CN114155567A - 目标检测方法及装置、存储介质及电子设备 - Google Patents
目标检测方法及装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN114155567A CN114155567A CN202010933809.5A CN202010933809A CN114155567A CN 114155567 A CN114155567 A CN 114155567A CN 202010933809 A CN202010933809 A CN 202010933809A CN 114155567 A CN114155567 A CN 114155567A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- convolution
- feature
- feature image
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 65
- 238000000605 extraction Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000011176 pooling Methods 0.000 claims description 20
- 230000001629 suppression Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 11
- 239000002699 waste material Substances 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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; CALCULATING OR 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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; CALCULATING OR 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; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及图像处理技术领域,具体涉及一种目标检测方法及装置、计算机可读存储介质及电子设备,方法包括:获取输入图像,并采用第一卷积层和第二卷积层对输入图像进行特征提取得到参考特征图像;采用第三卷积层对参考特征图像进行特征提取得到第一目标特征图,并采用第四卷积层对第一目标特征图像进行特征提取得到第二目标特征图像;获取第一目标特征图像和第二目标特征图像上每一个点的参考预选图像;在多个参考预选图像中确定目标预选图像,并利用目标检测算法完成目标检测。本公开实施例的技术方案克服了现有技术中的目标检测方法浪费计算资源、实时性较差的不足。
Description
技术领域
本公开涉及图像处理技术领域,具体而言,涉及一种目标检测方法及装置、计算机可读存储介质及电子设备。
背景技术
深度学习算法在人脸检测领域应用已经相当成熟,但是在客流统计应用中,并不是每个顾客的脸都是正对摄像头,为了正确检测人流数量,应当提取人头特征,从而检测视频中的人头数量,从而达到客流统计的目的。
然而人头特征较人脸特征更为复杂,因此简单套用人脸检测网络并不能取得较好的效果,需要增加检测网络中卷积核的数量。但是增加卷积核的数量会在边缘有限的计算资源增加较大的计算负担,实时性较差。
因此,有必要设计一种新的目标检测方法。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种目标检测方法及装置、计算机可读存储介质及电子设备,进而至少在一定程度上克服现有技术中的目标检测方法浪费计算资源、实时性较差的不足。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的第一方面,提供了一种目标检测方法,包括:
获取输入图像,并采用第一卷积层和第二卷积层对所述输入图像进行特征提取得到参考特征图像;
采用第三卷积层对所述参考特征图像进行特征提取得到第一目标特征图,并采用第四卷积层对第一目标特征图像进行特征提取得到第二目标特征图像;
获取所述第一目标特征图像和第二目标特征图像上每一个点的参考预选图像;
在多个所述参考预选图像中确定目标预选图像,并利用目标检测算法完成目标检测;
其中第一卷积层和第二卷积层均为单模块残差卷积层,所述第三卷积层和所述第四卷积层为双模块残差卷积层。
在本公开的一种示例性实施例中,采用第一卷积层和第二卷积层对所述输入图像进行特征提取得到参考特征图像,包括:
利用所述第一卷积层对所述输入图像进行特征提取得到初始特征图像;
利用所述第二卷积层对所述初始特征图像进行特征提取得到参考特征图像。
在本公开的一种示例性实施例中,所述单模块残差卷积层包括:
第一卷积单元,包括串行设计的深度可分卷积核和第一卷积核;
残差网络单元,包括串行设计的最大池化子单元和填充子单元;
其中,所述第一卷积核为标准卷积核。
在本公开的一种示例性实施例中,利用所述第一卷积层对所述输入图像进行特征提取得到初始特征图;
将所述输入图像输入所述第一卷积层的所述第一卷积单元进行特征提取得到第一特征图像;
将所述输入图像输入所述第一卷积层的所述残差网络单元,得到与所述第一特征图像格式相同的第二特征图像;
将所述第一特征图像与所述第二特征图像进行相加得到所述初始特征图像。
在本公开的一种示例性实施例中,利用所述第二卷积层对所述初始特征图像进行特征提取得到参考特征图像,包括:
将所述初始特征图像输入所述第二卷积层的所述第一卷积单元进行特征提取得到第三特征图像;
将所述初始特征图输入所述第二卷积层的所述残差网络单元,得到与所述第三特征图像格式相同的第四特征图像;
将所述第三特征图像与所述第四特征图像进行相加得到所述参考特征图像。
在本公开的一种示例性实施例中,所述双模块残差卷积层包括:
第二卷积单元,包括串行设计的深度可分卷积核和第二卷积核;
第三卷积单元,与所述第二卷积子单元串行,所述第三卷积单元包括串行设计的深度可分卷积核和第三卷积核;
残差网络单元,包括串行设计的最大池化子单元和填充子单元。
在本公开的一种示例性实施例中,采用第三卷积层对所述参考特征图像进行特征提取得到第一目标特征图,包括:
利用所述第三卷积层的第二卷积单元和第三卷积单元对所述参考特征图像进行特征提取得到第五特征图像
将所述参考特征图像输入至所述第三卷积层的所述残差网络单元得到与所述第五特征图像格式相同的第六特征图像;
将所述第五特征图像与所述第六特征图像进行相加得到所述第一目标特征图。
在本公开的一种示例性实施例中,采用第四卷积层对第一目标特征图像进行特征提取得到第二目标特征图像,包括:
利用所述第四卷积层的第二卷积单元和第三卷积单元对所述第一目标特征图像进行特征提取得到第七特征图像
将所述第一目标特征图像输入至所述第四卷积层的所述残差网络单元得到与所述第七特征图像格式相同的第八特征图像;
将所述第七特征图像与所述第八特征图像进行相加得到所述第二目标特征图。
在本公开的一种示例性实施例中,获取所述第一目标特征图像和第二目标特征图像上每一个点的参考预选图像,包括:
以所述第一目标特征图像和所述第二目标特征图像的每一个点为中心,基于每一个点生成至少一个参考预选图像。
在本公开的一种示例性实施例中,在多个所述参考预选图像中确定目标预选图像,并利用目标检测算法完成目标检测,包括:
对所有参考预选图像的特征分别进行类别回归,并计算各个类别的类别分数;
可以根据类别分数选取目标预选图像;
对目标预选图形做非极大值抑制操作完成目标检测。
根据本公开的一个方面,提供一种目标检测装置,包括:
图像获取模块,用于获取输入图像,并采用第一卷积层和第二卷积层对所述输入图像进行特征提取得到参考特征图像;
特征提取模块,用于采用第三卷积层对所述参考特征图像进行特征提取得到第一目标特征图像,并采用第四卷积层对第一特征图进行特征提取得到第二目标特征图像;
图像选取模块,用于获取所述第一目标特征图像和第二目标特征图像上每一个点的参考预选图像;
图像确定模块,用于在多个所述参考预选图像中确定目标预选图像,并利用目标检测算法完成目标检测;
其中第一卷积层和第二卷积层均为单模块残差卷积层,所述第三卷积层和所述第四卷积层为双模块残差卷积层。
根据本公开的一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述任意一项所述的目标检测方法。
根据本公开的一个方面,提供一种电子设备,包括:
处理器;以及
存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述任意一项所述的目标检测方法。
本公开实施例提供的技术方案可以包括以下有益效果:
本公开的一种实施例所提供的目标检测方法中,通过对输入图像采用第一卷积层和第二卷积层进行特征提取得到参考图像,并对参考图像采用第三卷积层进行特征提取得到第一目标特征图,对第一特征图利用第四卷积层进行特征提取得到第二目标图像,获取所述第一目标图像和第二目标图像上每一个点的参考预选图像,在多个所述预算图像中确定所述目标预选图像来完成目标检测,其中第一卷积层和第二卷积层均为单模块残差卷积核,所述第三卷积层和所述第四卷积层为双模块残差卷积核;相较于现有技术,第一卷积层和第二卷积层均为单模块残差卷积层,所述第三卷积层和所述第四卷积成为双模块残差卷积核,通过上述四个卷积层来获取目标预选图像,能够增加感受野,在无需增加卷积层的情况下即可完成目标检测,降低了计算负担,加快了计算效率,增强了目标检测的实时性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示意性示出本公开示例性实施例中目标检测方法的流程图;
图2示意性示出本公开示例性实施例中单模块残差卷积层的示意图;
图3示意性示出本公开示例性实施例中双模块残差卷积层的示意图;
图4示意性示出本公开示例性实施例中目标检测方法的数据流向的框架图;
图5示意性示出本公开示例性实施例中一种目标检测装置的组成示意图;
图6示意性示出了适于用来实现本公开示例性实施例的电子设备的计算机系统的结构示意图;
图7示意性示出了根据本公开的一些实施例的计算机可读存储介质的示意图。
具体实施方式
现在将参照附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
在本示例性实施例中,首先提供了一种目标检测方法,参照图1中所示,上述的目标检测方法可以包括以下步骤:
S110,获取输入图像,并采用第一卷积层和第二卷积层对所述输入图像进行特征提取得到参考特征图像;
S120,采用第三卷积层对所述参考特征图像进行特征提取得到第一目标特征图,并采用第四卷积层对第一目标特征图像进行特征提取得到第二目标特征图像;
S130,获取所述第一目标特征图像和第二目标特征图像上每一个点的参考预选图像;
S140,根据所述权重确定在所述事件发生区播放的视频,其中第一卷积层和第二卷积层均为单模块残差卷积层,所述第三卷积层和所述第四卷积层为双模块残差卷积层。
根据本示例性实施例中所提供的目标检测方法中,相较于现有技术,第一卷积层和第二卷积层均为单模块残差卷积层,所述第三卷积层和所述第四卷积成为双模块残差卷积核,通过上述四个卷积层来获取目标预选图像,能够增加感受野,在无需增加卷积层的情况下即可完成目标检测,降低了计算负担,加快了计算效率,增强了目标检测的实时性。
下面,将结合附图及实施例对本示例性实施例中的目标检测方法的各个步骤进行更详细的说明。
在步骤S110中,获取输入图像,并采用第一卷积层和第二卷积层对所述输入图像进行特征提取得到参考特征图像。
在本公开的一种示例实施例中,输入图像可以是正方形的图像也可以是长方形的图像,然后可以采用第一卷积层和第二卷积层对输入图像记性特征提取得到参考特征图像。
在本示例实施方式中,可以参照图2和图4所示,第一卷积层410和第二卷积层420均为单模块残差卷积层,其中,单模块残差卷积层第一卷积单元和残差网络单元,第一卷积单元可以包括串行设计的深度可分卷积核210和第一卷积核220,深度可分卷积核210可以是5*5大小的深度可分卷积核210,深度卷积核的大小可以根据用户需求进行自定义,在本示例实施方式中不做具体限定,例如6*6大小的深度可分卷积核210,由于深度可分卷积核210的具体运行方式在相关技术中已经比较成熟,因此,此处不在赘述。
在本示例实施方式中,第一卷积核220可以是标准卷积核,且第一卷积核220在本实施方式中可以为1*1的标准卷积核。
在本示例实施方式中,残差网络单元可以包括串行设计的最大池化子单元230和填充子单元240,其中,最大池化子单元230是将输入图像划分为若干个矩形区域,对每个子区域输出最大值,即用于多上述输入图像进行最大池化操作,最大池化操作在相关技术中已近比较成熟,因此,从此处不再赘述。填充子单元240用于对最大池化后得到的特征图及填充,即补零,用于调整最大池化后的特征图的大小。
在本示例实施方式中,可以首先将输入图像输入第一卷积层410的第一卷积单元进行特征提取得到第一特征图像,然后将输入图像输入第一卷积层410的残差网络单元,经过上述最大池化操作以及填充操作后可以得到与第一特征图像格式相同的第二特征图像,填充操作可以使得第二特征图像与第一特征图像矩阵格式相同,因此可以将第一特征图像以及第二特征图像直接做矩阵的相加得到初始特征图像。
在得到上述第一特征图像后,可以将初始特征图像输入第二卷积层420的第一卷积单元进行特征提取得到第三特征图像,然后将初始特征图输入第二卷积层420的残差网络单元,经过上述最大池化操作以及填充操作后可以得到与第三特征图像格式相同的第四特征图像;填充操作可以使得第三特征图像与第四特征图像矩阵格式相同,因此可以将第一特征图像以及第二特征图像直接做矩阵的相加得到初始特征图像。
在步骤S120中,采用第三卷积层430对所述参考特征图像进行特征提取得到第一目标特征图,并采用第四卷积层440对第一目标特征图像进行特征提取得到第二目标特征图像。
在本公开的一种示例实施方式中,参照图3和图4所示,第三卷积层和第四卷积层可以是双模块残差卷积层,其中双模块残差卷积层可以包括第二卷积单元、第三卷积单元以及残差网络单元。
在本示例实施方式中,第二卷积单元可以包括串行设计的深度可分卷积核330和第二卷积核310,其中第二卷积核310可以包括一个1*1的标准卷积核、归一化层(BN层)以及激活层(relu层),深度可分卷积核330可以是5*5大小的深度可分卷积核330,深度卷积核的大小可以根据用户需求进行自定义,在本示例实施方式中不做具体限定,例如6*6大小的深度可分卷积核330,由于深度可分卷积核330的具体运行方式在相关技术中已经比较成熟,因此,此处不在赘述。
第三卷积单元也可以包括串行设计的深度可分卷积核340和第三卷积核320,其中第三卷积核320可以包括一个1*1的标准卷积核和一个3*3的标准卷积核,在本示例实施方式中,第三卷积核320只采用了其中的1*1的标准卷积核。深度卷积和与上述第一卷积层410以及第二卷积层420的深度卷积层的结构以及作用是相同的,上述已经进行了详细的说明,因此此处不再赘述。
在本示例实施方式中,残差网络单元可以包括串行设计的最大池化子单元230和填充子单元240,其中,最大池化子单元230是将输入图像划分为若干个矩形区域,对每个子区域输出最大值,即用于多上述输入图像进行最大池化操作,最大池化操作在相关技术中已近比较成熟,因此,从此处不再赘述。填充子单元240用户对最大池化后得到的特征图及填充,即补零,用于调整最大池化后的特征图的大小。
在本示例实施方式中,可以利用第三卷积层430的第二卷积单元和第三卷积单元对参考特征图像进行特征提取得到第五特征图像,将参考图像输入至第三卷积层430的残差网络单元得到与第五特征图像格式相同的第六特征图像;经过上述最大池化操作以及填充操作后可以得到与第五特征图像格式相同的第六特征图像,填充操作可以使得第六特征图像与第五特征图像矩阵格式相同,因此可以将第五特征图像以及第六特征图像直接做矩阵的相加得到第一目标特征图。
在得到上述第一目标特征图像之后,可以首先利用第四卷积层440的第二卷积单元和第三卷积单元对第一目标特征图像进行特征提取得到第七特征图像,然后可以将第一目标特征图像输入至第四卷积层440的残差网络单元得到与第七特征图像格式相同的第八特征图像;经过上述最大池化操作以及填充操作后可以得到与第七特征图像格式相同的第八特征图像,填充操作可以使得第八特征图像与第七特征图像矩阵格式相同,因此可以将第七特征图像以及第八特征图像直接做矩阵的相加得到第二目标特征图。
在本示例实施方式中,第一目标特征图像的数量为多个,即上述第三卷积层对上述参考图像进行了降维处理,以获取较多的第一目标特征图像,同理,第四卷积层也对多个第一目标特征图像进行了降维处理,已得到数量较多的第二目标特征图像,进而得到较多数量的参考预选图像,提升目标检测的精度。
在步骤S130中,获取所述第一目标特征图像和第二目标特征图像上每一个点的参考预选图像。
在本公开的一种示例实施方式中,可以获取第一目标特征图像和第二目标特征图像中的每一个点的参考预选图像,具体而言,以第一目标图像和第二目标特征图像的每一个点为中心,基于每一个点生成至少一个参考预选图像。
在本示例实施方式中,第一目标图像与第二目标图像的数量均可以是多个,且第一目标特征图像和第二目标特征图像的大小是不同的,可以在多种尺寸的特征图像上获取相应的参考预选图像没能够提升目标检测的精度。
在本示例实施方式中,每一个点的参考预选图像的可以是多个,可以利用上述参考预预选图像构成该点的参考预选图像组合。
在本示例实施方式中,参照图4所示,可以将上述第一目标特征图像和第二目标特征图像均输入至预选图像获取层450,由于对于第一目标图像和第二目标特征图像中每一个特征图像的每一个位置上的k个参考预选图像组合中的每一个参考预选图像都需要计算出c个类,以及每一个类的得分,还可以计算该参考预选图像相对于其默认参考预选图像上的4个偏移值(offsets),于是,在第一目标图像和第二目标特征图像中的每一个特征图像上,就需要有(c+4)×k个filters。因此,若其中一张特征图像的大小为m×n,则基于该特征图像产生(c+4)×k×m×n个参考预选图像。其中,上述偏移值的大小可以是0.5,也可以根据需求进行自定义,在本示例实施方式中不做具体限定。
在步骤S140中,在多个所述参考预选图像中确定目标预选图像,并利用目标检测算法完成目标检测。
在本公开的一种示例实施方式中,可以对所有参考预选图像的特征分别进行类别回归,并计算各个类别的类别分数。
在本示例实施方式中,基于目标检测,,本方案的目标检测方法的检测目标可以是人头、人脸等,下面以检测目标为人头为例进行说明,本方案的参考预选图像的类别可以包括背景和人头,因此,在本示例实施方式中,可以计算上述人头类别和背景类别的得分,然后可以将人头类别的得分小于预设值的参考预选图像剔除,选取人头类别的得分大于等于上述预设值的参考预选图像作为目标预选图像。其中上述预设值可以是有用户设定的,例如0.01、0.02等,在本示例实施方式中不做具体限定。
在本示例实施方式中,可以将得到的多个目标预选图像输入至非极大值抑制操作层460,根据上述目标预选图像中的人头类别的得分以及其各个目标预选图像的重合部分进行NMS(Non Maximum Suppression,非极大值抑制)操作得到最终预选图像,利用所述最终预选图像即可完成人头的检测,其中NMS操作中的最大阈值可以根据需求进行设定,例如,0.45、0.5等,在本示例实施方式中不做具体限定。
综上所述,本申请通过上述四个卷积层即可完成多人头的检测,无需增加卷积层,能够减轻计算负担,增加计算效率,提升目标检测的实时性。
以下介绍本公开的装置实施例,可以用于执行本公开上述的目标检测方法。此外,在本公开的示例性实施方式中,还提供了一种目标检测装置。参照图5所示,所述目标检测装置500包括:图像获取模块510,特征提取模块520,图像选取模块530,和图像确定模块540。
其中,所述获取模块510可以用于获取输入图像,并采用第一卷积层410和第二卷积层420对所述输入图像进行特征提取得到参考特征图像;所述匹配模块520可以用于采用第三卷积层430对所述参考特征图像进行特征提取得到第一目标特征图,并采用第四卷积层440对第一特征图进行特征提取得到第二目标特征图像;计算模块530可以用于获取所述第一目标特征图像和第二目标特征图像上每一个点的参考预选图像;确定模块540可以用于在多个所述参考预选图像中确定目标预选图像,并利用目标检测算法完成目标检测。
由于本公开的示例实施例的目标检测装置的各个功能模块与上述目标检测方法的示例实施例的步骤对应,因此对于本公开装置实施例中未披露的细节,请参照本公开上述的目标检测方法的实施例。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,在本公开的示例性实施例中,还提供了一种能够实现上述目标检测的电子设备。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施例、完全的软件实施例(包括固件、微代码等),或硬件和软件方面结合的实施例,这里可以统称为“电路”、“模块”或“系统”。
下面参照图6来描述根据本公开的这种实施例的电子设备600。图6显示的电子设备600仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。例如,所述处理单元610可以执行如图1中所示的步骤S110:获取输入图像,并采用第一卷积层410和第二卷积层420对所述输入图像进行特征提取得到参考特征图像;S120:采用第三卷积层430对所述参考特征图像进行特征提取得到第一目标特征图,并采用第四卷积层440对第一目标特征图像进行特征提取得到第二目标特征图像;S130:获取所述第一目标特征图像和第二目标特征图像上每一个点的参考预选图像;S140:在多个所述参考预选图像中确定目标预选图像,并利用目标检测算法完成目标检测;其中第一卷积层410和第二卷积层420均为单模块残差卷积层,所述第三卷积层430和所述第四卷积层440为双模块残差卷积层。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)621和/或高速缓存存储单元622,还可以进一步包括只读存储单元(ROM)623。
存储单元620还可以包括具有一组(至少一个)程序模块625的程序/实用工具624,这样的程序模块625包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备670(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器660通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。
参照图7,描述了根据本公开的实施例的用于实现上述方法的程序产品700,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (13)
1.一种目标检测方法,其特征在于,包括:
获取输入图像,并采用第一卷积层和第二卷积层对所述输入图像进行特征提取得到参考特征图像;
采用第三卷积层对所述参考特征图像进行特征提取得到第一目标特征图,并采用第四卷积层对第一目标特征图像进行特征提取得到第二目标特征图像;
获取所述第一目标特征图像和第二目标特征图像上每一个点的参考预选图像;
在多个所述参考预选图像中确定目标预选图像,并利用目标检测算法完成目标检测;
其中第一卷积层和第二卷积层均为单模块残差卷积层,所述第三卷积层和所述第四卷积层为双模块残差卷积层。
2.根据权利要求1所述的方法,其特征在于,采用第一卷积层和第二卷积层对所述输入图像进行特征提取得到参考特征图像,包括:
利用所述第一卷积层对所述输入图像进行特征提取得到初始特征图像;
利用所述第二卷积层对所述初始特征图像进行特征提取得到参考特征图像。
3.根据权利要求2所述的方法,其特征在于,所述单模块残差卷积层包括:
第一卷积单元,包括串行设计的深度可分卷积核和第一卷积核;
残差网络单元,包括串行设计的最大池化子单元和填充子单元;
其中,所述第一卷积核为标准卷积核。
4.根据权利要求3所述的方法,其特征在于,利用所述第一卷积层对所述输入图像进行特征提取得到初始特征图;
将所述输入图像输入所述第一卷积层的所述第一卷积单元进行特征提取得到第一特征图像;
将所述输入图像输入所述第一卷积层的所述残差网络单元,得到与所述第一特征图像格式相同的第二特征图像;
将所述第一特征图像与所述第二特征图像进行相加得到所述初始特征图像。
5.根据权利要求4所述的方法,其特征在于,利用所述第二卷积层对所述初始特征图像进行特征提取得到参考特征图像,包括:
将所述初始特征图像输入所述第二卷积层的所述第一卷积单元进行特征提取得到第三特征图像;
将所述初始特征图输入所述第二卷积层的所述残差网络单元,得到与所述第三特征图像格式相同的第四特征图像;
将所述第三特征图像与所述第四特征图像进行相加得到所述参考特征图像。
6.根据权利要求1所述的方法,其特征在于,所述双模块残差卷积层包括:
第二卷积单元,包括串行设计的深度可分卷积核和第二卷积核;
第三卷积单元,与所述第二卷积子单元串行,所述第三卷积单元包括串行设计的深度可分卷积核和第三卷积核;
残差网络单元,包括串行设计的最大池化子单元和填充子单元。
7.根据权利要求6所述的方法,其特征在于,采用第三卷积层对所述参考特征图像进行特征提取得到第一目标特征图,包括:
利用所述第三卷积层的第二卷积单元和第三卷积单元对所述参考特征图像进行特征提取得到第五特征图像
将所述参考特征图像输入至所述第三卷积层的所述残差网络单元得到与所述第五特征图像格式相同的第六特征图像;
将所述第五特征图像与所述第六特征图像进行相加得到所述第一目标特征图。
8.根据权利要求7所述的方法,其特征在于,采用第四卷积层对第一目标特征图像进行特征提取得到第二目标特征图像,包括:
利用所述第四卷积层的第二卷积单元和第三卷积单元对所述第一目标特征图像进行特征提取得到第七特征图像
将所述第一目标特征图像输入至所述第四卷积层的所述残差网络单元得到与所述第七特征图像格式相同的第八特征图像;
将所述第七特征图像与所述第八特征图像进行相加得到所述第二目标特征图。
9.根据权利要求1所述的方法,其特征在于,获取所述第一目标特征图像和第二目标特征图像上每一个点的参考预选图像,包括:
以所述第一目标特征图像和所述第二目标特征图像的每一个点为中心,基于每一个点生成至少一个参考预选图像。
10.根据权利要求1所述的方法,其特征在于,在多个所述参考预选图像中确定目标预选图像,并利用目标检测算法完成目标检测,包括:
对所有参考预选图像的特征分别进行类别回归,并计算各个类别的类别分数;
可以根据类别分数选取目标预选图像;
对目标预选图形做非极大值抑制操作完成目标检测。
11.一种目标检测装置,其特征在于,包括:
图像获取模块,用于获取输入图像,并采用第一卷积层和第二卷积层对所述输入图像进行特征提取得到参考特征图像;
特征提取模块,用于采用第三卷积层对所述参考特征图像进行特征提取得到第一目标特征图像,并采用第四卷积层对第一特征图进行特征提取得到第二目标特征图像;
图像选取模块,用于获取所述第一目标特征图像和第二目标特征图像上每一个点的参考预选图像;
图像确定模块,用于在多个所述参考预选图像中确定目标预选图像,并利用目标检测算法完成目标检测;
其中第一卷积层和第二卷积层均为单模块残差卷积层,所述第三卷积层和所述第四卷积层为双模块残差卷积层。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1至10中任一项所述的目标检测方法。
13.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至10中任一项所述的目标检测方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010933809.5A CN114155567A (zh) | 2020-09-08 | 2020-09-08 | 目标检测方法及装置、存储介质及电子设备 |
US17/798,080 US20230154156A1 (en) | 2020-09-08 | 2021-08-20 | Target detection method and apparatus, and storage medium and electronic device |
PCT/CN2021/113675 WO2022052785A1 (zh) | 2020-09-08 | 2021-08-20 | 目标检测方法及装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010933809.5A CN114155567A (zh) | 2020-09-08 | 2020-09-08 | 目标检测方法及装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114155567A true CN114155567A (zh) | 2022-03-08 |
Family
ID=80460626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010933809.5A Pending CN114155567A (zh) | 2020-09-08 | 2020-09-08 | 目标检测方法及装置、存储介质及电子设备 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230154156A1 (zh) |
CN (1) | CN114155567A (zh) |
WO (1) | WO2022052785A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114155567A (zh) * | 2020-09-08 | 2022-03-08 | 京东方科技集团股份有限公司 | 目标检测方法及装置、存储介质及电子设备 |
CN114842279B (zh) * | 2022-05-20 | 2024-08-06 | 湖北工业大学 | 目标检测方法、装置、设备及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866829A (zh) * | 2015-05-25 | 2015-08-26 | 苏州大学 | 一种基于特征学习的跨年龄人脸验证方法 |
CN107545249A (zh) * | 2017-08-30 | 2018-01-05 | 国信优易数据有限公司 | 一种人群年龄识别方法及装置 |
WO2022052785A1 (zh) * | 2020-09-08 | 2022-03-17 | 京东方科技集团股份有限公司 | 目标检测方法及装置、存储介质及电子设备 |
CN114998757A (zh) * | 2022-05-19 | 2022-09-02 | 天津大学 | 用于无人机航摄图像分析的目标检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815574B (zh) * | 2017-01-20 | 2020-10-02 | 博康智能信息技术有限公司北京海淀分公司 | 建立检测模型、检测接打手机行为的方法和装置 |
CN107527044B (zh) * | 2017-09-18 | 2021-04-30 | 北京邮电大学 | 一种基于搜索的多张车牌清晰化方法及装置 |
CN108021923B (zh) * | 2017-12-07 | 2020-10-23 | 上海为森车载传感技术有限公司 | 一种用于深度神经网络的图像特征提取方法 |
US11055854B2 (en) * | 2018-08-23 | 2021-07-06 | Seoul National University R&Db Foundation | Method and system for real-time target tracking based on deep learning |
CN109872362B (zh) * | 2019-01-18 | 2023-08-08 | 腾讯科技(深圳)有限公司 | 一种目标检测方法及装置 |
CN111598149B (zh) * | 2020-05-09 | 2023-10-24 | 鹏城实验室 | 一种基于注意力机制的回环检测方法 |
-
2020
- 2020-09-08 CN CN202010933809.5A patent/CN114155567A/zh active Pending
-
2021
- 2021-08-20 US US17/798,080 patent/US20230154156A1/en active Pending
- 2021-08-20 WO PCT/CN2021/113675 patent/WO2022052785A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866829A (zh) * | 2015-05-25 | 2015-08-26 | 苏州大学 | 一种基于特征学习的跨年龄人脸验证方法 |
CN107545249A (zh) * | 2017-08-30 | 2018-01-05 | 国信优易数据有限公司 | 一种人群年龄识别方法及装置 |
WO2022052785A1 (zh) * | 2020-09-08 | 2022-03-17 | 京东方科技集团股份有限公司 | 目标检测方法及装置、存储介质及电子设备 |
CN114998757A (zh) * | 2022-05-19 | 2022-09-02 | 天津大学 | 用于无人机航摄图像分析的目标检测方法 |
Non-Patent Citations (4)
Title |
---|
XINGPENG ZHANG, FEATURE RECALIBRATION IN DEEP LEARNING VIA DEPTH SQUEEZE AND REFINEMENT OPERATIONS, 27 April 2020 (2020-04-27), pages 1 - 10 * |
YANDONG LI, DEPTHWISE CONVOLUTION IS ALL YOU NEED FOR LEARNING MULTIPLE VISUAL DOMAINS, 17 July 2019 (2019-07-17), pages 1 - 8 * |
樊强强, 基于增强瓶颈残差网络的航摄图像目标检测技术研究, 1 May 2022 (2022-05-01), pages 23 - 29 * |
邓志鹏, 基于多尺度形变特征卷积网络的高分辨率遥感影像目标检测, 30 September 2018 (2018-09-30), pages 1216 - 1227 * |
Also Published As
Publication number | Publication date |
---|---|
WO2022052785A1 (zh) | 2022-03-17 |
US20230154156A1 (en) | 2023-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4006909B1 (en) | Method, apparatus and device for quality control and storage medium | |
CN110209273B (zh) | 手势识别方法、交互控制方法、装置、介质与电子设备 | |
US20190392587A1 (en) | System for predicting articulated object feature location | |
TWI724669B (zh) | 病灶檢測方法及其裝置及其設備及儲存媒體 | |
JP6868119B2 (ja) | ホログラフィック偽造防止コードの検査方法及び装置 | |
CN112967196A (zh) | 图像修复方法及装置、电子设备和介质 | |
WO2021189848A1 (zh) | 模型训练方法、杯盘比确定方法、装置、设备及存储介质 | |
CN112580666B (zh) | 图像特征的提取方法、训练方法、装置、电子设备及介质 | |
CN111291882A (zh) | 一种模型转换的方法、装置、设备和计算机存储介质 | |
CN114155567A (zh) | 目标检测方法及装置、存储介质及电子设备 | |
CN116917931A (zh) | 用于多模态结构引导下的室内图像修复的系统和方法 | |
CN116634936A (zh) | 用于康复训练的基于视觉的运动捕获系统 | |
CN111353325A (zh) | 关键点检测模型训练方法及装置 | |
CN112861940A (zh) | 双目视差估计方法、模型训练方法以及相关设备 | |
CN113516697A (zh) | 图像配准的方法、装置、电子设备及计算机可读存储介质 | |
CN116309274B (zh) | 图像中小目标检测方法、装置、计算机设备及存储介质 | |
CN115661493B (zh) | 一种对象位姿的确定方法及装置、设备及存储介质 | |
CN117315758A (zh) | 面部表情的检测方法、装置、电子设备及存储介质 | |
WO2020132825A1 (zh) | 图像处理装置和图像处理方法 | |
CN114092608B (zh) | 表情的处理方法及装置、计算机可读存储介质、电子设备 | |
US20220122341A1 (en) | Target detection method and apparatus, electronic device, and computer storage medium | |
WO2022181253A1 (ja) | 関節点検出装置、学習モデル生成装置、関節点検出方法、学習モデル生成方法、及びコンピュータ読み取り可能な記録媒体 | |
CN110348406B (zh) | 参数推断方法及装置 | |
CN116229535A (zh) | 人脸检测模型的训练方法、人脸检测方法及装置 | |
WO2023109086A1 (zh) | 文字识别方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |