CN109241913A - 结合显著性检测和深度学习的船只检测方法及系统 - Google Patents
结合显著性检测和深度学习的船只检测方法及系统 Download PDFInfo
- Publication number
- CN109241913A CN109241913A CN201811050412.0A CN201811050412A CN109241913A CN 109241913 A CN109241913 A CN 109241913A CN 201811050412 A CN201811050412 A CN 201811050412A CN 109241913 A CN109241913 A CN 109241913A
- Authority
- CN
- China
- Prior art keywords
- ship
- detection
- conspicuousness
- bounding box
- obtains
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Abstract
本发明提供一种结合显著性检测和深度学习的船只检测方法及系统，包括构建船只图像样本库，包括采集可见光下的沿海区域监控视频数据，从中获得包含船只的帧图像，然后获得船只位置和长宽的真值；构建类YOLO卷积神经网络，对视频船只目标样本进行模型训练，得到监控视频下船只目标的训练结果模型；输入船只影像数据，利用练结果模型预测检测边界框；利用边界框信息来进行显著性检测，得到更准确的船只位置。本发明技术方案十分快速高效，能达到实时检测的效果。对于复杂场景如云雾、阴天、下雨等情况也能有不错的检测结果，方法鲁棒性高。
Description
技术领域
本发明属于基于计算机视觉的船只检测技术领域，特别涉及结合显著性检测和深度学习的船只检测方法及系统。
背景技术
因为复杂的背景以及船只种类大小的多样性，近海船只的实时检测一直是军事民用领域的难题，实时性导致无法使用遥感和雷达影像，只能用视觉影像能够实时检测。然而现阶段的方法都无法同时保证实时和准确性。
为了研究如何从环岛监控视频系统中快速准确地检测出运动船只。纵观国内外的船只检测算法现状，逐渐从基于手工提取船只特征建模传统方法转向Faster RCNN，YOLO，YOLOv2等基于深度学习的检测方法。
由于大多数视觉影像都来自于固定的港口监控视频，视频中帧与帧的图像存在关联，传统方法中一般是利用视频帧间的时空信息进行检测。对提取出的多帧图像进行查分计算，然后可以得到船只区域的灰度平均值，方差等信息，通过上下文信息来建模，然后分析推定船只的区域级运动和相应的局部背景，以检测船只。但这一方法能检测出各类型的船只但却无法辨别出船只类别，并且无法检测静止在水中的船只。
在深度学习的方法中，速度最快的YOLOv2将物体检测问题作为回归来处理，从空间分离出物体的边界和类别。将输入图片进行卷积和最大池化操作，然后分割成S×S的网格，如果一个物体的中心落在网格内，则这个网格负责这个物体的区域box和类别预测。这样学习的是整幅影像的特征。然后在最后一层卷积特征图上进行滑窗采样，每个中心预测若干种不同大小和比例的建议框。由于都是卷积不需要全链接层，很好的保留空间信息，最终特征图的每个特征点和原图的每个网格cell一一对应。而且用预测相对偏移(offset)取代直接预测坐标简化了问题，方便网络学习。YOLOv2的检测速度达到了实时检测的要求，但是检测精度不够高。因此本领域亟待提出更具有实用价值的技术方案。
发明内容
本发明的目的就在于克服现有技术存在的缺点和不足，结合环岛监控系统的数据特性，提供一种结合显著性检测的基于深度学习的船只检测方法。
本发明提供一种结合显著性检测和深度学习的船只检测方法，包括以下步骤，
步骤1，构建船只图像样本库，包括采集可见光下的沿海区域监控视频数据，从中获得包含船只的帧图像，然后获得船只位置和长宽的真值；
步骤2，构建类YOLO卷积神经网络，对步骤1所得船只图像样本库中的视频船只目标样本进行模型训练，得到监控视频下船只目标的训练结果模型；
步骤3，输入船只影像数据，利用步骤2所得训练结果模型预测检测边界框；
步骤4，利用步骤3所得边界框信息来进行显著性检测，得到更准确的船只位置。
而且，所述类YOLO卷积神经网络采用YOLOv2网络。
而且，YOLOv2网络由多个卷积层和最大值池化层组成，采用反向传播算法对各层参数进行更新。
而且，步骤3的实现方式如下，
A，利用步骤2所得训练结果模型，对输入的船只图像进行检测，船只图像经过卷积层和最大值池化层后得到特征图；
B，用特征图中的每一个网格预测不同大小的检测边界框以及每个框的置信度。
而且，网络对特征图中的每个网格预测5个检测边界框，对每一个检测边界框，预测5个匹配性值(tx,ty,tw,th,to)，(tx,ty)代表检测边界框的中心相对该网格的位置，(tw,th)为检测边界框的高和宽，to表明该区域框是目标的概率；同时每个网格还预测C个类别概率，C为类别数量。
而且，步骤4的实现方式如下，
A，判断检测框的类别的置信度，当置信度值低于0.2时，则认为未检测到船只；当置信度在0.2和0.6的范围间时，认为检测到了船只，但需要进行显著性检测来提高准确度；当置信度高于0.6时，则认为正确检测到了船只；
B，根据船只的大小来对检测框进行相应的扩大，使检测框内包含有完整的船只；
C，对检测框进行基于全局对比度的显著性检测，得到显著性区域，取外包矩形作为船只的坐标位置然后结合通过类YOLO卷积神经网络得到的类别信息，得到最终的检测结果。
本发明还相应提供一种结合显著性检测和深度学习的船只检测系统，包括以下模块，
第一模块，用于构建船只图像样本库，包括采集可见光下的沿海区域监控视频数据，从中获得包含船只的帧图像，然后获得船只位置和长宽的真值；
第二模块，用于构建类YOLO卷积神经网络，对第一模块所得船只图像样本库中的视频船只目标样本进行模型训练，得到监控视频下船只目标的训练结果模型；
第三模块，用于输入船只影像数据，利用第二模块所得训练结果模型预测检测边界框，实现方式如下，
A，利用步骤2所得训练结果模型，对输入的船只图像进行检测，船只图像经过卷积层和最大值池化层后得到特征图；
B，用特征图中的每一个网格预测不同大小的检测边界框以及每个框的置信度；
第四模块，利用第三模块所得边界框信息来进行显著性检测，得到更准确的船只位置，实现方式如下，
A，判断检测框的类别的置信度，当置信度值低于0.2时，则认为未检测到船只；当置信度在0.2和0.6的范围间时，认为检测到了船只，但需要进行显著性检测来提高准确度；当置信度高于0.6时，则认为正确检测到了船只；
B，根据船只的大小来对检测框进行相应的扩大，使检测框内包含有完整的船只；
C，对检测框进行基于全局对比度的显著性检测，得到显著性区域，取外包矩形作为船只的坐标位置然后结合通过类YOLO卷积神经网络得到的类别信息，得到最终的检测结果。
而且，所述类YOLO卷积神经网络采用YOLOv2网络。
而且，YOLOv2网络由多个卷积层和最大值池化层组成，采用反向传播算法对各层参数进行更新。
而且，网络对特征图中的每个网格预测5个检测边界框，对每一个检测边界框，预测5个匹配性值(tx,ty,tw,th,to)，(tx,ty)代表检测边界框的中心相对该网格的位置，(tw,th)为检测边界框的高和宽，to表明该区域框是目标的概率；同时每个网格还预测C个类别概率，C为类别数量。
对比现有技术，本发明具有下列优点和积极效果：
本发明的深度学习网络具体采用类YOLO卷积神经网络对监控视频图像进行船只目标的检测，该方法十分快速高效，能达到实时检测的效果。对于复杂场景如云雾、阴天、下雨等情况也能有不错的检测结果，方法鲁棒性高。在此基础上，采用基于全局对比度的显著性检测方法，因为区域的显着性主要取决于其与邻近区域的对比度，所以用这个方法可以快速的高效准确地得到显著区域，并且对于不同类别的船只也有很好的稳定性。
卷积神经网络和显著性检测方法的结合，一方面更好完成船只目标检测，保证了卷积神经网络检测过程的实时性；另一方面显著性检测方法对检测效果较差的结果进行修正，得到更准确的检测结果。
附图说明
图1为本发明实施例的整体流程图。
图2为本发明实施例中步骤④中显著性检测方法获取更准确船只位置的流程图。
具体实施方式
为了更好地理解本发明的技术方案，下面结合附图和实施例对本发明做进一步的详细说明。
本发明提供了一个利用深度特征和显著特征来实时检测近海船只的模型。为了保证实时性，模型采用深度学习中的YOLOv2网络来预测船只类别和位置，并用基于全局对比度的显著性检测来对船只位置进行修正，得到更准确地船只坐标，并保证了模型的实时性。为了进一步提高精度，本发明将YOLOv2和显著性检测相结合，得到更为准确地船只位置。模型的训练和实验都是在自己构建的船舶数据集上进行的，并且得到了非常精确和鲁棒的检测结果。
参见附图1，本发明实施所提供方法包括以下步骤：
①构建船只图像样本库。
构建船只图像样本库时，本发明所需的数据是可见光下的沿海区域监控视频数据。对于采集到的视频数据，需要通过解码器或代码获得包含船只的帧图像，然后提取船只位置和长宽的真值。具体实施时，可以预先进行船只图像样本库构建。
②构建类YOLO卷积神经网络，对视频船只目标样本进行模型训练。
对于深度学习方法上，本专利采用类YOLO的卷积神经网络方法。将步骤①得到的船只样本数据进行标准格式化，优选转化为XML文件来存储船只位置和类别信息，与船只图片一一对应，并输入到卷积神经网络中进行训练，得到监控视频下船只目标的训练结果模型。实施例优选采用YOLOv2网络，由多个卷积层和最大值池化层组成。主要采用反向传播算法(BP算法)来对各层参数进行更新。
实施例所用类YOLO卷积神经网络的网络结构由19个卷积层和5个最大池化层组成，如下表：
其中，Convolutional表示卷积层，Maxpool表示最大池化层，Avgpool表示平均池化层，Global表示全局计算，Sofamax归一化指数函数，Size/Stride表示计算的尺寸和步长，Output表示输出结果。
对于普通卷积层，上一层的特征层被一个可学习的卷积核进行卷积，然后通过一个激活函数，就可以得到输出特征层。每个输出层之间的关系如下：
其中，Mj表示选择的输入层的集合，i是输入层单元的索引值，j是输出层单元的索引值，l表示网络所在层数，表示输入层与输出层之间的权重，表示各层之间的激活偏置，f()表示该输出层的激活函数，表示第l层的第j个输出层，表示第l-1层的第i个输入层，*表示卷积。具体实施时，可以预先对进行初始化，然后通过网络进行训练。实施例中，通过均值为0,方差为0.01的高斯分布进行初始化。
池化过程即一个对大图像中不同位置的特征进行聚合统计的过程，该过程大大降低了特征冗余，减少统计特征维数。对于最大池化层来说，有N个输入层，就有N个输出层，只是每个输出层都变小了。
其中，down()表示一个下采样函数，f()表示该输出层的激活函数。一般是对输入图像的不同n×n区域内所有像素进行求和。这样输出图像在两个维度上都缩小了n倍，n为预设的取值。每个输出层都对应一个属于自己的乘性偏置和一个加性偏置 表示第l层的第j个输出层，表示第l-1层的第j个输入层。
③输入船只影像数据，利用步骤②训练所得模型预测检测边界框。
A，利用步骤②训练得到的模型，对输入的船只图像进行检测。图像经过卷积层和最大值池化层后得到特征图；
B，用最后一层特征图中的每一个网格来预测不同大小的检测边界框以及每个框的置信度。
实施例中，每个网格(cell)预测基础宽度为32像素，长宽比例分别为1:1，3:4，6:11，9:5，16:10的5个检测边界框(detected bounding box)位置以及每个框的置信度(confidence)，即检测边界框长宽分别为1×32、1×32，3×32、4×32，6×32、11×32，9×32、5×32，16×32:10×32。其中，置信度反映了检测边界框对其检测出物体的置信程度。将不存在目标物的候选框置信度置为零。置信度Conf(Object)计算公式为：
Conf(Object)＝Pr(Object)×IOU
式中，Pr(Object)为边界框包含目标物体的概率，Object是指目标，IOU是边界框与目标真实位置的重叠度，计算公式如下所示；BBgt为基于训练标签的参考标准框；BBdt为检测边界框；area(·)表示面积。
概率Pr(Object)的取值表达如下：
网络对特征图中的每个cell预测5个bounding boxes。为了得到更好的、更有代表性的先验区域，本发明使用了K-means聚类方法，可以自动找到更好的boxes宽高维度。传统的K-means聚类方法使用的是欧氏距离函数，也就意味着较大的区域框会比较小的区域框产生更多的偏差，聚类结果可能会偏离。为此，YOLOv2采用的评判标准是IOU，这样的话，偏差就和区域框的尺度无关了。平衡复杂度和IOU之后，最终确定k为5。
为了实现K-means聚类，本发明实施例提出最终的距离函数d(box,centroid)为：
d(box,centroid)＝1-IOU(box,centroid)
其中box是指区域框，centroid是指K-means方法选择的聚类中心。对每一个bounding boxes，模型预测5个匹配性值：(tx,ty,tw,th,to)。(tx,ty)代表检测边界框的中心相对其母网格的位置，经S型激活函数(Sigmoid函数)处理过后，其取值限定在了0～1，实际意义就是使网格只负责周围的区域框，有利于提升效率和网络收敛，(tw,th)为检测边界框的高和宽，to表明该区域框是目标的概率。同时每个网格还预测C个类别概率，即Pr(classp|Object)。该概率表示第p类物体中心落入该网格的概率，classp表示第p类物体。C为数据库的类别数量，最终输出层输出13×13×(C+5)×5维的张量。得到的最大概率的类别，本发明认为是该bounding boxes的类别。
④利用步骤③中所得到的边界框信息来进行显著性检测，得到更准确的船只位置。
参见图2，实施过程如下：
A，判断检测框的第p类的置信度Pr(classp|Object)，当置信度值低于0.2时，则认为未检测到船只，当置信度在0.2和0.6的范围间时，认为检测到了船只，但需要进行显著性检测来提高准确度，进入步骤B进行修正。当置信度高于0.6时，则认为正确检测到了船只。
B，根据船只的大小来对检测框进行适当的扩大，这样可以让检测框内包含有完整的船只。
因为原本的检测框可能只框住了船只的一部分，所以需要对其进行扩大。因为误检误差与尺度有关，所以实施例优选将长度小于300并且宽度小于100的称为小型船只，其他情况视为大型船只。优选地，对于小型船只，检测框长宽各扩大1/5，对于大型船只检测框长宽各扩大十分之一。
C，对检测框进行基于全局对比度的显著性检测。得到显著性区域，取其外包矩形作为船只的坐标位置。然后结合原先网络得到的类别信息，得到最终的检测结果。
本发明提出基于区域的显着图，是因为考虑到区域的显着性主要取决于其与邻近区域的对比度。这个方法首先通过基于图形的超像素分割算法将输入图像分割成区域。然后，每个区域rk的显着值S(rk)计算如下：
其中，e是自然数，ws(rk)是空间优先权项；Ds(rk,rg)是两个区域rk和rg的质心之间的空间欧几里德距离，σs调整空间距离权重的影响，较大的σs值会减小空间加权的影响，从而使得与更远区域的对比更有助于当前区域的显着性；ω(rg)是区域rg的权重，按照rg中的像素数个数进行定义。
两个区域之间的颜色距离Dr(rk,rg)定义如下：
其中f(ck,u)是在第k个区域rk中的所有nk个颜色中的第u个颜色ck,u的概率，f(cg,v)是在第g个区域rg中的所有ng个颜色中的第v个颜色cg,v的概率，即f(c1,u)是在第1个区域r1中的所有n1个颜色中的第u个颜色c1,u的概率，f(c2,v)是在第2个区域r2中的所有n2个颜色中的第v个颜色c2,v的概率。D(ck,u,cg,v)表示k区域的第u个颜色和g区域的第v个颜色的颜色距离，它在距离计算中扮演重要角色，强调主色之间的色差。
然后针对显著值rk选择合适的阈值，来得到检测框的显著性区域。显著值大于阈值，则认为该像素显著，属于显著性区域。然后取显著性区域的外包矩形作为检测船只的位置。将船只的位置信息结合步骤③得到的船只类别信息，得到最终的检测结果。具体实施时，可以通过实验选择阈值。
具体实施时，本发明技术方案所提供流程可由本领域技术人员采用计算机软件技术实现自动运行。
本发明实施例还相应提供一种结合显著性检测和深度学习的船只检测系统，包括以下模块，
第一模块，用于构建船只图像样本库，包括采集可见光下的沿海区域监控视频数据，从中获得包含船只的帧图像，然后获得船只位置和长宽的真值；
第二模块，用于构建类YOLO卷积神经网络，对第一模块所得船只图像样本库中的视频船只目标样本进行模型训练，得到监控视频下船只目标的训练结果模型；
第三模块，用于输入船只影像数据，利用第二模块所得训练结果模型预测检测边界框，实现方式如下，
A，利用步骤2所得训练结果模型，对输入的船只图像进行检测，船只图像经过卷积层和最大值池化层后得到特征图；
B，用特征图中的每一个网格预测不同大小的检测边界框以及每个框的置信度；
第四模块，利用第三模块所得边界框信息来进行显著性检测，得到更准确的船只位置，实现方式如下，
A，判断检测框的类别的置信度，当置信度值低于0.2时，则认为未检测到船只；当置信度在0.2和0.6的范围间时，认为检测到了船只，但需要进行显著性检测来提高准确度；当置信度高于0.6时，则认为正确检测到了船只；
B，根据船只的大小来对检测框进行相应的扩大，使检测框内包含有完整的船只；
C，对检测框进行基于全局对比度的显著性检测，得到显著性区域，取外包矩形作为船只的坐标位置然后结合通过类YOLO卷积神经网络得到的类别信息，得到最终的检测结果。
各模块具体实现可参见相应步骤，本发明不予赘述。
本文中所描述的具体实例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种结合显著性检测和深度学习的船只检测方法，其特征在于：包括以下步骤，
步骤1，构建船只图像样本库，包括采集可见光下的沿海区域监控视频数据，从中获得包含船只的帧图像，然后获得船只位置和长宽的真值；
步骤2，构建类YOLO卷积神经网络，对步骤1所得船只图像样本库中的视频船只目标样本进行模型训练，得到监控视频下船只目标的训练结果模型；
步骤3，输入船只影像数据，利用步骤2所得训练结果模型预测检测边界框；
步骤4，利用步骤3所得边界框信息来进行显著性检测，得到更准确的船只位置。
2.根据权利要求1所述结合显著性检测和深度学习的船只检测方法，其特征在于：所述类YOLO卷积神经网络采用YOLOv2网络。
3.根据权利要求2所述结合显著性检测和深度学习的船只检测方法，其特征在于：YOLOv2网络由多个卷积层和最大值池化层组成，采用反向传播算法对各层参数进行更新。
4.根据权利要求3所述结合显著性检测和深度学习的船只检测方法，其特征在于：步骤3的实现方式如下，
A，利用步骤2所得训练结果模型，对输入的船只图像进行检测，船只图像经过卷积层和最大值池化层后得到特征图；
B，用特征图中的每一个网格预测不同大小的检测边界框以及每个框的置信度。
5.根据权利要求4所述结合显著性检测和深度学习的船只检测方法，其特征在于：网络对特征图中的每个网格预测5个检测边界框，对每一个检测边界框，预测5个匹配性值(tx,ty,tw,th,to)，(tx,ty)代表检测边界框的中心相对该网格的位置，(tw,th)为检测边界框的高和宽，to表明该区域框是目标的概率；同时每个网格还预测C个类别概率，C为类别数量。
6.根据权利要求1或2或3或4或5所述结合显著性检测和深度学习的船只检测方法，其特征在于：步骤4的实现方式如下，
A，判断检测框的类别的置信度，当置信度值低于0.2时，则认为未检测到船只；当置信度在0.2和0.6的范围间时，认为检测到了船只，但需要进行显著性检测来提高准确度；当置信度高于0.6时，则认为正确检测到了船只；
B，根据船只的大小来对检测框进行相应的扩大，使检测框内包含有完整的船只；
C，对检测框进行基于全局对比度的显著性检测，得到显著性区域，取外包矩形作为船只的坐标位置然后结合通过类YOLO卷积神经网络得到的类别信息，得到最终的检测结果。
7.一种结合显著性检测和深度学习的船只检测系统，其特征在于：包括以下模块，
第一模块，用于构建船只图像样本库，包括采集可见光下的沿海区域监控视频数据，从中获得包含船只的帧图像，然后获得船只位置和长宽的真值；
第二模块，用于构建类YOLO卷积神经网络，对第一模块所得船只图像样本库中的视频船只目标样本进行模型训练，得到监控视频下船只目标的训练结果模型；
第三模块，用于输入船只影像数据，利用第二模块所得训练结果模型预测检测边界框，实现方式如下，
A，利用步骤2所得训练结果模型，对输入的船只图像进行检测，船只图像经过卷积层和最大值池化层后得到特征图；
B，用特征图中的每一个网格预测不同大小的检测边界框以及每个框的置信度；
第四模块，利用第三模块所得边界框信息来进行显著性检测，得到更准确的船只位置，实现方式如下，
A，判断检测框的类别的置信度，当置信度值低于0.2时，则认为未检测到船只；当置信度在0.2和0.6的范围间时，认为检测到了船只，但需要进行显著性检测来提高准确度；当置信度高于0.6时，则认为正确检测到了船只；
B，根据船只的大小来对检测框进行相应的扩大，使检测框内包含有完整的船只；
C，对检测框进行基于全局对比度的显著性检测，得到显著性区域，取外包矩形作为船只的坐标位置然后结合通过类YOLO卷积神经网络得到的类别信息，得到最终的检测结果。
8.根据权利要求7所述结合显著性检测和深度学习的船只检测系统，其特征在于：所述类YOLO卷积神经网络采用YOLOv2网络。
9.根据权利要求8所述结合显著性检测和深度学习的船只检测系统，其特征在于：YOLOv2网络由多个卷积层和最大值池化层组成，采用反向传播算法对各层参数进行更新。
10.根据权利要求7或8或9所述结合显著性检测和深度学习的船只检测系统，其特征在于：网络对特征图中的每个网格预测5个检测边界框，对每一个检测边界框，预测5个匹配性值(tx,ty,tw,th,to)，(tx,ty)代表检测边界框的中心相对该网格的位置，(tw,th)为检测边界框的高和宽，to表明该区域框是目标的概率；同时每个网格还预测C个类别概率，C为类别数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811050412.0A CN109241913B (zh) | 2018-09-10 | 2018-09-10 | 结合显著性检测和深度学习的船只检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811050412.0A CN109241913B (zh) | 2018-09-10 | 2018-09-10 | 结合显著性检测和深度学习的船只检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109241913A true CN109241913A (zh) | 2019-01-18 |
| CN109241913B CN109241913B (zh) | 2021-05-18 |
Family
ID=65067171
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811050412.0A Active CN109241913B (zh) | 2018-09-10 | 2018-09-10 | 结合显著性检测和深度学习的船只检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109241913B (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109831597A (zh) * | 2019-02-28 | 2019-05-31 | 江苏实达迪美数据处理有限公司 | 一种基于深度学习的底纹半色调处理方法 |
| CN110060508A (zh) * | 2019-04-08 | 2019-07-26 | 武汉理工大学 | 一种用于内河桥区的船舶自动检测方法 |
| CN110432860A (zh) * | 2019-07-01 | 2019-11-12 | 中山大学中山眼科中心 | 基于深度学习识别广域眼底图中格变裂孔的方法和系统 |
| CN110648331A (zh) * | 2019-09-02 | 2020-01-03 | 众安信息技术服务有限公司 | 用于医学图像分割的检测方法、医学图像分割方法及装置 |
| CN110929593A (zh) * | 2019-11-06 | 2020-03-27 | 哈尔滨工业大学（威海） | 一种基于细节辨别区别的实时显著性行人检测方法 |
| CN111008555A (zh) * | 2019-10-21 | 2020-04-14 | 武汉大学 | 一种无人机图像弱小目标增强提取方法 |
| CN111126335A (zh) * | 2019-12-31 | 2020-05-08 | 珠海大横琴科技发展有限公司 | 一种结合显著性和神经网络的sar船只识别方法及系统 |
| CN111241970A (zh) * | 2020-01-06 | 2020-06-05 | 电子科技大学 | 基于yolov3算法与滑动窗口策略的SAR影像海面舰船检测方法 |
| 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 |
| CN111582012A (zh) * | 2019-12-24 | 2020-08-25 | 珠海大横琴科技发展有限公司 | 一种检测小目标船只方法及装置 |
| CN111611834A (zh) * | 2019-12-23 | 2020-09-01 | 珠海大横琴科技发展有限公司 | 一种基于sar的船只识别方法、装置 |
| CN111666954A (zh) * | 2020-06-05 | 2020-09-15 | 北京联合大学 | 一种显著区域的联合学习提取方法及系统 |
| CN111695397A (zh) * | 2019-12-20 | 2020-09-22 | 珠海大横琴科技发展有限公司 | 一种基于yolo的船只识别方法及电子设备 |
| CN111709310A (zh) * | 2020-05-26 | 2020-09-25 | 重庆大学 | 一种基于深度学习的手势跟踪与识别方法 |
| CN112070736A (zh) * | 2020-09-01 | 2020-12-11 | 上海电机学院 | 一种结合目标检测和深度计算的物体体积视觉测量方法 |
| CN112070893A (zh) * | 2020-09-15 | 2020-12-11 | 大连理工大学 | 一种基于深度学习的动态海面三维建模方法及存储介质 |
| CN113344949A (zh) * | 2021-07-14 | 2021-09-03 | 青岛云智聚智能科技有限公司 | 一种基于rgb图像的包裹检测方法、系统、介质及终端 |
| CN113743378A (zh) * | 2021-11-03 | 2021-12-03 | 航天宏图信息技术股份有限公司 | 一种基于视频的火情监测方法和装置 |
| CN114782805A (zh) * | 2022-03-29 | 2022-07-22 | 中国电子科技集团公司第五十四研究所 | 一种面向无人机巡逻的人在环路混合增强目标识别方法 |
| CN115410136A (zh) * | 2022-11-01 | 2022-11-29 | 济钢防务技术有限公司 | 一种基于卷积神经网络的激光排爆系统紧急安全控制方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105590319A (zh) * | 2015-12-18 | 2016-05-18 | 华南理工大学 | 一种深度学习的图像显著性区域检测方法 |
| WO2017040691A1 (en) * | 2015-08-31 | 2017-03-09 | Cape Analytics, Inc. | Systems and methods for analyzing remote sensing imagery |
| CN107274419A (zh) * | 2017-07-10 | 2017-10-20 | 北京工业大学 | 一种基于全局先验和局部上下文的深度学习显著性检测方法 |
| CN107818326A (zh) * | 2017-12-11 | 2018-03-20 | 珠海大横琴科技发展有限公司 | 一种基于场景多维特征的船只检测方法及系统 |
| CN107818571A (zh) * | 2017-12-11 | 2018-03-20 | 珠海大横琴科技发展有限公司 | 基于深度学习网络和均值漂移的船只自动跟踪方法及系统 |
-
2018
- 2018-09-10 CN CN201811050412.0A patent/CN109241913B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017040691A1 (en) * | 2015-08-31 | 2017-03-09 | Cape Analytics, Inc. | Systems and methods for analyzing remote sensing imagery |
| CN105590319A (zh) * | 2015-12-18 | 2016-05-18 | 华南理工大学 | 一种深度学习的图像显著性区域检测方法 |
| CN107274419A (zh) * | 2017-07-10 | 2017-10-20 | 北京工业大学 | 一种基于全局先验和局部上下文的深度学习显著性检测方法 |
| CN107818326A (zh) * | 2017-12-11 | 2018-03-20 | 珠海大横琴科技发展有限公司 | 一种基于场景多维特征的船只检测方法及系统 |
| CN107818571A (zh) * | 2017-12-11 | 2018-03-20 | 珠海大横琴科技发展有限公司 | 基于深度学习网络和均值漂移的船只自动跟踪方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| MING-MING CHENG，ET AL: "《Global contrast based salient region detection》", 《CVPR 11T》 * |
| 周奇: "《基于YOLO算法的移动轮船多目标实时检测》", 《电脑知识与技术》 * |
| 陈亮，等: "《基于可见光遥感图像的船只目标检测识别方法》", 《科技导报》 * |
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109831597A (zh) * | 2019-02-28 | 2019-05-31 | 江苏实达迪美数据处理有限公司 | 一种基于深度学习的底纹半色调处理方法 |
| CN110060508A (zh) * | 2019-04-08 | 2019-07-26 | 武汉理工大学 | 一种用于内河桥区的船舶自动检测方法 |
| CN110060508B (zh) * | 2019-04-08 | 2020-11-20 | 武汉理工大学 | 一种用于内河桥区的船舶自动检测方法 |
| CN110432860A (zh) * | 2019-07-01 | 2019-11-12 | 中山大学中山眼科中心 | 基于深度学习识别广域眼底图中格变裂孔的方法和系统 |
| CN110648331A (zh) * | 2019-09-02 | 2020-01-03 | 众安信息技术服务有限公司 | 用于医学图像分割的检测方法、医学图像分割方法及装置 |
| CN110648331B (zh) * | 2019-09-02 | 2023-01-17 | 众安信息技术服务有限公司 | 用于医学图像分割的检测方法、医学图像分割方法及装置 |
| CN111008555A (zh) * | 2019-10-21 | 2020-04-14 | 武汉大学 | 一种无人机图像弱小目标增强提取方法 |
| CN110929593B (zh) * | 2019-11-06 | 2023-06-20 | 哈尔滨工业大学（威海） | 一种基于细节辨别区别的实时显著性行人检测方法 |
| CN110929593A (zh) * | 2019-11-06 | 2020-03-27 | 哈尔滨工业大学（威海） | 一种基于细节辨别区别的实时显著性行人检测方法 |
| CN111695397A (zh) * | 2019-12-20 | 2020-09-22 | 珠海大横琴科技发展有限公司 | 一种基于yolo的船只识别方法及电子设备 |
| CN111611834A (zh) * | 2019-12-23 | 2020-09-01 | 珠海大横琴科技发展有限公司 | 一种基于sar的船只识别方法、装置 |
| CN111582012A (zh) * | 2019-12-24 | 2020-08-25 | 珠海大横琴科技发展有限公司 | 一种检测小目标船只方法及装置 |
| 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 |
| CN111126335A (zh) * | 2019-12-31 | 2020-05-08 | 珠海大横琴科技发展有限公司 | 一种结合显著性和神经网络的sar船只识别方法及系统 |
| CN111241970A (zh) * | 2020-01-06 | 2020-06-05 | 电子科技大学 | 基于yolov3算法与滑动窗口策略的SAR影像海面舰船检测方法 |
| CN111241970B (zh) * | 2020-01-06 | 2023-06-27 | 电子科技大学 | 基于yolov3算法与滑动窗口策略的SAR影像海面舰船检测方法 |
| CN111709310B (zh) * | 2020-05-26 | 2024-02-02 | 重庆大学 | 一种基于深度学习的手势跟踪与识别方法 |
| CN111709310A (zh) * | 2020-05-26 | 2020-09-25 | 重庆大学 | 一种基于深度学习的手势跟踪与识别方法 |
| CN111666954A (zh) * | 2020-06-05 | 2020-09-15 | 北京联合大学 | 一种显著区域的联合学习提取方法及系统 |
| CN112070736A (zh) * | 2020-09-01 | 2020-12-11 | 上海电机学院 | 一种结合目标检测和深度计算的物体体积视觉测量方法 |
| CN112070736B (zh) * | 2020-09-01 | 2023-02-24 | 上海电机学院 | 一种结合目标检测和深度计算的物体体积视觉测量方法 |
| CN112070893A (zh) * | 2020-09-15 | 2020-12-11 | 大连理工大学 | 一种基于深度学习的动态海面三维建模方法及存储介质 |
| CN112070893B (zh) * | 2020-09-15 | 2024-04-02 | 大连理工大学 | 一种基于深度学习的动态海面三维建模方法及存储介质 |
| CN113344949A (zh) * | 2021-07-14 | 2021-09-03 | 青岛云智聚智能科技有限公司 | 一种基于rgb图像的包裹检测方法、系统、介质及终端 |
| CN113743378A (zh) * | 2021-11-03 | 2021-12-03 | 航天宏图信息技术股份有限公司 | 一种基于视频的火情监测方法和装置 |
| CN113743378B (zh) * | 2021-11-03 | 2022-02-08 | 航天宏图信息技术股份有限公司 | 一种基于视频的火情监测方法和装置 |
| CN114782805A (zh) * | 2022-03-29 | 2022-07-22 | 中国电子科技集团公司第五十四研究所 | 一种面向无人机巡逻的人在环路混合增强目标识别方法 |
| CN115410136A (zh) * | 2022-11-01 | 2022-11-29 | 济钢防务技术有限公司 | 一种基于卷积神经网络的激光排爆系统紧急安全控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109241913B (zh) | 2021-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109241913A (zh) | 结合显著性检测和深度学习的船只检测方法及系统 | |
| CN106127204B (zh) | 一种全卷积神经网络的多方向水表读数区域检测算法 | |
| CN107818571B (zh) | 基于深度学习网络和均值漂移的船只自动跟踪方法及系统 | |
| CN109977918B (zh) | 一种基于无监督域适应的目标检测定位优化方法 | |
| CN109635875A (zh) | 一种基于深度学习的端到端网口检测方法 | |
| CN113392775B (zh) | 一种基于深度神经网络的甘蔗幼苗自动识别与计数方法 | |
| CN110147743A (zh) | 一种复杂场景下的实时在线行人分析与计数系统及方法 | |
| CN108460403A (zh) | 一种图像中多尺度特征融合的目标检测方法与系统 | |
| CN108805070A (zh) | 一种基于嵌入式终端的深度学习行人检测方法 | |
| CN111368769B (zh) | 基于改进锚点框生成模型的船舶多目标检测方法 | |
| CN108460382A (zh) | 基于深度学习单步检测器的光学遥感图像舰船检测方法 | |
| CN107330357A (zh) | 基于深度神经网络的视觉slam闭环检测方法 | |
| CN109657541A (zh) | 一种基于深度学习的无人机航拍图像中的船舶检测方法 | |
| CN107808375B (zh) | 融合多种上下文深度学习模型的水稻病害图像检测方法 | |
| CN112288008B (zh) | 一种基于深度学习的马赛克多光谱图像伪装目标检测方法 | |
| CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
| CN108664838A (zh) | 基于改进rpn深度网络的端到端的监控场景行人检测方法 | |
| CN109145836A (zh) | 基于深度学习网络和卡尔曼滤波的船只目标视频检测方法 | |
| CN113160062B (zh) | 一种红外图像目标检测方法、装置、设备及存储介质 | |
| CN112288776B (zh) | 一种基于多时间步金字塔编解码器的目标跟踪方法 | |
| CN114758288A (zh) | 一种配电网工程安全管控检测方法及装置 | |
| CN110334656A (zh) | 基于信源概率加权的多源遥感图像水体提取方法及装置 | |
| CN109063549A (zh) | 基于深度神经网络的高分辨率航拍视频运动目标检测方法 | |
| CN114399799A (zh) | 一种基于YOLOv5网络的口罩佩戴检测方法 | |
| CN109635726A (zh) | 一种基于对称式深度网络结合多尺度池化的滑坡识别方法 |
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 |