CN109492561A - 一种基于改进的yolo v2模型的光学遥感图像舰船检测方法 - Google Patents
一种基于改进的yolo v2模型的光学遥感图像舰船检测方法 Download PDFInfo
- Publication number
- CN109492561A CN109492561A CN201811267636.7A CN201811267636A CN109492561A CN 109492561 A CN109492561 A CN 109492561A CN 201811267636 A CN201811267636 A CN 201811267636A CN 109492561 A CN109492561 A CN 109492561A
- Authority
- CN
- China
- Prior art keywords
- yolo
- model
- image
- remote sensing
- classification
- 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
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于改进的YOLO V2模型的光学遥感图像舰船检测方法。首先对遥感图像进行预处理,然后利用单个YOLO V2网络模型实现遥感图像舰船目标特征提取、检测、目标定位等过程,克服人工特征提取的不足深层次挖掘数据所含信息;同时考虑到舰船误判为虚警、虚警判别为舰船以及某一类虚警判别为另一类虚警所带来的损失差异,对YOLO V2模型的类别误判损失进行加权修正,强化了网络对舰船目标样本的特征学习,在保证舰船检测性能的基础上缩减训练代数;对于虚警间的误判采用0因子加权,降低了对虚警标定的准确度要求,虚警间的错误标定不影响损失函数的收敛。
Description
技术领域
本发明属于目标检测领域,涉及光学遥感图像的基于改进的YOLO V2模型的舰船目标检测方法。
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。随着遥感技术的发展,光学遥感图像分辨率不断提升、信息量越来越丰富。基于光学遥感图像的舰船目标检测成为当今的一大研究热点。通常的舰船目标检测算法大多先提取疑似目标区域,然后基于专家知识进行人工特征提取,最后利用机器学习方法进行目标的分类鉴别,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。通过单个网络模型即可实现特征提取、目标检测、目标定位等过程,不仅能够克服传统方法繁琐的过程,而且可以克服人工特征提取的不足深层次挖掘数据信息,较传统方法检测性能更优。其中以YOLO为代表的基于回归的目标检测算法,具有高精确度和快检测速度的特点,为实现光学遥感图像舰船目标检测提供新的解决思路。
当前的YOLO模型中,在计算损失函数时,将类别间的预测损失一视同仁,没有考虑类别之间的差异。然而,在舰船目标检测领域,对于舰船误判为虚警、或某一类虚警判别为舰船以及某一类虚警判别为另一类虚警的损失是不同的。
发明内容
为了利用单个YOLO网络模型实现舰船目标特征提取、检测、目标定位等过程,克服人工特征提取的不足深层次挖掘数据所含信息,同时考虑到舰船误判为虚警、虚警判别为舰船以及某一类虚警判别为另一类虚警所带来的损失差异。本发明提出了一种基于改进的YOLO V2模型的光学遥感图像舰船目标检测方法。
本发明所述基于改进的YOLO V2模型的光学遥感图像舰船检测方法,包括如下步骤:
(1)图像预处理,得到符合YOLO V2网络模型要求的图像;
(2)对经步骤(1)预处理后的图像,进行类别标定,构造YOLO V2损失函数加权矩阵,并对损失函数进行修正;
(3)构建图像训练本集和测试样本集,利用步骤(2)中建立的修正后的损失函数进行模型训练;
(4)基于改进YOLO V2模型的网络测试。
进一步地,所述步骤(1)中,图像预处理步骤包括:
S101:统计图像数据库中的舰船目标,得到最大的舰船长度记为L;
S102:计算窗口滑动步长step=floor(416-1.1L);
S103:设定416*416的窗口大小,以S2中的滑动步长对图像进行处理,得到416*416的图像块。
进一步地,所述步骤(1)中,还包括步骤S104:对不足416*416的图像块,增大重叠区域,得到预处理图像。
进一步地,所述步骤(2)中,类别标定的方法如S201:对图像中的目标进行类别标定,类别分别是舰船、云朵、小岛和人工建筑共4类虚警,类别表示为1,2,3,4。
进一步地,所述步骤(2)中,构造YOLO V2损失函数加权矩阵W的方法如S202:构造YOLO V2损失函数加权矩阵W:
其中wij表示将类别i判别为j的损失加权值,i和j均取值为1、2、3或4。
进一步地,所述步骤(2)中,损失函数修正的方法如S203:
其中ci,分别表示第i个网格的真实类别和预测类别,其他参数代表的含义与YOLO原文保持一致,即:1i,j表示第i个网格的第j个预测框是否对某个目标负责:在训练阶段,只有和真实标定框取得最大IoU值所对应的预测框处取值为1,否则为0;正负样本比例平衡因子分别为:λcoord=5,λnoobj=0.5;(xi,yi)表示第i个网格对应目标的中心坐标;ωi和hi分别表示目标的长和宽;Ci表示第i个网格中有目标的置信度;p(ci)表示第i个网格对应的目标为第ci类的概率,表示将第i个网格的类ci判别为的损失加权,其他对应含有上标^的参数均表示相应的预测值。
进一步地,所述步骤(3)中,模型训练的具体步骤包括如下:
S301:构建图像训练样本集和测试样本集,图像大小均为416*416的图像块;
S302:利用YOLO官方开源代码生成YOLO格式的标记文件绝对路径文件;
S303:修改网络中与类别相关的参数文件;
S304:加载数据文件、结构文件以及官方的darknet19_448.conv.23预训练模型进行模型的训练,训练中的损失函数采用步骤2中经修正后的表达式。
进一步地,所述步骤(4)中,网络测试的方法包括如下步骤:
S401:对任意输入图片P,以步骤1中的step大小为滑动步长,采用416*416大小的滑动窗口,遍历整个输入图像,对最后不足416*416的图像增大重叠区域;
S402:记录每一图像块在原始大图中对应的的左上角坐标,记为(x1,y1),,,(xk,yk),,(xM,yM),M为窗口总数k表示第k个窗口;
S403:将每一窗口区域输入到已经训练好的网络模型;
S404:计算预测框在预测窗口中位置:bx,by对应预测框中心坐标,bw,bh对应预测框的长度和宽度;cx,cy分别表示对应的网格横纵坐标,σ(tx),σ(ty)分别表示相对于网格中心的横纵偏移量,和分别表示预测所得的长宽缩放尺度,pw和ph分别表示预测框的初始长宽值,与YOLO原文一致通过聚类获得,
bx=σ(tx)+cx
by=σ(ty)+cy
S405:计算目标在原始大图中的真实位置:btx,bty对应预测的真实坐标中心
btx=bx+xk(k=1,...,M)
bty=by+yk(k=1,...,M)
S406:每个检测框预测的置信度值与类别得分相乘,得到类别置信度,剔除类别置信度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,最终得到得分高的舰船检测框。
进一步地,所述步骤S403中,将每一窗口区域输入到已经训练好的网络模型,得到13*13*5*(4+1+4)维向量,分别表示:13*13个网格,每一个网格对应5个预测框,每个预测框有4个位置参量、1个置信度以及对应的4个类别预测概率。
进一步地,所述阈值为>0.5。
采用本发明所述技术方案所具有的有益效果:
(1)本发明所述基于改进的YOLO V2模型的光学遥感图像舰船检测方法,利用单个YOLO V2网络模型实现遥感图像舰船目标特征提取、检测、目标定位等过程,克服人工特征提取的不足深层次挖掘数据所含信息;同时考虑到舰船误判为虚警、虚警判别为舰船以及某一类虚警判别为另一类虚警所带来的损失差异,对YOLO V2模型的类别误判损失进行加权修正,强化了网络对舰船目标样本的特征学习,在保证舰船检测性能的基础上缩减训练代数;对于虚警间的误判采用0因子加权,降低了对虚警标定的准确度要求,虚警间的错误标定不影响损失函数的收敛。
具体实施方式
下面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。
本实施方式中,所述基于改进的YOLO V2模型的光学遥感图像舰船检测方法,具体包括如下步骤:
(1):图像预处理,得到符合YOLO V2网络模型要求的图像;具体地,由于光学遥感图像的幅宽较宽大多为4096*4096,为了适应YOLO V2网络模型对416*416图像输入大小的要求,且不引起目标形状畸变,需要对图像进行预处理,预处理步骤如下:
S101:统计图像数据库中的舰船目标,得到最大的舰船长度记为L;
S102:计算窗口滑动步长step=floor(416-1.1L);
S103:以416*416的窗口大小,以S2中的滑动步长,得到416*416的图像块;
S104:对不足416*416的图像块,增大重叠区域。
(2)对经步骤(1)预处理后的图像,进行类别标定,构造YOLO V2损失函数加权矩阵,并对损失函数进行修正;
具体地,所述步骤(2)采用如下步骤:
S201:对图像中的目标进行类别标定,类别分别是舰船、云朵、小岛和人工建筑等虚警共4类,类别表示为1,2,3,4;
S202:构造类别损失加权矩阵W:
其中wij表示将类别i判别为j的损失加权值,i和j均取值为1、2、3或4。
由于在舰船目标检测中,虚警类别间的误判导致的损失可以忽略,因此加权矩阵W是除第一行第一列不为零的稀疏矩阵,因为舰船误判为虚警的损失大于虚警判别为舰船,因此有w1i>wi1,i=2,3,4,W中具体值的确定可以根据数据样本以及应用需求设定。
S203:损失函数修正:
其中ci,分别表示第i个网格的真实类别和预测类别,其他参数代表的含义与YOLO原文保持一致:1i,j表示第i个网格的第j个预测框是否对某个目标负责:在训练阶段,只有和真实标定框取得最大IoU值所对应的预测框处取值为1,否则为0;正负样本比例平衡因子分别为:λcoord=5,λnoobj=0.5;(xi,yi)表示第i个网格对应目标的中心坐标;ωi和hi分别表示目标的长和宽;Ci表示第i个网格中有目标的置信度;p(ci)表示第i个网格对应的目标为第ci类的概率,表示将第i个网格的类ci判别为的损失加权,其他对应含有上标^的参数均表示相应的预测值。
(3)构建图像训练本集和测试样本集,利用步骤(2)中建立的修正后的损失函数进行模型训练,具体方法步骤如下:
S301:构建图像训练样本集和测试样本集,图像大小均为416*416的图像块;
S302:利用YOLO官方开源代码生成YOLO格式的标记文件绝对路径文件;
S303:修改网络中与类别相关的参数文件;
S304:加载数据文件、结构文件以及官方的darknet19_448.conv.23预训练模型进行模型的训练,训练中的损失函数采用步骤2中经修正后的表达式。
(4)基于改进YOLO V2模型的网络测试,具体方法步骤如下:
S401:对任意输入图片P,步骤1中的step大小为滑动步长,采用416*416大小的滑动窗口,遍历整个输入图像,对最后不足416*416的图像增大重叠区域;
S402:记录每一图像块在原始大图中对应的的左上角坐标,记为(x1,y1),,,(xk,yk),,(xM,yM),M为窗口总数k表示第k个窗口;
S403:将每一窗口区域输入到已经训练好的网络模型,得到13*13*5*(4+1+4)维向量,分别表示:13*13个网格,每一个网格对应5个预测框,每个预测框有4个位置参量、1个置信度以及对应的4个类别预测概率。
S404:计算预测框在预测窗口中位置:bx,by对应预测框中心坐标,bw,bh对应预测框的长度和宽度;cx,cy分别表示对应的网格横纵坐标,σ(tx),σ(ty)分别表示相对于网格中心的横纵偏移量,和分别表示预测所得的长宽缩放尺度,pw和ph分别表示预测框的初始长宽值,与YOLO原文一致通过聚类获得,
bx=σ(tx)+cx
by=σ(ty)+cy
S405:计算目标在原始大图中的真实位置:btx,bty对应预测的真实坐标中心
btx=bx+xk(k=1,...,M)
bty=by+yk(k=1,...,M)
S406:每个检测框预测的置信度值与类别得分相乘,得到类别置信度,剔除类别置信度低于阈值的舰船检测窗口,其中,所述阈值优选为>0.5,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,最终得到得分高的舰船检测框。
本发明所述基于改进的YOLO V2模型的光学遥感图像舰船检测方法,利用单个YOLO V2网络模型实现遥感图像舰船目标特征提取、检测、目标定位等过程,克服人工特征提取的不足深层次挖掘数据所含信息;同时考虑到舰船误判为虚警、虚警判别为舰船以及某一类虚警判别为另一类虚警所带来的损失差异,对YOLO V2模型的类别误判损失进行加权修正,强化了网络对舰船目标样本的特征学习,在保证舰船检测性能的基础上缩减训练代数;对于虚警间的误判采用0因子加权,降低了对虚警标定的准确度要求,虚警间的错误标定不影响损失函数的收敛。
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 (10)
1.一种基于改进的YOLO V2模型的光学遥感图像舰船检测方法,其特征在于,包括如下步骤:
(1)图像预处理,得到符合YOLO V2网络模型要求的图像;
(2)对经步骤(1)预处理后的图像,进行类别标定,构造YOLO V2损失函数加权矩阵,并对损失函数进行修正;
(3)构建图像训练本集和测试样本集,利用步骤(2)中建立的修正后的损失函数进行模型训练;
(4)基于改进YOLO V2模型的网络测试。
2.根据权利要求1所述的基于改进的YOLO V2模型的光学遥感图像舰船检测方法,其特征在于,所述步骤(1)中,图像预处理步骤包括:
S101:统计图像数据库中的舰船目标,得到最大的舰船长度记为L;
S102:计算窗口滑动步长step=floor(416-1.1L);
S103:设定416*416的窗口大小,以S2中的滑动步长对图像进行处理,得到416*416的图像块。
3.根据权利要求2所述的基于改进的YOLO V2模型的光学遥感图像舰船检测方法,其特征在于,所述步骤(1)中,还包括步骤S104:对不足416*416的图像块,增大重叠区域,得到预处理图像。
4.根据权利要求3所述的基于改进的YOLO V2模型的光学遥感图像舰船检测方法,其特征在于,所述步骤(2)中,类别标定的方法如S201:对图像中的目标进行类别标定,类别分别是舰船、云朵、小岛和人工建筑共4类虚警,类别表示为1,2,3,4。
5.根据权利要求4所述的基于改进的YOLO V2模型的光学遥感图像舰船检测方法,其特征在于,所述步骤(2)中,构造YOLO V2损失函数加权矩阵W的方法如S202:构造YOLO V2损失函数加权矩阵W:
其中wij表示将类别i判别为j的损失加权值,i和j均取值为1、2、3或4。
6.根据权利要求1~5任一所述的基于改进的YOLO V2模型的光学遥感图像舰船检测方法,其特征在于,所述步骤(2)中,损失函数修正的方法如S203:
其中ci,分别表示第i个网格的真实类别和预测类别,1i,j表示第i个网格的第j个预测框是否对某个目标负责:在训练阶段,只有和真实标定框取得最大IoU值所对应的预测框处取值为1,否则为0;正负样本比例平衡因子分别为:λcoord=5,λnoobj=0.5;(xi,yi)表示第i个网格对应目标的中心坐标;ωi和hi分别表示目标的长和宽;
Ci表示第i个网格中有目标的置信度;p(ci)表示第i个网格对应的目标为第ci类的概率,表示将第i个网格的类ci判别为的损失加权,其他对应含有上标^的参数均表示相应的预测值。
7.根据权利要求1~6任一所述的基于改进的YOLO V2模型的光学遥感图像舰船检测方法,其特征在于,所述步骤(3)中,模型训练的具体步骤包括如下:
S301:构建图像训练样本集和测试样本集,图像大小均为416*416的图像块;
S302:利用YOLO官方开源代码生成YOLO格式的标记文件绝对路径文件;
S303:修改网络中与类别相关的参数文件;
S304:加载数据文件、结构文件以及官方的darknet19_448.conv.23预训练模型进行模型的训练,训练中的损失函数采用步骤2中经修正后的表达式。
8.根据权利要求1~7任一所述的基于改进的YOLO V2模型的光学遥感图像舰船检测方法,其特征在于,所述步骤(4)中,网络测试的方法包括如下步骤:
S401:对任意输入图片P,以步骤1中的step大小为滑动步长,采用416*416大小的滑动窗口,遍历整个输入图像,对最后不足416*416的图像增大重叠区域;
S402:记录每一图像块在原始大图中对应的的左上角坐标,记为(x1,y1),,,(xk,yk),,(xM,yM),M为窗口总数k表示第k个窗口;
S403:将每一窗口区域输入到已经训练好的网络模型;
S404:计算预测框在预测窗口中位置:bx,by对应预测框中心坐标,bw,bh对应预测框的长度和宽度;cx,cy分别表示对应的网格横纵坐标,σ(tx),σ(ty)分别表示相对于网格中心的横纵偏移量,和分别表示预测所得的长宽缩放尺度,pw和ph分别表示预测框的初始长宽值,与YOLO原文一致通过聚类获得,
bx=σ(tx)+cx
by=σ(ty)+cy
S405:计算目标在原始大图中的真实位置:btx,bty对应预测的真实坐标中心
btx=bx+xk(k=1,...,M)
bty=by+yk(k=1,...,M)
S406:每个检测框预测的置信度值与类别得分相乘,得到类别置信度,剔除类别置信度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,最终得到得分高的舰船检测框。
9.根据权利要求8所述的基于改进的YOLO V2模型的光学遥感图像舰船检测方法,其特征在于,所述步骤S403中,将每一窗口区域输入到已经训练好的网络模型,得到13*13*5*(4+1+4)维向量,分别表示:13*13个网格,每一个网格对应5个预测框,每个预测框有4个位置参数量、1个置信度以及对应的4个类别预测概率。
10.根据权利要求8或9所述的基于改进的YOLO V2模型的光学遥感图像舰船检测方法,其特征在于,所述阈值为>0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811267636.7A CN109492561B (zh) | 2018-10-29 | 2018-10-29 | 一种基于改进的yolo v2模型的光学遥感图像舰船检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811267636.7A CN109492561B (zh) | 2018-10-29 | 2018-10-29 | 一种基于改进的yolo v2模型的光学遥感图像舰船检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109492561A true CN109492561A (zh) | 2019-03-19 |
CN109492561B CN109492561B (zh) | 2021-09-14 |
Family
ID=65693223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811267636.7A Active CN109492561B (zh) | 2018-10-29 | 2018-10-29 | 一种基于改进的yolo v2模型的光学遥感图像舰船检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109492561B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348356A (zh) * | 2019-07-03 | 2019-10-18 | 北京遥感设备研究所 | 一种基于深度光流网络的连续帧rd图像目标识别方法 |
CN110502654A (zh) * | 2019-08-26 | 2019-11-26 | 长光卫星技术有限公司 | 一种适用于多源异构遥感数据的目标库生成系统 |
CN110508510A (zh) * | 2019-08-27 | 2019-11-29 | 广东工业大学 | 一种塑料泵缺陷检测方法、装置及系统 |
CN110674674A (zh) * | 2019-08-01 | 2020-01-10 | 杭州电子科技大学 | 一种基于yolo v3的旋转目标检测方法 |
CN110796048A (zh) * | 2019-10-18 | 2020-02-14 | 武汉大学 | 一种基于深度神经网络的船舰目标实时检测方法 |
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 |
CN111091095A (zh) * | 2019-12-19 | 2020-05-01 | 华中科技大学 | 一种遥感图像中船只目标的检测方法 |
CN111178165A (zh) * | 2019-12-12 | 2020-05-19 | 河南省润通路空一体交通发展有限公司 | 一种基于小样本训练视频空对地目标情报自动提取方法 |
CN111222574A (zh) * | 2020-01-07 | 2020-06-02 | 西北工业大学 | 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 |
CN112966635A (zh) * | 2021-03-19 | 2021-06-15 | 北京理工大学 | 面向低分辨率时序遥感影像的运动舰船检测方法及装置 |
CN113033303A (zh) * | 2021-02-09 | 2021-06-25 | 北京工业大学 | 一种基于RCIoU损失的SAR图像旋转舰船检测的实现方法 |
CN113221775A (zh) * | 2021-05-19 | 2021-08-06 | 哈尔滨工程大学 | 单阶段任意四边形回归框大长宽比目标遥感图像检测算法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647648A (zh) * | 2018-05-14 | 2018-10-12 | 电子科技大学 | 一种基于卷积神经网络的可见光条件下的舰船识别系统及方法 |
-
2018
- 2018-10-29 CN CN201811267636.7A patent/CN109492561B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647648A (zh) * | 2018-05-14 | 2018-10-12 | 电子科技大学 | 一种基于卷积神经网络的可见光条件下的舰船识别系统及方法 |
Non-Patent Citations (2)
Title |
---|
WU, FEI, ET AL: "《Inshore ship detection based on convolutional neural network in optical satellite images》", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING 11》 * |
徐芳: "《可见光遥感图像海面目标自动检测关键技术研究》", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348356A (zh) * | 2019-07-03 | 2019-10-18 | 北京遥感设备研究所 | 一种基于深度光流网络的连续帧rd图像目标识别方法 |
CN110674674A (zh) * | 2019-08-01 | 2020-01-10 | 杭州电子科技大学 | 一种基于yolo v3的旋转目标检测方法 |
CN110502654A (zh) * | 2019-08-26 | 2019-11-26 | 长光卫星技术有限公司 | 一种适用于多源异构遥感数据的目标库生成系统 |
CN110508510A (zh) * | 2019-08-27 | 2019-11-29 | 广东工业大学 | 一种塑料泵缺陷检测方法、装置及系统 |
CN110796048A (zh) * | 2019-10-18 | 2020-02-14 | 武汉大学 | 一种基于深度神经网络的船舰目标实时检测方法 |
CN110796048B (zh) * | 2019-10-18 | 2022-11-04 | 武汉大学 | 一种基于深度神经网络的船舰目标实时检测方法 |
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 |
CN111178165A (zh) * | 2019-12-12 | 2020-05-19 | 河南省润通路空一体交通发展有限公司 | 一种基于小样本训练视频空对地目标情报自动提取方法 |
CN111178165B (zh) * | 2019-12-12 | 2023-07-18 | 河南省润通路空一体交通发展有限公司 | 一种基于小样本训练视频空对地目标情报自动提取方法 |
CN111091095B (zh) * | 2019-12-19 | 2022-03-29 | 华中科技大学 | 一种遥感图像中船只目标的检测方法 |
CN111091095A (zh) * | 2019-12-19 | 2020-05-01 | 华中科技大学 | 一种遥感图像中船只目标的检测方法 |
CN111222574B (zh) * | 2020-01-07 | 2022-04-05 | 西北工业大学 | 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 |
CN111222574A (zh) * | 2020-01-07 | 2020-06-02 | 西北工业大学 | 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 |
CN113033303A (zh) * | 2021-02-09 | 2021-06-25 | 北京工业大学 | 一种基于RCIoU损失的SAR图像旋转舰船检测的实现方法 |
CN113033303B (zh) * | 2021-02-09 | 2024-03-01 | 北京工业大学 | 一种基于RCIoU损失的SAR图像旋转舰船检测的实现方法 |
CN112966635A (zh) * | 2021-03-19 | 2021-06-15 | 北京理工大学 | 面向低分辨率时序遥感影像的运动舰船检测方法及装置 |
CN113221775A (zh) * | 2021-05-19 | 2021-08-06 | 哈尔滨工程大学 | 单阶段任意四边形回归框大长宽比目标遥感图像检测算法 |
CN113221775B (zh) * | 2021-05-19 | 2022-04-26 | 哈尔滨工程大学 | 单阶段任意四边形回归框大长宽比目标遥感图像检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109492561B (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492561A (zh) | 一种基于改进的yolo v2模型的光学遥感图像舰船检测方法 | |
CN114119582B (zh) | 一种合成孔径雷达图像目标检测方法 | |
CN111460968B (zh) | 基于视频的无人机识别与跟踪方法及装置 | |
CN103839057B (zh) | 一种锑浮选工况识别方法及系统 | |
CN108805070A (zh) | 一种基于嵌入式终端的深度学习行人检测方法 | |
Liu et al. | Remote sensing image change detection based on information transmission and attention mechanism | |
CN109145872A (zh) | 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法 | |
CN111814889A (zh) | 一种使用无锚框模块和增强分类器的单阶段目标检测方法 | |
CN115719338A (zh) | 一种基于改进YOLOv5的PCB板表面缺陷检测方法 | |
CN110458201A (zh) | 一种遥感影像面向对象分类方法及分类装置 | |
CN109458978A (zh) | 一种基于多尺度检测算法的天线下倾角测量方法 | |
CN105654054A (zh) | 基于半监督近邻传播学习和多视觉词典模型的智能视频分析方法 | |
Wang et al. | Accurate real-time ship target detection using Yolov4 | |
CN113486819A (zh) | 一种基于YOLOv4算法的船舶目标检测方法 | |
CN115223017A (zh) | 一种基于深度可分离卷积的多尺度特征融合桥梁检测方法 | |
CN109523015B (zh) | 一种神经网络中图像处理方法 | |
CN113313128B (zh) | 一种基于改进YOLOv3网络的SAR图像目标检测方法 | |
Zou et al. | Maritime target detection of intelligent ship based on faster R-CNN | |
Zhang et al. | Recognition and detection of wolfberry in the natural background based on improved YOLOv5 network | |
CN113536944A (zh) | 基于图像识别的配电线路巡检数据识别及分析方法 | |
CN110826485B (zh) | 一种遥感影像的目标检测方法及系统 | |
CN115343711A (zh) | 一种基于改进YOLOx的SAR图像舰船目标检测方法 | |
CN114283323A (zh) | 一种基于图像深度学习的海上目标识别系统 | |
CN114399780A (zh) | 表格检测方法、表格检测模型训练方法及装置 | |
Ge et al. | Research On Ship Small Target Detection In SAR Image Based On Improved YOLO-v7 |
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 |