CN106127228A - 一种基于决策模板分类器融合的遥感图像船舶检测候选区鉴别方法 - Google Patents
一种基于决策模板分类器融合的遥感图像船舶检测候选区鉴别方法 Download PDFInfo
- Publication number
- CN106127228A CN106127228A CN201610425713.1A CN201610425713A CN106127228A CN 106127228 A CN106127228 A CN 106127228A CN 201610425713 A CN201610425713 A CN 201610425713A CN 106127228 A CN106127228 A CN 106127228A
- Authority
- CN
- China
- Prior art keywords
- decision
- ship
- roi
- template
- mode
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000004927 fusion Effects 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012935 Averaging Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 12
- 230000003287 optical effect Effects 0.000 abstract description 12
- 238000012216 screening Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010034719 Personality change Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种基于决策模板分类器融合的遥感图像船舶检测候选区鉴别方法,基于不同类型特征子集间弱相关性的决策模板分类器融合技术,针对大视场光学遥感图像中所提取的候选区域,构建一种高效的鉴别与筛选方法。首先,从候选区图像中提取多类型特征子集,根据各特征子集训练其对应的子分类器;然后,根据船舶特征差异,将模式划分为强对比船舶、弱暗对比船舶及虚警3类,并使用决策矩阵来表征其对应样本的多分类器输出,将所有同种模式类的决策矩阵进行平均,分别得到3类模式各自的决策模板;随后,对输入待鉴别候选区提取其特征并计算其决策轮廓矩阵。最后基于欧氏距离判断候选区策轮廓矩阵与训练好的决策模板间的相似度,实现在候选区域中鉴别出船舶。
Description
技术领域
本发明涉及遥感图像的处理方法,尤其是针对大视场的光学遥感图像船舶检测中获取的候选区鉴别与筛选。
背景技术
光学遥感图像船舶目标提取研究近十年已经逐渐发展起来。虽然与SAR图像中的船舶检测研究相比,光学遥感图像船舶检测的历史还不算长久,但光学遥感图像的一些成像特点却为我们带来了新的研究方向。因为SAR图像中船舶的特性容易受到其姿态变化、雷达参数等因素影响且自然图像处理领域已有的研究成果难以在SAR图像中直接应用。然而,光学遥感图像中的船舶目标与普通自然图像中的物体具有相似的典型空间变换特点,而且这些变换特点已有较为深厚的研究历史。由于在光学场景中,存在碎云、小岛、航行尾迹等因素影响导致虚警较多,由此候选区域虚警鉴别技术变得尤为重要。因此,光学遥感图像中船舶目标候选区域鉴别的技术可以与许多自然图像处理中物体检测、识别的研究相互借鉴,并且可以方便地引入模式识别、计算机视觉等领域的研究成果。
根据技术途径的特点,可将光学遥感图像船舶目标算法大致分为三类:(1)基于船舶几何特征判决的鉴别技术;(2)基于分布概率统计的鉴别技术;(3)基于统计模式识别的鉴别技术。其中,基于船舶集合特征判决的鉴别技术为早期研究中的常用方法,但其最终的鉴别结果是靠与经验的固定门限比较实现,缺乏科学的统计与适应性。同时由于在大视场、复杂探测场景中,无论是对目标、虚警还是背景区域都难以设计出广泛适用的概率分布统计模型,这些都成为了基于分布概率统计鉴别技术发展的难点。然而,基于统计模式识别的鉴别技术采用多样化、高维的鉴别特征,并可根据鉴别特征提取技术的发展逐步完善特征描述集,同时根据鉴别阶段的特点,可以引入更多性能优良的分类器,用以提高探测系统剔除虚警的能力。
当前统计模式识别鉴别技术,虽然大都考虑到提取船舶多种类型、高维的描述特征来进行鉴别,但普遍的方式都是将这些多类型鉴别特征组合成一个大向量供后续判决模块使用,这样的方式会使得这些不同类型特征子集间的差异在特征归一化、分类器训练等环节被削弱。另一方面,这些研究都专注于寻找新的分类器进行鉴别,然而新分类器从出现到能成熟地应用需要一定的时间周期。因此,船舶特征的选取、融合以及分类器的选择及开发已经成为基于统计模式识别鉴别技术在光学遥感图像船舶检测研究中的难点。
发明内容
本发明的目的在于针对上述技术的难点,提供一种基于决策模板分类器融合的遥感图像船舶检测候选区鉴别方法,基于不同类型特征子集间的弱相关性的决策模板分类器融合技术,针对大视场的光学遥感图像船舶检测中所提取的候选区域,构建一种高效的鉴别与筛选方法。
本发明针对以上叙述的情况,采用一种基于决策模板分类器融合的遥感图像船舶检测候选区鉴别方法。
根据本发明的一个方面,提供了一种基于决策模板分类器融合的遥感图像船舶检测候选区鉴别方法,用于自动鉴别大视场上候选区图像中的船舶目标,包括以下步骤:
首先,从候选区图像ROI中提取多种类型特征子集;并根据各个特征子集训练其对应的RBF核SVM子分类器;然后,考虑到强对比船舶、弱暗对比船舶特征差异较大,将候选区域模式划分为强对比船舶、弱暗对比船舶及虚警3类,并对每一类使用决策矩阵来表征其对应模式中样本的多分类器输出,之后将所有同种模式类的决策矩阵进行平均,从而分别得到3类模式各自的决策模板;随后,对输入的待鉴别候选区提取其特征以及计算对应的决策轮廓矩阵,最后基于欧氏距离判断候选区策轮廓矩阵与训练好的决策模板间的相似度,实现在候选区域中鉴别出船舶。
附图说明
图1是根据本发明的一种基于决策模板分类器融合的遥感图像船舶检测候选区鉴别方法大体流程图。
图2是根据本发明的一种基于决策模板分类器融合的遥感图像船舶检测候选区鉴别方法详细流程图。
图3是候选目标ROI多类特征计算决策轮廓的示意图。
图4决策模板鉴别目标候选区域示意图。
具体实施方式:
以下结合实施例对本发明进行说明。
本发明提供的方法由船舶候选区多类型特征提取、基于多类特征的子分类器选择及训练、基于分类器融合的决策模板计算以及利用决策模板确认船舶目标四个步骤组成。具体步骤如下,如图1所示:
第一步:船舶候选区多类型特征提取
从纹理、形状、灰度、局部描述子4个不同的方面提取目标候选区域鉴别特征。
第二步:基于多类特征的子分类器选择及训练
采用基于RBF核的SVM作子分类器,分类器由其对应的特征子集向量训练,并获得判决的分类超平面,即每一个类型的特征子集训练其对应的子分类器。
第三步:基于分类器融合的决策模板计算
按照模式划分策略,将候选目标感兴趣区域(region of interest,ROI)划分为3类:强对比船舶、弱暗对比船舶及虚警。使用决策轮廓矩阵来表征某类模式中的样本集中样本的多分类器输出。之后将同种模式类的所有训练样本计算得到的决策轮廓矩阵进行平均,从而得到某类模式的决策模板,最终得到各模式类的决策模板。
第四步:利用决策模板确认船舶目标
对输入的候选目标ROI提取其特征并计算其决策轮廓矩阵,根据欧氏距离判断此决策轮廓矩阵与上一步中得到的各模式类的决策模板的相似度。
图2是本发明提供的方法的详细流程框图。处理过程如下:
第一步:船舶候选区多类型特征提取
对输入的包含疑似船舶的候选区图像,分别进行纹理特征、形状特征、灰度特征、局部描述子特征的提取。
第(1.1)步纹理特征提取:光学遥感图像中含有丰富的纹理特征,提取其分布描述类:灰度共生矩阵的对比、相关、能量及同质性;其频谱描述类:ROI区域中二维傅里叶变换图的均值和标准差。表示为特征向量Vtexture(j)(j=1,2…6)。
第(1.2)步形状特征提取:船舶的形状与其它虚警有明显的差异,对原灰度ROI二值化后提取最小外接矩形长宽比及形状因子。将其表示为特征向量Vshape(j)(j=1,2)。
第(1.3)步灰度特征提取:船舶的灰度分布及与周围海洋背景的灰度对比是有明显的区分特性,提取其转动惯量、对比度特征,表示为特征向量Vgray(j)(j=1,2)。
第(1.4)步局部描述子特征提取:将特征SIFT描述子表示为VSIFT(j)(j=1,2…128)。
第二步:基于多类特征的子分类器选择及训练
根据上一步中得到的四类特征,将不同的特征输入到不同的子分类其中,通过训练得到分类超平面,从而获得每个类型的特征子集训练得到的对应子分类器。
第(2.1)步子分类器的选择:令{D1,D2,…,Di,…,DL}为一组子分类器,L是特征子集数,此处,L=4,代表第1步中提取的4个类型的特征子集。
第(2.2)步子分类器训练:采用基于径向基函数(Radial Basis Function,RBF)核的支持向量机(Support Vector Machine,SVM)作子分类器,子分类器Di由其对应的特征子集向量Vi训练获得判决的分类超平面,即每一个类型的特征子集训练其对应的子分类器。
第三步:基于分类器融合的决策模板计算
通过分类器融合决策模板计算得到某类模式样本集中样本的决策轮廓矩阵DP(zm),并通过计算此类模式下的所有决策轮廓矩阵的平均值,最终得到各模式下的决策模板DTj。
第(3.1)步基于分类器融合决策模板的决策轮廓矩阵计算:将Vi(i=1,2,3,4)输入对应的子分类器Di。将候选目标ROI划分为3类:强对比舰船、弱暗对比舰船及虚警,分别用w1、w2及w3表示,即看作一个三元的模式分类问题。令训练某类模式的样本集为Z={z1,z2,…,zm,…,zp},则对应其中样本zm的多分类器输出可用以下的决策轮廓矩阵DP(zm)来表征:
di,j(vi)表示将Vi作为输入后,子分类器Di对模式wj作出的判决结果,(i=1,2,…,L,j=1,2,3)。若判决标识与模式wj相同,则di,j(vi)=1,否则di,j(vi)=0。决策轮廓DP形成如图3所示。
第(3.2)步各模式类的决策模板计算:计算各模式类的决策模板DT,表示第j类模式的决策模板DTj,是由该类模式所有的训练样本Z计算DP(Z)后的平均得到,如下:
其中第j类模式的训练样本数表示为Nj。则上式计算后可分别得到表示强对比舰船目标特性的模板DT1,弱暗对比舰船目标特性的模板DT2及虚警物特性的模板DT3。
第四步:利用决策模板确认船舶目标
计算输入的候选目标ROI的决策轮廓矩阵,并根据欧氏距离判断此决策轮廓矩阵与上一步中得到的各模式类的决策模板的相似度。
第(4.1)步计算测试样本的决策轮廓:首先,提取输入待测候选区ROI中的多类型特征,再对输入的候选目标ROI中的zROI计算其决策轮廓矩阵DP(zROI)。
第(4.2)步测试样本鉴别:μj(zROI)定义为DP(zROI)与训练阶段得到的DTj(j=1,2,3)间的相似程度,以欧氏距离来计算:
其中,是DTj矩阵中的元素(i2,i1)。如果μk(zROI)是{μ1(zROI),μ2(zROI),μ3(zROI)}中的最小值,那么就判别zROI为模式wk,进而确定zROI是否为包含真实船舶的ROI。最后鉴别的结果将舰船的两个子类w1、w2统一归为舰船目标。过程如图4所示。
本发明与现有检测方法相比具有以下优点:
本发明中使用的分类器融合算法,通过充分利用不同类型特征子集间的弱相关性,并可作为不同子分类器的输入,因此提高其鉴别性能。而把这些特征子集组合成一个大向量输入到单分类器SVM中的方法,却削弱了它们之间的区别,导致鉴别性能的不理想。因此,相较于其他算法,分类器融合算法有效的实现了本发明高效的鉴别能力。
本发明中使用的决策方法为DT技术,这种方法中所有子分类器的输出特点都会在“决策模板”中得到体现,相对于许多经典的分类器融合技术,其具有很强的鲁棒性及更为出色的分类表现。并且DT融合策略中最终的决策结果充分考虑了各子分类器决策的过程及结果,对应到各子分类器由不同类型特征子集构造而成,同时考虑了所有输入的特征子集及它们各自判决的贡献程度,这些都确保了DT方法的实现效果相比于其他方法的优越性。
Claims (3)
1.一种基于决策模板分类器融合的遥感图像船舶检测候选区鉴别方法,用于自动鉴别大视场上候选区图像中的船舶目标,包括以下步骤:
首先,从候选区图像ROI中提取多种类型特征子集;并根据各个特征子集训练其对应的RBF核SVM子分类器;然后,考虑到强对比船舶、弱暗对比船舶特征差异较大,将候选区域模式划分为强对比船舶、弱暗对比船舶及虚警3类,并对每一类使用决策矩阵来表征其对应模式中样本的多分类器输出,之后将所有同种模式类的决策矩阵进行平均,从而分别得到3类模式各自的决策模板;随后,对输入的待鉴别候选区提取其特征以及计算对应的决策轮廓矩阵,最后基于欧氏距离判断候选区策轮廓矩阵与训练好的决策模板间的相似度,实现在候选区域中鉴别出船舶。
2.根据权利要求1的检测方法,其特征在于:
通过分类器融合决策模板计算得到某类模式样本集中样本的决策轮廓矩阵DP(zm),并通过计算此类模式下的所有决策轮廓矩阵的平均值,最终得到各模式下的决策模板DTj,
将Vi(i=1,2,3,4)输入对应的子分类器Di,将候选目标ROI划分为3类:强对比舰船、弱暗对比舰船及虚警,分别用w1、w2及w3表示,即看作一个三元的模式分类问题,令训练某类模式的样本集为Z={z1,z2,…,zm,…,zp},则对应其中样本zm的多分类器输出可用以下的决策轮廓矩阵DP(zm)来表征:
di,j(vi)表示将Vi作为输入后,子分类器Di对模式wj作出的判决结果,(i=1,2,…,L,j=1,2,3),若判决标识与模式wj相同,则di,j(vi)=1,否则di,j(vi)=0,
计算各模式类的决策模板DT,表示第j类模式的决策模板DTj,是由该类模式所有的训练样本Z计算DP(Z)后的平均得到,如下:
其中第j类模式的训练样本数表示为Nj,则上式计算后可分别得到 表示强对比舰船目标特性的模板DT1,弱暗对比舰船目标特性的模板DT2及虚警物特性的模板DT3。
3.根据权利要求1的检测方法,其特征在于:
计算输入的候选目标ROI的决策轮廓矩阵,并根据欧氏距离判断此决策轮廓矩阵与上一步中得到的各模式类的决策模板的相似度,
提取输入待测候选区ROI中的特征,再对输入的候选目标ROI中的zROI计算其决策轮廓矩阵DP(zROI),
μj(zROI)定义为DP(zROI)与训练阶段得到的DTj(j=1,2,3)间的相似程度,以欧氏距离来计算:
其中,是DTj矩阵中的元素(i2,i1),如果μk(zROI)是{μ1(zROI),μ2(zROI),μ3(zROI)}中的最小值,那么就判别zROI为模式wk,进而确定zROI是否为包含真实船舶的ROI,最后鉴别的结果将舰船的两个子类w1、w2统一归为舰船目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610425713.1A CN106127228A (zh) | 2016-06-16 | 2016-06-16 | 一种基于决策模板分类器融合的遥感图像船舶检测候选区鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610425713.1A CN106127228A (zh) | 2016-06-16 | 2016-06-16 | 一种基于决策模板分类器融合的遥感图像船舶检测候选区鉴别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106127228A true CN106127228A (zh) | 2016-11-16 |
Family
ID=57470057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610425713.1A Pending CN106127228A (zh) | 2016-06-16 | 2016-06-16 | 一种基于决策模板分类器融合的遥感图像船舶检测候选区鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106127228A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845372A (zh) * | 2016-12-31 | 2017-06-13 | 华中科技大学 | 一种星载遥感光学图像的船舶目标检测识别方法和系统 |
CN107169412A (zh) * | 2017-04-09 | 2017-09-15 | 北方工业大学 | 基于混合模型决策的遥感图像靠港船只检测方法 |
CN107766792A (zh) * | 2017-06-23 | 2018-03-06 | 北京理工大学 | 一种遥感图像舰船目标识别方法 |
CN107766858A (zh) * | 2017-10-20 | 2018-03-06 | 哈尔滨工业大学(威海) | 一种应用合成孔径雷达图像进行船舶检测的方法 |
CN108596952A (zh) * | 2018-04-19 | 2018-09-28 | 中国电子科技集团公司第五十四研究所 | 基于候选区域筛选的快速深度学习遥感图像目标检测方法 |
CN109118503A (zh) * | 2018-07-19 | 2019-01-01 | 黄淮学院 | 高分辨遥感影像特定目标快速检测方法 |
CN109255301A (zh) * | 2018-08-14 | 2019-01-22 | 北京航空航天大学 | 一种基于fpga的红外遥感图像舰船检测虚警剔除方法 |
CN109740460A (zh) * | 2018-12-21 | 2019-05-10 | 武汉大学 | 基于深度残差密集网络的光学遥感图像舰船检测方法 |
CN113555110A (zh) * | 2021-07-15 | 2021-10-26 | 北京鹰瞳科技发展股份有限公司 | 一种训练多疾病转诊模型的方法及设备 |
CN114943829A (zh) * | 2022-03-24 | 2022-08-26 | 张艳玲 | 多视角协同sar图像船舶智能识别分类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964061A (zh) * | 2010-09-02 | 2011-02-02 | 北京航空航天大学 | 一种基于二类核函数支持向量机的车型识别方法 |
CN102930300A (zh) * | 2012-11-21 | 2013-02-13 | 北京航空航天大学 | 一种飞机目标识别方法及系统 |
CN103150904A (zh) * | 2013-02-05 | 2013-06-12 | 中山大学 | 一种基于图像特征的卡口车辆图像识别方法 |
CN103489005A (zh) * | 2013-09-30 | 2014-01-01 | 河海大学 | 一种基于多分类器融合的高分辨率遥感影像分类方法 |
CN105206060A (zh) * | 2015-10-14 | 2015-12-30 | 武汉烽火众智数字技术有限责任公司 | 一种基于sift特征的车型识别装置及其方法 |
-
2016
- 2016-06-16 CN CN201610425713.1A patent/CN106127228A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964061A (zh) * | 2010-09-02 | 2011-02-02 | 北京航空航天大学 | 一种基于二类核函数支持向量机的车型识别方法 |
CN102930300A (zh) * | 2012-11-21 | 2013-02-13 | 北京航空航天大学 | 一种飞机目标识别方法及系统 |
CN103150904A (zh) * | 2013-02-05 | 2013-06-12 | 中山大学 | 一种基于图像特征的卡口车辆图像识别方法 |
CN103489005A (zh) * | 2013-09-30 | 2014-01-01 | 河海大学 | 一种基于多分类器融合的高分辨率遥感影像分类方法 |
CN105206060A (zh) * | 2015-10-14 | 2015-12-30 | 武汉烽火众智数字技术有限责任公司 | 一种基于sift特征的车型识别装置及其方法 |
Non-Patent Citations (1)
Title |
---|
毕福昆 等: "结合视觉显著性引导与分类器融合的遥感目标检测", 《红外与激光工程》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845372A (zh) * | 2016-12-31 | 2017-06-13 | 华中科技大学 | 一种星载遥感光学图像的船舶目标检测识别方法和系统 |
CN107169412A (zh) * | 2017-04-09 | 2017-09-15 | 北方工业大学 | 基于混合模型决策的遥感图像靠港船只检测方法 |
CN107169412B (zh) * | 2017-04-09 | 2021-06-22 | 北方工业大学 | 基于混合模型决策的遥感图像靠港船只检测方法 |
CN107766792A (zh) * | 2017-06-23 | 2018-03-06 | 北京理工大学 | 一种遥感图像舰船目标识别方法 |
CN107766792B (zh) * | 2017-06-23 | 2021-02-26 | 北京理工大学 | 一种遥感图像舰船目标识别方法 |
CN107766858A (zh) * | 2017-10-20 | 2018-03-06 | 哈尔滨工业大学(威海) | 一种应用合成孔径雷达图像进行船舶检测的方法 |
CN108596952B (zh) * | 2018-04-19 | 2020-03-10 | 中国电子科技集团公司第五十四研究所 | 基于候选区域筛选的快速深度学习遥感图像目标检测方法 |
CN108596952A (zh) * | 2018-04-19 | 2018-09-28 | 中国电子科技集团公司第五十四研究所 | 基于候选区域筛选的快速深度学习遥感图像目标检测方法 |
CN109118503A (zh) * | 2018-07-19 | 2019-01-01 | 黄淮学院 | 高分辨遥感影像特定目标快速检测方法 |
CN109118503B (zh) * | 2018-07-19 | 2022-02-11 | 黄淮学院 | 高分辨遥感影像特定目标快速检测方法 |
CN109255301A (zh) * | 2018-08-14 | 2019-01-22 | 北京航空航天大学 | 一种基于fpga的红外遥感图像舰船检测虚警剔除方法 |
CN109740460A (zh) * | 2018-12-21 | 2019-05-10 | 武汉大学 | 基于深度残差密集网络的光学遥感图像舰船检测方法 |
CN109740460B (zh) * | 2018-12-21 | 2020-08-07 | 武汉大学 | 基于深度残差密集网络的光学遥感图像舰船检测方法 |
CN113555110A (zh) * | 2021-07-15 | 2021-10-26 | 北京鹰瞳科技发展股份有限公司 | 一种训练多疾病转诊模型的方法及设备 |
CN113555110B (zh) * | 2021-07-15 | 2024-06-25 | 北京鹰瞳科技发展股份有限公司 | 一种训练多疾病转诊模型的方法及设备 |
CN114943829A (zh) * | 2022-03-24 | 2022-08-26 | 张艳玲 | 多视角协同sar图像船舶智能识别分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106127228A (zh) | 一种基于决策模板分类器融合的遥感图像船舶检测候选区鉴别方法 | |
Rashid et al. | Object detection and classification: a joint selection and fusion strategy of deep convolutional neural network and SIFT point features | |
Gao et al. | Automatic change detection in synthetic aperture radar images based on PCANet | |
CN109117826B (zh) | 一种多特征融合的车辆识别方法 | |
Tang et al. | Automatic plankton image recognition | |
Bodesheim et al. | Local novelty detection in multi-class recognition problems | |
Rashad et al. | Plants images classification based on textural features using combined classifier | |
Kozerawski et al. | Clear: Cumulative learning for one-shot one-class image recognition | |
CN111814584A (zh) | 基于多中心度量损失的多视角环境下车辆重识别方法 | |
CN103279768B (zh) | 一种基于增量学习人脸分块视觉表征的视频人脸识别方法 | |
JP2008310796A (ja) | コンピュータにより実施される、訓練データから分類器を構築し、前記分類器を用いてテストデータ中の移動物体を検出する方法 | |
CN101140624A (zh) | 图像匹配方法 | |
Opelt et al. | Object localization with boosting and weak supervision for generic object recognition | |
CN101561867A (zh) | 一种基于高斯形状特征的人体检测方法 | |
CN106326938B (zh) | 基于弱监督学习的sar图像目标鉴别方法 | |
CN105608443B (zh) | 一种多特征描述及局部决策加权的人脸识别方法 | |
CN101582113A (zh) | 一种具有身份的人脸图像分层比对识别方法 | |
Kawulok et al. | Skin detection using spatial analysis with adaptive seed | |
Barodi et al. | An enhanced artificial intelligence-based approach applied to vehicular traffic signs detection and road safety enhancement | |
El-Sayed et al. | Classification of vehicles’ types using histogram oriented gradients: comparative study and modification | |
Sharma et al. | Deep convolutional neural network with ResNet-50 learning algorithm for copy-move forgery detection | |
Feng et al. | Rapid ship detection method on movable platform based on discriminative multi-size gradient features and multi-branch support vector machine | |
Bi et al. | A hierarchical salient-region based algorithm for ship detection in remote sensing images | |
Mannan et al. | Optimized segmentation and multiscale emphasized feature extraction for traffic sign detection and recognition | |
Poostchi et al. | Feature selection for appearance-based vehicle tracking in geospatial video |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161116 |