CN117115686A - 一种基于改进YOLOv7的城市低空小型无人机检测方法及*** - Google Patents

一种基于改进YOLOv7的城市低空小型无人机检测方法及*** Download PDF

Info

Publication number
CN117115686A
CN117115686A CN202310935016.0A CN202310935016A CN117115686A CN 117115686 A CN117115686 A CN 117115686A CN 202310935016 A CN202310935016 A CN 202310935016A CN 117115686 A CN117115686 A CN 117115686A
Authority
CN
China
Prior art keywords
yolov7
improved
unmanned aerial
aerial vehicle
network
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
CN202310935016.0A
Other languages
English (en)
Inventor
白迪
黄谦
崔勇强
陈少平
江小平
李大为
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.)
South Central Minzu University
Original Assignee
South Central University for Nationalities
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 South Central University for Nationalities filed Critical South Central University for Nationalities
Priority to CN202310935016.0A priority Critical patent/CN117115686A/zh
Publication of CN117115686A publication Critical patent/CN117115686A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于改进YOLOv7的城市低空小型无人机检测方法及***，构建数据集，将数据集分为训练集和测试集，并搭建YOLOv7基本网络结构，其包括输入端Input、主干网络Backbone、特征融合网络Neck和检测头部Head；使用RepVGG结构和CBS卷积层取代主干网络中的第一ELAN结构；使用C3m模块替换特征融合网络中的ELAN‑H结构；在主干网络和特征融合网络之间添加卷积注意力机制，得到改进的YOLOv7模型；利用训练集对改进的YOLOv7模型进行训练，并使用测试集对训练后的改进的YOLOv7模型进行测试，得到训练好的改进的YOLOv7模型；使用训练好的改进的YOLOv7模型对实际获取的图像进行无人机目标识别。本发明的有益效果是：大大提升了对于“城市低空复杂背景下小型无人机目标”的检测精度和检测速度。

Description

一种基于改进YOLOv7的城市低空小型无人机检测方法及***
技术领域
本发明涉及无人机反制技术、计算机视觉与人工智能技术领域，尤其涉及一种基于改进YOLOv7的城市低空小型无人机检测方法及***。
背景技术
近年来，无人机产业持续快速增长，被广泛应用于农业、物流、边防，军事等领域。随着无人机数量的不断增加，管控手段的滞后，带来了诸多安全和隐私问题，无人机反制需求呼之欲出。目前，常用的无人机探测技术包括声波探测、无线电探测、雷达探测和计算机视觉检测等方法，但是从综合成本、检测距离和精度等方面考虑，基于计算机视觉的检测技术具有低成本、易配置和检测结果直观等优点，具有良好的发展和应用前景。
传统的目标检测算法检测流程过于繁杂且在复杂背景和遮挡的情况下，准确性和鲁棒性较差，已逐渐退出主流，基于深度学习的目标检测算法逐渐显示出其优势。YOLO系列作为单阶段的典型代表，新型的YOLO7算法在精度和速度方面表现优异，但是针对“城市低空”这样的复杂背景和“小型无人机”这样的检测目标以及安防领域高实时性的检测要求，原YOLOv7模型对小无人机目标漏检情况较多，推理速度也不足，难以满足实时高精度的检测要求。
发明内容
为了解决上述问题，本发明提供了一种基于改进YOLOv7的城市低空小型无人机检测方法及***，以提高城市低空域中“黑飞”无人机的检测精度，用于机场、军事设施、大型商业场馆、私人场所及敏感区域的安全防护。一种基于改进YOLOv7的城市低空小型无人机检测方法，主要包括：
S1：构建数据集，将所述数据集分为训练集和测试集，并搭建YOLOv7基本网络结构，所述YOLOv7基本网络结构包括输入端Input、主干网络Backbone、特征融合网络Neck和检测头部Head；
S2：使用RepVGG结构和CBS卷积层取代主干网络Backbone中的第一ELAN结构；
S3：使用C3m模块替换特征融合网络Neck中的ELAN-H结构；
S4：在主干网络Backbone和特征融合网络Neck之间添加卷积注意力模块，得到改进的YOLOv7模型；
S5：利用训练集对改进的YOLOv7模型进行训练，并使用测试集对训练后的改进的YOLOv7模型进行测试，得到训练好的改进的YOLOv7模型；
S6：使用训练好的改进的YOLOv7模型对实际获取的图像进行无人机目标识别。
进一步地，RepVGG结构通过结构重参数化实现模型训练阶段和推理阶段的解耦：
训练阶段时，RepVGG结构主要由3×3卷积、1×1卷积和identity残差分支组成，激活函数为ReLU；
推理阶段时，RepVGG结构采用单路结构，仅包含3×3卷积和ReLU激活函数。
进一步地，C3m模块是对C3模块进行改进所得，将C3模块的一个分支Conv2d+BN+SiLu改进为卷积神经网络Conv2d，并用Mish激活函数替换另一个分支其中一处Conv2d+BN+SiLu中的SiLu激活函数。
进一步地，在特征融合网络Neck两次拼接之前，先对特征信息进行一次筛选，即在CBS卷积层之前分别***一个卷积注意力模块CBAM。
进一步地，特征图经过卷积注意力模块的计算公式为：
M(F)＝σ(MC(F)+MS(F)) (1)
其中，F为输入的特征图，Mc(F)表示通道注意力模块，Ms(F)表示空间注意力模块，σ表示sigmoid函数。
进一步地，特征图经过通道注意力模块的计算公式为：
其中，MLP()表示全连接层，AvgPool()表示平均池化，MaxPool()表示最大池化，W0和W1为共享全连接层的权重，表示经平均池化得到的特征图，/>表示经最大池化得到的特征图。
进一步地，特征图经过空间注意力模块的计算公式为：
其中，f7×7表示7×7的卷积。
一种基于改进YOLOv7的城市低空小型无人机检测***，包括：处理器及存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现一种基于改进YOLOv7的城市低空小型无人机检测方法。
本发明提供的技术方案带来的有益效果是：利用轻量化网络模型，提升推理速度的同时增加无人机的特征信息利用率，进而减少漏检情况的发生。其次，通过融合卷积注意力机制，提高了网络对多尺度无人机目标的敏感度，降低了复杂环境带来的背景噪声影响，最终实现了实时高精度的无人机检测效果。本发明对于“城市低空复杂背景下小型无人机目标”的检测精度和检测速度均有显著提升。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例中一种基于改进YOLOv7的城市低空小型无人机检测方法的流程图。
图2是本发明实施例中数据集准备过程的示意图。
图3是本发明实施例中YOLOv7结构图。
图4是本发明实施例中RepVGG结构图。
图5是本发明实施例中C3模块改进前后结构图。
图6是本发明实施例中CBAM结构图。
图7是本发明实施例中改进的YOLOv7网络结构图。
图8是本发明实施例中硬件设备工作的示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种基于改进YOLOv7的城市低空小型无人机检测方法及设备，首先，在主干网络中引入RepVGG轻量化网络，用于降低计算复杂度以满足实时性要求，其次，提出C3m模块以解决无人机小目标在图像中占比小、特征信息有限等问题，从而改善检测精度；在此基础上，将CBAM卷积注意力机制***到主干网络和特征融合网络之间，提高网络对多尺度无人机目标的敏感度，降低噪声影响。
请参考图1，图1是本发明实施例中一种基于改进YOLOv7的城市低空小型无人机检测方法的流程图，具体包括：
S1：准备无人机图像构建数据集，如图2所示，具体过程：通过双光摄像头获取无人机视频，然后将获得的视频进行抽帧得到无人机图像，再对数据图像进行标注；
搭建如图3所示的YOLOv7基本网络结构和所需的虚拟环境。YOLOv7基本网络结构具体包括输入端Input、主干网络Backbone、特征融合网络Neck和检测头部Head，图像经过输入端Input进入主干网络Backbone进行特征提取，然后在特征融合网络Neck汇集特征，最后送入头部Head进行检测。
图3中，CBS模块是由卷积层Conv、批量归一化层BN和SiLU激活函数组成的，它主要是用于增强网络特征表达能力。
SPPCSPC(Spatial Pyramid Pooling,Cross Stage Partial Channel)，包含空间金字塔池化(Spatial Pyramid Pooling，SPP)和跨阶段部分通道连接(Cross StagePartial Channel，CSPC)两部分。SPP模块会将特征图分成不同尺度的子区域进行池化，从而固定尺寸的特征图，而CSPC模块则会将特征图分成两部分，一部分进行卷积操作，另一部分则直接输出。通过两个子模块的作用，SPPCSPC可以保持高精度情况下减少一半的计算量。
MaxPool表示最大池化。
Cat(Concat)表示拼接操作，用于将不同特征图在通道维度上进行拼接。
add是加法操作，用于将两个相同形状的特征图或张量逐元素相加，即相对应位置的元素相加。
ELAN是高效层聚合网络(Extended Efficient LayerAggregation Network)。
REP全称是RepConv结构，其基本思想是在训练时采用多分支残差结构，推理时采用单路结构。
UPSample是指上采样操作。
MP模块：一个具有两个分支，其中一个分支先经过一个最大池化再接一个CBS卷积块，另一个分支经过两个卷积核尺度和步长不同的CBS卷积块，最终经过一个concat连接两个分支，这样的结构被称为MP模块。
S2：利用一层如图4所示的RepVGG结构和一层CBS卷积层取代主干网中的第一个ELAN结构。ELAN结构让网络叠加到了更多的CBS计算块，虽然提高了网络的特征提取能力，但也导致了计算资源和训练时间的增加，这与无人机检测高实时性的要求不符。RepVGG结构是一种基于VGG(Visual Geometry Group)的结构，引入了identity残差分支，并通过结构重参数化实现模型训练阶段和推理阶段的解耦。
训练阶段时，RepVGG结构主要由3×3卷积、1×1卷积和identity组成，激活函数为ReLU。推理阶段时，RepVGG结构采用单路结构，仅包含3×3卷积和ReLU激活函数。由于3×3卷积的计算速度可达到1×1卷积的四倍，所以推理速度较快。同时，单路结构无需保存中间结果，占用内存更少且灵活性更好。因此，将具有速度快、内存占用少和灵活性强等优点的RepVGG结构用于替换YOLOv7主干网络中的第一个ELAN可以在不牺牲准确度的情况下提高无人机检测速度。
S3：使用C3m模块替换特征融合网络Neck中的ELAN-H结构；
经过主干网特征提取后，图像会进入Neck部分进行特征融合，Neck中的ELAN-H模块结构较复杂，计算量较大且只能拼接固定梯度流的信息。本发明提出了一个新的C3m模块替换ELAN-H模块，C3m模块是根据C3模块改进而来，两者的结构图对比如图5所示，图中BottleNeck表示瓶颈层。C3m模块简化了C3模块中其中一个分支，将分支Conv2d+BN+SiLu简化成了卷积神经网络(Conv2d)，减少了计算量；同时将融合了两条分支数据信息后经过的SiLu激活函数换成了平滑的Mish激活函数。这样改进后的C3m模块平衡了检测精度和计算量的关系，达到了在不牺牲精度的情况下减少了计算量的效果。
S4：在主干网络Backbone和特征融合网络Neck之间添加卷积注意力模块，得到如图7所示的改进的YOLOv7模型，本发明改进的部分包括CBS结构、RepVGG结构、若干CBAM结构和多个C3m模块。
在YOLOv7网络中，特征融合网络会分别拼接主干网络中的第24层和第37层特征信息，然后再分别经过一个改变通道数的卷积层，为了让更有效的无人机特征信息流入到特征融合网络中，本发明在特征融合网络两次拼接之前，先对特征信息进行一次筛选，即在卷积层之前分别***一个如图6所示的简单有效的卷积注意力模块(Convolutional BlockAttention Module,CBAM)。图6中，Input Feature表示输入特征，Channel AttentionModel表示通道注意力模块，Spatiol Attention Model表示空间注意力模块，RefinedFeature表示精细化特征。
在通道注意力模块中，特征图首先会分别经过一个最大池化和平均池化，然后通过一个共享全连接层，最后再经过一个sigmoid激活函数得到通道注意力图。接着通道注意力图会被送入空间注意力模块中，其中它会经过通道维度的最大池化和平均池化，再通过一个卷积层调整通道数，最后通过sigmoid激活函数得到空间注意力图。因此，每个输入特征图的特征点都会得到相应的权重值，这些权重值通过乘法逐通道加权到输入特征层上，增强了输入特征图的表达能力，提高了检测精度，同时还能避免梯度消失或***的问题。
具体的计算过程如式(1)、(2)和(3)：
M(F)＝σ(MC(F)+MS(F)) (1)
式(1)是CBAM的计算公式，假设输入的特征图为F∈Rc×H×W，其中R表示通道维度上的特征图，c表示通道数，H和W分别表示特征图高度和宽度，则Mc(F)表示通道注意力模块，Ms(F)表示空间注意力模块，σ表示sigmoid函数。
式(2)是特征图经过通道注意力模块的计算公式，其中MLP()表示全连接层，AvgPool()表示平均池化，MaxPool()表示最大池化，W0∈Rc/r+c，W1∈Rc+c/r，W0和W1共享全连接层的权重，W0主要用于特征压缩，W1主要用于特征增广，特征图R的通道数均由缩放通道数c/r和原始通道数c组成，其中r表示缩放因子。表示经平均池化得到的特征图，/>表示经最大池化得到的特征图。
式(3)是特征图经过空间注意力模块的计算公式，f7×7表示7×7的卷积。
S5：在步骤S1中获取了做好标注的无人机图像，按训练集：测试集：验证集＝6:2:2划分数据集，利用训练集对改进后的YOLOv7模型进行训练，用测试集和验证集对无人机图像进行检测效果测试和验证，当达到预设精度时，得到训练好的模型。
S6：使用训练好的改进的YOLOv7模型对实际获取的图像进行无人机目标识别。
请参见图8，图8是本发明实施例的硬件设备工作示意图，所述硬件设备具体包括：一种基于改进YOLOv7的城市低空小型无人机检测***401、处理器402及存储设备403。
一种基于改进YOLOv7的城市低空小型无人机检测***401：所述一种基于改进YOLOv7的城市低空小型无人机检测***401实现所述一种基于改进YOLOv7的城市低空小型无人机检测方法。
处理器402：所述处理器402加载并执行所述存储设备403中的指令及数据用于实现所述一种基于改进YOLOv7的城市低空小型无人机检测方法。
存储设备403：所述存储设备403存储指令及数据；所述存储设备403用于实现所述一种基于改进YOLOv7的城市低空小型无人机检测方法。
本发明的有益效果是：利用轻量化网络模型，提升推理速度的同时增加无人机的特征信息利用率，进而减少漏检情况的发生。其次，通过融合卷积注意力机制，提高了网络对多尺度无人机目标的敏感度，降低了复杂环境带来的背景噪声影响，最终实现了实时高精度的无人机检测效果。本发明对于“城市低空复杂背景下小型无人机目标”的检测精度和检测速度均有显著提升。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于改进YOLOv7的城市低空小型无人机检测方法，其特征在于：包括：
S1：构建数据集，将所述数据集分为训练集和测试集，并搭建YOLOv7基本网络结构，所述YOLOv7基本网络结构包括输入端Input、主干网络Backbone、特征融合网络Neck和检测头部Head；
S2：使用RepVGG结构和CBS卷积层取代主干网络Backbone中的第一ELAN结构；
S3：使用C3m模块替换特征融合网络Neck中的ELAN-H结构；
S4：在主干网络Backbone和特征融合网络Neck之间添加卷积注意力模块，得到改进的YOLOv7模型；
S5：利用训练集对改进的YOLOv7模型进行训练，并使用测试集对训练后的改进的YOLOv7模型进行测试，得到训练好的改进的YOLOv7模型；
S6：使用训练好的改进的YOLOv7模型对实际获取的图像进行无人机目标识别。
2.如权利要求1所述的一种基于改进YOLOv7的城市低空小型无人机检测方法，其特征在于：RepVGG结构通过结构重参数化实现模型训练阶段和推理阶段的解耦：
训练阶段时，RepVGG结构主要由3×3卷积、1×1卷积和identity残差分支组成，激活函数为ReLU；
推理阶段时，RepVGG结构采用单路结构，仅包含3×3卷积和ReLU激活函数。
3.如权利要求1所述的一种基于改进YOLOv7的城市低空小型无人机检测方法，其特征在于：C3m模块是对C3模块进行改进所得，将C3模块的一个分支Conv2d+BN+SiLu改进为卷积神经网络Conv2d，并用Mish激活函数替换另一个分支其中一处Conv2d+BN+SiLu中的SiLu激活函数。
4.如权利要求1所述的一种基于改进YOLOv7的城市低空小型无人机检测方法，其特征在于：在特征融合网络Neck两次拼接之前，先对特征信息进行一次筛选，即在CBS卷积层之前分别***一个卷积注意力模块CBAM。
5.如权利要求1所述的一种基于改进YOLOv7的城市低空小型无人机检测方法，其特征在于：特征图经过卷积注意力模块的计算公式为：
M(F)＝σ(MC(F)+MS(F)) (1)
其中，F为输入的特征图，Mc(F)表示通道注意力模块，Ms(F)表示空间注意力模块，σ表示sigmoid函数。
6.如权利要求5所述的一种基于改进YOLOv7的城市低空小型无人机检测方法，其特征在于：特征图经过通道注意力模块的计算公式为：
其中，MLP()表示全连接层，AvgPool()表示平均池化，MaxPool()表示最大池化，W0和W1为共享全连接层的权重，表示经平均池化得到的特征图，/>表示经最大池化得到的特征图。
7.如权利要求6所述的一种基于改进YOLOv7的城市低空小型无人机检测方法，其特征在于：特征图经过空间注意力模块的计算公式为：
其中，f7×7表示7×7的卷积。
8.一种基于改进YOLOv7的城市低空小型无人机检测***，其特征在于：包括：处理器及存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现权利要求1～7任一项所述的基于改进YOLOv7的城市低空小型无人机检测方法。
CN202310935016.0A 2023-07-27 2023-07-27 一种基于改进YOLOv7的城市低空小型无人机检测方法及*** Pending CN117115686A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310935016.0A CN117115686A (zh) 2023-07-27 2023-07-27 一种基于改进YOLOv7的城市低空小型无人机检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310935016.0A CN117115686A (zh) 2023-07-27 2023-07-27 一种基于改进YOLOv7的城市低空小型无人机检测方法及***

Publications (1)

Publication Number Publication Date
CN117115686A true CN117115686A (zh) 2023-11-24

Family

ID=88808228

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310935016.0A Pending CN117115686A (zh) 2023-07-27 2023-07-27 一种基于改进YOLOv7的城市低空小型无人机检测方法及***

Country Status (1)

Country Link
CN (1) CN117115686A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117409286A (zh) * 2023-12-15 2024-01-16 深圳昱拓智能有限公司 一种用于检测尺度均衡目标的目标检测方法、***及介质
CN117668669A (zh) * 2024-02-01 2024-03-08 齐鲁工业大学(山东省科学院) 基于改进YOLOv7的管道安全监测方法及***

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117409286A (zh) * 2023-12-15 2024-01-16 深圳昱拓智能有限公司 一种用于检测尺度均衡目标的目标检测方法、***及介质
CN117409286B (zh) * 2023-12-15 2024-03-26 深圳昱拓智能有限公司 一种用于检测尺度均衡目标的目标检测方法、***及介质
CN117668669A (zh) * 2024-02-01 2024-03-08 齐鲁工业大学(山东省科学院) 基于改进YOLOv7的管道安全监测方法及***
CN117668669B (zh) * 2024-02-01 2024-04-19 齐鲁工业大学(山东省科学院) 基于改进YOLOv7的管道安全监测方法及***

Similar Documents

Publication Publication Date Title
CN112818903B (zh) 一种基于元学习和协同注意力的小样本遥感图像目标检测方法
CN108764063B (zh) 一种基于特征金字塔的遥感影像时敏目标识别***及方法
CN110135267B (zh) 一种大场景sar图像细微目标检测方法
CN108038445B (zh) 一种基于多视角深度学习框架的sar自动目标识别方法
CN117115686A (zh) 一种基于改进YOLOv7的城市低空小型无人机检测方法及***
CN110189304B (zh) 基于人工智能的光学遥感图像目标在线快速检测方法
CN110188705A (zh) 一种适用于车载***的远距离交通标志检测识别方法
CN109241902B (zh) 一种基于多尺度特征融合的山体滑坡检测方法
CN115497005A (zh) 一种融合特征转移与注意力机制的yolov4遥感目标检测方法
CN117157679A (zh) 感知网络、感知网络的训练方法、物体识别方法及装置
CN114078209A (zh) 一种提升小目标检测精度的轻量级目标检测方法
CN116740516A (zh) 基于多尺度融合特征提取的目标检测方法及***
Li et al. Vehicle object detection based on rgb-camera and radar sensor fusion
Wei Small object detection based on deep learning
CN112508863B (zh) 一种基于rgb图像和msr图像双通道的目标检测方法
Jiang et al. IARet: A lightweight multiscale infrared aerocraft recognition algorithm
CN113902744B (zh) 基于轻量级网络的图像检测方法、***、设备和存储介质
Yang et al. Remote Sensing Image Object Detection Based on Improved YOLOv3 in Deep Learning Environment
Zhou et al. An anchor-free vehicle detection algorithm in aerial image based on context information and transformer
Wang et al. Abnormal event detection algorithm based on dual attention future frame prediction and gap fusion discrimination
Li et al. Automated and lightweight network design via random search for remote sensing image scene classification
Zhang et al. Optimization research of UAV target detection algorithm based on deep learning
Chang et al. A modified D-linknet for water extraction from high-resolution remote sensing
Yan et al. AIOD-YOLO: an algorithm for object detection in low-altitude aerial images
Wang et al. SCSF-Net: Single Class Scale Fixed Network for Object Detection in Optical Remote Sensing Images on Limited Hardware

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