CN110991359A - 基于多尺度深度卷积神经网络的卫星图像目标检测方法 - Google Patents
基于多尺度深度卷积神经网络的卫星图像目标检测方法 Download PDFInfo
- Publication number
- CN110991359A CN110991359A CN201911243932.8A CN201911243932A CN110991359A CN 110991359 A CN110991359 A CN 110991359A CN 201911243932 A CN201911243932 A CN 201911243932A CN 110991359 A CN110991359 A CN 110991359A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data set
- scale
- satellite image
- target detection
- 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
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多尺度深度卷积神经网络的卫星图像目标检测方法,包括步骤收集卫星图像训练数据集,并进行样本标注;对卫星图像训练数据集进行预处理;搭建多尺度深度卷积神经网络;将预处理后的训练数据集输入到基于所述多尺度深度卷积神经网络的目标检测框架进行训练,获得训练好的目标检测神经网络;输入待检测卫星图像集,采用训练好的所述目标检测神经网络进行目标检测,输出识别结果。其显著效果是:提高了网络对于细粒度特征的检测结果以及区分不同物体的能力,改善了对于小物体和密集物体群的检测效果,具有更强的鲁棒性,有效地提高了目标检测效率,降低了硬件需求。
Description
技术领域
本发明涉及到基于卷积神经网络检测多尺度卫星图像目标的技术领域,具体涉及一种基于多尺度深度卷积神经网络的卫星图像目标检测方法。
背景技术
近年来基于深度学习的目标检测算法有了很大的效率提升,但基于卫星图像的处理还存在着一系列问题。卫星图像是十分重要的资源,可以通过它计量国土资源,检测地面情况并且能高瞻远瞩的记录地表发生的变化。
但是,由于卫星图像十分巨大而且其中的物体相对较小,缺乏高质量卫星图像的训练数据等问题,使得利用卫星图像进行目标检测是充满挑战的工作。例如:对于卫星图像中小物体和密集物体群的检测效果差强人意;现有目标检测算法对于不常见的比例或新的图像分布缺乏一定的泛化能力,同时由于物体可能的方向和尺寸比例各不相同,算法有限的比例变化对于特殊目标的检测就会失效;同时,现有目标检测算法都是对整幅图像进行处理的,但对于上亿像素的卫星图像来说,很难有硬件显卡内存可以满足如此大的需求。
发明内容
针对现有技术的不足,本发明的目的是提供一种基于多尺度深度卷积神经网络的卫星图像目标检测方法,以解决背景技术中所述的各种缺陷。
为达到上述目的,本发明采用的技术方案如下:
一种基于多尺度深度卷积神经网络的卫星图像目标检测方法,其关键在于:包括如下步骤:
步骤1:收集卫星图像训练数据集,并进行样本标注;
步骤2:对卫星图像训练数据集进行预处理;
步骤3:搭建多尺度深度卷积神经网络,搭建步骤如下:
步骤3.1:构建共有17层卷积层的基础分组卷积模块,并分别在第1、2、5、8层卷积层连接池化层;
步骤3.2:在步骤3.1的基础上构建残差连接卷积模块,将该残差连接卷积模块的每一层的每个输出端都依次连接批量归一化和LeakyReLu激活函数模块;
步骤3.3:在第15层卷积层后连接通道层,在最后一层卷积层的每个输出端连接线性激活函数模块,构成共有22层结构的多尺度深度卷积神经网络,并将该多尺度深度卷积神经网络的输出段连接Focal loss损失函数模块;
步骤4:将预处理后的训练数据集输入到基于所述多尺度深度卷积神经网络的目标检测框架进行训练,获得训练好的目标检测神经网络;
步骤5:输入待检测卫星图像集,采用训练好的所述目标检测神经网络进行目标检测,输出识别结果。
进一步的,步骤1中所述样本标注的样本包括汽车样本数据集、建筑平面样本数据集、飞机样本数据集、船只样本数据集与机场样本数据集,其中:
所述汽车样本数据集采用COWC数据集,基于15cm的GSD尺度,利用高斯核对图像进行处理,并在30cm的GSD尺度上为每辆车标注3m的边框;
所述建筑平面样本数据集采用SpaceNet数据集,在30cm的GSD尺度下进行样本的标注。
进一步的,步骤2中所述预处理过程的具体步骤为:
步骤2.1:按照预设的图像尺寸、重叠率对收集的卫星图像训练数据集进行旋转、切割处理;
步骤2.2:对切割处理后得到的训练数据块进行HSV增强处理,形成完整的训练数据集。
进一步的,步骤4中所述多尺度深度卷积神经网络的目标检测框架的训练过程为:
步骤4.1:选择训练过程使用的设备,并进行参数设置;
步骤4.2:在初始化的多尺度深度卷积神经网络的分类器上选择至少两个训练目标;
步骤4.3:根据不同的训练目标设置不同尺度的窗口,并基于不同的尺度对大型图像进行窗口滑动检测所述训练目标;
步骤4.4:经过所述多尺度深度卷积神经网络训练后获得各个所述训练目标的权重。
进一步的,所述训练设备为NVIDIA Titan X GPU;所述参数设置包括:学习率设为0.001,权重衰减设为0.0005,动量设为0.9。
进一步的,所述训练目标为船只和飞机。
进一步的,所述Focal loss损失函数的表达式为:
FL(pt)=-αt(1-pt)γlog(pt),
其中,αt为平衡参数,γ为抑制参数,pt为预测值。
进一步的,步骤5中对待检测卫星图像集进行目标检测的具体步骤如下:
步骤5.1:将待检测卫星图像以15%的重叠率切割成小图片,并输入所述目标检测神经网络;
步骤5.2:将检测后的小图片根据位置标记拼接成完整的图像,并在拼接后的图像上进行非极大值抑制处理,得到输出结果。
本发明对深度卷积神经网络的网络架构进行了改造,利用切割后的区域图像作为输入,采用多尺度检测方式来对图像进行目标检测的方法,从而提高了网络对于细粒度特征的检测结果以及区分不同物体的能力,对高分辨率输入和密集小物体进行了优化。同时由于传统目标检测算法对于不常见的比例或新的图像分布缺乏一定的泛化能力,故本专利对测试数据集进行了旋转和HSV(颜色空间转换)的随机增强,使算法对于不同传感器、大气条件和光照条件具有更强的鲁棒性。
本发明的显著效果是:
1、本发明对深度卷积神经网络架构进行了改造,提高了网络对于细粒度特征的检测结果以及区分不同物体的能力,改善了对于小物体和密集物体群的检测效果。
2、为了解决这一问题,本发明对数据进行了旋转和HSV(颜色空间转换)的随机增强,解决了传统目标检测算法对于不常见的比例或新的图像分布缺乏一定的泛化能力,以及由于物体可能的方向和尺寸比例各不相同,算法有限的比例变化对于特殊目标的检测就会失效等问题,对于不同传感器、大气条件和光照条件具有更强的鲁棒性。
3、现有的目标检测算法都是对整幅图像进行处理的,但对于上亿像素的卫星图像来说,很难有硬件显卡内存可以满足需求,本发明为了解决对于多尺度目标的高速检测,利用了区域图像作为输入,利用多尺度检测的方法,有效地提高了目标检测效率,降低了硬件需求。
附图说明
图1是本发明的方法流程图;
图2是所述多尺度深度卷积神经网络的结构示意图;
图3是检测结果图。
具体实施方式
下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。
如图1所示,一种基于多尺度深度卷积神经网络的卫星图像目标检测方法,具体步骤如下:
步骤1:收集卫星图像训练数据集,并进行样本标注;
本例中,所述样本标注的样本包括汽车样本数据集、建筑平面样本数据集、飞机样本数据集、船只样本数据集与机场样本数据集,其中:
所述汽车样本数据集采用COWC数据集,基于15cm的GSD尺度,利用高斯核对图像进行处理,并在30cm的GSD尺度上为每辆车标注3m的边框,共标注13303个样本;
所述建筑平面样本数据集采用SpaceNet数据集,在30cm的GSD尺度下进行样本的标注,共标注了221336个样本;
所述飞机样本数据集利用八张DigitalGlobe的图片,共标注了230个样本;
所述船只样本数据集利用三张DigitalGlobe的图片,共标注了556个样本;
所述机场样本数据集利用37张图片作为训练样本,其中包含机场跑道,并进行4比例的降采样。
步骤2:对卫星图像训练数据集进行预处理;
本例中,所述预处理过程的具体步骤为:
步骤2.1:使用python,按照预设的图像尺寸、重叠率对收集的卫星图像训练数据集进行旋转、切割处理;
步骤2.2:对切割处理后得到的训练数据块进行HSV(颜色空间转换)增强处理,形成完整的训练数据集。
步骤3:搭建多尺度深度卷积神经网络,搭建步骤如下:
步骤3.1:构建共有17层卷积层的基础分组卷积模块,并分别在第1、2、5、8层卷积层后连接最大池化层;
步骤3.2:在步骤3.1的基础上构建残差连接卷积模块,具体的过程为:在加入了最大池化层后,将第三层的最大池化输出直接连接到第六层的卷积输出后,将数据进行点对点的叠加,然后在输入最大池化层;将第七层的最大池化输出直接连接到第十层的卷积输出后,将数据进行点对点的叠加,然后在输入第11层的最大池化层;
然后,将该残差连接卷积模块的每一层的每个输出端都依次连接批量归一化(Batch Normalization)和LeakyReLu激活函数模块,其中,批量归一化处理是对卷积计算多个通道的输出数据分别进行批量标准化处理,每个通道都拥有独立的拉伸和偏移参数,且均为标量,使卷积层的输出服从正态分布,然后通过缩放和平移,将批量标准化计算的结果恢复到原始输入特性,这样可以提高训练速度,提升训练效果;
在卷积计算之后,使用标准化处理后的输出数据其各个特征的分布相近,再将经过标准化处理的输出数据传入激活函数中进行线性变换。所述激活函数的作用是将输入由线性转化为非线性,从而给网络增加了非线性因素,使网络更具表现力;
步骤3.3:在第15层卷积层后连接通道层,在最后一层卷积层的每个输出端连接线性激活函数模块,构成共有22层结构的多尺度深度卷积神经网络;
本例中针对数据不平衡情况,使用了一种能让模型快速收敛的Focal loss损失函数。Focal loss损失函数是在标准交叉熵损失基础上添加了平衡参数α和抑制参数γ,从而来优化正负样本数据不平衡情况和重点学习不易分类样本。
该多尺度深度卷积神经网络的输出采用Focal loss损失函数进行处理;
本例中,所述Focal loss损失函数的表达式为:
FL(pt)=-αt(1-pt)γlog(pt),
其中,αt为平衡参数,是用来平衡样本数量的;γ为抑制参数,相当于惩罚项,用来控制难分样本的挖掘;pt为预测输出;本发明中αt取0.25,γ取2,pt为预测值。
步骤4:将预处理后的训练数据集输入到基于所述多尺度深度卷积神经网络的目标检测框架进行训练,获得训练好的目标检测神经网络;
本例中,网络的训练过程为:
步骤4.1:选择NVIDIA Titan X GPU作为训练过程使用的设备,并进行参数设置,包括:学习率设为0.001,权重衰减设为0.0005,动量设为0.9;
步骤4.2:在初始化的多尺度深度卷积神经网络的分类器上选择两个训练目标:船只和飞机;
步骤4.3:根据不同的训练目标设置不同尺度的窗口:优化用于查找小型船只和飞机的120米窗口,以及适用于大型船只和商业客机的225米窗口,并基于不同的尺度对大型图像进行窗口滑动检测所述训练目标;
步骤4.4:经过所述多尺度深度卷积神经网络训练后获得各个所述训练目标的权重,数据训练在NVIDIA Titan X GPU上训练了2~3天的时间。
步骤5:经过多次训练迭代后,输入待检测卫星图像集,采用训练好的所述目标检测神经网络进行目标检测,输出识别结果,具体步骤如下:
步骤5.1:将待检测卫星图像以15%的重叠率切割成小图片,并输入所述目标检测神经网络;
步骤5.2:将检测后的小图片根据位置标记拼接成完整的图像,并在拼接后的图像上进行非极大值抑制(NMS)处理,得到输出结果,如图3所示,其中,图3(a)是汽车样本的识别结果图;图3(b)是建筑平面样本的识别结果图;图3(c)是船只样本的识别结果图;图3(d)是机场样本的识别结果图。
以上对本发明所提供的技术方案进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (8)
1.一种基于多尺度深度卷积神经网络的卫星图像目标检测方法,其特征在于包括如下步骤:
步骤1:收集卫星图像训练数据集,并进行样本标注;
步骤2:对卫星图像训练数据集进行预处理;
步骤3:搭建多尺度深度卷积神经网络,搭建步骤如下:
步骤3.1:构建共有17层卷积层的基础分组卷积模块,并分别在第1、2、5、8层卷积层连接池化层;
步骤3.2:在步骤3.1的基础上构建残差连接卷积模块,将该残差连接卷积模块的每一层的每个输出端都依次连接批量归一化和LeakyReLu激活函数模块;
步骤3.3:在第15层卷积层后连接通道层,在最后一层卷积层的每个输出端连接线性激活函数模块,构成共有22层结构的多尺度深度卷积神经网络,并将该多尺度深度卷积神经网络的输出段连接Focalloss损失函数模块;
步骤4:将预处理后的训练数据集输入到基于所述多尺度深度卷积神经网络的目标检测框架进行训练,获得训练好的目标检测神经网络;
步骤5:输入待检测卫星图像集,采用训练好的所述目标检测神经网络进行目标检测,输出识别结果。
2.根据权利要求1所述的基于多尺度深度卷积神经网络的卫星图像目标检测方法,其特征在于:步骤1中所述样本标注的样本包括汽车样本数据集、建筑平面样本数据集、飞机样本数据集、船只样本数据集与机场样本数据集,其中:
所述汽车样本数据集采用COWC数据集,基于15cm的GSD尺度,利用高斯核对图像进行处理,并在30cm的GSD尺度上为每辆车标注3m的边框;
所述建筑平面样本数据集采用SpaceNet数据集,在30cm的GSD尺度下进行样本的标注。
3.根据权利要求1所述的基于多尺度深度卷积神经网络的卫星图像目标检测方法,其特征在于:步骤2中所述预处理过程的具体步骤为:
步骤2.1:按照预设的图像尺寸、重叠率对收集的卫星图像训练数据集进行旋转、切割处理;
步骤2.2:对切割处理后得到的训练数据块进行HSV增强处理,形成完整的训练数据集。
4.根据权利要求1所述的基于多尺度深度卷积神经网络的卫星图像目标检测方法,其特征在于:步骤4中所述多尺度深度卷积神经网络的目标检测框架的训练过程为:
步骤4.1:选择训练过程使用的设备,并进行参数设置;
步骤4.2:在初始化的多尺度深度卷积神经网络的分类器上选择至少两个训练目标;
步骤4.3:根据不同的训练目标设置不同尺度的窗口,并基于不同的尺度对大型图像进行窗口滑动检测所述训练目标;
步骤4.4:经过所述多尺度深度卷积神经网络训练后获得各个所述训练目标的权重。
5.根据权利要求4所述的基于多尺度深度卷积神经网络的卫星图像目标检测方法,其特征在于:所述训练设备为NVIDIA Titan X GPU;所述参数设置包括:学习率设为0.001,权重衰减设为0.0005,动量设为0.9。
6.根据权利要求4所述的基于多尺度深度卷积神经网络的卫星图像目标检测方法,其特征在于:所述训练目标为船只和飞机。
7.根据权利要求1所述的基于多尺度深度卷积神经网络的卫星图像目标检测方法,其特征在于:所述Focal loss损失函数的表达式为:
FL(pt)=-αt(1-pt)γlog(pt),
其中,αt为平衡参数,γ为抑制参数,pt为预测值。
8.根据权利要求1所述的基于多尺度深度卷积神经网络的卫星图像目标检测方法,其特征在于:步骤5中对待检测卫星图像集进行目标检测的具体步骤如下:
步骤5.1:将待检测卫星图像以15%的重叠率切割成小图片,并输入所述目标检测神经网络;
步骤5.2:将检测后的小图片根据位置标记拼接成完整的图像,并在拼接后的图像上进行非极大值抑制处理,得到输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911243932.8A CN110991359A (zh) | 2019-12-06 | 2019-12-06 | 基于多尺度深度卷积神经网络的卫星图像目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911243932.8A CN110991359A (zh) | 2019-12-06 | 2019-12-06 | 基于多尺度深度卷积神经网络的卫星图像目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110991359A true CN110991359A (zh) | 2020-04-10 |
Family
ID=70090989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911243932.8A Pending CN110991359A (zh) | 2019-12-06 | 2019-12-06 | 基于多尺度深度卷积神经网络的卫星图像目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991359A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111619755A (zh) * | 2020-06-09 | 2020-09-04 | 中国船舶科学研究中心 | 一种基于卷积神经网络的船体型线设计方法 |
CN111950451A (zh) * | 2020-08-12 | 2020-11-17 | 南京师范大学 | 基于多尺度预测cnn及龙芯芯片的多类别目标识别方法 |
CN112560706A (zh) * | 2020-12-18 | 2021-03-26 | 广东电网有限责任公司电力科学研究院 | 一种多源卫星图像水体目标识别方法及装置 |
CN112751633A (zh) * | 2020-10-26 | 2021-05-04 | 中国人民解放军63891部队 | 一种基于多尺度窗口滑动的宽带频谱检测方法 |
CN115100266A (zh) * | 2022-08-24 | 2022-09-23 | 珠海翔翼航空技术有限公司 | 基于神经网络的数字化机场模型构建方法、***和设备 |
CN115546660A (zh) * | 2022-11-25 | 2022-12-30 | 成都国星宇航科技股份有限公司 | 基于视频卫星数据的目标检测方法、装置及设备 |
CN117726807A (zh) * | 2024-02-08 | 2024-03-19 | 北京理工大学 | 基于尺度和位置敏感性的红外小目标检测方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220703A (zh) * | 2016-12-29 | 2017-09-29 | 恩泊泰(天津)科技有限公司 | 一种基于多尺度检测的深度神经网络 |
CN108460403A (zh) * | 2018-01-23 | 2018-08-28 | 上海交通大学 | 一种图像中多尺度特征融合的目标检测方法与*** |
CN109117894A (zh) * | 2018-08-29 | 2019-01-01 | 汕头大学 | 一种基于全卷积神经网络的大尺度遥感图像楼房分类方法 |
CN110070142A (zh) * | 2019-04-29 | 2019-07-30 | 上海大学 | 一种基于yolo神经网络的海上船只目标检测方法 |
CN110147807A (zh) * | 2019-01-04 | 2019-08-20 | 上海海事大学 | 一种船舶智能识别跟踪方法 |
CN110287927A (zh) * | 2019-07-01 | 2019-09-27 | 西安电子科技大学 | 基于深度多尺度和上下文学习的遥感影像目标检测方法 |
-
2019
- 2019-12-06 CN CN201911243932.8A patent/CN110991359A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220703A (zh) * | 2016-12-29 | 2017-09-29 | 恩泊泰(天津)科技有限公司 | 一种基于多尺度检测的深度神经网络 |
CN108460403A (zh) * | 2018-01-23 | 2018-08-28 | 上海交通大学 | 一种图像中多尺度特征融合的目标检测方法与*** |
CN109117894A (zh) * | 2018-08-29 | 2019-01-01 | 汕头大学 | 一种基于全卷积神经网络的大尺度遥感图像楼房分类方法 |
CN110147807A (zh) * | 2019-01-04 | 2019-08-20 | 上海海事大学 | 一种船舶智能识别跟踪方法 |
CN110070142A (zh) * | 2019-04-29 | 2019-07-30 | 上海大学 | 一种基于yolo神经网络的海上船只目标检测方法 |
CN110287927A (zh) * | 2019-07-01 | 2019-09-27 | 西安电子科技大学 | 基于深度多尺度和上下文学习的遥感影像目标检测方法 |
Non-Patent Citations (3)
Title |
---|
ADAM VAN ETTEN: ""You Only Look Twice: Rapid Multi-Scale Object Detection In Satellite Imagery"", 《ARXIV.ORG》 * |
ADAM VAN ETTEN: "Satellite Imagery Multiscale Rapid Detection withWindowed Networks", 《2019 IEEE WINTER CONFERENCE ON APPLICATIONS OF COMPUTER VISION》 * |
邓志鹏 等: "基于多尺度形变特征卷积网络的高分辨率遥感影像目标检测", 《测绘学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111619755A (zh) * | 2020-06-09 | 2020-09-04 | 中国船舶科学研究中心 | 一种基于卷积神经网络的船体型线设计方法 |
CN111619755B (zh) * | 2020-06-09 | 2021-05-04 | 中国船舶科学研究中心 | 一种基于卷积神经网络的船体型线设计方法 |
CN111950451A (zh) * | 2020-08-12 | 2020-11-17 | 南京师范大学 | 基于多尺度预测cnn及龙芯芯片的多类别目标识别方法 |
CN112751633A (zh) * | 2020-10-26 | 2021-05-04 | 中国人民解放军63891部队 | 一种基于多尺度窗口滑动的宽带频谱检测方法 |
CN112751633B (zh) * | 2020-10-26 | 2022-08-26 | 中国人民解放军63891部队 | 一种基于多尺度窗口滑动的宽带频谱检测方法 |
CN112560706A (zh) * | 2020-12-18 | 2021-03-26 | 广东电网有限责任公司电力科学研究院 | 一种多源卫星图像水体目标识别方法及装置 |
CN112560706B (zh) * | 2020-12-18 | 2022-03-29 | 广东电网有限责任公司电力科学研究院 | 一种多源卫星图像水体目标识别方法及装置 |
CN115100266A (zh) * | 2022-08-24 | 2022-09-23 | 珠海翔翼航空技术有限公司 | 基于神经网络的数字化机场模型构建方法、***和设备 |
CN115100266B (zh) * | 2022-08-24 | 2022-12-06 | 珠海翔翼航空技术有限公司 | 基于神经网络的数字化机场模型构建方法、***和设备 |
CN115546660A (zh) * | 2022-11-25 | 2022-12-30 | 成都国星宇航科技股份有限公司 | 基于视频卫星数据的目标检测方法、装置及设备 |
CN115546660B (zh) * | 2022-11-25 | 2023-04-07 | 成都国星宇航科技股份有限公司 | 基于视频卫星数据的目标检测方法、装置及设备 |
CN117726807A (zh) * | 2024-02-08 | 2024-03-19 | 北京理工大学 | 基于尺度和位置敏感性的红外小目标检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991359A (zh) | 基于多尺度深度卷积神经网络的卫星图像目标检测方法 | |
CN110570396B (zh) | 一种基于深度学习的工业产品缺陷检测方法 | |
CN111257341B (zh) | 基于多尺度特征与堆叠式全卷积网络的水下建筑物裂缝检测方法 | |
CN109035251B (zh) | 一种基于多尺度特征解码的图像轮廓检测方法 | |
CN108960135B (zh) | 基于高分辨遥感图像的密集舰船目标精确检测方法 | |
CN109949316A (zh) | 一种基于rgb-t融合的电网设备图像弱监督实例分割方法 | |
WO2021238019A1 (zh) | 基于Ghost卷积特征融合神经网络实时车流量检测***及方法 | |
CN113436169B (zh) | 一种基于半监督语义分割的工业设备表面裂纹检测方法及*** | |
CN106096655B (zh) | 一种基于卷积神经网络的光学遥感图像飞机检测方法 | |
CN107220643A (zh) | 基于紧凑型神经网络的深度学习模型的交通标志识别*** | |
CN110569843B (zh) | 一种矿井目标智能检测与识别方法 | |
CN109409327B (zh) | 基于端到端深度神经网络的rru模块物件位姿检测方法 | |
CN108681706A (zh) | 一种双源遥感数据语义分割方法 | |
CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
US20220315243A1 (en) | Method for identification and recognition of aircraft take-off and landing runway based on pspnet network | |
CN114092832A (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 | |
CN111507275B (zh) | 一种基于深度学习的视频数据时序信息提取方法及装置 | |
CN115830471B (zh) | 一种多尺度特征融合和对齐的域自适应云检测方法 | |
CN111738367B (zh) | 一种基于图像识别的零件分类方法 | |
CN111178177A (zh) | 一种基于卷积神经网络的黄瓜病害识别方法 | |
CN114022408A (zh) | 基于多尺度卷积神经网络的遥感图像云检测方法 | |
CN103500449A (zh) | 一种星上可见光遥感图像云检测方法 | |
CN114782982A (zh) | 一种基于深度学习的海洋生物智能检测方法 | |
CN114581782A (zh) | 一种基于由粗到精检测策略的细微缺陷检测方法 | |
CN106645180A (zh) | 检查基板玻璃缺陷的方法、现场终端及服务器 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200410 |