CN112418181B - 一种基于卷积神经网络的人员落水检测方法 - Google Patents
一种基于卷积神经网络的人员落水检测方法 Download PDFInfo
- Publication number
- CN112418181B CN112418181B CN202011465773.9A CN202011465773A CN112418181B CN 112418181 B CN112418181 B CN 112418181B CN 202011465773 A CN202011465773 A CN 202011465773A CN 112418181 B CN112418181 B CN 112418181B
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- water
- falling
- time
- 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
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Abstract
本发明提供了一种基于卷积神经网络的人员落水检测方法,首先利用水听器采集到声信号,同时使用无人机拍摄现场图像,接着对声信号进行分帧和加窗对其截断,然后将截断后的声信号转化为时频图,再将时频图和先现场图像的大小进行缩放并堆叠,最后利用卷积神经网络提取时频图和现场图像更丰富的深层次信息,提高人员落水的检测能力。本发明通过调整超参数的方式提升了该模型的泛化能力,以适应更多复杂场景下的人员落水情形。
Description
技术领域
本发明涉及目标检测与人工智能领域,涉及到一种人员落水的检测方法。
背景技术
中国是一个幅员辽阔的国家,有着易引发洪水的地理气候特征。前段时期全国各地出现了暴雨雷电等极端天气,南方多地更是遭遇了百年难遇的强降雨。防洪抢险是一项艰巨的任务,我国每年都在其中投入巨大的人力物力。据WTO报道,全球每年有372000人死于溺水,平均每天每小时有42人死于溺亡,其中不仅有溺水者,更有施救者。洪涝灾害给人民群众带来巨大的生命和财产损失,因此,无人搜救设备的研制需求迫在眉睫。
目前常见的溺水救援不外乎包括以下几种形式。首先是人工救援,它是最常见一种的救援方式,但危险性极高。溺水者出于求生本能,会用尽一切办法来让自己浮出水面。施救人员若没有受过专业救生培训,也很容易陷入危险。第二种救援方案是利用载人船抛掷救生圈,载人船航行至落水人员附近再抛掷救生圈施救,是应用较广的一种救援方式。它的弊端是救援流程长,对施救者技术要求高,这也导致它的成功率很低。遥控救援是目前较为先进的一种溺水救援方式,但该方式主要通过人眼观察进行操控导航,容易受到天气状况的影响,救援精度有限。综上所述,目前常见的救援方式都存在共同的问题,即很难在第一时间发现落水人员并且迅速做出响应。
要做到“无人”,就少不了人工智能的理论研究。近年来,人工智能在各个领域都取得了令人瞩目的成果,广泛地应用到无人驾驶汽车、智慧门禁和医学诊断等高科技前沿领域中。卷积神经网络是人工智能领域应用最为广泛的一种网络结构。利用卷积神经网络可以得到目标更深层次的信息,从而提高目标检测的概率。
发明内容
为了克服现有技术的不足,本发明提供一种基于卷积神经网络的人员落水检测方法。本发明同时利用水下声信号和图像信息的落水人员检测算法,将卷积神经网络应用到落水人员检测中,利用卷积神经网络提取采集到的声信号和图像中丰富的深层次信息,提高落水人员检测的概率,进而提升溺水人员的存活几率,适用于在湖泊、小河等野外场景以及洪涝灾害的水域环境中检测落水人员。
本发明解决其技术问题所采用的技术方案包括如下步骤:
步骤一:采集声信号和现场图像
用智能水听器采集声信号,用摄像头拍摄现场图像,原始的图像信息为P,水听器接收的声信号为y(t),
其中sp(t)表示有人员落水信号,so(t)表示无人员落水信号,h(t)为当前水声信道的冲击响应,*表示卷积运算,n(t)为当前水域中的环境噪声,t为时间变量;
步骤二:声信号的分帧和加窗;
对水听器采集到的声信号y(t)进行分帧和加窗处理,处理后的信号为x(t);
步骤三:声信号生成时频图;
将信号x(t)转化为时频图Px,提取该信号中的时频域信息;
步骤四:缩放图像并堆叠
将时频图Px和摄像头拍摄的现场图像P缩小至同一尺寸,并将时频图Px和摄像头拍摄的现场图像P堆叠复合在一起:
Px′=Px·r1
P′=P·r2
Pol=[Px′ P′]
其中Px′和P′分别是Px和P缩小后的图像信息,r1和r2分别是两个不同的缩放因子,Pol是堆叠后的复合图像信息;
步骤五:分割训练集和测试集
将复合图像信息Pol的数据集按照比例和规则划分为训练集和测试集,最后经过人工标注得到最终的神经网络的数据集D:
D={Pol i},i=1,2...,Ni
其中Ni表示复合图像信息Pol的数量;
步骤六:搭建卷积神经网络
搭建卷积神经网络模型C一共有4层,其中前三层均是卷积层,卷积层包含卷积、非线性激活和最大池化,最后一层是全连接层;卷积神经网络模型C在卷积神经网络的基础上引入了注意力机制,第三个卷积层的输出展开后的张量N3代表张量X的列数:
其中αi代表选择第i个输入向量的概率,z=i表示选择了第i个输入变量,q表示查询向量,s(xi,q)为注意力打分函数,d是输入向量的维度,att(X,q)即是注意力函数;
步骤七:训练并优化卷积神经网络模型;
调整卷积神经网络中的超参数,并选取不同的激活函数和梯度下降优化算法提升该卷积神经网络的表现;
神经网络的输出与神经网络输入和神经网络模型的关系如下:
步骤八:实现人员落水检测;
将水听器接收到的声信号和无人机拍摄的现场图像经过步骤二至步骤四的处理后,输入到步骤七里已经训练并且优化好的卷积神经网络模型中进行检测,依据检测结果判断从而有无人员落水。
所述其中超参数包括学习率、批次大小、卷积核的尺寸和迭代次数,学习率取值为0.0001。
所述激活函数采用Relu函数。
所述梯度下降优化算法采用Adam梯度下降优化算法。
本发明的有益效果在于针对传统的利用计算机视觉图像的落水人员自动检测方式中存在的受能见度影响较大的问题,提出了一种结合声信号和现场图像的人员落水检测算法,在很大程度上摆脱了天气状况对检测性能的影响。本发明中首先利用水听器采集到声信号,同时使用无人机拍摄现场图像,接着对声信号进行分帧和加窗对其截断,然后将截断后的声信号转化为时频图,再将时频图和先现场图像的大小进行缩放并堆叠。最后利用卷积神经网络提取时频图和现场图像更丰富的深层次信息,提高人员落水的检测能力,并且通过调整超参数的方式提升了该模型的泛化能力,以适应更多复杂场景下的人员落水情形。
附图说明
图1是本发明基于卷积神经网络的人员落水检测算法框图。
图2是本发明基于卷积神经网络的人员落水检测算法的模型结构。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
针对现有的传统落水救援方式中存在的不足之处,提出了一种基于卷积神经网络的人员落水检测算法。本发明主要考虑到现有的无人救援方案中多是利用摄像头拍摄的图像信息来寻找溺水者,在大风、大雾、雨雪以及夜晚等能见度较低的场景中,容易受能见度的影响而导致救援成功率直线下降的问题。因此本专利提出了一种结合声信号和图像信息的人员落水检测方法。该方法首先使用水听器采集声信号,利用无人机搭载摄像头拍摄现场图像,接着将采集到的声信号转换为时频图,然后将时频图和现场图像进行缩放并堆叠,最后利用卷积神经网络提取时频图和现场图像中丰富的深层次信息,提升人员落水检测的性能进而提高溺水人员的存活几率。
针对人员落水检测的问题,提出了一种基于卷积神经网络的人员落水检测算法。
本发明的具体实施步骤如下:
步骤一:采集声信号和现场图像
为了获取落水数据,本人与几位同学分别在学校室外游泳池和人工湖中模拟了人员落水与物体落水实验,利用布放在水边的智能水听器采集声信号,采用无人机机载摄像头拍摄现场图像。并且对实验内容和各个阶段进行实验的时间进行了详细的记录。原始的图像信息为P,水听器接收的声信号为y(t),
其中sp(t)表示有人员落水信号,so(t)表示无人员落水信号,h(t)为当前水声信道的冲击响应,*表示卷积运算,n(t)为当前水域中的环境噪声,t为时间变量;
步骤二:声信号的分帧和加窗
由于水听器采集到的每段音频y(t)长为1分钟,无法直接利用y(t)来生成时频图,因此需要对采集到的原始实验数据进行分帧和加窗处理。窗长为10s,滑动步长为5s,即每个原始音频片段最终产生11个长度为10s的较短的声信号片段x(t),且相邻两个片段之间有5s的重叠,这是为了防止在分割原始音频的的过程中将正类信号误截断,以此避免正类信号的损失;
步骤三:声信号生成时频图
由于时域的声信号无法直接投入到卷积神经网络中进行训练,所以需要将其转化为时频图的形式。利用Matlab将上一步骤中得到的声信号片段x(t)转化为时频图Px,提取该信号中的时频域信号;
步骤四:缩放图像并堆叠
考虑到计算机运算能力的可承受范围,需要将时频图Px和摄像头拍摄的现场图像P的尺寸缩小,以此提升运算速率,之后将二者堆叠在一起,形成一组新的复合图像信息。时频图Px初始图像大小为875×656×3,现场图像P的初始大小为1024×768×3,
Px′=Px·r1
P′=P·r2
Pol=[Px′ P′]
其中Px′和P′分别是Px和P缩小后的图像信息,缩放后的图像尺寸均为64×64×3;r1和r2分别是两个不同的缩放因子,r1=(0.0731,0.0976,1),r2=(0.0625,0.0833,1);Pol是堆叠后的复合图像信息,大小为64×64×6;
步骤五:分割训练集和测试集
将上一步骤中获得的复合图像信息Pol的数据集按照7:3的比例划分为训练集和测试集,最后经过人工标注得到最终的神经网络的数据集D,
D={Pol i},i=1,2...,Ni
其中Ni表示复合图像信息Pol的数量;
最终得到的数据集D共有2878个样本,包括2670个负类样本和208个正类样本。因此数据集D的训练集共有2015个样本,测试集共有863个样本;
步骤六:搭建卷积神经网络
由于该神经网络的数据集D较小,一共只有不到3000个样本,如果采用层数较深的卷积网络来训练容易导致模型过拟合,进而降低模型的泛化能力,影响检测性能。因此本专利中选择搭建层数较浅的卷积神经网络而非深度神经网络。此外还在传统卷积神经网络的基础上引入了注意力机制,使得该网络模型更加注重于特征丰富的区域,而非没有特征的无关区域。第三个卷积层的输出展开后的张量N3代表张量X的列数,
其中αi代表选择第i个输入向量的概率,z=i表示选择了第i个输入变量,q表示查询向量,s(xi,q)为注意力打分函数,d是输入向量的维度,该模型中d=2,att(X,q)是注意力函数。
该卷积神经网络C一共有4层,其中前三层均是卷积层(包含卷积、非线性激活和最大池化),最后一层是全连接层。第一个卷积层中卷积核的大小是4×4×6,卷积核的数量是8,采用SAME填充,接着将它的输出经过ReLU非线性激活函数,再经过一个最大池化,池化滤波器的大小为4×4,步长为4,所以第一个卷积层的输出张量大小为(2015,16,16,8)。后两个卷积层与第一个卷积层的结构相似,其中,第二个卷积层中的卷积核大小是4×4×8,卷积核数量是16,池化滤波器的大小为2×2,步长为2,因此第二个卷积层输出的张量大小为(2015,8,8,16);第三个卷积层中的卷积核大小是4×4×16,卷积核数量是32,池化滤波器的大小为2×2,步长为2,最终第三个卷积层输出的张量大小为(2015,4,4,32)。然后将这个张量展开为(2015,256),将它通过注意力机制后再经过一个全连接层变成(2015,2),最后通过sigmoid函数求出这2015个数据的正负类的概率;
步骤七:训练并优化卷积神经网络模型
通过调整卷积神经网络中的超参数以改善该网络的学习能力和性能表现,可调整的超参数包括网络的学习率α、每次学习的批次大小batch_size、卷积核的尺寸kernel_size和数量num_filter等,此外还可以通过选取不同的激活函数和梯度下降优化算法来提升该卷积神经网络的表现。训练时将数据集D投入上一步骤中已经搭建好的卷积神经网络C中,
其中超参数及优化算法如表1所示;
表1卷积神经网络超参数设置
步骤八:实现人员落水检测
将水听器接收到的声信号和无人机拍摄的现场图像经过步骤二至步骤四的处理后,投入到步骤七里已经训练并且优化好的卷积神经网络模型C中进行检测,依据检测结果判断有无人员落水。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于卷积神经网络的人员落水检测方法,其特征在于包括下述步骤:
步骤一:采集声信号和现场图像;
用智能水听器采集声信号,用摄像头拍摄现场图像,原始的图像信息为P,水听器接收的声信号为y(t),
其中sp(t)表示有人员落水信号,so(t)表示无人员落水信号,h(t)为当前水声信道的冲击响应,*表示卷积运算,n(t)为当前水域中的环境噪声,t为时间变量;
步骤二:声信号的分帧和加窗;
对水听器采集到的声信号y(t)进行分帧和加窗处理,处理后的信号为x(t);
步骤三:声信号生成时频图;
将信号x(t)转化为时频图Px,提取该信号中的时频域信息;
步骤四:缩放图像并堆叠;
将时频图Px和摄像头拍摄的现场图像P缩小至同一尺寸,并将时频图Px和摄像头拍摄的现场图像P堆叠复合在一起:
Px′=Px·r1
P′=P·r2
Pol=[Px′ P′]
其中Px′和P′分别是Px和P缩小后的图像信息,r1和r2分别是两个不同的缩放因子,Pol是堆叠后的复合图像信息;
步骤五:分割训练集和测试集;
将复合图像信息Pol的数据集按照比例和规则划分为训练集和测试集,最后经过人工标注得到最终的神经网络的数据集D:
D={Pol u},u=1,2...,Nu
其中Nu表示复合图像信息Pol的数量;
步骤六:搭建卷积神经网络;
搭建卷积神经网络模型C一共有4层,其中前三层均是卷积层,卷积层包含卷积、非线性激活和最大池化,最后一层是全连接层;卷积神经网络模型C在卷积神经网络的基础上引入了注意力机制,第三个卷积层的输出展开后的张量N3代表张量X的列数:
其中αi代表选择第i个输入向量的概率,z=i表示选择了第i个输入变量,q表示查询向量,s(xi,q)为注意力打分函数,d是输入向量的维度,att(X,q)即是注意力函数;
步骤七:训练并优化卷积神经网络模型;
调整卷积神经网络中的超参数,并选取不同的激活函数和梯度下降优化算法提升该卷积神经网络的表现;
神经网络的输出与神经网络输入和神经网络模型的关系如下:
其中Prob代表数据集D中各个样本经过卷积神经网络C后判断为正负类的概率,代表卷积神经网络运算,posi和nega分别代表待检测样本被识别为正负类的概率;
步骤八:实现人员落水检测;
将水听器接收到的声信号和无人机拍摄的现场图像经过步骤二至步骤四的处理后,输入到步骤七里已经训练并且优化好的卷积神经网络模型中进行检测,依据检测结果判断从而有无人员落水。
2.根据权利要求1所述的基于卷积神经网络的人员落水检测方法,其特征在于:
所述超参数包括学习率、批次大小、卷积核的尺寸和迭代次数,学习率取值为0.0001。
3.根据权利要求1所述的基于卷积神经网络的人员落水检测方法,其特征在于:所述激活函数采用Relu函数。
4.根据权利要求1所述的基于卷积神经网络的人员落水检测方法,其特征在于:所述梯度下降优化算法采用Adam梯度下降优化算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011465773.9A CN112418181B (zh) | 2020-12-13 | 2020-12-13 | 一种基于卷积神经网络的人员落水检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011465773.9A CN112418181B (zh) | 2020-12-13 | 2020-12-13 | 一种基于卷积神经网络的人员落水检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112418181A CN112418181A (zh) | 2021-02-26 |
CN112418181B true CN112418181B (zh) | 2023-05-02 |
Family
ID=74776279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011465773.9A Active CN112418181B (zh) | 2020-12-13 | 2020-12-13 | 一种基于卷积神经网络的人员落水检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418181B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830127A (zh) * | 2018-03-22 | 2018-11-16 | 南京航空航天大学 | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 |
CN109473120A (zh) * | 2018-11-14 | 2019-03-15 | 辽宁工程技术大学 | 一种基于卷积神经网络的异常声音信号识别方法 |
CN109785857A (zh) * | 2019-02-28 | 2019-05-21 | 桂林电子科技大学 | 基于mfcc+mp融合特征的异常声事件识别方法 |
CN110119718A (zh) * | 2019-05-15 | 2019-08-13 | 燕山大学 | 一种基于深度学习的落水检测及救援控制系统 |
CN110185939A (zh) * | 2019-05-16 | 2019-08-30 | 西北工业大学 | 基于卷积神经网络的气体管道泄漏识别方法 |
CN110245608A (zh) * | 2019-06-14 | 2019-09-17 | 西北工业大学 | 一种基于半张量积神经网络的水下目标识别方法 |
CN110363151A (zh) * | 2019-07-16 | 2019-10-22 | 中国人民解放军海军航空大学 | 基于双通道卷积神经网络虚警可控的雷达目标检测方法 |
CN110490230A (zh) * | 2019-07-16 | 2019-11-22 | 西北工业大学 | 基于深度卷积生成对抗网络的水声目标识别方法 |
CN110619365A (zh) * | 2019-09-18 | 2019-12-27 | 苏州经贸职业技术学院 | 一种落水检测方法 |
CN110807365A (zh) * | 2019-09-29 | 2020-02-18 | 浙江大学 | 一种基于gru与一维cnn神经网络融合的水下目标识别方法 |
CN111210464A (zh) * | 2019-12-30 | 2020-05-29 | 中国船舶重工集团公司第七一一研究所 | 基于卷积神经网络和图像融合的人员落水报警系统及方法 |
CN111460932A (zh) * | 2020-03-17 | 2020-07-28 | 哈尔滨工程大学 | 基于自适应卷积的水声信号分类识别方法 |
CN111638523A (zh) * | 2020-05-08 | 2020-09-08 | 哈尔滨工程大学 | 一种水下机器人对失踪者的搜寻和定位系统及方法 |
CN111754988A (zh) * | 2020-06-23 | 2020-10-09 | 南京工程学院 | 基于注意力机制和双路径深度残差网络的声场景分类方法 |
CN111750283A (zh) * | 2020-06-26 | 2020-10-09 | 西北工业大学 | 基于深度学习的强背景噪声环境下的气体管道泄漏识别方法 |
CN111953937A (zh) * | 2020-07-31 | 2020-11-17 | 云洲(盐城)创新科技有限公司 | 落水人员救生系统及落水人员救生方法 |
CN111986240A (zh) * | 2020-09-01 | 2020-11-24 | 交通运输部水运科学研究所 | 基于可见光和热成像数据融合的落水人员检测方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10049434B2 (en) * | 2015-10-15 | 2018-08-14 | The Boeing Company | Systems and methods for object detection |
WO2018084577A1 (en) * | 2016-11-03 | 2018-05-11 | Samsung Electronics Co., Ltd. | Data recognition model construction apparatus and method for constructing data recognition model thereof, and data recognition apparatus and method for recognizing data thereof |
US11138469B2 (en) * | 2019-01-15 | 2021-10-05 | Naver Corporation | Training and using a convolutional neural network for person re-identification |
-
2020
- 2020-12-13 CN CN202011465773.9A patent/CN112418181B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830127A (zh) * | 2018-03-22 | 2018-11-16 | 南京航空航天大学 | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 |
CN109473120A (zh) * | 2018-11-14 | 2019-03-15 | 辽宁工程技术大学 | 一种基于卷积神经网络的异常声音信号识别方法 |
CN109785857A (zh) * | 2019-02-28 | 2019-05-21 | 桂林电子科技大学 | 基于mfcc+mp融合特征的异常声事件识别方法 |
CN110119718A (zh) * | 2019-05-15 | 2019-08-13 | 燕山大学 | 一种基于深度学习的落水检测及救援控制系统 |
CN110185939A (zh) * | 2019-05-16 | 2019-08-30 | 西北工业大学 | 基于卷积神经网络的气体管道泄漏识别方法 |
CN110245608A (zh) * | 2019-06-14 | 2019-09-17 | 西北工业大学 | 一种基于半张量积神经网络的水下目标识别方法 |
CN110363151A (zh) * | 2019-07-16 | 2019-10-22 | 中国人民解放军海军航空大学 | 基于双通道卷积神经网络虚警可控的雷达目标检测方法 |
CN110490230A (zh) * | 2019-07-16 | 2019-11-22 | 西北工业大学 | 基于深度卷积生成对抗网络的水声目标识别方法 |
CN110619365A (zh) * | 2019-09-18 | 2019-12-27 | 苏州经贸职业技术学院 | 一种落水检测方法 |
CN110807365A (zh) * | 2019-09-29 | 2020-02-18 | 浙江大学 | 一种基于gru与一维cnn神经网络融合的水下目标识别方法 |
CN111210464A (zh) * | 2019-12-30 | 2020-05-29 | 中国船舶重工集团公司第七一一研究所 | 基于卷积神经网络和图像融合的人员落水报警系统及方法 |
CN111460932A (zh) * | 2020-03-17 | 2020-07-28 | 哈尔滨工程大学 | 基于自适应卷积的水声信号分类识别方法 |
CN111638523A (zh) * | 2020-05-08 | 2020-09-08 | 哈尔滨工程大学 | 一种水下机器人对失踪者的搜寻和定位系统及方法 |
CN111754988A (zh) * | 2020-06-23 | 2020-10-09 | 南京工程学院 | 基于注意力机制和双路径深度残差网络的声场景分类方法 |
CN111750283A (zh) * | 2020-06-26 | 2020-10-09 | 西北工业大学 | 基于深度学习的强背景噪声环境下的气体管道泄漏识别方法 |
CN111953937A (zh) * | 2020-07-31 | 2020-11-17 | 云洲(盐城)创新科技有限公司 | 落水人员救生系统及落水人员救生方法 |
CN111986240A (zh) * | 2020-09-01 | 2020-11-24 | 交通运输部水运科学研究所 | 基于可见光和热成像数据融合的落水人员检测方法及系统 |
Non-Patent Citations (4)
Title |
---|
Convolutional Neural Network Architectures for Sonar-Based Diver Detection and Tracking;Igor Kvasi等;《OCEANS 2019-Marseille》;20191014;1-6 * |
Visual fish tracking: Combining a two-stage graph approach with CNN-features;Jonas Jager等;《OCEANS 2017-Aberdeen》;20171026;1-6 * |
改进的卷积神经网络实现端到端的水下目标自动识别;王小宇等;《信号处理》;20200630;第36卷(第6期);958-965 * |
贝叶斯优化卷积神经网络公共场所异常声识别;曾宇等;《应用声学》;20200531;第39卷(第3期);409-416 * |
Also Published As
Publication number | Publication date |
---|---|
CN112418181A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Giffard-Roisin et al. | Tropical cyclone track forecasting using fused deep learning from aligned reanalysis data | |
CN110245608A (zh) | 一种基于半张量积神经网络的水下目标识别方法 | |
CN106446930A (zh) | 基于深层卷积神经网络的机器人工作场景识别方法 | |
CN110084234B (zh) | 一种基于实例分割的声呐图像目标识别方法 | |
CN110222591A (zh) | 一种基于深度神经网络的车道线检测方法 | |
CN111079739B (zh) | 一种多尺度注意力特征检测方法 | |
CN108875592A (zh) | 一种基于注意力的卷积神经网络优化方法 | |
JP2020119500A (ja) | ラプラシアンピラミッドネットワークを利用して自律走行自動車レベル4及びレベル5を満足させるために要求される道路障害物検出におけるセグメンテーション性能向上のための学習方法及び学習装置、並びにこれを利用したテスト方法及びテスト装置 | |
CN114724019A (zh) | 一种基于小波变换和可分离卷积语义分割的遥感图像海冰智能监测方法 | |
CN111951289B (zh) | 一种基于BA-Unet的水下声呐图像数据分割方法 | |
CN108416295A (zh) | 一种基于局部嵌入深度特征的行人再识别方法 | |
CN110555841A (zh) | 基于自注意图像融合和dec的sar图像变化检测方法 | |
CN110443155A (zh) | 一种基于卷积神经网络的视觉航标识别与分类方法 | |
CN111898419A (zh) | 基于级联深度卷积神经网络的分区滑坡检测系统及方法 | |
CN111753682A (zh) | 一种基于目标检测算法的吊装区域动态监控方法 | |
Giffard-Roisin et al. | Deep learning for hurricane track forecasting from aligned spatio-temporal climate datasets | |
CN112528775A (zh) | 一种水下目标的分类方法 | |
CN113298817A (zh) | 一种准确率高的遥感图像语义分割方法 | |
CN116524189A (zh) | 一种基于编解码索引化边缘表征的高分辨率遥感图像语义分割方法 | |
CN114707532B (zh) | 一种基于改进的Cascade R-CNN的探地雷达隧道病害目标检测方法 | |
CN112418181B (zh) | 一种基于卷积神经网络的人员落水检测方法 | |
Qiu et al. | Underwater sea cucumbers detection based on pruned SSD | |
CN116503750A (zh) | 融合目标检测和视觉注意机制的大范围遥感影像农村街区式居民地提取方法及系统 | |
Dorian et al. | Bi-class classification of humpback whale sound units against complex background noise with Deep Convolution Neural Network | |
CN115661932A (zh) | 一种垂钓行为检测方法 |
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 |