CN108596030A - 基于Faster R-CNN的声呐目标检测方法 - Google Patents
基于Faster R-CNN的声呐目标检测方法 Download PDFInfo
- Publication number
- CN108596030A CN108596030A CN201810229078.9A CN201810229078A CN108596030A CN 108596030 A CN108596030 A CN 108596030A CN 201810229078 A CN201810229078 A CN 201810229078A CN 108596030 A CN108596030 A CN 108596030A
- Authority
- CN
- China
- Prior art keywords
- sonar
- target
- image
- region
- detection
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Acoustics & Sound (AREA)
- Signal Processing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Image Analysis (AREA)
Abstract
本发明公开基于Faster R‑CNN的声呐目标检测方法。本发明采用深度学习技术对不同复杂水下环境中的目标进行特征提取。是对现今声呐目标检测方法方面一次重大创新与尝试,打破了传统方法所带来的局限,能够提取到低信噪比下声呐图像的深层次特征,并能对线状目标进行很好的目标检测与识别。本发明创建基于区域加速卷积神经网络(Faster‑RCNN)声呐目标检测与识别网络对声呐数据进行目标检测。通过实验发现,该方法在声呐图像的线状目标检测上取得很好的表现,验证了深度学习方法在声呐目标检测的可行性,为复杂水声环境数据的特征提取提供新的研究手段。
Description
技术领域
本发明属于人工智能与水声电子信息的交叉领域,具体涉及一种基于深度学习的三维成像声呐目标检测方法。
背景技术
随着信息科技的飞速发展,水下探测技术得到了极大的促进,其应用领域日益广泛:在军事应用上,可用于观测水下地形地貌、探测鱼雷、水下武器制导和对抗、搜索潜艇、水下导航、海底警戒等;在民用商业应用上,可以进行海洋资源探测等。
水下目标检测与识别已成为各国海防的研究热点,它为海洋作战与作业能力提供了技术保障。水下目标检测与识别技术是声呐技术、计算机技术、信号检测技术以及人工智能与模式识别技术的有效结合。为了加强水下探测、监视与侦察能力,提升水下目标检测的精度和效率,谋求水下作战的军事优势,各国采用的声呐目标检测与识别方法也在不断创新。近些年的水下目标识别方法主要有:1)模板匹配的目标识别方法。2)数理统计的目标识别方法。3)浅层神经网络的目标识别方法。4)专家系统理论的目标识别方法。
虽然现在水下目标检测的方法不断创新、进步,但是通过对近些年的水下目标检测与识别方法调查研究发现,现在的水下目标检测与识别方法在对目标的特征提取上仍然面临诸多的瓶颈问题。如:由于水下环境复杂,导致采集得到三维成像声呐图像信噪比低,使用过去水下目标检测方法对其检测与识别时,存在声呐目标特征提取不彻底、目标误检或漏检以及检测处理过程繁琐复杂等问题。
随着2012年深度学习算法ALexNet赢得图像分类比赛ILSERC(ImageNet LargeScale Visual Recongintion Chalenge)冠军,深度学习开始收到社会广泛关注。从2012年到2015年间,ImageNet图像分类的错误率以每年4%的速度递减。这说明深度学习技术完全打破了传统图像算法的检测瓶颈,让图像检测问题得到了更好的解决。到2017年7月,深度学习算法SE-ResNeXt-152的该数据集的Top-5错误率仅为2.251%,已经远远超越了人工标注的错误率(5%),实现了计算机视觉研究领域的一个巨大突破。这次突破也在此证明了深度学习技术有巨大的潜力和优越性。通过对当前深度学习方法进行调研分析,为了解决近些年的水下目标检测与识别的瓶颈问题,本发明提出基于深度学习技术的三维成像声呐目标检测方法。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是:
(二)技术方案
为了解决上述技术问题,本发明创建了一种基于区域加速卷积神经网络(Faster-RCNN)的水声数据特征提取方法。
本发明的特点是:通过将卷积神经网络引入到声呐图像的特征提取中,即使在复杂水下环境中采集到低信噪比声呐图像,也可以提取到过去传统方法提取不到的深层次特征;通过本发明的深度神经网络模型可以实现水下目标检测一体化,从声呐图像预处理到特征提取再到目标检测与分类在一个网络模型中一次完成,不必和其他水下目标检测方法在不同阶段需要做不同的处理,这样做的好处是极大的减少处理流程,降低水下目标检测操作复杂度。本发明是对现今声呐目标检测方法方面一次重大创新与尝试,打破了传统方法所带来的上述瓶颈问题。
本发明的技术方案:
步骤(1)、三维成像声呐数据预处理
针对三维成像声呐采集到的声呐数据,通过特定协议格式,使用MATLAB编写批量解析程序,从原始声呐数据中解析出声呐图像,以便于后面的特征提取。
从原始声呐数据中解析出声呐图像属于现有成熟技术,故不详解。
步骤(2)、声呐图像的特征提取
本发明采用区域加速卷积神经网络(Faster-RCNN)对声呐图像目标进行特征提取:
2.1.通过共享卷积神经网络(Convolution Neural Network,CNN)提取声呐特征图;其中步骤(1)预处理得到的声呐图像作为CNN的输入;
其中提取声呐特征图的具体过程是:
2.1.1将预处理得到不同尺寸的声呐图像缩放至固定的大小(如M×N,M表示图像长,N表示图像宽),然后将固定大小的声呐图像送入CNN网络。
2.1.2在CNN网络中,对声呐图像做卷积、池化操作,得到第一层特征图。
2.1.3将上一层得到的声呐特征图反复做卷积、池化操作(取决基础网络的类型,如:VGG-16,Inception-v3,Resnet-101等),得到声呐特征图。
2.2通过区域建议网络(RPN)代替传统的选择性搜索算法(Selective Search,SS)提取区域建议(RP);其中上述得到的声呐特征图作为RPN网络的输入;
其中提取区域建议的具体过程是:
2.2.1将上述得到的声呐特征图的每一个像素点均设置多种不同尺寸的初始检测框(通过实验比较得出结论,一般设置9种不同尺寸的检测框即可),和4个偏移量(包括检测框中心点坐标、边框长、宽)。
2.2.2将步骤2.2.1得到的初始检测框送入softmax概率层,每个检测框将得到两个概率得分,通过概率得分判断检测框属于前景还是背景,最终筛选出属于前景的检测框。这里的选择概率得分选测标准是:当第i个检测框的概率得分与真实标记的检测框的概率得分的IOU≥0.7时(这里的IOU表示交并比(Intersection-over-Union,IoU),目标检测中使用的一个概念,是产生的候选框与原标记框的交叠率),即判定该检测框为前景;当IOU≤0.3时,则认为该检测框为背景,至于那些在0.3<IOU<0.7的检测框将不参与训练,即被淘汰掉。
2.2.3将步骤2.2.2得到的检测框的得分通过非极大值抑制技术进行排序,选取前n个结果作为真正的区域建议输出。至此,声呐图像的区域建议提取完成。
步骤(3)、声呐图像的目标分类与定位
通过区域兴趣池化层(Region of Interest,ROI)对(RPN)网络提取的区域建议(RP)进行池化操作,得到全连接层,用于声呐图像分类和检测;
其中声呐图像的目标分类的具体过程是:
3.1将步骤(2)中提取到的声呐特征图和RP送入ROI网络,将不同大小的RP归一化为固定大小,得到统一纬度的特征向量。
3.2将步骤3.1得到的特征向量送入用于分类的全连接层,输出声呐目标的概率,确定声呐目标类别。到此,声呐目标的分类任务结束。
3.3将步骤3.1得到的特征向量送入用于计算边框回归的全连接层,输出声呐目标的边框偏移量,修正目标用于定位的边框偏移量。到此,声呐目标的定位检测任务结束。
本发明的有效效果:
1.在过去的水下声呐目标检测中,使用的都是过去的传统图像处理方法,传统方法一般将水下与泥层中目标使用图像分割的方法分开进行目标检测与分类;而本发明使用的深度学习技术,将水下与泥层中的目标放入网络模型中,从声呐图像预处理到特征提取再到目标检测与分类在一个网络模型中一次完成,检测速度与效率大大增强(在后面的实施数据验证里我们可以看到其检测效果)。
2.在过去使用机器学习的方法对低信噪比图像进行特征提取时,由于算法本身瓶颈,导致不能提取到声呐目标的深层次特征;而本发明使用的深度神经网络模型,通过不断的卷积、池化,可以提取到传统方法提取不到的深层次特征;因此,该发明是对现今声呐目标检测方法方面一次重大创新与尝试,打破了传统方法所带来的上述瓶颈问题。
附图说明
图1为基于区域加速卷积神经网络的声呐图像目标检测网络流程图。
图2为基于区域加速卷积神经网络的声呐图像目标检测网络总体损失曲线图。
图3为用于提取区域建议(RP)的区域建议网络(RPN)训练流程图。
图4为用于分类与边框回归的基于区域兴趣池化层的Fast-RCNN网络训练流程图。
图5为经过预处理过后需要放入卷积神经网络模型中作为输出的声呐图像。图5中(a)-(j)表示中船重工715研究所在南海实验做采集的海底线状目标声呐图,其中主要包括油管,掩埋雷,以及海底现状威胁设施等。
图6为声呐测试图像在基于区域加速卷积神经网络测试效果图,可以看到在声呐图像中不同状态和尺度目标都能被精确定位检测与识别。图6中(a)-(j)表示图5经过目标检测网络后检测识别的效果图。
具体实施方式
下面结合具体实施例对本发明做进一步的实施分析。
图1为基于区域加速卷积神经网络的声呐图像目标检测网络流程图,可以看到总体模型主要有两部分组成:一,用于提取区域建议(RP)的区域建议网络(RPN);二,用于分类与边框回归的基于区域兴趣池化层的Fast-RCNN网络。
根据上述技术方案,经过步骤(1)声呐图像预处理得到的声呐训练图像。然后将其送入深度神经网络模型Faster-RCNN的中,完成声呐图像目标的训练过程,保存训练完成的网络模型,使其持久化;最后通过步骤(1)得到的声呐测试图像测试训练完成的网络模型,验证方法的可行性与可用性。
其中网络模型训练的具体过程如下:
1.选择并训练基础网络,通过在其他公开数据集上测试验证,残差神经网络(Resnet)在目标检测领域具备较高的目标检测率和鲁棒性,因此,选择Resnet网络作为声呐图像目标检测网络的基础网络。通过常规方法训练基础网络,修正权值和偏差,为下一步训练的实施做准备,此过程属于现有成熟技术,故不详解。
2.通过在已经训练好的基础模型上训练区域建议网络(RPN)。读取1中训练好的基础网络模型参数,开始训练RPN网络,RPN网络可以使用反向传播算法(Back-Propagation,BP)和(Stochastic Gradient descent,SGD)梯度下降算法实现端到端的训练,并获取区域候选框(Proposal)和前景目标的概率(Foreground Softmax Probability,FSP),保存在Pickle文件中。图3为用于提取区域建议(RP)的区域建议网络(RPN)训练流程图。
3.利用2中训练好的RPN网络,读取之前保存的Pickle文件,将其送入区域兴趣池化层,开始训练区域兴趣池层到全连接分类之间网络(此处网络可称为Fast-RCNN)。开始训练Fast-RCNN网络,获取Proposal和FSP,并传入区域兴趣池化层,然后通过全连接层,得到识别概率(Softmax)和回归边框(Bounding Regression)偏移量。图4为用于分类与边框回归的基于区域兴趣池化层的Fast-RCNN网络训练流程图。
开始第二次训练RPN网络,同2所示。图2为基于区域加速卷积神经网络的声呐图像目标检测网络总体损失曲线图,可以看到训练整个网络模型时,总体损失随着训练迭代次数的增加,损失不断下降,模型参数不断被修正。
4.开始第二次训练Fast-RCNN,同3所示,然后结束训练,这里也可以多次交替训练,但通过实验比较发现,交替2后,一直的交替对模型的准备率没有太多提升,因此,在训练交替2次后停止训练。
实施例:
步骤(1)、三维成像声呐数据预处理
针对三维成像声呐采集到的声呐数据,通过特定协议格式,使用MATLAB编写批量解析程序,从原始声呐数据中解析出声呐图像,以便于后面的特征提取。
从原始声呐数据中解析出声呐图像属于现有成熟技术,故不详解。
步骤(2)、声呐图像的特征提取
本发明采用区域加速卷积神经网络(Faster-RCNN)对声呐图像目标进行特征提取:
2.1.通过共享卷积神经网络(Convolution Neural Network,CNN)提取声呐特征图;其中步骤(1)预处理得到的声呐图像作为CNN的输入;
其中提取声呐特征图的具体过程是:
2.1.1将预处理得到不同尺寸的声呐图像缩放至固定的大小(如M×N,M表示图像长,N表示图像宽),然后将固定大小的声呐图像送入CNN网络。
2.1.2在CNN网络中,对声呐图像做卷积、池化操作,得到第一层特征图。
2.1.3将上一层得到的声呐特征图反复做卷积、池化操作(取决基础网络的类型,如:VGG-16,Inception-v3,Resnet-101等),得到声呐特征图。
2.2通过区域建议网络(RPN)代替传统的选择性搜索算法(Selective Search,SS)提取区域建议(RP);其中上述得到的声呐特征图作为RPN网络的输入;
其中提取区域建议的具体过程是:
2.2.1将上述得到的声呐特征图的每一个像素点均设置多种不同尺寸的初始检测框(通过实验比较得出结论,一般设置9种不同尺寸的检测框即可),和4个偏移量(包括检测框中心点坐标、边框长、宽)。
2.2.2将步骤2.2.1得到的初始检测框送入softmax概率层,每个检测框将得到两个概率得分,通过概率得分判断检测框属于前景还是背景,最终筛选出属于前景的检测框。这里的选择概率得分选测标准是:当第i个检测框的概率得分与真实标记的检测框的概率得分的IOU≥0.7时(这里的IOU表示交并比(Intersection-over-Union,IoU),目标检测中使用的一个概念,是产生的候选框与原标记框的交叠率),即判定该检测框为前景;当IOU≤0.3时,则认为该检测框为背景,至于那些在0.3<IOU<0.7的检测框将不参与训练,即被淘汰掉。
2.2.3将步骤2.2.2得到的检测框的得分通过非极大值抑制技术进行排序,选取前n个结果作为真正的区域建议输出。至此,声呐图像的区域建议提取完成。
步骤(3)、声呐图像的目标分类与定位
通过区域兴趣池化层(Region of Interest,ROI)对(RPN)网络提取的区域建议(RP)进行池化操作,得到全连接层,用于声呐图像分类和检测;
其中声呐图像的目标分类的具体过程是:
3.1将步骤(2)中提取到的声呐特征图和RP送入ROI网络,将不同大小的RP归一化为固定大小,得到统一纬度的特征向量。
3.2将步骤3.1得到的特征向量送入用于分类的全连接层,输出声呐目标的概率,确定声呐目标类别。到此,声呐目标的分类任务结束。
3.3将步骤3.1得到的特征向量送入用于计算边框回归的全连接层,输出声呐目标的边框偏移量,修正目标用于定位的边框偏移量。到此,声呐目标的定位检测任务结束。
图5为经过预处理过后需要放入卷积神经网络模型中作为输出的声呐图像。图5中(a)-(j)表示中船重工715研究所在南海实验做采集的海底线状目标声呐图,其中主要包括油管,掩埋雷,以及海底现状威胁设施等。
图6为声呐测试图像在基于区域加速卷积神经网络测试效果图,可以看到在声呐图像中不同状态和尺度目标都能被精确定位检测与识别。图6中(a)-(j)表示图5经过目标检测网络后检测识别的效果图。
Claims (1)
1.基于Faster R-CNN的声呐目标检测方法,其特征在于该方法包括以下步骤:
步骤(1)、三维成像声呐数据预处理
将三维成像声呐采集到的原始声呐数据解析出声呐图像;
步骤(2)、声呐图像的特征提取
采用区域加速卷积神经网络Faster-RCNN对声呐图像目标进行特征提取:
2.1通过共享卷积神经网络CNN提取声呐特征图;其中步骤(1)预处理得到的声呐图像作为CNN的输入;其中提取声呐特征图的具体过程是:
2.1.1将预处理得到不同尺寸的声呐图像缩放至固定的大小,然后将固定大小的声呐图像送入CNN网络;
2.1.2在CNN网络中,对声呐图像做卷积、池化操作,得到第一层特征图;
2.1.3将上一层得到的声呐特征图反复做卷积、池化操作,得到声呐特征图;
2.2通过区域建议网络RPN代替传统的选择性搜索算法SS提取区域建议(RP);其中上述得到的声呐特征图作为RPN网络的输入;其中提取区域建议的具体过程是:
2.2.1将上述得到的声呐特征图的每一个像素点均设置多种不同尺寸的初始检测框和4个偏移量(包括检测框中心点坐标、边框长、宽);
2.2.2将步骤2.2.1得到的初始检测框送入softmax概率层,每个检测框将得到两个概率得分,通过概率得分判断检测框属于前景还是背景,最终筛选出属于前景的检测框;上述选择概率得分选测标准是:当第i个检测框的概率得分与真实标记的检测框的概率得分的IOU≥0.7时(IOU表示交并比),即判定该检测框为前景;当IOU≤0.3时,则认为该检测框为背景,至于那些在0.3<IOU<0.7的检测框将不参与训练,即被淘汰掉;
2.2.3将步骤2.2.2得到的检测框的得分通过非极大值抑制技术进行排序,选取前n个结果作为真正的区域建议输出;
步骤(3)、声呐图像的目标分类与定位
通过区域兴趣池化层ROI对RPN网络提取的区域建议(RP)进行池化操作,得到全连接层,用于声呐图像分类和检测;
其中声呐图像的目标分类的具体过程是:
3.1将步骤(2)中提取到的声呐特征图和RP送入ROI网络,将不同大小的RP归一化为固定大小,得到统一纬度的特征向量;
3.2将步骤3.1得到的特征向量送入用于分类的全连接层,输出声呐目标的概率,确定声呐目标类别;
3.3将步骤3.1得到的特征向量送入用于计算边框回归的全连接层,输出声呐目标的边框偏移量,修正目标用于定位的边框偏移量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810229078.9A CN108596030A (zh) | 2018-03-20 | 2018-03-20 | 基于Faster R-CNN的声呐目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810229078.9A CN108596030A (zh) | 2018-03-20 | 2018-03-20 | 基于Faster R-CNN的声呐目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108596030A true CN108596030A (zh) | 2018-09-28 |
Family
ID=63626776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810229078.9A Pending CN108596030A (zh) | 2018-03-20 | 2018-03-20 | 基于Faster R-CNN的声呐目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596030A (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389185A (zh) * | 2018-11-15 | 2019-02-26 | 中国科学技术大学 | 使用三维卷积神经网络的视频烟雾识别方法 |
CN109655815A (zh) * | 2018-11-23 | 2019-04-19 | 杭州电子科技大学 | 基于ssd的声呐目标检测方法 |
CN109949297A (zh) * | 2019-03-20 | 2019-06-28 | 天津工业大学 | 基于Reception和Faster R-CNN的肺结节检测方法 |
CN110045356A (zh) * | 2019-03-14 | 2019-07-23 | 哈尔滨工程大学 | 一种双向长短时记忆神经网络水面目标识别方法 |
CN110163108A (zh) * | 2019-04-23 | 2019-08-23 | 杭州电子科技大学 | 基于双路径特征融合网络的鲁棒声呐目标检测方法 |
CN110378231A (zh) * | 2019-06-19 | 2019-10-25 | 广东工业大学 | 基于深度学习的螺母识别定位方法 |
CN110533067A (zh) * | 2019-07-22 | 2019-12-03 | 杭州电子科技大学 | 基于深度学习的边框回归的端到端弱监督目标检测方法 |
CN110569754A (zh) * | 2019-08-26 | 2019-12-13 | 江西航天鄱湖云科技有限公司 | 图像目标检测方法、装置、存储介质及设备 |
CN110569792A (zh) * | 2019-09-09 | 2019-12-13 | 吉林大学 | 一种基于卷积神经网络的自动驾驶汽车前方物体检测方法 |
CN110599544A (zh) * | 2019-08-08 | 2019-12-20 | 佛山科学技术学院 | 一种基于机器视觉的工件定位方法及装置 |
CN110764093A (zh) * | 2019-09-30 | 2020-02-07 | 苏州佳世达电通有限公司 | 水下生物辨识系统及其方法 |
CN111144208A (zh) * | 2019-11-22 | 2020-05-12 | 北京航天控制仪器研究所 | 一种海上船舶目标的自动检测和识别方法及目标检测器 |
CN111311652A (zh) * | 2020-01-19 | 2020-06-19 | 杭州电子科技大学 | 一种基于回归校正网络的声呐图像配准方法及系统 |
CN111381233A (zh) * | 2018-12-28 | 2020-07-07 | 中国船舶重工集团公司第七一九研究所 | 一种水下对抗态势显控方法及系统 |
CN111445496A (zh) * | 2020-02-26 | 2020-07-24 | 沈阳大学 | 一种水下图像识别跟踪系统及方法 |
CN111738081A (zh) * | 2020-05-20 | 2020-10-02 | 杭州电子科技大学 | 一种难样本重训练的深度神经网络声呐目标检测方法 |
CN111832336A (zh) * | 2019-04-16 | 2020-10-27 | 四川大学 | 一种基于改进的c3d视频行为检测方法 |
CN112381107A (zh) * | 2021-01-13 | 2021-02-19 | 湖南苏科智能科技有限公司 | 基于深度学习的物品x光检测方法、装置和计算机设备 |
CN112529072A (zh) * | 2020-12-07 | 2021-03-19 | 中国船舶重工集团公司七五0试验场 | 一种基于声呐图像处理的水下沉埋物识别与定位方法 |
CN112633274A (zh) * | 2020-12-21 | 2021-04-09 | 中国航天空气动力技术研究院 | 一种声呐图像目标检测方法、装置、电子设备 |
CN112949510A (zh) * | 2021-03-08 | 2021-06-11 | 香港理工大学深圳研究院 | 基于Faster R-CNN热红外影像人物探测方法 |
CN114299303A (zh) * | 2021-12-07 | 2022-04-08 | 集美大学 | 一种船舶目标检测方法、终端设备及存储介质 |
CN117274788A (zh) * | 2023-10-07 | 2023-12-22 | 南开大学 | 一种声呐图像目标定位方法、系统、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682574A (zh) * | 2016-11-18 | 2017-05-17 | 哈尔滨工程大学 | 一维深度卷积网络的水下多目标识别方法 |
CN107665336A (zh) * | 2017-09-20 | 2018-02-06 | 厦门理工学院 | 智能冰箱中基于Faster‑RCNN的多目标检测方法 |
-
2018
- 2018-03-20 CN CN201810229078.9A patent/CN108596030A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682574A (zh) * | 2016-11-18 | 2017-05-17 | 哈尔滨工程大学 | 一维深度卷积网络的水下多目标识别方法 |
CN107665336A (zh) * | 2017-09-20 | 2018-02-06 | 厦门理工学院 | 智能冰箱中基于Faster‑RCNN的多目标检测方法 |
Non-Patent Citations (3)
Title |
---|
MATIAS VALDENEGRO-TORO: "End-to-End Object Detection and Recognition in Forward-Looking Sonar Images with Convolutional Neural Networks", 《IEEE/OES AUTONOMOUS UNDERWATER VEHICLES (AUV)》 * |
SHAOQING REN 等: "Faster r-cnn: towards real-time object detection with region proposal networks", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
陈佳兵 等: "基于粒子群优化算法的POS-BP海底声学底质分类方法", 《海洋学报》 * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389185A (zh) * | 2018-11-15 | 2019-02-26 | 中国科学技术大学 | 使用三维卷积神经网络的视频烟雾识别方法 |
CN109389185B (zh) * | 2018-11-15 | 2022-03-01 | 中国科学技术大学 | 使用三维卷积神经网络的视频烟雾识别方法 |
CN109655815A (zh) * | 2018-11-23 | 2019-04-19 | 杭州电子科技大学 | 基于ssd的声呐目标检测方法 |
CN111381233A (zh) * | 2018-12-28 | 2020-07-07 | 中国船舶重工集团公司第七一九研究所 | 一种水下对抗态势显控方法及系统 |
CN110045356B (zh) * | 2019-03-14 | 2022-07-15 | 哈尔滨工程大学 | 一种双向长短时记忆神经网络水面目标识别方法 |
CN110045356A (zh) * | 2019-03-14 | 2019-07-23 | 哈尔滨工程大学 | 一种双向长短时记忆神经网络水面目标识别方法 |
CN109949297A (zh) * | 2019-03-20 | 2019-06-28 | 天津工业大学 | 基于Reception和Faster R-CNN的肺结节检测方法 |
CN111832336A (zh) * | 2019-04-16 | 2020-10-27 | 四川大学 | 一种基于改进的c3d视频行为检测方法 |
CN111832336B (zh) * | 2019-04-16 | 2022-09-02 | 四川大学 | 一种基于改进的c3d视频行为检测方法 |
CN110163108A (zh) * | 2019-04-23 | 2019-08-23 | 杭州电子科技大学 | 基于双路径特征融合网络的鲁棒声呐目标检测方法 |
CN110378231A (zh) * | 2019-06-19 | 2019-10-25 | 广东工业大学 | 基于深度学习的螺母识别定位方法 |
CN110533067A (zh) * | 2019-07-22 | 2019-12-03 | 杭州电子科技大学 | 基于深度学习的边框回归的端到端弱监督目标检测方法 |
CN110599544A (zh) * | 2019-08-08 | 2019-12-20 | 佛山科学技术学院 | 一种基于机器视觉的工件定位方法及装置 |
CN110599544B (zh) * | 2019-08-08 | 2023-01-24 | 佛山科学技术学院 | 一种基于机器视觉的工件定位方法及装置 |
CN110569754A (zh) * | 2019-08-26 | 2019-12-13 | 江西航天鄱湖云科技有限公司 | 图像目标检测方法、装置、存储介质及设备 |
CN110569792A (zh) * | 2019-09-09 | 2019-12-13 | 吉林大学 | 一种基于卷积神经网络的自动驾驶汽车前方物体检测方法 |
CN110764093A (zh) * | 2019-09-30 | 2020-02-07 | 苏州佳世达电通有限公司 | 水下生物辨识系统及其方法 |
CN111144208A (zh) * | 2019-11-22 | 2020-05-12 | 北京航天控制仪器研究所 | 一种海上船舶目标的自动检测和识别方法及目标检测器 |
CN111311652A (zh) * | 2020-01-19 | 2020-06-19 | 杭州电子科技大学 | 一种基于回归校正网络的声呐图像配准方法及系统 |
CN111311652B (zh) * | 2020-01-19 | 2023-04-18 | 杭州电子科技大学 | 一种基于回归校正网络的声呐图像配准方法及系统 |
CN111445496A (zh) * | 2020-02-26 | 2020-07-24 | 沈阳大学 | 一种水下图像识别跟踪系统及方法 |
CN111445496B (zh) * | 2020-02-26 | 2023-06-30 | 沈阳大学 | 一种水下图像识别跟踪系统及方法 |
CN111738081A (zh) * | 2020-05-20 | 2020-10-02 | 杭州电子科技大学 | 一种难样本重训练的深度神经网络声呐目标检测方法 |
CN112529072A (zh) * | 2020-12-07 | 2021-03-19 | 中国船舶重工集团公司七五0试验场 | 一种基于声呐图像处理的水下沉埋物识别与定位方法 |
CN112633274A (zh) * | 2020-12-21 | 2021-04-09 | 中国航天空气动力技术研究院 | 一种声呐图像目标检测方法、装置、电子设备 |
CN112381107A (zh) * | 2021-01-13 | 2021-02-19 | 湖南苏科智能科技有限公司 | 基于深度学习的物品x光检测方法、装置和计算机设备 |
CN112949510A (zh) * | 2021-03-08 | 2021-06-11 | 香港理工大学深圳研究院 | 基于Faster R-CNN热红外影像人物探测方法 |
CN114299303A (zh) * | 2021-12-07 | 2022-04-08 | 集美大学 | 一种船舶目标检测方法、终端设备及存储介质 |
CN117274788A (zh) * | 2023-10-07 | 2023-12-22 | 南开大学 | 一种声呐图像目标定位方法、系统、电子设备及存储介质 |
CN117274788B (zh) * | 2023-10-07 | 2024-04-30 | 南开大学 | 一种声呐图像目标定位方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596030A (zh) | 基于Faster R-CNN的声呐目标检测方法 | |
CN109543606B (zh) | 一种加入注意力机制的人脸识别方法 | |
CN110163108B (zh) | 基于双路径特征融合网络的鲁棒声呐目标检测方法 | |
Kim et al. | Real-time visual SLAM for autonomous underwater hull inspection using visual saliency | |
CN111222434A (zh) | 基于局部二值模式和深度学习的合成人脸图像取证方法 | |
CN109190752A (zh) | 基于深度学习的全局特征和局部特征的图像语义分割方法 | |
CN110363115A (zh) | 基于ais轨迹数据的船舶作业异常半监督实时检测方法 | |
CN106023220A (zh) | 一种基于深度学习的车辆外观部件图像分割方法 | |
CN110598693A (zh) | 一种基于Faster-RCNN的船牌识别方法 | |
CN109636788A (zh) | 一种基于深度神经网络的ct图像胆结石智能检测模型 | |
CN109766823A (zh) | 一种基于深层卷积神经网络的高分辨率遥感船舶检测方法 | |
CN113255837A (zh) | 工业环境下基于改进的CenterNet网络目标检测方法 | |
CN110008900A (zh) | 一种由区域到目标的可见光遥感图像候选目标提取方法 | |
CN111027377A (zh) | 一种双流神经网络时序动作定位方法 | |
CN110210433A (zh) | 一种基于深度学习的集装箱箱号检测与识别方法 | |
CN114511774A (zh) | 一种舰船目标综合识别方法、介质和系统 | |
CN116704526B (zh) | 工尺谱扫描机器人及其方法 | |
Du et al. | Intelligent recognition system based on contour accentuation for navigation marks | |
CN115953394B (zh) | 基于目标分割的海洋中尺度涡检测方法及系统 | |
CN115656958A (zh) | 实时航迹起始和航迹分类的检测方法及检测装置 | |
CN113537173B (zh) | 一种基于面部补丁映射的人脸图像真伪识别方法 | |
CN110287763A (zh) | 一种面向舰船目标识别应用的候选框比例优化方法 | |
CN115656952A (zh) | 一种基于u型多维多尺度融合神经网络的地下目标多分类检测方法 | |
CN113850166A (zh) | 一种基于卷积神经网络的船舶图像识别方法及系统 | |
Gerg et al. | Preliminary results on distribution shift performance of deep networks for synthetic aperture sonar classification |
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: 20180928 |
|
RJ01 | Rejection of invention patent application after publication |