CN109859103A - 一种基于双线性内插法精确池化策略的舰船目标检测方法 - Google Patents
一种基于双线性内插法精确池化策略的舰船目标检测方法 Download PDFInfo
- Publication number
- CN109859103A CN109859103A CN201910021220.5A CN201910021220A CN109859103A CN 109859103 A CN109859103 A CN 109859103A CN 201910021220 A CN201910021220 A CN 201910021220A CN 109859103 A CN109859103 A CN 109859103A
- Authority
- CN
- China
- Prior art keywords
- ship target
- accurate
- pond
- target detection
- bilinear interpolation
- 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)
- Image Processing (AREA)
Abstract
本发明公开了发明一种基于双线性内插法精确池化策略的舰船目标检测方法,包括以下步骤:步骤S1:基于双线性内插法,设计得到能适用于精准定位小尺寸舰船对象候选框的池化方法;步骤S2:用步骤S1中得到的精细池化方法,替换到事先训练好的通用舰船目标检测网络模型中,再将该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,完成高重叠场景下的舰船目标检测工作。采用本发明的技术方案,利用全新的精细池化方法,实现了基于双线性内插法精确池化策略的舰船目标检测方法,能在不增加训练和运行成本的同时,有效提升小尺寸舰船目标的检测准确率。具有可移植性高、通用性强等特点。
Description
技术领域
本发明涉及海面上的舰船目标检测方法,尤其涉及一种基于双线性内插法精确池化策略的舰船目标检测方法。
舰船目标检测一直是边海防建设中比较重要的方面,它能保证精确地识别海面舰船目标,同时也可为指挥员决策提供支持,准确地检测海面上的舰船目标在巩固边海防的行动中起着重要的作用。
随着我国海洋经济产业活动日益繁荣,国际海底资源争夺日益激烈,相关部门在近海海域部署了大量海面视频观测站,但是在距离舰船目标较远时,成像装置拍摄得到的目标图像尺寸非常小,而现有的目标检测系统对于小尺寸舰船目标的检测能力有非常欠缺,所以能够及时精确检测小尺寸目标的舰船检测系统在日常海况监测应用中显得越来越重要。
通常图片中小尺寸的舰船目标候选框需要通过两次取整量化操作来进行感兴趣区域池化操作,来得到检测网络所需的固定尺寸特征图,具体的ROI Pooling取整池化操作过程中(如图1所示)
1)第一次量化:将候选框坐标取整量化为整数值。
2)第二次量化:将候选框均分为k×k个区块,然后再将每一个区块的坐标取整量化为整数值。
假定输入图片大小为800×800,图中有一个大小为447×447的目标(图中小框所示)。输入图片经过共享卷积层计算之后,得到一个大小为边长为25的特征图。其中,原图和目标都相对应的缩小至原来的1/32。但是绿色目标框原长447缩小32倍之后的结果为13.97,传统取整池化操作会把它进行取整计算至13。然后将目标候选区域量化为7×7的特征图,将目标区块均分为49个部分,计算得到每个区域的长度为1.86,传统取整池化操作同样会把它取整量化到1。两次取整量化操作之后,目标候选区域便产生了较大的偏差(如阴影区域所示)。通过计算可得,最后结果特征图上1个像素的偏差,放大到输入图像上就是32个像素,这便造成了较为严重的区域不匹配问题,最终导致候选框和原先的位置已经产生了明显的偏差,因此极易造成小尺寸舰船目标漏检情况发生。
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双线性内插法精确池化策略的舰船目标检测方法。该发明的优势是取消了两次取整量化的步骤,在池化计算坐标值的时候不进行取整而是继续保持浮点小数,使用双线性内插法计算对应坐标点上的值,使得感兴趣区域池化变得更加精细,具体获得浮点坐标位置值的计算流程(如图2所示),使之能够有效地检测出小尺寸的舰船目标对象,而且与传统取整量化方法相比,双线性内插法精确池化方法不会增加算法复杂度,使用高效。双线性内插法精确池化方法也不需要额外的训练,它可以能够方便地被集成到通用的目标检测流程中,在不增加训练和运行成本的同时,提升准确率。
为解决其技术问题,本发明所采用的技术方案如下:
一种基于双线性内插法精确池化策略的舰船目标检测方法,其特征在于,包括以下步骤:
步骤S1:设计得到能适用于精准定位小尺寸舰船对象候选框的池化方法;
步骤S2:用步骤S1中得到的精准池化方法,替换到事先训练好的通用舰船目标检测网络模型中,再将该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,完成对海上监测视频中的小尺寸舰船目标的精准检测工作;
其中,步骤S1进一步包括以下步骤:
步骤S11:设计了一种基于双线性内插法的精确池化方法来确定采样点的像素值(如图3所示),在计算坐标值的时候不进行取整而是继续保持浮点小数,使得感兴趣区域池化变得更加精细。
步骤S12:然后基于S11中的这种精确池化方法,对候选框的坐标信息将对应区域的特征图池化至统一指定大小的池化特征图,并在此基础上进行分类和边框回归
其中,步骤S11进一步包括以下步骤:
步骤S111:先在水平X轴方向上计算线性插值(如图3所示)位置(x,y)处的像素值为P(x,y),函数P()代表像素值。首先确定离目标点(x,y)最近的四个整数坐标点M11(x1,y1)、M12(x1,y2)、M21(x2,y1)、M22(x2,y2),并获取这它们的像素值P(M11)、P(M12)、P(M21)、P(M22)。
步骤S112:然后在垂直Y轴方向再计算一次线性插值。最终,便得到了目标点T的像素值:
与现有技术相比,本发明的有益效果是:针对海上观测平台所采集的远距离小尺寸舰船目标的视频场景,能在不增加原有深度神经网络算法复杂度的前提下,更精确地完成小尺寸舰船目标检测识别,网络准确性大大提高。创新性得将双线性内插法引入目标检测的感兴趣区域池化环节中。与现有的其他改进方法相比,本发明所设计的双线性内插池化方法不需要改变神经网络结构只需要简单地替换原有的池化方法即可,能够适用于现有大部分的目标检测模型,能够在检测网络准确性的同时,大大提高算法的通用性。
附图说明
图1是传统取整池化操作的流程图。
图2是本发明基于双线性内插法精确池化操作的流程图。
图3是本发明对小尺寸舰船目标场景检测效果提升对比图。
图4是双线性内插法计算流程图。
图5是基于双线性内插法精确池化策略的目标检测网络结构图。
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技术问题,本发明提出一种基于双线性内插法精确池化策略的舰船目标检测方法。该发明的优势是取消了两次取整量化的步骤,在池化计算坐标值的时候不进行取整而是继续保持浮点小数,使用双线性内插法计算对应坐标点上的值,使得感兴趣区域池化变得更加精细,具体获得浮点坐标位置值的计算流程(如图2所示),使之能够有效地检测出小尺寸的舰船目标对象,而且与传统取整量化方法相比,双线性内插法精确池化方法不会增加算法复杂度,使用高效。双线性内插法精确池化方法也不需要额外的训练,它可以能够方便地被集成到通用的目标检测流程中,在不增加训练和运行成本的同时,提升准确率,具体实验效果(如图4所示)。
首先收集实验所需的图像: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小尺寸舰船目标。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2,所示为本发明基于级联位置敏感检测模块的目标检测方法的流程图,具体的实验步骤如下:
一种基于双线性内插法精确池化策略的舰船目标检测方法,其特征在于,包括以下步骤:
步骤S1:设计得到一种基于双线性内插法且能适用于精准定位小尺寸舰船对象候选框的池化方法;
步骤S2:用步骤S1中得到的精准池化方法,替换到事先在舰船目标数据集训练好的通用舰船目标检测网络模型中,检测网络结构如图5所示,再将该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,完成对海上监测视频中的小尺寸舰船目标的精准检测工作;
其中,步骤S1进一步包括以下步骤:
步骤S11:设计了一种基于双线性内插法的精确池化方法来确定采样点的像素值(如图3所示),在计算坐标值的两次量化过程中不进行取整操作而是在计算过程中继续保持浮点小数,使得感兴趣区域池化操作变得更加精细。
步骤S12:然后基于S11中的这种精细池化方法,对候选框的坐标信息将对应区域的特征图池化至统一指定大小的池化特征图,并在此基础上进行分类和边框回归。
其中,步骤S11进一步包括以下步骤:
步骤S111:先在水平X轴方向上计算线性插值(如图3所示)位置(x,y)处的像素值为P(x,y),函数P()代表像素值。首先确定离目标点(x,y)最近的四个整数坐标点M11(x1,y1)、M12(x1,y2)、M21(x2,y1)、M22(x2,y2),并获取这它们的像素值P(M11)、P(M12)、P(M21)、P(M22)。
步骤S112:然后在垂直Y轴方向再计算一次线性插值。最终,便得到了目标点T的像素值:
与现有技术相比,本发明的有益效果是:针对海上观测平台所采集的远距离小尺寸舰船目标的视频场景,能在不增加原有深度神经网络算法复杂度的前提下,更精确地完成小尺寸舰船目标检测识别,网络准确性大大提高。表1列出了本发明改进前后舰船目标检测网络在本文自建舰船数据机上的检测效果比对情况。
表3.5 PS-ROI Align改进前后检测效果比对表
本发明创新性得将双线性内插法引入目标检测的感兴趣区域池化环节中。与现有的其他改进方法相比,本发明所设计的双线性内插池化方法不需要改变神经网络结构只需要简单地替换原有的池化方法即可,能够适用于现有大部分的目标检测模型,能够在检测网络准确性的同时,大大提高算法的通用性。
Claims (1)
1.一种基于双线性内插法精确池化策略的舰船目标检测方法,其特征在于,包括以下步骤:
步骤S1:基于双线性内插法设计舰船对象候选框的池化方法以用于精准定位小目标;
步骤S2:用步骤S1中得到的池化方法,替换到事先训练好的通用舰船目标检测网络模型中,再将该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,完成对海上监测视频中的小尺寸舰船目标的精准检测工作;
其中,步骤S1进一步包括以下步骤:
步骤S11:采用精确池化方法来确定采样点的像素值,并在计算坐标值的时不进行取整而是继续保持浮点小数;
步骤S12:基于S11中的精确池化方法,对候选框的坐标信息将对应区域的特征图池化至统一指定大小的池化特征图,并在此基础上进行分类和边框回归;
其中,步骤S11进一步包括以下步骤:
步骤S111:先在水平X轴方向上计算线性插值,位置(x,y)处的像素值为P(x,y),函数P()代表像素值;首先确定离目标点(x,y)最近的四个整数坐标点M11(x1,y1)、M12(x1,y2)、M21(x2,y1)、M22(x2,y2),并获取这它们的像素值P(M11)、P(M12)、P(M21)、P(M22);
步骤S112:在垂直Y轴方向再计算一次线性插值,得到了目标点T的像素值:
其中,步骤S2进一步包括以下步骤:
步骤S21:用步骤S1中得到的精准定位小尺寸舰船对象候选框的池化方法,并将它整合到事先训练好的通用舰船目标检测网络模型中;
步骤S22:将步骤S21中得到的舰船目标检测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,完成海上监测视频中的小尺寸舰船目标的精准检测工作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910021220.5A CN109859103A (zh) | 2019-01-09 | 2019-01-09 | 一种基于双线性内插法精确池化策略的舰船目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910021220.5A CN109859103A (zh) | 2019-01-09 | 2019-01-09 | 一种基于双线性内插法精确池化策略的舰船目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109859103A true CN109859103A (zh) | 2019-06-07 |
Family
ID=66894388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910021220.5A Pending CN109859103A (zh) | 2019-01-09 | 2019-01-09 | 一种基于双线性内插法精确池化策略的舰船目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109859103A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107818326A (zh) * | 2017-12-11 | 2018-03-20 | 珠海大横琴科技发展有限公司 | 一种基于场景多维特征的船只检测方法及系统 |
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 |
CN108427912A (zh) * | 2018-02-05 | 2018-08-21 | 西安电子科技大学 | 基于稠密目标特征学习的光学遥感图像目标检测方法 |
CN108427920A (zh) * | 2018-02-26 | 2018-08-21 | 杭州电子科技大学 | 一种基于深度学习的边海防目标检测方法 |
CN108509919A (zh) * | 2018-04-03 | 2018-09-07 | 哈尔滨哈船智控科技有限责任公司 | 一种基于深度学习对视频或图片中水线的检测和识别方法 |
CN108564077A (zh) * | 2018-04-03 | 2018-09-21 | 哈尔滨哈船智控科技有限责任公司 | 一种基于深度学习对视频或图片中数字的检测和识别方法 |
CN108596952A (zh) * | 2018-04-19 | 2018-09-28 | 中国电子科技集团公司第五十四研究所 | 基于候选区域筛选的快速深度学习遥感图像目标检测方法 |
-
2019
- 2019-01-09 CN CN201910021220.5A patent/CN109859103A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107818326A (zh) * | 2017-12-11 | 2018-03-20 | 珠海大横琴科技发展有限公司 | 一种基于场景多维特征的船只检测方法及系统 |
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 |
CN108427912A (zh) * | 2018-02-05 | 2018-08-21 | 西安电子科技大学 | 基于稠密目标特征学习的光学遥感图像目标检测方法 |
CN108427920A (zh) * | 2018-02-26 | 2018-08-21 | 杭州电子科技大学 | 一种基于深度学习的边海防目标检测方法 |
CN108509919A (zh) * | 2018-04-03 | 2018-09-07 | 哈尔滨哈船智控科技有限责任公司 | 一种基于深度学习对视频或图片中水线的检测和识别方法 |
CN108564077A (zh) * | 2018-04-03 | 2018-09-21 | 哈尔滨哈船智控科技有限责任公司 | 一种基于深度学习对视频或图片中数字的检测和识别方法 |
CN108596952A (zh) * | 2018-04-19 | 2018-09-28 | 中国电子科技集团公司第五十四研究所 | 基于候选区域筛选的快速深度学习遥感图像目标检测方法 |
Non-Patent Citations (2)
Title |
---|
KAIMING HE GEORGIA GKIOXARI PIOTR DOLL´AR ROSS GIRSHICK: "Mask R-CNN", 《2017 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV)》 * |
谢伟: "《多帧影像超分辨率复原重建关键技术研究》", 31 January 2014 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111104816B (zh) | 一种目标物的姿态识别方法、装置及摄像机 | |
CN108460382B (zh) | 基于深度学习单步检测器的光学遥感图像舰船检测方法 | |
CN107818326B (zh) | 一种基于场景多维特征的船只检测方法及系统 | |
CN110889844B (zh) | 一种基于深度聚类分析的珊瑚分布及健康状况评估方法 | |
CN109190636A (zh) | 一种遥感图像舰船目标信息提取方法 | |
CN109657541A (zh) | 一种基于深度学习的无人机航拍图像中的船舶检测方法 | |
CN103886325B (zh) | 一种分块的循环矩阵视频跟踪方法 | |
CN103778645B (zh) | 一种基于图像的圆形目标实时跟踪方法 | |
CN113591968A (zh) | 一种基于非对称注意力特征融合的红外弱小目标检测方法 | |
CN108960115A (zh) | 基于角点的多方向文本检测方法 | |
CN109903303A (zh) | 一种基于卷积神经网络的船舶吃水线提取方法 | |
CN110070565A (zh) | 一种基于图像叠加的船舶轨迹预测方法 | |
CN113052876A (zh) | 一种基于深度学习的视频接力跟踪方法及系统 | |
CN110751077A (zh) | 一种基于部件匹配与距离约束的光学遥感图片船舶检测方法 | |
CN106780598A (zh) | 一种基于无人机的水面漂浮物检测方法和无人机 | |
CN109308713A (zh) | 一种基于前视声纳的改进核相关滤波水下目标跟踪方法 | |
Liu et al. | D-CenterNet: An anchor-free detector with knowledge distillation for industrial defect detection | |
CN110334727A (zh) | 一种隧道裂缝智能匹配检测方法 | |
CN108446721A (zh) | 一种基于多分支网络的水面环境解析方法 | |
Liu et al. | [Retracted] Self‐Correction Ship Tracking and Counting with Variable Time Window Based on YOLOv3 | |
Yuan et al. | Dynamic Pyramid Attention Networks for multi-orientation object detection | |
CN114724177A (zh) | 结合Alphapose和YOLOv5s模型的人体溺水检测方法 | |
Hu | Football player posture detection method combining foreground detection and neural networks | |
Tung-Ching | Segmentation of crack and open joint in sewer pipelines based on CCTV inspection images | |
CN109859103A (zh) | 一种基于双线性内插法精确池化策略的舰船目标检测方法 |
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 |