CN112348758B - 一种光学遥感图像数据增强方法及目标识别方法 - Google Patents

一种光学遥感图像数据增强方法及目标识别方法 Download PDF

Info

Publication number
CN112348758B
CN112348758B CN202011264114.9A CN202011264114A CN112348758B CN 112348758 B CN112348758 B CN 112348758B CN 202011264114 A CN202011264114 A CN 202011264114A CN 112348758 B CN112348758 B CN 112348758B
Authority
CN
China
Prior art keywords
target
remote sensing
sensing image
optical remote
neural network
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.)
Active
Application number
CN202011264114.9A
Other languages
English (en)
Other versions
CN112348758A (zh
Inventor
张小龙
陈彦桥
柴兴华
李阳阳
史雯熙
何爱媛
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.)
CETC 54 Research Institute
Original Assignee
CETC 54 Research Institute
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 CETC 54 Research Institute filed Critical CETC 54 Research Institute
Priority to CN202011264114.9A priority Critical patent/CN112348758B/zh
Publication of CN112348758A publication Critical patent/CN112348758A/zh
Application granted granted Critical
Publication of CN112348758B publication Critical patent/CN112348758B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • 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
    • G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种光学遥感图像数据增强方法及目标识别方法，属于图像处理及遥感图像目标检测技术领域。本发明采用数据增强方法对光学遥感图像进行数据增强，增加图像中的目标个数；然后使用增强后的图像对目标识别神经网络进行训练；并使用训练好的目标识别神经网络对待检测的遥感图像进行目标识别。数据增强时，首先制作各类目标的前景图片；然后将待增强的光学遥感图像作为背景图片，识别出背景图片中所应放置的目标类别；接着选出能放置目标的背景图片切片作为候选框，并在指定的候选框中放置相应类别的目标。本发明能够增加训练样本的多样性，提高光学遥感图像的目标检测精度。

Description

一种光学遥感图像数据增强方法及目标识别方法
技术领域
本发明属于图像处理、光学遥感图像目标检测技术领域，具体涉及一种光学遥感图像数据增强方法及目标识别方法。
背景技术
近些年来，得益于航空航天技术以及传感器研究的发展，遥感的现代化技术已经能实现多个波段、高速、动态的观测，普通光学遥感图像、高光谱图像、合成孔径雷达图像等领域的研究，正在受到广泛关注，并被应用于军事、农业、海洋和林业等领域。
光学遥感技术领域也在迅速地发展，分辨率不断提升。各个国家都在积极发展高分辨率的遥感卫星技术。这项技术最开始主要目的是获取敌对国家的军事或经济情报以及相关的地理空间数据等。
随着高分辨率的遥感卫星的发展，高分辨率的光学遥感图像具有更直观、噪声少、同时不受电磁干扰等一些优点，在环境保护、城市管理、救灾、抢险等领域都有着应用。
近年来，深度学习技术快速发展，导致图像处理领域发展迅速。目标检测作为图像处理领域的经典研究方向，也面临着新的挑战和突破。一些学者将深度学习应用到遥感图像的目标检测任务中来，并且取得一些成绩，如何更好的实现适合遥感图像的处理方式，也成为一项新的挑战。
光学遥感图像的获取方式与普通光学图像不同，数据量较比普通光学图像更少。由于深度学习的特征提取参数量很大，任务复杂，需要依托于大量数据，因此在光学遥感图像的研究上无法很好满足，所以如何更好地在光学遥感图像目标检测领域进行数据增强从而改进光学遥感图像目标检测与识别效果具有非常深刻的意义。
图像处理领域的数据增强技术主要应用在图像分类领域，数据增强技术可以让数据集在体量有限的情况下，产生更多的数据，让数据集更丰富。卷积神经网络(Convolutional Neural Networks，CNN)的参数体量较大，很多是以百万计，如果要达到更好的训练效果则必然需要大量的数据，否则很容易产生过拟合的问题。通过数据增强技术可以提高训练出来的模型的泛化能力。CNN有一个特性叫做不变性，即当图片被放在各种不相同的方向时，CNN依然可以对其进行分类处理。简单来说，即为CNN对视角、尺寸的改变或平移均能保持不变。这个特性是数据增强技术的前提，常见的数据增强方法有平移、旋转以及修改对比度、亮度、颜色等。但这些方法鲁棒性差，对图像没有本质意义上的转变，因此不能够很好地利用卷积神经网络提取特征的强大功能从而大幅度提升识别的准确率。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种光学遥感图像数据增强方法及目标识别方法，其能够提升训练样本的数量与每张图片中目标的数量，加大训练难度，从而提高光学遥感图像目标检测的精度。
为了实现上述目的，本发明采用的技术方案为：
一种光学遥感图像数据增强方法，包括以下步骤：
(1)制作各类目标的前景图片；
(2)将待增强的光学遥感图像作为背景图片，通过场景识别神经网络识别出背景图片中所应放置的目标类别；
(3)将背景图片划分为切片，通过位置识别神经网络判断各切片是否能放置目标，选出能放置目标的切片作为候选框；
(4)在指定的候选框中放置相应类别的目标，得到数据增强的光学遥感图像。
进一步的，所述目标的图像从NWPU-VHR 10数据集中提取，目标图像中包含目标的阴影部分，目标类别包括飞机、船只和车辆，制成的前景图片为标准的VOC2007数据格式。
进一步的，所述场景识别神经网络为VGG19网络，其包括5个block单元、3个全连接层，以及一个softmax分类层；
该网络的训练方式为：从NWPU-VHR 10数据集的negative image set文件夹中选择飞机场、海面和城市的背景图片，使用这三类图片对场景识别神经网络进行训练。
进一步的，若背景图片中所应放置的目标类别为飞机，则该背景图片的切片大小为150×150像素，若背景图片中所应放置的目标类别为船只或车辆，则该背景图片的切片大小为100×100像素。
进一步的，所述位置识别神经网络为VGG19网络，其包括5个block单元、3个全连接层，以及一个softmax分类层；
该网络的训练方式为：对VHR-3测试集中含有飞机、舰船和车辆三类目标的图片分别进行切片，切片大小与相应候选框的大小相同；将各类图片的所有切片分为可放置新目标的切片和无法放置新目标的切片，并使用这两类切片对位置识别神经网络进行训练。
进一步的，所述指定的候选框为位置识别神经网络选出的候选框中，置信度排名前五的候选框。
此外，本发明还提供了一种基于数据增强的光学遥感图像目标识别方法，包括如下步骤：
(1)采用上述任一方法对光学遥感图像进行数据增强，增加图像中的目标个数；
(2)采用增强后的图像对目标识别神经网络进行训练；
(3)使用训练好的目标识别神经网络对待检测的遥感图像进行目标识别。
进一步的，所述目标识别神经网络为Faster R-CNN网络，其包括锚框生成层、区域生成层、ROI池化层以及分类层。
本发明与现有技术相比，具有以下优点：
1、本发明对待检测的遥感图像进行了基于卷积神经网络的数据增强，有效增加了训练数据的多样性。
2、本发明方法能够提升光学遥感图像的目标检测与识别的平均精度。
具体实施方式
一种光学遥感图像数据增强方法,包括以下步骤：
(1)制作各类目标的前景图片；
(2)将待增强的光学遥感图像作为背景图片，通过场景识别神经网络识别出背景图片中所应放置的目标类别；
(3)将背景图片划分为切片，通过位置识别神经网络判断各切片是否能放置目标，选出能放置目标的切片作为候选框；
(4)在指定的候选框中放置相应类别的目标，得到数据增强的光学遥感图像。
进一步的，所述目标的图像从NWPU-VHR 10数据集中提取，目标图像中包含目标的阴影部分，目标类别包括飞机、船只和车辆，制成的前景图片为标准的VOC2007数据格式。
进一步的，所述场景识别神经网络为VGG19网络，其包括5个block单元、3个全连接层，以及一个softmax分类层；
该网络的训练方式为：从NWPU-VHR 10数据集的negative image set文件夹中选择飞机场、海面和城市的背景图片，使用这三类图片对场景识别神经网络进行训练。
进一步的，若背景图片中所应放置的目标类别为飞机，则该背景图片的切片大小为150×150像素，若背景图片中所应放置的目标类别为船只或车辆，则该背景图片的切片大小为100×100像素。
进一步的，所述位置识别神经网络为VGG19网络，其包括5个block单元、3个全连接层，以及一个softmax分类层；
该网络的训练方式为：对VHR-3测试集中含有飞机、舰船和车辆三类目标的图片分别进行切片，切片大小与相应候选框的大小相同；将各类图片的所有切片分为可放置新目标的切片和无法放置新目标的切片，并使用这两类切片对位置识别神经网络进行训练。由于训练数据量较少，训练网络时可采用预训练模型进行训练。
进一步的，所述指定的候选框为位置识别神经网络选出的候选框中，置信度排名前五的候选框。
一种基于数据增强的光学遥感图像目标识别方法，包括如下步骤：
(1)采用上述任一数据增强方法对光学遥感图像进行数据增强，增加图像中的目标个数；
(2)采用增强后的图像对目标识别神经网络进行训练；
(3)使用训练好的目标识别神经网络对待检测的遥感图像进行目标识别。
进一步的，所述目标识别神经网络为Faster R-CNN网络，其包括特征提取、区域生成网络、池化、分类和边框回归，损失函数为Loss(L)。该网络包含分类子网络和定位子网络，其利用增强的训练样本进行训练，再对作为测试样本的光学遥感图像进行目标类别检测，最后再检测目标的边界框，得到最终的检测结果。
光学遥感图像数据增强部分主要分为数据准备、卷积神经网络训练和数据增强三个部分：
(1a)数据准备。提取NWPU-VHR 10数据集中包含airplane，ship，vehicle三类经典目标的前景图片制作数据集VHR-3，并将其制成标准的VOC2007数据格式。将VHR-3中训练集的目标提取出来为数据增强做准备，通常光学遥感图像的目标周围会有阴影出现，为了使进行数据增强后的数据与真实图片更加接近，提取目标的过程中保留各类目标的阴影部分。
(1b)卷积神经网络训练。通过卷积神经网络训练多个卷积神经网络模型。首先根据NWPU-VHR 10数据集中“negative image set”文件夹中飞机场、海面和城市背景图选取出来训练可以判断出整张图片适合放置的目标类别的预判网络model-1。
对VHR-3测试集中含有飞机、舰船和车辆三类目标的图片分别切片，根据三类目标实际大小的不同，将含有飞机目标的飞机场图片切片为150×150像素大小，含有舰船目标的图片和含有车辆目标的城市图片切片成100×100像素大小。将三种切片分别分为可以放置新目标的切片图和无法放置新目标的切片图，无法放置目标的切片图主要为切片中有目标、树木、建筑物以及空旷但不适合放置此类目标的背景。将三种切片分别作为训练集输入到VGG19网络进行训练，得到模型model-airplane、model-ship和model-vehicle。由于训练数据量较少，训练网络时采用预训练模型进行训练。
(1c)数据增强部分分为背景预判，候选框选取，特征提取判别，生成图像四部分。以下以一张图片的处理做出具体说明。
(1c1)背景预判。将整张图片送入预判网络model-1，进而判断出该张图片的背景信息可能适合放置的目标类别。输出的类别为airplane、ship或vehicle。
(1c2)候选框选取。根据(1c1)中输出的目标类别，生成不同的候选框，将输出类别为airplane的图片选取像素大小为150×150的候选框，输出类别为ship和vehicle的图片选取像素大小为100×100的候选框，其中选定的候选框不能有重叠，因为适合放置目标的位置可能相对集中，候选框重叠可能导致数据增强时放置的目标存在重叠。
(1c3)特征提取判别。根据(1c1)中输出的类别，将选定的候选框送到对应训练好的卷积神经网络模型中，进行特征提取与判别，判断候选区域是否可以放置新的目标。
(1c4)生成图像：对于可以放置新目标的候选框，将其分类的置信度由大到小排序，依次选取置信度高于0.95的候选框放置(1a)中提取出来的目标，最多放置5个。由于VHR-3中各类目标大小相对固定，且选取的候选框大小是根据各类目标的大小进行设置，所以放置目标时不需要对目标进行缩放，将对应类别的目标放置到候选框的中心位置。
目标识别神经网络的训练方式为：
(3a)设迭代次数为t，最大迭代次数为T,T≥20；
(3b)将数据增强后的训练样本作为目标识别神经网络的输入，进行迭代训练，并判断t＝T是否成立，若是，得到训练好的光学遥感图像目标检测网络模型，否则，执行步骤(3c)；
(3c)采用损失函数L，并通过当前光学遥感图像目标检测网络模型所输出的目标预测类别、目标预测水平边界框坐标，计算当前光学遥感图像目标检测网络模型的损失值l，并通过l对当前光学遥感图像旋转目标检测网络模型的权重进行调整，令t＝t+1，执行步骤(3b)。
其中，损失函数L的表达式为：
L＝FLcls+Lbox
FLcls(pi)＝-(1-pi)γlog(pi)
Figure BDA0002775571800000061
式中：FLcls为分类子网络的损失值，(1-pi)γ为该候选框中的目标为第i类的概率，i是该目标的真实类别，(1-pi)γ部分称为调制因子，可以聚焦于难分类的样本，其中当一个样本的分类错误，这时pi的值很小，调制因子接近于1和原来的损失相近，当pi接近1时，代表该目标分类良好，这时调制因子接近于0，降低该目标对损失函数的贡献。在参数γ的选择上，当γ＝0时，调制因子不起作用，γ越大，调制因子的影响作用越大。在本方法中，参数γ取0.5，该损失函数通过调制因子降低易分样本对于损失函数的贡献，使得难分样本对损失函数贡献更大，从而达到提升SAR图像目标检测与识别平均精度的目的。Lbox为定位子网络的损失值。Lbox表示第i个目标水平边界框坐标，Smooth_l1表示Smooth_l1函数，Sigmoid表示Sigmoid函数，K表示目标总数。
最后，将测试样本输入训练好的目标识别神经网络，获取所有目标的类别；然后计算目标边界框四个顶点坐标(x0,y0)、(x1,y1)、(x2,y2)、(x3,y3)，并将其与目标类别一起作为光学遥感图像目标的检测结果。
本方法采用的数据集是基于NWPU-VHR 10制作的3分类目标检测与识别数据集VHR-3，包含飞机(airplane)、舰船(ship)和车辆(vehicle)三类目标。
NWPU-VHR 10光学遥感图像数据集是由西北工业大学龚成博士等人构建的。这些图像是从Google Earth和Vaihingen数据集中裁剪出来的，然后人工对图像进行类别和位置的标注。这个数据集包含10类目标，分别为飞机(airplane)，舰船(ship)，油罐(storagetank)，棒球场(baseball diamond)，网球场(tennis court)，篮球场(basketball court)，地面田径场(round track field)，港口(harbor)，桥梁(bridge)和车辆(vehicle)。此数据集总共包含800个高分辨率光学遥感图像，其中“negative image set”文件夹中有150个不包含任何给定目标类别的背景图像，而“positive image set”文件夹包含650个前景图像，每个图像中至少包含一个需要检测的目标。NWPU-VHR 10数据集通过.txt后缀类型文件存储目标类别和位置，每个前景图片对应一个标注文件，每个目标标注方式为(x1,y1),(x2,y2),a，其中(x1,y1)和(x2,y2)分别为目标左上角和右下角坐标，a的范围为1-10，对应不同类别目标。
本方法选用NWPU-VHR 10数据集中包含airplane，ship，vehicle三类经典目标的前景图片制作数据集VHR-3，并将其制成标准的VOC2007数据格式。多数图片的目标数量在15个以内，少量图片含有数量较多的目标。VHR-3数据集中共有166张训练图片，54张测试图片。
以下借助仿真实验来对本方法的效果作进一步说明：
1.仿真环境：
本仿真实验采用的深度学习框架为Keras，光学遥感图像目标检测与识别算法采用的深度学习框架为PyTorch，程序运行的操作系统为Ubuntu 18.04LTS，显卡为NVIDIA公司的GeForce GTX 1080。
2.评价指标
本仿真实验使用的检测精度评价指标是每一个类别目标的平均检测精度AP和所有类别目标的平均检测精度均值mAP，平均精度AP和平均精度均值mAP越大，表示目标检测效果越好，以下对这两个指标作详细说明：
召回率＝检测正确目标总数/目标总数
准确率＝检测正确目标总数/检测目标总数
绘制准确率-召回率曲线，曲线与召回率所在的坐标轴包围面积表示每一类目标的平均检测精度AP，对所有类目标的平均检测精度求均值则得到平均检测精度均值mAP；
3.本仿真测试效果
表1是增强后的数据集与原始数据集实验结果对比，其中第一行表示未增强的数据集上的效果，第二列表示增强后的数据集上的的效果。可以看到，数据增强后对两个类别的识别准确率都有提升，airplane数据集相差结果也不大。总体的准确率mAP也提升了2.3，效果显著。
表1.SAR_OD+数据集实验结果对比
Figure BDA0002775571800000081
总之，本发明对遥感图像进行增强处理，得到增强后的数据集VHR-3+，扩充了训练集的数量以及每张图片上目标的数量，丰富了训练样本，本发明能够增加训练样本的多样性，从而提升了光学遥感图像的目标检测精度。

Claims (8)

1.一种光学遥感图像数据增强方法，其特征在于，包括以下步骤：
(1)制作各类目标的前景图片；
(2)将待增强的光学遥感图像作为背景图片，通过场景识别神经网络识别出背景图片中所应放置的目标类别；
(3)将背景图片划分为切片，通过位置识别神经网络判断各切片是否能放置目标，选出能放置目标的切片作为候选框；
(4)在指定的候选框中放置相应类别的目标，得到数据增强的光学遥感图像。
2.根据权利要求1所述的一种光学遥感图像数据增强方法，其特征在于，所述目标的图像从NWPU-VHR 10数据集中提取，目标图像中包含目标的阴影部分，目标类别包括飞机、船只和车辆，制成的前景图片为标准的VOC2007数据格式。
3.根据权利要求1所述的一种光学遥感图像数据增强方法，其特征在于，所述场景识别神经网络为VGG19网络，其包括5个block单元、3个全连接层，以及一个softmax分类层；
该网络的训练方式为：从NWPU-VHR 10数据集的negative image set文件夹中选择飞机场、海面和城市的背景图片，使用这三类图片对场景识别神经网络进行训练。
4.根据权利要求2所述的一种光学遥感图像数据增强方法，其特征在于，若背景图片中所应放置的目标类别为飞机，则该背景图片的切片大小为150×150像素，若背景图片中所应放置的目标类别为船只或车辆，则该背景图片的切片大小为100×100像素。
5.根据权利要求1所述的一种光学遥感图像数据增强方法，其特征在于，所述位置识别神经网络为VGG19网络，其包括5个block单元、3个全连接层，以及一个softmax分类层；
该网络的训练方式为：对VHR-3测试集中含有飞机、舰船和车辆三类目标的图片分别进行切片，切片大小与相应候选框的大小相同；将各类图片的所有切片分为可放置新目标的切片和无法放置新目标的切片，并使用这两类切片对位置识别神经网络进行训练。
6.根据权利要求1所述的一种光学遥感图像数据增强方法，其特征在于，所述指定的候选框为位置识别神经网络选出的候选框中，置信度排名前五的候选框。
7.一种基于数据增强的光学遥感图像目标识别方法，其特征在于，包括如下步骤：
(1)采用如权利要求1～6中任一项所述的方法对光学遥感图像进行数据增强，增加图像中的目标个数；
(2)采用增强后的图像对目标识别神经网络进行训练；
(3)使用训练好的目标识别神经网络对待检测的遥感图像进行目标识别。
8.根据权利要求7所述的一种基于数据增强的光学遥感图像目标识别方法，其特征在于，所述目标识别神经网络为Faster R-CNN网络，其包括锚框生成层、区域生成层、ROI池化层以及分类层。
CN202011264114.9A 2020-11-12 2020-11-12 一种光学遥感图像数据增强方法及目标识别方法 Active CN112348758B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011264114.9A CN112348758B (zh) 2020-11-12 2020-11-12 一种光学遥感图像数据增强方法及目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011264114.9A CN112348758B (zh) 2020-11-12 2020-11-12 一种光学遥感图像数据增强方法及目标识别方法

Publications (2)

Publication Number Publication Date
CN112348758A CN112348758A (zh) 2021-02-09
CN112348758B true CN112348758B (zh) 2022-09-02

Family

ID=74362702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011264114.9A Active CN112348758B (zh) 2020-11-12 2020-11-12 一种光学遥感图像数据增强方法及目标识别方法

Country Status (1)

Country Link
CN (1) CN112348758B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113158778A (zh) * 2021-03-09 2021-07-23 中国电子科技集团公司第五十四研究所 一种sar图像目标检测方法
CN113158899B (zh) * 2021-04-22 2022-07-29 中国科学院地理科学与资源研究所 基于遥感夜光暗目标增强技术的村镇发展状态测度方法
CN113392782B (zh) * 2021-06-18 2022-06-17 中国石油大学(华东) 面向弱小目标检测的遥感影像深度学习训练样本增强方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107871124A (zh) * 2017-11-15 2018-04-03 陕西师范大学 一种基于深度神经网络的遥感图像目标检测方法
CN108460341A (zh) * 2018-02-05 2018-08-28 西安电子科技大学 基于集成深度卷积网络的光学遥感图像目标检测方法
CN108510467A (zh) * 2018-03-28 2018-09-07 西安电子科技大学 基于深度可变形卷积神经网络的sar图像目标识别方法
CN111523564A (zh) * 2020-03-24 2020-08-11 北京航天自动控制研究所 一种用于深度学习训练的sar时敏目标样本增广方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107871124A (zh) * 2017-11-15 2018-04-03 陕西师范大学 一种基于深度神经网络的遥感图像目标检测方法
CN108460341A (zh) * 2018-02-05 2018-08-28 西安电子科技大学 基于集成深度卷积网络的光学遥感图像目标检测方法
CN108510467A (zh) * 2018-03-28 2018-09-07 西安电子科技大学 基于深度可变形卷积神经网络的sar图像目标识别方法
CN111523564A (zh) * 2020-03-24 2020-08-11 北京航天自动控制研究所 一种用于深度学习训练的sar时敏目标样本增广方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Data augmentation for face recognition;Lv Jiangjing 等;《Neurocomputing》;20171231;第184-196页 *
Data Augmentation for Object Detection via Progressive and Selective Instance-Switching;Hao Wang 等;《arXiv》;20190711;第1-15页 *
一种提高目标图像识别准确率的数据增强技术;吴天雨 等;《激光杂志》;20200523;第41卷(第05期);第96-100页 *
基于卷积神经网络的SAR图像目标检测算法;杜兰 等;《电子与信息学报》;20161231;第38卷(第12期);第3018-3025页 *

Also Published As

Publication number Publication date
CN112348758A (zh) 2021-02-09

Similar Documents

Publication Publication Date Title
CN109271856B (zh) 基于扩张残差卷积的光学遥感图像目标检测方法
CN112348758B (zh) 一种光学遥感图像数据增强方法及目标识别方法
CN108491854B (zh) 基于sf-rcnn的光学遥感图像目标检测方法
CN108460341B (zh) 基于集成深度卷积网络的光学遥感图像目标检测方法
Song et al. Road extraction using SVM and image segmentation
CN109636848B (zh) 一种基于无人机的油气管道巡检方法
CN108898065B (zh) 候选区快速筛选与尺度自适应的深度网络舰船目标检测方法
CN109740665A (zh) 基于专家知识约束的遮挡图像船只目标检测方法及系统
CN109376591B (zh) 深度学习特征与视觉特征联合训练的船只目标检测方法
CN110647802A (zh) 基于深度学习的遥感影像舰船目标检测方法
CN111985376A (zh) 一种基于深度学习的遥感影像舰船轮廓提取方法
CN111666854B (zh) 融合统计显著性的高分辨率sar影像车辆目标检测方法
CN112347895A (zh) 一种基于边界优化神经网络的舰船遥感目标检测方法
CN112528862B (zh) 基于改进的交叉熵损失函数的遥感图像目标检测方法
CN112288008A (zh) 一种基于深度学习的马赛克多光谱图像伪装目标检测方法
CN113807464A (zh) 基于改进yolo v5的无人机航拍图像目标检测方法
CN116385958A (zh) 一种用于电网巡检和监控的边缘智能检测方法
Zhang et al. Nearshore vessel detection based on Scene-mask R-CNN in remote sensing image
Xu et al. Feature-based constraint deep CNN method for mapping rainfall-induced landslides in remote regions with mountainous terrain: An application to Brazil
CN116469020A (zh) 一种基于多尺度和高斯Wasserstein距离的无人机图像目标检测方法
Sun et al. IRDCLNet: Instance segmentation of ship images based on interference reduction and dynamic contour learning in foggy scenes
CN114266947A (zh) 一种基于激光点云和可见光图像融合的分类方法及装置
CN111583171B (zh) 融合前景紧凑特性和多环境信息的绝缘子缺陷检测方法
CN116486238B (zh) 联合点集表示与图分类的目标细粒度识别方法
CN116385876A (zh) 基于yolox的光学遥感影像地物检测方法

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
GR01 Patent grant
GR01 Patent grant