[go: up one dir, main page]

WO2019144575A1 - Procédé de détection de piéton rapide et dispositif - Google Patents

Procédé de détection de piéton rapide et dispositif Download PDF

Info

Publication number
WO2019144575A1
WO2019144575A1 PCT/CN2018/095058 CN2018095058W WO2019144575A1 WO 2019144575 A1 WO2019144575 A1 WO 2019144575A1 CN 2018095058 W CN2018095058 W CN 2018095058W WO 2019144575 A1 WO2019144575 A1 WO 2019144575A1
Authority
WO
WIPO (PCT)
Prior art keywords
layer
network
target
candidate
convolutional neural
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.)
Ceased
Application number
PCT/CN2018/095058
Other languages
English (en)
Chinese (zh)
Inventor
林倞
尹森堂
张冬雨
王青
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Publication of WO2019144575A1 publication Critical patent/WO2019144575A1/fr
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/0495—Quantised networks; Sparse networks; Compressed 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
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition

Definitions

  • the invention relates to the field of pedestrian detection technology, in particular to a fast pedestrian detection method and device for an embedded system based on deep learning.
  • an object of the present invention to provide a method and apparatus for rapid pedestrian detection, which utilizes different intermediate layers to perform target objects in a specific scale range by utilizing the variation law of the neural network sensing domain.
  • the detection better adapts to the relationship between the sensing domain and the size of the object, and effectively improves the detection result.
  • Another object of the present invention is to provide a fast pedestrian detection method and apparatus, which can adjust and train the VGG-16 network to obtain a squeezeze VGG-16 network that meets the requirements of the embedded system, thereby effectively reducing the parameter amount of the network model and speeding up. Computational efficiency.
  • a further object of the present invention is to provide a method and apparatus for rapid pedestrian detection, which can amplify a feature map of a specific network layer by a method of deconvolution, and enhance detection of a small object, compared to a conventional image enlargement method. Hardly increase the amount of memory and calculations.
  • Another object of the present invention is to provide a fast pedestrian detection method and apparatus, which is excellent in detecting a blurred object and a long-distance small object by using a region of 1.5 times the size of the target object as a background semantic feature. performance.
  • the present invention provides a rapid pedestrian detection method comprising the following steps:
  • Step S1 constructing a configurable depth model based on a convolutional neural network, learning a constructed network parameter using the training sample, and obtaining a model for the testing process;
  • step S2 the test sample is input, and the trained model is used to detect the target object in different scales by using different intermediate layers to detect the target object in the image, and the block diagram of the target object in the image is predicted.
  • step S1 further comprises:
  • the training sample is used to learn the constructed network parameters, that is, the model used for the test process.
  • the depth model comprises a multi-scale target candidate network and a target detection network
  • the target candidate network proposes differences of features based on different layers of the convolutional neural network, and generates candidates for different scale target objects in the intermediate layer respectively.
  • Block diagram; the target detection network performs refined classification and detection on the basis of candidate block diagrams output by the target candidate network.
  • the convolutional neural network is formed by stacking a convolution layer, a downsampling layer, and an upsampling layer.
  • the convolution layer refers to a convolution operation on a two-dimensional space of an input image or a feature map to extract a layered feature;
  • the downsampling layer uses a max-pooling operation without overlap, which is used to extract a shape and Offset invariant features, while reducing the size of the feature map, and improving computational efficiency;
  • the upsampling layer refers to the operation of deconvolving the input feature map in a two-dimensional space to increase the pixel of the feature map .
  • the depth model uses a Squeeze VGG-16 convolutional neural network as a backbone network, and the Squeeze VGG-16 convolutional neural network is characterized by a conv1-1 layer and a 12-layer Fire module layer immediately following it. Network structure.
  • the target candidate network generates network branches in Fire9, Fire12, conv6 and the added pooling layer to detect different scales.
  • the regression of the candidate box of the object is preferably, on the basis of the Squeeze VGG-16 convolutional neural network.
  • the target detection area uses the picture area of the target candidate area preset multiple size as the target background semantic information, and performs the upsampling of the feature map of the Fire9 layer as an enhanced pair.
  • the small object perceives the information, and the background semantic information and the upsampled information are obtained through the pooling of the region of interest to obtain a fixed size feature, and then a layer of fully connected layers is added to perform the regression of the category and the final candidate frame.
  • the training sample includes RGB image data and annotation information of a pedestrian area in the image
  • the actual training image data is a small patch cropped according to the region where the pedestrian is located.
  • Object, loss function Can be defined as:
  • the present invention also provides a fast pedestrian detection system, comprising:
  • a training unit for constructing a configurable depth model based on a convolutional neural network, learning a constructed network parameter using the training sample, and obtaining a model for the testing process
  • the detecting unit is configured to input the test sample, and the trained model is used to detect the target object in different scales by using different intermediate layers to detect the target object in the image, and predict the block diagram of the target object in the image.
  • a fast pedestrian detection method and device of the present invention draws on a compression network method, adjusts and trains the VGG-16 network to obtain a squeezeze VGG-16 network that meets the requirements of the embedded system, and effectively reduces the network model.
  • the parameter quantity accelerates the calculation efficiency; on the other hand, the problem of the inconsistency between the sensing domain and the object size in the traditional detection method, the invention utilizes the variation law of the neural network sensing domain (ie, the deeper the neural network layer, the larger the sensing domain is, suitable for Detecting larger target objects), using different intermediate layers to detect target objects in a specific scale range, better adapting to the relationship between the sensing domain and the object size, effectively improving the detection results; in addition, in order to enhance the small objects
  • the detection method of the present invention uses a deconvolution method to amplify the feature map of a specific network layer.
  • the display memory and the calculation amount are hardly increased; in order to enhance the detection of the fuzzy object, the layer is On the feature map, use the area 1.5 times the size of the target object as the background semantic feature to add to the network. Blur distant objects and the detection of small objects, with excellent performance.
  • FIG. 1 is a flow chart showing the steps of a fast pedestrian detection method according to the present invention.
  • FIG. 2 is a schematic structural diagram of a Squeeze VGG-16 neural network according to an embodiment of the present invention
  • FIG. 3 is a schematic diagram of a Fire module in a specific embodiment of the present invention.
  • FIG. 4 is a schematic structural diagram of a target candidate network according to an embodiment of the present invention.
  • FIG. 5 is a schematic structural diagram of a target detection network according to an embodiment of the present invention.
  • FIG. 6 is a schematic diagram of a process of fast pedestrian detection in a specific embodiment of the present invention.
  • FIG. 7 is a system architecture diagram of a fast pedestrian detection device according to the present invention.
  • Figure 8 is a detailed structural view of a training unit in a specific embodiment of the present invention.
  • Figure 9 is a detailed structural view of a detecting unit in a specific embodiment of the present invention.
  • a fast pedestrian detection method of the present invention includes the following steps:
  • step S1 a configurable depth model based on a convolutional neural network is constructed, and the constructed network parameters are learned by using the training samples to obtain a model for the testing process.
  • the depth model is composed of two sub-networks: a first sub-network, which is a multi-scale target candidate network, used to extract character features and give candidate regions, specifically, the target candidate network.
  • a first sub-network which is a multi-scale target candidate network, used to extract character features and give candidate regions, specifically, the target candidate network.
  • candidate block diagrams for pedestrians of different scales are generated in the middle layer respectively;
  • the second sub-network is the target detection network, and the effect of the detection is enhanced, and the parameters are shared with the target candidate network.
  • step S1 further includes:
  • Step S100 constructing a configurable depth model based on a convolutional neural network.
  • the convolutional neural network is formed by stacking a convolutional layer, a downsampling layer, and an upsampling layer, and the convolutional layer is a convolution operation on an input image or a feature image in a two-dimensional space to extract hierarchical features.
  • the downsampling layer uses a max-pooling operation without overlap, which is used to extract features with shape and offset invariance, while reducing the size of the feature map and improving computational efficiency; the upsampling layer refers to the pair
  • the input feature map performs a deconvolution operation on the two-dimensional space to increase the pixels of the feature map, and is mainly used for the target detection network to improve the detection effect.
  • the Squeeze VGG-16 volume is adopted.
  • the Squeeze VGG-16 convolutional neural network uses a conv1-1 layer followed by a 12-layer Fire module as a convolutional layer to extract features; -pool5 is the downsampling layer; the pre-trained model on the ImageNet dataset is used for initialization. That is, the present invention first pre-trains Squeeze VGG-16 as a network initialization using the ImageNet data set.
  • FIG. 3 is a schematic structural diagram of a Fire module according to an embodiment of the present invention.
  • the Fire module consists of two convolution layers with a convolution kernel size of 1 ⁇ 1 and a convolution layer with a convolution kernel size of 3 ⁇ 3, in order to replace the 1 ⁇ 1 convolution kernel.
  • 3 ⁇ 3 convolution kernel so that the parameter amount is reduced by 9 times, but in order not to affect the network representation ability, not all replacement, but part is to use 1 ⁇ 1 convolution kernel, part uses 3 ⁇ 3 convolution Nuclear, another advantage of this is to reduce the input channel of the 3 ⁇ 3 convolution kernel, and at the same time reduce the amount of parameters.
  • the Fire module first uses the 1 ⁇ 1 convolution layer to reduce the input layer. Then, referring to the GoogLeNet structure, using 1x1 and 3x3 convolutional layers to extract features, and finally connecting the two parts of the feature, this way greatly reduces the amount of computation and model parameters.
  • the target candidate network is based on the Squeeze VGG-16 convolutional neural network, and according to the convolution layer feature, a total of 4 layers are generated in the Fire9, Fire12, conv6, and the added pooling layer, and a network branch is generated.
  • the branch performs regression of the candidate frame of the object detected at different scales. But for the Fire-9 layer, it is closer to the lower layer of the backbone network. Compared to other layers, the gradient will have a large impact, and the learning process is unstable. Therefore, a buffer layer is added, as shown in the det-conv layer in Figure 4. As shown, the buffer layer avoids detecting the gradient of the branch being directly back-propagated (backpropagated) to the backbone layer.
  • the invention utilizes the variation law of the neural network sensing domain (ie, the deeper the neural network layer is, the larger the sensing domain is, it is suitable for detecting a larger target object), and the different intermediate layers are used to detect the target object in a specific scale range, which is better. Adapted to the relationship between the sensing domain and the size of the object, effectively improving the detection results.
  • FIG. 5 is a schematic structural diagram of a target detection network according to an embodiment of the present invention.
  • the target detection network shares parameters with the target candidate network, and summarizes candidate blocks of the target candidate network to enhance the ability of the monitoring network to distinguish objects from the background.
  • the target detection network uses, as a target background semantic information, a picture area of 1.5 times the target candidate area on the basis of the target candidate area; and performs a upsampling of the feature map of the Fire9 layer.
  • the background semantic information and the upsampled information are subjected to ROI pooling to obtain fixed-size features, and then a layer of fully-connected layers is added to perform regression of categories and final candidate frames.
  • the backbone cnn layer is connected to a proposal node for summarizing the candidate frame information obtained by the target candidate network;
  • W and H are the width and height of the input picture
  • the cube 1 Represents the mapping of the object area in the feature map
  • cube 2 represents the mapping of the context area on the feature map.
  • the context area is about 1.5 times the object area.
  • the Fire9 layer is upsampled once.
  • step S101 a training sample is input.
  • the training process needs to provide the corresponding frame of the reference character in the image, and in order to speed up the training, the training process cuts the image containing the reference character from the original image to form a patch, and the patch is smaller than the original image. For training, it effectively speeds up the training process.
  • the input training samples include RGB image data and annotation information of the pedestrian area in the image, and the actual training image data is a small patch (image block) which is cropped according to the region where the pedestrian is located.
  • training samples Where X i represents a patch of the training picture; in practical applications, in addition to the category of pedestrians, there are other categories, such as background, bicycle rider, sitting person, etc.
  • Step S102 initializing the convolutional neural network and its parameters, including weights and offsets of each layer connection in the network layer.
  • the present invention pre-trains the Squeeze VGG-16 convolutional neural network as a network initialization using the ImageNet data set.
  • Step S103 using a forward propagation algorithm and a backward propagation algorithm, using the training samples to learn the constructed network parameters, that is, the model used for the testing process.
  • the forward propagation algorithm first normalizes the size of the input image to 3 ⁇ 480 ⁇ 640, and intercepts a patch of 3 ⁇ 448 ⁇ 448 size and corresponding annotation information as an input of the convolutional neural network.
  • the convolutional layer the downsampling layer and the corrected linear unit layer (ReLU Nonlinearity Layer), in the Fire9 layer, the image feature size is 512 ⁇ 60 ⁇ 80; in the Fire12 layer, the feature image size is 512 ⁇ 30 ⁇ 40, behind
  • the two branch feature map sizes are 512 x 15 x 20 and 512 x 8 x 10, respectively.
  • the four coordinate points and category information of the target block diagram are obtained by convolution.
  • the output is 6 ⁇ 60 ⁇ 80
  • 6 Contains four coordinates of background, pedestrian category and candidate block diagram.
  • the candidate block diagrams obtained by each branch layer are summarized in the proposal node, and the background semantic information of the Fire9 layer and the features obtained by the pooling operation of the upsampled information through the region of interest are superimposed to be the final block diagram. Regression and category regression.
  • the loss function for a particular detection layer m, only contributes to the loss function if the target scale is within the range detectable by m, so the loss function is defined as
  • p(X) (p 0 (X), . . . , p K (X)) represents the probability distribution of the target category;
  • ⁇ is the balance coefficient;
  • b is the four coordinate points of the block diagram, Refers to the coordinate point obtained by forward propagation; in the loss function, the cross-entropy loss function is used to define the category regression, ie
  • Step S2 using the trained model to utilize the variation rule of the neural network perception domain, using different intermediate layers to detect the target objects in different scales, and predicting the block diagram of the target object (such as a pedestrian) in the image.
  • step S2 further includes:
  • Step S200 loading the trained model
  • Step S201 inputting a test sample
  • Step S202 using the trained model, using different intermediate layers to detect pedestrians in different scales through the variation pattern of the neural network perception domain, and predicting the pedestrian block diagram in the image.
  • 6 is a schematic diagram of a process of fast pedestrian detection in a specific embodiment of the present invention, that is, using a target candidate network in a model based on the Squeeze VGG-16 convolutional neural network, according to the characteristics of the convolution layer, in fire9, fire12, conv6, and increasing
  • the pooling layer has a total of 4 layers to generate network branches, and the target candidate regions (intermediate layer a, intermediate layer b, intermediate layer c) of the object are detected at different scales; then the target detection network is used, and the target is selected based on the target candidate region
  • the 1.5-time-size image area of the candidate area is used as the background semantic information of the target, and the feature map of the Fire9 layer is up-sampled once, as information for enhancing the perception of the small object, and the background semantic information and the upsamp
  • the pedestrian detection method proposed by the invention draws on two evaluation indexes respectively: an average precision rate mAP and a frame number per second FPS.
  • the mAP is used to evaluate the ratio of the final detection area to the real target person area, and the average value of the precision is compared under different cross-section ratios;
  • FPS mainly the efficiency index, refers to the number of pictures that can be processed per second.
  • FIG. 7 is a system architecture diagram of a fast pedestrian detection device according to the present invention. As shown in FIG. 7, a fast pedestrian detecting device of the present invention includes:
  • the training unit 70 is configured to construct a configurable convolutional neural network-based depth model, learn the constructed network parameters using the training samples, and obtain a model for the testing process.
  • the depth model constructed by the training unit 70 is composed of two sub-networks: a first sub-network, which is a multi-scale target candidate network, for extracting character features and giving candidate regions, specifically
  • the target candidate network proposes feature differences based on different layers of the convolutional neural network, and generates candidate block diagrams for different scale pedestrians in the middle layer;
  • the second sub-network is the target detection network, enhances the detection effect, and the target candidate Network sharing parameters, refined classification and detection based on candidate block diagrams.
  • the training unit 70 further includes:
  • the model construction unit 701 is configured to construct a configurable convolutional neural network based depth model.
  • the convolutional neural network is formed by stacking a convolutional layer, a downsampling layer, and an upsampling layer, and the convolutional layer is a convolution operation on an input image or a feature image in a two-dimensional space to extract hierarchical features.
  • the downsampling layer uses a max-pooling operation without overlap, which is used to extract features with shape and offset invariance, while reducing the size of the feature map and improving computational efficiency.
  • the upsampling layer refers to the pair
  • the input feature map performs a deconvolution operation on a two-dimensional space to increase the pixels of the feature map.
  • a Squeeze VGG-16 convolutional neural network is employed as the backbone network.
  • the target candidate network is based on the Squeeze VGG-16 convolutional neural network, and according to the convolution layer feature, a total of 4 layers are generated in fire9, fire12, conv6, and the added pooling layer, and a network branch is generated.
  • the branch performs regression of the candidate frame of the object detected at different scales. But for the fire-9 layer, it is closer to the lower layer of the backbone network. Compared with other layers, the gradient will have a great influence on the gradient.
  • the learning process is unstable, so there is an additional buffer layer.
  • the buffer layer avoids detecting the gradient of the branch. Direct back-propagated to the backbone layer.
  • the target detection network shares parameters with the target candidate network, and summarizes candidate blocks of the target candidate network to enhance the ability of the monitoring network to distinguish objects from the background.
  • the target detection network uses, as a target background semantic information, a picture area of 1.5 times the target candidate area on the basis of the target candidate area; and performs a upsampling of the feature map of the Fire9 layer.
  • the background semantic information and the upsampled information are obtained by pooling the region of interest to obtain fixed-size features, and then a layer of fully connected layers is added to perform regression of the category and the final candidate frame.
  • the backbone cnn layer is connected to a proposal subnet
  • W and H are the width and height of the input picture
  • cube 1 represents the pooling of the object area
  • cube 2 represents the pooling of the context area, which is about 1.5 times the object area
  • Enhance the detection of small objects and then perform upsampling on the Fire9 layer.
  • similar to the fast RCNN algorithm use the pooling of the region of interest to obtain fixed-size features, then add a layer of fully-connected layers to classify and finalize the candidate box.
  • the training sample input unit 702 is configured to input a training sample.
  • the initializing unit 703 is configured to initialize the convolutional neural network and its parameters, including weights and offsets of each layer connection in the network layer.
  • the present invention pre-trains the Squeeze VGG-16 convolutional neural network as a network initialization using the ImageNet data set.
  • the sample training unit 704 is configured to adopt a forward propagation algorithm and a backward propagation algorithm, and use the training samples to learn the constructed network parameters, that is, the model used for the testing process.
  • the forward propagation algorithm first normalizes the size of the input image to 3 ⁇ 480 ⁇ 640, and intercepts a patch of 3 ⁇ 448 ⁇ 448 size and corresponding annotation information as an input of the convolutional neural network.
  • the convolutional layer the downsampling layer and the corrected linear unit layer (ReLU Nonlinearity Layer), in the Fire9 layer, the image feature size is 512 ⁇ 60 ⁇ 80; in the Fire12 layer, the feature image size is 512 ⁇ 30 ⁇ 40, behind
  • the two branch feature map sizes are 512 x 15 x 20 and 512 x 8 x 10, respectively.
  • the four coordinate points and category information of the target block diagram are obtained by convolution.
  • the output is 6 ⁇ 60 ⁇ 80
  • 6 Contains four coordinates of background, pedestrian category and candidate block diagram.
  • the candidate block diagrams obtained by each branch layer are summarized in the proposal node, and the background semantic information of the Fire9 layer and the features obtained by the pooling operation of the upsampled information through the region of interest are superimposed to be the final block diagram. Regression and category regression.
  • the loss function for a particular detection layer m, only contributes to the loss function if the target scale is within the range detectable by m, so the loss function is defined as
  • p(X) (p 0 (X), . . . , p K (X)) is the probability distribution of the target class.
  • the cross-entropy loss function is used to define the category regression, ie
  • the detecting unit 71 is configured to input a test sample, and use a trained model to detect a target object (such as a pedestrian) in different scales by using different intermediate layers to detect a target object in the image ( A block diagram such as a pedestrian.
  • a target object such as a pedestrian
  • a block diagram such as a pedestrian.
  • the detecting unit 71 further includes:
  • a model loading unit 710 configured to load the trained model
  • test sample input unit 711 for inputting a test sample
  • the image prediction unit 712 is configured to use the trained model to detect pedestrians in different scales by using different intermediate layers through the trained model to predict the pedestrian's block diagram in the image. Specifically, the image prediction unit 712 generates a network branch in total of 4 layers in Fire9, Fire12, conv6, and the added pooling layer according to the convolution layer feature, based on the Squeeze VGG-16 convolutional neural network, using the target candidate network in the model. The target candidate region of the object is detected at different scales; then, the target detection region is used, and the image region of the target candidate region is used as the background semantic information of the target candidate region, and the feature map of the Fire9 layer is performed.
  • the background semantic information and the upsampled information are pooled through the region of interest to obtain fixed-size features, and then a layer of fully connected layers is added to perform regression of categories and final candidate frames. .
  • the fast pedestrian detection method and device of the present invention learns from the compression network method, adjusts and trains the VGG-16 network to obtain the squeezeze VGG-16 network that meets the requirements of the embedded system, and effectively reduces the parameter amount of the network model.
  • the present invention utilizes the variation law of the neural network sensing domain (ie, the deeper the neural network layer is, the larger the sensing domain is, which is suitable for detecting large Some target objects) use different intermediate layers to detect target objects in a specific scale range, better adapt to the relationship between the sensing domain and the object size, and effectively improve the detection result; in addition, in order to enhance the detection of small objects
  • the present invention uses a deconvolution method to amplify a feature map of a specific network layer.
  • the display memory and the calculation amount are hardly increased; in order to enhance the detection of the fuzzy object, the feature map at the layer is enhanced.
  • the target object 1.5 times the size of the area as a background semantic feature added to the network, for blur Sample distance and small objects, with excellent performance.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

La présente invention concerne un procédé de détection de piéton rapide et un dispositif. Le procédé comprend les étapes suivantes : étape S1, la construction d'un modèle profond configurable sur la base d'un réseau neuronal convolutionnel, et l'utilisation d'échantillons d'apprentissage pour apprendre des paramètres d'un réseau construit pour obtenir un modèle utilisé pour un processus d'essai ; et étape S2, l'entrée d'échantillons d'essai, l'utilisation d'une loi de variation de domaines de perception de réseau neuronal et l'utilisation de différentes couches intermédiaires pour détecter des objets cibles dans différentes plages d'échelle par l'intermédiaire d'un modèle qui a fait l'objet d'un apprentissage, et l'obtention de graphiques en boîte des objets cibles dans des images par prédiction. Le procédé de l'invention utilise les différentes couches intermédiaires pour détecter les objets cibles dans certaines plages d'échelle en utilisant la loi de variation des domaines de perception de réseau neuronal, s'adapte mieux aux relations des domaines de perception et des tailles d'objets, et améliore efficacement un résultat de détection.
PCT/CN2018/095058 2018-01-24 2018-07-10 Procédé de détection de piéton rapide et dispositif Ceased WO2019144575A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201810069322.XA CN108399362B (zh) 2018-01-24 2018-01-24 一种快速行人检测方法及装置
CN201810069322.X 2018-01-24

Publications (1)

Publication Number Publication Date
WO2019144575A1 true WO2019144575A1 (fr) 2019-08-01

Family

ID=63094281

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/095058 Ceased WO2019144575A1 (fr) 2018-01-24 2018-07-10 Procédé de détection de piéton rapide et dispositif

Country Status (2)

Country Link
CN (1) CN108399362B (fr)
WO (1) WO2019144575A1 (fr)

Cited By (328)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110427915A (zh) * 2019-08-14 2019-11-08 北京百度网讯科技有限公司 用于输出信息的方法和装置
CN110473195A (zh) * 2019-08-13 2019-11-19 中山大学 一种可自动定制的医学病灶检测架构及方法
CN110490252A (zh) * 2019-08-19 2019-11-22 西安工业大学 一种基于深度学习的室内人数检测方法及系统
CN110533084A (zh) * 2019-08-12 2019-12-03 长安大学 一种基于自注意力机制的多尺度目标检测方法
CN110580727A (zh) * 2019-08-27 2019-12-17 天津大学 信息流与梯度流增加的深度v型密集网络成像方法
CN110619268A (zh) * 2019-08-07 2019-12-27 北京市新技术应用研究所 基于时空分析与深度特征的行人再识别方法及装置
CN110619309A (zh) * 2019-09-19 2019-12-27 天津天地基业科技有限公司 一种基于八度卷积和YOLOv3的嵌入式平台人脸检测方法
CN110619365A (zh) * 2019-09-18 2019-12-27 苏州经贸职业技术学院 一种落水检测方法
CN110619676A (zh) * 2019-09-18 2019-12-27 东北大学 一种基于神经网络的端到端的三维人脸重建方法
CN110633631A (zh) * 2019-08-06 2019-12-31 厦门大学 一种基于部件幂集和多尺度特征的行人重识别方法
CN110647816A (zh) * 2019-08-26 2020-01-03 合肥工业大学 一种用于货架药品实时监测的目标检测方法
CN110659664A (zh) * 2019-08-02 2020-01-07 杭州电子科技大学 一种基于ssd的高精度识别小物体的方法
CN110659601A (zh) * 2019-09-19 2020-01-07 西安电子科技大学 基于中心点的深度全卷积网络遥感图像密集车辆检测方法
CN110659576A (zh) * 2019-08-23 2020-01-07 深圳久凌软件技术有限公司 一种基于联合判断与生成学习的行人搜索方法及装置
CN110674777A (zh) * 2019-09-30 2020-01-10 电子科技大学 一种专利文本场景下的光学字符识别方法
CN110675309A (zh) * 2019-08-28 2020-01-10 江苏大学 一种基于卷积神经网络和VGGNet16模型的图像风格转换方法
CN110705583A (zh) * 2019-08-15 2020-01-17 平安科技（深圳）有限公司 细胞检测模型训练方法、装置、计算机设备及存储介质
CN110705540A (zh) * 2019-11-25 2020-01-17 中国农业科学院农业信息研究所 基于rfid和深度学习的兽药生产指针式仪表图像识别方法和装置
CN110706239A (zh) * 2019-09-26 2020-01-17 哈尔滨工程大学 融合全卷积神经网络与改进aspp模块的场景分割方法
CN110717903A (zh) * 2019-09-30 2020-01-21 天津大学 一种利用计算机视觉技术进行农作物病害检测的方法
CN110728640A (zh) * 2019-10-12 2020-01-24 合肥工业大学 一种双通道单幅图像精细去雨方法
CN110728238A (zh) * 2019-10-12 2020-01-24 安徽工程大学 一种融合型神经网络的人员再检测方法
CN110728186A (zh) * 2019-09-11 2020-01-24 中国科学院声学研究所南海研究站 一种基于多网融合的火灾检测方法
CN110751076A (zh) * 2019-10-09 2020-02-04 上海应用技术大学 车辆检测方法
CN110751644A (zh) * 2019-10-23 2020-02-04 上海应用技术大学 道路表面裂纹检测方法
CN110781895A (zh) * 2019-10-10 2020-02-11 湖北工业大学 一种基于卷积神经网络的图像语义分割方法
CN110796232A (zh) * 2019-10-12 2020-02-14 腾讯科技（深圳）有限公司 属性预测模型训练方法、属性预测方法及电子设备
CN110826476A (zh) * 2019-11-02 2020-02-21 国网浙江省电力有限公司杭州供电公司 识别目标物体的图像检测方法、装置、电子设备和存储介质
CN110826485A (zh) * 2019-11-05 2020-02-21 中国人民解放军战略支援部队信息工程大学 一种遥感影像的目标检测方法及系统
CN110826552A (zh) * 2019-11-05 2020-02-21 华中农业大学 基于深度学习的葡萄无损自动检测装置及其方法
CN110837837A (zh) * 2019-11-05 2020-02-25 安徽工业大学 一种基于卷积神经网络的违章检测方法
CN110852179A (zh) * 2019-10-17 2020-02-28 天津大学 基于视频监控平台的可疑人员入侵的检测方法
CN110852272A (zh) * 2019-11-11 2020-02-28 上海应用技术大学 行人检测方法
CN110909797A (zh) * 2019-11-22 2020-03-24 北京深睿博联科技有限责任公司 图像检测方法以及装置、设备、存储介质
CN110942008A (zh) * 2019-11-21 2020-03-31 圆通速递有限公司 一种基于深度学习的面单信息定位方法和系统
CN110942144A (zh) * 2019-12-05 2020-03-31 深圳牛图科技有限公司 集自动化训练、校验、重构于一体的神经网络构建方法
CN110956157A (zh) * 2019-12-14 2020-04-03 深圳先进技术研究院 基于候选框选择的深度学习遥感影像目标检测方法及装置
CN110956115A (zh) * 2019-11-26 2020-04-03 证通股份有限公司 场景识别方法及装置
CN110992238A (zh) * 2019-12-06 2020-04-10 上海电力大学 一种基于双通道网络的数字图像篡改盲检测方法
CN110986949A (zh) * 2019-12-04 2020-04-10 日照职业技术学院 一种基于人工智能平台下的路径识别方法
CN111008603A (zh) * 2019-12-08 2020-04-14 中南大学 面向大尺度遥感图像的多类目标快速检测方法
CN111008562A (zh) * 2019-10-31 2020-04-14 北京城建设计发展集团股份有限公司 一种特征图深度融合的人车目标检测方法
CN111008554A (zh) * 2019-10-16 2020-04-14 合肥湛达智能科技有限公司 一种基于深度学习的动态交通斑马线内不礼让行人识别方法
CN111008567A (zh) * 2019-11-07 2020-04-14 郑州大学 一种驾驶员行为识别方法
CN111008632A (zh) * 2019-10-17 2020-04-14 安徽清新互联信息科技有限公司 一种基于深度学习的车牌字符分割方法
CN111008994A (zh) * 2019-11-14 2020-04-14 山东万腾电子科技有限公司 基于MPSoC的运动目标实时检测跟踪系统及方法
CN111027449A (zh) * 2019-12-05 2020-04-17 光典信息发展有限公司 一种纸质档案电子影像归档章的定位识别方法
CN111046928A (zh) * 2019-11-27 2020-04-21 上海交通大学 定位精准的单阶段实时通用目标检测器及方法
CN111046723A (zh) * 2019-10-17 2020-04-21 安徽清新互联信息科技有限公司 一种基于深度学习的车道线检测方法
CN111062278A (zh) * 2019-12-03 2020-04-24 西安工程大学 基于改进残差网络的异常行为识别方法
CN111062297A (zh) * 2019-12-11 2020-04-24 青岛科技大学 基于eann深度学习模型的暴力异常行为检测方法
CN111079642A (zh) * 2019-12-13 2020-04-28 国网浙江余姚市供电有限公司 线路可移动监控方法及装置及计算机可读介质
CN111091101A (zh) * 2019-12-23 2020-05-01 中国科学院自动化研究所 基于一步法的高精度行人检测方法、系统、装置
CN111105393A (zh) * 2019-11-25 2020-05-05 长安大学 一种基于深度学习的葡萄病虫害识别方法及装置
CN111126310A (zh) * 2019-12-26 2020-05-08 华侨大学 一种基于场景迁移的行人性别识别方法
CN111126359A (zh) * 2019-11-15 2020-05-08 西安电子科技大学 基于自编码器与yolo算法的高清图像小目标检测方法
CN111144209A (zh) * 2019-11-25 2020-05-12 浙江工商大学 一种基于异构多分支深度卷积神经网络的监控视频人头检测方法
CN111145195A (zh) * 2019-12-03 2020-05-12 上海海事大学 一种基于轻量级深度神经网络的视频中人像轮廓探测方法
CN111160115A (zh) * 2019-12-10 2020-05-15 上海工程技术大学 一种基于孪生双流3d卷积神经网络的视频行人再识别方法
CN111161295A (zh) * 2019-12-30 2020-05-15 神思电子技术股份有限公司 一种菜品图像背景剥离方法
CN111160274A (zh) * 2019-12-31 2020-05-15 合肥湛达智能科技有限公司 一种基于二值化Faster RCNN网络的行人检测方法
CN111161217A (zh) * 2019-12-10 2020-05-15 中国民航大学 基于Conv-LSTM多尺度特征融合的模糊检测方法
CN111178251A (zh) * 2019-12-27 2020-05-19 汇纳科技股份有限公司 一种行人属性识别方法及系统、存储介质及终端
CN111178148A (zh) * 2019-12-06 2020-05-19 天津大学 一种基于无人机视觉系统的地面目标地理坐标定位方法
CN111178178A (zh) * 2019-12-16 2020-05-19 汇纳科技股份有限公司 结合区域分布的多尺度行人重识别方法、系统、介质及终端
CN111179338A (zh) * 2019-12-10 2020-05-19 同济大学 一种用于移动供电接收端的轻量化目标定位方法
CN111199220A (zh) * 2020-01-21 2020-05-26 北方民族大学 电梯内人员检测与人数统计的轻量化深度神经网络方法
CN111199212A (zh) * 2020-01-02 2020-05-26 西安工程大学 基于注意力模型的行人属性识别方法
CN111209887A (zh) * 2020-01-15 2020-05-29 西安电子科技大学 针对小目标检测的ssd模型优化方法
CN111209860A (zh) * 2020-01-06 2020-05-29 上海海事大学 基于深度学习与强化学习的视频考勤系统及方法
CN111209952A (zh) * 2020-01-03 2020-05-29 西安工业大学 基于改进ssd和迁移学习的水下目标检测方法
CN111222519A (zh) * 2020-01-16 2020-06-02 西北大学 一种层次化彩绘文物线稿提取模型构建、方法及装置
CN111222534A (zh) * 2019-11-15 2020-06-02 重庆邮电大学 一种基于双向特征融合和更平衡l1损失的单发多框检测器优化方法
CN111222402A (zh) * 2019-11-14 2020-06-02 北京理工大学 一种面向无人机图像的人群聚集密度分析方法
CN111242839A (zh) * 2020-01-13 2020-06-05 华南理工大学 一种基于尺度等级的图像缩放裁剪方法
CN111242010A (zh) * 2020-01-10 2020-06-05 厦门博海中天信息科技有限公司 一种基于边缘ai的判断并识别乱扔垃圾人员身份的方法
CN111259800A (zh) * 2020-01-16 2020-06-09 天津大学 一种基于神经网络的无人驾驶专用车辆检测方法
CN111260658A (zh) * 2020-01-10 2020-06-09 厦门大学 一种用于图像分割的新型深度强化学习算法
CN111259898A (zh) * 2020-01-08 2020-06-09 西安电子科技大学 基于无人机航拍图像的农作物分割方法
CN111259736A (zh) * 2020-01-08 2020-06-09 上海海事大学 一种基于深度学习的复杂环境下行人实时检测方法
CN111275171A (zh) * 2020-01-19 2020-06-12 合肥工业大学 一种基于参数共享的多尺度超分重建的小目标检测方法
CN111275688A (zh) * 2020-01-19 2020-06-12 合肥工业大学 基于注意力机制的上下文特征融合筛选的小目标检测方法
CN111275711A (zh) * 2020-01-08 2020-06-12 西安电子科技大学 基于轻量级卷积神经网络模型的实时图像语义分割方法
CN111292366A (zh) * 2020-02-17 2020-06-16 华侨大学 一种基于深度学习和边缘计算的视觉行车测距算法
CN111291820A (zh) * 2020-02-19 2020-06-16 中国电子科技集团公司第二十八研究所 一种结合定位信息和分类信息的目标检测方法
CN111291785A (zh) * 2020-01-16 2020-06-16 中国平安人寿保险股份有限公司 目标检测的方法、装置、设备及存储介质
CN111310773A (zh) * 2020-03-27 2020-06-19 西安电子科技大学 一种高效的卷积神经网络的车牌定位方法
CN111310861A (zh) * 2020-03-27 2020-06-19 西安电子科技大学 一种基于深度神经网络的车牌识别和定位方法
CN111339871A (zh) * 2020-02-18 2020-06-26 中国电子科技集团公司第二十八研究所 一种基于卷积神经网络的目标群分布模式研判方法和设备
CN111339967A (zh) * 2020-02-28 2020-06-26 长安大学 一种基于多视域图卷积网络的行人检测方法
CN111339975A (zh) * 2020-03-03 2020-06-26 华东理工大学 基于中心尺度预测与孪生神经网络的目标检测识别跟踪方法
CN111368673A (zh) * 2020-02-26 2020-07-03 华南理工大学 一种基于神经网络的人体关键点快速提取方法
CN111368726A (zh) * 2020-03-04 2020-07-03 西安咏圣达电子科技有限公司 建筑工地作业面人数统计方法、系统、存储介质及装置
CN111368453A (zh) * 2020-03-17 2020-07-03 创新奇智(合肥)科技有限公司 一种基于深度强化学习的面料裁剪优化方法
CN111414909A (zh) * 2020-03-16 2020-07-14 上海富瀚微电子股份有限公司 一种目标检测方法和装置
CN111414997A (zh) * 2020-03-27 2020-07-14 中国人民解放军空军工程大学 一种基于人工智能的用于战场目标识别的方法
CN111428586A (zh) * 2020-03-09 2020-07-17 同济大学 基于特征融合与样本增强的三维人体姿态估计方法
CN111428751A (zh) * 2020-02-24 2020-07-17 清华大学 基于压缩感知和卷积网络的物体检测方法
CN111428567A (zh) * 2020-02-26 2020-07-17 沈阳大学 一种基于仿射多任务回归的行人跟踪系统及方法
CN111429410A (zh) * 2020-03-13 2020-07-17 杭州电子科技大学 一种基于深度学习的物体x射线图像材质判别系统及方法
CN111460980A (zh) * 2020-03-30 2020-07-28 西安工程大学 基于多语义特征融合的小目标行人的多尺度检测方法
CN111462132A (zh) * 2020-03-20 2020-07-28 西北大学 一种基于深度学习的视频物体分割方法及系统
CN111462108A (zh) * 2020-04-13 2020-07-28 山西新华化工有限责任公司 一种基于机器学习的头面部产品设计工效学评估操作方法
CN111462085A (zh) * 2020-03-31 2020-07-28 上海大学 基于卷积神经网络的数字图像局部滤波取证方法
CN111460924A (zh) * 2020-03-16 2020-07-28 上海师范大学 一种基于目标检测的闸机通过逃票行为检测方法
CN111461291A (zh) * 2020-03-13 2020-07-28 西安科技大学 基于YOLOv3剪枝网络和深度学习去雾模型的长输管线巡检方法
CN111461160A (zh) * 2019-11-11 2020-07-28 天津津航技术物理研究所 抗云雾、烟雾干扰红外成像导引头目标跟踪方法
CN111476314A (zh) * 2020-04-27 2020-07-31 中国科学院合肥物质科学研究院 一种融合光流算法与深度学习的模糊视频检测方法
CN111488805A (zh) * 2020-03-24 2020-08-04 广州大学 一种基于显著性特征提取的视频行为识别方法
CN111523645A (zh) * 2020-04-16 2020-08-11 北京航天自动控制研究所 一种提升小尺度目标检测识别性能的卷积神经网络设计方法
CN111553199A (zh) * 2020-04-07 2020-08-18 厦门大学 一种基于计算机视觉的机动车交通违法行为自动检测技术
CN111563525A (zh) * 2020-03-25 2020-08-21 北京航空航天大学 一种基于YOLOv3-Tiny的运动目标检测方法
CN111582452A (zh) * 2020-05-09 2020-08-25 北京百度网讯科技有限公司 生成神经网络模型的方法和装置
CN111597900A (zh) * 2020-04-16 2020-08-28 浙江工业大学 非法遛狗识别方法
CN111597939A (zh) * 2020-05-07 2020-08-28 西安电子科技大学 一种基于深度学习的高铁线路鸟窝缺陷检测方法
CN111597945A (zh) * 2020-05-11 2020-08-28 济南博观智能科技有限公司 一种目标检测方法、装置、设备及介质
CN111597897A (zh) * 2020-04-16 2020-08-28 浙江工业大学 高速服务区车位识别方法
CN111626196A (zh) * 2020-05-27 2020-09-04 成都颜禾曦科技有限公司 基于知识图谱的典型牛科动物身体结构智能分析方法
CN111652846A (zh) * 2020-04-30 2020-09-11 成都数之联科技有限公司 一种基于特征金字塔卷积神经网络的半导体缺陷识别方法
CN111652216A (zh) * 2020-06-03 2020-09-11 北京工商大学 基于度量学习的多尺度目标检测模型方法
CN111652930A (zh) * 2020-06-04 2020-09-11 上海媒智科技有限公司 一种图像目标检测方法、系统及设备
CN111667030A (zh) * 2020-07-13 2020-09-15 华东理工大学 基于深度神经网络实现遥感图像目标检测的方法、系统及其存储介质
CN111695403A (zh) * 2020-04-19 2020-09-22 东风汽车股份有限公司 一种基于深度感知卷积神经网络的2d与3d图像同步检测方法
CN111709935A (zh) * 2020-06-17 2020-09-25 西安科技大学 一种用于地面运动皮带上实时煤矸石定位识别方法
CN111709313A (zh) * 2020-05-27 2020-09-25 杭州电子科技大学 基于局部和通道组合特征的行人重识别方法
CN111709336A (zh) * 2020-06-08 2020-09-25 杭州像素元科技有限公司 一种高速公路行人检测方法、设备及可读存储介质
CN111709449A (zh) * 2020-05-20 2020-09-25 西安理工大学 一种基于聚类算法的多层特征融合的小尺度目标检测方法
CN111709311A (zh) * 2020-05-27 2020-09-25 西安理工大学 一种基于多尺度卷积特征融合的行人重识别方法
CN111723743A (zh) * 2020-06-19 2020-09-29 北京邮电大学 一种小尺度行人快速检测方法
CN111738124A (zh) * 2020-06-15 2020-10-02 西安电子科技大学 基于Gabor变换和注意力的遥感图像云检测方法
CN111738237A (zh) * 2020-04-29 2020-10-02 上海海事大学 一种基于异构卷积的多核迭代rpn的目标检测方法
CN111753625A (zh) * 2020-03-18 2020-10-09 北京沃东天骏信息技术有限公司 一种行人检测方法、装置、设备及介质
CN111767847A (zh) * 2020-06-29 2020-10-13 佛山市南海区广工大数控装备协同创新研究院 一种集成目标检测和关联的行人多目标跟踪方法
CN111767878A (zh) * 2020-07-03 2020-10-13 中国科学院自动化研究所 嵌入式设备中基于深度学习的交通标志检测方法及系统
CN111783934A (zh) * 2020-05-15 2020-10-16 北京迈格威科技有限公司 卷积神经网络构建方法、装置、设备及介质
CN111783685A (zh) * 2020-05-08 2020-10-16 西安建筑科技大学 一种基于单阶段网络模型的目标检测改进算法
CN111783523A (zh) * 2020-05-19 2020-10-16 中国人民解放军93114部队 一种遥感影像旋转目标检测方法
CN111784652A (zh) * 2020-06-24 2020-10-16 西安电子科技大学 基于强化学习多尺度神经网络的mri分割方法
CN111797836A (zh) * 2020-06-18 2020-10-20 中国空间技术研究院 一种基于深度学习的地外天体巡视器障碍物分割方法
CN111814621A (zh) * 2020-06-29 2020-10-23 中国科学院合肥物质科学研究院 一种基于注意力机制的多尺度车辆行人检测方法及装置
CN111832513A (zh) * 2020-07-21 2020-10-27 西安电子科技大学 基于神经网络的实时足球目标检测方法
CN111832630A (zh) * 2020-06-23 2020-10-27 成都恒创新星科技有限公司 一种基于一阶梯度神经网络的目标检测方法
CN111832479A (zh) * 2020-07-14 2020-10-27 西安电子科技大学 基于改进的自适应锚点r-cnn的视频目标检测方法
CN111832450A (zh) * 2020-06-30 2020-10-27 成都睿沿科技有限公司 基于图像识别的持刀检测方法
CN111832608A (zh) * 2020-05-29 2020-10-27 上海海事大学 一种基于单阶段检测模型yolov3的铁谱图像多磨粒识别方法
CN111860637A (zh) * 2020-07-17 2020-10-30 河南科技大学 一种单发多框红外目标检测方法
CN111860265A (zh) * 2020-07-10 2020-10-30 武汉理工大学 一种基于样本损失的多检测框损失均衡道路场景理解算法
CN111860587A (zh) * 2020-06-12 2020-10-30 长安大学 一种用于图片小目标的检测方法
CN111881714A (zh) * 2020-05-22 2020-11-03 北京交通大学 一种无监督跨域行人再识别方法
CN111881932A (zh) * 2020-06-11 2020-11-03 中国人民解放军战略支援部队信息工程大学 一种军用飞机的FasterRCNN目标检测算法
CN111881803A (zh) * 2020-07-22 2020-11-03 安徽农业大学 一种基于改进YOLOv3的畜脸识别方法
CN111915583A (zh) * 2020-07-29 2020-11-10 西安电子科技大学 复杂场景中基于车载红外热像仪的车辆和行人检测方法
CN111986172A (zh) * 2020-08-18 2020-11-24 华北电力科学研究院有限责任公司 一种面向电力设备的红外图像故障检测方法及装置
CN111985473A (zh) * 2020-08-20 2020-11-24 中再云图技术有限公司 一种店外经营识别方法
CN111986126A (zh) * 2020-07-17 2020-11-24 浙江工业大学 一种基于改进vgg16网络的多目标检测方法
CN111984879A (zh) * 2020-08-19 2020-11-24 交控科技股份有限公司 应用于列车的用户引导方法、装置、设备和存储介质
CN111986186A (zh) * 2020-08-25 2020-11-24 华中科技大学 一种定量化的炉前pcb贴片缺陷在线检测系统和方法
CN111985365A (zh) * 2020-08-06 2020-11-24 合肥学院 一种基于目标检测技术的秸秆焚烧监测方法和系统
CN111986149A (zh) * 2020-07-16 2020-11-24 江西斯源科技有限公司 一种基于卷积神经网络的植物病虫害检测方法
CN111985464A (zh) * 2020-08-13 2020-11-24 山东大学 面向法院判决文书的多尺度学习的文字识别方法及系统
CN111986145A (zh) * 2020-07-09 2020-11-24 浙江工业大学 一种基于Faster-RCNN的轴承滚子瑕疵检测方法
CN112001385A (zh) * 2020-08-20 2020-11-27 长安大学 一种目标跨域检测与理解方法、系统、设备及存储介质
CN112001878A (zh) * 2020-05-21 2020-11-27 合肥合工安驰智能科技有限公司 基于二值化神经网络的深度学习矿石尺度测量方法及应用系统
CN112001259A (zh) * 2020-07-28 2020-11-27 联芯智能(南京)科技有限公司 基于可见光图像的航拍微弱人体目标智能检测方法
CN112001339A (zh) * 2020-08-27 2020-11-27 杭州电子科技大学 一种基于YOLO v4的行人社交距离实时监测方法
CN112036437A (zh) * 2020-07-28 2020-12-04 农业农村部南京农业机械化研究所 基于改进yolov3网络的水稻秧苗检测模型及其方法
CN112085126A (zh) * 2020-09-30 2020-12-15 浙江大学 一种侧重于分类任务的单样本目标检测方法
CN112101455A (zh) * 2020-09-15 2020-12-18 重庆市农业科学院 一种基于卷积神经网络的茶小绿叶蝉识别和计数的方法
CN112101434A (zh) * 2020-09-04 2020-12-18 河南大学 基于改进YOLO v3的红外图像弱小目标检测方法
CN112115885A (zh) * 2020-09-22 2020-12-22 中国农业科学院农业信息研究所 基于深度卷积神经网络的采摘用果树结果枝剪切点定位方法
CN112115291A (zh) * 2020-08-12 2020-12-22 南京止善智能科技研究院有限公司 一种基于深度学习的三维室内模型检索方法
CN112149664A (zh) * 2020-09-04 2020-12-29 浙江工业大学 一种优化分类与定位任务的目标检测方法
CN112163492A (zh) * 2020-09-21 2021-01-01 华南理工大学 一种长时跨场景优化的交通物体检测方法、系统及介质
CN112183430A (zh) * 2020-10-12 2021-01-05 河北工业大学 一种基于双神经网络的手语识别方法及装置
CN112200045A (zh) * 2020-09-30 2021-01-08 华中科技大学 基于上下文增强的遥感图像目标检测模型建立方法及应用
CN112199983A (zh) * 2020-07-08 2021-01-08 北京航空航天大学 一种多层次筛选的长时间大范围行人再识别方法
CN112215100A (zh) * 2020-09-27 2021-01-12 浙江工业大学 一种不平衡训练样本下针对退化图像的目标检测方法
CN112232411A (zh) * 2020-10-15 2021-01-15 浙江凌图科技有限公司 HarDNet-Lite在嵌入式平台的优化方法
CN112257796A (zh) * 2020-10-28 2021-01-22 辽宁工程技术大学 一种基于选择性特征连接的卷积神经网络的图像整合方法
CN112308062A (zh) * 2020-11-23 2021-02-02 浙江卡易智慧医疗科技有限公司 一种复杂背景图像中的医疗影像访问号识别方法
CN112347851A (zh) * 2020-09-30 2021-02-09 山东理工大学 多目标检测网络的构建方法、多目标检测方法及装置
CN112347843A (zh) * 2020-09-18 2021-02-09 深圳数联天下智能科技有限公司 一种训练皱纹检测模型的方法及相关装置
CN112348036A (zh) * 2020-11-26 2021-02-09 北京工业大学 基于轻量化残差学习和反卷积级联的自适应目标检测方法
CN112364974A (zh) * 2020-08-28 2021-02-12 西安电子科技大学 一种基于激活函数改进的YOLOv3算法
CN112382388A (zh) * 2020-12-14 2021-02-19 中南大学 一种压疮不良事件的预警方法
CN112381792A (zh) * 2020-11-13 2021-02-19 中国人民解放军空军工程大学 基于深度学习的雷达吸波涂层/电磁屏蔽薄膜损伤的智能化成像在线检测方法
CN112396000A (zh) * 2020-11-19 2021-02-23 中山大学 一种多模态密集预测的深度信息传输模型的构建方法
CN112396036A (zh) * 2020-12-09 2021-02-23 中山大学 一种结合空间变换网络和多尺度特征提取的遮挡行人重识别方法
CN112419237A (zh) * 2020-11-03 2021-02-26 中国计量大学 一种基于深度学习的汽车离合主缸凹槽表面缺陷检测方法
CN112434828A (zh) * 2020-11-23 2021-03-02 南京富岛软件有限公司 一种5t运维中安全防护智能识别方法
CN112446308A (zh) * 2020-11-16 2021-03-05 北京科技大学 基于语义增强的多尺度特征金字塔融合的行人检测方法
CN112446376A (zh) * 2019-09-05 2021-03-05 中国科学院沈阳自动化研究所 一种工业图像智能分割压缩方法
CN112465815A (zh) * 2020-12-17 2021-03-09 杭州电子科技大学 一种基于边缘主体融合信息的遥感目标显著性检测方法
CN112464765A (zh) * 2020-09-10 2021-03-09 天津师范大学 一种基于单像素特征放大的安全帽检测算法及其应用
CN112487979A (zh) * 2020-11-30 2021-03-12 北京百度网讯科技有限公司 目标检测方法和模型训练方法、装置、电子设备和介质
CN112528826A (zh) * 2020-12-04 2021-03-19 江苏省农业科学院 一种基于3d视觉感知的采摘装置的控制方法
CN112556682A (zh) * 2021-02-07 2021-03-26 天津蓝鳍海洋工程有限公司 一种水下复合传感器目标自动检测算法
CN112560627A (zh) * 2020-12-09 2021-03-26 江苏集萃未来城市应用技术研究所有限公司 基于神经网的工地人员异常行为实时检测方法
CN112560682A (zh) * 2020-12-16 2021-03-26 重庆守愚科技有限公司 一种基于深度学习的气门自动检测方法
CN112580778A (zh) * 2020-11-25 2021-03-30 江苏集萃未来城市应用技术研究所有限公司 基于YOLOv5和Pose-estimation的工地工人手机使用检测方法
CN112613359A (zh) * 2020-12-09 2021-04-06 苏州玖合智能科技有限公司 用于人员异常行为检测的神经网络的构建方法
CN112613472A (zh) * 2020-12-31 2021-04-06 上海交通大学 一种基于深度搜索匹配的行人检测方法及系统
CN112633086A (zh) * 2020-12-09 2021-04-09 西安电子科技大学 基于多任务EfficientDet的近红外行人监测方法、系统、介质、设备
CN112634367A (zh) * 2020-12-25 2021-04-09 天津大学 一种基于深度神经网络的抗遮挡的物体位姿估计方法
CN112651441A (zh) * 2020-12-25 2021-04-13 深圳市信义科技有限公司 细粒度非机动车特征检测方法、存储介质及计算机设备
CN112668374A (zh) * 2019-10-16 2021-04-16 北京灵汐科技有限公司 图像处理方法、装置、重识别网络的训练方法及电子设备
CN112700444A (zh) * 2021-02-19 2021-04-23 中国铁道科学研究院集团有限公司铁道建筑研究所 基于自注意力与中心点回归模型的桥梁螺栓检测方法
CN112699808A (zh) * 2020-12-31 2021-04-23 深圳市华尊科技股份有限公司 密集目标检测方法、电子设备及相关产品
CN112733848A (zh) * 2021-01-08 2021-04-30 中国电子科技集团公司第二十八研究所 基于多尺度特征和扩张型逆残差全连接的目标检测方法
CN112733714A (zh) * 2021-01-11 2021-04-30 北京大学 一种基于vgg网络的自动人群计数图像识别方法
CN112770325A (zh) * 2020-12-09 2021-05-07 华南理工大学 一种基于深度学习的认知车联网频谱感知方法
CN112784921A (zh) * 2021-02-02 2021-05-11 西北工业大学 任务注意力引导的小样本图像互补学习分类算法
CN112862796A (zh) * 2021-02-23 2021-05-28 中国农业机械化科学研究院 一种仁果多类别外部品质检测方法和检测装置
CN112906658A (zh) * 2021-03-30 2021-06-04 航天时代飞鸿技术有限公司 一种无人机侦查地面目标的轻量化自动检测方法
CN112906718A (zh) * 2021-03-09 2021-06-04 西安电子科技大学 一种基于卷积神经网络的多目标检测方法
CN112949508A (zh) * 2021-03-08 2021-06-11 咪咕文化科技有限公司 模型训练方法、行人检测方法、电子设备及可读存储介质
CN112949814A (zh) * 2019-11-26 2021-06-11 联合汽车电子有限公司 卷积神经网络的压缩和加速方法、装置及嵌入式设备
CN113012208A (zh) * 2021-03-22 2021-06-22 上海应用技术大学 多视角遥感图像配准方法及系统
CN113011398A (zh) * 2021-04-28 2021-06-22 北京邮电大学 一种针对多时相遥感图像的目标变化检测方法及装置
CN113076957A (zh) * 2021-04-21 2021-07-06 河南大学 一种基于跨模态特征融合的rgb-d图像显著性目标检测方法
CN113112511A (zh) * 2021-04-19 2021-07-13 新东方教育科技集团有限公司 试卷批改的方法、装置、存储介质及电子设备
CN113128316A (zh) * 2020-01-15 2021-07-16 北京四维图新科技股份有限公司 目标检测方法及装置
CN113177545A (zh) * 2021-04-29 2021-07-27 北京百度网讯科技有限公司 目标物体的检测方法、装置、电子设备和存储介质
CN113222064A (zh) * 2021-05-31 2021-08-06 苏州晗林信息技术发展有限公司 一种图像目标对象实时检测方法、系统、终端及存储介质
CN113221787A (zh) * 2021-05-18 2021-08-06 西安电子科技大学 基于多元差异性融合的行人多目标跟踪方法
CN113221957A (zh) * 2021-04-17 2021-08-06 南京航空航天大学 一种基于Centernet的雷达信息融合特征增强方法
CN113297961A (zh) * 2021-05-24 2021-08-24 南京邮电大学 一种基于边界特征融合孪生循环神经网络的目标跟踪方法
CN113312995A (zh) * 2021-05-18 2021-08-27 华南理工大学 基于中轴线的无锚点车载行人检测方法
CN113312961A (zh) * 2021-04-03 2021-08-27 国家计算机网络与信息安全管理中心 一种logo识别加速方法
CN113324864A (zh) * 2020-02-28 2021-08-31 南京理工大学 一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法
CN113343853A (zh) * 2021-06-08 2021-09-03 深圳格瑞健康管理有限公司 一种儿童牙龋齿智能筛查方法及装置
CN113361491A (zh) * 2021-07-19 2021-09-07 厦门大学 一种无人驾驶汽车对行人的过街意图预测方法
CN113379718A (zh) * 2021-06-28 2021-09-10 北京百度网讯科技有限公司 一种目标检测方法、装置、电子设备以及可读存储介质
CN113379709A (zh) * 2021-06-16 2021-09-10 浙江工业大学 一种基于稀疏多尺度体素特征融合的三维目标检测方法
CN113408340A (zh) * 2021-05-12 2021-09-17 北京化工大学 基于增强型特征金字塔的双极化sar小型船只检测方法
CN113449634A (zh) * 2021-06-28 2021-09-28 上海翰声信息技术有限公司 一种用于处理强光环境下的视频检测方法及装置
CN113449743A (zh) * 2021-07-12 2021-09-28 西安科技大学 一种煤尘颗粒特征提取方法
CN113469254A (zh) * 2021-07-02 2021-10-01 上海应用技术大学 基于目标检测模型的目标检测方法及系统
CN113487600A (zh) * 2021-07-27 2021-10-08 大连海事大学 一种特征增强尺度自适应感知船舶检测方法
CN113592825A (zh) * 2021-08-02 2021-11-02 安徽理工大学 一种基于yolo算法的煤矸实时检测方法
CN113591854A (zh) * 2021-08-12 2021-11-02 中国海洋大学 一种浮游生物全息图的低冗余快速重建方法
CN113591735A (zh) * 2021-08-04 2021-11-02 上海新纪元机器人有限公司 一种基于深度学习的行人检测方法及系统
CN113627257A (zh) * 2021-07-09 2021-11-09 上海智臻智能网络科技股份有限公司 检测方法、检测系统、设备和存储介质
CN113642410A (zh) * 2021-07-15 2021-11-12 南京航空航天大学 一种基于多尺度特征融合及动态卷积的福寿螺卵检测方法
CN113657174A (zh) * 2021-07-21 2021-11-16 北京中科慧眼科技有限公司 一种车辆伪3d信息检测方法、装置与自动驾驶系统
CN113706491A (zh) * 2021-08-20 2021-11-26 西安电子科技大学 基于混合注意力弱监督迁移学习的半月板损伤分级方法
CN113762209A (zh) * 2021-09-22 2021-12-07 重庆邮电大学 一种基于yolo的多尺度并行特征融合路标检测方法
CN113780193A (zh) * 2021-09-15 2021-12-10 易采天成(郑州)信息技术有限公司 基于rcnn的牛群目标检测方法及设备
CN113793292A (zh) * 2020-05-25 2021-12-14 阿里巴巴集团控股有限公司 数据处理方法、装置、电子设备及存储介质
CN113805151A (zh) * 2021-08-17 2021-12-17 青岛本原微电子有限公司 基于注意力机制的中重频雷达目标检测方法
CN113807152A (zh) * 2020-06-17 2021-12-17 阿里巴巴集团控股有限公司 图像处理、模型训练方法和装置
CN113807243A (zh) * 2021-09-16 2021-12-17 上海交通大学 一种基于对未知目标注意力的水上障碍物检测系统及方法
CN113822185A (zh) * 2021-09-09 2021-12-21 安徽农业大学 一种群养生猪日常行为检测方法
CN113869361A (zh) * 2021-08-20 2021-12-31 深延科技(北京)有限公司 模型训练方法、目标检测方法及相关装置
CN113887330A (zh) * 2021-09-10 2022-01-04 国网吉林省电力有限公司 一种基于遥感图像的目标检测系统
CN113887341A (zh) * 2021-09-16 2022-01-04 同济大学 一种基于并联卷积神经网络的人体骨骼动作识别方法
CN113901944A (zh) * 2021-10-25 2022-01-07 大连理工大学 一种基于改进的yolo算法的海洋生物目标检测方法
CN113902024A (zh) * 2021-10-20 2022-01-07 浙江大立科技股份有限公司 基于深度学习与双波段融合的小体积目标检测识别方法
CN113962933A (zh) * 2021-09-15 2022-01-21 上海大学 一种基于改进YOLOv3的PCB缺陷图像检测方法
CN113989518A (zh) * 2021-11-08 2022-01-28 中国科学院合肥物质科学研究院 一种应用于智能终端的轻量级目标检测方法
CN113989630A (zh) * 2021-08-31 2022-01-28 中通服公众信息产业股份有限公司 一种基于语义分析的镜头遮挡判别方法
CN114067228A (zh) * 2021-10-26 2022-02-18 神思电子技术股份有限公司 一种增强前景与背景区分度的目标检测方法及系统
CN114067186A (zh) * 2021-09-26 2022-02-18 北京建筑大学 一种行人检测方法、装置、电子设备及存储介质
CN114091518A (zh) * 2021-10-21 2022-02-25 安徽深核信息技术有限公司 一种使用组合特征的多阶段微弱目标图像检测方法
CN114170633A (zh) * 2021-12-06 2022-03-11 南开大学 一种基于协同监督的海面小行人检测方法
CN114170531A (zh) * 2021-11-23 2022-03-11 北京航天自动控制研究所 基于困难样本迁移学习的红外图像目标检测方法和装置
CN114241220A (zh) * 2021-12-10 2022-03-25 北京科技大学 一种无人机地物检测方法
CN114283320A (zh) * 2021-12-25 2022-04-05 福州大学 基于全卷积的无分支结构目标检测方法
CN114332029A (zh) * 2021-12-30 2022-04-12 上海华力微电子有限公司 利用神经网络模型对异常晶背图像进行分类的方法及装置
CN114332008A (zh) * 2021-12-28 2022-04-12 福州大学 一种基于多层次特征重构的无监督缺陷检测与定位方法
CN114359838A (zh) * 2022-01-14 2022-04-15 北京理工大学重庆创新中心 一种基于高斯交叉注意力网络的跨模态行人检测方法
CN114359644A (zh) * 2021-12-22 2022-04-15 华南农业大学 基于改进vgg-16网络的农作物病虫害识别方法
CN114372971A (zh) * 2022-01-10 2022-04-19 重庆邮电大学 一种基于双目视觉的快速三维目标检测算法
CN114399644A (zh) * 2021-12-15 2022-04-26 北京邮电大学 一种基于小样本目标检测方法及装置
CN114419589A (zh) * 2022-01-17 2022-04-29 东南大学 一种基于注意力特征增强模块的道路目标检测方法
CN114419663A (zh) * 2021-12-17 2022-04-29 江西洪都航空工业集团有限责任公司 一种人体佩戴口罩的检测方法
CN114495166A (zh) * 2022-01-17 2022-05-13 北京小龙潜行科技有限公司 一种应用于边缘计算设备的牧场换鞋动作识别方法
CN114565753A (zh) * 2022-02-22 2022-05-31 电子科技大学长三角研究院(湖州) 一种基于改进YOLOv4网络的无人机小目标识别方法
CN114612769A (zh) * 2022-03-14 2022-06-10 电子科技大学 一种融入局部结构信息的集成感知红外成像舰船检测方法
CN114638971A (zh) * 2022-03-21 2022-06-17 天津大学 多层级局部和全局特征自适应融合的目标检测方法
CN114821477A (zh) * 2022-05-05 2022-07-29 南京大学 一种适于复杂场景的多人服装特征视频识别方法
US11403069B2 (en) 2017-07-24 2022-08-02 Tesla, Inc. Accelerated mathematical engine
CN114863097A (zh) * 2022-04-06 2022-08-05 北京航空航天大学 一种基于注意力机制卷积神经网络的红外弱小目标检测方法
CN114884775A (zh) * 2022-03-31 2022-08-09 南京邮电大学 一种基于深度学习的大规模mimo系统信道估计方法
US11409692B2 (en) 2017-07-24 2022-08-09 Tesla, Inc. Vector computational unit
CN114943986A (zh) * 2022-05-31 2022-08-26 武汉理工大学 基于摄像头画面分割的分区域行人检测照明方法及系统
CN114998616A (zh) * 2022-05-13 2022-09-02 南京林业大学 基于在线掩膜感知的多尺度目标个数统计网络
CN115019036A (zh) * 2022-05-10 2022-09-06 西北工业大学 一种学习非目标知识的小样本语义分割方法
CN115063701A (zh) * 2022-06-21 2022-09-16 南京理工大学 一种基于改进YOLOv4的无人机航拍小目标检测方法
CN115082909A (zh) * 2021-11-03 2022-09-20 中国人民解放军陆军军医大学第一附属医院 一种肺部病变识别方法及系统
CN115082386A (zh) * 2022-06-07 2022-09-20 华南理工大学 基于正常样本辅助特征提取的注塑件瑕疵检测方法、装置及介质
CN115147711A (zh) * 2022-07-23 2022-10-04 河南大学 基于改进Retinanet的水下目标检测网络及方法
CN115205686A (zh) * 2022-07-26 2022-10-18 中山大学 一种sar图像飞机检测方法及装置
CN115272175A (zh) * 2022-06-16 2022-11-01 上海互觉科技有限公司 基于多光源协同的表面缺陷检测方法及系统
US11487288B2 (en) 2017-03-23 2022-11-01 Tesla, Inc. Data synthesis for autonomous control systems
WO2022237061A1 (fr) * 2021-05-10 2022-11-17 苏州大学 Système cognitif d'objet intégré basé sur un traitement d'image
CN115423810A (zh) * 2022-11-04 2022-12-02 国网江西省电力有限公司电力科学研究院 一种风力发电机组叶片覆冰形态分析方法
CN115512326A (zh) * 2022-10-18 2022-12-23 上海寻序人工智能科技有限公司 一种基于多摄像头的bev视觉感知方法
US11537811B2 (en) 2018-12-04 2022-12-27 Tesla, Inc. Enhanced object detection for autonomous vehicles based on field view
CN115601790A (zh) * 2022-10-26 2023-01-13 功夫链（上海）体育文化发展有限公司（Cn） 一种基于超大卷积核的近距离人体检测的方法及系统
US11562231B2 (en) 2018-09-03 2023-01-24 Tesla, Inc. Neural networks for embedded devices
US11561791B2 (en) 2018-02-01 2023-01-24 Tesla, Inc. Vector computational unit receiving data elements in parallel from a last row of a computational array
US11567514B2 (en) 2019-02-11 2023-01-31 Tesla, Inc. Autonomous and user controlled vehicle summon to a target
US11610117B2 (en) 2018-12-27 2023-03-21 Tesla, Inc. System and method for adapting a neural network model on a hardware platform
US11636333B2 (en) 2018-07-26 2023-04-25 Tesla, Inc. Optimizing neural network structures for embedded systems
US11665108B2 (en) 2018-10-25 2023-05-30 Tesla, Inc. QoS manager for system on a chip communications
CN110941970B (zh) * 2019-12-05 2023-05-30 深圳牛图科技有限公司 基于全卷积神经网络的高速维码定位识别系统
US11681649B2 (en) 2017-07-24 2023-06-20 Tesla, Inc. Computational array microprocessor system using non-consecutive data formatting
CN116403151A (zh) * 2022-12-20 2023-07-07 南京工业大学 一种基于自适应深度神经网络的地铁人流密度估计方法
CN116433979A (zh) * 2023-04-18 2023-07-14 安徽理工大学 基于小特征感知金字塔网络的隧道异常检测方法
CN116468928A (zh) * 2022-12-29 2023-07-21 长春理工大学 一种基于视觉感知关联器的热红外小目标检测方法
CN116524517A (zh) * 2023-03-31 2023-08-01 西安电子科技大学 基于深度学习的电能表图像目标识别方法
CN116524293A (zh) * 2023-04-10 2023-08-01 哈尔滨市科佳通用机电股份有限公司 基于深度学习的闸调器拉杆头丢失故障图像识别方法及系统
CN116563734A (zh) * 2023-05-12 2023-08-08 贵州理工学院 一种面向无人机平台的实时目标检测方法及系统
US11734562B2 (en) 2018-06-20 2023-08-22 Tesla, Inc. Data pipeline and deep learning system for autonomous driving
US11748620B2 (en) 2019-02-01 2023-09-05 Tesla, Inc. Generating ground truth for machine learning from time series elements
US11790664B2 (en) 2019-02-19 2023-10-17 Tesla, Inc. Estimating object properties using visual image data
US11816585B2 (en) 2018-12-03 2023-11-14 Tesla, Inc. Machine learning models operating at different frequencies for autonomous vehicles
CN117079342A (zh) * 2023-02-27 2023-11-17 盛视科技股份有限公司 一种基于两阶段目标检测的人提箱交互检测方法及系统
CN117197687A (zh) * 2023-03-13 2023-12-08 西南科技大学 一种面向无人机航拍密集小目标的检测方法
US11841434B2 (en) 2018-07-20 2023-12-12 Tesla, Inc. Annotation cross-labeling for autonomous control systems
CN117237614A (zh) * 2023-11-10 2023-12-15 江西啄木蜂科技有限公司 基于深度学习的湖面漂浮物小目标检测方法
US11893774B2 (en) 2018-10-11 2024-02-06 Tesla, Inc. Systems and methods for training machine models with augmented data
US11893393B2 (en) 2017-07-24 2024-02-06 Tesla, Inc. Computational array microprocessor system with hardware arbiter managing memory requests
US12014553B2 (en) 2019-02-01 2024-06-18 Tesla, Inc. Predicting three-dimensional features for autonomous driving
CN118379848A (zh) * 2024-06-21 2024-07-23 珠海华熠电子有限公司 基于双目摄像机的人员安全监测系统及方法
US12307350B2 (en) 2018-01-04 2025-05-20 Tesla, Inc. Systems and methods for hardware-based pooling
US12462575B2 (en) 2021-08-19 2025-11-04 Tesla, Inc. Vision-based machine learning model for autonomous driving with adjustable virtual camera

Families Citing this family (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109089040B (zh) * 2018-08-20 2021-05-14 Oppo广东移动通信有限公司 图像处理方法、图像处理装置及终端设备
CN109409364A (zh) * 2018-10-16 2019-03-01 北京百度网讯科技有限公司 图像标注方法和装置
CN109508675B (zh) * 2018-11-14 2020-07-28 广州广电银通金融电子科技有限公司 一种针对复杂场景的行人检测方法
CN109522855B (zh) * 2018-11-23 2020-07-14 广州广电银通金融电子科技有限公司 结合ResNet和SENet的低分辨率行人检测方法、系统及存储介质
CN109522966B (zh) * 2018-11-28 2022-09-27 中山大学 一种基于密集连接卷积神经网络的目标检测方法
CN109670439A (zh) * 2018-12-14 2019-04-23 中国石油大学(华东) 一种端到端的行人及其部位检测方法
CN109886066B (zh) * 2018-12-17 2023-05-09 南京理工大学 基于多尺度和多层特征融合的快速目标检测方法
CN109685718B (zh) * 2018-12-17 2020-11-10 中国科学院自动化研究所 图片方形化缩放方法、系统及装置
CN109902800B (zh) * 2019-01-22 2020-11-27 北京大学 基于拟反馈神经网络的多级骨干网络检测通用物体的方法
CN111523351A (zh) * 2019-02-02 2020-08-11 北京地平线机器人技术研发有限公司 神经网络的训练方法、装置和电子设备
WO2020168515A1 (fr) * 2019-02-21 2020-08-27 深圳市大疆创新科技有限公司 Procédé et appareil de traitement d'image, système de capture et de traitement d'image, et support
CN109993712B (zh) 2019-04-01 2023-04-25 腾讯科技（深圳）有限公司 图像处理模型的训练方法、图像处理方法及相关设备
CN110110783A (zh) * 2019-04-30 2019-08-09 天津大学 一种基于多层特征图连接的深度学习目标检测方法
CN110110793B (zh) * 2019-05-10 2021-10-26 中山大学 基于双流卷积神经网络的双目图像快速目标检测方法
CN110298262B (zh) * 2019-06-06 2024-01-02 华为技术有限公司 物体识别方法及装置
CN110580726B (zh) * 2019-08-21 2022-10-04 中山大学 基于动态卷积网络的自然场景下人脸素描生成模型及方法
CN110909615B (zh) * 2019-10-28 2023-03-28 西安交通大学 基于多尺度输入混合感知神经网络的目标检测方法
CN111144203B (zh) * 2019-11-19 2023-06-16 浙江工商大学 一种基于深度学习的行人遮挡检测方法
CN111160527B (zh) 2019-12-27 2025-11-14 歌尔股份有限公司 一种基于mask rcnn网络模型的目标识别方法、装置
CN111176820B (zh) * 2019-12-31 2021-06-25 中科院计算技术研究所大数据研究院 一种基于深度神经网络的边缘计算任务的分配方法及装置
CN111242127B (zh) * 2020-01-15 2023-02-24 上海应用技术大学 基于非对称卷积的具有粒度级多尺度特性的车辆检测方法
CN111277751B (zh) * 2020-01-22 2021-06-15 Oppo广东移动通信有限公司 拍照方法、装置、存储介质及电子设备
CN111598951B (zh) * 2020-05-18 2022-09-30 清华大学 一种识别空间目标的方法、装置和存储介质
CN111860508B (zh) * 2020-07-28 2024-07-02 平安科技（深圳）有限公司 图像样本选择方法及相关设备
CN113379699A (zh) * 2021-06-08 2021-09-10 上海电机学院 基于深度学习的输电线路绝缘子缺陷检测方法
CN113486810B (zh) * 2021-07-08 2024-06-18 国网江苏省电力有限公司徐州供电分公司 一种公园盗猎鸟类的智能识别方法
CN114418000B (zh) * 2022-01-20 2024-11-19 辽宁工程技术大学 一种基于自适应感知机的遥感影像智能解译方法及系统
CN115471498B (zh) * 2022-10-10 2025-08-01 温州市华炜鞋材科技有限公司 用于雨鞋生产的多角度防水监测的制鞋机及其方法
CN116052214B (zh) * 2023-01-18 2025-06-27 天津大学 一种基于动态RoI特征提取的行人搜索方法
CN116523830A (zh) * 2023-03-10 2023-08-01 上海交通大学 一种3d目标检测方法、系统、介质及终端

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107341517A (zh) * 2017-07-07 2017-11-10 哈尔滨工业大学 一种基于深度学习层级间特征融合的多尺度小物体检测方法
CN107563349A (zh) * 2017-09-21 2018-01-09 电子科技大学 一种基于VGGNet的人数估计方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105787439B (zh) * 2016-02-04 2019-04-05 广州新节奏智能科技股份有限公司 一种基于卷积神经网络的深度图像人体关节定位方法
CN105956608A (zh) * 2016-04-21 2016-09-21 恩泊泰（天津）科技有限公司 一种基于深度学习的目标定位、分类算法
CN106934346B (zh) * 2017-01-24 2019-03-15 北京大学 一种目标检测性能优化的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107341517A (zh) * 2017-07-07 2017-11-10 哈尔滨工业大学 一种基于深度学习层级间特征融合的多尺度小物体检测方法
CN107563349A (zh) * 2017-09-21 2018-01-09 电子科技大学 一种基于VGGNet的人数估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HU, KUI ET AL.: "Multi-scale Pedestrian Detection based on Convolutional Neural Networks", JOURNAL OF CHINA JILIANG UNIVERSITY, vol. 28, no. 4, 15 December 2017 (2017-12-15), pages 474 - 476 *
LI, YA ET AL.: "A Deep Joint Learning Approach for Age Invariant Face Verification", JOURNAL OF BEIJING UNIVERSITY OF POSTS AND TELECOMMUNICATIONS, vol. 40, no. 1, 15 February 2017 (2017-02-15) *

Cited By (530)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11487288B2 (en) 2017-03-23 2022-11-01 Tesla, Inc. Data synthesis for autonomous control systems
US12020476B2 (en) 2017-03-23 2024-06-25 Tesla, Inc. Data synthesis for autonomous control systems
US12216610B2 (en) 2017-07-24 2025-02-04 Tesla, Inc. Computational array microprocessor system using non-consecutive data formatting
US11409692B2 (en) 2017-07-24 2022-08-09 Tesla, Inc. Vector computational unit
US11681649B2 (en) 2017-07-24 2023-06-20 Tesla, Inc. Computational array microprocessor system using non-consecutive data formatting
US12086097B2 (en) 2017-07-24 2024-09-10 Tesla, Inc. Vector computational unit
US11403069B2 (en) 2017-07-24 2022-08-02 Tesla, Inc. Accelerated mathematical engine
US11893393B2 (en) 2017-07-24 2024-02-06 Tesla, Inc. Computational array microprocessor system with hardware arbiter managing memory requests
US12307350B2 (en) 2018-01-04 2025-05-20 Tesla, Inc. Systems and methods for hardware-based pooling
US11561791B2 (en) 2018-02-01 2023-01-24 Tesla, Inc. Vector computational unit receiving data elements in parallel from a last row of a computational array
US11797304B2 (en) 2018-02-01 2023-10-24 Tesla, Inc. Instruction set architecture for a vector computational unit
US12455739B2 (en) 2018-02-01 2025-10-28 Tesla, Inc. Instruction set architecture for a vector computational unit
US11734562B2 (en) 2018-06-20 2023-08-22 Tesla, Inc. Data pipeline and deep learning system for autonomous driving
US11841434B2 (en) 2018-07-20 2023-12-12 Tesla, Inc. Annotation cross-labeling for autonomous control systems
US12079723B2 (en) 2018-07-26 2024-09-03 Tesla, Inc. Optimizing neural network structures for embedded systems
US11636333B2 (en) 2018-07-26 2023-04-25 Tesla, Inc. Optimizing neural network structures for embedded systems
US12346816B2 (en) 2018-09-03 2025-07-01 Tesla, Inc. Neural networks for embedded devices
US11983630B2 (en) 2018-09-03 2024-05-14 Tesla, Inc. Neural networks for embedded devices
US11562231B2 (en) 2018-09-03 2023-01-24 Tesla, Inc. Neural networks for embedded devices
US11893774B2 (en) 2018-10-11 2024-02-06 Tesla, Inc. Systems and methods for training machine models with augmented data
US11665108B2 (en) 2018-10-25 2023-05-30 Tesla, Inc. QoS manager for system on a chip communications
US11816585B2 (en) 2018-12-03 2023-11-14 Tesla, Inc. Machine learning models operating at different frequencies for autonomous vehicles
US12367405B2 (en) 2018-12-03 2025-07-22 Tesla, Inc. Machine learning models operating at different frequencies for autonomous vehicles
US12198396B2 (en) 2018-12-04 2025-01-14 Tesla, Inc. Enhanced object detection for autonomous vehicles based on field view
US11537811B2 (en) 2018-12-04 2022-12-27 Tesla, Inc. Enhanced object detection for autonomous vehicles based on field view
US11908171B2 (en) 2018-12-04 2024-02-20 Tesla, Inc. Enhanced object detection for autonomous vehicles based on field view
US11610117B2 (en) 2018-12-27 2023-03-21 Tesla, Inc. System and method for adapting a neural network model on a hardware platform
US12136030B2 (en) 2018-12-27 2024-11-05 Tesla, Inc. System and method for adapting a neural network model on a hardware platform
US11748620B2 (en) 2019-02-01 2023-09-05 Tesla, Inc. Generating ground truth for machine learning from time series elements
US12014553B2 (en) 2019-02-01 2024-06-18 Tesla, Inc. Predicting three-dimensional features for autonomous driving
US12223428B2 (en) 2019-02-01 2025-02-11 Tesla, Inc. Generating ground truth for machine learning from time series elements
US11567514B2 (en) 2019-02-11 2023-01-31 Tesla, Inc. Autonomous and user controlled vehicle summon to a target
US12164310B2 (en) 2019-02-11 2024-12-10 Tesla, Inc. Autonomous and user controlled vehicle summon to a target
US11790664B2 (en) 2019-02-19 2023-10-17 Tesla, Inc. Estimating object properties using visual image data
US12236689B2 (en) 2019-02-19 2025-02-25 Tesla, Inc. Estimating object properties using visual image data
CN110659664B (zh) * 2019-08-02 2022-12-13 杭州电子科技大学 一种基于ssd的高精度识别小物体的方法
CN110659664A (zh) * 2019-08-02 2020-01-07 杭州电子科技大学 一种基于ssd的高精度识别小物体的方法
CN110633631B (zh) * 2019-08-06 2022-02-18 厦门大学 一种基于部件幂集和多尺度特征的行人重识别方法
CN110633631A (zh) * 2019-08-06 2019-12-31 厦门大学 一种基于部件幂集和多尺度特征的行人重识别方法
CN110619268B (zh) * 2019-08-07 2022-11-25 北京市新技术应用研究所 基于时空分析与深度特征的行人再识别方法及装置
CN110619268A (zh) * 2019-08-07 2019-12-27 北京市新技术应用研究所 基于时空分析与深度特征的行人再识别方法及装置
CN110533084B (zh) * 2019-08-12 2022-09-30 长安大学 一种基于自注意力机制的多尺度目标检测方法
CN110533084A (zh) * 2019-08-12 2019-12-03 长安大学 一种基于自注意力机制的多尺度目标检测方法
CN110473195A (zh) * 2019-08-13 2019-11-19 中山大学 一种可自动定制的医学病灶检测架构及方法
CN110473195B (zh) * 2019-08-13 2023-04-18 中山大学 一种可自动定制的医学病灶检测架构及方法
CN110427915B (zh) * 2019-08-14 2022-09-27 北京百度网讯科技有限公司 用于输出信息的方法和装置
CN110427915A (zh) * 2019-08-14 2019-11-08 北京百度网讯科技有限公司 用于输出信息的方法和装置
CN110705583B (zh) * 2019-08-15 2024-03-15 平安科技（深圳）有限公司 细胞检测模型训练方法、装置、计算机设备及存储介质
CN110705583A (zh) * 2019-08-15 2020-01-17 平安科技（深圳）有限公司 细胞检测模型训练方法、装置、计算机设备及存储介质
CN110490252B (zh) * 2019-08-19 2022-11-15 西安工业大学 一种基于深度学习的室内人数检测方法及系统
CN110490252A (zh) * 2019-08-19 2019-11-22 西安工业大学 一种基于深度学习的室内人数检测方法及系统
CN110659576A (zh) * 2019-08-23 2020-01-07 深圳久凌软件技术有限公司 一种基于联合判断与生成学习的行人搜索方法及装置
CN110647816A (zh) * 2019-08-26 2020-01-03 合肥工业大学 一种用于货架药品实时监测的目标检测方法
CN110647816B (zh) * 2019-08-26 2022-11-22 合肥工业大学 一种用于货架药品实时监测的目标检测方法
CN110580727A (zh) * 2019-08-27 2019-12-17 天津大学 信息流与梯度流增加的深度v型密集网络成像方法
CN110580727B (zh) * 2019-08-27 2023-04-18 天津大学 信息流与梯度流增加的深度v型密集网络成像方法
CN110675309A (zh) * 2019-08-28 2020-01-10 江苏大学 一种基于卷积神经网络和VGGNet16模型的图像风格转换方法
CN112446376A (zh) * 2019-09-05 2021-03-05 中国科学院沈阳自动化研究所 一种工业图像智能分割压缩方法
CN112446376B (zh) * 2019-09-05 2023-08-01 中国科学院沈阳自动化研究所 一种工业图像智能分割压缩方法
CN110728186A (zh) * 2019-09-11 2020-01-24 中国科学院声学研究所南海研究站 一种基于多网融合的火灾检测方法
CN110728186B (zh) * 2019-09-11 2023-04-07 中国科学院声学研究所南海研究站 一种基于多网融合的火灾检测方法
CN110619365B (zh) * 2019-09-18 2023-09-12 苏州经贸职业技术学院 一种落水检测方法
CN110619365A (zh) * 2019-09-18 2019-12-27 苏州经贸职业技术学院 一种落水检测方法
CN110619676B (zh) * 2019-09-18 2023-04-18 东北大学 一种基于神经网络的端到端的三维人脸重建方法
CN110619676A (zh) * 2019-09-18 2019-12-27 东北大学 一种基于神经网络的端到端的三维人脸重建方法
CN110659601A (zh) * 2019-09-19 2020-01-07 西安电子科技大学 基于中心点的深度全卷积网络遥感图像密集车辆检测方法
CN110619309A (zh) * 2019-09-19 2019-12-27 天津天地基业科技有限公司 一种基于八度卷积和YOLOv3的嵌入式平台人脸检测方法
CN110659601B (zh) * 2019-09-19 2022-12-02 西安电子科技大学 基于中心点的深度全卷积网络遥感图像密集车辆检测方法
CN110619309B (zh) * 2019-09-19 2023-07-18 天地伟业技术有限公司 一种基于八度卷积和YOLOv3的嵌入式平台人脸检测方法
CN110706239A (zh) * 2019-09-26 2020-01-17 哈尔滨工程大学 融合全卷积神经网络与改进aspp模块的场景分割方法
CN110717903A (zh) * 2019-09-30 2020-01-21 天津大学 一种利用计算机视觉技术进行农作物病害检测的方法
CN110674777A (zh) * 2019-09-30 2020-01-10 电子科技大学 一种专利文本场景下的光学字符识别方法
CN110751076B (zh) * 2019-10-09 2023-03-28 上海应用技术大学 车辆检测方法
CN110751076A (zh) * 2019-10-09 2020-02-04 上海应用技术大学 车辆检测方法
CN110781895B (zh) * 2019-10-10 2023-06-20 湖北工业大学 一种基于卷积神经网络的图像语义分割方法
CN110781895A (zh) * 2019-10-10 2020-02-11 湖北工业大学 一种基于卷积神经网络的图像语义分割方法
CN110728640B (zh) * 2019-10-12 2023-07-18 合肥工业大学 一种双通道单幅图像精细去雨方法
CN110796232A (zh) * 2019-10-12 2020-02-14 腾讯科技（深圳）有限公司 属性预测模型训练方法、属性预测方法及电子设备
CN110728640A (zh) * 2019-10-12 2020-01-24 合肥工业大学 一种双通道单幅图像精细去雨方法
CN110728238A (zh) * 2019-10-12 2020-01-24 安徽工程大学 一种融合型神经网络的人员再检测方法
CN111008554A (zh) * 2019-10-16 2020-04-14 合肥湛达智能科技有限公司 一种基于深度学习的动态交通斑马线内不礼让行人识别方法
CN112668374A (zh) * 2019-10-16 2021-04-16 北京灵汐科技有限公司 图像处理方法、装置、重识别网络的训练方法及电子设备
CN111008554B (zh) * 2019-10-16 2024-02-02 合肥湛达智能科技有限公司 一种基于深度学习的动态交通斑马线内不礼让行人识别方法
CN110852179B (zh) * 2019-10-17 2023-08-25 天津大学 基于视频监控平台的可疑人员入侵的检测方法
CN111046723B (zh) * 2019-10-17 2023-06-02 安徽清新互联信息科技有限公司 一种基于深度学习的车道线检测方法
CN111008632A (zh) * 2019-10-17 2020-04-14 安徽清新互联信息科技有限公司 一种基于深度学习的车牌字符分割方法
CN111008632B (zh) * 2019-10-17 2023-06-09 安徽清新互联信息科技有限公司 一种基于深度学习的车牌字符分割方法
CN110852179A (zh) * 2019-10-17 2020-02-28 天津大学 基于视频监控平台的可疑人员入侵的检测方法
CN111046723A (zh) * 2019-10-17 2020-04-21 安徽清新互联信息科技有限公司 一种基于深度学习的车道线检测方法
CN110751644B (zh) * 2019-10-23 2023-05-09 上海应用技术大学 道路表面裂纹检测方法
CN110751644A (zh) * 2019-10-23 2020-02-04 上海应用技术大学 道路表面裂纹检测方法
CN111008562A (zh) * 2019-10-31 2020-04-14 北京城建设计发展集团股份有限公司 一种特征图深度融合的人车目标检测方法
CN111008562B (zh) * 2019-10-31 2023-04-18 北京城建设计发展集团股份有限公司 一种特征图深度融合的人车目标检测方法
CN110826476A (zh) * 2019-11-02 2020-02-21 国网浙江省电力有限公司杭州供电公司 识别目标物体的图像检测方法、装置、电子设备和存储介质
CN110837837B (zh) * 2019-11-05 2023-10-17 安徽工业大学 一种基于卷积神经网络的车辆违章检测方法
CN110837837A (zh) * 2019-11-05 2020-02-25 安徽工业大学 一种基于卷积神经网络的违章检测方法
CN110826552A (zh) * 2019-11-05 2020-02-21 华中农业大学 基于深度学习的葡萄无损自动检测装置及其方法
CN110826485B (zh) * 2019-11-05 2023-04-18 中国人民解放军战略支援部队信息工程大学 一种遥感影像的目标检测方法及系统
CN110826485A (zh) * 2019-11-05 2020-02-21 中国人民解放军战略支援部队信息工程大学 一种遥感影像的目标检测方法及系统
CN111008567A (zh) * 2019-11-07 2020-04-14 郑州大学 一种驾驶员行为识别方法
CN111008567B (zh) * 2019-11-07 2023-03-24 郑州大学 一种驾驶员行为识别方法
CN110852272A (zh) * 2019-11-11 2020-02-28 上海应用技术大学 行人检测方法
CN110852272B (zh) * 2019-11-11 2023-03-28 上海应用技术大学 行人检测方法
CN111461160B (zh) * 2019-11-11 2023-07-14 天津津航技术物理研究所 抗云雾、烟雾干扰红外成像导引头目标跟踪方法
CN111461160A (zh) * 2019-11-11 2020-07-28 天津津航技术物理研究所 抗云雾、烟雾干扰红外成像导引头目标跟踪方法
CN111008994A (zh) * 2019-11-14 2020-04-14 山东万腾电子科技有限公司 基于MPSoC的运动目标实时检测跟踪系统及方法
CN111222402A (zh) * 2019-11-14 2020-06-02 北京理工大学 一种面向无人机图像的人群聚集密度分析方法
CN111222534A (zh) * 2019-11-15 2020-06-02 重庆邮电大学 一种基于双向特征融合和更平衡l1损失的单发多框检测器优化方法
CN111126359A (zh) * 2019-11-15 2020-05-08 西安电子科技大学 基于自编码器与yolo算法的高清图像小目标检测方法
CN111222534B (zh) * 2019-11-15 2022-10-11 重庆邮电大学 一种基于双向特征融合和更平衡l1损失的单发多框检测器优化方法
CN110942008A (zh) * 2019-11-21 2020-03-31 圆通速递有限公司 一种基于深度学习的面单信息定位方法和系统
CN110942008B (zh) * 2019-11-21 2023-05-12 圆通速递有限公司 一种基于深度学习的面单信息定位方法和系统
CN110909797A (zh) * 2019-11-22 2020-03-24 北京深睿博联科技有限责任公司 图像检测方法以及装置、设备、存储介质
CN110909797B (zh) * 2019-11-22 2023-05-05 北京深睿博联科技有限责任公司 图像检测方法以及装置、设备、存储介质
CN110705540A (zh) * 2019-11-25 2020-01-17 中国农业科学院农业信息研究所 基于rfid和深度学习的兽药生产指针式仪表图像识别方法和装置
CN111144209A (zh) * 2019-11-25 2020-05-12 浙江工商大学 一种基于异构多分支深度卷积神经网络的监控视频人头检测方法
CN111105393B (zh) * 2019-11-25 2023-04-18 长安大学 一种基于深度学习的葡萄病虫害识别方法及装置
CN111105393A (zh) * 2019-11-25 2020-05-05 长安大学 一种基于深度学习的葡萄病虫害识别方法及装置
CN110705540B (zh) * 2019-11-25 2024-05-31 中国农业科学院农业信息研究所 基于rfid和深度学习的兽药生产指针式仪表图像识别方法和装置
CN112949814A (zh) * 2019-11-26 2021-06-11 联合汽车电子有限公司 卷积神经网络的压缩和加速方法、装置及嵌入式设备
CN110956115A (zh) * 2019-11-26 2020-04-03 证通股份有限公司 场景识别方法及装置
CN110956115B (zh) * 2019-11-26 2023-09-29 证通股份有限公司 场景识别方法及装置
CN112949814B (zh) * 2019-11-26 2024-04-26 联合汽车电子有限公司 卷积神经网络的压缩和加速方法、装置及嵌入式设备
CN111046928A (zh) * 2019-11-27 2020-04-21 上海交通大学 定位精准的单阶段实时通用目标检测器及方法
CN111046928B (zh) * 2019-11-27 2023-05-23 上海交通大学 定位精准的单阶段实时通用目标检测器及方法
CN111062278A (zh) * 2019-12-03 2020-04-24 西安工程大学 基于改进残差网络的异常行为识别方法
CN111145195B (zh) * 2019-12-03 2023-02-24 上海海事大学 一种基于轻量级深度神经网络的视频中人像轮廓探测方法
CN111145195A (zh) * 2019-12-03 2020-05-12 上海海事大学 一种基于轻量级深度神经网络的视频中人像轮廓探测方法
CN111062278B (zh) * 2019-12-03 2023-04-07 西安工程大学 基于改进残差网络的异常行为识别方法
CN110986949A (zh) * 2019-12-04 2020-04-10 日照职业技术学院 一种基于人工智能平台下的路径识别方法
CN111027449B (zh) * 2019-12-05 2023-05-30 光典信息发展有限公司 一种纸质档案电子影像归档章的定位识别方法
CN110941970B (zh) * 2019-12-05 2023-05-30 深圳牛图科技有限公司 基于全卷积神经网络的高速维码定位识别系统
CN110942144B (zh) * 2019-12-05 2023-05-02 深圳牛图科技有限公司 集自动化训练、校验、重构于一体的神经网络构建方法
CN111027449A (zh) * 2019-12-05 2020-04-17 光典信息发展有限公司 一种纸质档案电子影像归档章的定位识别方法
CN110942144A (zh) * 2019-12-05 2020-03-31 深圳牛图科技有限公司 集自动化训练、校验、重构于一体的神经网络构建方法
CN110992238B (zh) * 2019-12-06 2023-10-17 上海电力大学 一种基于双通道网络的数字图像篡改盲检测方法
CN110992238A (zh) * 2019-12-06 2020-04-10 上海电力大学 一种基于双通道网络的数字图像篡改盲检测方法
CN111178148A (zh) * 2019-12-06 2020-05-19 天津大学 一种基于无人机视觉系统的地面目标地理坐标定位方法
CN111178148B (zh) * 2019-12-06 2023-06-02 天津大学 一种基于无人机视觉系统的地面目标地理坐标定位方法
CN111008603A (zh) * 2019-12-08 2020-04-14 中南大学 面向大尺度遥感图像的多类目标快速检测方法
CN111008603B (zh) * 2019-12-08 2023-04-18 中南大学 面向大尺度遥感图像的多类目标快速检测方法
CN111179338B (zh) * 2019-12-10 2023-08-04 同济大学 一种用于移动供电接收端的轻量化目标定位方法
CN111161217A (zh) * 2019-12-10 2020-05-15 中国民航大学 基于Conv-LSTM多尺度特征融合的模糊检测方法
CN111161217B (zh) * 2019-12-10 2023-04-18 中国民航大学 基于Conv-LSTM多尺度特征融合的模糊检测方法
CN111160115A (zh) * 2019-12-10 2020-05-15 上海工程技术大学 一种基于孪生双流3d卷积神经网络的视频行人再识别方法
CN111160115B (zh) * 2019-12-10 2023-05-02 上海工程技术大学 一种基于孪生双流3d卷积神经网络的视频行人再识别方法
CN111179338A (zh) * 2019-12-10 2020-05-19 同济大学 一种用于移动供电接收端的轻量化目标定位方法
CN111062297B (zh) * 2019-12-11 2023-05-23 青岛科技大学 基于eann深度学习模型的暴力异常行为检测方法
CN111062297A (zh) * 2019-12-11 2020-04-24 青岛科技大学 基于eann深度学习模型的暴力异常行为检测方法
CN111079642B (zh) * 2019-12-13 2023-11-14 国网浙江余姚市供电有限公司 线路可移动监控方法及装置及计算机可读介质
CN111079642A (zh) * 2019-12-13 2020-04-28 国网浙江余姚市供电有限公司 线路可移动监控方法及装置及计算机可读介质
CN110956157A (zh) * 2019-12-14 2020-04-03 深圳先进技术研究院 基于候选框选择的深度学习遥感影像目标检测方法及装置
CN111178178A (zh) * 2019-12-16 2020-05-19 汇纳科技股份有限公司 结合区域分布的多尺度行人重识别方法、系统、介质及终端
CN111178178B (zh) * 2019-12-16 2023-10-10 汇纳科技股份有限公司 结合区域分布的多尺度行人重识别方法、系统、介质及终端
CN111091101A (zh) * 2019-12-23 2020-05-01 中国科学院自动化研究所 基于一步法的高精度行人检测方法、系统、装置
CN111091101B (zh) * 2019-12-23 2023-06-02 中国科学院自动化研究所 基于一步法的高精度行人检测方法、系统、装置
CN111126310A (zh) * 2019-12-26 2020-05-08 华侨大学 一种基于场景迁移的行人性别识别方法
CN111126310B (zh) * 2019-12-26 2023-03-24 华侨大学 一种基于场景迁移的行人性别识别方法
CN111178251A (zh) * 2019-12-27 2020-05-19 汇纳科技股份有限公司 一种行人属性识别方法及系统、存储介质及终端
CN111161295A (zh) * 2019-12-30 2020-05-15 神思电子技术股份有限公司 一种菜品图像背景剥离方法
CN111161295B (zh) * 2019-12-30 2023-11-21 神思电子技术股份有限公司 一种菜品图像背景剥离方法
CN111160274A (zh) * 2019-12-31 2020-05-15 合肥湛达智能科技有限公司 一种基于二值化Faster RCNN网络的行人检测方法
CN111160274B (zh) * 2019-12-31 2023-03-24 合肥湛达智能科技有限公司 一种基于二值化Faster RCNN网络的行人检测方法
CN111199212B (zh) * 2020-01-02 2023-04-07 西安工程大学 基于注意力模型的行人属性识别方法
CN111199212A (zh) * 2020-01-02 2020-05-26 西安工程大学 基于注意力模型的行人属性识别方法
CN111209952B (zh) * 2020-01-03 2023-05-30 西安工业大学 基于改进ssd和迁移学习的水下目标检测方法
CN111209952A (zh) * 2020-01-03 2020-05-29 西安工业大学 基于改进ssd和迁移学习的水下目标检测方法
CN111209860B (zh) * 2020-01-06 2023-04-07 上海海事大学 基于深度学习与强化学习的视频考勤系统及方法
CN111209860A (zh) * 2020-01-06 2020-05-29 上海海事大学 基于深度学习与强化学习的视频考勤系统及方法
CN111259898A (zh) * 2020-01-08 2020-06-09 西安电子科技大学 基于无人机航拍图像的农作物分割方法
CN111259898B (zh) * 2020-01-08 2023-03-24 西安电子科技大学 基于无人机航拍图像的农作物分割方法
CN111275711A (zh) * 2020-01-08 2020-06-12 西安电子科技大学 基于轻量级卷积神经网络模型的实时图像语义分割方法
CN111259736A (zh) * 2020-01-08 2020-06-09 上海海事大学 一种基于深度学习的复杂环境下行人实时检测方法
CN111259736B (zh) * 2020-01-08 2023-04-07 上海海事大学 一种基于深度学习的复杂环境下行人实时检测方法
CN111260658B (zh) * 2020-01-10 2023-10-17 厦门大学 一种用于图像分割的深度强化学习方法
CN111260658A (zh) * 2020-01-10 2020-06-09 厦门大学 一种用于图像分割的新型深度强化学习算法
CN111242010A (zh) * 2020-01-10 2020-06-05 厦门博海中天信息科技有限公司 一种基于边缘ai的判断并识别乱扔垃圾人员身份的方法
CN111242839A (zh) * 2020-01-13 2020-06-05 华南理工大学 一种基于尺度等级的图像缩放裁剪方法
CN111242839B (zh) * 2020-01-13 2023-04-21 华南理工大学 一种基于尺度等级的图像缩放裁剪方法
CN113128316A (zh) * 2020-01-15 2021-07-16 北京四维图新科技股份有限公司 目标检测方法及装置
CN111209887A (zh) * 2020-01-15 2020-05-29 西安电子科技大学 针对小目标检测的ssd模型优化方法
CN111291785A (zh) * 2020-01-16 2020-06-16 中国平安人寿保险股份有限公司 目标检测的方法、装置、设备及存储介质
CN111259800A (zh) * 2020-01-16 2020-06-09 天津大学 一种基于神经网络的无人驾驶专用车辆检测方法
CN111222519A (zh) * 2020-01-16 2020-06-02 西北大学 一种层次化彩绘文物线稿提取模型构建、方法及装置
CN111222519B (zh) * 2020-01-16 2023-03-24 西北大学 一种层次化彩绘文物线稿提取模型构建、方法及装置
CN111275171A (zh) * 2020-01-19 2020-06-12 合肥工业大学 一种基于参数共享的多尺度超分重建的小目标检测方法
CN111275688A (zh) * 2020-01-19 2020-06-12 合肥工业大学 基于注意力机制的上下文特征融合筛选的小目标检测方法
CN111275688B (zh) * 2020-01-19 2023-12-12 合肥工业大学 基于注意力机制的上下文特征融合筛选的小目标检测方法
CN111275171B (zh) * 2020-01-19 2023-07-04 合肥工业大学 一种基于参数共享的多尺度超分重建的小目标检测方法
CN111199220A (zh) * 2020-01-21 2020-05-26 北方民族大学 电梯内人员检测与人数统计的轻量化深度神经网络方法
CN111199220B (zh) * 2020-01-21 2023-04-28 北方民族大学 电梯内人员检测与人数统计的轻量化深度神经网络方法
CN111292366A (zh) * 2020-02-17 2020-06-16 华侨大学 一种基于深度学习和边缘计算的视觉行车测距算法
CN111292366B (zh) * 2020-02-17 2023-03-10 华侨大学 一种基于深度学习和边缘计算的视觉行车测距算法
CN111339871B (zh) * 2020-02-18 2022-09-16 中国电子科技集团公司第二十八研究所 一种基于卷积神经网络的目标群分布模式研判方法和设备
CN111339871A (zh) * 2020-02-18 2020-06-26 中国电子科技集团公司第二十八研究所 一种基于卷积神经网络的目标群分布模式研判方法和设备
CN111291820B (zh) * 2020-02-19 2023-05-30 中国电子科技集团公司第二十八研究所 一种结合定位信息和分类信息的目标检测方法
CN111291820A (zh) * 2020-02-19 2020-06-16 中国电子科技集团公司第二十八研究所 一种结合定位信息和分类信息的目标检测方法
CN111428751B (zh) * 2020-02-24 2022-12-23 清华大学 基于压缩感知和卷积网络的物体检测方法
CN111428751A (zh) * 2020-02-24 2020-07-17 清华大学 基于压缩感知和卷积网络的物体检测方法
CN111428567B (zh) * 2020-02-26 2024-02-02 沈阳大学 一种基于仿射多任务回归的行人跟踪系统及方法
CN111428567A (zh) * 2020-02-26 2020-07-17 沈阳大学 一种基于仿射多任务回归的行人跟踪系统及方法
CN111368673A (zh) * 2020-02-26 2020-07-03 华南理工大学 一种基于神经网络的人体关键点快速提取方法
CN111368673B (zh) * 2020-02-26 2023-04-07 华南理工大学 一种基于神经网络的人体关键点快速提取方法
CN111339967B (zh) * 2020-02-28 2023-04-07 长安大学 一种基于多视域图卷积网络的行人检测方法
CN111339967A (zh) * 2020-02-28 2020-06-26 长安大学 一种基于多视域图卷积网络的行人检测方法
CN113324864A (zh) * 2020-02-28 2021-08-31 南京理工大学 一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法
CN111339975B (zh) * 2020-03-03 2023-04-21 华东理工大学 基于中心尺度预测与孪生神经网络的目标检测识别跟踪方法
CN111339975A (zh) * 2020-03-03 2020-06-26 华东理工大学 基于中心尺度预测与孪生神经网络的目标检测识别跟踪方法
CN111368726A (zh) * 2020-03-04 2020-07-03 西安咏圣达电子科技有限公司 建筑工地作业面人数统计方法、系统、存储介质及装置
CN111368726B (zh) * 2020-03-04 2023-11-10 西安咏圣达电子科技有限公司 建筑工地作业面人数统计方法、系统、存储介质及装置
CN111428586B (zh) * 2020-03-09 2023-05-16 同济大学 基于特征融合与样本增强的三维人体姿态估计方法
CN111428586A (zh) * 2020-03-09 2020-07-17 同济大学 基于特征融合与样本增强的三维人体姿态估计方法
CN111461291B (zh) * 2020-03-13 2023-05-12 西安科技大学 基于YOLOv3剪枝网络和深度学习去雾模型的长输管线巡检方法
CN111429410A (zh) * 2020-03-13 2020-07-17 杭州电子科技大学 一种基于深度学习的物体x射线图像材质判别系统及方法
CN111461291A (zh) * 2020-03-13 2020-07-28 西安科技大学 基于YOLOv3剪枝网络和深度学习去雾模型的长输管线巡检方法
CN111429410B (zh) * 2020-03-13 2023-09-01 杭州电子科技大学 一种基于深度学习的物体x射线图像材质判别系统及方法
CN111414909A (zh) * 2020-03-16 2020-07-14 上海富瀚微电子股份有限公司 一种目标检测方法和装置
CN111460924A (zh) * 2020-03-16 2020-07-28 上海师范大学 一种基于目标检测的闸机通过逃票行为检测方法
CN111460924B (zh) * 2020-03-16 2023-04-07 上海师范大学 一种基于目标检测的闸机通过逃票行为检测方法
CN111414909B (zh) * 2020-03-16 2023-05-12 上海富瀚微电子股份有限公司 一种目标检测方法和装置
CN111368453A (zh) * 2020-03-17 2020-07-03 创新奇智(合肥)科技有限公司 一种基于深度强化学习的面料裁剪优化方法
CN111753625A (zh) * 2020-03-18 2020-10-09 北京沃东天骏信息技术有限公司 一种行人检测方法、装置、设备及介质
CN111753625B (zh) * 2020-03-18 2024-04-09 北京沃东天骏信息技术有限公司 一种行人检测方法、装置、设备及介质
CN111462132A (zh) * 2020-03-20 2020-07-28 西北大学 一种基于深度学习的视频物体分割方法及系统
CN111488805A (zh) * 2020-03-24 2020-08-04 广州大学 一种基于显著性特征提取的视频行为识别方法
CN111488805B (zh) * 2020-03-24 2023-04-25 广州大学 一种基于显著性特征提取的视频行为识别方法
CN111563525A (zh) * 2020-03-25 2020-08-21 北京航空航天大学 一种基于YOLOv3-Tiny的运动目标检测方法
CN111414997A (zh) * 2020-03-27 2020-07-14 中国人民解放军空军工程大学 一种基于人工智能的用于战场目标识别的方法
CN111310861B (zh) * 2020-03-27 2023-05-23 西安电子科技大学 一种基于深度神经网络的车牌识别和定位方法
CN111310773A (zh) * 2020-03-27 2020-06-19 西安电子科技大学 一种高效的卷积神经网络的车牌定位方法
CN111310773B (zh) * 2020-03-27 2023-03-24 西安电子科技大学 一种高效的卷积神经网络的车牌定位方法
CN111310861A (zh) * 2020-03-27 2020-06-19 西安电子科技大学 一种基于深度神经网络的车牌识别和定位方法
CN111460980A (zh) * 2020-03-30 2020-07-28 西安工程大学 基于多语义特征融合的小目标行人的多尺度检测方法
CN111462085B (zh) * 2020-03-31 2023-09-19 上海大学 基于卷积神经网络的数字图像局部滤波取证方法
CN111462085A (zh) * 2020-03-31 2020-07-28 上海大学 基于卷积神经网络的数字图像局部滤波取证方法
CN111553199A (zh) * 2020-04-07 2020-08-18 厦门大学 一种基于计算机视觉的机动车交通违法行为自动检测技术
CN111462108A (zh) * 2020-04-13 2020-07-28 山西新华化工有限责任公司 一种基于机器学习的头面部产品设计工效学评估操作方法
CN111462108B (zh) * 2020-04-13 2023-05-02 山西新华防化装备研究院有限公司 一种基于机器学习的头面部产品设计工效学评估操作方法
CN111523645A (zh) * 2020-04-16 2020-08-11 北京航天自动控制研究所 一种提升小尺度目标检测识别性能的卷积神经网络设计方法
CN111597900A (zh) * 2020-04-16 2020-08-28 浙江工业大学 非法遛狗识别方法
CN111597900B (zh) * 2020-04-16 2023-10-24 浙江工业大学 非法遛狗识别方法
CN111597897A (zh) * 2020-04-16 2020-08-28 浙江工业大学 高速服务区车位识别方法
CN111597897B (zh) * 2020-04-16 2023-10-24 浙江工业大学 高速服务区车位识别方法
CN111695403B (zh) * 2020-04-19 2024-03-22 东风汽车股份有限公司 一种基于深度感知卷积神经网络的2d与3d图像同步检测方法
CN111695403A (zh) * 2020-04-19 2020-09-22 东风汽车股份有限公司 一种基于深度感知卷积神经网络的2d与3d图像同步检测方法
CN111476314B (zh) * 2020-04-27 2023-03-07 中国科学院合肥物质科学研究院 一种融合光流算法与深度学习的模糊视频检测方法
CN111476314A (zh) * 2020-04-27 2020-07-31 中国科学院合肥物质科学研究院 一种融合光流算法与深度学习的模糊视频检测方法
CN111738237A (zh) * 2020-04-29 2020-10-02 上海海事大学 一种基于异构卷积的多核迭代rpn的目标检测方法
CN111738237B (zh) * 2020-04-29 2024-03-15 上海海事大学 一种基于异构卷积的多核迭代rpn的目标检测方法
CN111652846A (zh) * 2020-04-30 2020-09-11 成都数之联科技有限公司 一种基于特征金字塔卷积神经网络的半导体缺陷识别方法
CN111652846B (zh) * 2020-04-30 2022-08-16 成都数之联科技股份有限公司 一种基于特征金字塔卷积神经网络的半导体缺陷识别方法
CN111597939A (zh) * 2020-05-07 2020-08-28 西安电子科技大学 一种基于深度学习的高铁线路鸟窝缺陷检测方法
CN111597939B (zh) * 2020-05-07 2023-04-18 西安电子科技大学 一种基于深度学习的高铁线路鸟窝缺陷检测方法
CN111783685A (zh) * 2020-05-08 2020-10-16 西安建筑科技大学 一种基于单阶段网络模型的目标检测改进算法
CN111582452A (zh) * 2020-05-09 2020-08-25 北京百度网讯科技有限公司 生成神经网络模型的方法和装置
CN111582452B (zh) * 2020-05-09 2023-10-27 北京百度网讯科技有限公司 生成神经网络模型的方法和装置
CN111597945A (zh) * 2020-05-11 2020-08-28 济南博观智能科技有限公司 一种目标检测方法、装置、设备及介质
CN111597945B (zh) * 2020-05-11 2023-08-18 济南博观智能科技有限公司 一种目标检测方法、装置、设备及介质
CN111783934A (zh) * 2020-05-15 2020-10-16 北京迈格威科技有限公司 卷积神经网络构建方法、装置、设备及介质
CN111783523B (zh) * 2020-05-19 2022-10-21 中国人民解放军93114部队 一种遥感影像旋转目标检测方法
CN111783523A (zh) * 2020-05-19 2020-10-16 中国人民解放军93114部队 一种遥感影像旋转目标检测方法
CN111709449A (zh) * 2020-05-20 2020-09-25 西安理工大学 一种基于聚类算法的多层特征融合的小尺度目标检测方法
CN112001878A (zh) * 2020-05-21 2020-11-27 合肥合工安驰智能科技有限公司 基于二值化神经网络的深度学习矿石尺度测量方法及应用系统
CN111881714B (zh) * 2020-05-22 2023-11-21 北京交通大学 一种无监督跨域行人再识别方法
CN111881714A (zh) * 2020-05-22 2020-11-03 北京交通大学 一种无监督跨域行人再识别方法
CN113793292A (zh) * 2020-05-25 2021-12-14 阿里巴巴集团控股有限公司 数据处理方法、装置、电子设备及存储介质
CN111709313A (zh) * 2020-05-27 2020-09-25 杭州电子科技大学 基于局部和通道组合特征的行人重识别方法
CN111709311A (zh) * 2020-05-27 2020-09-25 西安理工大学 一种基于多尺度卷积特征融合的行人重识别方法
CN111626196B (zh) * 2020-05-27 2023-05-16 西南石油大学 基于知识图谱的典型牛科动物身体结构智能分析方法
CN111626196A (zh) * 2020-05-27 2020-09-04 成都颜禾曦科技有限公司 基于知识图谱的典型牛科动物身体结构智能分析方法
CN111709313B (zh) * 2020-05-27 2022-07-29 杭州电子科技大学 基于局部和通道组合特征的行人重识别方法
CN111832608A (zh) * 2020-05-29 2020-10-27 上海海事大学 一种基于单阶段检测模型yolov3的铁谱图像多磨粒识别方法
CN111832608B (zh) * 2020-05-29 2023-09-12 上海海事大学 一种基于单阶段检测模型yolov3的铁谱图像多磨粒识别方法
CN111652216B (zh) * 2020-06-03 2023-04-07 北京工商大学 基于度量学习的多尺度目标检测模型方法
CN111652216A (zh) * 2020-06-03 2020-09-11 北京工商大学 基于度量学习的多尺度目标检测模型方法
CN111652930A (zh) * 2020-06-04 2020-09-11 上海媒智科技有限公司 一种图像目标检测方法、系统及设备
CN111652930B (zh) * 2020-06-04 2024-02-27 上海媒智科技有限公司 一种图像目标检测方法、系统及设备
CN111709336A (zh) * 2020-06-08 2020-09-25 杭州像素元科技有限公司 一种高速公路行人检测方法、设备及可读存储介质
CN111709336B (zh) * 2020-06-08 2024-04-26 杭州像素元科技有限公司 一种高速公路行人检测方法、设备及可读存储介质
CN111881932A (zh) * 2020-06-11 2020-11-03 中国人民解放军战略支援部队信息工程大学 一种军用飞机的FasterRCNN目标检测算法
CN111881932B (zh) * 2020-06-11 2023-09-15 中国人民解放军战略支援部队信息工程大学 一种军用飞机的FasterRCNN目标检测算法
CN111860587A (zh) * 2020-06-12 2020-10-30 长安大学 一种用于图片小目标的检测方法
CN111860587B (zh) * 2020-06-12 2024-02-02 长安大学 一种用于图片小目标的检测方法
CN111738124A (zh) * 2020-06-15 2020-10-02 西安电子科技大学 基于Gabor变换和注意力的遥感图像云检测方法
CN111738124B (zh) * 2020-06-15 2023-08-22 西安电子科技大学 基于Gabor变换和注意力的遥感图像云检测方法
CN113807152A (zh) * 2020-06-17 2021-12-17 阿里巴巴集团控股有限公司 图像处理、模型训练方法和装置
CN111709935B (zh) * 2020-06-17 2023-04-07 西安科技大学 一种用于地面运动皮带上实时煤矸石定位识别方法
CN111709935A (zh) * 2020-06-17 2020-09-25 西安科技大学 一种用于地面运动皮带上实时煤矸石定位识别方法
CN111797836B (zh) * 2020-06-18 2024-04-26 中国空间技术研究院 一种基于深度学习的地外天体巡视器障碍物分割方法
CN111797836A (zh) * 2020-06-18 2020-10-20 中国空间技术研究院 一种基于深度学习的地外天体巡视器障碍物分割方法
CN111723743A (zh) * 2020-06-19 2020-09-29 北京邮电大学 一种小尺度行人快速检测方法
CN111832630A (zh) * 2020-06-23 2020-10-27 成都恒创新星科技有限公司 一种基于一阶梯度神经网络的目标检测方法
CN111784652B (zh) * 2020-06-24 2024-02-06 西安电子科技大学 基于强化学习多尺度神经网络的mri分割方法
CN111784652A (zh) * 2020-06-24 2020-10-16 西安电子科技大学 基于强化学习多尺度神经网络的mri分割方法
CN111767847A (zh) * 2020-06-29 2020-10-13 佛山市南海区广工大数控装备协同创新研究院 一种集成目标检测和关联的行人多目标跟踪方法
CN111814621B (zh) * 2020-06-29 2024-01-23 中国科学院合肥物质科学研究院 一种基于注意力机制的多尺度车辆行人检测方法及装置
CN111767847B (zh) * 2020-06-29 2023-06-09 佛山市南海区广工大数控装备协同创新研究院 一种集成目标检测和关联的行人多目标跟踪方法
CN111814621A (zh) * 2020-06-29 2020-10-23 中国科学院合肥物质科学研究院 一种基于注意力机制的多尺度车辆行人检测方法及装置
CN111832450A (zh) * 2020-06-30 2020-10-27 成都睿沿科技有限公司 基于图像识别的持刀检测方法
CN111832450B (zh) * 2020-06-30 2023-11-28 成都睿沿科技有限公司 基于图像识别的持刀检测方法
CN111767878A (zh) * 2020-07-03 2020-10-13 中国科学院自动化研究所 嵌入式设备中基于深度学习的交通标志检测方法及系统
CN112199983A (zh) * 2020-07-08 2021-01-08 北京航空航天大学 一种多层次筛选的长时间大范围行人再识别方法
CN111986145A (zh) * 2020-07-09 2020-11-24 浙江工业大学 一种基于Faster-RCNN的轴承滚子瑕疵检测方法
CN111860265B (zh) * 2020-07-10 2024-01-05 武汉理工大学 一种基于样本损失的多检测框损失均衡道路场景理解算法
CN111860265A (zh) * 2020-07-10 2020-10-30 武汉理工大学 一种基于样本损失的多检测框损失均衡道路场景理解算法
CN111667030A (zh) * 2020-07-13 2020-09-15 华东理工大学 基于深度神经网络实现遥感图像目标检测的方法、系统及其存储介质
CN111667030B (zh) * 2020-07-13 2023-04-07 华东理工大学 基于深度神经网络实现遥感图像目标检测的方法、系统及其存储介质
CN111832479B (zh) * 2020-07-14 2023-08-01 西安电子科技大学 基于改进的自适应锚点r-cnn的视频目标检测方法
CN111832479A (zh) * 2020-07-14 2020-10-27 西安电子科技大学 基于改进的自适应锚点r-cnn的视频目标检测方法
CN111986149A (zh) * 2020-07-16 2020-11-24 江西斯源科技有限公司 一种基于卷积神经网络的植物病虫害检测方法
CN111860637A (zh) * 2020-07-17 2020-10-30 河南科技大学 一种单发多框红外目标检测方法
CN111860637B (zh) * 2020-07-17 2023-11-21 河南科技大学 一种单发多框红外目标检测方法
CN111986126A (zh) * 2020-07-17 2020-11-24 浙江工业大学 一种基于改进vgg16网络的多目标检测方法
CN111832513B (zh) * 2020-07-21 2024-02-09 西安电子科技大学 基于神经网络的实时足球目标检测方法
CN111832513A (zh) * 2020-07-21 2020-10-27 西安电子科技大学 基于神经网络的实时足球目标检测方法
CN111881803A (zh) * 2020-07-22 2020-11-03 安徽农业大学 一种基于改进YOLOv3的畜脸识别方法
CN111881803B (zh) * 2020-07-22 2023-10-31 安徽农业大学 一种基于改进YOLOv3的畜脸识别方法
CN112036437B (zh) * 2020-07-28 2024-06-07 农业农村部南京农业机械化研究所 基于改进yolov3网络的水稻秧苗检测模型及其方法
CN112001259A (zh) * 2020-07-28 2020-11-27 联芯智能(南京)科技有限公司 基于可见光图像的航拍微弱人体目标智能检测方法
CN112036437A (zh) * 2020-07-28 2020-12-04 农业农村部南京农业机械化研究所 基于改进yolov3网络的水稻秧苗检测模型及其方法
CN111915583A (zh) * 2020-07-29 2020-11-10 西安电子科技大学 复杂场景中基于车载红外热像仪的车辆和行人检测方法
CN111915583B (zh) * 2020-07-29 2024-02-09 西安电子科技大学 复杂场景中基于车载红外热像仪的车辆和行人检测方法
CN111985365A (zh) * 2020-08-06 2020-11-24 合肥学院 一种基于目标检测技术的秸秆焚烧监测方法和系统
CN112115291A (zh) * 2020-08-12 2020-12-22 南京止善智能科技研究院有限公司 一种基于深度学习的三维室内模型检索方法
CN112115291B (zh) * 2020-08-12 2024-02-27 南京止善智能科技研究院有限公司 一种基于深度学习的三维室内模型检索方法
CN111985464A (zh) * 2020-08-13 2020-11-24 山东大学 面向法院判决文书的多尺度学习的文字识别方法及系统
CN111985464B (zh) * 2020-08-13 2023-08-22 山东大学 面向法院判决文书的多尺度学习的文字识别方法及系统
CN111986172B (zh) * 2020-08-18 2024-06-04 华北电力科学研究院有限责任公司 一种面向电力设备的红外图像故障检测方法及装置
CN111986172A (zh) * 2020-08-18 2020-11-24 华北电力科学研究院有限责任公司 一种面向电力设备的红外图像故障检测方法及装置
CN111984879A (zh) * 2020-08-19 2020-11-24 交控科技股份有限公司 应用于列车的用户引导方法、装置、设备和存储介质
CN111985473A (zh) * 2020-08-20 2020-11-24 中再云图技术有限公司 一种店外经营识别方法
CN112001385B (zh) * 2020-08-20 2024-02-06 长安大学 一种目标跨域检测与理解方法、系统、设备及存储介质
CN112001385A (zh) * 2020-08-20 2020-11-27 长安大学 一种目标跨域检测与理解方法、系统、设备及存储介质
CN111986186A (zh) * 2020-08-25 2020-11-24 华中科技大学 一种定量化的炉前pcb贴片缺陷在线检测系统和方法
CN111986186B (zh) * 2020-08-25 2024-03-22 华中科技大学 一种定量化的炉前pcb贴片缺陷在线检测系统和方法
CN112001339B (zh) * 2020-08-27 2024-02-23 杭州电子科技大学 一种基于YOLO v4的行人社交距离实时监测方法
CN112001339A (zh) * 2020-08-27 2020-11-27 杭州电子科技大学 一种基于YOLO v4的行人社交距离实时监测方法
CN112364974B (zh) * 2020-08-28 2024-02-09 西安电子科技大学 一种基于激活函数改进的YOLOv3算法
CN112364974A (zh) * 2020-08-28 2021-02-12 西安电子科技大学 一种基于激活函数改进的YOLOv3算法
CN112101434B (zh) * 2020-09-04 2022-09-09 河南大学 基于改进YOLO v3的红外图像弱小目标检测方法
CN112101434A (zh) * 2020-09-04 2020-12-18 河南大学 基于改进YOLO v3的红外图像弱小目标检测方法
CN112149664B (zh) * 2020-09-04 2024-05-07 浙江工业大学 一种优化分类与定位任务的目标检测方法
CN112149664A (zh) * 2020-09-04 2020-12-29 浙江工业大学 一种优化分类与定位任务的目标检测方法
CN112464765B (zh) * 2020-09-10 2022-09-23 天津师范大学 一种基于单像素特征放大的安全帽检测方法及其应用
CN112464765A (zh) * 2020-09-10 2021-03-09 天津师范大学 一种基于单像素特征放大的安全帽检测算法及其应用
CN112101455A (zh) * 2020-09-15 2020-12-18 重庆市农业科学院 一种基于卷积神经网络的茶小绿叶蝉识别和计数的方法
CN112101455B (zh) * 2020-09-15 2022-08-09 重庆市农业科学院 一种基于卷积神经网络的茶小绿叶蝉识别和计数的方法
CN112347843A (zh) * 2020-09-18 2021-02-09 深圳数联天下智能科技有限公司 一种训练皱纹检测模型的方法及相关装置
CN112163492A (zh) * 2020-09-21 2021-01-01 华南理工大学 一种长时跨场景优化的交通物体检测方法、系统及介质
CN112163492B (zh) * 2020-09-21 2023-09-08 华南理工大学 一种长时跨场景优化的交通物体检测方法、系统及介质
CN112115885A (zh) * 2020-09-22 2020-12-22 中国农业科学院农业信息研究所 基于深度卷积神经网络的采摘用果树结果枝剪切点定位方法
CN112115885B (zh) * 2020-09-22 2023-08-11 中国农业科学院农业信息研究所 基于深度卷积神经网络的采摘用果树结果枝剪切点定位方法
CN112215100A (zh) * 2020-09-27 2021-01-12 浙江工业大学 一种不平衡训练样本下针对退化图像的目标检测方法
CN112215100B (zh) * 2020-09-27 2024-02-09 浙江工业大学 一种不平衡训练样本下针对退化图像的目标检测方法
CN112200045A (zh) * 2020-09-30 2021-01-08 华中科技大学 基于上下文增强的遥感图像目标检测模型建立方法及应用
CN112200045B (zh) * 2020-09-30 2024-03-19 华中科技大学 基于上下文增强的遥感图像目标检测模型建立方法及应用
CN112085126B (zh) * 2020-09-30 2023-12-12 浙江大学 一种侧重于分类任务的单样本目标检测方法
CN112347851A (zh) * 2020-09-30 2021-02-09 山东理工大学 多目标检测网络的构建方法、多目标检测方法及装置
CN112347851B (zh) * 2020-09-30 2023-02-21 山东理工大学 多目标检测网络的构建方法、多目标检测方法及装置
CN112085126A (zh) * 2020-09-30 2020-12-15 浙江大学 一种侧重于分类任务的单样本目标检测方法
CN112183430B (zh) * 2020-10-12 2024-04-05 河北工业大学 一种基于双神经网络的手语识别方法及装置
CN112183430A (zh) * 2020-10-12 2021-01-05 河北工业大学 一种基于双神经网络的手语识别方法及装置
CN112232411A (zh) * 2020-10-15 2021-01-15 浙江凌图科技有限公司 HarDNet-Lite在嵌入式平台的优化方法
CN112232411B (zh) * 2020-10-15 2024-05-14 苏州凌图科技有限公司 HarDNet-Lite在嵌入式平台的优化方法
CN112257796A (zh) * 2020-10-28 2021-01-22 辽宁工程技术大学 一种基于选择性特征连接的卷积神经网络的图像整合方法
CN112419237A (zh) * 2020-11-03 2021-02-26 中国计量大学 一种基于深度学习的汽车离合主缸凹槽表面缺陷检测方法
CN112419237B (zh) * 2020-11-03 2023-06-30 中国计量大学 一种基于深度学习的汽车离合主缸凹槽表面缺陷检测方法
CN112381792A (zh) * 2020-11-13 2021-02-19 中国人民解放军空军工程大学 基于深度学习的雷达吸波涂层/电磁屏蔽薄膜损伤的智能化成像在线检测方法
CN112381792B (zh) * 2020-11-13 2023-05-23 中国人民解放军空军工程大学 基于深度学习的雷达吸波涂层/电磁屏蔽薄膜损伤的智能化成像在线检测方法
CN112446308A (zh) * 2020-11-16 2021-03-05 北京科技大学 基于语义增强的多尺度特征金字塔融合的行人检测方法
CN112396000A (zh) * 2020-11-19 2021-02-23 中山大学 一种多模态密集预测的深度信息传输模型的构建方法
CN112396000B (zh) * 2020-11-19 2023-09-05 中山大学 一种多模态密集预测的深度信息传输模型的构建方法
CN112434828A (zh) * 2020-11-23 2021-03-02 南京富岛软件有限公司 一种5t运维中安全防护智能识别方法
CN112308062B (zh) * 2020-11-23 2022-08-23 浙江卡易智慧医疗科技有限公司 一种复杂背景图像中的医疗影像访问号识别方法
CN112308062A (zh) * 2020-11-23 2021-02-02 浙江卡易智慧医疗科技有限公司 一种复杂背景图像中的医疗影像访问号识别方法
CN112580778A (zh) * 2020-11-25 2021-03-30 江苏集萃未来城市应用技术研究所有限公司 基于YOLOv5和Pose-estimation的工地工人手机使用检测方法
CN112348036A (zh) * 2020-11-26 2021-02-09 北京工业大学 基于轻量化残差学习和反卷积级联的自适应目标检测方法
CN112487979A (zh) * 2020-11-30 2021-03-12 北京百度网讯科技有限公司 目标检测方法和模型训练方法、装置、电子设备和介质
CN112487979B (zh) * 2020-11-30 2023-08-04 北京百度网讯科技有限公司 目标检测方法和模型训练方法、装置、电子设备和介质
CN112528826A (zh) * 2020-12-04 2021-03-19 江苏省农业科学院 一种基于3d视觉感知的采摘装置的控制方法
CN112528826B (zh) * 2020-12-04 2024-02-02 江苏省农业科学院 一种基于3d视觉感知的采摘装置的控制方法
CN112613359A (zh) * 2020-12-09 2021-04-06 苏州玖合智能科技有限公司 用于人员异常行为检测的神经网络的构建方法
CN112560627A (zh) * 2020-12-09 2021-03-26 江苏集萃未来城市应用技术研究所有限公司 基于神经网的工地人员异常行为实时检测方法
CN112770325B (zh) * 2020-12-09 2022-12-16 华南理工大学 一种基于深度学习的认知车联网频谱感知方法
CN112396036B (zh) * 2020-12-09 2023-08-08 中山大学 一种结合空间变换网络和多尺度特征提取的遮挡行人重识别方法
CN112633086B (zh) * 2020-12-09 2024-01-26 西安电子科技大学 基于多任务EfficientDet的近红外行人监测方法、系统、介质、设备
CN112633086A (zh) * 2020-12-09 2021-04-09 西安电子科技大学 基于多任务EfficientDet的近红外行人监测方法、系统、介质、设备
CN112770325A (zh) * 2020-12-09 2021-05-07 华南理工大学 一种基于深度学习的认知车联网频谱感知方法
CN112396036A (zh) * 2020-12-09 2021-02-23 中山大学 一种结合空间变换网络和多尺度特征提取的遮挡行人重识别方法
CN112613359B (zh) * 2020-12-09 2024-02-02 苏州玖合智能科技有限公司 用于人员异常行为检测的神经网络的构建方法
CN112382388A (zh) * 2020-12-14 2021-02-19 中南大学 一种压疮不良事件的预警方法
CN112560682A (zh) * 2020-12-16 2021-03-26 重庆守愚科技有限公司 一种基于深度学习的气门自动检测方法
CN112465815B (zh) * 2020-12-17 2023-09-19 杭州电子科技大学 一种基于边缘主体融合信息的遥感目标显著性检测方法
CN112465815A (zh) * 2020-12-17 2021-03-09 杭州电子科技大学 一种基于边缘主体融合信息的遥感目标显著性检测方法
CN112651441A (zh) * 2020-12-25 2021-04-13 深圳市信义科技有限公司 细粒度非机动车特征检测方法、存储介质及计算机设备
CN112634367A (zh) * 2020-12-25 2021-04-09 天津大学 一种基于深度神经网络的抗遮挡的物体位姿估计方法
CN112613472A (zh) * 2020-12-31 2021-04-06 上海交通大学 一种基于深度搜索匹配的行人检测方法及系统
CN112613472B (zh) * 2020-12-31 2022-04-26 上海交通大学 一种基于深度搜索匹配的行人检测方法及系统
CN112699808B (zh) * 2020-12-31 2024-06-07 深圳市华尊科技股份有限公司 密集目标检测方法、电子设备及相关产品
CN112699808A (zh) * 2020-12-31 2021-04-23 深圳市华尊科技股份有限公司 密集目标检测方法、电子设备及相关产品
CN112733848B (zh) * 2021-01-08 2022-11-04 中国电子科技集团公司第二十八研究所 基于多尺度特征和扩张型逆残差全连接的目标检测方法
CN112733848A (zh) * 2021-01-08 2021-04-30 中国电子科技集团公司第二十八研究所 基于多尺度特征和扩张型逆残差全连接的目标检测方法
CN112733714B (zh) * 2021-01-11 2024-03-01 北京大学 一种基于vgg网络的自动人群计数图像识别方法
CN112733714A (zh) * 2021-01-11 2021-04-30 北京大学 一种基于vgg网络的自动人群计数图像识别方法
CN112784921A (zh) * 2021-02-02 2021-05-11 西北工业大学 任务注意力引导的小样本图像互补学习分类算法
CN112556682A (zh) * 2021-02-07 2021-03-26 天津蓝鳍海洋工程有限公司 一种水下复合传感器目标自动检测算法
CN112700444A (zh) * 2021-02-19 2021-04-23 中国铁道科学研究院集团有限公司铁道建筑研究所 基于自注意力与中心点回归模型的桥梁螺栓检测方法
CN112700444B (zh) * 2021-02-19 2023-06-23 中国铁道科学研究院集团有限公司铁道建筑研究所 基于自注意力与中心点回归模型的桥梁螺栓检测方法
CN112862796A (zh) * 2021-02-23 2021-05-28 中国农业机械化科学研究院 一种仁果多类别外部品质检测方法和检测装置
CN112949508A (zh) * 2021-03-08 2021-06-11 咪咕文化科技有限公司 模型训练方法、行人检测方法、电子设备及可读存储介质
CN112906718A (zh) * 2021-03-09 2021-06-04 西安电子科技大学 一种基于卷积神经网络的多目标检测方法
CN112906718B (zh) * 2021-03-09 2023-08-22 西安电子科技大学 一种基于卷积神经网络的多目标检测方法
CN113012208B (zh) * 2021-03-22 2024-05-17 上海应用技术大学 多视角遥感图像配准方法及系统
CN113012208A (zh) * 2021-03-22 2021-06-22 上海应用技术大学 多视角遥感图像配准方法及系统
CN112906658A (zh) * 2021-03-30 2021-06-04 航天时代飞鸿技术有限公司 一种无人机侦查地面目标的轻量化自动检测方法
CN113312961A (zh) * 2021-04-03 2021-08-27 国家计算机网络与信息安全管理中心 一种logo识别加速方法
CN113221957A (zh) * 2021-04-17 2021-08-06 南京航空航天大学 一种基于Centernet的雷达信息融合特征增强方法
CN113221957B (zh) * 2021-04-17 2024-04-16 南京航空航天大学 一种基于Centernet的雷达信息融合特征增强方法
CN113112511A (zh) * 2021-04-19 2021-07-13 新东方教育科技集团有限公司 试卷批改的方法、装置、存储介质及电子设备
CN113112511B (zh) * 2021-04-19 2024-01-05 新东方教育科技集团有限公司 试卷批改的方法、装置、存储介质及电子设备
CN113076957A (zh) * 2021-04-21 2021-07-06 河南大学 一种基于跨模态特征融合的rgb-d图像显著性目标检测方法
CN113011398A (zh) * 2021-04-28 2021-06-22 北京邮电大学 一种针对多时相遥感图像的目标变化检测方法及装置
CN113177545A (zh) * 2021-04-29 2021-07-27 北京百度网讯科技有限公司 目标物体的检测方法、装置、电子设备和存储介质
CN113177545B (zh) * 2021-04-29 2023-08-04 北京百度网讯科技有限公司 目标物体的检测方法、装置、电子设备和存储介质
WO2022237061A1 (fr) * 2021-05-10 2022-11-17 苏州大学 Système cognitif d'objet intégré basé sur un traitement d'image
CN113408340B (zh) * 2021-05-12 2024-03-29 北京化工大学 基于增强型特征金字塔的双极化sar小型船只检测方法
CN113408340A (zh) * 2021-05-12 2021-09-17 北京化工大学 基于增强型特征金字塔的双极化sar小型船只检测方法
CN113312995A (zh) * 2021-05-18 2021-08-27 华南理工大学 基于中轴线的无锚点车载行人检测方法
CN113221787B (zh) * 2021-05-18 2023-09-29 西安电子科技大学 基于多元差异性融合的行人多目标跟踪方法
CN113221787A (zh) * 2021-05-18 2021-08-06 西安电子科技大学 基于多元差异性融合的行人多目标跟踪方法
CN113297961A (zh) * 2021-05-24 2021-08-24 南京邮电大学 一种基于边界特征融合孪生循环神经网络的目标跟踪方法
CN113297961B (zh) * 2021-05-24 2023-11-17 南京邮电大学 一种基于边界特征融合孪生循环神经网络的目标跟踪方法
CN113222064A (zh) * 2021-05-31 2021-08-06 苏州晗林信息技术发展有限公司 一种图像目标对象实时检测方法、系统、终端及存储介质
CN113343853A (zh) * 2021-06-08 2021-09-03 深圳格瑞健康管理有限公司 一种儿童牙龋齿智能筛查方法及装置
CN113379709B (zh) * 2021-06-16 2024-03-08 浙江工业大学 一种基于稀疏多尺度体素特征融合的三维目标检测方法
CN113379709A (zh) * 2021-06-16 2021-09-10 浙江工业大学 一种基于稀疏多尺度体素特征融合的三维目标检测方法
CN113449634A (zh) * 2021-06-28 2021-09-28 上海翰声信息技术有限公司 一种用于处理强光环境下的视频检测方法及装置
CN113379718B (zh) * 2021-06-28 2024-02-02 北京百度网讯科技有限公司 一种目标检测方法、装置、电子设备以及可读存储介质
CN113379718A (zh) * 2021-06-28 2021-09-10 北京百度网讯科技有限公司 一种目标检测方法、装置、电子设备以及可读存储介质
CN113469254A (zh) * 2021-07-02 2021-10-01 上海应用技术大学 基于目标检测模型的目标检测方法及系统
CN113469254B (zh) * 2021-07-02 2024-04-16 上海应用技术大学 基于目标检测模型的目标检测方法及系统
CN113627257A (zh) * 2021-07-09 2021-11-09 上海智臻智能网络科技股份有限公司 检测方法、检测系统、设备和存储介质
CN113449743B (zh) * 2021-07-12 2022-12-09 西安科技大学 一种煤尘颗粒特征提取方法
CN113449743A (zh) * 2021-07-12 2021-09-28 西安科技大学 一种煤尘颗粒特征提取方法
CN113642410B (zh) * 2021-07-15 2024-03-29 南京航空航天大学 一种基于多尺度特征融合及动态卷积的福寿螺卵检测方法
CN113642410A (zh) * 2021-07-15 2021-11-12 南京航空航天大学 一种基于多尺度特征融合及动态卷积的福寿螺卵检测方法
CN113361491A (zh) * 2021-07-19 2021-09-07 厦门大学 一种无人驾驶汽车对行人的过街意图预测方法
CN113657174A (zh) * 2021-07-21 2021-11-16 北京中科慧眼科技有限公司 一种车辆伪3d信息检测方法、装置与自动驾驶系统
CN113487600A (zh) * 2021-07-27 2021-10-08 大连海事大学 一种特征增强尺度自适应感知船舶检测方法
CN113487600B (zh) * 2021-07-27 2024-05-03 大连海事大学 一种特征增强尺度自适应感知船舶检测方法
CN113592825A (zh) * 2021-08-02 2021-11-02 安徽理工大学 一种基于yolo算法的煤矸实时检测方法
CN113591735A (zh) * 2021-08-04 2021-11-02 上海新纪元机器人有限公司 一种基于深度学习的行人检测方法及系统
CN113591854A (zh) * 2021-08-12 2021-11-02 中国海洋大学 一种浮游生物全息图的低冗余快速重建方法
CN113591854B (zh) * 2021-08-12 2023-09-26 中国海洋大学 一种浮游生物全息图的低冗余快速重建方法
CN113805151A (zh) * 2021-08-17 2021-12-17 青岛本原微电子有限公司 基于注意力机制的中重频雷达目标检测方法
US12462575B2 (en) 2021-08-19 2025-11-04 Tesla, Inc. Vision-based machine learning model for autonomous driving with adjustable virtual camera
CN113869361A (zh) * 2021-08-20 2021-12-31 深延科技(北京)有限公司 模型训练方法、目标检测方法及相关装置
CN113706491A (zh) * 2021-08-20 2021-11-26 西安电子科技大学 基于混合注意力弱监督迁移学习的半月板损伤分级方法
CN113706491B (zh) * 2021-08-20 2024-02-13 西安电子科技大学 基于混合注意力弱监督迁移学习的半月板损伤分级方法
CN113989630B (zh) * 2021-08-31 2024-04-23 中通服公众信息产业股份有限公司 一种基于语义分析的镜头遮挡判别方法
CN113989630A (zh) * 2021-08-31 2022-01-28 中通服公众信息产业股份有限公司 一种基于语义分析的镜头遮挡判别方法
CN113822185A (zh) * 2021-09-09 2021-12-21 安徽农业大学 一种群养生猪日常行为检测方法
CN113887330A (zh) * 2021-09-10 2022-01-04 国网吉林省电力有限公司 一种基于遥感图像的目标检测系统
CN113962933A (zh) * 2021-09-15 2022-01-21 上海大学 一种基于改进YOLOv3的PCB缺陷图像检测方法
CN113780193A (zh) * 2021-09-15 2021-12-10 易采天成(郑州)信息技术有限公司 基于rcnn的牛群目标检测方法及设备
CN113807243A (zh) * 2021-09-16 2021-12-17 上海交通大学 一种基于对未知目标注意力的水上障碍物检测系统及方法
CN113807243B (zh) * 2021-09-16 2023-12-05 上海交通大学 一种基于对未知目标注意力的水上障碍物检测系统及方法
CN113887341A (zh) * 2021-09-16 2022-01-04 同济大学 一种基于并联卷积神经网络的人体骨骼动作识别方法
CN113762209A (zh) * 2021-09-22 2021-12-07 重庆邮电大学 一种基于yolo的多尺度并行特征融合路标检测方法
CN114067186A (zh) * 2021-09-26 2022-02-18 北京建筑大学 一种行人检测方法、装置、电子设备及存储介质
CN114067186B (zh) * 2021-09-26 2024-04-16 北京建筑大学 一种行人检测方法、装置、电子设备及存储介质
CN113902024A (zh) * 2021-10-20 2022-01-07 浙江大立科技股份有限公司 基于深度学习与双波段融合的小体积目标检测识别方法
CN113902024B (zh) * 2021-10-20 2024-06-04 浙江大立科技股份有限公司 基于深度学习与双波段融合的小体积目标检测识别方法
CN114091518A (zh) * 2021-10-21 2022-02-25 安徽深核信息技术有限公司 一种使用组合特征的多阶段微弱目标图像检测方法
CN113901944A (zh) * 2021-10-25 2022-01-07 大连理工大学 一种基于改进的yolo算法的海洋生物目标检测方法
CN113901944B (zh) * 2021-10-25 2024-04-09 大连理工大学 一种基于改进的yolo算法的海洋生物目标检测方法
CN114067228A (zh) * 2021-10-26 2022-02-18 神思电子技术股份有限公司 一种增强前景与背景区分度的目标检测方法及系统
CN115082909A (zh) * 2021-11-03 2022-09-20 中国人民解放军陆军军医大学第一附属医院 一种肺部病变识别方法及系统
CN115082909B (zh) * 2021-11-03 2024-04-12 中国人民解放军陆军军医大学第一附属医院 一种肺部病变识别方法及系统
CN113989518A (zh) * 2021-11-08 2022-01-28 中国科学院合肥物质科学研究院 一种应用于智能终端的轻量级目标检测方法
CN114170531A (zh) * 2021-11-23 2022-03-11 北京航天自动控制研究所 基于困难样本迁移学习的红外图像目标检测方法和装置
CN114170633A (zh) * 2021-12-06 2022-03-11 南开大学 一种基于协同监督的海面小行人检测方法
CN114241220A (zh) * 2021-12-10 2022-03-25 北京科技大学 一种无人机地物检测方法
CN114399644A (zh) * 2021-12-15 2022-04-26 北京邮电大学 一种基于小样本目标检测方法及装置
CN114419663A (zh) * 2021-12-17 2022-04-29 江西洪都航空工业集团有限责任公司 一种人体佩戴口罩的检测方法
CN114359644A (zh) * 2021-12-22 2022-04-15 华南农业大学 基于改进vgg-16网络的农作物病虫害识别方法
CN114359644B (zh) * 2021-12-22 2024-04-16 华南农业大学 基于改进vgg-16网络的农作物病虫害识别方法
CN114283320A (zh) * 2021-12-25 2022-04-05 福州大学 基于全卷积的无分支结构目标检测方法
CN114332008A (zh) * 2021-12-28 2022-04-12 福州大学 一种基于多层次特征重构的无监督缺陷检测与定位方法
CN114332029A (zh) * 2021-12-30 2022-04-12 上海华力微电子有限公司 利用神经网络模型对异常晶背图像进行分类的方法及装置
CN114372971A (zh) * 2022-01-10 2022-04-19 重庆邮电大学 一种基于双目视觉的快速三维目标检测算法
CN114359838A (zh) * 2022-01-14 2022-04-15 北京理工大学重庆创新中心 一种基于高斯交叉注意力网络的跨模态行人检测方法
CN114495166A (zh) * 2022-01-17 2022-05-13 北京小龙潜行科技有限公司 一种应用于边缘计算设备的牧场换鞋动作识别方法
CN114419589A (zh) * 2022-01-17 2022-04-29 东南大学 一种基于注意力特征增强模块的道路目标检测方法
CN114565753A (zh) * 2022-02-22 2022-05-31 电子科技大学长三角研究院(湖州) 一种基于改进YOLOv4网络的无人机小目标识别方法
CN114612769A (zh) * 2022-03-14 2022-06-10 电子科技大学 一种融入局部结构信息的集成感知红外成像舰船检测方法
CN114612769B (zh) * 2022-03-14 2023-05-26 电子科技大学 一种融入局部结构信息的集成感知红外成像舰船检测方法
CN114638971A (zh) * 2022-03-21 2022-06-17 天津大学 多层级局部和全局特征自适应融合的目标检测方法
CN114884775A (zh) * 2022-03-31 2022-08-09 南京邮电大学 一种基于深度学习的大规模mimo系统信道估计方法
CN114863097A (zh) * 2022-04-06 2022-08-05 北京航空航天大学 一种基于注意力机制卷积神经网络的红外弱小目标检测方法
CN114863097B (zh) * 2022-04-06 2024-05-31 北京航空航天大学 一种基于注意力机制卷积神经网络的红外弱小目标检测方法
CN114821477A (zh) * 2022-05-05 2022-07-29 南京大学 一种适于复杂场景的多人服装特征视频识别方法
CN115019036B (zh) * 2022-05-10 2024-02-27 西北工业大学 一种学习非目标知识的小样本语义分割方法
CN115019036A (zh) * 2022-05-10 2022-09-06 西北工业大学 一种学习非目标知识的小样本语义分割方法
CN114998616A (zh) * 2022-05-13 2022-09-02 南京林业大学 基于在线掩膜感知的多尺度目标个数统计网络
CN114943986A (zh) * 2022-05-31 2022-08-26 武汉理工大学 基于摄像头画面分割的分区域行人检测照明方法及系统
CN115082386A (zh) * 2022-06-07 2022-09-20 华南理工大学 基于正常样本辅助特征提取的注塑件瑕疵检测方法、装置及介质
CN115082386B (zh) * 2022-06-07 2024-04-26 华南理工大学 基于正常样本辅助特征提取的注塑件瑕疵检测方法、装置及介质
CN115272175A (zh) * 2022-06-16 2022-11-01 上海互觉科技有限公司 基于多光源协同的表面缺陷检测方法及系统
CN115063701A (zh) * 2022-06-21 2022-09-16 南京理工大学 一种基于改进YOLOv4的无人机航拍小目标检测方法
CN115147711A (zh) * 2022-07-23 2022-10-04 河南大学 基于改进Retinanet的水下目标检测网络及方法
CN115205686B (zh) * 2022-07-26 2025-10-24 中山大学·深圳 一种sar图像飞机检测方法及装置
CN115205686A (zh) * 2022-07-26 2022-10-18 中山大学 一种sar图像飞机检测方法及装置
CN115512326A (zh) * 2022-10-18 2022-12-23 上海寻序人工智能科技有限公司 一种基于多摄像头的bev视觉感知方法
CN115601790A (zh) * 2022-10-26 2023-01-13 功夫链（上海）体育文化发展有限公司（Cn） 一种基于超大卷积核的近距离人体检测的方法及系统
CN115423810B (zh) * 2022-11-04 2023-03-14 国网江西省电力有限公司电力科学研究院 一种风力发电机组叶片覆冰形态分析方法
CN115423810A (zh) * 2022-11-04 2022-12-02 国网江西省电力有限公司电力科学研究院 一种风力发电机组叶片覆冰形态分析方法
CN116403151A (zh) * 2022-12-20 2023-07-07 南京工业大学 一种基于自适应深度神经网络的地铁人流密度估计方法
CN116468928A (zh) * 2022-12-29 2023-07-21 长春理工大学 一种基于视觉感知关联器的热红外小目标检测方法
CN116468928B (zh) * 2022-12-29 2023-12-19 长春理工大学 一种基于视觉感知关联器的热红外小目标检测方法
CN117079342A (zh) * 2023-02-27 2023-11-17 盛视科技股份有限公司 一种基于两阶段目标检测的人提箱交互检测方法及系统
CN117197687A (zh) * 2023-03-13 2023-12-08 西南科技大学 一种面向无人机航拍密集小目标的检测方法
CN116524517A (zh) * 2023-03-31 2023-08-01 西安电子科技大学 基于深度学习的电能表图像目标识别方法
CN116524293B (zh) * 2023-04-10 2024-01-30 哈尔滨市科佳通用机电股份有限公司 基于深度学习的闸调器拉杆头丢失故障识别方法及系统
CN116524293A (zh) * 2023-04-10 2023-08-01 哈尔滨市科佳通用机电股份有限公司 基于深度学习的闸调器拉杆头丢失故障图像识别方法及系统
CN116433979A (zh) * 2023-04-18 2023-07-14 安徽理工大学 基于小特征感知金字塔网络的隧道异常检测方法
CN116563734A (zh) * 2023-05-12 2023-08-08 贵州理工学院 一种面向无人机平台的实时目标检测方法及系统
CN117237614B (zh) * 2023-11-10 2024-02-06 江西啄木蜂科技有限公司 基于深度学习的湖面漂浮物小目标检测方法
CN117237614A (zh) * 2023-11-10 2023-12-15 江西啄木蜂科技有限公司 基于深度学习的湖面漂浮物小目标检测方法
CN118379848A (zh) * 2024-06-21 2024-07-23 珠海华熠电子有限公司 基于双目摄像机的人员安全监测系统及方法

Also Published As

Publication number Publication date
CN108399362B (zh) 2022-01-07
CN108399362A (zh) 2018-08-14

Similar Documents

Publication Publication Date Title
WO2019144575A1 (fr) Procédé de détection de piéton rapide et dispositif
CN109584248B (zh) 基于特征融合和稠密连接网络的红外面目标实例分割方法
CN111462126B (zh) 一种基于边缘增强的语义图像分割方法及系统
CN111126472B (zh) 一种基于ssd改进的目标检测方法
CN108985269B (zh) 基于卷积和空洞卷积结构的融合网络驾驶环境感知模型
WO2023019875A1 (fr) Procédé et appareil de détection de perte de véhicule, et dispositif électronique et support de stockage
CN106845487B (zh) 一种端到端的车牌识别方法
WO2021218786A1 (fr) Système de traitement de données, procédé de détection d'objet et appareil associé
CN108830285B (zh) 一种基于Faster-RCNN的加强学习的目标检测方法
CN113065558A (zh) 一种结合注意力机制的轻量级小目标检测方法
CN115147731A (zh) 一种基于全空间编码注意力模块的sar图像目标检测方法
US12067730B2 (en) Panoptic segmentation refinement network
CN110555420B (zh) 一种基于行人区域特征提取和重识别融合模型网络及方法
CN116721398A (zh) 一种基于跨阶段路由注意力模块和残差信息融合模块的Yolov5目标检测方法
CN107545263B (zh) 一种物体检测方法及装置
CN112232355B (zh) 图像分割网络处理、图像分割方法、装置和计算机设备
CN110781744A (zh) 一种基于多层次特征融合的小尺度行人检测方法
CN114220126A (zh) 一种目标检测系统及获取方法
CN110222718B (zh) 图像处理的方法及装置
CN112861970B (zh) 一种基于特征融合的细粒度图像分类方法
CN112733614A (zh) 一种带有相似尺寸强化识别的害虫图像检测方法
CN109034152A (zh) 基于lstm-cnn组合模型的车牌定位方法及装置
CN112396035A (zh) 基于注意力检测模型的物体检测方法和装置
CN113762009A (zh) 一种基于多尺度特征融合及双注意力机制的人群计数方法
CN116993775A (zh) 一种联合实例分割的行人多目标跟踪方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18901926

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18901926

Country of ref document: EP

Kind code of ref document: A1