共查询到11条相似文献,搜索用时 78 毫秒
1.
舰船目标检测是海域监控、港口流量统计、舰船身份识别以及行为分析与取证等智能海事应用的基石。随着我国海洋强国建设的推进,智慧航运和智慧海洋工程迅速发展,对通过海事监控视频开展有效的舰船目标检测识别以确保航运和海洋工程安全的需求日益紧迫。本文针对基于海事监控视频的舰船目标检测任务,回顾了舰船目标检测数据集及性能评价指标、基于传统机器学习和基于卷积神经网络的深度学习的目标检测方法等方面的国内外研究现状,分析了海洋环境中舰船目标检测任务面临的舰船目标尺度的多样性、舰船类别的多样性、海洋气象的复杂性、水面的动态性、相机的运动性和图像的低质量等技术难点,并通过实验验证,在多尺度特征融合、数据增广和能耗降低等方面提出了舰船目标检测的优化方法;同时,结合前人研究指出舰船目标检测数据集的发展应关注分类粒度的适宜性、标注的一致性和数据集的易扩充性,应加强对多尺度目标(尤其是小型目标)检测的模型结构的研究,为进一步提升舰船目标检测任务的综合性能,促进舰船目标检测技术的应用提供了新的思路。 相似文献
2.
3.
针对工业场景下带钢表面缺陷样本少、缺陷尺寸大小不一等问题, 提出一种适用于小样本条件下的带钢表面缺陷检测网络. 首先, 算法以YOLOv5s框架为基础, 设计一种融合注意力机制的多尺度路径聚合网络作为模型的颈部, 增强模型对缺陷目标的多尺度预测能力; 其次, 提出一种自适应解耦检测结构, 缓解小样本情况下分类和定位任务之间的矛盾; 最后, 提出一种融合Wasserstein距离的边界框回归损失函数, 提升模型对小目标缺陷的检测精度. 实验表明, 在构建的小样本带钢表面缺陷数据集上, 本文模型的检测性能优于其他小样本检测模型, 更适用于工业环境下的小样本缺陷检测任务. 相似文献
4.
5.
交通标志检测与识别是无人驾驶三大模块中环境感知的研究热点之一,检测和识别交通标志可以向无人车传递道路交通信息,优化行车决策.在暴雨、大雾以及光线昏暗等复杂环境下,拍摄到的图像往往会被遮挡,变得模糊.这不仅影响图像的质量,还会对后期标志的检测与识别带来巨大的困难.简述了交通标志检测与识别方法,对近年来国内外学者解决各类复... 相似文献
6.
7.
基于深度学习的目标检测与识别技术旨在提升信息提取的时效性和目标检测的准确性,推动数据优势经由知识优势转化为决策与行动优势,对于科技发展有重大意义。基于Faster R-CNN的网络架构,采用基于MMDetection算法的识别解决方案,打通“探测—识别—感知”的壁垒,实现快速、精准地对航空影像检测与识别。研制出基于Web端显示的实时目标识别系统,通过对公开航空照片进行试验测试,最终结果展示算法鲁棒性强,系统运行稳定可靠。 相似文献
8.
目的 遥感图像中的舰船目标细粒度检测与识别在港口海域监视以及情报搜集等应用中有很高的实际应用价值,但遥感图像中不同种类的舰船目标整体颜色、形状与纹理特征相近,分辨力不足,导致舰船细粒度识别困难。针对该问题,提出了一种端到端的基于关键子区域特征的舰船细粒度检测与识别方法。方法 为了获得更适于目标细粒度识别的特征,提出多层次特征融合识别网络,按照整体、局部子区域两个层次从检测网络得到的候选目标区域中提取特征。然后结合候选目标中所有子区域的信息计算每个子区域的判别性显著度,对含有判别性组件的关键子区域进行挖掘。最后基于判别性显著度将子区域特征与整体特征进行自适应融合,形成表征能力更强的特征,对舰船目标进行细粒度识别。整个检测与识别网络采用端到端一体化设计,所有候选目标特征提取过程只需要经过一次骨干网络的计算,提高了计算效率。结果 在公开的带有细粒度类别标签的HRSC2016(high resolution ship collection)数据集L3任务上,本文方法平均准确率为77.3%,相较于不采用多层次特征融合识别网络提升了6.3%;在自建的包含45类舰船目标的FGSAID(fine-gr... 相似文献
9.
针对当前文档分析领域中表格分析的发展现状,整理了近年来领域内的相关文献,分别对表格检测和表格结构识别两个关键任务进行研究。针对表格检测任务,将其划分为基于目标检测、图神经网络、生成对抗网络、可变卷积网络的方法;针对表格结构识别任务,将其划分为基于目标检测、图神经网络、循环神经网络、可变卷积与扩张卷积网络的方法。总结了各类模型的方法路径和局限性,梳理了相关任务及其对应的数据集。更广泛地总结了表格分析领域常用的公开数据集,并对各数据集的来源、规模、适用范围及文件类型进行详细介绍。列举了表格分析领域常用的评价指标,并按照实验数据集的不同对现有模型的实验结果进行对比。总结了当前表格分析领域的发展状况,并对未来发展方向进行了展望。 相似文献
10.
11.
针对空间非合作目标检测与识别任务的智能化要求,本文将深度学习方法Mask R-CNN(mask region-based convolutional neural network)应用于任务中,并借鉴R-FCN(region-based fully convolutional networks)和Light-head R-CNN (light-head region-based convolutional neural network)对其进行优化改进,提升检测速度,以满足空间任务实时性要求。实验结果表明,与传统的Mask R-CNN相比,改进的Mask R-CNN可缩短20%的检测时间。针对深度神经网络需要大样本数据集进行训练的特点,本文基于迁移学习提出搭建虚拟环境进行样本采集,构造空间目标特征检测与识别数据集的方法。实验结果表明,网络在虚拟环境生成的数据集上可以很好地学习到相应特征,从而具备迁移到实际任务的能力。 相似文献