CN107992818B - 一种光学遥感图像海面船只目标的检测方法 - Google Patents
一种光学遥感图像海面船只目标的检测方法 Download PDFInfo
- Publication number
- CN107992818B CN107992818B CN201711226037.6A CN201711226037A CN107992818B CN 107992818 B CN107992818 B CN 107992818B CN 201711226037 A CN201711226037 A CN 201711226037A CN 107992818 B CN107992818 B CN 107992818B
- Authority
- CN
- China
- Prior art keywords
- ship
- target
- remote sensing
- detection
- sensing image
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种光学遥感图像海面船只目标的检测方法,涉及针对光学卫星的海域船只快速检测方法,解决现有光学遥感图像海面船只目标的检测方法存在适应性较差,算法过于复杂,光学遥感图像处理和检测难度偏大,导致船舶检测虚警率和漏检率高,不利于快速、准确信息获取的问题,利用haar‑like特征进行海上船舶检测。利用多源遥感影像构建船只组建样本库;然后对样本进行旋转;接着对RGB三谱段遥感图像进行谱段运算的预处理,提高目标和海面背景的对比度,以降低目标检测的漏检率;然后训练基于haar‑like特征的Adaboost分类器,实现船舶粗检测;然后对粗检测获取的船舶区进行分割处理,通过判断目标长宽比、对称性等几何特征,进一步排除海浪、云雾等,并获取船舶目标的几何信息。
Description
技术领域
本发明涉及一种针对光学卫星的海域船只快速检测方法,可用于快速、准确的船只检测,不仅适用于地面数据处理系统,也可用于在对实时性要求较高的卫星在轨处理系统方面。
背景技术
随着交通运输的日益发展,船舶已经成为人们开发海洋,利用海洋的重要工具之一。通过对海面上行驶船舶的监视与检测,可以有效的对特定海域、海湾和港口内的水运交通进行管制,提高我国海运监控,管理和调度能力,以便快速处理或者尽量避免海运交通事故,因此海上船只目标的快速检测技术具有重要的研究意义与应用价值。
专利“一种光学遥感影像船只检测方法,公开号:CN103984945A”公开了以一种光学遥感影像船只检测方法,利用水体光谱信息与空间结构信息实现水面均质区域的分割,同时利用统计检验方法获取最优背景概率密度函数实现最优化CFAR船只目标检测,但该方法属于无监督算法,与本发明相比适应性低,不利于大规模使用。专利“一种复杂背景sar图像舰船尾迹检测方法,公开号:CN103985125B”公开了一种复杂背景sar图像舰船尾迹检测方法,通过对sar图像进行结构-纹理分解以实现船只检测,但与携带丰富信息的光学遥感图像相比,sar图像信息较少,不利用船只的精确识别。本发明采用机器学习和物理特征约束相结合的方式,可实现光学遥感图像中船只的高精度检测,为后期目标型号识别奠定基础。
发明内容
本发明为解决现有光学遥感图像海面船只目标的检测方法存在适应性较差,算法过于复杂,光学遥感图像处理和检测难度偏大,导致船舶检测虚警率和漏检率高,不利于快速、准确信息获取的问题,提供一种光学遥感图像海面船只目标的检测方法。
光学遥感图像海面船只目标的快速检测方法,该方法由以下步骤实现:
步骤一、构建Adaboost船只检测分类器,基于Haar-like特征,训练Adaboost船只检测分类器,实现船只粗检测;
步骤一一、收集多源遥感影像,包括船只、云雾、海浪或礁石的遥感图像样本,构建目标样本库;
步骤一二、对步骤一一样本库中的样本进行多角度旋转处理,获得不同旋转角度的训练样本;
步骤一三、采用RGB三通道光谱谱间运算的预处理方法对步骤一二获得的训练样本进行处理,提高船只样本与海面对比度;
步骤一四、采用步骤一三获得的样本训练基于Haar-like特征的Adaboost船只检测分类器,实现船只粗检测;
步骤二、输入待测图像,并对待测图像进行RGB谱间变换,然后再采用步骤一训练的Adaboost船只检测分类器进行待测图像中船只候选区域的提取;
步骤三、对步骤二中提取的候选区域首先进行高斯滤波处理,然后采用最大类间插分法进行二值化处理,实现船只目标与背景的分割;
步骤四、对步骤三分割后的图像采用形态学闭运算修复轮廓信息,并进行连通域检测处理;
步骤五、采用图像的二维像素信息计算步骤四中连通域的二维协方差矩阵,获得连通域主轴方向,并将图像按照主轴值进行旋转,保证旋转后目标主轴水平或垂直;
步骤六、计算步骤五中连通域的全局对称性C3;
若C3≥C0,则执行步骤七,若C3<C0,选择下一个侯选区域,执行步骤八;C0为对称性阈值;
步骤七、计算连通域长宽比η;若η≥η0,输出船只信息;执行步骤八;若η<η0,执行步骤八,η0为长宽比阈值;
步骤八、判断是否为最后一个侯选区域,如果否,执行步骤三;如果是,结束。
本发明的有益效果:本发明利用haar-like特征和简单物理约束进行海上船舶检测。首先,利用多源遥感影像构建船只组建样本库;然后对样本进行旋转;接着对RGB三谱段遥感图像进行谱段运算的预处理,提高目标和海面背景的对比度,以降低目标检测的漏检率;然后训练基于haar-like特征的Adaboost分类器,实现船舶粗检测;然后对粗检测获取的船舶区进行分割处理,通过判断目标长宽比、对称性等几何特征,进一步排除海浪、云雾等,并获取船舶目标的几何信息。最后利用真实遥感影像验证了该发明的可行性和实用性。
本发明基于光学卫星遥感图像特点,考虑到船只与海面像素值的差异,利用haar-like特征和物理约束实现了快速、准确船只检测,减少云雾、海上漂浮物等干扰所导致的漏检与误检。
附图说明
图1为本发明所述的一种光学遥感图像海面船只检测方法的流程图,其中,蓝色框图代表分类器的训练过程,虚线箭头表示其余的基分类器,需要说明的是,一旦分类器训练完成后,每次识别不需要强制重新训练分类器;
图2为本发明所述的一种光学遥感图像海面船只目标的检测方法中的RGB谱间运算方法与图像灰度化变换的对比图;
图3为本发明所述的一种光学遥感图像海面船只目标的检测方法中步骤二提取船只候选区域的效果图;
图4为本发明所述的一种光学遥感图像海面船只检测方法中步骤五与步骤六的效果图;
图5为本发明所述的一种光学遥感图像海面船只目标的快速检测方法中最后船只检测的效果图,其中绿色框3为第二步骤所提取的候选区域,红色框4为本发明的最终检测结果,图5a为对应图3候选区域提取的最终检测结果,图5b为其它典型遥感图像检测效果图。
具体实现方式
结合图1至图5说明本实施方式,一种光学遥感图像海面船只目标的快速检测方法,该方法由以下步骤实现:
步骤一、构建Adaboost船只检测分类器,基于Haar-like特征,训练Adaboost船只检测分类器,实现船只粗检测;
步骤一一、收集多源遥感影像,构建目标样本库;本实施方式中大量收集“吉林一号”卫星及谷歌卫星影像,具体裁剪1000张分辨率为1m的船只正样本,3000张包括云雾、海浪的负样本;
步骤一二、对步骤一一中收集的样本进行旋转处理,丰富样本的多样性提高样本反应真实目标的变化不变性,本实施方式中分别旋转30、60和90度,使得最终样本库更新为正样本3000个,负样本9000个;
步骤一三、提出一种RGB三通道光谱拉伸运算的预处理方法,提高船体与海面对比度信息;
其中R(x,y)为红色谱段的灰度值,G(x,y)和B(x,y)分别为绿色和蓝色谱段的灰度值,由于海水区域蓝、绿谱段能量较为相近,且红色谱段能量较低,因此利用公式(1)变换后,正如图2c所示,海水区域灰度值十分接近0(图2c为灰度图,不是二值图),图2a为原图,图2b为灰度变换后的效果图,图2c为本发明提出方法的效果图;图2c与常规的图像灰度化处理相比,RGB三通道拉伸运算极大地提高了船体与海面的对比度,降低船只漏检率。可以看到,红色船只1对比度提升效果明显,且对蓝绿色船只2亦可提升和海洋背景的对比度。
所述RGB三通道光谱拉伸运算的预处理方法的优点在于,在目标检测领域,船只目标与背景的差异程度越高,越益于检测,本实施方式意在解决海上船只检测问题,其中,海水作为主要背景区域,以蓝、绿谱段信息为主,且二者能量较为相近,为提高船只与海水对比度,提出一种RGB谱间运算方法,利用该方法,抑止背景区域信息,提高船只与海水对比度,进而提升了船只检测准确率。
步骤一四、基于Haar-like特征,训练Adaboost船只检测分类器;
利用一种自适应权值调节方法,反复训练基分类器,每次迭代都会根据上一次分类误差率调整训练样本权重,具体更新策略为:
εt=Px(ht(xi)≠yi) (4)
其中,r代表上一个迭代中分类正确,w代表上一个迭代中分类错误。Zt代表规范化因子,at表示弱分类器ht(x)的权重系数,ht(xi)表示弱分类器对于输入样本xi的预测值,εt计算在当前权值分布Dt(x)训练集上的分类误差率(Px代表概率)。
提高被错误分类的样本权值,逐步增强弱分类器,然后,令所有弱分类器进行分类判断,再对分类结果按照弱分类器的错误率加权求和,将加权求和与平均分类比较得出基分类器的分类结果,具体公式如下:
步骤二、输入待测图像,并对所述待测图像进行RGB谱间变换后采用步骤一所述的Adaboost船只检测分类器进行待测图像中船只候选区域的提取;
采用级联方法,将步骤一训练的Adaboost船只检测分类器后得到的多个基分类器,本实施方式中Adaboost船只检测分类器的参数设置为:基分类器数为19,基分类器召回率阈值为0.995,基分类器虚警率阈值为0.6。采用19个分类器,按简单到复杂的顺序串联,依次对待测区域进行判断,被判定为目标则继续传入下一级基分类器,否则被直接排除。
步骤三、利用物理约束条件,对步骤二中提取的候选区域进行模糊核为5的高斯滤波处理,降低海面噪声对后续分割处理的干扰,然后利用最大类间插分法进行二值化处理,实现疑似区域与背景的分割;
步骤四、对步骤三处理后的图像运用形态学闭运算方法,修复目标轮廓信息;
步骤五、采用图像的二维像素信息计算步骤四中连通域的二维协方差矩阵,获得连通域主轴方向,并将图像按照主轴值进行旋转,保证旋转后目标主轴水平或垂直,具体方法如下:
图4为典型船只与海浪干扰目标的对比实验,图4a为计算船只目标的主轴方向及其对称性信息,图4b为典型干扰物海浪的对称性对比实验效果图;船体的对称性明显高于海浪。利用图像的二维像素信息 I(i,j)计算连通域的二维协方差矩阵进而得到连通域主轴方向;
计算均值:
计算协方差:
计算主轴方向:
θ=arctan(2×Cov_xy/(Cov_x2-Cov_y2))×0.5 (8)
步骤六、计算步骤五所获取连通域的全局对称性C3;
对连通域分块处理,分别为左上区域TL、右上区域TR、左下区域DL、右下区域DR四部分;
计算左右对称性:
计算上下对称性:
计算全局对称性:
C3=C1*C2 (11)
其中,S0表示目标区域像素总数,P(i,j)表示对称位置像素的乘积(如进行左右对称性计算时P(i,j)=sum((TL+DL).*(TR+DR)),若C3≥C0,则保留区域,否则直接排除该区域。
步骤七、计算联通域长宽比η;若η≥η0,则保留区域,否则直接排除。对称性阈值C0设置为0.1,长宽比阈值η0为3。
步骤八、利用上述约束判断过程,最终确定船只目标区域及长宽信息;
本实施方式中,利用吉林一号卫星数据收集229个不同成像条件、不同大小的船只测试集,其中包括139个成像背景良好的船只与90个存在严重干扰的船只,利用本发明的船只检测算法进行测试,利用精确率precision和召回率recall作为算法性能评价指标,具体公式:
式中Ntp代表指正确分类的正样本数,Nfp代表指被错误的标记为正样本的负样本数,Nfn代表指被错误的标记为负样本的正样本数,具体测试结果如表所示:
成像条件 | 船只数量 | 精确率 | 召回率 |
平静海面 | 139 | 92.3% | 85.6% |
复杂海面 | 90 | 76.1% | 74.4% |
结合图5说明本实施方式,图5给出了本实施方式的检测效果图,其中红色框4为本实施方式最终检测出的船只目标。
由于多数现有船只检测专利仅关注检测精度而忽略检测系统的时效性,本实施方式的方法具有较快检测速度,实验采用主频2.3GHz的intel core i5处理器,利用vs2012软件平台进行实测,对2094×1245的遥感图像处理仅需527ms,实现高精度船只检测。
Claims (3)
1.一种光学遥感图像海面船只目标的检测方法,其特征是,该方法由以下步骤实现:
步骤一、构建Adaboost船只检测分类器,基于Haar-like特征,训练Adaboost船只检测分类器,实现船只粗检测;
步骤一一、收集多源遥感影像,包括船只、云雾、海浪或礁石的遥感图像样本,构建目标样本库;
步骤一二、对步骤一一样本库中的样本进行多角度旋转处理,获得不同旋转角度的训练样本;
步骤一三、采用RGB三通道光谱谱间运算的预处理方法对步骤一二获得的训练样本进行处理,提高船只样本与海面对比度;
其中R(x,y)为红色谱段的灰度值,G(x,y)和B(x,y)分别为绿色和蓝色谱段的灰度值;
步骤一四、采用步骤一三获得的样本训练基于Haar-like特征的Adaboost船只检测分类器,实现船只粗检测;训练Adaboost船只检测分类器的过程为:
采用自适应权值调节方法,反复训练基分类器,每次迭代根据上一次分类误差率调整训练样本权重,逐步增强弱分类器;令所有弱分类器进行分类判断,再对分类结果按照弱分类器的错误率加权求和,将加权求和与平均分类比较得出基分类器的分类结果;
步骤二、输入待测图像,并对待测图像进行RGB谱间变换,然后再采用步骤一训练的Adaboost船只检测分类器进行待测图像中船只候选区域的提取;
具体为:采用级联方法,将多个基分类器按简单到复杂的顺序串联,依次对待测区域进行判断,被判定为船只目标则继续传入下一级基分类器,否则直接排除该区域;
步骤三、对步骤二中提取的候选区域首先进行高斯滤波处理,然后采用最大类间插分法进行二值化处理,实现船只目标与背景的分割;
步骤四、对步骤三分割后的图像采用形态学闭运算修复轮廓信息,并进行连通域检测处理;
步骤五、采用图像的二维像素信息计算步骤四中连通域的二维协方差矩阵,获得连通域主轴方向,并将图像按照主轴值进行旋转,保证旋转后目标主轴水平或垂直;
步骤六、计算步骤五中连通域的全局对称性C3;
若C3≥C0,则执行步骤七,若C3<C0,选择下一个侯选区域,执行步骤八;C0为对称性阈值;
步骤七、计算连通域长宽比η;若η≥η0,输出船只信息;执行步骤八;若η<η0,执行步骤八,η0为长宽比阈值;
步骤八、判断是否为最后一个侯选区域,如果否,执行步骤三;如果是,结束;
还包括对连通域分块处理,分别为左上区域TL、右上区域TR、左下区域DL、右下区域DR四部分;分别计算连通域的左右对称性C1;计算上下对称性C2;计算全局对称性C3;
计算左右对称性:
计算上下对称性:
计算全局对称性:
C3=C1*C2
其中,S0表示目标区域像素总数,P(i,j)表示对称位置像素的乘积,进行左右对称性计算时P(i,j)=sum((TL+DL).*(TR+DR))。
2.根据权利要求1所述的一种光学遥感图像海面船只目标的检测方法,其特征在于,Adaboost船只检测分类器的参数设置为:基分类器数为19,基分类器召回率阈值为0.995,基分类器虚警率阈值为0.6。
3.根据权利要求1所述的一种光学遥感图像海面船只目标的检测方法,其特征在于,对称性阈值C0设置为0.1,长宽比阈值η0为3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711226037.6A CN107992818B (zh) | 2017-11-29 | 2017-11-29 | 一种光学遥感图像海面船只目标的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711226037.6A CN107992818B (zh) | 2017-11-29 | 2017-11-29 | 一种光学遥感图像海面船只目标的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107992818A CN107992818A (zh) | 2018-05-04 |
CN107992818B true CN107992818B (zh) | 2020-12-25 |
Family
ID=62034371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711226037.6A Active CN107992818B (zh) | 2017-11-29 | 2017-11-29 | 一种光学遥感图像海面船只目标的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107992818B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368599B (zh) * | 2018-12-26 | 2023-11-07 | 北京眼神智能科技有限公司 | 遥感图像海面舰船检测方法、装置、可读存储介质及设备 |
CN109934088A (zh) * | 2019-01-10 | 2019-06-25 | 海南大学 | 基于深度学习的海面船只辨识方法 |
CN109919240A (zh) * | 2019-03-15 | 2019-06-21 | 维沃移动通信有限公司 | 人脸特征点模型的训练方法、装置及终端设备 |
CN110059640B (zh) * | 2019-04-22 | 2020-09-01 | 长光卫星技术有限公司 | 基于光学遥感卫星近红外谱段的海面船舶在轨识别方法 |
CN111931688A (zh) * | 2020-08-27 | 2020-11-13 | 珠海大横琴科技发展有限公司 | 船只识别方法、装置、计算机设备及存储介质 |
CN112200825B (zh) * | 2020-10-14 | 2022-06-14 | 长光卫星技术股份有限公司 | 一种基于贝尔编码图像的空间目标光度反演方法 |
CN112329613B (zh) * | 2020-11-03 | 2021-10-15 | 珠海大横琴科技发展有限公司 | 海浪影响下船只检测方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855622A (zh) * | 2012-07-18 | 2013-01-02 | 中国科学院自动化研究所 | 一种基于显著性分析的红外遥感图像海面船只检测方法 |
CN105513041A (zh) * | 2015-10-28 | 2016-04-20 | 深圳大学 | 一种大幅面遥感图像海陆分割的方法及系统 |
CN105654091A (zh) * | 2014-11-27 | 2016-06-08 | 航天恒星科技有限公司 | 海面目标检测方法及装置 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9196044B2 (en) * | 2014-02-26 | 2015-11-24 | Raytheon Company | False alarm rejection for boat detection candidates |
-
2017
- 2017-11-29 CN CN201711226037.6A patent/CN107992818B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855622A (zh) * | 2012-07-18 | 2013-01-02 | 中国科学院自动化研究所 | 一种基于显著性分析的红外遥感图像海面船只检测方法 |
CN105654091A (zh) * | 2014-11-27 | 2016-06-08 | 航天恒星科技有限公司 | 海面目标检测方法及装置 |
CN105513041A (zh) * | 2015-10-28 | 2016-04-20 | 深圳大学 | 一种大幅面遥感图像海陆分割的方法及系统 |
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 |
Non-Patent Citations (1)
Title |
---|
基于图像对称性的车辆遥感识别;陈任 等;《国土资源遥感》;20170106;第28卷(第4期);正文第1-2章 * |
Also Published As
Publication number | Publication date |
---|---|
CN107992818A (zh) | 2018-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107992818B (zh) | 一种光学遥感图像海面船只目标的检测方法 | |
CN108510532B (zh) | 基于深度卷积gan的光学和sar图像配准方法 | |
CN110298280B (zh) | 一种基于mkl多特征融合的海洋涡旋识别方法 | |
CN109740460B (zh) | 基于深度残差密集网络的光学遥感图像舰船检测方法 | |
CN107016357B (zh) | 一种基于时间域卷积神经网络的视频行人检测方法 | |
Cao et al. | Ship recognition method combined with image segmentation and deep learning feature extraction in video surveillance | |
CN109063594A (zh) | 基于YOLOv2的遥感图像快速目标检测方法 | |
CN104732215A (zh) | 一种基于信息向量机的遥感影像海岸线提取方法 | |
CN113963222B (zh) | 一种基于多策略组合的高分辨率遥感影像变化检测方法 | |
CN111967480A (zh) | 基于权重共享的多尺度自注意力目标检测方法 | |
CN108021890B (zh) | 一种基于plsa和bow的高分遥感影像港口检测方法 | |
CN104867150A (zh) | 遥感影像模糊聚类的波段修正变化检测方法及系统 | |
CN113344045B (zh) | 一种结合hog特征提高sar船只分类精度的方法 | |
CN110516525A (zh) | 基于gan和svm的sar图像目标识别方法 | |
CN114821358A (zh) | 光学遥感图像海上舰船目标提取与识别方法 | |
CN109389593A (zh) | 一种红外图像小目标的检测方法、装置、介质及设备 | |
CN110188646B (zh) | 基于梯度方向直方图与局部二值模式融合的人耳识别方法 | |
CN109558803B (zh) | 基于卷积神经网络与np准则的sar目标鉴别方法 | |
CN113064133B (zh) | 一种基于时频域深度网络的海面小目标特征检测方法 | |
CN109829511B (zh) | 基于纹理分类的下视红外图像中云层区域检测方法 | |
Wangli et al. | Foxtail Millet ear detection approach based on YOLOv4 and adaptive anchor box adjustment | |
Chen et al. | Ship target detection algorithm based on decision-level fusion of visible and SAR images | |
Han et al. | Accurate and robust vanishing point detection method in unstructured road scenes | |
CN115909072A (zh) | 一种基于改进YOLOv4算法的弹着点水柱检测方法 | |
CN115861956A (zh) | 一种基于解耦头部的Yolov3道路垃圾检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: No. 1299, Mingxi Road, Beihu science and Technology Development Zone, Changchun City, Jilin Province Patentee after: Changguang Satellite Technology Co.,Ltd. Address before: No.1759 Mingxi Road, Gaoxin North District, Changchun City, Jilin Province Patentee before: CHANG GUANG SATELLITE TECHNOLOGY Co.,Ltd. |
|
CP03 | Change of name, title or address |