CN109800637A - 一种遥感影像小目标检测方法 - Google Patents
一种遥感影像小目标检测方法 Download PDFInfo
- Publication number
- CN109800637A CN109800637A CN201811533900.7A CN201811533900A CN109800637A CN 109800637 A CN109800637 A CN 109800637A CN 201811533900 A CN201811533900 A CN 201811533900A CN 109800637 A CN109800637 A CN 109800637A
- Authority
- CN
- China
- Prior art keywords
- candidate frame
- remote sensing
- sensing image
- suggestion
- extracted
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及一种遥感影像小目标检测方法。目前的深度神经网络对小目标检测效果不理想。本申请提供了一种遥感影像小目标检测方法，获取遥感影像后通过深度神经网络对遥感影像进行特征提取；利用特征图提取建议候选框，特征图仅提取大目标建议候选框；将特征图或者原始影像划分为若干个小的区域，然后将每个小区域对应的原始影像放大后重新通过深度神经网络进行特征提取得到若干个新的特征图；对得到的特征图提取小目标的建议候选框；对提取出来的大目标建议候选框和小目标建议候选框进行汇总，然后进行分类，判断每个建议候选框属于哪个类别；对每个建议候选框进行边框回归；将提取出来的建议候选框经过非极大值抑制后，统一在原始影像上输出坐标点。对小目标的召回率有了很大提升。
Description
技术领域
本申请属于图像处理技术领域，特别是涉及一种遥感影像小目标检测方法。
背景技术
在遥感影像中，受图像分辨率的影响，其中有着大量的小目标存在，这些小目标由于自身图像分辨率低，占整幅图像中的比例小，使得在实现快速定位检测目标时，很难准确的检测到小目标的存在。随着机器学习技术的不断发展，遥感影像的目标检测方法越来越多。由于影像中大量小目标的存在，从影像中检测小目标是很困难的，存在大量漏检，而影响到了整体的检测效果，因此在遥感影像中小目标检测是目前研究的重点区域。
为了能够有效的在遥感影像中检测出目标，常用的检测方法有：1)Harr分类器；2)梯度直方图(HoG)+SVM分类器；3)Discriminatively trained deformable part models(DPM)。4)基于深度神经网络的方法。Haar分类器实际上是Boosting算法的一个应用，Haar分类器用到了Boosting算法中的AdaBoost算法，只是把AdaBoost算法训练出的强分类器进行了级联，并且在底层的特征提取中采用了高效率的矩形特征和积分图方法，但是由于原始的Haar特征太简单，无法有效检测出需求的目标。梯度直方图特征(HOG)是一种对图像局部重叠区域的密集型描述符,它通过计算局部区域的梯度方向直方图来构成特征，使用梯度直方图特征结合SVM分类器对目标进行检测，但是梯度直方图的方法存在，描述子生成过程冗长，导致速度慢，实时性差，很难处理遮挡问题，并且对噪点相当敏感等缺点。DPM方法可以看作是梯度直方图和SVM分类器的升级版，但是DPM相对复杂，检测速度也比较慢，同时对于场景较为复杂的情况还是无法解决。深度神经网络的方法主要有Faster RCNN。
深度神经网络可以很好的对于复杂的场景实现检测，精度和召回率都可以得到很好的保证，对于特征的提取由深度神经网络自动完成，也提高了目标检测的迁移性，但是由于小目标所含有的信息少，在训练中难以学习小目标的特征，使得目前的深度神经网络对小目标检测效果比较差。
发明内容
1.要解决的技术问题
基于深度神经网络可以很好的对于复杂的场景实现检测，精度和召回率都可以得到很好的保证，对于特征的提取由深度神经网络自动完成，也提高了目标检测的迁移性，但是由于小目标所含有的信息少，在训练中难以学习小目标的特征，导致目前的深度神经网络对小目标检测效果很差的问题，本申请提供了一种遥感影像小目标检测方法。
2.技术方案
为了达到上述的目的，本申请提供了一种遥感影像小目标检测方法，所述方法包括如下步骤：
步骤1：获取遥感影像后通过深度神经网络对遥感影像进行特征提取；
步骤2：利用特征图提取建议候选框，特征图仅提取大目标建议候选框；
步骤3：将特征图或者原始影像划分为若干个小的区域，然后将每个小区域对应的原始影像放大后重新通过深度神经网络进行特征提取得到若干个新的特征图；
步骤4：对步骤3中得到的特征图提取小目标的建议候选框；
步骤5：对步骤2和步骤4中提取出来的建议候选框进行汇总，然后进行分类，判断每个建议候选框属于哪个类别；
步骤6：对步骤5中每个建议候选框进行边框回归；
步骤7：将步骤6提取出来的建议候选框经过非极大值抑制后，统一在原始影像上输出坐标点。
可选地，所述深度神经网络包括VGG、ResNet或者Inception。
可选地，所述VGG包括五个池化层，所述五个池化层将整个VGG划分为五层不同大小的特征图。
可选地，所述步骤2中将整张图像作为一个检测区域，提取大目标的建议候选框。
可选地，所述步骤2和步骤4利用特征图提取建议候选框包括对提取的特征设定建议区域，然后使用设定的建议区域对所有特征层提取候选框，将所有特征层提取出来的候选框按照前景的置信度排序，再经过非极大值抑制后选出前景置信度最高的若干区域作为建议候选框。
可选地，所述预先设定的建议区域是通过在特征图上逐一滑动滑窗，得到不同宽高比的建议候选框。
可选地，所述特征图上每个点涵盖若干可能的建议候选框。
可选地，所述步骤5包括将提取出来的建议候选框，输送至全连接层，判断每个建议候选框属于哪个类别。
可选地，所述边框回归公式如下：
Gx＝Pwdx(P)+Px，(1)
Gy＝Phdy(P)+Py，(2)
Gw＝Pwexp(dw(P))，(3)
Gh＝Phexp(dh(P))，(4)
其中，公式(1)(2)表示平移变换，公式(3)(4)表示缩放变换；
Px，Py表示中心点的坐标，Pw，Ph表示宽高，dx(P)，dy(P)，dw(P)，dh(P)是四个微分变换，Δx＝Pwdx(P)表示x轴的位置偏移量，Δy＝Phdy(P)表示y轴的位置偏移量；Sw＝exp(dw(P))表示矩形框宽缩放的偏移量，Sh＝exp(dh(P))表示矩形框高的缩放的偏移量；Gx，Gy表示变换后的中心点坐标，Gw，Gh表示变换后的宽和高。
3.有益效果
与现有技术相比，本申请提供的一种遥感影像小目标检测方法的有益效果在于：
本申请提供的遥感影像小目标检测方法通过对大目标和小目标进行候选框提取的过程进行分离，首先将整张图作为输入仅提取大目标候选框，然后将整张图划分为若干个小区域，再将若干个小区域逐一放大后作为输入重新进行特征提取，得到新的若干个特征图，在利用新的若干个特征图提取小目标候选框，进行分类和边框回归，能够更有效检测小目标，对小目标的召回率有了很大提升。
附图说明
图1是本申请的VGG结构示意图；
图2是本申请的遥感影像小目标检测方法中，大目标和小目标提取建议候选框的过程进行分离的原理示意图；
图3是Faster RCNN的检测效果示意图一；
图4是Faster RCNN的检测效果示意图二；
图5是本申请的遥感影像小目标检测方法的检测效果示意图一；
图6是本申请的遥感影像小目标检测方法的检测效果示意图二。
具体实施方式
在下文中，将参考附图对本申请的具体实施例进行详细地描述，依照这些详细的描述，所属领域技术人员能够清楚地理解本申请，并能够实施本申请。在不违背本申请原理的情况下，各个不同的实施例中的特征可以进行组合以获得新的实施方式，或者替代某些实施例中的某些特征，获得其它优选的实施方式。
凡是只纪录各种地物电磁波大小的胶片(或相片)，都称为遥感影像(RemoteSensing Image)，在遥感中主要是指航空像片和卫星相片。
参见图1～6，本申请提供一种遥感影像小目标检测方法，所述方法包括如下步骤：
步骤1：获取遥感影像后通过深度神经网络对遥感影像进行特征提取；
步骤2：利用特征图提取建议候选框，特征图仅提取大目标建议候选框；
步骤3：将特征图或者原始影像划分为若干个小的区域，然后将每个小区域对应的原始影像放大后重新通过深度神经网络进行特征提取得到若干个新的特征图；
步骤4：对步骤3中得到的特征图提取小目标的建议候选框；
步骤5：对步骤2和步骤4中提取出来的建议候选框进行汇总，然后进行分类，判断每个建议候选框属于哪个类别；
步骤6：对步骤5中每个建议候选框进行边框回归；
步骤7：将步骤6提取出来的建议候选框经过非极大值抑制后，统一在原始影像上输出坐标点。
本申请中，首先通过深度神经网络将遥感影像特征提取，得到若干特征图，然后在特征图的基础上，提取建议候选框，此时只对特征图中的大目标建议候选框进行提取，提取后待用；然后将大小目标检测分离之后，也即将大目标的建议候选框进行分离后，针对小目标将整张图片或特征图分为若干个较小的区域，然后将这些区域对应的原始影像逐一放大，作为输入图片输入到深度神经网络中去提取特征，然后基于这些提取出来的特征提取小目标的建议候选框，在提取过程中，设定候选框大小大于阈值的建议候选框将会被排除在提取建议候选框之外。将第二步中提取出来的大目标建议候选框和第四步提取出来的小目标建议候选框的检测结果进行整合，对所有检测结果进行汇总，将提取出来的建议候选框，送入到一个全连接层去，判断出每个建议候选框属于哪个类别，这里的建议候选框包括大目标建议候选框和小目标建议候选框。然后要对每个建议候选框做边框回归，提取出来的建议候选框经过非极大值抑制后，统一输出坐标点在一张最终的大图上，使得大小目标的检测互相不影响。
可选地，所述深度神经网络包括VGG、ResNet或者Inception。
本申请以VGG为例说明了深度学习网络的特征提取过程，实际上，众多的其它网络如ResNet、Inception等都可以用来进行特征提取，其使用步骤与本处写的VGG是一样的。
可选地，所述VGG包括五个池化层，所述五个池化层将整个VGG划分为五层不同大小的特征图。
本申请使用了一种极深的神经网络作为特征的提取器，这种非常深的网络被称作是VGG网络。是由大量的3*3的小卷积核层层叠加实现更大的感受野。
其中VGG-16包含13个是卷积层(conv)和3个全连接层(FC)。VGG-19包含16个卷积层(conv)和3个全连接层(FC)，此外VGG网络还有5个池化层(pool)，五个池化层将整个VGG网络划分为了五层的不同大小的特征图，一般我们取最顶层的特征。将遥感影像输入到网络中，经过网络的提取，最终可以得到需要的特征。
可选地，所述步骤2将整张图像作为一个检测区域，提取大目标的建议候选框。
可选地，所述步骤2和步骤4利用特征图提取建议候选框包括对提取的特征设定建议区域，然后使用设定的建议区域对所有特征层提取候选框，将所有特征层提取出来的候选框按照前景的置信度排序，再经过非极大值抑制后选出前景置信度最高的若干区域作为建议候选框。
可选地，所述预先设定的建议区域是通过在特征图上逐一滑动滑窗，得到不同宽高比的建议候选框。
可选地，所述特征图上每个点涵盖若干可能的建议候选框。
基于提取出来的特征图用以提取候选框时，需要预先设定的建议区域。预先设定的建议区域是通过在特征图上逐一滑动滑窗，每个点涵盖了K个可能的建议候选框，例如：以这个点作为区域中心，取像素尺寸大小为(8，16，32)，宽高比例大小为(0.5，1，1.5)的建议候选框，这样一个特征点，就代表了3*3个不同像素大小和不同宽高比的建议候选框。然后将提取出来的候选框，按照前景的置信度排序，再经过非极大值抑制之后，最终选出前景置信度最高的前若干个区域作为建议候选框。在利用特征图提取建议候选框时，将大小目标的建议候选框提取过程分离开来。将整张图片作为一个检测区域，在此基础上仅提取大目标的建议候选框。低于阈值的小目标建议候选框将会被排除在这一阶段中。
可选地，所述步骤5包括将提取出来的建议候选框，输送至全连接层，判断每个建议候选框属于哪个类别。
可选地，所述边框回归公式如下：
Gx＝Pwdx(P)+Px，(1)
Gy＝Phdy(P)+Py，(2)
Gw＝Pwexp(dw(P))，(3)
Gh＝Phexp(dh(P))，(4)
其中，公式(1)(2)表示平移变换，公式(3)(4)表示缩放变换；
Px，Py表示中心点的坐标，Pw，Ph表示宽高，dx(P)，dy(P)，dw(P)，dh(P)是四个微分变换，Δx＝Pwdx(P)表示x轴的位置偏移量，Δy＝Phdy(P)表示y轴的位置偏移量；Sw＝exp(dw(P))表示矩形框宽缩放的偏移量，Sh＝exp(dh(P))表示矩形框高的缩放的偏移量；Gx，Gy表示变换后的中心点坐标，Gw，Gh表示变换后的宽和高。
经过边框回归就可以得到一个和真实框十分接近的边界框。
利用多幅包含舰船小目标的遥感影像测试本申请方法的有效性，同时与深度学习的检测效果进行了比较。图3和图4为Faster RCNN的检测效果，图5和图6为本发明的小目标检测方法的检测效果。从四幅图中可以看出，本申请方法能够有效地对小目标进行检测，对小目标的召回率得到了显著的提高，小目标遗漏的情况减轻了很多。
为客观评价算法检测的结果，采用平均精度指标来评估检测的质量，即：
Accuracy表示精确度，所有类别的精确度平均值就是平均精度。TruePositives表示正确正预测，TrueNegatives表示正确负预测，FalseNegatives表示错误负预测，FalsePositives表示错误正预测。质量评价结果如下表所示：
表1目标检测平均精度
从评价结果可以看出，使用了本发明的小目标检测方法，整体的平均精度比仅原始的效果要好很多。本发明的方法在实验测试中比原始方法的结果平均精度高出了10％，结果表明本发明的方法能够对检测效果带来提升，尤其是在小目标上可以保证很高的召回率。
本申请提供的遥感影像小目标检测方法通过对遥感图像进行特征提取后进行候选框提取将大目标和小目标进行分离后，对小目标再次进行特征提取后，进行分类和边框回归，能够更有效检测小目标，对小目标的召回率有了很大提升。
尽管在上文中参考特定的实施例对本申请进行了描述，但是所属领域技术人员应当理解，在本申请公开的原理和范围内，可以针对本申请公开的配置和细节做出许多修改。本申请的保护范围由所附的权利要求来确定，并且权利要求意在涵盖权利要求中技术特征的等同物文字意义或范围所包含的全部修改。
Claims (9)
1.一种遥感影像小目标检测方法，其特征在于：所述方法包括如下步骤：
步骤1：获取遥感影像后通过深度神经网络对遥感影像进行特征提取；
步骤2：利用特征图提取建议候选框，特征图仅提取大目标建议候选框；
步骤3：将特征图或者原始影像划分为若干个小的区域，然后将每个小区域对应的原始影像放大后重新通过深度神经网络进行特征提取得到若干个新的特征图；
步骤4：对步骤3中得到的特征图提取小目标的建议候选框；
步骤5：对步骤2和步骤4中提取出来的建议候选框进行汇总，然后进行分类，判断每个建议候选框属于哪个类别；
步骤6：对步骤5中每个建议候选框进行边框回归；
步骤7：将步骤6提取出来的建议候选框经过非极大值抑制后，统一在原始影像上输出坐标点。
2.如权利要求1所述的遥感影像小目标检测方法，其特征在于：所述深度神经网络包括VGG、ResNet或者Inception。
3.如权利要求2所述的遥感影像小目标检测方法，其特征在于：所述VGG包括五个池化层，所述五个池化层将整个VGG划分为五层不同大小的特征图。
4.如权利要求1所述的遥感影像小目标检测方法，其特征在于：所述步骤2中将整张图像作为一个检测区域，提取大目标的建议候选框。
5.如权利要求1所述的遥感影像小目标检测方法，其特征在于：所述步骤2和步骤4利用特征图提取建议候选框包括对提取的特征设定建议区域，然后使用设定的建议区域对所有特征层提取候选框，将所有特征层提取出来的候选框按照前景的置信度排序，再经过非极大值抑制后选出前景置信度最高的若干区域作为建议候选框。
6.如权利要求5所述的遥感影像小目标检测方法，其特征在于：所述预先设定的建议区域是通过在特征图上逐一滑动滑窗，得到不同宽高比的建议候选框。
7.如权利要求6所述的遥感影像小目标检测方法，其特征在于：所述特征图上每个点涵盖若干可能的建议候选框。
8.如权利要求1所述的遥感影像小目标检测方法，其特征在于：所述步骤5包括将提取出来的建议候选框，输送至全连接层，判断每个建议候选框属于哪个类别。
9.如权利要求1所述的遥感影像小目标检测方法，其特征在于：所述边框回归公式如下：
Gx＝Pwdx(P)+Px， (1)
Gy＝Phdy(P)+Py， (2)
Gw＝Pwexp(dw(P))， (3)
Gh＝Phexp(dh(P))， (4)
其中，公式(1)(2)表示平移变换，公式(3)(4)表示缩放变换；
Px，Py表示中心点的坐标，Pw，Ph表示宽高，dx(P)，dy(P)，dw(P)，dh(P)是四个微分变换，Δx＝Pwdx(P)表示x轴的位置偏移量，Δy＝Phdy(P)表示y轴的位置偏移量；Sw＝exp(dw(P))表示矩形框宽缩放的偏移量，Sh＝exp(dh(P))表示矩形框高的缩放的偏移量；Gx，Gy表示变换后的中心点坐标，Gw，Gh表示变换后的宽和高。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811533900.7A CN109800637A (zh) | 2018-12-14 | 2018-12-14 | 一种遥感影像小目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811533900.7A CN109800637A (zh) | 2018-12-14 | 2018-12-14 | 一种遥感影像小目标检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109800637A true CN109800637A (zh) | 2019-05-24 |
Family
ID=66556805
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811533900.7A Pending CN109800637A (zh) | 2018-12-14 | 2018-12-14 | 一种遥感影像小目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109800637A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110826485A (zh) * | 2019-11-05 | 2020-02-21 | 中国人民解放军战略支援部队信息工程大学 | 一种遥感影像的目标检测方法及系统 |
| CN111931572A (zh) * | 2020-07-07 | 2020-11-13 | 广东工业大学 | 一种遥感影像的目标检测方法 |
| CN112233071A (zh) * | 2020-09-28 | 2021-01-15 | 国网浙江省电力有限公司杭州供电公司 | 基于复杂环境下输电网图片的多粒度隐患检测方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104899866A (zh) * | 2015-05-05 | 2015-09-09 | 河南三联网络技术有限公司 | 一种智能化的红外小目标检测方法 |
| CN104966095A (zh) * | 2015-06-03 | 2015-10-07 | 深圳一电科技有限公司 | 图像目标检测方法及装置 |
| CN107341488A (zh) * | 2017-06-16 | 2017-11-10 | 电子科技大学 | 一种sar图像目标检测识别一体化方法 |
| CN107527352A (zh) * | 2017-08-09 | 2017-12-29 | 中国电子科技集团公司第五十四研究所 | 基于深度学习fcn网络的遥感舰船目标轮廓分割与检测方法 |
| CN108038409A (zh) * | 2017-10-27 | 2018-05-15 | 江西高创保安服务技术有限公司 | 一种行人检测方法 |
| CN108319949A (zh) * | 2018-01-26 | 2018-07-24 | 中国电子科技集团公司第十五研究所 | 一种高分辨率遥感图像中多朝向舰船目标检测与识别方法 |
| CN108389220A (zh) * | 2018-02-05 | 2018-08-10 | 湖南航升卫星科技有限公司 | 遥感视频图像运动目标实时智能感知方法及其装置 |
| CN108596115A (zh) * | 2018-04-27 | 2018-09-28 | 济南浪潮高新科技投资发展有限公司 | 一种基于卷积神经网络的车辆检测方法、装置及系统 |
| CN108596101A (zh) * | 2018-04-25 | 2018-09-28 | 上海交通大学 | 一种基于卷积神经网络的遥感图像多目标检测方法 |
| CN108830280A (zh) * | 2018-05-14 | 2018-11-16 | 华南理工大学 | 一种基于区域提名的小目标检测方法 |
-
2018
- 2018-12-14 CN CN201811533900.7A patent/CN109800637A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104899866A (zh) * | 2015-05-05 | 2015-09-09 | 河南三联网络技术有限公司 | 一种智能化的红外小目标检测方法 |
| CN104966095A (zh) * | 2015-06-03 | 2015-10-07 | 深圳一电科技有限公司 | 图像目标检测方法及装置 |
| CN107341488A (zh) * | 2017-06-16 | 2017-11-10 | 电子科技大学 | 一种sar图像目标检测识别一体化方法 |
| CN107527352A (zh) * | 2017-08-09 | 2017-12-29 | 中国电子科技集团公司第五十四研究所 | 基于深度学习fcn网络的遥感舰船目标轮廓分割与检测方法 |
| CN108038409A (zh) * | 2017-10-27 | 2018-05-15 | 江西高创保安服务技术有限公司 | 一种行人检测方法 |
| CN108319949A (zh) * | 2018-01-26 | 2018-07-24 | 中国电子科技集团公司第十五研究所 | 一种高分辨率遥感图像中多朝向舰船目标检测与识别方法 |
| CN108389220A (zh) * | 2018-02-05 | 2018-08-10 | 湖南航升卫星科技有限公司 | 遥感视频图像运动目标实时智能感知方法及其装置 |
| CN108596101A (zh) * | 2018-04-25 | 2018-09-28 | 上海交通大学 | 一种基于卷积神经网络的遥感图像多目标检测方法 |
| CN108596115A (zh) * | 2018-04-27 | 2018-09-28 | 济南浪潮高新科技投资发展有限公司 | 一种基于卷积神经网络的车辆检测方法、装置及系统 |
| CN108830280A (zh) * | 2018-05-14 | 2018-11-16 | 华南理工大学 | 一种基于区域提名的小目标检测方法 |
Non-Patent Citations (6)
| Title |
|---|
| ROSS GIRSHICK ET AL.: ""Rich feature hierarchies for accurate object detection and semantic segmentation Tech report (v5）"", 《ARXIV》 * |
| YUN REN ET AL.: ""Small Object Detection in Optical Remote Sensing Images via Modified Faster R-CNN"", 《APPLIED SCIENCES》 * |
| 卢艺帆 等: ""基于卷积神经网络的光学遥感图像目标检测"", 《中国科技论文》 * |
| 孙英皓: "" 关于图像局部内容放大方法的研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 赵丹新: ""基于 ResNet的遥感图像飞机目标检测新方法"", 《电子设计工程》 * |
| 郭文生 等: ""基于自适应叠合分割与深度神经网络的人数统计方法"", 《计算机科学》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110826485A (zh) * | 2019-11-05 | 2020-02-21 | 中国人民解放军战略支援部队信息工程大学 | 一种遥感影像的目标检测方法及系统 |
| CN110826485B (zh) * | 2019-11-05 | 2023-04-18 | 中国人民解放军战略支援部队信息工程大学 | 一种遥感影像的目标检测方法及系统 |
| CN111931572A (zh) * | 2020-07-07 | 2020-11-13 | 广东工业大学 | 一种遥感影像的目标检测方法 |
| CN111931572B (zh) * | 2020-07-07 | 2024-01-09 | 广东工业大学 | 一种遥感影像的目标检测方法 |
| CN112233071A (zh) * | 2020-09-28 | 2021-01-15 | 国网浙江省电力有限公司杭州供电公司 | 基于复杂环境下输电网图片的多粒度隐患检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110348319B (zh) | 一种基于人脸深度信息和边缘图像融合的人脸防伪方法 | |
| CN106096577B (zh) | 一种摄像头分布地图中的目标追踪方法 | |
| CN109800755A (zh) | 一种基于多尺度特征的遥感影像小目标检测方法 | |
| Pan et al. | A robust system to detect and localize texts in natural scene images | |
| CN107871124A (zh) | 一种基于深度神经网络的遥感图像目标检测方法 | |
| CN111080629A (zh) | 一种图像拼接篡改的检测方法 | |
| CN108304873A (zh) | 基于高分辨率光学卫星遥感影像的目标检测方法及其系统 | |
| CN110929593B (zh) | 一种基于细节辨别区别的实时显著性行人检测方法 | |
| US20150054824A1 (en) | Object detection method, object detection device, and image pickup device | |
| CN106557740B (zh) | 一种遥感图像中油库目标的识别方法 | |
| CN108960404B (zh) | 一种基于图像的人群计数方法及设备 | |
| CN104123529A (zh) | 人手检测方法及系统 | |
| CN107256547A (zh) | 一种基于显著性检测的表面裂纹识别方法 | |
| CN109800637A (zh) | 一种遥感影像小目标检测方法 | |
| CN103530638A (zh) | 多摄像头下的行人匹配方法 | |
| Zhao et al. | Multiresolution airport detection via hierarchical reinforcement learning saliency model | |
| CN102156881B (zh) | 基于多尺度图像相位信息的海难搜救目标检测方法 | |
| CN108021869A (zh) | 一种结合高斯核函数的卷积神经网络跟踪方法 | |
| CN107944403A (zh) | 一种图像中的行人属性检测方法及装置 | |
| Bakti et al. | Vehicle detection and tracking using gaussian mixture model and kalman filter | |
| Li et al. | SDBD: A hierarchical region-of-interest detection approach in large-scale remote sensing image | |
| CN111428730B (zh) | 弱监督细粒度物体分类方法 | |
| CN104504162B (zh) | 一种基于机器人视觉平台的视频检索方法 | |
| CN104200202B (zh) | 一种基于累加感知机的人体上半身检测方法 | |
| CN106650824B (zh) | 基于支持向量机的运动目标分类方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190524 |