[go: up one dir, main page]

CN109657716B - 一种基于深度学习的车辆外观损伤识别方法 - Google Patents

一种基于深度学习的车辆外观损伤识别方法 Download PDF

Info

Publication number
CN109657716B
CN109657716B CN201811521006.8A CN201811521006A CN109657716B CN 109657716 B CN109657716 B CN 109657716B CN 201811521006 A CN201811521006 A CN 201811521006A CN 109657716 B CN109657716 B CN 109657716B
Authority
CN
China
Prior art keywords
network
damage
vehicle appearance
model
appearance damage
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
CN201811521006.8A
Other languages
English (en)
Other versions
CN109657716A (zh
Inventor
朱向雷
郭维明
刘森
朱倩倩
赵子豪
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.)
China Automotive Technology and Research Center Co Ltd
Automotive Data of China Tianjin Co Ltd
Original Assignee
China Automotive Technology and Research Center Co Ltd
Automotive Data of China Tianjin Co Ltd
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 China Automotive Technology and Research Center Co Ltd, Automotive Data of China Tianjin Co Ltd filed Critical China Automotive Technology and Research Center Co Ltd
Priority to CN201811521006.8A priority Critical patent/CN109657716B/zh
Publication of CN109657716A publication Critical patent/CN109657716A/zh
Application granted granted Critical
Publication of CN109657716B publication Critical patent/CN109657716B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于深度学习的车辆外观损伤识别方法，包括获取实际车辆外观损伤图像并进行损伤类型和位置标注；搭建深度卷积神经网络；开展模型训练，得到训练后的模型；利用训练得到的模型进行车辆外观损伤识别和模型评估。本发明所述的一种基于深度学习的车辆外观损伤识别方法，基于深度卷积神经网络模型在复杂环境下对车辆外观件损伤类型及程度进行识别，在保证算法精度的同时，提升算法运算速度。

Description

一种基于深度学习的车辆外观损伤识别方法
技术领域
本发明属于人工智能领域，尤其是涉及一种基于深度学习的车辆外观损伤识别方法。
背景技术
近年来，随着中国经济社会的持续快速发展，全国机动车保有量持续快速增长，车辆交通事故问题也一直频繁发生。通常，车辆发生交通事故后需要保险公司专业理赔人员采用人工判定方法进行车辆损伤的识别，导致保险公司案件处理效率低，车主等待时间长等诸多问题。
经过对现有技术的检索发现，中国专利文献号CN105678622A，公开/公告日2016年06月15日，发明名称为“车险理赔照片的分析方法及系统”中公开了一种利用常规卷积神经网络对移动端上传的事故照片进行分析、识别出损伤部位并基于分析结果生成提醒信息的方法。此方法只是确定车辆的损伤部位，不能识别出具体的损伤类型。此外，该方法中车辆的定损结果还是需要依靠人工核定，人力成本依然较大。
此外，中国专利文献号CN107358596A，公开/公告日2017年11月17日，公开了一种基于图像的车辆定损方法、装置、电子设备及系统。该专利中通过卷积层CNN和区域建议层RPN的网络模型构建经过样本训练实现了车辆外观部件损伤的识别。该方法采用了多尺度和多比例基准框，能够有效提升非常规尺度和比例的损伤检测。该模型算法整体分为两个阶段，首先应用RPN对特征图进行粗选区域筛选，再应用卷积神经网络对得到的粗选区域进行分类、回归。但方法过程复杂、计算量较大，导致算法检测速度较慢，难以达到实时的效果。
发明内容
有鉴于此，本发明旨在提出一种基于深度学习的车辆外观损伤识别方法，基于深度卷积神经网络模型在复杂环境下对车辆外观件损伤类型及程度进行识别，在保证算法精度的同时，提升算法运算速度。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于深度学习的车辆外观损伤识别方法，包括：
步骤一：获取实际车辆外观损伤图像并进行损伤类型和位置标注；
步骤二：搭建深度卷积神经网络；
步骤三：开展模型训练，得到训练后的模型；
步骤四：利用训练得到的模型进行车辆外观损伤识别和模型评估。
进一步的，步骤一中，自建数据集，将获取的多种拍摄角度、多个车型和多种环境下的车辆外观损伤图像存入数据集中。
获取的图像覆盖白天和夜晚下的车前、车后、侧前等多个方位的轿车、SUV、MPV、交叉型乘用车等车辆外观损伤的远景和近景图像。
采用图像标注工具，对车辆外观件损伤，如剐蹭、划伤、凹陷等情况进行标注。
进一步的，步骤一中，将标注完成的数据集分成训练集、验证集和测试集。
进一步的，步骤二中，首先搭建主干网络，实现基于卷积神经网络模型CNN的特征提取，设置网络阈值、最大迭代次数等参数；
搭建候选框生成网络，将提取的特征图作为输入，实现基于卷积神经网络模型CNN的候选框生成；候选框中既有前景候选框也有背景候选框，该网络直接将生成的候选框输入下一部分网络，未做初筛，极大地缩短模型运行的速度；
搭建目标图片分类网络和边界框回归网络，输入候选框实现对候选框中目标的分类和目标的位置回归。
进一步的，步骤二中，使用残差网络ResNet作为主干网络，并且使用金字塔网络FPN对主干网络进行扩展。
进一步的，步骤二中，搭建的深度神经网络是前馈神经网络，通过构建损失函数不断反馈调整网络参数从而完成模型训练，传统的一阶段网络损失函数为交叉熵CE损失函数，公式如下：
Figure BDA0001903224560000031
其中y＝1表示正样本，y＝-1表示负样本，p∈[0,1]为置信分数；若使用此函数，当有大量简单的样本存在时，即使各自产生的误差很小，它们误差的总和都可能会对检测器产生巨大影响；
通过在交叉熵损失函数前面增加权重函数，可以解决类别失衡的问题，令
Figure BDA0001903224560000032
则CE(p,y)＝CE(pt)＝-log(pt)，增加权重函数-(1-pt)γ，从而推导出新的损失函数公式是：
NCE(pt)＝-(1-pt)γlog(pt)，其中，γ是一个调节因子且γ＞0；
新的损失函数解决了传统一阶段网络的类别失衡问题，即解决训练时前景-背景类别失衡导致大量的简单负样本在训练过程中压倒检测器的情况。
进一步的，步骤三中，首先初始化网络中待训练的参数，向初始化后的网络中输入训练集进行前向传播；使用步骤二中的损失函数，利用卷积神经网络作为前馈神经网络的特点实现对网络中参数的调整，直到损失值小于设定的阈值或达到最大迭代次数时训练结束，最终训练得到用于车辆外观损伤识别的网络模型。
进一步的，步骤三中，训练集中的训练样本数据包括原始图像、损伤位置以及损伤类型信息。
进一步的，步骤三中，模型输出的是车辆照片中外观损伤级别，包括损伤类型和损伤位置。
相对于现有技术，本发明所述的一种基于深度学习的车辆外观损伤识别方法具有以下优势：
本发明所述的一种基于深度学习的车辆外观损伤识别方法，通过搭建的深度卷积神经网络模型实现了车辆外观损伤的识别，包括损伤类型和损伤位置，定位准确；
模型算法通过改进算法的损失函数解决了实际中出现的类别不平衡导致检测精度低的问题，实现了快速准确地识别车辆外观损伤的功能；
本发明的实现有助于提升保险公司识别车辆部件损伤的效率及准确率，真正意义上地解决实际理赔中人力调用费用高、车主等待时间长等问题。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
在附图中：
图1为本发明实施例所述的一种基于深度学习的车辆外观损伤识别方法流程图；
图2为本发明实施例所述的一种基于深度学习的车辆外观损伤识别方法网络模型结构图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
如图1-2所示，一种基于深度学习的车辆外观损伤识别方法，包括：
步骤一：获取实际车辆外观损伤图像并进行损伤类型和位置标注；
步骤二：搭建深度卷积神经网络；
步骤三：开展模型训练，得到训练后的模型；
步骤四：利用训练得到的模型进行车辆外观损伤识别和模型评估。
如图1-2所示，步骤一中，自建数据集，将获取的多种拍摄角度、多个车型和多种环境下的车辆外观损伤图像存入数据集中。
获取的图像覆盖白天和夜晚下的车前、车后、侧前等多个方位的轿车、SUV、MPV、交叉型乘用车等车辆外观损伤的远景和近景图像。
采用图像标注工具，对车辆外观件损伤，如剐蹭、划伤、凹陷等情况进行标注。
如图1-2所示，步骤一中，将标注完成的数据集分成训练集、验证集和测试集。
如图1-2所示，步骤二中，首先搭建主干网络，实现基于卷积神经网络模型CNN的特征提取，设置网络阈值、最大迭代次数等参数；
搭建候选框生成网络，将提取的特征图作为输入，实现基于卷积神经网络模型CNN的候选框生成；候选框中既有前景候选框也有背景候选框，该网络直接将生成的候选框输入下一部分网络，未做初筛，极大地缩短模型运行的速度；
搭建目标图片分类网络和边界框回归网络，输入候选框实现对候选框中目标的分类和目标的位置回归。
如图1-2所示，步骤二中，使用特征表达能力强的残差网络ResNet作为主干网络，如ResNet-50或ResNet-101；使用金字塔网络FPN对主干网络进行扩展，如ResNet-101+FPN，可在多个尺度上更好地特征提取网络。
如图1-2所示，步骤二中，搭建的深度神经网络是前馈神经网络，通过构建损失函数不断反馈调整网络参数从而完成模型训练，传统的一阶段网络损失函数为交叉熵CE损失函数，公式如下：
Figure BDA0001903224560000071
其中y＝1表示正样本，y＝-1表示负样本，p∈[0,1]为置信分数；若使用此函数，当有大量简单的样本存在时，即使各自产生的误差很小，它们误差的总和都可能会对检测器产生巨大影响；
通过在交叉熵损失函数前面增加权重函数，可以解决类别失衡的问题，令
Figure BDA0001903224560000072
则CE(p,y)＝CE(pt)＝-log(pt)，增加权重函数-(1-pt)γ，从而推导出新的损失函数公式是：
NCE(pt)＝-(1-pt)γlog(pt)，其中，γ是一个调节因子且γ＞0；
新的损失函数解决了传统一阶段网络的类别失衡问题，即解决训练时前景-背景类别失衡导致大量的简单负样本在训练过程中压倒检测器的情况。
如图1-2所示，步骤三中，首先初始化网络中待训练的参数，本实施例使用ResNet-101参数作为网络卷积部分的初始值；向初始化后的网络中输入训练集进行前向传播；使用步骤二中的损失函数，利用卷积神经网络作为前馈神经网络的特点实现对网络中参数的调整，直到损失值小于设定的阈值或达到最大迭代次数时训练结束，最终训练得到用于车辆外观损伤识别的网络模型。
如图1-2所示，步骤三中，训练集中的训练样本数据包括原始图像、损伤位置以及损伤类型信息。
如图1-2所示，步骤三中，模型输出的是车辆照片中外观损伤级别，包括损伤类型和损伤位置。
本实施例中，应用训练完成的网络，向其输入一张或多张待检测图像，输出为每张图像对应的车辆损伤类型(含程度)以及损伤位置，其中输出的图像区域与图像中本身的车辆外观损伤位置有关。具体的，如果一张输入图像中含有一个车辆外观损伤(包含在训练样本的损伤标注中)，则输出一个外观损伤及其对应的位置；如果有k个外观损伤(包含在训练的外观标注类型中)，则输出k个外观损伤及其对应的位置。
通过与具有区域建议网络PRN的模型对比发现运算速度提到了有效提升，同时模型精度得以保证。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于深度学习的车辆外观损伤识别方法，其特征在于：包括：
步骤一：获取实际车辆外观损伤图像并进行损伤类型和位置标注；
步骤二：搭建深度卷积神经网络；
步骤三：开展模型训练，得到训练后的模型；
步骤四：利用训练得到的模型进行车辆外观损伤识别和模型评估；
步骤二中，使用残差网络ResNet作为主干网络，并且使用金字塔网络FPN对主干网络进行扩展；
步骤二中，搭建的深度神经网络是前馈神经网络，通过构建新的损失函数不断反馈调整网络参数从而完成模型训练，损失函数公式是：
NCE(pt)＝-(1-pt)γlog(pt)
其中，γ是一个调节因子且γ＞0，
Figure FDA0002689509910000011
y＝1表示正样本，y＝-1表示负样本，p∈[0,1]为置信分数。
2.根据权利要求1所述的一种基于深度学习的车辆外观损伤识别方法，其特征在于：步骤一中，自建数据集，将获取的多种拍摄角度、多个车型和多种环境下的车辆外观损伤图像存入数据集中。
3.根据权利要求2所述的一种基于深度学习的车辆外观损伤识别方法，其特征在于：步骤一中，将标注完成的数据集分成训练集、验证集和测试集。
4.根据权利要求3所述的一种基于深度学习的车辆外观损伤识别方法，其特征在于：步骤二中，首先搭建主干网络，实现基于卷积神经网络模型CNN的特征提取；
搭建候选框生成网络，将提取的特征图作为输入，实现基于卷积神经网络模型CNN的候选框生成；
搭建目标图片分类网络和边界框回归网络，输入候选框实现对候选框中目标的分类和目标的位置回归。
5.根据权利要求4所述的一种基于深度学习的车辆外观损伤识别方法，其特征在于：步骤三中，首先初始化网络中待训练的参数，向初始化后的网络中输入训练集进行前向传播；使用步骤二中的损失函数，利用卷积神经网络作为前馈神经网络的特点实现对网络中参数的调整，直到损失值小于设定的阈值或达到最大迭代次数时训练结束，最终训练得到用于车辆外观损伤识别的网络模型。
6.根据权利要求1所述的一种基于深度学习的车辆外观损伤识别方法，其特征在于：步骤三中，训练集中的训练样本数据包括原始图像、损伤位置以及损伤类型信息。
7.根据权利要求1所述的一种基于深度学习的车辆外观损伤识别方法，其特征在于：步骤三中，模型输出的是车辆照片中外观损伤级别，包括损伤类型和损伤位置。
CN201811521006.8A 2018-12-12 2018-12-12 一种基于深度学习的车辆外观损伤识别方法 Active CN109657716B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811521006.8A CN109657716B (zh) 2018-12-12 2018-12-12 一种基于深度学习的车辆外观损伤识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811521006.8A CN109657716B (zh) 2018-12-12 2018-12-12 一种基于深度学习的车辆外观损伤识别方法

Publications (2)

Publication Number Publication Date
CN109657716A CN109657716A (zh) 2019-04-19
CN109657716B true CN109657716B (zh) 2020-12-29

Family

ID=66114222

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811521006.8A Active CN109657716B (zh) 2018-12-12 2018-12-12 一种基于深度学习的车辆外观损伤识别方法

Country Status (1)

Country Link
CN (1) CN109657716B (zh)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135437B (zh) * 2019-05-06 2022-04-05 北京百度网讯科技有限公司 用于车辆的定损方法、装置、电子设备和计算机存储介质
CN110569703B (zh) * 2019-05-10 2020-09-01 阿里巴巴集团控股有限公司 计算机执行的从图片中识别损伤的方法及装置
US10885625B2 (en) 2019-05-10 2021-01-05 Advanced New Technologies Co., Ltd. Recognizing damage through image analysis
CN110196160A (zh) * 2019-05-29 2019-09-03 国电联合动力技术有限公司 一种基于残差网络的风电齿轮箱监测方法
CN110349124A (zh) * 2019-06-13 2019-10-18 平安科技（深圳）有限公司 车辆外观损伤智能检测方法、装置及计算机可读存储介质
CN110363238A (zh) * 2019-07-03 2019-10-22 中科软科技股份有限公司 智能车辆定损方法、系统、电子设备及存储介质
CN111583215B (zh) * 2020-04-30 2024-07-02 平安科技（深圳）有限公司 损伤图像智能定损方法、装置、电子设备及存储介质
CN111523615B (zh) * 2020-05-08 2024-03-26 北京深智恒际科技有限公司 一种实现车辆外观专业性损伤标注的流水线闭环流程方法
CN111695609B (zh) * 2020-05-26 2024-06-28 平安科技（深圳）有限公司 目标物损伤程度判定方法、装置、电子设备及存储介质
US11328402B2 (en) * 2020-09-29 2022-05-10 Hong Kong Applied Science and Technology Research Institute Company Limited Method and system of image based anomaly localization for vehicles through generative contextualized adversarial network
CN112907576B (zh) * 2021-03-25 2024-02-02 平安科技（深圳）有限公司 车辆损伤等级检测方法、装置、计算机设备及存储介质
CN115345930A (zh) * 2021-05-12 2022-11-15 阿里巴巴新加坡控股有限公司 模型训练方法、视觉定位方法、装置和设备
CN113240641B (zh) * 2021-05-13 2023-06-16 大连海事大学 一种基于深度学习的集装箱破损实时检测方法
CN113506244A (zh) * 2021-06-05 2021-10-15 北京超维世纪科技有限公司 基于深度学习指示灯检测及颜色识别泛化能力提升算法
CN113657409A (zh) * 2021-08-16 2021-11-16 平安科技（深圳）有限公司 车辆损失检测方法、装置、电子设备及存储介质
CN113780435B (zh) * 2021-09-15 2024-04-16 平安科技（深圳）有限公司 车辆损伤检测方法、装置、设备及存储介质
CN114359717B (zh) * 2021-12-17 2023-04-25 华南理工大学 基于多视角相关性深度学习的车辆损伤识别方法
CN114493903B (zh) * 2022-02-17 2024-04-09 平安科技（深圳）有限公司 人伤风险评估中估损模型优化方法及相关设备
CN114914881A (zh) * 2022-05-18 2022-08-16 电光防爆科技（上海）有限公司 智能综合漏电保护方法、系统、电子设备及其介质
CN115994910B (zh) * 2023-03-24 2023-06-06 邦邦汽车销售服务(北京)有限公司 基于数据处理的汽车损伤程度确定方法及系统
CN116012075B (zh) * 2023-03-29 2023-05-30 邦邦汽车销售服务(北京)有限公司 基于机器学习的车辆修理点的确定方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127747A (zh) * 2016-06-17 2016-11-16 史方 基于深度学习的汽车表面损伤分类方法及装置
CN107247930A (zh) * 2017-05-26 2017-10-13 西安电子科技大学 基于cnn和选择性注意机制的sar图像目标检测方法
CN107358596A (zh) * 2017-04-11 2017-11-17 阿里巴巴集团控股有限公司 一种基于图像的车辆定损方法、装置、电子设备及系统
CN107463919A (zh) * 2017-08-18 2017-12-12 深圳市唯特视科技有限公司 一种基于深度3d卷积神经网络进行面部表情识别的方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10712738B2 (en) * 2016-05-09 2020-07-14 Strong Force Iot Portfolio 2016, Llc Methods and systems for industrial internet of things data collection for vibration sensitive equipment
TWI753034B (zh) * 2017-03-31 2022-01-21 香港商阿里巴巴集團服務有限公司 特徵向量的產生、搜索方法、裝置及電子設備
CN108629309A (zh) * 2018-04-28 2018-10-09 成都睿码科技有限责任公司 基坑周围人员安全保障方法
CN108564555B (zh) * 2018-05-11 2021-09-21 中北大学 一种基于nsst和cnn的数字图像降噪方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127747A (zh) * 2016-06-17 2016-11-16 史方 基于深度学习的汽车表面损伤分类方法及装置
CN107358596A (zh) * 2017-04-11 2017-11-17 阿里巴巴集团控股有限公司 一种基于图像的车辆定损方法、装置、电子设备及系统
CN107247930A (zh) * 2017-05-26 2017-10-13 西安电子科技大学 基于cnn和选择性注意机制的sar图像目标检测方法
CN107463919A (zh) * 2017-08-18 2017-12-12 深圳市唯特视科技有限公司 一种基于深度3d卷积神经网络进行面部表情识别的方法

Also Published As

Publication number Publication date
CN109657716A (zh) 2019-04-19

Similar Documents

Publication Publication Date Title
CN109657716B (zh) 一种基于深度学习的车辆外观损伤识别方法
CN109816024B (zh) 一种基于多尺度特征融合与dcnn的实时车标检测方法
US11144786B2 (en) Information processing apparatus, method for controlling information processing apparatus, and storage medium
CN106127747B (zh) 基于深度学习的汽车表面损伤分类方法及装置
CN111742344B (zh) 图像语义分割方法、可移动平台及存储介质
CN112016605B (zh) 一种基于边界框角点对齐和边界匹配的目标检测方法
US10275667B1 (en) Learning method, learning device for detecting lane through lane model and testing method, testing device using the same
CN113033604A (zh) 一种基于SF-YOLOv4网络模型的车辆检测方法、系统及存储介质
CN109344695B (zh) 一种基于特征选择卷积神经网络的目标重识别方法和装置
CN112287896A (zh) 一种基于深度学习的无人机航拍图像目标检测方法及系统
CN109657596A (zh) 一种基于深度学习的车辆外观部件识别方法
CN111160100A (zh) 一种基于样本生成的轻量级深度模型航拍车辆检测方法
CN109376580B (zh) 一种基于深度学习的电力塔架部件识别方法
CN106446834A (zh) 一种基于图像的车型识别方法及装置
CN116740758A (zh) 一种防止误判的鸟类图像识别方法及系统
CN104298992A (zh) 一种基于数据驱动的自适应尺度行人重识别方法
JP2017215859A (ja) 文字列認識装置、方法、及びプログラム
CN115457044A (zh) 基于类激活映射的路面裂缝分割方法
CN109543498B (zh) 一种基于多任务网络的车道线检测方法
CN114266940B (zh) 基于动态标签分配的图像目标检测方法及装置
CN114511715A (zh) 一种驾驶场景数据挖掘方法
CN110619255B (zh) 一种目标检测方法及其装置
CN116206282B (zh) 数据处理方法、装置、设备及计算机存储介质
CN112433228B (zh) 用于行人检测的多激光雷达决策级融合方法和装置
CN112784632B (zh) 一种输电线路安全隐患检测方法及装置

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
CB02 Change of applicant information

Address after: Room 12-17, Block B1, New City Center, No. 3 Wanhua Road, Zhongbei Town, Xiqing District, Tianjin

Applicant after: Sinotruk data (Tianjin) Co.,Ltd.

Address before: 300393 room B1, room B1, new city center, No. 3, Wan Hui Road, Beizhen, Xiqing District, Tianjin

Applicant before: TIANJIN KADAKE DATA Co.,Ltd.

CB02 Change of applicant information
TA01 Transfer of patent application right

Effective date of registration: 20201208

Address after: Room 12-17, Block B1, New City Center, No. 3 Wanhua Road, Zhongbei Town, Xiqing District, Tianjin

Applicant after: Sinotruk data (Tianjin) Co.,Ltd.

Applicant after: CHINA AUTOMOTIVE TECHNOLOGY AND RESEARCH CENTER Co.,Ltd.

Address before: Room 12-17, Block B1, New City Center, No. 3 Wanhua Road, Zhongbei Town, Xiqing District, Tianjin

Applicant before: Sinotruk data (Tianjin) Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant