CN110378308B - 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法 - Google Patents
改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法 Download PDFInfo
- Publication number
- CN110378308B CN110378308B CN201910674944.XA CN201910674944A CN110378308B CN 110378308 B CN110378308 B CN 110378308B CN 201910674944 A CN201910674944 A CN 201910674944A CN 110378308 B CN110378308 B CN 110378308B
- Authority
- CN
- China
- Prior art keywords
- target
- region
- sar image
- area
- detection
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种改进的基于Faster R‑CNN的港口SAR图像近岸舰船检测方法,包括以下步骤:S1、选取SAR图像样本集,构建卷积神经网络;S2、将目标SAR图像输入步骤卷积神经网络提取特征图;S3、生成候选区域建议;S4、目标区域池化;S5、进行二分类:根据S4得到的目标区域特征图计算目标类型,区分目标是舰船还是背景,形成分类分数;S6、边框回归:根据S4得到的目标区域特征图,进行边界框回归细化边界框,最终获得检测框的精确位置;S7、消除虚警,得到最终的存在感兴趣目标的区域。本发明引入深度学习的方法用于合成孔径雷达目标检测,改变了单一的依据阈值选取最终检测框的方式,将基于特征的方法和基于像素的方法相结合,提高了检测率,降低了虚警率。
Description
技术领域
本发明属于雷达目标检测领域,特别涉及一种改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种具有全天候、全天时工作能力的高分辨率微波成像雷达,广泛应用于海洋及水文观测、环境及灾害监视以及陆、海追踪与救援等军用和民用领域。港口是军用和民用领域的重要设施,港口船舶探测对港口监视和海上交通具有重要的战略意义。在港口环境下利用SAR图像对感兴趣的舰船目标进行探测和识别是雷达领域的一项富有挑战性的工作。
港口舰船目标检测的关键问题是港口属于海陆混合环境。对于远离口岸的舰船,可以通过局部阈值分割进行粗略定位,但对于停泊在码头附近的船舶,由于船舶与港口之间的灰度相似,无法直接分割提取目标。
SAR图像的舰船检测研究已经开展了很多,也取得了一些有价值的成果。其中恒虚警检测是SAR图像中应用最广泛的舰船检测算法之一,但是,此类方法只能利用基于像素的强度信息,难以提取有效的特征,导致复杂港区的检测率下降,误报率上升。此外,传统的海陆空分割方法对目标进行检测,使用人工特征,在近岸区域效果较差。
最近,随着神经网络对分类任务记录的不断刷新,文献“Girshick R,Donahue J,Darrell T,et al.Rich feature hierarchies for accurate object detection andsemantic segmentation[C].Proceedings of the IEEE conference on computervision and pattern recognition.2014:580-587.”,“Girshick R.Fast R-CNN[J].Computer Science,2015.”,“Ren S,He K,Girshick R,et al.Faster R-CNN:towardsreal-time object detection with region proposal networks[J].2015.”将CNN引入到检测任务中。在光学图像上检测结果达到了前所未有的高水平。同时,可以获得大量的SAR图像。因此,基于深度学习方法的SAR图像目标检测技术应运而生。然而,由于港区环境的复杂性和SAR成像机制的特殊性,港区河堤和建筑物在SAR图像中呈现出相似的特征。这些原因导致了基于深度学习方法的船舶检测系统导致了检测率和虚警率之间的矛盾。
发明内容
本发明的目的在于克服现有技术的不足,提供一种引入深度学习的方法用于合成孔径雷达目标检测,改变了单一的依据阈值选取最终检测框的方式,使用基于像素及区域稳定性的MSER方法作为判决准则,将基于特征的方法和基于像素的方法相结合,提高检测率的同时,能够有效降低虚警率的改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法。
本发明的目的是通过以下技术方案来实现的:一种改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法,包括以下步骤:
S1、选取近岸场景SAR图像作SAR图像样本集,利用选取的SAR图像样本集构建卷积神经网络;
S2、特征提取:将目标SAR图像输入步骤S1构建的卷积神经网络中,提取目标SAR图像的特征图;
S3、生成候选区域建议:将步骤S2得到的特征图输入区域建议网络生成候选区域建议;
S4、目标区域池化:以S2输出的特征图和S3输出的候选区域建议为输入,将候选区域建议映射到特征图的对应位置,对映射后的特征图进行池化操作;
S5、进行二分类:根据S4得到的目标区域特征图计算目标类型,区分目标是舰船还是背景,形成分类分数;
S6、边框回归:根据S4得到的目标区域特征图,进行边界框回归细化边界框,最终获得检测框的精确位置;
S7、消除虚警,得到最终的存在感兴趣目标的区域。
进一步地,所述步骤S4具体实现方法为:将映射后的特征区域划分为相同大小的块,块的数量与输出特征图的维度相同,然后对每个块进行最大池化操作,将一组大小不一的候选区域特征图转化为固定统一尺寸的特征图。
进一步地,所述步骤S5中采用全连接和softmax对每个特征图即每个区域建议进行分类。
进一步地,所述步骤S7包括以下子步骤:
S71、非极大值抑制,针对步骤S6得到一组检测框,对于每个窗口,选取邻域里分数最高,抑制分数低的检测框,去除冗余的检测框;
S72、MSER面积变化率滤波,将分类分数低于阈值T的舍弃,不低于T的区域利用公式(1)计算MSER稳定度:
满足公式(1)的区域被认为是稳定区域即舰船目标区域,不满足面积变化率的检测框将被舍弃;
其中代表了极值区域,{ni|ni=ni+1-Δ},Δ是指灰度范围,S(·)表示区域的面积,R代表检测框集合,ε表示面积变化率的上限,表示极值区域的面积变化率,表示包含的区域建议的分类得分,T表示分类分数阈值;
S73、进行形态学滤波,在S72的基础上,利用面积滤波、长宽比滤波的形态学滤波方法进一步去除虚警,得到最终的存在感兴趣目标的区域:
其中,R1表示面积滤波器后的区域集合,R2表示长宽比滤波器后的区域集合,rWH表示长宽比,W(·)和L(·)分别表示区域的宽度和长度,[a,b]为面积大小的范围,[c,d]表示长宽比的范围。
本发明的有益效果是:本发明引入深度学习的方法用于合成孔径雷达目标检测,克服了由于港口地物目标与船体在灰度和纹理特征上的高度相似性造成的传统的方法无法实现有效的近岸船舶检测的问题;同时,改变了单一的依据阈值选取最终检测框的方式,使用基于像素及区域稳定性的MSER方法作为判决准则,将基于特征的方法和基于像素的方法相结合,充分利用了SAR图像信息,提高检测率的同时,能够有效降低虚警率。
附图说明
图1为港口SAR图像近岸舰船检测方法的流程图;
图2为end-to-end实时检测模型Faster RCNN结构图。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
如图1所示,本发明的一种改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法,包括以下步骤:
S1、选取近岸场景SAR图像作SAR图像样本集,利用选取的SAR图像样本集构建卷积神经网络;
本实施例所用数据大部分来自欧洲航天局(ESA)在互联网上免费提供的Sentinel-1。一小部分来自印度维萨卡帕特南港的TerraSAR-X,其余的来自中国烟台港的RadarSat-2。从中选取近岸场景SAR图像作为样本集。其中,训练集812张,验证集116张,测试集232张。有几种分辨率和极化方式,分辨率和极化方式的多样性是训练模型具有良好适应性的重要保证。
搭建end-to-end实时检测模型Faster RCNN结构,具体结构如图2所示。然后将选取的SAR图像样本输入到基于end-to-end实时检测模型Faster RCNN的网络结构中训练,最后得到训练好的网络模型。
S2、特征提取:将目标SAR图像输入步骤S1构建的卷积神经网络中,提取目标SAR图像的特征图;这里的特征提取卷积神经网络是共享的,包括13个卷积层、13个激活层、4个池化层,经过此特征提取后得到特征图,该特征图被共享用于后续的区域建议网络和全连接层。
S3、生成候选区域建议:将步骤S2得到的特征图输入区域建议网络(RegionProposal Network,RPN)生成候选区域建议,该网络以图像的特征图为输入,输出一组矩形的区域建议;将步骤S2中得到的特征图输入到区域建议网络(Region Proposal Network,RPN)得到一组区域建议,其中包括在特征图上逐点滑动一个3×3的窗口,特征图中的每个点,即每次滑动窗口位置的中心点位置映射到原始图像中,分别产生三种不同尺度(128、256、512)三种不同长宽比(1:1、0.5:1、1:0.5)的9个候选感兴趣目标区域,再利用分类网络判断属于前景还是背景,即是舰船目标还是不感兴趣的背景,再利用边界框回归修正建议框。
S4、目标区域池化:以S2输出的特征图和S3输出的候选区域建议为输入,将候选区域建议映射到特征图的对应位置,对映射后的特征图进行池化操作;具体实现方法为:将映射后的特征区域划分为相同大小的块(块的数量与输出特征图的维度相同),然后对每个块进行最大池化操作,将一组大小不一的候选区域特征图转化为固定统一尺寸的特征图,以进行后续工作。
S5、进行二分类:根据S4得到的目标区域特征图计算目标类型,区分目标是舰船还是背景,形成分类分数;具体是采用全连接和softmax对每个特征图即每个区域建议进行分类。
S6、边框回归:根据S4得到的目标区域特征图,进行边界框回归细化边界框,最终获得检测框的精确位置;
S7、消除虚警,得到最终的存在感兴趣目标的区域;具体包括以下子步骤:
S71、非极大值抑制,针对步骤S6得到一组检测框,对于每个窗口,选取邻域里分数最高,抑制分数低的检测框,去除冗余的检测框,找到最佳的物体检测位置。具体方式是:将步骤S6中得到的各个检测框的分类分数进行排序,然后选择分类分数最高的检测框,将其作为标准,依次遍历剩余检测框,当其与标准检测框的重合程度高于阈值时就将其舍弃,当遍历完所有剩余检测框后,重新选择剩余检测框中分类分数最大的检测框作为标准检测框,重复上述操作,直至遍历完所有的检测框;
S72、MSER面积变化率滤波,遍历所有经过非极大值抑制后的留下的检测框,将分类分数低于阈值T的舍弃,不低于T的区域利用公式(1)计算MSER稳定度:
满足公式(1)的区域被认为是稳定区域即舰船目标区域,不满足面积变化率的检测框将被舍弃;
其中代表了极值区域,{ni|ni=ni+1-Δ},Δ是指灰度范围,S(·)表示区域的面积,R代表检测框集合,ε表示面积变化率的上限,表示极值区域的面积变化率,表示包含的区域建议的分类得分,T表示分类分数阈值;
S73、进行形态学滤波,在S72的基础上,利用面积滤波、长宽比滤波的形态学滤波方法进一步去除虚警,得到最终的存在感兴趣目标的区域:
其中,R1表示面积滤波器后的区域集合,R2表示长宽比滤波器后的区域集合,rWH表示长宽比,W(·)和L(·)分别表示区域的宽度和长度,[a,b]为面积大小的范围,[c,d]表示长宽比的范围。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (3)
1.一种改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法,其特征在于,包括以下步骤:
S1、选取近岸场景SAR图像作SAR图像样本集,利用选取的SAR图像样本集构建卷积神经网络;
S2、特征提取:将目标SAR图像输入步骤S1构建的卷积神经网络中,提取目标SAR图像的特征图;
S3、生成候选区域建议:将步骤S2得到的特征图输入区域建议网络生成候选区域建议;
S4、目标区域池化:以S2输出的特征图和S3输出的候选区域建议为输入,将候选区域建议映射到特征图的对应位置,对映射后的特征图进行池化操作;
S5、进行二分类:根据S4得到的目标区域特征图计算目标类型,区分目标是舰船还是背景,形成分类分数;
S6、边框回归:根据S4得到的目标区域特征图,进行边界框回归细化边界框,最终获得检测框的精确位置;
S7、消除虚警,得到最终的存在感兴趣目标的区域;
包括以下子步骤:
S71、非极大值抑制,针对步骤S6得到一组检测框,对于每个窗口,选取邻域里分数最高,抑制分数低的检测框,去除冗余的检测框;
S72、MSER面积变化率滤波,将分类分数低于阈值T的舍弃,不低于T的区域利用公式(1)计算MSER稳定度:
满足公式(1)的区域被认为是稳定区域即舰船目标区域,不满足面积变化率的检测框将被舍弃;
其中代表了极值区域,{ni|ni=ni+1-Δ},Δ是指灰度范围,S(·)表示区域的面积,R代表检测框集合,ε表示面积变化率的上限,表示极值区域的面积变化率,表示包含的区域建议的分类得分,T表示分类分数阈值;
S73、进行形态学滤波,在S72的基础上,利用面积滤波、长宽比滤波的形态学滤波方法进一步去除虚警,得到最终的存在感兴趣目标的区域:
其中,R1表示面积滤波器后的区域集合,R2表示长宽比滤波器后的区域集合,rWH表示长宽比,W(·)和L(·)分别表示区域的宽度和长度,[a,b]为面积大小的范围,[c,d]表示长宽比的范围。
2.根据权利要求1所述的一种改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法,其特征在于,所述步骤S4具体实现方法为:将映射后的特征区域划分为相同大小的块,块的数量与输出特征图的维度相同,然后对每个块进行最大池化操作,将一组大小不一的候选区域特征图转化为固定统一尺寸的特征图。
3.根据权利要求1所述的一种改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法,其特征在于,所述步骤S5中,采用全连接和softmax对每个特征图即每个区域建议进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910674944.XA CN110378308B (zh) | 2019-07-25 | 2019-07-25 | 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910674944.XA CN110378308B (zh) | 2019-07-25 | 2019-07-25 | 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110378308A CN110378308A (zh) | 2019-10-25 |
CN110378308B true CN110378308B (zh) | 2021-07-20 |
Family
ID=68255803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910674944.XA Active CN110378308B (zh) | 2019-07-25 | 2019-07-25 | 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378308B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969213A (zh) * | 2019-12-10 | 2020-04-07 | 珠海大横琴科技发展有限公司 | 一种基于Faster RCNN的船只检测方法、装置及电子设备 |
CN111080596A (zh) * | 2019-12-11 | 2020-04-28 | 浙江工业大学 | 一种融合局部阴影与全局特征的尘肺病辅助筛查方法及系统 |
CN113051963A (zh) * | 2019-12-26 | 2021-06-29 | 中移(上海)信息通信科技有限公司 | 垃圾检测方法、装置、电子设备及计算机存储介质 |
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 |
CN111242061B (zh) * | 2020-01-17 | 2021-03-16 | 电子科技大学 | 一种基于注意力机制的合成孔径雷达舰船目标检测方法 |
CN111582207B (zh) * | 2020-05-13 | 2023-08-15 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN111783523B (zh) * | 2020-05-19 | 2022-10-21 | 中国人民解放军93114部队 | 一种遥感影像旋转目标检测方法 |
CN112036400B (zh) * | 2020-07-09 | 2022-04-05 | 北京航空航天大学 | 构建用于目标检测的网络的方法和目标检测方法及系统 |
CN112115891B (zh) * | 2020-09-24 | 2022-06-14 | 电子科技大学 | 一种基于一维多向抽取的sar图像港口检测方法 |
CN112285712B (zh) * | 2020-10-15 | 2023-09-15 | 电子科技大学 | 一种提高sar图像中靠岸船只检测精度的方法 |
CN112580629A (zh) * | 2020-12-23 | 2021-03-30 | 深圳市捷顺科技实业股份有限公司 | 一种基于深度学习的车牌字符识别方法以及相关装置 |
CN113284135B (zh) * | 2021-06-21 | 2022-10-04 | 河北工业大学 | 基于全局与局部上下文信息的sar舰船检测方法 |
CN115019187B (zh) * | 2022-08-09 | 2022-11-22 | 中国科学院空天信息创新研究院 | 针对sar图像船舶目标的检测方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316016A (zh) * | 2017-06-19 | 2017-11-03 | 桂林电子科技大学 | 一种基于Hadoop和监控视频流的车辆轨迹统计方法 |
DE102017208718A1 (de) * | 2017-05-23 | 2018-11-29 | Conti Temic Microelectronic Gmbh | Verfahren zur Erkennung von Objekten in einem Bild einer Kamera |
CN109299688A (zh) * | 2018-09-19 | 2019-02-01 | 厦门大学 | 基于可变形快速卷积神经网络的舰船检测方法 |
CN109325947A (zh) * | 2018-09-20 | 2019-02-12 | 北京航空航天大学 | 一种基于深度学习的sar图像铁塔目标检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9025877B2 (en) * | 2013-01-04 | 2015-05-05 | Ricoh Company, Ltd. | Local scale, rotation and position invariant word detection for optical character recognition |
CN104331886B (zh) * | 2014-10-29 | 2017-05-03 | 中国人民解放军国防科学技术大学 | 基于高分辨sar图像的港口区域舰船检测方法 |
CN109145872B (zh) * | 2018-09-20 | 2021-08-13 | 北京遥感设备研究所 | 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法 |
-
2019
- 2019-07-25 CN CN201910674944.XA patent/CN110378308B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017208718A1 (de) * | 2017-05-23 | 2018-11-29 | Conti Temic Microelectronic Gmbh | Verfahren zur Erkennung von Objekten in einem Bild einer Kamera |
CN107316016A (zh) * | 2017-06-19 | 2017-11-03 | 桂林电子科技大学 | 一种基于Hadoop和监控视频流的车辆轨迹统计方法 |
CN109299688A (zh) * | 2018-09-19 | 2019-02-01 | 厦门大学 | 基于可变形快速卷积神经网络的舰船检测方法 |
CN109325947A (zh) * | 2018-09-20 | 2019-02-12 | 北京航空航天大学 | 一种基于深度学习的sar图像铁塔目标检测方法 |
Non-Patent Citations (3)
Title |
---|
A Modified Faster R-CNN Based on CFAR Algorithm for SAR Ship Detection;Miao Kang et.al;《2017 International Workshop on Remote Sensing with Intelligent Processing (RSIP)》;20170626;第1-4页 * |
AN IMPROVED FASTER R-CNN BASED ON MSER DECISION CRITERION FOR SAR IMAGE SHIP DETECTION IN HARBOR;Rufei Wang et.al;《IGARSS2019》;20191231;第1322-1325页 * |
基于卷积神经网络的SAR图像舰船目标检测;李健伟 等;《系统工程与电子技术》;20180930;第40卷(第9期);第1953-1959页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110378308A (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378308B (zh) | 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法 | |
Shao et al. | Saliency-aware convolution neural network for ship detection in surveillance video | |
Cheng et al. | FusionNet: Edge aware deep convolutional networks for semantic segmentation of remote sensing harbor images | |
CN107145874B (zh) | 复杂背景sar图像中的舰船目标检测与鉴别方法 | |
CN106127204B (zh) | 一种全卷积神经网络的多方向水表读数区域检测算法 | |
CN108491854B (zh) | 基于sf-rcnn的光学遥感图像目标检测方法 | |
CN108596055B (zh) | 一种复杂背景下高分辨遥感图像的机场目标检测方法 | |
CN108596108B (zh) | 基于三元组语义关系学习的航拍遥感图像变化检测方法 | |
CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
Tao et al. | Scene context-driven vehicle detection in high-resolution aerial images | |
Liu et al. | A night pavement crack detection method based on image‐to‐image translation | |
CN109902618A (zh) | 一种海面船只识别方法和装置 | |
CN111340855A (zh) | 一种基于轨迹预测的道路移动目标检测方法 | |
CN110991257B (zh) | 基于特征融合与svm的极化sar溢油检测方法 | |
CN110008900B (zh) | 一种由区域到目标的可见光遥感图像候选目标提取方法 | |
CN104657980A (zh) | 一种改进的基于Meanshift的多通道图像分割算法 | |
CN106845458A (zh) | 一种基于核超限学习机的快速交通标识检测方法 | |
Yaohua et al. | A SAR oil spill image recognition method based on densenet convolutional neural network | |
Zhang et al. | Contextual squeeze-and-excitation mask r-cnn for sar ship instance segmentation | |
Sun et al. | NSD‐SSD: a novel real‐time ship detector based on convolutional neural network in surveillance video | |
Chen et al. | Port ship detection in complex environments | |
CN103065296B (zh) | 一种基于边缘特征的高分辨率遥感影像居民区提取方法 | |
CN117274627A (zh) | 一种基于图像转换的多时相积雪遥感图像匹配方法及系统 | |
CN108764016B (zh) | 基于旋转域特征与cnn的极化sar图像舰船检测方法 | |
Li et al. | Change detection in synthetic aperture radar images based on log-mean operator and stacked auto-encoder |
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 |