CN112395969B - 一种基于特征金字塔的遥感图像旋转舰船检测方法 - Google Patents
一种基于特征金字塔的遥感图像旋转舰船检测方法 Download PDFInfo
- Publication number
- CN112395969B CN112395969B CN202011268470.8A CN202011268470A CN112395969B CN 112395969 B CN112395969 B CN 112395969B CN 202011268470 A CN202011268470 A CN 202011268470A CN 112395969 B CN112395969 B CN 112395969B
- Authority
- CN
- China
- Prior art keywords
- pyramid
- anchors
- different
- training
- network
- 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
Links
Images
Classifications
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于特征金字塔的遥感图像旋转舰船检测方法,针对传统方法特征提取能力不足和舰船多方向、大小不同、分布密集等特殊性问题,本发明利用特征提取能力更强的卷积神经网络来提取特征;采用特征金字塔来进行多尺度检测;本发明的关键在于直接利用旋转框检测不同方向的舰船目标。
Description
技术领域
本发明涉及深度学习技术领域,具体涉及一种针对光学遥感图像 中舰船目标的旋转检测方法。
背景技术
随着遥感技术与传感器平台的不断发展,遥感图像的分别率和数 量不断提高和增加,对其中有价值的目标进行自主检测是备受关注的 问题,是监视与侦察技术领域的一个研究热点。舰船自动检测作为环 境保护、海上安全和国防领域的关键问题,近年来越来越受到人们的 关注。作为一项如此重要的任务,其目的是对图像中的每一艘舰船进 行分类和定位。
传统的舰船检测方法主要利用机器学习算法,这些算法主要依赖 于人类预定义的特征或海上杂波的统计分布。这些人工设计的特征难 以***全面地对图像中目标进行有效鲁棒描述,从而导致在复杂背景、 旋转以及尺度变化等条件下的目标检测率不高。近年来,深度学习模 型中卷积神经网络的高分辨能力大大提高了目标检测的精度,主要分为两类:单阶段目标检测算法和两阶段目标检测算法。代表性单阶段 算法有SSD、RetinaNet等。代表性的两阶段算法有Faster R-CNN、 Mask R-CNN等。基于深度学习的目标检测方法对舰船检测有很大影 响。目前,一些研究者开始将目标检测算法应用到舰船检测中。然而, 尽管已经做了很多努力,但由于舰船检测的特殊性,如多方向、大小 不同、分布密集等,仍然存在一些难以解决的难题。
发明内容
针对现有技术的不足,本发明旨在提供一种基于特征金字塔的遥 感图像旋转舰船检测方法,该方法基于特征金字塔网络和旋转目标检 测,适用于光学遥感图像中舰船目标的自主旋转检测。
为了实现上述目的,本发明采用如下技术方案:
一种基于特征金字塔的遥感图像旋转舰船检测方法,包括如下步 骤:
S1、图像数据预处理:
利用图像标注软件对图像中待检测的舰船目标进行标注,每个目 标均分别由一个四边形进行标注并设定类别标签;随机将所有图像按 设定比例分成训练集和测试集;
S2、使用特征金字塔网络FPN对步骤S1中预处理得到的训练集 的图像进行特征提取,FPN输出不同的金字塔层级;
S3、在不同的金字塔层级上分别生成旋转锚:
定义旋转锚为(xa,ya,wa,ha,θa)θa∈[-π/2,0),其中xa,ya,wa,ha分别代表旋 转锚的中心点横坐标、中心点纵坐标、宽和高,θa表示旋转锚的宽边 与x轴之间的夹角角度;步骤S2输出的金字塔层级分别使用不同大 小的旋转锚;每个金字塔层级上均使用不同宽高比、不同尺度和不同 角度的旋转锚,则每个金字塔层级上的空间位置分别生成多个旋转锚;
S4、对步骤S1中得到的预处理后的训练集进行训练:
使用动量优化法进行网络训练,训练直到损失函数收敛不再下降, 最后保留权重文件;训练过程中,分别预测5个偏移量:
tx=(x-xa)/wa,ty=(y-ya)/ha;
tw=log(w/wa),th=log(h/ha),tθ=θ-θa;
t′x=(x′-xa)/wa,t′y=(y′-ya)/ha;
t′w=log(w′/wa),t′h=log(h′/ha),t′θ=θ′-θa;
其中,t′x、t′y、t′w、t′h和t′θ为5个预测的偏移量,tx、ty、tw、th和tθ则是相对应的真实的偏移量;(x,y,w,h,θ)分别代表真实框的中心点横 坐标、中心点纵坐标、宽、高以及框的宽边与x轴的夹角角度, (x',y',w',h',θ')分别表示预测框的中心点横坐标、中心点纵坐标、宽、高以 及框的宽边与x轴的夹角角度;
损失函数具体定义如下所示:
Lcls=-0.25(1-pt)2log(pt)
IoU=A∩B/A∪B
其中,n代表旋转锚的索引值,N代表旋转锚的数量;p′n是利用 sigmoid函数计算的各个类别的概率分布,pn表示目标的真实标签;是一个二进制值,/>代表前景,而/>代表背景;t′ni,tni(i={x,y,w,h,θ})分 别代表旋转锚n的预测的偏移量和真实的偏移量,z为t′ni,tni(i={x,y,w,h,θ}) 的差值;分类损失Lcls和回归损失Lreg分别由焦点损失和平滑L1损失实 现;A代表预测框,B代表真实框,而IoU代表两者的交集与并集的 比值;pt代表每个类别的预测概率;两个超参数λ1,λ2默认设置为1;
S5、使用步骤S4训练得到的网络对步骤S1中得到的测试集进行 测试。
进一步地,步骤S1中,将所有图像按数量比7:3分成训练集和 测试集。
进一步地,步骤S1中,还包括:将训练集和预测集的图像逐像 素切割成600pixel×600pixel大小的图像,移动步长为450pixel, 然后尺度统一放大为800pixel×800pixel。
进一步地,步骤S2中,以深度残差网络ResNet-50为基础搭建 特征金字塔网络FPN,ResNet-50的权重来源于ImageNet数据集上预 训练得到的权重文件。
更进一步地,给定ResNet-50每个卷积阶段最后的输出为 {C1,C2,C3,C4,C5},FPN通过自上而下的路径和横向连接输出不同尺度的 金字塔层级{P3,P4,P5},{P3,P4,P5}分别对应{C3,C4,C5};除此之外,C5通过一 个3×3的卷积输出特征层P6,紧接着特征层P6通过一个3×3的卷积 和ReLU激活函数输出特征层P7,因此最终FPN输出的不同金字塔层 级分别为{P3,P4,P5,P6,P7}。
再进一步地,步骤S3中,步骤S2输出的金字塔层级{P3,P4,P5,P6,P7} 分别使用大小为{322,642,1282,2562,5122}的旋转锚。
进一步地,步骤S3中,不同的金字塔层级均使用7个宽高比 {1:1,1:3,3:1,1:5,5:1,1:7,7:1}、3个尺度{20,21/3,22/3}和4个角度 {-15°,-45°,-60°,-90°}的旋转锚,则每个金字塔层级上的空间位置分别生 成84个旋转锚。
进一步地,步骤S8中,网络总迭代次数为100k,前60k迭代的 初始学习率为0.0005,后面两个20k迭代的初始学习率分别为 0.00005和0.000005;权值衰减和动量因子分别为0.0001和0.9。
本发明的有益效果在于:不同于以往方法依赖于人工设计特征或 海上杂波的统计分布,本发明利用特征提取能力更强的卷积神经网络 来提取特征,其获得的卷积特征语义性,鲁棒性和普适性更强;不同 于以往方法利用图像金字塔或者单一尺度进行目标检测,本发明通过 利用特征金字塔可以融合不同卷积层特征来实现多尺度目标检测,从 而解决舰船检测面临的尺度多样性问题;本发明的关键在于直接利用 旋转框检测具有不同方向的舰船目标,相比于以往方法中的水平框, 旋转框能够真实反映舰船目标的物理大小,包含更少的背景像素和能 有效分离密集分布的舰船目标且目标之间没有重叠区域,从而有效提 高了舰船检测的准确性。
附图说明
图1为本发明实施例中的方法流程示意图;
图2为本发明实施例中锚和x轴之间的夹角示意图,(a)和(b) 分别表示不同宽高比的锚的夹角示意图。
图3为本发明实施例中不同尺度的锚的示意图;
图4为本发明实施例中不同宽高比的锚的示意图;
图5为本发明实施例中不同角度的锚的示意图。
具体实施方式
以下将结合附图对本发明作进一步的描述,需要说明的是,本实 施例以本技术方案为前提,给出了详细的实施方式和具体的操作过 程,但本发明的保护范围并不限于本实施例。
本实施例提供一种基于特征金字塔的遥感图像旋转舰船检测方 法,如图1所示,包括如下步骤:
S1、图像数据预处理。
利用图像标注软件对图像中待检测的舰船目标进行标注,每个目 标均分别由一个四边形进行标注,类别标签为“ship”。四边形的左 上角、右上角、右下角和左下角四个顶点坐标分别为(x1,y1)、(x2,y2)、 (x3,y3)、(x4,y4)。随机将所有图像按数量比7:3的比例分成训练集和 测试集。将训练集和预测集的图像逐像素切割成600pixel×600pixel 大小的图像,移动步长为450pixel,然后尺度统一放大为800pixel ×800pixel。
S2、使用特征金字塔网络FPN对步骤S1中预处理得到的训练集 的图像进行特征提取。
以深度残差网络ResNet-50为基础搭建特征金字塔网络 FPN(Feature PyramidNetwork,FPN),ResNet-50的权重来源于ImageNet数据集上预训练得到的权重文件;给定ResNet-50每个卷 积阶段最后的输出为{C1,C2,C3,C4,C5},FPN通过自上而下的路径和横向连接输出不同尺度的金字塔层级{P3,P4,P5}(对应{C3,C4,C5})。除此之外, C5通过一个3×3的卷积输出特征层P6,紧接着特征层P6通过一个3× 3的卷积和ReLU激活函数输出特征层P7,因此最终FPN输出的不同金 字塔层级分别为{P3,P4,P5,P6,P7}。
S3、在不同的金字塔层级上分别生成旋转锚。
定义旋转锚(rotated anchors)为(xa,ya,wa,ha,θa)θa∈[-π/2,0),其 中xa,ya,wa,ha分别代表旋转锚的中心点横坐标、中心点纵坐标、宽和 高,θa表示旋转锚的宽边与x轴之间的夹角角度,图2(a)和图2 (b)所示,图2(a)和图2(b)分别表示两种宽高比情况。步骤 S2输出的金字塔层级{P3,P4,P5,P6,P7}分别使用大小为 {322,642,1282,2562,5122}的旋转锚。为了实现旋转检测和更密集的比例覆 盖,在步骤S2输出的每个金字塔层级{P3,P4,P5,P6,P7}上均使用7个宽高 比{1:1,1:3,3:1,1:5,5:1,1:7,7:1}(图4)、3个尺度{20,21/3,22/3}(图3)和4 个角度{-15°,-45°,-60°,-90°}(图5)的旋转锚,则每个金字塔层级上的 空间位置分别生成84个旋转锚。
S4、对步骤S1中得到的预处理后的训练集进行训练。
使用动量优化法(MomentumOptimizer)进行网络训练,训练直 到损失函数收敛不再下降,最后保留权重文件。网络总迭代次数为 100k,前60k迭代的初始学习率为0.0005,后面两个20k迭代的初 始学习率分别为0.00005和0.000005。权值衰减(weight decay) 和动量因子(momentum)分别为0.0001和0.9。训练过程中,分别 预测5个偏移量:
tx=(x-xa)/wa,ty=(y-ya)/ha;
tw=log(w/wa),th=log(h/ha),tθ=θ-θa;
t′x=(x′-xa)/wa,t′y=(y′-ya)/ha;
t′w=log(w′/wa),t′h=log(h′/ha),t′θ=θ′-θa;
其中,t′x、t′y、t′w、t′h和t′θ为5个预测的偏移量,tx、ty、tw、th和tθ则是相对应的真实的偏移量;(x,y,w,h,θ)分别代表真实框的中心点横 坐标、中心点纵坐标、宽、高以及框的宽边与x轴的夹角角度, (x',y',w',h',θ')分别表示预测框的中心点横坐标、中心点纵坐标、宽、高以 及框的宽边与x轴的夹角角度。
损失函数具体定义如下所示:
Lcls=-0.25(1-pt)2log(pt)
IoU=A∩B/A∪B
其中,n代表旋转锚的索引值,N代表旋转锚的数量。p′n是利用 sigmoid函数计算的各个类别的概率分布,pn表示目标的真实标签。是一个二进制值,/>代表前景,而/>代表背景。t′ni,tni(i={x,y,w,h,θ})分 别代表旋转锚n的预测的偏移量和真实的偏移量,z为t′ni,tni(i={x,y,w,h,θ}) 的差值。分类损失Lcls和回归损失Lreg分别由焦点损失(Focal loss) 和平滑L1损失(Smooth L1 loss)实现。A代表预测框,B代表真 实框,而IoU代表两者的交集与并集的比值。pt代表每个类别的预测 概率。为了控制权衡,两个超参数λ1,λ2默认设置为1。
S5、使用步骤S4训练得到的网络对步骤S1中得到的测试集进行 测试。
利用步骤S4得到的权重文件,对测试集的图像进行测试。
对于本领域的技术人员来说,可以根据以上的技术方案和构思, 给出各种相应的改变和变形,而所有的这些改变和变形,都应该包括 在本发明权利要求的保护范围之内。
Claims (8)
1.一种基于特征金字塔的遥感图像旋转舰船检测方法,其特征在于,包括如下步骤:
S1、图像数据预处理:
利用图像标注软件对图像中待检测的舰船目标进行标注,每个目标均分别由一个四边形进行标注并设定类别标签;随机将所有图像按设定比例分成训练集和测试集;
S2、使用特征金字塔网络FPN对步骤S1中预处理得到的训练集的图像进行特征提取,FPN输出不同的金字塔层级;
S3、在不同的金字塔层级上分别生成旋转锚:
定义旋转锚为(xa,ya,wa,ha,θa)θa∈[-π/2,0),其中xa,ya,wa,ha分别代表旋转锚的中心点横坐标、中心点纵坐标、宽和高,θa表示旋转锚的宽边与x轴之间的夹角角度;步骤S2输出的金字塔层级分别使用不同大小的旋转锚;每个金字塔层级上均使用不同宽高比、不同尺度和不同角度的旋转锚,则每个金字塔层级上的空间位置分别生成多个旋转锚;
S4、对步骤S1中得到的预处理后的训练集进行训练:
使用动量优化法进行网络训练,训练直到损失函数收敛不再下降,最后保留权重文件;训练过程中,分别预测5个偏移量:
tx=(x-xa)/wa,ty=(y-ya)/ha;
tw=log(w/wa),th=log(h/ha),tθ=θ-θa;
t′x=(x′-xa)/wa,t′y=(y′-ya)/ha;
t′w=log(w′/wa),t′h=log(h′/ha),t′θ=θ′-θa;
其中,t′x、t′y、t′w、t′h和t′θ为5个预测的偏移量,tx、ty、tw、th和tθ则是相对应的真实的偏移量;(x,y,w,h,θ)分别代表真实框的中心点横坐标、中心点纵坐标、宽、高以及框的宽边与x轴的夹角角度,(x',y',w',h',θ')分别表示预测框的中心点横坐标、中心点纵坐标、宽、高以及框的宽边与x轴的夹角角度;
损失函数具体定义如下所示:
Lcls=-0.25(1-pt)2log(pt)
IoU=A∩B/A∪B
其中,n代表旋转锚的索引值,N代表旋转锚的数量;p′n是利用sigmoid函数计算的各个类别的概率分布,pn表示目标的真实标签;是一个二进制值,/>代表前景,而/>代表背景;t′ni和tni,i={x,y,w,h,θ}分别代表旋转锚n的预测的偏移量和真实的偏移量,z为t′ni和tni的差值;分类损失Lcls和回归损失Lreg分别由焦点损失和平滑L1损失实现;A代表预测框,B代表真实框,而IoU代表两者的交集与并集的比值;pt代表每个类别的预测概率;两个超参数λ1,λ2默认设置为1;
S5、使用步骤S4训练得到的网络对步骤S1中得到的测试集进行测试。
2.根据权利要求1所述的方法,其特征在于,步骤S1中,将所有图像按数量比7:3分成训练集和测试集。
3.根据权利要求1所述的方法,其特征在于,步骤S1中,还包括:将训练集和预测集的图像逐像素切割成600pixel×600pixel大小的图像,移动步长为450pixel,然后尺度统一放大为800pixel×800pixel。
4.根据权利要求1所述的方法,其特征在于,步骤S2中,以深度残差网络ResNet-50为基础搭建特征金字塔网络FPN,ResNet-50的权重来源于ImageNet数据集上预训练得到的权重文件。
5.根据权利要求4所述的方法,其特征在于,给定ResNet-50每个卷积阶段最后的输出为{C1,C2,C3,C4,C5},FPN通过自上而下的路径和横向连接输出不同尺度的金字塔层级{P3,P4,P5},{P3,P4,P5}分别对应{C3,C4,C5};除此之外,C5通过一个3×3的卷积输出特征层P6,紧接着特征层P6通过一个3×3的卷积和ReLU激活函数输出特征层P7,因此最终FPN输出的不同金字塔层级分别为{P3,P4,P5,P6,P7}。
6.根据权利要求5所述的方法,其特征在于,步骤S3中,步骤S2输出的金字塔层级{P3,P4,P5,P6,P7}分别使用大小为{322,642,1282,2562,5122}的旋转锚。
7.根据权利要求1所述的方法,其特征在于,步骤S3中,不同的金字塔层级均使用7个宽高比{1:1,1:3,3:1,1:5,5:1,1:7,7:1}、3个尺度{20,21/3,22/3}和4个角度{-15°,-45°,-60°,-90°}的旋转锚,则每个金字塔层级上的空间位置分别生成84个旋转锚。
8.根据权利要求1所述的方法,其特征在于,步骤S8中,网络总迭代次数为100k,前60k迭代的初始学习率为0.0005,后面两个20k迭代的初始学习率分别为0.00005和0.000005;权值衰减和动量因子分别为0.0001和0.9。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011268470.8A CN112395969B (zh) | 2020-11-13 | 2020-11-13 | 一种基于特征金字塔的遥感图像旋转舰船检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011268470.8A CN112395969B (zh) | 2020-11-13 | 2020-11-13 | 一种基于特征金字塔的遥感图像旋转舰船检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112395969A CN112395969A (zh) | 2021-02-23 |
CN112395969B true CN112395969B (zh) | 2023-06-30 |
Family
ID=74599346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011268470.8A Active CN112395969B (zh) | 2020-11-13 | 2020-11-13 | 一种基于特征金字塔的遥感图像旋转舰船检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112395969B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033672B (zh) * | 2021-03-29 | 2023-07-28 | 西安电子科技大学 | 基于特征增强的多类别光学图像旋转目标自适应检测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8749635B2 (en) * | 2009-06-03 | 2014-06-10 | Flir Systems, Inc. | Infrared camera systems and methods for dual sensor applications |
CN110796048B (zh) * | 2019-10-18 | 2022-11-04 | 武汉大学 | 一种基于深度神经网络的船舰目标实时检测方法 |
CN111368671A (zh) * | 2020-02-26 | 2020-07-03 | 电子科技大学 | 基于深度学习的sar图像舰船目标检测识别一体化方法 |
CN111563473B (zh) * | 2020-05-18 | 2022-03-18 | 电子科技大学 | 基于密集特征融合和像素级注意力的遥感舰船识别方法 |
CN111881918B (zh) * | 2020-06-11 | 2022-10-04 | 中国人民解放军战略支援部队信息工程大学 | 一种多尺度旋转船舶目标检测算法 |
-
2020
- 2020-11-13 CN CN202011268470.8A patent/CN112395969B/zh active Active
Non-Patent Citations (1)
Title |
---|
"NAS-FPN: Learning scalable feature pyramid architecture for object detection.";Golnaz Ghiasi et al.;《In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)》;第7036-7045页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112395969A (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | A deep neural network based on an attention mechanism for SAR ship detection in multiscale and complex scenarios | |
CN111563473B (zh) | 基于密集特征融合和像素级注意力的遥感舰船识别方法 | |
CN106127204B (zh) | 一种全卷积神经网络的多方向水表读数区域检测算法 | |
CN111738112B (zh) | 基于深度神经网络和自注意力机制的遥感船舶图像目标检测方法 | |
CN112560671B (zh) | 基于旋转卷积神经网络的船舶检测方法 | |
CN110765865B (zh) | 基于改进的yolo算法的水下目标检测方法 | |
CN109871823B (zh) | 一种结合旋转框和上下文信息的卫星图像舰船检测方法 | |
CN112487912B (zh) | 基于改进YOLOv3的任意方向舰船检测方法 | |
CN111914804A (zh) | 多角度旋转遥感图像小目标检测方法 | |
CN116563726A (zh) | 一种基于卷积神经网络的遥感图像舰船目标检测方法 | |
Xu et al. | Fast ship detection combining visual saliency and a cascade CNN in SAR images | |
CN113239953A (zh) | 基于有向高斯函数的sar图像旋转舰船检测方法 | |
CN112395969B (zh) | 一种基于特征金字塔的遥感图像旋转舰船检测方法 | |
CN115359366A (zh) | 基于参数优化的遥感图像目标检测方法 | |
CN113486819A (zh) | 一种基于YOLOv4算法的船舶目标检测方法 | |
Chen et al. | Oriented object detection by searching corner points in remote sensing imagery | |
CN116168240A (zh) | 基于注意力增强的任意方向密集舰船目标检测方法 | |
CN114565824A (zh) | 基于全卷积网络的单阶段旋转舰船检测方法 | |
CN110826485A (zh) | 一种遥感影像的目标检测方法及*** | |
Wang et al. | Detection of SAR image multiscale ship targets in complex inshore scenes based on improved YOLOv5 | |
CN117689995A (zh) | 一种基于单目图像的未知航天器层级检测方法 | |
CN113284185A (zh) | 用于遥感目标检测的旋转目标检测方法 | |
CN116630808A (zh) | 基于遥感图像特征提取的旋转舰船检测方法 | |
Chen et al. | SAR ship detection under complex background based on attention mechanism | |
CN115496998A (zh) | 一种遥感影像码头目标检测方法 |
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 |