CN111985324B - 结合全卷积回归神经网络和条件随机场的道路检测方法 - Google Patents
结合全卷积回归神经网络和条件随机场的道路检测方法 Download PDFInfo
- Publication number
- CN111985324B CN111985324B CN202010677001.5A CN202010677001A CN111985324B CN 111985324 B CN111985324 B CN 111985324B CN 202010677001 A CN202010677001 A CN 202010677001A CN 111985324 B CN111985324 B CN 111985324B
- Authority
- CN
- China
- Prior art keywords
- neural network
- road
- convolution
- regression neural
- image
- 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
- G06V20/50—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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种结合全卷积回归神经网络和条件随机场的道路检测方法,解决的技术问题是现有检测方法因极端光照条件而造成道路检测区域的孔洞及边缘不平滑问题,包括以下步骤:(1)采集到行车记录仪图像信息,并设计预处理程序;(2)设计全卷积回归神经网络;(3)设计基于卷积核的条件随机场;(4)网络训练和测试;通过以上步骤,最终可以得到一个端到端的全卷积回归神经网络模型;(5)使用训练完成的全卷积回归神经网络模型来检测道路图像。本发明的方法可有效解决因极端光照条件而造成的孔洞及边缘不平滑的问题,从而提高道路检测的精度。
Description
技术领域
本发明属于语义分割的深度学习技术领域,具体涉及一种结合全卷积回归神经网络和条件随机场的道路检测方法。
背景技术
现今,驾驶辅助***早已成为了研究的重点,而道路检测作为驾驶辅助***的核心问题,更是重中之重;目前,深度学***滑等现象;
目前,全卷积回归神经网络虽然有着很高的检测性能,但是全卷积回归神经网络缺少对像素之间目标空间概率分布的考量,目前的方法并没有将条件随机场的能量优化函数真正与全卷积回归神经网络相结合。本发明设计了基于卷积核的条件随机场,将条件随机场的能量优化函数与全卷积回归神经网络相结合,以消除因极端光照条件而造成的孔洞及边缘不平滑等错误检测结果。
发明内容
本发明的目的在于克服因极端光照条件而造成的孔洞及边缘不平滑的问题,提供一种结合全卷积回归神经网路和条件随机场的道路检测方法,该检测方法通过设计特殊的卷积核,以全卷积回归神经网络作为基础,构建基于卷积核的条件随机场,将全卷积回归神经网络和条件随机场结合在一起,有效解决因极端光照条件而造成的孔洞及边缘不平滑的问题,从而提高道路检测的精度。
为了实现上述目的,本发明采用的技术方案为:
一种结合全卷积回归神经网络和条件随机场的道路检测办法,包括以下步骤:
S1.采集行车记录仪视频,并随机剪辑获取行车记录仪图像,分辨率为720p或1080p,对每幅图像中的道路区域和非道路区域进行手动标定,得到与道路图像对应的标定图片,组成道路检测数据集,并设计好图像预处理程序,在每幅图像输入全卷积回归神经网络模型之前,都会使用图像预处理程序进行预处理;
S2.构建全卷积回归神经网络,设定初始训练参数和损失函数;
S3.构建基于卷积核的条件随机场,将卷积核条件随机场放置于全卷积回归神经网络的输出处,用于计算能量分布;
S4.使用标定完成的道路检测数据集,对全卷积回归神经网络模型进行分步训练;
S5.使用训练完成的全卷积回归神经网络模型进行道路检测。
所述步骤S1中的预处理程序包括以下步骤:
S11.将道路图像分辨率调整为1024*512;
S12.以图像左上顶点作为原点,水平方向为X轴,垂直方向为Y轴,在图像X轴上412到612像素,Y轴上206到306像素范围内,随机选取一点作为旋转中心点,任意旋转随机角度;
S13.对图像进行水平偏移,偏移程度为-200到200像素的任意数值,对图像进行垂直偏移,偏移成都为-100到100像素的任意数值;
S14.随机选取任意对称变换对图像进行处理,对称变换方式有水平方向对称变换,垂直方向对称变换,对角方向对称变换;
S15.对道路图像进行归一化处理,归一化处理形式如下:
其中I代表道路图像,m和n分别代表道路图像矩阵的行值和列值,I*代表归一化后的道路图像。
所述步骤S2包括以下步骤:
S21.构建一个全卷积回归神经网络,网络结构分为二个部分,第一部分由八个卷积模块组成,卷积模块由一层卷积层,一层归一化层,一层最大池化层和Relu层组成,第二部分由八个反卷积模块组成,反卷积模块由一层反卷积层,一层归一化层和一层Relu层组成;
S22.确定全卷积回归神经网络的训练参数,设置损失函数。
4.根据权利要求3所述的结合全卷积回归神经网络和条件随机场的道路检测方法,其特征在于,所述步骤S22中,全卷积回归神经网络使用的是回归损失函数,回归损失函数形式如下:
Losspix(xlabel,xout)=||xlabel-xout||2
其中xlabel代表道路数据集Sl中的样本,xout代表全卷积回归神经网络的输出。
所述步骤S3包括以下步骤:
S31.构建卷积核条件随机场,以全卷积回归神经网络的检测结果作为输入,卷积核条件随机场由一层卷积层和一层Relu层组成,其中卷积层使用特殊设计的卷积核;
S32.设置卷积核条件随机场的能量优化函数,优化卷积核条件随机场输出的能量分布。
所述步骤S31中的特殊设计的卷积核形式如下:
其中xi代表特殊卷积核的中心像素,xj代表xi周边的像素,σ代表特殊卷积核中心像素xi周边的像素邻域,特殊卷积核不参与权值更新。
所述步骤S32中的能量优化函数表达式如下:
其中xout代表全卷积回归神经网络的输出,Pe()代表卷积核条件随机场计算得到的能量分布,Sum()代表求和操作,n代表能量分布矩阵中正值的数量。
所述步骤S4包括以下步骤:
S41.全卷积回归神经网络进行第一阶段训练,将两张道路图像作为一个训练批次输入全卷积回归神经网络模型中进行训练,仅使用回归损失函数作为损失函数,整个数据集迭代10 次;
S42.全卷积回归神经网络进行第二阶段训练,将两张张道路图像作为一个训练批次输入全卷积回归神经网络模型中进行训练,使用回归损失函数和卷积核条件随机场的能量优化函数之和作为损失函数,整个数据集迭代90次。
所述步骤S5包括以下步骤:
S51.将新的道路图像进行归一化处理之后,输入训练完成的全卷积回归神经网络中,输出道路的目标空间概率分布,其中的每一个像素的数值范围为0到1之间,代表着该像素为道路区域的概率;
S52.取阈值为0.75,对全卷积回归神经网络输出的目标空间概率分布进行阈值分割,得到最终的道路检测结果。
与现有技术相比,本发明的有益效果是:针对因极端光照条件而造成的孔洞及边缘不平滑的问题,真正将条件随机场和全卷积回归神经网络结合在一起,引入条件随机场的能量优化函数,解决了神经网络不考虑相邻像素之间概率关系的问题,从而有效解决因极端光照条件而造成的孔洞及边缘不平滑的问题,从而提高道路检测精度。
附图说明
图1是本发明的流程图;
图2是本发明中全卷积回归神经网络的结构示意图;
图3是本发明中卷积核条件随机场的结示意构图;
图4是本发明的应用实验效果图;
图5是本发明的应用实验对比图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步说明:
参见图1-3,一种结合全卷积回归神经网络和条件随机场的道路检测方法,包括如下步骤:
(1)采集行车记录仪视频,并随机剪辑获取行车记录仪图像,分辨率为720p或1080p,对每幅图像中的道路区域和非道路区域进行手动标定,得到与道路图像对应的标定图片,组成道路检测数据集,并设计好图像预处理程序,在每幅图像输入全卷积回归神经网络模型之前,都会使用图像预处理程序进行预处理。具体包括如下步骤:
(11)采集行车记录仪视频,并随机剪辑获取行车记录仪图像,分辨率为720p或1080p,对每幅图像中的道路区域和非道路区域进行手动标定,得到与道路图像对应的标定图片,组成道路检测数据集;
(12)设计图像预处理程序,每幅图像输入全卷积回归神经网络之前都会使用图像预处理程序进行预处理;
(13)图像预处理程序将道路图像分辨率使用双线性插值调整为1024*512;
(14)图像预处理程序以图像左上顶点作为原点,水平方向为X轴,垂直方向为Y轴,在图像X轴上412到612像素,Y轴上206到306像素范围内,随机选取一点作为旋转中心点,任意旋转随机角度;
(15)图像预处理程序对图像进行水平偏移,偏移程度为-200到200像素的任意数值,对图像进行垂直偏移,偏移成都为-100到100像素的任意数值;
(16)图像预处理程序随机选取任意对称变换对图像进行处理,对称变换方式有水平方向对称变换,垂直方向对称变换,对角方向对称变换;
(17)图像预处理程序对道路图像进行归一化处理,归一化处理形式如下:
其中I代表道路图像,m和n分别代表道路图像矩阵的行值和列值,I*代表归一化后的道路图像。
(2)构建全卷积回归神经网络,设定初始训练参数和损失函数。具体包括如下步骤:
(21)构建一个全卷积回归神经网络,网络结构分为二个部分,第一部分由八个卷积模块组成,卷积模块由一层卷积层,一层归一化层,一层最大池化层和Relu层组成,第二部分由八个反卷积模块组成,反卷积模块由一层反卷积层,一层归一化层和一层Relu层组成;
(22)确定全卷积回归神经网络的训练参数,设置损失函数形式如下:
Losspix(xlabel,xout)=||xlabel-xout||2
其中xlabel代表道路数据集Sl中的样本,xout代表全卷积回归神经网络的输出。
(3)构建基于卷积核的条件随机场,将卷积核条件随机场放置于全卷积回归神经网络的输出处,用于计算能量分布。具体包括如下步骤:
(31)构建卷积核条件随机场,以全卷积回归神经网络的检测结果作为输入,卷积核条件随机场由一层卷积层和一层Relu层组成,其中卷积层使用特殊设计的卷积核。特殊设计的卷积核形式如下:
其中xi代表特殊卷积核的中心像素,xj代表xi周边的像素,σ代表特殊卷积核中心像素xi周边的像素邻域。卷积核可以实例化如下:
0.0625 | 0.125 | 0.0625 |
0.125 | -0.75 | 0.125 |
0.0625 | 0.125 | 0.0625 |
(32)设置卷积核条件随机场的能量优化函数,优化卷积核条件随机场输出的能量分布。
能量优化函数形式如下:
其中xout代表全卷积回归神经网络的输出,Pe()代表卷积核条件随机场计算得到的能量分布,Sum()代表求和操作,n代表能量分布矩阵中正值的数量。
(4)使用标定完成的道路检测数据集,对全卷积回归神经网络模型进行分步训练。具体包括如下步骤:
(41)全卷积回归神经网络进行第一阶段训练,仅使用回归损失函数作为损失函数,整个数据集迭代10次;
(42)全卷积回归神经网络进行第二阶段训练,使用回归损失函数和卷积核条件随机场的能量优化函数之和作为损失函数,整个数据集迭代90次。
(5)使用训练完成的全卷积回归神经网络模型进行道路检测。具体包括如下步骤:
(51)将新的道路图像进行归一化处理之后,输入训练完成的全卷积回归神经网络中,输出道路的目标空间概率分布,其中的每一个像素的数值范围为0到1之间,代表着该像素为道路区域的概率;
(52)取阈值为0.75,对全卷积回归神经网络输出的目标空间概率分布进行阈值分割,得到最终的道路检测结果。
本发明的结合全卷积回归神经网络和条件随机场的道路检测方法的应用实验:为了验证本发明的有效性,使用两个数据集进行模型的训练和对比验证。两个数据集分别为遥感道路数据集和行车记录仪数据集,采用深度学习框架Tensorflow进行训练和测试,网络模型使用的是U-net网络。
关于实验的其他参数,对于遥感道路数据集,数据集按照6比4的比例分为训练集和测试集。训练阶段,设置Batchsize为20,进行10000次训练,初始学习率设置为0.001,每1000 次训练,学习率下降为之前的0.9,使用Adam作为优化器。采用随机剪切小样本的方式进行训练,在测试阶段,测试集上随机剪切1000张小样本作为测试样本进行检测精度评估。对于行车记录仪数据集,数据集按照7比3的比例分为训练集和测试集。在训练时,因为输入图像的尺寸为1024*512,所以Batchsize被设置为2,初始学习率为0.0001,每5000次训练后,学习率会下降为之前的0.5,使用Adam作为优化器。
实验使用像素准确率(Pixel-Accuracy)、交并比IoU(Intersection-over-Union)作为正确率的度量标准。像素准确率表示分类正确的像素点数和所有的像素点数的比例,交并比表示对某一类别预测结果和真实值的交集与并集的比值。
在此使用两个数据集进行实验,对比实验结果可以在图4看到,图4中的小图a展示的是遥感道路数据集的实验结果,小图b展示的是行车记录仪数据集的实验结果。图5展示的是检测精度结果。可以得出本发明能够解决因极端光照条件产生的孔洞及边缘不平滑的问题,能有效提高道路检测精度。
Claims (6)
1.一种结合全卷积回归神经网络和条件随机场的道路检测办法,其特征在于,包括以下步骤:
S1.采集行车记录仪视频,并随机剪辑获取行车记录仪图像,分辨率为720p或1080p,对每幅图像中的道路区域和非道路区域进行手动标定,得到与道路图像对应的标定图片,组成道路检测数据集,并设计好图像预处理程序,在每幅图像输入全卷积回归神经网络模型之前,都会使用图像预处理程序进行预处理;
S2.构建全卷积回归神经网络,设定初始训练参数和损失函数;
S3.构建基于卷积核的条件随机场,将卷积核条件随机场放置于全卷积回归神经网络的输出处,用于计算能量分布;
S4.使用标定完成的道路检测数据集,对全卷积回归神经网络模型进行分步训练;
S5.使用训练完成的全卷积回归神经网络模型进行道路检测;
所述步骤S3包括以下步骤:
S31.构建卷积核条件随机场,以全卷积回归神经网络的检测结果作为输入,卷积核条件随机场由一层卷积层和一层Relu层组成,其中卷积层使用特殊设计的卷积核;
S32.设置卷积核条件随机场的能量优化函数,优化卷积核条件随机场输出的能量分布;
所述步骤S31中的特殊设计的卷积核形式如下:
其中xi代表特殊卷积核的中心像素,xj代表xi周边的像素,σ代表特殊卷积核中心像素xi周边的像素邻域,特殊卷积核不参与权值更新;
所述步骤S32中的能量优化函数表达式如下:
其中xout代表全卷积回归神经网络的输出,Pe()代表卷积核条件随机场计算得到的能量分布,Sum()代表求和操作,n代表能量分布矩阵中正值的数量。
2.根据权利要求1所述的结合全卷积回归神经网络和条件随机场的道路检测方法,其特征在于,所述步骤S1中的预处理程序包括以下步骤:
S11.将道路图像分辨率调整为1024*512;
S12.以图像左上顶点作为原点,水平方向为X轴,垂直方向为Y轴,在图像X轴上412到612像素,Y轴上206到306像素范围内,随机选取一点作为旋转中心点,任意旋转随机角度;
S13.对图像进行水平偏移,偏移程度为-200到200像素的任意数值,对图像进行垂直偏移,偏移成都为-100到100像素的任意数值;
S14.随机选取任意对称变换对图像进行处理,对称变换方式有水平方向对称变换,垂直方向对称变换,对角方向对称变换;
S15.对道路图像进行归一化处理,归一化处理形式如下:
其中I代表道路图像,m和n分别代表道路图像矩阵的行值和列值,I*代表归一化后的道路图像。
3.根据权利要求1所述的结合全卷积回归神经网络和条件随机场的道路检测方法,其特征在于,所述步骤S2包括以下步骤:
S21.构建一个全卷积回归神经网络,网络结构分为二个部分,第一部分由八个卷积模块组成,卷积模块由一层卷积层,一层归一化层,一层最大池化层和Relu层组成,第二部分由八个反卷积模块组成,反卷积模块由一层反卷积层,一层归一化层和一层Relu层组成;
S22.确定全卷积回归神经网络的训练参数,设置损失函数。
4.根据权利要求3所述的结合全卷积回归神经网络和条件随机场的道路检测方法,其特征在于,所述步骤S22中,全卷积回归神经网络使用的是回归损失函数,回归损失函数形式如下:
Losspix(xlabel,xout)=||xlabel-xout||2
其中xlabel代表道路数据集Sl中的样本,xout代表全卷积回归神经网络的输出。
5.根据权利要求1所述的结合全卷积回归神经网络和条件随机场的道路检测方法,其特征在于,所述步骤S4包括以下步骤:
S41.全卷积回归神经网络进行第一阶段训练,将两张道路图像作为一个训练批次输入全卷积回归神经网络模型中进行训练,仅使用回归损失函数作为损失函数,整个数据集迭代10次;
S42.全卷积回归神经网络进行第二阶段训练,将两张道路图像作为一个训练批次输入全卷积回归神经网络模型中进行训练,使用回归损失函数和卷积核条件随机场的能量优化函数之和作为损失函数,整个数据集迭代90次。
6.根据权利要求1所述的结合全卷积回归神经网络和条件随机场的道路检测方法,其特征在于,所述步骤S5包括以下步骤:
S51.将新的道路图像进行归一化处理之后,输入训练完成的全卷积回归神经网络中,输出道路的目标空间概率分布,其中的每一个像素的数值范围为0到1之间,代表着该像素为道路区域的概率;
S52.取阈值为0.75,对全卷积回归神经网络输出的目标空间概率分布进行阈值分割,得到最终的道路检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010677001.5A CN111985324B (zh) | 2020-07-14 | 2020-07-14 | 结合全卷积回归神经网络和条件随机场的道路检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010677001.5A CN111985324B (zh) | 2020-07-14 | 2020-07-14 | 结合全卷积回归神经网络和条件随机场的道路检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111985324A CN111985324A (zh) | 2020-11-24 |
CN111985324B true CN111985324B (zh) | 2022-10-28 |
Family
ID=73437762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010677001.5A Active CN111985324B (zh) | 2020-07-14 | 2020-07-14 | 结合全卷积回归神经网络和条件随机场的道路检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111985324B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876796A (zh) * | 2018-06-08 | 2018-11-23 | 长安大学 | 一种基于全卷积神经网络和条件随机场的道路分割***及方法 |
CN109461177A (zh) * | 2018-09-29 | 2019-03-12 | 浙江科技学院 | 一种基于神经网络的单目图像深度预测方法 |
CN109636905A (zh) * | 2018-12-07 | 2019-04-16 | 东北大学 | 基于深度卷积神经网络的环境语义建图方法 |
CN109993082A (zh) * | 2019-03-20 | 2019-07-09 | 上海理工大学 | 卷积神经网络道路场景分类与道路分割方法 |
CN110414670A (zh) * | 2019-07-03 | 2019-11-05 | 南京信息工程大学 | 一种基于全卷积神经网络的图像拼接篡改定位方法 |
-
2020
- 2020-07-14 CN CN202010677001.5A patent/CN111985324B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876796A (zh) * | 2018-06-08 | 2018-11-23 | 长安大学 | 一种基于全卷积神经网络和条件随机场的道路分割***及方法 |
CN109461177A (zh) * | 2018-09-29 | 2019-03-12 | 浙江科技学院 | 一种基于神经网络的单目图像深度预测方法 |
CN109636905A (zh) * | 2018-12-07 | 2019-04-16 | 东北大学 | 基于深度卷积神经网络的环境语义建图方法 |
CN109993082A (zh) * | 2019-03-20 | 2019-07-09 | 上海理工大学 | 卷积神经网络道路场景分类与道路分割方法 |
CN110414670A (zh) * | 2019-07-03 | 2019-11-05 | 南京信息工程大学 | 一种基于全卷积神经网络的图像拼接篡改定位方法 |
Non-Patent Citations (1)
Title |
---|
全卷积神经网络研究综述;章琳等;《计算机工程与应用》;20191108(第01期);31-43 * |
Also Published As
Publication number | Publication date |
---|---|
CN111985324A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709265A (zh) | 基于注意力机制残差网络的摄像监控状态分类方法 | |
CN110287777B (zh) | 一种自然场景下的金丝猴躯体分割算法 | |
CN112884712B (zh) | 一种显示面板缺陷分类的方法及相关装置 | |
CN110728656A (zh) | 基于元学习的无参考图像质量数据处理方法、智能终端 | |
Chen et al. | Remote sensing image quality evaluation based on deep support value learning networks | |
CN111242026B (zh) | 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法 | |
CN112489054A (zh) | 一种基于深度学习的遥感图像语义分割方法 | |
CN112712488B (zh) | 基于自注意力融合的遥感图像超分辨率重建方法 | |
CN110751644B (zh) | 道路表面裂纹检测方法 | |
CN114155210B (zh) | 基于注意力机制与标准化密集空洞空间多尺度融合网络的人群计数方法 | |
CN111209858A (zh) | 一种基于深度卷积神经网络的实时车牌检测方法 | |
CN115063786A (zh) | 一种高位远景模糊车牌检测方法 | |
CN110689060A (zh) | 一种基于聚合特征差异学习网络的异源图像匹配方法 | |
CN114663392A (zh) | 一种基于知识蒸馏的工业图像缺陷检测方法 | |
CN115937693A (zh) | 一种基于遥感图像的道路识别方法及*** | |
CN116051382A (zh) | 一种基于深度强化学习生成式对抗神经网络和超分辨率重建的数据增强方法 | |
CN113971764B (zh) | 一种基于改进YOLOv3的遥感图像小目标检测方法 | |
CN115240259A (zh) | 一种基于yolo深度网络的课堂环境下人脸检测方法及其检测*** | |
CN114943894A (zh) | 一种基于ConvCRF的高分遥感影像建筑物提取优化方法 | |
CN111027542A (zh) | 一种基于Faster RCNN算法改进的目标检测方法 | |
CN113888442A (zh) | 基于fpga的红外图像非均匀性校正方法及*** | |
CN111985324B (zh) | 结合全卷积回归神经网络和条件随机场的道路检测方法 | |
CN104123723A (zh) | 基于结构补偿的图像质量评价方法 | |
CN113256528B (zh) | 基于多尺度级联深度残差网络的低照度视频增强方法 | |
WO2022155565A1 (en) | Enhancement of coarse resolution imagery using super-resolution and convolution neural networks to be used for fit-for-purpose systematic land titling and land valuation |
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 |