CN111881984A - 一种基于深度学习的目标检测方法和装置 - Google Patents
一种基于深度学习的目标检测方法和装置 Download PDFInfo
- Publication number
- CN111881984A CN111881984A CN202010753252.7A CN202010753252A CN111881984A CN 111881984 A CN111881984 A CN 111881984A CN 202010753252 A CN202010753252 A CN 202010753252A CN 111881984 A CN111881984 A CN 111881984A
- Authority
- CN
- China
- Prior art keywords
- target
- data
- sampling
- image
- detected
- 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
- G06F18/21—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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- 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
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的目标识别检测方法和装置,所述方法包括:数据采样步骤、特征提取步骤和目标检测步骤;所述数据采样步骤包括:对获取的待检测目标的原始图像进行多次下采样处理,得到多次采样数据;所述特征提取步骤包括:分别对所述多次的采样数据进行深层特征和抽象图像特征的提取,提取用于目标检测的图像特征;所述目标检测步骤包括:通过神经网络对多次采样的深层特征和抽象图像特征进行识别,确定所述原始图像中的待检测目标检测结果。本发明能够实现远距离空中小目标检测时高检出率、低虚景率。
Description
技术领域
本发明涉及成像技术领域,特别是涉及一种基于深度学习的目标识别检测方法和装置。
背景技术
在国防安全、地形观测、民航保障等领域常需要对远距离目标进行探测,尤其在防空领域,更远的预警距离,意味着防空***有更长的反应时间。然而,远距离目标在图像上常常呈现小目标特性,小目标像素数少,特征不明显,极易与背景混合。因此在检测时,虚警率高,检出率低。这使得小目标检测始终是是目标检测领域中的一个研究热点。
现存的目标检测算法主要分为两类,两阶段算法和单阶段算法。两阶段算法首先根据目标位置,提取出候选区域,然后在每个候选区域内部进行图像分类。该方法需要两次扫描图片,步骤繁琐,计算速度慢,无法满足实时性要求。单阶段算法是一种基于回归的端到端算法,该方法利用卷积神经网络同时预测目标的位置和类别,计算速度快,可用于实时性要求高的工程应用当中,但是预测密集目标和小目标时精度很低。
发明内容
本发明所要解决的技术问题是提供一种基于深度学习的目标识别检测方法和装置,实现远距离空中小目标检测时高检出率、低虚警率。
本发明公开了一种基于深度学习的目标检测方法,包括:数据采样步骤、特征提取步骤和目标检测步骤;
所述数据采样步骤包括:对获取的待检测目标的原始图像进行多次下采样处理,得到多次采样数据;
所述特征提取步骤包括:分别对所述多次的采样数据进行深层特征和抽象图像特征的提取,提取用于目标检测的图像特征;
所述目标检测步骤包括:通过神经网络对多次采样的深层特征和抽象图像特征进行识别,确定所述原始图像中的待检测目标检测结果。
优选地,所述方法之前包括:采集和搭建目标数据集,所述数据集包括鸟类图像数据和/或无人机图像数据。
优选地,对获取的待检测目标的原始图像进行多次下采样处理包括:
对所述原始图像进行多次不同尺度的目标图像采样,每次采样的步长为N单位像素,N为正整数。
优选地,分别对所述多次的采样数据进行深层特征和抽象图像特征的提取包括:
每次下采样获得的采样数据经过残差处理,提取用于位置识别的待检测目标特征;
将当前采样的待检测目标特征与前一次采样的待检测目标特征进行融合,将融合后的特征作为深层特征和抽象图像特征。
优选地,所述采样数据经过残差处理包括:
将所述采用数据分别经过3*3卷积层、1*1卷积层和残差层,所述残差层用来对所述采样数据增大网络深度时避免梯度消失。
优选地,采集和搭建目标数据集之后还包括:
对于数据集中不同尺度特征图的每一个单元格,利用先验框预测三个边界框,为每个边界框预测多个值,根据预测的所述多个值得到目标的中心坐标和目标的宽度和高度的预测结果。
优选地,根据预测的所述多个值得到目标的中心坐标和目标的宽度和高度的预测结果包括:
为每个边界框预测4个值,分别记做tx,ty,tw,th;
根据以下公式得到目标中心坐标(x,y)和目标的宽度w和高度h预测结果bx,by,bw,bh。
bx=σ(tx)+cx
by=σ(ty)+cy
其中,σ是关于t的函数,tx和ty是x和y方向的预测坐标偏移量;tw和th是宽度和高度的缩放值;
cx和cy是目标所在单元格的左上角坐标,Pw和Py是先验框的宽度和高度。
优选地,对所述原始图像进行五次步长为2的下采样,所述5次下采样获得的采样数据分别经过1次残差处理、4次残差处理、8次残差处理、8次残差处理、4次残差处理。
优选地,所述目标数据集包括:正样本和负样本,所述正样本为被正确识别的样本,所述负样本为被错误识别的样本。
第二方面,本发明还提供一种基于深度学习的目标检测装置,包括:数据采样模块、特征提取模块和目标检测模块;
所述数据采样模块:设置为对获取的待检测目标的原始图像进行多次下采样处理,得到多次采样数据;
所述特征提取模块:设置为分别对所述多次的采样数据进行深层特征和抽象图像特征的提取,提取用于目标检测的图像特征;
所述目标检测模块:设置为通过神经网络对多次采样的深层特征和抽象图像特征进行识别,确定所述原始图像中的待检测目标检测结果。
与现有技术相比,本发明具有以下优点:
本发明首先对多种无人机进行针对性的图像数据采集和标注。然后用聚类算法对无人机数据的标注进行处理,选出适应于无人机目标的先验框。然后将无人机数据进行数据增强。将增强后的数据输入神经网络进行训练,训练出的模型即可完整无人机的目标检测。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本发明的技术方案,并不构成对本发明技术方案的限制。
图1为本发明实施例的基于深度学习的目标检测方法的流程图;
图2为本发明实施例的目标检测网络结构的示意图;
图3为本发明实施例的基于深度学习的目标检测装置的结构示意图;
图4是根据本申请另一个实施例的计算设备结构图;
图5是根据本申请另一个实施例的计算机可读存储介质结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明的一部分实施例,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。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1所示,本发明实施例提供一种基于深度学习的目标检测方法,包括:数据采样步骤、特征提取步骤和目标检测步骤;
S101、所述数据采样步骤包括:对获取的待检测目标的原始图像进行多次下采样处理,得到多次采样数据;
S102、所述特征提取步骤包括:分别对所述多次的采样数据进行深层特征和抽象图像特征的提取,提取用于目标检测的图像特征;
S103、所述目标检测步骤包括:通过神经网络对多次采样的深层特征和抽象图像特征进行识别,确定所述原始图像中的待检测目标检测结果。
本发明实施例对输入图像进行多次下采样,并对后续采样进行不同尺度的目标进行检测,利用深层特征和抽象图像特征,以保证能检测出多个尺度目标的同时,使得小目标检测有足够丰富的图像特征,从而实现远距离空中小目标检测时高检出率、低虚景率。
本发明实施例中,所述方法之前包括:采集和搭建目标数据集,所述数据集包括鸟类图像数据和/或无人机图像数据。
本发明实施例首先要采集和搭建小目标数据集,其中,目标数据集主要包括鸟类和多种无人机在两公里距离左右的图像。
本发明实施例数据采集选用焦距800mm,分辨率1920*1080的相机。相机的像元大小为3μm。主流小型消费级无人机以及鸟类的尺寸在200mm到500mm。
当目标在两公里时根据以下高斯成像公式,可以计算到像距。
其中,f是焦距,u是物距,v是像距,根据像距和目标尺寸可得目标成像的尺寸,成像尺寸除以像元尺寸即可得目标对应的像素数。经计算本发明实施例所针对目标的像素数大多分布在50*50个像素以下,占整个图像的比例小于0.15%,认为是小目标。采集时针对远距离(2公里)下不同天气、不同背景、不同飞行姿态下的无人机和鸟类进行拍摄。
本发明实施例中,对获取的待检测目标的原始图像进行多次下采样处理包括:
对所述原始图像进行多次不同尺度的目标图像采样,每次采样的步长为N单位像素,N为正整数。
本发明实施例中,分别对所述多次的采样数据进行深层特征和抽象图像特征的提取包括:
每次下采样获得的采样数据经过残差处理,提取用于位置识别的待检测目标特征;
将当前采样的待检测目标特征与前一次采样的待检测目标特征进行融合,将融合后的特征作为深层特征和抽象图像特征。
本发明实施例中,所述采样数据经过残差处理包括:
将所述采用数据分别经过3*3卷积层、1*1卷积层和残差层,所述残差层用来对所述采样数据增大网络深度时避免梯度消失。
本发明实施例中,采集和搭建目标数据集之后还包括:
对于数据集中不同尺度特征图的每一个单元格,利用先验框预测三个边界框,为每个边界框预测多个值,根据预测的所述多个值得到目标的中心坐标和目标的宽度和高度的预测结果。
本发明实施例中,根据预测的所述多个值得到目标的中心坐标和目标的宽度和高度的预测结果包括:
为每个边界框预测4个值,分别记做tx,ty,tw,th;
根据以下公式得到目标中心坐标(x,y)和目标的宽度w和高度h预测结果bx,by,bw,bh。
bx=σ(tx)+cx
by=σ(ty)+cy
其中,σ是关于t的函数,tx和ty是x和y方向的预测坐标偏移量;tw和th是宽度和高度的缩放值;
cx和cy是目标所在单元格的左上角坐标,Pw和Py是先验框的宽度和高度。
本发明实施例中,σ是由深度学习网络拟合出。
本发明实施例中,对所述原始图像进行五次步长为2的下采样,所述5次下采样获得的采样数据分别经过1次残差处理、4次残差处理、8次残差处理、8次残差处理、4次残差处理。
本发明实施例在端到端的单阶段算法的darknet53网络结构上进行改进,来进行远距离空中小目标的检测,本发明实施例网络结构,如图2所示,在特征提取部分包括五次步长为2的下采样,每次下采样后都加入残差模块进行深层特征和抽象图像特征的提取,每个残差模块由一个3*3卷积层,一个1*1卷积层和一个残差层构成。其中1*1的卷积层用来降低卷积核通道数量,以减少网络产生的参数,残差层用来在增大网络深度时避免梯度消失。在此网络中,在第一次下采样后连接1个残差模块。在第二次下采样后,在原有的darknet53结构基础上增加2个残差模块,变为4个残差模块,来更多的提取目标的位置信息。在第三、四、五次采样时,分别连接8个残差模块、8个残差模块和4个残差模块。在检测时,在第二次下采样时增加一个检测尺度,即在四个尺度上进行检测。两次下采样时,目标图像像素数多,更利于小目标检测。检测所用特征均是通过高层的特征进行上采样来与前一层的特征进行融合得到。这样在低层所对应的检测尺度上,其利用的图像特征兼具低层的位置信息和高层的高层语义信息,使得目标检测更加准确。
训练时,为每种检测尺度提前预设3种先验框,有四个尺度因此总共需要12种尺寸的先验框。
对于不同尺度特征图的每一个单元格,神经网络都会借助先验框预测三个边界框,为每个边界框预测4个值,这四个值分别记做tx,ty,tw,th。根据以下公式修正得到最终的目标中心坐标(x,y)和目标的宽w和高h预测结果bx,by,bw,bh。
bx=σ(tx)+cx
by=σ(ty)+cy
其中,σ是关于t的函数,tx和ty是预测的坐标偏移量tw和th是尺度的缩放值。cx和cy是目标所在单元格的左上角坐标,Pw和Py是先验框的宽和高。
本发明实施例中,所述目标数据集包括:正样本和负样本,所述正样本为被正确识别的样本,所述负样本为被错误识别的样本。
实施例二
如图2所示,本发明实施例还提供一种基于深度学习的目标检测装置,包括:数据采样模块、特征提取模块和目标检测模块;
所述数据采样模块:设置为对获取的待检测目标的原始图像进行多次下采样处理,得到多次采样数据;
所述特征提取模块:设置为分别对所述多次的采样数据进行深层特征和抽象图像特征的提取,提取用于目标检测的图像特征;
所述目标检测模块:设置为通过神经网络对多次采样的深层特征和抽象图像特征进行识别,确定所述原始图像中的待检测目标检测结果。
实施例三
本申请实施例还提供了一种计算设备,参照图4,该计算设备包括存储器1120、处理器1110和存储在所述存储器1120内并能由所述处理器1110运行的计算机程序,该计算机程序存储于存储器1120中的用于程序代码的空间1130,该计算机程序在由处理器1110执行时实现用于执行任一项根据本发明的方法步骤1131。
本申请实施例还提供了一种计算机可读存储介质。参照图5,该计算机可读存储介质包括用于程序代码的存储单元,该存储单元设置有用于执行根据本发明的方法步骤的程序1131′,该程序被处理器执行。
实施例四
本发明实施例的具体应用对象为空中小目标检测,其软件代码采用python编程实现。
本实施例针对空中小目标需求,实现基于深度学习的空中小目标的检测,可实现实时的空中小目标检测和识别,以下对本方法进行详细描述:
(1)小目标数据采集:
本实施例的空中小目标主要针对的是多种消费级无人机和鸟类。采集时针对远距离(2公里)下不同天气、不同背景、不同飞行姿态下的无人机和鸟类进行拍摄。最终获得小目标数据10000张,并对图像中的目标进行坐标位置和类别的标注,8000张作为训练集,2000张作为测试集。由于远距离图像较难获得,训练时需对图像进行拉伸、翻转、调节明暗、过采样等方法进行数据增强。
(2)训练和测试
本实施例在上位机上对模型进行训练和测试,上位机配置为显卡NVIDIA GeForceGTX 1080,内存为32g,CPU为Intel酷睿i7。
将数据数入神经网络进行训练。训练时,训练批次设为150次,学习率0.001,衰减0.0005。训练结束后,所得的模型即可用于小目标检测。
训练时,为每种检测尺度提前预设3种先验框,有四个尺度因此总共需要12种尺寸的先验框,他们分别是:(1×2),(2×3),(4×5),(7×8),(12×7),(10×11),(18×9),(14×12),(12×15),(18×20),(28×24),(51×59)。
此小目标检测算法中更多的是关注在不同像素下目标检测情况,因此我们选择召回率和准确率作为检测指标。召回率定义如下:
TruePositives(TP):正样本被正确识别为正样本;在目标检测中表示被正确识别出来的目标;
FalseNegatives(FN):正样本被错误识别为负样本;在目标检测中表示目标被错误识别成背景。
Recall:召回率,表示算法返回的结果中,被识别出来的真实目标占该类总目标的比例。即测试集中所有正样本样例中被正确识别为正样本的比例。公式如下:
Recall=TP/(TP+FN)
Precision:精确率,表示算法返回的结果中,被识别出来的真实目标占所有被识别出来的目标的比例。即被识别出来的样本中被正确识别为正样本的比例。公式如下:
Rrecision=TP/(TP+FP)
测试的召回率和精确率统计如下表1所示:
表1
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、***、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器,如数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
Claims (10)
1.一种基于深度学习的目标检测方法,其特征在于,包括:数据采样步骤、特征提取步骤和目标检测步骤;
所述数据采样步骤包括:对获取的待检测目标的原始图像进行多次下采样处理,得到多次采样数据;
所述特征提取步骤包括:分别对所述多次的采样数据进行深层特征和抽象图像特征的提取,提取用于目标检测的图像特征;
所述目标检测步骤包括:通过神经网络对多次采样的深层特征和抽象图像特征进行识别,确定所述原始图像中的待检测目标检测结果。
2.根据权利要求1所述的目标检测方法,其特征在于,所述方法之前包括:采集和搭建目标数据集,所述数据集包括鸟类图像数据和/或无人机图像数据。
3.根据权利要求1或2所述的目标检测方法,其特征在于,对获取的待检测目标的原始图像进行多次下采样处理包括:
对所述原始图像进行多次不同尺度的目标图像采样,每次采样的步长为N单位像素,N为正整数。
4.根据权利要求1或2所述的目标检测方法,其特征在于,分别对所述多次的采样数据进行深层特征和抽象图像特征的提取包括:
每次下采样获得的采样数据经过残差处理,提取用于位置识别的待检测目标特征;
将当前采样的待检测目标特征与前一次采样的待检测目标特征进行融合,将融合后的特征作为深层特征和抽象图像特征。
5.根据权利要求4所述的目标检测方法,其特征在于,所述采样数据经过残差处理包括:
将所述采用数据分别经过3*3卷积层、1*1卷积层和残差层,所述残差层用来对所述采样数据增大网络深度时避免梯度消失。
6.根据权利要求2所述的目标检测方法,其特征在于,采集和搭建目标数据集之后还包括:
对于数据集中不同尺度特征图的每一个单元格,利用先验框预测三个边界框,为每个边界框预测多个值,根据预测的所述多个值得到目标的中心坐标和目标的宽度和高度的预测结果。
8.根据权利要求4所述的目标检测方法,其特征在于,对所述原始图像进行五次步长为2的下采样,所述5次下采样获得的采样数据分别经过1次残差处理、4次残差处理、8次残差处理、8次残差处理、4次残差处理。
9.根据权利要求2所述的识别方法,其特征在于,所述目标数据集包括:正样本和负样本,所述正样本为被正确识别的样本,所述负样本为被错误识别的样本。
10.一种基于深度学习的目标检测装置,其特征在于,包括:数据采样模块、特征提取模块和目标检测模块;
所述数据采样模块:设置为对获取的待检测目标的原始图像进行多次下采样处理,得到多次采样数据;
所述特征提取模块:设置为分别对所述多次的采样数据进行深层特征和抽象图像特征的提取,提取用于目标检测的图像特征;
所述目标检测模块:设置为通过神经网络对多次采样的深层特征和抽象图像特征进行识别,确定所述原始图像中的待检测目标检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010753252.7A CN111881984A (zh) | 2020-07-30 | 2020-07-30 | 一种基于深度学习的目标检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010753252.7A CN111881984A (zh) | 2020-07-30 | 2020-07-30 | 一种基于深度学习的目标检测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111881984A true CN111881984A (zh) | 2020-11-03 |
Family
ID=73205815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010753252.7A Pending CN111881984A (zh) | 2020-07-30 | 2020-07-30 | 一种基于深度学习的目标检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111881984A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465794A (zh) * | 2020-12-10 | 2021-03-09 | 无锡卡尔曼导航技术有限公司 | 一种基于YOLOv4和嵌入式平台的高尔夫球检测方法 |
CN112508924A (zh) * | 2020-12-15 | 2021-03-16 | 桂林电子科技大学 | 一种小目标检测识别方法、装置、***和存储介质 |
CN113300986A (zh) * | 2021-04-17 | 2021-08-24 | 湖南红船科技有限公司 | 无人机图传信号与热点信号识别方法、介质、计算机设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796046A (zh) * | 2019-10-17 | 2020-02-14 | 武汉科技大学 | 基于卷积神经网络的智能钢渣检测方法和*** |
CN110889399A (zh) * | 2019-12-23 | 2020-03-17 | 北京航天泰坦科技股份有限公司 | 基于深度学习的高分辨率遥感影像弱小目标检测方法 |
CN111127438A (zh) * | 2019-12-25 | 2020-05-08 | 昆明理工大学 | 基于改进yolo算法的肺部ct图像中结节检测方法 |
CN111444809A (zh) * | 2020-03-23 | 2020-07-24 | 华南理工大学 | 一种基于改进YOLOv3的输电线路异常目标检测方法 |
-
2020
- 2020-07-30 CN CN202010753252.7A patent/CN111881984A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796046A (zh) * | 2019-10-17 | 2020-02-14 | 武汉科技大学 | 基于卷积神经网络的智能钢渣检测方法和*** |
CN110889399A (zh) * | 2019-12-23 | 2020-03-17 | 北京航天泰坦科技股份有限公司 | 基于深度学习的高分辨率遥感影像弱小目标检测方法 |
CN111127438A (zh) * | 2019-12-25 | 2020-05-08 | 昆明理工大学 | 基于改进yolo算法的肺部ct图像中结节检测方法 |
CN111444809A (zh) * | 2020-03-23 | 2020-07-24 | 华南理工大学 | 一种基于改进YOLOv3的输电线路异常目标检测方法 |
Non-Patent Citations (4)
Title |
---|
JOSEPH REDMON, ALI FARHADI: "YOLO9000: Better, Faster, Stronger", COMPUTER VISION AND PATTERN RECOGNITION, pages 1 - 9 * |
JOSEPH REDMON, ALI FARHADI: "YOLOv3: An Incremental Improvement", 《COMPUTER VISION AND PATTERN RECOGNITION》, pages 1 - 6 * |
YUANYUAN HU等: "Object Detection of UAV for Anti-UAV Based on Improved YOLO v3", 《2019 CHINESE CONTROL CONFERENCE (CCC)》, pages 8386 - 8390 * |
李斌;张彩霞;杨阳;张文生;: "复杂场景下深度表示的无人机目标检测算法", 计算机工程与应用, no. 15, pages 118 - 123 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465794A (zh) * | 2020-12-10 | 2021-03-09 | 无锡卡尔曼导航技术有限公司 | 一种基于YOLOv4和嵌入式平台的高尔夫球检测方法 |
CN112508924A (zh) * | 2020-12-15 | 2021-03-16 | 桂林电子科技大学 | 一种小目标检测识别方法、装置、***和存储介质 |
CN112508924B (zh) * | 2020-12-15 | 2022-09-23 | 桂林电子科技大学 | 一种小目标检测识别方法、装置、***和存储介质 |
CN113300986A (zh) * | 2021-04-17 | 2021-08-24 | 湖南红船科技有限公司 | 无人机图传信号与热点信号识别方法、介质、计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022100470A1 (en) | Systems and methods for target detection | |
CN107273832B (zh) | 基于积分通道特征与卷积神经网络的车牌识别方法及*** | |
CN111881984A (zh) | 一种基于深度学习的目标检测方法和装置 | |
CN112487848B (zh) | 文字识别方法和终端设备 | |
CN110147714B (zh) | 基于无人机的煤矿采空区裂缝识别方法及检测*** | |
CN110659601B (zh) | 基于中心点的深度全卷积网络遥感图像密集车辆检测方法 | |
KR102197930B1 (ko) | 번호판 인식 방법 및 시스템 | |
CN110991447B (zh) | 基于深度学习的列车车号精确定位与识别方法 | |
CN112364843A (zh) | 插拔式航拍图像目标定位检测方法、***、设备 | |
CN113723377A (zh) | 一种基于ld-ssd网络的交通标志检测方法 | |
CN112464933B (zh) | 一种地基凝视红外成像弱小目标智能识别方法 | |
CN112288701A (zh) | 一种智慧交通图像检测方法 | |
Dousai et al. | Detecting humans in search and rescue operations based on ensemble learning | |
CN108509826B (zh) | 一种遥感影像的道路识别方法及其*** | |
CN113012215A (zh) | 一种空间定位的方法、***及设备 | |
CN116843691B (zh) | 光伏板热斑检测方法及存储介质、电子设备 | |
CN111881982A (zh) | 一种无人机目标识别方法 | |
CN112288702A (zh) | 一种基于车联网的道路图像检测方法 | |
Wu et al. | Research on asphalt pavement disease detection based on improved YOLOv5s | |
EP4332910A1 (en) | Behavior detection method, electronic device, and computer readable storage medium | |
CN113887455B (zh) | 一种基于改进fcos的人脸口罩检测***及方法 | |
CN115035429A (zh) | 一种基于复合主干网络和多预测头的航拍目标检测方法 | |
CN115601538A (zh) | 目标检测方法及目标检测器、***和介质 | |
CN114332814A (zh) | 一种停车框识别方法、装置、电子设备及存储介质 | |
CN115485746A (zh) | 车牌字符识别方法、装置、设备及存储介质 |
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 |