CN112215208A - 基于改进YOLOv4的遥感影像桥梁目标检测算法 - Google Patents
基于改进YOLOv4的遥感影像桥梁目标检测算法 Download PDFInfo
- Publication number
- CN112215208A CN112215208A CN202011245547.XA CN202011245547A CN112215208A CN 112215208 A CN112215208 A CN 112215208A CN 202011245547 A CN202011245547 A CN 202011245547A CN 112215208 A CN112215208 A CN 112215208A
- Authority
- CN
- China
- Prior art keywords
- layer
- network
- algorithm
- scale
- remote sensing
- 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
- G06V20/176—Urban or other man-made structures
-
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种改进YOLOv4网络和基于改进YOLOv4网络的遥感影像桥梁目标检测算法。该改进YOLOv4网络在原有YOLOv4网络的PANet网络基础上,所述改进YOLOv4网络还包括4倍上采样的104×104尺度特征层或者4倍上采样的152×152尺度特征层。该算法包括步骤1:采用Kmeans聚类算法获取符合遥感影像待检测目标尺度特点的锚点框尺寸;步骤2:按照步骤1确定的锚点框尺寸,采用所述采用改进YOLOv4网络提取得到不同尺寸大小的锚点框。本发明通过Kmeans聚类算法获取符合遥感影像待检测目标尺度特点的锚点框尺寸,进而增加104×104或152×152的特征层尺度,并结合注意力机制思想进行算法网络结构的调整,提升算法对于遥感影像桥梁目标的检测性能。
Description
技术领域
本发明涉及桥梁目标检测技术领域,尤其涉及一种基于改进YOLOv4的遥感影像桥梁目标检测算法。
背景技术
桥梁是架设在水域上或空中以便人和车辆通行的建筑物,按照跨越障碍可以分为跨河桥、跨谷桥、跨线桥(立交桥)、高架桥和栈桥等,通过联通两块陆地,桥梁在整个交通网络中具有枢纽地位。同时桥梁目标也是遥感影像中一种典型人工目标(如图1所示),桥梁目标自动检测是遥感影像目标识别的重要内容,如何从遥感影像中准确检测出桥梁目标,在军事领域、洪水、地震等自然灾害地区救援、自然灾害评估以及地图数据更新等方面具有重要意义。例如,在军事领域尤其是导弹精确制导方面,桥梁目标的精确检测可以有效帮助制导武器在复杂的作战场景中高效打击地方要害建筑;在自然灾害救援路径选择中,准确识别桥梁目标可以有效加快救援进程;在日常生活中,桥梁目标检测有利于地理信息系统、地理测绘等信息更新。然而,高分辨率光学遥感影像中特定目标检测也是遥感图像分析领域的难点,不同于自然图像,遥感影像具有图幅尺寸大、感兴趣目标相对占比极小、目标尺度多样、影像背景复杂和干扰因素多样等特点,在自然图像的目标检测中表现优异的算法被应用到遥感影像目标检测时效果较差。
遥感影像图幅尺寸较大,即使是常见的飞机、车辆等典型目标在遥感影像中依然占比很小,加之复杂多样的背景信息干扰,从遥感影像中进行特定目标检测难度较大。从俯视的遥感影像角度看,桥梁目标的几何外形一般为长矩形,具有较大的长宽比,但桥梁的这一典型尺寸特征也在逐渐淡化,尤其是在陆上,部分桥梁目标外形接近正方形。同时不同作用类型的桥梁之间尺寸差异极大,特大桥梁长度超过千米,小型桥梁甚至只有几米,遥感影像中的桥梁目标检测对目标检测算法的性能提出了极高要求。
2020年4月,继YOLOv3算法提出两年后,俄罗斯学者Alexey Bochkovskiy推出YOLOv4算法并开源,作为一种各种先进算法集成的创新,作者将20多篇深度学习领域最新论文的核心思想集成到自己的算法中(江大白.深入浅出Yolo系列之Yolov3&Yolov4核心基础知识完整讲解[EB/OL].[2020-5-28]),使算法性能得到显著提升。
YOLO系列算法设计初衷是针对于自然图像的目标检测,而遥感影像具有不同于自然图像的特点,YOLOv4算法可以在自然图像数据集中获得极佳的检测结果,但是当应用于遥感影像特定目标(桥梁)检测时却效果不佳,在设置预测框与真实框IOU(交并比)为0.5的情况下,桥梁目标受到影像背景和相似地物等干扰,漏检情况严重,同时存在误检现象。如图2所示,图2为采用原始YOLOv4算法的桥梁目标检测效果,其中无标注边框为漏检目标,叉号为目标误检。
发明内容
针对现有的桥梁目标检测算法所存在的检测性能较差的问题,本发明在YOLOv4算法的基础上,结合遥感影像特点对算法作出针对性改进:通过Kmeans聚类算法获取符合遥感影像待检测目标尺度特点的锚点框尺寸,进而增加104×104的特征层尺度,并结合注意力机制思想进行算法网络结构的调整,提升算法对于遥感影像桥梁目标的检测性能。
第一方面,本发明提供一种改进YOLOv4网络,用于遥感图像桥梁目标检测,在原有YOLOv4网络的PANet网络基础上,所述改进YOLOv4网络还包括4倍上采样的104×104尺度特征层或者4倍上采样的152×152尺度特征层。
进一步地,还包括注意力机制模块;所述注意力机制模块用于在特征提取过程中采用注意力机制进行特征提取。
进一步地,所述改进YOLOv4网络具体为:在原有的PANet网络的上采样模块中,增加1个Concat+上采样层、1个第一Concat+Conv×5层,所述第一Concat+Conv×5层连接原有的CSPDarknet53网络的Resblock_body(104,104,128)×2层;
在原有的PANet网络的下采样模块中,增加两个下采样层和1个第二Concat+Conv×5层;所述第二Concat+Conv×5层位于两个所述下采样层之间且连接原有的PANet网络的上采样模块中的Concat+Conv×5层,位于所述第二Concat+Conv×5层之上的下采样层连接所述第一Concat+Conv×5层。
第二方面,本发明提供一种基于上述的改进YOLOv4网络的遥感影像桥梁目标检测算法,包括:
步骤1:采用Kmeans聚类算法获取符合遥感影像待检测目标尺度特点的锚点框尺寸;
步骤2:按照步骤1确定的锚点框尺寸,采用所述采用改进YOLOv4网络提取得到不同尺寸大小的锚点框。
进一步地,在特征提取过程中,结合注意力机制,采用所述改进YOLOv4网络提取得到不同尺寸大小的锚点框。
进一步地,步骤2中,包括:
按照步骤1确定的锚点框尺寸,选取1:1和1:2两种长宽比例;
在4层特征尺度下,采用所述M-YOLO网络获取8个不同尺寸大小的锚点框;
其中,所述4层特征尺度分别为:104×104尺度特征层、52×52尺度特征层、26×26尺度特征层和13×13尺度特征层;或者,所述4层特征尺度分别为152×152尺度特征层、76×76尺度特征层、38×38尺度特征层和19×19尺度特征层。
本发明的有益效果:
在YOLOv4网络和算法基础上,本发明针对遥感影像桥梁目标检测任务提出改进的M-YOLO网络和算法,通过增加特征层尺度并结合注意力机制思想的方法进一步提高算法对于遥感影像桥梁目标的特征提取能力,同时基于桥梁目标特点对锚点框尺寸作出调整,使得算法对遥感影像的目标检测能力得到提升。通过对比实验得出结论:M-YOLO算法在增加训练成本极小的情况下,在DOTA桥梁数据集的桥梁目标检测中获得5.6%的AP提升,证明了M-YOLO算法的有效性。
附图说明
图1为现有技术提供的含桥梁目标的遥感影像;
图2为现有技术提供的采用现有YOLOv4算法进行桥梁目标检测的检测结果;
图3为本发明实施例提供的一种改进YOLOv4网络的结构图;
图4为本发明实施例提供的采用本发明算法进行桥梁目标检测的检测结果;
图5为本发明实施例提供的本发明算法与现有YOLOv4算法的检测结果对比图;
图6为本发明实施例提供的本发明算法与现有YOLOv4算法的损失变化图像。
具体实施方式
为使本发明的目的、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。
实施例1
如图3所示,本发明实施例提供一种改进YOLOv4网络(本发明中记为M-YOLO网络),用于遥感图像桥梁目标检测,在原有YOLOv4网络的PANet网络基础上,所述改进YOLOv4网络还包括4倍上采样的104×104尺度特征层或者4倍上采样的152×152尺度特征层。
具体地,YOLOv4网络通过SPP(空间金字塔池化)模块,将输入图像的尺寸调整为416×416或608×608。在原有的YOLOv4网络中,输入图像在网络中进过多次卷积和池化操作,仅能生成三种不用尺度大小的特征图:8倍上采样的52×52(或76×76)尺度特征层、16倍上采样的26×26(或38×38)尺度特征层和32倍上采样的13×13(或19×19)尺度特征层。虽然卷积神经网络的高层特征图具有较大的感受野,可以有效提取图像中抽象的语义信息,但是也随之忽略了图像的细节信息。即使是用于检测小尺寸目标的52×52(或76×76)尺度特征层,在经过8倍上采样之后,也会丢失大部分图像的细节信息。而网络的底层特征图具有更小的感受野,更加关注目标的纹理、轮廓、颜色和位置等细节特征,符合遥感影像目标检测的特点。因此,本发明实施例提供的改进YOLOv4网络可以有效提取遥感影像中桥梁目标的纹理、轮廓、颜色和位置等细节特征,从而提高桥梁目标检测的检测性能。
作为一种可实施方式,所述改进YOLOv4网络具体为:在原有的PANet网络的上采样模块中,增加1个Concat+上采样层、1个第一Concat+Conv×5层,所述第一Concat+Conv×5层连接原有的CSPDarknet53网络的Resblock_body(104,104,128)×2层。在原有的PANet网络的下采样模块中,增加两个下采样层和1个第二Concat+Conv×5层;所述第二Concat+Conv×5层位于两个所述下采样层之间且连接原有的PANet网络的上采样模块中的Concat+Conv×5层,位于所述第二Concat+Conv×5层之上的下采样层连接所述第一Concat+Conv×5层。
具体地,本发明实施例的改进YOLOv4网络通过对原有的YOLOv4网络进行改进,改进后的网络结构包括4层特征尺度,分别为:104×104尺度特征层、52×52尺度特征层、26×26尺度特征层和13×13尺度特征层;或者,分别为152×152尺度特征层、76×76尺度特征层、38×38尺度特征层和19×19尺度特征层。
实施例2
在上述实施例的基础上,如图3所示,本发明实施例提供的改进YOLOv4网络还包括注意力机制模块;所述注意力机制模块用于在特征提取过程中采用注意力机制进行特征提取。
具体地,本发明实施例中,在增加4倍上采样的104×104尺度特征层或者4倍上采样的152×152尺度特征层的基础上,通过增加并结合基于人类视觉系统特有的大脑信号处理模式而提出的注意力机制思想,可以获取目标更的细节信息,并抑制无用信息,因此可以进一步提高改进YOLOv4网络对于遥感影像小目标的特征提取能力。
实施例3
基于上述各实施例的改进YOLOv4网络,本发明实施例提供一种遥感影像桥梁目标检测算法,包括:
S101:采用Kmeans聚类算法获取符合遥感影像待检测目标尺度特点的锚点框尺寸;
S102:按照步骤S101确定的锚点框尺寸,采用所述采用改进YOLOv4网络提取得到不同尺寸大小的锚点框。
具体地,YOLOv2就已经引入了anchor box(锚点框)的概念,极大的提高了神经网络的目标检测性能,YOLOv4同样沿用这一思想,并提供经过验证效果更好的锚点框参数,但是实际训练自己数据时使用原有参数显然不合适。因此,本发明算法在最开始的步骤就根据桥梁目标特点应用Kmeans聚类算法以获取更符合待检测目标尺度特点的锚点框尺寸,从而可以增强算法的适应性。
作为一种可实施方式,本发明实施例提供的桥梁目标检测算法还包括:在特征提取过程中,结合注意力机制,采用所述改进YOLOv4网络提取得到不同尺寸大小的锚点框。
具体地,通过结合基于人类视觉系统特有的大脑信号处理模式而提出的注意力机制思想,可以获取目标更的细节信息,并抑制无用信息,因此可以进一步提高算法对于遥感影像小目标的特征提取能力。
作为一种可实施方式,步骤S102中包括:按照步骤S101确定的锚点框尺寸,选取1:1和1:2两种长宽比例;在4层特征尺度下,采用所述M-YOLO网络获取8个不同尺寸大小的锚点框;其中,所述4层特征尺度分别为:104×104尺度特征层、52×52尺度特征层、26×26尺度特征层和13×13尺度特征层;或者,所述4层特征尺度分别为152×152尺度特征层、76×76尺度特征层、38×38尺度特征层和19×19尺度特征层。
具体地,本发明实施例通过Kmeans聚类算法,根据桥梁目标的尺度特点,选取1:1和1:2两种长宽比例,在4层特征尺度下,获取得到8个不同尺寸大小的锚点框,通过减少锚点框个数来降低由于增加特征层带来的训练时间损耗。
为了验证本发明提供的改进YOLOv4网络和基于改进YOLOv4网络的遥感图像桥梁目标检测算法的有效性,本发明还提供有下述实验。
一、实验环境
(1)硬件:实验基于Win 10操作系统,使用GPU版本为1.13.2的TensorFlow深度学习框架,python版本为3.6.6,Keras为2.1.5版本,实验所用显卡为NVIDIA2080,显存8GB,算法的训练和测试均在GPU加速中完成。
(2)数据集:本次实验数据集来源于GoogleEarth公开的DOTA数据集。由于DOTA数据集原始影像图幅较大且图幅尺寸不一,因此需要首先提取数据集中含有桥梁目标的影像,将原始影像以1000×1000像素、重叠率20%进行图像分割并获取分割后图像的xml标签文件,最终获得1300张含有桥梁目标,尺寸大小为1000×1000像素的桥梁数据集(后面简称为DOTA桥梁数据集)。
二、实验设计
(1)训练参数:数据集图像数量为1300张,随机选取20%(260张图像)作为测试数据集,剩余80%中将其中的90%作为训练数据集,其余图像作为验证数据集。图像输入的尺寸设置为416×416,标签平滑率为0(只有一类目标)。训练批次设置解冻前100个epoch,batch_size设置为8,最大学习率为1×10-3;解冻后训练100个epoch,batch_size设置为2,最大学习率为1×10-4。
(2)检测结果评价指标:选取深度学习目标检测中最常用的查准率(Precision)、召回率(Recall)和平均准确率AP(AveragePrecision)三个评价指标进行结果评价。定义混淆矩阵如表1。
表1检测精度混淆矩阵
查准率表示检测结果中预测为真的样本中有多少是真正的正样本,表达为式(1):
召回率表示数据集中的正样本有多少被预测正确,表达为式(2):
查准率的提高往往伴随着召回率的降低,因此无法单独使用查准率或召回率进行精度评价,由此产生了平均准确率AP,它是指查准率p随召回率r变化的曲线在r从0到1上的积分值,表达为式(3):
(3)实验方法:本次实验采取对照实验的方法,控制实验参数和数据集一致情况下,首先使用Kmeans聚类算法计算出DOTA桥梁数据集在算法改进前后相应数目的锚点框尺寸,M-YOLO为8(4层×2)个不同尺寸的锚点框,原始YOLOv4为9(3层×3)个锚点框,锚点框由15次计算结果中匹配精度最高的一组数据确定。分别就M-YOLO和原始YOLOv4算法在DOTA桥梁数据集上进行训练测试,并以三类评价指标进行算法检测性能评估。
图4(a-f)为算法改进前后的目标预测结果:图a、b、c为原始YOLOv4算法目标预测结果,图d、e、f为M-YOLO算法的目标预测结果:其中有标注方框为算法检测结果,叉号为目标误检,无标注边框为漏检目标,对勾为改进算法后检测正确的目标;图5为算法改进前后的检测结果对比(其中TP为真正例,FP为假正例,GT为真实目标);图6为算法改进前后训练过程中的损失变化;表2为算法改进前后的检测性能评估结果。
表2 YOLOv4算法改进前后DOTA桥梁数据集检测结果
从loss变化曲线可以看到,相同训练批次的M-YOLO算法loss值恒大于原始算法,随训练批次的增加两者接近重合。使用训练好的权重文件进行预测,由于桥梁目标检测难度大,当同一幅影像中有多个桥梁目标时,两种算法都不能实现全部精确预测,但是相比于原始YOLOv4算法,M-YOLO算法对桥梁目标的误检和漏检错误有所改善。从整个测试数据集来看,在IOU比为0.5的情况下,对于260张影像的500个待检测桥梁目标,M-YOLO算法的正确预测数增加20个,误检目标数降低10个,算法查准率提高1.4%,召回率提高3%,AP提升达到5.6%。
同时,M-YOLO算法虽然增加了104×104特征检测尺度以及注意力机制模块,使得网络层数加深,结构进一步复杂,但也减少了锚点框数目。整体改动对于训练时间成本的增加极小,解冻前后每个批次增加的训练时间只有不超过4s,一次完整训练的时间成本也只是增加了不足12分钟,对于近8小时一次的完整训练来说影响极小。
在YOLOv4算法基础上,本发明针对遥感影像桥梁目标检测任务提出改进的M-YOLO算法,通过增加特征层尺度并结合注意力机制思想的方法进一步提高算法对于遥感影像桥梁目标的特征提取能力,同时基于桥梁目标特点对锚点框尺寸作出调整,使得算法对遥感影像的目标检测能力得到提升。通过对比实验得出结论:M-YOLO算法在增加训练成本极小的情况下,在DOTA桥梁数据集的桥梁目标检测中获得5.6%的AP提升,证明了M-YOLO算法的有效性。
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 (6)
1.一种改进YOLOv4网络,用于遥感图像桥梁目标检测,其特征在于,在原有YOLOv4网络的PANet网络基础上,所述改进YOLOv4网络还包括4倍上采样的104×104尺度特征层或者4倍上采样的152×152尺度特征层。
2.根据权利要求1所述的一种改进YOLOv4网络,其特征在于,还包括注意力机制模块;所述注意力机制模块用于在特征提取过程中采用注意力机制进行特征提取。
3.根据权利要求2所述的一种改进YOLOv4网络,其特征在于,所述改进YOLOv4网络具体为:在原有的PANet网络的上采样模块中,增加1个Concat+上采样层、1个第一Concat+Conv×5层,所述第一Concat+Conv×5层连接原有的CSPDarknet53网络的Resblock_body(104,104,128)×2层;
在原有的PANet网络的下采样模块中,增加两个下采样层和1个第二Concat+Conv×5层;所述第二Concat+Conv×5层位于两个所述下采样层之间且连接原有的PANet网络的上采样模块中的Concat+Conv×5层,位于所述第二Concat+Conv×5层之上的下采样层连接所述第一Concat+Conv×5层。
4.基于权利要求1至3任一所述的改进YOLOv4网络的遥感影像桥梁目标检测算法,其特征在于,包括:
步骤1:采用Kmeans聚类算法获取符合遥感影像待检测目标尺度特点的锚点框尺寸;
步骤2:按照步骤1确定的锚点框尺寸,采用所述采用改进YOLOv4网络提取得到不同尺寸大小的锚点框。
5.根据权利要求4所述的算法,其特征在于,在特征提取过程中,结合注意力机制,采用所述改进YOLOv4网络提取得到不同尺寸大小的锚点框。
6.根据权利要求4所述的算法,其特征在于,步骤2中,包括:
按照步骤1确定的锚点框尺寸,选取1:1和1:2两种长宽比例;
在4层特征尺度下,采用所述M-YOLO网络获取8个不同尺寸大小的锚点框;
其中,所述4层特征尺度分别为:104×104尺度特征层、52×52尺度特征层、26×26尺度特征层和13×13尺度特征层;或者,所述4层特征尺度分别为152×152尺度特征层、76×76尺度特征层、38×38尺度特征层和19×19尺度特征层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011245547.XA CN112215208A (zh) | 2020-11-10 | 2020-11-10 | 基于改进YOLOv4的遥感影像桥梁目标检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011245547.XA CN112215208A (zh) | 2020-11-10 | 2020-11-10 | 基于改进YOLOv4的遥感影像桥梁目标检测算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112215208A true CN112215208A (zh) | 2021-01-12 |
Family
ID=74056755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011245547.XA Pending CN112215208A (zh) | 2020-11-10 | 2020-11-10 | 基于改进YOLOv4的遥感影像桥梁目标检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112215208A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112836639A (zh) * | 2021-02-03 | 2021-05-25 | 江南大学 | 基于改进YOLOv3模型的行人多目标跟踪视频识别方法 |
CN113065511A (zh) * | 2021-04-21 | 2021-07-02 | 河南大学 | 基于深度学习的遥感图像飞机检测模型及方法 |
CN113313695A (zh) * | 2021-06-05 | 2021-08-27 | 西北工业大学 | 一种基于小样本航空发动机叶片ct图像的深度学习缺陷自动检测识别方法 |
CN113326771A (zh) * | 2021-05-28 | 2021-08-31 | 北京环境特性研究所 | 一种基于深度学习的震动触发目标监测装置及方法 |
CN113702393A (zh) * | 2021-09-29 | 2021-11-26 | 安徽理工大学 | 一种本安型矿用输送带表面损伤检测系统及检测方法 |
CN114548223A (zh) * | 2022-01-18 | 2022-05-27 | 南京工程学院 | 一种适用小目标检测的改进型YOLOv4网络结构及其应用 |
CN115272879A (zh) * | 2022-07-28 | 2022-11-01 | 中国电子科技集团公司第十五研究所 | 基于YOLOv4和直线特征的多尺度桥梁目标检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190213747A1 (en) * | 2018-01-10 | 2019-07-11 | Samsung Electronics Co., Ltd. | Image processing method and apparatus |
CN110766098A (zh) * | 2019-11-07 | 2020-02-07 | 中国石油大学(华东) | 基于改进YOLOv3的交通场景小目标检测方法 |
CN110826379A (zh) * | 2018-08-13 | 2020-02-21 | 中国科学院长春光学精密机械与物理研究所 | 一种基于特征复用与YOLOv3的目标检测方法 |
AU2020101011A4 (en) * | 2019-06-26 | 2020-07-23 | Zhejiang University | Method for identifying concrete cracks based on yolov3 deep learning model |
CN111563557A (zh) * | 2020-05-12 | 2020-08-21 | 山东科华电力技术有限公司 | 一种电力电缆隧道内目标检测的方法 |
CN111709489A (zh) * | 2020-06-24 | 2020-09-25 | 广西师范大学 | 一种基于改进YOLOv4的柑橘识别方法 |
CN111898432A (zh) * | 2020-06-24 | 2020-11-06 | 南京理工大学 | 一种基于改进YOLOv3算法的行人检测系统及方法 |
-
2020
- 2020-11-10 CN CN202011245547.XA patent/CN112215208A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190213747A1 (en) * | 2018-01-10 | 2019-07-11 | Samsung Electronics Co., Ltd. | Image processing method and apparatus |
CN110826379A (zh) * | 2018-08-13 | 2020-02-21 | 中国科学院长春光学精密机械与物理研究所 | 一种基于特征复用与YOLOv3的目标检测方法 |
AU2020101011A4 (en) * | 2019-06-26 | 2020-07-23 | Zhejiang University | Method for identifying concrete cracks based on yolov3 deep learning model |
CN110766098A (zh) * | 2019-11-07 | 2020-02-07 | 中国石油大学(华东) | 基于改进YOLOv3的交通场景小目标检测方法 |
CN111563557A (zh) * | 2020-05-12 | 2020-08-21 | 山东科华电力技术有限公司 | 一种电力电缆隧道内目标检测的方法 |
CN111709489A (zh) * | 2020-06-24 | 2020-09-25 | 广西师范大学 | 一种基于改进YOLOv4的柑橘识别方法 |
CN111898432A (zh) * | 2020-06-24 | 2020-11-06 | 南京理工大学 | 一种基于改进YOLOv3算法的行人检测系统及方法 |
Non-Patent Citations (1)
Title |
---|
徐佰祺等: "联合多尺度特征和注意力机制的遥感影像飞机目标检测", 《测绘科学技术学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112836639A (zh) * | 2021-02-03 | 2021-05-25 | 江南大学 | 基于改进YOLOv3模型的行人多目标跟踪视频识别方法 |
CN113065511A (zh) * | 2021-04-21 | 2021-07-02 | 河南大学 | 基于深度学习的遥感图像飞机检测模型及方法 |
CN113065511B (zh) * | 2021-04-21 | 2024-02-02 | 河南大学 | 基于深度学习的遥感图像飞机检测模型及方法 |
CN113326771A (zh) * | 2021-05-28 | 2021-08-31 | 北京环境特性研究所 | 一种基于深度学习的震动触发目标监测装置及方法 |
CN113313695A (zh) * | 2021-06-05 | 2021-08-27 | 西北工业大学 | 一种基于小样本航空发动机叶片ct图像的深度学习缺陷自动检测识别方法 |
CN113702393A (zh) * | 2021-09-29 | 2021-11-26 | 安徽理工大学 | 一种本安型矿用输送带表面损伤检测系统及检测方法 |
CN113702393B (zh) * | 2021-09-29 | 2023-10-27 | 安徽理工大学 | 一种本安型矿用输送带表面损伤检测系统及检测方法 |
CN114548223A (zh) * | 2022-01-18 | 2022-05-27 | 南京工程学院 | 一种适用小目标检测的改进型YOLOv4网络结构及其应用 |
CN115272879A (zh) * | 2022-07-28 | 2022-11-01 | 中国电子科技集团公司第十五研究所 | 基于YOLOv4和直线特征的多尺度桥梁目标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112215208A (zh) | 基于改进YOLOv4的遥感影像桥梁目标检测算法 | |
CN106874889B (zh) | 基于卷积神经网络的多特征融合sar目标鉴别方法 | |
US20160379053A1 (en) | Method and Apparatus for Identifying Object | |
CN106156744A (zh) | 基于cfar检测与深度学习的sar目标检测方法 | |
CN108647695A (zh) | 基于协方差卷积神经网络的低对比度图像显著性检测方法 | |
CN113468996B (zh) | 一种基于边缘细化的伪装物体检测方法 | |
CN109635789B (zh) | 基于强度比和空间结构特征提取的高分辨sar图像分类方法 | |
CN112287983B (zh) | 一种基于深度学习的遥感图像目标提取系统和方法 | |
CN113920436A (zh) | 一种基于改进YOLOv4算法的遥感图像海上船舶识别系统及其方法 | |
CN117237740B (zh) | 一种基于CNN和Transformer的SAR图像分类方法 | |
US20240161304A1 (en) | Systems and methods for processing images | |
CN105512622A (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
CN110020658A (zh) | 一种基于多任务深度学习的显著目标检测方法 | |
CN115841629A (zh) | 一种基于卷积神经网络的sar图像舰船检测方法 | |
CN115861756A (zh) | 基于级联组合网络的大地背景小目标识别方法 | |
Fernandes Jr et al. | A river flooding detection system based on deep learning and computer vision | |
CN116953702A (zh) | 基于演绎范式的旋转目标检测方法及装置 | |
CN114663654B (zh) | 一种改进YOLOv4网络模型及小目标检测方法 | |
CN105869165B (zh) | 一种多源多时相遥感图像目标变化监测方法 | |
CN110232378B (zh) | 一种图像兴趣点检测方法、系统及可读存储介质 | |
CN112651351A (zh) | 一种数据处理的方法和装置 | |
Khodaverdi zahraee et al. | Object-oriented analysis of satellite images using artificial neural networks for post-earthquake buildings change detection | |
CN108596139A (zh) | 一种基于Gabor特征显著性的遥感影像城市区域提取方法 | |
CN116128718A (zh) | 基于注意力机制的高分辨率遥感图像目标检测方法和装置 | |
CAVALCANTE | Visual Scene Analysis based on the Kurtosis Of Responses of Independent Component Filters |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210112 |
|
WD01 | Invention patent application deemed withdrawn after publication |