CN113536986A - 一种基于代表特征的遥感图像中的密集目标检测方法 - Google Patents

一种基于代表特征的遥感图像中的密集目标检测方法 Download PDF

Info

Publication number
CN113536986A
CN113536986A CN202110725564.1A CN202110725564A CN113536986A CN 113536986 A CN113536986 A CN 113536986A CN 202110725564 A CN202110725564 A CN 202110725564A CN 113536986 A CN113536986 A CN 113536986A
Authority
CN
China
Prior art keywords
feature
network
similarity
representative
confidence
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
Application number
CN202110725564.1A
Other languages
English (en)
Inventor
胡凡
方效林
吴文甲
杨明
罗军舟
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.)
Nanjing Yizhi Network Space Technology Innovation Research Institute Co ltd
Original Assignee
Nanjing Yizhi Network Space Technology Innovation Research Institute Co ltd
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 Nanjing Yizhi Network Space Technology Innovation Research Institute Co ltd filed Critical Nanjing Yizhi Network Space Technology Innovation Research Institute Co ltd
Priority to CN202110725564.1A priority Critical patent/CN113536986A/zh
Publication of CN113536986A publication Critical patent/CN113536986A/zh
Priority to PCT/CN2022/074542 priority patent/WO2023273337A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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

Abstract

本发明公开了一种基于代表特征的遥感图像中的密集目标检测方法，包括：构建特征提取网络、特征金字塔网络、初步预测网络和最终预测网络，将待检测遥感图像依次输入到特征提取网络和特征金子塔网络中；将初步特征图输入到初步预测网络中，在数据集所有类别中选取每个类别语义信息的代表特征和各个类别在整张特征图中代表置信度；将初步预测网络输出的特征图输入到最终预测网络中，计算同类别的代表特征与最终特征图相同位置特征向量之间的相似度；以相似度为权重，在困难正样本分类置信度基础上自适应提升分类置信度。本发明利用代表特征和代表置信度自适应提升了困难正样本分类置信度，提升了遥感图像密集场景下的困难正样本的分类能力。

Description

一种基于代表特征的遥感图像中的密集目标检测方法
技术领域
本发明涉及目标检测，特别涉及一种基于代表特征的遥感图像中的密集目标检测方法。
背景技术
遥感技术是一种发展迅速的高新技术，它所形成的信息网络为人们提供大量的科学数据和动态信息，遥感图像检测是目标检测的基准问题，在农业、气象测绘、环境保护等多个领域有着很大的应用价值。
随着深度学习算法在计算机视觉领域取得的极大成功，已被认为是遥感图像处理的首选方法。由于俯瞰视角拍摄和更大的空间视野，遥感图像中存在更多的密集场景并包含大量密集排列的物体，在基于深度学习的目标检测方法中，与真值标签对应的目标类别来说，该样本为正样本，对于目标分类置信度的预测值与真值标签误差较大的正样本为困难样本。现有的优良检测模型可以检测出图像中的多数物体，却往往会漏掉其中检测难度较大的部分困难正样本。当检测困难样本时，目标检测模型对于正样本预测的分类置信度低于设定的置信度阈值时，困难正样本会在后处理阶段被滤除，从而导致检测模型检测性能的降低；或者人为在网络的后处理阶段降低置信度阈值，则使得检测模型失去抑制低置信度负样本的能力。所以，在遥感图像中准确地检测出密集排列的多个物体具有更多挑战性。
发明内容
发明目的：针对以上问题，本发明目的是提供一种基于代表特征的遥感图像中的密集目标检测方法，通过自适应增加困难正样本的分类置信度，进而准确检测出遥感图像中密集排列的多个同类物体。
技术方案：本发明的一种基于代表特征的遥感图像中的密集目标检测方法，包括如下步骤：
(1)构建四个网络模块，包括特征提取网络、特征金字塔网络、初步预测网络和最终预测网络，将待检测遥感图像依次输入到特征提取网络和特征金子塔网络中，输出初步特征图；
(2)将初步特征图输入到初步预测网络中，在数据集所有类别中选取每个类别语义信息的代表特征和各个类别在整张特征图中代表置信度；
(3)将初步预测网络输出的特征图输入到最终预测网络中，得到最终特征图，计算同类别的代表特征与最终特征图相同位置特征向量之间的相似度；
(4)以步骤3得到的相似度为权重，在困难正样本分类置信度基础上自适应提升分类置信度，作为困难正样本的最终分类置信度。
进一步，所述步骤2得到最高分类置信度和代表特征的过程为：
(201)在初步预测网络的分类支路中，计算整张特征图H×W位置处各类别的分类置信度
Figure BDA0003138507240000021
其中H为特征图的长度，W为宽度，k为数据集的类别；
(202)在
Figure BDA0003138507240000022
中找出最高的分类置信度作为类别k的代表置信度RepConfidences，找出取得最高分类置信度的位置(h,w)，其中h为长度，w为宽度；
(203)在初步特征图FMFAM中提取第h行、第w列的特征信息
Figure BDA0003138507240000023
用以表示类别k的代表特征RepFeaturek，其中FMFAM是初步预测网络的分类支路和回归支路所共享的前一层特征图；
(204)设置分类置信度阈值，只有当类别k的代表置信度大于分类置信度阈值时，类别k的代表特征才为有效的代表特征。
进一步，所述步骤3中相似度包括特征语义相似度和特征空间相似度，所述特征语义相似度计算过程包括：
采用嵌入高斯相似性度量函数计算特征语义信息相似性，并对采用的度量方法进行归一化，所述的嵌入高斯相似性度量函数为：
Figure BDA0003138507240000024
其中RFk表示第k种类别的代表特征RepFeaturek，Fhw表示最终预测网络输出的特征图FMODM中第h行、第w列的特征向量
Figure BDA0003138507240000025
特征向量RepFeaturek、
Figure BDA0003138507240000026
均为1×1×n维，i表示n个维度中第i个维度的特征值；
采用线性嵌入空间的形式：
φ(RFk)＝WφRFk
θ(Fhw)＝WθFhw
其中Wφ、Wθ是学习权重矩阵；φ(RFk)i、θ(Fhw)i分别表示两个特征向量在每个维度中的特征值；
N(φ(RF))为归一化因子，通过计算最终预测网络中第h行、第w列的特征向量Fhw分别与K个有效代表特征RFk的相似度的加和，K为数据集的类别数目，将嵌入高斯相似度归一化为0到1的范围内，以避免相似度过高而产生的梯度爆炸问题，归一化因子计算公式如式为；
Figure BDA0003138507240000031
进一步，所述特征空间相似度计算过程包括如下步骤：
(301)计算特征向量RepFeaturek和
Figure BDA0003138507240000032
在特征图维度上的空间距离dis(RFk,Fhw)，计算公式为：
Figure BDA0003138507240000033
其中
Figure BDA0003138507240000034
为特征向量RepFeaturek在特征图中的横、纵坐标，
Figure BDA0003138507240000035
为特征向量
Figure BDA0003138507240000036
在特征图中的横、纵坐标；
(302)利用dis(RFk,Fhw)乘以各个特征图的步长stridei得到两个特征向量在原始图像上的空间距离CorrSpatial_i(RFk,Fhw)，计算公式为：
Figure BDA0003138507240000037
其中，Spatial_i表示RFk、Fhw取自特征金字塔网络自底向上的第i层特征图，α是尺度参数；
所以，所述步骤3中的相似度表达式为：
Similarity(RFk,Fhw)
＝SimEmbedded_Gaussian(RFk,Fhw)+CorrSpatial_i(RFk,Fhw)
进一步，所述步骤4困难正样本最终的分类置信度通过将类别k的代表置信度按权重加到最终预测网络特征图的第(h,w)处位置关于类别k的置信度
Figure BDA0003138507240000038
上实现的，计算公式为：
Figure BDA0003138507240000039
进一步，所述特征语义相似度的度量方法包括采用欧式相似度、余弦相似度或高斯相似度中的任一种。
进一步，所述特征提取网络采用卷积层缩小原始图像的尺寸，并将提取的有效特征输入到特征金字塔网络；所述特征提取网络选取ResNet或HRNet卷积神经网络。
进一步，所述初步预测网络选取S2A-NET模型中的特征对齐模块，初步预测物体的类别信息和位置信息。
进一步，所述最终预测网络选取S2A-NET模型中的旋转检测模块，预测物体最终的类别信息和位置信息。
有益效果：本发明与现有技术相比，其显著优点是：
1、本发明利用代表特征和代表置信度自适应提升了困难正样本分类置信度，提升了遥感图像密集场景下的困难正样本的分类能力；
2、利用两个阶段分类支路参数确保相似度计算过程的一致性，减少检测模型的复杂度以及网络参数量。
附图说明
图1为本发明代表特征获取过程示意图；
图2为本发明计算相似度流程图；
图3为本发明困难正样本提升分类置信度示意图。
具体实施方式
本实施例所述的本一种基于代表特征的遥感图像中的密集目标检测方法，包括如下步骤：
(1)构建四个网络模块，包括特征提取网络、特征金字塔网络、初步预测网络和最终预测网络，将待检测遥感图像输入到特征提取网络中，采用卷积层缩小原始图像的尺寸，特征提取网络将提取的有效特征输入到特征金字塔网络中，然后输出初步特征图FMFAM。
其中特征提取网络选取ResNet或HRNet卷积神经网络；初步预测网络选取S2A-NET模型中的特征对齐模块FAM；最终预测网络选取S2A-NET模型中的旋转检测模块ODM。
(2)将初步特征图FMFAM输入到特征对齐模块FAM中，在数据集所有类别中选取每个类别语义信息的代表特征和各个类别在整张特征图中代表置信度，如图1所示，过程为：
(201)在初步预测网络的分类支路中，计算整张特征图H×W位置处各类别的分类置信度
Figure BDA0003138507240000041
其中H为特征图的长度，W为宽度，k为数据集的类别，本实施例数据集包含15种物体类别，对15种类别依次进行计算；
(202)在
Figure BDA0003138507240000042
中找出最高的分类置信度作为类别k的代表置信度RepConfidences，找出取得最高分类置信度的位置(h,w)，其中h为长度，w为宽度；
(203)在初步特征图FMFAM中提取第h行、第w列的特征信息
Figure BDA0003138507240000043
用以表示类别k的代表特征RepFeaturek，其中FMFAM是初步预测网络的分类支路和回归支路所共享的前一层特征图；FMFAM同时包含物体类别和位置信息的相关特征，用于后续特征之间相似度的计算；特征图FMFAM为H×W×C维，其中H、W为特征图的长、宽，C为特征图的通道数，本实施例中C为256；
(204)设置分类置信度阈值以保证代表特征的可靠性和成为代表特征的难度之间的最佳平衡，本实施例中将阈值设置为0.6，只有当类别k的代表置信度大于0.6时，类别k的代表特征才为有效的代表特征。当RepConfidencek较低如0.3、0.4时，RepFeaturek自身属于类别k的概率也较低，无法成为有效的代表特征。
(3)将初步预测网络输出的特征图输入到最终预测网络中，得到最终特征图，计算同类别的代表特征与最终特征图相同位置特征向量之间的相似度，流程图如图2所示。相似度包括特征语义相似度和特征空间相似度，
特征语义相似度的度量方法可以采用欧式相似度、余弦相似度或高斯相似度中的任一种。本实施采用高斯相似度来进行特征语义相似度计算，过程如下：
采用嵌入高斯相似性度量函数计算特征语义信息相似性，并对采用的度量方法进行归一化，嵌入高斯相似性度量函数为：
Figure BDA0003138507240000051
其中RFk表示第k种类别的代表特征RepFeaturek，Fhw表示最终预测网络输出的特征图FMODM中第h行、第w列的特征向量
Figure BDA0003138507240000052
特征向量RepFeaturek、
Figure BDA0003138507240000053
均为1×1×n维，本实施例中特征向量的维度n取256，i表示n个维度中第i个维度的特征值；
采用线性嵌入空间的形式：
φ(RFk)＝WφRFk
θ(Fhw)＝WθFhw
其中Wφ、Wθ是学习权重矩阵；φ(RFk)i、θ(Fhw)i分别表示两个特征向量在每个维度中的特征值；
N(φ(RF))为归一化因子，通过计算最终预测网络中第h行、第w列的特征向量Fhw分别与15个有效代表特征RFk的相似度的加和，将嵌入高斯相似度归一化为0到1的范围内，以避免相似度过高而产生的梯度爆炸问题，归一化因子计算公式如式为；
Figure BDA0003138507240000061
特征空间相似度计算过程包括如下步骤：
(301)计算特征向量RepFeaturek和
Figure BDA0003138507240000062
在特征图维度上的空间距离dis(RFk,Fhw)，计算公式为：
Figure BDA0003138507240000063
其中
Figure BDA0003138507240000064
为特征向量RepFeaturek在特征图中的横、纵坐标，
Figure BDA0003138507240000065
为特征向量
Figure BDA0003138507240000066
在特征图中的横、纵坐标；训练模型时，使用特征金子塔网络自底向上感受5层特征图进行预测，5层特征图的步长stridei取值分别是8,16,32,64,128；
(302)利用dis(RFk,Fhw)乘以各个特征图的步长stridei得到两个特征向量在原始图像上的空间距离CorrSpatial_i(RFk,Fhw)，计算公式为：
Figure BDA0003138507240000067
其中，Spatial_i表示RFk、Fhw取自特征金字塔网络自底向上的第i层特征图，α是尺度参数，本实施例中将α设为1/64以使得两个距离较近的特征可以有较高的空间位置相关性。
相似度表达式为：
Similarity(RFk,Fhw)
＝SimEmbedded_Gaussian(RFk,Fhw)+CorrSpatial_i(RFk,Fhw)
(4)以步骤3得到的相似度为权重，在困难正样本分类置信度基础上自适应提升分类置信度，作为困难正样本的最终分类置信度，示意图如图3所示。
困难正样本最终的分类置信度通过将类别k的代表置信度按权重加到最终预测网络特征图的第(h,w)处位置关于类别k的置信度
Figure BDA0003138507240000068
上实现的，计算公式为：
Figure BDA0003138507240000069

Claims (9)

1.一种基于代表特征的遥感图像中的密集目标检测方法，其特征在于，包括如下步骤：
(1)构建四个网络模块，包括特征提取网络、特征金字塔网络、初步预测网络和最终预测网络，将待检测遥感图像依次输入到特征提取网络和特征金子塔网络中，输出初步特征图；
(2)将初步特征图输入到初步预测网络中，在数据集所有类别中选取每个类别语义信息的代表特征和各个类别在整张特征图中代表置信度；
(3)将初步预测网络输出的特征图输入到最终预测网络中，得到最终特征图，计算同类别的代表特征与最终特征图相同位置特征向量之间的相似度；
(4)以步骤3得到的相似度为权重，在困难正样本分类置信度基础上自适应提升分类置信度，作为困难正样本的最终分类置信度。
2.根据权利要求1所述的密集目标检测方法，其特征在于，所述步骤2得到最高分类置信度和代表特征的过程为：
(201)在初步预测网络的分类支路中，计算整张特征图H×W位置处各类别的分类置信度
Figure FDA0003138507230000011
其中H为特征图的长度，W为宽度，k为数据集的类别；
(202)在
Figure FDA0003138507230000012
中找出最高的分类置信度作为类别k的代表置信度RepConfidences，找出取得最高分类置信度的位置(h,w)，其中h为长度，w为宽度；
(203)在初步特征图FMFAM中提取第h行、第w列的特征信息
Figure FDA0003138507230000013
用以表示类别k的代表特征RepFeaturek，其中FMFAM是初步预测网络的分类支路和回归支路所共享的前一层特征图；
(204)设置分类置信度阈值，只有当类别k的代表置信度大于分类置信度阈值时，类别k的代表特征才为有效的代表特征。
3.根据权利要求2所述的密集目标检测方法，其特征在于，所述步骤3中相似度包括特征语义相似度和特征空间相似度，所述特征语义相似度计算过程包括：
采用嵌入高斯相似性度量函数计算特征语义信息相似性，并对采用的度量方法进行归一化，所述的嵌入高斯相似性度量函数为：
Figure FDA0003138507230000014
其中RFk表示第k种类别的代表特征RepFeaturek，Fhw表示最终预测网络输出的特征图FMODM中第h行、第w列的特征向量
Figure FDA0003138507230000021
特征向量RepFeaturek、
Figure FDA0003138507230000022
均为1×1×n维，i表示n个维度中第i个维度的特征值；
采用线性嵌入空间的形式：
φ(RFk)＝WφRFk
θ(Fhw)＝WθFhw
其中Wφ、Wθ是学习权重矩阵；φ(RFk)i、θ(Fhw)i分别表示两个特征向量在每个维度中的特征值；
N(φ(RF))为归一化因子，通过计算最终预测网络中第h行、第w列的特征向量Fhw分别与K个有效代表特征RFk的相似度的加和，将嵌入高斯相似度归一化为0到1的范围内，以避免相似度过高而产生的梯度爆炸问题，归一化因子计算公式如式为；
Figure FDA0003138507230000023
4.根据权利要求3所述的密集目标检测方法，其特征在于，所述特征空间相似度计算过程包括如下步骤：
(301)计算特征向量RepFeaturek和
Figure FDA0003138507230000024
在特征图维度上的空间距离dis(RFk,Fhw)，计算公式为：
Figure FDA0003138507230000025
其中
Figure FDA0003138507230000026
为特征向量RepFeaturek在特征图中的横、纵坐标，
Figure FDA0003138507230000027
为特征向量
Figure FDA0003138507230000028
在特征图中的横、纵坐标；
(302)利用dis(RFk,Fhw)乘以各个特征图的步长stridei得到两个特征向量在原始图像上的空间距离CorrSpatial_i(RFk,Fhw)，计算公式为：
Figure FDA0003138507230000029
其中，Spatial_i表示RFk、Fhw取自特征金字塔网络自底向上的第i层特征图，α是尺度参数；
所以，所述步骤3中的相似度表达式为：
Similarity(RFk,Fhw)
＝SimEmbedded_Gaussian(RFk,Fhw)+CorrSpatial_i(RFk,Fhw)
5.根据权利要求4所述的密集目标检测方法，其特征在于，所述步骤4困难正样本最终的分类置信度通过将类别k的代表置信度按权重加到最终预测网络特征图的第(h,w)处位置关于类别k的置信度
Figure FDA0003138507230000031
上实现的，计算公式为：
Figure FDA0003138507230000032
6.根据权利要求3所述的密集目标检测方法，其特征在于，所述特征语义相似度的度量方法包括采用欧式相似度、余弦相似度或高斯相似度中的任一种。
7.根据权利要求1所述的密集目标检测方法，其特征在于，所述特征提取网络采用卷积层缩小原始图像的尺寸，并将提取的有效特征输入到特征金字塔网络；所述特征提取网络选取ResNet或HRNet卷积神经网络。
8.根据权利要求1所述的密集目标检测方法，其特征在于，所述初步预测网络选取S2A-NET模型中的特征对齐模块。
9.根据权利要求1所述的密集目标检测方法，其特征在于，所述最终预测网络选取S2A-NET模型中的旋转检测模块。
CN202110725564.1A 2021-06-29 2021-06-29 一种基于代表特征的遥感图像中的密集目标检测方法 Pending CN113536986A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110725564.1A CN113536986A (zh) 2021-06-29 2021-06-29 一种基于代表特征的遥感图像中的密集目标检测方法
PCT/CN2022/074542 WO2023273337A1 (zh) 2021-06-29 2022-01-28 一种基于代表特征的遥感图像中的密集目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110725564.1A CN113536986A (zh) 2021-06-29 2021-06-29 一种基于代表特征的遥感图像中的密集目标检测方法

Publications (1)

Publication Number Publication Date
CN113536986A true CN113536986A (zh) 2021-10-22

Family

ID=78097103

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110725564.1A Pending CN113536986A (zh) 2021-06-29 2021-06-29 一种基于代表特征的遥感图像中的密集目标检测方法

Country Status (2)

Country Link
CN (1) CN113536986A (zh)
WO (1) WO2023273337A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023273337A1 (zh) * 2021-06-29 2023-01-05 南京逸智网络空间技术创新研究院有限公司 一种基于代表特征的遥感图像中的密集目标检测方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109063594A (zh) * 2018-07-13 2018-12-21 吉林大学 基于YOLOv2的遥感图像快速目标检测方法
CN109145713A (zh) * 2018-07-02 2019-01-04 南京师范大学 一种结合目标检测的小目标语义分割方法
CN109961089A (zh) * 2019-02-26 2019-07-02 中山大学 基于度量学习和元学习的小样本和零样本图像分类方法
CN110287927A (zh) * 2019-07-01 2019-09-27 西安电子科技大学 基于深度多尺度和上下文学习的遥感影像目标检测方法
WO2019237646A1 (zh) * 2018-06-14 2019-12-19 清华大学深圳研究生院 一种基于深度学习和语义分割的图像检索方法
CN111126205A (zh) * 2019-12-12 2020-05-08 南京邮电大学 一种基于旋转定位网络的光学遥感图像飞机目标检测方法
CN111259758A (zh) * 2020-01-13 2020-06-09 中国矿业大学 一种针对密集区域的两阶段遥感图像目标检测方法
CN111723748A (zh) * 2020-06-22 2020-09-29 电子科技大学 一种红外遥感图像舰船检测方法
CN111753677A (zh) * 2020-06-10 2020-10-09 杭州电子科技大学 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
WO2020215697A1 (zh) * 2019-08-09 2020-10-29 平安科技（深圳）有限公司 舌头图像提取方法、装置及计算机可读存储介质
US20210056708A1 (en) * 2019-06-26 2021-02-25 Beijing Sensetime Technology Development Co., Ltd. Target detection and training for target detection network
CN112766361A (zh) * 2021-01-18 2021-05-07 山东师范大学 一种同色系背景下目标果实检测方法及检测系统
CN112818777A (zh) * 2021-01-21 2021-05-18 上海电力大学 一种基于密集连接与特征增强的遥感图像目标检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11087174B2 (en) * 2018-09-25 2021-08-10 Nec Corporation Deep group disentangled embedding and network weight generation for visual inspection
CN113536986A (zh) * 2021-06-29 2021-10-22 南京逸智网络空间技术创新研究院有限公司 一种基于代表特征的遥感图像中的密集目标检测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019237646A1 (zh) * 2018-06-14 2019-12-19 清华大学深圳研究生院 一种基于深度学习和语义分割的图像检索方法
CN109145713A (zh) * 2018-07-02 2019-01-04 南京师范大学 一种结合目标检测的小目标语义分割方法
CN109063594A (zh) * 2018-07-13 2018-12-21 吉林大学 基于YOLOv2的遥感图像快速目标检测方法
CN109961089A (zh) * 2019-02-26 2019-07-02 中山大学 基于度量学习和元学习的小样本和零样本图像分类方法
US20210056708A1 (en) * 2019-06-26 2021-02-25 Beijing Sensetime Technology Development Co., Ltd. Target detection and training for target detection network
CN110287927A (zh) * 2019-07-01 2019-09-27 西安电子科技大学 基于深度多尺度和上下文学习的遥感影像目标检测方法
WO2020215697A1 (zh) * 2019-08-09 2020-10-29 平安科技（深圳）有限公司 舌头图像提取方法、装置及计算机可读存储介质
CN111126205A (zh) * 2019-12-12 2020-05-08 南京邮电大学 一种基于旋转定位网络的光学遥感图像飞机目标检测方法
CN111259758A (zh) * 2020-01-13 2020-06-09 中国矿业大学 一种针对密集区域的两阶段遥感图像目标检测方法
CN111753677A (zh) * 2020-06-10 2020-10-09 杭州电子科技大学 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
CN111723748A (zh) * 2020-06-22 2020-09-29 电子科技大学 一种红外遥感图像舰船检测方法
CN112766361A (zh) * 2021-01-18 2021-05-07 山东师范大学 一种同色系背景下目标果实检测方法及检测系统
CN112818777A (zh) * 2021-01-21 2021-05-18 上海电力大学 一种基于密集连接与特征增强的遥感图像目标检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
QIN, PL等: "Research on improved algorithm of object detection based on feature pyramid", MULTIMEDIA TOOLS AND APPLICATIONS, vol. 78, no. 1, pages 913 - 927, XP036695253, DOI: 10.1007/s11042-018-5870-3 *
徐侃，胡凡等: "一种快速有效的遥感图像场景分类特征", 哈尔滨工业大学学报, vol. 48, no. 5, 31 May 2016 (2016-05-31), pages 122 - 126 *
李希;徐翔;李军;: "面向航空飞行安全的遥感图像小目标检测", 航空兵器, no. 03 *
汪荣贵等: "代表特征网络的小样本学习方法", 中国图像图形学报, vol. 24, no. 09, pages 1514 - 1527 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023273337A1 (zh) * 2021-06-29 2023-01-05 南京逸智网络空间技术创新研究院有限公司 一种基于代表特征的遥感图像中的密集目标检测方法

Also Published As

Publication number Publication date
WO2023273337A1 (zh) 2023-01-05

Similar Documents

Publication Publication Date Title
CN110443143B (zh) 多分支卷积神经网络融合的遥感图像场景分类方法
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
Li et al. SAR image change detection using PCANet guided by saliency detection
CN110569738B (zh) 基于密集连接网络的自然场景文本检测方法、设备和介质
CN108108764B (zh) 一种基于随机森林的视觉slam回环检测方法
CN107451565B (zh) 一种半监督小样本深度学习图像模式分类识别方法
CN111860670A (zh) 域自适应模型训练、图像检测方法、装置、设备及介质
CN111898621B (zh) 一种轮廓形状识别方法
CN111967537B (zh) 一种基于双路胶囊网络的sar目标分类方法
CN111709313B (zh) 基于局部和通道组合特征的行人重识别方法
CN112580480B (zh) 一种高光谱遥感影像分类方法及装置
CN107862680B (zh) 一种基于相关滤波器的目标跟踪优化方法
CN110163294B (zh) 基于降维操作和卷积网络的遥感图像变化区域检测方法
CN106599864A (zh) 一种基于极值理论的深度人脸识别方法
CN116597384B (zh) 基于小样本训练的空间目标识别方法、装置及计算机设备
CN112836671A (zh) 一种基于最大化比率和线性判别分析的数据降维方法
CN113344045A (zh) 一种结合hog特征提高sar船只分类精度的方法
CN115187861A (zh) 一种基于深度孪生网络的高光谱图像变化检测方法及系统
CN113076876B (zh) 一种基于三维结构监督和置信度加权的人脸欺骗检测方法和系统
CN117392545B (zh) 一种基于深度学习的sar图像目标检测方法
Zhang et al. Spatial infrared objects discrimination based on multi-channel CNN with attention mechanism
CN113536986A (zh) 一种基于代表特征的遥感图像中的密集目标检测方法
CN110135435A (zh) 一种基于广度学习系统的显著性检测方法及装置
CN108960005B (zh) 一种智能视觉物联网中对象视觉标签的建立及显示方法、系统
CN112070151A (zh) 一种mstar数据图像的目标分类识别方法

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