CN109583369B - 一种基于目标区域分割网络的目标识别方法及装置 - Google Patents
一种基于目标区域分割网络的目标识别方法及装置 Download PDFInfo
- Publication number
- CN109583369B CN109583369B CN201811439484.4A CN201811439484A CN109583369B CN 109583369 B CN109583369 B CN 109583369B CN 201811439484 A CN201811439484 A CN 201811439484A CN 109583369 B CN109583369 B CN 109583369B
- Authority
- CN
- China
- Prior art keywords
- network
- target
- initial
- extraction network
- training
- 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
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
- G06V20/13—Satellite images
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种基于目标区域分割网络的目标识别方法及装置,方法包括:获取待处理的遥感图像,并对遥感图像进行图像切分,得到多个子图像;将各子图像输入预先训练得到的特征提取网络中,得到各子图像对应的各特征图;将各特征图分别输入预先训练得到的目标位置提取网络和目标区域分割网络中,得到各特征图对应的候选框和目标区域分割结果,并根据目标区域分割结果,将各特征图中属于非目标区域的部分置为0;将各特征图输入预先训练得到的目标分类网络中,得到标注有各目标位置的目标特征图,并将各目标特征图进行融合和格式恢复,得到遥感图像对应的识别结果图像。本实施例能够准确的对遥感图像进行目标识别。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种基于目标区域分割网络的目标识别方法及装置。
背景技术
遥感技术是人类对自身生存环境开展科学调查的重要手段,遥感卫星搭载多源传感器可以主动或被动地获取植被、湖泊、海洋及大气等存在于地球圈中的各类目标的空间和物理信息,并以二维遥感图像的形式加以呈现。遥感图像中包含的地物信息可以用于军事侦察、土地资源调查、城市发展空间监测、灾害评估与预警等领域,这些领域都与国防安全和国民经济发展息息相关。
遥感图像解译的目的是为了使人类更加全面的了解自身生存的环境,通过解译高分辨率遥感图像,可以更加深刻的反映地物目标的特征并指导人类的实践活动。因此,遥感图像的研究与应用具有十分重大的科学价值和现实意义。遥感图像的语义指的是遥感图像中观测场景的顶层含义,是人类可以直观理解并加以利用的知识。语义提取技术可以从遥感图像中解译出包含山川、河流、建筑、公路等目标的大大小小尺度不一的各类场景,进而研究遥感图像中目标与目标、目标与场景的内在依存关系,建立从底层图像特征到顶层语义的有机联系。
目标识别技术一直是遥感及计算机视觉领域的研究热点之一,也是实现遥感图像语义提取的技术基础。因此,如何准确的对遥感图像进行目标识别,成为一个亟待解决的技术问题。
发明内容
本发明实施例的目的在于提供一种基于目标区域分割网络的目标识别方法及装置,以准确的对遥感图像进行目标识别。
第一方面,本发明实施例提供了一种基于目标区域分割网络的目标识别方法,所述方法包括:
获取待处理的遥感图像,并对所述遥感图像进行图像切分,得到多个子图像;各所述子图像的尺寸为第一预设尺寸;
将各所述子图像输入预先训练得到的特征提取网络中,得到各所述子图像对应的各特征图;
将所述各特征图分别输入预先训练得到的目标位置提取网络和目标区域分割网络中,得到所述各特征图对应的候选框和目标区域分割结果,并根据所述目标区域分割结果,将所述各特征图中属于非目标区域的部分置为0;
将各所述特征图输入预先训练得到的目标分类网络中,得到标注有各目标位置的目标特征图,并将所述各目标特征图进行融合和格式恢复,得到所述遥感图像对应的识别结果图像;
其中,所述特征提取网络、所述目标位置提取网络、所述目标区域分割网络和所述目标分类网络是预先根据已进行目标标注和目标区域分割结果标注的样本图像训练得到的。
可选的,所述特征提取网络、所述目标位置提取网络、所述目标区域分割网络和所述目标分类网络的训练过程包括:
获取原始遥感图像;
对各所述原始遥感图像进行预处理,并对预处理后的原始遥感图像进行目标标注和目标区域分割结果标注,得到各样本图像;各所述样本图像的尺寸为第二预设尺寸,所述第二预设尺寸与所述第一预设尺寸相同或不同;
构建初始特征提取网络、初始目标位置提取网络、初始目标区域分割网络和初始目标分类网络;
使用所述各样本图像,采用各网络交替训练策略,对所述初始特征提取网络、初始目标位置提取网络、初始目标区域分割网络和初始目标分类网络进行训练,得到满足预设条件的特征提取网络、目标位置提取网络、目标区域分割网络和目标分类网络。
可选的,所述对各所述原始遥感图像进行预处理,包括:
根据预设的重叠范围,对所述各原始遥感图像进行切割,得到各原始遥感子图像;
对所述各原始遥感子图像进行数据增强处理;其中,所述数据增强处理包括以下至少一项:翻转、旋转、位置变换、噪声叠加和颜色抖动。
可选的,所述构建初始特征提取网络、初始目标位置提取网络、初始目标区域分割网络和初始目标分类网络,包括:
构建包含4个残差块的初始特征提取网络,其中,所述4个残差块分别包含3个、4个、23个、3个残差单元,所述每个残差单元均包含一个1×1卷积层,一个3×3卷积层,以及一个1×1卷积层;
构建包含以下几层的初始目标位置提取网络:两个3×3卷积层和以下两个部分,第一部分为1个1×1卷积层和softmax层,第二部分为1个1×1卷积层和线性回归层;
构建包含4个反卷积模块的初始目标区域分割网络,其中每个反卷积模块均包含一个3×3反卷积层和一个3×3卷积层;
构建包含以下几层的初始目标分类网络:兴趣点池化层、两个全连接层和以下两个部分,第一部分为线性回归层,第二部分为softmax层。
可选的,所述使用所述各样本图像,采用各网络交替训练策略,对所述初始特征提取网络、初始目标位置提取网络、初始目标区域分割网络和初始目标分类网络进行训练,得到满足预设条件的特征提取网络、目标位置提取网络、目标区域分割网络和目标分类网络,包括:
使用所述各样本图像,训练所述初始特征提取网络、所述初始目标位置提取网络和所述初始目标区域分割网络;
训练所述初始特征提取网络和所述初始目标分类网络;
保持所述初始特征提取网络参数不变,训练所述初始目标位置提取网络和所述初始目标区域分割网络;
保持所述初始特征提取网络参数不变,训练所述初始目标分类网络,当训练结果满足预设条件时,得到特征提取网络、目标位置提取网络、目标区域分割网络和目标分类网络。
第二方面,本发明实施例提供了一种基于目标区域分割网络的目标识别装置,所述装置包括:
第一获取模块,用于获取待处理的遥感图像,并对所述遥感图像进行图像切分,得到多个子图像;各所述子图像的尺寸为第一预设尺寸;
提取模块,用于将各所述子图像输入预先训练得到的特征提取网络中,得到各所述子图像对应的各特征图;
处理模块,用于将所述各特征图分别输入预先训练得到的目标位置提取网络和目标区域分割网络中,得到所述各特征图对应的候选框和目标区域分割结果,并根据所述目标区域分割结果,将所述各特征图中属于非目标区域的部分置为0;
识别模块,用于将各所述特征图输入预先训练得到的目标分类网络中,得到标注有各目标位置的目标特征图,并将所述各目标特征图进行融合和格式恢复,得到所述遥感图像对应的识别结果图像;其中,所述特征提取网络、所述目标位置提取网络、所述目标区域分割网络和所述目标分类网络是预先根据已进行目标标注和目标区域分割结果标注的样本图像训练得到的。
可选的,所述装置还包括:
第二获取模块,用于获取原始遥感图像;
预处理模块,用于对各所述原始遥感图像进行预处理,并对预处理后的原始遥感图像进行目标标注和目标区域分割结果标注,得到各样本图像;各所述样本图像的尺寸为第二预设尺寸,所述第二预设尺寸与所述第一预设尺寸相同或不同;
构建模块,用于构建初始特征提取网络、初始目标位置提取网络、初始目标区域分割网络和初始目标分类网络;
训练模块,用于使用所述各样本图像,采用各网络交替训练策略,对所述初始特征提取网络、初始目标位置提取网络、初始目标区域分割网络和初始目标分类网络进行训练,得到满足预设条件的特征提取网络、目标位置提取网络、目标区域分割网络和目标分类网络。
可选的,所述预处理模块,具体用于:
根据预设的重叠范围,对所述各原始遥感图像进行切割,得到各原始遥感子图像;
对所述各原始遥感子图像进行数据增强处理;其中,所述数据增强处理包括以下至少一项:翻转、旋转、位置变换、噪声叠加和颜色抖动。
可选的,所述构建模块,具体用于:
构建包含4个残差块的初始特征提取网络,其中,所述4个残差块分别包含3个、4个、23个、3个残差单元,所述每个残差单元均包含一个1×1卷积层,一个3×3卷积层,以及一个1×1卷积层;
构建包含以下几层的初始目标位置提取网络:两个3×3卷积层和以下两个部分,第一部分为1个1×1卷积层和softmax层,第二部分为1个1×1卷积层和线性回归层;
构建包含4个反卷积模块的初始目标区域分割网络,其中每个反卷积模块均包含一个3×3反卷积层和一个3×3卷积层;
构建包含以下几层的初始目标分类网络:兴趣点池化层、两个全连接层和以下两个部分,第一部分为线性回归层,第二部分为softmax层。
可选的,所述训练模块,具体用于:
使用所述各样本图像,训练所述初始特征提取网络、所述初始目标位置提取网络和所述初始目标区域分割网络;
训练所述初始特征提取网络和所述初始目标分类网络;
保持所述初始特征提取网络参数不变,训练所述初始目标位置提取网络和所述初始目标区域分割网络;
保持所述初始特征提取网络参数不变,训练所述初始目标分类网络,当训练结果满足预设条件时,得到特征提取网络、目标位置提取网络、目标区域分割网络和目标分类网络。
第三方面,本发明实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现第一方面所述的方法步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的方法步骤。
本发明实施例中,可以通过预先训练得到的神经网络来识别遥感图像中的目标。并且,通过引入目标区域分割结果的方式抑制非目标场景中的虚警,从而能够提高目标识别的准确性。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而得以体现。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的基于目标区域分割网络的目标识别方法的一种流程图;
图2为本发明实施例的目标识别过程示意图;
图3为本发明实施例基于目标区域分割网络的目标识别方法的另一种流程图;
图4为对原始遥感图像进行切割的示意图;
图5为各网络的工作过程示意图;
图6为各网络的训练过程示意图;
图7为本发明实施例的基于目标区域分割网络的目标识别装置的结构示意图;
图8为本发明实施例的一种电子设备结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
首先对本发明实施例提供的一种基于目标区域分割网络的目标识别方法进行说明。
本发明实施例提供的方法可以应用于以下场景中:海面船只目标识别、港口船只目标识别以及机场飞机目标识别等,本发明实施例对此不做限定。为了便于描述,本发明实施例中,已对海面船只进行目标识别为例,来说明本发明实施例的一种基于目标区域分割网络的目标识别方法。
基于遥感图像的海面船只识别是目标识别领域中的一个典型应用。对于港口、近岸及公开海域的船只数量及其类型的观测,可以反映该海域的海面交通状况。然而,在对遥感图像中的船只进行识别的过程中,仍有若干问题亟待解决。具体有:
1、海岸场景中的建筑物等目标会被识别为船只从而造成误检;
2、不同类型的船只尺度区别大,小型船只难以检测;
3、不同类型船只的数量差别大,导致样本的不均衡;
4、云雾遮挡效应造成的目标信息缺失。
其中,海岸场景中干扰信息造成的误检问题是影响船只目标识别性能的关键问题。海岸场景对船只目标识别造成干扰的原因主要有:
1、港口的建筑物及人工设施形状多样,有些建筑物或建筑物部分的形状、颜色与船只的形状接近,可能被误检为船只目标。
2、近海的陆地中延伸到海面的岛屿部分,其形状与船只接近,可能被误检为船只。
对此,本发明实施例中,针对海上船只目标高精度识别任务,特别是如何抑制近岸建筑物及人工设施造成的船只识别虚警问题,为了提高目标识别的准确性,考虑到目标与场景之间的空间逻辑关系,即船只目标只能存在于海面场景内。因此,提出一种基于目标区域分割网络的目标识别方法,可以在船只目标识别之前,优先引入目标的区域信息,将图像中海面陆地进行有效区分,滤除坐标在非目标区域内的位置候选区,进而在有效目标区域中进行船只检测,以排除海岸虚警信息的干扰,解决上述误检问题。
具体的,如图1所示,本发明实施例提供的一种基于目标区域分割网络的目标识别方法流程图,可以包括以下步骤:
S101,获取待处理的遥感图像,并对该遥感图像进行图像切分,得到多个子图像;各子图像的尺寸为第一预设尺寸;
本发明实施例提供的方法可以应用于任意具有数据处理功能的电子设备,如台式计算机、便携式计算机、智能移动终端等。
上述待处理的遥感图像可以为原始的卫星影像图像。第一预设尺寸例如可以为512*512像素、1024*1024像素等,本发明实施例对此不做限定。
S102,将各子图像输入预先训练得到的特征提取网络中,得到各子图像对应的各特征图;
S103,将各特征图分别输入预先训练得到的目标位置提取网络和目标区域分割网络中,得到各特征图对应的候选框和目标区域分割结果,并根据目标区域分割结果,将各特征图中属于非目标区域的部分置为0;
S104,将各特征图输入预先训练得到的目标分类网络中,得到标注有各目标位置的目标特征图,并将各目标特征图进行融合和格式恢复,得到上述遥感图像对应的识别结果图像;其中,上述特征提取网络、目标位置提取网络、目标区域分割网络和目标分类网络是预先根据已进行目标标注和目标区域分割结果标注的样本图像训练得到的。
在本发明实施例中,可以预先训练得到多个神经网络,如,深度卷积神经网络(DeepConvolutionNeuralNetwork,DCNN)等。根据功能划分,预先训练得到的神经网络可以称为特征提取网络、目标位置提取网络、目标区域分割网络和目标分类网络。
在目标识别过程中,如图2所示,得到各子图像后,电子设备可以将各子图像输入预先训练得到的特征提取网络中,得到各子图像对应的各特征图。之后可以通过目标位置提取网络和目标区域分割网络获得候选框和目标区域分割结果,二者结合完成对非目标区候选框的抑制,去除不在目标区域中的候选框,如,可以将特征图中属于非目标区域的部分置为0,也即相当于全黑色。
进一步的,将特征图作为目标分类网络的输入,通过目标分类网络的全连接层和softmax层得到目标分类信息,通过回归层得到更准确的目标位置信息,即获得了网络输出的结果。将特征图中属于非目标区域的部分置为0后,后面的目标分类网络中这部分属于无效数据,这样不仅能抑制掉非目标区域中被检测出目标这种错误导致的虚警,并且能减少计算量,提升网络模型运算效率。
基于目标区域分割结果的候选框抑制机制就是通过判定候选框坐标映射到目标区域分割结果坐标的对应值为0(非目标区域:陆地)或1(目标区域:海洋),从而判定该候选框是否位于非目标区域;如果是,则排除该候选框。这样就完成了滤除非目标区域下的目标,而这些目标明显是由误检造成,因此目标区域分割结果抑制机制提升了目标识别准确度。
上述网络输出的结果为带有目标识别结果的图像切片,将其进行切片融合和格式恢复,最终生成与原始图像大小,格式统一的识别结果图像,即完成了基于目标区域分割结果的目标识别任务。
本发明实施例中,可以通过预先训练得到的神经网络模型来识别遥感图像中的目标。并且,通过引入目标区域分割结果的方式抑制非目标场景中的虚警,从而能够提高目标识别的准确性。
并且,相比于基于人工获取特征的目标识别方法,本方法基于深度卷积神经网络,对复杂目标特征的抽象提取能力更强,不需要基于某些具体的特征,而是基于学习的方式自主提取特征并分类。
相比于现有的其他基于深度学习的目标识别方法,本方法将目标识别的步骤拆解,引入目标区域分割结果信息,能够有效的解决非目标区域下造成的误检问题。
相比于基于数字图像处理方法的海陆分离获取目标区域分割结果,本方法采用“反卷积+上采样”的目标区域分割网络得到目标区域分割结果信息,目标区域的分割效果更加理想,对于紧靠海岸边停靠的船只目标也具有极高的准确性。
相比于基于规则网格划分的场景分类方法,本方法更能够精确地提取场景范围内的不规则区域属性。
作为本发明实施例的一种实施方式,如图3所示,特征提取网络、目标位置提取网络、目标区域分割网络和目标分类网络的训练过程可以包括以下步骤:
S301,获取原始遥感图像;
上述原始遥感图像可以为原始的卫星影像图像。
S302,对各原始遥感图像进行预处理,并对预处理后的原始遥感图像进行目标标注和目标区域分割结果标注,得到各样本图像;各样本图像的尺寸为第二预设尺寸,第二预设尺寸与第一预设尺寸相同或不同;
上述第二预设尺寸例如可以为512*512像素、1024*1024像素等,本发明实施例对此不做限定。
预处理时,首先可以将图像统一为3通道tif格式;根据目标尺度选择合适的第二预设尺寸进行切割,得到各原始遥感子图像。切割图片的时候,重叠范围(5%)的设置,目的是在融合的时候能够规避由于图像切割造成目标完整性破坏从而影响识别效果的问题。
如图4所示,其示出了对原始遥感图像进行切割的示意图。410为原始遥感图像,420为重叠区域设置以及切割线示意图,430为切割效果图。
对原始遥感图像进行切割后,还可以对各原始遥感子图像进行数据增强处理,如可以对其进行翻转、旋转、位置变换、叠加噪声、颜色抖动等,以扩充训练样本。
获得预处理后的图像后,可以通过人工标注的方式进行目标标注和目标区域分割结果标注,样本标注以xml文件存储,目标区域分割结果标注以png格式的二值图像(表征场景和非场景)存储。
S303,构建初始特征提取网络、初始目标位置提取网络、初始目标区域分割网络和初始目标分类网络;
具体的,可以构建4个残差块的初始特征提取网络,其中,4个残差块分别包含3个、4个、23个、3个残差单元,每个残差单元均包含一个1×1卷积层,一个3×3卷积层,以及一个1×1卷积层;构建包含以下几层的初始目标位置提取网络:两个3×3卷积层和以下两个部分,第一部分为1个1×1卷积层和softmax层,第二部分为1个1×1卷积层和线性回归层;构建包含4个反卷积模块的初始目标区域分割网络,其中每个反卷积模块均包含一个3×3反卷积层和一个3×3卷积层;构建包含以下几层的初始目标分类网络:兴趣点池化层、两个全连接层和以下两个部分,第一部分为线性回归层,第二部分为softmax层。
如图5所示,其示出了各网络的工作过程示意图。具体的,使用上述各网络进行目标识别的过程可以为:首先,输入图像经过一个特征提取网络,包含4个残差块,每个残差块分别包含3个,4个,23个,3个残差单元,每个残差单元包含一个1×1卷积,一个3×3卷积,一个1×1卷积,其目的是获得输入图像的特征图,各残差单元的输出结果与原始输入叠加作为本单元最终的输出结果。这部分的参数在训练时是被三个子网络共享的。其余三个网络均是在特征提取网络上进行延伸。
目标位置提取网络包含两个3×3卷积层,之后分别进入两个部分,第一部分经过1个1×1卷积层和softmax层得到候选框是否为目标的分类结果;第二部分经过1个1×1卷积层和线性回归层得到候选框位置的坐标结果。
目标区域分割网络,包含4个反卷积模块。其中每个反卷积模块包含一个3×3反卷积层和一个3×3卷积层。每次反卷积模块会使特征图放大到原来尺寸的4倍,最后特征图会恢复到原始图像大小。然后4个反卷积模块会再接一个通道为2的1×1卷积层,得到一个通道为2的分割结果,分别代表目标区域和非目标区域。第一个通道代表判别为目标区域的部分,第二个通道代表判别为非目标区域的部分。其中,每个反卷积模块的输入将以通道叠加的方式叠加上同样尺寸的残差块的最后一层。
目标分类网络,其输入为特征提取网络获得的特征图和目标位置提取网络得到的候选框,经过兴趣点池化层和两个全连接层后,分为两个部分,第一部分经过线性回归层微调候选框坐标,第二部分经过softmax层得到对候选框内目标分类的结果,也即识别出目标区域。
S304,使用各样本图像,采用各网络交替训练策略,对初始特征提取网络、初始目标位置提取网络、初始目标区域分割网络和初始目标分类网络进行训练,得到满足预设条件的特征提取网络、目标位置提取网络、目标区域分割网络和目标分类网络。
如图6所示,训练各网络时采取对不同的网络交替训练的策略,分为4个步骤训练:
使用各样本图像,训练初始特征提取网络、初始目标位置提取网络和初始目标区域分割网络;
训练初始特征提取网络和初始目标分类网络;
保持初始特征提取网络参数不变,训练初始目标位置提取网络和初始目标区域分割网络;
保持初始特征提取网络参数不变,训练初始目标分类网络,当训练结果满足预设条件时,得到特征提取网络、目标位置提取网络、目标区域分割网络和目标分类网络。
损失(代价)函数是衡量神经网络前向传播结果与真值之差的衡量指标。本方案的损失函数采用多任务损失值加权求和的形式,在训练目标位置提取网络和目标区域分割网络时,分类结果的损失函数表示对每个目标框内容进行二分类(前景/背景)的结果与真值结果的差异,记为Lcls;回归结果的损失函数表示目标候选框和与真值位置的差异,记为Lreg;目标区域分割网络的损失函数表示目标目标区域分割结果与真值之间的差异,用交叉熵衡量,记为Lmask。以上损失函数如公式(1)所示:
Loss=Lcls+λLreg+μLmask (1)
在训练目标分类网络时,分类结果的损失函数表示对每个目标的类别进行分类的结果与真值结果的差异,记为Lcls;回归结果的损失函数表示目标候选框和与真值位置的差异,记为Lreg;以上损失函数如公式(2)所示:
Loss=Lcls+λLreg (2)
每次进行迭代训练时,通过损失函数的取值对网络权重进行调整,最终得到满足预设条件的各网络。其中,上述预设条件例如可以为,将验证图像输入各网络后,输出的目标识别结果的准确性大于预设阈值(如85%、90%等)。
本实施例中,可以训练得到各神经网络,进而可以通过各神经网络来识别遥感图像中的目标。并且,通过引入目标区域分割结果的方式抑制非目标场景中的虚警,从而能够提高目标识别的准确性。
相应的,本发明实施例还提供了一种基于目标区域分割网络的目标识别装置,如图7所示,所述装置包括:
第一获取模块710,用于获取待处理的遥感图像,并对所述遥感图像进行图像切分,得到多个子图像;各所述子图像的尺寸为第一预设尺寸;
提取模块720,用于将各所述子图像输入预先训练得到的特征提取网络中,得到各所述子图像对应的各特征图;
处理模块730,用于将所述各特征图分别输入预先训练得到的目标位置提取网络和目标区域分割网络中,得到所述各特征图对应的候选框和目标区域分割结果,并根据所述目标区域分割结果,将所述各特征图中属于非目标区域的部分置为0;
识别模块740,用于将各所述特征图输入预先训练得到的目标分类网络中,得到标注有各目标位置的目标特征图,并将所述各目标特征图进行融合和格式恢复,得到所述遥感图像对应的识别结果图像;其中,所述特征提取网络、所述目标位置提取网络、所述目标区域分割网络和所述目标分类网络是预先根据已进行目标标注和目标区域分割结果标注的样本图像训练得到的。
本发明实施例中,可以通过预先训练得到的神经网络模型来识别遥感图像中的目标。并且,通过引入目标区域分割结果的方式抑制非目标场景中的虚警,从而能够提高目标识别的准确性。
可选的,所述装置还包括:
第二获取模块,用于获取原始遥感图像;
预处理模块,用于对各所述原始遥感图像进行预处理,并对预处理后的原始遥感图像进行目标标注和目标区域分割结果标注,得到各样本图像;各所述样本图像的尺寸为第二预设尺寸,所述第二预设尺寸与所述第一预设尺寸相同或不同;
构建模块,用于构建初始特征提取网络、初始目标位置提取网络、初始目标区域分割网络和初始目标分类网络;
训练模块,用于使用所述各样本图像,采用各网络交替训练策略,对所述初始特征提取网络、初始目标位置提取网络、初始目标区域分割网络和初始目标分类网络进行训练,得到满足预设条件的特征提取网络、目标位置提取网络、目标区域分割网络和目标分类网络。
可选的,所述预处理模块,具体用于:
根据预设的重叠范围,对所述各原始遥感图像进行切割,得到各原始遥感子图像;
对所述各原始遥感子图像进行数据增强处理;其中,所述数据增强处理包括以下至少一项:翻转、旋转、位置变换、噪声叠加和颜色抖动。
可选的,所述构建模块,具体用于:
构建包含4个残差块的初始特征提取网络,其中,所述4个残差块分别包含3个、4个、23个、3个残差单元,所述每个残差单元均包含一个1×1卷积层,一个3×3卷积层,以及一个1×1卷积层;
构建包含以下几层的初始目标位置提取网络:两个3×3卷积层和以下两个部分,第一部分为1个1×1卷积层和softmax层,第二部分为1个1×1卷积层和线性回归层;
构建包含4个反卷积模块的初始目标区域分割网络,其中每个反卷积模块均包含一个3×3反卷积层和一个3×3卷积层;
构建包含以下几层的初始目标分类网络:兴趣点池化层、两个全连接层和以下两个部分,第一部分为线性回归层,第二部分为softmax层。
可选的,所述训练模块,具体用于:
使用所述各样本图像,训练所述初始特征提取网络、所述初始目标位置提取网络和所述初始目标区域分割网络;
训练所述初始特征提取网络和所述初始目标分类网络;
保持所述初始特征提取网络参数不变,训练所述初始目标位置提取网络和所述初始目标区域分割网络;
保持所述初始特征提取网络参数不变,训练所述初始目标分类网络,当训练结果满足预设条件时,得到特征提取网络、目标位置提取网络、目标区域分割网络和目标分类网络。
相应的,本发明实施例还提供了一种电子设备,如图8所示,包括处理器801、通信接口802、存储器803和通信总线804,其中,所述处理器801、所述通信接口802、所述存储器803通过所述通信总线804完成相互间的通信;
所述存储器803,用于存放计算机程序;
所述处理器801,用于执行所述存储器上所存放的程序时,实现一种基于目标区域分割网络的目标识别方法,所述方法包括:
获取待处理的遥感图像,并对所述遥感图像进行图像切分,得到多个子图像;各所述子图像的尺寸为第一预设尺寸;
将各所述子图像输入预先训练得到的特征提取网络中,得到各所述子图像对应的各特征图;
将所述各特征图分别输入预先训练得到的目标位置提取网络和目标区域分割网络中,得到所述各特征图对应的候选框和目标区域分割结果,并根据所述目标区域分割结果,将所述各特征图中属于非目标区域的部分置为0;
将各所述特征图输入预先训练得到的目标分类网络中,得到标注有各目标位置的目标特征图,并将所述各目标特征图进行融合和格式恢复,得到所述遥感图像对应的识别结果图像;
其中,所述特征提取网络、所述目标位置提取网络、所述目标区域分割网络和所述目标分类网络是预先根据已进行目标标注和目标区域分割结果标注的样本图像训练得到的。
上述电子设备提到的通信总线804可以是外设部件互连标准(PeripheralComponent Interconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线804可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口802用于上述电子设备与其他设备之间的通信。
存储器803可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器801可以是通用处理器,包括中央处理器(Central ProcessingUnit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(DigitalSignal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明实施例中,可以通过预先训练得到的神经网络模型来识别遥感图像中的目标。并且,通过引入目标区域分割结果的方式抑制非目标场景中的虚警,从而能够提高目标识别的准确性。
相应的,本发明实施例还提供了一种计算机可读存储介质。该计算机可读存储介质内存储有计算机程序,计算机程序被处理器执行时实现一种基于目标区域分割网络的目标识别方法,所述方法包括:
获取待处理的遥感图像,并对所述遥感图像进行图像切分,得到多个子图像;各所述子图像的尺寸为第一预设尺寸;
将各所述子图像输入预先训练得到的特征提取网络中,得到各所述子图像对应的各特征图;
将所述各特征图分别输入预先训练得到的目标位置提取网络和目标区域分割网络中,得到所述各特征图对应的候选框和目标区域分割结果,并根据所述目标区域分割结果,将所述各特征图中属于非目标区域的部分置为0;
将各所述特征图输入预先训练得到的目标分类网络中,得到标注有各目标位置的目标特征图,并将所述各目标特征图进行融合和格式恢复,得到所述遥感图像对应的识别结果图像;
其中,所述特征提取网络、所述目标位置提取网络、所述目标区域分割网络和所述目标分类网络是预先根据已进行目标标注和目标区域分割结果标注的样本图像训练得到的。
上述计算机可读存储介质可以包括但不限于随机存取存储器(RAM)、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)、只读存储器(ROM)、可编程只读存储器(PROM)、可擦写可编程只读存储器(EPROM)、电可擦写可编程只读存储器(EEPROM)、闪存(例如,NOR型闪存或NAND型闪存)、内容可寻址存储器(CAM)、聚合物存储器(例如,铁电聚合物存储器)、相变存储器、双向开关半导体存储器、硅-氧化物-氮化硅-氧化硅-硅(Silicon-Oxide-Nitride-Oxide-Silicon,SONOS)存储器、磁卡或者光卡,亦或是其他任意适当类型的计算机可读存储介质。
本发明实施例中,可以通过预先训练得到的神经网络模型来识别遥感图像中的目标。并且,通过引入目标区域分割结果的方式抑制非目标场景中的虚警,从而能够提高目标识别的准确性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。尤其,对于装置、电子设备、存储介质而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (7)
1.一种基于目标区域分割网络的目标识别方法,其特征在于,所述方法包括:
获取待处理的遥感图像,并对所述遥感图像进行图像切分,得到多个子图像;各所述子图像的尺寸为第一预设尺寸;
将各所述子图像输入预先训练得到的特征提取网络中,得到各所述子图像对应的各特征图;
将所述各特征图分别输入预先训练得到的目标位置提取网络和目标区域分割网络中,得到所述各特征图对应的候选框和目标区域分割结果,并根据所述目标区域分割结果,将所述各特征图中属于非目标区域的部分置为0,以及判断所述各特征图对应的候选框是否位于所述非目标区域,如果是,则排除位于所述非目标区域的候选框;
将各所述特征图输入预先训练得到的目标分类网络中,得到标注有各目标位置的目标特征图,并将所述各目标特征图进行融合和格式恢复,得到所述遥感图像对应的识别结果图像;
其中,所述特征提取网络、所述目标位置提取网络、所述目标区域分割网络和所述目标分类网络是预先根据已进行目标标注和目标区域分割结果标注的样本图像训练得到的;
所述特征提取网络、所述目标位置提取网络、所述目标区域分割网络和所述目标分类网络的训练过程包括:
获取原始遥感图像;
对各所述原始遥感图像进行预处理,并对预处理后的原始遥感图像进行目标标注和目标区域分割结果标注,得到各样本图像;各所述样本图像的尺寸为第二预设尺寸,所述第二预设尺寸与所述第一预设尺寸相同或不同;
构建初始特征提取网络、初始目标位置提取网络、初始目标区域分割网络和初始目标分类网络;
使用所述各样本图像,采用各网络交替训练策略,对所述初始特征提取网络、初始目标位置提取网络、初始目标区域分割网络和初始目标分类网络进行训练,得到满足预设条件的特征提取网络、目标位置提取网络、目标区域分割网络和目标分类网络;
所述构建初始特征提取网络、初始目标位置提取网络、初始目标区域分割网络和初始目标分类网络,包括:
构建包含4个残差块的初始特征提取网络,其中,所述4个残差块分别包含3个、4个、23个、3个残差单元,所述残差单元均包含一个1×1卷积层,一个3×3卷积层,以及一个1×1卷积层;
构建包含以下几层的初始目标位置提取网络:两个3×3卷积层和以下两个部分,第一部分为1个1×1卷积层和softmax层,第二部分为1个1×1卷积层和线性回归层;
构建包含4个反卷积模块的初始目标区域分割网络,其中每个反卷积模块均包含一个3×3反卷积层和一个3×3卷积层;
构建包含以下几层的初始目标分类网络:兴趣点池化层、两个全连接层和以下两个部分,第一部分为线性回归层,第二部分为softmax层。
2.根据权利要求1所述的方法,其特征在于,所述对各所述原始遥感图像进行预处理,包括:
根据预设的重叠范围,对所述各原始遥感图像进行切割,得到各原始遥感子图像;
对所述各原始遥感子图像进行数据增强处理;其中,所述数据增强处理包括以下至少一项:翻转、旋转、位置变换、噪声叠加和颜色抖动。
3.根据权利要求1所述的方法,其特征在于,所述使用所述各样本图像,采用各网络交替训练策略,对所述初始特征提取网络、初始目标位置提取网络、初始目标区域分割网络和初始目标分类网络进行训练,得到满足预设条件的特征提取网络、目标位置提取网络、目标区域分割网络和目标分类网络,包括:
使用所述各样本图像,训练所述初始特征提取网络、所述初始目标位置提取网络和所述初始目标区域分割网络;
训练所述初始特征提取网络和所述初始目标分类网络;
保持所述初始特征提取网络参数不变,训练所述初始目标位置提取网络和所述初始目标区域分割网络;
保持所述初始特征提取网络参数不变,训练所述初始目标分类网络,当训练结果满足预设条件时,得到特征提取网络、目标位置提取网络、目标区域分割网络和目标分类网络。
4.一种基于目标区域分割网络的目标识别装置,其特征在于,所述装置包括:
第一获取模块,用于获取待处理的遥感图像,并对所述遥感图像进行图像切分,得到多个子图像;各所述子图像的尺寸为第一预设尺寸;
提取模块,用于将各所述子图像输入预先训练得到的特征提取网络中,得到各所述子图像对应的各特征图;
处理模块,用于将所述各特征图分别输入预先训练得到的目标位置提取网络和目标区域分割网络中,得到所述各特征图对应的候选框和目标区域分割结果,并根据所述目标区域分割结果,将所述各特征图中属于非目标区域的部分置为0,以及判断所述各特征图对应的候选框是否位于所述非目标区域,如果是,则排除位于所述非目标区域的候选框;
识别模块,用于将各所述特征图输入预先训练得到的目标分类网络中,得到标注有各目标位置的目标特征图,并将所述各目标特征图进行融合和格式恢复,得到所述遥感图像对应的识别结果图像;其中,所述特征提取网络、所述目标位置提取网络、所述目标区域分割网络和所述目标分类网络是预先根据已进行目标标注和目标区域分割结果标注的样本图像训练得到的;
第二获取模块,用于获取原始遥感图像;
预处理模块,用于对各所述原始遥感图像进行预处理,并对预处理后的原始遥感图像进行目标标注和目标区域分割结果标注,得到各样本图像;各所述样本图像的尺寸为第二预设尺寸,所述第二预设尺寸与所述第一预设尺寸相同或不同;
构建模块,用于构建初始特征提取网络、初始目标位置提取网络、初始目标区域分割网络和初始目标分类网络;
训练模块,用于使用所述各样本图像,采用各网络交替训练策略,对所述初始特征提取网络、初始目标位置提取网络、初始目标区域分割网络和初始目标分类网络进行训练,得到满足预设条件的特征提取网络、目标位置提取网络、目标区域分割网络和目标分类网络;
其中,所述构建模块,具体用于:
构建包含4个残差块的初始特征提取网络,其中,所述4个残差块分别包含3个、4个、23个、3个残差单元,所述残差单元均包含一个1×1卷积层,一个3×3卷积层,以及一个1×1卷积层;
构建包含以下几层的初始目标位置提取网络:两个3×3卷积层和以下两个部分,第一部分为1个1×1卷积层和softmax层,第二部分为1个1×1卷积层和线性回归层;
构建包含4个反卷积模块的初始目标区域分割网络,其中每个反卷积模块均包含一个3×3反卷积层和一个3×3卷积层;
构建包含以下几层的初始目标分类网络:兴趣点池化层、两个全连接层和以下两个部分,第一部分为线性回归层,第二部分为softmax层。
5.根据权利要求4所述的装置,其特征在于,所述预处理模块,具体用于:
根据预设的重叠范围,对所述各原始遥感图像进行切割,得到各原始遥感子图像;
对所述各原始遥感子图像进行数据增强处理;其中,所述数据增强处理包括以下至少一项:翻转、旋转、位置变换、噪声叠加和颜色抖动。
6.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现权利要求1-3任一所述的方法步骤。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-3任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811439484.4A CN109583369B (zh) | 2018-11-29 | 2018-11-29 | 一种基于目标区域分割网络的目标识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811439484.4A CN109583369B (zh) | 2018-11-29 | 2018-11-29 | 一种基于目标区域分割网络的目标识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109583369A CN109583369A (zh) | 2019-04-05 |
CN109583369B true CN109583369B (zh) | 2020-11-13 |
Family
ID=65925097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811439484.4A Active CN109583369B (zh) | 2018-11-29 | 2018-11-29 | 一种基于目标区域分割网络的目标识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109583369B (zh) |
Families Citing this family (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833288B (zh) * | 2019-04-12 | 2024-02-09 | 阿里巴巴集团控股有限公司 | 图像识别方法、装置和设备 |
CN110163260A (zh) * | 2019-04-26 | 2019-08-23 | 平安科技(深圳)有限公司 | 基于残差网络的图像识别方法、装置、设备及存储介质 |
CN110110799B (zh) * | 2019-05-13 | 2021-11-16 | 广州锟元方青医疗科技有限公司 | 细胞分类方法、装置、计算机设备和存储介质 |
CN110162649B (zh) * | 2019-05-24 | 2021-06-18 | 北京百度网讯科技有限公司 | 样本数据获取方法、获取系统、服务器和计算机可读介质 |
CN110222622B (zh) * | 2019-05-31 | 2023-05-12 | 甘肃省祁连山水源涵养林研究院 | 一种环境土壤检测方法及装置 |
CN110189328B (zh) * | 2019-06-11 | 2021-02-23 | 北华航天工业学院 | 一种卫星遥感图像处理系统及其处理方法 |
CN112241936B (zh) * | 2019-07-18 | 2023-08-25 | 杭州海康威视数字技术股份有限公司 | 图像处理方法、装置及设备、存储介质 |
CN110705427A (zh) * | 2019-09-25 | 2020-01-17 | 中国人民解放军61646部队 | 一种遥感图像目标区域的提取处理方法及装置 |
CN110717905B (zh) * | 2019-09-30 | 2022-07-05 | 上海联影智能医疗科技有限公司 | 脑部图像检测方法、计算机设备和存储介质 |
CN110689020A (zh) * | 2019-10-10 | 2020-01-14 | 湖南师范大学 | 一种矿物浮选泡沫图像的分割方法及电子设备 |
CN110852172B (zh) * | 2019-10-15 | 2020-09-22 | 华东师范大学 | 一种基于Cycle Gan图片拼贴并增强的扩充人群计数数据集的方法 |
CN110807485B (zh) * | 2019-10-31 | 2022-05-03 | 电子科技大学 | 基于高分遥感影像二分类语义分割图融合成多分类语义图的方法 |
CN111126189A (zh) * | 2019-12-10 | 2020-05-08 | 北京航天世景信息技术有限公司 | 一种基于遥感影像的目标查找方法 |
CN111160442B (zh) * | 2019-12-24 | 2024-02-27 | 上海联影智能医疗科技有限公司 | 图像分类方法、计算机设备和存储介质 |
CN111242066B (zh) * | 2020-01-17 | 2023-09-05 | 中国人民解放军国防科技大学 | 大尺寸图像目标检测方法、装置及计算机可读存储介质 |
CN113256642B (zh) * | 2020-02-07 | 2023-08-01 | 百度在线网络技术(北京)有限公司 | 电子地图中失效区域的确定方法、装置、设备和存储介质 |
CN111339864B (zh) * | 2020-02-17 | 2023-11-10 | 北京百度网讯科技有限公司 | 异常行为报警方法和装置 |
CN111598084B (zh) * | 2020-05-11 | 2023-06-02 | 北京阿丘机器人科技有限公司 | 缺陷分割网络训练方法、装置、设备及可读存储介质 |
CN111797737A (zh) * | 2020-06-22 | 2020-10-20 | 重庆高新区飞马创新研究院 | 遥感目标检测方法及装置 |
CN111862015B (zh) * | 2020-07-08 | 2024-03-19 | 中国人民解放军战略支援部队信息工程大学 | 一种图像质量等级确定方法、装置及电子设备 |
CN111898564B (zh) * | 2020-08-04 | 2023-07-14 | 哈尔滨工业大学(深圳) | 一种时序卷积网络模型、模型训练和目标识别方法、装置 |
CN111951268A (zh) * | 2020-08-11 | 2020-11-17 | 长沙大端信息科技有限公司 | 颅脑超声图像并行分割方法及装置 |
CN112215123B (zh) * | 2020-10-09 | 2022-10-25 | 腾讯科技(深圳)有限公司 | 一种目标检测方法、装置及存储介质 |
CN113409325B (zh) * | 2020-12-24 | 2022-09-23 | 华中科技大学 | 基于精细分割的大幅面sar影像舰船目标检测识别方法 |
CN112906648A (zh) * | 2021-03-24 | 2021-06-04 | 深圳前海微众银行股份有限公司 | 一种地块中对象的分类方法、装置及电子设备 |
CN113158856B (zh) * | 2021-04-08 | 2024-04-19 | 成都国星宇航科技股份有限公司 | 一种提取遥感图像中目标区域的处理方法和装置 |
CN113486883B (zh) * | 2021-05-25 | 2024-02-13 | 航天恒星科技有限公司 | 一种卫星遥感图像感兴趣区在轨智能提取一体化处理装置 |
CN113657234B (zh) * | 2021-08-10 | 2024-04-26 | 小叶子(北京)科技有限公司 | 图像识别方法、装置、存储介质及电子设备 |
CN113762266B (zh) * | 2021-09-01 | 2024-04-26 | 北京中星天视科技有限公司 | 目标检测方法、装置、电子设备和计算机可读介质 |
CN114663412B (zh) * | 2022-04-01 | 2023-02-10 | 中国科学院地理科学与资源研究所 | 基于陆表水域生态红线的长连续遥感图像处理方法及装置 |
CN116051548B (zh) * | 2023-03-14 | 2023-08-11 | 中国铁塔股份有限公司 | 一种定位方法及装置 |
CN116503932A (zh) * | 2023-05-24 | 2023-07-28 | 北京万里红科技有限公司 | 重点区域加权的眼周特征提取方法、系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521603A (zh) * | 2011-11-17 | 2012-06-27 | 西安电子科技大学 | 基于条件随机场的超光谱图像分类方法 |
CN106530320A (zh) * | 2016-09-30 | 2017-03-22 | 深圳大学 | 一种端到端的图像分割处理方法及系统 |
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 |
CN108898065A (zh) * | 2018-05-31 | 2018-11-27 | 北京航空航天大学 | 候选区快速筛选与尺度自适应的深度网络舰船目标检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9405974B2 (en) * | 2013-11-13 | 2016-08-02 | Xerox Corporation | System and method for using apparent size and orientation of an object to improve video-based tracking in regularized environments |
-
2018
- 2018-11-29 CN CN201811439484.4A patent/CN109583369B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521603A (zh) * | 2011-11-17 | 2012-06-27 | 西安电子科技大学 | 基于条件随机场的超光谱图像分类方法 |
CN106530320A (zh) * | 2016-09-30 | 2017-03-22 | 深圳大学 | 一种端到端的图像分割处理方法及系统 |
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 |
CN108898065A (zh) * | 2018-05-31 | 2018-11-27 | 北京航空航天大学 | 候选区快速筛选与尺度自适应的深度网络舰船目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109583369A (zh) | 2019-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583369B (zh) | 一种基于目标区域分割网络的目标识别方法及装置 | |
CN110310264B (zh) | 一种基于dcnn的大尺度目标检测方法、装置 | |
EP3997616B1 (en) | Object-based change detection using a neural network | |
Nieto-Hidalgo et al. | Two-stage convolutional neural network for ship and spill detection using SLAR images | |
Chen et al. | Ship detection from coastal surveillance videos via an ensemble Canny-Gaussian-morphology framework | |
Zhang et al. | S-CNN-based ship detection from high-resolution remote sensing images | |
CN109255317B (zh) | 一种基于双网络的航拍图像差异检测方法 | |
CN111738112B (zh) | 基于深度神经网络和自注意力机制的遥感船舶图像目标检测方法 | |
US20190138849A1 (en) | Rotation variant object detection in deep learning | |
Zhu et al. | Oil spill contextual and boundary-supervised detection network based on marine SAR images | |
CN112560671B (zh) | 基于旋转卷积神经网络的船舶检测方法 | |
CN102867196A (zh) | 基于Gist特征学习的复杂海面遥感影像舰船检测方法 | |
WO2018000252A1 (zh) | 高分辨遥感海洋图像的海背景建模与抑制的方法及系统 | |
CN106845343B (zh) | 一种光学遥感图像海上平台自动检测方法 | |
Hou et al. | End-to-end automatic ship detection and recognition in high-resolution Gaofen-3 spaceborne SAR images | |
CN114241377A (zh) | 基于改进yolox的船舶目标检测方法、装置、设备及介质 | |
CN116563726A (zh) | 一种基于卷积神经网络的遥感图像舰船目标检测方法 | |
Zhang et al. | Nearshore vessel detection based on Scene-mask R-CNN in remote sensing image | |
Yildirim et al. | Ship detection in optical remote sensing images using YOLOv4 and Tiny YOLOv4 | |
Zhao et al. | Multitask learning for sar ship detection with gaussian-mask joint segmentation | |
CN113887472A (zh) | 基于级联颜色及纹理特征注意力的遥感图像云检测方法 | |
Huang et al. | A deep learning approach to detecting ships from high-resolution aerial remote sensing images | |
Li et al. | A self-evolving deep learning algorithm for automatic oil spill detection in Sentinel-1 SAR images | |
Mabu et al. | Landslide classification from synthetic aperture radar images using convolutional neural network with multichannel information | |
Han et al. | A robust LCSE-ResNet for marine man-made target classification based on optical remote sensing imagery |
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 |