CN113344148A - 一种基于深度学习的海上舰船目标识别方法 - Google Patents
一种基于深度学习的海上舰船目标识别方法 Download PDFInfo
- Publication number
- CN113344148A CN113344148A CN202110899130.3A CN202110899130A CN113344148A CN 113344148 A CN113344148 A CN 113344148A CN 202110899130 A CN202110899130 A CN 202110899130A CN 113344148 A CN113344148 A CN 113344148A
- Authority
- CN
- China
- Prior art keywords
- loss
- image
- prediction
- target
- deep learning
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于深度学习的海上舰船目标识别方法，该方法构建了适用于遥感图像的深度学习卷积网络，通过对非极大值抑制的优化，提升了密集小目标的检测效果，避免了港口不同类型船只的混淆；进而通过双线性插值的兴趣区优选策略，进一步提高了检测精度，提升了算法的收敛速度。本发明可有效适用于卫星遥感图像的各类海上船只的目标检测和识别，为海事监测、海洋作业、海域安全等相关应用提供可靠技术支撑。
Description
技术领域
本发明属于目标识别、人工智能领域，具体涉及一种基于深度学习的海上舰船目标识别方法。
背景技术
海上舰船是海洋的重要交通运输工具，是支撑海洋经济发展、科技进步、环境保护和海洋安全维护的重要载体。海上舰船的有效管控是实现海洋安全和和谐发展的主要途径，为此有必要实现海上舰船的精准检测和监管。
现阶段大多数海上目标检测方法主要依赖于光学和雷达图像，其检测精度、效率和覆盖率都非常有限，这是由于现阶段的海上舰船目标主要基于局部观测技术；同时，传统的图像处理方法在提取海上舰船特征方面具有局限性，不能覆盖不同大小和种类的舰船，特别对于在洋区的一些密集目标和小目标，容易受海面杂波和海浪背景的影响，导致检测和识别精度下降。
发明内容
本发明提供一种基于深度学习的海上舰船目标识别方法，该方法构建了适用于遥感图像的深度学习卷积网络，通过对非极大值抑制的优化，提升了密集小目标的检测效果，避免了港口不同类型船只的混淆；进而通过双线性插值的兴趣区优选策略，进一步提高了检测精度，提升了算法的收敛速度。本发明可有效适用于卫星遥感图像的各类海上船只的目标检测和识别，为海事监测、海洋作业、海域安全等相关应用提供可靠技术支撑。
本发明将深度学习应用于海上舰船目标的识别，可有效弥补传统卷积图像识别方法在海上小目标、密集目标和复杂海况下识别精度差、影像匹配难等瓶颈缺陷，通过构建大量多类型海上舰船样本数据集，获得丰富的海上舰船特征，以实现高精度快速海上舰船目标识别和态势判断，为海上舰船的监测和有效管控提供新思路和新方法。
本发明的技术方案如下：一种基于深度学习的海上舰船目标识别方法，包括以下步骤：
步骤A、利用已知的海上舰船的卫星遥感图像数据集构建训练集，对图像中的舰船目标进行标定，使其目标框达到像素级精度，同时对输入图像进行尺度变换，使得图像其尺寸在相同范围内，便于提取特征；
步骤B、 构建深度学习的图像目标识别框架，采用卷积神经网络作为基本计算单元，在此基础上确定特征提取器，对步骤A所构建的训练数据集进行特征提取；
步骤C、将步骤B所获得的特征进行目标分类、位置回归和掩模预测；
步骤D、在步骤C的基础上生成候选框，并结合训练集的真实目标标记对候选框进行筛选，计算候选框损失，使其达到预期要求；
步骤E、当步骤D中候选框损失达到预期要求时，可以生成训练模型参数；
步骤F、对待测试遥感图像数据集进行尺度变换处理，以方便进行特征提取；
步骤G、将步骤F处理后的待测试数据集输入步骤B构建的图像目标识别框架，进行特征提取；
步骤H、将步骤G中提取的特征进行兴趣区处理，处理后的结果输入步骤E中训练生成的模型，进一步做卷积运算和展平全连接；
步骤I、对步骤H的结果，分别进行掩模预测、类别预测和边界框预测，计算预测损失；
步骤J、对步骤I的结果进行非极大值抑制，并做进一步筛选；
步骤K、对步骤J的结果进行统一尺度变换，并作为最终结果输出。
进一步地，所述步骤A和步骤F中，数据集采用高精度掩模标定，数据集采用卫星遥感图像，所涉及到的船只包含小型船如小型游艇、渔船、帆船，中型船如货船、大型邮轮、军舰，以及大型船如航母。
进一步地，所述步骤B和步骤F中，采用MASK R-CNN作为基本深度学习框架，该框架支撑完成舰船识别所需的卷积神经网络，在此过程中利用交并集阈值构建正样本和负样本，做为样本识别预测的输入。
进一步地，所述步骤C中，特征提取器采用ResNet-101提取器，通过候选框提取网络实现图像中舰船目标特征层的提取，并对目标分数、目标边界框的回归参数进行预测。利用特征提取器预测的目标分数和目标边界框的回归参数，将图像大小除以特征矩阵大小可以获得特征矩阵每个像素对应原图的尺寸。
进一步地，所述步骤D中，候选框生成方法为：
其中h和w表示输入图像的高度和宽度，h' 和w' 是尺度变化后候选框的高度和宽度；ratio表示传入图像的高度和宽度之比，带有*上标的ratio*代表变换后的图像高度和宽度的比，其目的是保持候选框面积不变， 候选框损失的具体计算方法为：
L reg 表示回归预测损失，其中：smooth L1 的定义为：
t i 表示回归参数的预测值，t i *表示回归参数的真实值。
，其中x i 和
分别表示候选框预测坐标和锚框坐标，w a 表示锚框宽度。
进一步地，所述步骤I中，分类预测、回归预测和掩模预测的损失计算方法分别如下：
分类预测损失：
其中L cls 表示分类损失，p i 代表第i类目标的概率，p i *可以视为目标真实种类的独热码，仅在正确目标种类时为1，其余均为0，分类损失在总体损失中比重较小。
回归预测损失方法与所述步骤D中候选框损失计算方法相同，具体为：
L reg 表示回归预测损失，其中：smooth L1 的定义为：
t i 表示回归参数的预测值，t i *表示回归参数的真实值。
，其中x i 和
分别表示候选框预测坐标和锚框坐标，w a 表示锚框宽度。
掩模预测损失：
，其中x表示候选框的预测坐标。
进一步地，所述步骤J中，对于每个特征层，通过非极大值抑制的策略，根据预测概率筛选排名靠前的目标，其具体过程为首先遍历所有的预测框，将越界的候选框删除，进而根据非极大值原则删除一定量的小目标。候选框提取网络的损失包括分类损失、边界框回归损失和掩模损失。分类损失即候选框类别判断和真实结果差异的损失，将类别输出可以看作一个独热码，通过求其平均交叉熵可计算分类损失。边界损失计算的是预测回归参数和真实回归参数之间的差异。掩模损失则是基于类别的二值交叉熵损失。
本发明与现有技术相比的优点在于：
相比传统的海上遥感目标识别方法，本发明针对不同类型的海上舰船构建了特征数据集，建立了MASK R-CNN框架的海上舰船检测方法，可针对不同类型舰船目标选择合理的特征提取器；同时，考虑到遥感图像和日常场景图像的差异性，本发明通过非极大值抑制途径提升了遥感图像中海上密集小目标的检测精度，通过改进特征图尺度缩放方法，在兴趣区引入双线性插值，极大程度提高了海上舰船目标的探测精度和收敛速度。
附图说明
图1为本发明一种基于深度学习的海上舰船目标识别方法实现流程图；
图2为本发明具体实施范例中针对小舰船目标的检测效果；
图3为本发明方法针对密集目标的检测效果；
图4为本发明方法在复杂海况下的检测效果；
图5为本发明方法进行尺度变换的原理图。
具体实施方式
下面将结合附图及具体实施方式对本发明加以详细说明，需要指出的是，所描述的实施例仅旨在便于对本发明的理解，而不起任何限定作用。
本发明提供一种基于深度学习的海上舰船目标识别方法，该方法构建了适用于遥感图像的深度学习卷积网络，通过对非极大值抑制的优化，提升了密集小目标的检测效果，避免了港口不同类型船只的混淆；进而通过双线性插值的兴趣区优选策略，进一步提高了检测精度，提升了算法的收敛速度。本发明可有效适用于卫星遥感图像的各类海上船只的目标检测和识别，为海事监测、海洋作业、海域安全等相关应用提供可靠技术支撑。
如图1所示，本发明的一种基于深度学习的海上舰船目标识别方法，具体实现步骤如下：
(1) 构建海上舰船的卫星遥感图像数据集，对图像中的舰船目标进行标定，使其目标框达到像素级精度，数据集采用高精度掩模标定，数据集采用卫星遥感图像，所涉及到的船只包含小型船如小型游艇、渔船、帆船，中型船如货船、大型邮轮、军舰，以及大型船如航母。
(2) 构建深度学习的图像目标识别框架，采用卷积神经网络作为基本计算单元，在此基础上确定特征提取器，以便对待检测舰船的特征进行准确提取；采用MASK R-CNN作为基本深度学习框架，该框架支撑完成舰船识别所需的卷积神经网络，在此过程中利用交并集阈值构建正样本和负样本，做为样本识别预测的输入。
(3) 将图像输入到特征提取器中，得到特征图，并根据特征图获得特征矩阵；特征提取器采用ResNet-101提取器，通过候选框提取网络实现图像中舰船目标特征层的提取。
(4) 对目标分数、目标边界框的回归参数进行预测。利用特征提取器预测的目标分数和目标边界框的回归参数，将图像大小除以特征矩阵大小可以获得特征矩阵每个像素对应原图的尺寸。
(5) 生成候选框，其宽度和高度与输入宽度与高度之间有如下关系：
其中h和w表示输入图像的高度和宽度，同理高度宽度中的' 表示变换后的高度和宽度，ratio表示传入图像的高度和宽度之比，带有*上标的ratio*代表变换后的图像高度和宽度的比，其目的是保持候选框面积不变，h' 和w' 是尺度变化后候选框的高度和宽度；
候选框损失的具体计算方法为：
L reg 表示回归预测损失，其中：smooth L1 的定义为：
t i 表示回归参数的预测值，
表示回归参数的真实值，
，其中x i 和
分别表示候选框预测坐标和锚框坐标，w a 表示锚框宽度。
(6) 当候选框损失达到预期要求时，确定生成训练模型参数。
(7) 对待测试图像进行尺度变换处理，并采用MASK R-CNN作为基本深度学习框架，该框架支撑完成舰船识别所需的卷积神经网络，利用ResNet-101提取器进行特征提取。
(8) 对待测图像特征进行进行兴趣区处理，将获得的特征矩阵输入到池化层，得到全连接层，并进行检测和识别；进一步分别进行掩模预测、类别预测和边界框预测，计算预测损失。
分类预测损失：
其中L cls 表示分类损失，p i 代表第i类目标的概率，p i *可以视为目标真实种类的独热码，仅在正确目标种类时为1，其余均为0，分类损失在总体损失中比重较小。
回归预测损失方法与所述步骤D中候选框损失计算方法相同，具体为：
L reg 表示回归预测损失，其中：smooth L1 的定义为：
t i 表示回归参数的预测值，t i *表示回归参数的真实值。
，其中x i 和
分别表示候选框预测坐标和锚框坐标，w a 表示锚框宽度。
掩模预测损失：
，其中x表示候选框的预测坐标。
(9) 对于每个特征层，通过非极大值抑制的策略，根据预测概率筛选排名靠前的目标，其具体过程为首先遍历所有的预测框，将越界的候选框删除，进而根据非极大值原则删除一定量的小目标。候选框提取网络的损失包括分类损失、边界框回归损失和掩模损失。分类损失即候选框类别判断和真实结果差异的损失，将类别输出可以看作一个独热码，通过求其平均交叉熵可计算分类损失。边界损失计算的是预测回归参数和真实回归参数之间的差异。掩模损失则是基于类别的二值交叉熵损失。
(10) 当判断达到检测要求时，输出待检测舰船目标在图像中的矩形框像素坐标。
图2 为本发明具体实施范例中针对小舰船目标的检测效果，可见本发明方法可以有效检测和识别小舰船目标；图3为本发明方法针对密集目标的检测效果，可见通过本发明方法中的非极大值抑制策略，可以有效实现对密集海上舰船目标的检测；
图4为本发明方法在复杂海况下的检测效果，相比其它方法，本发明方法可在无需海陆分割的前提下实现复杂海况下舰船目标的准确检测。表1为本发明方法与Faster R-CNN和YOLO-V3的检测结果比较，可以发现本发明在均值平均精度指标都优于Faster R-CNN和YOLO-V3。
图5为本发明尺度变换原理图，在尺度变换中，输入所能接受的图像范围，然后将每张图像固定比例缩放到这个范围，最后再找出最长的高和宽，把每张图片补齐到最长高宽，就完成了尺度变换；在尺度变换中，需要首先选取出图像宽度高度中的短边，然后将其和目标的尺寸作比，以此比例缩放图像，如果缩放之后整体图像在可接受范围内，则直接输出，否则用长边和相应边作比，进行缩放。
以上所述仅为本发明的具体实施例，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)
1.一种基于深度学习的海上舰船目标识别方法，其特征在于，包括以下步骤：
步骤A、利用已知的海上舰船的卫星遥感图像数据集构建训练集，对图像中的舰船目标进行标定，使其目标框达到像素级精度，同时对输入图像进行尺度变换，使得图像其尺寸在相同范围内，便于提取特征；
步骤B、 构建深度学习的图像目标识别框架，采用卷积神经网络作为基本计算单元，在此基础上确定特征提取器，对步骤A所构建的训练数据集进行特征提取；
步骤C、将步骤B所获得的特征进行目标分类、位置回归和掩模预测；
步骤D、在步骤C的基础上生成候选框，并结合训练集的真实目标标记对候选框进行筛选，计算候选框损失，使其损失小于预定阈值；
步骤E、当步骤D中候选框损失达到小于预定阈值时，生成训练模型参数，得到训练的模型；
步骤F、对遥感图像待测试数据集进行尺度变换处理，以方便进行特征提取；
步骤G、将步骤F处理后的待测试数据集输入步骤B构建的图像目标识别框架，进行特征提取；
步骤H、将步骤G中提取的特征进行兴趣区处理，处理后的结果输入步骤E中训练生成的模型，进一步做全卷积运算和展平全连接；
步骤I、对步骤H的结果，分别进行模分类预测、回归预测和掩模预测，计算预测损失；
步骤J、对步骤I的结果进行非极大值抑制，并做进一步筛选；
步骤K、对步骤J的结果进行统一尺度变换，并作为最终结果输出。
2.根据权利要求1所述的一种基于深度学习的海上舰船目标识别方法，其特征在于：所述步骤A中，数据集采用高精度掩模标定，数据集采用卫星遥感图像，所涉及到的船只包括小型船、中型船、大型船；所述小型船包括小型游艇、渔船、帆船，所述中型船包括货船、大型邮轮、军舰，所述大型船包括航母；在尺度变换中，输入所能接受的图像范围，然后将每张图像固定比例缩放到这个范围，最后再找出最长的高和宽，把每张图片补齐到最长高宽，就完成了尺度变换；在尺度变换中，需要首先选取出图像宽度高度中的短边，然后将其和目标的尺寸作比，以此比例缩放图像，如果缩放之后整体图像在可接受范围内，则直接输出，否则用长边和相应边作比，进行缩放。
3.根据权利要求1所述的一种基于深度学习的海上舰船目标识别方法，其特征在于：所述步骤B中，采用MASK R-CNN作为基本深度学习框架，该框架支撑完成舰船识别所需的卷积神经网络，在此过程中利用交并集阈值构建正样本和负样本，做为样本识别预测的输入。
4.根据权利要求1所述的一种基于深度学习的海上舰船目标识别方法，其特征在于：所述步骤C中，特征提取器采用ResNet-101提取器，通过候选框提取网络实现图像中舰船目标特征层的提取，并对目标分数、目标边界框的回归参数进行预测。
5.根据权利要求1所述的一种基于深度学习的海上舰船目标识别方法，其特征在于：所述步骤C中，利用特征提取器预测的目标分数和目标边界框的回归参数，将图像大小除以特征矩阵大小获得特征矩阵每个像素对应原图的尺寸，并确定图像传入比例。
6.根据权利要求1所述的一种基于深度学习的海上舰船目标识别方法，其特征在于：所述步骤D中，候选框生成方法为：
其中h和w表示输入图像的高度和宽度，ratio表示传入图像的高度和宽度之比，带有*上标的ratio*代表变换后的图像高度和宽度的比，其目的是保持候选框面积不变，h' 和w' 是尺度变化后候选框的高度和宽度；
候选框损失的具体计算方法为：
L reg 表示回归预测损失，其中：smooth L1 的定义为：
t i 表示回归参数的预测值，
表示回归参数的真实值，
，其中x i 和
分别表示候选框预测坐标和锚框坐标，w a 表示锚框宽度，所述锚框是对特征图划分的结果框，是作为不同区域候选框生成的依据。
7.根据权利要求1所述的一种基于深度学习的海上舰船目标识别方法，其特征在于：所述步骤I中，分类预测、回归预测和掩模预测的损失计算方法分别如下：
分类预测损失：
其中L cls 表示分类损失，p i 代表第i类目标的概率，p i *视为目标真实种类的独热码，仅在正确目标种类时为1，其余均为0，分类损失在总体损失中比重较小；
回归预测损失方法与所述步骤D中候选框损失计算方法相同，具体为：
L reg 表示回归预测损失，其中：smooth L1 的定义为：
t i 表示回归参数的预测值，t i *表示回归参数的真实值，
，其中x i 和
分别表示候选框预测坐标和锚框坐标，w a 表示锚框宽度；
掩模预测损失：
，其中x表示候选框的预测坐标。
8.根据权利要求1所述的一种基于深度学习的海上舰船目标识别方法，其特征在于：所述步骤J中，对于每个特征层，通过非极大值抑制的策略，根据预测概率筛选排名靠前的目标，其具体过程为首先遍历所有的预测框，将越界的候选框删除，进而根据非极大值原则删除部分的小目标；候选框提取网络的损失包括分类损失、边界框回归损失和掩模损失；分类损失即候选框类别判断和真实结果差异的损失，将类别输出可以看作一个独热码，通过求其平均交叉熵可计算分类损失；边界损失计算的是预测回归参数和真实回归参数之间的差异；掩模损失则是基于类别的二值交叉熵损失。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110899130.3A CN113344148A (zh) | 2021-08-06 | 2021-08-06 | 一种基于深度学习的海上舰船目标识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110899130.3A CN113344148A (zh) | 2021-08-06 | 2021-08-06 | 一种基于深度学习的海上舰船目标识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113344148A true CN113344148A (zh) | 2021-09-03 |
Family
ID=77481021
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110899130.3A Pending CN113344148A (zh) | 2021-08-06 | 2021-08-06 | 一种基于深度学习的海上舰船目标识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113344148A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114359720A (zh) * | 2021-12-23 | 2022-04-15 | 湖南国科轩宇信息科技有限公司 | 一种基于卫星光学图像的海上目标检测方法、系统及装置 |
| CN116051548A (zh) * | 2023-03-14 | 2023-05-02 | 中国铁塔股份有限公司 | 一种定位方法及装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107871124A (zh) * | 2017-11-15 | 2018-04-03 | 陕西师范大学 | 一种基于深度神经网络的遥感图像目标检测方法 |
| CN108960143A (zh) * | 2018-07-04 | 2018-12-07 | 北京航空航天大学 | 一种高分辨率可见光遥感图像中的舰船检测深度学习方法 |
| CN109766830A (zh) * | 2019-01-09 | 2019-05-17 | 深圳市芯鹏智能信息有限公司 | 一种基于人工智能图像处理的舰船目标识别系统及方法 |
| CN111563473A (zh) * | 2020-05-18 | 2020-08-21 | 电子科技大学 | 基于密集特征融合和像素级注意力的遥感舰船识别方法 |
| CN111723748A (zh) * | 2020-06-22 | 2020-09-29 | 电子科技大学 | 一种红外遥感图像舰船检测方法 |
| CN111985376A (zh) * | 2020-08-13 | 2020-11-24 | 湖北富瑞尔科技有限公司 | 一种基于深度学习的遥感影像舰船轮廓提取方法 |
| US20210073573A1 (en) * | 2018-11-15 | 2021-03-11 | Shanghai Advanced Avionics Co., Ltd. | Ship identity recognition method based on fusion of ais data and video data |
| CN112802005A (zh) * | 2021-02-07 | 2021-05-14 | 安徽工业大学 | 一种基于改进Mask RCNN的汽车表面擦伤检测方法 |
-
2021
- 2021-08-06 CN CN202110899130.3A patent/CN113344148A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107871124A (zh) * | 2017-11-15 | 2018-04-03 | 陕西师范大学 | 一种基于深度神经网络的遥感图像目标检测方法 |
| CN108960143A (zh) * | 2018-07-04 | 2018-12-07 | 北京航空航天大学 | 一种高分辨率可见光遥感图像中的舰船检测深度学习方法 |
| US20210073573A1 (en) * | 2018-11-15 | 2021-03-11 | Shanghai Advanced Avionics Co., Ltd. | Ship identity recognition method based on fusion of ais data and video data |
| CN109766830A (zh) * | 2019-01-09 | 2019-05-17 | 深圳市芯鹏智能信息有限公司 | 一种基于人工智能图像处理的舰船目标识别系统及方法 |
| CN111563473A (zh) * | 2020-05-18 | 2020-08-21 | 电子科技大学 | 基于密集特征融合和像素级注意力的遥感舰船识别方法 |
| CN111723748A (zh) * | 2020-06-22 | 2020-09-29 | 电子科技大学 | 一种红外遥感图像舰船检测方法 |
| CN111985376A (zh) * | 2020-08-13 | 2020-11-24 | 湖北富瑞尔科技有限公司 | 一种基于深度学习的遥感影像舰船轮廓提取方法 |
| CN112802005A (zh) * | 2021-02-07 | 2021-05-14 | 安徽工业大学 | 一种基于改进Mask RCNN的汽车表面擦伤检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 凌晨 等: "基于mask R-CNN算法的遥感图像处理技术及其应用", 《计算机科学》 * |
| 吴金亮等: "基于Mask R-CNN的舰船目标检测研究", 《无线电工程》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114359720A (zh) * | 2021-12-23 | 2022-04-15 | 湖南国科轩宇信息科技有限公司 | 一种基于卫星光学图像的海上目标检测方法、系统及装置 |
| CN114359720B (zh) * | 2021-12-23 | 2024-04-26 | 湖南国科轩宇信息科技有限公司 | 一种基于卫星光学图像的海上目标检测方法、系统及装置 |
| CN116051548A (zh) * | 2023-03-14 | 2023-05-02 | 中国铁塔股份有限公司 | 一种定位方法及装置 |
| CN116051548B (zh) * | 2023-03-14 | 2023-08-11 | 中国铁塔股份有限公司 | 一种定位方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
| CN113469177B (zh) | 基于深度学习的排水管道缺陷检测方法及系统 | |
| CN107871119B (zh) | 一种基于目标空间知识和两阶段预测学习的目标检测方法 | |
| CN111027511B (zh) | 基于感兴趣区块提取的遥感图像舰船检测方法 | |
| CN103400156B (zh) | 基于cfar和稀疏表示的高分辨sar图像舰船检测方法 | |
| CN109740460B (zh) | 基于深度残差密集网络的光学遥感图像舰船检测方法 | |
| CN111091095B (zh) | 一种遥感图像中船只目标的检测方法 | |
| CN108460382A (zh) | 基于深度学习单步检测器的光学遥感图像舰船检测方法 | |
| CN113569667A (zh) | 基于轻量级神经网络模型的内河船舶目标识别方法及系统 | |
| CN112052817A (zh) | 基于迁移学习的改进YOLOv3模型侧扫声纳沉船目标自动识别方法 | |
| CN107492094A (zh) | 一种高压电线绝缘子的无人机视觉检测方法 | |
| WO2018000252A1 (zh) | 高分辨遥感海洋图像的海背景建模与抑制的方法及系统 | |
| CN114627052A (zh) | 一种基于深度学习的红外图像漏气漏液检测方法及系统 | |
| CN113538331A (zh) | 金属表面损伤目标检测识别方法、装置、设备及存储介质 | |
| CN109829423A (zh) | 一种结冰湖泊红外成像检测方法 | |
| CN113486819A (zh) | 一种基于YOLOv4算法的船舶目标检测方法 | |
| CN113344148A (zh) | 一种基于深度学习的海上舰船目标识别方法 | |
| CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
| CN116740528A (zh) | 一种基于阴影特征的侧扫声呐图像目标检测方法及系统 | |
| CN116665095B (zh) | 一种运动舰船检测方法、系统、存储介质和电子设备 | |
| Zhang et al. | Nearshore vessel detection based on Scene-mask R-CNN in remote sensing image | |
| CN114565824B (zh) | 基于全卷积网络的单阶段旋转舰船检测方法 | |
| CN113420594A (zh) | 基于改进Faster R-CNN的SAR图像舰船检测方法 | |
| Zou et al. | Maritime target detection of intelligent ship based on faster R-CNN | |
| CN117994666A (zh) | 一种结合残差网络和边缘检测的海冰识别方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210903 |