CN107085733A - 基于cnn深度学习的近岸红外舰船识别方法 - Google Patents

基于cnn深度学习的近岸红外舰船识别方法 Download PDF

Info

Publication number
CN107085733A
CN107085733A CN201710339880.9A CN201710339880A CN107085733A CN 107085733 A CN107085733 A CN 107085733A CN 201710339880 A CN201710339880 A CN 201710339880A CN 107085733 A CN107085733 A CN 107085733A
Authority
CN
China
Prior art keywords
cnn
layer
mrow
offshore
output
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
Application number
CN201710339880.9A
Other languages
English (en)
Inventor
闫龙
马加庆
周伟
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.)
Shandong Technology and Business University
Original Assignee
Shandong Technology and Business University
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 Shandong Technology and Business University filed Critical Shandong Technology and Business University
Priority to CN201710339880.9A priority Critical patent/CN107085733A/zh
Publication of CN107085733A publication Critical patent/CN107085733A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及红外舰船识别技术领域，尤其涉及一种基于CNN深度学习的近岸红外舰船识别方法。包括以下步骤：步骤1、设置CNN深层神经网络模型的网络结构参数；步骤2、选取训练样本数据，根据设置的网络结构参数进行CNN训练；步骤3、将测试图像输入训练后的CNN网络，若测试成功率达98％以上，导出LeNet‑weights文件，存储网络结构参数；步骤4、识别时根据红外分割与跟踪程序，将跟踪窗口中的目标转化为向量，输入CNN网络中并进行预测，输出的score值即为目标预测类型。本发明相比传统舰船识别方法，识别速度快，识别精度更高，为近岸舰船的准确识别提供了有效保障。

Description

基于CNN深度学习的近岸红外舰船识别方法
技术领域
本发明涉及红外舰船识别技术领域，尤其涉及一种基于CNN深度学习的近岸红外舰船识别方法。
背景技术
深度学习是机器学习研究中的一个新领域，其动机在于建立模拟人脑进行分析和学习的神经网络，并模拟人脑的机制来解释数据。其本质是一种多层神经网络的学习结构，通过组合转化低层数据特征形成更加抽象的高层的数据特征，以发现数据的分布式特征表示的一种方法。近年来深度学习在人工智能的各领域都取得突破性进展，尤其在图像识别、语音识别领域打破了传统机器学习方法保持的记录。另外在自然语言理解的各项任务中也取得了非常可喜的成果。
CNN(convolutional neural networks)是一种有监督的深层神经网络模型，被认为是第一个真正多层结构的深度学习网络，最初是由学者LeCun于1998年提出，其本质是一个多层感知机，目前已被成功应用于目标检测、分割、识别以及图像的各个领域，尤其是在人脸识别领域取得了突破性进展。
近年来，CNN在深度学习领域展现出了强大威力，在机器学习的各个领域都取得了可喜的成绩，尤其在图像识别领域取得了突破性进展，其识别准确率远远超越了传统的识别方法。CNN之所以在图像识别领域取得巨大成功，主要归咎于其强大的数据表征能力，通过CNN不但可以提取输入图像的低层次特征，也可以提取图像的高层次抽象特征，而这些高层次特征通常具有较强的鲁棒性。
红外目标识别在军事领域有重要的研究价值，国内外学者提出了很多种识别方法，这些方法通常是先提取目标的特征，然后再根据目标先验知识构造相应的决策模型，通过计算待识别目标和目标模型的特征匹配度来完成对目标的识别。常用的统计特征如灰度均值、方差、对比度和纹理等；常见的形状特征如长宽比、占空比、紧凑度、轮廓形状和不变矩等。但在实际中，目标的这些特征通常会受环境和目标的平移、旋转、尺度、成像视角变化的影响，导致目标特征模型的失效，从而做出错误的判定。因此，如何利用CNN深层神经网络进行红外舰船目标的准确识别成为该领域的一个新的研究方向。
发明内容
为解决上述问题，本发明提出了一种基于CNN深度学习的近岸红外舰船识别方法，充分利用CNN网络的优势，实现舰船目标的准确识别。
本发明采用的技术方案如下：
一种基于CNN深度学习的近岸红外舰船识别方法，包括以下步骤：
步骤1、设置CNN深层神经网络模型的网络结构参数；该CNN网络模型包括输入层、卷积层和下采样层的组合层两层、全连接层两层及输出层；
步骤2、选取训练样本数据，根据设置的网络结构参数进行CNN训练；
步骤3、将测试图像输入训练后的CNN网络，若测试成功率达98％以上，导出LeNet-weights文件，存储网络结构参数；
步骤4、识别时根据红外分割与跟踪程序，将跟踪窗口中的目标转化为向量，输入CNN网络中并进行预测，输出的score值即为目标预测类型。
优选的，步骤1中卷积层的卷积核窗大小为5×5，核窗跨度为1个像素。
步骤1的具体过程如下：图像在输入之前先归一化为32×32大小，C1层卷积层采用6个核窗大小为5×5的卷积核滤波器，得到6个分辨率为28×28的特征图，再对C1层进行2×2下采样，在S2层下采样层得到6个分辨率为14×14的特征图；C3层卷积层采用16个核窗大小为5×5的卷积核滤波器，得到16个分辨率为10×10的特征图，再对C3层进行2×2下采样，在S4层下采样层得到16个分辨率为5×5的特征图；然后经过两个全连接层，最后一层输出层是Softmax回归分类器，得到4维的输出向量。
步骤2中CNN训练方法为：
给定样本(X_i,Y_i)_(i＝1…n)，X_i为样本数据，Y_i为期望输出；
第一阶段，向前传播阶段：
1)从样本集中取一个样本(X_i,Y_i)，将X_i输入CNN网络；
2)计算相应的实际输出O_i；
在此阶段，信息从输入层经过逐级的变换，传送到输出层；
第二阶段，向后传播阶段：
1)计算实际输出O_i与相应的理想输出Y_i的差；
2)按极小化误差的方法反向传播调整权矩阵；
重复上述过程，直到误差小于预先指定的阈值或达到预先设定的迭代次数为止。
CNN是一种多层的监督学习神经网络，隐含层的卷积层和下采样层是实现CNN网络特征提取功能的核心模块，该网络模型通过采用梯度下降法最小化损失函数对网络中的权重参数逐层反向调节，通过频繁的迭代训练提高网络的精度。CNN的低隐层是由卷积层和下采样层交替组成，高层是全连接层对应传统多层感知器的隐含层和逻辑回归分类器。第一个全连接层的输入是由卷积层和下采样层进行特征提取得到的特征图像。最后一层输出层是一个分类器，可以采用逻辑回归、Softmax回归甚至是支持向量机对输入图像进行分类。
定义损失函数为：
其中，Xi为训练样本图像数据，yi为样本类别符号，T是矩阵的转置符号，N为样本个数，f(Xi)为最后一层的输出向量，λ为大于0的常数，L为CNN网络层数，Wk为各层神经元连接权值矩阵。
将识别的目标限定为四类，即：帆船、货船、客船和拖船，其类别符号分别用1、2、3、4表示，则yi是1、2、3、4中的其中一个。
对于所定义的损失函数，为提高训练速度，我们采用随机梯度迭代算法使其最小化，直到损失函数的梯度小于某个预先指定的阈值或达到预先指定的迭代次数为止。训练好的网络结构参数经测试合格后，以文件的形式存储到计算机硬盘中，以便在线跟踪识别时加载网络模型。
本发明采用CNN网络进行特征提取，将其用于近岸红外舰船目标识别，相比传统舰船识别方法，识别速度快，识别精度更高，为近岸舰船的准确识别提供了有效保障。
附图说明
图1是本发明方法流程示意图；
图2是CNN网络结构示意图；
图3是实施例CNN训练样本图；
图4是实施例CNN测试样本图；
图5是识别结果截图一；
图6是识别结果截图二；
图7是识别结果截图三；
图8是识别结果截图四；
图9是识别结果截图五；
图10是识别结果截图六；
图中，1、输入层，2、卷积层，3、下采样层，4、卷积层，5、下采样层，6、全连接层，7、全连接层，8、输出层。
具体实施方式
下面结合附图对本发明的具体实施方式进行详细说明。
一种基于CNN深度学习的近岸红外舰船识别方法，如图1所示，包括以下步骤：
首先，设置CNN深层神经网络模型的网络结构参数。
如图2所示，CNN网络模型包括输入层1、卷积层和下采样层的组合层两层、全连接层两层及输出层8，共有八层。卷积层卷积核窗大小为5×5，核窗跨度(stride)为1个像素。C1层卷积层2采用6个核窗大小为5×5的卷积核滤波器，得到6个分辨率为28×28的特征图，再对C1层进行2×2下采样，在S2层下采样层3得到6个分辨率为14×14的特征图；C3层卷积层4采用16个核窗大小为5×5的卷积核滤波器，得到16个分辨率为10×10的特征图，再对C3层进行2×2下采样，在S4层下采样层5得到16个分辨率为5×5的特征图；然后经过两个全连接层6、7，最后一层输出层8是Softmax回归分类器，得到4维的输出向量。
然后，选取训练样本数据，根据设置的网络结构参数进行CNN训练。
对采集的红外视频图像截图，获取训练样本。对于标定的训练数据集其中Xi为训练样本图像数据，yi为其类别符号，N为样本个数。在训练之前，先将训练样本图像数据归一化为分辨率32×32大小的灰度图像块，并转化为灰度图，然后按行将灰度图像块转化成1024维的向量。在此将识别的目标限定为四类，即：帆船、货船、客船和拖船，其类别符号分别用1、2、3、4表示，因此训练样本集中的yi是1、2、3、4中的其中一个。
CNN的训练过程与传统神经网络类似，也是参照了反向传播算法。
具体的CNN训练方法为：
给定样本(X_i,Y_i)_(i＝1…n)，X_i为样本数据，Y_i为期望输出；
第一阶段，向前传播阶段：
1)从样本集中取一个样本(X_i,Y_i)，将X_i输入CNN网络；
2)计算相应的实际输出O_i；
在此阶段，信息从输入层经过逐级的变换，传送到输出层；这个过程也是网络在完成训练后正常运行时执行的过程。在此过程中，网络执行以下计算(实际上就是输入与每层的权值矩阵相点乘，得到最后的输出结果)：
O_i＝F_n(…F_2(F_1(X_i W_1+b_1)W_2+b_2)…〖)W〗_n+b_n)(5-1)。
第二阶段，向后传播阶段：
1)计算实际输出O_i与相应的理想输出Y_i的差；
2)按极小化误差的方法反向传播调整权矩阵；
重复上述过程，直到误差小于预先指定的阈值或达到预先设定的迭代次数为止。
定义损失函数为：
其中，Xi为训练样本图像数据，yi为样本类别符号，T是矩阵的转置符号，N为样本个数，f(Xi)为最后一层的输出向量，λ为大于0的常数，L为CNN网络层数，Wk为各层神经元连接权值矩阵。为提高训练速度，采用随机梯度迭代算法使损失函数最小化，直到其梯度小于某个预先指定的阈值或达到预先指定的迭代次数为止。
然后，将测试图像样本输入训练后的CNN网络，若测试成功率达98％以上，导出LeNet-weights文件，将训练好的网络结构参数存储到计算机硬盘中，以便在线跟踪识别时加载网络模型。
最后，识别时根据红外分割与跟踪程序，将跟踪窗口中的目标转化为向量，输入CNN网络中并进行预测，输出的score值即为目标预测类型。
下面举例说明本发明的具体应用过程：
为验证该识别方法的有效性，我们从现有的视频中提取了帆船、货船、客船和拖船的样本数据420个，其中350个样本用来训练CNN模型，训练样本数据如图3所示(训练数据的提取也可以在跟踪过程中提取样本数据)。在样本数据中，帆船和拖船的表观变化较小；货船的样本来自三段不同的视频数据，从图4(b)-(d)中可以看出来自不同视频的货船样本的表观变化较大。客船样本也是来自两段视频，这两段视频中客船的表观变化也较大。在实验中，测试样本数据70个，类别如图3所示。
对所示的测试样本，我们在所开发的软件中进行了在线跟踪识别测试，跟踪识别结果如图5-10所示，可以看出图5-9中的帆船、客船、货船、拖船都能正确识别，只有图10识别错误，这是因为该货船装满货物，红外成像宽度较小，同时海岸背景干扰较为严重，跟踪出现了较大的偏差，因此出现了识别错误。

Claims (6)

1.一种基于CNN深度学习的近岸红外舰船识别方法，其特征在于包括以下步骤：
步骤1、设置CNN深层神经网络模型的网络结构参数；该CNN网络模型包括输入层、卷积层和下采样层的组合层两层、全连接层两层及输出层；
步骤2、选取训练样本数据，根据设置的网络结构参数进行CNN训练；
步骤3、将测试图像输入训练后的CNN网络，若测试成功率达98％以上，导出LeNet-weights文件，存储网络结构参数；
步骤4、识别时根据红外分割与跟踪程序，将跟踪窗口中的目标转化为向量，输入CNN网络中并进行预测，输出的score值即为目标预测类型。
2.根据权利要求1所述的基于CNN深度学习的近岸红外舰船识别方法，其特征在于：步骤1中卷积层的卷积核窗大小为5×5，核窗跨度为1个像素。
3.根据权利要求2所述的基于CNN深度学习的近岸红外舰船识别方法，其特征在于：步骤1的具体过程如下：图像在输入之前先归一化为32×32大小，C1层卷积层采用6个核窗大小为5×5的卷积核滤波器，得到6个分辨率为28×28的特征图，再对C1层进行2×2下采样，在S2层下采样层得到6个分辨率为14×14的特征图；C3层卷积层采用16个核窗大小为5×5的卷积核滤波器，得到16个分辨率为10×10的特征图，再对C3层进行2×2下采样，在S4层下采样层得到16个分辨率为5×5的特征图；然后经过两个全连接层，最后一层输出层是Softmax回归分类器，得到4维的输出向量。
4.根据权利要求1所述的基于CNN深度学习的近岸红外舰船识别方法，其特征在于：步骤2中CNN训练方法为：
给定样本(X_i,Y_i)_(i＝1…n)，X_i为样本数据，Y_i为期望输出；
第一阶段，向前传播阶段：
1)从样本集中取一个样本(X_i,Y_i)，将X_i输入CNN网络；
2)计算相应的实际输出O_i；
在此阶段，信息从输入层经过逐级的变换，传送到输出层；
第二阶段，向后传播阶段：
1)计算实际输出O_i与相应的理想输出Y_i的差；
2)按极小化误差的方法反向传播调整权矩阵；
重复上述过程，直到误差小于预先指定的阈值或达到预先设定的迭代次数为止。
5.根据权利要求4所述的基于CNN深度学习的近岸红外舰船识别方法，其特征在于：定义损失函数为：
<mrow> <mi>J</mi> <mrow> <mo>(</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>-</mo> <mfrac> <mn>1</mn> <mi>N</mi> </mfrac> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </msubsup> <msubsup> <mi>y</mi> <mi>i</mi> <mi>T</mi> </msubsup> <mi>log</mi> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>+</mo> <msubsup> <mi>&amp;lambda;&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>L</mi> </msubsup> <mi>s</mi> <mi>u</mi> <mi>m</mi> <mrow> <mo>(</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>W</mi> <mi>k</mi> </msub> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
其中，Xi为训练样本图像数据，yi为样本类别符号，T是矩阵的转置符号，N为样本个数，f(Xi)为最后一层的输出向量，λ为大于0的常数，L为CNN网络层数，Wk为各层神经元连接权值矩阵。
6.根据权利要求5所述的基于CNN深度学习的近岸红外舰船识别方法，其特征在于：将识别的目标限定为四类，即：帆船、货船、客船和拖船，其类别符号分别用1、2、3、4表示，则yi是1、2、3、4中的其中一个。
CN201710339880.9A 2017-05-15 2017-05-15 基于cnn深度学习的近岸红外舰船识别方法 Pending CN107085733A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710339880.9A CN107085733A (zh) 2017-05-15 2017-05-15 基于cnn深度学习的近岸红外舰船识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710339880.9A CN107085733A (zh) 2017-05-15 2017-05-15 基于cnn深度学习的近岸红外舰船识别方法

Publications (1)

Publication Number Publication Date
CN107085733A true CN107085733A (zh) 2017-08-22

Family

ID=59607490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710339880.9A Pending CN107085733A (zh) 2017-05-15 2017-05-15 基于cnn深度学习的近岸红外舰船识别方法

Country Status (1)

Country Link
CN (1) CN107085733A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256634A (zh) * 2018-02-08 2018-07-06 杭州电子科技大学 一种基于轻量级深度神经网络的船舶目标检测方法
CN110033038A (zh) * 2019-04-09 2019-07-19 电子科技大学 气动热试验数据的智能选取算法
CN110175535A (zh) * 2019-05-08 2019-08-27 广州中交通信有限公司 一种基于深度学习的船舶识别系统及其识别方法
CN110188628A (zh) * 2019-05-13 2019-08-30 北京遥感设备研究所 一种基于深度学习模型的rd图像舰船目标识别方法
CN110414509A (zh) * 2019-07-25 2019-11-05 中国电子科技集团公司第五十四研究所 基于海陆分割和特征金字塔网络的港口停靠舰船检测方法
CN110782481A (zh) * 2019-10-18 2020-02-11 华中光电技术研究所（中国船舶重工集团有限公司第七一七研究所） 无人艇智能决策方法及系统
CN111967419A (zh) * 2020-08-25 2020-11-20 深圳大学 一种坝岸险情预测方法、装置、计算机设备及存储介质
CN112285712A (zh) * 2020-10-15 2021-01-29 电子科技大学 一种提高sar图像中靠岸船只检测精度的方法
CN112926382A (zh) * 2021-01-08 2021-06-08 浙江大学 一种改善目标聚类特性的深度学习激光水下目标识别仪
CN113901927A (zh) * 2021-10-12 2022-01-07 大连海事大学 一种基于流场压力时程的水下物体外形识别方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101609504A (zh) * 2009-07-21 2009-12-23 华中科技大学 一种红外图像海面目标检测识别定位方法
CN104517103A (zh) * 2014-12-26 2015-04-15 广州中国科学院先进技术研究所 一种基于深度神经网络的交通标志分类方法
CN105528638A (zh) * 2016-01-22 2016-04-27 沈阳工业大学 灰色关联分析法确定卷积神经网络隐层特征图个数的方法
CN105740349A (zh) * 2016-01-25 2016-07-06 重庆邮电大学 一种结合Doc2vec和卷积神经网络的情感分类方法
CN105913076A (zh) * 2016-04-07 2016-08-31 西安电子科技大学 基于深度方向波网络的极化sar图像分类方法
CN106127783A (zh) * 2016-07-01 2016-11-16 武汉泰迪智慧科技有限公司 一种基于深度学习的医疗影像识别系统
CN106169075A (zh) * 2016-07-11 2016-11-30 北京小米移动软件有限公司 身份验证方法及装置
CN106203444A (zh) * 2016-07-01 2016-12-07 西安电子科技大学 基于条带波与卷积神经网络的极化sar图像分类方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101609504A (zh) * 2009-07-21 2009-12-23 华中科技大学 一种红外图像海面目标检测识别定位方法
CN104517103A (zh) * 2014-12-26 2015-04-15 广州中国科学院先进技术研究所 一种基于深度神经网络的交通标志分类方法
CN105528638A (zh) * 2016-01-22 2016-04-27 沈阳工业大学 灰色关联分析法确定卷积神经网络隐层特征图个数的方法
CN105740349A (zh) * 2016-01-25 2016-07-06 重庆邮电大学 一种结合Doc2vec和卷积神经网络的情感分类方法
CN105913076A (zh) * 2016-04-07 2016-08-31 西安电子科技大学 基于深度方向波网络的极化sar图像分类方法
CN106127783A (zh) * 2016-07-01 2016-11-16 武汉泰迪智慧科技有限公司 一种基于深度学习的医疗影像识别系统
CN106203444A (zh) * 2016-07-01 2016-12-07 西安电子科技大学 基于条带波与卷积神经网络的极化sar图像分类方法
CN106169075A (zh) * 2016-07-11 2016-11-30 北京小米移动软件有限公司 身份验证方法及装置

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256634A (zh) * 2018-02-08 2018-07-06 杭州电子科技大学 一种基于轻量级深度神经网络的船舶目标检测方法
CN110033038A (zh) * 2019-04-09 2019-07-19 电子科技大学 气动热试验数据的智能选取算法
CN110033038B (zh) * 2019-04-09 2022-08-05 电子科技大学 气动热试验数据的智能选取算法
CN110175535A (zh) * 2019-05-08 2019-08-27 广州中交通信有限公司 一种基于深度学习的船舶识别系统及其识别方法
CN110175535B (zh) * 2019-05-08 2023-07-04 广州中交通信有限公司 一种基于深度学习的船舶识别系统及其识别方法
CN110188628A (zh) * 2019-05-13 2019-08-30 北京遥感设备研究所 一种基于深度学习模型的rd图像舰船目标识别方法
CN110414509A (zh) * 2019-07-25 2019-11-05 中国电子科技集团公司第五十四研究所 基于海陆分割和特征金字塔网络的港口停靠舰船检测方法
CN110782481B (zh) * 2019-10-18 2023-09-05 华中光电技术研究所（中国船舶重工集团有限公司第七一七研究所） 无人艇智能决策方法及系统
CN110782481A (zh) * 2019-10-18 2020-02-11 华中光电技术研究所（中国船舶重工集团有限公司第七一七研究所） 无人艇智能决策方法及系统
CN111967419A (zh) * 2020-08-25 2020-11-20 深圳大学 一种坝岸险情预测方法、装置、计算机设备及存储介质
CN111967419B (zh) * 2020-08-25 2023-06-20 深圳大学 一种坝岸险情预测方法、装置、计算机设备及存储介质
CN112285712B (zh) * 2020-10-15 2023-09-15 电子科技大学 一种提高sar图像中靠岸船只检测精度的方法
CN112285712A (zh) * 2020-10-15 2021-01-29 电子科技大学 一种提高sar图像中靠岸船只检测精度的方法
CN112926382A (zh) * 2021-01-08 2021-06-08 浙江大学 一种改善目标聚类特性的深度学习激光水下目标识别仪
CN112926382B (zh) * 2021-01-08 2022-06-24 浙江大学 一种改善目标聚类特性的深度学习激光水下目标识别仪
CN113901927B (zh) * 2021-10-12 2023-02-03 大连海事大学 一种基于流场压力时程的水下物体外形识别方法
CN113901927A (zh) * 2021-10-12 2022-01-07 大连海事大学 一种基于流场压力时程的水下物体外形识别方法

Similar Documents

Publication Publication Date Title
CN107085733A (zh) 基于cnn深度学习的近岸红外舰船识别方法
CN107122798A (zh) 基于深度卷积网络的引体向上计数检测方法及装置
CN110532859A (zh) 基于深度进化剪枝卷积网的遥感图像目标检测方法
CN110929736B (zh) 多特征级联rgb-d显著性目标检测方法
CN113569667B (zh) 基于轻量级神经网络模型的内河船舶目标识别方法及系统
CN107529650A (zh) 网络模型的构建和闭环检测方法、相应装置及计算机设备
CN110096711A (zh) 序列全局关注和局部动态关注的自然语言语义匹配方法
CN106651915B (zh) 基于卷积神经网络的多尺度表达的目标跟踪方法
CN108021947A (zh) 一种基于视觉的分层极限学习机目标识别方法
CN110189304A (zh) 基于人工智能的光学遥感图像目标在线快速检测方法
CN107657204A (zh) 深层网络模型的构建方法及人脸表情识别方法和系统
CN113486851A (zh) 基于双分支光谱多尺度注意力网络的高光谱图像分类方法
CN107563430A (zh) 一种基于稀疏自动编码器和灰度关联分析法的卷积神经网络算法优化方法
CN113408340B (zh) 基于增强型特征金字塔的双极化sar小型船只检测方法
CN109559315A (zh) 一种基于多路径深度神经网络的水面分割方法
Gao et al. Blnn: multiscale feature fusion-based bilinear fine-grained convolutional neural network for image classification of wood knot defects
CN115966010A (zh) 一种基于注意力和多尺度特征融合的表情识别方法
CN114511710A (zh) 一种基于卷积神经网络的图像目标检测方法
Tereikovskyi et al. The method of semantic image segmentation using neural networks
CN111145145A (zh) 一种基于MobileNets的图像表面缺陷检测方法
CN112560948A (zh) 数据偏差下的眼底图分类方法及成像方法
Cheng et al. Student action recognition based on deep convolutional generative adversarial network
CN113420289B (zh) 面向深度学习模型的隐蔽中毒攻击防御方法及其装置
CN114170657A (zh) 融合注意力机制与高阶特征表示的面部情感识别方法
CN115861306B (zh) 一种基于自监督拼图模块的工业品异常检测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170822