CN109325527A - 一种基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法 - Google Patents
一种基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法 Download PDFInfo
- Publication number
- CN109325527A CN109325527A CN201811031832.4A CN201811031832A CN109325527A CN 109325527 A CN109325527 A CN 109325527A CN 201811031832 A CN201811031832 A CN 201811031832A CN 109325527 A CN109325527 A CN 109325527A
- Authority
- CN
- China
- Prior art keywords
- training
- sidescan
- data set
- network
- sonar image
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Abstract
本发明属于水下目标自动识别分类领域,具体涉及一种基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法;包括获取带有分割标注的常规光学图像数据集;利用数据集中各个图像对应的标注图像进行轮廓分割;选定一个卷积神经网络结构进行训练,得到源领域目标分类网络;对经过充分训练的源领域目标分类网络前部分的参数进行冻结,同时将分类网络的后部分参数设置为可训练状态;使用训练集对设置好的分类网络继续进行训练;训练完成后,使用验证集评估分类网络性能。本方法使用迁移学习方法,对使用非侧扫声呐图像训练好的卷积神经网络进行迁移,同时根据相似性原理,对源领域数据集进行预处理,从而提高了迁移学习效率,防止负迁移现象。
Description
技术领域
本发明属于水下目标自动识别分类领域,具体涉及一种基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法。
背景技术
侧扫声呐图像目标自动分类,对海洋探测和水下搜寻具有重要意义,尤其是失事飞机和沉船搜寻方面。目前普遍的搜寻方法是使用AUV搭载的声呐对目标海底进行大面积扫描,然后在完整扫描一片海域后,将数据拷贝出来,然后由人工判读是否存在目标,由于其不具备自主目标检测识别能力,这种搜寻流程的作业效率较低,因此,如何提高声呐图像的目标自主检测识别能力,变得愈发的重要。
目前的声呐图像目标检测技术主要以图像分割、轮廓提取等人工设计特征结合分类器的分类方法为主;这类方法在一定程度上取得了较好的成果,但至今仍未有被广泛认可的有效的方法。
近年来,在常规图像分类识别领域,卷积神经网络的准确率已经达到人工识别的水平。深层的网络结构赋予卷积神经网络强大的特征提取及特征组合能力,然而,训练深度学习网络,需要大量的样本数据。侧扫声呐图像获取难度大、成本高,导致包含特定目标的图像样本过少,直接用少量的侧扫声呐图像样本训练卷积神经网络很容易造成过拟合现象,使卷积神经网络不具备应用价值。
迁移学习的发展很好地解决了这个问题。迁移学习的目标是完成知识在相关领域之间的迁移。对于卷积神经网络而言,迁移学习就是要把在特定数据集上训练得到的“知识”即源领域成功运用到新的领域即目标领域之中,这无疑是解决样本数据量过少导致的无法应用深度学习的最佳解决方案。
发明内容
本发明的目的在于提高一种提高迁移学习效率、防止负迁移现象的基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法。
一种基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法,具体包括如下步骤:
步骤1、获取带有分割标注的常规光学图像数据集;
步骤2、利用数据集中各个图像对应的标注图像进行轮廓分割,对图像进行去细节特征、模糊、灰度化、灰度重映射、添加噪声等处理过程,使其与侧扫声呐图像一致,并将经过处理的数据集命名为源领域数据集;
步骤3、选定一个卷积神经网络结构,使用源领域数据集进行训练,得到源领域目标分类网络;
步骤4、构建侧扫声呐图像数据集,进行数据标注,本发明中,示例的侧扫声呐图像数据集包含两类,分别是飞机沉船类和其他目标类;
步骤5、对侧扫声呐图像数据集进行随机分组,按固定比例分为训练集和验证集;
步骤6、根据侧扫声呐图像数据集中类别数量调整分类网络输出层神经元个数;
步骤7、对经过充分训练的源领域目标分类网络前部分的参数进行冻结,即设置这些网络参数为不可训练状态,同时,将分类网络的后部分参数设置为可训练状态;
步骤8、使用训练集对步骤7中设置好的分类网络继续进行训练;
步骤9、训练完成后,使用验证集评估分类网络性能,若不满足准确率及稳定性要求,则回到步骤7,根据步骤8中训练结果适当调整可训练参数数目及其他网络训练相关参数,直至步骤8得到的分类结果满足要求。
本发明的有益效果在于:
本发明与现有技术相比,其优点在于:使用迁移学习方法,对经过充分训练的深度学习网络进行迁移,利用图像基本特征具有通用性的特点,可以有效降低优化参数数目,避免因训练样本不足无法应用深度学习技术的问题,通过使用卷积神经网络作为特征提取及分类核心技术,可以有效提高分类准确度,同时降低计算时间;通过本方法中对源领域训练样本的预处理,使其与侧扫声呐图像更为相似,增加了可直接迁移的基本特征数目,进一步减小对训练样本数目的需求,同时可以有效提高迁移后网络的稳定性。
附图说明
图1为本发明方法流程图;
图2为源领域训练样本中随机选择的一幅示例图像;
图3为示例图像的分割标注图像;
图4为对示例图像利用分割标注进行预处理后的仿声呐图像;
图5为构建的侧扫声呐图像样本数据库样本示例;
图6为在设置的源领域分类网络可训练参数过多情况下,使用侧扫声呐图像样本微调源领域分类网络后的网络性能评估结果;
图7为在设置的源领域分类网络可训练参数合适情况下,使用侧扫声呐图像样本微调源领域分类网络后的网络性能评估结果。
具体实施方式
下面将结合附图对本发明做进一步描述。
如附图1所示,为本发明方法流程图,具体包括如下步骤:
步骤1、获取带有分割标注的常规光学图像数据集;
步骤2、利用数据集中各个图像对应的标注图像进行轮廓分割,对图像进行去细节特征、模糊、灰度化、灰度重映射、添加噪声等处理过程,使其与侧扫声呐图像一致,并将经过处理的数据集命名为源领域数据集;
步骤3、选定一个卷积神经网络结构,使用源领域数据集进行训练,得到源领域目标分类网络;
步骤4、构建侧扫声呐图像数据集,进行数据标注,本发明中,示例的侧扫声呐图像数据集包含两类,分别是飞机沉船类和其他目标类;
步骤5、对侧扫声呐图像数据集进行随机分组,按固定比例分为训练集和验证集;
步骤6、根据侧扫声呐图像数据集中类别数量调整分类网络输出层神经元个数;
步骤7、对经过充分训练的源领域目标分类网络前部分的参数进行冻结,即设置这些网络参数为不可训练状态,同时,将分类网络的后部分参数设置为可训练状态;
步骤8、使用训练集对步骤7中设置好的分类网络继续进行训练;
步骤9、训练完成后,使用验证集评估分类网络性能,若不满足准确率及稳定性要求,则回到步骤7,根据步骤8中训练结果适当调整可训练参数数目及其他网络训练相关参数,直至步骤8得到的分类结果满足要求。
一种基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法,其具体实施方法主要包括以下步骤:
1、获取合适的常规光学图像数据集及其分割标注,数据集中示例图像与分割标注如图2及图3所示。
2、利用分割标注提取数据集中对应的图像的轮廓,然后对轮廓内外图像进行去特征处理、灰度范围变化、添加噪声等预处理,经过预处理的数据集称之为源领域数据集。预处理结果如图4所示。
3、选定一种用于分类的卷积神经网络结构,并使用源领域数据集进行充分的训练,将训练得到的网络进行保存,命名为源领域分类网络。
4、构建侧扫声呐图像数据集并进行标注,数据集部分样本如图5所示,本发明中,示例的侧扫声呐图像数据集包含两类,分别是:飞机沉船类和其他目标类。
5、将侧扫声呐图像数据集按一定比例分为训练集和验证集。
6、根据构建的侧扫声呐图像数据集中类别数目,调整分类网络输出层类别数量,本发明中,示例侧扫声呐图像数据集中包含两类目标,因此,在此处将源领域目标分类网络输出端神经元数目设置为2。
7、将源领域分类网络前部分网络参数状态设置为不可训练状态,将网络后部分参数设置为可训练状态。
8、使用侧扫声呐图像训练集训练经过状态设置的分类网络。充分训练后,使用侧扫声呐图像验证集来评估分类网络性能,评估结果示例如图6及图7所示,图中x轴epochnumber表示训练周期,y轴loss value and accuracy value表示在训练阶段和验证网络性能阶段,网络的准确率及损失函数值,图中“-+-”线段表示训练阶段不同训练周期的训练损失函数值(train loss),“-*-”线段表示训练阶段不同训练周期的网络分类准确率值(train accuracy),“...”线段表示验证网络性能阶段不同训练周期的验证损失函数值(val loss),“—”线段表示验证网络性能阶段不同训练周期的网络分类准确率值(valaccuracy)。其中,图6为需要微调的网络参数过多时,网络出现过拟合现象的结果,说明可训练参数过多,图7为需要微调的网络参数较为合适时,验证集表现与训练集基本相同、准确率较高的结果。
9、根据验证集评估结果确定网络是否可用,若验证网络性能阶段,验证损失函数值与训练损失函数值差值较大,且呈发散状,则说明网络不可用,则回到步骤7,减少可训练的网络参数的数目,后继续训练,直至评估结果符合要求。
10、当评估结果如图7所示结果,说明网络训练充分,验证集表现与训练集性能相同,损失函数值为发散,网络可用,保存网络参数,得到针对侧扫声呐图像的自动分类网络。
Claims (1)
1.一种基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法,其特征在于,具体包括如下步骤:
步骤1、获取带有分割标注的常规光学图像数据集;
步骤2、利用数据集中各个图像对应的标注图像进行轮廓分割,对图像进行去细节特征、模糊、灰度化、灰度重映射、添加噪声等处理过程,使其与侧扫声呐图像一致,并将经过处理的数据集命名为源领域数据集;
步骤3、选定一个卷积神经网络结构,使用源领域数据集进行训练,得到源领域目标分类网络;
步骤4、构建侧扫声呐图像数据集,进行数据标注,本发明中,示例的侧扫声呐图像数据集包含两类,分别是飞机沉船类和其他目标类;
步骤5、对侧扫声呐图像数据集进行随机分组,按固定比例分为训练集和验证集;
步骤6、根据侧扫声呐图像数据集中类别数量调整分类网络输出层神经元个数;
步骤7、对经过充分训练的源领域目标分类网络前部分的参数进行冻结,即设置这些网络参数为不可训练状态,同时,将分类网络的后部分参数设置为可训练状态;
步骤8、使用训练集对步骤7中设置好的分类网络继续进行训练;
步骤9、训练完成后,使用验证集评估分类网络性能,若不满足准确率及稳定性要求,则回到步骤7,根据步骤8中训练结果适当调整可训练参数数目及其他网络训练相关参数,直至步骤8得到的分类结果满足要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811031832.4A CN109325527A (zh) | 2018-09-05 | 2018-09-05 | 一种基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811031832.4A CN109325527A (zh) | 2018-09-05 | 2018-09-05 | 一种基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109325527A true CN109325527A (zh) | 2019-02-12 |
Family
ID=65264536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811031832.4A Pending CN109325527A (zh) | 2018-09-05 | 2018-09-05 | 一种基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109325527A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110060248A (zh) * | 2019-04-22 | 2019-07-26 | 哈尔滨工程大学 | 基于深度学习的声呐图像水下管道检测方法 |
CN110110780A (zh) * | 2019-04-30 | 2019-08-09 | 南开大学 | 一种基于对抗神经网络和海量噪声数据的图片分类方法 |
CN110110723A (zh) * | 2019-05-07 | 2019-08-09 | 艾瑞迈迪科技石家庄有限公司 | 一种图像中目标区域自动提取的方法及装置 |
CN110119739A (zh) * | 2019-02-15 | 2019-08-13 | 南京信息工程大学 | 一种冰晶图片的自动分类方法 |
CN110135454A (zh) * | 2019-04-02 | 2019-08-16 | 成都真实维度科技有限公司 | 一种基于3d断层扫描图数据集的深度学习模型训练方法 |
CN110148114A (zh) * | 2019-04-02 | 2019-08-20 | 成都真实维度科技有限公司 | 一种基于2d断层扫描图数据集的深度学习模型训练方法 |
CN110163812A (zh) * | 2019-04-10 | 2019-08-23 | 深圳大学 | 肌肉超声图像降噪方法、装置、存储介质及计算机产品 |
CN110929794A (zh) * | 2019-11-28 | 2020-03-27 | 哈尔滨工程大学 | 一种基于多任务学习的侧扫声呐图像分类方法 |
CN110991516A (zh) * | 2019-11-28 | 2020-04-10 | 哈尔滨工程大学 | 一种基于风格迁移的侧扫声呐图像目标分类方法 |
CN111104897A (zh) * | 2019-12-18 | 2020-05-05 | 深圳市捷顺科技实业股份有限公司 | 儿童人脸识别模型的训练方法、装置以及存储介质 |
CN111582403A (zh) * | 2020-05-18 | 2020-08-25 | 哈尔滨工程大学 | 一种零样本侧扫声呐图像目标分类方法 |
CN111783868A (zh) * | 2020-06-28 | 2020-10-16 | 上海应用技术大学 | 原发性肝癌分期模型训练方法 |
CN113283306A (zh) * | 2021-04-30 | 2021-08-20 | 青岛云智环境数据管理有限公司 | 一种基于深度学习和迁移学习的啮齿动物识别分析的方法 |
CN113436125A (zh) * | 2021-07-09 | 2021-09-24 | 河南大学 | 基于风格迁移的侧扫声呐仿真图像生成方法、装置及设备 |
CN113642591A (zh) * | 2020-04-27 | 2021-11-12 | 中国科学院声学研究所 | 一种基于迁移学习的多波束海底沉积层类型的估计方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485251A (zh) * | 2016-10-08 | 2017-03-08 | 天津工业大学 | 基于深度学习的鸡蛋胚胎分类 |
CN106991439A (zh) * | 2017-03-28 | 2017-07-28 | 南京天数信息科技有限公司 | 基于深度学习与迁移学习的图像识别方法 |
CN107194349A (zh) * | 2017-05-19 | 2017-09-22 | 湖北工业大学 | 基于深度学习的高分辨率PolSAR图像城区地物分类方法 |
CN107657602A (zh) * | 2017-08-09 | 2018-02-02 | 武汉科技大学 | 基于两次迁移卷积神经网络的乳腺结构紊乱识别方法 |
US20180060652A1 (en) * | 2016-08-31 | 2018-03-01 | Siemens Healthcare Gmbh | Unsupervised Deep Representation Learning for Fine-grained Body Part Recognition |
CN108052940A (zh) * | 2017-12-17 | 2018-05-18 | 南京理工大学 | 基于深度学习的sar遥感图像水面目标检测方法 |
CN108288496A (zh) * | 2018-01-26 | 2018-07-17 | 中国人民解放军总医院 | 肿瘤容积智能勾画方法和装置 |
-
2018
- 2018-09-05 CN CN201811031832.4A patent/CN109325527A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180060652A1 (en) * | 2016-08-31 | 2018-03-01 | Siemens Healthcare Gmbh | Unsupervised Deep Representation Learning for Fine-grained Body Part Recognition |
CN106485251A (zh) * | 2016-10-08 | 2017-03-08 | 天津工业大学 | 基于深度学习的鸡蛋胚胎分类 |
CN106991439A (zh) * | 2017-03-28 | 2017-07-28 | 南京天数信息科技有限公司 | 基于深度学习与迁移学习的图像识别方法 |
CN107194349A (zh) * | 2017-05-19 | 2017-09-22 | 湖北工业大学 | 基于深度学习的高分辨率PolSAR图像城区地物分类方法 |
CN107657602A (zh) * | 2017-08-09 | 2018-02-02 | 武汉科技大学 | 基于两次迁移卷积神经网络的乳腺结构紊乱识别方法 |
CN108052940A (zh) * | 2017-12-17 | 2018-05-18 | 南京理工大学 | 基于深度学习的sar遥感图像水面目标检测方法 |
CN108288496A (zh) * | 2018-01-26 | 2018-07-17 | 中国人民解放军总医院 | 肿瘤容积智能勾画方法和装置 |
Non-Patent Citations (3)
Title |
---|
刘晨等: "基于卷积神经网络迁移学习的SAR图像目标分类", 《现代雷达》 * |
王柯力等: "基于迁移学习的水产动物图像识别方法", 《计算机应用》 * |
黄洁等: "基于卷积神经网络的遥感图像舰船目标检测", 《北京航空航天大学学报》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119739B (zh) * | 2019-02-15 | 2023-02-14 | 南京信息工程大学 | 一种冰晶图片的自动分类方法 |
CN110119739A (zh) * | 2019-02-15 | 2019-08-13 | 南京信息工程大学 | 一种冰晶图片的自动分类方法 |
CN110135454A (zh) * | 2019-04-02 | 2019-08-16 | 成都真实维度科技有限公司 | 一种基于3d断层扫描图数据集的深度学习模型训练方法 |
CN110148114A (zh) * | 2019-04-02 | 2019-08-20 | 成都真实维度科技有限公司 | 一种基于2d断层扫描图数据集的深度学习模型训练方法 |
CN110163812A (zh) * | 2019-04-10 | 2019-08-23 | 深圳大学 | 肌肉超声图像降噪方法、装置、存储介质及计算机产品 |
CN110163812B (zh) * | 2019-04-10 | 2023-11-07 | 深圳大学 | 肌肉超声图像降噪方法、装置及存储介质 |
CN110060248A (zh) * | 2019-04-22 | 2019-07-26 | 哈尔滨工程大学 | 基于深度学习的声呐图像水下管道检测方法 |
CN110110780A (zh) * | 2019-04-30 | 2019-08-09 | 南开大学 | 一种基于对抗神经网络和海量噪声数据的图片分类方法 |
CN110110723A (zh) * | 2019-05-07 | 2019-08-09 | 艾瑞迈迪科技石家庄有限公司 | 一种图像中目标区域自动提取的方法及装置 |
CN110929794A (zh) * | 2019-11-28 | 2020-03-27 | 哈尔滨工程大学 | 一种基于多任务学习的侧扫声呐图像分类方法 |
CN110991516A (zh) * | 2019-11-28 | 2020-04-10 | 哈尔滨工程大学 | 一种基于风格迁移的侧扫声呐图像目标分类方法 |
CN111104897A (zh) * | 2019-12-18 | 2020-05-05 | 深圳市捷顺科技实业股份有限公司 | 儿童人脸识别模型的训练方法、装置以及存储介质 |
CN113642591A (zh) * | 2020-04-27 | 2021-11-12 | 中国科学院声学研究所 | 一种基于迁移学习的多波束海底沉积层类型的估计方法及系统 |
CN113642591B (zh) * | 2020-04-27 | 2023-07-18 | 中国科学院声学研究所 | 一种基于迁移学习的多波束海底沉积层类型的估计方法及系统 |
CN111582403A (zh) * | 2020-05-18 | 2020-08-25 | 哈尔滨工程大学 | 一种零样本侧扫声呐图像目标分类方法 |
CN111783868A (zh) * | 2020-06-28 | 2020-10-16 | 上海应用技术大学 | 原发性肝癌分期模型训练方法 |
CN111783868B (zh) * | 2020-06-28 | 2024-02-02 | 上海应用技术大学 | 原发性肝癌分期模型训练方法 |
CN113283306B (zh) * | 2021-04-30 | 2023-06-23 | 青岛云智环境数据管理有限公司 | 一种基于深度学习和迁移学习的啮齿动物识别分析的方法 |
CN113283306A (zh) * | 2021-04-30 | 2021-08-20 | 青岛云智环境数据管理有限公司 | 一种基于深度学习和迁移学习的啮齿动物识别分析的方法 |
CN113436125B (zh) * | 2021-07-09 | 2022-11-04 | 河南大学 | 基于风格迁移的侧扫声呐仿真图像生成方法、装置及设备 |
CN113436125A (zh) * | 2021-07-09 | 2021-09-24 | 河南大学 | 基于风格迁移的侧扫声呐仿真图像生成方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109325527A (zh) | 一种基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法 | |
CN110335270B (zh) | 基于层级区域特征融合学习的输电线路缺陷检测方法 | |
CN109100710A (zh) | 一种基于卷积神经网络的水下目标识别方法 | |
CN104143185A (zh) | 一种污点区域检测方法 | |
CN107064894A (zh) | 一种基于深度学习的杂波抑制方法 | |
CN110134976A (zh) | 一种机载激光测深信号提取方法及系统 | |
CN111368671A (zh) | 基于深度学习的sar图像舰船目标检测识别一体化方法 | |
CN110852158B (zh) | 一种基于模型融合的雷达人体运动状态分类算法及系统 | |
CN109003275B (zh) | 焊缝缺陷图像的分割方法 | |
CN109522855A (zh) | 结合ResNet和SENet的低分辨率行人检测方法、系统及存储介质 | |
CN112036239B (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 | |
CN110991516A (zh) | 一种基于风格迁移的侧扫声呐图像目标分类方法 | |
CN113822201B (zh) | 基于流场速度分量时程的水下物体外形识别的深度学习方法 | |
CN110675410A (zh) | 基于选择性搜索算法的侧扫声呐沉船目标非监督探测方法 | |
CN114049305A (zh) | 基于改进ALI和Faster-RCNN的配电线路销钉缺陷检测方法 | |
CN112990082A (zh) | 一种水声脉冲信号的检测识别方法 | |
CN113064133B (zh) | 一种基于时频域深度网络的海面小目标特征检测方法 | |
CN113177929B (zh) | 一种基于全卷积网络的海面溢油检测方法及其系统和应用 | |
CN107330440A (zh) | 基于图像识别的海洋状态计算方法 | |
CN114324580A (zh) | 一种结构缺陷的智能敲击检测方法及系统 | |
Xu et al. | Shipwrecks detection based on deep generation network and transfer learning with small amount of sonar images | |
CN110133680A (zh) | 一种机载激光测深接收波形有效信号初值确定方法及系统 | |
CN113744237A (zh) | 一种基于深度学习的渣土流塑性自动检测方法及系统 | |
Fu et al. | Underwater small object detection in side-scan sonar images based on improved YOLOv5 | |
CN113807206B (zh) | 一种基于去噪任务辅助的sar图像目标识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190212 |
|
RJ01 | Rejection of invention patent application after publication |