CN113033303A - 一种基于RCIoU损失的SAR图像旋转舰船检测的实现方法 - Google Patents
一种基于RCIoU损失的SAR图像旋转舰船检测的实现方法 Download PDFInfo
- Publication number
- CN113033303A CN113033303A CN202110182143.9A CN202110182143A CN113033303A CN 113033303 A CN113033303 A CN 113033303A CN 202110182143 A CN202110182143 A CN 202110182143A CN 113033303 A CN113033303 A CN 113033303A
- Authority
- CN
- China
- Prior art keywords
- frame
- loss
- rotating
- prediction
- center
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims description 17
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 230000001154 acute effect Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 5
- 240000005636 Dryobalanops aromatica Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Abstract
本发明公开了基于RCIoU损失的SAR图像旋转舰船检测方法,包括以下步骤:首先,划分数据集,将数据集划分为训练集和测试集;其次,定义矩形旋转框的表示形式,改进YOLOv4网络;设计先验框,并为对应不同尺度特征层的头部检测网络分配对应尺度的先验框;然后,改进数据增强算法,使之在旋转框检测场景中仍能发挥同样作用;接着,设计损失函数,包括边界框回归损失、置信度损失和类别损失;最后,训练网络,并在测试集验证模型的性能。本发明不仅将基于旋转框的目标检测应用于SAR图像舰船数据集中,还设计了新的损失函数,无论对于SAR图像舰船检测,还是对于旋转目标检测,都具有较大的实际意义。
Description
技术领域
本发明涉及一种基于RCIoU损失的SAR图像旋转舰船检测方法,属于深度学习,计算机视觉中的遥感图像旋转目标检测领域,本发明具有较强的创新性和可行性,可用于实现SAR图像中的旋转舰船检测。
背景技术
合成孔径雷达(SyntheticAperture Radar,SAR)是一种高分辨率成像雷达,可以在能见度极低的气象条件下获得,现广泛应用于军事、民用领域。使用SAR图像进行舰船目标检测,不仅是国家海上贸易事业的繁荣和海洋安全的维护的重要支撑,而且为其他类型图像旋转目标检测提供技术支持。
在深度学习之前,已经有很多学者对SAR图像舰船检测领域进行了深入研究,提出了许多经典的SAR舰船检测算法,如恒虚警率(ConstantFalseAlarm Rate,CFAR)方法、最佳熵自动门限法(由Kapur等人提出,简称KSW)、基于K分布的恒虚警率方法等。这些传统方法一般包含有检测、鉴别和识别3个阶段,首先通过检测算法将包含目标和虚警的可疑目标检测出来,其次在鉴别阶段进一步通过具体特征来区分目标和虚警,最后通过模板匹配或机器学习等方法进行最后的识别。它们的性能主要依赖于人工设计的特征分类器,人工设计的分类器往往不能很好的区分复杂场景下的舰船与噪声。
最近几年,随着深度学习的流行,计算机视觉领域涌现出了许多优秀的舰船目标检测算法。这些算法无需人工设计特征,而是使用深度神经网络自动提取舰船特征,很大程度上提高了舰船检测效率和精度。目前,基于深度学习的目标检测算法主要有两大类:双阶段目标检测算法和单阶段目标检测算法。双阶段目标检测算法具有良好的检测精度,代表性的检测算法是RCNN系列;单阶段目标检测算法具有良好的检测速度,代表性的算法有SSD,YOLO系列。以上基于深度学习的目标检测算法,尽管或者取得了不错的检测精度,或者取得了不错的检测速度,然而,这些算法都是基于检测目标是水平位置来检测的,即,检测目标没有旋转角度,而当检测目标有旋转角度时,虽然该类算法能够一定程度上检测出目标,但是检测结果不够准确。
本发明基于优秀的单阶段目标检测网络YOLOv4进行改进,提出一种可以用于旋转框检测的损失函数RCIoU,并将其应用于SAR图像旋转舰船检测。用旋转框进行SAR图像中的舰船目标检测具有以下优势:第一,旋转框可以完全分开舰船与背景像素。通常,垂直边框中的很多像素不属于船的像素,不利于区分背景和舰船区域,尤其是密集排列的交叠非常大的舰船目标,因此使用旋转框可以精确定位舰船目标;第二,旋转框的宽度和高度可以显示船的真实形状而垂直边框的长宽比和尺寸与船的真实形状不一致;第三,旋转框可在完成检测任务的同时实现对船身所在方向的估计。
发明内容
本发明的目的在于克服了基于水平框进行的SAR图像舰船检测领域的局限性,设计了一种适用于旋转框场景下的目标检测的损失函数,并将用于检测水平框的YOLOv4网络改进为可以检测旋转框。
为实现上述目的,本发明采用如下的技术方案:
一种基于RCIoU损失的SAR图像旋转舰船检测的实现方法,其特征在于,包括以下步骤:
步骤1:划分数据集,对于包含N个样本的SAR图像舰船数据集,按照比例划分为训练集Dtrain和测试集Dtest;训练集Dtrain包含Ntrain个样本,测试集Dtest包含Ntest个样本;
步骤2:定义矩形旋转框的表示方式,将矩形旋转框表示为(x,y,w,h,θ),其中,表示矩形框中心点的横坐标,y表示矩形框中心点的纵坐标,矩形框与x轴所成锐角的边记为w,另一条边记为h,矩形框与x轴所成锐角的相反数记为θ;
步骤3:搭建YOLOv4作为预测网络,并改进YOLOv4的输出层,将输出层输出的特征向量的表示形式从bs×(na×(5+nc))×fw×fh改进为bs×(na×(6+nc))×fw×fh,以满足旋转框检测场景,其中bs表示迷你块的大小,na表示预测框的数量,nc为类别数,6表示旋转框的参数个数和旋转框的置信度,共6个参数,fw为特征图的宽,fh为特征图的高;
步骤4:设计先验框,使其满足旋转舰船检测,具体步骤如下:
①步骤4.1:构建训练集中标签的长宽集合,首先使用K-Means算法聚类得到9个先验框,然后按照小的特征图分配大的先验框的原则为YOLOv4的三个头部网络各分配3个先验框,按照每个头部网络对应的特征图的大小,从小到大依次分配先验框;
步骤4.2:将旋转框角度的范围定为[-90°,0°),按照间距15°将其等距划分为-90°、-75°、-60°、-45°、-30°和-15°六种角度,并为步骤4.1中的每个先验框分配得到的6种角度,此时每个头部网络有18个先验框,三个头部网络共54个先验框,按照每个头部网络对应的特征图的大小,从小到大依次分配
步骤5:对先验框进行数据增强,增加先验框的类型,具体步骤如下:
步骤5.1:对图像进行上下翻转,此时旋转框参数(x,y,w,h,θ)做如下变换:
y'=img_h-y (1)
w'=h (2)
h'=w (3)
θ'=-(90°+θ) (4)
其中,y'表示翻转后矩形中心点的纵坐标,w'表示翻转后的矩形的宽,h'表示翻转后的矩形的高,θ'表示翻转后的矩形框与x轴所成锐角的相反数,img_h表示图像的高;
步骤5.2:对图像进行镜像翻转,此时旋转框参数(x,y,w,h,θ)做如下变换:
x”=img_w-x (5)
w”=h (6)
h”=w (7)
θ"=-(90°+θ) (8)
其中,x”表示翻转后矩形中心点的横坐标,w”表示翻转后的图像的宽,h”表示翻转后的矩形的高,θ”表示翻转后的矩形框与x轴所成锐角的相反数,img_w表示图像的宽;
步骤6:设置迭代次数、学习率、置信度阈值、IoU阈值、各项损失权重等超参数;
步骤7:设计适用于旋转舰船检测场景的损失函数:
步骤7.1:设真实框的中心点坐标为C1(X1,Y1),预测框的中心点坐标为C2(X2,Y2),真实框和预测框的最小外接圆的圆心坐标为C3(X3,Y3),外接圆直径为D,半径为R,预测框和先验框最短边的锐角为α,分别计算预测框中心到真实框中心的距离和外接圆圆心到真实框中心的距离,设预测框中心到真实框中心的距离为L12,外接圆圆心到真实框中心的距离为L13,则表示为:
L12=(X2-X1)2+(Y2-Y1)2 (9)
L13=(X3-X1)2+(Y3-Y1)2 (10)
步骤7.2:将步骤7.1中的两个距离公式与圆心直径和半径结合,并加上角度损失,最终得到边界框回归损失RCIoU的具体计算公式如下:
RCIoU=IoU-(a×(L12/D)+(L13/R)+b×(1-cosα)) (11)
IoU=(area1∩area2)/(area1∪area2) (12)
area1=gw×gh (13)
area2=pw×ph (14)
其中,a,b是权重,area1是真实框的面积,area2是预测框的面积,gw、gh分别为真实框的宽和高,pw、ph分别为预测框的宽和高;
步骤7.3:综合边界框回归损失、置信度损失和类别损失三项损失,得到损失函数的整体表达式如下:
L=hr×RCIoU+ho×lobj+hc×lcls (15)
其中,RCIoU为边界框回归损失,lobj为置信度损失,lcls为类别损失,hr、ho、hc分别表示各类损失的权重,pop表示第p个训练样本预测框的置信度,tobjp表示第p个训练样本预测框的真实置信度,pcp表示第p个训练样本的预测类别,tp表示第p个训练样本的真实类别,wop表示第p个训练样本的权重,wcp表示第p个训练样本的权重,σ(·)表示sigmoid函数;1≤p≤Ntrain。
步骤8:将训练集输入网络进行训练,训练结束后保存网络权值;
步骤9:加载网络权值,使用测试集进行测试,计算平均准确率。
附图说明
图1为实例中旋转框参数表示的示意图;
图2为YOLOV4模型示意图。
图3为本发明提出的RCIoU损失计算公式中的各个参数的示意图。
图4-图5为模型最终检测得到的部分结果示意图。
图6为本发明方法的实施流程图。
具体实施方式
本发明涉及一种基于RCIoU损失的SAR图像旋转舰船检测方法,下面结合相关附图对本发明进行解释和阐述:
本发明实例使用SAR图像舰船数据集,包括远海影像和近海影像,选择YOLOV4为基础网络,对其改进,实现旋转舰船目标检测。本发明实例的具体实施方案为:
步骤1:划分数据集,对于包含1160个样本的SAR图像舰船数据集,按照8:2的比例划分为训练集Dtrain(包含928个样本)和测试集Dtest(包含232个样本);
步骤2:定义矩形旋转框的表示方式,将矩形旋转框表示为(x,y,w,h,θ),其中,x表示矩形框中心点的横坐标,y表示矩形框中心点的纵坐标,矩形框与x轴所成锐角的边记为w,另一条边记为h,矩形框与x轴所成锐角的相反数记为θ,旋转框参数具体表示如图1所示;
步骤3:搭建YOLOv4作为预测网络,YOLOV4示意图如图2所示,并改进YOLOv4的输出层,将输出层输出的特征向量的表示形式从bs×(na×(5+nc))×fw×fh改进为bs×(na×(6+nc))×fw×fh,以满足旋转框检测场景,其中bs表示迷你块的大小,na表示预测框的数量,nc为类别数,6表示旋转框的参数个数和旋转框的置信度,共6个参数,fw为特征图的宽,fh为特征图的高;
步骤4:设计先验框,使其满足旋转舰船检测,具体步骤如下:
步骤4.1:构建训练集中标签的长宽集合,首先使用K-Means算法聚类得到9个先验框,分别为:[[15,39],[40,14],[59,10],[43,113],[116,41],[169,28],[85,224],[230,83],[336,56]],然后按照小的特征图分配大的先验框的原则为YOLOv4的三个头部网络各分配3个先验框,按照每个头部网络对应的特征图的大小,从小到大依次分配如下先验框:
②[85,224],[230,83],[336,56];
③[43,113],[116,41],[169,28];
④[15,39],[40,14],[59,10];
步骤4.2:将旋转框角度的范围定为[-90°,0°),按照间距15°将其等距划分为-90°、-75°、-60°、-45°、-30°和-15°六种角度,并为步骤4.1中的每个先验框分配得到的6种角度,此时每个头部网络有18个先验框,三个头部网络共54个先验框,按照每个头部网络对应的特征图的大小,从小到大依次分配如下先验框:
①[[85,224,-90],[85,224,-75],[85,224,-60],[85,224,-45],[85,224,-30],[85,224,-15],[230,83,-90],[230,83,-75],[230,83,-60],[230,83,-45],[230,83,-30],[230,83,-15],[336,56,-90],[336,56,-75],[336,56,-60],[336,56,-45],[336,56,-30],[336,56,-15]]
②[[43,113,-90],[43,113,-75],[43,113,-60],[43,113,-45],[43,113,-30],[43,113,-15],[116,41,-90],[116,41,-75],[116,41,-60],[116,41,-45],[116,41,-30],[116,41,-15],[169,28,-90],[169,28,-75],[169,28,-60],[169,28,-45],[169,28,-30],[169,28,-15]]
③[[15,39,-90],[15,39,-75],[15,39,-60],[15,39,-45],[15,39,-30],[15,39,-15],[40,14,-90],[40,14,-75],[40,14,-60],[40,14,-45],[40,14,-30],[40,14,-15],[59,10,-90],[59,10,-75],[59,10,-60],[59,10,-45],[59,10,-30],[59,10,-15]]
步骤5:对先验框进行数据增强,增加先验框的类型,具体步骤如下:
步骤5.1:对图像进行上下翻转,此时旋转框参数(x,y,w,h,θ)做如下变换:
y'=416-y (1)
w'=h (2)
h'=w (3)
θ'=-(90°+θ) (4)
其中,y'表示翻转后矩形中心点的纵坐标,w'表示翻转后的矩形的宽,h'表示翻转后的矩形的高,θ'表示翻转后的矩形框与x轴所成锐角的相反数;
步骤5.2:对图像进行镜像翻转,此时旋转框参数(x,y,w,h,θ)做如下变换:
x”=416-x (5)
w”=h(6)
h”=w (7)
θ"=-(90°+θ) (8)
其中,x”表示翻转后矩形中心点的横坐标,w”表示翻转后的图像的宽,h”表示翻转后的矩形的高,θ”表示翻转后的矩形框与x轴所成锐角的相反数;
步骤6:设置迭代次数、学习率、置信度阈值、IoU阈值、各项损失权重等超参数;
步骤7:设计适用于旋转舰船检测场景的损失函数:
步骤7.1:设真实框的中心点坐标为C1(X1,Y1),预测框的中心点坐标为C2(X2,Y2),真实框和预测框的最小外接圆的圆心坐标为C3(X3,Y3),外接圆直径为D,半径为R,预测框和先验框最短边的夹角(锐角)为α,各个参数的具体表示如图3所示,分别计算预测框中心到真实框中心的距离和外接圆圆心到真实框中心的距离,设预测框中心到真实框中心的距离为L12,外接圆圆心到真实框中心的距离为L13,则二者可表示为:
L12=(X2-X1)2+(Y2-Y1)2 (9)
L13=(X3-X1)2+(Y3-Y1)2 (10)
步骤7.2:将步骤7.1中的两个距离公式与圆心直径和半径结合,并加上角度损失,最终得到边界框回归损失RCIoU的具体计算公式如下:
RCIoU=IoU-(1×(L12/D)+(L13/R)+0.5×(1-cosα)) (11)
IoU=(area1∩area2)/(area1∪area2) (12)
area1=gw×gh (13)
area2=pw×ph (14)
其中,area1是真实框的面积,area2是预测框的面积,gw、gh分别为真实框的宽和高,pw、ph分别为预测框的宽和高;
步骤7.3:综合边界框回归损失、置信度损失和类别损失三项损失,得到损失函数的整体表达式如下:
L=hr×RCIoU+ho×lobj+hc×lcls (15)
其中,RCIoU为边界框回归损失,lobj为置信度损失,lcls为类别损失,hr、ho、hc分别表示各类损失的权重,pop(1≤p≤928)表示第p个训练样本预测框的置信度,tobjp(1≤p≤928)表示第p个训练样本预测框的真实置信度,pcp(1≤p≤928)表示第p个训练样本的预测类别,tp(1≤p≤928)表示第p个训练样本的真实类别,wop(1≤p≤928)表示第p个训练样本的权重,wcp(1≤p≤928)表示第p个训练样本的权重,σ(·)表示sigmoid函数;
步骤8:将训练集输入网络进行训练,训练结束后保存网络权值;
步骤9:加载网络权值,使用测试集进行测试,计算平均准确率,图4-图5为模型在测试集上最终检测得到的部分结果示意图,表1展示的是模型在测试集上综合所有检测结果得到的各项指标。
表1
测试样本数量 | P | R | mAP@.5 |
232 | 0.785 | 0.917 | 0.891 |
(其中,P代表精度,R代表召回率,mAP代表平均精度均值)
以上实例仅用于描述本发明,而非限制本发明所描述的技术方案。因此,一切不脱离本发明精神和范围的技术方案及其改进,均应涵盖在本发明的权利要求范围中。
Claims (4)
1.一种基于RCIoU损失的SAR图像旋转舰船检测的实现方法,其特征在于,包括以下步骤:
步骤1:划分数据集,对于包含N个样本的SAR图像舰船数据集,按照比例划分为训练集Dtrain和测试集Dtest;训练集Dtrain包含Ntrain个样本,测试集Dtest包含Ntest个样本;
步骤2:定义矩形旋转框的表示方式,将矩形旋转框表示为(x,y,w,h,θ),其中,表示矩形框中心点的横坐标,y表示矩形框中心点的纵坐标,矩形框与x轴所成锐角的边记为w,另一条边记为h,矩形框与x轴所成锐角的相反数记为θ;
步骤3:搭建YOLOv4作为预测网络,并改进YOLOv4的输出层,将输出层输出的特征向量的表示形式从bs×(na×(5+nc))×fw×fh改进为bs×(na×(6+nc))×fw×fh,以满足旋转框检测场景,其中bs表示迷你块的大小,na表示预测框的数量,nc为类别数,6表示旋转框的参数个数和旋转框的置信度,共6个参数,fw为特征图的宽,fh为特征图的高;
步骤4:设计先验框,使其满足旋转舰船检测;
步骤5:对先验框进行数据增强,增加先验框的类型,具体步骤如下:
步骤6:设置迭代次数、学习率、置信度阈值、IoU阈值、各项损失权重等超参数;
步骤7:设计适用于旋转舰船检测场景的损失函数:
步骤8:将训练集输入网络进行训练,训练结束后保存网络权值;
步骤9:加载网络权值,使用测试集进行测试,计算平均准确率。
2.根据权利要求1所述的一种基于RCIoU损失的SAR图像旋转舰船检测的实现方法,其特征在于,步骤4的实现过程如下:
步骤4.1:构建训练集中标签的长宽集合,首先使用K-Means算法聚类得到9个先验框,然后按照小的特征图分配大的先验框的原则为YOLOv4的三个头部网络各分配3个先验框,按照每个头部网络对应的特征图的大小,从小到大依次分配先验框;
步骤4.2:将旋转框角度的范围定为[-90°,0°),按照间距15°将其等距划分为-90°、-75°、-60°、-45°、-30°和-15°六种角度,并为步骤4.1中的每个先验框分配得到的6种角度,此时每个头部网络有18个先验框,三个头部网络共54个先验框,按照每个头部网络对应的特征图的大小,从小到大依次分配。
3.根据权利要求1所述的一种基于RCIoU损失的SAR图像旋转舰船检测的实现方法,其特征在于,步骤5的实现过程如下:步骤5.1:对图像进行上下翻转,旋转框参数(x,y,w,h,θ)做如下变换:
y'=img_h-y (1)
w'=h (2)
h'=w (3)
θ'=-(90°+θ) (4)
其中,y'表示翻转后矩形中心点的纵坐标,w'表示翻转后的矩形的宽,h'表示翻转后的矩形的高,θ'表示翻转后的矩形框与x轴所成锐角的相反数,img_h表示图像的高;
步骤5.2:对图像进行镜像翻转,此时旋转框参数(x,y,w,h,θ)做如下变换:
x”=img_w-x (5)
w”=h (6)
h”=w (7)
θ"=-(90°+θ) (8)
其中,x”表示翻转后矩形中心点的横坐标,w”表示翻转后的图像的宽,h”表示翻转后的矩形的高,θ”表示翻转后的矩形框与x轴所成锐角的相反数,img_w表示图像的宽。
4.根据权利要求1所述的一种基于RCIoU损失的SAR图像旋转舰船检测的实现方法,其特征在于,步骤7的实现过程如下:
步骤7.1:设真实框的中心点坐标为C1(X1,Y1),预测框的中心点坐标为C2(X2,Y2),真实框和预测框的最小外接圆的圆心坐标为C3(X3,Y3),外接圆直径为D,半径为R,预测框和先验框最短边的锐角为α,分别计算预测框中心到真实框中心的距离和外接圆圆心到真实框中心的距离,设预测框中心到真实框中心的距离为L12,外接圆圆心到真实框中心的距离为L13,则表示为:
L12=(X2-X1)2+(Y2-Y1)2 (9)
L13=(X3-X1)2+(Y3-Y1)2 (10)
步骤7.2:将步骤7.1中的两个距离公式与圆心直径和半径结合,并加上角度损失,最终得到边界框回归损失RCIoU的具体计算公式如下:
RCIoU=IoU-(a×(L12/D)+(L13/R)+b×(1-cosα)) (11)
IoU=(area1∩area2)/(area1∪area2) (12)
area1=gw×gh (13)
area2=pw×ph (14)
其中,a,b是权重,area1是真实框的面积,area2是预测框的面积,gw、gh分别为真实框的宽和高,pw、ph分别为预测框的宽和高;
步骤7.3:综合边界框回归损失、置信度损失和类别损失三项损失,得到损失函数的整体表达式如下:
L=hr×RCIoU+ho×lobj+hc×lcls (15)
其中,RCIoU为边界框回归损失,lobj为置信度损失,lcls为类别损失,hr、ho、hc分别表示各类损失的权重,pop表示第p个训练样本预测框的置信度,tobjp表示第p个训练样本预测框的真实置信度,pcp表示第p个训练样本的预测类别,tp表示第p个训练样本的真实类别,wop表示第p个训练样本的权重,wcp表示第p个训练样本的权重,σ(·)表示sigmoid函数;1≤p≤Ntrain。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110182143.9A CN113033303B (zh) | 2021-02-09 | 2021-02-09 | 一种基于RCIoU损失的SAR图像旋转舰船检测的实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110182143.9A CN113033303B (zh) | 2021-02-09 | 2021-02-09 | 一种基于RCIoU损失的SAR图像旋转舰船检测的实现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113033303A true CN113033303A (zh) | 2021-06-25 |
CN113033303B CN113033303B (zh) | 2024-03-01 |
Family
ID=76461200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110182143.9A Active CN113033303B (zh) | 2021-02-09 | 2021-02-09 | 一种基于RCIoU损失的SAR图像旋转舰船检测的实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033303B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113658199A (zh) * | 2021-09-02 | 2021-11-16 | 中国矿业大学 | 基于回归修正的染色体实例分割网络 |
CN114119610A (zh) * | 2022-01-25 | 2022-03-01 | 合肥中科类脑智能技术有限公司 | 基于旋转目标检测的缺陷检测方法 |
CN114372502A (zh) * | 2021-12-02 | 2022-04-19 | 北京工业大学 | 一种角度自适应的椭圆模板目标检测器 |
CN115115887A (zh) * | 2022-07-07 | 2022-09-27 | 中国科学院合肥物质科学研究院 | 基于TSD-Faster RCNN的农作物害虫检测方法及其网络 |
CN116994151A (zh) * | 2023-06-02 | 2023-11-03 | 广州大学 | 基于SAR图像和YOLOv5s网络的海上舰船目标识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492561A (zh) * | 2018-10-29 | 2019-03-19 | 北京遥感设备研究所 | 一种基于改进的yolo v2模型的光学遥感图像舰船检测方法 |
CN110674674A (zh) * | 2019-08-01 | 2020-01-10 | 杭州电子科技大学 | 一种基于yolo v3的旋转目标检测方法 |
CN112287788A (zh) * | 2020-10-20 | 2021-01-29 | 杭州电子科技大学 | 基于改进YOLOv3和改进NMS的行人检测方法 |
-
2021
- 2021-02-09 CN CN202110182143.9A patent/CN113033303B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492561A (zh) * | 2018-10-29 | 2019-03-19 | 北京遥感设备研究所 | 一种基于改进的yolo v2模型的光学遥感图像舰船检测方法 |
CN110674674A (zh) * | 2019-08-01 | 2020-01-10 | 杭州电子科技大学 | 一种基于yolo v3的旋转目标检测方法 |
CN112287788A (zh) * | 2020-10-20 | 2021-01-29 | 杭州电子科技大学 | 基于改进YOLOv3和改进NMS的行人检测方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113658199A (zh) * | 2021-09-02 | 2021-11-16 | 中国矿业大学 | 基于回归修正的染色体实例分割网络 |
CN113658199B (zh) * | 2021-09-02 | 2023-11-03 | 中国矿业大学 | 基于回归修正的染色体实例分割网络 |
CN114372502A (zh) * | 2021-12-02 | 2022-04-19 | 北京工业大学 | 一种角度自适应的椭圆模板目标检测器 |
CN114119610A (zh) * | 2022-01-25 | 2022-03-01 | 合肥中科类脑智能技术有限公司 | 基于旋转目标检测的缺陷检测方法 |
CN114119610B (zh) * | 2022-01-25 | 2022-06-28 | 合肥中科类脑智能技术有限公司 | 基于旋转目标检测的缺陷检测方法 |
CN115115887A (zh) * | 2022-07-07 | 2022-09-27 | 中国科学院合肥物质科学研究院 | 基于TSD-Faster RCNN的农作物害虫检测方法及其网络 |
CN115115887B (zh) * | 2022-07-07 | 2023-09-12 | 中国科学院合肥物质科学研究院 | 基于TSD-Faster RCNN的农作物害虫检测方法及其网络 |
CN116994151A (zh) * | 2023-06-02 | 2023-11-03 | 广州大学 | 基于SAR图像和YOLOv5s网络的海上舰船目标识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113033303B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113033303B (zh) | 一种基于RCIoU损失的SAR图像旋转舰船检测的实现方法 | |
CN111091105B (zh) | 基于新的边框回归损失函数的遥感图像目标检测方法 | |
CN110796168B (zh) | 一种基于改进YOLOv3的车辆检测方法 | |
CN110163187B (zh) | 基于f-rcnn的远距离交通标志检测识别方法 | |
CN113866742B (zh) | 一种4d毫米波雷达点云处理和目标分类的方法 | |
CN104376330B (zh) | 基于超像素散射机制的极化sar图像舰船目标检测方法 | |
CN110223302A (zh) | 一种基于旋转区域提取的舰船多目标检测方法 | |
CN103198302B (zh) | 一种基于双模态数据融合的道路检测方法 | |
CN109190444B (zh) | 一种基于视频的收费车道车辆特征识别系统的实现方法 | |
CN111368769B (zh) | 基于改进锚点框生成模型的船舶多目标检测方法 | |
CN111160120A (zh) | 基于迁移学习的Faster R-CNN物品检测方法 | |
CN103514448A (zh) | 船形识别方法和系统 | |
CN104657717B (zh) | 一种基于分层核稀疏表示的行人检测方法 | |
CN112949633B (zh) | 一种基于改进YOLOv3的红外目标检测方法 | |
CN103824280B (zh) | 一种台风中心提取方法 | |
CN107992818B (zh) | 一种光学遥感图像海面船只目标的检测方法 | |
CN109753874A (zh) | 一种基于机器学习的低慢小雷达目标分类方法 | |
CN114612769B (zh) | 一种融入局部结构信息的集成感知红外成像舰船检测方法 | |
CN103927511A (zh) | 基于差异特征描述的图像识别方法 | |
CN110189304A (zh) | 基于人工智能的光学遥感图像目标在线快速检测方法 | |
CN110610165A (zh) | 一种基于yolo模型的船舶行为分析方法 | |
CN109242019A (zh) | 一种水面光学小目标快速检测与跟踪方法 | |
CN111583671B (zh) | 一种毫米波雷达路口车流量监测方法及其系统 | |
CN115220007A (zh) | 一种针对姿态识别的雷达点云数据增强方法 | |
CN112348758A (zh) | 一种光学遥感图像数据增强方法及目标识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |