CN114065838B - 一种低光照障碍物检测方法、***、终端以及存储介质 - Google Patents
一种低光照障碍物检测方法、***、终端以及存储介质 Download PDFInfo
- Publication number
- CN114065838B CN114065838B CN202111235613.XA CN202111235613A CN114065838B CN 114065838 B CN114065838 B CN 114065838B CN 202111235613 A CN202111235613 A CN 202111235613A CN 114065838 B CN114065838 B CN 114065838B
- Authority
- CN
- China
- Prior art keywords
- low
- illumination
- image
- light
- network
- 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
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种低光照障碍物检测方法、***、终端以及存储介质。所述方法包括:利用循环对抗网络将正常光照样本图像转换为低光照样本图像;通过光照增强网络对所述低光照样本图像进行增强处理,得到低光照增强图像;将所述低光照增强图像输入目标检测模型进行训练,得到训练好的目标检测模型;通过所述训练好的目标检测模型对待检测的低光照图像进行障碍物识别。本申请实施例通过引入自监督低光照增强算法对低光照图像进行增强处理,将低光照增强与目标检测算法进行有效结合,提高目标检测算法对低光照目标检测的鲁棒性和精度,解决了在低光照情景下使用普通目标检测算法进行障碍物检测存在的检测效果差的问题。
Description
技术领域
本申请属于自然图像处理技术领域,特别涉及一种低光照障碍物检测方法、***、终端以及存储介质。
背景技术
根据世界卫生组织统计,全世界有近2.53亿人群患有视力障碍,其中有3600万完全丧失了视觉,与此同时人口的增长和老龄化的加剧也将使视力障碍人群的规模进一步加剧,因此低视力导盲设备也有着不容忽视的巨大需求。
传统的导盲手段包括导盲棒、导盲犬、盲文、盲道等,但这些导盲手段的安全性并不完全可靠,且价格昂贵、适用范围狭窄。近年来,随着深度学习和其在计算机视觉领域的突破性发展,导盲设备的发展迎来了新的生机。目前基于深度学习目标检测的主流框架可以大体上分为以Fast R-CNN为代表的双阶段目标检测算法和以YOLO系列、SSD等为代表的单阶段目标检测算法两个大的技术方向,这些深度学习算法相较传统算法效果有了突破性的提升,给目标检测技术带来新的研究热潮。例如Lin等人开发了一种基于Faster-RCNN的室内视觉辅助***,在室内环境中对风扇,椅子,桌子和除湿机等日常物品进行检测,并通过智能设备通知用户当前位置并规划移动路线。Tapu等借助YOLOv3开发了能检测并警报障碍物的可穿戴设备,设计了基于智能手机的对象检测和分类方案,以在户外环境中对物体(汽车,自行车,人等)进行检测来帮助视力障碍的人;SonayDuman等也发明一种基于YOLO的便携式导盲***,帮助视障人士感知周围的物体和人,并精确估计他们之间的距离。
上述中,现有基于目标检测的导盲设备虽然可以完成障碍物的识别、人物面部的识别或指引到达目的地的路线等等的任务,但是现有的导盲设备或技术大多只适用于正常的光照条件,难以应对低光照场景下的导盲需求。
发明内容
本申请提供了一种低光照障碍物检测方法、***、终端以及存储介质,旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题,本申请提供了如下技术方案:
一种低光照障碍物检测方法,包括:
利用循环对抗网络将正常光照样本图像转换为低光照样本图像;
通过光照增强网络对所述低光照样本图像进行增强处理,得到低光照增强图像;
将所述低光照增强图像输入目标检测模型进行训练,得到训练好的目标检测模型;
通过所述训练好的目标检测模型对待检测的低光照图像进行障碍物识别。
本申请实施例采取的技术方案还包括:所述利用循环对抗网络将正常光照样本图像转换为低光照样本图像包括:
所述循环对抗网络包括生成器和判别器,通过所述生成器对正常光照图像进行转换,并通过所述判别器判别转换图像是否符合低光照图像要求,如果不符合则丢弃该转换图像;如果符合低光照图像要求,则将该转换图像放入低光照图像数据集。
本申请实施例采取的技术方案还包括:所述通过光照增强网络对所述低光照样本图像进行增强处理包括:
所述光照增强网络包括一个CNN网络,所述CNN网络的输入为低光照图像数据集,在网络训练时,所述CNN网络利用低光照图像直方图与正常光照图像直方图曲线之间的关系和数据分布设计损失函数,构成自监督学习网络,并输出用于表征光照增强特征的映射矩阵。
本申请实施例采取的技术方案还包括:所述通过光照增强网络对所述低光照样本图像进行增强处理还包括:
所述光照增强网络还包括残差连接调整模块,所述残差连接调整模块包括带有残差连接的四个卷积层;所述残差连接调整模块的输入为低光照图像数据集,低光照图像数据集中的低光照图像经过四个卷积层处理后,得到三个灰度参数矩阵,通过所述三个灰度参数矩阵对CNN网络输出的映射矩阵进行迭代调整,得到每幅低光照图像对应的调整图像。
本申请实施例采取的技术方案还包括:所述通过光照增强网络对所述低光照样本图像进行增强处理还包括:
分别将每幅低光照图像与对应的调整图像相加,生成低光照增强图像。
本申请实施例采取的技术方案还包括:所述将所述低光照增强图像输入目标检测模型进行训练包括:
所述目标检测模型的目标检测算法包括YOLO算法或Fast R-CNN检测算法。
本申请实施例采取的另一技术方案为:一种低光照障碍物检测***,包括:
图像转换模块:用于利用循环对抗网络将正常光照样本图像转换为低光照样本图像;
图像增强模块:用于通过光照增强网络对所述低光照样本图像进行增强处理,得到低光照增强图像;
模型训练模块:用于将所述低光照增强图像输入目标检测模型进行训练,得到训练好的目标检测模型;
图像识别模块:用于通过所述训练好的目标检测模型对待检测的低光照图像进行障碍物识别。
本申请实施例采取的又一技术方案为:一种终端,所述终端包括处理器、与所述处理器耦接的存储器,其中,
所述存储器存储有用于实现所述低光照障碍物检测方法的程序指令;
所述处理器用于执行所述存储器存储的所述程序指令以控制低光照障碍物检测。
本申请实施例采取的又一技术方案为:一种存储介质,存储有处理器可运行的程序指令,所述程序指令用于执行所述低光照障碍物检测方法。
相对于现有技术,本申请实施例产生的有益效果在于:本申请实施例的低光照障碍物检测方法、***、终端以及存储介质通过引入自监督低光照增强算法对低光照图像进行增强处理,将低光照增强与目标检测算法进行有效结合,提高目标检测算法对低光照目标检测的鲁棒性和精度,解决了在低光照情景下使用普通目标检测算法进行障碍物检测存在的检测效果差的问题。并加入残差连接模块,能够更好的利用原始低光照图像信息,避免光照增强网络对低光照图像产生结构上的破坏,进一步提高目标检测算法在低光照情况下的目标检测精度。
附图说明
图1是本申请实施例的低光照障碍物检测方法的流程图;
图2为本申请实施例的循环对抗网络结构示意图;
图3为本申请实施例的低光照障碍物检测***结构示意图;
图4为本申请实施例的终端结构示意图;
图5为本申请实施例的存储介质的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
请参阅图1,是本申请实施例的低光照障碍物检测方法的流程图。本申请实施例的低光照障碍物检测方法包括以下步骤:
S10:获取一定数量的正常光照样本图像;
本步骤中,可通常正常光照图像的公共数据集获取正常光照样本图像。
S20:利用循环对抗网络将正常光照样本图像转换为低光照样本图像,生成用于训练目标检测网络的低光照数据集;
本步骤中,现有的光照图像公共数据集大多都是正常光照图像,低光照图像数据集提供的数据量十分有限(例如Exdark数据集)。为了保证能够对目标检测网络进行充分训练,本申请实施例利用循环对抗网络(CycleGAN)将正常光照样本图像转换为低光照样本图像。具体如图2所示,为本申请实施例的循环对抗网络结构示意图。其中,循环对抗网络包括生成器和判别器,A风格数据集代表正常光照图像,B风格数据集代表低光照图像,通过生成器GA将A风格数据集中的正常光照图像转换为低光照图像,将转换后的图像输入判别器DA判别是否符合B风格,如果不符合则丢弃该图像,如果符合B风格,则将该图像放入B风格数据集,从而将正常光照样本图像转换为低光照样本图像。同理,通过生成器GB将B风格数据集中的图像转换为正常光照图像,将转换后的图像输入判别器DB判别是否符合A风格,如果不符合则丢弃该图像,如果符合A风格,则将该图像放入A风格数据集,从而将低光照样本图像转换为正常光照样本图像。如此循环,在网络训练结束后,即可生成用于训练目标检测网络的低光照数据集,为目标检测网络提供充分的训练数据支撑。
S30:将低光照图像数据集输入光照增强网络进行增强处理,通过光照增强网络输出低光照增强图像数据集;
本步骤中,光照增强网络包括一个CNN(卷积神经网络)网络和一个残差连接调整模块,CNN网络的输入为低光照图像数据集,在网络训练时,CNN网络利用低光照图像直方图与正常光照图像直方图曲线之间的关系和数据分布设计损失函数,构成自监督学习网络,并输出用于表征光照增强特征的映射矩阵。残差连接调整模块的输入为低光照图像数据集,包括带有残差连接的四个卷积层,低光照图像经过四个卷积层处理后,得到三个灰度参数矩阵,通过三个灰度参数矩阵对CNN网络输出的映射矩阵进行三次迭代调整,得到每幅低光照图像对应的调整图像,最后,分别将每幅低光照图像与对应的调整图像相加,生成低光照增强图像。
上述中,本申请实施例中的残差连接调整模块可以在网络训练时有效的对光照增强网络的权重进行微调,并能够更好的利用原始图像信息,避免光照增强网络对低光照图像产生结构上的破坏。
S40:将低光照增强图像数据集输入目标检测模型进行训练,通过目标检测模型输出低光照增强图像中的目标类别及位置信息;
本步骤中,目标检测模型可以使用YOLO算法或者Fast R-CNN检测算法等。
S50:将待检测的低光照图像输入训练好的目标检测模型,通过目标检测模型对低光照图像进行障碍物识别。
基于上述,本申请实施例的低光照障碍物检测方法通过引入自监督低光照增强算法对低光照图像进行增强处理,将低光照增强与目标检测算法进行有效结合,提高目标检测算法对低光照目标检测的鲁棒性和精度,解决了在低光照情景下使用普通目标检测算法进行障碍物检测存在的检测效果差的问题。并加入残差连接模块,能够更好的利用原始低光照图像信息,避免光照增强网络对低光照图像产生结构上的破坏,进一步提高目标检测算法在低光照情况下的目标检测精度。
请参阅图3,为本申请实施例的低光照障碍物检测***结构示意图。本申请实施例的低光照障碍物检测***40包括:
图像转换模块41:用于利用循环对抗网络将正常光照样本图像转换为低光照样本图像;
图像增强模块42:用于通过光照增强网络对低光照样本图像进行增强处理,得到低光照增强图像;
模型训练模块43:用于将低光照增强图像输入目标检测模型进行训练,得到训练好的目标检测模型;
图像识别模块44:用于通过训练好的目标检测模型对待检测的低光照图像进行障碍物识别。
请参阅图4,为本申请实施例的终端结构示意图。该终端50包括处理器51、与处理器51耦接的存储器52。
存储器52存储有用于实现上述低光照障碍物检测方法的程序指令。
处理器51用于执行存储器52存储的程序指令以控制低光照障碍物检测。
其中,处理器51还可以称为CPU(Central Processing Unit,中央处理单元)。处理器51可能是一种集成电路芯片,具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
请参阅图5,为本申请实施例的存储介质的结构示意图。本申请实施例的存储介质存储有能够实现上述所有方法的程序文件61,其中,该程序文件61可以以软件产品的形式存储在上述存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质,或者是计算机、服务器、手机、平板等终端设备。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本申请所示的这些实施例,而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种低光照障碍物检测方法,其特征在于,包括:
利用循环对抗网络将正常光照样本图像转换为低光照样本图像;
通过光照增强网络对所述低光照样本图像进行增强处理,得到低光照增强图像;
将所述低光照增强图像输入目标检测模型进行训练,得到训练好的目标检测模型;
通过所述训练好的目标检测模型对待检测的低光照图像进行障碍物识别;
所述利用循环对抗网络将正常光照样本图像转换为低光照样本图像包括:
所述循环对抗网络包括生成器和判别器,通过所述生成器对正常光照图像进行转换,并通过所述判别器判别转换图像是否符合低光照图像要求,如果不符合则丢弃该转换图像;如果符合低光照图像要求,则将该转换图像放入低光照图像数据集;
所述通过光照增强网络对所述低光照样本图像进行增强处理包括:
所述光照增强网络包括一个CNN网络,所述CNN网络的输入为低光照图像数据集,在网络训练时,所述CNN网络利用低光照图像直方图与正常光照图像直方图曲线之间的关系和数据分布设计损失函数,构成自监督学习网络,并输出用于表征光照增强特征的映射矩阵;
所述光照增强网络还包括残差连接调整模块,所述残差连接调整模块包括带有残差连接的四个卷积层;所述残差连接调整模块的输入为低光照图像数据集,低光照图像数据集中的低光照图像经过四个卷积层处理后,得到三个灰度参数矩阵,通过所述三个灰度参数矩阵对CNN网络输出的映射矩阵进行迭代调整,得到每幅低光照图像对应的调整图像。
2.根据权利要求1所述的低光照障碍物检测方法,其特征在于,所述通过光照增强网络对所述低光照样本图像进行增强处理还包括:
分别将每幅低光照图像与对应的调整图像相加,生成低光照增强图像。
3.根据权利要求1至2任一项所述的低光照障碍物检测方法,其特征在于,所述将所述低光照增强图像输入目标检测模型进行训练包括:
所述目标检测模型的目标检测算法包括YOLO算法或Fast R-CNN检测算法。
4.一种采用权利要求1至3任一项所述的低光照障碍物检测方法的低光照障碍物检测***,其特征在于,包括:
图像转换模块:用于利用循环对抗网络将正常光照样本图像转换为低光照样本图像;
图像增强模块:用于通过光照增强网络对所述低光照样本图像进行增强处理,得到低光照增强图像;
模型训练模块:用于将所述低光照增强图像输入目标检测模型进行训练,得到训练好的目标检测模型;
图像识别模块:用于通过所述训练好的目标检测模型对待检测的低光照图像进行障碍物识别。
5.一种终端,其特征在于,所述终端包括处理器、与所述处理器耦接的存储器,其中,
所述存储器存储有用于实现权利要求1至3任一项所述的低光照障碍物检测方法的程序指令;
所述处理器用于执行所述存储器存储的所述程序指令以控制低光照障碍物检测。
6.一种存储介质,其特征在于,存储有处理器可运行的程序指令,所述程序指令用于执行权利要求1至3任一项所述低光照障碍物检测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111235613.XA CN114065838B (zh) | 2021-10-22 | 2021-10-22 | 一种低光照障碍物检测方法、***、终端以及存储介质 |
PCT/CN2021/137601 WO2023065497A1 (zh) | 2021-10-22 | 2021-12-13 | 一种低光照障碍物检测方法、***、终端以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111235613.XA CN114065838B (zh) | 2021-10-22 | 2021-10-22 | 一种低光照障碍物检测方法、***、终端以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114065838A CN114065838A (zh) | 2022-02-18 |
CN114065838B true CN114065838B (zh) | 2023-07-14 |
Family
ID=80235298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111235613.XA Active CN114065838B (zh) | 2021-10-22 | 2021-10-22 | 一种低光照障碍物检测方法、***、终端以及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114065838B (zh) |
WO (1) | WO2023065497A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115620090A (zh) * | 2022-11-07 | 2023-01-17 | 中电科新型智慧城市研究院有限公司 | 模型训练方法、低照度目标重识别方法和装置、终端设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886161A (zh) * | 2019-01-30 | 2019-06-14 | 江南大学 | 一种基于可能性聚类和卷积神经网络的道路交通标识识别方法 |
CN111161178A (zh) * | 2019-12-25 | 2020-05-15 | 湖南大学 | 基于生成式对抗网络的单幅低光图像增强方法 |
CN111968044A (zh) * | 2020-07-16 | 2020-11-20 | 中国科学院沈阳自动化研究所 | 基于Retinex和深度学习的低照度图像增强方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102641116B1 (ko) * | 2018-08-23 | 2024-02-27 | 삼성전자주식회사 | 데이터 증강에 기초한 인식 모델 트레이닝 방법 및 장치, 이미지 인식 방법 및 장치 |
CN110210401B (zh) * | 2019-06-03 | 2022-10-21 | 多维协同人工智能技术研究院(重庆)有限公司 | 一种弱光下的目标智能检测方法 |
CN111291885B (zh) * | 2020-01-20 | 2023-06-09 | 北京百度网讯科技有限公司 | 近红外图像的生成方法、生成网络的训练方法和装置 |
CN111402145B (zh) * | 2020-02-17 | 2022-06-07 | 哈尔滨工业大学 | 一种基于深度学习的自监督低照度图像增强方法 |
CN111798400B (zh) * | 2020-07-20 | 2022-10-11 | 福州大学 | 基于生成对抗网络的无参考低光照图像增强方法及*** |
CN112560579A (zh) * | 2020-11-20 | 2021-03-26 | 中国科学院深圳先进技术研究院 | 一种基于人工智能的障碍物检测方法 |
CN112614077B (zh) * | 2020-12-30 | 2022-08-19 | 北京航空航天大学杭州创新研究院 | 一种基于生成对抗网络的非监督低照度图像增强方法 |
CN112766056B (zh) * | 2020-12-30 | 2023-10-27 | 厦门大学 | 一种基于深度神经网络的弱光环境车道线检测方法、装置 |
CN112950561B (zh) * | 2021-02-22 | 2022-07-26 | 中国地质大学(武汉) | 光纤端面缺陷检测方法、设备及存储介质 |
CN113052210B (zh) * | 2021-03-11 | 2024-04-26 | 北京工业大学 | 一种基于卷积神经网络的快速低光照目标检测方法 |
CN113392702B (zh) * | 2021-05-10 | 2024-06-11 | 南京师范大学 | 一种基于自适应图像增强的弱光照环境下目标识别方法 |
CN113313657B (zh) * | 2021-07-29 | 2021-12-21 | 北京航空航天大学杭州创新研究院 | 一种用于低光照图像增强的非监督学习方法和*** |
-
2021
- 2021-10-22 CN CN202111235613.XA patent/CN114065838B/zh active Active
- 2021-12-13 WO PCT/CN2021/137601 patent/WO2023065497A1/zh unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886161A (zh) * | 2019-01-30 | 2019-06-14 | 江南大学 | 一种基于可能性聚类和卷积神经网络的道路交通标识识别方法 |
CN111161178A (zh) * | 2019-12-25 | 2020-05-15 | 湖南大学 | 基于生成式对抗网络的单幅低光图像增强方法 |
CN111968044A (zh) * | 2020-07-16 | 2020-11-20 | 中国科学院沈阳自动化研究所 | 基于Retinex和深度学习的低照度图像增强方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2023065497A1 (zh) | 2023-04-27 |
CN114065838A (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10354362B2 (en) | Methods and software for detecting objects in images using a multiscale fast region-based convolutional neural network | |
US11657230B2 (en) | Referring image segmentation | |
CN107273458B (zh) | 深度模型训练方法及装置、图像检索方法及装置 | |
JP5591178B2 (ja) | テスト画像内のオブジェクトを分類するための方法 | |
CN111723786A (zh) | 一种基于单模型预测的安全帽佩戴检测方法及装置 | |
CN108021908B (zh) | 人脸年龄段识别方法及装置、计算机装置及可读存储介质 | |
CN103605972A (zh) | 一种基于分块深度神经网络的非限制环境人脸验证方法 | |
CN110414550B (zh) | 人脸识别模型的训练方法、装置、***和计算机可读介质 | |
WO2024045444A1 (zh) | 一种视觉问答任务的处理方法、装置、设备和非易失性可读存储介质 | |
CN111813997A (zh) | 入侵分析方法、装置、设备及存储介质 | |
CN112836625A (zh) | 人脸活体检测方法、装置、电子设备 | |
EP3726435A1 (en) | Deep neural network training method and apparatus, and computer device | |
CN103593677A (zh) | 一种近似重复图像检测方法 | |
US20220391693A1 (en) | Training transformer neural networks to generate parameters of convolutional neural networks | |
WO2022206094A1 (zh) | 用于生成字幕器以及输出字幕的方法和装置 | |
WO2023173552A1 (zh) | 目标检测模型的建立方法、应用方法、设备、装置及介质 | |
CN114065838B (zh) | 一种低光照障碍物检测方法、***、终端以及存储介质 | |
CN111178178B (zh) | 结合区域分布的多尺度行人重识别方法、***、介质及终端 | |
CN110633689B (zh) | 基于半监督注意力网络的人脸识别模型 | |
CN111079374B (zh) | 字体生成方法、装置和存储介质 | |
CN115830449A (zh) | 显式轮廓引导和空间变化上下文增强的遥感目标检测方法 | |
CN110111365B (zh) | 基于深度学习的训练方法和装置以及目标跟踪方法和装置 | |
CN110717401A (zh) | 年龄估计方法及装置、设备、存储介质 | |
Wang et al. | Text detection algorithm based on improved YOLOv3 | |
CN110032716B (zh) | 文字编码方法和装置、可读存储介质及电子设备 |
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 |