CN110175524A - 一种基于轻量级深度卷积网络的快速精确航拍车辆检测方法 - Google Patents
一种基于轻量级深度卷积网络的快速精确航拍车辆检测方法 Download PDFInfo
- Publication number
- CN110175524A CN110175524A CN201910342865.9A CN201910342865A CN110175524A CN 110175524 A CN110175524 A CN 110175524A CN 201910342865 A CN201910342865 A CN 201910342865A CN 110175524 A CN110175524 A CN 110175524A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- depth convolutional
- convolutional network
- image
- lightweight depth
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
Abstract
本发明公开了一种基于轻量级深度卷积网络的快速精确航拍车辆检测方法,包括如下步骤:(1)数据预处理过程;采集高分辨率无人机航拍图像并进行标注,标注后将图像进行分割和旋转获得车辆数据库;(2)训练过程;将步骤(1)中获得的车辆数据库,送入我们的轻量级深度卷积网络进行训练,直至网络收敛;(3)检测过程;利用步骤(2)中训练好的轻量级深度卷积网络来检测无人机航拍图像中的车辆目标,并输出检测结果。本发明减少了计算的内存消耗,降低了时间复杂度,算法简单,检测效率高,检测精度高,实用性强,具有较好的适应性以及可靠性,有效解决了数据少、背景复杂、目标小给航拍图像车辆检测带来的影响。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其是一种基于轻量级深度卷积网络的快速精确航拍车辆检测方法。
背景技术
随着社会经济的发展,车辆使用越来越普及,给人们的生活带来了许多便利,但同时也存在着交通事故、车辆拥挤等问题。所以使用航拍图像中来进行车辆检测是民用和军事监控中不可缺少的技术。无人机技术具有结构简单、成本低、风险小、灵活机动、实时性强等特点,可以弥补现有交通监控中的不足,加强交通管理,改善交通状况。
目前车辆检测算法主要有基于特征的车辆检测算法、基于视觉的车辆检测算法以及基于深度学习的车辆检测算法等等。其中基于视觉和帧间差分的船舶检测算法主要用于运动船舶检测,而基于特征的车辆检测算法更常用于静态图像检测,而基于深度学习的车辆检测算法则适用于运动和静态的车辆检测。
目前提出的各种车辆检测算法,最常见的是基于滑动窗口法,并将滤波器应用于图像中所有可能的位置。Liu Kang等人提出了一种在没有任何地理参考信息的情况下检测航拍图像中车辆类型和方向的方法。本研究使用一个快速二进位侦测器,利用完整的通道特征来检测车辆的位置。然后得到了方向梯度特征的直方图,用于进一步分类车辆的方向和类型。虽然该算法有较高的效率,但仍存在一定的局限性。首先,手工特征和基于浅学习的特征限制了特征提取和表示的能力。其次,滑动窗口法产生了大量的冗余计算,大大增加了计算量(Liu Kang and Gellert Mattyus,“Fast Multiclass Vehicle Detection onAerial Images,”IEEE Geoscience and Remote Sensing Letters,vol.12,no.9,pp.1938-1942,September,2015)。Leibe B等人基于图像分类和分割算法构建了一种鲁棒的目标检测算法,该算法可以较好地解决行人及车辆的检测问题。但是在处理静态图片时存在特征模型不具备普遍适应性、实际检测准确率较低、目标检测时间较长等缺点(LeibeB,Leonardis A,Schiele B.Robust Object Detection with InterleavedCategorization and Segmentation[J].International Journal of Computer Vision,2008,77(1-3):259-289.)。Shaoqing Ren等人提出了使用一个完全卷积的区域建议网络来推测目标位置,然后用类别的分类器对每个区域进行分类的方法。该算法显著提高了目标检测的性能。同时,该模型使用了数百个拟用的类对象区域来降低计算成本。然而,将该算法直接应用于航拍图像中的车辆检测仍然存在许多问题和挑战。主要原因是航拍影像与自然场景影像的差异。更为详细的是,航拍影像的尺寸较大,但车辆目标的尺寸很小,并伴有背景信息复杂的特点(Shaoqing Ren,Kaiming He,Ross B Girshick and Jian Sun,“Faster R-CNN:Towards RealTime Object Detection with Region ProposalNetworks,”IEEE Transactions on Pattern Analysis and Machine Intelligence,vol.39,no.6,pp.1137-1149,June,2017)。
发明内容
本发明所要解决的技术问题在于,提供一种基于轻量级深度卷积网络的快速精确航拍车辆检测方法,有效解决了数据少、背景复杂、目标小给航拍图像车辆检测带来的影响。
为解决上述技术问题,本发明提供一种基于轻量级深度卷积网络的快速精确航拍车辆检测方法,包括如下步骤:
(1)数据预处理过程;采集高分辨率无人机航拍图像并进行标注,标注后将图像进行分割和旋转获得车辆数据库;
(2)训练过程;将步骤(1)中获得的车辆数据库,送入我们的轻量级深度卷积网络进行训练,直至网络收敛;
(3)检测过程;利用步骤(2)中训练好的轻量级深度卷积网络来检测无人机航拍图像中的车辆目标,并输出检测结果。
优选的,步骤(1)中,数据预处理过程具体包括如下步骤:
(11)采集用于训练轻量级深度卷积网络的包含车辆的无人机航拍图像;
(12)对采集到的步骤(11)中所述图像进行数据预处理,将预处理后的图像用矩形框进行标注,获取所述矩形框的坐标与所述矩形框所包含车辆的种类;
(13)将步骤(12)所得图像分割成尺寸相同的图像块,然后通过四个不同角度的旋转获得用于轻量级深度卷积网络的车辆数据库。
优选的,步骤(13)中,对图像进行预处理的方法为:将标记后的航拍图像分割成尺寸相同的图像块,然后通过四个不同角度的旋转得到车辆数据库;图像旋转的角度为:45度、135度、225度和315度。
优选的,步骤(2)中,训练过程具体包括如下步骤:
(21)将车辆数据库送入轻量级深度卷积网络,设置总的迭代次数为16万次,通过不断改进参数来训练网络;
(22)将训练图像送入具有相同通道和小卷积核的过渡层获得初步的特征图;
(23)将步骤(22)中得到的结果送入多阶段的三路密集层进行特征融合得到最终的卷积特征图;
(24)采用改进的Faster R-CNN目标检测算法对最终的卷积特征图做预测,利用九种不同尺度的anchor box,根据IOU划定正负样本,预测输出层输出对应区域拥有目标的概率,然后通过回归,调整和细化边界框;
(25)当到达最大迭代次数时或损失函数达到了收敛状态时结束训练,获得最终用于车辆航拍图像检测的轻量级深度卷积网络和权重文件。
优选的,步骤(22)中,将车辆数据库送入具有相同通道和小卷积核的过渡层,通道数为16,训练图像先通过32x 32,步长为2的卷积,再分为两组操作,一组为2x 2,步长为2的最大池化;另一组先通过1x 1,步长为1的卷积,再通过3x 3,步长为2的卷积,将两组操作得到的具有相同通道数的特征图进行concatenate操作,之后通过1x 1的卷积得到初步特征图,小卷积核能够细化小目标的特征提取,其优势在这个模块被完全利用。
优选的,步骤(23)中,为了获得车辆目标更细化的特征,将步骤(22)得到的特征图连续进行三个阶段的三路密集特征融合,每个阶段拥有五个特征融合层,每一层网络分三路处理输入的特征图,最后将三路结果进行concatenate操作后输出,作为下一层网络的输入;为了增强特征表示,在每一个特征融合阶段之后增加一个1x 1的卷积处理,此过程中仍然使用相同的通道数,能够加速特征的提取和融合,在增加检测精度的同时减少复杂度。
优选的,步骤(24)中,由于Faster R-CNN生成的anchor box在航拍图像小目标检测任务上并不适用,而航拍图像上车辆大小大约为30x 60,所以,将base size设置为3,ratios设置为0.5,1,2,scales设置为12,14,18,生成的九个anchor box能够覆盖航拍图像上各种类型的车辆。
优选的,步骤(3)中,检测过程具体包括如下步骤:
(31)将待检测的航拍图像进行预处理之后,送入轻量级深度卷积网络,然后重复所述步骤(2)中所述步骤(22)和步骤(23),然后输出最终的特征图;
(32)用最终的特征图采用卷积做预测,在卷积特征图上通过RPN得到可能包含目标的预定义数量的区域;
(33)将RPN的输出用于R-CNN模块,对边界框内的目标进行分类,并通过回归调整边界框坐标;
(34)最后将图像块的检测结果拼接在一起,重组为原始图像,得到最终的检测结果,从而实现车辆的精确定位与识别。
本发明的有益效果为:减少了计算的内存消耗,降低了时间复杂度,算法简单,检测效率高,检测精度高,实用性强,具有较好的适应性以及可靠性,有效解决了数据少、背景复杂、目标小给航拍图像车辆检测带来的影响。
附图说明
图1为本发明的方法流程示意图。
图2为本发明的数据预处理流程示意图。
图3为本发明的训练过程示意图。
图4为本发明的检测过程示意图。
图5为本发明输入的带有车辆目标的航拍原始图像示意图。
图6为本发明车辆检测的结果示意图。
具体实施方式
如图1所示,一种基于轻量级深度卷积网络的快速精确航拍车辆检测方法,包括如下步骤:
数据预处理过程S1为:采集包含各种类型车辆的航拍图像并进行标注,获得航拍数据库。数据预处理的具体过程见图2。
具体的处理过程如下:
步骤A1:采集用于训练轻量级深度卷积网络的包含车辆的无人机航拍图像。
步骤A2:对采集到的A1所述图像进行数据预处理,将预处理后的图像用矩形框进行标注,获取所述矩形框的坐标与所述矩形框所包含车辆的种类。
对图像预处理的方法为:本专利采用整型数据格式记录标记框位置信息(标记框左上角和右下角的坐标),然后转换成轻量级深度卷积网络需要的数据格式。深度网络需要的数据文件格式如下:
<object-class><x><y><width><height>
object-class是类的索引,后面的4个值都是相对于整张图片的比例。x是ROI中心的x坐标,y是ROI中心的y坐标,width是ROI的宽,height是ROI的高。
步骤A3:将A2所得图像分割成尺寸相同的图像块,然后通过四个不同角度的旋转获得用于轻量级深度卷积网络的车辆数据库。
图像旋转的角度为:45度、135度、225度和315度。
训练过程S2为:将S1获得的车辆数据库,送入轻量级深度卷积网络进行训练,直至网络收敛。训练的具体过程见图3。该轻量级深度卷积网络特征提取和特征融合部分的基本块见表1和表2。
表1轻量级深度卷积网络特征提取部分的基本块
Layer | Type | Filter | Channel |
1 | Conv | 32x32,2 | 16 |
2 | Pooling | 2x2,2 | 16 |
3 | Conv | 1x1,16 | 16 |
4 | Conv | 3x3,2 | 16 |
5 | Concatenate | 32 | |
6 | Conv | 1x1,32 | 32 |
表2轻量级深度卷积网络特征融合部分的基本块
Layer | Type | Filter | Channel |
1 | Conv | 1x1 | 16 |
2 | Conv | 1x1 | 16 |
3 | Conv | 3x3 | 16 |
4 | Conv | 3x3 | 16 |
5 | Conv | 1x1 | 16 |
6 | Concatenate | 32 | |
7 | Conv | 1x1,1 | 16 |
具体的训练过程如下:
步骤B1:将车辆数据库送入轻量级深度卷积网络,设置总的迭代次数为16万次,通过不断改进参数来训练网络。
步骤B2:将训练图像送入具有相同通道和小卷积核的过渡层获得初步的特征图。
将训练图像送入具有相同通道和小卷积核的过渡层,通道数为16,训练图像先通过32x 32,步长为2的卷积,再分为两组操作,一组为2x 2,步长为2的最大池化;另一组先通过1x 1,步长为1的卷积,再通过3x 3,步长为2的卷积,将两组操作得到的具有相同通道数的特征图进行concatenate操作,之后通过1x 1的卷积得到初步特征图。小卷积核能够细化小目标的特征提取,其优势在这个模块被完全利用。
步骤B3:将B2得到的结果送入多阶段的三路密集层进行特征融合得到最终的卷积特征图。
将步骤B2得到的特征图连续进行三个阶段的三路密集特征融合,每个阶段拥有五个特征融合层,每一层网络分三路处理输入的特征图,最后将三路结果进行concatenate操作后输出,作为下一层网络的输入。为了增强特征表示,在每一个特征融合阶段之后增加一个1x 1的卷积处理,此过程中仍然使用相同的通道数,能够加速特征的提取和融合,在增加检测精度的同时减少复杂度。
步骤B4:采用改进的Faster R-CNN目标检测算法对最终的卷积特征图做预测,利用九种不同尺度的anchor box,根据IOU划定正负样本,预测输出层输出对应区域拥有目标的概率,然后通过回归,调整和细化边界框。
由于Faster R-CNN生成的anchor box在航拍图像小目标检测任务上并不适用,而航拍图像上车辆大小大约为30x 60,所以,我们将base size设置为3,ratios设置为0.5,1,2,scales设置为12,14,18,生成的九个anchor box能够覆盖航拍图像上各种类型的车辆。通过改进的RPN得到ROI proposal后对兴趣区域预测分类和边界框回归,计算损失,反向传播调整权重。
步骤B5:当到达最大迭代次数时或损失函数达到了收敛状态时结束训练,获得最终用于车辆航拍图像检测的轻量级深度卷积网络和权重文件。
检测过程S3为:利用S2中训练好的轻量级深度卷积网络和权重文件来检测航拍图像中的车辆目标,并输出检测结果。具体的检测过程见图4。
具体的检测过程如下:
步骤C1:将待检测的航拍图像进行预处理之后,送入轻量级深度卷积网络,然后重复所述步骤S2中所述步骤B2、B3,然后输出最终的特征图。
步骤C2:用最终的特征图采用卷积做预测,在卷积特征图上通过RPN得到可能包含目标的预定义数量的区域。
步骤C3:将RPN的输出用于R-CNN模块,对边界框内的目标进行分类,并通过回归调整边界框坐标。
步骤C4:最后将图像块的检测结果拼接在一起,重组为原始图像,得到最终的检测结果,从而实现车辆的精确定位与识别。
图5为无人机航拍的包含车辆目标的原始图像,将图像经过预处理之后送入轻量级深度卷积网络中进行特征提取,再用改进的Faster R-CNN目标检测算法进行预测,得到的检测结果如图6所示。
本发明对车辆检测的准确率能够达到0.90,对于不同类型的车辆检测适应性较广,对于由于航拍拍摄原因导致的目标小,背景复杂图像具有较好的效果,适用于多个车辆的航拍图像检测。
Claims (8)
1.一种基于轻量级深度卷积网络的快速精确航拍车辆检测方法,其特征在于,包括如下步骤:
(1)数据预处理过程;采集高分辨率无人机航拍图像并进行标注,标注后将图像进行分割和旋转获得车辆数据库;
(2)训练过程;将步骤(1)中获得的车辆数据库,送入我们的轻量级深度卷积网络进行训练,直至网络收敛;
(3)检测过程;利用步骤(2)中训练好的轻量级深度卷积网络来检测无人机航拍图像中的车辆目标,并输出检测结果。
2.如权利要求1所述的基于轻量级深度卷积网络的快速精确航拍车辆检测方法,其特征在于,步骤(1)中,数据预处理过程具体包括如下步骤:
(11)采集用于训练轻量级深度卷积网络的包含车辆的无人机航拍图像;
(12)对采集到的步骤(11)中所述图像进行数据预处理,将预处理后的图像用矩形框进行标注,获取所述矩形框的坐标与所述矩形框所包含车辆的种类;
(13)将步骤(12)所得图像分割成尺寸相同的图像块,然后通过四个不同角度的旋转获得用于轻量级深度卷积网络的车辆数据库。
3.如权利要求2所述的基于轻量级深度卷积网络的快速精确航拍车辆检测方法,其特征在于,步骤(13)中,对图像进行预处理的方法为:将标记后的航拍图像分割成尺寸相同的图像块,然后通过四个不同角度的旋转得到车辆数据库;图像旋转的角度为:45度、135度、225度和315度。
4.如权利要求1所述的基于轻量级深度卷积网络的快速精确航拍车辆检测方法,其特征在于,步骤(2)中,训练过程具体包括如下步骤:
(21)将车辆数据库送入轻量级深度卷积网络,设置总的迭代次数为16万次,通过不断改进参数来训练网络;
(22)将训练图像送入具有相同通道和小卷积核的过渡层获得初步的特征图;
(23)将步骤(22)中得到的结果送入多阶段的三路密集层进行特征融合得到最终的卷积特征图;
(24)采用改进的Faster R-CNN目标检测算法对最终的卷积特征图做预测,利用九种不同尺度的anchor box,根据IOU划定正负样本,预测输出层输出对应区域拥有目标的概率,然后通过回归,调整和细化边界框;
(25)当到达最大迭代次数时或损失函数达到了收敛状态时结束训练,获得最终用于车辆航拍图像检测的轻量级深度卷积网络和权重文件。
5.如权利要求4所述的基于轻量级深度卷积网络的快速精确航拍车辆检测方法,其特征在于,步骤(22)中,将车辆数据库送入具有相同通道和小卷积核的过渡层,通道数为16,训练图像先通过32x32,步长为2的卷积,再分为两组操作,一组为2x2,步长为2的最大池化;另一组先通过1x1,步长为1的卷积,再通过3x3,步长为2的卷积,将两组操作得到的具有相同通道数的特征图进行concatenate操作,之后通过1x1的卷积得到初步特征图。
6.如权利要求4所述的基于轻量级深度卷积网络的快速精确航拍车辆检测方法,其特征在于,步骤(23)中,为了获得车辆目标更细化的特征,将步骤(22)得到的特征图连续进行三个阶段的三路密集特征融合,每个阶段拥有五个特征融合层,每一层网络分三路处理输入的特征图,最后将三路结果进行concatenate操作后输出,作为下一层网络的输入;为了增强特征表示,在每一个特征融合阶段之后增加一个1x1的卷积处理,此过程中仍然使用相同的通道数。
7.如权利要求4所述的基于轻量级深度卷积网络的快速精确航拍车辆检测方法,其特征在于,步骤(24)中,由于Faster R-CNN生成的anchor box在航拍图像小目标检测任务上并不适用,而航拍图像上车辆大小大约为30x60,所以,将base size设置为3,ratios设置为0.5,1,2,scales设置为12,14,18,生成的九个anchor box能够覆盖航拍图像上各种类型的车辆。
8.如权利要求1所述的基于轻量级深度卷积网络的快速精确航拍车辆检测方法,其特征在于,步骤(3)中,检测过程具体包括如下步骤:
(31)将待检测的航拍图像进行预处理之后,送入轻量级深度卷积网络,然后重复所述步骤(2)中所述步骤(22)和步骤(23),然后输出最终的特征图;
(32)用最终的特征图采用卷积做预测,在卷积特征图上通过RPN得到可能包含目标的预定义数量的区域;
(33)将RPN的输出用于R-CNN模块,对边界框内的目标进行分类,并通过回归调整边界框坐标;
(34)最后将图像块的检测结果拼接在一起,重组为原始图像,得到最终的检测结果,从而实现车辆的精确定位与识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910342865.9A CN110175524A (zh) | 2019-04-26 | 2019-04-26 | 一种基于轻量级深度卷积网络的快速精确航拍车辆检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910342865.9A CN110175524A (zh) | 2019-04-26 | 2019-04-26 | 一种基于轻量级深度卷积网络的快速精确航拍车辆检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110175524A true CN110175524A (zh) | 2019-08-27 |
Family
ID=67690197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910342865.9A Pending CN110175524A (zh) | 2019-04-26 | 2019-04-26 | 一种基于轻量级深度卷积网络的快速精确航拍车辆检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110175524A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781962A (zh) * | 2019-10-28 | 2020-02-11 | 西安电子科技大学 | 基于轻量级卷积神经网络的目标检测方法 |
CN111160100A (zh) * | 2019-11-29 | 2020-05-15 | 南京航空航天大学 | 一种基于样本生成的轻量级深度模型航拍车辆检测方法 |
CN111723685A (zh) * | 2020-06-01 | 2020-09-29 | 齐齐哈尔大学 | 基于支路特征融合卷积网络的遥感场景分类方法 |
CN111860175A (zh) * | 2020-06-22 | 2020-10-30 | 中国科学院空天信息创新研究院 | 一种基于轻量化网络的无人机影像车辆检测方法及装置 |
CN111986080A (zh) * | 2020-07-17 | 2020-11-24 | 浙江工业大学 | 一种基于改进faster R-CNN的物流车辆特征定位的方法 |
CN112308154A (zh) * | 2020-11-03 | 2021-02-02 | 湖南师范大学 | 一种基于yolov3-tiny的航拍车辆检测方法 |
CN112966546A (zh) * | 2021-01-04 | 2021-06-15 | 航天时代飞鸿技术有限公司 | 一种基于无人机侦察图像的嵌入式姿态估计方法 |
CN117274843A (zh) * | 2023-11-15 | 2023-12-22 | 安徽继远软件有限公司 | 基于轻量级边缘计算的无人机前端缺陷识别方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647655A (zh) * | 2018-05-16 | 2018-10-12 | 北京工业大学 | 基于轻型卷积神经网络的低空航拍影像电力线异物检测方法 |
CN108921875A (zh) * | 2018-07-09 | 2018-11-30 | 哈尔滨工业大学(深圳) | 一种基于航拍数据的实时车流检测与追踪方法 |
CN109657541A (zh) * | 2018-11-09 | 2019-04-19 | 南京航空航天大学 | 一种基于深度学习的无人机航拍图像中的船舶检测方法 |
-
2019
- 2019-04-26 CN CN201910342865.9A patent/CN110175524A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647655A (zh) * | 2018-05-16 | 2018-10-12 | 北京工业大学 | 基于轻型卷积神经网络的低空航拍影像电力线异物检测方法 |
CN108921875A (zh) * | 2018-07-09 | 2018-11-30 | 哈尔滨工业大学(深圳) | 一种基于航拍数据的实时车流检测与追踪方法 |
CN109657541A (zh) * | 2018-11-09 | 2019-04-19 | 南京航空航天大学 | 一种基于深度学习的无人机航拍图像中的船舶检测方法 |
Non-Patent Citations (1)
Title |
---|
LARS WILKO SOMMER等: "Fast Deep Vehicle Detection in Aerial Images", 《2017 IEEE WINTER CONFERENCE ON APPLICATIONS OF COMPUTER VISION》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781962A (zh) * | 2019-10-28 | 2020-02-11 | 西安电子科技大学 | 基于轻量级卷积神经网络的目标检测方法 |
CN111160100A (zh) * | 2019-11-29 | 2020-05-15 | 南京航空航天大学 | 一种基于样本生成的轻量级深度模型航拍车辆检测方法 |
CN111723685A (zh) * | 2020-06-01 | 2020-09-29 | 齐齐哈尔大学 | 基于支路特征融合卷积网络的遥感场景分类方法 |
CN111723685B (zh) * | 2020-06-01 | 2022-07-26 | 齐齐哈尔大学 | 基于支路特征融合卷积网络的遥感场景分类方法 |
CN111860175A (zh) * | 2020-06-22 | 2020-10-30 | 中国科学院空天信息创新研究院 | 一种基于轻量化网络的无人机影像车辆检测方法及装置 |
CN111860175B (zh) * | 2020-06-22 | 2021-10-29 | 中国科学院空天信息创新研究院 | 一种基于轻量化网络的无人机影像车辆检测方法及装置 |
CN111986080A (zh) * | 2020-07-17 | 2020-11-24 | 浙江工业大学 | 一种基于改进faster R-CNN的物流车辆特征定位的方法 |
CN111986080B (zh) * | 2020-07-17 | 2024-01-16 | 浙江工业大学 | 一种基于改进faster R-CNN的物流车辆特征定位的方法 |
CN112308154A (zh) * | 2020-11-03 | 2021-02-02 | 湖南师范大学 | 一种基于yolov3-tiny的航拍车辆检测方法 |
CN112966546A (zh) * | 2021-01-04 | 2021-06-15 | 航天时代飞鸿技术有限公司 | 一种基于无人机侦察图像的嵌入式姿态估计方法 |
CN117274843A (zh) * | 2023-11-15 | 2023-12-22 | 安徽继远软件有限公司 | 基于轻量级边缘计算的无人机前端缺陷识别方法及系统 |
CN117274843B (zh) * | 2023-11-15 | 2024-04-19 | 安徽继远软件有限公司 | 基于轻量级边缘计算的无人机前端缺陷识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110175524A (zh) | 一种基于轻量级深度卷积网络的快速精确航拍车辆检测方法 | |
Cheng et al. | FusionNet: Edge aware deep convolutional networks for semantic segmentation of remote sensing harbor images | |
Chen et al. | Vehicle detection in high-resolution aerial images via sparse representation and superpixels | |
CN111797697B (zh) | 基于改进CenterNet的有角度高分遥感图像目标检测方法 | |
CN104134071B (zh) | 一种基于颜色描述的可变形部件模型物体检测方法 | |
CN106408030B (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
CN110097568A (zh) | 一种基于时空双分支网络的视频对象检测与分割方法 | |
CN109711288A (zh) | 基于特征金字塔和距离约束fcn的遥感船舶检测方法 | |
CN104657717B (zh) | 一种基于分层核稀疏表示的行人检测方法 | |
CN105678231A (zh) | 一种基于稀疏编码和神经网络的行人图片检测方法 | |
Yu et al. | Analysis of large-scale UAV images using a multi-scale hierarchical representation | |
CN110298227A (zh) | 一种基于深度学习的无人机航拍图像中的车辆检测方法 | |
Sun et al. | SPAN: Strong scattering point aware network for ship detection and classification in large-scale SAR imagery | |
CN105069459B (zh) | 一种针对高分辨率sar图像地物类型提取方法 | |
CN110223310A (zh) | 一种基于深度学习的线结构光中心线和箱体边缘检测方法 | |
CN103413154A (zh) | 基于归一化类谷歌量度矩阵的人体运动识别方法 | |
An et al. | Transitive transfer learning-based anchor free rotatable detector for SAR target detection with few samples | |
Zhang et al. | CFANet: Efficient detection of UAV image based on cross-layer feature aggregation | |
CN106845458A (zh) | 一种基于核超限学习机的快速交通标识检测方法 | |
Zhang et al. | Multi-scale aerial target detection based on densely connected inception ResNet | |
CN110222638B (zh) | 一种基于素描图候选框策略和Fast R-CNN的飞机目标检测方法 | |
Yildirim et al. | Ship detection in optical remote sensing images using YOLOv4 and Tiny YOLOv4 | |
CN106295556A (zh) | 一种基于小型无人机航拍图像的道路检测方法 | |
CN112464933B (zh) | 一种地基凝视红外成像弱小目标智能识别方法 | |
Samanta et al. | Spatial-resolution independent object detection framework for aerial imagery |
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 |