CN111191679A - 一种基于Faster R-CNN的地下未爆炸物检测与识别方法 - Google Patents
一种基于Faster R-CNN的地下未爆炸物检测与识别方法 Download PDFInfo
- Publication number
- CN111191679A CN111191679A CN201911266421.8A CN201911266421A CN111191679A CN 111191679 A CN111191679 A CN 111191679A CN 201911266421 A CN201911266421 A CN 201911266421A CN 111191679 A CN111191679 A CN 111191679A
- Authority
- CN
- China
- Prior art keywords
- underground
- data
- cnn
- network
- unexplosive
- 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
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/08—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with magnetic or electric fields produced or modified by objects or geological structures or by detecting devices
-
- 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
Abstract
本发明提供了一种基于Faster R‑CNN的地下未爆炸物检测与识别方法;首先,采用高精度磁表征数据生成方法,生成地下未爆炸物的磁表征数据图像,并标注地下未爆炸物的位置,作为训练数据集;然后通过卷积神经网络进行特征提取,得到特征图;再使用区域提议网络RPN,生成一组区域提议;最后通过ROIPooling使得每个ROI生成固定尺寸的特征图,并计算这些区域属于地下未爆炸物的可能性,通过边框回归修改区域大小,最终得到地下未爆炸物的检测结果。本发明的有益效果是:本发明所提出的技术方案能够对复杂环境中的地下未爆炸物磁表征数据进行识别,通过应用深度学习Faster R‑CNN目标识别算法,达到快速高效地检测与识别地下未爆炸物的目的。
Description
技术领域
本发明涉及计算机人工智能与地球物理的交叉技术领域,尤其涉及一种基于Faster R-CNN的地下未爆炸物检测与识别方法。
背景技术
磁检测是寻找地下未爆炸物位置的常用方法之一。这项任务的主要挑战是在磁表征数据中将非均匀磁性土壤所产生的磁异常与地下未爆炸物产生的磁异常区分开来。文献”Xavier,N.;Mercedes,S.;Paula,G.;Henrique,L.GPR Signal Characterization forAutomated Landmine and UXO Detection Based on Machine LearningTechniques.Remote Sensing 2014,6,9729-9748.”通过逻辑回归和神经网络处理模拟地雷场的GPR数据以定位地下未爆弹药,文献”Zhang,B.;O'Neill,K.;Jin,A.;Tomasz,M.G.Support Vector Machine and Neural Network Classification of MetallicObjects Using Coefficients of the Spheroidal MQS Response Modes.IEEETransactions on Geoscience and Remote Sensing,2008,46,159-171.”通过使用支持向量机和神经网络对三种不同金属未爆炸物进行分类,文献”Fernández,J.P.;Sun,K.;Barrowes,B.;O'Neill,K.;Sun,K.;Shamatava,I.;Shubitidze,F.;Keith,D.P.Inferringthe location of buried UXO using a support vector machine.Proceedings ofSPIE-The International Society for Optical Engineering,2007,6553,65530B.”通过训练和测试EMI数据使用支持向量机来推测掩埋未爆炸物的位置。
这些技术的应用使得人们可以通过磁数据进行对地下未爆炸物位置的推测,但由于非均匀磁性土壤造成的干扰使得这些技术对地下未爆炸物的检测仍存在检测率上的不足。
发明内容
为了解决上述问题,本发明提供了一种基于Faster R-CNN的地下未爆炸物检测与识别方法,主要包括以下步骤:
S101:在地下空间剖分中随机生成地下未爆炸物,通过地球物理的磁表征数据生成方法生成地下未爆炸物的磁表征数据,并利用MATLAB将磁表征数据转化为磁表征数据图;所述磁表征数据有多个,对应的,所述磁表征数据图也有多个;
S102:对生成的所有地下未爆炸物位置进行标注,以制作地下未爆炸物磁表征数据的数据集,得到多个带有位置标签的磁表征数据图组成的数据集;
S103:对所述数据集中的数据进行随机混洗,并根据需要将随机混洗后的数据集中的数据划分为训练集和测试集;
S104:在所述训练集中随机选择一定数量的数据对Faster R-CNN网络进行批训练,得到训练后的Faster R-CNN网络,即地下未爆炸物的初始检测模型;
S105:采用所述测试集对所述初始检测模型进行测试,得到对应的评估结果;
S106:判断评估结果是否符合要求或者循环次数S是否达到最大循环次数;若是,则将此时的初始检测模型作为最终检测模型,到步骤S108;否则,到步骤S107;所述循环次数S的初始值为0,所述最大循环次数为预设值;
S107:更新训练参数,并返回步骤S104,以对所述初始检测模型进行再次训练,同时将S更新为S+1;
S108:将实际的地下未爆炸物的磁表征数据输入至所述最终检测模型,以进行地下未爆炸物的实际检测,得到地下未爆炸物的检测与标记结果。
进一步地,步骤S101中,通过地球物理学的手段生成地下空间网格剖分,在每个网格剖分的数据中随机产生1~5个地下未爆炸物,每个地下未爆炸物位置随机,同时增加非均匀土壤产生的磁场,计算出产生的总磁场,并生成含有地下未爆炸物位置的符合PascalVOC格式的标签文件,作为一条数据;所述数据集中包括多条互不相同的数据。
进一步地,步骤S102中,所述数据集格式与Pascal VOC数据集格式相同。
进一步地,所述Faster R-CNN网络包括卷积神经网络、RPN网络和ROI层;步骤S104中,在所述训练集中随机选择一定数量的数据对Faster R-CNN网络进行训练,得到训练后的Faster R-CNN网络;具体包括:
S201:在所述训练集中随机选择一定数量R的训练数据输入一个卷积神经网络CNN,进行特征的提取,得到特征图;所述特征图的数量与输入数据的数量对应相同;
S202:将所述特征图输入到区域提议网络RPN中,该网络通过在特征图上滑动得到一组区域提议,这些区域提议是一些大小不同的矩形框,区域提议网络会通过特征提取进行分类来判断每个矩形框包含地下未爆炸物的可能性,以及通过边框回归来调整每个矩形区域提议的大小,最终该网络输出一组有可能包含地下未爆炸物的区域提议;
S203:将步骤S202中得到的区域提议输入到区域兴趣池化层ROI网络中,以对每个区域提议提取固定尺寸的特征图;
S204:将步骤S203得到的区域提议的特征图进行全连接以计算这些区域属于地下未爆炸物的可能性,并再次进行边框回归以获得准确的检测边界,即识别结果;每个检测边界代表一个检测到的地下未爆炸物;
S205:输出所述识别结果,并在磁表征数据图上识别结果中检测到的地下未爆炸物进行标识,保存地下未爆炸物识别结果,进而根据识别结果对损失函数进行更新;
循环迭代上述步骤S201~S205,直到迭代次数达到预设的最大迭代次数W,得到训练后的Faster R-CNN网络。
进一步地,所述卷积神经网络采用预训练好的VGG16网络模型,以大幅降低模型的学习时间。
进一步地,步骤S205中,所述损失函数为交叉熵函数。
进一步地,步骤S105中,所述评估结果包括精确率a和召回率b,且计算公式分别为:
上式中,c为识别结果中检测正确的地下未爆炸物的数量,d为识别结果中检测出的所有地下未爆炸物数量,包括检测正确与检测错误的,e为输入的训练数据中总的未爆炸物的数量。
进一步地,若a和b均大于0.9,则判断为评估结果符合要求,否则,判断为评估结果不符合要求。
进一步地,步骤S107中,所述训练参数包括FasterR-CNN网络的学习率、最大迭代次数W及训练数据的数量R;更新训练参数包括根据实际训练情况对学习率、最大迭代次数W及训练数据的数量R进行更新。
本发明提供的技术方案带来的有益效果是:本发明所提出的技术方案能够对复杂环境中的地下未爆炸物磁表征数据进行识别,通过应用深度学习Faster R-CNN目标识别算法,达到快速高效地检测与识别地下未爆炸物的目的。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例中一种基于Faster R-CNN的地下未爆炸物检测与识别方法的流程图;
图2是本发明实施例中FasterR-CNN网络模型原理与框架图;
图3是本发明实施例中对Faster R-CNN网络进行训练的流程图;
图4是本发明实施例中使用的磁表征数据示意图;
图5是本发明实施例中对地下未爆炸物的检测与标记结果示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种基于Faster R-CNN的地下未爆炸物检测与识别方法。
请参考图1,图1是本发明实施例中一种基于Faster R-CNN的地下未爆炸物检测与识别方法的流程图,具体包括如下步骤:
S101:在地下空间剖分中随机生成地下未爆炸物,通过地球物理的磁表征数据生成方法生成地下未爆炸物的磁表征数据,并利用MATLAB将磁表征数据转化为磁表征数据图;所述磁表征数据有多个,对应的,所述磁表征数据图也有多个;
S102:对生成的所有地下未爆炸物位置进行标注,以制作地下未爆炸物磁表征数据的数据集,得到多个带有位置标签的磁表征数据图组成的数据集;
S103:对所述数据集中的数据进行随机混洗,并根据需要将随机混洗后的数据集中的数据划分为训练集和测试集;
S104:在所述训练集中随机选择一定数量的数据对Faster R-CNN网络进行训练,得到训练后的Faster R-CNN网络,即地下未爆炸物的初始检测模型;
S105:采用所述测试集对所述初始检测模型进行测试,得到对应的评估结果;
S106:判断评估结果是否符合要求或者循环次数S是否达到最大循环次数;若是,则将此时的初始检测模型作为最终检测模型,到步骤S108;否则,到步骤S107;所述循环次数S的初始值为0,所述最大循环次数为预设值;
S107:更新训练参数,并返回步骤S104,以对所述初始检测模型进行再次训练,同时将S更新为S+1;
S108:将实际的地下未爆炸物的磁表征数据输入至所述最终检测模型,以进行地下未爆炸物的实际检测,得到地下未爆炸物的检测与标记结果。
使用磁表征数据生成方法,随机生成地下未爆炸物位置,同时自动生成地下未爆炸物位置标签,以保证磁表征数据所有位置标签的准确性。
步骤S102中,通过地球物理学的手段生成地下空间网格剖分,在每个网格剖分的数据中随机产生1~5个地下未爆炸物,每个地下未爆炸物位置随机,同时增加非均匀土壤产生的磁场,计算出产生的总磁场,并生成含有地下未爆炸物位置的符合Pascal VOC格式的标签文件,作为一条数据;所述数据集中包括多条互不相同的数据。
步骤S102中,所述数据集格式与Pascal VOC数据集格式相同。
在本发明实施例中,共生成800条数据,其中70%作为训练集,30%作为测试集。
如图2所示,步骤S104中,所述Faster R-CNN网络包括卷积神经网络、RPN网络和ROI层。
请参考图3,图3是本发明实施例中对Faster R-CNN网络进行训练的流程图,步骤S104中,在所述训练集中随机选择一定数量的数据对Faster R-CNN网络进行训练,得到训练后的Faster R-CNN网络;具体包括:
S201:在所述训练集中随机选择一定数量R的训练数据输入一个卷积神经网络CNN,进行特征的提取,得到特征图;所述特征图的数量与输入数据的数量对应相同;所述卷积神经网络采用预训练好的VGG16网络模型,以大幅降低模型的学习时间;
S202:将所述特征图输入到区域提议网络RPN中,该网络通过在特征图上滑动得到一组区域提议,这些区域提议是一些大小不同的矩形框,区域提议网络会通过特征提取进行分类来判断每个矩形框包含地下未爆炸物的可能性,以及通过边框回归来调整每个矩形区域提议的大小,最终该网络输出一组有可能包含地下未爆炸物的区域提议;
S203:将步骤S202中得到的区域提议输入到区域兴趣池化层ROI网络中,以对每个区域提议提取固定尺寸的特征图;
S204:将步骤S203得到的区域提议的特征图进行全连接以计算这些区域属于地下未爆炸物的可能性,并再次进行边框回归以获得准确的检测边界,即识别结果;每个检测边界代表一个检测到的地下未爆炸物;
S205:输出所述识别结果,并在磁表征数据图上识别结果中检测到的地下未爆炸物进行标识(如图4和图5所示,分别为标识前和标识后的示意图),保存地下未爆炸物识别结果,进而根据识别结果对损失函数进行更新;
循环迭代上述步骤S201~S205,直到迭代次数达到预设的最大迭代次数W,得到训练后的Faster R-CNN网络。
步骤S205中,所述损失函数为交叉熵函数。
步骤S105中,所述评估结果包括检出率a和正确率b,且计算公式分别为:
上式中,c为识别结果中检测正确的地下未爆炸物的数量,d为识别结果中检测出的所有地下未爆炸物数量,包括检测正确与检测错误的,e为输入的训练数据中总的未爆炸物的数量。
步骤S106中,若a和b均大于0.9,则判断为评估结果符合要求,否则,判断为评估结果不符合要求。
步骤S107中,所述训练参数包括FasterR-CNN网络的学习率、最大迭代次数W及训练数据的数量R;更新训练参数包括根据实际训练情况对学习率、最大迭代次数W及训练数据的数量R进行更新。在本发明实施例中,更新时,按照实际需求对最大迭代次数W进行增加,及对训练数据的数量R进行增加。
本发明的有益效果是:本发明所提出的技术方案能够对复杂环境中的地下未爆炸物磁表征数据进行识别,通过应用深度学习Faster R-CNN目标识别算法,达到快速高效地检测与识别地下未爆炸物的目的。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于Faster R-CNN的地下未爆炸物检测与识别方法,其特征在于:包括以下步骤:
S101:在地下空间剖分中随机生成地下未爆炸物,通过地球物理的磁表征数据生成方法生成地下未爆炸物的磁表征数据,并利用MATLAB将磁表征数据转化为磁表征数据图;所述磁表征数据有多个,对应的,所述磁表征数据图也有多个;
S102:对生成的所有地下未爆炸物位置进行标注,以制作地下未爆炸物磁表征数据的数据集,得到多个带有位置标签的磁表征数据图组成的数据集;
S103:对所述数据集中的数据进行随机混洗,并根据需要将随机混洗后的数据集中的数据划分为训练集和测试集;
S104:在所述训练集中随机选择一定数量的数据对Faster R-CNN网络进行批训练,得到训练后的Faster R-CNN网络,即地下未爆炸物的初始检测模型;
S105:采用所述测试集对所述初始检测模型进行测试,得到对应的评估结果;
S106:判断评估结果是否符合要求或者循环次数S是否达到最大循环次数;若是,则将此时的初始检测模型作为最终检测模型,到步骤S108;否则,到步骤S107;所述循环次数S的初始值为0,所述最大循环次数为预设值;
S107:更新训练参数,并返回步骤S104,以对所述初始检测模型进行再次训练,同时将S更新为S+1;
S108:将实际的地下未爆炸物的磁表征数据输入至所述最终检测模型,以进行地下未爆炸物的实际检测,得到地下未爆炸物的检测与标记结果。
2.如权利要求1所述的一种基于Faster R-CNN的地下未爆炸物检测与识别方法,其特征在于:步骤S101中,通过地球物理学的手段生成地下空间网格剖分,在每个网格剖分的数据中随机产生1~5个地下未爆炸物,每个地下未爆炸物位置随机,同时增加非均匀土壤产生的磁场,计算出产生的总磁场,并生成含有地下未爆炸物位置的符合Pascal VOC格式的标签文件,作为一条数据;所述数据集中包括多条互不相同的数据。
3.如权利要求1所述的一种基于Faster R-CNN的地下未爆炸物检测与识别方法,其特征在于:步骤S102中,所述数据集格式与Pascal VOC数据集格式相同。
4.如权利要求1所述的一种基于Faster R-CNN的地下未爆炸物检测与识别方法,其特征在于:所述Faster R-CNN网络包括卷积神经网络、RPN网络和ROI层;步骤S104中,在所述训练集中随机选择一定数量的数据对Faster R-CNN网络进行训练,得到训练后的FasterR-CNN网络;具体包括:
S201:在所述训练集中随机选择一定数量R的训练数据输入一个卷积神经网络CNN,进行特征的提取,得到特征图;所述特征图的数量与输入数据的数量对应相同;
S202:将所述特征图输入到区域提议网络RPN中,该网络通过在特征图上滑动得到一组区域提议,这些区域提议是一些大小不同的矩形框,区域提议网络会通过特征提取进行分类来判断每个矩形框包含地下未爆炸物的可能性,以及通过边框回归来调整每个矩形区域提议的大小,最终该网络输出一组有可能包含地下未爆炸物的区域提议;
S203:将步骤S202中得到的区域提议输入到区域兴趣池化层ROI网络中,以对每个区域提议提取固定尺寸的特征图;
S204:将步骤S203得到的区域提议的特征图进行全连接以计算这些区域属于地下未爆炸物的可能性,并再次进行边框回归以获得准确的检测边界,即识别结果;每个检测边界代表一个检测到的地下未爆炸物;
S205:输出所述识别结果,并在磁表征数据图上识别结果中检测到的地下未爆炸物进行标识,保存地下未爆炸物识别结果,进而根据识别结果对损失函数进行更新;
循环迭代上述步骤S201~S205,直到迭代次数达到预设的最大迭代次数W,得到训练后的Faster R-CNN网络。
5.如权利要求4所述的一种基于Faster R-CNN的地下未爆炸物检测与识别方法,其特征在于:所述卷积神经网络采用预训练好的VGG16网络模型,以大幅降低模型的学习时间。
6.如权利要求4所述的一种基于Faster R-CNN的地下未爆炸物检测与识别方法,其特征在于:步骤S205中,所述损失函数为交叉熵函数。
8.如权利要求7所述的一种基于Faster R-CNN的地下未爆炸物检测与识别方法,其特征在于:若a和b均大于0.9,则判断为评估结果符合要求,否则,判断为评估结果不符合要求。
9.如权利要求1所述的一种基于Faster R-CNN的地下未爆炸物检测与识别方法,其特征在于:步骤S107中,所述训练参数包括FasterR-CNN网络的学习率、最大迭代次数W及训练数据的数量R;更新训练参数包括根据实际训练情况对学习率、最大迭代次数W及训练数据的数量R进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911266421.8A CN111191679A (zh) | 2019-12-11 | 2019-12-11 | 一种基于Faster R-CNN的地下未爆炸物检测与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911266421.8A CN111191679A (zh) | 2019-12-11 | 2019-12-11 | 一种基于Faster R-CNN的地下未爆炸物检测与识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111191679A true CN111191679A (zh) | 2020-05-22 |
Family
ID=70710973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911266421.8A Pending CN111191679A (zh) | 2019-12-11 | 2019-12-11 | 一种基于Faster R-CNN的地下未爆炸物检测与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111191679A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472229A (zh) * | 2018-10-30 | 2019-03-15 | 福州大学 | 基于深度学习的杆塔鸟巢检测方法 |
CN109685011A (zh) * | 2018-12-25 | 2019-04-26 | 北京华航无线电测量研究所 | 一种基于深度学习的地下管线检测识别方法 |
CN109977780A (zh) * | 2019-02-26 | 2019-07-05 | 广东工业大学 | 一种基于深度学习算法的硅藻的检测与识别方法 |
CN110321815A (zh) * | 2019-06-18 | 2019-10-11 | 中国计量大学 | 一种基于深度学习的道路裂缝识别方法 |
-
2019
- 2019-12-11 CN CN201911266421.8A patent/CN111191679A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472229A (zh) * | 2018-10-30 | 2019-03-15 | 福州大学 | 基于深度学习的杆塔鸟巢检测方法 |
CN109685011A (zh) * | 2018-12-25 | 2019-04-26 | 北京华航无线电测量研究所 | 一种基于深度学习的地下管线检测识别方法 |
CN109977780A (zh) * | 2019-02-26 | 2019-07-05 | 广东工业大学 | 一种基于深度学习算法的硅藻的检测与识别方法 |
CN110321815A (zh) * | 2019-06-18 | 2019-10-11 | 中国计量大学 | 一种基于深度学习的道路裂缝识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106778835B (zh) | 融合场景信息和深度特征的遥感图像机场目标识别方法 | |
CN108898047B (zh) | 基于分块遮挡感知的行人检测方法及系统 | |
Huang et al. | Morphological building/shadow index for building extraction from high-resolution imagery over urban areas | |
CN111738165B (zh) | 一种从高分辨率无人机可见光遥感影像中提取单株植物冠层的方法 | |
CN104484681B (zh) | 基于空间信息和集成学习的高光谱遥感影像分类方法 | |
CN108510467A (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
CN103810704B (zh) | 基于支持向量机和判别随机场的sar图像变化检测方法 | |
CN104463249B (zh) | 一种基于弱监督学习框架的遥感图像机场检测方法 | |
CN108280440A (zh) | 一种果林识别方法和系统 | |
CN104392228A (zh) | 基于条件随机场模型的无人机图像目标类检测方法 | |
CN108875805A (zh) | 基于深度学习的利用检测识别一体化提高检测精度的方法 | |
Hao et al. | An object-based change detection approach using uncertainty analysis for VHR images | |
Vamshi et al. | An object-based classification method for automatic detection of lunar impact craters from topographic data | |
CN112001403A (zh) | 一种图像轮廓检测方法及系统 | |
CN114140665A (zh) | 一种基于改进YOLOv5的密集小目标检测方法 | |
Verbovšek et al. | GIS-assisted classification of litho-geomorphological units using Maximum Likelihood Classification, Vipava Valley, SW Slovenia | |
CN104504391B (zh) | 一种基于稀疏特征和马尔科夫随机场的高光谱图像分类方法 | |
CN112381730B (zh) | 一种遥感影像数据扩增方法 | |
KR101622748B1 (ko) | 입력 이미지로부터 객체를 검출하기 위한 방법, 장치 및 컴퓨터 판독가능 기록매체 | |
CN111191679A (zh) | 一种基于Faster R-CNN的地下未爆炸物检测与识别方法 | |
Pirotti et al. | Kernel feature cross-correlation for unsupervised quantification of damage from windthrow in forests | |
CN105046264B (zh) | 一种基于可见光与激光雷达图像的稀疏地物分类与标示方法 | |
Yildirim et al. | Stone Pine (Pinus Pinea L.) Detection from High-Resolution UAV Imagery Using Deep Learning Model | |
CN112884755A (zh) | 违禁品的检测方法及装置 | |
Xiong et al. | Automatic 3D building extraction from stereo IKONOS images |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200522 |