CN107967474A - 一种基于卷积神经网络的海面目标显著性检测方法 - Google Patents
一种基于卷积神经网络的海面目标显著性检测方法 Download PDFInfo
- Publication number
- CN107967474A CN107967474A CN201711194989.4A CN201711194989A CN107967474A CN 107967474 A CN107967474 A CN 107967474A CN 201711194989 A CN201711194989 A CN 201711194989A CN 107967474 A CN107967474 A CN 107967474A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- conspicuousness
- image
- notable
- 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
Classifications
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的海面目标显著性检测方法,该方法包含如下步骤:S1,将待进行显著性检测的图像I输入训练好的卷积神经网络结构中得出图像的多尺度特征图,并对多尺度特征图进行显著性计算得到对应的第一显著图;S2,同时将待进行显著性检测的图像I进行颜色空间转换得到通道图像,对通道图像进行空间域的显著性计算得到对应的第二显著图;S3,对第一显著图和第二显著图进行融合得到最终显著图。本发明能够改善现有的显著性检测存在的特征提取不充分和鲁棒检测效果不好的问题,从而使显著性区域显著性提高,提高显著结果的精确度。
Description
技术领域
本发明涉及目标检测方法,特别涉及一种基于卷积神经网络的海面目标显著性检测方法。
背景技术
海面目标的检测与识别等问题在民用和军事领域上都具有重大意义。现如今,目前丰富的海面图像资源存在信息量过大、信息冗余的问题,如何从海量的图像中去除冗余并找到需要和感兴趣的信息,显著性检测作为解决这一问题的一个关键技术自然引起了广泛的关注,其核心就是提取图像中引起视觉注意的区域,能为海事监控、海难搜救、海事执法、船舶检测等提供机器辅助视觉并为提高后续图像处理以及决策的提供基础。
受大气、光照、云雾和海岛等海面不确定条件的影响,传统的海面目标显著性检测方法存在检测效率低和可靠性差等问题。早期的基于Itti显著性模型,其核心是模拟生物视觉模拟生物视觉设计的滤波器结构,虽然算法特征图分辨率不高,但是为后续的算法模型基础。随后基于图论的GVBS显著性模型,模型相对简单,但是特征提取不充分,显著区域表达效果不好。目前显著性检测模型开始越来越偏向于机器学习领域,基于机器学习方法设计的显著性检测模型,能够将显著性区域检测出来,并取得了良好的效果。但是显著性检测结果还是存在一些问题,如特征提取不足、显著区域表达不好、鲁棒性差和算法效率不高等问题。因此,需要对显著性检测的算法进行进一步的改进,便于后续的图像处理。
发明内容
本发明的目的是提供一种基于卷积神经网络的海面目标显著性检测方法,将卷积神经网络引入海面目标显著性检测过程中,通过先验的训练来模拟人类视觉系统对周围事物的积累,进而模拟人眼视觉系统对图像中感兴趣区域的判断,自动的学习合适的特征进行显著性的检测,改善现有的显著性检测存在的特征提取不充分和鲁棒检测效果不好的问题,从而使显著性区域显著性提高,提高显著结果的精确度。
为了实现以上目的,本发明是通过以下技术方案实现的:
一种基于卷积神经网络的海面目标显著性检测方法,其特征在于,该方法包含如下步骤:
S1,将待进行显著性检测的图像I输入训练好的卷积神经网络结构中得出图像的多尺度特征图,并对所述的多尺度特征图进行显著性计算得到对应的第一显著图;
S2,同时将待进行显著性检测的图像I进行颜色空间转换得到通道图像,对所述的通道图像进行空间域的显著性计算得到对应的第二显著图;
S3,对所述的第一显著图和第二显著图进行融合得到最终显著图。
所述的步骤S1中得出图像的多尺度特征图包含:
将待进行显著性检测的图像I输入训练好的卷积神经网络结构,对输入图像进行卷积操作得到对应的卷积层;
对得到的卷积层的特征图进行池化操作得到对应的池化层;
对所述的池化层进行相应次数的卷积和池化操作,得到多尺度特征图。
所述的步骤S1中对所述的多尺度特征图进行显著性计算得到对应的第一显著图为:
所述的多尺度特征图的图像集合为s={s1,s2,s3…sN},其中N个特征图中对应位置像素点(x,y)表示为1×N的向量f(x,y)(n),n={1,2,…N},则其正态概率分布函数为:
其中,
Σ=E[(f(x,y)(n)-μ)(f(x,y)(n)-u)Τ] (2)
u是包含N个特征图的平均值的平均矢量,Τ是转置操作,用Wk×k的2D高斯低通滤波器滤波卷积,获得频域部分的第一显著性图Sp:
所述的步骤S2具体包含:
S2.1,待进行显著性检测的图像I由RGB颜色空间转换至CIELab颜色空间,并提取亮度和两个颜色通道作为基本特征的通道图像L、通道图像a和通道图像b;
S2.2,分别对所述的通道图像L、通道图像a和通道图像b进行空间域的显著性计算得到对应空间局部显著图和
S2.3,计算第二显著性图ST:
所述的步骤S3具体为:
引入平均梯度作为自适应量值调整融合显著图的权重系数,平均梯度公式为:
其中,X和Y表示图像I的大小,ΔIx与ΔIy分别为图像I的x与y方向上的差分,分别计算ST以及Sp的平均梯度和综合考虑时域和频域特征,将空域局部信息和频域全局信息结合起来,以和自适应调整空域信息以及频域信息的权重:
其中,α+β=1,通过加权融合的方法得到最后的显著图Sfinal:
Sfinal=αST+βSP (7)。
在所述的步骤S1之前还包含:
S0,将所述的卷积神经网络结构在MASR数据库上训练,并初始化卷积神经网络结构的设置。
本发明与现有技术相比,具有以下优点:
将卷积神经网络引入海面目标显著性检测过程中,通过先验的训练来模拟人类视觉系统对周围事物的积累,进而模拟人眼视觉系统对图像中感兴趣区域的判断,自动的学习合适的特征进行显著性的检测,改善现有的显著性检测存在的特征提取不充分和鲁棒检测效果不好的问题,从而使显著性区域显著性提高,提高显著结果的精确度。
附图说明
图1为本发明一种基于卷积神经网络的海面目标显著性检测方法的示意图;
图2为本发明卷积神经网络的结构示意图。
具体实施方式
以下结合附图,通过详细说明一个较佳的具体实施例,对本发明做进一步阐述。
如图1所示,一种基于卷积神经网络的海面目标显著性检测方法,该方法包含如下步骤:
S1,将待进行显著性检测的图像I输入训练好的卷积神经网络结构中得出图像的多尺度特征图,并对所述的多尺度特征图进行显著性计算得到对应的第一显著图;
S2,同时将待进行显著性检测的图像I进行颜色空间转换得到通道图像,对所述的通道图像进行空间域的显著性计算得到对应的第二显著图;
S3,对所述的第一显著图和第二显著图进行融合得到最终显著图。
所述的步骤S1中得出图像的多尺度特征图包含:
将待进行显著性检测的图像I输入训练好的卷积神经网络结构,对输入图像进行卷积操作得到对应的卷积层;
对得到的卷积层的特征图进行池化操作得到对应的池化层;
对所述的池化层进行相应次数的卷积和池化操作,得到多尺度特征图;
如图2所示,在具体实施例中,将待进行显著性检测的图像I输入训练好的神经网络结构中得出图像的多尺度特征图集合s={s1,s2,s3…sN},其中N的大小由卷积核的数量决定;若将图像以256×256的大小输入网络,使用96个5×5的卷积核对输入图像进行卷积,得到96个特征图大小为252×252的卷积层(C1层)。之后对C1层的特征图进行池化,经过2×2的最大池化,得到96个126×126特征图的池化层(S1层),同样,卷积层(C2层)使用128个5×5的卷积核卷积S1层中的特征图,进行抽样窗口为2×2的池化,得到128个特征图大小为56×56的池化层(S2层),依次往后进行卷积和池化操作。
所述的步骤S1中对所述的多尺度特征图进行显著性计算得到对应的第一显著图为:
所述的多尺度特征图的图像集合为s={s1,s2,s3…sN},其中N个特征图中对应位置像素点(x,y)表示为1×N的向量f(x,y)(n),n={1,2,…N},则其正态概率分布函数为:
其中,
Σ=E[(f(x,y)(n)-μ)(f(x,y)(n)-u)Τ] (2)
u是包含N个特征图的平均值的平均矢量,Τ是转置操作,用Wk×k的2D高斯低通滤波器滤波卷积,获得频域部分的第一显著性图Sp:
所述的步骤S2具体包含:
S2.1,待进行显著性检测的图像I由RGB颜色空间转换至CIELab颜色空间,并提取亮度和两个颜色通道作为基本特征的通道图像L、通道图像a和通道图像b。
S2.2,分别对所述的通道图像L、通道图像a和通道图像b进行空间域的显著性计算得到对应空间局部显著图和
以L通道图像为例:R2是L中大小为的窗口,R1是R2内部区域,R1可以是一个像素或一个像素块,设像素p(x,y)为R1和R2的中心,R1和R2所包含的所有像素的特征值的平均值分别作为R1和R2的特征值。k(x,y)为R1和R2区域中的像素点。因此p(x,y)所在位置的空域局部显著值计算公式如下:
其中N1和N2分别是R1和R2中像素的个数,vk是k(x,y)的特征值或者特征向量,按照上述方法分别计算a,b空间的和
S2.3,计算第二显著性图ST:
所述的步骤S3具体为:
引入平均梯度作为自适应量值调整融合显著图的权重系数,平均梯度公式为:
其中,X和Y表示图像I的大小,ΔIx与ΔIy分别为图像I的x与y方向上的差分,分别计算ST以及Sp的平均梯度和综合考虑时域和频域特征,将空域局部信息和频域全局信息结合起来,以和自适应调整空域信息以及频域信息的权重:
其中,α+β=1,通过加权融合的方法得到最后的显著图Sfinal:
Sfinal=αST+βSP (9)。
在所述的步骤S1之前还包含:
S0,将所述的卷积神经网络结构在MASR数据库上训练,并初始化卷积神经网络结构的设置,具体的,将卷积神经网络结构在MASR数据库上训练,训练样本即数据库中的800幅图像,包括动植物,人和自然场景等。设置网络层数为9层,包括5个卷积层,2层池化层、2个全连接层。卷积核大小都为5×5;卷积核个数分别为96、128、384和256;池化窗口为2×2的最大池化,激活函数为Relu;初始化参数设置,精度控制参数ε初始化为0.01和学习率α初始化为1。batchsize设置为100,也就是每训练100个样本就调整一次权值;迭代周期epoch设置为64。
综上所述,本发明一种基于卷积神经网络的海面目标显著性检测方法,将卷积神经网络引入海面目标显著性检测过程中,通过先验的训练来模拟人类视觉系统对周围事物的积累,进而模拟人眼视觉系统对图像中感兴趣区域的判断,自动的学习合适的特征进行显著性的检测,改善现有的显著性检测存在的特征提取不充分和鲁棒检测效果不好的问题,从而使显著性区域显著性提高,提高显著结果的精确度。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (6)
1.一种基于卷积神经网络的海面目标显著性检测方法,其特征在于,该方法包含如下步骤:
S1,将待进行显著性检测的图像I输入训练好的卷积神经网络结构中得出图像的多尺度特征图,并对所述的多尺度特征图进行显著性计算得到对应的第一显著图;
S2,同时将待进行显著性检测的图像I进行颜色空间转换得到通道图像,对所述的通道图像进行空间域的显著性计算得到对应的第二显著图;
S3,对所述的第一显著图和第二显著图进行融合得到最终显著图。
2.如权利要求1所述的基于卷积神经网络的海面目标显著性检测方法,其特征在于,所述的步骤S1中得出图像的多尺度特征图包含:
将待进行显著性检测的图像I输入训练好的卷积神经网络结构,对输入图像进行卷积操作得到对应的卷积层;
对得到的卷积层的特征图进行池化操作得到对应的池化层;
对所述的池化层进行相应次数的卷积和池化操作,得到多尺度特征图。
3.如权利要求2所述的基于卷积神经网络的海面目标显著性检测方法,其特征在于,所述的步骤S1中对所述的多尺度特征图进行显著性计算得到对应的第一显著图为:
所述的多尺度特征图的图像集合为s={s1,s2,s3…sN},其中N个特征图中对应位置像素点(x,y)表示为1×N的向量f(x,y)(n),n={1,2,…N},则其正态概率分布函数为:
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</msub>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mi>&pi;</mi>
<mo>)</mo>
</mrow>
<mrow>
<mi>N</mi>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
<mo>|</mo>
<mi>&Sigma;</mi>
<msup>
<mo>|</mo>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>&times;</mo>
<msup>
<mi>e</mi>
<mrow>
<mrow>
<mo>(</mo>
<mrow>
<mo>-</mo>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
<msub>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>u</mi>
<msup>
<mo>)</mo>
<mi>T</mi>
</msup>
<msup>
<mi>&Sigma;</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>u</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,
Σ=E[(f(x,y)(n)-μ)(f(x,y)(n)-u)Τ] (2)
u是包含N个特征图的平均值的平均矢量,Τ是转置操作,用Wk×k的2D高斯低通滤波器滤波卷积,获得频域部分的第一显著性图Sp:
<mrow>
<msub>
<mi>S</mi>
<mi>p</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>=</mo>
<mo>(</mo>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
</mrow>
<mo>)</mo>
<msup>
<mo>)</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
</msup>
<mo>*</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>k</mi>
<mo>&times;</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
4.如权利要求3所述的基于卷积神经网络的海面目标显著性检测方法,其特征在于,所述的步骤S2具体包含:
S2.1,待进行显著性检测的图像I由RGB颜色空间转换至CIELab颜色空间,并提取亮度和两个颜色通道作为基本特征的通道图像L、通道图像a和通道图像b;
S2.2,分别对所述的通道图像L、通道图像a和通道图像b进行空间域的显著性计算得到对应空间局部显著图和
S2.3,计算第二显著性图ST:
<mrow>
<msub>
<mi>S</mi>
<mi>T</mi>
</msub>
<mo>=</mo>
<msub>
<mi>S</mi>
<msub>
<mi>T</mi>
<mi>L</mi>
</msub>
</msub>
<mo>+</mo>
<msub>
<mi>S</mi>
<msub>
<mi>T</mi>
<mi>a</mi>
</msub>
</msub>
<mo>+</mo>
<msub>
<mi>S</mi>
<msub>
<mi>T</mi>
<mi>b</mi>
</msub>
</msub>
<mo>.</mo>
</mrow>
5.如权利要求4所述的基于卷积神经网络的海面目标显著性检测方法,其特征在于,所述的步骤S3具体为:
引入平均梯度作为自适应量值调整融合显著图的权重系数,平均梯度公式为:
<mrow>
<mi>G</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>X</mi>
<mo>&times;</mo>
<mi>Y</mi>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>X</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>Y</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msqrt>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&Delta;I</mi>
<mi>x</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>&Delta;I</mi>
<mi>y</mi>
<mn>2</mn>
</msubsup>
<mo>)</mo>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,X和Y表示图像I的大小,ΔIx与ΔIy分别为图像I的x与y方向上的差分,分别计算ST以及Sp的平均梯度和综合考虑时域和频域特征,将空域局部信息和频域全局信息结合起来,以和自适应调整空域信息以及频域信息的权重:
<mrow>
<mi>&alpha;</mi>
<mo>=</mo>
<mfrac>
<msub>
<mi>G</mi>
<msub>
<mi>S</mi>
<mi>T</mi>
</msub>
</msub>
<mrow>
<msub>
<mi>G</mi>
<msub>
<mi>S</mi>
<mi>T</mi>
</msub>
</msub>
<mo>+</mo>
<msub>
<mi>G</mi>
<msub>
<mi>S</mi>
<mi>P</mi>
</msub>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>&beta;</mi>
<mo>=</mo>
<mfrac>
<msub>
<mi>G</mi>
<msub>
<mi>S</mi>
<mi>P</mi>
</msub>
</msub>
<mrow>
<msub>
<mi>G</mi>
<msub>
<mi>S</mi>
<mi>T</mi>
</msub>
</msub>
<mo>+</mo>
<msub>
<mi>G</mi>
<msub>
<mi>S</mi>
<mi>P</mi>
</msub>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,α+β=1,通过加权融合的方法得到最后的显著图Sfinal:
Sfinal=αST+βSP (7)。
6.如权利要求1所述的基于卷积神经网络的海面目标显著性检测方法,其特征在于,在所述的步骤S1之前还包含:
S0,将所述的卷积神经网络结构在MASR数据库上训练,并初始化卷积神经网络结构的设置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711194989.4A CN107967474A (zh) | 2017-11-24 | 2017-11-24 | 一种基于卷积神经网络的海面目标显著性检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711194989.4A CN107967474A (zh) | 2017-11-24 | 2017-11-24 | 一种基于卷积神经网络的海面目标显著性检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107967474A true CN107967474A (zh) | 2018-04-27 |
Family
ID=61997811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711194989.4A Pending CN107967474A (zh) | 2017-11-24 | 2017-11-24 | 一种基于卷积神经网络的海面目标显著性检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107967474A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086405A (zh) * | 2018-08-01 | 2018-12-25 | 武汉大学 | 基于显著性和卷积神经网络的遥感图像检索方法及系统 |
CN109151479A (zh) * | 2018-08-29 | 2019-01-04 | 南京邮电大学 | 基于h.264压缩域模式和空时特征的显著度提取方法 |
CN109547803A (zh) * | 2018-11-21 | 2019-03-29 | 北京航空航天大学 | 一种时空域显著性检测及融合方法 |
CN110414411A (zh) * | 2019-07-24 | 2019-11-05 | 中国人民解放军战略支援部队航天工程大学 | 基于视觉显著性的海面船只候选区域检测方法 |
CN110472639A (zh) * | 2019-08-05 | 2019-11-19 | 山东工商学院 | 一种基于显著性先验信息的目标提取方法 |
CN110610185A (zh) * | 2018-06-15 | 2019-12-24 | 阿里巴巴集团控股有限公司 | 图像的显著目标的检测方法、装置及设备 |
CN111291784A (zh) * | 2020-01-15 | 2020-06-16 | 上海理工大学 | 一种基于迁移显著性先验信息的服装属性识别方法 |
CN111833363A (zh) * | 2019-04-17 | 2020-10-27 | 南开大学 | 检测方法及装置 |
CN111950549A (zh) * | 2020-08-12 | 2020-11-17 | 上海大学 | 一种基于海天线与视觉显著性融合的海面障碍物检测方法 |
WO2021237555A1 (zh) * | 2020-05-28 | 2021-12-02 | 深圳市大疆创新科技有限公司 | 图像处理的方法、装置、可移动平台以及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800086A (zh) * | 2012-06-21 | 2012-11-28 | 上海海事大学 | 一种海上场景显著性检测方法 |
CN103413127A (zh) * | 2013-09-10 | 2013-11-27 | 上海海事大学 | 基于频谱奇异值分解的海上目标显著性检测方法 |
CN103632372A (zh) * | 2013-12-05 | 2014-03-12 | 宁波大学 | 一种视频显著图提取方法 |
CN104463855A (zh) * | 2014-11-25 | 2015-03-25 | 武汉科技大学 | 一种基于频域和空域结合的显著区域检测方法 |
CN105701477A (zh) * | 2016-02-19 | 2016-06-22 | 中原工学院 | 一种基于平稳小波变换视觉显著性的织物疵点检测方法 |
CN106157319A (zh) * | 2016-07-28 | 2016-11-23 | 哈尔滨工业大学 | 基于卷积神经网络的区域和像素级融合的显著性检测方法 |
CN106251355A (zh) * | 2016-08-03 | 2016-12-21 | 江苏大学 | 一种融合可见光图像与对应夜视红外图像的检测方法 |
CN107169516A (zh) * | 2017-05-11 | 2017-09-15 | 上海海事大学 | 基于k‑l变换的海上小目标显著性检测方法 |
CN107316285A (zh) * | 2017-07-05 | 2017-11-03 | 江南大学 | 面向苹果品质检测的图像融合方法 |
-
2017
- 2017-11-24 CN CN201711194989.4A patent/CN107967474A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800086A (zh) * | 2012-06-21 | 2012-11-28 | 上海海事大学 | 一种海上场景显著性检测方法 |
CN103413127A (zh) * | 2013-09-10 | 2013-11-27 | 上海海事大学 | 基于频谱奇异值分解的海上目标显著性检测方法 |
CN103632372A (zh) * | 2013-12-05 | 2014-03-12 | 宁波大学 | 一种视频显著图提取方法 |
CN104463855A (zh) * | 2014-11-25 | 2015-03-25 | 武汉科技大学 | 一种基于频域和空域结合的显著区域检测方法 |
CN105701477A (zh) * | 2016-02-19 | 2016-06-22 | 中原工学院 | 一种基于平稳小波变换视觉显著性的织物疵点检测方法 |
CN106157319A (zh) * | 2016-07-28 | 2016-11-23 | 哈尔滨工业大学 | 基于卷积神经网络的区域和像素级融合的显著性检测方法 |
CN106251355A (zh) * | 2016-08-03 | 2016-12-21 | 江苏大学 | 一种融合可见光图像与对应夜视红外图像的检测方法 |
CN107169516A (zh) * | 2017-05-11 | 2017-09-15 | 上海海事大学 | 基于k‑l变换的海上小目标显著性检测方法 |
CN107316285A (zh) * | 2017-07-05 | 2017-11-03 | 江南大学 | 面向苹果品质检测的图像融合方法 |
Non-Patent Citations (4)
Title |
---|
LINZHAO WANG等: "Saliency Detection with Recurrent Fully Convolutional Networks", 《EUROPEAN CONFERENCE ON COMPUTER VISION》 * |
宋明珠 等: "含噪光学遥感图像海面弱小舰船目标检测", 《光学学报》 * |
胡开云: "基于显著性信息的图像块压缩感知编码方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
臧风妮: "智能视频监控中海面舰船目标检测算法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110610185A (zh) * | 2018-06-15 | 2019-12-24 | 阿里巴巴集团控股有限公司 | 图像的显著目标的检测方法、装置及设备 |
CN110610185B (zh) * | 2018-06-15 | 2023-03-31 | 阿里巴巴集团控股有限公司 | 图像的显著目标的检测方法、装置及设备 |
CN109086405B (zh) * | 2018-08-01 | 2021-09-14 | 武汉大学 | 基于显著性和卷积神经网络的遥感图像检索方法及系统 |
CN109086405A (zh) * | 2018-08-01 | 2018-12-25 | 武汉大学 | 基于显著性和卷积神经网络的遥感图像检索方法及系统 |
CN109151479A (zh) * | 2018-08-29 | 2019-01-04 | 南京邮电大学 | 基于h.264压缩域模式和空时特征的显著度提取方法 |
CN109547803A (zh) * | 2018-11-21 | 2019-03-29 | 北京航空航天大学 | 一种时空域显著性检测及融合方法 |
CN109547803B (zh) * | 2018-11-21 | 2020-06-09 | 北京航空航天大学 | 一种时空域显著性检测及融合方法 |
CN111833363B (zh) * | 2019-04-17 | 2023-10-24 | 南开大学 | 图像边缘和显著性检测方法及装置 |
CN111833363A (zh) * | 2019-04-17 | 2020-10-27 | 南开大学 | 检测方法及装置 |
CN110414411A (zh) * | 2019-07-24 | 2019-11-05 | 中国人民解放军战略支援部队航天工程大学 | 基于视觉显著性的海面船只候选区域检测方法 |
CN110414411B (zh) * | 2019-07-24 | 2021-06-08 | 中国人民解放军战略支援部队航天工程大学 | 基于视觉显著性的海面船只候选区域检测方法 |
CN110472639A (zh) * | 2019-08-05 | 2019-11-19 | 山东工商学院 | 一种基于显著性先验信息的目标提取方法 |
CN110472639B (zh) * | 2019-08-05 | 2023-04-18 | 山东工商学院 | 一种基于显著性先验信息的目标提取方法 |
CN111291784A (zh) * | 2020-01-15 | 2020-06-16 | 上海理工大学 | 一种基于迁移显著性先验信息的服装属性识别方法 |
WO2021237555A1 (zh) * | 2020-05-28 | 2021-12-02 | 深圳市大疆创新科技有限公司 | 图像处理的方法、装置、可移动平台以及系统 |
CN111950549B (zh) * | 2020-08-12 | 2022-07-22 | 上海大学 | 一种基于海天线与视觉显著性融合的海面障碍物检测方法 |
CN111950549A (zh) * | 2020-08-12 | 2020-11-17 | 上海大学 | 一种基于海天线与视觉显著性融合的海面障碍物检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107967474A (zh) | 一种基于卷积神经网络的海面目标显著性检测方法 | |
CN104978580B (zh) | 一种用于无人机巡检输电线路的绝缘子识别方法 | |
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
CN108596101B (zh) | 一种基于卷积神经网络的遥感图像多目标检测方法 | |
CN109934200B (zh) | 一种基于改进M-Net的RGB彩色遥感图像云检测方法及系统 | |
CN110348376B (zh) | 一种基于神经网络的行人实时检测方法 | |
CN104392228B (zh) | 基于条件随机场模型的无人机图像目标类检测方法 | |
CN107944442A (zh) | 基于改进卷积神经网络的对象检测装置及方法 | |
CN107392130A (zh) | 基于阈值自适应和卷积神经网络的多光谱图像分类方法 | |
CN105825511A (zh) | 一种基于深度学习的图片背景清晰度检测方法 | |
CN107247930A (zh) | 基于cnn和选择性注意机制的sar图像目标检测方法 | |
CN106682569A (zh) | 一种基于卷积神经网络的快速交通标识牌识别方法 | |
CN107016405A (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
CN107092870A (zh) | 一种高分辨率影像语意信息提取方法及系统 | |
CN105160310A (zh) | 基于3d卷积神经网络的人体行为识别方法 | |
CN105069746A (zh) | 基于局部仿射和颜色迁移技术的视频实时人脸替换方法及其系统 | |
CN104299006A (zh) | 一种基于深度神经网络的车牌识别方法 | |
CN108122003A (zh) | 一种基于深度神经网络的弱小目标识别方法 | |
CN106991666A (zh) | 一种适用于多尺寸图片信息的病害图像识别方法 | |
CN112070729A (zh) | 一种基于场景增强的anchor-free遥感图像目标检测方法及系统 | |
CN113989662A (zh) | 一种基于自监督机制的遥感图像细粒度目标识别方法 | |
CN110009648A (zh) | 基于深浅特征融合卷积神经网络的路侧图像车辆分割方法 | |
CN106991147A (zh) | 一种植物识别系统及识别方法 | |
CN111626176A (zh) | 一种遥感图像的地物目标检测方法及系统 | |
CN111161224A (zh) | 基于深度学习的铸件内部缺陷分级评估系统及方法 |
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 |
Application publication date: 20180427 |
|
RJ01 | Rejection of invention patent application after publication |