CN109508634B - 基于迁移学习的船舶类型识别方法及系统 - Google Patents

基于迁移学习的船舶类型识别方法及系统 Download PDF

Info

Publication number
CN109508634B
CN109508634B CN201811162674.6A CN201811162674A CN109508634B CN 109508634 B CN109508634 B CN 109508634B CN 201811162674 A CN201811162674 A CN 201811162674A CN 109508634 B CN109508634 B CN 109508634B
Authority
CN
China
Prior art keywords
image
ship
normalization
learning model
layer
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
CN201811162674.6A
Other languages
English (en)
Other versions
CN109508634A (zh
Inventor
林德银
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.)
Shanghai Yingjue Technology Co ltd
Original Assignee
Shanghai Yingjue Technology Co ltd
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 Shanghai Yingjue Technology Co ltd filed Critical Shanghai Yingjue Technology Co ltd
Priority to CN201811162674.6A priority Critical patent/CN109508634B/zh
Publication of CN109508634A publication Critical patent/CN109508634A/zh
Application granted granted Critical
Publication of CN109508634B publication Critical patent/CN109508634B/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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

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

Abstract

本发明提供了一种基于迁移学习的船舶类型识别方法及系统，包括：迁移已训练好的卷积神经网络模型，结合船舶图像对卷积神经网络模型的参数和结构进行调整，得到迁移学习模型；对船舶图像进行灰度化、归一化和类型标注处理，得到数据集；根据反向传播法，用所述数据集训练所述迁移学习模型；将待测图像输入训练好的所述迁移学习模型中进行类型识别。本发明采用迁移学习的方法，其可以主动提取舰船图像的特征，不需要人工提取特征，降低了人员的工作量和疏漏可能性，避免了从头设计网络和缺少大量舰船数据集而导致的网络分类结果不佳的问题，提高了分类的准确性。

Description

基于迁移学习的船舶类型识别方法及系统
技术领域
本发明涉及图像识别技术领域，具体地，涉及基于迁移学习的船舶类型识别方法及系统。
背景技术
对于舰船物体来说，其作为海上运输的主要载体，在军事和民用上有着非常重要的作用。由于经济的发展，海上运行的舰船越来越多，海上交通也越来越繁忙，从而引发的事故也越来越普遍，如果能够精确识别舰船种类，从而对于某些海上交通事故的发生，降低了一定可能性。此外，在军事上，如果能够正确识别远处舰船的类型(民用舰船或者军事舰船)也是有着非常重要的军事意义。
随着深度学习的崛起，由于其准确的结果，已经被广泛应用于计算机视觉领域。对于深度学习来说，其往往是需要大量的数据集来支持的，但是标注新数据是非常昂贵的，需要大量的人力与物力。对于某些方面的数据集，由于其往往很难大量获取(比如医学图像、军事图像等)。
对于现有的技术来说，其一般通过手动提取舰船物体的特征，比如船舶图像的边缘特征以及颜色特征等，然后经过分类器对目标进行分类。由于手动提取特征：
(1)增加了用户操作的复杂度；
(2)由于手动特征可能会忽略一些人们不经意的特征，而这些特征可能对于舰船的识别分类起到一定的作用；
(3)对于颜色特征来说，其可能受到海面中光照反射等影响，造成特征不明显，较低了其所起到的作用；
(4)由于(2)和(3)两点会造成分类准确性的降低。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于迁移学习的船舶类型识别方法及系统。
根据本发明提供的一种基于迁移学习的船舶类型识别方法，包括：
迁移学习模型构建步骤：迁移已训练好的卷积神经网络模型，结合船舶图像对卷积神经网络模型的参数和结构进行调整，得到迁移学习模型；
数据集构建步骤：对船舶图像进行灰度化、归一化和类型标注处理，得到数据集；
训练步骤：根据反向传播法，用所述数据集训练所述迁移学习模型；
预测步骤：将待测图像输入训练好的所述迁移学习模型中进行类型识别。
较佳的，所述迁移学习模型中，所有的卷基层中卷积核的大小均为3×3大小；所述迁移学习模型包括：
卷基层_0：由64个卷积核构成；
卷基层_1：由128个卷积核构成；
卷基层_2：由256个卷积核构成；
卷基层_3：由512个卷积核构成；
全连接层_0：由2048个神经元构成；
全连接层_1：由5个神经元构成；
最大池化层：执行最大池化操作；
Soft-max层：作为所述迁移学习模型的输出层，计算并输出各个类别的概率。
较佳的，归一化处理包括图像尺寸归一化和图像数值归一化；所述图像尺寸归一化包括将船舶图像的尺寸归一化为统一的尺寸，所述图像数值归一化包括将船舶图像的像素值归一化到[0,1]之间；
类型标注处理包括分别标注船舶图像对应的船舶类别。
较佳的，所述反向传播法包括：
步骤1：随机初始化迁移学习模型的每条神经元连接线的权重和每层的偏置；
步骤2：对输入数据执行前向传输得到预测值；
步骤3：根据真实值与预测值之间的误差，逆向反馈更新每条神经元连接线的权重和每层的偏置；
步骤4：返回步骤2，直至误差收敛。
较佳的，所述待测图像经过与所述船舶图像相同的灰度化和归一化处理。
根据本发明提供的一种基于迁移学习的船舶类型识别系统，包括：
迁移学习模型构建模块：迁移已训练好的卷积神经网络模型，结合船舶图像对卷积神经网络模型的参数和结构进行调整，得到迁移学习模型；
数据集构建模块：对船舶图像进行灰度化、归一化和类型标注处理，得到数据集；
训练模块：根据反向传播法，用所述数据集训练所述迁移学习模型；
预测模块：将待测图像输入训练好的所述迁移学习模型中进行类型识别。
较佳的，所述迁移学习模型中，所有的卷基层中卷积核的大小均为3×3大小；所述迁移学习模型包括：
卷基层_0：由64个卷积核构成；
卷基层_1：由128个卷积核构成；
卷基层_2：由256个卷积核构成；
卷基层_3：由512个卷积核构成；
全连接层_0：由2048个神经元构成；
全连接层_1：由5个神经元构成；
最大池化层：执行最大池化操作；
Soft-max层：作为所述迁移学习模型的输出层，计算并输出各个类别的概率。
较佳的，归一化处理包括图像尺寸归一化和图像数值归一化；所述图像尺寸归一化包括将船舶图像的尺寸归一化为统一的尺寸，所述图像数值归一化包括将船舶图像的像素值归一化到[0,1]之间；
类型标注处理包括分别标注船舶图像对应的船舶类别。
较佳的，所述反向传播法包括：
步骤1：随机初始化迁移学习模型的每条神经元连接线的权重和每层的偏置；
步骤2：对输入数据执行前向传输得到预测值；
步骤3：根据真实值与预测值之间的误差，逆向反馈更新每条神经元连接线的权重和每层的偏置；
步骤4：返回步骤2，直至误差收敛。
较佳的，所述待测图像经过与所述船舶图像相同的灰度化和归一化处理。
与现有技术相比，本发明具有如下的有益效果：
1、采用迁移学习的方法，其可以主动提取舰船图像的特征，不需要人工提取特征，降低了人员的工作量；
2、由于可以主动提取特征，从而降低了对于舰船识别分类一些特征疏漏可能性；
3、采用迁移学习的方法，避免了从头设计网络和缺少大量舰船数据集而导致的网络分类结果不佳的问题；
4、将迁移学习应用到舰船分类中，相对于传统的分类方法，提高了分类的准确性。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明的流程图；
图2为本发明的迁移学习模型示意图；
图3为最大池化操作示意图；
图4为单个神经元结构示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
迁移学习简单来说，是将从一个应用场景中学到的知识，用来帮助新的应用场景中的学习任务。我们可以将传统分类效果好的网络应用到本专利中船舶识别上，通过现有的船舶数据集，进行微调训练网络，从而达到对船舶目标识别的目的。
如图1所示，本发明提供的一种基于迁移学习的船舶类型识别方法，包括：
迁移学习模型构建步骤：
迁移已训练好的卷积神经网络模型，结合船舶图像对卷积神经网络模型的参数和结构进行调整，得到迁移学习模型。
在计算视觉中，所有的图像都存在着一定的关联性(比如图像的边缘)。对于目前公开的大数据集，比如ImageNet等，一些比较流行的网络已经在这些公开的数据集上取得很好地结果。比如VGG网络在ILSVRC2014图像分类比赛中获得了第二名的成绩。
因此，我们可以基于训练好的VGG网络，将其应用到船舶图像分类中。通过结合船舶图像，从而微调VGG网络的相关参数和结构，从而达到更加准确的船舶目标图像识别分类中。
在本文中，主要迁移已经训练好的VGG-16网络，并结合船舶图像，进行微调网络参数和结构，从而进行船舶图像分类，经过微调后的网络结构如下可图2所示。
在模型中，所有的卷积层中卷积核的大小均为3×3大小，其中：
卷基层_0：由64个卷积核构成；
卷基层_1：由128个卷积核构成；
卷基层_2：由256个卷积核构成；
卷基层_3：由512个卷积核构成；
全连接层_0：由2048个神经元构成；
全连接层_1：由5个神经元构成；
最大池化层：执行最大池化操作；最大池化操作如图3所示，假设核的大小为2，则其是对一个2×2大小的领域进行最大池化操作，具体是求取2×2领域内的最大值作为输出，即max(A,B,C,D)；
Relu(x)＝max(0,x)
Soft-max层：作为迁移学习模型的输出层，计算并输出各个类别的概率。输出一个5行1列的向量，其中第i行的值表示该当前船舶图像属于第i个类别的概率，其中0≤i≤4。
数据集构建步骤：
对船舶图像进行灰度化、归一化和类型标注处理，得到数据集。
灰度化：对于原始图像来说，其是具有RGB三通道的彩色图像，但是对于航行在水中的船舶来说，由于光照反射和天气等原因，会对于采集到图像中船舶的颜色有所影响，从而对于最后船舶的分类造成干扰，基于此，对于原始图像进行灰度化操作，使其成为单通道的灰度图(像素值大小范围是[0,255])，从而避免颜色造成干扰。
归一化：采用一些算法，将原始数据的相关信息控制在一定的范围，其优点是(1)加快网络拟合的速度；(2)可以提高网络输出结果的相关精度。本环节的归一化主要包括：图像尺寸归一化以及图像数值归一化两个部分。
1、图像尺寸归一化。顾名思义，其就是将所有原始的船舶图像的大小归一化到统一的大小尺寸中，从而方便网络的训练，在本步骤中，主要将其归一化为512×512的尺寸大小。
2、图像数值归一化。其就是对于每张船舶图像，将其像素值归一化到[0,1]之间，具体实施如公式(1)所示，其中：V(x,y)表示为进行数值归一化操作前，坐标点(x,y)处的像素值大小；V'(x,y)表示数值归一化操作之后，坐标点(x,y)处的像素值大小；Vmin和Vmax分别表示当前船舶图像中，所有坐标点对应的像素值中的最小值和最大值。
Figure BDA0001820358940000061
类型标注：对每一张船舶图像进行标注其类别。本实施例共设五个船舶类别，分别为帆船、客船、集装箱船、渔船和军舰，并依次记为类别0-4。待标注结束后，原始的船舶图像和其对应的类别便构成了一组类似于X-Y的映射对。通过现有数据集，从而拟合出一个映射函数F，从而使得F(X)≈Y。当获取最优的拟合函数之后，今后对于任意一张船舶图像X，便可以通过映射函数F，求取其对应的类别Y。
训练步骤：
根据反向传播法(BP算法，即Backpropagation algorithm算法)，用所述数据集训练所述迁移学习模型。
简单小神经网络的结构可如图4所示，其中每一个圆圈代表着一个神经元，w1和w2代表神经元之间的权重，b表示偏置，g(z)为激活函数，从而使得输出变得非线性，a表示输出，x1和x2表示输入，则针对当前结构，输出的可表示为公式(2)。由公式(2)可得，在输入数据和激活函数不变的情况下，神经网络的输出的值a是与权重和偏置有关的。通过调节不同的权重和偏置，神经网络的输出也会有不同的结果。
a＝g(x1*w1+x2*w2+1*b) (2)
已知神经网络输出的值(预测值)为a，假设其对应的真实值为a'。
对于图3，其反向传播算法执行如下：
i、在反向传播算法算法中，其会先随机初始化每条连接线权重(w1和w2)和偏置b；
ii、对于输入数据x1，x2，BP算法都会先执行前向传输得到预测值a；
iii、然后根据真实值a'与预测值a之间的误差
Figure BDA0001820358940000062
逆向反馈更新神经网络中每条连接线的权重和每层的偏置。
权重和偏置的更新方法如公式(3)-(5)所示，即对E分别求w1，w2，b的偏导。其中η表示的是学习率，在此公式中，其是一个设置好的参数。
Figure BDA0001820358940000063
Figure BDA0001820358940000064
Figure BDA0001820358940000071
iiii、不断重复步骤ii-iii，直到网络收敛，即E的值最小或者基本保持不变。此刻，表示网络已经训练完毕。
预测步骤：
将待测图像输入训练好的所述迁移学习模型中进行类型识别。
(1)对于任意一张待测图像，依次进行图像灰度化和图像归一化等操作，待操作结束后，其应该是一张尺寸大小为512×512，图像的所有像素值在[0,1]之间的单通道图像；
(2)将获得的图像输入到迁移学习模型中，最终会输出一个5行1列的向量，其中，每一行的值对应一个概率值。第i行的概率值表示该当前船舶图像属于第i个类别的概率，我们选取概率值最大的类别作为当前船舶图像实际属于的类别，从而最终完成船舶图像的分类。
在上述一种基于迁移学习的船舶类型识别方法的基础上，本发明还提供一种基于迁移学习的船舶类型识别系统，包括：
迁移学习模型构建模块：迁移已训练好的卷积神经网络模型，结合船舶图像对卷积神经网络模型的参数和结构进行调整，得到迁移学习模型；
数据集构建模块：对船舶图像进行灰度化、归一化和类型标注处理，得到数据集；
训练模块：根据反向传播法，用所述数据集训练所述迁移学习模型；
预测模块：将待测图像输入训练好的所述迁移学习模型中进行类型识别。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (4)

1.一种基于迁移学习的船舶类型识别方法，其特征在于，包括：
迁移学习模型构建步骤：迁移已训练好的卷积神经网络模型，结合船舶图像对卷积神经网络模型的参数和结构进行调整，得到迁移学习模型；
数据集构建步骤：对船舶图像进行灰度化、归一化和类型标注处理，得到数据集；
训练步骤：根据反向传播法，用所述数据集训练所述迁移学习模型；
预测步骤：将待测图像输入训练好的所述迁移学习模型中进行类型识别；
归一化处理包括图像尺寸归一化和图像数值归一化；所述图像尺寸归一化包括将船舶图像的尺寸归一化为统一的尺寸，所述图像数值归一化包括将船舶图像的像素值归一化到[0,1]之间；
Figure FDA0002617578120000011
其中：V(x,y)表示为进行数值归一化操作前，坐标点(x,y)处的像素值大小；V'(x,y)表示数值归一化操作之后，坐标点(x,y)处的像素值大小；Vmin和Vmax分别表示当前船舶图像中，所有坐标点对应的像素值中的最小值和最大值；
类型标注处理包括分别标注船舶图像对应的船舶类别；
所述反向传播法包括：
步骤1：随机初始化迁移学习模型的每条神经元连接线的权重和每层的偏置；
步骤2：对输入数据执行前向传输得到预测值；
步骤3：根据真实值与预测值之间的误差，逆向反馈更新每条神经元连接线的权重和每层的偏置；
步骤4：返回步骤2，直至误差收敛；
权重w1、w2和偏置b的更新方法包括：
Figure FDA0002617578120000012
Figure FDA0002617578120000013
Figure FDA0002617578120000014
E为误差，η为学习率；
所述迁移学习模型中，所有的卷基层中卷积核的大小均为3×3大小；所述迁移学习模型包括：
卷基层_0：由64个卷积核构成；
卷基层_1：由128个卷积核构成；
卷基层_2：由256个卷积核构成；
卷基层_3：由512个卷积核构成；
全连接层_0：由2048个神经元构成；
全连接层_1：由5个神经元构成；
最大池化层：执行最大池化操作；
Soft-max层：作为所述迁移学习模型的输出层，计算并输出各个类别的概率。
2.根据权利要求1所述的基于迁移学习的船舶类型识别方法，其特征在于，所述待测图像经过与所述船舶图像相同的灰度化和归一化处理。
3.一种基于迁移学习的船舶类型识别系统，其特征在于，包括：
迁移学习模型构建模块：迁移已训练好的卷积神经网络模型，结合船舶图像对卷积神经网络模型的参数和结构进行调整，得到迁移学习模型；
数据集构建模块：对船舶图像进行灰度化、归一化和类型标注处理，得到数据集；
训练模块：根据反向传播法，用所述数据集训练所述迁移学习模型；
预测模块：将待测图像输入训练好的所述迁移学习模型中进行类型识别；
归一化处理包括图像尺寸归一化和图像数值归一化；所述图像尺寸归一化包括将船舶图像的尺寸归一化为统一的尺寸，所述图像数值归一化包括将船舶图像的像素值归一化到[0,1]之间；
Figure FDA0002617578120000021
其中：V(x,y)表示为进行数值归一化操作前，坐标点(x,y)处的像素值大小；V'(x,y)表示数值归一化操作之后，坐标点(x,y)处的像素值大小；Vmin和Vmax分别表示当前船舶图像中，所有坐标点对应的像素值中的最小值和最大值；
类型标注处理包括分别标注船舶图像对应的船舶类别；
所述反向传播法包括：
步骤1：随机初始化迁移学习模型的每条神经元连接线的权重和每层的偏置；
步骤2：对输入数据执行前向传输得到预测值；
步骤3：根据真实值与预测值之间的误差，逆向反馈更新每条神经元连接线的权重和每层的偏置；
步骤4：返回步骤2，直至误差收敛；
权重w1、w2和偏置b的更新方法包括：
Figure FDA0002617578120000031
Figure FDA0002617578120000032
Figure FDA0002617578120000033
E为误差，η为学习率；
所述迁移学习模型中，所有的卷基层中卷积核的大小均为3×3大小；所述迁移学习模型包括：
卷基层_0：由64个卷积核构成；
卷基层_1：由128个卷积核构成；
卷基层_2：由256个卷积核构成；
卷基层_3：由512个卷积核构成；
全连接层_0：由2048个神经元构成；
全连接层_1：由5个神经元构成；
最大池化层：执行最大池化操作；
Soft-max层：作为所述迁移学习模型的输出层，计算并输出各个类别的概率。
4.根据权利要求3所述的基于迁移学习的船舶类型识别系统，其特征在于，所述待测图像经过与所述船舶图像相同的灰度化和归一化处理。
CN201811162674.6A 2018-09-30 2018-09-30 基于迁移学习的船舶类型识别方法及系统 Active CN109508634B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811162674.6A CN109508634B (zh) 2018-09-30 2018-09-30 基于迁移学习的船舶类型识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811162674.6A CN109508634B (zh) 2018-09-30 2018-09-30 基于迁移学习的船舶类型识别方法及系统

Publications (2)

Publication Number Publication Date
CN109508634A CN109508634A (zh) 2019-03-22
CN109508634B true CN109508634B (zh) 2020-10-30

Family

ID=65746316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811162674.6A Active CN109508634B (zh) 2018-09-30 2018-09-30 基于迁移学习的船舶类型识别方法及系统

Country Status (1)

Country Link
CN (1) CN109508634B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110033045A (zh) * 2019-04-17 2019-07-19 内蒙古工业大学 一种训练识别图像雾化的方法和装置
CN110210536A (zh) * 2019-05-22 2019-09-06 北京邮电大学 一种光互连系统的物理损伤诊断方法及装置
CN110348357B (zh) * 2019-07-03 2022-10-11 昆明理工大学 一种基于深度卷积神经网络的快速目标检测方法
CN110633353B (zh) * 2019-07-29 2020-05-19 南京莱斯网信技术研究院有限公司 一种基于集成学习的船舶类型仿冒监测方法
CN110569844B (zh) * 2019-08-26 2022-02-08 中国人民解放军91550部队 基于深度学习的船舶识别方法及系统
CN110610207B (zh) * 2019-09-10 2022-11-25 重庆邮电大学 一种基于迁移学习的小样本sar图像舰船分类方法
CN110660478A (zh) * 2019-09-18 2020-01-07 西安交通大学 一种基于迁移学习的癌症图像预测判别方法和系统
CN111652352B (zh) * 2020-05-13 2023-08-04 北京航天自动控制研究所 一种针对迁移学习的神经网络模型输入通道整合方法
CN111738325B (zh) * 2020-06-16 2024-05-17 北京百度网讯科技有限公司 图像识别方法、装置、设备以及存储介质
CN114007050A (zh) * 2021-10-14 2022-02-01 桂林电子科技大学 一种基于北斗通信的目标识别图像传输方法
CN114239688B (zh) * 2021-11-23 2022-08-02 中南大学 船只目标识别方法、计算机装置及程序产品、存储介质
CN118013647B (zh) * 2024-03-22 2024-09-10 江南大学 基于迁移学习的船体外形设计代理辅助优化方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107145903A (zh) * 2017-04-28 2017-09-08 武汉理工大学 一种基于卷积神经网络图片特征提取的船舶类型识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8014590B2 (en) * 2005-12-07 2011-09-06 Drvision Technologies Llc Method of directed pattern enhancement for flexible recognition

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107145903A (zh) * 2017-04-28 2017-09-08 武汉理工大学 一种基于卷积神经网络图片特征提取的船舶类型识别方法

Also Published As

Publication number Publication date
CN109508634A (zh) 2019-03-22

Similar Documents

Publication Publication Date Title
CN109508634B (zh) 基于迁移学习的船舶类型识别方法及系统
CN110674714B (zh) 基于迁移学习的人脸和人脸关键点联合检测方法
CN104463209B (zh) 一种基于bp神经网络的pcb板上数字代码识别方法
CN113705769B (zh) 一种神经网络训练方法以及装置
CN110837870B (zh) 基于主动学习的声呐图像目标识别方法
CN111191583B (zh) 基于卷积神经网络的空间目标识别系统及方法
CN112085735A (zh) 一种基于自适应锚框的铝材质图像缺陷检测方法
CN111507993A (zh) 一种基于生成对抗网络的图像分割方法、装置及存储介质
CN109523013B (zh) 基于浅层卷积神经网络的空气颗粒物污染程度估计方法
CN110335290A (zh) 基于注意力机制的孪生候选区域生成网络目标跟踪方法
CN108985268B (zh) 基于深度迁移学习的归纳式雷达高分辨距离像识别方法
CN107451616A (zh) 基于深度半监督迁移学习的多光谱遥感图像地物分类方法
CN110263819A (zh) 一种用于贝类图像的目标检测方法及装置
CN109753878B (zh) 一种恶劣天气下的成像识别方法及系统
CN108805222A (zh) 一种基于arm平台的深度学习数字手写体识别方法
CN111127360B (zh) 一种基于自动编码器的灰度图像迁移学习方法
US11568212B2 (en) Techniques for understanding how trained neural networks operate
CN107977683A (zh) 基于卷积特征提取和机器学习的联合sar目标识别方法
CN111104831B (zh) 一种视觉追踪方法、装置、计算机设备以及介质
CN109086653A (zh) 手写模型训练方法、手写字识别方法、装置、设备及介质
CN116110022B (zh) 基于响应知识蒸馏的轻量化交通标志检测方法及系统
US11695898B2 (en) Video processing using a spectral decomposition layer
CN113850783B (zh) 一种海面船舶检测方法及系统
CN110298394A (zh) 一种图像识别方法和相关装置
CN111079837A (zh) 一种用于二维灰度图像检测识别分类的方法

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Method and system of ship type recognition based on Transfer Learning

Effective date of registration: 20220624

Granted publication date: 20201030

Pledgee: China Minsheng Banking Corp Shanghai branch

Pledgor: SHANGHAI YINGJUE TECHNOLOGY CO.,LTD.

Registration number: Y2022310000083

PE01 Entry into force of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20230728

Granted publication date: 20201030

Pledgee: China Minsheng Banking Corp Shanghai branch

Pledgor: SHANGHAI YINGJUE TECHNOLOGY CO.,LTD.

Registration number: Y2022310000083

PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Method and System for Ship Type Recognition Based on Transfer Learning

Effective date of registration: 20230801

Granted publication date: 20201030

Pledgee: China Minsheng Banking Corp Shanghai branch

Pledgor: SHANGHAI YINGJUE TECHNOLOGY CO.,LTD.

Registration number: Y2023310000419

PC01 Cancellation of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Granted publication date: 20201030

Pledgee: China Minsheng Banking Corp Shanghai branch

Pledgor: SHANGHAI YINGJUE TECHNOLOGY CO.,LTD.

Registration number: Y2023310000419