首页>
根据【关键词:识别定位,多级分类器,目标检测,数字识别,舰载机模型 】搜索到相关结果 18 条
基于CenterNet的航空遥感图像目标检测
作者:
杨曦中
高冠鸿
熊智
张玲
来源:
航空电子技术
年份:
2022
文献类型 :
期刊
关键词:
目标检测
深度学习
神经网络
CenterNet
描述:
为实现高精度的航空图像目标检测,将Anchor free的目标检测算法CenterNet应用到检测中,同时使用Resnet50主干网络,并引入CIoU损失替代原有损失函数对网络模型做出了改进。改进后的算法在RSOD与DIOR数据集上进行测试,结果显示在保证网络轻量化的前提下检测精度有明显的提高,证明了算法在航空目标检测方面的可行性与准确性。
基于YOLOv4的航空发动机叶片凸台目标检测
作者:
陈为
钟欣童
张婧
李泽辰
来源:
计算机仿真
年份:
2022
文献类型 :
期刊
关键词:
数据增强
目标检测
叶片凸台检测
聚类分析
描述:
针对航空发动机内部检测叶片凸台缺陷的问题,提出了一种基于YOLOv4(You Only Look Once)的目标检测算法。算法使用迁移学习加载了在coco公开数据集上训练的预训练模型权重,为了更好的适应对凸台检测中小目标、结构复杂的特点,通过聚类分析的方法调整先验框尺寸,同时对原始数据集使用Mosaic方法进行数据增强。实验结果表明,改进后的YOLOv4模型在检测精度上提高了15.85%,召回率提高了21%,平均交并比可达0.75,检测性能优于在同一数据集中使用的SSD目标检测算法。
基于注意力机制的航空图像旋转框目标检测
作者:
常洪彬
李文举
李文辉
来源:
吉林大学学报(理学版)
年份:
2022
文献类型 :
期刊
关键词:
航空图像
注意力机制
目标检测
深度学习
描述:
针对在航空遥感图像目标检测中,航空图像在俯视图下呈任意方向排列,存在图像尺寸大、方向任意和背景复杂等问题,为能在复杂背景的航空图像中仍有较好的检测结果,提出一种基于注意力机制的旋转框航空图像目标检测模型.该模型首先采用RetinaNet作为基线模型,在原有检测器结构的基础上,增加额外的角度参数以适应旋转框目标检测;然后提出一个新的通道语义提取注意力模块(CSE),用于捕获全局语义信息和通道关系,并预测粗糙包围盒与分类分数;最后采用特征对齐和改进的Fast R-CNN检测头进行精细化处理,进一步提升检测精度,得到最后的分类和回归结果.实验结果表明,该方法在公开航空遥感数据集DOTA上的检测精度达到77.71%,优于其他先进的旋转框目标检测方法.
基于深度学习的航空遥感图像目标检测算法研究
作者:
常洪彬
来源:
吉林大学
年份:
2022
文献类型 :
学位论文
关键词:
遥感图像
注意力机制
深度学习
目标检测
描述:
基于深度学习的航空遥感图像目标检测算法研究
基于多尺度卷积神经网络的飞机识别定位系统的设计
作者:
李昭
来源:
西安电子科技大学
年份:
2022
文献类型 :
学位论文
关键词:
卷积神经网络
飞机定位系统
目标检测
图像分割
描述:
基于多尺度卷积神经网络的飞机识别定位系统的设计
航空遥感影像中的轻量级小目标检测
作者:
薛雅丽
孙瑜
马瀚融
来源:
电光与控制
年份:
2022
文献类型 :
期刊
关键词:
小目标
遥感图像
特征融合
深度学习
目标检测
描述:
单阶段目标检测算法凭借结构简单、模型高效等特点获得很多研究者及工业界的关注。以现有的YOLO算法为基础,针对遥感图像中目标尺寸小、排列紧密等困难,提出一种提升复杂背景下小目标检测精度的轻量级目标检测方法。该方法引入加权融合特征网络,为每层特征图赋予可在训练中不断学习的权重系数,加强深浅层特征融合。通过引入CIoU损失及模型改进,加快网络收敛速度,使其满足实时性需求。在基于DOTA构建的遥感图像小目标数据集上进行对比实验,结果表明,该方法具有更好的检测精度与检测速度。
YOLOv4-tiny及其改进算法在航空机务维修照相管理中的应用
作者:
张锐丽
张琦
高万春
李江龙
来源:
兵工自动化
年份:
2022
文献类型 :
期刊
关键词:
注意力机制
tiny
目标检测
YOLOv4
照相管理
描述:
针对飞机机务维修照相管理存在工作量大、不精确等问题,提出一种利用深度学习YOLOv4-tiny算法来执行照片对比检测的方法。利用一个自制的数据集来训练网络模型,为解决开口销螺母及其他背景干扰,引入注意力机制模块以改进YOLOv4-tiny。测试结果表明:准确率(precision,P)相较原YOLOv4-tiny提高了5%,召回率(recall,R)提高约8%,平均准确率均值(mean average precision,mAP)提高了4.9%,照片识别精度和定位精准性方面都有较优表现,满足照相管理中对目标精准识别与比对的要求。
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:
,设计通道注意力增强结构MNtECA(MobileNetv3 with Efficient Channel Attention)提高特征提取能力;其次在深度可分离卷积层增加1 ×1 的卷积,在减少卷积结构参数
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:
,设计通道注意力增强结构MNtECA(MobileNetv3 with Efficient Channel Attention)提高特征提取能力;其次在深度可分离卷积层增加1 ×1 的卷积,在减少卷积结构参数
面向航空目标检测的神经网络加速器设计
作者:
施立瑞
王帅帅
肖昊
来源:
航空科学技术
年份:
2022
文献类型 :
期刊
关键词:
卷积神经网络
FPGA
目标检测
Winograd算法
加速器
描述:
卷积神经网络被广泛应用于航空图像目标检测领域。然而,由于航空图像成像背景环境复杂、目标尺寸小且方向任意,为了提取更高层次的特征信息,神经网络模型的结构复杂度不断提高,使得模型计算复杂度高、计算时间长,从而难以满足航空目标检测的实时性需求。本文提出了一种面向航空目标检测的基于Winograd算法的神经网络加速器,通过Winograd卷积算法可大幅减少卷积计算中的乘法数量,并针对Winograd卷积在神经网络计算中由于时域变换引入额外加法计算的问题,提出了一种深流水的矩阵变换计算结构,通过复用加法计算的中间结果以及调整运算顺序减少输入和输出变换的计算量。同时,针对加速器的现场可编程门阵列(FPGA)实现,提出了一种高效的数据流形式和DSP阵列结构。试验结果表明,本文提出的加速器相比CPU和GPU分别获得了32倍和2.6倍的速度提升。