CN111950476A - 基于深度学习的复杂环境下河道船舶自动识别方法 - Google Patents
基于深度学习的复杂环境下河道船舶自动识别方法 Download PDFInfo
- Publication number
- CN111950476A CN111950476A CN202010823567.4A CN202010823567A CN111950476A CN 111950476 A CN111950476 A CN 111950476A CN 202010823567 A CN202010823567 A CN 202010823567A CN 111950476 A CN111950476 A CN 111950476A
- Authority
- CN
- China
- Prior art keywords
- ship
- layer
- deep learning
- complex environment
- data
- 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 35
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 210000002569 neuron Anatomy 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 8
- 230000000644 propagated effect Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000013519 translation Methods 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供通过一种基于深度学习的复杂环境下河道船舶自动识别方法,视频摄像数据采集器实时获取船舶数据;对所述船舶数据进行影像预处理,获取船舶影像数据;将所述船舶影像数据输入智能识别网络,获取船舶的识别参数,将所述识别参数输入船舶模型进行训练,获取训练结果,提高了在库区这类复杂环境条件下船舶自动识别的速度和精度。
Description
技术领域
本发明涉及自动识别技术领域,尤其涉及基于深度学习的复杂环境下河道船舶自动识别方法。
背景技术
随着大数据时代的到来,深度学习算法在各个领域,尤其是在图像识别领域深度学习理论得到了迅速的发展和应用。
现在市场上有船舶自动识别的技术,但是在,市场上的识别技术大多是通过CPU、GPU和TPU来实现的,很少结合深度学习算法进行应用。传统的船舶自动识别的技术,在库区这类复杂环境条件下,存在船舶自动识别的速度较低,准确性也不高的问题。
发明内容
本发明的目的在于提供一种基于深度学习的复杂环境下河道船舶自动识别方法,旨在解决现有技术中的船舶自动识别的速度较低,准确性也不高的技术问题。
为实现上述目的,本发明采用的一种基于深度学习的复杂环境下河道船舶自动识别方法,通过视频摄像数据采集器实时获取船舶数据;
对所述船舶数据进行影像预处理,获取船舶影像数据;
将所述船舶影像数据输入智能识别网络,获取船舶的识别参数;
将所述识别参数输入船舶模型进行训练,获取训练结果。
其中,在获取所述船舶影像数据的步骤中,包括将船舶彩色图像进行灰度化处理,对灰度化后的船舶图像去噪,再将船舶图像归一化处理。
其中,在将船舶彩色图像进行灰度化处理的过程中,采用限制对比度的中值滤波算法进行灰度化处理。
其中,所述中值滤波算法为对船舶视频数据进行二维化处理,输出的结果可以对视频的像素值按大小进行排列,产生新的船舶视频数据,具体公式如下所示:
R(X,Y)=med{f(x-k,y-1),(k,1∈w)}
其中R(X,Y)代表新生成的影像,f(x-k,y-1)代表处理之前的影像,w为数据像素的像素矩阵。
其中,所述智能识别网络包括输入层和输出层,所述输入层包括卷积层和池化层,所述船舶影像数据经过多个所述卷积层与多个所述池化层,获取船舶的识别参数,并输送到所述船舶模型。
其中,所述船舶模型包括数量至少为一的全连接层,所述全连接层与所述池化层连接,所述全连接层用以对船舶影像数据的识别参数进行训练。
其中,在对所述识别参数进行训练的过程中,首先删除全连接层中部分的隐藏神经元,将经过修改后的所述全连接层的识别参数向前传播到所述输出层,并把得到的损失结果通过修改的所述全连接层反向传播到所述输入层。
其中,在删除全连接层中部分的隐藏神经元的过程中,随机删除全连接层中一半的隐藏神经元。
其中,在把得到的损失结果通过修改的所述全连接层反向传播到所述输入层之后,更新对应的识别参数,恢复全连接层中的删除的神经元,重复识别参数进行训练的步骤,结合人工标记,使所述船舶影像数据得到训练。
其中,将所述船舶影像数据的训练结果通过通信传输至服务器,并将训练结果输出展示。
本发明的一种述基于深度学习的复杂环境下河道船舶自动识别方法,通过视频摄像数据采集器实时获取船舶数据,将对所述船舶数据进行影像预处理,获取船舶影像数据,将所述船舶影像数据输入智能识别网络,获取船舶的识别参数,将所述识别参数输入船舶模型进行训练,获取训练结果,提高了在库区这类复杂环境条件下船舶自动识别的速度和精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的一些实施例,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是本发明的基于深度学习的复杂环境下河道船舶自动识别方法的流程图。
图2是本发明的中值滤波处理后二维化视频监控图像。
图3是本发明的智能识别网络的示意图。
图4是本发明的智能识别网络中多层卷积神经网络结构示意图
图5是本发明的船舶自动识别***框体。
图6是本发明的识别检测结果的效果图。
图7是本发明的复杂环境下河道船舶自动识别方法的流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“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,在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
请参阅图1至图7,本发明提供了一种基于深度学习的复杂环境下河道船舶自动识别方法,通过视频摄像数据采集器实时获取船舶数据,对所述船舶数据进行影像预处理,获取船舶影像数据,将所述船舶影像数据输入智能识别网络,获取船舶的识别参数,将所述识别参数输入船舶模型进行训练,获取训练结果。
本申请已选择通过在FPGA芯片上集成FBCNN神经网络算法。以真实河道场景为输入图像,通过提取图像特征增加算法对光照变化的稳健性,实现不同光照下船舶的精准检测.该方法基于CNN卷积原理是一种前馈神经网络。
在本实施方式中,通过前置监测摄像头基于图像降维训练制作了大量的数据,使其可用于船舶的识别。一般来卷积神经网络的结构分为两层,一层是特征层提取层。每个神经元的输入是相连的到上一层的神经元的输出和提取特征。一旦提取出局部特征确定了它与其它特征的位置关系。第二层是特征映射层,每个网络的计算层有多个功能图,每个功能图是平的,并且所有的神经元都是平等的。另外,由于映射面上神经元的权重降低了网络参数。每层卷取CNN后面是一个局部均值池层。这独特的二次特征提取结构减少了特征分辨率。最终通过多尺度神经网络对目标的整体和局部特征进行提取融合,实现了船舶监测的准确识别。
进一步地,在获取所述船舶影像数据的步骤中,包括将船舶彩色图像进行灰度化处理,对灰度化后的船舶图像去噪,再将船舶图像归一化处理。
在本实施方式中,对实施船舶视频影像检测的第一步就是船舶的检测和图像预处理。获得清楚船舶影像数据是识别的前提,这部分内容包括船舶检测和图像预处理两个阶段。船舶检测通过使用影像预处理方式,包括船舶彩色图像灰度化、图像去噪和图像归一化方法对遥感影像进行处理,在图像灰度归一化中。
进一步地,在将船舶彩色图像进行灰度化处理的过程中,采用限制对比度的中值滤波算法进行灰度化处理。
在本实施方式中,采用限制对比度的中值滤波算法进行灰度预处理,更利于船舶特征的提取,当船舶数据采用视频摄像数据采集器收集数据,因此为了得到高质量视频数据需要对该类视频影像数据进行处理,避免出现受天气和阳光影像存在的过曝现象。
在本实施方式的实施例中,所述中值滤波算法为对船舶视频数据进行二维化处理,输出的结果可以对视频的像素值按大小进行排列,产生新的船舶视频数据,具体公式如下所示:
R(X,Y)=med{f(x-k,y-1),(k,1∈w)}
其中R(X,Y)代表新生成的影像,f(x-k,y-1)代表处理之前的影像,w为数据像素的像素矩阵
进一步地,所述智能识别网络包括输入层和输出层,所述输入层包括卷积层和池化层,所述船舶影像数据经过多个所述卷积层与多个所述池化层,获取船舶的识别参数,并输送到所述船舶模型
在本实施方式中,智能识别网络是基于CNN构建的一个多层卷积神经网络,由输入、输出层以及分类器组成每层由多个矩阵相互独立神经元组成。网络通过逐层的特征提取学***移不变性。
进一步地,所述船舶模型包括数量至少为一的全连接层,所述全连接层与所述池化层连接,所述全连接层用以对船舶影像数据的识别参数进行训练。
在本实施方式中,在对所述识别参数进行训练的过程中,首先删除全连接层中部分的隐藏神经元,将经过修改后的所述全连接层的识别参数向前传播到所述输出层,并把得到的损失结果通过修改的所述全连接层反向传播到所述输入层。
进一步地,在删除全连接层中部分的隐藏神经元的过程中,随机删除全连接层中一半的隐藏神经元。
在本实施方式中,在对船舶影像进行训练时实际上因为船舶样本量不足,因此在每个训练批次中,需要通过忽略一半的特征检测器,即让一半的隐层节点值为0,可以明显地减少过拟合现象。
进一步地,在把得到的损失结果通过修改的所述全连接层反向传播到所述输入层之后,更新对应的识别参数,恢复全连接层中的删除的神经元,重复识别参数进行训练的步骤,结合人工标记,使所述船舶影像数据得到训练。
在本实施方式中,首先构建随机算法删掉深度学习网络中一半的隐藏神经元,输入输出神经元保持不变,如图3中虚线为部分临时被删除的隐藏神经元,然后把输入的船舶通过修改后的网络向前传播,之后把得到的损失结果通过修改之后的网络反向传播。
其智能识别网络的多层卷积神经网络结构公式如下:
其中,s1 (2)、s2 (2)、s2 (2)为全连接层向后输出的结果,Rw,b(x)为训练结果。全连接层中采用分类器对输入图像进行分类,确保在该场景识别中能够一个图像多分类。
分类器函数如下:
其中,输入样本xi,利用函数h(xi)计算该样本属于每个类别j的概率 p(y=j|x),具体为对第i个样本的概率。
其中,分类器对应的损失函数为交叉熵损失函数,因此其损失函数的公式为如下表示:
其中m为每个训练批次的样本数量,θ为参数矩阵,xi为第i个样本,yi是第i个样本的真是标签,k是分类数,在通过深度学习网络的训练过程中,对于每次输入的m个样本,经网络模型的输出和样本的真实标签按上述公式(6)计算损失值,然后通过随机算法更新模型,然后再分别迭代提高准确率。
训练样本执行完这个过程后,更新对应的参数。然后继续重复上面两个步骤,恢复之前删除的神经元。从隐藏层神经元中随机选择部分子集数据临时删除掉。最后通过视频数据结合人工标记,不断重复这一过程,最终使船舶影像数据得到充分训练。
进一步地,将所述船舶影像数据的训练结果通过通信传输至服务器,并将训练结果输出展示。
在本实施方式中,基于深度学习的复杂环境下河道船舶自动识别方法之外,还设置河道船舶自动识别***功能划分为前段数据采集模块、FPGA智能分析模块、数据管理模块、***管理模块、虚拟化展示模块,由图5可知,河道船舶智能识别***中视频数据处理模块的主要功能是利用前端视频采集器和图像矫正方法对视频数据进行预处理,消除噪点和编码等操作。FPGA智能分析模块是基于人工算法构建遥感数据和原位监测数据相耦合的水环境智能分析模型,实现对水质状况预测、包含船舶视频影像的自动学习、置信度评价、以及识别结果等数据的传输通信等功能。***管理模块主要包含日志管理、中间件管理、权限管理、用户信息管理等功能。虚拟化展示模块主要是结合地理信息数据和视频监控分析数据实现对水河道内船舶情况的实时展示。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (10)
1.一种基于深度学习的复杂环境下河道船舶自动识别方法,其特征在于,包括:
通过视频摄像数据采集器实时获取船舶数据;
对所述船舶数据进行影像预处理,获取船舶影像数据;
将所述船舶影像数据输入智能识别网络,获取船舶的识别参数;
将所述识别参数输入船舶模型进行训练,获取训练结果。
2.如权利要求1所述基于深度学习的复杂环境下河道船舶自动识别方法,其特征在于,
在获取所述船舶影像数据的步骤中,包括将船舶彩色图像进行灰度化处理,对灰度化后的船舶图像去噪,再将船舶图像归一化处理。
3.如权利要求2所述基于深度学习的复杂环境下河道船舶自动识别方法,其特征在于,
在将船舶彩色图像进行灰度化处理的过程中,采用限制对比度的中值滤波算法进行灰度化处理。
4.如权利要求3所述基于深度学习的复杂环境下河道船舶自动识别方法,其特征在于,
所述中值滤波算法为对船舶视频数据进行二维化处理,输出的结果可以对视频的像素值按大小进行排列,产生新的船舶视频数据,具体公式如下所示:
R(X,Y)=med{f(x-k,y-1),(k,1∈w)}
其中R(X,Y)代表新生成的影像,f(x-k,y-1)代表处理之前的影像,w为数据像素的像素矩阵。
5.如权利要求4所述基于深度学习的复杂环境下河道船舶自动识别方法,其特征在于,
所述智能识别网络包括输入层和输出层,所述输入层包括卷积层和池化层,所述船舶影像数据经过多个所述卷积层与多个所述池化层,获取船舶的识别参数,并输送到所述船舶模型。
6.如权利要求5所述基于深度学习的复杂环境下河道船舶自动识别方法,其特征在于,
所述船舶模型包括数量至少为一的全连接层,所述全连接层与所述池化层连接,所述全连接层用以对船舶影像数据的识别参数进行训练。
7.如权利要求6所述基于深度学习的复杂环境下河道船舶自动识别方法,其特征在于,
在对所述识别参数进行训练的过程中,首先删除全连接层中部分的隐藏神经元,将经过修改后的所述全连接层的识别参数向前传播到所述输出层,并把得到的损失结果通过修改的所述全连接层反向传播到所述输入层。
8.如权利要求7所述基于深度学习的复杂环境下河道船舶自动识别方法,其特征在于,
在删除全连接层中部分的隐藏神经元的过程中,随机删除全连接层中一半的隐藏神经元。
9.如权利要求7所述基于深度学习的复杂环境下河道船舶自动识别方法,其特征在于,
在把得到的损失结果通过修改的所述全连接层反向传播到所述输入层之后,更新对应的识别参数,恢复全连接层中的删除的神经元,重复识别参数进行训练的步骤,结合人工标记,使所述船舶影像数据得到训练。
10.如权利要求9所述基于深度学习的复杂环境下河道船舶自动识别方法,其特征在于,
将所述船舶影像数据的训练结果通过通信传输至服务器,并将训练结果输出展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010823567.4A CN111950476A (zh) | 2020-08-17 | 2020-08-17 | 基于深度学习的复杂环境下河道船舶自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010823567.4A CN111950476A (zh) | 2020-08-17 | 2020-08-17 | 基于深度学习的复杂环境下河道船舶自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111950476A true CN111950476A (zh) | 2020-11-17 |
Family
ID=73343272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010823567.4A Pending CN111950476A (zh) | 2020-08-17 | 2020-08-17 | 基于深度学习的复杂环境下河道船舶自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111950476A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112750138A (zh) * | 2021-01-14 | 2021-05-04 | 黄河勘测规划设计研究院有限公司 | 一种黄河流域淤地坝空间分布识别方法 |
CN113408401A (zh) * | 2021-06-16 | 2021-09-17 | 中国科学院南海海洋研究所 | 一种基于机器学习的船行波快速自动识别方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105225216A (zh) * | 2014-06-19 | 2016-01-06 | 江苏天穗农业科技有限公司 | 基于空间距圆标记边缘检测的虹膜预处理算法 |
CN109299671A (zh) * | 2018-09-04 | 2019-02-01 | 上海海事大学 | 一种级联式由粗到精的卷积神经网络船舶类型识别方法 |
CN110569844A (zh) * | 2019-08-26 | 2019-12-13 | 中国人民解放军91550部队 | 基于深度学习的船舶识别方法及*** |
CN110717497A (zh) * | 2019-09-06 | 2020-01-21 | 中国平安财产保险股份有限公司 | 图像相似度匹配方法、装置及计算机可读存储介质 |
-
2020
- 2020-08-17 CN CN202010823567.4A patent/CN111950476A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105225216A (zh) * | 2014-06-19 | 2016-01-06 | 江苏天穗农业科技有限公司 | 基于空间距圆标记边缘检测的虹膜预处理算法 |
CN109299671A (zh) * | 2018-09-04 | 2019-02-01 | 上海海事大学 | 一种级联式由粗到精的卷积神经网络船舶类型识别方法 |
CN110569844A (zh) * | 2019-08-26 | 2019-12-13 | 中国人民解放军91550部队 | 基于深度学习的船舶识别方法及*** |
CN110717497A (zh) * | 2019-09-06 | 2020-01-21 | 中国平安财产保险股份有限公司 | 图像相似度匹配方法、装置及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
高志强等: "Dropout", 《深度学习 从入门到实战》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112750138A (zh) * | 2021-01-14 | 2021-05-04 | 黄河勘测规划设计研究院有限公司 | 一种黄河流域淤地坝空间分布识别方法 |
CN113408401A (zh) * | 2021-06-16 | 2021-09-17 | 中国科学院南海海洋研究所 | 一种基于机器学习的船行波快速自动识别方法及装置 |
CN113408401B (zh) * | 2021-06-16 | 2022-02-22 | 中国科学院南海海洋研究所 | 一种基于机器学习的船行波快速自动识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800629B (zh) | 一种基于卷积神经网络的遥感图像目标检测方法 | |
CN111915592B (zh) | 基于深度学习的遥感图像云检测方法 | |
CN113436169B (zh) | 一种基于半监督语义分割的工业设备表面裂纹检测方法及*** | |
CN109145872B (zh) | 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法 | |
CN111899172A (zh) | 一种面向遥感应用场景的车辆目标检测方法 | |
CN114565860B (zh) | 一种多维度增强学习合成孔径雷达图像目标检测方法 | |
CN114266977B (zh) | 基于超分辨可选择网络的多auv的水下目标识别方法 | |
CN113838064B (zh) | 一种基于分支gan使用多时相遥感数据的云去除方法 | |
CN112560865B (zh) | 一种室外大场景下点云的语义分割方法 | |
CN109635726B (zh) | 一种基于对称式深度网络结合多尺度池化的滑坡识别方法 | |
CN113158943A (zh) | 一种跨域红外目标检测方法 | |
CN114022408A (zh) | 基于多尺度卷积神经网络的遥感图像云检测方法 | |
CN113420794B (zh) | 一种基于深度学习的二值化Faster R-CNN柑橘病虫害识别方法 | |
CN113139489A (zh) | 基于背景提取和多尺度融合网络的人群计数方法及*** | |
CN114820655A (zh) | 可靠区域作为注意力机制监督的弱监督建筑物分割方法 | |
CN111950476A (zh) | 基于深度学习的复杂环境下河道船舶自动识别方法 | |
CN113129336A (zh) | 一种端到端多车辆跟踪方法、***及计算机可读介质 | |
CN109215059B (zh) | 一种航拍视频中运动车辆跟踪的局部数据关联方法 | |
CN112668662B (zh) | 基于改进YOLOv3网络的野外山林环境目标检测方法 | |
CN116363535A (zh) | 基于卷积神经网络的无人机航拍影像中的船舶检测方法 | |
CN116912673A (zh) | 一种基于水下光学图像的目标检测方法 | |
CN113537397B (zh) | 基于多尺度特征融合的目标检测与图像清晰联合学习方法 | |
CN114758135A (zh) | 一种基于注意力机制的无监督图像语义分割方法 | |
Yin et al. | M2F2-RCNN: Multi-functional faster RCNN based on multi-scale feature fusion for region search in remote sensing images | |
CN114495160A (zh) | 一种基于改进RFBNet算法的行人检测方法及*** |
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: 20201117 |