CN113781502A - 一种超大分辨率图像训练数据预处理方法 - Google Patents
一种超大分辨率图像训练数据预处理方法 Download PDFInfo
- Publication number
- CN113781502A CN113781502A CN202111157732.8A CN202111157732A CN113781502A CN 113781502 A CN113781502 A CN 113781502A CN 202111157732 A CN202111157732 A CN 202111157732A CN 113781502 A CN113781502 A CN 113781502A
- Authority
- CN
- China
- Prior art keywords
- block
- image
- scale
- ultra
- super
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 title claims abstract description 21
- 238000007781 pre-processing Methods 0.000 title claims abstract description 15
- 230000000903 blocking effect Effects 0.000 claims abstract description 29
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Abstract
本发明涉及人工智能技术领域，具体提供了一种超大分辨率图像训练数据预处理方法，根据超大分辨率的尺寸，设置分块比例的尺度因子，设置重叠区域比例；对待检测超大分辨率根据分块尺度因子、重叠区域比例进行分块，得到多个分块图像，对原始图像的标签根据分块尺度及重叠区域比例计算分块图像的新的标签，设置IOF阈值，根据计算分块图像与原始标签的IOF过滤边缘重叠目标，得到多尺度、易于训练的新的分块图像训练数据。与现有技术相比，本发明使得新的数据满足多数硬件训练需求，并且多尺度的分块方式可以有效提高小目标的检测精度，具有良好的推广价值。
Description
技术领域
本发明涉及人工智能技术领域，具体提供一种超大分辨率图像训练数据预处理方法。
背景技术
随着成像技术的发展，超大分辨率图像在智能交通、道路规划等方面越来越容易获取，超大分辨率图像特点在于空间覆盖面更加宽广，从而能获取信息的范围相对于传统采集的图像更加宽广，从而对于目标检测来说可以检测范围更广的数据。
超大分辨率图像广泛获取自无人机航拍、城市高点监控和卫星拍摄等途径，超大分辨率图像弥补了传统监控和拍摄设备需要在视野范围和目标清晰度中二选一的不足，正是由于其兼顾视野宽广和目标清晰。适用于城市高点、铁路枢纽、公交枢纽和城市街道等区域人员监控，因此超大分辨率图像目标检测成为了近年来研究热点。
尽管超大分辨率图像有很多优点，但是同时也给目标检测技术带来了很多难题和挑战，这些挑战主要集中体现在以下方面：
首先，超大分辨率图像尺寸十分大，通常为上亿级别的像素，这对目标检测带来严峻挑战，现有的硬件条件难以直接对如此大分辨率的图像进行训练，即便通过下采样的方式来满足硬件限制，则会导致丢失小目标信息的风险。
由于拍摄范围广、距离远，通常感兴趣的目标非常小且很密集集中，在常规图像中较为显著的目标，在超大分辨率图像中也仅有十几像素；
在单一超大分辨率图像中，由于拍摄距离跨度大，导致目标尺度变化大，大尺度目标可能达到数万像素，而小尺度目标可能仅有十几像素，多尺度的目标对目标检测带来挑战。
发明内容
本发明是针对上述现有技术的不足，提供一种实用性强的超大分辨率图像训练数据预处理方法。
本发明解决其技术问题所采用的技术方案是：
一种超大分辨率图像训练数据预处理方法，根据超大分辨率的尺寸，设置分块比例的尺度因子，设置重叠区域比例；
对待检测超大分辨率根据分块尺度因子、重叠区域比例进行分块，得到多个分块图像，对原始图像的标签根据分块尺度及重叠区域比例计算分块图像的新的标签，设置IOF阈值，根据计算分块图像与原始标签的IOF过滤边缘重叠目标，得到多尺度、易于训练的新的分块图像训练数据。
进一步的，根据待处理的超大分辨率图像尺寸和分块尺度因子，设置重叠区域比例剪裁参数，对图像进行多尺度分块剪裁，得到多尺度下的分块图像集合；
根据待处理的超大分辨率图像的标签以及剪裁参数，计算出分块图像的对应的标签。
作为优选，根据超大分辨率图像获得超大分辨率尺寸，根据尺寸计算得到分块尺度因子的取值范围。
进一步的，根据超大分辨率图像尺寸和分块尺度因子，计算得到重叠区域比例参数以及各尺度下剪裁分块图像的大小，根据所述重叠区域比例参数对超大分辨率图像进行滑动窗口剪裁，得到多个尺度下的分块图像集合；
根据所述重叠区域比例参数对超大分辨率的标签进行处理，得到多个尺度下的所有分块图像对应的标签集合。
进一步的，在超大分辨率图像多尺度分块裁剪中包括以下步骤：
S1、获得对应的尺度因子；
S2、得到在不同尺度下的分块图像的宽度和高度；
S3、设置重叠区域比例剪裁参数；
S4、得到所有分块图像集合个数。
进一步的，在步骤S1中，根据超大分辨率图像的尺寸，经过以下公式，获得对应的尺度因子α；
其中η表示超大分辨率图像剪裁限制参数，ρ表示最大剪裁尺度限制参数，W,H分别表示超大分辨率图像的宽度和高度。
进一步的，在步骤S2中，根据步骤S1中得到尺度因子α，根据以下公式，得到在不同尺度下的分块图像的宽度和高度；
其中W,H分别表示超大分辨率图像的宽度和高度，wi和hi分别表示在尺度i下的分块图像的宽度和高度。
进一步的，在步骤S3中，在步骤S1得到尺度因子α和步骤S2中得到的不同尺度下的宽度和高度，通过以下公式，设置重叠区域比例剪裁参数：
β∈[0，1)
通过以下公式，计算不同尺度下对图像进行分块剪裁的宽高对应的块数；
其中α表示尺度因子,β表示重叠区域比例剪裁参数，wi，hi分别表示分块尺度i下的分块图像的宽度和高度，mi，ni分别表示分块尺度i下的水平和竖直方向对应分块数。
进一步的，在步骤S4中，
针对不同尺度对超大分辨率图像进行剪裁，得到不同尺度下的图像分块集合，进而得到多尺度下的图像分块集合，由以下公式可以得到所有分块图像集合个数K：
其中mi，ni分别表示分块尺度为i时，超大分辨率图像的宽的切分数量和高的切分数量，α表示分块尺度因子。
进一步的，在多尺度分块图像标签包括以下步骤：
(1)、对每个尺度i(i∈0,...,α)执行步骤(2)和步骤(3)操作，得到所有滑动剪裁框提取的标签集合；
(2)、不同尺度下的分块图像的宽度和高度，通过以下公式，经过滑动窗口的方式，采用窗口大小为(wi，hi)，滑动步长为(wi(1-β),hi(1-β))，针对第k个滑动剪裁框，计算所有目标的IOF；
其中objj,Bk分别表示超大分辨率图像中的第j目标和第k个滑动剪裁框在超大分辨率图像中的坐标框，IOFj,k表示目标j是否与第k个滑动剪裁框中有交集。
(3)、提取步骤(1)中IOFj,k＞τ的目标，其中τ表示IOF阈值，得到属于第k个滑动剪裁框的所有目标坐标框，将每个提取出的目标坐标减去第k个滑动剪裁框相对于超大分辨率的左上角坐标，得到其相对于第k个滑动剪裁框的坐标。
本发明的一种超大分辨率图像训练数据预处理方法和现有技术相比，具有以下突出的有益效果：
1、本发明利用滑动窗口剪裁的方式，对超大分辨率图像进行分块处理，并同步的对对应的标签进行处理，得到分块图像及其对应的分块图像标签，每个分块的分辨率不再受限于硬件条件，解决了超大分辨率图像由于硬件限制难以直接训练的难题。
2、利用多尺度剪裁的方式，在不同尺度下对超大分辨率进行剪裁，兼容了各尺度目标的检测，尤其对小目标检测效果带来了很大的提升，解决了通过下采样方式将超大分辨率图像来满足硬件限制，造成小目标漏检的难题。
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，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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的前提下，还可以根据这些附图获得其他的附图。
附图1是一种超大分辨率图像训练数据预处理方法的流程示意图。
具体实施方式
为了使本技术领域的人员更好的理解本发明的方案，下面结合具体的实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅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。
下面给出一个最佳实施例：
如图1所示，本实施例中的一种超大分辨率图像训练数据预处理方法，根据超大分辨率的尺寸，设置分块比例的尺度因子，设置重叠区域比例；对待检测超大分辨率根据分块尺度因子、重叠区域比例进行分块，得到多个分块图像，对原始图像的标签根据分块尺度及重叠区域比例计算分块图像的新的标签，设置IOF阈值，根据计算分块图像与原始标签的IOF过滤边缘重叠目标；得到多尺度、易于训练的新的分块图像训练数据，使得新的数据满足多数硬件训练需求，并且多尺度的分块方式可以有效提高小目标的检测精度。
具体步骤为：
根据待处理的超大分辨率图像尺寸，设置分块尺度因子，根据待处理的超大分辨率图像尺寸和分块尺度因子，设置重叠区域比例剪裁参数，对图像进行多尺度分块剪裁，得到多尺度下的分块图像集合。根据待处理的超大分辨率图像的标签以及剪裁参数，计算出分块图像的对应的标签。
根据超大分辨率图像，获得超大分辨率尺寸，根据尺寸计算得到分块尺度因子的取值范围。
根据超大分辨率图像尺寸和分块尺度因子，计算得到重叠区域比例参数以及各尺度下剪裁分块图像的大小，根据以上参数对超大分辨率图像进行滑动窗口剪裁，得到多个尺度下的分块图像集合。
根据超大分辨率图像尺寸和分块尺度因子，计算得到重叠区域比例参数以及各尺度下剪裁分块图像的大小，同步的根据以上参数对超大分辨率的标签进行处理，得到多个尺度下的所有分块图像对应的标签集合。
超大分辨率图像多尺度分块剪裁中包括以下步骤：
S101、获得对应的尺度因子：
根据超大分辨率图像的尺寸，经过以下公式，获得对应的尺度因子α；
其中，W,H分别表示超大分辨率图像的宽度和高度，设置最大剪裁尺度限制参数为4，设置超大分辨率图像剪裁限制参数为2048。
S102、得到在不同尺度下的分块图像的宽度和高度：
根据步骤S101得到的尺度因子α，根据以下公式，得到在不同尺度下的分块图像的宽度和高度；
其中W,H分别表示超大分辨率图像的宽度和高度，wi和hi分别表示在尺度i下的分块图像的宽度和高度。
S103、设置重叠区域比例剪裁参数：
根据步骤S101得到的尺度因子α和步骤S102得到的不同尺度下的宽度和高度，设置重叠区域比例剪裁参数β为0.5，通过以下公式，计算不同尺度下对图像进行分块剪裁的宽高对应的块数；
其中α表示尺度因子,重叠区域比例剪裁参数β设置为0.5，wi，hi分别表示分块尺度i下的分块图像的宽度和高度，mi，ni分别表示分块尺度i下的水平和竖直方向对应分块数。
S104、得到所有分块图像集合个数：
针对不同尺度对超大分辨率图像进行剪裁，得到不同尺度下的图像分块集合，进而得到多尺度下的图像分块集合，由以下公式可以得到所有分块图像集合个数K：
其中mi，ni分别表示分块尺度为i时，超大分辨率图像的宽的切分数量和高的切分数量，α表示分块尺度因子。
在多尺度分块图像标签包括以下步骤：
S201、对每个尺度i(i∈0,...,α)执行步骤S202和步骤S203操作，得到所有滑动剪裁框提取的标签集合；
S202、不同尺度下的分块图像的宽度和高度，通过以下公式，经过滑动窗口的方式，采用窗口大小为(wi，hi)，滑动步长为
针对第k个滑动剪裁框，计算所有目标的IOF；
其中objj,Bk分别表示超大分辨率图像中的第j目标和第k个滑动剪裁框在超大分辨率图像中的坐标框，IOFj,k表示目标j是否与第k个滑动剪裁框中有交集。
S203、提取步骤S201中IOFj,k＞τ的目标，其中τ表示IOF阈值，得到属于第k个滑动剪裁框的所有目标坐标框，将每个提取出的目标坐标减去第k个滑动剪裁框相对于超大分辨率的左上角坐标，得到其相对于第k个滑动剪裁框的坐标。
上述具体的实施方式仅是本发明具体的个案，本发明的专利保护范围包括但不限于上述具体的实施方式，任何符合本发明的一种超大分辨率图像训练数据预处理方法权利要求书的且任何所述技术领域普通技术人员对其做出的适当变化或者替换，皆应落入本发明的专利保护范围。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种超大分辨率图像训练数据预处理方法，其特征在于，根据超大分辨率的尺寸，设置分块比例的尺度因子，设置重叠区域比例；
对待检测超大分辨率根据分块尺度因子、重叠区域比例进行分块，得到多个分块图像，对原始图像的标签根据分块尺度及重叠区域比例计算分块图像的新的标签，设置IOF阈值，根据计算分块图像与原始标签的IOF过滤边缘重叠目标，得到多尺度、易于训练的新的分块图像训练数据。
2.根据权利要求1所述的一种超大分辨率图像训练数据预处理方法，其特征在于，根据待处理的超大分辨率图像尺寸和分块尺度因子，设置重叠区域比例剪裁参数，对图像进行多尺度分块剪裁，得到多尺度下的分块图像集合；
根据待处理的超大分辨率图像的标签以及剪裁参数，计算出分块图像的对应的标签。
3.根据权利要求2所述的一种超大分辨率图像训练数据预处理方法，其特征在于，根据超大分辨率图像获得超大分辨率尺寸，根据尺寸计算得到分块尺度因子的取值范围。
4.根据权利要求3所述的一种超大分辨率图像训练数据预处理方法，其特征在于，根据超大分辨率图像尺寸和分块尺度因子，计算得到重叠区域比例参数以及各尺度下剪裁分块图像的大小，根据所述重叠区域比例参数对超大分辨率图像进行滑动窗口剪裁，得到多个尺度下的分块图像集合；
根据所述重叠区域比例参数对超大分辨率的标签进行处理，得到多个尺度下的所有分块图像对应的标签集合。
5.根据权利要求4所述的一种超大分辨率图像训练数据预处理方法，其特征在于，在超大分辨率图像多尺度分块裁剪中包括以下步骤：
S1、获得对应的尺度因子；
S2、得到在不同尺度下的分块图像的宽度和高度；
S3、设置重叠区域比例剪裁参数；
S4、得到所有分块图像集合个数。
6.根据权利要求5所述的一种超大分辨率图像训练数据预处理方法，其特征在于，在步骤S1中，根据超大分辨率图像的尺寸，经过以下公式，获得对应的尺度因子α；
其中η表示超大分辨率图像剪裁限制参数，ρ表示最大剪裁尺度限制参数，W,H分别表示超大分辨率图像的宽度和高度。
7.根据权利要求6所述的一种超大分辨率图像训练数据预处理方法，其特征在于，在步骤S2中，根据步骤S1中得到尺度因子α，根据以下公式，得到在不同尺度下的分块图像的宽度和高度；
其中W,H分别表示超大分辨率图像的宽度和高度，wi和hi分别表示在尺度i下的分块图像的宽度和高度。
8.根据权利要求7所述的一种超大分辨率图像训练数据预处理方法，其特征在于，在步骤S3中，在步骤S1得到尺度因子α和步骤S2中得到的不同尺度下的宽度和高度，通过以下公式，设置重叠区域比例剪裁参数：
β∈[0，1)
通过以下公式，计算不同尺度下对图像进行分块剪裁的宽高对应的块数；
其中α表示尺度因子,β表示重叠区域比例剪裁参数，wi，hi分别表示分块尺度i下的分块图像的宽度和高度，mi，ni分别表示分块尺度i下的水平和竖直方向对应分块数。
9.根据权利要求7所述的一种超大分辨率图像训练数据预处理方法，其特征在于，在步骤S4中，
针对不同尺度对超大分辨率图像进行剪裁，得到不同尺度下的图像分块集合，进而得到多尺度下的图像分块集合，由以下公式可以得到所有分块图像集合个数K：
其中mi，ni分别表示分块尺度为i时，超大分辨率图像的宽的切分数量和高的切分数量，α表示分块尺度因子。
10.根据权利要求7所述的一种超大分辨率图像训练数据预处理方法，其特征在于，在多尺度分块图像标签包括以下步骤：
(1)、对每个尺度i(i∈0,...,α)执行步骤(2)和步骤(3)操作，得到所有滑动剪裁框提取的标签集合；
(2)、不同尺度下的分块图像的宽度和高度，通过以下公式，经过滑动窗口的方式，采用窗口大小为(wi，hi)，滑动步长为(wi(1-β),hi(1-β))，针对第k个滑动剪裁框，计算所有目标的IOF；
其中objj,Bk分别表示超大分辨率图像中的第j目标和第k个滑动剪裁框在超大分辨率图像中的坐标框，IOFj,k表示目标j是否与第k个滑动剪裁框中有交集。
(3)、提取步骤(1)中IOFj,k＞τ的目标，其中τ表示IOF阈值，得到属于第k个滑动剪裁框的所有目标坐标框，将每个提取出的目标坐标减去第k个滑动剪裁框相对于超大分辨率的左上角坐标，得到其相对于第k个滑动剪裁框的坐标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111157732.8A CN113781502A (zh) | 2021-09-30 | 2021-09-30 | 一种超大分辨率图像训练数据预处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111157732.8A CN113781502A (zh) | 2021-09-30 | 2021-09-30 | 一种超大分辨率图像训练数据预处理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113781502A true CN113781502A (zh) | 2021-12-10 |
Family
ID=78854909
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111157732.8A Pending CN113781502A (zh) | 2021-09-30 | 2021-09-30 | 一种超大分辨率图像训练数据预处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113781502A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8675999B1 (en) * | 2012-09-28 | 2014-03-18 | Hong Kong Applied Science And Technology Research Institute Co., Ltd. | Apparatus, system, and method for multi-patch based super-resolution from an image |
| WO2014154773A1 (en) * | 2013-03-27 | 2014-10-02 | Thomson Licensing | Method and apparatus for generating a super-resolved image from a single image |
| EP2908285A1 (en) * | 2014-02-13 | 2015-08-19 | Thomson Licensing | Method for performing super-resolution on single images and apparatus for performing super-resolution on single images |
| CN110781839A (zh) * | 2019-10-29 | 2020-02-11 | 北京环境特性研究所 | 一种基于滑窗的大尺寸图像中小目标识别方法 |
| CN111027511A (zh) * | 2019-12-23 | 2020-04-17 | 西安电子科技大学 | 基于感兴趣区块提取的遥感图像舰船检测方法 |
| CN111489332A (zh) * | 2020-03-31 | 2020-08-04 | 成都数之联科技有限公司 | 一种用于目标检测的多尺度iof随机裁剪的数据增强方法 |
| CN111582093A (zh) * | 2020-04-27 | 2020-08-25 | 北京工业大学 | 一种基于计算机视觉和深度学习的高分辨率图像中小目标自动检测方法 |
| CN112069985A (zh) * | 2020-08-31 | 2020-12-11 | 华中农业大学 | 基于深度学习的高分辨率大田图像稻穗检测与计数方法 |
| CN112541431A (zh) * | 2020-12-10 | 2021-03-23 | 中国科学院自动化研究所 | 高分辨率图像目标检测方法及系统 |
| CN112613350A (zh) * | 2020-12-04 | 2021-04-06 | 河海大学 | 一种基于深度神经网络的高分辨率光学遥感图像飞机目标检测方法 |
| CN112949631A (zh) * | 2021-03-01 | 2021-06-11 | 浙江大学 | 用于目标检测的预训练图片合成方法和装置 |
-
2021
- 2021-09-30 CN CN202111157732.8A patent/CN113781502A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8675999B1 (en) * | 2012-09-28 | 2014-03-18 | Hong Kong Applied Science And Technology Research Institute Co., Ltd. | Apparatus, system, and method for multi-patch based super-resolution from an image |
| WO2014154773A1 (en) * | 2013-03-27 | 2014-10-02 | Thomson Licensing | Method and apparatus for generating a super-resolved image from a single image |
| EP2908285A1 (en) * | 2014-02-13 | 2015-08-19 | Thomson Licensing | Method for performing super-resolution on single images and apparatus for performing super-resolution on single images |
| CN110781839A (zh) * | 2019-10-29 | 2020-02-11 | 北京环境特性研究所 | 一种基于滑窗的大尺寸图像中小目标识别方法 |
| CN111027511A (zh) * | 2019-12-23 | 2020-04-17 | 西安电子科技大学 | 基于感兴趣区块提取的遥感图像舰船检测方法 |
| CN111489332A (zh) * | 2020-03-31 | 2020-08-04 | 成都数之联科技有限公司 | 一种用于目标检测的多尺度iof随机裁剪的数据增强方法 |
| CN111582093A (zh) * | 2020-04-27 | 2020-08-25 | 北京工业大学 | 一种基于计算机视觉和深度学习的高分辨率图像中小目标自动检测方法 |
| CN112069985A (zh) * | 2020-08-31 | 2020-12-11 | 华中农业大学 | 基于深度学习的高分辨率大田图像稻穗检测与计数方法 |
| CN112613350A (zh) * | 2020-12-04 | 2021-04-06 | 河海大学 | 一种基于深度神经网络的高分辨率光学遥感图像飞机目标检测方法 |
| CN112541431A (zh) * | 2020-12-10 | 2021-03-23 | 中国科学院自动化研究所 | 高分辨率图像目标检测方法及系统 |
| CN112949631A (zh) * | 2021-03-01 | 2021-06-11 | 浙江大学 | 用于目标检测的预训练图片合成方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| 刘平刚: "超大图像分割技术及在医学图像中应用研究", 《硕士电子期刊》, 15 May 2011 (2011-05-15) * |
| 吴雄洲;李跃华;: "基于相异性阈值的改进自适应稀疏表示去噪算法", 红外与毫米波学报, no. 05, 15 October 2016 (2016-10-15) * |
| 李忠海;杨超;梁书浩;: "基于超像素分割和混合权值AdaBoost运动检测算法", 电光与控制, no. 02, 1 February 2018 (2018-02-01) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bang et al. | Encoder–decoder network for pixel‐level road crack detection in black‐box images | |
| Van Etten et al. | The multi-temporal urban development spacenet dataset | |
| DE112013001858B4 (de) | Mehrfachhinweis-Objekterkennung und -Analyse | |
| CN110210451B (zh) | 一种斑马线检测方法 | |
| CN111079817B (zh) | 一种铁路货车横跨梁故障图像识别方法 | |
| CN101800890A (zh) | 一种高速公路监控场景下多车辆视频跟踪方法 | |
| CN102867177A (zh) | 一种基于图像灰度匹配的人数统计方法 | |
| CN107644528A (zh) | 一种基于车辆跟踪的车辆排队长度检测方法 | |
| CN105303153A (zh) | 一种车辆车牌识别方法及装置 | |
| CN102902974A (zh) | 一种基于图像的铁路接触网杆柱标识信息的识别方法 | |
| CN115482491B (zh) | 一种基于transformer的桥梁缺陷识别方法与系统 | |
| CN111008574A (zh) | 一种基于形体识别技术的重点人员轨迹分析方法 | |
| CN113763427B (zh) | 一种基于从粗到精遮挡处理的多目标跟踪方法 | |
| CN113111722A (zh) | 基于改进Mask R-CNN的自动驾驶目标识别方法 | |
| CN103310199A (zh) | 基于高分辨率遥感数据的车辆型号识别方法 | |
| CN110443142B (zh) | 一种基于路面提取与分割的深度学习车辆计数方法 | |
| CN113505638A (zh) | 车流量的监测方法、监测装置及计算机可读存储介质 | |
| CN116229396B (zh) | 高速路面病害识别及告警方法 | |
| CN113052139A (zh) | 一种基于深度学习双流网络的攀爬行为检测方法及系统 | |
| Mangala et al. | A new automatic road extraction technique using gradient operation and skeletal ray formation | |
| CN113781502A (zh) | 一种超大分辨率图像训练数据预处理方法 | |
| Liao et al. | High temporal frequency vehicle counting from low-resolution satellite images | |
| CN110942026A (zh) | 基于深度学习的胶囊机器人排水管病害检测方法及系统 | |
| CN115761674A (zh) | 一种道路边缘定位检测方法、设备及介质 | |
| CN112329671B (zh) | 一种基于深度学习的行人奔跑行为检测方法及相关组件 |
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 |