CN101893711A - 基于智能体群体演化的海洋分布目标检测方法 - Google Patents
基于智能体群体演化的海洋分布目标检测方法 Download PDFInfo
- Publication number
- CN101893711A CN101893711A CN2009100841646A CN200910084164A CN101893711A CN 101893711 A CN101893711 A CN 101893711A CN 2009100841646 A CN2009100841646 A CN 2009100841646A CN 200910084164 A CN200910084164 A CN 200910084164A CN 101893711 A CN101893711 A CN 101893711A
- Authority
- CN
- China
- Prior art keywords
- intelligence
- lower floor
- ocean
- intelligence body
- detection method
- 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.)
- Granted
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于智能体群体演化的海洋分布目标检测方法,涉及海洋目标检测技术,包括:利用合成孔径雷达图像,预先根据不同海域海况选取海洋背景图,计算平均灰度分布曲线和差异度分布,作为模板按雷达参数建立数据库。对于待检测图像区域,可由雷达参数检索到相应模板,给定虚警概率得到灰度分布曲线的差异度阈值。大于阈值则是目标,小于阈值为背景。按照人眼的视觉认知过程设计了上下两层智能体,下层智能体进行初步感知,上层智能体在感知的基础上计算分布目标的基本特征参数,提取信息,进行趋势联想与合并。上下两层智能体通过群体协作完成最终目标检测。本发明方法对目标检测速度快、检测准确。
Description
技术领域
本发明涉及海洋目标检测技术领域,是利用合成孔径雷达图像,通过智能体群体演化,对海洋分布目标进行检测的方法。
背景技术
合成孔径雷达具有全天时、全天候大范围观测的特点,并且由电磁波的特性可以观察到光学等其他传感器观测不到的目标。
常见海洋分布目标主要有:船只尾迹、油膜、海洋水动力现象和大气现象等。海洋分布目标的检测和识别对于海洋环境监视、海洋现象研究等方面均有重大意义。海洋分布目标不同于点目标和硬目标。它们由大片象素区域组成,具有一定的大小、形状、纹理等特征。目前还没有一个公认的对海洋分布目标的定义。其特点归纳如下:图像特征在空域上具有强相关性,不能由图像单点统计参数描述或近似描述;占据一定的空间大小,有一定的分散度,整体具有相应特定的形状、灰度、纹理分布;图像结构不是简单的线性结构,还包括斑点区域结构、带状结构等;此类目标一般和海洋背景对比度不高,有时没有清晰边界,具有模糊性、发散性;分布目标还具有时空演化特性。SAR图像中的油膜、尾迹等在图像域表现出的是一个空间结构。但同时它也包含了时间信息,是油膜、尾迹等通过一定时间发散演化形成的。
目前已有的方法对这一类目标的检测效果是有限的。这时由于海洋环境复杂,分部目标往往淹没在各种杂波之中;合成孔径雷达的成像机理决定了图像会存在较大的相干斑噪声;同时对于大海域的目标搜索也是一个耗时耗力的工作。灰度分布曲线可以很好的反映分布目标的统计特征,并利用已有海洋背景参考灰度分布曲线的差异度,即可判断图像是背景还是目标。针对大海域图像的搜索,为了减少运算量,引入了智能体演化技术。
所谓智能体即一个按照人们预先设定的规则可以自行根据接触环境进行一定行为的硬件或软件个体,具有一定的自适应性和自治能力。随着人工智能的发展,智能体已经被广泛应用于制造业、过程控制、远程通讯系统、控制交通控制、交通和运输管理、信息过滤和收集、电子商务、商业过程管理、娱乐业和医疗看护等。在图像域中,多个智能体通过特定的个体行为以及和其他智能体的通信协作,最终可以完成图像的目标检测任务。
前面提到,分布目标是模糊发散的,启发自人的视觉认知过程,将智能体分为上下两层。下层智能体负责逐像素点的初级判断,相当于人的知觉过程;有了初始结果后,上层智能体对目标进行标号、参数计算,并启动趋势联想行为,对低对比度的断续目标进行连接。
分布目标具有模糊性、发散性、低对比度,这使得现有方法很难得到较好的检测结果;分布目标是多种多样的,现有方法多为针对某一类分布目标;海洋SAR图像观测区域大,而目标相对较小,传统的行扫描方式进行了许多无用计算。
发明内容
本发明的目的在于提供一种基于智能体群体演化的海洋分布目标检测方法,以智能体在合成孔径雷达图像中的群体演化而实现分布目标的检测,速度快、检测准确,对多种分布目标均有较好结果。
为达到上述目的,本发明的技术解决方案是:
一种基于智能体群体演化的海洋分布目标检测方法,其包括:
步骤1:预先根据不同海域海况条件选取海洋背景图像,计算海洋背景的灰度分布曲线的差异度;统计差异度分布,给定虚警概率,得下层智能体的判断阈值;将海洋差异度分布曲线和海洋背景平均灰度分布,按照雷达参数建立模板库;
步骤2:以待检测的合成孔径雷达图像为活动环境,上下层智能体按照一定的行为规则进行群体演化,检测分布目标。
所述的基于智能体群体演化的海洋分布目标检测方法,其所述统计差异度分布,包括:
计算所有选取的海洋背景图像的灰度分布曲线,对于任意两个分布,其差异度计算公式为:
其中D代表差异度,P、Q代表两个灰度分布函数,xi代表第i个灰度值。
所述的基于智能体群体演化的海洋分布目标检测方法,其所述上下层智能体,其下层智能体进行视觉知觉过程,按一定的行为演化,得到初步检测结果;在下层智能体检测的基础上产生上层智能体,计算目标参数,联想预连,重新启动下层智能体;最终完成检测。
所述的基于智能体群体演化的海洋分布目标检测方法,其所述下层智能体的一定行为,包括:
(1)通信:每个下层智能体都在自己的活动范围内寻找其他下层智能体,通信内容为各个下层智能体的检测结果、移动方向和使用阈值;
(2)继承:每个子智能体都会从父智能体继承其检测相关知识;
(3)判断:每一个下层智能体都在感知邻域中搜集信息,并根据灰度分布曲线差异度进行判断其所在点是背景还是可疑目标;
(4)移动:下层智能体在当前点做出判断后,在图像环境内移动到其他位置;
(5)繁殖:当智能体判断当前点为可疑目标后,为扩大检测速度会在一定范围和一定方向上进行子代繁殖;
(6)死亡:每个智能体在移动或繁殖后,年龄均会增加1,当年龄到达设定最大年龄后即死亡消失。
所述的基于智能体群体演化的海洋分布目标检测方法,其所述(3)步的下层智能体的判断行为,是:
A)下层智能体计算其所在像素的邻域灰度分布,与模板中的海洋平均灰度分布作比较,计算差异度;
B)依据给定的虚警概率和差异度分布,计算阈值,如果此差异度大于阈值,则判断此点为目标;如果差异度小于阈值,则判断此点为背景。
所述的基于智能体群体演化的海洋分布目标检测方法,其所述(5)步的下层智能体的繁殖行为,包括:
第一类繁殖:在某像素点的周围8邻域进行近邻繁殖;
第二类繁殖:经过通信的两个下层智能体,如果都检测到了目标,则在其间进行带状繁殖。
所述的基于智能体群体演化的海洋分布目标检测方法,其所述上层智能体计算目标参数,联想预连,重新启动下层智能体的行为,包括:
(1)目标参数计算:计算目标的面积、均值、方差、周长数据;
(2)合并:当若干个上层智能体间距小于某一阈值,形成群状,且特征相似时,即认为这个群为一个分布目标;
(3)趋势联想:在大面积的,距离较近的两个上层智能体间,重新启动下层智能体,并将阈值降低为原来的γ倍;如果下层智能体能将两上层智能体连通则接受联想;如果不能连通,则保持上层智能体原状。
所述的基于智能体群体演化的海洋分布目标检测方法,其所述γ,γ服从[0.7.0.9]上的均匀随机分布。
本发明方法的有益效果:
(1)整个检测过程,智能体的数量先增大,后减少到零。在有目标的区域,智能体通过两类繁殖能迅速扩大检测结果,在大片没有目标的普通海域,随着几次随机移动后如果仍未找到目标就会消失。这一特性对于背景占大多面积的海洋图像具有重要意义。可以大大减少核心分布曲线比较算法。与传统的行扫描方式相比,速度大大提升,速度提升倍数与背景、目标面积比成正比例关系。
(2)分布目标的主要特征就是局部统计特性。发明中使用局部灰度分布曲线作为比较依据。无需估计分布曲线的解析式和参数。
(3)对于反差较弱的分布目标,检测结果容易形成断续。利用上层智能体的趋势联想行为可将断续部分连接起来。
(4)分布目标有时不具有连通性,普通的检测结果可能使检测出目标的数量大于实际目标数量。而上层智能体的合并行为可以将基本参数相似的距离较近的目标群合并为一个目标。
(5)每个上层智能体对应于一个分布目标,并自动计算其基本参数。在数据和先验知识充足的情况下,可为进一步根据计算出的参数识别是何种分布目标。
附图说明
图1是本发明方法中训练数据库模板流程示意图;
图2是本发明方法中如何利用已有数据库模板,对待检测图进行是否目标的判断流程示意图;
图3是本发明方法中下层智能体的行为方式示意图;其中,图3(a)为移动;图3(b)为繁殖后父智能体移动;图3(c)为子智能体继承父智能体移动方向;图3(d)为近邻域繁殖;图3(e)为邻近智能体通信;图3(f)为方向性带状繁殖;
图4是本发明方法中上层智能体的行为方式示意图;其中:图4(a)为上下层智能体结构;图4(b)为上层智能体通信;图4(c)为趋势联想;图4(d)为接受联想与合并。
图5是本发明方法中智能体群体演化检测的简要流程示意图。
具体实施方式
本发明的一种基于智能体群体演化的海洋分布目标检测方法,其步骤包括:
过程1:预先根据特定海域海况条件选取海洋背景图像,计算平均灰度分布曲线。统计普通海面图像灰度分布曲线的差异度。给定虚警概率得到相应灰度分布曲线的差异度阈值(以下简称“阈值”)。将此类海面灰度分布曲线、灰度分布曲线差的异度分布和相应阈值按雷达参数建立模板库。
所述灰度分布曲线的差异度,是直接利用灰度分布曲线,根据KL散度构造的。
其中D代表差异度,P、Q代表两个灰度分布函数。xi代表第i个灰度值。
所述给定虚警概率得到相应阈值,公式为:
其中PCFAR为虚警概率,DF(Ti)为第i个差异度Ti的出现概率,Tmax为最大的差异度,Th为要求的阈值。采用数值逼近的方法可求出Th。
过程2:对于待检测图像,按雷达参数找到相应模板。将图像作为智能体的活动环境,初始随机放入一定数量的下层智能体,令其按一定的行为规则进行演化。当下层智能体数量减少到0时,得到初步感知结果。进行数学形态学处理,区域标号,去除小目标。然后启动上层智能体,每个上层智能体对应一个区域目标。计算目标参数,进行上层智能体的趋势联想行为,重新启动下层智能体。当下层智能体再次减少为0时,算法收敛,得到检测结果。
所述的检测方法中,其所述下层智能体,进行初步感知;下层智能体行为规则为:
(1)通信:每个下层智能体都在自己的活动范围内寻找其他下层智能体,通信内容为各个下层智能体的检测结果、移动方向和使用阈值。
(2)继承:每个子智能体都会从父智能体继承其检测相关知识。
(3)判断:每一个下层智能体都在感知邻域中搜集信息,计算局部灰度分布曲线,并与模板中的普通海面灰度分布曲线比较计算差异度。如果差异度大于阈值Th则为目标,如果小于阈值Th则判断为背景。
(4)移动:下层智能体在当前点做出判断后,根据检测的结果决定下一步移动方向。初始下层智能体均采用随机方向移动。迭代1次后,未检测到目标的进行随机移动,检测到目标的优先延父智能体移动方向移动。
(5)繁殖:当下层智能体判断当前点为可疑目标后,为扩大检测速度将会在首先进行第一类8邻域近邻繁殖。然后与其活动范围内的其他下层智能体通信,如果也检测到目标则进行第二类繁殖。假设两个智能体的坐标分别为(x1,y1)、(x2,y2),则繁殖子智能体的位置为:
其中ε为繁殖带宽度,A、B、C为直线参数(A=y2-y1,B=x1-x2,C=(x2-x1)y1-(y2-y1)x1)。
(6)死亡:每个下层智能体在移动或繁殖后,年龄均会增加1,当年龄到达设定最大年龄后即死亡消失。
所述的检测方法,其所述上层智能体行为为:
(1)目标参数计算:计算目标的面积、均值、方差、周长数据;
(2)合并:当若干个上层智能体间距小于某一阈值,形成群状,且特征相似时,即认为这个群为一个分布目标;
(3)趋势联想:在大面积的,距离较近的两个上层智能体间,重新启动下层智能体,阈值适当降低。若新的检测结果能将两上层智能体连接则接受联想,原上层智能体进行合并行为。若仍不能连接则保持联想前状态。联想范围由上层智能体的尺度参数决定。定义尺度参数
s=2A/L (4)
A为上层智能体的面积,L为周长。
为使本发明的目的、技术方案和优点更加清楚明白,以下结合参照附图,对本发明进一步详细说明。
海洋分布目标具有模糊性、发散性和低对比度。为适应大海域弱反差分布目标检测的需要,启发自人的视觉认知过程,本发明设计了一种两层智能体系统。
首先,要建立普通海洋图像的模板库。这一过程的流程图参见图1。其具体步骤包括:
步骤101:针对不同的海域和海况条件选取SAR海洋背景图像,即没有目标的海洋图像。
步骤102:利用(1)式计算普通海洋图像灰度分布曲线的差异度。统计得到差异度分布。给定虚警概率,可由(2)式得出阈值。
步骤103:计算背景图像的平均灰度分布曲线,连同差异度分布按照雷达参数存入数据库中。数据库可由MySQL软件搭建。
然后,对待检测图,实施上下层智能体的检测算法。其中下层智能体的行为如图3所示,上层智能体的行为如图4所示。检测过程框图由图5所示。具体步骤包括:
步骤201:对待检测的图像,根据其雷达参数在数据库中找到相应检测模板,按给定虚警概率得到阈值,作为下层智能体的判断知识。
步骤202:初始随机抽样,在待检测图像抽样产生初始下层智能体。抽样概率为0.01。
步骤203:检查当前活跃下层智能体数量是否为0。若为0,则跳转到步骤208。若不为0时,根据前面定义的下层智能体行为方式,遍历所有活跃的下层智能体。
步骤204:对于每一个智能体计算其所在点邻域的灰度分布曲线,并与普通海洋图像模板计算差异度。
步骤205:如果差异度大于阈值,则认为此点为分布目标,并进行第一类繁殖。同时与其邻近的智能体通信,如果邻近智能体也检测到目标,则在两智能体间进行第二类繁殖。繁殖后的智能体继续移动到他处,并且年龄增长1。下层智能体行为,请参照图3所示,其中,图3(a)移动,图3(b)繁殖后父智能体移动,图3(c)子智能体继承父智能体移动方向,图3(d)近邻域繁殖,图3(e)邻近智能体通信,图3(f)方向性带状繁殖。在繁殖时,子智能体将继承父智能体的移动方向、检测结果和检测阈值。子智能体的移动方向将优先向父智能体移动的方向移动。
步骤206:如果差异度小于阈值,则此点为普通海洋背景,智能体直接随机移动到他处,且年龄加1。
步骤207:当一个智能体的年龄到达人工设定的最大年龄后,将死亡、消失。重复步骤203一步骤207。
步骤208:利用数学形态学和区域标号,根据所形成的目标区域产生上层智能体。
步骤209:每一个上层智能体进行基本参数计算。
步骤210:每一个上层智能体与活动范围内的其他的上层智能体进行通信。如图4(b)所示。
步骤211:如果两个上层智能体的参数接近,则将阈值Th适当降低γ倍,γ在[0.7.0.9]上均匀随机选择,比如乘以0.8。并在两个上层智能体间繁殖下层智能体,繁殖方法为第二类带状繁殖。此步骤为趋势联想,如图4(c)所示。
步骤212:重新启动下层智能体行为,重复步骤204-步骤207,并检查下层智能体数量是否再次减少到0。
步骤213:当下层智能体再次减少到0时,查看下层智能体所标识的目标是否能将两上层智能体连通。如能连通则接受下层智能体的检测结果,启动合并行为,如不能连通则保持两上层智能体原有状态。
步骤214:对每个上层智能体重复步骤210-步骤213。
步骤215:由智能体演化过程的标记可得到分布目标的检测结果。
Claims (8)
1.一种基于智能体群体演化的海洋分布目标检测方法,其特征在于,包括:
步骤1:预先根据不同海域海况条件选取海洋背景图像,计算海洋背景的灰度分布曲线的差异度;统计差异度分布,给定虚警概率,得下层智能体的判断阈值;将海洋差异度分布曲线和海洋背景平均灰度分布,按照雷达参数建立模板库;
步骤2:以待检测的合成孔径雷达图像为活动环境,上下层智能体按照一定的行为规则进行群体演化,检测分布目标。
2.根据权利要求1所述的基于智能体群体演化的海洋分布目标检测方法,其特征在于,所述统计差异度分布,包括:
计算所有选取的海洋背景图像的灰度分布曲线,对于任意两个分布,其差异度计算公式为:
其中D代表差异度,P、Q代表两个灰度分布函数,xi代表第i个灰度值。
3.根据权利要求1所述的基于智能体群体演化的海洋分布目标检测方法,其特征在于:所述上下层智能体,其下层智能体进行视觉知觉过程,按一定的行为演化,得到初步检测结果;在下层智能体检测的基础上产生上层智能体,计算目标参数,联想预连,重新启动下层智能体;最终完成检测。
4.根据权利要求3所述的基于智能体群体演化的海洋分布目标检测方法,其特征在于,所述下层智能体的一定行为,包括:
(1)通信:每个下层智能体都在自己的活动范围内寻找其他下层智能体,通信内容为各个下层智能体的检测结果、移动方向和使用阈值;
(2)继承:每个子智能体都会从父智能体继承其检测相关知识;
(3)判断:每一个下层智能体都在感知邻域中搜集信息,并根据灰度分布曲线差异度进行判断其所在点是背景还是可疑目标;
(4)移动:下层智能体在当前点做出判断后,在图像环境内移动到其他位置;
(5)繁殖:当智能体判断当前点为可疑目标后,为扩大检测速度会在一定范围和一定方向上进行子代繁殖;
(6)死亡:每个智能体在移动或繁殖后,年龄均会增加1,当年龄到达设定最大年龄后即死亡消失。
5.根据权利要求4所述的基于智能体群体演化的海洋分布目标检测方法,其特征在于:所述(3)步的下层智能体的判断行为,是:
A)下层智能体计算其所在像素的邻域灰度分布,与模板中的海洋平均灰度分布作比较,计算差异度;
B)依据给定的虚警概率和差异度分布,计算阈值,如果此差异度大于阈值,则判断此点为目标;如果差异度小于阈值,则判断此点为背景。
6.根据权利要求4所述的基于智能体群体演化的海洋分布目标检测方法,其特征在于,所述(5)步的下层智能体的繁殖行为,包括:
第一类繁殖:在某像素点的周围8邻域进行近邻繁殖;
第二类繁殖:经过通信的两个下层智能体,如果都检测到了目标,则在其间进行带状繁殖。
7.根据权利要求3所述的基于智能体群体演化的海洋分布目标检测方法,其特征在于,所述上层智能体计算目标参数,联想预连,重新启动下层智能体的行为,包括:
(1)目标参数计算:计算目标的面积、均值、方差、周长数据;
(2)合并:当若干个上层智能体间距小于某一阈值,形成群状,且特征相似时,即认为这个群为一个分布目标;
(3)趋势联想:在大面积的,距离较近的两个上层智能体间,重新启动下层智能体,并将阈值降低为原来的γ倍;如果下层智能体能将两上层智能体连通则接受联想;如果不能连通,则保持上层智能体原状。
8.根据权利要求7所述的基于智能体群体演化的海洋分布目标检测方法,其特征在于,所述γ,γ服从[0.7.0.9]上的均匀随机分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910084164A CN101893711B (zh) | 2009-05-20 | 2009-05-20 | 基于智能体群体演化的海洋分布目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910084164A CN101893711B (zh) | 2009-05-20 | 2009-05-20 | 基于智能体群体演化的海洋分布目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101893711A true CN101893711A (zh) | 2010-11-24 |
CN101893711B CN101893711B (zh) | 2012-09-26 |
Family
ID=43102960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910084164A Active CN101893711B (zh) | 2009-05-20 | 2009-05-20 | 基于智能体群体演化的海洋分布目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101893711B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102565772A (zh) * | 2010-12-20 | 2012-07-11 | 中国科学院电子学研究所 | 基于sar子孔径序列图像的海洋动态信息提取方法 |
CN102880909A (zh) * | 2011-07-11 | 2013-01-16 | 哈尔滨工业大学 | 高频地波雷达远端航迹起始方法和装置 |
CN104077592A (zh) * | 2013-03-27 | 2014-10-01 | 上海市城市建设设计研究总院 | 高分辨率遥感影像航标自动提取方法 |
CN111062491A (zh) * | 2019-12-13 | 2020-04-24 | 周世海 | 一种基于强化学习的智能体探索未知环境方法 |
CN112115822A (zh) * | 2020-09-04 | 2020-12-22 | 西北工业大学 | 一种水下移动目标智能融合感知方法 |
CN113033756A (zh) * | 2021-03-25 | 2021-06-25 | 重庆大学 | 基于目标导向的聚集策略的多智能体控制方法 |
CN113146624A (zh) * | 2021-03-25 | 2021-07-23 | 重庆大学 | 基于最大角聚集策略的多智能体控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100583900C (zh) * | 2006-11-16 | 2010-01-20 | 南京邮电大学 | 基于智能代理的无线传感器网络数据聚合路径规划方法 |
-
2009
- 2009-05-20 CN CN200910084164A patent/CN101893711B/zh active Active
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102565772A (zh) * | 2010-12-20 | 2012-07-11 | 中国科学院电子学研究所 | 基于sar子孔径序列图像的海洋动态信息提取方法 |
CN102565772B (zh) * | 2010-12-20 | 2013-07-24 | 中国科学院电子学研究所 | 基于sar子孔径序列图像的海洋动态信息提取方法 |
CN102880909A (zh) * | 2011-07-11 | 2013-01-16 | 哈尔滨工业大学 | 高频地波雷达远端航迹起始方法和装置 |
CN102880909B (zh) * | 2011-07-11 | 2015-11-25 | 哈尔滨工业大学 | 高频地波雷达远端航迹起始方法和装置 |
CN104077592A (zh) * | 2013-03-27 | 2014-10-01 | 上海市城市建设设计研究总院 | 高分辨率遥感影像航标自动提取方法 |
CN104077592B (zh) * | 2013-03-27 | 2017-02-08 | 上海市城市建设设计研究总院 | 高分辨率遥感影像航标自动提取方法 |
CN111062491A (zh) * | 2019-12-13 | 2020-04-24 | 周世海 | 一种基于强化学习的智能体探索未知环境方法 |
CN112115822A (zh) * | 2020-09-04 | 2020-12-22 | 西北工业大学 | 一种水下移动目标智能融合感知方法 |
CN113033756A (zh) * | 2021-03-25 | 2021-06-25 | 重庆大学 | 基于目标导向的聚集策略的多智能体控制方法 |
CN113146624A (zh) * | 2021-03-25 | 2021-07-23 | 重庆大学 | 基于最大角聚集策略的多智能体控制方法 |
CN113146624B (zh) * | 2021-03-25 | 2022-04-29 | 重庆大学 | 基于最大角聚集策略的多智能体控制方法 |
CN113033756B (zh) * | 2021-03-25 | 2022-09-16 | 重庆大学 | 基于目标导向的聚集策略的多智能体控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101893711B (zh) | 2012-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101893711B (zh) | 基于智能体群体演化的海洋分布目标检测方法 | |
Chen et al. | A deep neural network based on an attention mechanism for SAR ship detection in multiscale and complex scenarios | |
Zeng et al. | Underwater target detection based on Faster R-CNN and adversarial occlusion network | |
CN107818326B (zh) | 一种基于场景多维特征的船只检测方法及系统 | |
CN110147807A (zh) | 一种船舶智能识别跟踪方法 | |
CN107016677A (zh) | 一种基于fcn和cnn的云图分割方法 | |
CN112183432B (zh) | 一种基于中分辨率sar图像的建筑区提取方法以及系统 | |
CN110598029A (zh) | 基于注意力转移机制的细粒度图像分类方法 | |
CN103942557B (zh) | 一种煤矿井下图像预处理方法 | |
CN102867196A (zh) | 基于Gist特征学习的复杂海面遥感影像舰船检测方法 | |
CN108460341A (zh) | 基于集成深度卷积网络的光学遥感图像目标检测方法 | |
US10943352B2 (en) | Object shape regression using wasserstein distance | |
CN105931257B (zh) | 基于纹理特征和结构相似度的sar图像质量评估方法 | |
CN103049751A (zh) | 一种改进的加权区域匹配高空视频行人识别方法 | |
CN102722883B (zh) | 一种具有空间自适应性的极化sar图像分割方法 | |
CN110378297A (zh) | 一种基于深度学习的遥感图像目标检测方法 | |
CN110135502A (zh) | 一种基于强化学习策略的图像细粒度识别方法 | |
CN103020975A (zh) | 一种结合多源遥感图像特征的码头和船舶分割方法 | |
CN109766823A (zh) | 一种基于深层卷积神经网络的高分辨率遥感船舶检测方法 | |
CN102542293A (zh) | 一种针对高分辨率sar图像场景解译的一类提取分类方法 | |
Fei et al. | A novel visual attention method for target detection from SAR images | |
CN104077609A (zh) | 一种基于条件随机场的显著性检测方法 | |
Zhu et al. | DNN-based seabed classification using differently weighted MBES multifeatures | |
Watts et al. | A novel method for mapping reefs and subtidal rocky habitats using artificial neural networks | |
Zhang et al. | Coastal oyster aquaculture area extraction and nutrient loading estimation using a GF-2 satellite image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |