遥感图像飞机目标检测与识别关键技术研究

作者： 李冠典   来源： 长春理工大学 年份： 2022 文献类型 ： 学位论文 关键词： 飞机目标高效检测   遥感图像   卷积神经网络   深度学习   目标检测   飞机区域识别网络  

描述： 遥感图像飞机目标检测与识别关键技术研究

基于数据驱动的航空发动机剩余寿命预测研究

作者： 李雅   来源： 河南大学 年份： 2022 文献类型 ： 学位论文 关键词： 注意力机制   航空发动机   卷积神经网络   剩余寿命   图注意力   残差网络  

描述： 基于数据驱动的航空发动机剩余寿命预测研究

基于改进SSD的航空发动机目标缺陷检测

作者： 陈为   梁晨红   来源： 第30届中国过程控制会议（CPCC 2019） 年份： 2019 文献类型 ： 会议论文 关键词： 数据集   特征提取   卷积神经网络   凸台检测   SSD模型   聚类分析  

描述： 基于改进SSD的航空发动机目标缺陷检测

一种基于级联神经网络的飞机检测方法

作者： 王晓林   苏松志   刘晓颖   蔡国榕   李绍滋   来源： 智能系统学报 年份： 2021 文献类型 ： 期刊 关键词： 嵌入式设备   遥感图像   级联   卷积神经网络   两阶段   深度学习   飞机检测   由粗到细  

描述： 由于旋转角度多样性、极端的尺度差异的影响,遥感图像中的飞机检测目前仍存在挑战。为了解决旋转和尺度的问题,目前的策略是将现有的自然场景下的目标检测算法(如Faster R-CNN、SSD等)直接迁移到遥感图像中。这些算法的主干网络复杂,模型占用空间大,难以应用到低功耗和嵌入式设备中。为了在准确率不降低的情况下提高检测速度,本文提出了一个仅包含9层的卷积神经网络来解决飞机检测问题。该网络采用了由粗到细的策略,通过级联两个网络的方式减少计算开销。为了评估方法的有效性,我们建立了一个针对飞机检测的遥感数据集。实验结果表明,该方法超越了VGG16等复杂的主干网络,达到了接近主流检测方法的性能表现,同时显著降低了参数量并使检测速度提高了2倍以上。

基于神经网络的航空行李点云检测方法研究

作者： 翁博文   胡丹丹   罗其俊   来源： 电子世界 年份： 2020 文献类型 ： 期刊 关键词： 随机梯度下降法   测试数据集   点云特征   卷积神经网络   点云数据   云检测   三层感知机   全局特征   多层感知机  

描述： 针对航空旅客托运行李相似度高、几何特征强、材质复杂等特点,提出一种基于多层神经网络的航空行李点云检测方法。该方采用MLP结构对点云的全局特征进行描述,并针对点云的几何特征引入X-Conv卷积以增强对边缘点云的几何描述,增强网络对空洞点云的识别能力。通过在某机场现场采集的行李点云数据集验证了该方法的准

改进YOLO V3遥感图像飞机识别应用

作者： 郑志强   刘妍妍   潘长城   李国宁   来源： 电光与控制 年份： 2019 文献类型 ： 期刊 关键词： YOLO   Densenet   遥感图像   means   卷积神经网络   飞机识别   k   V3  

描述： 为了准确识别遥感图像中的飞机,基于YOLO V3算法,通过使用K-means算法对数据集进行聚类分析,借鉴Densenet网络的思想,将YOLO V3网络中的两个残差网络模块替换为两个密集网络模块,改进为一种Dense-YOLO深度卷积神经网络结构。对改进前与改进后的网络进行训练,分别选出使两个网络识别效果最好的权重文件,针对高质量遥感图像与过度曝光、云雾遮挡等低质量遥感图像分别进行测试与分析。实验结果表明,新改进的深度卷积神经网络应用在两种图像上效果均有提升。其中,改进的算法在高质量的遥感图像中准确率高达99.72%,比原始算法准确率提升了0.85%,召回率高达98.34%,召回率提升了1.94%。在低质量遥感图像中准确率高达96.12%,比原始算法准确率提升了5.07%,召回率高达93.10%,召回率提升了19.75%。

基于统一网络架构的多模态航空影像质量评价研究

作者： 闫婧   武林伟   刘伟杰   韩如雪   来源： 现代电子技术 年份： 2023 文献类型 ： 期刊 关键词： 无参考模型   特征提取   卷积神经网络   特征融合   多模态数据   深度学习   网络结构   影像质量评价  

描述： 高质量无人机航空影像是目标检测、分析、识别的重要前提条件，但各类传感器成像机理不同，质量影响因素多样，往往需要根据不同模态数据的特性设计不同的网络模型，从而大大增加了质量评价算法在无人机上的应用难度。针对这一问题，提出一种基于统一网络框架的无参考多模态影像质量评价模型，通过自适应地学习图像块内部的局部特征与图像块之间的相互关系，完成空间维度上的全局信息融合和时间维度上的时序信息融合，实现对多种模态影像数据的质量评估，进而快速有效地监测筛选采集数据的质量，提高有效数据采集效率。实验结果表明，该方法在多种模态的影像数据质量评价上具备泛用性和有效性。