CN110223302B - 一种基于旋转区域提取的舰船多目标检测方法 - Google Patents

一种基于旋转区域提取的舰船多目标检测方法 Download PDF

Info

Publication number
CN110223302B
CN110223302B CN201910381699.3A CN201910381699A CN110223302B CN 110223302 B CN110223302 B CN 110223302B CN 201910381699 A CN201910381699 A CN 201910381699A CN 110223302 B CN110223302 B CN 110223302B
Authority
CN
China
Prior art keywords
ship
target
remote sensing
rotation
rotating
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.)
Active
Application number
CN201910381699.3A
Other languages
English (en)
Other versions
CN110223302A (zh
Inventor
杨卫东
陈俊
吴丰阳
王春联
姜昊
兰先超
张达
喻良瑜
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201910381699.3A priority Critical patent/CN110223302B/zh
Publication of CN110223302A publication Critical patent/CN110223302A/zh
Application granted granted Critical
Publication of CN110223302B publication Critical patent/CN110223302B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/60—Rotation of whole images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/64—Analysis of geometric attributes of convexity or concavity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于旋转区域提取的舰船多目标检测方法，包括：采集包含舰船目标的遥感图像，并将遥感图像裁剪为设定大小；分别对遥感图像中包含的舰船目标进行旋转矩形标注，并将标注了旋转矩形的遥感图像作为训练集和测试集；将训练集输入到舰船多目标检测模型中进行训练；将待检测的遥感图像输入训练好的舰船多目标检测模型中进行检测，得到包括舰船目标预选框和对应置信度的初步检测结果；计算置信度最高的预选框与其他预选框的旋转交并比，并将旋转交并比大于设定阈值的预选框删除，得到最终检测结果。本发明通过预测舰船目标的最小面积外接矩形，精确输出舰船目标的位置、长宽和轴向信息，实现多目标检测，检测性能提升显著。

Description

一种基于旋转区域提取的舰船多目标检测方法
技术领域
本发明属于遥感图像处理技术领域，更具体地，涉及一种基于旋转区域提取的舰船多目标检测方法。
背景技术
近年来，卫星遥感技术迅速发展，一批批高分辨率、低重访周期的遥感卫星不断涌现，随着天基观测系统的逐渐完善，遥感技术现已广泛应用于我们日常生活中的各个方面，对海洋表面温度分析、渔业辅助、环境和农业监测、海面战场态势感知等民用和军事领域产生重大影响，遥感技术也受到世界上各个国家越来越多的重视，甚至将其提升到战略高度，作为国家长期稳定发展的战略目标。
针对遥感图像的研究，根据不同领域的发展产生了不同的分支。其中，从大幅面遥感图像中准确找到所有舰船目标，是海洋遥感图像研究的热点。在民用方面，可以通过对遥感图像中港口附近进行监控，实现船舶实时管理，也可以及时发现并预警海上船只事故，帮助海上遇难人员及时得到救助，同时可以对违法船只自动检测，帮助海上交通管理部门全天时监测；在军事领域，可以用于全天时监视海岸线内异常舰船活动，实时分析敌方舰船分布情况，进行海战场态势感知等。
传统的遥感图像研究方法为阈值分割舰船检测算法，但该方法在复杂场景中存在高虚警、抗干扰能力差的问题。研究人员针对此问题引入深度学习检测算法，利用卷积神经网络强大的特征提取能力，增强算法的检测性能。如图2所示，现有的深度学习目标检测网络多是通过预测舰船目标的正外接矩形的中心坐标和长宽信息来预测舰船目标的位置信息，一方面该外接矩形的长宽信息与舰船目标的真实长宽存在显著误差，无法准确预测舰船目标的真实长宽和轴向信息；另一方面，当多舰船目标密集排列时，检测存在粘连，召回率较低。
因此通过引入旋转区域提取算法，预测舰船目标的最小面积外接矩形框，实现精细化预测舰船目标的位置、长宽和轴向信息的同时，避免了普通目标检测模型中相邻预测框相互“抑制”的问题。然而现有的旋转区域提取算法对旋转目标定义多种多样，均存在定义复杂、模型构建困难、预测速度慢等缺点。
发明内容
针对现有技术的缺陷，本发明提供了一种基于旋转区域提取的舰船多目标检测方法，目的在于精确输出舰船目标的位置、长宽和轴向信息，提高舰船预测速度和精度。
为实现上述目的，本发明提供了一种基于旋转区域提取的舰船多目标检测方法，包括：
(1)采集包含舰船目标的遥感图像，并将所述遥感图像裁剪为设定大小；
(2)分别对所述遥感图像中包含的舰船目标进行旋转矩形标注，并将标注了旋转矩形的遥感图像作为训练集和测试集；所述旋转矩形为包含舰船目标的最小面积外接矩形；
(3)利用所述训练集和测试集对包括基础特征提取网络和分类回归网络的舰船多目标检测模型进行训练，得到用于检测舰船目标的舰船多目标检测模型；
(4)将待检测的遥感图像输入训练好的舰船多目标检测模型中进行检测，得到包括舰船目标预选框和对应置信度的初步检测结果；
(5)计算置信度最高的预选框与其他预选框的旋转交并比，并将旋转交并比大于设定阈值的预选框删除，得到最终检测结果。
优选地，步骤(1)中所述遥感图像分辨率为0.6m～3m；所述设定大小为608×608像素。
进一步地，步骤(2)中所述分别对所述遥感图像中包含的舰船目标进行旋转矩形标注，具体包括：
(2.1)以所述遥感图像左上角为原点，将舰船目标的中心点作为旋转矩形的中心点，其坐标表示为(x，y)；
(2.2)以舰船目标右下角为起始点建立二维坐标系，将沿x轴正方向逆时针旋转θ时遇到的舰船目标边沿作为旋转矩形的宽w；
(2.3)将舰船目标另一相邻边沿作为旋转矩形的高h；
(2.4)将角度θ作为旋转矩形的旋转角度；
(2.5)将任意旋转角度的舰船目标标注为(x，y，w，h，θ)。
进一步地，所述角度θ的取值范围为-90°≤θ＜0°。
进一步地，步骤(3)中所述舰船多目标检测模型训练过程中采用的损失函数包括所述旋转矩形旋转角度的损失函数。
优选地，所述旋转矩形旋转角度的损失函数，具体为：
Figure BDA0002053572870000031
其中，λθ为对应的权值系数，θi为当前特征图中第i个网格预测的矩形框的旋转角度，
Figure BDA0002053572870000032
为当前特征图中第i个网格负责的真实矩形框的旋转角度。
进一步地，步骤(5)中所述旋转交并比的计算方法具体为：
(5.1)计算两个旋转矩形的所有交点；
(5.2)将所有交点连接起来，构成一个凸包；
(5.3)在所有交点中以x和y坐标最小的点作为顶点；
(5.4)将所述顶点分别与相邻两个不同的交点连接，构成多个三角形；
(5.5)计算所有三角形的面积之和，得到所述旋转交并比。
优选地，步骤(5)中所述设定阈值为0.5。
通过本发明所构思的以上技术方案，与现有技术相比，能够取得以下有益效果：
(1)本发明通过对舰船目标位置进行重新定义，无需对现有目标检测网络结构进行大幅修改，即可预测舰船目标的最小面积外接矩形，相比其他旋转检测方法，本发明的方法操作更加简单、检测速度更快。
(2)本发明通过预测舰船目标的最小面积外接矩形，精确输出舰船目标的位置、长宽和轴向信息，实现多目标检测，从原理上解决了多舰船目标紧密排列时，检测存在粘连，召回率较低的问题，检测精度更高。
(3)本发明提出新的旋转交并比R-IOU和旋转非极大值抑制R-NMS计算方法，准确、快速剔除多余预测矩形框，进一步提高了舰船预测的速度和精度。
附图说明
图1为本发明的一种基于旋转区域提取的舰船多目标检测方法流程图；
图2为传统目标检测算法预测的外接矩形示意图；
图3为本发明的旋转矩形定义方式示意图；
图4为本发明提出的舰船目标最小面积外接矩形示意图；
图5为本发明的R-YOLO的网络结构图；
图6(a)至图6(c)为本发明的R-IOU计算方法示意图；
图7(a)、图7(b)为本发明的舰船多目标检测结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参考图1，本发明实施例提供了一种基于旋转区域提取的舰船多目标检测方法，包括以下步骤：
(1)采集包含舰船目标的遥感图像，并将遥感图像裁剪为设定大小；
具体地，采集若干包含舰船目标的遥感图像，分辨率0.6m～3m均可；并将遥感图像裁剪为608×608像素大小，裁剪得到的图像中保证含有舰船目标，将输入图像大小提升为608×608像素大小，可以有效提升网络的检测能力，并且提升算法在大幅面遥感图像上遍历检测的速度。
(2)分别对遥感图像中包含的舰船目标进行旋转矩形标注，并将标注了旋转矩形的遥感图像作为训练集和测试集；
具体地，旋转矩形为包含舰船目标的最小面积外接矩形；旋转矩形的定义方式如图3所示，首先定义一张画有旋转矩形的图像，以图像左上角点为原点，旋转矩形的中心点像素坐标为(x，y)，定义旋转矩形的宽w为以矩形右下角顶点为起始点沿x轴正方向逆时针旋转θ度时遇到的第一条边，该条边可能为长边，也可能为短边；确定w后，矩形另一条邻边即为高h。定义旋转矩形的旋转角度为θ，值域为[-90°，0°)
利用上述旋转矩形定义方式对任意旋转角度的舰船目标进行标注，得到如图4所示的舰船目标的最小面积外接矩形，具体方法为：
(2.1)以遥感图像左上角为原点，将舰船目标的中心点作为旋转矩形的中心点，其坐标表示为(x，y)；
(2.2)以舰船目标右下角为起始点建立二维坐标系，将沿x轴正方向逆时针旋转θ时遇到的舰船目标边沿作为旋转矩形的宽w；其中，角度θ的取值范围为-90°≤θ＜0°。
(2.3)将舰船目标另一相邻边沿作为旋转矩形的高h；
(2.4)将角度θ作为旋转矩形的旋转角度；
(2.5)将任意旋转角度的舰船目标标注为(x，y，w，h，θ)；
将所有标注了旋转矩形的遥感图像按照8:2的比例随机划分为训练集和测试集。
(3)将训练集输入到包括基础特征提取网络和分类回归网络的舰船多目标检测模型中进行训练，得到用于检测舰船目标的舰船多目标检测模型；
具体地，搭建基于旋转区域提取的舰船多目标检测模型R-YOLO，包括2个子网络：基础特征提取子网络和分类回归子网络；其中基础特征提取子网络的作用是通过卷积层对输入图像进行基础特征提取；分类回归子网络的作用是对前面提取出来的基础特征进行分类和坐标回归，网络整体结构如图5所示；本发明的舰船多目标检测模型与现有检测模型的区别在于：一是添加BN(BatchNormalization，批归一化)层；二是网络输出维度增加一维，输出旋转角度θ，输出结果为(x，y，w，h，θ，class，conf)，即舰船目标的x坐标、y坐标、长w、宽h、旋转角度θ、类别class、置信度conf；
模型搭建后选好超参数，初始化网络；将训练集输入到模型中进行训练；输出训练数据，开始反向传播迭代训练网络；每隔n个epoch对测试集计算损失函数loss，按照训练策略调整超参；
为了加速模型收敛，首先加载预训练模型，固定前两层权值不变，将学习率置为：0.001，初始训练30epoch后，将前两层权值解冻，学习率降到0.0001，继续训练100epoch，训练过程中设置早停和降低学习率操作，如果训练过程中loss不再下降，则降低学习率；如果通过降低学习率的方式仍然无法降低loss，则终止训练。本发明的模型训练采用Adam优化方法；
与普通的目标检测方法不同，为了检测舰船目标的最小面积外接矩形，需要增加旋转矩形旋转角度的损失函数，得到新的损失函数为：
Loss＝L(x,y,w,h)+Lθ+Lclass+Liou
其中，L(x,y,w,h)表示网络预测矩形框和真实矩形框的定位误差，具体为：
Figure BDA0002053572870000061
其中，λcoord为计算L(x,y,w,h)时对应的权值系数，S为特征图的边长，
Figure BDA0002053572870000071
表示表示特征图上所有的网格，
Figure BDA0002053572870000072
表示遍历每个网格对应的预测框，xi,yi wi,hi分别表示当前特征图中第i个网格预测的矩形框的坐标和长宽，
Figure BDA0002053572870000073
分别表示当前特征图中第i个网格负责的真实矩形框的坐标和长宽，
Figure BDA0002053572870000074
为特征图中第i个网格中的第j个box是否负责这个目标，为0时表示不负责，为1时表示负责；
Lθ表示增加的旋转矩形旋转角度的损失函数，具体为：
Figure BDA0002053572870000075
其中，λθ为计算Lθ时对应的权值系数，θi为当前特征图中第i个网格预测的矩形框的旋转角度，
Figure BDA0002053572870000076
为当前特征图中第i个网格负责的真实矩形框的旋转角度；
Lclass为旋转矩形对应类别的损失函数，具体为：
Figure BDA0002053572870000077
其中，λnoobj为该项对应的权值系数，Ci表示当前特征图中第i个网格预测的矩形框的类别，
Figure BDA0002053572870000078
表示当前特征图中第i个网格负责的真实矩形框的类别，
Figure BDA0002053572870000079
为特征图中第i个网格中的第j个box是否不负责这个目标，为0时表示负责，为1时表示不负责；
Liou为网络预测矩形框的置信度损失函数，具体为：
Figure BDA00020535728700000710
其中，Pi(c)表示当前特征图中第i个网格预测的矩形框的置信度，
Figure BDA00020535728700000711
表示当前特征图中第i个网格负责的真实矩形框的置信度；
在模型损失函数的计算过程中，为了判断特征图中各个网格对应的预测框是否包含真实目标，需要计算预测框和真实目标的交并比值(IOU)，如果该值大于指定阈值，则认为该预测框包含真实目标，否则认为该预测框不包含，属于负样本；
具体地，普通的目标检测算法中，对于两个正矩形计算交并比较为简单，但是由于两个旋转矩形相交的形式多种多样，计算交并比很困难，参考图6(a)至图6(c)，本发明提出新的旋转交并比R-IOU的计算方法如下：
计算两个旋转矩形的所有交点；
将所有交点连接起来，构成一个凸包；
在所有交点中以x和y坐标最小的点作为顶点；
将所述顶点分别与相邻两个不同的交点连接，构成多个三角形；
计算所有三角形的面积之和，得到所述旋转交并比。
(4)将待检测的遥感图像输入训练好的舰船多目标检测模型中进行检测，得到包括舰船目标预选框和对应得分的初步检测结果；
(5)计算置信度最高的预选框与其他预选框的旋转交并比，并将旋转交并比大于设定阈值的预选框删除，得到最终检测结果。
具体地，在预测阶段需要剔除多余的预测框，由于预测的是目标的最小面积外接矩形框，本发明基于旋转交并比R-IOU提出旋转非极大值抑制R-NMS的计算方法，具体步骤如下：
在同一类别中，所有的预测框按置信度从高到低排序；
选取置信度最高的预测框为基准，计算该预测框与其他预测框的旋转交并比，将旋转交并比大于阈值的全部删除；
在剩余预测框中，选取得分最高的作为基准框，重复以上步骤，直至该类别所有预测框处理完毕；
遍历所有类别，重复以上步骤，直至所有预测框处理完毕。
本发明采用的预设阈值为0.5，采用本发明方法检测单只舰船目标的结果如图7(a)所示，检测密集排列的多舰船目标结果如图7(b)所示，当多舰船目标密集排列时，采用本发明的方法可以预测舰船目标的最小面积外接矩形，精确输出舰船目标的位置、长宽和轴向信息，实现多目标检测。
为了验证本发明方法对于舰船多目标检测的有效性，与现有主流目标检测网络YOLOv3和旋转区域提取网络R2CNN、R-RPN进行对比分析，不同模型采用的训练集和测试集完全一致，预测结果如表1所示。
测试中采用平均精度、召回率、模型大小、平均检测耗时四个评价指标对各方法进行测试。根据测试结果可知，相比于两阶段旋转区域提取网络(R2CNN、R-RPN)而言，本方法为一阶段(one-stage)算法，检测精度和召回率略有下降，但是模型大小和检测耗时大幅下降、实时性能更优、嵌入式应用能力更强；相比于改进前的目标检测网络YOLOv3而言，本方法在不增加模型参数量和检测耗时的基础上，显著提升了舰船目标检测的平均精度和召回率。
表1
实验序号 方法 平均精度AP/％ 召回率R/％ 模型大小/M 平均检测耗时/ms
1 R<sup>2</sup>CNN 95.8 94.1 378 386
2 R-RPN 96.1 94.2 348 357
3 YOLOv3 88.4 87.5 246.9 83
4 R-YOLO 93.2 93.7 246.9 78
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于旋转区域提取的舰船多目标检测方法，其特征在于，包括：
(1)采集包含舰船目标的遥感图像，并将所述遥感图像裁剪为设定大小；
(2)分别对所述遥感图像中包含的舰船目标进行旋转矩形标注，并将标注了旋转矩形的遥感图像作为训练集和测试集；所述旋转矩形为包含舰船目标的最小面积外接矩形；步骤(2)中所述分别对所述遥感图像中包含的舰船目标进行旋转矩形标注，具体包括：
(2.1)以所述遥感图像左上角为原点，将舰船目标的中心点作为旋转矩形的中心点，其坐标表示为(x，y)；
(2.2)以舰船目标右下角为起始点建立二维坐标系，将沿x轴正方向逆时针旋转θ时遇到的舰船目标边沿作为旋转矩形的宽w；
(2.3)将舰船目标另一相邻边沿作为旋转矩形的高h；
(2.4)将角度θ作为旋转矩形的旋转角度；
(2.5)将任意旋转角度的舰船目标标注为(x，y，w，h，θ)；所述角度θ的取值范围为-90°≤θ＜0°；
(3)利用所述训练集和测试集对包括基础特征提取网络和分类回归网络的舰船多目标检测模型进行训练，得到用于检测舰船目标的舰船多目标检测模型；步骤(3)中所述舰船多目标检测模型训练过程中采用的损失函数包括所述旋转矩形旋转角度的损失函数；所述旋转矩形旋转角度的损失函数，具体为：
Figure FDA0003159139990000011
其中，λθ为对应的权值系数，θi为当前特征图中第i个网格预测的矩形框的旋转角度，
Figure FDA0003159139990000012
为当前特征图中第i个网格负责的真实矩形框的旋转角度；
Figure FDA0003159139990000021
为特征图中第i个网格中的第j个box是否负责这个目标，为0时表示不负责，为1时表示负责；S为特征图的边长；B表示每一个网格对应的预测框的个数；
(4)将待检测的遥感图像输入训练好的舰船多目标检测模型中进行检测，得到包括舰船目标预选框和对应置信度的初步检测结果；
(5)计算置信度最高的预选框与其他预选框的旋转交并比，并将旋转交并比大于设定阈值的预选框删除，得到最终检测结果；步骤(5)中所述旋转交并比的计算方法具体为：
(5.1)计算两个旋转矩形的所有交点；
(5.2)将所有交点连接起来，构成一个凸包；
(5.3)在所有交点中以x和y坐标最小的点作为顶点；
(5.4)将所述顶点分别与相邻两个不同的交点连接，构成多个三角形；
(5.5)计算所有三角形的面积之和，得到所述旋转交并比。
2.根据权利要求1所述的一种基于旋转区域提取的舰船多目标检测方法，其特征在于，步骤(1)中所述遥感图像分辨率为0.6m～3m；所述设定大小为608×608像素。
3.根据权利要求1所述的一种基于旋转区域提取的舰船多目标检测方法，其特征在于，步骤(5)中所述设定阈值为0.5。
CN201910381699.3A 2019-05-08 2019-05-08 一种基于旋转区域提取的舰船多目标检测方法 Active CN110223302B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910381699.3A CN110223302B (zh) 2019-05-08 2019-05-08 一种基于旋转区域提取的舰船多目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910381699.3A CN110223302B (zh) 2019-05-08 2019-05-08 一种基于旋转区域提取的舰船多目标检测方法

Publications (2)

Publication Number Publication Date
CN110223302A CN110223302A (zh) 2019-09-10
CN110223302B true CN110223302B (zh) 2021-11-19

Family

ID=67820690

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910381699.3A Active CN110223302B (zh) 2019-05-08 2019-05-08 一种基于旋转区域提取的舰船多目标检测方法

Country Status (1)

Country Link
CN (1) CN110223302B (zh)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796048B (zh) * 2019-10-18 2022-11-04 武汉大学 一种基于深度神经网络的船舰目标实时检测方法
CN111028264B (zh) * 2019-10-24 2022-08-12 清华大学 一种旋转鲁棒的三维物体检测优化方法及装置
CN110991230B (zh) * 2019-10-25 2023-08-11 湖北富瑞尔科技有限公司 基于旋转候选框的任意方向遥感影像舰船检测方法及系统
CN111091095B (zh) * 2019-12-19 2022-03-29 华中科技大学 一种遥感图像中船只目标的检测方法
CN111144475A (zh) * 2019-12-22 2020-05-12 上海眼控科技股份有限公司 车厢座位的确定方法、装置、电子设备及可读存储介质
CN111027512B (zh) * 2019-12-24 2023-04-18 北方工业大学 一种遥感图像近岸船检测与定位方法及装置
CN111738072A (zh) * 2020-05-15 2020-10-02 北京百度网讯科技有限公司 目标检测模型的训练方法、装置及电子设备
CN111563473B (zh) * 2020-05-18 2022-03-18 电子科技大学 基于密集特征融合和像素级注意力的遥感舰船识别方法
CN111914935B (zh) * 2020-08-03 2022-07-15 哈尔滨工程大学 一种基于深度学习的船舶图像目标检测方法
CN112215123B (zh) * 2020-10-09 2022-10-25 腾讯科技（深圳）有限公司 一种目标检测方法、装置及存储介质
CN112215308B (zh) * 2020-12-13 2021-03-30 之江实验室 一种吊装物体单阶检测方法、装置、电子设备及存储介质
CN113033644B (zh) * 2021-03-18 2021-12-07 中国科学院大学 一种基于凸包特征自适应的旋转密集目标检测方法
CN113191372B (zh) * 2021-04-29 2022-05-20 华中科技大学 一种舰船目标有向检测模型的构建方法及应用
CN112950636B (zh) * 2021-04-29 2022-04-12 山东仕达思生物产业有限公司 基于R3Det的女性阴道病原体的旋转框目标检测方法
CN113569194B (zh) * 2021-06-10 2022-11-25 中国人民解放军海军工程大学 用于目标检测的旋转矩形框表示及回归方法
CN113284185B (zh) * 2021-06-16 2022-03-15 河北工业大学 用于遥感目标检测的旋转目标检测方法
CN113627310B (zh) * 2021-08-04 2023-11-24 中国电子科技集团公司第十四研究所 一种背景与尺度感知的sar舰船目标检测方法
CN113449702B (zh) * 2021-08-31 2021-12-03 天津联图科技有限公司 遥感图像的目标检测方法、装置、存储介质及电子设备
CN113469302A (zh) * 2021-09-06 2021-10-01 南昌工学院 一种视频图像的多圆形目标识别方法和系统
CN113920250B (zh) * 2021-10-21 2023-05-23 广东三维家信息科技有限公司 一种户型编码匹配方法及装置
CN114283275B (zh) * 2022-03-04 2022-08-16 南昌工学院 一种基于优化深度学习的多图形目标检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101206736B1 (ko) * 2011-06-22 2012-11-30 중앙대학교 산학협력단 회전된 얼굴 영역 검출 장치 및 방법
CN106022307A (zh) * 2016-06-08 2016-10-12 中国科学院自动化研究所 基于船只旋转矩形空间的遥感图像船只检测方法
CN106780525A (zh) * 2016-11-18 2017-05-31 北方工业大学 基于坐标旋转最小外接矩形的光学遥感图像船只方向特征提取方法
CN107895173A (zh) * 2017-11-06 2018-04-10 国网重庆市电力公司电力科学研究院 标注图像目标的方法、装置、设备及可读存储介质
CN108319949A (zh) * 2018-01-26 2018-07-24 中国电子科技集团公司第十五研究所 一种高分辨率遥感图像中多朝向舰船目标检测与识别方法
CN108960135A (zh) * 2018-07-03 2018-12-07 西北工业大学 基于高分辨遥感图像的密集舰船目标精确检测方法
CN108960230A (zh) * 2018-05-31 2018-12-07 中国科学院自动化研究所 基于旋转矩形框的轻量化目标识别方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101206736B1 (ko) * 2011-06-22 2012-11-30 중앙대학교 산학협력단 회전된 얼굴 영역 검출 장치 및 방법
CN106022307A (zh) * 2016-06-08 2016-10-12 中国科学院自动化研究所 基于船只旋转矩形空间的遥感图像船只检测方法
CN106780525A (zh) * 2016-11-18 2017-05-31 北方工业大学 基于坐标旋转最小外接矩形的光学遥感图像船只方向特征提取方法
CN107895173A (zh) * 2017-11-06 2018-04-10 国网重庆市电力公司电力科学研究院 标注图像目标的方法、装置、设备及可读存储介质
CN108319949A (zh) * 2018-01-26 2018-07-24 中国电子科技集团公司第十五研究所 一种高分辨率遥感图像中多朝向舰船目标检测与识别方法
CN108960230A (zh) * 2018-05-31 2018-12-07 中国科学院自动化研究所 基于旋转矩形框的轻量化目标识别方法及装置
CN108960135A (zh) * 2018-07-03 2018-12-07 西北工业大学 基于高分辨遥感图像的密集舰船目标精确检测方法

Also Published As

Publication number Publication date
CN110223302A (zh) 2019-09-10

Similar Documents

Publication Publication Date Title
CN110223302B (zh) 一种基于旋转区域提取的舰船多目标检测方法
KR102129893B1 (ko) 딥러닝 네트워크 및 평균 이동을 기반으로 하는 선박 자동추적 방법 및 시스템
Chen et al. Distribution line pole detection and counting based on YOLO using UAV inspection line video
CN110232350B (zh) 一种基于在线学习的实时水面多运动目标检测跟踪方法
CN113409314B (zh) 高空钢结构腐蚀的无人机视觉检测与评价方法及系统
CN109932730B (zh) 基于多尺度单极三维检测网络的激光雷达目标检测方法
CN109145836B (zh) 基于深度学习网络和卡尔曼滤波的船只目标视频检测方法
CN111079518B (zh) 一种基于执法办案区场景下的倒地异常行为识别方法
CN111753682B (zh) 一种基于目标检测算法的吊装区域动态监控方法
CN103839065A (zh) 人群动态聚集特征提取方法
CN114749342B (zh) 一种锂电池极片涂布缺陷识别方法、装置及介质
CN108564588B (zh) 一种基于深度特征和图割法的建成区自动提取方法
CN110647802A (zh) 基于深度学习的遥感影像舰船目标检测方法
CN113409325B (zh) 基于精细分割的大幅面sar影像舰船目标检测识别方法
CN112348758B (zh) 一种光学遥感图像数据增强方法及目标识别方法
CN117409190B (zh) 一种实时红外图像目标检测方法、装置、设备及存储介质
CN115100741B (zh) 一种点云行人距离风险检测方法、系统、设备和介质
Yi et al. An efficient method of pavement distress detection based on improved YOLOv7
CN116863353A (zh) 一种基于旋转目标检测网络的电力杆塔倾斜程度检测方法
CN111354016A (zh) 基于深度学习和差异值哈希的无人机舰船跟踪方法及系统
CN106529391B (zh) 一种鲁棒的限速交通标志检测与识别方法
CN113379603B (zh) 一种基于深度学习的船舶目标检测方法
CN114488350A (zh) 一种基于雷达图信息处理的山地城市短时降雨预报方法
CN112651986B (zh) 环境识别方法、识别装置、识别系统、电子设备及介质
Chen et al. Intrusion detection of specific area based on video

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