CN111797737A - 遥感目标检测方法及装置 - Google Patents
遥感目标检测方法及装置 Download PDFInfo
- Publication number
- CN111797737A CN111797737A CN202010576694.9A CN202010576694A CN111797737A CN 111797737 A CN111797737 A CN 111797737A CN 202010576694 A CN202010576694 A CN 202010576694A CN 111797737 A CN111797737 A CN 111797737A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sample
- image
- target detection
- target
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种遥感目标检测方法,所述遥感目标检测方法包括:获取遥感图像;将所述遥感图像输入到目标检测模型中,输出目标标定图像,所述目标检测模型为基于遥感样本图像集训练得到;所述遥感样本图像集为:将样本图像进行特征提取,获取样本特征图,对所述样本特征图进行样本平衡处理、特征平衡处理以及方向平衡处理得到。本发明实施例的遥感目标检测方法通过样本平衡处理、特征平衡处理以及方向平衡处理形成遥感样本图像集,利用遥感样本图像集能够提高目标检测模型训练的准确度,采用训练好的目标检测模型进行识别,使得目标检测准确率高,识别效率高。
Description
技术领域
本发明涉及遥感技术领域,更具体地,涉及一种遥感目标检测方法及装置。
背景技术
随着遥感技术的飞速发展,高分辨率的遥感图像的获取变得愈加便利,其广阔的应用范围也逐渐带动遥感图像处理领域中目标检测和识别技术的发展,如今以飞机、船舶等为对象的目标检测已经成为其中的研究热点之一。
早前目标检测的实现方式是通过人工判读的方式对于图像中的目标区域进行评估,但是由于主观人为因素的影响,使得最终结果出现较多的误检和漏检,并且成本较高但效率极低。
现有的自动检测方法有SIFT(特征点检测算法),其主要依靠尺度空间完成整个检测过程,对相邻尺度的图像做差得到差分高斯金字塔图像,继而使用海森矩阵和泰勒展开对于特征点进行定位;DPM(基于部件的检测算法),其主要采取改进的HOG(方向梯度直方图,Histogram of Oriented Gradient)特征、SVM(支持向量机,Support VectorMachines)分类器和滑动窗口完成整个检测过程,结合多组件模型和结构部件模型解决目标本身的形变问题和多视角问题。然而遥感目标检测通常具有分辨率低、场景复杂、目标尺寸小等难点,现有自动检测方法的检测精度较低,检测效率也比较低。
发明内容
本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的遥感目标检测方法及装置。
第一方面,本发明实施例提供一种遥感目标检测方法,所述遥感目标检测方法包括:获取遥感图像;将所述遥感图像输入到目标检测模型中,输出目标标定图像,所述目标检测模型为基于遥感样本图像集训练得到;所述遥感样本图像集为:将样本图像进行特征提取,获取样本特征图,对所述样本特征图进行样本平衡处理、特征平衡处理以及方向平衡处理得到。
在一些实施例中,所述将所述遥感图像输入到目标检测模型中,输出目标标定图像,包括:将所述遥感图像进行特征提取,获取特征图;基于损失函数和边界框回归对所述特征图进行处理,确定所述目标标定图像。
在一些实施例中,所述将所述遥感图像进行特征提取,获取特征图,包括:对所述遥感图像进行第一分组卷积操作和通道混洗操作;对经过所述分组卷积操作和通道混洗操作的所述遥感图像进行深度可分离卷积操作得到卷积生成图;对所述卷积生成图进行第二分组卷积操作,基于通道串联,得到所述特征图。
在一些实施例中,所述样本平衡处理包括:将所述样本特征图划分出多个候选区域图;基于重叠特征比较,将所述多个候选区域划分为多个正候选区域图和多个负候选区域图,所述多个正候选区域图和多个负候选区域图为所述遥感样本图像集中的部分样本。
在一些实施例中,所述基于重叠特征比较,将所述多个候选区域划分为多个正候选区域图和多个负候选区域图,包括:
基于以下公式确定所述负候选区域图的数量N:
N=pk*K*Mk,k∈[0,K];
其中,pk表示负候选区域图的选定概率,K表示按照重叠特征将采样间隔分为K个单元,Mk表示第K个单元采样间隔中采样区域的数量;基于所述负候选区域图的数量N,确定正候选区域图的数量。
在一些实施例中,所述特征平衡处理的过程包括:基于插值法和最大池化法,对所述样本特征图进行格式化操作;对经过格式化操作的所述样本特征图进行加权平均操作,得到均化样本特征图,所述均化样本特征图为所述遥感样本图像集中的部分样本。
在一些实施例中,所述方向平衡处理的过程包括:以不同的角度值旋转所述样本特征图,得到补充样本特征图,所述补充样本特征图和所述样本特征图为所述遥感样本图像集中的部分样本。
第二方面,本发明实施例提供一种遥感目标检测装置,所述遥感目标检测装置包括:获取单元,用于获取遥感图像;处理单元,用于将所述遥感图像输入到目标检测模型中,输出目标标定图像,所述目标检测模型为基于遥感样本图像集训练得到;所述遥感样本图像集为:将样本图像进行特征提取,获取样本特征图,对所述样本特征图进行样本平衡处理、特征平衡处理以及方向平衡处理得到。
第三方面,本发明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如第一方面实施例任一所述遥感目标检测方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面实施例任一所述遥感目标检测方法的步骤。
本发明实施例的遥感目标检测方法通过样本平衡处理、特征平衡处理以及方向平衡处理形成遥感样本图像集,利用遥感样本图像集能够提高目标检测模型训练的准确度,采用训练好的目标检测模型进行识别,使得目标检测准确率高,识别效率高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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为本发明实施例的遥感目标检测方法的流程图;
图2为本发明实施例的遥感目标检测方法的确定目标标定图像的流程图;
图3为本发明实施例的遥感目标检测方法的获取特征图的流程图;
图4为本发明实施例的遥感目标检测装置的结构示意图;
图5为本发明实施例的电子设备的结构示意图。
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,本领域普通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。
早前目标检测的实现方式是通过人工判读的方式对于图像中的目标区域进行评估,但是由于主观人为因素的影响,使得最终结果出现较多的误检和漏检,并且成本较高但效率极低。随着近年来研究学者的大量研究,使得目标检测算法不断涌现,然而遥感目标检测通常具有分辨率低、场景复杂、目标尺寸小等难点,并且大多数算法的实现仍旧无法兼顾高检测精度和高检测效率。
下面结合图1-图3描述本发明实施例的遥感目标检测方法。
如图1所示,本发明实施例的遥感目标检测方法包括如下步骤S100-步骤S200。
其中,步骤S100:获取遥感图像。
可以理解的是,采用遥感技术对目标进行拍摄,获取遥感图像,目标可以是飞机、船舶等对象。
步骤S200:将遥感图像输入到目标检测模型中,输出目标标定图像,目标检测模型为基于遥感样本图像集训练得到;遥感样本图像集为:将样本图像进行特征提取,获取样本特征图,对样本特征图进行样本平衡处理、特征平衡处理以及方向平衡处理得到。
可以理解的是,将步骤S100中得到的遥感图像输入到目标检测模型中,直接输出目标标定图像,目标标定图像为在遥感图像中框出目标形成的图像,也就是说,本发明实施例是为了将遥感图像中的目标识别出来,并在遥感图像上通过画框等方式标定出来。
值得一提的是,本发明实施例的目标检测模型在应用前采用遥感样本图像集进行了训练,具有较高的准确率,发明人发现,相关技术中的模型在应用阶段准确率较低,效率也比较低,进一步通过研究发现,其根源在于,模型训练过程存在着样本数量较少、不均匀等问题,在训练目标检测模型之前,先形成合适的遥感样本图像集,遥感样本图像集具体为:将样本图像进行特征提取,获取样本特征图,对样本特征图进行样本平衡处理、特征平衡处理以及方向平衡处理得到,样品平衡处理、特征平衡处理、方向平衡处理分别是从样本级别、特征级别和目标级别解决样本不平衡问题,能够充分优化样本,提高遥感样本图像集的有效性。
本发明实施例的遥感目标检测方法通过样本平衡处理、特征平衡处理以及方向平衡处理形成遥感样本图像集,利用遥感样本图像集能够提高目标检测模型训练的准确度,采用训练好的目标检测模型进行识别,使得目标检测准确率高,识别效率高。
如图2所示,在一些实施例中,步骤S200:将遥感图像输入到目标检测模型中,输出目标标定图像,包括如下步骤S210-步骤S220。
步骤S210:将遥感图像进行特征提取,获取特征图。
可以理解的是,为了提高遥感图像的检测精度并节省计算成本,可以使用轻量级网络ShuffleNet作为光学遥感图像中目标检测的基础网络,融合点态组卷积和通道混洗方式,获取特征图,有效提升计算效率。
步骤S220:基于损失函数和边界框回归对特征图进行处理,确定目标标定图像。
可以理解的是,目标检测模型利用特征图形成了多个建议区域,利用损失函数判断每一个建议区域所述的类别,利用边界框回归来获取每个建议区域的位置偏移量,从而在建议区域中确定准确的目标检测框,形成目标标定图像。
本发明实施例的目标检测模型通过先对遥感图像进行特征提取,进而基于损失函数和边界框回归得到目标标定图像,使得目标检测模型的应用过程更加高效,输出的目标标定图像更加准确。
如图3所示,在一些实施例中,步骤S210:将遥感图像进行特征提取,获取特征图,包括如下步骤S211-步骤S213。
其中步骤S211:对遥感图像进行第一分组卷积操作和通道混洗操作。
可以理解的是,使用步幅为2的ShuffleNet单元作为基础网络。输入遥感图像后,首先进行第一分组卷积操作,即1×1的分组卷积操作,同时加入通道混洗(channelshuffle)操作,以此降低通道维数,两种操作结合,在降低1×1传统卷积的计算复杂度的同时帮助信息在不同特征通道中间进行流动。
步骤S212:对经过分组卷积操作和通道混洗操作的遥感图像进行深度可分离卷积操作得到卷积生成图。
可以理解的是,对经过分组卷积操作和通道混洗操作的遥感图像进行深度可分离卷积(depthwise separable convolution)操作,即使用3×3卷积核与卷积输入进行一对一逐个卷积,得到卷积生成图。
步骤S213:对卷积生成图进行第二分组卷积操作,基于通道串联,得到特征图。
可以理解的是,用1×1卷积核按照传统卷积的方式对卷积生成图进行卷积,求和后得到最终卷积结果,接下来进行第二分组卷积操作,即1×1分组卷积操作,以恢复通道维数,最后将最终卷积结果与经过3×3池化卷积操作后的分支结果进行匹配,基于通道串联,得到特征图。采取通道串联的方式能够有效扩大通道规模并减少计算量。
在一些实施例中,样本平衡处理包括:将样本特征图划分出多个候选区域图;基于重叠特征比较,将多个候选区域划分为多个正候选区域图和多个负候选区域图,多个正候选区域图和多个负候选区域图为遥感样本图像集中的部分样本。
样本平衡处理是一种样本级别的平衡学习,均匀地将样本特征图划分为K×H×W的候选区域图(anchor),比较其与真实的标注数据(ground truth)之间的重叠率(IoU),从而判断anchor为前景或者是背景,即为每一个anchor标注上前景或背景的标签,由此将多个候选区域划分为多个正候选区域图和多个负候选区域图。采用样本平衡处理,可以尽可能地挖掘负候选区域图,提高目标检测模型的准确率
基于重叠特征比较,将多个候选区域划分为多个正候选区域图和多个负候选区域图,包括:
基于以下公式确定负候选区域图的数量N:
N=pk*K*Mk,k∈[0,K];
其中,pk表示负候选区域图的选定概率,K表示按照重叠特征将采样间隔分为K个单元,Mk表示第K个单元采样间隔中采样区域的数量;
基于负候选区域图的数量N,确定正候选区域图的数量。
可以理解的是,假设我们要从M个区域中抽取N个负候选区域图,则选择负候选区域图的概率p为:
为了提高选择负候选区域图的概率,按照IoU将采样间隔分为K个单元,N个负候选区域图被平均分配到每个单元。因此,根据IoU采样得到选定的概率:
值得注意的是,在本发明实施例中,由于遥感图像中的目标通常体积较小,较远距离外的负候选区域图对目标检测模型的训练过程没有实质性的帮助,可以在目标周围区域选择200个负候选区域图。
在一些实施例中,特征平衡处理的过程包括:基于插值法和最大池化法,对样本特征图进行格式化操作;对经过格式化操作的样本特征图进行加权平均操作,得到均化样本特征图,均化样本特征图为遥感样本图像集中的部分样本。
可以理解的是,为了更好地适应遥感图像的特点,仅使用样本特征图的前三层特征,通过插值法和最大池化法的方式改变前三层特征{C2,C3,C4}中的第二层特征C2和第四层特征C4的大小,从而对样本特征图进行格式化操作,使得C2和C4和C3大小相同。继而通过加权平均化操作获取平衡特征C,获得的平衡特征C可以表示为:
其中Cl表示分辨率级别为l的特征,L为多级别特征的数量。lmin和lmax分别表示最低层特征索引和最高层特征索引。
调整比例通过进行与上述操作相同的反向操作使得原始的三层特征得到增强,得到均化样本特征图。
本发明实施例采用这种特征平衡处理使用平衡特征来进行特征级别的优化,能够更好地提取目标的特征。
在一些实施例中,方向平衡处理的过程包括:以不同的角度值旋转样本特征图,得到补充样本特征图,补充样本特征图和样本特征图为遥感样本图像集中的部分样本。
可以理解的是,由于遥感图像中某些类别的样本特征图的数量较少,从而使得目标检测模型训练的效果受到较大影响。因此,采取方向平衡处理,通过旋转样本来增加这些样本特征图的数量。
本发明实施例对于数量较少类别的样本特征图,可以逐次旋转90度、180度和270度,得到补充样本特征图,利用补充样本特征图和样本特征图形成遥感样本图像集,能够增强某些类别的样本特征图的数量,提高模型训练的有效性。
下面对本发明实施例提供的遥感目标检测装置进行描述,下文描述的遥感目标检测装置与上文描述的遥感目标检测方法可相互对应参照。
如图4所示,本发明实施例提供一种遥感目标检测装置,遥感目标检测装置包括获取单元410和处理单元420。
其中,获取单元410,用于获取遥感图像;
处理单元420,用于将遥感图像输入到目标检测模型中,输出目标标定图像,目标检测模型为基于遥感样本图像集训练得到;遥感样本图像集为:将样本图像进行特征提取,获取样本特征图,对样本特征图进行样本平衡处理、特征平衡处理以及方向平衡处理得到。
本发明实施例提供的遥感目标检测装置用于执行上述遥感目标检测方法,其具体的实施方式与方法的实施方式一致,此处不再赘述。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行遥感目标检测方法,该方法包括:获取遥感图像;将遥感图像输入到目标检测模型中,输出目标标定图像,目标检测模型为基于遥感样本图像集训练得到;遥感样本图像集为:将样本图像进行特征提取,获取样本特征图,对样本特征图进行样本平衡处理、特征平衡处理以及方向平衡处理得到。
需要说明的是,本实施例中的电子设备在具体实现时可以为服务器,也可以为PC机,还可以为其他设备,只要其结构中包括如图5所示的处理器510、通信接口520、存储器530和通信总线540,其中处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信,且处理器510可以调用存储器530中的逻辑指令以执行上述方法即可。本实施例不对电子设备的具体实现形式进行限定。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地,本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的遥感目标检测方法,该方法包括:获取遥感图像;将遥感图像输入到目标检测模型中,输出目标标定图像,目标检测模型为基于遥感样本图像集训练得到;遥感样本图像集为:将样本图像进行特征提取,获取样本特征图,对样本特征图进行样本平衡处理、特征平衡处理以及方向平衡处理得到。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的遥感目标检测方法,该方法包括:获取遥感图像;将遥感图像输入到目标检测模型中,输出目标标定图像,目标检测模型为基于遥感样本图像集训练得到;遥感样本图像集为:将样本图像进行特征提取,获取样本特征图,对样本特征图进行样本平衡处理、特征平衡处理以及方向平衡处理得到。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种遥感目标检测方法,其特征在于,包括:
获取遥感图像;
将所述遥感图像输入到目标检测模型中,输出目标标定图像,所述目标检测模型为基于遥感样本图像集训练得到;
所述遥感样本图像集为:将样本图像进行特征提取,获取样本特征图,对所述样本特征图进行样本平衡处理、特征平衡处理以及方向平衡处理得到。
2.根据权利要求1所述的遥感目标检测方法,其特征在于,所述将所述遥感图像输入到目标检测模型中,输出目标标定图像,包括:
将所述遥感图像进行特征提取,获取特征图;
基于损失函数和边界框回归对所述特征图进行处理,确定所述目标标定图像。
3.根据权利要求2所述的遥感目标检测方法,其特征在于,所述将所述遥感图像进行特征提取,获取特征图,包括:
对所述遥感图像进行第一分组卷积操作和通道混洗操作;
对经过所述分组卷积操作和通道混洗操作的所述遥感图像进行深度可分离卷积操作得到卷积生成图;
对所述卷积生成图进行第二分组卷积操作,基于通道串联,得到所述特征图。
4.根据权利要求1-3任一项所述的遥感目标检测方法,其特征在于,所述样本平衡处理包括:
将所述样本特征图划分出多个候选区域图;
基于重叠特征比较,将所述多个候选区域划分为多个正候选区域图和多个负候选区域图,所述多个正候选区域图和多个负候选区域图为所述遥感样本图像集中的部分样本。
5.根据权利要求4所述的遥感目标检测方法,其特征在于,所述基于重叠特征比较,将所述多个候选区域划分为多个正候选区域图和多个负候选区域图,包括:
基于以下公式确定所述负候选区域图的数量N:
N=pk*K*Mk,k∈[0,K];
其中,pk表示负候选区域图的选定概率,K表示按照重叠特征将采样间隔分为K个单元,Mk表示第K个单元采样间隔中采样区域的数量;
基于所述负候选区域图的数量N,确定正候选区域图的数量。
6.根据权利要求1-3任一项所述的遥感目标检测方法,其特征在于,所述特征平衡处理的过程包括:
基于插值法和最大池化法,对所述样本特征图进行格式化操作;
对经过格式化操作的所述样本特征图进行加权平均操作,得到均化样本特征图,所述均化样本特征图为所述遥感样本图像集中的部分样本。
7.根据权利要求1-3任一项所述的遥感目标检测方法,其特征在于,所述方向平衡处理的过程包括:
以不同的角度值旋转所述样本特征图,得到补充样本特征图,所述补充样本特征图和所述样本特征图为所述遥感样本图像集中的部分样本。
8.一种遥感目标检测装置,其特征在于,包括:
获取单元,用于获取遥感图像;
处理单元,用于将所述遥感图像输入到目标检测模型中,输出目标标定图像,所述目标检测模型为基于遥感样本图像集训练得到;
所述遥感样本图像集为:将样本图像进行特征提取,获取样本特征图,对所述样本特征图进行样本平衡处理、特征平衡处理以及方向平衡处理得到。
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如权利要求1至7任一项所述遥感目标检测方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述遥感目标检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010576694.9A CN111797737A (zh) | 2020-06-22 | 2020-06-22 | 遥感目标检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010576694.9A CN111797737A (zh) | 2020-06-22 | 2020-06-22 | 遥感目标检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111797737A true CN111797737A (zh) | 2020-10-20 |
Family
ID=72803672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010576694.9A Pending CN111797737A (zh) | 2020-06-22 | 2020-06-22 | 遥感目标检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111797737A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222758A (zh) * | 2022-09-21 | 2022-10-21 | 北京九章星图科技有限公司 | 一种低分辨广域序列遥感影像船动目标实时检测算法 |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105989595A (zh) * | 2015-02-12 | 2016-10-05 | 中国科学院西安光学精密机械研究所 | 基于联合字典学习的多时相遥感图像变化检测方法 |
US20160342847A1 (en) * | 2015-05-20 | 2016-11-24 | National Chiao Tung University | Method and system for image recognition of an instrument |
CN108319986A (zh) * | 2018-02-08 | 2018-07-24 | 深圳市华云中盛科技有限公司 | 基于prnu的图像来源的鉴定方法及其系统 |
CN109005409A (zh) * | 2018-07-27 | 2018-12-14 | 浙江工业大学 | 一种基于目标检测与跟踪的智能视频编码方法 |
CN109255352A (zh) * | 2018-09-07 | 2019-01-22 | 北京旷视科技有限公司 | 目标检测方法、装置及系统 |
CN109583369A (zh) * | 2018-11-29 | 2019-04-05 | 北京邮电大学 | 一种基于目标区域分割网络的目标识别方法及装置 |
CN109800821A (zh) * | 2019-01-31 | 2019-05-24 | 北京市商汤科技开发有限公司 | 训练神经网络的方法、图像处理方法、装置、设备和介质 |
CN109919108A (zh) * | 2019-03-11 | 2019-06-21 | 西安电子科技大学 | 基于深度哈希辅助网络的遥感图像快速目标检测方法 |
CN110060238A (zh) * | 2019-04-01 | 2019-07-26 | 桂林电子科技大学 | 基于深度学习的pcb板标注印刷质量检测方法 |
CN110110599A (zh) * | 2019-04-03 | 2019-08-09 | 天津大学 | 一种基于多尺度特征融合的遥感图像目标检测方法 |
CN110135522A (zh) * | 2019-05-28 | 2019-08-16 | 金陵科技学院 | 一种检测与标注遥感图像小目标一体化的智能方法 |
CN110309876A (zh) * | 2019-06-28 | 2019-10-08 | 腾讯科技(深圳)有限公司 | 目标检测方法、装置、计算机可读存储介质和计算机设备 |
CN110378297A (zh) * | 2019-07-23 | 2019-10-25 | 河北师范大学 | 一种基于深度学习的遥感图像目标检测方法 |
US20190384967A1 (en) * | 2018-06-19 | 2019-12-19 | Beijing Kuangshi Technology Co., Ltd. | Facial expression detection method, device and system, facial expression driving method, device and system, and storage medium |
CN110599448A (zh) * | 2019-07-31 | 2019-12-20 | 浙江工业大学 | 基于MaskScoring R-CNN网络的迁移学习肺部病变组织检测系统 |
CN111008364A (zh) * | 2019-12-09 | 2020-04-14 | 北京壹氢科技有限公司 | 一种双观测者协同被动定位方法及系统 |
CN111080628A (zh) * | 2019-12-20 | 2020-04-28 | 湖南大学 | 图像篡改检测方法、装置、计算机设备和存储介质 |
CN111091105A (zh) * | 2019-12-23 | 2020-05-01 | 郑州轻工业大学 | 基于新的边框回归损失函数的遥感图像目标检测方法 |
CN111126408A (zh) * | 2019-12-24 | 2020-05-08 | 华中师范大学 | 一种基于旋转不变性的手写化学有机环符号识别方法 |
US20200160997A1 (en) * | 2018-11-02 | 2020-05-21 | University Of Central Florida Research Foundation, Inc. | Method for detection and diagnosis of lung and pancreatic cancers from imaging scans |
CN111192264A (zh) * | 2020-01-13 | 2020-05-22 | 李果 | 一种基于改进非局部均值Faster-RCNN算法的纸张缺陷自动检测方法 |
CN111241947A (zh) * | 2019-12-31 | 2020-06-05 | 深圳奇迹智慧网络有限公司 | 目标检测模型的训练方法、装置、存储介质和计算机设备 |
CN111259898A (zh) * | 2020-01-08 | 2020-06-09 | 西安电子科技大学 | 基于无人机航拍图像的农作物分割方法 |
-
2020
- 2020-06-22 CN CN202010576694.9A patent/CN111797737A/zh active Pending
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105989595A (zh) * | 2015-02-12 | 2016-10-05 | 中国科学院西安光学精密机械研究所 | 基于联合字典学习的多时相遥感图像变化检测方法 |
US20160342847A1 (en) * | 2015-05-20 | 2016-11-24 | National Chiao Tung University | Method and system for image recognition of an instrument |
CN108319986A (zh) * | 2018-02-08 | 2018-07-24 | 深圳市华云中盛科技有限公司 | 基于prnu的图像来源的鉴定方法及其系统 |
US20190384967A1 (en) * | 2018-06-19 | 2019-12-19 | Beijing Kuangshi Technology Co., Ltd. | Facial expression detection method, device and system, facial expression driving method, device and system, and storage medium |
CN109005409A (zh) * | 2018-07-27 | 2018-12-14 | 浙江工业大学 | 一种基于目标检测与跟踪的智能视频编码方法 |
CN109255352A (zh) * | 2018-09-07 | 2019-01-22 | 北京旷视科技有限公司 | 目标检测方法、装置及系统 |
US20200160997A1 (en) * | 2018-11-02 | 2020-05-21 | University Of Central Florida Research Foundation, Inc. | Method for detection and diagnosis of lung and pancreatic cancers from imaging scans |
CN109583369A (zh) * | 2018-11-29 | 2019-04-05 | 北京邮电大学 | 一种基于目标区域分割网络的目标识别方法及装置 |
CN109800821A (zh) * | 2019-01-31 | 2019-05-24 | 北京市商汤科技开发有限公司 | 训练神经网络的方法、图像处理方法、装置、设备和介质 |
CN109919108A (zh) * | 2019-03-11 | 2019-06-21 | 西安电子科技大学 | 基于深度哈希辅助网络的遥感图像快速目标检测方法 |
CN110060238A (zh) * | 2019-04-01 | 2019-07-26 | 桂林电子科技大学 | 基于深度学习的pcb板标注印刷质量检测方法 |
CN110110599A (zh) * | 2019-04-03 | 2019-08-09 | 天津大学 | 一种基于多尺度特征融合的遥感图像目标检测方法 |
CN110135522A (zh) * | 2019-05-28 | 2019-08-16 | 金陵科技学院 | 一种检测与标注遥感图像小目标一体化的智能方法 |
CN110309876A (zh) * | 2019-06-28 | 2019-10-08 | 腾讯科技(深圳)有限公司 | 目标检测方法、装置、计算机可读存储介质和计算机设备 |
CN110378297A (zh) * | 2019-07-23 | 2019-10-25 | 河北师范大学 | 一种基于深度学习的遥感图像目标检测方法 |
CN110599448A (zh) * | 2019-07-31 | 2019-12-20 | 浙江工业大学 | 基于MaskScoring R-CNN网络的迁移学习肺部病变组织检测系统 |
CN111008364A (zh) * | 2019-12-09 | 2020-04-14 | 北京壹氢科技有限公司 | 一种双观测者协同被动定位方法及系统 |
CN111080628A (zh) * | 2019-12-20 | 2020-04-28 | 湖南大学 | 图像篡改检测方法、装置、计算机设备和存储介质 |
CN111091105A (zh) * | 2019-12-23 | 2020-05-01 | 郑州轻工业大学 | 基于新的边框回归损失函数的遥感图像目标检测方法 |
CN111126408A (zh) * | 2019-12-24 | 2020-05-08 | 华中师范大学 | 一种基于旋转不变性的手写化学有机环符号识别方法 |
CN111241947A (zh) * | 2019-12-31 | 2020-06-05 | 深圳奇迹智慧网络有限公司 | 目标检测模型的训练方法、装置、存储介质和计算机设备 |
CN111259898A (zh) * | 2020-01-08 | 2020-06-09 | 西安电子科技大学 | 基于无人机航拍图像的农作物分割方法 |
CN111192264A (zh) * | 2020-01-13 | 2020-05-22 | 李果 | 一种基于改进非局部均值Faster-RCNN算法的纸张缺陷自动检测方法 |
Non-Patent Citations (2)
Title |
---|
艾中良等: ""一种基于通道重排的轻量级目标检测网络"", 《计算机与现代化》, no. 2, pages 94 - 98 * |
赵一中等: ""基于深度信念网络的非限制性人脸识别算法研究"", 《计量学报》, vol. 38, no. 1, pages 65 - 66 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222758A (zh) * | 2022-09-21 | 2022-10-21 | 北京九章星图科技有限公司 | 一种低分辨广域序列遥感影像船动目标实时检测算法 |
CN115222758B (zh) * | 2022-09-21 | 2023-01-10 | 北京九章星图科技有限公司 | 一种低分辨广域序列遥感影像船动目标实时检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647585B (zh) | 一种基于多尺度循环注意力网络的交通标识符检测方法 | |
CN111640125B (zh) | 基于Mask R-CNN的航拍图建筑物检测和分割方法及装置 | |
CN106683048B (zh) | 一种图像超分辨率方法及设备 | |
CN107506761B (zh) | 基于显著性学习卷积神经网络的脑部图像分割方法及系统 | |
KR101640998B1 (ko) | 화상 처리 장치 및 화상 처리 방법 | |
CN111161311A (zh) | 一种基于深度学习的视觉多目标跟踪方法及装置 | |
CN109446889B (zh) | 基于孪生匹配网络的物体追踪方法及装置 | |
CN110569738B (zh) | 基于密集连接网络的自然场景文本检测方法、设备和介质 | |
US20210224598A1 (en) | Method for training deep learning model, electronic equipment, and storage medium | |
CN108846404B (zh) | 一种基于相关约束图排序的图像显著性检测方法及装置 | |
CN110930296B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN106295613A (zh) | 一种无人机目标定位方法及系统 | |
CN113989662A (zh) | 一种基于自监督机制的遥感图像细粒度目标识别方法 | |
CN109740752B (zh) | 深度模型训练方法及装置、电子设备及存储介质 | |
CN110647802A (zh) | 基于深度学习的遥感影像舰船目标检测方法 | |
CN111160114B (zh) | 手势识别方法、装置、设备及计算机可读存储介质 | |
CN107506792B (zh) | 一种半监督的显著对象检测方法 | |
CN111353580B (zh) | 目标检测网络的训练方法、电子设备及存储介质 | |
CN113487610B (zh) | 疱疹图像识别方法、装置、计算机设备和存储介质 | |
CN110598715A (zh) | 图像识别方法、装置、计算机设备及可读存储介质 | |
CN116206185A (zh) | 一种基于改进YOLOv7的轻量级小目标检测方法 | |
CN109671055B (zh) | 肺结节检测方法及装置 | |
CN112132145A (zh) | 一种基于模型扩展卷积神经网络的图像分类方法及系统 | |
CN116091946A (zh) | 一种基于YOLOv5的无人机航拍图像目标检测方法 | |
CN111178153A (zh) | 一种交通标志检测方法及系统 |
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 |