CN111582012A - 一种检测小目标船只方法及装置 - Google Patents
一种检测小目标船只方法及装置 Download PDFInfo
- Publication number
- CN111582012A CN111582012A CN201911350052.0A CN201911350052A CN111582012A CN 111582012 A CN111582012 A CN 111582012A CN 201911350052 A CN201911350052 A CN 201911350052A CN 111582012 A CN111582012 A CN 111582012A
- Authority
- CN
- China
- Prior art keywords
- ship
- data set
- training
- small target
- picture
- 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 24
- 238000012549 training Methods 0.000 claims abstract description 64
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 230000015654 memory Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 230000006835 compression Effects 0.000 abstract description 2
- 238000007906 compression Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/32—Normalisation of the pattern dimensions
-
- 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
- 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
- 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)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及智能技术计算机视觉领域，具体涉及一种检测小目标船只方法及装置。包括：获取船只数据集，对船只数据集中的船只图片进行像素压缩预处理，并把船只数据集划分为训练数据集与测试数据集；采用训练数据集进行深度学习，构建训练模型；基于测试数据输入训练模型中训练，以获得小目标船只的结果；其中小目标船只的检测结果包括预测框位置和小目标位置信息。通过对获取的船只数据集进行预处理，使获取的图像像素变小，通过对获取的船只数据集进行尺度变换和预处理，使获取的图像变小，但还保持一定高分辨率，在利用YOLO网络对获取的图像进行实时训练检测，从而使实现快速识别远方船只和在摄像头中显示目标太小的船只信息。
Description
技术领域
本发明涉及智能技术计算机视觉领域，具体涉及一种检测小目标船只 方法及装置。
背景技术
在目前的电子围网业务中，由于船只从远方驶来时在摄像头中显示太 小或存在渔船太小，导致船只特征不明显无法被快速识别。
发明内容
有鉴于此，本发明实施例提供了一种检测小目标船只方法及装置，以 解决船只从远方驶来时在摄像头中显示太小或存在渔船太小，导致船只特 征无法快速被识别的问题。
根据第一方面，本发明实施例提供了一种检测小目标船只方法，包括：
获取船只数据集，对船只数据集中的船只图片进行尺度调整，把尺度 调整后的船只图片进行预处理；其中，预处理把船只数据集划分为训练数 据集与测试数据集；
采用训练数据集进行YOLO网络的深度学习，构建训练模型；
基于测试数据输入训练模型中训练，以获得小目标船只的结果；其中 小目标船只的检测结果包括预测框位置和小目标位置信息。
通过对获取的船只数据集进行尺度变换和预处理，使获取的图像变小， 但还保持一定高分辨率，在利用YOLO网络对获取的图像进行实时训练检 测，从而使实现快速识别远方船只和在摄像头中显示目标太小的船只信息。
结合第一方面，在第一方面第一实施方式中，对船只数据集中的船只 图片进行尺度调整包括：
对船只图片的尺寸进行放大或缩小；
利用图像金字塔对船只图片进行预设次数的采样，以获得多分辨率的 船只图片；
通过对船只数据集中的船只图片进行预处理从而保证了训练数据的一 致性，有利于后续进行数据训练和检测，通过对图像尺寸进行放大和缩小， 保证图像清晰度，利用采样，使得数据图像能够获得多分辨率的船只图片 有利于后续网络对船只数据中的小目标船只进行数据提取。
结合第一方面，在第一方面第二实施方式中，构建训练模型，包括：
通过YOLO网络的基础框架对训练数据集进行特征提取，并将所提取 的特征分别用3个检测器进行检测；
利用检测器输出的每个单元格中预测3个不同尺度和长宽比的边界框 在3个预测的边界框中选择与真实框最接近的作为预测值来更新网络参数， 其中，每个边界框包含5个预测量。
根据训练数据集中的标注信息，对所检测到的预测量进行损失函数计 算，以获得船只训练结果。
结合第一方面，在第一方面第三实施方式中，构建训练模型还包括设 置损失，损失函数为：
其中，
为第N个船只的位置信息和边界信息的预测值， (xi,yi,wi,hi)为第N个果实的位置和边界信息的标记值，
是预测边界框与 标签边界框的交叉部分，Ci是置信度得分，
为给定种类概率，pi(c)为预 测种类给定种类的概率，
表示为有目标落在单元i的第j个检测框中， 
表示为有目标落在单元i的所有检测框，其中，λcoord为最高执信度惩罚 的坐标预测值和λnoobj为最低置信度预测惩罚。
结合第一方面，在第一方面第四实施方式中，最高执信度惩罚的坐标 预测值设置为λcoord＝5和最低置信度预测惩罚设置为λnoobj＝0.5。
通过构建YOLO训练模型，从而保证能够快速进行数据船只的识别， 在通过设置损失函数从而使预测的结果能够被快速检测。
根据第二方面，本发明实施例提供了一种基于监控数据的小目标检测 装置，包括：
获取模块10，用于获取船只数据集，对船只数据集中的船只图片进行 像素压缩预处理，并把船只数据集划分为训练数据集与测试数据集；
训练模块20，用于采用训练数据集进行深度学习，构建训练模型；
预测模块30，基于测试数据输入训练模型中训练，以获得小目标船只 的结果；其中小目标船只的检测结果包括预测框位置和小目标位置信息。
获取模块在获取图片数据之前，需要进行尺度变换和预处理，从而保 证输入深度网络中的图片数据能够检测出小目标，或是低像素目标图片， 以保证数据测试结果的准确性。
根据第三方面，本发明实施例提供了一种电子设备，包括：存储器和 处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令， 处理器通过执行计算机指令，从而执行第一方面或者第一方面的任意一种 实施方式中的基于监控数据的小目标检测方法。
根据第四方面，本发明实施例提供了一种计算机可读存储介质，计算 机可读存储介质存储计算机指令，计算机指令用于使计算机执行第一方面 或者第一方面的任意一种实施方式中的基于监控数据的小目标检测方法。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性 的而不应理解为对本发明进行任何限制，在附图中：
图1是根据本发明实施例的一种检测小目标船只方法的流程图；
图2是根据本发明实施例的一种检测小目标船只方法的训练模型的流 程图；
图3是根据本发明实施例的一种基于监控数据的小目标检测装置的结 构示意图；
图4是根据本发明实施例的一种电子设备的结构示意图；
附图标记
10-获取模块；20-训练模块；30-预测模块；
20-存储器；21-处理器；22-总线。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本 发明实施例中的附图，对本发明实施例中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，本领域技术人员在没有作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。
本发明实施例提供一种检测小目标船只方法，如图1所示，包括:
S10，获取船只数据集，对船只数据集中的船只图片进行尺度调整，把 尺度调整后的船只图片进行预处理；其中，预处理把船只数据集划分为训 练数据集与测试数据集；从视频监控中获取视频画面帧，以构建船只数据 集，其中船只数据集中包含有多种不同类型，且大小目标不一致、背景图 像的高分辨率的图片集合。利用尺度变换对船只数据集中的船只图片进行 尺度变换，在筛除存在遮挡对象的船只图片，并对船只图片数据进行分类， 分为训练数据集和测试数据集，以保证把图片数据输入训练网络中能够快 速进性目标船只检测。
S11,采用训练数据集进行YOLO网络的深度学习，构建训练模型；利 用YOLO网络的执行速度的优势，对训练数据集进行数据特征提取融合， 以保证能够输出所框选出的小目标船只。
S12,基于测试数据输入训练模型中训练，以获得小目标船只的结果； 其中小目标船只的检测结果包括预测框位置和小目标位置信息。
通过对获取的船只数据集进行预处理，使获取的图像像素变小，利用 深度学习对小像素图像进行实时训练检测，以获得小目标检测结果。从而 解决了船只从远方驶来时在摄像头中显示太小或存在渔船太小，导致船只 特征不明显无法被识别的问题。
本发明实施例提供一种检测小目标船只方法，具体如图2所示，包括：
1.对船只数据集中的船只图片进行尺度调整；
对船只图片的尺寸进行放大或缩小；
利用图像金字塔对船只图片进行预设次数的采样，以获得多分辨率的 船只图片；
对船只数据集进行船只图片的尺度调整，可以是调整船只图片的长宽 比，但必须要保证数据图片的清晰。且所有输入网络中的图片尺寸是统一 的，以保证在进行训练和验证结果中的执行速度和效率。
利用图像金字塔进行预设次数的采样可以是：
对船只图片进行高斯内核卷积，之后进行高斯模糊；并将所有偶数行 列删除，在迭代预设次数该采样操作，以获得缩小图像，在把缩小的图像 送入网络中进行小目标检测。其中进行预设次数的采样，以保证所获得的 采样数据能够清晰且能满足能够快速进行小目标检测。其中，利用图像金 字塔也可以是：高斯金字塔或拉普拉斯金字塔。其中使用拉普拉斯金字塔 可以对图像进行最大程度还原，但还需要与高斯金字塔使用。
通过对船只数据集进行预处理从而保证了训练数据的一致性，有利于 后续进行数据训练和检测。
2.构建训练模型,如图2所示，包括：
S20，通过YOLO网络的基础框架对训练数据集进行特征提取，并将所 提取的特征分别用3个检测器进行检测，其中3个检测器可以是满足不同 尺度的检测框，优选的检测小目标应使用最小的检测框。其中通过YOLO 网络最终提取的是小目标船只的选框和小目标船只的位置信息。在YOLO 网络中通过将输入图像分为S*S个像素格，若预测目标船只的中心位置的 坐标落入预测选框中像素格中，则该像素格负责进行船只检测。
S21，利用检测器输出的每个单元格中预测3个不同尺度和长宽比的边 界框在3个预测的边界框中选择与真实框最接近的作为预测值来更新网络 参数，其中，每个边界框包含3个预测量。
S22，根据训练数据集中的标注信息，对所检测到的预测量进行损失函 数计算，以获得船只训练结果。其中，损失函数为：
其中，
为第N个船只的位置信息和边界信息的预测值， (xi,yi,wi,hi)为第N个果实的位置和边界信息的标记值，
是预测边界框与 标签边界框的交叉部分，Ci是置信度得分，
为给定种类概率，pi(c)为预 测种类给定种类的概率，
表示为有目标落在单元i的第j个检测框中， 
表示为有目标落在单元i的所有检测框，其中，λcoord为最高执信度惩罚 的坐标预测值和λnoobj为最低置信度预测惩罚。
通过构建YOLO训练模型，从而保证能够快速进行数据船只的识别， 在通过设置损失函数从而使预测的结果能够进行快速确定。
优选的，最高执信度惩罚的坐标预测值设置为λcoord＝5和最低置信度预 测惩罚设置为λnoobj＝0.5。
本发明实施例提供了一种检测小目标船只装置，如图3所示，包括：
获取模块10，获取船只数据集，对船只数据集中的船只图片进行尺度 调整，把尺度调整后的船只图片进行预处理；其中，预处理把船只数据集 划分为训练数据集与测试数据集；
训练模块11，用于采用训练数据集进行深度学习，构建训练模型；
预测模块12，基于测试数据输入训练模型中训练，以获得小目标船只 的结果；其中小目标船只的检测结果包括预测框位置和小目标位置信息。
获取模块获取船只数据集，并对获取的船只数据进行预处理，之后进 行预处理，尺度调整，使其能够满足对船只图片中的小目标船只进行，以 方便后续对船只图片数据送入YOLO网络中快速对识别结果进行提取。
本发明实施例还提供了一种电子设备，如图4所示，该电子设备可以 包括处理器21和存储器20，其中处理器21和存储器20可以通过总线22 或者其他方式连接，图4中以通过总线连接为例。
处理器21可以为中央处理器(Central Processing Unit，CPU)。处 理器21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20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车载显 示装置按键屏蔽方法对应的程序指令/模块(例如，图3所示的获取模块10、 训练模块20、预测模块30)。处理器21通过运行存储在存储器20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，即实现上述方法实施例中的船只数量统计方法。
存储器20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 21所创建的数据等。此外，存储器20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20可选包括相对于处理器21 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21。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。
一个或者多个模块存储在存储器20中，当被处理器21执行时，执行 如图1-2所示实施例中的船只数量统计方法。
上述电子设备的具体细节可以对应参阅图1至图2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。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程， 是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于一计算 机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的 流程。其中，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(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-StateDrive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不 脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变 型均落入由所附权利要求所限定的范围之内。
Claims (8)
1.一种检测小目标船只方法，其特征在于，包括：
获取船只数据集，对所述船只数据集中的船只图片进行尺度调整，把尺度调整后的船只图片进行预处理；其中，所述预处理把船只数据集划分为训练数据集与测试数据集；
采用所述训练数据集进行YOLO网络的深度学习，构建训练模型；
基于所述测试数据输入训练模型中训练，以获得小目标船只的结果；其中小目标船只的检测结果包括预测框位置和小目标位置信息。
2.根据权利要求1所述的方法，其特征在于，所述对所述船只数据集中的船只图片进行尺度调整包括：
对所述船只图片的尺寸进行放大或缩小；
利用图像金字塔对船只图片进行预设次数的采样，以获得多分辨率的船只图片。
3.根据权利要求2所述的方法，其特征在于，所述构建训练模型，包括：
通过YOLO网络的基础框架对训练数据集进行特征提取，并将所提取的特征分别用3个检测器进行检测；
利用所述检测器输出的每个单元格中预测3个不同尺度和长宽比的边界框在3个预测的边界框中选择与真实框最接近的作为预测值来更新网络参数，其中，每个边界框包含3个预测量；
根据训练数据集中的标注信息，对所检测到的所述预测量进行损失函数计算，以获得小目标船只的训练结果。
4.根据权利要求3所述的方法，其特征在于，所述构建训练模型还包括设置损失，所述损失函数为：
其中，
为第N个船只的位置信息和边界信息的预测值，(xi,yi,wi,hi)为第N个船只的位置和边界信息的标记值，
是预测边界框与标签边界框的交叉部分，Ci是置信度得分，
为给定种类概率，pi(c)为预测种类给定种类的概率，
表示为有目标落在单元i的第j个检测框中，
表示为有目标落在单元i的所有检测框，其中，λcoord为最高执信度惩罚的坐标预测值和λnoobj为最低置信度预测惩罚。
5.根据权利要求4所述的方法，其特征在于，所述最高执信度惩罚的坐标预测值设置为λcoord＝5和最低置信度预测惩罚设置为λnoobj＝0.5。
6.一种检测小目标船只装置，其他特征在于，包括：
获取模块，用于获取船只数据集，对所述船只数据集中的船只图片进行尺度调整，把尺度调整后的船只图片进行预处理；其中，所述预处理把船只数据集划分为训练数据集与测试数据集；
训练模块，用于采用所述训练数据集进行深度学习，构建训练模型；
预测模块，用于基于所述测试数据输入训练模型中训练，以获得小目标船只的结果；其中小目标船只的检测结果包括预测框位置和小目标位置信息。
7.一种电子设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-5中任一项所述的基于监控数据的小目标检测方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的基于监控数据的小目标检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911350052.0A CN111582012A (zh) | 2019-12-24 | 2019-12-24 | 一种检测小目标船只方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911350052.0A CN111582012A (zh) | 2019-12-24 | 2019-12-24 | 一种检测小目标船只方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111582012A true CN111582012A (zh) | 2020-08-25 |
Family
ID=72124231
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911350052.0A Pending CN111582012A (zh) | 2019-12-24 | 2019-12-24 | 一种检测小目标船只方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111582012A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112001912A (zh) * | 2020-08-27 | 2020-11-27 | 北京百度网讯科技有限公司 | 目标检测方法和装置、计算机***和可读存储介质 |
| CN112926426A (zh) * | 2021-02-09 | 2021-06-08 | 长视科技股份有限公司 | 基于监控视频的船舶识别方法、***、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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*** |
| CN109241913A (zh) * | 2018-09-10 | 2019-01-18 | 武汉大学 | 结合显著性检测和深度学习的船只检测方法及*** |
| CN109784278A (zh) * | 2019-01-17 | 2019-05-21 | 上海海事大学 | 基于深度学习的海上弱小运动船舶实时检测方法 |
| CN109934236A (zh) * | 2019-01-24 | 2019-06-25 | 杰创智能科技股份有限公司 | 一种基于深度学习的多尺度转换目标检测算法 |
| CN110443208A (zh) * | 2019-08-08 | 2019-11-12 | 南京工业大学 | 一种基于YOLOv2的车辆目标检测方法、***及设备 |
-
2019
- 2019-12-24 CN CN201911350052.0A patent/CN111582012A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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*** |
| CN109241913A (zh) * | 2018-09-10 | 2019-01-18 | 武汉大学 | 结合显著性检测和深度学习的船只检测方法及*** |
| CN109784278A (zh) * | 2019-01-17 | 2019-05-21 | 上海海事大学 | 基于深度学习的海上弱小运动船舶实时检测方法 |
| CN109934236A (zh) * | 2019-01-24 | 2019-06-25 | 杰创智能科技股份有限公司 | 一种基于深度学习的多尺度转换目标检测算法 |
| CN110443208A (zh) * | 2019-08-08 | 2019-11-12 | 南京工业大学 | 一种基于YOLOv2的车辆目标检测方法、***及设备 |
Non-Patent Citations (2)
| Title |
|---|
| 于洋，李世杰，陈亮，刘韵婷: ""基于改进YOLOv2的船舶目标检测方法"", 《计算机科学》 * |
| 徐鹏: ""基于CNN的SAR舰船检测及其在移动终端的应用"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112001912A (zh) * | 2020-08-27 | 2020-11-27 | 北京百度网讯科技有限公司 | 目标检测方法和装置、计算机***和可读存储介质 |
| CN112001912B (zh) * | 2020-08-27 | 2024-04-05 | 北京百度网讯科技有限公司 | 目标检测方法和装置、计算机***和可读存储介质 |
| CN112926426A (zh) * | 2021-02-09 | 2021-06-08 | 长视科技股份有限公司 | 基于监控视频的船舶识别方法、***、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11798132B2 (en) | Image inpainting method and apparatus, computer device, and storage medium | |
| US10943145B2 (en) | Image processing methods and apparatus, and electronic devices | |
| WO2020238560A1 (zh) | 视频目标跟踪方法、装置、计算机设备及存储介质 | |
| CN108520229B (zh) | 图像检测方法、装置、电子设备和计算机可读介质 | |
| CN111291637A (zh) | 一种基于卷积神经网络的人脸检测方法、装置及设备 | |
| US20180114071A1 (en) | Method for analysing media content | |
| AU2021354030B2 (en) | Processing images using self-attention based neural networks | |
| CN113496208B (zh) | 视频的场景分类方法及装置、存储介质、终端 | |
| CN112419202B (zh) | 基于大数据及深度学习的野生动物图像自动识别*** | |
| US11232561B2 (en) | Capture and storage of magnified images | |
| CN111523558A (zh) | 一种基于电子围网的船只遮挡检测方法、装置及电子设备 | |
| CN112101386A (zh) | 文本检测方法、装置、计算机设备和存储介质 | |
| CN111339902A (zh) | 一种数显仪表的液晶屏示数识别方法及装置 | |
| CN110555424A (zh) | 港口集装箱布局检测方法、装置、设备及可读存储介质 | |
| CN111260628A (zh) | 基于视频图像的大型苗圃苗木数量统计方法及电子设备 | |
| CN111582012A (zh) | 一种检测小目标船只方法及装置 | |
| CN111553184A (zh) | 一种基于电子围网的小目标检测方法、装置及电子设备 | |
| CN117808708A (zh) | 云雾遥感影像的处理方法、装置、设备和介质 | |
| CN111667450A (zh) | 一种船只数量统计方法、装置及电子设备 | |
| CN110210314B (zh) | 人脸检测方法、装置、计算机设备及存储介质 | |
| CN112329729B (zh) | 小目标船只检测方法、装置及电子设备 | |
| CN114330542A (zh) | 一种基于目标检测的样本挖掘方法、装置及存储介质 | |
| CN114241354A (zh) | 仓库人员行为识别方法、装置、计算机设备、存储介质 | |
| CN111695398A (zh) | 一种小目标船只识别方法、装置及电子设备 | |
| CN112395993A (zh) | 基于监控视频数据的遮挡船只检测方法、装置及电子设备 |
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: 20200825 |
|
| RJ01 | Rejection of invention patent application after publication |