CN113487600B - 一种特征增强尺度自适应感知船舶检测方法 - Google Patents

一种特征增强尺度自适应感知船舶检测方法 Download PDF

Info

Publication number
CN113487600B
CN113487600B CN202110852830.7A CN202110852830A CN113487600B CN 113487600 B CN113487600 B CN 113487600B CN 202110852830 A CN202110852830 A CN 202110852830A CN 113487600 B CN113487600 B CN 113487600B
Authority
CN
China
Prior art keywords
network
regression
features
loss
network model
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
CN202110852830.7A
Other languages
English (en)
Other versions
CN113487600A (zh
Inventor
姚婷婷
张波
李鹏飞
柳晓鸣
胡青
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.)
Dalian Maritime University
Original Assignee
Dalian Maritime University
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 Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN202110852830.7A priority Critical patent/CN113487600B/zh
Publication of CN113487600A publication Critical patent/CN113487600A/zh
Application granted granted Critical
Publication of CN113487600B publication Critical patent/CN113487600B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种特征增强尺度自适应感知船舶检测方法，包括以下步骤：1、选取任意经典深度主干网络模型进行图像特征提取，在主干网络模型中加入特征增强模块，其次，在主干网络的部分输出特征后插入尺度自适应感知模块，并构建特征金字塔网络；将通过特征金字塔网络获得的多尺度特征输入至目标检测头部网络；2、构建目标检测头部网络求取回归信息、分类信息和中心度；3、构建损失求解函数对分类信息、回归信息和中心度进行求解，使用公开的船舶训练数据集，利用损失求解函数对所述深度网络模型进行参数学习；4、输入测试图像，通过训练后的所述深度网络模型，确定图像中不同种类船舶的位置与类别。本发明可以提高深度网络模型对不同尺度大小船舶的感知能力，在保证检测效率的同时进一步提高船舶检测性能。

Description

一种特征增强尺度自适应感知船舶检测方法
技术领域
本发明涉及计算机视觉和深度学习等技术领域，尤其涉及一种特征增强尺度自适应感知船舶检测方法。
背景技术
实现海事监控图像中的船舶智能检测，实时直观地掌握各大港口、重点航道的海面环境动态，可以为航运安全监管提供有效的技术支持。传统船舶检测方法大致可以分为基于背景建模、基于目标建模以及基于视觉显著性分析三大类。基于背景建模的方法在风浪较大时很难对海上环境进行准确地建模描述。基于目标建模的方法对输入图像的特征描述较为敏感，当船舶外观发生较大变化求解鲁棒性较差。基于视觉显著性分析的方法在风浪较大情况下，由于背景区域中的海浪泡沫、船舶尾迹等也具有较高的视觉显著性，容易引起误检现象。
近年来，随着深度学习技术的蓬勃发展，基于深度学习的船舶检测方法获得更多的关注。这类方法大致可以分为基于区域提议和基于回归分析两类。基于深度学习的船舶检测方法通过利用复杂的网络模型提取更加丰富的船舶特征，获得了更高的检测精度。然而在实际应用中，由于船舶尺度多变，加上受复杂背景噪声干扰，现有方法存在一定的误检和漏检现象。
发明内容
本发明提供一种特征增强尺度自适应感知船舶检测方法，以克服上述技术问题。
本发明提供一种特征增强尺度自适应感知船舶检测方法，包括以下步骤：
步骤1、选取任意经典深度主干网络模型进行图像特征提取，在所述深度主干网络模型中加入特征增强模块来增大目标权重；在主干网络部分输出特征层后插入尺度自适应感知模块丰富模型的感受野；进一步，使用特征金字塔网络获得多尺度特征，将所述多尺度特征输入至目标检测头部网络；
步骤2、构建目标检测头部网络求取回归信息和分类信息，该网络由分类分支和回归分支构成，每个分支由4个卷积层组成，分别用于求取分类信息和回归信息；另将分类分支特征与回归结果特征经卷积相加融合后通过sigmoid求取权重，将权重与回归分支特征相乘求取中心度值；
步骤3、构建损失求解函数对分类信息、回归信息和中心度进行求解，使用公开的船舶训练数据集，利用损失求解函数对所述深度网络模型进行参数学习；
步骤4、输入测试图像，通过训练后的所述深度网络模型，确定图像中不同种类船舶的位置与类别。
进一步地，步骤1中所述深度网络模型可以采用任意经典深度网络模型；
所述特征增强模块包括：全局平均池化层、归一化层、1*1卷积层、relu激活层、sigmoid激活层。
进一步地，尺度自适应感知模块由3个分支组成，每个分支均依次由3个3*3卷积层和1个1*1卷积层组成，所述分支的扩展率分别为1、2、3，1*1卷积层用来求取每个分支贡献的权重，将最后一个3*3卷积层输出特征与求取的权重相乘即可得到该分支的输出特征；通过并行结构将不同分支提取的目标特征信息进行融合获得具有丰富感受野的特征。
进一步地，步骤2中构建目标检测头部网络，在所述多尺度特征后添加头部网络，所述头部网络包括：回归分支和分类分支。两个所述分支分别由4个3*3卷积组成；所述分类分支最后一个3*3卷积层输出特征和回归结果特征各经过1*1卷积层后进行相加，将融合特征通过sigmoid激活函数获得位置类别感知概率图，有效地结合分类与回归信息；所述回归分支最后一个3*3卷积层输出特征与位置类别感知概率图进行乘积操作，获取有效特征用于求取中心度值。
进一步地，步骤3中损失求解函数包括：用于分类运算的focal loss损失函数、用于回归分析的GIOU loss损失函数和用于中心度计算的交叉熵损失函数；
构建所述船舶检测网络模型引入的损失求解函数：
其中，L(p,q,e)表示所述损失求解函数，p表示前向网络输出的分类分数，q表示前向网络预测的回归偏移值，e表示前向网络预测的中心度值，Npos表示正样本的数量，Lcls表示focal loss损失，s*表示待检测层上每个位置上的分类标签，Ne表示预测边框与真实标记框的中心度之和，Lreg表示GIOU loss损失，为指示函数，当s*＞0时，R＝1否则R＝0，q*表示预测边框与真实标记框的偏移值，Lcenterness表示二值交叉熵损失，e*用于度量预测边框与真实标记框的中心度。
本发明设计一种特征增强模块可以插入到任意经典深度网络模型中，增强深度卷积网络对海浪杂波等背景噪声干扰下的船舶特征描述力，设计一种尺度自适应感知模块，可以提高网络模型对不同尺度大小的船舶感知能力，在头部网络中改进中心度求取方式，通过融合分类分支信息与回归分支信息获取中心度值，在保证检测效率的同时进一步提高船舶检测性能。
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，下面将结合实施例或现有技术描述中所需要使用的附图作进一步地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明特征增强尺度自适应感知船舶检测方法整体流程图；
图2为本发明特征增强尺度自适应感知船舶检测方法网络结构示意图；
图3为本发明特征增强模块插入在主干网络中的结构示意图；
图4为应用本发明对SeaShips数据集的船舶检测结果示意图；
图5为应用本发明对新加坡海事数据集的船舶检测结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
如图1所示，本实施例提供一种特征增强尺度自适应感知船舶检测方法，包括以下步骤：
步骤1、选取任意经典深度主干网络模型进行图像特征提取，在所述深度主干网络模型中加入特征增强模块来增大目标权重；在主干网络部分输出特征层后插入尺度自适应感知模块来丰富模型的感受野；进一步，搭建特征金字塔融合获得多尺度特征，进一步将特征金字塔网络获得多尺度特征输入至目标检测头部网络；
具体而言，如图2所示，对于输入图像采用任意深度主干网络进行特征提取，本发明中以残差网络ResNet-101为例进行解释说明：
其中，ResNet-101总计包括5大网络结构层Conv1-Conv5，以在Conv3、Conv4和Conv5中插入特征增强模块为例，如图3所示，该模块将插入到每一个残差块中，实现特征增强处理。
其中，特征增强模块从通道和空间两个维度对特征进行增强。具体地，对于通道维度，原始特征通过全局平均池化操作后与自身进行乘积，然后通过归一化层与sigmoid激活函数获得通道注意力图；对于空间维度，将原始特征依次经过全局平均池化操作，1*1卷积层、ReLU激活层、1*1卷积层和sigmoid激活层，获得空间注意力图；最后，将原始特征与通道注意力图和空间注意力图进行乘积，获得增强后的特征描述En_Conv3、En_Conv4、En_Conv5。
进一步，对增强后的特征插入尺度自适应感知模块，以在En_Conv4和En_Conv5后插入尺度自适应感知模块为例。
具体地，尺度自适应感知模块共有三个并行分支，每个分支均依次由3个3*3卷积层和1个1*1卷积层组成(其中，三个分支的3*3卷积层扩张率分别为1、2、3，1*1卷积层则用来求取每个分支的贡献权重)，将最后一个3*3卷积层输出的特征与求取的权重相乘即可得到该分支的输出特征。然后将三个分支的输出特征通过concat层进行融合操作，最终与经过1个1*1卷积层的原始特征进行加和操作，得到最终强化后的输出特征s4，s5。
进一步，将通过尺度自适应感知模块的两个输出特征s5，s4和增强的特征En_Conv3利用特征金字塔结构进行多尺度特征融合，融合运算从s5开始自顶向下处理。其中，高层卷积网络提取的低分辨率特征通过1*1卷积层调整通道数，然后经过上采样操作与相邻低层卷积网络提取的特征进行相加融合，进而经过3×3卷积层获得融合后的特征p3、p4和p5。进一步由p5和p6层经过3*3卷积操作得到p6和p7两个更深层的特征描述，获取p6和p7过程中通道数保持不变。
步骤2、构建目标检测头部网络求取回归信息和分类信息，该网络由分类分支和回归分支构成，每个分支由4个卷积层组成，分别用于求取分类信息和回归信息；另将分类分支特征与回归结果特征经卷积相加融合后通过sigmoid求取权重，将权重与回归分支特征相乘求取中心度值来抑制低质量边框；
具体而言，在p3-p7五个特征层上分别添加分类分支与回归分支，每个分支均由4个3*3卷积层组成。除计算回归值与分类值外，还计算中心度抑制与目标中心位置较远的低质量边框。本发明用于求取中心度的特征进一步融合了回归信息与分类信息。
具体地，将分类分支最后一个3*3卷积层输出的特征和回归分支特征各经过1*1卷积层后进行相加，而后将融合特征通过sigmoid激活函数获得位置类别感知概率图，最终将回归分支最后一个3*3卷积层输出特征与位置类别感知概率图进行乘积操作，获取有效特征用于求取中心度值。
进一步，训练过程中，在每个位置点设置一个锚框，对于每个真实标记框选取距其中心欧氏距离最近的n个锚框作为候选框，计算这些候选框与真实框之间的交并比均值和标准差，利用均值和标准差之和作为阈值，筛选出候选框中交并比大于阈值的锚框作为正样本，其余为负样本。如果一个锚框被分配给多个真实标记，则选择交并比最大的作为对应的目标真实框。
步骤3、构建损失求解函数对分类信息、回归信息和中心度进行求解，使用公开的船舶训练数据集，利用损失求解函数对所述深度网络模型进行参数学习；
所述船舶检测网络模型引入的损失求解函数可以描述为：
其中，p表示前向网络输出的分类分数，q表示前向网络预测的回归偏移值，e表示前向网络预测的中心度值，Npos表示正样本的数量，Lcls表示focal loss损失，s*表示待检测层上每个位置上的分类标签，Ne表示预测边框与真实标记框的中心度之和，Lreg表示GIOUloss损失，为指示函数，当s*＞0时，R＝1否则R＝0，q*表示预测边框与真实标记框的偏移值，Lcenterness表示二值交叉熵损失，e*用于度量预测边框与真实标记框的中心度。
对船舶检测网络模型进行优化具体是指使用随机梯度下降优化算法对所述网络模型进行模型参数学习。
步骤4、训练结束后，输入测试图像，通过本发明的船舶检测网络模型，确定出图像中的船舶目标位置与类别。
在测试过程中，输入任意一幅图像，根据训练好的模型参数，可以直接获得每个特征层下每个位置的船舶分类分数和目标检测框的偏移值。选择分类分数大于0.05的位置作为正样本，利用边框回归运算得到最终的船舶检测目标框和对应的类别标签。
如图4、图5所示，训练完成的模型可以准确提取图像中的船舶特征描述，并自动确定船舶的位置和类别信息。
有益效果：
本发明设计一种特征增强模块可以插入到任意经典深度网络模型中，增强深度卷积网络对海浪杂波等背景噪声干扰下的船舶特征描述力。设计一种尺度自适应感知模块，可以提高网络模型对不同尺度大小船舶的感知能力。进一步，在头部网络中改进中心度求取方式，通过融合分类分支信息与回归分支信息获取中心度值，抑制低质量目标边界框，在保证检测效率的同时进一步提高船舶检测性能。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (4)

1.一种特征增强尺度自适应感知船舶检测方法，其特征在于，包括以下步骤：
步骤1、选取任意经典深度主干网络模型进行图像特征提取，在所述深度主干网络模型中加入特征增强模块；在主干网络部分输出特征层后插入尺度自适应感知模块；使用特征金字塔网络获得多尺度特征，将所述多尺度特征输入至目标检测头部网络；
步骤2、构建目标检测头部网络求取回归信息和分类信息，该网络由分类分支和回归分支构成，每个分支由4个卷积层组成，分别用于求取分类信息和回归信息；并将分类分支特征与回归结果特征经卷积相加融合后通过sigmoid求取权重，将权重与回归分支特征相乘求取中心度值；
步骤3、构建损失求解函数对分类信息、回归信息和中心度进行求解，使用公开的船舶训练数据集，利用损失求解函数对深度网络模型进行参数学习；所述损失求解函数包括：用于分类运算的focalloss损失函数、用于回归分析的GIOUloss损失函数和用于中心度计算的交叉熵损失函数；
构建所述船舶检测网络模型引入的损失求解函数：
其中，L(p,q,e)表示所述损失求解函数，p表示前向网络输出的分类分数，q表示前向网络预测的回归偏移值，e表示前向网络预测的中心度值，Npos表示正样本的数量，Lcls表示focalloss损失，s*表示待检测层上每个位置上的分类标签，Ne表示预测边框与真实标记框的中心度之和，Lreg表示GIOUloss损失，为指示函数，当s*＞0时，R＝1否则R＝0，q*表示预测边框与真实标记框的偏移值，Lcenterness表示二值交叉熵损失，e*用于度量预测边框与真实标记框的中心度；
步骤4、输入测试图像，通过训练后的所述深度网络模型，确定图像中不同种类船舶的位置与类别。
2.根据权利要求1所述的方法，其特征在于，步骤1中所述深度网络模型采用任意经典深度网络模型；
所述特征增强模块包括：全局平均池化层、归一化层、1*1卷积层、relu激活层、sigmoid激活层。
3.根据权利要求1所述的方法，其特征在于，步骤1中所述尺度自适应感知模块由3个分支组成，每个分支均依次由3个3*3卷积层和1个1*1卷积层组成，所述分支的扩展率分别为1、2、3，1*1卷积层用来求取每个分支的贡献权重，将最后一个3*3卷积层输出特征与求取的权重相乘即可得到该分支的输出特征；通过并行结构将不同分支输出的目标特征信息进行融合获得具有丰富感受野的特征描述。
4.根据权利要求1所述的方法，其特征在于，步骤2中构建目标检测头部网络，在权利要求3中所述多尺度特征后添加头部网络，所述头部网络包括：回归分支、分类分支，两个所述分支分别由4个3*3卷积组成；
所述分类分支最后一个3*3卷积层输出特征和回归结果特征各经过1*1卷积层后进行相加获得融合特征，将融合特征通过sigmoid激活函数获得位置类别感知概率图；
所述回归分支最后一个3*3卷积层输出特征与位置类别感知概率图进行乘积操作，获取用于求取中心度值的有效特征。
CN202110852830.7A 2021-07-27 2021-07-27 一种特征增强尺度自适应感知船舶检测方法 Active CN113487600B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110852830.7A CN113487600B (zh) 2021-07-27 2021-07-27 一种特征增强尺度自适应感知船舶检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110852830.7A CN113487600B (zh) 2021-07-27 2021-07-27 一种特征增强尺度自适应感知船舶检测方法

Publications (2)

Publication Number Publication Date
CN113487600A CN113487600A (zh) 2021-10-08
CN113487600B true CN113487600B (zh) 2024-05-03

Family

ID=77942963

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110852830.7A Active CN113487600B (zh) 2021-07-27 2021-07-27 一种特征增强尺度自适应感知船舶检测方法

Country Status (1)

Country Link
CN (1) CN113487600B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116596904B (zh) * 2023-04-26 2024-03-26 国网江苏省电力有限公司泰州供电分公司 一种基于自适应尺度感知的输电检测模型构建方法及装置
CN117237752A (zh) * 2023-08-09 2023-12-15 北京城建智控科技股份有限公司 一种基于改进的pp-yoloe模型的安全帽佩戴检测方法
CN116935477B (zh) * 2023-09-13 2023-12-26 中南民族大学 一种基于联合注意力的多分支级联的人脸检测方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018200493A1 (en) * 2017-04-25 2018-11-01 The Board Of Trustees Of The Leland Stanford Junior University Dose reduction for medical imaging using deep convolutional neural networks
WO2019144575A1 (zh) * 2018-01-24 2019-08-01 中山大学 一种快速行人检测方法及装置
CN111652321A (zh) * 2020-06-10 2020-09-11 江苏科技大学 一种基于改进yolov3算法的海上船舶检测方法
CN112464883A (zh) * 2020-12-11 2021-03-09 武汉工程大学 一种自然场景下船舶目标自动检测识别方法与系统
CN112686207A (zh) * 2021-01-22 2021-04-20 北京同方软件有限公司 一种基于区域信息增强的城市街道场景目标检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018200493A1 (en) * 2017-04-25 2018-11-01 The Board Of Trustees Of The Leland Stanford Junior University Dose reduction for medical imaging using deep convolutional neural networks
WO2019144575A1 (zh) * 2018-01-24 2019-08-01 中山大学 一种快速行人检测方法及装置
CN111652321A (zh) * 2020-06-10 2020-09-11 江苏科技大学 一种基于改进yolov3算法的海上船舶检测方法
CN112464883A (zh) * 2020-12-11 2021-03-09 武汉工程大学 一种自然场景下船舶目标自动检测识别方法与系统
CN112686207A (zh) * 2021-01-22 2021-04-20 北京同方软件有限公司 一种基于区域信息增强的城市街道场景目标检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于跨尺度特征聚合网络的多尺度行人检测;曹帅;张晓伟;马健伟;;北京航空航天大学学报;20200417(第09期);全文 *

Also Published As

Publication number Publication date
CN113487600A (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
CN113487600B (zh) 一种特征增强尺度自适应感知船舶检测方法
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
CN108564097B (zh) 一种基于深度卷积神经网络的多尺度目标检测方法
CN109934200B (zh) 一种基于改进M-Net的RGB彩色遥感图像云检测方法及系统
CN109784203B (zh) 基于分层传播和激活的弱监督x光图像违禁品检查方法
CN111461190A (zh) 一种基于深度卷积神经网络的非均衡船舶分类方法
CN113569667B (zh) 基于轻量级神经网络模型的内河船舶目标识别方法及系统
CN111753677B (zh) 基于特征金字塔结构的多角度遥感船舶图像目标检测方法
CN110647802A (zh) 基于深度学习的遥感影像舰船目标检测方法
CN111062383A (zh) 一种基于图像的船舶检测深度神经网络算法
CN116994140A (zh) 基于遥感影像的耕地提取方法、装置、设备和介质
CN113420619A (zh) 一种遥感影像建筑物提取方法
CN109409288A (zh) 图像处理方法、装置、电子设备和存储介质
CN112036249A (zh) 端对端行人检测及属性识别的方法、系统、介质及终端
CN116563726A (zh) 一种基于卷积神经网络的遥感图像舰船目标检测方法
CN110738132A (zh) 一种具备判别性感知能力的目标检测质量盲评价方法
CN115359366A (zh) 基于参数优化的遥感图像目标检测方法
CN114429577B (zh) 一种基于高置信标注策略的旗帜检测方法及系统及设备
CN116168240A (zh) 基于注意力增强的任意方向密集舰船目标检测方法
CN115965862A (zh) 基于掩码网络融合图像特征的sar舰船目标检测方法
CN113487610B (zh) 疱疹图像识别方法、装置、计算机设备和存储介质
CN117218545A (zh) 基于LBP特征与改进Yolov5的雷达图像检测方法
CN117011274A (zh) 自动化玻璃瓶检测系统及其方法
CN115375925A (zh) 一种基于相位信息和深度学习的水下声呐图像匹配算法
CN115100428A (zh) 一种利用上下文感知的目标检测方法

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