-
公开(公告)号：CN111860587B
公开(公告)日：2024-02-02
申请号：CN202010537199.7
申请日：2020-06-12
Applicant: 长安大学
IPC: G06V10/75 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084 , G06T5/50
Abstract: 本发明公开了一种用于图片小目标的检测方法，通过以待检测图片作为目标检测网络的输入，从待检测图片中获取六个不同尺寸的特征图，采用双线性插值法将六个不同尺寸的特征图中的金字塔的底层特征图与金字塔的高层特征图进行特征融合得到新的六个不同尺寸的特征图，考虑各尺度特征图之间的关系，使参与预测的特征图有更丰富的细节信息和语义信息，使用预先训练模型的默认设置对目标检测网络进行训练，并采用随机梯度下降算法对损失函数式进行优化训练，有利于模型的快速收敛，利用训练好的目标检测网络进行测试，对待检测的图像特征提取，能够有效提高图片小目标的检测精度和检测速度，可在完全满足实时性条件下有效提高小目标的检测精度。
-
Patent Agency Ranking
公开(公告)号：CN113076898B
公开(公告)日：2023-09-15
申请号：CN202110387355.0
申请日：2021-04-09
Applicant: 长安大学
IPC: G06V20/52 , G06V10/25 , G06V10/762 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种交通车辆目标检测方法、装置、设备及可读存储介质，通过对对预处理后的交通图像进行车辆标注，本发明通过将车辆标注后的交通图像进行维度聚类,设置阈值进行聚类anchor box,并且将一个相对远的点选择为下一个初始聚类中心，提高聚类精度；基于特征提取主干网络在浅层部分添加网络层进行浅层特征提取，提高对细节特征处理能力，在保持较高的检测精度的前提下，采用CSPDarknet26进行多层残差网络进行特征提取，能避免卷积层冗余、提高内存利用率、提高训练速度，然后经过多层残差网络进行特征提取后进行多尺度检测，提取丰富的细节信息，CRB能够避免小目标检测效果退化问题，提高了算法在强雨密度交通环境下车辆单类目标检测的适用性与准确性。
-
公开(公告)号：CN111695514B
公开(公告)日：2023-04-18
申请号：CN202010537207.8
申请日：2020-06-12
Applicant: 长安大学
IPC: G06V20/54 , G06V10/774 , G06V10/762 , G06T3/40 , G06T7/90
Abstract: 本发明公开了一种基于深度学习的雾天下车辆检测方法，通过对采集到的雾天交通车辆图片进行图像预处理，采用深度残差网络模型对预处理后的雾天交通车辆图片进行特征提取，获取多个不同大小的特征图，然后对多个不同大小的特征图进行多尺度检测，得到多尺度检测特征图，提高特征提取精度，最后根据获取的多尺度检测特征图采用迁移学习方法对深度残差网络模型进行训练得到雾天下车辆检测网络模型，采用迁移学习方法精简了网络结构，不仅提高了检测速度，而且提高了目标检测精度，利用K‑means聚类方法进行聚类，得到网络所需的初始先验框的尺寸，对浅层网络的加深和整体框架的简化，提升了检测速度，简化了损失函数和预测的输出张量，提高了定位的效率。
-
公开(公告)号：CN113076898A
公开(公告)日：2021-07-06
申请号：CN202110387355.0
申请日：2021-04-09
Applicant: 长安大学
Abstract: 本发明公开了一种交通车辆目标检测方法、装置、设备及可读存储介质，通过对对预处理后的交通图像进行车辆标注，本发明通过将车辆标注后的交通图像进行维度聚类,设置阈值进行聚类anchor box,并且将一个相对远的点选择为下一个初始聚类中心，提高聚类精度；基于特征提取主干网络在浅层部分添加网络层进行浅层特征提取，提高对细节特征处理能力，在保持较高的检测精度的前提下，采用CSPDarknet26进行多层残差网络进行特征提取，能避免卷积层冗余、提高内存利用率、提高训练速度，然后经过多层残差网络进行特征提取后进行多尺度检测，提取丰富的细节信息，CRB能够避免小目标检测效果退化问题，提高了算法在强雨密度交通环境下车辆单类目标检测的适用性与准确性。
-
公开(公告)号：CN111860587A
公开(公告)日：2020-10-30
申请号：CN202010537199.7
申请日：2020-06-12
Applicant: 长安大学
Abstract: 本发明公开了一种用于图片小目标的检测方法，通过以待检测图片作为目标检测网络的输入，从待检测图片中获取六个不同尺寸的特征图，采用双线性插值法将六个不同尺寸的特征图中的金字塔的底层特征图与金字塔的高层特征图进行特征融合得到新的六个不同尺寸的特征图，考虑各尺度特征图之间的关系，使参与预测的特征图有更丰富的细节信息和语义信息，使用预先训练模型的默认设置对目标检测网络进行训练，并采用随机梯度下降算法对损失函数式进行优化训练，有利于模型的快速收敛，利用训练好的目标检测网络进行测试，对待检测的图像特征提取，能够有效提高图片小目标的检测精度和检测速度，可在完全满足实时性条件下有效提高小目标的检测精度。
-
公开(公告)号：CN111695514A
公开(公告)日：2020-09-22
申请号：CN202010537207.8
申请日：2020-06-12
Applicant: 长安大学
Abstract: 本发明公开了一种基于深度学习的雾天下车辆检测方法，通过对采集到的雾天交通车辆图片进行图像预处理，采用深度残差网络模型对预处理后的雾天交通车辆图片进行特征提取，获取多个不同大小的特征图，然后对多个不同大小的特征图进行多尺度检测，得到多尺度检测特征图，提高特征提取精度，最后根据获取的多尺度检测特征图采用迁移学习方法对深度残差网络模型进行训练得到雾天下车辆检测网络模型，采用迁移学习方法精简了网络结构，不仅提高了检测速度，而且提高了目标检测精度，利用K-means聚类方法进行聚类，得到网络所需的初始先验框的尺寸，对浅层网络的加深和整体框架的简化，提升了检测速度，简化了损失函数和预测的输出张量，提高了定位的效率。
-
-
-
-
-
Search Results
6
records
(took 0.02 seconds)
