CN113850166A - 一种基于卷积神经网络的船舶图像识别方法及系统 - Google Patents
一种基于卷积神经网络的船舶图像识别方法及系统 Download PDFInfo
- Publication number
- CN113850166A CN113850166A CN202111068434.1A CN202111068434A CN113850166A CN 113850166 A CN113850166 A CN 113850166A CN 202111068434 A CN202111068434 A CN 202111068434A CN 113850166 A CN113850166 A CN 113850166A
- Authority
- CN
- China
- Prior art keywords
- ship
- image
- neural network
- convolutional neural
- probability
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于卷积神经网络的船舶图像识别方法及系统,方法包括以下步骤:S1,输入光电视频服务采集的原始图像;S2,通过卷积神经网络一阶段算法计算图像中包含船舶的概率以及船舶在图像中的位置坐标;S3,输出该图像包含船舶的概率以及位置坐标,将船舶图像从原始图像中剪切出来并进行归一化处理;S4,通过卷积神经网络二阶段算法对归一化的船舶图像进行分类和特征提取;S5,将提取出的特征在船舶图像数据库中进行检索,找到特征匹配度大于一定比率的船舶。本发明运用两种卷积神经网络进行船舶定位和识别。相比单一的深度学习船舶识别,去除了复杂背景的影响,大幅降低精细化识别阶段的计算量,有效提高了船舶特征的识别率。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于卷积神经网络的船舶图像识别方法及系统。
背景技术
传统的AI人工智能视频图像船舶识别学习技术往往使用原始形式来处理自然数据,模型的学习能力受到很大的局限,构建一个模式识别或机器学习系统往往需要相当的专业知识来从原始数据中(如图像的像素值)提取特征,并转换成一个适当的内部表示。深度学习与传统的手动或者依赖先验知识提取特征的机器学习算法相比,深度学习具有更好的自适应性以及普遍适用性,它可以灵活的在训练数据的驱动下自主的学习特征,可以利用深度网络进行特征描述,且权值共享,逐层训练等策略大大提高了计算效率。深度学习中的卷积神经网络在人脸识别,语音识别等领域取得了成功的应用。将深度学习用于自然场景图像的船舶识别,对构建智慧渔政、海域交通安全等领域都具有重要的意义。
发明内容
本发明针对现有技术中存在的技术问题,提供一种基于卷积神经网络的船舶图像识别方法及系统。
本发明解决上述技术问题的技术方案如下:
第一方面,本发明提供一种基于卷积神经网络的船舶图像识别方法,所述卷积神经网络包括由YOLO-V3算法构成的一阶段算法和Faster R-CNN构成的二阶段算法,包括以下步骤:
S1,输入光电视频服务采集的原始图像;
S2,通过卷积神经网络一阶段算法计算图像中包含船舶的概率以及船舶在图像中的位置坐标;
S3,输出该图像包含船舶的概率以及位置坐标,将船舶图像从原始图像中剪切出来并进行归一化处理;
S4,通过卷积神经网络二阶段算法对归一化的船舶图像进行分类和特征提取;
S5,将提取出的特征在船舶图像数据库中进行检索,找到特征匹配度大于一定比率的船舶。
进一步的,在步骤1之前还包括船舶图像数据库构建,包括:
通过雷达和船舶自动识别系统AIS信息引导摄像装置将船舶正面、侧面、船尾置于视频画面中央,获取船舶AIS信息和不同方向的船舶图像;
对船舶图像进行预处理并进行标注,建立船舶图像数据库。
进一步的,所述的对船舶图像进行预处理,包括:
船舶对准以得到位置端正的船舶图像;对船舶图像进行光线补偿、灰度变换、直方图均衡化、归一化,以得到尺寸一致且灰度取值范围相同的标准化船舶图像。
进一步的,所述的对船舶图像进行预处理,还包括对船舶图像进行几何校正、中值滤波以及锐化处理。
进一步的,所述的标注包括船舶类型、坐标位置、颜色以及船舶身份信息。
进一步的,所述船舶图像数据库构建还包括,通过对图像的缩放、旋转、改变颜色的方法增加船舶图像数据库中的样本图像。
进一步的,在卷积神经网络二阶段算法Faster R-CNN中,将检测目标根据船舶外形特征分类,并为每一类型船舶配置专属的RPN网络,各个RPN网络根据对应的尺寸特性设计锚框的尺度和比例。
第二方面,本发明提供一种基于卷积神经网络的船舶图像识别系统,包括:
图像输入模块,用于输入光电视频服务采集的原始图像;
定位模块,通过卷积神经网络一阶段算法计算图像中包含船舶的概率以及船舶在图像中的位置坐标;
归一化模块,输出该图像包含船舶的概率以及位置坐标,将船舶图像从原始图像中剪切出来并进行归一化处理;
分类及特征提取模块,通过卷积神经网络二阶段算法对归一化的船舶图像进行分类和特征提取;
检索模块,将提取出的特征在船舶图像数据库中进行检索,找到特征匹配度大于一定比率的船舶。
第三方面,一种电子设备,包括:
存储器,用于存储计算机软件程序;
处理器,用于读取并执行所述存储器中存储的计算机软件程序,进而实现本发明第一方面所述的一种基于卷积神经网络的船舶图像识别方法。
第四方面,一种非暂态计算机可读存储介质,该存储介质中存储有用于实现本发明第一方面所述的一种基于卷积神经网络的船舶图像识别方法的计算机软件程序。
本发明的有益效果是:本发明运用两种卷积神经网络进行船舶定位和识别。基础网络采用YOLO V3一阶段算法基于原始图片进行船舶定位,快速计算图像中包含船舶的概率,以及船舶在图像中的位置坐标。优化网络采用Faster R-CNN二阶段算法在基础网络选择的船舶图片区域进行精细的船舶特征提取。通过运用基础网络进行初步的船舶区域定位,优化网络进行精细的船舶特征识别和提取,相比单一的深度学习船舶识别,去除了复杂背景的影响,大幅降低精细化识别阶段的计算量,有效提高了船舶特征的识别率。
附图说明
图1为本发明实施例提供的一种基于卷积神经网络的船舶图像识别方法流程示意图;
图2为本发明实施例提供的一种基于卷积神经网络的船舶图像识别系统结构示意图;
图3为本发明实施例提供的一种电子设备的结构示意图;
图4为本发明实施例提供的一种非暂态计算机可读存储介质结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
深度学习允许多个处理层组成复杂计算模型,从而自动获取数据的表示与多个抽象级别。通过使用BackPropagation反向传播算法,深度学习有能力发现在大的数据集的隐含的复杂结构。“表示学习”能够从原始输入数据中自动发现需要检测的特征。深度学习方法包含多个层次,每一个层次完成一次变换(通常是非线性的变换),把某个较低级别的特征表示表示成更加抽象的特征。只要有足够多的转换层次,即使非常复杂的模式也可以被自动学习。对于图像分类的任务,神经网络将会自动剔除不相关的特征,例如背景颜色,物体的位置等,但是会自动放大有用的特征,例如形状。图像往往以像素矩阵的形式作为原始输入,那么神经网络中第一层的学习功能通常是检测特定方向和形状的边缘的存在与否,以及这些边缘在图像中的位置。第二层往往会检测多种边缘的特定布局,同时忽略边缘位置的微小变化。第三层可以把特定的边缘布局组合成为实际物体的某个部分。后续的层次将会把这些部分组合起来,实现物体的识别,这往往通过全连接层来完成。对于深度学习而言,这些特征和层次并不需要通过人工设计:它们都可以通过通用的学习过程得到。算法识别效果要求:船舶样本数据集中记录的船舶,现场识别率≥50%,误报率≤20%。
本发明实施例基于人工智能的视频图像船舶识别算法,依托智慧海洋平台部署的多套光电视频,和雷达、AIS一起进行船舶目标识别,根据船舶的类型、大小、颜色、形状等不同特征进行模型训练,积累船舶特征数据库,进行船舶特征识别,用于后续的违法船舶自动身份确认、拍照、比对、预警、取证等业务。
具体的,如图1所示,本发明实施例提供一种基于卷积神经网络的船舶图像识别方法,所述卷积神经网络包括由YOLO-V3算法构成的一阶段算法和Faster R-CNN构成的二阶段算法,包括以下步骤:
S1,输入光电视频服务采集的原始图像;
S2,通过卷积神经网络一阶段算法计算图像中包含船舶的概率以及船舶在图像中的位置坐标;
S3,输出该图像包含船舶的概率以及位置坐标,将船舶图像从原始图像中剪切出来并进行归一化处理;
S4,通过卷积神经网络二阶段算法对归一化的船舶图像进行分类和特征提取;
S5,将提取出的特征在船舶图像数据库中进行检索,找到特征匹配度大于一定比率的船舶。
在执行上述方法之前需要事先对卷积神经网络进行训练。训练过程如下:
步骤1,船舶图像样本制作。
1.通过雷达AIS信息导引不同位置光电将船舶正面、侧面、船尾置于视频画面中央,视频图像分析服务根据光电导引服务指定的光电从流媒体服务拉取视频流,将船舶AIS信息和不同方向船舶图片保存到结构化数据库。
2.图像预处理
在开始使用算法进行图像识别之前,良好的数据预处理能够很快达到事半功倍的效果。图像预处理不仅可以使得原始图像符合某种既定规则以便于进行后续的处理,而且可以帮助去除图像中的噪声,还可以帮助减少后续的运算量以及加速收敛。
常用的图像预处理操作包括归一化、灰度变换、滤波变换以及各种形态学变换等,随着深度学习技术的发展,一些预处理方式已经融合到深度学习模型中。
本实施例采用的预处理过程包括:
船舶对准(得到船舶位置端正的图像);
船舶图像的光线补偿,灰度变换、直方图均衡化、归一化(取得尺寸一致,灰度取值范围相同的标准化船舶图像);
几何校正、中值滤波(图片的平滑操作以消除噪声)以及锐化等。
3.样本库建立
对预处理后的图像进行标注,同时建立船舶图像数据库。
样本标注数据库需要包含船舶类型、位置坐标、颜色等标注信息。具备AIS编号等身份信息的,可以自动关联保存到标注数据库。
由于不同船舶搜集的图片数量有差异,有的船样本数量少,在训练时容易产生过度拟合的现象,可以通过图像的缩放、旋转、改变颜色等方法来增加样本图像。
步骤2,船舶图像训练。船舶图像训练采用TensorFlow框架,可以配置选择不同的算法(主要用Two Stage(FasterRCNN)和One Stage(YOLO,SSD)算法)进行训练,得到船舶特征识别模型。
(1)Faster R-CNN算法
Faster R-CNN将传统的Selective Search提取目标的方法替换成网络训练来实现,使得全流程的检测、分类速度大幅提升。下图是Faster R-CNN的基本结构,由以下4个部分构成:
1)特征提取部分:用一串卷积+pooling从原图中提取出feature map;
2)RPN(region proposal network,区域候选网络)部分:这部分是Faster R-CNN全新提出的结构,作用是通过网络训练的方式从feature map中获取目标的大致位置;
3)Proposal Layer部分:利用RPN获得的大致位置,继续训练,获得更精确的位置;
4)ROI Pooling部分:利用前面获取到的精确位置,从feature map中抠出要用于分类的目标,并pooling成固定长度的数据;
Faster R-CNN的训练方法通过RPN训练和R-CNN训练交替进行,共交替两次。训练时先用ImageNet预训练的结果来初始化网络,训练RPN,用得到的proposal再训练R-CNN,之后用R-CNN训练出的参数来初始网络,再训练一次RPN,最后用RPN训练出的参数来初始化网络,最后训练次R-CNN,就完成了全部的训练过程。
训练过程使用下面策略来提升算法能力:
效果方面,将检测目标根据外形特征分类(如渔船、拖船、邮轮、采砂船等船舶外形特征差异大的进行分类),为每一类配置专属的RPN网络,各个RPN根据对应的尺寸特性设计Anchor的Ratio和Scale;不同RPN根据需要使用不同层的特征图,设计更有针对性。
效果方面,针对各个类型样本分布不均匀问题,使用多种样本增强手段,并在训练过程中使用OHEM等方式进一步调整样本分布。
性能方面,各个大类之间共享基础卷积层,保证检测时间不会过分增长。
扩展性方面,对于新增类型,理想情况下只需要新增一个RPN网络单独迭代,可以不对其他类型的效果造成任何影响。
(2)YOLO-V3算法
YOLOv3使用的是Darknet53的结构,是一个全卷积的模型。
YOLOv3算法的改进点:
特征提取:YOLO v3中使用了一个53层的卷积网络,这个网络由残差单元叠加而成。根据实验,在分类准确度上跟效率的平衡上,这个模型比ResNet-101、ResNet-152和Darknet-19表现得更好。
边界框预测:YOLO v3使用逻辑回归预测每个边界框的分数。如果先验边界框与真实框的重叠度比之前的任何其他边界框都要好,则该值应该为1。如果先验边界框不是最好的,但确实与真实对象的重叠超过某个阈值(这里是0.5),那么就忽略这次预测。YOLO v3只为每个真实对象分配一个边界框,如果先验边界框与真实对象不吻合,则不会产生坐标或类别预测损失,只会产生物体预测损失。
类别预测:为了实现多标签分类,模型不再使用softmax函数作为最终的分类器,而是使用logistic作为分类器,使用binary cross-entropy作为损失函数。
多尺度预测:YOLO v3从三种不同尺度的特征图谱上进行预测任务。在Darknet-53得到的特征图的基础上,经过7个卷积得到第一个特征图谱,在这个特征图谱上做第一次预测。然后从后向前获得倒数第3个卷积层的输出,进行一次卷积一次x2上采样,将上采样特征与第43个卷积特征连接,经过7个卷积得到第二个特征图谱,在这个特征图谱上做第二次预测。然后从后向前获得倒数第3个卷积层的输出,进行一次卷积一次x2上采样,将上采样特征与第26个卷积特征连接,经过7个卷积得到第三个特征图谱,在这个特征图谱上做第三次预测。
运用两种卷积神经网络进行船舶定位和识别。基础网络采用YOLO V3一阶段算法基于原始图片进行船舶定位,快速计算图像中包含船舶的概率,以及船舶在图像中的位置坐标。优化网络采用Faster R-CNN二阶段算法在基础网络选择的船舶图片区域进行精细的船舶特征提取。通过运用基础网络进行初步的船舶区域定位,优化网络进行精细的船舶特征识别和提取,相比单一的深度学习船舶识别,去除了复杂背景的影响,大幅降低精细化识别阶段的计算量,有效提高了船舶特征的识别率。
图2为本发明实施例提供的一种基于卷积神经网络的船舶图像识别系统结构示意图,如图2所示,该识别系统包括:
图像输入模块,用于输入光电视频服务采集的原始图像;
定位模块,通过卷积神经网络一阶段算法计算图像中包含船舶的概率以及船舶在图像中的位置坐标;
归一化模块,输出该图像包含船舶的概率以及位置坐标,将船舶图像从原始图像中剪切出来并进行归一化处理;
分类及特征提取模块,通过卷积神经网络二阶段算法对归一化的船舶图像进行分类和特征提取;
检索模块,将提取出的特征在船舶图像数据库中进行检索,找到特征匹配度大于一定比率的船舶。
图3为本发明实施例提供的电子设备的实施例示意图。如图3所示,本发明实施例提了一种电子设备,包括存储器510、处理器520及存储在存储器520上并可在处理器520上运行的计算机程序511,处理器520执行计算机程序511时实现以下步骤:
S1,输入光电视频服务采集的原始图像;
S2,通过卷积神经网络一阶段算法计算图像中包含船舶的概率以及船舶在图像中的位置坐标;
S3,输出该图像包含船舶的概率以及位置坐标,将船舶图像从原始图像中剪切出来并进行归一化处理;
S4,通过卷积神经网络二阶段算法对归一化的船舶图像进行分类和特征提取;
S5,将提取出的特征在船舶图像数据库中进行检索,找到特征匹配度大于一定比率的船舶。
请参阅图4,图4为本发明实施例提供的一种计算机可读存储介质的实施例示意图。如图4所示,本实施例提供了一种计算机可读存储介质600,其上存储有计算机程序611,该计算机程序611被处理器执行时实现如下步骤:
S1,输入光电视频服务采集的原始图像;
S2,通过卷积神经网络一阶段算法计算图像中包含船舶的概率以及船舶在图像中的位置坐标;
S3,输出该图像包含船舶的概率以及位置坐标,将船舶图像从原始图像中剪切出来并进行归一化处理;
S4,通过卷积神经网络二阶段算法对归一化的船舶图像进行分类和特征提取;
S5,将提取出的特征在船舶图像数据库中进行检索,找到特征匹配度大于一定比率的船舶。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种基于卷积神经网络的船舶图像识别方法,其特征在于,所述卷积神经网络包括由YOLO-V3算法构成的一阶段算法和Faster R-CNN构成的二阶段算法,包括以下步骤:
S1,输入光电视频服务采集的原始图像;
S2,通过卷积神经网络一阶段算法计算图像中包含船舶的概率以及船舶在图像中的位置坐标;
S3,输出该图像包含船舶的概率以及位置坐标,将船舶图像从原始图像中剪切出来并进行归一化处理;
S4,通过卷积神经网络二阶段算法对归一化的船舶图像进行分类和特征提取;
S5,将提取出的特征在船舶图像数据库中进行检索,找到特征匹配度大于一定比率的船舶。
2.根据权利要求1所述的方法,其特征在于,在步骤1之前还包括船舶图像数据库构建,包括:
通过雷达和船舶自动识别系统AIS信息引导摄像装置将船舶正面、侧面、船尾置于视频画面中央,获取船舶AIS信息和不同方向的船舶图像;
对船舶图像进行预处理并进行标注,建立船舶图像数据库。
3.根据权利要求2所述的方法,其特征在于,所述的对船舶图像进行预处理,包括:
船舶对准以得到位置端正的船舶图像;对船舶图像进行光线补偿、灰度变换、直方图均衡化、归一化,以得到尺寸一致且灰度取值范围相同的标准化船舶图像。
4.根据权利要求3所述的方法,其特征在于,所述的对船舶图像进行预处理,还包括对船舶图像进行几何校正、中值滤波以及锐化处理。
5.根据权利要求2所述的方法,其特征在于,所述的标注包括船舶类型、坐标位置、颜色以及船舶身份信息。
6.根据权利要求2所述的方法,其特征在于,所述船舶图像数据库构建还包括,通过对图像的缩放、旋转、改变颜色的方法增加船舶图像数据库中的样本图像。
7.根据权利要求1所述的方法,其特征在于,在卷积神经网络二阶段算法Faster R-CNN中,将检测目标根据船舶外形特征分类,并为每一类型船舶配置专属的RPN网络,各个RPN网络根据对应的尺寸特性设计锚框的尺度和比例。
8.一种基于卷积神经网络的船舶图像识别系统,其特征在于,包括:
图像输入模块,用于输入光电视频服务采集的原始图像;
定位模块,通过卷积神经网络一阶段算法计算图像中包含船舶的概率以及船舶在图像中的位置坐标;
归一化模块,输出该图像包含船舶的概率以及位置坐标,将船舶图像从原始图像中剪切出来并进行归一化处理;
分类及特征提取模块,通过卷积神经网络二阶段算法对归一化的船舶图像进行分类和特征提取;
检索模块,将提取出的特征在船舶图像数据库中进行检索,找到特征匹配度大于一定比率的船舶。
9.一种电子设备,其特征在于,包括:
存储器,用于存储计算机软件程序;
处理器,用于读取并执行所述存储器中存储的计算机软件程序,进而实现权利要求1-7任一项所述的一种基于卷积神经网络的船舶图像识别方法。
10.一种非暂态计算机可读存储介质,其特征在于,该存储介质中存储有用于实现权利要求1-7任一项所述的一种基于卷积神经网络的船舶图像识别方法的计算机软件程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111068434.1A CN113850166A (zh) | 2021-09-13 | 2021-09-13 | 一种基于卷积神经网络的船舶图像识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111068434.1A CN113850166A (zh) | 2021-09-13 | 2021-09-13 | 一种基于卷积神经网络的船舶图像识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113850166A true CN113850166A (zh) | 2021-12-28 |
Family
ID=78973947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111068434.1A Pending CN113850166A (zh) | 2021-09-13 | 2021-09-13 | 一种基于卷积神经网络的船舶图像识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113850166A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114782868A (zh) * | 2022-04-19 | 2022-07-22 | 网新百橙科技(杭州)有限公司 | 基于ai人工智能的视频图像船舶识别系统及方法 |
-
2021
- 2021-09-13 CN CN202111068434.1A patent/CN113850166A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114782868A (zh) * | 2022-04-19 | 2022-07-22 | 网新百橙科技(杭州)有限公司 | 基于ai人工智能的视频图像船舶识别系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304873B (zh) | 基于高分辨率光学卫星遥感影像的目标检测方法及其系统 | |
EP3620956B1 (en) | Learning method, learning device for detecting lane through classification of lane candidate pixels and testing method, testing device using the same | |
Von Stumberg et al. | Gn-net: The gauss-newton loss for multi-weather relocalization | |
CN107563372B (zh) | 一种基于深度学习ssd框架的车牌定位方法 | |
Xu et al. | Deep interactive object selection | |
CN111368683B (zh) | 基于模约束CenterFace的人脸图像特征提取方法及人脸识别方法 | |
CN108121991B (zh) | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 | |
CN111104903B (zh) | 一种深度感知交通场景多目标检测方法和系统 | |
US10262214B1 (en) | Learning method, learning device for detecting lane by using CNN and testing method, testing device using the same | |
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 | |
CN112598713A (zh) | 一种基于深度学习的近岸海底鱼类检测、跟踪统计方法 | |
CN111666921A (zh) | 车辆控制方法、装置、计算机设备和计算机可读存储介质 | |
Lai et al. | Traffic Signs Recognition and Classification based on Deep Feature Learning. | |
CN106815323B (zh) | 一种基于显著性检测的跨域视觉检索方法 | |
CN109002755B (zh) | 基于人脸图像的年龄估计模型构建方法及估计方法 | |
CN113076871A (zh) | 一种基于目标遮挡补偿的鱼群自动检测方法 | |
CN110008900B (zh) | 一种由区域到目标的可见光遥感图像候选目标提取方法 | |
KR20200027887A (ko) | 복수의 비디오 프레임을 이용하여 cnn의 파라미터를 최적화하기 위한 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치 | |
Xing et al. | Traffic sign recognition using guided image filtering | |
CN112417931A (zh) | 一种基于视觉显著性的水面物体检测和分类的方法 | |
Liu et al. | Multi-type road marking recognition using adaboost detection and extreme learning machine classification | |
Zhao et al. | Research on detection method for the leakage of underwater pipeline by YOLOv3 | |
CN115280373A (zh) | 使用结构化丢弃来管理孪生网络跟踪中的遮挡 | |
CN115115863A (zh) | 水面多尺度目标检测方法、装置及系统和存储介质 | |
Harianto et al. | Data augmentation and faster rcnn improve vehicle detection and recognition |
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 |