CN113591617B - 基于深度学习的水面小目标检测与分类方法 - Google Patents
基于深度学习的水面小目标检测与分类方法 Download PDFInfo
- Publication number
- CN113591617B CN113591617B CN202110796985.3A CN202110796985A CN113591617B CN 113591617 B CN113591617 B CN 113591617B CN 202110796985 A CN202110796985 A CN 202110796985A CN 113591617 B CN113591617 B CN 113591617B
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- training
- frame
- target detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000013507 mapping Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 235000006506 Brasenia schreberi Nutrition 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000013508 migration Methods 0.000 claims description 2
- 230000005012 migration Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 4
- 230000001373 regressive effect Effects 0.000 abstract 1
- 238000011176 pooling Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000013526 transfer learning 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
- G06F18/24—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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的水面小目标检测与分类方法，具体为：将原始数据集中的夜间、雨雾场景图像处理后加入原数据集；图像处理后按指定规格重构，设定不同IOU阈值界定样本分布，将样本输入主干卷积神经网络进行特征提取；将卷积网络的不同特征层融合，获得多尺度信息的高级特征；通过高级特征对生成的不同尺度候选框进行神经网络训练，得到建议框，结合最后一层特征层输入感兴趣区域层，得到建议框与特征层之间的映射层；将映射层输出到分类器与回归器中，训练得到这一轮的目标分类与定位模型；将前一轮检测模型的输出的当前阶段目标建议框作为下一轮检测模型的输入，级联各检测模型最终得到优化的目标检测模型。
Description
技术领域
本发明涉及图像处理领域，具体为一种针对极大面向内河水面航标设施等小目标的物体位置和类别的精准检测与分类方法。
背景技术
现有用于水路交通运输领域的深度学习目标检测方法可大致分为基于候选区域与基于端到端两种，候选区域代表算法有Faster-RCNN、Mask-RCNN、R-FCN等，这类算法主要分为两个阶段，先从原始图像上训练生成可能的建议区域框，随后对将特征图与区域框输入感兴趣区域池化层，开展分类识别与回归定位；由于算法特性，基于候选区域的方法往往具有较高的识别准确率，但训练速度较慢，硬件要求偏高，计算成本大。端到端的代表算法有YOLO系列检测框架、SSD、RetinaNet等，这类算法将识别任务视作一个整体回归问题，去除了候选区域生成阶段，直接对输出的类别误差与定位偏差进行训练；基于端到端的算法具有较高的识别速度，但检测精度较低，对多尺度目标任务识别效果较差。
目前，内河水运领域的水上目标检测主要聚焦于船舶的识别与跟踪上，对航道基础设施研究不足，航道基础设施图像数据集平台短缺，以航标为例，内河航标在体积、形状、运动特征上与船舶具有较大差别。远距离观测时，由于航标体积较小，其检测与分类的判别依据要求更高；作为标识可航水域边界的标志，航标等助航设施的精确识别与判定对于船舶航行安全具有重要意义。
发明内容
本发明的目的在于提供一种基于深度学习的水面小目标检测与分类方法，提高识别和分类速度，提升识别准确率。
为解决上述技术问题，本发明提供了一种技术方案：一种基于深度学习的水面小目标检测与分类方法，该方法包括以下步骤：
S1、图像预处理：针对原始数据集雨雾场景图像与夜间场景图像，分别采用改良MSPFN去雨雾算法与优化MSR图像增强算法进行处理，处理后的图像加入原数据集，生成新数据集；
S2、新数据集按指定规格重构，随后设定不同的IOU阈值界定样本分布，将样本输入主干特征提取卷积神经网络，提取图像的不同特征层的特征；
S3、将提取到的不同特征层融合，以获得多尺度信息的高级特征；
S4、通过高级特征对生成的不同尺度候选框进行神经网络训练，得到建议框，结合最后一层特征层将建议框输入感兴趣区域层，得到建议框与特征层之间的映射层；
S5、将映射层输出到分类器与回归器中，进一步改善建议框，训练得到这一轮的检测模型；
S6、将前一轮检测模型输出的当前阶段目标检测框作为下一轮检测模型的输入，使得IOU阈值不断上升，级联各检测模型得到优化目标检测模型。
按上述方案，所述的优化MSR算法，该方法步骤为：
步骤1，将原始的RGB图像通过颜色恢复函数转换为HSV图像；
步骤2，对HSV图像中的V分量图像进行高斯滤波，得到入射分量图像与反射分量图像；
步骤3，将反射分量图像由HSV图像转变为RGB图像，采用色彩恢复因子参数调节图像局部区域对比度，随后输出图像。
按上述方案，所述的改良的MSPFN去雨雾算法，该方法具体改良了：相对于原始算法，使其粗融合模块中的Conv-LSTM改为结构更简单、参数量更小的Conv-GRU结构；训练批度降低到原始模型的十分之一；训练数据由雨滴图像改为雨线图像。
按上述方案，所述的按指定规格重构具体为：采用Labelme对新数据集中的图像标注目标位置与类别信息，形成coco格式样本数据，随后对图像进行重命名和序列化，以a:b:c比例构建训练集、验证集与测试集。
按上述方案，所述的IOU阈值界定样本分布是通过使用不同的IOU阈值划分图像正负样本区域，使得每一轮迭代的检测器集中于检测该范围内的候选区域。
按上述方案，所述主干特征提取卷积神经网络为ResNeXt-101神经网络。
按上述方案，所述特征层融合参照FPN层形式进行融合，具体采用Cascade Rcnn-ResNeXt101-FPN模型参数进行迁移学习，学习率衰减策略方法为：采用小批量梯度下降法进行训练，初始学习率lr为lr1，最终在p％迭代过程中逐渐降低，0＜p＜100；动量因子和权重衰减因子分别设置为m与n。
按上述方案，所述神经网络训练采用RPN学习模型，其中针对场景中待测目标结构特性，将候选框尺度长宽比设置为1:2,1:1,2:1,2.5:1。
按上述方案，所述分类器与回归器在Faster-Rcnn算法基础上，采用DIoU损失函数；回归器采用边框回归Softer-NMS算法以进一步纠正模型映射层输出的建议框，分类器采用softmax_Cross_Entropy_Loss损失函数。
本发明的有益效果为：可完成在不同气象条件、不同纵横比下航道内的小目标的类别检测与识别，对远距离的小目标航标依然能完成识别；该方法识别准确率高，检测速度快，满足工程应用的实际需求。
附图说明
图1为本发明一实施例的一种基于Cascade-Rcnn深度学习算法的水面小目标检测与分类方法流程图；
图2为本发明一实施例的简化的MSPFN的网络框架图；
图3为本发明一实施例的优化MSR图像增强算法流程图；
图4为本发明一实施例的改良的Cascade-RCNN的网络框架图；
图5为本发明一实施例的ResNeXt网络中部分residual-block的原理图；
图6为本发明一实施例的ResNeXt和FPN结合部分网络结构图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例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公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
参见图1，一种基于深度学习的水面小目标检测与分类方法，包括：
S1、图像预处理：针对原始数据集雨雾场景图像与夜间场景图像，分别采用改良MSPFN去雨雾算法与优化MSR图像增强算法进行处理，处理后的图像加入原数据集，生成新数据集；
S2、新数据集按指定规格重构，随后设定不同的IOU阈值界定样本分布，将样本输入主干特征提取卷积神经网络，提取图像的不同特征层的特征；
S3、将提取到的不同特征层融合，以获得多尺度信息的高级特征；
S4、通过高级特征对生成的不同尺度候选框进行神经网络训练，得到建议框，结合最后一层特征层将建议框输入到感兴趣区域层，得到建议框与特征层之间的映射层；
S5、将映射层输出到分类器与回归器中，进一步改善建议框，训练得到这一轮的目标分类与定位模型。
S6、将前一轮检测模型输出的当前阶段目标检测框作为下一轮检测模型的输入，使得IOU阈值不断上升，级联各检测模型得到优化目标检测模型。
参见图2，所述的改良的MSPFN去雨雾算法，首先将图像下采样到1/2和1/4的尺度，随后通过卷积得到初始特征，然后依次进行粗融合处理、细融合处理与雨痕重建处理，得到图像中的雨图。
本实施例对其粗融合模块网络结构进行了简化，保留特征提取网络结构，结合Inception模块思想加大卷积层宽度，通过1x1卷积减少通道维度，降低参数计算量，并且将LSTM结构改为GRU结构。同时适当降低输入网络图像尺寸与训练批度，用Rain-800雨线数据集取代原数据集，以达到加大收敛速度、降低硬件门槛、实现去雨滴到去雨线的场景实际需求目的；最终，将雨雾天图像数据输入训练完成的简化MSPFN网络得到新的图像，加入原始数据集，增加训练数据量与模型泛化能力，搭建内河航道目标图像库。
优选的，所述的按指定规格重构具体为：采用Labelme对新数据集中的图像标注目标位置与类别信息，形成coco格式样本数据，随后对图像进行重命名和序列化，以8:1:1比例构建训练集、验证集与测试集。
优选的，所述的改进的MSR算法，该方法步骤为：
步骤1，将原始的RGB图像通过颜色恢复函数转换为HSV图像；
步骤2，对HSV图像中的V分量图像进行高斯滤波，得到入射分量图像与反射分量图像；
步骤3，将反射分量图像由HSV图像转变为RGB图像，采用色彩恢复因子参数调节图像局部区域对比度，随后输出图像。
优选的，参见图4，所述的IOU阈值界定样本分布，具体采用了改良的Cascade-RCNN网络；Cascade-RCNN网络是Faster-RCNN模型的级联，为缓解单一Faster-RCNN可能产生的mis-match问题，利用IOU阈值界定样本分布使用不同的IOU阈值划分图像正负样本区域，让每一轮迭代的检测器集中于检测该范围内的候选区域；Cascade-RCNN模型搭建有多种平台版本，包括TensorFlow、Caffe、PyTorch等深度学习框架，本实施示例使用Pytorch1.3.1-Cascade-Rcnn版本，并且结合Softer-NMS、DIoU损失计算函数进行组合应用，模型结构可归纳为ResNeXt(backbone)+FPN+RPN+ROI Pooling+bbox pred/cls prob，针对内河航道场景，在双阶段目标检测网络中具有更优效果，并能以基本速率实现实际工程的检测需求；
Cascade-RCNN模型结构分为四个部分：
1、主干特征提取网络部分，本发明将原模型中ResNet-50模型转化为ResNeXt-10132x4d模型结构，该网络结构具有与ResNet同样结构简明、模块化的特点，且101结构与200层ResNet准确度相同，但参数计算量只有后者一半；
2、区域生成网络(RPN)部分，传统情况下考虑9个可能的候选窗口：三种不同的面积结合三种不同比例：1:1,1:2,2:1。然而默认的候选框高宽比不符合实际航道场景目标的尺寸需要，结合观测经验与目标特性，将高宽比改为1:2,1:1,2:1,2.5:1。通过人为修改的候选窗口可符合该环境下目标物体的识别，提高RPN网络训练的效果；
3、感兴趣区域池化层(ROI Pooling)部分，该层接受上述RPN层输入的数个建议区域框、索引与主干特征提取网络在RPN上一层的共享特征层；通过将数个尺寸不同的建议区域框映射成相同大小的矩形框，输出矩形框个数的向量，向量大小为矩形框尺寸×通道数；
4、分类与回归层(bbox pred/cls prob)部分，分类子网络预测每个目标框中所有类别的概率，与其并行的预测框回归子网络用于边框回归；两种网络的设计在Faster-RCNN算法基础上，由于实际评价框检测的指标是使用IoU，将SmoothL1损失函数改为GIoU损失函数；回归器采用边框回归Soft-NMS算法替代NMS算法进一步纠正边框，降低邻近目标漏检率,分类器依然采用softmax_Cross_Entropy_Loss损失函数；
其中，ResNeXt网络中部分residual-block的原理，参见图5，与ResNet每个Block只有一个区块不同，ResNeXt中每个Block具有多个相同的重复分支，单一Block通道数较ResNet小很多；采用ResNeXt-101 32x4d表示1个Block具有32个重复分支，每个分支为4通道的输入输出，输出后把各个通道合并，输出该Block；Block相当于基础模块，ResNet与ResNeXt网络每一层都由若干个基础模块连接而成，ResNeXt-101 32x4d除去第一层的7x7卷积与3x3最大池化层，总共具有4层；第一层由3个基础模块组成，每一个模块包含32个1x1x4/3x3x4/1x1x8分支，其中前两位代表卷积层尺寸，后一位代表通道数；同理，第二层由4个基础模块组成，每一个模块包含32个1x1x8/3x3x8/1x1x16分支；第三层由23个基础模块组成，每一个模块包含32个1x1x16/3x3x16/1x1x32分支；第四层由3个基础模块组成，每一个模块包含32个1x1x32/3x3x32/1x1x64分支；此流程中图像通过卷积尺寸越来越小，通道数越来越多；
其中特征金字塔层(FPN)作为Cascade-RCNN结合特征提取模块的主干网络，赋予了传统卷积神经网络自顶向下的反采样传播与侧向输出的特别机制，由于这种特性，网络融合了深层语义信息与浅层局部特征信息，可以获得图像不同尺度下更加多元丰富的特征，由于对于不同层不同特征图都进行侧向输出预测，大大改善了卷积网络多尺寸目标的预测精准度，能够更好的识别尺寸较小的目标；
其中ResNeXt和FPN结合部分网络具体结构，参见图6，其中C2-C5即为所述ResNeXt网络中的第一到第四层，除了C5通过1x1卷积通降维后，再通过3x3卷积输出P5以外，其余3层输入都通过1x1卷积降维后，与上一层降维输出的上采样相加；再通过3x3卷积输出P2到P4，用于后续目标检测；FPN系统特征提取网络，是特征检测与目标检测功能的集合；
其中DIoU损失函数解决了IoU损失函数无法反映两个检测框距离、重叠率、尺度等缺点。其中，b，bgt分别代表了预测框和真实框的中心点，ρ代表的是计算两个中心点间的欧式距离。C代表的是能够同时包含预测框和真实框的最小闭包区域的对角线距离，具体公式表示如下：
最终，将预测的锚框(anchor)进行合并(merge)，使用Softer-NMS算法替代非极大值抑制算法(NMS)进行筛选得到最后的检测结果。Softer-NMS算法在Soft-NMS算法基础上设计了一种方法来衡量建议框的位置置信度，以促进相邻目标间准确进行识别。
优选的，所述特征层融合参照FPN层形式进行融合，具体采用Cascade Rcnn-ResNeXt101-FPN模型参数进行迁移学习，学习率衰减策略方法为：采用小批量梯度下降法进行训练，初始学习率lr为0.02，最终在20％迭代过程中逐渐降低；动量因子和权重衰减因子分别设置为0.9与0.0001。
优选的，本实施例中采用mAP评价指标衡量模型检测效果，进行参数调整与优化，将训练好的内河航道目标检测网络本地化保存，或者应用到现实进行航道目标识别的场景。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种基于深度学习的水面小目标检测与分类方法，其特征在于：该方法包括以下步骤：
S1、图像预处理：针对原始数据集雨雾场景图像与夜间场景图像，分别采用改良MSPFN去雨雾算法与优化MSR图像增强算法进行处理，处理后的图像加入原数据集，生成新数据集；
S2、新数据集按指定规格重构，随后设定不同的IOU阈值界定样本分布，将样本输入主干特征提取卷积神经网络，提取图像的不同特征层的特征；
S3、将提取到的不同特征层融合，以获得多尺度信息的高级特征；
S4、通过高级特征对生成的不同尺度候选框进行神经网络训练，得到建议框，结合最后一层特征层将建议框输入感兴趣区域层，得到建议框与特征层之间的映射层；
S5、将映射层输出到分类器与回归器中，进一步改善建议框，训练得到这一轮的检测模型；
S6、将前一轮检测模型输出的当前阶段目标检测框作为下一轮检测模型的输入，使得IOU阈值不断上升，级联各检测模型得到优化目标检测模型；
所述的优化MSR图像增强算法的步骤为：
步骤1，将原始的RGB图像通过颜色恢复函数转换为HSV图像；
步骤2，对HSV图像中的V分量图像进行高斯滤波，得到入射分量图像与反射分量图像；
步骤3，将反射分量图像由HSV图像转变为RGB图像，采用色彩恢复因子参数调节图像局部区域对比度，随后输出图像；
所述的改良MSPFN去雨雾算法具体改良了：相对于原始算法，使其粗融合模块中的Conv-LSTM改为结构更简单、参数量更小的Conv-GRU结构；训练批度降低到原始模型的十分之一；训练数据由雨滴图像改为雨线图像；
所述的按指定规格重构具体为：采用Labelme对新数据集中的图像标注目标位置与类别信息，形成coco格式样本数据，随后对图像进行重命名和序列化，以a:b:c比例构建训练集、验证集与测试集。
2.根据权利要求1所述的基于深度学习的水面小目标检测与分类方法，其特征在于：所述的IOU阈值界定样本分布是通过使用不同的IOU阈值划分图像正负样本区域，使得每一轮迭代的检测器集中于检测当前范围内的候选区域。
3.根据权利要求1所述的基于深度学习的水面小目标检测与分类方法，其特征在于：所述主干特征提取卷积神经网络为ResNeXt-101神经网络。
4.根据权利要求1所述的基于深度学习的水面小目标检测与分类方法，其特征在于：所述特征层融合参照FPN层形式进行融合，具体采用Cascade Rcnn-ResNeXt101-FPN模型参数进行迁移学习，学习率衰减策略方法为：采用小批量梯度下降法进行训练，初始学习率lr为lr1，最终在p％迭代过程中逐渐降低，0＜p＜100；动量因子和权重衰减因子分别设置为m与n。
5.根据权利要求1所述的基于深度学习的水面小目标检测与分类方法，其特征在于：所述神经网络训练采用RPN学习模型，其中针对场景中待测目标结构特性，将候选框尺度长宽比设置为1:2,1:1,2:1,2.5:1。
6.根据权利要求1所述的基于深度学习的水面小目标检测与分类方法，其特征在于：所述分类器与回归器在Faster-Rcnn算法基础上，采用DIoU损失函数；回归器采用边框回归Softer-NMS算法以进一步纠正模型映射层输出的建议框，分类器采用softmax_Cross_Entropy_Loss损失函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110796985.3A CN113591617B (zh) | 2021-07-14 | 2021-07-14 | 基于深度学习的水面小目标检测与分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110796985.3A CN113591617B (zh) | 2021-07-14 | 2021-07-14 | 基于深度学习的水面小目标检测与分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113591617A CN113591617A (zh) | 2021-11-02 |
| CN113591617B true CN113591617B (zh) | 2023-11-28 |
Family
ID=78247390
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110796985.3A Active CN113591617B (zh) | 2021-07-14 | 2021-07-14 | 基于深度学习的水面小目标检测与分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113591617B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114049478A (zh) * | 2022-01-13 | 2022-02-15 | 武汉理工大学 | 基于改进Cascade R-CNN的红外船舶图像快速识别方法及系统 |
| CN114627005B (zh) * | 2022-02-16 | 2024-04-12 | 武汉大学 | 一种雨密度分类引导的双阶段单幅图像去雨方法 |
| CN114743045B (zh) * | 2022-03-31 | 2023-09-26 | 电子科技大学 | 一种基于双分支区域建议网络的小样本目标检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110428389A (zh) * | 2018-12-26 | 2019-11-08 | 西安电子科技大学 | 基于msr理论和曝光融合的微光图像增强方法 |
| CN111476302A (zh) * | 2020-04-08 | 2020-07-31 | 北京工商大学 | 基于深度强化学习的Faster-RCNN目标物体检测方法 |
| CN111523351A (zh) * | 2019-02-02 | 2020-08-11 | 北京地平线机器人技术研发有限公司 | 神经网络的训练方法、装置和电子设备 |
| WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
| CN111896540A (zh) * | 2020-07-14 | 2020-11-06 | 江苏云聚汇科技有限公司 | 一种基于区块链的水质在线监测系统 |
| CN112365497A (zh) * | 2020-12-02 | 2021-02-12 | 上海卓繁信息技术股份有限公司 | 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统 |
| CN112529815A (zh) * | 2020-12-22 | 2021-03-19 | 燕山大学 | 一种雨后真实图像中雨滴去除方法及系统 |
-
2021
- 2021-07-14 CN CN202110796985.3A patent/CN113591617B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110428389A (zh) * | 2018-12-26 | 2019-11-08 | 西安电子科技大学 | 基于msr理论和曝光融合的微光图像增强方法 |
| CN111523351A (zh) * | 2019-02-02 | 2020-08-11 | 北京地平线机器人技术研发有限公司 | 神经网络的训练方法、装置和电子设备 |
| WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
| CN111476302A (zh) * | 2020-04-08 | 2020-07-31 | 北京工商大学 | 基于深度强化学习的Faster-RCNN目标物体检测方法 |
| CN111896540A (zh) * | 2020-07-14 | 2020-11-06 | 江苏云聚汇科技有限公司 | 一种基于区块链的水质在线监测系统 |
| CN112365497A (zh) * | 2020-12-02 | 2021-02-12 | 上海卓繁信息技术股份有限公司 | 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统 |
| CN112529815A (zh) * | 2020-12-22 | 2021-03-19 | 燕山大学 | 一种雨后真实图像中雨滴去除方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于优化MSR的夜间道路图像增强方法;刘富 等;《吉林大学学报（工学版）》;第51卷(第1期);第323-330页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113591617A (zh) | 2021-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN113591617B (zh) | 基于深度学习的水面小目标检测与分类方法 | |
| CN107609525B (zh) | 基于剪枝策略构建卷积神经网络的遥感图像目标检测方法 | |
| CN110263706B (zh) | 一种雾霾天气车载视频动态目标检测和识别的方法 | |
| 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 | |
| CN112149547B (zh) | 基于图像金字塔引导和像素对匹配的遥感影像水体识别方法 | |
| CN111382686B (zh) | 一种基于半监督生成对抗网络的车道线检测方法 | |
| CN110796009A (zh) | 基于多尺度卷积神经网络模型的海上船只检测方法及系统 | |
| CN114155481A (zh) | 一种基于语义分割的非结构化田间道路场景识别方法及装置 | |
| CN113486764B (zh) | 一种基于改进的YOLOv3的坑洼检测方法 | |
| CN103049763A (zh) | 一种基于上下文约束的目标识别方法 | |
| CN116665176B (zh) | 一种面向车辆自动驾驶的多任务网络道路目标检测方法 | |
| CN112257793A (zh) | 一种基于改进YOLO v3算法的远距离交通标志检测方法 | |
| CN112766409A (zh) | 一种遥感图像目标检测的特征融合方法 | |
| CN117079163A (zh) | 一种基于改进yolox-s的航拍图像小目标检测方法 | |
| CN115861619A (zh) | 一种递归残差双注意力核点卷积网络的机载LiDAR城市点云语义分割方法与系统 | |
| CN111667461B (zh) | 一种输电线路异常目标检测方法 | |
| CN111461006A (zh) | 一种基于深度迁移学习的光学遥感图像杆塔位置检测方法 | |
| CN115861756A (zh) | 基于级联组合网络的大地背景小目标识别方法 | |
| CN113989612A (zh) | 基于注意力及生成对抗网络的遥感影像目标检测方法 | |
| CN114782915B (zh) | 基于辅助监督和知识蒸馏的智能汽车端到端车道线检测系统及设备 | |
| CN107529647B (zh) | 一种基于多层无监督稀疏学习网络的云图云量计算方法 | |
| CN116758411A (zh) | 一种基于遥感图像逐像素处理的舰船小目标检测方法 | |
| CN116091764A (zh) | 一种基于融合变换网络的云图像分割方法 | |
| CN116883650A (zh) | 一种基于注意力和局部拼接的图像级弱监督语义分割方法 |
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 |