CN113850725A - 一种滤波增强深度学习的被动式太赫兹图像目标检测方法 - Google Patents
一种滤波增强深度学习的被动式太赫兹图像目标检测方法 Download PDFInfo
- Publication number
- CN113850725A CN113850725A CN202010684465.9A CN202010684465A CN113850725A CN 113850725 A CN113850725 A CN 113850725A CN 202010684465 A CN202010684465 A CN 202010684465A CN 113850725 A CN113850725 A CN 113850725A
- Authority
- CN
- China
- Prior art keywords
- prediction
- filtering
- deep learning
- target detection
- sample
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 40
- 238000013135 deep learning Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000009466 transformation Effects 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 16
- 238000009499 grossing Methods 0.000 claims description 6
- 239000004576 sand Substances 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002146 bilateral effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 229920002521 macromolecule Polymers 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000002381 plasma Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种滤波增强深度学习的被动式太赫兹图像目标检测方法，涉及被动式太赫兹图像目标检测领域，其技术要点是：采用多尺度滤波去除样本噪声，采用多方位空间几何变换，联合生成多尺度滤波增强样本；采用卷积神经网络提取特征，训练模型参数，进行深度学习训练；对去噪样本进行多通道特征预测，对多通道的预测结果进行融合，得到最终的目标检测结果，该方法针对噪声严重、目标大小不一、细节模糊的被动式太赫兹图像，通过多尺度滤波模型改良YOLO深度学习网络，不仅可以滤除严重的条纹噪声，又可避免过度去噪导致的图像细节丢失，从而实现被动式太赫兹图像的高精度目标检测。
Description
技术领域
本发明属于被动式太赫兹图像目标检测领域，特别是涉及一种滤波增强深度 学习的被动式太赫兹图像目标检测方法。
背景技术
太赫兹波是指频率在0.1～10THz范围内的电磁波。太赫兹波的波段能够覆 盖半导体、等离子体，有机体和生物大分子等物质的特征谱，具有良好的穿透性。 其次，太赫兹能量小，几乎不会对人体产生影响。太赫兹技术可广泛应用于雷达、 遥感、国土安全与反恐、高保密的数据通讯与传输、大气与环境监测、实时生物 信息提取以及医学诊断等领域。
被动式太赫兹成像技术，相比于主动式太赫兹成像技术，无需主动太赫兹辐 射源，通过被动接受人体自身发出的太赫兹波完成成像，具有成本较低、安全无 辐射、无接触隐蔽等优点，在安防安检领域有更加良好的应用前景。在传统的安 防安检中，对于目标的检测通常是人工完成，十分考验检查人员的耐心和毅力。 随着深度学习的蓬勃发展，目前的算法已经能在光学图像上进行有效的目标检 测，但是在太赫兹图像尤其是被动式太赫兹图像中，相关方法还有待完善，目前 主要存在以下几类问题：
1.由于被动式太赫兹扫描系统没有使用辐射源，目标物自身辐射的太赫兹 波功率低，且成像过程中引入各类噪声干扰，使得被动太赫兹图像样本信噪比很 低、图像很模糊，影响对图像内容的有效识别；
2.传统深度学习算法未针对含噪的太赫兹样本识别问题进行改进，太赫兹 样本因为噪声差异、目标形态差异等问题，难以通过简单固定的图像滤波预处理 达到对所有样本目标的高精度识别。
基于上述客观问题，被动式探测的样本质量低，对人工标注和模型训练造成 很大影响，通过传统深度学习方法无法针对噪声严重的图像样本产生显著识别效 果，而采用固定的图像滤波方法进行预处理，依然难以保证输出的去噪样本均适 合深度学习算法获得高精度的识别效果。
基于上述市场需求与技术问题，亟需一种基于多尺度滤波增强的被动式太赫 兹图像目标检测方法，以深度学习算法为基础改进创新，通过多尺度滤波完成深 度学习对不同噪声程度的增强学习，再通过空间几何变换完成深度学习对不同转 向形态的增强学习，从而大幅度提升对不同噪声程度、不同转向形态的太赫兹目 标的识别检测率。
发明内容
本发明公开了一种滤波增强深度学习的被动式太赫兹图像目标检测方法，通 过多尺度去噪和空间几何变换增强扩增深度学习样本集，得到不同去噪强度、目 标形态的样本，大幅度滤除条纹噪声的同时更好地保留图像细节同时具有目标旋 转不变性，提升深度学习对于不同噪声程度、不同转向形态的目标识别的鲁棒性。 为了解决上述技术问题，本发明旨在提供一种滤波增强深度学习的被动式太赫兹 图像目标检测方式，包括以下步骤：
采用多尺度滤波去除样本噪声，采用多方位空间几何变换，联合生成多尺度 滤波增强样本；
采用卷积神经网络提取特征，训练模型参数，进行深度学习训练；
对去噪样本进行多通道特征预测，对多通道的预测结果进行融合，得到最终 的目标检测结果。
作为优选，所述采用多尺度滤波去除样本噪声，其中，邻域像素值为f(k,l)， 输出图像的像素值为g(i,j)，g(i,j)为邻域像素值f(k,l)的加权值组合，
其中(i,j)和(k,l)代表像素点的坐标，w(i,j,k,l)为 等于空域核ws和值域核wr的乘积，其中
σs和σr分别为空域和值域的滤波平滑参数，不同去噪阈值样本lx与空间空域和 值域的滤波平滑参数σs与σr的关系是lx＝l0·w(σs,σr)，其中σs＝x， σr＝13x，分别取不同的x,x∈(0,2]，获取多尺度去噪样本，进行多尺度滤波增 强。
作为优选，采用多方位空间几何变换，联合生成多尺度滤波增强样本，包括 对样本图像进行旋转和翻转处理，滤波增强后图像的原始像素值坐标为(x0,y0), 图像中心旋转后得到的坐标为(x1,y1)，
其中θ为逆时针旋转的角度，图像以y轴翻转后的坐标为(x2,y2)， (x2,y2)＝(2w-x0,y0)，其中w是图像的宽度。
作为优选，所述采用卷积神经网络提取特征，其中，网络由N-1个卷积层和 1个全连接层组成，首先是1个32个过滤器的卷积核，然后是n组重复的残差 单元，每个单元由1个单独的卷积层与一组重复执行的卷积层构成，重复执行的 卷积层分别重复g1次、g2次、...、gn次；单独的卷积层使用步长为2的卷积作 降采样处理，在每个重复执行的卷积层中，先执行1x1的卷积操作，再执行3x3 的卷积操作，过滤器数量先减半，再恢复，共计N-1层。
作为优选，所述训练模型参数，进行深度学习训练，包括通过损失函数对参 数模型进行训练优化，训练前先将图片分解成为S×S个网格，每个网格含有A 个预选框和B个预测框，损失函数由坐标预测损失函数，置信度损失函数和类别 损失函数组成，如下式所示：
其中i、j表示第i个网格第j个预测框，
bx,by,bw,bh分别表示直接预测的预测框的中心点坐标和长宽，gx,gy,gw,gh分别 表示真实框的中心点坐标和长宽，cx,cy,aw,ah分别表示当前网格左上角到图像左 上角的距离和锚点框的长宽，tx,ty,tw,th为需要学习的参数；
当网格内的预测框负责预测真实框时，
否则
当预测框负责预测该网格内的目标时，
否则
当某个预测框不负责对应网格中真实框的预测，但是又与该真实框的重叠率大于设定的阈值时，Gij＝0，否则Gij＝1；
其中，第i个网格第j个预测框的置信度
Pr(object)表示当前预测框是否有对象的概率，
表示真实框和预测框的重叠率，
和 
分别为预测种类c时的类别概率和真实概率。
作为优选，所述对去噪样本进行多通道特征预测，包括将去噪样本l输入到 卷积神经网络分别在2n倍、2n-1倍、…2n-M倍进行多通道下采样和特征预测，其 中M为通道数；将2n-i倍的特征图作上采样处理，和2n-i+1倍特征图作特征融合， i∈[1,M]，完成多通道同时预测。
采用上述技术方案带来的有益效果是：
(1)针对被动式太赫兹图像噪声严重、细节模糊、目标差异的问题，通过 多尺度双边滤波扩展被动式太赫兹图像在不同去噪尺度下的去噪样本，可以对不 同质量的样本滤除噪声保留图像细节；
(2)针对同一目标旋转形态不一的问题，进行空间几何变换增强，扩展被 动式太赫兹图像在不同转向形态下的变换样本，对目标旋转形态差异具有鲁棒 性；
(3)将扩展样本输入特征提取网络里提取特征，学习训练预训练权重，用 训练好的模型对去噪样本进行预测，完成数据增强的深度学习对太赫兹样本目标 的识别，从而大幅度提升对不同噪声程度、不同转向形态的太赫兹目标的识别检 测率，不仅可以滤除严重的条纹噪声，又可避免过度去噪导致的图像细节丢失，。
附图说明
图1为本发明的整体流程示意图；
图2包括场景1和场景2的原始被动式太赫兹图(a1)和(a2)，场景1和 场景2的多尺度双边滤波图(b1)和(b2)，(c1)和(c2)，(d1)和(d2)；
图3包括滤波增强后的被动式太赫兹图(a1)，空间几何变换增强后的图(a2) 和(a3)；
图4为本发明的特征提取网络结构图；
图5为本发明的损失函数参数说明图；
图6为本发明的多尺度预测结构图；
图7包括多尺度滤波增强前的识别效果图(a1)和多尺度滤波增强后的识别 效果图(a2)。
图8包括空间几何变换增强前的识别效果图(a1)和空间几何变换增强后的 识别效果图(a2)。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
一种基于多尺度滤波增强深度学习的被动式太赫兹图像目标识别方法，其处 理流程如图1所示。具体步骤如下：
(1)采用多尺度滤波去除样本噪声，并采用多方位空间几何变换，联合生 成多尺度滤波增强样本。
(2)采用卷积神经网络提取特征，训练模型参数，进行深度学习训练。
(3)对去噪样本进行多通道特征预测，对多通道的预测结果进行融合，得 到最终的目标检测结果。
步骤(1)具体过程如下：
(1-1)对带有标签的被动式太赫兹图像样本进行双边滤波。输出图像的像素值 g(i,j)为邻域像素值f(k,l)的加权值组合，
其中 (i,j)和(k,l)代表像素点的坐标，w(i,j,k,l)为等于空域核ws和值域核wr的乘积， 其中
σs和σr分别为空域和值域的滤波 平滑参数。不同去噪阈值下的样本lx与空间空间域和值域的滤波平滑参数σs与 σr的关系是lx＝l0·w(σs,σr)，其中σs＝x，σr＝13x。分别取不同的x获取 多尺度去噪样本进行数据增强。实施例中，分别取x＝0.5，1，1.5，其去噪效果 分别如图2中的(b1)和(b2)，(c1)和(c2)，(d1)和(d2)所示。可见 噪声得到有效的滤除。
(1-2)空间几何变换增强。对样本图像进行旋转和翻转处理，滤波增强后图像 的原始像素值坐标为(x0,y0),图像中心旋转后得到的坐标为(x1,y1)，
其中θ为逆时针旋转的角度。图像以y 轴翻转后的坐标为(x2,y2)，(x2,y2)＝(2w-x0,y0)，其中w是图像的宽度。实施 例中，分别取θ＝180°，w＝64。其旋转和翻转效果如图3中的(a2)和(a3) 所示。
进一步地，步骤(2)的具体过程如下：
(2-1)卷积神经网络特征提取。卷积神经网络由N-1个卷积层和1个全连接层 组成，首先是1个32个过滤器的卷积核，然后是n组重复的残差单元，每个单 元由1个单独的卷积层与一组重复执行的卷积层构成，重复执行的卷积层分别重 复g1次、g2次、...、gn次；单独的卷积层使用步长为2的卷积作降采样处理， 在每个重复执行的卷积层中，先执行1x1的卷积操作，再执行3x3的卷积操作， 过滤器数量先减半，再恢复，一共是N-1层。实施例中，使用darknet53网络， 其中N＝53，n＝5，g1＝1，g2＝2，g3＝8，g4＝8，g5＝4。其结构图如图 4所示。
(2-2)由损失函数对参数模型进行训练优化，训练前先将图片分解成为S*S个 网格，每个网格含有A个预选框和B个预测框，Yolov3的损失函数由坐标预测损 失函数，置信度损失函数和类别损失函数组成，如下式所示：
其中i、j表示第i个网格第j个预测框，
bx,by,bw,bh分别表示直接预测的预测框的中心点坐标和长宽，gx,gy,gw,gh分别 表示真实框的中心点坐标和长宽，cx,cy,aw,ah分别表示当前网格左上角到图像左 上角的距离和锚点框的长宽，tx,ty,tw,th为需要学习的参数。当网格内的预测框 负责预测真实框时，
否则
当预测框负责预测该网格内的目标 时，
否则
当某个预测框不负责对应网格中真实框的预测，但是 又与该真实框的重叠率大于设定的阈值时，Gij＝0，否则Gij＝1。第i个网格第j 个预测框的置信度
Pr(object)表示当前预测框是否有对 象的概率，
表示真实框和预测框的重叠率。
和
分别为预测种 类c时的类别概率和真实概率。其部分参数解释如图5所示。
进一步地，步骤(3)的具体过程如下：
(3-1)对去噪样本进行多通道特征预测，对多通道的预测结果进行融合，得到 最终的目标检测结果。对去噪样本进行多通道特征预测，是将去噪样本l输入到 卷积神经网络分别在2n倍、2n-1倍、…2n-M倍进行多通道下采样和特征预测，其 中M为通道数；然后将2n-i倍的特征图作上采样处理，和2n-i+1倍特征图做特征融 合，i∈[1,M]，完成多通道同时预测。其结构图如图6所示。
最终的识别效果如图7所示，图7(a1)和图7(a2)分别为数据滤波增强 前的识别效果和数据滤波增强后的识别效果，滤波前的平均精度均值87.45％， 滤波后提升到92.16％。明显看出传统的方法，在不明确合适的去噪尺度时，识 别效果中存在漏检和误检的情况，去噪滤波数据增强后的识别效果有明显的提 升。图8(a1)和图8(a2)分别为空间几何变换增强前后的识别效果，增强后 的平均精度均值为94.27％。明显看出使用空间几何变换增强后的对目标物体旋 转性有更好的鲁棒性和适应性。
实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是 按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明 保护范围之内。
Claims (6)
1.一种滤波增强深度学习的被动式太赫兹图像目标检测方式，包括以下步骤：
采用多尺度滤波去除样本噪声，采用多方位空间几何变换，联合生成多尺度滤波增强样本；
采用卷积神经网络提取特征，训练模型参数，进行深度学习训练；
对去噪样本进行多通道特征预测，对多通道的预测结果进行融合，得到最终的目标检测结果。
2.根据权利要求1所述的一种滤波增强深度学习的被动式太赫兹图像目标检测方法，其特征在于：所述采用多尺度滤波去除样本噪声，其中，邻域像素值为f(k,l)，输出图像的像素值为g(i,j)，g(i,j)为邻域像素值f(k,l)的加权值组合，
其中(i,j)和(k,l)代表像素点的坐标，w(i,j,k,l)为等于空域核ws和值域核wr的乘积，其中
σs和σr分别为空域和值域的滤波平滑参数，不同去噪阈值样本lx与空间空域和值域的滤波平滑参数σs与σr的关系是lx＝l0·w(σs,σr)，其中σs＝x，σr＝13x，分别取不同的x,x∈(0,2]，获取多尺度去噪样本，进行多尺度滤波增强。
3.根据权利要求2所述的一种滤波增强深度学习的被动式太赫兹图像目标检测方法，其特征在于：采用多方位空间几何变换，联合生成多尺度滤波增强样本，包括对样本图像进行旋转和翻转处理，滤波增强后图像的原始像素值坐标为(x0,y0),图像中心旋转后得到的坐标为(x1,y1)，
其中θ为逆时针旋转的角度，图像以y轴翻转后的坐标为(x2,y2)，(x2,y2)＝(2w-x0,y0)，其中w是图像的宽度。
4.根据权利要求1所述的一种滤波增强深度学习的被动式太赫兹图像目标检测方法，其特征在于：所述采用卷积神经网络提取特征，其中，网络由N-1个卷积层和1个全连接层组成，首先是1个32个过滤器的卷积核，然后是n组重复的残差单元，每个单元由1个单独的卷积层与一组重复执行的卷积层构成，重复执行的卷积层分别重复g1次、g2次、...、gn次；单独的卷积层使用步长为2的卷积作降采样处理，在每个重复执行的卷积层中，先执行1x1的卷积操作，再执行3x3的卷积操作，过滤器数量先减半，再恢复，共计N-1层。
5.根据权利要求1所述的一种滤波增强深度学习的被动式太赫兹图像目标检测方法，其特征在于：所述训练模型参数，进行深度学习训练，包括通过损失函数对参数模型进行训练优化，训练前先将图片分解成为S×S个网格，每个网格含有A个预选框和B个预测框，损失函数由坐标预测损失函数，置信度损失函数和类别损失函数组成，如下式所示：
其中i、j表示第i个网格第j个预测框，
bx,by,bw,bh分别表示直接预测的预测框的中心点坐标和长宽，gx,gy,gw,gh分别表示真实框的中心点坐标和长宽，cx,cy,aw,ah分别表示当前网格左上角到图像左上角的距离和锚点框的长宽，tx,ty,tw,th为需要学习的参数；
当网格内的预测框负责预测真实框时，
否则
当预测框负责预测该网格内的目标时，
否则
当某个预测框不负责对应网格中真实框的预测，但是又与该真实框的重叠率大于设定的阈值时，Gij＝0，否则Gij＝1；
其中，第i个网格第j个预测框的置信度
Pr(object)表示当前预测框是否有对象的概率，
表示真实框和预测框的重叠率，
和
分别为预测种类c时的类别概率和真实概率。
6.根据权利要求2所述的一种滤波增强深度学习的被动式太赫兹图像目标检测方法，其特征在于：所述对去噪样本进行多通道特征预测，包括将去噪样本l输入到卷积神经网络分别在2n倍、2n-1倍、…2n-M倍进行多通道下采样和特征预测，其中M为通道数；将2n-i倍的特征图作上采样处理，和2n-i+1倍特征图作特征融合，i∈[1,M]，完成多通道同时预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010684465.9A CN113850725A (zh) | 2020-07-15 | 2020-07-15 | 一种滤波增强深度学习的被动式太赫兹图像目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010684465.9A CN113850725A (zh) | 2020-07-15 | 2020-07-15 | 一种滤波增强深度学习的被动式太赫兹图像目标检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113850725A true CN113850725A (zh) | 2021-12-28 |
Family
ID=78972702
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010684465.9A Pending CN113850725A (zh) | 2020-07-15 | 2020-07-15 | 一种滤波增强深度学习的被动式太赫兹图像目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113850725A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114004833A (zh) * | 2021-12-30 | 2022-02-01 | 首都师范大学 | 复合材料太赫兹成像分辨力增强方法、装置、设备和介质 |
| CN114445408A (zh) * | 2022-04-11 | 2022-05-06 | 山东仕达思生物产业有限公司 | 一种基于改进的循环导向滤波算法的提升病原体检测方法、设备及存储介质 |
| CN116129472A (zh) * | 2023-04-07 | 2023-05-16 | 阿里巴巴（中国）有限公司 | 网格点生成方法、存储介质及系统 |
| CN116310356A (zh) * | 2023-03-23 | 2023-06-23 | 昆仑芯(北京)科技有限公司 | 深度学习模型的训练方法、目标检测方法、装置及设备 |
-
2020
- 2020-07-15 CN CN202010684465.9A patent/CN113850725A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114004833A (zh) * | 2021-12-30 | 2022-02-01 | 首都师范大学 | 复合材料太赫兹成像分辨力增强方法、装置、设备和介质 |
| CN114445408A (zh) * | 2022-04-11 | 2022-05-06 | 山东仕达思生物产业有限公司 | 一种基于改进的循环导向滤波算法的提升病原体检测方法、设备及存储介质 |
| CN114445408B (zh) * | 2022-04-11 | 2022-06-24 | 山东仕达思生物产业有限公司 | 一种基于改进的循环导向滤波算法的提升病原体检测方法、设备及存储介质 |
| CN116310356A (zh) * | 2023-03-23 | 2023-06-23 | 昆仑芯(北京)科技有限公司 | 深度学习模型的训练方法、目标检测方法、装置及设备 |
| CN116310356B (zh) * | 2023-03-23 | 2024-03-29 | 昆仑芯(北京)科技有限公司 | 深度学习模型的训练方法、目标检测方法、装置及设备 |
| CN116129472A (zh) * | 2023-04-07 | 2023-05-16 | 阿里巴巴（中国）有限公司 | 网格点生成方法、存储介质及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113850725A (zh) | 一种滤波增强深度学习的被动式太赫兹图像目标检测方法 | |
| Ghose et al. | Image denoising using deep learning: Convolutional neural network | |
| Yang et al. | A deep multiscale pyramid network enhanced with spatial–spectral residual attention for hyperspectral image change detection | |
| CN108389188A (zh) | 一种稀疏高光谱异常目标检测方法 | |
| Ganasala et al. | Contrast enhanced multi sensor image fusion based on guided image filter and NSST | |
| CN114120176B (zh) | 远红外与可见光视频图像融合的行为分析方法 | |
| CN113837974B (zh) | 一种基于改进beeps滤波算法的nsst域电力设备红外图像增强方法 | |
| Jia et al. | Image denoising via sparse representation over grouped dictionaries with adaptive atom size | |
| CN111915486B (zh) | 基于图像超分辨重建的对抗样本防御方法 | |
| Luo et al. | Infrared and visible image fusion based on visibility enhancement and hybrid multiscale decomposition | |
| Jian et al. | Image fusion based on wavelet transform | |
| CN116934725A (zh) | 一种基于无监督学习的铝箔封口密封性的检测方法 | |
| CN113538409B (zh) | 基于模糊逻辑和anfis的宫颈癌图像区域分割方法 | |
| Xu et al. | COCO-Net: A dual-supervised network with unified ROI-loss for low-resolution ship detection from optical satellite image sequences | |
| Chen et al. | Attention-based hierarchical fusion of visible and infrared images | |
| Hussain et al. | Image denoising to enhance character recognition using deep learning | |
| CN113034371A (zh) | 一种基于特征嵌入的红外与可见光图像融合方法 | |
| Chen et al. | Attentive generative adversarial network for removing thin cloud from a single remote sensing image | |
| Yu et al. | Visual saliency using binary spectrum of Walsh–Hadamard transform and its applications to ship detection in multispectral imagery | |
| CN116681623A (zh) | 基于多级拉普拉斯金字塔去噪的sar图像目标检测方法 | |
| CN115100068A (zh) | 一种红外图像校正方法 | |
| Xue et al. | Ionogram echo extraction based on the convolutional neural networks | |
| Jaswanth et al. | Change detection of sar images based on convolution neural network with curvelet transform | |
| Liu et al. | An improved image denoising method based on contourlet transform and NeighShrink algorithm | |
| Wu et al. | Numerical computation of ocean HABs image enhancement based on empirical mode decomposition and wavelet fusion |
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 |