111832629A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010579892.0A CN111832629A (zh) 2020-06-23 2020-06-23 一种基于FPGA的faster-RCNN目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010579892.0A CN111832629A (zh) 2020-06-23 2020-06-23 一种基于FPGA的faster-RCNN目标检测方法

Publications (1)

Publication Number Publication Date
CN111832629A true CN111832629A (zh) 2020-10-27

Family

ID=72899259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010579892.0A Pending CN111832629A (zh) 2020-06-23 2020-06-23 一种基于FPGA的faster-RCNN目标检测方法

Country Status (1)

Country Link
CN (1) CN111832629A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688825A (zh) * 2021-05-17 2021-11-23 海南师范大学 一种ai智能垃圾识别分类***和方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190325605A1 (en) * 2016-12-29 2019-10-24 Zhejiang Dahua Technology Co., Ltd. Systems and methods for detecting objects in images
US20200193222A1 (en) * 2018-07-06 2020-06-18 Tata Consultancy Services Limited Method and system for automatic object annotation using deep network

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190325605A1 (en) * 2016-12-29 2019-10-24 Zhejiang Dahua Technology Co., Ltd. Systems and methods for detecting objects in images
US20200193222A1 (en) * 2018-07-06 2020-06-18 Tata Consultancy Services Limited Method and system for automatic object annotation using deep network

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SHAOQING REN 等: "Faster R-CNN:Towards Real-Time Object Detection with Region Proposal Networks", 《ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS》 *
廖辉: "基于轻量级卷积神经网络的人脸检测算法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
李炳剑等: "面向卷积神经网络的FPGA加速器架构设计", 《计算机科学与探索》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688825A (zh) * 2021-05-17 2021-11-23 海南师范大学 一种ai智能垃圾识别分类***和方法

Similar Documents

Publication Publication Date Title
CN109584248B (zh) 基于特征融合和稠密连接网络的红外面目标实例分割方法
CN111027493B (zh) 一种基于深度学习多网络软融合的行人检测方法
CN109584209B (zh) 血管壁斑块识别设备、***、方法及存储介质
CN111932511B (zh) 一种基于深度学习的电子元器件质量检测方法与***
CN105574550A (zh) 一种车辆识别方法及装置
CN110222686B (zh) 物体检测方法、装置、计算机设备和存储介质
CN104572804A (zh) 一种视频物体检索的方法及其***
CN111967464B (zh) 一种基于深度学习的弱监督目标定位方法
CN110717881A (zh) 晶圆缺陷识别方法、装置、存储介质和终端设备
CN109284779A (zh) 基于深度全卷积网络的物体检测方法
CN114155244B (zh) 缺陷检测方法、装置、设备及存储介质
CN112365497A (zh) 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和***
CN109948527B (zh) 基于集成深度学习的小样本太赫兹图像异物检测方法
CN111695463A (zh) 人脸面部杂质检测模型的训练方法、人脸面部杂质检测方法
CN111127400A (zh) 一种乳腺病变检测方法和装置
CN117011274A (zh) 自动化玻璃瓶检测***及其方法
CN112364974B (zh) 一种基于激活函数改进的YOLOv3算法
CN114331985A (zh) 电子元器件划痕缺陷检测方法、装置和计算机设备
CN111353580A (zh) 目标检测网络的训练方法、电子设备及存储介质
CN115019133A (zh) 基于自训练和标签抗噪的图像中弱目标的检测方法及***
TWI769603B (zh) 影像處理方法及存儲介質
CN114358279A (zh) 图像识别网络模型剪枝方法、装置、设备及存储介质
CN111832629A (zh) 一种基于FPGA的faster-RCNN目标检测方法
CN116205918B (zh) 基于图卷积的多模态融合半导体检测方法、装置及介质
US20230029163A1 (en) Wafer map analysis system using neural network and method of analyzing wafer map using the same

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