CN112396126B - 一种基于检测主干与局部特征优化的目标检测方法及*** - Google Patents
一种基于检测主干与局部特征优化的目标检测方法及*** Download PDFInfo
- Publication number
- CN112396126B CN112396126B CN202011388976.2A CN202011388976A CN112396126B CN 112396126 B CN112396126 B CN 112396126B CN 202011388976 A CN202011388976 A CN 202011388976A CN 112396126 B CN112396126 B CN 112396126B
- Authority
- CN
- China
- Prior art keywords
- data
- network
- target detection
- training
- layer
- 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
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
- G06F18/25—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
- G06N3/08—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)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于检测主干与局部特征优化的目标检测方法及***,该方法包括:获取训练数据并对训练数据进行预处理,得到预处理数据;基于长颈主干架构和局部特征优化模块构建目标检测网络;基于预处理数据和预设的训练策略对目标检测网络进行训练,得到训练后的目标检测网络;获取待测数据并输入到训练后的目标检测网络,输出检测结果。该***包括:预处理模块、网络构建模块、训练模块和检测模块。通过使用本发明,保证检测器在计算力友好的前提下获得满意的性能。本发明作为一种基于检测主干与局部特征优化的目标检测方法及***,可广泛应用于目标检测网络领域。
Description
技术领域
本发明属于目标检测网络领域,尤其涉及一种基于检测主干与局部特征优化的目标检测方法及***。
背景技术
目标检测作为计算机视觉的基础任务有着广泛的应用,是学术界与工业界研究的热点领域。随着深度学习的崛起,目标检测领域取得了巨大的发展。然而当前的检测器对小尺度目标的检测性能不佳,主要原因在于主干网络中信息丢失过快以及检测头对局部信息建模不充分。
主干网络作为特征提取的基本结构,对目标检测效果起着举足轻重的作用。由于通常目标检测训练样本不足,当前的检测器大都采用在大型图像分类数据集上预训练过的网络主干。任务的差异导致在网络微调时存在域偏移问题,同时采用预训练网络也在一定程度上限制了主干网络的结构设计空间。由于当前普遍采用的主干网过早进行池化操作导致空间细节信息丢失,对小目标的特征表达不利。
另一方面,当前主流检测器的检测头部分通常使用特征金字塔作为输入,金字塔中的浅层特征语义信息不足,而深层特征的空间信息丢失严重,如何增强检测层对小尺度目标的特征表达与检测也是当前亟需解决的问题。
发明内容
为了解决上述技术问题,本发明的目的是提供一种基于检测主干与局部特征优化的目标检测方法及***,保证检测器在计算力友好的前提下获得满意的性能。
本发明所采用的第一技术方案是:一种基于检测主干与局部特征优化的目标检测方法,包括以下步骤:
获取训练数据并对训练数据进行预处理,得到预处理数据;
基于长颈主干架构和局部特征优化模块构建目标检测网络;
基于预处理数据和预设的训练策略对目标检测网络进行训练,得到训练后的目标检测网络;
获取待测数据并输入到训练后的目标检测网络,输出检测结果。
进一步,所述获取训练数据并对训练数据进行预处理,得到预处理数据这一步骤,其具体包括:
根据问题域收集训练数据并进行标注,得到标注后的训练数据;
所述训练数据包括来自于互联网的公开数据集和实地拍摄图像,所述训练数据中的信息包括原始的素材图片以及图片中目标位置以及类别的标注记录。
进一步,所述目标检测网络包括长颈残差主干网络和局部特征优化模块,所述长颈残差主干网络包括六个特征提取卷积模块,所述局部特征优化模块包括局部融合模块和尺度监督模块。
进一步,所述特征提取卷积模块包括Inception模块,所述Inception模块包含两条支路。
进一步,所述局部融合模块包括细节重引分支、局部上下文分支和原始输入映射分支,所述细节重引分支将输入特征图按顺序通过1×1卷积层、最大池化层、3×3卷积层和批归一化层,所述局部上下分支将输入特征图按顺序通过1×1卷积层、反卷积层、3×3卷积层与批归一化层,所述原始输入映射分支将输入特征图按顺序通过1×1卷积层、3×3卷积层和批归一化层。
进一步,所述基于预处理数据和预设的训练策略对目标检测网络进行训练,得到训练后的目标检测网络这一步骤,其具体包括:
将数据按照一定比例分为训练集,验证集,测试集;
以训练集作为目标检测网络训练过程中的输入,通过卷积等运算,计算出网络输出,得到预测框集合;
根据分类子任务和定位子任务,所述预测框集合中每个预测框包含类别向量和位置向量;
对于分类子任务,使用预测框类别向量与标注框类别向量之间的交叉熵作为损失函数;
对于定位子任务,通过Smooth L1损失函数来计算预测框与标注框的位置损失;
根据计算出的损失按照随机梯度下降方法逐层计算卷积层中参数的梯度,更新网络中各层的参数;
训练过程中,每间隔固定迭代次数以验证集作为输入对网络的泛化性进行评估;
训练完成后,以测试集作为网络的输入对网络的性能进行评估,同时保存网络中的卷积核、偏置等参数,得到训练后的目标检测网络。
进一步,所述获取待测数据并输入到训练后的目标检测网络,输出检测结果这一步骤,其具体包括:
取待测数据得到需检测目标的图像;
将需检测目标的图像输入到训练后的目标检测网络,经过卷积层输出一个表示预测框位置的4维向量序列以及一个表达类别预测的N维向量序列;
检测器通过人工预定的类别置信度阈值并根据类别预测的N维向量序列丢弃一部分低质量结果,得到剩余的检测结果;
将剩余的检测结果通过预测框置信度以及基于位置4维向量计算出的预测框之间的重叠率,并基于非极大值抑制算法对预测框进行去重,得到检测器的最终检测结果并输出。
本发明方法及***的有益效果是:设计一个进行空间局部信息融合的局部特征优化模块,不仅能够增强检测层的语义信息,还保证了检测头特征的空间局部信息,对小目标检测尤其有利,为克服主干网参数随机初始化时性能下降的问题,进一步提出了相适应的学习策略,保证检测器在计算力友好的前提下获得满意的性能。
附图说明
图1是本发明一种基于检测主干与局部特征优化的目标检测网络的网络架构;
图2是本发明一种基于检测主干与局部特征优化的目标检测方法的步骤流程图;
图3是本发明一种基于检测主干与局部特征优化的目标检测***的结构框图;
图4是本发明具体实施例局部融合模块中的分支结构。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
如图1和图2所示,本发明提供了一种基于检测主干与局部特征优化的目标检测方法,该方法包括以下步骤:
S1、获取训练数据并对训练数据进行预处理,得到预处理数据;
S2、基于长颈主干架构和局部特征优化模块构建目标检测网络;
S3、基于预处理数据和预设的训练策略对目标检测网络进行训练,得到训练后的目标检测网络;
具体地,为克服无预训练造成的性能下降,本发明对训练策略进行了优化,以保证在相同训练资源下获得相近甚至更优的性能,具体改进为:(1)差异化学习率:网络在局部Inception模块之前的部分与现有ResNet结构一致,同时低层视觉特征有更强的泛化能力,因此可采用预训练初始化参数。对于预训练的网络部分,采用较小的学习率以保持预训练知识;对于随机初始化的参数,采用大学习率以促进网络在参数空间的搜索。采用这种差异化学习策略,检测网络不仅能拥有预训练带来的泛化性能,同时能够保证较快的学习收敛速度。(2)加强训练初期稳定性:网络采用了特征金字塔结构进行目标检测,有利于增强对目标尺度的鲁棒性,但是检测层中的高分辨率特征图在训练初期容易产生过大的梯度,影响学习过程的收敛性。本发明采用预热技术,在训练初期通过逐渐增大学习率来保证网络逐步优化,防止在初始阶段偏离优化目标过远,从而使学习过程更为稳定。通过采用预热,网络在训练初期获得的统计特性更为准确,缓解了现有随机初始化的目标检测网络依赖大批量学习的问题,从而可在较小的计算资源需求下获得满意性能。
S4、获取待测数据并输入到训练后的目标检测网络,输出检测结果。
进一步作为本方法的优选实施例,所述获取训练数据并对训练数据进行预处理,得到预处理数据这一步骤,其具体包括:
根据问题域收集训练数据并进行标注,得到标注后的训练数据;
所述训练数据包括来自于互联网的公开数据集和实地拍摄图像,所述训练数据中的信息包括原始的素材图片以及图片中目标位置以及类别的标注记录。
具体地,这里生成标注框,含有标注框类别向量和位置向量。
进一步作为本方法优选实施例,所述目标检测网络包括长颈残差主干网络和局部特征优化模块,所述长颈残差主干网络包括六个特征提取卷积模块,所述局部特征优化模块包括局部融合模块和尺度监督模块。
具体地,主干网络的结构如图1上半部分“长颈残差主干网络”所示,基本采用了残差结构,但是与通常的ResNet有两处不同:(1)增加了用于获得多感受野比例的局部Inception模块;(2)具有更长的颈部,有利于提取更为丰富的空间细节特征;
另外,如图1左上所示,长颈主干的架构基于残差网,主要包含6个负责特征提取的卷积层级,其中之一为局部Inception模块。与普通残差网络不同,长颈主干网在conv1层级后取消了一个最大池化层,从而导致conv2_x层级及其后主干网的输入特征图分辨率倍乘。此外,去除该池化层也减缓了主干中感受野的增大,从而有利于捕获细粒度特征。
如果简单去除池化层将会造成特征分辨率增大,带来一定的计算量增加。本发明还提出一个简化版的长颈残差主干网(LN-ResNet-light)。与LN-ResNet相比,LN-ResNet-light保留了原始ResNet结构中conv1后的最大池化层,而将conv3_x的第一个残差块卷积步长降为1,从而降低了整体计算量。
本发明提出的长颈主干网络(LN-ResNet)主要用于提取图像中的细粒度空间信息。网络通过延长颈部(检测层之前的各卷积层)的深度,加强对高分辨率特征的提取,缓解常见主干网络中空间细节信息丢失过快的问题,增强对小尺度目标的特征表达
进一步作为本方法的优选实施例,所述特征提取卷积模块包括Inception模块,所述Inception模块包含两条支路。
具体地,局部Inception模块包含两条支路。输入特征在两条支路中首先都经过一个卷1×1积层以压缩通道数减少运算量。
在这之后,两条支路又分别包含了一个1×3卷积与3×1卷积,这两个并行的卷积层处理与常见Inception中串行的处理有所差别,主要用于获得不同长宽比的感受野信息,从而更为有效地对不同长宽比的目标进行表达建模。此外,这些卷积层还有利于扩大感受野及加深网络,从而增强语义表达。
最后,两条支路的输出特征拼接后通过3×3卷积层进行融合。融合后的输出与整个模块的输入相加,形成残差结构,保证梯度的有效传播。
进一步作为本方法优选实施例,所述局部融合模块包括细节重引分支、局部上下文分支和原始输入映射分支,所述细节重引分支将输入特征图按顺序通过1×1卷积层、最大池化层、3×3卷积层和批归一化层,所述局部上下分支将输入特征图按顺序通过1×1卷积层、反卷积层、3×3卷积层与批归一化层,所述原始输入映射分支将输入特征图按顺序通过1×1卷积层、3×3卷积层和批归一化层。
具体地,如图4所示,细节重引分支:该分支的设计主要是为了缓解池化造成的细节信息损失问题。它使用检测层前一个相邻层级中最浅且具有二倍空间分辨率的特征图作为输入,以尽可能保证空间细节。输入特征图首先通过一个卷积层压缩通道,再使用最大池化层(Maxpooling)来降低分辨率,以获得与中间支路相同分辨率的特征图。最后,使用一个卷积层与批归一化(BN)层对特征进一步变换;局部上下文分支:该分支通过引入目标的局部上下文信息辅助目标的定位与识别。其输入来源于当前检测层的下一级,空间分辨率为检测层特征图的一半。首先,输入特征图经过一个1×1卷积层减少通道数量,接下来反卷积层对此特征图上采样生成与检测层空间分辨率相同的特征图,最后特征图经过一个3×3卷积层与批归一化层。与常见沙漏结构不同的是,该分支的输入为与检测层相邻的特征层,从而在增强检测层语义的同时保证了上下文特征的局部性;原始输入映射分支:该分支将原始特征图输入到一个1×1卷积层与3×3卷积层中进行通道压缩与融合前的特征变换,以控制局部融合模块可能带来的后续计算量增长并与另两个支路的特征更好地融合。
进一步作为本方法优选实施例,所述基于预处理数据和预设的训练策略对目标检测网络进行训练,得到训练后的目标检测网络这一步骤,其具体包括:
将数据按照一定比例分为训练集,验证集,测试集;
以训练集作为目标检测网络训练过程中的输入,通过卷积等运算,计算出网络输出,得到预测框集合;
具体地,在训练前,设定一系列针对输入图像的预处理规则,其中必须包含的预处理操作包括稳定训练的图像归一化以及控制运算复杂度的改变图像大小。训练期间,在必须的操作基础上,还会引入一系列的随机预处理操作如随机裁剪以达到数据增广目的,增强网络的性能。
根据分类子任务和定位子任务,所述预测框集合中每个预测框包含类别向量和位置向量;
对于分类子任务,使用预测框类别向量与标注框类别向量之间的交叉熵作为损失函数;
对于定位子任务,通过Smooth L1损失函数来计算预测框与标注框的位置损失;
根据计算出的损失按照随机梯度下降方法逐层计算卷积层中参数的梯度,更新网络中各层的参数;
训练过程中,每间隔固定迭代次数以验证集作为输入对网络的泛化性进行评估,防止网络受到过拟合的影响;
训练完成后,以测试集作为网络的输入对网络的性能进行评估,同时保存网络中的卷积核、偏置等参数,得到训练后的目标检测网络。
具体地,在实际检测中,只需通过参数名将参数值赋给网络中对应层的参数,即可恢复训练好的模型,作为后续检测过程的输出检测结果的依据。
进一步作为本方法优选实施例,所述获取待测数据并输入到训练后的目标检测网络,输出检测结果这一步骤,其具体包括:
取待测数据得到需检测目标的图像;
将需检测目标的图像输入到训练后的目标检测网络,经过卷积层输出一个表示预测框位置的4维向量序列以及一个表达类别预测的N维向量序列;
检测器通过人工预定的类别置信度阈值并根据类别预测的N维向量序列丢弃一部分低质量结果,得到剩余的检测结果;
将剩余的检测结果通过预测框置信度以及基于位置4维向量计算出预测框之间的重叠率,并基于非极大值抑制算法对预测框进行去重,得到检测器的最终检测结果并输出。
具体地,检测器首先通过人工预定的类别置信度阈值,根据类别预测的N维向量序列,丢弃一部分低质量结果。剩余的检测结果通过预测框置信度以及基于位置4维向量计算出的预测框之间的重叠率根据非极大值抑制(NMS)算法对检测框进行去重。最后剩余的预测框即为检测器的检测结果。
如图3所示,一种基于检测主干与局部特征优化的目标检测***,包括以下模块:
预处理模块,用于获取训练数据并对训练数据进行预处理,得到预处理数据;
网络构建模块,用于基于长颈主干架构和局部特征优化模块构建目标检测网络;
训练模块,用于基于预处理数据和预设的训练策略对目标检测网络进行训练,得到训练后的目标检测网络;
检测模块,用于获取待测数据并输入到训练后的目标检测网络,输出检测结果。
上述方法实施例中的内容均适用于本***实施例中,本***实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (5)
1.一种基于检测主干与局部特征优化的目标检测方法,其特征在于,包括以下步骤:
获取训练数据并对训练数据进行预处理,得到预处理数据;
基于长颈主干架构和局部特征优化模块构建目标检测网络;
基于预处理数据和预设的训练策略对目标检测网络进行训练,得到训练后的目标检测网络;
获取待测数据并输入到训练后的目标检测网络,输出检测结果;
所述目标检测网络包括长颈残差主干网络和局部特征优化模块,所述长颈残差主干网络包括六个特征提取卷积模块,所述局部特征优化模块包括局部融合模块和尺度监督模块;
所述局部融合模块包括细节重引分支、局部上下文分支和原始输入映射分支,所述细节重引分支将输入特征图按顺序通过1×1卷积层、最大池化层、3×3卷积层和批归一化层,所述局部上下分支将输入特征图按顺序通过1×1卷积层、反卷积层、3×3卷积层与批归一化层,所述原始输入映射分支将输入特征图按顺序通过1×1卷积层、3×3卷积层和批归一化层;
所述获取待测数据并输入到训练后的目标检测网络,输出检测结果这一步骤,其具体包括:
获取待测数据得到需检测目标的图像;
将需检测目标的图像输入到训练后的目标检测网络,经过卷积层输出一个表示预测框位置的4维向量序列以及一个表达类别预测的N维向量序列;
检测器通过人工预定的类别置信度阈值并根据类别预测的N维向量序列丢弃一部分低质量结果,得到剩余的检测结果;
将剩余的检测结果通过预测框置信度以及基于位置4维向量计算出预测框之间的重叠率,并基于非极大值抑制算法对预测框进行去重,得到检测器的最终检测结果并输出。
2.根据权利要求1所述一种基于检测主干与局部特征优化的目标检测方法,其特征在于,所述获取训练数据并对训练数据进行预处理,得到预处理数据这一步骤,其具体包括:
根据问题域收集训练数据并进行标注,得到标注后的训练数据;
所述训练数据包括来自于互联网的公开数据集和实地拍摄图像,所述训练数据中的信息包括原始的素材图片、图片中目标位置以及类别的标注记录。
3.根据权利要求2所述一种基于检测主干与局部特征优化的目标检测方法,其特征在于,所述特征提取卷积模块包括Inception模块,所述Inception模块包含两条支路。
4.根据权利要求3所述一种基于检测主干与局部特征优化的目标检测方法,其特征在于,所述基于预处理数据和预设的训练策略对目标检测网络进行训练,得到训练后的目标检测网络这一步骤,其具体包括:
将数据按照一定比例分为训练集,验证集,测试集;
以训练集作为目标检测网络训练过程中的输入,通过卷积等运算,计算出网络输出,得到预测框集合;
根据分类子任务和定位子任务,所述预测框集合中每个预测框包含类别向量和位置向量;
对于分类子任务,使用预测框类别向量与标注框类别向量之间的交叉熵作为损失函数;
对于定位子任务,通过Smooth L1损失函数来计算预测框与标注框的位置损失;
根据计算出的损失按照随机梯度下降方法逐层计算卷积层中参数的梯度,更新网络中各层的参数;
训练过程中,每间隔固定迭代次数以验证集作为输入对网络的泛化性进行评估;
训练完成后,以测试集作为网络的输入对网络的性能进行评估,同时保存网络中的卷积核、偏置等参数,得到训练后的目标检测网络。
5.一种基于检测主干与局部特征优化的目标检测***,其特征在于,包括以下模块:
预处理模块,用于获取训练数据并对训练数据进行预处理,得到预处理数据;
网络构建模块,用于基于长颈主干架构和局部特征优化模块构建目标检测网络;
训练模块,用于基于预处理数据和预设的训练策略对目标检测网络进行训练,得到训练后的目标检测网络;
检测模块,用于获取待测数据并输入到训练后的目标检测网络,输出检测结果;
所述目标检测网络包括长颈残差主干网络和局部特征优化模块,所述长颈残差主干网络包括六个特征提取卷积模块,所述局部特征优化模块包括局部融合模块和尺度监督模块;
所述局部融合模块包括细节重引分支、局部上下文分支和原始输入映射分支,所述细节重引分支将输入特征图按顺序通过1×1卷积层、最大池化层、3×3卷积层和批归一化层,所述局部上下分支将输入特征图按顺序通过1×1卷积层、反卷积层、3×3卷积层与批归一化层,所述原始输入映射分支将输入特征图按顺序通过1×1卷积层、3×3卷积层和批归一化层;
所述获取待测数据并输入到训练后的目标检测网络,输出检测结果,其具体包括:
获取待测数据得到需检测目标的图像;将需检测目标的图像输入到训练后的目标检测网络,经过卷积层输出一个表示预测框位置的4维向量序列以及一个表达类别预测的N维向量序列;检测器通过人工预定的类别置信度阈值并根据类别预测的N维向量序列丢弃一部分低质量结果,得到剩余的检测结果;将剩余的检测结果通过预测框置信度以及基于位置4维向量计算出预测框之间的重叠率,并基于非极大值抑制算法对预测框进行去重,得到检测器的最终检测结果并输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011388976.2A CN112396126B (zh) | 2020-12-02 | 2020-12-02 | 一种基于检测主干与局部特征优化的目标检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011388976.2A CN112396126B (zh) | 2020-12-02 | 2020-12-02 | 一种基于检测主干与局部特征优化的目标检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112396126A CN112396126A (zh) | 2021-02-23 |
CN112396126B true CN112396126B (zh) | 2023-09-22 |
Family
ID=74604938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011388976.2A Active CN112396126B (zh) | 2020-12-02 | 2020-12-02 | 一种基于检测主干与局部特征优化的目标检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112396126B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554125B (zh) * | 2021-09-18 | 2021-12-17 | 四川翼飞视科技有限公司 | 结合全局与局部特征的目标检测装置、方法和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875595A (zh) * | 2018-05-29 | 2018-11-23 | 重庆大学 | 一种基于深度学习和多层特征融合的驾驶场景目标检测方法 |
CN109784386A (zh) * | 2018-12-29 | 2019-05-21 | 天津大学 | 一种用语义分割辅助物体检测的方法 |
CN110163875A (zh) * | 2019-05-23 | 2019-08-23 | 南京信息工程大学 | 一种基于调制网络和特征注意金字塔的半监督视频目标分割方法 |
CN110188720A (zh) * | 2019-06-05 | 2019-08-30 | 上海云绅智能科技有限公司 | 一种基于卷积神经网络的目标检测方法及*** |
CN110503112A (zh) * | 2019-08-27 | 2019-11-26 | 电子科技大学 | 一种增强特征学习的小目标检测及识别方法 |
CN111144329A (zh) * | 2019-12-29 | 2020-05-12 | 北京工业大学 | 一种基于多标签的轻量快速人群计数方法 |
-
2020
- 2020-12-02 CN CN202011388976.2A patent/CN112396126B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875595A (zh) * | 2018-05-29 | 2018-11-23 | 重庆大学 | 一种基于深度学习和多层特征融合的驾驶场景目标检测方法 |
CN109784386A (zh) * | 2018-12-29 | 2019-05-21 | 天津大学 | 一种用语义分割辅助物体检测的方法 |
CN110163875A (zh) * | 2019-05-23 | 2019-08-23 | 南京信息工程大学 | 一种基于调制网络和特征注意金字塔的半监督视频目标分割方法 |
CN110188720A (zh) * | 2019-06-05 | 2019-08-30 | 上海云绅智能科技有限公司 | 一种基于卷积神经网络的目标检测方法及*** |
CN110503112A (zh) * | 2019-08-27 | 2019-11-26 | 电子科技大学 | 一种增强特征学习的小目标检测及识别方法 |
CN111144329A (zh) * | 2019-12-29 | 2020-05-12 | 北京工业大学 | 一种基于多标签的轻量快速人群计数方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112396126A (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126472B (zh) | 一种基于ssd改进的目标检测方法 | |
CN108133188B (zh) | 一种基于运动历史图像与卷积神经网络的行为识别方法 | |
WO2021227366A1 (zh) | 一种多个小目标的自动准确检测方法 | |
CN114022432B (zh) | 基于改进的yolov5的绝缘子缺陷检测方法 | |
US11538286B2 (en) | Method and apparatus for vehicle damage assessment, electronic device, and computer storage medium | |
CN109472193A (zh) | 人脸检测方法及装置 | |
CN111401293B (zh) | 一种基于Head轻量化Mask Scoring R-CNN的手势识别方法 | |
CN111259940A (zh) | 一种基于空间注意力地图的目标检测方法 | |
CN111898432A (zh) | 一种基于改进YOLOv3算法的行人检测***及方法 | |
CN112381763A (zh) | 一种表面缺陷检测方法 | |
CN114943876A (zh) | 一种多级语义融合的云和云影检测方法、设备及存储介质 | |
CN113487610B (zh) | 疱疹图像识别方法、装置、计算机设备和存储介质 | |
CN112200772A (zh) | 痘痘检测设备 | |
CN112396126B (zh) | 一种基于检测主干与局部特征优化的目标检测方法及*** | |
CN115273154A (zh) | 基于边缘重构的热红外行人检测方法、***及存储介质 | |
CN111368634A (zh) | 基于神经网络的人头检测方法、***及存储介质 | |
CN113627504B (zh) | 基于生成对抗网络的多模态多尺度特征融合目标检测方法 | |
CN111027542A (zh) | 一种基于Faster RCNN算法改进的目标检测方法 | |
CN112529931B (zh) | 一种前景分割的方法及*** | |
CN112633100B (zh) | 行为识别方法、装置、电子设备和存储介质 | |
CN111160282B (zh) | 一种基于二值化Yolov3网络的红绿灯检测方法 | |
CN117058716A (zh) | 基于图像预融合的跨域行为识别方法及装置 | |
CN110956097A (zh) | 遮挡人体提取方法及模块、场景转换方法及装置 | |
CN116110005A (zh) | 一种人群行为属性的计数方法、***及产品 | |
CN115147727A (zh) | 一种遥感影像不透水面提取方法及*** |
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 |