CN114842196A - 一种雷达射频图像目标检测方法 - Google Patents

一种雷达射频图像目标检测方法 Download PDF

Info

Publication number
CN114842196A
CN114842196A CN202210493562.9A CN202210493562A CN114842196A CN 114842196 A CN114842196 A CN 114842196A CN 202210493562 A CN202210493562 A CN 202210493562A CN 114842196 A CN114842196 A CN 114842196A
Authority
CN
China
Prior art keywords
radio frequency
target
frequency image
radar radio
radar
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
CN202210493562.9A
Other languages
English (en)
Inventor
任桐炜
武港山
孙楚豪
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.)
Nanjing University
Original Assignee
Nanjing University
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 Nanjing University filed Critical Nanjing University
Priority to CN202210493562.9A priority Critical patent/CN114842196A/zh
Publication of CN114842196A publication Critical patent/CN114842196A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种雷达射频图像目标检测方法,针对雷达信号，首先进行预处理得到射频图像，然后进行特征增强，之后构建卷积神经网络和Transformer结合的模型，进行训练，最后经过基于热图的非极大值抑制算法得到目标检测结果。本发明使用卷积神经网络和Transformer结合的方法，可以对雷达射频图像的局部特征和全局特征进行提取，并能取得很好的效果。

Description

一种雷达射频图像目标检测方法
技术领域
本发明属于计算机图像处理技术领域，涉及雷达目标检测技术，具体为一种雷达射频图像目标检测方法。
背景技术
在计算机视觉领域中，目标检测是一项很重要的任务。通过目标检测技术，计算机可以识别出图像中需要识别的物体。当前，目标检测技术已经广泛应用于摄像头监控、自动驾驶、机器人导航等领域。
由于摄像头图像数据易获取、精度高，且容易打标签，当前目标检测的主要任务是摄像头图像数据。研究者们为此提出了很多方法，主要分为两类：二阶段检测器和一阶段检测器。二阶段检测器首先在图像中选出目标候选框，然后对候选框进行分类和定位；一阶段检测器通常直接将检测问题视为回归问题，预测图像像素作为目标及边界框的类别。
虽然摄像头图像数据有许多优势，但在强弱光环境、雨雾天、遮挡、模糊等情况下，不能较好地进行目标检测，在自动驾驶等感知系统中也需要使用更鲁棒的传感器及识别技术。毫米波雷达可以在摄像头数据表现不好的情境下发挥很好的作用，因此对毫米波雷达的目标检测方法研究十分有必要。
毫米波雷达数据进行快速傅里叶变换得到的雷达射频图像，包含丰富的多普勒和物体运动信息，具有较好的识别物体的能力。针对雷达射频图像的目标检测方法有很大的应用价值，然而针对摄像头图像的目标检测方法无法在雷达射频图像中发挥较好的作用，因此有必要提出用于雷达射频图像的目标检测方法。
现有的雷达射频图像目标检测方法往往只使用编码器解码器结构的纯卷积神经网络模型对雷达射频图像进行目标检测，然后直接输出结果。这种方法的缺点首先是只能对雷达射频图像的局部特征进行提取，而不能较好地提取雷达射频图像的全局特征；其次直接输出的结果中包含重复预测的目标，导致检测结果精度低。因此，当前的雷达射频图像目标检测方法在性能方面还有提升空间。
发明内容
本发明要解决的问题是：现有的雷达射频图像目标检测方法只使用纯卷积神经网络的模型，不足以在雷达射频图像目标检测任务中获得较好的精度，因为纯卷积神经网络无法很好地获取雷达射频图像的全局特征；现有的雷达射频图像目标检测方法缺乏后处理过程，需要可以有效去除重复目标的后处理方法。
本发明的技术方案为：一种雷达射频图像目标检测方法，使用神经网络对雷达射频图像进行目标检测，使用卷积神经网络和Transformer结合的方式提取雷达射频图像的局部和全局特征，并且对结果进行基于热图预测的非极大值抑制方法得到目标检测结果，包括以下步骤：
1)对雷达接收的频率信号进行预处理得到距离-角度的雷达射频图像；
2)对雷达射频图像进行特征增强处理；
3)构建用于雷达射频图像目标检测的卷积神经网络和Transformer结合的模型，包括编码器模块、Transformer模块和解码器模块：
3.1)编码器模块，由3个9×5×5的3D卷积层和3个多尺度卷积模块组成；
3.2)Transformer模块，共有6层编码层，每层编码层包括多头自注意力机制和多层感知机两个子层，每个多头注意力机制层包括维度为D的三个向量：Q、K、V，通过计算Q、K的点积并除以尺度系数
Figure BDA0003632742950000021
得到Q、K对应的权重信息，使用softmax对权重函数进行归一化并对V进行加权求和，得到注意力值，其中，注意力算法采用
Figure BDA0003632742950000022
Figure BDA0003632742950000023
实现；
3.3)解码器模块，由3个3×6×6的转置卷积层和1个9×5×5的卷积层组成，其中包含三个跳跃连接结构；
4)设置起始训练参数，所述起始训练参数包括学习率、迭代次数、峰值阈值和目标相似度阈值；
5)训练所述卷积神经网络和Transformer结合的模型，将训练得到的检测器用于目标检测，并采用基于热图预测的非极大值抑制算法对重复预测的目标进行去重；
6)在验证集和测试集上计算目标检测的准确率和召回率是否满足检测要求，若不满足，则设置新的初始化参数重新训练所述卷积神经网络和Transformer结合的模型，直至满足检测要求。
进一步的，步骤1)具体包括：
1.1)对雷达信号进行距离快速傅里叶变换；
1.2)对经过1.1)处理的雷达信号进行距离估计；
1.3)对1.2)处理的结果使用低通滤波器去除高频噪声；
1.4)对1.3)处理后的信号进行角度快速傅里叶变换；
1.5)对1.4)产生的雷达射频图像选出毫米波雷达信号中的chirp频率为0，64，128，192的部分，形成一帧4个chirp的雷达射频图像数据。
进一步的，步骤2)对雷达射频图像进行特征增强处理，具体实现为：由一层距离-角度卷积层和一层时序卷积层组成卷积部分，并通过一层时序最大池化层，对多个chirp的雷达射频图像进行简化。
进一步的，步骤4)中设置的起始训练参数，具体包括：设置60个epochs；batchsize设置为32；使用Adam优化器，其中初始学习率为0.001，beta1为0.9，beta2为0.999。使用的train-step为1，train-stride为4。
进一步的，步骤5)训练所述卷积神经网络和Transformer结合的模型中，目标回归的损失函数为：
Figure BDA0003632742950000031
其中，
Figure BDA0003632742950000034
为最终loss，D代表真实标注的置信图，
Figure BDA0003632742950000032
代表像素索引，cls代表类别标签，(i,j)代表像素索引。
进一步的，步骤5)采用基于热图预测的非极大值抑制算法对冗余目标进行去重，计算方法如下：输入经过置信度阈值筛选的模型目标检测结果图，对当前帧的目标检测结果，记录目标点坐标及置信度，并且将点放于集合P中，选出集合P中置信度最高的峰值点p，并将其从集合P中去掉，加入到集合P*中，计算该点p*与其余点pi的相似度S，与设置的相似度阈值进行比较，若高于阈值，则从集合P中删掉点pi，循环从P中选最高点并重复以上过程，直到P为空，保留P*中的目标点，其中，两个目标点的相似度S计算方式如下：
Figure BDA0003632742950000033
S为两个目标点的相似度，L为两点间的实际距离，κcls针对每个类别都有一个数值，指该类的尺度大小。
相比现有技术，本发明具有如下优势：
(1)本发明使用了卷积神经网络和Transformer结合的方法，对雷达射频图像的局部特征和全局特征进行较好地提取，可以提高雷达射频图像目标检测的精度；
(2)本发明提出了多尺度卷积模块，使用多个分支对输入特征图进行提取，并使用残差连接保留了输入部分的特征，可以较好地对雷达射频图想的多尺度信息进行提取；
(3)本发明提出了基于热图预测的非极大值抑制方法，可以较好地去除检测模型的冗余预测目标，使检测结果更加准确。
附图说明
图1为本发明提出的基于Transformer的雷达射频图像目标检测方法的流程图。
图2为本发明提出的基于Transformer的雷达射频图像目标检测方法的具体示意图。
图3为本发明雷达数据经过距离-角度快速傅里叶变换后的雷达射频图像可视化结果。
图4为本发明提出的特征增强模块示意图。
图5为本发明提出的检测模型结构图。
图6为本发明提出的检测模型中的多尺度卷积模块。
图7为本发明基于Transformer的雷达射频图像目标检测方法的检测结果示意图以及相关摄像头场景。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步详细的说明。
如图1和图2所示，本发明提出的基于Transformer的雷达射频图像目标检测方法，包括如下步骤：
步骤S1：对雷达接收的信号进行预处理得到雷达射频图像。
在本发明实施例中，步骤S1具体包括以下步骤：
步骤S1.1：对雷达信号进行距离快速傅里叶变换；
步骤S1.2：在步骤S1.1的处理基础上进行距离估计；
步骤S1.3：在步骤S1.2的处理基础上使用低通滤波器去除高频噪声；
步骤S1.4：在步骤S1.3的处理基础上进行角度快速傅里叶变换；
步骤S1.5：在步骤S1.4产生的雷达射频图像选出毫米波雷达信号中的chirp频率为0，64，128，192的部分，形成一帧4个chirp的雷达射频图像数据，如图3所示，为雷达射频图像可视化效果。
步骤S2：对雷达射频图像进行特征增强处理，在本发明实施例中，使用特征增强模块处理，如图4所示，特征增强模块由一层距离-角度卷积层和一层时序卷积层组成卷积部分，并通过一层时序最大池化层，对多个chirp的雷达射频图像进行简化。
步骤S3：构建用于雷达射频图像目标检测的卷积神经网络和Transformer结合的模型，在本发明实施例中，构建卷积神经网络和Transformer结合的模型，具体包括：
步骤S3.1：编码器模块，由3个9×5×5的3D卷积层和3个多尺度卷积模块组成；
步骤S3.2：Transformer模块，共有6层编码层，每层编码层包括多头自注意力机制和多层感知机两个子层，每个多头注意力机制层包括维度为D的三个向量：Q、K、V，通过计算Q、K的点积并除以尺度系数
Figure BDA0003632742950000051
得到Q、K对应的权重信息，使用softmax对权重函数进行归一化并对V进行加权求和，得到注意力值，其中，注意力算法采用
Figure BDA0003632742950000052
Figure BDA0003632742950000053
实现；
步骤S3.3：解码器模块，由3个3×6×6的转置卷积层和1个9×5×5的卷积层组成，其中包含三个跳跃连接结构。
在本发明实例中，构建的卷积神经网络和Transformer结合的模型如图5所示，将卷积神经网络和Transformer模块结合了起来，可以更好对雷达射频图像的局部特征和全局特征进行提取，其中，多尺度卷积模块如图6所示，使用多个分支和残差连接的方式，可以很好的提取特征的多尺度信息。
步骤S4：设置模型起始训练参数如下：
设置60个epochs；batchsize设置为32；使用Adam优化器，初始学习率为0.001，beta1为0.9，beta2为0.999；train-step设置为1，train-stride为4。
步骤S5：训练所述卷积神经网络和Transformer结合的模型，将训练得到的检测器用于目标检测，并采用基于热图预测的非极大值抑制算法对重复预测的目标进行去重。训练模型使用的目标回归损失函数为：
Figure BDA0003632742950000054
其中，
Figure BDA0003632742950000056
为最终loss，D代表真实标注的置信图，
Figure BDA0003632742950000055
代表像素索引，cls代表类别标签，(i,j)代表像素索引。
在步骤S5中采用基于热图预测的非极大值抑制算法对冗余目标进行去重，计算方法如下：
输入经过置信度阈值筛选的模型目标检测结果图，对当前帧的目标检测结果，记录目标点坐标及置信度，并且将点放于集合P中，选出集合P中置信度最高的峰值点p，并将其从集合P中去掉，加入到集合P*中，计算该点p*与其余点pi的相似度S，与设置的相似度阈值进行比较，若高于阈值，则从集合P中删掉点pi，循环从P中选最高点并重复以上过程，直到P为空，保留P*中的目标点。
目标点的相似度S计算方式如下：
Figure BDA0003632742950000061
其中，S为两个目标点的相似度，L为两点间的实际距离，κcls针对每个类别都有一个数值，主要是指该类的尺度大小，可以凭经验指定。
步骤S6：在验证集和测试集上计算目标检测的准确率和召回率是否满足检测的要求，若不满足，则设置新的初始化参数重新训练所述卷积神经网络和Transformer结合的模型，直至满足检测要求。准确率定义为
Figure BDA0003632742950000062
召回率定义为
Figure BDA0003632742950000063
其中，NTP为真实目标被预测出来为真目标的个数，NFP为假目标被预测成真目标的个数，NFN为真实目标被预测为假目标的个数。
如图7所示，为使用基于热图预测的非极大值抑制算法后，形成的雷达射频图像目标检测结果，由上到下依次是：场景RGB图像、雷达射频图像可视化、真实结果、预测结果。通过准确率和召回率对检测进行评估如下：在cruw数据集上准确率达到了77.8％，召回率达到了87.5％。

Claims (7)

1.一种雷达射频图像目标检测方法，其特征是使用神经网络对雷达射频图像进行目标检测，使用卷积神经网络和Transformer结合的方式提取雷达射频图像的局部和全局特征，并且对结果进行基于热图预测的非极大值抑制方法得到目标检测结果，包括以下步骤：
1)对雷达接收的频率信号进行预处理得到距离-角度的雷达射频图像；
2)对雷达射频图像进行特征增强处理；
3)构建用于雷达射频图像目标检测的卷积神经网络和Transformer结合的模型，包括编码器模块、Transformer模块和解码器模块：
3.1)编码器模块，由3个9×5×5的3D卷积层和3个多尺度卷积模块组成；
3.2)Transformer模块，共有6层编码层，每层编码层包括多头自注意力机制和多层感知机两个子层，每个多头注意力机制层包括维度为D的三个向量：Q、K、V，通过计算Q、K的点积并除以尺度系数
Figure FDA0003632742940000011
得到Q、K对应的权重信息，使用softmax对权重函数进行归一化并对V进行加权求和，得到注意力值，其中，注意力算法采用
Figure FDA0003632742940000012
Figure FDA0003632742940000013
实现；
3.3)解码器模块，由3个3×6×6的转置卷积层和1个9×5×5的卷积层组成，其中包含三个跳跃连接结构；
4)设置起始训练参数，所述起始训练参数包括学习率、迭代次数、峰值阈值和目标相似度阈值；
5)训练所述卷积神经网络和Transformer结合的模型，将训练得到的检测器用于目标检测，并采用基于热图预测的非极大值抑制算法对重复预测的目标进行去重；
6)在验证集和测试集上计算目标检测的准确率和召回率是否满足检测要求，若不满足，则设置新的初始化参数重新训练所述卷积神经网络和Transformer结合的模型，直至满足检测要求。
2.根据权利要求1所述的一种雷达射频图像目标检测方法，其特征在于，步骤1)具体包括：
1.1)对雷达信号进行距离快速傅里叶变换；
1.2)对经过1.1)处理的雷达信号进行距离估计；
1.3)对1.2)处理的结果使用低通滤波器去除高频噪声；
1.4)对1.3)处理后的信号进行角度快速傅里叶变换；
1.5)对1.4)选出毫米波雷达信号中的chirp频率为0，64，128，192的部分，形成一帧4个chirp的雷达射频图像数据。
3.根据权利要求1所述的一种雷达射频图像目标检测方法，其特征在于，步骤2)对雷达射频图像进行特征增强处理，具体实现为：由一层距离-角度卷积层和一层时序卷积层组成卷积部分，并通过一层时序最大池化层，对多个chirp的雷达射频图像进行简化。
4.根据权利要求1所述的一种雷达射频图像目标检测方法，其特征在于，步骤4)中设置的起始训练参数，具体包括：设置60个epochs；batchsize设置为32；使用Adam优化器，其中初始学习率为0.001，beta1为0.9，beta2为0.999。使用的train-step为1，train-stride为4。
5.根据权利要求1所述的一种雷达射频图像目标检测方法，其特征在于，步骤5)训练所述卷积神经网络和Transformer结合的模型中，目标回归的损失函数为：
Figure FDA0003632742940000021
其中，l为最终loss，D代表真实标注的置信图，
Figure FDA0003632742940000022
代表像素索引，cls代表类别标签，(i,j)代表像素索引。
6.根据权利要求1所述的一种雷达射频图像目标检测方法，其特征在于，在步骤5)采用基于热图预测的非极大值抑制算法对冗余目标进行去重，计算方法如下：
输入经过置信度阈值筛选的模型目标检测结果图，对当前帧的目标检测结果，记录目标点坐标及置信度，并且将点放于集合P中，选出集合P中置信度最高的峰值点p，并将其从集合P中去掉，加入到集合P*中，计算该点p*与其余点pi的相似度S，与设置的相似度阈值进行比较，若高于阈值，则从集合P中删掉点pi，循环从P中选最高点并重复以上过程，直到P为空，保留P*中的目标点，其中，两个目标点的相似度S计算方式如下：
Figure FDA0003632742940000023
S为两个目标点的相似度，L为两点间的实际距离，κcls针对每个类别都有一个数值，指该类的尺度大小。
7.根据权利要求1所述的一种雷达射频图像目标检测方法，其特征在于，在步骤6)中，准确率定义为
Figure FDA0003632742940000024
召回率定义为
Figure FDA0003632742940000025
其中，NTP为真实目标被预测出来为真目标的个数，NFP为假目标被预测成真目标的个数，NFN为真实目标被预测为假目标的个数。
CN202210493562.9A 2022-05-07 2022-05-07 一种雷达射频图像目标检测方法 Pending CN114842196A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210493562.9A CN114842196A (zh) 2022-05-07 2022-05-07 一种雷达射频图像目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210493562.9A CN114842196A (zh) 2022-05-07 2022-05-07 一种雷达射频图像目标检测方法

Publications (1)

Publication Number Publication Date
CN114842196A true CN114842196A (zh) 2022-08-02

Family

ID=82567054

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210493562.9A Pending CN114842196A (zh) 2022-05-07 2022-05-07 一种雷达射频图像目标检测方法

Country Status (1)

Country Link
CN (1) CN114842196A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117036868A (zh) * 2023-10-08 2023-11-10 之江实验室 一种人体感知模型的训练方法、装置、介质及电子设备
CN117452368A (zh) * 2023-12-21 2024-01-26 西安电子科技大学 基于宽带成像雷达的sar载荷辐射信号检测方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117036868A (zh) * 2023-10-08 2023-11-10 之江实验室 一种人体感知模型的训练方法、装置、介质及电子设备
CN117036868B (zh) * 2023-10-08 2024-01-26 之江实验室 一种人体感知模型的训练方法、装置、介质及电子设备
CN117452368A (zh) * 2023-12-21 2024-01-26 西安电子科技大学 基于宽带成像雷达的sar载荷辐射信号检测方法及装置
CN117452368B (zh) * 2023-12-21 2024-04-02 西安电子科技大学 基于宽带成像雷达的sar载荷辐射信号检测方法及装置

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
CN114842196A (zh) 一种雷达射频图像目标检测方法
CN113610144A (zh) 一种基于多分支局部注意力网络的车辆分类方法
Li et al. Toward in situ zooplankton detection with a densely connected YOLOV3 model
CN116665095A (zh) 一种运动舰船检测方法、系统、存储介质和电子设备
Wang et al. Automatic SAR Ship Detection Based on Multi-Feature Fusion Network in Spatial and Frequency Domain
CN115019201A (zh) 一种基于特征精细化深度网络的弱小目标检测方法
Zhang et al. Target detection for HFSWR based on an S 3 D algorithm
Ahmed et al. Vision-based autonomous navigation for unmanned surface vessel in extreme marine conditions
CN113129336A (zh) 一种端到端多车辆跟踪方法、系统及计算机可读介质
CN116912175A (zh) 一种基于点云体素化TransFormer的Lidar-SLAM回环检测系统及方法
CN110111358B (zh) 一种基于多层时序滤波的目标跟踪方法
WO2022127819A1 (en) Sequence processing for a dataset with frame dropping
CN113537240B (zh) 一种基于雷达序列图像的形变区智能提取方法及系统
CN115861226A (zh) 基于特征值梯度变化的深度神经网络智能识别表面缺陷方法
CN114898202A (zh) 基于多模型融合的水下视频目标尺度空间判别式跟踪系统及方法
Yu et al. A lightweight ship detection method in optical remote sensing image under cloud interference
Wang et al. Sonar Objective Detection Based on Dilated Separable Densely Connected CNNs and Quantum‐Behaved PSO Algorithm
CN112800932A (zh) 海上背景下显著船舶目标的检测方法及电子设备
Yamaguchi et al. Road crack detection interpreting background images by convolutional neural networks and a self‐organizing map
CN113971755B (zh) 基于改进yolov3模型的全天候海面目标检测方法
Zhou et al. SAR ship detection network based on global context and multi-scale feature enhancement
Dogru et al. Fast-ICA Based Lane Detection Method for Autonomous Vehicles
CN117893561B (zh) 一种基于局部对比度计算方法的红外细小目标检测算法
CN116503603B (zh) 一种基于弱监督语义分割和特征弥补的类间遮挡目标检测网络模型的训练方法

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