CN109919000A - 一种基于多尺度融合策略的舰船目标检测方法 - Google Patents

一种基于多尺度融合策略的舰船目标检测方法 Download PDF

Info

Publication number
CN109919000A
CN109919000A CN201910061808.3A CN201910061808A CN109919000A CN 109919000 A CN109919000 A CN 109919000A CN 201910061808 A CN201910061808 A CN 201910061808A CN 109919000 A CN109919000 A CN 109919000A
Authority
CN
China
Prior art keywords
network
feature
fusion
target detection
detection
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
Application number
CN201910061808.3A
Other languages
English (en)
Inventor
刘俊
徐小康
田胜
姜涛
孙乔
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.)
Hangzhou Dianzi University
Hangzhou Electronic Science and Technology University
Original Assignee
Hangzhou Electronic Science and Technology University
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 Hangzhou Electronic Science and Technology University filed Critical Hangzhou Electronic Science and Technology University
Priority to CN201910061808.3A priority Critical patent/CN109919000A/zh
Publication of CN109919000A publication Critical patent/CN109919000A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种基于多尺度融合策略的舰船目标检测方法，包括以下步骤：步骤S1：准备用于训练特征提取网络模型和目标检测网络模型的数据集；步骤S2：结合多尺度特征融合的概念，设计并得到一种优化的特征提取网络；步骤S3：将步骤S2得到的特征提取网络模型移植到目标检测网络RFCN中，得到基于多尺度特征融合的MFF‑RFCN；步骤S4：基于步骤S1中自建舰船目标检测数据集Dataset‑detection，训练得到能更好应用于舰船目标检测的网络模型。采用本发明的技术方案，将高层特征图和低层特征图进行融合，将语义信息与位置信息整合起来，可以在资源不受限的使用场景下，进一步提升网络的特征提取能力，具有检测精度高，涵盖尺度广等优点。

Description

一种基于多尺度融合策略的舰船目标检测方法
技术领域
本发明涉及海上的舰船目标检测方法，尤其涉及一种基于多尺度融合策略的舰船目标检测方法。
背景技术
我国领海面积辽阔，海洋矿产丰富，是一个海洋大国，海洋是国家安全的重要屏障。舰船目标是海洋的主体，精准的检测舰船目标是建设海洋强国之路上意义重大的基础工作。
深度学习领域研究的不断深入，使得基于深度卷积神经网络的目标分类和检测网络在各个领域得到了广泛的应用。然而许多深度学习网络框架都是通过在特征提取模块末端的一层共享特征图基础上生成候选框并进行目标检测识别。虽然末端的特征图拥有较强的语义信息，但是其包含的位置信息非常模糊、尺度涵盖范围非常有限，对目标尺度变换的鲁棒性较差。所以在现实的舰船检测场景中，如何精准检测出多尺度下的目标还是个难题，尤其是对小尺度的舰船目标的检测。
为了解决这一问题，一种方法是使用数据增强，在训练的时候把图片放缩成不同尺度再输入网络进行训练，但是运行时间会成倍增加，目标检测的效率大大下降，而且训练的时候需要占用更多的显存容量，对硬件环境的要求有所提高。另一种方法是通过单尺度训练，多尺度预测的方法来解决显存问题，但是这并没有从根本上解决网络特征结构上存在的语义与位置信息不完整问题，并且训练和预测目标并不一致，训练过程评价指标判定难度较高。所以如何在保证目标检测效率的情况下，精准检测出多尺度下的目标，尤其是小尺度目标，成为了亟待解决的问题。
发明内容
针对现有技术存在的问题，本发明提出一种基于多尺度融合策略的舰船目标检测方法。该发明的优势是本文采用多尺度特征融合的概念，将高层特征图和低层特征图进行融合，将语义信息与位置信息整合起来，提高了网络特征提取能力，进一步提升了目标检测网络的性能，尤其是小尺度目标的检测精度。
为解决其技术问题，本发明采用的技术方案如下：
一种基于多尺度融合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：准备用于训练特征提取网络模型和目标检测网络模型的数据集；
步骤S2：结合多尺度特征融合的概念，设计并得到一种优化的特征提取网络；
步骤S3：将步骤S2得到的特征提取网络模型移植到目标检测网络RFCN中，得到基于多尺度特征融合的MFF-RFCN；
步骤S4：基于步骤S1中自建舰船目标检测数据集Dataset-detection，训练得到能更好应用于舰船目标检测的网络模型。
其中，所述步骤S1进一步包括：
步骤S11：利用公有数据集ImageNet中海洋环境相关的目标类别，结合已有的海洋环境视频图像数据，建立相关分类数据集Dataset-classification，用于训练特征提取网络；
步骤S12：基于海上真实环境拍摄的视频图像，标注建立了面向舰船目标的检测数据集Dataset-detection，用于训练目标检测网络；
其中，步骤S2进一步包括：
步骤S21：结合多尺度特征融合的概念，构建反向逐级融合特征图的结构；
其中，步骤S21进一步包括：
步骤S211：对原网络最右层特征图进行上采样，将尺寸扩大2倍至左侧邻近特征图相同大小；
步骤S212：用1×1大小的卷积核将左侧邻近特征图调整为与步骤S211中特征图相同通道数；
步骤S213：将得到的两层特征图进行相加并用3×3的卷积去除上采样过程中带来的混叠效应，最后迭代向左计算得到所需的4级融合特征图(f1,f2,f3,f4)。
步骤S22：将S21设计得到的基于多尺度融合的特征提取网络在步骤S11建立的海洋环境相关目标分类数据集Dataset-classification上进行训练，得到特征提取网络模型。
其中，步骤S3进一步包括：
步骤S31：将步骤S21生成的4级融合特征图输入RPN网络生成感兴趣区域候选框；
步骤S32：输入RPN网络生成的对应候选框，结合共享特征图f1，生成位置敏感得分图，用来准备后续分类和位置回归操作。
与现有技术相比较，本发明具有如下技术效果：
本发明所设计的多尺度融合的方法，将高层特征图和低层特征图进行融合，将语义信息与位置信息整合起来。通过简单的上采样和卷积通道匹配操作，来整合各层多尺度的特征信息，进一步提高了网络的特征提取能力，尤其是提升了对小尺度目标的检测性能。该发明可以用于对海面相关舰船目标进行识别，利用基于深度神经网络的目标检测模块，在真实海上环境下，从采集的视频图像数据中获取舰船目标信息，为海军战术指挥控制系统，海战场探测系统提供情报支持。在民事领域中可以应用于海上交通管理、海上非法移民监控、边境控制等。相对而言，基于多尺度融合策略的舰船目标检测技术，通过新型多尺度融合特征图的技术，可以在资源不受限的使用场景下，进一步提升网络的特征提取能力，具有检测精度高，涵盖尺度广等优点。
附图说明
图1多尺度特征融合提取结构图；
图2多尺度特征融合MFF-RFCN算法结构图；
具体实施方式
以下结合附图对本发明做进一步描述。
针对现有技术存在的缺陷，本发明提出一种基于多尺度融合策略的深度神经网络目标检测方法，可以在资源不受限的使用场景下，进一步提升网络的特征提取能力，使网络检测精度大大提高。
具体的实验步骤如下：
步骤S1：准备用于训练特征提取网络模型和目标检测网络模型的数据集；
步骤S2：结合多尺度特征融合的概念，设计并得到一种优化的特征提取网络；
步骤S3：将步骤S2得到的特征提取网络模型移植到目标检测网络RFCN中，得到基于多尺度特征融合的MFF-RFCN；
步骤S4：基于步骤S1中自建舰船目标检测数据集Dataset-detection，训练得到能更好应用于舰船目标检测的网络模型。
其中，所述步骤S1进一步包括：
步骤S11：利用公有数据集ImageNet中海洋环境相关的目标类别，结合已有的海洋环境视频图像数据，建立相关分类数据集Dataset-classification。从海上舰船目标检测识别这一实际应用背景出发，根据先验知识在ImageNet数据集中选出和海洋环境相关的目标类别，另外借助已有的舰船图像数据对目标进行了更加精细的分类和扩充。自建数据集Dataset-classification一共36类舰船及海上相关目标可见光图片，其中包含48204张训练集，1870张验证集，然后缩放至Caffe框架所需的输入尺寸256×256。为了提高运算效率，将图片数据和标签数据编码得到lmdb格式的数据库文件。最后得到训练和测试的lmdb文件。详细类别信息如表1所示：
表1 Dataset-classification分类数据集信息
文件夹编号 类名 文件夹编号 类名
n02687172 航空母舰 n04273569 快艇
n02981792 双体船 n03763968 远洋班轮
n03095699 游艇 n04266014 纵帆船
n03344393 消防船 n02879718 船屋
n02981792 划艇 n04366367 轮船
n03670208 救生艇 n02814860 灯塔
n03100240 货柜船 n02704792 水陆两用车
n03345487 码头 n03873416 船桨
n02859443 船库 n03874293 明轮,桨轮
n02894605 防波堤,海堤 n04552348 军用飞机
n02951358 独木舟 n03527444 半履带车
n04147183 帆船 n06794110 船载小艇
n04347754 潜艇,潜水艇 补充数据 巡洋舰
n04612504 沉船 补充数据 驱逐舰
n03977966 海盗船 补充数据 导弹舰
n09428293 海滨,海岸 补充数据 渔政船
n03447447 狭长小船 补充数据 护卫舰
n04487081 三体船 补充数据 战列舰
步骤S12：基于海上真实环境拍摄的视频图像，标注建立了面向舰船目标的检测数据集，用于训练目标检测网络。为了能让改进后的目标检测网络能够更好地应用于舰船目标检测这一具体应用领域，通过采集基于海上真实环境拍摄的视频图像，制作标注了而成自建舰船目标检测数据集。由于训练需要的是带有标签的舰船目标图像数据集，所以对采集基于海上真实环境拍摄的视频图像进行相关标注工作，将舰船目标分为两类进行标注，分别为：军船和民船。一张图片数据对应一个XML标注文件，最终得到13295张舰船目标图片，一共包含25643个目标框。为了方便区别，本文将该自建舰船数据集记为Dataset-detection。由于候选训练测试需要，本文将Dataset-detection按照6:2:2的比例进行划分，得到自建的训练、验证和测试数据集，相关内容如表2所示。
表2自建舰船目标数据集
其中，步骤S2进一步包括：
步骤S21：结合多尺度特征融合的概念，构建反向逐级融合特征图的结构，具体结构如图1所示；
其中，步骤S21进一步包括：
步骤S211：原有网络结构从左至右依次进行特征计算，共计产生5个特征图。每经过一级特征提取，特征图尺寸会压缩至原来的这些特征图中，低层语义特征少但是位置信息丰富，高层语义特征丰富但是位置粗略。为了能够更好地获取语义与位置信息，首先对最右层特征图进行上采样操作，将特征图的尺寸扩大2倍，使最右侧特征图与左侧邻近特征图具有相同的大小；
步骤S212：使用1×1大小的卷积核将左侧邻近特征图调整为与步骤S211中特征图经过上采样操作之后相同的通道数；
步骤S213：将得到的两层特征图进行相加并用3×3的卷积核去除上采样过程中带来的混叠效应，最后迭代向左计算得到所需的4级融合特征图(f1,f2,f3,f4)。通过多尺度特征融合的方法，我们能够有效地得到同时富含位置和语义信息的融合特征图。
步骤S22：将S21设计得到的基于多尺度融合的特征提取网络在步骤S11建立的海洋环境相关目标分类数据集Dataset-classification上进行训练，得到特征提取网络模型。
其中，步骤S3进一步包括：
步骤S31：步骤S21生成的4级融合特征图(f1,f2,f3,f4)，融合特征的大小分别为256×256，128×128,64×64，32×32，将这四级融合特征一起输入RPN网络生成感兴趣区域候选框。RPN网络在生成候选框时，会使用不同尺寸比例的锚框来作为初始预测边框位置。首先对输入的融合特征图的每一个像素点上都设置初始化的参考区域。在经典的FasterRCNN算法中，每个像素点会使用anchor机制初始化成9个参考区域，其中包含三种宽高比(1:1、1:2、2:1)和三种尺度(128,256,512)。RFCN网络也继续约定俗成地沿用了这9种尺度。但是在本发明改进方法所得的4级多尺度融合特征本身就包含了不同的尺寸的区域，因此可以直接使用这种尺度信息，选取不同的宽高比(Width to Height Ratio，WHR)设定即可。各层对应生成的anchor数量如表3所示：
表3 anchor统计(特征图尺寸校验)
融合特征层名 特征图尺寸 通道数 对应anchor尺寸 对应anchor数量
f<sub>1</sub> 256×256 256 32×32 3×(256×256)＝196608
f<sub>2</sub> 128×128 256 64×64 3×(128×128)＝49152
f<sub>3</sub> 64×64 256 128×128 3×(64×64)＝12288
f<sub>4</sub> 32×32 256 256×256 3×(32×32)＝3072
步骤S32：经过RPN网络生成对应候选框的同时，RFCN网络会利用共享特征图，生成位置敏感得分图，用来准备后续分类和位置回归操作。具体结构如图2所示。本发明选取f1作为共享特征图的进行对比实验，检测结果如表4所示。
表4多尺度特征融合改进前后检测效果比对表
网络结构 mAP 测试速度 模型大小
RFCN(ResNet101) 74.87％ 0.167s/img 200.1M
MFF-RFCN(ResNet101)-f<sub>1</sub> 76.03％ 0.210s/img 231.5M
RFCN(ResNet50) 72.23％ 0.109s/img 124.9M
MFF-RFCN(ResNet50)-f<sub>1</sub> 73.51％ 0.147s/img 160.7M
从实验结果中可以看出经过多尺度特征融合改进后的MFF-RFCN网络，其检测精度得到了较为明显的提升。但是由于增加了多级特征融合的额外操作，所以在网络模型，以及测试耗时上都稍有增加。但是面向成像装置部署在舰船、海面观测站这一类计算资源、通讯带宽、能源供应都不受限制的场景，牺牲这点计算资源上的成本，以求检测精度的提升耗时非常值得的。
其中共享特征图的选取f1是由以下实验确定：
在多尺度特征融合提取的反向传递中，每进行一次上采样操作，特征图尺寸便会扩大一倍，特征图像素点便会增加至原来四倍。将对应的特征图输入RPN网络后，产生的锚框也会增加至原来的4倍。这便会增加很多冗余的候选锚框，影响网络性能。因此本文利用多级特征图自带的尺度信息加上3种宽高比来控制anchor框的数量和质量。但是RFCN在得到候选框的同时也会将共享特征经过卷积生成位置敏感得分图。而f1到f4这四级融合特征图尺寸各有差异，生成的位置敏感得分图也各不相同，网络的最终性能结果也不一致。因此本发明进行了以下试验来具体评价各级融合特征图的优劣，具体实验结果如表5所示。
表5共享不同级融合特征场景下检测效果比对表
网络结构 mAP 测试速度(总时间)
RFCN(ResNet101) 74.87％ 0.167s/img
MFF-RFCN(ResNet101)-f<sub>4</sub> 75.13％ 0.198s/img
MFF-RFCN(ResNet101)-f<sub>3</sub> 75.21％ 0.206s/img
MFF-RFCN(ResNet101)-f<sub>2</sub> 75.59％ 0.201s/img
MFF-RFCN(ResNet101)-f<sub>1</sub> 76.03％ 0.210s/img
RFCN(ResNet50) 72.23％ 0.109s/img
MFF-RFCN(ResNet50)-f<sub>4</sub> 72.56％ 0.134s/img
MFF-RFCN(ResNet50)-f<sub>3</sub> 72.64％ 0.141s/img
MFF-RFCN(ResNet50)-f<sub>2</sub> 73.05％ 0.142s/img
MFF-RFCN(ResNet50)-f<sub>1</sub> 73.51％ 0.147s/img
由上述试验结果可以发现，随着多尺度融合特征层级尺寸的增大(f4到f1逐级增大)，网络的检测准确率都有提升，但是对应的检测速度都相应变慢了。这主要是因为多尺度特征融合模式下的RFCN直接根据各层级特征尺寸大小差异来获得多尺度锚框。经过计算，f1到f4四层融合特征图在RPN网络中一共会生成个锚框，而原RFCN网络对应的锚框数只有9×32×32＝9210个，因此导致计算时间增加，检测速度也随之降低。但是在本文资源不受限使用场景下，牺牲这点计算资源上的成本换取检测精度的提升是非常值得的。所以结合实验结果，最终确定使用f1级融合特征作为共享特征。
采用上述技术方案，与现有的特征提取网络方法相比，本发明所设计的多尺度融合的方法，将高层特征图和低层特征图进行融合，将语义信息与位置信息整合起来。通过简单的上采样和卷积通道匹配操作，来整合各层多尺度的特征信息，进一步提高了网络的特征提取能力，尤其是提升了对小尺度目标的检测性能。该发明可以用于对海面相关舰船目标进行识别，利用基于深度神经网络的目标检测模块，在真实海上环境下，从采集的视频图像数据中获取舰船目标信息，为海军战术指挥控制系统，海战场探测系统提供情报支持。在民事领域中可以应用于海上交通管理、海上非法移民监控、边境控制等。相对而言，基于多尺度融合策略的舰船目标检测技术，通过新型多尺度融合特征图的技术，可以在资源不受限的使用场景下，进一步提升网络的特征提取能力，具有检测精度高，涵盖尺度广等优点。
以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。对这些实施例的多种修改对本领域的专业技术人员来说是显而易见的，本申请中所定义的一般原理可以在不脱离本发明的精神或范围的情况下在其它实施例中实现。因此，本发明将不会被限制于本申请所示的这些实施例，而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。

Claims (1)

1.一种基于多尺度融合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：采集用于训练特征提取网络模型和目标检测网络模型的数据集；
步骤S2：结合多尺度特征融合设计并得到一种优化的特征提取网络；
步骤S3：将步骤S2得到的特征提取网络模型移植到目标检测网络RFCN中，得到基于多尺度特征融合的MFF-RFCN；
步骤S4：基于步骤S1中自建舰船目标检测数据集Dataset-detection，训练得到能更好应用于舰船目标检测的网络模型；
其中，所述步骤S1进一步包括：
步骤S11：利用公有数据集ImageNet中海洋环境相关的目标类别，结合已有的海洋环境视频图像数据，建立相关分类数据集Dataset-classification，用于训练特征提取网络；
步骤S12：基于海上真实环境拍摄的视频图像，标注建立了面向舰船目标的检测数据集Dataset-detection，用于训练目标检测网络；
其中，步骤S2进一步包括：
步骤S21：结合多尺度特征融合的概念，构建反向逐级融合特征图的结构；
其中，步骤S21进一步包括：
步骤S211：对原网络最右层特征图进行上采样，将尺寸扩大2倍至左侧邻近特征图相同大小；
步骤S212：用1×1大小的卷积核将左侧邻近特征图调整为与步骤S211中特征图相同通道数；
步骤S213：将得到的两层特征图进行相加并用3×3的卷积去除上采样过程中带来的混叠效应，最后迭代向左计算得到所需的4级融合特征图(f1,f2,f3,f4)；
步骤S22：将S21设计得到的基于多尺度融合的特征提取网络在步骤S11建立的海洋环境相关目标分类数据集Dataset-classification上进行训练，得到特征提取网络模型；
其中，步骤S3进一步包括：
步骤S31：将步骤S21生成的4级融合特征图输入RPN网络生成感兴趣区域候选框；
步骤S32：输入RPN网络生成的对应候选框，结合共享特征图f1，生成位置敏感得分图，用来准备后续分类和位置回归操作。
CN201910061808.3A 2019-01-23 2019-01-23 一种基于多尺度融合策略的舰船目标检测方法 Pending CN109919000A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910061808.3A CN109919000A (zh) 2019-01-23 2019-01-23 一种基于多尺度融合策略的舰船目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910061808.3A CN109919000A (zh) 2019-01-23 2019-01-23 一种基于多尺度融合策略的舰船目标检测方法

Publications (1)

Publication Number Publication Date
CN109919000A true CN109919000A (zh) 2019-06-21

Family

ID=66960589

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910061808.3A Pending CN109919000A (zh) 2019-01-23 2019-01-23 一种基于多尺度融合策略的舰船目标检测方法

Country Status (1)

Country Link
CN (1) CN109919000A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110689061A (zh) * 2019-09-19 2020-01-14 深动科技（北京）有限公司 一种基于对齐特征金字塔网络的图像处理方法、装置及系统
CN111091122A (zh) * 2019-11-22 2020-05-01 国网山西省电力公司大同供电公司 一种多尺度特征卷积神经网络的训练和检测方法、装置
CN111144417A (zh) * 2019-12-27 2020-05-12 创新奇智(重庆)科技有限公司 基于教师学生网络的智能货柜小目标检测方法及检测系统
CN111161279A (zh) * 2019-12-12 2020-05-15 中国科学院深圳先进技术研究院 医学图像分割方法、装置及服务器
CN111191621A (zh) * 2020-01-03 2020-05-22 北京同方软件有限公司 一种大焦距监控场景下多尺度目标的快速精准识别方法
CN111709291A (zh) * 2020-05-18 2020-09-25 杭州电子科技大学 一种基于融合信息的外卖人员身份识别方法
CN112308105A (zh) * 2019-08-02 2021-02-02 北京图森智途科技有限公司 目标检测方法、目标检测器及相关设备
CN112966697A (zh) * 2021-03-17 2021-06-15 西安电子科技大学广州研究院 基于场景语义的目标检测方法、装置、设备及存储介质
CN113610178A (zh) * 2021-08-17 2021-11-05 湖南工学院 一种基于视频监控图像的内河船舶目标检测方法和装置
CN113627295A (zh) * 2021-07-28 2021-11-09 中汽创智科技有限公司 一种图像处理方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108491757A (zh) * 2018-02-05 2018-09-04 西安电子科技大学 基于多尺度特征学习的光学遥感图像目标检测方法
CN108960143A (zh) * 2018-07-04 2018-12-07 北京航空航天大学 一种高分辨率可见光遥感图像中的舰船检测深度学习方法
CN109145872A (zh) * 2018-09-20 2019-01-04 北京遥感设备研究所 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108491757A (zh) * 2018-02-05 2018-09-04 西安电子科技大学 基于多尺度特征学习的光学遥感图像目标检测方法
CN108960143A (zh) * 2018-07-04 2018-12-07 北京航空航天大学 一种高分辨率可见光遥感图像中的舰船检测深度学习方法
CN109145872A (zh) * 2018-09-20 2019-01-04 北京遥感设备研究所 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHONG DONG ET AL: "A multi0scale feature fusion target detection algorithm", 《2018 INTERNATIONAL CONFERENCE ON IMAGE AND VIDEO PROCESSING, AND ARTIFICIAL INTELLIGENCE》 *
JIFENG DAI ET AL: "R-FCN:Object Detection via Region-based Fully Convolutional Networks", 《30TH CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS》 *
潘浩: "基于深度学习的军事目标识别", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112308105A (zh) * 2019-08-02 2021-02-02 北京图森智途科技有限公司 目标检测方法、目标检测器及相关设备
CN112308105B (zh) * 2019-08-02 2024-04-12 北京图森智途科技有限公司 目标检测方法、目标检测器及相关设备
CN110689061A (zh) * 2019-09-19 2020-01-14 深动科技（北京）有限公司 一种基于对齐特征金字塔网络的图像处理方法、装置及系统
CN110689061B (zh) * 2019-09-19 2023-04-28 小米汽车科技有限公司 一种基于对齐特征金字塔网络的图像处理方法、装置及系统
CN111091122A (zh) * 2019-11-22 2020-05-01 国网山西省电力公司大同供电公司 一种多尺度特征卷积神经网络的训练和检测方法、装置
CN111091122B (zh) * 2019-11-22 2024-01-05 国网山西省电力公司大同供电公司 一种多尺度特征卷积神经网络的训练和检测方法、装置
CN111161279A (zh) * 2019-12-12 2020-05-15 中国科学院深圳先进技术研究院 医学图像分割方法、装置及服务器
CN111161279B (zh) * 2019-12-12 2023-05-26 中国科学院深圳先进技术研究院 医学图像分割方法、装置及服务器
CN111144417A (zh) * 2019-12-27 2020-05-12 创新奇智(重庆)科技有限公司 基于教师学生网络的智能货柜小目标检测方法及检测系统
CN111191621A (zh) * 2020-01-03 2020-05-22 北京同方软件有限公司 一种大焦距监控场景下多尺度目标的快速精准识别方法
CN111709291A (zh) * 2020-05-18 2020-09-25 杭州电子科技大学 一种基于融合信息的外卖人员身份识别方法
CN111709291B (zh) * 2020-05-18 2023-05-26 杭州电子科技大学 一种基于融合信息的外卖人员身份识别方法
CN112966697A (zh) * 2021-03-17 2021-06-15 西安电子科技大学广州研究院 基于场景语义的目标检测方法、装置、设备及存储介质
CN113627295A (zh) * 2021-07-28 2021-11-09 中汽创智科技有限公司 一种图像处理方法、装置、设备及存储介质
CN113610178A (zh) * 2021-08-17 2021-11-05 湖南工学院 一种基于视频监控图像的内河船舶目标检测方法和装置

Similar Documents

Publication Publication Date Title
CN109919000A (zh) 一种基于多尺度融合策略的舰船目标检测方法
CN109711295B (zh) 一种光学遥感图像近岸舰船检测方法
Li et al. Cross-layer attention network for small object detection in remote sensing imagery
CN108427912A (zh) 基于稠密目标特征学习的光学遥感图像目标检测方法
CN110378242A (zh) 一种双重注意力机制的遥感目标检测方法
CN105022990A (zh) 一种基于无人艇应用的水面目标快速检测方法
CN103020975A (zh) 一种结合多源遥感图像特征的码头和船舶分割方法
CN109800716A (zh) 一种基于特征金字塔的海面遥感图像船舶检测方法
CN113870281A (zh) 一种基于金字塔机制的遥感影像海洋与非海区域分割方法
CN113569667A (zh) 基于轻量级神经网络模型的内河船舶目标识别方法及系统
CN110443201A (zh) 基于多源影像联合形状分析与多属性融合的目标识别方法
Zhou et al. An image-based benchmark dataset and a novel object detector for water surface object detection
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
CN108647695A (zh) 基于协方差卷积神经网络的低对比度图像显著性检测方法
CN110008900A (zh) 一种由区域到目标的可见光遥感图像候选目标提取方法
Li et al. Ship detection of optical remote sensing image in multiple scenes
Liu et al. Multi-component fusion network for small object detection in remote sensing images
Guo et al. Thfe: a triple-hierarchy feature enhancement method for tiny boat detection
Shen et al. Fast and accurate multi-class geospatial object detection with large-size remote sensing imagery using CNN and Truncated NMS
Bai et al. A detection method of the rescue targets in the marine casualty based on improved YOLOv5s
Yi et al. Research on Underwater small target Detection Algorithm based on improved YOLOv7
CN116109942A (zh) 一种可见光遥感图像舰船目标检测方法
Xue et al. Rethinking automatic ship wake detection: state-of-the-art CNN-based wake detection via optical images
Li et al. Real-time underwater target detection for AUV using side scan sonar images based on deep learning
Chen et al. Shape similarity intersection-over-union loss hybrid model for detection of synthetic aperture radar small ship objects in complex scenes

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: 20190621