CN117237614B - 基于深度学习的湖面漂浮物小目标检测方法 - Google Patents
基于深度学习的湖面漂浮物小目标检测方法 Download PDFInfo
- Publication number
- CN117237614B CN117237614B CN202311494292.4A CN202311494292A CN117237614B CN 117237614 B CN117237614 B CN 117237614B CN 202311494292 A CN202311494292 A CN 202311494292A CN 117237614 B CN117237614 B CN 117237614B
- Authority
- CN
- China
- Prior art keywords
- frame
- width
- height
- target detection
- characteristic
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 90
- 238000013135 deep learning Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000007246 mechanism Effects 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 31
- 208000034699 Vitreous floaters Diseases 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 21
- 230000004927 fusion Effects 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 4
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000007667 floating Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的湖面漂浮物小目标检测方法，包括构造数据集；对数据集中训练样本进行图像增强得到增强数据集；建立一目标检测网络，并在第一次上采样操作前添加一坐标注意力机制模块；用增强数据集训练目标检测网络至收敛，得到湖面漂浮物小目标检测模型；获取待检测的原始遥感图像，图像增强后送入湖面漂浮物小目标检测模型，得到目标检测结果。本发明能提升图像前景占比率和增大其中小目标的尺寸；针对小目标的检测更加精准。在特征提取时获取通道间信息并考虑方向相关的位置信息，大大提升了检测速度和精度，且整体足够灵活和轻量，节省了计算成本。
Description
技术领域
本发明涉及一种目标检测方法，尤其涉及一种基于深度学习的湖面漂浮物小目标检测方法。
背景技术
目前，红外遥感技术和激光雷达等方法已被应用于湖面漂浮物的检测。红外遥感技术可以通过检测湖面上漂浮物与周围环境的温度差异来进行漂浮物检测。激光雷达则可以通过测量湖面高度差异来检测漂浮物。然而，这些方法需要从外部设备获取数据，限制了它们在实时监测和动态更新方面的能力。
采用深度学习方法可以根据图像数据直接进行处理和分析，不需要依赖额外的设备，且可以通过训练模型来处理不同类型的漂浮物或场景。但由于大尺寸的遥感影像的视角通常较远，湖面漂浮物相对于图像中的广阔环境的面积占比是较小的，相比与一般的目标检测任务，小目标物体的检测难度是非常高的，因此采用一般的目标检测方法难以准确的检测到小面积的湖面漂浮物，准确检测小面积的湖面漂浮物仍然具有挑战性。
目前深度学习方法多采用目标检测网络模型，由backbone、FPN网络、head三部分构成。其中，backbone为骨干网络，用于特征提取。
FPN网络英文为Feature Pyramid Network，也被称为特征图金字塔网络，其目的是将不同尺度的特征进行融合，从而实现对多尺度目标的准确检测。具体来说，FPN由两个部分组成：自上而下的特征传播和自下而上的特征融合。首先，FPN通过自上而下的特征传播从高分辨率的特征图开始，利用上采样操作将特征逐渐传播到较低的尺度。然后，FPN通过自下而上的特征融合，将高分辨率的特征与低分辨率的特征进行融合，从而获得具有丰富语义信息的多尺度特征金字塔。
head为目标检测头，对FPN的输出进行目标检测。
名词解释：CPNet为聚类候选框网络，是ClusDet网络的一个组成部分，CPNet结构简单，仅能对训练样本进行粗略检测，从特征提取骨干网络中提取高层特征，分别使用两个分支进行回归和分类预测，最终输出多个密集且杂乱的检测框。
发明内容
本发明的目的就在于提供一种解决上述问题，无需从外部设备获取数据，从而具有实时监测和动态更新能力，且能准确对湖面漂浮物进行检测，避免漏检误检的，基于深度学习的湖面漂浮物小目标检测方法。
为了实现上述目的，本发明采用的技术方案是这样的：一种基于深度学习的湖面漂浮物小目标检测方法，包括以下步骤；
S1：构造数据集；
采集包含湖面漂浮物的原始遥感图像，对每张原始遥感图像，将湖面漂浮物作为目标人工标记真实框；并标记有目标和真实框的原始遥感图像作为训练样本；
S2：对数据集中训练样本进行图像增强，得到增强数据集，其中1个训练样本进行图像增强的方法包括S21~S27；
S21：用检测器对训练样本进行目标检测，输出多个检测框；
S22：对每个检测框的宽度进行扩展得到扩展框，将所有扩展框构成检测集合Bc、并建立一输出区域集合Br，Br初始状态为空；
S23：从Bc内的扩展框中标记框A、框B和框C，其中，框A为Bc中尺寸最小的扩展框，框B为除框A的任一扩展框，框C为包含框A、框B的最小凸框；
S24：统计框A、框B、框C的面积SA、SB、SC，若SA+SB＞SC，则用框C对应的扩展框更新框A对应的扩展框，并将框B对应的扩展框从Bc中移出；
S25：重复步骤S23、S24直到没有框B满足SA+SB＞SC，将此时的框A作为一目标区域，添加到Br中；
S26：重复步骤S23~ S25直到Bc为空集；
S27：将Br中目标区域按预设尺寸分为小目标区域、中目标区域和大目标区域，并自适应调整尺寸，再以Mosaic数据增强的方式与原始遥感图像组装为增强图像；
S3：建立一目标检测网络，包括骨干网络、FPN网络和目标检测头，并在FPN网络的第一次上采样操作前添加一坐标注意力机制模块；
S4：设置训练次数，用增强数据集训练目标检测网络至收敛，得到湖面漂浮物小目标检测模型；
S5：获取待检测的原始遥感图像，按步骤S2得到对应的增强图像，送入湖面漂浮物小目标检测模型，得到目标检测结果。
作为优选：步骤S21中，检测器为全卷积网络构成的CPNet。
作为优选：步骤S22中，将检测框的宽和高同比例放大，直到90%的真实框被包含在放大的检测框内，得到扩展框。
作为优选：所述FPN网络至少包括浅层特征层、中层特征层和深层特征层，且浅层特征层经第一次上采样操作与中层特征层融合。
作为优选：所述坐标注意力机制模块包括融合大卷积单元、水平全局平均池化单元、垂直全局平均池化单元，处理方法包括以下步骤；
Sa1：将浅层特征层输出的浅层特征图输入融合大卷积单元，依次经5×5卷积和7×7卷积得到第一浅层特征图和第二浅层特征图，将二者相加得到维度为H×W×C融合特征图x c ；
Sa2：将融合特征图x c ，由水平全局平均池化单元、垂直全局平均池化单元分别按下式（1）、（2）在水平和垂直方向进行全局平均池化，得到高度方向特征图和宽度方向特征图；
（1），
（2），
其中，H、W、C分别为融合特征图的总高度、总宽度、总通道数，
式（1）中，x c （h,i）为x c 中高度为h、宽度为i的特征值，为高度方向特征图在高度h和通道c的输出特征值，h=1~H，0≤i＜W,c=1~C；
式（2）中，x c （j,w）为x c 中高度为j、宽度为w的特征值，为宽度方向特征图在宽度w和通道c的输出特征值，0≤j＜H，w=1~W,c=1~C；
Sa3：将x c 的高度方向特征图和宽度方向特征图拼接，并经卷积操作降维、归一化处理后得到第一特征图F 1；
Sa4：将F 1送入非线性激活函数处理得到第二特征图F 2；
Sa5：将F 2按步骤Sa3的拼接方式反向拆分，得到高度方向拆分图F2 h 和宽度方向拆分图F 2 w ；
Sa6：按下式（3）（4），将F2 h 、F 2 w 分别进行1X1的卷积操作成大小为H×W×C的高度特征张量和宽度特征张量，再分别经sigmoid激活函数按下式得到x c 在高度和宽度上的注意力权重g h 、g w ；
（3），
（4），
式中，σ为sigmoid激活函数，F(·)为1X1的卷积操作；
Sa7：根据下式得到坐标注意力特征图y c ；
（5），
式中，x c （i,j）为x c 中宽度为i、高度为j的特征值，y c （i,j）为y c 中宽度为i、高度为j的特征值，为g h 中宽度为i、高度为j的特征值，/>为g w 中宽度为i、高度为j的特征值。
与现有技术相比，本发明的优点在于：提出了一种新的湖面漂浮物小目标检测方法。
先对原始遥感图像进行图像增强，包括粗略检测、对检测框放大、融合等操作，形成大中小不同尺寸的目标区域，再自适应调整尺寸、以Mosaic数据增强的方式与原始遥感图像组装等操作，得到增强图像。该步操作能使增强图像中包含不同尺度的目标区域，用于后续精细检测操作。
再对现有目标检测网络进行改进，融入坐标注意力机制模块，具体添加到FPN网络的第一个上采样操作前，使FPN网络的浅层、中层、深层三个尺度的输出都能捕获跨通道信息，还捕获方向感知和位置敏感信息，有助于对待检测的小目标进行定位。
综上，经过图像增强得到的增强图像，大大提升图像的前景占比率和增大其中小目标的尺寸；针对小目标的检测更加精准。再目标检测时融入坐标注意力机制，不仅获取了通道间信息，还考虑了方向相关的位置信息，有助于模型更好地定位和识别目标，大大提升了检测速度和精度。同时本发明基于深度学习方法，仅增加一粗糙的检测器进行初步检测，整体足够灵活和轻量，节省了计算成本。
附图说明
图1为本发明整体架构图；
图2为预处理流程图；
图3为图像增强时构成检测集合Bc的流程图；
图4为坐标注意力机制模块流程图；
图5为一种目标检测网络融合坐标注意力机制模块的具体网络架构图。
具体实施方式
下面将结合附图对本发明作进一步说明。
实施例1：参见图1到图4，一种基于深度学习的湖面漂浮物小目标检测方法，包括以下步骤；
S1：构造数据集；
采集包含湖面漂浮物的原始遥感图像，对每张原始遥感图像，将湖面漂浮物作为目标人工标记真实框；并标记有目标和真实框的原始遥感图像作为训练样本；
S2：对数据集中训练样本进行图像增强，得到增强数据集，其中1个训练样本进行图像增强的方法包括S21~S27；
S21：用检测器对训练样本进行目标检测，输出多个检测框；
S22：对每个检测框的宽度进行扩展得到扩展框，将所有扩展框构成检测集合Bc、并建立一输出区域集合Br，Br初始状态为空；
S23：从Bc内的扩展框中标记框A、框B和框C，其中，框A为Bc中尺寸最小的扩展框，框B为除框A的任一扩展框，框C为包含框A、框B的最小凸框；
S24：统计框A、框B、框C的面积SA、SB、SC，若SA+SB＞SC，则用框C对应的扩展框更新框A对应的扩展框，并将框B对应的扩展框从Bc中移出；
S25：重复步骤S23、S24直到没有框B满足SA+SB＞SC，将此时的框A作为一目标区域，添加到Br中；
S26：重复步骤S23~ S25直到Bc为空集；
S27：将Br中目标区域按预设尺寸分为小目标区域、中目标区域和大目标区域，并自适应调整尺寸，再以Mosaic数据增强的方式与原始遥感图像组装为增强图像；
S3：建立一目标检测网络，包括骨干网络、FPN网络和目标检测头，并在FPN网络的第一次上采样操作前添加一坐标注意力机制模块；
S4：设置训练次数，用增强数据集训练目标检测网络至收敛，得到湖面漂浮物小目标检测模型；
S5：获取待检测的原始遥感图像，按步骤S2得到对应的增强图像，送入湖面漂浮物小目标检测模型，得到目标检测结果。
本实施例中，步骤S21中，检测器为全卷积网络构成的CPNet。
步骤S22中，将检测框的宽和高同比例放大，直到90%的真实框被包含在放大的检测框内，得到扩展框。
所述FPN网络至少包括浅层特征层、中层特征层和深层特征层，且浅层特征层经第一次上采样操作与中层特征层融合。
所述坐标注意力机制模块包括融合大卷积单元、水平全局平均池化单元、垂直全局平均池化单元，处理方法包括以下步骤；
Sa1：将浅层特征层输出的浅层特征图输入融合大卷积单元，依次经5×5卷积和7×7卷积得到第一浅层特征图和第二浅层特征图，将二者相加得到维度为H×W×C融合特征图x c ；
Sa2：将融合特征图x c ，由水平全局平均池化单元、垂直全局平均池化单元分别按下式（1）、（2）在水平和垂直方向进行全局平均池化，得到高度方向特征图和宽度方向特征图；
（1），
（2），
其中，H、W、C分别为融合特征图的总高度、总宽度、总通道数，
式（1）中，x c （h,i）为x c 中高度为h、宽度为i的特征值，为高度方向特征图在高度h和通道c的输出特征值，h=1~H，0≤i＜W,c=1~C；
式（2）中，x c （j,w）为x c 中高度为j、宽度为w的特征值，为宽度方向特征图在宽度w和通道c的输出特征值，0≤j＜H，w=1~W,c=1~C；
Sa3：将x c 的高度方向特征图和宽度方向特征图拼接，并经卷积操作降维、归一化处理后得到第一特征图F 1，所述归一化处理，可以是Batch Norm等批归一化处理方法。
Sa4：将F 1送入非线性激活函数处理得到第二特征图F 2；
Sa5：将F 2按步骤Sa3的拼接方式反向拆分，得到高度方向拆分图F2 h 和宽度方向拆分图F 2 w ；
Sa6：按下式（3）（4），将F2 h 、F 2 w 分别进行1X1的卷积操作成大小为H×W×C的高度特征张量和宽度特征张量，再分别经sigmoid激活函数按下式得到x c 在高度和宽度上的注意力权重g h 、g w ；
（3），
（4），
式中，σ为sigmoid激活函数，F(·)为1X1的卷积操作；
Sa7：根据下式得到坐标注意力特征图y c ；
（5），
式中，x c （i,j）为x c 中宽度为i、高度为j的特征值，y c （i,j）为y c 中宽度为i、高度为j的特征值，为g h 中宽度为i、高度为j的特征值，/>为g w 中宽度为i、高度为j的特征值。
图像增强时：先用类似于CPNet这类较为粗糙的检测器对大尺寸原始遥感图像中的目标进行粗略检测，输出多个密集且杂乱检测框；再通过本发明步骤S22~S26的方式，对检测框进行放大、融合等操作，形成大中小不同尺寸的目标区域，再自适应调整尺寸，再以Mosaic数据增强的方式与原始遥感图像组装为增强图像。
实施例2：参见图1到图5，在实施例1步骤和方法的基础上，步骤S1的数据集选用FloW数据集，它是全球第一个真实内河场景下、无人船视角的漂浮垃圾检测数据集。该数据集可具体参见论文：Cheng Y , Zhu J , Jiang M ,et al.FloW: A Dataset andBenchmark for Floating Waste Detection in Inland Waters[J]. 2021.DOI:10.1109/ICCV48922.2021.01077。
步骤S3建立的目标检测网络，为Yolo-v3网络，并在Yolo-v3网络中融入坐标注意力机制模块。图5给出了一种典型的Yolo-v3网络，该网络前端输入为增强图像，包含浅层特征层、中层特征层和深层特征层，且浅层特征层经第一次上采样操作与中层特征层融合。
为了验证本方法的有效性，我们将基于上述构建混合处理的方法，称为本发明方法，与现有技术中多种其他目标检测方法进行对比，实验结果如表1所示。
表1：不同目标检测方法对比表
表1中，mAP为均值平均精度，FPS为检测帧率。
由表1可知，与其他目标检测方法相比，本发明mAP指标优于所有对比的现有技术，说明本方法能精准的检测到自然保护地的湖面漂浮垃圾物。二从FPS指标来看，本方法的检测速度也具有一定优势，与Yolo-v3相比在检测速度相差不大的情况下，mAP提升了0.07map，综合说明，本发明在能提高一定检测速度的同时，还能提高检测精度。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于深度学习的湖面漂浮物小目标检测方法，其特征在于：包括以下步骤；
S1：构造数据集；
采集包含湖面漂浮物的原始遥感图像，对每张原始遥感图像，将湖面漂浮物作为目标人工标记真实框；并标记有目标和真实框的原始遥感图像作为训练样本；
S2：对数据集中训练样本进行图像增强，得到增强数据集，其中1个训练样本进行图像增强的方法包括S21~S27；
S21：用检测器对训练样本进行目标检测，输出多个检测框；
S22：对每个检测框的宽度进行扩展得到扩展框，将所有扩展框构成检测集合Bc、并建立一输出区域集合Br，Br初始状态为空；
S23：从Bc内的扩展框中标记框A、框B和框C，其中，框A为Bc中尺寸最小的扩展框，框B为除框A的任一扩展框，框C为包含框A、框B的最小凸框；
S24：统计框A、框B、框C的面积SA、SB、SC，若SA+SB＞SC，则用框C对应的扩展框更新框A对应的扩展框，并将框B对应的扩展框从Bc中移出；
S25：重复步骤S23、S24直到没有框B满足SA+SB＞SC，将此时的框A作为一目标区域，添加到Br中；
S26：重复步骤S23~ S25直到Bc为空集；
S27：将Br中目标区域按预设尺寸分为小目标区域、中目标区域和大目标区域，并自适应调整尺寸，再以Mosaic数据增强的方式与原始遥感图像组装为增强图像；
S3：建立一目标检测网络，包括骨干网络、FPN网络和目标检测头，并在FPN网络的第一次上采样操作前添加一坐标注意力机制模块；
S4：设置训练次数，用增强数据集训练目标检测网络至收敛，得到湖面漂浮物小目标检测模型；
S5：获取待检测的原始遥感图像，按步骤S2得到对应的增强图像，送入湖面漂浮物小目标检测模型，得到目标检测结果；
所述FPN网络至少包括浅层特征层、中层特征层和深层特征层，且浅层特征层经第一次上采样操作与中层特征层融合；
所述坐标注意力机制模块包括融合大卷积单元、水平全局平均池化单元、垂直全局平均池化单元，处理方法包括以下步骤；
Sa1：将浅层特征层输出的浅层特征图输入融合大卷积单元，依次经5×5卷积和7×7卷积得到第一浅层特征图和第二浅层特征图，将二者相加得到维度为H×W×C融合特征图x c ；
Sa2：将融合特征图x c ，由水平全局平均池化单元、垂直全局平均池化单元分别按下式（1）、（2）在水平和垂直方向进行全局平均池化，得到高度方向特征图和宽度方向特征图；
(1)
(2)
其中，H、W、C分别为融合特征图的总高度、总宽度、总通道数，
式（1）中，x c （h,i）为x c 中高度为h、宽度为i的特征值，为高度方向特征图在高度h和通道c的输出特征值，h=1~H，0≤i＜W，c=1~C；
式（2）中，x c （j,w）为x c 中高度为j、宽度为w的特征值，为宽度方向特征图在宽度w和通道c的输出特征值，0≤j＜H，w=1~W,c=1~C；
Sa3：将x c 的高度方向特征图和宽度方向特征图拼接，并经卷积操作降维、归一化处理后得到第一特征图F 1；
Sa4：将F 1送入非线性激活函数处理得到第二特征图F 2；
Sa5：将F 2按步骤Sa3的拼接方式反向拆分，得到高度方向拆分图F2 h 和宽度方向拆分图F 2 w ；
Sa6：按下式（3）（4），将F2 h 、F 2 w 分别进行1X1的卷积操作成大小为H×W×C的高度特征张量和宽度特征张量，再分别经sigmoid激活函数得到x c 在高度和宽度上的注意力权重g h 、g w ；
(3)
(4)
式中，σ为sigmoid激活函数，F(·)为1X1的卷积操作；
Sa7：根据下式（5）得到坐标注意力特征图y c ；
(5)
式中，x c （i,j）为x c 中宽度为i、高度为j的特征值，y c （i,j）为y c 中宽度为i、高度为j的特征值，为g h 中宽度为i、高度为j的特征值，为g w 中宽度为i、高度为j的特征值。
2.根据权利要求1所述的基于深度学习的湖面漂浮物小目标检测方法，其特征在于：步骤S21中，检测器为全卷积网络构成的CPNet。
3.根据权利要求1所述的基于深度学习的湖面漂浮物小目标检测方法，其特征在于：步骤S22中，将检测框的宽和高同比例放大，直到90%的真实框被包含在放大的检测框内，得到扩展框。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311494292.4A CN117237614B (zh) | 2023-11-10 | 2023-11-10 | 基于深度学习的湖面漂浮物小目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311494292.4A CN117237614B (zh) | 2023-11-10 | 2023-11-10 | 基于深度学习的湖面漂浮物小目标检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117237614A CN117237614A (zh) | 2023-12-15 |
| CN117237614B true CN117237614B (zh) | 2024-02-06 |
Family
ID=89098612
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311494292.4A Active CN117237614B (zh) | 2023-11-10 | 2023-11-10 | 基于深度学习的湖面漂浮物小目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117237614B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117935060B (zh) * | 2024-03-21 | 2024-05-28 | 成都信息工程大学 | 基于深度学习的洪水区域检测方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019144575A1 (zh) * | 2018-01-24 | 2019-08-01 | 中山大学 | 一种快速行人检测方法及装置 |
| CN112686282A (zh) * | 2020-12-11 | 2021-04-20 | 天津中科智能识别产业技术研究院有限公司 | 一种基于自学习数据的目标检测方法 |
| WO2022017129A1 (zh) * | 2020-07-22 | 2022-01-27 | 上海商汤临港智能科技有限公司 | 目标对象检测方法、装置、电子设备及存储介质 |
| CN114494829A (zh) * | 2022-01-16 | 2022-05-13 | 西安电子科技大学 | 一种sar图像多尺度舰船目标检测方法 |
| CN114782772A (zh) * | 2022-04-08 | 2022-07-22 | 河海大学 | 一种基于改进ssd算法的水上漂浮物检测识别方法 |
| CN115063573A (zh) * | 2022-06-14 | 2022-09-16 | 湖北工业大学 | 一种基于注意力机制的多尺度目标检测方法 |
| WO2022247486A1 (zh) * | 2021-05-25 | 2022-12-01 | 苏州慧维智能医疗科技有限公司 | 基于无锚框的大肠内窥镜息肉检测与病理分类方法 |
| CN115497005A (zh) * | 2022-09-05 | 2022-12-20 | 重庆邮电大学 | 一种融合特征转移与注意力机制的yolov4遥感目标检测方法 |
| CN115620022A (zh) * | 2022-09-15 | 2023-01-17 | 中汽创智科技有限公司 | 一种对象检测方法、装置、设备及存储介质 |
| CN115984172A (zh) * | 2022-11-29 | 2023-04-18 | 上海师范大学 | 一种基于增强特征提取的小目标检测方法 |
| CN116612292A (zh) * | 2023-05-29 | 2023-08-18 | 吉林大学 | 一种基于深度学习的小目标检测方法 |
| CN116721368A (zh) * | 2023-06-28 | 2023-09-08 | 河南大学 | 一种基于坐标和全局信息聚合的无人机航拍图像多尺度目标检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117036656A (zh) * | 2023-08-17 | 2023-11-10 | 集美大学 | 一种复杂场景下的水面漂浮物识别方法 |
-
2023
- 2023-11-10 CN CN202311494292.4A patent/CN117237614B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019144575A1 (zh) * | 2018-01-24 | 2019-08-01 | 中山大学 | 一种快速行人检测方法及装置 |
| WO2022017129A1 (zh) * | 2020-07-22 | 2022-01-27 | 上海商汤临港智能科技有限公司 | 目标对象检测方法、装置、电子设备及存储介质 |
| CN112686282A (zh) * | 2020-12-11 | 2021-04-20 | 天津中科智能识别产业技术研究院有限公司 | 一种基于自学习数据的目标检测方法 |
| WO2022247486A1 (zh) * | 2021-05-25 | 2022-12-01 | 苏州慧维智能医疗科技有限公司 | 基于无锚框的大肠内窥镜息肉检测与病理分类方法 |
| CN114494829A (zh) * | 2022-01-16 | 2022-05-13 | 西安电子科技大学 | 一种sar图像多尺度舰船目标检测方法 |
| CN114782772A (zh) * | 2022-04-08 | 2022-07-22 | 河海大学 | 一种基于改进ssd算法的水上漂浮物检测识别方法 |
| CN115063573A (zh) * | 2022-06-14 | 2022-09-16 | 湖北工业大学 | 一种基于注意力机制的多尺度目标检测方法 |
| CN115497005A (zh) * | 2022-09-05 | 2022-12-20 | 重庆邮电大学 | 一种融合特征转移与注意力机制的yolov4遥感目标检测方法 |
| CN115620022A (zh) * | 2022-09-15 | 2023-01-17 | 中汽创智科技有限公司 | 一种对象检测方法、装置、设备及存储介质 |
| CN115984172A (zh) * | 2022-11-29 | 2023-04-18 | 上海师范大学 | 一种基于增强特征提取的小目标检测方法 |
| CN116612292A (zh) * | 2023-05-29 | 2023-08-18 | 吉林大学 | 一种基于深度学习的小目标检测方法 |
| CN116721368A (zh) * | 2023-06-28 | 2023-09-08 | 河南大学 | 一种基于坐标和全局信息聚合的无人机航拍图像多尺度目标检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| Improved YOLOv7 Network Model for Gangue Selection Robot for Gangue and Foreign Matter Detection in Coal;Yang, Dengjie 等;《SENSORS》;第1-18页 * |
| 双向特征融合的数据自适应SAR图像舰船目标检测模型;张筱晗;姚力波;吕亚飞;简涛;赵志伟;藏洁;;中国图象图形学报(09);第229-238页 * |
| 基于中心点的遥感图像多方向舰船目标检测;张筱晗;姚力波;吕亚飞;韩鹏;李健伟;;光子学报(04);第210-218页 * |
| 基于多尺度感受野扩增融合的遥感目标检测算法;裴君岩;刘义海;;指挥控制与仿真(01);第40-45页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117237614A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kim et al. | High-speed drone detection based on yolo-v8 | |
| US9235902B2 (en) | Image-based crack quantification | |
| CN114202672A (zh) | 一种基于注意力机制的小目标检测方法 | |
| CN117237614B (zh) | 基于深度学习的湖面漂浮物小目标检测方法 | |
| CN101406390B (zh) | 检测人体部位和人的方法和设备以及对象检测方法和设备 | |
| CN115731533B (zh) | 一种基于改进YOLOv5的车载目标检测方法 | |
| CN113255589B (zh) | 一种基于多卷积融合网络的目标检测方法及系统 | |
| JP2008203992A (ja) | 検出装置および方法、並びに、プログラム | |
| CN106778659B (zh) | 一种车牌识别方法及装置 | |
| CN111898668A (zh) | 一种基于深度学习的小目标物体检测方法 | |
| JP2008059319A (ja) | 物体認識装置および映像物体測位装置 | |
| CN111738071B (zh) | 一种基于单目摄像机的运动变化的逆透视变换方法 | |
| JP5388291B2 (ja) | 識別器生成方法、コンピュータプログラム、識別器生成装置及び所定物体検出装置 | |
| CN115346177A (zh) | 一种新的路侧视角下目标检测系统及方法 | |
| CN113361528B (zh) | 一种多尺度目标检测方法及系统 | |
| CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
| CN103049909A (zh) | 一种以车牌为焦点的曝光方法 | |
| CN114120272A (zh) | 一种融合边缘检测的多监督智能车道线语义分割方法 | |
| CN114089329A (zh) | 一种基于长短焦相机与毫米波雷达融合的目标检测方法 | |
| CN115019201B (zh) | 一种基于特征精细化深度网络的弱小目标检测方法 | |
| CN116168246A (zh) | 一种用于铁路工程的弃渣场识别方法、装置、设备及介质 | |
| CN112288701A (zh) | 一种智慧交通图像检测方法 | |
| CN111881984A (zh) | 一种基于深度学习的目标检测方法和装置 | |
| JP7165353B2 (ja) | 画像特徴量出力装置、画像認識装置、画像特徴量出力プログラム、及び画像認識プログラム | |
| CN116777905B (zh) | 基于长尾分布数据的智能工业旋转检测方法及系统 |
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 |