CN111652321B - 一种基于改进yolov3算法的海上船舶检测方法 - Google Patents

一种基于改进yolov3算法的海上船舶检测方法 Download PDF

Info

Publication number
CN111652321B
CN111652321B CN202010522217.4A CN202010522217A CN111652321B CN 111652321 B CN111652321 B CN 111652321B CN 202010522217 A CN202010522217 A CN 202010522217A CN 111652321 B CN111652321 B CN 111652321B
Authority
CN
China
Prior art keywords
layer
model
convolution
network
loss
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
Application number
CN202010522217.4A
Other languages
English (en)
Other versions
CN111652321A (zh
Inventor
段先华
潘慧
罗斌强
李巍
杨海玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University of Science and Technology
Original Assignee
Jiangsu University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University of Science and Technology filed Critical Jiangsu University of Science and Technology
Priority to CN202010522217.4A priority Critical patent/CN111652321B/zh
Publication of CN111652321A publication Critical patent/CN111652321A/zh
Application granted granted Critical
Publication of CN111652321B publication Critical patent/CN111652321B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于计算机视觉目标检测领域，尤其涉及一种基于改进YOLOV3算法的海上船舶检测方法，可用于海上船舶目标检测，包括以下步骤：步骤一、设计多尺度特征融合的网络结构；步骤二、设计特征信息交互网络结构；步骤三、优化模型损失函数；步骤四、数据集平衡化处理和先验框聚类；步骤五、模型训练：所述模型包括数据预处理模块和改进YOLOV3网络结构；步骤六、对目标图像使用已训练好的模型预测船舶的类别和位置信息。本发明相比于现有的基于深度学习的检测算法，具有较高的检测精度，能够适用于拍摄的彩色图像中的船舶检测。

Description

一种基于改进YOLOV3算法的海上船舶检测方法
技术领域
本发明属于计算机视觉目标检测领域，尤其涉及一种基于改进YOLOV3算 法的海上船舶检测方法，可用于海上船舶目标检测。
背景技术
针对海洋背景下的船舶检测识别问题，目前常见的解决方法有两类，一类为 成像系列，以基于孔径合成雷达的SAR图像、红外图像的检测方法为主，它的 应用比较成熟，但其成像未能包含目标丰富的光谱信息，且与人类视觉习惯相偏 差，不利于网络提取更丰富的特征信息，从而降低了检测的精度。另一类非成像 系列利用声呐等技术获取船舶目标的相关信号，但是海上环境复杂，且通信传输 通道复杂，对小目标的船舶检测效果极差。
传统目标检测方法总体上分为三个步骤：首先输入图像并在图像上生成候选 区域，其次对候选区域提取人工特征，最后训练分类器并进行图像分类。但基于 图像处理结合机器学习算法的传统目标检测存在的问题并未得到根本上的解决： 首先是滑动窗口的像素遍历，对于区域选择没有任何的针对性，造成窗口冗余且 时间复杂度高；其次人工设计的特征面对多样的目标形态以及多变的环境背景不具有普适性以及鲁棒性。
基于卷积神经网络的目标检测，大体流程是先进行图像的深层次特征提取， 再利用深度神经网络进行目标识别与定位，所使用的深度神经网络模型主要是卷 积神经网络。卷积神经网络模型是由各种层按照既定顺序排列叠加而成，各层之 间通过可微分函数将特征图逐层传递，实现从数据输入、特征提取、结果输出的 完整网络。但是在利用神经网络做图像检测时，首先最大的问题是数据集的匮乏，其次是面对低质量的图片，如果网络学习能力不够，无法检测出目标，更容易出 现误检和漏检的情况。
发明内容
为了克服现有技术的上述缺点和不足，本发明的目的在于提供一种基于改进YOLOV3算法的海上船舶检测方法，能够有效提升船舶检测的类别精度和位置 信息准确度。
本发明的目的通过以下技术方案实现：
一种基于改进YOLOV3算法的海上船舶检测方法，包括以下步骤：
步骤一、设计多尺度融合网络结构，在原有YOLOV3算法模型的3个尺度 基础上增加一个检测尺度模块；
步骤二、设计特征信息交互网络结构，用于低层特征和高层特征融合之后， 将低层与高层的特征信息进行多次交互；
步骤三、优化全局损失函数，全局损失函数为三个部分的和：位置损失、类 别损失和置信度损失，其中优化的部分为位置损失；
步骤四、数据集平衡化处理和先验框聚类；
步骤五、模型训练，其中，模型包括数据预处理模块和改进的YOLOV3网 络结构；
步骤六、对目标图像使用已训练好的模型预测船舶的类别和位置信息。
本发明的进一步改进，在上述步骤一多尺度融合网络结构中，新增的尺度模 块分为四个功能层：第一层为链接层，将网络的第103层的输出特征链接为尺度 融合操作的输入；第二层为卷积层，卷积核大小为上一层的一半，大小为1*1； 第三层上采样层，对上一层的输出采用双线性插值算法扩大输出尺寸；第四层尺 度融合层，经过上采样的输出作为融合输入1，网络低层同等大小尺寸的输出作 为融合输入2，将两者进行通道拼接。
本发明的进一步改进，在上述步骤二中，特征信息交互模块为两个部分，总 共九个卷积层：第一部分由三个卷积层组成，第一层卷积层为512/2n个卷积核， 大小为1*1/1；第二层为512/2n-1个卷积核，大小为3*3/1，第三层为512/2n个卷 积核，大小为3*3/1；第二部分由四组相同的卷积模块构成，每个卷积模块由两 个卷积层组成，第一层卷积层为512/2n-1个卷积核，大小为1*1/1，第二层为512/2n个卷积核，大小为3*3/1，每个卷积层后面接一层正则化层和线性激活函数层， 其中，描述中n参数表示尺度的编号。
本发明的进一步改进，上述步骤三中的全局平均损失函数分为了三个部分， 优化部分为边框损失，其计算公式为：
Figure SMS_1
其中，Ap，Ag表示预测框和真实框的面积，Al表示两个框的重叠面积，Ac表示两个框的最小包围框的面积。
本发明的进一步改进，在上述步骤四数据集平衡化处理和先验框聚类中，具 体的步骤为：
首先，对一张图像所取得的正样本全部采用，对正样本采取镜像旋转，裁剪 处理措施，增加正样本的数量；
其次，并随机选取与正样本数量的三分之一致的负样本；将所有样本的规格 归一化到640*720大小；
最后利用Kmeans算法对船舶的常规尺寸进行聚类。
本发明的进一步改进，在上述步骤五中，模型的训练包括以下步骤：
5.1、网络参数初始化；
5.2、设置训练参数；
5.3、加载训练数据；
5.4、迭代训练。
本发明的进一步改进，在上述步骤5.1网络参数初始化中，具体操作为：采 用fine-tune策略，利用Darknet-53模型提取输入图像的特征信息。
本发明的进一步改进，在上述步骤5.2设置训练参数中，具体操作为：网络 的初始学习率设置为0.001，学习动量设为0.9，权重衰减为0.0005。
本发明的进一步改进，在上述步骤5.4迭代训练中，采用随机梯度下降算法 对改进的网络结构进行迭代训练，每迭代1000次保存一次网络参数，经过不断 迭代，取得网络最优解。
本发明的有益效果：与现有的技术相比较，本发明具有以下优点：
一、平均精度高：本发明在原有网络的尺度基础上增加检测尺度，同时在尺 度融合之后加入特征信息交互模块，使得低层的细节信息和高层的抽象信息融合 更加充分，一定程度上提升了整个算法的性能；
二、目标位置信息准确：本发明在边框损失部分采用了GIOU损失，解决了 损失函数和优质边框评比之间的矛盾问题，提升了目标边框位置信息的准确性， 降低模型的平均损失，增强模型的鲁棒性；
三、本发明与其他流行检测算法在国际公共数据集上做对比，精度效果更胜 一筹。
附图说明
图1为本发明的流程示意图。
图2为本发明中网络加入特征信息融合模块和原有模型的融合模块输出对 比图；其中，(a)是原有模型的第三尺度上采样输出特征图，(b)原有模型的第三尺度高低层融合输出特征图，(c)原有模型的第三尺度特征信息交互输出特征 图，(d)改进模型的第三尺度上采样输出特征图，(e)改进模型的第三尺度高低 层融合输出特征图，(f)改进模型的第三尺度特征信息交互输出特征图。
图3为以改进模型为训练框架，得到原有损失函数和优化后损失函数的平均 趋势曲线。
具体实施方式
为了加深对本发明的理解，下面将结合附图和实施例对本发明做进一步详细 描述，该实施例仅用于解释本发明，并不对本发明的保护范围构成限定。
实施例：如图1所示，一种基于改进YOLOV3算法的海上船舶检测方法， 包括以下步骤：
步骤一、设计多尺度特征融合网络结构：该多尺度特征融合网络结构是在原 有的YOLOV3的网络结构上，增加一个检测尺度；采用Darknet-53作为整个模 型的特征提取网络。
原有网络拥有3个检测尺度，所以在原有的网络最后增加四个功能层，以实 现第4个检测尺度的初步融合。
新增尺度的网络结构具体为：
第一层为链接层，将原有网络的第三尺度的输出特征链接为尺度初步融合操 作的输入；第二层为卷积层，卷积核大小为上一层的一半，大小为1*1/1；第三 层上采样层，对上一层的输出采用双线性插值算法扩大输出尺寸；第四层尺度融 合层，经过上采样的输出作为融合输入1，网络低层同等大小尺寸的输出作为融 合输入2，将两者进行通道拼接。卷积层后接一层正则化层(Batch Normalization) 和线性激活函数层(Leaky Relu)。
步骤二、设计特征信息交互网络结构；该交互网络结构分布于每个尺度初步 融合之后，对融合之后的特征进行多次卷积，将高底层的所携带的信息进行充分 交互。
该网络结构分为了两个部分，总共九个卷积层：第一部分由三个卷积层组成， 第一层卷积层为512/2n个卷积核，大小为1*1/1，第二层为512/2n-1个卷积核， 大小为3*3/1，第三层为512/2n个卷积核，大小为3*3/1；第二部分由四组相同的 卷积模块构成，每个卷积模块由两个卷积层组成，第一层卷积层为512/2n-1个卷 积核，大小为1*1/1，第二层为512/2n个卷积核，大小为3*3/1，每个卷积层后面 接一层正则化层和线性激活函数层，其中，描述中n参数表示尺度的编号。
由图2的对比图可以看出，对上采样、尺度融合和信息交互三个模块的特征 输出进行灰度化。从原始模型的特征灰度图来看，其在目标形状，背景和目标分 割界线方面，视觉效果不如本发明的改进模型。
在网络中加入信息交互模块之后可以看出，该模块加强了细节信息的表达， 使得船体凸出部分的特征得到显示。对于检测层来说，细粒度特征丰富的输出更 容易检测出目标的类别和位置信息，这也有助于提升整个模型的性能。
步骤三、设计模型平均损失函数，在改进的YOLOV3网络模型的前提下， 对原有模型所用的损失函数进行优化，优化部分为边框损失，具体的计算公式如 下:
Figure SMS_2
其中，Ap，Ag表示预测框和真实框的面积，Al表示两个框的重叠面积，Ac表示两个框的最小包围框的面积。
最终上述边框损失、类别损失和置信度损失组成的模型损失函数的计算公式 如下：
Figure SMS_3
其中，S表示检测层将待预测的特征图划分为S*S个网格；B表示每个网格 预测B个边界框，取值是由每个网格代表的边界框是否预测某个对象决定，若 是负责那么值为1，否则为0，为参与预测的边界框含有目标的置信度，若边界框不参与目标预测，但是其与真实框的IOU值大于设定的阈值，那么值为0，其 他的情况下，其值为1。
Figure SMS_4
表示边界框是否预测对象，classes表示预测类别，/>
Figure SMS_5
为类别概率，/>
Figure SMS_6
为预测类别的条件概率。
两种Loss函数随着Baches数的变化曲线如图3所示。虽然两者在迭代一定 次数之后都趋于零值，达到收敛状态，但是优化损失函数之后，模型平均损失收 敛更快，曲线整体值低于原有损失函数值，而且batch之间的纵坐标数值波动大 幅度减小，稳定性增强。由此看出，使用优化原有损失函数之后，模型的性能更加稳定，同时具有较高的鲁棒性。
步骤四、数据集平衡化处理和先验框聚类：正负样本不平衡的数据集会对模 型的性能产生不良的影响，鲁棒性得不到增强，弱化模型学习特征的能力。所以 在建立船舶数据集时，会对正样本镜像旋转，曝光等处理手段，增加非正常包含 目标的图像数量，随机选取与正样本三分之二数量一致的负样本，将所有样本的 规格统一为640*720。
图片目标标注之后，利用Kmeans算法对船舶的常规尺寸进行聚类，并选取 12个尺寸应用于相对应的尺度检测图。
步骤五、模型训练：所述模型包括先验框聚类模块和改进YOLOV3网络结 构。其中，改进YOLOV3网络的具体训练步骤如下：
5.1、采用fine-tune策略，利用Darknet-53模型提取输入图像的特征信息， 将其训练好的模型参数作为初始值。
5.2、设置训练参数：网络的初始学习率设置为0.001，学习动量设为0.9， 权重衰减为0.0005，前40000次迭代次数中学习率不变化，到45000迭代次数中 学习率为前者的0.1倍，之后至最大迭代次数。
5.3、加载训练数据：数据集为自建立的Shipdataset，其中一半的数据来自Pascal VOC2007和COCO数据集中船舶图像，另一半来自视频剪辑的船舶图像； 将数据按照3:7的比例划分得到验证集和训练集，两者的数据不存在重合。
5.4、采用随机梯度下降算法对改进的网络结构进行迭代训练，每迭代1000 次保存一次网络参数，经过不断迭代，根据平均损失曲线的趋势，取得网络最优 解。
5.5、对目标图像使用一训练好的模型检测船舶的类别和位置。
利用本发明设计的改进YOLOV3模型，用户给定图像后，***根据训练好 的模型检测船舶的相关信息。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员 应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说 明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化 和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围 由所附的权利要求书及其等效物界定。

Claims (8)

1.一种基于改进YOLOV3算法的海上船舶检测方法，其特征在于，包括以下步骤：
步骤一、设计多尺度融合网络结构，在原有YOLOV3算法模型的3个尺度基础上增加一个检测尺度模块；
步骤二、设计特征信息交互网络结构，用于低层特征和高层特征融合之后，将低层与高层的特征信息进行多次交互；
步骤三、优化全局损失函数，全局损失函数为三个部分的和：位置损失、类别损失和置信度损失，其中优化的部分为位置损失；
步骤四、数据集平衡化处理和先验框聚类；
步骤五、模型训练，其中，模型包括数据预处理模块和改进的YOLOV3网络结构；
步骤六、对目标图像使用已训练好的模型预测船舶的类别和位置信息；
其中，所述的步骤三具体过程如下：设计模型平均损失函数，在改进的YOLOV3网络模型的前提下，对原有模型所用的损失函数进行优化，优化部分为边框损失，具体的计算公式如下:
Figure FDA0004161087780000011
其中，Ap，Ag表示预测框和真实框的面积，Al表示两个框的重叠面积，Ac表示两个框的最小包围框的面积；
最终上述边框损失、类别损失和置信度损失组成的模型损失函数的计算公式如下：
Figure FDA0004161087780000012
其中，S表示检测层将待预测的特征图划分为S*S个网格；B表示每个网格预测B个边界框，取值是由每个网格代表的边界框是否预测某个对象决定，若是负责那么值为1，否则为0，为参与预测的边界框含有目标的置信度，若边界框不参与目标预测，但是其与真实框的IOU值大于设定的阈值，那么值为0，其他的情况下，其值为1；
Figure FDA0004161087780000013
表示边界框是否预测对象，classes表示预测类别，/>
Figure FDA0004161087780000014
为类别概率，/>
Figure FDA0004161087780000015
为预测类别的条件概率。
2.根据权利要求1所述的基于改进YOLOV3算法的海上船舶检测方法，其特征在于，在上述步骤一多尺度融合网络结构中，新增的尺度模块分为四个功能层：第一层为链接层，将网络的第103层的输出特征链接为尺度融合操作的输入；第二层为卷积层，卷积核大小为上一层的一半，大小为1*1；第三层上采样层，对上一层的输出采用双线性插值算法扩大输出尺寸；第四层尺度融合层，经过上采样的输出作为融合输入1，网络低层同等大小尺寸的输出作为融合输入2，将两者进行通道拼接。
3.根据权利要求1所述的基于改进YOLOV3算法的海上船舶检测方法，其特征在于，所述步骤二中，特征信息交互模块为两个部分，总共九个卷积层：第一部分由三个卷积层组成，第一层卷积层为512/2n个卷积核，大小为1*1/1；第二层为512/2n-1个卷积核，大小为3*3/1，第三层为512/2n个卷积核，大小为3*3/1；第二部分由四组相同的卷积模块构成，每个卷积模块由两个卷积层组成，第一层卷积层为512/2n-1个卷积核，大小为1*1/1，第二层为512/2n个卷积核，大小为3*3/1，每个卷积层后面接一层正则化层和线性激活函数层，其中，描述中n参数表示尺度的编号。
4.根据权利要求1所述的基于改进YOLOV3算法的海上船舶检测方法，其特征在于，所述步骤四中数据集平衡化处理和先验框聚类中，具体的步骤为：
首先，对一张图像所取得的正样本全部采用，对正样本采取镜像旋转，裁剪处理措施，增加正样本的数量；
其次，并随机选取与正样本数量的三分之一致的负样本；将所有样本的规格归一化到640*720大小；
最后利用Kmeans算法对船舶的常规尺寸进行聚类。
5.根据权利要求1所述的基于改进YOLOV3算法的海上船舶检测方法，其特征在于，所述步骤五中，模型的训练包括以下步骤：
5.1、网络参数初始化；
5.2、设置训练参数；
5.3、加载训练数据；
5.4、迭代训练。
6.根据权利要求5所述的基于改进YOLOV3算法的海上船舶检测方法，其特征在于，在上述步骤5.1网络参数初始化中，具体操作为：采用fine-tune策略，利用Darknet-53模型提取输入图像的特征信息。
7.根据权利要求5所述的基于改进YOLOV3算法的海上船舶检测方法，其特征在于，在上述步骤5.2设置训练参数中，具体操作为：网络的初始学习率设置为0.001，学习动量设为0.9，权重衰减为0.0005。
8.根据权利要求5所述的基于改进YOLOV3算法的海上船舶检测方法，其特征在于，在上述步骤5.4迭代训练中，采用随机梯度下降算法对改进的网络结构进行迭代训练，每迭代1000次保存一次网络参数，经过不断迭代，取得网络最优解。
CN202010522217.4A 2020-06-10 2020-06-10 一种基于改进yolov3算法的海上船舶检测方法 Active CN111652321B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010522217.4A CN111652321B (zh) 2020-06-10 2020-06-10 一种基于改进yolov3算法的海上船舶检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010522217.4A CN111652321B (zh) 2020-06-10 2020-06-10 一种基于改进yolov3算法的海上船舶检测方法

Publications (2)

Publication Number Publication Date
CN111652321A CN111652321A (zh) 2020-09-11
CN111652321B true CN111652321B (zh) 2023-06-02

Family

ID=72344951

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010522217.4A Active CN111652321B (zh) 2020-06-10 2020-06-10 一种基于改进yolov3算法的海上船舶检测方法

Country Status (1)

Country Link
CN (1) CN111652321B (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112001369B (zh) * 2020-09-29 2024-04-16 北京百度网讯科技有限公司 船舶烟囱的检测方法、装置、电子设备及可读存储介质
CN112215188A (zh) * 2020-10-21 2021-01-12 平安国际智慧城市科技股份有限公司 交警姿态识别方法、装置、设备及存储介质
CN112464743B (zh) * 2020-11-09 2023-06-02 西北工业大学 一种基于多尺度特征加权的小样本目标检测方法
CN112329658B (zh) * 2020-11-10 2024-04-02 江苏科技大学 一种对于yolov3网络的检测算法改进方法
CN112101322B (zh) * 2020-11-17 2021-03-02 深圳市优必选科技股份有限公司 目标物体检测模型、训练方法、物体检测方法和相关设备
CN113052200B (zh) * 2020-12-09 2024-03-19 江苏科技大学 一种基于yolov3网络的声呐图像目标检测方法
CN112464883B (zh) * 2020-12-11 2022-12-06 武汉工程大学 一种自然场景下船舶目标自动检测识别方法与***
CN112508030A (zh) * 2020-12-18 2021-03-16 山西省信息产业技术研究院有限公司 一种基于双深度学习模型的隧道裂缝检测及测量方法
CN112686314B (zh) * 2020-12-30 2023-03-24 苏州科达科技股份有限公司 基于远距离拍摄场景的目标检测方法、装置及存储介质
CN112801955B (zh) * 2021-01-18 2023-09-22 中国科学院沈阳自动化研究所 种群分布不平衡条件下的浮游生物检测方法
CN113158787B (zh) * 2021-03-11 2024-04-05 上海海事大学 一种复杂海洋环境下船舶检测分类方法
CN113076962B (zh) * 2021-05-14 2022-10-21 电子科技大学 一种基于可微神经网络搜索技术的多尺度目标检测方法
CN113379603B (zh) * 2021-06-10 2024-03-15 大连海事大学 一种基于深度学习的船舶目标检测方法
CN113569667B (zh) * 2021-07-09 2024-03-08 武汉理工大学 基于轻量级神经网络模型的内河船舶目标识别方法及***
CN113487600B (zh) * 2021-07-27 2024-05-03 大连海事大学 一种特征增强尺度自适应感知船舶检测方法
CN113903009B (zh) * 2021-12-10 2022-07-05 华东交通大学 一种基于改进YOLOv3网络的铁路异物检测方法与***
CN115828423A (zh) * 2022-11-25 2023-03-21 武汉理工大学 基于双分支深度学习算法的船海装备外板回弹预测方法
CN116665088A (zh) * 2023-05-06 2023-08-29 海南大学 一种船舶识别与检测的方法、装置、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109657541A (zh) * 2018-11-09 2019-04-19 南京航空航天大学 一种基于深度学习的无人机航拍图像中的船舶检测方法
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109657541A (zh) * 2018-11-09 2019-04-19 南京航空航天大学 一种基于深度学习的无人机航拍图像中的船舶检测方法
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
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

Also Published As

Publication number Publication date
CN111652321A (zh) 2020-09-11

Similar Documents

Publication Publication Date Title
CN111652321B (zh) 一种基于改进yolov3算法的海上船舶检测方法
CN109859190B (zh) 一种基于深度学习的目标区域检测方法
CN110443143B (zh) 多分支卷积神经网络融合的遥感图像场景分类方法
EP3388978B1 (en) Image classification method, electronic device, and storage medium
CN109886066B (zh) 基于多尺度和多层特征融合的快速目标检测方法
CN113569667B (zh) 基于轻量级神经网络模型的内河船舶目标识别方法及***
US11640690B2 (en) High resolution neural rendering
CN110826596A (zh) 一种基于多尺度可变形卷积的语义分割方法
CN111079739B (zh) 一种多尺度注意力特征检测方法
CN111612008A (zh) 基于卷积网络的图像分割方法
CN113971764B (zh) 一种基于改进YOLOv3的遥感图像小目标检测方法
CN112434586A (zh) 一种基于域自适应学习的多复杂场景目标检测方法
CN116645592B (zh) 一种基于图像处理的裂缝检测方法和存储介质
CN114897782B (zh) 基于生成式对抗网络的胃癌病理切片图像分割预测方法
CN113205103A (zh) 一种轻量级的文身检测方法
CN114821022A (zh) 融合主观逻辑和不确定性分布建模的可信目标检测方法
CN116563682A (zh) 一种基于深度霍夫网络的注意力方案和条带卷积语义线检测的方法
CN113128564B (zh) 一种基于深度学习的复杂背景下典型目标检测方法及***
CN113609904B (zh) 一种基于动态全局信息建模和孪生网络的单目标跟踪算法
CN114529793A (zh) 一种基于门控循环特征融合的深度图像修复***及方法
CN113963272A (zh) 一种基于改进yolov3的无人机图像目标检测方法
CN117218545A (zh) 基于LBP特征与改进Yolov5的雷达图像检测方法
CN112132207A (zh) 基于多分支特征映射目标检测神经网络构建方法
CN116645711A (zh) 一种基于YOLOv5的复杂场景人脸检测方法
CN111582057A (zh) 一种基于局部感受野的人脸验证方法

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