基于改进YOLOv8的遥感图像飞机目标检测研究

作者： 张德银     赵志恒     谢逸戈     黄少晗   来源： 自动化应用 年份： 2024 文献类型 ： 期刊 关键词： 遥感图像   目标检测   飞机目标   YOLOv8算法  

描述： 为解决遥感图像飞机目标检测时易出现检测精度低与漏检误检等问题，提出了一种基于YOLOv8算法的遥感图像飞机目标检测改进算法。首先，将坐标注意力机制模块嵌入卷积模块中，使其能提取复杂背景下的飞机小目标

基于改进YOLOv4算法的遥感图像飞机目标检测

作者： 王惠中     文学   来源： 计算机与数字工程 年份： 2024 文献类型 ： 期刊 关键词： 遥感图像   特征融合   目标检测   YOLOv4  

描述： 针对在遥感图像上对飞机目标检测的精度低问题，论文通过对PANet特征融合网络结构的加深使得YOLOv4算法对小目标的检测更加敏感，进而提高算法的平均检测精度；另外，利用K-means++算法产生

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： 目标的边缘特征信息和深层语义特征。通过结合两种粒度的生成式对抗网络的判别器网络模型,设计了目标检测网络模型。实验结果表明,本文所设计的这种半监督学习训练方法有着更快的收敛速度,并且在训练时需要的标记样本更少。

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： 目标的边缘特征信息和深层语义特征。通过结合两种粒度的生成式对抗网络的判别器网络模型,设计了目标检测网络模型。实验结果表明,本文所设计的这种半监督学习训练方法有着更快的收敛速度,并且在训练时需要的标记样本更少。

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： 针对现有的遥感图像目标检测方法中对小尺寸飞机目标的检测精度不高、特征信息传递不准确、信息交互不充分等问题，提出了一种基于可辨别特征提取和上下文感知的遥感图像飞机目标检测方法。设计了以可辨别特征提取

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： 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。

基于深度神经网络的遥感图像飞机目标检测

作者： 李文斌   何冉   来源： 计算机工程 年份： 2021 文献类型 ： 期刊 关键词： 遥感图像   卷积神经网络   目标检测   密度聚类   像素级标签  

描述： 。实验结果表明,DC-DNN模型对于遥感图像飞机目标检测的准确率、召回率和F1值分别为95.78%、98.98%和0.973 5,相比WS-DNN、R-FCN等模型具有更好的检测性能和泛化能力。

基于深度神经网络的遥感图像飞机目标检测

作者： 李文斌   何冉   来源： 计算机工程 年份： 2021 文献类型 ： 期刊 关键词： 遥感图像   卷积神经网络   目标检测   密度聚类   像素级标签  

描述： 。实验结果表明,DC-DNN模型对于遥感图像飞机目标检测的准确率、召回率和F1值分别为95.78%、98.98%和0.973 5,相比WS-DNN、R-FCN等模型具有更好的检测性能和泛化能力。

基于深度神经网络的遥感图像飞机目标检测

作者： 李文斌   何冉   来源： 计算机工程 年份： 2021 文献类型 ： 期刊 关键词： 遥感图像   卷积神经网络   目标检测   密度聚类   像素级标签  

描述： 。实验结果表明,DC-DNN模型对于遥感图像飞机目标检测的准确率、召回率和F1值分别为95.78%、98.98%和0.973 5,相比WS-DNN、R-FCN等模型具有更好的检测性能和泛化能力。

基于深度神经网络的遥感图像飞机目标检测

作者： 李文斌   何冉   来源： 计算机工程 年份： 2021 文献类型 ： 期刊 关键词： 遥感图像   卷积神经网络   目标检测   密度聚类   像素级标签  

描述： 。实验结果表明,DC-DNN模型对于遥感图像飞机目标检测的准确率、召回率和F1值分别为95.78%、98.98%和0.973 5,相比WS-DNN、R-FCN等模型具有更好的检测性能和泛化能力。