Arbitrary-Oriented Ship Detection Based on Rotation Region Locating Networks in Large Scale Remote

Physics-informed neural network for ultrasound nondestructive quantification of surface breaking 论文信息 题目:Physics-informed neural network for ultrasound nondestructive quantification of surface breaking cracks 作者及单位: 期刊、会议: 时间: 论文地址:论文链接 代码:代码链接 基础 摘要 论文动机 Main contributions: Related Work 问题背景与定义 本文方法 Relevant literature 数值实验 Neural Network Approximati 阅读详情

Arbitrary-Oriented Ship Detection Based on Rotation Region Locating Networks in Large Scale Remote Sensing Images

论文地址:https://sci-hub.se/10.1109/ICIVC47709.2019.8981006

论文发表2019 IEEE 4th International Conference on Image, Vision and Computing

声明一下这不是很好的会议,CCF C类都不是,只是EI核心索引,但是我是初学者,还是花了一些时间简单读了一下这篇文章。读完总归有收获,遂写这篇博客记录一下。

摘要与总结

这篇文章提出了基于旋转定位网络的遥感图像旋转舰船检测算法,整体算法流程如下:
在这里插入图片描述
这里描述一下,首先作者将高分辨率的遥感图像通过裁剪形成很多个图像块,裁剪图像块时需要一定的冗余进行裁剪以免把可能存在的目标分成多部分。

然后作者根据OTSU掩码算法抑制去除大部分的背景图像块;

然后将可能存在舰船目标的图像块送入ResNet50通过CFPN模块提取多尺度特征图;

多尺度特征图进入RPN进行分类和回归,这里的分类负责分类前景和背景,因为目标只有舰船,是个二分类问题,这里的回归负责回归4个变量的水平框;

这里有一点是RPN部分不通过NMS进行去重,而是通过分类置信度得分进行排名提取。

在RPN阶段如果图像块中有anchor被分类成前景,那么这个图像块送入RRLN模块提取ROI align固定尺度的特征,进行进一步的5个变量的旋转包围框的回归;

最后图形块的结果综合到每张遥感图像中得到最终的检测结果;

主要有一下几个创新点:

第一:改进了特征金字塔网络,提出CFPN,这个很容易创新,常规trick,不算是很新颖的思路

在这里插入图片描述

第二,提出旋转定位网络RRLN

首先在RPN生成水平锚框,然后在RRLN中生成多方向的旋转包围框,进行精细化的回归。

第三,在图像块输入网络前,首先判断一下图像是不是背景,进行无船抑制去除冗余图像块,这里也是调用的别人的算法OTSU
第四,作者提出了个遥感舰船检测数据集,但是没有公开,这个trick很弱

实验部分

在这里插入图片描述

我认为作者最大的贡献其实是用自己的数据集复现很多经典的算法,在这里作者将自己的CFPN-RRLN算法与baseline算法Faster RCNN,RRPN,R2CNN算法进行比较,分析了R,P,F值。

最后作者也验证了无船抑制算法的有效性

在这里插入图片描述

论文学习笔记《Arbitrary-Oriented Ship Detection through Center-Head Point Extraction》 这是一篇2021刚刚挂在arXiv上的论文,作者提出了一种center-head point extraction based detector(命名为CHPDet)的网络,以实现遥感图像中的任意方向船舶检测。同时提出了一种新的用于固定ground sample distance(GSD)遥感图像中多类任意定向船舶检测的数据集,称为FGSD2021。最后在两个船舶检测数据集(即FGSD2021和HRSC2016)上进行了相关的实验。 论文链接:Arbitrary-Oriented Ship Detectio 阅读详情

相关推荐

【论文解读】【论文翻译】SAST文字检测算法

A Single-Shot Arbitrarily-Shaped Text Detector based on,Context Attended Multi-Task Learning 百度自研文字检测算法,实际上就是EAST算法的扩展,一阶段,输出为multitask,各个分支相互校正。

lz867422770的博客 5434

迁移学习与跨域推荐,以及解决跨域推荐的方法

本文主要是详细介绍一下跨域推荐,包含但不局限于以下几个部分: 迁移学习 跨域推荐 跨域推荐可以怎么做 冷启动的其他一些方法 可以参考的论文有哪些 1. 迁移学习 以下内容参考【推荐系统中的多任务学习-卢明冬】进行修改和介绍,更多详细内容可以阅读:https://lumingdong.cn/multi-task-learning-in-recommendation-system.html。 1.1 迁移学习介绍 迁移学习(Transfer Le

喜欢打酱油的老鸟 3523

All You Need Is Boundary阅读笔记

不同于现存的方法将文本检测视为边框提取或实例分割,我们在每一个文本实例的边界上定位了一系列点。通过这些边界点,我们建立了一个简单有效的架构用于端到端文本识别,可以阅读任意形状的文本。 文本检测和识别之间具有相关性。 提出了一种端到端的可训练网络用于任意形状文本识别,无需字符级注释,取代检测一个矩形边框,我们的检测通过定义文本实例的边界来完成。更具体地说,我们的检测目标是预测一组边界点,其可以更灵活的描述场景文本的形状。使用边界点对于建立端到端OCR系统有三个优势1)不规则文本区域的CNN特征可以使用边界点更

qq_40874603的博客 564

[论文摘抄] Dynamic Anchor Learning for Arbitrary-Oriented Object Detection (Anchor-Base)

https://arxiv.org/pdf/2012.04150.pdf

先说一下,就简单地写点儿氵文,不是博客,只是我的笔记本/工具书 871

SKnet:Selective Kernel Networks学习笔记+Pytorch代码实现

论文题目:Selective Kernel Networks 发表于 CVPR 2019 论文地址:https://arxiv.org/pdf/1903.06586.pdf 作为一下对比,这里再附上SEnet的结构图: 总结:SK注意力机制和SE注意力机制的不同之处: SE注意力只是在通道上施加MLP学习权重,来体现每个权重之间的重要性差异; SE注意力机制只需要用到一个全局池化和两个全连接层; SK注意力机制是SE注意力机制的升级版,特色之处体现在通过网络自己学习来选择融合不同感受野的特征图信息;

practical_sharp的博客 1万+

CMOS图像传感器——列噪声(CFPN)去除

对CMOS图像传感器表现出列固定模式噪声(CFPN)去除方法进行了小结,包括动态列交换技术,改进CDS,列参考电平减除等。

沧海一升的博客 1842

2018~2019 遥感目标检测——文章解读

Object Detection in Satellite Imagery Using 2-Step Convolutional Neural Networks 来源:IGARSS 数据库: 几个景的遥感图像,图像比较大,类别是高尔夫球场。 问题: 遥感图像太大,人眼检测目标困难。 解决方案: 融合两个CNN——高召回率CNN和高准确率CNN。 高召回率CNN: 别人文章里提到降低训练集中负样本...

snail_crawling的博客 7542

cfpn_gsf

FastFCN:重新思考骨干中的扩张卷积以进行语义分割 FastFCN的正式实施:重新思考骨干中的扩张卷积以进行语义分割。 一个更快,更强,更轻的语义分割框架,实现了最先进的性能和超过3倍的加速。 @inproceedings{wu2019fastfcn, title = {FastFCN: Rethinking Dilated Convolution in the Backbone for Semantic Segmentation}, author = {Wu, Huikai and Zhang, Junge and Huang, Kaiqi and Liang, Kongming and Yu Yizhou}, booktitle = {arXiv preprint arXiv:1903.11816}, year = {2019} } 联系人:(

【论文阅读】遥感目标检测:船只检测

Position Detection and Direction Prediction for Arbitrary-Oriented Ships via Multiscale Rotation Region Convolutional Neural Network 论文地址:https://arxiv.org/abs/1806.04828 GitHub地址:https://github.co...

baidu_32145209的博客 7329

通过两个mark点确定某一个点的位置

read_image (Image0, '0.bmp') binary_threshold (Image0, Region, 'max_separability', 'dark', UsedThreshold) connection (Region, ConnectedRegions) fill_up (ConnectedRegions, RegionFillUp) select_shape_std (RegionFillUp, SelectedRegions, 'max_area', 70) red...

优快云博客 3890

PX4飞控CAN总线通信深度配置:从menuconfig到驱动加载的完整指南

本文详细解析了PX4飞控中CAN总线通信的深度配置流程,从menuconfig选项设置到驱动加载的完整指南。涵盖硬件抽象层、驱动层和应用层的配置细节,提供实际验证方法和故障排查技巧,帮助开发者高效实现CAN通信,特别适用于无人机和机器人底盘运动控制等场景。

weixin_30374009的博客 502

[论文阅读] Cross-layer feature pyramid network for salient object detection

论文地址:https://dx.doi.org/10.1109/TIP.2021.3072811 发表于:TIP 2021 I. Intro 这个网络是用来进行显著目标检测与伪装目标检测的,并且在这两个任务上均达到了SOTA 将Joint Training应用到了两个近乎相反的任务上 Global Contextual Information 深层特征图包含全局上下文信息,但是也牺牲了一定的空间分辨率与局部细节。那么这就有一个问题,如果全局上下文信息提取的不够准确的话,那么也会直接对后续refine的性

xiongxyowo的博客 2084

Matlab编码转换实战:从GBK到UTF-8的完整解决方案

本文提供Matlab编码转换的完整实战方案,重点解决GBK与UTF-8编码冲突导致的中文乱码问题。通过修改系统配置文件、批量转换项目文件及设置默认保存编码,实现从GBK到UTF-8的彻底迁移,并分享常见避坑指南与自动化脚本技巧,确保代码跨平台协作的稳定性。

weixin_29031057的博客 326

干货 | 一文总结旋转目标检测全面综述:论文方法与代码

点击上方“小白学视觉”,选择加"星标"或“置顶”重磅干货,第一时间送达 本文转自|计算机视觉联盟1.RRPN(两阶段文字检测 华科白翔组)时间:3 Mar 2017题目:...

小白学视觉 1567

关键!C#工业上位机界面设计终极指南:WinForm/WPF怎么选?【工业实战完整版,无废话选型+避坑+落地技巧】

工业上位机UI选型指南:WinForm与WPF核心对比 摘要: 本文基于工业实战视角,对比WinForm与WPF在工业上位机开发中的适用性。WinForm凭借GDI+原生渲染、极致兼容性(完美支持Win7/XP)、低资源占用和硬件底层调用优势,成为老旧工控机、简单监控系统和7×24小时运行设备的首选。WPF则依托DirectX硬件加速、MVVM架构和强大可视化能力,更适合复杂可视化大屏、3D模拟等高端场景及需要长期迭代的大型项目。核心选型原则是:优先考虑稳定性与兼容性,WinForm解决"能不能用

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 730

基于RK3588平台的高分辨率多摄像头系统深度优化:从48M单摄到双摄分时复用的完整解决方案

本文深入解析了RK3588平台的高分辨率摄像头实现方案。重点介绍了:1)RK3588的MIPI PHY硬件架构,包括DCPHY和DPHY的资源配置及工作模式;2)双ISP合成技术,通过并行处理提升48M高分辨率图像的处理能力;3)以OV50C40传感器为例,详细展示了48M单摄系统的硬件连接、I2C设备配置和关键参数设置。文章为开发者提供了从硬件连接到软件配置的完整技术方案,有助于实现高性能嵌入式视觉系统。

FJN110的博客 676

ECCV2020 Piou Loss论文翻译

摘要:目标检测使用方向边界框(OBB)可以通过减少背景的重叠区域更好的检测到旋转物体。现存的方向边界框(OBB)大多数建立在横向边界框基础上,通过增加一个距离损失来做角度回归。然而基于距离损失的角度回归只能最小化角度距离,对于iou却很不敏感,它对高长宽比的对象不敏感。因此,一个新颖的损失函数Pixels-IoU (PIoU) Loss,就是设计成利用角度和IoU来进行精确的OBB回归。PIoU损失是由像素方向的IoU度量得到的,一个简单的并且适合方向边界框和横向边界框的方法。为了验证它的有效性,我们在an

Q1u1NG的博客 2319

Dify与第三方平台(飞书、微信、钉钉)LangBot机器人对接实战

调用链路:飞书用户发消息 → 飞书开放平台事件回调 → LangBot 服务 → Dify 应用接口 → Dify 知识库 + 大模型生成答案 → 原路返回飞书聊天框Dify:承载知识库、提示词配置、大模型调用能力;LangBot:多 IM 渠道适配器,统一对接各大 IM 开放平台与 Dify API;飞书开放平台:提供机器人消息收发、事件推送能力。LangBot 作为中间转发服务,一端对接 Dify 应用 API,一端对接飞书开放平台机器人接口;

悦分享 273

多方向遥感目标检测模型源码

常用方法: (1)角度回归 (2)长边定义 (3)有序四边 目前主要模型: 2017 RRPN 华科 2017 EAST 旷世 2017 R2CNN 三星 2017 RR-CNN 中科院 2017 DRBOX 中科院 2018 TextBoxes++ 2018 R2PN 2018 R2CNN++ (SCRDet) 2018 SF-Net MDA-Net 2019 CAD-Net 2019 R3Det 2019 IENet 2020 CSL ...

yunxinan的专栏 931

【1】Python交叉编译到OpenHarmony标准系统运行(arm32位)

本文介绍如何Python语言如何在OpenHarmony标准系统运行,包括5.0r和4.1r以及4.0r,和未来版本的OpenHarmony版本上。 Python语言在OpenHarmony上使用,需要将Python解释器CPython移植到OpenHarmony标准系统。通过交叉编译的方式。

weixin_58069108的博客 930

30天入门Python(办公篇)——第34天:pandas - 数据处理与分析利器

摘要 本文介绍了Python数据分析库pandas的核心功能,包括数据结构和基本操作。主要内容涵盖:1) Series和DataFrame两种核心数据结构的创建与使用;2) 多种文件格式的读写方法;3) 数据查看、筛选和清洗技巧;4) 基础统计分析功能;5) 数据透视表和交叉表制作;6) 数据排序与合并等变换操作。文章通过大量代码示例演示了pandas在数据处理各环节的应用,适合作为pandas入门的实践指南,帮助读者快速掌握这一强大工具的基本使用方法。

weixin_42636075的博客 306

[论文笔记]Arbitrary-Oriented Scene Text Detection via Rotation Proposals

Particularly, orientations are incorporated so that the detection system can generate proposals for arbitrary orientation.  与anchor的区别是:可以产生任意方向的proposal

北望花村 7103

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

针对遥感目标检测(小目标、旋转框、密集目标)的论文整理

文献整理 文章目录文献整理A Multi-Feature Fusion-Based Change Detection Method for Remote Sensing Images内容摘要A Survey on Vision Transformer内容摘要Aerial Target Detection Based on the Improved YOLOv3 Algorithm内容摘要Aircraft Rotated Boxes Detection Method Based on YOLOv5内容摘要Ai

weixin_44159697的博客 9244

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

Dynamic Anchor Learning for Arbitrary-Oriented Object Detection

Dynamic Anchor Learning for Arbitrary-Oriented Object Detection 介绍一篇自己AAAI2021的目标检测工作:Dynamic Anchor Learning for Arbitrary-Oriented Object Detection。主要是讨论旋转目标检测中anchor匹配机制的问题和一些思考。 arxiv论文地址:https://arxiv.org/abs/2012.04150 代码:https://github.com/ming71/DA

mingqi1996的博客 2509

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

深入理解Detectron 2 — Part 4 区域建议网络(Region Proposal Network)

Figure 1. Inference result of Faster (Base) R-CNN with Feature Pyramid Network. 嗨,我是计算机视觉研究员 Hiroto Honda¹[homepage] [twitter] 在这篇文章中,我想分享我对 Detectron 2 的了解——repo 结构、构建和训练网络、处理数据集等等。 2019 年,我使用Detectron 2所基于的 maskrcnn-benchmark 在 Open Images 竞赛 (ICCV 2...

zhuguiqin1的专栏 4678

Learning RoI Transformer for Detecting Oriented Objects in Aerial Images

Learning RoI Transformer for Detecting Oriented Objects in Aerial Images Jian Ding, Nan Xue, Yang Long, Gui-Song Xia, Qikai Lu Wuhan University,WHU:武汉大学,武大 Computational and Photogrammetric Vision Tea...

程永强 9179
上一篇: Effective Fusion Factor in FPN for Tiny Object Detection
下一篇: 计算机视觉中的注意力模块———CBAM
practical_sharp
博客等级 码龄8年 500粉丝 148原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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
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