CN112613425B - 一种面向小样本水下图像的目标识别*** - Google Patents

一种面向小样本水下图像的目标识别*** Download PDF

Info

Publication number
CN112613425B
CN112613425B CN202011573123.6A CN202011573123A CN112613425B CN 112613425 B CN112613425 B CN 112613425B CN 202011573123 A CN202011573123 A CN 202011573123A CN 112613425 B CN112613425 B CN 112613425B
Authority
CN
China
Prior art keywords
unit
module
imaging
image
deep learning
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
CN202011573123.6A
Other languages
English (en)
Other versions
CN112613425A (zh
Inventor
于昌利
周晓滕
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.)
Shandong Ship Technology Research Institute
Harbin Institute of Technology Weihai
Original Assignee
Shandong Ship Technology Research Institute
Harbin Institute of Technology Weihai
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 Shandong Ship Technology Research Institute, Harbin Institute of Technology Weihai filed Critical Shandong Ship Technology Research Institute
Priority to CN202011573123.6A priority Critical patent/CN112613425B/zh
Publication of CN112613425A publication Critical patent/CN112613425A/zh
Application granted granted Critical
Publication of CN112613425B publication Critical patent/CN112613425B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/30—Noise filtering
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • 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)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (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)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种面向小样本水下图像的目标识别***，包括对水域环境进行成像，对生成的图片进行预处理；选择学***台，易于推广，使用简单，极大地了节约了人力和时间成本。

Description

一种面向小样本水下图像的目标识别***
技术领域
本发明涉及水下目标识别的技术领域，尤其涉及一种小样本水下图像的目标识别***。
背景技术
在水下目标识别中，由于环境的局限性，导致光学成像受阻，远距离方向通常只能采用声学成像，即借助声呐设备进行目标搜索。但由于水下声学介质多变，信号传输过程中易受到干扰，导致目标的声呐图像质量低、噪声多、特征不明显。
由于水下环境的未知性，大多数目标是小样本的，稀有的，因此获取的目标图像数据非常少，在处理此类目标图像时，只能依靠研究人员的经验来操作，没有成熟的处理方案，更没有***的模型来针对性地训练水下图像，对水下目标进行分析时，图像处理流程复杂且模块间关联性不强，未知的、小样本的水下图像没有成熟的处理方法可参考，浪费了大量的人力资源和时间资源，对于这些小样本的，陌生的数据，图像处理方法操作只能尝试性地选择，验证性也不足，严重影响了目标的识别效率。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述水下环境的特殊性以及目前没有成熟处理方案的问题，提出了本发明。
因此，本发明解决的技术问题是：图像处理识别流程复杂且模块间关联性不强，未知的、小样本的水下图像没有成熟的处理方法可参考。
提出一种面向小样本水下图像的目标识别***，能够让用户在***中选择合适的预处理单元以及训练模型。
为解决上述技术问题，本发明提供如下技术方案：一种面向小样本水下图像的目标识别***，包括，
成像模块用于对水下目标区域进行成像，包括成像模式选择单元，所述成像模式选择单元可以进行光学成像或声学成像的不同选择；
图片预处理模块连接所述成像模块，用于对所述成像模块输出的图片进行预处理，
所述图片预处理模块包括，灰度图转化单元、图像二值化单元、ROI区域划分单元、轮廓绘制单元、图像降噪去雾单元、形态学变换单元以及特征提取单元；
深度学习模块连接于所述图片预处理模块，根据用户选择来使用不同的深度学习框架和学习模式，对模型进行训练并全程监控，
所述深度学习模块包括，学习模式选择单元、深度学习框架选择单元以及训练监控单元，其中学习模式选择单元包括全新训练、迁移学习和联合学习，深度学习框架选择单元包括Tensorflow、Pytorch；
评估模块连接于所述深度学习模块，用于存储并评估所述深度学习模块所产生的模型和数据，
所述评估模块包括，模型训练结果存储单元以及评估单元，存储单元用于预测错误和数据归类，评估单元用于对训练结果评估，评估指标包括F1-score、recall、mAP、Precision。
本发明的有益效果：该***集成了非常全面的图像处理操作和深度学***台，易于推广，使用简单，极大地了节约了人力和时间成本。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明所述的一种面向小样本水下图像的目标识别方法的流程示意图；
图2为本发明所述的一种面向小样本水下图像的目标识别***的工作流程示意图；
图3为本发明所述的一种面向小样本水下图像的目标识别***的模块结构分布示意图；
图4为本发明所述的一种面向小样本水下图像的目标识别***的主界面图；
图5为本发明所述的一种面向小样本水下图像的目标识别***的功能模块图；
图6为本发明所述的一种面向小样本水下图像的目标识别***的功能效果图；
图7为本发明所述的一种面向小样本水下图像的目标识别***的模型参数设置图；
图8为本发明所述的一种面向小样本水下图像的目标识别***的模型训练结果图；
图9为本发明所述的一种面向小样本水下图像的目标识别***的模型识别效果图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
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的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”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，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1～9，为本发明的第一个实施例，该实施例提供了提供了一种面向小样本水下图像的目标识别***，包括：成像模块100、图片预处理模块200、深度学习模块300和评估模块400；其中成像模块100用于对水下目标区域进行成像，包括成像模式选择单元101，成像模式选择单元可以进行光学成像或声学成像的不同选择。
图片预处理模块200连接于成像模块100，根据用户选择来使用不同的深度学习框架和学习模式，对模型进行训练并全程监控，包括灰度图转化单元201、图像二值化单元202、ROI区域划分单元203、轮廓绘制单元204、图像降噪去雾单元205、形态学变换单元206以及特征提取单元207；灰度图转化：该操作可以作为图像处理的预处理步骤，为之后的图像分割、图像识别和图像分析等上层操作做准备；图像二值化：该操作有利于对灰度图像做进一步处理，图像的集合性质只与像素值为0或255的点的位置有关，不再涉及像素的多级值，使处理变得简单，而且数据的处理和压缩量小；ROI区域划分：感兴趣区域(ROI)是从图像中选择的一个图像区域，这个区域是你的图像分析所关注的重点。圈定该区域以便进行进一步处理。使用ROI圈定你想读的目标，可以减少处理时间，增加精度；绘制最小轮廓：对水下图像中有意义的目标点进行轮廓绘制，突出显示；图像降噪/去雾：对水下目标图像采取降噪/去雾处理，降低干扰噪声；形态学变换：一般是针对于二值图像，进行边界提取，骨架提取，孔洞填充，角点提取，图像重建；特征提取：基本统计特征，包括一些简单的区域描绘子，直方图及其统计特征，以及灰度共现矩阵等；随机展示数据：随机抽取一个图像预处理后的样本数据，比对处理的效果。
深度学习模块300连接于图片预处理模块300，根据用户选择来使用不同的深度学习框架和学习模式，对模型进行训练并全程监控，包括学习模式选择单元301、深度学习框架选择单元302以及训练监控单元303，其中学习模式选择单元301包括全新训练、迁移学习和联合学习，深度学习框架选择单元302包括Tensorflow、Pytorch以及其他国产框架。
评估模块400连接于深度学习模块300，用于存储并评估深度学习模块300所产生的模型和数据包括，模型训练结果存储单元401以及评估单元402，存储单元401用于预测错误和数据归类，评估单元402用于对训练结果评估，评估指标包括F1-score、recall、mAP、Precision。
参照图4～图9本发明的实施例公开了一种面向小样本水下图像的目标识别***，包括***主显示界面，***主要功能示意图，***子功能效果图，模型训练效果图和样本识别效果图。
本实施例中，此***集成了非常全面的图像处理操作和深度学***台，易于推广，使用简单，极大地了节约了人力和时间成本。
如图1、2所示，此***还提供了一种面向小样本水下图像的目标识别方法，包括：
S1：对水域环境进行成像，对生成的图片进行预处理。其中需要说明的是，
对水域环境进行成像包括利用声呐和光学摄像机进行光学成像或声学成像，预处理包括，灰度化、图像降噪或去雾、二值化、形态学变换、ROI区域划分、特征提取以及绘制最小轮廓的处理方式。灰度图转化：该操作可以作为图像处理的预处理步骤，为之后的图像分割、图像识别和图像分析等上层操作做准备；图像二值化：该操作有利于对灰度图像做进一步处理，图像的集合性质只与像素值为0或255的点的位置有关，不再涉及像素的多级值，使处理变得简单，而且数据的处理和压缩量小；ROI区域划分：感兴趣区域(ROI)是从图像中选择的一个图像区域，这个区域是你的图像分析所关注的重点。圈定该区域以便进行进一步处理。使用ROI圈定你想读的目标，可以减少处理时间，增加精度；绘制最小轮廓：对水下图像中有意义的目标点进行轮廓绘制，突出显示；图像降噪/去雾：对水下目标图像采取降噪/去雾处理，降低干扰噪声；形态学变换：一般是针对于二值图像，进行边界提取，骨架提取，孔洞填充，角点提取，图像重建；特征提取：基本统计特征，包括一些简单的区域描绘子，直方图及其统计特征，以及灰度共现矩阵等；随机展示数据：随机抽取一个图像预处理后的样本数据，比对处理的效果。
S2：选择学习模式及深度学习框架，进行训练。其中需要说明的是，
学习模式包括，全新学习、迁移学习以及联合学习；深度学习框架包括，Tensorflow、Pytorch以及其他国产框架。
S3：存储模型训练结果，对训练结果进行评估。其中需要说明的是，
模型训练中模型包括，SSD、YOLOv3、YOLOv4、F-CNN；所述评估指标包括，F1-score、recall、mAP、Precision。
本实施例中此方法的具体步骤包括：输入水域环境模型参数，设定成像模式，根据工程任务的需求设定图片尺寸和类型，选择需要用的图像预处理操作，设定数据存储格式，计算当前的数据样本量级，数据集扩充；检索当前平台的***和硬件信息，列出可以搭建的深度学习框架，选择学习模式，安装深度学习框架，并选择是否加速，设置模型训练参数，并运行模型；开启训练全程监控，存储模型训练结果，利用RECALL，Precison等指标进行评估，存储预测错误数据，进行记录，实时预测水下目标，对比图像识别效果。
本实施例中，此方法附带的功能包括：数据标注：使用开发的软件对预处理后的图像进行目标标注，存储待训练；摄像机标定：为了将摄像机捕捉到的目标图像，更为精确地应用于后续的工业测量，视觉监控，机器人手眼等诸多领域，需要完成基础性的摄像机标定工作；图像畸变矫正：水下视觉工程任务中，第一步就是对相机的畸变进行矫正；坐标系转化：世界坐标系，相机坐标系，图像物理坐标系，像素坐标系
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机***通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机***的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
如在本申请所使用的，术语“组件”、“模块”、“***”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地***、分布式***中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它***进行交互)的信号，以本地和/或远程过程的方式进行通信。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (1)

1.一种面向小样本水下图像的目标识别***，其特征在于：包括，
成像模块(100)用于对水下目标区域进行成像，包括成像模式选择单元(101)，所述成像模式选择单元(101)可以进行光学成像或声学成像的不同选择；
图片预处理模块(200)连接所述成像模块(100)，用于对所述成像模块(100)输出的图片进行预处理，
所述图片预处理模块(200)包括，灰度图转化单元(201)、图像二值化单元(202)、ROI区域划分单元(203)、轮廓绘制单元(204)、图像降噪去雾单元(205)、形态学变换单元(206)以及特征提取单元(207)；
深度学习模块(300)连接于所述图片预处理模块(200)，根据用户选择来使用不同的深度学习框架和学习模式，对模型进行训练并全程监控，
所述深度学习模块(300)包括，学习模式选择单元(301)、深度学习框架选择单元(302)以及训练监控单元(303)，其中学习模式选择单元(301)包括全新训练、迁移学习和联合学习，深度学习框架选择单元(302)包括Tensorflow、Pytorch；
评估模块(400)连接于所述深度学习模块(300)，用于存储并评估所述深度学习模块(300)所产生的模型和数据，
所述评估模块(400)包括，模型训练结果存储单元(401)以及评估单元(402)，存储单元(401)用于预测错误和数据归类，评估单元(402)用于对训练结果评估，评估指标包括F1-score、recall、mAP、Precision。
CN202011573123.6A 2020-12-24 2020-12-24 一种面向小样本水下图像的目标识别*** Active CN112613425B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011573123.6A CN112613425B (zh) 2020-12-24 2020-12-24 一种面向小样本水下图像的目标识别***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011573123.6A CN112613425B (zh) 2020-12-24 2020-12-24 一种面向小样本水下图像的目标识别***

Publications (2)

Publication Number Publication Date
CN112613425A CN112613425A (zh) 2021-04-06
CN112613425B true CN112613425B (zh) 2022-03-22

Family

ID=75248050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011573123.6A Active CN112613425B (zh) 2020-12-24 2020-12-24 一种面向小样本水下图像的目标识别***

Country Status (1)

Country Link
CN (1) CN112613425B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113763408A (zh) * 2021-09-29 2021-12-07 上海海事大学 一种无人船航行过程中的图像快速辨别水面下水草的方法
CN113895575B (zh) * 2021-11-15 2023-09-15 浙江理工大学 一种基于阿里云及卷积神经网络算法的水面清洁机器人打捞***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165658A (zh) * 2018-08-28 2019-01-08 哈尔滨工业大学（威海） 一种基于Faster-RCNN的强负样本水下目标检测方法
CN109784343A (zh) * 2019-01-25 2019-05-21 上海深杳智能科技有限公司 一种基于深度学习模型的资源分配方法及终端
CN109948527A (zh) * 2019-03-18 2019-06-28 西安电子科技大学 基于集成深度学习的小样本太赫兹图像异物检测方法
CN110826612A (zh) * 2019-10-31 2020-02-21 上海法路源医疗器械有限公司 深度学习的训练识别方法
CN111612058A (zh) * 2020-05-19 2020-09-01 江苏建筑职业技术学院 一种基于深度学习的人工智能学习方法
US10832087B1 (en) * 2020-02-05 2020-11-10 Sas Institute Inc. Advanced training of machine-learning models usable in control systems and other systems

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6492278B2 (ja) * 2015-03-19 2019-04-03 本多電子株式会社 魚群探知装置
CN106529428A (zh) * 2016-10-31 2017-03-22 西北工业大学 基于深度学习的水下目标识别方法
CN107808161B (zh) * 2017-10-26 2020-11-24 江苏科技大学 一种基于光视觉的水下目标识别方法
CN110807365B (zh) * 2019-09-29 2022-02-11 浙江大学 一种基于gru与一维cnn神经网络融合的水下目标识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165658A (zh) * 2018-08-28 2019-01-08 哈尔滨工业大学（威海） 一种基于Faster-RCNN的强负样本水下目标检测方法
CN109784343A (zh) * 2019-01-25 2019-05-21 上海深杳智能科技有限公司 一种基于深度学习模型的资源分配方法及终端
CN109948527A (zh) * 2019-03-18 2019-06-28 西安电子科技大学 基于集成深度学习的小样本太赫兹图像异物检测方法
CN110826612A (zh) * 2019-10-31 2020-02-21 上海法路源医疗器械有限公司 深度学习的训练识别方法
US10832087B1 (en) * 2020-02-05 2020-11-10 Sas Institute Inc. Advanced training of machine-learning models usable in control systems and other systems
CN111612058A (zh) * 2020-05-19 2020-09-01 江苏建筑职业技术学院 一种基于深度学习的人工智能学习方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Underwater target recognition methods based on the framework of deep learning:A survey;Bowen Teng等;《International Journal of Advances Robotic Systems》;20201216;第1-12页 *
基于异构多模态深度学习方法在水下目标识别中的应用;曾赛等;《声学技术》;20181231;第37卷(第6期);第239-240页 *
电子信息图像处理在船舶目标识别中的应用;周晓滕;《数码设计 (上)》;20190110(第9期);第110页 *

Also Published As

Publication number Publication date
CN112613425A (zh) 2021-04-06

Similar Documents

Publication Publication Date Title
CN110059694B (zh) 电力行业复杂场景下的文字数据的智能识别方法
JP6837597B2 (ja) 能動学習のシステム及び方法
CN110827236B (zh) 基于神经网络的脑组织分层方法、装置、计算机设备
CN111652225B (zh) 基于深度学习的非侵入式摄像读取方法及***
CN112613425B (zh) 一种面向小样本水下图像的目标识别***
CN113780201B (zh) 手部图像的处理方法及装置、设备和介质
CN111900694B (zh) 一种基于自动识别的继电保护设备信息采集方法及***
CN110910445B (zh) 一种物件尺寸检测方法、装置、检测设备及存储介质
CN111882544B (zh) 基于人工智能的医学影像显示方法及相关装置
CN113763348A (zh) 图像质量确定方法、装置、电子设备及存储介质
CN112052730A (zh) 一种3d动态人像识别监控设备及方法
CN112966687B (zh) 图像分割模型训练方法、装置及通信设备
CN113378921A (zh) 数据筛选方法、装置及电子设备
CN110378241B (zh) 作物生长状态监控方法、装置、计算机设备及存储介质
CN116936116A (zh) 一种智能医疗数据分析方法和***
CN116052831A (zh) 骨科脊柱用数据信息处理方法及其装置
CN115546736A (zh) 基于图像采集的河道采砂监控处理方法及***
CN112530554B (zh) 一种扫描定位方法、装置、存储介质及电子设备
CN114782822A (zh) 电力设备的状态检测方法、装置、电子设备及存储介质
CN115019396A (zh) 一种学习状态监测方法、装置、设备及介质
KR20220122862A (ko) 가상 현실 기반의 수술 환경을 제공하는 장치 및 방법
CN111242047A (zh) 图像处理方法和装置、电子设备及计算机可读存储介质
CN110472601B (zh) 一种遥感图像目标物体识别方法、装置和存储介质
CN112257769B (zh) 基于强化学习类脑读图的多层核磁影像分类方法及***
CN115114950B (zh) 一种决策不确定性的测试方法、装置及设备

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
GR01 Patent grant
GR01 Patent grant