CN111401210B - 一种基于模板框增广的提高小目标检测稳定性的方法 - Google Patents
一种基于模板框增广的提高小目标检测稳定性的方法 Download PDFInfo
- Publication number
- CN111401210B CN111401210B CN202010167033.0A CN202010167033A CN111401210B CN 111401210 B CN111401210 B CN 111401210B CN 202010167033 A CN202010167033 A CN 202010167033A CN 111401210 B CN111401210 B CN 111401210B
- Authority
- CN
- China
- Prior art keywords
- target
- layer
- template
- template frame
- size
- 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
Classifications
-
- 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
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
-
- 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
Abstract
一种基于模板框增广的提高小目标检测稳定性的方法,步骤一:遍历全部训练样本的标注信息,提取标注信息中的目标尺寸;步骤二:计算目标尺寸参考最小值和目标尺寸参考最大值;步骤三:根据目标尺寸参考最小值、目标尺寸参考最大值、训练图像原始尺寸以及模型输出的特征层个数,计算各层关注目标的归一化尺寸;步骤四:根据各层关注目标归一化尺寸以及各特征层尺寸,计算各特征层模板框期望间距;步骤五:根据各特征层模板框期望间距,确定各特征层模板框个数与模板框中心点位置,进行模板框增广;步骤六:对完成模板框增广的卷积神经网络进行训练,得到对小目标检测的卷积神经网络模型。本发明降低算法对小目标位置的敏感度,提高小目标检测的稳定性。
Description
技术领域
本方案涉及基于卷积神经网络的目标检测识别领域,特别提供了一种提高小目标检测稳定性的方法。
背景技术
随着军事科技水平的发展,精确制导武器因其命中精度高、作战效能高等优势在现代战争中占据了越来越高的地位。其中,成像制导技术是精确制导武器最主流的发展方向,具有发射后不管、抗干扰能力强等优点。同时,随着打击目标的越来越多样化,精确制导武器对目标的侦查定位要求也逐渐增加,这就对精确制导武器的目标检测识别能力提出了更高的要求。
在军事应用场景中,由于作用距离远、成像条件恶劣、成像分辨率低,导致待检测目标尺寸普遍较小,目标检测识别难度大,检测稳定性差。
相比于传统的图像处理方法,卷积神经网络在图像目标检测识别领域表现出了突出的优势,并在工业界取得了较好的应用效果。但是当前卷积神经网络的主要研究方向与适用场景均以大目标场景为主,在小目标检测任务当中常表现为检测概率低、检测稳定性差。当前,以RCNN、fast-RCNN、Yolo、SSD为代表的经典算法均未针对小目标进行任何适应性调整。
发明内容
本发明的技术解决问题是:克服现有技术的不足,提供了一种基于模板框增广的提高小目标检测稳定性的方法。针对以SSD为代表的利用default box(后称:模板框)进行回归预测获取目标检测识别结果的算法进行改进,对各feature map(后称:特征层)的模板框进行增广,降低算法对小目标位置的敏感度,提高小目标检测的稳定性。
本发明的技术解决方案是:
一种基于模板框增广的提高小目标检测稳定性的方法,步骤如下:
步骤一:遍历全部训练样本的标注信息,提取标注信息中的目标尺寸;
步骤二:计算目标尺寸参考最小值Tmin和目标尺寸参考最大值Tmax;
步骤三:根据目标尺寸参考最小值Tmin、目标尺寸参考最大值Tmax、训练图像原始尺寸ImgSize以及模型输出的特征层个数M,计算各层关注目标的归一化尺寸Ti,i=1,2,…,M;
步骤四:根据各层关注目标归一化尺寸Ti以及各特征层尺寸Si,计算各特征层模板框期望间距Gi;
步骤五:根据各特征层模板框期望间距Gi,确定各特征层模板框个数与模板框中心点位置,进行模板框增广;
步骤六:对完成模板框增广的卷积神经网络进行训练,得到对小目标检测的卷积神经网络模型。
进一步的,提取的目标尺寸包括:目标宽最小值Wmin、目标宽最大值Wmax、目标高最小值Hmin、目标高最大值Hmax。提取标注信息中的目标尺寸,具体为:
读取xml文件中各<bndbox>节点中的<xmin>、<ymin>、<xmax>、<ymax>值,计算该目标的宽W=xmax-xmin+1,高H=ymax-ymin+1;
遍历所有目标,找到所有目标宽W中的最小值Wmin、最大值Wmax,所有目标高H中的最小值Hmin、最大值Hmax。
进一步的,在步骤二中,计算目标尺寸参考最小值Tmin和、目标尺寸参考最大值Tmax的具体方法为:
即:对目标宽最小值、目标高最小值做平均得到目标尺寸参考最小值Tmin,对目标宽最大值、目标高最大值做平均得到目标尺寸参考最大值Tmax。
进一步的,在步骤三中,计算各层关注目标的归一化尺寸Ti的方法为:
其中,i=1,2,…,M。
进一步的,在步骤四中,计算各特征层模板框期望间距Gi的方法为:
进一步的,在步骤五中,根据各特征层模板框期望间距Gi确定各特征层模板框个数与模板框中心点位置,进行模板框增广,具体为:
计算各特征层的期望间距判据
若则模板框中心位置设置成/>m=0,1,…,Si-1,n=0,1,…,Si-1;
若则模板框数量增广为原来的两倍,中心位置设置成/>与m=0,1,…,Si-1,n=0,1,…,Si-1;
若则模板框数量增广为原来的五倍,中心位置设置成 m=0,1,…,Si-1,n=0,1,…,Si-1。
进一步的,针对SSD网络,ImgSize=300,M=6。六个输出特征层分别为conv4_3层,fc7层,conv8_2层,conv9_2层,conv10_2层,conv11_2层。
进一步的,针对SSD网络,各特征层尺寸Si具体为:
S1=38,S2=19,S3=10,S4=5,S5=3,S6=1。
本发明与现有技术相比的有益效果是:
(1)本发明针对以SSD为代表的利用default box(后称:模板框)进行回归预测获取目标检测识别结果的算法进行改进,对各feature map(后称:特征层)的模板框进行增广,增加模板框密度与多样性,增加回归预测结果的多样性,降低算法对小目标位置的敏感度,提高小目标检测的稳定性。
(2)本发明针对小目标检测提出了基于训练样本尺寸的模板框增广方法,通过对训练样本尺寸和输出特征层尺寸的分析对特定特征层的模板框进行增广。通过对模板框的增广,增加了模板框的分布密度,提高了小目标检测概率。在上述实用例中,改进前的网络在40000次迭代训练终止时的测试MAP=0.84,改进后的网络在40000次迭代训练终止时的测试MAP=0.93。
(3)本发明提出了模板框增广方法,增加了模板框中心的多样性。通过增加模板框中心的多样性,使模板框位置更全面地覆盖了真实目标的出现位置,降低网络对目标位置偏差的回归难度,提高目标检测的稳定性。在上述实用例中,对同一张测试图片(该图上只有一个目标)向右下方向平移,每次向右、向下各平移一个像素,得到8张测试图像,使用改进前的网络进行测试,8张测试图的目标置信度分别为0.88,0.97,0.46,0.57,0.21,0.26,0.39,0.79;使用改进后的网络进行测试,8张测试图的目标置信度分别为0.92,0.96,0.83,0.75,0.88,0.97,0.86,0.87。可见改进后的目标检测置信度明显较高;且目标位置发生平移时改进前的网络目标置信度大小变化明显,检测结果不稳定,改进后的网络则能始终维持较高的置信度,检测结果稳定。
附图说明
图1为conv9_2特征层上m=2、n=2时的模板框分布情况示意图;
图2为conv9_2层m=2、n=2特征像素的局部放大图;
图3为conv4_3层、conv10_2模板框数量增广为原来的两倍后单个特征像素与模板框中心的分布示意图;
图4为conv11_2模板框数量增广为原来的五倍后单个特征像素与模板框中心的分布示意图。
具体实施方式
下面结合附图对本发明的具体实施方式进行进一步的详细描述。
针对现有卷积神经网络对小目标检测稳定性较差的问题,本发明的技术手段是:通过对模板框进行增广,增加模板框密度与多样性,增加回归预测结果的多样性,降低算法对小目标位置的敏感度,提高小目标检测的稳定性。
本发明提出的一种基于模板框增广的提高小目标检测稳定性的方法,包括步骤如下:
步骤一:遍历全部训练样本的标注信息,提取标注信息中的目标尺寸(包括目标宽、高),提取目标宽最小值Wmin,目标宽最大值Wmax,目标高最小值Hmin,目标高最大值Hmax。
遍历所有训练样本xml格式标注文件,读取xml中各<bndbox>节点中的<xmin>、<ymin>、<xmax>、<ymax>值,计算该目标的宽W=xmax-xmin+1,高H=ymax-ymin+1。遍历所有目标,找到所有目标宽W中的最小值Wmin、最大值Wmax,所有目标高H中的最小值Hmin、最大值Hmax。
步骤二:对目标宽最小值、目标高最小值做平均得到目标尺寸参考最小值Tmin,对目标宽最大值、目标高最大值做平均得到目标尺寸参考最大值Tmax。本步骤在于明确小目标尺寸分布范围,为模板框期望间距的计算提供输入。
计算目标尺寸参考最小值Tmin和、目标尺寸参考最大值Tmax的具体方法为:
步骤三:根据目标尺寸参考最小值Tmin、目标尺寸参考最大值Tmax、训练图像原始尺寸ImgSize(对SSD算法ImgSize=300)以及模型输出的特征层个数M(对SSD算法M=6)计算各层关注目标的归一化尺寸Ti(i=1,2,…,M)。
计算各层关注目标的归一化尺寸Ti的方法为:
步骤四:根据各层关注目标尺寸Ti以及各特征层尺寸Si(i=1,2,…,M)(对SSD算法S1=38,S2=19,S3=10,S4=5,S5=3,S6=1),计算各特征层模板框期望间距Gi(i=1,2,…,M)。
计算各特征层模板框期望间距Gi的方法为:
步骤五:根据各特征层模板框期望间距Gi(i=1,2,…,M)确定各特征层模板框个数与模板框中心点位置,进行模板框增广。
根据各特征层模板框期望间距Gi(i=1,2,…,M)确定各特征层模板框个数与模板框中心点位置,进行模板框增广。
计算各特征层的期望间距判据
若则模板框中心位置设置成/>m=0,1,…,Si-1,n=0,1,…,Si-1;
若则模板框数量增广为原来的两倍,中心位置设置成/>与/>m=0,1,…,Si-1,n=0,1,…,Si-1;
若则模板框数量增广为原来的五倍,中心位置设置成 m=0,1,…,Si-1,n=0,1,…,Si-1。
步骤六:对完成模板框增广的卷积神经网络进行正常训练,得到对小目标检测准确率更高、稳定性更高的卷积神经网络模型。
实施例:
针对SSD原始网络,依据训练样本尺寸分布范围对模板框进行增广。
步骤一:遍历全部训练样本的标注信息,读取标注文件中各<bndbox>节点中的<xmin>、<ymin>、<xmax>、<ymax>值,计算该目标的宽W=xmax-xmin+1,高H=ymax-ymin+1。遍历所有目标,找到所有目标宽W中的最小值Wmin、最大值Wmax,所有目标高H中的最小值Hmin、最大值Hmax。
本实用例中Wmin=4,Wmax=63,Hmin=6,Hmax=68。
步骤二:对目标宽最小值、目标高最小值做平均得到目标尺寸参考最小值Tmin,对目标宽最大值、目标高最大值做平均得到目标尺寸参考最大值Tmax。
本步骤在于明确了小目标尺寸分布范围,为模板框期望间距的计算提供输入,本实用例中Tmin=5,Tmax=65.5。
步骤三:根据目标参考最小值Tmin、目标参考最大值Tmax、训练图像原始尺寸ImgSize,以及模型输出的特征层个数M计算各层关注目标的归一化尺寸
本实用例针对SSD网络,ImgSize=300,M=6,六个输出特征层分别为conv4_3层,fc7层,conv8_2层,conv9_2层,conv10_2层,conv11_2层,经计算得到:
T1=0.0167,T2=0.0570,T3=0.0973,T4=0.1377,T5=0.1780,T6=0.2183,
步骤四:根据各层关注目标尺寸Ti以及各特征层尺寸Si(i=1,2,…,M),计算各特征层模板框期望间距
本实用例中针对SSD网络,S1=38,S2=19,S3=10,S4=5,S5=3,S6=1,计算得到G1=1.5789,G2=0.9234,G3=1.0274,G4=1.4528,G5=1.8727,G6=4.5802。
步骤五:根据各特征层模板框期望间距Gi(i=1,2,…,M)确定各特征层模板框个数与模板框中心点位置,进行模板框增广。
计算各特征层的本实用例可得/>
若则模板框中心位置设置成/>m=0,1,…,Si-1,n=0,1,…,Si-1;
若则模板框数量增广为原来的两倍,中心位置设置成/>与m=0,1,…,Si-1,n=0,1,…,Si-1;
若则模板框数量增广为原来的五倍,中心位置设置成 m=0,1,…,Si-1,n=0,1,…,Si-1。
本实用例中经过计算可得各特征层模板框中心位置分别为:
conv4_3层:模板框数量增广为原来的两倍,中心位置设置成与m=0,1,…,37,n=0,1,…,37;
fc7层:模板框不进行增广,中心位置设置成m=0,1,…,18,n=0,1,…,18;
conv8_2层:模板框不进行增广,中心位置设置成m=0,1,…,9,n=0,1,…,9;
conv9_2层:模板框不进行增广,中心位置设置成m=0,1,…,4,n=0,1,…,4;
conv10_2层:模板框数量增广为原来的两倍,中心位置设置成与m=0,1,…,2,n=0,1,…,2;
conv11_2层:模板框数量增广为原来的五倍,中心位置设置成 m=0,n=0。
图1所示为conv9_2特征层上m=2、n=2时的模板框分布情况示意图,均匀网格代表特征像素,中心部位矩形框代表模板框,conv9_2层尺寸为5×5,m=2、n=2时模板框中心在处,如图1中所示圆点,图2所示为conv9_2层m=2、n=2特征像素的局部放大图,fc7层,conv8_2层模板框中心与特征像素的关系也如图2所示。
图3所示为conv4_3层、conv10_2模板框数量增广为原来的两倍后,单个特征像素与模板框中心的分布示意图,模板框中心与/>如图中圆点。
图4所示为conv11_2模板框数量增广为原来的五倍后,单个特征像素与模板框中心的分布示意图,模板框中心 如图中圆点。
步骤六:对完成模板框增广的卷积神经网络进行正常训练,得到对小目标检测准确率更高、稳定性更高的卷积神经网络模型。在本实用例中原始SSD共有个模板框,经过本方案改进后的网络共有个模板框。
在本实用例中改进前的网络在40000次迭代训练终止时的测试MAP=0.84,改进后的网络在40000次迭代训练终止时的测试MAP=0.93。对同一张测试图片(该图上只有一个目标)向右下方向平移,每次向右、向下各平移一个像素,得到8张测试图像,使用改进前的网络进行测试,8张测试图的目标置信度分别为0.88,0.97,0.46,0.57,0.21,0.26,0.39,0.79;使用改进后的网络进行测试,8张测试图的目标置信度分别为0.92,0.96,0.83,0.75,0.88,0.97,0.86,0.87。可见改进后的目标检测置信度明显较高;且目标位置发生平移时改进前的网络目标置信度大小变化明显,检测结果不稳定,改进后的网络则能始终维持较高的置信度,检测结果稳定。
本发明说明书中未作详细描述的内容属于本领域的公知技术。
Claims (8)
1.一种基于模板框增广的提高小目标检测稳定性的方法,其特征在于步骤如下:
步骤一:遍历全部训练样本的标注信息,提取标注信息中的目标尺寸;
步骤二:计算目标尺寸参考最小值Tmin和目标尺寸参考最大值Tmax;
步骤三:根据目标尺寸参考最小值Tmin、目标尺寸参考最大值Tmax、训练图像原始尺寸ImgSize以及模型输出的特征层个数M,计算各层关注目标的归一化尺寸Ti,i=1,2,…,M;
步骤四:根据各层关注目标归一化尺寸Ti以及各特征层尺寸Si,计算各特征层模板框期望间距Gi;
计算各特征层模板框期望间距Gi的方法为:
步骤五:根据各特征层模板框期望间距Gi,确定各特征层模板框个数与模板框中心点位置,进行模板框增广,具体为:
计算各特征层的期望间距判据
若则模板框中心位置设置成/>n=0,1,...,Si-1;
若则模板框数量增广为原来的两倍,中心位置设置成/>与/>m=0,1,...,Si-1,n=0,1,...,Si-1;
若则模板框数量增广为原来的五倍,中心位置设置成 m=0,1,...,Si-1,n=0,1,...,Si-1;
步骤六:对完成模板框增广的卷积神经网络进行训练,得到对小目标检测的卷积神经网络模型。
2.根据权利要求1所述的一种基于模板框增广的提高小目标检测稳定性的方法,其特征在于:提取的目标尺寸包括:目标宽最小值Wmin、目标宽最大值Wmax、目标高最小值Hmin、目标高最大值Hmax。
3.根据权利要求2所述的一种基于模板框增广的提高小目标检测稳定性的方法,其特征在于:提取标注信息中的目标尺寸,具体为:
读取xml文件中各<bndbox>节点中的<xmin>、<ymin>、<xmax>、<ymax>值,计算该目标的宽W=xmax-xmin+1,高H=ymax-ymin+1;
遍历所有目标,找到所有目标宽W中的最小值Wmin、最大值Wmax,所有目标高H中的最小值Hmin、最大值Hmax。
4.根据权利要求1所述的一种基于模板框增广的提高小目标检测稳定性的方法,其特征在于:在步骤二中,计算目标尺寸参考最小值Tmin、目标尺寸参考最大值Tmax的具体方法为:
即:对目标宽最小值、目标高最小值做平均得到目标尺寸参考最小值Tmin,对目标宽最大值、目标高最大值做平均得到目标尺寸参考最大值Tmax。
5.根据权利要求1所述的一种基于模板框增广的提高小目标检测稳定性的方法,其特征在于:在步骤三中,计算各层关注目标的归一化尺寸Ti的方法为:
其中,i=1,2,...,M。
6.根据权利要求5所述的一种基于模板框增广的提高小目标检测稳定性的方法,其特征在于:针对SSD网络,ImgSize=300,M=6。
7.根据权利要求6所述的一种基于模板框增广的提高小目标检测稳定性的方法,其特征在于:六个输出特征层分别为conv4_3层,fc7层,conv8_2层,conv9_2层,conv10_2层,conv11_2层。
8.根据权利要求1所述的一种基于模板框增广的提高小目标检测稳定性的方法,其特征在于:针对SSD网络,各特征层尺寸Si具体为:
S1=38,S2=19,S3=10,S4=5,S5=3,S6=1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010167033.0A CN111401210B (zh) | 2020-03-11 | 2020-03-11 | 一种基于模板框增广的提高小目标检测稳定性的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010167033.0A CN111401210B (zh) | 2020-03-11 | 2020-03-11 | 一种基于模板框增广的提高小目标检测稳定性的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111401210A CN111401210A (zh) | 2020-07-10 |
CN111401210B true CN111401210B (zh) | 2023-08-04 |
Family
ID=71430683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010167033.0A Active CN111401210B (zh) | 2020-03-11 | 2020-03-11 | 一种基于模板框增广的提高小目标检测稳定性的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401210B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108288075A (zh) * | 2018-02-02 | 2018-07-17 | 沈阳工业大学 | 一种改进ssd的轻量化小目标检测方法 |
CN109492674A (zh) * | 2018-10-19 | 2019-03-19 | 北京京东尚科信息技术有限公司 | 用于目标检测的ssd框架的生成方法及装置 |
CN109670405A (zh) * | 2018-11-23 | 2019-04-23 | 华南理工大学 | 一种基于深度学习的复杂背景行人检测方法 |
CN109784190A (zh) * | 2018-12-19 | 2019-05-21 | 华东理工大学 | 一种基于深度学习的自动驾驶场景关键目标检测提取方法 |
CN109800628A (zh) * | 2018-12-04 | 2019-05-24 | 华南理工大学 | 一种加强ssd小目标行人检测性能的网络结构及检测方法 |
CN109858547A (zh) * | 2019-01-29 | 2019-06-07 | 东南大学 | 一种基于bssd的目标检测方法与装置 |
CN109886359A (zh) * | 2019-03-25 | 2019-06-14 | 西安电子科技大学 | 基于卷积神经网络的小目标检测方法及检测模型 |
CN109977763A (zh) * | 2019-02-03 | 2019-07-05 | 河南科技大学 | 一种基于改进证据信任度的空中小目标识别方法 |
CN110059544A (zh) * | 2019-03-07 | 2019-07-26 | 华中科技大学 | 一种基于道路场景的行人检测方法和系统 |
CN110084292A (zh) * | 2019-04-18 | 2019-08-02 | 江南大学 | 基于DenseNet和多尺度特征融合的目标检测方法 |
WO2019206270A1 (zh) * | 2018-04-27 | 2019-10-31 | 深圳市商汤科技有限公司 | 测距方法、智能控制方法及装置、电子设备和存储介质 |
CN110782430A (zh) * | 2019-09-29 | 2020-02-11 | 郑州金惠计算机系统工程有限公司 | 一种小目标的检测方法、装置、电子设备及存储介质 |
CN110796640A (zh) * | 2019-09-29 | 2020-02-14 | 郑州金惠计算机系统工程有限公司 | 一种小目标缺陷的检测方法、装置、电子设备及存储介质 |
CN110826514A (zh) * | 2019-11-13 | 2020-02-21 | 国网青海省电力公司海东供电公司 | 一种基于深度学习的施工现场违章智能识别方法 |
-
2020
- 2020-03-11 CN CN202010167033.0A patent/CN111401210B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108288075A (zh) * | 2018-02-02 | 2018-07-17 | 沈阳工业大学 | 一种改进ssd的轻量化小目标检测方法 |
WO2019206270A1 (zh) * | 2018-04-27 | 2019-10-31 | 深圳市商汤科技有限公司 | 测距方法、智能控制方法及装置、电子设备和存储介质 |
CN109492674A (zh) * | 2018-10-19 | 2019-03-19 | 北京京东尚科信息技术有限公司 | 用于目标检测的ssd框架的生成方法及装置 |
CN109670405A (zh) * | 2018-11-23 | 2019-04-23 | 华南理工大学 | 一种基于深度学习的复杂背景行人检测方法 |
CN109800628A (zh) * | 2018-12-04 | 2019-05-24 | 华南理工大学 | 一种加强ssd小目标行人检测性能的网络结构及检测方法 |
CN109784190A (zh) * | 2018-12-19 | 2019-05-21 | 华东理工大学 | 一种基于深度学习的自动驾驶场景关键目标检测提取方法 |
CN109858547A (zh) * | 2019-01-29 | 2019-06-07 | 东南大学 | 一种基于bssd的目标检测方法与装置 |
CN109977763A (zh) * | 2019-02-03 | 2019-07-05 | 河南科技大学 | 一种基于改进证据信任度的空中小目标识别方法 |
CN110059544A (zh) * | 2019-03-07 | 2019-07-26 | 华中科技大学 | 一种基于道路场景的行人检测方法和系统 |
CN109886359A (zh) * | 2019-03-25 | 2019-06-14 | 西安电子科技大学 | 基于卷积神经网络的小目标检测方法及检测模型 |
CN110084292A (zh) * | 2019-04-18 | 2019-08-02 | 江南大学 | 基于DenseNet和多尺度特征融合的目标检测方法 |
CN110782430A (zh) * | 2019-09-29 | 2020-02-11 | 郑州金惠计算机系统工程有限公司 | 一种小目标的检测方法、装置、电子设备及存储介质 |
CN110796640A (zh) * | 2019-09-29 | 2020-02-14 | 郑州金惠计算机系统工程有限公司 | 一种小目标缺陷的检测方法、装置、电子设备及存储介质 |
CN110826514A (zh) * | 2019-11-13 | 2020-02-21 | 国网青海省电力公司海东供电公司 | 一种基于深度学习的施工现场违章智能识别方法 |
Non-Patent Citations (1)
Title |
---|
丛龙剑.基于深度学习的SAR舰船目标识别方法研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2019,45-63. * |
Also Published As
Publication number | Publication date |
---|---|
CN111401210A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
Zhao et al. | An insulator in transmission lines recognition and fault detection model based on improved faster RCNN | |
US9990706B2 (en) | Global contrast correction | |
CN110770752A (zh) | 多尺度特征融合网络结合定位模型的害虫自动计数方法 | |
CN109685877B (zh) | 一种基于自适应投影图像特征区域匹配的微纳ct焦点漂移校正方法 | |
CN111429448B (zh) | 一种基于弱分割信息的生物荧光目标计数方法 | |
CN111429496B (zh) | 一种顾及统计特性的时序PolSAR影像无监督变化检测方法 | |
CN110443279B (zh) | 一种基于轻量级神经网络的无人机图像车辆检测方法 | |
CN111489330B (zh) | 基于多源信息融合的弱小目标检测方法 | |
CN112561899A (zh) | 电力巡检图像识别方法 | |
CN111209822A (zh) | 一种热红外图像的人脸检测方法 | |
WO2019010932A1 (zh) | 一种利于模糊核估计的图像区域选择方法和系统 | |
CN115240089A (zh) | 一种航空遥感图像的车辆检测方法 | |
CN112598655A (zh) | 一种能见度检测方法及设备 | |
CN116030453A (zh) | 一种数字电气表计的识别方法、装置及设备 | |
CN111079826A (zh) | 融合slam和图像处理的施工进度实时识别方法 | |
CN111401210B (zh) | 一种基于模板框增广的提高小目标检测稳定性的方法 | |
CN111783834B (zh) | 一种基于联合图频谱特征分析的异源图像匹配方法 | |
CN113570554A (zh) | 一种基于场景深度的单幅图像能见度检测方法 | |
CN113743303A (zh) | 一种林地遥感数据的林业碳汇算法 | |
CN115345845A (zh) | 基于方向梯度直方图的特征融合烟幕干扰效能评估及处理方法及电子设备 | |
CN116563205A (zh) | 基于小目标检测和改进YOLOv5的麦穗计数检测方法 | |
CN115953371A (zh) | 一种绝缘子缺陷检测方法、装置、设备和存储介质 | |
CN111524098B (zh) | 一种基于自组织聚类的神经网络输出层裁剪及模板框尺寸确定方法 | |
Ying et al. | Region-aware RGB and near-infrared image fusion |
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 |