基于军事飞机图像结合FCN的目标检测技术应用

作者： 张春雷   来源： 电子测试 年份： 2019 文献类型 ： 期刊 关键词： 特征提取   全卷积神经网络   目标检测  

描述： 图像分割是图像识别和目标检测的重要工作,军事图像目标检测与准确分割是分析军事目标的核心工作。针对这一工作,本文将全卷积神经网络(全卷积神经网络)应用在军事飞机图像的目标获取上,通过全卷积神经网络强大的特征提取和识别能力,准确获取目标区域,对分析图像信息提供参考性意义。

基于军事飞机图像结合FCN的目标检测技术应用

作者： 张春雷   来源： 电子测试 年份： 2019 文献类型 ： 期刊 关键词： 特征提取   全卷积神经网络   目标检测  

描述： 图像分割是图像识别和目标检测的重要工作,军事图像目标检测与准确分割是分析军事目标的核心工作。针对这一工作,本文将全卷积神经网络(全卷积神经网络)应用在军事飞机图像的目标获取上,通过全卷积神经网络强大的特征提取和识别能力,准确获取目标区域,对分析图像信息提供参考性意义。

基于半监督学习的遥感飞机图像检测方法

作者： 杜泽星   殷进勇   杨建   来源： 激光与光电子学进展 年份： 2019 文献类型 ： 期刊 关键词： 遥感图像   目标检测   半监督学习   生成式对抗网络  

描述： 针对现有的基于深度学习的遥感飞机图像检测方法,在训练时需要大量的带标记数据集和较长的训练时间,本文提出了一种基于生成式对抗网络的半监督学习方法。采用两种粒度的深度卷积生成式对抗网络,分别提取了待检测

基于军事飞机图像结合FCN的目标检测技术应用

作者： 张春雷   来源： 电子测试 年份： 2019 文献类型 ： 期刊 关键词： 特征提取   全卷积神经网络   目标检测  

描述： 图像分割是图像识别和目标检测的重要工作,军事图像目标检测与准确分割是分析军事目标的核心工作。针对这一工作,本文将全卷积神经网络(全卷积神经网络)应用在军事飞机图像的目标获取上,通过全卷积神经网络强大的特征提取和识别能力,准确获取目标区域,对分析图像信息提供参考性意义。

基于军事飞机图像结合FCN的目标检测技术应用

作者： 张春雷   来源： 电子测试 年份： 2019 文献类型 ： 期刊 关键词： 特征提取   全卷积神经网络   目标检测  

描述： 图像分割是图像识别和目标检测的重要工作,军事图像目标检测与准确分割是分析军事目标的核心工作。针对这一工作,本文将全卷积神经网络(全卷积神经网络)应用在军事飞机图像的目标获取上,通过全卷积神经网络强大的特征提取和识别能力,准确获取目标区域,对分析图像信息提供参考性意义。

基于半监督学习的遥感飞机图像检测方法

作者： 杜泽星   殷进勇   杨建   来源： 激光与光电子学进展 年份： 2019 文献类型 ： 期刊 关键词： 遥感图像   目标检测   半监督学习   生成式对抗网络  

描述： 针对现有的基于深度学习的遥感飞机图像检测方法,在训练时需要大量的带标记数据集和较长的训练时间,本文提出了一种基于生成式对抗网络的半监督学习方法。采用两种粒度的深度卷积生成式对抗网络,分别提取了待检测

作者： 周文骏     黄硕     张宁     宋传龙     赵宇轩     段一帆     徐国庆   来源： 光学精密工程 年份： 2024 文献类型 ： 期刊 关键词： 注意力机制   目标检测   DETR网络   SAR图像  

描述：

作者： 周文骏     黄硕     张宁     宋传龙     赵宇轩     段一帆     徐国庆   来源： 光学精密工程 年份： 2024 文献类型 ： 期刊 关键词： 注意力机制   目标检测   DETR网络   SAR图像  

描述：

联合目标分割和关键点检测的飞机型号识别

作者： 刘思婷     王庆栋     张力     韩晓霞     王保前     刘玉贤   来源： 遥感学报 年份： 2024 文献类型 ： 期刊 关键词： 关键点检测   分割   目标检测   条件随机场   飞机型号识别  

描述： 目前，受限于数据集精细度与网络结构，深度学习技术仍难以应对飞机目标型号识别这类精细化识别任务。本文针对遥感影像中飞机目标型号识别问题，提出一种融合目标分割与关键点检测的飞机型号识别方法。该方法有机地

基于DFECANet的遥感图像飞机目标检测方法

作者： 单慧琳     吕宗奎     付相为     胡宇翔     段修贤     张银胜   来源： 电子测量与仪器学报 年份： 2024 文献类型 ： 期刊 关键词： 遥感图像   特征上采样   图像处理   目标检测   多尺度特征融合  

描述： 的准确性。在DOTAv1数据集上的检测精度达到了95.2%,相较于YOLOv5s、SCRDet、ASSD等主流算法，飞机目标的检测精度提高了3.7%～18%。此外，该方法的检测速度以及模型参数量分别为