CN113469287A - 一种基于实例分割网络的航天器多局部构件检测方法 - Google Patents
一种基于实例分割网络的航天器多局部构件检测方法 Download PDFInfo
- Publication number
- CN113469287A CN113469287A CN202110850338.6A CN202110850338A CN113469287A CN 113469287 A CN113469287 A CN 113469287A CN 202110850338 A CN202110850338 A CN 202110850338A CN 113469287 A CN113469287 A CN 113469287A
- Authority
- CN
- China
- Prior art keywords
- bounding box
- spacecraft
- information
- mask
- inputting
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 230000011218 segmentation Effects 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000010586 diagram Methods 0.000 claims abstract 2
- 238000000605 extraction Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims 1
- 239000010410 layer Substances 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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)
- 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)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于实例分割网络的航天器多局部构件检测方法，包括如下步骤：对航天器输入图像进行特征提取，得到特征图S3～S5；将S3～S5输入到主干网络FPN结构中，得到多尺度的特征图P3～P6；将所述多尺度特征图P3～P6输入到目标检测头部进行航天器局部构件检测,从而获得对目标的类别、边界框以及中心度的预测结果；通过所述类别及中心度信息对所述边界框进行优化，得到优化后的边界框；将所述优化后的边界框输入到掩码生成分支进行实例分割，得到航天器局部构件的掩码信息，进一步可获得构件的轮廓信息。本发明所提出的局部构件检测及分割方法较现有网络模型在检测精度及速度上具有更优的性能表现。
Description
技术领域
本发明属于计算机视觉领域，特别涉及一种基于实例分割网络的航天器多局部构件检测方法。
背景技术
获得航天器间的相对位置及相对姿态(以下简称，相对位姿)是保证航天器指向跟踪等空间交互任务顺利进行的重要前提，而航天器局部构件(太阳翼、天线等)的检测与识别技术是其中的关键。精确识别出目标构件的类别，并有效检测出航天器局部构件的边缘轮廓、角点、尺寸等局部构件的高级特征信息，可为航天器间相对位姿精确估计提供有力的数据支持。
在空间中对航天器进行目标检测任务时，存在两个主要的特点及难点：1.在轨航天器处于实时、高速运动状态，其姿态不断变化，往往会存在航天器整体/构件轮廓形状和尺寸变化大以及构件被部分遮挡等问题。2.空间光照条件的不断变化、成像载荷的抖动、成像***像质退化等影响，会导致空间图像成像图像存在严重噪声污染、对比度低、平均亮度低等问题。以上问题均会很大程度地限制航天器局部构件的检测精度。
参见图1，现有一种CenterMask的检测模型，它由特征提取器、目标检测头部以及掩码生成头部组成。特征提取器的骨干网络是VoVNetV2，它将残差结构以及eSE(EffectiveSqueeze-Excitation)注意力模块融入到VoVNet中，目标检测头部由类别预测分支、中心度预测分支以及边界框回归分支组成；同时，CenterMask的作者还提出了空间注意力机制SAM，用于引导掩码生成分支突出具有有效信息的像素，并且抑制无有效信息的像素。在CenterMask中，特征提取器首先对输入图像进行6层下采样，并输出特征图(P3～P7)。然后，检测器对每层输出的特征图均进行类别预测、边界框回归以及中心度预测。最后，通过掩码生成头部可获得图像分割结果。然而，CenterMask虽然在掩码生成头部中引入了注意力机制，但是它仍然对通道间信息的注意力不足，进而影响检测的精度。
因此，提供一种改进的检测模型实为必要。
发明内容
本发明的目的是提供一种基于实例分割网络的航天器多局部构件检测方法，可更精准地获得目标构件的类别信息，边界框信息以及轮廓信息，进而提高部件检测的精度及速度。
为实现上述目的，本发明提供一种基于实例分割网络的航天器多局部构件检测方法，包括如下步骤：
步骤一：对航天器输入图像进行特征提取，得到特征图S3～S5；
步骤二；将S3～S5输入到主干网络FPN结构中，得到多尺度的特征图P3～P6，该过程定义如下：
P5＝Conv1×1(S5)
P6＝Maxpooling(P5)
Pi＝Upsample(Si+1)+Conv1×1(Si),i＝3,4
其中，Conv1×1代表卷积核尺寸为1×1的卷积层,Upsample代表非线性上采样层；
步骤三：将所述多尺度特征图P3～P6输入到目标检测头部进行航天器局部构件检测,从而获得对目标的类别、边界框以及中心度的预测结果；
步骤四：通过所述类别及中心度信息对所述边界框进行优化，得到优化后的边界框；
步骤五：将所述优化后的边界框输入到掩码生成分支进行实例分割，得到航天器局部构件的掩码信息，进一步可获得构件的轮廓信息。
其中，步骤一具体包括：利用VoVNet v2对输入图像进行特征提取，得到特征图S3～S5。
其中，步骤四具体包括：对步骤三所获得的每个边界框的分类分数与预测的中心度相乘，得到每个边界框最终的评价分数值，位置远离物体中心的边界框的分数值更低，位置靠近物体中心的边界框的分数值会更高，利用这些分数值对每个边界框进行排序及筛选，得到优化后的边界框。
其中，步骤四中，通过非极大值抑制方法的方式对边界框进行筛选。
其中，步骤五具体包括：将步骤四所得到的优化后的边界框特征图输入到SCAM掩码分支中，得到信息加强的特征图；然后，利用1×1卷积对每个像素的类别进行预测，生成特定类的掩码，其维度为28×28×2得到航天器局部构件的掩码信息后，进一步可获得构件的轮廓信息。
本发明具有如下有益效果：本发明的检测方法，在样本数量较少的情况下，可用于检测目标航天器局部构件的类别信息、边界框信息以及掩码信息。首先，减少了无锚框检测器Fcos的特征提取层，并加强了中心度预测分支与边界框预测分支的关联性，提高构件检测精度。然后，设计了一种空间-通道注意力机制，并将其引入到CenterMask的掩码生成分支中，提高构件的分割精度。实验结果表明，所提出的局部构件检测及分割方法较原始网络模型在检测精度及速度上具有更优的性能表现。
附图说明
为了更清楚地说明本发明实施例或技术方案，下面将对实施例描述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的前提下，还可以根据这些附图获得其它的附图，其中：
图1为现有技术CenterMask检测模型的检测方法；
图2为本发明基于实例分割网络的航天器多局部构件的检测方法。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非被特定定义，否则不会用理想化或过于正式的含义来解释。
本发明提供一种基于实例分割网络的航天器多局部构件检测方法，包括如下步骤：
步骤一：对航天器输入图像进行特征提取，得到特征图S3～S5；
步骤二；将S3～S5输入到主干网络FPN结构中，得到多尺度的特征图P3～P6，该过程定义如下：
P5＝Conv1×1(S5)
P6＝Maxpooling(P5)
Pi＝Upsample(Si+1)+Conv1×1(Si),i＝3,4
其中，Conv1×1代表卷积核尺寸为1×1的卷积层,Upsample代表非线性上采样层；
步骤三：将所述多尺度特征图P3～P6输入到目标检测头部进行航天器局部构件检测,从而获得对目标的类别、边界框以及中心度的预测结果；
步骤四：通过所述类别及中心度信息对所述边界框进行优化，得到优化后的边界框；
步骤五：将所述优化后的边界框输入到掩码生成分支进行实例分割，得到航天器局部构件的掩码信息，进一步可获得构件的轮廓信息。
在一个具体的实施方式中，本发明首先利用VoVNet v2对输入图像进行五阶段的特征提取，输出特征图S2～S5。为了减少模型的计算量，提高检测效率，本文仅将S3～S5输入到FPN结构中。高分辨率的特征图S3可以使得检测器更好地检测到小构件，例如天线。拥有更宽感受野的特征图S5能够使检测器更好地检测到大构件，例如太阳翼。
在一个具体的实施方式中，本发明构建了一个基于CNN的检测模型SCD(Satellitecomponents detection)，利用在MS-COCO数据集中预训练过的CenterMask中的参数来进行模型参数初始化，CenterMask与SCD中不同的参数则使用标准正常分布进行初始化。然后在构建的小样本训练集上进行模型训练，这也就是迁移学习。最后，得到训练优化后的SCD模型。通过该检测模型，本实施例能够实现目标航天器局部构件的自动精准检测，获得目标构件的类别、边界框以及掩码信息。
在一个具体的实施方式中，局部构件检测器结构主要由三部分组成，分别是骨干网络、特征金字塔以及目标检测头部组成。本实施例以VoVNet v2作为骨干网络，VoVNet v2中融入了残差结构及eSE注意力模块，不仅可以高效捕获多种感受视野，还能明确特征映射在通道之间的相互依赖关系，以增强其特征信息表示。骨干网络的细节如表1所示。目标检测头部由三个分支组成，分别是分类预测分支、边界框回归分支以及中心度预测分支。其中，分类预测分支用于对多个类别的置信度进行预测，以最高置信度的类别作为预测类别，边界框回归分支用于预测边界框的四个边界(左边界、右边界、顶部以及底部)相对于某个位置的四个偏移量。由于中心度与边界框的偏移量相互关联，即在边界框的偏移量接近真实值时，可以通过偏移量得到准确的中心度，而其与分类任务基本不存在任何关联，故本实施例中，将中心度预测头部与边界框回归分支并行，不仅可以加强两者之间的关联，还可以通过共享卷积层来减小模型参数。
表1骨干网络结构
在一个具体的实施方式中，目标构件优化边界框检测流程如下。在进行预测时，通过特征提取结构以及目标检测头部，可以得到检测的类别分数、中心度以及边界框信息。然后，每个边界框的分类分数与预测的中心度相乘，得到每个边界框最终的评价分数值，位置远离物体中心的边界框的分数值更低，位置靠近物体中心的边界框的分数值会更高，利用这些分数值对每个边界框进行排序，然后利用非极大值抑制方法(Non-MaximumSuppression，NMS)进行筛选，得到优化的边界框。通过该方法可以明显提高模型的目标检测性能，将这些优化的边界框输入到掩码生成分支进行实例分割，也可以进一步提高分割精度。
在一个具体的实施方式中，空间-通道注意力机制在通道维上增强/抑制强度各不相同的注意力机制，保留了更多的通道特征信息，旨在引导掩码生成分支关注不同通道间那些特征突出的物体。
在一个具体的实施方式中，空间-通道注意力模块结构(SCAM，Spatial-channelattention module)的输入特征图的维度为W×H×C，经过单层卷积后，生成W×H×C维度的注意力图，在经过Sigmoid激活后，将注意力图中的元素映射到[0,1]，最后将激活后的注意力图与输入的原始特征图逐像素相乘，从而实现对信息丰富的特征进行加强，并对无有效信息的特征进行抑制。
在一个具体的实施方式中，掩码生成分支的整体结构在预测阶段中，首先将具有高质量边界框的特征图输入到SCAM掩码分支中，可得到信息加强的特征图；然后，利用1×1卷积对每个像素的类别进行预测，生成特定类的掩码，其维度为28×28×2至此就完成了航天器局部构件分割任务。
表2为多种模型检测及分割性能对比，在检测精准率方面，本发明所提出的SCD能够达到最佳的APbox(边界框检测平均精准率)以及APmask(掩码检测平均精准率)，分别比CM(CenterMask)提高了2.5％以及1.5％，比MR(Mask R-CNN)提高了4.9％和2.5％。在检测速度方面，其与这两种方法基本保持一致。本发明所提出的SU-SCD(Speed-up SCD)在太阳翼及天线检测速度及精准率上均高于CM-Lite(CenterMask-Lite)。与CM-Lite相比，SU-SCD在APbox和APmask上分别提高了1.8％和0.8％，同时，速度提高了0.5FPS，与CM及MR对比，SU-SCD在速度方面提高了5FPS。
表2多种模型检测及分割性能对比
本发明具有如下有益效果：本发明的检测方法，在样本数量较少的情况下，可用于检测目标航天器局部构件的类别信息、边界框信息以及掩码信息。首先，减少了无锚框检测器Fcos的特征提取层，并加强了中心度预测分支与边界框预测分支的关联性，提高构件检测精度。然后，设计了一种空间-通道注意力机制，并将其引入到CenterMask的掩码生成分支中，提高构件的分割精度。实验结果表明，所提出的局部构件检测及分割方法较原始网络模型在检测精度及速度上具有更优的性能表现。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.一种基于实例分割网络的航天器多局部构件检测方法，其特征在于，包括如下步骤：
步骤一：对航天器输入图像进行特征提取，得到特征图S3～S5；
步骤二；将S3～S5输入到主干网络FPN结构中，得到多尺度的特征图P3～P6，该过程定义如下：
P5＝Conv1×1(S5)
P6＝Maxpooling(P5)
Pi＝Upsample(Si+1)+Conv1×1(Si),i＝3,4
其中，Conv1×1代表卷积核尺寸为1×1的卷积层,Upsample代表非线性上采样层；
步骤三：将所述多尺度特征图P3～P6输入到目标检测头部进行航天器局部构件检测,从而获得对目标的类别、边界框以及中心度的预测结果；
步骤四：通过所述类别及中心度信息对所述边界框进行优化，得到优化后的边界框；
步骤五：将所述优化后的边界框输入到掩码生成分支进行实例分割，得到航天器局部构件的掩码信息，进一步可获得构件的轮廓信息。
2.根据权利要求1所述的一种基于实例分割网络的航天器多局部构件检测方法，其特征在于，步骤一具体包括：利用VoVNet v2对输入图像进行特征提取，得到特征图S3～S5。
3.根据权利要求1所述的一种基于实例分割网络的航天器多局部构件检测方法，其特征在于，步骤四具体包括：对步骤三所获得的每个边界框的分类分数与预测的中心度相乘，得到每个边界框最终的评价分数值，位置远离物体中心的边界框的分数值更低，位置靠近物体中心的边界框的分数值会更高，利用这些分数值对每个边界框进行排序及筛选，得到优化后的边界框。
4.根据权利要求3所述的一种基于实例分割网络的航天器多局部构件检测方法，其特征在于，步骤四中，通过非极大值抑制方法的方式对边界框进行筛选。
5.根据权利要求1所述的一种基于实例分割网络的航天器多局部构件检测方法，其特征在于，步骤五具体包括：将步骤四所得到的优化后的边界框特征图输入到空间-通道注意力掩码分支中，得到信息加强的特征图；然后，利用1×1卷积对每个像素的类别进行预测，生成特定类的掩码，其维度为28×28×N，得到航天器局部构件的掩码信息后，进一步可获得构件的轮廓信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110850338.6A CN113469287A (zh) | 2021-07-27 | 2021-07-27 | 一种基于实例分割网络的航天器多局部构件检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110850338.6A CN113469287A (zh) | 2021-07-27 | 2021-07-27 | 一种基于实例分割网络的航天器多局部构件检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113469287A true CN113469287A (zh) | 2021-10-01 |
Family
ID=77882738
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110850338.6A Pending CN113469287A (zh) | 2021-07-27 | 2021-07-27 | 一种基于实例分割网络的航天器多局部构件检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113469287A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023083231A1 (en) * | 2021-11-12 | 2023-05-19 | Huawei Technologies Co., Ltd. | System and methods for multiple instance segmentation and tracking |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111462126A (zh) * | 2020-04-08 | 2020-07-28 | 武汉大学 | 一种基于边缘增强的语义图像分割方法及*** |
| CN111598030A (zh) * | 2020-05-21 | 2020-08-28 | 山东大学 | 一种航拍图像中车辆检测和分割的方法及*** |
| CN111738110A (zh) * | 2020-06-10 | 2020-10-02 | 杭州电子科技大学 | 基于多尺度注意力机制的遥感图像车辆目标检测方法 |
| CN112070713A (zh) * | 2020-07-03 | 2020-12-11 | 中山大学 | 一种引入attention机制的多尺度目标检测方法 |
| CN112581430A (zh) * | 2020-12-03 | 2021-03-30 | 厦门大学 | 一种基于深度学习的航空发动机无损检测方法、装置、设备及存储介质 |
| CN112837330A (zh) * | 2021-03-02 | 2021-05-25 | 中国农业大学 | 基于多尺度双注意力机制和全卷积神经网络的叶分割方法 |
-
2021
- 2021-07-27 CN CN202110850338.6A patent/CN113469287A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111462126A (zh) * | 2020-04-08 | 2020-07-28 | 武汉大学 | 一种基于边缘增强的语义图像分割方法及*** |
| CN111598030A (zh) * | 2020-05-21 | 2020-08-28 | 山东大学 | 一种航拍图像中车辆检测和分割的方法及*** |
| CN111738110A (zh) * | 2020-06-10 | 2020-10-02 | 杭州电子科技大学 | 基于多尺度注意力机制的遥感图像车辆目标检测方法 |
| CN112070713A (zh) * | 2020-07-03 | 2020-12-11 | 中山大学 | 一种引入attention机制的多尺度目标检测方法 |
| CN112581430A (zh) * | 2020-12-03 | 2021-03-30 | 厦门大学 | 一种基于深度学习的航空发动机无损检测方法、装置、设备及存储介质 |
| CN112837330A (zh) * | 2021-03-02 | 2021-05-25 | 中国农业大学 | 基于多尺度双注意力机制和全卷积神经网络的叶分割方法 |
Non-Patent Citations (3)
| Title |
|---|
| YULANG CHEN 等: "Satellite Components Detection from Optical Images Based on Instance Segmentation Networks", 《ARC》, pages 355 - 365 * |
| YU-LANG CHEN等: "SURF-Based Image Matching Method for Landing on Small Celestial Bodies", 《INTERNATIONAL CONFERENCE ON MODELING, ANALYSIS, SIMULATION TECHNOLOGIES AND APPLICATIONS (MASTA 2019)》, pages 1 - 7 * |
| 陈榆琅: "卫星多局部构件检测及低照度图像增强方法", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, pages 031 - 140 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023083231A1 (en) * | 2021-11-12 | 2023-05-19 | Huawei Technologies Co., Ltd. | System and methods for multiple instance segmentation and tracking |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111210443B (zh) | 基于嵌入平衡的可变形卷积混合任务级联语义分割方法 | |
| CN109241982B (zh) | 基于深浅层卷积神经网络的目标检测方法 | |
| CN110648334A (zh) | 一种基于注意力机制的多特征循环卷积显著性目标检测方法 | |
| CN112507777A (zh) | 一种基于深度学习的光学遥感图像舰船检测与分割方法 | |
| CN113505792B (zh) | 面向非均衡遥感图像的多尺度语义分割方法及模型 | |
| Yan et al. | Combining the best of convolutional layers and recurrent layers: A hybrid network for semantic segmentation | |
| CN111401293B (zh) | 一种基于Head轻量化Mask Scoring R-CNN的手势识别方法 | |
| CN111353544B (zh) | 一种基于改进的Mixed Pooling-YOLOV3目标检测方法 | |
| CN115131797B (zh) | 一种基于特征增强金字塔网络的场景文本检测方法 | |
| CN111680705B (zh) | 适于目标检测的mb-ssd方法和mb-ssd特征提取网络 | |
| CN112686304A (zh) | 一种基于注意力机制以及多尺度特征融合的目标检测方法、设备及存储介质 | |
| CN113888461A (zh) | 基于深度学习的小五金件缺陷检测方法、***及设备 | |
| CN112183649A (zh) | 一种用于对金字塔特征图进行预测的算法 | |
| CN113569881A (zh) | 一种基于链式残差与注意力机制的自适应语义分割方法 | |
| CN110852199A (zh) | 一种基于双帧编码解码模型的前景提取方法 | |
| CN113920468A (zh) | 一种基于跨尺度特征增强的多分支行人检测方法 | |
| CN113901928A (zh) | 一种基于动态超分辨率的目标检测方法、输电线路部件检测方法及*** | |
| Xiong et al. | Bi-directional skip connection feature pyramid network and sub-pixel convolution for high-quality object detection | |
| CN114897782A (zh) | 基于生成式对抗网络的胃癌病理切片图像分割预测方法 | |
| CN113469287A (zh) | 一种基于实例分割网络的航天器多局部构件检测方法 | |
| CN110580462B (zh) | 一种基于非局部网络的自然场景文本检测方法和*** | |
| CN114283431B (zh) | 一种基于可微分二值化的文本检测方法 | |
| CN113469286A (zh) | 一种基于区域卷积神经网络的航天器多局部构件检测方法 | |
| CN115331254A (zh) | 一种免锚框的实例人像语义解析方法 | |
| Jiang et al. | FPGA-based accurate star segmentation with moon interference |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211001 |