CN110046598A - 即插即用的多尺度空间和通道注意遥感影像目标检测方法 - Google Patents
即插即用的多尺度空间和通道注意遥感影像目标检测方法 Download PDFInfo
- Publication number
- CN110046598A CN110046598A CN201910328725.6A CN201910328725A CN110046598A CN 110046598 A CN110046598 A CN 110046598A CN 201910328725 A CN201910328725 A CN 201910328725A CN 110046598 A CN110046598 A CN 110046598A
- Authority
- CN
- China
- Prior art keywords
- channel
- attention
- feature map
- remote sensing
- plug
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 20
- 230000009466 transformation Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000013136 deep learning model Methods 0.000 claims 1
- 238000011176 pooling Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 3
- 102100034221 Growth-regulated alpha protein Human genes 0.000 description 2
- 101001069921 Homo sapiens Growth-regulated alpha protein Proteins 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000007943 implant Substances 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- 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)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了即插即用的多尺度空间和通道注意遥感影像目标检测方法，包括：获取原始特征图，原始特征图为由深度卷积神经网络提取图像的特征图；对原始特征图进行全局平均池化操作，得到特征图向量；由两个全连接层对特征图向量进行两次线性变换，得到通道注意图；通过不同感受野的卷积产生至少三种不同尺度的空间注意图；将三种尺度的空间注意图相乘得到多尺度空间注意图；将多尺度空间注意图和通道注意图相乘，得到多尺度空间和通道注意(MSCA)；将多尺度空间和通道注意(MSCA)施加到原始特征图上生成新的特征图。在现有的目标检测模型中加入MSCA，显著提升小目标以及复杂背景的遥感影像目标检测的效果。
Description
技术领域
本发明涉及遥感影像目标检测领域，特别涉及即插即用的多尺度空间和通道注意遥感影像目标检测方法。
背景技术
自2012年Hinton提出AlexNet(Krizhevsky et al.,2012)以来，深度卷积神经网络以其强大的特征学习能力成为了图像视觉识别任务的主流方法。当前最先进的目标检测算法都是基于深度学习的。它们主要分为两大类：其一是以Faster R-CNN为代表的“twostage”算法，该类算法将检测问题分为两个阶段：候选区域提取阶段和候选区域分类和回归预测阶段。其二是以YOLO和SSD为代表“one stage”算法。该类算法把检测任务作为一个端到端的过程，一次性预测所有区域所含目标的bounding box、目标置信度以及类别概率。
相比于自然影像，遥感影像存在尺度多样性、目标方向多样性、小目标以及背景复杂度高的问题，所以尽管上述方法在自然影像中取得了很好的效果，但直接应用于遥感影像目标检测可能不会得到理想的结果。
发明内容
发明目的：
本发明主要是针对当前遥感影像目标检测算法的缺陷，即背景干扰和小目标漏检的问题，提出即插即用的多尺度空间和通道注意遥感影像目标检测方法，通过在现有的目标检测模型中加入一种多尺度空间和通道注意(Multi-scale Spatial and Channel-wiseAttention，MSCA)机制，可以显著提升小目标以及复杂背景的遥感影像目标检测的效果。
技术方案：
一种即插即用的多尺度空间和通道注意遥感影像目标检测方法，所述方法包括：
获取原始特征图，其中，所述原始特征图为由深度卷积神经网络提取图像的特征图；
对所述原始特征图进行全局平均池化操作，得到特征图向量；
由全连接层对特征图向量进行两次线性变换，得到通道注意图；
对原始特征图通过不同感受野的卷积产生至少三种不同尺度的空间注意图；
将三种尺度的空间注意图相乘得到多尺度空间注意图；
将通道注意图在空间上进行扩张，将多尺度空间注意图在通道上进行扩张；
将扩张后的所述多尺度空间注意图和所述通道注意图相乘，得到多尺度空间和通道注意；
将多尺度空间和通道注意施加到原始特征图上生成新的特征图。
作为本发明的一种优选方式，所述新的特征图与原始特征图尺寸一致。
作为本发明的一种优选方式，所述多尺度空间和通道注意机制用于植入任一基于深度学习的目标检测模型。
作为本发明的一种优选方式，所述多尺度空间和通道注意施加到原始特征图上输出的新的特征图用于作为后续深度神经网络卷积层的输入。
作为本发明的一种优选方式，所述全局平均池化包括：所述原始特征图的尺寸为H×W×C，则通道的特征图尺寸为H×W，对通道的特征图求H×W个元素的平均值，得到尺寸为1×1×C的特征图向量。
作为本发明的一种优选方式，所述线性变换包括：将特征图向量和一个尺寸为1×1×W的变换矩阵相乘。
作为本发明的一种优选方式，还包括：通过空洞卷积的方式改变卷积的感受野。
本发明实现以下有益效果：
本发明从人类视觉出发，提出一种多尺度空间和通道注意(Multi-scale Spatialand Channel-wise Attention，MSCA)机制，从空间和通道两个方面来对目标区域进行注意。一方面，对特征图的每个空间区域赋予不同注意力，对与前景有关的区域给予更大的关注；另一方面，对每个特征通道也赋予不同的注意力，对前景区域有更大响应的特征通道给予更大的关注，从而提升目标检测模型的抗干扰能力和小目标检测性能。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并于说明书一起用于解释本公开的原理。
图1为本发明提供的即插即用的多尺度空间和通道注意遥感影像目标检测方法的系统流程图。
图2为本发明提供的即插即用的多尺度空间和通道注意遥感影像目标检测方法的MGSA的结构。
图3为本发明提供的即插即用的多尺度空间和通道注意遥感影像目标检测方法在Faster R-CNN中加入MSCA的示意图。
图4为本发明提供的即插即用的多尺度空间和通道注意遥感影像目标检测方法的Faster R-CNN与加入MSCA的Faster R-CNN的检测结果对比图。
图5为本发明提供的即插即用的多尺度空间和通道注意遥感影像目标检测方法的SSD与加入MSCA的SSD的检测结果对比。
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。
如图1所示。本实施例提供一种即插即用的多尺度空间和通道注意遥感影像目标检测方法，所述方法包括：
S1：获取原始特征图，其中，所述原始特征图为由深度卷积神经网络提取图像的特征图。
S101：对所述原始特征图进行全局平均池化操作，得到特征图向量。
S102：由全连接层对特征图向量进行两次线性变换，得到通道注意图。
S201：对原始特征图通过不同感受野的卷积产生至少三种不同尺度的空间注意图。
S202：将三种尺度的空间注意图相乘得到多尺度空间注意图。
S301：将通道注意图在空间上进行扩张，将多尺度空间注意图在通道上进行扩张。
S302：将扩张后的所述多尺度空间注意图和所述通道注意图相乘，得到多尺度空间和通道注意。
S303：将多尺度空间和通道注意施加到原始特征图上生成新的特征图。
作为本发明的一种优选，所述新的特征图与原始特征图尺寸一致。
作为本发明的一种优选，所述多尺度空间和通道注意机制用于植入任一基于深度学习的目标检测模型。
作为本发明的一种优选，所述多尺度空间和通道注意施加到原始特征图上输出的新的特征图用于作为后续深度神经网络卷积层的输入。
作为本发明的一种优选，所述全局平均池化包括：所述原始特征图的尺寸为H×W×C，则每个通道的特征图尺寸为H×W，对通道的特征图求H×W个元素的平均值，得到尺寸为1×1×C的特征图向量。
假设原始特征图的尺寸为H×W×C(H、W、C分别为特征图的长宽和通道数)，那么每个通道的特征图尺寸为H×W(即一个H×W的矩阵),对每个通道的特征图都求这H×W个元素的平均值，最后得到尺寸为1×1×C的特征图向量(矩阵)。
作为本发明的一种优选，所述线性变换包括：将特征图向量和一个尺寸为1×1×W的变换矩阵相乘。
上述得到一个1×1×C的特征图向量(矩阵)，我们将其和一个尺寸为1×1×W的变换矩阵相乘，这个变换矩阵是要学习的参数。
作为本发明的一种优选，所述方法还包括：通过空洞卷积的方式改变卷积的感受野，其中所述卷积为一般卷积。
不同感受野的卷积其实就是不同尺寸的卷积，它就是一般卷积的过程。在实际操作中，若预设使用三种感受野的卷积，则三种卷积在原始特征图进行卷积操作得到三种不同尺度的空间注意图。
通过空洞卷积的方式改变卷积感受野，可在扩张卷积核的尺寸但不增加参数。
其中，对于遥感影像中不同尺度大小的目标对象，多尺度空间和通道注意(MSCA)能够生成一种融合多尺度信息的注意力分布图，并将其施加到深度网络的特征图上。它是一种十分灵活的模块，很容易植入任何基于深度学习的目标检测模型中。我们将其加入到Faster R-CNN中，Faster R-CNN主要包括两个部分，分别是CNN特征提取和RPN网络。其中，CNN采用的是由五个卷积块组成的VGG16网络。
多尺度空间和通道注意(MSCA)为类似cnn的形式，即以某层特征图为输入，然后输出特征图作为后续网络的输入。
经过多尺度空间和通道注意(MSCA)的特征图其目标区域特征会得到强化。MSCA接收一个输入尺寸为H×W×C(H、W、C分别为特征图的长宽和通道数)的特征图，输出一个尺寸为H×W×C的特征图。多尺度空间和通道注意(MSCA)不改变特征图的尺寸，所以可插入到当前的任何基于深度学习的检测模型中。
如图3所示，以VGG16为例，VGG16由五个cnn block组成。第二个cnn block输出一个尺寸为H×W×C的特征图，则第三个cnn block的cnn设置为接收输入尺寸为H×W×C的特征图。通过在第二个与第三个cnn block插入MSCA，MSCA对第二个cnn block输出的H×W×C的特征图进行多尺度空间和通道注意的加权，并向第三个cnn block输出加权后的尺寸为H×W×C的特征图。同样的，在第三个cnn block后加入MSCA。
如图2所示为MGSA的结构，包含空间注意力和通道注意力两个部分，影像检测的流程一般是先利用深度卷积神经网络(例如VGG16)来提取图像的特征图，然后利用分类器对特征(最后一层特征图)进行分类。这空间注意力和通道注意力是在提取特征图的过程中起作用的，通过MSCA对特征图的目标区域进行强化，得到更有利于后续分类的特征图，从而提升检测效果。
针对通道注意，对于一张尺寸为H×W×C的特征图，对其进行全局平均池化，也就是对每张通道的特征图求平均值，得到一个尺寸为1×1×C的特征图向量，然后由FC层对其进行两次线性变换得到通道注意图。
针对空间注意，利用不同感受野的卷积产生不同尺度的空间注意图，然后将三种尺度的空间注意图注意相乘得到多尺度空间注意图。
然后，将通道注意图在空间上进行扩张，将多尺度空间注意图在通道上进行扩张。
将扩张后的多尺度空间注意图和通道注意图通过元素相乘进行结合，得到MSCA，最后将MSCA施加到原始特征图上,实现对原始特征图空间和通道的注意。
将MSCA施加到原始特征图的过程是先将MSCA与原始特征图相乘再加上原始特征图，施加的过程可以用如下公式表示：
新的特征图＝原始特征图+原始特征图×MSCA
其中，空间注意图与通道注意图的产生是同时进行的。
另外对通道注意图和多尺度空间注意图的扩张包括：通道注意图的尺寸是1×1×C，多尺度空间注意图的尺寸是H×W×1。将通道注意图在空间上进行扩张，使其尺寸变为H×W×C，扩张的部分直接复制那一个位置上的值，即，H×W的位置上均为同一值。将多尺度空间注意图在通道上进行扩张，即将单张注意力图复制C次，尺寸由H×W×1变为H×W×C。最后将扩张后的尺寸为H×W×C的通道注意图与尺寸为H×W×C的多尺度空间注意图进行相乘，得到尺寸和原始特征图相同的MSCA。
通过实验对MSCA的有效性进行验证：
如表1所示，在公开的数据集NWPUVHR-10Data set上进行了实验，结果表明通过施加MSCA的多尺度空间和通道注意，显著地提升了基准模型的检测效果，十类地物平均精度有3％到5％的提高。
Table Ⅰ
PERFORMANCE COMPARISONS ON NWPUVHE-10
表1
如图4和图5所示，我们分别可视化了实验中的这两组模型。
图4的a、c为Faster R-CNN的检测结果，b、d为在Faster R-CNN中加入MSCA的检测结果。
从图4中的a和b可以看出，虽然Faster R-CNN可以检测出棒球场和网球场，但是它也错误的将游泳池(a中的A1)识别为篮球场。在Faster R-CNN中加入MSCA后，可以克服背景信息的干扰，实现准确的检测。
同样，在图4的c和d中，Faster R-CNN可以正确地检测到所有的车辆。但是它也将一块与车辆特征相似的地物(c中的A2)识别为车辆，通过将MSCA嵌入到Faster R-CNN中可以排除此项干扰。
因此，说明通过引入MSCA，模型的抗干扰能力得到了显著提高，错误检测的情况得到了降低。
图5的e、g为SSD的检测结果，f、h为在SSD中加入MSCA的检测结果。
从g中可以看出，SSD只能检测大尺寸的飞机，但是小尺寸的飞机(g中的A3)则被忽略。如h所示，对于加入MSCA的SSD来说，则可以成功地捕获和检测小型飞机。综上所述，引入MSCA后，模型的抗干扰能力得到了显著提高，小目标检测性能也得到了显著提高。
上述实施例只为说明本发明的技术构思及特点，其目的是让熟悉该技术领域的技术人员能够了解本发明的内容并据以实施，并不能以此来限制本发明的保护范围。凡根据本发明精神实质所作出的等同变换或修饰，都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种即插即用的多尺度空间和通道注意遥感影像目标检测方法，其特征在于，所述方法包括：
获取原始特征图，其中，所述原始特征图为由深度卷积神经网络提取图像的特征图；
对所述原始特征图进行全局平均池化操作，得到特征图向量；
由全连接层对特征图向量进行两次线性变换，得到通道注意图；
对原始特征图通过不同感受野的卷积产生至少三种不同尺度的空间注意图；
将三种尺度的空间注意图相乘得到多尺度空间注意图；
将通道注意图在空间上进行扩张，将多尺度空间注意图在通道上进行扩张；
将扩张后的所述多尺度空间注意图和所述通道注意图相乘，得到多尺度空间和通道注意；
将多尺度空间和通道注意施加到原始特征图上生成新的特征图。
2.根据权利要求1所述的一种即插即用的多尺度空间和通道注意遥感影像目标检测方法，其特征在于，所述新的特征图与原始特征图尺寸一致。
3.根据权利要求1所述的一种即插即用的多尺度空间和通道注意遥感影像目标检测方法，其特征在于，所述多尺度空间和通道注意机制用于植入任一基于深度学习的目标检测模型。
4.根据权利要求1所述的一种即插即用的多尺度空间和通道注意遥感影像目标检测方法，其特征在于，所述多尺度空间和通道注意施加到原始特征图上输出的新的特征图用于作为后续深度神经网络卷积层的输入。
5.根据权利要求1所述的一种即插即用的多尺度空间和通道注意遥感影像目标检测方法，其特征在于，所述全局平均池化包括：所述原始特征图的尺寸为H×W×C，则通道的特征图尺寸为H×W，对通道的特征图求H×W个元素的平均值，得到尺寸为1×1×C的特征图向量。
6.根据权利要求1所述的一种即插即用的多尺度空间和通道注意遥感影像目标检测方法，其特征在于，所述线性变换包括：将特征图向量和一个尺寸为1×1×W的变换矩阵相乘。
7.根据权利要求1所述的一种即插即用的多尺度空间和通道注意遥感影像目标检测方法，其特征在于，还包括：通过空洞卷积的方式改变卷积的感受野。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910328725.6A CN110046598B (zh) | 2019-04-23 | 2019-04-23 | 即插即用的多尺度空间和通道注意遥感影像目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910328725.6A CN110046598B (zh) | 2019-04-23 | 2019-04-23 | 即插即用的多尺度空间和通道注意遥感影像目标检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110046598A true CN110046598A (zh) | 2019-07-23 |
| CN110046598B CN110046598B (zh) | 2023-01-06 |
Family
ID=67278655
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910328725.6A Active CN110046598B (zh) | 2019-04-23 | 2019-04-23 | 即插即用的多尺度空间和通道注意遥感影像目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110046598B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110807752A (zh) * | 2019-09-23 | 2020-02-18 | 江苏艾佳家居用品有限公司 | 一种基于卷积神经网络的图像注意力机制处理方法 |
| CN110992267A (zh) * | 2019-12-05 | 2020-04-10 | 北京科技大学 | 一种基于DPSR与Lightweight CNN的磨粒识别方法 |
| CN111222466A (zh) * | 2020-01-08 | 2020-06-02 | 武汉大学 | 一种基于三维空间-通道注意力机制的遥感影像滑坡自动探测方法 |
| CN111369543A (zh) * | 2020-03-07 | 2020-07-03 | 北京工业大学 | 一种基于双重自注意力模块的快速花粉颗粒检测算法 |
| CN111415342A (zh) * | 2020-03-18 | 2020-07-14 | 北京工业大学 | 一种融合注意力机制的三维卷积神经网络肺部结节图像自动检测方法 |
| CN111507271A (zh) * | 2020-04-20 | 2020-08-07 | 北京理工大学 | 一种机载光电视频目标智能化检测与识别方法 |
| CN113033520A (zh) * | 2021-05-25 | 2021-06-25 | 华中农业大学 | 一种基于深度学习的树木线虫病害木识别方法及系统 |
| CN114708511A (zh) * | 2022-06-01 | 2022-07-05 | 成都信息工程大学 | 基于多尺度特征融合和特征增强的遥感图像目标检测方法 |
| CN117671509A (zh) * | 2024-02-02 | 2024-03-08 | 武汉卓目科技有限公司 | 遥感目标检测方法、装置、电子设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108364023A (zh) * | 2018-02-11 | 2018-08-03 | 北京达佳互联信息技术有限公司 | 基于注意力模型的图像识别方法和系统 |
| CN109376804A (zh) * | 2018-12-19 | 2019-02-22 | 中国地质大学（武汉） | 基于注意力机制和卷积神经网络高光谱遥感图像分类方法 |
| US20190087713A1 (en) * | 2017-09-21 | 2019-03-21 | Qualcomm Incorporated | Compression of sparse deep convolutional network weights |
-
2019
- 2019-04-23 CN CN201910328725.6A patent/CN110046598B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190087713A1 (en) * | 2017-09-21 | 2019-03-21 | Qualcomm Incorporated | Compression of sparse deep convolutional network weights |
| CN108364023A (zh) * | 2018-02-11 | 2018-08-03 | 北京达佳互联信息技术有限公司 | 基于注意力模型的图像识别方法和系统 |
| CN109376804A (zh) * | 2018-12-19 | 2019-02-22 | 中国地质大学（武汉） | 基于注意力机制和卷积神经网络高光谱遥感图像分类方法 |
Non-Patent Citations (3)
| Title |
|---|
| LONG CHEN，ET AL: "《SCA-CNN：Spatial and Channel-Wise Attention in Convolutional Networks for Image Captioning》", 《2017 CVPR》 * |
| YUZHU JI，ET AL: "《Salient object detection via multi-scale attention CNN》", 《NEUROCOMPUTING》 * |
| 王培森: "《基于注意力机制的图像分类深度学习方法研究》", 《信息科技》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110807752B (zh) * | 2019-09-23 | 2022-07-08 | 江苏艾佳家居用品有限公司 | 一种基于卷积神经网络的图像注意力机制处理方法 |
| CN110807752A (zh) * | 2019-09-23 | 2020-02-18 | 江苏艾佳家居用品有限公司 | 一种基于卷积神经网络的图像注意力机制处理方法 |
| CN110992267A (zh) * | 2019-12-05 | 2020-04-10 | 北京科技大学 | 一种基于DPSR与Lightweight CNN的磨粒识别方法 |
| CN111222466A (zh) * | 2020-01-08 | 2020-06-02 | 武汉大学 | 一种基于三维空间-通道注意力机制的遥感影像滑坡自动探测方法 |
| CN111369543A (zh) * | 2020-03-07 | 2020-07-03 | 北京工业大学 | 一种基于双重自注意力模块的快速花粉颗粒检测算法 |
| CN111369543B (zh) * | 2020-03-07 | 2024-06-04 | 北京工业大学 | 一种基于双重自注意力模块的快速花粉颗粒检测算法 |
| CN111415342B (zh) * | 2020-03-18 | 2023-12-26 | 北京工业大学 | 一种融合注意力机制的三维卷积神经网络肺部结节图像自动检测方法 |
| CN111415342A (zh) * | 2020-03-18 | 2020-07-14 | 北京工业大学 | 一种融合注意力机制的三维卷积神经网络肺部结节图像自动检测方法 |
| CN111507271B (zh) * | 2020-04-20 | 2021-01-12 | 北京理工大学 | 一种机载光电视频目标智能化检测与识别方法 |
| CN111507271A (zh) * | 2020-04-20 | 2020-08-07 | 北京理工大学 | 一种机载光电视频目标智能化检测与识别方法 |
| CN113033520A (zh) * | 2021-05-25 | 2021-06-25 | 华中农业大学 | 一种基于深度学习的树木线虫病害木识别方法及系统 |
| CN113033520B (zh) * | 2021-05-25 | 2021-08-13 | 华中农业大学 | 一种基于深度学习的树木线虫病害木识别方法及系统 |
| CN114708511A (zh) * | 2022-06-01 | 2022-07-05 | 成都信息工程大学 | 基于多尺度特征融合和特征增强的遥感图像目标检测方法 |
| CN114708511B (zh) * | 2022-06-01 | 2022-08-16 | 成都信息工程大学 | 基于多尺度特征融合和特征增强的遥感图像目标检测方法 |
| CN117671509A (zh) * | 2024-02-02 | 2024-03-08 | 武汉卓目科技有限公司 | 遥感目标检测方法、装置、电子设备及存储介质 |
| CN117671509B (zh) * | 2024-02-02 | 2024-05-24 | 武汉卓目科技有限公司 | 遥感目标检测方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110046598B (zh) | 2023-01-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110046598B (zh) | 即插即用的多尺度空间和通道注意遥感影像目标检测方法 | |
| CN109859190B (zh) | 一种基于深度学习的目标区域检测方法 | |
| CN109584248B (zh) | 基于特征融合和稠密连接网络的红外面目标实例分割方法 | |
| CN110378381B (zh) | 物体检测方法、装置和计算机存储介质 | |
| Ding et al. | Context contrasted feature and gated multi-scale aggregation for scene segmentation | |
| CN111191583B (zh) | 基于卷积神经网络的空间目标识别系统及方法 | |
| CN109886066B (zh) | 基于多尺度和多层特征融合的快速目标检测方法 | |
| WO2020119527A1 (zh) | 人体动作识别方法、装置、终端设备及存储介质 | |
| CN113298818A (zh) | 基于注意力机制与多尺度特征的遥感图像建筑物分割方法 | |
| CN110659664B (zh) | 一种基于ssd的高精度识别小物体的方法 | |
| CN110533683B (zh) | 一种融合传统特征与深度特征的影像组学分析方法 | |
| CN107066916B (zh) | 基于反卷积神经网络的场景语义分割方法 | |
| CN110852316A (zh) | 一种采用密集结构卷积网络的图像篡改检测和定位方法 | |
| CN112926652B (zh) | 一种基于深度学习的鱼类细粒度图像识别方法 | |
| CN113971764B (zh) | 一种基于改进YOLOv3的遥感图像小目标检测方法 | |
| CN111783779B (zh) | 图像处理方法、装置和计算机可读存储介质 | |
| CN110032925A (zh) | 一种基于改进胶囊网络与算法的手势图像分割与识别方法 | |
| CN111209858B (zh) | 一种基于深度卷积神经网络的实时车牌检测方法 | |
| CN116645592B (zh) | 一种基于图像处理的裂缝检测方法和存储介质 | |
| CN111768415A (zh) | 一种无量化池化的图像实例分割方法 | |
| CN116310386A (zh) | 基于浅层自适应增强上下文的CenterNet小目标检测方法 | |
| CN115471831A (zh) | 一种基于文本增强学习的图像显著性检测方法 | |
| CN107564007A (zh) | 融合全局信息的场景分割修正方法与系统 | |
| CN103065302A (zh) | 一种基于离群数据挖掘的图像显著性检测方法 | |
| Shi et al. | Combined channel and spatial attention for YOLOv5 during target detection |
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 |