CN114120284A - 深度学习的高速公路车道结构化方法、存储介质及设备 - Google Patents
深度学习的高速公路车道结构化方法、存储介质及设备 Download PDFInfo
- Publication number
- CN114120284A CN114120284A CN202111450048.9A CN202111450048A CN114120284A CN 114120284 A CN114120284 A CN 114120284A CN 202111450048 A CN202111450048 A CN 202111450048A CN 114120284 A CN114120284 A CN 114120284A
- Authority
- CN
- China
- Prior art keywords
- lane
- deep learning
- steps
- highway
- data
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (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)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明的一种基于深度学习的高速公路车道结构化方法、存储介质及设备,其中方法通过计算机设备执行以下步骤,使用训练好的模型对高速公路图片数据进行车道线检测,将高速公路的实线、虚线、护栏进行分类,并将检测结果保存下来;模型训练包括以下步骤:获取高速公路视频设备所采集的视频数据并抽帧;对抽帧出来的图片数据进行筛选;对筛选好的数据进行车道线数据标注;使用深度学习网络进行模型训练;使用深度学习模型检测车道线,并对车道线进行分类。本发明通过对高速公路车道线进行检测后,对检测后的图像数据进行结构化解析,得到车道数量,车道线类型,可以有效辅助高速公路监控***无法及时判断车道是否有违法行为。
Description
技术领域
本发明涉及高速公路视觉监控技术领域,具体涉及一种基于深度学习的高速公路车道结构化方法、存储介质及设备。
背景技术
高速公路视觉监控***中,要求车道线检测算法能够对道路进行结构化解析,由于高速公路场景较多,环境较为复杂,传统的车道检测算法不能很好的达到目的,不能对交通违法行为(如违法占用应急车道,违法变道,违法压线等)进行有效的判断,本发明可以很好的辅助高速公路视觉监控***检测到交通违法行为,防范安全事故发生。
发明内容
本发明提出的一种基于深度学习的高速公路车道结构化方法、存储介质及设备,可用于辅助高速公路视觉监控***检测交通违法行为。
为实现上述目的,本发明采用了以下技术方案:
一种基于深度学习的高速公路车道结构化方法,通过计算机设备执行以下步骤,
使用训练好的模型对高速公路图片数据进行车道线检测,将高速公路的实线、虚线、护栏进行分类,并将检测结果保存下来;
其中,模型训练包括以下步骤:
获取高速公路视频设备所采集的视频数据并抽帧;
对抽帧出来的图片数据进行筛选;
对筛选好的数据进行车道线数据标注;
使用深度学习网络进行模型训练;
使用深度学习模型检测车道线,并对车道线进行分类。
进一步的,所述使用深度学习模型检测车道线,并对车道线进行分类,具体包括:
对检测得到的图像数据进行结构化解析,选取图像下部分70%为感兴趣区域,连接车道线末端,得出图像数据共有几条车道,车道和车道之间是实线还是虚线,以便于判断车辆是否有违法行为。
进一步的,所述获取高速公路视频设备所采集的视频数据并抽帧,具体包括:
获取高速公路的视频监控视频,对视频帧进行抽帧操作,采取跳帧抽帧的方式进行抽帧,具体采取每300帧抽一帧的方法收集图片数据。
进一步的,对筛选好的数据进行车道线数据标注,具体包括:
使用Labelme标注工具进行标注,将高速公路的实线、虚线、护栏进行分类标注。
进一步的,深度学习网络进行模型训练步骤如下:
使用DDRNet算法,其中DDRNet主干网络结构如下:
进一步的,深度学习网络进行模型训练步骤还包括用两个连续的3×3卷积层替换了一个7×7卷积层;利用剩余的基本块来构建主干和随后的两个分支;
为了扩展输出维度,在每个分支的末尾添加了一个瓶颈块;双边融合包括将高分辨率分支融合到低分辨率分支和将低分辨率融合到高分辨率分支;对于高到低融合,高分辨率特征图在逐点求和之前通过3×3卷积序列下采样,步长为2;对于从低到高分辨率,低分辨率特征图首先通过1×1卷积压缩,然后通过双线性插值进行上采样;
其中,双边融合实现步骤如下:第i个高分辨率特征图XHi和低分辨率特征图XLi写为:
其中FH和FL分别对应高分辨率和低分辨率的残差基本块序列,TL-H和TH-L指的是低到高和高到低的transformer,R表示ReLU函数。
进一步的,深度学习网络进行模型训练步骤还包括:
进一步从低分辨率特征图中提取上下文信息;以1/64图像分辨率的特征图作为输入,执行具有指数步幅的大型池化内核以生成1/128、1/256、1/512图像分辨率的特征图;还利用了全局平均池化生成的输入特征图和图像级信息;
还包括首先对特征图进行上采样,然后使用更多的3×3卷积以分层残差的方式融合不同尺度的上下文信息;考虑一个输入x,每个尺度yi写成:
其中C1×1为1×1卷积,C3×3为3×3卷积,U表示上采样操作,Pj,k表示核大小为j,步幅为k的池化层,Pglobal表示全局平均池化;最后,所有特征图都使用1×1卷积进行连接和压缩。
又一方面,本发明还公开一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上述方法的步骤。
再一方面,本发明还公开一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上方法的步骤。
由上述技术方案可知,本发明的基于深度学习的高速公路车道结构化方法及***,通过对高速公路车道线进行检测后,对检测后的图像数据进行结构化解析,得到车道数量,车道线类型,可以有效辅助高速公路监控***无法及时判断车道是否有违法行为。
附图说明
图1为本发明流程框图;
图2是本发明双边融合是实现原理图;
图3是本发明的DAPM的内部结构图;
图4、图5是本发明的仿真结果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
如图1所示,本实施例所述的基于深度学习的高速公路车道结构化方法,通过计算机设备执行以下步骤,
1、获取高速公路视频设备所采集的视频数据并抽帧;
2、对抽帧出来的图片数据进行筛选;
3、对筛选好的数据进行车道线数据标注;
4、使用深度学习网络进行模型训练;
5、使用深度学习模型检测车道线,并对车道线进行分类;
6、对检测得到的图像数据进行结构化解析,选取图像下部分70%为感兴趣区域,连接车道线末端,得出图像数据共有几条车道,车道和车道之间是实线还是虚线,以便于判断车辆是否有违法行为。
以下具体说明:
1、获取高速公路视频设备所采集的视频数据并抽帧。
获取高速公路的视频监控视频,对视频帧进行抽帧操作,由于高速公路监控设备位置基本不会频繁变动,并且视频相邻帧之间差异较小,所以本发明采取跳帧抽帧的方式进行抽帧,目前采取每300帧抽一帧的方法收集图片数据。
2、图片数据筛选
因为高速公路视频监控是24小时全天候监控的,所以图像质量受光线、天气影响较大,所以本发明要选取图片清晰,质量较高的图片进行后续的使用。
3、数据标注
本发明使用Labelme标注工具进行标注,本发明将高速公路的实线、虚线、护栏进行分类标注,由于本发明使用的是高速公路视频设备的数据,与常见的自动驾驶场景不一样,本发明的场景更加复杂,车道线也会更多,标注难度也会更大。
4、模型训练
(1)算法选择
车道线检测算法本发明使用DDRNet,此算法借鉴HRNet,重新设计了一个双分辨率的主干网络,同时为了满足实时性要求,网络是在resnet18基础上修改而来。整个网络,它由两个主要组件组成:深度双分辨率网络和深度聚合金字塔池化模块。
(2)主干网络比较
表1Resnet18主干网络
表2DDRNet主干网络
对比Resnet18,本发明使用的网络添加了一个额外的高分辨率分支。为了实现分辨率和推理速度之间的权衡,本发明让高分辨率分支创建分辨率为输入图像分辨率1/8的特征图。因此,将高分辨率分支附加到conv3阶段的末尾。请注意,高分辨率分支不包含任何下采样操作,并且与低分辨率分支一一对应以形成深度高分辨率表示。然后可以在不同阶段进行多次双边特征融合,以充分融合空间信息和语义信息。
网络还修改了原始ResNet主干的输入,用两个连续的3×3卷积层替换了一个7×7卷积层。利用剩余的基本块来构建主干和随后的两个分支。为了扩展输出维度,在每个分支的末尾添加了一个瓶颈块。双边融合包括将高分辨率分支融合到低分辨率分支(high-to-low fusion)和将低分辨率融合到高分辨率分支(low-to-high fusion)。对于高到低融合,高分辨率特征图在逐点求和之前通过3×3卷积序列下采样,步长为2。对于从低到高分辨率,低分辨率特征图首先通过1×1卷积压缩,然后通过双线性插值进行上采样。图2显示了双边融合是如何实现的。第i个高分辨率特征图XHi和低分辨率特征图XLi可以写为:
其中FH和FL分别对应高分辨率和低分辨率的残差基本块序列,TL-H和TH-L指的是低到高和高到低的transformer,R表示ReLU函数。
在这里,提出了一个新的模块来进一步从低分辨率特征图中提取上下文信息。图3显示了DAPM的内部结构。以1/64图像分辨率的特征图作为输入,执行具有指数步幅的大型池化内核以生成1/128、1/256、1/512图像分辨率的特征图。还利用了全局平均池化生成的输入特征图和图像级信息。我们认为通过单个3×3或1×1卷积混合所有多尺度上下文信息是不够的。受Res2Net的启发,首先对特征图进行上采样,然后使用更多的3×3卷积以分层残差的方式融合不同尺度的上下文信息。考虑一个输入x,每个尺度yi可以写成:
其中C1×1为1×1卷积,C3×3为3×3卷积,U表示上采样操作,Pj,k表示核大小为j,步幅为k的池化层,Pglobal表示全局平均池化。最后,所有特征图都使用1×1卷积进行连接和压缩。此外,为了便于优化,还添加了1×1投影快捷方式。类似于SwiftNet[21]中的SPP,DAPPM是用序列BN-ReLU-Conv实现的。
在DAPPM内部,较大池化核提取的上下文与更深层次的信息流相结合,通过将不同深度与不同大小的池化核相结合形成多尺度性质。表3显示DAPM能够提供比PPM更丰富的上下文。虽然DAPPM包含更多的卷积层和更复杂的融合策略,但几乎不影响推理速度,因为输入分辨率仅为图像分辨率的1/64。例如,对于1024×1024的图像,特征图的最大分辨率为16×16。
表3PPM与DAPPM比较
5、模型使用
使用训练好的模型对高速公路图片数据进行车道线检测,将高速公路的实线、虚线、护栏进行分类,并将检测结果保存下来;
6、结构化解析
(1)读取车道线检测结果图;
(2)将图像上部分30%设置为背景,去除车道线末端检测不整齐的影响;
(3)将剩下感兴趣区域的相邻车道线末端进行连接;
(4)对封闭的区域进行车道结构化划分。
如图4和图5仿真结果可以看出,本发明方法可以很好的对高速公路车道线进行结构化,为判断车辆是否有违法行为提供判断依据。
再一方面,本发明还公开一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上方法的步骤。
可理解的是,本发明实施例提供的***、设备与本发明实施例提供的方法相对应,相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
本申请实施例还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信,
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述基于深度学习的高速公路车道结构化方法;
上述电子设备提到的通信总线可以是外设部件互连标准(英文:PeripheralComponent Interconnect,简称:PCI)总线或扩展工业标准结构(英文:Extended IndustryStandard Architecture,简称:EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(英文:Random Access Memory,简称:RAM),也可以包括非易失性存储器(英文:Non-Volatile Memory,简称:NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(英文:Central ProcessingUnit,简称:CPU)、网络处理器(英文:Network Processor,简称:NP)等;还可以是数字信号处理器(英文:Digital Signal Processing,简称:DSP)、专用集成电路(英文:ApplicationSpecific Integrated Circuit,简称:ASIC)、现场可编程门阵列(英文:Field-Programmable Gate Array,简称: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。
在本申请提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一基于深度学习的高速公路车道结构化方法的步骤。
在本申请提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一基于深度学习的高速公路车道结构化方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储介质。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
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 (9)
1.一种基于深度学习的高速公路车道结构化方法,其特征在于,通过计算机设备执行以下步骤,
使用训练好的模型对高速公路图片数据进行车道线检测,将高速公路的实线、虚线、护栏进行分类,并将检测结果保存下来;
其中,模型训练包括以下步骤:
获取高速公路视频设备所采集的视频数据并抽帧;
对抽帧出来的图片数据进行筛选;
对筛选好的数据进行车道线数据标注;
使用深度学习网络进行模型训练;
使用深度学习模型检测车道线,并对车道线进行分类。
2.根据权利要求1所述的基于深度学习的高速公路车道结构化方法,其特征在于:
所述使用深度学习模型检测车道线,并对车道线进行分类,具体包括:
对检测得到的图像数据进行结构化解析,选取图像下部分70%为感兴趣区域,连接车道线末端,得出图像数据共有几条车道,车道和车道之间是实线还是虚线,以便于判断车辆是否有违法行为。
3.根据权利要求1所述的基于深度学习的高速公路车道结构化方法,其特征在于:所述获取高速公路视频设备所采集的视频数据并抽帧,具体包括:
获取高速公路的视频监控视频,对视频帧进行抽帧操作,采取跳帧抽帧的方式进行抽帧,具体采取每300帧抽一帧的方法收集图片数据。
4.根据权利要求1所述的基于深度学习的高速公路车道结构化方法,其特征在于:对筛选好的数据进行车道线数据标注,具体包括:
使用Labelme标注工具进行标注,将高速公路的实线、虚线、护栏进行分类标注。
6.根据权利要求5所述的基于深度学习的高速公路车道结构化方法,其特征在于:
深度学习网络进行模型训练步骤还包括用两个连续的3×3卷积层替换了一个7×7卷积层;利用剩余的基本块来构建主干和随后的两个分支;
为了扩展输出维度,在每个分支的末尾添加了一个瓶颈块;双边融合包括将高分辨率分支融合到低分辨率分支和将低分辨率融合到高分辨率分支;对于高到低融合,高分辨率特征图在逐点求和之前通过3×3卷积序列下采样,步长为2;对于从低到高分辨率,低分辨率特征图首先通过1×1卷积压缩,然后通过双线性插值进行上采样;
其中,双边融合实现步骤如下:第i个高分辨率特征图XHi和低分辨率特征图XLi写为:
其中FH和FL分别对应高分辨率和低分辨率的残差基本块序列,TL-H和TH-L指的是低到高和高到低的transformer,R表示ReLU函数。
7.根据权利要求6所述的基于深度学习的高速公路车道结构化方法,其特征在于:深度学习网络进行模型训练步骤还包括:
进一步从低分辨率特征图中提取上下文信息;以1/64图像分辨率的特征图作为输入,执行具有指数步幅的大型池化内核以生成1/128、1/256、1/512图像分辨率的特征图;还利用了全局平均池化生成的输入特征图和图像级信息;
还包括首先对特征图进行上采样,然后使用更多的3×3卷积以分层残差的方式融合不同尺度的上下文信息;考虑一个输入x,每个尺度yi写成:
其中C1×1为1×1卷积,C3×3为3×3卷积,U表示上采样操作,Pj,k表示核大小为j,步幅为k的池化层,Pglobal表示全局平均池化;最后,所有特征图都使用1×1卷积进行连接和压缩。
8.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111450048.9A CN114120284A (zh) | 2021-11-30 | 2021-11-30 | 深度学习的高速公路车道结构化方法、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111450048.9A CN114120284A (zh) | 2021-11-30 | 2021-11-30 | 深度学习的高速公路车道结构化方法、存储介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114120284A true CN114120284A (zh) | 2022-03-01 |
Family
ID=80368916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111450048.9A Pending CN114120284A (zh) | 2021-11-30 | 2021-11-30 | 深度学习的高速公路车道结构化方法、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114120284A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114758310A (zh) * | 2022-06-13 | 2022-07-15 | 山东博昂信息科技有限公司 | 一种基于高速监控相机的车道线检测方法、***及装置 |
CN115294412A (zh) * | 2022-10-10 | 2022-11-04 | 临沂大学 | 基于深度学习的实时煤岩分割网络生成方法 |
-
2021
- 2021-11-30 CN CN202111450048.9A patent/CN114120284A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114758310A (zh) * | 2022-06-13 | 2022-07-15 | 山东博昂信息科技有限公司 | 一种基于高速监控相机的车道线检测方法、***及装置 |
CN114758310B (zh) * | 2022-06-13 | 2022-10-28 | 山东博昂信息科技有限公司 | 一种基于高速监控相机的车道线检测方法、***及装置 |
CN115294412A (zh) * | 2022-10-10 | 2022-11-04 | 临沂大学 | 基于深度学习的实时煤岩分割网络生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160335B (zh) | 基于人工智能的图像水印处理方法、装置及电子设备 | |
CN107944450B (zh) | 一种车牌识别方法及装置 | |
CN110781980B (zh) | 目标检测模型的训练方法、目标检测方法及装置 | |
CN111860138B (zh) | 基于全融合网络的三维点云语义分割方法及*** | |
CN114120284A (zh) | 深度学习的高速公路车道结构化方法、存储介质及设备 | |
CN113688836A (zh) | 一种基于深度学习的实时性道路图像语义分割方法及*** | |
CN109993138A (zh) | 一种车牌检测与识别方法及装置 | |
CN111160205A (zh) | 一种交通场景嵌入式多类目标端对端统一检测方法 | |
CN112861619A (zh) | 模型的训练方法、车道线检测方法、设备及装置 | |
CN116453121B (zh) | 一种车道线识别模型的训练方法及装置 | |
CN112488025A (zh) | 基于多模态特征融合的双时相遥感影像语义变化检测方法 | |
CN111914654A (zh) | 一种文本版面分析方法、装置、设备和介质 | |
CN110119736B (zh) | 车牌位置识别方法、装置及电子设备 | |
CN111523439A (zh) | 一种基于深度学习的目标检测的方法、***、设备及介质 | |
CN110245673A (zh) | 车位检测方法及装置 | |
CN113762396A (zh) | 一种二维图像语义分割方法 | |
CN114462469B (zh) | 目标检测模型的训练方法、目标检测方法及相关装置 | |
CN117218622A (zh) | 路况检测方法、电子设备及存储介质 | |
CN111444847A (zh) | 一种交通标志检测识别方法、***、装置及存储介质 | |
CN112785610B (zh) | 一种融合低层特征的车道线语义分割方法 | |
CN112597996B (zh) | 基于任务驱动的自然场景中交通标志显著性检测方法 | |
CN113486856A (zh) | 一种基于语义分割和卷积神经网络的驾驶员不规范行为检测方法 | |
CN113470048B (zh) | 场景分割方法、装置、设备及计算机可读存储介质 | |
CN112837326B (zh) | 遗留物检测方法、装置及设备 | |
CN114332780A (zh) | 一种针对小目标的交通人车非目标检测方法 |
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 |