CN116524368B - 遥感图像目标检测方法 - Google Patents
遥感图像目标检测方法 Download PDFInfo
- Publication number
- CN116524368B CN116524368B CN202310403716.5A CN202310403716A CN116524368B CN 116524368 B CN116524368 B CN 116524368B CN 202310403716 A CN202310403716 A CN 202310403716A CN 116524368 B CN116524368 B CN 116524368B
- Authority
- CN
- China
- Prior art keywords
- feature
- features
- remote sensing
- scale
- sensing image
- 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 42
- 230000006870 function Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000000034 method Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 abstract 1
- 239000000654 additive Substances 0.000 description 7
- 230000000996 additive effect Effects 0.000 description 7
- 238000003709 image segmentation Methods 0.000 description 5
- 230000002401 inhibitory effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000012141 concentrate Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000007123 defense Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及遥感图像目标检测方法,包括获取至少一幅包含待测目标的卫星遥感图像,利用卷积神经网络提取卫星遥感图像的多尺度特征,根据嵌入掩膜引导特征金字塔网络学习前景目标区域的特征,并生成用于提取原始图像中疑似目标区域的旋转候选框,利用旋转RoIAlign对齐操作对疑似目标区域进行特征提取,将提取到的特征送入由Smooth‑L1回归损失和角边距分类损失组成的有向检测头进行分类识别与回归定位。本发明提升了目标检测方法对港口等复杂背景的抗干扰能力,减少了云雾、形似干扰物造成的虚警,提高了目标检测的识别精度,可应用于高分辨率遥感图像中的船只、飞机等目标识别。
Description
技术领域
本发明涉及卫星技术领域,具体涉及一种遥感图像目标检测方法。
背景技术
复杂场景光学遥感图像目标检测是利用可见光遥感图像从港口、机场等复杂场景中自动提取一个或者多个典型人造目标(如飞机、车辆、桥梁等)的位置及类别信息,在民用和军用都有着广泛的应用。在民用方面,遥感目标检测被广泛应用于环境污染监测、灾害监测等领域。在军用方面,遥感图像目标自动检测技术已成为侦察与预警的重要手段。利用光学遥感图像对军事设施(如机场、港口等)和时敏目标(如飞机、舰船等)进行精准检测和监控,可对国防安全等军事应用起到关键作用。然而,受光照、云雾等环境因素干扰,目标形状模糊易漏检以及复杂地面背景中存在大量与目标外观相似的形似干扰物易虚警。
针对背景强干扰问题,当前大多数工作主要围绕旋转框定位、视觉显著注意力机制、图像分割与上下文特征信息提取等方面来增强目标特征信息,避免背景像素过多地干扰目标检测。然而,上述方法所采用的分类损失函数没有显式地对分类特征进行优化来增强类内样本的紧凑性和类间样本的多样性,导致检测模型无法学习强区分性特征用于区分形似干扰物和目标。
发明内容
有鉴于此,本发明提出一种遥感图像目标检测方法,用于解决复杂场景中背景强干扰对检测网络定位与识别精度的影响,提升遥感目标检测网络的抗背景干扰能力。
本发明实施例的遥感图像目标检测方法,包括:
S100,获取至少一幅包含待测目标的卫星遥感图像;
S200,以Resnet101为主干网络,提取所述卫星遥感图像的降采样4、8、16、32倍的特征C2、C3、C4、C5;
S300,根据特征金字塔网络的生成规则,对特征C2、C3、C4、C5进行融合处理,得到多尺度特征P2、P3、P4、P5、P6;
S400,根据嵌入掩膜引导所述特征金字塔网络学习前景目标区域的特征生成新的多尺度特征(Ai|i=2,…,6},并抑制背景噪声;
S500,根据多尺度特征{Ai|i=2,…,6}生成用于提取原始图像中疑似目标区域的旋转候选框;
S600,根据RoIAlign对所述疑似目标区域进行特征提取,将提取到的特征送入有向检测头;
S700,在所述有向检测头中加入角度回归参数,并采用Smooth-L1回归损失函数进行回归定位;
S800,所述有向检测头通过特征和权重归一化将原始Softmax分类损失转换为余弦损失,并在余弦角度空间加入边距惩罚;
根据本发明的优选实施例,所述S100中,所述卫星遥感图像大小为608×608;
且在所述S100之后,和所述S200之前,还包括对所述卫星遥感图像进行标准差归一化处理。
根据本发明的优选实施例,所述S400包括:
S410,以特征P3为标准,使用最大值池化对特征P3进行降采样,并使用插值上采样操作对特征(P4,P5,P6)分别进行上采样运算,使得调整后的多尺度特征的图像尺寸均与特征P3保持一致;
S420,采用求平均运算进行特征融合,得到融合后的归一化特征:
S430,采用ECA机制对特征FScale的所有通道特征进行加权,得到中间特征FIF;
S440,将中间特征FIF分成两条分支,分别为语义分割预测分支和语义注意力特征生成分支;
S450,在所述语义注意力特征生成分支中,附加一层1×1卷积层对中间特征FIF进行卷积特征提取,得到语义注意力特征FSEA;
S460,将语义注意力特征FSEA与归一化特征FScale进行逐像素相乘运算,得到语义增强特征FSE;
S470,使用最大值池化和上采样操作对特征FSE进行反向尺度调整,生成多尺度特征
S480,根据ResNet网络的跳跃连接对多尺度特征和多尺度特征{Pi|i=2,…,6}对应相加,生成多尺度特征图{Ai|i=2,…,6}。
根据本发明的优选实施例,所述S430-S460的过程根据下式进行:
其中,ECA(·)表示ECA机制,Conv1×1(·)表示一个卷积核为1×1和通道数为256的卷积层,⊙表示哈达玛积运算。
根据本发明的优选实施例,所述S480根据下式进行:
根据本发明的优选实施例,所述S800包括:
S810,计算Softmax回归预测的属于类别c的条件概率:
计算公式为:
其中,xi是给定的输入候选区域,zi是候选区域xi经过旋转RoI对齐操作和全连接层输出的特征向量,yi∈{1,2,…,K}是特征zi对应的类别标签,和/>分别表示权重矩阵/>的第yi列和第j列的权重向量,/>和/>表示偏置;
根据Softmax交叉熵损失衡量网络模型输出和真实标签之间的差异,公式为:
其中,N为训练样本的数量;
S820,对权重矩阵W和特征zi的模长进行l2归一化处理,并将和/>设置为0,得到/>和||zi||=1,使权重矩阵W和zi的内积等于余弦相似度,公式为:
其中,θj=∠(Wj,zi)表示权重矩阵W与特征zi之间的夹角;
则L1转换为:
其中,s表示缩放因子;
S830,在权重矩阵W和输入特征zi之间的余弦角度空间加入边距m,则ArcFace损失函数表示为:
其中,边距m等同于归一化超球面中的测地距离间隔。
本发明实施例在特征金字塔中嵌入掩膜引导功能,利用真实标注框生成的伪掩膜标签引导网络特征更多地关注前景区域,从而达到强目标特征的判别性和抑制背景噪声干扰的目的;然后,可利用Oriented RPN网络根据多尺度特征生成高质量的旋转候选框用于提取原始图像的疑似目标区域;之后,利用旋转RoIAlign对齐操作对候选区域进行特征提取;最后,送入由Smooth-L1回归损失和角边距分类损失组成的检测头进行分类识别与回归定位。其中,为了解决交叉熵Softmax损失无法引导检测模型学习强区分特征的缺陷,将分类分支中Softmax函数替换为加性角边距分类损失。加性角边距分类损失通过特征和权重归一化将原始分类损失转换为余弦损失,并在余弦角度空间加入边距惩罚,实现缩小类内距离和扩大类间距离的目的。因此,本发明实施例利用有监督图像分割思路和边距分类损失的思想,构建了一个抗背景干扰的目标检测方法,优点是:利用基于有监督图像分割思想的掩膜引导模块,通过伪掩膜标签引导网络特征专注于前景区域,达到增强目标特征的判别性和抑制背景噪声干扰的目的。之后,为了增强目标与背景特征的区分度,利用加性角边距分类损失来引导检测模型学习强鉴别特征。综上所述,本发明实施例通过强特征提取和鉴别性分类损失两种手段提升了目标检测在复杂场景的抗干扰能力。
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。
图1为本发明实施例的遥感图像目标检测方法的流程示意图;
图2为本发明实施例的遥感图像目标检测方法的一个子流程示意图;
图3为本发明实施例的遥感图像目标检测方法的另一个子流程示意图;
图4为本发明实施例中的目标检测网格结构示意图;
图5为本发明实施例中的有监督语义分割模块的网络示意图;
图6为本发明实施例中的加性角边距分类损失函数的原理示意图。
具体实施方式
此说明书实施方式的描述应与相应的附图相结合,附图应作为完整的说明书的一部分。在附图中,实施例的形状或是厚度可扩大,并以简化或是方便标示。再者,附图中各结构的部分将以分别描述进行说明,值得注意的是,图中未示出或未通过文字进行说明的元件,为所属技术领域中的普通技术人员所知的形式。
此处实施例的描述,有关方向和方位的任何参考,均仅是为了便于描述,而不能理解为对本发明保护范围的任何限制。以下对于优选实施方式的说明会涉及到特征的组合,这些特征可能独立存在或者组合存在,本发明并不特别地限定于优选的实施方式。本发明的范围由权利要求书所界定。
如图1所示,本发明实施例的遥感图像目标检测方法包括:
S100,获取至少一幅包含待测目标的卫星遥感图像。
在本实施例中,获取的卫星遥感图像大小为608×608,并且获取图像后还可包括对图像进行标准差归一化处理后再进入S200。
S200,如图4所示,以Resnet101为主干网络,提取所述卫星遥感图像的降采样4、8、16、32倍的特征C2、C3、C4、C5。
S300,如图4所示,根据特征金字塔(FPN)网络的生成规则,对特征C2、C3、C4、C5进行融合处理,得到多尺度特征P2、P3、P4、P5、P6。
S400,如图4所示,根据嵌入掩膜引导所述特征金字塔网络学习前景目标区域的特征,并抑制背景噪声。
如图2所示,在本实施例中,所述S400包括:
S410,以特征P3为标准,使用最大值池化对特征P3进行降采样,并使用插值上采样操作对特征(P4,P5,P6)分别进行上采样运算,使得调整后的多尺度特征的图像尺寸均与特征P3保持一致;
S420,为了能融合不同层级特征层上的有效信息,采用求平均运算进行特征融合,得到融合后的归一化特征:
S430,如图5所示,为了抑制归一化特征FScale上无用的通道信息,增强特征表达能力,采用ECA(Efficient Channel Attention,通道注意力)机制对归一化特征FScale的所有通道特征进行加权,得到中间特征FIF;
S440,将中间特征FIF分成两条分支,分别为语义分割预测分支和语义注意力特征生成分支;
S450,在所述语义注意力特征生成分支中,附加一层1×1卷积层对中间特征FIF进行卷积特征提取,得到语义注意力特征FSEA;
S460,将语义注意力特征FSEA与归一化特征FScale进行逐像素相乘运算,得到语义增强特征FSE;
上述S430-S460的过程可以表示为:
其中,ECA(·)表示ECA机制,Conv1×1(·)表示一个卷积核为1×1和通道数为256的卷积层,⊙表示哈达玛积运算;
S470,使用最大值池化和上采样操作对特征FSE进行反向尺度调整,生成多尺度特征
其中,中的通道数以及空间分辨率与对应的多尺度特征{Pi|i=2,…,6}保持一致;
S480,根据ResNet网络的跳跃连接原理对多尺度特征和多尺度特征{Pi|i=2,…,6}对应相加,生成多尺度特征图{Ai|i=2,…,6},即:
S500,根据多尺度特征{Ai|i=2,…,6}生成用于提取原始图像中疑似目标区域的旋转候选框。
S600,根据RoIAlign对所述疑似目标区域进行特征提取,将提取到的特征送入有向检测头。
S700,在所述有向检测头中加入角度回归参数,并采用Smooth-L1回归损失函数进行回归定位。
S800,所述有向检测头通过特征和权重归一化将原始Softmax分类损失转换为余弦损失,并在余弦角度空间加入边距惩罚。
如图3所示,在本实施例中,所述S800包括:
S810,如图6所示,给定输入候选区域xi,则特征zi是候选区域xi经过旋转RoI对齐操作和全连接层输出的特征向量,用于后续分类识别,yi∈{1,2,…,K}是其对应的类别标签。则给定一个候选区域xi,Softmax回归预测的属于类别c的条件概率为
其中,类别c指的是目标的种类,如飞机或舰船等,和/>分别表示权重矩阵/>的第yi列和第j列的权重向量,/>和/>表示偏置;
给定N个训练样本,根据Softmax交叉熵损失衡量网络模型输出和真实标签之间的差异,公式为:
S820,对权重矩阵W和特征zi的模长进行l2归一化处理,并可由ArcFace将和/>设置为0,得到/>和||zi||=1,使权重矩阵W和zi的内积等于余弦相似度,公式为:
其中,θj=∠(Wj,zi)表示权重矩阵W与特征zi之间的夹角;
则L1转换为:
其中,s表示缩放因子;
S830,为了使得类内样本空间更加紧凑和类间样本空间更加分离,可由ArcFace在权重矩阵W和输入特征zi之间的余弦角度空间加入边距m,使得ArcFace损失函数具有几何角度解释性,则ArcFace损失函数表示为:
其中,边距m等同于归一化超球面中的测地距离间隔。
通过以上步骤,可实现港口等复杂场景遥感图像目标的高精度检测。
本发明实施例在特征金字塔中嵌入掩膜引导功能,利用真实标注框生成的伪掩膜标签引导网络特征更多地关注前景区域,从而达到强目标特征的判别性和抑制背景噪声干扰的目的;然后,可利用Oriented RPN网络根据多尺度特征生成高质量的旋转候选框用于提取原始图像的疑似目标区域;之后,利用旋转RoIAlign对齐操作对候选区域进行特征提取;最后,送入由Smooth-L1回归损失和角边距分类损失组成的检测头进行分类识别与回归定位。其中,为了解决交叉熵Softmax损失无法引导检测模型学习强区分特征的缺陷,将分类分支中Softmax函数替换为加性角边距分类损失。加性角边距分类损失通过特征和权重归一化将原始分类损失转换为余弦损失,并在余弦角度空间加入边距惩罚,实现缩小类内距离和扩大类间距离的目的。因此,本发明实施例利用有监督图像分割思路和边距分类损失的思想,构建了一个抗背景干扰的目标检测方法,优点是:利用基于有监督图像分割思想的掩膜引导模块,通过伪掩膜标签引导网络特征专注于前景区域,达到增强目标特征的判别性和抑制背景噪声干扰的目的。之后,为了增强目标与背景特征的区分度,利用加性角边距分类损失来引导检测模型学习强鉴别特征。综上所述,本发明实施例通过强特征提取和鉴别性分类损失两种手段提升了目标检测在复杂场景的抗干扰能力。
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、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种遥感图像目标检测方法,其特征在于,所述遥感图像目标检测方法包括:
S100,获取至少一幅包含待测目标的卫星遥感图像;
S200,以Resnet101为主干网络,提取所述卫星遥感图像的降采样4、8、16、32倍的特征C2、C3、C4、C5;
S300,根据特征金字塔网络的生成规则,对特征C2、C3、C4、C5进行融合处理,得到多尺度特征P2、P3、P4、P5、P6;
S400,根据嵌入掩膜引导所述特征金字塔网络学习前景目标区域的特征生成新的多尺度特征{Ai|i=2,…,6},并抑制背景噪声;
S500,根据多尺度特征{Ai|i=2,…,6}生成用于提取原始图像中疑似目标区域的旋转候选框;
S600,根据RoIAlign对所述疑似目标区域进行特征提取,将提取到的特征送入有向检测头;
S700,在所述有向检测头中加入角度回归参数,并采用Smooth-L1回归损失函数进行回归定位;
S800,所述有向检测头通过特征和权重归一化将原始Softmax分类损失转换为余弦损失,并在余弦角度空间加入边距惩罚;
S900,根据分类分支和回归分支的判别结果输出目标的类别和空间位置信息;
其中,所述S400包括:
S410,以特征P3为标准,使用最大值池化对特征P3进行降采样,并使用插值上采样操作对特征(P4,P5,P6)分别进行上采样运算,使得调整后的多尺度特征的图像尺寸均与特征P3保持一致;
S420,采用求平均运算进行特征融合,得到融合后的归一化特征:
S430,采用ECA机制对特征FScale的所有通道特征进行加权,得到中间特征FIF;
S440,将中间特征FIF分成两条分支,分别为语义分割预测分支和语义注意力特征生成分支;
S450,在所述语义注意力特征生成分支中,附加一层1×1卷积层对中间特征FIF进行卷积特征提取,得到语义注意力特征FSEA;
S460,将语义注意力特征FSEA与归一化特征FScale进行逐像素相乘运算,得到语义增强特征FSE;
S470,使用最大值池化和上采样操作对特征FSE进行反向尺度调整,生成多尺度特征
S480,根据ResNet网络的跳跃连接原理对多尺度特征和多尺度特征{Pi|i=2,…,6}对应相加,生成多尺度特征图{Ai|i=2,…,6};
其中,所述S800包括:
S810,计算Softmax回归预测的属于类别c的条件概率:
计算公式为:
其中,c是目标的类别,xi是给定的输入候选区域,zi是候选区域xi经过旋转RoI对齐操作和全连接层输出的特征向量,yi∈{1,2,…,K}是特征zi对应的类别标签,和分别表示权重矩阵/>的第yi列和第j列的权重向量,/>和表示偏置;
根据Softmax交叉熵损失衡量网络模型输出和真实标签之间的差异,公式为:
其中,N为训练样本的数量;
S820,对权重矩阵W和特征zi的模长进行l2归一化处理,并将和/>设置为0,得到/>和||zi||=1,使权重矩阵W和zi的内积等于余弦相似度,公式为:
其中,θj=∠(Wj,zi)表示权重矩阵W与特征zi之间的夹角;
则L1转换为:
其中,s表示缩放因子;
S830,在权重矩阵W和输入特征zi之间的余弦角度空间加入边距m,则ArcFace损失函数表示为:
其中,边距m等同于归一化超球面中的测地距离间隔。
2.根据权利要求1所述的遥感图像目标检测方法,其特征在于,所述S100中,所述卫星遥感图像大小为608×608;
且在所述S100之后,和所述S200之前,还包括对所述卫星遥感图像进行标准差归一化处理。
3.根据权利要求1所述的遥感图像目标检测方法,其特征在于,所述S430-S460的过程根据下式进行:
其中,ECA(·)表示ECA机制,Conv1×1(·)表示一个卷积核为1×1和通道数为256的卷积层,⊙表示哈达玛积运算。
4.根据权利要求1所述的遥感图像目标检测方法,其特征在于,所述S480根据下式进行:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310403716.5A CN116524368B (zh) | 2023-04-14 | 2023-04-14 | 遥感图像目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310403716.5A CN116524368B (zh) | 2023-04-14 | 2023-04-14 | 遥感图像目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116524368A CN116524368A (zh) | 2023-08-01 |
CN116524368B true CN116524368B (zh) | 2023-12-19 |
Family
ID=87402211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310403716.5A Active CN116524368B (zh) | 2023-04-14 | 2023-04-14 | 遥感图像目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116524368B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118134870A (zh) * | 2024-03-05 | 2024-06-04 | 武汉理工大学三亚科教创新园 | 一种海洋舰船有向检测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110633661A (zh) * | 2019-08-31 | 2019-12-31 | 南京理工大学 | 一种融合语义分割的遥感图像目标检测方法 |
CN111539428A (zh) * | 2020-05-06 | 2020-08-14 | 中国科学院自动化研究所 | 基于多尺度特征整合和注意力机制的旋转目标检测方法 |
CN112101190A (zh) * | 2020-09-11 | 2020-12-18 | 西安电子科技大学 | 一种遥感图像分类方法、存储介质及计算设备 |
CN112905828A (zh) * | 2021-03-18 | 2021-06-04 | 西北大学 | 一种结合显著特征的图像检索器、数据库及检索方法 |
WO2021179820A1 (zh) * | 2020-03-12 | 2021-09-16 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
WO2022078216A1 (zh) * | 2020-10-14 | 2022-04-21 | 华为云计算技术有限公司 | 一种目标识别方法及装置 |
CN114758362A (zh) * | 2022-06-15 | 2022-07-15 | 山东省人工智能研究院 | 基于语义感知注意力和视觉屏蔽的换衣行人重识别方法 |
-
2023
- 2023-04-14 CN CN202310403716.5A patent/CN116524368B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110633661A (zh) * | 2019-08-31 | 2019-12-31 | 南京理工大学 | 一种融合语义分割的遥感图像目标检测方法 |
WO2021179820A1 (zh) * | 2020-03-12 | 2021-09-16 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN111539428A (zh) * | 2020-05-06 | 2020-08-14 | 中国科学院自动化研究所 | 基于多尺度特征整合和注意力机制的旋转目标检测方法 |
CN112101190A (zh) * | 2020-09-11 | 2020-12-18 | 西安电子科技大学 | 一种遥感图像分类方法、存储介质及计算设备 |
WO2022078216A1 (zh) * | 2020-10-14 | 2022-04-21 | 华为云计算技术有限公司 | 一种目标识别方法及装置 |
CN112905828A (zh) * | 2021-03-18 | 2021-06-04 | 西北大学 | 一种结合显著特征的图像检索器、数据库及检索方法 |
CN114758362A (zh) * | 2022-06-15 | 2022-07-15 | 山东省人工智能研究院 | 基于语义感知注意力和视觉屏蔽的换衣行人重识别方法 |
Non-Patent Citations (5)
Title |
---|
A Double Stream Person Re-Identification Method Based on Attention Mechanism and Multi-Scale Feature Fusion;Xiao Ma等;IEEE Access;全文 * |
An Improved Object Detection CNN Module for Remote Sensing Images;Yingqi Li等;IGARSS 2022 - 2022 IEEE International Geoscience and Remote Sensing Symposium;全文 * |
ArcFace: Additive Angular Margin Loss for Deep Face Recognition;Jiankang Deng等;2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR);全文 * |
Embranchment Cnn Based Local Climate Zone Classification Using Sar And Multispectral Remote Sensing Data;Pengming Feng等;IGARSS 2019 - 2019 IEEE International Geoscience and Remote Sensing Symposium;全文 * |
行李安检禁限带物品识别多标签图像分类算法;胡本翼等;铁路计算机应用;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116524368A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109255317B (zh) | 一种基于双网络的航拍图像差异检测方法 | |
CN108460341B (zh) | 基于集成深度卷积网络的光学遥感图像目标检测方法 | |
CN111368712A (zh) | 一种基于深度学习的高光谱图像伪装目标检测方法 | |
Schöller et al. | Assessing deep-learning methods for object detection at sea from LWIR images | |
Zhang et al. | A contextual bidirectional enhancement method for remote sensing image object detection | |
Li et al. | Ship detection and tracking method for satellite video based on multiscale saliency and surrounding contrast analysis | |
Panchi et al. | Supplementing remote sensing of ice: Deep learning-based image segmentation system for automatic detection and localization of sea-ice formations from close-range optical images | |
CN116524368B (zh) | 遥感图像目标检测方法 | |
Xu et al. | UCDFormer: Unsupervised change detection using a transformer-driven image translation | |
Yu et al. | Ship detection in optical satellite images using Haar-like features and periphery-cropped neural networks | |
Wang et al. | SCFNet: Semantic condition constraint guided feature aware network for aircraft detection in SAR Images | |
Venugopal | Sample selection based change detection with dilated network learning in remote sensing images | |
Zhang et al. | Oriented ship detection based on soft thresholding and context information in SAR images of complex scenes | |
Wang et al. | Soft thresholding attention network for adaptive feature denoising in SAR ship detection | |
Sokalski et al. | Automatic salient object detection in UAV imagery | |
CN116188944A (zh) | 一种基于Swin-Transformer和多尺度特征融合的红外弱小目标检测方法 | |
Zhang et al. | Optical and Synthetic Aperture Radar Image Fusion for Ship Detection and Recognition: Current state, challenges, and future prospects | |
Zhang et al. | Feature-band-based unsupervised hyperspectral underwater target detection near the coastline | |
Chen et al. | SAR ship target detection for SSDv2 under complex backgrounds | |
Wu et al. | Multimodal Collaboration Networks for Geospatial Vehicle Detection in Dense, Occluded, and Large-Scale Events | |
Demars et al. | Multispectral detection and tracking of multiple moving targets in cluttered urban environments | |
Hou et al. | Ship detection from optical remote sensing image based on size-adapted CNN | |
CN112036246B (zh) | 遥感影像分类模型的构建方法,遥感影像分类方法及系统 | |
Wang et al. | TDSCCNet: twin-depthwise separable convolution connect network for change detection with heterogeneous images | |
Ai et al. | AIS-PVT: Long-time AIS Data assisted Pyramid Vision Transformer for Sea-land Segmentation in Dual-polarization SAR Imagery |
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 |