CN113850838A - 船舶航行意图获取方法、装置、计算机设备及存储介质 - Google Patents

船舶航行意图获取方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN113850838A
CN113850838A CN202111097054.0A CN202111097054A CN113850838A CN 113850838 A CN113850838 A CN 113850838A CN 202111097054 A CN202111097054 A CN 202111097054A CN 113850838 A CN113850838 A CN 113850838A
Authority
CN
China
Prior art keywords
information
target
intention
navigation
neural network
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
CN202111097054.0A
Other languages
English (en)
Inventor
夏春秋
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.)
Shenzhen Vision Technology Co Ltd
Original Assignee
Shenzhen Vision Technology 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 Shenzhen Vision Technology Co Ltd filed Critical Shenzhen Vision Technology Co Ltd
Priority to CN202111097054.0A priority Critical patent/CN113850838A/zh
Publication of CN113850838A publication Critical patent/CN113850838A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • 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
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory

Abstract

本申请实施例属于数据融合领域，涉及一种船舶航行意图获取方法，包括：获取多张按时刻顺序排序的待处理的航行卫星图像；将多张按时刻顺序排序的待处理的航行卫星图像输入至训练好的卷积神经网络模型，得到目标侦察信息以及目标轨迹信息；获取每个目标轨迹信息对应的目标雷达信息；将目标雷达信息、目标侦察信息以及目标轨迹信息通过对应的预设映射表计算得到多个对应的航行意图信息；加权求和多个对应的意图信息，得到目标航行意图信息。本申请还提供一种船舶航行意图获取装置、计算机设备及存储介质。可以识别船舶的航行意图。

Description

船舶航行意图获取方法、装置、计算机设备及存储介质
技术领域
本申请涉及数据融合领域，尤其涉及一种船舶航行意图获取方法、装置、计算机设备及存储介质。
背景技术
迅猛发展的传感技术、通信技术推动了数据融合的发展，促使战争形态演变为陆、海、空、天、电的五维结构，加剧了环境的复杂性。在现有情报分析系统中，只依靠单源信息已经不能适应不断扩大的愈发复杂的环境，必须联合多源信息，无法制定有用的部署。无法从同一目标的雷达侦察信息、通信侦察信息、目标航迹信息中分别提取相关的特征参数等，以对目标或目标群的意图做出推理，得到意图预测结果。
发明内容
本申请实施例的目的在于提出一种船舶航行意图获取方法、装置、计算机设备及存储介质，完成了船舶航行意图的预测。
为了解决上述技术问题，本申请实施例提供一种船舶航行意图获取方法，采用了如下所述的技术方案：
获取多张按时刻顺序排序的待处理的航行卫星图像；
将所述多张按时刻顺序排序的待处理的航行卫星图像输入至训练好的卷积神经网络模型，得到目标侦察信息以及目标轨迹信息；
获取每个所述目标轨迹信息对应的目标雷达信息；
将所述目标雷达信息、目标侦察信息以及目标轨迹信息通过对应的预设映射表计算得到多个对应的航行意图信息；
加权求和所述多个对应的意图信息，得到目标航行意图信息。
进一步的，所述将所述多张按时刻顺序排序的待处理的航行卫星图像输入至训练好的卷积神经网络模型，得到目标侦察信息以及目标轨迹信息的步骤具体包括：
将所述多张按时刻顺序排序的待处理的航行卫星图像输入至第一神经网络，得到多个待切割的区域；
将所述多个待切割的区域输入至第二神经网络，得到多个船舶图像信息；
分析所述多个船舶图像信息，得到目标侦察信息以及目标轨迹信息。
进一步的，所述分析所述船舶图像信息，得到目标侦察信息以及目标轨迹信息的步骤具体包括：
清空目标侦察信息以及目标轨迹信息；
将所述船舶图像信息输入至第三神经网络，得到多个对应的侦察参数值以及多个对应的轨迹参数值；
计算每个所述侦察参数值之间的差值，得到多个侦察信息；
计算每个所述轨迹参数值之间的差值，得到多个轨迹信息；
任取一个所述侦察信息作为待判断的侦察信息；
任取一个所述轨迹信息作为待判断的轨迹信息；
若所述待判断的侦察信息大于预设的侦察信息阈值，则将所述待判断的侦察信息写入至目标侦察信息中；
若所述待判断的轨迹信息大于预设的轨迹信息阈值，则将所述待判断的轨迹信息写入至目标轨迹信息中。
进一步的，所述多个预设的映射表至少包括：预设的目标雷达信息映射表、预设的目标侦察信息映射表以及预设的目标轨迹信息映射表，所述航行意图信息至少包括：雷达航行意图信息、侦察航行意图信息以及航行轨迹意图信息，所述将所述目标雷达信息、目标侦察信息以及目标轨迹信息通过预设的映射表计算得到多个对应的航行意图信息的步骤具体包括：
获取预设的目标雷达信息映射表、预设的目标侦察信息映射表以及预设的目标轨迹信息映射表；
通过所述预设的目标雷达信息映射表以及所述目标雷达信息计算雷达航行意图信息；
通过所述预设的目标侦察信息映射表以及所述侦察航行意图信息计算侦察航行意图信息；
通过所述预设的目标轨迹信息映射表以及所述目标轨迹信息计算航行轨迹意图信息。
进一步的，所述加权求和所述多个对应的意图信息，得到船舶的航行意图信息的步骤具体包括：
获取预设的雷达意图权重、预设的侦查信息权重以及航行轨迹意图权重；
将所述预设的雷达权重乘以所述雷达航行意图信息，得到雷达加权信息；
将所述预设的侦察权重乘以所述目标侦察信息，得到侦察加权信息；
将所述预设的轨迹权重乘以所述航行轨迹意图信息，得到轨迹加权信息；
求和所述雷达加权信息、所述侦察加权信息以及所述轨迹加权信息，得到船舶的航行意图信息。
进一步的，所述将所述多张按时刻顺序排序的待处理的航行卫星图像输入至训练好的卷积神经网络模型，得到目标侦察信息以及目标轨迹信的步骤之前，还包括：
获取多个训练数据以及所述训练数据所对应的标注标签；
将所述训练数据以及所述对应的标注标签输入至所述初始卷积神经网络模型；
将所述初始卷积神经网络模型通过
Figure BDA0003269238280000031
训练，得到训练好的卷积神经网络模型，
Figure BDA0003269238280000032
代表根据所述训练好的卷积神经网络模型的多层感知器中第n-1层的输出，训练所述训练好的卷积神经网络模型的多层感知器中第n层中第k个神经元得到的权值，
Figure BDA0003269238280000033
表示
Figure BDA0003269238280000034
相应的偏置，fi n表示第i个训练数据输入至所述训练好的卷积神经网络模型后，在所述训练好的卷积神经网络模型模型的第n层的输出，i为任意正整数，n为自然数，当n为所述目标神经网络模型的最后一层时，fi n是指所述训练好的卷积神经网络模型的输出，fi n-1表示第i个训练数据输入至所述训练好的卷积神经网络模型后，在所述目标神经网络模型的第n-1层的输出；
部署所述训练好的卷积神经网络模型。
进一步的，所述加权求和所述多个对应的意图信息，得到目标航行意图信息的步骤之后，还包括：
将所述目标航行意图信息按数值大小进行降序排序。
为了解决上述技术问题，本申请实施例还提供一种船舶航行意图获取装置，采用了如下所述的技术方案：
卫星图像获取模块用于获取多张按时刻顺序排序的待处理的航行卫星图像；
图像信息分析模块用于将所述多张按时刻顺序排序的待处理的航行卫星图像输入至训练好的卷积神经网络模型，得到目标侦察信息以及目标轨迹信息；
雷达信息获取模块用于获取每个所述目标轨迹信息对应的目标雷达信息；
航行意图信息获取模块用于将所述目标雷达信息、目标侦察信息以及目标轨迹信息通过对应的预设映射表计算得到多个对应的航行意图信息；
加权求和模块用于加权求和所述多个对应的意图信息，得到目标航行意图信息。
进一步的，图像信息分析模块还用于：
将所述多张按时刻顺序排序的待处理的航行卫星图像输入至第一神经网络，得到多个待切割的区域；
将所述多个待切割的区域输入至第二神经网络，得到多个飞机图像信息；
分析所述多个飞机图像信息，得到目标侦察信息以及目标轨迹信息。
进一步的，雷达信息获取模块还用于：
清空目标侦察信息以及目标轨迹信息；
将所述飞机图像信息输入至第三神经网络，得到多个对应的侦察参数值以及多个对应的轨迹参数值；
计算每个所述侦察参数值之间的差值，得到多个侦察信息；
计算每个所述轨迹参数值之间的差值，得到多个轨迹信息；
任取一个所述侦察信息作为待判断的侦察信息；
任取一个所述轨迹信息作为待判断的轨迹信息；
若所述待判断的侦察信息大于预设的侦察信息阈值，则将所述待判断的侦察信息写入至目标侦察信息中；
若所述待判断的轨迹信息大于预设的轨迹信息阈值，则将所述待判断的轨迹信息写入至目标轨迹信息中。
进一步的，航行意图信息获取模块还用于：
获取预设的目标雷达信息映射表、预设的目标侦察信息映射表以及预设的目标轨迹信息映射表；
通过所述预设的目标雷达信息映射表以及所述目标雷达信息计算雷达航行意图信息；
通过所述预设的目标侦察信息映射表以及所述侦察航行意图信息计算侦察航行意图信息；
通过所述预设的目标轨迹信息映射表以及所述目标轨迹信息计算航行轨迹意图信息。
进一步的，航行意图信息获取模块还用于：
获取预设的雷达意图权重、预设的侦查信息权重以及航行轨迹意图权重；
将所述预设的雷达权重乘以所述雷达航行意图信息，得到雷达加权信息；
将所述预设的侦察权重乘以所述目标侦察信息信息，得到侦察加权信息；
将所述预设的轨迹权重乘以所述航行轨迹意图信息，得到轨迹加权信息；
求和所述雷达加权信息、所述侦察加权信息以及所述轨迹加权信息，得到飞机的航行意图信息。
进一步的，所述船舶航行意图获取装置还包括训练模块，所述训练模块还用于:
获取多个训练数据以及所述训练数据所对应的标注标签；
将所述训练数据以及所述对应的标注标签输入至所述初始卷积神经网络模型；
将所述初始卷积神经网络模型通过
Figure BDA0003269238280000061
训练，得到训练好的卷积神经网络模型，
Figure BDA0003269238280000062
代表根据所述训练好的卷积神经网络模型的多层感知器中第n-1层的输出，训练所述训练好的卷积神经网络模型的多层感知器中第n层中第k个神经元得到的权值，
Figure BDA0003269238280000063
表示
Figure BDA0003269238280000064
相应的偏置，fi n表示第i个训练数据输入至所述训练好的卷积神经网络模型后，在所述训练好的卷积神经网络模型模型的第n层的输出，i为任意正整数，n为自然数，当n为所述目标神经网络模型的最后一层时，fi n是指所述训练好的卷积神经网络模型的输出，fi n-1表示第i个训练数据输入至所述训练好的卷积神经网络模型后，在所述目标神经网络模型的第n-1层的输出；
部署所述训练好的卷积神经网络模型。
进一步的，所述船舶航行意图获取装置还包括排序模块，所述排序模块还用于:
将所述目标航行意图信息按数值大小进行降序排序。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
一种计算机设备，其包括至少一个连接的处理器、存储器、输入输出单元，其中，所述存储器用于存储计算机可读指令，所述处理器用于调用所述存储器中的计算机可读指令来执行上述所述的船舶航行意图获取方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现上述所述的船舶航行意图获取方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
通过光频图像目标提取、声频目标检测、射频目标特征深度分析、环境特性分析等多种传感器目标特征提取。对获取的特征的综合分析处理，。态势判断预测中的局面判断，其他平台活动关系等信息，采用分类、回归预测等算法(如支持向量机、神经网络等)，输出对意图等预测结果。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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。
图1是本申请可以应用于其中的示例性系统架构图；
图2-1根据本申请的船舶航行意图获取方法的一个实施例的流程图；
图2-2根据本申请的船舶航行意图获取方法的一个图像平滑处理的示意图；
图2-3根据本申请的船舶航行意图获取方法的一个图像增强的示意图；
图2-4根据本申请的船舶航行意图获取方法的一个预处理的示意图；
图2-5根据本申请的船舶航行意图获取方法的一个YOLO神经网络的示意图；
图2-6根据本申请的船舶航行意图获取方法的一个Mask R-CNN神经网络的示意图；
图2-7根据本申请的船舶航行意图获取方法的一个卷积神经网络架构的示意图；
图2-8根据本申请的船舶航行意图获取方法的一个Mask R-CNN神经网络的示意图；
图2-9根据本申请的船舶航行意图获取方法的一个实施例的流程图；
图3是根据本申请的船舶航行意图获取装置的一个实施例的结构示意图；
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的船舶航行意图获取方法一般由服务器/终端设备执行，相应地，船舶航行意图获取装置一般设置于服务器/终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的船舶航行意图获取的方法的一个实施例的流程图。所述的船舶航行意图获取方法，包括以下步骤：
步骤201，获取多张按时刻顺序排序的待处理的航行卫星图像。
在本实施例中，由于船舶多数在海面上航行，因此得到船舶的航行图像后，需要对海平面进行预处理。因为海平面存在加性噪声以及乘性噪声，所以要对得到的待处理的航行卫星图像进行图像平滑和图像增强处理。图像平滑处理如图2-2所示包括：均值滤波、高斯滤波以及同态滤波。图像增强如图2-3所示包括：灰度直方图、直方图均衡化以及局部优化实验及分析。预处理后的图如图2-4所示。
步骤202，将所述多张按时刻顺序排序的待处理的航行卫星图像输入至训练好的卷积神经网络模型，得到目标侦察信息以及目标轨迹信息。
在本实施例中，卷积神经网络模型主要使用YOLO网络以及Mask R-CNN两种神经网络模型。如图2-5所示YOLO网络的目标检测实时性好。如图2-6所示Mask R-CNN的图像细化检测精细分割。整体卷积神经网络架构如图2-7所示，包括了：卷积层、特征图层、区域建议网络层以及分类器。目标轨迹信息中至少包括径距、高度、速度、加速度。侦查信息中至少包括载频、信号电平、跳频次数。Mask R-CNN，Mask R-CNN是在Faster R-CNN网络基础上的发展而来，在其基础上增加RoIAlign以及全卷积网络(Fully Convolutional Network，FCN)，Mask R-CNN将分类预测和掩膜(mask)预测拆分为网络的两个分支，分类预测分支与FasterR-CNN相同，对兴趣区域给出预测，产生类别标签以及矩形框坐标输出，而掩模预测分支产生的每个二值掩模依赖分类预测结果，基于此可分割出物体。Mask R-CNN对每个类别均独立地预测一个二值掩模，避开类间的竞争。
步骤203，获取每个所述目标轨迹信息对应的目标雷达信息。
在本实施例中，目标雷达信息特征参数主包括载频、脉冲幅度、脉宽、重频、天线扫描周期。目标雷达信息是有雷达检测出来的点云图。特征参数配法是雷达信号调制形式简单、信号数量少的电磁环境下使用较多的雷达信号识别方法，也是雷达信号识别的一种基本方法，经过长期研究衍生出许多新方法。特征参数配法主要通过将测量数据构成特征模式矢量与数据库中已有的信息进行比较查询，然后通过相似度度量匹配对雷达辐射源属性进行判决。它的特点主要是方法简单、速度快，但对特征参数误差要求高，过于依赖数据库中的先验知识。从统计理论出发，对雷达参数计算容差值牛成查询语言，通过查询将数据库中符合条件的雷达记录查找出来，再进行相应的空间距离计算，最后通过排序比较得到识别结果。为提高低信噪比环境下的识别率。对于低截获概率(LPI)技术的使用及低信噪比条件下雷达信号参数难以直接进行提取的情况，提出了基于数字接收机的模板匹配法，采用数字信号处理方法对LPI雷达信号进行识别，其中还有敏感参数这一概念，但是所用的配算法仍具有局限性。而多参数匹配识别的方法，是预先装订一些具有先验知识的雷达参数，再通过各个参数逐个匹配比较就可以实现雷达信号的识别。
步骤204，将所述目标雷达信息、目标侦察信息以及目标轨迹信息通过对应的预设映射表计算得到多个对应的航行意图信息。
在本实施例中，航行意图信息包括警戒、巡逻、攻击、拦截、轰炸、突防、干扰、预警、侦察。
步骤205，加权求和所述多个对应的意图信息，得到目标航行意图信息。
在本实施例中，
在一些可选的实现方式中，所述将所述多张按时刻顺序排序的待处理的航行卫星图像输入至训练好的卷积神经网络模型，得到目标侦察信息以及目标轨迹信息的步骤具体包括：
将所述多张按时刻顺序排序的待处理的航行卫星图像输入至第一神经网络，得到多个待切割的区域；
将所述多个待切割的区域输入至第二神经网络，得到多个船舶图像信息；
分析所述多个船舶图像信息，得到目标侦察信息以及目标轨迹信息。
上述实施方式中，第一神经网络是Mask R-CNN，第二神经网络为分类器。如图2-8所示在网络中输入三通道原始图像，即1024×1024×3的张量，卷积神经网络提取图像深层特征，经过网络的前向传播，张量被转换为32×32×2048的特征图。该特征图将作为下一个阶段的输入。Mask R-CNN网络经过区域推荐网络提取候选区域，区域推荐网络是一个轻量的神经网络，通过滑动窗口扫描特征图进行卷积操作，结合不同的尺寸与长宽比，生成互相重叠区域，即anchor，并给出每个anchor默认预置的位置信息，用以后续提取候选区域区域。区域推荐网络针对每个anchor输出两种信息，第一种信息是对anchor前景或背景类别的预测，前景类别代表该anchor中具有一定概率存在某类或多类目标，背景类别指待检测目标之外的其他物体，后续会滤除。第二种信息是预置边框的精调，当目标的中心与前景anchor的中心不完全重合，即存在偏移时，输出位置信息的变化百分比，以精确地调整anchor位置，对目标位置的拟合更正确。在前景anchor中存在互相重叠的现象，通过非极大值抑制方法滤除低前景得分的anchor，保留得分最高的anchor，最终得到的兴趣区域。MaskR-CNN采用RoIAlign网络层对兴趣区域尺寸进行统一定义，然后分别输入进两个分类器分支，Faster R-CNN网络进行类别以及位置的预测，FCN网络进行像素级分割。通过FCN网络来预测并输出m×m二值掩膜(Binary Mask)，m×m是所提取的局部小特征图的尺寸。为了减少计算量且达到较好分割效果，采用RoIAlign网络层将m×m特征图映射回原始输入图像上，RoIAlign网络层映射质量的好坏直接影响到图像分割掩膜位置的准确度，RoIAlign插值算法的选取对Mask R-CNN网络分割速度具有较大影响。
在一些可选的实现方式中，所述分析所述船舶图像信息，得到目标侦察信息以及目标轨迹信息的步骤具体包括：
清空目标侦察信息以及目标轨迹信息；
将所述船舶图像信息输入至第三神经网络，得到多个对应的侦察参数值以及多个对应的轨迹参数值；
计算每个所述侦察参数值之间的差值，得到多个侦察信息；
计算每个所述轨迹参数值之间的差值，得到多个轨迹信息；
任取一个所述侦察信息作为待判断的侦察信息；
任取一个所述轨迹信息作为待判断的轨迹信息；
若所述待判断的侦察信息大于预设的侦察信息阈值，则将所述待判断的侦察信息写入至目标侦察信息中；
若所述待判断的轨迹信息大于预设的轨迹信息阈值，则将所述待判断的轨迹信息写入至目标轨迹信息中。
上述实施方式中，如图2-9所示，首先提取特征参数；其次接收特征参数或下一层的预测结果并与相关知识源进行匹配，选择匹配度最高的知识源给出的预测结果作为问题的解答，处理完激发响应模块；然后响应接收预测结果并在匹配链表中找到相应节点，如果节点不存在，那么建立新节点并存入预测结果，设置累计值为1，如果节点存在，且当前预测结果与节点中预测结果相同，那么对累计值加1，如果节点存在，且当前预测结果与节点中预测结果不同，那么存入当前预测结果，设置累计值为1，响应模块处理后激发判断模块；最后判断模块对匹配链表节点的累计值进行判断，如果节点的累计值达到预设门限，那么将节点的预测结果用于修改黑板中相应的预测结果，并用于上一层的意图预测，如果节点的累计值未达到预设门限，那么继续对其累计。
在一些可选的实现方式中，所述多个预设的映射表至少包括：预设的目标雷达信息映射表、预设的目标侦察信息映射表以及预设的目标轨迹信息映射表，所述航行意图信息至少包括：雷达航行意图信息、侦察航行意图信息以及航行轨迹意图信息，所述将所述目标雷达信息、目标侦察信息以及目标轨迹信息通过预设的映射表计算得到多个对应的航行意图信息的步骤具体包括：
获取预设的目标雷达信息映射表、预设的目标侦察信息映射表以及预设的目标轨迹信息映射表；
通过所述预设的目标雷达信息映射表以及所述目标雷达信息计算雷达航行意图信息；
通过所述预设的目标侦察信息映射表以及所述侦察航行意图信息计算侦察航行意图信息；
通过所述预设的目标轨迹信息映射表以及所述目标轨迹信息计算航行轨迹意图信息。
上述实施方式中，通过判断每个参数变化情况，在映射表中找出每个对应意图信息的对应值，进而得到雷达信息、侦查信息以及轨迹信息每个信息对应的意图信息。
在一些可选的实现方式中，所述加权求和所述多个对应的意图信息，得到船舶的航行意图信息的步骤具体包括：
获取预设的雷达意图权重、预设的侦查信息权重以及航行轨迹意图权重；
将所述预设的雷达权重乘以所述雷达航行意图信息，得到雷达加权信息；
将所述预设的侦察权重乘以所述目标侦察信息信息，得到侦察加权信息；
将所述预设的轨迹权重乘以所述航行轨迹意图信息，得到轨迹加权信息；
求和所述雷达加权信息、所述侦察加权信息以及所述轨迹加权信息，得到船舶的航行意图信息。
上述实施方式中，由于不能通过单一信息，得到意图分析，因此需要将雷达加权信息、侦察加权信息以及轨迹信息进行累加。又由于不同应用场景，不同公司采用的设备不一致，因此得到雷达加权信息、侦察加权信息以及轨迹信息精准度不同，不能给与他们相同的权重。采集到的信息精准度越高，给予的权重越大。
在一些可选的实现方式中，所述将所述多张按时刻顺序排序的待处理的航行卫星图像输入至训练好的卷积神经网络模型，得到目标侦察信息以及目标轨迹信的步骤之前，还包括：
获取多个训练数据以及所述训练数据所对应的标注标签；
将所述训练数据以及所述对应的标注标签输入至所述初始卷积神经网络模型；
将所述初始卷积神经网络模型通过
Figure BDA0003269238280000141
训练，得到训练好的卷积神经网络模型，
Figure BDA0003269238280000142
代表根据所述训练好的卷积神经网络模型的多层感知器中第n-1层的输出，训练所述训练好的卷积神经网络模型的多层感知器中第n层中第k个神经元得到的权值，
Figure BDA0003269238280000143
表示
Figure BDA0003269238280000144
相应的偏置，fi n表示第i个训练数据输入至所述训练好的卷积神经网络模型后，在所述训练好的卷积神经网络模型模型的第n层的输出，i为任意正整数，n为自然数，当n为所述目标神经网络模型的最后一层时，fi n是指所述训练好的卷积神经网络模型的输出，fi n-1表示第i个训练数据输入至所述训练好的卷积神经网络模型后，在所述目标神经网络模型的第n-1层的输出；
部署所述训练好的卷积神经网络模型。
上述实施方式中，通过上述方式完成了卷积神经网络的训练。
在一些可选的实现方式中，所述加权求和所述多个对应的意图信息，得到目标航行意图信息的步骤之后，还包括：
将所述目标航行意图信息按数值大小进行降序排序。
上述实施方式中，将意图筛选出最高值的几个给用户进行进一步筛选，减少了误差。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种船舶航行意图获取装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例所述的船舶航行意图获取装置300包括：卫星图像获取模块301、图像信息分析模块302、雷达信息获取模块303、航行意图信息获取模块304以及加权求和模块305。其中：
卫星图像获取模块301用于获取多张按时刻顺序排序的待处理的航行卫星图像；
图像信息分析模块302用于将所述多张按时刻顺序排序的待处理的航行卫星图像输入至训练好的卷积神经网络模型，得到目标侦察信息以及目标轨迹信息；
雷达信息获取模块303用于获取每个所述目标轨迹信息对应的目标雷达信息；
航行意图信息获取模块304用于将所述目标雷达信息、目标侦察信息以及目标轨迹信息通过对应的预设映射表计算得到多个对应的航行意图信息；
加权求和模块305用于加权求和所述多个对应的意图信息，得到目标航行意图信息。
进一步的，图像信息分析模块302还用于：
将所述多张按时刻顺序排序的待处理的航行卫星图像输入至第一神经网络，得到多个待切割的区域；
将所述多个待切割的区域输入至第二神经网络，得到多个飞机图像信息；
分析所述多个飞机图像信息，得到目标侦察信息以及目标轨迹信息。
进一步的，雷达信息获取模块303还用于：
清空目标侦察信息以及目标轨迹信息；
将所述飞机图像信息输入至第三神经网络，得到多个对应的侦察参数值以及多个对应的轨迹参数值；
计算每个所述侦察参数值之间的差值，得到多个侦察信息；
计算每个所述轨迹参数值之间的差值，得到多个轨迹信息；
任取一个所述侦察信息作为待判断的侦察信息；
任取一个所述轨迹信息作为待判断的轨迹信息；
若所述待判断的侦察信息大于预设的侦察信息阈值，则将所述待判断的侦察信息写入至目标侦察信息中；
若所述待判断的轨迹信息大于预设的轨迹信息阈值，则将所述待判断的轨迹信息写入至目标轨迹信息中。
进一步的，航行意图信息获取模块304还用于：
获取预设的目标雷达信息映射表、预设的目标侦察信息映射表以及预设的目标轨迹信息映射表；
通过所述预设的目标雷达信息映射表以及所述目标雷达信息计算雷达航行意图信息；
通过所述预设的目标侦察信息映射表以及所述侦察航行意图信息计算侦察航行意图信息；
通过所述预设的目标轨迹信息映射表以及所述目标轨迹信息计算航行轨迹意图信息。
进一步的，航行意图信息获取模块304还用于：
获取预设的雷达意图权重、预设的侦查信息权重以及航行轨迹意图权重；
将所述预设的雷达权重乘以所述雷达航行意图信息，得到雷达加权信息；
将所述预设的侦察权重乘以所述目标侦察信息信息，得到侦察加权信息；
将所述预设的轨迹权重乘以所述航行轨迹意图信息，得到轨迹加权信息；
求和所述雷达加权信息、所述侦察加权信息以及所述轨迹加权信息，得到飞机的航行意图信息。
进一步的，所述船舶航行意图获取装置还包括训练模块，所述训练模块还用于:
获取多个训练数据以及所述训练数据所对应的标注标签；
将所述训练数据以及所述对应的标注标签输入至所述初始卷积神经网络模型；
将所述初始卷积神经网络模型通过
Figure BDA0003269238280000181
训练，得到训练好的卷积神经网络模型，
Figure BDA0003269238280000182
代表根据所述训练好的卷积神经网络模型的多层感知器中第n-1层的输出，训练所述训练好的卷积神经网络模型的多层感知器中第n层中第k个神经元得到的权值，
Figure BDA0003269238280000183
表示
Figure BDA0003269238280000184
相应的偏置，fi n表示第i个训练数据输入至所述训练好的卷积神经网络模型后，在所述训练好的卷积神经网络模型模型的第n层的输出，i为任意正整数，n为自然数，当n为所述目标神经网络模型的最后一层时，fi n是指所述训练好的卷积神经网络模型的输出，fi n-1表示第i个训练数据输入至所述训练好的卷积神经网络模型后，在所述目标神经网络模型的第n-1层的输出；
部署所述训练好的卷积神经网络模型。
进一步的，所述船舶航行意图获取装置还包括排序模块，所述排序模块还用于:
将所述目标航行意图信息按数值大小进行降序排序。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如船舶航行意图获取方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述船舶航行意图获取方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的船舶航行意图获取方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种船舶航行意图获取方法，其特征在于，包括下述步骤：
获取多张按时刻顺序排序的待处理的航行卫星图像；
将所述多张按时刻顺序排序的待处理的航行卫星图像输入至训练好的卷积神经网络模型，得到目标侦察信息以及目标轨迹信息；
获取每个所述目标轨迹信息对应的目标雷达信息；
将所述目标雷达信息、目标侦察信息以及目标轨迹信息通过对应的预设映射表计算得到多个对应的航行意图信息；
加权求和所述多个对应的意图信息，得到目标航行意图信息。
2.根据权利要求1所述的船舶航行意图获取方法，其特征在于，所述将所述多张按时刻顺序排序的待处理的航行卫星图像输入至训练好的卷积神经网络模型，得到目标侦察信息以及目标轨迹信息的步骤具体包括：
将所述多张按时刻顺序排序的待处理的航行卫星图像输入至第一神经网络，得到多个待切割的区域；
将所述多个待切割的区域输入至第二神经网络，得到多个船舶图像信息；
分析所述多个船舶图像信息，得到目标侦察信息以及目标轨迹信息。
3.根据权利要求1所述的船舶航行意图获取方法，其特征在于，所述分析所述船舶图像信息，得到目标侦察信息以及目标轨迹信息的步骤具体包括：
清空目标侦察信息以及目标轨迹信息；
将所述船舶图像信息输入至第三神经网络，得到多个对应的侦察参数值以及多个对应的轨迹参数值；
计算每个所述侦察参数值之间的差值，得到多个侦察信息；
计算每个所述轨迹参数值之间的差值，得到多个轨迹信息；
任取一个所述侦察信息作为待判断的侦察信息；
任取一个所述轨迹信息作为待判断的轨迹信息；
若所述待判断的侦察信息大于预设的侦察信息阈值，则将所述待判断的侦察信息写入至目标侦察信息中；
若所述待判断的轨迹信息大于预设的轨迹信息阈值，则将所述待判断的轨迹信息写入至目标轨迹信息中。
4.根据权利要求1所述的船舶航行意图获取方法，其特征在于，所述多个预设的映射表至少包括：预设的目标雷达信息映射表、预设的目标侦察信息映射表以及预设的目标轨迹信息映射表，所述航行意图信息至少包括：雷达航行意图信息、侦察航行意图信息以及航行轨迹意图信息，所述将所述目标雷达信息、目标侦察信息以及目标轨迹信息通过预设的映射表计算得到多个对应的航行意图信息的步骤具体包括：
获取预设的目标雷达信息映射表、预设的目标侦察信息映射表以及预设的目标轨迹信息映射表；
通过所述预设的目标雷达信息映射表以及所述目标雷达信息计算雷达航行意图信息；
通过所述预设的目标侦察信息映射表以及所述侦察航行意图信息计算侦察航行意图信息；
通过所述预设的目标轨迹信息映射表以及所述目标轨迹信息计算航行轨迹意图信息。
5.根据权利要求4所述的船舶航行意图获取方法，其特征在于，所述加权求和所述多个对应的意图信息，得到船舶的航行意图信息的步骤具体包括：
获取预设的雷达意图权重、预设的侦查信息权重以及航行轨迹意图权重；
将所述预设的雷达权重乘以所述雷达航行意图信息，得到雷达加权信息；
将所述预设的侦察权重乘以所述目标侦察信息，得到侦察加权信息；
将所述预设的轨迹权重乘以所述航行轨迹意图信息，得到轨迹加权信息；
求和所述雷达加权信息、所述侦察加权信息以及所述轨迹加权信息，得到船舶的航行意图信息。
6.根据权利要求1-5中任一项所述的船舶航行意图获取方法，其特征在于，所述将所述多张按时刻顺序排序的待处理的航行卫星图像输入至训练好的卷积神经网络模型，得到目标侦察信息以及目标轨迹信的步骤之前，还包括：
获取多个训练数据以及所述训练数据所对应的标注标签；
将所述训练数据以及所述对应的标注标签输入至所述初始卷积神经网络模型；
将所述初始卷积神经网络模型通过
Figure FDA0003269238270000031
训练，得到训练好的卷积神经网络模型，
Figure FDA0003269238270000032
代表根据所述训练好的卷积神经网络模型的多层感知器中第n-1层的输出，训练所述训练好的卷积神经网络模型的多层感知器中第n层中第k个神经元得到的权值，
Figure FDA0003269238270000033
表示
Figure FDA0003269238270000034
相应的偏置，
Figure FDA0003269238270000035
表示第i个训练数据输入至所述训练好的卷积神经网络模型后，在所述训练好的卷积神经网络模型模型的第n层的输出，i为任意正整数，n为自然数，当n为所述目标神经网络模型的最后一层时，
Figure FDA0003269238270000036
是指所述训练好的卷积神经网络模型的输出，
Figure FDA0003269238270000037
表示第i个训练数据输入至所述训练好的卷积神经网络模型后，在所述目标神经网络模型的第n-1层的输出；
部署所述训练好的卷积神经网络模型。
7.根据权利要求1所述的船舶航行意图获取方法，其特征在于，所述加权求和所述多个对应的意图信息，得到目标航行意图信息的步骤之后，还包括：
将所述目标航行意图信息按数值大小进行降序排序。
8.一种船舶航行意图获取装置，其特征在于，包括：
卫星图像获取模块，用于获取多张按时刻顺序排序的待处理的航行卫星图像；
图像信息分析模块，用于将所述多张按时刻顺序排序的待处理的航行卫星图像输入至训练好的卷积神经网络模型，得到目标侦察信息以及目标轨迹信息；
雷达信息获取模块，用于获取每个所述目标轨迹信息对应的目标雷达信息；
航行意图信息获取模块，用于将所述目标雷达信息、目标侦察信息以及目标轨迹信息通过对应的预设映射表计算得到多个对应的航行意图信息；
加权求和模块，用于加权求和所述多个对应的意图信息，得到目标航行意图信息。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的船舶航行意图获取方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的船舶航行意图获取方法的步骤。
CN202111097054.0A 2021-09-18 2021-09-18 船舶航行意图获取方法、装置、计算机设备及存储介质 Pending CN113850838A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111097054.0A CN113850838A (zh) 2021-09-18 2021-09-18 船舶航行意图获取方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111097054.0A CN113850838A (zh) 2021-09-18 2021-09-18 船舶航行意图获取方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN113850838A true CN113850838A (zh) 2021-12-28

Family

ID=78974543

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111097054.0A Pending CN113850838A (zh) 2021-09-18 2021-09-18 船舶航行意图获取方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN113850838A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114898222A (zh) * 2022-04-21 2022-08-12 中国人民解放军91977部队 一种舰船目标航迹识别方法及装置
CN115205706A (zh) * 2022-08-17 2022-10-18 数字太空(北京)科技股份公司 遥感数据获取方法、装置、电子设备和计算机可读介质
CN116578569A (zh) * 2023-07-12 2023-08-11 成都国恒空间技术工程股份有限公司 卫星时空轨迹数据关联分析方法
CN117077003A (zh) * 2023-08-16 2023-11-17 中国船舶集团有限公司第七〇九研究所 一种分布式目标意图识别方法及系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114898222A (zh) * 2022-04-21 2022-08-12 中国人民解放军91977部队 一种舰船目标航迹识别方法及装置
CN114898222B (zh) * 2022-04-21 2024-01-02 中国人民解放军91977部队 一种舰船目标航迹识别方法及装置
CN115205706A (zh) * 2022-08-17 2022-10-18 数字太空(北京)科技股份公司 遥感数据获取方法、装置、电子设备和计算机可读介质
CN116578569A (zh) * 2023-07-12 2023-08-11 成都国恒空间技术工程股份有限公司 卫星时空轨迹数据关联分析方法
CN116578569B (zh) * 2023-07-12 2023-09-12 成都国恒空间技术工程股份有限公司 卫星时空轨迹数据关联分析方法
CN117077003A (zh) * 2023-08-16 2023-11-17 中国船舶集团有限公司第七〇九研究所 一种分布式目标意图识别方法及系统
CN117077003B (zh) * 2023-08-16 2024-04-23 中国船舶集团有限公司第七〇九研究所 一种分布式目标意图识别方法及系统

Similar Documents

Publication Publication Date Title
CN110472627B (zh) 一种端到端的sar图像识别方法、装置及存储介质
CN113850838A (zh) 船舶航行意图获取方法、装置、计算机设备及存储介质
CN107563433B (zh) 一种基于卷积神经网络的红外小目标检测方法
CN111460968B (zh) 基于视频的无人机识别与跟踪方法及装置
CN109002755B (zh) 基于人脸图像的年龄估计模型构建方法及估计方法
Wang et al. Clutter-adaptive infrared small target detection in infrared maritime scenarios
Nguyen et al. Satellite image classification using convolutional learning
CN111047088A (zh) 预测图像获取方法、装置、计算机设备和存储介质
CN113919401A (zh) 基于星座图特征的调制类型识别方法、装置、计算机设备
CN109543716B (zh) 一种基于深度学习的k线形态图像识别方法
CN116935368A (zh) 深度学习模型训练方法、文本行检测方法、装置及设备
CN116052206A (zh) 融合视觉显著性的鸟类识别方法和系统
Nayan et al. Real time multi-class object detection and recognition using vision augmentation algorithm
CN115311680A (zh) 人体图像质量检测方法、装置、电子设备及存储介质
US11280899B2 (en) Target recognition from SAR data using range profiles and a long short-term memory (LSTM) network
CN114936395A (zh) 一种户型图识别方法、装置、计算机设备及存储介质
CN114821777A (zh) 一种手势检测方法、装置、设备及存储介质
CN113963178A (zh) 地空背景下红外弱小目标检测方法、装置、设备及介质
CN113569912A (zh) 车辆识别方法、装置、电子设备及存储介质
Zhuang et al. Image processing and deep normalized CNN for the location measurement and reading distance prediction of RFID multi-tags
Li et al. SAR object detection with a saliency method based on PCA and global contrast
He et al. Adaptive multi-scale tracking target algorithm through drone
Gizatullin et al. Automatic car license plate detection based on the image weight model
CN111815658A (zh) 一种图像识别方法及装置
Yang et al. Optimization Algorithm of Moving Object Detection Using Multiscale Pyramid Convolutional Neural Networks

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