CN112115880A - 基于多标签学习的船舶污染监测方法及***及装置及介质 - Google Patents
基于多标签学习的船舶污染监测方法及***及装置及介质 Download PDFInfo
- Publication number
- CN112115880A CN112115880A CN202010996717.1A CN202010996717A CN112115880A CN 112115880 A CN112115880 A CN 112115880A CN 202010996717 A CN202010996717 A CN 202010996717A CN 112115880 A CN112115880 A CN 112115880A
- Authority
- CN
- China
- Prior art keywords
- ship
- monitoring
- area
- label
- target
- 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
- G06V20/50—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
- 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
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于多标签学习的船舶污染监测方法及***及装置及介质,涉及智能监测领域,所述方法包括:实时采集预设监控区域的监控图像;将监控图像输入目标检测网络,检测监控图像中是否有预设目标,若有则得到预设目标在监控图像中所在的区域A;按照预设比例扩大区域A,得到目标区域B并标注,获得到标注后的监控图像;将标注后的监控图像输入多标签学习网络,利用多标签学习网络得到目标区域B中各标签的识别结果,多标签学习网络输出多标签识别结果;通过实时、智能的监控方式,达到对船舶污染进行智能化、高效和实时监测的目的。
Description
技术领域
本发明涉及智能监测领域,具体地,涉及基于多标签学习的船舶污染监测方法及***及装置及介质。
背景技术
船舶废气排放导致周围环境的空气污染,因此船舶污染一直是国家有关部门重点监管的对象。现有技术中主要采用人工巡视,需要耗费较多的人力,成本较高,巡视效率较低,且无法做到实时监测,容易出现漏监的情况。因此,利用先进的技术手段对船舶污染进行防控势在必行。
发明内容
本发明的目的是通过智能的手段实现船舶污染的智能监控,通过实时监控的方式,达到对船舶污染进行智能化、高效和实时监测的目的。
为实现上述目的,本发明提供了基于多标签学习的船舶污染监测方法,所述方法包括:
实时采集预设监控区域的监控图像;
将监控图像输入目标检测网络,检测监控图像中是否有预设目标,若有则得到预设目标在监控图像中所在的区域A;
按照预设比例扩大区域A,得到目标区域B并标注,得到标注后的监控图像;
将标注后的监控图像输入多标签学习网络,利用目标区域B训练多标签学习网络,得到用于多标签识别的多标签学习网络;
将待识别的监控图像输入目标检测网络,得到目标区域并标注,得到标注后的监控图像;
将标注后的监控图像输入多标签学习网络,得到船舶类型及船舶是否排放废气。
其中,多标签学习可以分解成多个单标签问题,并通过多个分类网络得到多标签的各自分类。本发明提出的基于多标签学习的船舶污染监测方法,利用深度学习网络中特征图共享的方式达到减少计算量,同时对目标船舶进行多标签分类的效果。
本发明的主要思路是实时监控河流指定区域的船舶,同时区分船舶的类型及船舶是否排放黑烟废气。在多标签学习时,本发明设计的多标签学习网络共享中间过程中的特征图,在减少计算量的同时,达到多标签分类的目的。船舶类型主要分类游艇、游船和货轮三类,对黑烟废气的监控主要分为有黑烟和无黑烟两类。通过实时监控的方式,达到智能化、高效和实时监测船舶污染的目的。
其中,对船舶进行分类的目的是重点监测货轮,其污染性最大。针对不同类型的船舶,采用不同的后续管控方式。
优选的,预设监控区域为河流、湖泊和海面中的一种或几种,预设目标为船舶。
优选的,船舶的类型包括:游艇、游船和货轮。
优选的,当检测到监控图像中有预设目标时,获得预设目标在监控图像中所在的区域A(x,y,w,h),(x,y)表示区域A中心点坐标,(w,h)分别表示区域A的宽和高;(w,h)按照一定的百分比α向外扩大,得到区域B(x,y,αw,αh)。考虑到废气黑烟是在船舶的顶部或尾部,在获取到船的位置后按照一定的百分比向外扩大,得到区域B。
优选的,多标签学习网络的浅层使用预设卷积结构;标签学习网络深层***出两个全连接的分支A和B,A表示船舶是否排放废气,B表示船舶的类型。
优选的,目标检测网络可以是SSD目标检测网络、Yolo目标检测网络等。
优选的,为了提高网络的分类能力,多标签学习网络在卷积的过程中引入空间自注意力机制和时间自注意力机制。
本发明还提供了基于多标签学习的船舶污染监测***,所述***包括:
采集单元,用于实时采集预设监控区域的监控图像;
目标检测单元,用于将监控图像输入目标检测网络,检测监控图像中是否有预设目标,若有则得到预设目标在监控图像中所在的区域A;
目标区域扩大单元,用于按照预设比例扩大区域A,得到目标区域B并标注,得到标注后的监控图像;
训练单元,用于将标注后的监控图像输入多标签学习网络,利用目标区域B训练多标签学习网络,得到用于多标签识别的多标签学习网络;
目标检测网络,待识别的监控图像输入目标检测网络,得到目标区域并标注,得到标注后的监控图像;标注后的监控图像输入多标签学习网络,得到船舶类型及船舶是否排放废气。
本发明还提供了基于多标签学习的船舶污染监测装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述基于多标签学习的船舶污染监测方法的步骤。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述基于多标签学习的船舶污染监测方法的步骤。
本发明提供的一个或多个技术方案,至少具有如下技术效果或优点:
本发明实时采集的图像经过目标检测网络后,得到到船舶区域;扩大船舶区域后输入多标签学习网络,最终得到船舶的类型以及是否有废气排放的状态。当有废气排放时,则表示当前类型的船舶存在污染问题。通过实时监控的方式,能够智能化、高效和实时的监测船舶污染。
本发明利用深度学习网络中特征图共享的方式达到减少计算量,同时对目标船舶进行多标签分类的效果。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本发明的一部分,并不构成对本发明实施例的限定;
图1为基于多标签学习的船舶污染监测方法的技术流程示意图;
图2为多标签学习与单标签的关系示意图;
图3为多标签学习网络结构示意图;
图4为多标签学习网络示意图;
图5为基于多标签学习的船舶污染监测***的组成示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在相互不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述范围内的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
可以理解的是,术语“一”应理解为“至少一”或“一个或多个”,即在一个实施例中,一个元件的数量可以为一个,而在另外的实施例中,该元件的数量可以为多个,术语“一”不能理解为对数量的限制。
实施例一
请参考图1-图2,图1为基于多标签学习的船舶污染监测方法的技术流程示意图,图2为多标签学习与单标签的关系示意图,本发明实施例一提供了基于多标签学习的船舶污染监测方法,所述方法包括:
实时采集预设监控区域的监控图像;
将监控图像输入目标检测网络,检测监控图像中是否有预设目标,若有则得到预设目标在监控图像中所在的区域A;
按照预设比例扩大区域A,得到目标区域B并标注,得到标注后的监控图像;
将标注后的监控图像输入多标签学习网络,利用目标区域B训练多标签学习网络,得到用于多标签识别的多标签学习网络。
将待识别的监控图像输入目标检测网络,得到目标区域并标注,得到标注后的监控图像;
将标注后的监控图像输入多标签学习网络,得到船舶类型及船舶是否排放废气。
本发明实施例一的方法能够实时监控河流指定区域的船舶,同时区分船舶的类型,以及船舶是否排放黑烟废气。在多标签学习时,本发明设计的多标签学习网络共享中间过程中的特征图,在减少计算量的同时,达到多标签分类的目的。船舶类型主要分类游艇、游船和货轮三类,对黑烟废气的监控主要分为有黑烟和无黑烟两类。通过实时监控的方式,达到对船舶污染进行智能化、高效和实时监测的目的。
其中,本方法的监测区域除了河流还是可以是湖泊以及海面,本发明对具体的监测区域类型不进行限定。
其中,本发明中的船舶类型可以是游艇、游船和货轮,也可以是其他类型船舶,本发明对船舶的类型不进行限定。
在船舶检测时,可使用常用的SSD、Yolo等目标检测算法,也可以使用其他目标检测算法,本发明对具体的目标检测算法不进行限定。本发明主要针对检测到船舶后,对船舶所在图像区域进行多标签分类问题的研究。在设计多标签学习的网络时,采用如图3所示的方式,图3为多标签学习网络结构示意图。
本方法的具体流程为:
1、实时获得河流的监控图像I,图像I经过目标检测网络,检测船舶是否存在,以及有船存在时的位置(x,y,w,h),(x,y)表示区域中心点坐标,(w,h)分别表示区域的宽和高;
2、考虑到废气黑烟是在船舶的顶部或尾部,在获取到船的位置后,(w,h)按照一定的百分比α(1.2<α<1.4)向外扩大,得到(x,y,αw,αh),其中,实际应用中α的值可以根据实际情况进行灵活调整,本发明实施例不进行具体的限定;
3、输入I(x,y,αw,αh)到多标签学习网络,多标签学习网络的浅层使用通用的卷积结构;在深层处***出两个全连接的分支A和B,A表示船舶是否有废气排放,B表示船舶的类型(如:游艇、游船和货轮等);
4、为了提高网络的分类能力,考虑在卷积的过程中,引入空间自注意力机制和时间自注意力机制,具体参考SENet网络。
图像经过目标检测网络后,获取到船舶区域;扩大船舶区域后输入多标签学习网络,最终得到船舶的类型以及是否有废气排放的状态。若有废气排放则表示当前类型的船舶存在污染问题,通过上述方式代替了传统的人工巡视,监测效率较高,监测成本较低,且能够实时进行监测。
请参考图4,图4为多标签学习网络示意图,本发明实施例中的多标签学习网络如下图4所示,虚线表示引入的自注意力网络结构。
在具体的实施例中,采用SSD网络作为目标检测网络来检测船舶的位置信息。得到船舶的(x,y,w,h)位置信息后,利用放大系数α(1.2<α<1.4)来对船舶区域的长和宽进行扩大。对图像的I(x,y,αw,αh)区域进行尺度化成224×224的图像大小,然后输入多标签学习网络。最终得到船舶检测的区域,以及该区域船舶的类型和是否有废气排放。
在具体的实施例中,以游艇、游船和货轮作为船舶的类型标签;以废气排放与否作为污染监测标签。num(A)和num(B)表示两种标签的取值,这里的废气标签是有和无的判断,所以num(A)=2;船舶类型标签num(B)=3。
实施例二
请参考图5,图5为基于多标签学习的船舶污染监测***的组成示意图,本发明实施例二提供了一种基于多标签学习的船舶污染监测***,所述***包括:
采集单元,用于实时采集预设监控区域的监控图像;
目标检测单元,用于将监控图像输入目标检测网络,检测监控图像中是否有预设目标,若有则得到预设目标在监控图像中所在的区域A;
目标区域扩大单元,用于按照预设比例扩大区域A,得到目标区域B并标注,得到标注后的监控图像;
训练单元,用于将标注后的监控图像输入多标签学习网络,利用目标区域B训练多标签学习网络,得到用于多标签识别的多标签学习网络;
目标检测网络,待识别的监控图像输入目标检测网络,得到目标区域并标注,得到标注后的监控图像;标注后的监控图像输入多标签学习网络,得到船舶类型及船舶是否排放废气。
其中,本发明中的采集单元可以为摄像头,也可以为监控器,或监控摄像头或任何可以采集图像的设备,本发明对采集单元的具体实现方式不进行限定。
实施例三
本发明实施例三提供了基于多标签学习的船舶污染监测装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述基于多标签学习的船舶污染监测方法的步骤。
其中,所述处理器可以是中央处理器(CPU,Central Processing Unit),还可以是其他通用处理器、数字信号处理器(digital signal processor)、专用集成电路(Application Specific Integrated Circuit)、现成可编程门阵列(Fieldprogrammablegate array)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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的数据,实现发明中基于多标签学习的船舶污染监测装置的各种功能。所述存储器可主要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***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等。此外,存储器可以包括高速随机存取存储器、还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡,安全数字卡,闪存卡、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例四
本发明实施例四提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述基于多标签学习的船舶污染监测方法的步骤。
所述基于多标签学习的船舶污染监测装置如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序可存储于一计算机可读存介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码、对象代码形式、可执行文件或某些中间形式等。所述计算机可读取介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存储器、点载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.基于多标签学习的船舶污染监测方法,其特征在于,所述方法包括:
实时采集预设监控区域的监控图像;
将监控图像输入目标检测网络,检测监控图像中是否有预设目标,若有则得到预设目标在监控图像中所在的区域A;
按照预设比例扩大区域A,得到目标区域B并标注,得到标注后的监控图像;
将标注后的监控图像输入多标签学习网络,利用目标区域B训练多标签学习网络,得到用于多标签识别的多标签学习网络;
将待识别的监控图像输入目标检测网络,得到目标区域并标注,得到标注后的监控图像;
将标注后的监控图像输入多标签学习网络,得到船舶类型及船舶是否排放废气。
2.根据权利要求1所述的基于多标签学习的船舶污染监测方法,其特征在于,预设监控区域为河流、湖泊和海面中的一种或几种,预设目标为船舶。
3.根据权利要求2所述的基于多标签学习的船舶污染监测方法,其特征在于,船舶的类型包括:游艇、游船和货轮。
4.根据权利要求1所述的基于多标签学习的船舶污染监测方法,其特征在于,当检测到监控图像中有预设目标时,获得预设目标在监控图像中所在的区域A(x,y,w,h),(x,y)表示区域A中心点坐标,(w,h)分别表示区域A的宽和高;(w,h)按照一定的百分比α向中心点外扩大,得到区域B(x,y,αw,αh)。
5.根据权利要求2所述的基于多标签学习的船舶污染监测方法,其特征在于,多标签学习网络的浅层使用预设卷积结构;标签学习网络深层***出两个全连接的分支A和B,A表示船舶是否排放废气,B表示船舶的类型。
6.根据权利要求1所述的基于多标签学习的船舶污染监测方法,其特征在于,目标检测网络包括但不限于SSD目标检测网络和Yolo目标检测网络。
7.根据权利要求1所述的基于多标签学习的船舶污染监测方法,其特征在于,多标签学习网络在卷积的过程中引入空间自注意力机制和时间自注意力机制。
8.基于多标签学习的船舶污染监测***,其特征在于,所述***包括:
采集单元,用于实时采集预设监控区域的监控图像;
目标检测单元,将监控图像输入目标检测网络,检测监控图像中是否有预设目标,若有则得到预设目标在监控图像中所在的区域A;
目标区域扩大单元,用于按照预设比例扩大区域A,得到目标区域B并标注,得到标注后的监控图像;
训练单元,用于将标注后的监控图像输入多标签学习网络,利用目标区域B训练多标签学习网络,得到用于多标签识别的多标签学习网络;
目标检测网络,待识别的监控图像输入目标检测网络,得到目标区域并标注,得到标注后的监控图像;标注后的监控图像输入多标签学习网络,得到船舶类型及船舶是否排放废气。
9.基于多标签学习的船舶污染监测装置,包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1-7中任意一个所述基于多标签学习的船舶污染监测方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任意一个所述基于多标签学习的船舶污染监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010996717.1A CN112115880A (zh) | 2020-09-21 | 2020-09-21 | 基于多标签学习的船舶污染监测方法及***及装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010996717.1A CN112115880A (zh) | 2020-09-21 | 2020-09-21 | 基于多标签学习的船舶污染监测方法及***及装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112115880A true CN112115880A (zh) | 2020-12-22 |
Family
ID=73800799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010996717.1A Pending CN112115880A (zh) | 2020-09-21 | 2020-09-21 | 基于多标签学习的船舶污染监测方法及***及装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112115880A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325547A (zh) * | 2018-10-23 | 2019-02-12 | 苏州科达科技股份有限公司 | 非机动车图像多标签分类方法、***、设备及存储介质 |
CN109886082A (zh) * | 2019-01-03 | 2019-06-14 | 南京理工大学 | 一种基于ssd的小目标增强预测模块检测方法 |
CN110490252A (zh) * | 2019-08-19 | 2019-11-22 | 西安工业大学 | 一种基于深度学习的室内人数检测方法及*** |
CN110533022A (zh) * | 2019-06-11 | 2019-12-03 | 广州海昇教育科技有限责任公司 | 一种目标检测方法、***、装置及存储介质 |
CN110929577A (zh) * | 2019-10-23 | 2020-03-27 | 桂林电子科技大学 | 一种基于YOLOv3的轻量级框架改进的目标识别方法 |
CN111062871A (zh) * | 2019-12-17 | 2020-04-24 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、计算机设备及可读存储介质 |
CN111291799A (zh) * | 2020-01-21 | 2020-06-16 | 青梧桐有限责任公司 | 房间窗户分类模型构建方法、房间窗户分类方法及*** |
-
2020
- 2020-09-21 CN CN202010996717.1A patent/CN112115880A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325547A (zh) * | 2018-10-23 | 2019-02-12 | 苏州科达科技股份有限公司 | 非机动车图像多标签分类方法、***、设备及存储介质 |
CN109886082A (zh) * | 2019-01-03 | 2019-06-14 | 南京理工大学 | 一种基于ssd的小目标增强预测模块检测方法 |
CN110533022A (zh) * | 2019-06-11 | 2019-12-03 | 广州海昇教育科技有限责任公司 | 一种目标检测方法、***、装置及存储介质 |
CN110490252A (zh) * | 2019-08-19 | 2019-11-22 | 西安工业大学 | 一种基于深度学习的室内人数检测方法及*** |
CN110929577A (zh) * | 2019-10-23 | 2020-03-27 | 桂林电子科技大学 | 一种基于YOLOv3的轻量级框架改进的目标识别方法 |
CN111062871A (zh) * | 2019-12-17 | 2020-04-24 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、计算机设备及可读存储介质 |
CN111291799A (zh) * | 2020-01-21 | 2020-06-16 | 青梧桐有限责任公司 | 房间窗户分类模型构建方法、房间窗户分类方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Ship detection in SAR images based on an improved faster R-CNN | |
Dai et al. | ZooplanktoNet: Deep convolutional network for zooplankton classification | |
CN109740460B (zh) | 基于深度残差密集网络的光学遥感图像舰船检测方法 | |
Cane et al. | Evaluating deep semantic segmentation networks for object detection in maritime surveillance | |
CN110414414A (zh) | 基于多层级特征深度融合的sar图像舰船目标鉴别方法 | |
CN108806334A (zh) | 一种基于图像的智能船舶身份识别方法 | |
Wang et al. | Moving object detection based on temporal information | |
CN110969213A (zh) | 一种基于Faster RCNN的船只检测方法、装置及电子设备 | |
Chang et al. | Yolov3 based ship detection in visible and infrared images | |
Chen et al. | Contour refinement and EG-GHT-based inshore ship detection in optical remote sensing image | |
CN115115863A (zh) | 水面多尺度目标检测方法、装置及***和存储介质 | |
Sun et al. | NSD‐SSD: a novel real‐time ship detector based on convolutional neural network in surveillance video | |
CN113283514B (zh) | 一种基于深度学习的未知类别分类方法、装置及介质 | |
Zhang et al. | Traffic Sign Detection and Recognition Based onDeep Learning. | |
CN112115880A (zh) | 基于多标签学习的船舶污染监测方法及***及装置及介质 | |
Feng et al. | Rapid ship detection method on movable platform based on discriminative multi-size gradient features and multi-branch support vector machine | |
Gou et al. | License plate recognition using MSER and HOG based on ELM | |
Rout et al. | Prominent object detection in underwater environment using a dual-feature framework | |
Elnashar et al. | Automatic multi-style Egyptian license plate detection and classification using deep learning | |
CN113936156A (zh) | 针对水面船舶捕鱼行为的检测识别分类方法及*** | |
CN112102353B (zh) | 运动目标的分类方法、装置、设备及存储介质 | |
Oluchi et al. | Development of a Nigeria vehicle license plate detection system | |
CN113850166A (zh) | 一种基于卷积神经网络的船舶图像识别方法及*** | |
CN110472472B (zh) | 基于sar遥感图像的机场检测方法与装置 | |
CN112560589A (zh) | 基于遥感技术识别水上船舶污染的方法、装置及存储介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 610042 No. 270, floor 2, No. 8, Jinxiu street, Wuhou District, Chengdu, Sichuan Applicant after: Chengdu shuzhilian Technology Co.,Ltd. Address before: No.2, floor 4, building 1, Jule road crossing, Section 1, West 1st ring road, Wuhou District, Chengdu City, Sichuan Province 610041 Applicant before: CHENGDU SHUZHILIAN TECHNOLOGY Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201222 |