CN111523392B - 一种基于卫星正射影像全姿态的深度学习样本制备方法及识别方法 - Google Patents
一种基于卫星正射影像全姿态的深度学习样本制备方法及识别方法 Download PDFInfo
- Publication number
- CN111523392B CN111523392B CN202010224330.4A CN202010224330A CN111523392B CN 111523392 B CN111523392 B CN 111523392B CN 202010224330 A CN202010224330 A CN 202010224330A CN 111523392 B CN111523392 B CN 111523392B
- Authority
- CN
- China
- Prior art keywords
- deep learning
- sample
- target
- image
- target area
- 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.)
- Active
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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明一种基于卫星正射影像全姿态的深度学习样本制备方法及目标识别方法,(1)利用目标的卫星正射影像数据,使用光线追踪的方法,生成飞行器与目标在不同距离、不同方位角、不同高低角下的目标区图像(也是待参与深度学习训练的样本);(2)将所述目标区图像进行灰度反转处理,得到样本;(3)将所述目标区图像进行高斯模糊处理,得到样本;(4)将所述目标区图像进行对数变换,得到样本;(5)调整所述目标区图像亮度,得到样本;(6)对所述目标区图像进行直方图均衡化,得到样本;(7)将步骤(1)~(6)的样本形成最终的待参与深度学习训练的样本集;有利于提高对飞行器实际拍摄的目标图像进行识别的准确率。
Description
技术领域
本发明涉及一种基于卫星正射影像全姿态的深度学习样本制备方法及识别方法以及制备***及识别***,属于图像处理技术领域。
背景技术
决定深度学习检测识别效果的好坏的因素之一就是样本的数量,如果样本数量足够的多,那么检测识别效果越好,目前对于车辆、人、飞机、船,猫和狗等这一类可分类目标现有样本是足够丰富的,所以检测效果取得了比较令人满意的结果。传统的对于某些特定建筑物这种目标,一般采用模板匹配的方式进行建筑物的识别,但是由于惯组的误差以及大机动的要求等种种因素,导致在这种情况下用模板匹配的方式进行某种特定建筑物的识别变得异常困难或很难实现,寄希望于用深度学习的方法去解决这个问题,但是使用深度学习首先要解决样本数量的问题,通常打击某个特定建筑物,如果想使用深度学习的方法进行检测识别,需要用照相机去采集目标在不同时间段,不同天候条件,不同距离,不同方位角、高低角条件下的图像作为训练样本,但是在实际操作中很难去实现,而且花费很大,目前能利用的只有一张卫星正射影像数据的信息,识别出的目标概率在10%以下。
发明内容
本发明解决的技术问题为:克服上述现有技术的不足,提供一种基于卫星正射影像全姿态的深度学习样本制备方法及识别方法,在不改变现有的飞行器的惯组精度的情况下,通过数学变换的方式模拟实际挂飞采集到的目标区样本,利用这些样本,识别出的目标概率达到80%以上。
本发明解决的技术方案为:一种基于卫星正射影像全姿态的深度学习样本制备方法,步骤如下:
(1)利用目标的卫星正射影像数据,使用光线追踪的方法,生成飞行器与目标在不同距离、不同方位角、不同高低角下的目标区图像;
(2)将所述目标区图像进行灰度反转处理,得到待参与深度学习训练的样本;
(3)将所述目标区图像进行高斯模糊处理,得到待参与深度学习训练的样本;
(4)将所述目标区图像进行对数变换,得到待参与深度学习训练的样本;
(5)调整所述目标区图像亮度,得到待参与深度学习训练的样本;
(6)对所述目标区图像进行直方图均衡化,得到待参与深度学习训练的样本;
(7)将步骤(1)~(6)的待参与深度学习训练的样本形成最终的待参与深度学习训练的样本集;
优选的,目标为地面固定目标。
优选的,目标区,是指以目标为中心,设定的正方形区域,目标区的像素优选为300*300像素。
优选的,飞行器与目标的要求为:飞行器和目标的距离的偏差大于500米,方位角偏差大于20°,高低角偏差大于10°。
优选的,待识别的目标,其大小要求为大于10*10个像素。
优选的,一种基于卫星正射影像全姿态的深度学习样本制备的目标识别方法,步骤如下:
(1)根据基于卫星正射影像全姿态的深度学习样本制备方法,得到最终的待参与深度学习训练的样本集;
(2)利用最终的待参与深度学习训练的样本集中的样本,对飞行器实际拍摄的目标图像进行识别,准确识别出目标。
优选的,一种基于卫星正射影像全姿态的深度学习样本制备***,包括:图像生成模块、图像处理模块、样本集存储模块;
图像生成模块,利用目标的卫星正射影像数据,使用光线追踪的方法,生成飞行器与目标在不同距离、不同方位角、不同高低角下的目标区图像,作为待参与深度学习训练的样本;
图像处理模块,将所述目标区图像进行灰度反转处理,得到待参与深度学习训练的样本;将所述目标区图像进行高斯模糊处理,得到待参与深度学习训练的样本;将所述目标区图像进行对数变换,得到待参与深度学习训练的样本;调整所述目标区图像亮度,得到待参与深度学习训练的样本;对所述目标区图像进行直方图均衡化,得到待参与深度学习训练的样本;
样本集存储模块,将步骤所有待参与深度学习训练的样本形成最终的待参与深度学习训练的样本集,存入样本集存储模块。
优选的,目标为地面固定目标。
优选的,目标区,是指以目标为中心,设定的正方形区域,目标区的像素优选为300*300像素。
优选的,一种基于卫星正射影像全姿态的深度学习样本制备的目标识别***,其特征在于包括:基于卫星正射影像全姿态的深度学习样本制备***和识别模块;
基于卫星正射影像全姿态的深度学习样本制备***,得到最终的待参与深度学习训练的样本集;
识别模块,利用最终的待参与深度学习训练的样本集中的样本,对飞行器实际拍摄的目标图像进行识别,准确识别出目标。
本发明与现有技术相比的优点在于:
(1)对于只有一张正射影像数据的特定建筑物的目标,用本发明的方法生成足够多的用于深度学习训练用的样本。能有效节约样本采集的成本。
(2)在这种打击特定建筑物目标,样本数量有限的情况下,提供一种很好的扩充样本数量的方法,能较真实的模拟出实际挂飞采集的目标区样本。
(3)本发明在飞行器惯组精度差(优选为:飞行器距目标距离偏差在500米以上,方位角偏差在15°以上,俯仰角偏差在10°以上)和大机动条件下(优选为:飞行器偏离标准射面,使目标与飞行器当前位置的连线与标准射面的夹角大于15°)不能使用传统方法进行模板匹配的情况下,使用深度学习方法打击某种特定建筑物这种非可分类目标成为可能。
(4)本发明就是研究如何通过这张正射影像数据进行全姿态的深度学习样本的制备,使使用深度学习方法打击某种特定建筑物这种非可分类目标成为可能,并使识别概率达到80%以上
附图说明
图1本发明卫星正射影像图;
图2本发明对图1中的正射影像,使用光线追踪的方法,生成飞行器与目标在不同距离、不同方位角、不同高低角下的目标区图像的示意图,其中,(a)为在不同距离、不同方位角、不同高低角下的第一组目标区图像的示意图;(b)为在不同距离、不同方位角、不同高低角下的第二组目标区图像的示意图;(c)为在不同距离、不同方位角、不同高低角下的第三组目标区图像的示意图;(d)为在不同距离、不同方位角、不同高低角下的第四组目标区图像的示意图。
图3本发明对图2中图像进行灰度反转后的示意图;
图4本发明对图2中图像进行高斯模糊后的示意图;
图5本发明对图2中图像进行对数变换后的示意图;
图6本发明调整图2中图像的亮度后的示意图,其中(a)为亮度调高后的示意图,(b)为亮度调低后的示意图;
图7本发明对图2中图像进行直方图均衡化后的示意图;
图8为本发明的方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细描述。
本发明一种基于卫星正射影像全姿态的深度学习样本制备及目标识别方法,(1)利用目标的卫星正射影像数据,使用光线追踪的方法,生成飞行器与目标在不同距离、不同方位角、不同高低角下的目标区图像(也是待参与深度学习训练的样本);(2)将所述目标区图像进行灰度反转处理,得到样本;(3)将所述目标区图像进行高斯模糊处理,得到样本;(4)将所述目标区图像进行对数变换,得到样本;(5)调整所述目标区图像亮度,得到样本;(6)对所述目标区图像进行直方图均衡化,得到样本;(7)将步骤(1)~(6)的样本形成最终的待参与深度学习训练的样本集,有利于提高对飞行器实际拍摄的目标图像进行识别的准确率。
优选的还可以有步骤(8),(8)利用最终的待参与深度学习训练的样本集中的样本,对飞行器实际拍摄的目标图像进行识别,准确识别出目标。
当飞行器的惯组测量精度(飞行器距目标距离测量偏差在500米以上,方位角偏差在15°以上,俯仰角偏差在10°以上)受限情况下,使用本发明的方法可以解决传统识别方法在这种情况下的无法对建筑物进行有效识别的问题,同时解决了使用深度学习识别目标时需要用照相机去采集目标在不同时间段,不同天候条件,不同距离,不同方位角、高低角条件下的图像作为训练样本,在实际操作中难度大,而且花费很大的问题。
本发明中,目标,优选是指地面固定建筑物。目标区,优选是指以目标为中心,设定的正方形区域,目标区的像素优选为300像素。飞行器携带的优选为可见光照相机,识别出的目标大小大于10*10个像素。
如图8所示,本发明的一种基于卫星正射影像全姿态的深度学习样本制备方法,优选方案步骤如下:
(1)在地面利用目标的卫星正射影像数据,使用光线追踪的方法,生成飞行器与目标在不同距离、不同方位角、不同高低角下的目标区图像,得到待参与深度学习训练的样本,优选方案具体为:
假设飞行器与目标的距离偏差为x(x优选大于500米),且要求飞行器从距离dis开始对目标进行识别,距离从dis+x开始计算,距离大于等于5000米时,每个距离段间隔为500米,距离小于5000米大于等于2900米时,每个距离段间隔为300米,距离小于2900米大于等于1100米时,每个距离段间隔为200米,距离小于1100米时,距离段间隔为100米。
判断飞行器按什么方位角飞向目标,因为不确定飞行器在实际飞行时是按什么方位角飞向目标,所以按照从0°到360°,每隔30°确定不同方位角的数值;如果能确定飞行器按什么方位角飞向目标,且知道这个方位角的测量误差,以间隔30°,能覆盖测量误差为原则,确定生成的方位角具体数值。
同样因为不能确定飞行器在实际飞行时是按什么高低角飞向目标,所以在按照-5°到-90°,每隔5°确定不同高低角的数值。如果能确定飞行器按什么高低角飞向目标,且知道这个高低角的测量误差,以间隔5°,能覆盖测量误差为原则,确定生成的高低角具体数值。
将这三种数值进行组合,对图1使用光线追踪的方法生成飞行器与目标在不同距离、不同方位角、不同高低角下的如图2的(a)、(b)、(c)和(d)所示的目标区图像(也是待参与深度学习训练的样本)。
(2)将所述目标区图像进行灰度反转处理,得到待参与深度学习训练的样本,优选方案具体为:
将步骤(1)中的所述目标区图像进行灰度反转处理,得到如图3示意的图像。
(3)将所述目标区图像进行高斯模糊处理,得到待参与深度学习训练的样本,优选方案具体为:
将步骤(1)中的所述目标区图像通过以下三组参数进行高斯模糊处理,得到如图4示意的图像:
1)支持域优选为3,σ优选为10
2)支持域优选为5,σ优选为20
3)支持域优选为7,σ优选为30
(4)将所述目标区图像进行对数变换,得到待参与深度学习训练的样本,优选方案具体为:
将步骤(1)中的所述目标区图像进行对数变换,得到如图5示意的图像,对数变换的系数分别优选为:10,20,30。
(5)调整所述目标区图像亮度,得到待参与深度学习训练的样本,优选方案具体为:
将步骤(1)中的所述目标区图像,将图像各像素点灰度分别上调10,20,30,40,50,60,70,80个灰度级和下调10,20,30,40,50,60,70,80个灰度级,如果调整完后像素灰度值小于0,则置0,如果调整完后像素灰度值大于255,则置255,得到如图6的(a)、(b)示意的图像。
(6)对所述目标区图像进行直方图均衡化,得到待参与深度学习训练的样本,优选方案具体为:
将步骤(1)中的所述目标区图像进行直方图均衡化,得到如图7示意的图像
(7)将步骤(1)~(6)的待参与深度学习训练的样本形成最终的待参与深度学习训练的样本集,具体为:
将步骤(1)~(6)的生成的图像全部都作为待参与深度学习训练的样本形成最终的待参与深度学习训练的样本集。
本发明一种基于卫星正射影像全姿态的深度学习样本制备的目标识别方法,步骤如下:
在以上步骤(7)后进行步骤(8)
(8)利用最终的待参与深度学习训练的样本集中的样本,对飞行器实际拍摄的目标图像进行识别,准确识别出目标,优选方案具体为:
用最小外接矩形标注出样本集中所有图像中的目标,使用标准SSD300卷积神经网络(优选根据样本数量和训练平台硬件条件设置相关超参:设训练样本数量为N,GPU的数量为i,每个GPU显存支持的BatchSize数量为j,则每个训练epoch的迭代次数iter的数值等于N/(i*j)向上取整,设置初始学习率为0.02,每K个epoch进行阶梯下降,衰减系数0.1,经过3K个epoch训练结束,K的优选值为100。)训练标注出的所有样本集的目标,生成一个对于该目标的识别模型,用这个训练出来的模型对飞行器实际拍摄的目标图像进行识别,识别概率大于70%。
进一步的优选方案为:本发明一种基于卫星正射影像全姿态的深度学习样本制备方法,依次步骤如下:
(1)利用如图1所示的目标的卫星正射影像数据使用光线追踪的方法生成不同弹目距离、不同方位角、不同高低角的如图2(a)、(b)、(c)和(d)所示的目标区图像;
具体地,不同弹目距离的间距为8000米、7500米、7000米、6500米、6000米、5500米、5000米、4700米、4400米、4100米、3800米、3500米、3200米、2900米、2700米、2500米、2300米、2100米、1900米、1700米、1500米、1300米、1100米、1000米、900米、800米、700米、600米、500米和400米。
具体地,不同方位角的要求为:0°、30°、60°、90°、120°、150°、180°、210°、240°、270°、300°和330°。
具体地,不同高低角的要求为:-85°、-80°、-75°、-70°、-65°、-60°和-55°。
不同弹目距离、不同方位角和不同高低角进行组合共生成2520个如图2(a)、(b)、(c)和(d)所示的目标区图像。
(2)将所述的2520个目标区图像均进行灰度反转处理生成如图3所示的图像;
(3)将所述的2520个目标区图像进行高斯模糊处理;
高斯模糊参数为3组,分别为:
1)支持域为3,σ为10
2)支持域为5,σ为20
3)支持域为7,σ为30
生成如图4所示的图像。
(4)将所述的2520个目标区图像进行对数变换;
具体地,对数变换的系数分别为10,20,30,生成如图5所示的图像。
(5)调整所述的2520个目标区图像亮度;
将图像各像素点灰度分别上调10,20,30,40,50,60,70,80个灰度级和下调10,20,30,40,50,60,70,80个灰度级,生成如图6所示的图像。
(6)对所述的2520个目标区图像进行直方图均衡化,生成如图7所示的图像。
最终将2520个如图2(a)、(b)、(c)和(d)所示的目标区图像扩充成63000个样本。
利用63000个样本,对飞行器实际拍摄的目标图像进行识别,准确识别出目标,优选方案具体如下:
用最小外接矩形标注出样本集中所有图像中的目标,使用标准SSD300卷积神经网络(训练样本数量为63000,GPU的数量为3,每个GPU显存支持的BatchSize数量为16,则每个训练epoch的迭代次数iter的数值为1313,初始学习率为0.02,每100个epoch进行阶梯下降,衰减系数0.1,经过300个epoch训练结束)训练标注出的所有样本集的目标,生成一个对于该目标的识别模型,用这个训练出来的模型对飞行器实际拍摄的目标在图像的位置进行准确识别,这组数据识别概率达到100%。
通过上述优选方案,只使用飞行器提供的有偏差的高低角信息,这种情况下,如果使用传统的模板匹配的方法去识别目标的具***置是个不可能完成的任务,而本发明只用一张目标的卫星正射影像数据,进行目标全姿态的深度学习样本的制备,使用标准SSD300卷积神经网络模型对标注的样本数据进行训练,然后对飞行器实际拍摄的目标图像进行识别,识别概率达到了100%。
Claims (10)
1.一种基于卫星正射影像全姿态的深度学习样本制备方法,其特征在于步骤如下:
(1)利用目标的卫星正射影像数据,使用光线追踪的方法,生成飞行器与目标在不同距离、不同方位角、不同高低角下的目标区图像;
(2)将所述目标区图像进行灰度反转处理,得到待参与深度学习训练的样本;
(3)将所述目标区图像进行高斯模糊处理,得到待参与深度学习训练的样本;
(4)将所述目标区图像进行对数变换,得到待参与深度学习训练的样本;
(5)调整所述目标区图像亮度,得到待参与深度学习训练的样本;
(6)对所述目标区图像进行直方图均衡化,得到待参与深度学习训练的样本;
(7)将步骤(2)~(6)的待参与深度学习训练的样本形成最终的待参与深度学习训练的样本集。
2.根据权利要求1所述的一种基于卫星正射影像全姿态的深度学习样本制备方法,其特征在于:目标为地面固定目标。
3.根据权利要求1所述的一种基于卫星正射影像全姿态的深度学习样本制备方法,其特征在于:目标区,是指以目标为中心,设定的正方形区域,目标区的像素优选为300*300像素。
4.根据权利要求1所述的一种基于卫星正射影像全姿态的深度学习样本制备方法,其特征在于:飞行器与目标的要求为:飞行器和目标的距离的偏差大于500米,方位角偏差大于20°,高低角偏差大于10°。
5.根据权利要求1所述的一种基于卫星正射影像全姿态的深度学习样本制备方法,其特征在于:待识别的目标,其大小要求为大于10*10个像素。
6.一种基于卫星正射影像全姿态的深度学习样本制备的目标识别方法,其特征在于步骤如下:
(1)根据权利要求1所述的一种基于卫星正射影像全姿态的深度学习样本制备方法,得到最终的待参与深度学习训练的样本集;
(2)利用最终的待参与深度学习训练的样本集中的样本,对飞行器实际拍摄的目标图像进行识别,准确识别出目标。
7.一种基于卫星正射影像全姿态的深度学习样本制备***,其特征在于:包括:图像生成模块、图像处理模块、样本集存储模块;
图像生成模块,利用目标的卫星正射影像数据,使用光线追踪的方法,生成飞行器与目标在不同距离、不同方位角、不同高低角下的目标区图像,作为待参与深度学习训练的样本;
图像处理模块,将所述目标区图像进行灰度反转处理,得到待参与深度学习训练的样本;将所述目标区图像进行高斯模糊处理,得到待参与深度学习训练的样本;将所述目标区图像进行对数变换,得到待参与深度学习训练的样本;调整所述目标区图像亮度,得到待参与深度学习训练的样本;对所述目标区图像进行直方图均衡化,得到待参与深度学习训练的样本;
样本集存储模块,将所有待参与深度学习训练的样本形成最终的待参与深度学习训练的样本集,存入样本集存储模块。
8.根据权利要求7所述的一种基于卫星正射影像全姿态的深度学习样本制备***,其特征在于:目标为地面固定目标。
9.根据权利要求7所述的一种基于卫星正射影像全姿态的深度学习样本制备***,其特征在于:目标区,是指以目标为中心,设定的正方形区域,目标区的像素优选为300*300像素。
10.一种基于卫星正射影像全姿态的深度学习样本制备的目标识别***,其特征在于包括:权利要求7所述的一种基于卫星正射影像全姿态的深度学习样本制备***和识别模块;
权利要求7所述的一种基于卫星正射影像全姿态的深度学习样本制备***,得到最终的待参与深度学习训练的样本集;
识别模块,利用最终的待参与深度学习训练的样本集中的样本,对飞行器实际拍摄的目标图像进行识别,准确识别出目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010224330.4A CN111523392B (zh) | 2020-03-26 | 2020-03-26 | 一种基于卫星正射影像全姿态的深度学习样本制备方法及识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010224330.4A CN111523392B (zh) | 2020-03-26 | 2020-03-26 | 一种基于卫星正射影像全姿态的深度学习样本制备方法及识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111523392A CN111523392A (zh) | 2020-08-11 |
CN111523392B true CN111523392B (zh) | 2023-06-06 |
Family
ID=71910580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010224330.4A Active CN111523392B (zh) | 2020-03-26 | 2020-03-26 | 一种基于卫星正射影像全姿态的深度学习样本制备方法及识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523392B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070151B (zh) * | 2020-09-07 | 2023-12-29 | 北京环境特性研究所 | 一种mstar数据图像的目标分类识别方法 |
CN114693988B (zh) * | 2020-12-31 | 2024-05-03 | 上海湃星信息科技有限公司 | 卫星自主位姿的判定方法、***及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108200334A (zh) * | 2017-12-28 | 2018-06-22 | 广东欧珀移动通信有限公司 | 图像拍摄方法、装置、存储介质及电子设备 |
CN108346133A (zh) * | 2018-03-15 | 2018-07-31 | 武汉大学 | 一种面向视频卫星超分辨率重建的深度学习网络训练方法 |
CN109711348A (zh) * | 2018-12-28 | 2019-05-03 | 湖南航天远望科技有限公司 | 基于长期驻空平台的实时违章建筑的智能监测方法及*** |
CN110084093A (zh) * | 2019-02-20 | 2019-08-02 | 北京航空航天大学 | 基于深度学习的遥感图像中目标检测与识别的方法及装置 |
CN110555352A (zh) * | 2018-06-04 | 2019-12-10 | 百度在线网络技术(北京)有限公司 | 一种兴趣点识别方法、装置、服务器和存储介质 |
CN110826612A (zh) * | 2019-10-31 | 2020-02-21 | 上海法路源医疗器械有限公司 | 深度学习的训练识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9589210B1 (en) * | 2015-08-26 | 2017-03-07 | Digitalglobe, Inc. | Broad area geospatial object detection using autogenerated deep learning models |
-
2020
- 2020-03-26 CN CN202010224330.4A patent/CN111523392B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108200334A (zh) * | 2017-12-28 | 2018-06-22 | 广东欧珀移动通信有限公司 | 图像拍摄方法、装置、存储介质及电子设备 |
CN108346133A (zh) * | 2018-03-15 | 2018-07-31 | 武汉大学 | 一种面向视频卫星超分辨率重建的深度学习网络训练方法 |
CN110555352A (zh) * | 2018-06-04 | 2019-12-10 | 百度在线网络技术(北京)有限公司 | 一种兴趣点识别方法、装置、服务器和存储介质 |
CN109711348A (zh) * | 2018-12-28 | 2019-05-03 | 湖南航天远望科技有限公司 | 基于长期驻空平台的实时违章建筑的智能监测方法及*** |
CN110084093A (zh) * | 2019-02-20 | 2019-08-02 | 北京航空航天大学 | 基于深度学习的遥感图像中目标检测与识别的方法及装置 |
CN110826612A (zh) * | 2019-10-31 | 2020-02-21 | 上海法路源医疗器械有限公司 | 深度学习的训练识别方法 |
Non-Patent Citations (2)
Title |
---|
王俊强 ; 李建胜 ; .基于深度学习的大区域遥感影像路网提取方法.工程勘察.(第12期),全文. * |
王柳.基于深度学习的空间多目标识别方法研究.《无人***技术》.2019,(第undefined期),第49-55页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111523392A (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN105678689B (zh) | 高精地图数据配准关系确定方法及装置 | |
CN104536009B (zh) | 一种激光红外复合的地面建筑物识别及导航方法 | |
CN110569796A (zh) | 一种车道线动态检测和车道分界线的拟合方法 | |
CN111523392B (zh) | 一种基于卫星正射影像全姿态的深度学习样本制备方法及识别方法 | |
CN113808174B (zh) | 基于全卷积网络和卡尔曼滤波的雷达小目标跟踪方法 | |
CN109631912A (zh) | 一种深空球形目标被动测距方法 | |
CN110400330A (zh) | 基于融合imu的光电吊舱图像跟踪方法及跟踪*** | |
CN111598942A (zh) | 一种用于对电力设施仪表进行自动定位的方法及*** | |
CN109459759B (zh) | 基于四旋翼无人机激光雷达***的城市地形三维重建方法 | |
CN110866472A (zh) | 一种无人机地面运动目标识别与图像增强***及方法 | |
CN113295142B (zh) | 一种基于faro扫描仪和点云的地形扫描分析方法和装置 | |
CN111735447B (zh) | 一种仿星敏式室内相对位姿测量***及其工作方法 | |
CN109657679B (zh) | 一种应用卫星功能类型识别方法 | |
CN116912716A (zh) | 目标定位方法、装置、电子设备及存储介质 | |
JP2000275338A (ja) | 目標識別装置および目標識別方法 | |
CN116381650A (zh) | 一种激光雷达点云位置和强度仿真模拟及测试方法 | |
CN116778357A (zh) | 利用可见光缺陷识别的电力线路无人机巡检方法和*** | |
CN104484647B (zh) | 一种高分辨率遥感图像云高度检测方法 | |
CN114120236A (zh) | 对低空目标进行识别定位的方法 | |
CN114187663A (zh) | 基于雷达探测灰度图与神经网络的体态控制无人机的方法 | |
Fikriansyah et al. | Low cloud type classification system using convolutional neural network algorithm | |
CN113283326A (zh) | 基于仿真目标亮线特征的视频sar目标智能检测方法 | |
CN111753887A (zh) | 一种点源靶标像控点检测模型训练方法及装置 | |
CN111523564A (zh) | 一种用于深度学习训练的sar时敏目标样本增广方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |