CN111144208A - 一种海上船舶目标的自动检测和识别方法及目标检测器 - Google Patents
一种海上船舶目标的自动检测和识别方法及目标检测器 Download PDFInfo
- Publication number
- CN111144208A CN111144208A CN201911156854.8A CN201911156854A CN111144208A CN 111144208 A CN111144208 A CN 111144208A CN 201911156854 A CN201911156854 A CN 201911156854A CN 111144208 A CN111144208 A CN 111144208A
- Authority
- CN
- China
- Prior art keywords
- network
- image
- training
- adopting
- marine vessel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 71
- 238000000605 extraction Methods 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000004519 manufacturing process Methods 0.000 claims abstract description 4
- 238000011176 pooling Methods 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian 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
- G06N3/04—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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种海上船舶目标的自动检测和识别方法。本发明的步骤如下：(1)采用可见光相机采集包含海上船舶目标的图像样本，基于该图像样本制作海上船舶目标图像库，包括训练集和测试集；(2)构建基于Faster‑RCNN算法的深度神经网络，并设置相应参数；(3)基于训练集对该神经网络进行离线训练，得到海上船舶目标检测器；(4)输入测试集图像，利用海上船舶目标检测器进行检测和识别。本发明采用卷积网络层共享的方式建立了特征提取网络和提案框生成网络，能够实现图像特征的最大化表达，实现基于像素的特征提取和学习。
Description
技术领域
本发明涉及一种海上船舶目标的自动检测和识别方法，属于目标检测和识别领域。
背景技术
近年来，各个国家对海洋能源开采、海底环境探测、海上运输等海洋拓展活动逐渐增加，随之而来的是对深潜装置、海上开采设备、海上交通运输工具等海洋装备的需求的增长。随着人工智能技术的发展，无人智能设备在军民领域的应用比例增长快速。
水面无人艇(Unmanned Surface Vehicle,USV)是无人驾驶技术的在水面环境中的重要应用，是一种能够在海洋、湖泊及河流等环境下进行自主航行并完成相应任务的平台。USV具有体积小，成本低，灵活自主等特点。与传统的船舶相比，由于USV非载人的特点，使得其能够适应海洋及其他水域的复杂多变环境，在一些人类不可达的场景中进行作业。同时相比于现有的静止水上无人设备，USV覆盖面积更广，实时性更强，能够在不同位置灵活作业。目前，USV被广泛应用于海洋战场环境信息收集、作战训练与打击、补给支援等军事领域以及海事搜救、环保监测、水文环境勘探、港口巡逻、海事追踪执法、渔业捕捞等民用领域。
无人船能够在水上自主航行的关键在于其快速、高效的自主路径规划能力，而优异的自主路径规划能力主要依靠其对周围环境的准确感知。视觉传感器可以直观的对环境进行感知，从而获取环境中的物体精确信息。尤其随着深度学习技术的快速发展，基于视觉传感器的无人艇环境感知算法是目前人工智能领域的一个热点研究方向。然而在实际应用中，受到海上复杂天气情况、光照变化等因素的影响，高效、高精度的海上船舶目标的检测和识别成为模式识别领域的难点之一。
发明内容
本发明的技术解决问题为：克服现有技术的不足，提出一种具有高效、高精度、鲁棒性强的海上船舶目标的自动检测和识别方法及目标检测器。
本发明的技术解决方案是：一种海上船舶目标的自动检测和识别方法，包括步骤如下：
(1)采用可见光相机采集包含海上船舶目标的图像样本，基于该图像样本制作海上船舶目标图像库，包括训练集和测试集；
(2)构建采用Faster-RCNN算法的深度神经网络，并设置相应参数；
(3)使用训练集对采用Faster-RCNN算法的深度神经网络进行离线训练，得到海上船舶目标检测器；
(4)输入测试集图像，利用海上船舶目标检测器进行检测和识别。
所述步骤(1)的具体步骤为：
(1.1)使用包围海上障碍物的最小矩形对图像中的障碍物进行人工标注，训练集包括图像及其对应的标签信息；
(1.2)采用图像平移、镜像、加噪声、缩放方法对训练集样本进行扩充。
所述步骤(3)的具体步骤为：
(3.1)下载ImageNet数据集预训练得到Faster-RCNN网络的初始权重参数；
(3.2)将训练集输入Faster-RCNN网络，进行离线训练；
(3.3)采用Faster-RCNN算法的深度神经网络采用共享卷积网络层的方式建立特征提取网络和提案框生成网络；特征提取网络包括若干卷积层、池化层和全连接层；提案框生成网络包含一个卷积层和两个全连接层；
(3.4)利用训练集，对特征提取网络和提案框生成网络进行训练。
所述步骤(3.4)的具体步骤为：
(3.4.1)输入影像和提案框标签，训练提案框生成网络；采用均值为零、方差为0.01的高斯分布的随机数对权值参数进行初始化赋值；
(3.4.2)利用生成的提案框进行特征提取网络的训练；采用均值为零、方差为0.01的高斯分布的随机数对权值参数进行初始化赋值；
(3.4.3)利用检测网络来重新初始化提案框生成网络，将共享层参数固定，只调整其余层的参数；
(3.4.4)将共享卷积层的参数固定，重新调整特征提取网络中的全连接层权值参数。
所述步骤(4)的具体步骤为：
(4.1)对测试集图像采用特征提取网络对图像特征进行提取，利用特征提取网络中卷积层的最后一层作为特征图像，采用提案框生成网络在该特征图像上进行提案框生成；
(4.2)在提案框中进行目标识别，采用非极大值抑制算法对所有识别得到的区域进行处理，得到最后的识别结果。
一种海上船舶目标检测器，包括：
第一模块，采用可见光相机采集包含海上船舶目标的图像样本，基于该图像样本制作海上船舶目标图像库，包括训练集和测试集；
第二模块、构建采用Faster-RCNN算法的深度神经网络，并设置相应参数；
第三模块、使用训练集对采用Faster-RCNN算法的深度神经网络进行离线训练。
所述第一模块使用包围海上障碍物的最小矩形对图像中的障碍物进行人工标注，训练集包括图像及其对应的标签信息；并采用图像平移、镜像、加噪声、缩放方法对训练集样本进行扩充。
所述第三模块，下载ImageNet数据集预训练得到Faster-RCNN网络的初始权重参数；将训练集输入Faster-RCNN网络，进行离线训练；采用Faster-RCNN算法的深度神经网络采用共享卷积网络层的方式建立特征提取网络和提案框生成网络；特征提取网络包括若干卷积层、池化层和全连接层；提案框生成网络包含一个卷积层和两个全连接层；利用训练集，对特征提取网络和提案框生成网络进行训练。
利用训练集，对特征提取网络和提案框生成网络进行训练的具体方法为：
(3.4.1)输入影像和提案框标签，训练提案框生成网络；采用均值为零、方差为0.01的高斯分布的随机数对权值参数进行初始化赋值；
(3.4.2)利用生成的提案框进行特征提取网络的训练；采用均值为零、方差为0.01的高斯分布的随机数对权值参数进行初始化赋值；
(3.4.3)利用检测网络来重新初始化提案框生成网络，将共享层参数固定，只调整其余层的参数；
(3.4.4)将共享卷积层的参数固定，重新调整特征提取网络中的全连接层权值参数。
本发明与现有技术相比的优点在于：
本发明相比传统的海上目标检测和识别方法来说，Faster-RCNN算法采用卷积网络层共享的方式建立了特征提取网络和提案框生成网络，能够实现图像特征的最大化表达，实现基于像素的特征提取和学习。此外，采用卷积层网络共享的方式，能够大大降低内存占比，成倍减少运算时间，能够满足实时处理要求；采用在提案框中进行目标识别的策略，能够减少运算量，进一步缩减运算时间。
附图说明
图1是本发明的工作流程图。
图2是本发明的识别总流程示意图。
图3是本发明一具体实施例的检测和识别结果图。
具体实施方式
本发明提供了一种海上船舶目标的自动检测和识别方法，下面结合附图及实施例对本发明做进一步的详细描述。应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。
如图1所示，本发明实施例提供了一种的海上船舶目标的自动检测和识别方法，包括以下步骤：
(1)采用可见光相机采集包含海上船舶目标的图像样本，基于该图像样本制作海上船舶目标图像库，包括训练集和测试集；
(2)构建基于Faster-RCNN算法的深度神经网络，并设置相应参数；
(3)基于训练集对基于Faster-RCNN算法的深度神经网络进行离线训练，得到海上船舶目标检测器；
(4)输入测试集图像，利用海上船舶目标检测器进行检测和识别。
所述的步骤(1)的具体方法为：
(1.1)：使用包围海上障碍物的最小矩形对图像中的障碍物进行人工标注，训练集包括图像及其对应的标签信息；
(1.2)：采用图像平移、镜像、加噪声、缩放等方法对训练集样本进行扩充。
所述步骤(3)的具体方法为：
(3.1)下载ImageNet数据集预训练得到Faster-RCNN网络的初始权重参数；
(3.2)将训练集输入Faster-RCNN网络，进行离线训练；
(3.3)基于Faster-RCNN算法的深度神经网络采用基于共享卷积网络层的方式建立特征提取网络和提案框生成网络。特征提取网络包括若干卷积层、池化层和全连接层。提案框生成网络包含一个卷积层和两个全连接层。
(3.4)利用训练集，对特征提取网络和提案框生成网络进行训练，具体为：
(3.4.1)首先输入影像和提案框标签，训练提案框生成网络。采用均值为零、方差为0.01的高斯分布的随机数对权值参数进行初始化赋值。
(3.4.2)利用生成的提案框进行特征提取网络的训练。数据初始化方案同上。此时，两个网络并没有共享卷积层。
(3.4.3)利用整个检测网络来重新初始化提案框生成网络，但是将共享层参数固定，只调整其余层的参数。此时两个网络共享了卷积层的参数。
(3.4.4)最后，将共享卷积层的参数固定，重新调整特征提取网络中的全连接层权值参数。
(3.4.5)至此完成整个网络的训练。
训练时，对所有需要初始化的参数如网络层权值参数，采用零均值和方差为0.01的高斯分布函数随机进行赋值。对参与训练的前四分之三样本采用0.001的学习率，最后四分之一采用0.0001的学习率。梯度下降过程中的动量选择为0.9，参数权重衰减值设置为0.0005(以上数值无量纲)。
所述步骤(4)的具体方法为：
(4.1)对测试集图像采用特征提取网络对图像特征进行提取，利用特征提取网络中卷积层的最后一层作为特征图像，采用提案框生成网络在该特征图像上进行提案框生成；
(4.2)在提案框中进行目标识别，采用非极大值抑制算法(non-maximunsuppression，NMS)对所有识别得到的区域进行处理，得到最后的识别结果。
需要说明的是，由于采用了提案框生成网络的方法，所以可以使用端对端的训练实现误差反向传播。
根据上面的误差反向传播关系，可以逐层计算每一层的误差。根据误差值进行每层的权值参数更新。
图2是本发明的识别总流程示意图，整个识别网络包含特征提取深度学习网络和提案框生成网络(图中仅画出一层卷积层和全连接层示意图)。
图3为本发明一实施例的检测和识别结果图，可知不同种类、远近和大小的船舶，本发明都能进行检测和识别。
本发明未详细说明部分属于本领域技术人员公知技术。
Claims (9)
1.一种海上船舶目标的自动检测和识别方法，其特征在于，包括步骤如下：
(1)采用可见光相机采集包含海上船舶目标的图像样本，基于该图像样本制作海上船舶目标图像库，包括训练集和测试集；
(2)构建采用Faster-RCNN算法的深度神经网络，并设置相应参数；
(3)使用训练集对采用Faster-RCNN算法的深度神经网络进行离线训练，得到海上船舶目标检测器；
(4)输入测试集图像，利用海上船舶目标检测器进行检测和识别。
2.根据权利要求1所述的一种海上船舶目标的自动检测和识别方法，其特征在于，所述步骤(1)的具体步骤为：
(1.1)使用包围海上障碍物的最小矩形对图像中的障碍物进行人工标注，训练集包括图像及其对应的标签信息；
(1.2)采用图像平移、镜像、加噪声、缩放方法对训练集样本进行扩充。
3.根据权利要求1或2所述的一种海上船舶目标的自动检测和识别方法，其特征在于，所述步骤(3)的具体步骤为：
(3.1)下载ImageNet数据集预训练得到Faster-RCNN网络的初始权重参数；
(3.2)将训练集输入Faster-RCNN网络，进行离线训练；
(3.3)采用Faster-RCNN算法的深度神经网络采用共享卷积网络层的方式建立特征提取网络和提案框生成网络；特征提取网络包括若干卷积层、池化层和全连接层；提案框生成网络包含一个卷积层和两个全连接层；
(3.4)利用训练集，对特征提取网络和提案框生成网络进行训练。
4.根据权利要求3所述的一种海上船舶目标的自动检测和识别方法，其特征在于，所述步骤(3.4)的具体步骤为：
(3.4.1)输入影像和提案框标签，训练提案框生成网络；采用均值为零、方差为0.01的高斯分布的随机数对权值参数进行初始化赋值；
(3.4.2)利用生成的提案框进行特征提取网络的训练；采用均值为零、方差为0.01的高斯分布的随机数对权值参数进行初始化赋值；
(3.4.3)利用检测网络来重新初始化提案框生成网络，将共享层参数固定，只调整其余层的参数；
(3.4.4)将共享卷积层的参数固定，重新调整特征提取网络中的全连接层权值参数。
5.根据权利要求4所述的一种海上船舶目标的自动检测和识别方法，其特征在于，所述步骤(4)的具体步骤为：
(4.1)对测试集图像采用特征提取网络对图像特征进行提取，利用特征提取网络中卷积层的最后一层作为特征图像，采用提案框生成网络在该特征图像上进行提案框生成；
(4.2)在提案框中进行目标识别，采用非极大值抑制算法对所有识别得到的区域进行处理，得到最后的识别结果。
6.一种海上船舶目标检测器，其特征在于，包括：
第一模块，采用可见光相机采集包含海上船舶目标的图像样本，基于该图像样本制作海上船舶目标图像库，包括训练集和测试集；
第二模块、构建采用Faster-RCNN算法的深度神经网络，并设置相应参数；
第三模块、使用训练集对采用Faster-RCNN算法的深度神经网络进行离线训练。
7.根据权利要求6所述的一种海上船舶目标检测器，其特征在于，所述第一模块使用包围海上障碍物的最小矩形对图像中的障碍物进行人工标注，训练集包括图像及其对应的标签信息；并采用图像平移、镜像、加噪声、缩放方法对训练集样本进行扩充。
8.根据权利要求7所述的一种海上船舶目标检测器，其特征在于，所述第三模块，下载ImageNet数据集预训练得到Faster-RCNN网络的初始权重参数；将训练集输入Faster-RCNN网络，进行离线训练；采用Faster-RCNN算法的深度神经网络采用共享卷积网络层的方式建立特征提取网络和提案框生成网络；特征提取网络包括若干卷积层、池化层和全连接层；提案框生成网络包含一个卷积层和两个全连接层；利用训练集，对特征提取网络和提案框生成网络进行训练。
9.根据权利要求8所述的一种海上船舶目标检测器，其特征在于，利用训练集，对特征提取网络和提案框生成网络进行训练的具体方法为：
(3.4.1)输入影像和提案框标签，训练提案框生成网络；采用均值为零、方差为0.01的高斯分布的随机数对权值参数进行初始化赋值；
(3.4.2)利用生成的提案框进行特征提取网络的训练；采用均值为零、方差为0.01的高斯分布的随机数对权值参数进行初始化赋值；
(3.4.3)利用检测网络来重新初始化提案框生成网络，将共享层参数固定，只调整其余层的参数；
(3.4.4)将共享卷积层的参数固定，重新调整特征提取网络中的全连接层权值参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911156854.8A CN111144208A (zh) | 2019-11-22 | 2019-11-22 | 一种海上船舶目标的自动检测和识别方法及目标检测器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911156854.8A CN111144208A (zh) | 2019-11-22 | 2019-11-22 | 一种海上船舶目标的自动检测和识别方法及目标检测器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111144208A true CN111144208A (zh) | 2020-05-12 |
Family
ID=70517261
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911156854.8A Pending CN111144208A (zh) | 2019-11-22 | 2019-11-22 | 一种海上船舶目标的自动检测和识别方法及目标检测器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111144208A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112434794A (zh) * | 2020-11-30 | 2021-03-02 | 国电南瑞科技股份有限公司 | 一种基于深度学习的计算机视觉数据集半自动标注方法及*** |
| CN112464879A (zh) * | 2020-12-10 | 2021-03-09 | 山东易视智能科技有限公司 | 基于自监督表征学习的海洋目标检测方法及*** |
| CN113313166A (zh) * | 2021-05-28 | 2021-08-27 | 华南理工大学 | 基于特征一致性学习的船舶目标自动标注方法 |
| CN115062839A (zh) * | 2022-06-13 | 2022-09-16 | 陕西省地震局 | 极震区烈度评估方法、***、电子设备及可读存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106156744A (zh) * | 2016-07-11 | 2016-11-23 | 西安电子科技大学 | 基于cfar检测与深度学习的sar目标检测方法 |
| CN106504233A (zh) * | 2016-10-18 | 2017-03-15 | 国网山东省电力公司电力科学研究院 | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及*** |
| CN107480730A (zh) * | 2017-09-05 | 2017-12-15 | 广州供电局有限公司 | 电力设备识别模型构建方法和***、电力设备的识别方法 |
| CN108052940A (zh) * | 2017-12-17 | 2018-05-18 | 南京理工大学 | 基于深度学习的sar遥感图像水面目标检测方法 |
| CN108256634A (zh) * | 2018-02-08 | 2018-07-06 | 杭州电子科技大学 | 一种基于轻量级深度神经网络的船舶目标检测方法 |
| CN108596030A (zh) * | 2018-03-20 | 2018-09-28 | 杭州电子科技大学 | 基于Faster R-CNN的声呐目标检测方法 |
| CN109376634A (zh) * | 2018-10-15 | 2019-02-22 | 北京航天控制仪器研究所 | 一种基于神经网络的公交司机违规行为检测*** |
| CN109934088A (zh) * | 2019-01-10 | 2019-06-25 | 海南大学 | 基于深度学习的海面船只辨识方法 |
| CN110188696A (zh) * | 2019-05-31 | 2019-08-30 | 华南理工大学 | 一种水面无人装备多源感知方法及*** |
-
2019
- 2019-11-22 CN CN201911156854.8A patent/CN111144208A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106156744A (zh) * | 2016-07-11 | 2016-11-23 | 西安电子科技大学 | 基于cfar检测与深度学习的sar目标检测方法 |
| CN106504233A (zh) * | 2016-10-18 | 2017-03-15 | 国网山东省电力公司电力科学研究院 | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及*** |
| CN107480730A (zh) * | 2017-09-05 | 2017-12-15 | 广州供电局有限公司 | 电力设备识别模型构建方法和***、电力设备的识别方法 |
| CN108052940A (zh) * | 2017-12-17 | 2018-05-18 | 南京理工大学 | 基于深度学习的sar遥感图像水面目标检测方法 |
| CN108256634A (zh) * | 2018-02-08 | 2018-07-06 | 杭州电子科技大学 | 一种基于轻量级深度神经网络的船舶目标检测方法 |
| CN108596030A (zh) * | 2018-03-20 | 2018-09-28 | 杭州电子科技大学 | 基于Faster R-CNN的声呐目标检测方法 |
| CN109376634A (zh) * | 2018-10-15 | 2019-02-22 | 北京航天控制仪器研究所 | 一种基于神经网络的公交司机违规行为检测*** |
| CN109934088A (zh) * | 2019-01-10 | 2019-06-25 | 海南大学 | 基于深度学习的海面船只辨识方法 |
| CN110188696A (zh) * | 2019-05-31 | 2019-08-30 | 华南理工大学 | 一种水面无人装备多源感知方法及*** |
Non-Patent Citations (3)
| Title |
|---|
| 冯珂等: "基于神经网络的高分辨率快速目标检测方法", 《电子设计工程》 * |
| 吴天舒等: "基于改进SSD的轻量化小目标检测算法", 《红外与激光工程》 * |
| 赵春晖等: "基于改进Faster R-CNN算法的舰船目标检测与识别", 《沈阳大学学报(自然科学版)》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112434794A (zh) * | 2020-11-30 | 2021-03-02 | 国电南瑞科技股份有限公司 | 一种基于深度学习的计算机视觉数据集半自动标注方法及*** |
| CN112464879A (zh) * | 2020-12-10 | 2021-03-09 | 山东易视智能科技有限公司 | 基于自监督表征学习的海洋目标检测方法及*** |
| CN112464879B (zh) * | 2020-12-10 | 2022-04-01 | 山东易视智能科技有限公司 | 基于自监督表征学习的海洋目标检测方法及*** |
| CN113313166A (zh) * | 2021-05-28 | 2021-08-27 | 华南理工大学 | 基于特征一致性学习的船舶目标自动标注方法 |
| CN115062839A (zh) * | 2022-06-13 | 2022-09-16 | 陕西省地震局 | 极震区烈度评估方法、***、电子设备及可读存储介质 |
| CN115062839B (zh) * | 2022-06-13 | 2024-07-30 | 陕西省地震局 | 极震区烈度评估方法、***、电子设备及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111144208A (zh) | 一种海上船舶目标的自动检测和识别方法及目标检测器 | |
| Lu et al. | CONet: A cognitive ocean network | |
| CN108230302B (zh) | 一种核电厂冷源海域入侵海洋生物探测及处置方法 | |
| Liu et al. | Detection and pose estimation for short-range vision-based underwater docking | |
| CN110889324A (zh) | 一种基于yolo v3面向末端制导的热红外图像目标识别方法 | |
| Qingqing et al. | Towards active vision with UAVs in marine search and rescue: Analyzing human detection at variable altitudes | |
| KR20210007767A (ko) | 딥러닝-영상인식 기반 해상폐기물 제거용 자율운항 선박 시스템 | |
| CN116245916B (zh) | 一种面向无人艇的红外舰船目标跟踪方法及装置 | |
| KR102373493B1 (ko) | V2x 정보 융합 기술을 통해 획득된, 각 객체에 대한 깊이 예측 정보 및 각 객체에 대한 클래스 정보를 이용해 3d 공간을 재구축함으로써 hd 맵을 업데이트하는 학습 방법 및 학습 장치, 그리고 이를 이용한 테스팅 방법 및 테스팅 장치 | |
| US5537511A (en) | Neural network based data fusion system for source localization | |
| Wang et al. | Robust AUV visual loop-closure detection based on variational autoencoder network | |
| CN109859202A (zh) | 一种基于usv水面光学目标跟踪的深度学习检测方法 | |
| Radeta et al. | Deep learning and the oceans | |
| CN112880678A (zh) | 一种复杂水域环境中无人艇航行规划方法 | |
| CN110569387B (zh) | 基于深度哈希算法的雷达-图像跨模态检索方法 | |
| CN117214904A (zh) | 一种基于多传感器数据的鱼类智能识别监测方法和*** | |
| CN116246139A (zh) | 一种无人艇航行环境基于多传感器融合的目标识别方法 | |
| Gopal et al. | Tiny object detection: Comparative study using single stage CNN object detectors | |
| CN115115863A (zh) | 水面多尺度目标检测方法、装置及***和存储介质 | |
| CN112268564B (zh) | 一种无人机降落空间位置和姿态端到端估计方法 | |
| CN110119671A (zh) | 基于人工侧线可视化图像的水下感知方法 | |
| CN117454680A (zh) | 一种海洋搜索集群设计***及方法 | |
| Yao et al. | LiDAR based navigable region detection for unmanned surface vehicles | |
| CN116704688A (zh) | 海洋浮标被动防御方法及*** | |
| Zhou et al. | A real-time algorithm for visual detection of high-speed unmanned surface vehicle based on deep learning |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220408 Address after: 266200 aoshanwei sub district office, Jimo District, Qingdao City, Shandong Province Applicant after: Aerospace Times (Qingdao) marine equipment technology development Co.,Ltd. Address before: 142 box 403, box 100854, Beijing, Beijing, Haidian District Applicant before: BEIJIGN INSTITUTE OF AEROSPACE CONTROL DEVICES |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200512 |
|
| RJ01 | Rejection of invention patent application after publication |