CN112668522B - 一种人体关键点与人体掩码联合检测网络及方法 - Google Patents
一种人体关键点与人体掩码联合检测网络及方法 Download PDFInfo
- Publication number
- CN112668522B CN112668522B CN202011640869.4A CN202011640869A CN112668522B CN 112668522 B CN112668522 B CN 112668522B CN 202011640869 A CN202011640869 A CN 202011640869A CN 112668522 B CN112668522 B CN 112668522B
- Authority
- CN
- China
- Prior art keywords
- human body
- key point
- feature
- module
- mask
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种人体关键点与人体掩码联合检测网络及方法,属于图像处理和计算机视觉领域。包括以下模块:骨干网络模块、特征聚合模块、关键点检测模块、热力图特征提取模块、拼接模块、掩码检测模块、关键点后处理模块和掩码后处理模块。并且相应提供了检测方法。在一些应用场景中,往往需要同时检测人体关键点和人体掩码,而现有技术中,检测人体关键点和人体掩码往往需要运行两个不同的网络,增大了计算开销,降低了***运行速度,本发明可以在一个网络中同时检测人体关键点和人体掩码,提高了同时依赖人体关键点和人体掩码的***的运行效率。
Description
技术领域
本发明属于图像处理和计算机视觉领域,特别涉及一种人体关键点与人体掩码联合检测网络及方法。
背景技术
人体关键点检测,又叫人体姿态估计,是一种检测人体关键点(如鼻尖、肩膀、手腕等)的位置的技术,具体细分为如下四个领域:单人姿态估计、多人姿态估计、人体姿态跟踪、3D人体姿态估计。本发明属于单人姿态估计,具体方法一般为,先用人体检测器从包含多人的图像中检测多个人体,确定每个人的位置,然后扣取一个人的图像或特征图,在扣取出来的图像或特征图上检测这个人的各个关键点在图像中的坐标。本发明的方法虽然属于单人姿态估计,但也可以与人体检测器相结合从而扩展到多人姿态估计。
人体掩码检测,又叫人体实例分割,属于语义分割和目标检测相结合的领域,实例分割的目的是将图像中每个感兴趣的对象的像素分割出来,相同类别的不同目标也要被区分开来,而人体实例分割就是将图像中每个人的像素分别分割出来。本发明属于单人实例分割,具体方法一般为,先用人体检测器从包含多人的图像中检测多个人体,确定每个人的位置,然后扣取一个人的图像或特征图,在扣取出来的图像或特征图上检测这个人在图像中的所有像素,即人体掩码。本发明的方法虽然属于单人实例分割,但可以通过与人体检测器结合从而扩展到多人实例分割。
现有的方法中,Xiao等人提供了一种利用编码-解码结构的卷积神经网络检测人体关键点的方法(XIAO B,WU H,WEI Y.Simple baselines for human pose estimationand tracking[C]//Proceedings of the European Conference on Computer Vision(ECCV)),Chen等人提出一种基于级联卷积神经网络的人体掩码检测方法(CHEN Q,GE T,XUY等.Semantic human matting[J].MM 2018-Proceedings of the 2018ACM MultimediaConference,2018:618–626.DOI:10.1145/3240508.3240610),也采用了编码-解码结构。但上述两个方法没有考虑到人体关键点检测和人体掩码检测这两个任务的共性,都是分别在两个不同的网络中人体关键点检测和人体掩码检测任务。
在一些应用场景中,往往同时需要检测人体的关键点和掩码。例如车载驾驶员监控***中,需要利用人体的眼睛关键点获取眼部图像来判断驾驶员眼睛的睁闭状态,从而判断驾驶员是否疲劳;检测驾驶员是否出现未戴安全带、打电话等异常行为时,也需要利用人体的掩码分割出属于驾驶员的像素,同时使用人体关键点对一些重要的关键点周围的像素进行修正,降低掩码检测不准确的影响。现有方法中,检测人体关键点和检测人体掩码的网络通常是相互独立的,如果要实现人体关键点和人体掩码同时检测则需要同时运行两个网络,会大大降低***的运行速度。
因此,需要提出一种高效可靠的可以在同一个网络中同时检测人体关键点和人体掩码的方法。
发明内容
本发明的目的是解决人体关键点和人体掩码的联合检测的问题,提供一种人体关键点与人体掩码联合检测网络及方法,可以通过同一个骨干网络提取可同时用于检测人体关键点和人体掩码的特征,并输出人体关键点和人体掩码。
本发明通过如下技术方案实现:
一种人体关键点与人体掩码联合检测网络,包括:
骨干网络模块,用于对包含人体的输入图像进行特征提取,输出不同尺寸的多个特征图;
特征聚合模块,用于将骨干网络模块输出的不同尺寸的特征图进行聚合;
关键点检测模块,用于根据骨干网络模块输出的特征图生成人体关键点热力图;
热力图特征提取模块,用于对关键点检测模块输出的人体关键点热力图进行特征提取后输出人体关键点热力图的特征图;
拼接模块,用于将特征聚合模块聚合后得到的特征图和热力图特征提取模块得到的人体关键点热力图的特征图进行拼接,得到拼接特征图;
掩码检测模块,用于根据拼接特征图生成人体掩码概率图;
掩码后处理模块,用于根据人体掩码概率图生成人体掩码。
关键点后处理模块,用于根据人体关键点热力图计算每个人体关键点在原图上的坐标。
本发明还提供一种人体关键点与人体掩码联合检测方法,包括以下步骤:
将包含至少一个人体的图像输入骨干网络模块,所述骨干网络模块对所述包含人体的图像提取特征,输出至少2个不同尺寸的特征图;
关键点检测模块根据所述特征图生成人体关键点热力图,特征聚合模块将不同尺寸的特征图进行聚合,输出至少2个不同尺寸的特征图;
关键点后处理模块根据人体关键点热力图生成每个关键点的坐标,热力图特征提取模块对人体关键点热力图进行提取特征,输出热力图的特征图;
将特征聚合模块输出的特征图和热力图特征提取模块输出的热力图的特征图通过拼接模块进行拼接,得到拼接特征图;
将拼接特征图送入掩码检测模块,生成人体掩码概率图;
掩码后处理模块根据人体掩码概率图生成人体掩码。
进一步地,所述关键点检测模块根据所述骨干网络模块输出的特征图生成人体关键点热力图,具体包括:特征图在关键点检测模块中经过特征提取和上采样后输出人体每个关键点的热力图。
进一步地,所述特征聚合模块将不同尺寸的特征图进行聚合,输出至少2个不同尺寸的特征图,具体包括:将骨干网络中输出的特征图进行排列,形成特征图队列,将队列中的前一个特征图经过上采样与特征提取以后的结果与后一个特征图相加或按通道拼接得到新的特征图,再将新的特征图经过上采样与特征提取以后的结果与下一个特征图相加或按通道拼接,依此类推,最终得到至少2个不同尺寸的特征图。
进一步地,所述将特征聚合模块输出的特征图和热力图特征提取模块输出的热力图的特征图进行拼接,得到拼接特征图中,将特征聚合模块输出的特征图中尺寸最大的特征图和热力图特征提取模块输出的热力图的特征图按通道维度进行拼接,得到拼接特征图。
进一步地,所述将拼接特征图送入掩码检测模块,生成人体掩码概率图中,掩码检测模块对拼接特征图进行特征提取和上采样后输出单通道的人体掩码概率图。
进一步地,所述关键点后处理模块根据人体关键点热力图生成每个关键点的坐标,包括:关键点后处理模块将每个人体关键点热力图作为输入,依次选取每个关键点热力图中像素值最大的位置作为该关键点的位置,将该位置映射回原始图像,得到该人体关键点在原始图像中的坐标。
进一步地,所述掩码后处理模块根据人体掩码概率图生成人体掩码,具体包括:掩码后处理模块对掩码概率图进行阈值二值化操作,生成人体掩码图。
进一步地,所述对掩码概率图进行阈值二值化操作,生成人体掩码图,包括:将掩码概率图中数值大于设定阈值的位置设为1,其他位置设为0,得到人体掩码。
与现有技术相比,本发明至少具有以下技术效果:本发明利用人体关键点检测任务依赖神经网络深层特征,人体掩码检测任务同时依赖神经网络深层和浅层特征的特点,通过合理的网络结构的设计,在一个网络中完成人体关键点检测和人体掩码检测两个任务,提高了***运行效率。
附图说明
图1是本发明实施例的整体流程图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明,所描述的实施例不应视为对本发明的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本实施例提供的一种人体关键点与人体掩码联合检测网络,包括以下模块:
骨干网络模块,用于对包含人体的输入图像进行特征提取,输出不同尺寸的多个特征图;
特征聚合模块,用于将骨干网络模块输出的不同尺寸的特征图进行聚合;
关键点检测模块,用于根据骨干网络模块输出的特征图生成人体关键点热力图;
热力图特征提取模块,用于对关键点检测模块输出的人体关键点热力图进行特征提取后输出人体关键点热力图的特征图;
拼接模块,用于将特征聚合模块聚合后得到的特征图和热力图特征提取模块得到的人体关键点热力图的特征图进行拼接,得到拼接特征图;
掩码检测模块,用于根据拼接特征图生成人体掩码概率图;
掩码后处理模块,用于根据人体掩码概率图生成人体掩码。
关键点后处理模块,用于根据人体关键点热力图计算每个人体关键点在原图上的坐标。
本实施例还提供前述检测网络的检测方法。
一种人体关键点与人体掩码联合检测方法,包括以下步骤:
步骤1:构建人体关键点与人体掩码数据集。
采集大量包含人体的图像,对图像中每个人体的关键点、掩码进行人工标注。
步骤2:构建前述人体关键点与人体掩码联合检测网络进行检测,具体包括:
步骤2.1:将包含至少一个人体的图像输入骨干网络模块,骨干网络模块对包含人体的图像提取特征,输出至少2个不同尺寸的特征图。
本实施例以Resnet18网络作为骨干网络模块为例进行说明,所选网络仅用于对本实施例进行说明,不视为对本发明的限制。
图像送入Resnet18网络后,Resnet18网络对图像进行提取特征,将Resnet18网络中layer4,layer3,layer2输出的3个不同尺寸的特征图feat4,feat3,feat2送入特征聚合模块,这3个特征图按尺寸从小到大依次为feat4、feat3、feat2。
步骤2.2:特征聚合模块将不同尺寸的特征图进行聚合,输出至少2个不同尺寸的特征图。
本步骤中,特征聚合模块将不同尺寸的特征图按尺寸从小到大排列,形成特征图队列,特征图队列中第一个特征图经过由卷积层、批归一化层、激活层组成的模块进行特征提取,以及经过上采样层进行上采样以后,将结果与所述队列中下一个特征图相加得到新的特征图,再将得到的新特征图经过卷积层、批归一化层、激活层组成的模块进行特征提取,以及经过上采样层进行进行上采样以后,将结果与所述队列中下一个特征图相加,依此类推,最终得到至少2个不同尺寸的特征图。
在本实施例中,如图1所示,会得到3个不同尺寸的特征图,按尺寸从小到大依次为fuse_feat4、fuse_feat3、fuse_feat2。
步骤2.3:关键点检测模块根据骨干网络模块输出的特征图生成人体关键点热力图。
具体的,本步骤中,选取骨干网络模块输出的尺寸最小的特征图,该特征图在关键点检测模块中经过反卷积层、批归一化层、激活层组成的模块进行解码以后输出包含多个通道的热力图,每个通道对应一个人体关键点,每个通道为其对应关键点的热力图。
在本实施例中,如图1所示,选取Resnet18网络输出的尺寸最小的特征图feat4送入关键点检测模块,生成人体关键点热力图。
步骤2.4:关键点后处理模块根据人体关键点热力图生成每个关键点的坐标。
具体的,本步骤中,关键点后处理模块将每个人体关键点热力图作为输入,依次选取每个关键点热力图中像素值最大的位置作为该关键点的位置,将该位置映射回原始图像,得到该人体关键点在原始图像中的坐标。该最大像素值为关键点坐标的置信度,当某个关键点的置信度小于阈值时,认为没有检测到该关键点。
步骤2.5:热力图特征提取模块对人体关键点热力图进行提取特征,输出热力图的特征图。
具体的,本步骤中,热力图特征提取模块中对人体关键点热力图通过卷积层、批归一化层、激活层、上采样层组成的模块进行特征提取和上采样后,输出热力图的特征图heat_feat。
步骤2.6:将特征聚合模块输出的特征图和热力图特征提取模块输出的热力图的特征图通过拼接模块进行拼接,得到拼接特征图;
具体的,本步骤中,将特征聚合模块输出的特征图中尺寸最大的特征图和热力图特征提取模块输出的热力图的特征图按通道维度进行拼接,得到拼接特征图。
在本实施例中,如图1所示,将热力图的特征图heat_feat与聚合特征图fuse_feat2按通道进行拼接后得到拼接特征图。
步骤2.7:将拼接特征图送入掩码检测模块,生成人体掩码概率图。
具体的,本步骤中,拼接特征图在掩码检测模块中经过由反卷积层、批归一化层、激活层、上采样层组成的模块进行特征提取和上采样后输出单通道人体掩码概率图;
步骤2.8:掩码后处理模块根据人体掩码概率图生成人体掩码。
具体的,本步骤中,掩码后处理模块对掩码概率图进行阈值二值化操作,生成人体掩码图。
在本实施例中,选取阈值为0.5,掩码后处理模块将掩码概率图中大于阈值的像素置1,其他像素置0,得到二值人体掩码。
步骤3:用梯度下降法训练人体关键点与人体掩码联合检测网络。
以数据集中手工标注的人体关键点为中心生成高斯分布热力图,作为真实人体关键点热力图;将数据集中手工标注的人体掩码作为人体掩码概率图作为真实人体掩码。
将输入图像送入人体关键点与人体掩码联合检测网络后,得到预测的人体关键点热力图和预测的人体掩码概率图。将预测的人体关键点热力图和真实人体关键点热力图进行计算损失得到关键点损失,将预测的人体掩码概率图和真实人体掩码进行计算损失得到掩码损失,将关键点损失和掩码损失进行加权求和得到总损失。
对总损失进行反向传播,并更新网络权重。
反复执行上述过程,直到总损失不再降低时完成训练。
本实施例提供的关键点与人体掩码联合检测网络及检测方法,可以通过同一个网络完成人体关键点检测和人体掩码检测两个任务,有效解决了现有技术中存在的检测人体关键点和人体掩码需要运行两个不同的网络而拖慢***运行速度的问题,大大减少了计算开销,有效提高了***运行效率。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (8)
1.一种人体关键点与人体掩码联合检测方法,其特征在于,包括以下步骤:
将包含至少一个人体的图像输入骨干网络模块,所述骨干网络模块对所述包含人体的图像提取特征,输出至少2个不同尺寸的特征图;
关键点检测模块根据所述特征图生成人体关键点热力图,特征聚合模块将不同尺寸的特征图进行聚合,输出至少2个不同尺寸的特征图;
关键点后处理模块根据人体关键点热力图生成每个关键点的坐标,热力图特征提取模块对人体关键点热力图进行提取特征,输出热力图的特征图;
将特征聚合模块输出的特征图和热力图特征提取模块输出的热力图的特征图通过拼接模块进行拼接,得到拼接特征图;
将拼接特征图送入掩码检测模块,生成人体掩码概率图;
掩码后处理模块根据人体掩码概率图生成人体掩码;
所述特征聚合模块将不同尺寸的特征图进行聚合,输出至少2个不同尺寸的特征图,具体包括:将骨干网络中输出的特征图进行排列,形成特征图队列,将队列中的前一个特征图经过上采样与特征提取以后的结果与后一个特征图相加或按通道拼接得到新的特征图,再将新的特征图经过上采样与特征提取以后的结果与下一个特征图相加或按通道拼接,依此类推,最终得到至少2个不同尺寸的特征图;
所述关键点后处理模块根据人体关键点热力图生成每个关键点的坐标,包括:关键点后处理模块将每个人体关键点热力图作为输入,依次选取每个关键点热力图中像素值最大的位置作为该关键点的位置,将该位置映射回原始图像,得到该人体关键点在原始图像中的坐标。
2.根据权利要求1所述的一种人体关键点与人体掩码联合检测方法,其特征在于,所述关键点检测模块根据所述特征图生成人体关键点热力图,具体包括:特征图在关键点检测模块中经过特征提取和上采样后输出人体每个关键点的热力图。
3.根据权利要求1所述的一种人体关键点与人体掩码联合检测方法,其特征在于,所述关键点检测模块根据所述特征图生成人体关键点热力图中,所述特征图为将骨干网络模块输出的所有特征图中尺寸最小的特征图。
4.根据权利要求1所述的一种人体关键点与人体掩码联合检测方法,其特征在于,所述将特征聚合模块输出的特征图和热力图特征提取模块输出的热力图的特征图进行拼接,得到拼接特征图中,将特征聚合模块输出的特征图中尺寸最大的特征图和热力图特征提取模块输出的热力图的特征图按通道维度进行拼接,得到拼接特征图。
5.根据权利要求1所述的一种人体关键点与人体掩码联合检测方法,其特征在于,所述将拼接特征图送入掩码检测模块,生成人体掩码概率图中,掩码检测模块对拼接特征图进行特征提取和上采样后输出单通道的人体掩码概率图。
6.根据权利要求1-5任一所述的一种人体关键点与人体掩码联合检测方法,其特征在于,所述掩码后处理模块根据人体掩码概率图生成人体掩码,具体包括:掩码后处理模块对掩码概率图进行阈值二值化操作,生成人体掩码图。
7.根据权利要求6所述的一种人体关键点与人体掩码联合检测方法,其特征在于,所述对掩码概率图进行阈值二值化操作,生成人体掩码图,包括:将掩码概率图中数值大于设定阈值的位置设为1,其他位置设为0,得到人体掩码。
8.一种实现权利要求1-7任一项所述检测方法的人体关键点与人体掩码联合检测网络,其特征在于,包括:
骨干网络模块,用于对包含人体的输入图像进行特征提取,输出不同尺寸的多个特征图;
特征聚合模块,用于将骨干网络模块输出的不同尺寸的特征图进行聚合;
关键点检测模块,用于根据骨干网络模块输出的特征图生成人体关键点热力图;
热力图特征提取模块,用于对关键点检测模块输出的人体关键点热力图进行特征提取后输出人体关键点热力图的特征图;
拼接模块,用于将特征聚合模块聚合后得到的特征图和热力图特征提取模块得到的人体关键点热力图的特征图进行拼接,得到拼接特征图;
掩码检测模块,用于根据拼接特征图生成人体掩码概率图;
掩码后处理模块,用于根据人体掩码概率图生成人体掩码;
关键点后处理模块,用于根据人体关键点热力图计算每个人体关键点在原图上的坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011640869.4A CN112668522B (zh) | 2020-12-31 | 2020-12-31 | 一种人体关键点与人体掩码联合检测网络及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011640869.4A CN112668522B (zh) | 2020-12-31 | 2020-12-31 | 一种人体关键点与人体掩码联合检测网络及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112668522A CN112668522A (zh) | 2021-04-16 |
CN112668522B true CN112668522B (zh) | 2023-06-20 |
Family
ID=75413949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011640869.4A Active CN112668522B (zh) | 2020-12-31 | 2020-12-31 | 一种人体关键点与人体掩码联合检测网络及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112668522B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269197B (zh) * | 2021-04-25 | 2024-03-08 | 南京三百云信息科技有限公司 | 基于语义分割的证件图像顶点坐标回归***和识别方法 |
CN113344850A (zh) * | 2021-04-27 | 2021-09-03 | 广东工业大学 | 一种铰链板焊缝边缘检测方法 |
CN114302234B (zh) * | 2021-12-29 | 2023-11-07 | 杭州当虹科技股份有限公司 | 一种空中技巧快速包装方法 |
CN116612298B (zh) * | 2023-07-18 | 2023-10-13 | 西华大学 | 一种基于局部关键点的行人特征掩膜生成方法 |
CN117765620B (zh) * | 2023-12-26 | 2024-07-19 | 中国信息通信研究院 | 一种基于自增强的深度伪造图像鉴伪方法和*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008915A (zh) * | 2019-04-11 | 2019-07-12 | 电子科技大学 | 基于掩码-rcnn进行稠密人体姿态估计的***及方法 |
CN111178251A (zh) * | 2019-12-27 | 2020-05-19 | 汇纳科技股份有限公司 | 一种行人属性识别方法及***、存储介质及终端 |
CN111738091A (zh) * | 2020-05-27 | 2020-10-02 | 复旦大学 | 一种基于多任务深度学习的姿态估计与人体解析*** |
-
2020
- 2020-12-31 CN CN202011640869.4A patent/CN112668522B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008915A (zh) * | 2019-04-11 | 2019-07-12 | 电子科技大学 | 基于掩码-rcnn进行稠密人体姿态估计的***及方法 |
CN111178251A (zh) * | 2019-12-27 | 2020-05-19 | 汇纳科技股份有限公司 | 一种行人属性识别方法及***、存储介质及终端 |
CN111738091A (zh) * | 2020-05-27 | 2020-10-02 | 复旦大学 | 一种基于多任务深度学习的姿态估计与人体解析*** |
Non-Patent Citations (1)
Title |
---|
复杂监控背景下基于边缘感知学习网络的行为识别算法;聂玮;曹悦;朱冬雪;朱艺璇;黄林毅;;计算机应用与软件(08);第233-238页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112668522A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112668522B (zh) | 一种人体关键点与人体掩码联合检测网络及方法 | |
CN109543606B (zh) | 一种加入注意力机制的人脸识别方法 | |
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 | |
Fu et al. | Fast crowd density estimation with convolutional neural networks | |
CN108388879B (zh) | 目标的检测方法、装置和存储介质 | |
CN108960211B (zh) | 一种多目标人体姿态检测方法以及*** | |
CN107529650B (zh) | 闭环检测方法、装置及计算机设备 | |
CN108229504B (zh) | 图像解析方法及装置 | |
CN111814902A (zh) | 目标检测模型训练方法、目标识别方法、装置和介质 | |
CN109543760B (zh) | 基于图像滤镜算法的对抗样本检测方法 | |
CN111144376B (zh) | 视频目标检测特征提取方法 | |
CN111639564B (zh) | 一种基于多注意力异构网络的视频行人重识别方法 | |
CN112464807A (zh) | 视频动作识别方法、装置、电子设备和存储介质 | |
CN112150450B (zh) | 一种基于双通道U-Net模型的图像篡改检测方法及装置 | |
CN109472193A (zh) | 人脸检测方法及装置 | |
CN111079739A (zh) | 一种多尺度注意力特征检测方法 | |
CN110738160A (zh) | 一种结合人脸检测的人脸质量评估方法 | |
CN109753984A (zh) | 视频分类方法、装置和计算机可读存储介质 | |
Han et al. | A method based on multi-convolution layers joint and generative adversarial networks for vehicle detection | |
CN108345835B (zh) | 一种基于仿复眼感知的目标识别方法 | |
Tyagi et al. | A review of deep learning techniques for crowd behavior analysis | |
CN114902299A (zh) | 图像中关联对象的检测方法、装置、设备和存储介质 | |
CN110135428B (zh) | 图像分割处理方法和装置 | |
CN112016434A (zh) | 一种基于注意力机制3d残差网络的镜头运动识别方法 | |
CN116630850A (zh) | 基于多注意力任务融合与边界框编码的孪生目标跟踪方法 |
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 |