CN113239980B - 基于小样本机器学习与超参数优化的水下目标检测方法 - Google Patents

基于小样本机器学习与超参数优化的水下目标检测方法 Download PDF

Info

Publication number
CN113239980B
CN113239980B CN202110442031.2A CN202110442031A CN113239980B CN 113239980 B CN113239980 B CN 113239980B CN 202110442031 A CN202110442031 A CN 202110442031A CN 113239980 B CN113239980 B CN 113239980B
Authority
CN
China
Prior art keywords
target detection
small sample
detection model
training
sample target
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
Application number
CN202110442031.2A
Other languages
English (en)
Other versions
CN113239980A (zh
Inventor
李新宇
孙晨
文龙
万宇森
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.)
China University of Geosciences
Huazhong University of Science and Technology
Original Assignee
China University of Geosciences
Huazhong University of Science and Technology
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 China University of Geosciences, Huazhong University of Science and Technology filed Critical China University of Geosciences
Priority to CN202110442031.2A priority Critical patent/CN113239980B/zh
Publication of CN113239980A publication Critical patent/CN113239980A/zh
Application granted granted Critical
Publication of CN113239980B publication Critical patent/CN113239980B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

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

Abstract

本发明提供了一种基于小样本机器学习与超参数优化的水下目标检测方法，包括：构建基于Cascade‑RCNN的小样本目标检测模型；预训练数据集；利用预训练数据集对小样本目标检测模型进行预训练，获得小样本目标检测模型的预训练权重θ′；构建待检测的目标数据集；将目标数据集划分为有标记的支持集和无标记的查询集；对目标数据集进行预处理；对小样本目标检测模型进行微调，得到最终训练完成的小样本目标检测模型；采用基于TPE的贝叶斯优化模型对训练完成的小样本目标检测模型进行超参数优化，得到优化后的小样本目标检测模型；输入预处理后的查询集至优化后的目标检测模型，得到目标检测结果。本发明实现了不依赖于大样本、可以自动调节超参数的目标检测。

Description

基于小样本机器学习与超参数优化的水下目标检测方法
技术领域
本发明涉及水下目标检测领域，尤其涉及一种基于小样本机器学习与超参数优化的水下目标检测方法。
背景技术
目标检测是计算机视觉的重要任务之一，其包括了分类和回归两类任务，目的在于根据图像信息得到目标物体的分类信息以及位置信息。目标检测算法对图像进行识别与检测后输出一系列矩形框和分类信息。现在，深度学习成为了目标检测任务中研究者使用最主要的算法。
深度学习使用数据自动学习如何进行深度特征提取而不是由开发者手动进行。因此，深度学习在计算机视觉、自然语言处理等领域表现出了十分优秀的性能。在目标检测领域，基于深度学习的VGG-16、YOLO、SSD、Faster-RCNN等方法成为现在研究的主流。深度学习对数据的数量和质量要求都非常高。然而，在水下声呐任务中，由于物理条件的限制，很多时候只能获得很少的数据，甚至无法获得高质量数据。因此，小样本机器学习成为学者研究的重点。小样本机器学习的主要难点在于小样本数据分布的复杂性，如类间重叠、小析取问题、缺少代表性数据等问题。
小样本机器学习主要有以下两种思路：(1)迁移；(2)匹配(度量)；(3)数据增强。迁移就是将在其他任务中开发出来的模型应用到小样本数据集上，将在相似任务上训练好的模型参数作为新数据集的预训练，再采用小样本数据集对模型进行微调。而匹配则是度量待检测图像与样本图像的相似度，从而得出目标物体的分类与位置的一种方法。而数据增强则是使用多种方法直接增加样本量。
传统的机器学习算法需要研究者手动调节参数，较为不方便。而自动机器学习技术可以摆脱对专家经验的依赖，使用有限的计算资源提升模型的性能。以下是自动机器学习在CASH问题上几种主要的方法：
(1)网格搜索：网格搜索将连续超参数离散化，构成的搜索空间为n个离散化超参数的笛卡尔积空间。网格搜索在使用时需要遍历所有参数组合，选择其中表现最优的一组。
(2)随机搜索：随机搜索与网格搜索同为非模型方法，但随机搜索只在参数空间随机抽取固定数量的参数组合，从中选择性能最优的一组。
(3)进化算法：进化算法通过种群之间的信息交换和进化等方式获得最优的超参数配置，主要包括遗传算法和粒子群优化算法。
(4)贝叶斯优化：贝叶斯优化是一种基于贝叶斯理论的优化模型，它可以根据先验知识来决定下一个待评估的超参数配置。
在小样本数据环境下，机器学习决策模型的性能对算法选择和其超参数取值更加敏感。对于高维的参数空间，通过基于模型的方法分析各个超参数对目标函数的相关性，识别有效的、影响较大的超参数，并进行重点优化，实现对高维超参数空间的降维。对于层次型空间关系复杂的问题，如果子节点的重要性大于根节点，则将子节点替换根节点继续优化其自身超参数，考虑到当前最优解不一定重要性最高，因此在最优解中的子节点也需考虑；如果子节点重要性小于根节点，则继续优化根节点，从而最大限度的保留潜力空间，删除不必要的子空间，实现高维层次型空间的缩减。
发明内容
有鉴于此，针对以上技术问题，本发明提供了一种基于小样本机器学习与超参数优化的水下目标检测方法，具体包括以下步骤：
S101：构建基于Cascade-RCNN的小样本目标检测模型；
S102：预训练数据集；所述预训练数据集包括目标检测标准数据集COCO和其他有标记的大型声学图像数据集；
S103：利用所述预训练数据集对小样本目标检测模型进行预训练，获得所述小样本目标检测模型的预训练权重θ′；
S104：构建待检测的目标数据集；将所述目标数据集划分
为有标记的支持集和无标记的查询集；
S105：在预处理算法库中选择预处理算法，对目标数据集进行预处理，得到预处理后的目标数据集；
S106：对小样本目标检测模型进行微调，具体为：将预训练权重θ′作为所述小样本目标检测模型的初始化参数，利用预处理后的支持集对小样本目标检测模型进行进一步调整训练，得到最终训练完成的小样本目标检测模型；
S107：采用基于TPE的贝叶斯优化模型对所述训练完成的小样本目标检测模型进行超参数优化，得到优化后的小样本目标检测模型；
S108：输入预处理后的查询集至优化后的小样本目标检测模型，得到目标检测结果。
进一步地，步骤S105中，所述预处理算法库包括多种预处理方法，分别为：运动模糊、样本混合、Retinex和斑点噪声。
进一步地，步骤S106中，所述训练完成的小样本目标检测模型，其权重参数为：第n-2次、第n-1次和第n次权重参数的平均值再加入斑点噪声后的融合权重，如下式：
Wfinal＝f((wn-2+wn-1+wn)/3)
式中，n为训练迭代的总次数，n为正整数且n>2；wn为最后一次迭代训练完成后的小样本目标检测模型权重参数；wn-2为第n-2次迭代训练完成后的小样本目标检测模型权重参数；wn-1为第n-1次迭代训练完成后的小样本目标检测模型权重参数；f(·)为加入斑点噪声操作；wfinal为小样本目标检测模型最终的权重参数。
进一步地，步骤S107具体为：基于TPE的贝叶斯优化模型对所述训练完成的小样本目标检测模型进行超参数评估，并对评估结果进行抽样；根据抽样结果对超参数进行相关性分析，删去重要程度低于预设值的超参数，保留重要程度大于等于预设值的超参数，降低训练完成的小样本目标检测模型的超参数空间维度，得到优化后的小样本目标检测模型。
本发明提供的有益效果是：实现了不依赖于大样本、可以自动调节超参数的目标检测。
附图说明
图1是本发明一种基于小样本机器学习与超参数优化的水下目标检测方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。
请参考图1，一种基于小样本机器学习与超参数优化的水下目标检测方法，包括以下：
S101：构建基于Cascade-RCNN的小样本目标检测模型；
S102：预训练数据集；所述预训练数据集包括目标检测标准数据集COCO和其他有标记的大型声学图像数据集；
常见的大型图像数据集有COCO，VOC，ImageNet，针对本专利的研究对象，选择coco数据集和有大量标注样本的其他水下声学图像。
S103：利用所述预训练数据集对小样本目标检测模型进行预训练，获得所述小样本目标检测模型的预训练权重θ′；
S104：构建待检测的目标数据集；将所述目标数据集划分为有标记的支持集和无标记的查询集；
S105：在预处理算法库中选择预处理算法，对目标数据集进行预处理，得到预处理后的目标数据集；
步骤S105中，所述预处理算法库包括多种预处理方法，分别为：运动模糊、样本混合、Retinex和斑点噪声。其中：
运动模糊：运动模糊是一种常见的后处理效果，它模拟了当摄像机拍摄的物体移动速度超过相机曝光时间时图像的模糊。这可能是由于快速移动的物体或长时间曝光造成的。
样本混合：样本混淆是一种针对深度学习的数据增强算法，将不同样本使用线性插值的方式进行混合；同时，标签也用同样的方式进行混合。而后将混合后的结果输入进神经网络，输出结果的loss也是分别计算与两个原始样本的loss后进行混合。
Retinex：基于Retinex的图像增强算法的目的就是从原始图像小号中估计出光照L，从而分解出R，消除光照不均的影响，以改善图像的视觉效果。
斑点噪声：给图像加入斑点噪声，以扩充样本容量。
以上方法在使用时任意选择一种对样本进行处理，或根据实际情况选择一种，用以对样本进行处理。
S106：对小样本目标检测模型进行微调，具体为：将预训练权重θ′作为所述小样本目标检测模型的初始化参数，利用预处理后的支持集对小样本目标检测模型进行进一步调整训练，得到最终训练完成的小样本目标检测模型；
Cascade-RCNN使用级联结构，网络先使用骨干网络(backbone，本专利使用的是ResNet50和ResNet101)从图片中提取到深度特征，再输入级联结构的检测器进行微调。Cascade-RCNN的关键之处在于不使用一个检测器来进行输出。Faster-RCNN的精度受到IoU阈值的影响，如果提高IoU的阈值，则查全率较低，如果降低IoU的阈值，则查准率较低。基于此，研究者开发了Cascade-RCNN这种级联结构的神经网络。
针对开始输出的标记框，使用小的IoU进行筛选，而后逐渐增大IoU，实现更高精度的检测。
本申请中的小样本机器学习则通过先使用类似的数据集进行全样本训练，再在数据集中的支持集上进行微调。
在类似的数据集上使用全样本进行训练可以使模型学习到如何提取有效的深度特征，而在小样本数据集上的微调则主要训练模型的检测器，以获得更高的检测性能；
另外，在Cascade网络中，本申请结合了可变形卷积神经网络(DeformableConvolutional Networks，DCN)的思想。
DCN是近些年对卷积神经网络(Convolutional Neural Networks，CNN)的一种改进。在DCN中，原始图片经过一个普通卷积之后得到每个像素值的偏移量，将原图像与偏移量叠加之后得到偏移后的位置，根据这一位置使用双线性插值的方法计算出新的像素值，得到新的图像。最后，将新的图像输入进神经网络中。根据实验表明，DCN在对小目标物体进行检测时表现出了非常优越的性能。
在完成网络模型的训练之后，本申请并不孤立地使用一个权重进行预测，而是将多次训练得到的权重融合起来，以达到更好地效果，具体为：
所述训练完成的小样本目标检测模型，其权重参数为：第n-2次、第n-1次和第n次权重参数的平均值再加入斑点噪声后的融合权重，如下式：
Wfinal＝f((wn-2+wn-1+wn)/3)
式中，n为训练迭代的总次数，n为正整数且n>2；wn为最后一次迭代训练完成后的小样本目标检测模型权重参数；wn-2为第n-2次迭代训练完成后的小样本目标检测模型权重参数；wn-1为第n-1次迭代训练完成后的小样本目标检测模型权重参数；f(·)为加入斑点噪声操作；wfinal为小样本目标检测模型最终的权重参数。
具体到本实施例中，本申请使用训练第10、11、12个epoch之后的权重进行平均，并与给平均后的权重中加入斑点噪声的权重进行融合，作为最终的权重。
S107：采用基于TPE的贝叶斯优化模型对所述训练完成的小样本目标检测模型进行超参数优化，得到优化后的小样本目标检测模型；
为了进一步提高模型精度，本申请引入了针对小样本目标检测模型的超参数优化算法，即基于TPE的贝叶斯优化模型，用于构建自动的超参数优化方法；
TPE方法如下所示。
Figure GDA0003635909720000071
Figure GDA0003635909720000081
TPE对
Figure GDA0003635909720000082
和
Figure GDA0003635909720000083
建模，能够处理更加复杂的超参数分布。
针对树状结构的超参数空间维数过高难以搜索的问题，本申请使用HRA算法进行剪枝，其流程为：先使用TPE算法对超参数进行评估，对结果进行抽样，根据抽样结果对超参数进行相关性分析，最后删去不重要的超参数，保留对结果影响较大的超参数，从而降低超参数空间的维数，提高算法效率。其算法流程图如算法2所示：
Figure GDA0003635909720000084
Figure GDA0003635909720000091
在以上算法中，H为超参数空间，Emax表示最大评估数量，η控制每轮保留率，SR为评估后筛选出的结果，ΔEs代表每一轮的运行次数。
针对本发明中使用的小样本目标检测模型，贝叶斯优化算法主要针对以下几个方面进行优化：
(a)backbone：backbone在小样本目标监测网络中是作为特征提取器，主要有以下选择：ResNet50、ResNet101、hrnnet、Resnext32、Resnext64。
(b)anchor：在本发明中，对anchor的优化主要体现在对anchor ratio的优化上，共有两组：[[0.5,1.0,2.0,4.0,6.0,8.0],[1/8,1/6,1/4,1/2,1,2,4,6,8]]。
(c)optimizer：选择的范围包括RMSprop、Adagrad、Adam、Adadelta、SGD。
(d)learning rate：这里主要是针对学习率下降的方法不同进行优化。选择的范围包括：多项式函数下降、余弦函数下降、阶梯式下降等；
(e)数据预处理：具体方法已在上文叙述。
S108：输入预处理后的查询集至优化后的小样本目标检测模型，得到目标检测结果。
下面结合实例与图表对本发明做进一步说明。
本申请采用的数据集为水下声呐数据集。声呐是一种声学探测设备，使用声波在水中进行观察和测量侧扫声纳亦称“旁侧声纳”或“海底地貌仪”，是利用回声测深原理探测海底地貌和水下物体的设备。波束平面垂直于航行方向，沿航线方向束宽很窄，开以保持较高分辨率；垂直于航线方向束宽较宽，开角约为20°—60°，以保证一定的扫描宽度。回波信号较强的目标图像较黑，声波照射不到的影区图像色调很淡，根据影区的长度估算目标的高度。前视声呐工作原理和侧扫声呐一致，只是声波发射基阵一般以一个扇面向前或者向下发射脉冲信号。
本文使用的数据集中，有200张前视图像，400张侧扫图像。由于拍摄时间的不同，200张前视图像可以分为12/23/2019和12/24/2019两种，每种100张。而侧扫图像由于拍摄位置不同，可以分为两类，每种200张。现在从其中抽取20张作为支持集，剩余作为查询集。表1给出了本发明给出的基于小样本机器学习与超参数优化的目标检测算法与目标检测领域其他算法的对比，包括YOLO、SSD、Faster-RCNN、Cascade-RCNN。其中，本发明将Cascade-RCNN作为baseline。YOLOv4在数据集上取得了53.27％的mAP成绩，SSD在数据集上取得了53.27％的mAP成绩，而Faster-RCNN则取得了60.22％的mAP成绩，Cascade-RCNN则达到了70.0％，可见两阶段的目标检测模型远好于一阶段目标检测模型，而本发明提出的模型mAP则达到了83.0％，较之原始的Cascade-RCNN则有了进一步提升。
表1几种目标检测算法在水下声呐数据集上的结果
Figure GDA0003635909720000101
而后本申请引入超参数优化算法对模型进行提高，而实验也证明进行超参数优化之后的算法相较于未优化的算法也有很大的提升，mAP最高可以达到86.9％，比默认设置高了3.9％。具体结果如表2所示。
表2经过超参数优化之后的超参数设置
Figure GDA0003635909720000102
Figure GDA0003635909720000111
注：anchor中的0指的是[0.5,1.0,2.0,4.0,6.0,8.0]
如表2所示，mAP较大的几个结果所采用的超参数各有不同，如果人工查找是非常费时费力的，而使用超参数优化就可以自动求得最优解。
本发明的有益效果是：实现了不依赖于大样本、可以自动调节超参数的目标检测。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于小样本机器学习与超参数优化的水下目标检测方法，其特征在于：包括以下步骤：
S101：构建基于Cascade-RCNN的小样本目标检测模型；
S102：预训练数据集；所述预训练数据集包括目标检测标准数据集COCO和其他有标记的大型声学图像数据集；
S103：利用所述预训练数据集对小样本目标检测模型进行预训练，获得所述小样本目标检测模型的预训练权重θ′；
S104：构建待检测的目标数据集；将所述目标数据集划分为有标记的支持集和无标记的查询集；
S105：在预处理算法库中选择预处理算法，对目标数据集进行预处理，得到预处理后的目标数据集；
S106：对小样本目标检测模型进行微调，具体为：将预训练权重θ′作为所述小样本目标检测模型的初始化参数，利用预处理后的支持集对小样本目标检测模型进行进一步调整训练，得到最终训练完成的小样本目标检测模型；
步骤S106中，所述训练完成的小样本目标检测模型，其权重参数为：第n-2次、第n-1次和第n次权重参数的平均值再加入斑点噪声后的融合权重，如下式：
Wfinal＝f((wn-2+wn-1+wn)/3)
式中，n为训练迭代的总次数，n为正整数且n>2；wn为最后一次迭代训练完成后的小样本目标检测模型权重参数；wn-2为第n-2次迭代训练完成后的小样本目标检测模型权重参数；wn-1为第n-1次迭代训练完成后的小样本目标检测模型权重参数；f(·)为加入斑点噪声操作；wfinal为小样本目标检测模型最终的权重参数；
S107：采用基于TPE的贝叶斯优化模型对所述训练完成的小样本目标检测模型进行超参数优化，得到优化后的小样本目标检测模型；
S108：输入预处理后的查询集至优化后的小样本目标检测模型，得到目标检测结果。
2.如权利要求1所述的一种基于小样本机器学习与超参数优化的水下目标检测方法，其特征在于：步骤S105中，所述预处理算法库包括多种预处理方法，分别为：运动模糊、样本混合、Retinex和斑点噪声。
3.如权利要求1所述的一种基于小样本机器学习与超参数优化的水下目标检测方法，其特征在于：步骤S107具体为：基于TPE的贝叶斯优化模型对所述训练完成的小样本目标检测模型进行超参数评估，并对评估结果进行抽样；根据抽样结果对超参数进行相关性分析，删去重要程度低于预设值的超参数，保留重要程度大于等于预设值的超参数，降低训练完成的小样本目标检测模型的超参数空间维度，得到优化后的小样本目标检测模型。
CN202110442031.2A 2021-04-23 2021-04-23 基于小样本机器学习与超参数优化的水下目标检测方法 Active CN113239980B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110442031.2A CN113239980B (zh) 2021-04-23 2021-04-23 基于小样本机器学习与超参数优化的水下目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110442031.2A CN113239980B (zh) 2021-04-23 2021-04-23 基于小样本机器学习与超参数优化的水下目标检测方法

Publications (2)

Publication Number Publication Date
CN113239980A CN113239980A (zh) 2021-08-10
CN113239980B true CN113239980B (zh) 2022-07-05

Family

ID=77129010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110442031.2A Active CN113239980B (zh) 2021-04-23 2021-04-23 基于小样本机器学习与超参数优化的水下目标检测方法

Country Status (1)

Country Link
CN (1) CN113239980B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114005009B (zh) * 2021-09-30 2023-11-14 苏州浪潮智能科技有限公司 一种基于RS loss的目标检测模型的训练方法及装置
CN114266977B (zh) * 2021-12-27 2023-04-07 青岛澎湃海洋探索技术有限公司 基于超分辨可选择网络的多auv的水下目标识别方法
CN114743257A (zh) * 2022-01-23 2022-07-12 中国电子科技集团公司第十研究所 图像目标行为的检测识别方法
CN115037641B (zh) * 2022-06-01 2024-05-03 网络通信与安全紫金山实验室 基于小样本的网络流量检测方法、装置、电子设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108022025A (zh) * 2017-12-28 2018-05-11 华中科技大学 一种基于人工神经网络的风速区间预测方法与系统
EP3404611A1 (en) * 2017-05-19 2018-11-21 RetinAI Medical GmbH Reducing noise in an image
CN112527547A (zh) * 2020-12-17 2021-03-19 中国地质大学（武汉） 一种基于自动卷积神经网络的机械智能故障预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11443228B2 (en) * 2018-06-21 2022-09-13 International Business Machines Corporation Job merging for machine and deep learning hyperparameter tuning

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3404611A1 (en) * 2017-05-19 2018-11-21 RetinAI Medical GmbH Reducing noise in an image
CN108022025A (zh) * 2017-12-28 2018-05-11 华中科技大学 一种基于人工神经网络的风速区间预测方法与系统
CN112527547A (zh) * 2020-12-17 2021-03-19 中国地质大学（武汉） 一种基于自动卷积神经网络的机械智能故障预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Modified Cascade RCNN Based on Contextual Information for vehicle Detection;Xiaofei Han;《Sensing and Imaging》;20210407;全文 *
基于自动机器学习的不平衡故障诊断方法;孙晨 等;《计算机集成制造系统》;20210318;全文 *

Also Published As

Publication number Publication date
CN113239980A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
CN113239980B (zh) 基于小样本机器学习与超参数优化的水下目标检测方法
CN109614985B (zh) 一种基于密集连接特征金字塔网络的目标检测方法
CN111160176B (zh) 基于融合特征的一维卷积神经网络地面雷达目标分类方法
CN108446741B (zh) 机器学习超参数重要性评估方法、系统及存储介质
CN107146237B (zh) 一种基于在线状态学习与估计的目标跟踪方法
CN113486764B (zh) 一种基于改进的YOLOv3的坑洼检测方法
CN112101430A (zh) 用于图像目标检测处理的锚框生成方法及轻量级目标检测方法
Djemame et al. Solving reverse emergence with quantum PSO application to image processing
Wu et al. Variational nearest neighbor Gaussian process
US20210239952A1 (en) Method, computer program product, computer-readable medium and system for scanning partial regions of a sample using a scanning microscope
CN111368900A (zh) 一种图像目标物识别方法
CN111126278A (zh) 针对少类别场景的目标检测模型优化与加速的方法
CN111860587A (zh) 一种用于图片小目标的检测方法
CN108537825B (zh) 一种基于迁移学习回归网络的目标跟踪方法
WO2023186833A1 (en) Computer implemented method for the detection of anomalies in an imaging dataset of a wafer, and systems making use of such methods
CN113744195B (zh) 一种基于深度学习的hRPE细胞微管自动检测方法
WO2022026402A1 (en) Shape-based vehicle classification using laser scan and neural network
CN113570594A (zh) 超声图像中目标组织的监测方法、装置及存储介质
CN111274986B (zh) 一种基于图像分析的菜品识别分类方法
Saleh et al. A lightweight Transformer-based model for fish landmark detection
Anderson et al. Classifying multi-frequency fisheries acoustic data using a robust probabilistic classification technique
Walker et al. The effect of physics-based corrections and data augmentation on transfer learning for segmentation of benthic imagery
CN110717930A (zh) 一种基于扩展Wang-landau蒙特卡罗和KCF的突变运动目标跟踪方法
Dutta et al. Weed detection in close-range imagery of agricultural fields using neural networks
Shen et al. Identification and counting of fish targets using adaptive resolution imaging sonar

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