CN109165585A - 一种改进的基于yolo v2的船舶目标检测方法 - Google Patents
一种改进的基于yolo v2的船舶目标检测方法 Download PDFInfo
- Publication number
- CN109165585A CN109165585A CN201810907289.3A CN201810907289A CN109165585A CN 109165585 A CN109165585 A CN 109165585A CN 201810907289 A CN201810907289 A CN 201810907289A CN 109165585 A CN109165585 A CN 109165585A
- Authority
- CN
- China
- Prior art keywords
- network
- module
- yolo
- detection
- file
- 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
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
一种改进的基于YOLO V2的船舶目标检测方法,包括以下步骤:(1)依据VOC数据集格式制作船舶数据集;(2)以改进的Darknet‑19网络作为基础网络,做YOLO V2的特征提取器和分类网络,添加额外的辅助网络层在改进的Darknet‑19上完成定位检测,构成完整的YOLO V2目标检测网络;(3)利用搭建好的网络结构训练模型;(4)利用训练出的模型进行船舶目标检测及模型评估。效果1:取代了传统的非成像技术和成像技术的船舶检测方法,避免了外界干扰对船舶检测带来的影响,并且基于YOLO V2的实时性和准确度能满足海洋监管系统的实时监测、准确检测的要求。效果2:针对小目标检测效果不好的问题,对网络做了改进,在很大程度上解决了目标检测领域小目标检测效果不好的问题。
Description
技术领域
本发明涉及计算机视觉、深度学习技术等领域,具体设计一种改进的基于YOLO V2的船舶目标检测方法。
背景技术
海洋与人类的生活紧密相连,息息相关,在军事上更是战略地位举足轻重,意义重大。近年来我国海上安全形势日趋复杂,别国侵犯我国海域,非法捕捞现象严重,海上安全问题频发,海洋监管和对入侵船舶的实时检测变得至关重要。但是传统方法的检测精度和速度都不能达到要求,所以迫切需要一种更快更准确的检测方法。
现有的传统船舶检测方法主要有两种:非成像技术和成像技术检测。非成像技术检测譬如脉冲雷达、声呐等,通过主动、被动的工作方式获取船舶目标的辐射信号或者回波,利用信号处理技术和模式识别技术对目标信号进行分析检测,但由于水下环境的复杂性、不可预性,船舶自身系统的辐射场的干扰以及通信传输信道的繁杂,给检测带来很多困难。而红外、雷达和卫星遥感等成像技术又易受海面波浪噪声、浓雾的影响,且监测范围小。
针对船舶目标检测,有一些相对较好的方案,如:基于Faster R-CNN的目标检测方法,分别训练一个RPN(Region Proposal Network)和一个fast-rcnn卷积神经网络,RPN直接预测出建议框,卷积网络和Fast R-CNN部分共享,该方法检测准确率很高,但不能满足实时的要求。基于YOLO(You Only Look Once)的目标检测,直接回归了目标的位置和类别,无需Region Proposal,满足了实时性的要求,但检测精度不尽人意。基于SSD(Single ShotMultibox Detector)的目标检测方法,同样直接回归了目标的位置和类别,检测速度和检测精度也差强人意,但对小目标的检测效果并不是很好。
发明内容
发明目的:
本发明的目的在于克服上述现有技术的不足,提出了一种改进的基于YOLO V2的船舶目标检测方法,提高船舶目标检测的准确率,达到实时检测的要求。
本发明所采用的的技术方案是:
一种改进的基于YOLO V2的船舶目标检测方法,其特征在于包括以下步骤:
(1)依据VOC数据集格式制作船舶数据集;
(2)以改进的Darknet-19网络作为基础网络,做YOLO V2的特征提取器和分类网络,添加额外的辅助网络层在改进的Darknet-19上完成定位检测,构成完整的YOLO V2目标检测网络;
(3)利用搭建好的网络结构训练模型;
(4)利用训练出的模型进行船舶目标检测及模型评估。
步骤(1)中建立用来存放数据集的文件夹Boat-detection,在Boat-detection文件夹下生成三个文件夹,命名分别为Annotations、ImageSets、JPEGImages文件夹,其中在ImageSets文件夹下生成一个子文件夹--Main文件夹;调整船舶图片数据格式为.jpg格式,并按照PASCAL VOC官方命名方法将图片数据从000001.jpg开始统一重命名,将图片数据存放在JPEGImages文件夹中;对图片数据进行标注,即标出目标的类别和位置信息,将标注信息保存为同名的.xml格式文件,存放至Annotations文件夹中;将已有数据按比例生成训练样本集和测试样本集,生成train.txt和test.txt文件,里面存放训练样本集和测试样本集的绝对路径信息,将.txt文件放至ImageSets文件夹下的Main文件夹中。
所述步骤(2)中改进的Darknet-19网络由8个卷积模块、5个池化模块、1个通过层(passthrough layer)模块、1个均值池化模块、1个分类模块组成。所述检测图像作为第一卷积模块的输入;第一卷积模块、第一池化模块、第二卷积模块、第二池化模块、第三卷积模块、第三池化模块、第四卷积模块、第五卷积模块、第六卷积模块、第四池化模块、一个通过层模块、第七卷积模块、第五池化模块、第八卷积模块、一个均值池化模块、一个softmax分类模块依次级联后的输出来完成检测目标的特征提取和分类的。去掉第八卷积模块、一个均值池化模块、一个softmax分类模块,在后面加上新的第八卷积模块、第九卷积模块、一个通过层模块、第十卷积模块、第十一卷积模块依次重新级联作为额外的辅助网络层完成检测目标定位检测。
步骤(3)中训练模型的过程如下:初始化网络待训练参数及超参数,向初始化后的网络中输入训练样本数据进行网络前向传播,得到实际的输出结果通过损失函数结合反向传播BP算法进行反馈调整网络参数,进行迭代训练,迭代至损失函数的损失值降至设定阈值或迭代次数达到最大迭代次数时结束训练,得到用于船舶目标检测的网络模型。通过损失值对模型进行评估反馈。若反馈良好,则模型设计合理;否则,返回步骤(2),利用反馈结果对网络结构和参数进行再次分析改进直至模型反馈达到预期要求。
所述的训练样本数据包括待训练的图像样本及其目标位置、类别信息。
步骤(4)利用已训练好的网络模型对测试样本进行测试验证,得到检测目标的位置和类别。
优点效果:
本发明有以下两种良好的效果:
效果1:取代了传统的非成像技术和成像技术的船舶检测方法,避免了外界干扰对船舶检测带来的影响,并且基于YOLO V2的实时性和准确度能满足海洋监管系统的实时监测、准确检测的要求。
效果2:针对小目标检测效果不好的问题,对网络做了改进,在很大程度上解决了目标检测领域小目标检测效果不好的问题。
附图说明
图1是本发明的步骤图;
图2是实施例1中的数据制作存放的结构图;
图3是实施例1中的改进的YOLO V2目标检测网络的结构图。
具体实施方式
一种改进的基于YOLO V2的船舶目标检测方法,该方法包括以下步骤:
(1)依据VOC数据集格式制作船舶数据集;
(2)以改进的Darknet-19网络作为基础网络,做YOLO V2的特征提取器和分类网络,添加额外的辅助网络层在改进的Darknet-19上完成定位检测,构成完整的YOLO V2目标检测网络;
(3)利用搭建好的网络结构训练模型,对模型进行评估;
(4)利用训练出的模型进行船舶目标检测及模型测试。
以下将结合附图和具体实施方式,对本发明作进一步的详细说明。
步骤(2)中改进的Darknet-19网络由8个卷积模块、5个池化模块、1个通过层(passthrough layer)模块、1个均值池化模块、1个分类模块组成;
所述检测图像作为第一卷积模块的输入;第一卷积模块、第一池化模块、第二卷积模块、第二池化模块、第三卷积模块、第三池化模块、第四卷积模块、第五卷积模块、第六卷积模块、第四池化模块、一个通过层模块、第七卷积模块、第五池化模块、第八卷积模块、一个均值池化模块、一个softmax分类模块依次级联后的输出来完成检测目标的特征提取和分类的;去掉第八卷积模块、一个均值池化模块、一个softmax分类模块,在后面加上新的第八卷积模块、第九卷积模块、一个通过层模块、第十卷积模块、第十一卷积模块依次重新级联作为额外的辅助网络层完成检测目标定位检测。
步骤(3)中训练模型的过程如下:初始化网络待训练参数及超参数,向初始化后的网络中输入训练样本数据进行网络前向传播,得到实际的输出结果通过损失函数结合反向传播BP算法进行反馈调整网络参数,进行迭代训练,迭代至损失函数的损失值降至设定阈值或迭代次数达到最大迭代次数时结束训练,得到用于船舶目标检测的网络模型;通过损失值对模型进行评估反馈;若反馈良好,则模型设计合理;否则,返回步骤(2),利用反馈结果对网络结构和参数进行再次分析改进直至模型反馈达到预期要求。
所述的训练样本数据包括待训练的图像样本及其目标位置、类别信息。
步骤(4)利用已训练好的网络模型对测试样本进行测试验证,得到检测目标的位置和类别。
实施例1
步骤1:依据VOC数据集格式制作数据集
建立用来存放数据集的文件夹Boat-detection,在Boat-detection文件夹下生成三个文件夹,命名分别为Annotations、ImageSets、JPEGImages文件夹。调整船舶图片数据格式为.jpg格式,并按照PASCAL VOC官方命名方法将图片数据从000001.jpg开始统一重命名,将图片数据存放在JPEGImages文件夹中。对图片数据进行标注,即标出目标的类别和位置信息,将标注信息保存为同名的.xml格式文件,存放至Annotations文件夹中。将已有数据按比例生成训练样本集和测试样本集,生成train.txt和test.txt文件,里面存放训练样本集和测试样本集的绝对路径信息,将.txt文件放至ImageSets文件夹下的Main文件夹中,本实施例中的数据制作存放的结构图如附图2所示。
步骤2:改进YOLO V2目标检测网络
船舶目标检测易受外界干扰,船舶小目标误识率高,是当前船舶目标检测存在的主要问题,本发明针对这一问题改进了YOLO V2的网络结构,将网络分为特征提取分类网络和检测网络,改进原算法中的分类网络--Darknet-19,减少其网络层数,提升了检测速度;在网络结构添入通过层,通过层将相邻特征堆叠在不同通道,将高分辨率特征映射变成低分辨率的特征映射进行维度合并,增强了对小目标的检测;利用K均值算法针对样本数据集中的目标框进行维度聚类操作,得到适合本船舶数据集的锚盒(anchor box)的宽高维度和数目,重新定义锚盒的大小和个数信息,进行带锚盒的卷积操作,提高定位的准确率,提升检测的速度。
步骤3:预训练网络模型
因网络结构较大、复杂,参数较多,小规模样本容易使网络陷入局部最优,网络进行BP反向传播时易产生梯度扩散问题,引起过拟合现象,故先将网络模型在PASCALVOC2007这一较大数据集上进行网络预训练,增强网络模型的鲁棒性,优化网络的初始参数,得到预训练模型。
步骤4:训练改进的YOLO V2网络模型
在步骤3的基础上,将改进的YOLO V2网络模型在步骤1制作的数据集上进行训练,网络设计中采用旋转图片角度、调整色调、改变饱和度和曝光度等方法来扩充样本数量,训练过程中不断修改网络参数,得到最终的网络模型。将损失值作为评价参数,通过损失值对模型进行评估反馈。若反馈良好,则模型设计合理;否则,返回步骤2,根据反馈结果对网络结构和参数进行再次分析改进直至模型反馈达到预期要求。本实施例中设置损失值低于0.02为预期要求。
步骤5:测试及评估网络模型
利用测试样本集对网络模型进行测试,得到检测图片中目标的位置和类别。计算模型在测试样本集下的检测准确率和检测速度,根据检测准确率和检测速度的大小来评估网络模型。
经测试,本发明的船舶检测网络模型可应对复杂的外界干扰,如:雨雾天气、海鸥干扰、海面波浪遮挡等,满足实时检测的同时船舶目标检测准确率也较高。
Claims (6)
1.一种改进的基于YOLO V2的船舶目标检测方法,其特征在于:该方法包括以下步骤:
(1)依据VOC数据集格式制作船舶数据集;
(2)以改进的Darknet-19网络作为基础网络,做YOLO V2的特征提取器和分类网络,添加额外的辅助网络层在改进的Darknet-19上完成定位检测,构成完整的YOLO V2目标检测网络;
(3)利用搭建好的网络结构训练模型,对模型进行评估;
(4)利用训练出的模型进行船舶目标检测及模型测试。
2.根据权利要求书1所述的一种改进的基于YOLO V2的船舶目标检测方法,其特征在于:步骤(1)中建立用来存放数据集的文件夹Boat-detection,在Boat-detection文件夹下生成三个文件夹,命名分别为Annotations、ImageSets、JPEGImages文件夹,其中在ImageSets文件夹下生成一个子文件夹--Main文件夹;调整船舶图片数据格式为.jpg格式,并按照PASCAL VOC官方命名方法将图片数据从000001.jpg开始统一重命名,将图片数据存放在JPEGImages文件夹中;对图片数据进行标注,即标出目标的类别和位置信息,将标注信息保存为同名的.xml格式文件,存放至Annotations文件夹中;将已有数据按比例生成训练样本集和测试样本集,生成train.txt和test.txt文件,里面存放训练样本集和测试样本集的绝对路径信息,将.txt文件放至ImageSets文件夹下的Main文件夹中。
3.根据权利要求书1所述的一种改进的基于YOLO V2的船舶目标检测方法,其特征在于:步骤(2)中改进的Darknet-19网络由8个卷积模块、5个池化模块、1个通过层(passthrough layer)模块、1个均值池化模块、1个分类模块组成;
所述检测图像作为第一卷积模块的输入;第一卷积模块、第一池化模块、第二卷积模块、第二池化模块、第三卷积模块、第三池化模块、第四卷积模块、第五卷积模块、第六卷积模块、第四池化模块、一个通过层模块、第七卷积模块、第五池化模块、第八卷积模块、一个均值池化模块、一个softmax分类模块依次级联后的输出来完成检测目标的特征提取和分类的;去掉第八卷积模块、一个均值池化模块、一个softmax分类模块,在后面加上新的第八卷积模块、第九卷积模块、一个通过层模块、第十卷积模块、第十一卷积模块依次重新级联作为额外的辅助网络层完成检测目标定位检测。
4.根据权利要求书1所述的一种改进的基于YOLO V2的船舶目标检测方法,其特征在于:步骤(3)中训练模型的过程如下:初始化网络待训练参数及超参数,向初始化后的网络中输入训练样本数据进行网络前向传播,得到实际的输出结果通过损失函数结合反向传播BP算法进行反馈调整网络参数,进行迭代训练,迭代至损失函数的损失值降至设定阈值,其中设定的阈值越小,效果越好,最好可至0。或迭代次数达到最大迭代次数时结束训练,得到用于船舶目标检测的网络模型;通过损失值对模型进行评估反馈;若反馈良好,则模型设计合理;否则,返回步骤(2),利用反馈结果对网络结构和参数进行再次分析改进直至模型反馈达到预期要求。
5.根据权利要求书4所述的一种改进的基于YOLO V2的船舶目标检测方法,其特征在于:所述的训练样本数据包括待训练的图像样本及其目标位置和类别信息。
6.根据权利要求书1所述的一种改进的基于YOLO V2的船舶目标检测方法,其特征在于:步骤(4)利用已训练好的网络模型对测试样本进行测试验证,得到检测目标的位置和类别。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2018106176867 | 2018-06-15 | ||
CN201810617686 | 2018-06-15 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109165585A true CN109165585A (zh) | 2019-01-08 |
Family
ID=64895391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810907289.3A Pending CN109165585A (zh) | 2018-06-15 | 2018-08-10 | 一种改进的基于yolo v2的船舶目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109165585A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784278A (zh) * | 2019-01-17 | 2019-05-21 | 上海海事大学 | 基于深度学习的海上弱小运动船舶实时检测方法 |
CN109993163A (zh) * | 2019-03-19 | 2019-07-09 | 苏州大学 | 一种基于人工智能的非标铭牌识别系统及其识别方法 |
CN110069987A (zh) * | 2019-03-14 | 2019-07-30 | 中国人民武装警察部队海警学院 | 基于改进vgg网络的单阶段船舶检测算法及装置 |
CN110070142A (zh) * | 2019-04-29 | 2019-07-30 | 上海大学 | 一种基于yolo神经网络的海上船只目标检测方法 |
CN110414340A (zh) * | 2019-06-21 | 2019-11-05 | 武汉四创自动控制技术有限责任公司 | 一种船闸监控系统中的船舶识别方法 |
CN110427030A (zh) * | 2019-08-08 | 2019-11-08 | 上海大学 | 一种基于Tiny-YOLOship目标检测算法的无人艇自主对接回收方法 |
CN110751232A (zh) * | 2019-11-04 | 2020-02-04 | 哈尔滨理工大学 | 一种中文复杂场景文本检测与识别方法 |
CN110826520A (zh) * | 2019-11-14 | 2020-02-21 | 燕山大学 | 一种基于改进YOLOv3-tiny算法的港口抓斗检测方法 |
CN110852179A (zh) * | 2019-10-17 | 2020-02-28 | 天津大学 | 基于视频监控平台的可疑人员入侵的检测方法 |
CN111027399A (zh) * | 2019-11-14 | 2020-04-17 | 武汉兴图新科电子股份有限公司 | 一种基于深度学习的遥感图像水面潜艇识别方法 |
CN111027445A (zh) * | 2019-12-04 | 2020-04-17 | 安徽工程大学 | 一种海上船舶目标识别方法 |
CN111476159A (zh) * | 2020-04-07 | 2020-07-31 | 哈尔滨工业大学 | 一种基于双角回归的检测模型训练、检测方法及装置 |
CN111523363A (zh) * | 2019-12-27 | 2020-08-11 | 珠海大横琴科技发展有限公司 | 基于电子围网的雷达影像船只识别方法、装置及电子设备 |
CN111582013A (zh) * | 2019-12-27 | 2020-08-25 | 珠海大横琴科技发展有限公司 | 一种基于灰度共生矩阵特征船只检索方法及装置 |
CN111738063A (zh) * | 2020-05-08 | 2020-10-02 | 华南理工大学 | 船舶目标跟踪方法、系统、计算机设备及存储介质 |
CN111898699A (zh) * | 2020-08-11 | 2020-11-06 | 海之韵(苏州)科技有限公司 | 一种船体目标自动检测识别方法 |
CN113052200A (zh) * | 2020-12-09 | 2021-06-29 | 江苏科技大学 | 一种基于yolov3网络的声呐图像目标检测方法 |
US11386637B2 (en) | 2019-07-16 | 2022-07-12 | Samsung Electronics Co., Ltd. | Method and apparatus for detecting object |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160140424A1 (en) * | 2014-11-13 | 2016-05-19 | Nec Laboratories America, Inc. | Object-centric Fine-grained Image Classification |
CN107330387A (zh) * | 2017-06-21 | 2017-11-07 | 哈尔滨工业大学深圳研究生院 | 基于图像数据的行人检测方法 |
CN107563372A (zh) * | 2017-07-20 | 2018-01-09 | 济南中维世纪科技有限公司 | 一种基于深度学习ssd框架的车牌定位方法 |
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 |
CN107909600A (zh) * | 2017-11-04 | 2018-04-13 | 南京奇蛙智能科技有限公司 | 一种基于视觉的无人机实时运动目标分类与检测方法 |
-
2018
- 2018-08-10 CN CN201810907289.3A patent/CN109165585A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160140424A1 (en) * | 2014-11-13 | 2016-05-19 | Nec Laboratories America, Inc. | Object-centric Fine-grained Image Classification |
CN107330387A (zh) * | 2017-06-21 | 2017-11-07 | 哈尔滨工业大学深圳研究生院 | 基于图像数据的行人检测方法 |
CN107563372A (zh) * | 2017-07-20 | 2018-01-09 | 济南中维世纪科技有限公司 | 一种基于深度学习ssd框架的车牌定位方法 |
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 |
CN107909600A (zh) * | 2017-11-04 | 2018-04-13 | 南京奇蛙智能科技有限公司 | 一种基于视觉的无人机实时运动目标分类与检测方法 |
Non-Patent Citations (4)
Title |
---|
JOSEPH REDMON 等: "YOLO9000:Better, Faster, Stronger", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
冯爽朗: "YOLOv2目标检测详解", 《HTTPS://BLOG.CSDN.NET/MIELEIZHI0522/ARTICLE/DETAILS/79887066》 * |
王贵槐 等: "基于深度学习的水面无人船前方船只图像识别方法", 《船舶工程》 * |
魏湧明 等: "基于YOLO V2的无人机航拍图像定位研究", 《激光与光电子学进展》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784278A (zh) * | 2019-01-17 | 2019-05-21 | 上海海事大学 | 基于深度学习的海上弱小运动船舶实时检测方法 |
CN110069987A (zh) * | 2019-03-14 | 2019-07-30 | 中国人民武装警察部队海警学院 | 基于改进vgg网络的单阶段船舶检测算法及装置 |
CN110069987B (zh) * | 2019-03-14 | 2022-12-30 | 中国人民武装警察部队海警学院 | 基于改进vgg网络的单阶段船舶检测算法及装置 |
CN109993163A (zh) * | 2019-03-19 | 2019-07-09 | 苏州大学 | 一种基于人工智能的非标铭牌识别系统及其识别方法 |
CN109993163B (zh) * | 2019-03-19 | 2023-09-05 | 苏州大学 | 一种基于人工智能的非标铭牌识别系统及其识别方法 |
CN110070142A (zh) * | 2019-04-29 | 2019-07-30 | 上海大学 | 一种基于yolo神经网络的海上船只目标检测方法 |
CN110414340A (zh) * | 2019-06-21 | 2019-11-05 | 武汉四创自动控制技术有限责任公司 | 一种船闸监控系统中的船舶识别方法 |
US11386637B2 (en) | 2019-07-16 | 2022-07-12 | Samsung Electronics Co., Ltd. | Method and apparatus for detecting object |
CN110427030A (zh) * | 2019-08-08 | 2019-11-08 | 上海大学 | 一种基于Tiny-YOLOship目标检测算法的无人艇自主对接回收方法 |
CN110852179A (zh) * | 2019-10-17 | 2020-02-28 | 天津大学 | 基于视频监控平台的可疑人员入侵的检测方法 |
CN110852179B (zh) * | 2019-10-17 | 2023-08-25 | 天津大学 | 基于视频监控平台的可疑人员入侵的检测方法 |
CN110751232A (zh) * | 2019-11-04 | 2020-02-04 | 哈尔滨理工大学 | 一种中文复杂场景文本检测与识别方法 |
CN110826520B (zh) * | 2019-11-14 | 2023-05-26 | 燕山大学 | 一种基于改进YOLOv3-tiny算法的港口抓斗检测方法 |
CN110826520A (zh) * | 2019-11-14 | 2020-02-21 | 燕山大学 | 一种基于改进YOLOv3-tiny算法的港口抓斗检测方法 |
CN111027399A (zh) * | 2019-11-14 | 2020-04-17 | 武汉兴图新科电子股份有限公司 | 一种基于深度学习的遥感图像水面潜艇识别方法 |
CN111027399B (zh) * | 2019-11-14 | 2023-08-22 | 武汉兴图新科电子股份有限公司 | 一种基于深度学习的遥感图像水面潜艇识别方法 |
CN111027445A (zh) * | 2019-12-04 | 2020-04-17 | 安徽工程大学 | 一种海上船舶目标识别方法 |
CN111523363A (zh) * | 2019-12-27 | 2020-08-11 | 珠海大横琴科技发展有限公司 | 基于电子围网的雷达影像船只识别方法、装置及电子设备 |
CN111582013A (zh) * | 2019-12-27 | 2020-08-25 | 珠海大横琴科技发展有限公司 | 一种基于灰度共生矩阵特征船只检索方法及装置 |
CN111476159A (zh) * | 2020-04-07 | 2020-07-31 | 哈尔滨工业大学 | 一种基于双角回归的检测模型训练、检测方法及装置 |
CN111476159B (zh) * | 2020-04-07 | 2023-04-07 | 哈尔滨工业大学 | 一种基于双角回归的检测模型训练、检测方法及装置 |
CN111738063B (zh) * | 2020-05-08 | 2023-04-18 | 华南理工大学 | 船舶目标跟踪方法、系统、计算机设备及存储介质 |
CN111738063A (zh) * | 2020-05-08 | 2020-10-02 | 华南理工大学 | 船舶目标跟踪方法、系统、计算机设备及存储介质 |
CN111898699A (zh) * | 2020-08-11 | 2020-11-06 | 海之韵(苏州)科技有限公司 | 一种船体目标自动检测识别方法 |
CN113052200A (zh) * | 2020-12-09 | 2021-06-29 | 江苏科技大学 | 一种基于yolov3网络的声呐图像目标检测方法 |
CN113052200B (zh) * | 2020-12-09 | 2024-03-19 | 江苏科技大学 | 一种基于yolov3网络的声呐图像目标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109165585A (zh) | 一种改进的基于yolo v2的船舶目标检测方法 | |
US11402494B2 (en) | Method and apparatus for end-to-end SAR image recognition, and storage medium | |
CN111222574B (zh) | 基于多模型决策级融合的舰船与民船目标检测与分类方法 | |
CN110807365B (zh) | 一种基于gru与一维cnn神经网络融合的水下目标识别方法 | |
CN111368690B (zh) | 基于深度学习的海浪影响下视频图像船只检测方法及系统 | |
CN112395987B (zh) | 基于无监督域适应cnn的sar图像目标检测方法 | |
CN110009010A (zh) | 基于兴趣区域重检测的宽幅光学遥感目标检测方法 | |
CN114529799A (zh) | 一种基于改进型yolov5算法的飞机多目标跟踪方法 | |
CN110069993A (zh) | 一种基于深度学习的目标车辆检测方法 | |
CN113160062B (zh) | 一种红外图像目标检测方法、装置、设备及存储介质 | |
CN113408423A (zh) | 适用于tx2嵌入式平台的水产品目标实时检测方法 | |
CN109655815A (zh) | 基于ssd的声呐目标检测方法 | |
CN108776777A (zh) | 一种基于Faster RCNN的遥感影像对象间空间关系的识别方法 | |
CN110555841A (zh) | 基于自注意图像融合和dec的sar图像变化检测方法 | |
CN108133235A (zh) | 一种基于神经网络多尺度特征图的行人检测方法 | |
CN113283409A (zh) | 基于EfficientDet和Transformer的航空图像中的飞机检测方法 | |
CN114078209A (zh) | 一种提升小目标检测精度的轻量级目标检测方法 | |
CN116580322A (zh) | 一种地面背景下无人机红外小目标检测方法 | |
CN109858481A (zh) | 一种基于级联位置敏感检测的舰船目标检测方法 | |
Chen et al. | Ship Detection with Optical Image Based on Attention and Loss Improved YOLO | |
CN110751077A (zh) | 一种基于部件匹配与距离约束的光学遥感图片船舶检测方法 | |
CN115223044A (zh) | 基于深度学习的端到端三维探地雷达目标识别方法及系统 | |
CN115272865A (zh) | 一种基于自适应激活函数和注意力机制的目标检测方法 | |
CN110276358A (zh) | 密集堆叠下的高相似度木块横截面检测方法 | |
CN114219998A (zh) | 一种基于目标检测神经网络的声纳图像实时检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190108 |