CN111553182A - 一种船只检索方法、装置及电子设备 - Google Patents
一种船只检索方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111553182A CN111553182A CN201911368355.5A CN201911368355A CN111553182A CN 111553182 A CN111553182 A CN 111553182A CN 201911368355 A CN201911368355 A CN 201911368355A CN 111553182 A CN111553182 A CN 111553182A
- Authority
- CN
- China
- Prior art keywords
- ship
- image
- retrieval
- neural network
- features
- 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
- G06V20/40—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
- G06F18/21—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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种船只检索方法、装置及电子设备,其中,该方法包括:获取待检测图像,在待检测图像中提取船只目标区域;将船只目标区域输入卷积神经网络;根据卷积神经网络,提取船只目标区域的卷积层特征和全连接层特征,作为初步特征;将初步特征组合为组合特征,并构建特征库;根据相似度计算算法确定特征库中特征与目标船只图像的相似度,返回相似度大于第一阈值的船只图像。通过实施本发明,将待检测图像中提取出的目标区域输入卷积神经网络,并将卷积神经网络中的卷积层特征和全连接层特征提取的初步特征进行组合,构建特征库,利用特征库中的特征与目标船只进行相似度计算,能够实现对目标船只的快速检索。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种船只检索方法、装置及电子设备。
背景技术
船只的运动情况作为临海区域感知信息的重要目标,是图像处理领域进行船只检测的重要内容。随着船只观测技术的进步,可获取的船只影像数据量快速增长。由于临海区域的船只数据中含有多种不同的场景,包括建筑区域、植被区域、山地、河流等,对于船只的识别和检索有较大干扰。研究如何从海量的船只影像数据中高效、快速的获取有效的目标船只,检索出需要的船只,成为了一个重要问题。
发明内容
因此,本发明要解决的技术问题在于克服现有技术中不能对海量的船只影像数据中高效、快速获取有效目标船只的缺陷,从而提供一种船只检索方法、装置及电子设备。
根据第一方面,本实施例提供一种船只检索方法,包括如下步骤:获取待检测图像,在所述待检测图像中提取船只目标区域;将所述船只目标区域输入卷积神经网络,根据所述卷积神经网络,提取所述船只目标区域的卷积层特征和全连接层特征,作为初步特征;将所述初步特征组合为组合特征,并构建特征库;根据相似度计算算法确定所述特征库中特征与目标船只图像的相似度,返回相似度大于第一阈值的船只图像。
结合第一方面,在第一方面第一实施方式中,所述卷积神经网络的构建方式为:获取船只图像训练样本;根据所述船只图像训练样本对预训练卷积神经网络进行训练,得到输出向量;根据所述船只图像训练样本对应的实际结果及所述输出向量计算所述预训练神经网络模型的损失;根据梯度反转后的损失调整所述预训练卷积神经网络的权重参数,构建卷积神经网络。
结合第一方面,在第一方面第二实施方式中,所述在所述待检测图像中提取船只目标区域,包括:将所述待检测图像输入至预设的YOLO神经网络检测模型,获取船只目标区域。
结合第一方面第二实施方式,在第一方面第三实施方式中所述预设的 YOLO神经网络检测模型的构建方式是:获取船只图像训练样本;根据所述船只图像训练样本对所述预设的YOLO神经网络检测模型中的卷积层、池化层和全连接层进行训练,调整网络参数,得到预设的YOLO神经网络检测模型。
结合第一方面,在第一方面第四实施方式中,所述根据相似度计算算法确定所述特征库中特征与所述目标船只图像的相似度,具体包括:根据汉明距离计算所述特征库中特征与所述目标船只图像的相似度。
结合第一方面,在第一方面第五实施方式中,该船只检索方法还包括:获取总检索次数、检索返回的图像数以及检索返回的相关图像数;根据总检索次数、检索返回的图像数、检索返回的相关图像数及截断值为k时的查准率计算平均检索精度;所述平均检索精度的计算方式为:
其中,AveP为平均查准率,Q表示总检索次数,q表示第q次检索,AveP由获得,式中,m为总检索次数返回的相关图像数, P(k)为截断值为k时的查准率,用表示,其中n表示一次检索返回的相关图像数,k表示一次检索返回的图像数,rel(k)为指示函数,当返回图像序列中排序为k的图像是相似图像时rel(k)=1,反之,rel(k)=0。
根据第二方面,本实施例提供一种船只检索装置,包括:待检测图像获取模块,用于获取待检测图像,在所述待检测图像中提取船只目标区域;初步特征提取模块,用于将所述船只目标区域输入卷积神经网络,根据所述卷积神经网络,提取所述船只目标区域的卷积层特征和全连接层特征,作为初步特征;组合特征提取模块,用于将所述初步特征组合为组合特征,并构建特征库;相似度计算模块,用于根据相似度计算算法确定所述特征库中特征与目标船只图像的相似度,返回相似度大于第一阈值的船只图像。
结合第二方面,在第二方面第一实施方式中,该船只检索装置还包括:获取总检索次数、检索返回的图像数以及检索返回的相关图像数;根据总检索次数、检索返回的图像数、检索返回的相关图像数及截断值为k时的查准率计算平均检索精度;所述平均检索精度的计算方式为:
其中,AveP为平均查准率,Q表示总检索次数,q表示第q次检索,AveP由获得,式中,m为总检索次数返回的相关图像数, P(k)为截断值为k时的查准率,用表示,其中n表示一次检索返回的相关图像数,k表示一次检索返回的图像数,rel(k)为指示函数,当返回图像序列中排序为k的图像是相似图像时rel(k)=1,反之,rel(k)=0。
根据第三方面,本实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第一方面或第一方面任一实施方式所述的船只检索方法的步骤。
根据第四方面,本发明实施例提供一种存储介质,其上存储有计算机指令,该指令被处理器执行时实现第一方面或第一方面任一实施方式所述的船只检索方法的步骤。
本发明技术方案,具有如下优点:
1.本发明提供的一种船只检索方法、装置及电子设备,先将待检测图片提取出目标区域,降低了船只检索的范围,提高了检索速度。将目标区域输入卷积神经网络,并将卷积神经网络中的卷积层特征和全连接层特征作为初步特征,将初步特征进行组合,构建特征库,利用特征库中的特征与目标船只进行相似度计算,实现了快速对目标船只进行检索。
2.本发明提供的船只检索方法、装置及电子设备,根据损失利用梯度下降法的方式对卷积神经网络进行训练,提高了卷积神经网络对特征提取的准确率。
3.本发明提供的船只检索方法、装置及电子设备,由预设的YOLO神经网络检测模型用于获取船只目标区域,YOLO神经网络具有速度快、精度高的特点,从而提高了整个船只检索方法的精度和速度。
4.本发明提供的船只检索方法、装置及电子设备,通过汉明距离计算图像之间的相似度,由于汉明距离的计算方式简单,且快速,能够提高船只检索的速度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中船只检索方法的一个具体示例的流程图;
图2为本发明实施例中船只检索装置的一个具体示例的原理框图;
图3为本发明实施例中电子设备的一个具体示例的原理框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本实施例提供一种船只检索方法,如图1所示,包括如下步骤:
S110,获取待检测图像,在待检测图像中提取船只目标区域。
示例性地,待检测图像的获取方式可以是从无人机拍摄的船只视频图像中解帧得到,也可以是在遥感技术中拍摄的遥感影像中得到,本实施例不做限定,可以根据需要确定。
在待检测图像中提取船只目标区域的方式可以是在待检测图像中从左到右、从上到下滑动窗口,利用分类器识别目标,将目标图像变形转换成固定大小的图像,固定大小的图像被输入CNN分类器中,提取出4096个特征之后,使用SVM分类器识别属于船只的特征,并将识别为船只的检测数据返回得到船只目标区域。本实施例对在待检测图像中提取船只目标区域的方式不做确定,可以根据需要确定。
S120,将船只目标区域输入卷积神经网络;根据卷积神经网络,提取船只目标区域的卷积层特征和全连接层特征,作为初步特征。
示例性地,卷积神经网络用于对船只目标区域中的船只进行特征提取。由于卷积神经网络在向前传播的过程中每层都会有特征映射图输出,对应的是输入图像的不同层次信息,因此提取船只的卷积层特征和全连接层特征作为初步特征。船只目标区域的卷积层特征可以是卷积神经网络各个卷积层提取的部分特征,也可以是卷积神经网络最后一个卷积层提取的特征,本实施例对卷积层的初步特征提取方式不做限定,可以根据需要确定。
S130,将初步特征组合为组合特征,并构建特征库。
示例性地,初步特征的维度不同,且维数较高,对提取的初步特征进行一定的处理组合后得到更有效的特征表示,根据组合特征构建特征库。
S140,根据相似度计算算法确定特征库中特征与目标船只图像的相似度,返回相似度大于第一阈值的船只图像。
示例性地,相似度计算算法的计算方式可以是根据SIFT算法对特征库中特征与目标船只图像的相似度进行计算,也可以是根据欧式距离计算特征库中特征与目标船只图像的相似度。将得到的船只图像的相似度与第一阈值进行比较,将相似度大于第一阈值的船只图像作为检索出的船只图像,第一阈值可以是90%。本实施例对相似度计算算法以及第一阈值的数值不做限定,可以根据需要确定。
本实施例提供了一种船只检索方法,先将待检测图片提取出目标区域,降低了船只检索的范围,提高了检索速度。将目标区域输入卷积神经网络,并将卷积神经网络中的卷积层特征和全连接层特征作为初步特征,将初步特征进行组合,构建特征库,利用特征库中的特征与目标船只进行相似度计算,实现了快速对目标船只进行检索。
作为本申请的一个可选实施方式,卷积神经网络的构建方式为:
首先,获取船只图像训练样本。
示例性地,船只图像样本的获取方式可以是从无人机拍摄的视频中解帧获取,也可以是从网络数据库中获取。船只图像训练样本可以是获取到的船只图像样本中随机划分出的一部分,比如,随机划分出70%的船只图像样本作为船只图像训练样本。本实施例对船只图像训练样本获取方式不做限定,可以根据需要确定。
其次,根据船只图像训练样本对预训练卷积神经网络进行训练,得到输出向量。
示例性地,船只图像训练样本对神经网络模型进行训练的方式可以是对船只图像训练样本中的船只位置进行标记,将标记位置的船只图像训练样本输入神经网络,利用梯度下降法计算损失函数的最小值,以寻求损失函数最小值为约束条件,调节预训练神经网络中各个卷积层、池化层、全连接层、的参数及权重,以使预训练神经网络模型能够完成船只的检测。本实施例对神经网络训练方法不做限定,可以根据需要确定。
再次,根据船只图像训练样本对应的实际结果及输出向量计算预训练神经网络模型的损失。
示例性地,根据船只图像训练样本对应的实际结果及输出向量计算预训练神经网络模型的损失的计算方式可以是:
其中,x表示输入船只图像训练样本对应的实际结果,f(x())表示预训练神经网络模型的输出向量,f表示训练出的神经网络模型,T表示训练样本数量。本实施例对损失的具体计算方式不做限定,可以根据需要确定。
然后,根据梯度反转后的损失调整预训练卷积神经网络的权重参数,构建卷积神经网络。
示例性地,根据梯度反转后的损失调整预训练神经网络模型的权重参数,构建船只检测模型的方式是梯度反转层在于正向传播的时候记录模型在各层的损失,反向传播的时候,经过该梯度反转层的损失乘上-λ,然后每层网络根据传回的损失进行梯度计算,进而更新本层网络的权重参数,构建卷积神经网络。
本实施例提供的船只检索方法,根据损失利用梯度下降法的方式对卷积神经网络进行训练,提高了卷积神经网络对特征提取的准确率。
作为本申请的一个可选实施方式,上述步骤S110,包括:
将待检测图像输入至预设的YOLO神经网络检测模型,获取船只目标区域。
本实施例提供的预设的YOLO神经网络检测模型用于获取船只目标区域,YOLO神经网络具有速度快、精度高的特点,从而提高了整个船只检索方法的精度和速度。
作为本申请的一个可选实施方式,预设的YOLO神经网络检测模型的构建方式是:
首先,获取船只图像训练样本。
示例性地,具体步骤见本实施例中卷积神经网络的构建方式的第一步,在此不再赘述。
其次,根据船只图像训练样本对预设的YOLO神经网络检测模型中的卷积层、池化层、全连接层和分类层进行训练,调整网络参数,得到预设的YOLO神经网络检测模型。
示例性地,预设的YOLO神经网络包括卷积层、池化层、全连接层、分类层,对预设的YOLO神经网络的训练,调整网络参数的方式可以是按照梯度下降法进行训练,也可以是根据监督算法进行训练,本实施例对预设的YOLO神经网络检测模型的训练方式不做限定,可以根据需要确定。
作为本申请的一个可选实施方式,上述步骤S150,具体包括:
根据汉明距离计算特征库中特征与目标船只图像的相似度。
示例性地,汉明距离表示两个字符串对应位不同的数量,对两个字符串进行异或运算,并统计结果为1的个数,那么这个数就是汉明距离。计算特征库中特征与目标船只图像的汉明距离通过图像处理,得到不同像素值,根据像素值,即可求得相似度,汉明距离越大,相似度越低,汉明距离越小,相似度越高。
本实施例提供的船只检索方法,通过汉明距离计算图像之间的相似度,由于汉明距离的计算方式简单,且快速,能够提高船只检索的速度。
作为本申请的一个可选实施方式,还包括:
首先,获取总检索次数、检索返回的图像数以及检索返回的相关图像数;
其次,根据总检索次数、检索返回的图像数、检索返回的相关图像数及截断值为k时的查准率计算平均检索精度;平均检索精度的计算方式为:
其中,AveP为平均查准率,Q表示总检索次数,q表示第q次检索,AveP由获得,式中,m为总检索次数返回的相关图像数,P(k)为截断值为k时的查准率,用表示,其中n表示一次检索返回的相关图像数,k表示一次检索返回的图像数,rel(k)为指示函数,当返回图像序列中排序为k的图像是相似图像时rel(k)=1,反之,rel(k)=0。
本实施例提供的船只检索方法,利用总检索次数、检索返回的图像数以及检索返回的相关图像数计算平均检索精度,能够宏观把控船只检索的精度。
本实施例提供一种船只检索装置,如图2所示,包括:
待检测图像获取模块210,用于获取待检测图像,在待检测图像中提取船只目标区域;具体实现方式见本实施例上述步骤S110,在此不再赘述。
初步特征提取模块220,用于将船只目标区域输入卷积神经网络;根据卷积神经网络,提取船只目标区域的卷积层特征和全连接层特征,作为初步特征。具体实现方式见本实施例上述步骤S120,在此不再赘述。
组合特征提取模块230,用于将初步特征组合为组合特征,并构建特征库;具体实现方式见本实施例上述步骤S130,在此不再赘述。
相似度计算模块240,用于根据相似度计算算法确定特征库中特征与目标船只图像的相似度,返回相似度大于第一阈值的船只图像。具体实现方式见本实施例上述步骤S140,在此不再赘述。
本实施例提供了一种船只检索装置,将待检测图像中提取出的目标区域输入卷积神经网络,并将卷积神经网络中的卷积层特征和全连接层特征作为初步特征,将初步特征进行组合,构建特征库,利用特征库中的特征与目标船只进行相似度计算,实现了快速对目标船只进行检索。
作为本申请的一个可选实施方式,上述初步特征提取模块230,具体包括:
训练样本获取模块,用于获取船只图像训练样本;具体实现方式见本实施例方法对应部分,在此不再赘述。
输出向量获取模块,用于根据船只图像训练样本对预训练卷积神经网络进行训练,得到输出向量;具体实现方式见本实施例方法对应部分,在此不再赘述。
损失计算模块,用于根据船只图像训练样本对应的实际结果及输出向量计算预训练神经网络模型的损失;具体实现方式见本实施例方法对应部分,在此不再赘述。
网络构建模块,用于根据梯度反转后的损失调整预训练卷积神经网络的权重参数,构建卷积神经网络。具体实现方式见本实施例方法对应部分,在此不再赘述。
作为本申请的一个可选实施方式,待检测图像获取模块210,具体包括:
目标区域获取模块,用于将待检测图像输入至预设的YOLO神经网络检测模型,获取船只目标区域。具体实现方式见本实施例方法对应部分,在此不再赘述。
作为本申请的一个可选实施方式,上述目标区域获取模块,具体包括:
船只图像训练样本获取模块,用于获取船只图像训练样本;具体实现方式见本实施例方法对应部分,在此不再赘述。
YOLO神经网络检测模型获取模块,用于根据船只图像训练样本对预设的YOLO神经网络检测模型中的卷积层、池化层和全连接层进行训练,调整网络参数,得到预设的YOLO神经网络检测模型。具体实现方式见本实施例方法对应部分,在此不再赘述。
作为本申请的一个可选实施方式,上述相似度计算模块250,具体包括:
相似度计算子模块,用于根据汉明距离计算特征库中特征与目标船只图像的相似度。具体实现方式见本实施例方法对应部分,在此不再赘述。
作为本申请的一个可选实施方式,船只检索装置还包括:
数据获取模块,用于获取总检索次数、检索返回的图像数以及检索返回的相关图像数;
平均检索精度计算模块,用于根据总检索次数、检索返回的图像数、检索返回的相关图像数及截断值为k时的查准率计算平均检索精度;平均检索精度的计算方式为:
其中,AveP为平均查准率,Q表示总检索次数,q表示第q次检索,AveP由获得,式中,m为总检索次数返回的相关图像数,P(k)为截断值为k时的查准率,用表示,其中n表示一次检索返回的相关图像数,k表示一次检索返回的图像数,rel(k)为指示函数,当返回图像序列中排序为k的图像是相似图像时rel(k)=1,反之,rel(k)=0。具体实现方式见本实施例方法对应部分,在此不再赘述。
本实施例还提供一种电子设备,如图3所示,处理器310和存储器320,其中处理器310和存储器320可以通过总线或者其他方式连接。
处理器310可以为中央处理器(Central Processing Unit,CPU)。处理器310还可以为其他通用处理器、数字信号处理器(Digital Signal Processor, DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器320作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的船只检索方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理。
存储器320可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储处理器所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器320可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器320中,当被所述处理器310 执行时,执行如图1所示实施例中的船只检索方法。
上述电子设备的具体细节可以对应参阅图1所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
本实施例还提供了一种计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中船只检索方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体 (Read-Only Memory,ROM)、随机存储记忆体(RandomAccess Memory, RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种船只检索方法,其特征在于,包括如下步骤:
获取待检测图像,在所述待检测图像中提取船只目标区域;
将所述船只目标区域输入卷积神经网络,根据所述卷积神经网络,提取所述船只目标区域的卷积层特征和全连接层特征,作为初步特征;
将所述初步特征组合为组合特征,并构建特征库;
根据相似度计算算法确定所述特征库中特征与目标船只图像的相似度,返回相似度大于第一阈值的船只图像。
2.根据权利要求1所述的方法,其特征在于,所述卷积神经网络的构建方式为:
获取船只图像训练样本;
根据所述船只图像训练样本对预训练卷积神经网络进行训练,得到输出向量;
根据所述船只图像训练样本对应的实际结果及所述输出向量计算所述预训练神经网络模型的损失;
根据梯度反转后的损失调整所述预训练卷积神经网络的权重参数,构建卷积神经网络。
3.根据权利要求1所述的方法,其特征在于,所述在所述待检测图像中提取船只目标区域,包括:
将所述待检测图像输入至预设的YOLO神经网络检测模型,获取船只目标区域。
4.根据权利要求3所述的方法,其特征在于,所述预设的YOLO神经网络检测模型的构建方式是:
获取船只图像训练样本;
根据所述船只图像训练样本对所述预设的YOLO神经网络检测模型中的卷积层、池化层和全连接层进行训练,调整网络参数,得到预设的YOLO神经网络检测模型。
5.根据权利要求1所述的方法,其特征在于,所述根据相似度计算算法确定所述特征库中特征与所述目标船只图像的相似度,具体包括:
根据汉明距离计算所述特征库中特征与所述目标船只图像的相似度。
7.一种船只检索装置,其特征在于,包括:
待检测图像获取模块,用于获取待检测图像,在所述待检测图像中提取船只目标区域;
目标区域输入模块,用于将所述船只目标区域输入卷积神经网络;
初步特征提取模块,用于根据所述卷积神经网络,提取所述船只目标区域的卷积层特征和全连接层特征,作为初步特征;
组合特征提取模块,用于将所述初步特征组合为组合特征,并构建特征库;
相似度计算模块,用于根据相似度计算算法确定所述特征库中特征与目标船只图像的相似度,返回相似度大于第一阈值的船只图像。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至6任一所述的船只检索方法的步骤。
10.一种存储介质,其上存储有计算机指令,其特征在于,该指令被处理器执行时实现权利要求1至6任一所述的船只检索方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911368355.5A CN111553182A (zh) | 2019-12-26 | 2019-12-26 | 一种船只检索方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911368355.5A CN111553182A (zh) | 2019-12-26 | 2019-12-26 | 一种船只检索方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111553182A true CN111553182A (zh) | 2020-08-18 |
Family
ID=72007189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911368355.5A Pending CN111553182A (zh) | 2019-12-26 | 2019-12-26 | 一种船只检索方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553182A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232291A (zh) * | 2020-11-06 | 2021-01-15 | 珠海大横琴科技发展有限公司 | 船只检索方法、装置、计算机设备及存储介质 |
CN112232289A (zh) * | 2020-11-06 | 2021-01-15 | 珠海大横琴科技发展有限公司 | 一种船只检索方法、装置、电子设备及存储介质 |
CN112258549A (zh) * | 2020-11-12 | 2021-01-22 | 珠海大横琴科技发展有限公司 | 一种基于背景消除的船只目标跟踪方法及装置 |
CN112328826A (zh) * | 2020-11-03 | 2021-02-05 | 珠海大横琴科技发展有限公司 | 一种船只图像检索方法、装置、电子设备以及存储介质 |
CN113111208A (zh) * | 2021-05-11 | 2021-07-13 | 青岛以萨数据技术有限公司 | 一种以图搜图的方法、***、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977897A (zh) * | 2019-04-03 | 2019-07-05 | 厦门兴康信科技股份有限公司 | 一种基于深度学习的船舶特征重识别方法、应用方法及*** |
CN110008900A (zh) * | 2019-04-02 | 2019-07-12 | 北京市遥感信息研究所 | 一种由区域到目标的可见光遥感图像候选目标提取方法 |
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 |
-
2019
- 2019-12-26 CN CN201911368355.5A patent/CN111553182A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008900A (zh) * | 2019-04-02 | 2019-07-12 | 北京市遥感信息研究所 | 一种由区域到目标的可见光遥感图像候选目标提取方法 |
CN109977897A (zh) * | 2019-04-03 | 2019-07-05 | 厦门兴康信科技股份有限公司 | 一种基于深度学习的船舶特征重识别方法、应用方法及*** |
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 |
Non-Patent Citations (2)
Title |
---|
陈国伟等: "海量船舶自动识别***中数据检索***的设计与实现", 《计算机应用》 * |
陈良宵 等: "基于形状特征的叶片图像识别算法比较研究", 《计算机工程与应用》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112328826A (zh) * | 2020-11-03 | 2021-02-05 | 珠海大横琴科技发展有限公司 | 一种船只图像检索方法、装置、电子设备以及存储介质 |
CN112232291A (zh) * | 2020-11-06 | 2021-01-15 | 珠海大横琴科技发展有限公司 | 船只检索方法、装置、计算机设备及存储介质 |
CN112232289A (zh) * | 2020-11-06 | 2021-01-15 | 珠海大横琴科技发展有限公司 | 一种船只检索方法、装置、电子设备及存储介质 |
CN112258549A (zh) * | 2020-11-12 | 2021-01-22 | 珠海大横琴科技发展有限公司 | 一种基于背景消除的船只目标跟踪方法及装置 |
CN112258549B (zh) * | 2020-11-12 | 2022-01-04 | 珠海大横琴科技发展有限公司 | 一种基于背景消除的船只目标跟踪方法及装置 |
CN113111208A (zh) * | 2021-05-11 | 2021-07-13 | 青岛以萨数据技术有限公司 | 一种以图搜图的方法、***、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553182A (zh) | 一种船只检索方法、装置及电子设备 | |
EP3989119A1 (en) | Detection model training method and apparatus, computer device, and storage medium | |
US11586664B2 (en) | Image retrieval method and apparatus, and electronic device | |
CN109815770B (zh) | 二维码检测方法、装置及*** | |
CN109960742B (zh) | 局部信息的搜索方法及装置 | |
CN109871821B (zh) | 自适应网络的行人重识别方法、装置、设备及存储介质 | |
CN113065558A (zh) | 一种结合注意力机制的轻量级小目标检测方法 | |
US20140193077A1 (en) | Image retrieval apparatus, image retrieval method, query image providing apparatus, query image providing method, and program | |
CN112329888B (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
CN111814902A (zh) | 目标检测模型训练方法、目标识别方法、装置和介质 | |
CN111695572A (zh) | 一种基于卷积层特征提取的船只检索方法及装置 | |
CN109242826B (zh) | 基于目标检测的移动设备端签状物根数计数方法及*** | |
CN112948612B (zh) | 人体封面生成方法、装置、电子设备及存储介质 | |
CN113129335B (zh) | 一种基于孪生网络的视觉跟踪算法及多模板更新策略 | |
KR102349854B1 (ko) | 표적 추적 시스템 및 방법 | |
CN112200057A (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
CN111126278A (zh) | 针对少类别场景的目标检测模型优化与加速的方法 | |
CN112001403A (zh) | 一种图像轮廓检测方法及*** | |
CN112101114B (zh) | 一种视频目标检测方法、装置、设备以及存储介质 | |
CN109325539B (zh) | 绝缘子掉串检测方法及装置 | |
CN113780145A (zh) | ***形态检测方法、装置、计算机设备和存储介质 | |
CN109961103B (zh) | 特征提取模型的训练方法、图像特征的提取方法及装置 | |
CN109978058B (zh) | 确定图像分类的方法、装置、终端及存储介质 | |
CN112966762B (zh) | 一种野生动物检测方法、装置、存储介质及电子设备 | |
CN111553183A (zh) | 一种船只检测模型训练方法、船只检测方法及装置 |
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: 20200818 |