CN114723756B - 基于双监督网络的低分时序遥感目标检测方法及装置 - Google Patents
基于双监督网络的低分时序遥感目标检测方法及装置 Download PDFInfo
- Publication number
- CN114723756B CN114723756B CN202210643088.3A CN202210643088A CN114723756B CN 114723756 B CN114723756 B CN 114723756B CN 202210643088 A CN202210643088 A CN 202210643088A CN 114723756 B CN114723756 B CN 114723756B
- Authority
- CN
- China
- Prior art keywords
- network
- remote sensing
- feature
- target detection
- sequence
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种基于双监督网络的低分时序遥感目标检测方法及装置,方法包括:获取待检测的光学遥感图像序列数据,进行量化、裁切和叠加处理,得到多场景图像块;利用FENet网络对多场景图像块进行自适应目标特征增强处理;利用S‑Yolo网络对完成增强处理后的多场景图像块进行目标特征提取和定位检测,输出预测框;在训练阶段,FENet网络和S‑Yolo网络分别计算各自的损失函数,进行各自监督且一体化训练;其中,S‑Yolo网络输出的预测框反馈至FENet网络,FENet网络在计算损失函数时,根据预测框范围对多场景图像块的不同区域位置的像素权重进行调整。本发明可以改善复杂背景下的目标漏检问题,同时也能在一定程度上降低虚警率,提高目标检测的准确率。
Description
技术领域
本发明涉及图像处理技术领域,更具体的说是涉及一种基于双监督网络的低分时序遥感目标检测方法及装置。
背景技术
光学遥感图像目标检测技术是遥感图像分析领域的一个重要环节,近年来受到广泛关注。它在环境监测、地质灾害检测、地理信息***更新、精确农业和城市规划等领域中发挥着不可替代的作用。同时,它还能够为战略决策提供必要的信息,从而可以有效缩短决策周期。这是在各种作战环境下实时战场态势感知的重要基础,因此具有重大的研究价值。
目前,流行的深度学习方法已经能够较好的实现光学遥感图像目标检测,但也面临着日益严峻的挑战,包括视点变化、遮挡、背景杂波、照明、阴影等导致的目标视觉外观的巨大变化等。特别地,对于受到复杂背景干扰的目标容易漏检或错检,导致目标检测精确度难以进一步提升。
因此,如何提供一种可以改善复杂背景下造成目标漏检并降低虚警率的基于双监督网络的低分时序遥感目标检测方法及装置是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于双监督网络的低分时序遥感目标检测方法及装置,可以改善复杂背景下的目标漏检问题,同时也能在一定程度上降低虚警率,提高目标检测的准确率。
为了实现上述目的,本发明采用如下技术方案:
一种基于双监督网络的低分时序遥感目标检测方法,包括:
获取待检测的光学遥感图像序列数据,进行量化、裁切和叠加处理,得到具有复杂背景的多场景图像块;
利用预先训练好的目标检测模型对所述多场景图像块进行目标检测;所述目标检测模型为FENet网络和S-Yolo网络顺序连接组成的端到端一体化网络;利用所述FENet网络对所述多场景图像块进行自适应目标特征增强处理;利用所述S-Yolo网络对完成增强处理后的所述多场景图像块进行目标特征提取和定位检测,输出预测框;
在训练阶段,所述FENet网络和所述S-Yolo网络分别计算各自的损失函数,进行各自监督且一体化训练;其中,所述S-Yolo网络输出的预测框反馈至所述FENet网络,所述FENet网络在计算损失函数时,根据预测框范围对所述多场景图像块的不同区域位置的像素权重进行调整。
进一步的,在上述一种基于双监督网络的低分时序遥感目标检测方法中,所述获取待检测的光学遥感图像序列数据,进行量化、裁切和叠加处理,得到具有复杂背景的多场景图像块,包括:
获取原始单通道光学遥感图像序列数据,进行量化处理,得到可视化的三通道序列图像数据;
将得到的三通道序列图像数据裁切成预设大小的图像块;
叠加连续帧图像块,建立多帧图像块间的目标运动信息,增强小目标特征,得到具有复杂背景的所述多场景图像块。
进一步的,在上述一种基于双监督网络的低分时序遥感目标检测方法中,所述量化处理采用线性拉伸算法将所述原始单通道光学遥感图像序列数据的灰度值拉伸到指定范围。
进一步的,在上述一种基于双监督网络的低分时序遥感目标检测方法中,所述FENet网络由三组注意力残差模块和一组残差模块组成;
所述多场景图像块经卷积后,依次输入至三组所述注意力残差模块;将每组所述注意力残差模块输出的特征图进行多通道叠加,将叠加后的特征图输入至所述残差模块进行特征提取,并将提取的特征与原始输入的所述多场景图像块进行残差连接,得到增强图像块。
进一步的,在上述一种基于双监督网络的低分时序遥感目标检测方法中,所述注意力残差模块由标准卷积层、激活函数层、通道注意力模块和像素注意力模块组成;所述通道注意力模块和所述像素注意力模块顺序连接在所述标准卷积层间;
所述通道注意力模块将前一层输出的特征图按通道进行压缩,得到特征向量;压缩后得到的特征向量中的每个点表示压缩前特征图中每个通道的全局特征;在训练过程中将可学习的参数为所述特征向量中的每个点赋予权重,再用该参数调整特征图中不同通道的权重;
所述像素注意力模块通过不同卷积层对前一层输出的特征图进行特征提取,对不同像素赋予不同的权重。
进一步的,在上述一种基于双监督网络的低分时序遥感目标检测方法中,所述S-Yolo网络包含多个顺序连接的跨阶段局部残差模块,其中,最后三组所述跨阶段局部残差模块输出的特征图通过多尺度特征融合方法进行相互连接后,分别输出三组不同尺度的特征图至三个检测头中进行目标检测。
进一步的,在上述一种基于双监督网络的低分时序遥感目标检测方法中,每个所述跨阶段局部残差模块包括卷积层、N个多分支残差连接单元和局部过渡层;所述跨阶段局部残差模块的卷积层将前一层输出的特征图按照通道分成两部分,其中一部分特征图通过所述局部过渡层输入至下一层计算;另一部分特征图输入到所述多分支残差连接单元;所述多分支残差连接单元包含多个并行的卷积支路。
进一步的,在上述一种基于双监督网络的低分时序遥感目标检测方法中,所述FENet网络在计算损失函数时,增加预测框内区域像素的权重,减小预测框外区域像素的权重。
本发明还提供一种基于双监督网络的低分时序遥感目标检测装置,其特征在于,包括:
图像获取设备,用于获取待检测的光学遥感图像序列数据;
存储器,用于存储计算机指令;
处理器,与所述图像获取设备和所述存储器连接,用于在运行所述计算机指令时,执行上述基于双监督网络的低分时序遥感目标检测方法,对待检测的光学遥感图像序列数据进行目标检测。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于双监督网络的低分时序遥感目标检测方法及装置,通过在模型的训练阶段,将FENet网络(目标增强网络)和S-Yolo网络顺序连接为一体化网络,但分别计算损失函数,各自调整损失函数权重,实现各自监督但一体化网络训练;其中,FENet网络通过S-Yolo网络输出的预测框,调整损失权重,并根据预测框范围对图像不同区域位置的像素权重进行调整,使预测框内的像素权重更大,预测框外的像素权重更小,以使训练好的FENet网络更加关注目标周围区域,进行针对性的目标特征增强而尽量减少周围背景的变化,使得S-Yolo网络的输入数据质量更好,在不增加虚警率的情况下提升目标检测准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明提供的基于双监督网络的低分时序遥感目标检测方法的流程图;
图2为本发明提供的目标检测模型额训练过程示意图;
图3为本发明提供的FENet(Feature Enhancement Network)网络的结构示意图;
图4为本发明提供的注意力残差模块的结构示意图;
图5为本发明提供的S-Yolo(Yolo for small object)网络的结构示意图;
图6为本发明提供的跨阶段局部残差模块(CSPResne(x)t模块)的结构示意图;
图7为本发明提供的多分支残差连接单元的结构示意图;
图8是采用本发明实施例提供的检测方法进行低分辨率光学遥感图像目标检测的一个示例;其中,(a)为原始16bit图像经过量化、裁切、叠加后的图像块,(b)为目标特征增强示意图,(c)为目标检测结果示意图;
图9本发明提供的基于双监督网络的低分时序遥感目标检测装置的结构示意图。
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,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术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,都属于本发明保护的范围。
如图1-2所示,本发明实施例公开了一种基于双监督网络的低分时序遥感目标检测方法,包括:
获取待检测的光学遥感图像序列数据,进行量化、裁切和叠加处理,得到具有复杂背景的多场景图像块;
利用预先训练好的目标检测模型对多场景图像块进行目标检测;目标检测模型为FENet网络和S-Yolo网络顺序连接组成的端到端一体化网络;
利用FENet网络对多场景图像块进行自适应目标特征增强处理;
利用S-Yolo网络对完成增强处理后的多场景图像块进行目标特征提取和定位检测,输出预测框;
在训练阶段,FENet网络和S-Yolo网络分别计算各自的损失函数,进行各自监督且一体化训练;其中,S-Yolo网络输出的预测框反馈至FENet网络,FENet网络在计算损失函数时,根据预测框范围对多场景图像块的不同区域位置的像素权重进行调整。
在一个具体实施例中,获取待检测的光学遥感图像序列数据,进行量化、裁切和叠加处理,得到具有复杂背景的多场景图像块,包括:
1. 获取原始单通道光学遥感图像序列数据,进行量化处理,得到可视化的三通道序列图像数据。本实施例获取卫星原始数据订单,即16bit宽幅低分辨率单通道序列遥感图像数据,将获得的原始16bit遥感图像进行百分之二线性量化,得到8bit的可视化图像数据。
具体采取百分比线性量化,线性拉伸算法是将输入的图像的灰度值的动态范围按线性公式拉伸到指定范围。一般情况下,8bit可视化图像的灰度范围是0到255。
百分比线性拉伸可通过如下公式实现:
其中,Ia和Ib分别为图像灰度直方图中距最大和最小灰度值百分n个像素的灰度值。当图像中像素灰度值大于Ia时,将其设为255;当图像中像素灰度值小于Ib时,将其设为0;中间像素根据灰度距离完成自动拉伸。
2. 将得到的三通道序列图像数据裁切成预设大小的图像块;本实施例将所得图像数据裁切成256×256大小的图像块。
3. 叠加连续帧图像块,建立多帧图像块间的目标运动信息,增强小目标特征,得到具有复杂背景的多场景图像块。
在一个实施例中,如图3所示,FENet网络由三组注意力残差模块和一组残差模块组成;
多场景图像块经卷积后,依次输入至三组注意力残差模块;将每组注意力残差模块输出的特征图进行多通道叠加,以更有效地融合多尺度特征的不同特征。将叠加后的特征图输入至残差模块进行特征提取,并将提取的特征与原始输入的多场景图像块进行残差连接,得到增强图像块。
具体的,如图4所示,注意力残差模块由标准卷积层、激活函数层、通道注意力模块和像素注意力模块组成;通道注意力模块和像素注意力模块顺序连接在标准卷积层间;通道注意力模块和像素注意力模块也是基于卷积操作实现的。
通道注意力模块将前一层输出的特征图按通道进行压缩,得到特征向量;即,将原始C×H×W的特征变为1×1×C的向量。压缩后得到的特征向量中的每个点表示压缩前特征图中每个通道的全局特征;在训练过程中将可学习的参数为特征向量中的每个点赋予权重,再用该参数调整特征图中不同通道的权重;
像素注意力模块通过不同卷积层对前一层输出的特征图进行特征提取,对不同像素赋予不同的权重。
本实施例将通道注意力模块和像素注意力模块顺序连接,可以增加特征覆盖范围,提升目标检测率。
在另一个实施例中,如图5所示,S-Yolo网络包含多个顺序连接的跨阶段局部残差模块(CSPResNe(x)t模块),其中,最后三组跨阶段局部残差模块输出的特征图通过多尺度特征融合方法进行相互连接后,分别输出三组不同尺度的特征图至三个检测头中进行目标检测。
如图6所示,每个跨阶段局部残差模块(CSPResNe(x)t模块)包括卷积层、N个多分支残差连接单元和局部过渡层;每个CSPResNe(x)t模块中多分支残差连接单元的个数基于训练数据集的不同进行不同设定,本实施例中4个跨阶段局部残差模块中分别包含1、2、4、2个多分支残差连接单元。
跨阶段局部残差模块的卷积层将前一层输出的特征图按照通道分成两部分,其中一部分特征图通过局部过渡层输入至下一层计算;另一部分特征图输入到多分支残差连接单元;如图7所示,多分支残差连接单元包含多个并行的卷积支路,最后与原特征图实现残差连接。
在一个具体实施例中,在目标检测模型的训练阶段,FENet网络和S-Yolo网络进行顺序连接,FENet网络最终输出特征图(即增强图像块)作为S-Yolo网络的输入数据。其中,FENet网络与清晰化图像真值通过平均绝对误差函数L1loss进行误差计算并回传梯度;S-Yolo网络与目标框真值通过Yolo损失函数进行误差计算并回传梯度。两个网络各自调整损失函数权重,但FENet网络的损失函数依据S-Yolo网络输出的预测框范围对图像不同区域位置的像素权重进行调整。预测框内的像素权重更大,而框外的像素权重较小。该操作可以使得FENet网络更加关注目标邻域,进行针对性的目标特征增强而尽量减少周围背景的变化。从而使得S-Yolo网络的输入数据质量更好,在不增加虚警率的情况下提升目标检测率。
如图8所示,为原始16bit图像经过量化、裁切、叠加后的图像块,经FENet网络增强处理后的特征图以及S-Yolo网络输出的带预测框的检测结果。
如图9所示,本发明实施例还提供一种基于双监督网络的低分时序遥感目标检测装置,包括:
图像获取设备,用于获取待检测的光学遥感图像序列数据;
存储器,用于存储计算机指令;
处理器,与图像获取设备和存储器连接,用于在运行计算机指令时,执行上述基于双监督网络的低分时序遥感目标检测方法,对待检测的光学遥感图像序列数据进行目标检测。
处理器可以为中央处理器(Central Processing Unit,CPU),或者其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。
存储器可以包括程序存储区和数据存储区,其中,程序存储区可存储操作***、至少一个功能所需要的应用程序;数据存储区可存储处理器所创建的数据等。
此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。
在其他实施例中,存储器可以是包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理器。上述网络包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种基于双监督网络的低分时序遥感目标检测方法,其特征在于,包括:
获取待检测的光学遥感图像序列数据,进行量化、裁切和叠加处理,得到具有复杂背景的多场景图像块;
利用预先训练好的目标检测模型对所述多场景图像块进行目标检测;所述目标检测模型为FENet网络和S-Yolo网络顺序连接组成的端到端一体化网络;利用所述FENet网络对所述多场景图像块进行自适应目标特征增强处理;利用所述S-Yolo网络对完成增强处理后的所述多场景图像块进行目标特征提取和定位检测,输出预测框;
在训练阶段,所述FENet网络和所述S-Yolo网络分别计算各自的损失函数,进行各自监督且一体化训练;其中,所述S-Yolo网络输出的预测框反馈至所述FENet网络,所述FENet网络在计算损失函数时,根据预测框范围对所述多场景图像块的不同区域位置的像素权重进行调整。
2.根据权利要求1所述的一种基于双监督网络的低分时序遥感目标检测方法,其特征在于,所述获取待检测的光学遥感图像序列数据,进行量化、裁切和叠加处理,得到具有复杂背景的多场景图像块,包括:
获取原始单通道光学遥感图像序列数据,进行量化处理,得到可视化的三通道序列图像数据;
将得到的三通道序列图像数据裁切成预设大小的图像块;
叠加连续帧图像块,建立多帧图像块间的目标运动信息,增强小目标特征,得到具有复杂背景的所述多场景图像块。
3.根据权利要求2所述的一种基于双监督网络的低分时序遥感目标检测方法,其特征在于,所述量化处理采用线性拉伸算法将所述原始单通道光学遥感图像序列数据的灰度值拉伸到指定范围。
4.根据权利要求1所述的一种基于双监督网络的低分时序遥感目标检测方法,其特征在于,所述FENet网络由三组注意力残差模块和一组残差模块组成;
所述多场景图像块经卷积后,依次输入至三组所述注意力残差模块;将每组所述注意力残差模块输出的特征图进行多通道叠加,将叠加后的特征图输入至所述残差模块进行特征提取,并将提取的特征与原始输入的所述多场景图像块进行残差连接,得到增强图像块。
5.根据权利要求4所述的一种基于双监督网络的低分时序遥感目标检测方法,其特征在于,所述注意力残差模块由标准卷积层、激活函数层、通道注意力模块和像素注意力模块组成;所述通道注意力模块和所述像素注意力模块顺序连接在所述标准卷积层间;
所述通道注意力模块将前一层输出的特征图按通道进行压缩,得到特征向量;压缩后得到的特征向量中的每个点表示压缩前特征图中每个通道的全局特征;在训练过程中将可学习的参数为所述特征向量中的每个点赋予权重,再用该参数调整特征图中不同通道的权重;
所述像素注意力模块通过不同卷积层对前一层输出的特征图进行特征提取,对不同像素赋予不同的权重。
6.根据权利要求1所述的一种基于双监督网络的低分时序遥感目标检测方法,其特征在于,所述S-Yolo网络包含多个顺序连接的跨阶段局部残差模块,其中,最后三组所述跨阶段局部残差模块输出的特征图通过多尺度特征融合方法进行相互连接后,分别输出三组不同尺度的特征图至三个检测头中进行目标检测。
7.根据权利要求6所述的一种基于双监督网络的低分时序遥感目标检测方法,其特征在于,每个所述跨阶段局部残差模块包括卷积层、N个多分支残差连接单元和局部过渡层;所述跨阶段局部残差模块的卷积层将前一层输出的特征图按照通道分成两部分,其中一部分特征图通过所述局部过渡层输入至下一层计算;另一部分特征图输入到所述多分支残差连接单元;所述多分支残差连接单元包含多个并行的卷积支路。
8.根据权利要求7所述的一种基于双监督网络的低分时序遥感目标检测方法,其特征在于,所述FENet网络在计算损失函数时,增加预测框内区域像素的权重,减小预测框外区域像素的权重。
9.一种基于双监督网络的低分时序遥感目标检测装置,其特征在于,包括:
图像获取设备,用于获取待检测的光学遥感图像序列数据;
存储器,用于存储计算机指令;
处理器,与所述图像获取设备和所述存储器连接,用于在运行所述计算机指令时,执行如权利要求1-8任一项所述的基于双监督网络的低分时序遥感目标检测方法,对待检测的光学遥感图像序列数据进行目标检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210643088.3A CN114723756B (zh) | 2022-06-09 | 2022-06-09 | 基于双监督网络的低分时序遥感目标检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210643088.3A CN114723756B (zh) | 2022-06-09 | 2022-06-09 | 基于双监督网络的低分时序遥感目标检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114723756A CN114723756A (zh) | 2022-07-08 |
CN114723756B true CN114723756B (zh) | 2022-08-12 |
Family
ID=82232581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210643088.3A Active CN114723756B (zh) | 2022-06-09 | 2022-06-09 | 基于双监督网络的低分时序遥感目标检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114723756B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116503737B (zh) * | 2023-05-10 | 2024-01-09 | 中国人民解放军61646部队 | 基于空间光学图像的船舶检测方法和装置 |
CN116843581B (zh) * | 2023-08-30 | 2023-12-01 | 山东捷瑞数字科技股份有限公司 | 一种多场景图的图像增强方法、***、设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111597945A (zh) * | 2020-05-11 | 2020-08-28 | 济南博观智能科技有限公司 | 一种目标检测方法、装置、设备及介质 |
WO2020187160A1 (zh) * | 2019-03-15 | 2020-09-24 | 北京嘉楠捷思信息技术有限公司 | 基于级联的深层卷积神经网络的人脸识别方法及*** |
CN112989927A (zh) * | 2021-02-03 | 2021-06-18 | 杭州电子科技大学 | 一种基于自监督预训练的场景图生成方法 |
-
2022
- 2022-06-09 CN CN202210643088.3A patent/CN114723756B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020187160A1 (zh) * | 2019-03-15 | 2020-09-24 | 北京嘉楠捷思信息技术有限公司 | 基于级联的深层卷积神经网络的人脸识别方法及*** |
CN111597945A (zh) * | 2020-05-11 | 2020-08-28 | 济南博观智能科技有限公司 | 一种目标检测方法、装置、设备及介质 |
CN112989927A (zh) * | 2021-02-03 | 2021-06-18 | 杭州电子科技大学 | 一种基于自监督预训练的场景图生成方法 |
Non-Patent Citations (3)
Title |
---|
"DS-YOLO: 一种部署在无人机终端上的小目标实时检测算法";张伟 等;《南京邮电大学学报(自然科学版)》;20210228;第41卷(第1期);全文 * |
"LLCNN: A Convolutional Neural Network for Low-light Image Enhancement";Li Tao 等;《IEEE》;20171213;全文 * |
"面向天基监视的红外弱小飞行目标识别算法";乔梦雨;《中国空间科学技术》;20220310;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114723756A (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114723756B (zh) | 基于双监督网络的低分时序遥感目标检测方法及装置 | |
US10628961B2 (en) | Object tracking for neural network systems | |
CN110378264B (zh) | 目标跟踪方法及装置 | |
CN110781756A (zh) | 基于遥感图像的城市道路提取方法及装置 | |
CN112084923B (zh) | 一种遥感图像语义分割方法、存储介质及计算设备 | |
CN112257526B (zh) | 一种基于特征交互学习的动作识别方法及终端设备 | |
CN109191498B (zh) | 基于动态记忆和运动感知的目标检测方法及*** | |
CN110602504A (zh) | 一种基于YOLOv2目标检测算法的视频解压缩方法及*** | |
CN115984698A (zh) | 一种基于改进YOLOv5的荔枝果实生长期识别方法 | |
CN111582102B (zh) | 基于多模态端到端网络的遥感数据精细化分类方法及装置 | |
CN114926734B (zh) | 基于特征聚合和注意融合的固体废弃物检测装置及方法 | |
CN115223009A (zh) | 基于改进型YOLOv5的小目标检测方法及装置 | |
CN116740516A (zh) | 基于多尺度融合特征提取的目标检测方法及*** | |
CN112825116B (zh) | 监控视频图像人脸检测和追踪方法、装置、介质及设备 | |
CN102509076B (zh) | 基于主成分分析的视频图像背景检测方法 | |
CN110135224B (zh) | 一种监控视频的前景目标提取方法及***、存储介质及终端 | |
CN115082758B (zh) | 目标检测模型的训练方法、目标检测方法、装置和介质 | |
CN112487911B (zh) | 智能监控环境下基于改进yolov3的实时行人检测方法及装置 | |
CN116246184A (zh) | 一种应用于无人机航拍图像的罂粟智能识别方法及*** | |
CN116778214A (zh) | 一种行为检测方法、装置、设备及其存储介质 | |
CN111104870B (zh) | 基于卫星视频的运动检测方法、装置、设备和存储介质 | |
CN115346115A (zh) | 图像目标检测方法、装置、设备和存储介质 | |
CN113449611B (zh) | 一种基于yolo网络压缩算法的安全帽识别智能监控*** | |
CN112488015B (zh) | 面向智慧工地的目标检测方法及*** | |
CN113052827B (zh) | 基于多分支扩张卷积神经网络的人群计数方法及*** |
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 |