CN115690536A - 一种单帧红外小目标检测方法及装置 - Google Patents
一种单帧红外小目标检测方法及装置 Download PDFInfo
- Publication number
- CN115690536A CN115690536A CN202211328320.0A CN202211328320A CN115690536A CN 115690536 A CN115690536 A CN 115690536A CN 202211328320 A CN202211328320 A CN 202211328320A CN 115690536 A CN115690536 A CN 115690536A
- Authority
- CN
- China
- Prior art keywords
- small target
- infrared small
- frame infrared
- contrast enhancement
- local contrast
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种单帧红外小目标检测方法，包括以下步骤：获取单帧红外小目标图像的数据集，并对数据集进行预处理，获得训练集；构建基于多尺度局部对比增强模块和金字塔最大池化模块的深度学习网络模型；基于单帧红外小目标的训练集，对深度学习模型进行训练，得到单帧红外小目标检测模型；获取待检测的单帧红外小目标图像；将图像输入单帧红外小目标检测模型中，并输出检测结果图。本发明利用深度学习方法有着良好的泛化性和鲁棒性的特性，将深度学习网络模型用于单帧红外小目标检测，并使用多尺度局部对比增强模块和金字塔最大池化模块以增强深度学习网络对单帧红外小目标的特征提取能力，从而实现单帧红外小目标的检测的高准确率及高鲁棒性。
Description
技术领域
本发明涉及数字图像处理领域，尤其是涉及一种单帧红外小目标检测方法及装置。
背景技术
红外探测系统由于其成像距离长、受气候影响小等优势，一直有着广泛的应用。而随着图像处理技术的飞速发展，基于红外探测技术系统的红外小目标检测技术在军事领域，如红外预警、红外制导等以及民用领域，如安防检测等的应用日益广泛。
不同于自然光学图像中的较大且存在较多纹理的目标，红外小目标普遍具有以下特点：(1)尺寸小、特征弱：由于成像距离较远，且图像分辨率低，大多红外小目标没有颜色和纹理特征，形态和边缘也相对不确定。(2)背景复杂多变：小目标检测的背景环境往往十分复杂，即存在地面、天空、海洋等多种背景，多变的背景对算法的鲁棒性提出较高的要求。(3)信噪比低：由于小目标本身与噪声和图像杂波等性质相似，加之部分成像设备的可靠性不高导致噪点多，因此小目标易淹没于杂波和噪声中难以区分和检测。这些特点导致红外小目标检测与普通光学图像的目标检测存在较大差异，也对算法提出了更高的要求。此外，由于许多小目标是高度敏感的，开源的图像数据集也较少，这也成为一项不利因素。
而现有红外小目标检测分为基于单帧的红外小目标检测和基于序列的红外小目标检测。由于基于序列图像的检测中采用的是静态背景的假设，所以在背景快速变化的平台只能采用基于单帧的红外小目标检测技术。专利申请“基于局部对比度和梯度的红外弱小目标检测方法”(申请号CN202210545219.4)介绍了一种基于局部对比度和梯度的红外小目标检测方法，虽然有效地抑制了背景杂波，保留了小目标，但是这种方法依然存在在快速变化的背景和多尺度的目标下虚警率较高、检测率较低的问题。
需要说明的是，在上述背景技术部分公开的信息仅用于对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的在于解决提高单帧红外小目标检测的精确度和鲁棒性的问题，提供一种单帧红外小目标检测方法及装置。
为实现上述目的，本发明采用以下技术方案：
本发明提供了一种单帧红外小目标检测方法，包括以下步骤：
S1:获取单帧红外小目标图像的数据集，并对所述数据集进行预处理，获得训练集；
S2:构建基于多尺度局部对比增强模块和金字塔最大池化模块的深度学习网络模型；
S3:基于单帧红外小目标的训练集，对所述深度学习模型进行训练，得到单帧红外小目标检测模型；
S4:获取待检测的单帧红外小目标图像；
S5:将所述图像输入所述单帧红外小目标检测模型中，并输出检测结果图。
在一些实施例中，所述多尺度局部对比增强模块能够在特征图上采用不同膨胀系数的对比度计算得到不同尺度的局部对比度增强图，然后在通道维度进行拼接。
在一些实施例中，所述多尺度局部对比增强模块通过1×1卷积增强或抑制对应的对比特征。
在一些实施例中，所述多尺度局部对比增强模块结构用以下公式表达：
其中，MLCE(·)表示多尺度局部对比增强模块，
为计算膨胀系数为dn的局部对比度后得到的特征图，F为原始特征图，F∈RC×H×W,B为批归一化操作，concat为在通道维度的拼接操作，δ为ReLU激活函数，conv为1×1卷积。
在一些实施例中，所述多尺度局部对比增强模块采用的局部对比增强算子包括深度可分离的固定的膨胀八方向拉普拉斯算子。
在一些实施例中，步骤S2中所述金字塔最大池化模块首先利用金字塔池化模块来扩大感受野，聚合输入特征图的上下文信息，在得到池化特征之后，进行1×1卷积并调整特征图的大小，同时设置输出通道等于输入通道；然后，将输入的特征图与聚合后的特征图在维度上进行拼接，并应用3×3卷积来最终产生细化的特征。
在一些实施例中，步骤S2中所述深度学习网络模型为Unet网络。
在一些实施例中，在Unet网络的跳跃连接处设计多尺度局部对比增强模块，在最深的特征层设计金字塔最大池化模块。
本发明还提供一种单帧红外小目标检测装置，其上存储有计算机程序，所述程序被处理器执行时实现上述的方法的步骤。
本发明还提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的方法的步骤。
本发明具有如下有益效果：
本发明将深度学习网络模型用于单帧红外小目标的检测，并且使用多尺度局部对比增强模块和金字塔最大池化模块以增强深度学习网络对单帧红外小目标的特征提取能力，利用了深度学习方法有着良好的泛化性和鲁棒性的特性，能够克服传统检测方法在复杂背景下虚警率较高、检测率较低、鲁棒性不强的问题，从而实现单帧红外小目标的检测的高准确率及高鲁棒性。
本发明实施例中的其他有益效果将在下文中进一步述及。
附图说明
图1是本发明实施例中一种单帧红外小目标检测方法的流程图；
图2是本发明实施例中深度网络的总体架构的示意图；
图3是本发明实施例中多尺度局部对比增强模块的总体架构的示意图；
图4是本发明实施例中金字塔最大池化模块的示意图。
具体实施方式
以下对本发明的实施方式做详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。
此外，在本发明实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
深度学习方法有着良好的泛化性和鲁棒性，将其用于红外小目标的检测可以实现更高的准确率。为克服传统检测方法在复杂背景下虚警率较高、检测率较低、鲁棒性不强的问题，本发明实施例提出一种轻量的基于深度学习的单帧红外小目标检测方法，以提高单帧红外小目标检测的精确度和鲁棒性。
本发明实施例中单帧红外小目标检测方法流程图如图1。包括以下步骤：
S1:获取单帧红外小目标图像的数据集，并对所述数据集进行预处理，获得训练集；
S2:构建基于多尺度局部对比增强模块和金字塔最大池化模块的深度学习网络模型；
优选地，所述多尺度局部对比增强模块能够在特征图上采用不同膨胀系数的对比度计算得到不同尺度的局部对比度增强图，然后在通道维度进行拼接。
优选地，所述多尺度局部对比增强模块通过1×1卷积增强或抑制对应的对比特征。所述多尺度局部对比增强模块采用的局部对比增强算子包括深度可分离的固定的膨胀八方向拉普拉斯算子。
优选地，多尺度局部对比增强模块结构用以下公式表达：
其中，MLCE(·)表示多尺度局部对比增强模块，
为计算膨胀系数为dn的局部对比度后得到的特征图，F为原始特征图，F∈RC×H×W,B为批归一化操作，concat为在通道维度的拼接操作，δ为ReLU激活函数，conv为1×1卷积。
优选地，所述金字塔最大池化模块首先利用金字塔池化模块来扩大感受野，聚合输入特征图的上下文信息，在得到池化特征之后，进行1×1卷积并调整特征图的大小，同时设置输出通道等于输入通道；然后，将输入的特征图与聚合后的特征图在维度上进行拼接，并应用3×3卷积来最终产生细化的特征。
优选地，所述深度学习网络模型为Unet网络。在Unet网络的跳跃连接处设计多尺度局部对比增强模块，在最深的特征层设计金字塔最大池化模块。
S3:基于单帧红外小目标的训练集，对所述深度学习模型进行训练，得到单帧红外小目标检测模型；
S4:获取待检测的单帧红外小目标图像；
S5:将所述图像输入所述单帧红外小目标检测模型中，并输出检测结果图。
其中步骤S1、S2、S3为训练网络模型过程。
本发明实施例还提供一种单帧红外小目标检测装置，其上存储有计算机程序，所述程序被处理器执行时实现上述的方法的步骤。
本发明实施例还提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的方法的步骤。
本发明实施例以Unet(一种图像分割网络)为深度学习方法的骨干网络为基础，在Unet网络的跳跃连接处和最深的特征层分别设计了多尺度局部对比增强模块和金字塔最大池化模块以增强深度学习网络的特征提取能力，本发明实施例中深度网络的总体结构如图2所示。
其中Unet骨干网络的结构可以概括为先下采样编码，再上采样解码并在编解码过程中添加跳跃连接。跳跃连接设计是为了加速网络收敛并补充损失的细节信息，该连接将同级别分辨率编码特征图直连到解码过程中。该结构左侧为编码结构，采用卷积网络的典型组合：包括重复使用两个3x3卷积(无填充)，每个卷积后接一个非线性激活函数(ReLU)和一个2x2的最大池化层，该池化层的步幅为2，用于下采样。在每一个下采样步骤中，特征图的通道数量增加一倍。右侧为解码结构，其中的每一步都包括2x2转置卷积，卷积时特征图通道的数量减半，并与编码部分特征图在通道维度连接，而后是两个3x3卷积，每个卷积后同样为ReLU激活函数。在最后一层，使用1x1的卷积将每个64个通道的特征图映射到所需的类的数量。
本发明实施例中多尺度局部对比增强模块的总体结构如图3所示，该模块内采用的局部对比增强算子采用深度可分离的固定的膨胀八方向拉普拉斯算子实现，在特征图上采用不同膨胀系数的对比度计算得到不同尺度的局部对比度增强图，然后在通道维度进行拼接，之后通过自适应调整适合的局部对比度增强值。给定一个中间特征图F∈RC×H×W，该方法可定义为：
式中MLCE(·)定义了多尺度局部对比增强模块的总体表达，
为计算膨胀系数为dn的局部对比度后得到的特征图，F为原始特征图，B为批归一化操作，concat为在通道维度的拼接操作，δ为ReLU激活函数，conv为1×1卷积。
本发明实施例中金字塔最大池化模块的结构如图4所示，该模块有四个最大池化操作，得到的特征图大小分别为1×1、4×4、8×8和32×32。然后，在得到池化特征之后，进行卷积和上下采样操作。这里的卷积核大小为1×1，同时为减少特征损失，设置输出通道等于输入通道。然后，该模块采用通道维度拼接方式，将原始特征图和通过金字塔池化后的特征图拼接，并应用3×3卷积来最终产生细化的特征。
本发明实施例的优点如下：
设计的多尺度局部对比增强模块利用了红外小目标小且明亮的先验知识，提高网络对小目标的特征提取的能力，帮助小目标定位，并使得网络在复杂背景下检测目标时更加鲁棒。
设计的多尺度局部对比增强模块还考虑了小目标尺度的变化，聚合了多尺度的局部对比度图，可以通过1×1卷积增强或抑制对应的对比特征，从而更强地提取小目标的局部特征，并避免单尺度导致的对比度特征提取范围和目标范围不匹配，从而解决可能造成的对比度减弱问题，大幅提高了小目标的检测精度。
设计的金字塔最大池化模块结合多尺度特性，对不同区域的上下文信息进行聚合，增强网络通过基于不同区域的上下文信息聚合来利用全局信息的能力，对红外目标检测分割的精度有较大的提高。
实施例：
本发明实施例的参数量仅为1.1M，部署在嵌入式端，个人PC端和服务器端均可。
S1、对红外小目标图像进行预处理：先获取红外小目标图像的数据集，分为训练集和测试集，然后对图像进行上下和水平翻转、随机剪裁到256×256大小以及高斯模糊等，得到预处理后的图像。
S2、构建基于多尺度局部对比增强和金字塔最大池化的深度学习网络模型，其结构如图2所示；
首先构建Unet网络的下采样编码结构，采用卷积网络的典型结构：包括重复使用两个3x3卷积(无填充)，每个卷积后接一个非线性激活函数(ReLU)和一个2x2的最大池化层，该池化层的步幅为2，用于下采样。共构建四个完整的下采样编码结构，在每一个下采样步骤中，特征图的通道数量增加一倍，由最浅层至最深层通道数量分别为16、32、64、128、256。右侧为解码结构，其中的每一步都包括2x2转置卷积，卷积时特征图通道的数量减半，并与通过多尺度局部对比增强和金字塔最大池化后的编码部分的特征图在通道维度拼接。而后是两个3x3卷积，每个卷积后同样为ReLU激活函数激活。在最后一层，使用1x1的卷积将每个64个通道的特征图映射为1。
然后分别构建多尺度局部对比增强模块和金字塔最大池化模块，其中多尺度局部对比增强模块如图3所示，金字塔最大池化模块如图4所示。多尺度局部对比增强模块首先采用膨胀系数分别为2，4，6的深度可分离的膨胀八方向拉普拉斯算子，用以增强小目标自身明亮的特征。然后对增强特征后的特征图在通道维度进行拼接，通道维度为输入特征图的3倍。之后通过1x1的卷积调整细化特征图，将通道维度降为输入通道数，并采用批归一化和ReLU激活。构建金字塔最大池化模块则首先利用金字塔池化模块来扩大感受野，聚合输入特性的上下文信息。该操作得到的特征图大小分别为1×1、4×4、8×8和32×32。然后，在得到池化特征之后，进行1×1卷积并调整特征图的大小，同时为减少特征损失，设置输出通道等于输入通道。然后，将输入的特征图以跳跃连接的方式与聚合后的特征图在维度上进行拼接，并应用3×3卷积来最终产生细化的特征。
S3、基于红外小目标的训练集，利用梯度下降法对深度学习模型进行训练，计算总体损失函数L，更新网络参数。当迭代次数达到最大迭代次数时，停止训练，得到训练好的红外小目标检测模型。本实施例中，epoch(训练轮数)设置为500，batchsize(批大小)设置为4，并使用的Adam(自适应矩估计)优化器来训练设计的模型，初始学习率设置为10-3，最终学习率为10-5，采用余弦下降的方式。
S4、获取待检测的单帧红外小目标图像。
S5、将测试的红外小目标图像输入深度网络，并输出检测结果图。
实验例：
本发明实施例的技术效果可以通过以下实验例仿真实验做进一步的说明：
本发明实验例使用PyTorch框架和NVIDIA GeForce GTX1080Ti GPU来实现网络训练和推理，Python版本为3.7，Pytorch版本为1.7.1。训练和测试数据集为SIRST数据集，共包含427张红外小目标图像。
现有技术在SIRST数据集上的交并比(IoU)为75.0％，归一化交并比(nIoU)为73.1％，而本发明在SIRST数据集上的交并比为79.3％，归一化交并比为76.6％，结果如表1所示。相对于现有技术，本发明实施例的检测的准确率有显著提高。
表1
| 评价方法 | 现有技术 | 单帧红外小目标检测方法 |
| 交并比 | 75.0％ | 79.3％ |
| 归一化交并比 | 73.1％ | 76.6％ |
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、设备(系统)、和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。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供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步骤。
以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，其还可以对这些已描述的实施方式做出若干替代或变型，而这些替代或变型方式都应当视为属于本发明的保护范围。在本说明书的描述中，参考术语“一种实施例”、“一些实施例”、“优选实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。尽管已经详细描述了本发明的实施例及其优点，但应当理解，在不脱离专利申请的保护范围的情况下，可以在本文中进行各种改变、替换和变更。
Claims (10)
1.一种单帧红外小目标检测方法，其特征在于，包括以下步骤：
S1:获取单帧红外小目标图像的数据集，并对所述数据集进行预处理，获得训练集；
S2:构建基于多尺度局部对比增强模块和金字塔最大池化模块的深度学习网络模型；
S3:基于单帧红外小目标的训练集，对所述深度学习模型进行训练，得到单帧红外小目标检测模型；
S4:获取待检测的单帧红外小目标图像；
S5:将所述图像输入所述单帧红外小目标检测模型中，并输出检测结果图。
2.如权利要求1所述的方法，其特征在于，所述多尺度局部对比增强模块能够在特征图上采用不同膨胀系数的对比度计算得到不同尺度的局部对比度增强图，然后在通道维度进行拼接。
3.如权利要求1所述的方法，其特征在于，所述多尺度局部对比增强模块通过1×1卷积增强或抑制对应的对比特征。
4.如权利要求1所述的方法，其特征在于，所述多尺度局部对比增强模块结构用以下公式表达：
其中，MLCE(·)表示多尺度局部对比增强模块，
为计算膨胀系数为dn的局部对比度后得到的特征图，F为原始特征图，F∈RC×H×W,B为批归一化操作，concat为在通道维度的拼接操作，δ为ReLU激活函数，conv为1×1卷积。
5.如权利要求2所述的方法，其特征在于，所述多尺度局部对比增强模块采用的局部对比增强算子包括深度可分离的固定的膨胀八方向拉普拉斯算子。
6.如权利要求1所述的方法，其特征在于，步骤S2中所述金字塔最大池化模块首先利用金字塔池化模块来扩大感受野，聚合输入特征图的上下文信息，在得到池化特征之后，进行1×1卷积并调整特征图的大小，同时设置输出通道等于输入通道；然后，将输入的特征图与聚合后的特征图在维度上进行拼接，并应用3×3卷积来最终产生细化的特征。
7.如权利要求1所述的方法，其特征在于，步骤S2中所述深度学习网络模型为Unet网络。
8.如权利要求7所述的方法，其特征在于，在Unet网络的跳跃连接处设计多尺度局部对比增强模块，在最深的特征层设计金字塔最大池化模块。
9.一种单帧红外小目标检测装置，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-8中任一项所述的方法的步骤。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-8中任一项中所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211328320.0A CN115690536A (zh) | 2022-10-26 | 2022-10-26 | 一种单帧红外小目标检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211328320.0A CN115690536A (zh) | 2022-10-26 | 2022-10-26 | 一种单帧红外小目标检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115690536A true CN115690536A (zh) | 2023-02-03 |
Family
ID=85099206
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211328320.0A Pending CN115690536A (zh) | 2022-10-26 | 2022-10-26 | 一种单帧红外小目标检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115690536A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117726807A (zh) * | 2024-02-08 | 2024-03-19 | 北京理工大学 | 基于尺度和位置敏感性的红外小目标检测方法及系统 |
-
2022
- 2022-10-26 CN CN202211328320.0A patent/CN115690536A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117726807A (zh) * | 2024-02-08 | 2024-03-19 | 北京理工大学 | 基于尺度和位置敏感性的红外小目标检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112132156B (zh) | 多深度特征融合的图像显著性目标检测方法及系统 | |
| Haker et al. | Knowledge-based segmentation of SAR data with learned priors | |
| CN109118504B (zh) | 一种基于神经网络的图像边缘检测方法、装置及其设备 | |
| Singh et al. | A feature level image fusion for Night-Vision context enhancement using Arithmetic optimization algorithm based image segmentation | |
| CN108510502A (zh) | 基于深度神经网络的黑色素瘤图片组织分割方法和系统 | |
| CN110033040B (zh) | 一种火焰识别方法、系统、介质和设备 | |
| CN110223300A (zh) | Ct图像腹部多器官分割方法及装置 | |
| CN111161222A (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
| CN109426773A (zh) | 一种道路识别方法和装置 | |
| CN116228702A (zh) | 一种基于注意力机制和卷积神经网络的伪装目标检测方法 | |
| CN113468996A (zh) | 一种基于边缘细化的伪装物体检测方法 | |
| CN116152209A (zh) | 一种耳机罩缺陷检测方法、装置、设备及存储介质 | |
| CN115690536A (zh) | 一种单帧红外小目标检测方法及装置 | |
| Apdilah et al. | A study of Frei-Chen approach for edge detection | |
| Guo et al. | Haze removal for single image: A comprehensive review | |
| CN113963333A (zh) | 一种基于改进yolof模型的交通标志牌检测方法 | |
| CN116309612B (zh) | 基于频率解耦监督的半导体硅晶圆检测方法、装置及介质 | |
| CN117893858A (zh) | 一种融合多层级多尺度与边界信息的图像篡改定位方法 | |
| CN117392187A (zh) | 基于空间注意力模型的sar图像变化检测方法及设备 | |
| CN116452965A (zh) | 一种基于声光融合的水下目标检测识别方法 | |
| US20200193605A1 (en) | Curvilinear object segmentation with geometric priors | |
| Jiménez Soto et al. | Features extraction from carbonate modern platforms satellite imagery using Computer Vision. | |
| Sangeetha et al. | Performance analysis of exemplar based image inpainting algorithms for natural scene image completion | |
| CN116229280B (zh) | 崩岗识别方法、装置、电子设备以及存储介质 | |
| CN117612231B (zh) | 人脸检测方法、装置、电子设备和存储介质 |
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 |