CN117576488B - 一种基于目标图像重建的红外弱小目标检测方法 - Google Patents
一种基于目标图像重建的红外弱小目标检测方法 Download PDFInfo
- Publication number
- CN117576488B CN117576488B CN202410064041.0A CN202410064041A CN117576488B CN 117576488 B CN117576488 B CN 117576488B CN 202410064041 A CN202410064041 A CN 202410064041A CN 117576488 B CN117576488 B CN 117576488B
- Authority
- CN
- China
- Prior art keywords
- target
- targets
- image
- module
- information
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000002372 labelling Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 7
- 230000004913 activation Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06N3/04—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于目标图像重建的红外弱小目标检测方法,涉及图像目标检测技术领域。方法包括:对原图进行卷积提取红外图像高亮的边缘信息,通过连通域的方式筛选图像中所有亮斑位置,形成目标集;根据目标集中筛选的亮斑目标,重建出容纳目标集中所有目标的重建图,并记录每个弱小目标的位置序号信息;孪生网络训练过程中,计算弱小目标的标注信息与IOU值,根据所有弱小目标的位置序号信息更新对应的标注信息;输入重建图到训练后的孪生网络模型中做目标检测,将检测到的真目标还原到原图中的位置,并输出最终结果。本发明通过目标图像重建与孪生网络模型,可在因噪声导致的真伪目标不均衡的样本中,高效识别出红外弱小目标。
Description
技术领域
本发明涉及于图像目标检测技术领域,具体涉及一种基于目标图像重建的红外弱小目标检测方法。
背景技术
红外探测器具备全天时、全天候、不受天气影响等特点,被广泛使用在空间探测、战略预警等领域。复杂背景下髙效、鲁棒、可靠的红外弱小目标检测是一项非常关键的技术。由于红外图像成像距离远,分辨率低,缺乏细节和纹理信息,目标所在背景复杂,易淹没在背景中,传统待测目标与红外传感器距离较远,目标所占成像区域比例较小,难以提取目标形状、结构、纹理等显著特征,且信号强度弱,孤立噪声点与点目标相似,噪声干扰强, 从而导致较高的虚警率,不能满足预警的需求;随着AI算法的发展,目标检测能力也大幅提升,但是目标检测时,受算力和算法影响,高分辨率的原图要做压缩后才能应用于AI检测算法,从而较大程度上影响弱小目标的检出率。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于目标图像重建的红外弱小目标检测方法。
本发明的目的是通过以下技术方案来实现的:
一种基于目标图像重建的红外弱小目标检测方法,包括:
步骤1:对原图进行卷积提取红外图像高亮的边缘信息,通过连通域的方式筛选图像中所有亮斑位置,形成目标集;
步骤2:根据目标集中筛选的亮斑目标,重建出容纳目标集中所有目标的重建图,并记录每个弱小目标的位置序号信息;
步骤3:孪生网络训练过程中,计算弱小目标的标注信息与IOU值,设置IOU阈值,将IOU值大于阈值的目标标记为真目标,否则标记为假目标,根据所有弱小目标的位置序号信息更新对应的标注信息;
步骤4:输入重建图到训练后的孪生网络模型中做目标检测,将检测到的真目标还原到原图中的位置,并输出最终结果。
进一步地,所述的步骤1具体包括:
S11:对原图I进行卷积,通过以下方式提取图中目标的边缘信息Edge:
其中,为卷积核;然后生成边缘图Edge(x,y),其中x,y表示图像中的空间坐标;
S12:对边缘图Edge(x,y)做二值化操作,得到二值化图Binary(x,y):
;
其中,thresh为图像像素的阈值;
S13:在二值图Binary(x,y)中,将像素值为1的部分做连通域计算,结果记为EH图;
S14:记录EH图结果中每个连通域的位置与外接矩形长和宽信息,设置阈值筛选出有效亮斑目标位置,形成目标集:
其中,w i 为第i个目标的外接矩阵的长,h i 为第i个目标的外接矩阵的宽,thresh area 为长宽比阈值、thresh wh 为连通域面积的阈值,1表示第i个连通域为有效目标,0表示第i个连通域为无效目标。
进一步地,所述的步骤2具体包括:
S21:根据筛选的目标集,从原图中裁剪目标位置的固定大小ROI区域,ROI区域包含目标和目标的部分背景信息;
S22:根据目标集重建一张背景像素值为0的重建图,以容纳目标集中所有目标;
S23:将裁剪的ROI区域分散拷贝到重建图中,并记录所有目标的序号和对应位置信息。
进一步地,步骤3中所述的弱小目标的标注信息label是为将检测的目标分为真目标与假目标两类:
其中thresh iou 是检测目标IOU阈值,0表示真目标类别,1表示假目标类别。
进一步地,所述的孪生网络包括目标图像重建模块,目标图像重建模块包括一个卷积层和一个Relu激活函数层。
进一步地,所述的孪生网络将重建后的图像经过交错卷积模块进行特征融合,输出三种不同大小的特征图。
进一步地,所述的交错卷积模块包括CBL模块、CBS模块、第一SFB模块、第二SFB模块和DWB模块,所述CBL模块包括卷积层、归一化层和LeakyRelu激活函数层,所述CBS模块包括卷积层、归一化层和Silu激活函数层,所述第一SFB模块是将三个CBL模块与一个CBL模块连接后进行ChannelShuffle操作,所述第二SFB模块是将三个CBL模块与一个Slice模块连接后进行ChannelShuffle操作,所述的DWB模块包括两个连接的CBL模块。
本发明的有益效果是:
本发明通过一种基于目标图像重建的红外弱小目标检测方法,将输入的原始图像通过目标图像重构的方式,避免了图像检测时因为做压缩而降低红外弱小目标丢失的问题。通过图像重构,将红外弱小目标检测的问题转换为真伪亮斑二分类的问题,图像重构后,最大限度的保留了目标和背景信息,将有利于做判断的目标和背景信息都保留下来。最后通过孪生网络的训练方式,在红外弱小目标因噪声导致的真伪目标不均衡的样本中,高效识别出红外弱小目标,说明本发明方法具有更强的鲁棒性。
附图说明
图1为孪生网络模型图。
具体实施方式
下面将结合实施例,对本发明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,本领域技术人员在没有付出创造性劳动的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。
参阅图1,本发明提供一种技术方案:
一种基于目标图像重建的红外弱小目标检测方法,包括:
步骤1:对原图进行卷积提取红外图像高亮的边缘信息,通过连通域的方式筛选图像中所有亮斑位置,形成目标集;
步骤2:根据目标集中筛选的亮斑目标,重建出容纳目标集中所有目标的重建图,并记录每个弱小目标的位置序号信息;
步骤3:孪生网络训练过程中,计算弱小目标的标注信息与IOU值,根据所有弱小目标的位置序号信息更新对应的标注信息;
步骤4:输入重建图到训练后的孪生网络模型中做目标检测,将检测到的真目标还原到原图中的位置,并输出最终结果。
进一步地,所述的步骤1具体包括:
S11:对原图I进行卷积,通过以下方式提取图中目标的边缘信息Edge:
其中,为卷积核;然后生成边缘图Edge(x,y),其中x,y表示图像中的空间坐标;
S12:对边缘图Edge(x,y)做二值化操作,得到二值化图Binary(x,y):
;
其中,thresh为图像像素的阈值;
S13:在二值图Binary(x,y)中,将像素值为1的部分做连通域计算,结果记为EH图;
S14:记录EH图结果中每个连通域的位置与外接矩形长和宽信息,设置阈值筛选出有效亮斑目标位置,形成目标集:
其中,w i 为第i个目标的外接矩阵的长,h i 为第i个目标的外接矩阵的宽,thresh area 为长宽比阈值、thresh wh 为连通域面积的阈值,1表示第i个连通域为有效目标,0表示第i个连通域为无效目标。
进一步地,所述的步骤2具体包括:
S21:根据筛选的目标集,从原图中裁剪目标位置的固定大小ROI区域,ROI区域包含目标和目标的部分背景信息;本实施例中,设置ROI区域的大小为32*32,ROI区域表示为:
S22:根据目标集重建一张背景为0的重建图,以容纳目标集中所有目标;
S23:将裁剪的ROI区域分散拷贝到重建图中,并记录所有目标的序号和对应位置信息。
如图1,将大小为M*N*255的原图输入到目标图像重建模块,目标图像重建模块实施如步骤2的方法将原图中提取到的目标集重建输出一张容纳目标集中所有目标的重建图。
本实施例中,选取640*640的重建图,可容纳20*20=400个32*32的目标,裁剪的ROI区域的记录信息如下表:
进一步地,步骤3中所述的弱小目标的标注信息label是为将检测的目标分为真目标(label=0)与假目标(label=1)两类:
其中thresh iou 是检测目标IOU阈值。
本实施例中,将给定的数据集按比例7:2:1作为训练集、验证机和测试集;步骤3中所述在网络训练过程中计算弱小目标的IOU值(交并比),IOU值表征了两个划分区域的重合程度,IOU值计算方法为:
由于待测弱小目标的IOU值越高表明其为真目标的概率越大,故通过设置IOU阈值,将IOU值大于阈值的目标标记为真目标,否则即为假目标。
本实施例中,所述的孪生网络包括目标图像重建模块,目标图像重建模块包括卷积层和Relu激活函数层。
本实施例中,所述的孪生网络将重建后的图像经过交错卷积模块进行特征融合,输出三种不同大小的特征图,分别为40*40*255、20*20*255和10*10*255。
孪生网络的模型图如图1所示,所述的交错卷积模块包括CBL模块、CBS模块、第一SFB模块、第二SFB模块和DWB模块,所述CBL模块包括卷积层、归一化层和LeakyRelu激活函数层,所述CBS模块包括卷积层、归一化层和Silu激活函数层,所述第一SFB模块是将三个CBL模块与一个CBL模块连接后进行ChannelShuffle操作,所述第二SFB模块是将三个CBL模块与一个Slice模块连接后进行ChannelShuffle操作,所述的DWB模块包括两个连接的CBL模块。其中,ChannelShuffle操作本质上是让不同组的通道特征交错混合。Slice模块是将推理到该模块的数据通道分离,该模块在不改变输入输出通道数和特征图大小的情况,达到提取更丰富的特征的效果。
本发明通过一种基于目标图像重建的红外弱小目标检测方法,将输入的原始图像通过目标图像重建的方式,避免了图像检测时因为做压缩而降低红外弱小目标丢失的问题。通过图像重建,将红外弱小目标检测的问题转换为真伪亮斑二分类的问题,图像重建后,最大限度的保留了目标和背景信息,将有利于做判断的目标和背景信息都保留下来。最后通过孪生网络的训练方式,在红外弱小目标因噪声导致的真伪目标不均衡的样本中,高效识别出红外弱小目标,说明本发明方法具有更强的鲁棒性。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (5)
1.一种基于目标图像重建的红外弱小目标检测方法,其特征在于,包括:
步骤1:对原图进行卷积提取红外图像高亮的边缘信息,通过连通域的方式筛选图像中所有亮斑位置,形成目标集;
步骤2:根据目标集中筛选的亮斑目标,重建出容纳目标集中所有目标的重建图,并记录每个弱小目标的位置序号信息;
步骤3:在孪生网络训练过程中,计算弱小目标的标注信息与IOU值,设置IOU阈值,将IOU值大于阈值的目标标记为真目标,否则标记为假目标,根据所有弱小目标的位置序号信息更新对应的标注信息;
步骤4:输入重建图到训练后的孪生网络模型中做目标检测,将检测到的真目标还原到原图中的位置,并输出最终结果;
所述步骤1具体包括:
S11:对原图I进行卷积,通过以下方式提取图中目标的边缘信息Edge:
其中,为卷积核;然后生成边缘图Edge(x,y),其中x,y表示图像中的空间坐标;
S12:对边缘图Edge(x,y)做二值化操作,得到二值化图Binary(x,y):
;
其中,thresh为图像像素的阈值;
S13:在二值图Binary(x,y)中,将像素值为1的部分做连通域计算,结果记为EH图;
S14:记录EH图结果中每个连通域的位置与外接矩形长和宽信息,设置阈值筛选出有效亮斑目标位置,形成目标集:
其中,w i 为第i个目标的外接矩阵的长,h i 为第i个目标的外接矩阵的宽,thresh area 为长宽比阈值、thresh wh 为连通域面积的阈值,1表示第i个连通域为有效目标,0表示第i个连通域为无效目标;
所述步骤2具体包括:
S21:根据筛选的目标集,从原图中裁剪目标位置的固定大小ROI区域,ROI区域包含目标和目标的部分背景信息;
S22:根据目标集重建一张背景像素值为0的重建图,以容纳目标集中所有目标;
S23:将裁剪的ROI区域分散拷贝到重建图中,并记录所有目标的序号和对应位置信息。
2.根据权利要求1所述的一种基于目标图像重建的红外弱小目标检测方法,其特征在于,步骤3中所述的弱小目标的标注信息label是为将检测的目标分为真目标与假目标两类:
其中,thresh iou 是检测目标IOU阈值,0表示真目标类别,1表示假目标类别。
3.根据权利要求1所述的一种基于目标图像重建的红外弱小目标检测方法,其特征在于,所述的孪生网络包括目标图像重建模块,目标图像重建模块包括一个卷积层和一个Relu激活函数层。
4.根据权利要求1所述的一种基于目标图像重建的红外弱小目标检测方法,其特征在于,所述的孪生网络将重建后的图像经过交错卷积模块进行特征融合,输出三种不同大小的特征图。
5.根据权利要求4所述的一种基于目标图像重建的红外弱小目标检测方法,其特征在于,所述的交错卷积模块包括CBL模块、CBS模块、第一SFB模块、第二SFB模块和DWB模块,所述CBL模块包括卷积层、归一化层和LeakyRelu激活函数层,所述CBS模块包括卷积层、归一化层和Silu激活函数层,所述第一SFB模块是将三个CBL模块与一个CBL模块连接后进行ChannelShuffle操作,所述第二SFB模块是将三个CBL模块与一个Slice模块连接后进行ChannelShuffle操作,所述的DWB模块包括两个连接的CBL模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410064041.0A CN117576488B (zh) | 2024-01-17 | 2024-01-17 | 一种基于目标图像重建的红外弱小目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410064041.0A CN117576488B (zh) | 2024-01-17 | 2024-01-17 | 一种基于目标图像重建的红外弱小目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117576488A CN117576488A (zh) | 2024-02-20 |
CN117576488B true CN117576488B (zh) | 2024-04-05 |
Family
ID=89886727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410064041.0A Active CN117576488B (zh) | 2024-01-17 | 2024-01-17 | 一种基于目标图像重建的红外弱小目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117576488B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117809052B (zh) * | 2024-03-01 | 2024-05-14 | 海豚乐智科技(成都)有限责任公司 | 一种块状目标检测及特征提取方法、装置及存储介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123529A (zh) * | 2013-04-25 | 2014-10-29 | 株式会社理光 | 人手检测方法及*** |
CN107133627A (zh) * | 2017-04-01 | 2017-09-05 | 深圳市欢创科技有限公司 | 红外光斑中心点提取方法及装置 |
CN109670517A (zh) * | 2018-12-24 | 2019-04-23 | 北京旷视科技有限公司 | 目标检测方法、装置、电子设备和目标检测模型 |
CN112101434A (zh) * | 2020-09-04 | 2020-12-18 | 河南大学 | 基于改进YOLO v3的红外图像弱小目标检测方法 |
CN112686842A (zh) * | 2020-12-21 | 2021-04-20 | 苏州炫感信息科技有限公司 | 一种光斑检测方法、装置、电子设备及可读存储介质 |
CN112818822A (zh) * | 2021-01-28 | 2021-05-18 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种航空航天复合材料损伤区域自动识别方法 |
CN114241274A (zh) * | 2021-11-30 | 2022-03-25 | 电子科技大学 | 一种基于超分辨率多尺度特征融合的小目标检测方法 |
CN114299111A (zh) * | 2021-12-21 | 2022-04-08 | 中国矿业大学 | 一种基于半监督孪生网络的红外弱小目标跟踪方法 |
CN114549959A (zh) * | 2022-02-28 | 2022-05-27 | 西安电子科技大学广州研究院 | 基于目标检测模型的红外弱小目标实时检测方法和*** |
CN115116137A (zh) * | 2022-06-29 | 2022-09-27 | 河北工业大学 | 基于轻量化YOLO v5网络模型与时空记忆机制的行人检测方法 |
CN115147613A (zh) * | 2022-05-30 | 2022-10-04 | 天津理工大学 | 一种基于多向融合的红外小目标检测方法 |
CN115223026A (zh) * | 2022-07-28 | 2022-10-21 | 西安电子科技大学广州研究院 | 轻量化红外弱小目标实时检测方法 |
CN115272412A (zh) * | 2022-08-02 | 2022-11-01 | 电子科技大学重庆微电子产业技术研究院 | 一种基于边缘计算的低小慢目标检测方法及跟踪*** |
CN115601818A (zh) * | 2022-11-29 | 2023-01-13 | 海豚乐智科技(成都)有限责任公司(Cn) | 一种轻量化可见光活体检测方法及装置 |
CN116012659A (zh) * | 2023-03-23 | 2023-04-25 | 海豚乐智科技(成都)有限责任公司 | 一种红外目标检测方法、装置、电子设备及存储介质 |
CN116128916A (zh) * | 2023-04-13 | 2023-05-16 | 中国科学院国家空间科学中心 | 一种基于空间能流对比度的红外弱小目标增强方法 |
-
2024
- 2024-01-17 CN CN202410064041.0A patent/CN117576488B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123529A (zh) * | 2013-04-25 | 2014-10-29 | 株式会社理光 | 人手检测方法及*** |
CN107133627A (zh) * | 2017-04-01 | 2017-09-05 | 深圳市欢创科技有限公司 | 红外光斑中心点提取方法及装置 |
CN109670517A (zh) * | 2018-12-24 | 2019-04-23 | 北京旷视科技有限公司 | 目标检测方法、装置、电子设备和目标检测模型 |
CN112101434A (zh) * | 2020-09-04 | 2020-12-18 | 河南大学 | 基于改进YOLO v3的红外图像弱小目标检测方法 |
CN112686842A (zh) * | 2020-12-21 | 2021-04-20 | 苏州炫感信息科技有限公司 | 一种光斑检测方法、装置、电子设备及可读存储介质 |
CN112818822A (zh) * | 2021-01-28 | 2021-05-18 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种航空航天复合材料损伤区域自动识别方法 |
CN114241274A (zh) * | 2021-11-30 | 2022-03-25 | 电子科技大学 | 一种基于超分辨率多尺度特征融合的小目标检测方法 |
CN114299111A (zh) * | 2021-12-21 | 2022-04-08 | 中国矿业大学 | 一种基于半监督孪生网络的红外弱小目标跟踪方法 |
CN114549959A (zh) * | 2022-02-28 | 2022-05-27 | 西安电子科技大学广州研究院 | 基于目标检测模型的红外弱小目标实时检测方法和*** |
CN115147613A (zh) * | 2022-05-30 | 2022-10-04 | 天津理工大学 | 一种基于多向融合的红外小目标检测方法 |
CN115116137A (zh) * | 2022-06-29 | 2022-09-27 | 河北工业大学 | 基于轻量化YOLO v5网络模型与时空记忆机制的行人检测方法 |
CN115223026A (zh) * | 2022-07-28 | 2022-10-21 | 西安电子科技大学广州研究院 | 轻量化红外弱小目标实时检测方法 |
CN115272412A (zh) * | 2022-08-02 | 2022-11-01 | 电子科技大学重庆微电子产业技术研究院 | 一种基于边缘计算的低小慢目标检测方法及跟踪*** |
CN115601818A (zh) * | 2022-11-29 | 2023-01-13 | 海豚乐智科技(成都)有限责任公司(Cn) | 一种轻量化可见光活体检测方法及装置 |
CN116012659A (zh) * | 2023-03-23 | 2023-04-25 | 海豚乐智科技(成都)有限责任公司 | 一种红外目标检测方法、装置、电子设备及存储介质 |
CN116128916A (zh) * | 2023-04-13 | 2023-05-16 | 中国科学院国家空间科学中心 | 一种基于空间能流对比度的红外弱小目标增强方法 |
Non-Patent Citations (4)
Title |
---|
DB-YOLO: A Duplicate Bilateral YOLO Network for Multi-Scale Ship Detection in SAR Images;Haozhen Zhu 等;《sensors》;20211206;1-15 * |
YOLO-FIRI: Improved YOLOv5 for Infrared Image Object Detection;SHASHA LI 等;《IEEE Access》;20211015;第54卷(第1期);141861-141875 * |
基于超分辨率与在线检测 DSST 的红外小目标跟踪;李斌 等;《红外技术》;20220720;第44卷(第7期);659-666 * |
轻量级红外目标检测算法研究;张上 等;《无线电工程》;20230423;1-10 * |
Also Published As
Publication number | Publication date |
---|---|
CN117576488A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117576488B (zh) | 一种基于目标图像重建的红外弱小目标检测方法 | |
CN108257158B (zh) | 一种基于循环神经网络的目标预测与跟踪方法 | |
CN107016357B (zh) | 一种基于时间域卷积神经网络的视频行人检测方法 | |
US7215798B2 (en) | Method for forgery recognition in fingerprint recognition by using a texture classification of gray scale differential images | |
CN110210475B (zh) | 一种非二值化和边缘检测的车牌字符图像分割方法 | |
CN101561867B (zh) | 一种基于高斯形状特征的人体检测方法 | |
CN103942540A (zh) | 基于曲波纹理分析和svm-knn分类的假指纹检测算法 | |
CN105678788A (zh) | 一种基于hog和低秩分解的织物疵点检测方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN114240947B (zh) | 声扫图像数据库的构建方法、装置、计算机设备 | |
CN116092179A (zh) | 一种改进的yolox跌倒检测*** | |
CN106557740A (zh) | 一种遥感图像中油库目标的识别方法 | |
CN114445768A (zh) | 目标识别方法、装置、电子设备及存储介质 | |
CN114299383A (zh) | 基于密度图与注意力机制融合的遥感图像目标检测方法 | |
CN117422696A (zh) | 基于改进YOLOv8-EfficientNet的皮带磨损状态检测方法 | |
CN112801037A (zh) | 一种基于连续帧间差异的人脸篡改检测方法 | |
CN114429577B (zh) | 一种基于高置信标注策略的旗帜检测方法及***及设备 | |
CN116052105A (zh) | 路面裂缝识别分类及面积计算方法、***、设备及终端 | |
CN114066937B (zh) | 一种大尺度遥感影像多目标跟踪方法 | |
CN107358246A (zh) | 一种使用卷积神经网络对物体进行细分类的方法 | |
CN117475353A (zh) | 基于视频的异常烟雾识别方法及*** | |
CN115631197B (zh) | 一种图像处理方法、装置、介质、设备及*** | |
CN107992863B (zh) | 多分辨率粮虫种类视觉识别方法 | |
CN111368625A (zh) | 一种基于级联优化的行人目标检测方法 | |
CN115100457A (zh) | 一种联合深度学习与cfar的sar图像目标检测方法 |
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 |