CN110082821B - 一种无标签框微地震信号检测方法及装置 - Google Patents

一种无标签框微地震信号检测方法及装置 Download PDF

Info

Publication number
CN110082821B
CN110082821B CN201910233675.3A CN201910233675A CN110082821B CN 110082821 B CN110082821 B CN 110082821B CN 201910233675 A CN201910233675 A CN 201910233675A CN 110082821 B CN110082821 B CN 110082821B
Authority
CN
China
Prior art keywords
frame
candidate
label
candidate frames
micro
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.)
Expired - Fee Related
Application number
CN201910233675.3A
Other languages
English (en)
Other versions
CN110082821A (zh
Inventor
盛冠群
杨超
唐新功
谢凯
汤婧
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.)
Yangtze University
Original Assignee
Yangtze 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 Yangtze University filed Critical Yangtze University
Priority to CN201910233675.3A priority Critical patent/CN110082821B/zh
Publication of CN110082821A publication Critical patent/CN110082821A/zh
Application granted granted Critical
Publication of CN110082821B publication Critical patent/CN110082821B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/288—Event detection in seismic signals, e.g. microseismics
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/10—Aspects of acoustic signal generation or detection
    • G01V2210/14—Signal detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Emergency Management (AREA)
  • Business, Economics & Management (AREA)
  • Acoustics & Sound (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种无标签框微地震信号检测方法及装置，所述方法包括：从微地震信号数据中筛选出两个含有有效信号的数据集a、b，并做预处理；通过卷积神经网络进行图像特征提取；通过Faster‑RCNN中的RPN层分别在所述数据特征图上生成候选框；通过对抗生成网络的判别器分辨候选框的相似性，鉴别出相似度超过预设阈值的候选框；通过ROI Align调整候选框，生成尺寸大小一致的特征图；通过Faster‑RCNN的全连接层后，对所述尺寸一致的特征图进行分类，使用交叉熵损失函数对预测误差分析，不断拟合训练得到无标签框微地震信号检测模型；输入待检测信号图像，通过所述无标签框微地震信号检测模型检测有效信号。本发明可通过无标签框数据集实现微地震信号检测，提高检测精度。

Description

一种无标签框微地震信号检测方法及装置
技术领域
本发明属于微地震信号检测技术领域，具体涉及一种无标签框微地震信号检测方法及装置。
背景技术
微地震有效信号检测技术是微地震数据处理的重要技术之一，在农业与生产方面有着至关重要的作用。传统的微地震信号检测技术不仅无法满足弱信噪比下的有效信号提取精度的要求，而且往往需要大量的时间，这显然无法满足当今大数据时代的需要。
深度网络其参数多、容量众的特点使其对于海量数据拥有强大的处理能力，目标检测作为深度学习的应用，在图像处理，语义分割方面有着突出的贡献。Faster-RCNN作为目标检测的经典网络模型，有着检测速度快，目标精确度高的优点。但是，传统的目标检测始终需要在数据集上，人为的制作标签框。这显然耗时费力，不符合大数据时代的需求。
发明内容
为了解决在目标检测中制作标签框复杂的问题，本发明提出一种无标签框微地震信号检测方法及装置。
本发明第一方面，提出一种无标签框微地震信号检测方法，所述方法包括：
S1、从微地震信号数据中筛选出两个含有有效信号的数据集a、b，并对数据集a、b中的图像做预处理；
S2、通过卷积神经网络分别对所述预处理后的数据集a、b进行图像特征提取，得到数据集a、b的数据特征图；
S3、通过Faster-RCNN中的区域建议网络层RPN层分别在所述数据特征图上生成a、b两类候选框；
S4、通过对抗生成网络的判别器分辨a、b两类候选框的相似性，鉴别出相似度超过预设阈值的候选框；
S5、通过ROI Align调整步骤S4鉴别出的候选框，生成尺寸大小一致的特征图；
S6、通过Faster-RCNN的全连接层后，对所述尺寸一致的特征图进行分类，使用交叉熵损失函数对预测误差分析，不断拟合训练得到无标签框微地震信号检测模型；
S7、输入待检测信号图像，通过所述无标签框微地震信号检测模型检测有效信号。
可选的，所述步骤S7中，所述输入待检测信号图像之后、通过所述无标签框微地震信号检测模型检测有效信号之前，还包括：对待检测信号图像做预处理，通过VGG16网络提取图像特征。
可选的，所述步骤S3中，所述RPN层在所述特征图上定义纵横比，每一个像素点都在特征图上映射出大小比例不同的九个候选框，这些候选框中包含待检测的有效信号。
可选的，所述步骤S4的具体过程为：
设a、b两类候选框分别属于X集合与Y集合，采用对抗生成网络的判别器，对X，Y集合做极大似然估计，鉴别出相似度超过预设阈值的候选框，判别器损失公式如下：
Figure BDA0002007485220000021
其中x，y为X、Y中像素点，ps(x)代表两类候选框相似的概率，pn(y)代表两类候选框不相似的概率，P为判别器判别为真的概率，i＝1,2,…,N，N为待分辨的建议框个数。
可选的，所述步骤S6中，所述交叉熵损失函数为：
Figure BDA0002007485220000031
其中yi为目标期待输出，yj为softmax分类器实际输出，n为分类个数，i＝1,2,···，n，j＝1,2,···，n。
本发明第二方面提出一种无标签框微地震信号检测装置，所述装置包括：
预处理模块：从微地震信号数据中筛选出两个含有有效信号的数据集a、b，并对数据集a、b中的图像做预处理；
特征提取模块：通过卷积神经网络分别对所述预处理后的数据集a、b进行图像特征提取，得到数据集a、b的数据特征图；
模型训练模块：通过Faster-RCNN中的区域建议网络层RPN层分别在所述数据特征图上生成a、b两类候选框；通过对抗生成网络的判别器分辨a、b两类候选框的相似性，鉴别出相似度超过预设阈值的候选框；通过ROI Align调整所述鉴别出的候选框，生成尺寸大小一致的特征图；通过Faster-RCNN的全连接层后，对所述尺寸一致的特征图进行分类，使用交叉熵损失函数对预测误差分析，不断拟合训练得到无标签框微地震信号检测模型；
信号检测模块：输入待检测信号图像，通过所述无标签框微地震信号检测模型检测有效信号。
可选的，所述模型训练模块中，所述判别器损失公式如下：
Figure BDA0002007485220000032
其中x，y为X、Y中像素点，ps(x)代表两类候选框相似的概率，pn(y)代表两类候选框不相似的概率，P为判别器判别为真的概率，i＝1,2,…,N，N为待分辨的建议框个数。
本发明通过Faster-RCNN的anchor理论生成建议框，并与生成对抗神经网络的判别器相结合。采用anchor理论生成大量建议框，利用判别器对来自不同原始图像上的建议框比较相似性的方法，最终检测有效信号。本方法主要有以下两方面效益：
1.在无人工制作标签框的数据集中完成目标检测；
2.通过判别器与Faster-RCNN网络生成建议框进行博弈，逐步学习图像的特征，最终找出高相似度的建议框，从而提升检测精度。
附图说明
为了更清楚地说明本发明的技术方案，下面将对本发明技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的方法流程示意图；
图2为本发明实施例提供的ROI Align的流程示意图；
图3为本发明实施例提供的待检测信号图像；
图4为本发明实施例提供的有效信号检测结果图；
图5为本发明实施例提供的装置结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，本发明一种无标签框微地震信号检测方法，所述方法包括：
S1、从微地震信号数据中筛选出两个含有有效信号的数据集a、b，并对数据集a、b中的图像做预处理；
具体的，先将大量微地震信号数据划分成两类，即有效信号和噪音信号，从所述有效信号中再筛选出两个含有有效信号的数据集a、b，数据集a、b中的图像没有重合且均包含有效信号。图像预处理可包括灰度化、中值滤波、均衡化、归一化等处理。
S2、通过卷积神经网络分别对所述预处理后的数据集a、b进行图像特征提取，得到数据集a、b的数据特征图；
具体的，可参考传统VGG16网络，对预处理后的图像进行多次卷积池化操作后，得到特征图。VGG16网络可包括多个卷积层、池化层、全连接层，所述卷积层用于将输入的数据进行特征提取，池化层用于将输入的特征图进行压缩，使特征图变小，简化网络计算复杂度，同时进行特征压缩，提取主要特征，全连接层用于连接所有的特征并输出。
S3、通过Faster-RCNN中的区域建议网络层RPN层分别在所述数据特征图上生成a、b两类候选框；
具体的，对于该图像的每一个位置，在所述特征图上定义不同纵横比，每一个像素点都在特征图上映射出大小比例不同的九个候选框，例如考虑9个可能的候选窗口：三种面积{1282,2562,5122}×三种比例{1:1,1:2,2:1}，这些候选窗口称为anchors。
借助于anchor理论，通过Faster-RCNN的RPN层在数据集a、b的每个特征图上生成多个候选框，这些候选框中包含待检测的有效信号。
S4、通过对抗生成网络的判别器分辨a、b两类候选框的相似性，鉴别出相似度超过预设阈值的候选框；
设a、b两类候选框分别属于X集合与Y集合，采用对抗生成网络的判别器，对X，Y集合做极大似然估计，鉴别出相似度超过预设阈值的候选框，判别器损失公式如下：
Figure BDA0002007485220000051
其中x，y为X、Y中像素点，ps(x)代表两类候选框相似的概率，pn(y)代表两类候选框不相似的概率，P为判别器判别为真的概率，i＝1,2,…,N，N为待分辨的建议框个数。
生成对抗网络是一种无监督深度学习模型，通过生成模型Model)和判别模型的互相博弈学习产生好的输出。步骤S2、S3已通过Faster-RCNN的anchor理论在数据集a、b的特征图上生成大量候选框，本发明将Faster-RCNN的anchor理论与生成对抗神经网络的判别器相结合，建立了联合联合Faster-RCNN与对抗神经网络的无标签框微地震信号检测模型，通过判别器与Faster-RCNN网络生成候选框进行博弈，逐步学习图像的特征，最终找出高相似度的候选框，从而提升检测精度。
S5、采用ROI Align调整所述鉴别出的候选框，生成尺寸大小一致的特征图；
具体的，请参阅图2，ROI Align的流程示意图，不同于RoI Pooling，ROI Align在特征图的划分区域时，采用双线性插值的方法取出代表像素点，完成池化操作。避免了对候选框的边框长度直接取整的同时，满足了全连接层参数固定的需求。将候选框映射到卷积神经网络最后一层卷积特征图上，通过ROI Align使每个ROI生成固定尺寸的特征图。
S6、通过Faster-RCNN的全连接层后，对所述尺寸一致的特征图进行分类，使用交叉熵损失函数对预测误差分析，不断拟合训练得到无标签框微地震信号检测模型；
通过softmax分类器输出概率分布yj，采用交叉熵损失函数如下：
Figure BDA0002007485220000061
其中yi为目标期待输出，yj为实际输出，i，j＝1,2，···，n，共计有n个分类。
步骤S3、S4、S5、S6为构建并训练的无标签框微地震信号检测模型的过程，该模型联合了Faster-RCNN与对抗神经网络，通过数据集a、b对联合了Faster-RCNN与对抗神经网络的无标签框微地震信号检测模型不断拟合训练，最终得到具有较好检测精度的无标签框微地震信号检测模型。
S7、输入待检测信号图像，通过所述无标签框微地震信号检测模型检测有效信号。
具体的，所述步骤S7中，输入待检测信号图像之后，先对待检测信号图像做预处理，通过VGG16网络提取图像特征，然后再通过训练好的所述无标签框微地震信号检测模型来检测有效信号。
请参阅图3、图4，图3为待检测信号图像，将图3的图像做预处理，通过VGG16网络提取图像特征，通过训练好的所述无标签框微地震信号检测模型来检测有效信号。图4为检测结果图，图4中的方框即为检测到的有效信号。
请参阅图5，图5为本发明提供的一种无标签框微地震信号检测装置，所述装置包括：
预处理模块510：从微地震信号数据中筛选出两个含有有效信号的数据集a、b，并对数据集a、b中的图像做预处理；
特征提取模块520：通过卷积神经网络分别对所述预处理后的数据集a、b进行图像特征提取，得到数据集a、b的数据特征图；
模型训练模块530：通过Faster-RCNN中的区域建议网络层RPN层分别在所述数据特征图上生成a、b两类候选框；通过对抗生成网络的判别器分辨a、b两类候选框的相似性，鉴别出相似度超过预设阈值的候选框；通过ROI Align调整所述鉴别出的候选框，生成尺寸大小一致的特征图；通过Faster-RCNN的全连接层后，对所述尺寸一致的特征图进行分类，使用交叉熵损失函数对预测误差分析，不断拟合训练得到无标签框微地震信号检测模型；
信号检测模块540：输入待检测信号图像，通过所述无标签框微地震信号检测模型检测有效信号。
所述模型训练模块中，所述判别器损失公式如下：
Figure BDA0002007485220000071
其中x，y为X、Y中像素点，ps(x)代表两类候选框相似的概率，pn(y)代表两类候选框不相似的概率，P为判别器判别为真的概率，i＝1,2,…,N，N为待分辨的建议框个数。
本发明通过Faster-RCNN网络生成候选框，通过生成对抗网络的判别器比较候选框相似度，在二者进行博弈的过程中使得判别器对数据特征的学习更加充分，在增强网络鲁棒性的同时，逐步生成精准的候选框。最终在无标签微地震信号框数据集的前提下，实现了有效信号的检测。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实施例的模块、单元和/或方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种无标签框微地震信号检测方法，其特征在于，所述方法包括：
S1、从微地震信号数据中筛选出两个含有有效信号的数据集a、b，并对数据集a、b中的图像做预处理；
S2、通过卷积神经网络分别对所述预处理后的数据集a、b进行图像特征提取，得到数据集a、b的数据特征图；
S3、通过Faster-RCNN中的区域建议网络层RPN层分别在所述数据特征图上生成a、b两类候选框；
S4、通过对抗生成网络的判别器分辨a、b两类候选框的相似性，鉴别出相似度超过预设阈值的候选框；
所述步骤S4的具体过程为：
设a、b两类候选框分别属于X集合与Y集合，采用对抗生成网络的判别器，对X，Y集合做极大似然估计，鉴别出相似度超过预设阈值的候选框，判别器损失公式如下：
Figure FDA0002527927700000011
其中x，y为X、Y中像素点，ps(x)代表两类候选框相似的概率，pn(y)代表两类候选框不相似的概率，P为判别器判别为真的概率，i＝1,2,…,N，N为待分辨的建议框个数；
S5、通过ROI Align调整步骤S4鉴别出的候选框，生成尺寸大小一致的特征图；
S6、通过Faster-RCNN的全连接层后，对所述尺寸一致的特征图进行分类，使用交叉熵损失函数对预测误差分析，不断拟合训练得到无标签框微地震信号检测模型；
S7、输入待检测信号图像，通过所述无标签框微地震信号检测模型检测有效信号。
2.根据权利要求1所述无标签框微地震信号检测方法，其特征在于，所述步骤S7中，所述输入待检测信号图像之后、通过所述无标签框微地震信号检测模型检测有效信号之前，还包括：对待检测信号图像做预处理，通过VGG16网络提取图像特征。
3.根据权利要求1所述无标签框微地震信号检测方法，其特征在于，所述步骤S3中，所述RPN层在所述特征图上定义纵横比，每一个像素点都在特征图上映射出大小比例不同的九个候选框，这些候选框中包含待检测的有效信号。
4.根据权利要求1所述无标签框微地震信号检测方法，其特征在于，所述步骤S6中，所述交叉熵损失函数为：
Figure FDA0002527927700000021
其中yi为目标期待输出，yj为softmax分类器实际输出，n为分类个数，i＝1,2,···，n，j＝1,2,···，n。
5.一种无标签框微地震信号检测装置，其特征在于，所述装置包括：
预处理模块：从微地震信号数据中筛选出两个含有有效信号的数据集a、b，并对数据集a、b中的图像做预处理；
特征提取模块：通过卷积神经网络分别对所述预处理后的数据集a、b进行图像特征提取，得到数据集a、b的数据特征图；
模型训练模块：通过Faster-RCNN中的区域建议网络层RPN层分别在所述数据特征图上生成a、b两类候选框；通过对抗生成网络的判别器分辨a、b两类候选框的相似性，鉴别出相似度超过预设阈值的候选框；通过ROI Align调整所述鉴别出的候选框，生成尺寸大小一致的特征图；通过Faster-RCNN的全连接层后，对所述尺寸一致的特征图进行分类，使用交叉熵损失函数对预测误差分析，不断拟合训练得到无标签框微地震信号检测模型；
信号检测模块：输入待检测信号图像，通过所述无标签框微地震信号检测模型检测有效信号；
所述模型训练模块中，设a、b两类候选框分别属于X集合与Y集合，采用对抗生成网络的判别器，对X，Y集合做极大似然估计，鉴别出相似度超过预设阈值的候选框，所述判别器损失公式如下：
Figure FDA0002527927700000031
其中x，y为X、Y中像素点，ps(x)代表两类候选框相似的概率，pn(y)代表两类候选框不相似的概率，P为判别器判别为真的概率，i＝1,2,…,N，N为待分辨的建议框个数。
CN201910233675.3A 2019-03-26 2019-03-26 一种无标签框微地震信号检测方法及装置 Expired - Fee Related CN110082821B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910233675.3A CN110082821B (zh) 2019-03-26 2019-03-26 一种无标签框微地震信号检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910233675.3A CN110082821B (zh) 2019-03-26 2019-03-26 一种无标签框微地震信号检测方法及装置

Publications (2)

Publication Number Publication Date
CN110082821A CN110082821A (zh) 2019-08-02
CN110082821B true CN110082821B (zh) 2020-10-02

Family

ID=67413705

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910233675.3A Expired - Fee Related CN110082821B (zh) 2019-03-26 2019-03-26 一种无标签框微地震信号检测方法及装置

Country Status (1)

Country Link
CN (1) CN110082821B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110658557B (zh) * 2019-09-03 2021-11-02 中国地质大学（北京） 基于生成对抗网络的地震数据面波压制方法
CN111046737B (zh) * 2019-11-14 2022-07-08 吉林大学 一种用于微地震信号检测的高效智能感知采集方法
CN111505705B (zh) * 2020-01-19 2022-08-02 长江大学 基于胶囊神经网络的微地震p波初至拾取方法及系统
CN111562612B (zh) * 2020-05-20 2021-03-19 大连理工大学 一种基于注意力机制的深度学习微震事件识别方法及系统
CN112083482B (zh) * 2020-08-06 2021-11-19 西安交通大学 基于模型驱动深度学习的地震超分辨反演方法
CN112305588B (zh) * 2020-09-18 2024-06-25 中国石油天然气集团有限公司 初至波自动拾取方法及装置
CN112037221B (zh) * 2020-11-03 2021-02-02 杭州迪英加科技有限公司 宫颈癌tct切片阳性细胞检测模型多域共适应训练方法
CN114114400B (zh) * 2021-12-01 2023-12-26 河北煤炭科学研究院有限公司 微地震事件有效信号拾取方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106405640A (zh) * 2016-08-26 2017-02-15 中国矿业大学(北京) 基于深度信念神经网络的微震信号到时自动拾取方法
CN106529527A (zh) * 2016-09-23 2017-03-22 北京市商汤科技开发有限公司 物体检测方法和装置、数据处理装置和电子设备
CN106934346A (zh) * 2017-01-24 2017-07-07 北京大学 一种目标检测性能优化的方法
CN107480730A (zh) * 2017-09-05 2017-12-15 广州供电局有限公司 电力设备识别模型构建方法和系统、电力设备的识别方法
WO2018118374A1 (en) * 2016-12-23 2018-06-28 Exxonmobil Upstream Research Company Method and system for stable and efficient reservoir simulation using stability proxies
CN109325530A (zh) * 2018-09-07 2019-02-12 中国科学院自动化研究所 基于少量无标签数据的深度卷积神经网络的压缩方法
CN109446925A (zh) * 2018-10-08 2019-03-08 中山大学 一种基于卷积神经网络的电力设备检测算法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10474929B2 (en) * 2017-04-25 2019-11-12 Nec Corporation Cyclic generative adversarial network for unsupervised cross-domain image generation

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106405640A (zh) * 2016-08-26 2017-02-15 中国矿业大学(北京) 基于深度信念神经网络的微震信号到时自动拾取方法
CN106529527A (zh) * 2016-09-23 2017-03-22 北京市商汤科技开发有限公司 物体检测方法和装置、数据处理装置和电子设备
WO2018118374A1 (en) * 2016-12-23 2018-06-28 Exxonmobil Upstream Research Company Method and system for stable and efficient reservoir simulation using stability proxies
CN106934346A (zh) * 2017-01-24 2017-07-07 北京大学 一种目标检测性能优化的方法
CN107480730A (zh) * 2017-09-05 2017-12-15 广州供电局有限公司 电力设备识别模型构建方法和系统、电力设备的识别方法
CN109325530A (zh) * 2018-09-07 2019-02-12 中国科学院自动化研究所 基于少量无标签数据的深度卷积神经网络的压缩方法
CN109446925A (zh) * 2018-10-08 2019-03-08 中山大学 一种基于卷积神经网络的电力设备检测算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于数据增广和CNN的地震随机噪声压制;王钰清 等;《地球物理学报》;20190131;第62卷(第1期);第421-433页 *
自编码神经网络理论及应用综述;袁非牛 等;《计算机学报》;20190131;第42卷(第1期);第203-230页 *

Also Published As

Publication number Publication date
CN110082821A (zh) 2019-08-02

Similar Documents

Publication Publication Date Title
CN110082821B (zh) 一种无标签框微地震信号检测方法及装置
Wang et al. Detect globally, refine locally: A novel approach to saliency detection
CN112861720B (zh) 基于原型卷积神经网络的遥感图像小样本目标检测方法
CN106683048B (zh) 一种图像超分辨率方法及设备
CN104537647B (zh) 一种目标检测方法及装置
CN108765465B (zh) 一种无监督sar图像变化检测方法
CN110163213B (zh) 基于视差图和多尺度深度网络模型的遥感图像分割方法
CN111652292B (zh) 一种基于ncs、ms的相似物体实时检测方法及系统
CN104778457B (zh) 基于多示例学习的视频人脸识别方法
CN112132119A (zh) 客流统计方法、装置、电子设备和存储介质
CN105956560A (zh) 一种基于池化多尺度深度卷积特征的车型识别方法
CN110826462A (zh) 一种非局部双流卷积神经网络模型的人体行为识别方法
CN111311702B (zh) 一种基于BlockGAN的图像生成和识别模块及方法
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
EP3073443A1 (en) 3D Saliency map
CN116342894B (zh) 基于改进YOLOv5的GIS红外特征识别系统及方法
CN108197669A (zh) 卷积神经网络的特征训练方法及装置
CN111597933A (zh) 人脸识别方法和装置
CN112200123A (zh) 联合稠密连接网络和样本分布的高光谱开放集分类方法
CN114724218A (zh) 视频检测方法、装置、设备及介质
CN115937552A (zh) 一种基于融合手工特征与深度特征的图像匹配方法
CN112488043A (zh) 一种基于边缘智能的无人机车辆目标检测方法
WO2022222036A1 (zh) 车位确定方法及装置
CN111539434B (zh) 基于相似度的红外弱小目标检测方法
CN117011655A (zh) 基于自适应区域选择特征融合方法、目标跟踪方法及系统

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20201002

CF01 Termination of patent right due to non-payment of annual fee