CN114821289B - 一种森林火灾图片实时分割和火灾边缘点监测算法 - Google Patents

一种森林火灾图片实时分割和火灾边缘点监测算法 Download PDF

Info

Publication number
CN114821289B
CN114821289B CN202210051209.5A CN202210051209A CN114821289B CN 114821289 B CN114821289 B CN 114821289B CN 202210051209 A CN202210051209 A CN 202210051209A CN 114821289 B CN114821289 B CN 114821289B
Authority
CN
China
Prior art keywords
fire
picture
attention
convolution
latitude
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
Application number
CN202210051209.5A
Other languages
English (en)
Other versions
CN114821289A (zh
Inventor
景堃
秦志光
秦臻
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202210051209.5A priority Critical patent/CN114821289B/zh
Publication of CN114821289A publication Critical patent/CN114821289A/zh
Application granted granted Critical
Publication of CN114821289B publication Critical patent/CN114821289B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N3/048—Activation functions
    • 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)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种森林火灾图片实时分割和火灾边缘点监测算法，其步骤依次包括：搭建MobileNet网络模型；构建注意力模块；构造一个注意力残差网络；将得到的空间注意力特征与原特征使用残差得到微调后的图片特征；获得的注意力残差模块；提取森林火灾的图片特征；将图片中的火情区域分割出来；计算火情边界点像素；计算飞机的横向纵向距离；计算图像中心点经纬度坐标；计算火情边界点经纬度。本发明提供的算法可以帮助工作人员查看火情的实时状况，监测火情边界；通过对森林火情的实时快速的分析，可以对火灾进行有效处理，降低对火灾带来的损失。

Description

一种森林火灾图片实时分割和火灾边缘点监测算法
技术领域
本发明涉及一种森林火灾图片实时分割和火灾边缘点监测算法，对森林火灾的图片进行实时分割和火灾边缘点监测，具体使用深度学习和神经网络对图片进行分割，分割后计算的火灾边缘点。
背景技术
森林火灾有着极强的破坏力和危险性，火灾带了的损失有时是无法弥补的，在重大火灾的情况下，会造成水土流失、危害野生动物、威胁人民财产。当森林发生火灾时，监测森林火情的实时情况是很必要的，只有了解了火情实时情况和火情实时边界范围，才能对森林火情进行一个有效的控制。
随着近几年深度学习的飞速发展，许多领域结合该技术解决实际问题，取得了很大的成功。其中卷积神经网络(CNN)具有很强的学习能力，语义分割往往是由CNN分类网络构建的。Lenet是最早的神经网络之一，可以简单快速的提取图片的特征，但是忽略了特征通道之间的关系。因此，迫切需要一种森林火灾图片实时分割和火灾边缘点监测算法，以解决现有技术中存在的这一问题。
为了解决上述技术问题，特提出一种新的技术方案。
发明内容
本发明的目的在于提供一种森林火灾图片实时分割和火灾边缘点监测算法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种森林火灾图片实时分割和火灾边缘点监测算法，所述算法包含下述步骤：
S1、搭建MobileNet网络模型，该网络结构的基本单元为深度可分离卷积；
S2、构建注意力模块，分别为通道注意力模块和空间注意力模块；
S3、构造一个注意力残差网络，将得到的空间注意力特征与原特征使用残差得到微调后的图片特征；
S4、构造深度注意力模块，加入深度度可卷积模块，再连接pointwiseconvolution，最后加入S3获得的注意力残差模块；
S5、构建MobileCBAM-Net网络模型，以S1搭建的MobileNet做为基础的网络架构，以S2、S3、S4为组件组合成MobileCBAM-Net，提取森林火灾的图片特征；
S6、将火情图片输入到S5构建的MobileCBAM-Net网络模型中，将具有火请的区域的像素点赋值为红色，不是火情区域的像素点赋值为黑色，从而将图片中的火情区域分割出来；
S7、计算火情边界点像素，获得S6中分割后的图片，如果一个像素的四周有一个点不是红色，则该点为边界点像素，否则为非边界点像素；
S8、计算飞机的横向纵向距离，对输入的飞行夹角进行处理，使之转换成所需要的正夹角，结合飞机和吊舱的俯仰角和飞机飞行高度计算出飞机的横向纵向距离；
S9、计算图像中心点经纬度坐标，结合飞机经纬度与S8中的结果计算出图像中心点经纬度坐标；
S10、计算火情边界点经纬度，获取到S7中的边缘点像素和S9中图像的经纬度，计算左上角的经纬度，根据左上角的经纬度，计算其余三个点的经纬度，从而得到边界点的经纬度；
优选地，所述S1中，深度可分离卷积具体可以分为两个操作depthwiseconvolution和pointwise convolution；
优选地，depthwise convolution卷积操作与标准的卷积操作不同，depthwiseconvolution卷积操作对每一个通道使用的卷积核不同，一个卷积核对一个通道进行卷积；
优选地，所述S5中，MobileCBAM-Net包括三个模块注意力模块、残差网络、深度可分离卷积；首先建立两个注意力模块，分别为通道注意力模块和空间注意力模块；
优选地，通道注意力模块输入为多通道特征图，同时经过一个最大池化层和平均池化层；将得到的结果分别输入到shared MLP网络中，然后再同时经过一个最大池化层和平均池化层，将其两者的结果相加，最后通过激活函数后获得调整后的通道注意力特征；
优选地，空间注意力模块输入为调整后的通道注意力特征，进行空间上的特征提取，先经过一个最大池化，再通过一个平均池化层后，添加一个激活函数得到空间注意力特征；
优选地，将得到的空间注意力特征与原特征使用残差得到微调后的图片特征；MobileCBAM-Net模型优点是可以兼顾空间和通道的特征，是一个轻量级的网络；满足森林火灾图片分割快速获取结果的需求，速度在1到2秒之间。
与现有技术相比，本发明的有益效果是：公开一种面向森林火灾的实时图片分割和边缘点监测算法，通过神经网络和深度学习对获取到的森林火灾图片进行实时火情语义分割，对分割后的图片实时计算火灾边界点的位置。本方案提供的算法可以帮助工作人员查看火情的实时状况，监测火情边界。通过对森林火情的实时快速的分析，可以对火灾进行有效处理，降低对火灾带来的损失。
附图说明
图1Depthwise convolution操作图。
图2注意力残差模块图。
图3通道注意力模块图。
图4空间注意力模块图。
图5MobileCBAM-Net网络整体架构图。
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。
森林发生火灾后需要及时了解火灾的的情况，才能及时的控制火情，减轻损失。
为了达到上述发明目的，本发明采用的技术方案为：
我们搭建了MobileCBAM-Net网络模型对森林火灾拍摄的图片进行实时的分割，获取分割的图片后对火情的边缘点进行计算。具体包括以下几个步骤：
S1、搭建MobileNet网络模型，该网络结构的基本单元为深度可分离卷积。深度可分离卷积具体可以分为两个操作depthwise convolution和pointwise convolution。depthwise convolution卷积操作与标准的卷积操作不同，如图1所示，它对每一个通道使用的卷积核是不一样的，一个卷积核对一个通道进行卷积。pointwise convolutione则是普通的卷积，但其采用1x1的卷积核，将上面的输出相结合，大大的减少了网络的计算量和参数。并且在每次卷积操作之前都会进行归一化处理和使用ReLu激活操作，这样可以缓解梯度消失的现象，使得模型更加的稳定。
S2、构建注意力模块，分别为通道注意力模块和空间注意力模块。首先建立两个注意力模块，分别为通道注意力模块和空间注意力模块。通道注意力模块输入为多通道特征图，同时经过一个最大池化层和平均池化层。将得到的结果分别输入到shared MLP网络中，然后再同时经过一个最大池化层和平均池化层，将其两者的结果相加，最后通过激活函数后获得调整后的通道注意力特征。空间注意力模块输入为调整后的通道注意力特征，进行空间上的特征提取，先经过一个最大池化，再通过一个平均池化层后，添加一个激活函数得到空间注意力特征。
S3、构造一个注意力的融合的残差网络，将得到的空间注意力特征与原特征使用残差得到微调后的图片特征,整体注意力模块图如图2所示。
S4、构造深度注意力模块，首先是应该深度度可卷积模块，后连接归一化和激活操作，再连接pointwise convolution，再进行归一化，最后加入注意力残差模块。
S5、构建MobileCBAM-Net网络模型，MobileCBAM-Net使用S1搭建的MobileNet做为基础的网络架构，提取森林火灾的图片特征，如图5所示。MobileCBAM-Net包括三个模块：注意力模块、残差网络、深度可分离卷积。网络输入为图片，经过一个卷积层后再归一化和激活。然后经过7个相同的由S4获得的深度注意力模块。再对图像进行4次上采样，获得特征图片，最后使用插值让图片恢复到原来大小。通过深度可分离卷积可以为图像分割提供多层次的特征信息，但是也会带来图像特征信息的冗余的问题。之间加入注意力模块，有效的解决了特征信息冗余的问题，并让模块可以更加关注图像中的特征信息。MobileCBAM-Net模型优点是可以兼顾空间和通道的特征，是一个轻量级的网络。满足森林火灾图片分割快速获取结果的需求，速度在1到2秒之间。
S6、将火情图片输入到S5构建的MobileCBAM-Net网络模型中，将具有火请的区域的像素点赋值为红色，不是火情区域的像素点赋值为黑色。从而将图片中的火情区域分割出来。
S7、计算火情边界点像素，获得S6中分割后的图片，如果一个像素的四周有一个点不是红色，则该点为边界点像素，否则为非边界点像素；
S8、计算飞机的横向纵向距离，对输入的飞行夹角进行处理，使之转换成所需要的正夹角，结合飞机和吊舱的俯仰角和飞机飞行高度计算出飞机的横向纵向距离；
S9、计算图像中心点经纬度坐标，结合飞机经纬度与S8中的结果计算出图像中心点经纬度坐标；
S10、计算火情边界点经纬度，获取到S7中的边缘点像素和S9中图像的经纬度，计算左上角的经纬度，根据左上角的经纬度，计算其余三个点的经纬度，从而得到边界点的经纬度；
在上述技术方案中，通过深度可分离卷积做为基本单位，构建成MobileNet网络，对不同输入通道分别进行卷积，再将输出进行结合的轻量级网络。本发明构建MobileCBAM-Net网络，融合通道和空间特征，对火灾图片进行分割。以MobileNet为主干网络，加入了注意力机制和shortcut两个模块，由注意力模块、残差网络、深度可分离卷积三部分组成。
在使用的时候，本发明通过神经网络和深度学习对获取到的森林火灾图片进行实时火情语义分割，对分割后的图片实时计算火灾边界点的位置。本方案提供的算法可以帮助工作人员查看火情的实时状况，监测火情边界。通过对森林火情的实时快速的分析，可以对火灾进行有效处理，降低对火灾带来的损失。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种森林火灾图片实时分割和火灾边缘点监测方法，其特征在于，所述方法包含下述步骤：
S1、搭建MobileNet网络模型，该网络结构的基本单元为深度可分离卷积；
S2、构建注意力模块，分别为通道注意力模块和空间注意力模块；
S3、构造一个注意力残差网络，将得到的空间注意力特征与原特征使用残差得到微调后的图片特征；
S4、构造深度注意力模块，加入深度度可卷积模块，再连接pointwise convolution，最后加入S3获得的注意力残差模块；
S5、构建MobileCBAM-Net网络模型，以S1搭建的MobileNet做为基础的网络架构，以S2、S3、S4为组件组合成MobileCBAM-Net，提取森林火灾的图片特征；
MobileCBAM-Net包括三个模块：注意力模块、残差网络、深度可分离卷积；网络输入为图片，经过一个卷积层后再归一化和激活；然后经过7个相同的由S4获得的深度注意力模块；再对图像进行4次上采样，获得特征图片，最后使用插值让图片恢复到原来大小；
S6、将火情图片输入到S5构建的MobileCBAM-Net网络模型中，将具有火请的区域的像素点赋值为红色，不是火情区域的像素点赋值为黑色，从而将图片中的火情区域分割出来；
S7、计算火情边界点像素，获得S6中分割后的图片，如果一个像素的四周有一个点不是红色，则该点为边界点像素，否则为非边界点像素；
S8、计算飞机的横向纵向距离，对输入的飞行夹角进行处理，使之转换成所需要的正夹角，结合飞机和吊舱的俯仰角和飞机飞行高度计算出飞机的横向纵向距离；
S9、计算图像中心点经纬度坐标，结合飞机经纬度与S8中的结果计算出图像中心点经纬度坐标；
S10、计算火情边界点经纬度，获取到S7中的边缘点像素和S9中图像的经纬度，计算左上角的经纬度，根据左上角的经纬度，计算其余三个点的经纬度，从而得到边界点的经纬度。
2.根据权利要求1所述的森林火灾图片实时分割和火灾边缘点监测方法，其特征在于：所述S1中，深度可分离卷积具体分为两个操作depthwise convolution和pointwiseconvolution。
3.根据权利要求2所述的森林火灾图片实时分割和火灾边缘点监测方法，其特征在于：depthwise convolution卷积操作与标准的卷积操作不同，depthwise convolution卷积操作对每一个通道使用的卷积核不同，一个卷积核对一个通道进行卷积。
4.根据权利要求1所述的森林火灾图片实时分割和火灾边缘点监测方法，其特征在于：所述S5中，MobileCBAM-Net包括三个模块注意力模块、残差网络、深度可分离卷积；首先建立两个注意力模块，分别为通道注意力模块和空间注意力模块。
5.根据权利要求4所述的森林火灾图片实时分割和火灾边缘点监测方法，其特征在于：通道注意力模块输入为多通道特征图，同时经过一个最大池化层和平均池化层；将得到的结果分别输入到shared MLP网络中，然后再同时经过一个最大池化层和平均池化层，将其两者的结果相加，最后通过激活函数后获得调整后的通道注意力特征。
6.根据权利要求5所述的森林火灾图片实时分割和火灾边缘点监测方法，其特征在于：空间注意力模块输入为调整后的通道注意力特征，进行空间上的特征提取，先经过一个最大池化，再通过一个平均池化层后，添加一个激活函数得到空间注意力特征。
7.根据权利要求6所述的森林火灾图片实时分割和火灾边缘点监测方法，其特征在于：将得到的空间注意力特征与原特征使用残差得到微调后的图片特征；MobileCBAM-Net模型优点是可以兼顾空间和通道的特征，是一个轻量级的网络；满足森林火灾图片分割快速获取结果的需求，速度在1到2秒之间。
CN202210051209.5A 2022-01-17 2022-01-17 一种森林火灾图片实时分割和火灾边缘点监测算法 Active CN114821289B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210051209.5A CN114821289B (zh) 2022-01-17 2022-01-17 一种森林火灾图片实时分割和火灾边缘点监测算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210051209.5A CN114821289B (zh) 2022-01-17 2022-01-17 一种森林火灾图片实时分割和火灾边缘点监测算法

Publications (2)

Publication Number Publication Date
CN114821289A CN114821289A (zh) 2022-07-29
CN114821289B true CN114821289B (zh) 2023-10-17

Family

ID=82527963

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210051209.5A Active CN114821289B (zh) 2022-01-17 2022-01-17 一种森林火灾图片实时分割和火灾边缘点监测算法

Country Status (1)

Country Link
CN (1) CN114821289B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106991681A (zh) * 2017-04-11 2017-07-28 福州大学 一种火灾边界矢量信息实时提取与可视化方法及***
CN109147259A (zh) * 2018-11-20 2019-01-04 武汉理工光科股份有限公司 一种基于视频图像的远程火灾探测***及方法
CN110021018A (zh) * 2019-04-12 2019-07-16 电子科技大学 一种基于遥感数据提取森林火灾足迹的方法
CN110047241A (zh) * 2019-04-27 2019-07-23 刘秀萍 一种森林火灾无人机巡航监控***
CN110599727A (zh) * 2019-09-16 2019-12-20 星泽天下(北京)科技有限公司 一种森林火灾应急指挥管理***
CN111047565A (zh) * 2019-11-29 2020-04-21 南京恩博科技有限公司 一种用于森林云雾图像分割的方法、存储介质和设备
CN111339858A (zh) * 2020-02-17 2020-06-26 电子科技大学 一种基于神经网络的油气管道标志物识别方法
CN111625999A (zh) * 2020-05-29 2020-09-04 中南林业科技大学 一种基于深度学习技术的森林火灾预警模型及***
CN112308092A (zh) * 2020-11-20 2021-02-02 福州大学 一种基于多尺度注意力机制的轻量型车牌检测与识别方法
CN113112510A (zh) * 2021-04-29 2021-07-13 五邑大学 一种语义分割的森林火灾检测方法、控制器及存储介质
CN113743378A (zh) * 2021-11-03 2021-12-03 航天宏图信息技术股份有限公司 一种基于视频的火情监测方法和装置
CN113887324A (zh) * 2021-09-10 2022-01-04 北京和德宇航技术有限公司 基于卫星遥感数据的火点检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2561925C2 (ru) * 2013-12-16 2015-09-10 Общество С Ограниченной Ответственностью "Дисикон" Способ определения оптимальной конфигурации системы видеомониторинга леса
CN106997461B (zh) * 2017-03-28 2019-09-17 浙江大华技术股份有限公司 一种烟火检测方法及装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106991681A (zh) * 2017-04-11 2017-07-28 福州大学 一种火灾边界矢量信息实时提取与可视化方法及***
CN109147259A (zh) * 2018-11-20 2019-01-04 武汉理工光科股份有限公司 一种基于视频图像的远程火灾探测***及方法
CN110021018A (zh) * 2019-04-12 2019-07-16 电子科技大学 一种基于遥感数据提取森林火灾足迹的方法
CN110047241A (zh) * 2019-04-27 2019-07-23 刘秀萍 一种森林火灾无人机巡航监控***
CN110599727A (zh) * 2019-09-16 2019-12-20 星泽天下(北京)科技有限公司 一种森林火灾应急指挥管理***
CN111047565A (zh) * 2019-11-29 2020-04-21 南京恩博科技有限公司 一种用于森林云雾图像分割的方法、存储介质和设备
CN111339858A (zh) * 2020-02-17 2020-06-26 电子科技大学 一种基于神经网络的油气管道标志物识别方法
CN111625999A (zh) * 2020-05-29 2020-09-04 中南林业科技大学 一种基于深度学习技术的森林火灾预警模型及***
CN112308092A (zh) * 2020-11-20 2021-02-02 福州大学 一种基于多尺度注意力机制的轻量型车牌检测与识别方法
CN113112510A (zh) * 2021-04-29 2021-07-13 五邑大学 一种语义分割的森林火灾检测方法、控制器及存储介质
CN113887324A (zh) * 2021-09-10 2022-01-04 北京和德宇航技术有限公司 基于卫星遥感数据的火点检测方法
CN113743378A (zh) * 2021-11-03 2021-12-03 航天宏图信息技术股份有限公司 一种基于视频的火情监测方法和装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CBAM: Convolutional Block Attention Module;Sanghyun Woo等;Proceedings of the European Conference on Computer Vision (ECCV), 2018;3-19 *
IoT and deep learning-inspired multi-model framework for monitoring Active Fire Locations in Agricultural Activities;Akashdeep Sharma等;Computers & Electrical Engineering;第93卷;1-19 *
图像分类注意力机制研究及其在目标检测中的应用;陈博华;中国优秀硕士学位论文全文数据库信息科技辑;I138-1873 *
基于无人机的森林火灾检测***;徐燕翔等;计算机工程与设计;第39卷(第06期);1591-1596 *

Also Published As

Publication number Publication date
CN114821289A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN112001339B (zh) 一种基于YOLO v4的行人社交距离实时监测方法
CN112270249A (zh) 一种融合rgb-d视觉特征的目标位姿估计方法
CN114202696A (zh) 基于上下文视觉的sar目标检测方法、装置和存储介质
Marcu et al. SafeUAV: Learning to estimate depth and safe landing areas for UAVs from synthetic data
Yang et al. Single image haze removal via region detection network
CN111754394B (zh) 鱼眼图像中的对象检测方法、装置及存储介质
CN111079739B (zh) 一种多尺度注意力特征检测方法
CN111666921A (zh) 车辆控制方法、装置、计算机设备和计算机可读存储介质
CN112614136B (zh) 一种红外小目标实时实例分割方法及装置
CN109325947A (zh) 一种基于深度学习的sar图像铁塔目标检测方法
CN114092833B (zh) 遥感图像分类方法、装置、计算机设备和存储介质
CN111126184B (zh) 一种基于无人机视频的震后建筑物损毁检测方法
CN111640116B (zh) 基于深层卷积残差网络的航拍图建筑物分割方法及装置
CN112507848B (zh) 一种移动端实时人脸姿态估计方法
Liu et al. Multi-attention DenseNet: A scattering medium imaging optimization framework for visual data pre-processing of autonomous driving systems
CN109523558A (zh) 一种人像分割方法及***
CN115797350A (zh) 桥梁病害检测方法、装置、计算机设备和存储介质
CN113807361A (zh) 神经网络、目标检测方法、神经网络训练方法及相关产品
CN114519819B (zh) 一种基于全局上下文感知的遥感图像目标检测方法
CN114821289B (zh) 一种森林火灾图片实时分割和火灾边缘点监测算法
CN111951260A (zh) 基于部分特征融合卷积神经网络实时目标计数***及方法
CN116310899A (zh) 基于YOLOv5改进的目标检测方法及装置、训练方法
Osuna-Coutiño et al. Structure extraction in urbanized aerial images from a single view using a CNN-based approach
CN113902744B (zh) 基于轻量级网络的图像检测方法、***、设备和存储介质
CN112084815A (zh) 一种基于摄像机焦距变换的目标检测方法、存储介质及处理器

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