CN111523558A - 一种基于电子围网的船只遮挡检测方法、装置及电子设备 - Google Patents
一种基于电子围网的船只遮挡检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111523558A CN111523558A CN201911381912.7A CN201911381912A CN111523558A CN 111523558 A CN111523558 A CN 111523558A CN 201911381912 A CN201911381912 A CN 201911381912A CN 111523558 A CN111523558 A CN 111523558A
- Authority
- CN
- China
- Prior art keywords
- ship
- detection
- training
- shielding
- data set
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及目标遮挡检测技术领域,具体涉及一种基于电子围网的船只遮挡检测方法、装置及电子设备。获取遮挡船只图片,对船只图片进行预处理建船只样本数据集;利用卷积神经网络融合传统特征和深度学习特征获得目标检测特征;基于目标检测特征分别使用Faster RCNN和YoLo训练网络进行训练,设置不同迭代次数和学习率获得船只遮挡检测模型;根据船只遮挡检测模型对测试数据集进行测试输出船只遮挡检测结果;基于获取Faster RCNN和YoLo训练网络平均检测精度进行对比,取平均检测精度高的训练网络对遮挡船只图片进行检测,确定最优船只遮挡检测结果。解决因船只之间重叠度较高造成船只检测失败的问题,并且能够快速准确的对重叠度较高的船只进行检测识别。
Description
技术领域
本发明涉及目标遮挡检测技术领域,具体涉及一种基于电子围网的船只遮挡检测方法、装置及电子设备。
背景技术
在目前的电子围网业务中,对于监控海上船只行驶过程来说,由于船只数量过多以及行驶方向不同,会造成船只遮挡问题从而使船只特征不完全,导致船只识别准确率的下降。例如,在现有的电子围网业务中,由于两船只重叠度较高时,对船只进行检测,也只能检测出部分船只的船体或出现船只类型检测失败的情况。
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船只遮挡检测方法、装置及电子设备,以解决因船只之间重叠度较高造成船只检测失败的问题。
根据第一方面,本发明实施例提供了一种基于电子围网的船只遮挡检测方法,包括:
获取遮挡船只图片,对所述船只图片进行预处理,构建船只样本数据集;其中所述船只样本数据集包括:训练数据集和测试数据集;
利用卷积神经网络融合传统特征和深度学习特征,获得目标检测特征;
基于所述目标检测特征分别使用Faster RCNN,和,YoLo训练网络对训练数据集进行训练,并设置不同迭代次数和学习率,以获得船只遮挡检测模型;
根据所述船只遮挡检测模型对所述测试数据集进行测试,输出船只遮挡检测结果;
基于获取Faster RCNN,和,YoLo训练网络平均检测精度进行对比,取平均检测精度高的训练网络对遮挡船只图片进行检测,确定出最优船只遮挡检测结果。
通过获取遮挡船只图片,进行预处理结合目标检测特征和多种训练网络进行训练以获得船只遮挡检测结果获取船只遮挡检测结果的样本数据,结合训练网络平均检测精度进行对比,以保证能够数据输出最优船只遮挡检测结果,通过对传统特征和深度学习特征进行融合,获得目标检测特征。从而解决因船只之间重叠度较高造成船只检测失败的问题,并且能够快速准确的对重叠度较高的船只进行检测识别。
结合第一方面,在第一方面第一实施方式中,对所述船只图片进行预处理,包括:对所述船只图片进行筛选、分类以及标注保存。
通过对遮挡船只图片进行预处理,以保证所需要检测的遮挡船只图片能够被训练网络所检测到,以提高训练网络的检测精度。以保证能够快速准确的检测出电子围网内的被遮挡船只,保证电子围网的海防安全。
结合第一方面,在第一方面第二实施方式中,利用卷积神经网络融合传统特征和深度学习特征,包括:
获取遮挡船只图片,对所述遮挡船只图片的传统特征和深度学习特征进行提取;
基于所述传统特征和深度学习特征输入到卷积网络中进行卷积运算,以获得船只检测特征。
通过从遮挡船只图片中提取传统特征和深度学习特征,并利用卷积网络进行特征融合,获得船只检测特征,从而能够实现对遮挡重叠的船只图片进行识别,减少因船只之间重叠度较高造成船只检测失败的概率。提高电子围网目标检测识别的效率。
结合第一方面,在第一方面第三实施方式中,基于所述Faster RCNN训练网络进行训练,包括:
获取训练数据集;
利用所述船只检测特征与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船只遮挡检测结果。
利用Faster RCNN训练网络进行船只遮挡重叠的目标检测识别,能够使精准识别出被遮挡或重叠的目标船只,以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YoLo训练网络进行训练,包括:
获取训练数据集;
基于所述船只测特征与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,以获得第二船只遮挡检测结果。
利用YoLo训练网络进行船只遮挡重叠的目标检测识别,能够使快速识别出被遮挡或重叠的目标船只,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,获取Faster RCNN,和,YoLo训练网络平均检测精度进行对比,包括:
根据所述第一船只遮挡检测结果的数量和第二船只遮挡检测结果的数量进行统计,分别计算出Faster RCNN和YoLo的平均检测精度;
取平均检测精度大的船只遮挡结果输出,以确定输出最优船只遮挡检测结果。
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相对于当前环境中最优的检测方法,且通过对比平均检测精度,还能够对所示训练网络进行全面评价,从而能够对适应不同环境提供参考。
根据第二方面,本发明实施例提供了一种基于电子围网的船只遮挡检测装置,包括:
获取模块,用于获取遮挡船只图片,对所述船只图片进行预处理,构建船只样本数据集;其中所述船只样本数据集包括:训练数据集和测试数据集;
特征融合模块,用于利用卷积神经网络融合传统特征和深度学习特征,获得目标检测特征;
训练模块,用于基于所述目标检测特征分别使用Faster RCNN,和,YoLo训练网络进行训练,并设置不同迭代次数和学习率,以获得船只遮挡检测模型;
检测模块,用于根据所述船只遮挡检测模型对所述测试数据集进行测试,输出船只遮挡检测结果;
输出模块,基于获取Faster RCNN,和,YoLo训练网络平均检测精度进行对比,取平均检测精度高的训练网络对遮挡船只图片进行检测,并输出船只遮挡检测结果。
通过获取模块获取遮挡船只图片,对遮挡船只图片进行预处理,在利用遮挡船只图片进行特征提取,把遮挡船只数据和所提取的特征一起输入到训练模型中输出检测结果,从而能够实现快速准确的检测出电子围网内的船只遮挡检测。同时提升电子围网的图像检测能力。
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船只遮挡检测方法。
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船只遮挡检测方法。
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船只遮挡检测方法的流程图;
图2是根据本发明实施例的一种基于电子围网的船只遮挡检测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船只遮挡检测方法的训练模型的流程图B;
图4是根据本发明实施例的一种基于电子围网的船只遮挡检测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船只遮挡检测装置的结构示意图;
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-特征融合模块;12-训练模块;13-检测模块;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船只遮挡检测方法,如图1所示,包括:
S10,获取遮挡船只图片,对所述船只图片进行预处理,构建船只样本数据集;其中所述船只样本数据集包括:训练数据集和测试数据集;通过监控设备中获取遮挡船只图片或开源数据集获得。
S11,利用卷积神经网络融合传统特征和深度学习特征,获得目标检测特征;具体可以是:船只独特的形状、纹理等特征人工设计的船只特征描述信息。
S12,基于所述目标检测特征分别使用Faster RCNN,和,YoLo训练网络对训练数据集进行训练,并设置不同迭代次数和学习率,以获得船只遮挡检测模型;
S13,根据所述船只遮挡检测模型对所述测试数据集进行测试,输出船只遮挡检测结果;
S14,基于获取Faster RCNN,和,YoLo训练网络平均检测精度进行对比,取平均检测精度高的训练网络对遮挡船只图片进行检测,确定出最优船只遮挡检测结果。
通过获取遮挡船只图片,进行预处理结合目标检测特征和多种训练网络进行训练以获得船只遮挡检测结果获取船只遮挡检测结果的样本数据,结合训练网络平均检测精度进行对比,以保证能够数据输出最优船只遮挡检测结果,通过对传统特征和深度学习特征进行融合,获得目标检测特征。从而解决因船只之间重叠度较高造成船只检测失败的问题,并且能够快速准确的对重叠度较高的船只进行检测识别。
本发明实施例提供一种基于电子围网的船只遮挡检测方法,具体如图2-4所示,包括:
1.船只图片进行预处理,包括:对所述船只图片进行筛选、分类以及标注保存。
具体可以是,先获得电子围网内的船只图像。为了使船只遮挡检测的结果更为精确,需要搜集不同遮挡程度的船只图片。
在对搜集到的船只图片,有一些不符合遮挡要求图片(比如不存在遮挡,或者图片质量太差)进行筛选,选出图片较为清晰和遮挡程度不同的图片。并对筛选得到的图片中的船只的类别进行分类。(如:轮船、货船等)
在进行数据训练前还需要对筛选出的图片进行标注,标注可以是使用现有的标注工具,其标注的内容可以是船只的边界框(多边形)bounding box和类别label,并对所标注的船只图片数据进保存。
通对船只图片进行预处理以保证通过训练网络能够识别不同程度的遮挡的船只。
2.利用卷积神经网络融合传统特征和深度学习特征
获取遮挡船只图片,对所述遮挡船只图片的传统特征和深度学习特征进行提取;其中传统特征可以是专家特征,具体可以为:,而深度学习特征可以是:
基于所述传统特征和深度学习特征输入到卷积网络中进行卷积运算,以获得船只检测特征。
具体的可以是据船只独特的形状、纹理等特征人工设计的船只特征描述算子,利用卷积网络进行融合,以获得的特征信息,其中所述使用的卷积网络属于向后传播过程。
3.构建训练模型包括
1)基于所述Faster RCNN训练网络进行训练,如图2所示
S20,获取训练数据集;
S21,利用所述船只检测特征与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船只遮挡检测结果。
通过构建Faster RCNN训练模型,从而保证能够准确进行船只遮挡检测。
2)基于所述YoLo训练网络进行训练,如图3所示
S30,获取训练数据集;
S31,基于所述船只测特征与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,以获得第二船只遮挡检测结果。
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,其中迭代次数优选的为最大迭代次数,以保证训练结果的数据精准。
具体的,设置训练数据集和测试数据集,是为了防止在进行网络训练时产生的过拟合,从而保证所输出的船只遮挡结果的准确。
4.获取Faster RCNN,和,YoLo训练网络平均检测精度进行对比,如图4所示:
S40,根据所述第一船只遮挡检测结果的数量和第二船只遮挡检测结果的数量进行统计,分别计算出Faster RCNN和YoLo的平均检测精度;
S41,取平均检测精度大的船只遮挡结果输出,以确定输出最优船只遮挡检测结果。
可选的,通过获取Faster RCNN和YoLo训练结果的样本数量,通过预测统计mAP的值,确定最优船只遮挡检测结果。其中mAP的值定在[0,1]区间,其数值越大,代表最优船只遮挡检测结果越好。
本发明实施例提供了一种基于电子围网的船只遮挡检测装置,如图5所示,包括:
获取模块10,用于获取遮挡船只图片,对所述船只图片进行预处理,构建船只样本数据集;其中所述船只样本数据集包括:训练数据集和测试数据集;
特征融合模块11,用于利用卷积神经网络融合传统特征和深度学习特征,获得目标检测特征;
训练模块12,用于基于所述目标检测特征分别使用Faster RCNN,和,YoLo训练网络进行训练,并设置不同迭代次数和学习率,以获得船只遮挡检测模型;
检测模块13,用于根据所述船只遮挡检测模型对所述测试数据集进行测试,输出船只遮挡检测结果;
输出模块14,基于获取Faster RCNN,和,YoLo训练网络平均检测精度进行对比,取平均检测精度高的训练网络对遮挡船只图片进行检测,并输出船只遮挡检测结果。
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11、特征提取模块12、训练模块13、检测模块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船只遮挡检测方法。
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1-4所示实施例中基于电子围网的船只遮挡检测方法。
上述车辆终端具体细节可以对应参阅图1至图4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 (9)
1.一种基于电子围网的船只遮挡检测方法,其特征在于,包括:
获取遮挡船只图片,对所述船只图片进行预处理,构建船只样本数据集;其中所述船只样本数据集包括:训练数据集和测试数据集;
利用卷积神经网络融合传统特征和深度学习特征,获得目标检测特征;
基于所述目标检测特征分别使用Faster RCNN,和,YoLo训练网络对训练数据集进行训练,并设置不同迭代次数和学习率,以获得船只遮挡检测模型;
根据所述船只遮挡检测模型对所述测试数据集进行测试,输出船只遮挡检测结果;
基于获取Faster RCNN,和,YoLo训练网络平均检测精度进行对比,取平均检测精度高的训练网络对遮挡船只图片进行检测,确定出最优船只遮挡检测结果。
2.根据权利要求1所述的方法,其特征在于,所述对所述船只图片进行预处理,包括:对所述船只图片进行筛选、分类以及标注保存。
3.根据权利要求2所述的方法,其特征在于,所述利用卷积神经网络融合传统特征和深度学习特征,包括:
获取遮挡船只图片,对所述遮挡船只图片的传统特征和深度学习特征进行提取;
基于所述传统特征和深度学习特征输入到卷积网络中进行卷积运算,以获得船只检测特征。
4.根据权利要求3所述的方法,其特征在于,所述基于所述Faster RCNN训练网络进行训练,包括:
获取训练数据集;
利用所述船只检测特征与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船只遮挡检测结果。
5.根据权利要求4所述的方法,其特征在于,所述基于所述YoLo训练网络进行训练,包括:
获取训练数据集;
基于所述船只测特征与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,以获得第二船只遮挡检测结果。
6.根据权利要求5所述的方法,其特征在于,所述获取Faster RCNN,和,YoLo训练网络平均检测精度进行对比,包括:
根据所述第一船只遮挡检测结果的数量和第二船只遮挡检测结果的数量进行统计,分别计算出Faster RCNN和YoLo的平均检测精度;
取平均检测精度大的船只遮挡结果输出,以确定输出最优船只遮挡检测结果。
7.一种基于电子围网的小目标检测装置,其他特征在于,包括:
获取模块,用于获取遮挡船只图片,对所述船只图片进行预处理,构建船只样本数据集;其中所述船只样本数据集包括:训练数据集和测试数据集;
特征融合模块,用于利用卷积神经网络融合传统特征和深度学习特征,获得目标检测特征;
训练模块,用于基于所述目标检测特征分别使用Faster RCNN,和,YoLo训练网络进行训练,并设置不同迭代次数和学习率,以获得船只遮挡检测模型;
检测模块,用于根据所述船只遮挡检测模型对所述测试数据集进行测试,输出船只遮挡检测结果;
输出模块,用于基于获取Faster RCNN,和,YoLo训练网络平均检测精度进行对比,取平均检测精度高的训练网络对遮挡船只图片进行检测,确定出最优船只遮挡检测结果。
8.一种电子设备,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1-6中任一项所述的基于电子围网的船只遮挡检测方法。
9.一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1-6中任一项所述的基于电子围网的船只遮挡检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911381912.7A CN111523558A (zh) | 2019-12-27 | 2019-12-27 | 一种基于电子围网的船只遮挡检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911381912.7A CN111523558A (zh) | 2019-12-27 | 2019-12-27 | 一种基于电子围网的船只遮挡检测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111523558A true CN111523558A (zh) | 2020-08-11 |
Family
ID=71900524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911381912.7A Pending CN111523558A (zh) | 2019-12-27 | 2019-12-27 | 一种基于电子围网的船只遮挡检测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523558A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112148723A (zh) * | 2020-10-15 | 2020-12-29 | 珠海大横琴科技发展有限公司 | 一种基于电子围网的异常数据优化方法、装置及电子设备 |
CN112270326A (zh) * | 2020-11-18 | 2021-01-26 | 珠海大横琴科技发展有限公司 | 一种遮挡船只的检测优化方法、装置及电子设备 |
CN112395993A (zh) * | 2020-11-18 | 2021-02-23 | 珠海大横琴科技发展有限公司 | 基于监控视频数据的遮挡船只检测方法、装置及电子设备 |
CN113012176A (zh) * | 2021-03-17 | 2021-06-22 | 北京百度网讯科技有限公司 | 样本图像的处理方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740665A (zh) * | 2018-12-29 | 2019-05-10 | 珠海大横琴科技发展有限公司 | 基于专家知识约束的遮挡图像船只目标检测方法及系统 |
CN109800714A (zh) * | 2019-01-22 | 2019-05-24 | 浙江华是科技股份有限公司 | 一种基于人工智能的船舶检测系统及方法 |
CN109829400A (zh) * | 2019-01-18 | 2019-05-31 | 青岛大学 | 一种快速车辆检测方法 |
US20190204416A1 (en) * | 2017-12-28 | 2019-07-04 | Furuno Electric Co., Ltd. | Target object detecting device, method of detecting a target object and computer readable medium |
-
2019
- 2019-12-27 CN CN201911381912.7A patent/CN111523558A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190204416A1 (en) * | 2017-12-28 | 2019-07-04 | Furuno Electric Co., Ltd. | Target object detecting device, method of detecting a target object and computer readable medium |
CN109740665A (zh) * | 2018-12-29 | 2019-05-10 | 珠海大横琴科技发展有限公司 | 基于专家知识约束的遮挡图像船只目标检测方法及系统 |
CN109829400A (zh) * | 2019-01-18 | 2019-05-31 | 青岛大学 | 一种快速车辆检测方法 |
CN109800714A (zh) * | 2019-01-22 | 2019-05-24 | 浙江华是科技股份有限公司 | 一种基于人工智能的船舶检测系统及方法 |
Non-Patent Citations (1)
Title |
---|
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》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112148723A (zh) * | 2020-10-15 | 2020-12-29 | 珠海大横琴科技发展有限公司 | 一种基于电子围网的异常数据优化方法、装置及电子设备 |
CN112270326A (zh) * | 2020-11-18 | 2021-01-26 | 珠海大横琴科技发展有限公司 | 一种遮挡船只的检测优化方法、装置及电子设备 |
CN112395993A (zh) * | 2020-11-18 | 2021-02-23 | 珠海大横琴科技发展有限公司 | 基于监控视频数据的遮挡船只检测方法、装置及电子设备 |
CN112270326B (zh) * | 2020-11-18 | 2022-03-22 | 珠海大横琴科技发展有限公司 | 一种遮挡船只的检测优化方法、装置及电子设备 |
CN113012176A (zh) * | 2021-03-17 | 2021-06-22 | 北京百度网讯科技有限公司 | 样本图像的处理方法、装置、电子设备及存储介质 |
CN113012176B (zh) * | 2021-03-17 | 2023-12-15 | 阿波罗智联(北京)科技有限公司 | 样本图像的处理方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220245936A1 (en) | Object-based change detection using a neural network | |
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 | |
CN110020592B (zh) | 物体检测模型训练方法、装置、计算机设备及存储介质 | |
US20200175062A1 (en) | Image retrieval method and apparatus, and electronic device | |
CN110443212B (zh) | 用于目标检测的正样本获取方法、装置、设备及存储介质 | |
CN113139543B (zh) | 目标对象检测模型的训练方法、目标对象检测方法和设备 | |
CN111310826A (zh) | 样本集的标注异常检测方法、装置及电子设备 | |
CN111598827A (zh) | 外观瑕疵检测方法、电子装置及存储介质 | |
CN110866428B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN111639513A (zh) | 一种船只遮挡识别方法、装置及电子设备 | |
CN108229473A (zh) | 车辆年检标签检测方法及装置 | |
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 | |
CN112149503A (zh) | 目标事件检测方法、装置和电子设备和可读介质 | |
CN114445768A (zh) | 目标识别方法、装置、电子设备及存储介质 | |
CN114722958A (zh) | 网络训练及目标检测方法、装置、电子设备和存储介质 | |
CN113420673A (zh) | 垃圾分类方法、装置、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 | |
CN114663871A (zh) | 图像识别方法、训练方法、装置、系统及存储介质 | |
CN111931721B (zh) | 年检标签颜色和个数的检测方法、装置及电子设备 | |
CN111582012A (zh) | 一种检测小目标船只方法及装置 | |
CN115298705A (zh) | 车牌识别方法、装置、电子设备及存储介质 | |
US9070045B2 (en) | Crosstalk cascades for use in object detection | |
CN112149698A (zh) | 一种困难样本数据的筛选方法及装置 | |
CN112308010B (zh) | 一种基于yolo-v3算法的船只遮挡检测方法及装置 | |
CN112990350B (zh) | 目标检测网络训练方法及基于目标检测网络煤矸识别方法 |
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 |