CN110084210A - 基于注意力金字塔网络的sar图像多尺度舰船检测方法 - Google Patents
基于注意力金字塔网络的sar图像多尺度舰船检测方法 Download PDFInfo
- Publication number
- CN110084210A CN110084210A CN201910362037.1A CN201910362037A CN110084210A CN 110084210 A CN110084210 A CN 110084210A CN 201910362037 A CN201910362037 A CN 201910362037A CN 110084210 A CN110084210 A CN 110084210A
- Authority
- CN
- China
- Prior art keywords
- characteristic pattern
- layer
- feature
- channel
- attention
- 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
- 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
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于雷达遥感技术领域,涉及一种基于注意力金字塔网络的SAR图像多尺度舰船检测方法。本发明在现有的特征金字塔网络上基础上,提出了一种具有自适应选择显著特征的多尺度特征提取方法:基于密集注意力机制的特征金字塔网络,并应用于SAR图像多尺度舰船目标检测中。通过通道注意力模型和空间注意力模型分别从全局和局部范围突出显著特征,获得更好的检测性能;同时注意力机制应用于各层的多尺度融合过程中,可逐层增强特征,有效剔除虚警目标,提高了检测精度。
Description
技术领域
本发明属于雷达遥感技术领域,涉及一种基于注意力金字塔网络的SAR图像多尺度舰船 检测方法。
背景技术
近年来,利用合成孔径雷达(SAR)图像进行海面舰船目标检测已经成为世界各国研究 的热点。我国作为一个海洋大国,拥有漫长的海岸线和广袤的海域,利用SAR对海洋进行实 时监测,开展基于SAR图像的舰船目标检测研究对保障国家安全、维护我国海洋权益具有重 要意义。
目前,舰船目标的种类多种多样,尺寸大小也各不相同。由于不同尺度的舰船相差较大, 大尺度舰船在SAR图像中占据了较多的像素,而小尺度舰船目标在高分辨率SAR图像中所 占的像素非常少,且对比度较低,增加了检测难度。传统舰船检测算法对小尺度舰船目标不 敏感,因此针对SAR图像多尺度舰船检测的性能较差,不能同时检测出SAR图像中不同尺 度的舰船。
近年来,卷积神经网络(CNN)凭借其强大的表征能力及自动提取特征的特点在计算机 视觉领域取得了巨大的成功。各国学者将CNN推广到SAR图像的舰船检测方法的研究中, 展现了基于CNN的检测器在复杂海面坏境中优越的检测性能,但目前适用于SAR图像多尺 度舰船检测的CNN检测器极少。针对多数基于CNN的检测器只利用最后一层特征图进行检 测,丢失了空间分辨率信息的问题,特征金字塔网络(FPN)通过“自顶而下”和“横向连接”的操作同时融合了空间分辨率信息和语义信息,并利用得到的融合特征图进行检测,初步展现了CNN对SAR图像中多尺度舰船的检测性能。虽然FPN提取了同时融合空间分辨率 信息和语义信息的特征,但由于提取的特征不够丰富,且没有突出显著性特征,因此FPN对 多尺度舰船的检测准确率较差,容易造成漏检。随后一些学者提出密集连接FPN的方法,通 过密集连接的方式提取了丰富的目标特征,但面对巨量的特征会存在检测速度变慢、虚警率变高的问题。如何在丰富的目标提取特征中自适应地选择显著特征,突出不同尺度舰船目标 的特性,提高对SAR图像中多尺度舰船检测的准确度,是目前存在的问题。
发明内容
针对上述存在问题或不足,为了克服现有SAR图像舰船检测方法在面对提取的海量特征, 无法自适应地在丰富的全局特征中选择显著的目标特征,检测准确率也随之降低的缺陷,使 SAR图像多尺度舰船检测中的特征提取环节具有自适应选择显著特征,突出不同尺度舰船的 特性的能力。本发明提供了一种基于密集注意力金字塔网络(DAPN)的SAR图像多尺度舰 船检测方法。
本发明由以下步骤实现,其舰船检测算法整体流程见附图1。
步骤1、将需要检测的SAR图像送入检测网络,通过共享卷积层获得金字塔网络中自上 而下的前向网络分支中的各层特征图{C2、C3、C4、C5},提取不同尺度下未经模糊的全局特 征。
此过程通过自底而上的前向网络对原始的SAR图像提取了不同尺度下的全局未模糊特 征。
本发明的基础网络采用了ResNet101网络,并将具有相同尺寸特征图的结构称为一个阶 段,使用ResNet101中每个阶段中最后一个残差块的输出{C2、C3、C4、C5}组成自底向上的 前向网络。
在自底向上的前向网络中,高层特征图具有更丰富的语义信息,但却缺少空间分辨率信 息,适合用于检测大尺度舰船。低层特征图恰恰相反,具有较高的分辨率,却只包含浅层特 征,适于检测小尺度舰船。因此针对多尺度舰船的检测,有效融合空间分辨率信息和语义信 息非常重要。DAPN中的自底向上前向网络的特征图{C2、C3、C4、C5},主要用于提供未经 后续上采样和卷积块注意力机制(CBAM)操作模糊的全局特征,这些未经模糊的全局特征 可用于检测所有疑似舰船目标的粗略位置,减少漏检。
步骤2、{C2、C3、C4、C5}分别经过1×1卷积来缩减通道向的维度,并与相同尺寸的密集连接CBAM的各层融合特征图进行横向连接,得到自顶而下的网络分支{P2、P3、P4、P5}。
(1)缩减{C2、C3、C4、C5}通道数
利用256个1×1卷积核缩减自底向上前向网络的特征图{C2、C3、C4、C5}的通道数,将 {C2、C3、C4、C5}分别对应的256、512、1024、2048通道数,均缩减为256个通道,得到缩 减通道后的特征图{CR2、CR3、CR4、CR5},计算过程如下:
CRi=Conv1×1(Ci),i=2,3,4,5
(2){CR2、CR3、CR4、CR5}与密集连接CBAM的融合特征图横向连接,得到{P2、P3、 P4、P5}。
此过程利用CBAM在丰富的特征中提取显著的局部特征,实现了逐层特征图的增强,有 效剔除虚警目标。CBAM于2018年提出,主要由通道注意力机制和空间注意力机制构成。 输入特征图的通道数为C、每个通道图像的宽度和高度分别为W和H。CBAM首先将输入特征图F通过通道注意力机制得到通道注意力图F与AC像素级相乘后得到通过通道注意力机制的特征图然后FC通过空间注意力机制得到空间注意力图 最后FC与AS像素级相乘后得到显著特征图CBAM的计算过程总结为:
其中,代表像素级相乘。
通道注意力机制同时利用最大池化和平均池化操作聚合空间信息,然后通过多层感知器 (MLP)减少参数,最后得到通道注意力图AC,计算过程如下式所示:
AC(F)=σ(MLP(AvgPool(F))+MLP(MaxPool(F))),
其中,σ代表激活函数,AvgPool和MaxPool分别表示平均池化和最大池化操作。
空间注意力机制首先在通道向使用最大池化和平均池化,并将结果进行拼接,最后在拼 接特征图上使用一个7×7卷积,得到空间注意力图AS,计算过程可总结为下式:
AS(FC)=σ(Conv7×7([AvgPool(FC);MaxPool(FC)]))
其中,Conv7×7表示7×7卷积操作。
CBAM的整体结构图见附图2。
自顶而下的网络分支{P2、P3、P4、P5}的计算过程如下:
1)顶层的特征图P5由缩减通道数后的特征图CR5直接获得,根据公式:
P5=CR5=Conv1×1(C5)
求解,其中Conv1×1(.)代表1×1卷积;
2)密集连接:所有层数高于当前层Pi的特征图{Pi+1,…,P5}上采样到本层特征图大小, 进行像素级相加得到密集连接后的特征图FDi,根据公式:
求解,其中Upsample(.)代表上采样操作;
3)CBAM:密集连接后的特征图FDi作为输入特征图进行CBAM操作,得到每层的显著特征图Ai,根据公式:
Ai=A(FDi)
求解,其中A(.)代表CBAM操作;
CBAM由通道注意力机制和空间注意力机制构成,输入密集连接后的特征图的通道数为C、每个通道图像的宽度和高度分别为W和H,CBAM首先将输入特征图FDi通 过通道注意力机制得到通道注意力图FDi与AC像素级相乘后得到通过通道注意力 机制的特征图然后FC通过空间注意力机制得到空间注意力图最后 FC与AS像素级相乘后得到每层的显著特征图CBAM的计算过程为:
其中,代表像素级相乘;
通道注意力机制同时利用最大池化和平均池化操作聚合空间信息,然后通过多层感知器 减少参数,得到通道注意力图AC,计算过程如下式所示:
AC(FDi)=σ(MLP(AvgPool(FDi))+MLP(MaxPool(FDi))),
其中,σ代表激活函数,AvgPool和MaxPool分别表示平均池化和最大池化操作,MLP表示多层感知器;
空间注意力机制首先在通道向使用最大池化和平均池化,并将结果进行拼接,最后在拼 接特征图上使用一个7×7卷积,得到空间注意力图AS,计算过程为下式:
AS(FC)=σ(Conv7×7([AvgPool(FC);MaxPool(FC)]))
其中,Conv7×7表示7×7卷积操作;
4)横向连接:{CR2、CR3、CR4}与对应的{A2、A3、A4}进行像素级相加,并通过3×3卷 积减少由上采样操作带来的混叠效应,得到{P2、P3、P4},根据公式:
求解,其中Conv3×3(.)代表3×3卷积,表示像素级相加。
经过上述操作,可获得DAPN的自顶而下的网络分支{P2、P3、P4、P5}。
自顶而下网络中的高层特征图通过上采样操作,得到了蕴含丰富语义信息的高分辨率特 征图,然后通过不同层融合特征图的密集相加得到足够丰富的多尺度特征图,之后通过CBAM 在丰富的特征中提取显著的局部特征,可用于精细鉴别SAR图像中的多尺度舰船目标。未经 模糊的全局特征通过横向连接与提取的显著局部特征融合,可在多尺度舰船检测漏检较少的 前提下,精确鉴别目标,有效减少虚警目标,提高SAR图像多尺度舰船检测的准确率。
密集注意力金字塔网络(DAPN)主要由自底向上的前向网络、横向连接和自顶而下的 CBAM密集连接网络三部分组成。DAPN的结构图见附图3。
步骤3、将各层不同尺度的最终融合特征图送入区域建议网络(RPN),利用FasterR-CNN 进行SAR图像多尺度舰船目标的检测。
本发明在现有的特征金字塔网络上基础上,提出了一种具有自适应选择显著特征的多尺 度特征提取方法:基于密集注意力机制的特征金字塔网络,并应用于SAR图像多尺度舰船目 标检测中。通过通道注意力模型和空间注意力模型分别从全局和局部范围突出显著特征,获 得更好的检测性能;同时注意力机制应用于各层的多尺度融合过程中,可逐层增强特征,有 效剔除虚警目标,提高了检测精度。
综上所述,较现有的SAR图像多尺度舰船目标检测方法,本发明具有了提取针对不同尺 度舰船目标丰富特征的能力,提高了对小尺度舰船的检测能力;可通过密集注意力金字塔网 络自适应地选择不同尺度显著特征的能力,有效剔除虚警目标,检测精度大幅提高;在能准 确检测小尺度舰船目标的基础上,比传统方法的检测精确度更高。
附图说明
图1为本发明多尺度舰船目标检测方法流程;
图2为卷积块注意力机制(CBAM)的流程;
图3为密集注意力金字塔网络(DAPN)的结构;
图4为本发明SAR图像多尺度舰船的检测结果示意图。
具体实施方式
下面利用中国解放军海军航空大学提出的舰船数据集SSDD进行多尺度舰船检测,对本 发明做进一步说明。
实验所用数据集为SAR图像舰船检测数据集(SSDD),包括不同种类的SAR舰船图像。表1为SSDD中的SAR图像种类。
表1 SSDD中的SAR图像种类
实验以7:2:1的比例构建训练集、验证集和测试集。学习率初始值设置为0.001,并以0.1 的衰减率每2000步衰减一次;权重衰减率为0.0001;动量值设为0.9;设置anchors的尺度为 {162,242,402,602,802},每个尺度设置七个比例{1:1,1:2,1:3,2:1,2:3,3:1,3:2}以应对不同尺度 舰船检测的需求。实验通过训练过程得到具有自适应选择不同尺度显著特征的多尺度舰船检 测模型,首先输入原始图片进行裁剪、数据增强等预处理工作;后将预处理后的图片和真实 地物标签文件送入ResNet101基础网络中,获得DAPN自底向上前向网络中的特征图{C2、 C3、C4、C5},这些特征图分别通过1×1卷积和上采样操作,进行密集相加和CBAM,得到 显著特征图,并通过像素级相加横向连接{C2、C3、C4、C5}和显著特征图,得到最终的融合 特征图{P2、P3、P4、P5};最后检测网络利用Faster R-CNN,将得到的最终融合特征图{P2、 P3、P4、P5}送入Faster R-CNN中,得到最终的舰船检测结果。
表2舰船检测精度比较
本发明的舰船检测方法与现有的舰船检测方法相比较,本发明的舰船检测精度提高10% 以上,表2为本发明方法与其他现有SAR图像舰船检测精度比较,多尺度舰船检测结果比较 见附图4。从图中可以看出,基于密集注意力金字塔网络的多尺度舰船检测方法DAPN检测 精度优于改进的Faster R-CNN和SSD检测方法,本发明不仅能检测到一张SAR图像中的不 同尺度的舰船,还能有效剔除虚警,提高检测精度。
Claims (1)
1.基于注意力金字塔网络的SAR图像多尺度舰船检测方法,其特征在于,采用密集注意力金字塔网络DAPN,提取合成孔径雷达SAR图像的特征,实现对多尺度舰船的检测,所述DAPN包括自底向上的前向网络、横向连接和自顶而下的卷积块注意力机制CBAM密集连接网络;具体方法为:
S1、通过共享卷积层获得DAPN中自上而下的前向网络分支中的各层特征图{C2、C3、C4、C5},提取不同尺度下未经模糊的全局特征;
S2、{C2、C3、C4、C5}分别经过1×1卷积来缩减通道向的维度,并与相同尺寸的密集连接CBAM的各层融合特征图进行横向连接,得到自顶而下的网络分支{P2、P3、P4、P5},具体包括:
S21、缩减{C2、C3、C4、C5}通道数:
利用256个1×1卷积核缩减自底向上前向网络的特征图{C2、C3、C4、C5}的通道数,将{C2、C3、C4、C5}分别对应的256、512、1024、2048通道数,均缩减为256个通道,得到缩减通道后的特征图{CR2、CR3、CR4、CR5},计算过程如下:
CRi=Conv1×1(Ci),i=2,3,4,5
S22、顶层的特征图P5由缩减通道数后的特征图CR5直接获得,根据公式:
P5=CR5=Conv1×1(C5)
求解,其中Conv1×1(.)代表1×1卷积;
S23、密集连接:所有层数高于当前层Pi的特征图{Pi+1,…,P5}上采样到本层特征图大小,进行像素级相加得到密集连接后的特征图FDi,根据公式:
求解,其中Upsample(.)代表上采样操作;
S24、CBAM:对每层得到的密集连接后的特征图FDi进行CBAM操作,得到各层的显著特征图Ai,具体如下:
CBAM由通道注意力机制和空间注意力机制构成,输入密集连接后的特征图的通道数为C、每个通道图像的宽度和高度分别为W和H,CBAM首先将输入特征图FDi通过通道注意力机制得到通道注意力图FDi与AC像素级相乘后得到通过通道注意力机制的特征图然后FC通过空间注意力机制得到空间注意力图最后FC与AS像素级相乘后得到每层的显著特征图CBAM的计算过程为:
其中,代表像素级相乘,AC为通道注意力图,AS为空间注意力图;
通道注意力机制同时利用最大池化和平均池化操作聚合空间信息,然后通过多层感知器减少参数,得到通道注意力图AC,计算过程如下式所示:
AC(FDi)=σ(MLP(AvgPool(FDi))+MLP(MaxPool(FDi))),
其中,σ代表激活函数,AvgPool和MaxPool分别表示平均池化和最大池化操作,MLP表示多层感知器;
空间注意力机制首先在通道向使用最大池化和平均池化,并将结果进行拼接,最后在拼接特征图上使用一个7×7卷积,得到空间注意力图AS,计算过程为下式:
AS(FC)=σ(Conv7×7([AvgPool(FC);MaxPool(FC)]))
其中,Conv7×7表示7×7卷积操作;
S25、横向连接:{CR2、CR3、CR4}与对应的{A2、A3、A4}进行像素级相加,并通过3×3卷积减少由上采样操作带来的混叠效应,得到{P2、P3、P4},根据公式:
求解,其中Conv3×3(.)代表3×3卷积,经过上述操作,获得DAPN的自顶而下的网络分支{P2、P3、P4、P5};
S3、将各层不同尺度的最终融合特征图{P2、P3、P4、P5}送入区域建议网络,生成建议区域,最后利用Faster R-CNN进行SAR图像多尺度舰船目标的检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910362037.1A CN110084210B (zh) | 2019-04-30 | 2019-04-30 | 基于注意力金字塔网络的sar图像多尺度舰船检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910362037.1A CN110084210B (zh) | 2019-04-30 | 2019-04-30 | 基于注意力金字塔网络的sar图像多尺度舰船检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110084210A true CN110084210A (zh) | 2019-08-02 |
CN110084210B CN110084210B (zh) | 2022-03-29 |
Family
ID=67418161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910362037.1A Active CN110084210B (zh) | 2019-04-30 | 2019-04-30 | 基于注意力金字塔网络的sar图像多尺度舰船检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084210B (zh) |
Cited By (56)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533084A (zh) * | 2019-08-12 | 2019-12-03 | 长安大学 | 一种基于自注意力机制的多尺度目标检测方法 |
CN110705457A (zh) * | 2019-09-29 | 2020-01-17 | 核工业北京地质研究院 | 一种遥感影像建筑物变化检测方法 |
CN110782420A (zh) * | 2019-09-19 | 2020-02-11 | 杭州电子科技大学 | 一种基于深度学习的小目标特征表示增强方法 |
CN110807372A (zh) * | 2019-10-15 | 2020-02-18 | 哈尔滨工程大学 | 一种基于深度特征重组的快速光学遥感目标识别方法 |
CN110826588A (zh) * | 2019-08-29 | 2020-02-21 | 天津大学 | 一种基于注意力机制的排水管道缺陷检测方法 |
CN110866907A (zh) * | 2019-11-12 | 2020-03-06 | 中原工学院 | 基于注意力机制的全卷积网络织物疵点检测方法 |
CN111091105A (zh) * | 2019-12-23 | 2020-05-01 | 郑州轻工业大学 | 基于新的边框回归损失函数的遥感图像目标检测方法 |
CN111179217A (zh) * | 2019-12-04 | 2020-05-19 | 天津大学 | 一种基于注意力机制的遥感图像多尺度目标检测方法 |
CN111242061A (zh) * | 2020-01-17 | 2020-06-05 | 电子科技大学 | 一种基于注意力机制的合成孔径雷达舰船目标检测方法 |
CN111369543A (zh) * | 2020-03-07 | 2020-07-03 | 北京工业大学 | 一种基于双重自注意力模块的快速花粉颗粒检测算法 |
CN111368671A (zh) * | 2020-02-26 | 2020-07-03 | 电子科技大学 | 基于深度学习的sar图像舰船目标检测识别一体化方法 |
CN111401201A (zh) * | 2020-03-10 | 2020-07-10 | 南京信息工程大学 | 一种基于空间金字塔注意力驱动的航拍图像多尺度目标检测方法 |
CN111563414A (zh) * | 2020-04-08 | 2020-08-21 | 西北工业大学 | 一种基于非局部特征增强的sar图像舰船目标检测方法 |
CN111563513A (zh) * | 2020-05-15 | 2020-08-21 | 电子科技大学 | 基于注意力机制的散焦模糊检测方法 |
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 |
CN111612751A (zh) * | 2020-05-13 | 2020-09-01 | 河北工业大学 | 基于嵌入分组注意力模块的Tiny-yolov3网络的锂电池缺陷检测方法 |
CN111667468A (zh) * | 2020-05-28 | 2020-09-15 | 平安科技(深圳)有限公司 | 基于神经网络的oct图像病灶检测方法、装置及介质 |
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 |
CN111723660A (zh) * | 2020-05-18 | 2020-09-29 | 天津大学 | 一种用于长形地面目标检测网络的检测方法 |
CN111738110A (zh) * | 2020-06-10 | 2020-10-02 | 杭州电子科技大学 | 基于多尺度注意力机制的遥感图像车辆目标检测方法 |
CN111797826A (zh) * | 2020-05-14 | 2020-10-20 | 中国三峡建设管理有限公司 | 大骨料集中区域检测方法和装置及其网络模型训练方法 |
CN111814726A (zh) * | 2020-07-20 | 2020-10-23 | 南京工程学院 | 一种探测机器人视觉目标检测方法 |
CN111914726A (zh) * | 2020-07-28 | 2020-11-10 | 联芯智能(南京)科技有限公司 | 基于多通道自适应注意力机制的行人检测方法 |
CN111915613A (zh) * | 2020-08-11 | 2020-11-10 | 华侨大学 | 一种图像实例分割方法、装置、设备及存储介质 |
CN112084868A (zh) * | 2020-08-10 | 2020-12-15 | 北京航空航天大学 | 一种基于注意力机制的遥感图像中目标计数方法 |
CN112101189A (zh) * | 2020-09-11 | 2020-12-18 | 北京航空航天大学 | 基于注意力机制的sar图像目标检测方法及测试平台 |
CN112149591A (zh) * | 2020-09-28 | 2020-12-29 | 长沙理工大学 | 用于sar图像的ssd-aeff自动桥梁检测方法及*** |
CN112149661A (zh) * | 2020-08-07 | 2020-12-29 | 珠海欧比特宇航科技股份有限公司 | 车牌识别方法、装置及介质 |
CN112163580A (zh) * | 2020-10-12 | 2021-01-01 | 中国石油大学(华东) | 一种基于注意力机制的小目标检测算法 |
CN112183414A (zh) * | 2020-09-29 | 2021-01-05 | 南京信息工程大学 | 一种基于混合空洞卷积的弱监督遥感目标检测方法 |
CN112329658A (zh) * | 2020-11-10 | 2021-02-05 | 江苏科技大学 | 一种对于yolov3网络的检测算法改进方法 |
CN112364754A (zh) * | 2020-11-09 | 2021-02-12 | 云南电网有限责任公司迪庆供电局 | 螺栓缺陷检测方法及*** |
CN112464787A (zh) * | 2020-11-25 | 2021-03-09 | 北京航空航天大学 | 基于空间融合注意力的遥感图像舰船目标细粒度分类方法 |
CN112487900A (zh) * | 2020-11-20 | 2021-03-12 | 中国人民解放军战略支援部队航天工程大学 | 一种基于特征融合的sar图像舰船目标检测方法 |
CN112560828A (zh) * | 2021-02-25 | 2021-03-26 | 佛山科学技术学院 | 一种轻量级口罩人脸识别方法、***、存储介质及设备 |
CN112560907A (zh) * | 2020-12-02 | 2021-03-26 | 西安电子科技大学 | 基于混合域注意力的有限像素红外无人机目标检测方法 |
CN112749734A (zh) * | 2020-12-29 | 2021-05-04 | 北京环境特性研究所 | 一种基于可迁移注意力机制的领域自适应的目标检测方法 |
CN112784779A (zh) * | 2021-01-28 | 2021-05-11 | 武汉大学 | 一种基于特征金字塔多级特征融合的遥感影像场景分类方法 |
CN112950546A (zh) * | 2021-02-03 | 2021-06-11 | 中南民族大学 | 一种钡餐造影图像的食道癌检测方法及*** |
CN113191374A (zh) * | 2021-05-19 | 2021-07-30 | 甘肃省地震局(中国地震局兰州地震研究所) | 基于金字塔注意力网络的PolSAR图像山脊线提取方法 |
CN113379603A (zh) * | 2021-06-10 | 2021-09-10 | 大连海事大学 | 一种基于深度学习的船舶目标检测方法 |
CN113408340A (zh) * | 2021-05-12 | 2021-09-17 | 北京化工大学 | 基于增强型特征金字塔的双极化sar小型船只检测方法 |
CN113469088A (zh) * | 2021-07-08 | 2021-10-01 | 西安电子科技大学 | 一种无源干扰场景下的sar图像舰船目标检测方法及*** |
CN113569720A (zh) * | 2021-07-26 | 2021-10-29 | 南京航空航天大学 | 一种舰船检测方法、***及装置 |
CN113658114A (zh) * | 2021-07-29 | 2021-11-16 | 南京理工大学 | 基于多尺度交叉注意力的接触网开口销缺陷目标检测方法 |
CN113673593A (zh) * | 2021-08-17 | 2021-11-19 | 辽宁工程技术大学 | 一种基于注意力机制的多尺度特征融合行人检测方法 |
CN113822383A (zh) * | 2021-11-23 | 2021-12-21 | 北京中超伟业信息安全技术股份有限公司 | 一种基于多域注意力机制的无人机检测方法及*** |
CN113903007A (zh) * | 2021-12-10 | 2022-01-07 | 宁波弘泰水利信息科技有限公司 | 一种用于水利行业的智能场景分析*** |
CN113989665A (zh) * | 2021-10-25 | 2022-01-28 | 电子科技大学 | 一种基于路由聚合感知fpn的sar船只检测方法 |
CN114119582A (zh) * | 2021-12-01 | 2022-03-01 | 安徽大学 | 一种合成孔径雷达图像目标检测方法 |
CN114418003A (zh) * | 2022-01-20 | 2022-04-29 | 北京科技大学 | 基于注意力机制及多尺寸信息提取的双图像识别分类方法 |
CN114494829A (zh) * | 2022-01-16 | 2022-05-13 | 西安电子科技大学 | 一种sar图像多尺度舰船目标检测方法 |
CN114529825A (zh) * | 2022-04-24 | 2022-05-24 | 城云科技(中国)有限公司 | 用于消防通道占用目标检测的目标检测模型、方法及应用 |
CN115272685A (zh) * | 2022-06-21 | 2022-11-01 | 北京科技大学 | 一种小样本sar舰船目标识别方法及装置 |
CN115359360A (zh) * | 2022-10-19 | 2022-11-18 | 福建亿榕信息技术有限公司 | 一种电力现场作业场景检测方法、***、设备和存储介质 |
CN116385889A (zh) * | 2023-06-07 | 2023-07-04 | 国网电力空间技术有限公司 | 基于铁路识别的电力巡检方法、装置、电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060215922A1 (en) * | 2001-03-08 | 2006-09-28 | Christof Koch | Computation of intrinsic perceptual saliency in visual environments, and applications |
GB2545661A (en) * | 2015-12-21 | 2017-06-28 | Nokia Technologies Oy | A method for analysing media content |
CN107274401A (zh) * | 2017-06-22 | 2017-10-20 | 中国人民解放军海军航空工程学院 | 一种基于视觉注意机制的高分辨率sar图像舰船检测方法 |
CN107358258A (zh) * | 2017-07-07 | 2017-11-17 | 西安电子科技大学 | 基于nsct双cnn通道和选择性注意机制的sar图像目标分类 |
CN108038519A (zh) * | 2018-01-30 | 2018-05-15 | 浙江大学 | 一种基于稠密的特征金字塔网络的宫颈图像处理方法及装置 |
CN108710830A (zh) * | 2018-04-20 | 2018-10-26 | 浙江工商大学 | 一种结合密集连接注意力金字塔残差网络和等距限制的人体3d姿势估计方法 |
CN109614985A (zh) * | 2018-11-06 | 2019-04-12 | 华南理工大学 | 一种基于密集连接特征金字塔网络的目标检测方法 |
-
2019
- 2019-04-30 CN CN201910362037.1A patent/CN110084210B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060215922A1 (en) * | 2001-03-08 | 2006-09-28 | Christof Koch | Computation of intrinsic perceptual saliency in visual environments, and applications |
GB2545661A (en) * | 2015-12-21 | 2017-06-28 | Nokia Technologies Oy | A method for analysing media content |
CN107274401A (zh) * | 2017-06-22 | 2017-10-20 | 中国人民解放军海军航空工程学院 | 一种基于视觉注意机制的高分辨率sar图像舰船检测方法 |
CN107358258A (zh) * | 2017-07-07 | 2017-11-17 | 西安电子科技大学 | 基于nsct双cnn通道和选择性注意机制的sar图像目标分类 |
CN108038519A (zh) * | 2018-01-30 | 2018-05-15 | 浙江大学 | 一种基于稠密的特征金字塔网络的宫颈图像处理方法及装置 |
CN108710830A (zh) * | 2018-04-20 | 2018-10-26 | 浙江工商大学 | 一种结合密集连接注意力金字塔残差网络和等距限制的人体3d姿势估计方法 |
CN109614985A (zh) * | 2018-11-06 | 2019-04-12 | 华南理工大学 | 一种基于密集连接特征金字塔网络的目标检测方法 |
Non-Patent Citations (6)
Title |
---|
FEI GAO等: "A novel visual attention method for target detection from SAR images", 《CHINESE JOURNAL OF AERONAUTICS》 * |
SHUO LIU等: "SAR image target detection in complex environments based on improved visual attention algorithm", 《EURASIP JOURNAL ON WIRELESS COMMUNICATIONS AND NETWORKING》 * |
WANG, JIZHOU等: "Simultaneous Ship Detection and Orientation Estimation in SAR Images Based on Attention Module and Angle Regression", 《SENSORS》 * |
YING YU等: "Hebbian-based neural networks for bottom-up visual attention and its applications to ship detection in SAR images", 《NEUROCOMPUTING》 * |
侯瑶淇: "基于多尺度深度网络和视觉注意机制的高分辨SAR图像目标检测与分类", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
王彦情;马雷;田原: "光学遥感图像舰船目标检测与识别综述", 《自动化学报》 * |
Cited By (85)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533084A (zh) * | 2019-08-12 | 2019-12-03 | 长安大学 | 一种基于自注意力机制的多尺度目标检测方法 |
CN110533084B (zh) * | 2019-08-12 | 2022-09-30 | 长安大学 | 一种基于自注意力机制的多尺度目标检测方法 |
CN110826588A (zh) * | 2019-08-29 | 2020-02-21 | 天津大学 | 一种基于注意力机制的排水管道缺陷检测方法 |
CN110782420A (zh) * | 2019-09-19 | 2020-02-11 | 杭州电子科技大学 | 一种基于深度学习的小目标特征表示增强方法 |
CN110705457A (zh) * | 2019-09-29 | 2020-01-17 | 核工业北京地质研究院 | 一种遥感影像建筑物变化检测方法 |
CN110705457B (zh) * | 2019-09-29 | 2024-01-19 | 核工业北京地质研究院 | 一种遥感影像建筑物变化检测方法 |
CN110807372A (zh) * | 2019-10-15 | 2020-02-18 | 哈尔滨工程大学 | 一种基于深度特征重组的快速光学遥感目标识别方法 |
CN110866907A (zh) * | 2019-11-12 | 2020-03-06 | 中原工学院 | 基于注意力机制的全卷积网络织物疵点检测方法 |
CN111179217A (zh) * | 2019-12-04 | 2020-05-19 | 天津大学 | 一种基于注意力机制的遥感图像多尺度目标检测方法 |
CN111091105A (zh) * | 2019-12-23 | 2020-05-01 | 郑州轻工业大学 | 基于新的边框回归损失函数的遥感图像目标检测方法 |
CN111242061A (zh) * | 2020-01-17 | 2020-06-05 | 电子科技大学 | 一种基于注意力机制的合成孔径雷达舰船目标检测方法 |
CN111368671A (zh) * | 2020-02-26 | 2020-07-03 | 电子科技大学 | 基于深度学习的sar图像舰船目标检测识别一体化方法 |
CN111369543B (zh) * | 2020-03-07 | 2024-06-04 | 北京工业大学 | 一种基于双重自注意力模块的快速花粉颗粒检测算法 |
CN111369543A (zh) * | 2020-03-07 | 2020-07-03 | 北京工业大学 | 一种基于双重自注意力模块的快速花粉颗粒检测算法 |
CN111401201A (zh) * | 2020-03-10 | 2020-07-10 | 南京信息工程大学 | 一种基于空间金字塔注意力驱动的航拍图像多尺度目标检测方法 |
CN111401201B (zh) * | 2020-03-10 | 2023-06-20 | 南京信息工程大学 | 一种基于空间金字塔注意力驱动的航拍图像多尺度目标检测方法 |
CN111563414A (zh) * | 2020-04-08 | 2020-08-21 | 西北工业大学 | 一种基于非局部特征增强的sar图像舰船目标检测方法 |
CN111563414B (zh) * | 2020-04-08 | 2022-03-01 | 西北工业大学 | 一种基于非局部特征增强的sar图像舰船目标检测方法 |
CN111612751A (zh) * | 2020-05-13 | 2020-09-01 | 河北工业大学 | 基于嵌入分组注意力模块的Tiny-yolov3网络的锂电池缺陷检测方法 |
CN111797826A (zh) * | 2020-05-14 | 2020-10-20 | 中国三峡建设管理有限公司 | 大骨料集中区域检测方法和装置及其网络模型训练方法 |
CN111563513A (zh) * | 2020-05-15 | 2020-08-21 | 电子科技大学 | 基于注意力机制的散焦模糊检测方法 |
CN111563513B (zh) * | 2020-05-15 | 2022-06-24 | 电子科技大学 | 基于注意力机制的散焦模糊检测方法 |
CN111723660A (zh) * | 2020-05-18 | 2020-09-29 | 天津大学 | 一种用于长形地面目标检测网络的检测方法 |
CN111563473B (zh) * | 2020-05-18 | 2022-03-18 | 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 |
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 |
CN111667468A (zh) * | 2020-05-28 | 2020-09-15 | 平安科技(深圳)有限公司 | 基于神经网络的oct图像病灶检测方法、装置及介质 |
CN111738110A (zh) * | 2020-06-10 | 2020-10-02 | 杭州电子科技大学 | 基于多尺度注意力机制的遥感图像车辆目标检测方法 |
CN111723748B (zh) * | 2020-06-22 | 2022-04-29 | 电子科技大学 | 一种红外遥感图像舰船检测方法 |
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 |
CN111814726B (zh) * | 2020-07-20 | 2023-09-22 | 南京工程学院 | 一种探测机器人视觉目标检测方法 |
CN111814726A (zh) * | 2020-07-20 | 2020-10-23 | 南京工程学院 | 一种探测机器人视觉目标检测方法 |
CN111914726B (zh) * | 2020-07-28 | 2024-05-07 | 联芯智能(南京)科技有限公司 | 基于多通道自适应注意力机制的行人检测方法 |
CN111914726A (zh) * | 2020-07-28 | 2020-11-10 | 联芯智能(南京)科技有限公司 | 基于多通道自适应注意力机制的行人检测方法 |
CN112149661A (zh) * | 2020-08-07 | 2020-12-29 | 珠海欧比特宇航科技股份有限公司 | 车牌识别方法、装置及介质 |
CN112084868A (zh) * | 2020-08-10 | 2020-12-15 | 北京航空航天大学 | 一种基于注意力机制的遥感图像中目标计数方法 |
CN111915613A (zh) * | 2020-08-11 | 2020-11-10 | 华侨大学 | 一种图像实例分割方法、装置、设备及存储介质 |
CN111915613B (zh) * | 2020-08-11 | 2023-06-13 | 华侨大学 | 一种图像实例分割方法、装置、设备及存储介质 |
CN112101189B (zh) * | 2020-09-11 | 2022-09-30 | 北京航空航天大学 | 基于注意力机制的sar图像目标检测方法及测试平台 |
CN112101189A (zh) * | 2020-09-11 | 2020-12-18 | 北京航空航天大学 | 基于注意力机制的sar图像目标检测方法及测试平台 |
CN112149591A (zh) * | 2020-09-28 | 2020-12-29 | 长沙理工大学 | 用于sar图像的ssd-aeff自动桥梁检测方法及*** |
CN112149591B (zh) * | 2020-09-28 | 2022-09-09 | 长沙理工大学 | 用于sar图像的ssd-aeff自动桥梁检测方法及*** |
CN112183414A (zh) * | 2020-09-29 | 2021-01-05 | 南京信息工程大学 | 一种基于混合空洞卷积的弱监督遥感目标检测方法 |
CN112163580B (zh) * | 2020-10-12 | 2022-05-03 | 中国石油大学(华东) | 一种基于注意力机制的小目标检测算法 |
CN112163580A (zh) * | 2020-10-12 | 2021-01-01 | 中国石油大学(华东) | 一种基于注意力机制的小目标检测算法 |
CN112364754B (zh) * | 2020-11-09 | 2024-05-14 | 云南电网有限责任公司迪庆供电局 | 螺栓缺陷检测方法及*** |
CN112364754A (zh) * | 2020-11-09 | 2021-02-12 | 云南电网有限责任公司迪庆供电局 | 螺栓缺陷检测方法及*** |
CN112329658B (zh) * | 2020-11-10 | 2024-04-02 | 江苏科技大学 | 一种对于yolov3网络的检测算法改进方法 |
CN112329658A (zh) * | 2020-11-10 | 2021-02-05 | 江苏科技大学 | 一种对于yolov3网络的检测算法改进方法 |
CN112487900B (zh) * | 2020-11-20 | 2022-11-15 | 中国人民解放军战略支援部队航天工程大学 | 一种基于特征融合的sar图像舰船目标检测方法 |
CN112487900A (zh) * | 2020-11-20 | 2021-03-12 | 中国人民解放军战略支援部队航天工程大学 | 一种基于特征融合的sar图像舰船目标检测方法 |
CN112464787B (zh) * | 2020-11-25 | 2022-07-08 | 北京航空航天大学 | 基于空间融合注意力的遥感图像舰船目标细粒度分类方法 |
CN112464787A (zh) * | 2020-11-25 | 2021-03-09 | 北京航空航天大学 | 基于空间融合注意力的遥感图像舰船目标细粒度分类方法 |
CN112560907B (zh) * | 2020-12-02 | 2024-05-28 | 西安电子科技大学 | 基于混合域注意力的有限像素红外无人机目标检测方法 |
CN112560907A (zh) * | 2020-12-02 | 2021-03-26 | 西安电子科技大学 | 基于混合域注意力的有限像素红外无人机目标检测方法 |
CN112749734B (zh) * | 2020-12-29 | 2024-01-05 | 北京环境特性研究所 | 一种基于可迁移注意力机制的领域自适应的目标检测方法 |
CN112749734A (zh) * | 2020-12-29 | 2021-05-04 | 北京环境特性研究所 | 一种基于可迁移注意力机制的领域自适应的目标检测方法 |
CN112784779A (zh) * | 2021-01-28 | 2021-05-11 | 武汉大学 | 一种基于特征金字塔多级特征融合的遥感影像场景分类方法 |
CN112950546B (zh) * | 2021-02-03 | 2023-10-31 | 中南民族大学 | 一种钡餐造影图像的食道癌检测方法及*** |
CN112950546A (zh) * | 2021-02-03 | 2021-06-11 | 中南民族大学 | 一种钡餐造影图像的食道癌检测方法及*** |
CN112560828A (zh) * | 2021-02-25 | 2021-03-26 | 佛山科学技术学院 | 一种轻量级口罩人脸识别方法、***、存储介质及设备 |
CN113408340A (zh) * | 2021-05-12 | 2021-09-17 | 北京化工大学 | 基于增强型特征金字塔的双极化sar小型船只检测方法 |
CN113408340B (zh) * | 2021-05-12 | 2024-03-29 | 北京化工大学 | 基于增强型特征金字塔的双极化sar小型船只检测方法 |
CN113191374A (zh) * | 2021-05-19 | 2021-07-30 | 甘肃省地震局(中国地震局兰州地震研究所) | 基于金字塔注意力网络的PolSAR图像山脊线提取方法 |
CN113379603B (zh) * | 2021-06-10 | 2024-03-15 | 大连海事大学 | 一种基于深度学习的船舶目标检测方法 |
CN113379603A (zh) * | 2021-06-10 | 2021-09-10 | 大连海事大学 | 一种基于深度学习的船舶目标检测方法 |
CN113469088A (zh) * | 2021-07-08 | 2021-10-01 | 西安电子科技大学 | 一种无源干扰场景下的sar图像舰船目标检测方法及*** |
CN113569720B (zh) * | 2021-07-26 | 2024-03-08 | 南京航空航天大学 | 一种舰船检测方法、***及装置 |
CN113569720A (zh) * | 2021-07-26 | 2021-10-29 | 南京航空航天大学 | 一种舰船检测方法、***及装置 |
CN113658114A (zh) * | 2021-07-29 | 2021-11-16 | 南京理工大学 | 基于多尺度交叉注意力的接触网开口销缺陷目标检测方法 |
CN113673593A (zh) * | 2021-08-17 | 2021-11-19 | 辽宁工程技术大学 | 一种基于注意力机制的多尺度特征融合行人检测方法 |
CN113989665B (zh) * | 2021-10-25 | 2023-04-07 | 电子科技大学 | 一种基于路由聚合感知fpn的sar船只检测方法 |
CN113989665A (zh) * | 2021-10-25 | 2022-01-28 | 电子科技大学 | 一种基于路由聚合感知fpn的sar船只检测方法 |
CN113822383A (zh) * | 2021-11-23 | 2021-12-21 | 北京中超伟业信息安全技术股份有限公司 | 一种基于多域注意力机制的无人机检测方法及*** |
CN114119582A (zh) * | 2021-12-01 | 2022-03-01 | 安徽大学 | 一种合成孔径雷达图像目标检测方法 |
CN114119582B (zh) * | 2021-12-01 | 2024-04-26 | 安徽大学 | 一种合成孔径雷达图像目标检测方法 |
CN113903007A (zh) * | 2021-12-10 | 2022-01-07 | 宁波弘泰水利信息科技有限公司 | 一种用于水利行业的智能场景分析*** |
CN114494829A (zh) * | 2022-01-16 | 2022-05-13 | 西安电子科技大学 | 一种sar图像多尺度舰船目标检测方法 |
CN114418003A (zh) * | 2022-01-20 | 2022-04-29 | 北京科技大学 | 基于注意力机制及多尺寸信息提取的双图像识别分类方法 |
CN114418003B (zh) * | 2022-01-20 | 2022-09-16 | 北京科技大学 | 基于注意力机制及多尺寸信息提取的双图像识别分类方法 |
CN114529825B (zh) * | 2022-04-24 | 2022-07-22 | 城云科技(中国)有限公司 | 用于消防通道占用目标检测的目标检测模型、方法及应用 |
CN114529825A (zh) * | 2022-04-24 | 2022-05-24 | 城云科技(中国)有限公司 | 用于消防通道占用目标检测的目标检测模型、方法及应用 |
CN115272685A (zh) * | 2022-06-21 | 2022-11-01 | 北京科技大学 | 一种小样本sar舰船目标识别方法及装置 |
CN115359360A (zh) * | 2022-10-19 | 2022-11-18 | 福建亿榕信息技术有限公司 | 一种电力现场作业场景检测方法、***、设备和存储介质 |
CN116385889B (zh) * | 2023-06-07 | 2023-09-19 | 国网电力空间技术有限公司 | 基于铁路识别的电力巡检方法、装置、电子设备 |
CN116385889A (zh) * | 2023-06-07 | 2023-07-04 | 国网电力空间技术有限公司 | 基于铁路识别的电力巡检方法、装置、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110084210B (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084210A (zh) | 基于注意力金字塔网络的sar图像多尺度舰船检测方法 | |
Chen et al. | A deep neural network based on an attention mechanism for SAR ship detection in multiscale and complex scenarios | |
CN109711295A (zh) | 一种光学遥感图像近岸舰船检测方法 | |
Chen et al. | Ship detection from coastal surveillance videos via an ensemble Canny-Gaussian-morphology framework | |
CN106127204B (zh) | 一种全卷积神经网络的多方向水表读数区域检测算法 | |
CN110427981A (zh) | 基于深度神经网络的sar船舶检测***及方法 | |
CN105528619B (zh) | 基于小波变换和svm的sar遥感影像变化检测方法 | |
CN107016357A (zh) | 一种基于时间域卷积神经网络的视频行人检测方法 | |
CN109766830A (zh) | 一种基于人工智能图像处理的舰船目标识别***及方法 | |
CN109657541A (zh) | 一种基于深度学习的无人机航拍图像中的船舶检测方法 | |
CN109712127B (zh) | 一种用于机巡视频流的输电线路故障检测方法 | |
CN110516606A (zh) | 高分辨率卫星影像任意方向舰船目标检测方法 | |
CN114612769B (zh) | 一种融入局部结构信息的集成感知红外成像舰船检测方法 | |
Wang et al. | Ship detection based on fused features and rebuilt YOLOv3 networks in optical remote-sensing images | |
CN109784278A (zh) | 基于深度学习的海上弱小运动船舶实时检测方法 | |
CN113657252B (zh) | 基于编码解码器的高效sar图像船舶目标检测方法 | |
CN116343045B (zh) | 基于YOLO v5的轻量化SAR图像舰船目标检测方法 | |
CN110414509A (zh) | 基于海陆分割和特征金字塔网络的港口停靠舰船检测方法 | |
CN109583424A (zh) | 一种基于衰减置信度的重叠舰船目标候选框筛选方法 | |
Zhou et al. | PVT-SAR: An arbitrarily oriented SAR ship detector with pyramid vision transformer | |
Zhang et al. | Nearshore vessel detection based on Scene-mask R-CNN in remote sensing image | |
CN115995041A (zh) | 基于注意力机制的sar图像多尺度舰船目标检测方法和装置 | |
Kong et al. | Lightweight algorithm for multi-scale ship detection based on high-resolution SAR images | |
Zhou et al. | Automatic ship detection in SAR Image based on Multi-scale Faster R-CNN | |
Guo et al. | Closely arranged inshore ship detection using a bi-directional attention feature pyramid network |
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 |