-
Patent Agency Ranking
公开(公告)号：CN113591543B
公开(公告)日：2024-03-26
申请号：CN202110636627.6
申请日：2021-06-08
Applicant: 广西综合交通大数据研究院 , 桂林电子科技大学
IPC: G06V20/58 , G06V10/762 , G06V10/764 , G06V10/80 , G06V10/82
Abstract: 本申请实施例提供了一种交通标志识别方法、装置、电子设备及计算机存储介质，涉及图像识别技术领域。该方法包括：获取预设的交通标志数据集，采用预设的聚类算法对交通标志数据集中的交通标志进行聚类，确定各类交通标志的尺寸；采用训练后的交通标志识别模型对待识别交通标志进行识别，确认待识别交通标志的类别。本申请实施例通过预设的聚类方法先对数据集进行聚类，对交通标志识别模型进行训练，可以获取图像中不同尺度的感受野信息，并可以将获取到的不同尺度的信息融合，增强浅层网络预测交通标志的能力，进而提高交通标志的检测准确率。减少网络参数并降低网络复杂度，以此提高交通标志的检测速度，达到对交通标志的实时检测。
-
公开(公告)号：CN112712036A
公开(公告)日：2021-04-27
申请号：CN202011632849.2
申请日：2020-12-31
Applicant: 广西综合交通大数据研究院 , 桂林电子科技大学
Abstract: 本公开提供了一种交通标志识别方法、装置、电子设备及计算机存储介质，涉及图像识别技术领域。该方法包括：采用预设的聚类算法对交通标志数据集中的交通标志进行聚类，确定各类交通标志的尺寸；采用预训练的目标检测模型对待识别的图像数据进行识别，确定与尺寸对应的目标交通标志。本公开实施例通过预设的聚类算法，消除无效数据对聚类中心的影响，大大提高了先验框与交通标志之间的匹配度，不仅有利于降低训练网络的复杂度，缩短网络训练时间，而且有助于提高模型的检测精度，增加残差结构来增强了浅层网络的特征提取能力；通过增加预测尺度和锚框数量，能够使用提取的浅层特征图进行预测，提高对交通标志的检测准确率。
-
公开(公告)号：CN113591543A
公开(公告)日：2021-11-02
申请号：CN202110636627.6
申请日：2021-06-08
Applicant: 广西综合交通大数据研究院 , 桂林电子科技大学
Abstract: 本申请实施例提供了一种交通标志识别方法、装置、电子设备及计算机存储介质，涉及图像识别技术领域。该方法包括：获取预设的交通标志数据集，采用预设的聚类算法对交通标志数据集中的交通标志进行聚类，确定各类交通标志的尺寸；采用训练后的交通标志识别模型对待识别交通标志进行识别，确认待识别交通标志的类别。本申请实施例通过预设的聚类方法先对数据集进行聚类，对交通标志识别模型进行训练，可以获取图像中不同尺度的感受野信息，并可以将获取到的不同尺度的信息融合，增强浅层网络预测交通标志的能力，进而提高交通标志的检测准确率。减少网络参数并降低网络复杂度，以此提高交通标志的检测速度，达到对交通标志的实时检测。
-
公开(公告)号：CN111444847A
公开(公告)日：2020-07-24
申请号：CN202010227134.2
申请日：2020-03-27
Applicant: 广西综合交通大数据研究院 , 桂林市国创朝阳信息科技有限公司
Abstract: 本发明公开了一种交通标志检测识别方法、系统、装置及存储介质，所述方法包括获取交通标志图像；对YOLOv3卷积神经网络模型的残差组件进行处理得到DFF-YOLOv3卷积神经网络模型；利用DFF-YOLOv3卷积神经网络模型对获取的交通标志图像进行检测识别。本发明通过对现有的基于YOLOv3的卷积神经网络模型的残差组件进行改进处理得到改进的DFF-YOLOv3卷积神经网络模型，利用改进的DFF-YOLOv3卷积神经网络模型对获取的小目标交通标志图像进行检测识别，具有实时性好和识别精度高的优点。本发明可以广泛应用于深度学习技术领域。
-
公开(公告)号：CN111444847B
公开(公告)日：2023-04-07
申请号：CN202010227134.2
申请日：2020-03-27
Applicant: 广西综合交通大数据研究院 , 桂林市国创朝阳信息科技有限公司
IPC: G06V20/58 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种交通标志检测识别方法、系统、装置及存储介质，所述方法包括获取交通标志图像；对YOLOv3卷积神经网络模型的残差组件进行处理得到DFF‑YOLOv3卷积神经网络模型；利用DFF‑YOLOv3卷积神经网络模型对获取的交通标志图像进行检测识别。本发明通过对现有的基于YOLOv3的卷积神经网络模型的残差组件进行改进处理得到改进的DFF‑YOLOv3卷积神经网络模型，利用改进的DFF‑YOLOv3卷积神经网络模型对获取的小目标交通标志图像进行检测识别，具有实时性好和识别精度高的优点。本发明可以广泛应用于深度学习技术领域。
-
-
-
-
Search Results
5
records
(took 0.03 seconds)
