CN113239786A - 基于增强学习与特征变换的遥感图像乡村别墅识别方法 - Google Patents

基于增强学习与特征变换的遥感图像乡村别墅识别方法 Download PDF

Info

Publication number
CN113239786A
CN113239786A CN202110510217.7A CN202110510217A CN113239786A CN 113239786 A CN113239786 A CN 113239786A CN 202110510217 A CN202110510217 A CN 202110510217A CN 113239786 A CN113239786 A CN 113239786A
Authority
CN
China
Prior art keywords
remote sensing
feature
villa
sensing image
features
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
Application number
CN202110510217.7A
Other languages
English (en)
Other versions
CN113239786B (zh
Inventor
丁忆
李朋龙
罗鼎
万平
李晓龙
马泽忠
朱智勤
肖禾
陈静
段松江
钱文进
姜紫薇
王小攀
郑中
陈培恩
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.)
Chongqing Geographic Information And Remote Sensing Application Center
Original Assignee
Chongqing Geographic Information And Remote Sensing Application Center
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 Chongqing Geographic Information And Remote Sensing Application Center filed Critical Chongqing Geographic Information And Remote Sensing Application Center
Priority to CN202110510217.7A priority Critical patent/CN113239786B/zh
Publication of CN113239786A publication Critical patent/CN113239786A/zh
Application granted granted Critical
Publication of CN113239786B publication Critical patent/CN113239786B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V20/176—Urban or other man-made structures
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]

Landscapes

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

Abstract

本发明公开了一种基于增强学习与特征变换的遥感图像乡村别墅识别方法，包括步骤：对样本集中的遥感影像进行处理，制作训练样本；搭建乡村别墅识别与提取网络模型；将训练样本输入所述乡村别墅识别与提取网络模型，得到训练后的识别与提取网络模型；将待识别的遥感影像输入训练后的识别与提取网络模型，并将其输出的数据与待识别的遥感影像进行叠加，获得乡村别墅识别与提取结果。其显著效果是：将深度特征提取、特征金字塔网络、编码—解码转换机制、目标候选区生成、目标检测与分割过程都融入到一个端到端的深度网络模型中，对于遥感图像乡村别墅识别与提取，具有良好的识别与提取效果。

Description

基于增强学习与特征变换的遥感图像乡村别墅识别方法
技术领域
本发明涉及到目标识别、图像分割技术领域，具体涉及一种基于增强学习与特征变换的遥感图像乡村别墅识别方法。
背景技术
随着遥感卫星、传感器技术的飞速发展，遥感技术已经进入迅猛发展的阶段，卫星对地观测能力大幅提高，对遥感图像中目标识别与提取的研究已经成为图像处理工程的一个热点。遥感图像分割技术是提取遥感图像中各种目标的重要手段，分割的主要目的是将高分辨遥感图像中的每个像素划分为不同的类别，达到像素级的分类效果，准确获取乡村别墅信息，对城市规划、资源勘探有着重要的作用。
然而，传统的图像分割方法只能在特定环境下具有较好的识别与提取效果，传统的分割方法只考虑像素点灰度值本身的特征，一般不考虑空间特征，因此对噪声比较敏感，鲁棒性不高。对于像遥感图像这样复杂的图像，阈值分割的效果并不理想，遥感图像中的乡村别墅具有丰富的空间特征，如何利用这些空间特征信息将影响识别与提取效果。传统分割方法在分割时会引入很多没有意义的阴影或区域，有的甚至会出现噪声点，对分割效果造成干扰，无法精准地区分前景目标和背景。同时，传统的图像分割方法大多利用图像的表层信息，遥感图像所包含的信息量远大于普通图像，遥感图像中的目标更小、边界更模糊，整幅遥感图像的分辨率又更大，给分割带来了更大的难度，传统的图像分割方法难以适用于遥感图像中乡村别墅的识别与提取。
发明内容
针对现有技术的不足，本发明的目的是提供一种基于增强学习与特征变换的遥感图像乡村别墅识别方法，以蒙版分割网络为基础，在此基础上改进了骨干网络，在骨干网络中增加多尺度特征提取模块，将编码—解码转换机制应用于对特征金字塔，并将深度增强学习应用于目标定位，能够显著提高遥感图像中乡村别墅识别与提取的精度。
为达到上述目的，本发明采用的技术方案如下：
一种基于增强学习与特征变换的遥感图像乡村别墅识别方法，其关键在于包括如下步骤：
步骤1、对样本集中的遥感影像进行处理，制作训练样本；
步骤2、搭建包括特征提取网络模块、转换特征金字塔模块、区域建议网络模块、感兴趣区域对齐层模块以及全卷积网络模块的乡村别墅识别与提取网络模型，其中：
所述特征提取网络模块用于提取遥感影像中乡村别墅的多尺度特征；
所述转换特征金字塔模块用于将提取出的多尺度特征进行多方向特征增强，并对增强后的特征按尺寸进行排序，将相同大小的特征拼接到一起，同时通过卷积将增强后的特征维度恢复到输入时的相同维度；
所述区域建议网络模块用于生成锚框和提取出感兴趣区域；
所述感兴趣区域对齐层模块用于采用非线性插值法，将区域建议网络模块提取的感兴趣区域与特征提取网络模块提取的特征图中对应区域进行对齐处理；
所述全卷积网络模块用于从感兴趣区域预测分割掩膜，并采用分割掩膜对区域建议网络模块提取的感兴趣区域进行分类和边界框定位；
步骤3、将训练样本输入所述乡村别墅识别与提取网络模型，得到训练后的识别与提取网络模型；
步骤4、将待识别的遥感影像输入训练后的识别与提取网络模型，并将其输出的数据与待识别的遥感影像进行叠加，获得乡村别墅识别与提取结果。
进一步的，所述训练样本的具体制作过程为：
a)选择数据源，并从数据源中获取样本集；
b)使用ArcGIs软件对样本集中的遥感影像进行标注，标签格式为黑白二值图；
c)将标注好的遥感影像裁剪至所需大小；
d)将黑白二值图标签格式转为coco格式，获得训练样本。
进一步的，所述训练样本由训练集和测试集构成，所述训练集用于训练构建的乡村别墅识别与提取网络模型，所述测试集用于评估训练后所述乡村别墅识别与提取网络模型的性能。
进一步的，所述特征提取网络模块进行多尺度特征提取时的形式为：
Figure BDA0003060070230000041
其中，yi为第i组输出特征，xi为第i组输入特征，
Figure BDA0003060070230000042
为3×3卷积操作。
进一步的，所述特征提取网络模块进行多尺度特征提取时包括分离操作和链接操作，所述分离操作用于将特征分组，所述连接操作则用于将不同的特征进行融合并增强不同组的信息交互。
进一步的，所述多方向特征增强包括对多尺度特征中每层特征分别进行当前层的增强、自上而下将高层特征用于低层特征的增强、自下而上将低层特征用于高层特征的增强。
本发明的显著效果是：
第一，提出了一种多尺度特征提取模块，该模块以蒙版分割网络为基础，在骨干网络加入多尺度特征提取模块提取乡村别墅多尺度特征信息，从而可以提供更充分的感受野，可以高效的提取多尺度特征，进而提升图像分割的性能，增强模型鲁棒性，有效提高了遥感图像中乡村别墅识别与提取的精度。
第二，将编码—解码转换机制应用于对特征金字塔，设计了三种特征增强操作，分别对当前层进行增强、自上而下将高层特征用于低层特征的增强、自下而上将低层特征用于高层特征的增强，从而能够进一步的提高遥感图像中乡村别墅识别与提取的精度。
第三，将增强学习与遥感图像分割结合，将遥感图像中乡村别墅的目标定位转化为马尔科夫决策过程，并采用先验经验训练识别与提取模型，收敛速度快且能够避免局部最优。
第四，本发明将深度特征提取、特征金字塔网络、编码—解码转换机制、目标候选区生成、目标检测与分割过程都融入到一个端到端的深度网络模型中，对于遥感图像乡村别墅识别与提取，具有良好的识别与提取效果。
附图说明
图1是本发明的方法流程图；
图2是所述乡村别墅识别与提取模型的结构示意图；
图3是所述特征提取网络模块的结构示意图；
图4是所述转换特征金字塔模块的结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。
如图1所示，一种基于增强学习与特征变换的遥感图像乡村别墅识别方法，具体步骤如下：
步骤1、对样本集中的遥感影像进行处理，制作训练样本；
本例中，所述训练样本的具体制作过程为：
a)以重庆地理信息和遥感应用中心提供的重庆市各区县2019年遥感影像为数据源，并从数据源中获取样本集；
b)使用ArcGIs软件对样本集中的遥感影像进行标注，标签格式为黑白二值图；
c)将标注好的遥感影像裁剪为1024x1024大小；
d)将黑白二值图标签格式转为coco格式，获得训练样本。
优选的，所述训练样本由训练集和测试集构成，所述训练集用于训练构建的乡村别墅识别与提取网络模型，所述测试集用于评估训练后所述乡村别墅识别与提取网络模型的性能。
步骤2、基于蒙版分割网络，搭建包括特征提取网络模块、转换特征金字塔模块、区域建议网络模块、感兴趣区域对齐层模块以及全卷积网络模块的乡村别墅识别与提取网络模型，如图2所示，具体的：
a)以残差模块构成的特征提取网络为骨干网络，加入多尺度特征提取模块从而构建特征提取网络模块，如图3所示，所述特征提取网络模块用于提取遥感影像中乡村别墅的多尺度特征；
该模块可以提供更充分的感受野，可以高效的提取多尺度特征，进而提升图像分割的性能，增强模型鲁棒性。经过1×1卷积后，特征被分成n组，每组具有同等的通道数。每组特征xi将被送入到3×3卷积fi()，输出特征表示为yi，将yi继续拆分并将yi,2与下一组的xi+1一起送入fi+1()。最终的输出特征中小感受野可以聚焦于细节部分，这对于小目标识别很重要，而大感受野特征有助于捕获大目标。
如图3所示，该模块有两个关键操作分离(split)和连接(concat)，分离操作用于将特征分组，分离后的两组特征一部分用于恒等映射，一部分用于提取更精细的特征，连接操作则用于将不同的特征进行融合并增强不同组的信息交互。
通过控制组数与通道数约束参数量和计算量。更大的组数意味着更强的多尺度提取性能，而更多的通道数则意味着更丰富的特征，上述特征提取网络模块进行多尺度特征提取时，可以描述成如下形式：
Figure BDA0003060070230000071
其中，yi为第i组输出特征，xi为第i组输入特征，
Figure BDA0003060070230000072
为3×3卷积操作。
b)搭建如图4所示的转换特征金字塔模块(TFN)，所述转换特征金字塔模块(TFN)用于特征金字塔的高效特征交互，将特征金字塔作为输入，进行多方向特征增强，并对增强后的多个特征按尺寸进行排序，将相同大小的特征拼接到一起，同时通过卷积将增强后的特征维度恢复到输入时的相同维度；
具体的，所述多方向特征增强包括对多尺度特征中每层特征分别进行当前层的增强(A-Transformer)、自上而下将高层特征用于低层特征的增强(B-Transformer)、自下而上将低层特征用于高层特征的增强(B-Transformer)，从而得到多个增强后的特征。
c)所述区域建议网络模块用于通过softmax函数和增强学习定位操作，生成锚框和提取出感兴趣区域；
d)所述感兴趣区域对齐层模块用于采用非线性插值法，将区域建议网络模块提取的感兴趣区域与特征提取网络模块提取的特征图中对应区域进行对齐处理，从而对区域建议网络模块筛选的感兴趣区域进行分类和边界框的回归，并使用全卷积网络模块从感兴趣区域预测分割掩膜。
通过上述的乡村别墅识别与提取网络模型，将遥感图像乡村别墅的目标定位转化为马尔科夫决策过程，采用先验经验训练智能体。乡村别墅识别与提取模型目标定位过程从起始位置，在每个动作决策时刻，智能体基于决策策略从动作集合中选取动作，依据动作状态进行变化转移，直至目标定位完成，目标检测过程的状态由两部分构成：定位智能体所观察到的图像当前区域和定位智能体的历史动作，并使用全卷积网络从感兴趣区域预测分割掩膜实现分类和边界框定位。
步骤3、设置初始参数，将训练样本中的训练集输入所述乡村别墅识别与提取网络模型，并通过不断调整参数，得到一个性能较好的乡村别墅识别与提取网络模型，之后用测试集来评估该模型的性能，直到获得所需性能的训练后的识别与提取网络模型；
步骤4、将待识别的遥感影像输入训练后的识别与提取网络模型，生成shp文件，把生成的shp文件通过ArcGIs软件与待识别的遥感影像进行叠加，获得乡村别墅识别与提取结果。
以上对本发明所提供的技术方案进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (6)

1.一种基于增强学习与特征变换的遥感图像乡村别墅识别方法，其特征在于包括如下步骤：
步骤1、对样本集中的遥感影像进行处理，制作训练样本；
步骤2、搭建包括特征提取网络模块、转换特征金字塔模块、区域建议网络模块、感兴趣区域对齐层模块以及全卷积网络模块的乡村别墅识别与提取网络模型，其中：
所述特征提取网络模块用于提取遥感影像中乡村别墅的多尺度特征；
所述转换特征金字塔模块用于将提取出的多尺度特征进行多方向特征增强，并对增强后的特征按尺寸进行排序，将相同大小的特征拼接到一起，同时通过卷积将增强后的特征维度恢复到输入时的相同维度；
所述区域建议网络模块用于生成锚框和提取出感兴趣区域；
所述感兴趣区域对齐层模块用于采用非线性插值法，将区域建议网络模块提取的感兴趣区域与特征提取网络模块提取的特征图中对应区域进行对齐处理；
所述全卷积网络模块用于从感兴趣区域预测分割掩膜，并采用分割掩膜对区域建议网络模块提取的感兴趣区域进行分类和边界框定位；
步骤3、将训练样本输入所述乡村别墅识别与提取网络模型，得到训练后的识别与提取网络模型；
步骤4、将待识别的遥感影像输入训练后的识别与提取网络模型，并将其输出的数据与待识别的遥感影像进行叠加，获得乡村别墅识别与提取结果。
2.根据权利要求1所述的基于增强学习与特征变换的遥感图像乡村别墅识别方法，其特征在于：所述训练样本的具体制作过程为：
a)选择数据源，并从数据源中获取样本集；
b)使用ArcGIs软件对样本集中的遥感影像进行标注，标签格式为黑白二值图；
c)将标注好的遥感影像裁剪至所需大小；
d)将黑白二值图标签格式转为coco格式，获得训练样本。
3.根据权利要求1或2所述的基于增强学习与特征变换的遥感图像乡村别墅识别方法，其特征在于：所述训练样本由训练集和测试集构成，所述训练集用于训练构建的乡村别墅识别与提取网络模型，所述测试集用于评估训练后所述乡村别墅识别与提取网络模型的性能。
4.根据权利要求1所述的基于增强学习与特征变换的遥感图像乡村别墅识别方法，其特征在于：所述特征提取网络模块进行多尺度特征提取时的形式为：
Figure FDA0003060070220000021
其中，yi为第i组输出特征，xi为第i组输入特征，
Figure FDA0003060070220000022
为3×3卷积操作。
5.根据权利要求1或4所述的基于增强学习与特征变换的遥感图像乡村别墅识别方法，其特征在于：所述特征提取网络模块进行多尺度特征提取时包括分离操作和链接操作，所述分离操作用于将特征分组，所述连接操作则用于将不同的特征进行融合并增强不同组的信息交互。
6.根据权利要求1所述的基于增强学习与特征变换的遥感图像乡村别墅识别方法，其特征在于：所述多方向特征增强包括对多尺度特征中每层特征分别进行当前层的增强、自上而下将高层特征用于低层特征的增强、自下而上将低层特征用于高层特征的增强。
CN202110510217.7A 2021-05-11 2021-05-11 基于增强学习与特征变换的遥感图像乡村别墅识别方法 Active CN113239786B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110510217.7A CN113239786B (zh) 2021-05-11 2021-05-11 基于增强学习与特征变换的遥感图像乡村别墅识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110510217.7A CN113239786B (zh) 2021-05-11 2021-05-11 基于增强学习与特征变换的遥感图像乡村别墅识别方法

Publications (2)

Publication Number Publication Date
CN113239786A true CN113239786A (zh) 2021-08-10
CN113239786B CN113239786B (zh) 2022-09-30

Family

ID=77133326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110510217.7A Active CN113239786B (zh) 2021-05-11 2021-05-11 基于增强学习与特征变换的遥感图像乡村别墅识别方法

Country Status (1)

Country Link
CN (1) CN113239786B (zh)

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109345527A (zh) * 2018-09-28 2019-02-15 广西师范大学 一种基于MaskRcnn的膀胱肿瘤检测方法
CN109583425A (zh) * 2018-12-21 2019-04-05 西安电子科技大学 一种基于深度学习的遥感图像船只集成识别方法
CN110136149A (zh) * 2019-05-21 2019-08-16 闽江学院 基于深度神经网络的白细胞定位与分割方法
CN110599448A (zh) * 2019-07-31 2019-12-20 浙江工业大学 基于MaskScoring R-CNN网络的迁移学习肺部病变组织检测系统
CN110705457A (zh) * 2019-09-29 2020-01-17 核工业北京地质研究院 一种遥感影像建筑物变化检测方法
CN111008603A (zh) * 2019-12-08 2020-04-14 中南大学 面向大尺度遥感图像的多类目标快速检测方法
CN111080700A (zh) * 2019-12-11 2020-04-28 中国科学院自动化研究所 医疗器械图像检测方法及装置
CN111402226A (zh) * 2020-03-13 2020-07-10 浙江工业大学 一种基于级联卷积神经网络的表面疵点检测方法
CN111523540A (zh) * 2020-04-17 2020-08-11 中南大学 基于深度学习的金属表面缺陷检测方法
CN111553303A (zh) * 2020-05-07 2020-08-18 武汉大势智慧科技有限公司 基于卷积神经网络的遥感正射影像密集建筑物提取方法
CN111723782A (zh) * 2020-07-28 2020-09-29 北京印刷学院 基于深度学习的视觉机器人抓取方法及系统
CN111914924A (zh) * 2020-07-28 2020-11-10 西安电子科技大学 一种快速舰船目标检测方法、存储介质及计算设备
CN111986170A (zh) * 2020-08-14 2020-11-24 湖南理工学院 一种基于深度神经网络Mask R-CNN的缺陷检测算法
CN112017178A (zh) * 2020-09-08 2020-12-01 重庆市地理信息和遥感应用中心 一种基于双时相差值图像法的遥感图像区域变化检测方法
US20210034856A1 (en) * 2019-07-29 2021-02-04 Intuit Inc. Region proposal networks for automated bounding box detection and text segmentation
CN212724028U (zh) * 2020-07-28 2021-03-16 北京印刷学院 视觉机器人抓取系统
CN112577748A (zh) * 2020-12-07 2021-03-30 东南大学 基于强化的轻量级多尺度cnn的滚动轴承故障诊断方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109345527A (zh) * 2018-09-28 2019-02-15 广西师范大学 一种基于MaskRcnn的膀胱肿瘤检测方法
CN109583425A (zh) * 2018-12-21 2019-04-05 西安电子科技大学 一种基于深度学习的遥感图像船只集成识别方法
CN110136149A (zh) * 2019-05-21 2019-08-16 闽江学院 基于深度神经网络的白细胞定位与分割方法
US20210034856A1 (en) * 2019-07-29 2021-02-04 Intuit Inc. Region proposal networks for automated bounding box detection and text segmentation
CN110599448A (zh) * 2019-07-31 2019-12-20 浙江工业大学 基于MaskScoring R-CNN网络的迁移学习肺部病变组织检测系统
CN110705457A (zh) * 2019-09-29 2020-01-17 核工业北京地质研究院 一种遥感影像建筑物变化检测方法
CN111008603A (zh) * 2019-12-08 2020-04-14 中南大学 面向大尺度遥感图像的多类目标快速检测方法
CN111080700A (zh) * 2019-12-11 2020-04-28 中国科学院自动化研究所 医疗器械图像检测方法及装置
CN111402226A (zh) * 2020-03-13 2020-07-10 浙江工业大学 一种基于级联卷积神经网络的表面疵点检测方法
CN111523540A (zh) * 2020-04-17 2020-08-11 中南大学 基于深度学习的金属表面缺陷检测方法
CN111553303A (zh) * 2020-05-07 2020-08-18 武汉大势智慧科技有限公司 基于卷积神经网络的遥感正射影像密集建筑物提取方法
CN111723782A (zh) * 2020-07-28 2020-09-29 北京印刷学院 基于深度学习的视觉机器人抓取方法及系统
CN111914924A (zh) * 2020-07-28 2020-11-10 西安电子科技大学 一种快速舰船目标检测方法、存储介质及计算设备
CN212724028U (zh) * 2020-07-28 2021-03-16 北京印刷学院 视觉机器人抓取系统
CN111986170A (zh) * 2020-08-14 2020-11-24 湖南理工学院 一种基于深度神经网络Mask R-CNN的缺陷检测算法
CN112017178A (zh) * 2020-09-08 2020-12-01 重庆市地理信息和遥感应用中心 一种基于双时相差值图像法的遥感图像区域变化检测方法
CN112577748A (zh) * 2020-12-07 2021-03-30 东南大学 基于强化的轻量级多尺度cnn的滚动轴承故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZHENG QIN等: "《ThunderNet: Towards Real-time Generic Object Detection》", 《ARXIV》 *

Also Published As

Publication number Publication date
CN113239786B (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
CN108961235B (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN111553387B (zh) 一种基于Yolov3的人员目标检测方法
CN110443818B (zh) 一种基于涂鸦的弱监督语义分割方法与系统
CN105046196B (zh) 基于级联卷积神经网络的前车车辆信息结构化输出方法
CN111461114A (zh) 一种基于分割的多尺度特征金字塔文本检测方法
CN108537824B (zh) 基于交替反卷积与卷积的特征图增强的网络结构优化方法
CN111950453A (zh) 一种基于选择性注意力机制的任意形状文本识别方法
CN111160205B (zh) 一种交通场景嵌入式多类目标端对端统一检测方法
CN110689012A (zh) 一种端到端的自然场景文本识别方法及系统
CN112836650B (zh) 一种质量检验报告扫描图像表格语义解析方法与系统
CN110705412A (zh) 一种基于运动历史图像的视频目标检测方法
CN111914720B (zh) 一种输电线路绝缘子爆裂识别方法及装置
CN113255837A (zh) 工业环境下基于改进的CenterNet网络目标检测方法
CN111368703A (zh) 一种基于fpn的台标检测与识别的方法
CN112163490A (zh) 一种基于场景图片的目标检测方法
CN107609509A (zh) 一种基于运动显著性区域检测的动作识别方法
CN112766409A (zh) 一种遥感图像目标检测的特征融合方法
CN110533068B (zh) 一种基于分类卷积神经网络的图像对象识别方法
CN113610024B (zh) 一种多策略的深度学习遥感影像小目标检测方法
Yang et al. C-RPNs: Promoting object detection in real world via a cascade structure of Region Proposal Networks
CN111814726B (zh) 一种探测机器人视觉目标检测方法
CN113239786B (zh) 基于增强学习与特征变换的遥感图像乡村别墅识别方法
CN117058386A (zh) 基于改进DeepLabv3+网络的沥青道路裂缝检测方法
CN113903043B (zh) 一种基于孪生度量模型的印刷汉字字体识别方法
CN113192108B (zh) 一种针对视觉跟踪模型的人在回路训练方法及相关装置

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