全部
图书
期刊
学位论文
会议论文
报纸
图片
视频
新闻
按文献类别分组
按栏目分组
关键词
- 基于改进YOLOv5的轻量化航空目标检测方法
- 作者： 杨小冈 高凡 卢瑞涛 李维鹏 张涛 曾俊 来源： 信息与控制 年份： 2022 文献类型 ： 期刊 关键词： 注意力 通道剪枝 深度学习 目标检测 模型压缩
- 描述： 为解决硬件平台资源受限条件下的实时航空目标检测需求，在基于改进YOLOv5的基础上，提出了一种针对移动端设备/边缘计算的轻量化航空目标检测方法。首先以MobileNetv3为基础搭建特征提取网络
- 基于深度学习的航空铆钉分类及异常情况检测
- 作者： 夏正洪 何琥 吴建军 魏汝祥 来源： 中国安全生产科学技术 年份： 2023 文献类型 ： 期刊 关键词： 召回率 精确率 深度学习 目标检测 航空铆钉
- 描述： 针对航空铆钉小目标检测准确率较低、速率较慢等问题，提出1种基于深度学习的航空铆钉分类及异常情况检测方法。首先，根据钉头外观对航空铆钉进行分类，制作航空铆钉数据集；然后，构建航空铆钉分类及异常情况检测
- 基于优化Mask-RCNN算法的遥感飞机目标检测
- 作者： 葛海婷 杨铁梅 来源： 太原科技大学学报 年份： 2024 文献类型 ： 期刊 关键词： 遥感图像 RCNN 深度学习 目标检测 Mask
- 描述： 针对传统的图像检测算法在遥感领域中存在的问题，将改进的Mask-RCNN检测算法应用于遥感领域。通过优化Resnet特征提取网络，提高算法的特征提取能力；通过改进NMS非极大值抑制网络，优化区域推荐网络。并在自建的遥感飞机数据集上验证算法的稳定性以及有效性。经检测，改进的算法能够提升遥感图像中飞机的检测精度，并且有效降低了飞机目标的误检和漏检问题。
- 基于深度学习的高分辨率遥感影像飞机掩体检测方法
- 作者： 史姝姝 陈永强 王樱洁 王春乐 来源： 激光与光电子学进展 年份： 2024 文献类型 ： 期刊 关键词： 遥感影像 目标检测 深度学习 旋转框 遥感
- 描述： 高分辨率遥感影像数据集。对比Faster R-CNN、SSD、RetinaNet、YOLOv3和YOLOX等5个深度学习目标检测模型的综合性能，结果表明，在飞机掩体影像数据集上YOLOX模型表现更佳
- 基于深度学习的光学遥感图像飞机检测算法
- 作者： 董永峰 仉长涛 汪鹏 冯哲 来源： 激光与光电子学进展 年份： 2021 文献类型 ： 期刊 关键词： 遥感图像 卷积神经网络 图像处理 目标检测 深度学习 Mask RCNN算法
- 描述： 光学遥感图像目标检测一直都是遥感领域研究的热点之一,但现有的检测方法对背景复杂且尺寸较小的目标检测准确率不高。针对以上问题,提出了一种以Mask-RCNN为基础框架的目标检测方法。该算法以
- 基于深度学习的光学遥感图像飞机检测算法
- 作者： 董永峰 仉长涛 汪鹏 冯哲 来源： 激光与光电子学进展 年份： 2020 文献类型 ： 期刊 关键词： 遥感图像 卷积神经网络 图像处理 目标检测 深度学习 Mask RCNN算法
- 描述： 基于深度学习的光学遥感图像飞机检测算法
- 基于SW/YOLO模型的航空发动机叶片损伤实时检测
- 作者： 何宇豪 曹学国 刘信良 蒋浩坤 王静秋 来源： 推进技术 年份： 2023 文献类型 ： 期刊 关键词： 航空发动机 实时检测 叶片损伤 深度学习 目标检测 孔探检测
- 描述： 孔探检测技术是航空发动机叶片损伤检测的主要手段，但目前依赖人工操作，耗时耗力。本文提出了一个孔探视频检测的SW/YOLO模型，该模型包括输入端、主干网络、颈部网络、头部网络4个模块。首先，在主干网络加入了空间通道注意力模块（Spatial Channel / Convolutional Block Attention Module，SC/CBAM），有效避免位置信息丢失，提高目标边界回归能力，相较于YOLOv5，其平均精度均值mAP@0.5提高了5.4%。其次，在颈部网络对特征金字塔网络（Feature Pyramid Network，FPN）进行了改进，通过融合低层特征，扩大了模型感受野，有利于较小损伤区域的检测，如烧蚀损伤，平均精度提高了8.1%。最后，通过与YOLOv5，Faster R/CNN，SSD模型的对比实验，结果表明SW/YOLO模型的平均精度均值分别提高了7%，6.2%，6.3%，检测速度满足实时检测需求，有利于提高航空发动机孔探检测的自动化和智能化水平。
- 基于迁移学习和改进Faster-RCNN遥感影像飞机目标检测
- 作者： 周绍鸿 方新建 刘鑫怡 张潆丹 严盛 来源： 机电工程技术 年份： 2024 文献类型 ： 期刊 关键词： 遥感影像 目标检测 RCNN 深度学习 Faster 迁移学习
- 描述： 为了提高遥感影像飞机目标检测的准确性和泛化能力，需要解决背景复杂、尺度多变、目标密集、飞机朝向不确定和特征不明显等问题。但现阶段训练数据量有限，初始训练需要消耗大量算力和时间，容易出现过拟合现象
- 基于SW-YOLO模型的航空发动机叶片损伤实时检测
- 作者： 何宇豪 曹学国 刘信良 蒋浩坤 王静秋 来源： 推进技术 年份： 2024 文献类型 ： 期刊 关键词： 航空发动机 实时检测 叶片损伤 深度学习 目标检测 孔探检测
- 描述： 孔探检测技术是航空发动机叶片损伤检测的主要手段，但目前依赖人工操作，耗时耗力。本文提出了一个孔探视频检测的SW-YOLO模型，该模型包括输入端、主干网络、颈部网络、头部网络4个模块。首先，在主干网络加入了空间通道注意力模块（Spatial Channel-Convolutional Block Attention Module,SC-CBAM），有效避免位置信息丢失，提高目标边界回归能力，相较于YOLOv5，其平均精度均值■@0.5提高了5.4%。其次，在颈部网络对特征金字塔网络（Feature Pyramid Network,FPN）进行了改进，通过融合低层特征，扩大了模型感受野，有利于较小损伤区域的检测，如烧蚀损伤，平均精度提高了8.1%。最后，通过与YOLOv5,Faster R-CNN,SSD模型的对比实验，结果表明SW-YOLO模型的平均精度均值分别提高了7%,6.2%,6.3%，检测速度满足实时检测需求，有利于提高航空发动机孔探检测的自动化和智能化水平。