CN112308856A - 遥感图像的目标检测方法、装置、电子设备及介质 - Google Patents
遥感图像的目标检测方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN112308856A CN112308856A CN202011375236.5A CN202011375236A CN112308856A CN 112308856 A CN112308856 A CN 112308856A CN 202011375236 A CN202011375236 A CN 202011375236A CN 112308856 A CN112308856 A CN 112308856A
- Authority
- CN
- China
- Prior art keywords
- target
- remote sensing
- sensing image
- detected
- feature
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000005070 sampling Methods 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 238000010586 diagram Methods 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 12
- 230000004927 fusion Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 11
- 238000011176 pooling Methods 0.000 description 10
- 230000004913 activation Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种遥感图像的目标检测方法、装置、电子设备及存储介质，所述方法包括：获取待检测遥感图像；在待检测遥感图像中，在水平方向上每隔第一预设数量个像素点进行采样，在竖直方向上每隔第二预设数量个像素点进行采样，得到多个尺度相同的切片图像；将多个尺度相同的切片图像在通道维度上进行拼接，得到输入遥感图像；对输入遥感图像进行特征提取，得到目标特征图，目标特征图隐含预测目标中心信息以及预测目标尺度信息；基于目标特征图，预测待检测目标的类型和位置并回归到待检测遥感图像中，得到待检测遥感图像的目标检测结果。本发明在没有损失待检测遥感图像中小目标的信息的情况下，降低了目标检测中的计算量。
Description
技术领域
本发明涉及图像处理领域，尤其涉及一种遥感图像的目标检测方法、装置、电子设备及介质。
背景技术
遥感图像是一种在航空条件下拍摄到的地面图像，遥感图像具有超高分辨率和极小目标的特征，遥感图像中的目标检测在军事应用、城市规划和环境管理等方面具有广泛的应用前景。与自然图像上的目标检测不同，遥感图像上的某些目标比自然图像上的目标要小得多，且目标更容易受遮挡、阴影的影响。因此，遥感图像上的目标检测比自然图像上的目标检测要困难得多。因此，在遥感图像具有超高分辨率的情况下，使得进行目标检测时，需要消耗大量的计算资源，若进行尺度缩放，则又会丢失原本就较小的目标信息，致使检测准确率降低。
发明内容
本发明实施例提供一种遥感图像的目标检测方法，通过对待检测遥感图像进行采样切片，将得到的切片图像在通道维度上进行拼接，降低待检测遥感图像分辨率的同时，没有损失较小目标的信息，通道对于计算影响小，通道上增加的计算量远远小于分辨率上的计算量，因此，在没有损失待检测遥感图像中小目标的信息的情况下，降低了目标检测中的计算量。
第一方面，本发明实施例提供一种遥感图像的目标检测方法，用于检测遥感图像中的目标，所述方法包括：
获取待检测遥感图像，所述待检测遥感图像包括待检测目标；
在所述待检测遥感图像中，在水平方向上每隔第一预设数量个像素点进行采样，在竖直方向上每隔第二预设数量个像素点进行采样，得到多个尺度相同的切片图像；
将所述多个尺度相同的切片图像在通道维度上进行拼接，得到输入遥感图像；
对所述输入遥感图像进行特征提取，得到目标特征图，所述目标特征图隐含预测目标中心信息以及预测目标尺度信息；
基于所述目标特征图，预测所述待检测目标的类型和位置并回归到所述待检测遥感图像中，得到所述待检测遥感图像的目标检测结果。
可选的，所述对所述输入遥感图像进行特征提取，得到目标特征图，所述目标特征图隐含预测目标中心信息以及预测目标尺度信息，包括：
对所述待检测遥感图像进行第一卷积操作，得到第一特征图；
对所述第一特征图进行第二卷积操作，得到第二特征图，所述第二特征图隐含预测目标中心信息以及预测目标尺度信息；
对所述第二特征图按第一预设次数分别进行下采样，并根据下采样的结果得到第三特征图；
对所述第三特征图进行第三卷积操作，得到不同尺度的第四特征图；
对最小尺度的第四特征图进行上采样，并融合对应尺度的第四特征图，得到不同尺度的第五特征图作为目标特征图。
可选的，所述第二卷积操作包括中心卷积操作以及尺度卷积操作，所述对所述第一特征图进行第二卷积操作，得到第二特征图，包括：
对所述第一特征图进行中心卷积操作，得到隐含预测目标中心信息的第一子特征图；
对所述第二特征图进行尺度卷积操作，得到隐含预测目标尺度信息的第二子特征图；
将所述第一子特征图与所述第二子特征图进行融合，得到第二特征图。
可选的，所述对所述第二特征图按第一预设次数分别进行下采样，并根据下采样的结果得到第三特征图，包括：
对所述第二特征图按第一预设次数分别进行下采样，得到第一数量的不同尺度的下采样图，所述第一数量与所述第一预设次数相关；
对所述不同尺寸的下采样图进行融合，得到第三特征图。
可选的，所述对所述第三特征图进行第三卷积操作，得到不同尺度的第四特征图，包括：
在当前尺度的卷积操作完成后，将所述当前尺度的输出特征按预设的倍数进行下采样，得到第四特征图。
可选的，所述对最小尺度的第四特征进行上采样，并融合对应尺度的第四特征图，得到不同尺度的第五特征图作为目标特征图，包括：
对最小尺度的第四特征按所述预设的倍数进行上采样，得到不同尺度的上采样图；
通过第四卷积操作将相同尺度的第四特征图与上采样图进行融合，得到不同尺度的第五特征图作为目标特征图。
可选的，所述基于所述目标特征图，预测所述待检测目标的类型和位置并回归到所述待检测遥感图像中，得到所述待检测遥感图像的目标检测结果，包括：
通过对所述不同尺度的目标特征图进行预测分类，输出对应不同尺度的预测结果；
基于所述不同尺度的预测结果进行筛选，得到待检测目标的类型和位置；
将所述待检测目标的类型和位置回归到所述待检测遥感图像，得到所述待检测遥感图像的目标检测结果。
第二方面，本发明实施例还提供一种遥感图像的目标检测装置，用于检测遥感图像中的目标，所述装置包括：
获取模块，用于获取待检测遥感图像，所述待检测遥感图像包括待检测目标；
切片模块，用于在所述待检测遥感图像中，在水平方向上每隔第一预设数量个像素点进行采样，在竖直方向上每隔第二预设数量个像素点进行采样，得到多个尺度相同的切片图像；
拼接模块，用于将所述多个尺度相同的切片图像在通道维度上进行拼接，得到输入遥感图像；
提取模块，用于对所述输入遥感图像进行特征提取，得到目标特征图，所述目标特征图隐含预测目标中心信息以及预测目标尺度信息；
预测模块，用于基于所述目标特征图，预测所述待检测目标的类型和位置并回归到所述待检测遥感图像中，得到所述待检测遥感图像的目标检测结果。
第三方面，本发明实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例提供的遥感图像的目标检测方法中的步骤。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现发明实施例提供的遥感图像的目标检测方法中的步骤。
本发明实施例中，获取待检测遥感图像，所述待检测遥感图像包括待检测目标；在所述待检测遥感图像中，在水平方向上每隔第一预设数量个像素点进行采样，在竖直方向上每隔第二预设数量个像素点进行采样，得到多个尺度相同的切片图像；将所述多个尺度相同的切片图像在通道维度上进行拼接，得到输入遥感图像；对所述输入遥感图像进行特征提取，得到目标特征图，所述目标特征图隐含预测目标中心信息以及预测目标尺度信息；基于所述目标特征图，预测所述待检测目标的类型和位置并回归到所述待检测遥感图像中，得到所述待检测遥感图像的目标检测结果。通过对待检测遥感图像进行采样切片，将得到的切片图像在通道维度上进行拼接，降低待检测遥感图像分辨率的同时，没有损失较小目标的信息，通道对于计算影响小，通道上增加的计算量远远小于分辨率上的计算量，因此，在没有损失待检测遥感图像中小目标的信息的情况下，降低了目标检测中的计算量。
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简单地介绍，显而易见地，下面描述中的附图仅仅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是本发明实施例提供的一种遥感图像的目标检测方法的流程图；
图2是本发明实施例提供的一种特征提取方法的流程示意图；
图3是本发明实施例提供的一种遥感图像的目标检测装置的结构示意图；
图4是本发明实施例提供的一种提取模块的结构示意图；
图5是本发明实施例提供的一种第二卷积子模块的结构示意图；
图6是本发明实施例提供的一种下采样子模块的结构示意图；
图7是本发明实施例提供的一种第三卷积子模块的结构示意图；
图8是本发明实施例提供的一种预测模块的结构示意图；
图9是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
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，所描述的实施例仅仅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。
请参见图1，图1是本发明实施例提供的一种遥感图像的目标检测方法的流程图，如图1所示，该方法用于检测遥感图像中的目标，包括以下步骤：
101、获取待检测遥感图像。
在本发明实施例中，上述待检测遥感图像可以是通过航空摄影成像、航空扫描成像、折叠航空微波雷达成像或合成成像中的任一项成像方式得到。在待检测遥感图像中，包括待检测目标。上述待检测目标可以是场景、场所、人员、车辆、船只、物品等，上述场景比如河流、公园等，上述的场所可以是具体的建筑物，比如超市、市民之家等。
102、在待检测遥感图像中，在水平方向上每隔第一预设数量个像素点进行采样，在竖直方向上每隔第二预设数量个像素点进行采样，得到多个尺度相同的切片图像。
在本发明实施例中，待检测遥感图像中的像素点成行列分布，上述水平方向指的是像素点分布的行，上述竖直方向指的是像素点分布的列。上述的第一预设数量与第二预设数量可以相等，对于一个W×H的待检测遥感图像来说，每一列拥有H个像素点，每一行拥有W个像素点，第一预设数量为n，第二预设数量为m，则应满足W/n为正整数以及H/m为正整数的条件。上述的切片图像的数量为第一预设数量与第二预设数量的乘积(m+1)×(n+1)。
举例来说，上述待检测遥感图像的分辨率尺度为：
若以第一预设数量为1，第二预设数量为1来对待检测遥感图像进行采样切片，则得到下述切片图像：
可以看出，上述(2)、(3)、(4)、(5)为4个相同尺度大小的切片图像。
103、将多个尺度相同的切片图像在通道维度上进行拼接，得到输入遥感图像。
在本发明实施例中，上述待检测遥感图像包括R、G、B三个通道，进行采样切片后，每个切片图像都包括R、G、B三个通道，因此，将切片图像在通道维度上进行拼接，可以得到3倍于切片图像数量的通道。比如，待检测遥感的张量形式为12×12×3，其中，12×12为分辨率，3为通道数，切片图像数量为4，切片拼接后的输入遥感图像为6×6×12，其中，6×6为分辨率，12为通道数。
通过采样切片和拼接，可以将待检测遥感图像的尺度降低，而切分出来的图像以通道的形式存在，并没有丢失对应的信息，而通道对于计算量影响较小，所以可以减少计算量。
104、对输入遥感图像进行特征提取，得到目标特征图。
在本发明实施例中，上述目标特征图隐含预测目标中心信息以及预测目标尺度信息。
具体的，请参见图2，图2是本发明实施例提供的一种特征提取方法的流程示意图，如图2所示，特征提取方法包括以下步骤：
201、对待检测遥感图像进行第一卷积操作，得到第一特征图。
在本发明实施例中，可以通过第一卷积神经网络对待检测遥感图像进行第一卷积操作，上述第一卷积神经网络为预先训练好的卷积神经网络。
上述第一卷积神经网络用于提取待检测遥感图像的初级特征，具体的，将图像形式的待检测遥感图像抽象到数字空间，并放大特定的区域数值，上述初始特征中隐含有预测目标。
进一步的，上述第一卷积操作包括卷积和激活，对应的，上述第一卷积神经网络中包括卷积层和激活函数，待检测遥感图像输入到卷积层中进行卷积计算，得到的输出特征图被传入激活函数中进行计算，输出第一特征图。上述激活函数可以是非饱和激活函数，比如ReLU函数、ELUs函数、Leaky ReLU函数、Mish函数等。在本发明实施例中，上述激活函数可以如下述式子(6)所示：
其中，上述ai为在于1的一个固定参数。
202、对第一特征图进行第二卷积操作，得到第二特征图。
在本发明实施例中，上述第二特征图隐含预测目标中心信息以及预测目标尺度信息。可以通过第二卷积神经网络对第二特征图进行第二卷积操作，上述第二卷积神经网络为预先训练好的卷积神经网络。
进一步的，上述第二卷积操作包括中心卷积操作以及尺度卷积操作，上述中心卷积操作与尺度卷积操作为并行的卷积操作。对应的，上述第二卷积神经网络包括中心分支网络以及尺度分支网络，上述中心分支网络与尺度分支网络并行对上述第一特征图进行卷积操作，上述中心分支网络用于提取出第一特征图中预测目标的中心点信息，上述尺度分支网络用于提取出第一特征图中预测目标的尺度信息。上述中心分支网络与上述尺度分支网络的输入是相同的，区别在于权重参数的不同，另外，需要说明的是，上述中心分支网络与上述尺度分支网络不设置全连接层和回归层来进行分类和回归，只输出对应的子特征图。
上述中心分支网络对第一特征图进行中心卷积操作，得到隐含预测目标中心信息的第一子特征图；上述尺度分支网络对第二特征图进行尺度卷积操作，得到隐含预测目标尺度信息的第二子特征图；将所述第一子特征图与所述第二子特征图进行融合，得到第二特征图。上述的融合可以是叠加融合，也可以拼接融合，在本发明实施例中，优选为拼接融合，可以避免中心信息与尺度信息耦合。
203、对第二特征图按第一预设次数分别进行下采样，并根据下采样的结果得到第三特征图。
在本发明实施例中，上述下采样可以通过池化操作进行，也可以通过增加卷积核滑动步长进行。上述的下采样指的是将原本特征图由大尺度缩放到较小的尺度。
可选的，可以对上述第二特征图按第一预设次数分别进行下采样，得到第一数量的不同尺度的下采样图，上述第一数量与上述第一预设次数相关；对上述不同尺寸的下采样图进行融合，得到第三特征图。上述下采样优选为池化下采样，上述的池化下采样可以是最大值下采样，上述最大值下采样指的是池化核对应的区域内，取最大值进行保留。比如，池化核2×2，对应第二特征图中2×2区域的值分别为(1，2，2，4)，则会保留4做为池化结果。
进一步的，上述第一数量与第一预设次数相同，比如，第一预设次数为n，则下采样图的数量也为n，上述下采样倍数为预先设置，或者可以理解为，下采样的池化核为区域池化核，将第二特征图划分为对应的区域，比如区域池化核为K1×K2，则将第二特征图划分为K1×K2个区域，每个区域取最大值，得到的下采样图的尺度为K1×K2，区域池化核为J1×J2，则将第二特征图划分为J1×J2个区域，每个区域取最大值，得到的下采样图的尺度为J1×J2，区域池化核为1×1，则取第二特征图的最大值，得到的下采样图的尺度为1×1。
上述对不同尺寸的下采样图进行融合，可以是拼接融合，具体将不同尺度的下采样图进行拼接，再经过线性变换和激活函数，得到第三特征图。
204、对第三特征图进行第三卷积操作，得到不同尺度的第四特征图。
在本发明实施例中，可以通过第三卷积网络对上述第三特征图进行第三卷积操作，得到不同尺度的第四特征图。上述第三卷积网络为预先训练好的。
上述第三卷积网络包括多个卷积层，每个卷积层用于对第三特征图进行卷积、激活以及池化，每个卷积层的最后，输入通过卷积和激活后，通过池化进行输出，得到不同尺度的第四特征。具体的，在当前尺度对应卷积层的卷积操作完成后，将当前尺度对应卷积层的输出特征按预设的倍数进行下采样，得到第四特征图。上述预设的倍数比如2、4等，比如，以2倍下采样来说，第三特征图为512×512，在经过第一卷积层后，得到尺度为256×256的第四特征图，经过第二卷积层后，得到尺度为128×128的第四特征图，再经过第三卷积层后，得到尺度为64×64的第四特征图。
在一种可能实施方式中，上述第三卷积操作包括中心卷积操作以及尺度卷积操作，上述中心卷积操作与尺度卷积操作为并行的卷积操作。对应的，上述第三卷积神经网络中每层卷积层都包括中心分支网络以及尺度分支网络，上述中心分支网络与尺度分支网络并行对上述第三特征图进行卷积操作，上述中心分支网络用于提取出第三特征图中预测目标的中心点信息，上述尺度分支网络用于提取出第三特征图中预测目标的尺度信息。第三卷积神经网络中，当前卷积层的中心分支网络对第三特征图进行中心卷积操作，得到隐含预测目标中心信息的第三子特征图；当前卷积层的尺度分支网络对第三特征图进行尺度卷积操作，得到隐含预测目标尺度信息的第四子特征图；将所述第三子特征图与所述第四子特征图进行融合，得到当前卷积层的第四特征图。上述的融合可以是叠加融合，也可以拼接融合，在本发明实施例中，优选为拼接融合，可以避免中心信息与尺度信息耦合。将当前卷积层的第四特征图作为下一卷积层的输入，下一卷积层输出得到尺度更小的第四特征图。
205、对最小尺度的第四特征图进行上采样，并融合对应尺度的第四特征图，得到不同尺度的第五特征图作为目标特征图。
进一步的，可以对最小尺度的第四特征按预设的倍数进行上采样，得到不同尺度的上采样图；通过第四卷积操作将相同尺度的第四特征图与上采样图进行融合，得到不同尺度的第五特征图。
在本发明实施例中，第四特征图与第五特征图在尺度上一一对应，比如，第四特征图的尺度分别为256×256、128×128、64×64，则第五特征图的尺度也分别为256×256、128×128、64×64。上述的上采样可以是反卷积类型的上采样，也可以是插值类型的上采样。
进一步举例，以最小尺度的第四特征图64×64进行2倍上采样来进行说明，可以将64×64进行2倍上采样，得到128×128尺度的上采样图，再对128×128尺度的第五特征图进行2倍上采样，得到256×256尺度的上采样图。另外。更进一步来说，上述最小尺度的第四特征图可以通过第四卷积操作，转换为64×64尺度的第五特征图；上述128×128尺度的上采样图与上述128×128尺度的第四特征图之间通过第四卷积操作融合为128×128尺度的第五特征图，上述256×256尺度的上采样图与上述256×256尺度的第四特征图之间通过第四卷积操作融合为256×256尺度的第五特征图。上述第四卷积可以是1×1卷积。
需要说明的是，上述256×256、128×128、64×64为尺度的示例性说明，不应认为是对本发明实施例的限定，具体的尺度可以根据实际进行配置。
105、基于目标特征图，预测待检测目标的类型和位置并回归到待检测遥感图像中，得到待检测遥感图像的目标检测结果。
在本发明实施例中，目标特征图隐含了各个尺度的预测目标，每个尺度的目标特征图对应一个预测目标的锚定框，比如，目标特征图的尺度分别为256×256、128×128、64×64，则对应3个不同尺度的预测目标，即会输出3个不同尺度的锚定框。
进一步的，通过对不同尺度的目标特征图进行预测分类，输出对应不同尺度的预测结果；基于不同尺度的预测结果进行筛选，得到待检测目标的类型和位置；将待检测目标的类型和位置回归到待检测遥感图像，得到所述待检测遥感图像的目标检测结果。
可选的，可以将不同尺度的目标特征图进行融合，得到1维的特征向量，上述特征向量包含与目标特征图数量相同的锚定框、预设数量的类别数、以及概率信息。比如上述例子中，目标特征图的尺度分别为256×256、128×128、64×64，则该特征向量可以包含3个锚定框信息，每个锚定框信息n个类别，1个概率以及4个坐标，上述4个坐标包括中心点坐标、高和宽，上述的高和宽是基于中心点坐标的。可以将特征向量输入预测网络中，计算特征向量的预测结果作为检测结果。上述锚定框可以通过非极大值抑制，选取一个最终的锚定框进行回归，比如置信度最大的锚定框，将最终的锚定框回归到待检测遥感图像中，使得待检测遥感图像能显示锚定框，示出锚定框中的区域为待检测目标的检测结果。
本发明实施例中，获取待检测遥感图像，所述待检测遥感图像包括待检测目标；在所述待检测遥感图像中，水平方向每隔第一预设数量个像素点进行采样，竖直方向每隔第二预设数量个像素点进行采样，得到多个尺度相同的切片图像；将所述多个尺度相同的切片图像在通道维度上进行拼接，得到输入遥感图像；对所述输入遥感图像进行特征提取，得到目标特征图，所述目标特征图隐含预测目标中心信息以及预测目标尺度信息；基于所述目标特征图，预测所述待检测目标的类型和位置并回归到所述待检测遥感图像中，得到所述待检测遥感图像的目标检测结果。通过对待检测遥感图像进行采样切片，将得到的切片图像在通道维度上进行拼接，降低待检测遥感图像分辨率的同时，没有损失较小目标的信息，通道对于计算影响小，通道上增加的计算量远远小于分辨率上的计算量，因此，在没有损失待检测遥感图像中小目标的信息的情况下，降低了目标检测中的计算量。
需要说明的是，本发明实施例提供的遥感图像的目标检测方法可以应用于可以进行遥感图像的目标检测的手机、监控器、计算机、服务器等设备。
可选的，上述遥感图像的目标检测方法可以通过一个整体的网络模型进行实现，该网络模型包括预处理部分、第一特征提取部分、第二特征提取部分、预测部分。上述预处理部分主要用于获取待检测遥感图像，以及对待检测遥感图像进行预处理，上述预处理包括对待检测遥感图像进行切片以及拼接，将待检测遥感图像的尺度变小，通道增加，减少计算量。上述第一特征提取部分主要用于提取第一特征图与第二特征图，上述第二特征提取部分主要用于提取第三特征图、第四特征图以及第五特征图(目标特征图)，上述预测部分主要用于对第五特征图(目标特征图)进行预测。
在该网络模型的训练过程中，首先将训练集图像输入预处理部分，上述训练集图像为样本遥感图像，样本遥感图像上有对应目标的标注。在训练过程中的预处理部分，会将训练集图像进行图像加强，分别对四张样本遥感图像进行缩放、旋转以及色域变化等操作，然后分别将四张图像拼接为一张图像，作为输入图像，需要说明的是，在前向推理时，不用进行上述的图像增强和多个图像拼接。输入图像经过上述第一特征提取部分、第二特征提取部分、预测部分后，输出预测结果，该网络模型训练时，可以采用GIOU Loss(GeneralizedIntersection over UnionLoss，广义交并比损失)作为锚定框的损失，使用于交叉熵损失和Logits损失函数分别作为类概率的损失和目标得分的损失，将三个损失的加权总损失作为网络模型的损失，使用自适应矩估计或随机梯度下降作为梯度优化函数来更新网络模型中的权重参数。
请参见图3，图3是本发明实施例提供的一种遥感图像的目标检测装置的结构示意图，用于检测遥感图像中的目标，如图3所示，所述装置包括：
获取模块301，用于获取待检测遥感图像，所述待检测遥感图像包括待检测目标；
切片模块302，用于在所述待检测遥感图像中，在水平方向上每隔第一预设数量个像素点进行采样，在竖直方向上每隔第二预设数量个像素点进行采样，得到多个尺度相同的切片图像；
拼接模块303，用于将所述多个尺度相同的切片图像在通道维度上进行拼接，得到输入遥感图像；
提取模块304，用于对所述输入遥感图像进行特征提取，得到目标特征图，所述目标特征图隐含预测目标中心信息以及预测目标尺度信息；
预测模块305，用于基于所述目标特征图，预测所述待检测目标的类型和位置并回归到所述待检测遥感图像中，得到所述待检测遥感图像的目标检测结果。
可选的，如图4所示，所述提取模块304，包括：
第一卷积子模块3041，用于对所述待检测遥感图像进行第一卷积操作，得到第一特征图；
第二卷积子模块3042，用于对所述第一特征图进行第二卷积操作，得到第二特征图，所述第二特征图隐含预测目标中心信息以及预测目标尺度信息；
下采样子模块3043，用于对所述第二特征图按第一预设次数分别进行下采样，并根据下采样的结果得到第三特征图；
第三卷积子模块3044，用于对所述第三特征图进行第三卷积操作，得到不同尺度的第四特征图；
上采样子模块3045，用于对最小尺度的第四特征图进行上采样，并融合对应尺度的第四特征图，得到不同尺度的第五特征图作为目标特征图。
可选的，如图5所示，所述第二卷积操作包括中心卷积操作以及尺度卷积操作，所述第二卷积子模块3042，包括：
第一卷积单元30421，用于对所述第一特征图进行中心卷积操作，得到隐含预测目标中心信息的第一子特征图；
第二卷积单元30422，用于对所述第二特征图进行尺度卷积操作，得到隐含预测目标尺度信息的第二子特征图；
第一融合单元30423，用于将所述第一子特征图与所述第二子特征图进行融合，得到第二特征图。
可选的，如图6所示，所述下采样子模块3043，包括：
下采样单元30431，用于对所述第二特征图按第一预设次数分别进行下采样，得到第一数量的不同尺度的下采样图，所述第一数量与所述第一预设次数相关；
第二融合单元30432，用于对所述不同尺寸的下采样图进行融合，得到第三特征图。
可选的，所述第三卷积子模块3044还用于在当前尺度的卷积操作完成后，将所述当前尺度的输出特征按预设的倍数进行下采样，得到第四特征图。
可选的，如图7所示，所述第三卷积子模块3044，包括：
上采样单元30441，用于对最小尺度的第四特征按所述预设的倍数进行上采样，得到不同尺度的上采样图；
第三融合单元30442，用于通过第四卷积操作将相同尺度的第四特征图与上采样图进行融合，得到不同尺度的第五特征图作为目标特征图。
可选的，如图8所示，所述预测模块305，包括：
预测子模块3051，用于通过对所述不同尺度的目标特征图进行预测分类，输出对应不同尺度的预测结果；
筛选子模块3052，用于基于所述不同尺度的预测结果进行筛选，得到待检测目标的类型和位置；
回归子模块3053，用于将所述待检测目标的类型和位置回归到所述待检测遥感图像，得到所述待检测遥感图像的目标检测结果。
需要说明的是，本发明实施例提供的遥感图像的目标检测装置可以应用于可以进行遥感图像的目标检测的手机、监控器、计算机、服务器等设备。
本发明实施例提供的遥感图像的目标检测装置能够实现上述方法实施例中遥感图像的目标检测方法实现的各个过程，且可以达到相同的有益效果。为避免重复，这里不再赘述。
参见图9，图9是本发明实施例提供的一种电子设备的结构示意图，如图9所示，包括：存储器902、处理器901及存储在所述存储器902上并可在所述处理器901上运行的计算机程序，其中：
处理器901用于调用存储器902存储的计算机程序，执行如下步骤：
获取待检测遥感图像，所述待检测遥感图像包括待检测目标；
在所述待检测遥感图像中，在水平方向上每隔第一预设数量个像素点进行采样，在竖直方向上每隔第二预设数量个像素点进行采样，得到多个尺度相同的切片图像；
将所述多个尺度相同的切片图像在通道维度上进行拼接，得到输入遥感图像；
对所述输入遥感图像进行特征提取，得到目标特征图，所述目标特征图隐含预测目标中心信息以及预测目标尺度信息；
基于所述目标特征图，预测所述待检测目标的类型和位置并回归到所述待检测遥感图像中，得到所述待检测遥感图像的目标检测结果。
可选的，处理器901执行的所述对所述输入遥感图像进行特征提取，得到目标特征图，所述目标特征图隐含预测目标中心信息以及预测目标尺度信息，包括：
对所述待检测遥感图像进行第一卷积操作，得到第一特征图；
对所述第一特征图进行第二卷积操作，得到第二特征图，所述第二特征图隐含预测目标中心信息以及预测目标尺度信息；
对所述第二特征图按第一预设次数分别进行下采样，并根据下采样的结果得到第三特征图；
对所述第三特征图进行第三卷积操作，得到不同尺度的第四特征图；
对最小尺度的第四特征图进行上采样，并融合对应尺度的第四特征图，得到不同尺度的第五特征图作为目标特征图。
可选的，所述第二卷积操作包括中心卷积操作以及尺度卷积操作，处理器901执行的所述对所述第一特征图进行第二卷积操作，得到第二特征图，包括：
对所述第一特征图进行中心卷积操作，得到隐含预测目标中心信息的第一子特征图；
对所述第二特征图进行尺度卷积操作，得到隐含预测目标尺度信息的第二子特征图；
将所述第一子特征图与所述第二子特征图进行融合，得到第二特征图。
可选的，处理器901执行的所述对所述第二特征图按第一预设次数分别进行下采样，并根据下采样的结果得到第三特征图，包括：
对所述第二特征图按第一预设次数分别进行下采样，得到第一数量的不同尺度的下采样图，所述第一数量与所述第一预设次数相关；
对所述不同尺寸的下采样图进行融合，得到第三特征图。
可选的，处理器901执行的所述对所述第三特征图进行第三卷积操作，得到不同尺度的第四特征图，包括：
在当前尺度的卷积操作完成后，将所述当前尺度的输出特征按预设的倍数进行下采样，得到第四特征图。
可选的，处理器901执行的所述对最小尺度的第四特征进行上采样，并融合对应尺度的第四特征图，得到不同尺度的第五特征图作为目标特征图，包括：
对最小尺度的第四特征按所述预设的倍数进行上采样，得到不同尺度的上采样图；
通过第四卷积操作将相同尺度的第四特征图与上采样图进行融合，得到不同尺度的第五特征图作为目标特征图。
可选的，处理器901执行的所述基于所述目标特征图，预测所述待检测目标的类型和位置并回归到所述待检测遥感图像中，得到所述待检测遥感图像的目标检测结果，包括：
通过对所述不同尺度的目标特征图进行预测分类，输出对应不同尺度的预测结果；
基于所述不同尺度的预测结果进行筛选，得到待检测目标的类型和位置；
将所述待检测目标的类型和位置回归到所述待检测遥感图像，得到所述待检测遥感图像的目标检测结果。
需要说明的是，上述电子设备可以是可以应用于可以进行遥感图像的目标检测的手机、监控器、计算机、服务器等设备。
本发明实施例提供的电子设备能够实现上述方法实施例中遥感图像的目标检测方法实现的各个过程，且可以达到相同的有益效果，为避免重复，这里不再赘述。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本发明实施例提供的遥感图像的目标检测方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存取存储器(Random AccessMemory，简称RAM)等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (10)
1.一种遥感图像的目标检测方法，用于检测遥感图像中的目标，其特征在于，包括以下步骤：
获取待检测遥感图像，所述待检测遥感图像包括待检测目标；
在所述待检测遥感图像中，在水平方向上每隔第一预设数量个像素点进行采样，在竖直方向上每隔第二预设数量个像素点进行采样，得到多个尺度相同的切片图像；
将所述多个尺度相同的切片图像在通道维度上进行拼接，得到输入遥感图像；
对所述输入遥感图像进行特征提取，得到目标特征图，所述目标特征图隐含预测目标中心信息以及预测目标尺度信息；
基于所述目标特征图，预测所述待检测目标的类型和位置并回归到所述待检测遥感图像中，得到所述待检测遥感图像的目标检测结果。
2.如权利要求1所述的方法，其特征在于，所述对所述输入遥感图像进行特征提取，得到目标特征图，所述目标特征图隐含预测目标中心信息以及预测目标尺度信息，包括：
对所述待检测遥感图像进行第一卷积操作，得到第一特征图；
对所述第一特征图进行第二卷积操作，得到第二特征图，所述第二特征图隐含预测目标中心信息以及预测目标尺度信息；
对所述第二特征图按第一预设次数分别进行下采样，并根据下采样的结果得到第三特征图；
对所述第三特征图进行第三卷积操作，得到不同尺度的第四特征图；
对最小尺度的第四特征图进行上采样，并融合对应尺度的第四特征图，得到不同尺度的第五特征图作为目标特征图。
3.如权利要求2所述的方法，其特征在于，所述第二卷积操作包括中心卷积操作以及尺度卷积操作，所述对所述第一特征图进行第二卷积操作，得到第二特征图，包括：
对所述第一特征图进行中心卷积操作，得到隐含预测目标中心信息的第一子特征图；
对所述第二特征图进行尺度卷积操作，得到隐含预测目标尺度信息的第二子特征图；
将所述第一子特征图与所述第二子特征图进行融合，得到第二特征图。
4.如权利要求2所述的方法，其特征在于，所述对所述第二特征图按第一预设次数分别进行下采样，并根据下采样的结果得到第三特征图，包括：
对所述第二特征图按第一预设次数分别进行下采样，得到第一数量的不同尺度的下采样图，所述第一数量与所述第一预设次数相关；
对所述不同尺寸的下采样图进行融合，得到第三特征图。
5.如权利要求2所述的方法，其特征在于，所述对所述第三特征图进行第三卷积操作，得到不同尺度的第四特征图，包括：
在当前尺度的卷积操作完成后，将所述当前尺度的输出特征按预设的倍数进行下采样，得到第四特征图。
6.如权利要求5所述的方法，其特征在于，所述对最小尺度的第四特征进行上采样，并融合对应尺度的第四特征图，得到不同尺度的第五特征图作为目标特征图，包括：
对最小尺度的第四特征按所述预设的倍数进行上采样，得到不同尺度的上采样图；
通过第四卷积操作将相同尺度的第四特征图与上采样图进行融合，得到不同尺度的第五特征图作为目标特征图。
7.如权利要求6所述的方法，其特征在于，所述基于所述目标特征图，预测所述待检测目标的类型和位置并回归到所述待检测遥感图像中，得到所述待检测遥感图像的目标检测结果，包括：
通过对所述不同尺度的目标特征图进行预测分类，输出对应不同尺度的预测结果；
基于所述不同尺度的预测结果进行筛选，得到待检测目标的类型和位置；
将所述待检测目标的类型和位置回归到所述待检测遥感图像，得到所述待检测遥感图像的目标检测结果。
8.一种遥感图像的目标检测装置，用于检测遥感图像中的目标，其特征在于，所述装置包括：
获取模块，用于获取待检测遥感图像，所述待检测遥感图像包括待检测目标；
切片模块，用于在所述待检测遥感图像中，在水平方向上每隔第一预设数量个像素点进行采样，在竖直方向上每隔第二预设数量个像素点进行采样，得到多个尺度相同的切片图像；
拼接模块，用于将所述多个尺度相同的切片图像在通道维度上进行拼接，得到输入遥感图像；
提取模块，用于对所述输入遥感图像进行特征提取，得到目标特征图，所述目标特征图隐含预测目标中心信息以及预测目标尺度信息；
预测模块，用于基于所述目标特征图，预测所述待检测目标的类型和位置并回归到所述待检测遥感图像中，得到所述待检测遥感图像的目标检测结果。
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的遥感图像的目标检测方法中的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的遥感图像的目标检测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011375236.5A CN112308856A (zh) | 2020-11-30 | 2020-11-30 | 遥感图像的目标检测方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011375236.5A CN112308856A (zh) | 2020-11-30 | 2020-11-30 | 遥感图像的目标检测方法、装置、电子设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112308856A true CN112308856A (zh) | 2021-02-02 |
Family
ID=74487294
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011375236.5A Pending CN112308856A (zh) | 2020-11-30 | 2020-11-30 | 遥感图像的目标检测方法、装置、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112308856A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112860932A (zh) * | 2021-02-19 | 2021-05-28 | 电子科技大学 | 抵御恶意样本攻击的图像检索方法、装置、设备及存储介质 |
| CN113076877A (zh) * | 2021-04-02 | 2021-07-06 | 华南理工大学 | 基于地面采样距离的遥感图像目标检测方法、系统和介质 |
| CN113191222A (zh) * | 2021-04-15 | 2021-07-30 | 中国农业大学 | 水下鱼类目标检测方法及装置 |
| CN113221896A (zh) * | 2021-05-31 | 2021-08-06 | 北京灵汐科技有限公司 | 目标检测方法、装置、神经形态器件及介质 |
| CN113221895A (zh) * | 2021-05-31 | 2021-08-06 | 北京灵汐科技有限公司 | 小目标检测方法、装置、设备及介质 |
| CN113505627A (zh) * | 2021-03-31 | 2021-10-15 | 北京苍灵科技有限公司 | 遥感数据处理方法、装置、电子设备和存储介质 |
| CN113887542A (zh) * | 2021-12-06 | 2022-01-04 | 深圳小木科技有限公司 | 目标检测方法、电子设备及存储介质 |
| CN114359926A (zh) * | 2021-12-31 | 2022-04-15 | 科大讯飞股份有限公司 | 教师批改标记的检测方法、电子设备以及存储介质 |
| CN115345881A (zh) * | 2022-10-18 | 2022-11-15 | 上海交强国通智能科技有限公司 | 一种基于计算机视觉的路面病害检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
| CN109271856A (zh) * | 2018-08-03 | 2019-01-25 | 西安电子科技大学 | 基于扩张残差卷积的光学遥感图像目标检测方法 |
| CN109800716A (zh) * | 2019-01-22 | 2019-05-24 | 华中科技大学 | 一种基于特征金字塔的海面遥感图像船舶检测方法 |
| CN110009010A (zh) * | 2019-03-20 | 2019-07-12 | 西安电子科技大学 | 基于兴趣区域重检测的宽幅光学遥感目标检测方法 |
| CN111461213A (zh) * | 2020-03-31 | 2020-07-28 | 华中科技大学 | 一种目标检测模型的训练方法、目标快速检测方法 |
| CN111626176A (zh) * | 2020-05-22 | 2020-09-04 | 中国科学院空天信息创新研究院 | 一种遥感图像的地物目标检测方法及系统 |
| CN111753653A (zh) * | 2020-05-15 | 2020-10-09 | 中铁第一勘察设计院集团有限公司 | 基于注意力机制的高铁接触网紧固件识别与定位方法 |
-
2020
- 2020-11-30 CN CN202011375236.5A patent/CN112308856A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
| CN109271856A (zh) * | 2018-08-03 | 2019-01-25 | 西安电子科技大学 | 基于扩张残差卷积的光学遥感图像目标检测方法 |
| CN109800716A (zh) * | 2019-01-22 | 2019-05-24 | 华中科技大学 | 一种基于特征金字塔的海面遥感图像船舶检测方法 |
| CN110009010A (zh) * | 2019-03-20 | 2019-07-12 | 西安电子科技大学 | 基于兴趣区域重检测的宽幅光学遥感目标检测方法 |
| CN111461213A (zh) * | 2020-03-31 | 2020-07-28 | 华中科技大学 | 一种目标检测模型的训练方法、目标快速检测方法 |
| CN111753653A (zh) * | 2020-05-15 | 2020-10-09 | 中铁第一勘察设计院集团有限公司 | 基于注意力机制的高铁接触网紧固件识别与定位方法 |
| CN111626176A (zh) * | 2020-05-22 | 2020-09-04 | 中国科学院空天信息创新研究院 | 一种遥感图像的地物目标检测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| CHENGZI: "深入浅出Yolo系列之Yolov5核心基础知识完整讲解", pages 1 - 20, Retrieved from the Internet <URL:https://www.cvmart.net/community/detail/3492> * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112860932A (zh) * | 2021-02-19 | 2021-05-28 | 电子科技大学 | 抵御恶意样本攻击的图像检索方法、装置、设备及存储介质 |
| CN113505627A (zh) * | 2021-03-31 | 2021-10-15 | 北京苍灵科技有限公司 | 遥感数据处理方法、装置、电子设备和存储介质 |
| CN113076877B (zh) * | 2021-04-02 | 2023-08-22 | 华南理工大学 | 基于地面采样距离的遥感图像目标检测方法、系统和介质 |
| CN113076877A (zh) * | 2021-04-02 | 2021-07-06 | 华南理工大学 | 基于地面采样距离的遥感图像目标检测方法、系统和介质 |
| CN113191222A (zh) * | 2021-04-15 | 2021-07-30 | 中国农业大学 | 水下鱼类目标检测方法及装置 |
| CN113191222B (zh) * | 2021-04-15 | 2024-05-03 | 中国农业大学 | 水下鱼类目标检测方法及装置 |
| CN113221896A (zh) * | 2021-05-31 | 2021-08-06 | 北京灵汐科技有限公司 | 目标检测方法、装置、神经形态器件及介质 |
| CN113221895A (zh) * | 2021-05-31 | 2021-08-06 | 北京灵汐科技有限公司 | 小目标检测方法、装置、设备及介质 |
| CN113221895B (zh) * | 2021-05-31 | 2024-10-15 | 北京灵汐科技有限公司 | 小目标检测方法、装置、设备及介质 |
| CN113221896B (zh) * | 2021-05-31 | 2024-10-15 | 北京灵汐科技有限公司 | 目标检测方法、装置、神经形态器件及介质 |
| CN113887542A (zh) * | 2021-12-06 | 2022-01-04 | 深圳小木科技有限公司 | 目标检测方法、电子设备及存储介质 |
| CN113887542B (zh) * | 2021-12-06 | 2022-04-05 | 孙晖 | 目标检测方法、电子设备及存储介质 |
| CN114359926A (zh) * | 2021-12-31 | 2022-04-15 | 科大讯飞股份有限公司 | 教师批改标记的检测方法、电子设备以及存储介质 |
| CN115345881A (zh) * | 2022-10-18 | 2022-11-15 | 上海交强国通智能科技有限公司 | 一种基于计算机视觉的路面病害检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112308856A (zh) | 遥感图像的目标检测方法、装置、电子设备及介质 | |
| US10943145B2 (en) | Image processing methods and apparatus, and electronic devices | |
| JP6902611B2 (ja) | 物体検出方法、ニューラルネットワークの訓練方法、装置および電子機器 | |
| CN109101914B (zh) | 一种基于多尺度的行人检测方法和装置 | |
| CN110909642A (zh) | 一种基于多尺度语义特征融合的遥感图像目标检测方法 | |
| CN110443258B (zh) | 文字检测方法、装置、电子设备及存储介质 | |
| KR20200044108A (ko) | 단안 이미지 깊이 추정 방법 및 장치, 기기, 프로그램 및 저장 매체 | |
| KR20200087808A (ko) | 인스턴스 분할 방법 및 장치, 전자 기기, 프로그램 및 매체 | |
| CN115035295B (zh) | 一种基于共享卷积核和边界损失函数的遥感图像语义分割方法 | |
| CN111079739A (zh) | 一种多尺度注意力特征检测方法 | |
| CN111985374A (zh) | 人脸定位方法、装置、电子设备及存储介质 | |
| CN114332473B (zh) | 目标检测方法、装置、计算机设备、存储介质及程序产品 | |
| CN112668672A (zh) | 基于TensorRT的目标检测模型加速方法及装置 | |
| CN111898693A (zh) | 能见度分类模型的训练方法、能见度估计方法、装置 | |
| CN112132867B (zh) | 一种遥感影像变化检测方法及装置 | |
| CN114359709A (zh) | 一种针对遥感图像的目标检测方法及装置 | |
| CN112013820B (zh) | 一种面向无人机机载平台部署的实时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 | |
| CN116682076A (zh) | 面向船舶安全监管的多尺度目标检测方法、系统及设备 | |
| CN116883770A (zh) | 深度估计模型的训练方法、装置、电子设备及存储介质 | |
| CN112927231B (zh) | 车身污垢检测模型的训练方法、车身污垢检测方法及装置 | |
| CN111582040B (zh) | 一种船舶驾驶舱的人员定位方法、系统和存储介质 | |
| CN114882243B (zh) | 目标检测方法、电子设备及计算机可读存储介质 | |
| CN115311542B (zh) | 一种目标检测方法、装置、设备和介质 | |
| CN115019278B (zh) | 一种车道线拟合方法、装置、电子设备和介质 |
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 |