CN112037520B - 道路监控方法、***和电子设备 - Google Patents

道路监控方法、***和电子设备 Download PDF

Info

Publication number
CN112037520B
CN112037520B CN202011220145.4A CN202011220145A CN112037520B CN 112037520 B CN112037520 B CN 112037520B CN 202011220145 A CN202011220145 A CN 202011220145A CN 112037520 B CN112037520 B CN 112037520B
Authority
CN
China
Prior art keywords
feature map
channel
street view
vector
feature
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
Application number
CN202011220145.4A
Other languages
English (en)
Other versions
CN112037520A (zh
Inventor
程舒通
何振华
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.)
Hangzhou Zhenggeng Technology Co ltd
Original Assignee
Hangzhou Polytechnic
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 Hangzhou Polytechnic filed Critical Hangzhou Polytechnic
Priority to CN202011220145.4A priority Critical patent/CN112037520B/zh
Publication of CN112037520A publication Critical patent/CN112037520A/zh
Application granted granted Critical
Publication of CN112037520B publication Critical patent/CN112037520B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • 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
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种基于具有通道注意力机制的对象重识别的道路监控方法。所述方法，包括：获取预定时间间隔的第一、第二街景图像；将所述第一、第二街景图像分别输入卷积神经网络以获得第一、第二特征图；将所述第一、第二特征图分别输入通道注意力网络以获得第一、第二通道特征向量；分别将所述第一特征图与所述第一通道特征向量融合以获得第一融合特征图和将所述第二特征图与所述第二通道特征向量融合以获得第二融合特征图；将所述第一、第二融合特征图按通道级联以获得分类特征图；以及，将所述分类特征图以分类函数进行分类以获得分类结果。这样，基于通道注意力机制准确地获得所述街景图像内是否包括违反道路管理规定的对象的监控结果。

Description

道路监控方法、***和电子设备
技术领域
本申请涉及人工智能技术领域，且更为具体地，涉及一种基于具有通道注意力机制的对象重识别的道路监控方法、***和电子设备。
背景技术
“智慧城市”将信息技术与先进的城市经营服务理念进行有效融合，通过对城市的地理、资源、环境、经济等进行数字网络化管理，为城市提供更便捷、高效、灵活的公共管理的创新服务模式。
在城市管理领域中，需要对道路进行监控，以检测违反道路管理规定的对象，例如，违反道路管理规定的对象包括占道经营的流动商贩、商贩进行占道经营所用的物品，比如，占道经营摆放的桌椅、在道路两旁私搭的棚伞等。
目前，针对违反街道管理规定的对象的监控由城管部门执行，效率低下且监管困难。
近年来，深度学习尤其是神经网络的发展违反街道管理规定的对象的监控提供了新的解决思路和方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于具有通道注意力机制的对象重识别的道路监控方法、***和电子设备，其将违反街道管理规定的对象监控问题转化为不同时间获取街景图像的对象重识别问题结合对象分类问题，并以具有通道注意力机制的卷积神经网络对街景图像进行处理，以准确地获得所述街景图像内是否包括违反道路管理规定的对象的监控结果。
根据本申请的一个方面，提供了一种基于具有通道注意力机制的对象重识别的道路监控方法，其包括：
获取预定时间间隔的第一街景图像和第二街景图像；
将所述第一街景图像和所述第二街景图像分别输入卷积神经网络以获得第一特征图和第二特征图；
将所述第一特征图和所述第二特征图分别输入通道注意力网络以获得第一通道特征向量和第二通道特征向量；
分别将所述第一特征图与所述第一通道特征向量融合以获得第一融合特征图和将所述第二特征图与所述第二通道特征向量融合以获得第二融合特征图；
将所述第一融合特征图和所述第二融合特征图按通道级联以获得分类特征图；以及
将所述分类特征图以分类函数进行分类以获得分类结果，所述分类结果用于表示所述第一街景图像和所述第二街景图像内是否包括违反道路管理规定的对象。
在上述基于具有通道注意力机制的对象重识别的道路监控方法中，获取预定时间间隔的第一街景图像和第二街景图像，包括：通过用于街道巡查的移动摄像机获取街景视频；基于所述移动摄像机的路径信息获取相同地理位置的第一视频片段和第二视频片段；以及，分别从所述第一视频片段和所述第二视频片段中截取所述第一街景图像和所述第二街景图像。
在上述基于具有通道注意力机制的对象重识别的道路监控方法中，将所述第一特征图和所述第二特征图分别输入通道注意力网络以获得第一通道特征向量和第二通道特征向量，包括：将所述第一特征图输入第一全局池化层以获得第一通道池化向量；将所述第二特征图输入第二全局池化层以获得第二通道池化向量；将所述第一通道池化向量输入第一全连接层并以Sigmoid激活函数进行激活以获得第一通道特征向量；以及，将所述第二通道池化向量输入第二全连接层并以Sigmoid激活函数进行激活以获得第二通道特征向量。
在上述基于具有通道注意力机制的对象重识别的道路监控方法中，分别将所述第一特征图与所述第一通道特征向量融合以获得第一融合特征图和将所述第二特征图与所述第二通道特征向量融合以获得第二融合特征图，包括：将所述第一特征图按通道乘以所述第一通道特征向量以获得第一融合特征图；以及，将所述第二特征图按通道乘以所述第二通道特征向量以获得第二融合特征图。
在上述基于具有通道注意力机制的对象重识别的道路监控方法中，分别将所述第一特征图与所述第一通道特征向量融合以获得第一融合特征图和将所述第二特征图与所述第二通道特征向量融合以获得第二融合特征图，包括：将所述第一特征图按通道乘以所述第一通道特征向量以获得第一加权特征图；将所述第一加权特征图与所述第一特征图相加以获得所述第一融合特征图；将所述第二特征图按通道乘以所述第二通道特征向量以获得第二加权特征图；以及，将所述第二加权特征图与所述第二特征图相加以获得所述第二融合特征图。
在上述基于具有通道注意力机制的对象重识别的道路监控方法中，所述卷积神经网络和所述分类函数通过训练图像集训练获得。
在上述基于具有通道注意力机制的对象重识别的道路监控方法中，所述训练过程，包括：基于所述第一通道特征向量和所述第二通道特征向量计算注意力损失函数值，所述注意力损失函数值为所述第一通道特征向量的对数和所述第二通道特征向量的对数的加权和的沿通道位置的平均值；计算所述分类特征图以分类函数进行分类的分类损失函数值；以及，通过最小化所述注意力损失函数值和所述分类损失函数值的加权和来以梯度下降的反向传播更新所述卷积神经网络和所述分类函数。
在上述基于具有通道注意力机制的对象重识别的道路监控方法中，在所述训练过程中，所述第一通道特征向量的对数和所述第二通道特征向量的对数的加权系数以及所述注意力损失函数值和所述分类损失函数值的加权系数作为超参数。
根据本申请的另一方面，提供了一种基于具有通道注意力机制的对象重识别的道路监控***，其包括：
街景图像获取单元，用于获取预定时间间隔的第一街景图像和第二街景图像；
特征图生成单元，用于将所述街景图像获取单元获得的所述第一街景图像和所述第二街景图像分别输入卷积神经网络以获得第一特征图和第二特征图；
通道特征向量生成单元，用于将所述特征图生成单元获得的所述第一特征图和所述第二特征图分别输入通道注意力网络以获得第一通道特征向量和第二通道特征向量；
融合单元，用于分别将所述特征图生成单元获得的所述第一特征图与所述通道特征向量生成单元获得的所述第一通道特征向量融合以获得第一融合特征图和将所述特征图生成单元获得的所述第二特征图与所述通道特征向量生成单元获得的所述第二通道特征向量融合以获得第二融合特征图；
分类特征图生成单元，用于将所述融合单元获得的所述第一融合特征图和所述第二融合特征图按通道级联以获得分类特征图；以及
分类单元，用于将所述分类特征图生成单元获得的所述分类特征图以分类函数进行分类以获得分类结果，所述分类结果用于表示所述第一街景图像和所述第二街景图像内是否包括违反道路管理规定的对象。
在上述基于具有通道注意力机制的对象重识别的道路监控***中，所述街景图像获取单元，进一步用于：通过用于街道巡查的移动摄像机获取街景视频；基于所述移动摄像机的路径信息获取相同地理位置的第一视频片段和第二视频片段；以及，分别从所述第一视频片段和所述第二视频片段中截取所述第一街景图像和所述第二街景图像。
在上述基于具有通道注意力机制的对象重识别的道路监控***中，所述通道特征向量生成单元，包括：
第一池化子单元，用于将所述第一特征图输入第一全局池化层以获得第一通道池化向量；
第二池化子单元，用于将所述第二特征图输入第二全局池化层以获得第二通道池化向量；
第一通道向量转化子单元，用于将所述第一通道池化向量输入第一全连接层并以Sigmoid激活函数进行激活以获得第一通道特征向量；以及
第二通道向量转化子单元，用于将所述第二通道池化向量输入第二全连接层并以Sigmoid激活函数进行激活以获得第二通道特征向量。
在上述基于具有通道注意力机制的对象重识别的道路监控***中，所述融合单元，进一步用于：将所述第一特征图按通道乘以所述第一通道特征向量以获得第一融合特征图；以及，将所述第二特征图按通道乘以所述第二通道特征向量以获得第二融合特征图。
在上述基于具有通道注意力机制的对象重识别的道路监控***中，所述融合单元，包括：
第一加权特征图生成子单元，用于将所述第一特征图按通道乘以所述第一通道特征向量以获得第一加权特征图；
第一融合子单元，用于将所述第一加权特征图与所述第一特征图相加以获得所述第一融合特征图；
第二加权特征图生成子单元，用于将所述第二特征图按通道乘以所述第二通道特征向量以获得第二加权特征图；以及
第二融合子单元，用于将所述第二加权特征图与所述第二特征图相加以获得所述第二融合特征图。
在上述基于具有通道注意力机制的对象重识别的道路监控***中，所述卷积神经网络和所述分类函数通过训练图像集训练获得。
在上述基于具有通道注意力机制的对象重识别的道路监控***中，还包括训练单元，用于：
基于所述第一通道特征向量和所述第二通道特征向量计算注意力损失函数值，所述注意力损失函数值为所述第一通道特征向量的对数和所述第二通道特征向量的对数的加权和的沿通道位置的平均值；
计算所述分类特征图以分类函数进行分类的分类损失函数值；以及
通过最小化所述注意力损失函数值和所述分类损失函数值的加权和来以梯度下降的反向传播更新所述卷积神经网络和所述分类函数。
在上述基于具有通道注意力机制的对象重识别的道路监控***中，在所述训练过程中，所述第一通道特征向量的对数和所述第二通道特征向量的对数的加权系数以及所述注意力损失函数值和所述分类损失函数值的加权系数作为超参数。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于具有通道注意力机制的对象重识别的道路监控方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于具有通道注意力机制的对象重识别的道路监控方法。
与现有技术相比，本申请提供的基于具有通道注意力机制的对象重识别的道路监控方法、***和电子设备，其将违反街道管理规定的对象监控问题转化为不同时间获取街景图像的对象重识别问题结合对象分类问题，并以具有通道注意力机制的卷积神经网络对街景图像进行处理，以准确地获得所述街景图像内是否包括违反道路管理规定的对象的监控结果。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的基于具有通道注意力机制的对象重识别的道路监控方法的应用场景图。
图2图示了根据本申请实施例的基于具有通道注意力机制的对象重识别的道路监控方法的流程图。
图3图示了根据本申请实施例的基于具有通道注意力机制的对象重识别的道路监控方法的架构示意图。
图4图示了根据本申请实施例的基于具有通道注意力机制的对象重识别的道路监控方法中将所述第一特征图和所述第二特征图分别输入通道注意力网络以获得第一通道特征向量和第二通道特征向量的流程图。
图5图示了根据本申请实施例的基于具有通道注意力机制的对象重识别的道路监控方法中将所述第一特征图和所述第二特征图分别输入通道注意力网络以获得第一通道特征向量和第二通道特征向量的架构示意图。
图6图示了根据本申请实施例的基于具有通道注意力机制的对象重识别的道路监控***的框图。
图7图示了根据本申请实施例的基于具有通道注意力机制的对象重识别的道路监控***中通道特征向量生成单元的框图。
图8图示了根据本申请实施例的基于具有通道注意力机制的对象重识别的道路监控***中融合单元的框图。
图9图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，在城市管理领域中，需要对道路进行监控，以检测违反道路管理规定的对象，例如，违反道路管理规定的对象包括占道经营的流动商贩、商贩进行占道经营所用的物品，比如，占道经营摆放的桌椅、在道路两旁私搭的棚伞等。近年来，深度学习尤其是神经网络的发展违反街道管理规定的对象的监控提供了新的解决思路和方案。
在检测这些违反道路管理规定的对象时，一方面对象的种类可能涉及人员、物品等多个种类；另一方面还需要考虑其他偶然出现在道路范围内的对象。
考虑到上述情况，本申请发明人将这类对象的检测转换为不同时间获取的街景图像的对象重识别问题结合对象分类问题，也就是，通过确定不同时间获取的街景图像中的相同违规对象，来确定违规对象属于违反道路管理规定的长时间占道经营相关联的对象，以与偶发性的出现在街景图像内的其他对象相区分。
并且，在本申请中，需要检测的对象种类较多，需要在通过卷积神经网络提取特征的过程中，强化针对于各种不同类型的对象的特征提取。考虑到特征图的不同通道在指定对象方面扮演着不同的角色，因此，在本申请的卷积神经网络中引入了通道注意力机制，从而能够使得卷积神经网络对于待检测的每种类型的对象都提取出有用的特征，以在后续的通过分类函数进行分类的过程中获得有效的分类结果。
基于此，本申请提出了一种基于具有通道注意力机制的对象重识别的道路监控方法，其包括：获取预定时间间隔的第一街景图像和第二街景图像；将所述第一街景图像和所述第二街景图像分别输入卷积神经网络以获得第一特征图和第二特征图；将所述第一特征图和所述第二特征图分别输入通道注意力网络以获得第一通道特征向量和第二通道特征向量；分别将所述第一特征图与所述第一通道特征向量融合以获得第一融合特征图和将所述第二特征图与所述第二通道特征向量融合以获得第二融合特征图；将所述第一融合特征图和所述第二融合特征图按通道级联以获得分类特征图；以及，将所述分类特征图以分类函数进行分类以获得分类结果，所述分类结果用于表示所述第一街景图像和所述第二街景图像内是否包括违反道路管理规定的对象。
图1图示了根据本申请实施例的基于具有通道注意力机制的对象重识别的道路监控方法的应用场景图。
如图1所示，在该应用场景中，通过图像采集设备（例如，如图1所示意的摄像头C）采集预设时间间隔的街景图像，例如，预设时间间隔为半小时，即，每隔半个小时采集相同道路的街景图像。然后，将在不同时间点采集的街景图像输入至部署有基于具有通道注意力机制的对象重识别的道路监控算法的服务器中（例如，如图1所示意的S），其中，所述服务器能够基于具有通道注意力机制的对象重识别的道路监控算法对街景图像进行重对象识别处理，以检测出道路上是否包括违反道路管理规定的对象。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了根据本申请实施例的基于具有通道注意力机制的对象重识别的道路监控方法的流程图。如图2所示，根据本申请实施例的基于具有通道注意力机制的对象重识别的道路监控方法，包括：S110，获取预定时间间隔的第一街景图像和第二街景图像；S120，将所述第一街景图像和所述第二街景图像分别输入卷积神经网络以获得第一特征图和第二特征图；S130，将所述第一特征图和所述第二特征图分别输入通道注意力网络以获得第一通道特征向量和第二通道特征向量；S140，分别将所述第一特征图与所述第一通道特征向量融合以获得第一融合特征图和将所述第二特征图与所述第二通道特征向量融合以获得第二融合特征图；S150，将所述第一融合特征图和所述第二融合特征图按通道级联以获得分类特征图；以及，S160，将所述分类特征图以分类函数进行分类以获得分类结果，所述分类结果用于表示所述第一街景图像和所述第二街景图像内是否包括违反道路管理规定的对象。
图3图示了根据本申请实施例的基于具有通道注意力机制的对象重识别的道路监控方法的架构示意图。
如图3所示，根据本申请实施例的道路监控方法的架构，包括：卷积神经网络（例如，如图3中所示意的CNN）、通道注意力网络（例如，如图3中所示意的CAN），其中，所述卷积神经网络用于对获取的第一街景图像（例如，如图3中所示意的Fs1）和第二街景图像（例如，如图3中所示意的Fs2）进行卷积处理，以获得第一特征图（例如，如图3中所示意的F1）和第二特征图（例如，如图3中所示意的F2）；所述通道注意力网络用于对所述第一特征图和所述第二特征图标进行基于通道的加权处理，以获得第一通道特征向量（例如，如图3中所示意的Vc1）和第二通道特征向量（例如，如图3中所示意的Vc2）。进一步地，所述第一特征图和所述第一通道特征向量融合以获得第一融合特征图（例如，如图3中所示意的Fm1），所述第二特征图与所述第二通道特征向量融合以获得第二融合特征图（例如，如图3中所示意的Fm2）。进一步地，将所述第一融合特征图和所述第二融合特征图按通道级联以获得分类特征图（例如，如图3中所示意的Fc）。进一步地，将所述分类特征图以分类函数（例如，如图3中所示意的圈S）进行分类以获得分类结果，所述分类结果用于表示所述第一街景图像和所述第二街景图像内是否包括违反道路管理规定的对象。
在步骤S110中，获取预定时间间隔的第一街景图像和第二街景图像。如前所述，在检测这些违反道路管理规定的对象时，一方面对象的种类可能涉及人员、物品等多个种类；另一方面还需要考虑其他偶然出现在道路范围内的对象。考虑到上述情况，本申请发明人将这类对象的检测转换为不同时间获取的街景图像的对象重识别问题结合对象分类问题，也就是，通过确定不同时间获取的街景图像中的相同违规对象，来确定违规对象属于违反道路管理规定的长时间占道经营相关联的对象，以与偶发性的出现在街景图像内的其他对象相区分。因此，需要获取不同时间点的街景图像，来进行对象重识别检测。
在本申请一具体示例中，获取预定时间间隔的第一街景图像和第二街景图像的过程，包括：首先，通过用于街道巡查的移动摄像机获取街景视频；然后，基于所述移动摄像机的路径信息获取相同地理位置的第一视频片段和第二视频片段；接着，分别从所述第一视频片段和所述第二视频片段中截取所述第一街景图像和所述第二街景图像。
也就是，利用用于街道巡查的移动摄像机来获取预定时间间隔的第一街景图像和第二街景图像，具体地，当进行街道巡查时，会在不同时间路过街道的同一位置，因此，可以从街景视频中基于移动摄像机的路径信息来获取相同地理位置的第一视频片段和第二视频片段，这样所述第一视频片段和所述第二视频片段中将包含预定时间间隔的第一街景图像和第二街景图像。另外，由于这样获得的第一街景图像和第二街景图像通常具有不同的拍摄角度和背景图像，更便于用于对象重识别的卷积神经网络提取出有针对性的图像特征。
在步骤S120中，将所述第一街景图像和所述第二街景图像分别输入卷积神经网络以获得第一特征图和第二特征图。也就是，将所述第一街景图像和所述第二街景图像以卷积神经网络进行处理，以提取出所述第一街景图像和所述第二街景图像中的高维特征，其中，所述高维特征能够表征所述街景图像所包含的对象。
在步骤S130中，将所述第一特征图和所述第二特征图分别输入通道注意力网络以获得第一通道特征向量和第二通道特征向量。这里，在本申请中，由于需要检测的对象种类较多，需要在通过卷积神经网络提取特征的过程中，强化针对于各种不同类型的对象的特征提取。考虑到特征图的不同通道在指定对象方面扮演着不同的角色，因此，在本申请的卷积神经网络中引入了通道注意力机制，从而能够使得卷积神经网络对于待检测的每种类型的对象都提取出有用的特征，以在后续的通过分类函数进行分类的过程中获得有效的分类结果。
在本申请一具体示例中，将所述第一特征图和所述第二特征图分别输入通道注意力网络以获得第一通道特征向量和第二通道特征向量的过程，包括如下步骤。
首先，将所述第一特征图输入第一全局池化层以获得第一通道池化向量，以及，将所述第二特征图输入第二全局池化层以获得第二通道池化向量；
然后，将所述第一通道池化向量输入第一全连接层并以Sigmoid激活函数进行激活以获得第一通道特征向量，以及，将所述第二通道池化向量输入第二全连接层并以Sigmoid激活函数进行激活以获得第二通道特征向量。
特别地，特征图的不同通道在指定对象方面扮演着不同的角色，通过基于通道注意力机制从特征图获得通道特征向量，可以对特征图中的不同通道赋予不同的权重，从而使得特征图“注意”对象的类别不同，并获得与对象的类别相关联的特征图。
图4图示了根据本申请实施例的基于具有通道注意力机制的对象重识别的道路监控方法中将所述第一特征图和所述第二特征图分别输入通道注意力网络以获得第一通道特征向量和第二通道特征向量的流程图。
如图4所示，将所述第一特征图和所述第二特征图分别输入通道注意力网络以获得第一通道特征向量和第二通道特征向量，包括步骤：S210，将所述第一特征图输入第一全局池化层以获得第一通道池化向量；S220，将所述第二特征图输入第二全局池化层以获得第二通道池化向量；S230，将所述第一通道池化向量输入第一全连接层并以Sigmoid激活函数进行激活以获得第一通道特征向量；以及，S240，将所述第二通道池化向量输入第二全连接层并以Sigmoid激活函数进行激活以获得第二通道特征向量。
图5图示了根据本申请实施例的基于具有通道注意力机制的对象重识别的道路监控方法中将所述第一特征图和所述第二特征图分别输入通道注意力网络以获得第一通道特征向量和第二通道特征向量的架构示意图。
如图5所示，所述通道注意力网络的架构，包括：第一全局池化层（例如，如图5中所示意的lp1）、第二全局池化层（例如，如图5中所示意的lp2）、第一全连接层（例如，如图5中所示意的Fcl1）、第二全连接层（例如，如图5中所示意的Fcl1），其中，所述第一全局池化层用于对所述第一特征图（例如，如图5中所示意的F1）进行全局池化处理以获得第一通道池化向量（例如，如图5中所示意的Vp1），所述第二全局池化层用于对所述第二特征图（例如，如图5中所示意的F2）进行全局池化处理以获得第二通道池化向量（例如，如图5中所示意的Vp2），所述第一全连接层用于以Sigmoid激活函数将所述第一通道池化向量转化为所述第一通道特征向量（例如，如图5中所示意的Vc1），所述第二全连接层用于以Sigmoid激活函数将所述第二通道池化向量转化为所述第二通道特征向量（例如，如图5中所示意的Vc2）。
在步骤S140中，分别将所述第一特征图与所述第一通道特征向量融合以获得第一融合特征图和将所述第二特征图与所述第二通道特征向量融合以获得第二融合特征图。应可以理解，所述第一通道特征向量和所述第二通道特征向量能够对特征图中的不同通道赋予不同的权重，从而使得特征图“注意”对象的类别不同。相应地，通过融合所述第一通道特征向量与所述第一特征图能够获得与所述第一街景图像中的对象的类别相关联的特征图，即，所述第一融合特征图；通过融合所述第二通道特征向量与所述第二特征图能够获得与所述第二街景图像中的对象的类别相关联的特征图，即，所述第二融合特征图。
在本申请一具体示例中，分别将所述第一特征图与所述第一通道特征向量融合以获得第一融合特征图和将所述第二特征图与所述第二通道特征向量融合以获得第二融合特征图，包括：将所述第一特征图按通道乘以所述第一通道特征向量以获得第一融合特征图；以及，将所述第二特征图按通道乘以所述第二通道特征向量以获得第二融合特征图。
也就是，在该示例中，直接按通道进行加权来融合所述第一特征图与所述第一通道向量，以及，所述第二特征图与所述第二通道向量，这样的融合方式，计算简单。
在本申请另一示例中，分别将所述第一特征图与所述第一通道特征向量融合以获得第一融合特征图和将所述第二特征图与所述第二通道特征向量融合以获得第二融合特征图的过程，包括：首先，将所述第一特征图按通道乘以所述第一通道特征向量以获得第一加权特征图；然后，将所述第一加权特征图与所述第一特征图相加以获得所述第一融合特征图；接着，将所述第二特征图按通道乘以所述第二通道特征向量以获得第二加权特征图；继而，将所述第二加权特征图与所述第二特征图相加以获得所述第二融合特征图。
也就是，在该示例中，先将所述第一特征图按通道乘以所述第一通道特征向量以获得第一加权特征图，然后，将所述第一加权特征图与所述第一特征图相加以获得所述第一融合特征图，这样，所述第一融合特征图可以更大程度上保留原图特征，即，所述第一特征图中的特征。接着，将所述第二特征图按通道乘以所述第二通道特征向量以获得第二加权特征图，然后，将所述第二加权特征图与所述第二特征图相加以获得所述第二融合特征图，这样，所述第二融合特征图可以更大程度上保留原图特征，即，所述第二特征图中的特征。
在步骤S150中，将所述第一融合特征图和所述第二融合特征图按通道级联以获得分类特征图。应可以理解，通过将所述第一融合特征图和所述第二融合特征图进行按通道级联，可以在通过深度神经网络获得的特征向量的过程中，在一定程度上以深度神经网络的相同神经节点分别对所述第一融合特征图和所述第二融合特征图进行计算，从而保证了所述第一融合特征图中各对象之间的关联项，以及，所述第二融合特征图中各对象之间的关联项，也能够考虑到所述第一融合特征图中的对象与所述第二融合特征图中对象之间的关联性，提高了对象重识别的准确性。
在步骤S160中，将所述分类特征图以分类函数进行分类以获得分类结果，所述分类结果用于表示所述第一街景图像和所述第二街景图像内是否包括违反道路管理规定的对象。
在本申请一具体示例中，将所述分类特征图转化为分类特征向量，然后，基于Softmax分类函数求得所述分类特征向量对应的函数值，以获得分类结果。当然，在本申请其他示例中，所述分类函数还可以被设置为其他分类函数，对此，并不为本申请所局限。
综上，基于本申请实施例的基于具有通道注意力机制的对象重识别的道路监控方法被阐明，其将违反街道管理规定的对象监控问题转化为不同时间获取街景图像的对象重识别问题结合对象分类问题，并以具有通道注意力机制的卷积神经网络对街景图像进行处理，以准确地获得所述街景图像内是否包括违反道路管理规定的对象的监控结果。
值得一提的是，根据本申请实施例的所述卷积神经网络和所述分类函数通过训练图像集训练获得，所述训练用图像集包含街景图像是否包括违反道路管理规定的对象的标签。
特别地，在本申请实施例中，训练所述卷积神经网络和所述分类函的过程，包括：首先，基于所述第一通道特征向量和所述第二通道特征向量计算注意力损失函数值，所述注意力损失函数值为所述第一通道特征向量的对数和所述第二通道特征向量的对数的加权和的沿通道位置的平均值；然后，计算所述分类特征图以分类函数进行分类的分类损失函数值；接着，通过最小化所述注意力损失函数值和所述分类损失函数值的加权和来以梯度下降的反向传播更新所述卷积神经网络和所述分类函数。
并且，在所述训练过程中，所述第一通道特征向量的对数和所述第二通道特征向量的对数的加权系数以及所述注意力损失函数值和所述分类损失函数值的加权系数作为超参数。
示例性***
图6图示了根据本申请实施例的基于具有通道注意力机制的对象重识别的道路监控***的框图。
如图6所示，根据本申请实施例的道路监控*** 600，包括：街景图像获取单元610，用于获取预定时间间隔的第一街景图像和第二街景图像；特征图生成单元 620，用于将所述街景图像获取单元 610获得的所述第一街景图像和所述第二街景图像分别输入卷积神经网络以获得第一特征图和第二特征图；通道特征向量生成单元 630，用于将所述特征图生成单元 620获得的所述第一特征图和所述第二特征图分别输入通道注意力网络以获得第一通道特征向量和第二通道特征向量；融合单元 640，用于分别将所述特征图生成单元 620获得的所述第一特征图与所述通道特征向量生成单元 630获得的所述第一通道特征向量融合以获得第一融合特征图和将所述特征图生成单元 620获得的所述第二特征图与所述通道特征向量生成单元 630获得的所述第二通道特征向量融合以获得第二融合特征图；分类特征图生成单元 650，用于将所述融合单元 640获得的所述第一融合特征图和所述第二融合特征图按通道级联以获得分类特征图；以及，分类单元 660，用于将所述分类特征图生成单元 650获得的所述分类特征图以分类函数进行分类以获得分类结果，所述分类结果用于表示所述第一街景图像和所述第二街景图像内是否包括违反道路管理规定的对象。
在一个示例中，在上述道路监控*** 600中，所述街景图像获取单元 610，进一步用于：通过用于街道巡查的移动摄像机获取街景视频；基于所述移动摄像机的路径信息获取相同地理位置的第一视频片段和第二视频片段；以及，分别从所述第一视频片段和所述第二视频片段中截取所述第一街景图像和所述第二街景图像。
在一个示例中，在上述道路监控*** 600中，如图7所示，所述通道特征向量生成单元 630，包括：第一池化子单元 631，用于将所述第一特征图输入第一全局池化层以获得第一通道池化向量；第二池化子单元 632，用于将所述第二特征图输入第二全局池化层以获得第二通道池化向量；第一通道向量转化子单元 633，用于将所述第一通道池化向量输入第一全连接层并以Sigmoid激活函数进行激活以获得第一通道特征向量；以及，第二通道向量转化子单元 634，用于将所述第二通道池化向量输入第二全连接层并以Sigmoid激活函数进行激活以获得第二通道特征向量。
在一个示例中，在上述道路监控*** 600中，所述融合单元 640，进一步用于：将所述第一特征图按通道乘以所述第一通道特征向量以获得第一融合特征图；以及，将所述第二特征图按通道乘以所述第二通道特征向量以获得第二融合特征图。
在一个示例中，在上述道路监控*** 600中，如图8所示，所述融合单元 640，包括：第一加权特征图生成子单元 641，用于将所述第一特征图按通道乘以所述第一通道特征向量以获得第一加权特征图；第一融合子单元 642，用于将所述第一加权特征图与所述第一特征图相加以获得所述第一融合特征图；第二加权特征图生成子单元 643，用于将所述第二特征图按通道乘以所述第二通道特征向量以获得第二加权特征图；以及，第二融合子单元 644，用于将所述第二加权特征图与所述第二特征图相加以获得所述第二融合特征图。
在一个示例中，在上述道路监控*** 600中，所述卷积神经网络和所述分类函数通过训练图像集训练获得。
在一个示例中，在上述道路监控*** 600中，所述***还包括训练单元 670，用于：基于所述第一通道特征向量和所述第二通道特征向量计算注意力损失函数值，所述注意力损失函数值为所述第一通道特征向量的对数和所述第二通道特征向量的对数的加权和的沿通道位置的平均值；计算所述分类特征图以分类函数进行分类的分类损失函数值；以及，通过最小化所述注意力损失函数值和所述分类损失函数值的加权和来以梯度下降的反向传播更新所述卷积神经网络和所述分类函数。
在一个示例中，在上述道路监控*** 600中，在所述训练过程中，所述第一通道特征向量的对数和所述第二通道特征向量的对数的加权系数以及所述注意力损失函数值和所述分类损失函数值的加权系数作为超参数。
这里，本领域技术人员可以理解，上述道路监控*** 600中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的基于具有通道注意力机制的对象重识别的道路监控方法描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的道路监控*** 600可以实现在各种终端设备中，例如用于监控道路的服务器等。在一个示例中，根据本申请实施例的道路监控*** 600可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该道路监控*** 600可以是该终端设备的操作***中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该道路监控*** 600同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该道路监控*** 600与该终端设备也可以是分立的设备，并且该道路监控*** 600可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图9来描述根据本申请实施例的电子设备。
图9图示了根据本申请实施例的电子设备的框图。
如图9所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于具有通道注意力机制的对象重识别的道路监控方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如街景图像等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线***和/或其他形式的连接机构（未示出）互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图9中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于具有通道注意力机制的对象重识别的道路监控方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于具有通道注意力机制的对象重识别的道路监控方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (7)

1.一种基于具有通道注意力机制的对象重识别的道路监控方法，其特征在于，包括：
获取预定时间间隔的第一街景图像和第二街景图像；
将所述第一街景图像和所述第二街景图像分别输入卷积神经网络以获得第一特征图和第二特征图；
将所述第一特征图和所述第二特征图分别输入通道注意力网络以获得第一通道特征向量和第二通道特征向量；
分别将所述第一特征图与所述第一通道特征向量融合以获得第一融合特征图和将所述第二特征图与所述第二通道特征向量融合以获得第二融合特征图；
将所述第一融合特征图和所述第二融合特征图按通道级联以获得分类特征图；以及
将所述分类特征图以分类函数进行分类以获得分类结果，所述分类结果用于表示所述第一街景图像和所述第二街景图像内是否包括违反道路管理规定的对象；
其中，所述卷积神经网络和所述分类函数通过训练图像集训练获得；
其中，所述训练过程，包括：
基于所述第一通道特征向量和所述第二通道特征向量计算注意力损失函数值，所述注意力损失函数值为所述第一通道特征向量的对数和所述第二通道特征向量的对数的加权和的沿通道位置的平均值；
计算所述分类特征图以分类函数进行分类的分类损失函数值；以及
通过最小化所述注意力损失函数值和所述分类损失函数值的加权和来以梯度下降的反向传播更新所述卷积神经网络和所述分类函数；
其中，在所述训练过程中，所述第一通道特征向量的对数和所述第二通道特征向量的对数的加权系数以及所述注意力损失函数值和所述分类损失函数值的加权系数作为超参数。
2.根据权利要求1所述的基于具有通道注意力机制的对象重识别的道路监控方法，其中，获取预定时间间隔的第一街景图像和第二街景图像，包括：
通过用于街道巡查的移动摄像机获取街景视频；
基于所述移动摄像机的路径信息获取相同地理位置的第一视频片段和第二视频片段；以及
分别从所述第一视频片段和所述第二视频片段中截取所述第一街景图像和所述第二街景图像。
3.根据权利要求1所述的基于具有通道注意力机制的对象重识别的道路监控方法，其中，将所述第一特征图和所述第二特征图分别输入通道注意力网络以获得第一通道特征向量和第二通道特征向量，包括：
将所述第一特征图输入第一全局池化层以获得第一通道池化向量；
将所述第二特征图输入第二全局池化层以获得第二通道池化向量；
将所述第一通道池化向量输入第一全连接层并以Sigmoid激活函数进行激活以获得第一通道特征向量；以及
将所述第二通道池化向量输入第二全连接层并以Sigmoid激活函数进行激活以获得第二通道特征向量。
4.根据权利要求1所述的基于具有通道注意力机制的对象重识别的道路监控方法，其中，分别将所述第一特征图与所述第一通道特征向量融合以获得第一融合特征图和将所述第二特征图与所述第二通道特征向量融合以获得第二融合特征图，包括：
将所述第一特征图按通道乘以所述第一通道特征向量以获得第一融合特征图；以及
将所述第二特征图按通道乘以所述第二通道特征向量以获得第二融合特征图。
5.根据权利要求1所述的基于具有通道注意力机制的对象重识别的道路监控方法，其中，分别将所述第一特征图与所述第一通道特征向量融合以获得第一融合特征图和将所述第二特征图与所述第二通道特征向量融合以获得第二融合特征图，包括：
将所述第一特征图按通道乘以所述第一通道特征向量以获得第一加权特征图；
将所述第一加权特征图与所述第一特征图相加以获得所述第一融合特征图；
将所述第二特征图按通道乘以所述第二通道特征向量以获得第二加权特征图；以及
将所述第二加权特征图与所述第二特征图相加以获得所述第二融合特征图。
6.一种用于执行如权利要求1-5中任一项所述的基于具有通道注意力机制的对象重识别的道路监控方法的道路监控***，其特征在于，包括：
街景图像获取单元，用于获取预定时间间隔的第一街景图像和第二街景图像；
特征图生成单元，用于将所述街景图像获取单元获得的所述第一街景图像和所述第二街景图像分别输入卷积神经网络以获得第一特征图和第二特征图；
通道特征向量生成单元，用于将所述特征图生成单元获得的所述第一特征图和所述第二特征图分别输入通道注意力网络以获得第一通道特征向量和第二通道特征向量；
融合单元，用于分别将所述特征图生成单元获得的所述第一特征图与所述通道特征向量生成单元获得的所述第一通道特征向量融合以获得第一融合特征图和将所述特征图生成单元获得的所述第二特征图与所述通道特征向量生成单元获得的所述第二通道特征向量融合以获得第二融合特征图；
分类特征图生成单元，用于将所述融合单元获得的所述第一融合特征图和所述第二融合特征图按通道级联以获得分类特征图；以及
分类单元，用于将所述分类特征图生成单元获得的所述分类特征图以分类函数进行分类以获得分类结果，所述分类结果用于表示所述第一街景图像和所述第二街景图像内是否包括违反道路管理规定的对象。
7.一种电子设备，包括：
处理器；以及
存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-5中任一项所述的基于具有通道注意力机制的对象重识别的道路监控方法。
CN202011220145.4A 2020-11-05 2020-11-05 道路监控方法、***和电子设备 Active CN112037520B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011220145.4A CN112037520B (zh) 2020-11-05 2020-11-05 道路监控方法、***和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011220145.4A CN112037520B (zh) 2020-11-05 2020-11-05 道路监控方法、***和电子设备

Publications (2)

Publication Number Publication Date
CN112037520A CN112037520A (zh) 2020-12-04
CN112037520B true CN112037520B (zh) 2021-01-12

Family

ID=73573618

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011220145.4A Active CN112037520B (zh) 2020-11-05 2020-11-05 道路监控方法、***和电子设备

Country Status (1)

Country Link
CN (1) CN112037520B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420737B (zh) * 2021-08-23 2022-01-25 成都飞机工业（集团）有限责任公司 一种基于卷积神经网络的3d打印图形识别方法
CN113837302B (zh) * 2021-09-29 2022-07-26 深圳市铠硕达科技有限公司 基于物联网的城市安全管理监控方法、***和电子设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109063612A (zh) * 2018-07-19 2018-12-21 中智城信息技术有限公司 城市智能红线管理方法及机器可读存储介质
CN109784186B (zh) * 2018-12-18 2020-12-15 深圳云天励飞技术有限公司 一种行人重识别方法、装置、电子设备及计算机可读存储介质
CN110070073A (zh) * 2019-05-07 2019-07-30 国家广播电视总局广播电视科学研究院 基于注意力机制的全局特征和局部特征的行人再识别方法
CN111598108A (zh) * 2020-04-22 2020-08-28 南开大学 基于立体注意力控制的多尺度神经网络的快速显著性物体检测方法
CN111814741B (zh) * 2020-07-28 2022-04-08 四川通信科研规划设计有限责任公司 一种基于注意力机制的遮挡胚胎原核及卵裂球检测方法

Also Published As

Publication number Publication date
CN112037520A (zh) 2020-12-04

Similar Documents

Publication Publication Date Title
US11238310B2 (en) Training data acquisition method and device, server and storage medium
CN109816039B (zh) 一种跨模态信息检索方法、装置和存储介质
CN113627447B (zh) 标签识别方法、装置、计算机设备、存储介质及程序产品
CN112037520B (zh) 道路监控方法、***和电子设备
Liu et al. Generalized zero-shot learning for action recognition with web-scale video data
KR101804170B1 (ko) 비관심 아이템을 활용한 아이템 추천 방법 및 장치
CN111325067B (zh) 违规视频的识别方法、装置及电子设备
CN111931862B (zh) 非法张贴广告的检测方法、***和电子设备
CN111062431A (zh) 图像聚类方法、图像聚类装置、电子设备及存储介质
CN112380948A (zh) 对象重识别神经网络的训练方法、***和电子设备
CN113919361B (zh) 一种文本分类方法和装置
CN113449840A (zh) 神经网络训练方法及装置、图像分类的方法及装置
CN112101302B (zh) 非法张贴物检测方法、***和电子设备
CN111797867A (zh) ***资源优化方法、装置、存储介质及电子设备
CN112001300B (zh) 基于按位置交叉熵的楼宇监控方法、装置和电子设备
CN115567371B (zh) 一种异常检测方法、装置、设备及可读存储介质
CN109145991B (zh) 图像组生成方法、图像组生成装置和电子设备
CN112949777B (zh) 相似图像确定方法及装置、电子设备和存储介质
CN115129975A (zh) 推荐模型训练方法、推荐方法、装置、设备及存储介质
CN111814051B (zh) 一种资源类型确定方法及装置
CN111026913B (zh) 一种视频分发方法、装置、电子设备及存储介质
CN115774797A (zh) 视频内容检索方法、装置、设备和计算机可读存储介质
CN113284027A (zh) 团伙识别模型的训练方法、异常团伙识别方法及装置
CN111931743B (zh) 建筑违章监控方法、***和电子设备
CN115361242B (zh) 一种基于多维特征网络的Web攻击检测方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231124

Address after: 311400 room 808, 8th floor, Pioneer Park, No. 198, Gaoke Road, Fuchun street, Fuyang District, Hangzhou, Zhejiang

Patentee after: Hangzhou matrix Communication Engineering Co.,Ltd.

Address before: 311422 Hangzhou, Fuyang, Zhejiang province 9 Yin Hu Street, No. 9, No. 11, two, floor 213, innovation center.

Patentee before: HANGZHOU FUYANG HONGXIANG TECHNOLOGY SERVICES Co.,Ltd.

Effective date of registration: 20231124

Address after: 311422 Hangzhou, Fuyang, Zhejiang province 9 Yin Hu Street, No. 9, No. 11, two, floor 213, innovation center.

Patentee after: HANGZHOU FUYANG HONGXIANG TECHNOLOGY SERVICES Co.,Ltd.

Address before: 311402 Gao Ke Road, Fuyang District, Hangzhou, Zhejiang Province, No. 198

Patentee before: HANGZHOU POLYTECHNIC

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231213

Address after: 311400 room 807-1, 8th floor, Pioneer Park, No. 198, Gaoke Road, Fuchun street, Fuyang District, Hangzhou, Zhejiang

Patentee after: Hangzhou Fuyang matrix communication equipment Co.,Ltd.

Address before: 311400 room 808, 8th floor, Pioneer Park, No. 198, Gaoke Road, Fuchun street, Fuyang District, Hangzhou, Zhejiang

Patentee before: Hangzhou matrix Communication Engineering Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231217

Address after: No. 387, Building 17, No. 2723 Fuchunwan Avenue, Chunjiang Street, Fuyang District, Hangzhou City, Zhejiang Province, 311400

Patentee after: Hangzhou Zhenggeng Technology Co.,Ltd.

Address before: 311400 room 807-1, 8th floor, Pioneer Park, No. 198, Gaoke Road, Fuchun street, Fuyang District, Hangzhou, Zhejiang

Patentee before: Hangzhou Fuyang matrix communication equipment Co.,Ltd.