CN110210463A - 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法 - Google Patents

基于Precise ROI-Faster R-CNN的雷达目标图像检测方法 Download PDF

Info

Publication number
CN110210463A
CN110210463A CN201910596538.6A CN201910596538A CN110210463A CN 110210463 A CN110210463 A CN 110210463A CN 201910596538 A CN201910596538 A CN 201910596538A CN 110210463 A CN110210463 A CN 110210463A
Authority
CN
China
Prior art keywords
cnn
faster
radar
precise
region
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
Application number
CN201910596538.6A
Other languages
English (en)
Other versions
CN110210463B (zh
Inventor
陈小龙
牟效乾
张�林
王国庆
薛永华
关键
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.)
Naval Aeronautical University
Original Assignee
Naval Aeronautical 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 Naval Aeronautical University filed Critical Naval Aeronautical University
Priority to CN201910596538.6A priority Critical patent/CN110210463B/zh
Publication of CN110210463A publication Critical patent/CN110210463A/zh
Application granted granted Critical
Publication of CN110210463B publication Critical patent/CN110210463B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及基于Precise ROI‑Faster R‑CNN的雷达目标图像检测方法，属于雷达信号处理技术领域。首先，雷达将回波数据信息转换为图像，构建训练数据集；然后，建立Precise ROI‑Faster R‑CNN目标检测模型，包括共享卷积神经网络、区域建议网络、分类和回归网络，并采用ELU激活函数、Precise ROI Pooling方法和软化非极大值抑制（Soft‑NMS）方法；输入训练数据集对模型进行迭代优化训练，得到模型的最优参数；最后，将实时雷达目标回波生成的图像，输入训练后的最优目标检测模型进行测试，完成目标的检测与分类一体化处理。本发明能智能学习和提取雷达回波图像特征，适用于复杂环境需下不同类型目标的检测和分类，降低处理时间和硬件成本。

Description

基于Precise ROI-Faster R-CNN的雷达目标图像检测方法
技术领域
本发明属于雷达信号处理技术领域，更具体地，本发明涉及一种基于PreciseROI-Faster R-CNN的雷达目标图像检测方法，可用于雷达目标检测智能处理。
背景技术
雷达作为目标探测和监视的主要手段，在公共安全以及国防安全领域应用广泛。然而受海洋环境复杂、回波信杂比低以及目标复杂运动特性的影响，目标回波极其微弱，具有低可观测性，使得雷达对杂波背景下目标的探测性能难以满足实际需求。杂波中低可观测目标检测技术成为关键制约因素，也是世界性难题，难以实现稳健、可靠和快速的检测。
近年来人工智能得到了广泛的关注和支持，深度学习发展迅猛，而卷积神经网络更是因为其在计算机视觉领域的优异性能在众多领域都得到了广泛的应用。卷积神经网络能够通过卷积核对图像的卷积自动提取图像特征，从而实现良好的目标识别功能。基于卷积神经网络的目标检测方法主要分为两类：基于区域建议网络和基于回归方法的目标检测方法。前者包括R-CNN、SPP-Net、Fast RCNN、Faster RCNN等检测方法，后者衍生了YOLO、SSD等检测方法。现在在合成孔径雷达的目标检测方面上得到了较为广泛的应用，李君宝等提出了基于深度卷积网络的SAR图像目标检测识别方法，杜兰等提出了基于卷积神经网络的SAR图像目标检测算法，黄洁等提出了基于卷积神经网络的遥感图像舰船目标检测方法。然而，雷达遥感图像获取的成本高、技术复杂，普适性较差，相较而言雷达适用范围广，成本不高，检测性能优异，在目标检测上有着广阔的应用前景。因此，将深度学习目标检测方法应用于雷达图像实现目标的检测有着理论的可行性和实践性。本专利提出一种基于PreciseROI-Faster R-CNN(Precise Region of Interests Faster R-CNN，精确感兴趣区域Faster R-CNN)的雷达目标图像检测方法，将雷达回波数据构建成图像，采用深度学习网络来进行图像处理，从而完成目标的智能检测与分类。
发明内容
本发明的目的在于将基于深度学习的图像目标检测方法应用于雷达目标检测领域，提高雷达目标检测和分类性能，提出一种基于Precise ROI-Faster R-CNN的雷达目标图像检测方法。其中要解决的技术问题包括：
(1)基于统计模型的检测方法仅在假设的统计模型条件下性能才能达到最优，难以适应变化多样的复杂背景和多类型目标场景；
(2)传统雷达目标检测和分类流程复杂，需要先检测后分类，花费时间长。
(3)原有的Faster R-CNN目标检测算法对于图像的检测处理较为粗放，损失了相当一部分的检测性能，检测过程不够精简，损失了检测速度。
本发明所述的基于Precise ROI-Faster R-CNN的雷达目标图像检测方法，其特征在于包括以下技术措施：
步骤一、将雷达回波数据转换为图像，构建训练数据集；
步骤二、构建Precise ROI-Faster R-CNN目标检测模型，包括共享卷积神经网络、区域建议网络(RPN)、分类和回归网络，并采用ELU激活函数、Precise ROI Pooling方法和软化非极大值抑制(Soft-NMS)方法；
步骤三、输入训练数据集对模型进行迭代优化训练，得到最优网络参数；
步骤四、将实时雷达回波生成图像，输入训练后的目标检测模型进行测试，完成目标检测与分类。
对比现有技术，本技术方案所述的基于Precise ROI-Faster R-CNN的雷达目标图像检测方法，有益效果在于：
(1)突破传统检测方法的限制，能够智能处理不同运动类型的目标，并适应复杂环境；
(2)将深度学习应用于雷达目标检测，能根据训练数据集智能学习和提取目标特征，在一定程度上，输入训练的数据量越大，提取的特征越精细，检测精度也越高，提高目标检测和分类概率；
(3)该方法能够做到检测的同时完成目标类型的分类，做到检测与分类一体化处理，降低处理时间和硬件成本。
附图说明
附图1是基于Precise ROI-Faster R-CNN的雷达目标图像检测方法的实施流程图。
附图2是Precise ROI-Faster R-CNN模型结构图。
具体实施方式
如图1所示，本发明的处理流程分以下步骤：
1)雷达回波数据采集，构建图像训练数据集
采集多种观测条件和区域下的雷达回波数据，确保采集数据样本的多样性，将回波数据信息转换为图像信息，对图像进行裁剪和数据增强处理，然后进行人工识别分类和标签添加，构建复杂多样的雷达图像训练数据集。
2)构建Precise ROI-Faster R-CNN目标检测模型
如图2所示，构建的Precise-Faster R-CNN目标检测模型结构分为三部分：共享卷积神经网络、区域建议网络(Region Proposal Network，RPN)、分类和回归网络，其中，共享卷积神经网络由ZFNet、VGG、ResNet前端所有的卷积层部分组成，实现目标特征提取任务；区域建议网络RPN实现候选框生成任务；分类和回归网络实现最终的目标检测与分类。
设经过特征变换得到的特征图矩阵为x，P＝{x1，x2，x3，…，xi，…xn}为输入共享卷积神经网络特征图的集合，则第i个信号对应的特征图矩阵为xi。
(1)共享卷积神经网络部分：
根据任务情况选用深度卷积神经网络(ZFNet、VGG、ResNet等)中的任一网络的卷积层作为共享卷积层，提取的特征共享给区域建议网络和分类和回归网络。
以ZFNet为例。第一层卷积层通过卷积核对输入的特征图xi进行卷积操作，使用偏置系数扩充卷积区域，使边缘特征能够更完整的提取，自动提取特征图中信号的特征，然后经过ELU激活函数引入非线性因素，其中α为调节参数，ELU激活函数收敛速度快，鲁棒性增强并且能缓解梯度消失。
则输出的j个特征图，
其中，表示第一层对第i个特征图进行卷积操作的第j个卷积核，表示第一层中与第j个卷积核相对应的第j个偏置系数，表示卷积操作，Lj为输入的特征图集合，表示第一层输出的第j个特征图；
第二层池化层通过池化函数对进行下采样，降低数据维度和减少运算量，得到第二层输出的第j个特征图池化函数采用平均池化，
其中，函数为平均池化函数，表示在每个大小为c×c池化核窗口内取特征图矩阵的平均值，c为设定的池化核大小；
第三层卷积层通过卷积核对第二层输出的第j个特征图进行卷积操作，使用偏置系数扩充卷积区域，Mj为输入的特征图集合，则输出第j个特征图
其中，表示第三层对第i个特征图进行卷积操作的第j个卷积核，表示第三层中与第j个卷积核相对应的第j个偏置系数，表示第三层输出的第j个特征图；
第四层池化层通过池化函数对第三层输出j个的特征图进行下采样，输出的第j个特征图池化函数采用平均池化，
第五层卷积层通过卷积核对第四层输出的第j个特征图进行卷积操作，使用偏置系数扩充卷积区域，Lj为输入的特征图集合，则输出第j个特征图
其中，表示第五层对第i个特征图进行卷积操作的第j个卷积核，表示第五层中与第j个卷积核相对应的第j个偏置系数，表示第五层输出的第j个特征图；
第六层卷积层通过卷积核对第五层输出的第j个特征图进行卷积操作，使用偏置系数扩充卷积区域，Pj为输入的特征图集合，则输出第j个特征图
其中，表示第六层对第i个特征图进行卷积操作的第j个卷积核，表示第六层中与第j个卷积核相对应的第j个偏置系数，表示第六层输出的第j个特征图；
第七层卷积层通过卷积核对第六层输出的第j个特征图进行卷积操作，使用偏置系数扩充卷积区域，Qj为输入的特征图集合，则输出第j个特征图
其中，表示第七层对第i个特征图进行卷积操作的第j个卷积核，表示第七层中与第j个卷积核相对应的第j个偏置系数，表示第七层输出的第j个特征图；
(2)区域建议网络(RPN)部分：
区域建议网络(RPN)是将共享卷积网络输入的特征分别在两条支路处理，一条支路做预分类处理得到每个特征图的每一个像素位置预设的9种形状尺度框属于前景(目标)和背景的得分，另一条支路做回归处理得到对于每个特征图的每一个像素位置预设的9种形状尺度框与加标签的真实检测框之间的4个变换参数，包括2个平移参数和2个伸缩参数，每4个变换参数确定一个候选框，将初步确定的候选框后先用softmax分类的分数排序剔除分数低的候选框，然后采用Soft-NMS做非极大值抑制处理，选取一定数量的候选框作为最终生成的优质候选框。
首先，该层卷积层通过卷积核对上述第七层输出的第j个特征图进行卷积操作，使用偏置系数扩充卷积区域，Rj为输入的特征图集合，则输出第j个候选框区域
其中，表示该层对第i个特征图进行卷积操作的第j个卷积核，表示该层中与第j个卷积核相对应的第j个偏置系数，表示该层输出的第j个候选特征框区域；
网络从该部分开始分为两支路处理，其中一条支路卷积核对上一层输出的第j个候选框区域进行卷积操作，使用偏置系数扩充卷积区域，Sj为输入的候选框区域集合，则输出第j个候选框区域
其中，表示该层对第i个候选框区域进行卷积操作的第j个卷积核，表示该层中与第j个卷积核相对应的第j个偏置系数，表示该层输出的第j个候选框区域，g()表示softmax函数，
另一条支路卷积核对上一层输出的第j个候选框区域进行卷积操作，使用偏置系数扩充卷积区域，Tj为输入的候选框区域集合，则输出第j个候选特征向量
其中，表示该层对第i个候选框区域进行卷积操作的第j个卷积核，表示该层中与第j个卷积核相对应的第j个偏置系数，表示该层输出的第j个候选特征向量，包括生成的区域候选框的高度、宽度、中心点平面直角坐标四个参数。
RPN网络的两支输出结果生成了大量的区域候选框，进行Soft-NMS操作，得到精选候选框样本，
其中，si为第i个候选框的得分，M为当前得分最高框，bi为待处理框，Nt为检测的阈值，bi和M的IOU越大，bi的得分si就下降的越厉害，IOU表示预测框与标注框之间的重合度百分比，Soft-NMS改善了漏检和误检问题，有助于提高检测性能。
Precise ROI Pooling是将区域候选网络输出的候选框映射到输入的特征图的相应区域，将该区域输出为相同的尺度后进行池化操作，计算方法为
其中，
(x1,y1)、(x2,y2)为其中一个bin区域的左上角和右下角坐标，bin为池化前分割成的一个个区域，IC函数计算每一个连续的x,y方向的偏移的乘积，在1个像素以内的偏移，使用该像素(i,j)表示，然后该偏移的乘积和(i,j)的像素值wi,j乘积得到f(x,y)。从(x1,y1)到(x2,y2)对f(x,y)求积分，可以得到整个bin区域的像素的和，求平均得到该bin区域的输出。最终每个bin区域都输出1个数值，形成特征图矩阵，Precise ROI Pooling使像素值有梯度的传递，提高了池化的精度。
(3)分类和回归网络部分：
分类和回归网络是将共享卷积网络提取的特征图和区域建议网络生成的候选框输入Precise ROI Pooling，输出尺度相同的特征，分别在分类和回归网络的两条支路处理，一条支路做分类处理，一条支路做回归处理。
全连接层通过卷积核对Precise ROI Pooling输出的j个特征图yj进行卷积操作，使用偏置系数扩充卷积区域，则该层输出的第j个特征图
其中，表示该层中对第i个特征向量进行卷积操作的第j个卷积核，表示与第j个卷积核相对应的第j个偏置系数
下一个全连接层通过卷积核对第四层输出的j个特征图进行卷积操作，使用偏置系数扩充卷积区域，则该层输出的第j个特征图
其中，表示该层中对第i个特征向量进行卷积操作的第j个卷积核，表示第六层中与第j个卷积核相对应的第j个偏置系数
网络从该部分开始分为两支路处理，其中一条支路卷积核对上一层输出的第j个特征图进行卷积操作，使用偏置系数扩充卷积区域，Vj为输入的特征图集合，则输出第j个特征图
其中，表示该层对第i个特征图进行卷积操作的第j个卷积核，表示该层中与第j个卷积核相对应的第j个偏置系数，表示该层输出的第j个特征图，g()表示softmax函数，最后进行q类目标的检测分类，softmax层求出每类的判别概率，输出第j类的检测概率yj；
另一条支路卷积核对上一层输出的第j个特征图进行卷积操作，使用偏置系数扩充卷积区域，Zj为输入的特征图集合，则输出第j个特征向量
其中，表示该层对第i个特征图进行卷积操作的第j个卷积核，表示该层中与第j个卷积核相对应的第j个偏置系数，表示该层输出的第j个特征向量，包括生成的区域候选框的高度、宽度、中心点平面直角坐标四个参数；
两支输出的结果进行Soft-NMS操作生成最终的区域候选框。
3)输入训练数据集对模型进行迭代优化训练，得到最优的网络参数
卷积神经网络训练的目的调整权值系数优化卷积神经网络，进一步提高检测的精确度后获得最优的权值参数。用损失函数来表示输出值与真实值的误差，包括分类损失和回归损失，目标函数是求得损失函数的最小值，从而使得目标检测模型最优化，即通过梯度下降法对参数进行不断的迭代优化，直到损失函数最小，
4)目标检测与分类
重复步骤一，将实时生成的回波数据图像输入到基于大量优质数据训练好的最优目标检测模型中，对目标进行检测和分类一体化处理。

Claims (10)

1.基于Precise ROI-Faster R-CNN的雷达目标图像检测方法，其特征在于，包括以下步骤：
步骤一、将雷达回波数据信息转换为图像，构建训练数据集；
步骤二、构建Precise ROI-Faster R-CNN目标检测模型，包括共享卷积神经网络、区域建议网络、分类和回归网络，并采用ELU激活函数、Precise ROI Pooling方法和Soft-NMS方法；
步骤三、输入训练数据集对模型进行迭代优化训练，得到最优网络参数；
步骤四、将实时雷达回波生成图像，输入训练后的目标检测模型进行测试，完成目标检测与分类。
2.根据权利要求1所述的基于Precise ROI-Faster R-CNN的雷达目标图像检测方法，其特征在于，步骤一所述的训练数据集构建方法为：
采集多种观测条件和区域下的雷达回波数据，将回波数据信息转换为图像信息，对图像进行裁剪和数据增强处理，进行人工识别分类和标签添加，构建雷达图像训练数据集。
3.根据权利要求2所述的基于Precise ROI-Faster R-CNN的雷达目标图像检测方法，其特征在于，步骤二所述的共享卷积神经网络为：
将深度卷积神经网络中的任一网络的卷积层作为共享卷积层，提取的特征共享给区域建议网络和分类和回归网络。
4.根据权利要求2所述的基于Precise ROI-Faster R-CNN的雷达目标图像检测方法，其特征在于，步骤二所述的区域建议网络为：
将共享卷积网络输入的特征分别在两条支路处理，一条支路做预分类处理得到每个特征图的每一个像素位置预设的9种形状尺度框属于前景和背景的得分，另一条支路做回归处理得到对于每个特征图的每一个像素位置预设的9种形状尺度框与加标签的真实检测框之间的4个变换参数，包括2个平移参数和2个伸缩参数，每4个变换参数确定一个候选框，将初步确定的候选框后先用softmax分类的分数排序剔除分数低的候选框，然后采用Soft-NMS做非极大值抑制处理，选取一定数量的候选框作为最终生成的优质候选框。
5.根据权利要求2所述的基于Precise ROI-Faster R-CNN的雷达目标图像检测方法，其特征在于，步骤二所述的分类和回归网络为：
将共享卷积网络提取的特征图和区域建议网络生成的候选框输入Precise ROIPooling，输出尺度相同的特征，分别在分类和回归网络的两条支路处理，一条支路做分类处理，一条支路做回归处理。
6.根据权利要求3所述的基于Precise ROI-Faster R-CNN的雷达目标图像检测方法，其特征在于，步骤二所述的ELU激活函数为：
其中，x为经卷积层卷积后输出的特征图矩阵，α为调节参数。
7.根据权利要求4所述的基于Precise ROI-Faster R-CNN的雷达目标图像检测方法，其特征在于，步骤二所述的Precise ROI Pooling方法为：
其中，
IC(x,y,i,j)＝max(0,1-|x-i|)×max(0,1-|y-i|)，
(x1,y1)、(x2,y2)为其中一个bin区域的左上角和右下角坐标，bin为池化前分割成的一个个区域，IC函数计算每一个连续的x,y方向的偏移的乘积，在1个像素以内的偏移，使用该像素(i,j)表示，然后该偏移的乘积和(i,j)的像素值wi,j乘积得到f(x,y)。
8.根据权利要求4所述的基于Precise ROI-Faster R-CNN的雷达目标图像检测方法，其特征在于，步骤二所述的Soft-NMS方法为：
其中，si为第i个候选框的得分，M为当前得分最高框，bi为待处理框，Nt为检测的阈值，IOU表示预测框与标注框之间的重合度百分比。
9.根据权利要求8所述的基于Precise ROI-Faster R-CNN的雷达目标图像检测方法，其特征在于，步骤三所述的网络参数优化方法为：
将步骤一构建的训练数据集输入步骤二建立的目标检测模型中，利用梯度下降法对模型进行训练，经过不断的迭代优化训练，当损失函数值达到最小值时训练结束，目标检测模型训练完成，网络参数实现最优化。
10.根据权利要求9所述的基于Precise ROI-Faster R-CNN的雷达目标图像检测方法，其特征在于，步骤四所述的测试方法为通过将实时生成的回波数据图像输入到基于大量优质数据训练好的最优目标检测模型中，对目标进行检测和分类一体化处理。
CN201910596538.6A 2019-07-03 2019-07-03 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法 Active CN110210463B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910596538.6A CN110210463B (zh) 2019-07-03 2019-07-03 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910596538.6A CN110210463B (zh) 2019-07-03 2019-07-03 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法

Publications (2)

Publication Number Publication Date
CN110210463A true CN110210463A (zh) 2019-09-06
CN110210463B CN110210463B (zh) 2023-07-11

Family

ID=67796079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910596538.6A Active CN110210463B (zh) 2019-07-03 2019-07-03 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法

Country Status (1)

Country Link
CN (1) CN110210463B (zh)

Cited By (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110598665A (zh) * 2019-09-19 2019-12-20 西南交通大学 一种基于车载移动深度学习平台的杆号识别方法
CN110705604A (zh) * 2019-09-11 2020-01-17 安徽超清科技股份有限公司 一种基于ai算法的动态模型检测方法
CN110728195A (zh) * 2019-09-18 2020-01-24 武汉大学 基于yolo算法的电能质量扰动检测方法
CN110807372A (zh) * 2019-10-15 2020-02-18 哈尔滨工程大学 一种基于深度特征重组的快速光学遥感目标识别方法
CN110895707A (zh) * 2019-11-28 2020-03-20 江南大学 一种强遮挡条件下洗衣机内衣物类型的深度判别方法
CN110942000A (zh) * 2019-11-13 2020-03-31 南京理工大学 一种基于深度学习的无人驾驶车辆目标检测方法
CN111127400A (zh) * 2019-11-29 2020-05-08 深圳蓝韵医学影像有限公司 一种乳腺病变检测方法和装置
CN111291759A (zh) * 2020-01-17 2020-06-16 北京三快在线科技有限公司 文字检测方法、装置、电子设备及存储介质
CN111339864A (zh) * 2020-02-17 2020-06-26 北京百度网讯科技有限公司 异常行为报警方法和装置
CN111401302A (zh) * 2020-04-07 2020-07-10 中国人民解放军海军航空大学 遥感图像舰船目标一体化检测与细粒度识别方法
CN111462060A (zh) * 2020-03-24 2020-07-28 湖南大学 胎儿超声图像中标准切面图像的检测方法和装置
CN111523363A (zh) * 2019-12-27 2020-08-11 珠海大横琴科技发展有限公司 基于电子围网的雷达影像船只识别方法、装置及电子设备
CN111539488A (zh) * 2020-05-27 2020-08-14 北京理工大学 复杂动态轨迹下极窄脉冲雷达抗成像畸变目标分类方法
CN111583671A (zh) * 2020-06-05 2020-08-25 南京信息职业技术学院 一种毫米波雷达路口车流量监测方法及其系统
CN111738237A (zh) * 2020-04-29 2020-10-02 上海海事大学 一种基于异构卷积的多核迭代rpn的目标检测方法
CN111880157A (zh) * 2020-08-06 2020-11-03 中国人民解放军海军航空大学 一种雷达图像中目标的检测方法及系统
CN111898560A (zh) * 2020-08-03 2020-11-06 华南理工大学 一种目标检测中的分类回归特征解耦方法
CN111951230A (zh) * 2020-07-22 2020-11-17 国网安徽省电力有限公司电力科学研究院 一种基于目标检测的防振锤图像数据集训练方法
CN111950488A (zh) * 2020-08-18 2020-11-17 山西大学 一种改进的Faster-RCNN遥感图像目标检测方法
CN112098997A (zh) * 2020-09-18 2020-12-18 欧必翼太赫兹科技(北京)有限公司 三维全息成像安检雷达图像异物检测方法
CN112163454A (zh) * 2020-08-27 2021-01-01 中国海洋大学 基于rd谱增强的高频地波雷达杂波智能分类与定位方法
CN112215244A (zh) * 2020-11-02 2021-01-12 同方威视科技江苏有限公司 货物图像检测方法、装置、设备及存储介质
CN112861849A (zh) * 2020-12-29 2021-05-28 北京航空航天大学 一种脊柱畸形矫正手术术中组织识别方法
CN112907532A (zh) * 2021-02-10 2021-06-04 哈尔滨市科佳通用机电股份有限公司 基于Faster RCNN改进的货车车门脱落检测方法
CN113205564A (zh) * 2021-04-07 2021-08-03 北京理工大学 一种sar智能目标边缘重构方法
CN113269172A (zh) * 2021-07-20 2021-08-17 天津萨瑞德科技有限公司 干涉逆合成孔径雷达三维图像分类方法、装置及存储介质
CN113341391A (zh) * 2021-06-01 2021-09-03 电子科技大学 基于深度学习的未知环境下雷达目标多帧联合检测方法
CN113361437A (zh) * 2021-06-16 2021-09-07 吉林建筑大学 一种微创手术器械类别及位置检测方法与系统
CN113409289A (zh) * 2021-06-29 2021-09-17 南开大学 一种基于Faster R-CNN的古建筑砖面缺陷检测方法
CN113420594A (zh) * 2021-05-20 2021-09-21 西安电子科技大学 基于改进Faster R-CNN的SAR图像舰船检测方法
CN113591645A (zh) * 2021-07-21 2021-11-02 东北电力大学 一种基于区域卷积神经网络的电力设备红外图像识别方法
CN113591854A (zh) * 2021-08-12 2021-11-02 中国海洋大学 一种浮游生物全息图的低冗余快速重建方法
CN113850995A (zh) * 2021-09-14 2021-12-28 华设设计集团股份有限公司 一种基于隧道雷视数据融合的事件检测方法、装置及系统
CN114114190A (zh) * 2021-11-25 2022-03-01 哈尔滨工业大学 基于Mix-CV-CNN网络的三维转动舰船目标识别方法
US11487967B2 (en) 2020-05-15 2022-11-01 International Business Machines Corporation Finetune image feature extraction using environmental data
CN114114190B (zh) * 2021-11-25 2024-07-02 哈尔滨工业大学 基于Mix-CV-CNN网络的三维转动舰船目标识别方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106156744A (zh) * 2016-07-11 2016-11-23 西安电子科技大学 基于cfar检测与深度学习的sar目标检测方法
CN106372571A (zh) * 2016-08-18 2017-02-01 宁波傲视智绘光电科技有限公司 路面交通标志检测与识别方法
US20170076438A1 (en) * 2015-08-31 2017-03-16 Cape Analytics, Inc. Systems and methods for analyzing remote sensing imagery
CN107483232A (zh) * 2017-07-27 2017-12-15 中国船舶重工集团公司第七二四研究所 基于混沌神经网络的雷达协同信息共享分发路径优化方法
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
US20180157972A1 (en) * 2016-12-02 2018-06-07 Apple Inc. Partially shared neural networks for multiple tasks
CN109407067A (zh) * 2018-10-13 2019-03-01 中国人民解放军海军航空大学 基于时频图卷积神经网络的雷达动目标检测与分类一体化方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170076438A1 (en) * 2015-08-31 2017-03-16 Cape Analytics, Inc. Systems and methods for analyzing remote sensing imagery
CN106156744A (zh) * 2016-07-11 2016-11-23 西安电子科技大学 基于cfar检测与深度学习的sar目标检测方法
CN106372571A (zh) * 2016-08-18 2017-02-01 宁波傲视智绘光电科技有限公司 路面交通标志检测与识别方法
US20180157972A1 (en) * 2016-12-02 2018-06-07 Apple Inc. Partially shared neural networks for multiple tasks
CN107483232A (zh) * 2017-07-27 2017-12-15 中国船舶重工集团公司第七二四研究所 基于混沌神经网络的雷达协同信息共享分发路径优化方法
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
CN109407067A (zh) * 2018-10-13 2019-03-01 中国人民解放军海军航空大学 基于时频图卷积神经网络的雷达动目标检测与分类一体化方法

Cited By (49)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110705604A (zh) * 2019-09-11 2020-01-17 安徽超清科技股份有限公司 一种基于ai算法的动态模型检测方法
CN110705604B (zh) * 2019-09-11 2022-11-29 安徽超清科技股份有限公司 一种基于ai算法的动态模型检测方法
CN110728195A (zh) * 2019-09-18 2020-01-24 武汉大学 基于yolo算法的电能质量扰动检测方法
CN110598665A (zh) * 2019-09-19 2019-12-20 西南交通大学 一种基于车载移动深度学习平台的杆号识别方法
CN110598665B (zh) * 2019-09-19 2022-09-09 西南交通大学 一种基于车载移动深度学习平台的杆号识别方法
CN110807372A (zh) * 2019-10-15 2020-02-18 哈尔滨工程大学 一种基于深度特征重组的快速光学遥感目标识别方法
CN110942000A (zh) * 2019-11-13 2020-03-31 南京理工大学 一种基于深度学习的无人驾驶车辆目标检测方法
CN110942000B (zh) * 2019-11-13 2022-09-06 南京理工大学 一种基于深度学习的无人驾驶车辆目标检测方法
CN110895707A (zh) * 2019-11-28 2020-03-20 江南大学 一种强遮挡条件下洗衣机内衣物类型的深度判别方法
CN111127400A (zh) * 2019-11-29 2020-05-08 深圳蓝韵医学影像有限公司 一种乳腺病变检测方法和装置
CN111523363A (zh) * 2019-12-27 2020-08-11 珠海大横琴科技发展有限公司 基于电子围网的雷达影像船只识别方法、装置及电子设备
CN111291759A (zh) * 2020-01-17 2020-06-16 北京三快在线科技有限公司 文字检测方法、装置、电子设备及存储介质
CN111339864A (zh) * 2020-02-17 2020-06-26 北京百度网讯科技有限公司 异常行为报警方法和装置
CN111339864B (zh) * 2020-02-17 2023-11-10 北京百度网讯科技有限公司 异常行为报警方法和装置
CN111462060A (zh) * 2020-03-24 2020-07-28 湖南大学 胎儿超声图像中标准切面图像的检测方法和装置
CN111401302A (zh) * 2020-04-07 2020-07-10 中国人民解放军海军航空大学 遥感图像舰船目标一体化检测与细粒度识别方法
CN111401302B (zh) * 2020-04-07 2022-08-02 中国人民解放军海军航空大学 遥感图像舰船目标一体化检测与细粒度识别方法
CN111738237A (zh) * 2020-04-29 2020-10-02 上海海事大学 一种基于异构卷积的多核迭代rpn的目标检测方法
CN111738237B (zh) * 2020-04-29 2024-03-15 上海海事大学 一种基于异构卷积的多核迭代rpn的目标检测方法
US11487967B2 (en) 2020-05-15 2022-11-01 International Business Machines Corporation Finetune image feature extraction using environmental data
CN111539488B (zh) * 2020-05-27 2021-11-26 北京理工大学 复杂动态轨迹下极窄脉冲雷达抗成像畸变目标分类方法
CN111539488A (zh) * 2020-05-27 2020-08-14 北京理工大学 复杂动态轨迹下极窄脉冲雷达抗成像畸变目标分类方法
CN111583671A (zh) * 2020-06-05 2020-08-25 南京信息职业技术学院 一种毫米波雷达路口车流量监测方法及其系统
CN111951230A (zh) * 2020-07-22 2020-11-17 国网安徽省电力有限公司电力科学研究院 一种基于目标检测的防振锤图像数据集训练方法
CN111898560B (zh) * 2020-08-03 2023-08-01 华南理工大学 一种目标检测中的分类回归特征解耦方法
CN111898560A (zh) * 2020-08-03 2020-11-06 华南理工大学 一种目标检测中的分类回归特征解耦方法
CN111880157B (zh) * 2020-08-06 2023-08-22 中国人民解放军海军航空大学 一种雷达图像中目标的检测方法及系统
CN111880157A (zh) * 2020-08-06 2020-11-03 中国人民解放军海军航空大学 一种雷达图像中目标的检测方法及系统
CN111950488B (zh) * 2020-08-18 2022-07-19 山西大学 一种改进的Faster-RCNN遥感图像目标检测方法
CN111950488A (zh) * 2020-08-18 2020-11-17 山西大学 一种改进的Faster-RCNN遥感图像目标检测方法
CN112163454A (zh) * 2020-08-27 2021-01-01 中国海洋大学 基于rd谱增强的高频地波雷达杂波智能分类与定位方法
CN112098997B (zh) * 2020-09-18 2021-10-15 欧必翼太赫兹科技(北京)有限公司 三维全息成像安检雷达图像异物检测方法
CN112098997A (zh) * 2020-09-18 2020-12-18 欧必翼太赫兹科技(北京)有限公司 三维全息成像安检雷达图像异物检测方法
CN112215244A (zh) * 2020-11-02 2021-01-12 同方威视科技江苏有限公司 货物图像检测方法、装置、设备及存储介质
CN112861849A (zh) * 2020-12-29 2021-05-28 北京航空航天大学 一种脊柱畸形矫正手术术中组织识别方法
CN112907532A (zh) * 2021-02-10 2021-06-04 哈尔滨市科佳通用机电股份有限公司 基于Faster RCNN改进的货车车门脱落检测方法
CN113205564A (zh) * 2021-04-07 2021-08-03 北京理工大学 一种sar智能目标边缘重构方法
CN113205564B (zh) * 2021-04-07 2023-05-05 北京理工大学 一种sar智能目标边缘重构方法
CN113420594A (zh) * 2021-05-20 2021-09-21 西安电子科技大学 基于改进Faster R-CNN的SAR图像舰船检测方法
CN113341391A (zh) * 2021-06-01 2021-09-03 电子科技大学 基于深度学习的未知环境下雷达目标多帧联合检测方法
CN113361437A (zh) * 2021-06-16 2021-09-07 吉林建筑大学 一种微创手术器械类别及位置检测方法与系统
CN113409289A (zh) * 2021-06-29 2021-09-17 南开大学 一种基于Faster R-CNN的古建筑砖面缺陷检测方法
CN113269172A (zh) * 2021-07-20 2021-08-17 天津萨瑞德科技有限公司 干涉逆合成孔径雷达三维图像分类方法、装置及存储介质
CN113591645A (zh) * 2021-07-21 2021-11-02 东北电力大学 一种基于区域卷积神经网络的电力设备红外图像识别方法
CN113591854B (zh) * 2021-08-12 2023-09-26 中国海洋大学 一种浮游生物全息图的低冗余快速重建方法
CN113591854A (zh) * 2021-08-12 2021-11-02 中国海洋大学 一种浮游生物全息图的低冗余快速重建方法
CN113850995A (zh) * 2021-09-14 2021-12-28 华设设计集团股份有限公司 一种基于隧道雷视数据融合的事件检测方法、装置及系统
CN114114190A (zh) * 2021-11-25 2022-03-01 哈尔滨工业大学 基于Mix-CV-CNN网络的三维转动舰船目标识别方法
CN114114190B (zh) * 2021-11-25 2024-07-02 哈尔滨工业大学 基于Mix-CV-CNN网络的三维转动舰船目标识别方法

Also Published As

Publication number Publication date
CN110210463B (zh) 2023-07-11

Similar Documents

Publication Publication Date Title
CN110210463A (zh) 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法
CN110033473B (zh) 基于模板匹配和深度分类网络的运动目标跟踪方法
CN111368769B (zh) 基于改进锚点框生成模型的船舶多目标检测方法
CN109829893A (zh) 一种基于注意力机制的缺陷目标检测方法
CN110119728A (zh) 基于多尺度融合语义分割网络的遥感图像云检测方法
CN109063594A (zh) 基于YOLOv2的遥感图像快速目标检测方法
CN108898065B (zh) 候选区快速筛选与尺度自适应的深度网络舰船目标检测方法
CN105809194B (zh) 一种sar影像翻译为光学影像的方法
CN108416378A (zh) 一种基于深度神经网络的大场景sar目标识别方法
CN103353988B (zh) 异源sar景象特征匹配算法性能评估方法
CN112395987B (zh) 基于无监督域适应cnn的sar图像目标检测方法
CN109146889A (zh) 一种基于高分辨率遥感图像的农田边界提取方法
CN110349160A (zh) 一种基于超像素与模糊c均值聚类sar图像分割方法
CN105761238B (zh) 一种通过灰度统计数据深度信息提取显著目标的方法
CN110060273B (zh) 基于深度神经网络的遥感影像滑坡测图方法
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
CN107169469A (zh) 一种基于机器学习的mimo雷达的材料识别方法
CN110334656A (zh) 基于信源概率加权的多源遥感图像水体提取方法及装置
CN106485239A (zh) 一种利用单类支持向量机检测河流目标的方法
Zhang et al. Nearshore vessel detection based on Scene-mask R-CNN in remote sensing image
Wang et al. A fast underwater optical image segmentation algorithm based on a histogram weighted fuzzy C-means improved by PSO
Yin et al. Road Damage Detection and Classification based on Multi-level Feature Pyramids.
Li et al. Detection of the foreign object positions in agricultural soils using Mask-RCNN
CN116703895B (zh) 基于生成对抗网络的小样本3d视觉检测方法及其系统
CN117351371A (zh) 一种基于深度学习的遥感图像目标检测方法

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
GR01 Patent grant
GR01 Patent grant