CN114241377A - 基于改进yolox的船舶目标检测方法、装置、设备及介质 - Google Patents
基于改进yolox的船舶目标检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114241377A CN114241377A CN202111543482.1A CN202111543482A CN114241377A CN 114241377 A CN114241377 A CN 114241377A CN 202111543482 A CN202111543482 A CN 202111543482A CN 114241377 A CN114241377 A CN 114241377A
- Authority
- CN
- China
- Prior art keywords
- yolox
- ship
- network
- improved
- sample 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开基于改进YOLOX的船舶目标检测方法、装置、设备及介质,该方法获取样本数据集,所述样本数据集中包含船舶标注图像和未标注图像,所述样本数据集分为训练集和测试集;构建YOLOX网络,对所述YOLOX网络的主干网络进行优化,将主干网络替换为ResNet50,以用于提取图片小目标特征;将样本数据集输入所述YOLOX网络中进行训练和测试,得到船舶检测模型;将待检测的图像输入到训练好的船舶检测模型中进行检测,用以输出船舶检测结果。本发明通过网络结构改进、模型简化等方法对传统YOLO算法进行改进,使改进算法更好地适应船舶目标检测任务,协助船检人员及早发现潜在的危险并做出正确判断。
Description
技术领域
本发明涉及图像检测技术领域,尤其涉及基于改进YOLOX的船舶目标检测方法、装置、设备及介质。
背景技术
近年来,船舶***正朝着智能化、无人化、***化方向发展。智能船舶已成为国际海事界的新热点。智能船舶结合了人工智能、大数据、云计算等新技术具有安全、环保、节能、高效的特点。船舶在航行时经常面临雾气、高湿和各种海况。同时,他们必须遵守海上航行规则,这些困难对船舶的感知能力提出了更高的要求。因此,智能船舶的感知***是与外界连接的关键部分。我国海岸线漫长,海洋监管任务多,非法捕捞、海域违规等问题给海洋安全带来隐患,因此对船舶目标进行实时快速检测非常有必要。
对于海上目标检测,传统的检测方法主要是基于图像和雷达。***、扎比迪等人构建了嵌入式视觉***对可能受阳光反射影响的水面目标采用增强和平滑方法,提取了四种船舶的Hu不变矩特征,并利用不同的神经网络对船舶进行识别。前人还提出了一种结合背景和帧间差分法的运动目标检测方法。然而,传统方法在极其复杂的海洋环境中检测率低,泛化能力差;因此,快速实时算法、高精度和高可靠性的研究成为热点。基于深度学习的海上目标检测已经很好地解决了这个问题。与传统识别方法相比,深度学习对目标具有更强的特征表达能力。
近年来,卷积神经网络在目标检测领域取得了很大进展。基于深度学习的海上目标检测已经很好地解决了这个问题,与传统识别方法相比,深度学习对目标具有更强的特征表达能力。主要有两种类型:girshick等人提出的基于区域的Ross R-cnn级数算法。Redmon等人提出的基于回归思想的YOLO系列算法。R-cnn首先生成候选区域,然后将它们输入到CNN卷积神经网络中,进行特征提取,将特征与样本特征进行比较,然后确定目标区域的位置。该算法检测精度高,但计算速度慢V3算法不生成候选框,直接将检测转化为回归问题。只需一次检测即可获得目标位置,提高了检测速度,满足实时检测要求。在实际检测过程中,船舶往往远离海岸线,海面上有很多小尺寸的船舶图像。目前的YOLO系列算法在小规模应用效果较差,存在漏检现象。
发明内容
为了解决上述技术问题,本发明提出基于改进YOLOX的船舶目标检测方法、装置、设备及介质,以解决密集小尺寸船舶的识别困难,YOLO算法的anchor-free实现方法,以及针对船舶目标检测过程中易受外界干扰、小目标检测效果差、小目标误识率高的问题,通过网络结构改进、模型简化等方法对传统YOLO算法进行改进,使改进算法更好地适应船舶目标检测任务,协助船检人员及早发现潜在的危险并做出正确判断。
为了达到上述目的,本发明的技术方案如下:
基于改进YOLOX的船舶目标检测方法,包括如下步骤:
获取样本数据集,所述样本数据集中包含船舶标注图像和未标注图像,所述样本数据集分为训练集和测试集;
构建YOLOX网络,对所述YOLOX网络的主干网络进行优化,将主干网络替换为ResNet50,以用于提取图片小目标特征;
将样本数据集输入所述YOLOX网络中进行训练和测试,得到船舶检测模型;
将待检测的图像输入到训练好的船舶检测模型中进行检测,用以输出船舶检测结果。
优选地,还包括如下步骤:采用CUTMIX将样本数据集增加后再进行网络训练和测试,提升网络模型对图像特征的提取效果。
优选地,将训练集输入所述YOLOX网络中进行训练时,将设置Class=1,其检测的目标分为船舶与背景两类,同时将图片最多的目标数量设置为10。
优选地,所述YOLOX网络的输出与CFE模块相连,所述CFE模块包括两个支路,其中,左分支依次包括:卷积核大小为1*k和k*1的卷积层,利用1*k和k*1的卷积分别同时对输入的数据进行卷积与运算;右分支依次包括:卷积核大小为k*1和1*k的两个卷积层,利用k*1和1*k的卷积分别同时对输入的数据进行卷积与运算。
优选地,所述样本数据集采用VOC数据集形式进行排布。
优选地,将样本数据集和待识别图像进行预处理,所述预处理包括随机水平或垂直翻转、裁剪、尺度变换。
优选地,所述YOLOX网络的主干网络替换为Hourglass。
基于改进YOLOX的船舶目标检测装置,包括:获取模块、图像处理模块、模型获取模块和识别模块,其中,
所述获取模块,用于获取样本数据集,所述样本数据集中包含船舶标注图像和未标注图像,所述样本数据集分为训练集和测试集;
所述图像处理模块,用于对样本数据集进行预处理;
所述模型获取模块,用于构建YOLOX网络,所述YOLOX网络的主干网络替换为ResNet50,以用于提取图片小目标特征,用于将样本数据集输入所述YOLOX网络中进行训练和测试,得到船舶检测模型;
所述识别模块,用于将待检测的图像输入到训练好的船舶检测模型中进行检测,用以输出船舶检测结果。
一种计算机设备,包括:存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现如上述任一所述的基于改进YOLOX的船舶目标检测方法。
一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一所述的基于改进YOLOX的船舶目标检测方法。
基于上述技术方案,本发明的有益效果是:随着人工智能技术不断的发展,深度学***,在此基础上,我们对YOLOX进行了网络结构的改进,策略上的删减,并对数据集进行了改变,让YOLOX更加适用于海洋中的船舶检测,也让YOLOX更加容易部署,可以将此方法用于港口航道的监控,便于对渔船与货轮进行智能监控。同时在港口管理、跨境船舶检测、自主船舶、安全航行等方面具有广阔的应用前景,在实际应用中,我们的算法是比YOLO v3和YOLO v4、YOLO v5网络更好的权衡。
附图说明
图1是一个实施例中基于改进YOLOX的船舶目标检测方法的应用环境图;
图2是一个实施例中基于改进YOLOX的船舶目标检测方法流程图;
图3是一个实施例中基于改进YOLOX的船舶目标检测方法中模型框架图;
图4是一个实施例中基于改进YOLOX的船舶目标检测装置的结构示意图;
图5是一个实施例中计算机设备的内部结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
本申请实施例提供的基于改进YOLOX的船舶目标检测方法,可以应用于如图1所示的应用环境中。如图1所示,该应用环境包括计算机设备110。计算机设备110可以获取获取样本数据集;计算机设备110可以构建YOLOX网络,对所述YOLOX网络的主干网络进行优化,将主干网络替换为ResNet50,以用于提取图片小目标特征;计算机设备110可以将样本数据集输入所述YOLOX网络中进行训练和测试,得到船舶检测模型;计算机设备110可以将待检测的图像输入到训练好的船舶检测模型中进行检测,用以输出船舶检测结果。
如图2所示,提供一种基于改进YOLOX的船舶目标检测方法,具体包括如下步骤:
步骤210,获取样本数据集,所述样本数据集中包含船舶标注图像和未标注图像,所述样本数据集分为训练集和测试集。
步骤220,构建YOLOX网络,对所述YOLOX网络的主干网络进行优化,将主干网络替换为ResNet50,以用于提取图片小目标特征。
本实施中,采用了YOLOX-Darknet53网络作为检测器的骨干网路,由于在YOLOV3算法中存在小目标检测效果差,速度相较于目前一阶段检测器来说稍有落后,引入到YOLOX当中还是会存在可以提升模型性能的空间,针对这一问题,如图3所示,我们采用了ResNet50来替换其中的骨干网络,以提升模型检测的准确度。并且ResNet系列优化力度很大,能够很好地满足实际部署等需求。
将YOLOX-Darknet53网络中的数据增减策略调整为CUTMIX。采用CUTMIX这一数据增强策略将样本数据集增加后再进行网络训练和测试,提升网络模型对图像特征的提取效果,该策略能在训练过程中不会出现非信息像素,从而能够提高训练效率,并且通过要求模型从局部视图识别对象,对cut区域中添加其他样本的信息,能够进一步增强模型的定位能力,具体如下:
M∈{0,1}W×H是为了dropd掉部分区域和进行填充的二进制掩码,是逐像素相乘,l是所有元素都为1的二进制掩码,λ与Mixup一样属于Beta分布:λ∈Beta(α,α),令α=1则λ服从(0,1)的均匀分布。
为了对二进制掩M进行采样,首先要对剪裁区域的边界框B=(rx,ry,rw,rh)进行采样,用来对样本xA和xB做裁剪区域的指示标定。对矩形掩码M进行采样(长宽与样本大小成比例)。
剪裁区域的边界框采样公式如下:
其中,W为边界框宽度,H为边界框高度,Unif()为同一函数。保证剪裁区域的比例为确定好裁剪区域B之后,将制掩M中的裁剪区域B置0,其他区域置1。就完成了掩码的采样,然后将样本A中的剪裁区域B移除,将样本B中的剪裁区域B进行裁剪然后填充到样本A。
步骤230,将样本数据集输入所述YOLOX网络中进行训练和测试,得到船舶检测模型。
本实施例中,对训练集分类数目进行设置,由于对海洋的船舶检测来说,分类问题应该得到简化,于是训练集中我们将设置Class=1,将检测的目标分为船舶与背景两类,同时在数据集中只保留有船舶标注的图像,同时增大Batch,可以提升模型训练效率。
由于船舶体积较大,一般来说图像中船舶的数量比较少,所以我们设置检测数量为10,max_labels表示图片最多的目标数量。由于我们数据集模仿VOC数据集文件的排布,没有year年代信息,所以将删除掉year这一元素。
步骤240,将待检测的图像输入到训练好的船舶检测模型中进行检测,用以输出船舶检测结果。
本实施例中,我们将设置端到端的YOLOX,在模型中添加两个额外的conv层,一对一标签分配和停止梯度。这使检测器能够以端到端方式执行,但会稍微降低性能和推断速度,因此我对这两个conv层进行改进,我们将两个conv层替换为CFE模块,此处借鉴了CFEnet网络中的CFE模块,替换原来的1x1conv2d结构,丰富了信息抽取,获得比原始算法更好的结果。CFE模块旨在增强SSD检测小目标的浅层特性。它的灵感来自于Inception、Xception、Large Separable和ResNeXt等模块。该CFE模块包括两个支路,其中,左分支依次包括:卷积核大小为1*k和k*1的卷积层,利用1*k和k*1的卷积分别同时对输入的数据进行卷积与运算;右分支依次包括:卷积核大小为k*1和1*k的两个卷积层,利用k*1和1*k的卷积分别同时对输入的数据进行卷积与运算。
在一个实施例中,对于ResNet50,我们还可以将网络更换成Hourglass作为特征提取的主干网络。Hourglass目前主要是用于姿态检测方向,该网络的设计主要是源于想要抓住每个尺度信息的需求,例如一些局部信息对识别一些特征(例如脸,手等)很重要,由此联想到的船舶检测,对于船舶来说,它的局部信息对识别船底形状特征必不可少。识别目标就需要对整体目标有一个很好的理解,这就要抓住很多局部的特征信息并结合起来,而对于船舶来说,只要抓住它的船底特征,就能完成很好的识别。同时hourglass则是一个简单的,最小化的设计,有这个能力捕捉全部的特征信息并做出最后的像素级别的预测,而这一步的网络可以实现完成一个anchor-free的方法,它同时预测一个目标图像的左下角与右上角的位置,根据角点来给给出boundingbox,后面再根据YOLOX所定义的损失函数一步一步回归boundingbox的角点的偏移距离,利用YOLOX的Decoupled Head完成分类任务与回归任务。对于传播检测来说,检测的目标种类单一,也可以剪掉YOLOX的数据增强模块,从而不会对训练的模型造成精度的下降,同时提升训练效率,更快的完成YOLOX在船舶检测中的部署。
在一个实施例中,如图4所示,提供一种基于改进YOLOX的船舶目标检测装置300,包括:获取模块310、图像处理模块320、模型获取模块330和识别模块340,其中,
所述获取模块310,用于获取样本数据集,所述样本数据集中包含船舶标注图像和未标注图像,所述样本数据集分为训练集和测试集;
所述图像处理模块320,用于对样本数据集进行预处理;
所述模型获取模块330,用于构建YOLOX网络,所述YOLOX网络的主干网络替换为ResNet50,以用于提取图片小目标特征,用于将样本数据集输入所述YOLOX网络中进行训练和测试,得到船舶检测模型;
所述识别模块340,用于将待检测的图像输入到训练好的船舶检测模型中进行检测,用以输出船舶检测结果。
上述实施例阐明的装置或模块,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于改进YOLOX的船舶目标检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述的基于改进YOLOX的船舶目标检测方法。
本领域普通技术人员可以理解实现上述实施例基于改进YOLOX的船舶目标检测方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上仅为本申请实施例的优选实施例而已,并不用于限制本申请实施例,对于本领域的技术人员来说,本申请实施例可以有各种更改和变化。凡在本申请实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请实施例的保护范围之内。
Claims (10)
1.基于改进YOLOX的船舶目标检测方法,其特征在于,包括如下步骤:
获取样本数据集,所述样本数据集中包含船舶标注图像和未标注图像,所述样本数据集分为训练集和测试集;
构建YOLOX网络,对所述YOLOX网络的主干网络进行优化,将主干网络替换为ResNet50,以用于提取图片小目标特征;
将样本数据集输入所述YOLOX网络中进行训练和测试,得到船舶检测模型;
将待检测的图像输入到训练好的船舶检测模型中进行检测,用以输出船舶检测结果。
2.根据权利要求1所述的基于改进YOLOX的船舶目标检测方法,其特征在于,还包括如下步骤:
采用CUTMIX将样本数据集增加后再进行网络训练和测试,提升网络模型对图像特征的提取效果。
3.根据权利要求2所述的基于改进YOLOX的船舶目标检测方法,其特征在于,将训练集输入所述YOLOX网络中进行训练时,将设置Class=1,其检测的目标分为船舶与背景两类,同时将图片最多的目标数量设置为10。
4.根据权利要求1所述的基于改进YOLOX的船舶目标检测方法,其特征在于,所述YOLOX网络的输出与CFE模块相连,所述CFE模块包括两个支路,其中,左分支依次包括:卷积核大小为1*k和k*1的卷积层,利用1*k和k*1的卷积分别同时对输入的数据进行卷积与运算;右分支依次包括:卷积核大小为k*1和1*k的两个卷积层,利用k*1和1*k的卷积分别同时对输入的数据进行卷积与运算。
5.根据权利要求1所述的基于改进YOLOX的船舶目标检测方法,其特征在于,所述样本数据集采用VOC数据集形式进行排布。
6.根据权利要求1所述的基于改进YOLOX的船舶目标检测方法,其特征在于,将样本数据集和待识别图像进行预处理,所述预处理包括随机水平或垂直翻转、裁剪、尺度变换。
7.根据权利要求1所述的基于改进YOLOX的船舶目标检测方法,其特征在于,所述YOLOX网络的主干网络替换为Hourglass。
8.基于改进YOLOX的船舶目标检测装置,其特征在于,包括:获取模块、图像处理模块、模型获取模块和识别模块,其中,
所述获取模块,用于获取样本数据集,所述样本数据集中包含船舶标注图像和未标注图像,所述样本数据集分为训练集和测试集;
所述图像处理模块,用于对样本数据集进行预处理;
所述模型获取模块,用于构建YOLOX网络,所述YOLOX网络的主干网络替换为ResNet50,以用于提取图片小目标特征,用于将样本数据集输入所述YOLOX网络中进行训练和测试,得到船舶检测模型;
所述识别模块,用于将待检测的图像输入到训练好的船舶检测模型中进行检测,用以输出船舶检测结果。
9.一种计算机设备,其特征在于,包括:存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述的基于改进YOLOX的船舶目标检测方法。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于改进YOLOX的船舶目标检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111543482.1A CN114241377A (zh) | 2021-12-16 | 2021-12-16 | 基于改进yolox的船舶目标检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111543482.1A CN114241377A (zh) | 2021-12-16 | 2021-12-16 | 基于改进yolox的船舶目标检测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114241377A true CN114241377A (zh) | 2022-03-25 |
Family
ID=80757297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111543482.1A Pending CN114241377A (zh) | 2021-12-16 | 2021-12-16 | 基于改进yolox的船舶目标检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114241377A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463640A (zh) * | 2022-04-08 | 2022-05-10 | 武汉理工大学 | 一种局部特征融合的多视角船舶身份识别方法 |
CN114882556A (zh) * | 2022-04-26 | 2022-08-09 | 西北大学 | 一种基于改进的YoloX的戏曲角色妆容脸部检测方法 |
CN115187950A (zh) * | 2022-09-13 | 2022-10-14 | 安徽中科星驰自动驾驶技术有限责任公司 | 用于深度学***衡掩码二次采样方法 |
CN115861365A (zh) * | 2022-10-11 | 2023-03-28 | 海南大学 | 运动目标检测方法、***、计算机设备及存储介质 |
CN116665088A (zh) * | 2023-05-06 | 2023-08-29 | 海南大学 | 一种船舶识别与检测的方法、装置、设备及介质 |
-
2021
- 2021-12-16 CN CN202111543482.1A patent/CN114241377A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463640A (zh) * | 2022-04-08 | 2022-05-10 | 武汉理工大学 | 一种局部特征融合的多视角船舶身份识别方法 |
CN114882556A (zh) * | 2022-04-26 | 2022-08-09 | 西北大学 | 一种基于改进的YoloX的戏曲角色妆容脸部检测方法 |
CN114882556B (zh) * | 2022-04-26 | 2024-03-15 | 西北大学 | 一种基于改进的YoloX的戏曲角色妆容脸部检测方法 |
CN115187950A (zh) * | 2022-09-13 | 2022-10-14 | 安徽中科星驰自动驾驶技术有限责任公司 | 用于深度学***衡掩码二次采样方法 |
CN115187950B (zh) * | 2022-09-13 | 2022-11-22 | 安徽中科星驰自动驾驶技术有限责任公司 | 用于深度学***衡掩码二次采样方法 |
CN115861365A (zh) * | 2022-10-11 | 2023-03-28 | 海南大学 | 运动目标检测方法、***、计算机设备及存储介质 |
CN115861365B (zh) * | 2022-10-11 | 2023-08-15 | 海南大学 | 运动目标检测方法、***、计算机设备及存储介质 |
CN116665088A (zh) * | 2023-05-06 | 2023-08-29 | 海南大学 | 一种船舶识别与检测的方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cheng et al. | FusionNet: Edge aware deep convolutional networks for semantic segmentation of remote sensing harbor images | |
CN114241377A (zh) | 基于改进yolox的船舶目标检测方法、装置、设备及介质 | |
Li et al. | Object detection using convolutional neural networks in a coarse-to-fine manner | |
Teng et al. | Global to local: Clip-LSTM-based object detection from remote sensing images | |
Sun et al. | Global Mask R-CNN for marine ship instance segmentation | |
Zheng et al. | A lightweight ship target detection model based on improved YOLOv5s algorithm | |
Li et al. | Ship detection of optical remote sensing image in multiple scenes | |
CN113706481A (zh) | ***质量检测方法、装置、计算机设备和存储介质 | |
Fan et al. | A novel sonar target detection and classification algorithm | |
Chang et al. | Yolov3 based ship detection in visible and infrared images | |
Yildirim et al. | Ship detection in optical remote sensing images using YOLOv4 and Tiny YOLOv4 | |
CN114565824A (zh) | 基于全卷积网络的单阶段旋转舰船检测方法 | |
CN114529821A (zh) | 一种基于机器视觉的海上风电安全监测与预警方法 | |
Zhang et al. | JF-YOLO: the jellyfish bloom detector based on deep learning | |
Zou et al. | Maritime target detection of intelligent ship based on faster R-CNN | |
Yin et al. | High-order spatial interactions enhanced lightweight model for optical remote sensing image-based small ship detection | |
Zhang et al. | Swin-PAFF: A SAR Ship Detection Network with Contextual Cross-Information Fusion. | |
Huang et al. | A deep learning approach to detecting ships from high-resolution aerial remote sensing images | |
Zhai et al. | Ship detection based on faster R-CNN network in optical remote sensing images | |
Shishkin et al. | Implementation of yolov5 for detection and classification of microplastics and microorganisms in marine environment | |
Lyu et al. | Distinguishing text/non-text natural images with multi-dimensional recurrent neural networks | |
Li et al. | Research on ROI algorithm of ship image based on improved YOLO | |
Hu et al. | Two-stage insulator self-explosion defect detection method based on Mask R-CNN | |
Wang et al. | Accurate segmentation of Ulva prolifera regions with superpixel and CNNs | |
Liu et al. | A modified-yolov5s model for defect detection of printed circuit board |
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 |