CN114676771A - 一种基于自监督和相似度抑制的在线目标检测提升算法 - Google Patents
一种基于自监督和相似度抑制的在线目标检测提升算法 Download PDFInfo
- Publication number
- CN114676771A CN114676771A CN202210284288.4A CN202210284288A CN114676771A CN 114676771 A CN114676771 A CN 114676771A CN 202210284288 A CN202210284288 A CN 202210284288A CN 114676771 A CN114676771 A CN 114676771A
- Authority
- CN
- China
- Prior art keywords
- similarity
- suppression
- detection
- label
- class
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
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)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于自监督和相似度抑制的在线目标检测提升算法,包括以下步骤:采集仿真环境下无人艇获取的海平面目标的图像样本,并将采集的图像样本分为有标签样本集和无标签样本集;对无标签样本集中的每一个无标签样本进行数据增强,利用增强后的无标签样本和相似度抑制后的伪标签,对初始训练后的模型进行在线提升训练,经过在线提升训练后,得到检测精度提升的模型;将待检测图片输入到检测精度提升的模型中,实现在线目标检测。本发明可以利用大量无标签样本提升仅利用少量有标签样本训练的模型的检测精度,充分发挥了无标签样本集在目标检测任务中的作用,提升了模型的性能,进而在实际应用中能够对目标进行高精度检测。
Description
技术领域
本发明属于图像处理领域,具体涉及一种基于自监督和相似度抑制的在线目标检测提升算法。
背景技术
目标检测是在图像中检测可能存在的目标类别及其坐标信息,是图像处理、计算机视觉领域的基础任务。在基于深度学习的监督学习模式下,目标检测模型的训练过程需要大量的有标签样本,每个样本需要人工为其标注各个目标的坐标信息和类别信息。然而,形成这种大规模的有标签样本需要大量的人力物力,并且耗时巨大,成本高,所以往往仅能获得少量的有标签样本以及大量的无标签样本。而大量无标签样本因为缺少标签信息故无法参与模型训练,模型只能依靠少量有标签样本进行训练,造成检测性能低下,达不到实际应用的水平,也造成了资源浪费。因此,为了解决以上问题,在线目标检测提升算法近年来获得了更广泛的关注和研究。它可以描述为,通过算法对大量无标签样本的信息进行挖掘,从而提升少量的有标签样本训练的目标检测模型性能。目前,其在一些场景复杂中,而有标签样本数量有限的目标检测应用领域,例如自动驾驶、智能监控,城市规划,海上无人艇作业系统中等获得了广泛的发展和应用。
近年来,针对如何利用无标签样本来提升目标检测模型性能的问题,目前有以下两种解决方法:
(1)基于一致性损失的在线目标检测提升算法:通过数据增强等方式对无标签样本进行扰动,约束模型对于增强前后数据预测的结果到达一致的方式来提升模型对无标签样本的鲁棒性和泛化性,过程中结合有标签样本来约束模型能够具有有效预测。最后通过有标签和无标签样本结合的方式来训练性能更好的检测模型。例如CSD(Jeong J,Lee S,Kim J,et al.Consistency-based semi-supervised learning for object detection[J].Advances in neural information processing systems,2019,32:10759-10768.),ISD(Jeong J,Verma V,Hyun M,et al.Interpolation-based semi-supervised learningfor object detection[C]//Proceedings of the IEEE/CVF Conference on ComputerVision and Pattern Recognition.2021:11602-11611.)。由于此种方式需要混合原有标签样本进行训练,达不到对模型的在线提升的目的。
(2)基于自监督学习的在线目标检测提升算法。自监督学习是利用辅助任务从无标签的数据中挖掘大量自身的信息。通过这种构造的监督信息对网络进行训练,从而可以学习到对下游任务有价值的表征。其方法是使用有标签样本进行模型训练,无标签样本进行模型更新,在迭代中提高模型性能和识别精度。基于自监督学习的在线目标检测提升算法可以描述为:首先利用少量有标签样本训练离线模型,并利用离线模型对无标签样本进行伪标签标注,通过数据增强等方式对无标签样本进行扰动,约束模型利用其伪标签和扰动后的数据进行训练,在线提升目测检测模型的性能。例如STAC(Sohn K,Zhang Z,Li C L,et al.A simple semi-supervised learning framework for object detection[J].arXiv preprint arXiv:2005.04757,2020.),Unbiased Teacher(Liu Y C,Ma C Y,He Z,et al.Unbiased teacher for semi-supervised object detection[J].arXiv preprintarXiv:2102.09480,2021.)。
以上两种方法均是仅对无标签的样本施加扰动来进行在线提升训练,从而提高目标检测模型的识别精度。但是它们缺乏提高伪标签的准确性的过程。由于伪标签中存在大量漏检和错检结果,其会造成在线提升训练迭代过程中出现有偏训练,造成目标检测模型的性能低下,并容易造成模型坍塌,训练过程被困难样本或者错误伪标签主导。在一些实际场景应用中,例如,在无人艇协同系统中,水面无人艇集群在复杂海洋环境中遂行使命任务时,由于舰船等海面目标在天气、海况、光照等各种条件因素共同作用下,可以获取的有标签样本较少,困难样本较多,上述方法难以提取高质量伪标签,伪标签的准确性需要进一步提高来满足在线提升训练,从而实现对目标的高精度检测。
发明内容
本发明的目的在于提供一种基于自监督和相似度抑制的在线目标检测提升算法,解决了现有技术中存在的实际应用过程中大量无标签样本因为缺少标签信息而无法利用进行模型训练,从而造成资源浪费,并使得模型检测精度低下,无法应用到实际场景的问题。
为了达到上述目的,本发明采用的技术方案为:
一种基于自监督和相似度抑制的在线目标检测提升算法,包括以下步骤:
(1)采集仿真环境下无人艇获取的海平面目标的图像样本,并将采集的图像样本分为有标签样本集和无标签样本集;对无标签样本集中的每一个无标签样本进行数据增强,利用增强后的无标签样本和相似度抑制后伪标签,对初始训练后的模型进行在线提升训练,经过在线提升训练后,得到检测精度提升的模型;
(2)将待检测图片输入到检测精度提升的模型中,实现在线目标检测。
步骤1,采集仿真环境下无人艇获取的海平面目标的图像样本,并将采集的图像样本分为有标签样本集S和无标签样本集U;利用有标签样本集S对两阶段目标检测模型F进行初始训练,得到初始训练后的模型F′;
本发明进一步的改进在于,步骤1中,初始训练时的总损失ls为:
其中,Lcls为类别损失函数,Lreg为位置损失函数,xs为有标签样本集S中的一张图像样本,p*为图像中目标的类别标签,t*为其位置标签,b是目标真实框的索引,i是anchor的索引,pi是第i个anchor预测出有目标的概率值,是第i个anchor相对于第b个真实框的二值标签,ti是第i个anchor预测出的坐标值,是第b个真实框的位置标签,是初始训练过程中正负采样点的总个数,仅为正采样点的个数,λ1为初始训练时回归损失所占的比重。
本发明进一步的改进在于,步骤2的具体过程为:
步骤2.1:利用模型F′对无标签样本集U中每个无标签样本xu进行推理,得到每个无标签样本xu对应的伪标签Pu;
本发明进一步的改进在于,步骤2.3的具体过程如下:
本发明进一步的改进在于,步骤2.4的具体步骤为:
步骤2.4.1:根据步骤1中的有标签样本集S,提取第k类目标的均值图像块,记为Mk(S);
步骤2.4.3:第k类的检测的位置结果包括若干位置结果对于中的每一个剪裁无标签样本xu,获得对应区域的图像区域通过插值等方法伸缩图像区域到固定尺度,计算固定尺度后的图像区域与第k类目标的均值图像块Mk(S)的相似度,若相似度大小小于相似度阈值πk,则从中去除
本发明进一步的改进在于,步骤(1)中的数据增强方式为颜色变换、左右翻转或尺度变化。
本发明进一步的改进在于,对初始训练后的模型F′进行在线提升训练时的在线提升训练损失lu为:
其中,Lcls为类别损失函数,Lreg为位置损失函数,为中的类别标签,为中的位置标签,b是真实框的索引,i是anchor的索引,ci是第i个anchor预测的类别概率,是中第i个anchor对应第b个真实框的类别标签,ti是第i个anchor预测的位置,是中第b个真实框的位置标签,是第i个anchor相对于第b个真实框的二值标签,是在线提升训练过程中正负采样点的总个数,仅为正采样点的个数,λ2是在线提升训练时回归损失所占的比重。
与现有技术相比,本发明具有的有益效果:
本发明可以利用大量无标签样本提升仅利用少量有标签样本训练的模型的检测精度,充分发挥了无标签样本集在目标检测任务中的作用,提升了模型的性能,进而提升在线目标检测精度,解决了实际应用过程中,仅能利用少量有标签样本集训练从而导致目标检测精度低的问题。
进一步的,本发明提出的动态置信度抑制算法能够动态调整置信度抑制阈值,由于在线提升训练迭代初期,检测能力有限,存在大量确定性较小的伪标签,此时需使用低阈值来留下大部分正确的伪标签,后期模型检测能力提升,阈值动态提高,有利于过滤错误伪标签,提高伪标签质量,有利于模型在线提升训练过程。
进一步的,本发明使用的非极大值抑制算法能够在在线提升训练过程中,去除重叠率较高的重复预测框,过滤质量较低的伪标签,防止质量较低的伪标签在在线提升训练过程中对模型产生误导信息。
进一步的,本发明提出的相似度抑制算法能够挖掘同类检测结果的特征相似度,去除相似度较低的困难样本,提高在线提升训练迭代过程中的伪标签的质量,保证在线提升训练时的预测的伪标签的正确性和稳定性。
附图说明
图1为本发明的流程图。
图2为本发明中两阶段目标检测模型Faster R-CNN网络结构图。
图3为本发明在仿真数据集在线目标检测提升任务上的检测效果图。
具体实施方式
下面结合附图,对本发明进一步详细说明。
步骤1,采集仿真环境下无人艇获取的海平面目标的图像样本,并将采集的图像样本分为有标签样本集S和无标签样本集U。利用有标签样本集S对两阶段目标检测模型F进行初始训练,两阶段目标检测模型F获得一定的检测精度(例如检测精度达到70%以上)后停止训练,得到两阶段目标检测模型F经过初始训练后的模型F′。
优选地,步骤1中的两阶段目标检测模型F是Faster R-CNN(Ren S,He K,GirshickR,et al.Faster r-cnn:Towards real-time object detection with region proposalnetworks[J].Advances in neural information processing systems,2015,28:91-99.),其初始训练时的总损失ls为:
其中,总损失ls包含类别损失和位置损失,Lcls为类别损失函数,即交叉熵函数,Lreg为位置损失函数,即Smooth-L1函数。xs为有标签样本集S中的一张图像样本,p*为图像中目标的类别标签,t*为其位置标签。具体地,b是目标真实框的索引,i是anchor的索引。pi是第i个anchor预测出有目标的概率值,是第i个anchor相对于第b个真实框的二值标签,ti是第i个anchor预测出的坐标值。是第b个真实框的位置标签。是初始训练过程中正负采样点的总个数,仅为正采样点的个数,λ1为初始训练时回归损失所占的比重。
步骤2,对于无标签样本集U中每个无标签样本xu,利用模型F′对无标签样本xu进行伪标签预测,并依次通过动态置信度抑制算法、非极大值抑制算法以及相似度抑制算法,得到无标签样本xu对应的相似度抑制伪标签具体包含以下步骤:
步骤2.1:利用模型F′对每个无标签样本xu进行推理,得到每个无标签样本xu对应的伪标签Pu。
步骤2.4.1:根据步骤1中的有标签样本集S,提取其第k类目标的均值图像块,记为Mk(S)。
步骤2.4.3:包括若干对于中的每一个剪裁无标签样本xu获得对应区域的图像区域通过插值等方法伸缩图像区域到固定尺度,计算固定尺度后的图像区域与第k类目标的均值图像块Mk(S)的相似度,若相似度大小小于相似度阈值πk,则从中去除
步骤3,对无标签样本集U中的每一个无标签样本xu进行数据增强,利用增强后的无标签样本xu和步骤2获得的其对应的相似度抑制后伪标签对初始训练后的模型F′进行在线提升训练,经过在线提升训练E轮后,得到检测精度提升的模型F″。模型F″是利用无标签样本集U对进行初始训练的模型F′进行提升训练后的模型,充分发挥了无标签样本集U在目标检测任务中的作用,F″的检测精度将优于仅用有标签样本集S进行初始训练的模型F′,解决了实际应用过程中,仅能利用少量有标签样本集S训练从而导致目标检测模型性能较差的问题。
优选地,步骤3中的数据增强方式为颜色变换、左右翻转、尺度变化等方式,对于无标签样本xu,记增强后的样本为A(xu),A为数据增强方式。利用A(xu)和对初始训练后的模型F′进行在线提升训练时的在线提升训练损失li为:
其中,在线提升训练损失lu包含在线训练类别损失和在线训练位置损失,Lcls为类别损失函数,即交叉熵函数,Lreg为位置损失函数,即Smooth-L1函数。为中的类别标签,为中的位置标签。b是真实框的索引,i是anchor的索引。ci是第i个anchor预测的类别概率,是中第i个anchor对应第b个真实框的类别标签。ti是第i个anchor预测的位置,是中第b个真实框的位置标签。是第i个anchor相对于第b个真实框的二值标签,是在线提升训练过程中正负采样点的总个数,仅为正采样点的个数,λ2是在线提升训练时回归损失所占的比重。
步骤4,将待检测图片输入到检测精度提升的模型F″中,实现高精度的目标在线检测任务。
实施例1
如图1所示,一种基于自监督和相似度抑制的在线目标检测提升算法,包括以下步骤:
步骤1,将仿真环境下无人艇获取的海平面目标的数据集划分训练集、验证集和测试集。海平面目标包括商船、浮漂与渔船三类。按照训练集0.75、验证集0.2、测试集0.05进行随机划分。再从训练集中划分有标签样本集S和无标签样本集U,S和U中所包含的样本量的比值为1:3。搭建两阶段目标检测模型Faster R-CNN,记为F。
搭建过程如图2所示,F共分为二十二层,依次为卷积层1-2、池化层1、卷积层5-7、池化层2、卷积层8-10、池化层3、卷积层11-13、RPN候选框提取层、ROI候选框区域特征提取层、全连接层1-2、分类回归层。其中,各个深度卷积核池化层的参数为:输入的二维图像的通道数为3,分辨率为600*600。卷积层1-2的卷积核大小为3*3,输出的通道数为64。卷积层3-4的卷积核大小为3*3,输出的通道数为128。卷积层5-7的卷积核大小为3*3,输出的通道数为256。卷积层8-13的卷积核大小为3*3,输出的通道数为512。池化层1-4的池化范围为2*2。RPN候选框提取层中的分类层特征图的分辨率为38*38,通道数为18。回归层特征图的分辨率为38*38,通道数为36。ROI池化层的特征图分辨率为7*7,通道数为512。全连接层1-2的特征图通道数均为4096。分类回归层中的分类层特征图的通道数为4,回归层特征图的通道数为4。
利用有标签样本集S对F进行初始训练,其初始训练时的总损失ls为: 其中,总损失ls包含类别损失和位置损失,Lcls为类别损失函数,即交叉熵函数,Lreg为位置损失函数,即Smooth-L1函数。xs为有标签样本集S中的一张图像样本,p*为图像中目标的类别标签,t*为其位置标签。具体地,b是目标真实框的索引,i是anchor的索引。pi是第i个anchor预测出有目标的概率值,是第i个anchor相对于第b个真实框的二值标签,ti是第i个anchor预测出的坐标值。是第b个真实框的位置标签。是初始训练过程中正负采样点的总个数,仅为正采样点的个数,λ1为初始训练时回归损失所占的比重,取值为1。
在F获得一定的检测精度后停止初始训练,例如检测精度达到70%以上,此步骤得到模型F经过初始训练后的模型F′。
步骤2,对于无标签样本集U中每个无标签样本xu,依次进行如下步骤:
步骤2.1:利用模型F′首先对xu进行推理,得到每个无标签样本xu对应的伪标签Pu。
步骤2.4.1:根据步骤1中的有标签样本集S,提取其第k类目标的均值图像块,记为Mk(S)。
步骤2.4.3:包括若干对于中的每一个剪裁无标签样本xu获得对应区域的图像区域通过插值等方法伸缩图像区域到固定尺度,计算固定尺度后的图像区域与第k类目标的均值图像块Mk(S)的相似度,相似度采用余弦相似度,若相似度大小小于相似度阈值πk,πk=0.3,则从中去除
步骤3,对无标签样本集U中的每一个无标签样本xu进行数据增强,利用增强后的无标签样本xu和步骤2获得的其对应的相似度抑制后伪标签对初始训练后的模型F′进行在线提升训练,经过在线提升训练E轮后,得到检测精度提升的模型F″。
在线提升训练的损失为: 其中,在线提升训练损失lu包含在线训练类别损失和在线训练位置损失,Lcls为类别损失函数,即交叉熵函数,Lreg为位置损失函数,即Smooth-L1函数。为中的类别标签,为中的位置标签。b是真实框的索引,i是anchor的索引。ci是第i个anchor预测的类别概率,是中第i个anchor对应第b个真实框的类别标签。ti是第i个anchor预测的位置,是中第b个真实框的位置标签。是第i个anchor相对于第b个真实框的二值标签,是在线提升训练过程中正负采样点的总个数,仅为正采样点的个数,λ2是在线提升训练时回归损失所占的比重。
步骤4,将待检测图片输入到检测精度提升的模型F″中,实现高精度的目标检测任务。
本实施例的效果可以进一步通过以下实验验证:
1.实验硬件平台条件:Intel CPU i7-9700,内存为32GB,显卡为NVIDIA GTX-1080Ti。软件条件:机器学习框架PyTorch1.1。
2.实验内容和结果:
2.1实验样本:海上无人艇获取的仿真数据集,包含商船、浮漂以及渔船三类。
2.2实验内容:分别基于现有技术Faster R-CNN的训练算法和本发明提出的基于自监督和相似度抑制的在线提升算法对进行海上无人艇获取的仿真数据集模型训练,并对比两种算法下目标检测模型的检测精度,即三类目标的AP及平均AP。
2.3实验基本超参数设置,参见表2:
表2设置的基本参数
超参数 | 值 |
批量大小 | 4 |
输入图像基本尺寸 | 600*600 |
最大轮数 | 35 |
预训练参数模型 | VGG16 |
优化器 | SGD |
学习率 | 0.001 |
衰减 | 20/25轮 |
2.4实验结果参见表3:
表3实验结果
实验验证结果表明,利用本发明的在线提升训练算法可以利用大量无标签样本进一步提升仅利用少量有标签样本训练的模型的检测精度,部分检测结果如图3所示。本发明充分发挥了无标签样本集在目标检测任务中的作用,解决了实际应用过程中,仅能利用少量有标签样本集S训练从而导致目标检测模型性能较差的问题。
Claims (9)
1.一种基于自监督和相似度抑制的在线目标检测提升算法,其特征在于,包括以下步骤:
(1)采集仿真环境下无人艇获取的海平面目标的图像样本,并将采集的图像样本分为有标签样本集和无标签样本集;对无标签样本集中的每一个无标签样本进行数据增强,利用增强后的无标签样本和相似度抑制后伪标签,对初始训练后的模型进行在线提升训练,经过在线提升训练后,得到检测精度提升的模型;
(2)将待检测图片输入到检测精度提升的模型中,实现在线目标检测。
6.根据权利要求4所述的一种基于自监督和相似度抑制的在线目标检测提升算法,其特征在于,步骤2.3的具体过程如下:
7.根据权利要求5所述的一种基于自监督和相似度抑制的在线目标检测提升算法,其特征在于,步骤2.4的具体步骤为:
步骤2.4.1:根据步骤1中的有标签样本集S,提取第k类目标的均值图像块,记为Mk(S);
步骤2.4.3:第k类的检测的位置结果包括若干位置结果对于中的每一个剪裁无标签样本xu,获得对应区域的图像区域通过插值等方法伸缩图像区域到固定尺度,计算固定尺度后的图像区域与第k类目标的均值图像块Mk(S)的相似度,若相似度大小小于相似度阈值πk,则从中去除
8.根据权利要求1所述的一种基于自监督和相似度抑制的在线目标检测提升算法,其特征在于,步骤(1)中的数据增强方式为颜色变换、左右翻转或尺度变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210284288.4A CN114676771A (zh) | 2022-03-22 | 2022-03-22 | 一种基于自监督和相似度抑制的在线目标检测提升算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210284288.4A CN114676771A (zh) | 2022-03-22 | 2022-03-22 | 一种基于自监督和相似度抑制的在线目标检测提升算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114676771A true CN114676771A (zh) | 2022-06-28 |
Family
ID=82074496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210284288.4A Pending CN114676771A (zh) | 2022-03-22 | 2022-03-22 | 一种基于自监督和相似度抑制的在线目标检测提升算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114676771A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116665095A (zh) * | 2023-05-18 | 2023-08-29 | 中国科学院空间应用工程与技术中心 | 一种运动舰船检测方法、系统、存储介质和电子设备 |
-
2022
- 2022-03-22 CN CN202210284288.4A patent/CN114676771A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116665095A (zh) * | 2023-05-18 | 2023-08-29 | 中国科学院空间应用工程与技术中心 | 一种运动舰船检测方法、系统、存储介质和电子设备 |
CN116665095B (zh) * | 2023-05-18 | 2023-12-22 | 中国科学院空间应用工程与技术中心 | 一种运动舰船检测方法、系统、存储介质和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919108B (zh) | 基于深度哈希辅助网络的遥感图像快速目标检测方法 | |
CN111563473B (zh) | 基于密集特征融合和像素级注意力的遥感舰船识别方法 | |
CN114581782B (zh) | 一种基于由粗到精检测策略的细微缺陷检测方法 | |
CN112418108B (zh) | 一种基于样本重加权的遥感图像多类目标检测方法 | |
CN112052817A (zh) | 基于迁移学习的改进YOLOv3模型侧扫声纳沉船目标自动识别方法 | |
CN110610165A (zh) | 一种基于yolo模型的船舶行为分析方法 | |
CN111145145A (zh) | 一种基于MobileNets的图像表面缺陷检测方法 | |
CN114821358A (zh) | 光学遥感图像海上舰船目标提取与识别方法 | |
Ma et al. | Intelligent detection model based on a fully convolutional neural network for pavement cracks | |
Li et al. | An improved categorical cross entropy for remote sensing image classification based on noisy labels | |
CN116977710A (zh) | 一种遥感图像长尾分布目标半监督检测方法 | |
CN116977633A (zh) | 地物要素分割模型训练方法、地物要素分割方法及装置 | |
CN114676771A (zh) | 一种基于自监督和相似度抑制的在线目标检测提升算法 | |
CN115115863A (zh) | 水面多尺度目标检测方法、装置及系统和存储介质 | |
CN111461121A (zh) | 一种基于yolov3网络的电表示数识别方法 | |
CN111461006A (zh) | 一种基于深度迁移学习的光学遥感图像杆塔位置检测方法 | |
CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
CN114565824A (zh) | 基于全卷积网络的单阶段旋转舰船检测方法 | |
Shustanov et al. | A Method for Traffic Sign Recognition with CNN using GPU. | |
CN113344148A (zh) | 一种基于深度学习的海上舰船目标识别方法 | |
CN113129336A (zh) | 一种端到端多车辆跟踪方法、系统及计算机可读介质 | |
CN111179278B (zh) | 一种图像检测的方法、装置、设备和存储介质 | |
CN112580509B (zh) | 逻辑推理式道面检测方法及系统 | |
CN115330705A (zh) | 一种基于自适应加权模板ncc的蒙皮漆面缺陷检测方法 | |
CN115376023A (zh) | 基于形变卷积网络的养殖区域检测方法、无人机、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 |