CN109165658A - 一种基于Faster-RCNN的强负样本水下目标检测方法 - Google Patents
一种基于Faster-RCNN的强负样本水下目标检测方法 Download PDFInfo
- Publication number
- CN109165658A CN109165658A CN201810986082.XA CN201810986082A CN109165658A CN 109165658 A CN109165658 A CN 109165658A CN 201810986082 A CN201810986082 A CN 201810986082A CN 109165658 A CN109165658 A CN 109165658A
- Authority
- CN
- China
- Prior art keywords
- negative sample
- sample
- positive
- image
- feature
- 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
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于Faster‑RCNN的强负样本水下目标检测方法,包括以下步骤:获取目标图像数据集,将目标图像输入卷积神经网络进行前向传播至共享的卷积层得到低维特征图;将获取的低维特征图一路输入至RPN网络得到正负样本及坐标,另一路继续前向传播得到高维特征图;对获取的与Ground Truth不相交的负样本进行图像求均值处理,实现基于图像亮度特征的相似度比较,完成与正样本相似的假负样本的筛除;将正样本、获取的筛选后的负样本与高维特征图共同输入到ROI Align层,提取正负样本建议区域的特征;将获取的建议区域特征传入全连接层,输出该区域的分类得分及回归后的坐标值。
Description
技术领域
本发明涉及图像处理和模式识别技术领域,尤其是一种基于Faster-RCNN的强负样本水下目标检测方法。
背景技术
目标检测是计算机视觉领域的一个重要研究方向,被应用在许多实际的场景中,例如智能视频监控、基于内容的图像检索、自动驾驶、行人检测等。目前,基于深度学习的目标检测方法取得了较好的结果。从2014年R-CNN首次将深度学习应用于目标检测算法至今,目标检测方法进入了快速发展阶段,当前基于深度学习的目标检测方法分为两大主流方向:即两阶段目标检测方法和单阶段目标检测方法。相比之下,两阶段目标检测方法精度更高,单阶段目标检测方法速度更快。
水下生物目标检测在海产捕捞、海洋资源保护等领域有着重要意义。深度学习作为数据驱动的方法,通过对大量的训练样本进行学习可以产生较为可观的检测结果。但由于对水下图像进行大量收集较为困难,并且水下图像存在图像模糊、目标聚堆、小物体多等特点,这给数据集的标注造成了一定的困难,导致了用于水下目标检测的数据集普遍存在大量的漏标现象,使得目标检测负样本中可能存在大量包含目标区域的情况,影响了目标检测的最终结果。
发明内容
本发明的目的是提供一种基于Faster-RCNN的强负样本水下目标检测方法,可以提高负样本质量,使得检测模型可以更好地对数据集进行学习,从而提高水下生物目标检测的精度。
为实现上述目的,本发明采用下述技术方案:
一种基于Faster-RCNN的强负样本水下目标检测方法,包括以下步骤:
获取目标图像数据集,将目标图像输入卷积神经网络进行前向传播至共享的卷积层得到低维特征图;
将获取的低维特征图一路输入至RPN网络得到正负样本及坐标,另一路继续前向传播得到高维特征图;
对获取的与Ground Truth不相交的负样本进行图像求均值处理,实现基于图像亮度特征的相似度比较,完成与正样本相似的假负样本的筛除;
将正样本、获取的筛选后的负样本与高维特征图共同输入到ROI Align层,提取正负样本建议区域的特征;
将获取的建议区域特征传入全连接层,输出该区域的分类得分及回归后的坐标值。
进一步地,所述对获取的与Ground Truth不相交的负样本进行图像求均值处理,实现基于图像亮度特征的相似度比较,完成与正样本相似的假负样本的筛除步骤之后,还包括:
对剩余负样本进行求图像LBP直方图操作,实现基于图像纹理特征的相似度比较,完成与正样本相似的假负样本的筛除。
进一步地,所述对剩余负样本进行求图像LBP直方图操作,实现基于图像纹理特征的相似度比较,完成与正样本相似的假负样本的筛除,包括:
计算目标图像的LBP直方图,将LBP直方图连接成为一个特征向量作为纹理相似度比较模板;
对剩余负样本提取LBP特征,得到LBP直方图,将获得的LBP直方图连接为特征向量;
计算负样本的特征向量与模板特征向量的欧式距离,若大于阈值则舍弃该样本,否则保留该负样本。
进一步地,所述将目标图像输入卷积神经网络进行前向传播至共享的卷积层得到低维特征图,包括:将目标图像通过深度卷积神经网络VGG16或Resnet-50的共享卷积层部分得到低维特征图。
进一步地,所述将获取的低维特征图一路输入至RPN网络得到正负样本及坐标,包括:
使用一个3×3的窗口在获取的低维特征图上进行滑动,以滑动窗口的中心为点中心映射到原始目标图像,分别产生尺度为642、1282、2562,比例为1:2、1:3、1:1、2:1、3:1的候选区域,且保留候选区域的左下角和右上角坐标,若滑动窗口所映射的区域与GroundTruth的IOU值大于0.7,则认为该候选区域为正样本;若滑动窗口所映射的区域与GroundTruth的IOU值小于0.3,则认为该候选区域为负样本,获取全部候选区域的正负样本标签及其坐标。
进一步地,所述对获取的与Ground Truth不相交的负样本进行图像求均值处理,实现基于图像亮度特征的相似度比较,完成与正样本相似的假负样本的筛除,包括:
计算目标图像均值,对每一个与Ground Truth的IOU值为0的负样本进行求均值操作,对二者进行比较:若当前负样本的均值小于目标图像均值减十,则舍弃该负样本,否则保留该负样本。
进一步地,所述将正样本、获取的筛选后的负样本与高维特征图共同输入到ROIAlign层,提取正负样本建议区域的特征,包括:
将获取的筛选后的正负样本通过做坐标信息映射到高维特征图中;
对正负样本按照固定数目进行分块,固定分为7×7块,再在每一个区域块上完成最大池化操作,提取对应正负样本建议区域的固定长度的特征向量。
发明内容中提供的效果仅仅是实施例的效果,而不是发明所有的全部效果,上述技术方案中的一个技术方案具有如下优点或有益效果:
本发明提供一种基于Faster-RCNN的强负样本水下生物目标检测方法,克服了由于水下图像数据模糊、目标聚堆、物体过小而导致的样本漏标问题,通过对负样本的二次处理,可以有效地忽略掉由于漏标造成的假负样本现象,为模型训练提供质量更优的负样本,从而使得模型更好收敛,使得检测结果得到进一步的提高。
附图说明
图1是本发明实施例一方法流程图;
图2是本发明实施例二方法流程图。
具体实施方式
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
实施例一
如图1所示,一种基于Faster-RCNN的强负样本水下目标检测方法,包括以下步骤:
S1、获取目标图像数据集,将目标图像输入卷积神经网络进行前向传播至共享的卷积层得到低维特征图;
S2、将获取的低维特征图一路输入至RPN网络得到正负样本及坐标,另一路继续前向传播得到高维特征图;
S3、对获取的与Ground Truth不相交的负样本进行图像求均值处理,实现基于图像亮度特征的相似度比较,完成与正样本相似的假负样本的筛除;
S4、将正样本、获取的筛选后的负样本与高维特征图共同输入到ROI Align层,提取正负样本建议区域的特征;
S5、将获取的建议区域特征传入全连接层,输出该区域的分类得分及回归后的坐标值。
实施例二
如图2所示,一种基于Faster-RCNN的强负样本水下目标检测方法,包括以下步骤:
S1、获取目标图像数据集,将目标图像输入卷积神经网络进行前向传播至共享的卷积层得到低维特征图;
S2、将获取的低维特征图一路输入至RPN网络得到正负样本及坐标,另一路继续前向传播得到高维特征图;
S3、对获取的与Ground Truth不相交的负样本进行图像求均值处理,实现基于图像亮度特征的相似度比较,完成与正样本相似的假负样本的筛除;
S4、对剩余负样本进行求图像LBP直方图操作,实现基于图像纹理特征的相似度比较,完成与正样本相似的假负样本的筛除;
S5、将正样本、获取的筛选后的负样本与高维特征图共同输入到ROI Align层,提取正负样本建议区域的特征;
S6、将获取的建议区域特征传入全连接层,输出该区域的分类得分及回归后的坐标值。
步骤S1中,获取目标图像数据集具体包括收集大量的水下图像,将全部图像按照7:3的比例分为训练-验证集和测试集,在训练-验证集中按照8:2的比例分为训练集和验证集。训练集的作用是训练模型参数;验证集的作用是在训练过程中检验模型的状态、收敛情况,调整超参数;测试集用来最终评价模型的泛化能力。
将目标图像输入卷积神经网络进行前向传播至共享的卷积层得到低维特征图具体包括通过深度卷积神经网络VGG16或Resnet-50的共享卷积层部分得到低维特征图。该部分包含了若干卷基层、池化层,并使用线性整流函数作为激活函数,完成对图像低维特征图的提取。
步骤S2中,将获取的低维特征图一路输入至RPN网络得到正负样本及坐标,具体包括:使用一个3×3的窗口在获取的低维特征图上进行滑动,以滑动窗口的中心为点中心映射到原始目标图像,分别产生尺度为642、1282、2562,比例为1:2、1:3、1:1、2:1、3:1的候选区域,且保留候选区域的左下角和右上角坐标,若滑动窗口所映射的区域与Ground Truth的IOU(交并比,即两个图像区域的交集所包含的像素数除以他们的并集所包含的像素数)值大于0.7,则认为该候选区域为正样本;若滑动窗口所映射的区域与Ground Truth的IOU值小于0.3,则认为该候选区域为负样本,获取全部候选区域的正负样本标签及其坐标。
步骤S3中,对获取的与Ground Truth不相交的负样本进行图像求均值处理,实现基于图像亮度特征的相似度比较,完成与正样本相似的假负样本的筛除,包括:计算目标图像均值,对每一个与Ground Truth的IOU值为0的负样本进行求均值操作,对二者进行比较:若当前负样本的均值小于目标图像均值减十,则舍弃该负样本,否则保留该负样本。由于水下图像中有目标的区域亮度远低于背景区域亮度,故从图像均值入手,通过图像均值的方法能初步筛选掉大部分假负样本。
步骤S4中,对剩余负样本进行求图像LBP直方图操作,实现基于图像纹理特征的相似度比较,完成与正样本相似的假负样本的筛除,包括:
计算目标图像的LBP直方图(一种用来描述局部纹理特征的算子),将LBP直方图连接成为一个特征向量作为纹理相似度比较模板;
对剩余负样本提取LBP特征,得到LBP直方图,将获得的LBP直方图连接为特征向量;
计算负样本的特征向量与模板特征向量的欧式距离,若大于阈值则舍弃该样本,否则保留该负样本。通过比较亮度、纹理相似度的操作基本上过滤掉了包含目标的假负样本,从而产生强负样本用于模型训练。可以有效地忽略掉由于漏标造成的假负样本现象,为模型训练提供质量更优的负样本。
训练过程中,一张图片的损失函数分为分类损失和回归损失两大部分,定义如下:其中i表示每一个样本的下标,pi表示预测为某一类别的概率,若当前样本为正样本,则若当前样本为负样本,则表示回归操作仅针对正样本进行;ti表示正样本到建议区域的平移缩放参数,表示正样本到Ground Truth的平移缩放参数;分类损失函数Lcls为交叉熵损失函数:
回归损失函数为SmoothL1损失函数:参数λ用来权衡分类损失和回归损失的比重。
步骤S5中,将正样本、获取的筛选后的负样本与高维特征图共同输入到ROI Align层,提取正负样本建议区域的特征,包括:
将获取的筛选后的正负样本通过做坐标信息映射到高维特征图中;
对正负样本按照固定数目进行分块,固定分为7×7块,再在每一个区域块上完成最大池化操作,提取对应正负样本建议区域的固定长度的特征向量。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (7)
1.一种基于Faster-RCNN的强负样本水下目标检测方法,其特征是,包括以下步骤:
获取目标图像数据集,将目标图像输入卷积神经网络进行前向传播至共享的卷积层得到低维特征图;
将获取的低维特征图一路输入至RPN网络得到正负样本及坐标,另一路继续前向传播得到高维特征图;
对获取的与GroundTruth不相交的负样本进行图像求均值处理,实现基于图像亮度特征的相似度比较,完成与正样本相似的假负样本的筛除;
将正样本、获取的筛选后的负样本与高维特征图共同输入到ROIAlign层,提取正负样本建议区域的特征;
将获取的建议区域特征传入全连接层,输出该区域的分类得分及回归后的坐标值。
2.如权利要求1所述的方法,其特征是,所述对获取的与Ground Truth不相交的负样本进行图像求均值处理,实现基于图像亮度特征的相似度比较,完成与正样本相似的假负样本的筛除步骤之后,还包括:
对剩余负样本进行求图像LBP直方图操作,实现基于图像纹理特征的相似度比较,完成与正样本相似的假负样本的筛除。
3.如权利要求2所述的方法,其特征是,所述对剩余负样本进行求图像LBP直方图操作,实现基于图像纹理特征的相似度比较,完成与正样本相似的假负样本的筛除,包括:
计算目标图像的LBP直方图,将LBP直方图连接成为一个特征向量作为纹理相似度比较模板;
对剩余负样本提取LBP特征,得到LBP直方图,将获得的LBP直方图连接为特征向量;
计算负样本的特征向量与模板特征向量的欧式距离,若大于阈值则舍弃该样本,否则保留该负样本。
4.如权利要求1或2所述的方法,其特征是,所述将目标图像输入卷积神经网络进行前向传播至共享的卷积层得到低维特征图,包括:将目标图像通过深度卷积神经网络VGG16或Resnet-50的共享卷积层部分得到低维特征图。
5.如权利要求1或2所述的方法,其特征是,所述将获取的低维特征图一路输入至RPN网络得到正负样本及坐标,包括:
使用一个3×3的窗口在获取的低维特征图上进行滑动,以滑动窗口的中心为点中心映射到原始目标图像,分别产生尺度为642、1282、2562,比例为1:2、1:3、1:1、2:1、3:1的候选区域,且保留候选区域的左下角和右上角坐标,若滑动窗口所映射的区域与GroundTruth的IOU值大于0.7,则认为该候选区域为正样本;若滑动窗口所映射的区域与GroundTruth的IOU值小于0.3,则认为该候选区域为负样本,获取全部候选区域的正负样本标签及其坐标。
6.如权利要求1或2所述的方法,其特征是,所述对获取的与Ground Truth不相交的负样本进行图像求均值处理,实现基于图像亮度特征的相似度比较,完成与正样本相似的假负样本的筛除,包括:
计算目标图像均值,对每一个与GroundTruth的IOU值为0的负样本进行求均值操作,对二者进行比较:若当前负样本的均值小于目标图像均值减十,则舍弃该负样本,否则保留该负样本。
7.如权利要求1或2所述的方法,其特征是,所述将正样本、获取的筛选后的负样本与高维特征图共同输入到ROIAlign层,提取正负样本建议区域的特征,包括:
将获取的筛选后的正负样本通过做坐标信息映射到高维特征图中;
对正负样本按照固定数目进行分块,固定分为7×7块,再在每一个区域块上完成最大池化操作,提取对应正负样本建议区域的固定长度的特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810986082.XA CN109165658B (zh) | 2018-08-28 | 2018-08-28 | 一种基于Faster-RCNN的强负样本水下目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810986082.XA CN109165658B (zh) | 2018-08-28 | 2018-08-28 | 一种基于Faster-RCNN的强负样本水下目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109165658A true CN109165658A (zh) | 2019-01-08 |
CN109165658B CN109165658B (zh) | 2021-08-13 |
Family
ID=64896962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810986082.XA Active CN109165658B (zh) | 2018-08-28 | 2018-08-28 | 一种基于Faster-RCNN的强负样本水下目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109165658B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046254A (zh) * | 2019-04-18 | 2019-07-23 | 百度在线网络技术(北京)有限公司 | 用于生成模型的方法和装置 |
CN110826634A (zh) * | 2019-11-11 | 2020-02-21 | 北京百度网讯科技有限公司 | 目标检测模型的训练方法、装置、电子设备及存储介质 |
CN112613425A (zh) * | 2020-12-24 | 2021-04-06 | 山东船舶技术研究院 | 一种面向小样本水下图像的目标识别方法及*** |
CN113743439A (zh) * | 2020-11-13 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 目标检测方法、装置及存储介质 |
CN116776887A (zh) * | 2023-08-18 | 2023-09-19 | 昆明理工大学 | 一种基于样本相似性计算的负采样远程监督实体识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909572A (zh) * | 2017-11-17 | 2018-04-13 | 合肥工业大学 | 基于图像增强的肺结节检测方法及*** |
US20180165810A1 (en) * | 2016-12-13 | 2018-06-14 | Shanghai Sixth People's Hospital | Method of automatically detecting microaneurysm based on multi-sieving convolutional neural network |
CN108230323A (zh) * | 2018-01-30 | 2018-06-29 | 浙江大学 | 一种基于卷积神经网络的肺结节假阳性筛选方法 |
CN108416287A (zh) * | 2018-03-04 | 2018-08-17 | 南京理工大学 | 一种基于遗漏负样本挖掘的行人检测方法 |
CN108416307A (zh) * | 2018-03-13 | 2018-08-17 | 北京理工大学 | 一种航拍图像路面裂缝检测方法、装置及设备 |
-
2018
- 2018-08-28 CN CN201810986082.XA patent/CN109165658B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180165810A1 (en) * | 2016-12-13 | 2018-06-14 | Shanghai Sixth People's Hospital | Method of automatically detecting microaneurysm based on multi-sieving convolutional neural network |
CN107909572A (zh) * | 2017-11-17 | 2018-04-13 | 合肥工业大学 | 基于图像增强的肺结节检测方法及*** |
CN108230323A (zh) * | 2018-01-30 | 2018-06-29 | 浙江大学 | 一种基于卷积神经网络的肺结节假阳性筛选方法 |
CN108416287A (zh) * | 2018-03-04 | 2018-08-17 | 南京理工大学 | 一种基于遗漏负样本挖掘的行人检测方法 |
CN108416307A (zh) * | 2018-03-13 | 2018-08-17 | 北京理工大学 | 一种航拍图像路面裂缝检测方法、装置及设备 |
Non-Patent Citations (1)
Title |
---|
XUE YANG等: "Automatic Ship Detection in Remote Sensing Images from Google Earth of Complex Scenes Based on Multiscale Rotation Dense Feature Pyramid Networks", 《REMOTE SENSING》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046254A (zh) * | 2019-04-18 | 2019-07-23 | 百度在线网络技术(北京)有限公司 | 用于生成模型的方法和装置 |
CN110046254B (zh) * | 2019-04-18 | 2022-03-08 | 阿波罗智联(北京)科技有限公司 | 用于生成模型的方法和装置 |
CN110826634A (zh) * | 2019-11-11 | 2020-02-21 | 北京百度网讯科技有限公司 | 目标检测模型的训练方法、装置、电子设备及存储介质 |
CN113743439A (zh) * | 2020-11-13 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 目标检测方法、装置及存储介质 |
CN112613425A (zh) * | 2020-12-24 | 2021-04-06 | 山东船舶技术研究院 | 一种面向小样本水下图像的目标识别方法及*** |
CN112613425B (zh) * | 2020-12-24 | 2022-03-22 | 山东船舶技术研究院 | 一种面向小样本水下图像的目标识别*** |
CN116776887A (zh) * | 2023-08-18 | 2023-09-19 | 昆明理工大学 | 一种基于样本相似性计算的负采样远程监督实体识别方法 |
CN116776887B (zh) * | 2023-08-18 | 2023-10-31 | 昆明理工大学 | 一种基于样本相似性计算的负采样远程监督实体识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109165658B (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | GANMcC: A generative adversarial network with multiclassification constraints for infrared and visible image fusion | |
CN110909690B (zh) | 一种基于区域生成的遮挡人脸图像检测方法 | |
CN109165658A (zh) | 一种基于Faster-RCNN的强负样本水下目标检测方法 | |
CN107680054B (zh) | 雾霾环境下多源图像融合方法 | |
CN107610087B (zh) | 一种基于深度学习的舌苔自动分割方法 | |
Yu et al. | Context-based hierarchical unequal merging for SAR image segmentation | |
CN104050471B (zh) | 一种自然场景文字检测方法及*** | |
CN106897673B (zh) | 一种基于retinex算法和卷积神经网络的行人再识别方法 | |
CN113065558A (zh) | 一种结合注意力机制的轻量级小目标检测方法 | |
CN108830188A (zh) | 基于深度学习的车辆检测方法 | |
CN106611420B (zh) | 基于反卷积网络和素描图方向约束的sar图像分割方法 | |
CN106649487A (zh) | 基于兴趣目标的图像检索方法 | |
CN108304873A (zh) | 基于高分辨率光学卫星遥感影像的目标检测方法及其*** | |
CN107346420A (zh) | 一种基于深度学习的自然场景下文字检测定位方法 | |
CN107247930A (zh) | 基于cnn和选择性注意机制的sar图像目标检测方法 | |
CN106022232A (zh) | 基于深度学习的车牌检测方法 | |
CN109583321A (zh) | 一种基于深度学习的结构化道路中小物体的检测方法 | |
CN109543632A (zh) | 一种基于浅层特征融合引导的深层网络行人检测方法 | |
CN108345850A (zh) | 基于超像素的笔画特征变换和深度学习的区域分类的场景文本检测方法 | |
CN110569782A (zh) | 一种基于深度学习目标检测方法 | |
CN106023257A (zh) | 一种基于旋翼无人机平台的目标跟踪方法 | |
CN105718882A (zh) | 一种分辨率自适应特征提取与融合的行人重识别方法 | |
CN109325490A (zh) | 基于深度学习和rpca的太赫兹图像目标识别方法 | |
CN109766823A (zh) | 一种基于深层卷积神经网络的高分辨率遥感船舶检测方法 | |
CN112926652B (zh) | 一种基于深度学习的鱼类细粒度图像识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |