CN113536978A - 一种基于显著性的伪装目标检测方法 - Google Patents
一种基于显著性的伪装目标检测方法 Download PDFInfo
- Publication number
- CN113536978A CN113536978A CN202110720395.2A CN202110720395A CN113536978A CN 113536978 A CN113536978 A CN 113536978A CN 202110720395 A CN202110720395 A CN 202110720395A CN 113536978 A CN113536978 A CN 113536978A
- Authority
- CN
- China
- Prior art keywords
- feature map
- feature
- level
- map
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000007246 mechanism Effects 0.000 claims abstract description 11
- 230000004927 fusion Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 6
- 241000282414 Homo sapiens Species 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 241000607479 Yersinia pestis Species 0.000 description 12
- 230000007547 defect Effects 0.000 description 3
- 241000122205 Chamaeleonidae Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- 241000254032 Acrididae Species 0.000 description 1
- 241000251468 Actinopterygii Species 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000334163 Amphiprion percula Species 0.000 description 1
- 235000014653 Carica parviflora Nutrition 0.000 description 1
- 241000243321 Cnidaria Species 0.000 description 1
- 241001596816 Halieutaea stellata Species 0.000 description 1
- 241000276420 Lophius piscatorius Species 0.000 description 1
- 208000032376 Lung infection Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241000488583 Panonychus ulmi Species 0.000 description 1
- 241000282320 Panthera leo Species 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 241000500437 Plutella xylostella Species 0.000 description 1
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于显著性的伪装目标检测方法。本发明第一条路径首先提取图像的低级、中级与高级特征并通过合并区分性特征与多尺度特征融合相加得到一个初始的伪装目标区域特征图。第二条路径将第一条路径得到的中层特征与初始伪装目标区域特征图融合的同时对特征进行加强,然后再次提取高级特征并进行与第一条路径相似的操作得到最终的伪装目标区域特征图,其结果为一张像素值在[0,1]的灰度图。本发明将注意力机制引入图像处理,以初始预测图作为注意力引导中级特征的增强。同时使用残差增强模块对特征进行处理增强特征。通过搜索识别两个阶段对图像中的伪装目标区域进行检测。利用图像的多级特征与显著性引导实现对伪装目标的预测。
Description
技术领域
本发明属于计算机视觉领域,具体涉及一种基于显著性的伪装目 标检测方法。
背景技术
伪装是指通过任何材料、颜色或照明的组合来隐藏动物或物体, 以使目标物体难以看见(隐)或伪装成其他东西(模仿)。在自然界中有 许许多多生物具有“伪装”的能力,与环境“融为一体”是它们有效 的防御手段也是它们巧妙的捕食策略,小丑鱼躲在珊瑚礁旁遮掩自己 躲避肉食鱼类的袭击;变色龙改变自己的身体颜色以融入环境达到 “伪装”的目的;鮟鱇鱼将沙粒抖在身上以“伪装”的手段捕捉食物。 人类善于师法自然,也将伪装技术应用在军事工程领域,利用工程技 术与地貌特征对人员、装备和各种军事设施等目标实施伪装,吉利服、 伪装网就是其令人熟知的应用。这就引出了对这些伪装目标的检测, 由于能够发现“无缝”嵌入到周围环境中的伪装物体,伪装目标检测 在不同领域有广泛的有价值的应用。
在医学领域,医学图像对感染部位的识别是一个极大的问题,而 伪装目标检测可以快速有效的识别定位感染部位,例如:肺部感染的 分割等,这有利于减轻医生的负担,提高医院工作效率。害虫的防治 在农业领域一直是一个棘手的问题,蚱蜢、红蜘蛛、豆虫、小菜蛾等 都是很常见的农业害虫,这些害虫在自然进化的过程中形成了保护色, 这使得它们很难被发现,在广阔的农田中如何在第一时间发现并找到 这些微小的害虫便成为一个难题,如果无法第一时间发现这些害虫可 能导致害虫肆无忌惮的疯狂繁殖,造成大规模的粮食、经济作物歉收, 给农民造成巨大损失;而伪装目标检测则为快速发现这些微小的害虫 带来解决方案,通过对害虫伪装进行分辨及时提醒农民进行病虫害防 治,将大规模的害虫扼杀在摇篮中减少损失。在寻找与搜救工作和稀 有物种发现中越早找到遇难者与稀有物种就能更快对遇难者与稀有 生物进行救助,提高遇难者与稀有生物的存活概率,无人机航拍与伪 装目标检测的结合便能高效解决这个问题。此外,工业领域中对表面 缺陷的检测也可以使用伪装目标检测算法来提高效率,快速发现缺陷 所在位置以便技术人员排除故障。
与传统的目标检测与显著性目标检测不同,传统的目标检测与显 著性目标检测中目标与背景有明显差异,一般可以通过人眼进行区分, 而伪装目标检测不同,目标通过伪装策略是通过欺骗观察者的视觉感 知系统,其与背景几乎“融为一体”,仅有很小的区别,这使得对其 的区分具有极大的难度,因此需要大量的视觉感知知识消除歧义造成 的高目标对象和内在相似性背景。
发明内容
针对现有技术存在的不足,本发明提供了一种基于显著性的伪装 目标检测方法。
本发明方法包括以下步骤:
步骤(1).构建深度特征提取网络,进行特征的提取;
首先构建深度特征提取网络,基于ResNet,在对输入的RGB图 像进行初步的卷积、批次标准化、relu激活函数以及最大池化后得 到最初的图像,也即最低级特征图X0;将最低级特征图X0经1x1卷 积、3x3卷积操作得到1个低级特征图X1;低级特征图X1再经过1x1卷积、3x3卷积操作得到一个中级特征图X2。将中级特征图X2经同 样1x1卷积、3x3卷积操作得到得到1个高级特征图X3,高级特征图 X3再经同样1x1卷积、3x3卷积操作得到最高级特征图X4。
步骤(2).搜索模块,具体方法如下:
将最低级特征图X0与低级特征图X1进行融合下采样得到融合特 征图Ⅰ;将高级特征图X3和最高级特征图X4融合得到融合特征图Ⅱ, 将将高级特征图X3、最高级特征图X4、中级特征图X2融合得到融合 特征图Ⅲ。将融合特征图Ⅰ、融合特征图Ⅱ、融合特征图Ⅲ和最高级 特征图X4分别通过对模仿人类视觉系统的接受域结构将特征图中的 区分性特征进行合并。
然后将合并特征后的融合特征图Ⅰ、融合特征图Ⅱ、融合特征图 Ⅲ和最高级特征图x4一起输入解码模块,得到一张对伪装目标区域 的初步预测图Cs。
其中,表示没有更新前的特征图;表示更新后的特征图。 k∈[m,…,M-1],Bconv(·)是3x3卷积批次规范化与relu函数的系 列操作集合,UP(·)是以2j-k为倍率的上采样操作。此外,在对特征 图进行融合相乘之后加入最浅层的特征进行shortcut操作,保持原 有特征。
注意力模块:通过初步预测图Cs对中级特征图X2进行初步增强 得到Ch0:
Ch0=fmax(g(X2,σ,λ),Cs) (2)
其中g(·)表示搜索函数,该搜索函数是一个标准差σ=32核 λ=4的高斯滤波器与正规化操作的结合。fmax(·)是最大值函数。
再将初步预测图Cs与中级特征图X2输入通道注意力模块与位置 注意力模块分别得到Ch1与Ch2,然后将Ch0、Ch1和Ch2三者相加增强特 征表示并作为识别模块的起始特征图Ch。
位置注意力模块利用self-attention机制来捕获任意两位置之 间的空间依赖性,对于特定位置特征,通过加权求和所有位置的聚合 特征更新特征,其权重由两位置特征相似性决定,而与它们在空间维 度上的距离。
通道注意力模块也利用self-attention机制来捕获任意两个通 道图之间的通道依赖关系,并通过所有通道图的加权来更新每个通道 图。
步骤(3).识别模块,具体方法如下:
在起始特征图Ch的基础上,通过1x1卷积、3x3卷积的操作得到 高级特征X3′、高级特征X3′通过1x1卷积、3x3卷积的操作得到高级 特征X4′,将起始特征图Ch、高级特征X3′和高级特征X4′这三张特征 图分别经过残差改善模块与区分性特征合并增强特征表示,将增强后 的特征表示一起输入到解码模块得到最终伪装目标区域特征图。
残差改善模块:通过残差改善模块将起始特征图Ch、高级特征X3′ 和高级特征X4′增强特征:
Cnew=relu(C+Conv3(relu(bn(Conv1(Conv2(C))))))
其中Conv1(·)为1x1卷积,Conv2(·)与Conv3(·)为3x3卷 积,bn(·)为批次规范化,relu(·)为relu激活函数。
本发明有益效果如下:
本发明方法主要优势在于三个方面:
图像纹理的增强与搜索模块,以及注意力机制引入。本发明方法 将注意力机制引入图像处理,以初始预测图作为注意力引导中级特征 的增强。同时使用残差增强模块对特征进行处理增强特征。模仿自然 界中机制分为搜索识别两个阶段对图像中的伪装目标区域进行检测。 本发明方法提供的网络模型可以充分有效地利用图像的多级特征与 显著性引导实现对伪装目标的预测。
附图说明
图1为本发明方法的框架图;
图2为本发明方法的结果图。
具体实施方式
下面结合附图对本发明作进一步说明。
本发明提出一种双路径的卷积神经网络模型。第一条路径首先提 取图像的低级、中级与高级特征并通过合并区分性特征与多尺度特征 融合相加得到一个初始的伪装目标区域特征图。第二条路径将第一条 路径得到的中层特征与初始伪装目标区域特征图融合的同时对特征 进行加强,然后再次提取高级特征并进行与第一条路径相似的操作得 到最终的伪装目标区域特征图,其结果为一张像素值在[0,1]的灰度 图,图中的1表示为伪装目标区域,0表示为背景区域,成功实现对 伪装目标的检测任务。
如图1所示,本发明方法具体如下:
步骤(1).特征的提取,具体方法如下:
首先构建深度特征提取网络,基于ResNet,在对输入的RGB图 像进行初步的卷积、批次标准化、relu激活函数以及最大池化后得 到最初的图像,也即最低级特征图X0;将最低级特征图X0经1x1卷 积、3x3卷积操作得到1个低级特征图X1;低级特征图X1再经过1x1卷积、3x3卷积操作得到一个中级特征图X2。将中级特征图X2经同 样1x1卷积、3x3卷积操作得到得到1个高级特征图X3,高级特征图 X3再经同样1x1卷积、3x3卷积操作得到最高级特征图X4。
将最低级特征图X0与低级特征图X1进行融合下采样得到融合特 征图Ⅰ;将高级特征图X3和最高级特征图X4融合得到融合特征图Ⅱ, 将将高级特征图X3、最高级特征图X4、中级特征图X2融合得到融合 特征图Ⅲ。将融合特征图Ⅰ、融合特征图Ⅱ、融合特征图Ⅲ和最高级 特征图X4分别通过对模仿人类视觉系统的接受域结构将特征图中的 区分性特征进行合并。
然后将合并特征后的融合特征图Ⅰ、融合特征图Ⅱ、融合特征图 Ⅲ和最高级特征图x4一起输入解码模块,得到一张对伪装目标区域 的初步预测图Cs。
其中,表示没有更新前的特征图;表示更新后的特征图。k∈[m,…,M-1],Bconv(·)是3x3卷积批次规范化与relu函数的系 列操作集合,UP(·)是以2j-k为倍率的上采样操作。此外,在对特征 图进行融合相乘之后加入最浅层的特征进行shortcut操作,保持原 有特征。
注意力模块:通过初步预测图Cs对中级特征图X2进行初步增强 得到Ch0:
Ch0=fmax(g(X2,σ,λ),Cs) (2)
其中g(·)表示搜索函数,该搜索函数是一个标准差σ=32核 λ=4的高斯滤波器与正规化操作的结合。fmax(·)是最大值函数。
再将初步预测图Cs与中级特征图X2输入通道注意力模块与位置 注意力模块分别得到Ch1与Ch2,然后将Ch0、Ch1和Ch2三者相加增强特 征表示并作为识别模块的起始特征图Ch。
位置注意力模块利用self-attention机制来捕获任意两位置之 间的空间依赖性,对于特定位置特征,通过加权求和所有位置的聚合 特征更新特征,其权重由两位置特征相似性决定,而与它们在空间维 度上的距离。
通道注意力模块也利用self-attention机制来捕获任意两个通 道图之间的通道依赖关系,并通过所有通道图的加权来更新每个通道 图。
步骤(3).识别模块,具体方法如下:
在起始特征图Ch的基础上,通过1x1卷积、3x3卷积的操作得到 高级特征X3′、高级特征X3′通过1x1卷积、3x3卷积的操作得到高级 特征X4′,将起始特征图Ch、高级特征X3′和高级特征X4′这三张特征 图分别经过残差改善模块与区分性特征合并增强特征表示,将增强后 的特征表示一起输入到解码模块得到最终伪装目标区域特征图。
残差改善模块:通过残差改善模块将起始特征图Ch、高级特征X3′ 和高级特征X4′增强特征:
Cnew=relu(C+Conv3(relu(bn(Conv1(Conv2(C))))))
其中Conv1(·)为1x1卷积,Conv2(·)与Conv3(·)为3x3卷 积,bn(·)为批次规范化,relu(·)为relu激活函数。
进一步的,本发明采用adaptive moment estimation(adam)作 为优化算法更新所有学习的参数。批量大小为22。初始学习率为 0.0001,衰减速率设置为0.1,每30个周期衰减一次,使用单GPU (NVIDIA TITAN X)以混合精度的方式进行训练。模型生成两个输出,一个为初始的伪装目标区域预测图,为后续做铺垫,作为attention 机制的一部分强化中级特征图的特征。另一个为最终的伪装目标区域 预测图。两张预测图都为像素值0到1的灰度图。
进一步的,本发明使用的数据集为来自于程明明等人制作的数据 集COD10K,包括10000张图片,分为5个大类(陆地的,大气的, 水生的,两栖的,其他)以及69个子类(比如:蝙蝠鱼,狮子,蝙 蝠,青蛙等),并且大量图片为全高清1080p图像。
Claims (6)
1.一种基于显著性的伪装目标检测方法,其特征在于包括如下步骤:
步骤(1).构建深度特征提取网络,进行特征的提取;
步骤(2).构建搜索模块,具体方法如下:
将最低级特征图X0与低级特征图X1进行融合下采样得到融合特征图I;将高级特征图X3和最高级特征图X4融合得到融合特征图II,将将高级特征图X3、最高级特征图X4、中级特征图X2融合得到融合特征图IⅡ;将融合特征图I、融合特征图II、融合特征图IⅡ和最高级特征图X4分别通过对模仿人类视觉系统的接受域结构将特征图中的区分性特征进行合并;
然后将合并特征后的融合特征图I、融合特征图II、融合特征图IⅡ和最高级特征图X4一起输入解码模块,得到一张对伪装目标区域的初步预测图Cs;
再将初步预测图Cs与中级特征图X2输入通道注意力模块与位置注意力模块分别得到Ch1与Ch2,然后将Ch0、Ch1和Ch2三者相加增强特征表示并作为识别模块的起始特征图Ch;
步骤(3).识别模块,具体方法如下:
在起始特征图Ch的基础上,通过1x1卷积、3x3卷积的操作得到高级特征X3′、高级特征X3′通过1x1卷积、3x3卷积的操作得到高级特征X4′,将起始特征图Ch、高级特征X3′和高级特征X4′这三张特征图分别经过残差改善模块与区分性特征合并增强特征表示,将增强后的特征表示一起输入到解码模块得到最终伪装目标区域特征图。
2.根据权利要求1所述的一种基于显著性的伪装目标检测方法,其特征在于步骤(1)具体实现如下:
首先基于ResNet构建深度特征提取网络,在对输入的RGB图像进行初步的卷积、批次标准化、relu激活函数以及最大池化后得到最初的图像,也即最低级特征图X0;将最低级特征图X0经1x1卷积、3x3卷积操作得到1个低级特征图X1;低级特征图X1再经过1x1卷积、3x3卷积操作得到一个中级特征图X2;将中级特征图X2经同样1x1卷积、3x3卷积操作得到得到1个高级特征图X3,高级特征图X3再经同样1x1卷积、3x3卷积操作得到最高级特征图X4。
4.根据权利要求3所述的一种基于显著性的伪装目标检测方法,其特征在于步骤(2)所述的注意力模块:通过初步预测图Cs对中级特征图X2进行初步增强得到Ch0:
Ch0=fmax(g(X2,σ,λ),Cs) (2)
其中g(·)表示搜索函数,该搜索函数是一个标准差σ=32核λ=4的高斯滤波器与正规化操作的结合;fmax(·)是最大值函数。
5.根据权利要求4所述的一种基于显著性的伪装目标检测方法,其特征在于位置注意力模块利用self-attention机制来捕获任意两位置之间的空间依赖性,对于特定位置特征,通过加权求和所有位置的聚合特征更新特征,其权重由两位置特征相似性决定;通道注意力模块也利用self-attention机制来捕获任意两个通道图之间的通道依赖关系,并通过所有通道图的加权来更新每个通道图。
6.根据权利要求4或5所述的一种基于显著性的伪装目标检测方法,其特征在于步骤(3)所述的残差改善模块,具体实现如下:
通过残差改善模块将起始特征图Ch、高级特征X3′和高级特征X4′增强特征:
Cnew=relu(C+Conv3(relu(bn(Conv1(Conv2(C))))))
其中Conv1(·)为1x1卷积,Conv2(·)与Conv3(·)为3x3卷积,bn(·)为批次规范化,relu(·)为relu激活函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110720395.2A CN113536978B (zh) | 2021-06-28 | 2021-06-28 | 一种基于显著性的伪装目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110720395.2A CN113536978B (zh) | 2021-06-28 | 2021-06-28 | 一种基于显著性的伪装目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113536978A true CN113536978A (zh) | 2021-10-22 |
CN113536978B CN113536978B (zh) | 2023-08-18 |
Family
ID=78126010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110720395.2A Active CN113536978B (zh) | 2021-06-28 | 2021-06-28 | 一种基于显著性的伪装目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113536978B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114495176A (zh) * | 2022-03-30 | 2022-05-13 | 北京字节跳动网络技术有限公司 | 组织图像的识别方法、装置、可读介质和电子设备 |
CN115019140A (zh) * | 2022-06-02 | 2022-09-06 | 杭州电子科技大学 | 一种注意力引导的伪装目标检测方法 |
CN115223018A (zh) * | 2022-06-08 | 2022-10-21 | 东北石油大学 | 伪装对象协同检测方法及装置、电子设备和存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107218894A (zh) * | 2017-04-28 | 2017-09-29 | 合肥雅视智能科技有限公司 | 一种快速稳定的亚像素级精度器件厚度检测方法 |
US20190113973A1 (en) * | 2012-09-14 | 2019-04-18 | Interaxon Inc | Systems and methods for collecting, analyzing, and sharing bio-signal and non-bio-signal data |
CN110334705A (zh) * | 2019-06-25 | 2019-10-15 | 华中科技大学 | 一种结合全局和局部信息的场景文本图像的语种识别方法 |
CN110956185A (zh) * | 2019-11-21 | 2020-04-03 | 大连理工大学人工智能大连研究院 | 一种图像显著目标的检测方法 |
CN110956094A (zh) * | 2019-11-09 | 2020-04-03 | 北京工业大学 | 一种基于非对称双流网络的rgb-d多模态融合人员检测方法 |
CN111738735A (zh) * | 2020-07-23 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 一种图像数据处理方法、装置和相关设备 |
CN112183203A (zh) * | 2020-08-26 | 2021-01-05 | 北京工业大学 | 一种基于多尺度像素特征融合的实时交通标志检测方法 |
EP3800580A1 (en) * | 2019-10-02 | 2021-04-07 | Sensors Unlimited, Inc. | Neuromorphic vision with frame-rate imaging for target detection and tracking |
CN112733744A (zh) * | 2021-01-14 | 2021-04-30 | 北京航空航天大学 | 一种基于边缘协同监督与多级约束的伪装物体检测模型 |
CN112750140A (zh) * | 2021-01-21 | 2021-05-04 | 大连理工大学 | 基于信息挖掘的伪装目标图像分割方法 |
CN112801169A (zh) * | 2021-01-25 | 2021-05-14 | 中国人民解放军陆军工程大学 | 一种基于改进yolo算法的伪装目标检测方法 |
CN112907530A (zh) * | 2021-02-08 | 2021-06-04 | 南开大学 | 基于分组反向注意力的伪装物体检测方法及系统 |
CN112927209A (zh) * | 2021-03-05 | 2021-06-08 | 重庆邮电大学 | 一种基于cnn的显著性检测系统和方法 |
-
2021
- 2021-06-28 CN CN202110720395.2A patent/CN113536978B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190113973A1 (en) * | 2012-09-14 | 2019-04-18 | Interaxon Inc | Systems and methods for collecting, analyzing, and sharing bio-signal and non-bio-signal data |
CN107218894A (zh) * | 2017-04-28 | 2017-09-29 | 合肥雅视智能科技有限公司 | 一种快速稳定的亚像素级精度器件厚度检测方法 |
CN110334705A (zh) * | 2019-06-25 | 2019-10-15 | 华中科技大学 | 一种结合全局和局部信息的场景文本图像的语种识别方法 |
EP3800580A1 (en) * | 2019-10-02 | 2021-04-07 | Sensors Unlimited, Inc. | Neuromorphic vision with frame-rate imaging for target detection and tracking |
CN110956094A (zh) * | 2019-11-09 | 2020-04-03 | 北京工业大学 | 一种基于非对称双流网络的rgb-d多模态融合人员检测方法 |
CN110956185A (zh) * | 2019-11-21 | 2020-04-03 | 大连理工大学人工智能大连研究院 | 一种图像显著目标的检测方法 |
CN111738735A (zh) * | 2020-07-23 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 一种图像数据处理方法、装置和相关设备 |
CN112183203A (zh) * | 2020-08-26 | 2021-01-05 | 北京工业大学 | 一种基于多尺度像素特征融合的实时交通标志检测方法 |
CN112733744A (zh) * | 2021-01-14 | 2021-04-30 | 北京航空航天大学 | 一种基于边缘协同监督与多级约束的伪装物体检测模型 |
CN112750140A (zh) * | 2021-01-21 | 2021-05-04 | 大连理工大学 | 基于信息挖掘的伪装目标图像分割方法 |
CN112801169A (zh) * | 2021-01-25 | 2021-05-14 | 中国人民解放军陆军工程大学 | 一种基于改进yolo算法的伪装目标检测方法 |
CN112907530A (zh) * | 2021-02-08 | 2021-06-04 | 南开大学 | 基于分组反向注意力的伪装物体检测方法及系统 |
CN112927209A (zh) * | 2021-03-05 | 2021-06-08 | 重庆邮电大学 | 一种基于cnn的显著性检测系统和方法 |
Non-Patent Citations (2)
Title |
---|
左保川: "采用特征引导机制的显著性检测网络", 《计算机工程与应用》 * |
罗俊海: "基于数据融合的目标检测方法综述", 《控制与决策》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114495176A (zh) * | 2022-03-30 | 2022-05-13 | 北京字节跳动网络技术有限公司 | 组织图像的识别方法、装置、可读介质和电子设备 |
CN115019140A (zh) * | 2022-06-02 | 2022-09-06 | 杭州电子科技大学 | 一种注意力引导的伪装目标检测方法 |
CN115019140B (zh) * | 2022-06-02 | 2023-11-21 | 杭州电子科技大学 | 一种注意力引导的伪装目标检测方法 |
CN115223018A (zh) * | 2022-06-08 | 2022-10-21 | 东北石油大学 | 伪装对象协同检测方法及装置、电子设备和存储介质 |
CN115223018B (zh) * | 2022-06-08 | 2023-07-04 | 东北石油大学 | 伪装对象协同检测方法及装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113536978B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113536978B (zh) | 一种基于显著性的伪装目标检测方法 | |
Troscianko et al. | Camouflage and visual perception | |
CN112750140B (zh) | 基于信息挖掘的伪装目标图像分割方法 | |
Zylinski et al. | To be seen or to hide: visual characteristics of body patterns for camouflage and communication in the Australian giant cuttlefish Sepia apama | |
Blok et al. | The effect of data augmentation and network simplification on the image‐based detection of broccoli heads with Mask R‐CNN | |
CN110136162B (zh) | 无人机视角遥感目标跟踪方法及装置 | |
Aota et al. | Detection of Anolis carolinensis using drone images and a deep neural network: an effective tool for controlling invasive species | |
Guo et al. | Underwater sea cucumber identification via deep residual networks | |
Kumar et al. | An identification of crop disease using image segmentation | |
Tang et al. | Affordable high throughput field detection of wheat stripe rust using deep learning with semi-automated image labeling | |
Suo et al. | Casm-amfmnet: A network based on coordinate attention shuffle mechanism and asymmetric multi-scale fusion module for classification of grape leaf diseases | |
Chen et al. | Visual-adaptation-mechanism based underwater object extraction | |
Lin et al. | IoT-based strawberry disease detection with wall-mounted monitoring cameras | |
Vysotska et al. | Image processing procedure for remote recording of the Gambusia sp. introduced into a water for anti-malaria | |
Pratapagiri et al. | Early detection of plant leaf disease using convolutional neural networks | |
Zeng | Research on similar animal classification based on CNN algorithm | |
Tankus et al. | Computer vision, camouflage breaking and countershading | |
CN113744166B (zh) | 一种用于浑浊水下鱼类图像增强的方法 | |
Vora et al. | An ensemble of convolutional neural networks to detect foliar diseases in apple plants | |
CN115458151A (zh) | 一种基于图像识别技术的海水鱼刺激隐核虫病的诊断方法 | |
Pineda et al. | Brain programming and its resilience using a real-world database of a snowy plover shorebird | |
Enthoti et al. | Harnessing PDDC-Net for Efficient Plant Disease Detection and Classification through Deep Learning | |
Jama et al. | Modified Region Growing Method For Image Segmentation Using Ant Lion Optimization Algorithm | |
Nazneen et al. | PDDC-Net: Plant disease detection and classification using deep learning | |
Lakshmi et al. | Whale Optimization based Deep Residual Learning Network for Early Rice Disease Prediction in IoT |
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 |