[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN110322509B - 基于层级类激活图的目标定位方法、系统及计算机设备 - Google Patents

基于层级类激活图的目标定位方法、系统及计算机设备 Download PDF

Info

Publication number
CN110322509B
CN110322509B CN201910559655.5A CN201910559655A CN110322509B CN 110322509 B CN110322509 B CN 110322509B CN 201910559655 A CN201910559655 A CN 201910559655A CN 110322509 B CN110322509 B CN 110322509B
Authority
CN
China
Prior art keywords
layer
unit
convolutional
predicted
convolution
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910559655.5A
Other languages
English (en)
Other versions
CN110322509A (zh
Inventor
李鸿健
程卓
曾祥燕
段小林
汪美琦
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201910559655.5A priority Critical patent/CN110322509B/zh
Publication of CN110322509A publication Critical patent/CN110322509A/zh
Application granted granted Critical
Publication of CN110322509B publication Critical patent/CN110322509B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及深度学习领域和物体检测领域，本发明公开了基于层级类激活图的目标定位方法、系统及计算机设备，该方法构建了一个层级模型，在卷积层后面采用全局平均池化层或金字塔池化层来替代传统的全连接层，以避免在全连接层丢失图像结构信息。该方法在低层中的多个卷积层采集相应的特征信息，从而获得层级类激活图。本发明的层级类激活图不仅仅是从最后一层采集特征图，而是在低层中的多个卷积层中进行采集，从而减少低层图像信息的丢失，提高了图像定位能力。

Description

基于层级类激活图的目标定位方法、系统及计算机设备
技术领域
本发明涉及深度学习领域和物体检测领域，具体是使用深度学习技术实现物体检测下的目标定位；具体为一种基于层级类激活图的目标定位方法。
背景技术
近年来，随着深度学习技术的快速崛起，图像领域下对物体检测的研究已经取得了很重要的进展。其中最流行的物体检测算法可分为两种类型：(1)两步法，即先通过CNN网络结构产生一系列稀疏的候选框，然后对这些候选框进行分类处理。(2)一步法，类似于SSD思想，在图像不同位置采用不同尺度的长宽比对图像进行密集抽样，利用CNN提取特征，直接进行分类。其中物体检测下的目标定位主要是，从图像或者视频中把我们所关注的目标与背景分开。对于目标定位任务的方法分为弱监督方法和强监督方法。
弱监督目标定位方法和强监督方法不同，弱监督方法只需要图像级的标注，不需要人为标注目标的位置信息、大小信息，如边界框等。这样可以降低人类的工作量，同时也降低了计算量。由于有边界框的数据集是少数的，更多的数据集只有图像级的标注，所以相对于强监督方法，弱监督方法适用性更广。
目前很多研究者都选择使用弱监督方法，但在实验过程中，他们发现使用卷积神经网络(CNN)的卷积层可以直接定位目标，然而经过全连接层后却会导致目标定位能力缺失。为了增强目标定位的能力，很多人提出使用全卷积层的网络结构，如网络中的网络(NIN)和全卷积网络(FCN)的提出，以避免使用全连接层来最小化参数的数量，同时还能保持高性能。
针对之前使用的网络结构，很多人选择在最顶层卷积层中提取feature map，进行池化操作，以保留空间特性。如oquab等用自适应卷积层和全局最大池化替代卷积网络中的全连接部分，增强了卷积网络在弱监督中的定位能力。但这种方法只能定位一个点，且所用的评价方法是作者自己定义的，不能通用。在此基础上Zhou等用一层1024个通道的3*3卷积层和全局平均池化代替全连接层。与oquab等的方法相比定位能力有很大的提升，但只能定位到目标的一部分。该方法只从卷积网络的最顶层提取特征信息，对于小物体背景过多的情况，相对会缺失低层的信息。Zhiqiang等在zhou等方法的基础上，用空间金字塔池化替代全局平均池化，使定位能力进一步提高。综合上面的方法存在一个问题，它们都是从卷积层的最顶层提取特征信息，会造成底层信息缺失，定位准确率相对降低。
发明内容
基于现有技术存在的问题，本发明针对在目标定位中因底层信息缺失造成定位能力不准确这一缺点，对基础卷积网络进行了一些修改。分别在卷积层4-3、卷积层4-4、卷积层5-3、卷积层5-4等后面添加一层1024个通道的3*3卷积层，并把a1与a2的padding设为0，提出一种新型的层级网络结构。并从不同层级的特征图得出层级类激活图，提出了一种新型的类激活图，以弥补相对低层信息的缺失，从而提高定位能力。
本发明的一种基于层级类激活图的目标定位方法，所述方法包括将待预测图像即输入图像输入卷积层级结构，并提取出待预测图像的层级特征，生成待预测图像的层级类激活图，保留层级类激活图中的部分值，并生成能预测出待预测图像中待测目标的边界框；根据该边界框从而输出待预测图像的定位后的目标位置；边界框也即目标的位置，在目标定位或目标检测任务中，本领域普通技术人员应该清楚，最后目标的的位置是用边界框表示的。
其中，层级类激活图的生成包括以下步骤：
S1、构建待预测图像的卷积层级结构，包括在VGG19网络结构中的卷积层4-3、卷积层4-4、卷积层5-3、卷积层5-4后面分别添加一层自定义卷积层；
S2、设置S1中所添加自定义卷积层的步长和padding；
S3、将S2中卷积层4-3、卷积层4-4各自对应的自定义卷积层按照通道进行叠加得到第一叠加层；将卷积层5-3、卷积层5-4各自对应的自定义卷积层按照通道进行叠加得到第二叠加层；
S4、将第一叠加层和第二叠加层进行池化分别得到TAn和TBn；
S5、把TAn和TBn送入到线性层中，求得分类的得分Sc；
S6、根据分类得分Sc，使用softmax函数和交叉熵损失函数对卷积网络训练，得到权重
Figure BDA0002107883300000031
和
Figure BDA0002107883300000032
S7、分别求出第一叠加层和第二叠加层的显著图IA和IB，使用线性二插值法将其放大至输入图像一致后，将两个显著图相加，得到层级类激活图；保留其大于最大激活值的20％的部分，用于生成预测的边界框。
进一步的，所述步骤S2中，卷积层4-3和卷积层4-4后的自定义卷积层步长均设为1，其padding均设为0；卷积层5-3、卷积层5-4后的自定义卷积层步长均设为1，其padding均设为1。
进一步的，分类的得分的计算公式包括：
Figure BDA0002107883300000033
Figure BDA0002107883300000034
其中，Pc表示待测目标为c类的概率；Sc表示待测目标为c类的得分；
Figure BDA0002107883300000035
表示第一叠加层中c类的权重；
Figure BDA0002107883300000036
表示第二叠加层中c类的权重，n表示特征图的张数。
进一步的，第一叠加层和第二叠加层的显著图的单元值的计算公式依次表示为：
Figure BDA0002107883300000037
Figure BDA0002107883300000038
其中，n表示特征图的张数；
Figure BDA0002107883300000039
表示第一叠加层中c类的权重；
Figure BDA00021078833000000310
表示第二叠加层中c类的权重；FAkn(x，y)表示在第一叠加层中第n张特征图的第(x，y)单元；FBkn(x，y)表示在第二叠加层中第n张特征图的第(x，y)单元。
进一步的，将第一叠加层和第二叠加层使用线性二插值法放大致输入图像一致后相加，得到层级类激活图I，保留I的大于最大激活值20％的部分生成预测框。其中得到层级类激活图I的公式为：
I＝IA+IB。
本发明还提出了一种基于层级类激活图的目标定位系统，所述系统包括：
图像获取模块，用于获取待预测图像；
层级特征提取模块，用于提取出待预测图像中的层级特征；
层级类激活图构建模块，用于将层级特征构建出层级类激活图；
预测边界框计算模块，用于根据层级类激活图预测出待预测图像中待测目标的边界框；
其中，所述层级特征提取模块包括VGG19网络结构、自定义卷积层单元、叠加层单元以及池化层单元；所述自定义卷积层单元对VGG19网络结构的卷积层4-3、卷积层4-4、卷积层5-3、卷积层5-4后面分别添加一层自定义卷积层；所述叠加层单元分别将4-3、卷积层4-4各自对应的自定义卷积层输出的特征图按照通道进行叠加以及将卷积层5-3、卷积层5-4各自对应的自定义卷积层输出的特征图按照通道进行叠加；所述池化层单元用于将叠加层单元处理后的特征图进行池化；
所述层级类激活图构建模块包括分类得分计算单元、分类函数计算单元、损失函数单元、显著图叠加单元以及激活计算单元；所述分类得分计算单元用于计算池化层单元输出结果的分类得分；所述分类函数计算单元与所述损失函数单元用于对卷积神经网络的训练；所述显著图叠加单元用于将叠加层输出的显著图进行叠加；所述激活计算单元用于计算出层级类激活图的最大激活值，并将大于最大激活值20％的部分生成预测的边界框。
进一步的，一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序；所述处理器执行所述程序时用于实现所述的目标定位方法。
本发明的有益效果：
1.本发明能够从相对底层的卷积层提取信息，可以弥补相对底层信息的缺失。
2.本发明可在多个数据集上进行测试，且其目标定位能力显著。
3.本发明中每张输入图像只需要进行一次前向传播，减少了运算复杂度，节约了时间成本。
4.本发明可用于细粒度的分类、目标追踪等等任务。
附图说明
图1为本发明中层级类激活图的生成过程图；
图2为本发明的方法流程图；
图3为本发明的特征提取图；
图4为本发明的基于类激活图的层级结构图；
图5为本发明的层级类激活图；
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
实施例1
本发明的一种基于层级类激活图的目标定位方法，所述方法包括将待预测图像输入到卷积层级结构中，并提取出待预测图像的层级特征，生成待预测图像的层级类激活图；保留层级类激活图中的部分值，并生成能预测出待测目标的边界框；
其中，如图1所示，层级类激活图的生成包括以下步骤：
S1、构建待预测图像的卷积层级结构，包括在VGG19网络结构中的卷积层4-3、卷积层4-4、卷积层5-3、卷积层5-4后面分别添加一层自定义卷积层；
S2、设置S1中所添加自定义卷积层的步长和padding；
S3、将S2中卷积层4-3、卷积层4-4各自对应的自定义卷积层按照通道进行叠加得到第一叠加层；将卷积层5-3、卷积层5-4各自对应的自定义卷积层按照通道进行叠加得到第二叠加层；
S4、将第一叠加层和第二叠加层进行池化分别得到TAn和TBn；
S5、把TAn和TBn送入到线性层中，求得分类的得分Sc；
S6、根据分类得分Sc，使用softmax函数和交叉熵损失函数对卷积网络训练，得到权重
Figure BDA0002107883300000061
和
Figure BDA0002107883300000062
S7、分别求出第一叠加层和第二叠加层的显著图，使用线性二插值法将其放大至输入图像一致后，将两个重要性相加，得到层级类激活图；保留其大于最大激活值的20％的部分，用于生成预测的边界框。
实施例2
本实施例给出本发明的另一实施例，该实施例中，输入待测图像到模型中，计算损失函数，直至损失函数收敛，则训练好模型，否则使用梯度下降算法更新各个参数继续输入到模型中进行训练；当模型训练好后，输入待测图像，提取出卷积层4-3、卷积层4-4、卷积层5-3、卷积层5-4的特征图，根据公式(5)确定出分类的显著图IA和IB；并将这两个显著图进行叠加得到层级类激活图；保留激活图中部分值，本实施例中，选择大于最大激活值20％的值进行保留；将其用于生成预测的边界框。
其中，损失函数可采用本领域普通技术人员所熟知的几类损失函数，例如交叉熵损失函数、铰链损失函数、指数损失函数等等。
具体的，
如图3所示，本发明中输入待预测图像后，在VGG的卷积层的第四部分和卷积层的第五部分分别进行特征提取；分别对提取后的特征进行最大池化或者金字塔池化，形成获得层级类激活图，保留层级类激活图中部分值，输出分类后的结果，从而确定出待测图像的目标定位。
由于VGG网络结构中每个部分都包含多个卷积层。比如VGG19网络结构中的第四个部分包含conv4-1、conv4-2、conv4-3、conv4-4。本发明中优选第四部分和第五部分进行处理。
如图4所示，本实施例以VGG19net为基础网络，在卷积层4-3、卷积层4-4、卷积层5-3、卷积层5-4后面分别添加一层1024通道的3*3卷积层，并依次命名为卷积层a1、卷积层a2、卷积层b1、卷积层b2。设置卷积层a1、卷积层a2的步长为1、padding为0；设置卷积层b1、卷积层b2的步长为1、padding为1。将卷积层a1和a2、b1和b2按通道进行叠加分别得到A、B的公式为(1)
Figure BDA0002107883300000071
A和B的尺寸大小不相同，所以要分别进行池化。这里我们以全局平均池化为例，空间金字塔平均池化与此类似。对A进行全局平均池化利用公式(2)
Figure BDA0002107883300000072
Fkn(x，y)表示在A中第n张特征图的第(x，y)单元，NA是A中每张特征图的单元个数。B也进行同样的池化操作。
然后把得到的TAn和TBn传送到线性层及softmax函数中，如公式(3)和公式(4)所示。
Figure BDA0002107883300000073
Figure BDA0002107883300000074
Figure BDA0002107883300000075
和
Figure BDA0002107883300000076
是c类的权重。Sc是待预测图像为c类的得分。接着，公式5展示了对于在A中(x，y)单元对于分类的显著图IA。对于B也有类似的IB。
Figure BDA0002107883300000077
如图5所示，使用线性二插值法把IA和IB放大到和输入图像一样大的尺寸后，把IA和IB相加，得到层级类激活图，公式(6)所示。
I＝IA+IB (6)
最后保留层级类激活图I的大于最大激活值的20％的部分，用于生成预测的边界框；图5中的预测框可以用于预测出待预测图像中待测目标的位置。
实施例4
本实施例给出本发明中目标定位系统的相关说明；
本发明还提出了一种基于层级类激活图的目标定位系统，所述系统包括：
图像获取模块，用于获取待预测图像；
层级特征提取模块，用于提取出待预测图像中的层级特征；
层级类激活图构建模块，用于将层级特征构建出层级类激活图；
预测边界框计算模块，用于根据层级类激活图预测出待预测图像中待测目标的边界框；
其中，所述层级特征提取模块包括VGG19网络结构、自定义卷积层单元、叠加层单元以及池化层单元；所述自定义卷积层单元对VGG19网络结构的卷积层4-3、卷积层4-4、卷积层5-3、卷积层5-4后面分别添加一层自定义卷积层；所述叠加层单元分别将4-3、卷积层4-4各自对应的自定义卷积层输出的特征图按照通道进行叠加以及将卷积层5-3、卷积层5-4各自对应的自定义卷积层输出的特征图按照通道进行叠加；所述池化层单元用于将叠加层单元处理后的特征图进行池化；
所述层级类激活图构建模块包括分类得分计算单元、分类函数计算单元、损失函数单元、显著图叠加单元以及激活计算单元；所述分类得分计算单元用于计算池化层单元输出结果的分类得分；所述分类函数计算单元与所述损失函数单元用于对卷积神经网络的训练；所述显著图叠加单元用于将叠加层输出的显著图进行叠加；所述激活计算单元用于计算出层级类激活图的最大激活值，并将大于最大激活值20％的部分生成预测的边界框。
实施例5
本发明实施例还提供了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序；所述处理器执行所述程序时用于实现所述的目标定位方法。
以上所述实施例的各技术特征可以进行任意的组合，为了避免赘述，本发明中目标定位方法、系统以及计算机设备的特征可以相互引用。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于层级类激活图的目标定位方法，所述方法包括将待预测图像输入到卷积层级结构中，并提取出待预测图像的层级特征，生成待预测图像的层级类激活图；保留层级类激活图中的部分值，并生成能预测出待预测图像中待测目标的边界框；
其特征在于，层级类激活图的生成包括以下步骤：
S1、构建待预测图像的卷积层级结构，包括在VGG19网络结构中的卷积层4-3、卷积层4-4、卷积层5-3、卷积层5-4后面分别添加一层自定义卷积层；
S2、设置S1中所添加自定义卷积层的步长和padding；
S3、将S2中卷积层4-3、卷积层4-4各自对应的自定义卷积层输出的特征图按照通道进行叠加得到第一叠加层；将卷积层5-3、卷积层5-4各自对应的自定义卷积层输出的特征图按照通道进行叠加得到第二叠加层；
S4、将第一叠加层和第二叠加层分别进行池化依次得到池化层输出的TAn和TBn；
S5、把TAn和TBn送入到线性层中，求得分类的得分Sc；
S6、根据分类得分Sc，使用softmax函数和交叉熵损失函数对卷积网络训练，直至损失函数收敛，则训练好模型，得到权重
Figure FDA0003186283090000011
和
Figure FDA0003186283090000012
否则使用梯度下降算法更新各个权重参数继续输入待测图像进行训练；
S7、分别求出第一叠加层和第二叠加层的显著图，使用线性二插值法将其放大至待预测图像一致后，将两个显著图相加，得到层级类激活图；保留其大于最大激活值的20％的部分，并将其用于生成预测的边界框。
2.根据权利要求1所述的一种基于层级类激活图的目标定位方法，其特征在于，所述步骤S2中，卷积层4-3和卷积层4-4后的自定义卷积层步长均设为1，其padding均设为0；卷积层5-3、卷积层5-4后的自定义卷积层步长均设为1，其padding均设为1。
3.根据权利要求1所述的一种基于层级类激活图的目标定位方法，其特征在于，分类的得分的计算公式包括：
Figure FDA0003186283090000021
Figure FDA0003186283090000022
其中，Pc表示待测目标为c分类的概率；Sc表示待测目标为c分类的得分；
Figure FDA0003186283090000023
表示第一叠加层中待测目标为c的权重；
Figure FDA0003186283090000024
表示第二叠加层中待测目标为c的权重，n表示特征图的张数。
4.根据权利要求1所述的一种基于层级类激活图的目标定位方法，其特征在于，第一叠加层和第二叠加层的显著图单元值的计算公式依次表示为：
Figure FDA0003186283090000025
Figure FDA0003186283090000026
其中，n表示特征图的张数；
Figure FDA0003186283090000027
表示第一叠加层中c类的权重；
Figure FDA0003186283090000028
表示第二叠加层中c类的权重；FAkn(x,y)表示在第一叠加层中第n张特征图的第(x，y)单元；FBkn(x,y)表示在第二叠加层中第n张特征图的第(x，y)单元。
5.一种基于层级类激活图的目标定位系统，其特征在于，所述系统包括：
图像获取模块，用于获取待预测图像；
层级特征提取模块，用于提取出待预测图像中的层级特征；
层级类激活图构建模块，用于将层级特征构建出层级类激活图；
预测边界框计算模块，用于根据层级类激活图预测出待预测图像中待测目标的边界框；
其中，所述层级特征提取模块包括VGG19网络结构、自定义卷积层单元、叠加层单元以及池化层单元；所述自定义卷积层单元对VGG19网络结构的卷积层4-3、卷积层4-4、卷积层5-3、卷积层5-4后面分别添加一层自定义卷积层；所述叠加层单元分别将4-3、卷积层4-4各自对应的自定义卷积层输出的特征图按照通道进行叠加以及将卷积层5-3、卷积层5-4各自对应的自定义卷积层输出的特征图按照通道进行叠加；所述池化层单元用于将叠加层单元处理后的特征图进行池化；
所述层级类激活图构建模块包括分类得分计算单元、分类函数计算单元、损失函数单元、显著图叠加单元以及激活计算单元；所述分类得分计算单元用于计算池化层单元输出结果的分类得分；所述分类函数计算单元与所述损失函数单元用于对卷积神经网络的训练；所述显著图叠加单元用于将叠加层输出的显著图进行叠加；所述激活计算单元用于计算出层级类激活图的最大激活值，并将大于最大激活值20％的部分生成预测的边界框。
6.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序；其特征在于，所述处理器执行所述程序时用于实现如权利要求1～4任一所述的方法。
CN201910559655.5A 2019-06-26 2019-06-26 基于层级类激活图的目标定位方法、系统及计算机设备 Active CN110322509B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910559655.5A CN110322509B (zh) 2019-06-26 2019-06-26 基于层级类激活图的目标定位方法、系统及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910559655.5A CN110322509B (zh) 2019-06-26 2019-06-26 基于层级类激活图的目标定位方法、系统及计算机设备

Publications (2)

Publication Number Publication Date
CN110322509A CN110322509A (zh) 2019-10-11
CN110322509B true CN110322509B (zh) 2021-11-12

Family

ID=68121186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910559655.5A Active CN110322509B (zh) 2019-06-26 2019-06-26 基于层级类激活图的目标定位方法、系统及计算机设备

Country Status (1)

Country Link
CN (1) CN110322509B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110910366B (zh) * 2019-11-18 2023-10-24 湖北工业大学 基于3d cam的大脑核磁共振异常图像的可视化方法
CN111046939B (zh) * 2019-12-06 2023-08-04 中国人民解放军战略支援部队信息工程大学 基于注意力的cnn类别激活图生成方法
CN111026898A (zh) * 2019-12-10 2020-04-17 云南大学 一种基于交叉空间池化策略的弱监督图像情感分类与定位方法
CN111553462A (zh) * 2020-04-08 2020-08-18 哈尔滨工程大学 一种类激活映射方法
CN113569860B (zh) * 2021-07-29 2024-02-27 北京地平线信息技术有限公司 实例分割方法和实例分割网络的训练方法及其装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563999A (zh) * 2017-09-05 2018-01-09 华中科技大学 一种基于卷积神经网络的芯片缺陷识别方法
CN108399406A (zh) * 2018-01-15 2018-08-14 中山大学 基于深度学习的弱监督显著性物体检测的方法及系统
CN108399380A (zh) * 2018-02-12 2018-08-14 北京工业大学 一种基于三维卷积和Faster RCNN的视频动作检测方法
CN108509954A (zh) * 2018-04-23 2018-09-07 合肥湛达智能科技有限公司 一种实时交通场景的多车牌动态识别方法
CN108647585A (zh) * 2018-04-20 2018-10-12 浙江工商大学 一种基于多尺度循环注意力网络的交通标识符检测方法
CN108960184A (zh) * 2018-07-20 2018-12-07 天津师范大学 一种基于异构部件深度神经网络的行人再识别方法
CN109214505A (zh) * 2018-08-29 2019-01-15 中山大学 一种密集连接卷积神经网络的全卷积目标检测方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104866829B (zh) * 2015-05-25 2019-02-19 苏州大学 一种基于特征学习的跨年龄人脸验证方法
US20160352733A1 (en) * 2015-05-27 2016-12-01 Rubicon Labs, Inc. Distributed and hierarchical device activation mechanisms
GB201607994D0 (en) * 2016-05-06 2016-06-22 Magic Pony Technology Ltd Encoder pre-analyser
US10373312B2 (en) * 2016-11-06 2019-08-06 International Business Machines Corporation Automated skin lesion segmentation using deep side layers
CN107145842B (zh) * 2017-04-19 2020-04-07 西安电子科技大学 结合lbp特征图与卷积神经网络的人脸识别方法
CN107239565B (zh) * 2017-06-14 2020-03-24 电子科技大学 一种基于显著性区域的图像检索方法
US10282589B2 (en) * 2017-08-29 2019-05-07 Konica Minolta Laboratory U.S.A., Inc. Method and system for detection and classification of cells using convolutional neural networks
CN109583277B (zh) * 2017-09-29 2021-04-20 大连恒锐科技股份有限公司 一种基于cnn的赤足足迹的性别判定方法
CN109002752A (zh) * 2018-01-08 2018-12-14 北京图示科技发展有限公司 一种基于深度学习的复杂公共场景快速行人检测方法
CN108596058A (zh) * 2018-04-11 2018-09-28 西安电子科技大学 基于计算机视觉的行车障碍物测距方法
CN108985317B (zh) * 2018-05-25 2022-03-01 西安电子科技大学 一种基于可分离卷积和注意力机制的图像分类方法
CN108875812B (zh) * 2018-06-01 2021-10-22 宁波工程学院 一种基于分支卷积神经网络的驾驶员行为分类方法
CN108898078A (zh) * 2018-06-15 2018-11-27 上海理工大学 一种多尺度反卷积神经网络的交通标志实时检测识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563999A (zh) * 2017-09-05 2018-01-09 华中科技大学 一种基于卷积神经网络的芯片缺陷识别方法
CN108399406A (zh) * 2018-01-15 2018-08-14 中山大学 基于深度学习的弱监督显著性物体检测的方法及系统
CN108399380A (zh) * 2018-02-12 2018-08-14 北京工业大学 一种基于三维卷积和Faster RCNN的视频动作检测方法
CN108647585A (zh) * 2018-04-20 2018-10-12 浙江工商大学 一种基于多尺度循环注意力网络的交通标识符检测方法
CN108509954A (zh) * 2018-04-23 2018-09-07 合肥湛达智能科技有限公司 一种实时交通场景的多车牌动态识别方法
CN108960184A (zh) * 2018-07-20 2018-12-07 天津师范大学 一种基于异构部件深度神经网络的行人再识别方法
CN109214505A (zh) * 2018-08-29 2019-01-15 中山大学 一种密集连接卷积神经网络的全卷积目标检测方法

Also Published As

Publication number Publication date
CN110322509A (zh) 2019-10-11

Similar Documents

Publication Publication Date Title
CN110322509B (zh) 基于层级类激活图的目标定位方法、系统及计算机设备
CN112052886B (zh) 基于卷积神经网络的人体动作姿态智能估计方法及装置
CN110276316B (zh) 一种基于深度学习的人体关键点检测方法
CN108805083B (zh) 单阶段的视频行为检测方法
CN108537824B (zh) 基于交替反卷积与卷积的特征图增强的网络结构优化方法
CN108229338A (zh) 一种基于深度卷积特征的视频行为识别方法
CN112200041B (zh) 视频动作识别方法、装置、存储介质与电子设备
CN105160400A (zh) 基于l21范数的提升卷积神经网络泛化能力的方法
CN117037215B (zh) 人体姿态估计模型训练方法、估计方法、装置及电子设备
CN105303163B (zh) 一种目标检测的方法及检测装置
CN111523463B (zh) 基于匹配-回归网络的目标跟踪方法及训练方法
KR20190114384A (ko) 신경망을 기반으로 하는 피부 병변 진단 장치 및 방법
CN111723660A (zh) 一种用于长形地面目标检测网络的检测方法
CN112330684A (zh) 对象分割方法、装置、计算机设备及存储介质
CN112613356B (zh) 一种基于深度注意力融合网络的动作检测方法及装置
CN115797781A (zh) 农作物识别方法、装置、计算机设备和存储介质
CN108985385A (zh) 基于生成对抗学习的快速弱监督目标检测方法
CN116129193B (zh) 一种类器官生长预测方法、系统及设备
CN113870320B (zh) 一种基于深度神经网络的行人追踪监控方法及系统
CN111160219B (zh) 对象完整度评估方法、装置、电子设备及存储介质
Luo et al. Real-time pedestrian detection method based on improved YOLOv3
US20230334837A1 (en) Object detection device, learned model generation method, and recording medium
CN110610185B (zh) 图像的显著目标的检测方法、装置及设备
CN116912290B (zh) 一种记忆增强的难易视频运动小目标检测方法
CN117647855B (zh) 一种基于序列长度的短临降水预报方法、装置及设备

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
GR01 Patent grant
GR01 Patent grant