CN113379714A - 基于深度卷积神经网络的光学遥感图像目标检测系统 - Google Patents
基于深度卷积神经网络的光学遥感图像目标检测系统 Download PDFInfo
- Publication number
- CN113379714A CN113379714A CN202110701848.7A CN202110701848A CN113379714A CN 113379714 A CN113379714 A CN 113379714A CN 202110701848 A CN202110701848 A CN 202110701848A CN 113379714 A CN113379714 A CN 113379714A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- module
- neural network
- optical remote
- sensing image
- 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
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 58
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 48
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000012795 verification Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000009467 reduction Effects 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000013535 sea water Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 235000002566 Capsicum Nutrition 0.000 description 4
- 239000006002 Pepper Substances 0.000 description 4
- 241000722363 Piper Species 0.000 description 4
- 235000016761 Piper aduncum Nutrition 0.000 description 4
- 235000017804 Piper guineense Nutrition 0.000 description 4
- 235000008184 Piper nigrum Nutrition 0.000 description 4
- 150000003839 salts Chemical class 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度卷积神经网络的光学遥感图像目标检测系统,包括图像获取模块,用于获取舰船的光学遥感图像;预处理模块,用于对舰船的光学遥感图像进行降噪、海陆分割和边缘提取;样本划分模块,用于将经过预处理后的光学遥感图像划分成训练图像和验证图像;注意力模块,用于对预处理后的光学遥感图像提取更优的特征表示;目标检测模块,用于构建并训练深度卷积神经网络模型,获得训练好的深度卷积神经网络模型后,对光学遥感图像进行目标检测。本发明增加注意力模块,提高了优化模型的效率,有效的提高了光学遥感图像舰船检测的精度。
Description
技术领域
本发明涉及目标检测领域,特别是涉及一种基于深度卷积神经网络的光学遥感图像目标检测系统。
背景技术
随着航空航天技术的发展,高分辨光学遥感影像逐渐成为检测海上舰船的重要手段之一。相对于红外和SAR图像,光学遥感影像具有高空间分辨率的特征,从而能够对物体有更明显的几何表征。通过高分辨率光学遥感影像获取的观测目标场景具有充足的特征信息。近年来,越来越多的学者和研究机构聚焦高分辨率遥感影像在海上目标的识别和定位,进一步促进了海洋商业活动的发展,但是在现实情况中,由于舰船的移动,对舰船获取的光学遥感图像存在糊片、局部遮挡、背景复杂、尺度变化、视觉变化等干扰噪声的影响,传统的识别方法对于以上情况中的舰船识别效果不尽如人意,对移动的舰船的识别还存在一定的缺陷。
深度卷积神经网络技术在含有舰船的图片中进行目标检测,取得了传统方法难以企及的成就。针对上述情况,如何基于深度卷积神经网络的光学遥感图像目标检测系统,将基于深度卷积神经网络的技术应用到遥感影像中,以提高工作效率和对舰船的识别精度,减少人为操作,实现全自动化遥感影像地物目标检测成为了热点问题。
发明内容
本发明的目的是提供一种基于深度卷积神经网络的光学遥感图像目标检测系统,以解决上述现有技术存在的问题。
为实现上述目的,本发明提供了如下方案:
本发明提供一种基于深度卷积神经网络的光学遥感图像目标检测系统,包括:
图像获取模块,用于获取舰船的光学遥感图像;
预处理模块,用于对所述舰船的光学遥感图像进行降噪、海陆分割和边缘提取;
样本划分模块,用于将经过预处理后的光学遥感图像划分成训练图像和验证图像;
注意力模块,用于对预处理后的所述光学遥感图像提取更优的特征表示;
目标检测模块,用于构建并训练深度卷积神经网络模型,获得训练好的所述深度卷积神经网络模型后,对所述光学遥感图像进行目标检测。
优选地,所述预处理模块包括:
降噪模块,用于对所述光学遥感图像进行灰度化、中值滤波;
海陆分割模块,用于对所述光学遥感图像图像中的海水和陆地进行分割;
边缘提取模块,用于对进行海陆分割后的所述光学遥感图像进行边缘提取和区域填充。
优选地,所述海陆分割的方法采用以下的一种或多种:灰度阈值法、区域纹理分析法和边缘特征提取法。
优选地,所述注意力模块包括三个并行的子模块,分别为空间注意力子模块、通道注意力子模块和时间注意力子模块,获取所述更优的特征表示的方法具体为:通过所述空间注意力子模块获取的空间位置结合所述通道注意力子模块获取的通道间特征相关性,获得所述更优的特征表示,通过所述时间注意力子模块提取当前光学遥感图像的相邻帧,并将所述相邻帧中的目标对象进行对比和数据关联,在时间维度上获取更多的特征表示。
优选地,所述目标检测模块包括:
训练模块,用于将所述训练图像输入所述深度卷积神经网络模型,对所述深度卷积神经网络模型进行训练;
验证模块,用于将所述验证图像输入所述深度卷积神经网络模型,对所述深度卷积神经网络模型进行验证并调整。
优选地,所述训练模块在训练所述深度卷积神经网络模型时,使用了BP算法进行训练。
优选地,所述目标检测模块还包括优化模块,用于优化所述深度卷积神经网络模型中的参数。
优选地,所述优化模块基于更优的特征表示、更多的特征表示、所述验证模块的输出结果和损失函数对所述深度卷积神经网络模型进行优化。
优选地,所述损失函数为对比损失函数,如下式所示:
其中每个输入包括一组图片(i,j)和一组标签Y(i,j)∈{0,1},当i和j匹配时,Y(i,j)=1;否则,Y(i,j)=0,τ是边距超参数。
本发明公开了以下技术效果:
本发明在深度卷积神经网络目标检测和光学遥感的基础上添加注意力模块,获得了更多的图像细节和特征,提高了优化模型的效率,在存在局部遮挡、背景复杂等情况时,采用时间注意力模块获取相邻帧的图像进行目标检测,有效的提高了光学遥感图像舰船检测的精度,本发明能够对光学遥感图像中的舰船进行准确检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的系统结构示意图;
图2为本发明的实施例中的单隐层神经网络结构。
具体实施方式
现详细说明本发明的多种示例性实施方式,该详细说明不应认为是对本发明的限制,而应理解为是对本发明的某些方面、特性和实施方案的更详细的描述。
应理解本发明中所述的术语仅仅是为描述特别的实施方式,并非用于限制本发明。另外,对于本发明中的数值范围,应理解为还具体公开了该范围的上限和下限之间的每个中间值。在任何陈述值或陈述范围内的中间值以及任何其他陈述值或在所述范围内的中间值之间的每个较小的范围也包括在本发明内。这些较小范围的上限和下限可独立地包括或排除在范围内。
在不背离本发明的范围或精神的情况下,可对本发明说明书的具体实施方式做多种改进和变化,这对本领域技术人员而言是显而易见的。由本发明的说明书得到的其他实施方式对技术人员而言是显而易见的。本申请说明书和实施例仅是示例性的。
关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等,均为开放性的用语,即意指包含但不限于。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供一种基于深度卷积神经网络的光学遥感图像目标检测系统,包括:
图像获取模块,用于获取舰船的光学遥感图像;
预处理模块,用于对所述舰船的光学遥感图像进行降噪、海陆分割和边缘提取;
样本划分模块,用于将经过预处理后的光学遥感图像划分成训练图像和验证图像;
注意力模块,用于对预处理后的所述光学遥感图像提取更优的特征表示;
目标检测模块,用于构建并训练深度卷积神经网络模型,获得训练好的所述深度卷积神经网络模型后,对所述光学遥感图像进行目标检测。
优选地,所述预处理模块包括:
降噪模块,用于对所述光学遥感图像进行灰度化、中值滤波;
海陆分割模块,用于对所述光学遥感图像图像中的海水和陆地进行分割;
边缘提取模块,用于对进行海陆分割后的所述光学遥感图像进行边缘提取和区域填充。
优选地,所述海陆分割的方法采用以下的一种或多种:灰度阈值法、区域纹理分析法和边缘特征提取法。
优选地,所述注意力模块包括三个并行的子模块,分别为空间注意力子模块、通道注意力子模块和时间注意力子模块,获取所述更优的特征表示的方法具体为:通过所述空间注意力子模块获取的空间位置结合所述通道注意力子模块获取的通道间特征相关性,获得所述更优的特征表示,通过所述时间注意力子模块提取当前光学遥感图像的相邻帧,并将所述相邻帧中的目标对象进行对比和数据关联,在时间维度上获取更多的特征表示。
优选地,所述目标检测模块包括:
训练模块,用于将所述训练图像输入所述深度卷积神经网络模型,对所述深度卷积神经网络模型进行训练;
验证模块,用于将所述验证图像输入所述深度卷积神经网络模型,对所述深度卷积神经网络模型进行验证并调整。
优选地,所述训练模块在训练所述深度卷积神经网络模型时,使用了BP算法进行训练。
优选地,所述目标检测模块还包括优化模块,用于优化所述深度卷积神经网络模型中的参数。
优选地,所述优化模块基于更优的特征表示、更多的特征表示、所述验证模块的输出结果和损失函数对所述深度卷积神经网络模型进行优化。
优选地,所述损失函数为对比损失函数,如下式所示:
其中每个输入包括一组图片(i,j)和一组标签Y(i,j)∈{0,1},当i和j匹配时,Y(i,j)=1;否则,Y(i,j)=0,τ是边距超参数。
由于光学遥感图像易受到CCD探测电路引起的椒盐噪声和高斯噪声影响,高斯噪声表现为点状,一般对后续检测没有较大影响,而椒盐噪声往往表现为多点小颗粒状,会对后续检测产生较大影响。因此,必须对原始的灰度图像进行去除椒盐噪声处理。中值滤波是基于排列统计理论的一种保边缘的非线性图像平滑方法,它的优点是运算简单而且速度较快,在滤除叠加白噪声和长尾叠加噪声方面显出极好的性能,且在滤除噪声的同时能很好地保护信号的细节信息。在本系统中,首先对原始遥感图像进行中值滤波,能够非常有效的去除图像中的椒盐噪声,平滑效果优于均值滤波,在抑制随机噪声的同时能保持图像边沿少受模糊。
预处理中的海陆分割:
由于海面遥感图像中既可能只包含水域部分、也可能包含陆地区域和水域两个部分,而感兴趣的是位于水域内的舰船目标,首先要把水域和复杂背景进行分离。
(1)海陆分割的特征选取
从典型海面背景图像的灰度分布情况看,海面区域中除了舰船目标和噪声点之外,灰度分布比较均匀,整体都比较暗,而陆地区域灰度分布比较杂乱,整体灰度比较亮,但是部分局部小区域内(如某栋楼房顶或者阴影)灰度分布也比较均匀,可以采用小区域内方差和均值作为区域纹理特性,把海域和陆地区域粗分离。
(2)海陆分割的模板选取
考虑到海面区域灰度分布各个方向都是均匀的,而陆地区域大部分分布只在某个方向上是均匀的,而且不同小区域之间的某个特定方向往往是不同的。根据这个特点选取十字型模板,以区域方差作为区域纹理特性进行分割,试验结果表明,采用十字型模板可以得到比较好的海域分割效果,而且分割门限变化范围也比较大。
(3)海陆分割的算法过程
本系统采用小区域内方差和均值两个特征值共同决策,对海面背景图像的统计特性建模,然后计算分割的门限,并进行图像的分割试验,最后,计算符合海面统计特性区域的面积。若面积超过一定的阈值门限,则认为找到海面背景区域,而海面背景区域的面积就表示海面背景的显著性特征。
边缘跟踪:
边缘跟踪采用8邻域逆时针跟踪扫描方式对目标图像进行扫描。具体算法如下:
(1)从上到下从左到右依次扫描图像,找到第一个非零点,然后以该点为中心,扫描方向1的象素点,若该方向的象素值为零,则转向(2);若该方向的象素值为非零,则给中心点赋方向代码值1,然后以方向1的象素为中心点,扫描方向顺时针旋传两格;
(2)扫描方向逆时针旋转一格,扫描方向2的象素,如果象素值非零,则给中心点赋方向代码值,否则,扫描方向再逆时针旋转一格,继续扫描,直到扫描到非零的邻域点为止,然后赋给中心点相应的方向代码值;
(3)如果还没扫描到起始点,那么扫描过程继续,如果扫描到起始点,则结束。
区域填充:
对图像所有连通域完成边缘跟踪后,即可以进行区域填充。区域填充的目的是填充连通域内的小孔或噪声。通过定义多边形边界点的方向完成填充。
基本原理是:从上到下依次扫描待填充区域,如果水平扫描线与区域边界的交点个数大于1,那么初始化起始交点为第一个交点,截至交点为第二个交点,判断起始交点和截至交点的方向值:如果起始交点方向下行而截至交点方向上行,则填充起始交点到截至交点之间的象素。否则判断下一个交点。直至扫描结束。
舰船目标匹配:
为了使目标明确化,有效提取出舰船目标,本系统将填充后的海域图像和源图像进行匹配,将区域标记后的目标区域用源图像像素代替,并且判断目标块面积是否大于图像总像素点的1/50(该值可以根据图像的特性设定),若超过图像1/50的目标不可能为舰船目标,可以剔除。
本发明中,用于训练模型的为:反向传播(BP:backpropagation)算法,BP算法是根据梯度下降原理设计的网络参数更新算法,可以学习神经网络中复杂的多维映射关系,是一种应用非常广泛的参数更新算法。通常情况下,BP需要和输入数据相对应的精确的标签,以一种监督的方式调整网络中的权重参数。在本文中,仍然是以BP算法为基础更新网络参数,不过算法需要的标签是在网络更新过程中自动生成的。在使用BP算法训练神经网络之前,训练数据样本和对应的标签是需要提前给定的。如图2所示的是一个三层的神经网络,它包含输入层、隐层、输出层,当样本输入给定时,根据网络的参数可以计算网络的输出,计算公式为:
其中,hj表示隐层第j节点的值,Ok表示输出层的第k个节点的输出值,b1j和b2j分别表示隐层第j个节点和输出层第k个节点的偏差值,ω1ji表示隐层的第j个节点和输入层的第i个节点连接的权重,ω2ji表示连接输出层的第k个节点和隐层的第j个节点的权重,f(x)是神经网络的激活函数,大多数情况下被设定为f(r)=sigm(x),其表达是为:
f(a)=sigm(x)作为激活函数的应用很广泛,因为它的导数有一个很好的性质f(x)=f(x)(1-f(x)),这个性质对于之后求取梯度有很大的优势。如图2,网络的输出和样本标签的平方误差信息可以表示为
根据f(a)=sigm(z)导数的性质计算E的梯度,E的梯度在网络训练过程中起着重要的作用。网络更新的目的是最小化网络输出与标准值之间的误差E。BP算法是一种根据梯度下降策略研究出的算法,它以目标函数E的负梯度方向对网络中的参数进行更新。对于图2中的网络,如果给定学习率δ,那么就有
Δw2kj=δgkhj
类似推导可得,
Δb2k=δgk
Δw1ji=δejxi
Δb1j=Dej
在BP算法中,δ∈(0,1)控制着网络参数更新迭代的步长,如果这个值太大则容易使参数优化过程产生震荡,太小又将产生收敛速度过慢的现象。有时为了精细的调节,网络各层可能会设定不同的学习率。大多数情况下,网络参数初始化时会选择接近于0随机数,并且为了使网络稳定及具有泛化能力,训练时会采集大量的样本。
BP算法是神经网络训练中举足轻重的算法,在本发明中基于深度神经网络的异源遥感图像变化检测的地位不言而喻。BP算法是使网络获取复杂映射关系、提取图像特征信息的关键。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (9)
1.一种基于深度卷积神经网络的光学遥感图像目标检测系统,其特征在于:包括:
图像获取模块,用于获取舰船的光学遥感图像;
预处理模块,用于对所述舰船的光学遥感图像进行降噪、海陆分割和边缘提取;
样本划分模块,用于将经过预处理后的光学遥感图像划分成训练图像和验证图像;
注意力模块,用于对预处理后的所述光学遥感图像提取更优的特征表示;
目标检测模块,用于构建并训练深度卷积神经网络模型,获得训练好的所述深度卷积神经网络模型后,对所述光学遥感图像进行目标检测。
2.根据权利要求1所述的基于深度卷积神经网络的光学遥感图像目标检测系统,其特征在于:所述预处理模块包括:
降噪模块,用于对所述光学遥感图像进行灰度化、中值滤波;
海陆分割模块,用于对所述光学遥感图像图像中的海水和陆地进行分割;
边缘提取模块,用于对进行海陆分割后的所述光学遥感图像进行边缘提取和区域填充。
3.根据权利要求2所述的基于深度卷积神经网络的光学遥感图像目标检测系统,其特征在于:所述海陆分割的方法采用以下的一种或多种:灰度阈值法、区域纹理分析法和边缘特征提取法。
4.根据权利要求1所述的基于深度卷积神经网络的光学遥感图像目标检测系统,其特征在于:所述注意力模块包括三个并行的子模块,分别为空间注意力子模块、通道注意力子模块和时间注意力子模块,获取所述更优的特征表示的方法具体为:通过所述空间注意力子模块获取的空间位置结合所述通道注意力子模块获取的通道间特征相关性,获得所述更优的特征表示,通过所述时间注意力子模块提取当前光学遥感图像的相邻帧,并将所述相邻帧中的目标对象进行对比和数据关联,在时间维度上获取更多的特征表示。
5.根据权利要求1所述的基于深度卷积神经网络的光学遥感图像目标检测系统,其特征在于:所述目标检测模块包括:
训练模块,用于将所述训练图像输入所述深度卷积神经网络模型,对所述深度卷积神经网络模型进行训练;
验证模块,用于将所述验证图像输入所述深度卷积神经网络模型,对所述深度卷积神经网络模型进行验证并调整。
6.根据权利要求5所述的基于深度卷积神经网络的光学遥感图像目标检测系统,其特征在于:所述训练模块在训练所述深度卷积神经网络模型时,使用了BP算法进行训练。
7.根据权利要求1所述的基于深度卷积神经网络的光学遥感图像目标检测系统,其特征在于:所述目标检测模块还包括优化模块,用于优化所述深度卷积神经网络模型中的参数。
8.根据权利要求7所述的基于深度卷积神经网络的光学遥感图像目标检测系统,其特征在于:所述优化模块基于更优的特征表示、更多的特征表示、所述验证模块的输出结果和损失函数对所述深度卷积神经网络模型进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110701848.7A CN113379714A (zh) | 2021-06-24 | 2021-06-24 | 基于深度卷积神经网络的光学遥感图像目标检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110701848.7A CN113379714A (zh) | 2021-06-24 | 2021-06-24 | 基于深度卷积神经网络的光学遥感图像目标检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113379714A true CN113379714A (zh) | 2021-09-10 |
Family
ID=77578825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110701848.7A Pending CN113379714A (zh) | 2021-06-24 | 2021-06-24 | 基于深度卷积神经网络的光学遥感图像目标检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379714A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898175A (zh) * | 2022-04-29 | 2022-08-12 | 北京九章云极科技有限公司 | 目标检测方法、装置及相关设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845372A (zh) * | 2016-12-31 | 2017-06-13 | 华中科技大学 | 一种星载遥感光学图像的船舶目标检测识别方法和系统 |
CN108921066A (zh) * | 2018-06-22 | 2018-11-30 | 西安电子科技大学 | 基于特征融合卷积网络的光学遥感图像舰船检测方法 |
CN110866926A (zh) * | 2019-10-24 | 2020-03-06 | 北京航空航天大学 | 一种红外遥感图像快速精细海陆分割方法 |
CN111462175A (zh) * | 2020-03-11 | 2020-07-28 | 华南理工大学 | 时空卷积孪生匹配网络目标跟踪方法、装置、介质及设备 |
CN112766229A (zh) * | 2021-02-08 | 2021-05-07 | 南京林业大学 | 基于注意力机制的人脸点云图像智能识别系统及方法 |
CN112818843A (zh) * | 2021-01-29 | 2021-05-18 | 山东大学 | 基于通道注意力导向时间建模的视频行为识别方法及系统 |
-
2021
- 2021-06-24 CN CN202110701848.7A patent/CN113379714A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845372A (zh) * | 2016-12-31 | 2017-06-13 | 华中科技大学 | 一种星载遥感光学图像的船舶目标检测识别方法和系统 |
CN108921066A (zh) * | 2018-06-22 | 2018-11-30 | 西安电子科技大学 | 基于特征融合卷积网络的光学遥感图像舰船检测方法 |
CN110866926A (zh) * | 2019-10-24 | 2020-03-06 | 北京航空航天大学 | 一种红外遥感图像快速精细海陆分割方法 |
CN111462175A (zh) * | 2020-03-11 | 2020-07-28 | 华南理工大学 | 时空卷积孪生匹配网络目标跟踪方法、装置、介质及设备 |
CN112818843A (zh) * | 2021-01-29 | 2021-05-18 | 山东大学 | 基于通道注意力导向时间建模的视频行为识别方法及系统 |
CN112766229A (zh) * | 2021-02-08 | 2021-05-07 | 南京林业大学 | 基于注意力机制的人脸点云图像智能识别系统及方法 |
Non-Patent Citations (5)
Title |
---|
姚峰林: "《数字图像处理及在工程中的应用》", 30 April 2014, 北京理工大学出版社, pages: 102 - 103 * |
熊光明 等: "《无人驾驶车辆理论与设计:慕课版》", 30 April 2021, 北京理工大学出版社, pages: 65 - 66 * |
王彦情;马雷;田原;: "光学遥感图像舰船目标检测与识别综述", 《自动化学报》, vol. 37, no. 9, pages 1029 - 1039 * |
连心雨: "融合时空特征与注意力机制的端到端自动驾驶行为决策方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, 15 June 2021 (2021-06-15), pages 51 - 53 * |
郎锐: "《数字图像处理学 Visual C++实现》", 31 January 2003, 北京希望电子出版社, pages: 307 - 310 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898175A (zh) * | 2022-04-29 | 2022-08-12 | 北京九章云极科技有限公司 | 目标检测方法、装置及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN109409263B (zh) | 一种基于Siamese卷积网络的遥感影像城市地物变化检测方法 | |
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
US11488308B2 (en) | Three-dimensional object detection method and system based on weighted channel features of a point cloud | |
CN108596055B (zh) | 一种复杂背景下高分辨遥感图像的机场目标检测方法 | |
CN110119728A (zh) | 基于多尺度融合语义分割网络的遥感图像云检测方法 | |
CN107767400B (zh) | 基于层次化显著性分析的遥感图像序列动目标检测方法 | |
CN113139453B (zh) | 一种基于深度学习的正射影像高层建筑基底矢量提取方法 | |
CN108446634B (zh) | 基于视频分析和定位信息结合的航空器持续跟踪方法 | |
CN113160192A (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
CN111462027B (zh) | 基于多尺度梯度和抠图的多聚焦图像融合方法 | |
CN109376641B (zh) | 一种基于无人机航拍视频的运动车辆检测方法 | |
CN112084871B (zh) | 一种基于弱监督学习的高分遥感目标边界提取方法 | |
CN108428220A (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
CN111027511A (zh) | 基于感兴趣区块提取的遥感图像舰船检测方法 | |
CN114612769A (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 | |
CN113297988A (zh) | 一种基于域迁移和深度补全的物体姿态估计方法 | |
CN115393734A (zh) | 基于Faster R-CNN与CV模型联合方法的SAR图像舰船轮廓提取方法 | |
CN101286236B (zh) | 基于多特征图像和均值漂移的红外目标跟踪方法 | |
CN110706208A (zh) | 一种基于张量均方最小误差的红外弱小目标检测方法 | |
CN106709515A (zh) | 一种适用于下视景象匹配选区准则干预方法 | |
CN115409831A (zh) | 基于最优背景估计的星点质心提取方法及系统 | |
CN115641767A (zh) | 无人艇感知实验平台装置 | |
Zhiyong et al. | Automatic landslide inventory mapping approach based on change detection technique with very-high-resolution images | |
CN113379714A (zh) | 基于深度卷积神经网络的光学遥感图像目标检测系统 |
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 |