CN110826691A - 基于yolo和lstm的地震速度谱智能拾取方法 - Google Patents
基于yolo和lstm的地震速度谱智能拾取方法 Download PDFInfo
- Publication number
- CN110826691A CN110826691A CN201910973522.2A CN201910973522A CN110826691A CN 110826691 A CN110826691 A CN 110826691A CN 201910973522 A CN201910973522 A CN 201910973522A CN 110826691 A CN110826691 A CN 110826691A
- Authority
- CN
- China
- Prior art keywords
- yolo
- lstm
- velocity spectrum
- neural network
- seismic velocity
- 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
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种基于YOLO和LSTM的地震速度谱智能拾取方法,具体包括:获取地震速度谱和相对应的人工拾取的“时间‑速度”对数据集,形成训练集;构建基于YOLO和LSTM的混合神经网络模型;利用“时间‑速度”对数据集,训练所述YOLO和LSTM的混合神经网络模型;利用所述YOLO和LSTM的混合神经网络模型对未知地震速度谱进行自动拾取,拾取结果以“时间—速度”对为序列输出。本发明的有益效果是:实现了完全自动化的速度拾取,而且具有更好的拾取效果,为地震速度谱自动拾取问题提供了一种新的解决方案。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于YOLO和LSTM的地震速度谱智能拾取方法。
背景技术
速度分析是常规地震数据处理中的重要环节之一,是地震后续处理的基础,如多次波压制、偏移成像、反演等。为了获取速度分析的结果,目前需要人工在速度谱上进行速度拾取,这样会花费大量的人力和时间。另外,拾取速度谱也并不是一个简单的机械的体力劳动,受制于地震噪声、多次波、侧面波、绕射波以及地质构造复杂性和地质构造的空间变化等的影响,需要受过训练的处理员的智力劳动才能得到正确和精度较高的速度拾取结果。因此,有必要研究一种快速又准确的速度谱自动拾取的方法,以降低地震处理人员的智力和体力劳动。
在常规速度分析方法中,我们通过固定零炮检距的双程反射时间,沿着不同速度定义的双曲线轨迹对共中心点道集进行叠加(或相关)来制作速度谱,其可作为图像并可以运用二维矩阵进行数学表达。
我们可以从速度谱中寻找能量峰值并进行拾取叠加速度的拾取——获得一系列的“时间-速度”对。这些“时间—速度”对,在速度谱上存在着特定的空间关系,一般情况下,叠加速度会随着时间的增大而增大,说明“时间—速度”对具有明显的序列特征。因此,这些拾取的叠加速度可作为时间序列,速度谱图像的拾取过程实际上也可以看作为是一个二维矩阵到时间序列的映射。
发明内容
本发明为了解决现有技术中自动拾取速度谱的不足,提供一种基于YOLO和LSTM的地震速度谱智能拾取方法,首先利用大量的地震速度谱样本对由YOLO和LSTM构成的混合神经网络模型进行训练,在经过训练后,该模型通过模仿人脑学习的机制来掌握速度拾取的方法,其中YOLO模型在目标检测方面的优势来提取速度谱中能量峰值特征,即获取粗略的“时间—速度”对,LSTM隐藏单元的记忆模块通过保存“时间—速度”对的长间隔信息,并提取“时间—速度”对所具有的时序特性,从而对“时间—速度”对进行修正,以获得准确的识别结果。
本发明所采用的基于YOLO和LSTM的地震速度谱智能拾取方法,包含如下步骤:
S101:获取地震速度谱,并采集所述地震速度谱中的“时间-速度”对数据集;
S102:构建基于YOLO和LSTM的混合神经网络模型;
S103:将步骤S101中的所述“时间-速度”对数据集作为训练集,训练所述YOLO和LSTM的混合神经网络模型,得到训练好的YOLO和LSTM的混合神经网络模型;
S104:利用所述训练好的YOLO和LSTM的混合神经网络模型对未拾取的地震速度谱进行自动拾取,拾取结果以“时间—速度”对为序列输出。
进一步地,步骤S101具体如下:
S201:对来自于海上或者陆地上的炮集地震数据抽取多个共中心点道集,并对这些共中心点道集依次进行去噪和速度扫描,进而获得相应的地震速度谱;
S202:从所述地震速度谱中拾取“时间-速度”对,得到“时间—速度”对数据集。
进一步地,步骤S102具体如下:
S301:构建YOLO模型,采用的激活函数为LeakyReLU函数,计算公式为:
S302:利用YOLO模型将所述地震速度谱划分为n*n个网格,并对每个网格检测5个方框,则每个输入图像检测能量团的方框数目为n*n*5;n是根据能量团占输入的地震速度谱图像的面积比例具体设置;每个方框包含5个信息数据;所述5个信息数据分别为x、y、w、h和置信度;其中x和y是方框的中心坐标,w和h是方框的长和宽;置信度表示该方框存在速度谱能量团的预测得分,若不存在,则置信度设置为0,若存在,则其预测的置信度由确定;Pr(Object)表示该方框存在能量团的概率,表示真实方框与预测方框的交并比;
S303:YOLO模型预测每个网格存在能量团的概率,得到n*n*5*(5+1)个数据,并标识出所述地震速度谱中包含能量团的方框;
S304:构建基于LSTM模型的“时间—速度”对时间序列预测模块,其网络架构包含多层LSTM层;在步骤S303标识出的能量团的方框中选取具有最高置信度的方框中心坐标作为LSTM模型的输入,且输入层、输出层的维度和隐藏层的神经元节点数都为n*n*2,其中2代表能量团在地震速度谱上的横坐标和纵坐标,由此完成YOLO和LSTM混合神经网络模型的构建。
进一步地,步骤S301中所构建的YOLO模型,在所有的卷积层中,主要卷积核的大小设计为3*3或1*1;在不同卷积层上依次并联多个卷积结构。
进一步地,步骤S103中,将所述“时间-速度”对数据集作为训练集,训练所述YOLO和LSTM的混合神经网络模型时,采用随机梯度下降算法进行优化,并利用自适应学习率法更新YOLO和LSTM混合神经网络模型参数的学习率;当所述YOLO和LSTM的混合神经网络的损失值不再减小且精度不再提高,或达到预设的训练次数时,得到最终训练好的YOLO和LSTM的混合神经网络模型并保存。
步骤S104中,利用所述训练好的YOLO和LSTM的混合神经网络模型对未拾取的地震速度谱进行自动拾取,拾取结果以“时间—速度”对为序列输出,具体为:将未拾取的地震速度谱图像输入到已训练好的YOLO和LSTM的混合神经网络模型中,进行检测识别,得到“时间-速度”对序列。
本发明提供的技术方案带来的有益效果是:实现了完全自动化的速度拾取,而且具有更好的拾取效果,为地震速度谱自动拾取问题提供了一种新的解决方案。
附图说明
图1为本发明所述的基于YOLO和LSTM的地震速度谱智能拾取方法的流程图;
图2为本发明实施案例一种基于YOLO和LSTM的地震速度谱智能拾取方法中混合神经网络模型的YOLO结构示意图;
图3为本发明实施案例一种基于YOLO和LSTM的地震速度谱智能拾取方法中混合神经网络模型的LSTM结构示意图;
图4所示为本发明实施案例一种基于YOLO和LSTM的地震速度谱智能拾取方法两个实际地震速度谱的YOLO+LSTM混合神经网络模型的识别结果图;
图5所示为本发明实施案例一种基于YOLO和LSTM的地震速度谱智能拾取方法对海上实际地震资料进行速度谱拾取后得到的地震叠加时间剖面;图5(a)是利用人工拾取的叠加速度所计算的叠加剖面;图5(b)是利用YOLO+LSTM自动拾取的叠加速度所计算的叠加剖面。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地描述。
请参考图1和图2,本发明的实施例提供了一种基于YOLO和LSTM的地震速度谱智能拾取方法:
S101:获取地震速度谱,并采集所述地震速度谱中的“时间-速度”对数据集;
S102:构建基于YOLO和LSTM的混合神经网络模型;
S103:将步骤S101中的所述“时间-速度”对数据集作为训练集,训练所述YOLO和LSTM的混合神经网络模型,得到训练好的YOLO和LSTM的混合神经网络模型;
S104:利用所述训练好的YOLO和LSTM的混合神经网络模型对未拾取的地震速度谱进行自动拾取,拾取结果以“时间—速度”对为序列输出。
进一步地,步骤S101具体如下:
S201:对来自于海上或者陆地上的炮集地震数据抽取多个共中心点道集,并对这些共中心点道集依次进行去噪和速度扫描,进而获得相应的地震速度谱;
S202:从所述地震速度谱中拾取“时间-速度”对,得到“时间—速度”对数据集。
进一步地,步骤S102具体如下:
S301:构建YOLO模型,采用的激活函数为LeakyReLU函数,计算公式为:
S302:利用YOLO模型将所述地震速度谱划分为n*n个网格,并对每个网格检测5个方框,则每个输入图像检测能量团的方框数目为n*n*5;n是根据能量团占输入的地震速度谱图像的面积比例具体设置,当能量团所占比例越大时,n越小,能量团所占比例越小时,n越大;每个方框包含5个信息数据;所述5个信息数据分别为x、y、w、h和置信度;其中x和y是方框的中心坐标,w和h是方框的长和宽;置信度表示该方框存在速度谱能量团的预测得分,若不存在,则置信度设置为0,若存在,则其预测的置信度由确定;Pr(Object)表示该方框存在能量团的概率,表示真实方框与预测方框的交并比;
S303:YOLO模型预测每个网格存在能量团的概率,得到n*n*5*(5+1)个数据,并标识出所述地震速度谱中包含能量团的方框;
S304:构建基于LSTM模型的“时间—速度”对时间序列预测模块,其网络架构包含多层LSTM层;在步骤S303标识出的能量团的方框中选取具有最高置信度的方框中心坐标作为LSTM模型的输入,且输入层、输出层的维度和隐藏层的神经元节点数都为n*n*2,其中2代表能量团在地震速度谱上的横坐标和纵坐标,由此完成YOLO和LSTM混合神经网络模型的构建。
进一步地,步骤S301中所构建的YOLO模型,在所有的卷积层中,主要卷积核的大小设计为3*3或1*1;在不同卷积层上依次并联多个卷积结构。
进一步地,步骤S103中,将所述“时间-速度”对数据集作为训练集,训练所述YOLO和LSTM的混合神经网络模型时,采用随机梯度下降算法进行优化,并利用自适应学习率法更新YOLO和LSTM混合神经网络模型参数的学习率;当所述YOLO和LSTM的混合神经网络的损失值不再减小且精度不再提高,或达到预设的训练次数时,得到最终训练好的YOLO和LSTM的混合神经网络模型并保存;当不满足精度要求时,需要返回步骤S102,重新调整模型或者优化训练策略。所述重新调整YOLO和LSTM的混合神经网络模型或优化训练策略,具体包括:改变包括训练集、YOLO和LSTM的混合神经网络模型的初始值、基础学习率和学习率的衰减速率参数。
步骤S104中,利用所述训练好的YOLO和LSTM的混合神经网络模型对未拾取的地震速度谱进行自动拾取,拾取结果以“时间—速度”对为序列输出,具体为:将未拾取的地震速度谱图像输入到已训练好的YOLO和LSTM的混合神经网络模型中,进行检测识别,得到“时间-速度”对序列。
在步骤S104得到所述“时间-速度”对序列后,还对同一测线的多张地震速度谱的拾取结果进行差值从而得到叠加速度剖面,通过所述叠加速度剖面来评估人工拾取速度谱与方法自动拾取自动谱的结果。
实施例1
本实施例以一条海上二维地震测线为例,采用本发明提供的方法对该测线的地震速度谱进行自动拾取。利用本发明自动拾取地震速度谱的具体过程如下:
步骤1:从该海上二维地震测线中抽取出7000个共中心点道集,然后对这些共中心点道集进行预处理、去噪和速度扫描,获得相应的地震速度谱,并人工拾取叠加速度,从而获取地震速度谱数据集,其中,80%的地震速度谱作为训练集,20%作为测试集。
步骤2:利用本发明所提出的人工神经网络模型的构建方法来设计适用于本实施例的网络模型。本实施例的网络模型基于YOLO和LSTM的混合神经网络模型。
如图2所示是YOLO模型的网络架构,其中包含了26个卷积层,7个池化层和2个全连接层。在所有的卷积层中,主要卷积核的大小设计为3×3或者1×1。在不同卷积层依次设置了240×240×64,120×120×128,60×60×256,30×30×512,15×15×1024个特征矩阵,并在不同卷积层上依次并联60×60,30×30和15×15个卷积结构。YOLO模型中所采用的激活函数为Leaky ReLU激活函数,其计算公式为:
如图3所示是LSTM模型的网络架构。该模型包含2层LSTM层,其中第一层的输出为第二层的输入,并且该部分输入层、输出层的维度和隐藏层的神经元节点数都为15×15×2=450。
步骤3:将训练样本集输入到本实例所设计的混合神经网络模型中,每次随机输入100张彩色地震速度谱图像。采用随机梯度下降算法进行优化,并利用自适应学习率算法来更新所有模型参数的学习率。其中,基础学习率为0.01,步长为0.001,学习率的指数衰减速率为0.9,每当训练1000次时调整一次学习率,一共训练1万次,最后保存训练好的模型。
步骤4:将未拾取的地震速度谱图像输入到已训练好的YOLO和LSTM的混合神经网络模型中,该模型识别能量团中的位置,并得到“时间—速度”对,从而自动获取叠加速度。图4是两个实际速度谱的YOLO+LSTM模型的识别结果,其中方形点和星状点分别代表人工拾取结果和YOLO+LSTM模型识别结果。将同一测线的多张地震速度谱的拾取结果进行插值而得到叠加速度剖面,再利用叠加速度剖面对共中心点道集进行动校正和水平叠加,最终形成叠加剖面。图5显示了利用人工拾取的叠加速度和YOLO+LSTM模型自动拾取的叠加速度所得出的叠加剖面。其中,图5a是每间隔20个共中心点进行一次人工拾取叠加速度(共350个共中心点道集),图5b是采用YOLO+LSTM模型对7000个共中心点都进行了自动拾取叠加速度。
从上面所述的实施例可以看出,利用本发明的方法,其自动拾取的叠加速度与人工拾取的叠加速度相吻合,并且利用自动拾取的叠加速度所计算出的叠加剖面与人工拾取的反射同相轴总体上非常接近,完全可以替代人工拾取速度谱的工作,大大减轻地震处理员的劳动强度。
本发明提供的技术方案带来的有益效果是:实现了完全自动化的速度拾取,而且具有更好的拾取效果,为地震速度谱自动拾取问题提供了一种新的解决方案。
在本文中,所涉及的前、后、上、下等方位词是以附图中各装置位于图中以及设备相互之间的位置来定义的,只是为了表达技术方案的清楚及方便。应当理解,所述方位词的使用不应限制本申请请求保护的范围。
在不冲突的情况下,本文中上述实施例及实施例中的特征可以相互结合。
以上所述仅为本发明的较佳实施例,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 (6)
1.一种基于YOLO和LSTM的地震速度谱智能拾取方法,其特征在于:具体包括以下步骤:
S101:获取地震速度谱,并采集所述地震速度谱中的“时间-速度”对数据集;
S102:构建基于YOLO和LSTM的混合神经网络模型;
S103:将步骤S101中的所述“时间-速度”对数据集作为训练集,训练所述YOLO和LSTM的混合神经网络模型,得到训练好的YOLO和LSTM的混合神经网络模型;
S104:利用所述训练好的YOLO和LSTM的混合神经网络模型对未拾取的地震速度谱进行自动拾取,拾取结果以“时间—速度”对为序列输出。
2.如权利要求1所述的一种基于YOLO和LSTM的地震速度谱智能拾取方法,其特征在于:步骤S101具体如下:
S201:对来自于海上或者陆地上的炮集地震数据抽取多个共中心点道集,并对这些共中心点道集依次进行去噪和速度扫描,进而获得相应的地震速度谱;
S202:从所述地震速度谱中拾取“时间-速度”对,得到“时间—速度”对数据集。
3.如权利要求1所述的一种基于YOLO和LSTM的地震速度谱智能拾取方法,其特征在于:步骤S102具体如下:
S301:构建YOLO模型,采用的激活函数为LeakyReLU函数,计算公式为:
S302:利用YOLO模型将所述地震速度谱划分为n*n个网格,并对每个网格检测5个方框,则每个输入图像检测能量团的方框数目为n*n*5;n是根据能量团占输入的地震速度谱图像的面积比例预先设置;每个方框包含5个信息数据;所述5个信息数据分别为x、y、w、h和置信度;其中x和y是方框的中心坐标,w和h是方框的长和宽;置信度表示该方框存在速度谱能量团的预测得分,若不存在,则置信度设置为0,若存在,则其预测的置信度由确定;Pr(Object)表示该方框存在能量团的概率,表示真实方框与预测方框的交并比;
S303:YOLO模型预测每个网格存在能量团的概率,得到n*n*5*(5+1)个数据,并标识出所述地震速度谱中包含能量团的方框;
S304:构建基于LSTM模型的“时间—速度”对时间序列预测模块,其网络架构包含多层LSTM层;在步骤S303标识出的能量团的方框中选取具有最高置信度的方框中心坐标作为LSTM模型的输入,且输入层、输出层的维度和隐藏层的神经元节点数都为n*n*2,其中2代表能量团在地震速度谱上的横坐标和纵坐标,由此完成YOLO和LSTM混合神经网络模型的构建。
4.如权利要求3所述的一种基于YOLO和LSTM的地震速度谱智能拾取方法,其特征在于:步骤S301中所构建的YOLO模型,在所有的卷积层中,主要卷积核的大小设计为3*3或1*1;在不同卷积层上依次并联多个卷积结构。
5.如权利要求1所述的一种基于YOLO和LSTM的地震速度谱智能拾取方法,其特征在于:步骤S103中,将所述“时间-速度”对数据集作为训练集,训练所述YOLO和LSTM的混合神经网络模型时,采用随机梯度下降算法进行优化,并利用自适应学习率法更新YOLO和LSTM混合神经网络模型参数的学习率;当所述YOLO和LSTM的混合神经网络的损失值不再减小且精度不再提高,或达到预设的训练次数时,得到最终训练好的YOLO和LSTM的混合神经网络模型并保存。
6.如权利要求1所述的一种基于YOLO和LSTM的地震速度谱智能拾取方法,其特征在于:步骤S104中,利用所述训练好的YOLO和LSTM的混合神经网络模型对未拾取的地震速度谱进行自动拾取,拾取结果以“时间—速度”对为序列输出,具体为:将未拾取的地震速度谱图像输入到已训练好的YOLO和LSTM的混合神经网络模型中,进行检测识别,得到“时间-速度”对序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910973522.2A CN110826691A (zh) | 2019-10-14 | 2019-10-14 | 基于yolo和lstm的地震速度谱智能拾取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910973522.2A CN110826691A (zh) | 2019-10-14 | 2019-10-14 | 基于yolo和lstm的地震速度谱智能拾取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110826691A true CN110826691A (zh) | 2020-02-21 |
Family
ID=69549307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910973522.2A Pending CN110826691A (zh) | 2019-10-14 | 2019-10-14 | 基于yolo和lstm的地震速度谱智能拾取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110826691A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111444821A (zh) * | 2020-03-24 | 2020-07-24 | 西北工业大学 | 一种城市道路标志自动识别方法 |
CN111624653A (zh) * | 2020-04-20 | 2020-09-04 | 中国石油天然气股份有限公司 | 地震速度自动拾取方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971230A (zh) * | 2017-05-10 | 2017-07-21 | 中国石油大学(北京) | 基于深度学习的初至拾取方法及装置 |
CN108596327A (zh) * | 2018-03-27 | 2018-09-28 | 中国地质大学(武汉) | 一种基于深度学习的地震速度谱人工智能拾取方法 |
CN108932713A (zh) * | 2018-07-20 | 2018-12-04 | 成都指码科技有限公司 | 一种基于深度学习的焊缝气孔缺陷自动检测方法 |
-
2019
- 2019-10-14 CN CN201910973522.2A patent/CN110826691A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971230A (zh) * | 2017-05-10 | 2017-07-21 | 中国石油大学(北京) | 基于深度学习的初至拾取方法及装置 |
CN108596327A (zh) * | 2018-03-27 | 2018-09-28 | 中国地质大学(武汉) | 一种基于深度学习的地震速度谱人工智能拾取方法 |
CN108932713A (zh) * | 2018-07-20 | 2018-12-04 | 成都指码科技有限公司 | 一种基于深度学习的焊缝气孔缺陷自动检测方法 |
Non-Patent Citations (1)
Title |
---|
HAO ZHANG ET AL.: "Automatic velocity picking based on deep learning", 《SEG INTERNATIONAL EXPOSITION AND 89TH ANNUAL MEETING》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111444821A (zh) * | 2020-03-24 | 2020-07-24 | 西北工业大学 | 一种城市道路标志自动识别方法 |
CN111444821B (zh) * | 2020-03-24 | 2022-03-25 | 西北工业大学 | 一种城市道路标志自动识别方法 |
CN111624653A (zh) * | 2020-04-20 | 2020-09-04 | 中国石油天然气股份有限公司 | 地震速度自动拾取方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310862B (zh) | 复杂环境下基于图像增强的深度神经网络车牌定位方法 | |
CN106683048B (zh) | 一种图像超分辨率方法及设备 | |
CN111199214B (zh) | 一种残差网络多光谱图像地物分类方法 | |
CN110414577A (zh) | 一种基于深度学习的激光雷达点云多目标地物识别方法 | |
CN105678284B (zh) | 一种固定位人体行为分析方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN112101278A (zh) | 基于k近邻特征提取和深度学习的宅基地点云分类方法 | |
CN109165660A (zh) | 一种基于卷积神经网络的显著物体检测方法 | |
CN109271990A (zh) | 一种针对rgb-d图像的语义分割方法及装置 | |
CN112347970B (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
CN110826428A (zh) | 一种高速的sar图像中船只检测方法 | |
CN109753996B (zh) | 基于三维轻量化深度网络的高光谱图像分类方法 | |
CN114387520A (zh) | 一种用于机器人采摘的密集李子精准检测方法及其*** | |
Guirado et al. | Deep-learning convolutional neural networks for scattered shrub detection with *** earth imagery | |
CN114842208A (zh) | 一种基于深度学习的电网危害鸟种目标检测方法 | |
CN111783555A (zh) | 一种使用统一样本的深度学习卫星数据云检测算法 | |
CN106529458A (zh) | 一种面向高光谱图像的深度神经网络空间谱分类方法 | |
CN109919246A (zh) | 基于自适应特征聚类和多重损失融合的行人重识别方法 | |
CN116524183A (zh) | 一种基于多任务适配器微调的伪装目标检测方法 | |
CN110826691A (zh) | 基于yolo和lstm的地震速度谱智能拾取方法 | |
CN106845343A (zh) | 一种光学遥感图像海上平台自动检测方法 | |
CN113487600A (zh) | 一种特征增强尺度自适应感知船舶检测方法 | |
CN116168240A (zh) | 基于注意力增强的任意方向密集舰船目标检测方法 | |
CN114066735A (zh) | 基于最小一乘的稀疏采样傅里叶叠层成像人工神经网络重建方法 | |
CN107358625B (zh) | 基于SPP Net和感兴趣区域检测的SAR图像变化检测方法 |
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: 20200221 |