CN115330777B - 训练图片缩放尺寸船舶检测方法及系统 - Google Patents

训练图片缩放尺寸船舶检测方法及系统 Download PDF

Info

Publication number
CN115330777B
CN115330777B CN202211250232.3A CN202211250232A CN115330777B CN 115330777 B CN115330777 B CN 115330777B CN 202211250232 A CN202211250232 A CN 202211250232A CN 115330777 B CN115330777 B CN 115330777B
Authority
CN
China
Prior art keywords
picture
scaling
size
ship detection
iteration
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.)
Active
Application number
CN202211250232.3A
Other languages
English (en)
Other versions
CN115330777A (zh
Inventor
吴显德
陈江海
徐登峰
邹凡
周瑶越
鲁杰
曹彩霞
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.)
Zhejiang Whyis Technology Co ltd
Original Assignee
Zhejiang Whyis 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 Zhejiang Whyis Technology Co ltd filed Critical Zhejiang Whyis Technology Co ltd
Priority to CN202211250232.3A priority Critical patent/CN115330777B/zh
Publication of CN115330777A publication Critical patent/CN115330777A/zh
Application granted granted Critical
Publication of CN115330777B publication Critical patent/CN115330777B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4023—Scaling of whole images or parts thereof, e.g. expanding or contracting based on decimating pixels or lines of pixels; based on inserting pixels or lines of pixels
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种训练图片缩放尺寸船舶检测方法及系统。其中，该方法包括：顺次获取目标船舶检测模型和图片缩放比例模型；将图片缩放比例模型的权重值插入到初始自动缩放尺寸船舶检测网络的参数中；将目标船舶检测模型的权重值插入到初始自动缩放尺寸船舶检测网络的参数中，得到更新的自动缩放尺寸船舶检测网络，将训练集中每张图片输入到更新的自动缩放尺寸船舶检测网络中进行训练并调整网络中的参数，得到目标自动缩放尺寸船舶检测模型；将待检测图片输入到目标自动缩放尺寸船舶检测模型中进行检测，得到船舶位置。本发明通过在传统的自动缩放尺寸船舶检测网络中增加图片缩放比例模块，能够实现依据图片的特征进行自动缩放。

Description

训练图片缩放尺寸船舶检测方法及系统
技术领域
本发明涉及船舶检测技术领域，具体而言，涉及一种训练图片缩放尺寸船舶检测方法及系统。
背景技术
随着物流行业的发展，水上作业越来越重，船舶检测可以有效减轻水上作业。其中，图像的缩放尺寸是影响船舶检测能力的有效因素之一，目前现有技术存在以下缺陷：
目前工程应用常规的缩放尺寸方法是多尺寸缩放和单尺寸缩放，但他们没有依据图片的实际特征缩放；
尺寸缩放有比例缩放和像素缩放，但这两种方法的参数值是人为设定，脱离图片的实际特征，不是依据图像的特征等因素确定。
针对现有技术中图片的缩放不是依据图片的特征自动缩放，而是人为设定的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例中提供一种训练图片缩放尺寸船舶检测方法及系统，以解决现有技术中图片的缩放不是依据图片的特征自动缩放，而是人为设定的问题。
为达到上述目的，一方面，本发明提供了一种训练图片缩放尺寸船舶检测方法，该方法包括：步骤S101，顺次获取目标船舶检测模型和图片缩放比例模型；步骤S102，将所述图片缩放比例模型的权重值插入到初始自动缩放尺寸船舶检测网络的图片缩放比例模块的参数中；将所述目标船舶检测模型的权重值插入到所述初始自动缩放尺寸船舶检测网络的主干网络、瓶颈层和检测头的参数中，得到更新的自动缩放尺寸船舶检测网络、更新的图片缩放比例模块、更新的主干网络、更新的瓶颈层和更新的检测头；步骤S103，从训练集选取预设数量的图片作为迭代图片，将每张迭代图片输入到所述更新的图片缩放比例模块中，得到每张迭代图片的缩放尺寸比例；根据每张迭代图片的缩放尺寸比例计算得到迭代缩放比例损失值；根据每张迭代图片的缩放尺寸比例进行图片缩放操作得到缩放后的每张迭代图片；将缩放后的每张迭代图片依次输入到所述更新的主干网络、更新的瓶颈层和更新的检测头中，得到缩放后的每张迭代图片检测目标的类别得分和坐标；根据所述缩放后的每张迭代图片检测目标的类别得分和坐标计算得到迭代分类损失值和迭代回归损失值；根据所述迭代缩放比例损失值、所述迭代分类损失值、所述迭代回归损失值计算得到迭代总损失值；根据所述迭代总损失值对所述更新的自动缩放尺寸船舶检测网络中的参数进行反向传播，得到当前迭代自动缩放尺寸船舶检测模型；步骤S104，重复所述步骤S103直至将训练集中全部图片训练完，得到当前轮自动缩放尺寸船舶检测模型以及轮总损失值；步骤S105，重复步骤S103、步骤S104，直至轮总损失值在第一预设范围内波动，得到目标自动缩放尺寸船舶检测模型；步骤S106，将待检测图片输入到所述目标自动缩放尺寸船舶检测模型中进行检测，得到船舶位置。
可选的，所述获取目标船舶检测模型包括：步骤S1011，将训练集中每张图片根据从预设图片缩放尺寸列表中的多个尺寸中随机抽取的一个尺寸进行缩放，并输入到初始船舶检测模型中进行训练，得到当前轮船舶检测模型以及损失值；步骤S1012，将所述当前轮船舶检测模型作为所述初始船舶检测模型，重复步骤S1011直至船舶检测模型的损失值在第二预设范围内波动，得到所述目标船舶检测模型。
可选的，所述图片缩放比例模型的获取包括：将训练集中每张图片按照所述预设图片缩放尺寸列表中的多个尺寸进行缩放，并输入到所述目标船舶检测模型中进行预测，得到每张图片每个尺寸对应的召回率和准确率；根据召回率和准确率确定每张图片的最优尺寸；将训练集中每张图片按照每张图片的最优尺寸的缩放比例进行分类，并根据分类进行标签比例制作；通过所述标签比例对训练集中每张图片进行贴标签；将贴标签后的所述训练集输入到图片缩放尺寸网络中进行训练，得到所述图片缩放比例模型。
可选的，所述迭代缩放比例损失值根据以下公式计算：
Figure DEST_PATH_IMAGE001
其中，
Figure DEST_PATH_IMAGE002
为迭代缩放比例损失值，/>
Figure DEST_PATH_IMAGE003
表示迭代图片中第/>
Figure 493553DEST_PATH_IMAGE003
张图片，N表示训练集中迭代图片的数量；/>
Figure DEST_PATH_IMAGE004
表示迭代图片中第/>
Figure 316015DEST_PATH_IMAGE003
张图片输入到更新的图片缩放比例模块中得到的缩放尺寸比例；/>
Figure DEST_PATH_IMAGE005
表示迭代图片中第/>
Figure 458415DEST_PATH_IMAGE003
张图片的缩放尺寸比例与所述标签比例一致时，赋值为1，反之赋值为0；/>
Figure DEST_PATH_IMAGE006
表示迭代图片中第/>
Figure 532681DEST_PATH_IMAGE003
张图片输入到更新的图片缩放比例模块中得到的缩放尺寸比例的概率。
可选的，所述根据每张迭代图片的缩放尺寸进行图片缩放操作得到缩放后的每张迭代图片通过以下公式计算：
Figure DEST_PATH_IMAGE007
Figure DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE009
为当前张迭代图片原始的宽；/>
Figure DEST_PATH_IMAGE010
为当前张迭代图片原始的高；
Figure DEST_PATH_IMAGE011
为当前张迭代图片输入到更新的图片缩放比例模块中得到的缩放尺寸比例；/>
Figure DEST_PATH_IMAGE012
为缩放后的当前张迭代图片的宽；/>
Figure DEST_PATH_IMAGE013
为缩放后的当前张迭代图片的高。
可选的，所述根据召回率和准确率确定每张图片的最优尺寸包括：将当前张图片每个尺寸对应的召回率进行对比，选择最大召回率所对应的尺寸为当前张图片的最优尺寸；当判定当前张图片每个尺寸对应的召回率相等时，将当前张图片每个尺寸对应的准确率进行对比，选择最大准确率所对应的尺寸为当前张图片的最优尺寸。
可选的，所述将待检测图片输入到所述目标自动缩放尺寸船舶检测模型中进行检测包括：将待检测图片输入到所述目标自动缩放尺寸船舶检测模型中的图片缩放比例模块中，得到最优缩放尺寸；根据所述最优缩放尺寸进行图片缩放操作得到缩放后的待检测图片；将所述缩放后的待检测图片依次输入到所述目标自动缩放尺寸船舶检测模型中的主干网络、瓶颈层和检测头中进行检测。
另一方面，本发明提供了一种训练图片缩放尺寸船舶检测系统，该系统包括：获取单元，用于顺次获取目标船舶检测模型和图片缩放比例模型；更新单元，用于将所述图片缩放比例模型的权重值插入到初始自动缩放尺寸船舶检测网络的图片缩放比例模块的参数中；将所述目标船舶检测模型的权重值插入到所述初始自动缩放尺寸船舶检测网络的主干网络、瓶颈层和检测头的参数中，得到更新的自动缩放尺寸船舶检测网络、更新的图片缩放比例模块、更新的主干网络、更新的瓶颈层和更新的检测头；计算单元，用于从训练集选取预设数量的图片作为迭代图片，将每张迭代图片输入到所述更新的图片缩放比例模块中，得到每张迭代图片的缩放尺寸比例；根据每张迭代图片的缩放尺寸比例计算得到迭代缩放比例损失值；根据每张迭代图片的缩放尺寸比例进行图片缩放操作得到缩放后的每张迭代图片；将缩放后的每张迭代图片依次输入到所述更新的主干网络、更新的瓶颈层和更新的检测头中，得到缩放后的每张迭代图片检测目标的类别得分和坐标；根据所述缩放后的每张迭代图片检测目标的类别得分和坐标计算得到迭代分类损失值和迭代回归损失值；根据所述迭代缩放比例损失值、所述迭代分类损失值、所述迭代回归损失值计算得到迭代总损失值；根据所述迭代总损失值对所述更新的自动缩放尺寸船舶检测网络中的参数进行反向传播，得到当前迭代自动缩放尺寸船舶检测模型；第一重复训练单元，用于重复所述计算单元直至将训练集中全部图片训练完，得到当前轮自动缩放尺寸船舶检测模型以及轮总损失值；第二重复训练单元，用于重复所述计算单元、所述第一重复训练单元，直至轮总损失值在第一预设范围内波动，得到目标自动缩放尺寸船舶检测模型；检测单元，用于将待检测图片输入到所述目标自动缩放尺寸船舶检测模型中进行检测，得到船舶位置。
可选的，所述获取单元包括：缩放训练子单元，用于将训练集中每张图片根据从预设图片缩放尺寸列表中的多个尺寸中随机抽取的一个尺寸进行缩放，并输入到初始船舶检测模型中进行训练，得到当前轮船舶检测模型以及损失值；重复训练子单元，用于将所述当前轮船舶检测模型作为所述初始船舶检测模型，重复所述缩放训练子单元直至船舶检测模型的损失值在第二预设范围内波动，得到所述目标船舶检测模型。
可选的，所述获取单元还包括：预测子单元，用于将训练集中每张图片按照所述预设图片缩放尺寸列表中的多个尺寸进行缩放，并输入到所述目标船舶检测模型中进行预测，得到每张图片每个尺寸对应的召回率和准确率；根据召回率和准确率确定每张图片的最优尺寸；标签子单元，用于将训练集中每张图片按照每张图片的最优尺寸的缩放比例进行分类，并根据分类进行标签比例制作；通过所述标签比例对训练集中每张图片进行贴标签；模型训练子单元，用于将贴标签后的所述训练集输入到图片缩放尺寸网络中进行训练，得到所述图片缩放比例模型。
本发明的有益效果：
本发明提供了一种训练图片缩放尺寸船舶检测方法及系统，该方法包括：顺次获取目标船舶检测模型和图片缩放比例模型；将图片缩放比例模型的权重值插入到初始自动缩放尺寸船舶检测网络的参数中；将目标船舶检测模型的权重值插入到初始自动缩放尺寸船舶检测网络的参数中，得到更新的自动缩放尺寸船舶检测网络，将训练集中每张图片输入到更新的自动缩放尺寸船舶检测网络中进行训练并调整网络中的参数，得到目标自动缩放尺寸船舶检测模型；将待检测图片输入到目标自动缩放尺寸船舶检测模型中进行检测，得到船舶位置。本发明通过设计了自动缩放尺寸船舶检测网络，在传统的自动缩放尺寸船舶检测网络中增加了图片缩放比例模块，能够实现依据图片的特征进行自动缩放，减少了船舶检测的误检率，提高了船舶检测的准确率。
附图说明
图1是本发明实施例提供的一种训练图片缩放尺寸船舶检测方法的流程图；
图2是本发明实施例提供的获取目标船舶检测模型的流程图；
图3是本发明实施例提供的获取图片缩放比例模型的流程图；
图4是本发明实施例提供的一种训练图片缩放尺寸船舶检测系统的结构示意图；
图5是本发明实施例提供的获取单元的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
随着物流行业的发展，水上作业越来越重，船舶检测可以有效减轻水上作业。其中，图像的缩放尺寸是影响船舶检测能力的有效因素之一，目前现有技术存在以下缺陷：
目前工程应用常规的缩放尺寸方法是多尺寸缩放和单尺寸缩放，但他们没有依据图片的实际特征缩放；
尺寸缩放有比例缩放和像素缩放，但这两种方法的参数值是人为设定，脱离图片的实际特征，不是依据图像的特征等因素确定。
针对上述问题，本发明提供了一种训练图片缩放尺寸船舶检测方法，该方法能够实现依据图片的特征自动缩放，不需要人为设定。图1是本发明实施例提供的一种训练图片缩放尺寸船舶检测方法的流程图，如图1所示，该方法包括：
步骤S101，顺次获取目标船舶检测模型和图片缩放比例模型；
图2是本发明实施例提供的获取目标船舶检测模型的流程图，如图2所示，所述获取目标船舶检测模型包括：
步骤S1011，将训练集中每张图片根据从预设图片缩放尺寸列表中的多个尺寸中随机抽取的一个尺寸进行缩放，并输入到初始船舶检测模型中进行训练，得到当前轮船舶检测模型以及损失值；
本发明中，设置阈值缩放尺寸为(1920*1080)，设置缩放比例列表为（0.5,1.5,2.5）。将阈值缩放尺寸乘以缩放比例列表得到预设图片缩放尺寸列表，即（960*540，2880*1620，4800*2700）。需要说明的是，本发明对缩放比例列表不作限定，即也可以是（0.5,0.6,0.8,1.5,2.5）、（0.5,0.8,1.2,1.5,1.8,2.0,2.2,2.5）等等。
例如：将训练集中第一张图片根据从预设图片缩放尺寸列表（960*540，2880*1620，4800*2700）中随机抽取的一个尺寸（960*540）进行缩放，即将第一张图片缩放为（960*540）；将训练集中第二张图片根据从预设图片缩放尺寸列表（960*540，2880*1620，4800*2700）中随机抽取的一个尺寸（2880*1620）进行缩放，即将第二张图片缩放为（2880*1620）；将训练集中每张图片进行缩放并输入到初始船舶检测模型中进行训练，得到当前轮船舶检测模型以及损失值。
步骤S1012，将所述当前轮船舶检测模型作为所述初始船舶检测模型，重复步骤S011直至船舶检测模型的损失值在第二预设范围内（即±0.1%）波动，得到所述目标船舶检测模型。
图3是本发明实施例提供的获取图片缩放比例模型的流程图，如图3所示，所述图片缩放比例模型的获取包括：
步骤S1013，将训练集中每张图片按照所述预设图片缩放尺寸列表中的多个尺寸进行缩放，并输入到所述目标船舶检测模型中进行预测，得到每张图片每个尺寸对应的召回率和准确率；根据召回率和准确率确定每张图片的最优尺寸；
所述根据召回率和准确率确定每张图片的最优尺寸包括：
将当前张图片每个尺寸对应的召回率进行对比，选择最大召回率所对应的尺寸为当前张图片的最优尺寸；
当判定当前张图片每个尺寸对应的召回率相等时，将当前张图片每个尺寸对应的准确率进行对比，选择最大准确率所对应的尺寸为当前张图片的最优尺寸。
例如：将训练集中第一张图片按照所述预设图片缩放尺寸列表（960*540，2880*1620，4800*2700）中的每个尺寸进行缩放，即将第一张图片缩放为（960*540）、（2880*1620）、（4800*2700），得到三个尺寸的图片；将三个尺寸的图片输入到目标船舶检测模型中进行预测，得到三个尺寸的目标坐标和类别得分，将第一个尺寸的目标坐标和类别得分与标定结果对比，得到第一个尺寸的召回率和准确率；将第二个尺寸的目标坐标和类别得分与标定结果对比，得到第二个尺寸的召回率和准确率；将第三个尺寸的目标坐标和类别得分与标定结果对比，得到第三个尺寸的召回率和准确率；将第一个尺寸的召回率与第二个尺寸的召回率、第三个尺寸的召回率进行对比，若第一个尺寸的召回率最大，则认为（960*540）为第一张图片的最优尺寸，若三个尺寸的召回率相等，则将第一个尺寸的准确率与第二个尺寸的准确率、第三个尺寸的准确率进行对比，若第一个尺寸的准确率最大，则认为（960*540）为第一张图片的最优尺寸；或者第一个尺寸的召回率和第二个尺寸的召回率相等，且均大于第三个尺寸的召回率，则将第一个尺寸的准确率与第二个尺寸的准确率进行对比，若第一个尺寸的准确率最大，则认为（960*540）为第一张图片的最优尺寸。
依据上述方法，可得到每张图片的最优尺寸。
步骤S1014，将训练集中每张图片按照每张图片的最优尺寸的缩放比例进行分类，并根据分类进行标签比例制作；通过所述标签比例对训练集中每张图片进行贴标签；
例如：第一张图片，其最优尺寸为（960*540）；第二张图片，其最优尺寸为（2880*1620）；第三张图片，其最优尺寸为（4800*2700）；第四张图片，其最优尺寸为（2880*1620）；第五张图片，其最优尺寸为（4800*2700）；第六张图片，其最优尺寸为（960*540）；第一张图片和第六张图片为一类，第二张图片和第四张图片为一类，第三张图片和第五张图片为一类；根据分类制作标签比例，标签比例为最优尺寸的缩放比例，标签比例为（0.5,1.5,2.5）；第一张图片打0.5标签，第二张图片打1.5标签，第三张图片打2.5标签，第四张图片打1.5标签，第五张图片打2.5标签，第六张图片打0.5标签。
步骤S1015，将贴标签后的所述训练集输入到图片缩放尺寸网络中进行训练，得到所述图片缩放比例模型。
具体的，选择图片缩放尺寸网络需要选择小网络，其主要原因是耗时比较少，不影响模型实时性（本发明中采用轻量级卷积神经网络（shuffleNet网络）为图片缩放尺寸网络）。
将打标签后的训练集输入到shuffleNet网络中进行第一轮的模型训练，得到第一轮图片缩放比例模型以及损失值；将打标签后的训练集输入到第一轮图片缩放比例模型中进行第二轮的模型训练，得到第二轮图片缩放比例模型以及损失值；重复上述训练，直至损失值趋于稳定（即在±0.1%范围内波动）时，停止模型训练，得到图片缩放比例模型。
步骤S102，将所述图片缩放比例模型的权重值插入到初始自动缩放尺寸船舶检测网络的图片缩放比例模块的参数中；将所述目标船舶检测模型的权重值插入到所述初始自动缩放尺寸船舶检测网络的主干网络、瓶颈层和检测头的参数中，得到更新的自动缩放尺寸船舶检测网络、更新的图片缩放比例模块、更新的主干网络、更新的瓶颈层和更新的检测头；
步骤S103，从训练集选取预设数量的图片作为当前迭代图片，将每张迭代图片输入到所述更新的图片缩放比例模块中，得到每张迭代图片的缩放尺寸比例；根据每张迭代图片的缩放尺寸比例计算得到迭代缩放比例损失值；根据每张迭代图片的缩放尺寸比例进行图片缩放操作得到缩放后的每张迭代图片；将缩放后的每张迭代图片依次输入到所述更新的主干网络、更新的瓶颈层和更新的检测头中，得到缩放后的每张迭代图片检测目标的类别得分和坐标；根据所述缩放后的每张迭代图片检测目标的类别得分和坐标计算得到迭代分类损失值和迭代回归损失值；根据所述迭代缩放比例损失值、所述迭代分类损失值、所述迭代回归损失值计算得到迭代总损失值；根据所述迭代总损失值对所述更新的自动缩放尺寸船舶检测网络中的参数进行反向传播，得到当前迭代自动缩放尺寸船舶检测模型；
具体的，所述迭代缩放比例损失值根据以下公式计算：
Figure 703025DEST_PATH_IMAGE001
其中，
Figure 571755DEST_PATH_IMAGE002
为迭代缩放比例损失值，/>
Figure 326084DEST_PATH_IMAGE003
表示迭代图片中第/>
Figure 938462DEST_PATH_IMAGE003
张图片，N表示训练集中迭代图片的数量；/>
Figure 461847DEST_PATH_IMAGE004
表示迭代图片中第/>
Figure 767058DEST_PATH_IMAGE003
张图片输入到更新的图片缩放比例模块中得到的缩放尺寸比例；/>
Figure 884049DEST_PATH_IMAGE005
表示迭代图片中第/>
Figure 159173DEST_PATH_IMAGE003
张图片的缩放尺寸比例与所述标签比例一致时，赋值为1，反之赋值为0；/>
Figure 802644DEST_PATH_IMAGE006
表示迭代图片中第/>
Figure 13177DEST_PATH_IMAGE003
张图片输入到更新的图片缩放比例模块中得到的缩放尺寸比例的概率。
需要注意的是，所述标签比例为步骤S1014中的标签比例。
进一步的，所述根据每张迭代图片的缩放尺寸进行图片缩放操作得到缩放后的每张迭代图片通过以下公式计算：
Figure 742098DEST_PATH_IMAGE007
Figure 696279DEST_PATH_IMAGE008
其中，
Figure 69622DEST_PATH_IMAGE009
为当前张迭代图片原始的宽（即当前张迭代图片在未输入到更新的图片缩放比例模块中的宽）；/>
Figure 841269DEST_PATH_IMAGE010
为当前张迭代图片原始的高（即当前张迭代图片在未输入到更新的图片缩放比例模块中的高）；/>
Figure 667274DEST_PATH_IMAGE011
为当前张迭代图片输入到更新的图片缩放比例模块中得到的缩放尺寸比例；/>
Figure 549779DEST_PATH_IMAGE012
为缩放后的当前张迭代图片的宽；/>
Figure 754192DEST_PATH_IMAGE013
为缩放后的当前张迭代图片的高。
将缩放后的每张迭代图片依次输入到所述更新的主干网络、更新的瓶颈层和更新的检测头中，得到缩放后的每张迭代图片检测目标的类别得分和坐标；根据所述缩放后的每张迭代图片检测目标的类别得分和坐标计算得到迭代分类损失值和迭代回归损失值；
将迭代缩放比例损失值、迭代分类损失值和迭代回归损失值相加得到迭代总损失值；根据所述迭代总损失值对所述更新的自动缩放尺寸船舶检测网络中的参数进行反向传播，得到当前迭代自动缩放尺寸船舶检测模型；具体的，将迭代总损失值进行求偏导，得到更新的自动缩放尺寸船舶检测网络中每个参数的差值，根据所述差值对所述更新的自动缩放尺寸船舶检测网络进行修正，得到当前迭代自动缩放尺寸船舶检测网络以及当前迭代自动缩放尺寸船舶检测模型。
步骤S104，重复所述步骤S103直至将训练集中全部图片训练完，得到当前轮自动缩放尺寸船舶检测模型以及轮总损失值；
具体的，是从训练集中未被选取的图片中抽取所述预设数量的图片作为下次迭代图片，重复所述步骤S103直至将训练集中全部图片训练完，得到当前轮自动缩放尺寸船舶检测模型以及轮总损失值。
步骤S105，重复步骤S103、步骤S104，直至轮总损失值在第一预设范围（即±0.1%）内波动，得到目标自动缩放尺寸船舶检测模型；
步骤S106，将待检测图片输入到所述目标自动缩放尺寸船舶检测模型中进行检测，得到船舶位置。
具体的，所述将待检测图片输入到所述目标自动缩放尺寸船舶检测模型中进行检测包括：
步骤S1061，将待检测图片输入到所述目标自动缩放尺寸船舶检测模型中的图片缩放比例模块中，得到最优缩放尺寸（即得到待检测的图片的最优缩放尺寸）；
步骤S1062，根据所述最优缩放尺寸进行图片缩放操作得到缩放后的待检测图片；
即根据所述最优缩放尺寸对所述待检测的图片进行图片缩放操作得到缩放后的待检测图片，其通过以下公式计算：
Figure DEST_PATH_IMAGE014
/>
Figure DEST_PATH_IMAGE015
其中，
Figure DEST_PATH_IMAGE016
为待检测图片原始的宽；/>
Figure DEST_PATH_IMAGE017
为待检测图片原始的高；
Figure DEST_PATH_IMAGE018
为待检测的图片输入到目标自动缩放尺寸船舶检测模型中的图片缩放比例模块中得到的缩放尺寸比例；/>
Figure DEST_PATH_IMAGE019
为缩放后的待检测图片的宽；/>
Figure DEST_PATH_IMAGE020
为缩放后的待检测图片的高。
步骤S1063，将所述缩放后的待检测图片依次输入到所述目标自动缩放尺寸船舶检测模型中的主干网络、瓶颈层和检测头中进行检测。
本发明通过设计了自动缩放尺寸船舶检测网络，在传统的自动缩放尺寸船舶检测网络中增加了图片缩放比例模块，能够实现依据图片的特征进行自动缩放，减少了船舶检测的误检率，提高了船舶检测的准确率。
进一步的，通过目标船舶检测模型预测每张图片每个尺寸对应的召回率和准确率，通过召回率和准确率确定每张图片的最优尺寸，进一步减少了船舶检测的误检率，提高了船舶检测的准确率。
图4是本发明实施例提供的一种训练图片缩放尺寸船舶检测系统的结构示意图，如图4所示，所述系统包括：
获取单元201，用于顺次获取目标船舶检测模型和图片缩放比例模型；
图5是本发明实施例提供的获取单元的结构示意图，如图5所示，所述获取单元包括：
缩放训练子单元2011，用于将训练集中每张图片根据从预设图片缩放尺寸列表中的多个尺寸中随机抽取的一个尺寸进行缩放，并输入到初始船舶检测模型中进行训练，得到当前轮船舶检测模型以及损失值；
本发明中，设置阈值缩放尺寸为(1920*1080)，设置缩放比例列表为（0.5,1.5,2.5）。将阈值缩放尺寸乘以缩放比例列表得到预设图片缩放尺寸列表，即（960*540，2880*1620，4800*2700）。需要说明的是，本发明对缩放比例列表不作限定，即也可以是（0.5,0.6,0.8,1.5,2.5）、（0.5,0.8,1.2,1.5,1.8,2.0,2.2,2.5）等等。
例如：将训练集中第一张图片根据从预设图片缩放尺寸列表（960*540，2880*1620，4800*2700）中随机抽取的一个尺寸（960*540）进行缩放，即将第一张图片缩放为（960*540）；将训练集中第二张图片根据从预设图片缩放尺寸列表（960*540，2880*1620，4800*2700）中随机抽取的一个尺寸（2880*1620）进行缩放，即将第二张图片缩放为（2880*1620）；将训练集中每张图片进行缩放并输入到初始船舶检测模型中进行训练，得到当前轮船舶检测模型以及损失值。
重复训练子单元2012，用于将所述当前轮船舶检测模型作为所述初始船舶检测模型，重复所述缩放训练子单元直至船舶检测模型的损失值在第二预设范围内（即±0.1%）波动，得到所述目标船舶检测模型。
所述获取单元还包括：
预测子单元2013，用于将训练集中每张图片按照所述预设图片缩放尺寸列表中的多个尺寸进行缩放，并输入到所述目标船舶检测模型中进行预测，得到每张图片每个尺寸对应的召回率和准确率；根据召回率和准确率确定每张图片的最优尺寸；
所述根据召回率和准确率确定每张图片的最优尺寸包括：
将当前张图片每个尺寸对应的召回率进行对比，选择最大召回率所对应的尺寸为当前张图片的最优尺寸；
当判定当前张图片每个尺寸对应的召回率相等时，将当前张图片每个尺寸对应的准确率进行对比，选择最大准确率所对应的尺寸为当前张图片的最优尺寸。
例如：将训练集中第一张图片按照所述预设图片缩放尺寸列表（960*540，2880*1620，4800*2700）中的每个尺寸进行缩放，即将第一张图片缩放为（960*540）、（2880*1620）、（4800*2700），得到三个尺寸的图片；将三个尺寸的图片输入到目标船舶检测模型中进行预测，得到三个尺寸的目标坐标和类别得分，将第一个尺寸的目标坐标和类别得分与标定结果对比，得到第一个尺寸的召回率和准确率；将第二个尺寸的目标坐标和类别得分与标定结果对比，得到第二个尺寸的召回率和准确率；将第三个尺寸的目标坐标和类别得分与标定结果对比，得到第三个尺寸的召回率和准确率；将第一个尺寸的召回率与第二个尺寸的召回率、第三个尺寸的召回率进行对比，若第一个尺寸的召回率最大，则认为（960*540）为第一张图片的最优尺寸，若三个尺寸的召回率相等，则将第一个尺寸的准确率与第二个尺寸的准确率、第三个尺寸的准确率进行对比，若第一个尺寸的准确率最大，则认为（960*540）为第一张图片的最优尺寸；或者第一个尺寸的召回率和第二个尺寸的召回率相等，且均大于第三个尺寸的召回率，则将第一个尺寸的准确率与第二个尺寸的准确率进行对比，若第一个尺寸的准确率最大，则认为（960*540）为第一张图片的最优尺寸。
依据上述方法，可得到每张图片的最优尺寸。
标签子单元2014，用于将训练集中每张图片按照每张图片的最优尺寸的缩放比例进行分类，并根据分类进行标签比例制作；通过所述标签比例对训练集中每张图片进行贴标签；
例如：第一张图片，其最优尺寸为（960*540）；第二张图片，其最优尺寸为（2880*1620）；第三张图片，其最优尺寸为（4800*2700）；第四张图片，其最优尺寸为（2880*1620）；第五张图片，其最优尺寸为（4800*2700）；第六张图片，其最优尺寸为（960*540）；第一张图片和第六张图片为一类，第二张图片和第四张图片为一类，第三张图片和第五张图片为一类；根据分类制作标签比例，标签比例为最优尺寸的缩放比例，标签比例为（0.5,1.5,2.5）；第一张图片打0.5标签，第二张图片打1.5标签，第三张图片打2.5标签，第四张图片打1.5标签，第五张图片打2.5标签，第六张图片打0.5标签。
模型训练子单元2015，用于将贴标签后的所述训练集输入到图片缩放尺寸网络中进行训练，得到所述图片缩放比例模型。
具体的，选择图片缩放尺寸网络需要选择小网络，其主要原因是耗时比较少，不影响模型实时性（本发明中采用轻量级卷积神经网络（shuffleNet网络）为图片缩放尺寸网络）。
将打标签后的训练集输入到shuffleNet网络中进行第一轮的模型训练，得到第一轮图片缩放比例模型以及损失值；将打标签后的训练集输入到第一轮图片缩放比例模型中进行第二轮的模型训练，得到第二轮图片缩放比例模型以及损失值；重复上述训练，直至损失值趋于稳定（即在±0.1%范围内波动）时，停止模型训练，得到图片缩放比例模型。
更新单元202，用于将所述图片缩放比例模型的权重值插入到初始自动缩放尺寸船舶检测网络的图片缩放比例模块的参数中；将所述目标船舶检测模型的权重值插入到所述初始自动缩放尺寸船舶检测网络的主干网络、瓶颈层和检测头的参数中，得到更新的自动缩放尺寸船舶检测网络、更新的图片缩放比例模块、更新的主干网络、更新的瓶颈层和更新的检测头；
计算单元203，用于从训练集选取预设数量的图片作为当前迭代图片，将每张迭代图片输入到所述更新的图片缩放比例模块中，得到每张迭代图片的缩放尺寸比例；根据每张迭代图片的缩放尺寸比例计算得到迭代缩放比例损失值；根据每张迭代图片的缩放尺寸比例进行图片缩放操作得到缩放后的每张迭代图片；将缩放后的每张迭代图片依次输入到所述更新的主干网络、更新的瓶颈层和更新的检测头中，得到缩放后的每张迭代图片检测目标的类别得分和坐标；根据所述缩放后的每张迭代图片检测目标的类别得分和坐标计算得到迭代分类损失值和迭代回归损失值；根据所述迭代缩放比例损失值、所述迭代分类损失值、所述迭代回归损失值计算得到迭代总损失值；根据所述迭代总损失值对所述更新的自动缩放尺寸船舶检测网络中的参数进行反向传播，得到当前迭代自动缩放尺寸船舶检测模型；具体的，所述迭代缩放比例损失值根据以下公式计算：
Figure 948938DEST_PATH_IMAGE001
其中，
Figure 386872DEST_PATH_IMAGE002
为迭代缩放比例损失值，/>
Figure 682855DEST_PATH_IMAGE003
表示迭代图片中第/>
Figure 30791DEST_PATH_IMAGE003
张图片，N表示训练集中迭代图片的数量；/>
Figure 144241DEST_PATH_IMAGE004
表示迭代图片中第/>
Figure 944838DEST_PATH_IMAGE003
张图片输入到更新的图片缩放比例模块中得到的缩放尺寸比例；/>
Figure 169146DEST_PATH_IMAGE005
表示迭代图片中第/>
Figure 106009DEST_PATH_IMAGE003
张图片的缩放尺寸比例与所述标签比例一致时，赋值为1，反之赋值为0；/>
Figure 390360DEST_PATH_IMAGE006
表示迭代图片中第/>
Figure 678253DEST_PATH_IMAGE003
张图片输入到更新的图片缩放比例模块中得到的缩放尺寸比例的概率。
需要注意的是，所述标签比例为标签子单元2014中的标签比例。
进一步的，所述根据每张迭代图片的缩放尺寸进行图片缩放操作得到缩放后的每张迭代图片通过以下公式计算：
Figure 706251DEST_PATH_IMAGE007
Figure 763200DEST_PATH_IMAGE008
其中，
Figure 828239DEST_PATH_IMAGE009
为当前张迭代图片原始的宽（即当前张迭代图片在未输入到更新的图片缩放比例模块中的宽）；/>
Figure 728062DEST_PATH_IMAGE010
为当前张迭代图片原始的高（即当前张迭代图片在未输入到更新的图片缩放比例模块中的高）；/>
Figure 169539DEST_PATH_IMAGE011
为当前张迭代图片输入到更新的图片缩放比例模块中得到的缩放尺寸比例；/>
Figure 471207DEST_PATH_IMAGE012
为缩放后的当前张迭代图片的宽；/>
Figure 707148DEST_PATH_IMAGE013
为缩放后的当前张迭代图片的高。
将缩放后的每张迭代图片依次输入到所述更新的主干网络、更新的瓶颈层和更新的检测头中，得到缩放后的每张迭代图片检测目标的类别得分和坐标；根据所述缩放后的每张迭代图片检测目标的类别得分和坐标计算得到迭代分类损失值和迭代回归损失值；
将迭代缩放比例损失值、迭代分类损失值和迭代回归损失值相加得到迭代总损失值；根据所述迭代总损失值对所述更新的自动缩放尺寸船舶检测网络中的参数进行反向传播，得到当前迭代自动缩放尺寸船舶检测模型；
具体的，将迭代总损失值进行求偏导，得到更新的自动缩放尺寸船舶检测网络中每个参数的差值，根据所述差值对所述更新的自动缩放尺寸船舶检测网络进行修正，得到当前迭代自动缩放尺寸船舶检测网络以及当前迭代自动缩放尺寸船舶检测模型。第一重复训练单元204，用于重复所述计算单元203直至将训练集中全部图片训练完，得到当前轮自动缩放尺寸船舶检测模型以及轮总损失值；
具体的，是从训练集中未被选取的图片中抽取所述预设数量的图片作为下次迭代图片，重复所述计算单元203直至将训练集中全部图片训练完，得到当前轮自动缩放尺寸船舶检测模型以及轮总损失值。
第二重复训练单元205，用于重复所述计算单元、所述第一重复训练单元，直至轮总损失值在第一预设范围（即±0.1%）内波动，得到目标自动缩放尺寸船舶检测模型；
检测单元206，用于将待检测图片输入到所述目标自动缩放尺寸船舶检测模型中进行检测，得到船舶位置。
具体的，所述将待检测图片输入到所述目标自动缩放尺寸船舶检测模型中进行检测包括：
输入子单元2061，用于将待检测图片输入到所述目标自动缩放尺寸船舶检测模型中的图片缩放比例模块中，得到最优缩放尺寸（即得到待检测的图片的最优缩放尺寸）；
缩放子单元2062，用于根据所述最优缩放尺寸进行图片缩放操作得到缩放后的待检测图片；
即根据所述最优缩放尺寸对所述待检测的图片进行图片缩放操作得到缩放后的待检测图片，其通过以下公式计算：
Figure 94267DEST_PATH_IMAGE014
Figure 339434DEST_PATH_IMAGE015
其中，
Figure 105396DEST_PATH_IMAGE016
为待检测图片原始的宽；/>
Figure 902451DEST_PATH_IMAGE017
为待检测图片原始的高；
Figure 511287DEST_PATH_IMAGE018
为待检测的图片输入到目标自动缩放尺寸船舶检测模型中的图片缩放比例模块中得到的缩放尺寸比例；/>
Figure 560145DEST_PATH_IMAGE019
为缩放后的待检测图片的宽；/>
Figure 570827DEST_PATH_IMAGE020
为缩放后的待检测图片的高。
检测子单元2063，用于将所述缩放后的待检测图片依次输入到所述目标自动缩放尺寸船舶检测模型中的主干网络、瓶颈层和检测头中进行检测。
本发明通过设计了自动缩放尺寸船舶检测网络，在传统的自动缩放尺寸船舶检测网络中增加了图片缩放比例模块，能够实现依据图片的特征进行自动缩放，减少了船舶检测的误检率，提高了船舶检测的准确率。
进一步的，通过目标船舶检测模型预测每张图片每个尺寸对应的召回率和准确率，通过召回率和准确率确定每张图片的最优尺寸，进一步减少了船舶检测的误检率，提高了船舶检测的准确率。
本发明的有益效果：
本发明提供了一种训练图片缩放尺寸船舶检测方法及系统，该方法包括：顺次获取目标船舶检测模型和图片缩放比例模型；将图片缩放比例模型的权重值插入到初始自动缩放尺寸船舶检测网络的参数中；将目标船舶检测模型的权重值插入到初始自动缩放尺寸船舶检测网络的参数中，得到更新的自动缩放尺寸船舶检测网络，将训练集中每张图片输入到更新的自动缩放尺寸船舶检测网络中进行训练并调整网络中的参数，得到目标自动缩放尺寸船舶检测模型；将待检测图片输入到目标自动缩放尺寸船舶检测模型中进行检测，得到船舶位置。本发明通过设计了自动缩放尺寸船舶检测网络，在传统的自动缩放尺寸船舶检测网络中增加了图片缩放比例模块，能够实现依据图片的特征进行自动缩放，减少了船舶检测的误检率，提高了船舶检测的准确率。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例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同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种训练图片缩放尺寸船舶检测方法，其特征在于，包括：
步骤S101，顺次获取目标船舶检测模型和图片缩放比例模型；
步骤S102，将所述图片缩放比例模型的权重值插入到初始自动缩放尺寸船舶检测网络的图片缩放比例模块的参数中；将所述目标船舶检测模型的权重值插入到所述初始自动缩放尺寸船舶检测网络的主干网络、瓶颈层和检测头的参数中，得到更新的自动缩放尺寸船舶检测网络：包括更新的图片缩放比例模块、更新的主干网络、更新的瓶颈层和更新的检测头；
步骤S103，从训练集选取预设数量的图片作为迭代图片，将每张迭代图片输入到所述更新的图片缩放比例模块中，得到每张迭代图片的缩放尺寸比例；根据每张迭代图片的缩放尺寸比例计算得到迭代缩放比例损失值；根据每张迭代图片的缩放尺寸比例进行图片缩放操作得到缩放后的每张迭代图片；将缩放后的每张迭代图片依次输入到所述更新的主干网络、更新的瓶颈层和更新的检测头中，得到缩放后的每张迭代图片检测目标的类别得分和坐标；根据所述缩放后的每张迭代图片检测目标的类别得分和坐标计算得到迭代分类损失值和迭代回归损失值；根据所述迭代缩放比例损失值、所述迭代分类损失值、所述迭代回归损失值计算得到迭代总损失值；根据所述迭代总损失值对所述更新的自动缩放尺寸船舶检测网络中的参数进行反向传播，得到当前迭代自动缩放尺寸船舶检测模型；
步骤S104，重复所述步骤S103直至将训练集中全部图片训练完，得到当前轮自动缩放尺寸船舶检测模型以及轮总损失值；
步骤S105，重复步骤S103、步骤S104，直至轮总损失值在第一预设范围内波动，得到目标自动缩放尺寸船舶检测模型；
步骤S106，将待检测图片输入到所述目标自动缩放尺寸船舶检测模型中进行检测，得到船舶位置。
2.根据权利要求1所述的方法，其特征在于，所述获取目标船舶检测模型包括：
步骤S1011，将训练集中每张图片根据从预设图片缩放尺寸列表中的多个尺寸中随机抽取的一个尺寸进行缩放，并输入到初始船舶检测模型中进行训练，得到当前轮船舶检测模型以及损失值；
步骤S1012，将所述当前轮船舶检测模型作为所述初始船舶检测模型，重复步骤S1011直至船舶检测模型的损失值在第二预设范围内波动，得到所述目标船舶检测模型。
3.根据权利要求2所述的方法，其特征在于，所述图片缩放比例模型的获取包括：
将训练集中每张图片按照所述预设图片缩放尺寸列表中的多个尺寸进行缩放，并输入到所述目标船舶检测模型中进行预测，得到每张图片每个尺寸对应的召回率和准确率；根据召回率和准确率确定每张图片的最优尺寸；
将训练集中每张图片按照每张图片的最优尺寸的缩放比例进行分类，并根据分类进行标签比例制作；通过所述标签比例对训练集中每张图片进行贴标签；
将贴标签后的所述训练集输入到图片缩放尺寸网络中进行训练，得到所述图片缩放比例模型。
4.根据权利要求3所述的方法，其特征在于，所述迭代缩放比例损失值根据以下公式计算：
Figure FDA0003967181590000021
其中，Loss比例损失为迭代缩放比例损失值，i表示迭代图片中第i张图片，N表示训练集中迭代图片的数量；yi表示迭代图片中第i张图片输入到更新的图片缩放比例模块中得到的缩放尺寸比例；Pi表示迭代图片中第i张图片的缩放尺寸比例与所述标签比例一致时，赋值为1，反之赋值为0；Q(yi)表示迭代图片中第i张图片输入到更新的图片缩放比例模块中得到的缩放尺寸比例的概率。
5.根据权利要求1所述的方法，其特征在于，所述根据每张迭代图片的缩放尺寸进行图片缩放操作得到缩放后的每张迭代图片通过以下公式计算：
w2＝w1×ration_predict
h2＝h1×ration_predict
其中，w1为当前张迭代图片原始的宽；h1为当前张迭代图片原始的高；ration_predict为当前张迭代图片输入到更新的图片缩放比例模块中得到的缩放尺寸比例；w2为缩放后的当前张迭代图片的宽；h2为缩放后的当前张迭代图片的高。
6.根据权利要求3所述的方法，其特征在于，所述根据召回率和准确率确定每张图片的最优尺寸包括：
将当前张图片每个尺寸对应的召回率进行对比，选择最大召回率所对应的尺寸为当前张图片的最优尺寸；
当判定当前张图片每个尺寸对应的召回率相等时，将当前张图片每个尺寸对应的准确率进行对比，选择最大准确率所对应的尺寸为当前张图片的最优尺寸。
7.根据权利要求1所述的方法，其特征在于，所述将待检测图片输入到所述目标自动缩放尺寸船舶检测模型中进行检测包括：
将待检测图片输入到所述目标自动缩放尺寸船舶检测模型中的图片缩放比例模块中，得到最优缩放尺寸；
根据所述最优缩放尺寸进行图片缩放操作得到缩放后的待检测图片；
将所述缩放后的待检测图片输入到所述目标自动缩放尺寸船舶检测模型中进行检测。
8.一种训练图片缩放尺寸船舶检测系统，其特征在于，包括：
获取单元，用于顺次获取目标船舶检测模型和图片缩放比例模型；
更新单元，用于将所述图片缩放比例模型的权重值插入到初始自动缩放尺寸船舶检测网络的图片缩放比例模块的参数中；将所述目标船舶检测模型的权重值插入到所述初始自动缩放尺寸船舶检测网络的主干网络、瓶颈层和检测头的参数中，得到更新的自动缩放尺寸船舶检测网络：包括更新的图片缩放比例模块、更新的主干网络、更新的瓶颈层和更新的检测头；
计算单元，用于从训练集选取预设数量的图片作为迭代图片，将每张迭代图片输入到所述更新的图片缩放比例模块中，得到每张迭代图片的缩放尺寸比例；根据每张迭代图片的缩放尺寸比例计算得到迭代缩放比例损失值；根据每张迭代图片的缩放尺寸比例进行图片缩放操作得到缩放后的每张迭代图片；将缩放后的每张迭代图片依次输入到所述更新的主干网络、更新的瓶颈层和更新的检测头中，得到缩放后的每张迭代图片检测目标的类别得分和坐标；根据所述缩放后的每张迭代图片检测目标的类别得分和坐标计算得到迭代分类损失值和迭代回归损失值；根据所述迭代缩放比例损失值、所述迭代分类损失值、所述迭代回归损失值计算得到迭代总损失值；根据所述迭代总损失值对所述更新的自动缩放尺寸船舶检测网络中的参数进行反向传播，得到当前迭代自动缩放尺寸船舶检测模型；
第一重复训练单元，用于重复所述计算单元直至将训练集中全部图片训练完，得到当前轮自动缩放尺寸船舶检测模型以及轮总损失值；
第二重复训练单元，用于重复所述计算单元、所述第一重复训练单元，直至轮总损失值在第一预设范围内波动，得到目标自动缩放尺寸船舶检测模型；
检测单元，用于将待检测图片输入到所述目标自动缩放尺寸船舶检测模型中进行检测，得到船舶位置。
9.根据权利要求8所述的系统，其特征在于，所述获取单元包括：
缩放训练子单元，用于将训练集中每张图片根据从预设图片缩放尺寸列表中的多个尺寸中随机抽取的一个尺寸进行缩放，并输入到初始船舶检测模型中进行训练，得到当前轮船舶检测模型以及损失值；
重复训练子单元，用于将所述当前轮船舶检测模型作为所述初始船舶检测模型，重复所述缩放训练子单元直至船舶检测模型的损失值在第二预设范围内波动，得到所述目标船舶检测模型。
10.根据权利要求9所述的系统，其特征在于，所述获取单元还包括：
预测子单元，用于将训练集中每张图片按照所述预设图片缩放尺寸列表中的多个尺寸进行缩放，并输入到所述目标船舶检测模型中进行预测，得到每张图片每个尺寸对应的召回率和准确率；根据召回率和准确率确定每张图片的最优尺寸；
标签子单元，用于将训练集中每张图片按照每张图片的最优尺寸的缩放比例进行分类，并根据分类进行标签比例制作；通过所述标签比例对训练集中每张图片进行贴标签；
模型训练子单元，用于将贴标签后的所述训练集输入到图片缩放尺寸网络中进行训练，得到所述图片缩放比例模型。
CN202211250232.3A 2022-10-13 2022-10-13 训练图片缩放尺寸船舶检测方法及系统 Active CN115330777B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211250232.3A CN115330777B (zh) 2022-10-13 2022-10-13 训练图片缩放尺寸船舶检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211250232.3A CN115330777B (zh) 2022-10-13 2022-10-13 训练图片缩放尺寸船舶检测方法及系统

Publications (2)

Publication Number Publication Date
CN115330777A CN115330777A (zh) 2022-11-11
CN115330777B true CN115330777B (zh) 2023-03-24

Family

ID=83914083

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211250232.3A Active CN115330777B (zh) 2022-10-13 2022-10-13 训练图片缩放尺寸船舶检测方法及系统

Country Status (1)

Country Link
CN (1) CN115330777B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116168256B (zh) * 2023-04-19 2023-07-14 浙江华是科技股份有限公司 一种船舶检测方法、系统及计算机存储介质
CN117789041B (zh) * 2024-02-28 2024-05-10 浙江华是科技股份有限公司 一种基于大气散射先验扩散模型的船舶去雾方法及系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6603883B1 (en) * 1998-09-08 2003-08-05 Canon Kabushiki Kaisha Image processing apparatus including an image data encoder having at least two scalability modes and method therefor
CN102831576B (zh) * 2012-06-14 2014-09-24 北京暴风科技股份有限公司 一种视频图像缩放方法及系统
CN107578021A (zh) * 2017-09-13 2018-01-12 北京文安智能技术股份有限公司 基于深度学习网络的行人检测方法、装置及系统
CN109308461A (zh) * 2018-09-06 2019-02-05 广东智媒云图科技股份有限公司 一种车型图片修复训练样本的生成方法
CN110503002B (zh) * 2019-07-26 2021-11-26 瑞芯微电子股份有限公司 一种人脸检测方法和存储介质
CN114049627B (zh) * 2022-01-11 2022-04-08 浙江华是科技股份有限公司 可智能选择缩放尺度的船牌检测方法、装置及系统
CN115100663A (zh) * 2022-05-11 2022-09-23 北京邮电大学 文档图像中文字高度的分布情况估计方法及装置
CN115019321A (zh) * 2022-07-06 2022-09-06 北京百度网讯科技有限公司 一种文本识别、模型训练方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN115330777A (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
CN115330777B (zh) 训练图片缩放尺寸船舶检测方法及系统
CN106960195B (zh) 一种基于深度学习的人群计数方法及装置
CN111160469B (zh) 一种目标检测系统的主动学习方法
CN108960135B (zh) 基于高分辨遥感图像的密集舰船目标精确检测方法
CN110796048A (zh) 一种基于深度神经网络的船舰目标实时检测方法
CN111126359A (zh) 基于自编码器与yolo算法的高清图像小目标检测方法
CN110610483B (zh) 裂纹图像获取、检测方法、计算机设备及可读存储介质
CN111639740A (zh) 一种基于多尺度卷积神经网络的钢筋计数方法
CN111798447B (zh) 一种基于Faster RCNN的深度学习塑化材料缺陷检测方法
CN116310785B (zh) 基于YOLO v4的无人机影像路面病害检测方法
CN110598698B (zh) 基于自适应区域建议网络的自然场景文本检测方法和系统
CN112633149B (zh) 一种域自适应雾天图像目标检测方法和装置
CN110020650B (zh) 一种基于深度学习识别模型的倾斜车牌的识别方法及装置
CN110751606B (zh) 一种基于神经网络算法的泡沫图像处理方法及系统
CN115239710A (zh) 基于注意力反馈和双空间金字塔的绝缘子缺陷检测方法
CN113487600A (zh) 一种特征增强尺度自适应感知船舶检测方法
CN115147418A (zh) 缺陷检测模型的压缩训练方法和装置
CN109657682B (zh) 一种基于深度神经网络和多阈值软切分的电能表示数识别方法
CN114663382A (zh) 基于YOLOv5卷积神经网络的电子元器件表面缺陷检测方法
CN114581419A (zh) 变压器绝缘套管缺陷检测方法、相关设备及可读存储介质
CN114612803A (zh) 一种改进CenterNet的输电线路绝缘子缺陷检测方法
CN116363552A (zh) 一种应用于边缘设备的实时目标检测方法
CN115690770A (zh) 基于空间注意力特征的非受限场景下的车牌识别方法
CN115240070A (zh) 一种裂缝检测方法
CN115272819A (zh) 一种基于改进Faster-RCNN的小目标检测方法

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
GR01 Patent grant
GR01 Patent grant