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 PDF

Info

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
Application number
CN202111543482.1A
Other languages
English (en)
Inventor
黄梦醒
张博
冯思玲
毋媛媛
冯文龙
张雨
吴迪
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.)
Hainan University
Original Assignee
Hainan University
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 Hainan University filed Critical Hainan University
Priority to CN202111543482.1A priority Critical patent/CN114241377A/zh
Publication of CN114241377A publication Critical patent/CN114241377A/zh
Pending legal-status Critical Current

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

基于改进YOLOX的船舶目标检测方法、装置、设备及介质
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：
xA和xB是两个不同的训练样本，yA和yB是对应的标签值，CUTMIX需要生成的是新的训练样本和对应标签：
Figure BDA0003415002880000041
和
Figure BDA0003415002880000042
公式如下：
Figure BDA0003415002880000043
Figure BDA0003415002880000044
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，
Figure BDA0003415002880000045
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：
Figure BDA0003415002880000051
Figure BDA0003415002880000052
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
Figure BDA0003415002880000053
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。
CN202111543482.1A 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 Pending CN114241377A (zh)

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)

* Cited by examiner, † Cited by third party
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

Cited By (8)

* Cited by examiner, † Cited by third party
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