CN108399420B - 一种基于深度卷积网络的可见光舰船虚警剔除方法 - Google Patents

一种基于深度卷积网络的可见光舰船虚警剔除方法 Download PDF

Info

Publication number
CN108399420B
CN108399420B CN201810088640.0A CN201810088640A CN108399420B CN 108399420 B CN108399420 B CN 108399420B CN 201810088640 A CN201810088640 A CN 201810088640A CN 108399420 B CN108399420 B CN 108399420B
Authority
CN
China
Prior art keywords
network
training
false alarm
subclasses
sample
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
Application number
CN201810088640.0A
Other languages
English (en)
Other versions
CN108399420A (zh
Inventor
曾大治
梁小伟
常佳佳
董安冉
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.)
Bit Raco Electronic Information Technology Co ltd
Original Assignee
Bit Raco Electronic Information Technology Co ltd
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 Bit Raco Electronic Information Technology Co ltd filed Critical Bit Raco Electronic Information Technology Co ltd
Priority to CN201810088640.0A priority Critical patent/CN108399420B/zh
Publication of CN108399420A publication Critical patent/CN108399420A/zh
Application granted granted Critical
Publication of CN108399420B publication Critical patent/CN108399420B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (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)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度卷积网络的可见光舰船虚警剔除方法，该方法具体为：首先，结合传统特征提取技术与K‑means聚类技术将样本进行分类；其次，以ImageNet大数据集上训练过的VGG19网络作为基网络对样本进行迁移学习训练；然后，选择合适网络参数构成识别网络对所有样本进行类型判定，得到判定概率，以“0.85以上”、“0.75～0.85”和“0.75以下”三个概率区间将每类样本细分成3小类，并将判定错误的切片加入到“0.75以下”小类；对每小类样本进行数据增广；最后，冻结VGG19网络卷积层，对细分样本进行微调训练，选择最佳网络参数得到最终识别网络。本发明提供的一种基于深度卷积网络的可见光舰船虚警剔除方法，该方法能有效解决舰船检测中虚警率特别高的问题。

Description

一种基于深度卷积网络的可见光舰船虚警剔除方法
技术领域
本发明属于图像处理与立体视觉技术领域，具体涉及一种基于深度卷积网络的可见光舰船虚警剔除方法。
背景技术
利用遥感图像对广域海洋内的舰船进行检测，在民用领域内，可为海洋渔业管理提供及时的数据支撑；在军用领域内，可以快速的掌握争端海域内舰船的态势，为军事决策提供高时效的信息。
传统的舰船识别方法主要为基于底层特征结合传统机器学习分类器的方法。该方法一般需要人为构造有效的底层特征，如颜色特征：颜色直方图、颜色矩、颜色相关图等，形状特征：HOG、SIFT、BOVW等，纹理特征：LBP、灰度共生矩阵等，然后将提取得到的特征送入分类器(如贝叶斯分类器、支持向量机等)进行分类识别。此类技术需要开发人员具备深入的领域知识，并在此基础上针对性地开发适用于任务的特定描述特征，其开发难度大，收效不甚理想。考虑到对于舰船检测虚警剔除领域内的特殊工程问题，目标特性易受到运动尾迹与侧迹的影响，在目标的技术条件下，未能够彻底的去除目标运动产生尾迹侧迹对目标特性的干扰，其鉴别能力弱，虚警多。
发明内容
为了解决上述技术问题，本发明提出一种基于深度卷积网络的可见光舰船虚警剔除方法，该方法能够更准确地区分图像中的舰船和虚警，从而解决舰船检测中虚警率特别高的问题。
实施本发明的技术方案如下：
一种基于深度卷积网络的可见光舰船虚警剔除方法，具体步骤为：
步骤1、选取光学遥感图像中的舰船切片和虚警切片，作为初始的舰船样本和虚警样本；对两类样本中的切片进行舰船、虚警类型标记；
步骤2、分别对初始的舰船样本和虚警样本进行数据增广；
步骤3、分别对增广后的舰船样本和虚警样本进行传统特征提取，生成舰船样本集特征库与虚警样本集特征库，使用K-means算法结合样本集特征库将增广后的舰船样本细分为M个子类、将增广后的虚警样本分为N个子类，共得到(M+N)个子类样本，对(M+N)个子类样本中的切片进行类型标记；
步骤4、使用已经在ImageNet大数据集上训练过的VGG19网络作为基网络，并在此基础上进行优化，得到优化后的CNN卷积神经网络；
步骤5、初始化优化后的CNN中的待训练参数，并设置网络超参数，得到训练网络；
步骤6、将步骤3得到的(M+N)个子类样本打乱，并使用训练网络对其进行迁移学习训练，共训练t1代，训练过程中每一代都会自动更新待训练参数，并获得对应的训练精度和损失曲线；
步骤7、根据步骤6中获得的训练精度和损失函数曲线选择最优的那一代训练网络中的待训练参数，加载到步骤4中得到的CNN构成判定网络，对打乱后的(M+N)个子类样本进行类型判定，记录样本中每个切片的判定概率；
步骤8、将打乱后的(M+N)个子类样本进行重新归类，然后根据判定概率将(M+N)个子类样本中的切片各自细分成k小类，最终得到k×(M+N)个小类，分类后对切片进行类型标记；
步骤9、根据k×(M+N)个小类中每小类的数据量对k×(M+N)个小类分别进行数据增广，得到k×(M+N)个训练样本集；
步骤10、将在步骤9中得到的k×(M+N)个训练样本集打乱，“冻结”步骤5中得到的训练网络的卷积层，然后对打乱后的训练样本集进行微调训练，即只调节全连接层的待训练参数，不调节卷积层的待训练参数；训练t2代后结束，训练过程中每一代都会自动更新待训练参数，并获得对应的训练精度和损失曲线；
步骤11、根据步骤10中获得的训练精度和损失函数曲线选择最优的那一代训练网络中的待训练参数，加载到步骤4中得到的CNN构成最终识别网络。
进一步的，步骤2和步骤9中所述数据增广的方式有仿射变换、亮度变换和对比度变换。
进一步的，步骤3具体为：
1)对切片进行传统特征提取包含目标长度、长宽比、面积、空间扩展度、占空比五个基础特征；
2)采用K-means算法结合1)所提出的5个基础特征对舰船切片与虚警切片分别进行子类划分，将舰船切片细分为M类子类，将虚警切片细分为N个子类。
进一步的，步骤4所述优化方式为：
在基网络前两个最大池化层的前面和每一个卷积层的后面分别加入BatchNorm策略。
进一步的，步骤7所述判定概率为：对样本进行类型判定时，样本中每个切片都会获得(M+N)个概率，分别对应不同的类型，(M+N)个概率的概率和为1，将(M+N)个概率中最大的那个概率记为判定概率。
进一步的，步骤8所述分类方式为：
以“判定概率在0.85以上”、“判定概率在0.75～0.85”和“判定概率在0.75以下”为分类区间，将(M+N)个子类样本中的切片各自细分成3小类，即k＝3，最终得到3×(M+N)个小类，根据判定概率判定切片的类型，如果切片类型判定错误，将该切片归为对应子类的“判定概率在0.75以下”小类里。
进一步的，步骤9所述根据小类的数据量对小类进行数据增广的具体方式如下：
(M+N)个子类中的每个子类都有3个小类，针对每个子类，数据量最大的小类不用进行数据增广；对其余两小类进行数据增广，使这两个小类各自的数据量增广至数据量最大的小类的数据量的2/3。
有效益处
本发明提供的一种基于深度卷积网络的可见光舰船虚警剔除方法，和现有技术相比，其优点在于：
1)本发明针对舰船与虚警两类识别问题，考虑到舰船类内特征差异大对识别网络准确性的影响，使用传统的特征提取与K-means聚类技术相结合的方法将相同的特征的舰船与虚警进行初步细分类，使得对网络训练时网络针对性更强，鉴别能力更强；
2)本发明针对舰船检测中难分虚警的问题，用训练网络本身对所有样本进行类型判定，以判定概率区间为标准对样本进行细分后再训练，有效提高了区分虚警和舰船的准确率，进而提高了整个网络针对具体场景的识别准确率。
附图说明
图1为本发明流程图；
图2为舰船与虚警细分类示意图；
其中舰船目标分为大船(a)(b)与小船两个(c)(d)子类，虚警细分为五个子类，示意图(e)(f)(g)(h)(c)。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1：
针对舰船检测中虚警率特别高的问题，本发明提供一种基于深度卷积网络的可见光舰船虚警剔除方法，该方法能更好地区分切片中的舰船和虚警，根据图1的流程图，以5米空间分辨率光学遥感图像数据集作为实验对象进行实验，具体步骤为：
步骤1、采用5米可见光256像素*256像素大小的光学遥感图像为数据集，选取光学遥感图像中的舰船切片，作为初始的舰船样本；选取光学遥感图像中的虚警切片，作为初始的虚警样本，对两类样本中的切片进行舰船、虚警类型标记，初始时每类样本有100幅切片；
步骤2、利用旋转、平移、微小扭曲等仿射变换及亮度、对比度变换分别对初始的舰船样本和虚警样本进行数据增广，使每类样本的数据量增广1倍；
步骤3、分别对增广后的舰船样本和虚警样本进行传统特征提取，生成舰船样本集特征库与虚警样本集特征库，提取的特征包括目标长度、长宽比、面积、空间扩展度、占空比五个基础特征，使用K-means算法结合舰船样本集特征库将增广后的舰船样本细分为2个子类，使用K-means算法结合虚警样本集特征库将增广后的虚警样本分为5个子类，共得到7个子类样本，如图2所示，对7个子类样本中的切片进行类型标记；
步骤4、使用已经在ImageNet大数据集上训练过的VGG19网络作为基网络，并在此基础上进行优化，得到优化后的CNN(Convolutional Neural Network，卷积神经网络)；即在基网络前两个最大池化层的前面和每一个卷积层的后面分别加入BatchNorm策略，即对训练的每一批数据{x1,x2,…,xn}有：
Figure BDA0001563083420000061
Figure BDA0001563083420000062
Figure BDA0001563083420000063
Figure BDA0001563083420000064
其中，
Figure BDA0001563083420000065
是输出，ε为无限小的正数，γ和β为待训练参数中的一部分。
步骤5、初始化优化后的CNN中的待训练参数，并将基网络的网络超参数的数值赋给优化后的CNN中的网络超参数，然后将网络学习率修改为0.0005，将每批训练的数据量n修改为20，得到训练网络；
步骤6、将步骤3得到的7个子类样本打乱，并使用训练网络对其进行迁移学习训练，共训练10代，训练过程中每一代都会自动更新待训练参数，并获得对应的训练精度和损失曲线；
步骤7、根据步骤6获得的训练精度和损失函数曲线选择最优的那一代训练网络中的待训练参数，加载到步骤4中得到的优化后的CNN构成判定网络，对打乱后7个子类样本进行类型判定，记录样本中每个切片被判定为不同类型的概率，即针对每个切片都会获得7个概率，分别对应不同的类型，7个概率的概率和为1，将7个概率中最大的那个概率记为判定概率；
步骤8、将打乱后的7个子类样本进行重新归类，然后以“判定概率在0.85以上”、“判定概率在0.75～0.85”和“判定概率在0.75以下”为分类区间将7个子类样本中的切片分别细分成3小类，最终得到21个小类；根据判定概率判定切片的类型，如果切片类别判定错误，将该切片归为对应子类的“判定概率在0.75以下”小类的类别，分类后对切片进行类型标记；
步骤9、利用旋转、平移、微小扭曲等仿射变换及亮度、对比度变换，并根据21个小类中每小类的数据量对21个小类分别进行数据增广，得到21个训练样本集；
根据小类数据量对小类进行数据增广的具体方式如下：7个子类中的每个子类都有3个小类，针对每个子类，“识别概率在0.85以上”小类的数据量最大，不用进行数据增广；对其余两小类进行数据增广，使这两个小类的数据量增广至“识别概率在0.85以上”小类的数据量的2/3；
步骤10、将在步骤9中得到的21个训练样本集打乱，“冻结”步骤5中得到的训练网络的卷积层，然后对打乱后的训练样本集进行微调训练，即只调节全连接层的待训练参数，不调节卷积层的待训练参数；训练5代后结束，训练过程中每一代都会自动更新待训练参数，并获得对应的训练精度和损失曲线；
步骤11、根据步骤10获得的训练精度和损失函数曲线选择最优的那一代训练网络中的待训练参数，加载到步骤4中得到的优化后的CNN构成最终识别网络。
以3/10的比例随机从打乱的训练样本集中抽出一部分样本构成验证样本集，用最终识别网络对其进行识别验证，将小类识别结果归为相对应的舰船和虚警两大类，输出最终识别结果，经验证，该方法将舰船检测的准确率提高了6％。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于深度卷积网络的可见光舰船虚警剔除方法，其特征在于，具体过程为：
步骤1、选取光学遥感图像中的舰船切片和虚警切片，作为初始的舰船样本和虚警样本；对两类样本中的切片进行舰船、虚警类型标记；
步骤2、分别对初始的舰船样本和虚警样本进行数据增广；
步骤3、分别对增广后的舰船样本和虚警样本进行传统特征提取，生成舰船样本集特征库与虚警样本集特征库，使用K－means算法结合样本集特征库将增广后的舰船样本细分为M个子类、将增广后的虚警样本分为N个子类，共得到(M+N)个子类样本，对(M+N)个子类样本中的切片进行类型标记；
步骤4、使用已经在ImageNet大数据集上训练过的VGG19网络作为基网络，并在此基础上进行优化，得到优化后的CNN卷积神经网络；
所述优化的方式为：在基网络前两个最大池化层的前面和每一个卷积层的后面分别加入BatchNorm策略；
步骤5、初始化优化后的CNN中的待训练参数，并设置网络超参数，得到训练网络；
步骤6、将步骤3得到的(M+N)个子类样本打乱，并使用训练网络对其进行迁移学习训练，共训练t1代，训练过程中每一代都会自动更新待训练参数，并获得对应的训练精度和损失曲线；
步骤7、根据步骤6中获得的训练精度和损失函数曲线选择最优的那一代训练网络中的待训练参数，加载到步骤4中得到的CNN构成判定网络，对打乱后的(M+N)个子类样本进行类型判定，记录样本中每个切片的判定概率；
步骤8、将打乱后的(M+N)个子类样本进行重新归类，然后根据判定概率将(M+N)个子类样本中的切片各自细分成k小类，最终得到k×(M+N)个小类，分类后对切片进行类型标记；
步骤9、根据k×(M+N)个小类中每小类的数据量对k×(M+N)个小类分别进行数据增广，得到k×(M+N)个训练样本集；
步骤10、将在步骤9中得到的k×(M+N)个训练样本集打乱，“冻结”步骤5中得到的训练网络的卷积层，然后对打乱后的训练样本集进行微调训练，即只调节全连接层的待训练参数，不调节卷积层的待训练参数；训练t2代后结束，训练过程中每一代都会自动更新待训练参数，并获得对应的训练精度和损失曲线；
步骤11、根据步骤10中获得的训练精度和损失函数曲线选择最优的那一代训练网络中的待训练参数，加载到步骤4中得到的CNN构成最终识别网络。
2.根据权利要求1所述的一种基于深度卷积网络的可见光舰船虚警剔除方法，其特征在于，步骤2和步骤9中所述数据增广的方式有仿射变换、亮度变换和对比度变换。
3.根据权利要求1所述的一种基于深度卷积网络的可见光舰船虚警剔除方法，其特征在于，步骤3具体为：
1)对切片进行传统特征提取包含目标长度、长宽比、面积、空间扩展度、占空比五个基础特征；
2)采用K－means算法结合1)所提出的5个基础特征对舰船切片与虚警切片分别进行子类划分，将舰船切片细分为M类子类，将虚警切片细分为N个子类。
4.根据权利要求1所述的一种基于深度卷积网络的可见光舰船虚警剔除方法，其特征在于，步骤7所述判定概率为：
对样本进行类型判定时，样本中每个切片都会获得(M+N)个概率，分别对应不同的类型，(M+N)个概率的概率和为1，将(M+N)个概率中最大的那个概率记为判定概率。
5.根据权利要求1所述的一种基于深度卷积网络的可见光舰船虚警剔除方法，其特征在于，步骤8所述分类方式为：
以“判定概率在0.85以上”、“判定概率在0.75～0.85”和“判定概率在0.75以下”为分类区间，将(M+N)个子类样本中的切片各自细分成3小类，即k＝3，最终得到3×(M+N)个小类，根据判定概率判定切片的类型，如果切片类型判定错误，将该切片归为对应子类的“判定概率在0.75以下”小类里。
6.根据权利要求1所述的一种基于深度卷积网络的可见光舰船虚警剔除方法，其特征在于，步骤9所述根据小类的数据量对小类进行数据增广的具体方式如下：
(M+N)个子类中的每个子类都有3个小类，针对每个子类，数据量最大的小类不用进行数据增广，对其余2个小类进行数据增广，使这2个小类各自的数据量增广至数据量最大的小类的数据量的2/3。
CN201810088640.0A 2018-01-30 2018-01-30 一种基于深度卷积网络的可见光舰船虚警剔除方法 Active CN108399420B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810088640.0A CN108399420B (zh) 2018-01-30 2018-01-30 一种基于深度卷积网络的可见光舰船虚警剔除方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810088640.0A CN108399420B (zh) 2018-01-30 2018-01-30 一种基于深度卷积网络的可见光舰船虚警剔除方法

Publications (2)

Publication Number Publication Date
CN108399420A CN108399420A (zh) 2018-08-14
CN108399420B true CN108399420B (zh) 2021-07-06

Family

ID=63095180

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810088640.0A Active CN108399420B (zh) 2018-01-30 2018-01-30 一种基于深度卷积网络的可见光舰船虚警剔除方法

Country Status (1)

Country Link
CN (1) CN108399420B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109299671A (zh) * 2018-09-04 2019-02-01 上海海事大学 一种级联式由粗到精的卷积神经网络船舶类型识别方法
CN109359557B (zh) * 2018-09-25 2021-11-09 东北大学 一种基于迁移学习的sar遥感图像舰船检测方法
CN109214470B (zh) * 2018-10-25 2020-11-03 中国人民解放军国防科技大学 一种基于编码网络微调的图像能见度检测方法
CN109754068A (zh) * 2018-12-04 2019-05-14 中科恒运股份有限公司 基于深度学习预训练模型的迁移学习方法及终端设备
CN110378186B (zh) * 2019-03-22 2021-09-24 北京理工雷科电子信息技术有限公司 Sar遥感图像舰船目标虚警剔除的方法
CN110298386B (zh) * 2019-06-10 2023-07-28 成都积微物联集团股份有限公司 一种基于图像内容的标签自动化定义方法
CN110598636B (zh) * 2019-09-09 2023-01-17 哈尔滨工业大学 一种基于特征迁移的舰船目标识别方法
CN111652354B (zh) * 2020-05-29 2023-10-24 北京百度网讯科技有限公司 用于训练超网络的方法、装置、设备以及存储介质
CN112149597A (zh) * 2020-09-29 2020-12-29 中国水利水电科学研究院 一种基于深度学习的河流表面流速检测方法
CN114398925A (zh) * 2021-12-31 2022-04-26 厦门大学 一种基于多特征的舰船辐射噪声样本长度选取方法与系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020592A (zh) * 2012-11-22 2013-04-03 北京大学 一种基于局部上下文的遥感图像舰船检测虚警剔除方法
CN104268570A (zh) * 2014-09-19 2015-01-07 北京理工大学 一种基于类内差异的层次化单分类舰船目标虚警剔除方法
WO2016120634A2 (en) * 2015-01-29 2016-08-04 Unifai Holdings Limited Computer vision systems
CN106022307A (zh) * 2016-06-08 2016-10-12 中国科学院自动化研究所 基于船只旋转矩形空间的遥感图像船只检测方法
CN106991397A (zh) * 2017-03-31 2017-07-28 中国科学院电子学研究所 基于视觉显著性约束深度置信网络的遥感图像检测方法
CN107451616A (zh) * 2017-08-01 2017-12-08 西安电子科技大学 基于深度半监督迁移学习的多光谱遥感图像地物分类方法
CN107609601A (zh) * 2017-09-28 2018-01-19 北京计算机技术及应用研究所 一种基于多层卷积神经网络的舰船目标识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020592A (zh) * 2012-11-22 2013-04-03 北京大学 一种基于局部上下文的遥感图像舰船检测虚警剔除方法
CN104268570A (zh) * 2014-09-19 2015-01-07 北京理工大学 一种基于类内差异的层次化单分类舰船目标虚警剔除方法
WO2016120634A2 (en) * 2015-01-29 2016-08-04 Unifai Holdings Limited Computer vision systems
CN106022307A (zh) * 2016-06-08 2016-10-12 中国科学院自动化研究所 基于船只旋转矩形空间的遥感图像船只检测方法
CN106991397A (zh) * 2017-03-31 2017-07-28 中国科学院电子学研究所 基于视觉显著性约束深度置信网络的遥感图像检测方法
CN107451616A (zh) * 2017-08-01 2017-12-08 西安电子科技大学 基于深度半监督迁移学习的多光谱遥感图像地物分类方法
CN107609601A (zh) * 2017-09-28 2018-01-19 北京计算机技术及应用研究所 一种基于多层卷积神经网络的舰船目标识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Convolutional neural network features based change detection in satellite images;Arabi Mohammed El Amin等;《Proceedings Volume 10011, First International Workshop on Pattern Recognition》;20160711;第1-7页 *
基于空间信息的SAR图像船只交通监测方法;吴樊等;《遥感信息》;20101015(第05期);第15-20页 *
星载SAR舰船检测技术及其在海洋渔业监测中的应用;田巳睿等;《遥感技术与应用》;20070815(第04期);第503-512页 *

Also Published As

Publication number Publication date
CN108399420A (zh) 2018-08-14

Similar Documents

Publication Publication Date Title
CN108399420B (zh) 一种基于深度卷积网络的可见光舰船虚警剔除方法
CN108304873B (zh) 基于高分辨率光学卫星遥感影像的目标检测方法及其系统
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
CN107247956B (zh) 一种基于网格判断的快速目标检测方法
Mathur et al. Crosspooled FishNet: transfer learning based fish species classification model
CN109684922B (zh) 一种基于卷积神经网络的多模型对成品菜的识别方法
CN108399378B (zh) 一种基于vgg深度卷积网络的自然场景图像识别方法
CN111833322B (zh) 一种基于改进YOLOv3的垃圾多目标检测方法
CN110991257B (zh) 基于特征融合与svm的极化sar溢油检测方法
Wu et al. Typical target detection in satellite images based on convolutional neural networks
CN110633727A (zh) 基于选择性搜索的深度神经网络舰船目标细粒度识别方法
CN107766792B (zh) 一种遥感图像舰船目标识别方法
Pramunendar et al. New Workflow for Marine Fish Classification Based on Combination Features and CLAHE Enhancement Technique.
Pramunendar et al. A Robust Image Enhancement Techniques for Underwater Fish Classification in Marine Environment.
CN115082781A (zh) 一种舰船图像检测方法、装置以及存储介质
CN116977633A (zh) 地物要素分割模型训练方法、地物要素分割方法及装置
CN111444816A (zh) 一种基于Faster RCNN的多尺度密集行人检测方法
CN115115863A (zh) 水面多尺度目标检测方法、装置及系统和存储介质
CN109558803B (zh) 基于卷积神经网络与np准则的sar目标鉴别方法
Poostchi et al. Feature selection for appearance-based vehicle tracking in geospatial video
CN113609887A (zh) 深度学习与浅层学习决策融合的海面溢油检测方法
CN113468939A (zh) 一种基于监督最小化深度学习模型的sar目标识别方法
CN111832463A (zh) 一种基于深度学习的交通标志检测方法
CN113850166A (zh) 一种基于卷积神经网络的船舶图像识别方法及系统
CN113963178A (zh) 地空背景下红外弱小目标检测方法、装置、设备及介质

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