CN113052057A - 一种基于改进卷积神经网络的交通标志识别方法 - Google Patents
一种基于改进卷积神经网络的交通标志识别方法 Download PDFInfo
- Publication number
- CN113052057A CN113052057A CN202110297712.4A CN202110297712A CN113052057A CN 113052057 A CN113052057 A CN 113052057A CN 202110297712 A CN202110297712 A CN 202110297712A CN 113052057 A CN113052057 A CN 113052057A
- Authority
- CN
- China
- Prior art keywords
- traffic sign
- neural network
- convolutional neural
- training set
- stn
- 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (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)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于改进卷积神经网络的交通标志识别方法,包括以下步骤:获取交通标志数据集,对交通标志数据集进行划分,得到原始训练集和原始测试集,对原始训练集和原始测试集分别进行处理,得到训练集和测试集;构建卷积神经网络,将空间变换网络引入卷积神经网络,得到STN‑CNN模型,将训练集输入STN‑CNN模型进行训练,得到训练好的STN‑CNN模型;将测试集输入训练好的STN‑CNN模型进行识别预测,得到最优模型;将待测交通标志数据输入最优模型,得到预测结果。本发明提供的模型参数少、鲁棒性强,同时模型训练、运行计算所需要的时间短,能够满足实际应用中的实时性要求。
Description
技术领域
本发明涉及图像识别领域,尤其涉及一种基于改进卷积神经网络的交通标志识别方法。
背景技术
随着智能交通***的发展,高级辅助驾驶***(Advanced Driver AssistanceSystem,ADAS)技术被提出并逐渐被广泛地应用于智能汽车***中。交通标志识别***(Traffic Sign Recognition System,TSR)是ADAS***中重要的组成部分。TSR通过采集道路上的交通标志信息,传送到图像处理模块进行标志的检测与识别,并根据识别结果指导驾驶员或自动驾驶车辆做出合理的应对措施,从而减轻驾驶压力,缓解城市交通压力,有利于道路交通安全。由于自然条件下拍摄多角度、运动模糊、图像遮挡、光照条件等因素的影响,开发出高准确度且实时的交通标志识别***一直是所需要解决的基本问题。
现有的交通标志识别方法总体上可以划分为以下三类:基于颜色的图像识别方法,基于形状的图像识别方法和基于卷积神经网络进行特征提取的图像识别方法。基于颜色和形状的方法更多依赖于交通标志本身的显著特点,但如果这些显著特点受到遮挡、天气情况或光照条件等客观因素的影响,算法就不能准确地捕捉特征,从而起不到需要的识别效果。随着人工智能的发展,基于卷积神经网络的方法能适应不同干扰带来的影响,准确率也有所提高。但是在过度追求神经网络深度与复杂度以提高准确率的同时,模型训练、运行计算所需要的时间明显提高,效能大大降低的同时,需要的运行配置极高,代价极大,因此现有的交通标志识别方法存在模型自身缺点的同时,其模型本身复杂的网络结构以及参数,网络性能同样无法满足实时性的要求。
发明内容
为了克服现有技术中所存在的问题,本发明提供一种基于改进卷积神经网络的交通标志识别方法。本发明通过对原始数据进行预处理,同时使用改进卷积神经网络,提高模型的准确性和实时性,具体步骤包括:
步骤1.获取交通标志数据集,对交通标志数据集进行划分,得到原始训练集和原始测试集,对原始训练集和原始测试集分别进行预处理,得到预处理后的训练集和预处理后的测试集,然后对预处理后的训练集进行数据扩充,得到训练集;
步骤2.构建卷积神经网络,将空间变换网络***卷积神经网络,得到STN-CNN模型,将训练集输入STN-CNN模型进行训练,得到训练好的STN-CNN模型;
步骤3.将预处理后的测试集输入训练好的STN-CNN模型进行识别预测,得到最优STN-CNN模型;
步骤4,获取待测交通标志图像,将待测交通标志图像输入最优STN-CNN模型,得到预测结果。
优选的,所述步骤1中,原始测试集的预处理的具体步骤包括,
将原始测试集中的图像数据通过上采样或下采样缩放到同一尺寸大小;得到预处理后的测试集。
优选的,所述步骤1中,原始训练集的预处理的具体步骤包括:
将原始训练集中的图像数据通过上采样或下采样缩放到与测试集同一尺寸大小;得到采样后的训练集;
对采样后的训练集采用局部直方图均衡化对缩放后的图像数据进行处理;
对均衡化后的图像数据进行灰度处理;
对灰度处理后的图像数据进行图像增强,获得预处理后的训练集。
优选的,所述步骤1中,数据扩充的具体步骤包括:
新增交通标志图像数量,使各类交通标志图像数量均衡,对新增的交通标志图像数据按照原始训练集的预处理方法进行预处理,获得平衡训练集;
对平衡训练集和预处理后的训练集进行整合,得到训练集。
优选的,所述图像增强的具体步骤包括图像翻转、图像旋转、投射、添加噪声、模糊图像。
优选的,所述步骤2中,卷积神经网络包括:
一个输入层、三个卷积模块、三个全连接层;
三个所述卷积模块依次连接;三个所述全连接层依次连接;
所述输入层、卷积模块、全连接层依次连接;
所述卷积模块包括卷积层、ReLU激活函数和最大池化层;
所述卷积层、ReLU激活函数和最大池化层依次连接。
优选的,所述步骤2中,将空间变换网络***卷积神经网络具体步骤为:
每个所述卷积模块的前一端分别***所述空间变换网络,得到STN-CNN模型。
优选的,所述步骤2中,将训练集输入STN-CNN模型进行训练具体步骤包括:
步骤2.1.将训练集输入到STN-CNN模型进行前向传播,得到输出结果;
步骤2.2.根据交通标志数据集,获取实际结果,根据输出结果与实际结果的误差,采用反向传播更新STN-CNN模型的权重,完成一次前向传播和反向传播的迭代过程;
步骤2.3.重复迭代过程,直到达到设定的迭代停止条件,停止重复迭代过程,得到训练好的STN-CNN模型。
优选的,所述步骤2.2中,反向传播采用随机梯度下降算法。
优选的,所述步骤设定的迭代停止条件包括,设定的迭代次数或者STN-CNN模型的权重稳定不发生变化。
本发明的有益效果为:本发明通过对卷积神经网络模型添加空间变换网络进行改进,得到的STN-CNN模型具有识别率高、识别速度快、泛化能力强等特点,同时添加空间变换网络使网络模型中有单独的模块进行各种图像的变换,网络模型能够以一种高效的计算方式保持输入数据在空间上不变性,进而提高了网络模型的计算能力和计算速度。本发明提供的基于改进卷积神经网络的交通标志识别方法的识别准确率为99.36%,且该模型参数少、鲁棒性强,同时模型训练、运行计算所需要的时间短,能够满足实际应用中的实时性要求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的流程示意图;
图2为本发明实施例提供STN-CNN模型结构示意图;
图3为本发明实施例提供的预处理后的图像。
图4为本发明实施例提供输入图像经过空间变换网络前后对比图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,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。
为了克服现有技术存在模型自身缺点的同时,其模型本身复杂的网络结构以及参数,网络性能同样无法满足实时性的要求的问题,本发明提供一种基于改进卷积神经网络的交通标志识别方法,如图1所示,具体步骤包括:
步骤1.获取交通标志数据集,对交通标志数据集进行按照1:9的比例进行划分,得到原始训练集和原始测试集,对原始训练集和原始测试集分别进行预处理,得到预处理的训练集和预处理的测试集,对预处理后的训练集进行数据扩充,得到训练集;
所述步骤1中,原始测试集的预处理的具体步骤包括,
将原始测试集中的图像数据通过上采样或下采样缩放到同一尺寸大小;得到预处理后的测试集。
所述尺寸大小为32*32像素尺寸,
所述步骤1中,原始训练集的预处理的具体步骤包括,
将原始训练集中的图像数据通过上采样或下采样缩放到与测试集同一尺寸大小,得到采样后的训练集;
采用局部直方图均衡化对采样后的训练集图像数据进行处理,解决图像的对比度和亮度有显著差异的问题;
对步骤均衡化处理后的图像数据进行灰度处理,将彩色图像处理为灰色图像;
对灰度处理后的图像数据进行图像增强提高模型的鲁棒性,数据增强包括翻转、旋转、投射、添加噪声、模糊图像等,数据增强后,获得预处理后的训练集。
所述步骤1中,数据扩充的具体步骤包括,
新增交通标志图像数量,使各类交通标志图像数据数量均衡,对新增的交通标志图像数据按照原始训练集的预处理方法进行预处理,获得平衡训练集;
对平衡训练集和预处理后的训练集进行整合,得到训练集。
通过上述数据处理方法解决了梯度消失和梯度***、过拟合和欠拟合、数据集不平衡问题。
步骤2.构建卷积神经网络,将空间变换网络***卷积神经网络,得到STN-CNN模型,将训练集输入STN-CNN模型进行训练,得到训练好的STN-CNN模型
所述步骤2具体步骤包括:
步骤2.1.如图2所示,将训练集输入到9层的STN-CNN模型进行前向传播,经过3个空间变换网络、3个卷积层、3个池化层和3个全连接层,通过输出层得到模型的输出结果。
构建的卷积神经网络中包含一个输入层,三个卷积模块、三个连接层。三个所述卷积模块依次连接;三个所述全连接层依次连接;所述输入层、卷积模块、全连接层依次连接。所述卷积模块包括卷积层、ReLU激活函数和最大池化层;所述卷积层、ReLU激活函数和最大池化层依次连接。
卷积模块用来提取交通标志特征。卷积模块依次连接后依次连接有三个全连接层,第一个全连接层用于连接之前的卷积模块,第二个全连接层用于将前一个全连接层的输出组合成一维特征向量,最后一个全连接层作为分类器及输出层,用于根据组合而成的一维特征向量,对交通标志进行分类并进行输出。
所述卷积神经网络模型结构如表1所示。
表1
层 | 层类别 | 深度 | 特征图尺寸 | 卷积核尺寸 |
0 | 输入层 | 32×32 | ||
1 | 卷积层 | 32 | 32×32 | 5×5 |
2 | 最大池化层 | 32 | 16×16 | 2×2 |
3 | 卷积层 | 64 | 16×16 | 5×5 |
4 | 最大池化层 | 64 | 8×8 | 2×2 |
5 | 卷积层 | 128 | 8×8 | 5×5 |
6 | 最大池化层 | 128 | 4×4 | 2×2 |
7 | 全连接层 | 3584 | ||
8 | 全连接层 | 1024 | ||
9 | 输出层 | 43 |
在每个卷积模块的前一端分别***空间变换网络。将空间变换网络***在输入层与卷积模块、卷积模块与卷积模块之间,卷积模块或者输入层的输出为空间变换网络的输入,空间变换网络的输出为卷积模块的输入,得到STN-CNN模型。
空间变换网络需要对Localisation net进行设计。Localisation net由卷积层、最大池化层、ReLU激活函数以及全连接层组成。通过卷积层和池化层提取空间变换网络的Localisation net所需的空间变换特征信息,输出全连接层学习到的仿射变换矩阵,得到优化的输入图像数据,优化后的输入图像数据可以将检测到的部分尽可能分布到图像的中心并旋转至统一坐标系下。Localisation net的参数实现基于输入样本大小和输出参数矩阵大小,本实施例中输出参数矩阵大小为6×1。表2为空间变换网络s1、s2、s3中的Localisation net的详细结构以及具体参数,其中卷积层中卷积核大小为5×5,最大池化层内核大小为2×2,内核大小和输入输出特征映射的数量是固定的。
表2
层/层类别 | 位于s1时参数 | 位于s2时参数 | 位于s3时参数 |
0/输入 | 32×32×1 | 16×16×32 | 8×8×64 |
1/最大池化层 | 16×16×1 | 8×8×32 | 4×4×64 |
2/卷积层 | 16×16×250 | 8×8×250 | 4×4×250 |
3/ReLU | 16×16×250 | 8×8×250 | 4×4×250 |
4/最大池化层 | 8×8×250 | 4×4×250 | 2×2×250 |
5/卷积层 | 8×8×250 | 4×4×250 | 2×2×250 |
6/ReLU | 8×8×250 | 4×4×250 | 2×2×250 |
7/最大池化层 | 4×4×250 | 2×2×250 | 1×1×250 |
8/全连接层 | 250 | 250 | 250 |
9/全连接层 | 6 | 6 | 6 |
步骤2.2.根据交通标志数据集,获取实际结果,根据输出结果与实际结果的误差,采用随机梯度下降算法(SGD)反向传播更新STN-CNN模型的权重,完成一次前向传播和反向传播的迭代训练过程;
步骤2.3.重复迭代训练过程,直到达到设定的迭代次数或者STN-CNN模型的权重稳定不发生变化后,停止重复迭代过程,训练终止,得到训练好的STN-CNN模型。
步骤3.将测试集输入训练好的STN-CNN模型进行识别预测,得到最优STN-CNN模型;
步骤4.获取待测交通标志图像,将交通标志图像输入到最优STN-CNN模型中,得到预测结果。
表3为卷积神经网络引入空间变换网络预测结果准确率前后对比以及与其他模型性能对比。
表3
引入空间变换网络后的s1_c_s2_c_s3_c模型准确率达到了99.36%,单张图片的识别时间为4.30μs,相较于其他模型在不损失准确率的情况下大幅降低模型参数,和同模型参数量级的模型对比准确率更高,能够满足实际应用中的实时性与高准确率的要求。
在交通标志识别任务中,行驶车辆会从不同角度观察到交通标志,虽然卷积神经网络模型具有良好的平移不变性、尺度不变性以及形变不变性,但是它几乎不具备旋转和扭曲不变性,对图像的旋转变化极其敏感,该特性势必会影响其性能。虽然可以通过旋转、平移、缩放、倾斜、裁剪等数据增强方法将采集的交通标志进行变换从而加强该方面的特征学习,但是与其让网络隐式的学习旋转等变换能力,不如为网络设计一个显式的处理模块来专门学习处理各种变换。空间变换网络(Spatial Transformer Networks,STN))的目标是对输入的图像进行几何变换,使CNN能够以一种高效的计算方式保持输入数据在空间上不变性。因为应用到特征映射的转换参数是通过反向传播算法来学习的,所以这个可微分模块可以直接***到现有的CNN架构中。
本发明通过对卷积神经网络模型添加空间变换网络进行改进,得到的STN-CNN模型具有识别率高、识别速度快、泛化能力强等特点。使用德国交通标志数据集(GTSRB)进行交通标志分类识别实验。实验结果表明,基于改进卷积神经网络交通标志识别方法的识别准确率为99.36%,且该模型相比于其他模型参数少、鲁棒性强,同时模型训练、运行计算所需要的时间短,能够满足实际应用中的实时性与高准确率的要求。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于改进卷积神经网络的交通标志识别方法,其特征在于,包括以下步骤:
步骤1.获取交通标志数据集,对交通标志数据集进行划分,得到原始训练集和原始测试集,对原始训练集和原始测试集分别进行预处理,得到预处理后的训练集和预处理后的测试集,然后对预处理后的训练集进行数据扩充,得到训练集;
步骤2.构建卷积神经网络,将空间变换网络引入卷积神经网络,得到STN-CNN模型,将训练集输入STN-CNN模型进行训练,得到训练好的STN-CNN模型;
步骤3.将预处理后的测试集输入训练好的STN-CNN模型进行识别预测,得到最优STN-CNN模型;
步骤4.获取待测交通标志图像,将待测交通标志图像输入最优STN-CNN模型,得到预测结果。
2.根据权利要求1所述一种基于改进卷积神经网络的交通标志识别方法,其特征在于:
所述步骤1中,原始测试集的预处理的具体步骤包括:
将原始测试集中的图像数据通过上采样或下采样缩放到同一尺寸大小;得到预处理后的测试集。
3.根据权利要求2所述一种基于改进卷积神经网络的交通标志识别方法,其特征在于:
所述步骤1中,原始训练集的预处理的具体步骤包括:
将原始训练集中的图像数据通过上采样或下采样缩放到与测试集同一尺寸大小;得到采样后的训练集;
对采样后的训练集采用局部直方图均衡化对缩放后的图像数据进行处理;
对均衡化后的图像数据进行灰度处理;
对灰度处理后的图像数据进行图像增强,获得预处理后的训练集。
4.根据权利要求3所述一种基于改进卷积神经网络的交通标志识别方法,其特征在于:
所述步骤1中,数据扩充的具体步骤包括:
新增交通标志图像数量,使各类交通标志图像数量均衡,对新增的交通标志图像数据按照原始训练集的预处理方法进行预处理,获得平衡训练集;
对平衡训练集和预处理后的训练集进行整合,得到训练集。
5.根据权利要求3所述一种基于改进卷积神经网络的交通标志识别方法,其特征在于:
所述图像增强的具体步骤包括图像翻转、图像旋转、投射、添加噪声、模糊图像。
6.根据权利要求1所述一种基于改进卷积神经网络的交通标志识别方法,其特征在于:
所述步骤2中,卷积神经网络包括:
一个输入层、三个卷积模块、三个全连接层;
三个所述卷积模块依次连接;三个所述全连接层依次连接;
所述输入层、卷积模块、全连接层依次连接;
所述卷积模块包括卷积层、ReLU激活函数和最大池化层;
所述卷积层、ReLU激活函数和最大池化层依次连接。
7.根据权利要求6所述一种基于改进卷积神经网络的交通标志识别方法,其特征在于:
所述步骤2中,将空间变换网络引入卷积神经网络具体步骤为:
每个所述卷积模块的前一端分别***所述空间变换网络,得到STN-CNN模型。
8.根据权利要求1所述一种基于改进卷积神经网络的交通标志识别方法,其特征在于:
所述步骤2中,将训练集输入STN-CNN模型进行训练具体步骤包括:
步骤2.1.将训练集输入到STN-CNN模型进行前向传播,得到输出结果;
步骤2.2.根据交通标志数据集,获取实际结果,根据输出结果与实际结果的误差,采用反向传播更新STN-CNN模型的权重,完成一次前向传播和反向传播的迭代过程;
步骤2.3.重复迭代过程,直到达到设定的迭代停止条件,停止重复迭代过程,得到训练好的STN-CNN模型。
9.根据权利要求8所述一种基于改进卷积神经网络的交通标志识别方法,其特征在于:
所述步骤2.2中,反向传播采用随机梯度下降算法。
10.根据权利要8所述一种基于改进卷积神经网络的交通标志识别方法,其特征在于:
所述步骤设定的迭代停止条件包括,设定的迭代次数或者STN-CNN模型的权重稳定不发生变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110297712.4A CN113052057A (zh) | 2021-03-19 | 2021-03-19 | 一种基于改进卷积神经网络的交通标志识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110297712.4A CN113052057A (zh) | 2021-03-19 | 2021-03-19 | 一种基于改进卷积神经网络的交通标志识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113052057A true CN113052057A (zh) | 2021-06-29 |
Family
ID=76514279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110297712.4A Pending CN113052057A (zh) | 2021-03-19 | 2021-03-19 | 一种基于改进卷积神经网络的交通标志识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052057A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113625144A (zh) * | 2021-08-11 | 2021-11-09 | 北京信息科技大学 | Igbt故障预测方法和*** |
CN114544868A (zh) * | 2022-01-20 | 2022-05-27 | 上海工程技术大学 | 一种消除干扰气体影响的气体检测方法与*** |
CN115205637A (zh) * | 2022-09-19 | 2022-10-18 | 山东世纪矿山机电有限公司 | 一种矿车物料的智能识别方法 |
CN116453121A (zh) * | 2023-06-13 | 2023-07-18 | 合肥市正茂科技有限公司 | 一种车道线识别模型的训练方法及装置 |
CN116721403A (zh) * | 2023-06-19 | 2023-09-08 | 山东高速集团有限公司 | 一种道路交通标志检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985217A (zh) * | 2018-07-10 | 2018-12-11 | 常州大学 | 一种基于深度空间网络的交通标志识别方法及*** |
CN111274971A (zh) * | 2020-01-21 | 2020-06-12 | 南京航空航天大学 | 一种基于颜色空间融合网络及空间变换网络的交通识别方法 |
CN111325152A (zh) * | 2020-02-19 | 2020-06-23 | 北京工业大学 | 一种基于深度学习的交通标志识别方法 |
-
2021
- 2021-03-19 CN CN202110297712.4A patent/CN113052057A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985217A (zh) * | 2018-07-10 | 2018-12-11 | 常州大学 | 一种基于深度空间网络的交通标志识别方法及*** |
CN111274971A (zh) * | 2020-01-21 | 2020-06-12 | 南京航空航天大学 | 一种基于颜色空间融合网络及空间变换网络的交通识别方法 |
CN111325152A (zh) * | 2020-02-19 | 2020-06-23 | 北京工业大学 | 一种基于深度学习的交通标志识别方法 |
Non-Patent Citations (3)
Title |
---|
ÁLVARO ARCOS-GARCÍA ET AL: "Deep neural network for traffic sign recognition systems: An analysis of spatial transformers and stochastic optimisation methods", 《NEURAL NETWORKS:THE OFFICIAL JOURNAL OF THE INTERNATIONAL NEURAL NETWORK SOCIETY》 * |
MRINAL HALOI ET AL: "Traffic Sign Classification Using Deep Inception Based Convolutional Networks", 《ARXIV:1511.02992V2》 * |
高志强等: "《深度学习从入门到实战》", 30 June 2018 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113625144A (zh) * | 2021-08-11 | 2021-11-09 | 北京信息科技大学 | Igbt故障预测方法和*** |
CN114544868A (zh) * | 2022-01-20 | 2022-05-27 | 上海工程技术大学 | 一种消除干扰气体影响的气体检测方法与*** |
CN114544868B (zh) * | 2022-01-20 | 2024-03-26 | 上海工程技术大学 | 一种消除干扰气体影响的气体检测方法与*** |
CN115205637A (zh) * | 2022-09-19 | 2022-10-18 | 山东世纪矿山机电有限公司 | 一种矿车物料的智能识别方法 |
CN116453121A (zh) * | 2023-06-13 | 2023-07-18 | 合肥市正茂科技有限公司 | 一种车道线识别模型的训练方法及装置 |
CN116453121B (zh) * | 2023-06-13 | 2023-12-22 | 合肥市正茂科技有限公司 | 一种车道线识别模型的训练方法及装置 |
CN116721403A (zh) * | 2023-06-19 | 2023-09-08 | 山东高速集团有限公司 | 一种道路交通标志检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113052210B (zh) | 一种基于卷积神经网络的快速低光照目标检测方法 | |
CN113052057A (zh) | 一种基于改进卷积神经网络的交通标志识别方法 | |
CN113313657A (zh) | 一种用于低光照图像增强的非监督学习方法和*** | |
CN109753878B (zh) | 一种恶劣天气下的成像识别方法及*** | |
CN107506765B (zh) | 一种基于神经网络的车牌倾斜校正的方法 | |
CN112183203A (zh) | 一种基于多尺度像素特征融合的实时交通标志检测方法 | |
CN112287941B (zh) | 一种基于自动字符区域感知的车牌识别方法 | |
CN110910413A (zh) | 一种基于U-Net的ISAR图像分割方法 | |
CN112132145B (zh) | 一种基于模型扩展卷积神经网络的图像分类方法及*** | |
CN111310766A (zh) | 基于编解码和二维注意力机制的车牌识别方法 | |
CN111709307B (zh) | 一种基于分辨率增强的遥感图像小目标检测方法 | |
CN114820655B (zh) | 可靠区域作为注意力机制监督的弱监督建筑物分割方法 | |
CN113723377A (zh) | 一种基于ld-ssd网络的交通标志检测方法 | |
CN114913498A (zh) | 一种基于关键点估计的并行多尺度特征聚合车道线检测方法 | |
CN117671509B (zh) | 遥感目标检测方法、装置、电子设备及存储介质 | |
CN113393385B (zh) | 基于多尺度融合的无监督去雨方法、***、装置及介质 | |
CN114693966A (zh) | 一种基于深度学习的目标检测方法 | |
CN117495718A (zh) | 一种多尺度自适应的遥感图像去雾方法 | |
Cho et al. | Modified perceptual cycle generative adversarial network-based image enhancement for improving accuracy of low light image segmentation | |
CN111612803B (zh) | 一种基于图像清晰度的车辆图像语义分割方法 | |
CN109284752A (zh) | 一种车辆的快速检测方法 | |
CN117115770A (zh) | 一种基于卷积神经网络和注意力机制的自动驾驶方法 | |
CN116740572A (zh) | 一种基于改进yolox的海上船舰目标检测方法和*** | |
CN111680640A (zh) | 一种基于领域迁移的车型识别方法及*** | |
CN116452900A (zh) | 一种基于轻量级神经网络的目标检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210629 |
|
RJ01 | Rejection of invention patent application after publication |