CN109145872B - 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法 - Google Patents

一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法 Download PDF

Info

Publication number
CN109145872B
CN109145872B CN201811103023.XA CN201811103023A CN109145872B CN 109145872 B CN109145872 B CN 109145872B CN 201811103023 A CN201811103023 A CN 201811103023A CN 109145872 B CN109145872 B CN 109145872B
Authority
CN
China
Prior art keywords
ship
target
fast
frame
window
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
CN201811103023.XA
Other languages
English (en)
Other versions
CN109145872A (zh
Inventor
杨小婷
何向晨
李洪鹏
房嘉奇
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.)
Beijing Institute of Remote Sensing Equipment
Original Assignee
Beijing Institute of Remote Sensing Equipment
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 Beijing Institute of Remote Sensing Equipment filed Critical Beijing Institute of Remote Sensing Equipment
Priority to CN201811103023.XA priority Critical patent/CN109145872B/zh
Publication of CN109145872A publication Critical patent/CN109145872A/zh
Application granted granted Critical
Publication of CN109145872B publication Critical patent/CN109145872B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06V10/30—Noise filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于CFAR与Fast‑RCNN融合的SAR图像舰船目标检测方法。该方法基于Fast‑RCNN目标检测框架，利用SAR图像中舰船目标亮度高于背景这一显著特征，首先通过CFAR算法获得疑似目标点，然后基于多组结构元素进行形态学滤波得到候选建议框，在缩减候选区域数量提升算法效率的同时还保证了建议框的有效性，克服了采用单一滤波因子组带来的同一目标被分为多个部分，以及相近的目标被误认为同一目标的不足；在提取的候选建议框的基础上完成Fast‑RCNN网络模型的训练，并基于所得模型实现对任意输入图像的目标分类以及标定框回归，通过采用CNN特征提取网络克服了人工特征提取的不足，并提高了数据利用率。

Description

一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法
技术领域
本发明属于目标检测领域，涉及SAR图像的基于CFAR与Fast-RCNN融合的舰船目标检测算法。
背景技术
舰船检测对于国家海洋安全、海洋管理、监控非法捕捞等具有突出作用。雷达探测具有全天时、全天候的特点，随着SAR成像技术的进步，SAR图像分辨率不断提升、信息量越来越丰富。基于SAR图像的舰船目标检测成为当今的一大研究热点。基于SAR图像中舰船目标比背景较亮这一显著特征，通常的SAR图像舰船目标检测算法大多采用基于CFAR的目标检测方法得到候选区域，然后再通过人工特征提取并结合机器学习方法进行目标分类鉴别，从而得到最终的检测结果。
近些年来，随着数据量的井喷式增长以及计算能力的不断提升，基于深度卷积神经网络的目标检测算法成为一大主流。主要包含：1)以RCNN、Fast-RCNN、Faster-RCNN为代表的基于候选区域提取的目标检测算法；2)以YOLO、SSD为代表的基于回归的目标检测算法。以上方法均基于数据驱动进行特征提取，被广泛应用于自然图像处理领域，较传统方法检测性能更优。
基于CFAR的传统目标检测中，候选区域的提取的难点在于分割阈值、形态学滤波结构元素等的选择，之前的研究大多关注前者，而对于后者的研究较少，然而采用不合适的滤波结构元素会导致同一目标被分为多个部分，或相近的目标误判为同一目标，从而影响后续的检测性能。SAR图像源于其成像机理其解译较为困难，采用传统的人工特征提取需要专家经验，且较为困难，而基于深度神经网络的目标检测中以数据为驱动，通过网络自动学习特征，可有效解决这一难题。
发明内容
为了融合SAR图像舰船目标中，舰船目标亮于背景的特点，并发挥基于候选区域提取的深度神经网络无需人工特征提取的优势，提出了一种基于CFAR与Fast-RCNN融合SAR图像舰船目标检测方法。通过CFAR算法获得疑似目标点，然后通过多结构元素组合的形态学滤波得到候选建议框，不但有效克服了单一结构元素的不足而且充分利用了SAR图像的特征使得建议框数量减少的同时不损失检测性能；采用Fast-RCNN框架进行目标分类以及标定框回归，克服人工特征提取的不足。
本发明所述基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法，包括如下步骤：
(1)候选建议框提取：通过CFAR算法获得原图像的疑似目标点；对疑似目标点进行多结构元素组合的形态学滤波处理，得到候选区域，最后生成候选建议框；
(2)Fast-RCNN网络训练：对步骤(1)中得到的候选建议框进行Fast-RCNN网络训练，得到网络模型；
(3)基于Fast-RCNN网络模型的目标检测：对任意输入图片采用步骤(1)方法获取候选建议框；同时将其输入步骤(2)训练好的网络模型得到特征图；根据候选建议框到特征图的映射关系，在特征图中找到每个候选建议框对应的特征框，并在RoI池化层中将每个特征框池化到一定尺寸，经全连接层得到特征框的特征向量，再将该特征向量经全连接层，得到softmax的二分类得分输出向量和标定窗口的修正偏移量输出向量；剔除类别得分低于阈值的舰船检测窗口，并对剩余的舰船检测窗口进行非极大值抑制，剔除重叠建议框，最终得到经回归修正后的舰船检测窗口。
进一步地，所述步骤(1)中，首先将＜5m的高分辨率图像采样到5m的低分辨率；然后采用滑动窗口的方法，逐像素进行CFAR目标检测，其中，所述滑动窗口包含有目标窗口、保护窗口和背景窗口，若目标窗口像素的亮度均值大于K倍的背景窗口均值，则认为该窗口对应的中心点为疑似目标点，并置为1，否则置为0；将疑似目标点映射到原始输入大小的图像上，得到与输入图像对应的疑似目标二值图。
进一步地，所述目标窗口的尺寸设置为5m低分辨率条件下小船尺寸大小，优选小船尺寸为100m，所述保护窗口的大小设置为5m低分辨率条件下2倍的大船尺寸，优选大船尺寸为500m。
进一步地，所述步骤(1)中多结构元素组合的形态学滤波处理方法如下：首先对所得的疑似目标二值图进行多尺度的膨胀操作，然后再进行不同尺度的腐蚀操作，最后通过8联通标记得到候选区域；在输入源图上，根据映射关系计算每一候选区域的左上点和右下点，得到对应的候选建议框。
进一步地，所述步骤(2)中，Fast-RCNN网络训练的方法如下：
S1、计算训练集中每张原图像的真实舰船标定框与所得候选建议框的IOU值，若IOU值大于0.5，将对应的候选建议框标定为舰船，若IOU值小于0.3则标记为背景；
S2、利用S1中标记的目标建议框和背景建议框，采用mini-batch策略进行Fast-RCNN网络训练。
进一步地，所述S2中，略进行网络训练，mini-batch大小设置为128，其中50％来自于标定为舰船的目标建议框，50％来自于标记为背景的背景建议框。
进一步地，所述S2中，Fast-RCNN网络训练的最后一层结果包含类别信息和修正信息，其中类别信息采用softmax损失函数，修正信息采用Smooth L1损失函数。
进一步地，所述步骤(3)中，所述特征图为将待输入图片输入到已经训练好的Fast-RCNN网络进行特征提取，得到特征图。
进一步地，所述步骤(3)中，在RoI池化层中将每个特征框池化到7×7的尺寸。
进一步地，所述步骤(3)中，所述剔除类别得分低于所述阈值为0.5的舰船检测窗口。
采用本发明所述技术方案所具有的有益效果：
(1)本发明所述基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法，通过利用SAR图像中舰船目标亮度高于背景的特征，进行CFAR目标检测并通过多组形态学滤波算子组合，在缩减候选区域数量提升算法效率的同时还保证了建议框的有效性，克服了采用单一滤波因子组带来的同一目标被分为多个部分，以及相近的目标被误认为同一目标的不足。采用Fast-RCNN框架进行目标的特征提取、分类以及标定框回归，不但克服了人工特征提取的不足，而且提高了数据的利用率。
附图说明
图1为本发明所述目标检测方法流程图；
图2为本发明所述CFAR目标检测窗口。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1示出了本发明所述目标检测方法的流程图。
本发明所述基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法，包括如下步骤：
(1)候选建议框提取：通过CFAR算法获得原图像的疑似目标点，进而获得疑似目标二值图；对疑似目标点进行多结构元素组合的形态学滤波处理，得到候选区域，最后生成候选建议框；
(2)Fast-RCNN网络训练：对步骤(1)中得到的候选建议框进行Fast-RCNN网络训练，得到Fast-RCNN网络模型；
(3)基于Fast-RCNN网络模型的目标检测：对任意输入图片采用步骤(1)方法获取候选建议框；同时将其输入步骤(2)训练好的网络模型得到特征图；根据候选建议框到特征图的映射关系，在特征图中找到每个候选建议框对应的特征框，并在RoI池化层中将每个特征框池化到一定尺寸，经全连接层得到特征框的特征向量，再将该特征向量经全连接层，得到softmax的二分类得分输出向量和标定窗口的修正偏移量输出向量；剔除类别得分低于阈值的舰船检测窗口，并对剩余的舰船检测窗口进行非极大值抑制，剔除重叠建议框，最终得到经回归修正后的舰船检测窗口。
具体实施方式
本实施方式中，所述基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法，包括如下步骤：
(1)候选建议框提取：通过CFAR算法获得原图像的疑似目标点，具体地，首先将高分辨率图像采样到低分辨率(其中，所述高分辨率为<5m，低分辨率为5m)；然后采用滑动窗口的方法，逐像素进行CFAR目标检测，如图2所示，滑动窗口包含有目标窗口、保护窗口和背景窗口，若目标窗口像素的亮度均值大于K倍的背景窗口均值，则认为该窗口对应的中心点为目标点，并置为1，否则置为0；其中目标窗口的大小设置为5m分辨率条件下小船尺寸大小，保护窗口的大小设置为5m分辨率条件下2倍的大船尺寸，背景窗口每一边长均比背景窗口大5个像素点，K取值为5；最后将疑似目标点映射到原始输入大小的图像上，从而得到与输入图像对应的疑似目标二值图；对疑似目标点进行多结构元素组合的形态学滤波处理，本实施方式中优选为基于28组圆形结构元素，进行形态学滤波处理，具体操作如下：首先对疑似目标二值图进行多尺寸膨胀操作，然后再进行不同尺寸的腐蚀操作，最后通过8联通标记得到候选区域。其中结构元素的尺寸选取如表1所示。
表1形态学滤波结构算子组合
Figure GDA0003096986550000071
根据映射关系在输入源图上，计算每一候选区域的左上点和右下点，得到其对应的候选建议框；
(2)Fast-R-CNN网络训练：对步骤(1)中得到的候选建议框进行Fast-RCNN网络训练，具体包括如下步骤：
S1：计算训练集中每张原图像的真实舰船标定框与所得候选建议框的IOU值，若IOU值大于0.5将对应的建议框标定为舰船，若IOU值小于0.3则标记为背景；
S2：采用mini-batch策略，进行模型训练；其中，本实施方式中mini-batch设置为128，50％来自于标记为舰船的目标建议框，50％来自于标记为背景的背景建议框；
S3：训练Fast-RCNN网络，其中优选Fast-RCNN网络训练的最后一层的结果包含类别信息和修正信息，采用多任务损失函数，一个是softmax损失函数，一个是位置的SmoothL1损失函数。
(3)：基于Fast-RCNN的目标检测：
S1：对任意输入原图像P采用步骤(1)中的算法提取得到候选建议框；
S2：将输入的原图像P输入到已经训练好的Fast-RCNN网络进行特征提取，得到特征图F；
S3：根据原图像P中的候选建议框到特征图F的映射关系，在特征图F中找到每个候选建议框对应的特征框(深度和特征图一致)，并在RoI池化层中将每个特征框池化到7×7(采用VGG-16网络)；
S4：固定7×7大小的特征框经过全连接层得到固定大小的特征向量；
S5：S4所得特征向量经由各自的全连接层，分别得到两个输出向量：一个是softmax的二分类得分(舰船和背景),一个是标定框窗口的4个修正偏移量；
S6：剔除类别得分低于阈值(0.5)的舰船检测窗口，并对剩余的舰船检测窗口进行非极大值抑制剔除重叠建议框，最终得到经回归修正后的得分高的舰船检测窗口。
采用本发明所述方法进行舰船目标检测时，由于本发明利用SAR图像中舰船目标亮度高于背景的特征，进行CFAR目标检测并通过多组形态学滤波算子组合，在缩减候选区域数量提升算法效率的同时还保证了建议框的有效性，克服了采用单一滤波因子组带来的同一目标被分为多个部分，以及相近的目标被误认为同一目标的不足。采用Fast-RCNN框架进行目标的特征提取、分类以及标定框回归，不但克服了人工特征提取的不足，而且提高了数据的利用率。
显然，上述实施例仅仅是为清楚地说明所作的举例，而非对实施方式的限定。对于所属技术领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍属于本发明创造的保护范围之中。

Claims (7)

1.一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法，其特征在于，包括如下步骤：
(1)候选建议框提取：通过CFAR算法获得原图像的疑似目标点，对疑似目标点进行多结构元素组合的形态学滤波处理，得到候选区域，最后生成候选建议框；
(2)Fast-RCNN网络训练：对步骤(1)中得到的候选建议框进行Fast-RCNN网络训练，得到Fast-RCNN网络模型；其中Fast-RCNN网络训练步骤包括：
S1：计算训练集中每张原图像的真实舰船标定框与所得候选建议框的IOU值，若IOU值大于0.5将对应的建议框标定为舰船，若IOU值小于0.3则标记为背景；
S2：采用mini-batch策略，进行模型训练；其中，本实施方式中mini-batch设置为128，50％来自于标记为舰船的目标建议框，50％来自于标记为背景的背景建议框；
S3：训练Fast-RCNN网络，其中Fast-RCNN网络训练的最后一层的结果包含类别信息和修正信息，采用多任务损失函数，一个是softmax损失函数，一个是位置的Smooth L1损失函数；
(3)基于Fast-RCNN网络模型的目标检测：对任意输入图片采用步骤(1)方法获取候选建议框；同时将其输入步骤(2)训练好的网络模型得到特征图；根据候选建议框到特征图的映射关系，在特征图中找到每个候选建议框对应的特征框，并在RoI池化层中将每个特征框池化到一定尺寸，经全连接层得到特征框的特征向量，再将该特征向量经全连接层，得到softmax的二分类得分输出向量和标定框窗口的修正偏移量输出向量；剔除类别得分低于阈值的舰船检测窗口，并对剩余的舰船检测窗口进行非极大值抑制，剔除重叠建议框，最终得到经回归修正后的舰船检测窗口。
2.根据权利要求1所述的SAR图像舰船目标检测方法，其特征在于，所述步骤(1)中，首先将＜5m的高分辨率图像采样到5m的低分辨率；然后采用滑动窗口的方法，逐像素进行CFAR目标检测，其中，所述滑动窗口包含有目标窗口、保护窗口和背景窗口，若目标窗口像素的亮度均值大于K倍的背景窗口均值，则认为该窗口对应的中心点为疑似目标点，并置为1，否则置为0；将疑似目标点映射到原始输入大小的图像上，得到与输入图像对应的疑似目标二值图。
3.根据权利要求2所述的SAR图像舰船目标检测方法，其特征在于，所述目标窗口的尺寸设置为5m低分辨率条件下小船尺寸大小；所述保护窗口的大小设置为5m低分辨率条件下2倍的大船尺寸。
4.根据权利要求2或3所述的SAR图像舰船目标检测方法，其特征在于，所述步骤(1)中多结构元素组合的形态学滤波处理方法如下：首先对所得的疑似目标二值图进行多尺度的膨胀操作，然后再进行不同尺度的腐蚀操作，最后通过8联通标记得到候选区域；在输入源图上，根据映射关系计算每一候选区域的左上点和右下点，得到对应的候选建议框。
5.根据权利要求1所述的SAR图像舰船目标检测方法，其特征在于，所述步骤(3)中，所述特征图为将待输入图片输入到已经训练好的Fast-RCNN网络进行特征提取，得到特征图。
6.根据权利要求5所述的SAR图像舰船目标检测方法，其特征在于，所述步骤(3)中，在RoI池化层中将每个特征框池化到7×7大小。
7.根据权利要求5所述的SAR图像舰船目标检测方法，其特征在于，所述步骤(3)中，所述剔除类别得分低于所述阈值为0.5的舰船检测窗口。
CN201811103023.XA 2018-09-20 2018-09-20 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法 Active CN109145872B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811103023.XA CN109145872B (zh) 2018-09-20 2018-09-20 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811103023.XA CN109145872B (zh) 2018-09-20 2018-09-20 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法

Publications (2)

Publication Number Publication Date
CN109145872A CN109145872A (zh) 2019-01-04
CN109145872B true CN109145872B (zh) 2021-08-13

Family

ID=64823196

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811103023.XA Active CN109145872B (zh) 2018-09-20 2018-09-20 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法

Country Status (1)

Country Link
CN (1) CN109145872B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919000A (zh) * 2019-01-23 2019-06-21 杭州电子科技大学 一种基于多尺度融合策略的舰船目标检测方法
CN109871829B (zh) * 2019-03-15 2021-06-04 北京行易道科技有限公司 一种基于深度学习的检测模型训练方法和装置
CN109948706B (zh) * 2019-03-20 2023-04-18 西安建筑科技大学 结合深度学习与特征多尺度融合的微钙化簇检测方法
CN109993168B (zh) * 2019-04-09 2021-07-16 成都鹏业软件股份有限公司 智能巡检方法
CN110427981B (zh) * 2019-07-11 2023-01-31 四川大学 基于深度神经网络的sar船舶检测系统及方法
CN110378308B (zh) * 2019-07-25 2021-07-20 电子科技大学 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法
CN110969213A (zh) * 2019-12-10 2020-04-07 珠海大横琴科技发展有限公司 一种基于Faster RCNN的船只检测方法、装置及电子设备
CN111242066B (zh) * 2020-01-17 2023-09-05 中国人民解放军国防科技大学 大尺寸图像目标检测方法、装置及计算机可读存储介质
CN111539277A (zh) * 2020-04-14 2020-08-14 华北电力大学（保定） 一种输电线路区域内施工机械的检测方法及系统
CN112597815B (zh) * 2020-12-07 2024-10-01 西北工业大学 一种基于Group-G0模型的合成孔径雷达图像舰船检测方法
CN112907567B (zh) * 2021-03-19 2022-05-27 甘肃省地震局（中国地震局兰州地震研究所） 基于空间推理方法的sar图像有序人造构筑物提取方法
CN115205902B (zh) * 2022-07-15 2023-06-30 宜宾学院 基于Fast-RCNN和联合概率数据关联滤波器的行人检测方法
CN116469014B (zh) * 2023-01-10 2024-04-30 南京航空航天大学 基于优化Mask R-CNN的小样本卫星雷达图像帆板识别和分割方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012063196A (ja) * 2010-09-15 2012-03-29 Mitsubishi Space Software Kk 船舶探知装置、船舶探知プログラムおよび船舶探知装置の船舶探知方法
CN103400156A (zh) * 2013-07-04 2013-11-20 西安电子科技大学 基于cfar和稀疏表示的高分辨sar图像舰船检测方法
CN106156744A (zh) * 2016-07-11 2016-11-23 西安电子科技大学 基于cfar检测与深度学习的sar目标检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012063196A (ja) * 2010-09-15 2012-03-29 Mitsubishi Space Software Kk 船舶探知装置、船舶探知プログラムおよび船舶探知装置の船舶探知方法
CN103400156A (zh) * 2013-07-04 2013-11-20 西安电子科技大学 基于cfar和稀疏表示的高分辨sar图像舰船检测方法
CN106156744A (zh) * 2016-07-11 2016-11-23 西安电子科技大学 基于cfar检测与深度学习的sar目标检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
A Densely Connected End-to-End Neural Network for Multiscale and Multiscene SAR Ship Detection;Jiao Jiao et al.;《IEEE Access》;20180410;全文 *

Also Published As

Publication number Publication date
CN109145872A (zh) 2019-01-04

Similar Documents

Publication Publication Date Title
CN109145872B (zh) 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法
CN109299688B (zh) 基于可变形快速卷积神经网络的舰船检测方法
CN111047554B (zh) 一种基于实例分割的复合绝缘子过热缺陷检测方法
CN109800629B (zh) 一种基于卷积神经网络的遥感图像目标检测方法
CN111797712B (zh) 基于多尺度特征融合网络的遥感影像云与云阴影检测方法
CN108491854B (zh) 基于sf-rcnn的光学遥感图像目标检测方法
CN107680090A (zh) 基于改进全卷积神经网络的输电线路绝缘子状态识别方法
CN112598713A (zh) 一种基于深度学习的近岸海底鱼类检测、跟踪统计方法
CN112614136B (zh) 一种红外小目标实时实例分割方法及装置
Lan et al. Defect detection from UAV images based on region-based CNNs
CN110569782A (zh) 一种基于深度学习目标检测方法
CN110084302B (zh) 一种基于遥感图像的裂缝检测方法
CN110659550A (zh) 交通标志牌识别方法、装置、计算机设备和存储介质
CN110008900B (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
CN110472628B (zh) 一种基于视频特征的改进Faster R-CNN网络检测漂浮物方法
CN104408482A (zh) 一种高分辨率sar图像目标检测方法
CN111160407A (zh) 一种深度学习目标检测方法及系统
CN110399840A (zh) 一种快速的草坪语义分割及边界检测方法
CN113255837A (zh) 工业环境下基于改进的CenterNet网络目标检测方法
CN110751619A (zh) 一种绝缘子缺陷检测方法
CN112528947B (zh) 一种通过增加方向维度的假菌丝检测方法、设备及存储介质
CN107563290A (zh) 一种基于图像的行人检测方法及装置
CN105354547A (zh) 一种结合纹理和彩色特征的行人检测方法
CN117456358A (zh) 一种基于YOLOv5神经网络的植物病虫害检测方法
CN115731257A (zh) 基于图像的叶片形态信息提取方法

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