CN115861997A - 一种关键前景特征引导知识蒸馏的车牌检测识别方法 - Google Patents
一种关键前景特征引导知识蒸馏的车牌检测识别方法 Download PDFInfo
- Publication number
- CN115861997A CN115861997A CN202310167743.7A CN202310167743A CN115861997A CN 115861997 A CN115861997 A CN 115861997A CN 202310167743 A CN202310167743 A CN 202310167743A CN 115861997 A CN115861997 A CN 115861997A
- Authority
- CN
- China
- Prior art keywords
- license plate
- network
- model
- training
- convolution
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- Character Discrimination (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明属于车牌检测识别技术领域，涉及一种关键前景特征引导知识蒸馏的车牌检测识别方法，通过学习主干网络特征的空间注意图，注意图中的每个元素表示是前景的重要性概率，然后在教师模型和学生模型的主干网络中同时学习空间注意图，并鼓励学生模型的空间注意力图模仿教师模型空间注意力图，提出的方法强调学生模型对前景物体的学习，抑制学生模型对背景像素的学习，让学生模型知道应该学习哪些像素的信息，提升模型学习的效率和精度，不仅可以用来进行车牌检测识别任务，还可以用于多种拥有大规模数据的目标检测任务。
Description
技术领域
本发明属于车牌检测识别技术领域，尤其涉及一种关键前景特征引导知识蒸馏的车牌检测识别方法。
背景技术
随着经济的发展，汽车数量急剧增大，给城市的交通管理带来了不少的挑战。车牌作为车辆身份的标识，对车牌进行检测识别可实现对车辆的统一管理，能够在很大程度上缓解车辆管理的问题。实际使用场景中随着不同场景不同类型车牌数量的增多，为了获得更好的检测能力，通常使用更大的网络来学习车牌的特征，但是这需要更强的计算能力和更慢的推理速度，限制了其在边缘设备上的部署。
为了克服上述问题，现有的方法通常使用知识蒸馏，知识蒸馏是一种将大型教师网络中的信息继承到一个紧凑的学生网络中，并在推理过程中不增加额外成本而获得强大性能的方法，因此往往可以获得更高的准确性。然而，大多数蒸馏方法都是为图像分类而设计的，这导致了目标检测的微小提升，这是因为蒸馏时同等的看待前景和背景的特征，导致数量占据绝对优势的背景区域的知识蒸馏效果会远好与前景特征的蒸馏结果。现有方法针对以上问题主要从两方面进行改进，一是分配权重以抑制背景，二是提出蒸馏学生的感兴趣区域，然而这些方法并不清楚目标框中的哪些特征是关键特征。
由此可见，在基于知识蒸馏的车牌检测中仍然缺少有效的方法解决前景背景不平衡导致的蒸馏效果不佳的问题，因此急需有效的手段提升基于知识蒸馏的车牌检测识别性能，以提升前向推理速度。
发明内容
为了克服上述现有技术的不足，本发明提供一种关键前景特征引导知识蒸馏的车牌检测识别方法，用来解决基于知识蒸馏的车牌检测识别方法中前景背景不平衡导致的蒸馏效果不佳的问题，可用于任意场景的车牌检测识别任务，能够高效的车牌检测识别的精度和模型泛化性能。
为实现上述目的，本发明先设计教师模型和学生模型，教师模型使用大的主干网络，学生模型使用轻量化的主干网络，再训练教师网络，在教师网络收敛后冻结教师网络，使教师网络指导学生网络的学***衡的影响，强调学生模型对前景物体的学习，抑制学生模型对背景像素的学习，让学生模型知道应该学习哪些像素的信息，提升模型学习的效率和精度，具体包括如下步骤：
（1）收集不同场景下的车牌图像，构建车牌数据集，并将车牌数据集划分为训练集、验证集和测试集；
（2）构建以ResNeXt101为主干网络的教师模型并对教师模型进行训练；
（3）构建以ResNet18为主干网络的学生模型，并使用随机初始化对学生模型的网络参数进行初始化；
（4）同时学习教师模型和学生模型主干网络中的第三阶段、第四阶段和第五阶段特征的注意图，使学生模型注意图与教师模型注意图尽可能相似；
（5）训练学生模型，得到训练好的车牌检测识别网络参数；
（6）使用学生模型作为前向推理的网络测试网络并输出车牌号和位置。
作为本发明的进一步技术方案，步骤（1）所述车牌数据集中需标注车牌位置和车牌字符类别，车牌位置包括车牌四个角点，通过四个角点的位置计算表示车牌位置水平框的长宽和中心点，车牌字符类别包含省份、英文字母、数字和特殊字符。
作为本发明的进一步技术方案，步骤（2）的具体过程为：
（21）步骤（1）中训练集中的车牌图像作为输入，先对车牌图像的尺寸和数值范围进行初始化处理，再将处理后的车牌图像输入到主干网络中进行卷积特征提取，其中主干网络使用在ImageNet数据集中经过预训练的ResNeXt101作为特征提取网络，并在ResNeXt101之后添加特征金字塔网络以增强ResNeXt101中的多尺度特征，获得多尺度车牌卷积特征图集合，从而更好的捕获近距离和远距离的不同尺寸车牌，提取的共享特征应用于图像增强、车牌检测和车牌识别中；
（22）得到多尺度车牌卷积特征图集合后，在不同的多尺度卷积层后连接两层卷积核为3*3的卷积层以及一层平均池化层，在特征图的每一个特征点设置一个锚框，分别使用两个结构相同的但是不共享参数的全连接层子网络学习分类和位置偏移信息，其中位置偏差信息是车牌的最小外接矩形框与特征点对应的锚框的偏差从而完成目标框类别分类和位置回归的任务，分类为是否是车牌，位置信息为车牌的最小外接矩（朝向框）；
（23）从多尺度车牌卷积特征中获取车牌位置对应的卷积特征，并在卷积特征之后使用两个级联的卷积层，通过全连接层（FC）对车牌特征进行进一步提取，然后对车牌中字符位置进行定位，并使用Softmax函数对字符类别进行分类，字符类别主要包含省份、字母、数字以及特殊字符（军、警、学等），最后将识别出的字符按照位置关系输出，得到最终的车牌号；
（24）使用步骤（1）中的训练集数据对教师模型进行训练，经过50次迭代训练，教师网络收敛并且损失趋于平稳，将最终的教师模型保存用于指导学生模型的学习。
作为本发明的进一步技术方案，步骤（5）的具体过程为：学生模型的训练由真实的标签和教师模型作为监督，其中真实标签包含车牌的位置和真实车牌号，教师模型的监督以学习到的前景重要性的空间注意图作为监督，使学生模型的空间注意图尽可能相似，并以L2函数作为损失函数，车牌检测使用smooth L1损失来约束教师模型输出和学生模型输出的回归边界框，车牌识别中字符定位和字符分类分别使用smoothL1损失和交叉熵损失来约束预测值与真值之间的误差，通过反向传播更新参数，经过50轮完整训练集训练迭代后，保存验证集上结果最好的模型参数，作为最终模型训练好的参数，即得到训练好的车牌检测识别网络参数。
作为本发明的进一步技术方案，步骤（6）在测试过程中，保持图片长短边比例不变的情况下将图像长边缩放（resize）到512，然后对图片的短边进行填充，使得图像尺寸为512×512，作为网络的输入，即可输出车牌的分类置信度和车牌的坐标位置，通过设置阈值过滤低置信度的车牌，并使用非极大抑制（NMS）删除网络输出的冗余的框，最后将车牌检测框对应的车牌特征输入到车牌识别模块，得到车牌号。
与现有技术相比，本发明的有益效果是：
克服了基于知识蒸馏的目标检测在提取知识时前景背景的不平衡问题，通过学习主干网络特征的空间注意图，注意图中的每个元素表示是前景的重要性概率，然后在教师模型和学生模型的主干网络中同时学习空间注意图，并鼓励学生模型的空间注意力图模仿教师模型空间注意力图，提出的方法强调学生模型对前景物体的学习，抑制学生模型对背景像素的学习，让学生模型知道应该学习哪些像素的信息，提升模型学习的效率和精度，不仅可以用来进行车牌检测识别任务，还可以用于多种拥有大规模数据的目标检测任务，与现有YOLOv3方法相比，本发明在CCPD测试数据中精度能从94.2%提高到95.5%，同时推理速度提升了1.5倍。
附图说明
图1为本发明实现车牌检测识别所采用的网络结构框架示意图。
图2为本发明实现车牌检测识别的流程框图。
具体实施方式
下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。
实施例：
本实施例采用图1所示网络和图2所示流程实现关键前景特征引导知识蒸馏的车牌检测识别，先设计教师模型和学生模型，教师模型和学生模型在结构上的主要不同在于教师模型使用的是大的主干网络，而学生模型使用的是轻量化的主干网络，然后训练教师网络，在教师网络收敛后冻结教师网络，使教师网络指导学生网络的学***衡的影响。该方法强调学生模型对前景物体的学习，抑制学生模型对背景像素的学习，让学生模型知道应该学习哪些像素的信息，提升模型学习的效率和精度，具体实施包括如下步骤：
（1）数据集构建
收集不同场景下的车牌图像，构建车牌的数据集，并将数据集划分为训练集、验证集和测试集，同时标注车牌的位置和车牌字符类别，车牌位置主要是车牌四个角点的标注，通过四个角点的位置可以计算表示车牌位置水平框的长宽和中心点，车牌字符类别主要包含省份、英文字母、数字以及特殊字符等；
（2）教师模型的构建和训练
（21）步骤（1）中训练集中的车牌图像作为输入，先对车牌图像的尺寸和数值范围进行初始化处理，再将处理后的车牌图像输入到主干网络中进行卷积特征提取，其中主干网络使用在ImageNet数据集中经过预训练的ResNeXt101作为特征提取网络，并在ResNeXt101之后添加特征金字塔网络以增强ResNeXt101中的多尺度特征，获得多尺度车牌卷积特征图集合，从而更好的捕获近距离和远距离的不同尺寸车牌，提取的共享特征应用于图像增强、车牌检测和车牌识别中；
（22）得到多尺度车牌卷积特征图集合后，在不同的多尺度卷积层后连接两层卷积核为3*3的卷积层以及一层平均池化层，在特征图的每一个特征点设置一个锚框，分别使用两个结构相同的但是不共享参数的全连接层子网络学习分类和位置偏移信息，其中位置偏差信息是车牌的最小外接矩形框与特征点对应的锚框的偏差从而完成目标框类别分类和位置回归的任务，分类为是否是车牌，位置信息为车牌的最小外接矩（朝向框）；
（23）从多尺度车牌卷积特征中获取车牌位置对应的卷积特征，并在卷积特征之后使用两个级联的卷积层，通过全连接层（FC）对车牌特征进行进一步提取，然后对车牌中字符位置进行定位，并使用Softmax函数对字符类别进行分类，字符类别主要包含省份、字母、数字以及特殊字符（军、警、学等），最后将识别出的字符按照位置关系输出，得到最终的车牌号；
（24）使用步骤（1）中的训练集数据对教师模型进行训练，经过50次迭代训练，教师网络收敛并且损失趋于平稳，将最终的教师模型保存用于指导学生模型的学习；
（3）学生模型的构建
学生模型的网络结构与教师模型的结构基本一致，主要的区别是使用的轻量化的主干网络ResNet18，拥有更少的参数和更快的推理速度，并在构建完学生模型后使用随机初始化对学生模型的网络参数进行初始化；
（4）关键前景特征引导的知识蒸馏
首先将主干网络中第三阶段C3、第四阶段C4和第五阶段C5的特征作为输入，用
表示，N为3、4、5，分别对应第三阶段C3、第四阶段C4和第五阶段C5的特征
，再分别使用不同的卷积层学习对应的空间注意图，用/>
表示，输出的注意图分别为/>
，注意图中每个元素意味着前景的重要性,同时学习教师模型和学生模型主干网络中的第三阶段C3、第四阶段C4和第五阶段C5特征的注意图，并将使学生模型注意图与教师模型注意图尽可能相似，其中C为通道数，H、W分别表示图像的高和宽；由于教师模型和学生模型在第三阶段C3、第四阶段C4和第五阶段C5的特征维度相同，因此采用同一符号进行表示；
（5）学生模型训练
学生模型的训练由真实的标签和教师模型作为监督，其中真实标签包含车牌的位置
和真实车牌号，其中/>
为车牌四个角点的坐标，教师模型的监督主要是以学习到的前景重要性的空间注意图作为监督，使学生模型的空间注意图尽可能相似，并以L2函数作为损失函数，车牌检测使用smooth L1损失来约束教师模型输出和学生模型输出的回归边界框，车牌识别中字符定位和字符分类分别使用smoothL1损失和交叉熵损失来约束预测值与真值之间的误差，通过反向传播更新参数，经过50轮完整训练集训练迭代后，保存验证集上结果最好的模型参数，作为最终模型训练好的参数，即得到训练好的车牌检测识别网络参数，
（6）测试网络输出车牌号和位置
在测试过程中，只使用学生模型作为前向推理的网络，保持图片长短边比例不变的情况下将图像长边缩放（resize）到512，然后对图片的短边进行填充，使得图像尺寸为512×512，作为网络的输入。即可输出车牌的分类置信度和车牌的坐标位置，设置阈值过滤低置信度的车牌，并使用非极大抑制（NMS）删除网络输出的冗余的框，最后将车牌检测框对应的车牌特征输入到车牌识别模块，得到车牌号。
需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。
Claims (5)
1.一种关键前景特征引导知识蒸馏的车牌检测方法，其特征在于，具体包括如下步骤：
（1）收集不同场景下的车牌图像，构建车牌数据集，并将车牌数据集划分为训练集、验证集和测试集；
（2）构建以ResNeXt101为主干网络的教师模型并对教师模型进行训练；
（3）构建以ResNet18为主干网络的学生模型，并使用随机初始化对学生模型的网络参数进行初始化；
（4）同时学习教师模型和学生模型主干网络中第三阶段、第四阶段和第五阶段特征的注意图；
（5）训练学生模型，得到训练好的车牌检测识别网络参数；
（6）使用学生模型作为前向推理的网络测试网络并输出车牌号和位置。
2.根据权利要求1所述关键前景特征引导知识蒸馏的车牌检测方法，其特征在于，步骤（1）所述车牌数据集中需标注车牌位置和车牌字符类别，车牌位置包括车牌四个角点，通过四个角点的位置计算表示车牌位置水平框的长宽和中心点，车牌字符类别包含省份、英文字母、数字和特殊字符。
3.根据权利要求2所述关键前景特征引导知识蒸馏的车牌检测方法，其特征在于，步骤（2）的具体过程为：
（21）步骤（1）中训练集中的车牌图像作为输入，先对车牌图像的尺寸和数值范围进行初始化处理，再将处理后的车牌图像输入到主干网络中进行卷积特征提取，其中主干网络使用在ImageNet数据集中经过预训练的ResNeXt101作为特征提取网络，并在ResNeXt101之后添加特征金字塔网络以增强ResNeXt101中的多尺度特征，获得多尺度车牌卷积特征图集合；
（22）得到多尺度车牌卷积特征图集合后，在不同的多尺度卷积层后连接两层卷积核为3*3的卷积层以及一层平均池化层，在特征图的每一个特征点设置一个锚框，分别使用两个结构相同的但是不共享参数的全连接层子网络学习分类和位置偏移信息，其中位置偏差信息是车牌的最小外接矩形框与特征点对应的锚框的偏差从而完成目标框类别分类和位置回归的任务，分类为是否是车牌，位置信息为车牌的最小外接矩；
（23）从多尺度车牌卷积特征中获取车牌位置对应的卷积特征，并在卷积特征之后使用两个级联的卷积层，通过全连接层对车牌特征进行进一步提取，然后对车牌中字符位置进行定位，并使用Softmax函数对字符类别进行分类，字符类别主要包含省份、字母、数字以及特殊字符，最后将识别出的字符按照位置关系输出，得到最终的车牌号；
（24）使用步骤（1）中的训练集数据对教师模型进行训练，经过50次迭代训练，教师网络收敛并且损失趋于平稳，将最终的教师模型保存用于指导学生模型的学习。
4.根据权利要求3所述关键前景特征引导知识蒸馏的车牌检测方法，其特征在于，步骤（5）的具体过程为：学生模型的训练由真实的标签和教师模型作为监督，其中真实标签包含车牌的位置和真实车牌号，教师模型的监督以学习到的前景重要性的空间注意图作为监督，并以L2函数作为损失函数，车牌检测使用smooth L1损失来约束教师模型输出和学生模型输出的回归边界框，车牌识别中字符定位和字符分类分别使用smoothL1损失和交叉熵损失来约束预测值与真值之间的误差，通过反向传播更新参数，经过50轮完整训练集训练迭代后，保存验证集上结果最好的模型参数，作为最终模型训练好的参数，即得到训练好的车牌检测识别网络参数。
5.根据权利要求4所述关键前景特征引导知识蒸馏的车牌检测方法，其特征在于，步骤（6）在测试过程中，保持图片长短边比例不变的情况下将图像长边缩放到512，然后对图片的短边进行填充，使得图像尺寸为512×512，作为网络的输入，即可输出车牌的分类置信度和车牌的坐标位置，通过设置阈值过滤低置信度的车牌，并使用非极大抑制删除网络输出的冗余的框，最后将车牌检测框对应的车牌特征输入到车牌识别模块，得到车牌号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310167743.7A CN115861997B (zh) | 2023-02-27 | 2023-02-27 | 一种关键前景特征引导知识蒸馏的车牌检测识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310167743.7A CN115861997B (zh) | 2023-02-27 | 2023-02-27 | 一种关键前景特征引导知识蒸馏的车牌检测识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115861997A true CN115861997A (zh) | 2023-03-28 |
| CN115861997B CN115861997B (zh) | 2023-05-16 |
Family
ID=85659045
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310167743.7A Active CN115861997B (zh) | 2023-02-27 | 2023-02-27 | 一种关键前景特征引导知识蒸馏的车牌检测识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115861997B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190095730A1 (en) * | 2017-09-25 | 2019-03-28 | Beijing University Of Posts And Telecommunications | End-To-End Lightweight Method And Apparatus For License Plate Recognition |
| CN112164054A (zh) * | 2020-09-30 | 2021-01-01 | 交叉信息核心技术研究院(西安)有限公司 | 基于知识蒸馏的图像目标检测方法和检测器及其训练方法 |
| CN112308066A (zh) * | 2020-10-23 | 2021-02-02 | 西安科锐盛创新科技有限公司 | 一种车牌识别*** |
| CN114283402A (zh) * | 2021-11-24 | 2022-04-05 | 西北工业大学 | 基于知识蒸馏训练与时空联合注意力的车牌检测方法 |
| US20220180199A1 (en) * | 2019-09-04 | 2022-06-09 | Huawei Technologies Co., Ltd. | Neural network model compression method and apparatus, storage medium, and chip |
| CN114882490A (zh) * | 2022-07-08 | 2022-08-09 | 松立控股集团股份有限公司 | 一种基于点引导定位的无受限场景车牌检测分类方法 |
| CN114898352A (zh) * | 2022-06-29 | 2022-08-12 | 松立控股集团股份有限公司 | 一种同时实现图像去雾与车牌检测的方法 |
-
2023
- 2023-02-27 CN CN202310167743.7A patent/CN115861997B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190095730A1 (en) * | 2017-09-25 | 2019-03-28 | Beijing University Of Posts And Telecommunications | End-To-End Lightweight Method And Apparatus For License Plate Recognition |
| US20220180199A1 (en) * | 2019-09-04 | 2022-06-09 | Huawei Technologies Co., Ltd. | Neural network model compression method and apparatus, storage medium, and chip |
| CN112164054A (zh) * | 2020-09-30 | 2021-01-01 | 交叉信息核心技术研究院(西安)有限公司 | 基于知识蒸馏的图像目标检测方法和检测器及其训练方法 |
| CN112308066A (zh) * | 2020-10-23 | 2021-02-02 | 西安科锐盛创新科技有限公司 | 一种车牌识别*** |
| CN114283402A (zh) * | 2021-11-24 | 2022-04-05 | 西北工业大学 | 基于知识蒸馏训练与时空联合注意力的车牌检测方法 |
| CN114898352A (zh) * | 2022-06-29 | 2022-08-12 | 松立控股集团股份有限公司 | 一种同时实现图像去雾与车牌检测的方法 |
| CN114882490A (zh) * | 2022-07-08 | 2022-08-09 | 松立控股集团股份有限公司 | 一种基于点引导定位的无受限场景车牌检测分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| CONG ZHANG ET AL.: "V-LPDR: Towards a unified framework for license plate detection, tracking, and recognition in real-world traffic videos", NEUROCOMPUTING * |
| 侯佳英: "基于深度学习的图像生成算法研究与实现", 中国优秀硕士学位论文全文数据库信息科技辑 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115861997B (zh) | 2023-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109902806B (zh) | 基于卷积神经网络的噪声图像目标边界框确定方法 | |
| CN110569738B (zh) | 基于密集连接网络的自然场景文本检测方法、设备和介质 | |
| CN109492596B (zh) | 一种基于K-means聚类和区域推荐网络的行人检测方法及*** | |
| CN112801158A (zh) | 基于级联融合和注意力机制的深度学习小目标检测方法及装置 | |
| CN111612051A (zh) | 一种基于图卷积神经网络的弱监督目标检测方法 | |
| CN111160205A (zh) | 一种交通场景嵌入式多类目标端对端统一检测方法 | |
| CN110991444A (zh) | 面向复杂场景的车牌识别方法及装置 | |
| CN112990065A (zh) | 一种基于优化的YOLOv5模型的车辆分类检测方法 | |
| CN115063786A (zh) | 一种高位远景模糊车牌检测方法 | |
| CN113850136A (zh) | 基于yolov5与BCNN的车辆朝向识别方法及*** | |
| CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN115019279A (zh) | 一种基于MobileNet轻量化网络的上下文特征融合方法 | |
| CN114519819B (zh) | 一种基于全局上下文感知的遥感图像目标检测方法 | |
| CN115953643A (zh) | 基于知识蒸馏的模型训练方法、装置及电子设备 | |
| CN116524189A (zh) | 一种基于编解码索引化边缘表征的高分辨率遥感图像语义分割方法 | |
| CN115861756A (zh) | 基于级联组合网络的大地背景小目标识别方法 | |
| CN112084897A (zh) | 一种gs-ssd的交通大场景车辆目标快速检测方法 | |
| CN111160282B (zh) | 一种基于二值化Yolov3网络的红绿灯检测方法 | |
| CN116229406B (zh) | 车道线检测方法、***、电子设备及存储介质 | |
| CN112288702A (zh) | 一种基于车联网的道路图像检测方法 | |
| CN112364864A (zh) | 一种车牌识别方法、装置、电子设备及存储介质 | |
| CN114494893B (zh) | 基于语义重用上下文特征金字塔的遥感图像特征提取方法 | |
| CN114550016B (zh) | 一种基于上下文信息感知的无人机定位方法及*** | |
| CN115861997B (zh) | 一种关键前景特征引导知识蒸馏的车牌检测识别方法 | |
| CN115546668A (zh) | 海洋生物的检测方法、装置及无人机 |
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 |