CN112906521A - 一种基于生成对抗网络的红外图像生成系统及方法 - Google Patents

一种基于生成对抗网络的红外图像生成系统及方法 Download PDF

Info

Publication number
CN112906521A
CN112906521A CN202110157191.2A CN202110157191A CN112906521A CN 112906521 A CN112906521 A CN 112906521A CN 202110157191 A CN202110157191 A CN 202110157191A CN 112906521 A CN112906521 A CN 112906521A
Authority
CN
China
Prior art keywords
network
infrared
module
infrared image
generation
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
CN202110157191.2A
Other languages
English (en)
Inventor
杨俊彦
潘敏婷
钮赛赛
邵艳明
井丽红
钱久超
朱肖光
王浩宇
薛建伟
刘佩林
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 Aerospace Control Technology Institute
Original Assignee
Shanghai Aerospace Control Technology 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 Shanghai Aerospace Control Technology Institute filed Critical Shanghai Aerospace Control Technology Institute
Priority to CN202110157191.2A priority Critical patent/CN112906521A/zh
Publication of CN112906521A publication Critical patent/CN112906521A/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
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian 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
    • G06N3/045—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
    • G06V10/20—Image preprocessing
    • 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

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)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种基于生成对抗网络的红外图像生成系统及方法。利用配对的彩色图像和红外图像进行网络模型的训练，实现彩色图像到红外图像的风格转换。该发明解决了在训练红外目标检测网络时存在的红外数据集不足的问题，数据量的不足会造成网络的过拟合现象。本发明包括数据采集模块、数据预处理模块、网络模型搭建模块、模型训练模块、红外图像生成模块和红外目标检测模块，通过这些模块可以实现逼真的红外数据生成，进而扩充数据集，具有很高的实用价值。

Description

一种基于生成对抗网络的红外图像生成系统及方法
技术领域
本发明涉及到计算机视觉与模式识别领域和红外图像处理领域，具体为一种基于生成对抗网络的红外图像生成系统及方法。
背景技术
随着智能监控系统的普及，对场景监控能力的需求日益提高，红外图像传感器在公共安全领域占据着重要的地位。在许多场景下，普通的摄像头存在局限性。在雨雾等恶劣条件下，由于可见光的波长短，穿透能力弱，若使用普通的摄像机拍摄，得到的观测效果非常差。黑夜往往是违法犯罪分子作案的绝佳时期，普通摄像机也无法拍摄到他们的行动轨迹。而红外热成像仪，是根据目标自身与背景之间的红外热辐射差得到的红外图像，即使是在雨雾的恶劣环境和黑夜条件下，也可以正常的观测到目标，抗干扰能力强。
对红外图像使用目标检测技术，需要大量的红外数据进行神经网络模型的训练，由于红外数据的敏感性使得获取红外数据存在一定的困难。面对这一问题，可以使用生成对抗网络进行红外图像的生成，扩大神经网络训练数据的规模，增强目标检测网络的泛化性。因此，基于生成对抗网络的红外图像生成技术给红外目标检测网络模型的训练提供了更大的可能。
发明内容
本发明解决的技术问题是：克服现有技术的不足，提出一种基于生成对抗网络的红外图像生成系统及方法，通过训练改进的生成对抗网络模型，可以实现风格转换，将彩色图像转变为红外图像。主要解决使用红外图像进行目标检测模型训练时存在红外数据不足的问题，使用该方法可以有效地进行红外数据集扩充，增加网络模型训练的样本，避免网络模型过拟合的问题，进一步提高红外目标检测的准确度。
本发明的技术方案是：一种基于生成对抗网络的红外图像生成方法，包括数据采集模块、数据预处理模块、网络模型搭建模块、模型训练模块、红外图像生成模块和红外目标检测模块；数据采集模块进行不同场景下彩色图片和红外图片的采集；将数据采集模块与数据预处理模块相连，对采集到的图像数据进行预处理；数据预处理模块将处理后的数据送入网络模型搭建模块，网络模型搭建模块中包括对生成网络和鉴别网络的搭建；将网络模型搭建模块与模型训练模块相连，对搭建好的网络模型进行训练；红外图像生成模块与模型训练模块相连，使用训练好的网络模型生成红外图像；红外目标检测模块与红外图像生成模块相连，对生成的红外图像进行目标检测。
一种基于生成对抗网络的红外图像生成方法，步骤如下：
步骤S1：数据采集模块进行不同场景下彩色图片和红外图片的采集，得到图像数据；所述数据采集模块包括两个摄像头，一个普通摄像头和一个红外摄像头，两个摄像头同时进行拍摄，要求拍摄得到的彩色图像和红外图像是一一配对的；
步骤S2：数据预处理模块对步骤S1采集到的图像数据进行预处理；所述预处理方式包括图像去噪、图像裁剪和旋转、图像组合、格式转换；
步骤S3：搭建红外图像生成网络；
搭建两个网络，包括生成网络和鉴别网络；生成网络负责生成尽可能逼真的红外图片，鉴别网络负责鉴别输入的红外图像是真实的还是生成的；
步骤S4：完成网络模型的搭建后，进行网络模型的训练；
使用标准的训练方法，交替进行生成器G和鉴别器D的训练，即先训练鉴别器D，然后训练生成器G，不断往复；在训练的过程中使用minibatch SGD和Adam优化器，其中学习率设为0.0002；
步骤S5：使用训练好的网络模型生成需要的红外图像；把需要转换的彩色图像输入模型，通过权重参数的加载和模型的处理，输出所需的红外图像。
步骤S6：使用生成的红外图像进行红外目标检测。
在步骤S2中，数据预处理模块对采集到的图像数据进行预处理的具体过程为：采用高斯滤波进行图像去噪操作，减少图片中噪点对实验的影响；同时对采集到的图片进行裁剪，得到相同的尺寸大小，将配对的红外图像和彩色图像进行拼接。
在步骤S3中，搭建红外图像生成网络，包括生成网络G和鉴别网络D；生成器G由多层卷积网络组成，以随机噪声z作为输入，采用反卷积操作对输入数据进行上采样，输出逼近真实分布的图片；鉴别器D同样由多层卷积网络组成，输入为真实的图片和生成器G生成的图片，经过卷积操作对输入图片进行下采样，输出类别标签。
在步骤S4中，网络模型的输入是随机噪声z和图片x；此时生成器G的映射过程为G(x,z)，而鉴别器D需要鉴别两组数据，即{x,G(x,z)}和{x,y}；网络训练的损失函数为：
LGAN(G,D)＝Ex,y[logD(x,y)]+Ex,z[log(1-D(x,G(x,z)))]
式中，E表示数学期望，y表示真实的图片；生成器G不断的尝试最小化该损失函数，而鉴别器D则通过不断的迭代最大化这个损失函数，即
Figure BDA0002934156750000041
在步骤S5中，对模型加载训练好的网络权重，将需要转换的彩色图像输入网络进行红外图像生成；使用dropout和批量正则化技术对模型进行规范化处理，根据实际情况将批量大小设置为1到10之间。
在步骤S6中，使用YOLO网络对生成的红外图像进行红外目标检测；将生成的红外图像输入预训练好的YOLO网络中，定位出红外目标的位置。
本发明设计的方法与装置包括数据采集模块、数据预处理模块、网络模型搭建模块、模型训练模块、红外图像生成模块和红外目标检测模块。
数据采集模块包括两个摄像头，一个普通摄像头和一个红外摄像头，两个摄像头同时进行拍摄，进行不同场景下彩色图片和红外图片的采集；将数据采集模块与数据预处理模块相连，对采集到的图像数据进行图像去噪、图像裁剪和旋转、图像组合、格式转换等预处理操作；数据预处理模块将处理后的数据送入网络模型搭建模块，网络模型搭建模块在深度学习框架Pytorch上搭建，包括对生成网络和鉴别网络的搭建；将网络模型搭建模块与模型训练模块相连，对搭建好的网络模型进行交替训练，先训练鉴别网络，然后训练生成网络，不断反复；红外图像生成模块与模型训练模块相连，使用训练好的网络模型把需要转换的彩色图像转变为红外图像；红外目标检测模块与红外图像生成模块相连，对生成的红外图像进行目标检测。
本发明的有益效果是：
本发明基于深度学习算法，通过生成对抗网络生成红外图像，使用配对的方式输入网络模型，进一步提高了鉴别网络的识别能力。生成器和鉴别器相互制约，协同训练，最后达到生成高清逼真的红外图像的目的。使用该技术可以有效解决红外目标检测模型训练中红外数据不足的问题，使用不充足的数据进行模型训练后，得到的模型识别效果较差，泛化性不足，容易出现过拟合现象。本发明给网络模型的训练提高了更大的可能，可以生成充足且逼真的红外数据。
附图说明
图1为本发明的整体流程示意图。
图2为红外图像生成网络结构原理图。
图3为生成网络的结构原理图。
具体实施方式
下面结合附图1-3和具体实施方法对本发明作进一步详细的说明，整体的实施流程如图1所示。基于生成对抗网络的红外图像生成方法，包括以下几个部分：数据采集模块、数据预处理模块、网络模型搭建模块、模型训练模块、红外图像生成模块和红外目标检测模块。
步骤S1：数据采集模块采集配对的彩色图片和红外图片；数据采集模块包含两个摄像头，一个普通摄像头和一个红外摄像头，两个摄像头放置在同一位置，并且同时拍摄。
步骤S2：数据预处理模块对采集到的图片采用高斯滤波进行图像去噪，减少图片中噪点对实验的影响；并对采集的两组图片进行裁剪，使它们具有相同的尺寸大小(512×706)，并将配对的两张图片进行拼接。
步骤S3：网络模型搭建模块对红外图像生成网络模型进行搭建；该模型的网络结构设计如图2所示，该结构主要分为两个部分，分别为生成网络G和鉴别网络D；生成器G由多层卷积网络组成，以随机噪声z作为输入，采用反卷积操作对输入数据进行上采样，输出逼近真实分布的图片；鉴别器D同样由多层卷积网络组成，输入为真实的图片和生成器G生成的图片，经过卷积操作对输入图片进行下采样，输出类别标签。
步骤S4：模型训练模块对设计好的网络模型进行训练。网络模型的输入是随机噪声z和图片x；此时生成器G的映射过程为G(x,z)，而鉴别器D需要鉴别两组数据，即{x,G(x,z)}和{x,y}；网络训练的损失函数为：
LGAN(G,D)＝Ex,y[logD(x,y)]+Ex,z[log(1-D(x,G(x,z)))]
式中，E表示数学期望，y表示真实的图片；生成器G不断的尝试最小化该损失函数，而鉴别器D则通过不断的迭代最大化这个损失函数，即
Figure BDA0002934156750000061
对生成器G增加一个L1范数损失函数(L1 loss)，即
LL1(G)＝Ex,y,z[||y-G(x,z)||1]；
将这两条公式结合，最终的损失函数是：
Figure BDA0002934156750000071
式中λ为平衡因子。
步骤S5：为了优化网络，使用标准的训练方法，交替进行生成器G和鉴别器D的训练，即先训练鉴别器D，然后训练生成器G，不断往复；当训练生成器时，将最小化log(1-D(x,G(x,z)))转变为最大化logD(x,G(x,z))；在训练的过程中使用minibatch SGD和Adam优化器，其中学习率设为0.0002。
步骤S6：红外图像生成模块使用训练好的网络模型对测试集数据进行红外图像生成，对照生成图像和真实图像的差异。
步骤S7：红外目标检测模块使用YOLO网络对生成的红外图像进行红外目标检测；将生成的红外图像输入预训练好的YOLO网络中，定位出红外目标的位置。
本发明还涉及一种基于生成对抗网络的红外图像生成系统，包括数据采集模块、数据预处理模块、网络模型搭建模块、模型训练模块、红外图像生成模块和红外目标检测模块；数据采集模块进行不同场景下彩色图片和红外图片的采集；将数据采集模块与数据预处理模块相连，对采集到的图像数据进行预处理；数据预处理模块将处理后的数据送入网络模型搭建模块，网络模型搭建模块中包括对生成网络和鉴别网络的搭建；将网络模型搭建模块与模型训练模块相连，对搭建好的网络模型进行训练；红外图像生成模块与模型训练模块相连，使用训练好的网络模型生成红外图像；红外目标检测模块与红外图像生成模块相连，对生成的红外图像进行目标检测。

Claims (7)

1.一种基于生成对抗网络的红外图像生成系统，其特征在于，包括数据采集模块、数据预处理模块、网络模型搭建模块、模型训练模块、红外图像生成模块和红外目标检测模块；数据采集模块进行不同场景下彩色图片和红外图片的采集；将数据采集模块与数据预处理模块相连，对采集到的图像数据进行预处理；数据预处理模块将处理后的数据送入网络模型搭建模块，网络模型搭建模块中包括对生成网络和鉴别网络的搭建；将网络模型搭建模块与模型训练模块相连，对搭建好的网络模型进行训练；红外图像生成模块与模型训练模块相连，使用训练好的网络模型生成红外图像；红外目标检测模块与红外图像生成模块相连，对生成的红外图像进行目标检测。
2.一种基于生成对抗网络的红外图像生成方法，其特征在于步骤如下：
步骤S1：数据采集模块进行不同场景下彩色图片和红外图片的采集，得到图像数据；所述数据采集模块包括两个摄像头，一个普通摄像头和一个红外摄像头，两个摄像头同时进行拍摄，要求拍摄得到的彩色图像和红外图像是一一配对的；
步骤S2：数据预处理模块对步骤S1采集到的图像数据进行预处理；所述预处理方式包括图像去噪、图像裁剪和旋转、图像组合、格式转换；
步骤S3：搭建红外图像生成网络；
搭建两个网络，包括生成网络和鉴别网络；生成网络负责生成尽可能逼真的红外图片，鉴别网络负责鉴别输入的红外图像是真实的还是生成的；
步骤S4：完成网络模型的搭建后，进行网络模型的训练；
使用标准的训练方法，交替进行生成器G和鉴别器D的训练，即先训练鉴别器D，然后训练生成器G，不断往复；在训练的过程中使用minibatch SGD和Adam优化器，其中学习率设为0.0002；
步骤S5：使用训练好的网络模型生成需要的红外图像；把需要转换的彩色图像输入模型，通过权重参数的加载和模型的处理，输出所需的红外图像。
步骤S6：使用生成的红外图像进行红外目标检测。
3.根据权利要求2所述的基于生成对抗网络的红外图像生成方法，其特征在于，在步骤S2中，数据预处理模块对采集到的图像数据进行预处理的具体过程为：采用高斯滤波进行图像去噪操作，减少图片中噪点对实验的影响；同时对采集到的图片进行裁剪，得到相同的尺寸大小，将配对的红外图像和彩色图像进行拼接。
4.根据权利要求2所述的基于生成对抗网络的红外图像生成方法，其特征在于，在步骤S3中，搭建红外图像生成网络，包括生成网络G和鉴别网络D；生成器G由多层卷积网络组成，以随机噪声z作为输入，采用反卷积操作对输入数据进行上采样，输出逼近真实分布的图片；鉴别器D同样由多层卷积网络组成，输入为真实的图片和生成器G生成的图片，经过卷积操作对输入图片进行下采样，输出类别标签。
5.根据权利要求2所述的基于生成对抗网络的红外图像生成方法，其特征在于，在步骤S4中，网络模型的输入是随机噪声z和图片x；此时生成器G的映射过程为G(x,z)，而鉴别器D需要鉴别两组数据，即{x,G(x,z)}和{x,y}；网络训练的损失函数为：
LGAN(G,D)＝Ex,y[logD(x,y)]+Ex,z[log(1-D(x,G(x,z)))]
式中，E表示数学期望，y表示真实的图片；生成器G不断的尝试最小化该损失函数，而鉴别器D则通过不断的迭代最大化这个损失函数，即
Figure FDA0002934156740000031
6.根据权利要求2所述的基于生成对抗网络的红外图像生成方法，其特征在于，在步骤S5中，对模型加载训练好的网络权重，将需要转换的彩色图像输入网络进行红外图像生成；使用dropout和批量正则化技术对模型进行规范化处理，根据实际情况将批量大小设置为1到10之间。
7.根据权利要求2所述的基于生成对抗网络的红外图像生成方法，其特征在于，在步骤S6中，使用YOLO网络对生成的红外图像进行红外目标检测；将生成的红外图像输入预训练好的YOLO网络中，定位出红外目标的位置。
CN202110157191.2A 2021-02-04 2021-02-04 一种基于生成对抗网络的红外图像生成系统及方法 Pending CN112906521A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110157191.2A CN112906521A (zh) 2021-02-04 2021-02-04 一种基于生成对抗网络的红外图像生成系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110157191.2A CN112906521A (zh) 2021-02-04 2021-02-04 一种基于生成对抗网络的红外图像生成系统及方法

Publications (1)

Publication Number Publication Date
CN112906521A true CN112906521A (zh) 2021-06-04

Family

ID=76122492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110157191.2A Pending CN112906521A (zh) 2021-02-04 2021-02-04 一种基于生成对抗网络的红外图像生成系统及方法

Country Status (1)

Country Link
CN (1) CN112906521A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117409192A (zh) * 2023-12-14 2024-01-16 武汉大学 一种基于数据增强的红外小目标检测方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108509892A (zh) * 2018-03-28 2018-09-07 百度在线网络技术（北京）有限公司 用于生成近红外图像的方法和装置
CN109472837A (zh) * 2018-10-24 2019-03-15 西安电子科技大学 基于条件生成对抗网络的光电图像转换方法
CN111798412A (zh) * 2020-06-04 2020-10-20 国网山东省电力公司电力科学研究院 一种基于红外图像的变电设备缺陷智能诊断方法及系统
CN111967291A (zh) * 2019-05-20 2020-11-20 天津科技大学 一种红外人脸图像到可见光人脸图像的转换方法
CN112101434A (zh) * 2020-09-04 2020-12-18 河南大学 基于改进YOLO v3的红外图像弱小目标检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108509892A (zh) * 2018-03-28 2018-09-07 百度在线网络技术（北京）有限公司 用于生成近红外图像的方法和装置
CN109472837A (zh) * 2018-10-24 2019-03-15 西安电子科技大学 基于条件生成对抗网络的光电图像转换方法
CN111967291A (zh) * 2019-05-20 2020-11-20 天津科技大学 一种红外人脸图像到可见光人脸图像的转换方法
CN111798412A (zh) * 2020-06-04 2020-10-20 国网山东省电力公司电力科学研究院 一种基于红外图像的变电设备缺陷智能诊断方法及系统
CN112101434A (zh) * 2020-09-04 2020-12-18 河南大学 基于改进YOLO v3的红外图像弱小目标检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ALEC RADFORD ET AL.: "UNSUPERVISED REPRESENTATION LEARNING WITH DEEP CONVOLUTIONAL GENERATIVE ADVERSARIAL NETWORKS", 《ARXIV》 *
CHEN_YUAZZY: "基于GAN网络生成车辆不同角度图像之训练数据集处理", 《CSDN》 *
IAN J. GOODFELLOW ET AL.: "Generative Adversarial Nets", 《ARXIV》 *
PHILLIP ISOLA ET AL.: "Image-to-Image Translation with Conditional Adversarial Networks", 《ARXIV》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117409192A (zh) * 2023-12-14 2024-01-16 武汉大学 一种基于数据增强的红外小目标检测方法及装置
CN117409192B (zh) * 2023-12-14 2024-03-08 武汉大学 一种基于数据增强的红外小目标检测方法及装置

Similar Documents

Publication Publication Date Title
US10452951B2 (en) Active visual attention models for computer vision tasks
US11783569B2 (en) Method for classifying hyperspectral images on basis of adaptive multi-scale feature extraction model
CN110674688B (zh) 用于视频监控场景的人脸识别模型获取方法、系统和介质
CN109636742B (zh) 基于对抗生成网络的sar图像和可见光图像的模式转换方法
CN110136162B (zh) 无人机视角遥感目标跟踪方法及装置
CN110390308B (zh) 一种基于时空对抗生成网络的视频行为识别方法
CN112132205B (zh) 一种基于卷积神经网络的遥感图像分类方法
CN115861799A (zh) 基于注意力梯度的轻量化空对地目标检测方法
CN114882537B (zh) 一种基于神经辐射场的手指新视角图像生成方法
CN112507893A (zh) 一种基于边缘计算的分布式无监督行人重识别方法
CN115861756A (zh) 基于级联组合网络的大地背景小目标识别方法
CN116343329A (zh) 一种红外-可见光多源图像融合一体管控系统和设备
Jaffe et al. Remote sensor design for visual recognition with convolutional neural networks
CN115115973A (zh) 一种基于多感受野与深度特征的弱小目标检测方法
CN112906521A (zh) 一种基于生成对抗网络的红外图像生成系统及方法
CN114218999A (zh) 一种基于融合图像特征的毫米波雷达目标检测方法及系统
CN113378672A (zh) 基于改进YOLOv3的输电线缺陷多目标检测方法
Kheder et al. Transfer learning based traffic light detection and recognition using CNN inception-V3 model
CN113628143A (zh) 一种基于多尺度卷积的加权融合图像去雾方法及装置
CN113627504A (zh) 基于生成对抗网络的多模态多尺度特征融合目标检测方法
CN113887272A (zh) 基于边缘计算的暴力行为智能安全检测系统
CN115761552B (zh) 面向无人机机载平台的目标检测方法、设备及介质
CN112465736B (zh) 一种用于港口船舶监控的红外视频图像增强方法
CN116188930A (zh) 一种基于融合事件相机的场景识别方法及系统
CN116309270A (zh) 一种基于双目图像的输电线路典型缺陷识别方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210604