CN107808138A - 一种基于FasterR‑CNN的通信信号识别方法 - Google Patents
一种基于FasterR‑CNN的通信信号识别方法 Download PDFInfo
- Publication number
- CN107808138A CN107808138A CN201711046399.7A CN201711046399A CN107808138A CN 107808138 A CN107808138 A CN 107808138A CN 201711046399 A CN201711046399 A CN 201711046399A CN 107808138 A CN107808138 A CN 107808138A
- Authority
- CN
- China
- Prior art keywords
- signal
- picture
- communication
- pixels
- location
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明属于深度学习应用和通信信号识别领域,具体涉及一种基于Faster R‑CNN的通信信号识别方法。本发明将Faster R‑CNN算法用于通信信号识别,将采集到的盲通信信号频谱数据绘制成图片;然后设计一个整体的多层神经网络,运用Faster R‑CNN算法对图片中有用的信号频段进行检测和定位,先利用卷积神经网络生成特征图,利用区域生成网络在原始图片上生成区域建议框;再对建议框区域进行感兴趣区域采样,并连接两个回归网络对感兴趣区域采样的结果进行位置和分类回归,根据回归得到的位置结果及其对应的置信程度来确定图片上是否存在有用信号并给出信号的像素位置;最终将信号在图片上的像素位置还原为有用信号的频段信息,从而实现通信信号的识别。
Description
技术领域
本发明属于深度学习应用和通信信号识别领域,具体涉及一种基于Faster R-CNN的通信信号识别方法。
背景技术
通信技术在现代军事领域占有越来越重要的地位,是决定战争胜负的一个关键因素。通信信号的识别是对敌方通信进行干扰或侦听的前提,一旦有效地识别有用的通信信号,就可以分析信号的调制类型,进而估计调制参数来获取更多有效的信息,从而有针对性地制定侦查和反侦查策略。然而随着现代科学技术的快速发展,空间电磁环境变得日趋复杂,多种不同调制方式的大量存在、信道对信号的影响以及噪声的干扰,使得常规的识别方法和理论很难适应实际需要,无法有效地对通信信号进行准确识别。
传统情况下,通信信号的识别,如使用聚类、支持向量机(SVM)等方法来识别盲通信信号中的有用频段,均需通过人为提取特征参数,但人为提取特征参数存在很大的主观性,如参数数量的选择和合理性等,且计算量大,效率低。
深度学习是人工智能的一个分支,Faster R-CNN是一种计算机视觉图像的深度学习算法。
发明内容
针对上述存在问题或不足,为解决现有技术因人为提取特征参数导致参数数量的选择和合理性以及效率低的问题;本发明提供了一种基于Faster R-CNN的通信信号识别方法,利用图像处理的方式来提取有用信号频段。
具体技术方案如下:
步骤1、将采集到的盲通信信号频谱数据幅值和时间变化关系,通过绘图软件或代码绘制成大小相同的图片,其分辨率大于100*100,并记录频谱数据点的坐标位置与绘制成图片后的像素位置之间的关系;
步骤2、将步骤1所得图片通过深度卷积神经网络生成n个相同大小的特征图,n>0。
步骤3、通过区域生成网络(Region Proposal Networks,RPN)结合步骤2得到的所有特征图在步骤1得到的原始图片上生成区域建议框;
步骤4、将步骤3得到的区域建议框映射到步骤2生成的特征图上进行感兴趣区域采样 (Region of Interest pooling,RoI pooling),得到一个m维的特征向量,m≥128;
步骤5、对步骤4所得m维特征向量分别进行分类回归和位置回归,结合步骤1生成的原始图片大小,即可得到信号存在于图片上的像素位置和其置信程度;
步骤6、将步骤5得到像素位置中置信程度大于设定值的像素位置信息,利用步骤1中记录频谱数据点的坐标位置与绘制成图片后的像素位置之间的关系,还原成步骤1中盲通信信号的频段信息,0.1≤设定值≤1,即可完成盲通信信号中有用频段的提取。
本发明首次提出将Faster R-CNN算法用于通信信号识别,将采集到的盲通信信号频谱数据绘制成图片,由于有用的通信信号数据往往都存在一定规律性,故其呈现的形状具有规律性。然后设计一个整体的多层神经网络,运用Faster R-CNN算法对图片中有用的信号频段进行检测和定位,先利用卷积神经网络生成特征图,利用区域生成网络在原始图片上生成区域建议框;再对建议框区域进行感兴趣区域采样,并连接两个回归网络对感兴趣区域采样的结果进行位置和分类回归,根据回归得到的位置结果及其对应的置信程度来确定图片上是否存在有用信号并给出信号的像素位置;最终将信号在图片上的像素位置还原为有用信号的频段信息,从而实现通信信号的识别。
综上所述,本发明基于Faster R-CNN算法,通过对标记好的盲通信信号数据生成的图片样本进行训练和参数调优,以有效的识别盲通信信号中的有用信号频段,避免了传统通信信号识别过程中人为选取参数带来的主观因素影响,且效率上得到提升。
附图说明
图1是本发明识别流程图;
图2是实施例的检测效果图。
具体实施方式
下面结合附图和实施例对本发明做进一步的详细说明。
如图1所示,基于Faster R-CNN的通信信号识别方法包括以下步骤:
步骤1、将采集到的盲通信信号频谱数据,用Python代码绘制成大小相同的图片,其分辨率为1600*1000,并记录点的坐标大小与绘制成图片后的像素位置之间的关系:
1)通过open打开文件;
2)读取频谱文件信息,获得在该频段上一次采样得到的频谱幅值;
3)将幅值数据转换为dB单位;
4)根据采样率及信号的长短分别将采集到的盲通信信号频谱数据共计26段(每段65536个点),使用25段频谱数据(剩余一段用作测试),按照频谱数据点数的(K取大于2的整数,取10组,谱数据点数的大于100,这里K取16,即每段1024点),且每段起始点与前一分段中除去起始点的随机点重叠,进行分段,并记录每段起始点位置,将每段频谱数据通过Python代码绘制成像素为1600*1000大小的图片,手动去掉其中没有不含频段的图片样本后,获得1236张图片样本;
5)记录点的坐标大小与绘制成图片后的像素位置之间的关系。
步骤2、将图片通过深度卷积神经网络VGG16-Net生成512个大小14*14维特征图:
1)将图片归一化到224*224大小;
2)调用GPU加速计算;
3)通过16个卷积层,5次下采样,得到512个大小14*14维特征图。
步骤3、通过区域生成网络结合步骤2得到的所有特征图在步骤1得到的原始图片上生成区域建议框:
1)通过3*3大小的卷积核在特征图上滑动,设置一种锚定(anchor)机制,即分别以每一个卷积核中心当成一个基准点,然后围绕这个基准点选取3个不同面积大小(128、256、512,对应到特征图分别为3、6、12)和3种不同尺寸比例(1:1、 1:2和2:1)生成9个候选区域;
2)去掉候选区域中映射到原图中超过原图边界的候选框;
3)对每个锚定区域进行回归,分别判断该区域框内是否含有信号,以及信号的具***置信息;
a)在训练阶段,其中预测位置和分类信息的损失函数为:
其中,i是每个训练批次中生成的候选区域的索引,pi是第是i个候选区域中包含前景目标的预测概率。是候选区域相对实际区域真实值的标签,当该候选区域含有前景物体时,为1,否则为0。ti是一个向量,表示预测的建议框的4个参数化坐标,是与当候选区域含有前景物体时相对应的真实物体包围框坐标向量;
b)其中分类损失函数为:
c)回归损失函数为:
其中:
意味着只有当候选区域内含有前景物体时,才计入回归损失值。Ncls是训练批次的数目,Nreg是产生的候选区域的数量,正则项λ在这里取值为10,用来平衡回归损失和分类损失的比重。
步骤4、对得到的区域建议框映射到特征图上进行感兴趣区域采样,得到一个512维的特征向量。
步骤5、分别对512维特征向量进行分类回归和位置回归,结合步骤1生成的原始图片大小,即可得到信号存在于图片上的像素位置和其置信程度;
1)cls score层:用于分类,输出k+1维数组p,表示属于k类前景和背景的概率对每个感兴趣区域输出离散型概率分布。p由k+1类的全连接层利用softmax计算得出。
p=(p0,p1,…,pk)
2)bbox_prdict层:用于调整候选区域位置,输出建议框回归的位移,输出4*k维数组tk,表示分别属于k类时,应该平移缩放的参数。
其中,是指相对于物体真实框尺度不变的平移,是指对数空间中相对于物体真实框尺的高与宽。
3)分类层评估分类损失函数Lcls(p,u)由真实分类u对应的概率决定:
Lcls(p,u)=-logpu
4)对于评估检测框定位的损失函数,则从比较真实分类对应的预测平移缩放参数和真实平移缩放参数为v=(vx,vy,vw,vh)的差别,通过计算得到:
5)最后联合损失为:
其中正则项λ用来是控制分类损失和回归损失之间的平衡,这里取1。当候选区域为背景时,仅计入分类损失。
6)通过反向传播对1256张样本进行迭代训练共24000次,保存最终权值。
步骤6、对剩余的一段测试信号,按步骤1的方法获得50张待识别图片,送入步骤2定义的神经网络,通过步骤3到步骤5的计算,将步骤5得到像素位置中置信程度≥0.8的像素位置信息,利用步骤1中记录频谱数据点的坐标位置与绘制成图片后的像素位置之间的关系,还原成步骤1中盲通信信号的频段信息,即可完成盲通信信号中有用频段的提取。
1)通过open打开测试信号文件;
2)读取频谱文件信息,获得在该频段上一次采样得到的频谱幅值;
3)将幅值数据转换为dB单位;
4)根据步骤1,按照频谱数据点数的即每段1024点,且每段起始点与前一分段中除去起始点的随机点重叠,进行分段,记录每段起始点时间序列位置分别为:
0 | 323 | 714 | 1313 | 2307 | 3135 | 3544 | 4093 |
4151 | 4533 | 4590 | 4976 | 5501 | 5914 | 6282 | 7047 |
8000 | 8614 | 9402 | 9980 | 10348 | 10379 | 10929 | 11765 |
11867 | 12438 | 12861 | 13787 | 14220 | 14243 | 14477 | 15072 |
15894 | 16759 | 17183 | 17882 | 18281 | 19153 | 20120 | 20515 |
21374 | 22141 | 23070 | 23223 | 24108 | 24460 | 25021 | 25312 |
26007 | 26271 | 27208 | 27408 | 28260 | 29245 | 29497 | 29501 |
30222 | 30301 | 30435 | 30633 | 30914 | 31273 | 31572 | 31864 |
32113 | 32756 | 32905 | 33600 | 33978 | 34222 | 35044 | 35252 |
36222 | 36897 | 37669 | 38517 | 38646 | 38746 | 39615 | 39809 |
40544 | 40651 | 41437 | 42449 | 43264 | 43376 | 43750 | 44596 |
45106 | 45273 | 45608 | 45843 | 45900 | 46808 | 47496 | 48057 |
48917 | 49257 | 49802 | 50472 | 51198 | 52192 | 53087 | 53250 |
53921 | 54927 | 55356 | 55904 | 56308 | 56377 | 56380 | 57155 |
58047 | 59022 | 59814 | 60298 | 60730 | 61095 | 61292 | 62054 |
62375 | 62508 | 63482 | 64454 | 65125 |
5)将每段频谱数据通过Python代码绘制成像素为1600*1000大小的图片,手动去掉其中没有不含频段的图片样本后,获得125张待检测图片,同时记录图片像素与坐标点的关系为每段起始点对应像素200,每段终止点对应1440,因此换算关系为{实际坐标位置=(每段终点坐标位置-每段起点坐标位置)*(像素点位置/1240)+ 每段起始点坐标位置};
6)将这125张待检测图片通过步骤2到步骤5的神经网络计算,保留步骤5输出的像素位置中置信程度≥0.8的像素位置;
7)根据步骤6第4)步中像素点与真实坐标点的换算关系,求得每一点的步骤6第5)步中像素点的真实坐标位置;
8)叠加所有不同尺度的图片所得到的信号的坐标位置,消除重叠的影响即可识别出所有有用信号的坐标位置,共计求得23段频带,每段坐标点位置分别为:
9)由于采样频率为40M Hz,根据采样定理,该65536点频谱数据表示带宽范围为20M Hz,将坐标点位置映射到频率位置后,使用Python作图,并使用方框标出每一个频带,如图2所示,整个流程结束。
通过图2可以看出,在整个频段上,仅有2个非常窄的频带没有被检测出,因此整体检测准确率达到92%,能够有效的识别盲通信信号中的有用信号频段,且整个检测效率很高,可以方便的迁移到其他不同通信信号有用频段的加测,避免了传统通信信号识别过程中人为选取参数带来的主观因素影响。
综上所述,可见本发明通过对标记好的盲通信信号数据生成的图片样本进行训练和参数调优,以有效的识别盲通信信号中的有用信号频段,避免了传统通信信号识别过程中人为选取参数带来的主观因素影响,且效率上得到提升。
Claims (2)
1.一种基于Faster R-CNN的通信信号识别方法,具体步骤如下:
步骤1、将采集到的盲通信信号频谱数据幅值和时间变化关系,绘制成大小相同的图片,其分辨率大于100*100,并记录频谱数据点的坐标位置与绘制成图片后的像素位置之间的关系;
步骤2、将步骤1所得图片通过深度卷积神经网络生成n个相同大小的特征图,n>0;
步骤3、通过区域生成网络RPN结合步骤2得到的所有特征图在步骤1得到的原始图片上生成区域建议框;
步骤4、将步骤3得到的区域建议框映射到步骤2生成的特征图上进行感兴趣区域采样RoI pooling,得到一个m维的特征向量,m≥128;
步骤5、对步骤4所得m维特征向量分别进行分类回归和位置回归,结合步骤1生成的原始图片大小,即可得到信号存在于图片上的像素位置和其置信程度;
步骤6、将步骤5得到像素位置中置信程度大于设定值的像素位置信息,利用步骤1中记录频谱数据点的坐标位置与绘制成图片后的像素位置之间的关系,还原成步骤1中盲通信信号的频段信息,0.1≤设定值≤1,即可完成盲通信信号中有用频段的提取。
2.如权利要求1所述基于Faster R-CNN的通信信号识别方法,其特征在于:所述步骤1中绘制成大小相同的图片的方式为绘图软件或代码的方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711046399.7A CN107808138B (zh) | 2017-10-31 | 2017-10-31 | 一种基于FasterR-CNN的通信信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711046399.7A CN107808138B (zh) | 2017-10-31 | 2017-10-31 | 一种基于FasterR-CNN的通信信号识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107808138A true CN107808138A (zh) | 2018-03-16 |
CN107808138B CN107808138B (zh) | 2021-03-30 |
Family
ID=61591066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711046399.7A Active CN107808138B (zh) | 2017-10-31 | 2017-10-31 | 一种基于FasterR-CNN的通信信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107808138B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108616471A (zh) * | 2018-05-07 | 2018-10-02 | 中国电子科技集团公司第三十六研究所 | 一种基于卷积神经网络的信号调制识别方法和装置 |
CN108718288A (zh) * | 2018-03-30 | 2018-10-30 | 电子科技大学 | 基于卷积神经网络的数字信号调制模式识别方法 |
CN109612728A (zh) * | 2018-12-20 | 2019-04-12 | 上海理工大学 | 基于振谱图和深度卷积神经网络的轴承故障诊断方法 |
CN110728195A (zh) * | 2019-09-18 | 2020-01-24 | 武汉大学 | 基于yolo算法的电能质量扰动检测方法 |
CN110929842A (zh) * | 2019-10-15 | 2020-03-27 | 中国人民解放军国防科技大学 | 非合作无线电信号突发时间区域精确智能检测方法 |
CN110992349A (zh) * | 2019-12-11 | 2020-04-10 | 南京航空航天大学 | 一种基于深度学习的地下管道异常自动化定位与识别方法 |
CN111476248A (zh) * | 2019-01-23 | 2020-07-31 | 斯特拉德视觉公司 | 利用用于识别图像的1x1卷积的CNN方法及装置 |
CN111885624A (zh) * | 2020-07-28 | 2020-11-03 | 成都海擎科技有限公司 | 一种基于深度学习的信号噪底估计方法 |
TWI712960B (zh) * | 2019-01-29 | 2020-12-11 | 大陸商深圳市商湯科技有限公司 | 圖像處理方法、裝置、電腦設備和電腦儲存介質 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250812A (zh) * | 2016-07-15 | 2016-12-21 | 汤平 | 一种基于快速r‑cnn深度神经网络的车型识别方法 |
WO2017079522A1 (en) * | 2015-11-04 | 2017-05-11 | Nec Laboratories America, Inc. | Subcategory-aware convolutional neural networks for object detection |
CN106845430A (zh) * | 2017-02-06 | 2017-06-13 | 东华大学 | 基于加速区域卷积神经网络的行人检测与跟踪方法 |
CN107194318A (zh) * | 2017-04-24 | 2017-09-22 | 北京航空航天大学 | 目标检测辅助的场景识别方法 |
CN107239731A (zh) * | 2017-04-17 | 2017-10-10 | 浙江工业大学 | 一种基于Faster R‑CNN的手势检测和识别方法 |
-
2017
- 2017-10-31 CN CN201711046399.7A patent/CN107808138B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017079522A1 (en) * | 2015-11-04 | 2017-05-11 | Nec Laboratories America, Inc. | Subcategory-aware convolutional neural networks for object detection |
CN106250812A (zh) * | 2016-07-15 | 2016-12-21 | 汤平 | 一种基于快速r‑cnn深度神经网络的车型识别方法 |
CN106845430A (zh) * | 2017-02-06 | 2017-06-13 | 东华大学 | 基于加速区域卷积神经网络的行人检测与跟踪方法 |
CN107239731A (zh) * | 2017-04-17 | 2017-10-10 | 浙江工业大学 | 一种基于Faster R‑CNN的手势检测和识别方法 |
CN107194318A (zh) * | 2017-04-24 | 2017-09-22 | 北京航空航天大学 | 目标检测辅助的场景识别方法 |
Non-Patent Citations (1)
Title |
---|
SHAOQING REN等: "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", 《IEEE》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108718288A (zh) * | 2018-03-30 | 2018-10-30 | 电子科技大学 | 基于卷积神经网络的数字信号调制模式识别方法 |
CN108718288B (zh) * | 2018-03-30 | 2020-09-25 | 电子科技大学 | 基于卷积神经网络的数字信号调制模式识别方法 |
CN108616471A (zh) * | 2018-05-07 | 2018-10-02 | 中国电子科技集团公司第三十六研究所 | 一种基于卷积神经网络的信号调制识别方法和装置 |
CN108616471B (zh) * | 2018-05-07 | 2020-11-20 | 中国电子科技集团公司第三十六研究所 | 一种基于卷积神经网络的信号调制识别方法和装置 |
CN109612728A (zh) * | 2018-12-20 | 2019-04-12 | 上海理工大学 | 基于振谱图和深度卷积神经网络的轴承故障诊断方法 |
CN111476248A (zh) * | 2019-01-23 | 2020-07-31 | 斯特拉德视觉公司 | 利用用于识别图像的1x1卷积的CNN方法及装置 |
CN111476248B (zh) * | 2019-01-23 | 2023-09-22 | 斯特拉德视觉公司 | 利用用于识别图像的1x1卷积的CNN方法及装置 |
TWI712960B (zh) * | 2019-01-29 | 2020-12-11 | 大陸商深圳市商湯科技有限公司 | 圖像處理方法、裝置、電腦設備和電腦儲存介質 |
CN110728195A (zh) * | 2019-09-18 | 2020-01-24 | 武汉大学 | 基于yolo算法的电能质量扰动检测方法 |
CN110929842A (zh) * | 2019-10-15 | 2020-03-27 | 中国人民解放军国防科技大学 | 非合作无线电信号突发时间区域精确智能检测方法 |
CN110929842B (zh) * | 2019-10-15 | 2023-06-20 | 中国人民解放军国防科技大学 | 非合作无线电信号突发时间区域精确智能检测方法 |
CN110992349A (zh) * | 2019-12-11 | 2020-04-10 | 南京航空航天大学 | 一种基于深度学习的地下管道异常自动化定位与识别方法 |
CN111885624A (zh) * | 2020-07-28 | 2020-11-03 | 成都海擎科技有限公司 | 一种基于深度学习的信号噪底估计方法 |
CN111885624B (zh) * | 2020-07-28 | 2022-07-01 | 成都海擎科技有限公司 | 一种基于深度学习的信号噪底估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107808138B (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107808138A (zh) | 一种基于FasterR‑CNN的通信信号识别方法 | |
Shen et al. | Detection of stored-grain insects using deep learning | |
CN108537102B (zh) | 基于稀疏特征与条件随机场的高分辨sar图像分类方法 | |
Jahedsaravani et al. | An image segmentation algorithm for measurement of flotation froth bubble size distributions | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN109215034B (zh) | 一种基于空间金字塔掩盖池化的弱监督图像语义分割方法 | |
CN111445488B (zh) | 一种弱监督学习自动识别和分割盐体的方法 | |
CN111753828B (zh) | 一种基于深度卷积神经网络的自然场景水平文字检测方法 | |
CN109063594A (zh) | 基于YOLOv2的遥感图像快速目标检测方法 | |
CN107423760A (zh) | 基于预分割和回归的深度学习目标检测方法 | |
CN108009554A (zh) | 一种图像处理方法以及装置 | |
CN107229904A (zh) | 一种基于深度学习的目标检测与识别方法 | |
CN106682569A (zh) | 一种基于卷积神经网络的快速交通标识牌识别方法 | |
CN109002755B (zh) | 基于人脸图像的年龄估计模型构建方法及估计方法 | |
CN107832797B (zh) | 基于深度融合残差网的多光谱图像分类方法 | |
CN104866868A (zh) | 基于深度神经网络的金属币识别方法和装置 | |
CN112396619B (zh) | 一种基于语义分割的内部复杂组成的小型颗粒分割方法 | |
CN111311702B (zh) | 一种基于BlockGAN的图像生成和识别模块及方法 | |
CN110334656A (zh) | 基于信源概率加权的多源遥感图像水体提取方法及装置 | |
CN111833353B (zh) | 一种基于图像分割的高光谱目标检测方法 | |
CN107016680A (zh) | 一种基于显著性检测的害虫图像背景去除方法 | |
Singh et al. | A hybrid approach for information extraction from high resolution satellite imagery | |
CN113762251B (zh) | 一种基于注意力机制的目标分类方法及*** | |
Konopka et al. | Classification of soil bacteria based on machine learning and image processing | |
CN108257148A (zh) | 特定对象的目标建议窗口生成方法及其在目标跟踪的应用 |
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 |