CN111582403A - 一种零样本侧扫声呐图像目标分类方法 - Google Patents
一种零样本侧扫声呐图像目标分类方法 Download PDFInfo
- Publication number
- CN111582403A CN111582403A CN202010419858.7A CN202010419858A CN111582403A CN 111582403 A CN111582403 A CN 111582403A CN 202010419858 A CN202010419858 A CN 202010419858A CN 111582403 A CN111582403 A CN 111582403A
- Authority
- CN
- China
- Prior art keywords
- scan sonar
- classification
- sonar 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000003287 optical effect Effects 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000004088 simulation Methods 0.000 claims abstract description 14
- 230000015572 biosynthetic process Effects 0.000 claims description 15
- 238000003786 synthesis reaction Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000013145 classification model Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000002087 whitening effect Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000013508 migration Methods 0.000 abstract description 11
- 230000005012 migration Effects 0.000 abstract description 11
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 239000011159 matrix material Substances 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
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
- 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
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种零样本侧扫声呐图像目标分类方法,根据任意待识别侧扫声呐图像目标类别信息,获取同类别的常规光学图像,并对其进行类别标注,获取一些较为容易获得的不包含待识别类别目标的侧扫声呐图像。然后使用针对侧扫声呐图像的风格迁移方法,以常规光学图像和侧扫声呐图像作为输入,生成某特定类别的仿真侧扫声呐图像,并根据生成的仿真侧扫声呐图像数据集训练深度神经网络,最后,使用由仿真侧扫声呐数据集训练得到的深度神经网络即可应用于对某特定类别的侧扫声呐图像进行分类识别。本发明可以在没有可用训练样本的情况下,依然准确的实现某特定类别目标的侧扫声呐图像分类,解决因样本无法获取导致的无法训练识别网络的问题。
Description
技术领域
本发明涉及零样本侧扫声呐图像目标分类方法,特别是一种采用伪样本合成的零样本侧扫声呐图像目标分类方法。
背景技术
侧扫声呐是水下探测、目标搜寻等领域应用最为广泛的传感器,近年来,随着海洋开发活动的开展,声呐设备的应用已经不仅仅局限于军事应用,在商业和民用领域也有广泛的应用,如海底资源检测、石油勘探、海上救援、海底地形地貌图自动绘制及鱼群探测等等。
然而目前的水下机器人大多只具备侧扫声呐图像数据获取功能,对侧扫声呐图像的解释和判读依然主要靠人工进行。当扫测海域面积大、特征地貌数量庞大时,使用人工识别需要耗费大量的人力及时间,若使水下机器人具有自主目标识别能力,则将极大改善这一问题。
当前的监督学习方法都需要大量的带有标注的训练样本进行大量的学习,才可获得较好的分类效果,然而侧扫声呐图像数据获取难度复杂、成本高,导致包含目标的可用的训练样本数量十分稀少,甚至某些不常见类别,完全没有可用的训练样本。
与传统的监督学习方法不同,零样本目标识别方法的目的在于识别那些训练过程中没有训练样本的类别;零样本目标识别方法受人类识别未见类样本的过程启发得到,例如,人类通过观察某一目标的光学图像和对应的侧扫声呐图像,即可根据其他类别的光学图像,想象出该类别的侧扫声呐图像的大概表象。
发明内容
针对上述现有技术,本发明要解决的技术问题是提供一种采用伪样本合成的零样本侧扫声呐图像目标分类方法,通过待识别类别的常规光学图像和一些其他类别的侧扫声呐图像,合成该待识别类别的仿真侧扫声呐图像,从而将零样本问题转换为监督学习问题,从而克服因没有可用训练样本导致的无法应用监督学习的问题。
为解决上述技术问题,本发明的一种零样本侧扫声呐图像目标分类方法,包括以下步骤:
步骤一:确定待识别的侧扫声呐图像目标的类别,然后获取与待识别的侧扫声呐图像目标类别相同的光学图像数据集并将其作为源领域数据集;
步骤二:获取不包含待识别的侧扫声呐图像目标类别的侧扫声呐图像;
步骤三:构建一个卷积神经网络分类模型,包括伪样本合成网络和样本分类网络;
步骤四:进行卷积神经网络分类模型训练:将光学图像数据集作为伪样本合成网络的内容输入,将步骤二获取的侧扫声呐图像作为伪样本合成网络的风格输入,伪样本生成网络融合内容输入和风格输入并生成仿真侧扫声呐图像,即待识别类别的伪样本,对所有光学图像进行伪样本合成后,得到伪样本数据集,伪样本数据集中图像的类别信息与对应的光学图像类别信息一致;
步骤五:进行卷积神经网络分类模型训练:样本分类网络以伪样本数据集为输入,类别预测为输出,通过前向传播方法,计算分类损失值,然后使用误差反向传播算法将损失值反向传播,通过随机梯度下降算法调整分类网络中的神经元连接权重参数;
步骤六:对损失值设定最小阈值,判断分类网络是否训练完成:若分类损失值大于最小阈值,重复步骤五;否则,则训练完成,保存分类网络全部参数,即可使用该分类网络,对真实侧扫声呐图像进行分类预测。
本发明还包括:
1.步骤四中伪样本生成网络融合内容输入和风格输入并生成仿真侧扫声呐图像具体为:伪样本生成网络采用自编码网络结构,包括编码器和解码器,编码器提取光学图像的特征,并进行特征白化操作,得到白化后的光学图像特征,然后编码器提取侧扫声呐图像的特征,并进行中心化操作,再将白化后的光学图像特征与侧扫声呐图像特征融合进行反白化变换,得到融合后的特征,融合后的特征传入解码器,解码器将融合后的特征映射成图像,得到伪样本。
2.解码器将融合后的特征映射成图像包括:解码器进行特征上采样,对上采样后的特征图中激活值为0的部分填充随机噪声。
本发明的有益效果:
本发明根据任意待识别侧扫声呐图像目标类别信息,获取同类别的常规光学图像,并对其进行类别标注,获取一些较为容易获得的不包含待识别类别目标的侧扫声呐图像。然后使用本发明中所述的针对侧扫声呐图像的风格迁移方法,以常规光学图像和侧扫声呐图像作为输入,生成某特定类别的仿真侧扫声呐图像,并根据生成的仿真侧扫声呐图像数据集训练深度神经网络,最后,使用由仿真侧扫声呐数据集训练得到的深度神经网络即可应用于对某特定类别的侧扫声呐图像进行分类识别。本发明与现有技术相比,本发明使用与待识别侧扫声呐图像目标类别相同的常规光学图像及其他容易获得的侧扫声呐图像,合成对于某个特定待识别类别的仿真侧扫声呐图像,即伪样本,并通过伪样本训练分类网络,以此来实现在没有可用训练样本的情况下,依然可以准确的实现某特定类别目标的侧扫声呐图像分类,克服因样本无法获取导致的无法训练识别网络的难题。
本方法通过对难以获得可用训练样本的目标类别,通过专用的风格迁移方法对这些类别合成伪样本,从而将零样本问题转换为传统的监督学习问题,同时对于伪特征合成,采用更为高效的风格迁移合成模型,通过使用尽可能多的侧扫声呐图像作为风格图像,从而保证了生成伪样本风格的丰富性,从而使得训练得到的样本分类网络对各种不同型号侧扫声呐采集的数据均具有很好的分类能力。
附图说明
图1是本发明方法实现过程框图。
图2是本发明零样本分类方法网络结构框图。
图3是构建的侧扫声呐图像数据集。
图4是构建的源领域图像数据集样本示例。
图5是输入的光学图像及侧扫声呐图像示例,侧扫声呐图像放置于光学图像左上角。
图6是以图5中示例图像为输入,生成的伪样本。
图7是部分分类结果示例。
具体实施方式
下面结合附图对本发明具体实施方式做进一步说明。
结合图1和图2,本发明技术方案包括以下几个步骤:
步骤一:明确待识别的侧扫声呐图像目标类别,首先获取与待识别类别相同类别的常规光学图像数据集,并将其命名为源领域数据集;
步骤二:通过网络搜索等方式获取一些容易获取的不包含待识别类别的侧扫声呐图像;
步骤三:构建一个卷积神经网络分类模型,卷积神经网络分类模型分为两个子网络,第一为伪样本合成网络,第二为样本分类网络。
步骤四:训练时,将光学图像数据集作为伪样本合成网络的内容输入,将获取的不包含特定待识别类别样本的侧扫声呐图像作为伪样本合成网络的风格输入;伪样本生成网络融合光学图像的内容和侧扫声呐图像的风格,生成仿真侧扫声呐图像,对所有光学图像进行伪样本合成后,得到伪样本数据集,伪样本数据集中图像的类别信息与对应的光学图像类别信息一致;
步骤五:训练时,卷积神经网络分类模型的分类网络以伪样本数据集为输入,类别预测为输出,通过前向传播方法,计算分类损失值,然后使用误差反向传播算法将损失值反向传播,通过随机梯度下降算法调整分类网络中的神经元连接权重参数;
步骤六:通过对损失值设定最小阈值,判断分类网络是否训练完成,若分类损失值大于最小阈值,重复步骤五,若分类损失值小于或等于最小阈值,则训练完成,保存分类网络全部参数,此时,即可使用该分类网络,对真实侧扫声呐图像进行分类预测。
步骤四中,风格迁移方法为专用于侧扫声呐图像风格迁移应用的方法,该方法以常规光学图像和侧扫声呐图像为输入,输出为与光学图像类别内容一致的仿真侧扫声呐图像。
步骤四中,风格迁移方法以自编码网络为主要框架,网络包含编码器和解码器两部分,编码器用于输入的图像提取深度特征,解码器用于将特征映射成图像。
步骤四中,风格迁移方法部分,使用编码器提取光学图像的特征,并进行特征白化操作,得到白化后的光学图像特征,然后使用编码器提取声呐图像的特征,并进行中心化操作,再将白化后的光学图像特征与声呐图像特征融合进行反白化变换,得到合成特征,最后,将合成特征送入解码器,从而产生合成图像。
步骤四中,风格迁移方法部分,解码器在进行特征上采样时,通过对上采样后的特征图中,激活值为0的部分填充随机噪声,以此来实现更加接近真实侧扫声呐图像的仿真样本生成。
结合图1和图2,本发明具体实施主要包括以下步骤:
(3)构建一个卷积神经网络分类模型,模型分为伪样本合成部分P(.)和样本分类部分C(·)两部分,伪样本合成部分用于生成仿真侧扫声呐图像,即伪样本,样本分类部分将伪样本作为输入,光学图像类别作为预测目标,训练分类网络。
(4)训练时,网络的伪样本生成部分P(.)融合光学图像的内容和侧扫声呐图像的风格,生成与光学图像同类别的仿真侧扫声呐图像即得到伪样本数据集具体的合成方法为,首先使用伪样本生成网络中的编码器对输入的光学图像提取深度特征fc,并根据下式进行白化操作:
最后,将融合后的特征送入解码器,得到合成的伪样本解码器中,每个上采样层均对采样后的激活值为0的位置填充随机噪声,以保证生成的伪样本与光学图像内容产生一定程度的形变,更加突出侧扫声呐图像风格,使得生成样本更加接近真实。
(5)样本分类网络C(·)以常见的卷积神经网络为主要网络结构,使用伪样本数据集Dp作为输入,以监督学习的方式训练分类网络,即将样本送入样本分类网络,进行前向计算,得到预测的类别值,然后与真实类别值计算分类损失值,以随机梯度下降算法作为优化算法,最小化分类损失,优化网络权重参数ω,损失函数为常见的类别预测损失:
其中,m表示类别数目,表示伪样本数据集Dp中的第i个伪样本,为第i个伪样本对应的真实类别标签,f(·)表示分类网络神经元前向传播计算,即预测伪样本可能属于的类别,d(·)表示距离测量函数,用于衡量预测的结果与真实类别的差异。
(6)通过对损失值设定最小阈值,判断分类网络是否训练完成,若分类损失值大于最小阈值,重复步骤(5),若分类损失值小于最小阈值,则训练完成,保存样本分类网络参数,此时即可直接使用该分类网络C(·),对真实侧扫声呐图像进行分类。
本发明方法在自有数据集上以沉船和和失事飞机为例进行了测试,选取34张真实的失事飞机侧扫声呐图像和240张真实的沉船侧扫声呐图像作为测试样本,76张包含其他任意目标的真实的侧扫声呐图像作为风格图像输入,图像示例如图3所示。选取共4000张包含飞机、船以及其他目标的光学图像作为源领域数据集,图像示例如图4所示。图6为使用本发明方法中步骤4所述的风格迁移方法对图5中所示的示例图像进行风格迁移得到的伪样本。在使用步骤1至步骤6所述内容进行网络训练后,使用测试样本进行测试,本发明方法可以正确识别出75%以上的侧扫声呐图像目标,部分示例结果如图7所示。
Claims (3)
1.一种零样本侧扫声呐图像目标分类方法,其特征在于,包括以下步骤:
步骤一:确定待识别的侧扫声呐图像目标的类别,然后获取与待识别的侧扫声呐图像目标类别相同的光学图像数据集并将其作为源领域数据集;
步骤二:获取不包含待识别的侧扫声呐图像目标类别的侧扫声呐图像;
步骤三:构建一个卷积神经网络分类模型,包括伪样本合成网络和样本分类网络;
步骤四:进行卷积神经网络分类模型训练:将光学图像数据集作为伪样本合成网络的内容输入,将步骤二获取的侧扫声呐图像作为伪样本合成网络的风格输入,伪样本生成网络融合内容输入和风格输入并生成仿真侧扫声呐图像,即待识别类别的伪样本,对所有光学图像进行伪样本合成后,得到伪样本数据集,伪样本数据集中图像的类别信息与对应的光学图像类别信息一致;
步骤五:进行卷积神经网络分类模型训练:样本分类网络以伪样本数据集为输入,类别预测为输出,通过前向传播方法,计算分类损失值,然后使用误差反向传播算法将损失值反向传播,通过随机梯度下降算法调整分类网络中的神经元连接权重参数;
步骤六:对损失值设定最小阈值,判断分类网络是否训练完成:若分类损失值大于最小阈值,重复步骤五;否则,则训练完成,保存分类网络全部参数,即可使用该分类网络,对真实侧扫声呐图像进行分类预测。
2.根据权利要求1所述的一种零样本侧扫声呐图像目标分类方法,其特征在于:步骤四所述伪样本生成网络融合内容输入和风格输入并生成仿真侧扫声呐图像具体为:伪样本生成网络采用自编码网络结构,包括编码器和解码器,编码器提取光学图像的特征,并进行特征白化操作,得到白化后的光学图像特征,然后编码器提取侧扫声呐图像的特征,并进行中心化操作,再将白化后的光学图像特征与侧扫声呐图像特征融合进行反白化变换,得到融合后的特征,融合后的特征传入解码器,解码器将融合后的特征映射成图像,得到伪样本。
3.根据权利要求2所述的一种零样本侧扫声呐图像目标分类方法,其特征在于:所述解码器将融合后的特征映射成图像包括:解码器进行特征上采样,对上采样后的特征图中激活值为0的部分填充随机噪声。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010419858.7A CN111582403A (zh) | 2020-05-18 | 2020-05-18 | 一种零样本侧扫声呐图像目标分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010419858.7A CN111582403A (zh) | 2020-05-18 | 2020-05-18 | 一种零样本侧扫声呐图像目标分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111582403A true CN111582403A (zh) | 2020-08-25 |
Family
ID=72125117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010419858.7A Pending CN111582403A (zh) | 2020-05-18 | 2020-05-18 | 一种零样本侧扫声呐图像目标分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582403A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381745A (zh) * | 2020-11-06 | 2021-02-19 | 山东大学 | 基于多源数据合成的侧扫声呐图像数据增强方法及系统 |
CN112465031A (zh) * | 2020-11-27 | 2021-03-09 | 江苏云从曦和人工智能有限公司 | 数据分类方法、装置以及计算机可读存储介质 |
CN113052786A (zh) * | 2021-05-31 | 2021-06-29 | 北京星天科技有限公司 | 一种声呐图像合成方法和装置 |
CN113436125A (zh) * | 2021-07-09 | 2021-09-24 | 河南大学 | 基于风格迁移的侧扫声呐仿真图像生成方法、装置及设备 |
CN113781421A (zh) * | 2021-08-31 | 2021-12-10 | 深圳市爱深盈通信息技术有限公司 | 基于水下的目标识别方法、装置及系统 |
CN115303451A (zh) * | 2022-07-22 | 2022-11-08 | 深圳鳍源科技有限公司 | 水下设备以及水下作业系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8743654B1 (en) * | 2011-01-24 | 2014-06-03 | The United States Of America As Represented By The Secretary Of The Navy | Reflectivity maps |
US20160283619A1 (en) * | 2014-06-23 | 2016-09-29 | Postech Academy-Industry Foundation | Sonar-image-simulation method for image prediction of imaging sonar and apparatus using the sonar-image-simulation method |
CN108510458A (zh) * | 2018-03-29 | 2018-09-07 | 中国海洋大学 | 基于深度学习方法和非参数化采样的侧扫声呐图像合成方法 |
CN109325527A (zh) * | 2018-09-05 | 2019-02-12 | 哈尔滨工程大学 | 一种基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法 |
CN110991516A (zh) * | 2019-11-28 | 2020-04-10 | 哈尔滨工程大学 | 一种基于风格迁移的侧扫声呐图像目标分类方法 |
-
2020
- 2020-05-18 CN CN202010419858.7A patent/CN111582403A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8743654B1 (en) * | 2011-01-24 | 2014-06-03 | The United States Of America As Represented By The Secretary Of The Navy | Reflectivity maps |
US20160283619A1 (en) * | 2014-06-23 | 2016-09-29 | Postech Academy-Industry Foundation | Sonar-image-simulation method for image prediction of imaging sonar and apparatus using the sonar-image-simulation method |
CN108510458A (zh) * | 2018-03-29 | 2018-09-07 | 中国海洋大学 | 基于深度学习方法和非参数化采样的侧扫声呐图像合成方法 |
CN109325527A (zh) * | 2018-09-05 | 2019-02-12 | 哈尔滨工程大学 | 一种基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法 |
CN110991516A (zh) * | 2019-11-28 | 2020-04-10 | 哈尔滨工程大学 | 一种基于风格迁移的侧扫声呐图像目标分类方法 |
Non-Patent Citations (1)
Title |
---|
ZWX1995ZWX: "风格转移之WCT(Whiten-Color Transform)", 《CSDN》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381745A (zh) * | 2020-11-06 | 2021-02-19 | 山东大学 | 基于多源数据合成的侧扫声呐图像数据增强方法及系统 |
CN112381745B (zh) * | 2020-11-06 | 2023-09-22 | 山东大学 | 基于多源数据合成的侧扫声呐图像数据增强方法及系统 |
CN112465031A (zh) * | 2020-11-27 | 2021-03-09 | 江苏云从曦和人工智能有限公司 | 数据分类方法、装置以及计算机可读存储介质 |
CN113052786A (zh) * | 2021-05-31 | 2021-06-29 | 北京星天科技有限公司 | 一种声呐图像合成方法和装置 |
CN113052786B (zh) * | 2021-05-31 | 2021-09-03 | 北京星天科技有限公司 | 一种声呐图像合成方法和装置 |
CN113436125A (zh) * | 2021-07-09 | 2021-09-24 | 河南大学 | 基于风格迁移的侧扫声呐仿真图像生成方法、装置及设备 |
CN113436125B (zh) * | 2021-07-09 | 2022-11-04 | 河南大学 | 基于风格迁移的侧扫声呐仿真图像生成方法、装置及设备 |
CN113781421A (zh) * | 2021-08-31 | 2021-12-10 | 深圳市爱深盈通信息技术有限公司 | 基于水下的目标识别方法、装置及系统 |
CN115303451A (zh) * | 2022-07-22 | 2022-11-08 | 深圳鳍源科技有限公司 | 水下设备以及水下作业系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582403A (zh) | 一种零样本侧扫声呐图像目标分类方法 | |
CN108564109B (zh) | 一种基于深度学习的遥感图像目标检测方法 | |
CN108460382B (zh) | 基于深度学习单步检测器的光学遥感图像舰船检测方法 | |
CN109709603B (zh) | 地震层位识别与追踪方法、系统 | |
CN111985376A (zh) | 一种基于深度学习的遥感影像舰船轮廓提取方法 | |
US11899148B1 (en) | Seismic imaging free gas structure identification method and system | |
CN114511778A (zh) | 图像处理方法及装置 | |
Sowers et al. | Standardized geomorphic classification of seafloor within the United States Atlantic canyons and continental margin | |
Huang et al. | Comprehensive sample augmentation by fully considering SSS imaging mechanism and environment for shipwreck detection under zero real samples | |
CN117197596B (zh) | 基于小样本迁移学习的混合底质声学分类方法 | |
Bore et al. | Modeling and simulation of sidescan using conditional generative adversarial network | |
CN115565203A (zh) | 一种跨模态弱监督的三维人体姿态估计方法及系统 | |
Jegorova et al. | Full-scale continuous synthetic sonar data generation with markov conditional generative adversarial networks | |
CN110738132A (zh) | 一种具备判别性感知能力的目标检测质量盲评价方法 | |
CN111723823A (zh) | 一种基于第三方迁移学习的水下目标检测方法 | |
Yang et al. | A multi-task learning method for relative geologic time, horizons, and faults with prior information and transformer | |
CN113447902A (zh) | 一种基于机器学习的对海监视雷达目标识别方法 | |
CN116452965A (zh) | 一种基于声光融合的水下目标检测识别方法 | |
CN115880505A (zh) | 一种目标边缘检测神经网络的低序级断层智能识别方法 | |
CN116152649A (zh) | 一种基于改进YOLOv4的声纳目标检测方法及装置 | |
Sethuraman et al. | Towards sim2real for shipwreck detection in side scan sonar imagery | |
US11802984B2 (en) | Method for identifying subsurface features | |
Lowell et al. | Combining artificial intelligence with human reasoning for seismic interpretation | |
Li et al. | What do we learn by semantic scene understanding for remote sensing imagery in CNN framework? | |
Arsha et al. | Salt Body Segmentation in Seismic Images using Mask R-CNN |
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: 20200825 |