CN114463620A - 基于YOLOv5的侧扫声呐海洋底质识别方法及装置 - Google Patents
基于YOLOv5的侧扫声呐海洋底质识别方法及装置 Download PDFInfo
- Publication number
- CN114463620A CN114463620A CN202210096743.8A CN202210096743A CN114463620A CN 114463620 A CN114463620 A CN 114463620A CN 202210096743 A CN202210096743 A CN 202210096743A CN 114463620 A CN114463620 A CN 114463620A
- Authority
- CN
- China
- Prior art keywords
- model
- yolov5
- substrate
- scan sonar
- ocean
- 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
- G06F18/21—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
- 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
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)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (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)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于YOLOv5的侧扫声呐海洋底质识别方法及装置,所述方法包括:获取基于侧扫声呐的海洋底质原始数据,通过解析重构后得到基于侧扫声呐的海洋底质图像;根据海洋底质类型标注数据集;构建基于YOLOv5目标识别算法的海洋底质识别模型,并进行模型训练;所述海洋底质识别模型加入多种不同的网络模型变体;在模型训练过程中,加入多尺度训练方法;加入迁移学习方法;采用Adam优化函数替代SGD优化函数;利用训练后的模型对待检测的海洋底质图像进行识别,得到识别结果。本发明可以对视频文件达到实时目标检测的效果,提高了检测效率,有助于实际的海洋探测相关工作的开展。
Description
技术领域
本发明涉及计算机视觉技术领域,特别涉及一种基于YOLOv5的侧扫声呐海洋底质识别方法及装置。
背景技术
为了更好地了解海洋,更有效地勘探和开发海洋资源,全面地了解海底地形地貌是必不可少的,而如何自动有效地获取海洋地形地貌信息,并识别出不同的海洋底质类型,成了目前海洋资源开发、海上作业环境信息保障的重要问题。获取海洋地形地貌信息是进行海洋开发、海洋测绘、海洋物理探测、水下救援、航行安全研究、海洋军事工程实施等工作的基础,对国民经济发展和国家安全建设都具有重要的意义和价值。海底底质识别是海洋空间规划、海洋工程勘察、海洋生态环境测量和水下通信等领域的重要研究课题。
目前,收集海洋底质信息的侧扫声呐系统是海底测绘中最常用的方法之一。它也被称为“旁侧声呐”或者“海底地貌仪”,它的高探测效率和高分辨率的特点使得它在探测海底地形地貌方面具有独特的优势。作为一种主动声呐,它利用声波在海底的反向散射后的回波来获取海底的地形地貌信息,并构建海底地形地貌信息图像。
侧扫声呐系统向水中发送声波信号,然后从海底收集返回的信号。所得到的物体的凹凸、硬、软等特性可以通过回波信号得到反映,从而进一步重建海底地形图像。通常可以根据经验通过人工操作从声学图像中区分海洋底质的类型。然而,对于包括许多类型的海洋底质的大区域,人工识别耗时长、易疏漏,识别的效率较低。
发明内容
本发明的目的在于提供一种基于YOLOv5的侧扫声呐海洋底质识别方法及装置,以解决现有包括多类型的海洋底质的大区域中人工识别耗时长、易疏漏,识别的效率较低的问题。
为解决上述技术问题,本发明的实施例提供如下方案:
一方面,提供了一种基于YOLOv5的侧扫声呐海洋底质识别方法,包括以下步骤:
S101、获取基于侧扫声呐的海洋底质原始数据,通过解析重构后得到基于侧扫声呐的海洋底质图像;
S102、根据海洋底质类型标注数据集;
S103、构建基于YOLOv5目标识别算法的海洋底质识别模型,并进行模型训练;所述海洋底质识别模型加入多种不同的网络模型变体;
S104、在模型训练过程中,加入多尺度训练方法;
S105、在模型训练过程中,加入迁移学习方法;
S106、在模型训练过程中,采用Adam优化函数替代SGD优化函数;
S107、利用训练后的模型对待检测的海洋底质图像进行识别,得到识别结果。
优选地,所述海洋底质类型包括礁石类与沙坡类。
优选地,所述海洋底质识别模型加入四种网络模型变体,分别为:YOLOv5-S、YOLOv5-M、YOLOv5-L、YOLOv5-X四种模型变体;四种网络模型变体由网络层数参数和卷积核个数参数控制,通过调整上述两个参数,控制YOLOv5-S、YOLOv5-M、YOLOv5-L、YOLOv5-X四种网络模型变体的网络结构。
优选地,所述加入多尺度训练方法包括:
在输入训练前将待训练图片随机调整尺寸,预先固定尺寸变化参数为50%,并且每经过预定的迭代周期将随机改变尺寸。
优选地,所述加入迁移学习方法包括:
采用与基于侧扫声呐的海洋底质数据集具有很大差异的COCO数据集作为预处理数据集,通过异构迁移学习,将已经学习到的模型参数通过迁移共享到新模型中。
优选地,所述采用Adam优化函数替代SGD优化函数包括:
采用Adam优化函数替换默认的带Nesterov动量的SGD优化函数;相比于标准的SGD优化函数,Adam优化函数既考虑动量,同时考虑偏置修正。
优选地,所述利用训练后的模型对待检测的海洋底质图像进行识别包括:
所述模型包括Backbone层、Neck层和Head层;Backbone层为在不同图像细粒度上聚合并形成图像特征的卷积神经网络;Neck层为一系列混合和组合图像特征的网络层,并将图像特征传递到预测层;Head层对图像特征进行预测,生成目标检测框并预测目标类别。
优选地,所述识别结果包括:目标类别、目标位置和目标置信度;
其中,目标类别的标签共有两种,分别为礁石和沙坡,显示于目标检测框;目标位置信息由归一化坐标构成,通过目标检测框可视化展示;目标置信度显示于目标检测框上方。
一方面,提供了一种基于YOLOv5的侧扫声呐海洋底质识别装置,包括:
获取模块,用于获取基于侧扫声呐的海洋底质原始数据,通过解析重构后得到基于侧扫声呐的海洋底质图像,并根据海洋底质类型标注数据集;
模型构建及训练模块,用于构建基于YOLOv5目标识别算法的海洋底质识别模型,并进行模型训练;所述海洋底质识别模型加入多个不同的模型变体;并且在模型训练过程中,加入多尺度训练方法,加入迁移学习方法,采用Adam优化函数替代SGD优化函数;
识别模块,用于利用训练后的模型对待检测的海洋底质图像进行识别,得到识别结果。
一方面,提供了一种电子设备,所述电子设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线;其中,所述处理器、所述存储器通过所述总线完成相互间的通信;所述处理器用于调用所述存储器中的程序指令,以执行上述的基于YOLOv5的侧扫声呐海洋底质识别方法。
本发明实施例提供的技术方案带来的有益效果至少包括:
本发明的上述技术方案适用于基于侧扫声呐的海洋底质图像识别的版权保护,可以对基于侧扫声呐的海洋底质进行目标分类及定位,同时获取海洋底质目标的置信度,加快研究进程;可以对基于YOLOv5算法的面向侧扫声呐海洋底质图像识别模型进行效果提升,最大化利用小数据集;可以提高识别结果评价指标客观性,有效防止因小数据集而过于依赖测试集的现象发生;可以对视频文件达到实时目标检测的效果,提高了检测效率,有助于实际的海洋探测相关工作的开展。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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。
图1是本发明实施例提供的一种基于YOLOv5的侧扫声呐海洋底质识别方法的流程示意图;
图2是本发明实施例提供的一种基于YOLOv5的侧扫声呐海洋底质识别装置的结构示意图;
图3是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,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。基于本申请中的实施例,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,都属于本申请保护的范围。
本发明的实施例提供了一种基于YOLOv5的侧扫声呐海洋底质识别方法,如图1所示,所述方法包括以下步骤:
S101、获取基于侧扫声呐的海洋底质原始数据,通过解析重构后得到基于侧扫声呐的海洋底质图像。
本步骤中,获取待识别的侧扫声呐海洋底质原始文件数据,一般为XTF文件格式,将其使用侧扫声呐文件解析软件进行解析重构,生成基于侧扫声呐的海洋底质视频图像。
具体的,为了尽量避免采集到的样本中含有过多相似的正样本,本发明实施例中对重构的视频图像以每一百帧保存一帧的方式构建基于侧扫声呐的海洋底质图像数据集。
S102、根据海洋底质类型标注数据集。
本步骤中,所述海洋底质类型包括礁石类与沙坡类。
S103、构建基于YOLOv5目标识别算法的海洋底质识别模型,并进行模型训练;所述海洋底质识别模型加入多个不同的模型变体。
本步骤中,所述海洋底质识别模型加入四种网络模型变体,分别为:YOLOv5-S、YOLOv5-M、YOLOv5-L、YOLOv5-X四种模型变体;四种网络模型变体由网络层数参数和卷积核个数参数控制,通过调整上述两个参数,控制YOLOv5-S、YOLOv5-M、YOLOv5-L、YOLOv5-X四种网络模型变体的网络结构。其中YOLOv5-S为最轻量模型,具有相对较快的检测速度。
S104、在模型训练过程中,加入多尺度训练方法。
本步骤中,在输入训练前将待训练图片随机调整尺寸,预先固定尺寸变化参数为50%,并且每经过预定的迭代周期将随机改变尺寸,从而使网络有一定的适应能力。
S105、在模型训练过程中,加入迁移学习方法。
本步骤中,采用迁移学习方法缩短模型训练时间,加快损失值收敛速度。具体地,采用与基于侧扫声呐的海洋底质数据集具有很大差异的COCO数据集作为预处理数据集,通过异构迁移学习,将已经学习到的模型参数通过迁移共享到新模型中,加快和优化模型的学习效率,减少重复工作和对目标任务训练数据的依赖,提高模型的性能。
S106、在模型训练过程中,采用Adam优化函数替代SGD优化函数。
本步骤中,采用Adam优化函数替换默认的带Nesterov动量的SGD优化函数。相比于标准的SGD优化函数,Adam优化函数既考虑动量,同时考虑偏置修正,能够提升模型权重训练速度。
S107、利用训练后的模型对待检测的海洋底质图像进行识别,得到识别结果。
本步骤中,所述模型包括Backbone层、Neck层和Head层;Backbone层为在不同图像细粒度上聚合并形成图像特征的卷积神经网络;Neck层为一系列混合和组合图像特征的网络层,并将图像特征传递到预测层;Head层对图像特征进行预测,生成目标检测框并预测目标类别。
所述识别结果包括:目标类别、目标位置和目标置信度。
其中,目标类别的标签共有两种,分别为礁石和沙坡,显示于目标检测框;目标位置信息由归一化坐标构成,通过目标检测框可视化展示;目标置信度显示于目标检测框上方。
本发明的上述技术方案可以对基于侧扫声呐的海洋底质进行目标分类及定位,同时获取海洋底质目标的置信度,加快研究进程;可以对基于YOLOv5算法的面向侧扫声呐海洋底质图像识别模型进行效果提升,最大化利用小数据集;可以提高识别结果评价指标客观性,有效防止因小数据集而过于依赖测试集的现象发生;可以对视频文件达到实时目标检测的效果,提高了检测效率,有助于实际的海洋探测相关工作的开展。
相应地,本发明的实施例还提供了一种基于YOLOv5的侧扫声呐海洋底质识别装置,如图2所示,所述装置包括:
获取模块201,用于获取基于侧扫声呐的海洋底质原始数据,通过解析重构后得到基于侧扫声呐的海洋底质图像,并根据海洋底质类型标注数据集;
模型构建及训练模块202,用于构建基于YOLOv5目标识别算法的海洋底质识别模型,并进行模型训练;所述海洋底质识别模型加入多个不同的模型变体;并且在模型训练过程中,加入多尺度训练方法,加入迁移学习方法,采用Adam优化函数替代SGD优化函数;
识别模块203,用于利用训练后的模型对待检测的海洋底质图像进行识别,得到识别结果。具体地,识别后输出所述基于侧扫声呐的海洋底质图像数据中的沙坡与礁石的分类标签及位置。
本实施例的装置,可以用于执行图1所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
作为本发明的一种具体实现方式,所述基于侧扫声呐的海洋底质识别装置包括处理器和存储器,上述获取模块、模型构建及训练模块和识别模块封均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个参数或以上,通过调整内核参数来达到通过YOLOv5快速进行海洋底质识别分类和定位的目的。
本发明的实施例还提供了一种存储器,其上存储有程序,该程序被处理器执行时实现所述侧扫声呐海洋底质识别方法。
本发明的实施例还提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述侧扫声呐海洋底质识别方法。
本发明的实施例还提供了一种电子设备,如图3所示,该电子设备30包括至少一个处理器301、以及与处理器301连接的至少一个存储器302、总线303;其中,所述处理器301、所述存储器302通过所述总线303完成相互间的通信;处理器301用于调用所述存储器302中的程序指令,以执行上述的所述侧扫声呐海洋底质识别方法。
本发明是根据本申请实施例的方法、设备(系统)、计算机程序产品的流程图和/或方框图来描述的。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、嵌入式处理机或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。
在一个典型的配置中,设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。
计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。
因此,本申请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,本申请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。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于YOLOv5的侧扫声呐海洋底质识别方法,其特征在于,包括以下步骤:
S101、获取基于侧扫声呐的海洋底质原始数据,通过解析重构后得到基于侧扫声呐的海洋底质图像;
S102、根据海洋底质类型标注数据集;
S103、构建基于YOLOv5目标识别算法的海洋底质识别模型,并进行模型训练;所述海洋底质识别模型加入多种不同的网络模型变体;
S104、在模型训练过程中,加入多尺度训练方法;
S105、在模型训练过程中,加入迁移学习方法;
S106、在模型训练过程中,采用Adam优化函数替代SGD优化函数;
S107、利用训练后的模型对待检测的海洋底质图像进行识别,得到识别结果。
2.根据权利要求1所述的基于YOLOv5的侧扫声呐海洋底质识别方法,其特征在于,所述海洋底质类型包括礁石类与沙坡类。
3.根据权利要求1所述的基于YOLOv5的侧扫声呐海洋底质识别方法,其特征在于,所述海洋底质识别模型加入四种网络模型变体,分别为:YOLOv5-S、YOLOv5-M、YOLOv5-L、YOLOv5-X四种模型变体;四种网络模型变体由网络层数参数和卷积核个数参数控制,通过调整上述两个参数,控制YOLOv5-S、YOLOv5-M、YOLOv5-L、YOLOv5-X四种网络模型变体的网络结构。
4.根据权利要求1所述的基于YOLOv5的侧扫声呐海洋底质识别方法,其特征在于,所述加入多尺度训练方法包括:
在输入训练前将待训练图片随机调整尺寸,预先固定尺寸变化参数为50%,并且每经过预定的迭代周期将随机改变尺寸。
5.根据权利要求1所述的基于YOLOv5的侧扫声呐海洋底质识别方法,其特征在于,所述加入迁移学习方法包括:
采用与基于侧扫声呐的海洋底质数据集具有很大差异的COCO数据集作为预处理数据集,通过异构迁移学习,将已经学习到的模型参数通过迁移共享到新模型中。
6.根据权利要求1所述的基于YOLOv5的侧扫声呐海洋底质识别方法,其特征在于,所述采用Adam优化函数替代SGD优化函数包括:
采用Adam优化函数替换默认的带Nesterov动量的SGD优化函数;相比于标准的SGD优化函数,Adam优化函数既考虑动量,同时考虑偏置修正。
7.根据权利要求1所述的基于YOLOv5的侧扫声呐海洋底质识别方法,其特征在于,所述利用训练后的模型对待检测的海洋底质图像进行识别包括:
所述模型包括Backbone层、Neck层和Head层;Backbone层为在不同图像细粒度上聚合并形成图像特征的卷积神经网络;Neck层为一系列混合和组合图像特征的网络层,并将图像特征传递到预测层;Head层对图像特征进行预测,生成目标检测框并预测目标类别。
8.根据权利要求1所述的基于YOLOv5的侧扫声呐海洋底质识别方法,其特征在于,所述识别结果包括:目标类别、目标位置和目标置信度;
其中,目标类别的标签共有两种,分别为礁石和沙坡,显示于目标检测框;目标位置信息由归一化坐标构成,通过目标检测框可视化展示;目标置信度显示于目标检测框上方。
9.一种基于YOLOv5的侧扫声呐海洋底质识别装置,其特征在于,包括:
获取模块,用于获取基于侧扫声呐的海洋底质原始数据,通过解析重构后得到基于侧扫声呐的海洋底质图像,并根据海洋底质类型标注数据集;
模型构建及训练模块,用于构建基于YOLOv5目标识别算法的海洋底质识别模型,并进行模型训练;所述海洋底质识别模型加入多个不同的模型变体;并且在模型训练过程中,加入多尺度训练方法,加入迁移学习方法,采用Adam优化函数替代SGD优化函数;
识别模块,用于利用训练后的模型对待检测的海洋底质图像进行识别,得到识别结果。
10.一种电子设备,其特征在于,所述电子设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线;其中,所述处理器、所述存储器通过所述总线完成相互间的通信;所述处理器用于调用所述存储器中的程序指令,以执行如权利要求1至8中任一项所述的基于YOLOv5的侧扫声呐海洋底质识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210096743.8A CN114463620A (zh) | 2022-01-26 | 2022-01-26 | 基于YOLOv5的侧扫声呐海洋底质识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210096743.8A CN114463620A (zh) | 2022-01-26 | 2022-01-26 | 基于YOLOv5的侧扫声呐海洋底质识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114463620A true CN114463620A (zh) | 2022-05-10 |
Family
ID=81411773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210096743.8A Pending CN114463620A (zh) | 2022-01-26 | 2022-01-26 | 基于YOLOv5的侧扫声呐海洋底质识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114463620A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294832A (zh) * | 2022-07-06 | 2022-11-04 | 中国船舶重工集团公司第七一五研究所 | 一种声呐设备训练数据生成方法 |
CN116188964A (zh) * | 2023-01-09 | 2023-05-30 | 中国海洋大学 | 一种利用多波束图像进行海底滑坡实时识别的方法 |
CN117315453A (zh) * | 2023-11-21 | 2023-12-29 | 南开大学 | 一种基于水下声纳图像的水下小目标检测方法 |
-
2022
- 2022-01-26 CN CN202210096743.8A patent/CN114463620A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294832A (zh) * | 2022-07-06 | 2022-11-04 | 中国船舶重工集团公司第七一五研究所 | 一种声呐设备训练数据生成方法 |
CN115294832B (zh) * | 2022-07-06 | 2024-02-27 | 中国船舶重工集团公司第七一五研究所 | 一种声呐设备训练数据生成方法 |
CN116188964A (zh) * | 2023-01-09 | 2023-05-30 | 中国海洋大学 | 一种利用多波束图像进行海底滑坡实时识别的方法 |
CN116188964B (zh) * | 2023-01-09 | 2024-01-26 | 中国海洋大学 | 一种利用多波束图像进行海底滑坡实时识别的方法 |
CN117315453A (zh) * | 2023-11-21 | 2023-12-29 | 南开大学 | 一种基于水下声纳图像的水下小目标检测方法 |
CN117315453B (zh) * | 2023-11-21 | 2024-02-20 | 南开大学 | 一种基于水下声纳图像的水下小目标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114463620A (zh) | 基于YOLOv5的侧扫声呐海洋底质识别方法及装置 | |
André et al. | Listening to the deep: live monitoring of ocean noise and cetacean acoustic signals | |
CN110796048B (zh) | 一种基于深度神经网络的船舰目标实时检测方法 | |
CN110689134A (zh) | 执行机器学习过程的方法、装置、设备以及存储介质 | |
CN112819110A (zh) | 基于权重生成的增量式小样本目标检测方法及系统 | |
CN115424142A (zh) | 基于遥感影像的海岸线类型判别方法、装置、介质和设备 | |
CN112801227A (zh) | 一种台风识别模型的生成方法、装置、设备及存储介质 | |
Villar et al. | A framework for acoustic segmentation using order statistic-constant false alarm rate in two dimensions from sidescan sonar data | |
CN113358582B (zh) | 一种混凝土结构缺陷的检测方法、设备及介质 | |
Harrison et al. | The R package EchoviewR for automated processing of active acoustic data using Echoview | |
CN111814960B (zh) | 天气气候系统的识别方法、装置、存储介质及处理器 | |
CN113447902A (zh) | 一种基于机器学习的对海监视雷达目标识别方法 | |
CN114638996A (zh) | 基于对抗学习的模型训练方法、装置、设备和存储介质 | |
CN111583052A (zh) | 渔船轨迹追踪及渔情分析系统 | |
CN111736157B (zh) | 基于ppi数据的临近预报的预测方法及设备 | |
US11874407B2 (en) | Technologies for dynamic, real-time, four-dimensional volumetric multi-object underwater scene segmentation | |
Dahal et al. | Performance of different classification models on national coral reef monitoring dataset | |
CN113673589A (zh) | 基于边框距离度量的标签选择自适应增量检测方法及系统 | |
Shi et al. | Fast classification and detection of marine targets in complex scenes with YOLOv3 | |
Junger et al. | Object detection | |
Swartzman et al. | Modeling the distribution of fish schools in the Bering Sea: Morphological school identification | |
Fraser et al. | Artificial Interpretation: An Investigation into the Feasibility of Archaeologically Focused Seismic Interpretation via Machine Learning | |
CN115660027B (zh) | 一种支持小样本的多设备海域目标数据生成方法及系统 | |
CN117173549B (zh) | 复杂场景下合成孔径声纳图像多尺度目标检测方法及系统 | |
CN114413927B (zh) | 车道线拟合方法、电子设备及存储介质 |
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 |