CN111523363A - 基于电子围网的雷达影像船只识别方法、装置及电子设备 - Google Patents
基于电子围网的雷达影像船只识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111523363A CN111523363A CN201911378678.2A CN201911378678A CN111523363A CN 111523363 A CN111523363 A CN 111523363A CN 201911378678 A CN201911378678 A CN 201911378678A CN 111523363 A CN111523363 A CN 111523363A
- Authority
- CN
- China
- Prior art keywords
- training
- ship
- radar image
- sample
- network
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及雷达影像识别技术领域,具体涉及一种基于电子围网的雷达影像船只识别方法、装置及电子设备。获取样本数据,对所述样本数据进行图像增强,以获得图像增强样本;所述图像增强样本包括:训练数据集和样本测试数据集;基于所述船只特征分别使用Faster RCNN和YoLo训练网络对训练数据集进行训练,并设置最大迭代次数和学习率获得雷达影像船只识别模型;根据所述雷达影像船只识别模型对所述样本测试数据集进行测试,输出雷达影像船只识别结果;基于获取Faster RCNN和YOLO训练网络的船只识别结果数据进行质量评价,确定出最优训练网络,基于所述最优训练网络和所述样本数据,输出最优雷达影像船只识别结果。从而实现对雷达影像中船只进行准确快速识别。
Description
技术领域
本发明涉及雷达影像识别技术领域,具体涉及一种基于电子围网的雷达影像船只识别方法、装置及电子设备。
背景技术
在现有技术中,光学影像受天气条件影响时,SAR图像是有效的数据源,SAR能够宏观、长期、连续、动态、实时的对海洋进行观测。但由于数据分辨率和数据源的限制,原有大量的船舶分类研究工作主要是基于模拟SAR(InSAR)图像,基于中低分辨率的SAR图像船舶分类研究较少,分类精度也比较低,而国内外还鲜见公开发表的基于高分辨率SAR图像开展的船舶分类研究文献。进入21世纪以来,SAR技术不断发展,尤其是德国l m分辨率的TerraSAR-X和加拿大的Radarsat-2和中国的GF-3先后升空,开启了高分辨率SAR卫星的时代。原来小型的船舶目标在中低分辨率SAR图像上表现为点目标,大中型船舶目标表现为内部结构不太清晰面目标,这也使得直接将SAR图像送入经典的网络模型结构是难以获得良好的识别精度与速度。
发明内容
有鉴于此,本发明实施例提供了一种基于电子围网的雷达影像船只识别方法、装置及电子设备,以解决现有技术中把雷达影像送入训练网络模型很难获得良好的识别精度与速度的问题。
根据第一方面,本发明实施例提供了一种基于电子围网的雷达影像船只识别方法,包括:
获取样本数据,对所述样本数据进行图像增强,以获得图像增强样本;所述图像增强样本包括:训练数据集和样本测试数据集;
利用所述图像增强样本,基于卷积网络提取船只特征;
基于所述船只特征分别使用Faster RCNN,和,YoLo训练网络对训练数据集进行训练,并设置最大迭代次数和学习率,以获得雷达影像船只识别模型;
根据所述雷达影像船只识别模型对所述样本测试数据集进行测试,输出雷达影像船只识别结果;
基于获取Faster RCNN,和,YOLO训练网络的船只识别结果数据进行质量评价,确定出最优训练网络,基于所述最优训练网络和所述样本数据,输出最优雷达影像船只识别结果。
通过获取样本数据,对所述样本数据进行图像增强,在对图像增强后的样本数据进行特征提取,再利用不同的训练网络和提取的特征信息对图像增强后的样本数据进行训练识别,从而实现利用训练网络对雷达影像中船只数据进行准确快速识别。
结合第一方面,在第一方面第一实施方式中,对所述样本数据进行图像增强,包括:对所述样本数据采用指数加权均值比,保持所述样本数据的恒虚警率。
通过保持恒虚警率,以获得高分辨率,清晰的雷达影像数据保证能够在训练网络中识别出船只数据。
结合第一方面,在第一方面第二实施方式中,船只特征,包括:船只占比和船只形变大小。
通过提取船只占比和船只形变大小特征从而确定出船只外形轮廓,从而保证在进行网络训练时能够提取出船只数据。
结合第一方面,在第一方面第三实施方式中,基于所述样本训练数据集分别使用Faster RCNN训练网络进行训练并设置最大迭代次数和学习率,以获得雷达影像船只识别模型,包括:
获取训练数据集;
利用Faster RCNN网络对所述训练数据集进行候选框的特征信息提取;
通过分类器对所述候选框的特征信息进行判断分类,输出分类结果;其中,所述分类结果为第一雷达影像识别结果。
利用Faster RCNN训练网络进行雷达影像船只识别,能够使精准的通过雷达影像识别出船只数据,从而提升电子围网中的目标检测识别的效率。
结合第一方面,在第一方面第四实施方式中,基于所述样本训练数据集分别使用YOLO训练网络进行训练并设置最大迭代次数和学习率,以获得雷达影像船只识别模型,包括:
获取训练数据集;
基于所述YOLO网络对所述训练数据集进行特征提取,并将所提取特征分别用3个检测器进行检测;
利用所述检测器输出的每个单元格中预测3个不同尺度和长宽比的边界框在3个预测的边界框中选择与真实框最接近的作为预测值来更新网络参数,其中,每个边界框包含3个预测量;
基于所述训练数据集中的预处理信息,对所检测到的所述预测量进行损失函数计算,以获得第二雷达影像识别结果。
利用YoLo训练网络进行雷达影像船只识别,能够使快速识别出通过雷达影像中的船只数据,以提升电子围网中的目标检测的执行效率。
结合第一方面,在第一方面第五实施方式中,基于获取Faster RCNN,和,YOLO训练网络的船只识别结果数据进行质量评价,确定出最优的训练网络,包括:
根据所述第一雷达影像识别结果数量和第二雷达影像识别结果数量进行统计,分别计算出Faster RCNN和YOLO的评价指标;
根据所述评价指标进行对比,确定出最优的训练网络。
结合第一方面,在第一方面第六实施方式中,评价指标包括:正检率、误检率及漏检率。
通过使用不同训练网络进行数据训练,全面分析各种训练网络获取当前环境中最优的检测网络,利用最优检测网络对雷达影像进行识别以保证输出的为最优的雷达影像识别结果。
根据第二方面,本发明实施例提供了一种基于电子围网的雷达影像识别装置,包括:
获取模块,用于获取样本数据,对所述样本数据进行图像增强,以获得图像增强样本;所述图像增强样本包括:训练数据集和样本测试数据集;
特征提取模块,用于利用所述图像增强样本,基于卷积网络提取船只特征;
训练模块,用于基于所述船只特征分别使用Faster RCNN,和,YoLo训练网络对训练数据集进行训练,并设置最大迭代次数和学习率,以获得雷达影像船只识别模型;
识别模块,用于根据所述雷达影像船只识别模型对所述样本测试数据集进行测试,输出雷达影像船只识别结果;
输出模块,用于基于获取Faster RCNN,和,YOLO训练网络的船只识别结果数据进行质量评价,确定出最优训练网络,基于所述最优训练网络和所述样本数据,输出最优雷达影像船只识别结果。
通过获取模块获取样本数据,对样本数据进图像增强,并提取相应的数据特征。在通过把样本数据和数据特征加入训练网络,从而实现对雷达影像中的船只进行识别。从而实现利用训练网络对雷达影像中船只数据进行准确快速识别。
根据第三方面,本发明实施例提供了一种电子设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行第一方面或者第一方面的任意一种实施方式中所述的基于电子围网的雷达影像船只识别方法。
根据第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的基于电子围网的雷达影像船只识别方法。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,在附图中:
图1是根据本发明实施例的一种基于电子围网的雷达影像船只识别方法的流程图;
图2是根据本发明实施例的一种基于电子围网的雷达影像船只识别方法的训练模型的流程图A;
图3是根据本发明实施例的一种基于电子围网的雷达影像船只识别方法的流程图B;
图4是根据本发明实施例的一种基于电子围网的雷达影像船只识别方法的平均检测精度对比流程图;
图5是根据本发明实施例的一种基于电子围网的雷达影像船只识别装置的结构示意图;
图6是根据本发明实施例的一种电子设备的结构示意图;
附图标记
10-获取模块;11-特征提取模块;12-训练模块;13-识别模块;14-输出模块;
20-存储器;21-处理器;22-总线。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供一种基于电子围网的雷达影像船只识别方法,如图1所示,包括:
S10,获取样本数据,对所述样本数据进行图像增强,以获得图像增强样本;所述图像增强样本包括:训练数据集和样本测试数据集;样本数据,可以是从开源雷达影像数据集中获得。其中利用训练样本训练网络,通过调整不同的模型参数,可以得到错误率较低的训练模型,保证船只识别的准确性。
S11,利用所述图像增强样本,基于卷积网络提取船只特征;
S12,基于所述船只特征分别使用Faster RCNN,和,YoLo训练网络对训练数据集进行训练,并设置最大迭代次数和学习率,以获得雷达影像船只识别模型;
S13,根据所述雷达影像船只识别模型对所述样本测试数据集进行测试,输出雷达影像船只识别结果;
S14,基于获取Faster RCNN,和,YOLO训练网络的船只识别结果数据进行质量评价,确定出最优训练网络,基于所述最优训练网络和所述样本数据,输出最优雷达影像船只识别结果。
通过获取样本数据,对所述样本数据进行图像增强,在对图像增强后的样本数据进行特征提取,再利用不同的训练网络和提取的特征信息对图像增强后的样本数据进行训练识别,从而实现利用训练网络对雷达影像中船只数据进行准确快速识别。
本发明实施例提供一种基于电子围网的雷达影像船只识别方法,具体如图2所示,包括:
1.对所述样本数据进行图像增强
对所述样本数据采用指数加权均值比,保持所述样本数据的恒虚警率,其中,采用指数加权均值比的算子进行图像增强,可以去除雷达影像中的强杂波并增强边缘等效果。
2.基于所述样本训练数据集对训练网络进行训练:
1)使用Faster RCNN训练网络进行训练,具体如2所示,包括:
S20,获取训练数据集;
S21,利用Faster RCNN网络对所述训练数据集进行候选框的特征信息提取;
S22,通过分类器对所述候选框的特征信息进行判断分类,输出分类结果;其中,所述分类结果为第一雷达影像识别结果。
2)使用YOLO训练网络进行训练,具体如3所示,包括:
S30,获取训练数据集;
S31,基于所述YOLO网络对所述训练数据集进行特征提取,并将所提取特征分别用3个检测器进行检测;
S32,利用所述检测器输出的每个单元格中预测3个不同尺度和长宽比的边界框在3个预测的边界框中选择与真实框最接近的作为预测值来更新网络参数,其中,每个边界框包含3个预测量;
S33,基于所述训练数据集中的预处理信息,对所检测到的所述预测量进行损失函数计算,以获得第二雷达影像识别结果。其中,损失函数为:
其中,为第N个船只的位置信息和边界信息的预测值,(xi,yi,wi,hi)为第N个果实的位置和边界信息的标记值,是预测边界框与标签边界框的交叉部分,Ci是置信度得分,为给定种类概率,pi(c)为预测种类给定种类的概率,表示为有目标落在单元i的第j个检测框中,表示为有目标落在单元i的所有检测框,其中,λcoord为最高执信度惩罚的坐标预测值和λnoobj为最低置信度预测惩罚。优选的,最高执信度惩罚的坐标预测值设置为λcoord=5和最低置信度预测惩罚设置为λnoobj=0.5。
通过构建YoLo训练模型,从而保证能够快速进行数据船只的检测,在通过设置损失函数从而使预测的结果更加准确。
可选的,迭代次数和学习率根据使用场景进行设置以保证训练结果的数据精准。
3.基于获取Faster RCNN,和,YOLO训练网络的船只识别结果数据进行质量评价,确定出最优训练网络,具体如图4所示,包括:
S40,根据所述第一雷达影像识别结果数量和第二雷达影像识别结果数量进行统计,分别计算出Faster RCNN和YOLO的评价指标;
S41,根据所述评价指标进行对比,确定出最优的训练网络。
可选的,评价指标包括:正检率、误检率及漏检率。其中,通过对比不同训练方法的正检率、误检率及漏检率,可以对训练网络的有效性进行评估,以确定出最优的
本发明实施例提供了一种基于电子围网的雷达影像识别装置,如图5所示,包括:
获取模块10,用于获取样本数据,对所述样本数据进行图像增强,以获得图像增强样本;所述图像增强样本包括:训练数据集和样本测试数据集;
特征提取模块11,用于利用所述图像增强样本,基于卷积网络提取船只特征;
训练模块12,用于基于所述船只特征分别使用Faster RCNN,和,YoLo训练网络对训练数据集进行训练,并设置最大迭代次数和学习率,以获得雷达影像船只识别模型;
识别模块13,用于根据所述雷达影像船只识别模型对所述样本测试数据集进行测试,输出雷达影像船只识别结果;
输出模块14,用于基于获取Faster RCNN,和,YOLO训练网络的船只识别结果数据进行质量评价,确定出最优训练网络,基于所述最优训练网络和所述样本数据,输出最优雷达影像船只识别结果。
通过获取模块获取样本数据,对样本数据进图像增强,并提取相应的数据特征。在通过把样本数据和数据特征加入训练网络,从而实现对雷达影像中的船只进行识别。利用训练网络对雷达影像中船只数据进行准确快速识别。
本发明实施例还提供了一种电子设备,如图6所示,该电子设备可以包括处理器21和存储器20,其中处理器21和存储器20可以通过总线22或者其他方式连接,图6中以通过总线连接为例。
处理器21可以为中央处理器(Central Processing Unit,CPU)。处理器21还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器20作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的车载显示装置按键屏蔽方法对应的程序指令/模块(例如,图3所示的获取模块10、特征提取模块11、训练模块12、识别模块13和输出模块14)。处理器21通过运行存储在存储器20中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述实施例中基于电子围网的雷达影像识别方法。
存储器20可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器21所创建的数据等。此外,存储器20可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器20可选包括相对于处理器21远程设置的存储器,这些远程存储器可以通过网络连接至处理器21。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器20中,当被所述处理器21执行时,执行如图1-2所示实施例中基于电子围网的雷达影像识别方法。
上述车辆终端具体细节可以对应参阅图1至图2所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random AccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种基于电子围网的雷达影像船只识别方法,其特征在于,包括:
获取样本数据,对所述样本数据进行图像增强,以获得图像增强样本;所述图像增强样本包括:训练数据集和样本测试数据集;
利用所述图像增强样本,基于卷积网络提取船只特征;
基于所述船只特征分别使用Faster RCNN,和,YoLo训练网络对训练数据集进行训练,并设置最大迭代次数和学习率,以获得雷达影像船只识别模型;
根据所述雷达影像船只识别模型对所述样本测试数据集进行测试,输出雷达影像船只识别结果;
基于获取Faster RCNN,和,YOLO训练网络的船只识别结果数据进行质量评价,确定出最优训练网络,基于所述最优训练网络和所述样本数据,输出最优雷达影像船只识别结果。
2.根据权利要求1所述的方法,其特征在于,所述对所述样本数据进行图像增强,包括:对所述样本数据采用指数加权均值比,保持所述样本数据的恒虚警率。
3.根据权利要求1所述的方法,其特征在于,所述船只特征,包括:船只占比和船只形变大小。
4.根据权利要求1所述的方法,其特征在于,所述基于所述样本训练数据集分别使用Faster RCNN训练网络进行训练并设置最大迭代次数和学习率,以获得雷达影像船只识别模型,包括:
获取训练数据集;
利用Faster RCNN网络对所述训练数据集进行候选框的特征信息提取;
通过分类器对所述候选框的特征信息进行判断分类,输出分类结果;其中,所述分类结果为第一雷达影像识别结果。
5.根据权利要求3所述的方法,其特征在于,所述基于所述样本训练数据集分别使用YOLO训练网络进行训练并设置最大迭代次数和学习率,以获得雷达影像船只识别模型,包括:
获取训练数据集;
基于所述YOLO网络对所述训练数据集进行特征提取,并将所提取特征分别用3个检测器进行检测;
利用所述检测器输出的每个单元格中预测3个不同尺度和长宽比的边界框在3个预测的边界框中选择与真实框最接近的作为预测值来更新网络参数,其中,每个边界框包含3个预测量;
基于所述训练数据集中的预处理信息,对所检测到的所述预测量进行损失函数计算,以获得第二雷达影像识别结果。
6.根据权利要求4所述的方法,其特征在于,所述基于获取Faster RCNN,和,YOLO训练网络的船只识别结果数据进行质量评价,确定出最优的训练网络,包括:
根据所述第一雷达影像识别结果数量和第二雷达影像识别结果数量进行统计,分别计算出Faster RCNN和YOLO的评价指标;
根据所述评价指标进行对比,确定出最优的训练网络。
7.根据权利要求5所述的方法,其特征在于,所述评价指标包括:正检率、误检率及漏检率。
8.一种基于电子围网的雷达影像识别装置,其他特征在于,包括:
获取模块,用于获取样本数据,对所述样本数据进行图像增强,以获得图像增强样本;所述图像增强样本包括:训练数据集和样本测试数据集;
特征提取模块,用于利用所述图像增强样本,基于卷积网络提取船只特征;
训练模块,用于基于所述船只特征分别使用Faster RCNN,和,YoLo训练网络对训练数据集进行训练,并设置最大迭代次数和学习率,以获得雷达影像船只识别模型;
识别模块,用于根据所述雷达影像船只识别模型对所述样本测试数据集进行测试,输出雷达影像船只识别结果;
输出模块,用于基于获取Faster RCNN,和,YOLO训练网络的船只识别结果数据进行质量评价,确定出最优训练网络,基于所述最优训练网络和所述样本数据,输出最优雷达影像船只识别结果。
9.一种电子设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-7中任一项所述的基于电子围网的雷达影像识别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的基于电子围网的雷达影像识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911378678.2A CN111523363A (zh) | 2019-12-27 | 2019-12-27 | 基于电子围网的雷达影像船只识别方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911378678.2A CN111523363A (zh) | 2019-12-27 | 2019-12-27 | 基于电子围网的雷达影像船只识别方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111523363A true CN111523363A (zh) | 2020-08-11 |
Family
ID=71901046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911378678.2A Pending CN111523363A (zh) | 2019-12-27 | 2019-12-27 | 基于电子围网的雷达影像船只识别方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523363A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165585A (zh) * | 2018-06-15 | 2019-01-08 | 沈阳理工大学 | 一种改进的基于yolo v2的船舶目标检测方法 |
CN109711381A (zh) * | 2019-01-04 | 2019-05-03 | 北京环境特性研究所 | 遥感图像的目标识别方法、装置和计算机设备 |
CN110070142A (zh) * | 2019-04-29 | 2019-07-30 | 上海大学 | 一种基于yolo神经网络的海上船只目标检测方法 |
CN110210463A (zh) * | 2019-07-03 | 2019-09-06 | 中国人民解放军海军航空大学 | 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法 |
CN110378308A (zh) * | 2019-07-25 | 2019-10-25 | 电子科技大学 | 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法 |
-
2019
- 2019-12-27 CN CN201911378678.2A patent/CN111523363A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165585A (zh) * | 2018-06-15 | 2019-01-08 | 沈阳理工大学 | 一种改进的基于yolo v2的船舶目标检测方法 |
CN109711381A (zh) * | 2019-01-04 | 2019-05-03 | 北京环境特性研究所 | 遥感图像的目标识别方法、装置和计算机设备 |
CN110070142A (zh) * | 2019-04-29 | 2019-07-30 | 上海大学 | 一种基于yolo神经网络的海上船只目标检测方法 |
CN110210463A (zh) * | 2019-07-03 | 2019-09-06 | 中国人民解放军海军航空大学 | 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法 |
CN110378308A (zh) * | 2019-07-25 | 2019-10-25 | 电子科技大学 | 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法 |
Non-Patent Citations (3)
Title |
---|
JOSEPH REDMON等: "YOLOv3: An Incremental Improvement", 《HTTPS://ARXIV.ORG/ABS/1804.02767》 * |
胡昌华 等: "基于深度卷积神经网络的SAR图像舰船小目标检测", 《中国惯性技术学报》 * |
袁明新 等: "基于深度学习方法的海上舰船目标检测", 《舰船科学技术》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110310264B (zh) | 一种基于dcnn的大尺度目标检测方法、装置 | |
CN112446378B (zh) | 目标检测方法及装置、存储介质、终端 | |
CN110796048B (zh) | 一种基于深度神经网络的船舰目标实时检测方法 | |
CN111476159B (zh) | 一种基于双角回归的检测模型训练、检测方法及装置 | |
CN112017192B (zh) | 基于改进U-Net网络的腺体细胞图像分割方法及系统 | |
CN108710907B (zh) | 手写体数据分类方法、模型训练方法、装置、设备及介质 | |
CN113536963B (zh) | 基于轻量化yolo网络的sar图像飞机目标检测方法 | |
CN111523558A (zh) | 一种基于电子围网的船只遮挡检测方法、装置及电子设备 | |
CN111553184A (zh) | 一种基于电子围网的小目标检测方法、装置及电子设备 | |
CN115311531A (zh) | 一种RefineDet网络模型的探地雷达地下空洞目标自动检测方法 | |
CN114078213A (zh) | 一种基于生成对抗网络的农田轮廓检测方法和装置 | |
CN115019187A (zh) | 针对sar图像船舶目标的检测方法、装置、设备及介质 | |
CN115965862A (zh) | 基于掩码网络融合图像特征的sar舰船目标检测方法 | |
CN114429577B (zh) | 一种基于高置信标注策略的旗帜检测方法及系统及设备 | |
CN108509826B (zh) | 一种遥感影像的道路识别方法及其系统 | |
CN111695397A (zh) | 一种基于yolo的船只识别方法及电子设备 | |
CN116596875A (zh) | 晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN111553183A (zh) | 一种船只检测模型训练方法、船只检测方法及装置 | |
CN115019181A (zh) | 遥感图像旋转目标检测方法、电子设备及存储介质 | |
CN109978855A (zh) | 一种遥感图像变化检测方法及装置 | |
US9547914B2 (en) | Techniques for feature extraction | |
CN115953746B (zh) | 一种船只监测方法及装置 | |
CN112348750A (zh) | 基于阈值融合和邻域投票的sar图像变化检测方法 | |
CN114240940B (zh) | 一种基于遥感影像的云及云阴影检测方法和装置 | |
CN111681266A (zh) | 船舶跟踪方法、系统、设备及存储介质 |
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 |
Application publication date: 20200811 |
|
RJ01 | Rejection of invention patent application after publication |