CN113420594A - 基于改进Faster R-CNN的SAR图像舰船检测方法 - Google Patents
基于改进Faster R-CNN的SAR图像舰船检测方法 Download PDFInfo
- Publication number
- CN113420594A CN113420594A CN202110550930.4A CN202110550930A CN113420594A CN 113420594 A CN113420594 A CN 113420594A CN 202110550930 A CN202110550930 A CN 202110550930A CN 113420594 A CN113420594 A CN 113420594A
- Authority
- CN
- China
- Prior art keywords
- network
- sar image
- training
- cnn
- detection method
- 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
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明属于雷达SAR图像智能解译技术领域,公开了一种基于改进FasterR‑CNN的SAR图像舰船检测方法,引入了FCN网络,可以对图像中的目标进行准确的分割,提高检测效率,尤其对小目标有很好的检测性能;RBox替代BBox进行回归定位,可以描述任意角度的目标框,获取的局部候选区域边界框存在很少的背景像素,能很好地区分目标和背景,对于倾斜的密集船舶有很好的检测效果;Elus替代Relu,解决梯度消失,加快收敛速度;ROIAlign替代ROIPooling,提高检测的精度,有利于实例分割;soft‑NMS替代NMS,改善缺失检测。
Description
技术领域
本发明涉及雷达SAR图像智能解译技术领域,具体涉及一种基于改进Faster R-CNN的SAR图像舰船检测方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种主动式微波成像传感器,由于微波信号能够穿透云层且不受天气和太阳光照影响,因此具有全天候、全天时的成像特点,目前已经成为人们对地观测的重要手段之一。通过机载和星载SAR,我们能够获得大量的高分辨率SAR海洋图像,舰船目标和舰船的航迹也在这些图像中清晰可见。近年来,利用SAR图像进行舰船检测日益受到军事和民用领域的高度重视,在军事领域,对特定目标进行位置检测,有利于战术部署,提高海防预警能力;在民用邻域,对某些偷渡、非法捕鱼船只进行检测,有助于海运的监测与管理。
传统的SAR图像舰船检测方法以图像像素的统计分析为主,大多是基于阈值的方法,其中最常用的是恒虚警率(Constant False Alarm Rate,CFAR)。但这种方法往往具有较差的鲁棒性,很难在小型船只和近海复杂的场景中表现出良好的性能,而且需要多个操作步骤,十分耗时,难以完全满足舰船检测的实际应用要求。随着计算机硬件和深度学习的发展,深度卷积神经网络在计算机视觉任务上展现了强大的目标特征提取能力。
基于深度学习的目标检测算法主要分为两类: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YOLO、SSD等,代表性两阶段算法有Faster R-CNN、SPP-Net等。目前,越来越多的学者和研究机构聚焦深度学习在海上目标的检测与定位。但是,由于船只的方向和尺寸变化范围很大,现有的基于矩形框的舰船检测方法获取的局部候选区域边界框存在背景像素,这不利于对候选区域进行分类。在复杂的背景下,上述方法不能很好地区分目标和背景,尤其是密集的小目标,常常无法有效地被检测。
发明内容
针对现有技术中存在的问题,本发明的目的在于一种基于改进Faster R-CNN的SAR图像舰船检测方法,引入了FCN网络,可以对图像中的目标进行准确的分割,提高检测效率,尤其对小目标有很好的检测性能;RBox替代BBox进行回归定位,可以描述任意角度的目标框,获取的局部候选区域边界框存在很少的背景像素,能很好地区分目标和背景,对于倾斜的密集船舶有很好的检测效果;Elus替代Relu,解决梯度消失,加快收敛速度;ROIAlign替代ROIPooling,提高检测的精度,有利于实例分割;soft-NMS替代NMS,改善缺失检测。
为了达到上述目的,本发明采用以下技术方案予以实现。
基于改进Faster R-CNN的SAR图像舰船检测方法,包括以下步骤:
步骤1,获取SAR图像数据集,对所述SAR图像数据集进行纠正,去除错误标签,得到修正的SAR图像数据集;其中,所述修正的SAR图像数据集包含训练集和测试集;
步骤2,预先训练ResNet-101网络,将训练得到的网络参数作为网络提取特征层的参数初始值,得到预先训练好的ResNet-101网络;
步骤3,根据预先训练好的ResNet-101网络搭建改进Faster R-CNN模型;将所述训练集的图像输入所述改进Faster R-CNN模型中进行训练,得到训练好的模型;
步骤4,利用soft-NMS方法得到精炼的检测结果,输出舰船定位区域和分类结果。
本发明技术方案的特点和进一步的改进为:
(1)步骤1中,所述SAR图像数据集为SSDD+数据集,采用SSDD+数据集进行SAR图像舰船检测。
(2)步骤2具体为:
卷积神经网络在大型数据集上预先训练ResNet-101网络,将训练得到的ResNet-101网络参数作为网络提取特征层的参数初始值,然后使用训练集数据对训练得到的ResNet-101网络进行微调。
(3)步骤3具体包含以下子步骤:
子步骤3.1,让所述训练集中的图像进入预先训练好的ResNet-101网络中提取特征图,然后分为两个分支;第一个分支为RPN网络,得到前景和背景的分数、以及候选框位置的回归坐标,其中前景和背景的分数用以判断候选框内是否含有目标;第二个分支是一个FCN网络,可以对图像中的目标进行准确的分割;
将第一个分支和第二个分支得到的结果结合起来,得到目标场景中的候选区域,利用空间金字塔池化的方法,将目标场景中的候选区域映射到特征图上相应的位置;然后将候选框的坐标导入到ROIAlign层训练分类网络,最后经过几个完全连接层后,返回分类和边界框,得到分类结果和定位框的四个坐标;
子步骤3.2,计算训练过程中的损失函数,更新参数训练改进Faster R-CNN模型;其中,训练过程中的损失函数为:
Loss=Lcls+Lreg+Lmask
其中,Lcls、Lreg和Lmask分别表示分类损失、候选框回归损失和掩膜预测损失。
(4)子步骤3.1中,所述预先训练好的ResNet-101网络中,采用Elus解决梯度消失,加快收敛速度。
(5)子步骤3.1中,所述RPN网络中,采用RBox进行回归定位。
(6)步骤4中,所述soft-NMS的计算公式如下:
其中,si是每个候选框被分类器计算得到的分数,M为得分最高的候选框,bi是待计算交并比的候选框,iou为交并比,Nt代表阈值。
与现有技术相比,本发明的有益效果为:
(1)本发明的基于改进Faster R-CNN的SAR图像舰船检测方法中,利用图像迁移学习的方法对图像进行预处理,预先训练ResNet-101网络,在其具有一定的特征提取能力后,不再采用对模型参数随机初始化的方式,而是将训练得到的模型参数作为网络提取特征层的参数初始值。
(2)在ResNet-101模型中,采用Elus替换Relu,解决梯度消失,加快收敛速度
(3)在搭建的改进Faster R-CNN模型中,引入了FCN网络,可以对图像中的目标进行准确的分割,提高检测效率,尤其对小目标有很好的检测性能。
(4)在RPN网络中,本发明用RBox代替现有BBox进行回归定位,可以描述任意角度的目标框,获取的局部候选区域边界框存在很少的背景像素,能很好地区分目标和背景,对于倾斜的密集船舶有很好的检测效果。
(5)ROIAlign替代ROIPooling,提高检测的精度,有利于实例分割。
(6)soft-NMS替代NMS,改善缺失检测。
附图说明
下面结合附图和具体实施例对本发明做进一步详细说明。
图1是基于改进Faster R-CNN的SAR图像舰船检测方法的流程图;
图2是改进Faster R-CNN模型结构图。
图3是RBox旋转框示意图。
具体实施方式
下面将结合实施例对本发明的实施方案进行详细描述,但是本领域的技术人员将会理解,下列实施例仅用于说明本发明,而不应视为限制本发明的范围。
参考图1给出的基于改进Faster R-CNN的SAR图像舰船检测方法的流程图,具体包括以下步骤:
步骤1,获取SAR图像数据集,对所述SAR图像数据集进行纠正,去除错误标签,得到修正的SAR图像数据集;其中,所述修正的SAR图像数据集包含训练集和测试集。
具体的,采用SSDD+数据集进行SAR图像舰船检测,原SSDD+中的一些目标标签质量很差,会严重影响训练结果。因此,在训练前纠正了原SSDD+中有错误的标签。SSDD+中共有1160张图像,随机分为训练集和测试集,比例为8:2。
步骤2,预先训练ResNet-101网络,将训练得到的网络参数作为网络提取特征层的参数初始值,得到预先训练好的ResNet-101网络。
具体的,卷积神经网络在大型数据集上预先训练ResNet-101网络,在其具有一定的特征提取能力后,不再采用对ResNet-101网络参数随机初始化的方式,而是将训练得到的网络参数(权重)作为网络提取特征层的参数初始值,然后使用修正的SSDD+数据集(训练集)对预先训练ResNet-101网络进行微调,通过更新网络中一切权重的大小去让网络的检测能力更强。
步骤3,根据预先训练好的ResNet-101网络搭建改进Faster R-CNN模型;将所述训练集的图像输入所述改进Faster R-CNN模型中进行训练,得到训练好的模型。
具体的,步骤3包含以下子步骤:
子步骤3.1,采用如图2的网络结构:首先让训练集的图像进入预先训练好的ResNet-101网络中提取特征图,然后又分为两个分支。第一个分支为RPN(Region ProposalNetwork)网络,可以得到前景和背景的分数以及候选框位置的回归坐标,其中前景和背景的分数用以判断候选框内是否含有目标。第二个分支是一个FCN(Fully ConvolutionalNetwork)网络结构,可以对图像中的目标进行准确的分割。将这三个结果结合起来,得到目标场景中的候选区域,利用空间金字塔池化的方法,映射到特征图上相应的位置。然后将候选框的坐标导入到ROIAlign层训练分类网络,最后经过几个完全连接层后,返回分类和边界框,得到分类结果和定位框的四个坐标。
具体的,在现有的ResNet-101网络中,每一个卷积层后都有一个Relu,本发明采用Elus替换Relu,解决梯度消失,加快收敛速度。
在现有的RPN网络中,本发明用RBox代替现有BBox进行回归定位,一个RBox可以由以下五个参数定义:中心点的坐标(x,y)、高度h和宽度w以及旋转角度θ,其中将旋转角度θ定义为RBox的长轴与水平轴之间的角度,从-90度到90度,如图3所示。SSDD+数据集采用8参数形式(x1,y1,x2,y2,x3,y3,x4,y4)描述任意角度的目标框,其中,x1,y1,x2,y2,x3,y3,x4,y4分别表示目标框的四个角的坐标。因此要采用最小包围盒算法将上述参数转换为(x,y,w,h,θ)的5参数形式再输入到网络中进行训练。
本发明采用ROIAlign替代现有的ROIPooling,后者使用了两次量化操作,而前者并没有采用量化操作,使用了线性插值算法,这样在整个过程中都没有引入误差,即原图中的像素和特征图中的像素是完全对齐的,没有偏差,这不仅会提高检测的精度,同时也会有利于实例分割。
子步骤3.2,计算训练过程中的损失函数,更新参数训练改进Faster R-CNN模型。
训练过程中的损失函数为:
Loss=Lcls+Lreg+Lmask
其中,Lcls、Lreg和Lmask分别表示分类损失、候选框回归损失和掩膜预测损失。
基于Tensorflow深度学习框架实现所提出的方法并进行参数训练,采用SSDD+舰船目标检测数据集。在训练过程中,迭代次数为40000次,每2000步设置一次梯度下降更新。前20000步的学习率为0.01,后20000步的学习率为0.001。选择9种不同尺寸的锚尺寸,以适应船舶的实际尺寸。
在改进Faster R-CNN模型搭建的过程中,里面会有一些权重在不断训练,刚开始给它初始化成一个简单的数字,在模型构建中会有一种它的优化方式不断更新这个权重使得预测的结果和标签不断接近,使训练准确度不断增加。学习率这个参数也在不断更新,权重更新过程是在模型中设定好的。
步骤4,利用soft-NMS方法得到精炼的检测结果,输出舰船定位区域和分类结果。
本发明用soft-NMS替换NMS,传统的NMS算法对所有检测框按照得分从高到低进行排序,保留检测框之间重叠度低和得分高的候选框,丢弃检测框之间重叠度高和得分低的候选框,这将导致目标检测的召回率很低。NMS算法的计算公式如下:
其中,si是每个候选框被分类器计算得到的分数,M为得分最高的候选框,bi是待计算交并比(iou)的候选框,Nt代表阈值。
soft-NMS不是直接舍弃重叠度高的候选框,而是用稍低一点的分数来代替原有的分数,这样可以改善缺失检测。soft-NMS的计算公式如下:
其中,iou阈值Nt设为0.5。
虽然,本说明书中已经用一般性说明及具体实施方案对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (7)
1.基于改进Faster R-CNN的SAR图像舰船检测方法,其特征在于,包括以下步骤:
步骤1,获取SAR图像数据集,对所述SAR图像数据集进行纠正,去除错误标签,得到修正的SAR图像数据集;其中,所述修正的SAR图像数据集包含训练集和测试集;
步骤2,预先训练ResNet-101网络,将训练得到的网络参数作为网络提取特征层的参数初始值,得到预先训练好的ResNet-101网络;
步骤3,根据预先训练好的ResNet-101网络搭建改进Faster R-CNN模型;将所述训练集的图像输入所述改进Faster R-CNN模型中进行训练,得到训练好的模型;
步骤4,利用soft-NMS方法得到精炼的检测结果,输出舰船定位区域和分类结果。
2.根据权利要求1所述的基于改进Faster R-CNN的SAR图像舰船检测方法,其特征在于,步骤1中,所述SAR图像数据集为SSDD+数据集,采用SSDD+数据集进行SAR图像舰船检测。
3.根据权利要求1所述的基于改进Faster R-CNN的SAR图像舰船检测方法,其特征在于,步骤2具体为:
卷积神经网络在大型数据集上预先训练ResNet-101网络,将训练得到的ResNet-101网络参数作为网络提取特征层的参数初始值,然后使用训练集数据对训练得到的ResNet-101网络进行微调。
4.根据权利要求1所述的基于改进Faster R-CNN的SAR图像舰船检测方法,其特征在于,步骤3具体包含以下子步骤:
子步骤3.1,让所述训练集中的图像进入预先训练好的ResNet-101网络中提取特征图,然后分为两个分支;第一个分支为RPN网络,得到前景和背景的分数、以及候选框位置的回归坐标,其中前景和背景的分数用以判断候选框内是否含有目标;第二个分支是一个FCN网络,可以对图像中的目标进行准确的分割;
将第一个分支和第二个分支得到的结果结合起来,得到目标场景中的候选区域,利用空间金字塔池化的方法,将目标场景中的候选区域映射到特征图上相应的位置;然后将候选框的坐标导入到ROIAlign层训练分类网络,最后经过几个完全连接层后,返回分类和边界框,得到分类结果和定位框的四个坐标;
子步骤3.2,计算训练过程中的损失函数,更新参数训练改进Faster R-CNN模型;其中,训练过程中的损失函数为:
Loss=Lcls+Lreg+Lmask
其中,Lcls、Lreg和Lmask分别表示分类损失、候选框回归损失和掩膜预测损失。
5.根据权利要求4所述的基于改进Faster R-CNN的SAR图像舰船检测方法,其特征在于,子步骤3.1中,所述预先训练好的ResNet-101网络中,采用Elus解决梯度消失,加快收敛速度。
6.根据权利要求4所述的基于改进Faster R-CNN的SAR图像舰船检测方法,其特征在于,子步骤3.1中,所述RPN网络中,采用RBox进行回归定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110550930.4A CN113420594A (zh) | 2021-05-20 | 2021-05-20 | 基于改进Faster R-CNN的SAR图像舰船检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110550930.4A CN113420594A (zh) | 2021-05-20 | 2021-05-20 | 基于改进Faster R-CNN的SAR图像舰船检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113420594A true CN113420594A (zh) | 2021-09-21 |
Family
ID=77712596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110550930.4A Pending CN113420594A (zh) | 2021-05-20 | 2021-05-20 | 基于改进Faster R-CNN的SAR图像舰船检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113420594A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115641510A (zh) * | 2022-11-18 | 2023-01-24 | 中国人民解放军战略支援部队航天工程大学士官学校 | 一种遥感影像舰船检测识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170016987A1 (en) * | 2015-07-17 | 2017-01-19 | Her Majesty The Queen In Right Of Canada, As Represented By The Minister Of National Defence | Processing synthetic aperture radar images for ship detection |
CN110210463A (zh) * | 2019-07-03 | 2019-09-06 | 中国人民解放军海军航空大学 | 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法 |
CN112285712A (zh) * | 2020-10-15 | 2021-01-29 | 电子科技大学 | 一种提高sar图像中靠岸船只检测精度的方法 |
-
2021
- 2021-05-20 CN CN202110550930.4A patent/CN113420594A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170016987A1 (en) * | 2015-07-17 | 2017-01-19 | Her Majesty The Queen In Right Of Canada, As Represented By The Minister Of National Defence | Processing synthetic aperture radar images for ship detection |
CN110210463A (zh) * | 2019-07-03 | 2019-09-06 | 中国人民解放军海军航空大学 | 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法 |
CN112285712A (zh) * | 2020-10-15 | 2021-01-29 | 电子科技大学 | 一种提高sar图像中靠岸船只检测精度的方法 |
Non-Patent Citations (8)
Title |
---|
NAVANEETH BODLA ET AL.: "Improving Object Detection With One Line of Code", 《ARXIV[CS.CV]》, 8 August 2017 (2017-08-08), pages 1 - 9 * |
RONG YANG ET AL.: "A Novel CNN-Based Detector for Ship Detection Based on Rotatable Bounding Box in SAR Images", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
RONG YANG ET AL.: "A Novel CNN-Based Detector for Ship Detection Based on Rotatable Bounding Box in SAR Images", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》, vol. 14, 8 January 2021 (2021-01-08), pages 1938 - 1958, XP011834665, DOI: 10.1109/JSTARS.2021.3049851 * |
SHANLAN NIE ET AL.: "INSHORE SHIP DETECTION BASED ON MASK R-CNN", 《IGARSS 2018 - 2018 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
SHANLAN NIE ET AL.: "INSHORE SHIP DETECTION BASED ON MASK R-CNN", 《IGARSS 2018 - 2018 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》, 4 November 2018 (2018-11-04), pages 693 - 696 * |
凌晨 等: "基于Mask R-CNN算法的遥感图像处理技术及其应用", 《计算机科学》 * |
凌晨 等: "基于Mask R-CNN算法的遥感图像处理技术及其应用", 《计算机科学》, vol. 47, no. 10, 15 October 2020 (2020-10-15), pages 151 - 160 * |
魏云雪 等: "《深度学习之PyTorch物体检测实战》", 机械工业出版社, pages: 209 - 130 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115641510A (zh) * | 2022-11-18 | 2023-01-24 | 中国人民解放军战略支援部队航天工程大学士官学校 | 一种遥感影像舰船检测识别方法 |
CN115641510B (zh) * | 2022-11-18 | 2023-08-08 | 中国人民解放军战略支援部队航天工程大学士官学校 | 一种遥感影像舰船检测识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898065B (zh) | 候选区快速筛选与尺度自适应的深度网络舰船目标检测方法 | |
CN111783523B (zh) | 一种遥感影像旋转目标检测方法 | |
CN112818905B (zh) | 一种基于注意力和时空信息的有限像素车辆目标检测方法 | |
CN112348758B (zh) | 一种光学遥感图像数据增强方法及目标识别方法 | |
CN112487912B (zh) | 基于改进YOLOv3的任意方向舰船检测方法 | |
Li et al. | Gaofen-3 sea ice detection based on deep learning | |
CN107622239A (zh) | 一种层次化局部结构约束的遥感图像指定建筑区检测方法 | |
Xu et al. | Fast ship detection combining visual saliency and a cascade CNN in SAR images | |
Zheng et al. | Building recognition of UAV remote sensing images by deep learning | |
CN110826575A (zh) | 一种基于机器学习的水下目标识别方法 | |
Zhang et al. | Nearshore vessel detection based on Scene-mask R-CNN in remote sensing image | |
Zhao et al. | A dense connection based SAR ship detection network | |
CN116109950A (zh) | 一种低空域反无人机视觉检测、识别与跟踪方法 | |
Bai et al. | LSDNet: Lightweight CNN model driven by PNF for PolSAR image ship detection | |
Zhang et al. | Contextual squeeze-and-excitation mask r-cnn for sar ship instance segmentation | |
CN114565824A (zh) | 基于全卷积网络的单阶段旋转舰船检测方法 | |
Li et al. | Insect detection and counting based on YOLOv3 model | |
Huang et al. | Survey of target detection algorithms in SAR images | |
Chen et al. | Shape similarity intersection-over-union loss hybrid model for detection of synthetic aperture radar small ship objects in complex scenes | |
Wang et al. | YOLOv5_CSL_F: YOLOv5’s loss improvement and attention mechanism application for remote sensing image object detection | |
Liu et al. | Tilt correction toward building detection of remote sensing images | |
CN113420594A (zh) | 基于改进Faster R-CNN的SAR图像舰船检测方法 | |
Chai et al. | Enhanced Cascade R-CNN for Multi-scale Object Detection in Dense Scenes from SAR Images | |
Yang et al. | Sar images target detection based on yolov5 | |
Liu et al. | Improvement of detection accuracy of aircraft in remote sensing images based on YOLOV5 model |
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 |