关键词
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,运用卷积神经网络对飞机目标进行识别,避免了在特征提取过程中信息的丢失,提高了识别率。实验结果证明了该算法在遥感图像飞机目标识别中的可行性,能克服尺度变化及目标姿态变化等因素的影响。同时提出的算法较传统CNN、BP神经网络和支持向量机(SVM)方法具有更好的识别效果,鲁棒性更强。
卫星遥感图像中飞机识别算法的研究
作者: 袁红江   来源: 聊城大学 年份: 2020 文献类型 : 学位论文 关键词: 遥感图像   飞机识别   SIFT算法   自动阈值分割  
描述: 卫星遥感图像中飞机识别算法的研究
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
基于卷积神经网络的遥感图像飞机检测
作者: 张义德   胡长雨   胡春育   来源: 光电子技术 年份: 2017 文献类型 : 期刊 关键词: 遥感图像   卷积神经网络   微调   迁移学习   飞机检测  
描述: 提出一种CNN的遥感图像飞机检测的方法。首先获得预训练好的CNN,然后通过参数迁移获得五层卷积层模型参数,接着利用遥感图像对第五层卷积层进行微调获得一个特征提取器。将特征提取器用于提取遥感图像训练集的深度特征,训练可变形部件检测模型。实验表明,提出的方法大大提高了遥感图像飞机目标检测精度,准确率达96%以上。
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: 2020 文献类型 : 期刊 关键词: 遥感图像   图像处理   目标检测   半监督学习   生成式对抗网络  
描述: 基于半监督学习的遥感飞机图像检测方法
基于FCN与CNN的遥感影像飞机目标检测方法
作者: 李文斌   何冉   来源: 计算机工程 年份: 2020 文献类型 : 期刊 关键词: FCN   遥感图像   CNN   目标检测   像素级标签  
描述: 进行抑制;使用图像级标签代替目标级标签进行CNN训练、以及使用图像的CNN底层特征图制作像素级标签来训练FCN。实验表明,本模型获得了95.78%的准确率、98.98%的召回率、0.9735的F1分数,具有优异的检测性能和良好的泛化能力。
< 1 2
Rss订阅