CN112711995A - 一种基于图像的海上目标识别方法 - Google Patents

一种基于图像的海上目标识别方法 Download PDF

Info

Publication number
CN112711995A
CN112711995A CN202011523704.9A CN202011523704A CN112711995A CN 112711995 A CN112711995 A CN 112711995A CN 202011523704 A CN202011523704 A CN 202011523704A CN 112711995 A CN112711995 A CN 112711995A
Authority
CN
China
Prior art keywords
image
picture
definition
pixels
target identification
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
CN202011523704.9A
Other languages
English (en)
Inventor
夏利民
朱佳辉
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN202011523704.9A priority Critical patent/CN112711995A/zh
Publication of CN112711995A publication Critical patent/CN112711995A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (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)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于图像的海上目标识别方法，海上目标的图像识别方法作为雷达探测之外的海上信息重要补充，其能在各种环境海域发挥巨大作用，对于制海权有着重要的意义。本发明提出了一种基于图像的海上目标识别方法，方法的步骤包括：A，基于预设的图像清晰度转换模块统一输入图片的清晰度；B，基于预设的海上目标识别模型以识别高清晰度图片。相较于传统目标识别网络，本发明构建了一个图像清晰度转换模块，将原始的混合清晰度空间中的图片动态的转换至高清晰度空间中去，并以此为基础使用基于SSD算法的目标识别网络进行海上目标识别，识别方法具备较高的可靠性、稳定性和准确性。

Description

一种基于图像的海上目标识别方法
技术领域
本发明设计海上目标识别领域，特别是一种基于图像的海上目标识别方法。
背景技术
近年来，我国海军舰艇“下饺子”型的新舰下水，极大地增强了对海洋主权的保护能力。海上目标检测能力是海上舰艇的“千里眼”和“顺风耳”，只有能在海上检测并识别敌我目标，我国海军才能成为召之即来，来之能战，战之能胜的精兵劲旅。
海上目标识别的目的是能在海面上对敌我双方的目标进行检测并识别。目前传统的海上目标识别方法是使用舰艇自带的雷达进行探测扫描，然而随着科学技术的方法，各种采用隐形涂料的舰艇层出不穷，雷达的探测越来越受到限制。作为雷达探测的补充方法，采用图像等方法的海上目标识别越来越成为了现代海洋战争的重要信息获取手段。
现有的海上目标识别主要使用一个目标识别网络来对图片进行检测和识别，然而以Faster-RCNN为代表的两阶段检测模型需要先生成备选框再对分别对其进行识别和检测，其计算速度较慢，不利于现实应用。此外，在海洋图片中，卫星图片和摄像头图片往往容易受到大雾天气、运动模糊、摄像头镜头污染等问题的困扰而造成拍摄结果的模糊，给目标识别造成极大的干扰，影响目标识别准确率。
发明内容
本发明解决了传统海上舰艇识别中容易受低清晰度困扰的问题，并采用SSD(Single Shot MultiBox Detector，单次多框探测器)算法对高清晰化之后的图像进行检测并识别，利用SSD算法中的先验框，一次即可检测并识别多个目标，并且对超参数进行了针对应用场景的微调，提出了一种基于图像的海上目标识别方法。
为了实现上述发明目的，本发明提供了以下技术方案：+
一种基于图像的海上目标识别方法，包括以下步骤：
A，基于预设的图片清晰度转换模型，对原始图像进行高清晰化处理，并统一为固定分辨率的图形；
B，基于预设的海上目标识别模型，识别出图像中是否存在对应的目标，海上目标识别模型基于SSD算法对图像中的目标进行识别；
步骤A包括以下步骤：
S11，将原始的图片进行下采样以获得半分辨的粗略图像；
S12，将粗略图像送入第一阶段的生成网络中以获得生成的整体图像；
S13，将整体图像进行反卷积并在通道上拼接至原始图像以获得六通道的输入图片；
S14，将六通道图片送入第二阶段的生成网络中以获得高清晰度的生成图片。
作为本发明的优选方案，图片清晰度转换模型是通过高清晰度海上目标图片对清晰度转换模型进行训练得到的，所提出的清晰度转换模型的参数设置包括：
第一阶段的输出图片大小为250×250像素，第二阶段的输出图片大小为500×500像素。
采用的两阶段的转换模型均由生成器和判别器构成，其中生成器采用了改进版的ResNet生成，并去除了BN层和CONV层后的激活函数模块。
作为本发明的优选方案，图片清晰度转换模型的训练包括以下步骤：
第一步，将原先的高清晰度图片模型，通过下采样方法方法得到250×250像素的粗糙图片；
第二步，对第一步得到的下采样图片，采用双线性插值方法得到还原后的500×500像素的低清晰度图片；
第三步，将生成的250×250像素的粗糙图片送入第一阶段模型中，并输出生成的250×250像素的近似图片；
第四步，将生成的250×250像素的近似图片通过反卷积方法得到500×500像素的反卷积图片；
第五步，将生成的反卷积图片和还原的低清晰度图片通道上拼接，并输入到第二阶段模型中，并输出最终的500×500像素的高清晰度图片。
作为本发明的优选方案，海上目标识别模型是通过对SSD网络进行训练得到的，并对SSD网络的超参数进行了设置，设置包括：
输出层节点个数设置为类别个数，类别个数为5，包括阿利·伯克级驱逐舰、黄蜂级两栖攻击舰、尼米兹级航空母舰、自由级濒海战斗舰和提康德罗加级巡洋舰五个类别；
各特征图的先验框尺度分别为30、60、111、162、213、264，长宽比尺度选取为1、2、3、1/2、1/3。
IOU的计算阈值取0.5，正样本和负样本在训练中的比值取1:3。
设置初始学习率为0.0001，分别在第40000/70000/100000/120000步下降学习率，下降因子设置为0.8，最大迭代次数设置为120000步，每个批次的大小为16张图片。
作为本发明的优选方案，海上目标识别模型的训练包括以下步骤：
第一步，对高清晰度图片进行卷积特征提取；
第二步，边界值预测；
第三步，类别预测，输出识别概率。
基于相同的构思，还提出了一种基于图像的海上目标识别方法，包括至少一个处理器，以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述任一项的方法。
与现有技术相比，本发明的有益效果：
本发明提出的一种基于图像的海上目标识别方法，该方法首先利用清晰度转换模型对所采集的原始低清模糊图片进行转换并生成高清晰度的海上目标图片，随后再使用海上目标识别模型对图像中的舰艇目标进行识别，由于两者都是通过大量的图片预先训练得到，因此在实时识别时，准确率较高。
附图说明
图1为本发明实施例1中一种基于图像的海上目标识别方法的流程图；
图2为本发明实施例1中检测海上目标的图像识别算法示意图；
图3为本发明实施例1中海上目标图片清晰度转换算法示意图；
图4为本发明实施例1中根据训练集得到海上目标的图像识别算法的流程示意图。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
一种基于图像的海上目标识别方法的流程图如图1所示，该方法的步骤包括：
A，基于预设的图片清晰度转换模型，对原始图像进行高清晰化处理，并统一为固定分辨率的图形；
B，基于预设的海上目标识别模型，识别出图像中是否存在对应的目标，海上目标识别模型基于SSD算法对图像中的目标进行识别；
其中步骤A包括以下步骤：
S11，将原始的图片进行下采样以获得半分辨的粗略图像；
S12，将粗略图像送入第一阶段的生成网络中以获得生成的整体图像；
S13，将整体图像进行反卷积并在通道上拼接至原始图像以获得六维的输入图片；
S14，将六维图片送入第二阶段的生成网络中以获得高清晰度的生成图片。
作为本发明的优选方案，图片清晰度转换模型是通过高清晰度海上目标图片对清晰度转换模型进行训练得到的，所提出的清晰度转换模型的参数设置包括：
第一阶段的输出图片大小为250×250像素，第二阶段的输出图片大小为500×500像素。
采用的两阶段的转换模型均由生成器和判别器构成，其中生成器采用了改进版的ResNet生成，并去除了BN层和CONV层后的激活函数模块。
其中，S11包括以下步骤：
输入原始的图片，利用2×2的平均池化过程来对整张图片的RGB三个通道分别计算平均池化后的输出，池化的padding被设置为0，stride被设置为2，输出输出通道均保持为3。
步骤S12是基于以下思路实现的：
传统的清晰度转换网络中，其目标为低清图片转换至高清图片，然而在海上目标识别过程中，往往难以保证图片来源的清晰度相同，不同天气摄像头的图片都可能造成清晰的不同，从而需要不同清晰度的转换器。作为本发明的优选方案，所采用的生成网络将混合清晰度空间的图片转换至高清晰度空间中，因此节省了模型的数量，更符合实用性。
作为本发明的优选方案，采用的生成网络在自动编码器和解码器部分都是用了改进版的ResNet结构，相较于其原始的版本，改进之处在于删去了残差块中的BN层和CONV层后的激活函数，以加快计算速度。此外，在训练损失中，判别器不再区分其生成图片和原始图片之间的概率分布，而是判断不同清晰度的生成图片之间的概率分布以保证其归属于统一特征空间中。
S13包括以下步骤：
对生成的整体图像的三个通道，每个通道的尺寸大小为250×250，采用一个大小为3×3的卷积核进行计算以得到一个稀疏的卷积矩阵C。随后将输入图片和C的转置矩阵进行相乘以得到列向量，最后再使用reshape方式以获得500×500大小的三通道输出图片。
步骤S14是基于以下思路实现的：
对所获得的六通道的图片，将其送入第二阶段的生成网络中以获得高清晰度的输出图片。其中第一阶段和第二阶段的网络结构一致，然而其指导方法并不相同。其区别在于：第一阶段的生成网络用下采样后的图片与输出图片进行对比并比较其结构损失，而第二阶段的生成网站则用原始的三通道高清图片与输出图片进行对比并比较其结构上的损失。
用于海上目标识别的图像识别模型的训练过程如图2所示，数据集制作根据海上目标识别的对象的需要数据集可以是阿利·伯克级驱逐舰、黄蜂级两栖攻击舰、尼米兹级航空母舰、自由级濒海战斗舰和提康德罗加级巡洋舰五个类别的舰艇。
用于图片清晰化的清晰度转换模型的训练过程如图3所示，清晰度数据集的制作采用较高清晰的的样本图片，对其进行不同尺度的下采样，并使用双线性插值方法还原至原先的500×500像素大小，最终还原后的图片和输入的图片都共同构成了清晰度数据集，输入图片成为ground truth。
图4中还给出了根据训练集得到海上目标识别模型的过程，训练集图像依次通过卷积提取特征、边界值预测和类别预测，输出识别概率。具体的步骤为：
第一步，卷积提取特征。SSD网络通过通过使用VGG16为基线网络，VGG16共包含13个卷积层，3个全连接层，5个池化层，每个卷积层均采用相同的卷积核参数，每个池化层也都采用相同的池化层参数。
第二步，边界值预测。SSD对于边界值的预测步骤包括：
首先，在不同的卷积层输出的特征图像对图片进行网格的划分，各特征图的先验框尺度分别为30、60、111、162、213、264，长宽比尺度选取为1、2、3、1/2、1/3。因此一个SSD网络共具有8732个先验框。
其次，每个先验框计算其位置误差和置信度误差，两者分别表示先验框是否满足ground truth的大小位置和目标的检测正确性。
最后，所有的先验框都会使用非极大值抑制算法来得到筛选后的检测边界框。
第三步，SSD在最后使用一个全连接层和SoftMax来进行类别的预测和边框的预测。
以上所述，仅作为本发明具体实施方式的详细说明，而非对本发明的限制。相关领域的技术人员在不脱离本发明的原则和范围的情况下，做出的各种替换、变型以及改进均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于图像的海上目标识别方法，其特征在于，包括以下步骤：
A，基于预设的图片清晰度转换模型，对原始图像进行高清晰化处理，并统一为固定分辨率的图形；
B，基于预设的海上目标识别模型，识别出图像中是否存在对应的目标，海上目标识别模型基于SSD算法对图像中的目标进行识别；
步骤A包括以下步骤：
S11，将原始的图片进行下采样以获得半分辨的粗略图像；
S12，将粗略图像送入第一阶段的生成网络中以获得生成的整体图像；
S13，将整体图像进行反卷积并在通道上拼接至原始图像以获得六通道的输入图片；
S14，将六通道图片送入第二阶段的生成网络中以获得高清晰度的生成图片。
2.如权利要求1所述的一种基于图像的海上目标识别方法，其特征在于，所述的图片清晰度转换模型是通过高清晰度海上目标图片对清晰度转换模型进行训练得到的，所提出的清晰度转换模型的参数设置包括：
第一阶段的输出图片大小为250×250像素，第二阶段的输出图片大小为500×500像素。
采用的两阶段的转换模型均由生成器和判别器构成，其中生成器采用了改进版的ResNet生成，并去除了BN层和CONV层后的激活函数模块。
3.如权利要求2所述的一种基于图像的海上目标识别方法，其特征在于，所述的图片清晰度转换模型的训练包括以下步骤：
第一步，将原先的高清晰度图片模型，通过下采样方法方法得到250×250像素的粗糙图片；
第二步，对第一步得到的下采样图片，采用双线性插值方法得到还原后的500×500像素的低清晰度图片；
第三步，将生成的250×250像素的粗糙图片送入第一阶段模型中，并输出生成的250×250像素的近似图片；
第四步，将生成的250×250像素的近似图片通过反卷积方法得到500×500像素的反卷积图片；
第五步，将生成的反卷积图片和还原的低清晰度图片通道上拼接，并输入到第二阶段模型中，并输出最终的500×500像素的高清晰度图片。
4.如权利要求1所述的一种基于图像的海上目标识别方法，其特征在于，海上目标识别模型是通过对SSD网络进行训练得到的，并对SSD网络的超参数进行了设置，设置包括：
输出层节点个数设置为类别个数，类别个数为5，包括阿利·伯克级驱逐舰、黄蜂级两栖攻击舰、尼米兹级航空母舰、自由级濒海战斗舰和提康德罗加级巡洋舰五个类别；
各特征图的先验框尺度分别为30、60、111、162、213、264，长宽比尺度选取为1、2、3、1/2、1/3。
IOU的计算阈值取0.5，正样本和负样本在训练中的比值取1:3。
设置初始学习率为0.0001，分别在第40000/70000/100000/120000步下降学习率，下降因子设置为0.8，最大迭代次数设置为120000步，每个批次的大小为16张图片。
5.如权利要求4所述的一种基于图像的海上目标识别方法，其特征在于，海上目标识别模型的训练包括以下步骤：
第一步，对高清晰度图片进行卷积特征提取；
第二步，边界值预测；
第三步，类别预测，输出识别概率。
CN202011523704.9A 2020-12-22 2020-12-22 一种基于图像的海上目标识别方法 Pending CN112711995A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011523704.9A CN112711995A (zh) 2020-12-22 2020-12-22 一种基于图像的海上目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011523704.9A CN112711995A (zh) 2020-12-22 2020-12-22 一种基于图像的海上目标识别方法

Publications (1)

Publication Number Publication Date
CN112711995A true CN112711995A (zh) 2021-04-27

Family

ID=75544936

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011523704.9A Pending CN112711995A (zh) 2020-12-22 2020-12-22 一种基于图像的海上目标识别方法

Country Status (1)

Country Link
CN (1) CN112711995A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723572A (zh) * 2021-11-01 2021-11-30 中南大学 船只目标识别方法、计算机系统及程序产品、存储介质
CN114239688A (zh) * 2021-11-23 2022-03-25 中南大学 船只目标识别方法、计算机装置及程序产品、存储介质
CN114655389A (zh) * 2022-04-12 2022-06-24 广东海洋大学 一种具有目标识别功能的无人值守船舶系统
CN116484954A (zh) * 2023-03-20 2023-07-25 中国人民解放军军事科学院战略评估咨询中心 人工智能海上伏击模型生成方法、计算机程序及存储介质
CN116894936A (zh) * 2023-06-20 2023-10-17 北京自动化控制设备研究所 基于无人机视觉的海上目标识别定位方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108022213A (zh) * 2017-11-29 2018-05-11 天津大学 基于生成对抗网络的视频超分辨率重建算法
CN110188628A (zh) * 2019-05-13 2019-08-30 北京遥感设备研究所 一种基于深度学习模型的rd图像舰船目标识别方法
US20200111194A1 (en) * 2018-10-08 2020-04-09 Rensselaer Polytechnic Institute Ct super-resolution gan constrained by the identical, residual and cycle learning ensemble (gan-circle)
CN111027445A (zh) * 2019-12-04 2020-04-17 安徽工程大学 一种海上船舶目标识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108022213A (zh) * 2017-11-29 2018-05-11 天津大学 基于生成对抗网络的视频超分辨率重建算法
US20200111194A1 (en) * 2018-10-08 2020-04-09 Rensselaer Polytechnic Institute Ct super-resolution gan constrained by the identical, residual and cycle learning ensemble (gan-circle)
CN110188628A (zh) * 2019-05-13 2019-08-30 北京遥感设备研究所 一种基于深度学习模型的rd图像舰船目标识别方法
CN111027445A (zh) * 2019-12-04 2020-04-17 安徽工程大学 一种海上船舶目标识别方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
JIE LIU ET.AL: "Residual Feature Aggregation Network for Image Super-Resolution", 《 2020 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 *
ZHIHAO WANG ET.AL: "Deep Learning for Image Super-Resolution: A Survey", 《ARXIV》 *
佟骏超等: "递归式多阶特征融合图像超分辨率算法", 《中国图象图形学报》 *
吴洁: "基于深度学习的图像超分辨率重建技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
段然: "基于生成对抗的图像超分辨率研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
肖雅敏: "基于多级连接注意力网络的单图像超分辨率重建", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
谢海平等: "图像超分辨率方法研究进展", 《计算机工程与应用》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723572A (zh) * 2021-11-01 2021-11-30 中南大学 船只目标识别方法、计算机系统及程序产品、存储介质
CN113723572B (zh) * 2021-11-01 2022-01-28 中南大学 船只目标识别方法、计算机系统及程序产品、存储介质
CN114239688A (zh) * 2021-11-23 2022-03-25 中南大学 船只目标识别方法、计算机装置及程序产品、存储介质
CN114655389A (zh) * 2022-04-12 2022-06-24 广东海洋大学 一种具有目标识别功能的无人值守船舶系统
CN116484954A (zh) * 2023-03-20 2023-07-25 中国人民解放军军事科学院战略评估咨询中心 人工智能海上伏击模型生成方法、计算机程序及存储介质
CN116484954B (zh) * 2023-03-20 2023-11-10 中国人民解放军军事科学院战略评估咨询中心 人工智能海上伏击模型生成方法及存储介质
CN116894936A (zh) * 2023-06-20 2023-10-17 北京自动化控制设备研究所 基于无人机视觉的海上目标识别定位方法及系统

Similar Documents

Publication Publication Date Title
CN112711995A (zh) 一种基于图像的海上目标识别方法
CN111460931B (zh) 基于颜色通道差值图特征的人脸欺骗检测方法及系统
CN110084234B (zh) 一种基于实例分割的声呐图像目标识别方法
CN110532897B (zh) 零部件图像识别的方法和装置
CN111079739B (zh) 一种多尺度注意力特征检测方法
CN112800838A (zh) 一种基于深度学习的航道船舶检测与识别方法
CN112069910B (zh) 一种遥感图像多方向舰船目标检测方法
CN117253154B (zh) 一种基于深度学习的集装箱弱小序列号目标检测识别方法
CN113850783B (zh) 一种海面船舶检测方法及系统
CN115147731A (zh) 一种基于全空间编码注意力模块的sar图像目标检测方法
Yu et al. Object detection-tracking algorithm for unmanned surface vehicles based on a radar-photoelectric system
CN113486819A (zh) 一种基于YOLOv4算法的船舶目标检测方法
CN115965862A (zh) 基于掩码网络融合图像特征的sar舰船目标检测方法
Chang et al. Yolov3 based ship detection in visible and infrared images
CN116363535A (zh) 基于卷积神经网络的无人机航拍影像中的船舶检测方法
CN115115863A (zh) 水面多尺度目标检测方法、装置及系统和存储介质
CN115047455A (zh) 一种轻量化的sar图像舰船目标检测方法
CN114627160A (zh) 一种水下环境探测的方法
CN112101113B (zh) 一种轻量化的无人机图像小目标检测方法
CN113989612A (zh) 基于注意力及生成对抗网络的遥感影像目标检测方法
CN116958780A (zh) 一种跨尺度的目标检测方法及系统
CN116953702A (zh) 基于演绎范式的旋转目标检测方法及装置
CN116740572A (zh) 一种基于改进yolox的海上船舰目标检测方法和系统
CN111353459A (zh) 一种资源受限条件下的舰船目标检测方法
CN115861756A (zh) 基于级联组合网络的大地背景小目标识别方法

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: 20210427

WD01 Invention patent application deemed withdrawn after publication