電子發燒友網 > 人工智能 > 正文

基于PVANet卷積神經網絡模型的交通標志識別算法

2020年11月30日 14:14 ? 次閱讀

作者:周蘇,支雪磊,劉懂,寧皓,蔣連新,石繁槐

PVANet(performancevsaccuracynetwork)卷積神經網絡用于小目標檢測的檢測能力較弱。針對這一瓶頸問題,采用對PVANet網絡的淺層特征提取層、深層特征提取層和HyperNet層(多層特征信息融合層)進行改進的措施,提出了一種適用于小目標物體檢測的改進PVANet卷積神經網絡模型,并在TT100K(Tsinghua-Tencent100K)數據集上進行了交通標志檢測算法驗證實驗。結果表明,所構建的卷積神經網絡具有優秀的小目標物體檢測能力,相應的交通標志檢測算法可以實現較高的準確率。

計算機目標檢測是指計算機根據視頻、圖像信息對目標物體的類別與位置的檢測,是計算機視覺研究領域的基本內容。隨著硬件和軟件技術的發展,尤其是基于卷積神經網絡目標檢測算法的普及應用,計算機目標檢測的準確率及速度都有了很大提高[1]。而且,異于傳統的人工設計特征提取器,卷積神經網絡目標物體檢測可自主學習視頻、圖像信息中的特征,從而檢測到更多類別以及更細分類的物體[2]。小目標檢測主要是對圖像或視頻中的標志、行人或車輛等顯示尺寸較小的目標進行檢測,在民用、軍事和安防等領域具有十分重要的作用[1]。

近年來卷積神經網絡結構及目標檢測算法被廣泛應用,如用于手寫數字識別的LeNet(lecunnetwork)[3]、用于圖像分類的VGGNet(visualgeometrygroupnetwork)、GoogLeNet(Googlenetwork)及ResNet(residualnetwork)等[4],用于目標檢測的FasterR-CNN(fasterregion-basedconvoluTIonalneuralnetwork)、R-FCN(region-basedfullyconvoluTIonalnetwork)、YOLO(you-only-look-once)和SSD(singleshotdetector)等[5-7]。但是,當檢測圖像中目標物體很小時,主流卷積神經網絡的檢測能力仍然較弱,這是其在目標檢測應用方面的主要瓶頸問題之一。吳雙忱等[8]基于SEnet(Squeeze-and-ExcitaTIonnetwork)提出了一種解決紅外小目標檢測問題的深度卷積網絡。趙慶北等[9]對FasterR-CNN網絡進行改進,引入候選區域方案提高了公司徽標的檢測性能。彭小飛等[10]對原始FPN(featurepyramidnetwork)網絡進行改進,利用淺層網絡豐富的位置信息,進行小目標的全圖搜索檢測。梁華等[11]針對航拍小目標識別率低、定位差的問題,基于VGG16網絡進行改進,提高其實時性和精度性能.PVANet網絡具有訓練效率高、對不同尺度目標的適應性強等適合于復雜多變交通場景的優勢。本研究工作對PVANet(performancevsaccuracynetwork)網絡進行改進,解決其交通標志小目標檢測能力不足的問題。

1相關工作

各國交通標志都有其規定的顏色、形狀、圖案等特征,采用傳統的手工設計特征提取器,可以從圖像中提取特征信息進行交通標志檢測.Ritter等[12]采用圖像顏色組合檢測交通標志,在紅、綠和藍色(RGB)中引入查表法(LUT)消除不需要的顏色.Priese等[13]設計了用于顏色分割的顏色結構代碼(CSC),并且生成CSC數據庫。研究結果表明,道路標志顏色的RGB分量差異雖可用于目標分割和檢測,但不便于直接描述光照變化。因此,人們開始研究由色調、飽和度和強度(HSI)或者色調、飽和度等組成的顏色特征空間下的交通標志檢測[14]。其中,HSI因其模擬人類感知的能力優于RGB,其交通標志檢測應用效果更好。Zaklouta等[15]結合HOG(histogramoforientedgradients)描述符和線性SVM(supportvectormachine)算法在處理實時性要求和性能之間取得了良好的折衷。

手工設計特征提取方法對圖像特征的提取能力有限,交通標志檢測應用效果很大程度上取決于設計者經驗,因此不適用于大規模交通標志檢測。神經網絡具有學習非線性、復雜關系的能力[16],尤其是卷積神經網絡可自主學習圖像特征,越來越多地被用于交通標志檢測.Sermanet等[17]用卷積網絡從GTSRB數據集(德國交通標志檢測數據集)的彩色圖像中提取并學習交通標志的特征信息,檢測準確率高達98.97%.Aghdam等[18]提出一種新的ReLU(recTIfiedlinearunit)作為激活函數的CNN(convolutionalneuralnetwork)架構,實現了更佳的精確度和檢測時間。

2PVANet網絡結構與改進

2.1PVANet網絡簡介

PVANet[19]是Intel公司Kim等人在2016年提出的一種用于實時物體檢測的卷積神經網絡結構。在VOC(visualobjectclasses)[20-21]數據集物體檢測比賽項目上PVANet取得了第2名的成績,其平均準確率(mAP)為82.5%.

PVANet采用基于C.ReLU(concatenatedrectifiedlinearunit)激活函數的淺層特征提取方法,改善參數冗余問題,減小了網絡參數量,提高了訓練效率.PVANet還借鑒Inception(谷歌基礎神經元結構思想),將輸入分別通過4個不同的卷積核進行卷積和池化操作后串聯合并在一起,增加了網絡對不同尺度目標的適應性。另外,PVANet將conv3中原圖的1/8、1/16和1/32特征圖連接起來,增強了最終特征圖中的多尺度信息。

2.2PVANet網絡結構的改進

PVANet網絡進行目標檢測時,雖然其準確率和實時性較好,但針對小目標物體的檢測能力仍有很大的提升空間。對此,本文提出了更適用于小目標物體檢測的改進網絡結構,對淺層特征提取層、深層特征提取層和HyperNet層進行了改進。圖1是改進前PVANet網絡結構(圖1a)與改進后結構(圖1b)的對比,其中虛線邊框模塊為本文提出的改進模塊。詳細的改進后PVANet網絡信息見表1.

注:convi—第i級卷積;pool—池化;RPN—regionproposalnetwork;FC—fullyconnectedlayer

圖1PVANet網絡改進前后結構圖

Fig.1StructureofPVANetbeforeandafterimprovement

2.2.1淺層特征提取

PVANet網絡的第1層卷積層通常采用7×7或更大維度的卷積核(步長為2)進行卷積,同時在本層即采用了C.ReLU型激活函數,這樣可以避免淺層卷積濾波器的參數冗余問題。

與單個的7×7或更大維度的卷積核相比,采用多個3×3卷積核的組合,可以減少參數量并加快檢測速度,同時增強網絡的非線性表達能力。另外,C.ReLU激活函數雖然具有提高參數效率、避免淺層卷積濾波器參數冗余的優點,但是特征圖經過C.ReLU處理后輸出維度會增加一倍。因此,目前PVANet使用C.ReLU時通常對輸入特征圖的維度加以限制,如設定conv1卷積模塊的輸出期望維度為32,第1層卷積層的輸出維度必須限定為16.對于較大圖片來說,這樣的設計會限制淺層網絡提取特征的能力,致使圖像的細粒度和小目標特征信息部分丟失。

鑒于上述原因,本文提出將PVANet第1層卷積層中7×7維度的卷積核拆解成3層3×3維度的卷積層。其中,第1層卷積層使用普通的ReLU激活函數,將其輸出維度提高至24;第2層卷積開始使用C.ReLU激活函數,輸出維度增加至48;第3層卷積層輸出維度減小至32.這樣的結構改進(圖2)旨在增加淺層卷積濾波器的細粒度和小目標圖像特征的提取能力。此外,為增強改進效果,將conv2和conv3卷積模塊中每個子模塊中第1層卷積層的輸出維度增大至48和72,如表1所示。

圖2淺層特征提取卷積層改進示意圖

Fig.2Improvementofshallowfeatureextraction

2.2.2深層特征提取

PVANet網絡通常采用Inceptionv1模塊進行深層特征提取。在該模塊中,將5×5的卷積核分解為兩個3×3維度的卷積核,可以減小網絡模型的參數量,但是會發生一定程度的精度損失。為了克服這一不足,在進行上述卷積核分解的同時,本文將3×3卷積核進一步非對稱地分解成兩個1×3和3×1維度的卷積核。這樣的非對稱分解(圖3)不僅進一步減少了網絡的參數量,而且通過層數增加有望進一步提高網絡的非線性表達能力。

圖3非對稱1×3和3×1維度卷積核的卷積過程

Fig.3Convolutionprocessofasymmetric1×3and3×1dimensionalconvolutionkernels

2.2.3多層特征信息融合

在原版PVANet網絡中,conv3_4淺層卷積層輸出的132×80像素特征圖的下采樣處理是通過3×3池化層進行的,最后的conv5_4深層卷積層輸出的33×20特征圖的上采樣處理則通過4×4像素卷積核進行。兩者得到的特征圖大小相同(66×40像素),合并之后作為目標檢測和分類的依據。但是,相比輸入圖片,這一系列66×40像素特征圖已經縮小了16倍。如果輸入圖片中存在一個32×32像素描述的小目標,映射到最后的特征圖上就只有2×2個像素點信息。原版PVANet網絡的多層特征信息融合方式使得小目標的特征表征能力受到限制,難以準確識別圖像中的小目標。

因此,本文提出減少1次池化和相應的卷積特征提取,使網絡能融合更淺層卷積層輸出的特征圖信息,并在更大的132×80特征圖上進行目標檢測和分類(即只縮小8倍),使其對小目標有更強的檢測能力。

3實驗

3.1實驗條件與方法

采用TT100K[22]交通標志數據集作為改進網絡訓練和測試用的基準數據集,其中訓練集包括10380張圖片,測試集包括5229張圖片。兩個子集覆蓋了所有需要檢測的標志類別,并且圖像數據互不包含。

訓練所用的求解器為SGD(stochasticgradientdescent),BatchSize為1,起始學習率設置為0.01,之后根據數據集的大小和BatchSize采用每40000步減小0.1倍的方法,momentum和weightdecay分別設置為0.9和0.0002.

研究中所有深度學習算法的訓練和測試全部使用了Caffe深度學習框架,并且在一臺配備了Inteli7-5930KCPU和NVIDIATitanXGPU的工作站上進行,操作界面采用Python軟件實現。

3.2實驗結果與分析

在實驗過程中,分別使用原版PVANet網絡模型結構及加入本文所述各改進算法的PVANet網絡模型結構,在TT100K測試集上進行交通標志檢測,以準確率、單幀檢測時間和PR(precision-recall)曲線作為評價指標。實驗結果見表2和圖4.

圖4算法改進前后PR曲線對比圖

Fig.4ComparisonofPRcurve

由表2可以看出,與PVANet9.1在數據集上的檢測結果相比,采用2.2.1節改進算法可以將交通標志檢測的mAP提升約4.2%.可知,提高淺層神經網絡的通道數,可以提高網絡對交通標志小目標的檢測能力。此外,由于將大的7×7卷積核分解為多個小的3×3卷積核,以減少計算量,改進后網絡模型的檢測時間無明顯增加。采用2.2.1、2.2.2節所述的改進算法,即再將深層網絡中的5×5卷積替換為兩個1×3和3×1卷積,也會使網絡模型的檢測速度變快,同時能夠保持較高的mAP.最后,采用2.2節中的改進算法,再減小1次池化計算,將神經網絡的輸出特征圖增大一倍,使得網絡對交通標志檢測的mAP大幅提高約9%,網絡的檢測時間雖然增加約0.02s,但是仍然具有很好的實時性,滿足交通標志檢測要求。由圖4可知,改進后算法的準確率和召回率都有所提升。綜上所述,輸出更大的特征圖雖然使計算量有所增加,但可增強網絡的特征表達能力,大幅增加網絡的目標檢測準確率。

圖5是算法對小目標交通標志檢測的效果圖,其中存在一個超小且被遮擋的交通標志(圖5b標注所示)。圖5a為原版PVANet網絡模型檢測結果,圖5b為改進后PVANet網絡模型檢測結果。可見,改進后PVANet網絡對于交通標志小目標物體有著很好的檢測能力,且對于目標物體的被遮擋問題有著一定的魯棒性。

圖5改進前后PAVNet檢測效果對比圖

Fig.5Comparisonofdetectionbeforeandafterimprovement

圖6是圖5場景經算法模型卷積計算得到的中間層特征圖。可以看出,淺層特征圖側重圖像宏觀特征的提取,因此與原圖風格相近,而深層特征圖側重對細節像素的計算判斷,對交通標志的準確檢測更為關鍵。對比算法改進前后的效果可以看到,改進后算法在正確的交通標志區域呈現出代表敏感性的更亮色,具有更好的檢測效果。

圖6改進前后淺層和深層卷積層特征對比圖

Fig.6Comparisonofshallowanddeepconvolutionallayers

圖7是改進算法對于有更多超小目標交通標志圖像的更復雜交通場景的檢測效果,其中圖7a是原圖,圖7b和圖7c分別是改進前和改進后算法檢測結果的局部放大圖。該場景共有5個交通標志,原版PVANet只檢測到3個交通標志,改進后算法可檢測到所有5個交通標志。由此可見,改進算法具有更好的檢測效果。

圖7檢測效果對比圖

Fig.7Comparisonofexperimentalresults

TT100K數據集中的部分交通標志屬于小目標物體,通過本研究中基于此數據集的實驗,驗證了所提出的改進算法對于交通標志小目標具有優秀的檢測能力。分析其原因,由于淺層神經網絡感知野(perceptionfield)較小,主要負責網絡的細節特征提取,增加淺層網絡通道數,能夠使網絡提取更多細節信息,這對交通標志小目標的檢測是有利的。而減小一次池化計算,不僅增大網絡輸出的特征圖大小,也使網絡模型中HyperNet模塊融合的淺層特征圖更“淺”,這樣神經網絡就能夠提取圖片中更多的細節特征信息,提高網絡的小目標檢測能力。雖然經過多步改進后,所提出改進算法的檢測時間有一定增加,但總時間仍控制在0.09s內,具有很高的實時性。

4結論

PVANet網絡具有訓練效率高、對不同尺度目標的適應性強等適合于復雜多變交通場景應用的優勢。本文對其淺層特征提取、深層特征提取和HyperNet多層特征融合模塊分別進行改進,提出了一種改進的PVANet卷積神經網絡模型,克服了小目標交通標志識別的瓶頸難點。基于TT100K交通標志數據集,對改進算法進行了實驗驗證。結果表明,所提出的改進網絡模型與原網絡模型相比,交通標志小目標檢測的mAP有大幅提升,證明了其對小目標物體優秀的檢測能力;雖然檢測時間小幅上升,但仍具有較好的實時性。

參考文獻[1]劉曉楠,王正平,賀云濤,等。基于深度學習的小目標檢測研究綜述[J]。戰術導彈技術,2019(1):100

LIUXiaonan,WANGZhengping,HEYuntao,etal.Researchonsmalltargetdetectionbasedondeeplearning[J]。TacticalMissileTechnology,2019(1):100

[2]郭之先。基于卷積神經網絡的小目標檢測[D]。南昌:南昌航空大學,2018.

GUOZhixian.Smallobjectdetectionalgorithmbasedondeepconvolutionneuralnetwork[D]。Nanchang:NanchangHangkongUniversity,2018.

[3]LECUNY,BOTTOUL,BENGIOY,etal.Gradient-basedlearningappliedtodocumentrecognition[J]。ProceedingsoftheIEEE,1998,86(11):2278DOI:10.1109/5.726791

[4]HEKaiming,ZHANGXiangyu,RENShaoqing,etal.Deepresiduallearningforimagerecognition[C]//2016IEEEConferenceonComputerVisionandPatternRecognition.LasVegas:IEEE,2016:770-778.

[5]RENShaoqing,HEKaiming,GIRSHICKR,etal.FasterR-CNN:towardsreal-timeobjectdetectionwithregionproposalnetworks[J]。IEEETransactionsonPatternAnalysis&MachineIntelligence,2017,39(6):1137

[6]LIUWei,ANGUELOVD,ERHAND,etal.SSD:singleshotmultiBoxdetector[C]//EuropeanConferenceonComputerVision.Cham:Springer,2016:21-37.

[7]REDMONJ,DIVVALAS,GIRSHICKR,etal.Youonlylookonce:unified,real-timeobjectdetection[C]//2016IEEEConferenceonComputerVisionandPatternRecognition.LasVegas:IEEE,2016:779-788.

[8]吳雙忱,左崢嶸。基于深度卷積神經網絡的紅外小目標檢測[J]。紅外與毫米波學報,2019,38(3):371

WUShuangchen,ZUOZhengrong.Smalltargetdetectionininfraredimagesusingdeepconvolutionneuralnetworks[J]。JournalInfraredMillimeterWaves,2019,38(3):371

[9]趙慶北,元昌安,覃曉。改進FasterR-CNN的小目標檢測[J]。廣西師范學院學報(自然科學版),2018,35(2):68

ZHAOQingbei,YUANChang‘an,QINXiao.ImprovedfasterR-CNNforsmallobjectdetection[J]。JournalofGuangxiTeachersEducationUniversity(NaturalScienceEdition),2018,35(2):68

[10]彭小飛,方志軍。復雜條件下小目標檢測算法研究[J]。智能計算機與應用,2019,9(3):171

PENGXiaofei,FANGZhijun.Researchonsmalltargetdetectionalgorithmundercomplexconditions[J]。IntelligentComputerandApplications,2019,9(3):171DOI:10.3969/j.issn.2095-2163.2019.03.040

[11]梁華,宋玉龍,錢鋒,等。基于深度學習的航空對地小目標檢測[J]。液晶與顯示,2018,33(9):793

LIANGHua,SONGYulong,QIANFeng,etal.Detectionofsmalltargetinaerialphotographybasedondeeplearning[J]。ChineseJournalofLiquidCrystalsandDisplays,2018,33(9):793

[12]RITTERW,STEINF,JANSSENR.Trafficsignrecognitionusingcolorinformation[J]。MathComputeModel,1995,22(4/5/6/7):149

[13]PRIESEL,KLIEBERJ,LAKMANNR,etal.Newresultsontrafficsignrecognition[C]//ProceedingsoftheIntelligentVehicles’94Symposium.Paris:IEEE,1994:249-254.

[14]MOGELMOSEA,TRIVEDIMM,MOESLUNDTB.Vision-basedtrafficsigndetectionandanalysisforintelligentdriverassistancesystems:perspectivesandsurvey[J]。IEEETransactionsonIntelligentTransportationSystems,2012,13(4):1484DOI:10.1109/TITS.2012.2209421

[15]ZAKLOUTAF,STANCIULESCUB.Real-timetrafficsignrecognitioninthreestages[J]。RoboticsandAutonomousSystems,2014,62(1):16

[16]SABBEHA,AI-DUNAINAWIY,AI-RAWESHIDYHS,etal.Performancepredictionofsoftwaredefinednetworkusinganartificialneuralnetwork[C]//2016SAIComputingConference(SAI)。London:IEEE,2016:80-84.

[17]SERMANETP,LECUNY,Trafficsignrecognitionwithmultiscaleconvolutionalnetworks[C]//The2011InternationalJointConferenceonNeuralNetworks.SanJose:IEEE,2011:2809-2813.

[18]AGHDAMHH,HERAVIEJ,PUIGD.Apracticalapproachfordetectionandclassificationoftrafficsignsusingconvolutionalneuralnetworks[J]。RoboticsandAutonomousSystems,2016,84:97DOI:10.1016/j.robot.2016.07.003

[19]KIMKH,CHEONY,HONGS,etal.PVANet:deepbutlightweightneuralnetworksforreal-timeobjectdetection[J]。arXiv,2016(8):1

[20]EVERINGHAMM,ESLAMISMA,GOOLLV,etal.Thepascal,visualobjectclasseschallenge:aretrospective[J]。InternationalJournalofComputerVision,2015,111(1):98DOI:10.1007/s11263-014-0733-5

[21]RUSSAKOVSKYO,DENGJia,SUHao,etal.ImageNetlargescalevisualrecognitionchallenge[J]。InternationalJournalofComputerVision,2015,115(3):211DOI:10.1007/s11263-015-0816-y

[22]ZHUZhe,LIANGDun,ZHANGSonghai,etal.Traffic-signdetectionandclassificationinthewild[C]//2016IEEEConferenceonComputerVisionandPatternRecognition.LasVegas:IEEE,2016:2110-2118.
編輯:hfy

下載發燒友APP

打造屬于您的人脈電子圈

關注電子發燒友微信

有趣有料的資訊及技術干貨

關注發燒友課堂

鎖定最新課程活動及技術直播

電子發燒友觀察

一線報道 · 深度觀察 · 最新資訊
收藏 人收藏
分享:

評論

相關推薦

深度學習中的YOLOv2-Tiny目標檢測算法詳...

近年來,以卷積神經網絡(Convolutional Neural Network,DNN)為代表的深....
發表于 2020-11-30 14:01? 6次閱讀
深度學習中的YOLOv2-Tiny目標檢測算法詳...

基于CNN的應用 卷積神經網絡技術詳解

南洋理工大學的綜述論文《Recent Advances in Convolutional Neura....
發表于 2020-11-29 11:09? 328次閱讀
基于CNN的應用 卷積神經網絡技術詳解

或許人工智能遠沒有你想象的聰明

27日,世界5g大會舉行未來信息通信技術及國際戰略研討會,是一場大牛們的“華山論劍”。因為都是業界泰....
發表于 2020-11-29 09:37? 626次閱讀
或許人工智能遠沒有你想象的聰明

新思科技宣布與SiMa.ai開展合作

新思科技(Synopsys)近日宣布與SiMa.ai開展合作,將其機器學習推理技術大規模引入嵌入式邊....
發表于 2020-11-27 14:41? 278次閱讀
新思科技宣布與SiMa.ai開展合作

計算機視覺:三維點云數據處理學習內容總結

三維計算視覺研究內容包括: 1)三維匹配:兩幀或者多幀點云數據之間的匹配,因為激光掃描光束受物體遮擋....
發表于 2020-11-27 10:32? 77次閱讀
計算機視覺:三維點云數據處理學習內容總結

CVChain:一個較完善的計算機視覺工具鏈

我們這一年來做的一些工作(總結見文章最下方)現在差不多形成了一個較完善的計算機視覺工具鏈CVChai....
發表于 2020-11-27 09:56? 92次閱讀
CVChain:一個較完善的計算機視覺工具鏈

計算機視覺入門指南

這是一篇計算機視覺入門指南,從概念、原理、用例等角度介紹了計算機視覺。 「機器能夠模擬人類視覺系統」....
發表于 2020-11-27 09:52? 135次閱讀
計算機視覺入門指南

英特爾與南京溧水經濟技術開發區共同成立智能交通研...

2020智能交通技術與標準論壇在南京市溧水區舉行。會上,基于“智能交通研究院項目”,英特爾與南京溧水....
發表于 2020-11-25 14:50? 288次閱讀
英特爾與南京溧水經濟技術開發區共同成立智能交通研...

SWOT對全球人工智能市場的計算機視覺進行分析

該報告涵蓋了與當前COVID-19大流行相關的市場動態和需求模式的變化。該報告根據COVID-19對....
發表于 2020-11-23 16:12? 434次閱讀
SWOT對全球人工智能市場的計算機視覺進行分析

社交網絡上的圖正被Deepfake機器人用來生成...

這是英偉達研究團隊提出的一個模型,當畫面被嚴重涂抹后,模型仍然能夠恢復出“原來”的圖像。此外,還可以....
發表于 2020-11-23 11:39? 316次閱讀
社交網絡上的圖正被Deepfake機器人用來生成...

機器學習并行化的自適應、可組合與自動化問題

具體而言,該論文從可編程性、并行化表示、性能優化、系統架構和自動并行化技術等幾方面對分布式并行 ML....
發表于 2020-11-23 11:30? 243次閱讀
機器學習并行化的自適應、可組合與自動化問題

人工智能助力智能城市的數據采集

各個城市都在發生著巨大的變化,新技術替代了舊技術,計算機視覺與實時分析技術的發展也促進著城市的智能發....
發表于 2020-11-20 12:05? 540次閱讀
人工智能助力智能城市的數據采集

武漢東西湖車管所正式啟用 業務大廳智慧身份核驗系...

日前,武漢東西湖車管所正式啟用業務大廳智慧身份核驗系統,群眾進入業務大廳辦理業務,均需進行身份證信息....
發表于 2020-11-19 17:37? 347次閱讀
武漢東西湖車管所正式啟用 業務大廳智慧身份核驗系...

人工智能在助力疫情防控中的應用情況

中國信通院等單位發起的人工智能產業發展聯盟發布了《人工智能助力新冠疫情防控調研報告》(簡稱《報告》)....
發表于 2020-11-19 15:26? 325次閱讀
人工智能在助力疫情防控中的應用情況

文化科技融合將從哪些方面發力?將在哪些領域出現新...

數據是數字時代核心的產業要素,比如一個眼睛建模就需要830萬個多邊形來處理。目前許多數據還沒有成為文....
發表于 2020-11-17 11:10? 288次閱讀
文化科技融合將從哪些方面發力?將在哪些領域出現新...

熵基科技名列2020年度全球安防50強榜單

11月13日,全球知名的科技媒體a&s《安全自動化》發布2020年度全球安防50強榜單。這項排名針對....
發表于 2020-11-16 14:39? 311次閱讀
熵基科技名列2020年度全球安防50強榜單

創新實驗室開發的基于AI的新系統的工作方式

這就是北卡羅來納大學里斯創新實驗室開發的基于AI的新系統的工作方式。交互式元素是“健康迎賓亭”,即將....
發表于 2020-11-15 10:24? 349次閱讀
創新實驗室開發的基于AI的新系統的工作方式

蘋果收購了一家專注于先進人工智能和計算機視覺技術...

Vilynx將其技術應用于公司用于視頻和其他媒體的搜索和推薦引擎的軟件。在現已關閉的網站上,這家初創....
發表于 2020-11-15 10:09? 543次閱讀
蘋果收購了一家專注于先進人工智能和計算機視覺技術...

計算機視覺和AR/VR開發工具服務商KP9與IB...

11月13日青亭網報道,計算機視覺和AR/VR開發工具服務商KP9宣布,將與IBM在云平臺建立合作,....
發表于 2020-11-13 18:12? 503次閱讀
計算機視覺和AR/VR開發工具服務商KP9與IB...

如何利用無源高頻RFID跟蹤系統監測肉雞生命周期...

監測個體肉雞的活動對研究人員來說是一個挑戰。荷蘭瓦格寧根大學的科學家用RFID系統成功地通過追蹤圍欄....
發表于 2020-11-12 15:12? 272次閱讀
如何利用無源高頻RFID跟蹤系統監測肉雞生命周期...

Gartner預測:標記神經形態計算和DNA存儲...

“在未來十年中,將出現各種先進的計算架構,” Plummer說。“在短期內,此類技術可能包括極端的并....
發表于 2020-11-11 14:49? 317次閱讀
Gartner預測:標記神經形態計算和DNA存儲...

深入探討人工智能的實際應用

導讀:本文通過案例分門別類地深入探討人工智能的實際應用。案例甚多,此處所列舉的僅是九牛一毛。本該按行....
發表于 2020-11-11 10:33? 254次閱讀
深入探討人工智能的實際應用

基于caffe和Lasagne CNN分類器的F...

近來卷積神經網絡(CNN)的研究十分熱門。CNN發展的一個瓶頸就是它需要非常龐大的運算量,在實時性上....
發表于 2020-11-09 17:28? 605次閱讀
基于caffe和Lasagne CNN分類器的F...

AI技術落地,助力交通安全智慧監管升級

 《新一代人工智能發展規劃》提出,到2020年人工智能總體技術和應用與世界先進水平同步,核心產業規模....
發表于 2020-11-04 16:45? 800次閱讀
AI技術落地,助力交通安全智慧監管升級

深度學習在圖像識別方面所面臨的挑戰以及具有未來價...

在計算機視覺領域,圖像識別這幾年的發展突飛猛進。例如,在PASCAL VOC物體檢測基準測試中,檢測....
發表于 2020-11-03 10:11? 490次閱讀
深度學習在圖像識別方面所面臨的挑戰以及具有未來價...

計算機視覺CV領域圖像分類方向文獻和代碼的超全總...

基于簡化的目的,我只從論文中列舉出在 ImageNet 上準確率最高的 top1 和 top5。注意....
發表于 2020-11-03 10:08? 315次閱讀
計算機視覺CV領域圖像分類方向文獻和代碼的超全總...

如何控制Pan/Tilt Servo設備來安置一...

OpenCV對學術用途和商業用途都免費。它有C++、C、Python和Java的接口,并且支持Win....
發表于 2020-11-03 09:45? 289次閱讀
如何控制Pan/Tilt Servo設備來安置一...

人工智能大潮中,小蟻科技將牢牢把握時代方向

人工智能是未來產業發展的基礎型產業,更是城市競爭的焦點之一,除了青島之外,已經有不少城市先后發布發展....
發表于 2020-10-29 15:10? 352次閱讀
人工智能大潮中,小蟻科技將牢牢把握時代方向

無人駕駛的實現主要是通過人工智能技術

標識識別,可以包括車道識別、交通標志識別車輛行人識別以及運動的跟蹤,對于它們來說,CNN技術還是比較....
發表于 2020-10-29 15:07? 379次閱讀
無人駕駛的實現主要是通過人工智能技術

蘋果以5000萬美元收購了人工智能初創公司Vil...

據國外媒體報道,蘋果公司以5000萬美元的價格收購了人工智能(AI)初創公司Vilynx,目的是改進....
發表于 2020-10-28 16:29? 391次閱讀
蘋果以5000萬美元收購了人工智能初創公司Vil...

10位LinkedIn影響者分享了AI領域的最新...

人工智能(AI)呈指數級發展。如今,它已經超越了技術和地理限制,并且正在緩慢地在全球范圍內帶來巨大的....
發表于 2020-10-28 14:23? 348次閱讀
10位LinkedIn影響者分享了AI領域的最新...

為什么深度學習還沒有取代傳統計算機視覺技術?

本文作者認為,深度學習只是一種計算機視覺工具,而不是包治百病的良藥,不要因為流行就一味地使用它。
發表于 2020-10-23 11:24? 572次閱讀
為什么深度學習還沒有取代傳統計算機視覺技術?

計算機視覺應用中3大瓶頸問題及解決方案

本文摘自于:雷林建, 孫勝利, 向玉開, 張悅, 劉會凱. 2020. 智能制造中的計算機視覺應用瓶....
發表于 2020-10-23 10:59? 1069次閱讀
計算機視覺應用中3大瓶頸問題及解決方案

中國計算機視覺的前途在哪?

本文來自知乎上的同名問題,原文鏈接: 對幾個優秀的回答進行了整理,解釋權歸答主所有,如有侵權請聯系刪....
發表于 2020-10-23 09:49? 1139次閱讀
中國計算機視覺的前途在哪?

人工智能成熟度調研:計算機視覺和智能機器人是主要...

在5G、大數據、云計算等新興技術的賦能下,人工智能(AI)加速發展,人工智能的應用也受到各行各業的廣....
發表于 2020-10-22 14:08? 630次閱讀
人工智能成熟度調研:計算機視覺和智能機器人是主要...

人臉識別技術存在的難點有哪些

目前,我國人臉識別技術取得一定進步,在各產業逐步實現初步應用,其中以身份驗證、支付、行政破案等等方面....
發表于 2020-10-21 15:02? 448次閱讀
人臉識別技術存在的難點有哪些

伯克利人工智能實驗室更博:強化學習是針對優化數據...

1.谷歌發布在月球上檢查植物的機器人越野車 據外媒報道,Alphabet,即谷歌已經通過其 X 實驗....
發表于 2020-10-17 09:16? 645次閱讀
伯克利人工智能實驗室更博:強化學習是針對優化數據...

人臉識別技術在不同領域中的作用

隨著科學技術的發展,人臉識別技術在中國也得到了迅速發展,人臉識別技術將應用在商業中,如:商店客流統計....
發表于 2020-10-13 15:07? 369次閱讀
人臉識別技術在不同領域中的作用

人工神經網絡需學習也可執行任務

神經網絡無需學習就能駕駛虛擬賽車。 動物生下來就具有天生的能力和稟性。馬生下來幾小時后就會走,鴨子孵....
發表于 2020-10-13 14:00? 785次閱讀
人工神經網絡需學習也可執行任務

人工智能可能有助于徹底改變英國回收垃圾的方式

據外媒報道,一項最新研究表明,尖端人工智能可能有助于徹底改變英國回收垃圾的方式。來自利物浦霍普大學的....
發表于 2020-10-09 14:08? 559次閱讀
人工智能可能有助于徹底改變英國回收垃圾的方式

現代企業計算機視覺發展的主要趨勢是什么

人工智能驅動的計算機視覺解決方案、消費級無人機以及工業4.0應用的不斷增加將推動這一變化。以下是現代....
發表于 2020-09-30 16:11? 690次閱讀
現代企業計算機視覺發展的主要趨勢是什么

確保整個ADAS/自動駕駛安全駕駛的激光雷達技術

作者:Sudip Nag,賽靈思軟件和 AI 產品副總裁 隨著自動緊急制動( AEB )和駕駛員監測....
發表于 2020-09-28 14:48? 1135次閱讀
確保整個ADAS/自動駕駛安全駕駛的激光雷達技術

快訊:計算機視覺公司「詮視科技」數千萬A輪融資,...

高德地圖近日發布v10.65新版,上線iPhone版AR駕車導航。據官方介紹,高德AR導航已支持iP....
發表于 2020-09-27 09:50? 371次閱讀
快訊:計算機視覺公司「詮視科技」數千萬A輪融資,...

基于PYNQ的軟件框架實現SSD目標檢測算法硬件...

設計目的與應用 隨著人工智能的發展,神經網絡正被逐步應用于智能安防、自動駕駛、醫療等各行各業。目標識....
發表于 2020-09-26 11:33? 1517次閱讀
基于PYNQ的軟件框架實現SSD目標檢測算法硬件...

RapidAI是一家使用AI開發腦血管成像產品的...

所有這些產品都饋入RapidAI Insights,該數據結合了運營,臨床和影像數據,并通過涵蓋掃描....
發表于 2020-09-25 10:21? 438次閱讀
RapidAI是一家使用AI開發腦血管成像產品的...

深度學習&計算機視覺方向的相關面試題

反卷積也稱為轉置卷積,如果用矩陣乘法實現卷積操作,將卷積核平鋪為矩陣,則轉置卷積在正向計算時左乘這個....
發表于 2020-09-24 13:04? 466次閱讀
深度學習&計算機視覺方向的相關面試題

二十年來目標檢測領域的關鍵技術,思路非常清晰

目標檢測是一項計算機視覺任務。正如視覺對于人的作用一樣,目標檢測旨在解決計算機視覺應用中兩個最基本的....
發表于 2020-09-24 11:48? 486次閱讀
二十年來目標檢測領域的關鍵技術,思路非常清晰

深度學習崛起后,傳統計算機視覺方法被淘汰了嗎?

傳統計算機視覺方法使用成熟的 CV 技術處理目標檢測問題,如特征描述子(SIFT、SUR、BRIEF....
發表于 2020-09-24 11:25? 451次閱讀
深度學習崛起后,傳統計算機視覺方法被淘汰了嗎?

圖像分割技巧資料

圖像分割也是 Kaggle 中的一類常見賽題,比如衛星圖像分割與識別、氣胸疾病圖像分割等。除了密切的....
發表于 2020-09-24 11:11? 316次閱讀
圖像分割技巧資料

計算機視覺的實現基本過程

計算機視覺的理念在某些方面其實與很多概念有部分重疊,包括:人工智能、數字圖像處理、機器學習、深度學習....
發表于 2020-09-24 10:49? 429次閱讀
計算機視覺的實現基本過程

如何結合傳統計算機視覺與深度學習

深度學習的快速發展和設備能力的改善(如算力、內存容量、能耗、圖像傳感器分辨率和光學器件)提升了視覺應....
發表于 2020-09-24 10:17? 421次閱讀
如何結合傳統計算機視覺與深度學習

直接通過預測 3D 關鍵點來估計透明物體深度的 ...

計算機視覺應用領域的核心問題是3D 物體的位置與方向的估計,這與對象感知有關(如增強現實和機器人操作....
發表于 2020-09-23 18:08? 347次閱讀
直接通過預測 3D 關鍵點來估計透明物體深度的 ...

一些常見的圖像分類任務中 額外支持的8種數據增廣...

如果要把深度學習開發過程中幾個環節按重要程度排個序的話,相信準備訓練數據肯定能排在前幾位。要知道一個....
發表于 2020-09-23 10:03? 499次閱讀
一些常見的圖像分類任務中 額外支持的8種數據增廣...

TFRecorder已開源

在訓練計算機視覺機器學習模型時,數據加載是一種常見的性能瓶頸,可能導致 GPU 或 TPU 資源在等....
發表于 2020-09-23 09:12? 316次閱讀
TFRecorder已開源

智慧城市安全系統的必要性

如今,全球55%的人口居住在城市地區。根據聯合國的估計,到2050年,這一數字預計將增加到68%。隨....
發表于 2020-09-22 14:21? 434次閱讀
智慧城市安全系統的必要性

關于基于英特爾AI計算機視覺的邊緣計算設備

當前,中國正在大力推進包括人工智能、5G和工業物聯網在內的新基礎設施建設,為智慧城市的發展注入新動能....
發表于 2020-09-16 15:12? 618次閱讀
關于基于英特爾AI計算機視覺的邊緣計算設備

7份經典學術論文讓你完全掌握卷積神經網絡!

目前,CNN應用也十分廣泛。例如Facebook用它進行自動的圖像標簽,google用它做照片檢索,....
發表于 2020-09-15 10:40? 355次閱讀
7份經典學術論文讓你完全掌握卷積神經網絡!

AI如何改變醫療保健的三個示例

隨著醫療保健費用持續上漲,節省費用是另一個主要推動力。例如, 雅典娜 利用機器學習和計算機視覺技術來....
發表于 2020-09-14 11:01? 284次閱讀
AI如何改變醫療保健的三個示例

人工智能如何最好地管理和跟蹤施工過程

首先讓我們談談技術無法做到的事情。雖然建筑工地變得越來越復雜,并且與現場建筑辦公室的連接是標準的,但....
發表于 2020-09-14 09:56? 556次閱讀
人工智能如何最好地管理和跟蹤施工過程

請問計算機視覺與深度學習要看什么書?

計算機視覺與深度學習,看這本書就夠了
發表于 2020-05-21 12:43? 277次閱讀
請問計算機視覺與深度學習要看什么書?

圖像處理與計算機視覺相關的書籍有哪些

圖像處理與計算機視覺相關的書籍
發表于 2020-05-20 13:58? 779次閱讀
圖像處理與計算機視覺相關的書籍有哪些

如何提取顏色特征?

計算機視覺的特征提取算法研究至關重要。在一些算法中,一個高復雜度特征的提取可能能夠解決問題(進行目標檢測等目的...
發表于 2019-10-12 06:55? 718次閱讀
如何提取顏色特征?

CEVA-CV在嵌入式視覺應用發揮著什么樣的作用?

計算機視覺(Computer  Vision,CV)正在現實活動中經歷著巨大的激增,應用范圍從使用手勢控制電視到可提...
發表于 2019-09-23 08:12? 348次閱讀
CEVA-CV在嵌入式視覺應用發揮著什么樣的作用?

全連接神經網絡和卷積神經網絡有什么區別

全連接神經網絡和卷積神經網絡的區別
發表于 2019-06-06 14:21? 1152次閱讀
全連接神經網絡和卷積神經網絡有什么區別

關于卷積神經網絡探秘的簡單了解

卷積神經網絡探秘
發表于 2019-06-04 11:59? 241次閱讀
關于卷積神經網絡探秘的簡單了解

計算機視覺/深度學習領域常用數據集匯總

深度學習領域的“Hello World!”,入門必備!MNIST是一個手寫數字數據庫,它有60000個訓練樣本集和10000個測...
發表于 2018-08-29 10:36? 2294次閱讀
計算機視覺/深度學習領域常用數據集匯總

一種改進的矩不變自動閾值算法

摘要:提出了一種改進的矩不變自動閾值算法。該算法針對矩不變自動閾值法忽略圖像細節的缺點,在矩不變自動閾值的基礎...
發表于 2018-08-24 16:22? 839次閱讀
一種改進的矩不變自動閾值算法

沒想到,有一天AI也會被「調戲」!

從“跳一跳”之后,又有一款小程序游戲因其獨特好玩的個性,在朋友圈C位出道了。 幾天前,谷歌發布了一款名為“...
發表于 2018-07-23 09:11? 1686次閱讀
沒想到,有一天AI也會被「調戲」!

高級機器學習算法工程師--【北京】

職位描述: 1. 負責計算機視覺&機器學習(包括深度學習)算法的開發與性能提升,負責下述研究課題中的一項或多項,包...
發表于 2017-12-07 14:34? 2699次閱讀
高級機器學習算法工程師--【北京】
宝贝在楼梯间做好刺激_日本tvvivodes欧美_日本变态强奷在线播放