CN117475387B - 一种利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法 - Google Patents
一种利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法 Download PDFInfo
- Publication number
- CN117475387B CN117475387B CN202311645393.7A CN202311645393A CN117475387B CN 117475387 B CN117475387 B CN 117475387B CN 202311645393 A CN202311645393 A CN 202311645393A CN 117475387 B CN117475387 B CN 117475387B
- Authority
- CN
- China
- Prior art keywords
- fishing boat
- continuous track
- semantic
- sequence
- target
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005516 engineering process Methods 0.000 title claims abstract description 26
- 230000033001 locomotion Effects 0.000 claims abstract description 40
- 239000013598 vector Substances 0.000 claims description 104
- 238000012549 training Methods 0.000 claims description 57
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000000903 blocking effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 18
- 230000009286 beneficial effect Effects 0.000 abstract description 8
- 238000011161 development Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法，其根据待检测第一目标渔船和第二目标渔船的轨迹点绘制双拖轨迹，并在下一扫描周期跟踪所述待检测第一目标渔船和第二目标渔船的运动轨迹，直至所述运动轨迹的形态变为同位相交，并绘制出所述待检测第一目标渔船和第二目标渔船的完整双拖轨迹。这样，能够提高渔船监测和管理的效率，有助于保护渔业资源和维护渔业可持续发展。
Description
技术领域
本发明涉及智能化渔船双拖分析技术领域，尤其涉及一种利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法。
背景技术
双拖渔船是指由两艘船同时拖曳一顶渔网进行捕捞作业的渔船。这种作业方式具有捕捞范围广、速度快、生产效率高的特点，且一般不受水域环境限制，因此被广泛采用。然而，双拖渔船由于网具入水较深、捕捞数量大，并且能够捕捞底层珍稀鱼类，对生态环境的影响也较大。
近年来，由于人类高强度的捕捞活动，一些海洋生态环境持续恶化，水生生物资源严重衰退。为了加强海洋渔业资源保护和维护水生生物多样性，国家规划了多个禁渔区和禁渔期，并制定了捕捞作业类型和禁用网具等规定。然而，仍然存在一些非法捕捞和破坏水域生态环境的行为。因此，利用信息化方式识别非法捕捞和涉水行为对于保护海洋生态环境具有重要意义。
国内外对于渔船作业方式的识别主要有三种方式：传统现场监测识别、基于卫星遥感技术的渔船作业监测识别，以及基于船舶监控系统的渔船作业监测识别。传统现场监测识别具有高准确度，但监控难度大、成本高、风险高，并且检查范围有限，在管理上存在局限性。基于卫星遥感技术的渔船监测虽然可以实现大范围监测，但精度和时效性无法满足要求，并且容易受到天气、云层等因素的干扰。利用船舶监控系统的渔船监测识别主要集中在近海岸带地区已登记作业类型的船舶监测，无法满足对远距离未登记海上作业渔船的监测需求。
因此，期望一种优化的渔船双拖分析的方案。
发明内容
本发明实施例提供一种利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法，其根据待检测第一目标渔船和第二目标渔船的轨迹点绘制双拖轨迹，并在下一扫描周期跟踪所述待检测第一目标渔船和第二目标渔船的运动轨迹，直至所述运动轨迹的形态变为同位相交，并绘制出所述待检测第一目标渔船和第二目标渔船的完整双拖轨迹。这样，能够提高渔船监测和管理的效率，有助于保护渔业资源和维护渔业可持续发展。
本发明实施例还提供了一种利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法，其包括：利用Hive离线分析技术，根据区域和船型过滤目标渔船的历史轨迹数据，获得每个所述目标渔船的运动轨迹；计算待检测第一目标渔船和第二目标渔船的运动轨迹之间的地理栅格距离，并判断所述待检测第一目标渔船和第二目标渔船的运动轨迹是否存在同态伴随特征，以初步确定所述待检测第一目标渔船和第二目标渔船是否为双拖；追溯采集所述待检测第一目标渔船和第二目标渔船在上一扫描周期内的连续轨迹图像，并对所述连续轨迹图像进行分析以判断所述待检测第一目标渔船和第二目标渔船是否具有同态伴随特征；根据所述待检测第一目标渔船和第二目标渔船的轨迹点绘制双拖轨迹，并在下一扫描周期跟踪所述待检测第一目标渔船和第二目标渔船的运动轨迹，直至所述运动轨迹的形态变为同位相交，并绘制出所述待检测第一目标渔船和第二目标渔船的完整双拖轨迹。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
在附图中：图1为本发明实施例中提供的一种利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法的流程图。
图2为本发明实施例中提供的实现过程的流程图。
图3为本发明实施例中提供的典型渔船双拖轨迹图。
图4为本发明实施例中提供的一种利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法的系统架构的示意图。
图5为本发明实施例中提供的一种利用Hive离线分析技术及伴随思想进行渔船双拖分析的系统的框图。
图6为本发明实施例中提供的一种利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法的应用场景图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
除非另有说明，本发明实施例所使用的所有技术和科学术语与本发明的技术领域的技术人员通常理解的含义相同。本发明中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本发明的范围。
在本发明实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本发明实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本发明的实施例可以除了在这里图示或描述的那些以外的顺序实施。
在本发明的一个实施例中，图1为本发明实施例中提供的一种利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法的流程图。如图1所示，根据本发明实施例的利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法，包括：110，利用Hive离线分析技术，根据区域和船型过滤目标渔船的历史轨迹数据，获得每个所述目标渔船的运动轨迹；120，计算待检测第一目标渔船和第二目标渔船的运动轨迹之间的地理栅格距离，并判断所述待检测第一目标渔船和第二目标渔船的运动轨迹是否存在同态伴随特征，以初步确定所述待检测第一目标渔船和第二目标渔船是否为双拖；130，追溯采集所述待检测第一目标渔船和第二目标渔船在上一扫描周期内的连续轨迹图像，并对所述连续轨迹图像进行分析以判断所述待检测第一目标渔船和第二目标渔船是否具有同态伴随特征；140，根据所述待检测第一目标渔船和第二目标渔船的轨迹点绘制双拖轨迹，并在下一扫描周期跟踪所述待检测第一目标渔船和第二目标渔船的运动轨迹，直至所述运动轨迹的形态变为同位相交，并绘制出所述待检测第一目标渔船和第二目标渔船的完整双拖轨迹。
具体地，在本发明技术方案中，提出了一种利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法，其包括步骤：利用Hive离线分析技术，根据区域和船型过滤目标渔船的历史轨迹数据，获得每个所述目标渔船的运动轨迹。计算待检测第一目标渔船和第二目标渔船的运动轨迹之间的地理栅格距离，并判断所述待检测第一目标渔船和第二目标渔船的运动轨迹是否存在同态伴随特征，以初步确定所述待检测第一目标渔船和第二目标渔船是否为双拖。追溯采集所述待检测第一目标渔船和第二目标渔船在上一扫描周期内的连续轨迹图像，并对所述连续轨迹图像进行分析以判断所述待检测第一目标渔船和第二目标渔船是否具有同态伴随特征。特别地，响应于所述待检测第一目标渔船和第二目标渔船具有同态伴随特征，继续追溯之前轨迹，响应于所述待检测第一目标渔船和第二目标渔船无同态伴随特征，分析所述待检测第一目标渔船和第二目标渔船的轨迹形态是否为同位相离，并在确定为同位相离的轨迹后停止向前追溯查找。根据所述待检测第一目标渔船和第二目标渔船的轨迹点绘制双拖轨迹，并在下一扫描周期跟踪所述待检测第一目标渔船和第二目标渔船的运动轨迹，直至所述运动轨迹的形态变为同位相交，并绘制出所述待检测第一目标渔船和第二目标渔船的完整双拖轨迹。
在本发明的一个实施例中，参照图2至图3所示， 具体实施步骤如下：步骤110，集成海上目标AIS数据、雷达数据、船舶档案数据、港口码头泊位等数据，建立海上目标大数据库，结合禁渔区、海洋保护区、海底管线区等特殊区域矢量，利用Hive离线计算处理工具，编制HiveQL查询语言，根据区域或船型过滤海上目标历史轨迹数据。计算每个目标每个时刻的地理栅格，将目标地理栅格点按照时间顺序连线，形成每个目标的历史运动轨迹。
步骤120，计算某时间范围内两两目标轨迹之间的地理栅格距离，双拖渔船一般间距400～500米，根据双拖渔船一般相距距离，设置距离阈值，筛选间隔距离在阈值范围内的渔船，判断其中两条轨迹是否存在同态伴随特征。同态伴随特征即某个时间周期内两个目标的航速、航向近似相同，轨迹接近于平行，二者距离在阈值范围内并保持稳定，间距变化不大。符合同态伴随特征的即初步判别为双拖渔船。将初步筛选的双拖渔船信息进行单独存储，并根据后续判断进行删改。
步骤130，初步判别为双拖渔船后，利用Hive离线分析工具，追溯当前两条轨迹上一扫描周期内的连续轨迹。分析上一扫描周期内，这两条轨迹是否也具有同态伴随特征，若有，则继续追溯之前轨迹，这种状态下，说明该双拖渔船在上一扫描周期内也在进行双拖作业。若无，则说明两船距离小于了阈值，不符合双拖作业情景。这种情况下要分析轨迹形态是否为同位相离，即两船由靠拢状态分离，轨迹间距随时间逐步增大，这种状态即表明找到了两船刚开始作业时由靠拢到分离的轨迹。若找到同位相离轨迹，则停止向前追溯。缓存所有相关轨迹点，绘制双拖渔船的运动轨迹。
步骤140，在当前判别的双拖渔船轨迹基础上，继续在下一扫描周期跟踪两条目标轨迹，并绘制两个目标轨迹，直至轨迹形态变为同位相交。同位相交即两船由分离状态变为靠拢，轨迹间距随时间逐步减小，这种状态表明该双拖渔船完成作业。找到同位相交轨迹后，表示该双拖渔船一个航次结束，根据同位相离到同位相交之间的轨迹数据，绘制完整的渔船双拖轨迹。
本发明经过试验表明，达到了在大数据量目标轨迹数据中快速识别双拖渔船的效果；以上这种利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法在海上目标识别与异常检测领域是一种创新，并能在大范围海量数据中得到很好的应用，可以能够在大数据集群间分配任务，多个任务并行执行，具有高效、高容错性、可扩展等优势，在筛选符合双拖标准的渔船目标外，同步完成动态轨迹绘制。
特别地，在进行渔船双拖分析的过程中，由于双拖渔船的特征之一是两艘渔船之间的同态伴随关系，即它们在捕捞过程中保持一定的相对位置和运动模式。这种同态伴随特征可以通过连续轨迹图像的分析来判断，并用于后续的渔船双拖识别判断和双拖轨迹追踪，因此对于双拖渔船的识别和分析而言，判断渔船之间是否具有同态伴随特征至关重要。基于此，本发明的技术构思为在追溯采集到待检测第一目标渔船和第二目标渔船在上一扫描周期内的连续轨迹图像后，在后端引入图像处理和分析算法来进行所述连续轨迹图像的分析，以此来判断所述待检测第一目标渔船和第二目标渔船是否具有同态伴随特征，从而有利于识别出可能存在双拖行为的渔船，并绘制出其双拖轨迹。这样，能够提高渔船监测和管理的效率，有助于保护渔业资源和维护渔业可持续发展。
图4为本发明实施例中提供的一种利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法的系统架构的示意图。如图4所示，追溯采集所述待检测第一目标渔船和第二目标渔船在上一扫描周期内的连续轨迹图像，并对所述连续轨迹图像进行分析以判断所述待检测第一目标渔船和第二目标渔船是否具有同态伴随特征，包括：首先，获取所述待检测第一目标渔船和第二目标渔船在上一扫描周期内的连续轨迹图像；然后，对所述连续轨迹图像进行局部区域特征分析以得到连续轨迹图像块特征向量的序列；接着，对所述连续轨迹图像块特征向量的序列进行上下文图像语义全局关联编码以得到连续轨迹图像块语义上下文特征向量的序列；然后，对所述连续轨迹图像块语义上下文特征向量的序列进行语义重要性加权融合以得到加权后连续轨迹图像块语义上下文特征向量的序列；最后，对所述加权后连续轨迹图像块语义上下文特征向量的序列进行综合分析以确定所述待检测第一目标渔船和第二目标渔船是否具有同态伴随特征。
具体地，在本发明的技术方案中，首先，获取待检测第一目标渔船和第二目标渔船在上一扫描周期内的连续轨迹图像。接着，考虑到所述连续轨迹图像通常包含大量的细节信息，而图像的不同部分可能具有不同的渔船轨迹关联特征信息。因此，为了更好地提取和表示渔船轨迹的特征，以便进行后续的分析和渔船同态伴随特征的判断，在本发明的技术方案中，进一步将所述连续轨迹图像进行图像分块处理以得到连续轨迹图像块的序列。通过将所述连续轨迹图像分成图像块，可以有利于后续更好地捕捉到图像中不同部分的两个目标渔船之间的局部轨迹关联特征。这样可以提高特征的多样性和表达能力，有助于更准确地判断渔船是否具有同态伴随特征。
在本发明的一个具体实施例中，对所述连续轨迹图像进行局部区域特征分析以得到连续轨迹图像块特征向量的序列，包括：将所述连续轨迹图像进行图像分块处理以得到连续轨迹图像块的序列；将所述连续轨迹图像块的序列通过基于卷积神经网络模型的连续轨迹图像块特征提取器以得到所述连续轨迹图像块特征向量的序列。
然后，将所述连续轨迹图像块的序列通过基于卷积神经网络模型的连续轨迹图像块特征提取器中进行特征挖掘，以提取出所述各个连续轨迹图像块中关于所述待检测第一目标渔船和第二目标渔船之间的连续轨迹局部关联特征分布信息，从而得到连续轨迹图像块特征向量的序列。
进一步地，考虑到在所述各个连续轨迹图像块的语义特征中，所述各个连续轨迹图像块之间往往存在一定的语义关联关系，例如渔船的运动模式、位置变化等。因此，为了能够更好地捕捉轨迹图像块之间的语义关系和上下文信息，在本发明的技术方案中，进一步将所述连续轨迹图像块特征向量的序列通过基于转换器的上下文图像语义编码器以得到连续轨迹图像块语义上下文特征向量的序列。通过所述基于转换器的上下文图像语义编码器进行处理，可以对所述连续轨迹图像块的特征向量的序列进行上下文关联编码，捕捉到它们之间的图像语义上下文关联关系。这有助于更好地捕捉到两者渔船运动的动态特征，从而更好地理解和分析渔船之间的同态伴随关系，提高渔船双拖分析的准确性。
在本发明的一个具体实施例中，对所述连续轨迹图像块特征向量的序列进行上下文图像语义全局关联编码以得到连续轨迹图像块语义上下文特征向量的序列，包括：将所述连续轨迹图像块特征向量的序列通过基于转换器的上下文图像语义编码器以得到所述连续轨迹图像块语义上下文特征向量的序列。
接着，考虑到在所述连续轨迹图像块的序列中，不同的图像块具有不同的语义重要性。也就是说，在所述连续轨迹图像中，不同的局部区域对于目标渔船的轨迹特征刻画以及两者目标渔船的同态伴随特征判断的贡献度不同，需要更加聚焦于两者目标渔船的轨迹区域。因此，为了量化每个图像块在整个序列中的重要程度，在本发明的技术方案中，需要分别计算所述连续轨迹图像块语义上下文特征向量的序列中的各个连续轨迹图像块语义上下文特征向量相对于所述连续轨迹图像块语义上下文特征向量的序列的整体的语义重要性以得到多个语义权重值，并以所述多个语义权重值作为权重分别对所述连续轨迹图像块语义上下文特征向量的序列进行加权以得到加权后连续轨迹图像块语义上下文特征向量的序列。通过计算每个图像块相对于整体序列的语义重要性，可以区分出哪些图像块对于判断两者目标渔船之间的同态伴随关系更为关键，从而将更高权重的图像块视为具有更重要的语义信息，这有助于提高对渔船同态伴随特征的识别和理解能力，并提高渔船双拖分析的准确性和可解释性。
在本发明的一个具体实施例中，对所述连续轨迹图像块语义上下文特征向量的序列进行语义重要性加权融合以得到加权后连续轨迹图像块语义上下文特征向量的序列，包括：分别计算所述连续轨迹图像块语义上下文特征向量的序列中的各个连续轨迹图像块语义上下文特征向量相对于整体的语义重要性以得到多个语义权重值；以所述多个语义权重值作为权重分别对所述连续轨迹图像块语义上下文特征向量的序列进行加权以得到所述加权后连续轨迹图像块语义上下文特征向量的序列。
具体地，分别计算所述连续轨迹图像块语义上下文特征向量的序列中的各个连续轨迹图像块语义上下文特征向量相对于整体的语义重要性以得到多个语义权重值，包括：以如下语义公式计算所述连续轨迹图像块语义上下文特征向量的序列中的各个连续轨迹图像块语义上下文特征向量相对于整体的语义重要性以得到多个语义权重值；其中，所述语义公式为：其中，/>是所述连续轨迹图像块语义上下文特征向量的序列中的各个连续轨迹图像块语义上下文特征向量，/>和/>是/>的矩阵，是所述连续轨迹图像块语义上下文特征向量的序列中的各个连续轨迹图像块语义上下文特征向量的尺度，/>是所述连续轨迹图像块语义上下文特征向量的序列的向量总数，是/>函数，/>是所述多个语义权重值的各个语义权重值。
在本发明的一个具体实施例中，对所述加权后连续轨迹图像块语义上下文特征向量的序列进行综合分析以确定所述待检测第一目标渔船和第二目标渔船是否具有同态伴随特征，包括：将所述加权后连续轨迹图像块语义上下文特征向量的序列排列为连续轨迹图像块语义上下文特征矩阵后，通过分类器以得到分类结果，所述分类结果用于表示所述待检测第一目标渔船和第二目标渔船是否具有同态伴随特征。
继而，再将所述加权后连续轨迹图像块语义上下文特征向量的序列排列为连续轨迹图像块语义上下文特征矩阵后，通过分类器以得到分类结果，所述分类结果用于表示待检测第一目标渔船和第二目标渔船是否具有同态伴随特征。也就是说，通过将具有图像块不同权重的所述加权后连续轨迹图像块语义上下文特征向量的序列进行排列为特征矩阵，以更好地表示渔船之间的语义上下文关系，这有助于分类器更好地理解和分析渔船之间的同态伴随关系。然后，再通过分类器进行分类处理，以此来判断所述待检测第一目标渔船和第二目标渔船是否具有同态伴随特征。具体地，通过使用所述分类器，可以学习和识别两者目标渔船具有同态伴随特征的渔船模式，并根据输入的特征矩阵判断渔船是否具有同态伴随特征。这样可以自动化地进行判断，提高渔船双拖分析的效率和准确性。
在本发明的一个实施例中，所述利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法，还包括训练步骤：用于对所述基于卷积神经网络模型的连续轨迹图像块特征提取器、所述基于转换器的上下文图像语义编码器和所述分类器进行训练。所述训练步骤，包括：获取所述待检测第一目标渔船和第二目标渔船在上一扫描周期内的训练连续轨迹图像；对所述训练连续轨迹图像进行局部区域特征分析以得到训练连续轨迹图像块特征向量的序列；对所述训练连续轨迹图像块特征向量的序列进行上下文图像语义全局关联编码以得到训练连续轨迹图像块语义上下文特征向量的序列；对所述训练连续轨迹图像块语义上下文特征向量的序列进行语义重要性加权融合以得到训练加权后连续轨迹图像块语义上下文特征向量的序列；将所述训练加权后连续轨迹图像块语义上下文特征向量的序列排列为训练连续轨迹图像块语义上下文特征矩阵后，通过分类器以得到分类损失函数值；基于所述分类损失函数值对所述基于卷积神经网络模型的连续轨迹图像块特征提取器、所述基于转换器的上下文图像语义编码器和所述分类器进行训练，其中，所述训练的每次迭代时对所述训练连续轨迹图像块语义上下文特征向量进行训练优化。
特别地，在上述技术方案中，所述训练连续轨迹图像块语义上下文特征向量的序列中的每个训练连续轨迹图像块语义上下文特征向量表示相应的训练连续轨迹图像块在全局图像语义空间域下的局部图像语义空间域间特征语义上下文关联的局部图像语义空间域内图像语义特征，因此，考虑全局图像语义空间域下的局部图像语义空间域间的图像语义特征分布不均衡，在通过所述训练连续轨迹图像块语义上下文特征向量的序列中的各个训练连续轨迹图像块语义上下文特征向量相对于所述训练连续轨迹图像块语义上下文特征向量的序列的整体的语义重要性进行加权后，所述训练加权后连续轨迹图像块语义上下文特征向量的序列的整体特征分布会具有较为显著的不一致和不稳定，从而影响所述训练连续轨迹图像块语义上下文特征矩阵通过分类器进行分类训练的稳定性。
基于此，本发明的申请人在将所述训练连续轨迹图像块语义上下文特征矩阵展开后得到的训练连续轨迹图像块语义上下文特征向量通过分类器进行分类训练时，在每次迭代时对所述训练连续轨迹图像块语义上下文特征向量进行训练优化，具体表示为：以如下优化公式所述训练连续轨迹图像块语义上下文特征矩阵展开后得到的训练连续轨迹图像块语义上下文特征向量进行训练优化以得到优化训练连续轨迹图像块语义上下文特征向量；其中，/>是所述训练连续轨迹图像块语义上下文特征矩阵展开后得到的训练连续轨迹图像块语义上下文特征向量/>的特征值，/>和/>分别是所述训练连续轨迹图像块语义上下文特征向量/>的1范数和2范数， />是所述训练连续轨迹图像块语义上下文特征向量/>的长度，且/>是与/>相关的权重超参数，/>是优化训练连续轨迹图像块语义上下文特征向量，/>表示计算以数值为幂的自然指数函数值。
这里，通过所述训练连续轨迹图像块语义上下文特征向量的整体特征分布分别在绝对距离的刚性结构和空间距离的非刚性结构下的结构一致性和稳定性表示，来使得所述训练连续轨迹图像块语义上下文特征向量/>的全局特征分布对于局部模式变化具有一定重复性，以在所述训练连续轨迹图像块语义上下文特征向量/>通过分类器进行分类时，对于全局特征分布经由分类器的权重矩阵的尺度和旋转变化具有鲁棒性，提升分类训练的稳定性。这样，能够基于两个目标渔船的连续轨迹图像来自动判断两个目标渔船之间是否具有同态伴随特征，以此来更为高校和准确地识别出可能存在双拖行为的渔船，并绘制出双拖轨迹，通过这样的方式，能够提高渔船监测和管理的效率，有助于保护渔业资源和维护渔业可持续发展。
本发明具有以下有益效果：1、适合AIS和雷达大数据量分析处理，具有高效、高容错性、可扩展等优势。
2、能够在大数据集群间分配任务，多个任务并行执行。
3、在筛选符合双拖标准的渔船目标外，同步完成动态轨迹绘制。
综上，基于本发明实施例的利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法被阐明，其在追溯采集到待检测第一目标渔船和第二目标渔船在上一扫描周期内的连续轨迹图像后，在后端引入图像处理和分析算法来进行所述连续轨迹图像的分析，以此来判断所述待检测第一目标渔船和第二目标渔船是否具有同态伴随特征，从而有利于识别出可能存在双拖行为的渔船，并绘制出其双拖轨迹。这样，能够提高渔船监测和管理的效率，有助于保护渔业资源和维护渔业可持续发展。
图5为本发明实施例中提供的一种利用Hive离线分析技术及伴随思想进行渔船双拖分析的系统的框图。如图5所示，所述利用Hive离线分析技术及伴随思想进行渔船双拖分析的系统200，包括：运动轨迹获取模块210，用于利用Hive离线分析技术，根据区域和船型过滤目标渔船的历史轨迹数据，获得每个所述目标渔船的运动轨迹；目标渔船的运动轨迹初步判断模块220，用于计算待检测第一目标渔船和第二目标渔船的运动轨迹之间的地理栅格距离，并判断所述待检测第一目标渔船和第二目标渔船的运动轨迹是否存在同态伴随特征，以初步确定所述待检测第一目标渔船和第二目标渔船是否为双拖；连续轨迹图像采集模块230，用于追溯采集所述待检测第一目标渔船和第二目标渔船在上一扫描周期内的连续轨迹图像，并对所述连续轨迹图像进行分析以判断所述待检测第一目标渔船和第二目标渔船是否具有同态伴随特征；完整双拖轨迹绘制模块240，用于根据所述待检测第一目标渔船和第二目标渔船的轨迹点绘制双拖轨迹，并在下一扫描周期跟踪所述待检测第一目标渔船和第二目标渔船的运动轨迹，直至所述运动轨迹的形态变为同位相交，并绘制出所述待检测第一目标渔船和第二目标渔船的完整双拖轨迹。
本领域技术人员可以理解，上述利用Hive离线分析技术及伴随思想进行渔船双拖分析的系统中的各个步骤的具体操作已经在上面参考图1到图4的利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本发明实施例的利用Hive离线分析技术及伴随思想进行渔船双拖分析的系统200可以实现在各种终端设备中，例如用于利用Hive离线分析技术及伴随思想进行渔船双拖分析的服务器等。在一个示例中，根据本发明实施例的利用Hive离线分析技术及伴随思想进行渔船双拖分析的系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该利用Hive离线分析技术及伴随思想进行渔船双拖分析的系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该利用Hive离线分析技术及伴随思想进行渔船双拖分析的系统200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该利用Hive离线分析技术及伴随思想进行渔船双拖分析的系统200与该终端设备也可以是分立的设备，并且该利用Hive离线分析技术及伴随思想进行渔船双拖分析的系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图6为本发明实施例中提供的一种利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法的应用场景图。如图6所示，在该应用场景中，首先，获取所述待检测第一目标渔船和第二目标渔船在上一扫描周期内的连续轨迹图像（例如，如图6中所示意的C）；然后，将获取的连续轨迹图像输入至部署有利用Hive离线分析技术及伴随思想进行渔船双拖分析算法的服务器（例如，如图6中所示意的S）中，其中所述服务器能够基于利用Hive离线分析技术及伴随思想进行渔船双拖分析算法对所述连续轨迹图像进行处理，以确定所述待检测第一目标渔船和第二目标渔船是否具有同态伴随特征。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法，其特征在于，包括：
利用Hive离线分析技术，根据区域和船型过滤目标渔船的历史轨迹数据，获得每个所述目标渔船的运动轨迹；
计算待检测第一目标渔船和第二目标渔船的运动轨迹之间的地理栅格距离，并判断所述待检测第一目标渔船和第二目标渔船的运动轨迹是否存在同态伴随特征，以初步确定所述待检测第一目标渔船和第二目标渔船是否为双拖；
追溯采集所述待检测第一目标渔船和第二目标渔船在上一扫描周期内的连续轨迹图像，并对所述连续轨迹图像进行分析以判断所述待检测第一目标渔船和第二目标渔船是否具有同态伴随特征，同态伴随特征即某个时间周期内两个目标的航速、航向近似相同，轨迹接近于平行，二者距离在阈值范围内并保持稳定，间距变化不大；
根据所述待检测第一目标渔船和第二目标渔船的轨迹点绘制双拖轨迹，并在下一扫描周期跟踪所述待检测第一目标渔船和第二目标渔船的运动轨迹，直至所述运动轨迹的形态变为同位相交，并绘制出所述待检测第一目标渔船和第二目标渔船的完整双拖轨迹；
其中，追溯采集所述待检测第一目标渔船和第二目标渔船在上一扫描周期内的连续轨迹图像，并对所述连续轨迹图像进行分析以判断所述待检测第一目标渔船和第二目标渔船是否具有同态伴随特征，包括：响应于所述待检测第一目标渔船和第二目标渔船具有同态伴随特征，继续追溯之前轨迹，响应于所述待检测第一目标渔船和第二目标渔船无同态伴随特征，分析所述待检测第一目标渔船和第二目标渔船的轨迹形态是否为同位相离，并在确定为同位相离的轨迹后停止向前追溯查找；
其中，追溯采集所述待检测第一目标渔船和第二目标渔船在上一扫描周期内的连续轨迹图像，并对所述连续轨迹图像进行分析以判断所述待检测第一目标渔船和第二目标渔船是否具有同态伴随特征，包括：
获取所述待检测第一目标渔船和第二目标渔船在上一扫描周期内的连续轨迹图像；
对所述连续轨迹图像进行局部区域特征分析以得到连续轨迹图像块特征向量的序列；
对所述连续轨迹图像块特征向量的序列进行上下文图像语义全局关联编码以得到连续轨迹图像块语义上下文特征向量的序列；
对所述连续轨迹图像块语义上下文特征向量的序列进行语义重要性加权融合以得到加权后连续轨迹图像块语义上下文特征向量的序列；
对所述加权后连续轨迹图像块语义上下文特征向量的序列进行综合分析以确定所述待检测第一目标渔船和第二目标渔船是否具有同态伴随特征。
2.根据权利要求1所述的利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法，其特征在于，对所述连续轨迹图像进行局部区域特征分析以得到连续轨迹图像块特征向量的序列，包括：
将所述连续轨迹图像进行图像分块处理以得到连续轨迹图像块的序列；
将所述连续轨迹图像块的序列通过基于卷积神经网络模型的连续轨迹图像块特征提取器以得到所述连续轨迹图像块特征向量的序列。
3.根据权利要求2所述的利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法，其特征在于，对所述连续轨迹图像块特征向量的序列进行上下文图像语义全局关联编码以得到连续轨迹图像块语义上下文特征向量的序列，包括：将所述连续轨迹图像块特征向量的序列通过基于转换器的上下文图像语义编码器以得到所述连续轨迹图像块语义上下文特征向量的序列。
4.根据权利要求3所述的利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法，其特征在于，对所述连续轨迹图像块语义上下文特征向量的序列进行语义重要性加权融合以得到加权后连续轨迹图像块语义上下文特征向量的序列，包括：
分别计算所述连续轨迹图像块语义上下文特征向量的序列中的各个连续轨迹图像块语义上下文特征向量相对于整体的语义重要性以得到多个语义权重值；
以所述多个语义权重值作为权重分别对所述连续轨迹图像块语义上下文特征向量的序列进行加权以得到所述加权后连续轨迹图像块语义上下文特征向量的序列。
5.根据权利要求4所述的利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法，其特征在于，分别计算所述连续轨迹图像块语义上下文特征向量的序列中的各个连续轨迹图像块语义上下文特征向量相对于整体的语义重要性以得到多个语义权重值，包括：以如下语义公式计算所述连续轨迹图像块语义上下文特征向量的序列中的各个连续轨迹图像块语义上下文特征向量相对于整体的语义重要性以得到多个语义权重值；
其中，所述语义公式为：
，
其中，是所述连续轨迹图像块语义上下文特征向量的序列中的各个连续轨迹图像块语义上下文特征向量，A和B是/>的矩阵，/>是所述连续轨迹图像块语义上下文特征向量的序列中的各个连续轨迹图像块语义上下文特征向量的尺度，/>是所述连续轨迹图像块语义上下文特征向量的序列的向量总数，/>是Sigmoid函数，/>是所述多个语义权重值的各个语义权重值。
6.根据权利要求5所述的利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法，其特征在于，对所述加权后连续轨迹图像块语义上下文特征向量的序列进行综合分析以确定所述待检测第一目标渔船和第二目标渔船是否具有同态伴随特征，包括：将所述加权后连续轨迹图像块语义上下文特征向量的序列排列为连续轨迹图像块语义上下文特征矩阵后，通过分类器以得到分类结果，所述分类结果用于表示所述待检测第一目标渔船和第二目标渔船是否具有同态伴随特征。
7.根据权利要求6所述的利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法，其特征在于，还包括训练步骤：用于对所述基于卷积神经网络模型的连续轨迹图像块特征提取器、所述基于转换器的上下文图像语义编码器和所述分类器进行训练。
8.根据权利要求7所述的利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法，其特征在于，所述训练步骤，包括：
获取所述待检测第一目标渔船和第二目标渔船在上一扫描周期内的训练连续轨迹图像；
对所述训练连续轨迹图像进行局部区域特征分析以得到训练连续轨迹图像块特征向量的序列；
对所述训练连续轨迹图像块特征向量的序列进行上下文图像语义全局关联编码以得到训练连续轨迹图像块语义上下文特征向量的序列；
对所述训练连续轨迹图像块语义上下文特征向量的序列进行语义重要性加权融合以得到训练加权后连续轨迹图像块语义上下文特征向量的序列；
将所述训练加权后连续轨迹图像块语义上下文特征向量的序列排列为训练连续轨迹图像块语义上下文特征矩阵后，通过分类器以得到分类损失函数值；
基于所述分类损失函数值对所述基于卷积神经网络模型的连续轨迹图像块特征提取器、所述基于转换器的上下文图像语义编码器和所述分类器进行训练，其中，所述训练的每次迭代时对所述训练连续轨迹图像块语义上下文特征向量进行训练优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311645393.7A CN117475387B (zh) | 2023-12-04 | 2023-12-04 | 一种利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311645393.7A CN117475387B (zh) | 2023-12-04 | 2023-12-04 | 一种利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117475387A CN117475387A (zh) | 2024-01-30 |
| CN117475387B true CN117475387B (zh) | 2024-04-30 |
Family
ID=89639728
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311645393.7A Active CN117475387B (zh) | 2023-12-04 | 2023-12-04 | 一种利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117475387B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3442839A1 (de) * | 2016-04-12 | 2019-02-20 | Robert Bosch GmbH | Verfahren und vorrichtung zum bestimmen einer sicherheitskritischen gierbewegung eines fahrzeugs |
| CN111553934A (zh) * | 2020-04-24 | 2020-08-18 | 哈尔滨工程大学 | 一种采用多维度融合的多船舶跟踪方法 |
| CN113360544A (zh) * | 2021-06-04 | 2021-09-07 | 中国海洋大学 | 基于捕捞时序关系的短时捕捞努力量分布预测方法 |
| CN113936156A (zh) * | 2021-11-24 | 2022-01-14 | 上海鹰觉科技有限公司 | 针对水面船舶捕鱼行为的检测识别分类方法及系统 |
| CN116148906A (zh) * | 2023-02-17 | 2023-05-23 | 广东海聊科技有限公司 | 一种基于多注意力的渔船轨迹异常检测方法及系统 |
| CN116245913A (zh) * | 2023-01-30 | 2023-06-09 | 北京交通大学 | 基于层次化上下文引导的多目标跟踪方法 |
| CN116738324A (zh) * | 2023-08-11 | 2023-09-12 | 太极计算机股份有限公司 | 模型训练方法和渔船单拖作业行为的识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10922981B2 (en) * | 2018-12-05 | 2021-02-16 | Windward Ltd. | Risk event identification in maritime data and usage thereof |
-
2023
- 2023-12-04 CN CN202311645393.7A patent/CN117475387B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3442839A1 (de) * | 2016-04-12 | 2019-02-20 | Robert Bosch GmbH | Verfahren und vorrichtung zum bestimmen einer sicherheitskritischen gierbewegung eines fahrzeugs |
| CN111553934A (zh) * | 2020-04-24 | 2020-08-18 | 哈尔滨工程大学 | 一种采用多维度融合的多船舶跟踪方法 |
| CN113360544A (zh) * | 2021-06-04 | 2021-09-07 | 中国海洋大学 | 基于捕捞时序关系的短时捕捞努力量分布预测方法 |
| CN113936156A (zh) * | 2021-11-24 | 2022-01-14 | 上海鹰觉科技有限公司 | 针对水面船舶捕鱼行为的检测识别分类方法及系统 |
| CN116245913A (zh) * | 2023-01-30 | 2023-06-09 | 北京交通大学 | 基于层次化上下文引导的多目标跟踪方法 |
| CN116148906A (zh) * | 2023-02-17 | 2023-05-23 | 广东海聊科技有限公司 | 一种基于多注意力的渔船轨迹异常检测方法及系统 |
| CN116738324A (zh) * | 2023-08-11 | 2023-09-12 | 太极计算机股份有限公司 | 模型训练方法和渔船单拖作业行为的识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| Identifying partners at sea from joint movement metrics of pelagic pair trawlers;Rocio Joo等;《ICES Journal of Marine Science》;20210831;第78卷(第5 期);第1758–1768页 * |
| Pixel-Wise Ship Identification From Maritime Images via a Semantic Segmentation Model;Xinqiang Chen等;《IEEE Sensors Journal》;20220915;第22卷(第18期);第18180-18191页 * |
| 双船海洋电磁拖体航迹监测软件设计与实现;张超越;《基础科学辑》;20200815(第08期);第A010-31页 * |
| 融合图像识别和VFH+的无人艇局部路径规划方法;洪晓斌等;《华南理工大学学报（自然科学版）》;20191031;第47卷(第10期);第24-33页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117475387A (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111368690B (zh) | 基于深度学习的海浪影响下视频图像船只检测方法及系统 | |
| Liu et al. | Key target and defect detection of high-voltage power transmission lines with deep learning | |
| Christensen et al. | Detection, localization and classification of fish and fish species in poor conditions using convolutional neural networks | |
| CN109859202A (zh) | 一种基于usv水面光学目标跟踪的深度学习检测方法 | |
| Guo et al. | An anchor-free network with density map and attention mechanism for multiscale object detection in aerial images | |
| Lu et al. | Historical AIS data-driven unsupervised automatic extraction of directional maritime traffic networks | |
| Lu et al. | Shape-based vessel trajectory similarity computing and clustering: A brief review | |
| CN115115863A (zh) | 水面多尺度目标检测方法、装置及系统和存储介质 | |
| Wang et al. | Object detection using transfer learning for underwater robot | |
| CN114155491A (zh) | 一种基于ais数据的船舶行为识别方法及系统 | |
| Xu et al. | Hyperparameter configuration learning for ship detection from synthetic aperture radar images | |
| CN117475387B (zh) | 一种利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法 | |
| Betti et al. | Real-time target detection in maritime scenarios based on YOLOv3 model | |
| CN114510961A (zh) | 基于递归神经网络和北斗定位的船舶行为智能监控算法 | |
| Pu et al. | Comparison and Simulation of Deep Learning Detection Algorithms for Floating Objects on the Water Surface | |
| Wen et al. | Underwater target detection based on modified YOLOv5 | |
| Shen et al. | Marine Debris Detection in Satellite Surveillance using Attention Mechanisms | |
| Fu et al. | Ship detection based on Improved YOLO Algorithm | |
| Zhang et al. | Underwater autonomous grasping robot based on multi-stage cascade DetNet | |
| Tu et al. | A Deformable Spatial Attention Mechanism-Based Method and a Benchmark for Dock Detection | |
| Zan et al. | Automatic detection of ship based on rotation invariant RetinaNet | |
| Lin et al. | A Real-Time Counting Method of Fish based on the Instance Segmentation | |
| Gong et al. | Water Surface Object Detection Based on Neural Style Learning Algorithm | |
| Yan et al. | Optical remote sensing image waters extraction technology based on deep learning context-unet | |
| Liu et al. | Research on A Ship Trajectory Classification Method Based on Deep Learning |
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 |