CN112232180A - 一种夜晚水下鱼类目标检测方法 - Google Patents

一种夜晚水下鱼类目标检测方法 Download PDF

Info

Publication number
CN112232180A
CN112232180A CN202011094743.1A CN202011094743A CN112232180A CN 112232180 A CN112232180 A CN 112232180A CN 202011094743 A CN202011094743 A CN 202011094743A CN 112232180 A CN112232180 A CN 112232180A
Authority
CN
China
Prior art keywords
night
underwater fish
image
detection
algorithm
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
CN202011094743.1A
Other languages
English (en)
Inventor
张明华
龙腾
宋巍
黄冬梅
梅海彬
贺琪
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.)
Shanghai Ocean University
Original Assignee
Shanghai Ocean University
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 Shanghai Ocean University filed Critical Shanghai Ocean University
Priority to CN202011094743.1A priority Critical patent/CN112232180A/zh
Publication of CN112232180A publication Critical patent/CN112232180A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种夜晚水下鱼类目标检测方法，所述目标检测方法包括：按一定时间间隔获取夜晚水下鱼类图像；使用MSRCP算法对所述夜晚水下鱼类图像进行图像增强处理，获取增强后夜晚水下鱼类图像；将所述增强后夜晚水下鱼类图像输入已训练的DetNASNet主干网络进行特征信息提取；将提取的所述特征信息输入经Soft‑NMS算法优化后的Cascade R‑CNN模型进行目标检测；获取所述夜晚水下鱼类目标检测结果。该方法避免了夜晚环境下光照对目标检测所造成的不良影响，提高了水下鱼类图像的色彩质量，可以有效去除重复的候选框，利用更加高效的目标检测主干网络，使得夜晚水下鱼类的目标检测更加精准、高效。

Description

一种夜晚水下鱼类目标检测方法
技术领域
本发明涉及视频目标检测领域，具体涉及夜晚水下鱼类目标检测领域。
背景技术
目前，运动目标的检测算法已经比较成熟，传统机器学习方法是通过手工标记方法提取鱼类特征，再把特征输入支持向量机等分类器进行检测分类。目前的提取方法有：基于模板匹配的可变形提取技术用于鱼类检测；将鱼类图像中各颜色分量和长短轴之比作为鱼类特征；从鱼类图像中分割出鱼各部位的图像模块，然后提取关联度更高的特征。但上述提取方法非常繁琐，需要人工设计鱼类各特征的对应规则，不适用于检测大量数据。并且人工方法提取到的鱼类特征通常只适用于光照充足、清晰度高、背景环境对比度高的情景下，在夜晚水下环境中较难产生作用。
目前主流的深度学习目标检测方法可以更加高效的进行目标检测。基于水下图像底层特征，提出实际水下非限制环境的鱼类目标检测算法，通过提取水下图像的各个图层特征，然后制作稀疏表达分类器实施鱼类目标的检测，利用该方法的检测率达到81.8％。基于R-CNN，提出鱼类目标检测分类算法，从背景图像中使用融合估算方法，分割出鱼类的前景区域，最后使用DCNN方法自动进行特征提取和分类。参考Faster R-CNN的结构，设计轻型R-CNN，用于水下环境鱼类的目标检测，使用该方法的精度达到89.95％。基于YOLO模型，将原本用于白天环境的YOLO网络结构模型用于水下环境，对鱼类进行目标检测，使用水下视频制作数据集，获得较高的检测精度。但是以上方法在夜晚水下环境光照不均、噪声过大、并且鱼类运动不规律、拍摄视频质量不高，等客观环境的目标检测效果精度较低。
许多在陆地上比较成熟的一些目标检测方法并不能很好地适用于水下环境。并且夜晚水下环境光照不均，拍摄图像具有模糊不清、场景阴暗等特点，使得目标检测任务变得更加困难。因此，如何在受光照条件限制的夜晚水下环境对鱼类图像进行目标检测，是目前图像识别研究的有待解决的问题。
发明内容
本发明要解决的技术问题是如何在受光照条件限制的夜晚水下环境对鱼类图像进行目标检测，提供一种基于图像识别的夜晚水下鱼类目标检测方法。
本发明是通过下述技术方案来解决上述技术问题：
一种夜晚水下鱼类目标检测方法，所述目标检测方法包括：
按一定时间间隔获取夜晚水下鱼类图像；
使用MSRCP算法对所述夜晚水下鱼类图像进行图像增强处理，获取增强后夜晚水下鱼类图像；
将所述增强后夜晚水下鱼类图像输入已训练的DetNASNet主干网络进行特征信息提取；
将提取的所述特征信息输入经Soft-NMS算法优化后的Cascade R-CNN模型进行目标检测；
获取所述夜晚水下鱼类目标检测结果。
较佳地，所述将所述增强后夜晚水下鱼类图像输入已训练的DetNASNet主干网络进行特征提取之前还包括：使用MSRCP算法获取训练用夜晚水下鱼类图像，并使用所述训练用夜晚水下鱼类图像对所述DetNASNet主干网络进行网络训练。
较佳地，使用所述Soft-NMS算法对所述Cascade R-CNN模型进行优化的步骤如下：
将所述特征信息输入至所述Cascade R-CNN模型中的RPN模块进行回归和分类获取检测分类类别标签C0和检测边框回归坐标B0；
将所述检测边框回归坐标B0和所述特征信息经过池化后继续输入所述RPN模块并选取IOU阔值，获取检测分类类别标签C1和检测边框回归坐标B1；
以此循环多次并选择不同的IOU阔值，获取最终检测分类类别标签和最终检测边框回归坐标。
进一步地，所述Soft-NMS算法可以为线性加权算法或高斯加权算法。
在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。
本发明的积极进步效果在于：该方法避免了传统方法需要人工进行目标检测以及夜晚环境下光照对目标检测所造成的不良影响，提高了水下鱼类图像的色彩质量，并且在目标检测遇到目标物体重叠的情况时，可以有效去除重复的候选框，利用更加高效的目标检测主干网络，使得夜晚水下鱼类的目标检测更加精准、高效。
附图说明
图1为本发明一种夜晚水下鱼类目标检测方法一实施例中的方法流程图；
图2为本发明一种夜晚水下鱼类目标检测方法一实施例中的Soft-NMS算法对Cascade R-CNN模型优化流程图。
具体实施方式
为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的首选实施例。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本申请的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
如图1所示为本发明一种夜晚水下鱼类目标检测方法一实施例中的方法流程图：
S01：按一定时间间隔获取夜晚水下鱼类图像；
在一个示例中，根据时间间隔，截取出相应的夜晚水下鱼类图像，由于由于在相邻几帧图像中目标运动一般不会发生太大的变化，因此无需对每一帧都进行目标检测。本发明采取的策略是每隔1秒进行一次图像截取，这样做既保证了检测的精确率，也不影响数据集的完整性，同时也加快了数据集制作速度和目标检测的总体速度。
S02：使用MSRCP算法对所述夜晚水下鱼类图像进行图像增强处理，获取增强后夜晚水下鱼类图像；
在一个示例中，获取的夜晚水下鱼类图像由于灯光照射以及水体对光线散射等原因，拍摄出的图像模糊不清、场景阴暗。针对这类问题，本发明使用MSRCP图像增强算法对原始模糊不清的图像进行色彩增强。MSRCP(Multi-Scale Retinex with ChromaticityPreservation，多尺度Retinex色度保护)算法，其中，Retinex是由视网膜(Retina)与皮层(Cortex)两部分构成，模仿人类视觉系统的模型，把人类视觉系统感知的图像分为两个模块，如公式1所示。
I(x,y)＝L(x,y)·R(x,y) (1)
式中：I(x,y)为人眼接收到的图像，L(x,y)代表照度分量，表现图像的低频信息，反应了环境光对物体造成的影响；R(x,y)为反射分量，表现了图像的高频信息，其反应物体本身的特性，须先求得照度分量L(x,y)，从而获得反射分量R(x,y)。
MSRCP算法是将强度图像作为原始图像，通过强度图像和原始RGB的对应比例映射到各个通道，在保持原本图像色彩布局的情况下，对图像进行增强。强度图像Int的获得如公式2所示。
Figure BDA0002723370510000051
式中：IR、IG、IB分为原始图像的RGB通道图像。
为了使得到的增强后图像的色彩与原始图像一致，还需利用色彩调整来处理，需要得到放大因子A，如公式3、4所示。
B＝Max(IR[i]+IG[i]+IB[i]) (3)
将公式(3)带入公式(4)得
Figure BDA0002723370510000052
式中：B表示调整后的图像色度，Int1[i]表示增强后一个通道的图像，Int[i]为强度图像，IR、IG、IB表示原图R、G、B空间图像，i为像素索引，Max表示求取最大值，Min表示求取最小值。
MSRCP通过对原图RGB空间图像进行增强来保持图像色彩的一致性，每个通道的值可通过放大因子A求得，如公式5所示。
R(x,y)＝A·IR,G,B(x,y) (5)
式中：I(R,G,B)(x,y)表示原始RGB空间图像，R(x,y)表示处理过后的RGB空间图像，就是最终所求的增强图像。与MSRCR(Multi-Scale Retinex with Color Restoration，多尺度Retinex色彩恢复)算法相比，MSRCP颜色恢复函数直接对RGB空间进行处理，此方法不但可以保持原图的原始色彩，而且可以有效地克服颜色失真的问题。
S03：将所述增强后夜晚水下鱼类图像输入已训练的DetNASNet主干网络进行特征信息提取；
在一个示例中，DetNASNet是一种基于神经网络搜索方法的目标检测模型主干网络(Backbone)。常规的目标检测模型往往使用目前已经设计好的神经网络架构作为主干网络，但对于不同场景中的目标检测任务，使用单一主干网络往往无法获得最优检测效果。对于需要在特殊场景中的目标检测任务，则需要通过人工设计的方法完善网络架构，才能使得目标检测方法适应该场景，而人工设计网络架构，则需要相关人员对网络架构十分精通，并且还需要长时间训练和调试才可使用。DetNAS使用网络架构搜索(NetworkArchitecture Search，NAS)来设计目标检测的主干网，可以对目标检测主干网进行搜索，并且强大的搜索空间，可以在有限的复杂度下获得不错的准确率。
DetNASNet网络架构主要由ShuffleNet单元组成，当前目标检测主流的VGG、ResNet等网络框架往往在卷积层使用一个固定大小的卷积核对图像进行卷积，而ShuffleNet单元采用卷积层组来替换原本的卷积，并且在卷积层后添加一个通信通道，使得各个不同的卷积结果得以通信，可以大幅度降低卷积带来的运算量。并且在最后把取的特征信息进行连接。这样不仅可以提高网络训练的精度，也可以降低网络整体的计算量与所需要的参数大小。
S04：将提取的所述特征信息输入经Soft-NMS算法优化后的Cascade R-CNN模型进行目标检测；
在一个示例中，目标检测算法在检测过程中，通常会产生较多候选框，特别是在需要检测到的目标附近，将产生多个重复的候选框。针对这类问题，本发明使用软化非极大值抑制算法(Soft-NMS)算法剔除重叠的候选框，从而使各个检测目标仅有唯一一个候选框的目的。非极大值抑制(Non-maximum suppression，NMS)是一种通过临近最大值挑选候选框的算法，其核心思想是一个迭代-遍历-消除的过程，重复度较高的候选框会通过打分权重，只保留分数最高的候选框。传统的非极最大抑制算法，会对所有候选框进行打分，然后在所有重复的候选框中，只留下分数最高的候选框，剔除其余分数低的候选框。但是当两个目标物体距离较近，或者在图像中有重叠部分时，该算法也会当做重复面积较大的候选框，从而被剔除。这就使得对该物体的目标检测结果不准确，降低了检测精度。
而基于NMS算法所改进的Soft-NMS算法则是使用小分数进行权重打分，避免了打分直接为0的情况。改进分为线性加权和高斯加权两种的Soft-NMS算法，本发明采用高斯加权改进的Soft-NMS算法，如公式6、7、8所示。
Figure BDA0002723370510000071
Figure BDA0002723370510000072
Figure BDA0002723370510000073
式中，IOU为“预测的边框”和“真实的边框”的交并比，Si表示当前检测框的得分，Nt表示IOU的阈值，M表示得分最高的检测框，b表示被检测图片中产生一系列的检测框，D表示最终检测结果集合，σ表示高斯函数惩罚。在线性加权中，当M的IOU越大时，检测框的的得分权重就越低。在高斯加权中，采用了高斯函数惩罚，越接近高斯分布中心，惩罚力度越大，得分权重就越低。
如图2所示为使用Soft-NMS算法对Cascade R-CNN模型优化流程图：
S041：将所述特征信息输入至所述Cascade R-CNN模型中的RPN模块进行回归和分类获取检测分类类别标签C0和检测边框回归坐标B0；
在一个示例中，将夜晚水下鱼类图像经过MSRCP算法进行图像增强，然后将增强后的图像用于DetNASNet主干网络的训练中，得到其已训练的网络结构，并使用该已训练的网络进行特征提取，将提取出的特征信息输入到经过Soft-NMS候选框优化算法优化后的RPN(Region Proposal Networks，区域生成网络)模块中进行回归和分类，得到检测分类类别标签C0和检测边框回归坐标B0。
S042：将所述检测边框回归坐标B0和所述特征信息经过池化后继续输入所述RPN模块并选取IOU阔值，获取检测分类类别标签C1和检测边框回归坐标B1；
在一个示例中，将B0和DetNASNet主干网络提取出的特征信息经过ROI(Region OfInterst，感兴趣区域)池化后继续输入到IOU阔值为0.5的RPN网络中，得到检测分类类别标签C1和检测边框回归坐标B1。
S043：以此循环多次并选择不同的IOU阔值，获取最终检测分类类别标签和最终检测边框回归坐标。
采用同样的方法，RPN网络分别使用的IOU阔值为0.6和0.7，最终得到检测目标的类别和位置。
S05:获取所述夜晚水下鱼类目标检测结果。
本发明对夜晚水下鱼类图像进行了实验分析。同时，为了体现出本发明方法的实际使用效果，本发明与原始Cascade R-CNN以及分别使用Soft-NMS候选框优化算法和MSRCP图像增强算法进行优化后的结果进行了对比实验。并且，本发明还对比了其他目前目标检测算法Faster R-CNN，SSD和YOLOv3，分别在不同的主干网络下进行对比实验。表1显示了实验的目标检测结果。水下视频共计180分钟，大小为11.1G，转换成图像后打乱顺序，共计10800张图像。将其中的9000张图像作为训练集，剩余1800张图像作为测试集。
实验时，同时考虑了视频中不同场景条件下截取的图像。算法的运行环境是Intel(R)Core(TM)i7-9700 CPU@3.00GHz处理器，NIVDIA RTX-2070_8GB GDDR6显卡16GB_DDR4内存，编译环境OpenCV+Pytorch。
通过计算精度(Accuracy)、查准率(Precision)、查全率(Recall)和、F1度量和平均检测时间，对本发明方法的性能进行度量。
Figure BDA0002723370510000091
Figure BDA0002723370510000092
Figure BDA0002723370510000093
Figure BDA0002723370510000094
其中：TP表示真正例，FP表示假正例，FN表示假负例，TN为真负例。
表1夜晚水下鱼类目标检测结果
Figure BDA0002723370510000095
从实验结果可以看出，在DetNASNet主干网络下，本发明所使用的Soft-NMS+MSRCP+Cascade R-CNN方法平均查准率为95.81，平均召回率为93.13％，对应表1中的最后1行。比原始的Cascade R-CNN方法在ResNet-101网络，对应表1中的第5行，平均查准率高出了11.57％。另外，使用DetNASNet主干网络比使用ResNet-101主干网络在精度和平均检测时间上也有很大的提升，平均检测时间节省了54ms。
为了验证本发明提出的针对夜晚环境水下鱼类的目标检测方法，查看最终的夜晚水下鱼类目标检测效果，以及本发明提出方法目标检测最终结果的有效性以及准确性。本发明分别对夜晚水下鱼类图像单独进行MSRCP图像增强以及单独使用Soft-NMS算法对Cascade R-CNN模型进行优化，可以看出，在原始Cascade R-CNN模型基础上，单独增加了Soft-NMS算法时，对应表1中的第7行，平均查准率提高了约5.44％，平均召回率提高了4.74％。而单独增加了MSRCP图像增强算法时，对应表1中的第9行，平均查准率提高了6.15％，平均召回率提高了6.35％。在分别使用两种优化方法时，对最终的夜晚水下鱼类目标检测精度上，都有一定的提高。但综合了两种优化算法的Soft-NMS+MSRCP+Cascade R-CNN方法，对应表1中的第11行比表1中的第5行的F1度量提高了7.63％。对比ResNet-101主干网络下，DetNASNet网络所需要的平均检测时间减少了56ms，对应表1中的最后两行。
为了验证本发明方法所得到的实验结果的可靠性，本发明还使用了目前主流的目标检测方法，Faster R-CNN、SSD以及YOLOv3方法，进行了夜晚水下鱼类目标检测对比实验，从对比实验结果可以看出，在不同的主干网络下，本发明方法对比Faster R-CNN、SSD以及YOLOv3方法，各个指标的实验结果都有了明显的提升，对应表1中的前4行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (4)

1.一种夜晚水下鱼类目标检测方法，其特征在于，所述目标检测方法包括：
按一定时间间隔获取夜晚水下鱼类图像；
使用MSRCP算法对所述夜晚水下鱼类图像进行图像增强处理，获取增强后夜晚水下鱼类图像；
将所述增强后夜晚水下鱼类图像输入已训练的DetNASNet主干网络进行特征信息提取；
将提取的所述特征信息输入经Soft-NMS算法优化后的Cascade R-CNN模型进行目标检测；
获取所述夜晚水下鱼类目标检测结果。
2.如权利要求1所述的一种夜晚水下鱼类目标检测方法，其特征在于，所述将所述增强后夜晚水下鱼类图像输入已训练的DetNASNet主干网络进行特征提取之前还包括：使用MSRCP算法获取训练用夜晚水下鱼类图像，并使用所述训练用夜晚水下鱼类图像对所述DetNASNet主干网络进行网络训练。
3.如权利要求1所述的一种夜晚水下鱼类目标检测方法，其特征在于，使用所述Soft-NMS算法对所述Cascade R-CNN模型进行优化的步骤如下：
将所述特征信息输入至所述Cascade R-CNN模型中的RPN模块进行回归和分类获取检测分类类别标签C0和检测边框回归坐标B0；
将所述检测边框回归坐标B0和所述特征信息经过池化后继续输入所述RPN模块并选取IOU阔值，获取检测分类类别标签C1和检测边框回归坐标B1；
以此循环多次并选择不同的IOU阔值，获取最终检测分类类别标签和最终检测边框回归坐标。
4.如权利要求3所述的一种夜晚水下鱼类目标检测方法，其特征在于，所述Soft-NMS算法可以为线性加权算法或高斯加权算法。
CN202011094743.1A 2020-10-14 2020-10-14 一种夜晚水下鱼类目标检测方法 Pending CN112232180A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011094743.1A CN112232180A (zh) 2020-10-14 2020-10-14 一种夜晚水下鱼类目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011094743.1A CN112232180A (zh) 2020-10-14 2020-10-14 一种夜晚水下鱼类目标检测方法

Publications (1)

Publication Number Publication Date
CN112232180A true CN112232180A (zh) 2021-01-15

Family

ID=74112635

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011094743.1A Pending CN112232180A (zh) 2020-10-14 2020-10-14 一种夜晚水下鱼类目标检测方法

Country Status (1)

Country Link
CN (1) CN112232180A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112669242A (zh) * 2021-03-16 2021-04-16 四川大学 基于改进图像增强算法与生成对抗网络的夜景复原方法
CN112907469A (zh) * 2021-02-05 2021-06-04 北京理工大学 基于Lab域增强、分类及对比度提升的水下图像识别方法
CN113012067A (zh) * 2021-03-16 2021-06-22 华南理工大学 基于Retinex理论和端到端深度网络的水下图像复原方法
CN113420695A (zh) * 2021-07-01 2021-09-21 河钢雄安数字科技有限公司 一种基于MSRCR和YOLOv4-Tiny算法的火焰快速检测方法
CN113554092A (zh) * 2021-07-23 2021-10-26 大连智慧渔业科技有限公司 基于R2Net的水下鱼类目标检测方法、装置及存储介质
CN115063635A (zh) * 2022-06-23 2022-09-16 澜途集思生态科技集团有限公司 基于DetNAS算法的生态生物识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111209952A (zh) * 2020-01-03 2020-05-29 西安工业大学 基于改进ssd和迁移学习的水下目标检测方法
CN111553212A (zh) * 2020-04-16 2020-08-18 中国科学院深圳先进技术研究院 一种基于平滑边框回归函数的遥感图像目标检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111209952A (zh) * 2020-01-03 2020-05-29 西安工业大学 基于改进ssd和迁移学习的水下目标检测方法
CN111553212A (zh) * 2020-04-16 2020-08-18 中国科学院深圳先进技术研究院 一种基于平滑边框回归函数的遥感图像目标检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YUKANG CHEN ET AL.: "DetNAS: Backbone Search for Object Detection", 《ARXIV:1903.10979V4 [CS.CV]》, pages 1 - 12 *
ZHAOWEI CAI ET AL.: "Cascade R-CNN: Delving into High Quality Object Detection", 《2018 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》, pages 6154 - 6162 *
衡宝川 等: "结合MSRCP增强的夜间彩色图像拼接算法", 《计算机工程与设计》, vol. 40, no. 11, pages 3200 - 3204 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907469A (zh) * 2021-02-05 2021-06-04 北京理工大学 基于Lab域增强、分类及对比度提升的水下图像识别方法
CN112669242A (zh) * 2021-03-16 2021-04-16 四川大学 基于改进图像增强算法与生成对抗网络的夜景复原方法
CN113012067A (zh) * 2021-03-16 2021-06-22 华南理工大学 基于Retinex理论和端到端深度网络的水下图像复原方法
CN113420695A (zh) * 2021-07-01 2021-09-21 河钢雄安数字科技有限公司 一种基于MSRCR和YOLOv4-Tiny算法的火焰快速检测方法
CN113554092A (zh) * 2021-07-23 2021-10-26 大连智慧渔业科技有限公司 基于R2Net的水下鱼类目标检测方法、装置及存储介质
CN115063635A (zh) * 2022-06-23 2022-09-16 澜途集思生态科技集团有限公司 基于DetNAS算法的生态生物识别方法

Similar Documents

Publication Publication Date Title
CN112232180A (zh) 一种夜晚水下鱼类目标检测方法
CN109961049B (zh) 一种复杂场景下香烟品牌识别方法
CN106897673B (zh) 一种基于retinex算法和卷积神经网络的行人再识别方法
CN104050471B (zh) 一种自然场景文字检测方法及系统
CN109034210A (zh) 基于超特征融合与多尺度金字塔网络的目标检测方法
CN110032925B (zh) 一种基于改进胶囊网络与算法的手势图像分割与识别方法
CN111898406B (zh) 基于焦点损失和多任务级联的人脸检测方法
CN111723654A (zh) 基于背景建模、YOLOv3与自优化的高空抛物检测方法及装置
Das et al. SSERBC 2017: Sclera segmentation and eye recognition benchmarking competition
CN109685045B (zh) 一种运动目标视频跟踪方法及系统
CN110569782A (zh) 一种基于深度学习目标检测方法
CN109784358B (zh) 一种融合人工特征和深度特征的无参考图像质量评价方法
CN113592911B (zh) 表观增强深度目标跟踪方法
CN112686276A (zh) 一种基于改进RetinaNet网络的火焰检测方法
Nalla et al. Image dehazing for object recognition using faster RCNN
CN112528939A (zh) 一种人脸图像的质量评价方法及装置
CN108664839A (zh) 一种图像处理方法和设备
CN111199245A (zh) 油菜害虫识别方法
CN111832508B (zh) 基于die_ga的低照度目标检测方法
CN110334703B (zh) 一种昼夜图像中的船舶检测和识别方法
CN111881803A (zh) 一种基于改进YOLOv3的畜脸识别方法
CN115862003A (zh) 一种基于轻量化YOLOv5的在体苹果目标检测和分级方法
CN115861276A (zh) 石墨膜片表面划痕检测方法和装置
Yang et al. Intelligent collection of rice disease images based on convolutional neural network and feature matching
CN112115824B (zh) 果蔬检测方法、装置、电子设备以及计算机可读介质

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