CN109858481A - 一种基于级联位置敏感检测的舰船目标检测方法 - Google Patents
一种基于级联位置敏感检测的舰船目标检测方法 Download PDFInfo
- Publication number
- CN109858481A CN109858481A CN201910021219.2A CN201910021219A CN109858481A CN 109858481 A CN109858481 A CN 109858481A CN 201910021219 A CN201910021219 A CN 201910021219A CN 109858481 A CN109858481 A CN 109858481A
- Authority
- CN
- China
- Prior art keywords
- detection
- detection module
- cascade
- model
- frame
- 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
本发明公开了一种基于级联位置敏感检测的舰船目标检测方法,步骤S1:设计得到能适用于精准检测舰船目标边框的位置敏感级联检测模块;步骤S2:用步骤S1中得到的级联位置敏感检测模块,替换到原目标检测网络的检测模块,得到一种基于级联位置敏感检测的舰船目标检测方法,再利用舰船目标检测数据集逐级训练各个级联检测模块,最终将该模型移植至海上观测平台的设备中,完成海上舰船目标精准检测。采用本发明的技术方案,利用级联位置敏感检测模块,实现了基于级联位置敏感检测的目标检测方法,对海上视频图像中的舰船目标能够在保持原有快速检测的前提下实现更加精准地位置回归。
Description
技术领域
本发明涉及海面上的舰船目标检测方法,尤其涉及一种基于级联位置敏感检测的目标检测方法。
舰船目标作为海洋的主体,对其进行精准的检测是其它海洋应用必备的基础组成部分,也是边海防建设中必不可少的关键技术。精确地检测海面上的舰船目标可为指挥员决策提供支持,在巩固边海防的行动中起到重要作用。为了能够实现舰船目标精确检测与战时目标精确打击,对目标位置框实现精确定位显得尤为重要。
传统的Craft优化方法往往直接级联相同IoU阈值的检测模块来进行提升目标检测边框的精确性,如图1所示。从图中可以发现两次级联检测回归模块使用的IoU阈值并没有改变,虽然通过这种级联结构能够有效获取类间和类内的差异来提升检测效率,但是并没有修改IoU阈值,各级输入样本的质量并没有得到提升。
也有部分传统的优化方法为了提升样本质量而直接提升检测模块的IoU阈值,但这往往会导致正样本数量的大幅减少。图2统计了5000张各种场景下的舰船目标图片对应候选框IoU的分布情况,从中可以分析得到随着IoU阈值的上升,正样本数量会急剧下降。这便会导致目标检测网络模型在样本数量较少的情况下进行训练,产生过拟合现象,最终影响网络检测性能。
发明内容
针对现有技术存在的技术问题,本发明提出一种基于级联位置敏感检测的目标检测方法,采用RFCN网络的位置敏感检测结构和Iou阈值逐级提升的级联方式,改进了传统的检测网络结构。通过多个IoU阈值递增的级联检测模块,每一级使用上一级回归过后的结果作为输入。在逐级提升正样本质量的同时,仍可以保证每一级的检测模块都可以得到足够数量的正样本。
为解决其技术问题,本发明所采用的技术方案如下:
一种基于级联位置敏感检测的目标检测方法,其特征在于,包括以下步骤:
步骤S1:设计得到能适用于精准检测舰船目标边框的位置敏感级联检测模块;
步骤S2:用步骤S1中得到的级联位置敏感检测模块,替换到原目标检测网络的检测模块,得到一种基于级联位置敏感检测的舰船目标检测方法,再利用舰船目标检测数据集逐级训练各个级联检测模块,最终将该模型移植入海上观测平台的设备中,完成海上舰船目标精准检测;
其中,步骤S1进一步包括以下步骤:
步骤S11:根据候选框生成模块RPN网络,来得到输入图像的所有候选框,将筛选过后的候选框集合BOXRPN输入至检测模块;
步骤S12:传统的直接提升检测模块IoU阈值的优化方法,非常容易导致正样本数量的减少,而造成过拟合现象。使得检测算法的检测性能大大下降。因此,本发明提出了级联位置敏感检测模块,每一个级联检测单元都需要设置各级的IoU阈值以提升正样本的质量和数量。然后将各级联单元串联并共享卷积特征,得到最终实现的改进版级联检测模块。
其中,步骤S12进一步包括以下步骤:
步骤S121:通过统计检测网络各级输出的候选框与真实框IoU的分布情况,如图4、图5、图6、图7所示,来确定并得到各级检测模块的IoU阈值u1=0.5、u2=0.647、u3=0.711;
步骤S122:对S11得到的候选框BOXRPN进行第一级位置边框回归,此级检测模块选取u1=0.5作为IoU阈值,最终得到以及检测模块的位置输出框BOX1、以及每个框对应的置信度得分值Score1;
步骤S123:对S122得到的候选框BOX1进行第一级位置边框回归,此级检测模块选取u2=0.647作为IoU阈值,最终得到以及检测模块的位置输出框BOX2、以及每个框对应的置信度得分值Score2;
步骤S124:对S123得到的候选框BOX2进行第一级位置边框回归,此级检测模块选取u3=0.711作为IoU阈值,最终得到以及检测模块的位置输出框BOX3、以及每个框对应的置信度得分值Score3;
步骤S125:最终选取末级检测模块的位置输出结果作为最终预测位置框,并把S122、S123、S124得到的Score1、Score2、Score3取平均值得到Scoreavg作为最终置信度得分值;
其中,步骤S2进一步包括以下步骤:
步骤S21:用步骤S1中得到的位置敏感级联检测模块来替换传统的传统检测模块,得到的一种基于级联位置敏感检测的舰船目标检测方法。然后在VOC格式的舰船目标检测数据集上针对各个级联检测模块一次进行训练;
步骤S22:将步骤S21中训练得到的基于级联检测模块的舰船目标识别网络模型移植入海上观测平台的设备中,实时处理摄像头采集的舰船视频,对海上视频图像中的舰船目标进行检测,得到更加精确的舰船目标位置框;
其中,步骤S21进一步包括以下步骤:
步骤S211:先训练第一级检测模块,这一级检测模块利用IoU阈值u1=0.5检测网络,回归预测RPN网络输出的每个输出候选框,得到第一级检测模型Detection-Model1;
步骤S212:再训练第二级检测模块,固定S211得到的一级检测模型参数Detection-Model1,通过回归预测一级检测模块输出的每个输出候选框,得到第二级检测模型Detection-Model2;
步骤S213:接着训练第三级检测模块,固定S212得到的二级检测模型参数Detection-Model2,通过回归预测二级检测模块输出的每个输出候选框,得到第三级检测模型Detection-Model3;
步骤S214:最终将Detection-Model1、Detection-Model2、Detection-Model3整合至同一个舰船目标检测网络,得到训练好的基于舰船目标检测数据集的检测模型;
与现有技术相比,本发明的有益效果是:针对目前舰船目标检测位置框不够精确这一实际问题,通过级联三个相同拓扑结构的位置敏感检测模块,在保证正样本数量的同时大幅提升了正样本的质量,仅在轻微改变检测网络结构的前提下有效提升了舰船目标检测精度。与现有的其他改进方法相比,本发明所设计的级联检测模块能有广泛应用以二阶段检测网络不需要重新设计检测单元内部结构,只需要设计好各级检测单元的IoU阈值并将它们有机串联便能提升网络检测精度,具有较好的泛化能力和通用性。并且由于检测模块并没有复杂的卷积操作,级联之后并不会提升网络的检测速度,因此本发明改进的目标检测网络能够在保证检测速度的前提下,有效提升检测精度。
附图说明
图1是craft网络检测流程图。
图2是预测框与真实框的IoU分布图。
图3是基于级联检测模块的目标检测网络流程图。
图4是RPN候选框IoU分布比例图。
图5是一级检测模块预测框IoU分布比例图。
图6是二级检测模块预测框IoU分布比例图。
图7是三级检测模块预测框IoU分布比例图。
图8是本发明改进前后的舰船检测效果对比图。
具体实施方式
以下结合附图对本发明做进一步的描述。
针对现有技术存在的问题,本发明提出一种基于级联位置敏感检测的目标检测方法。该发明的优势是结合RFCN网络的位置敏感检测结构和IoU阈值逐级提升的级联方式,改进了传统的检测网络结构。通过多个IoU阈值递增的级联检测模块,每一级使用上一级回归过后的结果作为输入。在逐级提升正样本质量的同时,仍可以保证每一级的检测模块都可以得到足够数量的正样本。其具体网络结构如图3所示。
首先收集试验所需的图像:使用海上观测平台拍摄的舰船视频图片作为数据,为防止数据的重复及相似性太高,按固定间隔提取一帧图片。做好预筛选之后,对图片进行标注,主要标出目标在图片中的位置坐标信息以及目标类别信息。标注过程中将舰船类别分为军舰、渔船、客船、货船、其他船五类,并且需要精细地标出重叠舰船目标。标注好数据之后,制作成VOC格式的数据集为后续舰船目标检测网络训练提供数据支持。
参见图3,所示为本发明基于级联位置敏感检测的目标检测方法的流程图,具体的实验步骤如下:
一种基于级联位置敏感检测的目标检测方法,其特征在于,包括以下步骤:
步骤S1:设计并实现了级联位置敏感检测模块,能够用于精确检测海上视频图像中的舰船目标,得到更加精准的舰船目标边框;
步骤S2:用步骤S1中得到的一种基于级联位置敏感检测的目标检测方法,替换到原目标检测网络的单级检测模块,再利用预先准备好的舰船目标检测数据集来逐级训练各个级联检测模块,在实际训练过程中,每经过一级检测模块,预测位置框的IoU都会提升,样本质量也随之提升,然后得到训练好的级联检测模型,最终将该模型移植入海上观测平台的设备中,完成海上舰船目标精准检测;
其中,步骤S1进一步包括以下步骤:
步骤S11:根据候选框生成模块RPN网络,来得到输入图像的所有候选框,将筛选过后的候选框集合BOXRPN输入至检测模块;
步骤S12:传统的直接提升检测模块IoU阈值的优化方法,非常容易导致正样本数量的减少,而造成过拟合现象。使得检测算法的检测性能大大下降。因此,本发明提出了级联位置敏感检测模块,每一个级联检测单元的拓扑结构全都相同,并且共享前序卷积层提取的图像特征,然后正对各级检测模块输出候选框的IoU分布来设置下级的IoU阈值以提升正样本的质量和数量,最终改进版级联检测模块。
其中,步骤S12进一步包括以下步骤:
步骤S121:通过统计检测网络各级输出的候选框与真实框IoU的分布情况,如图4、图5、图6、图7所示,来确定并得到各级检测模块的IoU阈值u1=0.5、u2=0.647、u3=0.711;
步骤S122:对S11得到的候选框BOXRPN进行第一级位置边框回归,此级检测模块选取u1=0.5作为IoU阈值,最终得到以及检测模块的位置输出框BOX1、以及每个框对应的置信度得分值Score1;
步骤S123:对S12得到的候选框BOX1进行第一级位置边框回归,此级检测模块选取u2=0.647作为IoU阈值,最终得到以及检测模块的位置输出框BOX2、以及每个框对应的置信度得分值Score2;
步骤S124:对S13得到的候选框BOX2进行第一级位置边框回归,此级检测模块选取u3=0.711作为IoU阈值,最终得到以及检测模块的位置输出框BOX3、以及每个框对应的置信度得分值Score3;
步骤S125:最终选取末级检测模块的位置输出结果作为最终预测位置框,并把S12、S13、S14得到的Score1、Score2、Score3取平均值得到Scoreavg作为最终置信度得分值。
其中,步骤S2进一步包括以下步骤:
步骤S21:用步骤S1中得到的位置敏感级联检测模块来替换传统的传统检测模块,得到的一种基于级联位置敏感检测的舰船目标检测方法。然后在VOC格式的舰船目标检测数据集上针对各个级联检测模块一次进行训练;
步骤S22:将步骤S21中训练得到的基于级联检测模块的舰船目标识别网络模型移植入海上观测平台的设备中,实时处理摄像头采集的舰船视频,对海上视频图像中的舰船目标进行检测,得到更加精确的舰船目标位置框;
其中,步骤S21进一步包括以下步骤:
步骤S211:先训练第一级检测模块,这一级检测模块利用IoU阈值u1=0.5检测网络,回归预测RPN网络输出的每个输出候选框,得到第一级检测模型Detection-Model1;
步骤S212:再训练第二级检测模块,固定S211得到的一级检测模型参数Detection-Model1,通过回归预测一级检测模块输出的每个输出候选框,得到第二级检测模型Detection-Model2;
步骤S213:接着训练第三级检测模块,固定S212得到的二级检测模型参数Detection-Model2,通过回归预测二级检测模块输出的每个输出候选框,得到第三级检测模型Detection-Model3;
步骤S214:最终将Detection-Model1、Detection-Model2、Detection-Model3整合至同一个舰船目标检测网络,得到训练好的基于舰船目标检测数据集的检测模型;
与现有技术相比,本发明的有益效果是:针对目前舰船目标检测位置框不够精确这一实际问题,通过级联三个相同拓扑结构的位置敏感检测模块,在保证正样本数量的同时大幅提升了正样本的质量,仅在轻微改变检测网络结构的前提下有效提升了舰船目标检测精度。与现有的其他改进方法相比,本发明所设计的级联检测模块能有刚反应用以二阶段检测网络不需要重新设计检测单元内部结构,只需要设计好各级检测单元的IoU阈值并将它们有机串联便能提升网络检测精度,具有较好的泛化能力和通用性。并且由于检测模块并没有复杂的卷积操作,级联之后并不会提升网络的检测速度,因此本发明改进的目标检测网络能够在保证检测速度的前提下,有效提升检测精度。改进前后舰船目标检测效果对比,如图8所示。
Claims (1)
1.一种基于级联位置敏感检测的舰船目标检测方法,其特征在于,包括以下步骤:
步骤S1:设计阈值递增的级联位置敏感检测模块以用于精准检测舰船目标边框;
步骤S2:用步骤S1中得到的级联位置敏感检测模块,替换到原目标检测网络的检测模块,利用舰船目标检测数据集逐级训练各个级联检测模块,最终将所训练的模型移植入海上观测平台的设备中以用于海上舰船目标精准检测;
其中,步骤S1进一步包括以下步骤:
步骤S11:根据候选框生成模块RPN网络,得到输入图像的所有候选框,并将筛选过后的候选框集合BOXRPN输入至检测模块;
步骤S12:在每个级联检测单元中设置相应的IoU阈值以提升正样本的质量和数量,然后将各级检测单元串联并共享卷积特征;
其中,步骤S12进一步包括以下步骤:
步骤S121:通过统计检测网络各级输出的候选框与真实框IoU的分布情况,来确定并得到各级检测模块的IoU阈值u1=0.5、u2=0.647、u3=0.711;
步骤S122:对S11得到的候选框BOXRPN进行第一级位置边框回归,此级检测模块选取u1=0.5作为IoU阈值,最终得到以及检测模块的位置输出框BOX1、以及每个框对应的置信度得分值Score1;
步骤S123:对S122得到的候选框BOX1进行第一级位置边框回归,此级检测模块选取u2=0.647作为IoU阈值,最终得到以及检测模块的位置输出框BOX2、以及每个框对应的置信度得分值Score2;
步骤S124:对S123得到的候选框BOX2进行第一级位置边框回归,此级检测模块选取u3=0.711作为IoU阈值,最终得到以及检测模块的位置输出框BOX3、以及每个框对应的置信度得分值Score3;
步骤S125:最终选取末级检测模块的位置输出结果作为最终预测位置框,并把S122、S123、S124得到的Score1、Score2、Score3取平均值得到Scoreavg作为最终置信度得分值;
其中,步骤S2进一步包括以下步骤:
步骤S21:用步骤S1中得到的位置敏感级联检测模块来替换传统的传统检测模块,并在VOC格式的舰船目标检测数据集上针对各个级联检测模块一次进行训练;
步骤S22:将步骤S21中训练得到的基于级联检测模块的舰船目标识别网络模型移植入海上观测平台的设备中,实时处理摄像头采集的舰船视频,对海上视频图像中的舰船目标进行检测,得到更加精确的舰船目标位置框;
其中,步骤S21进一步包括以下步骤:
步骤S211:先训练第一级检测模块,这一级检测模块利用IoU阈值u1=0.5检测网络,回归预测RPN网络输出的每个输出候选框,得到第一级检测模型Detection-Model1;
步骤S212:再训练第二级检测模块,固定S211得到的一级检测模型参数Detection-Model1,通过回归预测一级检测模块输出的每个输出候选框,得到第二级检测模型Detection-Model2;
步骤S213:接着训练第三级检测模块,固定S212得到的二级检测模型参数Detection-Model2,通过回归预测二级检测模块输出的每个输出候选框,得到第三级检测模型Detection-Model3;
步骤S214:最终将Detection-Model1、Detection-Model2、Detection-Model3整合至同一个舰船目标检测网络,得到训练好的基于舰船目标检测数据集的检测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910021219.2A CN109858481A (zh) | 2019-01-09 | 2019-01-09 | 一种基于级联位置敏感检测的舰船目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910021219.2A CN109858481A (zh) | 2019-01-09 | 2019-01-09 | 一种基于级联位置敏感检测的舰船目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109858481A true CN109858481A (zh) | 2019-06-07 |
Family
ID=66894393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910021219.2A Pending CN109858481A (zh) | 2019-01-09 | 2019-01-09 | 一种基于级联位置敏感检测的舰船目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109858481A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288017A (zh) * | 2019-06-21 | 2019-09-27 | 河北数云堂智能科技有限公司 | 基于动态结构优化的高精度级联目标检测方法与装置 |
CN111523452A (zh) * | 2020-04-22 | 2020-08-11 | 北京百度网讯科技有限公司 | 用于检测图像中人体位置的方法和装置 |
CN113255682A (zh) * | 2021-06-04 | 2021-08-13 | 浙江智慧视频安防创新中心有限公司 | 一种目标检测系统、方法、装置、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590489A (zh) * | 2017-09-28 | 2018-01-16 | 国家新闻出版广电总局广播科学研究院 | 基于级联卷积神经网络的目标检测方法 |
CN107609601A (zh) * | 2017-09-28 | 2018-01-19 | 北京计算机技术及应用研究所 | 一种基于多层卷积神经网络的舰船目标识别方法 |
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 |
CN108090911A (zh) * | 2018-01-08 | 2018-05-29 | 北京航空航天大学 | 一种光学遥感图像的近岸舰船分割方法 |
CN108229319A (zh) * | 2017-11-29 | 2018-06-29 | 南京大学 | 基于帧间差异与卷积神经网络融合的船舶视频检测方法 |
CN108256634A (zh) * | 2018-02-08 | 2018-07-06 | 杭州电子科技大学 | 一种基于轻量级深度神经网络的船舶目标检测方法 |
CN109165603A (zh) * | 2018-08-28 | 2019-01-08 | 中国科学院遥感与数字地球研究所 | 一种舰船检测方法及装置 |
-
2019
- 2019-01-09 CN CN201910021219.2A patent/CN109858481A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590489A (zh) * | 2017-09-28 | 2018-01-16 | 国家新闻出版广电总局广播科学研究院 | 基于级联卷积神经网络的目标检测方法 |
CN107609601A (zh) * | 2017-09-28 | 2018-01-19 | 北京计算机技术及应用研究所 | 一种基于多层卷积神经网络的舰船目标识别方法 |
CN108229319A (zh) * | 2017-11-29 | 2018-06-29 | 南京大学 | 基于帧间差异与卷积神经网络融合的船舶视频检测方法 |
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 |
CN108090911A (zh) * | 2018-01-08 | 2018-05-29 | 北京航空航天大学 | 一种光学遥感图像的近岸舰船分割方法 |
CN108256634A (zh) * | 2018-02-08 | 2018-07-06 | 杭州电子科技大学 | 一种基于轻量级深度神经网络的船舶目标检测方法 |
CN109165603A (zh) * | 2018-08-28 | 2019-01-08 | 中国科学院遥感与数字地球研究所 | 一种舰船检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
BIN YANG ET AL.: "CRAFT Objects from Images", 《ARXIV:1604.03239V1[CS.CV]》 * |
ZHAOWEI CAI ET AL.: "Cascade R-CNN: Delving into High Quality Object Detection", 《ARXIV:1712.00726V1[CS.CV]》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288017A (zh) * | 2019-06-21 | 2019-09-27 | 河北数云堂智能科技有限公司 | 基于动态结构优化的高精度级联目标检测方法与装置 |
CN110288017B (zh) * | 2019-06-21 | 2023-01-10 | 河北数云堂智能科技有限公司 | 基于动态结构优化的高精度级联目标检测方法与装置 |
CN111523452A (zh) * | 2020-04-22 | 2020-08-11 | 北京百度网讯科技有限公司 | 用于检测图像中人体位置的方法和装置 |
CN111523452B (zh) * | 2020-04-22 | 2023-08-25 | 北京百度网讯科技有限公司 | 用于检测图像中人体位置的方法和装置 |
CN113255682A (zh) * | 2021-06-04 | 2021-08-13 | 浙江智慧视频安防创新中心有限公司 | 一种目标检测系统、方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111222574B (zh) | 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 | |
CN109165585A (zh) | 一种改进的基于yolo v2的船舶目标检测方法 | |
CN109858481A (zh) | 一种基于级联位置敏感检测的舰船目标检测方法 | |
Li et al. | Automatic bridge crack identification from concrete surface using ResNeXt with postprocessing | |
Zheng et al. | A lightweight ship target detection model based on improved YOLOv5s algorithm | |
CN112465006B (zh) | 一种图神经网络目标跟踪方法及装置 | |
CN108681718A (zh) | 一种无人机低空目标精准检测识别方法 | |
Yu et al. | An adaptive dead fish detection approach using SSD-MobileNet | |
CN109886114A (zh) | 一种基于聚合变换特征提取策略的舰船目标检测方法 | |
CN111008979A (zh) | 一种鲁棒的夜晚图像语义分割方法 | |
Zhang et al. | LDD-Net: Lightweight printed circuit board defect detection network fusing multi-scale features | |
CN116343045A (zh) | 基于YOLO v5的轻量化SAR图像舰船目标检测方法 | |
CN114219998A (zh) | 一种基于目标检测神经网络的声纳图像实时检测方法 | |
Chen et al. | Ship detection with optical image based on attention and loss improved YOLO | |
CN115240078B (zh) | 一种基于轻量化元学习的sar图像小样本目标检测方法 | |
CN115719485A (zh) | 一种基于类别引导的路侧交通目标检测方法 | |
Xue et al. | Improved Faster R-CNN Based On CSP-DPN | |
Guo et al. | Supernova detection based on multi-scale fusion faster RCNN | |
Li et al. | Multi-level Pyramid Feature Extraction and Task Decoupling Network for SAR Ship Detection | |
Zeng et al. | Research on small target recognition model based on improved YOLOv5 | |
Yu et al. | An Intelligent System for Outfall Detection in UAV Images Using Lightweight Convolutional Vision Transformer Network | |
Liu et al. | Remote sensing image object detection based on improved SSD | |
Wen et al. | Detecting the surface defects of the magnetic-tile based on improved YOLACT++ | |
Zhao et al. | Fish Identification Method Based on Oriented Fast and Rotated Brief Algorithm and Convolutional Neural Network in Muddy Sea | |
CN113392917B (zh) | 一种基于改进EfficientDet网络的海面军事目标检测与分类方法 |
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: 20190607 |