目标检测YOLO实战应用案例100讲-SAR图像多尺度舰船目标检测

已于 2024-04-29 09:15:54 修改
阅读量1k 收藏 7
点赞数
分类专栏： 目标检测YOLO系列实战应用案例精讲100例 文章标签： 目标检测 YOLO 人工智能
于 2023-09-04 00:30:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_36130719/article/details/132651237
版权

目录

知识储备

SAR目标检测数据集

MSTAR （1996）

OpenSARShip2.0 （2017）

SAR-Ship-Dataset （2019）

HRSID （2020）

遥感数据集

数据集相关

SSDD（SAR船舶检测数据集）

OpenSARship-1.0

OpenSARship-2.0

SAR-Ship-Dataset

AIR-SARShip-1.0

AIR-SARShip-2.0

HRSID集（SAR图像数据集）

LS-SSDDv1.0（第一代SAR船舶检测数据集）

FUSAR-船舶数据集 v1.0

SSDD（SAR船舶检测数据集）2021

DSSDD（双极化 SAR 船舶检测数据集）

SRSDD-v1.0（SAR旋转船舶检测数据集）

xView3-SAR（多模式 SAR 船舶检测 + 表征数据集）

光学卫星数据集

HRSC2016（高分辨率船舶收藏 2016）

卫星图像数据集中的船舶

空客船舶检测挑战数据集

xView 数据集

DOTA（航空图像中目标检测的数据集）

TGRS-HRRSD（高分辨率遥感物体检测）

MASATI-v2（海事卫星影像数据集）

DIOR（光学遥感图像中的物体检测）

FGSD（细粒度船舶检测）

PSDS（秘鲁船舶数据集）

MSDS（迷你船舶数据集）

FGSCR-42（遥感图像中的细粒度船舶分类）

ShipRSImageNet

S2-船舶

 SAR影像精配准目标检测代码

主程序

 子程序

前言

SAR舰船目标检测 

基于背景特性的舰船目标检测方法 

基于目标特征的舰船目标检测方法 

基于视觉显著性的舰船目标检测方法 

基于深度学习的舰船目标检测方法 

SAR图像多尺度舰船目标检测框架 

2.1 引言 

2.2 SAR图像舰船目标特性分析 

2.2.1 舰船目标特征 

2.2.2 区域分布特性 

2.3 SAR图像多尺度舰船目标检测框架 

2.3.1 多分辨率SAR图像多尺度舰船目标检测 

 2.3.2 复杂场景多尺度舰船目标检测 

多分辨率SAR图像多尺度舰船目标检测 

3.1 引言 

3.2 超像素目标检测基础 

3.3 多分辨率SAR图像多尺度舰船目标检测方法 

3.3.1 初始超像素生成 

本文篇幅较长，分为上下两篇，下篇详见SAR图像多尺度舰船目标检测（续）

知识储备

SAR目标检测数据集

MSTAR （1996）

了解本专栏 订阅专栏 解锁全文
林聪木
关注
  • 0
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
目标检测YOLO实战应用案例100讲-基于深度学习的SAR图像舰船目标检测（续）
qq_36130719的博客
12-12 217
我们在解决图像问题过程中，往往是在网络中不仅仅考虑了某一向量,也即在卷积神经网络中不仅仅考虑了某一像素点，而只是使在我们的模型中产生了一种感知野(Receptive field)[92]，对自注意力机制而言，是模型自身的感知野是怎样的。因此， CNN卷积神经网络是在特定状态下的一个自注意力机制。循环神经网络（RNN）和自注意力机制也是相似的，但RNN只能接受前面的输出作为输入，而自注意力机制可以同时接受所有的向量作为输入，所以在一定程度 上可以说自注意力机制比循环神经网络更有效率。
毕业设计-基于深度学习的近岸SAR舰船目标检测系统 YOLO python 卷积神经网络 人工智能
毕设帮助,疑难解答,欢迎打扰!
12-23 560
毕业设计-基于深度学习的近岸SAR舰船目标检测系统的计算机毕业设计。该系统利用深度学习技术，旨在实现对近岸SAR图像中舰船目标的自动检测和识别。通过引入先进的目标检测算法，如YOLOv5和特定的数据增强方法，该系统能够高效准确地检测近岸SAR图像中的舰船目标，并提供实时的目标位置和类别信息。我们还针对SAR图像的特殊性质，探索了数据预处理和网络结构的优化策略，以提升检测性能和鲁棒性。实验结果表明，该系统在近岸SAR舰船目标检测方面具有优越的性能，并且对于海洋监测、航海安全等应用具有重要意义。
基于特征增强网络的SAR图像舰船目标检测
renhongxia1的博客
04-21 2507
源自：系统工程与电子技术作者：张冬冬, 王春平, 付强合成孔径雷达(synthetic aperture radar, SAR)图像场景复杂度高、舰船目标尺度小, 传统方法检测效率低、虚警概率大。针对以上问题, 提出一种特征增强网络用于SAR图像舰船目标检测。首先, 利用I-Darknet-53(improved Darknet-53)提取特征信息, 构建4层特征金字塔丰富低层特征。其次, 将多个特征层进行跨尺度连接, 使低层细节信息更易于向高层语义信息映射, 增强特征的传播和重用。
基于恒虚警算法CFAR实现海面sar图像目标检测附matlab代码
qq_59747472的博客
04-23 309
是由于合成孔径雷达(SyntheticApertureRadar,SAR)有很多特长,不仅能够在不同的气候下昼夜不停的工作,还能够超远距离的对海域进行观测,SAR图像的舰船检测对于船舶救援,防止非法渔业,海洋交通监视,海洋污染监测和控制都非常有用.特别是,随着SAR图像分辨率的提高和大量合成孔径雷达数据的开放促进了目标检测算法的开发.本文基于恒虚警算法CFAR实现海面sar图像目标检测。
基于深度学习的SAR图像舰船检测方案设计
最新发布
Q1744828575的博客
04-29 511
项目简介：基于深度学习的SAR图像舰船检测方案设计本项目旨在利用深度学习技术，设计一种高效且准确的SAR图像舰船检测方案。SAR图像作为一种特殊的遥感图像，具有全天时、全天候的观测能力，对于舰船检测任务具有重要的应用价值。通过深度学习模型，我们可以从SAR图像中提取出舰船目标的特征，进而实现对其的精确检测。本方案设计主要包括以下几个步骤：首先，我们将收集大量标注好的SAR图像数据，包括含有舰船目标和不含有舰船目标的图像。这些数据将用于训练深度学习模型，使其能够学习到舰船目标的特征表示。
目标检测YOLO实战应用案例100讲-SAR图像多尺度舰船目标检测（续）
qq_36130719的博客
09-09 549
在初始超像素生成阶段，经过多次迭代后超像素的个数会比初始设定的K值 略多一点。设置过小的 K虽然像素聚类速度快，但容易出现图像过分割，不能把背景和舰船目标准确划分到不同的超像素，得到的超像素精度较低；基于上述问题，为了解决由手动设置K参数导致的同质区域过分割问题加入 了相似超像素聚合阶段，利用舰船目标SAR图像特征中的纹理特征，设计了超像 素聚合准则，通过多向灰度共生矩阵进行纹理相似判决，从而将具有相似纹理特征 的同质超像素合并，进一步得到更加贴合目标轮廓的完整的超像素，示意图如图3- 7所示。
目标检测YOLO实战应用案例100讲-基于数据融合的SAR图像中海上目标检测与跟踪
qq_36130719的博客
03-07 1256
本文使用的数据集为欧空局（European Space Agency, ESA）提供的Sentinal-1 数据集，Sentinel-1是欧洲“哥白尼计划”的SAR卫星机群，主要是用于陆地和海 洋服务的极地轨道全天候昼夜雷达成像任务[ 34]。Sentinel-1A于2014年4月3日发 射升空，Sentinel-1B于2016年4月25日发射升空，每颗卫星都携带C波段SAR， 共同提供地球表面的全天候、昼夜图像。
目标检测YOLO实战应用案例100讲-基于深度学习的SAR图像舰船目标检测
qq_36130719的博客
12-11 398
旋转边框的由来是目标检测迈向更加精准的关键一步，如图2.1所示，旋转边框比正常的垂直边框包围起来要更加的紧致，包含其他“目标物”的可能性也会比较 低，同时目标框中的背景信息也更加少，可以近乎完全将船舶与背景分开，这点对 于交叠较多排列紧密的船只尤其重要[47]，同时旋转边框所带来的视觉感受是锚框的 长宽高与真实船舶的尺寸相对一致，所得到的舰船的目标检测就会更加的精准，检 测结果以及视觉感受也会更加优秀。
船只检测数据集，包含VOC和YOLO数据格式
12-01
船只检测数据集，收集包含5000+正面和侧面船只图片，可直接用于训练船只检测
YOLO目标检测+SSDD遥感检测数据集已标注可以直接使用（1160张图像+对应已标注xml文件）.rar
05-10
1、资源内容：YOLO目标检测+SSDD遥感检测数据集已标注可以直接使用（1160张图像+对应已标注xml文件）.rar 2、代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 3、适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 4、更多仿真源码和数据集下载列表（自行寻找自己需要的）：https://blog.csdn.net/m0_62143653?type=download 5、作者介绍：某大厂资深算法工程师，从事Matlab、Python、C/C++、Java、YOLO算法仿真工作10年；擅长计算机视觉、目标检测模型、智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、智能控制、路径规划、无人机等多种领域的算法仿真实验，欢迎交流学习。
【目标检测】基于深度学习的SAR图像船舶目标检测(yolov5算法，附代码和数据集)
学无止境、积少成多、厚积薄发
04-19 871
基于深度学习的SAR图像船舶目标检测(yolov5算法，附代码和数据集)
SAR目标检测数据集汇总
热门推荐
WD
09-13 2万+
SAR目标检测数据集汇总 文章目录SAR目标检测数据集汇总1. MSTAR （1996）2. OpenSARShip2.0 （2017）3. SSDD / SSDD+ （2020）4. AIR-SARShip2.0 （2019）5. SAR-Ship-Dataset （2019）6. HRSID （2020）结尾 遥感数据集汇总链接 随着深度学习在计算机视觉（CV）领域的突破，SAR图像目标检测领域也开始采用这些深度学习算法，虽然和光学图像成像机理不同，但是可以借鉴CV领域的优秀算法进行改进，目前也有很多
目标检测论文解读复现之九：基于改进YOLOv5的复杂场景下SAR图像船舶检测方法
m0_70388905的博客
11-16 1961
针对复杂场景下合成孔径雷达图像船舶检测中易产生漏检的问题，本文提出了一种基于改进YOLOv5的复杂场景下SAR图像船舶检测算法。
目标检测1——SAR影像舰船数据集
风迈的博客
07-01 5483
关于SAR影像舰船目标的数据集分享 首先说明一下，这个数据集是我为本科毕业设计而做的，全部都是我自己一点一点标注出来的。我当初就是苦于开源的SAR影像舰船数据集太少，实在每办法就自己动手了。现在我觉得我应该把它分享出来，让大家把更多的精力放在算法的学习中，节省一点时间吧，希望可以帮到有需要的人。 1.数据集简介 关于这个数据集，我给他起名叫作S1-SSD（Sentinel-1 SAR Ship Detection）。所有的影像都是我从AFS上下载的哨兵一号卫星影像，然后我再结合Google Earth的辅助
基于 YOLOV5 的 SAR 图像舰船检测
我有两颗糖
06-22 6717
基于 YOLOv5 实现的 SAR 图像舰船检测（全流程）
SAR舰船检测数据集总结
lyp82nlf666的博客
11-12 1万+
SAR舰船检测数据集总结
ShipRSImageNet数据集在哪里下载
05-17
ShipRSImageNet数据集可以从以下网址下载： https://www.kaggle.com/rhammell/ships-in-satellite-imagery 请注意，您将需要一个Kaggle帐户才能下载数据集。下载后，您可以使用常用的图像处理库（如Pillow和OpenCV）来读取和处理图像。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

林聪木

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值