CN110909642A - 一种基于多尺度语义特征融合的遥感图像目标检测方法 - Google Patents

一种基于多尺度语义特征融合的遥感图像目标检测方法 Download PDF

Info

Publication number
CN110909642A
CN110909642A CN201911108670.4A CN201911108670A CN110909642A CN 110909642 A CN110909642 A CN 110909642A CN 201911108670 A CN201911108670 A CN 201911108670A CN 110909642 A CN110909642 A CN 110909642A
Authority
CN
China
Prior art keywords
feature
features
map
remote sensing
image
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
Application number
CN201911108670.4A
Other languages
English (en)
Inventor
许春燕
李承政
崔振
张桐
杨健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201911108670.4A priority Critical patent/CN110909642A/zh
Publication of CN110909642A publication Critical patent/CN110909642A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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)
  • 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)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于多尺度语义特征融合的遥感图像目标检测方法，使用卷积神经网络提取遥感图像的特征图，根据特征图的不同尺度大小，构建出特征金字塔；通过对特征金字塔网络中多层特征的融合，输出整张图像的掩码图和语义特征图；再利用候选区域网络，从掩码加权过的特征金字塔中提取出不同尺度对应的候选区域框；根据这些候选区域框，在特征金字塔网络、全图的语义特征图和原始输入图像上获得候选区域对应的局部特征，对这些多层次的局部区域特征进行融合操作，得到更加鲁棒的区域特征；最后，在感兴趣区域网络中根据融合的区域特征进行各个候选区域的边界框偏移量回归和类别预测。本发明更好地对多种特征进行了融合，提高了遥感图像目标检测的精度。

Description

一种基于多尺度语义特征融合的遥感图像目标检测方法
技术领域
本发明涉及图像处理与深度学习技术领域，具体地说，是一种基于多尺度语义特征融合的遥感图像目标检测方法。
背景技术
遥感技术在日常生活中有着广泛的应用，可以作为交通管理、地表材质分析、地下资源勘探、自然灾害管理等多项任务的基础，那么对于其中的目标进行检测定位则有着至关重要的作用。例如由于遥感卫星成像时的姿态与高度的差异性，导致遥感图像中的目标在尺度上极其不统一，尺寸大小相差悬殊，且由于遥感图像背景的复杂性，背景信息对于目标物体有着很强的干扰性。
当前常用的Faster R-CNN检测器由于其没有对背景噪音进行特殊处理，因此容易受到复杂背景的影响，且由于在R-CNN阶段利用ROI Align取得区域特征时，仅考虑了单层特征，不能有效处理尺度变化悬殊的物体，因此直接应用于遥感图像中目标的检测，存在着很大的挑战性。
发明内容
本发明的目的在于提供一种基于多尺度语义特征融合的遥感图像目标检测方法，相比于其他遥感图像目标检测方法，可以更好地考虑不同尺度大小的特征图之间的联系，同时结合语义特征图和原始输入图像提高特征的表达能力，能够有效缓解遥感图像中尺度变化范围大、背景错综复杂的情况。
实现本发明目的的技术解决方案为：一种基于多尺度语义特征融合的遥感图像目标检测方法，包括如下步骤：
步骤1、使用卷积神经网络提取遥感图像的特征图，根据特征图的不同尺度大小，构建出特征金字塔；
步骤2、通过对特征金字塔网络中多层特征的融合，输出整张图像的掩码图和语义特征图；
步骤3、利用候选区域网络，从掩码加权过的特征金字塔中提取出不同尺度对应的候选区域框；
步骤4、根据得到的候选区域框，在特征金字塔网络、全图的语义特征图和原始输入图像上获得候选区域框的局部特征，并对这些多层次的局部区域特征进行融合操作，得到更加鲁棒的区域特征；
步骤5、在感兴趣区域网络中，根据融合的区域特征进行各个候选区域的边界框偏移量回归和分类预测。
本发明与现有技术相比，其显著优点为：1)本发明考虑了不同尺度大小的特征图之间的联系，利用多尺度特征图融合的方式来提高遥感图像中的不同尺寸大小的目标的检测精度；2)本发明通过进一步融合全图的语义特征和原始输入图像对局部的区域特征进行增强，提高特征的表达能力，进而再次提高遥感图像中目标检测的准确度。
附图说明
图1为本发明基于多尺度语义特征融合的遥感图像目标检测方法的示意图。
图2为本发明中融合多尺度特征输出全图的掩码图和语义特征图的示意图。
图3为本发明中利用ROI Align对多尺度特征、全图的语义特征和原始输入图像提取区域特征并进行融合的示意图。
具体实施方式
下面结合说明书附图和实施例对本发明作进一步说明。
如图1所示，一种基于多尺度语义特征融合的遥感图像目标检测方法，包括如下步骤：
步骤1、使用卷积神经网络提取遥感图像的特征图，根据特征图的不同尺度大小，构建出特征金字塔；
作为一种具体实施方式，选用ResNet-101作为基础卷积神经网络。如图2左侧所示，首先让输入图片经过一次ResNet-101网络，得到一系列特征图，然后根据尺寸大小将卷积过程分为4个不同的阶段(即每个阶段的尺寸大小相同)，接着使用横向连接和自顶向下的连接将不同尺寸大小的特征图相应融合，分别输出作为融合过的特征图，其中最上层的特征图由原有最顶层的特征图下采样得到。在横向连接中，我们只需要利用一层卷积层将特征图的通道数转换为一样即可，然后与上采样过的高层特征图相融合，我们选择最简单的相加以简化网络的参数量。其过程可以表示为以下形式：
Pk＝f3×3(Up(Pk+1)+f1×1(Ck)) (1)
其中，Ck表示第k层原有的特征图，Pk表示第k层经过融合过的特征图(k由下往上成递增)，f1×1和f3×3表示1×1和3×3的卷积层，Up表示上采样。通过这个过程，我们可以得到多层特征融合过的特征金字塔，如图2左侧所示。
步骤2、通过对特征金字塔网络中多层特征的融合，输出整张图像的掩码图和语义特征图；
作为一种具体实施方式，在输出整张图片的掩码图和语义特征图之前，首先将步骤1中的多层特征融合为单个尺寸的特征图，如图2所示，首先对特征金字塔的各层输出上下采样到同一个尺寸，然后通过简单相加，再利用几层卷积层做后处理，接着分别利用2层1×1的卷积层输出全图的掩码图和语义特征图，在输出掩码图的过程中，将目标框内的像素值置为1，其余部分置为0，使用一个通道为1的掩码作为监督信号。在推理阶段，得到卷积层输出的掩码图之后，利用Sigmoid激活，将掩码值激活到0到1之间，如果想要得到二值化的掩码图，设置阈值为0.5，将大于0.5的像素置为1，其余置为0，得到二值化的掩码图；其过程可以表示为以下形式：
Figure BDA0002272076440000041
其中，Ffu表示融合的特征，Mask和Fseg分别表示全图的掩码图和语义特征图；Pk表示特征金字塔的第k层的输出，
Figure BDA0002272076440000042
表示上采样和下采样的操作，fpost表示对Ffu进行后处理的卷积操作，f1×1 1和f1×1 2分别表示输出掩码图和语义特征图的1×1卷积层，δ和ReLU为Sigmoid和ReLU激活函数。
步骤3、利用候选区域网络，从掩码加权过的特征金字塔中提取出不同尺度对应的候选区域框；
作为一种具体实施方式，在得到步骤2中的掩码图后，将该掩码图上下采样到与特征金字塔各层相同的尺寸后，与特征金字塔各层相乘得到加权过的特征图，接着利用候选区域网络得到每一层上的候选区域框。由于掩码图前景部分为1，背景部分为0，因此利用掩码图对特征进行加权可以有效抑制图像中的背景噪音。
步骤4、根据得到的候选区域框，在特征金字塔网络、全图的语义特征图和原始输入图像上获得候选区域框的局部特征，并对这些多层次的局部区域特征进行融合操作，得到更加鲁棒的区域特征；
作为一种具体实施方式，得到区域候选框后，接着在特征金字塔、全图语义特征图和原始输入图像上使用ROI Align操作，得到候选框内的局部特征，然后将这三个来源的特征融合为对应框的特征表示。其过程可以表示为以下形式：
Figure BDA0002272076440000051
其中，I表示原始输入图像，B表示候选区域框，ρ表示ROI Align操作，fc表示全连接层，由于输入图片的通道与特征不同，因此需要额外一层全连接层来转换通道。
步骤5、在感兴趣区域网络中，根据融合的区域特征进行各个候选区域的边界框偏移量回归和分类预测。
作为一种具体实施方式，把步骤4中得到的每个候选区域框对应的特征表示输入进感兴趣区域网络中，作进一步的边界框偏移量回归和分类预测，其中感兴趣区域网络由全连接层组成。
实施例
为了验证本发明方案的有效性，进行如下仿真实验。
首先，加载在ImageNet上预训练的ResNet-101模型参数作为初始化，将遥感图像输入到基础神经网络中，提取到各个阶段的特征图，利用上述所说的横向连接和自顶向下的连接构建一个特征金字塔，作为后续的操作基础特征。
然后，利用全图语义掩码模块生成整张图像的掩码图，并随掩码图输出语义特征图，由于每个目标都具有边界框的标注信息，因此可以生成对应框的掩码(即框内为1，框外为0)，将生成的掩码作为网络的监督，这里，我们使用Focalloss作为掩码损失函数。
其次，把得到的掩码图与特征金字塔中的各尺寸的特征相乘，利用候选区域网络得到若干个可能存在物体的候选区域，且这些候选区域与类别无关。
接着，利用得到的候选区域，在特征金字塔、全图的语义特征和原始输入图像上利用ROI Align操作获得每个候选区域的特征，并都处理成7*7的尺寸，即可以得到B*N*C*7*7的特征(其中B是每一批次的图片数量，N是候选框的数量，C是特征的通道数)，然后将每一个框的特征拉成一个一维向量，则可以得到B*N*(C*7*7)的特征。由于特征金字塔和语义特征的通道数相同，则可以得到B*N*(256*7*7)的特征，而原始输入图像上则是B*N*(3*7*7)。再分别使用2层全连接层让两个特征的维度都转换为B*N*1024，把他们相加，再用一层1024通道的全连接层处理作为输出特征，维度为B*N*1024。
最后，根据全连接层之后得到的特征，针对每一个位置框回归它的边界框偏移量和类别信息，其中边界框偏移量和最初的候选框做处理，即可得到最终的目标边界框的坐标。
由于遥感图像中的目标的尺寸差异很悬殊，大小物体的尺寸可能相差数十倍，而且有可能同一类别的物体由于遥感卫星的高度不同而导致尺寸大小也不同，因此需要多个尺寸不一的特征图来同时预测，这样才能满足遥感图像目标检测的需求。再加上遥感卫星采集的地理位置可能不相同，其背景信息错综复杂，会对最终的检测结果产生影响，本发明通过利用全图的掩码图来对图像中的背景进行抑制，可以有效减少背景噪音对检测结果的影响。
综上所述，本发明更好地考虑了遥感图像自身的特点，进一步提高了遥感图像中的目标检测的性能。

Claims (6)

1.一种基于多尺度语义特征融合的遥感图像目标检测方法，其特征在于，包括以下步骤：
步骤1、使用卷积神经网络提取遥感图像的特征图，根据特征图的不同尺度大小，构建出特征金字塔；
步骤2、通过对特征金字塔网络中多层特征的融合，输出整张图像的掩码图和语义特征图；
步骤3、利用候选区域网络，从掩码加权过的特征金字塔中提取出不同尺度对应的候选区域框；
步骤4、根据得到的候选区域框，在特征金字塔网络、全图的语义特征图和原始输入图像上获得候选区域框的局部特征，并对这些多层次的局部区域特征进行融合操作，得到更加鲁棒的区域特征；
步骤5、在感兴趣区域网络中，根据融合的区域特征进行各个候选区域的边界框偏移量回归和分类预测。
2.根据权利要求1所述的基于多尺度语义特征融合的遥感图像目标检测方法，其特征在于：所述步骤1中，首先选用ResNet-101网络对输入遥感图像进行特征提取，得到一系列特征图，然后根据尺寸大小将卷积过程分为4个不同的阶段，每个阶段的尺寸大小相同，接着使用横向连接和自顶向下的连接将不同尺寸大小的特征图相应融合，分别输出作为融合过的特征图，由此构建出具有5个不同尺度的特征金字塔，其中第五个尺度由第四个尺度的特征下采样得到。
3.根据权利要求1所述的基于多尺度语义特征融合的遥感图像目标检测方法，其特征在于，所述步骤2中，通过对特征金字塔的多层输出进行上下采样操作，将多层特征归一化到同一个尺寸，然后通过相加，再利用数层卷积层做后处理，接着分别利用2层
Figure DEST_PATH_IMAGE002
的卷积层输出全图的掩码图和语义特征图。
4.根据权利要求1所述的基于多尺度语义特征融合的遥感图像目标检测方法，其特征在于：步骤3中，将步骤2中得到的掩码图再次上下采样到金字塔网络中对应的尺度，与特征金字塔中的特征图逐元素相乘，通过特征图加权的方式，对特征图中的背景噪音进行抑制，接着在候选区域网络中，利用两层
Figure DEST_PATH_IMAGE002A
的卷积层进行候选区域框的回归和分类。
5.根据权利要求1所述的基于多尺度语义特征融合的遥感图像目标检测方法，其特征在于，步骤4中，利用ROIAlign操作基于步骤3中得到的候选区域，在特征金字塔网络、全图语义特征图和原始输入图像上获得候选区域内的局部特征，并将多来源的局部特征进行融合。
6.根据权利要求1所述的基于多尺度语义特征融合的遥感图像目标检测方法，其特征在于，步骤5中，使用多层语义特征融合之后的区域局部特征作为当前候选框的特征，使用全连接层进行各个候选区域的边界框偏移量回归和分类预测。
CN201911108670.4A 2019-11-13 2019-11-13 一种基于多尺度语义特征融合的遥感图像目标检测方法 Pending CN110909642A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911108670.4A CN110909642A (zh) 2019-11-13 2019-11-13 一种基于多尺度语义特征融合的遥感图像目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911108670.4A CN110909642A (zh) 2019-11-13 2019-11-13 一种基于多尺度语义特征融合的遥感图像目标检测方法

Publications (1)

Publication Number Publication Date
CN110909642A true CN110909642A (zh) 2020-03-24

Family

ID=69817563

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911108670.4A Pending CN110909642A (zh) 2019-11-13 2019-11-13 一种基于多尺度语义特征融合的遥感图像目标检测方法

Country Status (1)

Country Link
CN (1) CN110909642A (zh)

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111539458A (zh) * 2020-04-02 2020-08-14 咪咕文化科技有限公司 特征图处理方法、装置、电子设备及存储介质
CN111598030A (zh) * 2020-05-21 2020-08-28 山东大学 一种航拍图像中车辆检测和分割的方法及***
CN111611861A (zh) * 2020-04-22 2020-09-01 杭州电子科技大学 一种基于多尺度特征关联的图像变化检测方法
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
CN111860398A (zh) * 2020-07-28 2020-10-30 河北师范大学 遥感图像目标检测方法、***及终端设备
CN112084869A (zh) * 2020-08-10 2020-12-15 北京航空航天大学 一种基于紧致四边形表示的建筑物目标检测方法
CN112101277A (zh) * 2020-09-24 2020-12-18 湖南大学 一种图像语义特征约束的遥感目标检测方法
CN112149547A (zh) * 2020-09-17 2020-12-29 南京信息工程大学 基于图像金字塔引导和像素对匹配的遥感影像水体识别
CN112270279A (zh) * 2020-11-02 2021-01-26 重庆邮电大学 一种基于多维的遥感图像微小目标检测方法
CN112288694A (zh) * 2020-10-19 2021-01-29 武汉大学 一种基于掩膜区域卷积神经网的变电设备缺陷识别的方法
CN112307976A (zh) * 2020-10-30 2021-02-02 北京百度网讯科技有限公司 目标检测方法、装置、电子设备以及存储介质
CN112419292A (zh) * 2020-11-30 2021-02-26 深圳云天励飞技术股份有限公司 病理图像的处理方法、装置、电子设备及存储介质
CN112529005A (zh) * 2020-12-11 2021-03-19 西安电子科技大学 基于语义特征一致性监督金字塔网络的目标检测方法
CN112597329A (zh) * 2020-12-21 2021-04-02 华南理工大学 一种基于改进的语义分割网络的实时图像检索方法
CN112733686A (zh) * 2020-12-31 2021-04-30 武汉兴图新科电子股份有限公司 用于云联邦的图像中的目标物识别方法及装置
CN112837367A (zh) * 2021-01-27 2021-05-25 清华大学 语义分解式物***姿估计方法及***
CN113065548A (zh) * 2021-03-10 2021-07-02 国网河北省电力有限公司 基于特征的文本检测方法及装置
CN113111740A (zh) * 2021-03-27 2021-07-13 西北工业大学 一种遥感图像目标检测的特征编织方法
CN113269734A (zh) * 2021-05-14 2021-08-17 成都市第三人民医院 一种基于元学习特征融合策略的肿瘤图像检测方法及装置
CN113283475A (zh) * 2021-04-27 2021-08-20 南方电网数字电网研究院有限公司 目标检测方法、装置、设备和存储介质
CN113297961A (zh) * 2021-05-24 2021-08-24 南京邮电大学 一种基于边界特征融合孪生循环神经网络的目标跟踪方法
CN113361662A (zh) * 2021-07-22 2021-09-07 全图通位置网络有限公司 一种城市轨道交通遥感图像数据的处理***及方法
CN113469286A (zh) * 2021-07-27 2021-10-01 北京信息科技大学 一种基于区域卷积神经网络的航天器多局部构件检测方法
WO2022134464A1 (zh) * 2020-12-25 2022-06-30 平安科技（深圳）有限公司 目标检测定位置信度确定方法、装置、电子设备及存储介质
CN114708511A (zh) * 2022-06-01 2022-07-05 成都信息工程大学 基于多尺度特征融合和特征增强的遥感图像目标检测方法
CN115272242A (zh) * 2022-07-29 2022-11-01 西安电子科技大学 一种基于YOLOv5的光学遥感图像目标检测方法
CN117036967A (zh) * 2023-10-08 2023-11-10 江西师范大学 一种非视觉感知区域通道注意力的遥感图像描述方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764063A (zh) * 2018-05-07 2018-11-06 华中科技大学 一种基于特征金字塔的遥感影像时敏目标识别***及方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764063A (zh) * 2018-05-07 2018-11-06 华中科技大学 一种基于特征金字塔的遥感影像时敏目标识别***及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHENGZHENG LI等: "Learning Object-Wise Semantic Representation for Detection in Remote Sensing Imagery", 《CVF》 *

Cited By (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111539458A (zh) * 2020-04-02 2020-08-14 咪咕文化科技有限公司 特征图处理方法、装置、电子设备及存储介质
CN111539458B (zh) * 2020-04-02 2024-02-27 咪咕文化科技有限公司 特征图处理方法、装置、电子设备及存储介质
CN111611861A (zh) * 2020-04-22 2020-09-01 杭州电子科技大学 一种基于多尺度特征关联的图像变化检测方法
CN111611861B (zh) * 2020-04-22 2023-05-05 杭州电子科技大学 一种基于多尺度特征关联的图像变化检测方法
CN111598030A (zh) * 2020-05-21 2020-08-28 山东大学 一种航拍图像中车辆检测和分割的方法及***
CN111598030B (zh) * 2020-05-21 2023-06-16 山东大学 一种航拍图像中车辆检测和分割的方法及***
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
CN111860398A (zh) * 2020-07-28 2020-10-30 河北师范大学 遥感图像目标检测方法、***及终端设备
CN111860398B (zh) * 2020-07-28 2022-05-10 河北师范大学 遥感图像目标检测方法、***及终端设备
CN112084869A (zh) * 2020-08-10 2020-12-15 北京航空航天大学 一种基于紧致四边形表示的建筑物目标检测方法
CN112084869B (zh) * 2020-08-10 2023-04-07 北京航空航天大学 一种基于紧致四边形表示的建筑物目标检测方法
CN112149547A (zh) * 2020-09-17 2020-12-29 南京信息工程大学 基于图像金字塔引导和像素对匹配的遥感影像水体识别
CN112149547B (zh) * 2020-09-17 2023-06-02 南京信息工程大学 基于图像金字塔引导和像素对匹配的遥感影像水体识别方法
CN112101277B (zh) * 2020-09-24 2023-07-28 湖南大学 一种图像语义特征约束的遥感目标检测方法
CN112101277A (zh) * 2020-09-24 2020-12-18 湖南大学 一种图像语义特征约束的遥感目标检测方法
CN112288694A (zh) * 2020-10-19 2021-01-29 武汉大学 一种基于掩膜区域卷积神经网的变电设备缺陷识别的方法
CN112288694B (zh) * 2020-10-19 2022-10-04 武汉大学 基于掩膜区域卷积神经网络的变电设备缺陷识别的方法
CN112307976A (zh) * 2020-10-30 2021-02-02 北京百度网讯科技有限公司 目标检测方法、装置、电子设备以及存储介质
CN112307976B (zh) * 2020-10-30 2024-05-10 北京百度网讯科技有限公司 目标检测方法、装置、电子设备以及存储介质
CN112270279A (zh) * 2020-11-02 2021-01-26 重庆邮电大学 一种基于多维的遥感图像微小目标检测方法
CN112270279B (zh) * 2020-11-02 2022-04-12 重庆邮电大学 一种基于多维的遥感图像微小目标检测方法
CN112419292A (zh) * 2020-11-30 2021-02-26 深圳云天励飞技术股份有限公司 病理图像的处理方法、装置、电子设备及存储介质
CN112419292B (zh) * 2020-11-30 2024-03-26 深圳云天励飞技术股份有限公司 病理图像的处理方法、装置、电子设备及存储介质
CN112529005A (zh) * 2020-12-11 2021-03-19 西安电子科技大学 基于语义特征一致性监督金字塔网络的目标检测方法
CN112529005B (zh) * 2020-12-11 2022-12-06 西安电子科技大学 基于语义特征一致性监督金字塔网络的目标检测方法
CN112597329A (zh) * 2020-12-21 2021-04-02 华南理工大学 一种基于改进的语义分割网络的实时图像检索方法
CN112597329B (zh) * 2020-12-21 2022-12-16 华南理工大学 一种基于改进的语义分割网络的实时图像检索方法
WO2022134464A1 (zh) * 2020-12-25 2022-06-30 平安科技（深圳）有限公司 目标检测定位置信度确定方法、装置、电子设备及存储介质
CN112733686A (zh) * 2020-12-31 2021-04-30 武汉兴图新科电子股份有限公司 用于云联邦的图像中的目标物识别方法及装置
CN112837367A (zh) * 2021-01-27 2021-05-25 清华大学 语义分解式物***姿估计方法及***
CN112837367B (zh) * 2021-01-27 2022-11-25 清华大学 语义分解式物***姿估计方法及***
CN113065548A (zh) * 2021-03-10 2021-07-02 国网河北省电力有限公司 基于特征的文本检测方法及装置
CN113111740A (zh) * 2021-03-27 2021-07-13 西北工业大学 一种遥感图像目标检测的特征编织方法
CN113283475A (zh) * 2021-04-27 2021-08-20 南方电网数字电网研究院有限公司 目标检测方法、装置、设备和存储介质
CN113269734A (zh) * 2021-05-14 2021-08-17 成都市第三人民医院 一种基于元学习特征融合策略的肿瘤图像检测方法及装置
CN113297961B (zh) * 2021-05-24 2023-11-17 南京邮电大学 一种基于边界特征融合孪生循环神经网络的目标跟踪方法
CN113297961A (zh) * 2021-05-24 2021-08-24 南京邮电大学 一种基于边界特征融合孪生循环神经网络的目标跟踪方法
CN113361662B (zh) * 2021-07-22 2023-08-29 全图通位置网络有限公司 一种城市轨道交通遥感图像数据的处理***及方法
CN113361662A (zh) * 2021-07-22 2021-09-07 全图通位置网络有限公司 一种城市轨道交通遥感图像数据的处理***及方法
CN113469286A (zh) * 2021-07-27 2021-10-01 北京信息科技大学 一种基于区域卷积神经网络的航天器多局部构件检测方法
CN114708511B (zh) * 2022-06-01 2022-08-16 成都信息工程大学 基于多尺度特征融合和特征增强的遥感图像目标检测方法
CN114708511A (zh) * 2022-06-01 2022-07-05 成都信息工程大学 基于多尺度特征融合和特征增强的遥感图像目标检测方法
CN115272242A (zh) * 2022-07-29 2022-11-01 西安电子科技大学 一种基于YOLOv5的光学遥感图像目标检测方法
CN115272242B (zh) * 2022-07-29 2024-02-27 西安电子科技大学 一种基于YOLOv5的光学遥感图像目标检测方法
CN117036967A (zh) * 2023-10-08 2023-11-10 江西师范大学 一种非视觉感知区域通道注意力的遥感图像描述方法
CN117036967B (zh) * 2023-10-08 2024-01-19 江西师范大学 一种非视觉感知区域通道注意力的遥感图像描述方法

Similar Documents

Publication Publication Date Title
CN110909642A (zh) 一种基于多尺度语义特征融合的遥感图像目标检测方法
CN111210443B (zh) 基于嵌入平衡的可变形卷积混合任务级联语义分割方法
CN109584248B (zh) 基于特征融合和稠密连接网络的红外面目标实例分割方法
CN108460411B (zh) 实例分割方法和装置、电子设备、程序和介质
US20200234447A1 (en) Computer vision system and method
CN110782420A (zh) 一种基于深度学习的小目标特征表示增强方法
CN111524135A (zh) 基于图像增强的输电线路细小金具缺陷检测方法及***
CN111932553A (zh) 基于区域描述自注意力机制的遥感图像语义分割方法
CN110443258B (zh) 文字检测方法、装置、电子设备及存储介质
CN113936256A (zh) 一种图像目标检测方法、装置、设备以及存储介质
CN104299006A (zh) 一种基于深度神经网络的车牌识别方法
KR20200087808A (ko) 인스턴스 분할 방법 및 장치, 전자 기기, 프로그램 및 매체
CN113901900A (zh) 一种同源或异源遥感图像用无监督变化检测方法及***
CN113096140B (zh) 实例分割方法及装置、电子设备及存储介质
US10755146B2 (en) Network architecture for generating a labeled overhead image
CN112308856A (zh) 遥感图像的目标检测方法、装置、电子设备及介质
CN115035295B (zh) 一种基于共享卷积核和边界损失函数的遥感图像语义分割方法
CN116797787B (zh) 基于跨模态融合与图神经网络的遥感影像语义分割方法
CN115311454A (zh) 一种基于残差特征优化和注意力机制的图像分割方法
CN112766409A (zh) 一种遥感图像目标检测的特征融合方法
CN112950780A (zh) 一种基于遥感影像的网络地图智能生成方法及***
CN113239736A (zh) 一种基于多源遥感数据的土地覆盖分类标注图获取方法、存储介质及***
CN111444923A (zh) 自然场景下图像语义分割方法和装置
CN112101153A (zh) 基于感受野模块与多重特征金字塔的遥感目标检测方法
CN116645592A (zh) 一种基于图像处理的裂缝检测方法和存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200324

RJ01 Rejection of invention patent application after publication