CN115471759A - 一种少样本条件下基于高分辨率光学卫星遥感影像的舰船舰级识别技术 - Google Patents

一种少样本条件下基于高分辨率光学卫星遥感影像的舰船舰级识别技术 Download PDF

Info

Publication number
CN115471759A
CN115471759A CN202211331616.8A CN202211331616A CN115471759A CN 115471759 A CN115471759 A CN 115471759A CN 202211331616 A CN202211331616 A CN 202211331616A CN 115471759 A CN115471759 A CN 115471759A
Authority
CN
China
Prior art keywords
ship
remote sensing
satellite remote
optical satellite
level identification
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
CN202211331616.8A
Other languages
English (en)
Inventor
范泽琳
杨笑天
王梁
谭金林
唐锐
鱼昕
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.)
Shaanxi Aerospace Technology Application Research Institute Co ltd
Original Assignee
Shaanxi Aerospace Technology Application Research Institute 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 Shaanxi Aerospace Technology Application Research Institute Co ltd filed Critical Shaanxi Aerospace Technology Application Research Institute Co ltd
Priority to CN202211331616.8A priority Critical patent/CN115471759A/zh
Publication of CN115471759A publication Critical patent/CN115471759A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • 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
    • G06V10/77—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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)

Abstract

本发明属于图像目标识别技术领域，公开了一种少样本条件下基于高分辨率光学卫星遥感影像的舰船舰级识别技术。本发明采用自由组合式样本增广方法对光学卫星遥感舰船舰级样本数据集进行高效增广，并通过结合CBAM注意力模块和SE‑SMFR模块改进的YOLOv5s目标检测模型实现对舰船舰级的有效识别，解决了光学卫星遥感舰船舰级样本不足导致识别模型训练困难以及在高分辨率光学卫星遥感影像中舰船舰级丰富、尺度差异大、分布形态多样，易受成像条件影响等导致舰级识别困难的问题，提高了舰船目标精细化识别的能力。

Description

一种少样本条件下基于高分辨率光学卫星遥感影像的舰船舰 级识别技术
技术领域
本发明属于图像目标识别技术领域，具体涉及一种少样本条件下基于高分辨率光学卫星遥感影像的舰船舰级识别技术。
背景技术
舰船目标作为海上活动的主体，是海上信息感知的主要对象。高分辨率光学卫星具备覆盖范围大、信息获取迅速、不受地表环境限制、定位精度高(可达到数十米量级)、信息反映清晰、且不受目标信号静默影响的特点，能够为海上舰船识别提供有效的信息支撑。近年来，高分辨率光学卫星的发展迅速，为海上舰船目标识别提供了丰富的数据来源。但如何从大数据体量、大区域覆盖的高分辨率光学卫星遥感数据中，快速且准确地识别舰船目标位置及舰级信息，是卫星资源有效支撑海上信息感知的关键。
以往传统的舰船目标检测识别方法主要聚焦于挖掘舰船目标的特有属性，对于目标的检测识别通常分为候选区域提取、特征提取以及目标分类3个阶段。由于海上变化无常的气象条件和极端复杂环境的影响、人为伪装，以及目标的非合作性、目标类型的多样性，使得传统的舰船目标识别方法仍存在自动化程度不高、模型泛化程度不足、准确性较低等问题。
近年来快速发展的神经网络深度学习技术，为光学卫星遥感数据中舰船目标的高效识别提供了新的技术手段。深度学习，旨在模拟人脑的深层结构与认知机制建立机器学习模型，来解释图像、语音、文本等大规模复杂数据，利用多层体系架构来有效地、非监督地提取出底层数据的潜在的典型特征，可表征复杂高维函数，进而提供给高层进行分类与回归，具备强大的特征提取能力与优秀的泛化性。当前，在目标检测领域，深度学习凭借速度快、精度高、智能化等特点，已得到广泛的研究与应用。然而，深度学习技术在光学卫星遥感影像舰船目标识别中，依旧面临高分辨率遥感光学样本数据获取受限、高分辨率光学卫星遥感影像易受多种条件影响导致特征变化大、高分辨率光学卫星遥感图像中舰船精细化特征有效提取困难等问题，使得精细化的舰级识别难以实现。
术语解释：
YOLOv5s(You Only Look Once v5s)一种深度学习目标检测模型，用于图像中目标类别和位置的检测。
CBAM(Convolutional BlockAttention Module)卷积注意力机制模块，用于前馈卷积神经网络的简单而有效的注意力模块。
SE又称SENet(Squeeze and Excitation Networks)一种让网络模型对特征进行校准的机制，使网络从全局信息出发来选择性的放大有价值的特征通道并且抑制无用的特征通道。
SE-SMFR(Squeeze and Excitation-Second Meta Feature Reweighting)模块，用于调整图像元特征的通道权重，实现二次重加权，补偿图像中元特征的偏移。
发明内容
本发明的目的是在当前舰船目标自动化检测和类型识别研究的基础上，提供一种少样本条件下基于高分辨率光学卫星遥感影像的舰船舰级识别技术，采用自由组合式样本增广方法对光学卫星遥感舰船舰级样本数据集进行高效增广，并通过结合CBAM注意力模块和SE-SMFR模块改进的YOLOv5s目标检测模型实现对舰船舰级的有效识别，解决了光学卫星遥感舰船舰级样本不足导致识别模型训练困难以及在高分辨率光学卫星遥感影像中舰船舰级丰富、尺度差异大、分布形态多样，易受成像条件影响等导致舰级识别困难的问题，提高了舰船目标精细化识别的能力。
本发明采取的技术方案是一种少样本条件下基于高分辨率光学卫星遥感影像的舰船舰级识别技术，包括：
S1、对光学卫星遥感舰船舰级样本数据集进行自由组合式样本增广；
S2、改进的YOLOv5s舰船舰级识别模型构建；
S3、舰船舰级识别模型训练及测试；
S4、基于高分辨率光学卫星遥感影像的舰船舰级识别。
进一步地，所述S1中，自由组合式样本增广为旋转、镜像、裁剪、模糊、亮度调整以及噪声添加中两种及以上样本增广方式配合的多方式增广处理。
进一步地，所述S2中，改进的YOLOv5s舰船舰级识别模型构建的方法为：
⑴引入CBAM注意力模块，对原YOLOv5s模型主干网络Backbone和特征网络层Neck中原有的CBL模块进行替换；
⑵引入SE-SMFR模块，对原YOLOv5s模型CSP1模块中原有的Res unit残差模块进行替换。
进一步地，CBAM注意力模块用于对图像内的目标进行轮廓分割，进而辅助对图像内目标的细节特征进行高效提取，模块包含通道注意力模块和空间注意力模块。
进一步地，通道注意力模块负责对特征进行基于通道筛选的修正，空间注意力模块负责实现特征在重点区域的聚焦。
进一步地，CBAM注意力模块的处理步骤包括：
⑴特征修正；
⑵特征聚焦。
进一步地，SE-SMFR模块用于对图像元特征进行增强融合，实现“多—少”样本之间元特征信息的共享，并自适应地补偿元特征微调后产生的偏移。
进一步地，SE-SMFR模块的处理步骤包括：
⑴压缩；
⑵激励；
⑶融合。
本发明的有益效果在于：
⑴提供一种自由组合式样本增广方法，能够灵活有效地对原始遥感光学卫星舰船少样本数据集进行高效增广；
⑵结合CBAM注意力模块，对原YOLOv5s模型进行改进，实现舰船目标个体边缘轮廓的像素级精细分割，增强多尺度舰船个体特征的聚焦性；
⑶结合SE-SMFR模块，对原YOLOv5s模型进行改进，实现舰船目标个体特征自适应选择、增强和融合，提高网络对于舰船舰级精细化特征的提取能力；
⑷提出一种针对少样本条件下高分辨率光学卫星遥感影像的舰船舰级识别技术，使得少样本条件下高分辨率光学卫星遥感影像中舰船舰级的自动化识别成为可能。
附图说明
图1为本发明总体技术流程示意图；
图2为本发明自由组合式样本增广方法流程图；
图3为本发明YOLOv5s模型结构图；
图4为本发明改进的YOLOv5s模型结构图；
图5为本发明CBAM注意力模块结构示意图；
图6为本发明SE-SMFR模块结构示意图；
图7为本发明实施例1舰船舰级识别局部示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。
本发明公开一种少样本条件下基于高分辨率光学卫星遥感影像的舰船舰级识别技术，如图1所示，包括：
S1、对光学卫星遥感舰船舰级样本数据集进行自由组合式样本增广
不同于人脸、指纹识别领域丰富的样本数据支撑，对于光学卫星遥感舰船目标样本，尤其是航空母舰、驱逐舰、护卫舰、两栖攻击舰等高价值的舰船目标，遥感光学卫星样本获取的难度更大。深度学习是典型数据驱动的“表示学习”范式，由计算机自发从样本集中发现数据特征规则，进行自学习。因此，样本集中样本的代表性、多样性、丰富度直接决定了模型最终的识别精度。为了保障模型的识别精度，首先需要对原有的少样本数据集进行高效扩张，本发明采用一种灵活的自由组合式的遥感光学卫星舰船样本增广方法，如图2所示，其中，样本增广方式包括：
⑴旋转
以样本数据中目标的中心点为轴心，从(0°,360°)范围内设定特定旋转角度完成样本的旋转操作。
⑵镜像
对原始样本图像进行镜像翻转。
⑶裁剪
随机从样本图像中选择一部分，然后将这部分图像裁剪出来，并重采样为原图像的大小。
⑷模糊
设定滤波器的类型(如高斯滤波器、均值滤波、拉普拉斯滤波等)，卷积核的大小及滤波器的标准差，对原始样本图像进行滤波模糊处理。
⑸亮度调整
对原始样本图像进行亮度的升高及降低。
⑹噪声添加
对原始样本图像进行加噪处理，噪声类型包括高斯噪声、椒盐噪声、瑞利噪声。
本发明的自由组合式样本增广方法基于上述各类样本增广方式，对原始光学卫星遥感舰船舰级样本数据集进行两种及以上样本增广方式配合的多方式样本增广，完成对原始样本数据的增广处理。
S2、改进的YOLOv5s舰船舰级识别模型构建
YOLOv5模型是Ultralytics公司于2020年6月9日公开发布的，包含有YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x四个模型。其中，YOLOv5s模型是YOLOv5模型系列中深度最小，特征图的宽度最小的网络，适用于大幅宽高分辨率光学卫星遥感影像中舰船小目标的快速识别,YOLOv5s模型结构如图3所示，YOLOv5s模型结构可以分为四个部分：输入端、主干网络Backbone、特征网络层Neck和预测层Prediction。
针对高分辨率光学卫星遥感影像中舰船目标舰级识别的应用场景，对原有的YOLOv5s目标检测模型进行改进。首先，对主干网络Backbone和特征网络层Neck中原有的CBL模块进行替换，替换为CBAM注意力模块；其次，对CSP1模块中原有的Res unit残差模块进行替换，替换为SE-SMFR模块。YOLOv5s模型在模块替换后进行自适应调整，属于领域内基本操作，在此不作额外说明，改进后的YOLOv5s模型结构如图4所示。
本发明的CBAM注意力模块对图像内的目标进行轮廓分割，进而辅助对图像内目标的细节特征进行高效提取。如图5所示，CBAM注意力模块包含通道注意力模块和空间注意力模块两部分，通道注意力模块负责对特征进行基于通道筛选的修正，空间注意力模块负责实现特征在重点区域的聚焦。
CBAM注意力模块的具体处理步骤如下：
以维度为w×h×m的元特征Feature为例
⑴特征修正
针对维度为w×h×m的元特征Feature，以通道为单位进行全局最大池化及全局平均池化，分别得到两个1×1×m的一维张量，并将这两个张量相加得到一个融合张量。将上述融合张量经sigmoid函数激活并与元特征Feature按元素矩阵相乘，生成修正后的元特征Feature′。
⑵特征聚焦
将元特征Feature′以其空间位置为单位，对其m维通道分别做平均池化和最大池化，得到两个大小为w×m的矩阵并拼接，并采用一个大小为7×7的卷积核对拼接后的张量进行卷积操作，生成一个w×h×1的向量。将上述向量经sigmoid函数激活后再与原始元特征Feature按元素矩阵相乘，最终生成目标区域注意力元特征Feature″。
在通道卷积后嵌入SE-SMFR模块，该模块对图像元特征进行增强融合，实现“多—少”样本之间元特征信息的共享，并自适应地补偿元特征微调后产生的偏移，提升图像中目标的检测能力。结合参看图6，SE-SMFR模块的具体处理步骤如下：
⑴压缩
对经过残差单元输出的多样本元特征进行全局池化，得到一维特征向量。其中，缩放参数C用于减少通道数，进而降低计算量。
⑵激励
将压缩后的全局特征向量输入全连接层，对特征中的各维度信息进行融合，并使用ReLu函数对元特征进行激活。再次将元特征输入全连接层完成信息融合，并使用Sigmoid函数对元特征进行激活，将元特征信息映射到0～1之间。
⑶融合
将获得的多样本元特征图通道权重与原始元特征进行矩阵相乘，完成特征融合，补偿多样本元特征的偏移。
YOLOv5s模型、CBAM注意力模块以及SE-SMFR模块均属于现有技术，对其具体设计原理不作详细描述。
S3、舰船舰级识别模型训练及测试
根据舰船舰级识别模型网络设计的需求，将样本数据归一化并裁剪为直接用于训练的训练样本图像。进一步将训练样本输入到构建好的模型训练器中进行训练，对神经网络中的模型参数进行修正，直至训练过程收敛，训练结束，舰船检测识别模型确定并保存。
S4、基于高分辨率光学卫星遥感影像的舰船舰级识别
将待检测的高分辨率光学卫星遥感影像按照训练样本图像的大小进行分块预处理，分块时相邻块之间需要保留一定的重叠度。预处理完成后对分块后的目标图像进行舰船舰级检测识别，检测后对各块的检测结果进行单独后处理，最后将所有子块的检测结果进行融合得到最终检测结果。
实施例1
例举实施例1验证本发明的可行性及有效性。
本实施例中遥感光学卫星样本数据集共包含样本数据共1281个，包含高分一号样本数据164个，高分二号样本数据510个，WorldView系列卫星样本数据607个。样本集涵盖航空母舰、驱逐舰、补给舰、两栖攻击舰和登陆舰共5大类舰船，涉及不同舰级舰船共13个。其中，随机选择895个样本作为训练样本，386个样本作为测试样本。
⑴自由组合式样本增广
首先对训练样本进行增广处理，本实施例采用的样本增广方法包括：旋转(顺时针30度)、镜像、裁剪、模糊(高斯模糊，卷积核大小为5，滤波器标准差为1)、亮度调整(提升20％)、噪声添加(椒盐噪声，噪声密度0.03)，实际操作中采用自由组合式样本增广方式：①模糊+噪声添加、②旋转+亮度调整、③裁剪+旋转、④裁剪+模糊、⑤亮度调整+模糊、⑥亮度调整+噪声添加、⑦镜像+模糊+噪声添加、⑧旋转+模糊+亮度调整、⑨镜像+裁剪+噪声添加、⑩裁剪+亮度调整+模糊+噪声添加共10种具体的样本增广方式对原始训练样本数据进行增广，增广后训练样本集数量达到9845个。
⑵模型构建
使用python编程语言，基于PyTorch深度学习框架，以开源的YOLOv5s模型为基础进行模型改进，对主干网络Backbone和特征网络层Neck中原有的CBL模块替换为CBAM注意力模块，并将CSP1模块中原有的Res unit残差模块替换为SE-SMFR模块。
⑶模型训练及测试
训练阶段，根据网络模型设计的需求，将增广后的样本数据进行归一化处理并裁剪，处理完成后输入到构建好的模型训练器中进行训练。训练过程中对网络模型中的模型参数进行修正，直至训练过程收敛，训练结束。
测试阶段，将测试数据集(386个样本)输入到训练好的模型中，进行模型测试。测试结果表明，针对386个测试样本，其中舰级识别正确的样本为262个，舰级识别错误的样本数为124个，模型的舰级识别正确率为67.9％。
⑷基于高分辨率光学卫星遥感影的舰船舰级识别
将一景高分二号影像数据首先按照训练样本图像的大小(512*512)进行分块预处理，分块时相邻块之间需要保留一定的重叠度(30％)。将处理后的影像块输入到舰船舰级识别模型中进行识别，识别完成后将影像块中目标预测框的坐标转换为原图中的坐标，对所有影像块的识别结果进行合并。进一步，对原图中单个目标的多个预测框进行非极大抑制，保留置信度最大的预测框作为最终的舰船舰级识别结果，完成基于高分辨率光学卫星遥感影像中舰船目标的舰级识别，识别效果如图7所示。
应当理解，以上描述的具体实施方式和实施例仅仅用以解释本发明,并不用于限定本发明，凡在本发明的精神和原则之内所作的任何改变、等同替换和变形等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种少样本条件下基于高分辨率光学卫星遥感影像的舰船舰级识别技术，其特征在于，包括：
S1、对光学卫星遥感舰船舰级样本数据集进行自由组合式样本增广；
S2、改进的YOLOv5s舰船舰级识别模型构建；
S3、舰船舰级识别模型训练及测试；
S4、基于高分辨率光学卫星遥感影像的舰船舰级识别。
2.根据权利要求1所述的少样本条件下基于高分辨率光学卫星遥感影像的舰船舰级识别技术，其特征在于，所述S1中，自由组合式样本增广为旋转、镜像、裁剪、模糊、亮度调整以及噪声添加中两种及以上样本增广方式配合的多方式增广处理。
3.根据权利要求1所述的少样本条件下基于高分辨率光学卫星遥感影像的舰船舰级识别技术，其特征在于，所述S2中，改进的YOLOv5s舰船舰级识别模型构建的方法为：
⑴引入CBAM注意力模块，对原YOLOv5s模型主干网络Backbone和特征网络层Neck中原有的CBL模块进行替换；
⑵引入SE-SMFR模块，对原YOLOv5s模型CSP1模块中原有的Res unit残差模块进行替换。
4.根据权利要求3所述的少样本条件下基于高分辨率光学卫星遥感影像的舰船舰级识别技术，其特征在于，CBAM注意力模块用于对图像内的目标进行轮廓分割，进而辅助对图像内目标的细节特征进行高效提取，模块包含通道注意力模块和空间注意力模块。
5.根据权利要求4所述的少样本条件下基于高分辨率光学卫星遥感影像的舰船舰级识别技术，其特征在于，通道注意力模块负责对特征进行基于通道筛选的修正，空间注意力模块负责实现特征在重点区域的聚焦。
6.根据权利要求4所述的少样本条件下基于高分辨率光学卫星遥感影像的舰船舰级识别技术，其特征在于，CBAM注意力模块的处理步骤包括：
⑴特征修正；
⑵特征聚焦。
7.根据权利要求3所述的少样本条件下基于高分辨率光学卫星遥感影像的舰船舰级识别技术，其特征在于，SE-SMFR模块用于对图像元特征进行增强融合，实现“多—少”样本之间元特征信息的共享，并自适应地补偿元特征微调后产生的偏移。
8.根据权利要求7所述的少样本条件下基于高分辨率光学卫星遥感影像的舰船舰级识别技术，其特征在于，SE-SMFR模块的处理步骤包括：
⑴压缩；
⑵激励；
⑶融合。
CN202211331616.8A 2022-10-28 2022-10-28 一种少样本条件下基于高分辨率光学卫星遥感影像的舰船舰级识别技术 Pending CN115471759A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211331616.8A CN115471759A (zh) 2022-10-28 2022-10-28 一种少样本条件下基于高分辨率光学卫星遥感影像的舰船舰级识别技术

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211331616.8A CN115471759A (zh) 2022-10-28 2022-10-28 一种少样本条件下基于高分辨率光学卫星遥感影像的舰船舰级识别技术

Publications (1)

Publication Number Publication Date
CN115471759A true CN115471759A (zh) 2022-12-13

Family

ID=84336664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211331616.8A Pending CN115471759A (zh) 2022-10-28 2022-10-28 一种少样本条件下基于高分辨率光学卫星遥感影像的舰船舰级识别技术

Country Status (1)

Country Link
CN (1) CN115471759A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117036982A (zh) * 2023-10-07 2023-11-10 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) 海上养殖区的光学卫星图像处理方法和装置、设备和介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117036982A (zh) * 2023-10-07 2023-11-10 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) 海上养殖区的光学卫星图像处理方法和装置、设备和介质
CN117036982B (zh) * 2023-10-07 2024-01-09 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) 海上养殖区的光学卫星图像处理方法和装置、设备和介质

Similar Documents

Publication Publication Date Title
CN108460382B (zh) 基于深度学习单步检测器的光学遥感图像舰船检测方法
Jiang et al. Underwater image enhancement with lightweight cascaded network
CN111985376A (zh) 一种基于深度学习的遥感影像舰船轮廓提取方法
CN114511774A (zh) 一种舰船目标综合识别方法、介质和系统
CN115471759A (zh) 一种少样本条件下基于高分辨率光学卫星遥感影像的舰船舰级识别技术
CN112488963A (zh) 一种用于农作物病害数据的增强方法
CN115019302A (zh) 一种改进型yolox目标检测模型构建方法及其应用
CN116486243A (zh) 基于DP-ViT的声呐图像目标检测方法
Han et al. UIEGAN: Adversarial learning-based photorealistic image enhancement for intelligent underwater environment perception
CN113408340A (zh) 基于增强型特征金字塔的双极化sar小型船只检测方法
CN113989612A (zh) 基于注意力及生成对抗网络的遥感影像目标检测方法
Sreekala et al. Deep convolutional neural network with Kalman filter based objected tracking and detection in underwater communications
CN116246139A (zh) 一种无人艇航行环境基于多传感器融合的目标识别方法
CN115311544A (zh) 一种水下鱼类目标检测方法及装置
CN115775226A (zh) 基于Transformer的医学图像分类方法
CN116755090A (zh) 基于新型金字塔结构和混合池化通道注意力机制的sar舰船检测方法
CN115810123A (zh) 基于注意力机制和改进特征融合的小目标害虫检测方法
Higgins et al. Ship wake detection using data fusion in multi-sensor remote sensing applications
CN110570361A (zh) 声呐图像结构化噪声的抑制方法、系统、装置和存储介质
CN118015255A (zh) 一种基于改进Deformable DETR的水面目标检测方法及系统
CN116452965A (zh) 一种基于声光融合的水下目标检测识别方法
CN111815677A (zh) 目标追踪方法、装置、终端设备和可读存储介质
Yi et al. Multiresolution convolutional neural network for underwater acoustic target recognition
CN110287763A (zh) 一种面向舰船目标识别应用的候选框比例优化方法
Qin et al. Improved YOLOv7 model for underwater sonar image object detection

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