CN111639651A - 一种基于全连接层特征提取的船只检索方法及装置 - Google Patents

一种基于全连接层特征提取的船只检索方法及装置 Download PDF

Info

Publication number
CN111639651A
CN111639651A CN201911370569.6A CN201911370569A CN111639651A CN 111639651 A CN111639651 A CN 111639651A CN 201911370569 A CN201911370569 A CN 201911370569A CN 111639651 A CN111639651 A CN 111639651A
Authority
CN
China
Prior art keywords
ship
neural network
image
retrieval
full
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
Application number
CN201911370569.6A
Other languages
English (en)
Inventor
邓练兵
逯明
邹纪升
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhuhai Dahengqin Technology Development Co Ltd
Original Assignee
Zhuhai Dahengqin Technology Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhuhai Dahengqin Technology Development Co Ltd filed Critical Zhuhai Dahengqin Technology Development Co Ltd
Priority to CN201911370569.6A priority Critical patent/CN111639651A/zh
Publication of CN111639651A publication Critical patent/CN111639651A/zh
Pending legal-status Critical Current

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
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • 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
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于全连接层特征提取的船只检索方法及装置，其中，方法包括：获取目标图像，在所述目标图像中提取船只目标区域；将所述船只目标区域输入卷积神经网络；根据所述卷积神经网络，提取所述船只目标区域的全连接层特征；根据相似度计算算法确定所述全连接层特征与目标船只图像的相似度，返回相似度大于第一阈值的船只图像。通过实施本发明，先将待检测图片提取出目标区域，降低了船只检索的范围，提高了检索速度。将目标区域输入卷积神经网络，并提取出卷积神经网络中的全连接层特征，利用全连接层特征与目标船只进行相似度计算，实现了快速对目标船只进行检索。

Description

一种基于全连接层特征提取的船只检索方法及装置
技术领域
本发明涉及图像处理领域，具体涉及一种基于全连接层特征提取的船只检索方法及装置。
背景技术
船只的运动情况作为临海区域感知信息的重要目标，是图像处理领域进行船只检测的重要内容。随着船只观测技术的进步，可获取的船只影像数据量快速增长。由于临海区域的船只数据中含有多种不同的场景，包括建筑区域、植被区域、山地、河流等，对于船只的识别和检索有较大干扰。研究如何从海量的船只影像数据中高效、快速的获取有效的目标船只，检索出需要的船只，成为了一个重要问题。
发明内容
因此，本发明要解决的技术问题在于克服现有技术中不能对海量的船只影像数据中高效、快速获取有效目标船只的缺陷，从而提供一种基于全连接层特征提取的船只检索方法及装置。
根据第一方面，本实施例提供一种基于全连接层特征提取的船只检索方法，包括如下步骤：获取目标图像，在所述目标图像中提取船只目标区域；将所述船只目标区域输入卷积神经网络，根据所述卷积神经网络，提取所述船只目标区域的全连接层特征；根据相似度计算算法确定所述全连接层特征与目标船只图像的相似度，返回相似度大于第一阈值的船只图像。
结合第一方面，在第一方面第一实施方式中，所述在所述目标图像中提取船只目标区域，包括：将所述目标图像输入至预设的YOLO神经网络检测模型，获取船只目标区域。
结合第一方面，在第一方面第二实施方式中，所述预设的YOLO神经网络检测模型的构建方式是：获取船只图像训练样本；根据所述船只图像训练样本对所述预设的YOLO神经网络检测模型中的卷积层、池化层和全连接层进行训练，调整网络参数，得到预设的YOLO神经网络检测模型。
结合第一方面第二实施方式，在第一方面第三实施方式中所述根据相似度计算算法确定所述特征库中特征与所述目标船只图像的相似度，具体包括：根据汉明距离计算所述特征库中特征与所述目标船只图像的相似度。
结合第一方面，在第一方面第四实施方式中，所述卷积神经网络的构建方式为：获取船只图像训练样本；根据所述船只图像训练样本对预训练卷积神经网络进行训练，得到输出向量；根据所述船只图像训练样本对应的实际结果及所述输出向量计算所述预训练神经网络模型的损失；根据梯度反转后的损失调整所述预训练卷积神经网络的权重参数，构建卷积神经网络。
结合第一方面，在第一方面第五实施方式中，还包括：获取总检索次数、检索返回的图像数以及检索返回的相关图像数；根据总检索次数、检索返回的图像数、检索返回的相关图像数及截断值为k时的查准率计算平均检索精度；所述平均检索精度的计算方式为：
Figure BDA0002339555170000031
其中，AveP为平均查准率，Q表示总检索次数，q表示第q次检索，AveP由
Figure BDA0002339555170000032
获得，式中，m为总检索次数返回的相关图像数，P(k)为截断值为k时的查准率，用
Figure BDA0002339555170000033
表示，其中n表示一次检索返回的相关图像数，k表示一次检索返回的图像数，rel(k)为指示函数，当返回图像序列中排序为k的图像是相似图像时rel(k)＝1，反之，rel(k)＝0。
根据第二方面，本实施例提供一种基于全连接层特征提取的船只检索装置，包括：目标图像获取模块，用于获取目标图像，在所述目标图像中提取船只目标区域；特征提取模块，用于将所述船只目标区域输入卷积神经网络，根据所述卷积神经网络，提取所述船只目标区域的全连接层特征；相似度计算模块，用于根据相似度计算算法确定所述全连接层特征与目标船只图像的相似度，返回相似度大于第一阈值的船只图像。
结合第二方面，在第二方面第一实施方式中，还包括：样本获取模块，用于获取船只图像训练样本；输出向量模块，用于根据所述船只图像训练样本对预训练卷积神经网络进行训练，得到输出向量；损失获取模块，用于根据所述船只图像训练样本对应的实际结果及所述输出向量计算所述预训练神经网络模型的损失；神经网络构建模块，用于根据梯度反转后的损失调整所述预训练卷积神经网络的权重参数，构建卷积神经网络。
根据第三方面，本实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面或第一方面任一实施方式所述的基于全连接层特征提取的船只检索方法的步骤。
根据第四方面，本发明实施例提供一种存储介质，其上存储有计算机指令，该指令被处理器执行时实现第一方面或第一方面任一实施方式所述的基于全连接层特征提取的船只检索方法的步骤。
本发明技术方案，具有如下优点：
1.本发明提供的一种基于全连接层特征提取的船只检索方法及装置，先将待检测图片提取出目标区域，降低了船只检索的范围，提高了检索速度。将目标区域输入卷积神经网络，并提取出卷积神经网络中的全连接层特征，利用全连接层特征与目标船只进行相似度计算，实现了准确对目标船只进行检索。
2.本发明提供的预设的YOLO神经网络检测模型用于获取船只目标区域，YOLO神经网络具有速度快、精度高的特点，从而提高了整船只检索方法的精度和速度。
3.本发明提供的基于全连接层特征提取的船只检索方法及装置，根据损失利用梯度下降法的方式对卷积神经网络进行训练，提高了卷积神经网络对特征提取的准确率。
4.本发明提供的基于全连接层特征提取的船只检索方法及装置，通过汉明距离计算图像之间的相似度，由于汉明距离的计算方式简单，且快速，能够提高船只检索的速度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中基于全连接层特征提取的船只检索方法的一个具体示例的流程图；
图2为本发明实施例中基于全连接层特征提取的船只检索装置的一个具体示例的原理框图；
图3为本发明实施例中电子设备的一个具体示例的原理框图。
具体实施方式
下面将结合附图对本发明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，本领域普通技术人员在没有做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。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本实施例提供一种基于全连接层特征提取的船只检索方法，如图1所示，包括如下步骤：
S110，获取目标图像，在目标图像中提取船只目标区域。
示例性地，目标图像的获取方式可以是从无人机拍摄的船只视频图像中解帧得到，也可以是在遥感技术中拍摄的遥感影像中得到，本实施例不做限定，可以根据需要确定。
在目标图像中提取船只目标区域的方式可以是在目标图像中从左到右、从上到下滑动窗口，利用分类器识别目标，将图像变形转换成固定大小的图像，固定大小的图像被输入CNN分类器中，提取出4096个特征之后，使用SVM分类器识别属于船只的特征，并将识别为船只的检测数据返回得到船只目标区域。本实施例对在目标图像中提取船只目标区域的方式不做确定，可以根据需要确定。
S120，将船只目标区域输入卷积神经网络，根据卷积神经网络，提取船只目标区域的全连接层特征。
示例性地，卷积神经网络用于对船只目标区域中的船只进行特征提取。由于卷积神经网络在向前传播的过程中每层都会有特征映射图输出，对应的是输入图像的不同层次信息，全连接层是对所有卷积层提取出的特征的分类，因此提取船只的全连接层特征。
S130，根据相似度计算算法确定全连接层特征与目标船只图像的相似度，返回相似度大于第一阈值的船只图像。
示例性地，相似度计算算法的计算方式可以是根据SIFT算法对全连接层特征与目标船只图像的相似度进行计算，也可以是根据欧式距离计算全连接层特征与目标船只图像的相似度。将得到的船只图像的相似度与第一阈值进行比较，将相似度大于第一阈值的船只图像作为检索出的船只图像，第一阈值可以是90％。本实施例对相似度计算算法以及第一阈值的数值不做限定，可以根据需要确定。
本发明提供的一种基于全连接层特征提取的船只检索方法，先将待检测图片提取出目标区域，降低了船只检索的范围，提高了检索速度。将目标区域输入卷积神经网络，并提取出卷积神经网络中的全连接层特征，利用全连接层特征与目标船只进行相似度计算，实现了准确对目标船只进行检索。
作为本申请的一个可选实施方式，上述步骤S110,包括：
将目标图像输入至预设的YOLO神经网络检测模型，获取船只目标区域。
本实施例提供的预设的YOLO神经网络检测模型用于获取船只目标区域，YOLO神经网络具有速度快、精度高的特点，从而提高了整个基于全连接层特征提取的船只检索方法的精度和速度。
作为本申请的一个可选实施方式，预设的YOLO神经网络检测模型的构建方式是：
首先，获取船只图像训练样本。
示例性地，具体步骤见本实施例中卷积神经网络的构建方式的第一步，在此不再赘述。
其次，根据船只图像训练样本对预设的YOLO神经网络检测模型中的卷积层、池化层、全连接层和分类层进行训练，调整网络参数，得到预设的YOLO神经网络检测模型。
示例性地，预设的YOLO神经网络包括卷积层、池化层、全连接层、分类层，对预设的YOLO神经网络的训练，调整网络参数的方式可以是按照梯度下降法进行训练，也可以是根据监督算法进行训练，本实施例对预设的YOLO神经网络检测模型的训练方式不做限定，可以根据需要确定。
作为本申请的一个可选实施方式，上述步骤S150，具体包括：
根据汉明距离计算特征库中特征与目标船只图像的相似度。
示例性地，汉明距离表示两个字符串对应位不同的数量，对两个字符串进行异或运算，并统计结果为1的个数，那么这个数就是汉明距离。计算特征库中特征与目标船只图像的汉明距离通过图像处理，得到不同像素值，根据像素值，即可求得相似度，汉明距离越大，相似度越低，汉明距离越小，相似度越高。
本实施例提供的基于全连接层特征提取的船只检索方法，通过汉明距离计算图像之间的相似度，由于汉明距离的计算方式简单，且快速，能够提高基于全连接层特征提取的船只检索的速度。
作为本申请的一个可选实施方式，卷积神经网络的构建方式为：
首先，获取船只图像训练样本。
示例性地，船只图像样本的获取方式可以是从无人机拍摄的视频中解帧获取，也可以是从网络数据库中获取。船只图像训练样本可以是获取到的船只图像样本中随机划分出的一部分，比如，随机划分出70％的船只图像样本作为船只图像训练样本。本实施例对船只图像训练样本获取方式不做限定，可以根据需要确定。
其次，根据船只图像训练样本对预训练卷积神经网络进行训练，得到输出向量。
示例性地，船只图像训练样本对神经网络模型进行训练的方式可以是对船只图像训练样本中的船只位置进行标记，将标记位置的船只图像训练样本输入神经网络，利用梯度下降法计算损失函数的最小值，以寻求损失函数最小值为约束条件，调节预训练神经网络中各个卷积层、池化层、全连接层的参数及权重，以使预训练神经网络模型能够完成船只的检测。本实施例对神经网络训练方法不做限定，可以根据需要确定。
再次，根据船只图像训练样本对应的实际结果及输出向量计算预训练神经网络模型的损失。
示例性地，根据船只图像训练样本对应的实际结果及输出向量计算预训练神经网络模型的损失的计算方式可以是：
Figure BDA0002339555170000101
其中，x表示输入船只图像训练样本对应的实际结果，f(x(t))表示预训练神经网络模型的输出向量，f表示训练出的神经网络模型，T表示训练样本数量。本实施例对损失的具体计算方式不做限定，可以根据需要确定。
然后，根据梯度反转后的损失调整预训练卷积神经网络的权重参数，构建卷积神经网络。
示例性地，根据梯度反转后的损失调整预训练神经网络模型的权重参数，构建船只检测模型的方式是梯度反转层在于正向传播的时候记录模型在各层的损失，反向传播的时候，经过该梯度反转层的损失乘上-λ，然后每层网络根据传回的损失进行梯度计算，进而更新本层网络的权重参数，构建卷积神经网络。
本实施例提供的基于全连接层特征提取的船只检索方法，根据损失利用梯度下降法的方式对卷积神经网络进行训练，提高了卷积神经网络对特征提取的准确率。
作为本申请的一个可选实施方式，还包括：
首先，获取总检索次数、检索返回的图像数以及检索返回的相关图像数；
其次，根据总检索次数、检索返回的图像数、检索返回的相关图像数及截断值为k时的查准率计算平均检索精度；平均检索精度的计算方式为：
Figure BDA0002339555170000111
其中，AveP为平均查准率，Q表示总检索次数，q表示第q次检索，AveP由
Figure BDA0002339555170000112
获得，式中，m为总检索次数返回的相关图像数，P(k)为截断值为k时的查准率，用
Figure BDA0002339555170000113
表示，其中n表示一次检索返回的相关图像数，k表示一次检索返回的图像数，rel(k)为指示函数，当返回图像序列中排序为k的图像是相似图像时rel(k)＝1，反之，rel(k)＝0。
本实施例提供的基于全连接层特征提取的船只检索方法，利用总检索次数、检索返回的图像数以及检索返回的相关图像数计算平均检索精度，能够宏观把控基于全连接层特征提取的船只检索的精度。
本实施例提供一种基于全连接层特征提取的船只检索装置，如图2所示，包括：
目标图像获取模块210，用于获取目标图像，在目标图像中提取船只目标区域；具体实现方式见本实施例上述步骤S110，在此不再赘述。
特征提取模块220，用于将船只目标区域输入卷积神经网络，根据卷积神经网络，提取船只目标区域的全连接层特征；具体实现方式见本实施例上述步骤S120，在此不再赘述。
相似度计算模块230，用于根据相似度计算算法确定全连接层特征与目标船只图像的相似度，返回相似度大于第一阈值的船只图像。具体实现方式见本实施例上述步骤S130，在此不再赘述。
本发明提供的一种基于全连接层特征提取的船只检索装置，先将待检测图片提取出目标区域，降低了船只检索的范围，提高了检索速度。将目标区域输入卷积神经网络，并提取出卷积神经网络中的全连接层特征，利用全连接层特征与目标船只进行相似度计算，实现了快速对目标船只进行检索。
作为本申请的一个可选实施方式，目标图像获取模块210，具体包括：
目标区域获取模块，用于将目标图像输入至预设的YOLO神经网络检测模型，获取船只目标区域。具体实现方式见本实施例方法对应部分，在此不再赘述。
作为本申请的一个可选实施方式，上述目标区域获取模块，具体包括：
船只图像训练样本获取模块，用于获取船只图像训练样本；具体实现方式见本实施例方法对应部分，在此不再赘述。
YOLO神经网络检测模型获取模块，用于根据船只图像训练样本对预设的YOLO神经网络检测模型中的卷积层、池化层和全连接层进行训练，调整网络参数，得到预设的YOLO神经网络检测模型。具体实现方式见本实施例方法对应部分，在此不再赘述。
作为本申请的一个可选实施方式，上述相似度计算模块250，具体包括：
相似度计算子模块，用于根据汉明距离计算特征库中特征与目标船只图像的相似度。具体实现方式见本实施例方法对应部分，在此不再赘述。
作为本申请的一个可选实施方式，上述初步特征提取模块230，具体包括：
训练样本获取模块，用于获取船只图像训练样本；具体实现方式见本实施例方法对应部分，在此不再赘述。
输出向量获取模块，用于根据船只图像训练样本对预训练卷积神经网络进行训练，得到输出向量；具体实现方式见本实施例方法对应部分，在此不再赘述。
损失计算模块，用于根据船只图像训练样本对应的实际结果及输出向量计算预训练神经网络模型的损失；具体实现方式见本实施例方法对应部分，在此不再赘述。
网络构建模块，用于根据梯度反转后的损失调整预训练卷积神经网络的权重参数，构建卷积神经网络。具体实现方式见本实施例方法对应部分，在此不再赘述。
作为本申请的一个可选实施方式，基于全连接层特征提取的船只检索装置还包括：
数据获取模块，用于获取总检索次数、检索返回的图像数以及检索返回的相关图像数；
平均检索精度计算模块，用于根据总检索次数、检索返回的图像数、检索返回的相关图像数及截断值为k时的查准率计算平均检索精度；平均检索精度的计算方式为：
Figure BDA0002339555170000141
其中，AveP为平均查准率，Q表示总检索次数，q表示第q次检索，AveP由
Figure BDA0002339555170000142
获得，式中，m为总检索次数返回的相关图像数，P(k)为截断值为k时的查准率，用
Figure BDA0002339555170000143
表示，其中n表示一次检索返回的相关图像数，k表示一次检索返回的图像数，rel(k)为指示函数，当返回图像序列中排序为k的图像是相似图像时rel(k)＝1，反之，rel(k)＝0。具体实现方式见本实施例方法对应部分，在此不再赘述。
本实施例还提供一种电子设备，如图3所示，处理器310和存储器320，其中处理器310和存储器320可以通过总线或者其他方式连接。
处理器310可以为中央处理器(Central Processing Unit，CPU)。处理器310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320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基于全连接层特征提取的船只检索方法对应的程序指令/模块。处理器通过运行存储在存储器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。
存储器320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所创建的数据等。此外，存储器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320可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。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320中，当被所述处理器310执行时，执行如图1所示实施例中的基于全连接层特征提取的船只检索方法。
上述电子设备的具体细节可以对应参阅图1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。
本实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中基于全连接层特征提取的船只检索方法。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 Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(HardDisk 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。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种基于全连接层特征提取的船只检索方法，其特征在于，包括如下步骤：
获取目标图像，在所述目标图像中提取船只目标区域；
将所述船只目标区域输入卷积神经网络，根据所述卷积神经网络，提取所述船只目标区域的全连接层特征；
根据相似度计算算法确定所述全连接层特征与目标船只图像的相似度，返回相似度大于第一阈值的船只图像。
2.根据权利要求1所述的方法，其特征在于，所述在所述目标图像中提取船只目标区域，包括：
将所述目标图像输入至预设的YOLO神经网络检测模型，获取船只目标区域。
3.根据权利要求2所述的方法，其特征在于，所述预设的YOLO神经网络检测模型的构建方式是：
获取船只图像训练样本；
根据所述船只图像训练样本对所述预设的YOLO神经网络检测模型中的卷积层、池化层和全连接层进行训练，调整网络参数，得到预设的YOLO神经网络检测模型。
4.根据权利要求1所述的方法，其特征在于，所述根据相似度计算算法确定所述特征库中特征与所述目标船只图像的相似度，具体包括：
根据汉明距离计算所述特征库中特征与所述目标船只图像的相似度。
5.根据权利要求1所述的方法，其特征在于，所述卷积神经网络的构建方式为：
获取船只图像训练样本；
根据所述船只图像训练样本对预训练卷积神经网络进行训练，得到输出向量；
根据所述船只图像训练样本对应的实际结果及所述输出向量计算所述预训练神经网络模型的损失；
根据梯度反转后的损失调整所述预训练卷积神经网络的权重参数，构建卷积神经网络。
6.根据权利要求1所述的方法，其特征在于，还包括：
获取总检索次数、检索返回的图像数以及检索返回的相关图像数；
根据所述总检索次数、检索返回的图像数以及检索返回的相关图像数计算平均检索精度；所述平均检索精度的计算方式为：
Figure FDA0002339555160000021
其中，AveP为平均查准率，由
Figure FDA0002339555160000022
获得，Q表示总检索次数，q表示第q次检索，式中，k为返回图像的排序，n为检索返回的图像数，m为检索返回的相关图像数，P(k)为截断值为k时的查准率，rel(k)为指示函数，当返回图像序列中排序为k的图像是相似图像时rel(k)＝1，反之，rel(k)＝0。
7.一种基于全连接层特征提取的船只检索装置，其特征在于，包括：
目标图像获取模块，用于获取目标图像，在所述目标图像中提取船只目标区域；
用于将所述船只目标区域输入卷积神经网络；
特征提取模块，用于将所述船只目标区域输入卷积神经网络，根据所述卷积神经网络，提取所述船只目标区域的全连接层特征；
相似度计算模块，用于根据相似度计算算法确定所述全连接层特征与目标船只图像的相似度，返回相似度大于第一阈值的船只图像。
8.根据权利要求7所述的装置，其特征在于，还包括：
样本获取模块，用于获取船只图像训练样本；
输出向量模块，用于根据所述船只图像训练样本对预训练卷积神经网络进行训练，得到输出向量；
损失获取模块，用于根据所述船只图像训练样本对应的实际结果及所述输出向量计算所述预训练神经网络模型的损失；
神经网络构建模块，用于根据梯度反转后的损失调整所述预训练卷积神经网络的权重参数，构建卷积神经网络。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至6任一所述的基于全连接层特征提取的船只检索方法的步骤。
10.一种存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现权利要求1至6任一所述的基于全连接层特征提取的船只检索方法的步骤。
CN201911370569.6A 2019-12-26 2019-12-26 一种基于全连接层特征提取的船只检索方法及装置 Pending CN111639651A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911370569.6A CN111639651A (zh) 2019-12-26 2019-12-26 一种基于全连接层特征提取的船只检索方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911370569.6A CN111639651A (zh) 2019-12-26 2019-12-26 一种基于全连接层特征提取的船只检索方法及装置

Publications (1)

Publication Number Publication Date
CN111639651A true CN111639651A (zh) 2020-09-08

Family

ID=72330528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911370569.6A Pending CN111639651A (zh) 2019-12-26 2019-12-26 一种基于全连接层特征提取的船只检索方法及装置

Country Status (1)

Country Link
CN (1) CN111639651A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112328826A (zh) * 2020-11-03 2021-02-05 珠海大横琴科技发展有限公司 一种船只图像检索方法、装置、电子设备以及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109635738A (zh) * 2018-12-13 2019-04-16 中国船舶工业综合技术经济研究院 一种图像特征提取方法及系统
CN109784278A (zh) * 2019-01-17 2019-05-21 上海海事大学 基于深度学习的海上弱小运动船舶实时检测方法
CN109977897A (zh) * 2019-04-03 2019-07-05 厦门兴康信科技股份有限公司 一种基于深度学习的船舶特征重识别方法、应用方法及系统
CN110008900A (zh) * 2019-04-02 2019-07-12 北京市遥感信息研究所 一种由区域到目标的可见光遥感图像候选目标提取方法
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109635738A (zh) * 2018-12-13 2019-04-16 中国船舶工业综合技术经济研究院 一种图像特征提取方法及系统
CN109784278A (zh) * 2019-01-17 2019-05-21 上海海事大学 基于深度学习的海上弱小运动船舶实时检测方法
CN110008900A (zh) * 2019-04-02 2019-07-12 北京市遥感信息研究所 一种由区域到目标的可见光遥感图像候选目标提取方法
CN109977897A (zh) * 2019-04-03 2019-07-05 厦门兴康信科技股份有限公司 一种基于深度学习的船舶特征重识别方法、应用方法及系统
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

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CSURKA GABRIELA: "《Domain Adaptation in Computer Vision Applications》", 31 December 2017, SPRINGER INTERNATIONAL PUBLISHING *
XIN NIE ET AL: ""Deep Neural Network-Based Robust Ship Detection Under Different Weather Conditions"", 《2019 IEEE INTELLIGENT TRANSPORTATION SYSTEMS CONFERENCE(ITSC)》 *
于洋 等: ""基于改进YOLO v2的船舶目标检测方法"", 《计算机科学》 *
焦李成 等: "《计算智能导论》", 30 September 2019, 西安电子科技大学出版社 *
陈良宵 等: ""基于形状特征的叶片图像识别算法比较研究"", 《计算机工程与应用》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112328826A (zh) * 2020-11-03 2021-02-05 珠海大横琴科技发展有限公司 一种船只图像检索方法、装置、电子设备以及存储介质

Similar Documents

Publication Publication Date Title
CN111553182A (zh) 一种船只检索方法、装置及电子设备
CN109815770B (zh) 二维码检测方法、装置及系统
CN110858394B (zh) 一种图像质量评估方法、装置、电子设备及计算机可读存储介质
CN109960742B (zh) 局部信息的搜索方法及装置
US20200175062A1 (en) Image retrieval method and apparatus, and electronic device
CN109871821B (zh) 自适应网络的行人重识别方法、装置、设备及存储介质
US20140193077A1 (en) Image retrieval apparatus, image retrieval method, query image providing apparatus, query image providing method, and program
CN111222395A (zh) 目标检测方法、装置与电子设备
CN110781836A (zh) 人体识别方法、装置、计算机设备及存储介质
CN111695572A (zh) 一种基于卷积层特征提取的船只检索方法及装置
CN112541395A (zh) 一种目标检测和跟踪方法、装置、存储介质及电子装置
US9904868B2 (en) Visual attention detector and visual attention detection method
US11468266B2 (en) Target identification in large image data
US20210150284A1 (en) Classification model building apparatus and classification model building method thereof
CN111666855B (zh) 基于无人机的动物三维参数提取方法、系统及电子设备
CN110059646B (zh) 训练动作规划模型的方法及目标搜索方法
KR101986418B1 (ko) 병해충 검색을 위한 통합 시스템
CN109063549B (zh) 基于深度神经网络的高分辨率航拍视频运动目标检测方法
CN113313763A (zh) 一种基于神经网络的单目相机位姿优化方法及装置
CN111126278A (zh) 针对少类别场景的目标检测模型优化与加速的方法
CN110991385A (zh) 一种识别船只行驶轨迹的方法、装置及电子设备
CN113298045A (zh) 一种违章车辆的识别方法、系统及装置
CN113706481A (zh) 精子质量检测方法、装置、计算机设备和存储介质
CN109961103B (zh) 特征提取模型的训练方法、图像特征的提取方法及装置
CN113780145A (zh) 精子形态检测方法、装置、计算机设备和存储介质

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