CN113408366B - 一种低频超宽带合成孔径雷达图像叶簇覆盖目标检测方法 - Google Patents
一种低频超宽带合成孔径雷达图像叶簇覆盖目标检测方法 Download PDFInfo
- Publication number
- CN113408366B CN113408366B CN202110586213.7A CN202110586213A CN113408366B CN 113408366 B CN113408366 B CN 113408366B CN 202110586213 A CN202110586213 A CN 202110586213A CN 113408366 B CN113408366 B CN 113408366B
- Authority
- CN
- China
- Prior art keywords
- network
- image
- synthetic aperture
- aperture radar
- leaf cluster
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 238000013434 data augmentation Methods 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000012805 post-processing Methods 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 abstract description 2
- 230000007123 defense Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 241000321453 Paranthias colonus Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种低频超宽带合成孔径雷达图像叶簇覆盖目标检测方法,该方法通过随机切割和数据增广技术生成具有一定代表性的低频超宽带合成孔径雷达叶簇覆盖目标的数据集以及相应标注;接着设计卷积神经网络用于预测叶簇覆盖目标,输出为与输入图像相同尺寸的预测图像;然后利用生成的数据集对设计的神经网络进行训练,网络收敛时停止训练;最后基于网络输出结果的特点,设计针对网络输出图像的后处理流程,包括方差滤波与二值化操作,得到最终的预测结果。本发明方案适用于低频超宽带合成孔径雷达图像叶簇覆盖目标的检测,能够保证一定精度下快速检测多个目标。
Description
技术领域
本发明涉及雷达技术领域,更具体地,涉及一种低频超宽带合成孔径雷达图像叶簇覆盖目标检测方法。
背景技术
现代战争中,信息化侦察手段的重要性日益突显。在海湾战争、科索沃战争的刺激下,西方国家投入大量人力物力研究电子侦察技术,在战场上利用雷达等电子侦察工具探测飞机、车辆等目标已是一种必不可少的手段。
我国丛林面积广阔,一方面让我方的车辆等军事设施有良好的隐蔽环境,另一方面启示我方更应该发展对应侦察措施,防止敌方车辆和设备藏匿于丛林。低频超宽带合成孔径雷达凭其优良穿透性能自然成为叶簇覆盖目标检测的主要设备。
在深度学习背景下发展低频超宽带合成孔径雷达图像叶簇覆盖目标检测算法,不仅是在信息时代潮流下让我国科学技术追赶世界顶尖水平,更有可能让我国在国防技术领域占据先机,有利于增强国防建设,保卫国家安全。
目前的研究成果主要集中在美国,例如,美国科学应用公司的M.R.Allen等人提出了基于匹配滤波成像的目标检测法;美国杜克大学的R.Richard等人提出了基于隐马尔可夫模型的目标检测法;美国林肯实验室的R.D.Chaney等人提出了基于频谱拆分的目标检测法;美国Sandia实验室的T.Raju等人提出了基于频谱拆分的目标检测法;美国空军实验室的K.Mitra等人提出了基于秩序滤波器的目标检测法。当然国内也有一些研究成果,主要集中在国防科技大学,例如,国防科技大学的杨志囯博士研究了基于中值滤波器的目标检测法;国防科技大学的方学力博士提出了基于杂波识别的目标检测法;以及国防科技大学的王广学博士提出了应用于叶簇隐蔽目标检测的变化检测方法。
上述检测方法都是依靠传统的数学变换、概率估计、图像滤波等手段进行检测,少有与深度学习结合。考虑到近年来深度学习在各行各领域皆大放异彩,研究人员自然希望其在低频超宽带合成孔径雷达图像检测领域同样能够通过其强大学习能力提升检测速度和精度。由于低频超宽带合成孔径雷达图像不如光学图像丰富多彩、轮廓清晰,并且存在大量杂波,数据集规模受限,能够适应低频超宽带合成孔径雷达图像特点的深度学习方法仍有待发展。
发明内容
本发明提供一种检测精度较高、鲁棒性较好的低频超宽带合成孔径雷达图像叶簇覆盖目标检测方法。
为了达到上述技术效果,本发明的技术方案如下:
一种低频超宽带合成孔径雷达图像叶簇覆盖目标检测方法,包括以下步骤:
S1:根据应用场景生成对应数据集;
S2:构建神经网络;
S3:利用步骤S1中的数据集训练步骤S2中的神经网络;
S4:利用训练好的神经网络初步预测目标位置;
S5:对步骤S4的输出结果进行处理得到最终预测结果。
进一步地,所述步骤S1的具体过程是:
采集低频超宽带合成孔径雷达叶簇覆盖目标的若干图像,图像中包含单目标或多目标,且含有目标所在位置的信息,通过基于高斯概率模型的随机图像切割和数据增广生成数据集和数据标注,其中数据集为若干图像块,数据标注为对应显示目标位置的二值图像。
进一步地,所述步骤S2的具体过程是:
在Pytorch环境下构建包含11层网络结构的神经网络,包含交织的5层卷积层和5层最大值池化层以及最后1层全连接层,其中每1层卷积层和全连接层后都加上ReLU函数作为激活函数。
进一步地,所述步骤S3的具体过程是:
利用步骤S1生成的数据集和数据标注,设置学习率、参数优化函数、损失函数,对网络进行训练;通过参数调试,当训练若干代后网络损失值不再下降则停止训练,同时选择使用各种正则化方法防止网络过拟合。
进一步地,所述步骤S4的具体过程是:
首先将待测图像划分成若干小区域放入网络进行预测后再进行拼接恢复,区域的划分应具有部分的边缘重叠,因为网络输出的中间区域结果往往比边缘区域结果更为准确,所以只取网络输出的中间区域作为初步预测结果,提高网络的预测效果。
进一步地,所述步骤S5的具体过程是:
对网络初步预测结果进行方差滤波,即滤去邻域方差小于一定阈值的区域,保留邻域方差大于等于阈值的区域;方差滤波过后,再进行一次二值化操作,即可得到最终的预测图像;所述阈值为0.02。
进一步地,步骤S3中,采用均方误差MSE函数作为损失函数,采用带动量的随机梯度下降方法作为网络参数优化方法,动量系数为0.9,批处理大小为32,初始学习率为0.1,并随着训练代数以0.95为底数呈幂次递减;网络训练80代。
进一步地,网络输入图像大小设为250像素×250像素,执行归一化操作;输出图像大小为50像素×50像素。
与现有技术相比,本发明技术方案的有益效果是:
本发明通过随机切割和数据增广技术生成具有一定代表性的低频超宽带合成孔径雷达叶簇覆盖目标的数据集以及相应标注;接着设计卷积神经网络用于预测叶簇覆盖目标,输出为与输入图像相同尺寸的预测图像;然后利用生成的数据集对设计的神经网络进行训练,网络收敛时停止训练;最后基于网络输出结果的特点,设计针对网络输出图像的后处理流程,包括方差滤波与二值化操作,得到最终的预测结果。本发明方案适用于低频超宽带合成孔径雷达图像叶簇覆盖目标的检测,能够保证一定精度下快速检测多个目标。
附图说明
图1为本发明方法流程图;
图2为按照高斯概率分布实现的随机矩形截取框生成图;
图3为展示将原图旋转4个角度得到的图像;
图4为展示将原图进行整体增减得到的图像;
图5本发明的神经网络结构图;
图6为为待检测图像各阶段检测结果图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
如图1所示,一种低频超宽带合成孔径雷达图像叶簇覆盖目标检测方法,包括以下步骤:
S1:根据应用场景生成对应数据集;
S2:构建神经网络;
S3:利用步骤S1中的数据集训练步骤S2中的神经网络;
S4:利用训练好的神经网络初步预测目标位置;
S5:对步骤S4的输出结果进行处理得到最终预测结果。
步骤S1的具体过程是:
采集低频超宽带合成孔径雷达叶簇覆盖目标的若干图像,图像中包含单目标或多目标,且含有目标所在位置的信息,通过基于高斯概率模型的随机图像切割和数据增广生成数据集和数据标注,其中数据集为若干图像块,数据标注为对应显示目标位置的二值图像。
如图2所示,具体地,本实例是对于某地区森林和灌木的叶簇覆盖目标的检测,图像为低频超宽带合成孔径雷达图像:对于森林与灌木中低频超宽带合成孔径雷达图像叶簇覆盖目标的检测,首先利用2张3000像素×2000像素(1个像素表示1m×1m的区域)的含有目标的图像生成数据集。以其中1张图像为例,生成数据集的过程包括2个步骤,第一个步骤是进行切割,以目标所在区域中心作为高斯分布中心,通过迭代方法设置方差使得目标区域位于高斯分布概率高于90%的区域内,随机产生矩形框代表切割区域,以此得到正样本与负样本。第二个步骤是进行数据增广,主要是通过改变图像角度和改变图像整体灰度产生具有多样性的图像集,增强数据集的代表性,对于第一步生成的每一张图像,随机选择一个0°~90°之间的角度α,然后将原图分别旋转α、α+90°、α+180°、α+270°得到4张旋转后图像,加上原图共是5张图像。进而对于这5张图像,分别将整体灰度提高10和降低10,得到15张图像,构成新数据集。利用上面的方法,最后产生了3885个样本作训练集,1115个样本作验证集。图3展示将原图旋转4个角度得到的图像,图4展示将原图进行整体增减得到的图像。如图3,最左侧图像为原图,右方4个图像相邻之间相差90°;如图4,最左侧图像为原图,中间图像为原图整体灰度下降10的图像,最右侧图像为原图整体灰度提高10的图像。
步骤S2的具体过程是:
如图5所示,在Pytorch环境下构建包含11层网络结构的神经网络,包含交织的5层卷积层和5层最大值池化层以及最后1层全连接层,其中每1层卷积层和全连接层后都加上ReLU函数作为激活函数,网络输入图像大小设为250像素×250像素,执行归一化操作;输出图像大小为50像素×50像素。
步骤S3的具体过程是:
利用步骤S1生成的数据集和数据标注,设置学习率、参数优化函数、损失函数,对网络进行训练;通过参数调试,当训练若干代后网络损失值不再下降则停止训练,同时选择使用各种正则化方法防止网络过拟合。
具体地,利用步骤S1产生的数据集和数据标注,对网络进行训练。训练时采用MSE(均方误差)函数作为损失函数,采用带动量的随机梯度下降(SGD)方法作为网络参数优化方法,动量系数为0.9。批处理大小为32,初始学习率为0.1,并随着训练代数以0.95为底数呈幂次递减。网络训练80代后逐渐收敛,停止训练。
步骤S4的具体过程是:
首先将待测图像划分成若干小区域放入网络进行预测后再进行拼接恢复,区域的划分应具有部分的边缘重叠,因为网络输出的中间区域结果往往比边缘区域结果更为准确,所以只取网络输出的中间区域作为初步预测结果,提高网络的预测效果。待检测图像大小同样为3000像素×2000像素(1个像素表示1m×1m的区域),不符合网络输入大小要求,因此首先将该图像划分成若干250像素×250像素大小的图像块,使得其可输入网络。因为网络输出图像的中心区域置信度较高,因此大部分图像块的划分都是具有边缘重叠的,然后通过网络计算得到输出结果后截取中间区域作为网络预测结果,重新拼接得到网络对于整幅图的预测结果。
步骤S5的具体过程是:
对网络初步预测结果进行方差滤波,即滤去邻域方差小于一定阈值的区域,保留邻域方差大于等于阈值的区域;方差滤波过后,再进行一次二值化操作,即可得到最终的预测图像。
具体地,对网络预测结果进行方差滤波,即滤去邻域方差小于一定阈值的区域,保留邻域方差大于等于一定阈值的区域,此处阈值设置为0.02。这里用了网络输出结果中目标区域与噪声区域方差有差异的特点。
方差滤波过后,再进行一次二值化操作,即可得到最终的预测图像,图像中黑色区域代表没有目标,白色区域代表目标所在位置。
如图6为利用本发明方法的待检测图像各阶段检测结果,图6(a)为待检测图像原图,图6(b)为训练好的网络对待检测图像的初步检测结果,图6(c)为图6(b)经过方差滤波后的结果,图6(d)为图6(c)二值化后的结果,也即是最终的检测结果,可见检测结果准确。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用于仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (5)
1.一种低频超宽带合成孔径雷达图像叶簇覆盖目标检测方法,包括以下步骤:
S1:根据应用场景生成对应数据集,具体过程是:
采集低频超宽带合成孔径雷达叶簇覆盖目标的若干图像,图像中包含单目标或多目标,且含有目标所在位置的信息,通过基于高斯概率模型的随机图像切割和数据增广生成数据集和数据标注,其中数据集为若干图像块,数据标注为对应显示目标位置的二值图像;
S2:构建神经网络,具体过程是:
在Pytorch环境下构建包含11层网络结构的神经网络,包含交织的5层卷积层和5层最大值池化层以及最后1层全连接层,其中每1层卷积层和全连接层后都加上ReLU函数作为激活函数;
S3:利用步骤S1中的数据集训练步骤S2中的神经网络:具体过程是:
利用步骤S1生成的数据集和数据标注,设置学习率、参数优化函数、损失函数,对网络进行训练;通过参数调试,当训练若干代后网络损失值不再下降则停止训练,同时选择使用各种正则化方法防止网络过拟合;
S4:利用训练好的神经网络初步预测目标位置,具体过程是:
首先将待测图像划分成若干小区域放入网络进行预测后再进行拼接恢复,区域的划分应具有部分的边缘重叠,因为网络输出的中间区域结果往往比边缘区域结果更为准确,所以只取网络输出的中间区域作为初步预测结果,提高网络的预测效果;
S5:对步骤S4的输出结果进行处理得到最终预测结果:具体过程是:
对网络初步预测结果进行方差滤波,即滤去邻域方差小于一定阈值的区域,保留邻域方差大于等于阈值的区域;方差滤波过后,再进行一次二值化操作,即可得到最终的预测图像。
2.根据权利要求1所述的低频超宽带合成孔径雷达图像叶簇覆盖目标检测方法,其特征在于,所述阈值为0.02。
3.根据权利要求1所述的低频超宽带合成孔径雷达图像叶簇覆盖目标检测方法,其特征在于,步骤S3中,采用均方误差MSE函数作为损失函数,采用带动量的随机梯度下降方法作为网络参数优化方法,动量系数为0.9,批处理大小为32,初始学习率为0.1,并随着训练代数以0.95为底数呈幂次递减。
4.根据权利要求1所述的低频超宽带合成孔径雷达图像叶簇覆盖目标检测方法,其特征在于,步骤S3中,网络训练80代。
5.根据权利要求1所述的低频超宽带合成孔径雷达图像叶簇覆盖目标检测方法,其特征在于,步骤S2中,网络输入图像大小设为250像素×250像素,执行归一化操作;输出图像大小为50像素×50像素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110586213.7A CN113408366B (zh) | 2021-05-27 | 2021-05-27 | 一种低频超宽带合成孔径雷达图像叶簇覆盖目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110586213.7A CN113408366B (zh) | 2021-05-27 | 2021-05-27 | 一种低频超宽带合成孔径雷达图像叶簇覆盖目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113408366A CN113408366A (zh) | 2021-09-17 |
CN113408366B true CN113408366B (zh) | 2024-02-20 |
Family
ID=77674730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110586213.7A Active CN113408366B (zh) | 2021-05-27 | 2021-05-27 | 一种低频超宽带合成孔径雷达图像叶簇覆盖目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113408366B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228124A (zh) * | 2016-07-17 | 2016-12-14 | 西安电子科技大学 | 基于卷积神经网络的sar图像目标检测方法 |
CN107479052A (zh) * | 2017-05-22 | 2017-12-15 | 中国人民解放军国防科学技术大学 | 基于广义高斯分布模型的地面隐蔽目标检测方法 |
CN108830331A (zh) * | 2018-06-22 | 2018-11-16 | 西安交通大学 | 一种基于全卷积网络的探地雷达目标检测方法 |
CN112766108A (zh) * | 2021-01-08 | 2021-05-07 | 西安电子科技大学 | 基于上下文信息的sar图像目标检测方法 |
-
2021
- 2021-05-27 CN CN202110586213.7A patent/CN113408366B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228124A (zh) * | 2016-07-17 | 2016-12-14 | 西安电子科技大学 | 基于卷积神经网络的sar图像目标检测方法 |
CN107479052A (zh) * | 2017-05-22 | 2017-12-15 | 中国人民解放军国防科学技术大学 | 基于广义高斯分布模型的地面隐蔽目标检测方法 |
CN108830331A (zh) * | 2018-06-22 | 2018-11-16 | 西安交通大学 | 一种基于全卷积网络的探地雷达目标检测方法 |
CN112766108A (zh) * | 2021-01-08 | 2021-05-07 | 西安电子科技大学 | 基于上下文信息的sar图像目标检测方法 |
Non-Patent Citations (3)
Title |
---|
Change Detection of Foliage-concealed Targets Based on Deep Neural Network in Low Frequency Ultra-wideband SAR Images;Hongtu Xie 等;《2021 PhotonIcs & Electromagnetics Research Symposium (PIERS)》;第2099-2106页 * |
UWB SAR叶簇覆盖人造目标检测;蒋咏梅 等;《信号处理》;第15卷(第2期);1 引言 * |
基于视觉注意机制的UWB SAR叶簇隐蔽目标变化检测;李超;李悦丽;安道祥;王广学;;电子学报(01);第39-45页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113408366A (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nie et al. | Attention mask R-CNN for ship detection and segmentation from remote sensing images | |
CN110532859B (zh) | 基于深度进化剪枝卷积网的遥感图像目标检测方法 | |
CN108427912B (zh) | 基于稠密目标特征学习的光学遥感图像目标检测方法 | |
CN108647655B (zh) | 基于轻型卷积神经网络的低空航拍影像电力线异物检测方法 | |
CN107993215A (zh) | 一种天气雷达图像处理方法及系统 | |
CN112288008B (zh) | 一种基于深度学习的马赛克多光谱图像伪装目标检测方法 | |
CN110109060A (zh) | 一种基于深度学习网络的雷达辐射源信号分选方法及系统 | |
CN113239830B (zh) | 一种基于全尺度特征融合的遥感图像云检测方法 | |
Lu et al. | Dual-branch network for cloud and cloud shadow segmentation | |
CN112083422A (zh) | 基于多级深度学习网络的单航过InSAR系统端对端分类方法 | |
Zhu et al. | Extreme weather recognition using convolutional neural networks | |
Xu et al. | Fast ship detection combining visual saliency and a cascade CNN in SAR images | |
CN112348758B (zh) | 一种光学遥感图像数据增强方法及目标识别方法 | |
Han et al. | A method based on multi-convolution layers joint and generative adversarial networks for vehicle detection | |
Liu et al. | A multi-scale feature pyramid SAR ship detection network with robust background interference | |
CN114419444A (zh) | 一种基于深度学习网络的轻量化的高分辨率鸟群识别方法 | |
CN113408366B (zh) | 一种低频超宽带合成孔径雷达图像叶簇覆盖目标检测方法 | |
Chen et al. | SAR ship target detection for SSDv2 under complex backgrounds | |
CN116486238B (zh) | 联合点集表示与图分类的目标细粒度识别方法 | |
CN110503020A (zh) | 一种基于深度学习航空遥感目标检测的方法 | |
Jia et al. | Target Detection Framework for Lobster Eye X-Ray Telescopes with Machine-learning Algorithms | |
Song et al. | PDD: Post-Disaster Dataset for Human Detection and Performance Evaluation | |
Zheng et al. | Multiscale fusion network for rural newly constructed building detection in unmanned aerial vehicle imagery | |
Yang et al. | A Small Target Detection Method based on Human Visual System and Confidence Measurement. | |
Rusli et al. | Contrast enhanced object recognition (CLAHE_YOLOv3) technique for clear and medium level turbidity lake underwater images |
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 |