基于深度学习的遥感影像飞机检测方法研究

作者： 谢奇芳   来源： 中国地质大学(北京) 年份： 2019 文献类型 ： 学位论文 关键词： 高分辨率遥感影像   卷积神经网络   深度学习   目标检测  

描述： 基于深度学习的遥感影像飞机检测方法研究

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。

高分辨率遥感图像中飞机目标自动检测方法研究

作者： 任瑞龙   来源： 电子科技大学 年份： 2019 文献类型 ： 学位论文 关键词： 遥感图像   语义分割   深度学习   目标检测   飞机  

描述： 高分辨率遥感图像中飞机目标自动检测方法研究

遥感图像中飞机目标提取的深度学习方法研究

作者： 赵丹新   来源： 中国科学院大学(中国科学院上海技术物理研究所) 年份： 2018 文献类型 ： 学位论文 关键词： 遥感图像   多尺度检测   目标检测   深度学习   透视校正  

描述： 遥感图像中飞机目标提取的深度学习方法研究

采用深度网络的飞机表面图像损伤检测与识别

作者： 刘恒鑫   来源： 北京邮电大学 年份： 2018 文献类型 ： 学位论文 关键词： 飞机蒙皮   卷积神经网络   图像处理   目标检测   无损检测  

描述： 采用深度网络的飞机表面图像损伤检测与识别

飞机蒙皮图像的深度特征学习与损伤监测

作者： 李慧   来源： 北京邮电大学 年份： 2019 文献类型 ： 学位论文 关键词： 飞机蒙皮   卷积神经网络   SSD   深度学习   目标检测  

描述： 飞机蒙皮图像的深度特征学习与损伤监测

基于卷积神经网络的遥感图像飞机目标检测研究

作者： 仉长涛   来源： 河北工业大学 年份： 2020 文献类型 ： 学位论文 关键词： 遥感图像   语义信息   卷积神经网络   特征融合   语义分割   目标检测  

描述： 基于卷积神经网络的遥感图像飞机目标检测研究

深度学习在军用飞机识别与检测中的应用

作者： 黄蓉蓉   来源： 兰州大学 年份： 2020 文献类型 ： 学位论文 关键词： 卷积神经网络   计算机视觉   数据增强   目标检测   深度学习   军用飞机   图像识别  

描述： 深度学习在军用飞机识别与检测中的应用

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。