一种基于时间与空间上下文的预置摄像头目标检测算法制造技术

本发明专利技术提出一种基于时间与空间上下文的预置摄像头目标检测算法。目前基于深度学习的目标检测算法已经日益成熟，但是其对于目标检测的高准确率是建立在有足够数据集的支持下的，当数据集规模非常小时，识别的效果就会差强人意。而在实际的生产环境中，需要检测的异常目标，不管是在时间还是在空间上分布都是极少的，这就造成了数据集不可能很大。这就造成了对于这种异常目标的检测变得困难。基于此，本发明专利技术提出一种基于时间与空间上下文的预置摄像头目标检测算法，通过对时间与空间上下文的学习，在小数据集上对异常目标也能达到较好的检测效果。

【技术实现步骤摘要】
一种基于时间与空间上下文的预置摄像头目标检测算法
本专利技术涉及深度学习、目标检测、小目标学习，具涉及到一种基于时间与空间上下文的预置摄像头目标检测算法。
技术介绍
前基于深度学习的目标检测算法已经日益成熟，但是其对于目标检测的高准确率是建立在有足够数据集的支持下的，当数据集规模非常小时，识别的效果就会差强人意。而在实际的生产环境中，需要检测的异常目标，不管是在时间还是在空间上分布都是极少的，这就造成了数据集不可能很大。这就造成了对于这种异常目标的检测变得困难。最接近本专利技术的技术有：(1)、R-CNN系列：包括R-CNN、FastR-CNN、FasterR-CNN、MaskR-CNN。传统方法由于滑窗效率低下，特征不够鲁棒等原因限制了目标检测的发展，导致其一直无法在工业界进行大规模落地。R-CNN系列算法的出现很好的解决了这一系列问题：根据检测阶段的不同，我们可以将深度学习方法分为one-stage检测算法和two-stage检测算法两种。对于two-stage检测方法来说，它先生成了可能包含物体的候选区域RegionProposa本文档来自技高网...

【技术保护点】
1.一种基于时间与空间上下文的预置摄像头目标检测算法，不同于传统的目标检测算法，加入时间和空间上下文特征，在预置摄像头上部署，可在极小的数据集上表现出较高的准确率，算法包括以下步骤：/n步骤(1)、将图片、摄像头位置信息、时间信息作为输入，输入进网络；/n步骤(2)、将步骤(1)中输入，使用RPN提取的特征，/n步骤(3)、将RPN提取的特征存入记忆库中；/n步骤(4)、将记忆库中存取的特征与RPN提取的特征进行合并；/n步骤(5)、同时对步骤(1)中的输入使用resnet50进行特征提取；/n步骤(6)、将步骤(4)与步骤(5)所得到特征进行并联；/n步骤(7)、将步骤(6)得到的结果输入分...

【技术特征摘要】
1.一种基于时间与空间上下文的预置摄像头目标检测算法，不同于传统的目标检测算法，加入时间和空间上下文特征，在预置摄像头上部署，可在极小的数据集上表现出较高的准确率，算法包括以下步骤：
步骤(1)、将图片、摄像头位置信息、时间信息作为输入，输入进网络；
步骤(2)、将步骤(1)中输入，使用RPN提取的特征，

【专利技术属性】
技术研发人员：禹发，张卫山，张友彩，顾伶俐，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：山东;37