首页>
根据【关键词:遥感图像,聚焦系数,军用飞机,轻量级】搜索到相关结果 53 条
-
复杂背景下的轻量级遥感军用飞机目标检测
-
作者:
周韩莲
叶青
刘文祺
来源:
光电工程
年份:
2025
文献类型 :
期刊
关键词:
遥感图像
聚焦系数
军用飞机
轻量级
-
描述:
复杂背景下的轻量级遥感军用飞机目标检测
-
基于Faster R-CNN的轻量化遥感图像军用飞机检测模型
-
作者:
党玉龙
叶成绪
来源:
激光杂志
年份:
2024
文献类型 :
期刊
关键词:
遥感图像
R
CNN
目标检测
Faster
军用飞机
-
描述:
遥感图像军用飞机目标检测对侦察预警和情报分析等领域具有重要意义。针对该任务中图像背景复杂、目标尺度变化大和分布密集等挑战,提出了一种基于Faster R-CNN的轻量化检测模型。该模型使用残差拆分
-
基于卷积神经网络的遥感图像飞机目标识别
-
作者:
晁安娜
刘坤
来源:
微型机与应用
年份:
2018
文献类型 :
期刊
关键词:
遥感图像
卷积神经网络
飞机识别
深度学习
-
描述:
遥感图像的识别技术一直被广泛运用于民用和军事领域。针对采集到的遥感飞机图像存在大量干扰,如遮挡、噪声、视角变化等因素,提出一种改进的基于卷积神经网络的遥感图像目标识别算法。在复杂环境下,运用
-
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。
-
基于最优区域生成的深度多尺度融合遥感飞机检测方法
-
作者:
刘晨
郑恩让
张桐
来源:
科学技术与工程
年份:
2020
文献类型 :
期刊
关键词:
遥感图像
飞机检测
多尺度融合
锚框
-
描述:
基于最优区域生成的深度多尺度融合遥感飞机检测方法
-
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
-
军用飞机维修安全质量影响因素与控制措施
-
作者:
何东方
谭敏峰
来源:
现代制造技术与装备
年份:
2020
文献类型 :
期刊
关键词:
维修安全
影响因素
军用飞机
-
描述:
深入研究军用飞机安全维修质量的影响因素及控制措施,能够有效保障军用飞机在战场飞行中的安全性与实效性。相较于普通民航飞机,军用飞机维修对专业人员的技术要求更高,如果维修人员出现偏差,将极大地影响
-
融入军用飞机研制设计流程的计量保证技术研究
-
作者:
王胜超
樊哲
欧佳
来源:
计量与测试技术
年份:
2020
文献类型 :
期刊
关键词:
计量保证
军用飞机
全过程
-
描述:
为保障自主研制军用飞机技战指标及其配套产品关键性能参数单位统一、量值准确可靠,在完成基于量值溯源体系的传统计量保证工作的基础上,应推动计量需求融入设计流程。型号计量保证应在方案设计阶段做好顶层设计
-
刘湘与重庆第一架飞机和第一座机场
-
作者:
胡平原
来源:
文史杂志
年份:
2020
文献类型 :
期刊
关键词:
飞机场
军用飞机
广阳坝
飞机失事
-
描述:
刘湘(1888—1938)是四川现代史上的一代枭雄,就连阴险狡诈的蒋介石都要敬畏他三分。他又名元勋,字甫澄,法号玉宪,汉族,四川省成都大邑县人,国民革命军陆军一级上将,四川省政府主席。他年轻时英勇善战,不怕牺牲,绰号"巴壁虎",当地人称"刘莽子"。刘湘在四川军阀内战中逐渐发达,削平群雄,统一四川。他性格内向,深沉含蓄,