CN116310516B - 船舶分类方法及装置 - Google Patents
船舶分类方法及装置 Download PDFInfo
- Publication number
- CN116310516B CN116310516B CN202310139996.3A CN202310139996A CN116310516B CN 116310516 B CN116310516 B CN 116310516B CN 202310139996 A CN202310139996 A CN 202310139996A CN 116310516 B CN116310516 B CN 116310516B
- Authority
- CN
- China
- Prior art keywords
- classification result
- classification
- ship
- image
- stage
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 84
- 238000013145 classification model Methods 0.000 claims abstract description 62
- 238000000605 extraction Methods 0.000 claims abstract description 34
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 abstract description 5
- 101150080778 INPP5D gene Proteins 0.000 description 205
- 230000006870 function Effects 0.000 description 13
- 238000012549 training Methods 0.000 description 9
- 230000004913 activation Effects 0.000 description 5
- 239000000969 carrier Substances 0.000 description 5
- 230000000452 restraining effect Effects 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
Abstract
本发明公开了一种船舶分类方法及装置。其中,该方法包括:通过预先训练完成的船舶分类模型中的图像特征提取模块,获取船舶图像对应的图像特征;通过船舶分类模型的并联图像处理模块,根据图像特征确定船舶图像对应的多级第一分类结果;通过船舶分类模型的串联图像处理模块,按照船舶类别顺序根据图像特征确定船舶图像对应的多级第二分类结果;根据多级第一分类结果以及多级第二分类结果,确定船舶图像对应的多级分类结果,其中,多级分类结果包括树状结构中多个等级对应的分类结果。本发明解决了由于相关技术中船舶分类的不同级别分类结果冲突,船舶类别的预测准确度低的技术问题。
Description
技术领域
本发明涉及图像识别技术领域,具体而言,涉及一种船舶分类方法及装置。
背景技术
在船舶业务应用中,在检测到船舶图像之后,根据船舶图像对船舶进行分类,现有技术中的船舶分类任务如下:即要将船舶分出一级分类(例如大中型货船,大中型客船,小型船只)和二级分类(例如矿砂船,货柜船,大宗货物船,杂货船;渡轮,远洋客轮,游轮;渔船,快艇)。
在一个例子中,对船舶图像进行算法检测,以得到船舶的分类结果,即,船舶的一级分类结果以及二级分类结果。
现有技术中,衡量船舶分类算法好坏的指标为:输入图像的一级分类和二级分类的准确率,两个级别的准确率同样重要。
申请人在实现本发明的过程中,发现相关技术中至少存在以下技术问题。
1、一级分类和二级分类可能冲突,例如:一级被判断为大中型货船,二级被判为渡轮,冲突时并无很好的方式来取舍。
2、二级类别中的船舶差异性不一,有些子分类差异较大,例如渔船和快艇,有些则差异非常小,例如杂货船和大宗货物船。
可见,相关技术中针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种船舶分类方法及装置,以至少解决由于相关技术中船舶分类的不同级别分类结果冲突,船舶类别的预测准确度低的技术问题。
根据本发明实施例的一个方面,提供了一种船舶分类方法,包括:通过预先训练完成的船舶分类模型中的图像特征提取模块,获取船舶图像对应的图像特征;通过所述船舶分类模型的并联图像处理模块,根据所述图像特征确定所述船舶图像对应的多级第一分类结果;通过所述船舶分类模型的串联图像处理模块,按照船舶类别顺序根据所述图像特征确定所述船舶图像对应的多级第二分类结果;根据所述多级第一分类结果以及所述多级第二分类结果,确定所述船舶图像对应的多级分类结果,其中,所述多级分类结果包括树状结构中多个等级对应的分类结果。
进一步地,所述图像特征提取模块包括卷积神经网络,其中,通过预先训练完成的船舶分类模型中的图像特征提取模块,获取船舶图像对应的图像特征,包括:通过所述卷积神经网络对所述船舶图像进行特征提取,以得到所述图像特征。
进一步地,所述并联图像处理模块包括并联一级类别模块以及并联二级类别模块,其中,通过所述船舶分类模型的并联图像处理模块,根据所述图像特征确定所述船舶图像对应的多级第一分类结果,包括:通过所述并联一级类别模块,根据所述图像特征确定所述船舶图像对应的一级第一分类结果;通过所述并联二级类别模块,根据所述图像特征确定所述船舶图像对应的二级第一分类结果。
进一步地,所述串联图像处理模块包括下采样模块、串联一级类别模块以及串联二级类别模块,其中,通过所述船舶分类模型的串联图像处理模块,按照船舶类别顺序根据所述图像特征确定所述船舶图像对应的多级第二分类结果,包括:通过所述串联一级类别模块,根据所述图像特征确定一级第二分类结果以及第一图像特征;通过所述下采样模块,对所述第一图像特征进行下采样,以得到第二图像特征;通过所述串联二级类别模块,根据所述一级分类结果与所述第二图像特征确定二级第二分类结果,其中,所述二级分类结果为所述一级分类结果对应的子类别。
进一步地,所述多级第一分类结果包括一级第一分类结果以及二级第一分类结果,所述多级第二分类结果包括二级第一分类结果以及二级第二分类结果,所述多级分类结果包括一级分类结果以及二级分类结果,其中,根据所述多级第一分类结果以及所述多级第二分类结果,确定所述船舶图像对应的多级分类结果,其中,所述多级分类结果包括树状结构中多个等级对应的分类结果,包括:根据所述一级第一分类结果和所述二级第一分类结果的平均值,确定所述一级分类结果;根据所述一级分类结果,以及,所述二级第一分类结果和所述二级第二分类结果的平均值,确定所述二级分类结果。
根据本发明实施例的另一方面,还提供了一种船舶分类装置,包括:获取模块,用于通过预先训练完成的船舶分类模型中的图像特征提取模块,获取船舶图像对应的图像特征;第一确定模块,用于通过所述船舶分类模型的并联图像处理模块,根据所述图像特征确定所述船舶图像对应的多级第一分类结果;第二确定模块,用于通过所述船舶分类模型的串联图像处理模块,按照船舶类别顺序根据所述图像特征确定所述船舶图像对应的多级第二分类结果;第三确定模块,用于根据所述多级第一分类结果以及所述多级第二分类结果,确定所述船舶图像对应的多级分类结果,其中,所述多级分类结果包括树状结构中多个等级对应的分类结果。
进一步地,所述图像特征提取模块包括卷积神经网络,其中,所述获取模块包括:特征提取单元,用于通过所述卷积神经网络对所述船舶图像进行特征提取,以得到所述图像特征。
进一步地,所述并联图像处理模块包括并联一级类别模块以及并联二级类别模块,其中,所述第一确定模块包括:第一确定单元,用于通过所述并联一级类别模块,根据所述图像特征确定所述船舶图像对应的一级第一分类结果;第二确定单元,用于通过所述并联二级类别模块,根据所述图像特征确定所述船舶图像对应的二级第一分类结果。
进一步地,所述串联图像处理模块包括下采样模块、串联一级类别模块以及串联二级类别模块,其中,所述第二确定模块包括:第三确定单元,用于通过所述串联一级类别模块,根据所述图像特征确定一级第二分类结果以及第一图像特征;下采样单元,用于通过所述下采样模块,对所述第一图像特征进行下采样,以得到第二图像特征;第四确定单元,用于通过所述串联二级类别模块,根据所述一级分类结果与所述第二图像特征确定二级第二分类结果,其中,所述二级分类结果为所述一级分类结果对应的子类别。
进一步地,所述多级第一分类结果包括一级第一分类结果以及二级第一分类结果,所述多级第二分类结果包括二级第一分类结果以及二级第二分类结果,所述多级分类结果包括一级分类结果以及二级分类结果,其中,所述第三确定模块包括:第五确定单元,用于根据所述一级第一分类结果和所述二级第一分类结果的平均值,确定所述一级分类结果;第六确定单元,用于根据所述一级分类结果,以及,所述二级第一分类结果和所述二级第二分类结果的平均值,确定所述二级分类结果。
根据本发明实施例的另一方面,还提供了一种电子设备,包括处理器,存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如上所述的船舶分类方法的步骤。
根据本发明实施例的另一方面,还提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如上所述的船舶分类方法的步骤。
在本发明实施例中,通过预先训练完成的船舶分类模型中的图像特征提取模块,获取船舶图像对应的图像特征;通过船舶分类模型的并联图像处理模块,根据图像特征确定船舶图像对应的多级第一分类结果;通过船舶分类模型的串联图像处理模块,按照船舶类别顺序根据图像特征确定船舶图像对应的多级第二分类结果;根据多级第一分类结果以及多级第二分类结果,确定船舶图像对应的多级分类结果,其中,多级分类结果包括树状结构中多个等级对应的分类结果。通过船舶分类模型中的串联图像处理模块与并联图像处理模块对应的多级第一分类结果和多级第二分类结果,进行相互约束,保证了多级分类结果的一致性,进而解决了由于相关技术中船舶分类的不同级别分类结果冲突,船舶类别的预测准确度低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的船舶分类方法的流程示意图;
图2是根据本发明实施例的一种可选的船舶分类模型的示意图;
图3是根据本发明实施例的一种可选的船舶分类装置的框架示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种船舶分类方法,如图1所示,该方法包括:
S102,通过预先训练完成的船舶分类模型中的图像特征提取模块,获取船舶图像对应的图像特征;
在本实施例中,船舶分类模型用于根据船舶的船舶图像对船舶进行分类预测,以预测船舶所属的不同级别的分类结果。
例如,针对某个船舶有第一级分类、第二级分类以及第三级分类,其中,第二级分类为第一级分类的子分类,第三级分类为第二级分类的子分类。在该例子中,通过船舶分类模型对船舶图像进行预测,以确定船舶所属的第一级分类结果、第二级分类结果以及第三级分类结果。
在本实施例中,船舶图像中存在船舶的外部图像,包括船舶轮廓、外形、颜色等特征。
在本实施例中,根据数据库中预先存储的具备多级分类标签的船舶图像构建训练样本集。训练样本集中的每条训练样本包括:船舶图像、多级分类标签。在一个例子中,训练样本包括船舶图像、一级分类标签、二级分类标签以及三级分类标签。
在一些实施例中,将上述的每一个样本表示为一个二元组,包括<船舶图像,多级分类标签>。
接下来,基于构建的训练样本集训练船舶分类模型。以船舶图像作为船舶分类模型的模型输入,以多级分类标签作为模型目标,训练船舶分类模型,直至模型收敛或者迭代至预设次数。
在本实施例,船舶分类模型包括图像特征提取模块、并联图像处理模块以及串联图像处理模块。其中,图像特征提取模块用于提取船舶图像的图像特征,并联图像处理模块以及串联图像处理模块用于对图像特征进行分类。
可选地,在本实施例中,图像特征提取模块包括卷积神经网络,其中,通过预先训练完成的船舶分类模型中的图像特征提取模块,获取船舶图像对应的图像特征,包括但不限于:通过卷积神经网络对船舶图像进行特征提取,以得到图像特征。
具体地,在本实施例中,图像特征提取模块可以为卷积神经网络CNN,通过CNN网络对船舶图像进行特征提取。
在具体地应用场景中,通过CNN网络提取船舶图像的图像特征具体可以包括以下步骤:
a)将船舶图像的图像分辨率调整为500x500;
b)CNN网络提取基础的图像特征,对上步骤a)调整得到的船舶图像进行下采样,经过卷积和激活函数ReLu处理,得到第一层特征;
c)对第一层特征进行下采样,进行及激活函数ReLu处理,得到第二层特征;
d)对第二层特征进行下采样,进行及激活函数ReLu处理,得到第三层特征,此时的第三层特征已经具有较高的抽象性,即第三层特征为CNN网络提取到的图像特征。
通过上述步骤,实现了通过图像特征提取模块对船舶图像的图像特征提取,得到船舶图像的图像特征。
S104,通过船舶分类模型的并联图像处理模块,按照船舶类别顺序根据图像特征确定船舶图像对应的多级第一分类结果;
在本实施例中,通过船舶分类模型中的并联图像处理模块对图像特征进行分类,以得到船舶图像对应的各个级别对应的分类结果。在并联图像处理模块中,船舶图像对应的各个级别对应的分类结果相互独立的,不存在约束。
例如,在并联图像处理模块中将船舶特征经过全连接层进行分类,得到船舶图像对应的第一级别分类结果、第二级别分类结果以及第三级别分类结果。
可选地,在本实施例中,并联图像处理模块包括并联一级类别模块以及并联二级类别模块,其中,通过船舶分类模型的并联图像处理模块,根据图像特征确定船舶图像对应的多级第一分类结果,包括但不限于:通过并联一级类别模块,根据图像特征确定船舶图像对应的一级第一分类结果;通过并联二级类别模块,根据图像特征确定船舶图像对应的二级第一分类结果。
在具体的应用场景中,船舶的分类包括一级分类和二级分类,其中,一级分类包括3类,例如大中型货船、大中型客船、小型船只;二级分类包括9类,例如大中型货船分类中的矿砂船、货柜船、大宗货物船以及杂货船;大中型客船中的渡轮、远洋客轮和游轮;小型船只中的渔船以及快艇。
基于上述应用场景,通过船舶分类模型中的并联图像处理模块分别对船舶的一级分类和二级分类进行预测。
具体地,通过并联图像处理模块中的并联一级分类模块对船舶的一级分类进行预测,根据图像特征确定船舶图像对应的一级第一分类结果。通过并联图像处理模块中的并联二级分类模块对船舶的二级分类进行预测,根据图像特征确定船舶图像对应的二级第一分类结果。
在一个例子中,在并联图像处理模块中,将图像特征输入至并联一级分类模块中的全连接层,输出512维特征,经过并联一级分类模块中的激活函数Softmax,并联一级分类模块输出一级分类对应的3维分类结果。
在另一个例子中,在并联图像处理模块中,将图像特征输入至并联一级分类模块中的全连接层,输出512维特征,经过并联一级分类模块中的激活函数Softmax,并联一级分类模块输出一级分类对应的9维分类结果。
综上所述,在并联图像处理模块中,根据图像特征确定船舶图像对应的多级分类结果,船舶图像的多级分类结果是相互独立的,为并联状态。
S106,通过船舶分类模型的串联图像处理模块,按照船舶类别顺序根据图像特征确定船舶图像对应的多级第二分类结果;
本实施例中的船舶类别顺序,则为船舶分类的分类排序,例如一级分类、二级分类与三级分类。在本实施例中,船舶分类模型中的串联图像处理模块,按照船舶类别顺序依次确定船舶图像分别对应的多级第二分类结果,例如,在第一级第二分类结果之后,再确定二级第二分类结果,接下来确定三级第二分类结果,以此类推。
具体地,在串联图像处理模块中,经过全连接层对图像特征进预测,得到一级第一分类结果之后,对图像特征进行下采样,经过全连接层得到下一级第二分类结果,然后再对图像特征进行下采样后,经过全连接层得到下一级第二分类结果,以此类推。
例如,对图像特征经过进行预测,得到一级分类结果,然后对图像特征进行下采样后继续进行预测,得到二级分类结果,一级分类结果为二级分类结果的父级类别的分类结果。即,在串联图像处理模块中,先进行父级类别的分类,然后再进行子级类别的分类。
可选地,在本实施例中,串联图像处理模块包括下采样模块、串联一级类别模块以及串联二级类别模块,其中,通过船舶分类模型的串联图像处理模块,根据图像特征确定船舶图像对应的多级第二分类结果,包括但不限于:通过串联一级类别模块,根据图像特征确定一级第二分类结果以及第一图像特征;通过下采样模块,对第一图像特征进行下采样,以得到第二图像特征;通过串联二级类别模块,根据一级分类结果与第二图像特征确定二级第二分类结果,其中,二级分类结果为一级分类结果对应的子类别。
具体地,在本实施例中,通过串联一级类别模块对图像特征进行预测,将图像特征输入至全连接层中,以得到一级第二分类结果和第一图像特征。其中,一级第二分类结果则为串联图像处理模块预测到的船舶图像的一级类别。然后,通过下采样模块对第一图像特征提取模块输出的图像特征进行下采样,得到第二图像特征进行下采样,得到第二图像特征;接下来,通过串联二级类别模块对图像特征进行预测,根据一级第二分类结果将第二图像特征输入至一级第二分类结果对应的全连接层中,以得到二级第二分类结果,其中,二级第二分类结果则为串联图像处理模块预测到的船舶图像的二级类别,二级分类结果为一级分类结果对应的子类别。
在一个例子中,在串联一级类别模块中,将图像特征提取模块提取到的图像特征经过全连接层,得到1024维特征,经过激活函数Softmax输出3维一级分类结果;然后,对1024维特征进行下采样后经过3个全连接层,得到3个512维特征,分别对应船舶一级类别中的3个大类(大中型货船、大中型客船、小型船只);然后将3个512维特征经过3个激活函数Softmax输出4维(对应4个子类,例如矿砂船、货柜船、大宗货物船以及杂货船)、3维(对应3个子类,例如渡轮、远洋客轮和游轮)和2维(对应2个子类,例如渔船和快艇)二级分类结果。
通过上述实施例,在串联图像处理模块在串联分支中一级类别中,独立计算二级分类结果,避免了一级分类与二级分类之间距离忽远忽近的问题。
S108,根据多级第一分类结果以及多级第二分类结果,确定船舶图像对应的多级分类结果,其中,多级分类结果包括树状结构中多个等级对应的分类结果。
在本实施例中,船舶分类模型中并联图像处理模块预测得到的第一分类结果中各个类别的分类结果互相独立,不受影响。而在串联图像处理模块预测得到的多级第二分类结果中,各个类别的分类结果是互相约束的,因此,根据多级第一分类结果以及多级第二分类结果求取平均值,然后根据船舶类别中概率的最大值,则可以确定船舶图像对应的多级分类结果。
可选地,在本实施例中,多级第一分类结果包括一级第一分类结果以及二级第一分类结果,多级第二分类结果包括二级第一分类结果以及二级第二分类结果,多级分类结果包括一级分类结果以及二级分类结果,其中,根据多级第一分类结果以及多级第二分类结果,确定船舶图像对应的多级分类结果,其中,多级分类结果包括树状结构中多个等级对应的分类结果,包括但不限于:根据一级第一分类结果和二级第一分类结果的平均值,确定一级分类结果;根据一级分类结果,以及,二级第一分类结果和二级第二分类结果的平均值,确定二级分类结果。
在本实施例中,在确定一级分类结果之后,再根据一级分类结果对二级分类结果进行约束,来确定更加准确的二级分类结果。
具体地,在一个实施例中,船舶分类包括一级类别和二级类别,船舶分类模型的结构如图2所示,船舶分类模型200中包括图像特征提取模块210、并联图像处理模块220以及串联图像处理模块230,其中,串联图像处理模块230包括下采样模块232、串联一级类别模块234以及串联二级类别模块236。
通过图像特征提取模块210对船舶图像20进行特征提取得到图像特征22;并联图像处理模块220对图像特征22进行预测,得到一级第一分类结果A1和二级第一分类结果A2;在串联图像处理模块230中,串联一级类别模块234对图像特征22进行预测得到一级第二分类结果B1一级第一图像特征24,下采样模块232对第一图像特征24进行下采样后,得到第二图像特征26,串联二级类别模块236对第二图像特征26进行预测,分别得到3组二级第二分类结果B2、B3和B4,A1与B1均为4维结果,A2为9维结果,B2为4维分类结果,B3为3维分类结果,B4为2维分类结果。
根据串联图像处理模块预测得到一级分第二分类结果和并联图像处理模块预测得到一级分第一分类结果的平均值,即,求取A1与A2的平均值,然后确定平均值中哪个具体类别的最大值为船舶图像对应的一级分类结果。
另一方面,船舶图像的二级分类结果,可以根据一级分类结果的类别,来确定船舶图像的二级类别。具体地二级分类结果确定步骤如下:
1)若一级分类结果为大中型货船,该一级分类结果对应矿砂船、货柜船、大宗货物船以及杂货船等4种二级分类结果,则可以根据A2中该4维二级第一分类结果和B2中该4维二级第二分类结果取平均值,然后根据概率的最大值确定二级分类结果。
2)若一级分类结果为大中型客船,该一级分类结果对应渡轮、远洋客轮和游轮等3种二级分类结果,则可以根据A2中该3维二级第一分类结果和B3中该3维二级第二分类结果取平均值,然后根据概率的最大值确定二级分类结果。
3)若一级分类结果为小型船只,该一级分类结果对应渔船和快艇等2种二级分类结果,则可以根据A2中该2维二级第一分类结果和B4中该2维二级第二分类结果取平均值,然后根据概率的最大值确定二级分类结果。
通过上述示例,在船舶图像分类模块的串联分支中引入了一级分类对二级分类的约束,保证了一级分类结果和二级分类结果的一致性。
需要说明的是,在本实施例中的船舶分类模型采取交叉熵损失函数进行训练。根据训练样本集中的训练样本以及训练过程中的预测的概率来确定交叉熵损失函数。根据并联图像处理模块的一级第一分类结果和串联图像处理模块中一级第二分类结果之后,确定一级类别损失函数;根据串联图像处理模块中二级第二分类结果与一级第二分类结果的损失函数的乘积确定二级类别损失函数,即,在二级类别判断中加入一级类别的约束。
在本实施例中,通过预先训练完成的船舶分类模型中的图像特征提取模块,获取船舶图像对应的图像特征;通过船舶分类模型的并联图像处理模块,根据图像特征确定船舶图像对应的多级第一分类结果;通过船舶分类模型的串联图像处理模块,按照船舶类别顺序根据图像特征确定船舶图像对应的多级第二分类结果;根据多级第一分类结果以及多级第二分类结果,确定船舶图像对应的多级分类结果,其中,多级分类结果包括树状结构中多个等级对应的分类结果。通过船舶分类模型中的串联图像处理模块与并联图像处理模块对应的多级第一分类结果和多级第二分类结果,进行相互约束,保证了多级分类结果的一致性,进而解决了由于相关技术中船舶分类的不同级别分类结果冲突,船舶类别的预测准确度低的技术问题。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
根据本发明实施例,还提供了一种用于实施上述船舶分类方法的船舶分类装置,如图3所示,该装置包括:
1)获取模块30,用于通过预先训练完成的船舶分类模型中的图像特征提取模块,获取船舶图像对应的图像特征;
2)第一确定模块32,用于通过所述船舶分类模型的并联图像处理模块,根据所述图像特征确定所述船舶图像对应的多级第一分类结果;
3)第二确定模块34,用于通过所述船舶分类模型的串联图像处理模块,根据所述图像特征确定所述船舶图像对应的多级第二分类结果;
4)第三确定模块36,用于根据所述多级第一分类结果以及所述多级第二分类结果,确定所述船舶图像对应的多级分类结果,其中,所述多级分类结果包括树状结构中多个等级对应的分类结果。
可选地,在本实施例中,所述图像特征提取模块包括卷积神经网络,其中,所述获取模块30包括:
1)特征提取单元,用于通过所述卷积神经网络对所述船舶图像进行特征提取,以得到所述图像特征。
可选地,在本实施例中,所述并联图像处理模块包括并联一级类别模块以及并联二级类别模块,其中,所述第一确定模块32包括:
1)第一确定单元,用于通过所述并联一级类别模块,根据所述图像特征确定所述船舶图像对应的一级第一分类结果;
2)第二确定单元,用于通过所述并联二级类别模块,根据所述图像特征确定所述船舶图像对应的二级第一分类结果。
可选地,在本实施例中,所述串联图像处理模块包括下采样模块、串联一级类别模块以及串联二级类别模块,其中,所述第二确定模块34包括:
1)第三确定单元,用于通过所述串联一级类别模块,根据所述图像特征确定一级第二分类结果以及第一图像特征;
2)下采样单元,用于通过所述下采样模块,对所述第一图像特征进行下采样,以得到第二图像特征;
3)第四确定单元,用于通过所述串联二级类别模块,根据所述一级分类结果与所述第二图像特征确定二级第二分类结果,其中,所述二级分类结果为所述一级分类结果对应的子类别。
可选地,在本实施例中,所述多级第一分类结果包括一级第一分类结果以及二级第一分类结果,所述多级第二分类结果包括二级第一分类结果以及二级第二分类结果,所述多级分类结果包括一级分类结果以及二级分类结果,其中,所述第三确定模块36包括:
1)第五确定单元,用于根据所述一级第一分类结果和所述二级第一分类结果的平均值,确定所述一级分类结果;
2)第六确定单元,用于根据所述一级分类结果,以及,所述二级第一分类结果和所述二级第二分类结果的平均值,确定所述二级分类结果。
在本实施例中,通过预先训练完成的船舶分类模型中的图像特征提取模块,获取船舶图像对应的图像特征;通过船舶分类模型的并联图像处理模块,根据图像特征确定船舶图像对应的多级第一分类结果;通过船舶分类模型的串联图像处理模块,按照船舶类别顺序根据图像特征确定船舶图像对应的多级第二分类结果;根据多级第一分类结果以及多级第二分类结果,确定船舶图像对应的多级分类结果,其中,多级分类结果包括树状结构中多个等级对应的分类结果。通过船舶分类模型中的串联图像处理模块与并联图像处理模块对应的多级第一分类结果和多级第二分类结果,进行相互约束,保证了多级分类结果的一致性,进而解决了由于相关技术中船舶分类的不同级别分类结果冲突,船舶类别的预测准确度低的技术问题。
实施例3
根据本发明实施例,还提供了一种电子设备,包括处理器,存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如上所述的船舶分类方法的步骤。
可选地,在本实施例中,存储器被设置为存储用于执行以下步骤的程序代码:
S1,通过预先训练完成的船舶分类模型中的图像特征提取模块,获取船舶图像对应的图像特征;
S2,通过所述船舶分类模型的并联图像处理模块,根据所述图像特征确定所述船舶图像对应的多级第一分类结果;
S3,通过所述船舶分类模型的串联图像处理模块,按照船舶类别顺序根据所述图像特征确定所述船舶图像对应的多级第二分类结果;
S4,根据所述多级第一分类结果以及所述多级第二分类结果,确定所述船舶图像对应的多级分类结果,其中,所述多级分类结果包括树状结构中多个等级对应的分类结果。
可选地,本实施例中的具体示例可以参考上述实施例1中所描述的示例,本实施例在此不再赘述。
实施例4
本发明的实施例还提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如上所述的船舶分类方法的步骤。
可选地,在本实施例中,可读存储介质被设置为存储用于执行以下步骤的程序代码:
S1,通过预先训练完成的船舶分类模型中的图像特征提取模块,获取船舶图像对应的图像特征;
S2,通过所述船舶分类模型的并联图像处理模块,根据所述图像特征确定所述船舶图像对应的多级第一分类结果;
S3,通过所述船舶分类模型的串联图像处理模块,按照船舶类别顺序根据所述图像特征确定所述船舶图像对应的多级第二分类结果;
S4,根据所述多级第一分类结果以及所述多级第二分类结果,确定所述船舶图像对应的多级分类结果,其中,所述多级分类结果包括树状结构中多个等级对应的分类结果。
可选地,可读存储介质还被设置为存储用于执行上述实施例1中的方法中所包括的步骤的程序代码,本实施例中对此不再赘述。
可选地,在本实施例中,上述可读存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
可选地,本实施例中的具体示例可以参考上述实施例1中所描述的示例,本实施例在此不再赘述。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种船舶分类方法,其特征在于,包括:
通过预先训练完成的船舶分类模型中的图像特征提取模块,获取船舶图像对应的图像特征;
通过所述船舶分类模型的并联图像处理模块,根据所述图像特征确定所述船舶图像对应的多级第一分类结果;
通过所述船舶分类模型的串联图像处理模块,按照船舶类别顺序根据所述图像特征确定所述船舶图像对应的多级第二分类结果;
根据所述多级第一分类结果以及所述多级第二分类结果,确定所述船舶图像对应的多级分类结果,其中,所述多级分类结果包括树状结构中多个等级对应的分类结果;
其中,所述多级第一分类结果包括一级第一分类结果以及二级第一分类结果,所述多级第二分类结果包括二级第一分类结果以及二级第二分类结果,所述多级分类结果包括一级分类结果以及二级分类结果,其中,
根据所述多级第一分类结果以及所述多级第二分类结果,确定所述船舶图像对应的多级分类结果,其中,所述多级分类结果包括树状结构中多个等级对应的分类结果,包括:
根据所述一级第一分类结果和所述二级第一分类结果的平均值,确定所述一级分类结果;
根据所述一级分类结果,以及,所述二级第一分类结果和所述二级第二分类结果的平均值,确定所述二级分类结果。
2.根据权利要求1所述的方法,其特征在于,所述图像特征提取模块包括卷积神经网络,其中,
通过预先训练完成的船舶分类模型中的图像特征提取模块,获取船舶图像对应的图像特征,包括:
通过所述卷积神经网络对所述船舶图像进行特征提取,以得到所述图像特征。
3.根据权利要求1所述的方法,其特征在于,所述并联图像处理模块包括并联一级类别模块以及并联二级类别模块,其中,
通过所述船舶分类模型的并联图像处理模块,根据所述图像特征确定所述船舶图像对应的多级第一分类结果,包括:
通过所述并联一级类别模块,根据所述图像特征确定所述船舶图像对应的一级第一分类结果;
通过所述并联二级类别模块,根据所述图像特征确定所述船舶图像对应的二级第一分类结果。
4.根据权利要求1所述的方法,其特征在于,所述串联图像处理模块包括下采样模块、串联一级类别模块以及串联二级类别模块,其中,
通过所述船舶分类模型的串联图像处理模块,按照船舶类别顺序根据所述图像特征确定所述船舶图像对应的多级第二分类结果,包括:
通过所述串联一级类别模块,根据所述图像特征确定一级第二分类结果以及第一图像特征;
通过所述下采样模块,对所述第一图像特征进行下采样,以得到第二图像特征;
通过所述串联二级类别模块,根据所述一级分类结果与所述第二图像特征确定二级第二分类结果,其中,所述二级分类结果为所述一级分类结果对应的子类别。
5.一种船舶分类装置,其特征在于,包括:
获取模块,用于通过预先训练完成的船舶分类模型中的图像特征提取模块,获取船舶图像对应的图像特征;
第一确定模块,用于通过所述船舶分类模型的并联图像处理模块,根据所述图像特征确定所述船舶图像对应的多级第一分类结果;
第二确定模块,用于通过所述船舶分类模型的串联图像处理模块,按照船舶类别顺序根据所述图像特征确定所述船舶图像对应的多级第二分类结果;
第三确定模块,用于根据所述多级第一分类结果以及所述多级第二分类结果,确定所述船舶图像对应的多级分类结果,其中,所述多级分类结果包括树状结构中多个等级对应的分类结果;
其中,所述多级第一分类结果包括一级第一分类结果以及二级第一分类结果,所述多级第二分类结果包括二级第一分类结果以及二级第二分类结果,所述多级分类结果包括一级分类结果以及二级分类结果,其中,所述第三确定模块包括:
第五确定单元,用于根据所述一级第一分类结果和所述二级第一分类结果的平均值,确定所述一级分类结果;
第六确定单元,用于根据所述一级分类结果,以及,所述二级第一分类结果和所述二级第二分类结果的平均值,确定所述二级分类结果。
6.根据权利要求5所述的装置,其特征在于,所述图像特征提取模块包括卷积神经网络,其中,所述获取模块包括:
特征提取单元,用于通过所述卷积神经网络对所述船舶图像进行特征提取,以得到所述图像特征。
7.根据权利要求5所述的装置,其特征在于,所述并联图像处理模块包括并联一级类别模块以及并联二级类别模块,其中,所述第一确定模块包括:
第一确定单元,用于通过所述并联一级类别模块,根据所述图像特征确定所述船舶图像对应的一级第一分类结果;
第二确定单元,用于通过所述并联二级类别模块,根据所述图像特征确定所述船舶图像对应的二级第一分类结果。
8.根据权利要求5所述的装置,其特征在于,所述串联图像处理模块包括下采样模块、串联一级类别模块以及串联二级类别模块,其中,所述第二确定模块包括:
第三确定单元,用于通过所述串联一级类别模块,根据所述图像特征确定一级第二分类结果以及第一图像特征;
下采样单元,用于通过所述下采样模块,对所述第一图像特征进行下采样,以得到第二图像特征;
第四确定单元,用于通过所述串联二级类别模块,根据所述一级分类结果与所述第二图像特征确定二级第二分类结果,其中,所述二级分类结果为所述一级分类结果对应的子类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310139996.3A CN116310516B (zh) | 2023-02-20 | 船舶分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310139996.3A CN116310516B (zh) | 2023-02-20 | 船舶分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116310516A CN116310516A (zh) | 2023-06-23 |
CN116310516B true CN116310516B (zh) | 2023-11-21 |
Family
ID=
Citations (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1577359A (zh) * | 2003-06-30 | 2005-02-09 | 微软公司 | 在系统中为紧急或重要情况使用成批电子邮件过滤器用于分类消息 |
CN101290660A (zh) * | 2008-06-02 | 2008-10-22 | 中国科学技术大学 | 一种用于行人检测的树状组合分类方法 |
US7505621B1 (en) * | 2003-10-24 | 2009-03-17 | Videomining Corporation | Demographic classification using image components |
CN101604322A (zh) * | 2009-06-24 | 2009-12-16 | 北京理工大学 | 一种决策级文本自动分类融合方法 |
CN101901345A (zh) * | 2009-05-27 | 2010-12-01 | 复旦大学 | 一种差异蛋白质组学的分类方法 |
CN101996326A (zh) * | 2009-08-26 | 2011-03-30 | 索尼株式会社 | 多类目标的检测装置及检测方法 |
CN107832753A (zh) * | 2017-12-21 | 2018-03-23 | 中通服公众信息产业股份有限公司 | 一种基于四值权重与多重分类的人脸特征提取方法 |
CN108664933A (zh) * | 2018-05-11 | 2018-10-16 | 中国科学院遥感与数字地球研究所 | 一种用于sar图像船舶分类的卷积神经网络的训练方法及其分类方法、船舶分类模型 |
CN109657726A (zh) * | 2018-12-25 | 2019-04-19 | 焦点科技股份有限公司 | 一种图片多标签分类方法 |
EP3579145A1 (en) * | 2018-06-08 | 2019-12-11 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method and device for image processing, computer readable storage medium, and electronic device |
CN110633739A (zh) * | 2019-08-30 | 2019-12-31 | 太原科技大学 | 基于并行模块深度学习的偏光片缺陷图像实时分类方法 |
CN111582230A (zh) * | 2020-05-21 | 2020-08-25 | 电子科技大学 | 基于空时特征的视频行为分类方法 |
CN111666873A (zh) * | 2020-06-05 | 2020-09-15 | 汪金玲 | 一种基于多任务深度学习网络的训练方法、识别方法及系统 |
CN111931688A (zh) * | 2020-08-27 | 2020-11-13 | 珠海大横琴科技发展有限公司 | 船只识别方法、装置、计算机设备及存储介质 |
CN111967511A (zh) * | 2020-08-04 | 2020-11-20 | 河海大学 | 一种基于异构特征融合网络的地基云图分类方法 |
CN112232162A (zh) * | 2020-10-06 | 2021-01-15 | 武汉烽火凯卓科技有限公司 | 一种基于多特征融合级联分类器的行人检测方法及装置 |
CN112364920A (zh) * | 2020-11-12 | 2021-02-12 | 西安电子科技大学 | 基于深度学习的甲状腺癌病理图像分类方法 |
JP2021110565A (ja) * | 2020-01-07 | 2021-08-02 | 株式会社東芝 | 類別装置及び類別方法 |
CN113610180A (zh) * | 2021-08-17 | 2021-11-05 | 湖南工学院 | 基于深度学习的可见光图像和红外图像融合的船舶分类方法与装置 |
CN113807385A (zh) * | 2021-07-09 | 2021-12-17 | 西北工业大学 | 一种基于度量学习的多模型分组融合的遥感图像分类方法 |
CN113888412A (zh) * | 2021-11-23 | 2022-01-04 | 钟家兴 | 一种用于糖尿病视网膜病变分类的图像超分辨率重建方法 |
CN114387470A (zh) * | 2022-01-11 | 2022-04-22 | 中船(浙江)海洋科技有限公司 | 一种基于轻量化卷积神经网络的船舶分类方法及系统 |
CN114418489A (zh) * | 2022-01-04 | 2022-04-29 | 常州首信智能制造有限公司 | 物流分拣机器人的智能监测预警方法、装置、设备及介质 |
CN114445696A (zh) * | 2022-01-27 | 2022-05-06 | 长沙一扬电子科技有限公司 | 基于综合特征表示的遥感图像场景分类方法 |
CN114898233A (zh) * | 2022-05-06 | 2022-08-12 | 广西壮族自治区农业科学院植物保护研究所 | 一种柑橘果园中柑橘木虱智能定位的方法及相关装置 |
CN115330668A (zh) * | 2021-04-23 | 2022-11-11 | 深圳科亚医疗科技有限公司 | 用于解剖标记生成的方法和系统 |
Patent Citations (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1577359A (zh) * | 2003-06-30 | 2005-02-09 | 微软公司 | 在系统中为紧急或重要情况使用成批电子邮件过滤器用于分类消息 |
US7505621B1 (en) * | 2003-10-24 | 2009-03-17 | Videomining Corporation | Demographic classification using image components |
CN101290660A (zh) * | 2008-06-02 | 2008-10-22 | 中国科学技术大学 | 一种用于行人检测的树状组合分类方法 |
CN101901345A (zh) * | 2009-05-27 | 2010-12-01 | 复旦大学 | 一种差异蛋白质组学的分类方法 |
CN101604322A (zh) * | 2009-06-24 | 2009-12-16 | 北京理工大学 | 一种决策级文本自动分类融合方法 |
CN101996326A (zh) * | 2009-08-26 | 2011-03-30 | 索尼株式会社 | 多类目标的检测装置及检测方法 |
CN107832753A (zh) * | 2017-12-21 | 2018-03-23 | 中通服公众信息产业股份有限公司 | 一种基于四值权重与多重分类的人脸特征提取方法 |
CN108664933A (zh) * | 2018-05-11 | 2018-10-16 | 中国科学院遥感与数字地球研究所 | 一种用于sar图像船舶分类的卷积神经网络的训练方法及其分类方法、船舶分类模型 |
EP3579145A1 (en) * | 2018-06-08 | 2019-12-11 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method and device for image processing, computer readable storage medium, and electronic device |
CN109657726A (zh) * | 2018-12-25 | 2019-04-19 | 焦点科技股份有限公司 | 一种图片多标签分类方法 |
CN110633739A (zh) * | 2019-08-30 | 2019-12-31 | 太原科技大学 | 基于并行模块深度学习的偏光片缺陷图像实时分类方法 |
JP2021110565A (ja) * | 2020-01-07 | 2021-08-02 | 株式会社東芝 | 類別装置及び類別方法 |
CN111582230A (zh) * | 2020-05-21 | 2020-08-25 | 电子科技大学 | 基于空时特征的视频行为分类方法 |
CN111666873A (zh) * | 2020-06-05 | 2020-09-15 | 汪金玲 | 一种基于多任务深度学习网络的训练方法、识别方法及系统 |
CN111967511A (zh) * | 2020-08-04 | 2020-11-20 | 河海大学 | 一种基于异构特征融合网络的地基云图分类方法 |
CN111931688A (zh) * | 2020-08-27 | 2020-11-13 | 珠海大横琴科技发展有限公司 | 船只识别方法、装置、计算机设备及存储介质 |
CN112232162A (zh) * | 2020-10-06 | 2021-01-15 | 武汉烽火凯卓科技有限公司 | 一种基于多特征融合级联分类器的行人检测方法及装置 |
CN112364920A (zh) * | 2020-11-12 | 2021-02-12 | 西安电子科技大学 | 基于深度学习的甲状腺癌病理图像分类方法 |
CN115330668A (zh) * | 2021-04-23 | 2022-11-11 | 深圳科亚医疗科技有限公司 | 用于解剖标记生成的方法和系统 |
CN113807385A (zh) * | 2021-07-09 | 2021-12-17 | 西北工业大学 | 一种基于度量学习的多模型分组融合的遥感图像分类方法 |
CN113610180A (zh) * | 2021-08-17 | 2021-11-05 | 湖南工学院 | 基于深度学习的可见光图像和红外图像融合的船舶分类方法与装置 |
CN113888412A (zh) * | 2021-11-23 | 2022-01-04 | 钟家兴 | 一种用于糖尿病视网膜病变分类的图像超分辨率重建方法 |
CN114418489A (zh) * | 2022-01-04 | 2022-04-29 | 常州首信智能制造有限公司 | 物流分拣机器人的智能监测预警方法、装置、设备及介质 |
CN114387470A (zh) * | 2022-01-11 | 2022-04-22 | 中船(浙江)海洋科技有限公司 | 一种基于轻量化卷积神经网络的船舶分类方法及系统 |
CN114445696A (zh) * | 2022-01-27 | 2022-05-06 | 长沙一扬电子科技有限公司 | 基于综合特征表示的遥感图像场景分类方法 |
CN114898233A (zh) * | 2022-05-06 | 2022-08-12 | 广西壮族自治区农业科学院植物保护研究所 | 一种柑橘果园中柑橘木虱智能定位的方法及相关装置 |
Non-Patent Citations (6)
Title |
---|
Remote Sensing Image Scene Classification Based on Multi-level Feature Fusion;Ya Chen;《IEEE access》;全文 * |
一个联机识别自然手写汉字的多分类器集成系统;黄襄念, 程萍, 彭健, 杨波;中文信息学报(第05期);全文 * |
企业财务困境的多分类器混合组合预测;孙洁;李辉;;系统工程理论与实践(第02期);全文 * |
基于多级分类器和神经网络集成的手写体汉字识别;魏浩;宫宁生;;计算机工程与设计(第09期);参见正文第3部分 * |
多级PSO神经网络在手写体字符识别中的应用;李冰, 孙德宝;微机发展(第01期);全文 * |
数据挖掘技术在客户获取策略中的应用;张喆;常桂然;黄小原;;东北大学学报(自然科学版)(第11期);全文 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110046550B (zh) | 基于多层特征学习的行人属性识别系统及方法 | |
EP4091109A1 (en) | Systems for multiclass object detection and alerting and methods therefor | |
Capizzi et al. | A clustering based system for automated oil spill detection by satellite remote sensing | |
US11468266B2 (en) | Target identification in large image data | |
CN111723841A (zh) | 文本检测方法、装置、电子设备及存储介质 | |
CN114693942A (zh) | 一种仪器仪表智能运维的多模态故障理解及辅助标注方法 | |
CN115937655A (zh) | 多阶特征交互的目标检测模型及其构建方法、装置及应用 | |
CN111680755A (zh) | 医学图像识别模型构建及医学图像识别方法、装置、介质及终端 | |
CN111639607A (zh) | 模型训练、图像识别方法和装置、电子设备及存储介质 | |
CN113610180A (zh) | 基于深度学习的可见光图像和红外图像融合的船舶分类方法与装置 | |
CN114091594A (zh) | 模型训练方法及装置、设备、存储介质 | |
CN113822287B (zh) | 一种图像处理方法、系统、设备以及介质 | |
CN114913487A (zh) | 一种基于多模态学习的目标识别检测方法及相关组件 | |
CN115115863A (zh) | 水面多尺度目标检测方法、装置及系统和存储介质 | |
CN116310516B (zh) | 船舶分类方法及装置 | |
CN116310516A (zh) | 船舶分类方法及装置 | |
CN112001258A (zh) | 物流货车准时到站识别方法、装置、设备和存储介质 | |
CN115035389B (zh) | 基于可靠性评估和迭代学习的细粒度图像识别方法和装置 | |
CN116167850A (zh) | 一种基于农业遥感图像的贷款风险评估方法及装置 | |
CN112487229B (zh) | 细粒度图像分类方法、系统及预测模型的训练方法 | |
CN113065005B (zh) | 一种基于知识图谱和文本分类模型的法律条文推荐方法 | |
CN115018194A (zh) | 电动汽车故障等级预测的方法、系统、电子设备和存储介质 | |
CN115271045A (zh) | 一种基于机器学习的神经网络模型优化方法及系统 | |
CN112418186A (zh) | 一种可行驶区域检测方法及装置 | |
CN112069819A (zh) | 模型训练方法、模型训练装置和事件抽取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |